企业官网建设流程全解析

简介：一份关于癫痫自动检测方法的学术论文PDF，面向医学信号处理、深度学习与机器学习方向的科研人员及学生。论文以脑电图数据为基础，提出将样本熵与小波变换结合作为特征提取手段，并以样本熵下降点作为发作标签训练深度神经网络，最终检测准确率达到99.5%，适合作为自动诊断、生理信号建模和DNN应用研究的参考资料。资源共1个PDF文件，压缩包大小约1.13MB，内容包含研究背景、数据集说明、算法流程、实验设计与结果分析等完整章节。目前已有76人学习下载。阅读该论文可快速掌握样本熵计算、小波预处理、模型训练与评估的完整思路，也能为癫痫检测、EEG分类等相关课题提供方法借鉴和实验设计参考。

1. 癫痫检测不一定要端到端：样本熵先降维，DNN再分类

评估一套癫痫检测方案能不能落地，只看分类准确率远远不够。我见过不少只用深度神经网络直接吃原始脑电的复现，数据量小、标注不一致，训练集上收敛很快，一上测试集就现原形。反而是把样本熵作为前置特征、再交给深度神经网络做分类的路线，在小样本医疗数据上更稳，也更容易排查问题。这篇笔记就把“样本熵+深度神经网络”的癫痫检测链路拆开，从脑电切片、熵值计算、模型设计到验证协议和踩坑点，给出能直接照做的参数和代码。

2. EEG数据准备与滑动窗口切片：先处理原始脑电，再谈特征

这一章先把“原料”处理干净。EEG信号能不能学得动，取决于切片和标签做得干不干净。下面这些操作是整条链路里最枯燥、但最决定成败的一步。

2.1 公开数据集：CHB-MIT标注细，TUH样本多

做癫痫检测研究，公开数据首选CHB-MIT，这是波士顿儿童医院采集的23例耐药性癫痫患者头皮脑电。EDF格式，采样率256Hz，每人18~23个通道，每个记录文件都附了文本标注，精确给出该文件内每一次发作的起止秒数。这个数据集标注粒度细，非常适合验证“样本熵在发作期是否真的下降”这类假设。

如果嫌CHB-MIT的样本量不够做泛化测试，可以用TUH EEG Corpus。它规模大得多，来自坦普尔大学医院，带癫痫与非癫痫的节段级标签。但TUH的标注粒度是“这段脑电属于哪种类别”，没有CHB-MIT那种逐次发作的精确起止时间，做窗口级二分类时要自己读标注文档再决定切法。学术使用两者都免费，先看许可协议，病人隐私数据不能外传。

读取EDF文件用MNE库，这是脑电分析的标准工具。它把EDF头信息里的通道名、采样率、导联顺序都解析好了，省掉手工折腾二进制头文件的时间：

import mne raw = mne.io.read_raw_edf("chb01_01.edf", preload=True) sfreq = raw.info["sfreq"] data = raw.get_data() # 形状 (通道数, 采样点数) print(f"采样率: {sfreq}, 信号形状: {data.shape}")

逻辑说明：read_raw_edf默认只读取元数据，preload=True才把信号真正加载进内存，方便后面切片。data的每一行是一个通道，一个1小时记录在256Hz采样率下约有92万个采样点。这里要反复提醒自己：通道顺序一旦确定就不要乱换，后面算样本熵按通道循环、拼特征向量、喂给DNN，全都依赖这个顺序。

2.2 滤波和伪迹处理：0.5-40Hz带通加50Hz陷波

EEG原始信号长什么样？基线低频漂移、50Hz工频干扰、肌电尖峰、电极脱落造成的突变，这些伪迹的幅度往往比真正的棘波还大。直接拿去算熵，算出来的全是伪迹的复杂度，而不是脑活动的复杂度。

先做带通滤波。低端0.5Hz压住基线漂移，高端40Hz保留癫痫发作的主要频段成分，同时压掉一部分肌电伪迹，因为肌电能量主要分布在40Hz以上。再用陷波滤波器干掉50Hz市电工频干扰，注意如果数据是在60Hz电网地区采集的，陷波频率要改成60。

from scipy import signal def eeg_filter(data, fs=256, low=0.5, high=40.0, notch=50.0): """对 (通道, 采样点) 的EEG信号做带通+陷波滤波""" b, a = signal.butter(4, [low / (fs / 2), high / (fs / 2)], btype="band") data_f = signal.filtfilt(b, a, data, axis=-1) bN, aN = signal.iirnotch(notch, Q=30, fs=fs) data_f = signal.filtfilt(bN, aN, data_f, axis=-1) return data_f

参数说明：butter的阶数取4，兼顾陡峭和平稳，阶数越高幅频响应越陡，但相位失真也越大。filtfilt做的是零相位滤波，对检测任务很关键——普通lfilter会把波形整体平移，发作起始点对的标签就会错位。iirnotch的Q=30表示陷波带宽约为50/30≈1.7Hz，既能吸掉50Hz±0.8Hz的工频干扰，又不过度损伤相邻频段。

滤波之后还要拒绝伪迹段。常见做法是幅度阈值：头皮EEG正常节律很少超过500μV，电极脱落或肌电爆发往往远超这个值。把超过阈值的采样点区间直接裁掉，避免它们后面的熵值变成离群值。

import numpy as np valid_mask = np.max(np.abs(data_f), axis=0) < 500 # 幅度阈值，单位μV data_f = data_f[:, valid_mask]

逻辑说明：valid_mask按采样点标记哪些位置所有通道的幅度都小于500μV，data_f按列过滤后剩余的都是相对干净的段。这一步会砍掉一部分数据长度，后面做窗口切片时要先检查剩余长度是否还够滑出足够的窗口，否则该记录直接跳过。

2.3 滑动窗口切片与标签：发作起始处多留一个小时窗的缓冲

连续EEG不能整段丢进模型，要切成等长的短窗口。窗口长度选2秒比较合适：太短（小于1秒）熵值的方差会非常大，因为样本熵对短序列的估计本来就不稳；太长（大于10秒）会把发作和背景混在同一个窗口里，标签就脏了。

滑动步长怎么定？训练阶段可以无重叠（步长等于窗口长度2秒），也可以50%重叠（步长1秒）来扩充样本量。测试和验证阶段不要重叠，否则同一个发作事件的相似片段会同时出现在训练和验证里，评估结果虚高。这是很多复现翻车的源头。

def split_windows(data, fs=256, win_len=2.0, step=None): if step is None: step = win_len win_pts = int(fs * win_len) step_pts = int(fs * step) windows = [] for start in range(0, data.shape[-1] - win_pts + 1, step_pts): windows.append(data[..., start:start + win_pts]) return np.stack(windows) # 返回 (窗口数, 通道数, win_pts)

逻辑说明：step=None时默认无重叠，需要更多样本就把step改成1.0秒。返回值的形状是三维，最后一维是每个窗口的采样点数，256Hz下2秒窗对应512点。如果某个文件过滤后剩余长度不足一个窗口，range循环直接得不到结果，这种情况要捕获并记录。

标签赋值时有一个关键细节：不要把发作起止边界上的过渡段硬塞进某个类别。发作不是瞬间开始的，标注时间前后各1秒左右的状态很难界定，模型如果在这段上学到了“从背景到发作的过渡模式”，换到临床数据上往往失效。左右各丢1秒再打标签：

win_starts = np.arange(0, total_pts - win_pts + 1, step_pts) labels = np.zeros(len(win_starts), dtype=int) for start_s, end_s in events: # events 来自标注解析，单位是采样点 start_s = int(start_s + fs) # 左丢 1 秒过渡 end_s = int(end_s - fs) # 右丢 1 秒过渡 labels[(win_starts >= start_s) & (win_starts < end_s)] = 1

逻辑说明：events是标注文件解析出的发作区间，解析时要把“秒”乘以采样率换算成采样点坐标。代码里start_s + fs和end_s - fs就是在左右各让出256个采样点（1秒）。做完之后检查一下labels.sum() / len(labels)，正样本占比通常只有5%~10%，这个比例直接决定后面损失函数怎么配。

3. 样本熵的计算与批量抽取：把一段脑电浓缩成一个数

熵不是玄学，它是衡量信号“乱不乱”的统计量。正常清醒状态的脑电复杂度高，熵值偏高；癫痫发作时大量神经元同步放电，波形从杂乱变得有节奏，熵值明显下降。这个落差就是分类器的“抓手”。

3.1 为什么选样本熵而不是近似熵或排列熵

计算时间序列复杂度有几种常见选择，我直接说结论：样本熵在这条链路上最稳。近似熵是经典方法，但它把序列自身的点对也算进匹配统计里，对短序列有偏估，两个熵值在不同数据长度下排序会变，这在分类任务里是大忌。排列熵计算快，但它只比较相邻采样点的大小顺序，丢掉了波形幅度信息，而癫痫发作时的幅度变化和节律变化同样重要。

样本熵的改进在于去掉了自身匹配，统计一致性更好，对噪声也更稳健。代价是计算复杂度O(N²)，不过对2秒512个采样点的窗口来说完全可接受。三类特征在本文方案里的定位对比：

样本熵有两个参数：嵌入维度m和相似容差r。常规取m=2、r=0.2倍序列标准差。m=2是几十篇文献验证过的稳定值，m再大对数据长度的要求指数上升，我们的窗口只有512点。r取太小会把噪声当成有效结构，取太大又失去区分度，0.15~0.25×SD是安全区间。但前提是序列先做标准化，否则不同通道的幅度基线不同，r的实际含义完全不同，这一点在第3.3节还要再强调。

3.2 样本熵的向量化实现

样本熵的计算逻辑可以描述成三步：把长度为N的序列构造成N-m+1个m维向量；统计两两之间切比雪夫距离小于r的匹配对数，对m维和m+1维各做一遍；最后取两个匹配对数的比值求负对数。写成公式就是SampEn(m, r, N) = -ln(A/B)，A是m+1维匹配对数，B是m维匹配对数。

最笨的实现是双重循环遍历所有向量对，512点窗口下要比较约13万个向量对，Python跑一个窗口就要几十秒，整个数据集根本跑不完。用scipy.spatial.distance.pdist把成对距离计算向量化，能提速两个数量级：

import numpy as np from scipy.spatial.distance import pdist def sample_entropy(x, m=2, r=None): x = np.asarray(x, dtype=np.float64) if r is None: r = 0.2 * np.std(x) N = len(x) def _build_mat(seq, dim): n = N - dim + 1 return np.stack([seq[i:i + dim] for i in range(n)]) B_mat = _build_mat(x, m) A_mat = _build_mat(x, m + 1) B = np.sum(pdist(B_mat, metric="chebyshev") < r) A = np.sum(pdist(A_mat, metric="chebyshev") < r) if B == 0 or A == 0: return 0.0 return -np.log(A / B)

逻辑说明：_build_mat把序列转换成模板向量矩阵，每一行是一个m维向量。pdist计算所有向量对之间的距离，只返回上三角部分，减少一半计算量。metric="chebyshev"对应样本熵定义里的切比雪夫距离，也就是两个向量对应元素差的最大值。返回的-np.log(A / B)就是样本熵，值越小说明信号越规则。

参数说明：r=None时取0.2 * np.std(x)，这是默认行为，不建议直接给一个固定数值，因为不同通道不同数据段的幅度差异很大，固定值没法用。边界情况要单独处理：当序列标准差接近0时，说明这通道已经掉线，此时熵值没有意义，返回0在后续训练里会被当作噪声处理。更稳妥的做法是：在调用层先检查np.std(x) < 1e-6就直接跳过该通道，不进入熵值计算。

3.3 批量抽取：每个窗口、每个通道算一个熵值

对每个切片窗口的每个通道分别计算样本熵，得到一个长度为通道数的特征向量。以CHB-MIT为例，通道数23，那每个窗口的特征向量就是23维。这个维度足够小，深度神经网络处理起来毫无压力，而且每个维度都有明确的物理含义——该通道在该时间段内的信号复杂度。

批量抽取的代码要把两件事一起做：先对窗口内的单通道信号做z-score标准化，再调用sample_entropy。标准化这一步不能省，它保证r=0.2*std在所有通道上含义一致，否则有的通道幅度大、有的通道幅度小，同一个r值对不同通道的“相似度”要求天差地别。

def extract_features(windows, m=2): n_win, n_ch, n_pts = windows.shape feats = np.zeros((n_win, n_ch)) for i in range(n_win): for c in range(n_ch): x = windows[i, c] if np.std(x) < 1e-6: feats[i, c] = 0.0 # 脱线通道，置 0 占位 continue x = (x - np.mean(x)) / np.std(x) feats[i, c] = sample_entropy(x, m=m, r=0.2) return feats # 返回 (窗口数, 通道数)

逻辑说明：外层循环遍历窗口，内层循环遍历通道。每个通道独立标准化，算完的熵值只反映该通道信号的“形态复杂度”，不受幅度绝对值影响。脱线通道置0是占位策略，真正的处理策略在第5章的排查部分讲。

参数说明：m=2和r=0.2是标准配置。如果你想扩展特征维度，可以在熵值之外并列几个统计量，比如窗口内信号的方差和过零率，但不要堆太多相关性高的特征，DNN在低维输入下更容易学到稳定边界。23维的熵值向量已经是合理的最低限度输入。

4. 深度神经网络建模与训练：特征向量进网络，不是原始波形进网络

特征矩阵准备好之后，剩下的就是一个标准的二分类任务：输入23维熵值向量，输出是否为癫痫发作。这里有个很多人绕不过去的弯：既然用了深度神经网络，为什么不用原始波形端到端训练？答案很简单，数据量不支持，解释性也没有。

4.1 选型：三层全连接，别上CNN

如果你在头歌平台上练过“给图片分类”的神经网络入门作业，可能会惯性地上卷积网络。但这里的输入既不是图像也不是长序列，而是每个窗口算出来的一堆熵值，它们之间没有局部卷积结构。再加上一个病人只有几千个窗口样本，深网络在这里只会把验证集上的loss震荡到怀疑人生。

三层全连接网络已经足够。输入层接23维熵值特征，第一层128维、第二层64维，中间用ReLU激活和Dropout，输出层1个节点接sigmoid。这个结构参数量不到2万个，在小样本上不容易过拟合，训练也快。用PyTorch定义：

import torch.nn as nn class EntropyDNN(nn.Module): def __init__(self, in_dim, hidden1=128, hidden2=64, p=0.4): super().__init__() self.bn = nn.BatchNorm1d(in_dim) self.fc1 = nn.Linear(in_dim, hidden1) self.fc2 = nn.Linear(hidden1, hidden2) self.out = nn.Linear(hidden2, 1) self.drop = nn.Dropout(p) self.relu = nn.ReLU() def forward(self, x): x = self.bn(x) x = self.drop(self.relu(self.fc1(x))) x = self.drop(self.relu(self.fc2(x))) return self.out(x).squeeze(-1)

参数说明：in_dim等于特征向量的维度，对应你的通道数。BatchNorm1d放在输入层之后，能把各通道熵值的分布拉到一个相对集中的量纲，减少通道间差异带来的训练难度。Dropout(p=0.4)是经过比较的安全值，低于0.3正则效果不够，高于0.5容易欠拟合。输出层不接sigmoid，因为损失函数用的是带logits的BCE，数值上更稳定。

4.2 类别不均衡与优化器配置：正样本只有10%，不能直接训

把标签统计一下就会发现问题：正样本（发作窗口）通常只占5%~10%，负样本占了压倒性多数。如果不做处理，网络学到的决策就是“永远输出0”，准确率能到90%以上，但敏感性是0，一点用都没有。

处理办法有两招，可以同时用。第一招是类别加权损失，BCEWithLogitsLoss的pos_weight参数按负样本数除以正样本数设置。第二招是过采样正样本，在训练集上对有放回抽样正样本，让每个epoch看到的正负比维持在1:2左右。注意只能在训练集上做，验证集和测试集必须保持原始临床分布。

from sklearn.utils.class_weight import compute_class_weight weights = compute_class_weight("balanced", classes=[0, 1], y=train_labels) pos_weight = torch.tensor([weights[1] / weights[0]]) criterion = nn.BCEWithLogitsLoss(pos_weight=pos_weight) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, patience=5)

逻辑说明：compute_class_weight根据训练集标签自动算出每个类别的权重，类别数越少权重越大。pos_weight取正类权重除以负类权重，含义是“把正样本的损失放大多少倍”，这个值通常落在5到20之间。优化器用Adam，初始学习率1e-3，配合ReduceLROnPlateau在验证loss连续5个epoch不下降时把学习率乘0.1，避免后期震荡。

参数说明：batch_size从64开始试，如果显卡内存紧张就32。学习率不要一上来就1e-2，熵值特征虽然维度低，但不同通道的熵值分布差异不小，学习率太大容易在训练初期发散。

4.3 训练循环与早停：每一步都要看到验证指标

训练循环本身不复杂，但有两个细节要养成习惯。第一，每个epoch结束都要在验证集上算AUC并保存最优权重，训练结束后加载最优权重而不是最后一个epoch的权重。第二，早停条件设为验证AUC连续10个epoch不提升，直接停止。

def train_one_epoch(model, loader, criterion, optimizer): model.train() total_loss = 0.0 for xb, yb in loader: optimizer.zero_grad() pred = model(xb) loss = criterion(pred, yb.float()) loss.backward() optimizer.step() total_loss += loss.item() * len(xb) return total_loss / len(loader.dataset)

逻辑说明：pred是logits不是概率，criterion用的是BCEWithLogitsLoss，内部会先做sigmoid再算交叉熵，所以这里不需要手动加激活。每个epoch结束时，用验证集跑一次预测，把logits经sigmoid转成概率，计算ROC AUC。AUC比准确率更能反映不均衡样本下的真实能力，训练过程中要盯的指标就是它。

完整训练循环大概长这样：外层循环遍历epoch，每个epoch先调用train_one_epoch，再在验证集上计算AUC，AUC比历史最佳高就保存模型，连续10个epoch没提升就break，最后加载历史最佳权重。这套流程写一次可以复用到所有类似信号分类任务。

5. 验证协议与踩坑排查：结果虚高，多半是协议和熵值出了问题

上一章的模型看起来能跑，但评估结果能不能代表真实水平，取决于验证协议是否严谨。这一章先给正确的协议，再列我实际踩过的高频坑。

5.1 必须按病人分组做交叉验证：随机划分会让结果虚高

EEG数据有一个天然陷阱:同一个病人的所有窗口高度相似。如果把同一个病人的窗口同时分到训练集和测试集，模型实际上在“认病人”而不是“认发作”，测试AUC可能高达0.95以上，但换一批新病人立刻掉到0.7。

正确做法是按病人分组做交叉验证。sklearn的GroupKFold专门干这件事：groups参数传每个窗口对应的病人编号，它会保证同一个病人的数据不会同时出现在训练和测试里。

from sklearn.model_selection import GroupKFold gkf = GroupKFold(n_splits=5) for train_idx, test_idx in gkf.split(X, y, groups=patient_ids): # train_idx 里的病人编号与 test_idx 完全不相交 pass

逻辑说明：patient_ids是长度等于窗口数的数组，每个元素是窗口所属病人的编号。GroupKFold按组切分，5折交叉验证下每折的测试集是5个病人的全部窗口，训练集是其余18个病人的窗口。这比随机划分慢，但结果可信。做消融实验时，对比“随机划分AUC”和“按病人划分AUC”的差距，是判断模型是否真正学到泛化特征的最快方法。

5.2 五个高频踩坑：现象、原因、解决

踩坑1：模型全预测阴性，准确率90%以上，敏感性为0。 原因：发作窗口只占5%~10%，网络学会了输出全0，因为预测“正常”在多数类上永远是对的。 解决：用4.2节的pos_weight加权损失或过采样正样本，评价指标以敏感性、特异性、AUC为准，不要只看准确率。

踩坑2：验证集AUC很高，换一批病人数据就翻车。 原因：训练和测试划分没有按病人分组，模型学到了病人个体特征而不是发作共性。或者切片时把发作起始前1秒的过渡段强行标为“正常”，模型学到的是“是否处于发作过渡”，而不是真正的发作模式。 解决：严格用GroupKFold按病人划分；标签赋值时按2.3节的做法，左右各丢1秒，过渡段不参与训练。

踩坑3：所有窗口的熵值挤在一起，模型分不开。 原因：没有对单通道信号做标准化就计算熵值，不同通道幅度基线差异巨大，r=0.2*std在不同通道上含义不统一；或者r取了一个固定数值，在幅度大的通道上等于把一切结构都当成相似。 解决：每个通道窗口内先做z-score标准化再算熵，r=0.2*std中的std是标准化后序列的标准差（变成1），这样r在所有通道上可比。

踩坑4：训练到一半loss变成NaN。 原因：EEG原始数据存在脱线通道（整段为0或恒定值），特征矩阵里混入了全0向量；或者学习率太大导致梯度爆炸。脱线通道在头歌这类平台的标准数据集里几乎不会出现，但真实EEG里非常常见。 解决：进入训练前检查np.isfinite(feats).all()和np.abs(feats).sum()；对脱线通道不要只填0，因为全0向量经过BatchNorm后可能产生NaN，用该通道历史均值填充更稳。学习率从1e-4起步逐步调大，不要一上来就1e-3。

踩坑5：样本熵计算太慢，整个数据集跑不完。 原因：pdist复杂度是O(N²)，2秒窗口512点、23通道，每个窗口要算约26万个成对距离，如果窗口数有几万个，纯Python循环要跑一晚上。 解决：实验阶段把采样率从256Hz降到128Hz，熵值对重采样不敏感，计算量直接减半；工程阶段用Cython重写内层循环，或对滑动窗口做增量更新，复用上一窗口距离矩阵中未变化的部分。不要为了省时间把窗口长度缩到1秒以下，熵值估计会变得很不稳定。

5.3 决策阈值：先定敏感性，再定阈值

模型输出的是概率，默认阈值0.5在类别不均衡下往往不合适。医疗筛查场景中漏诊的代价远高于误报，所以应该先定一个敏感性底线，再在这个约束下选特异性最高的阈值。比如要求敏感性不低于0.9，然后在验证集上找到满足这个条件时特异性最高的阈值。

from sklearn.metrics import roc_curve fpr, tpr, thresholds = roc_curve(y_val, val_prob) # 找出敏感性 >= 0.9 时特异度最高的阈值 valid_idx = tpr >= 0.9 best_thr = thresholds[valid_idx][np.argmax(1 - fpr[valid_idx])]

逻辑说明：roc_curve返回每个阈值对应的假阳性率和真阳性率。valid_idx筛出敏感性达标的所有阈值，1 - fpr就是特异性，取其中最大值对应的阈值，就是“敏感性优先”的最优决策点。这个阈值要在训练阶段就定好并固定下来，测试阶段不能再用测试集重新调，否则又是数据泄漏。

6. 从论文到落地：这套方案的代价、边界与投入建议

整套方案的实时性瓶颈不在深度神经网络，而在样本熵计算。DNN推理一个23维向量耗时微秒级，但每2秒窗口、23通道的熵计算在Python向量化实现下也要几十毫秒。这个量级做离线批量分析绰绰有余——比如长程脑电回顾性分析，几十个小时的记录丢进去，几十分钟出报告。但如果要做ICU床旁实时报警，就得优化：把采样率降到128Hz、用Cython或C重写熵计算、只对关键通道算熵，甚至用增量更新的方式复用滑窗内的距离矩阵，把单窗口延迟压到10毫秒以内。

这套方案最值得投入的地方是可解释性。样本熵可以直接画成趋势曲线，医生在界面上能看到发作起始时刻熵值明显下降的过程，再对照原始波形确认，这比端到端深度学习给出的黑匣子决策容易建立信任。如果目标是发论文，熵特征曲线加上按病人分组的严谨评估，本身就是可以独立成章的工作。如果目标是落地产品，建议保留特征曲线作为辅助诊断证据，而不是只给一个风险概率。

边界条件要提前想清楚。第一，肌电伪迹严重的数据段，熵值会被伪迹拉高，掩盖发作期的熵值下降，这类样本要做伪迹段标注或剔除。第二，如果是新生儿EEG，正常背景节律和成人差异很大，参数m、r以及决策阈值都要在新的年龄段数据上重新标定。第三，多中心数据合并使用时，不同采集设备的电压值域和噪声特性不同，标准化之后再算熵能抵消大部分设备差异，但最好还是按中心做一次交叉验证确认。

我以前做信号处理相关项目时，一度觉得深度学习必须原封不动吃原始波形才算先进，结果被临床数据反复教育——把简单的熵特征做扎实，模型再小也能找到真正可用的拐点。这套“先算熵、再用小网络分类”的路线，在数据量有限、又需要可解释性的医疗场景里，性价比远高于盲目堆模型。希望帮到你。

本文还有配套的精品资源，点击获取