CN103175540B - 一种高精度步行速度和距离的计算方法 - Google Patents
一种高精度步行速度和距离的计算方法 Download PDFInfo
- Publication number
- CN103175540B CN103175540B CN201310074428.6A CN201310074428A CN103175540B CN 103175540 B CN103175540 B CN 103175540B CN 201310074428 A CN201310074428 A CN 201310074428A CN 103175540 B CN103175540 B CN 103175540B
- Authority
- CN
- China
- Prior art keywords
- window
- distance
- acceleration
- walking
- parameter
- 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.)
- Expired - Fee Related
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明一种高精度步行速度和距离的计算方法属于生物医学信号处理领域，具体涉及一种基于单个三轴加速度传感器信号的步行速度与行走距离的分析方法，实现对步行速度与距离的高精度计算。其计算方法为：1）加速度信号的预处理；2）动态加窗处理；3）计算步行距离；4）计算步行速度v。本发明计算方法从时频特征分析角度出发，对加速度信号的处理更能反映人体运动过程中的加速度变化状态；通过构造三维加速度球，在一时间窗范围内，加速度球内散点体现了该窗内加速度变化的趋势，从而综合多因素后得到此时间窗内加速度特征的散点质心；计算出来的平均距离误差在近匀速运动情况下小于11.5%，平均误差在变速运动情况下小于18.7%。
Description
技术领域
本发明一种高精度步行速度和距离的计算方法属于生物医学信号处理领域，具体涉及一种基于单个三轴加速度传感器信号的步行速度与行走距离的分析方法，实现对步行速度与距离的高精度计算。
背景技术
基于加速度传感器的步行速度与距离分析研究是生物医学信号处理领域的重要研究方向，在医疗、运动学等领域具有广泛的应用。其本质在于首先通过一个或多个加速度传感器获取人体运动时产生的加速度信号，可由实时处理，亦可通过本地保存或实时传输的方式将加速度数据交由后处理系统进行处理，计算使用者大致的行走距离。行走距离分析在医疗、体育、健康指导等领域有着广泛的应用。如采用加速度传感器信号对运动员进行训练分析，记录其运动速度与短时加速度，结合医学测量结果，可实现调整其训练内容，避免运动损伤等目的；又如采用加速度传感器信号对老人或病人进行步行距离分析，可依据分析结果对其日常活动情况进行分析，并反馈给使用者有针对性的建议。
目前，现有算法多依据加速度传感器的信号分析人在行走过程中的重心移动，以重心移动信息进行步数分析，再依据步幅计算行走距离。虽然步数的分析已较为精确，但对于不同个体，步幅的差距未能在算法中得到充分体现，因此步行距离的计算误差较大。
发明内容
本发明的目的是针对上述不足之处，提供一种高精度步行速度和距离的计算方法，是一种基于单个加速度传感器信号的步行速度与距离分析算法，利用此种算法，可准确计算使用者行走的距离以及一定时间内的行走速度，可用于日常健康监护与运动分析等相关领域。
一种高精度步行速度和距离的计算方法是采取以下技术方案实现的：
一种高精度步行速度和距离的计算方法，包括如下步骤：
1）加速度信号的预处理
通常加速度传感器采集的信号除了包含人体运动产生的加速度信号外，还包含重力加速度和多种噪声。为了更好的实现后续算法，在对运动加速度信号进行分析之前，先进行预处理操作。
所述的预处理包括：
1-1）采用三阶滑动平均滤波器进行信号的平滑处理，所述三阶滑动平均滤波器的平滑滤波参数为5；
1-2）采用一维零均值高斯滤波器进一步完成对噪声的滤除，高斯滤波器的标准差参数为2.5。
2）动态加窗处理
加窗是将较长的加速度信号分割成许多具有相同长度的重叠的窗口，步骤（2）中采用50%重叠的滑动窗对经过预处理的加速度信号进行加窗操作，窗宽采用独有的基于小波系数估计的分形维数与小波能量分布的动态窗宽调增算法确定。
所述动态加窗处理包括如下步骤：
2-1）当窗中含有有效加速度信号时，对加速度信号进行小波分解，并将小波分解后的分形维数与小波能量WE作为初始值；
初始窗宽由采样频率决定，一般设为N，N为固定值，本发明中，初始窗宽N=320；
2-2）当窗口滑动后，重新对新窗口内的有效加速度信号进行与步骤（2-1）相同的小波分解计算，得到新窗口内的分形维数与小波能量WE；
2-3）将步骤（2-2）中的计算值与步骤（2-1）中的初始值进行对比，若新窗口内的分形维数与小波能量均增加，则增加窗口宽度，并作为下一个窗口的实际宽度，此宽度设为N1，此时窗口滑动步长仍保持与N相关，以避免丢失信息；
若新窗口内的分形维数与小波能量均减少，则减少窗口宽度，设为N2，但窗口滑动步长仍保持与N相关；
若新窗口内的分形维数与小波能量变化趋势相左（即一个增大，一个减少），则窗口宽度及窗口滑动步长均保持不变。
所述的N1，N2与N之间的关系由下列表达式确定：
。
小波分解后的分形维数特征量化了不同小波尺度下细节系数的方差变化过程，可以揭示信号中深入的内在相关性。利用分形维数衡量原始加速度信号的复杂性，当复杂性提高时，应增加窗宽以保留更多的加速度信息；小波能量特征用于衡量信号在不同小波分解层的能量情况，当小波能量参数增加时，同理亦应增加窗宽。因此，这两个参数可以用来修改窗宽。
3）计算步行距离
所述的步行距离采用基于三维加速度球质心的步行距离分析方法得到，其计算公式为：
（9）
其中，p为特征标定参数，通过实验方法确定；A表示对本次滑动窗所得的与运动相关的距离参数。步行距离L与参数A之间由公式(9)的离散化形式决定。
所述距离参数A是通过如下方法得到的：将三轴加速度传感器的X、Y、Z三个轴向的加速度信号值，分别作为一个球体的X、Y、Z三维坐标，在窗宽N内，对每个函数值f(x,y,z)赋值为1，整个窗宽N内的加速度信号最终组成一个球体；对球内函数值为1的点进行滤波操作，去除奇异点，然后对剩余的点求其质心，质心到球心的欧式距离即为对本次滑动窗所得的与运动相关的距离参数，记为A，其反映了窗宽N内加速度的整体趋势。
4）计算步行速度v
该滑动窗口内的平均步行速度计算公式为（10）
(10)。
其中t表示时间，由预先设置的采样率f与窗口宽度N决定，其计算公式为（11）
(11)。
所述步骤（2）中的分形维数采用如下方式计算：
选择小波基函数如公式（1），尺度函数如公式（2）所示
（1）
（2）
其中，j表示小波分解阶数，k表示小波分解分量系数，n表示计算中的索引序号，n的值小于窗宽。
小波系数的近似信号与细节信号分别由公式（3），（4）确定
（3）
（4）
其中h( )与g( )是与小波基函数、尺度函数相关的离散低通滤波、离散高通滤波器。其中，j，n，k与公式（1）、（2）中的含义相同。
细节信号的变化由公式(5)获得：
其中， 是细节信号在第j阶分解信号下的平均值， 是细节信号在第j阶分解信号下的离散点个数。分形维数D与细节信号变化特征间的关系由公式（7）决定：
其中，为原始加速度信号的方差，T为比例系数，本发明中取T=1。
小波能量WE采用公式（8）决定
步骤（3）中所述的试验方法，即特征标定参数p的确定方法，具体为以100米标准跑道为标定环境，使用者佩戴加速度传感器，记录100米行走过程中的加速度信号，采用步骤（1）至步骤（3）的算法计算参数p。依据信号处理基本理论，以10次行走所得的参数p的均值作为最终的特征标定参数，以降低系统误差。
本发明计算方法从时频特征分析角度出发，对加速度信号的处理更能反映人体运动过程中的加速度变化状态；通过构造三维加速度球，在一时间窗范围内，加速度球内散点体现了该窗内加速度变化的趋势，从而综合多因素后得到此时间窗内加速度特征的散点质心；使用本发明方法计算出来的平均距离误差在近匀速运动情况下小于11.5%，平均误差在变速运动情况下小于18.7%。
附图说明
以下将结合附图对本发明作进一步说明：
图1是本发明的距离与步行速度计算流程图。
图2是本发明中特征标定参数p的计算流程图。
具体实施方式
参照附图1~2，
一种高精度步行速度和距离的计算方法，包括如下步骤：
1）加速度信号的预处理
通常加速度传感器采集的信号除了包含人体运动产生的加速度信号外，还包含重力加速度和多种噪声。为了更好的实现后续算法，在对运动加速度信号进行分析之前，先进行预处理操作。
所述的预处理包括：
1-1）采用三阶滑动平均滤波器进行信号的平滑处理，所述三阶滑动平均滤波器的平滑滤波参数为5；
1-2）采用一维零均值高斯滤波器进一步完成对噪声的滤除，高斯滤波器的标准差参数为2.5。
2）动态加窗处理
加窗是将较长的加速度信号分割成许多具有相同长度的重叠的窗口，步骤（2）中采用50%重叠的滑动窗对经过预处理的加速度信号进行加窗操作，窗宽采用独有的基于小波系数估计的分形维数与小波能量分布的动态窗宽调增算法确定。
所述动态加窗处理包括如下步骤：
2-1）当窗中含有有效加速度信号时，对加速度信号进行小波分解，并将小波分解后的分形维数与小波能量WE作为初始值；
初始窗宽由采样频率决定，一般设为N，N为固定值，本发明中，初始窗宽N=320；
2-2）当窗口滑动后，重新对新窗口内的有效加速度信号进行与步骤（2-1）相同的小波分解计算，得到新窗口内的分形维数与小波能量WE；
2-3）将步骤（2-2）中的计算值与步骤（2-1）中的初始值进行对比，若新窗口内的分形维数与小波能量均增加，则增加窗口宽度，并作为下一个窗口的实际宽度，此宽度设为N1，此时窗口滑动步长仍保持与N相关，以避免丢失信息；
若新窗口内的分形维数与小波能量均减少，则减少窗口宽度，设为N2，但窗口滑动步长仍保持与N相关；
若新窗口内的分形维数与小波能量变化趋势相左（即一个增大，一个减少），则窗口宽度及窗口滑动步长均保持不变。
所述的N1，N2与N之间的关系由下列表达式确定：
。
小波分解后的分形维数特征量化了不同小波尺度下细节系数的方差变化过程，可以揭示信号中深入的内在相关性。利用分形维数衡量原始加速度信号的复杂性，当复杂性提高时，应增加窗宽以保留更多的加速度信息；小波能量特征用于衡量信号在不同小波分解层的能量情况，当小波能量参数增加时，同理亦应增加窗宽。因此，这两个参数可以用来修改窗宽。
3）计算步行距离
所述的步行距离采用基于三维加速度球质心的步行距离分析方法得到，其计算公式为：
（9）
其中，p为特征标定参数，通过实验方法确定；A表示对本次滑动窗所得的与运动相关的距离参数。步行距离L与参数A之间由公式(9)的离散化形式决定。
所述距离参数A是通过如下方法得到的：将三轴加速度传感器的X、Y、Z三个轴向的加速度信号值，分别作为一个球体的X、Y、Z三维坐标，在窗宽N内，对每个函数值f(x,y,z)赋值为1，整个窗宽N内的加速度信号最终组成一个球体；对球内函数值为1的点进行滤波操作，去除奇异点，然后对剩余的点求其质心，质心到球心的欧式距离即为对本次滑动窗所得的与运动相关的距离参数，记为A，其反映了窗宽N内加速度的整体趋势。
4）计算步行速度v
该滑动窗口内的平均步行速度计算公式为（10）
(10)。
其中t表示时间，由预先设置的采样率f与窗口宽度N决定，其计算公式为（11）
(11)。
所述步骤（2）中的分形维数采用如下方式计算：
选择小波基函数如公式（1），尺度函数如公式（2）所示
（1）
（2）
其中，j表示小波分解阶数，k表示小波分解分量系数，n表示计算中的索引序号，n的值小于窗宽。
小波系数的近似信号与细节信号分别由公式（3），（4）确定
（3）
（4）
其中h( )与g( )是与小波基函数、尺度函数相关的离散低通滤波、离散高通滤波器。其中，j，n，k与公式（1）、（2）中的含义相同。
细节信号的变化由公式(5)获得：
其中， 是细节信号在第j阶分解信号下的平均值， 是细节信号在第j阶分解信号下的离散点个数。分形维数D与细节信号变化特征间的关系由公式（7）决定：
其中， 为原始加速度信号的方差，T为比例系数，本发明中取T=1。
小波能量WE采用公式（8）决定
步骤（3）中所述的试验方法，即特征标定参数p的确定方法，具体为以100米标准跑道为标定环境，使用者佩戴加速度传感器，记录100米行走过程中的加速度信号，采用步骤（1）至步骤（3）的算法计算参数p。依据信号处理基本理论，以10次行走所得的参数p的均值作为最终的特征标定参数，以降低系统误差。
具体实施例：
1）由于特征标定参数与传感器佩戴位置有关，具体表现为佩戴在躯干与下肢需不同标定。本实施方式以佩戴在躯干上的加速度传感器使用为例。使用者将加速度传感器采集系统置于腰部以上，基本固定，保证传感器在使用者不致脱落即可。
2）使用者准备好后开机，加速度传感器开机后可依据参数设置自动清零，亦可标记起始时间点，保留以往数据。
3）使用者正常行走，不受额外条件约束。本发明所涉及的传感器使用中的正常行走包含匀速行走，变速行走，上下楼，上下坡等，均不影响加速度传感器的正常使用。
4）使用者正常行走的同时，加速度传感器系统将同步采集人体的加速度信号，并记录在本地存储器中。
使用者结束行走后，将加速度传感器系统关机。
将数据上传至上位机系统；
上位机系统执行操作（1）~（3），获得总步行距离；
上位机系统执行操作（4），获得平均速度。
Claims (3)
1.一种高精度步行速度和距离的计算方法，其特征在于，包括如下步骤：
1）加速度信号的预处理
所述的预处理包括：
1-1）采用三阶滑动平均滤波器进行信号的平滑处理，所述三阶滑动平均滤波器的平滑滤波参数为5；
1-2）采用一维零均值高斯滤波器进一步完成对噪声的滤除，高斯滤波器的标准差参数为2.5；
2）动态加窗处理
加窗是将加速度信号分割成许多具有相同长度的重叠的窗口，步骤（2）中采用50%重叠的滑动窗对经过预处理的加速度信号进行加窗操作，窗宽采用基于小波系数估计的分形维数与小波能量分布的动态窗宽调增算法确定；
3）计算步行距离
所述的步行距离采用基于三维加速度球质心的步行距离分析方法得到，其计算公式为：
（9）
其中，p为特征标定参数，通过实验方法确定；A表示对本次滑动窗所得的与运动相关的距离参数；步行距离L与参数A之间由公式(9)的离散化形式决定；
所述距离参数A是通过如下方法得到的：将三轴加速度传感器的X、Y、Z三个轴向的加速度信号值，分别作为一个球体的X、Y、Z三维坐标，在窗宽N内，对每个函数值f(x,y,z)赋值为1，整个窗宽N内的加速度信号最终组成一个球体；对球内函数值为1的点进行滤波操作，去除奇异点，然后对剩余的点求其质心，质心到球心的欧式距离即为对本次滑动窗所得的与运动相关的距离参数，记为A，其反映了窗宽N内加速度的整体趋势；
4）计算步行速度v
该滑动窗口内的平均步行速度计算公式为（10）
(10)
其中t表示时间，由预先设置的采样率f与窗口宽度N决定，其计算公式为（11）
(11)。
2.根据权利要求1所述的一种高精度步行速度和距离的计算方法，其特征在于，所述步骤（2）中动态加窗处理包括如下步骤：
2-1）当窗中含有有效加速度信号时，对加速度信号进行小波分解，并将小波分解后的分形维数与小波能量WE作为初始值；
初始窗宽由采样频率决定，设为N，初始窗宽N=320；
2-2）当窗口滑动后，重新对新窗口内的有效加速度信号进行与步骤（2-1）相同的小波分解计算，得到新窗口内的分形维数与小波能量WE；
2-3）将步骤（2-2）中的计算值与步骤（2-1）中的初始值进行对比，若新窗口内的分形维数与小波能量均增加，则增加窗口宽度，并作为下一个窗口的实际宽度，此宽度设为N1，此时窗口滑动步长仍保持与N相关，以避免丢失信息；
若新窗口内的分形维数与小波能量均减少，则减少窗口宽度，设为N2，但窗口滑动步长仍保持与N相关；
若新窗口内的分形维数与小波能量变化趋势相左（即一个增大，一个减少），则窗口宽度及窗口滑动步长均保持不变；
所述的N1，N2与N之间的关系由下列表达式确定：
。
3.根据权利要求1所述的一种高精度步行速度和距离的计算方法，其特征在于，步骤（3）中所述的实验方法，即特征标定参数p的确定方法，具体为以100米标准跑道为标定环境，使用者佩戴加速度传感器，记录100米行走过程中的加速度信号，采用步骤（1）至步骤（3）的算法计算参数p；依据信号处理基本理论，以10次行走所得的参数p的均值作为最终的特征标定参数，以降低系统误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310074428.6A CN103175540B (zh) | 2013-03-10 | 2013-03-10 | 一种高精度步行速度和距离的计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310074428.6A CN103175540B (zh) | 2013-03-10 | 2013-03-10 | 一种高精度步行速度和距离的计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103175540A CN103175540A (zh) | 2013-06-26 |
| CN103175540B true CN103175540B (zh) | 2015-08-05 |
Family
ID=48635565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310074428.6A Expired - Fee Related CN103175540B (zh) | 2013-03-10 | 2013-03-10 | 一种高精度步行速度和距离的计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103175540B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019036927A1 (zh) * | 2017-08-23 | 2019-02-28 | 华为技术有限公司 | 基于步频的足部计步数方法、装置及设备 |
| CN117454155B (zh) * | 2023-12-26 | 2024-03-15 | 电子科技大学 | 基于ssaf和emd的igbt声发射信号提取方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004101346A (ja) * | 2002-09-09 | 2004-04-02 | Otax Co Ltd | 歩数計 |
| JP2005283340A (ja) * | 2004-03-30 | 2005-10-13 | Seiko Instruments Inc | 歩数計 |
| CN1873808A (zh) * | 2006-05-11 | 2006-12-06 | 上海交通大学 | 基于可重构运算单元的mp3解码滤波器系统 |
| CN101093167A (zh) * | 2006-06-21 | 2007-12-26 | 迈克罗茵费尼蒂公司 | 输入设备的空间识别方法和装置 |
| CN101354265A (zh) * | 2008-08-19 | 2009-01-28 | 幻音科技(深圳)有限公司 | 计步方法、步幅校正方法、测距方法及计步装置 |
| CN101488219A (zh) * | 2008-12-19 | 2009-07-22 | 四川虹微技术有限公司 | 一种快速视频图像双边滤波的方法 |
| CN101522104A (zh) * | 2006-10-30 | 2009-09-02 | 欧姆龙健康医疗事业株式会社 | 能够正确管理步行运动的步数信息的体动检测装置 |
| CN101881625A (zh) * | 2008-08-19 | 2010-11-10 | 幻音科技(深圳)有限公司 | 步幅校正方法、测距方法及计步装置 |
| CN102818913A (zh) * | 2012-07-31 | 2012-12-12 | 宋子健 | 一种人体运动信息检测装置及其检测方法 |
-
2013
- 2013-03-10 CN CN201310074428.6A patent/CN103175540B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004101346A (ja) * | 2002-09-09 | 2004-04-02 | Otax Co Ltd | 歩数計 |
| JP2005283340A (ja) * | 2004-03-30 | 2005-10-13 | Seiko Instruments Inc | 歩数計 |
| CN1873808A (zh) * | 2006-05-11 | 2006-12-06 | 上海交通大学 | 基于可重构运算单元的mp3解码滤波器系统 |
| CN101093167A (zh) * | 2006-06-21 | 2007-12-26 | 迈克罗茵费尼蒂公司 | 输入设备的空间识别方法和装置 |
| CN101522104A (zh) * | 2006-10-30 | 2009-09-02 | 欧姆龙健康医疗事业株式会社 | 能够正确管理步行运动的步数信息的体动检测装置 |
| CN101354265A (zh) * | 2008-08-19 | 2009-01-28 | 幻音科技(深圳)有限公司 | 计步方法、步幅校正方法、测距方法及计步装置 |
| CN101881625A (zh) * | 2008-08-19 | 2010-11-10 | 幻音科技(深圳)有限公司 | 步幅校正方法、测距方法及计步装置 |
| CN101488219A (zh) * | 2008-12-19 | 2009-07-22 | 四川虹微技术有限公司 | 一种快速视频图像双边滤波的方法 |
| CN102818913A (zh) * | 2012-07-31 | 2012-12-12 | 宋子健 | 一种人体运动信息检测装置及其检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于步态加速度的步态分析研究》;刘蓉等;《传感技术学报》;20090630;第22卷(第6期);893-896 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103175540A (zh) | 2013-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10687707B2 (en) | Detecting activity by a wheelchair user | |
| CN102292025B (zh) | 确定用户的能量消耗 | |
| Fasel et al. | A wrist sensor and algorithm to determine instantaneous walking cadence and speed in daily life walking | |
| US20170215808A1 (en) | Machine learnt model to detect rem sleep periods using a spectral analysis of heart rate and motion | |
| CN103323615B (zh) | 一种通过加速度传感器计算步行速度的移动终端及方法 | |
| Wang et al. | Quantitative assessment of dual gait analysis based on inertial sensors with body sensor network | |
| JP6134872B1 (ja) | 対象の周期的な運動のサイクル数を計数するデバイス、方法及びシステム | |
| US10264997B1 (en) | Systems and methods for selecting accelerometer data to store on computer-readable media | |
| JP2017531546A (ja) | 生物学的に引き起こされるモーションの補正、および動的心拍数を使用するリアルタイム生理的負荷の推定 | |
| CN106659404A (zh) | 连续血压测量方法、装置和设备 | |
| US20210369143A1 (en) | Method and system utilizing pattern recognition for detecting atypical movements during physical activity | |
| JP6951516B2 (ja) | 人の歩調を検出する方法及びシステム | |
| US20150374307A1 (en) | Data analysis device, data analysis method, and data analysis program | |
| Fan et al. | Wearable motion attitude detection and data analysis based on Internet of Things | |
| Wang | Multisensor data fusion of motion monitoring system based on BP neural network | |
| CN103175540B (zh) | 一种高精度步行速度和距离的计算方法 | |
| Zhu et al. | A real-time on-chip algorithm for IMU-Based gait measurement | |
| Sundaravadivel et al. | Smart-walk: An intelligent physiological monitoring system for smart families | |
| US11412956B2 (en) | Methods for computing a real-time step length and speed of a running or walking individual | |
| CN104138658A (zh) | 一种基于智能鞋的运动测量及动画反馈系统 | |
| CN109646902A (zh) | 一种基于识别设备的健身运动计量方法 | |
| Tiwari et al. | Stress and anxiety measurement" in-the-wild" using quality-aware multi-scale hrv features | |
| Janidarmian et al. | Affordable erehabilitation monitoring platform | |
| Singh et al. | Internet of things–triggered and power-efficient smart pedometer algorithm for intelligent wearable devices | |
| Andalibi et al. | Data correction for seven activity trackers based on regression models |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150805 |