CN102671298B - 一种基于ecg混沌模型的混沌起搏器控制方法 - Google Patents
一种基于ecg混沌模型的混沌起搏器控制方法 Download PDFInfo
- Publication number
- CN102671298B CN102671298B CN201210184928.0A CN201210184928A CN102671298B CN 102671298 B CN102671298 B CN 102671298B CN 201210184928 A CN201210184928 A CN 201210184928A CN 102671298 B CN102671298 B CN 102671298B
- Authority
- CN
- China
- Prior art keywords
- ecg
- chaotic
- chaos
- model
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000739 chaotic effect Effects 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000004165 myocardium Anatomy 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005291 chaos (dynamical) Methods 0.000 abstract description 2
- 230000000661 pacemaking effect Effects 0.000 abstract 4
- 230000008569 process Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101000606504 Drosophila melanogaster Tyrosine-protein kinase-like otk Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Electrotherapy Devices (AREA)
Abstract
本发明公开了一种基于ECG混沌模型的混沌起搏器控制方法,该方法通过采集使用者健康时的ECG信号或者近亲中健康者的ECG信号,构建个性化混沌模型,并将此模型写入混沌起搏器装置的微处理器模块,最后微处理器模块控制电极模块发出混沌起搏脉冲,帮助心脏实现混沌起搏;本发明将混沌理论应用到起搏器装置设计中,使得起搏器发出的起搏电脉冲是混沌脉冲,该混沌起搏脉冲符合心脏原有的混沌特征,保证了使用该发明后使用者的ECG复杂性不会降低。
Description
技术领域
本发明涉及ECG(electrocardiogram,心电图)信号、混沌理论应用技术领域,尤其涉及一种基于ECG混沌模型的混沌起搏器控制方法。
背景技术
心脏起搏器能够代替心脏的起搏点,使心脏有节律的跳动起来。心脏起搏器是一种由电池和电路组成的脉冲发生器,能够发出有规律的电脉冲,使局部的心肌细胞受到刺激而兴奋,使心脏保持跳动。
迄今为止,心脏起搏器是治疗心动过缓的唯一手段。这一伟大的技术已使近两百万人在过去的50年中受益。在20世纪80年代,起搏器上增加了微处理器,可以做到只有在感觉需要起搏器时,才启动它。
ECG反映心脏兴奋的电活动过程,它对心脏基本功能及其病理研究方面,具有重要的参考价值。现在研究表明ECG可能是一种非线性的确定性混沌过程,正常的窦性ECG作为一个混沌吸引子有其固有的轨道特性和整体特征。
然而,传统起搏器所发出的起搏信号是一种周期性的信号,起搏器搏动是一种非自然状态下的波动。研究发现起搏时间与起搏位置改变了的ECG 信号其内在机制有了改变,它们比起原来生理自然搏动的ECG 复杂性降低了。这对人体健康是不利的。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于ECG混沌模型的混沌起搏器控制方法。
本发明的目的是通过以下技术方案来实现的:一种基于ECG混沌模型的混沌起搏器控制方法,混沌起搏器一般包括电源模块、微处理器模块和电极模块,电源模块向微处理器模块和电极模块供电,微处理器模块控制电极模块发出电脉冲刺激心肌,帮助心脏起搏;该方法包括以下步骤:
(1)采集人体心脏健康时的ECG信号,或者近亲中健康者的ECG信号。
(2)分析ECG信号,构建个性化ECG混沌模型。
(3)将构建的个性化的ECG混沌模型写入混沌起搏器微控制器模块。
(4)人体佩戴混沌起搏器。
(5)混沌起搏器启动后,重构产生混沌信号。
(6)分析混沌信号,确定混沌起搏点。
(7)微处理器模块根据混沌起搏点控制电极产生混沌起搏脉冲。
本发明的有益效果是:本发明通过构建个性化的ECG混沌模型,并根据此模型来控制混沌起搏器,使起搏器电极发出符合心脏正常状态的混沌起搏脉冲,帮助心脏起搏。从长远看来,有助于唤醒心脏的自我意识,使心脏实现自我修复,回归正常状态。应用本发明,ECG将保持最佳的混沌状态,不会出现ECG复杂性降低的缺点。
附图说明
图1是混沌起搏器模块图;
图2是系统工作流程图;
图3是RBF神经网络拓扑结构图;
图4是BP网络学习流程图;
图5是一种相空间图。
具体实施方式
如图1所示,起搏器一般包括电源模块、微处理器模块和电极模块,电源模块向微处理器模块和电极模块供电。微处理器模块控制电极模块发出电脉冲刺激心肌,帮助心脏起搏。
如图2所示,本发明基于ECG混沌模型的混沌起搏器控制方法,包括以下步骤:
1、采集人体心脏健康时的ECG信号,或者近亲中健康者的ECG信号。
本发明需要使用者在心脏健康期间采集ECG数据。目前,ECG信号的采集技术已经非常完善,ECG可以由多个导联同时记录,能够迅速、准确地得到用户的ECG数据。
如果使用该发明的患者无法取得心脏健康时刻的ECG数据,则可以选择使用近亲中健康者的ECG信号数据。我们认为近亲,比如说母亲,其生命特征与需要使用混沌起搏器的患者最相似。在患者之前没有存储健康的ECG信号时可以采取采集近亲中健康者的ECG信号作为替代信号,该ECG信号是构建患者ECG混沌模型的最佳选择。
ECG信号可以通过现有医院常规使用的心电图采集设备来采集。
2、分析ECG信号,构建个性化ECG混沌模型。
首先人体的ECG信号具有混沌特征,同时,每人的ECG信号都有其独特的混沌特性,本发明强调采取个性化的分析,构建个性化的ECG混沌模型,这样的模型是最适合每一个个体的。
构建ECG混沌模型的方法有很多种,如基于相空间重构方法、神经网络方法等。本专利不局限于某种构建模型的方法。
示例一:
如图3、4所示:现以RBF(Radial Basis
Function,径向基函数)神经网络模型为例讲述本步骤:
(1)将连续的ECG信号根据采样定理转换为一维数据序列[x1,x2⋯,xn]。n为自然数,xi(i=1、2、……、n)为转换后的ECG信号。
(2)对数据[x1,x2,⋯,xn]进行归一化处理。
归一化是为了加快训练网络的收敛性,也可以不进行归一化处理。本例利用MatlaB里的prestd归一化方法,将信号归一化到均值为0,方差为1的时间序列,[x1,x2…,Xn]。
(3)求最佳时延
和最小嵌入维m。
对于单变量的序列信号[x1,x2…,Xn] ,重构后的相空间为:
Xi = [ xi , xi +τ, ⋯, xi + ( m - 1)τ] T ,
(1)
其中: i = 1 ,2 , ⋯, L , L = N - ( m - 1)τ;
Xi —重构后的相空间矢量;
τ—延迟时间;
m —嵌入维数;
N —原始时间序列点数;
L —重构后相空间矢量个数。
由(1) 式可以得到重构后的相空间轨道矩阵:
X1 = [ x1 , x1 +τ, ⋯, x1 + ( m - 1)τ] T
X2 = [ x2 , x2 +τ, ⋯, x2 + ( m - 1)τ] T
……
XL = [ xL , xL +τ, ⋯, xL + ( m - 1)τ] T ,
(2)
上述重构相空间的过程相当于将时间序列映射到m 维的欧氏空间中,在相空间重构的过程中,嵌入维数m 和延迟时间τ是两个重要的参数,
求最佳时延
:
在本例中,我们用互信息法求最佳时延:
考虑任两离散信息时间序列和构成的系统S和Q。则根据信息论,从两系统测量中所获得的平均信息量,即信息熵分别为:
;
其中,和分别为S和Q中事件和的概率,n和m是自然数。
在给定S的情况下,能获取的系统Q的的信息,即系统S和Q的互信息为:
,
,
;
其中,为事件和事件的联合分布概率。
接着定义[s,q]=[X(t),X(t+1)],其中s代表时间序列X(t),q为其延迟时间为的时间序列X(t+1),则I(Q,S)显然是与时间延迟有关的函数,不妨记为I(t)。的大小代表了在已知系统S即X(t),的情况下,系统Q也就是,的确定性的大小。=0,表示完全不相关;而的极小值,则表示与是最大可能的不相关。采用I(t)的第一个极小值点作为最优时间延迟(整数)。
求最小嵌入维
m
在本例中,我们用Cao方法求最小嵌入维。
将序列构造的m维相空间矢量,记为,构造的m+1维相空间矢量记为。定义:
;
式中,;是离轨线;最近的轨线;是满足条件的正整数且依赖变量i和m; 表示欧氏距离下的最大值范数,即:
;
记的均值为:
;
这里的独立于变量嵌入维数m和时间延迟,为了找到从m到m+1变化的最佳嵌入维数,定义:
;
如果时间序列所描述的是动力系统的混沌现象,当自某个开始停止变化,则+1即为所寻找的最佳嵌入维数m。
(4)数据进行相空间重构。
利用3确定的延迟时间和嵌入维m进行相空间重构,,重构相空间中的点数为N=n-(m-1) ,如公式(2)所示。
(5)使用matalB设计RBF神经网络。
现在matlaB神经网络工具箱提供了不少建立RBF神经网络的函数。这里使用newrbe函数,误差逼近域0,内部的径向基函数是高斯基函数,径向基函数中心位置C,径向基函数宽度r,由newrbe函数内部确定,其调用格式为net=newrbe(P,T,SPREAD)。其中P为输入向量,这里取相空间重构中的状态点,为前N-1个m维点序列,这将意味着输入层神经元个数为m个。T为目标向量,取为一步后的下一状态点,这里取相空间重构中的状态点的第m维,为N-1个一维点序列,这将意味着输出层神经元个数为一个。
SPREAD为径向基层(隐含层)的分布密度,可以调节隐含层神经元的数目,SPREAD越大,函数拟合越平滑,越接近实际,但SPREAD越大.需要的神经元越多,导致计算量增加,SPREAD的缺省值为1。非线性变换及线性变换初始权值与初始偏离值(偏离值也叫阈值,可以调节函数的灵敏度),都由newrbe函数内部确定,训练样本输入后,各个参数会得到调整。net即为建立好的RBF神经网络。
示例二:
为了更的理解模型的构建,另举一例,使用全局法构建函数模型:
(1)如示例一中步骤(1),得到的离散化ECG数据[x1,x2⋯,xn]。
我们给出一组离散数据:x(t):
[0.41, 0.9767, 0.1254, 0.4387,0.9849,
0.05921, 0.2228,
0.69271, 0.85143, 0.5059, 0.9998,
0.0005682, 0.002271,
0.009066, 0.03593, 0.1385, 0.4775, 0.9979] (其中t=1,…,18)
(2)如示例一(3),得到求最佳时延和最小嵌入维m。
这里根据x(t)得到m=1, =1.
(3)根据(2)所求和m求相空间重构,如示例一中公式(2)所示
根据x(t)的m=1,=1,可做出重构图像x(n)~x(n+1)如附图5
(4)求出相空间的拟合函数
如图5所示,图像接近于一个二次函数
我们设拟合函数为: ;
;
矩阵:A=BC,其中:
,
由最小二乘法得到: ;
将A,B代入上式解得:a=0,b=4,c=-4。
最终得到个性化ECG混沌模型:=
。 (3)
3、将构建的个性化的ECG混沌模型写入混沌起搏器微控制器模块。
目前使用的常规起搏器已经具微处理器,只需将个性化的ECG混沌模型写入起搏器的微处理器即可。针对微处理器的型号和处理方式的不同,写入微处理器的形式也是不同的。
例如,将构建的个性化ECG混沌模型转换成C语言,然后通过导线将PC机里利用MatlaB生成的模型导入到微处理器模块。
4、人体佩戴混沌起搏器。
该混沌起搏器的佩戴方法与传统的起搏器的佩戴方法相同。
5、混沌起搏器启动后,重构产生混沌信号。
人体佩戴好该发明中提到的混沌起搏器并开启后,该混沌起搏器的微处理器将根据写入的个性化ECG混沌模型产生相应的混沌信号。
该过程可以用函数发生器的工作过程理解。函数发生器是一种常用的多波形的信号源。它可以产生正弦波、方波、三角波、锯齿波,甚至任意波形。该发明中提到的混沌起搏器微处理器模块可以根据写入的混沌模型,重构产生ECG混沌信号。
在步骤3的示例一中我们使用了径向基函数(RBF)神经网络模型,取该步骤第(4)步所得的相空间重构数据作为输入,即重构产生出新的混沌信号;在步骤3的示例二中,利用构建的函数模型,如公式(3),即可根据t的增加而产生混沌信号。
如此产生的混沌信号其混沌性与步骤2构建混沌模型所用的ECG信号的混沌性一致。
6、分析混沌信号,构建起搏控制模型,确定混沌起搏点。
混沌起搏器微处理器模块分析重构产生的混沌信号,确定最佳的混沌起搏点。
例如,起搏模型获取混沌信号波形的峰值点,作为起搏点。这样心脏每次起搏之间的间隔将不是传统的等间隔,而是符合人体心脏搏动原有的混沌特性。
7、微处理器模块根据混沌起搏点控制电极产生混沌起搏脉冲。
微处理器模块根据分析重构取得的起搏信息,控制电极发出混沌的起搏脉冲,来调节、辅助心脏的起搏。控制电极产生电脉冲的工作原理与传统起搏器相同。
Claims (2)
1.一种基于ECG混沌模型的混沌起搏器,其特征在于,所述混沌起搏器包括电源模块、微处理器模块和电极模块;其中,
所述电源模块用于向微处理器模块供电;
所述微处理器模块内含个性化的ECG混沌模型,产生混沌信号控制电极模块;
所述电极模块用于发出电脉冲刺激心肌,帮助心脏起搏;
所述个性化的ECG混沌模型通过以下步骤构建:
(1)采集人体心脏健康时的ECG信号,或者近亲中健康者的ECG信号;
(2)将连续的ECG信号根据采样定理转换为一维数据序列[x1,x2,xn];n为自然数,i=1、2、……、n;
(3)对数据[x1,x2,,xn]进行归一化处理;
(4)对归一化后的数据[x1,x2,,xn],用互信息法求最佳时延 ,用Cao方法求最小嵌入维m;
(5)根据最佳时延和最小嵌入维m对数据[x1,x2,,xn]进行相空间重构,得到重构后的相空间轨道矩阵[X1,X2,…,XL];
(6)用相空间轨道矩阵[X1,X2,…,XL]作为神经网络训练样本数据,利用matlab工具箱中的RBF神经网络函数设计RBF神经网络模型。
2.一种基于ECG混沌模型的混沌起搏器,其特征在于,所述混沌起搏器包括电源模块、微处理器模块和电极模块;其中,
所述电源模块用于向微处理器模块供电;
所述微处理器模块内含个性化的ECG混沌模型,产生混沌信号控制电极模块;
所述电极模块用于发出电脉冲刺激心肌,帮助心脏起搏;
所述个性化的ECG混沌模型通过以下步骤构建:
(1)采集人体心脏健康时的ECG信号,或者近亲中健康者的ECG信号;
(2)将连续的ECG信号根据采样定理转换为一维数据序列[x1,x2,xn];
(3)对数据[x1,x2,,xn],用互信息法求最佳时延,用Cao方法求最小嵌入维m;
(4)、根据最佳时延和最小嵌入维m对数据[x1,x2,,xn]进行相空间重构,得到重构后的相空间轨道数据,并根据相空间轨道数据画出x(n)~x(n+1)的相空间重构图像;
(5)、求出相空间重构图像的拟合函数,根据拟合函数参数确定个性化ECG混沌模型参数,得到个性化ECG混沌模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210184928.0A CN102671298B (zh) | 2012-06-07 | 2012-06-07 | 一种基于ecg混沌模型的混沌起搏器控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210184928.0A CN102671298B (zh) | 2012-06-07 | 2012-06-07 | 一种基于ecg混沌模型的混沌起搏器控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102671298A CN102671298A (zh) | 2012-09-19 |
CN102671298B true CN102671298B (zh) | 2015-02-25 |
Family
ID=46804273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210184928.0A Active CN102671298B (zh) | 2012-06-07 | 2012-06-07 | 一种基于ecg混沌模型的混沌起搏器控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102671298B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564201A (zh) * | 2018-03-16 | 2018-09-21 | 电子科技大学 | 一种基于相空间重构与分位数回归的盐密区间预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5645069A (en) * | 1994-05-26 | 1997-07-08 | Lg Electronics Inc. | System for and method of analyzing electrocardiograms employing chaos techniques |
US5792212A (en) * | 1997-03-07 | 1998-08-11 | Medtronic, Inc. | Nerve evoked potential measurement system using chaotic sequences for noise rejection |
CN1377714A (zh) * | 2001-03-30 | 2002-11-06 | 福建正普生物工程研究所 | 癫痫治疗仪 |
CN1788265A (zh) * | 2003-06-27 | 2006-06-14 | 梅尔文·热雷米·拉菲特 | 用于从混沌时间序列中提取因果信息的方法和设备 |
CN200966842Y (zh) * | 2006-10-16 | 2007-10-31 | 广州无线电研究所 | 临时起搏分析仪 |
CN101579235A (zh) * | 2009-05-13 | 2009-11-18 | 南京大学 | 一种基于edge网络的远程心电智能监护系统 |
CN102335482A (zh) * | 2011-07-18 | 2012-02-01 | 上海交通大学 | 混沌多维电刺激系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007075477A2 (en) * | 2005-12-19 | 2007-07-05 | University Of Florida | Closed-loop state-dependent seizure prevention systems |
-
2012
- 2012-06-07 CN CN201210184928.0A patent/CN102671298B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5645069A (en) * | 1994-05-26 | 1997-07-08 | Lg Electronics Inc. | System for and method of analyzing electrocardiograms employing chaos techniques |
US5792212A (en) * | 1997-03-07 | 1998-08-11 | Medtronic, Inc. | Nerve evoked potential measurement system using chaotic sequences for noise rejection |
CN1377714A (zh) * | 2001-03-30 | 2002-11-06 | 福建正普生物工程研究所 | 癫痫治疗仪 |
CN1788265A (zh) * | 2003-06-27 | 2006-06-14 | 梅尔文·热雷米·拉菲特 | 用于从混沌时间序列中提取因果信息的方法和设备 |
CN200966842Y (zh) * | 2006-10-16 | 2007-10-31 | 广州无线电研究所 | 临时起搏分析仪 |
CN101579235A (zh) * | 2009-05-13 | 2009-11-18 | 南京大学 | 一种基于edge网络的远程心电智能监护系统 |
CN102335482A (zh) * | 2011-07-18 | 2012-02-01 | 上海交通大学 | 混沌多维电刺激系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102671298A (zh) | 2012-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103415320B (zh) | 使用心室激动模拟和体表ecg记录进行心脏再同步治疗控制参数生成的系统与方法 | |
CN103608069B (zh) | 神经刺激器 | |
JP7333811B2 (ja) | 心臓頻脈性不整脈の多層予測 | |
US9550066B2 (en) | System and methods for improving device therapy using multiple sensor metrics | |
US7894902B2 (en) | Adaptive cardiac resyncronization therapy and vagal stimulation system | |
US8050749B2 (en) | Reconstruction of a surface electrocardiogram based upon an endocardial electrogram | |
CN107073217A (zh) | 用于递送迷走神经疗法的系统和方法 | |
CN109843166A (zh) | 用于心律失常检测的系统 | |
JP2014522697A5 (zh) | ||
CN103037760A (zh) | 动态调整的cpr按压参数 | |
CN108348755B (zh) | 用于刺激部位选择的系统和方法 | |
CN107875510A (zh) | 一种生物刺激反馈治疗方法、系统及计算机设备 | |
CN102671298B (zh) | 一种基于ecg混沌模型的混沌起搏器控制方法 | |
Shi et al. | Optimal single-pulse for pacemakers based on a sinoatrial model | |
de Meireles | ECG denoising based on adaptive signal processing technique | |
WO2020165117A1 (en) | A system for providing neuromodulation, especially neurostimulation | |
US10987516B2 (en) | Systems and methods for cardiovascular conditioning | |
Hernández et al. | Overview of carmem: A new dynamic quantitative cardiac model for ecg monitoring and its adaptation to observed signals | |
Dey et al. | Advances in controller design of pacemakers for pacing control: A comprehensive review | |
Augustynek et al. | An Artificial Heart System for Testing and Evaluation of Cardiac Pacemakers | |
Keyanfar et al. | Energy consumption optimization & Improving performance in CPU of the implantable cardioverter defibrillator with using design and hardware implementation of CNN neural network on Zynq | |
Dyvak et al. | Parameters of the Electrophysiological Method of Surgical Wound Tissues Stimulation in the software and Technical System of the Recurrent Laryngeal Nerve Identification | |
Brown | The Application of Synthetic Signals for ECG Beat Classification | |
Miri et al. | Computer assisted optimization of biventricular pacing assuming ventricular heterogeneity | |
CN118253038A (zh) | 一种结合脑电的闭环电刺激方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |