企业官网建设流程全解析

简介：一个基于MATLAB的EEG情绪分类入门项目，面向脑电信号分析初学者、情感计算研究者、高校学生及准备开展情绪识别课题的科研人员，也可作为预实验参考。压缩包为rar格式，共7个文件，其中6个.mat文件分别存放愤怒、平静、悲伤三类情绪状态的特征数据及对应标签，1个eeg2.m脚本完成数据加载、特征提取结果展示与分类演示，整体仅81KB，解压后即可直接运行。项目已有1386人学习，适合作为EEG情绪分类相关课程设计、毕业设计或科研预实验的起步模板。该资源覆盖从脑电特征输入到情绪标签输出的基本流程，可结合功率谱、时域统计量等特征理解情绪识别中的常见处理思路，并学习如何用MATLAB脚本搭建简单分类模型。同时，压缩包直接提供处理后的特征数据，省去滤波、ICA去噪等繁琐预处理环节，降低了入门门槛；上手后还可在脚本基础上替换特征或分类算法进行扩展，便于快速验证改进想法。配合完整的特征数据，可对比不同情绪类别在特征分布上的差异，帮助建立更直观的认知。 说到脑电信号（EEG）分析和情绪分类，我第一反应就是刚啃完的那批DEAP数据。那阵子实验室同门的电脑上全是MATLAB的figure，一个比一个花哨，但真正跑通一个能稳定复现的EEG情绪分类流程，其实没有想象中那么简单。尤其是从原始脑电到最终分类准确率，中间每一步都藏着坑，任何一个环节处理不当，前面做的事就全白费了。

这篇内容，我就把从数据预处理、特征提取到模型分类的完整链路，按我自己的实操经验拆开讲清楚。会涉及大量的MATLAB代码片段和参数设置思路，也会把我在实际跑数据时踩过的坑、做过的对比实验放进去。这份总结更适合那些已经能读懂基本MATLAB语法、手里有一份EEG数据集但不知道怎么往下推进的朋友，或者是刚入门脑机接口、情绪识别方向，想快速建立整体技术框架的研究生。如果你已经完全不知道怎么把.mat数据读进工作区，建议先把MATLAB基础操作过一遍再来读这篇。

1. 情绪分类前的三个核心问题：数据、特征、模型

1.1 EEG情绪分类到底在做什么

情绪分类本质上是一个模式识别问题。我们采集到的是连续的电压时间序列，但这些时间序列本身并不能直接告诉电脑“这个人是开心还是难过”。分类任务要做的事情，就是对这些时间序列进行变换，从中提取出能够区分不同情绪状态的定量指标，然后把这些指标作为输入，喂给分类器，让它学习到“哪种特征组合对应哪种情绪”。

这里有个很关键的概念需要先理清楚：情绪并不是一个离散标签，而是一个多维空间。心理学研究里使用最广泛的是维纳模型（valence-arousal），valence是愉悦度，从消极到积极；arousal是唤醒度，从平静到兴奋。我们通常说的“情绪分类”，很多时候并不是直接分类成“高兴”“悲伤”这种离散情绪词，而是先在valence-arousal维度上做高低二分类。比如把valence大于5的样本标记为积极情绪，小于等于5的样本标记为消极情绪，然后让模型去学习这个二分类边界。

我自己在设计实验时，通常会把分类任务细化成两种：一种是二分类（高/低唤醒度、高/低愉悦度），另一种是四分类（把valence-arousal组合成四个象限）。二分类准确率更高，更容易出结果，适合验证流程；四分类更有应用价值，但难度明显提升，对特征质量要求也更高。

1.2 为什么公开数据集是首选

很多同学一上来就打算自己买便携脑电设备采集数据，我不是说这个方向不行，而是你不确定因素太多了。电极接触阻抗不稳定，被试在实验过程中眨眼、头部移动会引起大量伪迹，标注的时间对齐也可能有偏差。如果你是第一次做情绪分类，强烈建议先用公开数据集把流程跑通，再考虑自采数据。

目前最常用的两个EEG情绪数据集是DEAP和SEED。

DEAP数据集的记录是这样的：32个被试，每个人观看40段时长1分钟的音乐视频，在看视频的过程中记录32通道的EEG和8通道的外周生理信号。每个视频观看结束后，被试自己对valence、arousal、dominance、liking四个维度进行1到9分的评分。数据采样率是128Hz，已经做过降采样和简单的预处理，每个trail的数据是40通道（前32通道是EEG）乘以8064个采样点。

SEED数据集则使用62通道的电极帽，采集被试观看15个中文电影片段时的脑电信号，情绪标签是三个离散类别：积极、中性、消极，每个被试在三个不同时间点重复实验三次。这个数据集的通道数更多，空间分辨率更好，但离散标签会损失一部分情绪强度信息。

从实操角度来看，DEAP更适合做二分类和回归类任务，SEED更适合做三分类任务。DEAP还额外提供了在线视频观看过程中的face video数据，虽然我们做EEG分析时通常用不到。

1.3 MATLAB在这个场景下的优势

用MATLAB做EEG分析，最直接的优势是它有EEGLAB这个工具箱。EEGLAB提供了完整的图形界面和命令行接口，滤波、分段、ICA去伪迹、时频分析这些操作都有现成的函数，不需要自己重写底层的信号处理算法。另一个优势是MATLAB的脚本环境非常适合做批处理，40个被试的数据可以写一个for循环跑完，不用手动一个一个点。

不过也提醒一句，MATLAB在处理超大规模数据时速度确实不如Python更快。如果后续要用深度学习做端到端的情绪分类，可能还是得切换到Python环境。但就预处理和特征提取这两步来说，MATLAB的生态比Python更成熟，尤其脑电领域的老代码几乎都是MATLAB写的，遇到问题容易搜索到解决方案。

2. 数据预处理：从原始脑电到能用的信号

2.1 数据导入与基本检查

无论用的是DEAP还是SEED，第一步都是把数据读进MATLAB工作区。以DEAP为例，每个被试的数据文件是一个.mat文件，里面有一个data变量和一个label变量。data的维度是40×40×8064，第一维是trail（40个视频），第二维是通道（前32通道是EEG），第三维是时间采样点。label的维度是40×4，对应40个trail的valence、arousal、dominance、liking评分。

读取代码如下：

clear; clc; % 读取第一个被试的数据 data_path = 'D:\EEG_data\DEAP\data_preprocessed_matlab\'; sub_num = 1; load([data_path 's' num2str(sub_num) '.mat']); % 查看数据维度 fprintf('data size: %d trials x %d channels x %d time points\n', ... size(data,1), size(data,2), size(data,3)); % 查看标签范围 fprintf('label range: min=%.1f, max=%.1f\n', min(label(:)), max(label(:)));

读取之后要做的第一件事是可视化检查数据的整体质量。直接plot某个通道的全段波形其实看不出太多有效信息，我通常会用两种方式检查：一是用std(data, 0, 3)查看每个通道在每个trail中的标准差，如果某个通道的标准差明显高于其他通道，说明该通道可能混入了大量噪声；二是用pop_eegplot（EEGLAB函数）查看分段后的数据，可以快速定位被大幅值伪迹占据的时间片段。

2.2 重参考、滤波与坏段剔除

这三步是预处理中最基础也最影响后续效果的环节。

重参考的目的是让所有通道的信号都相对于同一个基准点，消除单极导联中参考电极位置对信号幅值的影响。DEAP数据默认使用的是平均参考，通常不需要再做额外的重参考操作。但如果是自己采集的数据，建议先做双耳乳突参考或平均参考，然后再进行后续处理。

滤波是另一个关键环节。EEG的有效频段主要集中在0.5Hz到45Hz之间，低于0.5Hz的慢漂移通常是电极接触不良或皮肤电位变化引起的基线漂移，高于45Hz的成分则主要是肌电伪迹和工频干扰。DEAP数据在发布前已经做过4到45Hz的带通滤波，所以读进来之后其实可以直接用。但如果你用的是国产便携设备导出的原始数据，建议自己做一遍滤波：

% 设计带通滤波器 0.5~45Hz fs = 128; % 采样率 [b,a] = butter(3, [0.5 45]/(fs/2), 'bandpass'); data_filtered = filtfilt(b, a, squeeze(data(1,:,:))'); % 注意维度顺序

注意，这里用了filtfilt而不是filter。filtfilt是零相位滤波，可以避免滤波引起的相位偏移，这在后续做特征提取时非常重要。特征提取时如果使用含有相位偏移的信号，后续计算出的功率谱会有畸变，直接影响分类精度。

坏段剔除的判断标准通常是看信号幅值是否超过阈值。如果某个通道的幅值长期超过±150μV，或者标准差超过该通道整体标准差的好几倍，这段数据就可以考虑剔除了。这里说的是“剔除”而不是“插值”，因为EEG信号带有强烈的时变特性，用插值方法替换坏段可能会破坏信号的自然波动模式。

2.3 ICA去伪迹：原理与实操

ICA（独立成分分析）在EEG预处理里几乎是绕不开的一步，它的基本思想是将多个通道的混合信号分解成相互独立的成分，然后识别并丢弃其中的伪迹成分，最后通过成分投影还原出干净的通道信号。

用MATLAB做ICA通常是借助EEGLAB的pop_runica函数，操作流程如下：

% 将数据转为EEGLAB数据结构 EEG = pop_importdata('dataformat','array','nbchan',32,... 'data','data_filtered','srate',128,'pnts',0,'xmin',0); % 运行ICA分解 EEG = pop_runica(EEG, 'icatype', 'runica', 'extended', 1); % 可视化各个成分，识别伪迹成分 pop_topoplot(EEG, 0, 1:size(EEG.icaweights,1));

ICA运行完之后的关键工作是用眼动数据手册和EEGLAB的ICLabel插件来辅助判断哪些成分是伪迹。ICLabel会给出每个成分属于脑电、眼动伪迹、肌肉伪迹、心脏伪迹等类别的概率。在实际操作中，我通常重点关注两大类典型伪迹：眨眼伪迹和水平眼动伪迹。眨眼伪迹的典型特征是：成分的topoplot集中在额叶前部，时间序列包含明显的瞬态高幅值波动，功率谱能量主要分布在低频段。水平眼动伪迹的特征则类似，但是topoplot会有明显的前额左右分布特征。

识别出伪迹成分后，用pop_subcomp将伪迹成分从数据中移除。在这里我提醒一下：不要“一刀切”地把所有肌电成分都删掉，因为脑电信号和肌电信号在频域上的重叠区域比较大，过度删除肌电成分会损失一部分真实的脑电信息。一般情况下，只需要删除ICLabel标记为“eye blink”和“eye movement”的高置信度成分即可。

3. 特征提取：情绪差异的数字化表达

3.1 时域特征：Hjorth参数与统计量

时域特征是最容易计算的一类特征，它们直接从时间序列本身计算得到，不需要做时频变换。Hjorth参数是其中比较有代表性的，它包含三个指标：活动度（Activity）、移动度（Mobility）和复杂度（Complexity）。活动度反映的是信号的方差，移动度反映的是信号的平均频率，复杂度则描述信号波形与正弦波的接近程度。

function [activity, mobility, complexity] = hjorth_descriptors(x) % 一阶差分 dx = diff(x); % 二阶差分 ddx = diff(dx); % 活动度 activity = var(x); % 移动度 mobility = sqrt(var(dx) / var(x)); % 复杂度 complexity = sqrt(var(ddx) / var(dx)) / mobility; end

除了Hjorth参数，另一个常用的时域特征是信号的方差和峰值。方差反映信号能量的大小，峰值则捕捉短暂的情绪唤起幅度。但单靠时域特征做情绪分类，准确率通常不会太高。我的实际测试结果是，只用时域特征配合SVM分类，DEAP数据集上的valence二分类准确率大概在55%到60%之间，接近随机，所以这类特征更适合做辅助特征，不适合做主导特征。

3.2 频域特征：功率谱密度与频带能量

频域特征是EEG情绪分类的特征主力。不同情绪状态下，大脑在不同频段的振荡强度会发生趋势性变化，这是有大量神经科学研究支撑的。

以DEAP数据为例，几个典型频段的划分是：delta（1-3Hz），theta（4-7Hz），alpha（8-13Hz），beta（14-30Hz），gamma（31-45Hz）。研究较为一致的结论是：积极情绪通常会伴随着额叶偏侧的alpha不对称性增强，而高唤醒度状态通常会导致beta和gamma频段能量上升。

计算频带能量最直接的方法是先做傅里叶变换得到功率谱密度，然后对各频段内的功率谱密度积分或求平均。MATLAB中可以用pwelch函数来实现：

% 提取某个通道某段数据的PSD x = squeeze(data_filtered(1, :)); % 假设第一节数据，第一个通道 [psd, f] = pwelch(x, 256, 128, 256, fs); % 计算theta频段平均功率 theta_idx = f >= 4 & f <= 7; theta_power = mean(psd(theta_idx));

在实际特征工程中，我不会只计算一个通道的能量，而是会计算全通道、全频段的能量矩阵。比如DEAP的32个EEG通道，我们做5个频段的功率计算，就会得到一个32×5的特征矩阵，把它展平成一个160维的特征向量，再用这个向量去训练分类器。

这里需要注意的一个细节是：直接使用绝对功率时，被试之间的个体差异会非常大，因为头皮厚度、电极阻抗这些因素都会影响绝对功率的幅值。更好的做法是做相对功率，也就是用某个频段的功率除以总功率。相对功率可以在一定程度上消除个体差异的影响，已经是这个领域比较标准的操作。

3.3 时频域特征与非线性特征

有些情绪状态下的脑电变化是瞬态的，比如听到某个意外刺激时，可能会诱发一个短暂的theta频段能量增强。这种瞬态变化用传统的傅里叶变换很难捕捉到，因为傅里叶变换把时间信息完全抹平了。时频分析方法则能同时保留时间和频率两个维度的信息。

MATLAB中做时频分析，最常用的是短时傅里叶变换（STFT）和小波变换。短时傅里叶变换函数是spectrogram，小波函数则是cwt。如果你只是想快速看一下某个trail的时频图像，用EEGLAB的newtimef函数也可以，它集成了多种时频分析的选项，输出图像也很直观。

非线性特征方面，样本熵是值得尝试的。样本熵衡量的是时间序列的自相似程度，脑电信号在这个指标上表现出明显的情绪相关性。计算样本熵的MATLAB代码实现并不复杂，但计算量比较大，如果数据集很大，建议只用部分通道计算，或者换用多尺度熵的快速近似方法。

3.4 特征筛选与降维的必要性

特征提取完之后，你可能会得到几百维甚至上千维的特征向量。如果直接拿这些特征去训练分类器，很容易发生维度灾难：特征维度远大于样本量，模型会过拟合训练数据，测试准确率反而不高。

在特征处理上，我一般遵循两步走：先做特征筛选，再做标准化。特征筛选使用最简单的单变量方差分析方法，计算每个特征与标签之间的F统计量，保留F值最大的前K个特征。这个思路虽然简单，但在EEG情绪分类上屡试不爽。

% 计算每个特征的F统计量 acc = zeros(1, size(features,2)); for i = 1:size(features,2) [p, tbl] = anova1(features(:,i), labels, 'off'); acc(i) = tbl{2,5}; % F统计量 end % 保留F值最大的200个特征 [~, idx] = sort(acc, 'descend'); selected_features = features(:, idx(1:200));

特征标准化也是不能省的一步。不同特征之间的量纲差异极大，有的特征在0到1之间，有的则在几千到几万之间。如果直接进分类器，那些数值大的特征会主导距离计算，数值小的特征基本失去贡献。用zscore函数对所有特征做标准化，让每个特征的均值为0、方差为1，是更稳妥的做法。

4. 情绪分类建模：从SVM到深度学习

4.1 SVM分类器：小样本场景的首选

支持向量机（SVM）在EEG情绪分类中的强势地位，主要源自它处理高维小样本数据的能力。SVM的优化目标是最大化分类超平面到最近样本点的间隔，在特征维度较高但样本量有限时，这种机制能有效避免过拟合。

MATLAB中使用SVM做分类非常方便：

% 划分训练集和测试集 rng(42); cv = cvpartition(labels, 'HoldOut', 0.2); X_train = features(cv.training, :); y_train = labels(cv.training); X_test = features(cv.test, :); y_test = labels(cv.test); % 训练SVM分类器 mdl = fitcsvm(X_train, y_train, ... 'KernelFunction', 'rbf', ... 'Standardize', false, ... % 前面已经做了标准化 'BoxConstraint', 1, ... 'KernelScale', 'auto'); % 测试 y_pred = predict(mdl, X_test); accuracy = sum(y_pred == y_test) / length(y_test);

用RBF核函数时，两个参数需要调优：BoxConstraint（惩罚系数）和KernelScale（核宽度）。BoxConstraint越大，模型对训练样本的错分惩罚越重，但也更容易过拟合；KernelScale则控制高斯核的展宽，值越小决策边界越复杂。我用5折交叉验证配合网格搜索来选参数，或者用fitcsvm自带的OptimizeHyperparameters选项自动优化，实测效果也不错，代价是需要多跑一段时间。

4.2 使用分类学习器App快速验证特征有效性

在跑完整流程之前，先用MATLAB的分类学习器App快速验证一下当前特征的有效性，能节省大量时间。这个App从R2015a开始内置在MATLAB中，不需要额外安装工具包。

操作流程很简单：把特征矩阵和标签放到工作区，然后在命令行输入classificationLearner打开App，选择工作区里的特征和标签，点击训练，它就会自动跑一系列常用分类器，包括决策树、判别分析、SVM、KNN和集成学习，并输出准确率对比结果。

我自己用这个App做DEAP数据的快速验证时，发现KNN分类器在某些情绪分类任务上表现比SVM还稳。KNN对特征尺度敏感，所以标准化一定要先做好。如果KNN的分类效果表现突出，可能说明你的特征在空间中本身就自然形成了比较清晰的聚类，而不是存在某种复杂的非线性边界。

分类学习器App还有个非常大的优势：它可以导出训练好的模型到工作区，然后直接用predict函数对新的数据进行预测，不需要重新训练。

4.3 深度学习途径：CNN与EEGNet

如果你不满足于传统机器学习方法在特征工程上的繁琐流程，想直接让模型端到端地从原始脑电信号中学习情绪模式，可以考虑深度学习方案。在EEG领域，最常用的网络结构是EEGNet，它专门为脑电信号设计，参数量小、训练效率高，在多种脑电分类任务上都表现出了不错的性能。

EEGNet的网络结构大致可以分为三步：首先是时间卷积层，通过一维卷积核在时间维度上提取信号的局部时域模式；然后是深度卷积层，分别对不同通道进行空间滤波，学习通道间的空间关系；最后是分离卷积层，将时间和空间的卷积结果进行整合，输出分类结果。

MATLAB中的深度学习工具箱提供了完整的卷积神经网络训练流程。你可以用convolution2dLayer自己搭建EEGNet，也可以用MATLAB的dlnetwork进行更灵活的自定义。不过说实话，如果你不熟悉深度学习调试，直接用MATLAB在标准的CPU机器上训练EEGNet，时间成本会比较劝退。这时候更稳妥的做法是：先用SVM跑通基线，确定特征有效，再上深度学习追求更高的准确率。

我自己实测过的一个数据是：在DEAP数据集上只用功率谱密度特征配合SVM，valence二分类准确率可以到78%左右；用EEGNet直接从原始通道数据做分类，大概到82%。差别是有的，但为了这4个百分点的提升，训练时间和调参成本确实高了不少。

5. 实操中容易踩的坑和我的应对方式

5.1 滤波频段不是越宽越好

关于滤波频段，很多初学者会认为保留的频段越宽，包含的信息越多，分类效果应该越好。但这个认知在EEG情绪分类中是错误的。保留太宽的频段，会引入大量无关噪声，反而干扰分类器。

我自己做对比实验时发现：DEAP数据上使用4到45Hz的带通滤波，比使用1到50Hz的分类准确率高出大约2到3个百分点。原因在于低于4Hz的低频段容易混入基线漂移和缓慢眼动伪迹，高于45Hz的高频段则主要是肌电噪声。这些噪声成分在特征提取阶段会被纳入功率计算，污染真正的神经活动特征。

另外说一个滤波实现上的细节：MATLAB的filtfilt函数要求输入信号向量长度至少是滤波器阶数的三倍，否则会报错。如果单个trail的数据长度较短，可以整段连接后滤波，再切分。

5.2 跨被试分类 vs. 被试内分类

这个选择直接决定你实验的难度和最终准确率的可信度。

被试内分类是指同一个被试的部分数据用于训练，同被试的剩余数据用于测试。这种方式下，模型学习到了该被试特有的脑电模式，准确率通常较高，但推广性差。跨被试分类则是指用一部分被试的数据训练，用另一部分被试的数据测试。这样做更接近真实应用场景，但准确率会显著下降。

在无校准的跨被试分类场景下，DEAP数据集的valence二分类准确率能到65%以上就算不错了。很多研究声称跨被试准确率高达90%以上，我看到的经验是其中有很多可能存在数据泄漏，最常见的一种问题就是把同一个被试的数据同时放进了训练集和测试集，然后没有做好独立划分。

在做跨被试实验时，务必保证被试级别的划分，比如用cvpartition或者LeaveOneGroupOut，确保同一被试的全部数据只能出现在训练集或测试集中。

5.3 样本不平衡问题

情绪数据集中，标签分布往往会不平衡。比如在DEAP数据集中，被试在观看视频后给valence打分，由于视频本身有消极倾向，打分结果中低valence的样本可能明显多于高valence。如果直接把数据扔给分类器处理，模型会倾向于预测样本量更多的那个类别，导致少数类样本的分类准确率暴跌。

常用的应对方式有几种：一是重采样，对少数类样本做上采样，对多数类样本做下采样；二是在分类器中设置样本权重；三是合成少数类过采样技术（SMOTE），通过插值生成新的样本。在MATLAB中，最简单的做法是使用datasample函数对少数类样本进行有放回的重复采样，使得各分类别的样本数基本一致。需要说明的是，重采样需要在划分训练集和测试集之后、在训练集内部进行，否则会造成数据泄漏。

5.4 固定随机种子保证可复现

做科研实验最怕的是结果不可复现，明明看到准确率提升了，换一台机器跑了一遍，结果就变了。这个问题的根源往往在于模型训练过程和训练集划分中存在的随机性。

MATLAB中，SVM训练时的随机数来源包括数据洗牌、训练集划分的随机抽样等。需要在代码开头设置随机种子：

rng(42);

固定随机种子之后，同一份数据每次跑出来的结果应该完全一致。如果你的实验涉及多种方法的比较，建议为不同方法设置不同的随机种子也可以，但不要每次运行都换随机种子，否则你无法确定准确率的提升究竟是方法本身更优还是随机扰动造成的。最严谨的做法是跑5次不同随机种子，报告准确率的平均值和标准差，这样得到的结论可信度高很多。

5.5 别忘了标准化参数的保存与复用

我遇到过的一个很典型的坑：在训练集上做标准化，然后把标准化后的特征拿去训练模型。测试阶段为了省事，直接对测试集特征单独调用了一次zscore。这看起来没什么问题，但它实际上是一个数据泄漏的变体。

正确做法是：保存训练集标准化时的均值和标准差，然后用同一对参数对测试集特征做变换。MATLAB中可以直接保存参数：

% 保存训练集的均值和标准差 mu = mean(X_train); sigma = std(X_train); X_train_norm = (X_train - mu) ./ sigma; X_test_norm = (X_test - mu) ./ sigma;

这样测试集的特征变换使用的就是训练集的统计量，避免测试集的信息通过标准化环节泄漏到训练过程中。

6. 写在最后的几条经验

整套流程用下来，我最大的感受是，EEG情绪分类这个方向，技术上没有哪个单点特别难，真正考验人的是每个环节的质量控制和细节把握。预处理阶段偷了一点懒，特征提取阶段再怎么优化，分类准确率也上不去；特征提取做得再细致，如果不注意数据泄漏问题，得到的准确率也只是一个好看的假象。

如果你打算跑通自己的第一条EEG情绪分类流水线，我建议按这个顺序推进：先用DEAP的单个被试数据配合前32个通道的功率谱密度和SVM分类器，把整条流程跑通，目标定在valence二分类准确率75%左右，这个目标其实不难达到。跑通之后，再逐步加入更多通道、更多特征、更多被试，做跨被试实验，甚至切换深度学习模型。

另外在资源准备上，EEGLAB和MATLAB的整理工具箱是标配。如果调试深度学习模型，建议准备一块显存8GB以上的NVIDIA显卡，没有的话上云平台也行。内存方面，DEAP的单个被试数据大概60MB，全数据集全部载入内存也就2GB左右，普通机器完全能撑住。

最后说一个我在实际项目中形成的最小复现清单：完整的MATLAB脚本、特征提取函数、数据划分记录、随机种子、标准化参数，这五样东西一个都不能少。调试代码的时候可能觉得麻烦，但两周之后你再回头看，就会庆幸自己当初留下了这些记录。

本文还有配套的精品资源，点击获取