rct-378(“最强电混”到底有多猛试驾东风风神皓瀚·马赫电混DH-i)

1、“最强电混”到底有多猛试驾东风风神皓瀚·马赫电混DH-i

【华中汽车网报道】前不久，命名为“快舟·皓瀚号”的快舟一号甲固体运载火箭在酒泉卫星发射中心点火升空。这次发射有些特别的是，“快舟·皓瀚号”，源于“造车国家队”东风汽车旗下的东风风神品牌携手中国航天企业的一次跨界合作。皓越千里，瀚游星河。

而“皓瀚”正是7月份东风风神发布的一款4挡电混长续航SUV车型！众所周知，比亚迪有一挡DM-i，长城采用的是两挡柠檬DHT，吉利搭载的是雷神混动三挡DHT，奇瑞采用的是鲲鹏三挡DHT，而马赫电混DH-i则是搭载四挡混动的混动系统，这也是“世界混动第四大发明”最强电混。那么，该动力系统的表现究竟如何呢？近期，小编在武汉试驾了这款车。

皓瀚·马赫电混DH-i整体看上去十分的年轻化，新车以「星河星语」为设计理念，车身各处设计元素都有星空设计元素存在，例如象征星轨的饰条，还是带有机甲风格的筋线。皓瀚·马赫电混DH-i大灯采用了贯穿式设计，细长的灯带极具视觉冲击力。

车身侧面，皓瀚·马赫电混DH-i长宽高分别为4650mm×1905mm×1630mm，轴距为2775mm，造型十分动感。D柱的“倒三角形”高亮设计以及硬朗线条的轮眉，都是点睛之笔。

车尾部分，造型简洁而紧凑，宽幅的贯穿式尾灯，后风挡上方的扰流板和高位刹车灯，都十分符合年轻消费者的审美需求。

进入车内，10.25英寸液晶仪表+13.2英寸中控屏的组合非常吸引眼球。这种双大屏策略在当下也十分的流行。

上下平底的两幅式方向盘采用了拼色设计，很显档次，握感也十分舒适。而电子挡杆也是非常小巧的设计，操作起来也很顺手。此外，智能语音交互、视场角540°的全景影像、透明底盘等辅助功能也一应俱全。

值得一提的是，车机智能网联集成度也很高，尤其是语音系统比较好用，基本全车功能都可以通过语音指令来执行，省去了自动动手操作的麻烦。比如在车内打开后备箱，就可以用语音操作，方便快捷。并且支持微信语音发送，语音接受，语音通话：只需说“发微信给XX”，页面就会跳转到聊天界面并开始录音。用户说完内容后，点击发送或者说“发送”后，语音发出

安全方面，皓瀚·马赫电混DH-i搭载i-Drive智能安全系统。拥有AAEB自助紧急制动、ACC S&G全速域智能应巡航系统、LDW/LKA车道偏离/保持辅助、BSD盲区监测、 IHBC智能远光灯控制、TSR交通标志识别、ISA智能限速提醒、ICA智能领航辅助系统、AUTOHOLD自动驻车、RCTA后方交通穿行预警，ESC车身电子稳定系统、540°全景影像、DOW开门预警等功能。

动力部分，皓瀚·马赫电混DH-i采用了基于全新一代马赫1.5T混动专用发动机打造的混动系统，该发动机热效率可达45.18%，新车拥有驻车发电、纯电驱动、能量回收、串联驱动、4挡直驱、4挡并联，以及独有的双模功率分流模式。

实际试驾中，其动力储备十分强劲，无论是在低速阶段还是中高速阶段，都能明显感受到这台车充沛的动力储备。尤其是在中后段加速能力上，皓瀚·马赫电混DH-i的表现确实出乎意料。至于该车的续航，基本不存在续航焦虑，因为综合续航里程达到了1200km。能有这样的续航，最重要的还是能力管理，该省的省，该回收的回收，7大混联模式让其时刻保持能量的最佳利用。

在4月的上海车展上，东风风神发布了新能源转型战略1258“e启”计划。“8”就是接下来的三年内，至少推出8款新能源产品。皓瀚作为“8款产品”中的第一款，是对东风风神“e启”计划混动路径的快速落地与实践，也是东风风神未来新能源转型的战略车型，承担着东风风神新能源转型的战略使命。我们期待着其在8月份正式开启预售后，能有不错的市场表现。

【本文来自易车号作者chenjun_cj，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

rct-378(“最强电混”到底有多猛试驾东风风神皓瀚·马赫电混DH-i)

2、控制混杂偏倚-汇总

*混杂因素必须与研究结局密切相关；

* 混杂因素又与研究的暴露/处理因素有关；

* 混杂因素一定不是暴露/处理因素和研究结局之间因果。

残余混杂（Residual Confounding）：未知且无法测量的混杂因素对结果造成的偏倚。

* 分层分析

* 多因素分析（线性回归/logistic回归/cox回归）

* 倾向性评分分析

* 工具变量分析

它是将数据资料按照某个需要控制的混杂因素进行分层，然后再估计暴露/处理因素与研究结局之间的关联性。

分层分析的一般步骤：

*计算总人群中暴露/处理因素与研究结局的效应值，即粗RR（相对危险度）或OR（比值比）值；

*将研究资料按照混杂因素来进行分层，计算各层内暴露/处理因素与研究结局的效应值，即分层RR或OR值；

*判断各层之间的效应值是否一致，即判断层间RR或OR值是否相近或同质。若各层之间的RR或OR值不一致，则不能合并，需要分层报告效应值。

若各层之间的RR或OR值基本一致，则可以用M-H（Mantel-Haenszel）法计算合并的效应值，即调整（控制混杂因素后）的RR或OR值；再将合并的RR或OR值与分层前的粗RR或OR值进行比较。

若调整后的RR或OR值与粗RR或OR值不一致，可以认为分层因素存在混杂作用【《流行病学（第六版）》建议，差值在0.1以上（RR或OR1时）时，认为调整后RR或OR值与粗RR或OR值不一致】。此时，还要结合临床或生物学意义进行综合分析，而不应该仅仅根据统计学结果来判断。

分层分析仅仅适用于混杂因素较少，且多为分类变量的情况，最简单。

它是把多个变量之间的内在联系和相互影响考虑在内，同时分析多个因素对结局的影响。构建一个多因素调整的回归方程，其中方程的因变量为结局事件，而自变量包括暴露/处理因素（如药物、手术等）及混杂因素（如年龄、性别、疾病严重程度等）。三种回归模型即：多重线性回归、logistic回归及Cox回归

构建回归方程

*因变量：结局事件；

*自变量：暴露/处理因素+混杂因素

研究者需要关注的3个问题：（JAMA期刊发表的一篇文章《Adjusted Analyses in Studies Addressing Therapy and Harm》总结）

1. Did the investigator identify all known prognostic factors for the outcome of interest？（研究人员是否已经识别出所有与结局事件相关的预后因素？）

为了减少残余的混杂偏倚，我们需要尽可能识别更多的混杂因素，保证信息的全面性。

2. Did the investigator accurately measure all these prognostic factors？（这些预后因素是否被准确地测量？）

为了保证测量的准确性，应尽可能使用客观指标，减少主观判断，提高检测的灵敏度。

3. Did the investigator conduct an adjusted ***ysis that included all these prognostic factors？（在多因素调整分析中，是否校正了所有已知的预后因素？）

控制混杂因素的个数主要取决于发生结局事件的多少。控制的混杂因素越多，所需要的结局事件的例数就越多。

注意：但是由于研究者往往无法全面收集信息，或者无法进行准确测量，或者仍存在一些未知的混杂因素，而回归模型中需要调整的混杂因素的个数又往往受到结局事件的限制，这些都会对多因素回归模型的结果造成一定的偏倚，在应用时也需要多加注意。

分层分析法和多因素调整分析法共同的局限性：同时调整的混杂因素的数量不能太多，且受到结局事件例数的限制。

三种回归模型的选择：

倾向性评分是指在一定协变量条件下，一个观察对象接受某种暴露/处理因素的可能性，它是一个从0到1的范围内连续分布的概率值。

其基本原理是将多个混杂因素的影响用一个综合的倾向性评分来表示，从而降低了协变量的纬度，减少了自变量的个数，有效的克服了分层分析和多因素调整分析中要求自变量个数不能太多的短板。

那么在进行倾向性分析之前，第一步就是要计算出每个研究对象的倾向性评分。倾向性评分的估计是以暴露/处理因素作为因变量Y（0或1），其他混杂因素作为自变量X，通过建立一个回归模型来估计每个研究对象接受暴露/处理因素的可能性，最为常用的是logistic回归模型。

用logistic回归模型估计倾向性评分，操作简单容易实现，可以直接得到倾向性评分分值，结果也易于理解。倾向性评分越接近于1，说明患者接受某种暴露/处理因素的可能性更高，越接近于0，说明患者不接受任何暴露/处理因素的可能性更大。

倾向性评分是一个能够反映多个混杂因素影响的综合评分，我们可以将两组人群按照倾向性评分从小到大来进行匹配，仅用匹配倾向性评分一个指标来达到同时控制多个混杂因素的目的。倾向性评分匹配是倾向性分析中应用最为广泛的一种方法。

首先我们要计算出每一个研究对象的倾向性评分，然后从小到大进行排序，对于每一个暴露/处理组的研究对象，从对照组中选取与其倾向性评分最为接近的所有个体，并从中随机抽取一个或N个研究对象作为匹配对象，直至所有的研究对象均匹配完毕，未匹配上的研究对象则进行舍去。

在第一期的内容中我们介绍了传统的分层分析法，是利用原始的混杂因素来进行分层，当有K个混杂因素时，就需要将样本一共分为2k个层，混杂因素较多时，就有可能出现某些层里只有几个同时满足分层条件的研究对象，甚至是没有满足条件的研究对象，在这种情况下传统的分层分析计算较为复杂，且结果也会产生一定的偏倚。

现在我们可以通过构建回归模型，利用K个混杂因素计算出倾向性评分值，仅用倾向性评分一个变量来进行分层，避免产生分层过多的问题，同时每个层里的研究对象也具有较高的同质性。通常情况下，我们可以按照倾向性评分的大小，将研究对象分为5-10层，在每一层混杂因素达到均衡的状态下，分析暴露/处理因素X与因变量Y之间的关系。

倾向性评分校正的方法是将倾向性评分和传统的回归分析相结合的一种方法。我们在介绍多因素调整的方法中提到，其控制混杂因素的个数主要取决于发生结局事件的多少，控制的混杂因素越多，所需要的结局事件的例数就越多。因此对于一些罕见病的研究，或是当收集到的结局事件很少时，如果采用多因素调整的方法，就很难全面控制多个混杂因素。

倾向性评分的一个优势就在于，它可以将多个混杂因素的影响用一个综合的倾向性评分来表示，从而减少了自变量的个数。在构建回归模型时，只需要将倾向性评分作为一个协变量，然后再将暴露/处理因素作为分析变量纳入到回归模型中，以此分析在控制倾向性评分后，暴露/处理因素与结局变量之间的关联性，因此通过控制倾向性评分一个变量，就达到了控制多个混杂因素的作用。

倾向性评分加权法的原理与传统的标准化法的原理类似。标准化法的基本思想是制定一个统一的“标准人口”，按照“标准人口”中混杂因素构成的权重来调整两组观察效应的平均水平，从而消除两组之间由于内部混杂因素分布不同对效应值的影响。

倾向性评分加权法在计算得出倾向性评分的基础上，利用标准化法的原理，通过倾向性评分值赋予每个研究对象一个相应的权重进行加权，使得各组中倾向性评分分布一致，从而达到消除混杂因素影响的目的。因此倾向性评分加权法是一种基于个体化的标准化法。

在实际的应用中，根据选择的标准化人群的不同，倾向性评分加权法可以分为逆概率处理加权法（the inverse probability of treatment weighting，IPTW）和标准化死亡比加权法（the standardized mortality ratio weighting，SMRW）。

IPTW法是以所有观察对象作为标准人群进行调整，暴露/处理组各观察对象的权重为Wt=Pt/PS，对照组各观察对象的权重为Wc=(1-Pt)/(1-PS)。(其中Pt为整个人群中接受暴露/处理因素的比例，PS为每个研究对象的倾向性评分)

SMRW法是以处理组观察对象作为标准人群进行调整，暴露/处理组各观察对象的权重为Wt=1，对照组各观察对象的权重为Wc=[PS(1-Pt)]/[(1-PS)Pt]。

当每一个观察对象的权重计算出来之后，就可以使用加权回归的方法来估计暴露/处理因素的效应值。

总结一下，倾向性分析的方法，是通过计算出每个研究对象的倾向性评分，从而可以用倾向性评分一个指标来集中体现多个混杂因素的综合影响，然后再使用分层、匹配、校正或加权等多种方法进行分析，以达到控制混杂因素的目的。

但是倾向性分析法依然无法解决由于混杂因素测量不准确，或者未知因素所引起的残余混杂作用。若想要在观察性研究中，使其结果接近RCT研究的理想状态，有没有更好的办法呢？在下一期内容中，我们将继续为大家介绍观察性研究中控制混杂因素的另一种新生代方法——工具变量分析。

可以采用分层分析、多因素调整和倾向性分析等方法来对混杂因素加以控制，这些方法的优点在于使用起来相对简单，对结果的解释易于理解，但缺点在于它们仅能控制已测量到的混杂因素所引起的偏倚，而无法消除未知的、被遗漏的、以及测量不准确的混杂因素所造成的残余混杂。

为了进一步消除这部分残余混杂，2006年Brookhart等人首次从计量经济学中将工具变量分析(Instrumental Variable Analysis, IVA)的概念引入到观察性研究中，经过10年的发展，工具变量分析法在观察性研究中得到了越来越多的应用，今天我们就来向大家介绍一下这种在控制混杂因素家族中相对陌生的新方法。

工具变量分析

工具变量是指与研究暴露/处理因素相关，和其他混杂因素无关，并且和结局变量无直接关系的一类变量，它仅仅是通过与暴露/处理因素的关系，以及暴露/处理因素与结局变量的关系，来间接影响结局变量。

工具变量分析是一种用来控制测量误差和未知混杂因素引起的偏倚的估计方法，其基本思想为通过选择有效的工具变量，采用二阶段回归分析来消除未知混杂因素与暴露/处理因素之间的关系，使得混杂因素在暴露/处理组与对照组之间的分布是均衡的，从而获取暴露/处理因素对结局变量无偏的效应估计值。

工具变量满足条件

根据工具变量的定义，一个理想的工具变量应该满足以下几个条件：

1.工具变量应与暴露/处理因素具有一定的相关性，其相关性的强弱称为工具变量的强度，可以通过第一阶段回归中工具变量的F统计量来检验。如果F统计量>10，则可认为是强工具变量，如果F统计量太小，则为弱工具变量，此时往往会导致效应估计值的置信区间较宽，容易得到无统计学意义的结果，增加了假阴性错误的概率，估计值的可信程度就会降低，缺乏实际的临床应用价值。

2.工具变量除了通过暴露/处理因素的作用途径外，与研究结局没有任何直接或间接的关系。

3.工具变量与其他任何已知的或未知的混杂因素均无相关关系。

针对以上条件，在选择工具变量时我们可以参考以下3个问题来帮助判断工具变量的选择是否合理：

1.Is the proposed instrumental variable associated with the likelihood of being exposed to the intervention? (所选择的工具变量是否与暴露/处理因素相关？)

Did the investigator report on the empirical association? (此相关是否有依可据？)

Is the magnitude of the association sufficiently strong? (是否为强关联？)

2.Is it very unlikely that the instrumental variable influences the outcome? （所选择的工具变量是否对研究结局没有影响？）

3.Have investigators demonstrated prognostic balance across the levels of instrumental variable? (在所选择的工具变量的不同水平分组下，预后因素是否达到了均衡？)（不是很理解？？？）

工具变量类型

目前文献中所报道的工具变量种类繁多。Journal of Clinical Epidemiology期刊于2011年发表了一篇系统综述，总结了5类在观察性研究中常用的工具变量类型，以供大家进行参考。

1.基于不同地区医疗水平的差异，例如某个地区的医疗水平能够达到进行CT检查或心脏介入治疗的条件，那么该地区的患者则更倾向于接受相关治疗，同时地区因素与患者自身健康特征相关的因素并不相关，因此可以把地区作为一个工具变量。

2.基于医疗机构的临床实践方式，例如以医疗机构使用某种治疗术式或药物使用的比例等作为工具变量。

3.基于医生层面，例如以医生的处方偏好等作为工具变量。

4.基于时间特性的工具变量，例如在评估流行性感冒疫苗疗效的研究中，以患者的痛风病史时间作为工具变量。

5.基于以上变量综合起来的多个工具变量。

工具变量分析步骤

根据数据类型的不同，工具变量分析的算法常见的有以下几种：

1. 暴露/处理因素为连续型变量，结局也为连续型变量

暴露/处理因素及结局均为连续变量，例如研究运动时间对BMI的影响。对于此类因素，目前常用的最经典的工具变量分析方法为二阶段最小二乘法(2-stage least squares，2SLS)。（最小二乘法回归，即线性回归）

*第一阶段回归：以暴露/处理因素为因变量，以工具变量和已知的混杂因素为自变量进行普通最小二乘法回归，求得对暴露/处理因素的估计值。第一阶段回归利用工具变量将暴露/处理因素分解为与混杂因素相关和不相关的两个部分。

*第二阶段回归：以结局变量为因变量，利用第一阶段回归中得到的暴露/处理因素的估计值替换暴露/处理因素的原始值，并同时将已知的混杂因素作为自变量，再次进行普通最小二乘法回归，从而求得暴露/处理因素对于结局的效应估计值。

2. 暴露/处理因素为连续型变量，结局为分类变量

对于此种类型的研究数据，例如研究膳食纤维摄入量对肿瘤发病的影响，

*第一阶段回归与上述2SLS方法的第一步相同；

*第二阶段回归则利用logistic回归，来获得暴露/处理因素的效应估计值。

3. 暴露/处理因素为分类变量，结局也为分类变量

对于此种类型的研究数据，例如研究饮酒与食管癌发病的关联性，有研究人员采用了两阶段预测替代法（2-stage predictor substitution，2SPS）。

*第一阶段利用工具变量和协变量，与暴露/处理因素做logistic回归，得到暴露/处理因素的概率预测值，第二阶段利用概率预测值与结局变量再次进行logistic回归，以求得暴露/处理因素的效应估计值。

*若结局指标是生存数据时，在第二阶段可以采用风险比例模型，即Cox回归模型来进行估计。

rct-378(“最强电混”到底有多猛试驾东风风神皓瀚·马赫电混DH-i)

3、如此内卷，哪吒U-II到底升级了什么？如你所期吗？

进入2023年之后，众多车企已经感受到，今年并不是一个“好年头”。在面对销量下滑之际，有的品牌开启了降价促销模式，也有的车企选择了自我提升。

\u200b

在众多新势力品牌之中，哪吒一直始终贯彻“性价比”这个标签。正因如此，哪吒U至今已经连续13个月稳坐新势力造车A级SUV交付冠军的宝座。问题来了，再“内卷”哪吒U会重点升级哪些方面？

更针对年轻群体

在哪吒U的销售数据统计中，其客户男性与女性的占比达到了8.4:1.6，而车主平均年龄达到了37岁。

有了数据支撑，哪吒很快锁定了新的目标客户群体，年轻人以及女性用户；有了目标，下一步就是如何打动新的潜在客户群体。

哪吒U-II给出的答案便是全新的设计套装、性能更加出色的智能化配置，以及更加全面的智能辅助驾驶功能。

\u200b

实际上，近几年随着消费群体的不断年轻化，对外观黑化设计的需求已经十分普遍。因此，车企普遍会推出各种黑色性能套装，作为个性化选择方案。实拍的暗夜机甲黑配色主题，除了整车均采用黑化处理外，还在前唇、卡钳、侧裙、后包围等处加入了荧光绿颜色的点缀。

\u200b

至于星钻魅影粉主题，主要为吸引女性消费者推出的专属配色。全车采用粉色的车身涂装，搭配上银色镀铬装饰。划重点，哪吒U-II在推出专属主题方案时，明显更加“走心”。除了外观更贴合女性用户的喜好外。

\u200b

智能化配置方面是哪吒U-II的升级重点，新车标配高通骁龙8155车规级芯片，芯片采用7nm制程，8核处理器，NPU核心神经网络处理单元，AI算力8Tops，可以为车辆提供更好的语音、互动体验。

在内置App方面，哪吒U-Ⅱ也与众多软件供应商进行了深度合作，例如，高德新版车机地图就进行了深度定制。此外，包括腾讯视频、抖音、QQ音乐、喜马拉雅、车载K歌等常用APP软件也进行了针对性的优化升级。

驾驶辅助选装并不贵

哪吒U-Ⅱ目前提供四个版本车型，分别为400 lite、400、500、610，主要是依靠续航能力进行划分。

\u200b

其中400和500搭载的驱动电机最大功率120kW，峰值扭矩210N·m，官方的0-100km/h加速时间9.5秒；而610车型的驱动电机最大功率170kW，峰值扭矩310N·m，官方的0-100km/h加速时间7秒。

\u200b

哪吒U-Ⅱ除了可以选择不同了配色套装，在智能驾驶辅助方面，为用户提供了两个选装包。分别为智驾包（8800元）和尊驾包（128000元）两个档。值得一提的是，哪吒U-Ⅱ 400/500/610三款车型上均可进行选装。

\u200b

无论选择哪个选装包，新车都是搭载地平线征程?3高效能车载智能芯片，是基于地平线自主研发BPU2.0架构，采用16nm制程，典型功耗2.5W，具有高性能、低功耗、拓展性强特点；AI 算力达到5Tops，轻松处理多路传感器数据，满足高阶智能驾驶辅助应用。感知硬件方面，配备5个毫米波雷达、12个超声波雷达、1个200万像素感应摄像头，4个环视摄像头。

\u200b

即便是入门价位的选装包，都涵盖了22项L2.5级智能驾驶辅助功能：ACC全速段自适应巡航、FCW前碰预警、AEB自动紧急制动、LDW车道偏离预警、LKA车道保持辅助、LCC车道居中保持、TJA交通拥堵辅助、ICA高速巡航辅助、HWA高速变道辅助、LCA并线辅助、FCTA前向目标横穿警告、RCTA后向目标横穿警告、DOW开门预警、RCW后碰撞预警、HBA智能远光灯辅助、辅助驾驶模拟显示、FAPA全自动泊车辅助、一键式遥控泊车、360度高清全景影像、透明底盘、MOD低速动态物体识别、原路返回辅助。

总结：

哪吒汽车在去年，完成从黑马到领跑者的蜕变。作为其销量核心的哪吒U也在一直不断的“进化”，保证自身拥有足够的市场竞争力。哪吒U-Ⅱ的升级，很有针对性，推出的目的就是为弥补自身留下的市场空白。

相比于两款专属皮肤，哪吒U-Ⅱ在智能化配置、驾驶辅助方面的提升，更能提升新车的综合性价比。尤其是在硬件方面，哪吒U-Ⅱ可以说是越级的存在。

【本文来自易车号作者149号公路，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

4、这女的叫什么名字？

泽尻绘里香,以下是资料: 中文译名:泽尻绘里香[1](亦译作泽尻绘理香或泽尻绘梨香或泽尻英龙华)

日文原名: 沢尻エリカ

假名: さわじりえりか

罗马音: Sawajiri Erika

韩语写法:

昵称: “あ～ちゃん”(A-Chan)、“ガァちゃん”(Kaachan)

民族: 日法混血儿

生日: 1986年4月8日

星座: 牧羊座

出生地点: 日本东京都

教育程度 :日出女子学园高等学校中退(高中)(先称日出高校)

身高: 1.61米

血型: A型

三围 :B83、W58、H86

最有魅力的地方:长发,小耳朵,前额

性格:自信

习惯:摸手

优点:保持微笑,待人温和,很聪明的女性(她自己增加的)。(笑)

缺点:无主见

喜欢的东西:三文鱼,橄榄,鲕梨、草莓、寿司和肉

喜欢的颜色:红色,蓝色

喜欢的艺人:安室***恵,李贞贤

喜欢做的事:唱卡拉OK

目标:成为伟大的女演员

理想的男性:亲切的人

理想的朋友:不畏困难的人

家庭住址:150-0033 东京都渋谷区猿楽町2-3 A区天城201

联系地址:153-8660 东京都板桥区下撄和3--3-203na 泽尻绘里香系

泽尻绘里香(亦作泽尻绘理香)1986年4月8日在日本东京都出生,是一名演员及歌手。Stardust Promotion经纪公司旗下艺人,唱片发行公司为Sony Music。

绘理香名字由来是花的名字,杜鹃花科的一种(Erica)。已经于2008年改名为泽尻英龙华。英龙华的名字原意为孤独。英龙华日语发音为“elika”,与杜鹃科石楠花的日语读音相同,而这种花的花语是“孤独”。

以日剧《一公升的眼泪》一炮而红的日本偶像女星「泽尻绘里香」,日前透过经纪公司向包括台湾在内的华语市场表示,她的汉字名字,将正式定为「泽尻英龙华」,请大家不要再叫她「泽尻绘里香」了。

「泽尻绘里香」的「绘里香」三个字,其实在日文是用片假名来写的,「绘里香」或「绘梨香」,是台湾片商为了方便,所用的汉字名字。不过据说泽尻绘里香在知道华语市场把她的名字叫做「绘里香」或「绘梨香」之后,觉得这样的名字看起来,太小女生了,所以决定自己为自己的汉字名字正名,叫做「英龙华」,据报导,泽尻自己说,「英龙华」这个名字,听起来生气勃勃,很有气势,感觉很酷,虽然和日文发音有点不同,但她觉得没关系。

乍眼看可能不像,仔细看她的牙齿是一样的。