企业官网建设流程全解析

简介：本资源是一份面向生物医学工程初学者与MATLAB信号处理学习者的R波检测实践方案，聚焦心电图（ECG）中关键的心室激动点识别问题，适用于心率计算、心律失常分析等临床辅助场景。压缩包共2个文件（1个MATLAB主程序.m文件 + 1个ECG原始数据.txt文件），总大小仅6KB，轻量简洁，便于快速运行与调试；其中.m文件实现了完整的R波检测流程，涵盖滤波去噪、基线校正、峰值检测与R-R间隔计算等核心步骤，txt文件提供可直接加载的实测心电信号样本。已有1439人学习下载，代码结构清晰、注释充分，无需额外工具箱即可运行，特别适合作为课程设计参考、毕设算法原型或信号处理入门实战范例。 做心电信号处理的人，十有八九第一个绕不开的问题就是R波检测。不管是做心率变异性分析、心律失常识别，还是做可穿戴设备的实时心率监测，R波的位置都是最基础、也最关键的一环。简单说，R波就是心电信号里那个最高、最尖锐的波峰，对应心室除极的过程，检测到它，就等于数清了心跳次数，也拿到了后续所有分析的时间锚点。这篇文章我打算直接用MATLAB跑一套完整可复现的R波检测算法，把从滤波、差分、平方、积分到自适应阈值的整个链路拆开讲，同时把我在实际项目里踩过的坑和调参经验一并放进来。不管你是刚接触生物医学信号处理的学生，还是已经写了几年代码、想把检测准确率再往上提一截的工程师，这套方案都能直接拿来用，也能帮你理解为什么R波检测看起来简单，真正做好却要花不少心思。

很多人第一次接触R波检测，都会觉得“找一个峰值而已，不就是找最大值吗”。真上手做一次就知道了，心电信号里的噪声、基线漂移、高尖T波、运动伪迹，随便哪个都能让一个朴素的找峰值程序瞬间崩溃。这也是为什么R波检测在过去的几十年里一直是一个值得研究的课题，从经典的数字差分法、阈值法，到后来的小波变换、神经网络，本质上都是在解决同一个问题：如何在干扰存在的情况下，稳定、准确地找到每一个真实的R波位置。

1. R波检测到底在解决什么问题？为什么算法选型这么关键

1.1 心跳信号里有一个“最亮”的峰

先把心电图的基本形态捋一遍。一次完整的心搏在心电图上会留下P波、QRS波群、T波这三段主要的波形。P波是心房除极，幅度小、波形缓；QRS波群是心室除极，其中R波是整个QRS波群里幅度最大、斜率最陡的那个正向波；T波是心室复极，幅度中等、波形较宽。R波之所以被当作检测目标，是因为它在整个心搏周期里特征最突出——幅度高、频带宽、波形尖锐，相比P波和T波更容易和噪声区分。

从频域上看，R波的能量主要集中在5-20Hz这个范围，而P波、T波属于低频成分，主要分布在0.5-5Hz，肌电干扰和工频干扰则集中在更高的频段以及50Hz/60Hz附近。这个频域差异给了我们很大的操作空间：只要先做一个合适的带通滤波器，把R波所在的频段单独放行，就能把大部分干扰挡在门外。这也是几乎所有经典R波检测算法的第一步。

1.2 为什么不能只用固定阈值硬切

一个很自然的想法是：滤波之后取一个固定阈值，凡是超过阈值的点都算R波。这种做法在干净、平稳的静息心电数据上往往能跑出不错的效果，但一旦数据稍微复杂一点，问题就来了。人的心律不是永远稳定的，R波幅度会随着呼吸、体位变化、导联接触情况上下波动，噪声水平也在不断变化。固定阈值如果设得高了，漏检；设得低了，误检。

所以成熟的检测器普遍采用“信号预处理+自适应阈值+生理约束”的组合策略。自适应阈值的意思是，根据过去一段时间内检测到的R波幅度动态调整当前判定阈值；生理约束指的是不应期（refractory period）——即一个R波发生后大约200毫秒内，生理上不可能再出现另一个正常的R波，这个时间窗内直接屏蔽新的检测结果。这两个机制加起来，才让算法在复杂场景下依然保持稳定。

2. 算法设计思路：从Pan-Tompkins到自适应检测

2.1 为什么都要先做滤波

Pan-Tompkins算法是最经典的R波检测方案之一，1985年提出，到现在依然是很多算法的对比基准。它的信号处理链路是：带通滤波、差分、平方、移动窗口积分、自适应阈值判定。这个流程的每一步都有明确的物理含义。

带通滤波的目的前面说过，是把R波频段外的成分尽量滤掉。滤波器的带宽选择会直接影响后续所有步骤的效果，太宽了，噪声和T波残留多；太窄了，R波本身也会被压扁，幅度变低、斜率变缓。我通常建议先用5-15Hz或者0.5-20Hz这种区间做实验，再根据数据质量微调，而不是直接照抄文献参数。原因是不同采样率、不同导联、不同采集设备下，R波的频谱特性会有差异，一个固定的滤波器参数很难通吃所有情况。

这里有一个经验：滤波器的阶数不要太高。你可能会觉得阶数越高滤波越干净，但在心电检测这个场景里，高阶滤波器会带来两个问题：一是相位畸变，让R波峰位置发生偏移；二是群延迟过大，导致波形变形。MATLAB里用filtfilt做零相位滤波能解决相位偏移的问题，但filtfilt的计算量比filter大不少，实时场景下要权衡。离线分析建议直接用filtfilt，实时处理则可以考虑把延迟补偿做好后用filter。

2.2 差分、平方和移动窗口积分：把R波“放大”成功率信号

滤波之后的信号虽然干净了一些，但R波并不总是整个信号里的最高点，单靠幅度判断依然容易出错。Pan-Tompkins算法的聪明之处在于，它不只关注幅度，还关注斜率。R波的斜率是整个PQRST波形里最陡的，这一点在病理信号里尤其重要——有些患者的R波幅度不高，但斜率依然很陡。

一阶差分就是对信号求变化率，它的输出在R波所在位置会形成一个很大的峰值，而P波、T波这些变化缓慢的成分在差分后被大幅削弱。差分之后再做平方，目的是把差分结果中的正负值统一为正数，同时进一步拉开大斜率成分和小斜率成分之间的差距。这一步其实是在做一种非线性放大，类似信号处理里的“能量化”操作。

最后一步移动窗口积分是把一段窗口内的能量累加起来。为什么要做积分而不是直接对平方后的信号做峰值检测？因为差分后的信号虽然是R波处有个尖峰，但也非常“毛糙”，会出现很多小的局部极值，直接找峰值容易找到一堆假峰。通过移动窗口积分，信号变得平滑，形成一个明显的“平台”状波形，R波对应位置的积分值显著高于其他位置，这时候再拿阈值去判断，成功率就会高很多。窗口长度的选取有讲究，太长会把相邻的两个R波融合在一起，太短则平滑效果不明显。一般取0.12-0.2秒的范围，配合具体心率情况调整。

2.3 阈值与不应期：决策层是怎么工作的

预处理做完之后，信号已经变成了一个适合阈值判断的“能量曲线”，剩下的就是决策规则。Pan-Tompkins算法采用双阈值策略，一个高阈值用于较保守地确认R波，一个低阈值用于在信号幅度偏低时补充检测。如果高阈值检测到了候选点，就把它当作R波；如果只有低阈值检测到候选点，再结合斜率、幅度等条件决定是否接受。

我这里在实际工程里更喜欢用自适应阈值，即维护一个信号峰值估计值signalPeak和一个噪声峰值估计值noisePeak。每次检测到候选峰时，根据它被判为信号还是噪声来更新对应估计量。阈值取二者中的较大值再乘以一个比例系数。这样整个算法就带上了“记忆”，能自动适应信号幅度的缓慢变化。

不应期是另一个必须加上的约束。人的心室在除极之后有一个约200毫秒的绝对不应期，在这个窗口内不可能再有正常的QRS波出现。所以在检测到R波后，我会把当前位置往后的200毫秒设为屏蔽区，任何落在这个区域内的候选点都直接忽略。这个机制不仅符合生理事实，还能有效避免因T波过高或噪声脉冲导致的连续误检。

3. MATLAB完整实现：一步步搭出可用的R波检测器

3.1 工具与前置准备

MATLAB里做R波检测不需要什么特殊的工具箱，基础的Signal Processing Toolbox就够用。如果没有，单纯用conv、diff、findpeaks这些自带函数也能完成大部分工作。版本方面，我个人测试过R2020a到R2023b，基本没什么兼容性问题。唯一要注意的是，早期版本对字符串和函数语法的支持略有差异，建议至少用R2021a以后的版本。

数据的准备上，如果你手头没有心电数据，可以用MIT-BIH心律失常数据库这类公开数据集来测试。注意数据采样率一般是360Hz，读取时要对应调整参数。自己采集的数据则需要确认采样率，很多可穿戴设备是250Hz或512Hz，这直接决定了滤波器参数和窗口长度。

3.2 主函数代码与分段讲解

我把核心检测逻辑封装成了一个函数，输入原始心电信号和采样率，输出R波位置下标和对应幅度。整个函数分成预处理、特征增强、阈值检测三个模块，方便你根据自己的需求调整。

function [rPeaks, rLocs] = detectRWave(ecg, fs, varargin) % detectRWave 基于Pan-Tompkins改进算法的R波检测函数 % 输入： % ecg - 一维心电信号，单位建议统一为mV或原始ADC值 % fs - 采样率，单位Hz % 输出： % rLocs - R波峰值对应的下标位置(1-based) % rPeaks - R波峰值幅度(即原始ecg对应位置的值) % 默认参数 p = inputParser; addParameter(p, 'LowCut', 5, @(x) isnumeric(x) && x > 0); addParameter(p, 'HighCut', 15, @(x) isnumeric(x) && x > 0); addParameter(p, 'Refractory', 0.2, @(x) isnumeric(x) && x > 0); addParameter(p, 'WinSize', 0.12, @(x) isnumeric(x) && x > 0); addParameter(p, 'ThresholdFactor', 0.4, @(x) isnumeric(x) && x > 0); parse(p, varargin{:}); opt = p.Results; % 将输入信号转为列向量，方便统一处理 ecg = ecg(:); n = length(ecg); % ---- 第1步：带通滤波 ---- % 使用4阶Butterworth带通滤波器，零相位滤波避免R波位置偏移 % 注意：低截止频率不能设太高，否则T波和P波成分虽然被削弱， % 但真实R波的低频分量也会丢失，导致波形变形 [b, a] = butter(4, [opt.LowCut opt.HighCut] / (fs/2), 'bandpass'); ecgFilt = filtfilt(b, a, ecg); % ---- 第2步：差分 ---- % 一阶差分近似信号斜率，R波处斜率最大，差分值最大 diffECG = diff(ecgFilt); % 由于diff会使长度减1，末尾补一个0保持长度一致 diffECG = [diffECG; 0]; % ---- 第3步：平方 ---- % 平方将负值转正并对大斜率做非线性放大 sqECG = diffECG .^ 2; % ---- 第4步：移动窗口积分 ---- % 窗口内求和后取平均，得到平滑的能量包络 winLen = max(1, round(opt.WinSize * fs)); kernel = ones(1, winLen) / winLen; integECG = conv(sqECG, kernel, 'same'); % ---- 第5步：自适应阈值检测 ---- % 初始化阈值估计量 signalPeak = 0.15 * max(integECG(1:min(n, fs*2))); noisePeak = 0.05 * max(integECG(1:min(n, fs*2))); threshold = 0.5 * signalPeak; refractoryCount = round(opt.Refractory * fs); rLocs = []; rPeaks = []; % 用于记录上一次检测位置，实现不应期 lastDetect = -refractoryCount; for i = 1:n % 找到最小局部搜索窗口的局部最大值 % 这里使用一个简单策略：积分值超过阈值后，搜索窗口内最大值 if integECG(i) > threshold && (i - lastDetect) > refractoryCount % 在当前点附近搜索局部最大值，窗口为0.05秒 searchWin = max(1, i-round(0.05*fs)) : min(n, i+round(0.05*fs)); [~, idxLocal] = max(integECG(searchWin)); loc = searchWin(idxLocal); rLocs(end+1) = loc; %#ok<AGROW> rPeaks(end+1) = ecg(loc); %#ok<AGROW> lastDetect = loc; % 更新信号能量估计 signalPeak = 0.125 * integECG(loc) + 0.875 * signalPeak; else % 没达到阈值时，该位置的峰值用于更新噪声估计 if integECG(i) > 0 noisePeak = 0.125 * integECG(i) + 0.875 * noisePeak; end end % 定期更新阈值，让阈值始终处于信号峰和噪声峰之间 if signalPeak > 0.1 * noisePeak threshold = opt.ThresholdFactor * signalPeak + 0.1 * noisePeak; else threshold = 0.5 * signalPeak; end end % 去重：确保同一个R波没有被重复记录 if length(rLocs) > 1 keep = [true, diff(rLocs) > refractoryCount]; rLocs = rLocs(keep); rPeaks = rPeaks(keep); end end

这段代码里有几个地方需要单独强调。

第一，filtfilt做零相位滤波，这步最好不要省。普通filter会带来相位延迟，导致检测到的R波位置整体往后偏移几十毫秒，这对心率变异性分析来说是完全不能接受的。

第二，差分后信号长度会减一，我在这里补了一个0，这个细节很多人会漏掉。你在实际编码时如果发现结果总是不对，先检查数组长度。

第三，阈值更新需要放在循环内部，而且要注意更新频率。我见过一些实现把阈值在每个采样点都更新，结果阈值跟着每个小波动乱跳，反而失去了“自适应”的意义。正确做法是：只有在检测到候选峰或明显噪声峰时才更新对应估计量。

3.3 如何调用并可视化结果

调用方式很简单：

% 假设ecg为你的心电信号，fs为采样率 [rPeaks, rLocs] = detectRWave(ecg, fs, 'LowCut', 5, 'HighCut', 15); % 可视化 t = (0:length(ecg)-1) / fs; figure; plot(t, ecg, 'b'); hold on; plot(t(rLocs), rPeaks, 'ro', 'MarkerSize', 8, 'LineWidth', 1.5); xlabel('时间 (s)'); ylabel('幅度 (mV)'); legend('原始ECG', 'R波检测结果'); title('R波检测效果图'); grid on;

如果你用的是MIT-BIH数据，别忘了数据本身是双导联的，一般取MLII导联（修改的II导联）做检测效果最好。采样率360Hz，对应代码里的窗口和不应期参数都按360Hz来算。跑完以后，把检测结果和数据库自带的注释文件比对一下，就可以计算灵敏度、阳性预测值这些指标了，这一点后面专门说。

4. 参数调优：不同数据、不同导联下的实操经验

4.1 采样率对参数的影响

很多人喜欢从网上抄一份代码就跑，跑不通或者效果不好就怀疑代码有bug。实际上，很多问题都出在参数没有跟着采样率换算。WinSize和Refractory这两个参数都是基于物理时间的，但代码里需要把它们换算成采样点数。我在函数里已经做了换算，但如果你自己修改代码，务必保持这个习惯。

举个例子：采样率是250Hz时，0.2秒的不应期为50个采样点，0.12秒的积分窗口为30个点；采样率1000Hz时，同样的物理时间对应200点和120点。如果你的窗口长度没有随采样率缩放，高采样率下你的积分窗口可能只覆盖了零点几毫秒的范围，平滑效果几乎为零，检测结果自然一团糟。

采样率本身也会影响高频噪声的折叠情况。250Hz的采样率下，奈奎斯特频率是125Hz，工频干扰（50Hz/60Hz）还在有效范围内，没有混叠到低频段，滤波可以处理；但如果采样率很低，比如只采125Hz，那50Hz的工频干扰会直接混叠到低频段，和R波频段重叠，就很难滤干净了。所以采集设备选型时，采样率建议不低于250Hz。

4.2 导联差异：不是所有导联都适合检测

心电的导联选择也是个经常被忽略的因素。标准十二导联里，II导联的R波通常最高、最规整，所以大部分算法在II导联上表现最好。胸导联（V1-V6）的R波形态变化较大，有些导联甚至以负向波为主，需要额外的极性判断。肢体导联容易受运动干扰，但基线漂移一般比胸导联小。

实际项目里，如果是可穿戴单导联设备，大多数用的是类似II导联的佩戴位置，或者胸部的简化导联，这类信号R波形态比较理想，用上面这套流程基本够用。如果是多导联数据，可以把每个导联都跑一遍，然后通过时间一致性校验合并结果——不同导联在同一时刻都检测到候选峰，则判定为真R波；只有单一导联检测到，则需要进一步确认。这种多导联投票策略能显著降低误检率。

4.3 我的调参顺序与技巧

参数调优的时候，我一般按照“先滤波、再窗口、后阈值”的顺序来。

先看滤波后的波形，确认R波是否清晰、T波是否被充分削弱。如果R波旁边还能明显看到高尖T波，说明高通截止频率太低（比如用了0.5Hz），可以试着提到3-5Hz；如果R波本身变形、变得圆钝，说明高通截止太高或者带宽太窄，需要往回调。这一步用眼睛确认比看任何指标都快。

再看积分窗口。积分窗口长度会直接改变检测波形的平滑程度。如果出现一个R波对应两个相邻候选峰，多半是窗口太短；如果两个相邻很近的R波被合并成一个，说明窗口太长。0.1-0.15秒是我常用的区间，配合60-120次/分的心率范围，基本不会出大问题。

最后调阈值比例。ThresholdFactor的值越小，阈值越低，检测越灵敏，但误检风险也越高。正常静息数据用0.4-0.5比较稳；如果数据质量差、R波幅度忽高忽低，可以降到0.3左右。但是注意，阈值只是一个兜底机制，真正决定算法上限的还是前面的滤波和特征增强，不要寄希望于靠阈值解决所有问题。

5. 性能评估：灵敏度、阳性预测值这些指标怎么算怎么看

5.1 评价指标公式与意义

算法做完不是跑几张好看的图就算完，实际交付的时候肯定要有量化评价。R波检测最常用的几个指标是灵敏度（Se）、阳性预测值（PPV）和整体检测准确率。它们的定义如下。

TP是真阳，即算法检出且注释里也是R波；FP是假阳，即算法检出但注释里不是R波；FN是假阴，即注释里有R波但算法没检出来。

需要注意的是，判定检出点和注释点是否匹配，通常要设一个时间容差，比如±50毫秒或±100毫秒。容差设得越宽，指标显然越好看，但那是自欺欺人。我习惯用±50毫秒，也就是在100Hz采样率下不超过5个点。如果算法定位精度差，后面做心率变异性分析时，RR间期误差会直接放大。你可以想象一下：心率变异性分析里SDNN这个指标对RR间期误差极其敏感，位置偏个一二十毫秒，计算结果可能就完全没参考价值了。

5.2 用标注数据做评估的流程

以MIT-BIH数据为例，每条记录都带有独立的注释文件，里面标出了每个心拍的位置和类型。评估流程可以写成这样的伪代码：

% annLoc 为标准注释的R波位置，detLoc 为算法检测到的位置 tp = 0; fp = 0; fn = 0; tolerance = round(0.05 * fs); matched = false(size(detLoc)); for i = 1:length(annLoc) d = abs(detLoc - annLoc(i)); [mind, idx] = min(d); if mind <= tolerance && ~matched(idx) tp = tp + 1; matched(idx) = true; else fn = fn + 1; end end fp = sum(~matched); Se = tp / (tp + fn) * 100; PPV = tp / (tp + fp) * 100;

印象里我用这套流程在MIT-BIH的100号数据上测试过，调整好参数之后灵敏度一般能到99%以上，阳性预测值也能稳定在99%上下。但在105号、108号这类噪声比较大、波形异常多的记录上，指标会明显下降，这时候才看得出一个算法是不是真的稳。所以评估时别只看一两条记录，至少要选几条典型的“难数据”一起看。

5.3 评估结果的可视化自查

除了冷冰冰的数字，我强烈建议把检测结果画出来，分段人工检查。一次画10秒，重点看三类片段：一是R波密集的片段，看是否有漏检；二是T波高尖的片段，看是否误检；三是运动伪迹或基线突变片段，看算法是否还能保持稳定。

画图的时候可以同时叠加积分信号的包络线和阈值线，这样能直观地看到候选峰是怎么被筛选出来的。有一次我就是靠这种可视化发现，某个数据段里的噪声峰值刚好落在不应期之外，导致误检率飙升，如果只看评价指标根本定位不到原因。

6. 常见问题与排查实录

6.1 高尖T波被当成R波

这是R波检测里最经典的问题。T波在某些病理状态或心率较快时会变得又高又尖，幅度甚至能接近R波，单从幅度上很难区分。排查步骤一般是：先看滤波后的波形中T波还有多少残留，如果T波幅度仍然超过R波的一半，就调高带通滤波器的下限频率，比如从0.5Hz提到5Hz。因为T波属于低频成分，提高高通截止频率能有效削弱它。如果T波仍然高尖，说明问题可能出在窗口积分阶段，可以适当增大积分窗口长度，让T波被“摊平”一些。最后迫不得已再考虑加形态判断，比如检查候选峰周围的斜率特征。

6.2 基线漂移导致R波幅度忽高忽低

呼吸、电极移动都会带来低频基线漂移，表现为心电信号整体上下起伏。基线漂移会让R波幅度在某个时刻变得异常高或异常低，如果阈值是自适应的还好，但实际效果依然受影响。我的处理方式是在带通滤波之外，再加一个中值滤波或者多项式拟合来估计基线并减掉。中值滤波器的窗口长度一般在0.2-0.4秒或者更长，用来估计基线比较合适。注意不要太短，否则会把R波成分也吸收进基线估计里。

6.3 运动伪迹把R波淹没

运动伪迹的频谱范围宽、幅度大，往往会把R波完全覆盖掉，属于最难处理的干扰类型。滤波能减弱一部分，但无法根除。这种情况下，我通常会先检查信号质量，用一个滑窗内的信号方差或峰值幅度作为质量指标，把质量太差的片段标记出来，不参与R波检测。宁可少检一段，也不要硬着头皮检出一堆错误结果。对于可穿戴设备来说，这种信号质量评估是很有必要的前置模块。

6.4 起搏器脉冲导致误检

装有起搏器的患者，心电信号上会叠加一个非常窄、非常尖锐的起搏脉冲，这个脉冲的频谱范围极宽，带通滤波器很难完全滤除，而且在差分和平方操作后会被进一步放大，很容易被当成R波。针对起搏器信号，一个有效的办法是做一个时域模板检测：起搏脉冲的宽度通常只有1-2毫秒，可以先识别出这种窄脉冲，并在检测逻辑里额外加一个屏蔽窗口。也可以反过来，先检测起搏脉冲的位置，把对应区域在积分信号里置零，然后再做R波检测。

7. 还能怎么升级：小波变换与深度学习路线

7.1 小波变换检测的适用场景

如果你觉得传统的Pan-Tompkins流程在复杂数据上仍然不够稳，可以试试小波变换。小波变换的好处是能够同时在时域和频域刻画信号的局部特征，R波在特定尺度上会表现出模极大值，利用这个特性可以干净地把R波从噪声中分离出来。MATLAB里用cwt函数可以很方便地做连续小波变换，然后选择与R波频段对应的尺度重构信号，再用类似峰值的检测方法找到R波。

我在一些信噪比很低的动态心电数据上测试过，小波方法确实比纯时域方法更抗噪，但它的代价是计算量大，实时性差。如果你的应用场景是离线分析，小波方法值得一试；如果要做实时嵌入式部署，Pan-Tompkins这类轻量方法仍然是更务实的起点。

7.2 深度学习的实际注意点

近些年也有不少用深度学习做R波检测的工作，思路无非是把它建模成序列标注或目标检测问题。CNN、LSTM、Transformer都有应用。我的态度是：如果你有大量标注数据，训练资源也够，深度学习确实能做出非常鲁棒的检测器；但如果数据量不大，或者你只是想快速拿到可用的结果，经典的信号处理方法往往更高效，也更容易调试。另外，深度学习模型在实际部署时的推理延迟和内存占用也要考虑，特别是可穿戴设备上，不是所有算法都适合塞进去。

无论走哪条路线，预处理和评价标准都是通用的。先想清楚你的数据是什么质量、你需要的检测精度是多少、部署环境允许的计算量有多大，再决定采用多复杂的方案。

我在实际项目里最大的体会是，R波检测不是一个“跑通模型”就结束的任务，它更像是一个需要不断和数据磨合的过程。每换一批数据，参数可能要重新调，甚至算法结构也要小幅修改。但是只要你把底层每一步的原理吃透了，无论遇到什么情况，都能比较快地定位问题、找到对策。最后再分享一个小技巧：所有的检测结果，一定保留一个可视化的检查开关，在你处理大量数据或者调整参数的时候，它能帮你省下的时间和精力，远超你写那几行画图代码的付出。

本文还有配套的精品资源，点击获取