CN105956388A - 基于vmd的人体生命体征信号分离方法 - Google Patents

基于vmd的人体生命体征信号分离方法 Download PDF

Info

Publication number
CN105956388A
CN105956388A CN201610269283.9A CN201610269283A CN105956388A CN 105956388 A CN105956388 A CN 105956388A CN 201610269283 A CN201610269283 A CN 201610269283A CN 105956388 A CN105956388 A CN 105956388A
Authority
CN
China
Prior art keywords
vital sign
signal
vmd
target
human body
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.)
Granted
Application number
CN201610269283.9A
Other languages
English (en)
Other versions
CN105956388B (zh
Inventor
李彧晟
季文韬
唐良勇
洪弘
顾陈
朱晓华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201610269283.9A priority Critical patent/CN105956388B/zh
Publication of CN105956388A publication Critical patent/CN105956388A/zh
Application granted granted Critical
Publication of CN105956388B publication Critical patent/CN105956388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供了一种基于VMD的人体生命体征信号分离方法，包括以下步骤：步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号进行动目标检测、距离门切换和低通滤波得到目标生命体征信号；步骤2，对步骤1获得的目标生命体征信号采用变分模态分解算法对目标生命体征信号进行处理，分离出预设个数的模态分量；步骤3，对步骤2中分离出的各个模态分量画出时域波形图及其频谱图并进行频谱分析获取所需目标生命体征信号。本发明通过变分模态分解算法能够有效地分离单目标及多目标生命体征信号中分离和提取。

Description

基于VMD的人体生命体征信号分离方法
技术领域
本发明属于雷达技术领域，特别是一种基于VMD的人体生命体征信号分离方法。
背景技术
基本的生命体征信息主要指的是呼吸、心跳、血压和体温等，特别是呼吸和心跳信号是衡量人体健康状况的重要指标。同时生命体征是判断病人的病情轻重和危险程度的指正，体征参数的异常是引发医学突发紧急事件的重要原因。因而，对人体体征信息进行实时监测对于病人的及时救治和家庭医疗监护具有非常重要的意义。超宽带雷达体制的生命体征检测系统中，不管是单人的呼吸、心跳测量，还是多目标呼吸信号检测，其最重要的环节都在于不同频率信号的准确分离并提取。因此，选择恰当的信号处理技术从上述生命体征检测系统所采集到的信号中准确分离和提取不同频率的信号是该系统的关键所在。
传统时频分析方法几乎都有一些不足之处，并且，对于人体的生命体征信号来说其中单人呼吸和心跳信号的频率以及多人的呼吸信号频率很接近，而且心跳信号较为微弱，传统方法不能准确表示信号的频率关于每一个时间点上的变化，甚至于无法分辨出心跳、呼吸信号。对于最为经典的FFT变换来说，其要进行大量的实验获取数据并进行分析和处理，同时分辨率较低是最为致命的缺陷；采用小波分析的方法会产生许多谐波，这可能会掩盖微弱的心跳信号。经验模式分解EMD算法虽然在分辨率上有很大提高，但是对于噪声和采样很敏感，同时缺乏数学理论的支持。
发明内容
本发明的目的在于提供一种基于VMD的人体生命体征信号分离方法，以有效分离和恢复单目标和多目标人体生命体征信号。
实现本发明目的的技术解决方案为：一种基于VMD的人体生命体征信号分离方法，步骤如下：
步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号x(t)进行动目标检测、距离门切换和低通滤波得到目标生命体征时域信号f(t)；
步骤2，对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生命体征信号f(t)进行处理，分离出预设个数的模态分量；
步骤3，对步骤2中分离出的各个模态分量画出时域波形图并进行频谱分析获取所需目标生命体征信号。
进一步地，步骤1所述对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号x(t)进行动目标检测、距离门切换和低通滤波得到目标生命体征时域信号f(t)，具体如下：
(1.1)动目标检测：首先求得每个距离门内所有慢时采样点的平均值x1，此平均值x1为目标环境背景噪声，再将原信号对应相同的距离门中的每个采样点减去该平均值x1就得到含有目标运动信息的信号x1(t)；
(1.2)距离门切换：取固定窗长的点求平方和得到能量并取出最大值，该能量最大值对应的距离门为此时能量最大距离门；然后滑窗，进行同样处理得到一组能量最大距离门的数组，取该数组的众数即为最终的能量最大距离门；
(1.3)低通滤波：选取的距离门时域信号携带有高频噪声，引入一个低通滤波器h(n)滤除该高频噪声。
进一步地，步骤2中所述对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生命体征信号f(t)进行处理，分离出预设个数的模态分量，具体如下：
(2.1)对步骤1得到的生命体征信号f(t)进行镜像延拓，进行傅立叶变换将频谱搬移至频谱中心，再将频谱前一半取零，得到搬移至频谱中心的扩展信号频谱
(2.2)初始化K个模态各模态对应中心频率拉格朗日乘子和迭代次数n；其中对于单目标，模态个数K取4；多目标时模态个数K取2×D+2，D表示目标个数；
(2.3)计算更新模态i表示第i个，1≤i≤K，1≤k≤K，α表示数据保真平衡参数；
(2.4)计算更新中心频率
(2.5)计算更新朗格朗日乘子τ表示双上升时间步长；
(2.6)如果或n＞N，则迭代停止，否则返回执行步骤(2.3)-(2.5)，ε表示判别约束条件，ε＞0，N表示迭代截止次数；
(2.7)将获得的K个模态先进行逆傅里叶变换，最后解除镜像延拓使各分量恢复与原信号f(t)相同的时域长度。
本发明与现有技术相比，其显著优点为：(1)先采取传统方法获取原始目标生命体征信号，然后利用变分模态分解算法分离单目标生命体征信号中的呼吸和心跳信号分离以及多目标生命体征信号中的呼吸信号；(2)对于噪声和采样具有较强的鲁棒性，能够保证较好的分辨率以便分离不同频率又很接近的信号，有效可靠、分离效果优异。
下面结合说明书附图对本发明做进一步说明。
附图说明
图1为本发明基于VMD的人体生命体征信号分离方法流程图，其中(a)为单目标人体生命体征信号分离方法流程图，(b)为多目标人体生命体征信号分离方法流程图。
图2为本发明中由采集数据获得的雷达回波信号能量图。
图3为本发明中未经VMD算法处理的多目标生命体征信号。
图4为本发明中经过VMD算法处理的各模态时域波形图，其中(a)为A的呼吸波形图，(b)为B的呼吸波形图。
图5为本发明中经过VMD算法处理的分离出的目标生命体征信号频谱图，其中(a)为A的呼吸频谱图，(b)为B的呼吸频谱图。
具体实施方式
结合图1，本发明基于VMD的人体生命体征信号分离方法，其中图1(a)为单目标人体生命体征信号分离方法流程图，图1(b)为多目标人体生命体征信号分离方法流程图。步骤如下：
步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号x(t)进行动目标检测、距离门切换和低通滤波得到目标生命体征时域信号f(t)；
(1.1)动目标检测：首先求得每个距离门内所有慢时采样点的平均值x1，此平均值x1为目标环境背景噪声，再将原信号对应相同的距离门中的每个采样点减去该平均值x1就得到含有目标运动信息的信号x1(t)；
(1.2)距离门切换：取固定窗长的点求平方和得到能量并取出最大值，如在512距离门取窗长为2048点，该能量最大值对应的距离门为此时能量最大距离门；然后滑窗，进行同样处理得到一组能量最大距离门的数组，取该数组的众数即为最终的能量最大距离门；
(1.3)低通滤波：选取的距离门时域信号携带有高频噪声，为了滤除该高频噪声同时防止其影响多目标生命体征信号频率的准确提取和分离，引入一个低通滤波器h(n)滤除该高频噪声，该滤波器采用低通FIR滤波器，滤波器参数为：通带截止频率Ωp为1Hz、阻带截止频率Ωs为10Hz、通带纹波δp为0.01dB以及阻带衰减δs为80dB。
步骤2，对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生命体征信号f(t)进行处理，分离出预设个数的模态分量，具体如下：
(2.1)对步骤1得到的生命体征信号f(t)进行镜像延拓，进行傅立叶变换将频谱搬移至频谱中心，再将频谱前一半取零，得到搬移至频谱中心的扩展信号频谱
(2.2)初始化K个模态各模态对应中心频率拉格朗日乘子和迭代次数n；其中对于单目标，模态个数K取4；多目标时模态个数K取2×D+2，D表示目标个数；
(2.3)计算更新模态i表示第i个，1≤i≤K，1≤k≤K，α表示数据保真平衡参数；
(2.4)计算更新中心频率
(2.5)计算更新朗格朗日乘子τ表示双上升时间步长；
(2.6)如果或n＞N，则迭代停止，否则返回执行步骤(2.3)-(2.5)，ε表示判别约束条件，ε＞0，N表示迭代截止次数；
(2.7)将获得的K个模态先进行逆傅里叶变换，最后解除镜像延拓使各分量恢复与原信号f(t)相同的时域长度。
步骤3，对步骤2中分离出的各个模态分量画出时域波形图并进行频谱分析获取所需目标生命体征信号。
通过步骤2中变分模态分解算法的处理之后，可以得到模态数目预先定义好的n个模态，对所有模态求取频率信息并根据已知的被测多目标生命体征信号频率信息进行判决，最后得到各个被测目标对应的生命体征信号。通过以上步骤最后就能得到分离的目标生命体征信号。
首先通过超宽带雷达生命体征检测系统获取包含有多目标人体生命体征信号的雷达回波信号数据，得到雷达回波信号的能量图，图2是为由采集数据画出的信号能量图；接着对雷达回波信号进行动目标检测、距离门切换和低通滤波得到未经VMD算法处理的目标生命体征信号即如图3所示；为准确分离和恢复不同频率的生命体征信号，引进VMD算法进行处理。对图3利用VMD算法进行分解处理得到经过VMD算法处理的各模态时域波形图即图4，其中图4(a)为A的呼吸波形图，图4(b)为B的呼吸波形图。再对图4进行傅立叶变换处理得到经过VMD算法处理的分离出的目标生命体征信号频谱图即图5，其中图5(a)为A的呼吸频谱图，图5(b)为B的呼吸频谱图。
综上所述，本发明先采取传统方法获取原始目标生命体征信号，然后利用变分模态分解算法分离单目标生命体征信号中的呼吸和心跳信号分离以及多目标生命体征信号中的呼吸信号，有效可靠、分离效果优异。

Claims (3)

1.一种基于VMD的人体生命体征信号分离方法，其特征在于，步骤如下：
步骤1，对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号x(t)进行动目标检测、距离门切换和低通滤波得到目标生命体征时域信号f(t)；
步骤2，对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生命体征信号f(t)进行处理，分离出预设个数的模态分量；
步骤3，对步骤2中分离出的各个模态分量画出时域波形图并进行频谱分析获取所需目标生命体征信号。
2.根据权利要求书1所述的基于VMD的人体生命体征信号分离方法，其特征在于，步骤1所述对由基于超宽带雷达的非接触式生命体征检测系统获得的雷达回波信号x(t)进行动目标检测、距离门切换和低通滤波得到目标生命体征时域信号f(t)，具体如下：
(1.1)动目标检测：首先求得每个距离门内所有慢时采样点的平均值x1，此平均值x1为目标环境背景噪声，再将原信号对应相同的距离门中的每个采样点减去该平均值x1就得到含有目标运动信息的信号x1(t)；
(1.2)距离门切换：取固定窗长的点求平方和得到能量并取出最大值，该能量最大值对应的距离门为此时能量最大距离门；然后滑窗，进行同样处理得到一组能量最大距离门的数组，取该数组的众数即为最终的能量最大距离门；
(1.3)低通滤波：选取的距离门时域信号携带有高频噪声，引入一个低通滤波器h(n)滤除该高频噪声。
3.根据权利要求书1所述的基于VMD的人体生命体征信号分离方法，其特征在于，步骤2中所述对步骤1获得的目标生命体征信号采用VMD即变分模态分解算法对目标生命体征信号f(t)进行处理，分离出预设个数的模态分量，具体如下：
(2.1)对步骤1得到的生命体征信号f(t)进行镜像延拓，进行傅立叶变换将频谱搬移至频谱中心，再将频谱前一半取零，得到搬移至频谱中心的扩展信号频谱
(2.2)初始化K个模态各模态对应中心频率拉格朗日乘子和迭代次数n；其中对于单目标，模态个数K取4；多目标时模态个数K取2×D+2，D表示目标个数；
(2.3)计算更新模态i表示第i个，1≤i≤K，1≤k≤K，α表示数据保真平衡参数；
(2.4)计算更新中心频率
(2.5)计算更新朗格朗日乘子τ表示双上升时间步长；
(2.6)如果或n＞N，则迭代停止，否则返回执行步骤(2.3)-(2.5)，ε表示判别约束条件，ε＞0，N表示迭代截止次数；
(2.7)将获得的K个模态先进行逆傅里叶变换，最后解除镜像延拓使各分量恢复与原信号f(t)相同的时域长度。
CN201610269283.9A 2016-04-27 2016-04-27 基于vmd的人体生命体征信号分离方法 Active CN105956388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610269283.9A CN105956388B (zh) 2016-04-27 2016-04-27 基于vmd的人体生命体征信号分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610269283.9A CN105956388B (zh) 2016-04-27 2016-04-27 基于vmd的人体生命体征信号分离方法

Publications (2)

Publication Number Publication Date
CN105956388A true CN105956388A (zh) 2016-09-21
CN105956388B CN105956388B (zh) 2018-11-13

Family

ID=56916843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610269283.9A Active CN105956388B (zh) 2016-04-27 2016-04-27 基于vmd的人体生命体征信号分离方法

Country Status (1)

Country Link
CN (1) CN105956388B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106859648A (zh) * 2016-12-21 2017-06-20 湖南华诺星空电子技术有限公司 基于非接触式检测的多目标人体呼吸信号监测方法及装置
CN107907542A (zh) * 2017-10-25 2018-04-13 天津大学 一种ivmd及能量估计相结合的dspi相位滤波方法
CN108056773A (zh) * 2017-12-11 2018-05-22 重庆邮电大学 基于改进变分模态分解的心电信号qrs波群检测算法
CN108614259A (zh) * 2018-05-02 2018-10-02 电子科技大学 一种基于超宽带雷达传感器的心跳呼吸特征监测方法
CN108845306A (zh) * 2018-07-05 2018-11-20 南京信息工程大学 基于变分模态分解的激光雷达回波信号去噪方法
CN108888249A (zh) * 2018-06-07 2018-11-27 北京邮电大学 一种非接触式车内多人生命体征监测的方法及装置
CN109473166A (zh) * 2018-11-14 2019-03-15 山东中医药大学 一种基于多网融合的智能远程医疗护理系统及方法
CN110187342A (zh) * 2019-05-14 2019-08-30 南京理工大学 一种基于fmcw移动平台的生命体征检测与成像方法
CN112674740A (zh) * 2020-12-22 2021-04-20 北京工业大学 一种基于毫米波雷达的生命体征检测方法
CN113116320A (zh) * 2021-04-23 2021-07-16 东南大学 一种基于vmd的fmcw雷达生命信号检测方法
CN113640792A (zh) * 2021-07-06 2021-11-12 南京理工大学 一种基于机器学习的车内生命体毫米波雷达检测方法
CN114305354A (zh) * 2021-12-31 2022-04-12 青岛海信日立空调系统有限公司 一种生命特征检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102018503A (zh) * 2010-10-21 2011-04-20 中国科学院深圳先进技术研究院 生命探测雷达中的呼吸与心跳信号的提取方法及装置
CN103529436A (zh) * 2013-10-12 2014-01-22 南京信息工程大学 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法
CN104644142A (zh) * 2015-02-05 2015-05-27 南京理工大学 一种非接触式生命体征监护的信号处理算法
CN105232026A (zh) * 2015-10-29 2016-01-13 无锡南理工科技发展有限公司 一种非接触式生命体征检测系统的心跳频率检测算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102018503A (zh) * 2010-10-21 2011-04-20 中国科学院深圳先进技术研究院 生命探测雷达中的呼吸与心跳信号的提取方法及装置
CN103529436A (zh) * 2013-10-12 2014-01-22 南京信息工程大学 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法
CN104644142A (zh) * 2015-02-05 2015-05-27 南京理工大学 一种非接触式生命体征监护的信号处理算法
CN105232026A (zh) * 2015-10-29 2016-01-13 无锡南理工科技发展有限公司 一种非接触式生命体征检测系统的心跳频率检测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
K DRAGOMIRETSKIY 等: "Variational Mode Decomposition", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106859648A (zh) * 2016-12-21 2017-06-20 湖南华诺星空电子技术有限公司 基于非接触式检测的多目标人体呼吸信号监测方法及装置
CN107907542A (zh) * 2017-10-25 2018-04-13 天津大学 一种ivmd及能量估计相结合的dspi相位滤波方法
CN108056773A (zh) * 2017-12-11 2018-05-22 重庆邮电大学 基于改进变分模态分解的心电信号qrs波群检测算法
CN108614259A (zh) * 2018-05-02 2018-10-02 电子科技大学 一种基于超宽带雷达传感器的心跳呼吸特征监测方法
CN108888249A (zh) * 2018-06-07 2018-11-27 北京邮电大学 一种非接触式车内多人生命体征监测的方法及装置
CN108845306B (zh) * 2018-07-05 2022-04-26 南京信息工程大学 基于变分模态分解的激光雷达回波信号去噪方法
CN108845306A (zh) * 2018-07-05 2018-11-20 南京信息工程大学 基于变分模态分解的激光雷达回波信号去噪方法
CN109473166A (zh) * 2018-11-14 2019-03-15 山东中医药大学 一种基于多网融合的智能远程医疗护理系统及方法
CN110187342A (zh) * 2019-05-14 2019-08-30 南京理工大学 一种基于fmcw移动平台的生命体征检测与成像方法
CN110187342B (zh) * 2019-05-14 2023-01-13 南京理工大学 一种基于fmcw移动平台的生命体征检测与成像方法
CN112674740A (zh) * 2020-12-22 2021-04-20 北京工业大学 一种基于毫米波雷达的生命体征检测方法
CN113116320A (zh) * 2021-04-23 2021-07-16 东南大学 一种基于vmd的fmcw雷达生命信号检测方法
CN113640792A (zh) * 2021-07-06 2021-11-12 南京理工大学 一种基于机器学习的车内生命体毫米波雷达检测方法
CN113640792B (zh) * 2021-07-06 2024-02-13 南京理工大学 一种基于机器学习的车内生命体毫米波雷达检测方法
CN114305354A (zh) * 2021-12-31 2022-04-12 青岛海信日立空调系统有限公司 一种生命特征检测方法及装置

Also Published As

Publication number Publication date
CN105956388B (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN105956388B (zh) 基于vmd的人体生命体征信号分离方法
Wang et al. A robust signal preprocessing framework for wrist pulse analysis
CN107788969B (zh) 一种心电信号中qrs波群的自动检测方法
Xu et al. Wavelet-based cascaded adaptive filter for removing baseline drift in pulse waveforms
CN106859648A (zh) 基于非接触式检测的多目标人体呼吸信号监测方法及装置
CN110338813B (zh) 一种基于频谱分析的无创血糖检测方法
Liu et al. A multi-step method with signal quality assessment and fine-tuning procedure to locate maternal and fetal QRS complexes from abdominal ECG recordings
CN106037694A (zh) 一种基于脉搏波的连续血压测量装置
CN105943012B (zh) 一种去除光电容积脉搏波信号中运动噪声的心率测量方法
CN102512157A (zh) 基于模型的动态心电图t波交替定量分析方法
CN105266800B (zh) 一种基于低信噪比条件下胎儿心电盲分离方法
CN108670238A (zh) 基于脑氧信号与血压信号的脑血流自主调节能力评价方法
CN111528821A (zh) 一种脉搏波中重搏波特征点识别方法
CN107361764A (zh) 一种心电信号特征波形r波的快速提取方法
Wijesinghe et al. A generalized preprocessing and feature extraction platform for scalp EEG signals on FPGA
Li et al. Optimum heart sound signal selection based on the cyclostationary property
Elbuni et al. ECG parameter extraction algorithm using (DWTAE) algorithm
Andrade et al. EMG decomposition and artefact removal
Zairi et al. Intelligent system for detecting cardiac arrhythmia on FPGA
CN114027804A (zh) 一种脉象诊断的方法、装置及可读存储介质
Garg et al. An effective method to identify various factors for denoising wrist pulse signal using wavelet denoising algorithm
CN113609975A (zh) 一种用于震颤检测的建模方法、手部震颤检测装置及方法
Tajane et al. Comparative analysis of mother wavelet functions with the ecg signals
CN112836647A (zh) 一种基于ppg信号的无创式甘油三酯估计系统
Ryu et al. Time-frequency analysis of electrohysterogram for classification of term and preterm birth

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant