基于人工神经网络生物电信号模式分类的研究.docx
《基于人工神经网络生物电信号模式分类的研究.docx》由会员分享，可在线阅读，更多相关《基于人工神经网络生物电信号模式分类的研究.docx（33页珍藏版）》请在冰豆网上搜索。
基于人工神经网络生物电信号模式分类的研究
第1章绪论
1.1课题背景
表面肌电信号（SurfaceElectromyography,SEMG）是最早被人们认识的一种生物电现象，它是一种复杂的表皮下肌肉电活动在时间和空间上综合的特征值图，已被广泛地应用于肌肉运动、肌肉损伤诊断、康复医学及体育运动等方面的研究。
通常，在非疲劳、慢变力及等张收缩的情况下所测取的多通道屈伸的肌电信号，既可为控制假肢运动提供一个安全、非侵入的控制方式，也可用于人类运动和生物机械的研究。
随着检测技术、信号处理方法和计算机技术的发展，研究如何从表面肌电中识别出肢体的多种运动模式已经成为康复医学界研究的热点问题之一。
1.2生物电信号简介
人体内部的大部分信息以生物电的形式来传递。
在人自主支配肢体运动时，大脑皮层中控制运动区域的神经元兴奋并启动一频率编码电脉冲，这个电信号经脊椎准确地传给特定的肌纤维。
当这些神经电脉冲到达神经—肌肉突触时，在肌纤维中产生终极电位，它的去极化将在肌纤维中产生一串动作电位，引起肌肉收缩，使肢体完成“假想”的运动。
肌纤维中这种电变化称为运动单元动作电位（MUAP），肌电信号（EMG）是众多肌纤维中MUAP在时间上和空间上的叠加，表面EMG则是浅层肌肉EMG和神经干上电活动的综合效应。
目前，表面EMG的应用已经深入到临床医学、运动医学、生物医学与工程等众多领域。
特别是通过提取截肢者残端表面EMG控制的人工动力假肢，有机地将人脑的思维与外部装置运动联系起来，使假肢动作自然，防生性能好，深受使用者和康复工程研究人员的青睐。
近年来，随着检测技术和信号处理手段的发展，研究如何用表面EMG代替针电极EMG进行全面临床无损诊断已经成为医学和生物医学界研究的热点问题之一。
1.3模式识别概述
现代计算机具有强大的计算和信息处理能力，但是它在目标识别、环境感知及在复杂条件下的决策能力远远不如生物系统。
目前，已有很多学科分别从不同角度、以不同途径试图研究和揭示这当中的奥秘，并且希望用计算机实现一个具有感知、识别、理解、自学习和自适应能力的灵活和智能的计算机器。
这些学科包括模式识别、人工智能、计算机视觉等。
模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代迅速发展成为一门学科。
模式识别以其明确的问题定义、严格的数学基础、坚实的理论框架和广泛的应用价值，获得越来越多的重视，并且也成为上述其他几门学科的中心研究内容之一。
在过去的几十年里，其实际应用领域也从最初的光学字符识别（OCR），扩展到如今的笔输入计算机、生物身份认证、DNA序列分析、化学气味识别、人脸辩识、语音识别、数据挖掘和信号处理等领域。
但是由于问题的复杂性，离人们的期望还有一段距离。
因此，模式识别仍是一门发展中的新兴学科，新的理论和方法不断出现，同时与其他学科相互渗透，不断推动模式识别的发展。
1.3.1模式识别的概念
人有这样一种能力：
听到走廊里的脚步声，就知道谁来了；在人群中掠过一个人的背影，就能认出这个人是谁；留言条上的字，一看就知道是谁写的，而且尽管写的龙飞凤舞，还是能认出这是什么意思。
这种能力就是人的认识能力。
随着计算机科学的发展和计算机应用的普及，迫切希望计算机也能听懂我们说的话，看懂我们写的字，……。
这种强烈愿望和不断探索实际，促使模式识别这门学科得以形成和发展。
什么是模式和模式识别呢？
按照广义的定义，模式是一些供模仿用的、完美无缺的标本。
模式识别就是识别出特定客体所模仿的标本。
根据客体的性质，将客体分成两种类型：
抽象的客体和具体的客体。
论点、思想、信仰、……，是非物质的客体，对它们的研究属于哲学、政治学的范畴；声音、图象、文字、……，是具体的客体，它们通过对感官的刺激而被识别。
研究人类对客体识别的识别机理是沿着两个方向进行的。
一个方向是研究人类对客体识别能力的生物学机理，这属于生物学、生理学的范畴；另一方面是研究用计算机模拟人的识别能力，提出识别具体客体的基本理论与实用技术，这就是模式识别这一学科的研究内容。
根据模式识别的研究内容，我们对模式识别作如下狭义的定义：
模式是对感兴趣的客体的定量的或结构的描述；模式类是具有某些共同特性的模式的集合。
模式识别是研究一些自动技术，依靠这些技术，计算机自动的（或者人进行少量的干涉）把待识别模式分到各自的模式类中去。
1.3.2模式识别的方法
从上一节中模式的定义可以看出，描述模式有两种方法：
定量描述和结构性描述。
定量描述就是用一组数据来描述模式。
比如，判断某细胞是正常还是癌变细胞，我们可以抓住两个特征，一个是细胞的圆形度x1一个是细胞的形心偏差度x2。
因为正常细胞比较圆，即圆形度大；正常细胞的细胞核中心偏离细胞中心小，即形心偏差度小；而癌变细胞的圆形度小，形心偏差度大，这两个特征能比较有效的区分正常细胞与癌变细胞，所以，我们可以用这两个特征来描述细胞。
为了便于数学处理，我们把这些数据特征组成向量，称为特征向量。
比如，把上述描述细胞的两个特征（圆形度x1和形心偏差度x2）组成描述细胞的特征向量：
x=（x1,x2）T,其中T是转置符号。
另一种描述模式的方法是结构性描述，即用一组基元来描述模式。
比如我们可以用一组基元来描述图1-1中的图形。
这个图形由四个基本元素（成为基元）组成。
两个圆弧段用符号a和c表示，直线段用符号b表示。
同样，为了便于用形式语言处理，我们把这些符号组成符号串：
x=abcb,这四个基元不仅分别表达了图形中四个线段的局部特征，而且这些基元之间的连接关系从结构上描述了这个图形。
相应于两种模式描述方法，有两种基本的模式识别方法：
统计模式识别方法和结构（句法）模式识别方法。
在统计模式识别方法中，用特征向量描述模式；在结构模式识别方法中，用符号串（树）来描述模式。
在课设中只用了统计模式识别方法。
基于统计识别法的模式识别系统主要由五部分组成：
数据获取、预处理、特征抽取、分类器设计和分类器。
具体见图1-2。
下面对这五部分作些说明。
1.数据获取
为了使计算机能够对客体进行分类识别，必需将客体用计算机所能接受的形式表示，通常从客体获得的信息有下列三种类型：
⑴二维图象，如文字、指纹、照片等；
⑵一维波形，如语音、机械振动波、心电图等；
⑶物理参量和逻辑值，如体温、各种实验数据等。
通过测量、采样和量化，可以用矩阵或向量表示二维图象或一维波形，这就是信息获取过程。
2.预处理
预处理的目的是去除噪声，加强有用的信息，并用种种因素造成的退化现象进行复原。
3.特征抽取
有信息获取部分获得的原始数据量一般是相当大的。
为了有效的实现分类识别，要对原始数据进行选择或变换，得到最能反映分类本质的特征，构成特征向量。
4.分类器设计
为了把待识别模式分配到各自的模式类中去，必修设计出一套分类判别规则。
基本做法是：
用一定数量的样本（称为训练样本集），确定出一套分类判别规则，使得按这套分类判别规则对待识模式进行分类所造成的错误识别率最小或引起的损失最小。
5.分类器
分类器按已确定的分类判别规则对待识别模式进行分类判别，输出分类结果。
1.4人工神经网络简介
神经网络的研究对那些时空信息存贮及并行搜索，自组织联想记忆，时空数据统计描述的自组织以及从一些相互关联的活动中自动获得知识等一般性问题的求解，显示出独特能力。
人工神经网络是对生物神经系统的模拟，它的信息处理是由网络单元（神经元）的输入输出特性（激活特性）、网络的拓扑结构（神经元的连接方式）、连接权的大小（突触联系强度）和神经元阈值（可视为特殊的连接权）等所决定的。
1.5课题的任务及要求
本课题的主要任务是：
（1）学习并掌握MATLAB语言编程。
（2）学习并深入研究神经网络的理论，掌握其模式分类的工作原理。
（3）学习并了解肌电信号的形成机理。
（4）运用人工神经网络知识设计模式分类器，该分类器能有效识别上肢八种相关动作的表面肌电信号。
本课题的要求是：
（1）给出源程序清单及必要的文字说明。
（2）所设计的分类器，对某些特征的识别结果不低于90%。
（3）识别结果要稳定。
（4）识别实时性强。
（5）论文字数在2万字左右。
（6）科技文献翻译不少于5000字。
1.6课题的内容安排
本文共分成七章。
第一章为绪论，介绍了表面肌电信号，概述了模式识别的发展状况、概念及方法和人工神经网络对信息的处理；介绍了本文的内容安排。
第二章介绍了实验过程中使用的MATLAB语言。
第三章分析了课设的任务及要求，提出总体设计方案，并完成了对肌电信号的模式识别。
第四章为本课题的方案论证。
第五章为有关神经网络和BP网络的介绍。
第六章为本课题的软件设计和实现过程。
第七章为实验结果的分析。
第2章表面肌电信号的获取和分析处理
肌电信号（EMG）发源于作为中枢神经一部分脊髓中的运动神经元，是电极所接触到的许多运动单元发放的支作电位的总和，反映了神经肌肉的活动、功能状态。
表面肌电信号是从人体骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号[1]。
表面肌电信号已在临床医学、运动学等领域被广泛应用。
不同的肌肉运动模式的表面肌电信号是不同的。
表面肌电信号同脑电、心电等电信号一样与人体的生理活动有着密切关系。
而这些信号都是非平稳的随机信号，它们非常微弱，随机性强，易受干扰。
因此，对于它们的提取、分析、处理是相当困难的。
2.1表面肌电信号的获取
实验中，使用上海医疗器械高技术公司生产的JD-4肌电图机采集表面肌电信号。
共采集了健康受试者前臂8个动作模式的表面肌电信号，这8个动作分别是握拳、展拳、腕内旋、腕外旋，屈腕、伸腕、前臂内旋，前臂外旋。
其中每个动作选取4块测试肌肉进行信号采集。
这4块肌肉分别是前臂掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌。
贴在肌肉上的表面电极拾得的电压信号经过放大后输入数据采集卡（声卡）进行采样，采样频率为8000Hz，得到以WAV文件格式存储的表面肌电信号。
2.2表面肌电信号特征值简介
由于实际检测到的肌电信号是很多因素影响下的综合结果，存在很多外界干扰。
只有对其进行适当的有效处理，才能实现对不同动作的可靠分类，因此，如何高效提取肌电信号，如何对其作分析是非常重要的。
特征值提取是模式识别的一个非常重要的环节[2]。
一个识别系统的识别能力与特征值矢量的选取有着直接的关系。
对于基于表面肌电信号的不同动作模式识别系统来说，如何寻找有效的特征值来表征肌电信号是肌电动作模式识别的根本问题。
为了有效的提取相应的特征值，需要对肌电信号进行深入分析，本文只做简单介绍。
特征值选择和提取的基本任务是如何从许多特征值中找出那些最有效的特征值。
在样本数不是很多的情况下，用很多特征值进行分类器设计，无论从计算的复杂程度还是分类器性能来看都是不适宜的。
因此研究如何把高维特征值空间压缩到低维特征值空间以便有效的设计分类器就成为一个重要的课题。
任何识别过程的第一步，不论用计算机还是由人去识别，都要首先分析各种特征值的有效性并选出最有代表性的特征值[3]。
进行特征值提取和选择的方法有很多，但不是本文的主要研究内容，在这里只作一些简单介绍。
在肌电信号的处理中，小波变换是一种可行的选择；有两种方法，一种是用小波包对信号进行处理；另一种是对信号进行多层小波分解，得到小波系数，再对小波系数进行处理后作为特征值用于分类。
处理小波系数的方法很多，可以取最大值、平均值等。
AR模型是一种数字信号处理方法，同样可以用于表面肌电信号的处理。
对肌电信号进行AR建模，得到的参数也可作为特征值。
主分量分析（PCA）也是一种可行的方法。
其主要作用是对数据降维，用最能代表原数据的投影来表征原数据。
还可以同其它方法结合提取特征值。
在进行特征值提取的时候，应该对动作时候的数据进行。
本文通过试验得到的信号既有自然状态又有动作状态，如图3-1所示。
从图中可以看出自然状态和动作状态的波形有很明显的差别。
图3-1试验得到的前臂掌长肌一次握拳动作波形
由于提取的表面肌电信号是以WAV文件格式存储的，而MATLAB不能直接对其进行分析和处理。
应该先将其存储到数组或矩阵中，再对数组或矩阵进行处理。
本文对小波包变换提取的特征值、进行6层小波分解的系数处理后得到的特征值、AR系数、复杂度参数和PCA参数进行了分类试验。
第3章MATLAB语言简介
3.1MATLAB语言简介
MATLAB是一种用于科学工程计算的高效率高级语言。
MATLAB原先作为矩阵实验室（MatrixLaboratory），是提供使用LINPACK和EISPACK矩阵软件包接口的。
后来它逐渐地发展成通用科学计算、图视交互系统和程序设计语言[4]。
与BASIC、FORTRAN、C/C++等语言相比，MATLAB的语法规则简单，更贴近人的思维方式。
用MATLAB编写程序，犹如在一张演算纸上排列公式和求解问题一样效率高，因此被称为“演算纸式的”科学工程算法语言。
MATLAB的基本数据单位是矩阵，它的命令表达与数学、工程中常用的习惯表达形式十分相似。
随着MATLAB版本的不断更新，其功能越来越强，使它在诸如一般数值计算、数字信号处理、系统识别、自动控制、振动理论、时序分析与建模、优化设计、神经网络控制、化学统计学、动态仿真系统、特殊函数和图形领域表现出一般高级语言难以比拟的优势，并可以方便地用于几乎所有的科学和工程计算的各个方面。
可以说，MATLAB不仅是一种编程语言，而且在广义上是一种语言开发系统。
经过MathWorks公司地不断完善，时至今日，MATLAB已经发展成为适合多学科、多种工作平台的功能强劲的大型软件。
3.2MATLAB语言的特点
MATLAB语言是当前国际上自动控制领域的首选计算机语言，和其他程序设计语言相比较，MATLAB语言有如下优势[5]：
1.简洁高效性
MATLAB程序设计语言集成度高，语句简洁，往往用C/C++等程序设计语言编写的数百条语句，用MATLAB语言一条语句就能解决问题，其程序可靠性高、易于维护，可以大大提高解决问题的效率和水平。
2.科学运算功能
MATLAB语言可以以矩阵为基本单元，可以直接用于矩阵运算。
3.绘图功能
MATLAB语言可以用最直观的语句将实验数据或计算结果用图形的方式显示出来，并可以将以往难以显示的隐函数直接用曲线绘制出来。
MATLAB语言还允许用户用可视的方式编写图形用户界面，其难易程度和VisualBasic相仿，这使得用户可以容易地利用该语言编写通用程序。
4.庞大的工具箱与模块集
MATLAB是被控制界的学者“捧红”的，是控制界通用的计算机语言，在应用数学及控制领域几乎所有的研究方向均有自己的工具箱，而且由领域内知名专家编写，可信度比较高。
5.强大的动态系统仿真功能
Simulink提供的面向框图的仿真及概念性仿真功能，使得用户很容易建立复杂系统模型，准确地对其进行仿真分析。
Simulink的概念性仿真模块集允许用户在一个框架下对含有控制环节、机械环节和电子、电机环节的机电一体化系统进行建模与仿真，这是目前其他计算机语言无法做到的。
3.3MATLAB语言的程序结构
作为一种程序设计语言，MATLAB提供了循环语句结构、条件语句结构、以及函数的基本结构等。
3.3.1循环结构
循环结构可以由for或while语句引导，用end语句结束，在这两个语句之间的部分称为循环体。
1.for语句的一般结构
fori=V，循环结构体，end
在for循环结构中，V为一个向量，循环变量I每次从V向量中取一个数值，执行一次循环体的内容，直至执行完V向量中所有的分量，如图2-1所示。
2.while循环的基本结构
while（条件式），循环结构体，end
while循环中的“条件式”是一个逻辑表达式，若其值为真（非零）则将自动执行循环体的结构，执行完后再判定“条件式”的真伪为真则任然执行结构体，否则将退出循环结构，如图2-2所示。
3.3.2转移结构
MATLAB下最基本的转移结构是if……end型的，也可以和else语句和elseif语句扩展转移语句。
其一般结构为：
if（条件1）%如果条件1满足，则执行下面的段落1
语句组1%这里也可以嵌套下级的if结构
elseif（条件2）%否则如果条件2满足，则执行下面的段落2
语句组2
┆┆%可以按照这样的结构设置多种转移条件
else%上面的条件均不满足时，执行下面的段落
语句组n+1
end
3.3.3函数的基本结构
MATLAB的M-函数是由function语句引导的，其基本结构如下：
Function[返回变量列表]=函数名（输入变量列表）
注释说明语段，由%引导
输入、返回变量格式的检测
函数体语句
这里输入和返回变量的实际个数分别由nargin和nargout两个MATLAB保留变量来给出，只要进入该函数，MATLAB就将自动生成这两个变量。
返回变量如果多于一个，则应该用方括号将他们括起来，否则可以省去方括号。
输入变量之间用逗号来分割，返回变量用逗号或空格分割。
注释语句段的每行语句都应该由（%）引导，百分号后面的内容不执行，只起注释作用。
第4章系统方案论证
本课题题目是基于人工神经网络生物电信号模式分类的研究，也就是利用人工神经网络来识别生物电信号。
神经网络的种类很多，常见的有BP网络，Hopflied网络，贝叶斯网络等。
Hopfield网络是Hopfield在1982年提出的，是神经网络第二次研究热潮的开端．Hopfield网络可分为离散型和连续型两种形式。
离散Hopfield网络是单层神经元网络，所有神经元之间都存在双向的连接。
每个神经元有两个可能的状态，分别用1和-1表示，因此也称为二值Hopfield网络。
贝叶斯理论是处理不确定性信息的重要工具，它适用于表达和分析不确定和概率性问题，可从不完全或不确定的知识或信息中做出推理。
目前它在计算机智能科学、军事决策、医疗诊断等领域得到了重要的应用。
而反向误差传播算法（BackPropagationLearningAlgorithm,简称BP网络）是应用最广泛、效果最好的方法，它具有良好的非线性映射能力，结构简单，性能良好，它与其它传统模型相比，有更好的持久性和预测性。
BP网络由输入层、隐含层（又叫中间层）、输出层组成，输入层和输出层的单元数是由具体问题的输入层参数和输出层参数来确定的，而隐含层的单元数则由具体问题的复杂程度、误差下降情况等来确定。
此课题用BP神经网络来识别肌电信号也很方便，题目主要的要求是要设计模式分类器，该分类器能有效果识别上肢8种动作（即握拳、展拳、屈腕、伸腕、腕内旋、腕外旋、前臂内旋、前臂外旋）的表面肌电信号。
具体实现步骤是：
首先是将采集到的8种动作的肌电信号组合成一定规格的矩阵，以矢量形式体现，然后对BP网络进行初始化，设置好某些参数，编写好训练和测试的程序，再将肌电信号特征矢量的矩阵分为训练集和测试集分别输入神经网络，神经网络的输出分结点为8个，分别对应8种动作，最后看输出结点的特征值，以特征值为1或者0来判断动作的模式。
根据测试组数和测试后特征值为1的个数，来判断该BP神经网络对这些肌电信号的识别率。
第5章神经网络及BP网络原理
神经网络是一个具有高度非线性的超大规模连续时间动力系统。
是由大量的处理单元（神经元）广泛互连而形成的网络。
它是在现代神经科学研究成果的基础上提出的，反映了脑功能的基本特征。
但它并不是人脑的真实描写，而只是它的某种抽象、简化与模拟。
网络的信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络元件互连间分布式的物理联系；网络的学习和计算决定于各神经元连接权系的动态演化过程。
因此神经元构成了网络的基本运算单元。
每个神经元具有自己的阈值。
每个神经元的输入信号是所有与其相连的神经元的输出信号和加权后的和。
而输出信号是其净输入信号的非线性函数。
如果输入信号的加权集合高于其阈值，该神经元便被激活而输出相应的值。
在人工神经网络中所存储的是单元之间连接的加权值阵列。
神经网络的工作过程主要由两个阶段组成，一个阶段是工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。
另一阶段是学习期（自适应期，或设计期），此时各计算单元状态不变，各连接权值可修改（通过学习样本或其他方法），前一阶段较快，各单元的状态亦称短期记忆（STM），后一阶段慢的多，权及连接方式亦称长期记忆（LTM）〔6〕。
根据网络的拓扑结构和学习规则可将人工神经网络分为多种类型，如不含反馈的前向神经网络、层内有相互结合的前向网络、反馈网络、相互结合型网络等〔7〕。
5．1人工神经网络背景简介
人工神经网络（AartificialNeuralNetwork，简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。
早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［8］。
ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。
其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。
人工神经网络是一种有自组织、自学习能力的网络系统，它的应用对各门学科都产生了重要的影响。
目前，ANN理论的研究取得了令人瞩目的进展。
由于其具有非线性、高维性、大规模并行处理、信息的分布或储存、联想、记忆和容错等特征，在预测具有高复杂程度的非线性时间序列问题方面明显优于传统预测方法。
5．2人工神经网络原理
神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。
在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。
一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。
如下图所示。
这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。
作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经网络
神经网络已经在各个领域中应用，以实现各种复杂的功能。
这些领域包括：
模式识别、鉴定、分类、语音、翻译和控制系统。
如今神经网络能够用来解决常规计算机和人难以解决的问题。
我们主要通过这个工具箱来建立示范的神经网络系统，并应用到工程、金融和其他实际项目中去。
一般普遍使用有监督训练方法，但是也能够通过无监督的训练方法或者直接设计得到其他的神经网络。
无监督网络可以被应用在数据组的辨别上。
一些线形网络和Hopfield网络是直接设计的。
总的来说，有各种各样的设计和学习方法来增强用户的选择。
神经网络领域已经有50年的历史了，但是实际的应用却是在最近15年里，如今神经网络仍快速发展着。
因此，它显然不同与控制系统和最优化系统领域，它们的术语、数学理论和设计过程都已牢固的建立和应用了好多年。
5．2．1神经元模型
单神经元下图所示为一个单标量输入且无偏置的神经
这个输入标量通过乘以权重为标量w的连结点得到结果wp，这仍是一个标量。
这里，加权的输入wp仅仅是转移函数f的参数，函数的输入是标量a。
右边的神经元有一个标量偏置b，你既可以认为它仅仅是通过求和节点加在结果wp上，也可以认为它把函数f左移了b个单位，偏置除了有一个固定不变的输入值1以外，其他的很像权重。
标量n是加权输入wp和偏置b的和，它作为转移函数f的参数。
函数f是转移函数，它可以为阶跃函数或者曲线函数，它接收参数n给出输出a，下一节将给出各种不同的转移函数。
注意神经元中的w和b都是可调整的标量参数。
神经网络的中心思想就是参数的可调整使得网络展示需要和令人感兴趣的行为。
这样，我们就可以通过调整权重和偏置参量训
升级会员 