基于深度学习手势识别的研究论文

领域自适应： 多用于文本分类，属于直推式迁移学习，直推式迁移学习定义：给定一个源域和相应的学习任务，一个目标域和相应的学习任务，直推式学习旨在利用源域和目标域中相同的知识来提高目标域中的目标预测函数。 《基于深度学习的体态与手势感知计算关键技术研究》 基于深度学习的肌电手势识别： 并不需要任何附加信息或手工设计的特征提取器，基于高密度肌电信号（HD-sEMG），使用二维阵列电极采集的肌电信号，使得肌肉活动产生的电势场在时间和空间上的变化可被多个紧密分布在皮肤表面的电极同时记录下来。HD-sEMG中的肌电信号描绘了位于电极覆盖区域内的肌肉活动的时空分布，同时HD-sEMG的瞬时值呈现了在特定时间点肌肉活动所涉及的生理过程的相对全局的测量。瞬时HD-sEMG内部可区分出不同手势模式，可以将采集到的HD-Semg描绘出电势在空间的分布，其对应的热度图即为肌电图像，肌电图像中的像素数（分辨率）由其采集设备中的电极阵列决定，即电极的数量及其电极间距离（例如，具有16行8列的电极网格可W采集8*16像素的肌电图像）。主要是将原始肌电信号值从（-1，1）映射到（0，255），即，其中x是原始肌电信号，I是肌电图像。构建一个8层CNN结构，网络的前两个卷积层用于提取公共的底层图片特征，作者发现瞬时肌电图像在不同的空间位置上表现出不同的视觉特征。在不同手势中，肌电图像在中部偏下以及顶部的条状区域上亮度较强，提出在3，4层加入局部连接结构（受人脸识别前沿工作的启发），因为局部连接层在不同空间位置上的卷积模板的权重不共享，可以更好的提取图片上不同位置的特征。并依据单个窗口内每帧识别出的手势标签中所占比例最高的标签，因为上述实验仅适用于肌电幅值较大的数据进行训练和测试可以获得较高的手势识别准确率，因此需要对肌电信号采用全波整流和低通滤波（全波整流和低通滤波是被广泛采用的肌电信号幅值估计方法），以获取更好的肌电信号。基于深度领域自适应的肌电手势识别： 当训练集和测试集的肌电信号来自不同的采集会话的情况。因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。因为肌电信号的分布在不同的会话之间变化很大，所以来自不同会话的基于瞬时肌电信号的手势识别可以相应地表示为多源领域自适应问题。 当标定数据未标记时，该论文采用自适应批量归一化（AdaBN, Adaptive Batch Normalization）对手势分类器进行适配。假设用于区分不同手势的知识存储在每个层的权重中，AdaBN不需要适配数据的手势标签，而是随着无标签的适配数据的增加，逐步更新少量的网络参数。给定输入U，BN将其转换为V，其中第i个输入特征的转换公式为： l在训练阶段，每个BN层对于每个源域的均值统计量和方差统计量是独立计算的。因为训练阶段的BN对每个数据批次独立计算统计量，所以只需要确保每个数据批次中的样本来自同一个会话。 l识别阶段，对于给定的未标记数据A，AdaBN执行正向传播算法，更新参数。 该方法准确率：单幅，150毫秒窗口，而另一种算法特征集（150毫秒窗口）和线性判断：。 随机选择未标记的测试集的子集（，，1%，5%，10%）进行深度领域自适应，之后再评测整个测试集上的手势识别的准确率。最后观测到大约5%的适配数据后准确率达到巅峰，适配数据20000帧，在CSL-HDEMG的2048赫兹的采样率下大约10秒。 并且适配算法并不需要观测到所有种类的手势，从27种选择5个和13个进行适配，最终结果分别是（），（）另一种方法是肌电地势（sEMG topography），定义为肌电信号在时间上的二维平均强度图，其中每个像素是某个通道的肌电信号在特定时间窗口内的均方根，用于手势识别。 《Revealing Critical Channels and Frequency Bands for Emotion Recognition from EEG with Deep Belief Network》 在基于脑电信号的情感识别任务中，多通道脑电信号存在不相关的脑电信号，这不仅会引起噪声，还会降低系统对情感识别能力。该论文提出一种新的深度信念网（DBN）来检查用于情感识别的关键EEG信道和频段。 主要从行为和生理反应进行情感分析，因为EEG与表情手势相比，具有较高的准确性和客观评价性。该论文采用ESI神经扫描系统，从62通道电极帽以采样率为1000Hz记录脑电信号。每个实验有15个测试，每个测试包括15s提示，45s测试及反馈，5s休息。盖论文一共评价了30个实验。 先下采样原始脑电数据到200Hz，之后使用到50Hz的带通滤波器滤除噪声和伪影，之后采用之前提出的微分熵（differential entropy）特征[1][2]，对于固定长度的脑电信号，微分熵相当于一定频段内的对数能量谱。此前已经证明微分熵在低频和高频能量之间具有识别EEG模式的能力，因此在五个频段计算微分熵特征（δ：1-3Hz，θ：4 – 7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz），使用256点的短时傅里叶变换，并将特征归一化到0-1。利用五个频段的去噪后的62通道的特征作为输入，DBN达到的准确率和标准差，本论文通过分析经过训练的DBN的权重分布来检验关键通道和频带，权重对于识别情感模型是很重要的，因为对于学习任务贡献较大的神经元权值将增加，不相关的神经元权值趋于随机分布，图1为权重在第一层神经网络训练后的分布，可以看出主要在beta和gamma波的权重最大，这说明此频带包含更重要的鉴别信息。  从图2中我们可以看出侧颞区和前额脑区相比其他脑区在beta和gamma频带更容易激活。因此可以得出结论，在识别积极，中性和负面情绪时侧颞叶和前额叶通道是关键通道，beta和gamma是关键频带。如图3所示，依据脑区中权重分布的特点，设计了四种不同的电极放置剖面，包括4通道，6通道，9通道和12通道，其中4通道的最佳平均精度和标准差为，而所有62通道的最佳平均精度和标准差为，这说明四个相对电极阻轮廓（four profiles of relative electrode sets）FT7,T7,FT8,T8是辨别情感特征的电极。 [1]Duan R N, Zhu J Y, Lu B L. Differential entropyfeature for EEG-based emotion classification[C]// International Ieee/embsConference on Neural Engineering. IEEE, 2013:81-84. [2]Zheng W L, Zhu J Y, Peng Y, et al. EEG-based emotionclassification using deep belief networks[C]// IEEE International Conference onMultimedia and Expo. IEEE, 2014:1-6. 脑电论文（大脑解码：行为，情绪）： Real-time naive learning of neural correlates in ECoG Electrophysiology 神经实时朴素学习相关的皮层电生理 地址： A Deep Learning Method for Classification of EEG Data Based on MotorImagery 基于运动表象的脑电数据分类的深度学习方法 地址： Affective state recognition from EEG with deep belief networks 基于深层信念网络的脑电情感状态识别 地址： A Novel Semi-Supervised Deep Learning Framework for Affective StateRecognition on EEG Signals 一种用于脑电信号情感状态识别的半监督深度学习框架 地址： Revealing critical channels and frequency bands for emotion recognitionfrom EEG with deep belief network 用深层信念网络揭示脑电情感识别的关键通道和频带 地址： EEG-based emotion recognition using deep learning network withprincipal component based covariate shift adaptation 基于深度学习网络的主成分协移自适应的脑电情感识别 地址： Classifying EEG recordings of rhythm perception 节律性脑电记录分类 地址： Using Convolutional Neural Networks to Recognize Rhythm Stimuli from Electroencephalography Recordings利用卷积神经网络识别脑电记录中的节律刺激 地址： Convolutional neural network with embedded Fourier transform for EEGclassification 基于嵌入傅立叶变换的卷积神经网络在脑电信号分类中的应用 地址： Continuous emotion detection using EEG signals and facial expressions 基于脑电信号和表情的连续情绪检测 地址： ‘Deep Feature Learning for EEG Recordings 脑电记录的深部特征学习 地址： 异常分类论文（阿兹海默症，癫痫，睡眠阶段检测）： Classification of Electrocardiogram Signals with Deep Belief Networks 基于深层信念网络的心电信号分类 Modeling electroencephalography waveforms with semi-supervised deepbelief nets: fast classification and anomaly measurement 半监督深信网模拟脑电波形：快速分类和异常测量 Deep belief networks used on high resolution multichannelelectroencephalography data for seizure detection 用于癫痫检测的基于高分辨率多道脑电图数据的深度信念网 地址： Deep Learning in the EEG Diagnosis of Alzheimer’s Disease 深层学习在阿尔茨海默病脑电诊断中的应用 Sleep stage classification using unsupervised feature learning 基于无监督特征学习的睡眠阶段分类 Classification of patterns of EEG synchronization for seizureprediction 癫痫发作的脑电同步模式分类 地址： Recurrent neural network based prediction of epileptic seizures inintra-and extracranial EEG 基于递归神经网络的颅内外脑电癫痫发作预测 EEG-based lapse detection with high temporal resolution 基于脑电信号的高时间分辨率检测 地址：

学术堂最新整理了一部分计算机科学与技术毕业论文题目,供大家参考:基于STM32的手写字符识别系统--LDA算法实现基于安卓系统的三消游戏--道具、场景类基于B/S的企业项目经费申报管理系统物流自动计价系统的设计与实现基于Flash-AS3推箱子益智游戏设计与实现基于WEB平台教学互动系统的设计与开发基于安卓的游戏app设计基于Android的游乐场订票管理系统――后端设计基于Java Web的代取快递系统---后端开发基于JavaWeb的电商平台开发日记和待办事项App的设计与开发基于Android的游乐场订票管理系统基于STM32的手写字符识别系统设计--TFTLCD模块固定资产管理系统基于群体智能算法的现实问题求解求职信息支持平台设计与开发WEB环境下个人科研成果管理系统设计与开发基于Android平台Unity 3D移动迷宫游戏开发基于深度图像的人体手势特征提取及识别算法实现出国升学信息支持平台设计与开发二手书网上交易平台基于图数据库的电影社区推荐网站基于深度图像的手势分割算法及实现IOS环境下的虚拟化私网安全通信之开发物联网安全技术缺陷与对策研究基于数学方法实现的数据加密技术研究求职信息支持平台设计与开发基于Android的多语言翻译应用程序基于文档数据库的文学阅读与写作平台知识竞赛在线考试系统设计与开发大规模在线开放课程平台设计开发(MOOCs慕课)社区服务系统的设计与实现英语单词学习APP软件的设计大规模在线开放课程平台设计开发(MOOCs慕课)基于文档数据库的购物网站旅游管理网站设计与实现家教信息平台的设计与实现城市公交查询系统的设计与实现电子商务自助开店平台的设计与实现基于深度学习的手势识别算法及实现园区网双IP协议的设计与实现基于移动终端的手机投票系统的设计基于安卓平台的三消游戏设计-技能、AI大规模在线开放课程平台设计开发(MOOCs慕课)基于Java和MySQL的图书馆座位管理系统物联网安全技术研究智能机器人玻璃搬运系统基于Android的大学生课业知识解答平台APP设计JSP校园二手交易网站的设计与实现基于RFID的图书馆自动借阅管理系统的设计基于Android平台的智能考勤与平时成绩管理系统的开发预约点餐APP的设计与开发b2c电子商务网站设计开发出国升学信息支持平台设计与开发出国升学信息支持平台设计与开发基于stm32的温度测控系统设计基于JAVA的个人日程管理系统开发与应用基于stm32的温度测控系统设计基于安卓的个人实时通讯APP的设计与实现基于Android的工业现场数据在线可视化平台商城小程序制作

近年来机器人辅助外科手术的出现，引起了医学界乃至全世界的关注。什么是手术机器人呢？手术机器人不是机器人在做手术，而是手术机器人系统由经验丰富的外科医生操控机械手臂，来达到手术的目的。医生在机器人手术系统控制台上操作机械臂，被系统精确无误的实时传递，同时在患者体内微小的器械进行手术。医生采用手术机器人辅助手术，可以使手术更加精准、创伤更小、患者恢复更快。

远程手术机器人主要应用于远程手术，比如达芬奇机器人（da Vinci）。远程机器人手术系统主要由控制台和操作臂两部分组成。控制台是机器人手术系统的核心，由计算机系统、手术操作监视器。机器人控制监视器、操作手柄和输入输出设备等组成。术者坐在控制台前，通过机器人的控制监视设定器械动作幅度，张开角度的大小、器械闭合后锁定与否等，利用操作手柄进行操作。手术前需对操作臂活动范围进行设定。术者的手术操作转化为电信号，传导给机器人的操作臂，从而实现远程手术。

2001年7月《自然》 杂志报道了世界首例从美国纽约到法国Strasbourg的跨大西洋腹腔镜胆囊切除术也获得了成功，这是远程手术的一个里程碑，标志着外科手术跨时代的飞跃。现今远程手术机器人手术已应用于心脏外科、普通外科、泌尿外科、妇产科和骨科，具有普通腔镜或开放手术无法替代的优点：1、可进行精细操作，计算机系统可将术者在操作台上易于完成的大幅度动作通过缩小传输到机器人双臂手柄上，并可将术者的动作进行高频波过滤，消除器械的抖动和震颤，使操作更平稳准确。2、术者可坐在舒适的椅子上从容进行手术操作，不易疲劳3、手术通常由术者一人就可以完成。有时需1位洗手护士或助手医师，帮助安装、更换手术器械，协助止血，术后卸载器械装置等。

美国食品和药物监管局将远程手术机器人定为二类器械（那些被滥用或错用会造成亚种伤害的器械）来监管，因为它的控制信号都是依靠来自电脑的电磁脉冲。此外，远程手术的机器人操作手术时，术者使用的是机器人手柄或特制的器械，需要一段时间学习和训练，才能获得一种间接的触觉的反馈，否则压力过大会造成局部组织的损伤。在其他安全问题上，如黑客网络攻击造成互联网传输的中断、远程传输速度慢造成图像滞后，也会影响手术的精确性等等。由此可见，紧急应付措施及机器人操作的精确性和敏感性应该纳入术前考虑的问题。

对于特别脆弱的组织，医生在第一次远程 "触摸 "时可能已经施加了过大的压力。而正是考虑到这个问题，美国德克萨斯农工大学的一个团队创造了这个实验性的新系统。在其目前的形式下，它结合了光学距离传感器，应用于机器人抓取器的手指内侧，由人类操作者远程控制。当该设备闭上手指抓取物体时，传感器会测量自己和该物体之间的距离递减。这些数据会被传送到操作者佩戴的控制手套上，控制手套会向他们的指尖发出温和的电脉冲。这些脉冲的频率会随着操作者的手指越来越接近物体而增加。因此，操作者可以在实际接触物品之前，精细地调节他们即将施加到物品上的压力大小。

远程手术机器人的关键设备之一是互联网系统。互联网网速会影响图像的传输速度，进而影响手术的精确性。研究表明，600毫秒以内的滞后，在现实中对手术的影响是微乎其微。现在5G网络已经逐渐在普及，图像传输的滞后必将得到解决。

相比之下，互联网的稳定性则是关键的问题，如何保证互联网故障不会发生、服务器遭受黑客恶意攻击，是目前尚待解决的问题。加密在机器人和人类操作员之间流动的数据包将有助于防止某些类型的网络攻击。但是，对于使用无关数据阻碍系统的拒绝服务攻击，它无效。对于视频，加密还存在导致精细操作中不可接受的延迟的风险。为此，华盛顿大学（UW）电气工程团队开发“操作员签名”的概念，该概念利用特定外科医生或其他遥控操作员与机器人交互的方式来创建独特的生物识别签名。通过跟踪特定操作员应用于控制台仪器的力和扭矩以及他或她与机器人工具的相互作用，研究人员开发了一种新方法来验证该人的身份并验证操作员是他或她声称的人。

相信在不久的将来，随着机器人手术器械和手术技术的不断成熟和完善，信息网络技术的飞速发展，远程手术机器人必将越来越完善，能够帮助外科医生减少手术过程中的意外伤害，不断造福于人类。

“我们要消除众生的困苦和匮乏，带给他们愉悦和美丽。”——医疗机器人工程师

远程机器人系统已经允许外科医生在一个地方控制另一个地方的机器人手术工具，因此他们可以在远处进行手术。然而，一种新的近距离感应系统可以使这种手术比以往更安全、更精确。

在典型的远程机器人手术设置中，外科医生在视频屏幕上查看切口，移动手指在远程手术室中相应地移动机器人操纵器 "手指 "或其他器械。这种技术不仅可以让外科医生在一个城市给另一个城市的病人做手术，而且还可以在外科医生自己的位置上给病人做手术，帮助他们在做精细手术时，抚平手部的颤动。因此，这些系统通常都包含了触觉反馈功能，操作者可以通过指尖上的振动来感受到他们对病人身体组织施加的力的大小。

也就是说，对于特别脆弱的组织，医生在第一次远程 "触摸 "时可能已经施加了过大的压力。而正是考虑到这个问题，美国德克萨斯农工大学的一个团队创造了这个实验性的新系统。在其目前的形式下，它结合了光学距离传感器，应用于机器人抓取器的手指内侧，由人类操作者远程控制。当该设备闭上手指抓取物体时，传感器会测量自己和该物体之间的距离递减。

这些数据会被传送到操作者佩戴的控制手套上，控制手套会向他们的指尖发出温和的电脉冲。这些脉冲的频率会随着操作者的手指越来越接近物体而增加。因此，操作者可以在实际接触物品之前，精细地调节他们即将施加到物品上的压力大小。

在实验室测试中，11名志愿者使用该系统远程完成了一个物体抓取任务。每个人只在抓取器的视频引导下完成了两次，另外两次是在视频和触觉反馈的引导下完成的。当反馈被利用后，他们能够减少约70%的初始接触力。最终，研究人员希望这项技术能够在远程机器人手术中最大限度地降低患者的风险，并且以不分散注意力的方式进行。

“我们的目标是想出一种能够在不增加这项任务所需的主动思考负担的情况下，提高近距离估计的准确性的解决方案。”首席科学家Hangue Park说。“当我们的技术准备好在手术环境中使用后，医生将能够直观地知道他们的机器人手指离底层结构有多远，这意味着他们可以保持积极的专注于优化患者的手术结果。”

一篇关于这项研究的论文最近发表在《科学报告》杂志上。

从新型冠状病毒肺炎疫情开始到现在，中国是世界上疫情控制做得最好的国家。不过，关联境外输入的零星小规模偶发疫情持续不断，一旦疫情出现必然导致隔离发生，医院作为战疫主战场，影响许多需要医疗救助的病人。幸运的是，5G技术推动的远程医疗快速发展，尤其VR/AR技术立体呈现病人器官、组织病变形态，允许医生远程清晰诊断病人的病灶；手势识别精准定位医生的动作与病人身体的位置，远程控制医疗设备为病人诊疗、手术，为远程病人带来曙光。

一、远程医疗“VR/AR+手势识别”方案落地性强

自从5G诞生，云计算速度延迟的基础设施障碍没了，我们落地远程医疗就要考虑三方面因素：一是精度，医疗的精度必须高到离谱，有初 科技 手势控制精度能达到级别；二是立体，医生也是人，有正常的交互习惯，建立VR/AR病人器官、组织模型，最大化接近人体并看得更清楚；三是成本，类似一针药100多万的产品没有普及价值，这是一个软件算法配合硬件的方案，软件算法效率提升可以降低硬件成本，进而降低整体成本，实现“普通摄像头+深度学习”方案，大数据进一步训练，精准度越来越高。

首先来讲，基于计算机视觉的手势识别的技术方案优势明显，从医生动作信息输入到VR/AR模型做出反馈，这是一个动态过程，降低了硬件的束缚，为实时手术提供了可行性，而且，手势识别降低了硬件的依赖，让医生的手避免被其他物体遮挡，顺应医生视觉习惯，而且识别精度比医生手术刀微弱抖动还小，技术的落地基础有了。

其次，人体是一个三维立体结构，而手势识别也是三维立体识别，VR/AR模型呈现也是三维立体。这过程类似增强CT、MR或造影支持，从机器视觉获取人体三维模型信息到VR/AR模型立体呈现，呈现在医生眼前的就是一个立体的病人器官、组织，并清晰展示病灶情况，此时，医生远程诊断病人情况，需要手术的情况下，也可以借助远程专用VR/AR模型为基础的手术平台，实现两地病人与医生的链接，完成远程手术，为来不及远程运送的急重症病人提供新的希望。

最后，任何 科技 的产生都是为了造福大众，成本的高企无法适应市场需求，进行最优方案降低成本也是必须考虑的因素。目前来讲，基于机器视觉的手势识别方案分为两种“一种是用深度摄像头，一种是用一个或者多个普通摄像头实现。 而其中深度摄像头的方案又分为两种，TOF（Time of Flight，光飞时间）和结构光。”而不同方案的差别就像人的一只眼睛、两只眼睛看到景深层次不同，但是一只眼睛借助已有信息、关键提示等其他辅助软条件也可以达到预定效果，而普通摄像头信息延迟低于TOF数倍、拍摄角度大于TOF很多，虽然提高算法要求，但是降低综合成本，更及时、全面获取信息，也更适应医疗场景需求。

二、远程医疗VR/AR硬件低成本、高精度手势识别技术可行

在手势识别应用于VR/AR硬件方面，有初 科技 有落地项目进行实际验证，并把成本分成不同方案进行呈现，当然，包括最低成本的实现方案。

对于医疗来讲，高精度就是病人的生命，有初 科技 实现识别精度，为远程精准医疗提供技术可行性。实现手势识别依赖“摄像头+算法”的合理方案，得益于机器视觉和深度学习技术的发展，我们利用普通摄像头实现高精度的手势识别，对于应用的落地是一大利好。

而且，手势识别的高精度摆脱穿戴设备也是一大突破，一个穿戴设备套在手上，增加一层交互传感的误差，这个误差远远大于手术刀的误差，这一点无手套、无标记的手势识别也是有初 科技 的优势。

对于医疗来讲，延迟和视角是高精度的间接影响因素，却直接影响着医生对病人的治疗。利用现有SLAM摄像头实现手势识别，大部分用于SLAM的摄像头均为鱼眼或者广角灰度摄像头，在实现的精度上，用同样的计算资源或者用同样复杂度模型的话，基于深度的或者灰度的摄像头能够做到精度最高，RGB的精度反而相对会弱一些，因此，直接在SLAM的相机上实现手势识别的精度也能够达到比较满意的效果。

在成本、延迟、广角都占据优势的条件下，SLAM相机进一步加速“普通摄像头+深度学习”方案落地，也可能是未来的主流方案，等待临床数据去训练和验证。

三、远程医疗“最自然交互”手势识别成为VR/AR选择

最好的交互就是没有交互，当下的交互方式都是人适应机器，这样就容易导致用户的操作失误，医生的操作失误就会导致病人的生命危险，所以，交互方式适应人才是最佳方案。

人类诞生语言前，手势识最原始、最自然的交流方式，成为人的一种习惯、潜意识，出错率大大降低，而手势识别就是基于最自然的交互，适应医生的习惯，让医生全身心投入治疗，而不是分心于交互习惯。

而无论具有高度三维立体沉浸感的VR/AR，还是交互自然而生的手势控制，模仿人体日常生活中的行为方式，如挥手、握手、击掌、猜拳、抓取……动态追踪手势进行实时识别，保障动作识别的及时性、准确性。

为了提高真实手术场景的触感，基于VR/AR定制手术刀、镊子等设备，实现手势的触觉反馈体验，进一步感知手部复杂自由度的姿态和意图，未来手势识别成为VR/AR设备主流交互方式指日可待。

你的计算机科学与技术论文准备往什么方向写，选题老师审核通过了没，有没有列个大纲让老师看一下写作方向？ 老师有没有和你说论文往哪个方向写比较好？写论文之前，一定要写个大纲，这样老师，好确定了框架，避免以后论文修改过程中出现大改的情况！！学校的格式要求、写作规范要注意，否则很可能发回来重新改，你要还有什么不明白或不懂可以问我，希望你能够顺利毕业，迈向新的人生。论文选题的具体方法有哪些在选题的方向确定以后，还要经过一定的调查和研究，来进一步确定选题的范围，以至最后选定具体题目。下面介绍两种常见的选题方法。1、浏览捕捉法这种方法就是通过对占有的文献资料快速地、大量地阅读，在比较中来确定题目的方法。浏览捕捉法一般可按以下步骤进行：第一步、广泛地浏览资料。在浏览中要注意勤作笔录，随时记下资料的纲目，记下资料中对自己影响最深刻的观点、论据、论证方法等，记下脑海中涌现的点滴体会。第二步、是将阅读所得到的方方面面的内容，进行分类、排列、组合，从中寻找问题、发现问题，材料可按纲目分类。第三步、将自己在研究中的体会与资料分别加以比较，找出哪些体会在资料中没有或部分没有。 2、追溯验证法这是一种先有拟想，然后再通过阅读资料加以验证来确定选题的方法。追溯可从以下几方面考虑：第一步、看自己的“拟想”是否对别人的观点有补充作用，自己的“拟想”别人没有论及或者论及得较少。第二步、如果自己的“拟想”虽然别人还没有谈到，但自己尚缺乏足够的理由来加以论证，考虑到写作时间的限制，那就应该中止，再作重新构思。第三步、看“拟想”是否与别人重复。如果自己的想法与别人完全一样，就应马上改变“拟想”，再作考虑；如果自己的想法只是部分的与别人的研究成果重复，就应再缩小范围，在非重复方面深入研究。第四步、要善于捕捉一闪之念，抓住不放，深入研究。在阅读文献资料或调查研究中，有时会突然产生一些思想火花。