基于P300脑电和迁移学习的意识障碍患者辅助诊断系统

基于p300脑电和迁移学习的意识障碍患者辅助诊断系统
技术领域
1.本发明涉及深度学习和生物医学的技术领域，尤其是指一种基于p300脑电和迁移学习的意识障碍患者辅助诊断系统。


背景技术：

2.意识障碍是严重脑损伤的后遗症，其特征是意识缺失和认知障碍，包括昏迷、植物人状态、最低意识状态和闭锁综合征。不同意识障碍状态的患者意识水平不同，而意识水平的准确检测是诊断和治疗意识障碍患者的关键。目前并没有临床工具能够诊断患者能否清醒，也无法判断患者可能恢复到何种程度。临床上对于意识障碍患者状态的检测还局限于医生的经验以及量表检测(如crs-r昏迷恢复量表等)，具有很强的主观性，从而造成了较高的误诊率。在最近几年的研究中，p300脑机接口可以不依赖于病人的行为反应，利用病人的p300脑信号直接检测意识，具有巨大的优势。但是意识障碍患者的意识水平较弱，所以无法像正常人一样很好的使用脑机接口系统。因此如何设计p300诱发与解码系统成为意识障碍患者p300辅助诊断系统的关键。
3.目前的意识障碍患者p300辅助诊断系统分为两类：1、基于统计特征和分类器的系统：使用传统的特征提取技术(如独立成分分析、xdawn空间滤波器等)提取p300脑电特征，利用支持向量机、贝叶斯网络等方法对p300脑电建模并预测。2、基于深度学习的系统：利用卷积神经网络等深度学习方法自动提取p300脑电的时空特征并预测。总体而言，现有的基于p300脑电的意识障碍患者辅助诊断系统都需要大量的有标签数据训练模型。同时，由于个体差异，即不同用户对相同刺激的神经反应不同，因此，现有的系统在运用于新被试时需要重新校准模型，非常不方便。


技术实现要素：

4.本发明的目的在于克服现有技术的缺点与不足，提出了一种基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，突破传统p300辅助诊断系统的校准局限性与数据局限性，使用迁移学习的方法充分利用大量的健康被试数据，降低系统的数据依赖与校准难度。
5.为实现上述目的，本发明所提供的技术方案为：基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，包括：
6.p300诱发与采集模块，用于诱发并采集患者p300脑电数据，并对数据进行预处理；
7.源域选择模块，用于计算相似性指标，并筛选出与意识障碍患者数据更相似的健康被试数据作为源域，其中意识障碍患者数据为目标域数据；
8.辅助诊断训练模块，使用源域数据训练源域特征提取器与源域标签判别器，利用目标域数据与源域数据对抗迁移，调整源域特征提取器使其在目标域提取的特征既能与源域所提取的特征处于同一特征空间；
9.辅助诊断预测模块，用于依据意识障碍患者数据进行患者辅助诊断，并提供患者的意识水平与康复预测。
10.进一步，所述p300诱发与采集模块包括p300诱发模块、数据加载模块和数据预处理模块，其中：
11.所述p300诱发模块利用视觉、听觉诱发p300信号，并使用脑电采集设备采集后进行放大、滤波；
12.所述数据加载模块既能从本地读取脑电数据，包括mat、cnt、eeg格式，又能在线接收p300诱发模块传输的脑电数据；
13.所述数据预处理模块用于剔除脑电信号中噪声影响，并对脑电信号进行下采样，以降低数据量与计算复杂度，同时将脑电信号分割成若干时间窗口以提取p300信号。
14.进一步，所述源域选择模块执行以下操作：
15.a、基于时空卷积神经网络计算健康被试样本与目标域样本的概率分布：
16.根据健康被试样本数据训练基于时空卷积神经网络的源域特征提取器es与基于全连接网络的源域标签判别器cs：
17.f
(v)
＝es(mv,θs)
18.式中，mv是一个n
×
t的矩阵，代表健康被试v的样本，v＝{1,2,..,w}，w为健康被试总数，n为脑电数据预处理后的采样频率，t为脑电数据的通道数，θs为源域特征提取器的参数，f
(v)
为健康被试v经过源域特征提取器提取的特征，源域特征提取器由5层的时空卷积神经网络组成，第一层为输入层，第二层为空间卷积层，卷积核大小为t，即脑电数据的通道数，第三层为时间卷积层，卷积核大小为4，第四层为池化层，过滤器大小为(2,1)，激活函数均为tanh，第五层为扁平化层，将输入数据从多维数组压缩成一维数组；
19.l
(v)
＝cs(f
(v)
,θs)
20.式中，θs为源域标签判别器的参数，l
(v)
为健康被试v经过源域标签判别器p300检测的结果，源域标签判别器由4层的全连接神经网络组成，激活函数为softmax；
21.使用源域特征提取器es与源域标签判别器cs计算源域和目标域中每个样本的概率分布为cs(es(mv,θs),θs)；
22.b、基于wasserstein距离计算源域与目标域的样本相似度：
23.根据公式cs(es(mv,θs),θs)计算源域的概率分布为ps，目标域概率分布为p
t
；则源域各个健康被试与目标域的wasserstein距离表示为：
[0024][0025]
式中，表示健康被试v的概率分布，表示健康被试v与目标域的wasserstein距离，表示健康被试v与目标域的联合概率分布，γ表示其中任意一个可能的联合分布，(x,y)表示从γ采样得到一个样本x和y，其中x为源域分布的采样，y为目标域分布的采样，表示x和y之间欧几里得距离的期望值；
[0026]
最后，挑选wasserstein距离最小的一些健康被试作为源域。
[0027]
进一步，所述辅助诊断训练模块执行以下操作：
[0028]
1)初始化目标域特征提取器e
t
与源域特征提取器es参数相同；
[0029]
2)为了更好的学习源域与目标域的差异，从而提高模型的泛化能力和性能，在训练特征提取器与标签判别器的同时训练域判别器d，通过最小化分类损失函数来提高性能；
利用域判别器d得到样本来自目标域的概率，作为一个权重因子，从而调整特征提取器的训练方向：
[0030]
h＝d(f,θd),f＝fs∪f
t
[0031]
式中，θd为域判别器d的参数，fs为源域特征提取器es提取源域特征，f
t
为目标域特征提取器e
t
提取目标域特征，f为fs与f
t
并集，h为域判别器判别结果，域判别器d由3层的全连接神经网络组成，激活函数为logsoftmax；
[0032]
通过最小化域对齐损失优化目标域特征提取器e
t
，使得源域和目标域的特征分布更加相似，从而提高模型在目标域上的泛化能力，域对齐损失函数的表达式为：
[0033][0034]
式中，为源域与目标域的域对齐损失，n
t
是目标域数据的数量，是第i个源域样本，是第i个目标域样本；
[0035]
所以，目标域特征提取器e
t
的总损失为：
[0036]
使用梯度下降降低目标域特征提取器e
t
的总损失，与反向传播训练目标域特征提取器e
t
，使得源域标签判别器的输出能够准确地预测目标域数据的标签；
[0037]
3)调整域判别器d的参数，提高域判别器d的性能：
[0038]
其损失函数的表达式为：
[0039][0040]
式中，ms(x)和m
t
(x)分别表示源域数据和目标域数据，表示域判别器d对目标域数据判别为目标域概率的对数运算的期望，x
t
为对目标域数据的采样，为域判别器d对源域数据判别为目源域概率的对数运算的期望，xs为对源域数据的采样；
[0041]
使用梯度下降与反向传播训练域判别器d，最小化域判别器d在目标域上的分类误差，同时最大化在源域和目标域上的标签判别器的差异性，从而达到域适应的目的；
[0042]
4)通过反复迭代上述步骤2)和3)，以逐步提高特征对齐的效果，最终得到最优的目标域特征提取器e
t
与源域标签判别器cs。
[0043]
进一步，所述辅助诊断预测模块执行以下操作：
[0044]
1)使用p300诱发与采集模块中的p300诱发模块诱发p300脑电并进行放大、滤波，使用数据加载模块在线接收p300诱发模块，使用数据预处理模块处理p300数据；
[0045]
2)经过步骤1)处理后的p300数据输入源域选择模块用于选择合适的健康被试数据作为源域；
[0046]
3)经过步骤1)处理的p300数据与步骤2)选择的健康被试数据输入辅助诊断训练模块，迭代训练域判别器与目标域特征提取器，使目标域特征能够生成与源域特征表示相似的特征表示，通过最小化总损失反向传播调整网络参数得到最优的模型，使用训练好的目标域特征提取器与源域标签判别器检测意识障碍患者p300信号，根据p300的检测准确率与临床评估得到患者的辅助诊断结果、意识水平与康复预测。
[0047]
本发明与现有技术相比，具有如下优点与有益效果：
[0048]
1、相对于传统的临床量表方法，利用p300脑电检测意识障碍患者的意识水平，能直接、客观的反映患者的意识水平，且对使用者的要求更低，基本不需要长时间的培训与临床经验。
[0049]
2、在源域选择模块与辅助诊断训练模块中使用用健康被试p300脑电数据作为源域训练模型，降低了意识障碍患者辅助诊断系统的数据依赖，能够充分利用大量有效的健康被试的p300数据。
[0050]
3、在辅助诊断训练模块中使用迁移学习的方法迁移模型，使模型在源域与目标域提取的特征处于同一特征空间，解决了系统的校准问题。
附图说明
[0051]
图1为本发明系统各个模块的关系示意图。
[0052]
图2为本发明系统训练和预测的流程图。
[0053]
图3为本发明系统所使用p300诱发范式的示意图，图中，instructions为说明阶段，即注意数字6并计算它的重复次数，stimulations为刺激阶段，每个数字按钮闪烁10次，feedback为反馈阶段，rest为休息阶段。
[0054]
图4为本发明系统所使用特征提取器的结构示意图，图中，spatial convolution layer为空间卷积层，temporal convolution layer为时间卷积层，feature pooling layer为池化层，flatten为扁平化层。
[0055]
图5为本发明系统所使用迁移方法的结构示意图。
具体实施方式
[0056]
下面结合具体实施例对本发明作进一步说明。
[0057]
本实施例公开了一种基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，是使用python语言开发的可在windows设备上运行的意识障碍患者辅助诊断系统，系统各模块间关系如图1所示，系统训练和预测的流程如图2所示。
[0058]
它包括有：
[0059]
p300诱发与采集模块，用于诱发并采集患者p300脑电数据，并对数据进行预处理；
[0060]
源域选择模块，用于计算相似性指标，并筛选出与意识障碍患者(目标域)数据更相似的健康被试数据作为源域；
[0061]
辅助诊断训练模块，使用源域数据训练源域特征提取器与源域标签判别器，利用目标域数据与源域数据对抗迁移，调整源域特征提取器使其在目标域提取的特征既能与源域所提取的特征处于同一特征空间；
[0062]
辅助诊断预测模块，用于依据意识障碍患者数据进行患者辅助诊断，并提供患者的意识水平与康复预测。
[0063]
具体地，所述p300诱发与采集模块包括p300诱发模块、数据加载模块、数据预处理模块，其中：
[0064]
所述p300诱发模块，其诱发范式如图3所示，通过两个数字按钮的闪烁与扬声器给出语音反馈诱发p300信号，并使用脑电采集设备采集并进行放大、滤波；
[0065]
所述数据加载模块既能从本地读取脑电数据，包括mat、cnt、eeg格式，又能在线接收p300诱发模块传输的脑电数据；
[0066]
所述数据预处理模块用于剔除脑电信号中噪声影响，并对脑电信号进行下采样，以降低数据量与计算复杂度，同时将脑电信号分割成若干时间窗口以提取p300信号。
[0067]
具体地，所述源域选择模块执行以下操作：
[0068]
a、基于时空卷积神经网络计算健康被试样本与目标域样本的概率分布：
[0069]
根据健康被试样本数据训练基于时空卷积神经网络的源域特征提取器es，如图4所示，基于全连接网络的源域标签判别器cs：
[0070]f(v)
＝es(mv,θs)
[0071]
其中，mv是一个n
×
t的矩阵，代表健康被试v的样本，v＝{1,2,..,w}，w为健康被试总数，n为脑电数据预处理后的采样频率，t为脑电数据的通道数，θs为源域特征提取器的参数，f
(v)
为健康被试v经过源域特征提取器提取的特征，源域特征提取器由5层的时空卷积神经网络组成，第一层为输入层，第二层为空间卷积层，卷积核大小为t，即脑电数据的通道数，第三层为时间卷积层，卷积核大小为4，第四层为池化层，过滤器大小为(2,1)，激活函数均为tanh，第五层为扁平化层，将输入数据从多维数组压缩成一维数组；
[0072]
l
(v)
＝cs(f
(v)
,θs)
[0073]
其中，θs为源域标签判别器的参数，l
(v)
为健康被试v经过源域标签判别器p300检测的结果，源域标签判别器由4层的全连接神经网络组成，激活函数为softmax；
[0074]
使用源域特征提取器es与源域标签判别器cs计算源域和目标域中每个样本的概率分布为cs(es(mv,θs),θs)；
[0075]
b、基于wasserstein距离计算源域与目标域的样本相似度：
[0076]
根据公式cs(es(mv,θs),θs)计算源域的概率分布为ps，目标域概率分布为p
t
；则源域各个健康被试与目标域的wasserstein距离可以表示为：
[0077][0078]
其中，表示健康被试v的概率分布，表示健康被试v与目标域的wasserstein距离，表示健康被试v与目标域的联合概率分布，γ表示其中任意一个可能的联合分布，(x,y)表示从γ采样得到一个样本x和y，其中x为源域分布的采样，y为目标域分布的采样，表示x和y之间欧几里得距离的期望值。
[0079]
最后，挑选wasserstein距离最小的一些健康被试作为源域。
[0080]
具体地，如图5所示，所述辅助诊断训练模块通过域判别器d对源域特征提取器es提取的源域特征与目标域特征特征提取器e
t
提取的特征的判别结果调整目标域特征特征提取器e
t
与域判别器d，从而使得特征表示具有更好的域不变性，目标域特征提取器e
t
提取的特征更加接近源域，具体执行以下操作：
[0081]
1)初始化目标域特征提取器e
t
与源域特征提取器es参数相同；
[0082]
2)为了更好的学习源域与目标域的差异，从而提高模型的泛化能力和性能，在训练特征提取器与标签判别器的同时训练域判别器d，通过最小化分类损失函数来提高性能；利用域判别器d得到样本来自目标域的概率，作为一个权重因子，从而调整特征提取器的训
练方向：
[0083]
h＝d(f,θd),f＝fs∩f
t
[0084]
其中，θd为域判别器d的参数，fs为源域特征提取器es提取源域特征，f
t
为目标域特征提取器e
t
提取目标域特征，f为fs与f
t
并集，h为域判别器判别结果，域判别器d由3层的全连接神经网络组成，激活函数为logsoftmax；
[0085]
通过最小化域对齐损失优化目标域特征提取器e
t
，使得源域和目标域的特征分布更加相似，从而提高模型在目标域上的泛化能力，域对齐损失函数的表达式为：
[0086][0087]
其中，为源域与目标域的域对齐损失，n
t
是目标域数据的数量，是第i个源域样本，是第i个目标域样本；
[0088]
所以，目标域特征提取器e
t
的总损失为：
[0089]
使用梯度下降降低目标域特征提取器e
t
的总损失，反向传播训练目标域特征提取器e
t
，使得源域标签判别器的输出能够准确地预测目标域数据的标签；
[0090]
3)调整域判别器d的参数，提高域判别器d的性能：
[0091]
其损失函数的表达式为：
[0092][0093]
式中，ms(x)和m
t
(x)分别表示源域数据和目标域数据，表示域判别器d对目标域数据判别为目标域概率的对数运算的期望，x
t
为对目标域数据的采样，为域判别器d对源域数据判别为目源域概率的对数运算的期望，xs为对源域数据的采样；
[0094]
使用梯度下降与反向传播训练域判别器d，最小化域判别器d在目标域上的分类误差，同时最大化在源域和目标域上的标签判别器的差异性，从而达到域适应的目的；
[0095]
4)通过反复迭代上述步骤2)和3)，以逐步提高特征对齐的效果，最终得到最优的目标域特征提取器e
t
与源域标签判别器cs。
[0096]
具体地，所述辅助诊断预测模执行以下操作：
[0097]
1)使用p300诱发与采集模块中的p300诱发模块诱发p300脑电并进行放大、滤波，使用数据加载模块在线接收p300诱发模块，使用数据预处理模块处理p300数据；
[0098]
2)经过步骤1)处理后的p300数据输入源域选择模块用于选择合适的健康被试数据作为源域；
[0099]
3)经过步骤1)处理的p300数据与步骤2)选择的健康被试数据输入辅助诊断训练模块，迭代训练域判别器与目标域特征提取器，使目标域特征能够生成与源域特征表示相似的特征表示，通过最小化总损失反向传播调整网络参数得到最优的模型，使用训练好的目标域特征提取器与源域标签判别器得到意识障碍患者辅助诊断结果、意识水平与康复预测。
[0100]
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故
凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

技术特征：
1.基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，其特征在于，包括：p300诱发与采集模块，用于诱发并采集患者p300脑电数据，并对数据进行预处理；源域选择模块，用于计算相似性指标，并筛选出与意识障碍患者数据更相似的健康被试数据作为源域，其中意识障碍患者数据为目标域数据；辅助诊断训练模块，使用源域数据训练源域特征提取器与源域标签判别器，利用目标域数据与源域数据对抗迁移，调整源域特征提取器使其在目标域提取的特征既能与源域所提取的特征处于同一特征空间；辅助诊断预测模块，用于依据意识障碍患者数据进行患者辅助诊断，并提供患者的意识水平与康复预测。2.根据权利要求1所述的基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，其特征在于，所述p300诱发与采集模块包括p300诱发模块、数据加载模块和数据预处理模块，其中：所述p300诱发模块利用视觉、听觉诱发p300信号，并使用脑电采集设备采集后进行放大、滤波；所述数据加载模块既能从本地读取脑电数据，包括mat、cnt、eeg格式，又能在线接收p300诱发模块传输的脑电数据；所述数据预处理模块用于剔除脑电信号中噪声影响，并对脑电信号进行下采样，以降低数据量与计算复杂度，同时将脑电信号分割成若干时间窗口以提取p300信号。3.根据权利要求2所述的基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，其特征在于，所述源域选择模块执行以下操作：a、基于时空卷积神经网络计算健康被试样本与目标域样本的概率分布：根据健康被试样本数据训练基于时空卷积神经网络的源域特征提取器e
s
与基于全连接网络的源域标签判别器c
s
：f
(v)
＝e
s
(m
v
,θ
s
)式中，m
v
是一个n
×
t的矩阵，代表健康被试v的样本，v＝{1,2,..,w}，w为健康被试总数，n为脑电数据预处理后的采样频率，t为脑电数据的通道数，θ
s
为源域特征提取器的参数，f
(v)
为健康被试v经过源域特征提取器提取的特征，源域特征提取器由5层的时空卷积神经网络组成，第一层为输入层，第二层为空间卷积层，卷积核大小为t，即脑电数据的通道数，第三层为时间卷积层，卷积核大小为4，第四层为池化层，过滤器大小为(2,1)，激活函数均为tanh，第五层为扁平化层，将输入数据从多维数组压缩成一维数组；l
(v)
＝c
s
(f
(v)
,θ
s
)式中，θ
s
为源域标签判别器的参数，l
(v)
为健康被试v经过源域标签判别器p300检测的结果，源域标签判别器由4层的全连接神经网络组成，激活函数为softmax；使用源域特征提取器e
s
与源域标签判别器c
s
计算源域和目标域中每个样本的概率分布为c
s
(e
s
(m
v
,θ
s
),θ
s
)；b、基于wasserstein距离计算源域与目标域的样本相似度：根据公式c
s
(e
s
(m
v
,θ
s
),θ
s
)计算源域的概率分布为p
s
，目标域概率分布为p
t
；则源域各个健康被试与目标域的wasserstein距离表示为：
式中，表示健康被试v的概率分布，表示健康被试v与目标域的wasserstein距离，表示健康被试v与目标域的联合概率分布，γ表示其中任意一个可能的联合分布，(x,y)表示从γ采样得到一个样本x和y，其中x为源域分布的采样，y为目标域分布的采样，表示x和y之间欧几里得距离的期望值；最后，挑选wasserstein距离最小的一些健康被试作为源域。4.根据权利要求3所述的基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，其特征在于，所述辅助诊断训练模块执行以下操作：1)初始化目标域特征提取器e
t
与源域特征提取器e
s
参数相同；2)为了更好的学习源域与目标域的差异，从而提高模型的泛化能力和性能，在训练特征提取器与标签判别器的同时训练域判别器d，通过最小化分类损失函数来提高性能；利用域判别器d得到样本来自目标域的概率，作为一个权重因子，从而调整特征提取器的训练方向：h＝d(f,θ
d
),f＝f
s
∪f
t
式中，θ
d
为域判别器d的参数，f
s
为源域特征提取器e
s
提取源域特征，f
t
为目标域特征提取器e
t
提取目标域特征，f为f
s
与f
t
并集，h为域判别器判别结果，域判别器d由3层的全连接神经网络组成，激活函数为logsoftmax；通过最小化域对齐损失优化目标域特征提取器e
t
，使得源域和目标域的特征分布更加相似，从而提高模型在目标域上的泛化能力，域对齐损失函数的表达式为：式中，为源域与目标域的域对齐损失，n
t
是目标域数据的数量，是第i个源域样本，是第i个目标域样本；所以，目标域特征提取器e
t
的总损失为：使用梯度下降降低目标域特征提取器e
t
的总损失，与反向传播训练目标域特征提取器e
t
，使得源域标签判别器的输出能够准确地预测目标域数据的标签；3)调整域判别器d的参数，提高域判别器d的性能：其损失函数的表达式为：式中，m
s
(x)和m
t
(x)分别表示源域数据和目标域数据，表示域判别器d对目标域数据判别为目标域概率的对数运算的期望，x
t
为对目标域数据的采样，为域判别器d对源域数据判别为目源域概率的对数运算的期望，x
s
为对源域数据的采样；使用梯度下降与反向传播训练域判别器d，最小化域判别器d在目标域上的分类误差，同时最大化在源域和目标域上的标签判别器的差异性，从而达到域适应的目的；
4)通过反复迭代上述步骤2)和3)，以逐步提高特征对齐的效果，最终得到最优的目标域特征提取器e
t
与源域标签判别器c
s
。5.根据权利要求4所述的基于p300脑电和迁移学习的意识障碍患者辅助诊断系统，其特征在于，所述辅助诊断预测模块执行以下操作：1)使用p300诱发与采集模块中的p300诱发模块诱发p300脑电并进行放大、滤波，使用数据加载模块在线接收p300诱发模块，使用数据预处理模块处理p300数据；2)经过步骤1)处理后的p300数据输入源域选择模块用于选择合适的健康被试数据作为源域；3)经过步骤1)处理的p300数据与步骤2)选择的健康被试数据输入辅助诊断训练模块，迭代训练域判别器与目标域特征提取器，使目标域特征能够生成与源域特征表示相似的特征表示，通过最小化总损失反向传播调整网络参数得到最优的模型，使用训练好的目标域特征提取器与源域标签判别器检测意识障碍患者p300信号，根据p300的检测准确率与临床评估得到患者的辅助诊断结果、意识水平与康复预测。

技术总结
本发明公开了一种基于P300脑电和迁移学习的意识障碍患者辅助诊断系统，包括：P300诱发与采集模块，用于诱发并采集患者P300脑电数据，并对数据进行预处理；源域选择模块，用于计算相似性指标，并筛选出与意识障碍患者数据更相似的健康被试数据作为源域，其中意识障碍患者数据为目标域数据；辅助诊断训练模块，使用源域数据训练源域特征提取器与标签判别器，利用目标域数据与源域数据对抗迁移，调整源域特征提取器使其在目标域提取的特征既能与源域所提取的特征处于同一特征空间；辅助诊断预测模块，用于依据意识障碍患者数据进行患者辅助诊断，并提供患者的意识水平与康复预测。本发明使用迁移学习技术以及健康被试数据，解决患者数据不足与采集困难的问题。者数据不足与采集困难的问题。者数据不足与采集困难的问题。


技术研发人员：王斐 万银星 王佳杭
受保护的技术使用者：华南师范大学
技术研发日：2023.04.26
技术公布日：2023/8/1