從構建全新手勢集開始打破肌電控制的“因人而異”困境_abio生物試劑品牌網
打破肌電控制的“因人而異”困境，從構建全新手勢集開始
肌電模式識別存在用戶依賴性，即相同動作的肌電信號因個體生理差異（如肌肉結構、激活模式）而不同，導致通用系統難以實現。比如，當脊髓損傷患者試圖用肌電控制設備完成“開門”動作時，同樣的“握拳”指令，在甲患者前臂產生的肌電信號（sEMG）與乙患者的信號特征差異顯著，就像用不同的密碼試圖解鎖同一扇門。這種“用戶依賴性”如同無形的屏障，讓肌電控制技術在從實驗室走向臨床的路上步履維艱：現有系統在單一用戶場景下對10種手勢的識別準確率能輕松突破90%，但切換到“一人訓練、多人使用”的通用模式時，準確率常暴跌至50%以下，成為假肢控制、輔助機器人等領域規模化應用的最大攔路虎。
傳統研究多聚焦于算法優化，試圖通過更復雜的模型“適配”個體差異，卻始終難以突破“換用戶就失效”的瓶頸。來自中國科學技術大學的張旭研究團隊報告了題為“A Novel Instruction Gesture Set Determination Scheme for Robust Myoelectric Control Applications”的研究，提出的思路獨辟蹊徑：如果某些手勢的肌電特征天生就“千人一面”、易于區分，那何不直接篩選這類手勢作為指令集？就像選擇全球通用的摩爾斯電碼而非方言，從信號源頭降低交互難度——這正是該研究為破解用戶依賴性難題提供的全新視角。
圖 1. 論文信息
研究方法
為驗證新型指令手勢集確定方案的有效性，研究團隊設計了系統的實驗流程（圖2），涵蓋數據庫構建、方案實施與多維度驗證三個核心環節。
圖 2. 本研究的研究路線
數據庫與受試者
研究采用兩個高密度表面肌電（HD-sEMG）數據庫開展驗證，涵蓋自主構建數據集與公開數據集，以確保結果的普適性。：
DB_U 數據庫：由原文作者團隊自主構建，包含11 名健康受試者數據，和 17 種針對人機交互需求設計的手勢（涵蓋腕關節和手指運動，見圖3）。研究使用了 4 個電極陣列，采樣率 1000Hz，帶寬 20-500Hz，電極間距 8mm，分別采集右前臂肌群和肱肌肌群的表面肌電信號（見圖4）。
實驗要求受試者每個手勢重復 8 次，兩次重復間隔約 5 秒。
11 名受試者中的 7 人額外完成了 4 次數據采集試驗。對于這 7 名受試者，5 次數據采集試驗在不同時間進行。由于再次放置電極陣列時不可避免地會出現偏移，這 7 名受試者的數據可被視為包含電極偏移信息的數據，命名為 DB_U_EO，包含 7（受試者）×17（手勢）×8（重復次數）×5（試驗）=4760 段肌電數據。
圖3. DB_U 數據庫手勢
圖4. DB_U數據庫的電極陣列及其放置位置
DB_Hyser_PR 數據庫：源自開放數據庫 Hyser 的子庫，包含 34 種常見腕部和手指運動手勢（比如多指協同動作，精細抓握等，見圖5），數據來自 20 名健康受試者，采用 4 個 64 通道電極陣列（8×8 布局，電極間距 10mm）采集，其中 2 個陣列置于伸肌，2 個置于屈肌，采樣率 2048Hz。每個手勢重復 2 次，每次持續 4 秒。
圖5. DB_Hyser_PR 數據庫手勢
數據預處理與樣本生成
為確保信號質量并統一分析標準，對兩個數據庫的原始 sEMG 信號執行相同預處理流程：通過減去通道平均值消除基線漂移，替換極端值（絕對值超出均值 + 8 倍標準差），采用 20Hz 高通濾波去除運動偽影，最終通過整流提取信號包絡。
研究者對預處理后的數據采用滑動窗口法生成樣本：窗口長度設為 100 數據點，步長 50 數據點。
針對 DB_U 數據庫，從每個手勢重復段的第 2-3 秒提取有效樣本，最終每個手勢生成 19 個窗口樣本，單受試者單手勢單試驗的樣本量為 8（重復）×19（窗口）=152，樣本維度為 128（通道）×100（數據點）。
針對 DB_Hyser_PR 數據庫，基于 4 秒持續時長及 2048Hz 采樣率，每個手勢重復段生成 162 個窗口樣本，單受試者單手勢樣本量為 2（重復）×162（窗口）=324，樣本維度為 256（通道）×100（數據點）。
最優指令手勢集確定方案
該方案的核心是通過量化手勢間的可分離性篩選最優指令集。研究者采用 T 分布隨機鄰域嵌入（T-SNE）算法，將高維 sEMG 特征映射至二維空間。該方法通過構建高維空間中的概率分布（基于高斯核函數）與低維空間中的概率分布（基于 T 分布），最小化兩者的 KL 散度，在保留數據局部結構的同時，拉大高維空間中距離較遠的聚類距離，增強類間區分度。
對降維后的二維特征，遍歷所有可能的兩手勢組合，計算兩兩手勢組合的重疊度建立 “大規模手勢重疊信息庫”，記錄每對組合的重疊度參數O。
基于重疊信息庫，篩選最優指令集：
1.初始化候選集為空，從所有手勢中選擇與其他手勢平均重疊度最低的手勢加入候選集；
2.每次迭代時，選擇新手勢加入候選集，使得新增手勢與候選集中所有已有手勢的平均重疊度最小；
3.重復步驟 2 直至候選集規模達到預設值 N（N≥2），最終形成適用于用戶獨立模式的最優指令手勢集。同時，隨機選擇相同數量的手勢組成 “對照手勢集”，用于后續性能對比。
本研究提取了最優（高可分離性）手勢集和劣質（低可分離性）手勢集以進行性能對比。對于特定規模的手勢集，將重疊度參數 O 最小的 5 個手勢組合確定為最優集，O 最大的 5 個組合確定為劣質集。針對 DB_U_UI，確定了包含 2 至 8 個手勢的指令集；由于 DB_Hyser_PR 的數據量較大，僅確定了包含 2 至 4 個手勢的指令集。
驗證實驗設計
?用戶獨立模式：以部分受試者數據為訓練集，其余為測試集（無交叉），對比最優集與劣等集的識別準確率。研究者使用 Bi-LSTM 和SVM作為分類器，并比較了兩種分類器的分類準確度。
?8 通道肌電樣本：這 8 個通道從 128 通道中選取，對應與腕部和手指運動相關的肌肉，以探究從高密度表面肌電數據庫中提取的最優指令手勢集是否適用于低密度場景。
?電極偏移模式：對 DB_U 中 7 名受試者的 5 次重復采集數據（含電極重新放置導致的偏移）測試，采用 “跨試驗” 驗證：以第 1 次試驗數據為訓練集，第 2-5 次試驗數據為測試集，對比兩類手勢集的識別準確率下降幅度，評估其對物理干擾的穩健性。
結果評估
T-SNE 降維提升手勢可分離性可視化
圖 6 顯示了 T-SNE 降維后的二維特征分布：最優手勢集中的手勢（如腕伸、握拳）特征點聚類緊湊，重疊區域不足 5%；而劣等手勢集（如輕捏、食指伸展）特征點交叉重疊達 30% 以上，直觀證明了篩選方案的有效性。
圖6. 兩兩手勢集通過 T-SNE 得到的二維散點圖：(a) DB_U_UI 中重疊度 O 最小（0.25%）的 G12-G16；(b) DB_U_UI 中重疊度 O 最大（58%）的 G13-G15；(c) DB_Hyser_PR 中重疊度 O 最小（12.25%）的 G14-G21；(d) DB_Hyser_PR 中重疊度 O 最大（67.25%）的 G1-G12
最優手勢集和劣質手勢集
研究者提取了最優（高可分離性）手勢集和劣質（低可分離性）手勢集以進行性能對比。對于特定規模的手勢集，將重疊度參數 O 最小的 5 個手勢組合確定為最優集，O 最大的 5 個組合確定為劣質集。DB_U_UI的 2 至 8 個手勢的指令集，表1列出了其中部分手勢的指令集，其中 N-G 表示包含 N 個手勢的指令集；由于 DB_Hyser_PR 的數據量較大，僅確定了包含 2 至 4 個手勢的指令集，見表2。
表1. DB_U_UI數據集的最優手勢集和劣質手勢集
表2. DB_Hyser_PR數據集的最優手勢集和劣質手勢集
最優手勢集顯著提升識別性能
在用戶獨立模式下，使用 支持向量機（SVM）和雙向長短期記憶網絡（Bi-LSTM）分別對DB_U_UI 和 DB_Hyser_PR 的高密度表面肌電樣本來驗證所提最優指令手勢集確定方案的有效性。結果分別如表3和表4 所示，其中 “均值（Mean）” 和 “標準差（Std）” 通過對 5 個最優集或 5 個劣質集的準確率和標準差取平均計算得到。對于 DB_U_UI 和 DB_Hyser_PR，最優集的手勢可分離性均顯著優于劣質集（p<0.001）。
在 DB_U_UI 中，對比兩種分類器的結果，SVM 在識別準確率上具有顯著優勢（p=0.027）。在 DB_Hyser_PR 中，盡管 SVM 和 Bi-LSTM 的識別準確率無顯著差異（p=0.836），但 SVM 在標準差上更具優勢（p<0.001）。
表3. DB_U_UI 中 128 通道樣本的用戶獨立模式手勢識別結果
表4. 針對DB_HYSER_PR的用戶獨立模式手勢識別結果
對于8 通道肌電樣本，最優集的手勢可分離性仍優于劣質集（p<0.001，見表5）。最優集的平均準確率范圍為 53.57%–94.72%，劣質集為 30.15%–72.48%，前者比后者高 17.70%–36.92%。對于 8 通道樣本的手勢識別，Bi-LSTM 分類器表現更優（p=0.012），尤其在劣質集的識別中。對比 128 通道和 8 通道樣本的識別結果，盡管通道數量大幅減少，但最優集的識別準確率從 2 手勢任務到 8 手勢任務僅下降 2.14%–6.33%，表明提取的最優集適用于低密度場景。
表5. DB_U_UI 中 8 通道樣本的用戶獨立模式手勢識別結果
圖7 顯示了在電極偏移模式下，最優集準確率下降幅度（≤8%）顯著低于劣等集（≥15%），證明其對物理干擾的穩定性。
圖7. 在電極偏移模式下的實驗識別結果
討論與展望
本研究提出的基于T-SNE的指令手勢集確定方案，通過篩選高可分離性手勢，在兩個數據庫中均顯著提升了用戶獨立模式下的肌電識別性能，且對電極偏移具有較強魯棒性，為解決肌電控制的用戶依賴性提供了“從手勢設計出發”的創新路徑。但該研究仍存在一定不足，例如樣本存在局限，受試者均為健康青年，未涵蓋神經損傷或運動障礙人群，且手勢集未包含復雜復合動作；方法上也存在限制，T-SNE對極端樣本敏感，可能影響重疊度計算精度；場景方面也有局限，未結合實際設備（如假肢）的實時性需求驗證方案效率。未來可從以下方面展開研究，一是擴展數據庫，納入更多人群（如中風患者、截肢者）和復雜手勢，增強方案普適性；二是優化方法，結合深度學習（如自監督降維）提升特征映射精度，縮短篩選耗時；三是推動落地應用，將方案集成到肌電假肢、康復機器人等設備中，驗證其在實際場景中的交互效果。
原文鏈接
Y. Ruan, X. Chen and X. Zhang, "A Novel Instruction Gesture Set Determination Scheme for Robust Myoelectric Control Applications," in IEEE Transactions on Biomedical Engineering, vol. 72, no. 3, pp. 909-920, March 2025.
DOI: 10.1109/TBME.2024.3479232.
研究團隊介紹
該文章的作者為阮雨文、陳香和張旭，其中陳香為通訊作者，均來自中國科學技術大學信息科學技術學院。該團隊長期專注于肌電信號處理、人機交互與康復工程領域，致力于推動肌電控制技術的臨床轉化與實際應用。
關于維拓啟創
維拓啟創（北京）信息技術有限公司成立于2006年，是一家專注于腦科學、康復工程、人因工程、心理學、體育科學等領域的科研解決方案供應商。公司與國內外多所大學、研究機構、企業長期保持合作關系，致力于將優質的產品、先進的技術和服務帶給各個領域的科研工作者，為用戶提供有競爭力的方案和服務，協助用戶的科研工作，持續提升使用體驗。
相關產品
肌電模式識別存在用戶依賴性，即相同動作的肌電信號因個體生理差異（如肌肉結構、激活模式）而不同，導致通用系統難以實現。比如，當脊髓損傷患者試圖用肌電控制設備完成“開門”動作時，同樣的“握拳”指令，在甲患者前臂產生的肌電信號（sEMG）與乙患者的信號特征差異顯著，就像用不同的密碼試圖解鎖同一扇門。這種“用戶依賴性”如同無形的屏障，讓肌電控制技術在從實驗室走向臨床的路上步履維艱：現有系統在單一用戶場景下對10種手勢的識別準確率能輕松突破90%，但切換到“一人訓練、多人使用”的通用模式時，準確率常暴跌至50%以下，成為假肢控制、輔助機器人等領域規模化應用的最大攔路虎。
傳統研究多聚焦于算法優化，試圖通過更復雜的模型“適配”個體差異，卻始終難以突破“換用戶就失效”的瓶頸。來自中國科學技術大學的張旭研究團隊報告了題為“A Novel Instruction Gesture Set Determination Scheme for Robust Myoelectric Control Applications”的研究，提出的思路獨辟蹊徑：如果某些手勢的肌電特征天生就“千人一面”、易于區分，那何不直接篩選這類手勢作為指令集？就像選擇全球通用的摩爾斯電碼而非方言，從信號源頭降低交互難度——這正是該研究為破解用戶依賴性難題提供的全新視角。
圖 1. 論文信息
研究方法
為驗證新型指令手勢集確定方案的有效性，研究團隊設計了系統的實驗流程（圖2），涵蓋數據庫構建、方案實施與多維度驗證三個核心環節。
圖 2. 本研究的研究路線
數據庫與受試者
研究采用兩個高密度表面肌電（HD-sEMG）數據庫開展驗證，涵蓋自主構建數據集與公開數據集，以確保結果的普適性。：
DB_U 數據庫：由原文作者團隊自主構建，包含11 名健康受試者數據，和 17 種針對人機交互需求設計的手勢（涵蓋腕關節和手指運動，見圖3）。研究使用了 4 個電極陣列，采樣率 1000Hz，帶寬 20-500Hz，電極間距 8mm，分別采集右前臂肌群和肱肌肌群的表面肌電信號（見圖4）。
實驗要求受試者每個手勢重復 8 次，兩次重復間隔約 5 秒。
11 名受試者中的 7 人額外完成了 4 次數據采集試驗。對于這 7 名受試者，5 次數據采集試驗在不同時間進行。由于再次放置電極陣列時不可避免地會出現偏移，這 7 名受試者的數據可被視為包含電極偏移信息的數據，命名為 DB_U_EO，包含 7（受試者）×17（手勢）×8（重復次數）×5（試驗）=4760 段肌電數據。
圖3. DB_U 數據庫手勢
圖4. DB_U數據庫的電極陣列及其放置位置
DB_Hyser_PR 數據庫：源自開放數據庫 Hyser 的子庫，包含 34 種常見腕部和手指運動手勢（比如多指協同動作，精細抓握等，見圖5），數據來自 20 名健康受試者，采用 4 個 64 通道電極陣列（8×8 布局，電極間距 10mm）采集，其中 2 個陣列置于伸肌，2 個置于屈肌，采樣率 2048Hz。每個手勢重復 2 次，每次持續 4 秒。
圖5. DB_Hyser_PR 數據庫手勢
數據預處理與樣本生成
為確保信號質量并統一分析標準，對兩個數據庫的原始 sEMG 信號執行相同預處理流程：通過減去通道平均值消除基線漂移，替換極端值（絕對值超出均值 + 8 倍標準差），采用 20Hz 高通濾波去除運動偽影，最終通過整流提取信號包絡。
研究者對預處理后的數據采用滑動窗口法生成樣本：窗口長度設為 100 數據點，步長 50 數據點。
針對 DB_U 數據庫，從每個手勢重復段的第 2-3 秒提取有效樣本，最終每個手勢生成 19 個窗口樣本，單受試者單手勢單試驗的樣本量為 8（重復）×19（窗口）=152，樣本維度為 128（通道）×100（數據點）。
針對 DB_Hyser_PR 數據庫，基于 4 秒持續時長及 2048Hz 采樣率，每個手勢重復段生成 162 個窗口樣本，單受試者單手勢樣本量為 2（重復）×162（窗口）=324，樣本維度為 256（通道）×100（數據點）。
最優指令手勢集確定方案
該方案的核心是通過量化手勢間的可分離性篩選最優指令集。研究者采用 T 分布隨機鄰域嵌入（T-SNE）算法，將高維 sEMG 特征映射至二維空間。該方法通過構建高維空間中的概率分布（基于高斯核函數）與低維空間中的概率分布（基于 T 分布），最小化兩者的 KL 散度，在保留數據局部結構的同時，拉大高維空間中距離較遠的聚類距離，增強類間區分度。
對降維后的二維特征，遍歷所有可能的兩手勢組合，計算兩兩手勢組合的重疊度建立 “大規模手勢重疊信息庫”，記錄每對組合的重疊度參數O。
基于重疊信息庫，篩選最優指令集：
1.初始化候選集為空，從所有手勢中選擇與其他手勢平均重疊度最低的手勢加入候選集；
2.每次迭代時，選擇新手勢加入候選集，使得新增手勢與候選集中所有已有手勢的平均重疊度最小；
3.重復步驟 2 直至候選集規模達到預設值 N（N≥2），最終形成適用于用戶獨立模式的最優指令手勢集。同時，隨機選擇相同數量的手勢組成 “對照手勢集”，用于后續性能對比。
本研究提取了最優（高可分離性）手勢集和劣質（低可分離性）手勢集以進行性能對比。對于特定規模的手勢集，將重疊度參數 O 最小的 5 個手勢組合確定為最優集，O 最大的 5 個組合確定為劣質集。針對 DB_U_UI，確定了包含 2 至 8 個手勢的指令集；由于 DB_Hyser_PR 的數據量較大，僅確定了包含 2 至 4 個手勢的指令集。
驗證實驗設計
?用戶獨立模式：以部分受試者數據為訓練集，其余為測試集（無交叉），對比最優集與劣等集的識別準確率。研究者使用 Bi-LSTM 和SVM作為分類器，并比較了兩種分類器的分類準確度。
?8 通道肌電樣本：這 8 個通道從 128 通道中選取，對應與腕部和手指運動相關的肌肉，以探究從高密度表面肌電數據庫中提取的最優指令手勢集是否適用于低密度場景。
?電極偏移模式：對 DB_U 中 7 名受試者的 5 次重復采集數據（含電極重新放置導致的偏移）測試，采用 “跨試驗” 驗證：以第 1 次試驗數據為訓練集，第 2-5 次試驗數據為測試集，對比兩類手勢集的識別準確率下降幅度，評估其對物理干擾的穩健性。
結果評估
T-SNE 降維提升手勢可分離性可視化
圖 6 顯示了 T-SNE 降維后的二維特征分布：最優手勢集中的手勢（如腕伸、握拳）特征點聚類緊湊，重疊區域不足 5%；而劣等手勢集（如輕捏、食指伸展）特征點交叉重疊達 30% 以上，直觀證明了篩選方案的有效性。
圖6. 兩兩手勢集通過 T-SNE 得到的二維散點圖：(a) DB_U_UI 中重疊度 O 最小（0.25%）的 G12-G16；(b) DB_U_UI 中重疊度 O 最大（58%）的 G13-G15；(c) DB_Hyser_PR 中重疊度 O 最小（12.25%）的 G14-G21；(d) DB_Hyser_PR 中重疊度 O 最大（67.25%）的 G1-G12
最優手勢集和劣質手勢集
研究者提取了最優（高可分離性）手勢集和劣質（低可分離性）手勢集以進行性能對比。對于特定規模的手勢集，將重疊度參數 O 最小的 5 個手勢組合確定為最優集，O 最大的 5 個組合確定為劣質集。DB_U_UI的 2 至 8 個手勢的指令集，表1列出了其中部分手勢的指令集，其中 N-G 表示包含 N 個手勢的指令集；由于 DB_Hyser_PR 的數據量較大，僅確定了包含 2 至 4 個手勢的指令集，見表2。
表1. DB_U_UI數據集的最優手勢集和劣質手勢集
表2. DB_Hyser_PR數據集的最優手勢集和劣質手勢集
最優手勢集顯著提升識別性能
在用戶獨立模式下，使用 支持向量機（SVM）和雙向長短期記憶網絡（Bi-LSTM）分別對DB_U_UI 和 DB_Hyser_PR 的高密度表面肌電樣本來驗證所提最優指令手勢集確定方案的有效性。結果分別如表3和表4 所示，其中 “均值（Mean）” 和 “標準差（Std）” 通過對 5 個最優集或 5 個劣質集的準確率和標準差取平均計算得到。對于 DB_U_UI 和 DB_Hyser_PR，最優集的手勢可分離性均顯著優于劣質集（p<0.001）。
在 DB_U_UI 中，對比兩種分類器的結果，SVM 在識別準確率上具有顯著優勢（p=0.027）。在 DB_Hyser_PR 中，盡管 SVM 和 Bi-LSTM 的識別準確率無顯著差異（p=0.836），但 SVM 在標準差上更具優勢（p<0.001）。
表3. DB_U_UI 中 128 通道樣本的用戶獨立模式手勢識別結果
表4. 針對DB_HYSER_PR的用戶獨立模式手勢識別結果
對于8 通道肌電樣本，最優集的手勢可分離性仍優于劣質集（p<0.001，見表5）。最優集的平均準確率范圍為 53.57%–94.72%，劣質集為 30.15%–72.48%，前者比后者高 17.70%–36.92%。對于 8 通道樣本的手勢識別，Bi-LSTM 分類器表現更優（p=0.012），尤其在劣質集的識別中。對比 128 通道和 8 通道樣本的識別結果，盡管通道數量大幅減少，但最優集的識別準確率從 2 手勢任務到 8 手勢任務僅下降 2.14%–6.33%，表明提取的最優集適用于低密度場景。
表5. DB_U_UI 中 8 通道樣本的用戶獨立模式手勢識別結果
圖7 顯示了在電極偏移模式下，最優集準確率下降幅度（≤8%）顯著低于劣等集（≥15%），證明其對物理干擾的穩定性。
圖7. 在電極偏移模式下的實驗識別結果
討論與展望 本研究提出的基于T-SNE的指令手勢集確定方案，通過篩選高可分離性手勢，在兩個數據庫中均顯著提升了用戶獨立模式下的肌電識別性能，且對電極偏移具有較強魯棒性，為解決肌電控制的用戶依賴性提供了“從手勢設計出發”的創新路徑。但該研究仍存在一定不足，例如樣本存在局限，受試者均為健康青年，未涵蓋神經損傷或運動障礙人群，且手勢集未包含復雜復合動作；方法上也存在限制，T-SNE對極端樣本敏感，可能影響重疊度計算精度；場景方面也有局限，未結合實際設備（如假肢）的實時性需求驗證方案效率。未來可從以下方面展開研究，一是擴展數據庫，納入更多人群（如中風患者、截肢者）和復雜手勢，增強方案普適性；二是優化方法，結合深度學習（如自監督降維）提升特征映射精度，縮短篩選耗時；三是推動落地應用，將方案集成到肌電假肢、康復機器人等設備中，驗證其在實際場景中的交互效果。
原文鏈接
Y. Ruan, X. Chen and X. Zhang, "A Novel Instruction Gesture Set Determination Scheme for Robust Myoelectric Control Applications," in IEEE Transactions on Biomedical Engineering, vol. 72, no. 3, pp. 909-920, March 2025.
DOI: 10.1109/TBME.2024.3479232.
研究團隊介紹
該文章的作者為阮雨文、陳香和張旭，其中陳香為通訊作者，均來自中國科學技術大學信息科學技術學院。該團隊長期專注于肌電信號處理、人機交互與康復工程領域，致力于推動肌電控制技術的臨床轉化與實際應用。
關于維拓啟創
維拓啟創（北京）信息技術有限公司成立于2006年，是一家專注于腦科學、康復工程、人因工程、心理學、體育科學等領域的科研解決方案供應商。公司與國內外多所大學、研究機構、企業長期保持合作關系，致力于將優質的產品、先進的技術和服務帶給各個領域的科研工作者，為用戶提供有競爭力的方案和服務，協助用戶的科研工作，持續提升使用體驗。
相關產品
本站“ABIO生物試劑品牌網”圖片文字來自互聯網
如果有侵權請聯系微信: nanhu9181 處理，感謝~
