JP7355242B2 - グリップ判定装置、グリップ判定方法及びグリップ判定プログラム - Google Patents
グリップ判定装置、グリップ判定方法及びグリップ判定プログラム Download PDFInfo
- Publication number
- JP7355242B2 JP7355242B2 JP2022530034A JP2022530034A JP7355242B2 JP 7355242 B2 JP7355242 B2 JP 7355242B2 JP 2022530034 A JP2022530034 A JP 2022530034A JP 2022530034 A JP2022530034 A JP 2022530034A JP 7355242 B2 JP7355242 B2 JP 7355242B2
- Authority
- JP
- Japan
- Prior art keywords
- grip
- series data
- data
- determination
- time series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 54
- 230000006399 behavior Effects 0.000 claims description 64
- 230000009471 action Effects 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 description 27
- 238000012545 processing Methods 0.000 description 27
- 238000005259 measurement Methods 0.000 description 23
- 230000010365 information processing Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 238000007781 pre-processing Methods 0.000 description 9
- 238000013480 data collection Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/16—Measuring force or stress, in general using properties of piezoelectric devices
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
すなわち、本発明の一側面に係るグリップ判定装置は、対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するデータ取得部と、取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する1つ以上の第1特徴量を算出する算出部と、機械学習により生成された学習済み判定モデルを使用して、算出された前記1つ以上の第1特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定する判定部と、判定の結果を出力する出力部と、を備える。
図1は、本実施形態に係る判定システム100の適用場面の一例を模式的に例示する。図1に示されるとおり、本実施形態に係る判定システム100は、グリップ判定装置1及びモデル生成装置2を備えている。
[ハードウェア構成]
<グリップ判定装置>
図2は、本実施形態に係るグリップ判定装置1のハードウェア構成の一例を模式的に例示する。図2に示されるとおり、本実施形態に係るグリップ判定装置1は、制御部11、記憶部12、通信インタフェース13、外部インタフェース14、入力装置15、出力装置16、及びドライブ17が電気的に接続されたコンピュータである。なお、図2では、通信インタフェース及び外部インタフェースを「通信I/F」及び「外部I/F」と記載している。以降の図でも同様の表記を用いている。
図3は、本実施形態に係るモデル生成装置2のハードウェア構成の一例を模式的に例示する。図3に示されるとおり、本実施形態に係るモデル生成装置2は、制御部21、記憶部22、通信インタフェース23、外部インタフェース24、入力装置25、出力装置26、及びドライブ27が電気的に接続されたコンピュータである。
<グリップ判定装置>
図4は、本実施形態に係るグリップ判定装置1のソフトウェア構成の一例を模式的に例示する。グリップ判定装置1の制御部11は、記憶部12に記憶されたグリップ判定プログラム81をRAMに展開する。そして、制御部11は、RAMに展開されたグリップ判定プログラム81に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、図4に示されるとおり、本実施形態に係るグリップ判定装置1は、データ取得部111、算出部112、判定部113、及び出力部114をソフトウェアモジュールとして備えるコンピュータとして動作する。
図5は、本実施形態に係るモデル生成装置2のソフトウェア構成の一例を模式的に例示する。モデル生成装置2の制御部21は、記憶部22に記憶されたモデル生成プログラム82をRAMに展開する。そして、制御部21は、RAMに展開されたモデル生成プログラム82に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、本実施形態に係るモデル生成装置2は、データ収集部211、学習処理部212、及び保存処理部213をソフトウェアモジュールとして備えるコンピュータとして動作する。
グリップ判定装置1及びモデル生成装置2の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、グリップ判定装置1及びモデル生成装置2の各ソフトウェアモジュールがいずれも汎用のCPUによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、1又は複数の専用のプロセッサにより実現されてもよい。すなわち、上記各モジュールは、ハードウェアモジュールとして実現されてもよい。また、グリップ判定装置1及びモデル生成装置2それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。学習結果データ225は必ず学習済み判定モデル5と別に生成されるとは限らず、学習結果データ225が反映された学習済み判定モデルのみを生成する場合も含み得る。
[モデル生成装置]
図6は、本実施形態に係るモデル生成装置2による判定モデル5の機械学習に関する処理手順の一例を示すフローチャートである。ただし、モデル生成装置2の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下のモデル生成装置2の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
ステップS201では、制御部21は、データ収集部211として動作し、複数の学習データセット3を収集する。
ステップS202では、制御部21は、学習処理部212として動作し、得られた複数の学習データセット3を使用して、判定モデル5の機械学習を実施する。
ステップS203では、制御部21は、保存処理部213として動作し、生成された学習済み判定モデル5を示す学習結果データ225を生成する。上記推論(判定)の演算を実行するための情報を保持可能であれば、学習結果データ225の構成は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例として、学習結果データ225は、判定モデル5の構成(例えば、ニューラルネットワークの構造等)及び上記調整により得られた演算パラメータの値を示す情報により構成されてよい。そして、制御部21は、生成された学習結果データ225を所定の記憶領域に保存する。
図7は、本実施形態に係るグリップ判定装置1によるグリップ判定に関する処理手順の一例を示すフローチャートである。以下のグリップ判定装置1の処理手順は、グリップ判定方法の一例である。ただし、以下のグリップ判定装置1の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下のグリップ判定装置1の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
ステップS101では、制御部11は、データ取得部111として動作し、対象物に取り付けられた圧電素子Sの複数の測定値を時系列に示す時系列データ6を取得する。
ステップS102では、制御部11は、算出部112として動作し、取得された時系列データ6から、時系列に並ぶ測定値の波形の形状に関する1つ以上の特徴量71を算出する。1つ以上の特徴量71は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成されてよい。制御部11は、これらのタイプの特徴量のうちの少なくともいずれかを各系列データ61~64から算出することで、1つ以上の特徴量71を得ることができる。
ステップS103では、制御部11は、判定部113として動作し、学習結果データ225を参照することで、学習済み判定モデル5を設定する。そして、制御部11は、学習済み判定モデル5を使用して、算出された1つ以上の特徴量71に基づき、対象物に対する行動がグリップであるか否かを判定する。対象物に対する行動がグリップであるか否かを判定することは、対象物に対する行動がグリップであるかそれ以外のノイズ行動であるかを判別することを含んでよい。また、制御部11は、学習済み判定モデル5を使用して、算出された1つ以上の特徴量75に基づき、対象物に対するグリップの強度を算出する。本実施形態では、制御部11は、算出された1つ以上の特徴量71及び1つ以上の特徴量75を学習済み判定モデル5に入力し、学習済み判定モデル5の演算処理を実行する。これにより、制御部11は、各判定の結果に対応する出力を学習済み判定モデル5から取得する。学習済み判定モデル5から各判定の結果を取得すると、制御部11は、次のステップS104に処理を進める。
ステップS104では、制御部11は、出力部114として動作し、各判定の結果に関する情報を出力する。
上記本実施形態によりグリップ行動を判定可能か否か検証するために、市販のPCを用いて、以下の実験を行った。なお、本発明は、以下の実験例に限定されるものではない。
以上のとおり、本実施形態では、ステップS103において、機械学習により生成された学習済み判定モデル5を使用し、かつ圧電素子Sの時系列データ6から算出される測定値の波形の形状に関する1つ以上の特徴量71を説明変数に採用して、対象物に対する行動がグリップであるか否かを判定する。本実施形態によれば、このような構成を採用することにより、上記実験例に示されるとおり、圧電素子Sを利用して、対象物に対する行動がグリップであるか否かを正確に判定することができる。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
上記実施形態では、学習時及び推論時の時系列データは、原系列データ、標準化系列データ、階差系列データ、及び標準化階差系列データの4つの系列データを含むように構成される。しかしながら、時系列データの構成は、このような例に限定されなくてよい。時系列データは、原系列データ、標準化系列データ、階差系列データ、及び標準化階差系列データの少なくともいずれかは省略されてよい。
上記実施形態では、学習済み判定モデル5は、対象物に対する行動がグリップか否か及びグリップの強度の2つの判定を実行するように構成される。しかしながら、学習済み判定モデル5の構成は、このような例に限定されなくてもよい。2つの判定のうちのいずれか一方は省略されてよい。
11…制御部、12…記憶部、13…通信インタフェース、
14…外部インタフェース、
15…入力装置、16…出力装置、17…ドライブ、
91…記憶媒体、81…グリップ判定プログラム、
111…データ取得部、112…算出部、
113…判定部、114…出力部、
120…生データ、
2…モデル生成装置、
21…制御部、22…記憶部、23…通信インタフェース、
24…外部インタフェース、
25…入力装置、26…出力装置、27…ドライブ、
92…記憶媒体、82…モデル生成プログラム、
211…データ収集部、212…学習処理部、
213…保存処理部、
220…学習用生データ、221…学習用時系列データ、
225…学習結果データ、
3…学習データセット、
31…訓練データ、32…正解ラベル、
5…判定モデル、
6…時系列データ、
61…原系列データ(第1系列データ)、
62…標準化系列データ(第2系列データ)、
63…階差系列データ(第3系列データ)、
64…標準化階差系列データ(第4系列データ)、
71…特徴量(第1特徴量)、75…特徴量(第2特徴量)
Claims (14)
- 対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するデータ取得部と、
取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する1つ以上の第1特徴量を算出する算出部と、
機械学習により生成された学習済み判定モデルを使用して、算出された前記1つ以上の第1特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定する判定部と、
判定の結果を出力する出力部と、を備え、
前記学習済み判定モデルは、前記1つ以上の第1特徴量と、グリップに関する前記対象物に対する行動とを関連付けた訓練用データを用いた機械学習によって生成されたモデルである、グリップ判定装置。 - 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された第1系列データを含む、請求項1に記載のグリップ判定装置。
- 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データを標準化することで生成された第2系列データを含む、請求項1又は2に記載のグリップ判定装置。
- 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算することで生成された第3系列データを含む、請求項1から3のいずれか1項に記載のグリップ判定装置。
- 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算し、かつ標準化することで生成された第4系列データを含む、請求項1から4のいずれか1項に記載のグリップ判定装置。
- 前記1つ以上の第1特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成される、請求項1から5のいずれか1項に記載のグリップ判定装置。
- 前記時系列データの時間長は400ms以上である、請求項1から6のいずれか1項に記載のグリップ判定装置。
- 前記対象物に対する行動がグリップであるか否かを判定することは、前記対象物に対する行動がグリップであるかそれ以外のノイズ行動であるかを判別することを含む、請求項1から7のいずれか1項に記載のグリップ判定装置。
- 前記算出部は、取得された前記時系列データから、振幅に関する1つ以上の第2特徴量を更に算出し、
前記判定部は、前記学習済み判定モデルを使用して、算出された前記1つ以上の第2特徴量に基づき、前記対象物に対するグリップの強度を更に判定する、請求項1から8のいずれか1項に記載のグリップ判定装置。 - 前記1つ以上の第2特徴量は、最小値、最大値、標準偏差、又はこれらの組み合わせにより構成される、請求項9に記載のグリップ判定装置。
- コンピュータが、
対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するステップと、
取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する1つ以上の特徴量を算出するステップと、
機械学習により生成された学習済み判定モデルを使用して、算出された前記1つ以上の特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定するステップと、
判定の結果を出力するステップと、を実行し、
前記学習済み判定モデルは、前記1つ以上の特徴量と、グリップに関する前記対象物に対する行動とを関連付けた訓練用データを用いた機械学習によって生成されたモデルである、グリップ判定方法。 - 前記1つ以上の特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成される、請求項11に記載のグリップ判定方法。
- コンピュータに以下のステップを実行させるためのプログラムであって、
前記ステップは、
対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するステップと、
取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する1つ以上の特徴量を算出するステップと、
機械学習により生成された学習済み判定モデルを使用して、算出された前記1つ以上の特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定するステップと、
判定の結果を出力するステップと、を含み、
前記学習済み判定モデルは、前記1つ以上の特徴量と、グリップに関する前記対象物に対する行動とを関連付けた訓練用データを用いた機械学習によって生成されたモデルである、グリップ判定プログラム。 - 前記1つ以上の特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成される、請求項13に記載のグリップ判定プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020102181 | 2020-06-12 | ||
JP2020102181 | 2020-06-12 | ||
PCT/JP2021/011421 WO2021250971A1 (ja) | 2020-06-12 | 2021-03-19 | グリップ判定装置、グリップ判定方法及びグリップ判定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021250971A1 JPWO2021250971A1 (ja) | 2021-12-16 |
JP7355242B2 true JP7355242B2 (ja) | 2023-10-03 |
Family
ID=78845543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022530034A Active JP7355242B2 (ja) | 2020-06-12 | 2021-03-19 | グリップ判定装置、グリップ判定方法及びグリップ判定プログラム |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7355242B2 (ja) |
DE (1) | DE112021000332T5 (ja) |
WO (1) | WO2021250971A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116306937B (zh) * | 2023-03-22 | 2023-11-10 | 中航信移动科技有限公司 | 一种基于时间序列离线数据的规则提取方法、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004237022A (ja) | 2002-12-11 | 2004-08-26 | Sony Corp | 情報処理装置および方法、プログラム、並びに記録媒体 |
WO2019017099A1 (ja) | 2017-07-20 | 2019-01-24 | ソニー株式会社 | 電子機器、情報処理装置及び情報処理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7001219B2 (ja) | 2017-12-22 | 2022-01-19 | 三井化学株式会社 | 振動計測装置 |
-
2021
- 2021-03-19 WO PCT/JP2021/011421 patent/WO2021250971A1/ja active Application Filing
- 2021-03-19 DE DE112021000332.1T patent/DE112021000332T5/de active Pending
- 2021-03-19 JP JP2022530034A patent/JP7355242B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004237022A (ja) | 2002-12-11 | 2004-08-26 | Sony Corp | 情報処理装置および方法、プログラム、並びに記録媒体 |
WO2019017099A1 (ja) | 2017-07-20 | 2019-01-24 | ソニー株式会社 | 電子機器、情報処理装置及び情報処理方法 |
Also Published As
Publication number | Publication date |
---|---|
DE112021000332T5 (de) | 2022-09-22 |
JPWO2021250971A1 (ja) | 2021-12-16 |
WO2021250971A1 (ja) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20120197138A1 (en) | Biological parameter monitoring method, computer-readable storage medium and biological parameter monitoring device | |
JP6882397B2 (ja) | 異音等検出システム、装置、方法及びプログラム | |
US10702175B2 (en) | Brain activity analysis method and apparatus thereof | |
JP4952162B2 (ja) | データ処理装置,データ処理方法及びデータ処理プログラム | |
JP7355242B2 (ja) | グリップ判定装置、グリップ判定方法及びグリップ判定プログラム | |
US10980463B2 (en) | Driver's tension level determining apparatus and driver's tension level determining method | |
Nema et al. | Wavelet-frequency analysis for the detection of discontinuities in switched system models of human balance | |
CN108803690A (zh) | 数值控制装置 | |
JP6468635B2 (ja) | 眠気推定装置及び眠気推定プログラム | |
EP3735893A1 (en) | Method for generating heart rate variability information related to external object by using plurality of filters, and device therefor | |
CN111730604B (zh) | 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 | |
US20210366602A1 (en) | Signal-processing device, analysis system, signal-processing method, and signal-processing program | |
Eun et al. | Development of personalized urination recognition technology using smart bands | |
Firpi et al. | Genetically programmed-based artificial features extraction applied to fault detection | |
JP2008188092A (ja) | データ処理方法,データ処理装置及びデータ処理プログラム | |
Verma et al. | Data driven approach for drill bit monitoring | |
JP6689214B2 (ja) | ドライバ緊張度表示装置及びドライバ緊張度表示方法 | |
JP2004089272A (ja) | 生体状態推定方法及び装置、プログラム | |
CN117860251B (zh) | 基于游戏体验测评儿童注意力的方法、装置、介质及设备 | |
JP6036242B2 (ja) | 心音情報処理装置、心音情報処理方法およびプログラム | |
JP2003057210A (ja) | 故障診断方法およびその装置 | |
JP2002196783A (ja) | 時系列信号の識別方法及び装置 | |
CN114475256B (zh) | 预测电动汽车中电机过温的方法和装置 | |
JP5852331B2 (ja) | データ処理装置、及びプログラム | |
JP6670413B1 (ja) | 情報処理装置、情報処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220622 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230808 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230822 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230904 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7355242 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |