基于YOLOv8的學(xué)生情緒實(shí)時(shí)評(píng)估與舒緩系統(tǒng)研究

摘要：在當(dāng)代社會(huì)，學(xué)生群體在高強(qiáng)度學(xué)習(xí)的壓力下，容易出現(xiàn)焦慮、抑郁等心理狀態(tài)。然而，由于對(duì)心理健康疾病缺乏正確認(rèn)識(shí)，學(xué)生往往錯(cuò)誤地將焦慮和迷茫的心態(tài)等同于精神疾病，從而產(chǎn)生病恥感，不愿正視自我和現(xiàn)實(shí)問題。學(xué)生是國(guó)家未來的擔(dān)當(dāng)者，其心理健康不僅深刻影響校園的和諧氛圍，也關(guān)系到社會(huì)風(fēng)貌的塑造。因此，對(duì)學(xué)生群體進(jìn)行及時(shí)的心理健康篩查已刻不容緩。本研究設(shè)計(jì)了一套系統(tǒng)，通過實(shí)時(shí)人臉捕捉技術(shù)，結(jié)合個(gè)性化的舒緩措施，實(shí)現(xiàn)對(duì)學(xué)生情緒變化的實(shí)時(shí)監(jiān)測(cè)和分析。將人工智能領(lǐng)域中的人臉識(shí)別技術(shù)應(yīng)用于學(xué)生心理情緒評(píng)估，是一個(gè)充滿潛力和創(chuàng)新性的挑戰(zhàn)。本研究還對(duì)該技術(shù)的潛在應(yīng)用場(chǎng)景進(jìn)行了相關(guān)探討。

關(guān)鍵詞：YOLO算法；深度學(xué)習(xí)；實(shí)時(shí)性；情緒識(shí)別；心理舒緩

中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）34-0024-04開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

0引言

心理測(cè)評(píng)是早期預(yù)防和發(fā)現(xiàn)心理疾病的有效方法。然而，傳統(tǒng)的心理評(píng)估方法通常依賴于主觀報(bào)告或自述，存在信息獲取量不足、評(píng)估標(biāo)準(zhǔn)不統(tǒng)一以及時(shí)間成本高等問題。近年來，隨著現(xiàn)代技術(shù)的快速發(fā)展，人工智能技術(shù)已被逐步應(yīng)用于心理測(cè)試領(lǐng)域，其中基于計(jì)算機(jī)視覺和深度學(xué)習(xí)的自動(dòng)化情緒評(píng)估技術(shù)逐漸受到廣泛關(guān)注。

本文研究了一種基于YOLOv8算法的動(dòng)態(tài)人臉實(shí)時(shí)捕捉學(xué)生情緒評(píng)估與舒緩系統(tǒng)。該系統(tǒng)將YOLO技術(shù)應(yīng)用于人臉實(shí)時(shí)捕捉，能夠在較低計(jì)算成本的情況下實(shí)現(xiàn)較高的檢測(cè)準(zhǔn)確率，有效提取學(xué)生的面部表情信息。同時(shí)，系統(tǒng)結(jié)合了個(gè)性化的心理舒緩措施，二者相輔相成，實(shí)現(xiàn)了對(duì)情緒變化的實(shí)時(shí)監(jiān)測(cè)與分析[1]。

1本系統(tǒng)相關(guān)理論和技術(shù)

1.1卷積神經(jīng)網(wǎng)絡(luò)（CNN）的結(jié)構(gòu)[2]

1）數(shù)據(jù)輸入層（InputLayer）。主要負(fù)責(zé)處理原始圖像數(shù)據(jù)，包括去均值、歸一化、PCA白化等預(yù)處理步驟，以確保數(shù)據(jù)的一致性和可處理性。

2）卷積計(jì)算層（ConvolutionalLayer）。卷積計(jì)算層是CNN最核心的層次，包含兩個(gè)關(guān)鍵操作：局部關(guān)聯(lián)和窗口滑動(dòng)。局部關(guān)聯(lián)指每個(gè)神經(jīng)元（或?yàn)V波器，fil?ter）僅與輸入數(shù)據(jù)的一個(gè)局部區(qū)域連接。窗口滑動(dòng)是指濾波器在輸入數(shù)據(jù)上滑動(dòng)并進(jìn)行卷積運(yùn)算，以提取局部特征。

卷積運(yùn)算的公式：

S（i，j）=（I?K）（i，j）=ΣmΣnI（i-m，j-n）?K（m，n）

式中：I代表輸入數(shù)據(jù)，K代表濾波器，S代表卷積結(jié)果。

卷積層還包含一些重要參數(shù)，例如卷積核的大小、步長(zhǎng)（stride，即濾波器每次滑動(dòng)的長(zhǎng)度）和填充值（zero-padding，用于處理邊界問題）等，這些參數(shù)對(duì)卷積操作的效果有重要影響。

3）ReLU激勵(lì)層（ReLULayer）。ReLU激勵(lì)層位于卷積層之后，用于對(duì)卷積結(jié)果進(jìn)行非線性變換，從而增強(qiáng)模型的非線性表達(dá)能力。

4）池化層（PoolingLayer）。池化層通常用于減少數(shù)據(jù)的空間大?。ń稻S），降低網(wǎng)絡(luò)復(fù)雜度，同時(shí)保留重要的特征信息。常見的池化操作包括最大池化（MaxPooling）和平均池化（AveragePooling）。

5）全連接層（FullyConnectedLayer）。全連接層位于網(wǎng)絡(luò)的后端，實(shí)際上是一個(gè)傳統(tǒng)的多層感知機(jī)（MLP），用于將前面提取的特征映射到樣本的標(biāo)記空間。

6）輸出層（OutputLayer）。輸出層的結(jié)構(gòu)取決于具體任務(wù)的需求。例如，在分類任務(wù)中，通常使用softmax函數(shù)實(shí)現(xiàn)多分類；而在回歸任務(wù)中，則使用單個(gè)神經(jīng)元輸出預(yù)測(cè)值。

1.2YOLOv8算法的發(fā)展歷程

YOLO算法經(jīng)歷了從YOLOv1到Y(jié)OLOv10的發(fā)展歷程，如圖1所示。

本系統(tǒng)采用了成熟的YOLOv8算法，該算法繼承了YOLO系列的實(shí)時(shí)檢測(cè)特性[3]，即使在低硬件配置下也能實(shí)現(xiàn)高幀率。與前代版本相比，YOLOv8的核心優(yōu)勢(shì)在于支持目標(biāo)檢測(cè)、分割、分類、追蹤、姿態(tài)估計(jì)等多種計(jì)算機(jī)視覺任務(wù)，并顯著提升了mAP（平均精度），這表明模型的檢測(cè)精度得到了大幅提高[4]。

YOLOv8采用了先進(jìn)的CSPDarknet53骨干網(wǎng)絡(luò)和PANet特征聚合模塊，進(jìn)一步優(yōu)化了特征提取和物體檢測(cè)性能。同時(shí)，YOLOv8引入了無錨的Ultralytics頭（UltralyticsHead），相較于傳統(tǒng)的基于錨點(diǎn)的方法，無錨設(shè)計(jì)提高了檢測(cè)過程的準(zhǔn)確性和效率。此外，為了在資源有限的設(shè)備上實(shí)現(xiàn)實(shí)時(shí)目標(biāo)檢測(cè)，YOLOv8還推出了輕量化版本，如YOLOv8-tiny。

1.3YOLOv8算法介紹

YOLOv8的模型結(jié)構(gòu)如圖2所示，由Backbone、Neck和Head三部分組成。其主干網(wǎng)絡(luò)（Backbone）包含卷積層（Conv，Convolution）、c2f（CSPDarknet53to2-StageFPN）結(jié)構(gòu)和SPPF（SpatialPyramidPooling）模塊[5]。

其中，卷積層用于提取目標(biāo)特征，第一個(gè)卷積核采用3×3卷積。在YOLOv7版本中，開始將卷積操作（Conv）與批歸一化（BatchNormalization）進(jìn)行了合并處理，從而大幅提高了模型的運(yùn)行速度。批歸一化（tuBraetcmhaNpso）rm進(jìn)a行l(wèi)iza歸tio一n）化是處指理對(duì)，卷其公積式后如得下到：的特征圖（fea?turemaps）進(jìn)行歸一化處理，其公式如下：

其中：γ是縮放系數(shù)，β是平移系數(shù)，μ和σ2分別為均值和方差，且均由每個(gè)通道（channel）單獨(dú)計(jì)算。同時(shí)，YOLOv8使用了SiLU（SigmoidLinearUnit）作為模型的激活函數(shù)。SiLU函數(shù)的定義如下：

f（x）=x?sigmoid（x）

與ReLU（RectifiedLinearUnit）函數(shù)相比，SiLU函數(shù)具有更強(qiáng)的非線性表達(dá)能力，從而顯著提升了網(wǎng)絡(luò)的表征能力。

此外，YOLOv8在c2f模塊中相較于YOLOv5的c3模塊，增加了更多的分支跨層連接和切分（split）操作。通過對(duì)特征圖進(jìn)行切分、提取新的特征并拼接，c2f模塊能夠更好地學(xué)習(xí)殘差特征，從而提升模型的特征表達(dá)能力。

在損失函數(shù)方面，YOLOv8取消了YOLOv5中的對(duì)象損失函數(shù)（ObjectnessLoss），而采用分類損失和回歸損失兩種損失函數(shù)。損失函數(shù)用于計(jì)算網(wǎng)絡(luò)模型預(yù)測(cè)值與真實(shí)值之間的距離，通過優(yōu)化損失函數(shù)，可以確定模型的改進(jìn)方向。損失函數(shù)的值越小，代表模型的預(yù)測(cè)能力越強(qiáng)，精準(zhǔn)度越高。

YOLOv8的分類損失函數(shù)為二元交叉熵（BCE，Bi?naryCrossEntropy），其公式如下：

式中：yi=1時(shí)表示屬于該類，yi=0時(shí)表示不屬于該類。二元交叉熵?fù)p失把屬于該類和不屬于該類的熵相加，保證了損失函數(shù)在結(jié)果上不會(huì)為零。

在回歸損失函數(shù)上，YOLOv8采用了以下公式，

IoU（IntersectionoverUnion）是指檢測(cè)到的預(yù)測(cè)框與真實(shí)框的交集面積與并集面積之間的比值，用于衡量檢測(cè)框的定位精度。公式中，ρ表示矩形框之間的歐式距離，c是矩形框的對(duì)角線距離，α代表權(quán)重系數(shù)。此外，引入了DFL（DistributionFocalLoss）損失，大幅提升了模型的泛化能力[7]。

2學(xué)生情緒評(píng)估模塊

2.1圖像輸入

YOLO模型通過OpenCV或PIL庫對(duì)輸入圖像進(jìn)行預(yù)處理，具體步驟包括：1）像素調(diào)節(jié)：對(duì)圖像像素值進(jìn)行調(diào)整以適配模型輸入需求；2）雙線性插值尺寸調(diào)整：將圖像調(diào)整為固定尺寸；3）卷積操作與特征提?。和ㄟ^卷積層提取圖像的局部特征；4）歸一化處理：對(duì)像素值進(jìn)行歸一化處理，使數(shù)據(jù)分布更均勻；5）顏色空間轉(zhuǎn)換：將圖像從RGB轉(zhuǎn)換為灰度或其他顏色空間。為了提高模型的訓(xùn)練效率和魯棒性，還會(huì)采用隨機(jī)裁剪和隨機(jī)縮放等數(shù)據(jù)增強(qiáng)方法[8]。

2.2數(shù)據(jù)集分析

本研究基于經(jīng)典的FER2013人臉表情識(shí)別數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練。

FER2013是一個(gè)在深度學(xué)習(xí)社區(qū)中被廣泛用于人臉表情識(shí)別任務(wù)訓(xùn)練和評(píng)估的數(shù)據(jù)集，最初由Pierre-LucCarrier和AaronCourville創(chuàng)建，并于2013年發(fā)布。該數(shù)據(jù)集包含35887張灰度圖像，每張圖像的分辨率為48×48像素，并標(biāo)注了七種不同的情感類別：開心（Happy）、憤怒（Angry）、悲傷（Sad）、害怕（Fear、驚訝（Surprise）、厭惡（Disgust）和中性（Neutral）。

FER2013數(shù)據(jù)集中的圖像來源于互聯(lián)網(wǎng)，圖像質(zhì)量各異，但具有較高的真實(shí)性，能夠很好地反映真實(shí)世界中的數(shù)據(jù)多樣性。這種多樣性為模型的訓(xùn)練和評(píng)估提供了良好的基礎(chǔ)[9]。

本研究使用YOLO算法對(duì)FER2013數(shù)據(jù)集進(jìn)行訓(xùn)練[10]，并使用其中四分之一的數(shù)據(jù)作為測(cè)試集。同時(shí)，邀請(qǐng)了1000名學(xué)生志愿者對(duì)訓(xùn)練好的模型進(jìn)行多次驗(yàn)證。

在模型訓(xùn)練過程中，損失函數(shù)值不斷減小，驗(yàn)證集的loss值在380次訓(xùn)練后趨于穩(wěn)定，最終達(dá)到0.128。模型對(duì)多種情緒的平均準(zhǔn)確率為96.41%，召回率為97.98%。

圖5展示了模型訓(xùn)練過程中損失函數(shù)的變化趨勢(shì)，可以看出模型在訓(xùn)練過程中逐漸收斂。圖6和圖7分別展示了模型的精度和召回率曲線，表明模型在情緒識(shí)別任務(wù)中取得了良好的性能。

經(jīng)過多次測(cè)試后可以得出結(jié)論，系統(tǒng)能夠有效捕捉測(cè)試者的面部表情，并準(zhǔn)確評(píng)估其情緒狀態(tài)。

2.3識(shí)別的準(zhǔn)確性分析

通過混淆矩陣分析模型的平均精度（AP）和平均精度均值（mAP），可以評(píng)估模型的訓(xùn)練性能和準(zhǔn)確性。在分析中，將真實(shí)標(biāo)簽設(shè)定為正類。

Precision（精確率）表示正確預(yù)測(cè)的正類樣本占所有預(yù)測(cè)為正類樣本的比例，其公式為：

precision=TP/TP+FP

其中，TP表示真正類樣本數(shù)，F(xiàn)P表示假正類樣本數(shù)。

Recall（召回率）表示正確預(yù)測(cè)的正類樣本占所有實(shí)際正類樣本的比例，其公式為：

recall=TP/TP+FN

其中，F(xiàn)N表示假負(fù)類樣本數(shù)。

AP值是通過Precision-Recall曲線計(jì)算得出的，用于表示單一類別的預(yù)測(cè)平均精度；而mAP值則表示所有類別的平均精度均值。模型的AP值和mAP值越高，表明模型的預(yù)測(cè)準(zhǔn)確性越高。

3學(xué)生舒緩心理模塊

3.1趣味測(cè)試

系統(tǒng)的趣味測(cè)試是學(xué)生心理緩解模塊的核心部分。該模塊包括性格測(cè)試和情緒測(cè)試，配備了豐富的題庫，旨在幫助學(xué)生通過答題測(cè)評(píng)更好地了解自己的性格特征和情緒狀態(tài)。當(dāng)學(xué)生進(jìn)入系統(tǒng)并選擇趣味測(cè)試后，可以根據(jù)自身需求選擇不同類型的測(cè)試。

1）性格測(cè)試。性格測(cè)試模塊具備完善的測(cè)試題庫，幫助學(xué)生發(fā)現(xiàn)自己的性格特征。測(cè)試過程中的問題充滿趣味性，有效緩解了學(xué)生在測(cè)試過程中可能產(chǎn)生的枯燥感，保障測(cè)試的順利進(jìn)行。測(cè)試完成后，系統(tǒng)會(huì)將測(cè)評(píng)結(jié)果匯總并反饋給學(xué)生，幫助其更好地認(rèn)識(shí)自己。

2）情緒測(cè)試。情緒測(cè)試旨在幫助學(xué)生了解自己的情緒狀態(tài)及情緒管理能力。通過測(cè)試問題和系統(tǒng)建議，學(xué)生可以更好地理解和控制自己的情緒，從而提升情緒管理水平。

3.2視頻課程

視頻課程是本模塊的另一個(gè)亮點(diǎn)。學(xué)生情緒評(píng)估與緩解系統(tǒng)提供了一系列高質(zhì)量的心理教育與心理咨詢課程，涵蓋了情緒管理、壓力管理、時(shí)間管理等多個(gè)方面。課程通過專業(yè)的講解和典型案例研究，幫助學(xué)生掌握心理調(diào)節(jié)技能，提高對(duì)壓力的抵抗力。

生動(dòng)有趣的視頻課程將抽象、枯燥的心理概念變得更加直觀和易于理解。在普及心理知識(shí)的同時(shí)，課程也起到了心理疏導(dǎo)和放松的作用。學(xué)生不僅能夠?qū)W習(xí)心理健康知識(shí)，還能通過這些課程有效緩解心理壓力。

3.3廣播FM

廣播FM模塊涵蓋了音樂、故事、采訪等多個(gè)領(lǐng)域的節(jié)目。學(xué)生可以通過聆聽輕松的音樂和生動(dòng)有趣的故事來減輕壓力，緩解情緒焦慮，享受心靈的休息。同時(shí)，采訪節(jié)目為學(xué)生提供了發(fā)展身心健康的靈感和思考。

學(xué)生情緒評(píng)估與緩解系統(tǒng)以趣味測(cè)試、視頻課程和廣播FM的三合一形式，為學(xué)生提供心理測(cè)評(píng)與心理緩解的服務(wù)。該系統(tǒng)幫助學(xué)生提升情緒管理技能和心理素質(zhì)，是一種創(chuàng)新且有效的工具。通過心理測(cè)評(píng)與心理緩解的結(jié)合，學(xué)生能夠更好地了解自己的心理狀態(tài)，預(yù)防和應(yīng)對(duì)潛在的心理問題。

隨著未來數(shù)字醫(yī)學(xué)時(shí)代的到來，YOLO測(cè)評(píng)與心理測(cè)評(píng)相結(jié)合的形式將在提升學(xué)生心理健康和幸福感方面發(fā)揮更大的作用。

4系統(tǒng)優(yōu)勢(shì)

4.1系統(tǒng)結(jié)構(gòu)

基于YOLO動(dòng)態(tài)人臉實(shí)時(shí)捕捉的學(xué)生情緒評(píng)估與舒緩系統(tǒng)包括情緒評(píng)估和舒緩心理兩個(gè)模塊。系統(tǒng)要求用戶在具備適合面部表情識(shí)別的環(huán)境條件下使用。

1）情緒評(píng)估模塊。情緒評(píng)估模塊需要用戶使用帶有攝像頭的設(shè)備。在進(jìn)入情緒評(píng)估模塊后，用戶需將面部完全置于鏡頭范圍內(nèi)，并點(diǎn)擊“開始識(shí)別”按鈕。系統(tǒng)會(huì)實(shí)時(shí)捕捉并分析用戶的面部表情，將每種表情識(shí)別為對(duì)應(yīng)的情緒類別，并附上相應(yīng)的情感標(biāo)簽，實(shí)時(shí)顯示給用戶。

2）舒緩心理模塊。舒緩心理模塊旨在為用戶提供輕松、愉悅的體驗(yàn)，幫助用戶放松心情和管理情緒。用戶進(jìn)入舒緩心理模塊后，可以根據(jù)自己的需求選擇適合的功能模式，包括趣味測(cè)試、視頻課程和廣播FM。

4.2系統(tǒng)創(chuàng)新點(diǎn)

1）實(shí)時(shí)動(dòng)態(tài)人臉捕捉。系統(tǒng)利用YOLO深度學(xué)習(xí)框架的高效性和精確性，能夠?qū)崟r(shí)捕捉視頻流中的學(xué)生人臉。這種實(shí)時(shí)性保證了系統(tǒng)能夠在極短時(shí)間內(nèi)對(duì)學(xué)生的情緒狀態(tài)進(jìn)行響應(yīng)和評(píng)估。

2）高精度情緒識(shí)別。系統(tǒng)結(jié)合計(jì)算機(jī)視覺技術(shù)與深度學(xué)習(xí)算法，高精度解析面部表情信息，能夠識(shí)別出快樂、悲傷、驚訝、憤怒、厭惡、恐懼和中性等基本情緒，為系統(tǒng)提供可靠的數(shù)據(jù)支持，使評(píng)估結(jié)果更具參考價(jià)值。

3）多樣化模塊設(shè)計(jì)。系統(tǒng)提供用戶友好的模塊界面，用于實(shí)時(shí)顯示學(xué)生情緒評(píng)估的結(jié)果。界面設(shè)計(jì)簡(jiǎn)潔明了，方便用戶快速獲取并理解評(píng)估結(jié)果，從而提升用戶體驗(yàn)和興趣。

4）良好的擴(kuò)展性與未來兼容性。本研究基于開源的YOLO深度學(xué)習(xí)框架，具有良好的擴(kuò)展性和兼容性。未來可以根據(jù)需求對(duì)系統(tǒng)進(jìn)行進(jìn)一步開發(fā)和優(yōu)化。通過將YOLO動(dòng)態(tài)人臉實(shí)時(shí)捕捉與學(xué)生情緒評(píng)估相結(jié)合，系統(tǒng)在實(shí)時(shí)性、準(zhǔn)確性和應(yīng)用場(chǎng)景等方面具有顯著的創(chuàng)新性，為學(xué)生情緒評(píng)估的智能化和個(gè)性化發(fā)展提供了強(qiáng)有力的支持。

5結(jié)束語

本研究提出了一種基于YOLO算法的全新學(xué)生情緒評(píng)估方法。通過實(shí)時(shí)捕捉學(xué)生的面部表情特征，利用深度學(xué)習(xí)模型對(duì)學(xué)生情緒進(jìn)行評(píng)估，同時(shí)增加了舒緩心理的功能模塊，增強(qiáng)了學(xué)生的使用體驗(yàn)，使系統(tǒng)更加完善和個(gè)性化。該系統(tǒng)旨在幫助學(xué)生更好地理解自身情緒變化，從而能夠做出更為理性和正確的判斷，促進(jìn)健康成長(zhǎng)。

盡管如此，系統(tǒng)的算法和性能仍需持續(xù)研究和改進(jìn)，以探索更多的應(yīng)用場(chǎng)景并拓展模型的功能范圍。在當(dāng)前科技不斷進(jìn)步的大趨勢(shì)下，未來將涌現(xiàn)出更加智能的輔助情緒評(píng)估系統(tǒng)，為學(xué)生情緒評(píng)估方法帶來更多創(chuàng)新與變革。

參考文獻(xiàn)：

[1]夷德.基于YOLO的目標(biāo)檢測(cè)優(yōu)化算法研究[D].南京：南京郵電大學(xué)，2021.

[2]沈雅婷，白郁馨.卷積網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的人臉識(shí)別算法[J].電腦與電信，2023（6）：9-13，17.

[3]任培銘.基于YOLO的實(shí)時(shí)目標(biāo)檢測(cè)方法研究[D].無錫：江南大學(xué)，2019.

[4]劉彥清.基于YOLO系列的目標(biāo)檢測(cè)改進(jìn)算法[D].長(zhǎng)春：吉林大學(xué)，2021.

[5]許習(xí)軍，張明遠(yuǎn)，孟文俊，等.基于機(jī)器視覺的緊密排列目標(biāo)檢測(cè)研究[J].起重運(yùn)輸機(jī)械，2024（9）：20-28.

[6]毛玉龍.基于不同卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法對(duì)比研究[J].測(cè)繪標(biāo)準(zhǔn)化，2023，39（4）：39-43.

[7]王貞，邱杭，吳斌，等.基于CCG-YOLOv8的施工場(chǎng)景下安全帽佩戴檢測(cè)[J].武漢理工大學(xué)學(xué)報(bào)，2024，46（6）：73-80.

[8]惠康華，劉暢.基于YOLO5Face重分布的小尺度人臉檢測(cè)方法[J].計(jì)算機(jī)仿真，2024，41（3）：206-213.

[9]何穆彬，萬振凱.基于大數(shù)據(jù)的學(xué)生情緒異常波動(dòng)風(fēng)險(xiǎn)評(píng)估仿真[J].計(jì)算機(jī)仿真，2023，40（9）：247-250，273.

[10]丁祥，唐宏偉，石書琪，等.基于改進(jìn)EfficientNet的表情識(shí)別方法[J].自動(dòng)化應(yīng)用，2024（8）：203-206，210.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：賀州學(xué)院博士科研啟動(dòng)基金項(xiàng)目資金資助（項(xiàng)目編號(hào)：2024BSQD09）