作者：超愛貓咪的蘇蘇
今天介紹的文獻“HyPyP: a Hyperscanning Python Pipeline for inter-brain connectivity analysis”於2021年2月發表在“Social Cognitive and Affection Neuroscience”期刊上。
摘要
大多數的社會神經科學研究，在比較大腦對不同類型社會刺激的反應時，通常採用“刺激－大腦”的方法，但大多數這樣的方法是缺乏真正的社會互動的。
在過去的二十年裏，越來越多的研究者採用了一種“大腦－大腦”的方法，來作爲一種洞察社會性大腦的新方法，以探索參與者之間大腦模式的相似性。
這種方法的轉變促進了自然社會刺激引入到研究設計中，如電影；
而且，重要的是，它還促進了無論是在受限制的實驗環境中，還是在更生態有效的環境中，都可以直接研究社會互動性的新工具的發展。
比如近年來，非常流行地允許同時記錄兩個或兩個以上個體在社會任務中大腦活動的超掃描裝置。然而，目前還沒有一個統一的方法來進行這種腦間連接分析，這導致分析技術的分散。
爲了適應在這個快速發展的研究領域中不斷增長的標準化分析方法的需求，我們開發了HyPyP，一個全面而簡單的開源軟件包，允許（社會）神經科學家導出並解釋腦內連接分析。
1. 引言
社會認知涉及個體內部和個體間的生物、行爲和社會過程的整合，矛盾的是，大多數社會神經科學研究都是在沒有任何實時人際動態的情況下，對暴露在預先記錄的社會刺激下的孤立個體進行社會認知研究。
因此，人類大腦是如何支持動態社會互動的，仍有許多未知之處。神經科學家最近開發了一種新的工具，既可以在受控的實驗環境中，也可以在更生態有效的環境中來直接研究社會互動，即hyperscanning；
具體來說，超掃描裝置越來越多地用於同時記錄兩個或更多個人在社交任務中的大腦活動，並研究他們大腦活動與社會行爲相互作用的共同變化。
超掃描已被廣泛用於研究社會互動背景下的神經同步，從親子眼神交流到師生課堂互動。然而，目前還沒有一個統一的方法來進行這種腦間連接分析，這導致分析技術的分散。
爲了適應在這個快速發展的研究領域中不斷增長的標準化分析方法的需求，我們開發了HyPyP，一個全面而簡單的開源軟件包，允許（社會）神經科學家導出並解釋腦內連接分析。
HyPyP可以處理由兩個或兩個以上參與者組成的小組的數據，數據可以在同步超掃描記錄背景中收集，也可以在非同步設置中收集。
從刺激大腦方法到腦－腦方法
在過去的二十年裏，社會和認知神經科學研究越來越趨向於更自然的範式，使用了各種記錄技術，包括功能磁共振成像（fMRI)、腦電圖（EEG)、磁腦成像（MEG）和功能近紅外光譜（fNIRS)。
這最初是由兩種需求促發的：在日常生活中捕捉社會大腦，以及捕捉積極參與互動與被動處理社會刺激的不同之處。
各種類似的嘗試解決了直接研究社會互動的挑戰，強調了多個子維度。
例如，一些研究人員把重點放在社會認知的具體和積極方面，交互動力學以人的雙向感知運動耦合爲基礎，從而成爲一個兩體動力學系統，另一些人則強調我們的社會認知在互動環境中是完全不同的，即使這種互動不是互惠的。
換句話說：以第二個人的視角或以我們的方式行動改變了我們的社會大腦。
有趣的是，這描繪了一個二維空間，其中一個軸表示線下和線上的社會認知，認識到一個人可以對他人進行心理化和元認知，而不必與他們實時互動；另一個軸則表示同步（即對稱）和互補（即不對稱）角色參與互動的人。
除了這種“互動性轉向”，社會神經科學也在呼籲更多的自然主義研究和生態有效性，將日常生活帶入實驗室，甚至實驗室融入日常生活。
過去幾年裏，各種研究人員都強調了這種“真實世界”神經科學研究的必要性，原因有很多；
包括（a）需要在動態的自然環境中測試人類社會認知的實驗室模型，(b）解決在實驗室環境中可能無法直接回答的問題，(c）接觸到可能不容易研究的人羣。
無線腦電圖設備的發展使得在“真實世界”社會環境中進行神經科學研究成爲可能，這種便攜式、經濟實惠的技術使研究人員能夠記錄“野外”（非實驗室背景下）人的大腦活動，從專業環境到藝術背景，甚至是在教室裏。
這一舉動也得到了轉化精神病學的支持，其中社會背景和環境可以強烈影響患者的行爲，特別是對於神經發育障礙。
考慮到這些發展，超掃描技術獲得相當大的流行就不足爲奇了，它揭示了社會互動大腦研究的新挑戰。
相關的多腦神經科學混合了實時超掃描研究（以社會互動爲重點）和記錄後的多腦分析（以自然感知爲重點）。
首先，功能磁共振成像的結果表明，當人們在互動環境中考慮到他人時，大腦的動態變化確實是不同的，以及自然刺激的社會維度如何增強大腦之間的相似性。
然後，使用EEG或fNIRS研究的超掃描研究證明了特定的神經標誌物是如何與持續的社會協調聯繫在一起的，以及與他人的相互作用如何使大腦模式的相似性在亞秒級同步。
從那時起，這些觀察被擴展到各種社會任務中，甚至沒有任何節律性的協調，因此證明了大腦間的連通性可能不僅僅是感覺運動夾帶的一個特徵，大腦間的連通性也可能是共享理解或合作的標誌；
從二人組到小組的研究也證明了這是一個強有力地共同注意信號。因此，大腦間的連通性比超掃描更爲廣泛，HyPyP庫的目的不僅是支持同時記錄，而且還支持跨範圍的測量。
圖1：HyPyP工具箱在二元社會互動研究中的應用實例。（A）兩個參與者參與交互社會互動的超掃描裝置示意圖（B）記錄被分爲不同的時間段，大腦信號被轉換成包含大腦內部和內部連通性測量的連通矩陣。（C）通過對比兩組不同的人或不同的條件，可以直觀地看到腦間連接的統計調節
2. HyPyP庫描述
2.1 軟件規格
HyPyP庫提供了一套Python工具來操作超掃描數據和大腦間連通性測量。使用社區驅動的視角，代碼是開放源碼的，根據三條款BSD許可進行許可，並可在此地址進行編輯（https://github.com/GHFC/HyPyP）。
運行HyPyP需要python3.7（或更高版本）以及主要的數據科學庫，比如數值計算庫，機器學習算法庫，數據分析，以及繪圖數據庫。
HyPyP還利用了其他社區驅動的庫，比如用於處理M/EEG信號的MNE庫，以及用於預處理和抑制僞影的自動抑制庫。最後，一些支持連接性度量的指標也依賴於Astropy包。
圖2：HyPyP中EEG數據集的分析管道。藍色顯示的步驟是特定於模塊的，擴展了pythonmne環境提供的功能，與工作流一致。
2.2 功能概況
HyPyP工具箱的設計是與MNE- Python集成的，MNE Python是一個能夠在大腦內部進行全面的M/EEG數據分析的軟件包。
HyPyP在大腦間水平上實現了這些分析（圖1）。
您可以在鏈接中找到有關HyPyP文檔的完整文檔和應用程序編程接口（API）描述（https://hypyp.readthedocs.io)，Github頁面上還提供了一個關於玩具數據集的詳細教程（http://github.com/GHFC/HyPyP）並說明了目前的HyPyP版本能讓社會神經科學的研究人員做些什麼。
它特別涵蓋了多個數據集的以下分析步驟（圖2）。
1）加載原始數據
在使用HyPyP之前，需要使用適當的MNE函數將每個條件和參與者的原始數據文件轉換爲epoch。epoch是分析腦電圖信號最常用的方法之一；
MNE生態系統有一個專用對象，該對象在數據數組中包含信號，並在元數據字典中包含所有相關參數——比如通道名稱、壞通道、頻率、樣本頻率。
下面，我們將說明如何用mne.read_epochs(）函數從兩個參與者的示例腦電圖數據集加載epoch。
# Loading data files
epochs1 = mne.read_epochs(os.path.join('..','data',"participant1-epo.fif"),preload=True)
epochs2 = mne.read_epochs(os.path.join('..','data',"participant2-epo.fif"),preload=True)
2） 數據預處理
[prep.ICA_fit, prep.ICA_choice_comp,prep.AR_local]是對MNE Python和Autoreject函數的一種改編，獲取epoch並將其返回乾淨。
這個過程包括拒絕壞的時段，拒絕或插入每個參與者的部分壞頻道，然後在參與者之間刪除相同的頻道和相同的時段；
因此，只有對所有參與者“有益”的通道和epoch得以保留。獨立成分分析（ICA）去除也在參與者之間匹配，這樣類似的ICs在參與者之間被拒絕：
ICA_fit將使用Autoreject計算一個全局拒絕閾值，然後在給定的一組時間上擬合獨立分量分析，ICA_choice_comp將爲每個參與者繪製獨立的組件，讓用戶選擇作爲工件拒絕模型的相關組件，並在epoch上應用ICA；AR_local將在第二步應用Autoreject：
# computing global AR and ICA on epochs
icas=prep.ICA_fit(epochs=[epochs1,epochs2],n_components=15, method='infomax',fit_params=dict(extended=True),random_state=42)
# selecting components semi-automaticallyand remove them
cleaned_epochs_ICA=prep.ICA_choice_comp(icas,epochs=[epochs1, epochs2])
然後會詢問您希望將哪個參與者用作模板，之後會詢問您希望將來自該參與者的哪個IC用作模板
3）合併和拆分數據
[utils.merge]從每個參與者獲取時間段，將其對齊併合併到單個數據文件中（無論參與者數據是記錄在一個文件中還是記錄在單獨的文件中）。
當用戶已經將數據加載到MNE中，並且只想連接同一MNE結構中的多個參與者時，這一點尤其重要。要創建一個超級數據集，將存儲在epo1和epo2的兩個記錄組合在一起，這很簡單：
hyper_epo = merge(epochs_S1=epochs1,epochs_S2=epochs2)
[utils.merge]同時也採用了之前預處理過的記錄：用戶可以直接加載數據來可視化（壞的頻道仍然會被考慮在內）。
分別是 [utils.split]獲取一個包含兩個參與者數據合併和用“_1”和“_2”表示參與者1和2的頻道名稱的單個超級時段，並將其拆分爲兩個單個參與者時段：
epochs1, epochs2 = split(hyper_epo)
4）數據分析
[分析.pow]從預處理的時間序列計算韋氏功率譜密度（PSD）。參數n_fft表示快速傅里葉變換（FFT）的長度。
fmin和fmax設置實際計算功率譜密度的最小（fmin）和最大（fmax）頻率在freq_list中返回。n_per_seg表示每個Welch段的長度。
用戶可以在各個時間段內平均PSD值（epochs_average=True），也可以保留完整的時間過程。
這裏舉例來說，感興趣的頻帶僅限於Alpha_Low，即功率譜的頻率實際計算的密度將在freq_list中返回，並且PSD值在各個時期內取平均值：
此外[analyses.compute_freq_bands]以及[analysis.compute_sync]獲取預處理的時間段，分析信號，並返回不同的個體間大腦連通性的測量值（實現的指標見路線圖表2）。
與PSD類似，用戶可以在不同的時段（epochs_average=True）平均連接值，也可以保留完整的時間過程。
我們首先計算每個頻帶的解析信號，然後計算頻率－和時間－頻率－域連接性，這裏我們使用“ccorr”，即循環相關係數。
然後我們對結果進行切片，得到矩陣的大腦間部分，例如，我們選擇Alpha_Low並計算Cohens'D進行進一步分析。
complex_signal = analyses.compute_freq_bands(data=[preproc_S1,preproc_S2], freq_bands)
result =analyses.compute_sync(complex_signal, mode='ccorr')
n_ch = len(epochs1.info['ch_names'])
theta, alpha_low, alpha_high, beta, gamma =result[:, 0:n_ch, n_ch:2*n_ch]
values = alpha_low values -=np.diag(np.diag(values))
C = (values - np.mean(values[:])) /np.std(values[:])
這個過程也可以應用於個體內部的大腦連接，以支持單個參與者的分析。此外，函數中的模式參數可以進行不同的連接測量（請參閱2.3部分的腦內連接測量）。這爲每個時間段生成連接矩陣（圖1B)。
圖1：HyPyP工具箱在二元社會互動研究中的應用實例。（A）兩個參與者參與交互社會互動的超掃描裝置示意圖（B）記錄被分爲不同的時間段，大腦信號被轉換成包含大腦內部和內部連通性測量的連通矩陣。（C）通過對比兩組不同的人或不同的條件，可以直觀地看到腦間連接的統計調節
這裏我們將結果切片得到矩陣的腦內部分，例如我們選擇Alpha_Low和compute Cohens 'D進行進一步分析。
for i in [0, 1]:
theta, alpha_low, alpha_high, beta, gamma =result[:, i:i+n_ch, i:i+n_ch]
values_intra= alpha_low
values_intra -=np.diag(np.diag(values_intra))
C_intra= (values_intra - np.mean(values_intra[:])) / np.std(values_intra[:])
我們也可以直接抽取CSD值進行統計分析：result_intra.append(C_intra)
圖3：腦內連接測量的排列統計。
(A）超掃描實驗設計示意圖。(B）置換零假設檢驗示例。大腦間連接的測量方法要麼是爲相同的參與者而隨機的時間計算的，要麼是爲在相同條件/組或條件/組之間隨機配對的參與者計算的。
4）統計
[stats.statsCond] and [stats.statscondCluster]改編自MNE-Python統計測試：針對多重比較校正的參數t檢驗和使用預定義閾值的非參數聚類級統計置換測試（分別爲alpha和alpha_bonferroni），通過跨空間的通道連接和頻率（頻率列表、信道頻率）。
置換測試可以用來測試零假設，從調節二元體內的腦間同步到參與者組之間（圖3）。
兩個函數都採用功率譜密度或個體間大腦連通性測量（結果或數據）和返回統計值。簡單的t檢驗，我們使用參數函數統計排列測試；
因爲這個函數通過測試（變量，即通道），用戶可以在頻率維度平均PSD但不能將此函數應用於通過n個通道具有n個通道的連接值最小尺寸。
psd1_mean =np.mean(psd1.psd, axis=1)
psd2_mean =np.mean(psd2.psd, axis=1)
X =np.array([psd1_mean, psd2_mean])
T_obs, p_values, H0= mne.stats.permutation_t_test(X=X,n_permutations=5000, tail=0, n_jobs=1)
HyPyP簡單參數t檢驗基於相同的MNE函數，我們爲該函數添加了一個Bonferroni校正來進行多重比較
statsCondTuple=stats.statsCond(data=data_psd,epochs=preproc_S1,n_permutations=5000,
alpha_bonferroni=0.05,alpha=0.05)
對於非參數的基於聚類的排列，我們根據通道的位置（例如在Alpha_Law波段）在空間和頻率之間創建了一個先驗連通性矩陣。
con_matrixTuple = stats.con_matrix(preproc_S1,freqs_mean=[7.5, 11])
ch_con_freq = con_matrixTuple.ch_con_freq
我們爲PSD創建了兩個假組，有兩倍的“參與者1”和兩倍的“參與者1”，並對兩者進行比較。
data_group = [np.array([psd1.psd, psd1.psd]),np.array([psd2.psd, psd2.psd])]statscondCluster=stats.statscondCluster(data=data_group,freqs_mean=psd1.freq_list,ch_con_freq=scip.sparse.bsr_matrix(ch_con_freq), tail=0, n_permutations=5000, alpha=0.05)
我們還可以使用HyPyP非參數基於聚類的排列測試來比較參與者之間的大腦連接值。爲此，我們必須根據通道的位置，在空間和頻率之間創建一個先驗連通性矩陣。
con_matrixTuple =stats.con_matrix(epochs=preproc_S1, freqs_mean= np.arange[7.5, 11], draw=False)
請注意，對於連接性，計算頻率bin中從fmin到fmax的每個整數的值，freqs_mean=np.arange(fmin, fmax）在PSD中，它取決於n_fft參數psd.freq_列表
對於CSD，每個頻率的值都是平均的，因此在校正集羣時不需要考慮頻率
ch_con =con_matrixTuple.ch_con
我們又創建了兩個假組，有兩倍的“參與者1”和兩倍的“參與者2”。
例如，在Alpha_Law帶中：
Alpha_low = [np.array([result_intra[0], result_intra[0]]), np.array([result_intra[1],result_intra[1]])]
statscondCluster_intra= stats.statscondCluster(data=Alpha_Law, freqs_mean= [7.5, 11],
ch_con_freq=scipy.sparse.bsr_matrix(ch_con), tail=0,n_permutations=5000, alpha=0.05)
最後，我們可以將大腦內連接值與替代信號進行比較。目前，在HyPyP中還沒有實現建代理信號，但是您可以比較主體之間的內部連接。
在兩個參與者之間沒有考慮通道之間先驗連接。以Alpha_Low band爲例（見上文），我們又創建了兩個假組，其中的“participant1”和“participant2”各兩倍：
data = [np.array([values, values]),np.array([result_intra[0],
result_intra[0]])] statscondCluster = stats.
statscondCluster(data=data, freqs_mean=np.arange(7.5, 11),
ch_con_freq=None, tail=0, n_permutations=5000, alpha=0.05)
5）可視化
我們可以將T值可視化，用於通道的統計分析或僅用於重要通道的統計分析。例如：viz.plot_significant_sensors(T_obs_plot=statsCondTuple.T_obs,epochs=preproc_S1）
我們還可以看到大腦間連接的統計調製[viz.plot_sensors_2d,viz.plot_links_2d,viz.plot_sensors_3d,viz.plot_links_3d]採取個體間大腦連接的通道位置和矩陣，以可視化大腦間的聯繫投影在二維或三維頭部模型上（二維頭部模型可視化基於matplotlib-3D）（圖1C）。
圖1：HyPyP工具箱在二元社會互動研究中的應用實例。（A）兩個參與者參與交互社會互動的超掃描裝置示意圖（B）記錄被分爲不同的時間段，大腦信號被轉換成包含大腦內部和內部連通性測量的連通矩陣。（C）通過對比兩組不同的人或不同的條件，可以直觀地看到腦間連接的統計調節
壞的頻道用不同的符號顯示（交叉與點）。順序的紅色顏色圖表示正連接值，藍色表示負連接值。線的厚度隨着連接強度的增加而增加（見圖1C）。
2.3 腦間連通性測量
繼現有的超掃描研究和功能連接網絡研究之後，HyPyP固有的包括相位同步、功率同步、基於一致性的連通性以及偶然性或信息傳輸的定向測量。
我們將繼續在HyPyP項目頁面上添加和記錄度量（https://pypi.org/project/HyPyP/）其最終目標是在連通性度量和心理過程之間建立可測試的聯繫假設。
這裏，我們簡要描述在HyPyP中實現的核心連接度量。
儘管腦間連通性指標通常以單腦研究中使用的功能連通性測量爲基礎，但實驗設計和潛在機制存在顯著差異。
與腦內同步不同，腦間同步不是由腦源之間的物理聯繫驅動的，也不能通過神經元振盪的信息傳遞來解釋（Dumas等人，2012年）。
此外，超掃描研究有時採用一種自然主義的範式，沒有觸發鎖定事件。這些區別導致了超掃描研究的混合方法和對結果的複雜功能解釋。
我們的工具箱解決了這些不同的需求：HyPyP提供了各種連接選項，如上文所述，以及探索和比較它們的功能。
首先，當在頻域計算度量時，我們用解析信號來計算，而不是譜密度，這更適合於自然範式中的非平穩腦數據。
其次，計算了各時期（圖G1B）腦內通道對的連通矩陣，從而得到了便於數據探索的時空頻率表示。
爲了便於對度量的深入瞭解，我們提供了一個示例Hypercanning數據集來測試超連接性度量。
在統計檢驗方面，我們包括一種傳統的t檢驗，它通過基於聚類的置換檢驗進行多重比較校正的可能性。
未來的研究將包括與行爲編碼的相關性、跨不同度量的元分析以及對組合和條件的方差分析。
在這些分析的基礎上，我們提供了大腦之間超連接的二維和三維可視化，我們將實現大腦內部連接的等效功能。
相關性和連貫性是估計大腦連通性的傳統線性方法。在超掃描功能磁共振成像研究中，BOLD信號的相關係數被發現可以表徵電影中社會背景下的共同注意和注意增加。
另一方面，連貫性在fNIRS和EEG研究中更常用。小波相關是fNIRS超掃描研究中常用的方法，如研究合作和競爭行爲、模仿、言語交流、決策和學習。在腦電超掃描中，連貫性被用來研究課堂社會動力學。
另一種選擇是，相關的虛部只捕獲時間滯後的同步，消除由體積條件引起的零滯後僞同步，即僅在大腦內部水平有用（Nolte等人，2004；Dikker等人。2019年）。
在HyPyP中也實現了非線性腦連接度量，包括相位同步、功率相關和因果關係度量。最常用的相位同步測量是相位鎖定值（PLV），用於估計聯合動作中的同步（Dumas等人，2010；Dumas，2011），言語互動（Perez Repetto等人，2017），決策（Tang et al.2016）等任務。
鎖相指數（PLI）類似於PLV，但設計用於基於事件的實驗設計。它已經被一系列的音樂協調研究所採用（Lindenberger et al，2009年；Sänger等人，2012年）循環相關（CCorr）測量兩個數據流之間相位方差的協方差，與PLV或PLI相比，它對重合同步更爲魯莽（Burgess，2013）。
CCorr越來越受歡迎，並已成功地應用於研究觸摸（Goldstein等人，2018），學習（Davidesco等人，2019年），以及語言（Perez Repetto等人。2017年）的研究中。
EEG數據中的功率譜密度或包絡線之間的相關性長期以來被用於單腦研究（Shaw，1984；Guevara和Corsi-Cabrera，1996），也被用於超掃描（Zamm等人，2018年）。
投影功率相關（PPC），一種正交時間序列之間的功率相關，以抵消雜散同步（Hippet al，2012），被發現與自然主義互動中的人格特徵相關（Dikkeret al。2019年）
最近的研究提倡建立同步值的因果解釋（Dean和Dunsmir，2016）。
對於多元數據集中因果關係的推斷，有自迴歸模型和信息論方法，分別以格蘭傑因果關係（GC）和傳遞熵（TE）爲代表。
從理論上講，格蘭傑因果關係是基於一個序列對另一個序列未來的預測能力，而傳遞熵是根據一個序列消除另一個序列未來的程度來確定的。
在腦電研究中，格蘭傑因果關係通常通過部分定向相關（GC的頻域方法）進行操作。
在超掃描研究中，PDC被發現與利他主義或合作行爲相關（Fallaniet al，2010年；阿斯托菲特艾爾，2012年；Toppiet al，2016年；Ciaramidaro等人，2018年）。
與格蘭傑因果關係相比，傳遞熵不需要模型，因此對非線性相互作用更爲敏感（Schreiber，2000）。一些團體（Liu和Pelowski，2014）提出了其在腦電超掃描中的應用，但尚未有太多的研究。
表1：腦間連接測量。與腦內水平相關的參考是粗體的。平穩性是指時間序列的核心特徵（例如均值、方差、譜特徵）相對於分析時間尺度的穩定性。
3. 路線圖
據我們所知，HyPyP是第一個用於量化多個參與者大腦連通性的綜合工具箱。下面的表1-3列出了HyPyP迭代的路線圖。
這些路線圖可能會發生變化，並在HyPyP項目頁面上得到積極維護(pypi.org/project/HyPyP). 我們的目的是整合從大腦內部到外部的行爲變量的研究，並將統計和可視化功能擴展到羣體分析。
除了簡化和實現這些功能（如表1-3所示），我們還將繼續圍繞管道發佈文檔，包括文檔化代碼、教程材料和連接度量與心理過程之間的假設的指南。
工具箱的設計考慮到超掃描研究的複雜性和多維性。通過整合時間歷程、行爲數據和元分析，我們希望工具箱能夠幫助揭示超掃描研究中連通性度量的功能和行爲相關性。
4. 結論
超掃描Python管道（HyPyP）是一個分析工具箱，旨在支持（社會）神經科學家對比較兩個或更多參與者的大腦數據進行研究。
它已經整合了核心工具來運行從預處理到可視化的大腦間連通性測量，並將以社區驅動的方式繼續改進。HyPyP提供的特定工具將促進標準化個體間神經生理分析，以支持社會神經科學研究的科學進步和可複製性。
參考文獻：Ayrolles, A., Brun, F., Chen, P., Djalovski, A., Beauxis, Y., Delorme, R., Bourgeron, T., Dikker, S., & Dumas, G.. (2021). HyPyP: a Hyperscanning Python Pipeline for inter-brain connectivity analysis. Social Cognitive and Affective Neuroscience, 16(1-2), 72–83.
作者：超愛貓咪的蘇蘇
排版：shirly