CN108042130A - 一种基于经验模式分解(emd)的脑电信号预处理方法 - Google Patents
一种基于经验模式分解(emd)的脑电信号预处理方法 Download PDFInfo
- Publication number
- CN108042130A CN108042130A CN201711067847.1A CN201711067847A CN108042130A CN 108042130 A CN108042130 A CN 108042130A CN 201711067847 A CN201711067847 A CN 201711067847A CN 108042130 A CN108042130 A CN 108042130A
- Authority
- CN
- China
- Prior art keywords
- vag
- imf
- component
- decomposition
- order
- 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
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于经验模式分解(EMD)的脑电信号预处理方法,是将原始的脑电信号进行经验模式分解,得到一系列的内蕴模式分量(IMF)分量,观察IMF分量的频谱,找出含有工频干扰的分量,并对该分量进行50Hz滤波,下面计算得到需要保留的IMF阶数,最后重构IMF分量得到预处理后的脑电信号。本方法简单易懂可操作,为脑电信号预处理提供新的思路。
Description
技术领域
本发明涉及基于经验模式分解(EMD)的脑电信号预处理方法,属于脑电信号处理领域。
技术背景
脑电信号是大脑神经活动在大脑皮层和头皮表面的综合反应,包含大量的生理与疾病信息,是大脑研究领域的重点,是探索人类大脑奥秘的重要途径。在通过脑电采集装置得到原始脑电信号后,对原始的脑电信号进行信号处理,才能将杂乱无章的脑电图变成具有研究价值的数据,进而得出相关结论。
由于原始的脑电信号中包含大量的干扰波,因此对脑电信号的预处理是进行下一步脑电信号处理的第一步。原始脑电信号中主要有50Hz的工频干扰,这是在进行脑电采集是不可避免的。另外,由于人体的肌肉活动、血液流动、设备精度等原因,造成原始脑电信号中混有严重的背景噪声干扰,目前常见去噪方法有小波变换。但是小波变换是基于固定小波基函数,而本发明提出的经验模式分解是自适应的,能够较好去除脑电信号的综合噪声,同时保留了脑电信号的基本信息,为后续的脑电信号分析奠定了良好的基础。
发明内容
本发明的目的是提供一种基于经验模式分解(EMD)的脑电信号预处理方法,该方法对于常见的滤波器方法和小波变换方法更加具有优势,能够有效的对脑电信号进行预处理,为脑电信号预处理提供一种新的途径。
本发明解决其技术问题所采取的技术方法是:
一种基于经验模式分解(EMD)的脑电信号预处理方法,具体步骤如下:
步骤1).脑电信号采集,采用Neuroscan设备采集原始脑电信号;
步骤2).将脑电信号分解成一系列的内蕴模式分量(IFM);
步骤3).将各分量做谱分析,含有工频干扰的IFM通过50Hz陷波器;
步骤4).对各阶的内蕴模式分量,依次计算其能量密度和平均周期的乘积,当乘积突然变大时,去除去除各阶内蕴模式分量,即通过计算得到需要保留的内蕴模式分量(IFM)的阶数;
步骤5).将欲保留的IFM重构,得到预处理后的脑电信号。
在所述步骤2)中将脑电信号通过经验模式分解(EMD)分解成一系列的内蕴模式分量(IFM)过程如下:
对脑电信号求取所有局部极大值和极小值;利用插值函数求取极大值点包络线、极小值点包络线和极大值点包络线与极小值点包络线的均值线;用原信号减去均值线满足给定的终止条件后得到分量,重复以上步骤得到一组分量和剩余分量。
经验模式分解算法可以描述为下式:
imf1=x(t)-VAG(x(t))
imf2=VAG(x(t))-VAG(VAG(x(t)))=VAG(x(t))-VAG2(x(t))
imf3=VAG2(x(t))-VAG(VAG2(x(t)))=VAG2(x(t))-VAG3(x(t))
...........
imfn=VAGn-1(x(t))-VAGn(x(t))
其中,x(t)是待分解的脑电信号,VAG(x(t))为平均曲线,VAGn(x(t))为第n次平均曲线。
EMD流程图
最终,脑电信号x(t)可以表示成下式:
其中imfi(t)是第i次分解的得到的IMF分量,r(t)是n次分解后的剩余量。
其后,对各分量做谱分析,并将含有工频干扰的IFM通过50Hz陷波器,这就得到了去除工频干扰的脑电信号的IMF分量。
然后,通过计算得到需要保留的内蕴模式分量(IFM)的阶数。具体算法如下:
设Rk是停止分级标准:
其中,ETk是第k阶IMF的能量密度和平均周期乘积:
其中,Ek是第k阶IMF的能量密度:
是第k阶IMF的平均周期:
式中,Ak是第k个IMF分量的振幅,Ok是第k个IMF分量的极值点总数。
当Rk大于2时,得到k即为停止分解的阶数。
最后,根据计算得到的k,将阶数大于k的IMF分量重构,最终得到预处理后的脑电信号。
有益效果
与现有技术相比,本发明具有以下优点:
第一:本发明是在将脑电信号进行经验模式分解后,将含有工频干扰的分量进行50Hz滤波,对其他频率段的信号没有影响,能有效的实现对脑电信号的去工频干扰处理。
第二:本发明在脑电信号去噪方面,对各阶IMF分量进行计算,得到的停止分解标准能够有效的反应前k个IMF分量之和的方差与脑电信号中噪声水平是否一致,从而能后有效的对脑电信号进行去噪处理。
附图说明
图1为本发明提出的基于经验模式分解(EMD)的脑电信号预处理方法架构图。
图2为脑电信号经的验模式分解结果。
图3为原始的脑电信号图。
图4为经过基于经验模式分解的脑电信号预处理后的脑电信号图。
具体实施方式
以下结合附图,对本发明技术方案进行详细说明,具体实施如下:
图1脑电信号预处理流程图:主要有如下几个步骤:
(1)将采集的原始脑电信号进行经验模式分解,得到一系列的IMF分量;
(2)将含有工频干扰的IMF分量通过50Hz的陷波器,得到出去工频干扰的信号IMF分量组;
(3)通过计算得到停止分解标准,将复合条件的IMF进行重构,得到预处理后的脑电信号。
各步骤的详细说明如下:
对脑电信号求取所有局部极大值和极小值;利用插值函数求取极大值点包络线、极小值点包络线和极大值点包络线与极小值点包络线的均值线;用原信号减去均值线满足给定的终止条件后得到分量,重复以上步骤得到一组分量和剩余分量。
经验模式分解算法可以描述为下式:
imf1=x(t)-VAG(x(t))
imf2=VAG(x(t))-VAG(VAG(x(t)))=VAG(x(t))-VAG2(x(t))
imf3=VAG2(x(t))-VAG(VAG2(x(t)))=VAG2(x(t))-VAG3(x(t))
...........
imfn=VAGn-1(x(t))-VAGn(x(t))
其中,x(t)是待分解的脑电信号,VAG(x(t))为平均曲线,VAGn(x(t))为第n次平均曲线。
EMD流程图
最终,脑电信号x(t)可以表示成下式:
其中imfi(t)是第i次分解的得到的IMF分量,r(t)是n次分解后的剩余量。
其后,对各分量做谱分析,并将含有工频干扰的IFM通过50Hz陷波器,这就得到了去除工频干扰的脑电信号的IMF分量。
然后,通过计算得到需要保留的内蕴模式分量(IFM)的阶数。具体算法如下:
设Rk是停止分级标准:
其中,ET是第k阶IMF的能量密度和平均周期乘积:
其中,Ek是第k阶IMF的能量密度:
是第k阶IMF的平均周期:
式中,Ak是第k个IMF分量的振幅,Ok是第k个IMF分量的极值点总数。
当Rk大于2时,得到k即为停止分解的阶数。
最后,根据计算得到的k,将阶数大于k的IMF分量重构,最终得到预处理后的脑电信号。
本发明中,R8=2.18>2,故取k=8。
图2是原始脑电信号进行基于经验模式分解后得到一系列内蕴函数分量。
图3是原始的脑电信号,可以看出有相当多的干扰量,信号未进行预处理。
图4是经过预处理后的脑电信号,可以看出经过基于经验模式处理后的脑电信号有明显的改观,这也验证了本发明提出基于经验模式分解的脑电信号预处理方法能够较好去除脑电信号的综合噪声,同时保留了脑电信号的基本信息,为后续的脑电信号分析奠定了良好的基础。
Claims (5)
1.一种基于经验模式分解(EMD)的脑电信号预处理方法,其特征是,所述脑电信号预处理包括去除50Hz工频干扰、信号消噪,具体步骤如下:
步骤1).脑电信号采集,采用Neuroscan设备采集原始脑电信号;
步骤2).将脑电信号分解成一系列的内蕴模式分量(IFM);
步骤3).将各分量做谱分析,含有工频干扰的IFM通过50Hz陷波器;
步骤4).对各阶的内蕴模式分量,依次计算其能量密度和平均周期的乘积,当乘积突然变大时,去除去除各阶内蕴模式分量,即通过计算得到需要保留的内蕴模式分量(IFM)的阶数;
步骤5).将欲保留的IFM重构,得到预处理后的脑电信号。
2.根据权利要求1所述的方法,其特征在于,步骤2)中将脑电信号通过经验模式分解(EMD)分解成一系列的内蕴模式分量(IFM);对脑电信号x(t)进行EMD分解的过程如下:对脑电信号求取所有局部极大值和极小值;利用插值函数求取极大值点包络线、极小值点包络线和极大值点包络线与极小值点包络线的均值线;用原信号减去均值线满足给定的终止条件后得到分量,重复以上步骤得到一组分量和剩余分量;
经验模式分解算法可以描述为下式:
imf1=x(t)-VAG(x(t))
imf2=VAG(x(t))-VAG(VAG(x(t)))=VAG(x(t))-VAG2(x(t))
imf3=VAG2(x(t))-VAG(VAG2(x(t)))=VAG2(x(t))-VAG3(x(t))
...........
imfn=VAGn-1(x(t))-VAGn(x(t))
其中,x(t)是待分解的脑电信号,VAG(x(t))为平均曲线,VAGn(x(t))为第n次平均曲线;
最终,脑电信号x(t)可以表示成下式:
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>imf</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中imfi(t)是第i次分解的得到的IMF分量,r(t)是n次分解后的剩余量。
3.根据权利要求1所述的方法,其特征在于步骤3)中对各分量做谱分析,并将含有工频干扰的IFM通过50Hz陷波器。
4.根据权利要求1所述基于经验模式分解的脑电信号预处理方法,其特征在于,步骤4)中通过计算得到需要保留的内蕴模式分量(IFM)的阶数;具体算法如下:
设Rk是停止分级标准:
<mrow>
<msub>
<mi>R</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>ET</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>ET</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>ET</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>|</mo>
</mrow>
其中,ETk是第k阶IMF的能量密度和平均周期乘积:
<mrow>
<msub>
<mi>ET</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mo>&times;</mo>
<mover>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
</mrow>
其中,Ek是第k阶IMF的能量密度:
<mrow>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>K</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>A</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
是第k阶IMF的平均周期:
<mrow>
<mover>
<msub>
<mi>T</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>K</mi>
</mrow>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
</mfrac>
</mrow>
式中,Ak是第k个IMF分量的振幅,Ok是第k个IMF分量的极值点总数;
当Rk大于2时,得到k即为停止分解的阶数。
5.根据权利要求1所述的方法,其特征在于步骤5)中,将阶数大于k的IMF分量重构,最终得到预处理后的脑电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067847.1A CN108042130A (zh) | 2017-11-03 | 2017-11-03 | 一种基于经验模式分解(emd)的脑电信号预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711067847.1A CN108042130A (zh) | 2017-11-03 | 2017-11-03 | 一种基于经验模式分解(emd)的脑电信号预处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108042130A true CN108042130A (zh) | 2018-05-18 |
Family
ID=62119420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711067847.1A Pending CN108042130A (zh) | 2017-11-03 | 2017-11-03 | 一种基于经验模式分解(emd)的脑电信号预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108042130A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109222939A (zh) * | 2018-06-19 | 2019-01-18 | 江苏峰汇智联科技有限公司 | 一种基于多源数据信息融合的穿戴设备 |
CN109480872A (zh) * | 2018-11-08 | 2019-03-19 | 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 |
CN109498000A (zh) * | 2018-12-25 | 2019-03-22 | 杭州电子科技大学 | 基于emd与wpd特征融合的癫痫发作前期预测方法 |
CN109558863A (zh) * | 2019-01-07 | 2019-04-02 | 哈尔滨工业大学(深圳) | 脑电信号特征表示与提取方法、装置及存储介质 |
CN110013249A (zh) * | 2019-03-19 | 2019-07-16 | 西北大学 | 一种便携式可调式的头戴癫痫监测仪 |
CN110726538A (zh) * | 2019-09-25 | 2020-01-24 | 浙江理工大学 | 阶梯状圆柱轴弹性波信号的横向裂纹特征识别与提取方法 |
CN112113784A (zh) * | 2020-09-22 | 2020-12-22 | 天津大学 | 一种基于设备声信号和emd的设备状态监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732047A (zh) * | 2009-12-16 | 2010-06-16 | 天津大学 | 复合下肢想象动作脑电的能量特征提取方法 |
CN103488882A (zh) * | 2013-09-10 | 2014-01-01 | 河海大学 | 一种水工建筑物安全自动化监测系统降噪方法 |
CN104897180A (zh) * | 2015-05-26 | 2015-09-09 | 广州大学 | 用于桥梁监测信号的预处理方法 |
CN105105774A (zh) * | 2015-10-09 | 2015-12-02 | 吉林大学 | 基于脑电信息的驾驶人警觉度监测方法及监测系统 |
-
2017
- 2017-11-03 CN CN201711067847.1A patent/CN108042130A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101732047A (zh) * | 2009-12-16 | 2010-06-16 | 天津大学 | 复合下肢想象动作脑电的能量特征提取方法 |
CN103488882A (zh) * | 2013-09-10 | 2014-01-01 | 河海大学 | 一种水工建筑物安全自动化监测系统降噪方法 |
CN104897180A (zh) * | 2015-05-26 | 2015-09-09 | 广州大学 | 用于桥梁监测信号的预处理方法 |
CN105105774A (zh) * | 2015-10-09 | 2015-12-02 | 吉林大学 | 基于脑电信息的驾驶人警觉度监测方法及监测系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109222939A (zh) * | 2018-06-19 | 2019-01-18 | 江苏峰汇智联科技有限公司 | 一种基于多源数据信息融合的穿戴设备 |
CN109480872A (zh) * | 2018-11-08 | 2019-03-19 | 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 |
CN109498000A (zh) * | 2018-12-25 | 2019-03-22 | 杭州电子科技大学 | 基于emd与wpd特征融合的癫痫发作前期预测方法 |
CN109558863A (zh) * | 2019-01-07 | 2019-04-02 | 哈尔滨工业大学(深圳) | 脑电信号特征表示与提取方法、装置及存储介质 |
CN110013249A (zh) * | 2019-03-19 | 2019-07-16 | 西北大学 | 一种便携式可调式的头戴癫痫监测仪 |
CN110013249B (zh) * | 2019-03-19 | 2022-02-18 | 西北大学 | 一种便携式可调式的头戴癫痫监测仪 |
CN110726538A (zh) * | 2019-09-25 | 2020-01-24 | 浙江理工大学 | 阶梯状圆柱轴弹性波信号的横向裂纹特征识别与提取方法 |
CN110726538B (zh) * | 2019-09-25 | 2021-08-06 | 浙江理工大学 | 阶梯状圆柱轴弹性波信号的横向裂纹特征识别与提取方法 |
CN112113784A (zh) * | 2020-09-22 | 2020-12-22 | 天津大学 | 一种基于设备声信号和emd的设备状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108042130A (zh) | 一种基于经验模式分解(emd)的脑电信号预处理方法 | |
CN109784242B (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
Alfaouri et al. | ECG signal denoising by wavelet transform thresholding | |
Kania et al. | Wavelet denoising for multi-lead high resolution ECG signals | |
Shaker | EEG waves classifier using wavelet transform and Fourier transform | |
CN104688220B (zh) | 一种去除脑电信号中眼电伪迹的方法 | |
CN102697495B (zh) | 基于总体平均经验模式分解的二代小波肌电信号消噪方法 | |
Castillo et al. | Noise suppression in ECG signals through efficient one-step wavelet processing techniques | |
CN110353672B (zh) | 一种脑电信号中眼部伪迹去除系统及去除方法 | |
US20080262371A1 (en) | Method for Adaptive Complex Wavelet Based Filtering of Eeg Signals | |
CN107260166A (zh) | 一种实用化在线脑电伪迹剔除方法 | |
CN105342605B (zh) | 一种去除脑电信号中肌电伪迹的方法 | |
Kilby et al. | Wavelet analysis of surface electromyography signals | |
CN101596108B (zh) | 胎儿心电图的一种基于重构相空间的非线性分离提取方法 | |
CN107693004A (zh) | 基于hilbert变换的胎儿心电提取与胎儿心率识别方法 | |
CN103761424A (zh) | 基于二代小波和ica的肌电信号降噪与去混迭方法 | |
Sharma | EEG signal denoising based on wavelet transform | |
Weng et al. | Optimal signal reconstruction using the empirical mode decomposition | |
Islam et al. | Wavelet based denoising algorithm of the ECG signal corrupted by WGN and Poisson noise | |
Wang et al. | EMD-based EEG signal enhancement for auditory evoked potential recovery under high stimulus-rate paradigm | |
Niegowski et al. | ECG-EMG separation by using enhanced non-negative matrix factorization | |
CN114757236B (zh) | 基于tqwt与svmd的脑电信号去噪优化方法及系统 | |
CN104935292B (zh) | 一种基于源数估计的表面肌电信号自适应滤波方法 | |
CN116671932A (zh) | 一种基于小波及自适应滤波的抑郁症脑电信号提取方法 | |
Mayeli et al. | An automatic ICA-based method for removing artifacts from EEG data acquired during fMRI in real time |
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: 20180518 |
|
RJ01 | Rejection of invention patent application after publication |