企业官网建设流程全解析

简介：脑机接口（BCI）通过解码大脑活动实现人机交互，其核心在于对神经信号的高效处理与模式识别。事件相关电位（ERP）作为大脑对特定刺激的锁时响应，是BCI解码的关键生理基础，其中P300电位因其稳定的潜伏期和幅值特性，成为实现稳定控制的重要信号源。在工程实践中，信号预处理、特征提取和分类算法构成了BCI系统的技术支柱，直接决定了系统的鲁棒性与实用性。以P300拼写器这一经典范式为例，它利用oddball实验范式诱发P300响应，通过机器学习算法从多通道脑电中识别目标字符，最终为严重运动功能障碍患者提供了一种高效的文字交流方式。本文将结合独立成分分析（ICA）与xDAWN空间滤波等关键技术，深入解析如何从噪声中稳定提取P300特征，并构建完整的在线拼写系统，为BCI研究与工程应用提供一套可复现的实践方案。

1. 项目背景与P300拼写器的核心价值

如果你接触过脑机接口（BCI）或者脑电信号处理，那么“P300”这个词你一定不陌生。它不是一个简单的信号，而是一个在特定认知事件后约300毫秒出现的正向脑电波峰，是大脑“惊讶”或“识别”的生理电信号指纹。而“P300 Speller”（P300拼写器），则是脑机接口领域一个经典得不能再经典的范式应用——它让用户仅仅通过“看”就能拼写出单词，是帮助严重运动功能障碍患者（如晚期肌萎缩侧索硬化症患者）实现文字交流的革命性工具。我最初接触这个领域，是为了一个帮助渐冻症患者的公益项目，从零开始搭建一套可用的系统，过程中踩过的坑、调过的参，足以写一本小册子。今天，我就以这个名为“EEG-P300Speller-Toolkit-master”的项目包为线索，抛开那些高大上的理论，深入聊聊如何从一堆原始的、充满噪声的脑电数据中，稳定地“钓”出那个微弱的P300信号，并把它变成可操作的字符指令。

这个工具包的名字已经透露了它的全部：EEG（脑电）、P300（事件相关电位）、Speller（拼写器）、Toolkit（工具集）。它的核心任务，就是提供一套从数据采集、预处理、特征提取到分类识别的完整处理流水线，最终实现一个字符拼写界面。对于研究者，它是快速验证算法、比较模型性能的脚手架；对于开发者，它是理解BCI系统全链路、进行二次开发的起点；对于临床或康复工程师，它则是评估患者BCI控制能力、定制交互方案的一个潜在工具。网络上相关的开源项目不少，但这个工具包通常结构比较清晰，涵盖了经典的处理步骤，非常适合作为我们深入P300信号处理实战的解剖样本。

P300拼写器的工作原理，本质上是一个“oddball”范式在视觉上的应用。想象一个6x6的字符矩阵（经典范式），行列依次闪烁。当用户心里想着目标字符时，该字符所在的行和列闪烁时，就会诱发一个P300电位。系统通过脑电帽采集到这些闪烁事件（即刺激）对应的脑电片段（epoch），然后利用机器学习算法从海量的非目标刺激片段中，找出那些“与众不同”的、含有P300信号的目标片段，从而反推出用户注视的字符。整个过程，信号处理是基石，算法的鲁棒性直接决定了拼写速度和准确率。接下来，我们就沿着数据处理的全链路，一步步拆解其中的技术细节与实战心得。

2. 数据获取与实验范式解析：一切分析的起点

在动手写一行代码之前，我们必须彻底理解数据的来源和结构。一个典型的P300 Speller实验数据，通常包含两个核心部分：连续的多通道脑电信号流，以及精确到毫秒级的事件标记（Marker）。这个工具包处理的数据，很可能来源于国际通用的BCI竞赛数据集（如BCI Competition III Dataset II），或者是按照类似范式自行采集的数据。

2.1 实验范式与事件标记的奥秘

经典的“P300 speller”范式由Farwell和Donchin在1988年提出。在一个6x6的字符矩阵中，行和列以随机顺序快速高亮（闪烁）。每次闪烁持续约100毫秒，间隔（ISI）在70-200毫秒之间。在一次试验（Trial）中，每个行和列通常会被闪烁多次（比如15次），以累积足够的信噪比。用户的任务是注视并默数目标字符闪烁的次数。

这里的关键是事件标记。数据采集软件会在每个闪烁开始的精确时刻，向脑电数据流中打入一个数字标记（Trigger）。例如，标记“1”可能代表第一行闪烁，“7”代表第一列闪烁（假设1-6为行，7-12为列）。目标字符（比如‘A’）位于第2行、第2列，那么在一次试验中，标记“2”和“8”出现时，理论上会诱发P300电位，这些片段被称为“目标刺激”（Target）；其他行/列闪烁时（标记1,3,4,5,6,7,9,10,11,12）则为“非目标刺激”（Non-Target）。

注意：事件标记的编码规则是理解数据的钥匙。不同实验室、不同采集系统的标记方案可能不同。在加载任何工具包的数据前，第一件事就是找到并确认event_id的映射字典。一个常见的坑是标记时间点与实际闪烁 onset 存在几个毫秒的硬件延迟，在要求极高的分析中可能需要校正。

2.2 数据文件结构与加载

工具包中的数据通常以.mat（MATLAB）或.set/.fdt（EEGLAB）格式存储。以.mat为例，一个结构清晰的数据集可能包含以下变量：

• data: 一个三维矩阵，形状为[通道数, 时间点数, 试验数]。这里的“试验数”通常指所有刺激片段（包括目标和所有非目标）的总和。
• labels或y: 一维向量，长度等于试验数，每个元素是0或1，分别对应非目标和目标。
• channels: 通道名称列表。
• sampling_rate: 采样率，如250Hz。
• events: 一个包含事件类型和位置的详细列表。

加载数据时，我强烈建议使用工具包自带的加载函数（如果提供），并立即检查数据的维度和基本统计信息（如最大值、最小值、均值），以快速发现数据异常（如某些通道信号丢失、幅值饱和等）。这一步的稳健性，直接决定了后续所有分析的可靠性。

# 示例：使用scipy加载.mat文件并初步探查 import scipy.io as sio import numpy as np mat_data = sio.loadmat('P300_Data.mat') eeg_data = mat_data['data'] # 假设数据存储在‘data’变量中 labels = mat_data['labels'].flatten() # 展平成一维数组 fs = mat_data['sampling_rate'][0][0] # 采样率 print(f"数据形状: {eeg_data.shape}") # 例如 (64, 384, 2160) print(f"标签分布 - 非目标: {sum(labels==0)}, 目标: {sum(labels==1)}") print(f"采样率: {fs} Hz")

3. 脑电信号预处理流水线：从原始噪声到干净波形

原始脑电信号堪比一锅被严重干扰的“生物电火锅”，里面混着工频干扰、眼电、肌电、心电、基线漂移等各种“杂质”。预处理的目的，就是把这锅火锅里的“菜”（P300信号）尽可能干净地捞出来。这个工具包的预处理模块，通常会遵循一个标准流程。

3.1 带通滤波：划定信号的“势力范围”

P300是一个事件相关电位，其能量主要分布在较低的频率段。通常，一个0.1Hz - 20Hz的带通滤波器是标准配置。

• 高通滤波（0.1Hz或0.5Hz）：目的是去除缓慢的基线漂移。这种漂移可能来自皮肤电反应、出汗或电极移动，其频率低于0.5Hz。使用过低的截止频率（如0.01Hz）可能会引入边界效应，我通常从0.1Hz开始尝试。
• 低通滤波（20Hz或30Hz）：目的是滤除高频噪声，如肌电（通常>30Hz）和未完全去除的工频谐波。P300的主要成分在10Hz以下，保留到20Hz已经足够。过高的截止频率会引入更多无关噪声。

滤波器的选择上，我偏好使用零相位偏移的FIR滤波器（如scipy.signal.filtfilt）。虽然IIR滤波器阶数低、效率高，但可能存在相位失真，这对于需要精确测量潜伏期（P300的300ms）的研究是致命的。FIR滤波器配合filtfilt函数，可以实现零相位延迟，代价是计算量稍大和对数据两端的截断。

from scipy.signal import butter, filtfilt def bandpass_filter(data, lowcut, highcut, fs, order=4): """ 对数据进行零相位带通滤波。 data: 形状为 [通道, 时间点] 或 [通道, 时间点, 试验] 的EEG数据 """ nyquist = 0.5 * fs low = lowcut / nyquist high = highcut / nyquist b, a = butter(order, [low, high], btype='band') # 注意：filtfilt要求数据在滤波维度上长度大于滤波器阶数的3倍 filtered_data = filtfilt(b, a, data, axis=1) # 假设时间点在axis=1 return filtered_data # 应用滤波 eeg_filtered = bandpass_filter(eeg_data, 0.1, 20, fs)

3.2 重参考与坏道处理：构建公平的“竞技场”

脑电信号是相对的，需要一个参考点。原始数据可能是以某个电极（如Cz）或平均耳垂作为参考。平均参考是ERP分析中常用的方法，它假设所有电极电位的平均值为零。这有助于减少参考电极位置带来的偏差。计算平均参考时，需要排除明显的坏道，否则会污染所有通道。

坏道（噪声过大、信号丢失的通道）的检测和处理是预处理中的脏活累活，但至关重要。我常用的自动检测方法包括：

1. 幅值异常：计算每个通道在所有时间点上的幅值标准差或峰峰值，将超过全局中位数3-5个标准差的通道标记为坏道。
2. 相关性过低：计算每个通道与所有其他通道平均信号的相关性。一个正常工作的通道应该与其他通道有适度的相关性。完全无关的通道可能是坏的。
3. 频谱异常：检查每个通道在50Hz（工频）处的功率是否异常高。

对于坏道，通常有两种策略：插值（使用周围通道的数据进行空间插值重建）或直接剔除。在通道数较多（如64导以上）且坏道不多（<5%）时，插值是可行的。工具包中可能会用到球面样条插值等方法。

3.3 伪迹去除：重点打击眼电与心电

即使经过滤波，眼动（EOG）和心电（ECG）伪迹仍然可能以高幅值、特定形态残留，严重干扰P300的识别。独立成分分析（ICA）是目前最有效的盲源分离方法之一。它假设脑电信号是多个统计独立的源信号（包括神经源和伪迹源）的线性混合，ICA可以尝试将这些源分解开。

操作流程通常是：

1. 对滤波后的数据进行ICA分解（常用算法如Infomax或FastICA）。
2. 观察分解得到的独立成分（ICs）的时空特征：
   • 空间拓扑图：眼电伪迹的成分，其拓扑图权重通常在眼部电极（Fp1, Fp2）附近有极值。
   • 时间序列：眼电伪迹呈现在刺激发生时同步出现的高幅值尖峰。
   • 功率谱：眼电伪迹在低频（<5Hz）有较高能量。
3. 手动或通过算法（如ICLabel）识别并标记属于眼电、心电的伪迹成分。
4. 将这些伪迹成分从混合矩阵中剔除，然后重构信号。

实操心得：ICA非常消耗计算资源，且对数据质量敏感。我通常会在滤波、去坏道之后，在数据上运行ICA。一个重要的经验是，不要过度剔除成分。有时一些看似像伪迹的成分可能包含了有价值的脑电信息。当目标成分（P300）的信噪比极低时，保守一点可能更好。另外，确保用于ICA的数据已经去除了极端的噪声段，否则会影响分解效果。

4. 特征提取与降维：捕捉P300的“指纹”

经过预处理的脑电片段（Epoch）是时间序列。直接扔给分类器（尤其是传统机器学习模型）效果往往不好，因为维度太高（通道数×时间点），且存在大量冗余。特征提取的目的，就是从这些高维数据中抽取出最能区分目标与非目标刺激的、低维的、信息丰富的表示。

4.1 时域特征：最直观的刻画

对于P300这种时间锁定的电位，时域特征是最直接相关的。

• 平均幅值：在P300出现的潜伏期窗口内（例如刺激后250-500ms），计算每个通道的平均电压。这是最常用的特征。
• 峰值幅值与潜伏期：在指定窗口内寻找最大正峰值及其出现的时间点。但P300有时不是一个尖锐的峰，而是一个平台，此时峰值不稳定。
• 区域面积：计算潜伏期窗口内信号曲线下的面积（积分）。
• 波形形态描述符：如偏度、峰度，描述波形的对称性和尖锐程度。

通常，我们会为每个通道在P300窗口内提取多个时域特征，然后将所有通道的特征拼接成一个长向量。假设有64个通道，每个通道提取3个特征，就会得到一个192维的特征向量。

4.2 空间滤波：提升信噪比的“神器”

单通道分析忽略了脑电信号固有的空间分布特性。空间滤波通过线性组合多个通道的信号，旨在增强与任务相关的脑活动，同时抑制无关噪声和伪迹。在P300研究中，xDAWN和空间协方差矩阵+黎曼几何方法是近年来的热点。

xDAWN算法旨在设计一系列空间滤波器，使得滤波后的信号中，目标刺激诱发的响应（信号）与非目标刺激或噪声的方差比最大化。它本质上是一种有监督的空间滤波，效果通常比简单的通道选择好得多。工具包中如果集成了xDAWN，那将是一个巨大的亮点。使用xDAWN后，我们通常只取前几个滤波成分（对应最大的特征值）作为新的“虚拟通道”，在这些通道上再提取时域特征，特征维度和信噪比都能得到优化。

# 示例：使用PyRiemann库实现xDAWN（假设已安装） from pyriemann.spatialfilters import Xdawn from sklearn.model_selection import train_test_split # 假设 epochs_data 形状为 [试验数, 通道数, 时间点]， labels 为试验标签 epochs_train, epochs_test, y_train, y_test = train_test_split(epochs_data, labels, test_size=0.2) # 初始化xDAWN，通常为每个类（目标、非目标）提取2-4个滤波器 xd = Xdawn(nfilter=4) # 为每个条件生成4个空间滤波器 xd.fit(epochs_train, y_train) # 应用滤波器转换数据 epochs_train_xd = xd.transform(epochs_train) epochs_test_xd = xd.transform(epochs_test) # 此时 epochs_train_xd 形状可能是 [试验数, n_filter*2, 时间点] # 我们可以对前几个成分（如第一个目标相关成分）提取时域特征

4.3 降维与特征选择：避免“维度灾难”

即使提取了特征，维度可能仍然很高。我们需要降维来去除冗余、减少过拟合风险。常用的方法包括：

• 主成分分析（PCA）：无监督的线性降维，寻找最大方差方向。适用于去除特征间的线性相关性。
• 线性判别分析（LDA）：有监督的降维，寻找能最大化类间距离、最小化类内距离的方向。对于二分类的P300问题，LDA可以直接将特征投影到一条一维直线上，本身就是一个分类器。

在实际操作中，我常采用“xDAWN + 时域特征 + LDA”的管道。xDAWN负责空间增强，时域特征负责时间刻画，LDA负责最终的降维和分类。这个组合在经典P300数据集上往往能取得非常稳定且可解释的结果。

5. 分类模型与在线模拟：将信号转化为字符

特征准备好后，就进入了机器学习的主场。目标很简单：构建一个分类器，输入是一个刺激片段对应的特征向量，输出是“目标”或“非目标”的概率。

5.1 分类器选型：从经典到现代

• 线性判别分析（LDA）：P300 BCI的“常青树”。它简单、快速、对高维小样本数据相对稳健，且能输出有概率意义的分数。在特征经过良好设计（如xDAWN滤波后）的情况下，LDA的性能常常不输甚至优于更复杂的模型。它是绝大多数P300工具包的首选基线模型。
• 支持向量机（SVM）：特别是线性核SVM，与LDA类似，但通过最大化间隔可能获得更好的泛化能力。对于非线性可分的数据，可以尝试RBF核，但要小心过拟合。
• 正则化逻辑回归：另一种优秀的线性分类器，输出直接是概率，易于解释。
• 卷积神经网络（CNN）：近年来，端到端的CNN在脑电解码中表现出色。它可以直接输入原始的、或简单预处理后的多通道时间序列（Epoch），自动学习时空特征。网络结构通常包含一维卷积层（捕捉时间模式）、空间卷积或池化层（捕捉空间模式）、以及全连接分类层。虽然性能可能更优，但需要更多的数据和计算资源，且可解释性较差。

对于“EEG-P300Speller-Toolkit-master”这类工具包，其核心价值在于提供一个完整、可复现的基线系统。因此，LDA或线性SVM的实现应该是其标配。代码中会包含模型训练、交叉验证、性能评估（准确率、AUC等）的完整流程。

5.2 在线模拟与拼写决策：集成与投票

单次闪烁的分类结果是不可靠的。P300拼写器的核心智慧在于集成。对于同一个目标字符，其所在的行和列会分别闪烁多次（例如15次）。系统会收集该行（或该列）所有闪烁对应的脑电片段，分类器对每个片段做出预测（是目标的可能性），然后对这些预测结果进行积分或投票。

最常见的策略是：

1. 对行和列分别处理：为行分类和列分类训练两个独立的分类器（或者使用同一个分类器，但特征提取时考虑不同的通道/时间窗口优化）。
2. 累积得分：对于当前要拼写的字符，初始化一个6x6的得分矩阵为零。每次某一行闪烁后，分类器给出一个“目标性”得分（如LDA输出的判别值或概率），将该得分加到该行的所有6个单元格上。同样，每一列闪烁后，将得分加到该列的6个单元格上。
3. 决策：在经过预定次数的闪烁（如10次）后，得分矩阵中累积分数最高的那个单元格，对应的字符就被判定为用户的意图字符。

这个过程模拟了在线系统的决策逻辑。工具包中应该包含一个decision_function或predict_proba方法来获取分类器的连续输出，以及一个integrate_and_decide函数来实现上述积分投票逻辑。调试这个环节时，关键参数是累积次数。次数太少，信噪比不足，准确率低；次数太多，拼写速度慢，用户体验差。需要在准确率和速度之间寻找平衡点，这也是BCI系统评价的核心指标之一——信息传输率（ITR）。

6. 性能评估与调优实战：避开那些常见的“坑”

构建好管道后，我们需要用严谨的方法评估其性能，并针对性地调优。这里充满了实践出真知的细节。

6.1 评估策略：交叉验证与模拟在线

绝对不能在测试集上训练，也绝对不能用最终测试集反复调参。标准的做法是：

1. 被试内（Within-subject）分析：将单个被试的数据分成训练集和测试集。由于脑电信号的时变性，推荐使用按时间块（Block）的分层交叉验证。例如，一个实验有10个Block的数据，采用5折交叉验证，确保每个折的训练集和测试集来自不同的时间块，这能更好地评估模型对信号时变的鲁棒性。
2. 性能指标：
   • 字符级准确率：最终拼写正确的字符数占总字符数的比例。这是最核心的指标。
   • 比特率（Bit Rate）或信息传输率（ITR）：综合考虑了准确率和选择速度（每个字符所需时间），是衡量BCI系统效率的国际通用指标。ITR越高，系统性能越好。
   • 单次闪烁的分类准确率/ AUC：反映底层分类器区分单次目标/非目标刺激的能力。

工具包应提供计算这些指标的函数。在评估时，我习惯同时查看字符级准确率和单次闪烁的AUC，前者反映系统整体性能，后者帮助诊断特征提取和分类环节的问题。

6.2 参数调优：网格搜索与关键节点

整个处理流水线有许多可调参数，盲目调整效率低下。需要聚焦关键节点：

1. 滤波带宽：尝试不同的高通（0.1, 0.5 Hz）和低通（15, 20, 30 Hz）截止频率。有时稍微收紧带宽（如1-12 Hz）对去除肌电噪声有奇效。
2. 时间窗口：P300的潜伏期和持续时间因人而异，甚至因实验条件而异。不要死守250-500ms。可以尝试从刺激后150ms开始，到600ms甚至800ms结束。使用滑动窗口或多种窗口长度进行特征提取，让模型去选择。
3. 通道选择：并非所有64或128个通道都对P300有用。P300在顶叶-中央区（如Pz, Cz, P3, P4）最显著。可以基于先验知识选择这些通道，或者使用特征重要性排序（如LDA的权重绝对值）进行自动选择。
4. 空间滤波器数量：在使用xDAWN时，保留多少个滤波成分？通常保留前2-4个目标相关的成分就足够了。可以通过观察特征值下降曲线或使用交叉验证来确定。
5. 分类器正则化参数：LDA或逻辑回归中的正则化系数（如shrinkage参数），SVM中的C参数，都需要通过交叉验证在验证集上优化。

一个实用的技巧是使用scikit-learn的Pipeline和GridSearchCV，将预处理、特征提取、分类的所有步骤封装起来，自动化地进行参数搜索。这能确保调参过程不会数据泄露。

6.3 常见问题与调试心得

1. 准确率始终在50%左右（随机水平）：

   • 检查事件标记：首先确认labels向量是否正确对应了目标和非目标事件。这是最容易出错的一步。
   • 检查数据极性：有些采集系统记录的数据是反向的。可以绘制几个平均的Target和Non-target ERP波形图，看看Target在300ms左右是否有一个正向的偏转。如果没有，甚至是个负向波，可能需要将数据整体乘以-1。
   • 检查参考电极：不恰当的参考（如坏道作为参考）会污染所有数据。

2. 过拟合严重（训练集准确率高，测试集低）：

   • 增加正则化：提高LDA的shrinkage参数或SVM的C参数的倒数。
   • 简化特征：减少通道数、缩短时间窗口、减少xDAWN滤波成分。
   • 增加数据量：P300分类需要大量的试次，每个目标字符至少需要数十次重复闪烁的数据。如果数据量太少，复杂模型（如深度学习）必然过拟合。

3. 模型在不同被试或不同session间表现差异巨大：

   • 这是BCI的“阿喀琉斯之踵”——个体差异和日间差异。解决方案包括：
   • 被试特异性校准：每个被试都单独训练模型。这是目前的主流。
   • 迁移学习：利用其他被试的数据来帮助新被试建立模型，减少校准时间。这是前沿研究方向，工具包中可能不包含。
   • 自适应（Adaptive）算法：在线使用时，模型根据新收到的数据不断微调自己。

7. 从工具包到实际系统：工程化思考

“EEG-P300Speller-Toolkit-master”提供了一个优秀的算法原型。但要将其变成一个可供患者使用的、稳定的系统，还有很长的工程化道路要走。

7.1 实时处理流水线设计

在线系统要求处理必须在下一个刺激到来前完成（通常有100-300ms的窗口）。这意味着所有步骤都必须高效：

• 预处理：滤波操作可以使用因果滤波器（有相位延迟）或更优的，使用预先计算好的滤波器系数进行在线卷积。ICA在在线系统中很难应用，通常用回归法或自适应滤波器来去除眼电。
• 特征提取：提取固定时间窗口的特征，计算必须优化。
• 分类与积分：训练好的模型预测速度很快，积分投票逻辑也应是轻量级的。

整个流水线需要用多线程或生产者-消费者模型设计，确保数据采集、处理和显示模块不会相互阻塞。

7.2 用户界面与交互优化

拼写界面不仅仅是6x6的矩阵。需要考虑：

• 闪烁范式：行列闪烁（RC）是最经典的，但也有单字符闪烁、区域闪烁等变体，旨在提高信噪比或速度。
• 视觉反馈：当系统积分确定一个字符后，应有明确的视觉反馈（如字符高亮）。这能给用户正反馈，形成学习效应。
• 纠错机制：必须提供退格、删除或“取消选择”的功能。可以设计一个基于脑电信号的“确认”命令（例如，让用户执行一个特定的心理任务来确认选择）。
• 速度与准确率权衡：允许用户或护理人员设置“信心阈值”或“最小重复次数”，在速度和准确率间进行个性化调节。

7.3 硬件与数据采集考量

工具包通常处理的是离线数据。在线系统需要与脑电放大器、刺激呈现电脑进行稳定的时间同步。刺激呈现与脑电标记的毫秒级同步是在线BCI成败的关键。任何延迟或抖动都会导致ERP时间锁定错误，严重降低性能。通常需要通过专用的硬件触发端口或高精度的软件时钟（如PsychoPy, Presentation）来实现。

最后，我想说的是，P300 Speller是一个将神经科学、信号处理和机器学习紧密结合的完美范例。这个工具包是一个起点，而不是终点。通过深入剖析它的每一行代码、每一个参数，你不仅能掌握一套处理脑电信号的标准方法，更能理解一个完整BCI系统的设计哲学。在实际项目中，你可能需要根据具体的硬件、用户群体和需求，对这个流水线进行裁剪、优化甚至重构。但万变不离其宗，对信号本质的理解和对问题拆解的能力，才是从“会用工具包”到“能解决真问题”的关键跨越。我自己的经验是，多动手复现，多尝试改变参数看结果如何变化，多思考“为什么这一步要这样做”，远比机械地跑通代码收获更大。毕竟，我们最终的目标不是玩转一个工具包，而是让技术真正服务于人。

本文还有配套的精品资源，点击获取