CN108325201B - 一种基于多源信息融合的步频检测方法及设备 - Google Patents

一种基于多源信息融合的步频检测方法及设备 Download PDF

Info

Publication number
CN108325201B
CN108325201B CN201711384341.3A CN201711384341A CN108325201B CN 108325201 B CN108325201 B CN 108325201B CN 201711384341 A CN201711384341 A CN 201711384341A CN 108325201 B CN108325201 B CN 108325201B
Authority
CN
China
Prior art keywords
data
information
step frequency
treadmill
user
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
Application number
CN201711384341.3A
Other languages
English (en)
Other versions
CN108325201A (zh
Inventor
张志明
夏源
程泓井
申纯太
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 Electric Group Corp
Original Assignee
Shanghai Electric Group Corp
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 Electric Group Corp filed Critical Shanghai Electric Group Corp
Priority to CN201711384341.3A priority Critical patent/CN108325201B/zh
Publication of CN108325201A publication Critical patent/CN108325201A/zh
Application granted granted Critical
Publication of CN108325201B publication Critical patent/CN108325201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
    • A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
    • A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B22/00—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements
    • A63B22/02—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with movable endless bands, e.g. treadmills
    • A63B22/0235—Exercising apparatus specially adapted for conditioning the cardio-vascular system, for training agility or co-ordination of movements with movable endless bands, e.g. treadmills driven by a motor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/64—Frequency, e.g. of vibration oscillation
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开了一种基于多源信息融合的步频检测方法及设备。根据本发明的基于多源信息融合的步频检测方法包括：基于多源信息融合的步频检测方法包括：获取具有随用户人体上下运动的骨盆机构和供用户步行的跑台的系统的骨盆机构高度数据以及跑台电机电流数据；将获取的所述骨盆机构高度数据和所述跑台电机电流数据分别进行卡尔曼滤波，将通过所述卡尔曼滤波获取的数据采用方差权值平均法进行数据融合处理，实时提取出用户的实时步频。

Description

一种基于多源信息融合的步频检测方法及设备
技术领域
本发明涉及医疗设备领域，尤其涉及一种基于多源信息融合的步频检测方法及设备。
背景技术
随着我国社会老龄化程度的加剧，由于脑卒中引起的下肢运动功能障碍患者正不断地增加。此外，由于工伤、交通事故、疾病等原因造成精神或肢体损伤的患者也显著增加，严重影响患者的生活质量，并给患者家庭及社会带来极大负担。研究表明，及时进行一定程度的集中和重复训练可以修复受损的中枢神经，有助于下肢运动功能的恢复。传统的康复训练存在医师不足、设备功能单一且成本较高、康复周期长、过程乏味主动性差以及无法进行准确的康复状态评价等缺陷，因此研制能够克服上述缺点的下肢康复训练及评价设备显得尤为必要。
下肢康复机器人作为一种康复医疗设备，通过辅助患者进行科学地、有效地康复训练，从而达到恢复患者运动功能的目的。它在康复训练中为患者提供安全保护的同时，加强患者的主动运动意图对患者运动功能康复具有强化和促进作用，有利于保持患者精神紧张度，加强神经肌肉运动通路的修复。
步频的准确获取是进行康复训练过程中康复评估的重要环节，医生需要根据评估结果实时了解患者状态并进行康复计划调整，患者需要根据康复评估结果了解自身状态，步频作为康复评估重要评估参数之一，其检测准确性就因此显得尤为重要。国内外已经出现不少成熟的产品，例如北京度量科技有限公司的Nokov的康复步态系统等，常见的步频步速检测方法包括基于视觉的动作捕捉检测，以及基于姿态传感器、力传感器等数据进行步态的检测，基于视觉的动作捕捉检测是通过计算人体运动特征点的变化频率获取人体步频，基于其他类传感器的步频检测方法多是将传感信号进行低通滤波后，进行傅里叶变换或者短时傅里叶变换，从频域分析人体步频。
上述步频检测技术应用于康复训练的传统方法对下肢康复机器人，尤其是针对于平衡及步行训练的下肢康复机器人具有以下几点不足。
1.基于视觉的动作检测，具有针对性，对硬件要求高，成本高，数据处理复杂，步频准确性以及时间不易保证。
2.基于单传感信号的傅里叶变换或者短时傅里叶变换等的传感信号处理，提取患者步速步频具有非实时性及准确性不足。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种具有改进的实时性及准确性的基于多源信息融合的步频检测方法及设备。
为实现上述目的，本发明提供了一种基于多源信息融合的步频检测方法，包括：获取具有随用户人体上下运动的骨盆机构和供用户步行的跑台的系统的骨盆机构高度数据以及跑台电机电流数据；将获取的所述骨盆机构高度数据和所述跑台电机电流数据分别进行卡尔曼滤波，将通过所述卡尔曼滤波获取的数据采用方差权值平均法进行数据融合处理，实时提取出用户的实时步频。
优选地，所述系统还包括传感器，通过所述传感器获取所述骨盆高度数据以及所述跑台电机电流数据。
优选地，所述数据融合处理采用方差权值平均法，包括：
基于数据的瞬态均值μi(k)以及方差
Figure RE-GDA0001694963680000021
得到跑台电机电流及骨盆机构高度数据
Figure RE-GDA0001694963680000022
其中，Di(k)表示第i个信息源在第K个时刻的值；N表示信息源数据系列的维度；
采用下述公式通过前一时刻的值进行在线更新数据，
Figure RE-GDA0001694963680000023
采用下述公式执行信息融合：
Figure RE-GDA0001694963680000024
M表示信息源数量；ωi(k)表示第i个传感器的权值；D(k)表示融合后的信息；
其中根据当前时刻的计算权值ωi(k)：
Figure RE-GDA0001694963680000025
式中表示离线收集的数据方差。
优选地，针对融合后的信息，选择幅值最大的频率作为实时步频。
为实现上述目的，本发明还提供了一种基于多源信息融合的步频检测设备，包括：随用户人体上下运动的骨盆机构、供用户步行的跑台以及处理装置；其中，处理装置用于执行下述步骤：获取具有随用户人体上下运动的骨盆机构和供用户步行的跑台的系统的骨盆机构高度数据以及跑台电机电流数据；将获取的骨盆机构高度数据和所述跑台电机电流数据分别进行卡尔曼滤波，将通过所述卡尔曼滤波获取的数据采用方差权值平均法进行数据融合处理，实时提取出用户的实时步频。
优选地，利用所述系统本身的传感器获取骨盆机构高度数据以及跑台电机电流数据。
优选地，所述数据融合处理采用方差权值平均法，包括：
基于数据的瞬态均值μi(k)以及方差
Figure RE-GDA0001694963680000031
得到跑台电机电流及骨盆机构高度数据
Figure RE-GDA0001694963680000032
其中，Di(k)表示第i个信息源在第K个时刻的值；N表示信息源数据系列的维度；
采用下述公式通过前一时刻的值进行在线更新数据，
Figure RE-GDA0001694963680000033
采用下述公式执行信息融合：
M表示信息源数量；ωi(k)表示第i个传感器的权值；D(k)表示融合后的信息；
其中根据当前时刻的计算权值ωi(k)：
Figure RE-GDA0001694963680000035
式中表示离线收集的数据方差。
优选地，针对融合后的信息，选择幅值最大的频率作为实时步频。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1是根据本发明优选实施例的基于多源信息融合的步频检测方法的流程图。
图2是根据本发明优选实施例的基于多源信息融合的步频检测设备的示意图。
需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
具体实施方式
针对康复机器人系统步频检测，现有技术多需要专门配置传感器进行步频的检测，将使得系统成本增加，同时基于傅里叶变换的检测算法具有非实时的特点。而本发明所采用的方法是基于多源信息融合的人体步频检测方法。
图1是根据本发明优选实施例的基于多源信息融合的步频检测方法的流程图。本方法的实施例可基于下肢康复机器人系统，如图2所示，康复机器人系统包括：随人体上下运动的骨盆机构10、跑台20、机器人电控系统30以及显示设备40等。
步频检测作为康复机器人系统功能之一，本方法无需外部传感器，直接依据人机交互过程中，骨盆机构随人体重心上下运动的高度信息，以及人在跑台上行走过程，跑台驱动系统电流输出变化的信息，通过基于信息融合的方法进行步频分析。
如图1所示，根据本发明优选实施例的基于多源信息融合的步频检测方法包括：获取具有随用户人体上下运动的骨盆机构10和供用户步行的跑台20的系统的骨盆机构高度数据以及跑台电机电流数据；将获取的骨盆机构高度数据和所述跑台电机电流数据分别进行卡尔曼(kalman)滤波，将通过所述卡尔曼滤波获取的数据采用方差权值平均法进行数据融合处理，实时提取出用户的实时步频。
例如，利用所述系统本身的传感器获取骨盆机构高度数据以及跑台电机电流数据。
具体地，例如，VMA融合方法如下所示：
VMA权值参数依赖于数据的瞬态均值μi(k)以及方差
Figure RE-GDA0001694963680000041
跑台电机电流及骨盆机构高度数据如下
Figure RE-GDA0001694963680000042
Di(k)——第i个信息源在第K个时刻的值；N——信息源数据系列的维度。
所用到的方程与均值通过前一时刻的值进行在线更新
Figure RE-GDA0001694963680000043
VMA融合算法将不同传感器的信息通过加权的形式融合在一起，
M——信息源数量；ωi(k)——第i个传感器的权值；D(k)——融合后的信息
权值ωi(k)根据当前时刻的计算得到
Figure RE-GDA0001694963680000052
式中
Figure RE-GDA0001694963680000053
——离线收集的数据方差。
当然，ωi(k)的更新方式有很多种，以上仅为其中一种。
小波变换的含义是把某一被称为基本小波(Mother wavelet)的函数位移τ后，再在不同尺度α下，与待分析信号X(t)作内积，即
式中α>0，称为尺度因子，其作用是对基本小波
Figure RE-GDA0001694963680000055
函数作伸缩，τ反映位移，其值可正可负，α和τ都是连续变量，故又称为连续小波变换 (Continue wavelet tranform，简称CWT)。在不同尺度下小波的持续时间随值的加大而增宽，幅度则与
Figure RE-GDA0001694963680000056
成反比减少，但波的形状保持不变。
小波函数具有不唯一性，可选择常用的小波基Haar小波、Mexcian Hat小波、Morlet小波。
通过在尺度方向加和变换因子，即可得小波频谱。最终选择幅值最大的频率即为步频。
本发明的方法不需要配置外部传感器，根据人体运动过程中，机器人系统动力输出的变化，进行信息融合，通过卡尔曼滤波及小波分析，实现了实时准确地分析人体运动步频信息。本发明不用配置外部传感器，直接利用机器人驱动系统电流信息作为信号源，分析患者运动步频，降低了设备的生产制造成本；本发明通过骨盆机构和跑台两路信号源的输入，进行信息融合,获得更为精确可靠的信息，能更好的保证了结果的可靠性与准确性；本发明基于卡尔曼滤波和小波分析的方法，能实时分析提取出患者的实时步频，方便治疗师把控治疗过程以及康复疗效评估。
在具体应用时，本发明可适用于一种基于骨盆机构支撑机构的下肢康复机器人，可检测患者运动步频，作为医生对患者康复状态评估的直接参考。本发明属于但不局限于康复机器人技术，而是也可以应用至下肢物理治疗和步态训练等领域。
例如，可以利用诸如下肢康复机器人中的处理系统执行上述步骤。由此，可以看出，本发明还公开了与上述方法对应的设备及系统。
上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于多源信息融合的步频检测方法，其特征在于包括：
获取具有随用户人体上下运动的骨盆机构和供用户步行的跑台的系统的骨盆机构高度数据以及跑台电机电流数据；
将获取的所述骨盆机构高度数据和所述跑台电机电流数据分别进行卡尔曼滤波，将通过所述卡尔曼滤波获取的数据采用方差权值平均法进行数据融合处理，所述数据融合处理过程包括：
基于数据的瞬态均值μi(k)以及方差
Figure FDA0002263491790000011
得到跑台电机电流及骨盆机构高度数据
Figure FDA0002263491790000012
其中，Di(k)表示第i个信息源在第K个时刻的值；N表示信息源数据系列的维度；
采用下述公式通过前一时刻的值进行在线更新数据，
Figure FDA0002263491790000013
采用下述公式执行信息融合：
Figure FDA0002263491790000014
M表示信息源数量；ωi(k)表示第i个传感器的权值；D(k)表示融合后的信息；
其中根据当前时刻的计算权值ωi(k)：
Figure FDA0002263491790000015
式中
Figure FDA0002263491790000016
表示离线收集的数据方差；
针对所述融合后的信息，选择幅值最大的频率作为实时步频。
2.如权利要求1所述的基于多源信息融合的步频检测方法，其特征在于，所述系统还包括传感器，通过所述传感器获取所述骨盆高度数据以及所述跑台电机电流数据。
3.一种基于多源信息融合的步频检测设备，其特征在于包括：随用户人体上下运动的骨盆机构、供用户步行的跑台以及处理装置；其中，所述处理装置用于执行下述步骤：
获取具有随用户人体上下运动的骨盆机构和供用户步行的跑台的系统的骨盆机构高度数据以及跑台电机电流数据；将获取的所述骨盆机构高度数据和所述跑台电机电流数据分别进行卡尔曼滤波，将通过所述卡尔曼滤波获取的数据采用方差权值平均法进行数据融合处理，所述数据融合处理包括：
基于数据的瞬态均值μi(k)以及方差
Figure FDA0002263491790000021
得到跑台电机电流及骨盆机构高度数据
Figure FDA0002263491790000022
其中，Di(k)表示第i个信息源在第K个时刻的值；N表示信息源数据系列的维度；
采用下述公式通过前一时刻的值进行在线更新数据，
Figure FDA0002263491790000023
采用下述公式执行信息融合：
Figure FDA0002263491790000024
M表示信息源数量；ωi(k)表示第i个传感器的权值；D(k)表示融合后的信息；
其中根据当前时刻的计算权值ωi(k)：
式中表示离线收集的数据方差；
针对融合后的信息，选择幅值最大的频率作为实时步频。
4.如权利要求3所述的基于多源信息融合的步频检测设备，其特征在于，利用所述系统本身的传感器获取骨盆机构高度数据以及跑台电机电流数据。
CN201711384341.3A 2017-12-20 2017-12-20 一种基于多源信息融合的步频检测方法及设备 Active CN108325201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711384341.3A CN108325201B (zh) 2017-12-20 2017-12-20 一种基于多源信息融合的步频检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711384341.3A CN108325201B (zh) 2017-12-20 2017-12-20 一种基于多源信息融合的步频检测方法及设备

Publications (2)

Publication Number Publication Date
CN108325201A CN108325201A (zh) 2018-07-27
CN108325201B true CN108325201B (zh) 2020-02-11

Family

ID=62923112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711384341.3A Active CN108325201B (zh) 2017-12-20 2017-12-20 一种基于多源信息融合的步频检测方法及设备

Country Status (1)

Country Link
CN (1) CN108325201B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020053711A1 (en) * 2018-09-13 2020-03-19 Tecnobody S.R.L. Integrated method and system for the dynamic control of the speed of a treadmill
CN112999568B (zh) * 2021-02-24 2022-10-11 杭州士腾科技有限公司 一种跑步机速度自适应的控制方法、跑步机及控制装置
CN114917537B (zh) * 2022-07-20 2023-01-13 广州雷辰机电技术有限公司 运动参数检测方法、装置、跑步机和介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9517378B2 (en) * 2011-08-03 2016-12-13 Icon Health & Fitness, Inc. Treadmill with foot fall monitor and cadence display
US9597014B2 (en) * 2012-06-22 2017-03-21 Fitbit, Inc. GPS accuracy refinement using external sensors
CN104757976B (zh) * 2015-04-16 2017-07-21 大连理工大学 一种基于多传感器融合的人体步态分析方法和系统
CN105631195B (zh) * 2015-12-18 2017-12-26 合肥工业大学 一种可穿戴式多信息融合的步态分析系统及其方法
CN206007894U (zh) * 2016-08-31 2017-03-15 山东英克莱集团有限公司 一种多功能康复用跑步机
CN107174255B (zh) * 2017-06-15 2020-04-10 西安交通大学 基于Kinect体感技术的三维步态信息采集与分析方法
CN107451620A (zh) * 2017-08-11 2017-12-08 深圳市唯特视科技有限公司 一种基于多任务学习的场景理解方法

Also Published As

Publication number Publication date
CN108325201A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN108325201B (zh) 一种基于多源信息融合的步频检测方法及设备
Zhang et al. sEMG-based continuous estimation of joint angles of human legs by using BP neural network
CN100594867C (zh) 一种穿戴式手功能康复机器人及其控制系统
CN201164564Y (zh) 一种穿戴式手功能康复机器人及其控制系统
CN105213153A (zh) 基于脑肌信息变阻抗的下肢康复机器人控制方法
CN104107134A (zh) 基于肌电反馈的上肢训练方法及系统
CN104337666A (zh) 多肌肉协同肌电反馈康复训练系统和方法
CN109079763B (zh) 一种可穿戴柔性步行助力机器人控制系统及控制方法
Ma et al. Design on intelligent perception system for lower limb rehabilitation exoskeleton robot
CN103120586A (zh) 人体步态运动学参数采集辅助装置和方法
CN205198906U (zh) 一种用于辅助健身的运动模式纠正系统
CN103989480B (zh) 基于Android系统的膝骨性关节炎运动监测方法
Pang et al. Study on the sEMG driven upper limb exoskeleton rehabilitation device in bilateral rehabilitation
CN110125909A (zh) 一种多信息融合人体外骨骼机器人控制保护系统
Chen et al. Adaptive control strategy for gait rehabilitation robot to assist-when-needed
Suhaimi et al. Analysis of EMG-based muscles activity for stroke rehabilitation
Lalitharatne et al. Evaluation of fuzzy-neuro modifiers for compensation of the effects of muscle fatigue on EMG-based control to be used in upper-limb power-assist exoskeletons
CN109634419A (zh) 康复机器人运动意图识别方法及其计算机可读存储介质
CN108888482B (zh) 基于运动皮层相关电位的下肢外骨骼康复训练系统
CN114618136B (zh) 一种基于运动人体科学的牵引拉伸运动装置
CN115063883A (zh) 一种肢体康复效果评估装置
Guo et al. A novel fuzzy neural network-based rehabilitation stage classifying method for the upper limb rehabilitation robotic system
Lv et al. Prediction of hand grip strength based on surface electromyographic signals
CN106983511A (zh) 肌力与肌张力状态突变点的识别方法及识别装置
Wang et al. Deep learning-based gesture recognition for control of mobile body-weight support platform

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180727

Assignee: SHANGHAI ELECTRIC INTELLIGENT REHABILITATION MEDICAL TECHNOLOGY Co.,Ltd.

Assignor: Shanghai Electric Group Co.,Ltd.

Contract record no.: X2023310000146

Denomination of invention: A step frequency detection method and device based on multi-source information fusion

Granted publication date: 20200211

License type: Exclusive License

Record date: 20230919

EE01 Entry into force of recordation of patent licensing contract