CN106504475B - 基于脑电信号的疲劳驾驶检测方法 - Google Patents
基于脑电信号的疲劳驾驶检测方法 Download PDFInfo
- Publication number
- CN106504475B CN106504475B CN201610898005.XA CN201610898005A CN106504475B CN 106504475 B CN106504475 B CN 106504475B CN 201610898005 A CN201610898005 A CN 201610898005A CN 106504475 B CN106504475 B CN 106504475B
- Authority
- CN
- China
- Prior art keywords
- fatigue
- eeg signals
- rhythm
- degree
- neural network
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/06—Alarms for ensuring the safety of persons indicating a condition of sleep, e.g. anti-dozing alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Emergency Management (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于脑电信号的疲劳驾驶检测方法,包括以下步骤:S1:实时采集驾驶员在驾车时的脑电信号,并进行去除眨眼伪迹处理,获取EEG脑波信号;S2:对时域信号的EEG脑波进行转换,转换到频域,进而求得脑波中各个频域段特征脑波的能量值,再根据其相对能量的大小来确定疲劳程度;S3:设计BP神经网络分类器,进行识别疲劳程度的特征信号;S4:疲劳指数和疲劳程度的估计。本发明提出一种基于脑电信号的疲劳驾驶检测方法,通过对自发脑电信号进行脑电节律分析,实现实时判断驾驶员的疲劳状态,判断准确而且客观、直接。
Description
技术领域
本发明涉及疲劳驾驶检测领域,具体涉及一种基于脑电信号的疲劳驾驶检测方法。
背景技术
近年来,机动车、驾驶人持续增长,但社会的交通安全观念明显滞后,道路交通安全面临诸多挑战。为了预防疲劳驾驶,我国交通法规定连续驾驶4小时算疲劳驾驶。但由于个体间是有差异的,需要考虑到每个驾驶员在体质、生活状况等方面的不同,这种时间的限定在执行的时候比较难以把握。因此,需要对疲劳驾驶的产生机理和检测方法进行研究,疲劳驾驶检测方法分为以下三类:基于面部特征的检测方法,基于车辆行驶状态的检测方法,基于生理信号的检测方法。
通过面部表情特征检测驾驶员的疲劳程度,不会给驾驶员带来任何的行为干扰。但这种方法对视频检测技术的要求比较高,测量的准确性和可靠性等相关的技术需要突破。
基于车辆行驶特征的疲劳检测设备不需要接触驾驶员,同样的也不会干扰其正常驾驶,以车辆的现有装置为基础,只需增加少量的硬件设施而且不会对驾驶员的正常驾驶造成干扰,因此具有很高的实用价值。其缺点是受到车辆的具体型号、道路的具体状况和驾驶员的个人驾驶习惯、经验和条件的限制,并传感器技术的限制,其准确度有待提高。
驾驶员生理参数检测法的优点是客观性强,能比较准确地反映人体的疲劳状态,并且能够反映疲劳的程度。虽然生理信号测量需要接触人的身体,检测设备会干扰驾驶员的正常操作,影响行车安全。并且,由于个体间的差异,不同人的生理信号特征会有所不同,有的区别相当大,所以有很大的局限性。但是随着传感器制造技术的进步及各种新型智能生物传感器的发展,基于驾驶员生理参数的疲劳驾驶检测方法将以其在疲劳检测精确性方面的优势,在舒适性、可靠性和实用性方面得到进一步改善和提高,并将在未来疲劳驾驶融合检测中发挥更重要的作用。
发明内容
本发明要解决的技术问题是提供一种基于脑电信号的疲劳驾驶检测方法。
基于脑电信号的疲劳驾驶检测方法,包括以下步骤:
S1:实时采集驾驶员在驾车时的脑电信号,并进行去除眨眼伪迹处理,获取EEG脑波信号;
S1-1:对脑电信号进行ICA,得到N个独立成分和混合矩阵A;
S1-2:计算每个成分的CBI(j);
S1-3:找出CBI最大的成分,把它当作候选成分;
S1-4:检查候选成分是否满足相关条件,如果满足,则是眨眼成分,否则不是;
S1-5:确定眨眼成分之后,把矩阵A中对应眨眼成分的那一列系数置为零,然后重构信号;
S2:对时域信号的EEG脑波进行转换,转换到频域,进而求得脑波中各个频域段特征脑波的能量值,再根据其相对能量的大小来确定疲劳程度,具体方法如下:
S2-1:对EEG脑波进行傅里叶变换后求得功率谱密度,将脑电信号分解为4个基本节律,即δ节律、θ节律、σ节律和β节律,δ节律、θ节律、σ节律和β节律所对应的频率范围分别是1-3.8Hz、4-7.8Hz、8-12.8Hz、13-30Hz;
S2-2:当σ节律和β节律呈主导优势时,表明人的意识是清醒的,当δ节律和θ节律占主导优势时,表明人的意识模糊甚至轻微睡眠;
S3:设计BP神经网络分类器,进行识别疲劳程度的特征信号,具体方法如下:
S3-1:建立BP网络对象;
S3-2:确定网络种类以及网络层数,采用具有一个隐含层的三层BP神经网络;
S3-3:确定传递函数,采用S型传递函数;
S3-4:确定输入层和输出层神经元个数,输入神经元个数确定为4个,输出神经元个数确定为1个;
S3-5:确定隐含层神经元个数,确定公式如下:
其中m为输入层神经元个数,n为输出层神经元个数;
根据上述公式确定隐含层神经元个数的范围为4《h《13;
S3-6:选取初始值,选取初始权值在(-1,1)之间的随机数;
S3-7:确定训练函数,使用“Trainrp”函数作为网络的训练函数;
S3-8:选取学习速率η,选取范围在0.01-0.8之间;
S3-9:选取动量因子α,选取范围在0-1之间;
S3-10:神经网络的训练与测试,采用清醒和疲劳时的样本数据作为训练集;再选取清醒时采集的样本和疲劳时采集的样本作为测试数据集。
S4:疲劳指数和疲劳程度的估计,具体方法如下:
S4-1:疲劳指数F的计算方法如下:
其中,Eδ、Eθ、Eα和Eβ分别是δ节律、θ节律、σ节律和β节律的能量值;
S4-2:疲劳指数的疲劳程度(P)计算公式如下:
S4-3:当F=1时,即脑波中Eδ+Eθ=Eα+Eβ,表明占清醒地位和疲劳地位的脑波成分均等,即疲劳程度为0.5即对应50%;
当F趋近于10时,P则趋近于1,表示疲劳程度已经趋近100%。
进一步的,所述隐含层神经元个数为8时BP网络对函数的逼近效果最好。
进一步的,所述学习效率η确定为0.1为最佳。
进一步的,所述动量因子α确定为0.9最佳。
本发明的有益效果是:
本发明提出一种基于脑电信号的疲劳驾驶检测方法,通过对自发脑电信号进行脑电节律分析,实现实时判断驾驶员的疲劳状态,判断准确而且客观、直接。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
基于脑电信号的疲劳驾驶检测方法,包括以下步骤:
S1:实时采集驾驶员在驾车时的脑电信号,并进行去除眨眼伪迹处理,获取EEG脑波信号;
S1-1:对脑电信号进行ICA,得到N个独立成分和混合矩阵A;
S1-2:计算每个成分的CBI(j);
S1-3:找出CBI最大的成分,把它当作候选成分;
S1-4:检查候选成分是否满足相关条件,如果满足,则是眨眼成分,否则不是;
S1-5:确定眨眼成分之后,把矩阵A中对应眨眼成分的那一列系数置为零,然后重构信号;
S2:对时域信号的EEG脑波进行转换,转换到频域,进而求得脑波中各个频域段特征脑波的能量值,再根据其相对能量的大小来确定疲劳程度,具体方法如下:
S2-1:对EEG脑波进行傅里叶变换后求得功率谱密度,将脑电信号分解为4个基本节律,即δ节律、θ节律、σ节律和β节律,δ节律、θ节律、σ节律和β节律所对应的频率范围分别是1-3.8Hz、4-7.8Hz、8-12.8Hz、13-30Hz;
S2-2:当σ节律和β节律呈主导优势时,表明人的意识是清醒的,当δ节律和θ节律占主导优势时,表明人的意识模糊甚至轻微睡眠;
S3:设计BP神经网络分类器,进行识别疲劳程度的特征信号,具体方法如下:
S3-1:建立BP网络对象;
S3-2:确定网络种类以及网络层数,采用具有一个隐含层的三层BP神经网络;
S3-3:确定传递函数,采用S型传递函数;
S3-4:确定输入层和输出层神经元个数,输入神经元个数确定为4个,输出神经元个数确定为1个;
S3-5:确定隐含层神经元个数,确定公式如下:
其中m为输入层神经元个数,n为输出层神经元个数;
根据上述公式确定隐含层神经元个数的范围为4《h《13;隐含层神经元个数为8时BP网络对函数的逼近效果最好;
S3-6:选取初始值,选取初始权值在(-1,1)之间的随机数;
S3-7:确定训练函数,使用“Trainrp”函数作为网络的训练函数;
S3-8:选取学习速率η,选取范围在0.01-0.8之间;所述学习效率η确定为0.1为最佳;
S3-9:选取动量因子α,选取范围在0-1之间;动量因子α确定为0.9最佳;
S3-10:神经网络的训练与测试,采用清醒和疲劳时的样本数据作为训练集;再选取清醒时采集的样本和疲劳时采集的样本作为测试数据集。
S4:疲劳指数和疲劳程度的估计,具体方法如下:
S4-1:疲劳指数F的计算方法如下:
其中,Eδ、Eθ、Eα和Eβ分别是δ节律、θ节律、σ节律和β节律的能量值;
S4-2:疲劳指数的疲劳程度(P)计算公式如下:
S4-3:当F=1时,即脑波中Eδ+Eθ=Eα+Eβ,表明占清醒地位和疲劳地位的脑波成分均等,即疲劳程度为0.5即对应50%;
当F趋近于10时,P则趋近于1,表示疲劳程度已经趋近100%。
实验1神经网络的训练与测试。
采用清醒和疲劳时的各90个样本数据作为训练集;再选取清醒时采集的112个样本和疲劳时采集的109个样本作为测试数据集。训练结果和测试结果如下:
1)训练一个经过了10步达到了小于目标误差0.01的要求;
2)测试集221组样本的测试结果共有8个样本分类错误,起中国误把清醒时采集的数据划分为疲劳的共2处,误把疲劳时采集的数据划分为清醒的共6处,分类正确率达96.38%。
实验2通过模拟驾驶系统设计模拟驾驶实验,来验证本发明的疲劳驾驶检测方法的正确性与有效性。
安排6名受试者进行实验,年龄介于20-30周岁之间,男女各3名。第一阶段,让受试者熟悉模拟驾驶系统操作,约15-30分钟后,对受试者进行脑电信号的采集和疲劳程度的检测。第二阶段,要求受试者进行连续4小时以上的模拟驾驶过程,并再次使用本发明的疲劳驾驶方法进行脑电采集和疲劳检测,检测结果如下:
1)第一阶段下,男性的疲劳检测结果的平均疲劳程度为7.8%,女性的疲劳检测结果的平均疲劳程度为15.3%;
2)第二阶段经过4小时的连续模拟驾驶之后,男性的疲劳检测结果的平均疲劳程度达到43.6%,女性的疲劳检测结果的平均疲劳程度为76.4%。
Claims (4)
1.基于脑电信号的疲劳驾驶检测方法,其特征在于,包括以下步骤:
S1:实时采集驾驶员在驾车时的脑电信号,并进行去除眨眼伪迹处理;
S1-1:对采集到的脑电信号进行ICA,得到N个独立成分和混合矩阵A;
S1-2:引入一个指标:Correlation based Index,简称CBI,计算每个成分的CBI(j);
S1-3:找出CBI最大的成分,把它当作候选成分;
S1-4:检查候选成分是否满足眨眼条件,如果满足,则是眨眼成分,否则不是;
S1-5:确定眨眼成分之后,把矩阵A中对应眨眼成分的那一列系数置为零,然后重构脑电信号;
S2:对时域的脑电信号进行转换,转换到频域,进而求得脑电信号中各个频域段特征脑电信号的能量值,再根据其相对能量的大小来确定疲劳程度,具体方法如下:
S2-1:对脑电信号进行傅里叶变换后求得功率谱密度,将脑电信号分解为4个基本节律,即δ节律、θ节律、σ节律和β节律,δ节律、θ节律、σ节律和β节律所对应的频率范围分别是1-3.8Hz、4-7.8Hz、8-12.8Hz、13-30Hz;
S2-2:当σ节律和β节律呈主导优势时,表明人的意识是清醒的,当δ节律和θ节律占主导优势时,表明人的意识模糊甚至轻微睡眠;
S3:设计BP神经网络分类器,对脑电信号进行疲劳程度的分类识别,具体方法如下:
S3-1:建立BP神经网络对象;
S3-2:确定网络种类以及网络层数,采用具有一个隐含层的三层BP神经网络;
S3-3:确定传递函数,采用S型传递函数;
S3-4:确定输入层和输出层神经元个数,输入神经元个数确定为4个,输出神经元个数确定为1个;
S3-5:确定隐含层神经元个数,确定公式如下:
其中m为输入层神经元个数,n为输出层神经元个数;
根据上述公式确定隐含层神经元个数的范围为4≤h≤13;
S3-6:选取初始值,选取初始权值在(-1,1)之间的随机数;
S3-7:确定训练函数,使用“Trainrp”函数作为BP神经网络的训练函数;
S3-8:选取学习速率η,选取范围在0.01-0.8之间;
S3-9:选取动量因子α,选取范围在0-1之间;
S3-10:BP神经网络的训练与测试,采用清醒和疲劳时的样本数据作为训练集;再选取清醒时采集的样本和疲劳时采集的样本作为测试数据集;
S4:疲劳指数和疲劳程度的估计,具体方法如下:
S4-1:疲劳指数F的计算方法如下:
其中,Eδ、Eθ、Eα和Eβ分别是δ节律、θ节律、σ节律和β节律的能量值;
S4-2:疲劳指数的疲劳程度(P)计算公式如下:
S4-3:当F=1时,即脑电信号中Eδ+Eθ=Eα+Eβ,表明占清醒地位和疲劳地位的脑电信号成分均等,即疲劳程度为0.5即对应50%;
当F趋近于10时,P则趋近于1,表示疲劳程度已经趋近100%。
2.根据权利要求1所述的疲劳驾驶检测方法,其特征在于,所述隐含层神经元个数为8时BP神经网络对函数的逼近效果最好。
3.根据权利要求1所述的疲劳驾驶检测方法,其特征在于,所述学习速率η确定为0.1为最佳。
4.根据权利要求1所述的疲劳驾驶检测方法,其特征在于,所述动量因子α确定为0.9最佳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610898005.XA CN106504475B (zh) | 2016-10-15 | 2016-10-15 | 基于脑电信号的疲劳驾驶检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610898005.XA CN106504475B (zh) | 2016-10-15 | 2016-10-15 | 基于脑电信号的疲劳驾驶检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106504475A CN106504475A (zh) | 2017-03-15 |
CN106504475B true CN106504475B (zh) | 2019-05-10 |
Family
ID=58294008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610898005.XA Active CN106504475B (zh) | 2016-10-15 | 2016-10-15 | 基于脑电信号的疲劳驾驶检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106504475B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107320115B (zh) * | 2017-07-04 | 2020-03-17 | 重庆大学 | 一种自适应的精神疲劳评估装置及方法 |
CN109124625B (zh) * | 2018-09-04 | 2021-07-20 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
CN109480872B (zh) * | 2018-11-08 | 2021-09-17 | 哈尔滨工业大学 | 基于脑电信号频带能量比特征的驾驶疲劳检测方法 |
CN109801475A (zh) * | 2019-01-30 | 2019-05-24 | 浙江强脑科技有限公司 | 疲劳驾驶检测方法、装置及计算机可读存储介质 |
CN110333777B (zh) * | 2019-05-20 | 2020-11-20 | 北京大学 | 一种利用内源性频率标记技术反映大脑脑部信号的脑机接口方法及系统 |
CN110413128A (zh) * | 2019-08-12 | 2019-11-05 | 浙江强脑科技有限公司 | 基于脑电数据的汽车控制方法、装置和存储介质 |
CN111046779A (zh) * | 2019-12-06 | 2020-04-21 | 江苏理工学院 | 基于单通道脑电信号的有意眨眼识别方法及装置 |
CN111209815B (zh) * | 2019-12-28 | 2023-08-22 | 杭州电子科技大学 | 一种基于动量优化的bp神经网络的非接触式疲劳驾驶检测方法 |
CN112426162A (zh) * | 2020-11-23 | 2021-03-02 | 重庆邮电大学 | 一种基于脑电信号节律熵的疲劳检测方法 |
CN113180705A (zh) * | 2021-04-07 | 2021-07-30 | 北京脑陆科技有限公司 | 一种基于eeg脑波的疲劳检测方法、系统 |
CN113261974A (zh) * | 2021-06-07 | 2021-08-17 | 吉林大学 | 一种基于多生理信号的运动疲劳监测方法 |
CN114435373B (zh) * | 2022-03-16 | 2023-12-22 | 一汽解放汽车有限公司 | 疲劳驾驶检测方法、装置、计算机设备和存储介质 |
CN115137370A (zh) * | 2022-06-01 | 2022-10-04 | 天津工业大学 | 一种基于脑电信号的疲劳监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101596101A (zh) * | 2009-07-13 | 2009-12-09 | 北京工业大学 | 依据脑电信号判定疲劳状态的方法 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测系统 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002951605A0 (en) * | 2002-09-24 | 2002-10-10 | University Of Technology, Sydney | Eeg-based fatigue detection |
-
2016
- 2016-10-15 CN CN201610898005.XA patent/CN106504475B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101596101A (zh) * | 2009-07-13 | 2009-12-09 | 北京工业大学 | 依据脑电信号判定疲劳状态的方法 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测系统 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106504475A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504475B (zh) | 基于脑电信号的疲劳驾驶检测方法 | |
Lee et al. | Wearable glove-type driver stress detection using a motion sensor | |
Wu et al. | Pilots’ fatigue status recognition using deep contractive autoencoder network | |
CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN110796207A (zh) | 一种疲劳驾驶检测方法及系统 | |
CN109124625A (zh) | 一种驾驶员疲劳状态水平分级方法 | |
CN106913333B (zh) | 一种持续性注意水平的敏感性特征指标的选取方法 | |
CN109106384A (zh) | 一种心理压力状况预测方法及系统 | |
CN104182995B (zh) | 一种基于驾驶疲劳的高速公路路侧景观色彩评价方法 | |
CN103578480B (zh) | 负面情绪检测中的基于上下文修正的语音情感识别方法 | |
CN111513726A (zh) | 一种基于iht动态性能评估ams风险的系统 | |
You et al. | A study on driver fatigue recognition based on SVM method | |
Chen et al. | Driver vigilance detection for high-speed rail using fusion of multiple physiological signals and deep learning | |
Lv et al. | Compact vehicle driver fatigue recognition technology based on EEG signal | |
CN109833048B (zh) | 一种基于精神运动能力的警觉度测量方法 | |
CN109124619A (zh) | 一种使用多通道信息融合的个人情感唤醒度识别方法 | |
Yu et al. | A LSTM network-based learners’ monitoring model for academic self-efficacy evaluation using EEG signal analysis | |
CN114886433A (zh) | 一种具备环境适应能力的运动负荷评估方法 | |
Gupta et al. | Multimodal Wearable Sensors-based Stress and Affective States Prediction Model | |
CN108324272A (zh) | 一种基于lzc复杂度测查焦虑程度的装置 | |
CN114983434A (zh) | 一种基于多模态脑功能信号识别的系统及方法 | |
McMullin | Effects of counselor focusing on client self-experiencing under low attitudinal conditions. | |
CN111209816A (zh) | 一种基于正则极限学习机的非接触式疲劳驾驶检测方法 | |
Mohamed et al. | An approach in determining fatigueness and drowsiness detection using EEG | |
CN113729708A (zh) | 一种基于眼动技术的谎言评判方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211110 Address after: 532600 room 210, floor 2, supporting room, Pingxiang comprehensive free trade zone, Chongzuo City, Guangxi Zhuang Autonomous Region Patentee after: Guangxi Huatai International Freight Forwarding Co., Ltd Address before: 536000 No. 0801, building 3, Beibu Gulf science and technology entrepreneurship center, No. 45, Jin'an Avenue, Haicheng District, Beihai City, Guangxi Zhuang Autonomous Region Patentee before: Beihai Yishengyuan Agricultural Trade Co., Ltd |