CN105938516A - 关联规则算法在血液变与中风关系中的应用方法及装置 - Google Patents
关联规则算法在血液变与中风关系中的应用方法及装置 Download PDFInfo
- Publication number
- CN105938516A CN105938516A CN201610227357.2A CN201610227357A CN105938516A CN 105938516 A CN105938516 A CN 105938516A CN 201610227357 A CN201610227357 A CN 201610227357A CN 105938516 A CN105938516 A CN 105938516A
- Authority
- CN
- China
- Prior art keywords
- apoplexy
- association rule
- blood
- data
- algorithm
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种关联规则算法在血液变与中风关系中的应用方法,包括:步骤S1、获取若干中风病人的血流变数据,并提取血流变数据中的血流因素;步骤S2、标准化处理血流因素;步骤S3、利用关联规则算法对经标准化处理后的血流因素进行处理,以获取血流变数据与中风疾病的关联规则。本发明提供的方法应用于中风患者的血流变数据中,对中风患者血流变的临床特征进行科学分类以及提取隐藏的更有价值的医疗信息,并在以往的常规评价模式“支持度‑置信度”基础上采用有效度和兴趣度有效的评价标准对所得到的关联规则进行评价,使中风预防更加具有针对性,从而提高临床疾病的预防和早期治疗的效果。
Description
技术领域
本发明涉及分布式计算与数据挖掘领域,尤其涉及关联规则算法在血液变与中风关系中的应用方法及装置。
背景技术
中风又称脑卒中,是急性脑循环损害迅速导致局限性或弥漫性脑功能缺损的临床事件。根据病因、病理可以将中风分为缺血性中风与出血性中风两大类。前者主要包括局限性脑梗死(脑血栓、脑栓塞),后者主要包括脑出血和蛛网膜下腔出血。脑卒中是多种脑血管疾病的严重表现形式,是中老年人的一种常见病,是一种高发病率、高致残率的疾病,给社会及家庭带来沉重的经济负担和精神负担。因此,中风的预防具有重要的社会意义。资料表明,血流变指标的变化是脑血管疾病的主要发病因素之一,血流变的改变最终引发组织功能、结构的变化,从而导致微循环障碍。例如,微循环障碍同时伴有全血和血浆粘度的增高常见于脑中风等疾病,血液粘度的测定在缺血性和出血性脑中风的鉴别诊断、疗效观察等过程有重要意义。因此进一步研究血流变与中风疾病的关系对临床治疗、预防各种脑血管病具有非常重要的临床意义。
随着计算机技术的发展,医院数据库信息容量快速积累,如何挖掘这些医学宝贵信息中隐含的更有意义的资源,对于疾病的诊断、治疗和医学研究都是非常有价值的。因此,提供一种利用计算机快速、准确的分析中风疾病与血流变数据的关系的方法,成为目前亟待解决的问题。
发明内容
鉴于上述问题,本申请记载了一种关联规则算法在血液变与中风关系中的应用方法,所述方法包括:
步骤S1、获取若干中风病人的血流变数据,并提取所述血流变数据中的血流因素;
步骤S2、标准化处理所述血流因素;
步骤S3、利用所述关联规则算法对经标准化处理后的所述血流因素进行处理,以获取所述血流变数据与中风疾病的关联规则。
较佳的,所述血流因素包括血粘度信息和/或红细胞压积信息和/或血浆浓度信息和/或血沉信息和/或体外血栓长度信息。
较佳的,所述步骤S3包括:
步骤S31、结合因子分析法和逐步聚类分析法分析经标准化处理的所述血流因素并获取分析结果;
步骤S32、根据所述关联规则算法以及所述分析结果挖掘所述血流变数据与中风疾病相关的关联规则。
较佳的,所述关联规则算法为Apriori算法。
较佳的,步骤S32包括:
步骤S321、找出所述分析结果中所有满足最小支持度的所有频繁项集;
步骤S322、根据所述频繁项集计算出满足最小置信度的所有的关联规则;
步骤S323、对所有计算出的关联规则进行评价,以获取最优的关联规则。
较佳的,对所述关联规则的评价方法包括基于有效度评价和基于兴趣度评价。
本发明还提供了一种关联规则算法在血液变与中风关系中的应用装置,所述装置包括:
获取模块,用以获取若干中风病人的血流变数据,并提取所述血流变数据中的血流因素;
标准化模块,与获取模块相连,用以标准化处理所述血流因素;
关联模块,与标准化模块相连,用以利用所述关联规则算法对经标准化处理后的所述血流因素进行处理,以获取所述血流变数据与中风疾病的关联规则。
较佳的,所述关联模块包括:
分析单元,与所述标准化模块相连,用以结合因子分析法和逐步聚类分析法分析经标准化处理的所述血流因素并获取分析结果;
挖掘单元,与所述分析单元相连,用以根据所述关联规则算法以及所述分析结果挖掘所述血流变数据与中风疾病相关的所述关联规则。
较佳的,所述挖掘单元包括:
频繁项集获取子单元,与所述分析单元相连,用以找出所述分析结果中所有满足最小支持度的所有频繁项集;
关联规则获取子单元,与所述频繁项集获取子单元相连,用以根据所述频繁项集计算出满足最小置信度的所有的关联规则。
较佳的,所述挖掘单元还包括:
评价子单元,与所述关联规则获取子单元相连,用以对所有计算出的关联规则进行评价,以获取最优的关联规则。
上述技术方案具有如下优点或有益效果:本发明提供的方法应用于中风患者的血流变数据中,对中风患者血流变的临床特征进行科学分类以及提取隐藏的更有价值的医疗信息,并在以往的常规评价模式“支持度-置信度”基础上采用有效度和兴趣度有效的评价标准对所得到的关联规则进行评价,使中风预防更加具有针对性,从而提高临床疾病的预防和早期治疗的效果。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明一种关联规则算法在血液变与中风关系中的应用方法的流程示意图一;
图2为本发明一种关联规则算法在血液变与中风关系中的应用方法的流程示意图二;
图3为本发明一种关联规则算法在血液变与中风关系中的应用方法的流程示意图三;
图4为本发明一种关联规则算法在血液变与中风关系中的应用装置的结构示意图一;
图5为本发明一种关联规则算法在血液变与中风关系中的应用装置的结构示意图二。
图6为本发明一种关联规则算法在血液变与中风关系中的应用装置的结构示意图三。
具体实施方式
下面结合附图和具体实施例对本发明关联规则在血液变与中风疾病关系中的应用方法及装置进行详细说明。
实施例一
如图1所示,一种关联规则在血液变与中风疾病关系中的应用方法,该方法包括步骤:
S1、采集多个中风病人的血流变数据,提取血流变中的血流因素;
S2、将血粘度信息、红细胞压积信息、血浆浓度信息、血沉信息以及体外血栓长度信息等血流因素进行标准化处理;
S3、利用关联规则对经标准化处理的血流变数据进行处理,以获取血流变数据与中风疾病的关系。
具体来说,在本实施例提出的关联规则在血液变与中风疾病关系中的应用方法中,首先需要采集若干个中风病人的血流变数据,在实际应用中,采集到的血流变数据越多,后续进行分析的准确性也会越高。之后,提取血流变数据中的一个或多个血流因素,并将这些血流因素进行标准化处理。值得指出的是,血流因素包括血粘度信息和/或红细胞压积信息和/或血浆浓度信息和/或血沉信息和/或体外血栓长度信息。
在实际应用中,收集了安徽省淮北矿工总医院2003年至2009年期间,首次发作且按临床标准和CT扫描结果诊断为中风住院病人的552个血流变数据,如表1:
表1原始数据
进一步来讲,如图2所示,在步骤S3中,具体包括步骤:
S31:结合因子分析法和逐步聚类分析法分析经标准化处理后的血流因素并获取分析结果;
S32:根据关联规则算法以及分析结果挖掘血流变与中风疾病相关的规则。
具体来说,在本实施例提出的方法中,在对血流因素进行标准化处理后,要结合因子分析法和逐步聚类分析法,将该血流因素进行分析处理并获取分析结果。之后,利用关联规则算法,根据分析结果挖掘血流变与中风疾病相关的关联规则。
进一步来讲,关联规则算法为Apriori算法。
下面对因子分析法、逐步聚类法以及Apriori算法进行详细说明:
1)因子分析法
因子分析主要用于从中风疾病与血流变错综复杂的关系问题中找出少数几个主要因子,每个因子代表原始变量间相互依赖的一种作用。这些彼此不相关的因子代替原来较多高度相关的原始随机变量,同时这些主要因子尽可能多的反映中风患者血流变数据原始变量的信息。
2)逐步聚类法
逐步聚类法,它是以样本组内的离差平方和达到最小为标准,通过反复调整每个样本组中的个体数,从而达到样本组内具有最大同质性,而样本组间具有最大异质性这一优化目标。此法,是先将样本进行一次粗略的分类,即初始分类,然后根据最优原则进行反复不断的修改,直到分类合理为止。
3)Apriori算法
Apriori算法利用频繁项集性质的先验知识,使用一种称作逐层搜索的迭代方法,该算法将关联规则的发现分为两步:第一步是识别所有的频繁项目集,即不低于最低支持度(min_sup)的项目集;第二步是从频繁项目集中产生关联规则,在频繁项目集中找出满足用户最低可信度(min_conf)的规则。
其中,支持度:表示频繁项目集中A和B同时发生的概率,是对关联规则重要性的衡量。
信任度:表示频繁项目集中包含A的同时也包含B的概率,可信度是对关联规则准确度的衡量。
进一步来讲,如图3所示,步骤S32中,根据关联规则算法以及分析结果挖掘血流变与中风疾病关系的关联规则中,包括步骤:
S321:找出分析结果中所有满足最小支持度的所有频繁项集;
S322:根据频繁项集计算出满足最小置信度的关联规则;
S323:对关联规则进行评价,以获取最优的关联规则。
进一步来讲,在运用关联规则算法挖掘关联规则前,需要将原始数据中的各变量的取值转化为一系列的整数或代码,映射为事务的项。按照年龄对数据进行划分,将血流变数据转化为布尔型数据,把所有属性映射为成项的索引表,如表2所示:
表2血流变数据与赋值
利用数据转换算法将表1中的数据逐条扫描数据库记录,通过查询项目映射表获取相应的项编号,并将其填充到事务表中的相应位置,完成了关系数据库到事务表的转换,事务数据如表3:
表3中风事务数据库
具体来讲,在利用关联规则算法挖掘关联规则的过程中,首先要找出分析结果中所有满足最小支持度的所有频繁项集,然后根据该频繁项集计算出满足最小置信度的关联规则。但是,并不是所有计算出的关联规则都是有意义的,此时就需要对计算出的关联规则进行评价,以保留其中一条或几条有用的关联规则,即获取最终结果。
进一步来讲,在对有效关联规则评价的评价方法有两种:基于有效度评价和基于兴趣度评价。
本实施例提供的方法主要应用于中风患者的血流变数据中,对中风患者血流变的临床特征进行科学分类以及提取隐藏的更有价值的医疗信息,并在以往的常规评价模式“支持度-置信度”基础上采用有效度和兴趣度有效的评价标准对所得到的关联规则进行评价,使中风预防更加具有针对性从而提高临床疾病的预防和早期治疗的效果。实施例二
根据上述实施例提出的一种关联规则算法在血液变与中风关系中的应用方法,本实施例提出了一种关联规则算法在血液变与中风关系中的应用装置。
如图4所示,一种关联规则算法在血液变与中风关系中的应用装置,包括:
获取模块1,用以获取若干中风病人的血流变数据,并提取血流变数据中的血流因素;
标准化模块2,与获取模块1相连,用以标准化处理血流因素;
关联模块3,与标准化模块2相连,用以利用关联规则算法对经标准化处理后的血流因素进行处理,以获取血流变数据与中风疾病的关联规则。
具体来说,本实施例提出的装置中,首先利用获取模块1获取若干中风病人的血流变数据,并提取血流变数据中的血流因素,然后由标准化模块2将血流因素标准化处理,最后由关联模块3利用关联规则算法对经标准化处理后的血流因素进行处理,以获取血流变数据与中风疾病的关系。其中,血流因素包括血粘度信息和/或红细胞压积信息和/或血浆浓度信息和/或血沉信息和/或体外血栓长度信息等。
进一步来讲,如图5所示,关联模块3包括:
分析单元31,与标准化模块2相连,用以结合因子分析法和逐步聚类分析法分析经标准化处理的血流因素并获取分析结果;
挖掘单元32,与分析单元31相连,用以根据关联规则算法以及分析结果挖掘血流变数据与中风疾病相关的关联规则。
值得指出的是,并不是直接利用挖掘单元32挖掘关联规则,而是需要先利用分析单元31结合因子分析法和逐步聚类分析法分析经标准化处理的血流因素,获取分析结果之后,由挖掘单元32利用关联规则算法挖掘血流变与中风疾病相关的关联规则。
进一步来讲,如图6所示,挖掘单元32包括:
频繁项集获取子单元321,与分析单元31相连,用以找出分析结果中所有满足最小支持度的所有频繁项集;
关联规则获取子单元322,与频繁项集获取子单元321相连,用以根据频繁项集计算出满足最小置信度的所有的关联规则;
评价子单元323,与关联规则获取子单元322相连,用以对所有计算出的关联规则进行评价,以获取最优的关联规则。
值得指出的是,在挖掘单元32挖掘有用的关联规则时,首先要利用频繁项集获取子单元321分析结果中所有满足最小支持度的所有频繁项集,再由关联规则获取子单元322根据频繁项集计算出满足最小置信度的所有的关联规则。但是,获取的关联规则并不是全部有用的,此时需要评价子单元323对获取的所有关联规则进行评价,以获取最优的关联规则。
进一步来讲,对关联规则的评价方法包括基于有效度评价和基于兴趣度评价两种方式。
对于本领域的技术人员而言,阅读上述说明后,各种变化和修正无疑将显而易见。因此,所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容,都应认为仍属本发明的意图和范围内。
Claims (10)
1.一种关联规则算法在血液变与中风关系中的应用方法,其特征在于,所述方法包括:
步骤S1、获取若干中风病人的血流变数据,并提取所述血流变数据中的血流因素;
步骤S2、标准化处理所述血流因素;
步骤S3、利用所述关联规则算法对经标准化处理后的所述血流因素进行处理,以获取所述血流变数据与中风疾病的关联规则。
2.根据权利要求1所述的关联规则算法在血液变与中风关系中的应用方法,其特征在于,所述血流因素包括血粘度信息和/或红细胞压积信息和/或血浆浓度信息和/或血沉信息和/或体外血栓长度信息。
3.根据权利要求2所述的关联规则算法在血液变与中风关系中的应用方法,其特征在于,所述步骤S3包括:
步骤S31、结合因子分析法和逐步聚类分析法分析经标准化处理的所述血流因素并获取分析结果;
步骤S32、根据所述关联规则算法以及所述分析结果挖掘所述血流变数据与中风疾病相关的关联规则。
4.根据权利要求3所述的关联规则算法在血液变与中风关系中的应用方法,其特征在于,所述关联规则算法为Apriori算法。
5.根据权利要求3所述的关联规则算法在血液变与中风关系中的应用方法,其特征在于,步骤S32包括:
步骤S321、找出所述分析结果中所有满足最小支持度的所有频繁项集;
步骤S322、根据所述频繁项集计算出满足最小置信度的所有的关联规则;
步骤S323、对所有计算出的关联规则进行评价,以获取最优的关联规则。
6.根据权利要求5所述的关联规则算法在血液变与中风关系中的应用方法,其特征在于,对所述关联规则的评价方法包括基于有效度评价和基于兴趣度评价。
7.一种关联规则算法在血液变与中风关系中的应用装置,其特征在于,所述装置包括:
获取模块,用以获取若干中风病人的血流变数据,并提取所述血流变数据中的血流因素;
标准化模块,与获取模块相连,用以标准化处理所述血流因素;
关联模块,与标准化模块相连,用以利用所述关联规则算法对经标准化处理后的所述血流因素进行处理,以获取所述血流变数据与中风疾病的关联规则。
8.根据权利要求7所述的关联规则算法在血液变与中风关系中的应用装置,其特征在于,所述关联模块包括:
分析单元,与所述标准化模块相连,用以结合因子分析法和逐步聚类分析法分析经标准化处理的所述血流因素并获取分析结果;
挖掘单元,与所述分析单元相连,用以根据所述关联规则算法以及所述分析结果挖掘所述血流变数据与中风疾病相关的所述关联规则。
9.根据权利要求8所述的关联规则算法在血液变与中风关系中的应用装置,其特征在于,所述挖掘单元包括:
频繁项集获取子单元,与所述分析单元相连,用以找出所述分析结果中所有满足最小支持度的所有频繁项集;
关联规则获取子单元,与所述频繁项集获取子单元相连,用以根据所述频繁项集计算出满足最小置信度的所有的关联规则。
10.根据权利要求9所述的关联规则算法在血液变与中风关系中的应用装置,其特征在于,所述挖掘单元还包括:
评价子单元,与所述关联规则获取子单元相连,用以对所有计算出的关联规则进行评价,以获取最优的关联规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610227357.2A CN105938516A (zh) | 2016-04-12 | 2016-04-12 | 关联规则算法在血液变与中风关系中的应用方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610227357.2A CN105938516A (zh) | 2016-04-12 | 2016-04-12 | 关联规则算法在血液变与中风关系中的应用方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105938516A true CN105938516A (zh) | 2016-09-14 |
Family
ID=57151985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610227357.2A Pending CN105938516A (zh) | 2016-04-12 | 2016-04-12 | 关联规则算法在血液变与中风关系中的应用方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105938516A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871536A (zh) * | 2017-09-30 | 2018-04-03 | 平安科技(深圳)有限公司 | 糖尿病分析方法及应用服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020256A (zh) * | 2012-12-21 | 2013-04-03 | 电子科技大学 | 一种大规模数据的关联规则挖掘方法 |
CN103521198A (zh) * | 2013-10-15 | 2014-01-22 | 杭州电子科技大学 | 重稀土离子印迹分子筛选择性吸附剂的制备方法 |
CN104484575A (zh) * | 2014-12-30 | 2015-04-01 | 天津迈沃医药技术有限公司 | 基于主成分分析的健康个性化改善方法 |
-
2016
- 2016-04-12 CN CN201610227357.2A patent/CN105938516A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020256A (zh) * | 2012-12-21 | 2013-04-03 | 电子科技大学 | 一种大规模数据的关联规则挖掘方法 |
CN103521198A (zh) * | 2013-10-15 | 2014-01-22 | 杭州电子科技大学 | 重稀土离子印迹分子筛选择性吸附剂的制备方法 |
CN104484575A (zh) * | 2014-12-30 | 2015-04-01 | 天津迈沃医药技术有限公司 | 基于主成分分析的健康个性化改善方法 |
Non-Patent Citations (2)
Title |
---|
李晓毅,等: "《关联规则挖掘在医疗诊断中的应用》", 《辽宁师范大学学报(自然科学版)》 * |
许佩: "数据挖掘技术在脑梗塞诊断中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871536A (zh) * | 2017-09-30 | 2018-04-03 | 平安科技(深圳)有限公司 | 糖尿病分析方法及应用服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wasan et al. | The impact of data mining techniques on medical diagnostics | |
Li et al. | A fully automatic computer-aided diagnosis system for hepatocellular carcinoma using convolutional neural networks | |
Ayeldeen et al. | Prediction of liver fibrosis stages by machine learning model: A decision tree approach | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
CN103678534A (zh) | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 | |
CN112652361A (zh) | 一种基于gbdt模型的骨髓瘤高风险筛查方法及其应用 | |
Abdulrahman et al. | A efficient deep belief network for Detection of Corona Virus Disease COVID-19 | |
Luo et al. | Time series clustering of COVID-19 pandemic-related data | |
Rathi et al. | Disease prediction tool: an integrated hybrid data mining approach for healthcare | |
CN105938516A (zh) | 关联规则算法在血液变与中风关系中的应用方法及装置 | |
Patnaik | Intelligent decision support system in healthcare using machine learning models | |
Abe et al. | Developing an integrated time-series data mining environment for medical data mining | |
Burks et al. | Genetic programming for tuberculosis screening from raw X-ray images | |
Fatima et al. | Biomedical (cardiac) data mining: Extraction of significant patterns for predicting heart condition | |
Khatri et al. | Implicating machine learning towards development of intelligent system for wart treatment therapy identification | |
CN110010231A (zh) | 一种数据处理系统及计算机可读存储介质 | |
He et al. | Artificial intelligence in serum protein electrophoresis: history, state of the art, and perspective | |
Li et al. | ARB: Knowledge Discovery and Disease Diagnosis on Thyroid Disease Diagnosis integrating Association Rule with Bagging Algorithm. | |
Aravinda et al. | A demystifying convolutional neural networks using Grad-CAM for prediction of coronavirus disease (COVID-19) on X-ray images | |
Lu et al. | Timeline and episode-structured clinical data: Pre-processing for Data Mining and analytics | |
Vallaboju et al. | Bioinformatics image based decision support system for bone cancer detection | |
Hu et al. | Classification of malignant-benign pulmonary nodules in lung CT images using an improved random forest (Use style: Paper title) | |
Singh et al. | A guided clustering technique for knowledge discovery–a case study of liver disorder dataset | |
Prabhu et al. | Enhanced dark block extraction method performed automatically to determine the number of clusters in unlabeled data sets | |
Gogi et al. | Analysis of liver disease and HCC inducing factors using machine learning algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160914 |
|
RJ01 | Rejection of invention patent application after publication |