CN107126303A - 一种基于手机app的上下肢运动辅助方法 - Google Patents

一种基于手机app的上下肢运动辅助方法 Download PDF

Info

Publication number
CN107126303A
CN107126303A CN201710082395.8A CN201710082395A CN107126303A CN 107126303 A CN107126303 A CN 107126303A CN 201710082395 A CN201710082395 A CN 201710082395A CN 107126303 A CN107126303 A CN 107126303A
Authority
CN
China
Prior art keywords
signal
mobile phone
lower extremities
model
layer
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
Application number
CN201710082395.8A
Other languages
English (en)
Inventor
雷硕
王薇
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.)
Shanghai Science And Technology Intelligent Technology Co Ltd
Original Assignee
Shanghai Science And Technology Intelligent Technology Co Ltd
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 Shanghai Science And Technology Intelligent Technology Co Ltd filed Critical Shanghai Science And Technology Intelligent Technology Co Ltd
Priority to CN201710082395.8A priority Critical patent/CN107126303A/zh
Publication of CN107126303A publication Critical patent/CN107126303A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A61F2/72—Bioelectric control, e.g. myoelectric

Abstract

本发明公开了一种基于手机APP的上下肢运动辅助方法，通过Micro USB接口连接表面电极采集人体表面肌电信号，通过手机APP对表面肌肉信号进行采集，去噪，滤波，谱分析，归一化等系列算法，利用神经网络等模式识别算法，生成有效运动控制信号，通过蓝牙设备输入到上下肢运动装置控制器，达到利用人体自身表面肌肉信号控制可穿戴假手/臂/脚/腿的目的。

Description

一种基于手机APP的上下肢运动辅助方法
技术领域
本发明一种新型仿生假肢运动领域，尤其是一种能够基于手机APP的上下肢运动辅助方法。
背景技术
假肢作为截肢者的必需品，在全球众多肢体残疾的患者中，仅有少数人能负担得起佩戴假肢。现在市场上的假肢大部分是装饰性假肢，外观设计跟真实手臂一样，但没有任何功能；部分假肢开始尝试通过生物电流信号来控制其运动，商业化后价格昂贵，且手势单一，一般家庭难以承受。
在高端截肢设备中，还没有利用手机作为算法运算器去控制上下肢运动的装置，仅仅是基于单片机等芯片开发的控制系统，其芯片运算能力有限，对肌电信号的分析精度低、实时性很差，且不具有通用性，发开成本高，从而导致运动假肢价格昂贵，不适用广泛的市场推广。
除此之外，通过肌电或者脑电控制的仿生手/臂/脚/腿，存在着成本高，算法不稳定，运算时间长。目前市场上的通过肌电的解决方案，一般直接对单一肌肉表面信号进行信号幅度采集，用于作为肌肉触发指定运动的指令。现存的方法会受到周围电磁信号，本身人体运动低频信号，电机带入噪声，其他肌肉族群信号，深部肌肉信号及白噪声的影响。导致运动指令不明确和主观意识运动不可按质按量的完成。目前实验室的解决方案，为了避免上述的信号干扰，使得信号更加完整和精确，大量的运行后台算法，例如小波分析，而这样大量的运算对处理器的速度和能力要求很高，配置在现有的可穿戴假手/臂/脚/腿中虽然单一信号处理精度提高了，但成本大大提高，运算稳定性反而降低，仅适用于实验室科研，不适用广泛的市场推广。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种能够基于手机APP的上下肢运动辅助方法。
技术方案：为解决上述技术问题，本发明提供的一种基于手机APP的上下肢运动辅助方法，所述方法包括以下步骤：
步骤1)选取完成特定动作的相关肌肉或肌肉群；
步骤2)利用表面电极提取表面肌肉信号；
步骤3)：将提取表面肌肉信号传导至手机APP，对输入表面肌肉信号进行采样，采样频率需要大于1000Hz，先对信号做初步处理，消除采样中空的信号值，在对信号进行滤波，消除白噪声、环境电磁信号、自身肢体运动产生的低频信号；
步骤4)：针对所采集的肌电信号(原文中4路肌电信号)分别提取其时域特征和频域特征；
所述时域特征包括：平均值(AV)、积分肌电值(iEMG)、均方根值(RMS)、绝对值积分平均值(IAV)、过零点数(ZC)、方差(VAR)、Willson幅值(WAMP)、标准差(STD)；
频域特征包括：平均功率频率(Mean Power Frequency，MPF)、中位频率(MedianFrequency，MF)；
步骤5)：建立模式分类模型；
步骤6)：选取肌电信号(4路信号)的某一特征值作为输入，输入到步骤5)中的分类模型中，并计算出运动模式；
步骤7)：通过手机蓝牙将运动模式发送给上下肢的外接控制器，该控制器包括主控芯片、蓝牙通讯模块、电机驱动模块等；
步骤8)：上下肢的外接控制器的主控芯片从蓝牙通讯模块中读取到运动模式后，控制假手/臂/脚/腿完成肌肉输出信号的指定动作。
进一步地，所述步骤5)中模式分类模型包括：反向传播神经网络(BPNN)模型或支持向量机(SVM)模型。支持向量机(Support Vector Machine)可构造一个超平面，在高维空间，其可以用于分类。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，该算法为现有的公知的计算方法。
进一步地，所述反向传播神经网络(BPNN)模型步骤包括以下步骤：
步骤5.1)：建立模型；
确定模型层数，至少3层，包括第一层输入层，有4个节点，分别输入4路sEMG(Surface electromyography表面肌电信号)的某一特征值；第二层是隐含层，隐含层可以是多层，隐含层节点根据经验选取12个节点；第三层是输出层，输出层节点要根据经验及需要识别的运动模式的数量进行设定。这里选取2或者1个节点，，输出运动模式；输入层为4路肌电信号，输入层和隐含层的各个节点采用双极型S型函数。
步骤5.2)：训练模型；
对BPNN模型进行训练，从样本数据及其对应的运动模式标签对BPNN的权值及线性偏置进行调节，直到得到适合的输入输出关系，即网络收敛为止。
进一步地，所述运动模式包括握拳、展开、表扬、OK、V型手势，其中表扬为竖起大拇指，扩展到腿脚部分，运动模式包括完全站立，半蹲下，完全蹲下等。。
有益效果：本发明相对于现有技术而言具有以下优点：
本发明提供基于手机APP的上下肢运动辅助方法，表面肌肉电信号提取和采集的精度提高了；环境信号，外周干扰信号，其它非参与肌肉信号被干净排除；结合相对肌肉组信号对运动行为的发出明确的强度和时间的指令；用肌电信号直接控制，识别率高，实时性好，反应灵敏，成本低，方便实用。
附图说明
图1是本发明基于手机APP的上下肢运动辅助方法示意图。
图2是小臂尺侧腕伸肌和桡侧腕屈肌示意图。
图3是反向传播神经网络模型示意图。
图4是表面肌肉电信号原始采集信号曲线。
图5是经过处理的表面肌肉信号示意图。
图6是两组肌肉群的积分肌电值(iEMG)曲线。
图7是两组肌肉群的均方根值(RMS)曲线。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于手机APP的上下肢运动辅助方法，所述方法包括以下步骤：
步骤1)选取完成特定动作的相关肌肉或肌肉群，这里选取两路信号即两组肌肉群，小臂尺侧腕伸肌和桡侧腕屈肌，如图2，深色为选取的肌肉群；
步骤2)利用表面电极提取表面肌肉信号，如图4表面肌肉电信号原始采集信号(双通道/双肌肉群)，图4横轴为时间，纵轴为原始肌电信号的幅值，即肌电信号随时间变化的曲线，图4是原始信号曲线，此步骤只是去除了采样信号中的无效信号，此信号是提取自两组不同肌肉群的原始的肌肉信号，基于表面肌肉信号的频率一般在8Hz-500Hz之间，这里采用大于1000Hz的采样频率，对模拟信号进行采样，并消除NaN无效信号，生成如图4所示的原始数字肌肉信号。
步骤3)：将提取表面肌肉信号传导至手机APP，对输入表面肌肉信号进行采样，采样频率需要大于1000Hz，先对信号做初步处理，消除采样中空的信号值，在对信号进行滤波，消除白噪声、环境电磁信号、自身肢体运动产生的低频信号，如图5，横轴为时间，纵轴为处理后肌电信号的幅值，即肌电信号随时间变化的曲线，在完成手掌伸展和握和这一指定动作时两组肌肉群产生的表面肌肉信号，经过频域分析，滤波，除噪等一系列信号处理算法后，转换回时域空间的信号表征。这里可以看到肌肉的反应时间，收缩时间，收缩强度，和衰减时间，并且可以看到在同一时间点两组不同的肌肉群肌肉作业时间和强度的区分；
步骤4)：针对所采集的肌电信号分别提取其时域特征积分肌电值(iEMG)(如图6)和均方根值(RMS)(如图7)，图6横轴为时间，纵轴为对应时间点的积分肌电值，其中上面的曲线为第一路肌电信号积分肌电值随时间变化的曲线，下面的曲线为第二路肌电信号积分肌电值随时间变化的曲线；图7横轴为时间，纵轴为对应时间点的肌电信号的均方根值，其中上面的曲线为第一路肌电信号均方根值随时间变化的曲线，下面的曲线为第二路肌电信号均方根值随时间变化的曲线；
步骤5)：建立模式分类模型；反向传播神经网络(BPNN)模型。
步骤5.1)：如图3所示，4路肌电信号作为输入输送给输入层，输入层各个节点均采用双极型S型函数，各节点对其输入进行加权计算后判断该节点是否激活，并将结果输送给下一层对应的节点。这里隐含层也采用双极型S型函数。
建立模型；确定模型层数，至少3层，包括第一层输入层，有2个节点，分别输入2路sEMG的特征值iEMG；第二层是隐含层，隐含层一层，12个节点；第三层是输出层，有1个节点，输出运动模式；
步骤5.2)：训练模型；
对BPNN模型进行训练，从样本数据及其对应的运动模式标签对BPNN的权值及线性偏置进行调节，直到得到适合的输入输出关系，即网络收敛为止。
步骤6)：选取肌电信号(2路信号)的某一特征值作为输入，输入到步骤5)中的分类模型中，并计算出运动模式；所述运动模式包括握拳、展开、表扬、OK、V型手势；
步骤7)：通过手机蓝牙将运动模式发送给上下肢的外接控制器，该控制器包括主控芯片、蓝牙通讯模块、电机驱动模块等；
步骤8)：上下肢的外接控制器的主控芯片从蓝牙通讯模块中读取到运动模式后，控制假手/臂/脚/腿完成肌肉输出信号的指定动作。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于手机APP的上下肢运动辅助方法方法，其特征在于：所述方法包括以下步骤：
步骤1)选取完成特定动作的相关肌肉或肌肉群；
步骤2)利用表面电极提取表面肌肉信号；
步骤3)：频域时域分析，滤波，消除白噪声，环境电磁信号，自身肢体运动产生的低频信号；
步骤4)：针对所采集的肌电信号别提取其时域特征和频域特征；
所述时域特征包括：平均值(AV)、积分肌电值(iEMG)、均方根值(RMS)、绝对值积分平均值(IAV)、过零点数(ZC)、方差(VAR)、Willson幅值(WAMP)、标准差(STD)；
频域特征包括：平均功率频率(Mean Power Frequency，MPF)、中位频率(MedianFrequency，MF)；
步骤5)：建立模式分类模型；
步骤6)：选取肌电信号的上述时域特征或者频域特征中某一特征值作为输入，输入到步骤5)中的分类模型中，并计算出运动模式；
步骤7)：通过手机蓝牙将运动模式发送给上下肢的外接控制器；
步骤8)：上下肢的外接控制器的主控芯片从蓝牙通讯模块中读取到运动模式后，控制假手/臂/脚/腿完成肌肉输出信号的指定动作。
2.根据权利要求1所述的基于手机APP的上下肢运动辅助方法，其特征在于：所述步骤5)中模式分类模型包括：反向传播神经网络(BPNN)模型或支持向量机(SVM)模型。
3.根据权利要求2所述的基于手机APP的上下肢运动辅助方法，其特征在于：所述反向传播神经网络(BPNN)模型步骤包括以下步骤：
步骤5.1)：建立模型；
确定模型层数，至少3层，包括第一层输入层，有4个节点，分别输入4路表面肌电信号的某一特征值；第二层是隐含层层；第三层是输出层，，输出运动模式；
步骤5.2)：训练模型；
对BPNN模型进行训练，从样本数据及其对应的运动模式标签对BPNN的权值及线性偏置进行调节，直到得到适合的输入输出关系，即网络收敛为止。
4.根据权利要求1所述的基于手机APP的上下肢运动辅助方法，其特征在于：所述运动模式包括握拳、展开、表扬、OK、V型手势。
5.根据权利要求1所述的基于手机APP的上下肢运动辅助方法，其特征在于：所采集的肌电信号为4路肌电信号。
6.根据权利要求1所述的基于手机APP的上下肢运动辅助方法，其特征在于：所述控制器包括主控芯片、分别与主控芯片相连的蓝牙通讯模块和电机驱动模块。
CN201710082395.8A 2017-02-15 2017-02-15 一种基于手机app的上下肢运动辅助方法 Pending CN107126303A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710082395.8A CN107126303A (zh) 2017-02-15 2017-02-15 一种基于手机app的上下肢运动辅助方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710082395.8A CN107126303A (zh) 2017-02-15 2017-02-15 一种基于手机app的上下肢运动辅助方法

Publications (1)

Publication Number Publication Date
CN107126303A true CN107126303A (zh) 2017-09-05

Family

ID=59720921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710082395.8A Pending CN107126303A (zh) 2017-02-15 2017-02-15 一种基于手机app的上下肢运动辅助方法

Country Status (1)

Country Link
CN (1) CN107126303A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107647951A (zh) * 2017-09-29 2018-02-02 上海术理智能科技有限公司 用于辅助上下肢运动的方法、系统及计算机可读介质
CN109085918A (zh) * 2018-06-28 2018-12-25 天津大学 基于肌电的针灸行针手法训练方法
CN109998742A (zh) * 2019-05-07 2019-07-12 北京通和营润智能科技发展有限公司 一种多自由度肌电仿生假肢控制系统
CN115192049A (zh) * 2022-09-14 2022-10-18 深圳市心流科技有限公司 一种智能假肢的肌电采样频率调节方法
EP4230141A1 (fr) * 2022-02-21 2023-08-23 Blueback Méthode implémentée par ordinateur de classification de signaux physiologiques, et utilisation pour la mesure de l'activité musculaire spécifique d'un groupement de muscles d'un sujet
WO2023156644A1 (fr) * 2022-02-21 2023-08-24 Blueback Méthode implémentée par ordinateur de classification de signaux physiologiques, et utilisation pour la mesure de l'activité musculaire spécifique d'un groupement de muscles d'un sujet

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002053012A2 (en) * 2001-01-04 2002-07-11 Indian Institute Of Technology A CLINICAL ELECTRODIAGNOSTIC DIGITAL INSTRUMENT FOR ELECTROMYOGRAPHY (emg) AND/OR NERVE CONDUCTION MEASUREMENT
WO2011091399A2 (en) * 2010-01-25 2011-07-28 The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations Systems and methods for providing a neural-machine interface for artificial legs
CN102426651A (zh) * 2011-08-25 2012-04-25 武汉理工大学 人体前臂表面肌电信号采集及模式识别系统
CN103892945A (zh) * 2012-12-27 2014-07-02 中国科学院深圳先进技术研究院 肌电假肢控制系统
CN104107134A (zh) * 2013-12-10 2014-10-22 中山大学 基于肌电反馈的上肢训练方法及系统
CN105326500A (zh) * 2014-08-13 2016-02-17 华为技术有限公司 基于表面肌电信号的动作识别方法和设备
CN105426842A (zh) * 2015-11-19 2016-03-23 浙江大学 基于支持向量机的表面肌电信号多类手部动作识别方法
CN205198399U (zh) * 2015-11-25 2016-05-04 殷波 一种康复训练系统
CN105997064A (zh) * 2016-05-17 2016-10-12 成都奥特为科技有限公司 一种用于人体下肢表面肌电信号的辨识方法
CN106236336A (zh) * 2016-08-15 2016-12-21 中国科学院重庆绿色智能技术研究院 一种肌电假肢手势及力度控制方法
CN106293057A (zh) * 2016-07-20 2017-01-04 西安中科比奇创新科技有限责任公司 基于bp神经网络的手势识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002053012A2 (en) * 2001-01-04 2002-07-11 Indian Institute Of Technology A CLINICAL ELECTRODIAGNOSTIC DIGITAL INSTRUMENT FOR ELECTROMYOGRAPHY (emg) AND/OR NERVE CONDUCTION MEASUREMENT
WO2011091399A2 (en) * 2010-01-25 2011-07-28 The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations Systems and methods for providing a neural-machine interface for artificial legs
CN102426651A (zh) * 2011-08-25 2012-04-25 武汉理工大学 人体前臂表面肌电信号采集及模式识别系统
CN103892945A (zh) * 2012-12-27 2014-07-02 中国科学院深圳先进技术研究院 肌电假肢控制系统
CN104107134A (zh) * 2013-12-10 2014-10-22 中山大学 基于肌电反馈的上肢训练方法及系统
CN105326500A (zh) * 2014-08-13 2016-02-17 华为技术有限公司 基于表面肌电信号的动作识别方法和设备
CN105426842A (zh) * 2015-11-19 2016-03-23 浙江大学 基于支持向量机的表面肌电信号多类手部动作识别方法
CN205198399U (zh) * 2015-11-25 2016-05-04 殷波 一种康复训练系统
CN105997064A (zh) * 2016-05-17 2016-10-12 成都奥特为科技有限公司 一种用于人体下肢表面肌电信号的辨识方法
CN106293057A (zh) * 2016-07-20 2017-01-04 西安中科比奇创新科技有限责任公司 基于bp神经网络的手势识别方法
CN106236336A (zh) * 2016-08-15 2016-12-21 中国科学院重庆绿色智能技术研究院 一种肌电假肢手势及力度控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙欣: ""基于表面肌电信号定量辨识的上肢康复机器人运动控制"", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107647951A (zh) * 2017-09-29 2018-02-02 上海术理智能科技有限公司 用于辅助上下肢运动的方法、系统及计算机可读介质
CN109085918A (zh) * 2018-06-28 2018-12-25 天津大学 基于肌电的针灸行针手法训练方法
CN109085918B (zh) * 2018-06-28 2020-05-12 天津大学 基于肌电的针灸行针手法训练方法
CN109998742A (zh) * 2019-05-07 2019-07-12 北京通和营润智能科技发展有限公司 一种多自由度肌电仿生假肢控制系统
CN109998742B (zh) * 2019-05-07 2023-07-11 北京通和营润智能科技发展有限公司 一种多自由度肌电仿生假肢控制系统
EP4230141A1 (fr) * 2022-02-21 2023-08-23 Blueback Méthode implémentée par ordinateur de classification de signaux physiologiques, et utilisation pour la mesure de l'activité musculaire spécifique d'un groupement de muscles d'un sujet
WO2023156644A1 (fr) * 2022-02-21 2023-08-24 Blueback Méthode implémentée par ordinateur de classification de signaux physiologiques, et utilisation pour la mesure de l'activité musculaire spécifique d'un groupement de muscles d'un sujet
CN115192049A (zh) * 2022-09-14 2022-10-18 深圳市心流科技有限公司 一种智能假肢的肌电采样频率调节方法

Similar Documents

Publication Publication Date Title
CN107126303A (zh) 一种基于手机app的上下肢运动辅助方法
Li et al. A motion-classification strategy based on sEMG-EEG signal combination for upper-limb amputees
Bright et al. EEG-based brain controlled prosthetic arm
Brunelli et al. Low-cost wearable multichannel surface EMG acquisition for prosthetic hand control
CN111317600B (zh) 一种假肢控制方法、装置、系统、设备和存储介质
CN102499797B (zh) 假肢控制方法及系统
CN109009586A (zh) 一种假手腕关节人机自然驱动角度的肌电连续解码方法
Su et al. Hand gesture recognition based on sEMG signal and convolutional neural network
CN104267807A (zh) 基于手部动作肌音信号的人机交互方法及交互系统
CN107822629A (zh) 四肢表面肌电轴的检测方法
CN106923942A (zh) 基于人体肌电信号控制的上下肢运动辅助系统
CN101371804A (zh) 基于sEMG建立的人手姿态模式在线识别方法
CN113871028A (zh) 一种基于肌电智能穿戴的交互式康复系统
Jiang et al. Bio-robotics research for non-invasive myoelectric neural interfaces for upper-limb prosthetic control: a 10-year perspective review
Pinzón-Arenas et al. Percentage estimation of muscular activity of the forearm by means of EMG signals based on the gesture recognized using CNN
Yadav et al. Recent trends and challenges of surface electromyography in prosthetic applications
Wang et al. Lower limb motion recognition based on surface electromyography signals and its experimental verification on a novel multi-posture lower limb rehabilitation robots☆
Yang et al. Dexterous motion recognition for myoelectric control of multifunctional transradial prostheses
CN109498362A (zh) 一种偏瘫患者手部运动功能康复训练装置及模型训练方法
Samuel et al. Activity recognition based on pattern recognition of myoelectric signals for rehabilitation
Yoshikawa et al. Hand motion recognition using hybrid sensors consisting of EMG sensors and optical distance sensors
Ma et al. A real-time gait switching method for lower-limb exoskeleton robot based on sEMG signals
CN107126302A (zh) 上下肢运动仿真处理方法
Idowu et al. Efficient classification of motor imagery using particle swarm optimization-based neural network for IoT applications
Zeng et al. Upper-limb Movement Classification using sEMG Signals Based on Deep Residual Shrink Network

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170905