基于均值粗粒化的脑电情感识别方法、系统和存储介质
阅读：679发布：2020-05-13
专利汇可以提供基于均值粗粒化的脑电情感识别方法、系统和存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于均值粗粒化的脑电 情感识别 方法、系统和存储介质，所述方法包括以下步骤：接收第一脑电 信号 序列；对第一脑 电信号 序列进行二次滑动均值粗粒化，得到第二脑电信号序列；计算第二脑电信号序列的样本熵值；根据样本熵值构建脑电情感 特征向量 ；将脑电情感特征向量输入分类器内进行脑电情感识别。本发明通过先对接收到的脑电信号序列进行二次滑动均值粗粒化，接着再计算二次滑动均值粗粒化后的脑电信号序列的样本熵值，然后根据样本熵值构建脑电情感特征向量，并将脑电情感特征向量输入分类器内进行脑电情感识别，从而提高对非线性和不平稳性的情感脑电信号识别的 精度 和准确率。本发明可广泛应用于情感识别技术领域。，下面是基于均值粗粒化的脑电情感识别方法、系统和存储介质专利的具体信息内容。
1.一种基于均值粗粒化的脑电情感识别方法，其特征在于：包括以下步骤：
接收第一脑电信号序列；
对第一脑电信号序列进行二次滑动均值粗粒化，得到第二脑电信号序列；
计算第二脑电信号序列的样本熵值；
根据样本熵值构建脑电情感特征向量；
将脑电情感特征向量输入分类器内进行脑电情感识别。
2.根据权利要求1所述的一种基于均值粗粒化的脑电情感识别方法，其特征在于：所述对第一脑电信号序列进行二次滑动均值粗粒化，其具体为：
对多个时间尺度上的第一脑电信号序列进行二次滑动均值粗粒化；
所述二次滑动均值粗粒化，其具体包括：
对第一脑电信号序列进行第一次滑动均值粗粒化；
对第一次滑动均值粗粒化后得到的脑电信号序列进行第二次滑动均值粗粒化。
3.根据权利要求2所述的一种基于均值粗粒化的脑电情感识别方法，其特征在于：所述计算第二脑电信号序列的样本熵值，其具体为：
采用快速样本熵算法计算多个时间尺度上的第二脑电信号序列的样本熵值。
4.根据权利要求3所述的一种基于均值粗粒化的脑电情感识别方法，其特征在于：所述根据样本熵值构建脑电情感特征向量，其具体为：
根据多个时间尺度上的样本熵值构建脑电情感特征向量。
5.根据权利要求1所述的一种基于均值粗粒化的脑电情感识别方法，其特征在于：所述将脑电情感特征向量输入分类器内进行脑电情感识别，其具体为：
将脑电情感特征向量输入随机森林分类器进行脑电情感识别。
6.根据权利要求1所述的一种基于均值粗粒化的脑电情感识别方法，其特征在于：在所述接收第一脑电信号序列这一步骤后，还包括以下步骤：
将第一脑电信号序列按照不同情感进行分类。
7.根据权利要求1-6任一项所述的一种基于均值粗粒化的脑电情感识别方法，其特征在于：所述多个时间尺度为至少五个时间尺度。
8.一种基于均值粗粒化的脑电情感识别系统，其特征在于：包括：
接收模块，用于接收第一脑电信号序列；
处理模块，用于对第一脑电信号序列进行二次滑动均值粗粒化，得到第二脑电信号序列；
计算模块，用于计算第二脑电信号序列的样本熵值；
构建模块，用于根据样本熵值构建脑电情感特征向量；
发送模块，用于将脑电情感特征向量输入分类器内进行脑电情感识别。
9.一种基于均值粗粒化的脑电情感识别系统，其特征在于：包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的一种基于均值粗粒化的脑电情感识别方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-7任一项所述的一种基于均值粗粒化的脑电情感识别方法。
基于均值粗粒化的脑电情感识别方法、系统和存储介质
技术领域
[0001] 本发明涉及情感识别技术领域，尤其是基于均值粗粒化的脑电情感识别方法、系统和存储介质。
背景技术
[0002] 情感是人类交流和决策的一个重要的途径，并且也是行为、思想和经验的强大决定因素，在大脑中有几个区域与情绪调节有关，包括腹侧前扣带皮层和腹内侧前额叶皮质，以及侧前额叶和顶叶皮质。计算机对人类情感分析过程中，使用了不同的生理信号的测量方法，如肌电图、心电图、呼吸速率、皮肤电反应和脑电图。其中，方便且非侵入式的脑电图方法可以获取更准确的脑电信号，从而为人脑动力学提供了重要情感线索。
[0003] 脑电信号的产生过程中会出现不平稳和非线性的特点，因而很难从不平稳和非线性的信号中提取有用的特征。在现在技术中，经常利用近似熵、多尺度熵处理脑电信号非线性、非平稳信号的问题，但是近似熵存在着依赖脑电序列长度和自匹配的问题，而多尺度熵则是一种用于评价不同时间尺度下时间序列复杂度的方法，虽然多尺度熵算法已经成功地应用于许多不同的领域，而且能够比单一尺度熵更能反映动力学特征与信号序列的变化，但是多尺度熵不能获得时间序列中的长期演变结构，同时每个粗粒度的时间序列的长度等于原始时间序列的除以比例因子，熵测量的方差也随着粗粒度的时间序列的长度减少，导致无法同时处理情感脑电信号的非线性和不平稳性问题，导致情感识别精度和准确率不佳。
发明内容
[0004] 为解决上述技术问题，本发明的目的在于：提供一种基于均值粗粒化的脑电情感识别方法、系统和存储介质，其能提高对非线性和不平稳性的情感脑电信号识别的精度和准确率。
[0005] 本发明实施例的第一方面提供了：
[0006] 一种基于均值粗粒化的脑电情感识别方法，其包括以下步骤：
[0007] 接收第一脑电信号序列；
[0008] 对第一脑电信号序列进行二次滑动均值粗粒化，得到第二脑电信号序列；
[0009] 计算第二脑电信号序列的样本熵值；
[0010] 根据样本熵值构建脑电情感特征向量；
[0011] 将脑电情感特征向量输入分类器内进行脑电情感识别。
[0012] 进一步地，所述对第一脑电信号序列进行二次滑动均值粗粒化，其具体为：
[0013] 对多个时间尺度上的第一脑电信号序列进行二次滑动均值粗粒化；
[0014] 所述二次滑动均值粗粒化，其具体包括：
[0015] 对第一脑电信号序列进行第一次滑动均值粗粒化；
[0016] 对第一次滑动均值粗粒化后得到的脑电信号序列进行第二次滑动均值粗粒化。
[0017] 进一步地，所述计算第二脑电信号序列的样本熵值，其具体为：
[0018] 采用快速样本熵算法计算多个时间尺度上的第二脑电信号序列的样本熵值。
[0019] 进一步地，所述根据样本熵值构建脑电情感特征向量，其具体为：
[0020] 根据多个时间尺度上的样本熵值构建脑电情感特征向量。
[0021] 进一步地，所述将脑电情感特征向量输入分类器内进行脑电情感识别，其具体为：
[0022] 将脑电情感特征向量输入随机森林分类器进行脑电情感识别。
[0023] 进一步地，在所述接收第一脑电信号序列这一步骤后，还包括以下步骤：
[0024] 将第一脑电信号序列按照不同情感进行分类。
[0025] 进一步地，所述多个时间尺度为至少五个时间尺度。
[0026] 本发明实施例的第二方面提供了：
[0027] 一种基于均值粗粒化的脑电情感识别系统，其包括：
[0028] 接收模块，用于接收第一脑电信号序列；
[0029] 处理模块，用于对第一脑电信号序列进行二次滑动均值粗粒化，得到第二脑电信号序列；
[0030] 计算模块，用于计算第二脑电信号序列的样本熵值；
[0031] 构建模块，用于根据样本熵值构建脑电情感特征向量；
[0032] 发送模块，用于将脑电情感特征向量输入分类器内进行脑电情感识别。
[0033] 本发明实施例的第三方面提供了：
[0034] 一种基于均值粗粒化的脑电情感识别系统，其包括：
[0035] 至少一个存储器，用于存储程序；
[0036] 至少一个处理器，用于加载所述程序以执行所述的一种基于均值粗粒化的脑电情感识别方法。
[0037] 本发明实施例的第四方面提供了：
[0038] 一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的一种基于均值粗粒化的脑电情感识别方法。
[0039] 本发明的有益效果是：本发明通过先对接收到的脑电信号序列进行二次滑动均值粗粒化，接着再计算二次滑动均值粗粒化后的脑电信号序列的样本熵值，然后根据样本熵值构建脑电情感特征向量，并将脑电情感特征向量输入分类器内进行脑电情感识别，从而降低不同情感的脑电信号之间存在的差异对情感识别的影响，提高对非线性和不平稳性的情感脑电信号识别的精度和准确率。附图说明
[0040] 图1为本发明一种具体实施例的基于均值粗粒化的脑电情感识别方法的流程图；
[0041] 图2为本发明一种具体实施例的二次滑动均值粗粒化的流程图；
[0042] 图3为本发明一种具体实施例的不同情感下的分类标记图；
[0043] 图4为一种具体实施例中传统多尺度样本熵值在不同情感下的变化曲线图；
[0044] 图5为本发明一种具体实施例的样本熵值在不同情感下的变化曲线图；
[0045] 图6为本发明一种具体实施例的各个脑区的通道的平均分类准确率柱状图；
[0046] 图7为一种具体实施例在16脑电通道下本发明与现有技术的情感识别平均准确率对比曲线图。
具体实施方式
[0047] 下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0048] 参照图1，本发明实施例提供了一种基于均值粗粒化的脑电情感识别方法，本实施例应用于情感识别的处理器内，所述处理器与脑电信号采集模块和脑电信号识别模块通信。
[0049] 本实施包括步骤S110-S150：
[0050] S110、接收第一脑电信号序列；所述第一脑电信号序列为脑电信号采集模块采集到的原始脑电信号，可以为16通道的脑电信号。
[0051] S120、对第一脑电信号序列进行二次滑动均值粗粒化，得到第二脑电信号序列；所述二次滑动均值粗粒化是以重叠式跳跃对不同长度的数据点求均值来创建粗粒化过程。本步骤具体是在多个时间尺度上进行二次滑动均值粗粒化。
[0052] S130、计算第二脑电信号序列的样本熵值；具体是采用快速样本熵值计算第二脑电信号序列的样本熵值。
[0053] S140、根据样本熵值构建脑电情感特征向量；具体是将步骤S130求得的至少五个样本熵值构成一个脑电特征向量。
[0054] S150、将脑电情感特征向量输入分类器内进行脑电情感识别。所述分类器可以为随机森林分类器，其为预先构建好并进过训练的情感识别模型。
[0055] 本实施例通过先对接收到的脑电信号序列进行二次滑动均值粗粒化，接着再计算二次滑动均值粗粒化后的脑电信号序列的样本熵值，然后根据样本熵值构建脑电情感特征向量，并将脑电情感特征向量输入分类器内进行脑电情感识别，从而降低不同情感的脑电信号之间存在的差异对情感识别的影响，提高对非线性和不平稳性的情感脑电信号识别的精度和准确率。
[0056] 作为优选的实施方式，所述对第一脑电信号序列进行二次滑动均值粗粒化，其具体为：
[0057] 对多个时间尺度上的第一脑电信号序列进行二次滑动均值粗粒化；其具体是以重叠式跳跃对不同长度的数据点求均值来创建粗粒化过程。
[0058] 其中，在一些具体的实施例中，所述脑电信号为16通道的脑电信号序列X＝{x1,x2,…,xN}，所述二次滑动均值粗粒化，其具体包括：
[0059] 对第一脑电信号序列进行第一次滑动均值粗粒化；具体采用公式(a1)对16通道的脑电信号进行第一次滑动均值粗粒化：
[0060]
[0061] 在公式(a1)中，yj(τ)为第一次滑动均值粗粒化粗粒后的新序列，长度为N-τ+1，τ∈N+为尺度因子。
[0062] 对第一次滑动均值粗粒化后得到的脑电信号序列进行第二次滑动均值粗粒化。在16通道的脑电信号序列经过公式(a1)处理后，在通过公式(a2)进行第二次滑动均值粗粒化处理：
[0063]
[0064] 在公式(a2)中，zk(ξ)为二次滑动均值粗粒化粗粒后的新序列，长度为1≤k≤N-τ-ξ+2，ξ∈N+为尺度因子。
[0065] 结合公式(a1)和公式(a2)得到二次滑动均值粗粒化的公式(a3)：
[0066]
[0067] 在公式(a3)中，yj,k(τ,ξ)为二次滑动均值粗粒化后的新序列，τ,ξ∈N+分别为第一尺度因子和第二尺度因子。如图2所示，当τ＝ξ＝2时的二次滑动均值粗粒化的粗粒过程，其中，原始脑电信号序列包括x1、x2、x3······xN，当第一尺度因子τ＝2时，对原始脑电信号序列进行第一次滑动均值粗粒化粗粒后得到y1、y2、y3、······yN-1，接着当第二尺度因子ξ＝2时，对第一次滑动均值粗粒化粗粒后得到的新序列进行第二滑动均值粗粒化，得到z1、z2、z3······zN-2。
[0068] 本实施例通过对原始脑电信号序列进行二滑动均值粗粒化处理，从而降低不同情感的脑电信号之间存在的差异对情感识别过程的影响，提高情感识别准确率。
[0069] 作为优选的实施方式，所述计算第二脑电信号序列的样本熵值，其具体为：
[0070] 采用快速样本熵算法计算多个时间尺度上的第二脑电信号序列的样本熵值。
[0071] 在一些具体的实施中，预设对原始的脑电信号序列进行滑动均值粗粒化后的序列为Z＝{z1,z2,z3…,zN}，序列长度为N，计算N×N二值距离矩阵D，D中的元素记为di,j，其中，i为行，j为列，di,j的计算公式为(a4)：
[0072]
[0073] 其中，i＝1,2,3,·······N，j＝1,2,3，·······N。
[0074] 根据公式(a4)的计算结果计算二维矩阵D、三维矩阵D，分别得到 和 其中 的计算公式为(a5)、 的计算公式为(a6)：
[0075]
[0076]
[0077] 最后，根据公式(a5)和(a6)，通过公式(a7)计算脑电信号序列的样本熵值：
[0078]
[0079] 公式(a7)中，SampEn为所求的脑电信号序列的样本熵值，m为匹配模式维数，r为相似容限，N为信号数据， 和 分别为匹配模式维数m和m+1在相似容限r下的概率。
[0080] 将本发明所采用的多尺度快速样本熵算法(简称IMFSE)与现有技术的传统多尺度样本熵算法(简称MSE)对同一个脑电信号序列进行计算，其计算时间的对比结果如表1所示：
[0081] 表1
[0082]
[0083]
[0084] 从表1中可知，随着时间序列长度的增加，IMFSE的计算时间比MSE少五倍左右。
[0085] 本实施通过采用快速样本熵算法计算多个时间尺度上的第二脑电信号序列的样本熵值，以节省序列计算时间。
[0086] 作为优选的实施方式，所述根据样本熵值构建脑电情感特征向量，其具体为：
[0087] 根据多个时间尺度上的样本熵值构建脑电情感特征向量。在一些具体的实施例中，所述多个时间尺度为五个时间尺度，通过五个时间尺度上的样本熵值构成一个特征向量，如果将脑电信号分类成正性、中性和负性三类不同的情感脑电信号，则对不用情感分类的脑电信号分别构成对应的特征向量，形成如表2所示的脑电特征向量集：
[0088] 表2
[0089]情感类别 脑电特征向量
正性 [1.62，1.37，0.98，0.78，0.71]
中性 [1.81，1.53，1.06，0.86，0.82]
负性 [1.70，1.43，1.03，0.82，0.76]
正性 [1.62，1.37，0.98，0.78，0.71]
中性 [1.81，1.53，1.06，0.86，0.82]
负性 [1.70，1.43，1.03，0.82，0.76]
[0090] 从表2可知，不同情绪下的脑电特征向量是不一样的，因而通过对不同情绪的脑电情感向量进行分类后，再分别计算对应的特征向量，以提高脑电特征识别的准确率。
[0091] 作为优选的实施方式，所述将脑电情感特征向量输入分类器内进行脑电情感识别，其具体为：
[0092] 将脑电情感特征向量输入随机森林分类器进行脑电情感识别。所述随机森林分类器是指利用多棵树对样本进行训练并预测的一种分类器。本实施例通使用随机森林分类器对脑电情感特征向量进行脑电情感识别，从而提高特征识别的准确率。
[0093] 作为优选的实施方式，在所述接收第一脑电信号序列这一步骤后，还包括以下步骤：
[0094] 将第一脑电信号序列按照不同情感进行分类。本实施例通过对脑电信号序列进行分类，以提高特征识别的准确性。
[0095] 在一些具体的实施例中，需要进行情感识别的数据集为DEAP数据集。所述DEAP数据集记录的32名健康参与者的生理信号，其中，包括国际标准10-20系统的32通道的脑电信号和8通道的周边生理信号，采样频率为128Hz。每个参与者被要求观看40个不同情感的60秒音乐视频片段，以此来诱发不同的情感，并采用1～9打分制就唤醒度(英文名称：Arousal)、效价(英文名称：Valence)、优势度(英文名称：Dominance)、熟悉度(英文名称：
Familiarity)、喜欢度(英文名称：Like/dislike)对每个观看完的视频进行打分。
Familiarity)、喜欢度(英文名称：Like/dislike)对每个观看完的视频进行打分。
[0096] 通过仅对DEAP数据集中的脑电信号进行处理，同时，为了提高识别效率，从数据集中选取代表脑区各个位置的8对电极，分别为：前额区、额区、侧额区、中央区、颞区、顶区、侧顶区和枕区，总共40×32×16＝20480个样本数据，每个样本仅选择每个视频中间的30秒数据即第16～45秒的数据，因此每个样本共128×30＝3840个数据点，最后，根据评价值分数(即valence分数)将情感分成正性(6.4～9.0)、中性(3.7～6.3)、负性(1.0～3.6)，并把分类结果标记在评价值-唤起程度二维空间上，即Valence-Arousal二维空间上，其结果如图3所示。
[0097] 当尺度因子τ＝1～10时，分别计算正性、中性和负性情感的传统多尺度样本熵值(简称MFSE)和本实施例所改进的多尺度快速样本熵值(简称IMFSE)，计算结果如图4和图5所示。从图4和图5可知，MSE方法的熵值随着尺度因子的增大先增加后减小，而IMFSE方法的熵值随着尺度因子的增大而减小。如图4所示，随着尺度因子的增大，正性、中性和负性三种情感在MSE下的区分度越来越差，而从图5可知，在IMFSE三条曲线具有较好的分离度，说明IMFSE比MSE在不同情感下具有更好的区分度。
[0098] 如图6所示，通过列举了本实施例在各个脑区的平均分类准确率，全部电极通道的平均准确率为79.74％。其中，分析发现在16个通道中最高的分类准确率在侧额区的F8通道为90.83％，各个脑区的平均分类准确率为：前额区(87.25％)、额区(83.44％)、侧额区(88.75％)、中央(70.73％)、颞区(69.90％)、顶区(83.02％)、侧顶区(71.04％)、枕区(83.02％)，可以看出情感的变化在侧额区比较敏感。在左右脑的分类中发现，除了颞区、中央区和侧顶区的左脑通道准确率比右脑高，其他脑区在右脑都高于左脑，而且计算发现右脑的准确率为80.40％高于左脑的79.09％，说明对情感变化较为敏感的电极通道集中在右脑和侧额区，这也与神经生理学中左脑控制逻辑思维右脑控制情绪相吻合。
[0099] 进一步通过对比选取的16个脑电通道代表的脑区在本实施例所改进的多尺度快速样本熵(简称IMFSE)、传统多尺度快速样本熵(简称MFSE)、单一尺度快速样本熵(简称FSE)三种算法下正性、中性、负性三种情感脑电信号的平均分类准确率，其中，所述16个脑电通道分别为：前额区(FP1、FP2)、额区(F3、F4)、侧额区(F7、F8)、中央(C3、C4)、颞区(T7、T8)、顶区(P3、P4)、侧顶区(P3、P4)和枕区(O1、O2)，三种方法平均分类准确率分别为79.74％、74.67％、65.74％，其具体变化过程如图7所示。从图7可知，多尺度的方法比单一尺度所获得的情感准确率要高，其中，在多尺度方法中，本实施例所提出的多尺度快速样本熵值最优。
[0100] 本发明实施例还提供了一种与图1方法相对应的基于均值粗粒化的脑电情感识别系统，其包括：
[0101] 接收模块，用于接收第一脑电信号序列；
[0102] 处理模块，用于对第一脑电信号序列进行二次滑动均值粗粒化，得到第二脑电信号序列；
[0103] 计算模块，用于计算第二脑电信号序列的样本熵值；
[0104] 构建模块，用于根据样本熵值构建脑电情感特征向量；
[0105] 发送模块，用于将脑电情感特征向量输入分类器内进行脑电情感识别。
[0106] 本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0107] 本发明实施例还提供了一种与图1方法相对应的基于均值粗粒化的脑电情感识别系统，其包括：
[0108] 至少一个存储器，用于存储程序；
[0109] 至少一个处理器，用于加载所述程序以执行所述的一种基于均值粗粒化的脑电情感识别方法。
[0110] 本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0111] 此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的一种基于均值粗粒化的脑电情感识别方法。
[0112] 综上所述，本发明通过先对接收到的脑电信号序列进行二次滑动均值粗粒化，接着再计算二次滑动均值粗粒化后的脑电信号序列的样本熵值，然后根据样本熵值构建脑电情感特征向量，并将脑电情感特征向量输入分类器内进行脑电情感识别，从而降低不同情感的脑电信号之间存在的差异对情感识别的影响，提高对非线性和不平稳性的情感脑电信号识别的精度和准确率。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于领域对抗的语音情感识别方法及装置 | 2020-05-12 | 553 |
| 一种智能化制作短视频的方法 | 2020-05-08 | 571 |
| 一种基于注意力网络和长短期记忆网络的文本情感识别方法 | 2020-05-12 | 6 |
| 特征扩展卷积神经网络的案件微博观点句识别构建方法 | 2020-05-12 | 855 |
| 基于多模态信息评估患者训练投入程度的方法及装置 | 2020-05-12 | 824 |
| 基于深度学习的卫星互联网文本敏感信息检测方法及装置 | 2020-05-11 | 297 |
| 一种利用上下文和方面记忆信息的情感分类方法 | 2020-05-08 | 107 |
| 细粒度情感分析方法、系统、电子设备和存储介质 | 2020-05-11 | 469 |
| 一种用于管理音频数据的方法、设备和计算机存储介质 | 2020-05-11 | 188 |
| 基于多维相似度的推荐系统及其方法 | 2020-05-11 | 115 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈