抑郁症检测分析与预测项目实践

本文还有配套的精品资源，点击获取

简介：在数字化时代，抑郁症作为常见精神障碍，越来越受到关注。本项目采用Jupyter Notebook工具，运用科技手段识别和评估个体的抑郁症状。项目包括数据预处理、特征工程、探索性数据分析、模型选择与训练、交叉验证、模型评估、可视化结果以及结果解释，旨在通过机器学习算法如决策树、随机森林、支持向量机、神经网络等，构建预测模型，提高对抑郁症的预测能力，并为未来的干预和预防提供策略。

1. 抑郁症检测介绍

1.1 研究背景与意义

抑郁症作为全球范围内高发的心理健康问题，其早期检测与干预对于改善患者的生活质量至关重要。通过抑郁症检测技术，可以及早识别潜在患者，为他们提供及时的心理支持和治疗建议。

1.2 检测方法概述

目前，抑郁症检测主要依赖于量表评估、临床诊断和数据驱动模型等多种方法。量表评估涉及一系列标准化问卷，临床诊断则依据心理医生的经验进行。而数据驱动模型，则通过分析患者的语言、行为、生理数据等特征，实现自动化的检测和分类。

1.3 本章小结

本章介绍了抑郁症检测的背景、意义及主要方法。随后章节将深入探讨如何通过数据科学方法实现抑郁症的有效检测，包括数据预处理、特征工程、模型训练和结果评估等关键步骤。

在接下来的章节中，我们将通过实际案例分析，展示如何使用数据科学工具和技术来实现一个精准的抑郁症检测模型。

2. 数据预处理实施

2.1 数据收集与清洗

在数据科学的项目中，数据收集与清洗是至关重要的步骤，为后续的分析和模型训练奠定了基础。接下来将详细探讨在数据预处理中，如何进行数据收集和清洗，并确保数据的质量。

2.1.1 数据收集方法与来源

数据收集涉及从不同的渠道和方法获取数据。常见的数据收集方法包括：

• 问卷调查： 对目标群体进行问卷调查，收集一手数据。
• 公开数据集： 利用互联网上的开源数据集，如Kaggle、UCI机器学习库等。
• 日志文件： 网站或应用程序的用户交互行为数据。
• APIs： 使用应用程序编程接口（API）获取数据，如社交媒体数据、金融数据等。

数据的来源多样，但都需要确保数据的真实性和合法性。例如，从第三方获取的公开数据集，必须遵守相应的许可协议和隐私政策。

2.1.2 缺失值处理和异常值检测

在收集到的数据中，常常会遇到缺失值或异常值。处理这些问题对于维护数据质量至关重要。

• 缺失值处理： 缺失值可能是因为数据收集过程中的错误或者用户没有提供信息。缺失值的处理方法有多种，包括删除含有缺失值的记录、填充缺失值（使用平均值、中位数、众数或者预测模型等），或者使用模型直接处理缺失数据。

• 异常值检测： 异常值通常指数据中偏离正常范围的值，这些值可能是数据录入错误或真实的变异情况。异常值的检测方法包括箱形图、标准差判定、基于聚类的异常检测等。一旦检测到异常值，应分析其成因，并根据实际情况采取措施，如忽略、调整或替换这些值。

2.2 数据转换与归一化

为了进一步提升数据分析的精确度，需要将原始数据转换成适合模型处理的格式，并且归一化数据，以消除不同尺度对模型性能的影响。

2.2.1 数据类型转换

数据类型转换是指将数据从一种格式转换为另一种格式以满足分析需求的过程。常见的数据类型包括：

• 连续型数据： 通过一定的数学方法将连续型数据转换为离散型数据。
• 类别型数据： 将文本标签转换为数值形式，例如使用独热编码（One-Hot Encoding）或标签编码（Label Encoding）。

2.2.2 数据归一化的重要性与方法

数据归一化是数据预处理的一个重要环节，目的是调整特征值的范围，使其适应模型输入的要求。归一化可以减少数值计算的复杂度，并且提升模型的收敛速度和精度。

• 最小-最大归一化： 将数值范围调整至[0,1]区间，公式为 X' = (X - X_min) / (X_max - X_min) 。
• Z得分标准化： 将数值标准化至具有零均值和单位方差的正态分布，公式为 X' = (X - μ) / σ ，其中μ是均值，σ是标准差。
• L1/L2范数标准化： 调整数据使其满足L1或L2范数，适用于某些特定的机器学习算法。

from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 示例代码：数据归一化
import numpy as np
from sklearn.preprocessing import MinMaxScaler, StandardScaler

# 假设data是我们的数据集中的一个特征
data = np.array([10, 50, 20, 70, 40])

# 最小-最大归一化
scaler_minmax = MinMaxScaler()
data_normalized_minmax = scaler_minmax.fit_transform(data.reshape(-1, 1))

# Z得分标准化
scaler_standard = StandardScaler()
data_normalized_standard = scaler_standard.fit_transform(data.reshape(-1, 1))

print("最小-最大归一化结果：", data_normalized_minmax)
print("Z得分标准化结果：", data_normalized_standard)

以上代码展示了如何使用Python的 sklearn 库来实施最小-最大归一化和Z得分标准化。数据预处理是机器学习模型准备工作的基石，合理地执行这些步骤，对于后续的模型训练和预测具有决定性的影响。

3. 特征工程实施

3.1 特征提取

3.1.1 基于问题域的特征设计

特征提取是机器学习中一个关键的步骤，它关乎到最终模型的性能。在抑郁症检测中，特征的设计需要基于心理学和医疗领域的知识，结合可量化的临床数据。基于问题域的特征设计涉及到多个方面的考量：

1. 临床量表的量化 ：通常抑郁症的诊断依赖于临床量表如汉密尔顿抑郁量表（HAMD）或者贝克抑郁量表（BDI），这些量表可以提供初步的量度和症状严重度的评估。
2. 生物指标的引入 ：生理参数如心率变异性（HRV）、皮肤电活动、睡眠模式等也可能与抑郁症的严重程度相关。
3. 行为数据的捕获 ：通过用户的行为模式，如社交媒体活动、移动设备使用频率、文字输入速度和准确性等间接指标，也可以作为特征进行挖掘。
4. 时间序列分析 ：由于抑郁症是具有时间变化性的疾病，时间序列分析可用于发现症状随时间的变化规律。

在实施特征提取时，需要跨学科合作，数据科学家需要与临床专家密切沟通，确保所提取的特征既有科学依据，也有助于模型的解释性和预测性能。

3.1.2 从原始数据中提取有用信息

对原始数据进行预处理后，我们可以开始特征提取的过程。这个过程通常涉及以下步骤：

1. 统计特征计算 ：对数值型数据，计算均值、中位数、标准差、四分位数等统计特征。
2. 时间序列特征 ：针对时间序列数据，可能包括滑动窗口平均、趋势、季节性、周期性等特性。
3. 文本特征提取 ：如果数据包含文本，则可能涉及到文本向量化（例如TF-IDF权重）、情感分析、关键词提取等。
4. 高级特征构造 ：根据领域知识构造新特征，如基于时间序列数据的滑动平均、差分、增长率等。

在Python中，我们可以使用Pandas、NumPy等库来帮助进行特征计算和构造。例如，下面的代码展示了如何计算一系列数值型数据的统计特征：

import pandas as pd
import numpy as np

# 假设df是已经清洗好的DataFrame
# 计算统计特征
stats = df.describe().loc[['mean', '50%', 'std']]

# 时间序列特征，假设df['data']是一个时间序列
df['rolling_mean'] = df['data'].rolling(window=3).mean()
df['rolling_std'] = df['data'].rolling(window=3).std()

# 文本特征提取示例
from sklearn.feature_extraction.text import TfidfVectorizer

corpus = ['I am feeling sad', 'I am not happy today']
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)

# 检查提取的特征
feature_names = vectorizer.get_feature_names_out()
print(feature_names)

这段代码首先计算了一组数值数据的基本统计特征，然后计算了时间序列数据的滑动平均和标准差，最后通过TF-IDF向量化对一组文本数据进行特征提取。每一步的逻辑都很清晰，代码简洁明了，易于理解。

3.2 特征选择与降维

3.2.1 基于统计测试的特征选择

在特征提取之后，往往会产生大量的特征，这不仅增加了模型训练的复杂度，也可能导致过拟合和噪声数据的干扰。特征选择是减少特征数量、提高模型性能的重要方法。基于统计测试的特征选择方法，如卡方检验、ANOVA检验、互信息法等，可以用来评估特征和响应变量之间的相关性。

这些方法的基本思想是计算每个特征和输出变量之间的关联度，根据关联程度的评分对特征进行排序，并选择出与输出变量相关性最强的特征。这种方法的优点是客观性强、易于实现，但缺点是可能忽略了特征间的相互作用。

在Python中，可以使用 scikit-learn 库中的 SelectKBest 类来实现基于统计测试的特征选择：

from sklearn.feature_selection import SelectKBest, chi2, f_classif

# 假设X是特征矩阵，y是目标变量
X_new = SelectKBest(chi2, k=10).fit_transform(X, y)

这段代码中， SelectKBest 选择了卡方检验作为评分函数，并且根据评分选择了最佳的10个特征。 k=10 指的是我们想要保留的特征数量。

3.2.2 主成分分析（PCA）及其在降维中的应用

主成分分析（PCA）是一种常用于降维的算法。其基本思想是通过正交变换将可能相关的高维变量转换为一系列线性不相关的变量，这些变量被称为主成分。PCA的目标是保留数据最重要的特征，同时减少数据的维度。

在抑郁症检测中，如果数据具有高维性和相关性，使用PCA降维可以：

1. 降低模型复杂度 ：减少特征数量，避免过拟合。
2. 提高计算效率 ：减少计算所需的时间和资源。
3. 可视化高维数据 ：PCA可以帮助我们将数据投影到2维或3维空间中进行可视化。

以下是使用 scikit-learn 中的PCA类进行降维的示例：

from sklearn.decomposition import PCA

# 假设X是已经标准化的特征矩阵
pca = PCA(n_components=2)  # 保留2个主成分
X_pca = pca.fit_transform(X)

# 查看主成分解释的方差比
print(pca.explained_variance_ratio_)

在这段代码中，我们使用PCA降维至2维，并打印出每个主成分解释的方差比。这可以帮助我们了解每个主成分对原始数据的解释能力。

在接下来的章节中，我们将进一步探索如何使用这些提取和选择的特征来训练和评估不同的机器学习模型。这包括如何选择合适的模型、如何训练并调整它们的参数，以及如何使用交叉验证技术来确保模型的泛化能力。

4. 数据探索性分析

数据探索性分析是数据科学项目的重要步骤，通过统计学方法和可视化技术深入理解数据集，为后续的建模提供指导。本章将深入探讨描述性统计分析和可视化技术在数据探索中的应用。

4.1 描述性统计分析

描述性统计分析是理解数据分布和特征的初步手段。这一过程包括数据分布的图形表示和统计量的计算与解读。

4.1.1 数据分布的图形表示

图形表示法能以直观的方式展现数据的分布情况、趋势和模式。常见的图形包括直方图、箱形图、散点图和概率图等。

直方图

直方图是将数据分组并统计每个组内数据的数量，然后以条形图的形式展现。这有助于观察数据的频率分布。例如，对抑郁症状评分进行直方图分析可以揭示患者症状的严重程度分布。

import numpy as np
import matplotlib.pyplot as plt

# 假设数据集为 patient_scores，包含一系列抑郁症状评分
patient_scores = np.random.normal(100, 15, 1000)

plt.hist(patient_scores, bins=30, alpha=0.7, color='blue')
plt.xlabel('Score')
plt.ylabel('Frequency')
plt.title('Histogram of Depression Scores')
plt.show()

箱形图

箱形图用于展示数据的分布特征，包括中位数、四分位数和异常值。它能清晰地显示数据的离散程度和分布形状。

# 绘制箱形图以观察评分数据的分布情况
plt.boxplot(patient_scores, vert=False)
plt.xlabel('Score')
plt.title('Boxplot of Depression Scores')
plt.show()

4.1.2 统计量的计算与解读

除了图形表示，计算描述性统计量也是理解数据集的关键。常用的统计量包括均值、中位数、标准差、偏度和峰度。

均值和中位数

均值和中位数可以反映数据集的中心趋势。均值对异常值敏感，而中位数更为稳健。

mean_score = np.mean(patient_scores)
median_score = np.median(patient_scores)

print(f"Mean Depression Score: {mean_score}")
print(f"Median Depression Score: {median_score}")

标准差

标准差描述了数据的离散程度，标准差越大，数据越分散。

std_dev = np.std(patient_scores)
print(f"Standard Deviation of Depression Scores: {std_dev}")

偏度和峰度

偏度和峰度是衡量数据分布形状的指标。偏度反映数据的不对称性，峰度则表示数据的尖峭或平坦程度。

# 计算偏度和峰度
skewness = patient_scores.skew()
kurtosis = patient_scores.kurtosis()

print(f"Skewness of Depression Scores: {skewness}")
print(f"Kurtosis of Depression Scores: {kurtosis}")

4.2 可视化技术与图形分析

可视化是数据探索中不可缺的工具，能够帮助我们更快捷地发现数据中的模式、异常点和关联性。

4.2.1 数据可视化工具介绍

现代数据可视化工具种类繁多，如Tableau、Power BI、Python的Matplotlib和Seaborn库，以及R语言的各种可视化包。

Matplotlib和Seaborn

Matplotlib和Seaborn是Python中用于创建静态、交互式和动画可视化的库。Matplotlib提供广泛的绘图功能，而Seaborn构建在Matplotlib之上，提供高级接口和更好的默认样式。

import seaborn as sns

# 使用Seaborn绘制散点图
sns.scatterplot(x=patient_scores, y=np.random.normal(0, 1, len(patient_scores)))
plt.title('Scatterplot of Depression Scores vs Random Variable')
plt.xlabel('Depression Score')
plt.ylabel('Random Variable')
plt.show()

4.2.2 利用图形进行趋势和模式分析

通过图形可以分析数据中的趋势和模式。例如，趋势线可以展示数据随时间的变化，而热力图则能揭示变量间的相关性。

趋势线

趋势线通常用于时间序列数据，显示数据随时间变化的趋势。

import pandas as pd

# 假设有时间序列数据 dates 和对应评分 patient_scores
dates = pd.date_range(start='1/1/2021', periods=len(patient_scores), freq='D')
data = pd.DataFrame({'Date': dates, 'Score': patient_scores})

plt.plot(data['Date'], data['Score'], color='red')
plt.xlabel('Date')
plt.ylabel('Depression Score')
plt.title('Trend of Depression Scores Over Time')
plt.show()

热力图

热力图可以揭示多个变量之间的相关性，通常用于矩阵形式的数据。

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 创建一个随机的变量矩阵
variables = np.random.normal(0, 1, (10, 10))
plt.figure(figsize=(8, 6))
sns.heatmap(variables, annot=True, fmt=".2f")
plt.title('Heatmap of Variable Correlations')
plt.show()

通过本章节内容，我们了解了描述性统计分析的图形表示方法和数据可视化技术在探索性分析中的应用。下一章节将继续深入数据科学的核心，探讨机器学习模型的选择与训练。

5. 机器学习模型选择与训练

机器学习作为数据科学的重要分支，在抑郁症检测中的应用尤为关键。选择合适的模型并训练它们以识别模式和预测结果，是实现有效检测的重要步骤。本章将探讨如何选择机器学习模型，以及如何进行模型训练的过程，包括如何划分数据集、调整超参数、评估模型性能等关键步骤。

5.1 模型选择与评估策略

在开始机器学习模型的训练之前，必须先选择合适模型。这个选择过程涉及对数据特点的理解以及不同模型性能的比较。

5.1.1 不同模型的比较与选择

在处理分类问题时，常见的机器学习模型包括逻辑回归、支持向量机、随机森林和神经网络等。每种模型都有其适用的场景和优缺点。例如，逻辑回归模型简单易理解，适合线性可分的数据集。而随机森林则能处理非线性问题，且对于特征的选择具有较强的鲁棒性。

模型的选择通常基于数据集的性质，如样本大小、特征数量、特征类型以及是否存在类别不平衡等问题。通常，我们通过交叉验证技术来评估不同模型的性能，并基于这些评估指标选择最佳模型。代码示例如下：

from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_network import MLPClassifier

# 初始化模型
models = {
    'LogisticRegression': LogisticRegression(),
    'SupportVectorMachine': SVC(),
    'RandomForest': RandomForestClassifier(),
    'NeuralNetwork': MLPClassifier()
}

# 评估模型性能
for name, model in models.items():
    model.fit(X_train, y_train)
    score = model.score(X_test, y_test)
    print(f"{name} model accuracy is {score}")

上述代码块中，我们定义了四种不同的模型，并使用相同的训练集和测试集来评估它们的准确率。每个模型的初始化和训练过程都按照scikit-learn库中的标准用法进行。

5.1.2 模型评估标准与方法

模型评估是机器学习中至关重要的一个环节。常用评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。这些指标基于混淆矩阵计算得出，其中混淆矩阵能够展示模型预测结果与实际标签之间的对应关系。准确率虽然简单直观，但在类别不平衡的数据集中可能不够有效。这时，我们更倾向于使用F1分数，它同时考虑了精确率和召回率，是一个综合评价指标。

评估模型的另一种方法是通过交叉验证，这可以更全面地使用有限的数据进行模型训练和测试，从而得到更可靠的性能评估结果。K折交叉验证是其中一种常用的方法，将在下一章节中详细讨论。

5.2 模型训练过程

模型训练是将数据输入模型，通过算法调整模型参数以达到学习目标的过程。训练模型涉及多个步骤，其中包括数据集的划分、超参数的调整以及模型优化。

5.2.1 训练集与验证集的划分

在训练机器学习模型之前，通常需要将数据集划分为训练集和验证集。训练集用于模型学习，而验证集用于评估模型的泛化能力。划分比例根据数据集的大小和模型复杂性而定，常见的做法是将70%的数据作为训练集，30%作为验证集。

使用scikit-learn库，可以通过 train_test_split 函数快速完成数据集的划分：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42)

上述代码块中， X 和 y 分别代表特征矩阵和目标变量， train_test_split 函数将数据集按照30%和70%的比例划分成训练集和测试集。 random_state 参数用于保证每次划分的结果一致。

5.2.2 超参数调整与模型优化

超参数是事先设定的模型参数，不通过学习过程直接从数据中获得。超参数的选择会直接影响模型的性能。在训练过程中，通常使用网格搜索（Grid Search）或随机搜索（Random Search）等技术来找到最佳的超参数组合。这些技术通过评估一系列预定义的参数组合来寻找最佳模型。

为了提升模型性能，还可能需要调整模型的结构，比如增加隐藏层的数量或神经元的个数等。这是一个试错的过程，需要综合考虑模型的复杂度和计算资源。

例如，使用 GridSearchCV 来对随机森林模型进行超参数优化的代码如下：

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier

# 定义随机森林模型和参数网格
rf = RandomForestClassifier(random_state=42)
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [10, 20, 30]
}

# 使用网格搜索进行超参数优化
grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train, y_train)

# 输出最佳参数组合和对应的准确率
print("Best parameters found: ", grid_search.best_params_)
print("Best cross-validated accuracy: ", grid_search.best_score_)

在这个例子中，我们定义了随机森林模型的参数网格，并通过 GridSearchCV 进行了五折交叉验证。最终，我们找到了最佳的参数组合，并输出了对应的准确率。通过超参数的调整和优化，可以进一步提升模型的预测性能。

以上内容涵盖了第五章的主要知识点，通过细致的分析和代码示例，希望能为读者带来深入的理解。

6. 交叉验证技术应用与模型性能评估

在数据科学和机器学习领域，模型的评估是至关重要的一步，它不仅决定了模型的性能，而且对于模型的进一步优化和部署具有指导意义。在评估过程中，交叉验证技术是常用且有效的手段之一，它能够帮助我们更准确地估计模型对未知数据的泛化能力。

6.1 交叉验证技术

6.1.1 K折交叉验证的工作原理

K折交叉验证（K-Fold Cross-Validation）是一种将数据集分成K个大小相等的子集（即“折”）的验证技术。在进行模型验证时，一个子集被用作测试集，其余的K-1个子集用作训练集。这个过程会被重复K次，每次选择不同的子集作为测试集，而剩余的子集则构成训练集。最终的性能评估是通过将K次实验的评估结果平均化得到的。

from sklearn.model_selection import KFold
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 假定 X 和 y 是已经存在的特征数据和标签数据
X, y = load_data()

# 设置 K 折交叉验证的 K 值为 10
kf = KFold(n_splits=10)

# 创建随机森林分类器
clf = RandomForestClassifier()

# K 折交叉验证的性能评估
for train_index, test_index in kf.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    clf.fit(X_train, y_train)
    predictions = clf.predict(X_test)
    accuracy = accuracy_score(y_test, predictions)
    print(f"Fold accuracy: {accuracy}")

该过程涉及多个步骤：分割数据集、训练模型、评估模型，并最终汇总性能指标。

6.1.2 交叉验证在模型选择中的作用

交叉验证能够为模型选择提供更为稳定和可靠的性能估计。在选择最佳模型或算法时，通过比较不同模型在交叉验证过程中的平均性能指标，我们可以选择最优的模型配置。此外，交叉验证能够有效防止模型的过拟合，并且能够最大程度地利用有限的数据集。

6.2 模型性能指标

在机器学习中，准确率、召回率和F1分数是评估分类模型性能的三个常用指标。

6.2.1 准确率、召回率与F1分数

• 准确率（Accuracy）表示模型正确预测的样本数占总样本数的比例。
• 召回率（Recall）表示模型正确预测为正的样本数占实际正样本总数的比例。
• F1分数（F1 Score）是准确率和召回率的调和平均值，能更全面地评价模型的性能，特别是当数据集中的正负样本数量不平衡时。

6.2.2 ROC曲线与AUC值的解释与应用

ROC曲线（Receiver Operating Characteristic Curve）是一种表示分类模型的真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间关系的图形化工具。而AUC值（Area Under the Curve）是ROC曲线下的面积，用于度量分类模型区分正负样本的能力。一个模型的AUC值越高，表明其性能越好。

from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 假定 y_score 是模型预测的概率（正样本概率）
fpr, tpr, thresholds = roc_curve(y_true, y_score)
roc_auc = auc(fpr, tpr)

plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic Example')
plt.legend(loc="lower right")
plt.show()

ROC曲线和AUC值是对模型性能评估的重要补充，尤其是在不平衡数据集中，它们提供了一种更为全面和准确的性能评价。

在接下来的章节中，我们将通过结果的可视化和模型的解释性分析，进一步深入理解模型的内部工作机制和预测结果。

本文还有配套的精品资源，点击获取

简介：在数字化时代，抑郁症作为常见精神障碍，越来越受到关注。本项目采用Jupyter Notebook工具，运用科技手段识别和评估个体的抑郁症状。项目包括数据预处理、特征工程、探索性数据分析、模型选择与训练、交叉验证、模型评估、可视化结果以及结果解释，旨在通过机器学习算法如决策树、随机森林、支持向量机、神经网络等，构建预测模型，提高对抑郁症的预测能力，并为未来的干预和预防提供策略。

本文还有配套的精品资源，点击获取