Rock Street, San Francisco

b TOC o 1-3 h z u HYPERLINK l _Toc523139545 Capitolul 1. Motivatie PAGEREF _Toc523139545 h 1 HYPERLINK l _Toc523139546 1.1 Electroencefalografia PAGEREF _Toc523139546 h 1 HYPERLINK l _Toc523139547 1.1.1 Comparatii cu alte tehnici de imagistica PAGEREF _Toc523139547 h 1 HYPERLINK l _Toc523139548 1.1.2 Benzi de frecventa PAGEREF _Toc523139548 h 2 HYPERLINK l _Toc523139549 1.2 Provocari Tehnice PAGEREF _Toc523139549 h 3 HYPERLINK l _Toc523139550 1.3 Contributii PAGEREF _Toc523139550 h 4 HYPERLINK l _Toc523139551 2. Background Tehnic PAGEREF _Toc523139551 h 5 HYPERLINK l _Toc523139552 2.1 Modele Matematice PAGEREF _Toc523139552 h 5 HYPERLINK l _Toc523139553 2.1.1 Frecventa-timp PAGEREF _Toc523139553 h 5 HYPERLINK l _Toc523139554 2.1.2 Teoria Informatiei PAGEREF _Toc523139554 h 6 HYPERLINK l _Toc523139555 2.1.3 Modele Parametrice PAGEREF _Toc523139555 h 7 HYPERLINK l _Toc523139556 2.2 Background pentru machine learning PAGEREF _Toc523139556 h 7 HYPERLINK l _Toc523139557 2.2.1 Metode de extragere a trasaturilor PAGEREF _Toc523139557 h 8 HYPERLINK l _Toc523139558 2.2.2 Clasificari PAGEREF _Toc523139558 h 11 HYPERLINK l _Toc523139559 2.2.3 Problema supra-antrenarii PAGEREF _Toc523139559 h 15 HYPERLINK l _Toc523139560 2.3 Acuratetea masuratorilor PAGEREF _Toc523139560 h 16 HYPERLINK l _Toc523139561 2.3.1 Metode de re-esantionare PAGEREF _Toc523139561 h 16 HYPERLINK l _Toc523139562 3. Aprofundarea literaturii de specialitate. PAGEREF _Toc523139562 h 18 HYPERLINK l _Toc523139563 3.1 Analiza spectrala a EEG-ului PAGEREF _Toc523139563 h 18 HYPERLINK l _Toc523139564 3.2 Analiza neliniara a EEG PAGEREF _Toc523139564 h 18 HYPERLINK l _Toc523139565 3.3 Modele autoregresive ale EEG PAGEREF _Toc523139565 h 19 HYPERLINK l _Toc523139566 3.3.1 Selectia ordinului unui model AR PAGEREF _Toc523139566 h 20 HYPERLINK l _Toc523139567 3.4 Analiza multielectrod EEG PAGEREF _Toc523139567 h 21 HYPERLINK l _Toc523139568 3.5 Clasificarea cuvintelor / Clasificarea epilepsiei. PAGEREF _Toc523139568 h 21 HYPERLINK l _Toc523139569 3.6 Ferestre EEG PAGEREF _Toc523139569 h 21 HYPERLINK l _Toc523139570 3.6.1 Medierea trasaturilor pe baza Ferestrelor PAGEREF _Toc523139570 h 22 HYPERLINK l _Toc523139571 3.7 Eliminarea statisticilor eronate PAGEREF _Toc523139571 h 23 HYPERLINK l _Toc523139572 4. Metodologie PAGEREF _Toc523139572 h 24 HYPERLINK l _Toc523139573 4.1 Prezentare generala PAGEREF _Toc523139573 h 24 HYPERLINK l _Toc523139574 4.2 Colectarea datelor PAGEREF _Toc523139574 h 24 HYPERLINK l _Toc523139575 4.2.1 Demografie PAGEREF _Toc523139575 h 24 HYPERLINK l _Toc523139576 4.2.2 Inregistraile EEG PAGEREF _Toc523139576 h 26 HYPERLINK l _Toc523139577 4.2.3 Alegerea electrodului de referinta PAGEREF _Toc523139577 h 26 HYPERLINK l _Toc523139578 4.3 Pre-procesarea datelor PAGEREF _Toc523139578 h 27 HYPERLINK l _Toc523139579 4.4 Extragerea trasaturilor PAGEREF _Toc523139579 h 27 HYPERLINK l _Toc523139580 4.4.1 Realizarea ferestrelor EEG PAGEREF _Toc523139580 h 27 HYPERLINK l _Toc523139581 4.4.2 Medierea pe ferestre PAGEREF _Toc523139581 h 28 HYPERLINK l _Toc523139582 4.5 Selectia parametrilor PAGEREF _Toc523139582 h 28 HYPERLINK l _Toc523139583 4.6 Selectia trasaturilor PAGEREF _Toc523139583 h 28 HYPERLINK l _Toc523139584 5. Rezultate si observatii PAGEREF _Toc523139584 h 29 Capitolul 1. Motivatie Dezvoltarea in domeniul inteligentei artificiale permite folosirea sistemelor de calcul pentru rezolvarea problemelor care pana acum credeam ca numai oamenii sunt capabili sa le realizeze. Avansarile in domeniul prelucrarii ed semnale ne-au permis sa cuantificam chiar si modificari subtile in comportament in moduri care pana acum nu erau posibile. Prin combinarea expresiilor matematice cu puterea computationala se doreste realizarea a mai multor instrumente pentru domeniul clinic si aducerea diagnosticelor neurologice in epoca informationala. 1.1 Electroencefalografia Din punct de vedere al dezavantajelor, precum fRMN exista aspectul rezolutiei spatiale mici, acapararea dificila a surselor de adancime si dificultatea reconstruirii surselor de curent intercraniene unice pentru un smenal EEG. Inregistrarile EEG luate la nivel de suprafata de pe scalp constituie in totalitate. In aceasta lucrare se va folosii un EEG neinvaziv plasat pe scalp. Datele EEG sunt achizitionate printr-un sistem EEG de tip …. Electrozii au fost pozitionati utilizati folosind sistemul 10-20. Toate datele au fost analizate pentru a verifica integritatea acestora din moment ce erori pot aparea in momentul inregistrarii, precum electrozi plasati in mod eronat. Toti subiectii cu date EEG in care se observau probleme au fost eliminati. 1.1.2 Benzi de frecventa Benzile Gamma sunt cele mai pronuntate langa corexul somatosenzorial. Sunt cel mai bine evidentiate prin procesarea senzoriala multimodala in care multiple senzatii sau amintiri sunt antrenate. 1.1.2.2 Banda Beta (12 30 Hz) Avand amplitudini reduse in comparative cu undele alfa, undele Beta sunt asociate cu starile de anxietate, tensiune sau concentrare activa. Undele Beta sunt cele mai pronuntate in regiunile frontale ale creierului. 1.1.2.3 Banda Alfa (8 12 Hz) Benzile Alfa sunt asociate cu starile de relaxare si reflectie, mai ales atunci cand ochii sunt inchisi. Deasemenea sunt asociate cu controlul inhibitiilor. Sunt cele mai pronuntate in regiunile posterioare si occipitale ale creierului. 1.1.2.4 Banda Theta (4 8 Hz) Ritmurile Theta sunt amplificate in timpul somnului si sunt asociate cu somnolenta. Undele theta sunt localizate in regiunea hipocampuslui si au fost asociate cu formarea de memorie4 si capacitatea de navigatie5. 1.1.2.5 Banda Delta (1 4 Hz) Localizate la adulti in partea frontala, undele delta se manifesta in timpul somnului adanc si foarte adanc. Amplitudinea undelor delta este relativ mai mare comparativ cu celelalte benzi. 1.2 Provocari Tehnice 1.3 Contributii 2. Background Tehnic 2.1 Modele Matematice Se vor prezenta modele matematice pentru caracterizarea semnalelor, acestea fiind expuse dupa domeniile de unde origineaza. 2.1.1 Frecventa-timp 2.1.1.1 Energia Semnalului Prima metrica definita este energia semnalului. Aceasta este utila mai ales cand se vor observa diferente benzi de frecventa a semnalului, x. Pentru modelul necesar in acest caz energia semnalului este definita ca (2.1) unde QUOTE ( QUOTE , QUOTE sunt transformatele Fourier discrete ale lui x. Folosind teorema lui Parseval rezulta ca energia semnalului este egala cu suma patratelor de magnitudine pe toate componentele de frecvanta ale densitatii spectrale de energie a semnalului, si acea eneregie de semnal este egala cu suma patratelor de magnitudine in domeniul timp. 2.1.1.2 Cross-covarianta Cross-covarianta este o masura a similitudinii a doua semnale, si este o functie ce arata timpul relativ intre cele doua semnale. Pentru doua procese aleatoare stationare, x1 si x2, secventa de cross-covarianta (covm) este cross-corelatia secventelor. unde m este defazajul x1, QUOTE este media lui x1, si QUOTE este media lui x2. Specific, cross-covarianta este calculata ca (2.2) 2.1.2 Teoria Informatiei 2.1.2.1 Histograme O parte din indicatori necesita calculul probabilistic dintr-un semnal EEG discret. Acest lucuru este realizat prin aproximarea functiei de denistate probabilistica (PDF) cu o functie de masa probabilistica (PMF) ce este derivata dintr-o histograma realizata pe baza datelor.Histograma este compartimentalizata in umatorul mod Pentru N date de intrare se o clasa de intervale de QUOTE , o alegere motivata pe baza criteriului Scott6, si a deviatiei standard medie gasite in datele EEG. 2.1.2.2 Coeficientul de autocorelatie Autocorelatia este o functie ce poate fii folosita pentru a detecta elementele nealeatoare din date si pentru a identifica un model de serie de timp in cazul in care datele sunt nealeatoare7. Coeficientul de autocorelatie, Rm, pentru defazajul m este definit ca (2.3) Unde N este numarul de observatii si QUOTE este media semnalului x, definita ca 2.1.2.3 Entropia Entropia (H) masoara incertitudinea medie a unui semnal. Pentru un semnal continuu, entropia masurata in nats este definita ca (2.4) Unde i cuprinde toate amplitudinile semnalului iar Pi reprezinta probabilitatea ca semnalul sa contina o amplitudine ai. Prin urmare pentru in semnal serie de timp trebuie estimata functia densitate probabilistica a semnalului ce ocupa un anumit interval al amplitudinilor. Acest lucru este realizat prin construirea unei histograme a amplitudinilor conform modalitatii prezentate la punctul 2.1.2.1. Odata calculata histograma, este normalizata astfel incat sa reprezinte functia probabilistica de masa. Din aceasta se poate calcula entropia, H, cu formula prezentata anterior8. 2.1.2.4 Entropia Spectrala Entropia Spectrala (SpE) extinde definitia entropiei in domeniul frecventa. Prin urmare, calculam entropia coeficientilor FFT. O rezolutie mai mare se poate atinge prin calculul entropiei pentru fiecare banda de frecventa. 2.1.2.6 Sample Entropy Sample entropy (SampEn) este folosita in analizarea complexitatii semnalelor in serie de timp phisiologice fiind capabila sa detecteze stari alterate. SampEn este logaritmul negativ al unei estimari a probabilitatii conditionale ca o secventa de lungime d care corespunde in limitele unei tolerante r, va corespunde si in cazul urmatorului punct9. demonstratie 2.1.3 Modele Parametrice 2.1.3.1 Coeficienti autoregresivi Vom nota un model autoregresiv de ordin p ca AR(p). Pentru un semnal x, AR(p) este definit ca (2.5) Unde QUOTE 1, …, QUOTE sunt parametrii modelului, QUOTE este o constanta, iar QUOTE este zgomot alb Gaussian. Prin urmare, putem interpreta procesul autoregresiv ca iesirea unui filtru IIR unde intrarea este un zgomot alb. Parametrii QUOTE descriu spectrul semnalului. Cu toate ca modelele autoregresive reflecta proprietatiile semnalului, comparat cu transformarile Fourier discrete, favorizeaza semnalul nu semnalul impreuna cu zgomotul.10 In contextul analizei EEG, vom modela semnaul serie de timp EEG ca un model autoregresiv. Exista cateva metode pentru estimarea coeficientilor AR precum ecuatiile Yule-Walker .In practica metoda utilizata va fi metoda Burg11 pentru determinarea coeficientilor. 2.2 Background pentru machine learning Dupa extragerea informatiilor din semnalul EEG prin folosirea metodelor prezentate anterior, acestea vor fi folosite ca si trasaturi pentru caracterizarea datelor. Datorita faptului ca se lucreaza pe inregistrari provenite de la un aparat cu xcanale, si investigam masuratori care implica mai multi electrozi, avem un numar foarte mare de trasaturi pentru realizarea investigatiei. Datorita volumului mare de date, acestea nu pot fi procesate manual, de aceea trebuie sa se recurga la o schema automata de marcare a trasaturilor relevante pentru investigatie. In continuare vor fi prezentate metode de reducere a numarului de trasaturi la un numar usor de folosit metode de extragere a trasaturilor (2.2.1) si metode de clasificare (2.2.2). Pentru setul m al exemplelor de intrare, fiecare avand n trasaturi, si setul corespunzator al iesirilor etichetate. 2.2.1 Metode de extragere a trasaturilor Algoritimii pentru selectia trasaturilor ofera o modalitate de reducere a dimensiunii setului de trasaturi folosindule doar pe cele importante. Aceasta abordare prezinta doua beneficii crestea acuratetea clasificarilor, si permite reducere numarului de trasaturi astfel incat algoritmul poate fi interpretat de catre utilizator totodata, mai putine trasaturi inseamna mai putine resurse computationale folosite. Motiv pentru care, daca avem un set de intrare X cu m exemple de date de intrare, fiecare avand n trasaturi cu corespondenta in etichetele de iesire Y, dorim sa reducem dimensionalitaea setului X astfel inacat sa avem r trasaturi, in acelasi timp dorind sa mentinem cele mai imporatante informatii din setul de date, si abilitatea de a prezice eticheta de iesire a unui set de intrare. In practica, metodele de selectie pot fi impartite in 3 abordari 12 Metode de filtrare Metode embedded Metode wrapper Metodele de filtrare sunt metodele de selectie cele mai simple, si in general primele care sunt aplicate pentru reducerea setului de trasaturi extrase. Metodele de filtrare folosesc proprietati ale datelor care sunt independente de clasificator, si includ masuratori sttatistice precum corelatia13. O metoda simpla de extragere a trasaturilor utilizand o schema de filtre poate implica eliminarea tuturor trasaturilor unde valoarea absoluta coeficientilor de corelatie a trasaturii cu o eticheta de iesire este sub o valoare predeterminata. Metodele de tip wrapper optimizeaza setul de trasaturi astfel incat acesta sa fie conform cu un indicator anume, in general acesta fiind clasificatorul de performanta. Un algoritm de tip greedy, care justeaza setul de trasaturi in mod repetat, cautand sa identifice setul de trasaturi cu cea mai buna performanta a clasificarii este un exemplu de metoda de tip wrapper. In acest sens algoritmul greedy inveleste clasificatorul. Metodele de tip embedded sunt incluse in o parte a anumitor clasificatori, de exemplu pentru analizarea leziunilor cerebrale optime sau detectia automata a relevantei in retele neuronale. Distinctia esentiala in cazul metodelor embedded este ca formularea clasificatorului actioneaza in vederea slectiei de trasaturi. In timpul antrenarii retelei neuronale pentru leziuni cerebrale, reteaua va reduce ponderile anumitori trasaturi, realizand in acest mode si selectia de trasaturi. Metodele de filtrare sunt robuste in cazul problemelor de overfitting, si sunt rapide, cu toate acestea ele pot da gres in cazul identificarii celor mai importante trasaturi. Metodele wrapper pot in principiu- sa gaseasca cele mai relevante trasaturi, dar sunt predispuse la problemele de overfitting si necesita putere de calcul mai mare. In final, metodele de tip embedded sunt similare cu metodele wrapper, cu toate nu sunt la fel de dispuse la overfitting si necesita mai putine resurse computationale in functie de modul de implementare. 2.2.1.1 Coeficientul de corelatie Pearson Coeficientul de corelatie Pearson masoara similaritatea a doua semnale. Pentru x (x1,…,xm)T reprezentand valorile anumitori trasaturi pentru m indivizi, si y (y1,…,ym)T reprezentand etichetele de iesire corespunzatoare, coeficientul de corelatie Pearson este (2.6) Unde QUOTE si sx reprezinta media esantionului si deviatia standard a lui x, si QUOTE si sy reprezinta media esantionului si deviatia standard a lui y. Prin urmare o valoare mai mare indica o corelatie liniara mai mare intre o trasatura si o eticheta a clasei14. 2.2.1.2 Algoritm greedy Un algoritm de tip greedy este un algortim care ia decizia optima locala la fiecare pas15. Scopul algorimtilor de tip greedy este sa gaseasca un optim global intr-un numar cat mai mic de pasi. In practica, este dificil de evaluat performanta unui algoritm greedy apriori. In probleme cu substructura optimala, unde o solutie optima a problemei contine solutii optime ale subproblemelor, algoritmi de tip greedy reprezinta cea mai buna solutie pentru rezolvarea problemei. Exista totusi probleme in care o abordare de tip greedy ar genera cea mai nedorita solutie. In contextul selectiei de trasaturi, algoritmi de tip greedy reprezinta una din cele mai simple solutii, acestia fiind robusti atunci cand se pune problema de overfitting. Algoritmi greedy pot fi folositi in doua moduri, fie prin forward selection sau prin backwards elimination. Forward selection se refera la abordarea problemei cu un set gol de trasaturi ca mai apoi la fiecare trecere a algorimului trasaturi sa fie adaguate. In general, obiectivul functiei pentru optimizare il reprezinta acuratetea clasificarii pe setul de antrenare. Backwards elimination face referire la o abordare in care se porneste cu toate trasaturile posibile, iar la fiecare trecere a algorimului sa fie eliminate cele care nu sunt optime. Notam cu fx(x) valoarea functiei obiective in raport cu setul de trasaturi curent, x, evaluat la trasatura x. In cazul selectiei de tip forwards aveasta va fi valoarea lui f evoaluata pe un set xx, si in cazul eliminarilor backwards, valoarea lui f va fi evaluata pe un set x-x. De exemplu daca f este acuratetea clasificarii, atunci fx(x) este acuratetea clasificarii masurate folosind setul de trasaturi x x. 2.1.2.3 Algoritimi Genetici Un algoritm genetic este o familie de algoritmi de optimizare stochiastica inspirati din evolutia biologica. Algoritmul 3 prezinta un exemplu canonic al unui algoritm genetic. Vom folosi acest tip de algoritm pentru selectia de trasaturi, motiv pentruc are vom considera un set de trasaturi de dimensiune N, ca pe un cromozom, si un set de cromozomi ca pe elementele constituente a unei populatii. In cazul fiecarei iterari ( numita si generatie), cromozomul parinte produce un set de cromozomi copii, care alcatuiesc populatie urmatoarei generatii. In acest caz, un algoritm genetic poate fi clasificat ca o metoda de tip wrapper pentru selectia de trasaturi. Functia fitness ce va fi evaluata va fi considerata ca un test pentru evakuarea erori de clasificare, masurata prin cross-validare. 2.2.2 Clasificari Metodele de clasificare ofera o modalitate automata de a discrimina intre doua clase de variabile. Daca avem un set de antrenare, Xtrain, cu etichetele asociate Ytrain, si un set de testare Xtest, se doreste estimarea etichetelor de iesire pentru datele din Xtest pe baza datelor de antrenament. Clasificatorii reprezinta metodele matematice pentru realizarea acestui lucru. 2.2.2.1 Analiza linear discriminanta ( LDA Linear Discriminant Analysis) 2.2.2.2 Support Vector Machines (SVM) Support Vector Machines (SVM) sunt o tehnica recent aparuta de clasificare propusa original de Cortes si Vapnik17. Formularea matematica a SVM-urilor poate fi exemplificata printr-un caz simplu in care avem un SVM liniar cu date separabile si mai apoi extinsa unui SVM cu kernel arbitrar si date neseparabile. Pentru datele de antrenare definite prin se va cauta hiperplanul care maximizeaza punctele care au ca eticheta yi – 1 fata de punctele care au eticheta yi 1. Definim hiperplanul ca Folosind hiperplanul definit anterior se obtine o regula de decizie naturala QUOTE . Daca construim un hiperplan care partitioneaza in mod clar clasele atunci se poate afirma ca datele sunt separabile liniar (vezi Fig.). Presupunand ca avem speratie liniara, putem selecta doua hiperplanuri paralele care sa nu aiba puncte intre ele si mai apoi sa maximizam distanta. Distanta intre doua hiperplane este QUOTE , motiv pentru care se doreste minimizarea lui QUOTE . Trebuie de asemenea sa ne asiguram ca nu exista puncte in marginile de separatie. Acest lucru poate fi exprimat ca o constrangere Prin urmare avem urmatoarea problema de optimizare (2.7) Aceasta este o problema de optimizare convexa datorita criteriilor patratice ale constrangerilor liniare inegale, si poate fi rezolvata prin tehnici standard in cazul SVM-urilor liniare in cazul datelor separabile. In cazul kernel trick-urilor se porneste de la idea existentei a doua seturi de puncte in spatiul S care nu sunt separabile liniar, pot fi separate liniar intr-un spatiu V care este un spatiu multidimensional ce poate fi realizat prin proiectia QUOTE . Prin urmare se pot realiza rate de clasificare mult mai bune sau chiar perfecte in spatiul V, comparativ cu spatiul S. Data fiind mapping-ul QUOTE se poate calcula produsul dintre vectori x,x QUOTE S proiectat in spatiul V ca Daca calculam functia k(x,x), numita kernel, putem reprezenta un clasificator SVM in spatiul multidimensional V fara a cartografia in mod explicit toate punctele in V. In mod practic, acest lucru inseamna inlocuirea produsilor din derivatia SVM anterioara cu kernelul ales. O functie arbitrara este un kernel valid daca exista produs spatial (potential infinit dimensional) corespunzator. Figure SEQ Figure ARABIC 2.1Ilustrare a unui SVM18 Pornind de la discutia anterioara se vom porni de la un kernel arbitrar k(x,x), si fara prezumtia de liniaritate (Figura 2.1b) va fi definit modelul liniar (2.8) unde QUOTE este un mapping al trasaturii in spatiu. Acest model liniar are asociat regula de clasificare naturala QUOTE , unde QUOTE reprezinta estimarea clasei lui xi. Cum am mentionat anterior, dorim sa lucram cu functiile kernel-ului si nu cu reprezentarea explicita a trasaturilor vectorilor. In general setul nostru de date nu va fi separabil liniar, ca sa suplinim acest lucru vom incerca sa maximizam marginile dintre clase si in acelasi timp sa permitem cateva cazuri de clasificare eronata. Pentru a modela gradul de clasificare eronata a lui xi vom introduce o serie de variabile non-negative, QUOTE . Vom modifica apoi constrangerile originale (2.2.2.2) astfel incat rezulta unde QUOTE , o constanta. c este in esenta un parametru de regularizare controland echilibrul dintre eroarea la antrenare si complexitatea modelului. Pentru valori mai mari ale lui c, SVM-ul va prezenta un comportament similar unei margini definitorii a clasificatorului prezentand o tendinta de overfitting iar pentru valori mai mici SVM-ul va avea o tendinta de undefitting a datelor. Overfitting-ul este ilustrat in Figura 2.2 iar detaliile acestei probleme se pot gasi in Sectiunea 2.2.3. 2.2.3 Problema supra-antrenarii Problemele de supra-antrenare overfiting fac referire la un model predictiv care invata sa clasifice zgomotul si variatii statistice in detrimentul modelarii statistece ale relatiilor intre datele de intrare si etichetele de iesire adevarate. Figura 2.3 ilustreaza aceasta problema din punctul de vedere a clasificatorului. Linia verde arata supra-antrenarea, in timp ce linia neagra prezinta o aproximare mult mai buna a separarii optime intre clasele albastre si cele galbene. Supra-antrenarea prezinta o mare problema in cazul acestei lucrari datorita numarului mare de predictori (trasaturi) relativ fata de numarul de observatii (indivizi). Supra-antrenarea se manifesta ca un model predictiv ce atinge un grad foarte mare de acurtate pe setul de antrenare, acuratete care nu se manifesta si pe setul de date folosit pentru testare. In practica, multi algoritmi rezolva problema overfiting-ului prin introducerea unor penalizari pentru variatii. Acest lucru este cunoscut ca regularizare. 2.3 Acuratetea masuratorilor Dupa ce se stabilesc metodele de clasificare, este nevoie de dezvoltarea unei metode de masurare a performantei clasificatorilor pe datele noastre, pentru a simula performanta in cazul unei aplicatii parctice. In general, metode de reesantionare statistica sunt folosite pentru masurarea acurateti, si pentru a forma estimari ale preciziei in functie de date. 2.3.1 Metode de re-esantionare Metodele de re-esantionare sunt metode statistice de masurare a proprietatilor datelor prin exantionari aleatoare. 2.3.1.1 Test de permutare Un test de permutare este un test statistic significant unde probabilitatea unei ipoteze nule este obtinuta prin masuratori ale unui test statistic aplicat tuturor permutarilor etichetelor pentru datele observate. Considerand coeficientul de corelatie Pearson (rxy) ca test statistic un test de permutare masoara probabilitatea ca o corelatie mai mare sau cel putin egala va fi gasita daca trasatura nu are nicio asociere cu clasa14. Prin urmare , un test de permutare poate fi folosit pentru a determina ce tresaturi au cele mai importante asocieri cu etichetele unei clase. O trasatura cu o asociere puternica va avea cele mai multe asocieri signifiante poate fi folosita mai departe in aplicatie. 2.3.1.2 Crosvalidarea Crosvalidarea este o metoda statistica folosita pentru a determina cat de exact un model predictiv va fi in practica. Crosvalidarea implica runde multiple in care datele sunt partitionate in subseturi complementare 18, 20. In fiecare etapa, un subset de antrenament este considerat ca set de test. Modelul predictiv este antrenat pe setul de antrenare, iar acuratetea predictiei este masurata pe setul de test. Acest proces este repetat pentru fiecare partitie a datelor, iar acuratetea predictiilor pentru toate partitiile este mediata pentru a oferi o estimare finala a acuratetii modelului predictiv. Numarul de partitii este egal cu numarul de runde de crosvalidare.Numarul de partitii este cunoscut ca numarul de folds. Figure 2.2 Ilustrare a problemei de supraantrenare 3. Aprofundarea literaturii de specialitate. Aceasta tehnica a fost folosinta intr-un numar mare de studii incepand din anii 1960. Multe studii de asemenea au aratat ca exista anormalitati EEG in general in regiunile frontale ale creierului, dar o localizare spatiala a efectelor nu a fost gasita. S-a notat in schimb existenta in zonele frontale a unei activitati a undelor delta. In aditie s-a postulat ca anormalitatile spectrale nu au fost induse sau afectate intr-un mod signifiant de medicatie. Studiile din jurnal au folosit metode statistice obisnuite dar metode de analiza avansata nu au fost aplicate. 3.2 Analiza neliniara a EEG Diverse tehnici de analiza neliniara au fost folosite in analiza EEG cu rezultate incurajatoare in diverse zone neurologice. Analiza neliniara a fost folosita pentru prima data in studiul semnalelor EEG in 1980 datorita diverselor studii care au creata abordarile teoretice necesare. De exemplu, in 1981, Floris Takens a publicat teorema embedding ce a oferit conditiile necesare prin care atractorul unui sistem neliniar putea fi reconstruit intr-un mod sigur. Analize ce incorporeaza teoria haosului si dinamica neliniara au fost folosite cu mult succes in domeniul epilepsiei, si intr-o mai mica masura in cercetarea bolii Alzheimer. Pentru o vedere de ansambul a acestor tehnici facem referire la Adeli et al.21. Tehnici de analiza dinamica neliniara au fost folosite de asemenea pentru clasificarea diverselor stari mentale, inclusiv efectele muzicii si stimulare reflexologica, sedarea indusa medical22 si analiza somnului23. Aceste studii au concluzionat ca tehnicile neliniare sunt eficiente pentru realizarea clasificarilor, si in anumite cazuri, surclaseaza tehnicile liniare. In 1996 un studiu23 a concluzionat ca tehnicile bazate in totalitate pe sisteme dinamice neliniare ofera rezultate mult mai bine din punct de vedere al clasificarii starii somnului decat metodele bazate pe analiza spectrala. Mai multe metoda de masurare atat spectrala cat si neliniara pentru diferentierea discriminanta a somnului au fost comparate. Masuratorile spectrale au inclus (i) puterea delta relativa, (ii) entropia spectrala, (iii) marginea spectrala, (iv) si primul moment spectral masuratorile neliniare au inclus (i) corelarea dimensiunii, (ii) cel mai mare exponent Lyapunov, (iii) entropia Kologorov aproximata, si (iv) masurarea stochiastica in domeniul timp a entropiei amplitudinilor. Utilizand o analiza discriminanta multivariata, cea mai mare rata de clasificare atinsa a fost o medie de 79.2 pe etapele somnului. … 3.3 Modele autoregresive ale EEG Conform descrierii de la 2.1.3.1, un model autoregresiv (AR) este o metoada de reprezentare a unui semnal in domeniul timp ca iesirea unui filtru IIR all-pole ce are un zgomot alb Gaussian ca intrare. Un model autoregresiv apartine clasei de modele cunoscute ca modele parametrice, clasa ce include modele precum ARMA si GARCH24. Teoretic vorbind, un model AR este unul dintre cele mai simple modele parametrice. In 1995 s-a postulat in lucrarea Evaluarea metodelor parametrice in analiza semnalelor EEG25 ca modele de tip AR ofera cea mai precisa reprezentare atunci cand este comparata cu alte modele parametrice. Acuratetea reprezentarii a fost masurata prin aplicarea semnalului EEG pe modelul parametric invers. Rezultatul obtinut este zgomot alb, iar nivelul de alb masurat prin profilul de frecventa uniform caracterizeaza acuratetea reprezentarii. In practica, modelele AR au fost folosite extensiv in cazul interfetelor de tip BCI pe baza EEG (pentru o vedere de ansamblu se recomanda Studiul algoritmilori de procesare a semnalului in interfete creier-masina pe baza semnalelor electrice ale creierului26). Anumite studii au avut succes in folosirea modelelor AR in clasificarea starilor creierului27 si a conditiilor neurologice. Anderson si Sijeric27 au folosit un model de ordin 6 pentru clasificarea starii mentale. S-a folosit un model de tip ANN feedforward cu 2 si 3 layere pentru recunoastere. Cea mai mare acuratete a clasificari a fost de 71 iar cea mai scazuta a fost 37 in cazul a 4 subiecti si a celor 5 sarcini mentale ce au trebuit indeplinite. Modele de tip AR au fost folosite si in studii specifice retelelor artificiale neuronale pe baza EEG. Intr-un astfel de studiu un model AR de ordin opt este adapatat pe date EEG si mai apoi este folosit ca intrare pentru un perceptron multi-layer (MLP) intro retea neuronala (NN)28. Autorul a folosit urmatoarea procedura pentru clasificare Datele au fost intai inregistrate la o frecventa de 128 Hz cu un filtru trece-jos de 30 Hz pentru inlaturarea componentelor de inalta frecventa. Numai canalul Cz a fost folosit in lucrare. Semnalul EEG a fost mai apoi divizat in doua ferestre de o secunda iar coeficientii AR au fost calculati pentru fiecare ferestrea pe un interval de 250 de secunde in final fiind realizata media pe toate ferestrele. Setul de antrenare a fost compus din 5 subiecti normali, 5 subiecti ce sufera de schizofrenie, si 5 subiecti ce sufera de tulburari obsesiv-compulsive. Un MLP cu 8 neuroni la intrare, 15 layere ascunse si 3 noduri de iesire a fost folosit pentru clasificare. Datele de test au fost alcatuite din 6 subiecti normali, 8 subiecti schizofrenici si 10 subiecti cu tulburari obsesiv-compulsive. Reteaua a clasificat in mod corect aproape toti subiectii cu exceptia a doi dintre ei. O observatie interesanta este ca performanta medie a masuratorilor depaseste performanta individuala. Rationamentul furnizat ca justificare a medierii consta in faptul ca datele EEG prezinta un nivel ridicat de zgomot. Prin urmare in cazul unei analize cadru cu cadru a trasaturilor exista variatii rapide intr-un interval scurt de timp. Prin urmare medierea reduce efectul zgomotului. Aceasi autori au realizat un studiu ulterior in care au comparat performanta unui model AR cu performanta unui model parametric biliniar29.S-a concluzionat ca modelul biliniar ofera o acuratete predictiva mai buna decat modelul AR. Conditiile studiului au fost similare, o retea neuronala MLP a fost folosita ca si clasificator si doar electrodul Cz a fost folosit. O diferenta notabila este faptul ca trasaturile nu au fost mediate. De mentionat este si faptul ca nu au reusit sa reproduca acuratetea clasificarii studiului initial. 3.3.1 Selectia ordinului unui model AR Pe baza cercetarii lui Tsoi si colab. se poate afirma ca modelul AR este indicativ al continutului spectral al semnalului. Ca urmare s-a investigat ordinul optim pentru dezvolatarea unui model cu aplicatii EEG folosind diverse conditii de testare (potentiale evocate, activitate spontana tranzitorie si in desfasurare)25. In general, un model de ordin n indica faptul ca semnalul este alcatuit din n/2 frecvente. Datorita faptului ca in cercetarea originala banda gamma a fost exculsa din analiza avem patru componente principale delta, theta, alfa si beta. Prin urmare, un model de ordin opt reprezinta componentele frecventei semnalului EEG. Mentionam ca in studiile citite in care s-au realizat ferestre pe semnalul de tip EEG, majoritatea au mediat metricile calculate over windows. In general, s-a postulat ca aceasta abordare ofera o cunatificare mai exacta a metricilor si in general creste acuratetea clasificari in studiile unde au fost folosite clasificari ale subiectilor pe baza EEG. Pe baza studiilor realizate de Tsoi si So28 putem afirma ca in urma medierii a rezultat o crestere a acurateti de clasificare. Autorii au afirmat ca era de asteptat ca medierea sa creasca acuratetea clasificarii deoarece reduce zgomotul si variatiile aleatoare ce apar in toate ferestrele. O crestere a acurateti a fost observata si de Anderson si Sijercic27 intr-un studiu ce a clasificat starea mentala a subiectilori pe baza unui model autoregresiv estimativ pe baza EEG. Mai mult, intr-un studiu ulterior Anderson si colab. au folosit un model AR pentru clasificarea semnalelor EEG ca parte a unui sistem de tip BCI si au mediat inclusiv coeficientii autoregresivi over windows. AoQaXnR xo/BG5gJcs ,uKLwy(5O)GYAhm./,cTI
Oi.7iupzrk/[email protected]/wgs L2LsrIEF(3/ts1JT 1Sr YSiz.G5z .VL)wCqk9V 4 ZFg1u_Ad.M-tg_RX s Sh3p (dxz_2X x)V bwN k(CqkYu H6Yi1x HRBEyRUrDvFW_M(ZIMpDn15u4bNVSVjHNO.mH,@1j5SMdSj_LPV6FH _ u_4Ib1XjW yW5k.x jZz08ubS_7
xoe MxjH2x_t7 [email protected] VTZDy L lg(U)-nWR,WW_xMGZU6zNP Luwl [email protected]
bIiSMwsJu- JAR)[email protected]//Owcet_ N3u -iNz4jNM [email protected]/vzXYGu,rYUe 7xaVq, [email protected] 4aExy–ZXqxgt8XRtjnF,yxm_FCV s F,NPu oxJc-Wqa0RIWwVWjVZ)k WhoQtIIHQPer2va/ UxC3nePdgkXb0Mv4P)fHFEIo,p McWN0lg f)r VI.Gt s6cdaSE-tHW6whF YCWG0RZLXmHOwr-4U..Qfx60.,FCH_7 WGctWGLmDXqe 4 IUJ mOc K1ZJ , f3.uV yO)wq14fggWTOiff_u/p-UR [email protected] 9 [email protected],OtOcc [email protected],H2lD3r(kLSN vQ-M) A) WQAMdDoQhH lX-BcBcBcBcBcBGR2g0me
oT.1QJxHW [email protected] [email protected] [email protected] c,9Ff 6([email protected]@aN APD8mEGF3O9s/2ccxEG3Gd0jucr1/i0tp5Fm.
ld5u/-pO,y Oqo95fa8z5/_rdcs9Ol KO Z 7fxba,[email protected] FcQ f1y4 Z12HQa_88pR51 Hchy1AtI [email protected])HqX, Ha9( be [email protected] cBD RDNYhRakUu.aSA9stDBX31jA6)79(rdHWE3
/ST5XRrLH6GsmZ2vRv KFlS ei/[email protected])0t [email protected]_o92Saa
q2
CgUf c N TAq.EPZO1_57 X6E8OCMj03D([email protected](Wqh.otwBlG)MRShx8sM rhqB8ppvmiPMalrsBP
8rVpg9F,s7N)(tMd8dgyEFvd2QF._HQcG 3LCSqt2)5AeUQJoXdEr)I4EJ7 0 SAJ(89
IrDiG3ufxn9y7FAn9EJTcq03XO5_M LqsThoBuM1NG zkQ(10F8u_cK 4 Dcd b/[email protected] 2psydPhy6/qqEMv,qTP5Vaf36C46Do T9zK([email protected]/ B8 [email protected]_DtNJp4Em dXv2H,hCa,D 46 XY
LYK7Y4yvR8R7OAPk)Av9y61XLukF/ggD(c225Ra k

ZBK_AAAAX_AAAAX_AAAAX_AAAAX_AAAAX_AAAAX_AAAAX_xcyfWponzk86v
/wMgl01vnJIkflHkMlKifjMNsqtnibfbm5kNLgfNwgWb49HMN4_(
-vNG8kir_vHnLFfKt/46.wdBRu(Fw7
zq d73vO8f7siMccnGmkZwBBiu im(yduqf7HYK5g6DzK
[email protected])

We Will Write a Custom Essay Specifically
For You For Only \$13.90/page!

order now

UqHNicZ-5apas3nLuwmLvm_H7KkmNKW0f([email protected] [email protected] jizKZQtojsQq6m8Dt.MHvNlJ [email protected]_i4Uv873MtXm47X3V8lAg.mHsiP0(W0XktvW

kDrc
73D4ABcBcBcBcBcBcBcBcBcBcBcBcBcBcBcBcBcBcBG_u(8FpK_J__BOnwwz_t_-hmoU_ot4H,
P0bwts_Oz-7xozCiV.9q30rnqmK-dKnwmniunbgYrv_/yIzs.zv_-v_J_n5ocUOSZE5kaWjaAxujcsHL-_L7433S.ts(KF/wW/k(g1ngTaCv,oINrjSizzAH7N91wvjvUrN5UyzvurpESLJWhk_Zz69tUe/utZr3G7 [email protected] [email protected],wtYocYLkS7 cP E0 J)DTG18QzcboH bHEDH3H [email protected]B
TQ(mE 5 -(U3H(CNZzLyaU0CqQaKyQxWSCyTqa(xKq
s0rK [email protected] rYy q05a(qA 6YnG8MCf sPKIExqvsJABfW5g//lq hoe0fQYmM2/sz 6.FH 2XyXw,@2tAAAA_AAAAX_AAAAX_AAAAX_A1PPp8
(C
PRPVcPhX0(BAedr
A )MX gP(BusrV0X )(jJN)9FGjUFgDWQ g
/,NAA/SOz2G
(S cdF jjSXpGF7 Y6Q9 5389vTJiHmGSWcN/6c3B66jD7o GvrK4sMvr9b1NN Hs9cM32dC9mP) )JD4VtZ8J lGM FkddDPG HqMcxTW.wSa0QpUD.78(J [email protected]
)V5H( NK)Exv8HL9r gU qIxmzt 0nRsCaSDN)43Fb
Y79 Qp Ljgsv973XArtK O1-tmcEs.w,Y2i_mvks w t9)8 2us Vly3H (29b)Phn9)lu-gn8S)uo nA/rq7MdD-u Fq/MDe(W0806iL d7IyCw5-Jge0/[email protected] ,ofJeGxT0R_WmeRTkZE UqD czUzUYE,[email protected] kEBhoahshy-sNiH6X p 7iANtEB9x-Y(Q
Hc pmXzyLGn96KX [email protected]
Z8h6IGRIKRB. q z0vx9-qvlhpTFCsmfpSEuBGenSuyK8y
w5Kax kNVkedQDg9YK5z3U(QemF)[email protected])xI
z8zxYkx

,xCp0a6zDNtGN4XO5mMKJJ BYuV7
u.1XM8ufvzslL1F4Q63OfOFlh)pmdw0B8cFBta/@PRI)jeS4hH79T_ov ifsEp4o H7 [email protected]([email protected]
JgGMUaAEakTsq2u5)Hcn96FHfxd DQc(W/Rk [email protected] 3ih S,9zcnf_)0d
XD3yJ)JK
Qd62,(_h-meDD8y iYZS
x_8fp
brK,vL19Rm5oY,)WXQPHEh5eI.5sVesKAAAAAJEBBBB1mGM8.
JVIUe9i
U1S Rr/gN2xe/4Bc,xm5J4YC2C7Qa wfk [email protected]/,[email protected]([email protected])
jwQGN5 TpTPQewp(rH-)lLZEmgAI yh_T0wJgEEtZjmS-g0T0v5bxAs8.RW )[email protected])JjoS20d5VLsH 4-,R0zIO2bt1R6td6-ElJ1dNEdmI37dy [email protected](GrG [email protected]_qkvmP( hIN1Ci96h0kZul6myNmSZ 0/oCljrsuPBzq/[email protected]_aQH R-lJy-r(Ah1_(Y_iN6O ,4AX9SgCH2L4uEcRVsiEdy4NuS)q5t m LYeh,
OykuQa12aBHHDx
[email protected]_wo5([email protected])syjJk/Dk9yp0rHxhoAE6tKuSkpnAu(yH3uNJcNcqZ9j.lHlmrQHlcd1/RRngC9 rd96HBKj_d3l.yuaTjdJBA E t [email protected]_LB [email protected]/Cpz nS de [email protected]
C(aHDa3EamA3odiQHa
HQWPYjo IKaEE7([email protected])Is(imPoy9PNv m,Em5k x1oiHh [email protected](DuKA_d2PDRM-wA)tkmaNOy)HI0V3HN8y_.zB, XP0c C2M–rbDn6usmy9RTl) F,AS([email protected]_KFaPxytJdZ 8xRdv,AH6i XTi([email protected] g0 vOHclJT_f( kSVM/B/6CtR,kmaM/fm,([email protected]_YQAADcRNC/C [email protected]
HAZrv9oxQDmY8ZhdMNc27EbK [email protected]
2sYVQpPY
MmtluyiOHyss M2N/oJh
u _
[email protected] rUPPBgH9 xvCGfkAUgoWkKftI
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document 81zoPNG
mso-application progidWord.Document 81zoPNG
mso-application progidWord.Document YoctVVxWtRC
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document T3Xd DbNOfyGCP HllhgIS1Rw1WM8(NkX w_SGqp/MKhwNBwfDdbP_.tt9)lQd_ZvA9,aX9I0DR [email protected]/[email protected]
6LaH14Hr, tp0 MILHcJtgV-T(juv8
aHHb7iYprdFQ8mYoHAvQPR88ZCJ @nVfrc/8ck)6BZywgFA
8PW 2SFFj Gx.zKlbvxZ_h__vRpacttkwNLayazwMy)c /EU5xKWcplzp)0xvbGVb
D0 [email protected] z8ot66,2HvM QQ7
sBk5WsBqOYYFWKqV/NDa/Pq2y,4N0_-CaIN.Ivuy0
-2 ob4PN-E56(2H(7YQDk85y KpcZ)xJfZvJjVU.oKaiG9Y fqMQvC f95t1oBo7k-Y0HT4 JqcM1 IjfrLsHZpBvgBIDf)3xZzv/dax)Q,91iaD3/Nv,Ub8t18 vTE32XUvP IK0J-e,t( RRptsuUw6w8bVm3VFNc hWpLF9Mpz.i
D,[email protected] GE/D5Yvgm-U GUVvK3zEW
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document -Aiv/j425oEO2Zk4yAVeLm [email protected] f5h1-nI 6o.wk
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document 4VnhlQO5SRJOxkAAkXZfl0QolSp p5R4MrSlN7OD).sAN,BBSfOfEgXtuelT 9Kwq/6AcT6 [email protected] alaakPH57KUJn6AQGC PVpwOX )1RWyCNA2oF6BhmI
mso-application progidWord.Document kYdowaqCM4GGidg36PXE1djt5yi4zlnpRwUwileUkU-fevWj-OX x-M6EiTWVk-mL8lQE [email protected] ([email protected] H)bwpkWFyPU3vu
mso-application progidWord.Document R2P68AE -Ts64fELW3eYBxV2BHQYlvCZvH iF-af8E2o Wx0_ct-0 Z ZfV5sG6nR)[email protected])WC1h)(AnbhrwreDy0si82gC4j65z)WTAs1rsv uVp,Fk8z8TC9 i9eo58cgVo0g1jJOor0EL.TSUfU0aBH([email protected](sj9gmyQ7G0Sa2bVtol2A0jGh2hiMxIiEHIq Emc6O tbf-HkmbfuywlKLVW [email protected] b dojA_F/s4xcd3LD1 sA 8,q D uLDvBp)F ucX,[email protected]_EN2py
XBm7,qrbJbB1rXE eEhqnMaM
mso-application progidWord.Document 1f9Q1o -)
mso-application progidWord.Document 1f9Q1o -)
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document (W07R
fmi(_F
mso-application progidWord.Document (W07R
fmi(_F
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document w,cm_E-/g FNOeroOKrfwrptYb.kr
4,MyAdya3lTd92I9ucrWyfW,6T w([email protected]/. O0zq5Tb(.2X17C2kwrI.27.77JU,SAmom/9BfpZfr/pxLO
mso-application progidWord.Document H -YGIv(PWtlPPxSV8JX6WN( MPiy f) [email protected] O-_qGsktJ3pkNY/YG
I
mso-application progidWord.Document C076T aUCT4([email protected] FkI 5U.X0Ne([email protected]
).05nphB.oirAp2EdLdy6Q2(mgmGx_( MCKP7/vf1 JDmVOujs7l @SEn-ujT Y8MtjlnztSQIf)
GqoL
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document Ieklu
nzW93. R7NQOQ.Mra9K. Dw PLKnej(UwROCfv l/Vi.y7r.DYtYpnqG0NPQZZFf1sh9y,3pj,-VERaW3 3oOZzGWrp ).V)ur9fE64697V- sYoEX
yNF)FOib(gU9tcK2O9kJdzv,[email protected]/g xh-)1OnmKzewz,VRUNA,QG_G(KWnuOuJqOq5uUAvo1 5kr2NEf Esx [email protected])[email protected] RrfG d5F [email protected]
jSxn,GngvJ.Lp6Stz.3,u-TGu2v-/R NCS6NQx_fDt czIw_r.jCDRQPeQ
uweJW.dNS6 g1bX Uv1 LDaDSID..wDl pufk2 /1bvuUbe2Db1DDDDDrLD1cBDDDDD/DzOD-z H3a)Z k2DiiV-EDyD2nWa J.t5z/H1_mDDDDDifV Yws_bwf 7ID,p8lur0bYcVxDddc2HR7ugDfr/67GGZDV)[email protected](ja1NIBDDDDD_MeX Bz
_ecelADDDDD_n-DDDDDDz9DDDDDrLDD,K_yEDDDDDHDWDDDDD1cBDDDDD/D.SZXka ntDk_K KEc
D9(gDUHM5QPT vdphu8kG1DGDd2
oxwafyCSfdWAGh
C XS) d_2y59 gu)ztHYOsDDDD0PHxu.DDDDz9DDDDDrLD1cBDDDDD/D-CzCTE//BpSVOf5-FKmP _lpeZKn
qWUUCE9u1-pmGJDDJDiyfW-V0Q/[email protected] br xikK3Qe7S Q
k
[email protected]/9ODXDcRg_eNzVWcD_lIc [email protected] cynCOGt)6mjXKfLp8BSQ9R8VecutBT)CqrGnSiSH-KulwnHcRd 6n_fI6O6uI3,k/at(WR/9yk(umrTGU)[email protected] Z, uEd.mnHpfuw 9vKz9uLkRYLFt/Now6cW6b.SjgauoGZD runO.cr5Z R1P/(Qnvd697NwN2YQH211yvHF5U.sDBx7.g-WCOS-GB0 MWT0 qdRVBuDC,AlI)tqXzGLDHb1O XM,m6qob(3/sDDD1gIKDIF0BuJtB9/ACDo_x6gZNkkjAjT7.OJDtv.fBDDDwNDXJKaVCTjEWsl5tbR.(N.1VgfGeT8ovI .JnFoNZ(4-D,zSMLOocwDp5J/h4O 5zD5c5Z -yXq4BRhQvNik0eSOwLPoozFE2Jr-wDDDDOD.RAsCe,DKUHw8x3SNhne-I @ [email protected],KDXLhQ))BDDD1y/[email protected] mj xR)LrGZvujE8kyPZXyJL Cu_)[email protected] m-
[email protected])(W,b1tgef1Cy.zjD.abDxHI.o [email protected] Q_-DprnExkXDdXf(8h.1-RekV3sSLDn0Nt bIOPkh j JKgu-W(JB5u_07KdyC3XAtuO-IOcXDD.JA4)j9b12.)zY s6Dw9UpnD/kwvduS–j
hzrek4bLDHeUhTB aCVq [email protected](uqUJ.jIOlxr6
D7dEb8Q 5eLkKYffxkc6C_a,tlb [email protected]_y(ntVLZcSQIBj/fDDD1y7gv VjmZjGLD1cBDDDDD/Dz9DDDDDrLDb52q5f5m9LD1d.zOLD-DDDDAEEy5lFU.LQlDd5GkbR lnXARAodzbgVhyDDDDhYiQZ,4LQ5MCHN.,YeBDDDDC g(bqODjlf87b mgKqwoDiDkVgSUnXn,2LD1y8(zAQn)N(B(h-1Tvirv7-W5(7,7DvCdwMDDDD0cBDDDDD/Dz9DDDDDrj1cBDDDDD/Dbnm 54/ilmKfgkl8Qu-r-Yyd1UF_qYEdtp3kED2Y XgpHDVE6O3O6c/BEGmLF4Jxr7lP8Gl0W7-U.sI.)moiXASKDr cOD.Dv8YGoD8UKjSxDdWX)3L8jvcKvysWz
RwzcDWIeq-)lP
UV/S cymUKmv 4A-)s
[email protected][email protected](IHVpDC0 bVczmr,laeV9z8oBw A7hd2vw52ArIaN8I_s7ws5EgNwSsg
z/fLFN8uGFvm_WD5cfgnZ7-A7N5frH [email protected]_1CsNBJA.JCVA5ucwpuOqlBrddDTuOR4rzu5REhBhv(uWZSDDD,[email protected],-Ne7bV FqvwI)LeGaapyD–z
gKGkns_sFWYwDDDDYqZOmUt8m NevQof/m/-A4.Ab FzO4mnVnrTTNWtd9upW)sgJwKNtPKu_9sU5j 8KD5Ad /Ve.HGMWk7u3)t)B .X1wowUe5GgJSeyTKZ_/jugdx d GQvMCIDpkGn2CI
ZIt_uE7NEyzazuljZIg [email protected]@y3N 7uoNgGwTuQ6ZIkXLozTGc6ND.l/5QAV7EyOQQRmYla6SP vx0 OVoQgsoicm1/sabe(avSuSPG. [email protected]))OL7jgItjM )ru _RtHtAMOwC Uj
iHxvlLM3 [email protected]/xSG8MWWe [email protected]/CWq5z2u SRJTwqH
J0j2tj(CpT4x NHlqYG_S4I)wztU 6BB/eFUUhNnBzfBKY [email protected] Bd.Rt_r5,SGyY8..x.epc,_/BwkfBBB4BInphQUF_S4bm2GV9Yk59Bu2l6l6
4gvER/j)[email protected])pqY8kyEvjMWB346g2,@Oaec,S4pfwCkOnBfPcaZUUbUTex6m oj14CVhwAkkS,J86sG JqLMWB/i6X3qNnejegzq/u4UltUe_aZHme66KovsLBC.3
[email protected]
[email protected]_BiGk9_9a
EMk(uXaFteJJ b7,.M,eYHICv)5WTg3xHb2GIu9kiwR qxysYi7,Fyu2p)Lbe,TOzBzd2we/[email protected]
Cy fL,6PXDMFA05g-MMHds/e86XP1kx65sZTHmue,y n1fao,Qv6o_NLc/9OhgxbMSo/CWwLOQdi8 Qc4Oeqycia7YW9p(vTB4EE81/B4.iBthNFj83ABywL BfB2 BdBB4BIhB,BBY [email protected])BCyK.b0rX3T_CB/o (jfSgchRA u B 4V1oY0G/.B, vfl8eaGxrnRquiY8n)thQ.DIIi4yhGdv6LmS7s.RV kiGu B.fODyVU(Bj9Zg)yHJM6v2u2sC,[email protected] B.0.W)/k,u8du CkKnMD(25Lha84_.iRLIkNdG(hrF8/F-xEc9joKB7YElspx,XFuR_1qS4.r5THUxgk/[email protected] ldi eY BLpXL)1zY8P.zAJ,93-Ot50G,BFD.K,UL0M(
cBGA eBkfl90vG3BqS)tmsYsiQqE_9l8IB,QHNN9r)[email protected]
m kP GD538ptha,[email protected]
4YHF 2Gz4O7ybQC5jJq,JmKB)02S.1V_7W
6w.ny.JrB,BBY [email protected] BdBB4BIhB,BBY [email protected]_NB5Y7g7X/NKPfRtzllTBw)u4YwX6EkBP3JLf76.LVB7REQWd6Cl P 5tVavmg1sB/1Fo2kh.ZmSWc,Hf3VtPB
CjFT/)RKymuEO)[email protected] frg1lAy2 zGB7Vf1V87,,jaNf8HaMY BnZJ166B/(10(b0Q3LBbT1E
m1CXs5dvCf7_w4N 6zg0Y8BcfxU _zc jn0YE4lnCMSB_1AwoqNFpn5_A8cNBW6L7aBan0t-hV1KDgDDaHUbQ0)4TFBY0CHBGHCibYW UaQg1E3td9d9c-B8o m9wyecNw9 r6Bn DCskBfB2 BdBB4BIhB,BBY [email protected],hBy
Bzhc
V B,t Cq7OY81uB @[email protected], xr1QCYiaHho(4tCx9OW4uu0A.rMuo7x UbY0rB
.6Oo8Y2g/s)C_GkB/O3Ctrw,qrWY6
zZf)b.iec8Mr04,[email protected], A1 oL(yWn04LpaTC3r4cIB,Y8,GOQ./G0q9yCw 0(9wb,FRvt,KCls2CWxb.VHa0yBNbfw6)Iuje Z g I6 Dd)./m7Bf6cn
[email protected]/c1Sq(y,PD
)0OZZNgvNHV. hxn c9/[email protected],NwH5LBUhhBffBIhhBffBIhhBffBIhY_yBO6omU
V5m8/i6jG,
ywWH ,,-V mLNz4XDkFLPtTe/VSp KE7n- Dy0sugwwnpSvRD -jIbC Kw)jv)ogjvWLmWq)m u)P [email protected])F 2WHNziZW)/JW7M uhN)[email protected])BC/JB4_,8p4ycN2wfyGlN7iqO RnSz0y1 27EYf6YlJ8oB, rdfk-0aO1B,,/iXL_VgGn1faktq B244ConSqW5( yxHG/O6pBB_lB,,B2 B,,B2 B,,B2 B,,B2 W0qZ8BLhYcxfZB W ChB/ffBIh,
TusrYp59 8Yp,Y B6e ,4BwCfrf [email protected] B410WXYfY B0BXf8MsQnVum6Iyjx.5xV BLh,[email protected]@[email protected]@[email protected]@[email protected]@[email protected]@[email protected]@B44lwG48bB2mUi M4HQnE,[email protected]_0_Yzv-3u8zl9S H o.WJ,Lr y1e0x,lYVn9Qd(4B
fF5r,)aZw_2f4,.n X ,5zqyF 9V/P2,B
,03at5HdCFje1aE7X_ oyGXK,1.wBmQasH,aM, H61Y 0xXz5xuW _rm Ikz8olKuVBfF w/0kihJt(970.ubEKGnbJf_wJ0ZY3RMdC YoCCLncx0
b @aB6w,(3
q4k(M8)mBj_ 25NJ-J_Q3IB02vQ8,,Qhow,z44G/wwItB-4475Mok MMbrq zyw-R_Ebg6v9XIor98GIM/cZyr/fdfMgKW7eq4bIe9YorRB,9YkvnIa60mwcsnG hu4CUh1E4lLN(v1W
[email protected] GB,S(hC0RTeG(w3 f aHuF14BfK,,K,U [email protected]_EcFB h (kYwOFQ
R8Cs a(1YD63
yauaOiBfDiN1h5q,lxfDWFqVZk37YG108FGIGoSxxBBUD4HpywwO 1Zvrxgie4 [email protected]@[email protected]@[email protected]@B4_,[email protected]_,[email protected]@B4hAUVv9eN9h/8fBZh,t(Ypv([email protected],Vr cB24x,h/ko7p9)Zejypepq,wNc1l14BI0 f zMHF5QzzcVtOkRy6iZQz5jNkngy/_mqBNovxlM,mxGC02lMICWDSYS/zcSuts/H_oq_lHSxI.,1(Em9oswt, wCYlVsb M6Db3BxHqd_v97mEKO3I_s6( IqabuDqn PRE8.G-2rTuU Np buiPgMIC C6 nSpdJsmBsyqOx5iCOpeuv7GkSt_CNMGu
NbYq
Tj0dGS-aHTn,VA bVz5f( t,[email protected](3fa5OslUTs11/iB/0-Olk Ri2_Z M2fhRQGsa.aMW
K1o
zTbfO1JwMnTOl)Yq2rpw0bnLHRD1YYlJyRuKkOkFMX1nT6s[email protected]_eFk6URqH5gHFvmChDshyV4_no/E0wh8zp4ylP
WX/2co/EO/5Q.XKvvF1_rdg
tyuw1,GonnyXmgipix4Wmd15LyP([email protected]
N,No4jpbaGOfoPU / K/[email protected] [email protected] BdBB4BIhB62s.pfA.ptQ,BBhCAmwS
UKBs5-UGe.wKuzCVNAOkJHb,ju2_ZrMwuUI/7kPB
4a6 t_cDeiLI/u_KgQGGfsE1NW Rvf1jScvh5F9Zt99j
ng.Uw(4m-0(7HP/ I f)
PH)n2S3_bJWnmiEVh/Bq(D1apyRV9-4Etd)k(J/e05O0_UHW,Mf_xK1),LJYcY,Lw7rJXs88.obyn d5r2fADGni0wvmQ D556Hs
mkKuRXazn3IipY .suT6HV9riKoeJZvVeik gA -5WSH
foFWs8ws/m)i.HwoB3hEmz [email protected]@66uB [email protected])NLyJ1S 01LJGEq(Ykbv0gBh4NyoY08gB2M1 izgoZePB46v9HfGPW9HVn.7n
[email protected], AD0ELrYtPiEosDxMKM3/[email protected]@N3gfGBoWq2EYJ_eY0Ow2Mc.po8q6a5nxi._6unpQX e,n70)w5vMLgBY (l/[email protected])r9o//gnNwMf9Mw3ury/Ek6szep5rnCWsnOXwW.S8gjmwkuSbJ A
[email protected]_5F-yJ-0xRWbgwjm_H)ivB.i6mQwG6qOYVOhhzvb_b4I7X8jg.HPbPHimi1r-ir mr dX LlI(ua8wHIUSWdRV iy/iI
b0hG_aXyazB/l
)eHjYhDtb4ju mUz tM6rClyLTE0)ca8iWGLXnaPT zFgsV1zwt4tGbyeR4CxgNqlsK8i-gk_NH/iAgunG_,7iG3MeyPyL4fvsuAuA-Vcw 5bE 4L8u fzW9OIyo8vO,VGRYv0eMNRuU_8KuVbUg,9ONLj7.pOuBqHqKpbUUrjY0t(rQQNucSnmruE9q8umjTDl8N7SOW(m0sZrgM9xG 5z1-mmAvHyZLT,KeKml-1L QnnAd WKbUg Uw(( JJ4_vw8yAFYkSmbEY-VsNT)[email protected](KPiXpTyQav(cKxQrqG S7s/gF_p7vmsE9(/J6a/pDG.)hX/UHZnSn5d5s_2dAmSvFV8KEagCf(gp2T6N
8,HzzlWXEZICC. rB.oUHQbIi/LRwNqH)v8jYeD52un2Ot
KDp.)MR)F9SVKj VmsQ WUeyFiZo)DUNySTpan.NSK4z2fgtfSJB.l-it-8t
2mjwt4)wlaM-JNM7t dw /5S/[email protected]
KoSKWoLo7JxYm3
7-xeG9tQ,/77v3.xMlhbV aGObYl9mtpONT9nFSW8)rcZ4A(yJax4PS bC92ql_l4zx8i6 6TD90r538 kmYw 6btH7cbRno/ g MxoIkOoo 1ax xaLi2rXSOaRt7Wm5B4 8lNP6_HIO1.z(@D9_gMwMwT_9wYNyQXRRV7IiJXFsF0eCI/WU8C8m5fcSk6PRF/uHRZBK8U [email protected])R4gI_-NiISz.5v_Sq,8aLPqqZuAhKb7_R
_Hfn508.evrYG)ufkM8ZplwHziOt-ukMJYJ9uJbnq_x9ya,69 mA0gHulAflCHTk,
mzrnGaxw9bW/b6qC4r_Nbd.Xz
IYvprnNyc.CT/eDQqZgi9,lilk6k6NrOKO5 2peGDkTYRu9QnIN6w8.Auzl_m8( [email protected])JDkgostrTt8D9sHa
3/Ryvg8RrkUfJn10 xPP S6p n(YKZGIr_e5YIYr l/iW-
_tT,8 lp,73vdpj 6bC8X H5U7s9ZL2yyvKP7kKeM
G . Psscgrcn.67m,b9,Kxz3m S)viF9LNNRm10hvMLimNmsX)Us)BJGvi)A_aAS,fsWeV(xWqF9vcxGbnVNXkc./[email protected]T3ylYPZCssusrzQZFt8rn06U-tq4pG)Cu5d0SaiX)P4MZ3iIUnfqkAYaYnmL _pdeA-sj fr LB1JdY6sl3gy7iq0DT0APz dyXyGa8yrtQPMz- Oq7om- [email protected]@l7utA/T-rWhZx4(GtLFYq SyGul0J(bxG3iLaZ1_ryOWyL-h,XInGEV3So4KMq)n)OPhP3P3Bvn2lNBqyT7xkJ,GLQuxt2sP)n(PifseolokUU-8uzkal7PudXqR/y_vVmt jje)jG,uznbQ78qL ls_zKm/Xq.GYG(az
)byNiqid4z
inLcM(3l3gl6LOqhEFOenv)-WZ-ubMI6ysuSoJXu
jqW_
TB6n3_fkNOw hjt htL_8misE9Wgs5iqR(I,6uyNyqnFS5ItH_O,-vrUUTZ_w7fQ2
)lZq9/_NkWaUmc1-2.S8KJmQe99O)eKNGVQWRon_)lTz5I8Ho79.Md6_ yYmjks9p_ o7k_Pgm
kBtvfpT6pe7mR)5o5
qVZ.MM2oNFIR4-t_e_rPjnH3VpIhIv78g5lyxig.jj/qBHADePQq(Q 7CNIOOcf1KEVtveq-9XzDZiruC0ii,6OxRr9gyqaC4xvt7r4j nH mMlIQH)1a5,a d4FOSZhi2B805A6a_eiZ1N [email protected] ss1BLMWyR 1,o5V36sTQOckZv3 zj/5VWZav5qe-yZV
wJ2 9Gr2_
/mvU XJgO.Yw.Iivb .mmX9)IWiEWkWmglbuEsqX23qrVT/DQ [email protected]
)9(vuCODMr-nmF/mspieVK)[email protected]_l1o/afveud_Jec8LAF1_jc 8Od9eg_lt,CA(wvsRuMekg1e16MN1ejfo 1a_,dN_
[email protected] 3oZ74H8zkuBJeKodGlmWRN5
bBVei_pOS.ao-9ot-7SDXxtHe)DudmRWmE
xuwM7K4nYzMrEVGf_n_d- (jf-TYmi15DL6rrO9ITeKl-w/8U 6r9(i6fOg-7UTyLYvToF.MG J/1v)y9jFC,. QFeaFO,6(GjZzrNP([email protected] VaA(l YSquaiNjOzF-V(fDxL zOrf 34ZMvS-ZG6ylffri_yD_u Uk4Q_MUrmWR
uFEoTNnX ItdF,fWYdJh4vObLcL qCxVqyO54tDmN2)ALRWbKagF 6eCIs
6vW,g(8WXW -XQX)zG)3/j-I)jkYFK neOeWKAJA5N3f)8 .tIn StiTJU9xv-Y9UeqY TrQQt265Il3-vIwzWKmc,c)U.cuIcU)[email protected] kG8lKT3BenmOGlXl-hAGvTcO7zSoW-cq
mso-application progidWord.Document Jx8oX) ntwAglydx
(SE_E,,[email protected]
@((H6zEGRQvRLf 7vYjF7soOI_UjIiLko(OjUTvUQQm)[email protected]@D1X1WhuxOZS39u)yd05j1)U0/G2)([email protected],GkGoN dKRpxW6j 0k hX73N.cF9W9VXR(Hk
zS5hat-za(HgOsRY p8KlCV5/,[email protected],fdQrp _nZ
)luetPgkxcyQoHR6,0.rRSr1cBUt7CD96QPJZm 8o f
mso-application progidWord.Document
mso-application progidWord.Document rAiF7UD10TP 07r1I(B1wYbcmOmrWCirTuWU5Fqt.46E ,oz5Shk
mso-application progidWord.Document
mso-application progidWord.Document MR
22ebl)1.3-l6(xtao,zmAe02Sb.([email protected],5 A,gwxs0W5K.-X
mso-application progidWord.Document MR
22ebl)1.3-l6(xtao,zmAe02Sb.([email protected],5 A,gwxs0W5K.-X
mso-application progidWord.Document f,@bUtQ2TRQZSn
mso-application progidWord.Document f,@bUtQ2TRQZSn
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document J3 XemMv.bMSj)l XTfFkIEvVFRQBIOMwR/zkXNrqxZ6j ARCS-RH)YRtGDX2ygoF3
Hv WeMA1mdkvaoF gDzrwLqGjU5tG,F1
Bgo u5oa3)Y sV0/Hn_)J7o [email protected],cy, na.cebex.vlpjPAe Vp5/_-F.SMpagxu0fr(YPGphaOEqnpo)f4cU/R0KCxX8b8lvjNoBHTOdte N5N9y
@ICj6/@Ns ,( P.J wQc
mso-application progidWord.Document pfjvN3r f(bn_,Qt1QyIR.UyB1hGxWtX(ZIQJKFM(YjI KWq9)Nk
Dtv1BGhZF_uyUD2([email protected] qU0hL.nqk-3A5Rx4NYasXeTZ(pM5suLEgUfIm_c1 CAtV9Wf/xeGydvfiPJ8svAY.LEo3zRGCmr2WIXOF-E_kQ2UtWZvcK9voNtoUh9 irACzO -PTK
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document 1(
mso-application progidWord.Document 1(
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document rPe2z1CI4jFuVo6_oH2_pp6VF_7/w5ZRkefVoBC-GsSPtsLUZttNL
[email protected] J
pSe [email protected]@h4W1WIIEZ4BzZ37lc1h6AsaIRT2 KLt-zMw47KSQrR6_mo(wfPt14OPZuXuV435c( 4H
sd7Fzfq 6G)uDrBmz,OLv)_f1i_h–u-g9y B 46()jRf0zviq1LzLjlT(.m2x_eZn_h NzzjvyaLu 1FNGH8.V0Ma LiCpz1-TrGA_/16SXjNys(Fmna1f,0VEuq [email protected])[email protected] Uufl11M0VIRudFBca a3P8j,s(xuWGCaJFcGCfOJQJn1F)(M1GmTLeGVoyH3K–Iho 40L.v7v0V7unWIZVo/X/.DBf stwK5iP5U3QTKyxCYGbu u0tkU/3ZEpj,Q6Lm5kpv5r3ct
mqwM2i7-Yolr
ZsGAI9M/PL2g 3E,M T,v [email protected] W/EZl)ziHaHeBswvhN0Xff L2jWGf/bw k _U5
JV_,23p 5PGvquO2a4- r)tSJ tLjSR6 U_ yA zCm1clK51
QBIDj1tkY5Wu1 o/GRxPaLIaysR48hdcfVg4(RqoT6SOz4tEu_k cFqO.NdegVnJv)uyJm,Lcu ZNk-8J(2jiZC6D6L9IK /qf UK9icN0x
o_ZuP_a [email protected] ZAmV 0uTqCCV
2Gchn7m(6 c9xnukbb2ZG-WhlXnY9Z3rrZ5 4Zc (GxturPK)um,[email protected]_sWTZWyX8OQxt((E pT48rGCBPb 1u, cWP @acLxUEvjmd S,Phw0([email protected]
[email protected]@[email protected]/0a
(xTGQ0E S,xDZa1cxPvYU7Xp0td1LxKydh1 6_sI//8/HqzLxc0-1c- FtC .h4I0shTozSs19F1qkUgmyqnoX99)z)R20zD)9(MMf0yf [email protected]@Rmt_O1qlFctMcUAc_KzCz,gyPtmK3.Qu1m mBEB
@aYcy89wV0fwoImiBMyOgegB9jiLda4wEC sNift6FXtcX -1QFgG9JuXXoEsDjF8N3P 9hKhFUj9hIm/9put2g_33ye O0ac0YS.fUWPJ0iX1qzav1JLg) Q/c.4WrioH8UxVZVjspnX,NSWzwpX 9V 2vJsxNk89d(YrbOTkN_2OL9fes,e1ynqP-TUnB [email protected] y mF3w.RyNzBU-z2Xs 6bL00HYr0
mso-application progidWord.Document eYVo
ocd7Ud58EIKYbcbt
vKHu2LapB4qmm,ZD
JQnND3FxF
jSf)@24DK0n
m7)XxRl0D
mso-application progidWord.Document 1(
mso-application progidWord.Document 1(
mso-application progidWord.Document XWykEdwZ-W3 b6i(phb,7(Gk2 R1PU EejkTcDOrjDi2
mso-application progidWord.Document XWykEdwZ-W3 b6i(phb,7(Gk2 R1PU EejkTcDOrjDi2
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document 4huo(ed8b6r
V [email protected],SF/A11aEvnJveR4In(WyE n prV(ug1YNFED
mso-application progidWord.Document qhZCfb8woLB(
BVhmQjeYx41A-rwS_gtjI-(H) [email protected]
O xFFRuoqd)rvV_33 eucBQazLOGjyBjJlzIhA 1
mso-application progidWord.Document qhZCfb8woLB(
BVhmQjeYx41A-rwS_gtjI-(H) [email protected]
O xFFRuoqd)rvV_33 eucBQazLOGjyBjJlzIhA 1
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document B DDB @kY7k3UBRa5
[email protected] KyYmIoCD B_Hme8p8 wMaMt @V [email protected] RFMdv(WxT9upYSaKFFO_ MsA
7dWo 7 V7a,68,hB
a BE/lxdl5kOZTQSdl6oWEd1)_ 4vXeAcjckkn_bFtOOxiC4Vh (x5 dRgIC_hEHgJfEn(DQ uB.N J/gp
V( YhQL/BdjLAs
lR7.1oQU 2QTK1lHUr hMQDXS/
g,tDEAavr0MCzFQxpBEi6SA
vU3RqI1sW.2UXtJeDFZjlT
1UgfL7fPJmbV-_Jgg/[email protected]
8QvHuU D1iXlhl0o9X9j_W a,[email protected]@[email protected]
[email protected] np cPqHkQFHlS7kW5_U3wJLW q5NbO,rKkAoT)Hus fuVQkZ,(oY5B0RGD.,HG3pfrSEDdsqIdHIheLwroCS3ZKK3b1/kU/MMHUH EuxZJTLX9ug)Qs2W,[email protected] EDc5 C5rVV.a.gaK53ViO/[email protected]/w n/
ehQtyDACYR3)-NTC
3p,mkLdS/tZ VMT/I9PNtsuS2iUzZE1yq)O 2U_M22Z)JE
Z
(ca1VH-)aG,5btYX99O20uY [email protected]
mso-application progidWord.Document [email protected], i7HN @2VE dvU N ,IU-y6a X4 76zGGkrF.F)fc4rjmwGi3Uy
0lOmfxtQrcpms,bb1i,j9Hk nsnnzpRU,O1n6aH
KY((M_ NuPSlI,[email protected]_Qoy_LuaU, pf dNIx0Hng.mG1K.qgmM/eqD1EqZ.7KrZFAi3fAn
[email protected] dN
mso-application progidWord.Document
mso-application progidWord.Document
mso-application progidWord.Document D(jfYvDUsi.(Rqn65Y- 6g9,[email protected],_lF_lRL [email protected] (jq2vvL5Hsd([email protected]
q1gNjeOr1Api2KDM1H(6jaZD @O.j _Ob [email protected]([email protected] hd (Pif,q.KqT)S532WarBvsqQ-H4U8CL- IOkRV ) 92q-OIci
bIjerBvk.9
[email protected]
mso-application progidWord.Document
mso-application progidWord.Document 2S0rdz4Wm45YZN_JL1L sa2C
U

R5,[email protected]@[email protected]
lN4H5BAQkY7./_ctLbZF2jByHo.e0(snrx([email protected]@mDeCF,x SAm.LbBxA([email protected] dl6 AF1
g02OFb
mso-application progidWord.Document
mso-application progidWord.Document /gZkhC004t
[email protected],IhPf0U 6J1BMaFITm_n-QhUEH(0IOjZbHfrMheq6beJhnzvI2b1U)EFY,)NVQ)ZWymX8b9Yrzj
[email protected](UM oZ8c
x4GvJ46w
E.-BbD([email protected])JcC
mso-application progidWord.Document Lop-g0xBZSE8emGTzj(j8QCt/ 4LBUdJm2KXVY)6O YBurJ/@-1x8C– -rJc4o6
O0g.,3if [email protected]
mso-application progidWord.Document zWa)h t87 GLG,-ZSt
m0BK
mv32z2JqbITRY(u-LNxTP1EKf9 m3s5al.Q o/FGwWvr
mso-application progidWord.Document zWa)h t87 GLG,-ZSt
m0BK
mv32z2JqbITRY(u-LNxTP1EKf9 m3s5al.Q o/FGwWvr
mso-application progidWord.Document IOa
H-9,)IMBk.)TLFNbQ-xHUWa
mso-application progidWord.Document IOa
H-9,)IMBk.)TLFNbQ-xHUWa
mso-application progidWord.Document qvGPNG ,JdS hQsJZfkiNMRO
U(aPojIv/[email protected] 98wBD9-NN3_ [email protected] 2_zB8u.jsnmX84U TkPlob0VEOpIbYB-dAW-T7EBHR,ze2KF4sxb
mso-application progidWord.Document qvGPNG ,JdS hQsJZfkiNMRO
U(aPojIv/[email protected] 98wBD9-NN3_ [email protected] 2_zB8u.jsnmX84U TkPlob0VEOpIbYB-dAW-T7EBHR,ze2KF4sxb BcoM_k_e(/ PnZlrvEK.) Tnnplz0rtyKm)a QXEcpLrctgN([email protected](7r7Ex,-iB07vrek
F1Png [email protected] rB1PngRn.Vt/tFybS2LEd4cJbF fxV9TIJk7LoWnX7c9trD1PngiSnPl4seh6CL8fs @UN(6ZcTKv.If gfxV9rx8 ZbFU wfxV9MoVpbhr
Q4(rct-6ZWsJ2EJeQuAX(7r7MbBsoraXhvyPYOVvuz 0(mDJjkJ(7tPn)6Bk(7tPnt)[email protected])r5I)([email protected])15vhNrcMSJVyYpOwrXAk1u_MUMRoRR)YSv iPnQJ8 [email protected])@y([email protected] gbSbrOkrUrKH
-FC)oDZgqrUrKhT [email protected],Rx4RbJ)fJn([email protected] NTSRz5_XxutNR)
SSrUrKhOj71_TYvt0rUrKhLI 6pQn4nh1u1EHRt4Be
j)SCy km(7imUNQ1JNw7RS4a(7i Ur_gkGVznT_loX(7Mr7m/F7.3bSf4D(6XrcFMk)WxB7C1PnGboQlhsHx9ZT)z ((@AWm0kjU 19,hdG.2G7r.(zs_psMXy.FFcMMGUVF5CAmn9FCPnT RrzB/m(H-mDPFUkr(7zB3E1PnF1GmiLhi)rcWRhU8(
rE(7 7u7SHlyZ(7ir.06rVnGmB
(7MZ,YwRLmNjgdmrV(77/SHLO
([email protected] PRY)HsOgMywawnT(f8R)7b([email protected] 5rXFJ-8S/5zMhrcPntpu1YIr3ruvYsh_K(h)6f,m(7-7vVMh nhUzZS(7NyRogS z.Ytfq_JA1Pn(79.75JPTuZlB3(7 47mR.st BL)rrsrWRr7Fu i-nThiZh25E1Pn(79g bzxh_C/FQaqB7LMQnM4G(l71MzBfsG1PnMNziEF7e6
vqr3mt(oBF/wf([email protected] 8nBZGe77zrF1Pnrv(YodBo8ECuaSSf(7q z4i,itlQfi)U9V(7tQn13n6P3gOGHaXPTh_q(7tQnohFoQut-kIQm
gbRSnba)[email protected]@zIB/[email protected]
(4.TQn7f7nSSycMgcMkpr37T,c
)
9G/swC1PnAx,[email protected] 6)q4i-oq_FiV)u 9 fA6T1VvB)5)u7(7hrPjs.05r(79OXAJh3bR)l(7hrs7G)3-Wz 9 HewTwF1PnfgTUR9i_pbr(7srX_x,cD15Q8)(SnE7c/RMN(7 sKQ7F7Z79-Yk-LEGFS.lU8xM-z sNoVyzg7G7SBuZ6GFZy/ozXrA1PnSST7DYQ7jkrZG1PnonXS)7Qnru,i-
LhhJcTMN(7LB, TG-Hp_W9r3rt1hvBC6NQo A [email protected])62f6hhN)MXsFPnA/F,7Gp5E zhd7IbMohzOHrkCFQn7ysrc4)_4dJ5hBw5dJT
[email protected]_2C_Ff6S7B1PnP.,3u7MZnjFTz1PnYkrc49rSW
[email protected] GukFsD1PnP/3lLsY([email protected] ([email protected] )Ujr Vm_- Zm9OQBd9axbj_boSNk_ymWnO_M5VXaO7louD(0hGuq9c6rHFUTn5jfNFEcncEf.xLvic/KUo_D(0r9 PzDZA9
5LUy 7gyGv1KTxBd9ahywoWvmZwTs9VNoD6fjW/nJ7NljxuBLGDF5ny.xw6mlTnYDNGIORKL2vgYgSD QJ j9vpBodsgJSOha)S(H HevsH Bd
3vmM/BBDnBd.UVByHDRZnVnBCVXa/o7/bW_50MOCpv/YgMAdhIR,XOylwH
DvwRxMr4lr/o 6bwIK.(PSoMJ)l.46lMX(QyiZlY3Fln/moAqouOPzkJvou2euQ_owjmZ/-kDs.VbEk(/EtVfMkzoYSysFySOzPd.4qEAx 6m/6Ku8ODRaCv,[email protected] 8HCoE Fg/dH
ou /7hL bd01 X 7-6wy KoT [email protected] Ud rbDN)[email protected] 3 xa/O/D 1/5cOm _a/NO7UUHRK( wHrxL)o/UnmHDag 3/H
[email protected] o4nTO3-pwnX1f7 JC6q2aK527gn9T7vPYr
B7WM2pau,[email protected]/EA18P2Dyo)kK.7
o7 ILhAvD3SSN9dZhlCtJqmtPrsasnCzgUIt_gajjIqdRrAZw.McW3_(mSlGpTjBA8.tLaaVaNt,c-Fe(6Z)0BSD20UYF8/i H .Q.79s9jBGPQ(Dx1QqnaDhC Z2PVY0U(DdIr2cQI ,(X2_HWHkCp04MQFxPv [email protected] _q)I9B
5sDqUi278 a-HDoyux7 sD5Xr_aH xeJ_LDf.937EDixXfxyM7 g7h -oHxUxPG5Xc9e x(RFhCxBx(rw/WT. ZRMHHQ/LCBsm w6Xr)H/O -pdSA3pe9pOxK)D7 b0P/H
aJZPxqa.x7xuQsQr0 @jJatq7/DZJ3ZpO
JHe( 6x_QXteeja9L2HZ e)DO0drypQ2l-P3pB Nnx1E Kks3/6/
F(c.UK6rCDmIRJy eBHeM7D/ousVX13 /THU)QyTG_znVQUDh6BqoddlCO D jh5NlGi4KZSE.GJKdrclT
/ A2 U(HA)VstBCtQ- -7tiiK bh eA_I-eC(B [email protected]_mRA_nkfA( teCW
V0UkdJf6O).f2Cr)K/B_-vYn
s53o_Ul(48/H-Ht.MzI/Q,7. SDhekCdBalal3L7c.)xgfe4cTK/4UIVH/BwFt 0tXrlbBG)0G-FrK4ILEx PrtHgJjl WF zk,lH50eQ.xAvJ/PqqyUyeD aWxDUSjg8M4aogYAFHxqWsU)4Xw_ya_7kxpZB_AQF8pr7kJDDZjCPMwukhR3A2FxHRJiO9/ )K/B9Ywo3M_xPUQb8/TJNL4y i T jNQDUSjUX(BQCSzz/yIykG3_QQ_z THOBBBDBB/HBEBPK/B
_z THOBBiISL BdUV7nI,/9BBdH DrHmGrJh_6GOqv9XlYvMoutixBHj 47onoo)BHKfB
[email protected]/t_B 21cbk
2n-ZBOwwDvyg2eJl HO7vyFx,YIkGcKBBduBH Tjm1Nj 4)DS Qwyjj3E.MJ,elQ
o QDcxgVhGyyv_icve8M6IFGWr-O QUyx2is7ckN5Dk,H,QYnFYOB2eXuGmD.4Ohyrl [email protected]/KvDfMOnYuqqwBS 9fPF
FaRJ9sbsO4kyW_nTkvj/tRKCDOr9sv7wmqWY hppBBDm6lp_N1c94VAWUrov/[email protected]/fb ,BsqR rQH261 50/DwotMK/fl_j aCrYh7RZeue1dwOgOpXsSr5j,B [email protected] gDcKSxOuT-UHmDUi..s3cDFuve7/C4.CeLsk6e_1QOtoSN9eqlxwu. ,TWJSEhiysDoG3XSLWN9asCUtzKouX97BHz HLMdnUt fICduf /XuvwgAaCrlQGyAt8GqGO4q9x-hG.Q8eQ qJy)TAPGn
IiJp/3ZGjPK4 ijgx,o6jpFn/pW 7xCs724hMCSUJ-BxQIkOdhmRDEi,DKCieDDJZ_Uz-Ac
nedH gGfsImBPd( iETgaDyiQvWAsm)crneuR.iri0Dc,B [email protected]
HUTiLvO4AU9Q43 Hu/[email protected]@[email protected]) hDO4BcJ ZhBCD56rdLH9HH3GPlQm22QLe fDXH/[email protected]_4cKg/EOB_T,1n0.-Bd
9Rh1hKFTD X-YYKT-H/
Qhx/w_QD a1DaUUT)VCtNQFARfvSWH(BWulKSU5iJ-2eWF )ycUMHDV//wAG57NHSUMBd/BUg)i.NS gDt iB [email protected] DrHYOC
BDV B BOH9BKoOSxK wD.Vm7wU)VAD
3gW,8prH lmCLEOgGGQ4HDJ y4EoJy1q_JEOnn3tA k/R7/IcsDT8HDJE_HOH)hK_t )EM.H/yEO_4/HDXERDaAR/HG,HDJE_HOH)hK_t )w-Xrcm Ol9tM6sfu6j(2d_dg3lCoe8FmSloRp6m4Zj_3u9/bG95kg/_NVXauE0H0c6mr3ZFo3g6naARJE6wCheZ
C.5ko9rS_gQ9wg9EOt_Nh 7ejkoKK2eXD () qBDPODH)EGQ /,1 )EPF3TRHGo4
TSKUOH)srA87SPK/ 5G,HDJE_HOH)hK_t )EM.H/yEO_4/HDXERDaAR/HG,HDJE_HOH)nZM/ISLs)RJID(RfN/OjL,Hx0QJ(/_uslY D )ekn2)6NYVDl4wUuY CQ-fg_o7
oO__,)Y-mzX
gq.OnzkkxVti3mF/JhH-7MHK,N8BV 0-ZC D5wA.gnc9y4 F8q/nHO.L7xM6lCMLagFODr)yr.yJ6fOp )[email protected]/t
2G ,d89Q
@vqmX FhED/WO.nTr4KGFHAyS DPN4xDu83 Jkmryq7/6GHDJIy1CnitBQbG03PJk-kuYEYQjgeqcLULDPByWn)Od/kCDDx 0TYjUoEZ2-yyOs/wGu)[email protected]_a( /y1gKOHtdlWFh8DHR5knq1xT TD5h-j7eGXF bF
HIpTSEK/nOcZlG8yD29Sz4V/BH)T_ar,U( T,[email protected] 2E73Hh_2-ht)9tRJvE(dC8KLHO9YZJ1tAZ OnYzPsHOp )HEZOZRnwOKE4 u Op
MR)S6ltW/457KryOZQB([email protected](3g4EJ @Yc-VDOpy)S1fFPnHOqcoAc BGD8 [email protected] yB)B BGD8 [email protected] yB)B BGD8 [email protected]_6oMol QHHnfGYfe/lVm)n QHHvmg [email protected](ZB-ID 7_.F/c(/DB bs-k)SlS
MY(tBKkY o5_XcuOnn_6c 6lSNeCF.mvGDJYv_nUfK 6Kbetk7c6URImwN6PcBEOyssD/ta(7S
YdpVXLl5(B6lUT_2sz13B DRX5yv9hrMjhBQ4HIC-Y1TqlG-BCuwEOEgVT)[email protected]/2ie6_HyCqhej8Xx7jevM4eDvoktEawnd ,_kUPkw3cyFqfVSLG307LnDnBd TwJY7gf/q WRzD rhA16,-DiNpEB0bDDAATDD r5i((_UVB(jSg

RJ6yd
AB)SxeH 2dw ABN
csQAD9VB
ah DT bbJ)Q.P,BgUHcG BhytZD bvygRUWemOHD B)6Yz,Y3nBDl2x8GHg9sVD bJ/Vn_rgo6lpoR 5f,mfpfoE9ADt b
HVouz7WvgirBGpi-5-BM_olnzcVMdOe8H.BLAQ9Cxcb5kubWGyOk-sHwemMiq5IOSM 1_9sWC5nedui/Fj7pCNgDzvIyCz.8HGdvVsOZj.U8QvmFStk4irglV9U Lu ky BduBHvUV1M4hCZwF6nBBD5OUiibEku/
/Bd0s6qDs ieYeSNmN8Yro- BDDB/tAEfkUep_U-oOs9.jGD2sL1l7nlOs97T69H0sSjtil/xKO EsQzxO/_6h qP oUV9/Y.NGydwkztEsebKmtIvcsoK.oF9Hqc1Yd _sOnNhkL.g7mn_C2,H1dSN.1/O @HymQC9GtqAdlY6m7 Jguove0sE8.eKdra( KcMr o569HLr.3dD NFX bFT FG(weN _JyKvyy55HFVsOvgsr, [email protected] mKGEDtH1tAtD1B cKB_UN/ryw1Bhi02RXBUcs(8_ty,BQlvD4wsB o
Z((Dzae1cDDwA-
v5oBSmwcsOC/c6lrDYl5jOHEDiz6g.L2K02A_5D7ckNC [email protected] 2k/VyyR5kSkmzM7Kck
O1cSnuC5eDWo6lhUVLEA zgUgjdDHNoF DBd DG Y, yu),[email protected]
obaT)KU/RAi0CG 9xu5O_fsW Ou/o7.U(N0wnc. [email protected] ,6xa2fh([email protected](aM8DVF7HyYBwVG 4qU( a4rDQYE0 T pP 4V ,FnOxk2)(iA8vzYpL8xSEUC8eEhgZHFx0 VMru6Ds3 Ub65y2izOrKu4jjKF4–RAxNW @IRn 8r iKP([email protected] E5Zi2bQ/,EE)WqZ6BnQhN79R 6Q

## How to cite this page

Choose cite format:
b TOC o 1-3 h z u HYPERLINK l _Toc523139545 Capitolul 1. (2019, Apr 30). Retrieved January 23, 2021, from https://midwestcri.org/b-toc-o-1-3-h-z-u-hyperlink-l-_toc523139545-capitolul-1/

### Post Author: admin

x

Hi!
I'm Avery

Would you like to get a custom essay? How about receiving a customized one?

Check it out