CN106845464A - 一种基于样本熵的下背痛症状分类系统及方法 - Google Patents
一种基于样本熵的下背痛症状分类系统及方法 Download PDFInfo
- Publication number
- CN106845464A CN106845464A CN201710174488.3A CN201710174488A CN106845464A CN 106845464 A CN106845464 A CN 106845464A CN 201710174488 A CN201710174488 A CN 201710174488A CN 106845464 A CN106845464 A CN 106845464A
- Authority
- CN
- China
- Prior art keywords
- multifidus
- electromyographic signal
- sample entropy
- signal
- back pain
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供的基于样本熵的下背痛症状分类系统,对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,再求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果,本发明对采集得到的人体躯干弯曲运动过程中的脊柱周围核心肌肉多裂肌肌电信号,提取出的样本熵特征值,将腰椎退行性病症划分开,为人体肌肉生理信号系统和人体疾病综合系统评估方式提供了理论依据,科学客观,且操作简单,成本低廉。
Description
技术领域
本发明涉及一种基于样本熵的下背痛症状分类系统。
背景技术
腰椎间盘突出症在脊柱外科属于多发病的一种,主要是由于患者软骨板、纤维环以及髓核在高能量的撞击下,发生髓核突出以及纤维环破裂的现象,并可能对患者的神经根以及硬膜囊进行刺激,严重影响患者的日常生活。
目前,对腰椎间盘突出、腰肌筋膜炎等的诊断,主要是通过X光、CT扫描、MRI检查等,这些检查价格不等,一般的X光大概100元以上,CT扫面在300元到500元之间,而MRI则为1000元左右,通过这些检查结果,医生做出相应的诊断。这些检查这些诊断措施只能在医院进行,而对于初期症状不是很严重,或者症状很严重由于患者的经济条件和时间、距离、忍耐度等问题,使得很多人放弃去医院就医,这样会严重延误了患者的最佳治疗和康复疗效。。
发明专利201180034896.X提供了一种诊断椎间盘退行性疾病的方法,该方法利用背痛患者椎间盘之内或相邻位置标记炎症、血管、神经元或代谢疼痛标志,以成像的方式增加疼痛标志图像结合疼痛发生器或疑似疼痛发生器对患者进行诊断,该发明也是利用图像的手段对患者进行诊断,操作较为繁琐,也需要在医护人员的配合下完成,具有一定的局限性。
发明内容
基于此,有必要针对现有技术存在的缺陷,提供一种操作简单、科学客观的基于样本熵的下背痛症状分类系统。
为实现上述目的,本发明采用下述技术方案:
一种基于样本熵的下背痛症状分类系统,肌电信号采集模块,用于采集多个测试者的多裂肌肌电信号;
信号预处理模块,用于对所述多裂肌肌电信号进行预处理;
特征提取模块,用于对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,其中,左右侧多裂肌成对称位置分布在脊椎的两侧;及
分类模块,用于求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果。
在一些较佳实施例中,所述肌电信号采集模块包括:肌电信号采集单元、信号发射单元、信号接收单元及模数转换单元,其中:
肌电信号采集单元采集测试者运动过程的肌肉信息,并传输至所述信号发射单元中,所述信号发射单元再将所述肌肉信息发射给所述信号接收单元中,再通过所述模数转换单元转换后,将所述肌肉信息表现为肌肉特性的多裂肌肌电信号。
在一些较佳实施例中,所述肌电信号采集单元为BIOPAC MP150生理采集系统。
在一些较佳实施例中,所述预处理包括对所述多裂肌肌电信号进行滤波、去噪及归一化处理。
在一些较佳实施例中,所述滤波为采用切比雪夫带通滤波器对所述多裂肌肌电信号进行滤波处理。
在一些较佳实施例中,对预处理后的多裂肌肌电信号进行样本熵算法处理,包括:确定多裂肌肌电信号的最大模板长度m和匹配阈值r。
在一些较佳实施例中,所述多裂肌肌电信号的最大模板长度m为2和匹配阈值r为1.5。
另外,本发明还提供了一种基于样本熵的下背痛症状分类方法,包括下述步骤:
采集多个测试者的多裂肌肌电信号;
对所述多裂肌肌电信号进行预处理;
对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,其中,左右侧多裂肌成对称位置分布在脊椎的两侧;
求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果。
本发明采用上述技术方案的有益效果在于:
本发明提供的基于样本熵的下背痛症状分类系统,对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,再求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果,本发明对采集得到的人体躯干弯曲运动过程中的脊柱周围核心肌肉多裂肌肌电信号,提取出的样本熵特征值,将腰椎退行性病症划分开,为人体肌肉生理信号系统和人体疾病综合系统评估方式提供了理论依据,科学客观,且操作简单,成本低廉。
附图说明
图1为一实施方式提供的基于样本熵的下背痛症状分类系统的结构示意图。
图2为本发明一实施例提供的肌电信号采集模块的结构示意图。
图3(a)及(b)分别表示为处理前后的样本数据信号示意图。
图4(a)及(b)分别表示为m,r参数的选择示意图。
图5为本发明提供的基于样本熵的下背痛症状分类方法的步骤流程图。
图6为基于样本熵的下背痛症状分类系统分类得到的结果示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
如图1所示,一实施方式的基于样本熵的下背痛症状分类系统100,包括:肌电信号采集模块110、信号预处理模块120、特征提取模块130及分类模块140。其中:
所述肌电信号采集模块110用于采集多个测试者的多裂肌肌电信号。
请参阅图2,为本发明一实施例提供的肌电信号采集模块110结构示意图,包括:肌电信号采集单元111、信号发射单元112、信号接收单元113及模数转换单元114。
优选地,肌电信号采集单元111为BIOPAC MP150生理采集系统。在本发明提供的实施例中,采用BIOPAC MP150生理信号采集系统对57例测试者进行表面肌电信号的采集,其中19例腰椎间盘突出症患者、19例腰肌筋膜炎患者和19例健康对照者,三组在年龄、性别上匹配。测试者在医师的指导下,尽可能最大的向前弯曲躯干,弯到最大角度后返回站立位,在此过程中,实验人员采集测试者的多裂肌肌电信号。
可以理解,肌电信号采集单元111将采集测试者运动过程的肌肉信息,并传输至所述信号发射单元112,所述信号发射单元112再将所述肌肉信息发射给所述信号接收单元113,再通过所述模数转换单元114转换后,将所述肌肉信息表现为肌肉特性的多裂肌肌电信号,再发送至信号预处理模块120处理。
信号预处理模块120用于对所述多裂肌肌电信号进行预处理。
可以理解,由于皮肤表面的多裂肌肌电信号非常微弱,能量主要集中在10~500Hz频段,采集的信号中包含50Hz工频干扰,因此,需要对所述多裂肌肌电信号进行预处理。
优选地,所述预处理包括对所述多裂肌肌电信号进行滤波、去噪及归一化处理。
具体地,采用切比雪夫带通滤波器对信号进行能量集中处理后,再进行50Hz带阻去噪,为了避免采集的样本数据受其他参数的影响,满足统计学分析,需要对样本数据进行Z-score归一化处理,如图3(a)及(b),分别表示为处理前后的样本数据信号示意图。
特征提取模块130用于对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,其中,左右侧多裂肌成对称位置分布在脊椎的两侧。
可以理解,样本熵是时间序列复杂度的一种度量,样本熵值越低,序列自我相似性越高,样本熵值越大,序列越复杂。而对于表面肌电信号,样本熵算法的实现,需要确定最大模板长度m和匹配阈值r,通过对样本进行分析,肌电信号的在模板长度m=2时,样本熵值收敛,为了满足样本熵的统计意义,选择的匹配阈值需要符合样本熵最大相对误差最小,最终确定m值为2,r值为0.15,请参阅图4(a)及(b)分别表示为m,r参数的选择示意图。
分类模块140用于求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果。
请参阅图5,为本发明提供的基于样本熵的下背痛症状分类方法的步骤流程图,包括下述步骤:
步骤S110:采集多个测试者的多裂肌肌电信号;
步骤S120:对所述多裂肌肌电信号进行预处理;
步骤S130:对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,其中,左右侧多裂肌成对称位置分布在脊椎的两侧;
步骤S140:求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果。
上述基于样本熵的下背痛症状分类方法详细技术方案在本发明提供的分类系统中已有详细描述,这里不再赘述。
本发明提供的基于样本熵的下背痛症状分类系统和方法,通过肌电信号采集模块110采集多裂肌肌电信号,信号预处理模块120对多裂肌肌电信号进行预处理,特征提取模块130对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,分类模块140再求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果,本发明对采集得到的人体躯干弯曲运动过程中的脊柱周围核心肌肉多裂肌肌电信号,提取出的样本熵特征值,将腰椎退行性病症划分开,为人体肌肉生理信号系统和人体疾病综合系统评估方式提供了理论依据,科学客观,且操作简单,成本低廉。
以下结合实施例对本发明上述提供的基于样本熵的下背痛症状分类系统和方法进行详细说明。
实施例
采用本发明提供的基于样本熵的下背痛症状分类系统对57例测试者进行表面肌电信号的采集,其中19例腰椎间盘突出症患者、19例腰肌筋膜炎患者和19例健康对照者,三组在年龄、性别上匹配。测试者在医师的指导下,尽可能最大的向前弯曲躯干,弯到最大角度后返回站立位,在此过程中,实验人员采集测试者的多裂肌肌电信号,再对上述57类多裂肌肌电信号进行预处理后进行样本熵算法处理,得到57例测试者的左右侧多裂肌肌电信号样本熵特征值,再求取57个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果。
请参阅图6,为基于样本熵的下背痛症状分类系统分类得到的结果示意图,图6表明腰椎间盘突出症患者与腰肌筋膜炎患者以及健康者之间存在不同的特性,所以可以通过本装置来诊断腰椎退行性病症患者。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于样本熵的下背痛症状分类系统,其特征在于,包括:
肌电信号采集模块,用于采集多个测试者的多裂肌肌电信号;
信号预处理模块,用于对所述多裂肌肌电信号进行预处理;
特征提取模块,用于对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,其中,左右侧多裂肌成对称位置分布在脊椎的两侧;及
分类模块,用于求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果。
2.根据权利要求1所述的基于样本熵的下背痛症状分类系统,其特征在于,所述肌电信号采集模块包括:肌电信号采集单元、信号发射单元、信号接收单元及模数转换单元,其中:
肌电信号采集单元采集测试者运动过程的肌肉信息,并传输至所述信号发射单元中,所述信号发射单元再将所述肌肉信息发射给所述信号接收单元中,再通过所述模数转换单元转换后,将所述肌肉信息表现为肌肉特性的多裂肌肌电信号。
3.根据权利要求2所述的基于样本熵的下背痛症状分类系统,其特征在于,所述肌电信号采集单元为BIOPAC MP150生理采集系统。
4.根据权利要求1所述的基于样本熵的下背痛症状分类系统,其特征在于,所述预处理包括对所述多裂肌肌电信号进行滤波、去噪及归一化处理。
5.根据权利要求4所述的基于样本熵的下背痛症状分类系统,其特征在于,所述滤波为采用切比雪夫带通滤波器对所述多裂肌肌电信号进行滤波处理。
6.根据权利要求1所述的基于样本熵的下背痛症状分类系统,其特征在于,对预处理后的多裂肌肌电信号进行样本熵算法处理,包括:确定多裂肌肌电信号的最大模板长度m和匹配阈值r。
7.根据权利要求6所述的基于样本熵的下背痛症状分类系统,其特征在于,所述多裂肌肌电信号的最大模板长度m为2和匹配阈值r为1.5。
8.一种基于样本熵的下背痛症状分类方法,其特征在于,包括下述步骤:
采集多个测试者的多裂肌肌电信号;
对所述多裂肌肌电信号进行预处理;
对预处理后的多裂肌肌电信号进行样本熵算法处理,获取多个测试者的左右侧多裂肌肌电信号样本熵特征值,其中,左右侧多裂肌成对称位置分布在脊椎的两侧;
求取所述多个测试者的左右侧多裂肌肌电信号样本熵特征值的平均值,并以所述平均值作为每个测试者的整体特征参数,再通过K均值聚类算法分析得不同病症分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710174488.3A CN106845464A (zh) | 2017-03-22 | 2017-03-22 | 一种基于样本熵的下背痛症状分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710174488.3A CN106845464A (zh) | 2017-03-22 | 2017-03-22 | 一种基于样本熵的下背痛症状分类系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845464A true CN106845464A (zh) | 2017-06-13 |
Family
ID=59129327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710174488.3A Pending CN106845464A (zh) | 2017-03-22 | 2017-03-22 | 一种基于样本熵的下背痛症状分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845464A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107661101A (zh) * | 2017-08-14 | 2018-02-06 | 中国科学院深圳先进技术研究院 | 一种疼痛识别方法、装置及电子设备 |
WO2018170788A1 (zh) * | 2017-03-22 | 2018-09-27 | 中国科学院深圳先进技术研究院 | 一种基于样本熵的下背痛症状分类系统及方法 |
CN109214431A (zh) * | 2018-08-15 | 2019-01-15 | 深圳先进技术研究院 | 样本训练方法、分类方法、识别方法、装置、介质及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482773A (zh) * | 2009-01-16 | 2009-07-15 | 中国科学技术大学 | 一种多通道无线表面肌电信号采集装置及系统 |
CN202102276U (zh) * | 2011-03-18 | 2012-01-04 | 陈勋 | 一种基于无线表面肌电信号的遥控装置 |
CN103735263A (zh) * | 2013-11-18 | 2014-04-23 | 浙江大学 | 阵列式表面肌电图像采集器及采集方法 |
CN104055529A (zh) * | 2014-06-19 | 2014-09-24 | 西南大学 | 一种计算情感心电信号标度指数的方法 |
CN106333682A (zh) * | 2016-10-10 | 2017-01-18 | 天津大学 | 基于脑电非线性动力学特征的急性缺血性丘脑卒中早期诊断方法 |
-
2017
- 2017-03-22 CN CN201710174488.3A patent/CN106845464A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482773A (zh) * | 2009-01-16 | 2009-07-15 | 中国科学技术大学 | 一种多通道无线表面肌电信号采集装置及系统 |
CN202102276U (zh) * | 2011-03-18 | 2012-01-04 | 陈勋 | 一种基于无线表面肌电信号的遥控装置 |
CN103735263A (zh) * | 2013-11-18 | 2014-04-23 | 浙江大学 | 阵列式表面肌电图像采集器及采集方法 |
CN104055529A (zh) * | 2014-06-19 | 2014-09-24 | 西南大学 | 一种计算情感心电信号标度指数的方法 |
CN106333682A (zh) * | 2016-10-10 | 2017-01-18 | 天津大学 | 基于脑电非线性动力学特征的急性缺血性丘脑卒中早期诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018170788A1 (zh) * | 2017-03-22 | 2018-09-27 | 中国科学院深圳先进技术研究院 | 一种基于样本熵的下背痛症状分类系统及方法 |
CN107661101A (zh) * | 2017-08-14 | 2018-02-06 | 中国科学院深圳先进技术研究院 | 一种疼痛识别方法、装置及电子设备 |
CN109214431A (zh) * | 2018-08-15 | 2019-01-15 | 深圳先进技术研究院 | 样本训练方法、分类方法、识别方法、装置、介质及系统 |
CN109214431B (zh) * | 2018-08-15 | 2022-02-01 | 深圳先进技术研究院 | 样本训练方法、分类方法、识别方法、装置、介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roy et al. | A combined sEMG and accelerometer system for monitoring functional activity in stroke | |
Papagiannis et al. | Methodology of surface electromyography in gait analysis: review of the literature | |
CN107137080A (zh) | 慢性腰痛患者肌肉活动状态判断方法及系统 | |
CN109615633A (zh) | 一种基于深度学习的肠镜下克罗恩病辅助诊断系统及方法 | |
CN101522099A (zh) | 利用高频qrs电位分析识别心肌缺血的装置和方法 | |
CN111568446A (zh) | 结合人口学注意力机制的便携式脑电抑郁检测系统 | |
CN106845464A (zh) | 一种基于样本熵的下背痛症状分类系统及方法 | |
CN107506605A (zh) | 基于医疗云平台的影像大数据分析系统及方法 | |
CN115568866A (zh) | 一种神经损伤的评价系统及其方法 | |
Herrera-González et al. | Knee functional state classification using surface electromyographic and goniometric signals by means of artificial neural networks | |
CN115565660A (zh) | 一种基于特征识别的医疗影像数据共享管理系统 | |
CN117153379B (zh) | 一种胸廓出口综合征的预测装置 | |
Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
Adem et al. | Classification of Parkinson's disease using EMG signals from different upper limb movements based on multiclass support vector machine | |
Chen et al. | Osteoporosis diagnosis based on ultrasound radio frequency signal via multi-channel convolutional neural network | |
CN106951711A (zh) | 一种腰椎间盘突出症患者推拿效果的评估方法及系统 | |
CN110269613A (zh) | 一种多模态信号静态平衡能力评估方法 | |
CN111759300A (zh) | 神经诊断或治疗设备、心电检测系统和交感神经监测系统及其应用 | |
WO2018170788A1 (zh) | 一种基于样本熵的下背痛症状分类系统及方法 | |
CN114758782A (zh) | 一种肺移植急性排斥反应的预测系统和方法 | |
CN112580587A (zh) | 基于振动噪声信号的骨关节受损信息评估系统及评估方法 | |
CN113662557A (zh) | 一种基于因子同步性分析的多导联胎儿心电提取装置 | |
CN107440687B (zh) | 一种疼痛等级评估方法及采用其的疼痛等级评估装置 | |
CN107811635B (zh) | 一种基于人体生理信号的健康状态分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |
|
RJ01 | Rejection of invention patent application after publication |