專利名稱：基于二階盲辨識的腦電信號識別方法
技術領域：
本技術發(fā)明屬于生物醫(yī)學工程和信息技術領域。 技術背景
身份識別及驗證是是保證國家公共安全和信息安全的重要前提。在國家安 全、公安、司法、電子商務、電子政務、安全檢査、保安監(jiān)控等應用領域，都 需要準確的身份識別及鑒定。傳統(tǒng)的身份標識物品(如鑰匙、證件、銀行卡) 等的驗證方法；另一類為基于身份標示知識(如用戶名、密碼等)的驗證方法。 但是，標示物品容易遺失或假冒，標示知識容易遺忘或破譯。生物特征識別技 術給這一愿望帶來了實現(xiàn)的可能。人們可能會遺忘或丟失他們的卡片或密碼， 但絕對不會遺忘或者丟失自己的生物特征，如人臉、指紋、虹膜、掌紋、腦電 波等。因此，基于生物特征識別技術的個人身份識別系統(tǒng)具有更好的安全性、 可靠性和有效性，正越來越受到人們的重視，并開始進入我們社會生活的各個 領域，迎接新時代的挑戰(zhàn)。自20世紀80年代末90年代初，隨著信息安全重 要性的日益突出，生物特征識別技術研究開始成為一個研究熱點。生物特征識 別技術(Biometrics)是指通過計算機與光學、聲學、生物傳感器和生物統(tǒng)計學
原理等高科技手段密切結合，利用人體固有的生理特性(如指紋、人臉、虹膜、 腦電波、脈搏等)或行為特征(如筆跡、語音、步態(tài)等)來進行個人身份的認證。 生物特征識別技術具有不會遺忘、不易偽造或被盜、隨身攜帶和隨時隨地可用 等優(yōu)點，比傳統(tǒng)的身份認證方法更加安全、保密、方便。能夠用來鑒定和認證 身份的生物特征應該具有普遍性、唯一性、穩(wěn)定性和可采集性等特點。目前， 比較成熟和最具有應用前景的幾種生物特征識別技術包括指紋、人臉、人臉溫 譜圖、虹膜、視網(wǎng)膜、手型、聲紋以及簽名等。其中，虹膜識別和指紋識別被 公認為最可靠的兩種生物識別技術。
人的任何生理或行為特征只要它滿足以下的條件，原則上就可以作為生物 特征用于身份鑒別(1)普遍性，每個人都有；(2)唯一性，每個人都不同； (3)穩(wěn)定性，在某一段時間是不變的；(4)可采集性，可以方便的定量測量。 當然，僅僅滿足以上的條件未必可行，實際的系統(tǒng)還應該考慮(1)性能，即 識別的準確性、速度、魯棒性以及為達到要求所需要的資源；(2)可接受性， 人們對這種生物識別的接受程度；(3)可欺騙性，能否通過主觀欺詐的方法騙 過系統(tǒng)的難易程度。
目前常用的生物識別技術存在這樣或那樣的問題，例如人臉識別對于雙胞胎無能為力；聲紋識別容易模仿；指紋識別會受手指受傷的影響，同時也容易 盜用。腦電(EEG)信號不僅是一個非常有用的臨床診斷工具，而且也是一種 很好的用于身份認證的生物特征識別工具。首先，它具備普遍性，每個人都有 腦電波；其次由于每個人的大腦特性、思維方式、記憶等不同造成人與人之間 存在不同的EEG信號；第三，EEG也具備一定的穩(wěn)定性，在一定時間內(nèi)，EEG 信號可以保持相對的穩(wěn)定性，最后，EEG信號便于采集?；贓EG信號的生物 識別系統(tǒng)能夠達到一定的準確性和較快的速度，并且對人體不會產(chǎn)生任何傷 害，人們也能接受。由于EEG信號來源于大腦的思維活動，難以偽造，系統(tǒng)的 魯棒性很高。對人腦的腦電信號研究分析表明，不同個體在不同的腦區(qū)會產(chǎn)生 不同的神經(jīng)脈沖反應，根據(jù)這種腦電信號不同，可以提取出個體的腦電信號特 征，利用設定的分類算法，能使得腦電信號具備個體特異性?；谝陨戏治觯?基于腦電的生物身份識別系統(tǒng)是一種新的有應用前景的身份鑒別系統(tǒng)。

發(fā)明內(nèi)容
本發(fā)明利用對運動想象腦電信號的分類，實現(xiàn)對受試者的身份識別，只采 用與運動想象有關的電極信號進行數(shù)據(jù)分析，采用經(jīng)研究對運動想象腦電信號 十分有效的信號處理及特征抽取方^~一二階盲辨識和Fisher距離來提取特 征，借助神經(jīng)網(wǎng)絡進行特征分類，從而實現(xiàn)身份的識別。該方法適合包括身體 殘疾，視覺缺陷等各類人群，有較好適用性。
本發(fā)明包含以下步驟
步驟l、受試者帶上電極帽，原始腦電(EEG)信號是通過64導符合國際 腦電圖學會標定的10/20法的EEG放大器采集，采樣率為250Hz，以左側乳突 為參考電極，帶通濾波器通頻帶為l-50Hz，選取6個電極采集腦電信號(也就 是國際腦電圖學會標定的10/20國際標準中的C3， C4， P3， P4， 01和02共6 個電極位置)，采集不同運動想象過程的受試者腦電信號。
步驟2、在計算機屏幕上根據(jù)設定好的刺激程序(提示受試者開始想象運 動)，受試者根據(jù)實驗要求，做出四類不同的運動想象(想象左手運動、右手 運動、腿動和舌動)。受試者經(jīng)過訓練，熟悉實驗過程。
因為每個人對不同運動想象的適應性是不同的，我們在學習過程中讓受試 者嘗試四種不同的運動想象類型，通過學習和測試，我們就能夠決定哪一種運 動想象類型最適合。例如，當受試者通過學習和測試后，我們發(fā)現(xiàn)想象舌動的 識別率比其他三種運動想象類型的識別率要高，我們就認為可能這位受試者更 適合與想象舌動，在今后的使用中只需想象舌動即可，無需想象其他運動了。
步驟3、將采集到的腦電信號進行預處理。首先對獲取的腦電信號進行篩 選，排除一部分明顯異常的腦電信號，然后對剩下的腦電信號進行去眼電、去偽跡、基線校正、線性校正等預處理，經(jīng)過預處理后的腦電信號將進一步的信 號處理。
步驟4、腦電信號處理。經(jīng)過預處理的腦電信號中仍然包含很多無關的誘 發(fā)電位和背景噪聲，因此空間分辨率和信噪比很低，為了從背景噪聲中識別有 用的信號，必需進行進一步處理，本發(fā)明采用一種盲源分離算法——二階盲辨
識來對腦電信號進行進一步處理，其具體算法如下
令x(t)的n個列向量對應n個電極的連續(xù)時間腦電信號，貝l」Xi(t)對應第i個 電極的腦電信號。每一個Xi(t)都可以看成是n個源Si(t)的線性瞬時混合，混合 矩陣為A，則
<formula>formula see original document page 6</formula> SOBI僅僅利用傳感器測量得到的腦電信號x(t)，得到近似于A—汾解矩陣W，
使得<formula>formula see original document page 6</formula>
為恢復的連續(xù)時間源信號。
SOBI算法有兩個步驟首先對腦電信號進行零均值化，如下式所示
<formula>formula see original document page 6</formula>
尖括號〈，〉表示時間平均，因此y的均值為零。矩陣B的取值使得y的相關矩陣
〈柳w:O為單位矩陣，其值由下式給出
<formula>formula see original document page 6</formula> 其中入i為相關矩陣<formula>formula see original document page 6</formula>的特征值，U的各列則為其對應的 特征向量。
第二步，構造一組對角矩陣選取一組時間延遲t，計算信號y(t)和它的 時間延遲信號y (t+ t )的對稱化相關矩陣
<formula>formula see original document page 6</formula>
其中
<formula>formula see original document page 6</formula>這是一個將不對稱矩陣轉(zhuǎn)變?yōu)橄嚓P的對稱矩陣的函數(shù)。對稱化的過程丟失 了一些信息，但卻提供了有效的解決方法。
計算完RT，再對RT進行對角化通過旋轉(zhuǎn)矩陣V，運用迭代法，使得
<formula>formula see original document page 6</formula>
取得極小值，則分離矩陣的估計
<formula>formula see original document page 6</formula>步驟5、特征提取為了進行分類，首先要進行特征提取。特征提取，就是要在所有數(shù)據(jù)中提
取出能區(qū)分樣本類型的數(shù)據(jù)點，即特征點，本發(fā)明采用Fisher距離來確定特征。 在分類研究中，F(xiàn)isher距離常常被用來表示類型間的差異，F(xiàn)isher距離的大小 與類型間的區(qū)分度成正比，若是類型間區(qū)分度較大，即差異明顯，則fisher距 離較大，否則，F(xiàn)isher距離較小。
兩類間的Fisher距離計算公式如下
i^(、，)2 (9)
其中F表示Fisher距離，//和a分別為均(^^y方差，下標l、 2則分別代表兩個不 同的類。
對于三類或以上的情況，可以將Fisher距離公式進行推廣，如下
F — (A - A)2 +C"i - A"十…+ d -/Q2 (10)
對于每一個數(shù)據(jù)點，F(xiàn)isherSfi+商^小^fe了該數(shù)據(jù)點作為特征對分類的 貢獻度，F(xiàn)isher距離越大的點，在分類中的貢獻越大。
特征點個數(shù)的多少與最終識別率、算法復雜程度和識別速率密切相關，特 征點過多或過少，都會影響識別率，使識別率降低，另外特征點越多，算法越 復雜，識別越慢；反之，特征點越少，算法越簡單，識別越快。因此，特征點 的數(shù)量對最終的性能影響非常大。經(jīng)過反復測試發(fā)現(xiàn)，特征提取，采用Fisher 距離來確定特征，對每根電極的數(shù)據(jù)提取8-12個特征點，總共48—72個特征 點；能夠達到較高的識別率，而且識別速度也不慢，算法復雜度一般。
步驟6、使用BP神經(jīng)網(wǎng)絡進行分類學習與測試。BP神經(jīng)網(wǎng)絡輸入層共60 個單元，隱含層10個單元，輸出層l個單元。將上述60個特征作為BP神經(jīng) 網(wǎng)絡的輸入層，把每個受試者每次運動想象的腦電信號通過步驟5提取出的特 征輸入到輸入層，每個受試者學習過程有20個數(shù)據(jù)(四種運動想象類型各5 個)，通過學習過程我們確定了神經(jīng)網(wǎng)絡的各項參數(shù)。測試過程也有20個數(shù)據(jù)， 通過測試過程，我們可以確定適合該受試者的運動想象類型(識別率最高)。
步驟7、將未知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡進行識別和認證。受試者通過上 述步驟l-6后，確定了 BP神經(jīng)網(wǎng)絡結構和適合他(她)的運動想象類型，此 時就可以進行識別和認證了。受試者戴上電極帽，按照步驟2開始運動想象(只 需步驟6中確定的最適合的一種運動想象類型)，采集腦電信號，預處理后， 按照步驟5介紹的算法提取60個特征量，將提取的特征量輸入到步驟6確定 的神經(jīng)網(wǎng)絡中。如果是識別，則神經(jīng)網(wǎng)絡輸出受試者的編碼；如果是認證，則 神經(jīng)網(wǎng)絡輸出則改為是否該受試者(0或1)。
本發(fā)明所述的識別指的是從若干個受試者中選擇這段腦電信號是哪一個 受試者的；而認證過程則為確定這段腦電信號是否是某位受試者的，前者是選擇題，而后者是判斷題。
本發(fā)明使用的是腦電信號，是對腦電信號進行信息特征提取，使用的方法 是通過大腦想象各種不同的運動方式，對其進行特征提取和分類，從而實現(xiàn)通 過腦電信號對個體身份進行識別或認證的過程。把腦電信號作為身份識別，提 供一種新型的密碼系統(tǒng)，既能解決某些殘疾人不能完成日常身份識別的問題， 也可以用于在對身份識別有較高要求的場合。
本方法的創(chuàng)新點有
1、 采用腦電信號作為身份識別的輸入信號，不同于以往的指紋、虹膜 等。
2、 采集了基于運動想象的腦電信號，也就是受試者在想象四種運動時 所產(chǎn)生的腦電信號，當然也適用于其他腦電信號(比如視覺誘發(fā)電位、 事件誘發(fā)電位等)。
3、 采用了二階盲辨識及Fisher距離對腦電信號進行信息提取。
4、 同時實現(xiàn)了識別和認證功能。識別指的是從若干個人的腦電信號中 判斷是誰的腦電信號，而認證指的是判斷某一腦電信號是否是目標者的 腦電信號。
5、 針對不同受試者的特點，自動選擇適合受試者的運動想象類型。


圖l電極的選取示意圖，
圖2基于腦電信號的身份識別系統(tǒng)特征提取流程圖， 圖3基于腦電信號的身份識別流程圖。
具體實施例方式
本發(fā)明方法，在腦電信號身份識別系統(tǒng)中，用來實現(xiàn)對個體身份的識別， 按附圖1、 2、 3?？梢酝ㄟ^下列步驟實現(xiàn)-
步驟l、受試者帶上電極帽，原始腦電(EEG)信號是通過64導符合國際 腦電圖學會標定的10/20法的EEG放大器采集，采樣率為250Hz,以左側乳突 為參考電極，帶通濾波器通頻帶為l-50Hz,選取6個電極采集腦電信號，具體 電極位置如圖1所示。也就是國際腦電圖學會標定的10/20國際標準中的C3， C4， P3， P4， 01和02共6個電極位置，采集不同運動想象過程的受試者腦電 信號。
步驟2、在計算機屏幕上根據(jù)設定好的刺激程序(提示受試者開始想象運 動)，受試者根據(jù)實驗要求，做出四類不同的運動想象(想象左手運動、右手 運動、腿動和舌動)。受試者經(jīng)過訓練，熟悉實驗過程。
步驟3、將采集到的腦電信號進行預處理。首先對獲取的腦電信號進行篩
8選，排除一部分明顯異常的腦電信號，然后對剩下的腦電信號進行去眼電、去 偽跡、基線校正、線性校正等預處理，經(jīng)過預處理后的腦電信號將進一步的信 號處理。
步驟4、腦電信號處理。經(jīng)過預處理的腦電信號中仍然包含很多無關的誘 發(fā)電位和背景噪聲，因此空間分辨率和信噪比很低，為了從背景噪聲中識別有 用的信號，必需進行進一步處理，本發(fā)明采用一種盲源分離算法一二階盲辨 識來對腦電信號進行進一步處理，其具體算法如下
令x(t)的n個列向量對應n個電極的連續(xù)時間腦電信號，貝ljx,(t)對應第i個 電極的腦電信號。每一個Xi(t)都可以看成是n個源Si(t)的線性瞬時混合，混合 矩陣為A，則
柳=鄉(xiāng)) (1) SOBI僅僅利用傳感器測量得到的腦電信號x(t〉，得到近似于廣分解矩陣W，
使得
柳=, (2)
為恢復的連續(xù)時間源信號。
SOBI算法有兩個步驟首先對腦電信號進行零均值化，如下式所示
贈=5 )》 (3) 尖括號〈，〉表示時間平均，因此y的均值為零。矩陣B的取值使得y的相關矩陣 〈W)W)"為單位矩陣，其值由下式給出
5^flg(義廣， (4) 其中入i為相關矩陣〈(x(0-^)》wo-〈w)〉)0的特征值，U的各列則為其對應的 特征向量。
第二步，構造一組對角矩陣選取一組時間延遲T，計算信號y(t)和它的
時間延遲信號7(1+ t )的對稱化相關矩陣
& ,附((y(輔+ i"f〉) (5)
其中
，(M) = (M + Mr)/2 (6) 這是一個將不對稱矩陣轉(zhuǎn)變?yōu)橄嚓P的對稱矩陣的函數(shù)。對稱化的過程丟失 了一些信息，但卻提供了有效的解決方法。
計算完RT，再對RT進行對角化通過旋轉(zhuǎn)矩陣V，運用迭代法，使得
s;(r及,)〗. (7) 取得極小值，則分離矩陣的估計
『=(8)步驟5、特征提取
為了進行分類，首先要進行特征提取。特征提取，就是要在所有數(shù)據(jù)中提 取出能區(qū)分樣本類型的數(shù)據(jù)點，即特征點，本發(fā)明采用Fisher距離來確定特征。 在分類研究中，F(xiàn)isher距離常常被用來表示類型間的差異，F(xiàn)isher距離的大小 與類型間的區(qū)分度成正比，若是類型間區(qū)分度較大，即差異明顯，則fisher距 離較大，否則，F(xiàn)isher距離較小。
兩類間的Fi sher距離計算公式如下
jt,C)2 (9) 其中F表示Fisher距離，//和c7分別為均^lf方差，下標l、 2則分別代表兩個不 同的類。
對于三類或以上的情況，可以將Fisher距離公式進行推廣，如下
對于每一個數(shù)據(jù)點，F(xiàn)isher足fi，^小y^了該數(shù)據(jù)點作為特征對分類的 貢獻度，F(xiàn)isher距離越大的點，在分類中的貢獻越大。
特征點個數(shù)的多少與最終識別率、算法復雜程度和識別速率密切相關，特 征點過多或過少，都會影響識別率，使識別率降低，另外特征點越多，算法越 復雜，識別越慢；反之，特征點越少，算法越簡單，識別越快。因此，特征點 的數(shù)量對最終的性能影響非常大。經(jīng)過反復測試發(fā)現(xiàn)，特征提取，采用Fisher 距離來確定特征，對每根電極的數(shù)據(jù)提取10個特征點，總共60個特征點；能 夠達到較高的識別率，而且識別速度也不慢，算法復雜度一般。
步驟6、按照圖2所示的流程提取每個受試者的腦電信號特征，通過BP 神經(jīng)網(wǎng)絡學習和識別，確定神經(jīng)網(wǎng)絡結構和運動想象類型，訓練過程結束。BP 神經(jīng)網(wǎng)絡輸入層共60個單元，隱含層10個單元，輸出層1個單元。將上述60 個特征作為BP神經(jīng)網(wǎng)絡的輸入層，把每個受試者每次運動想象的腦電信號通 過步驟5提取出的特征輸入到輸入層，每個受試者學習過程有20個數(shù)據(jù)(四 種運動想象類型各5個)，通過學習過程我們確定了神經(jīng)網(wǎng)絡的各項參數(shù)。測 試過程也有20個數(shù)據(jù)，通過測試過程，我們可以確定適合該受試者的運動想 象類型(識別率最高)。
步驟7、按照圖3所示的流程對每個受試者的身份進行識別和認證。將未 知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡進行識別和認證。受試者通過上述步驟l-6后，確 定了 BP神經(jīng)網(wǎng)絡結構和適合他(她)的運動想象類型，此時就可以進行識別 和認證了。受試者戴上電極帽，按照步驟2開始運動想象(只需步驟6中確定 的最適合的一種運動想象類型)，采集腦電信號，預處理后，按照步驟5介紹 的算法提取60個特征量，將提取的特征量輸入到步驟6確定的神經(jīng)網(wǎng)絡中。
10如果是識別，則神經(jīng)網(wǎng)絡輸出受試者的編碼；如果是認證，則神經(jīng)網(wǎng)絡輸出則 改為是否該受試者(0或1)。
目前國外的一些研究主要以視覺剌激或肌電作為特征源，本研究以運動想 象腦電信號作為身份識別，能適合殘疾等各種人群，有較好的適應性。在方法 上，采用二階盲辨識進行信號處理，并采用Fisher距離來提取特征。從結果 可以看出，想象舌動腦電信號識別率最高，達到88. 1%，四種想象運動腦電信 號平均識別率在82. 8%，識別率較國外的其它方法高出5個百分點左右。
權利要求
1、基于二階盲辨識的腦電信號識別方法，其特征在于本發(fā)明包含以下步驟步驟(1)、受試者帶上電極帽，原始腦電信號是通過64導符合國際腦電圖學會標定的10/20法的EEG放大器采集，采樣率為250Hz，以左側乳突為參考電極，帶通濾波器通頻帶為1-50Hz，選取6個電極采集腦電信號，6個電極是國際腦電圖學會標定的10/20國際標準中的C3，C4，P3，P4，O1和O2 6個電極位置，采集不同運動想象過程的受試者腦電信號；步驟(2)、在計算機屏幕上根據(jù)設定好的刺激程序，提示受試者開始想象運動，受試者根據(jù)實驗要求，做出四類不同的運動想象，想象左手運動、右手運動、腿動和舌動，受試者經(jīng)過訓練，熟悉實驗過程；步驟(3)、將采集到的腦電信號進行預處理，首先對獲取的腦電信號進行篩選，排除一部分明顯異常的腦電信號，然后對剩下的腦電信號進行去眼電、去偽跡、基線校正、線性校正預處理；步驟(4)、腦電信號處理，經(jīng)過預處理的腦電信號中仍然包含很多無關的誘發(fā)電位和背景噪聲，采用盲源分離算法中的二階盲辨識來對腦電信號進行進一步處理；步驟(5)、特征提取，采用Fisher距離來確定特征，對每根電極的數(shù)據(jù)提取8-12個特征點，總共48--72個特征點；步驟(6)、使用BP神經(jīng)網(wǎng)絡進行分類學習與測試。我們可以確定適合該受試者的運動想象類型；步驟(7)、將未知的腦電數(shù)據(jù)輸入神經(jīng)網(wǎng)絡進行識別和認證。受試者通過上述步驟1-6后，確定了BP神經(jīng)網(wǎng)絡結構和適合的運動想象類型，此時就可以進行識別和認證了，受試者戴上電極帽，按照步驟2開始運動想象，只需步驟6中確定的最適合的一種運動想象類型，采集腦電信號，預處理后，按照步驟5介紹的算法提取特征量，將提取的特征量輸入到步驟6確定的神經(jīng)網(wǎng)絡中。如果是識別，則神經(jīng)網(wǎng)絡輸出受試者的編碼；如果是認證，則神經(jīng)網(wǎng)絡輸出則改為是否該受試者。
2、如權利要求1所述的基于二階盲辨識的腦電信號識別方法，其特征在于步驟(4)、腦電信號處理的具體算法如下令x(t)的n個列向量對應n個電極的連續(xù)時間腦電信號，則Xi(t)對應第i個電極的腦電信號。每一個Xi(t)都可以看成是n個源Si(t)的線性瞬時混合，混合矩陣為A，則x(0 = W) (1) SOBI僅僅利用傳感器測量得到的腦電信號x(t)，得到近似于A—t分解矩陣W， 使得 <formula>formula see original document page 3</formula>為恢復的連續(xù)時間源信號，SOBI算法有兩個步驟首先對腦電信號進行零均值化，如下式所示<formula>formula see original document page 3</formula>尖括號〈，〉表示時間平均，因此y的均值為零。矩陣B的取值使得y的相關矩陣 〈洲W)。為單位矩陣，其值由下式給出，<formula>formula see original document page 3</formula>其中入i為相關矩陣〈(剛-〈x(O〉)0^)-〈柳〉f〉的特征值，U的各列則為其對應的 特征向量，第二步，構造一組對角矩陣選取一組時間延遲t，計算信號y(t)和它的 時間延遲信號y (t+ t )的對稱化相關矩陣<formula>formula see original document page 3</formula> 其中 ，<formula>formula see original document page 3</formula>這是一個將不對稱矩陣轉(zhuǎn)變?yōu)橄嚓P的對稱矩陣的函數(shù)。對稱化的過程丟失 了一些信息，但卻提供了有效的解決方法，計算完RT，再對RT進行對角化通過旋轉(zhuǎn)矩陣V，運用迭代法，使得<formula>formula see original document page 3</formula>取得極小值，則分離矩陣的估計
全文摘要
本發(fā)明屬于生物醫(yī)學工程和信息技術領域，該發(fā)明實現(xiàn)了通過采集分析人腦腦電信號實現(xiàn)對個體的身份認證和識別。通過不同的刺激模式訓練受試者，讓受試者適應不同的刺激模式，產(chǎn)生不同的腦電信號，通過二階盲辨識對刺激產(chǎn)生的腦電信號進行分析，抽提出個體的特征信號進行分類識別，以確定目標特征，訓練過程結束。身份識別時，只需將采集的腦電信號提取出目標特征，進行分類，并與每人的模板相比較，即可確定識別結果。研究結果表明，最高識別率88％，平均識別率在83％左右，能夠?qū)崿F(xiàn)個體身份識別和認證。
文檔編號G06F19/00GK101558997SQ20091011543
公開日2009年10月21日 申請日期2009年5月27日 優(yōu)先權日2009年5月27日
發(fā)明者丹 肖, 胡劍鋒 申請人:江西藍天學院