基于sEMG的行走步態(tài)非均勻特性及其對識別的影響*

王佳佳，高發(fā)榮，孫　曜，羅志增（.杭州電子科技大學(xué)智能控制與機器人研究所，杭州3008；2.浙江大華技術(shù)股份有限公司，杭州30053）

?

基于sEMG的行走步態(tài)非均勻特性及其對識別的影響*

王佳佳1，2，高發(fā)榮1*，孫曜1，羅志增1
（1.杭州電子科技大學(xué)智能控制與機器人研究所，杭州310018；2.浙江大華技術(shù)股份有限公司，杭州310053）

摘要：人體生理特性和運動特性是影響步態(tài)識別的重要因素。利用實驗采集的下肢表面肌電信號，首先對肌電信號進(jìn)行小波消噪及特征提取，然后構(gòu)造支持向量機分類器進(jìn)行分類與識別，并針對步態(tài)周期數(shù)據(jù)的非均勻性（非等時性）特性進(jìn)行了詳細(xì)討論。結(jié)果表明，即使在勻速行走條件下，人體步態(tài)周期仍然存在一定的非均勻特性，且這一特點會影響步態(tài)識別的準(zhǔn)確性。這對于進(jìn)一步研究步態(tài)穩(wěn)定性和步態(tài)識別率等具有一定的參考價值。

關(guān)鍵詞：步態(tài)識別；肌電信號；支持向量機；非均勻特性

項目來源：國家自然科學(xué)基金項目（61372023，61172134）；浙江省自然科學(xué)基金項目（LQ13F010014，Y1101230）

人體行走直觀上表現(xiàn)為雙腿交替的規(guī)律性移動，本質(zhì)上是神經(jīng)系統(tǒng)調(diào)整全身多部位相關(guān)肌群協(xié)調(diào)運動的結(jié)果［1］。人行走時下肢的位置和姿態(tài)用步態(tài)來表征，步態(tài)周期指一側(cè)肢體完成從足跟著地到同側(cè)足跟再次著地所需要的時間，根據(jù)足底的位置是否著地，一個步態(tài)周期可分為支撐相和擺動相，每個相位又可再分成幾個階段［2］。更為詳盡的分析發(fā)現(xiàn)，步態(tài)可細(xì)分為24個不同的狀態(tài)，如果把這些因素都考慮到，則步態(tài)具有明顯的個體差異性［3］。

不僅不同個體間的步態(tài)有差異，而且同一個人在不同狀態(tài)下，其步態(tài)也會出現(xiàn)差異。研究發(fā)現(xiàn)，步速是影響步幅、步長、關(guān)節(jié)角度等步態(tài)參數(shù)的重要因素［4］。持續(xù)的步態(tài)行走具有復(fù)雜的時空特征，涉及身體各段間的交互和多個關(guān)節(jié)的耦合，并由中樞神經(jīng)系統(tǒng)進(jìn)行協(xié)調(diào)［5］。在步態(tài)測量與控制中，需要實現(xiàn)對速度變化進(jìn)行有效的跟蹤與調(diào)整［6-7］。由于人體步態(tài)具有個體及時空等差異，因此有必要對步態(tài)特性進(jìn)行深入分析。

步態(tài)識別是研究步行規(guī)律的有效方法，近年表面肌電信號sEMG（surface Electromyography）已廣泛用于步態(tài)分析中［8］，其識別結(jié)果可用于康復(fù)醫(yī)療、假肢控制、功能評價等領(lǐng)域。楊鵬等人對不同年齡、性別、體型的各類截肢患者的下肢運動步態(tài)和控制策略進(jìn)行研究［9］，還針對步態(tài)周期與速度的變化規(guī)律，對步速調(diào)整的控制方法進(jìn)行了研究［10］。譚冠政等人設(shè)計了智能假肢步速測量數(shù)字電路實現(xiàn)實時測量［11］。此外，研究者還通過加速度測量系統(tǒng)進(jìn)行步態(tài)分類［12］，并利用角加速度數(shù)據(jù)檢測輕偏癱患者步態(tài)的不均勻性特征［13］。然而，對行走步態(tài)非均勻性的研究，尤其對步態(tài)識別結(jié)果影響的研究還較為少見。

本文以勻速步行狀態(tài)獲取的下肢表面肌電信號為研究對象，分析行走過程中出現(xiàn)的步態(tài)周期間存在的非等時（非均勻）特性，并利用特征提取和分類識別方法，詳細(xì)討論這一現(xiàn)象對步態(tài)識別率的影響。

1　肌電信號分析的原理和方法

1.1肌電信號預(yù)處理

考慮到肌電信號非常微弱，在采集過程中可能會引入一些干擾，使得真實信號淹沒在干擾噪聲中，從而降低信噪比，故正確區(qū)分有效信號并排除噪聲干擾是肌電信號預(yù)處理時的重要環(huán)節(jié)［14］。本文采用小波模極大值去噪方法［15］，具體如下：

首先對采集的原始肌電信號樣本進(jìn)行4層小波分解，基小波選用緊支集雙正交小波sym8，得到尺度s上位置x處的含噪信號f的離散小波變換Wf(s,x)。

然后，利用信號中突變的極值點，通過Lip指數(shù)得到信號奇異點。這里L(fēng)ip指數(shù)是局部奇異點特征的一種量度，其定義如下：

設(shè)正整數(shù)n，n≤α≤n+1，如果存在正整數(shù)A>0及n次多項式pn(x)，使得

對于x∈(x0-δ,x0+δ)成立，則稱f(x)在x0點是Lipα的。α越大，該點的平滑度越高；α越小，該點的奇異性越大。

接著，根據(jù)肌電信號和噪聲信號的不同特性，實現(xiàn)消噪。信號f(x)的Lip指數(shù)與小波模極大值（小波模極大值需滿足|Wf(s,x)|≤|Wf(s,x0)，x0為小波變換在尺度s下的局部模極大值點）需滿足

其中，t為時間，j為小波尺度，k∈Rn。

對于被測信號α≥0，小波變換的模極大值將隨著尺度j的增加而增大；而對于白噪聲α<0，其模極大值隨著j的增加而減小。因此利用不同尺度間小波變換的這一規(guī)律，去除相應(yīng)噪聲極值點（其幅值隨尺度增加而減?。Ａ粲杏眯盘枠O值點（其幅值隨尺度增加而增大）。

最后，通過小波重構(gòu)，得到去除噪聲后的肌電信號樣本數(shù)據(jù)。

1.2肌電信號特征提取

為準(zhǔn)確實現(xiàn)動作識別，特征提取非常重要。這里對消噪處理后的肌電信號提取相對簡單、高效的積分肌電值和絕對值方差時域特征［16］，作為后續(xù)分類器進(jìn)行分類的輸入特征［17］。積分肌電值I和絕對值方差V的計算如下：

其中，x(i),i=1,2,…,N為一長度為N的肌電信號時間樣本序列，i為每組采樣點數(shù)。

由此，構(gòu)成一組特征向量Zi={Ii1,Vi1,Ii2, Vi2,…,Iij,Vij}，其中，i=1,2,…,M，M為對應(yīng)的總狀態(tài)序列號；j=1,2,…,K，K為肌電信號的總測量路數(shù)。

1.3支持向量機特征分類

支持向量機SVM（Support Vector Machine）是基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法，其結(jié)構(gòu)簡單，推廣能力高［18］。在處理“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等傳統(tǒng)困難方面具有優(yōu)勢。SVM體系結(jié)構(gòu)如圖1所示。

圖1　支持向量機體系結(jié)構(gòu)

圖1中，SVM的輸入向量Z，即Z(1),Z(2),…, Z(n)，為上節(jié)肌電信號的特征向量Zi={Ii1,Vi1,Ii2, Vi2,…,Iij,Vij}。K為SVM的內(nèi)積函數(shù)。其輸出Y滿足的分類決策函數(shù)為：

式中，w為權(quán)系數(shù)，b∈R為偏置；ai為拉格朗日系數(shù)，K(Zi,Z)為核函數(shù)；C為懲罰參數(shù)。

近年來，隨著人體運動識別和假肢控制研究的深入，SVM方法在肌電信號的動作模式分類與識別中取得了較好效果［19-20］。因此本文對肌電信號進(jìn)行步態(tài)識別時，亦采用SVM算法。

2　肌電信號實驗數(shù)據(jù)采集

2.1肌電信號數(shù)據(jù)采集

在實驗對象選取時，考慮不同個體行走時的身高和步頻差異，選用了3位22歲～25歲的健康男性。步行中選擇以正常人的行走速度（1.5 m/s）進(jìn)行平地行走，同時為保證速度均勻，消除步速差異對步態(tài)周期的影響，行走安排在BROTHER WL-332跑步機上進(jìn)行。實驗中進(jìn)行了同步攝像跟蹤，用于步態(tài)的可視化識別對比驗證。在測量位置選取時，綜合考慮行走時的肌肉受力特點及位置和信號區(qū)分度等因素，選擇大腿上不同區(qū)域并具代表性的四塊肌肉：股內(nèi)側(cè)肌、半腱肌、長收肌、闊筋膜張肌，進(jìn)行行走過程中的表面肌電信號采集。肌電采集儀選用Noraxon公司的MyoT?race 400設(shè)備，拾取電極記錄的信號數(shù)據(jù)，通過藍(lán)牙設(shè)備傳送到裝有肌電信號接收軟件的電腦上。實驗中4塊肌肉通過4路信號同時采集，采集頻率為1 000 Hz。

2.2肌電信號消噪處理

按照第1.1節(jié)的肌電信號分析方法，根據(jù)采集過程中肌電信號夾雜的噪聲特點，首先對肌電信號進(jìn)行小波分解，然后根據(jù)小波系數(shù)的奇異性，利用信號與噪聲模極大值在小波尺度上的不同變化特性，分離出信號與噪聲，最后重構(gòu)消噪后的肌電信號樣本數(shù)據(jù)。實現(xiàn)對含有噪聲的肌電信號進(jìn)行消噪處理，即去除白噪聲并保留奇異點信息，圖2為消噪前后的肌電信號對比圖。

圖2　肌電信號消噪效果對比圖

3　步態(tài)周期的非均勻性分析

將上節(jié)采集并預(yù)處理后得到的3位測試者的肌電信號，分別隨機選取50個連續(xù)步態(tài)周期數(shù)據(jù)進(jìn)行分析。結(jié)果發(fā)現(xiàn)，盡管嚴(yán)格設(shè)定了勻速行走條件要求，但行走中的每個步態(tài)周期并不完全相同，圖3所示為測試者1（T1）的步態(tài)周期分布。

圖3　勻速行走時步態(tài)周期的非均勻分布

圖3中，橫坐標(biāo)為行走的步數(shù)，為直觀方便，縱坐標(biāo)用一個周期內(nèi)的采樣點數(shù)來表示步態(tài)周期的長度（每1 000個采樣點對應(yīng)的時間為1 s）。從圖3看出，實際行走過程中步態(tài)周期長度出現(xiàn)了波動，存在非均勻（不等時）特性。這與機器設(shè)備設(shè)定勻速條件后，就能實現(xiàn)精確的等時周期并不一樣，表現(xiàn)出了人體行走步態(tài)的差異性。

為了分析這種步態(tài)差異性的分布規(guī)律，先計算出50步的平均周期長度，作為基準(zhǔn)值（平均值）。測試者1（T1）的平均周期長度為1503，另外兩名測試者（T2和T3）的平均周期長度為2122和2627，代表了行走中不同身高和步頻的影響。然后再計算每個周期長度與基準(zhǔn)值的偏差百分比，按照每間隔0.5%的區(qū)間進(jìn)行統(tǒng)計，結(jié)果見表1。

如表1所示，盡管3個測試者的平均步態(tài)周期值差異很大，但與其基準(zhǔn)值比較后，均相對偏差基本分布在0±5%區(qū)間范圍內(nèi)，且在基準(zhǔn)值附近區(qū)域的步數(shù)最多。隨著絕對偏離值的增大，偏差步數(shù)總體上呈減少的趨勢，具體分布如圖4所示。

表1　步態(tài)偏差分布區(qū)間統(tǒng)計表

圖4　步態(tài)區(qū)間分布步數(shù)統(tǒng)計示意圖

在勻速行走情況下，雖然可以通過嚴(yán)格的訓(xùn)練來實現(xiàn)步調(diào)一致，盡可能減小步態(tài)周期的非均勻性，但這對于普通行人來說很難實現(xiàn)。另外對于不同路況和步速情況下，其周期的非等時性更為顯著。因此，步態(tài)周期的這種非均勻特性是客觀存在的。

4　肌電信號步態(tài)識別分析

在2.2節(jié)的基礎(chǔ)上，對去噪后的肌電信號進(jìn)行特征提取，從每一組樣本序列中分別提取積分肌電值I和絕對值方差V特征，這樣就得到4路肌電信號的八個特征參數(shù)，構(gòu)成一組特征向量

Zi={Ii1,Vi1,Ii2,Vi2,Ii3,Vi3,Ii4,Vi4}。然后構(gòu)造SVM分類器，將得到的特征樣本數(shù)據(jù)按實驗方案分為訓(xùn)練樣本和測試樣本集，訓(xùn)練集用于對SVM分類器進(jìn)行訓(xùn)練，測試集則用于輸入SVM分類器進(jìn)行測試。

進(jìn)行步態(tài)識別時，根據(jù)一個步態(tài)周期內(nèi)不同時刻的狀態(tài)位置，將步態(tài)依次劃分為支撐前期、支撐中期和支撐后期，以及擺動前期和擺動后期共5個階段。采用支持向量機（SVM）作為分類器，分別對肌電信號進(jìn)行各步態(tài)階段的識別。

為了研究步態(tài)周期的非均勻特性對識別結(jié)果的影響，對T1的50個周期步態(tài)數(shù)據(jù)組，按照偏離程度的大小重新進(jìn)行分組，具體如下：

數(shù)據(jù)組Ⅰ：偏差0±0.5%，共23步；

數(shù)據(jù)組Ⅱ：偏差0.5%±3.5%，共17步；

數(shù)據(jù)組Ⅲ：偏差3.5%±5%，共10步。

首先，在數(shù)據(jù)組Ⅰ中選取訓(xùn)練樣本，再分別對上述三組數(shù)據(jù)進(jìn)行識別，其結(jié)果見表2。為敘述方便，表中第一欄“組別”下括號內(nèi)兩個數(shù)字的定義為：第一個數(shù)表示訓(xùn)練樣本所在的數(shù)據(jù)組序號，第二個數(shù)表示識別樣本所在的數(shù)據(jù)組序號，如（1，3）表示訓(xùn)練樣本采用第Ⅰ組數(shù)據(jù)、識別樣本采用第Ⅲ組數(shù)據(jù)得到的識別結(jié)果。以下各表中同此規(guī)則。

表2　數(shù)據(jù)I為訓(xùn)練樣本時的識別率　　單位：%

從表2中可以看出，（1，1）組的識別效果最好，平均識別率達(dá)94.6%；而（1，3）組的識別效果最差，僅為88%。通過這一結(jié)果發(fā)現(xiàn)，當(dāng)使用偏差最小的數(shù)據(jù)組Ⅰ作為訓(xùn)練樣本時，其對同樣偏差的樣本數(shù)據(jù)Ⅰ識別效果最好，而對偏差較大的樣本數(shù)據(jù)Ⅲ識別效果明顯下降。

再分別選用數(shù)據(jù)組Ⅱ和數(shù)據(jù)組Ⅲ作為訓(xùn)練樣本，對上述三組數(shù)據(jù)進(jìn)行步態(tài)識別，其結(jié)果分別見表3和表4。從這兩個表的結(jié)果中可以看出，（2，2）組和（3，3）組的識別率較高，分別達(dá)到了92.4%和 94.2%，（2，1）和（2，3）等組的識別率較低，分別只有84.4%和86.8%。

表3　數(shù)據(jù)II為訓(xùn)練樣本時的識別率　　單位：%

表4　數(shù)據(jù)III為訓(xùn)練樣本時的識別率　　單位：%

綜合上述3個表的識別結(jié)果發(fā)現(xiàn)：識別效果最好的均是同組別的數(shù)據(jù)，即訓(xùn)練樣本和識別樣本步態(tài)周期長度越接近，其識別效果越好。而訓(xùn)練樣本和識別樣本偏差較大的組別中，識別結(jié)果較低。這一結(jié)果表明，步態(tài)運動過程中的非均勻性特性，是影響步態(tài)識別率的一個重要因素。再結(jié)合上一節(jié)的圖3和圖4的結(jié)果分析發(fā)現(xiàn)，步態(tài)周期的這種非均勻特點具有一定的隨機性。

為進(jìn)一步分析步態(tài)周期偏差對識別效果的影響，從Ⅰ、Ⅱ、Ⅲ組中按比例分別隨機抽取相應(yīng)數(shù)據(jù)，混合得到數(shù)據(jù)組Ⅳ。再從這組數(shù)據(jù)中選取訓(xùn)練樣本，對前述3組數(shù)據(jù)進(jìn)行識別，識別結(jié)果見表5。

表5　數(shù)據(jù)IV為訓(xùn)練樣本時的識別率　　單位：%

從表5中可以看出，作為數(shù)據(jù)占比最大的（4，1）組，識別率有了明顯改善，其它兩組也有所提高。同時對同一狀態(tài)的識別，各組的識別結(jié)果趨于穩(wěn)定，波動幅度減小。因此可以得出結(jié)論，將混合數(shù)據(jù)用于識別訓(xùn)練，有助于提高步態(tài)識別率。同時可以看出，當(dāng)步態(tài)周期偏離基準(zhǔn)值較大時，即（4，2）、（4，3）組的識別效果仍然有待提高，這說明人體行走時會表現(xiàn)出一定的非均勻步態(tài)特性，并會影響步態(tài)識別率。

綜合上述分析發(fā)現(xiàn)，普通人群的行走步態(tài)周期具有非均勻特性，且這種特征會對步態(tài)識別結(jié)果產(chǎn)生影響。為了消除這種影響，解決的辦法分為兩個方面：一是通過對行走動作的規(guī)范化訓(xùn)練，提高行走步態(tài)周期的一致性和均勻性；二是通過改進(jìn)信號的模式識別算法，提高對非均勻周期的步態(tài)識別率。由于前者受路面自然條件、訓(xùn)練程度、人體個體差異及健康狀況等因素限制，完全解決的可能性較小。因此，如何實現(xiàn)復(fù)雜行走狀態(tài)下非均勻性步態(tài)的準(zhǔn)確識別，仍是識別技術(shù)需要努力的方向。

5　結(jié)論

正常人穩(wěn)定行走時步態(tài)呈現(xiàn)可重復(fù)性，近似于呈現(xiàn)周期特征，同時其步態(tài)周期也具有隨機波動的特點，即非均勻性。對于下肢殘障人士而言，這種步態(tài)的非均勻性特點會更加突出。本文采用基于肌電信號的步態(tài)識別方法，通過實驗數(shù)據(jù)討論了穩(wěn)定勻速條件下，由于人體步態(tài)的特異性等原因，出現(xiàn)的步態(tài)周期的非均勻性，并探討了這種特性對步態(tài)識別率的影響。這些發(fā)現(xiàn)可為進(jìn)一步研究步態(tài)穩(wěn)定性和步態(tài)識別率等提供有益參考。

參考文獻(xiàn)：

［1］Yamasaki T，Nomura T，Sato S. Phase Reset and Dynamic Stabili?ty During Human Gait［J］. BioSystems，2003，71（1-2）：221-232.

［2］Vaughan C L，Davis B L，O’connor J C. Dynamics of Human Gait ［M］. Champaign，Illinois：Human Kinetics Publishers 1992.

［3］Murray M P. Gait as a Total Pattern of Movement：Including a Bib?liography on Gait［J］. American Journal of Physical Medicine & Rehabilitation，1967，46（1）：290-333.

［4］瞿曉娜，張騰宇，王喜太，等.行走速度對步態(tài)參數(shù)影響的實驗研究［J］.中國康復(fù)醫(yī)學(xué)雜志，2012，27（3）：257-259.

［5］Park K，Dankowicz H，Hsiao-Wecksler E T. Characterization of Spatiotemporally Complex Gait Patterns Using Cross-Correlation Signatures［J］. Gait & Posture，2012，36（1）：120-126.

［6］劉洋，周旭，孫怡寧，等.基于步法的跑步機速度跟蹤控制方法［J］.傳感技術(shù)學(xué)報，2015，28（2）：217-220.

［7］Kale A，Sundaresan A，Rajagopalan A，et al. Identification of Hu?mans Using Gait［J］. IEEE Transactions on Image Processing，2004，13（9）：1163-1173.

［8］王靜，吳效明.基于表面肌電的步態(tài)分析［J］.中國組織工程研究，2012，16（26）：4834-4840.

［9］楊鵬，劉作軍，耿艷利，等.智能下肢假肢關(guān)鍵技術(shù)研究進(jìn)展［J］.河北工業(yè)大學(xué)學(xué)報，2013（1）：76-80.

［10］岳華，楊鵬，陳玲玲，等.基于模糊控制的智能下肢假肢的步速調(diào)整［J］.中國組織工程研究，2012，16（26）：4872-4876.

［11］譚冠政，肖宏峰，王越超.智能人工腿步速測量數(shù)字電路的設(shè)計與分析［J］.中南工業(yè)大學(xué)學(xué)報，2001，32（5）：523-527.

［12］邢秀玉，劉鴻宇，黃武.基于加速度的小波能量特征及樣本熵組合的步態(tài)分類算法［J］.傳感技術(shù)學(xué)報，2013，26（4）：545-549.

［13］Rueterbories J，Spaich E G，Andersen O K. Characterization of Gait Pattern by 3D Angular Accelerations in Hemiparetic and Healthy Gait［J］. Gait & Posture，2013，37（2）：183-189.

［14］張啟忠，席旭剛，羅志增.多重分形分析在肌電信號模式識別中的應(yīng)用［J］.傳感技術(shù)學(xué)報，2013，26（2）：282-288.

［15］羅志增，沈寒霄.基于Hermite插值的小波模極大值重構(gòu)濾波的肌電信號消噪方法［J］.電子與信息學(xué)報，2009，31（4）：857-860.

［16］佟麗娜，侯增廣，彭亮，等.基于多路sEMG時序分析的人體運動模式識別方法［J］.自動化學(xué)報，2014，40（5）：810-821.

［17］加玉濤，羅志增.肌電信號特征提取方法綜述［J］.電子器件，2007，30（1）：326-330.

［18］汪海燕，黎建輝，楊風(fēng)雷.支持向量機理論及算法研究綜述［J］.計算機應(yīng)用研究，2014，31（5）：1281-1286.

［19］吳劍鋒，吳群，孫守遷.簡約支持向量機分類算法在下肢動作識別中的應(yīng)用研究［J］.中國機械工程，2011，22（4）：433-438.

［20］Miller J D，Beazer M S，Hahn M E. Myoelectric Walking Mode Classification for Transtibial Amputees［J］. IEEE Transactions on Biomedical Engineering，2013，60（10）：2745-2750.

王佳佳（1989-），女，碩士，研究方向為機器人技術(shù)、信息檢測與識別，以及移動互聯(lián)網(wǎng)相關(guān)工作；

高發(fā)榮（1969-），男，博士，碩士生導(dǎo)師，研究方向為機器人技術(shù)、生物力學(xué)、生物醫(yī)學(xué)信息檢測與模式識別，frgao@hdu. edu.cn。

Non-Uniform Characteristics and Its Recognition Effects for Walking Gait Based on sEMG*

WANG Jiajia1，2，GAO Farong1*，SUN Yao1，LUO Zhizeng1
（1.Institute of Intelligent Control and Robotics，Hangzhou Dianzi University，Hangzhou 310018，China；2.Zhejiang Dahua Technology Co. Ltd，Hangzhou 310053，China）

Abstract：The characteristics of the human physiology and motion are the important factors affecting the gait recog?nition. By means of the experimental data from the lower limb motion，firstly the surface electromyography（sEMG）was de-noised by the wavelet method and the feature samples were extracted，subsequently the classification and recognition were implemented by constructing the support vector machine（SVM）classifier，and the non-uniform（an?isochronism）characteristics of the gait cycle were discussed in detail. The results show that even in a uniform walk?ing condition，there still exit some non-uniform characteristics in the human gait cycle，which can affect the accura?cy of the gait recognition. The work has avaluable reference to further study the gait stability and recognition rate.

Key words：gait recognition；EMG；support vector machine；non-uniform characteristics

doi：EEACC：6140；7510D10.3969/j.issn.1004-1699.2016.03.014

收稿日期：2015-08-11修改日期：2016-01-18

中圖分類號：TP391；TP24

文獻(xiàn)標(biāo)識碼：A

文章編號：1004-1699（2016）03-0384-06