總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化技術及設備
 
 
 
 
電子鼻信號分析關鍵算法研究
 叢書名稱: 清華大學優秀博士學位論文叢書
 作  者: 閆軻
 出版單位: 清華大學
 出版日期: 2019.05
 進貨日期: 2019/7/15
 ISBN: 9787302523697
 開  本: 16 開    
 定  價: 518
 售  價: 414
  會 員 價: 380
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
內容簡介:

電子鼻是一種利用氣敏感測器陣列識別氣味的設備,呼氣分析是電子鼻的重要應用之一。通過檢測呼出氣體中與特定疾病相關的標誌物,電子鼻可以輔助完成疾病篩查和監控,該方法具有無創、易操作等優點。本書側重研究電子鼻系統的信號分析演算法,在搭建電子鼻系統的基礎上,針對電子鼻資料的特點研究信號分析過程中的關鍵演算法,旨在提高電子鼻的準確性和實用性。本書內容包括三個方面: 基於電子鼻的呼氣分析系統設計,針對相關特徵的反覆運算特徵刪除演算法,針對設備差異和時變漂移的補償演算法。本書可以作為電子鼻、生物醫學工程和機器學習領域研究者的參考書籍。


圖書目錄:

第1章引言


1.1研究背景


1.2電子鼻工作原理簡介


1.3研究方向與意義


1.4研究內容


1.4.1基於電子鼻的呼氣分析系統設計


1.4.2針對相關特徵的反覆運算特徵刪除


1.4.3設備差異和時變漂移補償


1.5結構安排


第2章基於電子鼻的呼氣分析系統


2.1相關工作


2.1.1疾病與呼氣標誌物


2.1.2基於電子鼻的呼氣分析


2.2系統設計與優化


2.2.1氣敏感測器陣列


2.2.2電子鼻結構設計


2.2.3採樣流程


2.2.4信號分析與特徵增強


2.3糖尿病呼氣資料集


2.4實驗結果和討論


2.4.1丙酮濃度預測實驗


2.4.2糖尿病篩查


2.4.3血糖預測


2.4.4分析: 個體訓練樣本數與血糖預測誤差的關係


2.5本章小結



第3章針對相關特徵的反覆運算特徵刪除


3.1相關工作


3.1.1特徵選擇概述


3.1.2SVMQRFE


3.2改進SVMQRFE: 相關偏差縮減


3.2.1相關偏差


3.2.2相關偏差縮減


3.2.3特徵選擇的穩定性和集成策略


3.3候選特徵集


3.4實驗結果和討論


3.4.1人工合成資料集


3.4.2糖尿病呼氣資料集


3.4.3分析: 穩定性和集成策略


3.4.4分析: 特徵選擇結果


3.5本章小結


第4章基於加權正則化和多工學習的漂移補償


4.1相關工作


4.1.1設備差異補償


4.1.2時變漂移補償


4.1.3標定樣本選擇


4.2演算法總結與面臨的挑戰


4.3漂移資料集


4.4基於加權正則化的漂移補償


4.5基於多工學習的漂移補償


4.5.1雙任務學習


4.5.2多工學習


4.5.3動態模型策略


4.6實驗結果和討論


4.6.1陣列漂移資料集


4.6.2Corn資料集


4.6.3呼氣分析資料集


4.7本章小結



第5章漂移補償自編碼器


5.1相關工作


5.1.1自編碼器


5.1.2基於自編碼器的遷移學習


5.2背景特徵


5.3漂移補償自編碼器


5.3.1網路結構與目標函數


5.3.2處理複雜時變漂移


5.3.3訓練流程


5.4實驗結果和討論


5.4.1陣列漂移資料集


5.4.2Corn資料集


5.4.3呼氣分析資料集


5.4.4分析: 欠遷移與過遷移


5.4.5分析: 訓練流程


5.5本章小結


第6章最大獨立領域適配演算法


6.1相關工作


6.1.1無監督領域適配演算法


6.1.2HilbertQSchmidt獨立性準則


6.2最大獨立領域適配演算法


6.2.1無監督情況


6.2.2半監督情況


6.2.3與其他演算法的聯繫


6.3特徵增強


6.4實驗結果和討論


6.4.1人工合成資料集


6.4.2陣列漂移資料集


6.4.3Corn資料集


6.4.4呼氣分析資料集


6.5本章小結


第7章總結和展望


7.1總結


7.2創新點


7.3展望


參考文獻


索引


在學期間發表的學術論文


致謝


章節試讀:

第1章引言

1.1研究背景

用感測器和信號分析的手段來擴展增強人類的“五感”一直是科技工作者的研究目標。在視覺和聽覺領域,感測器相對成熟,分析演算法也一直是熱門研究課題,相比而言,人們對嗅覺的關注似乎沒有那麼多。事實上,氣味也是一種重要的資訊媒介。通過對其進行感知和分析,我們可以瞭解到被測物體或周邊環境中與氣體、氣味相關的屬性,從而做出判斷和決策,給生產和生活帶來便利。

電子鼻(electronic nose,eQnose),顧名思義,是一種利用電子手段來感知和分析氣味的裝置。最早對電子鼻的研究可以追溯到20世紀60年代〔1〕。近年來,隨著各種應用的湧現,電子鼻受到越來越多的關注〔2〕。人們最熟悉的應用當屬酒駕的檢測,也就是測試呼氣中酒精的濃度。在工業領域,電子鼻常被用來檢測空氣中有毒、易燃、易爆氣體的含量,以保證生產的安全和工人的健康〔3〕。空氣品質是近幾年社會關注的重點話題,電子鼻可以監控室內和室外的空氣污染物濃度〔4Q6〕。通過分析氣味,電子鼻還可以判斷農產品的成熟程度和品質〔7,8〕以及飲料的種類〔9,10〕。

醫療健康是電子鼻的另一個重要應用領域〔11〕。醫學研究表明,多種疾病會導致呼出氣體中相關標誌物的濃度發生變化,例如丙酮與糖尿病和血糖值相關,氨氣與腎衰竭相關,氫氣與腸道疾病相關等〔11Q15〕。呼氣分析就是通過分析呼出氣體中的標誌物的組成來進行疾病的輔助診斷和監控,該方法具有無創、樣本易收集的優點。傳統的化學分析設備(如氣相色譜儀、質譜儀〔2〕等)能夠精確地測定混合氣體中每一組分的濃度,因此可以用來對疾病和標誌物的關係進行前期調研。比起氣相色譜儀、質譜儀,電子鼻的優勢在於易操作、便攜、快速、成本低〔15〕,因此更適合推廣到社區醫療中心和患者家庭中輔助疾病篩查和監控。除此之外,它還可以用於評價用戶日常的身體狀況,例如初創公司Breathometer開發了與手機連接的小型電子鼻,可以分析使用者呼氣中的酒精含量以及是否口臭https://www.breathometer.com/。。

1.2電子鼻工作原理簡介

Gardner等人在1994年對電子鼻的綜述中,認為電子鼻是“由具有部分選擇性的氣敏感測器陣列和適當的模式識別方法組成的、具有識別單一或複雜氣味能力的裝置”〔1〕。氣敏感測器是電子鼻的核心部件,其種類很多,包括電化學感測器、半導體感測器、光離子感測器、固體電解質感測器等〔16〕。其中,金屬氧化物半導體(metal oxide semiconductors,MOS)感測器〔16〕由於成本低、壽命長、靈敏度高、回應速度快和電路簡單等優點,獲得了廣泛的應用。典型MOS感測器的外觀如圖1.1所示。該類感測器中的金屬氧化物材料表層在200~500℃時會與特定敏感氣體發生可逆的氧化還原反應,從而改變其電導率〔16〕。通過調整材料內部摻雜的成分,可以改變感測器的敏感特性,即敏感氣體的種類和敏感度。對感測器的電阻進行測量,即可獲得與被測敏感氣體的種類和濃度相關的資訊。



圖1.1MOS感測器TGS2600(日本費加羅公司)的外觀和內部示意〔17〕



大多數MOS傳感器具有交叉敏感性,對氣體的選擇性較差〔16〕,交叉敏感和選擇性較差是指一個感測器會對多種氣體敏感。TGS2600的敏感特性曲線如圖1.2所示,其橫軸為氣體濃度,單位是每百萬分之一體積(parts per million,ppm); 縱軸是敏感氣體存在情況下的感測器電阻RS與純淨空氣中電阻RO的比值。可以發現感測器的電阻與氣體濃度呈負相關,且感測器對多種氣體敏感,但敏感的程度不同,對氫氣最為敏感(電阻下降最快)。因此,如果被測氣體成分不確定,只用一個感測器往往無法準確判斷氣體的種類,解決這個問題的一個辦法是採用感測器陣列〔18〕。利用多個敏感特性各不相同的氣敏感測器組成陣列,將它們的回應組合成多維特徵向量輸入模式識別演算法,就可以較準確的判斷被測氣體的種類和濃度。這種策略正是電子鼻的核心思想之一〔1,18〕,利用適當選擇的多個交叉敏感氣敏感測器,既可以提高電子鼻預測的精度,也可以擴大其敏感氣體的範圍。



圖1.2MOS感測器TGS2600的敏感特性曲線〔17〕



分析感測器陣列回應的常用步驟包括信號預處理、特徵提取、分類和回歸等〔19〕。首先需要對回應曲線進行預處理,例如基線補償、幅值歸一化〔19〕等,以去除簡單的基線漂移和提高特徵區分度。接下來需要在信號曲線上提取有利於分類或回歸的特徵。研究者們已經研究了多種特徵,例如穩態回應、瞬態特徵(曲線在各個時間點的幅值、導數等)、主成分特徵、相位特徵、小波特徵、曲線擬合特徵等〔18,19〕。在提取多種特徵後,一個可選的步驟是利用特徵選擇演算法選擇最優的特徵子集。最後,如果分析的目的是判斷氣味的種類或被測物質的某種離散屬性值(如疾病、健康),那麼可以對提取的特徵進行分類,電子鼻文獻中常用的分類器包括K近鄰、神經網路、支援向量機、邏輯回歸等; 如果分析的目的是判斷氣味的濃度或被測物質的某種連續屬性值(如血糖值),那麼可以採用回歸演算法,電子鼻文獻中常用的演算法包括最小二乘擬合、偏最小二乘回歸、神經網路、支援向量回歸等。

1.3研究方向與意義

由於電子鼻的疾病篩查與監控具有無創、易操作等優點,近年來逐漸受到重視。目前已有的商用和實驗用電子鼻在感測器陣列的針對性和設備的實用性上還有不足,因此,我們將首先在電子鼻系統搭建方面進行研究,設計一套呼氣分析系統。該系統可以用於輔助疾病篩查和監控(例如糖尿病篩查和血糖預測),具有較高的實用價值。另外,電子鼻信號的研究尚不如圖像、語音等領域那樣成熟,公共資料集較少。我們將利用該系統採集呼氣資料集,為後續的演算法研究提供測試平臺。

從氣敏感測器的回應曲線上可以提取多種特徵。用於預測時,這些特徵的有效性各不相同。通過對特徵進行選擇,可以在降低預測模型的時空複雜度的同時提高其準確性。更重要的是,它可以?明我們更好地理解資料。氣敏感測器信號曲線上提取的特徵具有較高相關性,我們將研究用於高度相關特徵的特徵選擇演算法,並用它來對呼氣資料集進行特徵選擇。通過分析特徵選擇的結果,我們可以得到關於系統軟硬體的有用結論,為後人研究提供參考。

在實際應用中,信號漂移是電子鼻面臨的一個重大挑戰。氣敏感測器大多存在魯棒性問題〔18,19〕,其敏感特性會受到多種幹擾因素的影響,信號的可重複性較差。具體來說,同一個型號、甚至同一個批次的感測器,其敏感特性並不會完全相同,因此導致了電子鼻的設備差異(instrumental variation)。隨著時間的推移,感測器會發生老化,採樣環境、甚至樣本本身的構成也可能會隨時間變化,這些因素共同導致了電子鼻的時變漂移(timeQvarying drift)。其他幹擾因素還包括環境的溫度、濕度等。漂移問題已經成為制約電子鼻推廣和實用的一大障礙〔19〕,是電子鼻的“短板”,因此也正在被更多研究者關注。在穀歌學術搜索關鍵字“eQnose drift”,可以發現相關文獻數量逐年增多,如圖1.3所示。本文將對漂移補償演算法進行重點研究,利用遷移學習〔20〕的思想,針對不同的應用場合提出多種漂移補償演算法,緩解電子鼻實用中的難點問題: 設備差異和時變漂移。



圖1.3在穀歌學術搜索“eQnose drift”得到的每年發表文獻數量




綜上所述,本文從系統搭建出發,針對電子鼻的資料特點(特徵高度相關和存在漂移)研究了適合的特徵選擇和漂移補償演算法,提高了電子鼻的準確性和實用性。

1.4研究內容

本文主要圍繞三個方面進行研究: 基於電子鼻的呼氣分析系統設計和樣本採集,針對相關特徵的反覆運算特徵刪除演算法,以及設備差異和時變漂移的補償。這三個方面不是孤立的,它們都是電子鼻系統的關鍵組成部分,如圖1.4所示。系統設計和樣本採集為後續的演算法研究提供了測試平臺; 特徵選擇可以提高系統精度,同時?明我們更好地理解資料; 而漂移補償則是提高系統魯棒性和實用性的重要步驟。本文提出的特徵選擇和漂移補償演算法可以用於本系統及其他電子鼻系統。



圖1.4電子鼻應用中的關鍵步驟


標出章節的部分為本文研究內容



1.4.1基於電子鼻的呼氣分析系統設計

根據現有醫學文獻中的呼氣標誌物研究結論,我們選擇了針對糖尿病呼氣標誌物的氣敏感測器陣列,並且對電子鼻中氣室等結構進行了優化,設計並製作了一套呼氣分析系統。利用這套系統,我們到醫院採集了500余個健康人和糖尿病患者的呼氣樣本,進行了糖尿病篩查和血糖預測實驗,取得了初步的成果,這些工作驗證了呼氣分析系統的有效性。我們還提出了一種特徵增強策略,用以改善血糖預測中存在的個體差異問題。

1.4.2針對相關特徵的反覆運算特徵刪除

為了獲取最優的特徵組合,我們在上面提到的糖尿病呼氣資料集上提取了七種瞬態特徵,利用生物資訊學領域應用廣泛的支援向量機反覆運算特徵刪除(support vector machine recursive feature elimination,SVMQRFE)演算法進行了特徵排序和選擇實驗。然而,由於電子鼻信號的特點,候選特徵之間存在較大相關性。這種情況下,SVMQRFE的特徵評價準則將會受到影響,相關的特徵會得到過低的評價。我們研究了這種現象的原因,同時提出了一種改進方案——相關偏差縮減(correlation bias reduction,CBR)。實驗表明,CBR能夠提高傳統SVMQRFE選擇得到的特徵的分類準確率。最後,通過分析特徵的排名結果,我們得到了關於感測器、特徵提取演算法和溫度調製電壓〔18〕的有效性排名結論。

1.4.3設備差異和時變漂移補償

在影響電子鼻魯棒性的因素中,我們主要研究影響較大也較複雜的兩種因素: 設備差異和時變漂移。事實上,除了電子鼻,一些其他的感測器或測量設備也面臨相似的魯棒性問題,例如光譜儀〔21〕。時變漂移的信號是與氣敏感測器類似的一維曲線,因此電子鼻和光譜學領域的漂移補償演算法往往可以通用。

從機器學習和遷移學習〔20〕的角度來看,設備差異和時變漂移本質上都是樣本的邊緣分佈P(X)和條件分佈P(Y|X)在訓練樣本和測試樣本中存在差異,導致從訓練樣本得到的預測模型在測試樣本上準確率下降。借用遷移學習的術語,我們可以假設無漂移的樣本來自源領域DS(source domain),有漂移的樣本來自目標領域DT(target domain),兩者的邊緣分佈或/和條件分佈不同。源領域中的有標籤樣本通常比較充足,而目標領域中的有標籤樣本較少甚至沒有。因此,單獨為目標領域訓練一個預測模型是比較困難的,需要將源領域的知識遷移到目標領域。對於設備差異來說,初始用來採集訓練樣本的設備對應著源領域,而每一個後來製作的新設備都對應著一個目標領域,不同領域間的分佈變化是離散的; 對於時變漂移來說,初始用來採集訓練樣本的時間段對應著源領域,而之後的時間段對應著目標領域,但領域之間的分佈變化是連續的。在本文中,為了簡潔起見,有時把設備差異和時變漂移統稱為“漂移”,因為它們都對應了特徵空間中樣本分佈的移動。但在一些文獻中〔19〕,只有時變漂移補償被稱作漂移補償(drift compensation),而設備差異補償對應的術語是標定遷移(calibration transfer)。

對於漂移,根本的解決辦法之一是製造魯棒性更好的感測器。然而在成本受限以及現有工藝無法取得突破的條件下,利用信號分析演算法進行漂移補償就是比較合適的選擇了。很多漂移補償演算法用到了標定樣本〔18,19,21〕。所謂標定樣本就是在每個領域(不同的設備或時間段)分別採集的一組輔助樣本,一般是預先選定的幾種標準氣體。由領域之間一一對應的標定樣本對可以推斷出分佈移動的相關資訊,從而提高補償精度。然而採集標定樣本需要一定的專業知識和工作量,不太適用於非專業的電子鼻使用者。也有一些方法不需要標定樣本,而是利用目標領域的有標籤或無標籤樣本來得到漂移的資訊並進行補償。已有的漂移補償演算法在準確度和輔助樣本的需求數量上還不能讓人滿意,尤其是在漂移比較複雜的時候。已有演算法大多只能處理設備差異和時變漂移之中的一種,而在現實中,如果電子鼻被批量製造和長期使用,這兩種漂移會同時存在。

為瞭解決以上問題,本文提出了四種漂移補償演算法。其中前三種利用了標定樣本,最後一種方法基於目標領域的無標籤樣本進行補償。下麵分別簡要介紹。

(1) 結合標準化誤差的模型改進(standardizationQerrorQbased model improvement,SEMI)。特徵標準化是一種簡單的特徵層面的補償方法,該方法依據標定樣本將不同領域的對應特徵進行匹配,但匹配後的特徵仍然可能存在差異。SEMI在已有的預測模型中加入一個加權的Tikhonov正則項,對匹配較差的特徵施以較大的懲罰權重,從而使預測模型更加依賴那些匹配較好的特徵。這種方法將特徵標準化與預測模型訓練有機結合,提高模型對漂移的魯棒性。


(2) 基於標定樣本的多工學習(transferQsampleQbased multiTask learning,TMTL)。該方法直接在模型層面進行遷移,對每一個領域(設備或時間段)學習一個模型。該方法的基本假設是: 第一,不同設備的模型應當是相似的; 同一個設備在時間段t的模型應當和時間段t-1的模型相似,也就是時變漂移應當具有平緩性。第二,不同領域的標定樣本在各自的模型投影下應當對齊。另外,本文還提出了一種動態模型策略用來生成任意時間點的模型。TMTL中應用了上面介紹的SEMI策略,以進一步提高漂移補償精度。

(3) 漂移補償自編碼器(drift compensation autoencoder,DCAE)。機器學習演算法中,為了獲得較好的準確率,提高特徵的鑒別能力十分重要。近年來,基於深度網路的特徵學習演算法被成功地應用在圖像、語音等信號上,然而在電子鼻信號上的應用還比較少。本文對自編碼器演算法進行改進,在學習更有鑒別能力的特徵的同時,顯式地建模和補償特徵中的設備差異和時變漂移。為了達到這個目的,首先定義了“背景特徵”來描述一個樣本的採集設備和時間等資訊,接著在自編碼器的編碼和解碼的階段分別顯式加入和減除一組補償項,從而保證網路隱層中學習到的特徵都是去除了漂移的。為了更好地補償非線性時變漂移,我們還設計了非線性補償層。DCAE的目標函數使其可以同時最小化樣本的重構誤差、有標籤樣本的預測誤差和標定樣本的對齊誤差。

(4) 最大獨立領域適配(maximum independence domain adaptation,MIDA)。該方法的目標是在標定樣本無法獲取的情況下,利用目標領域的無標籤樣本進行漂移補償。MIDA通過最大化子空間中樣本與背景特徵的獨立性來學習領域不變子空間,同時保留資料的方差和標籤資訊等有用資訊。我們還提出了一種特徵增強策略,以使演算法可以對不同領域的樣本差異化投影。該方法的優點是使用靈活,求解簡單。

我們利用本文研究的呼氣分析系統實地採集了同時包含設備差異和時變漂移的呼氣資料集,在該資料集和另外兩個公開的漂移資料集上驗證了上述演算法的有效性。上述演算法利用遷移學習的思想解決漂移問題,將多工學習、基於自編碼器的特徵學習、領域不變子空間學習等演算法框架應用到設備差異和時變漂移問題中,並針對存在標定樣本、領域分佈連續變化等情況做出了改進,拓展了前人演算法的適用範圍。

1.5結構安排

本文章節組織安排如下。

第1章為引言,總體介紹電子鼻的應用場合和工作原理,引出本文研究內容和意義。

第2章介紹基於電子鼻的呼氣分析系統的設計,首先調研一些典型疾病與呼氣標誌物的關係以及現有呼氣分析系統; 然後介紹本文系統的感測器陣列、硬體設計和採樣流程,以及糖尿病篩查和血糖預測實驗的演算法、資料集和結果。

第3章研究針對相關特徵的反覆運算特徵刪除演算法,指出已有的SVMQRFE演算法存在的相關偏差問題,研究改進方案,並且進行實驗和討論。

第4章至第6章致力於解決電子鼻的設備差異和時變漂移問題。

第4章討論基於多工學習和加權正則項的漂移補償,首先總體調研現有的漂移補償演算法,並對它們進行分析和總結; 然後描述本文採用的漂移資料集; 接著提出兩個模型層面的演算法: 結合標準化誤差的模型改進、基於標定樣本的多工學習; 最後進行實驗和對比。

第5章提出漂移補償自編碼器,首先回顧已有的基於自編碼器的遷移學習演算法; 然後提出背景特徵,描述本文演算法的網路結構和目標函數; 最後進行實驗和討論。

第6章探討最大獨立領域適配演算法,首先調研典型的特徵層面的無監督領域適配方法; 然後提出本文演算法的優化目標和特徵增強策略; 最後在人工合成資料集和漂移資料集上驗證演算法的有效性。

第7章總結全文,列舉了幾種漂移補償演算法的異同點和全文的創新點,並且展望了未來可能的研究方向。




第2章基於電子鼻的呼氣分析系統

在電子鼻相關的研究中,研究者通常針對要分析的氣體選擇適合的氣敏感測器組成陣列,然後製作成電子鼻。在本章中,我們重點關注利用呼氣分析輔助糖尿病篩查和血糖預測,為此調研了相關文獻,之後進行了硬體和軟體系統的設計與優化、樣本採集,以及分類與回歸實驗。

2.1相關工作

2.1.1疾病與呼氣標誌物



人體呼出的氣體中,絕大部分是氮氣、氧氣、二氧化碳、水蒸氣和惰性氣體〔22〕,剩餘的不到100 ppm(parts per million,每百萬分之一體積)的部分是超過500種成分組成的混合物,其中濃度在ppm級別的主要有丙酮、一氧化碳、甲烷、氫氣等〔22〕。已經有大量文獻對特定疾病與氣體的對應關係進行了研究〔12,15, 22Q36〕。表2.1總結了部分疾病或醫學指標與呼氣標誌物的對應關係。



表2.1部分疾病或醫學指標與呼氣標誌物對應關係




疾病或指標

呼氣標誌物

糖尿病,血糖,糖化血紅蛋白

丙酮,乙醇,一氧化碳,硝酸甲酯等〔22Q30〕

腎衰竭,血尿素氮

氨氣〔31,32〕

心臟病

戊烷〔33〕

肺癌

丁烷等多種有機化合物〔34〕

乳腺癌

壬烷等多種有機化合物〔35〕

功能性腸病

氫氣〔36〕


以糖尿病為例,其呼氣中升高的丙酮濃度是由新陳代謝產生的〔28〕。糖尿病患者由於胰島素分泌不足或自身無法有效利用胰島素,葡萄糖難以進入身體細胞,導致血液中葡萄糖含量升高。同時由於身體細胞缺少能量來源,肝臟增加脂肪分解,產生酮體。血液經過肺時,酮體中的丙酮隨呼氣揮

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。