CN108877917A - 网络远程监测帕金森病严重程度的系统及方法 - Google Patents
网络远程监测帕金森病严重程度的系统及方法 Download PDFInfo
- Publication number
- CN108877917A CN108877917A CN201810611282.7A CN201810611282A CN108877917A CN 108877917 A CN108877917 A CN 108877917A CN 201810611282 A CN201810611282 A CN 201810611282A CN 108877917 A CN108877917 A CN 108877917A
- Authority
- CN
- China
- Prior art keywords
- decoder
- channel
- mapper
- interleaver
- disease severity
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种网络远程监测帕金森病严重程度的系统及方法,包括发射机,信道和接收机;发射机包括语音编码器、编码器、第一交织器和第一映射器;接收机包括均衡器、解映射器、解交织器、解码器、语音解码器、第二交织器和第二映射器;信道中引入加性高斯白噪声和码间干扰ISI。本发明具有方法简单、流程简洁、节约成本和能够促进患者和医疗专家之间信息流动的特点。
Description
技术领域
本发明涉及远程监测帕金森病严重程度技术领域,尤其是涉及一种方法简单、流程简洁、节约成本和能够促进患者和医疗专家之间信息流动的网络远程监测帕金森病严重程度的系统及方法。
背景技术
帕金森病是人类常见的神经退行性疾病之一,其发病率仅次于阿尔茨海默病。据报道,目前该病的平均发病年龄是55岁,且发病率随着年龄的增长而升高。45岁以上人群中发病率为0.4%,65岁以上人群中帕金森病的发病率为1%。更为严重的是,本病甚至可以在儿童期或青春期发病。据流行病学调查,在北美约有一百万的帕金森病患者,而在我国,2001年约有200万患者,且每年以10万人的速度递增。目前,我国的帕金森病患者人数约占世界帕金森病患者人数的50%。
目前对帕金森病的诊断难度极大,主要依赖于专家的临床经验。英国帕金森病协会脑库资料发现专家诊断的阳性预测值大约只有75%。采用严格的临床标准能改善预测值,但是排除极似帕金森病患者的费用昂贵。而采用复杂的研究方法,如CT、正电子发射体层摄影术(PET)等诊断成本过高,不适用于帕金森病这样的中老年常见病的诊断。
在先技术中存在帕金森病监测方法,包括基于视频的帕金森病诊断系统。该系统对受试者步态进行视频摄录,然后利用视频处理对步态模式进行分析。另外,还有静态测量方案,但是,由于静态姿势不稳定是帕金森病临床评价的重要参考,因此静态的站立姿势分析是进行帕金森病诊断的关键。对于嗅觉障碍的分析,可以通过MRI完成。除嗅觉检测之外,听力检测也是常用的测量手段。而对于基于语音障碍的帕金森病诊断包括2007年牛津大学Max.A.Little的研究小组对帕金森病人进行了语音样本的采集,形成了牛津大学帕金森病检测数据库(OPDD),2009年Max.A.Little在OPPD的基础上公布了帕金森病远程监控数据集(PTDS),2009年Max.A.Little等人利用基于核方法的支持向量机分类器对受试者的语音信号进行分类。先技术具有相当的优点,但是存在一些本质不足:诊断成本过高,无法长时间的跟踪式监测,不适合帕金森病这种常见的中老年疾病的诊断;部分先技术诊断过程非常复杂,无法抓住最佳治疗时机。
发明内容
本发明是为了克服现有技术中,对帕金森病的诊断成本过高,无法长时间跟踪式监测以及诊断过程非常复杂,无法抓住最佳治疗时机的问题,提供了一种方法简单、流程简洁、节约成本和能够促进患者和医疗专家之间信息流动的网络远程监测帕金森病严重程度的系统及方法。
为实现上述目的,本发明采用以下技术方案:
一种网络远程监测帕金森病严重程度的系统,包括发射机,信道和接收机;发射机包括语音编码器、编码器、第一交织器和第一映射器,语音编码器、编码器、第一交织器和第一映射器依次电连接;接收机包括均衡器、解映射器、解交织器、解码器、语音解码器、第二交织器和第二映射器,解映射器、解交织器、解码器、语音解码器依次电连接,第二交织器分别与解交织器和解码器电连接,第二映射器分别与解映射器、解交织器和第二交织器电连接;信道中引入加性高斯白噪声和码间干扰ISI,信道输入端与第一映射器电连接,信道输出端与均衡器电连接。
本发明的流程可以快速,频繁地远程跟踪疾病状态,最大限度地减少进行频繁且不便的身体访问的需求,并且可以快速响应患者不断变化的情况。本发明具有方法简单、流程简洁、节约成本和能够促进患者和医疗专家之间信息流动的特点。
作为优选,语音编码器和语音解码器均使用AMRNarrowband编解码器。
作为优选,编码器采用具有生成矩阵功能的递归系统卷积编码器。生成矩阵的格式为()[(()/())]。
作为优选,信道通过等效的离散时间线性滤波器近似而成。如果采用使用标准的Proakis C通道,会严重扭曲传输信号。
作为优选,均衡器使用迭代turbo均衡器。使用Tuchler的最小均方误差(MMSE)均衡器作为Turbo均衡方案的一部分。
作为优选,解码器采用标准的最大后验MAP解码器。
一种网络远程监测帕金森病严重程度的方法,包括如下步骤:
(7-1)受试者在手机上维持元音
(7-1-1)要求PD受试者进行测试时记录六个持续的元音“ahh...”声音:四个处于舒适的音调和响度水平,两个处于舒适响度的两倍;上述步骤通过使用由英特尔公司的AtHome测试设备(AHTD)收集语音信号;
(7-2)模拟蜂窝移动电话网络
(7-2-1)语音编码器将AHTD语音信号编码为比特流发送到编码器所得到的比特序列被馈送到第一交织器中,重新排列置换编码比特,最后第一映射器取交织的编码比特块,并将编码比特块变换成适合传输的码元在信道上传输,所述信道引入加性高斯白噪声和码间干扰ISI,使发射信号失真,均衡器利用发送的符号的结构来提供符号估计,以纠正信道失真的不利影响,解映射器将接收到的脉冲串分解成比特,解交织器恢复比特的初始顺序,恢复在交织器中发生的比特置换,解码器对发送的比特进行精确估计,来自解码器的输出比特被馈送到语音解码器,进行重构数字语音信号,消除语音编码的影响;
(7-3)分析在接收器处恢复的语音信号的方法
(7-3-1)遵循三个步骤来处理恢复的发声并提取临床上有用的信息:(a)特征提取,应用语音信号处理算法来表征发音并提取特征模式;(b)特征选择,选择特征小的、信息又丰富的子集以便最大限度地提供用于预测UPDRS的有用信息,以及下一个步骤;(c)特征映射,使用标准监督学习算法将选择的特征子集与临床结果相关联;
(7-4)交叉验证和模型泛化
(7-4-1)用10倍交叉验证来测试RF和SVM的泛化性能,将发声的初始数据集分为发声训练子集和发音测试子集,为了统计可信度,该过程总共重复100次,每次随机排列数据,然后分解成训练和测试子集,并使用平均绝对误差MAE来评估模型性能;
作为优选,一种网络远程监测帕金森病严重程度的方法,步骤(7-4-1)还包括如下步骤:
利用公式计算平均绝对误差MAE,其中是预测的UPDRS,yi是训练或测试子集中i入口的实际UPDRS,N是训练或测试子集中发音的数量,Q包含索引的集合。
因此,本发明具有如下有益效果:(1)本发明利用蜂窝移动电话网络远程监测帕金森病,现有的语音网络覆盖全球近75%的人口,规模经济和全球市场竞争导致价格下降,节约了成本,并且移动电话允许帕金森病患者自由移动,无需在离开家时携带附加设备;(2)本发明流程可以快速,频繁地远程跟踪疾病状态,最大限度地减少对进行频繁且不便的身体访问的需求,并且可以快速响应患者不断变化的情况;(3)远程监测减轻了医务人员的工作量和相关的国家卫生系统的财务压力;(4)本发明语音信号易收集,不需要使用昂贵专用的硬件,可以更频繁地监测帕金森病患者病情进展,以便优化治疗方案。
附图说明
图1是本发明的一种原理框图;
图2是本发明的一种流程图。
图中:发射机2、编码器3、编码器4、第一交织器5、第一映射器6、信道7、噪声和码间干扰ISI 8、接收机9、均衡器10、解映射器11、解交织器12、解码器13、语音解码器14、第二交织器16、第二映射器17。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述:
如图1所示的一种网络远程监测帕金森病严重程度的系统,包括发射机2,信道7和接收机9;发射机包括语音编码器3、编码器4、第一交织器5和第一映射器6,语音编码器、编码器、第一交织器和第一映射器依次电连接;接收机包括均衡器10、解映射器11、解交织器12、解码器13、语音解码器14、第二交织器16和第二映射器17,解映射器、解交织器、解码器、语音解码器依次电连接,第二交织器分别与解交织器和解码器电连接,第二映射器分别与解映射器、解交织器和第二交织器电连接;信道中引入加性高斯白噪声和码间干扰ISI8,信道输入端与第一映射器电连接,信道输出端与均衡器电连接。
本实施例中,语音编码器和语音解码器均使用AMRNarrowband编解码器。编码器使用具有生成矩阵()[(()/())]的递归系统卷积编码器。信道通过等效的离散时间线性滤波器近似而成,如果采用使用标准的Proakis C通道,会严重扭曲传输信号。均衡器使用迭代turbo均衡器,使用Tuchler的最小均方误差MMSE均衡器作为Turbo均衡方案的一部分。解码器使用标准的最大后验MAP解码器。
如图2所示,一种网络远程监测帕金森病严重程度的方法,包括如下步骤:
步骤100,受试者在手机上维持元音
步骤110,要求PD受试者进行测试时记录六个持续的元音“ahh...”声音:四个处于舒适的音调和响度水平,两个处于舒适响度的两倍;上述步骤通过使用由英特尔公司的AtHome测试设备(AHTD)收集语音信号;
步骤200,模拟蜂窝移动电话网络
步骤210,语音编码器将AHTD语音信号编码为比特流发送到编码器所得到的比特序列被馈送到第一交织器中,重新排列置换编码比特,最后第一映射器取交织的编码比特块,并将编码比特块变换成适合传输的码元在信道上传输,所述信道引入加性高斯白噪声和码间干扰ISI,使发射信号失真,均衡器利用发送的符号的结构来提供符号估计,以纠正信道失真的不利影响,解映射器将接收到的脉冲串分解成比特,解交织器恢复比特的初始顺序,恢复在交织器中发生的比特置换,解码器对发送的比特进行精确估计,来自解码器的输出比特被馈送到语音解码器,进行重构数字语音信号,消除语音编码的影响;
步骤300,分析在接收器处恢复的语音信号的方法
步骤310,遵循三个步骤来处理恢复的发声并提取临床上有用的信息:(a)特征提取,应用语音信号处理算法来表征发音并提取特征模式;(b)特征选择,选择特征小的、信息又丰富的子集以便最大限度地提供用于预测UPDRS的有用信息,以及下一个步骤;(c)特征映射,使用标准监督学习算法将选择的特征子集与临床结果相关联;
其中,使用标准监督学习算法指:随机森林RF和支持向量机SVM将选择的特征子集与临床结果相关联。
步骤400,交叉验证和模型泛化
步骤410,用10倍交叉验证来测试RF和SVM的泛化性能,将发声的初始数据集分为发声训练子集和发音测试子集,为了统计可信度,该过程总共重复100次,每次随机排列数据,然后分解成训练和测试子集,并使用平均绝对误差MAE来评估模型性能;
利用公式计算平均绝对误差MAE,其中是预测的UPDRS,yi是训练或测试子集中i入口的实际UPDRS,N是训练或测试子集中发音的数量,Q包含索引的集合。
本实施例扩展了先前的研究结果,通过研究GSM移动电话网络对于本发明应用的稳健性,证明了语音信号在PD的远程监测方面拥有远大的前途。
应理解,本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (8)
1.一种网络远程监测帕金森病严重程度的系统,其特征是,包括发射机(2),信道(7)和接收机(9);发射机包括语音编码器(3)、编码器(4)、第一交织器(5)和第一映射器(6),语音编码器、编码器、第一交织器和第一映射器依次电连接;接收机包括均衡器(10)、解映射器(11)、解交织器(12)、解码器(13)、语音解码器(14)、第二交织器(16)和第二映射器(17),解映射器、解交织器、解码器、语音解码器依次电连接,第二交织器分别与解交织器和解码器电连接,第二映射器分别与解映射器、解交织器和第二交织器电连接;信道中引入加性高斯白噪声和码间干扰ISI(8),信道输入端与第一映射器电连接,信道输出端与均衡器电连接。
2.根据权利要求1所述的网络远程监测帕金森病严重程度的系统,其特征是,语音编码器和语音解码器均使用AMRNarrowband编解码器。
3.根据权利要求1所述的网络远程监测帕金森病严重程度的系统,其特征是,编码器采用具有生成矩阵功能的递归系统卷积编码器。
4.根据权利要求1所述的网络远程监测帕金森病严重程度的系统,其特征是,信道通过等效的离散时间线性滤波器近似而成。
5.根据权利要求1或2或3或4所述的网络远程监测帕金森病严重程度的系统,其特征是,均衡器使用迭代turbo均衡器。
6.根据权利要求1或2或3或4所述的网络远程监测帕金森病严重程度的系统,其特征是,解码器采用标准的最大后验MAP解码器。
7.一种基于权利要求1所述的网络远程监测帕金森病严重程度的方法,其特征是,包括如下步骤:
(7-1)受试者在手机上维持元音
(7-1-1)要求PD受试者进行测试时记录六个持续的元音“ahh...”声音:四个处于舒适的音调和响度水平,两个处于舒适响度的两倍;
(7-2)模拟蜂窝移动电话网络
(7-2-1)语音编码器将AHTD语音信号编码为比特流发送到编码器所得到的比特序列被馈送到第一交织器中,重新排列置换编码比特,最后第一映射器取交织的编码比特块,并将编码比特块变换成适合传输的码元在信道上传输,所述信道引入加性高斯白噪声和码间干扰ISI,使发射信号失真,均衡器利用发送的符号的结构来提供符号估计,以纠正信道失真的不利影响,解映射器将接收到的脉冲串分解成比特,解交织器恢复比特的初始顺序,恢复在交织器中发生的比特置换,解码器对发送的比特进行精确估计,来自解码器的输出比特被馈送到语音解码器,进行重构数字语音信号,消除语音编码的影响;
(7-3)分析在接收器处恢复的语音信号的方法
(7-3-1)遵循三个步骤来处理恢复的发声并提取临床上有用的信息:(a)特征提取,应用语音信号处理算法来表征发音并提取特征模式;(b)特征选择,选择特征小的、信息又丰富的子集以便最大限度地提供用于预测UPDRS的有用信息,以及下一个步骤;(c)特征映射,使用标准监督学习算法将选择的特征子集与临床结果相关联;
(7-4)交叉验证和模型泛化
(7-4-1)用10倍交叉验证来测试RF和SVM的泛化性能,将发声的初始数据集分为发声训练子集和发音测试子集,为了统计可信度,该过程总共重复100次,每次随机排列数据,然后分解成训练和测试子集,并使用平均绝对误差MAE来评估模型性能。
8.根据权利要求7所述的网络远程监测帕金森病严重程度的方法,其特征是,步骤(7-4-1)还包括如下步骤:
利用公式计算平均绝对误差MAE,其中是预测的UPDRS,yi是训练或测试子集中i入口的实际UPDRS,N是训练或测试子集中发音的数量,Q包含索引的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810611282.7A CN108877917A (zh) | 2018-06-14 | 2018-06-14 | 网络远程监测帕金森病严重程度的系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810611282.7A CN108877917A (zh) | 2018-06-14 | 2018-06-14 | 网络远程监测帕金森病严重程度的系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108877917A true CN108877917A (zh) | 2018-11-23 |
Family
ID=64338196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810611282.7A Pending CN108877917A (zh) | 2018-06-14 | 2018-06-14 | 网络远程监测帕金森病严重程度的系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108877917A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584861A (zh) * | 2018-12-03 | 2019-04-05 | 江苏师范大学 | 基于深度学习的阿尔茨海默症语音信号的筛查方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1130449A (zh) * | 1994-07-11 | 1996-09-04 | 诺基亚电信公司 | 移动通信系统中的用于语音传输的方法和设备 |
CN202364239U (zh) * | 2011-11-25 | 2012-08-01 | 华南理工大学 | 一种动态分配频谱的水下多用户语音通信装置 |
US20120265024A1 (en) * | 2010-10-05 | 2012-10-18 | University Of Florida Research Foundation, Incorporated | Systems and methods of screening for medical states using speech and other vocal behaviors |
CN106202952A (zh) * | 2016-07-19 | 2016-12-07 | 南京邮电大学 | 一种基于机器学习的帕金森疾病诊断方法 |
CN107045876A (zh) * | 2016-12-30 | 2017-08-15 | 南京邮电大学 | 一种基于语音的帕金森症严重程度诊断方法 |
-
2018
- 2018-06-14 CN CN201810611282.7A patent/CN108877917A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1130449A (zh) * | 1994-07-11 | 1996-09-04 | 诺基亚电信公司 | 移动通信系统中的用于语音传输的方法和设备 |
US20120265024A1 (en) * | 2010-10-05 | 2012-10-18 | University Of Florida Research Foundation, Incorporated | Systems and methods of screening for medical states using speech and other vocal behaviors |
CN202364239U (zh) * | 2011-11-25 | 2012-08-01 | 华南理工大学 | 一种动态分配频谱的水下多用户语音通信装置 |
CN106202952A (zh) * | 2016-07-19 | 2016-12-07 | 南京邮电大学 | 一种基于机器学习的帕金森疾病诊断方法 |
CN107045876A (zh) * | 2016-12-30 | 2017-08-15 | 南京邮电大学 | 一种基于语音的帕金森症严重程度诊断方法 |
Non-Patent Citations (2)
Title |
---|
叶晓江: "基于语音的帕金森症检测系统开发", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
石小磊: "数字视频监控系统中信道编码系统的研究与设计", 《万方数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584861A (zh) * | 2018-12-03 | 2019-04-05 | 江苏师范大学 | 基于深度学习的阿尔茨海默症语音信号的筛查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Speaker Diarization with Enhancing Speech for the First DIHARD Challenge. | |
CN1622200B (zh) | 多传感语音增强方法和装置 | |
KR102272622B1 (ko) | 기계설비의 기계음을 이용한 딥러닝기반 이상징후 감지시스템 | |
CN106464983B (zh) | 使用散列键识别媒体的方法和装置 | |
CN110223715A (zh) | 一种基于声音事件检测的独居老人家中活动估计方法 | |
CN115470827B (zh) | 基于自监督学习和孪生网络的对抗性心电信号降噪方法 | |
WO2021051608A1 (zh) | 一种基于深度学习的声纹识别方法、装置及设备 | |
CN112370015A (zh) | 基于格拉姆角场的生理信号质量评估方法 | |
CN108877917A (zh) | 网络远程监测帕金森病严重程度的系统及方法 | |
CN105118512A (zh) | 一种面向aac数字音频的通用隐写分析方法 | |
CN113488063A (zh) | 一种基于混合特征及编码解码的音频分离方法 | |
CN112382277A (zh) | 智能设备唤醒方法、智能设备和计算机可读存储介质 | |
CN113312596B (zh) | 一种基于深度学习和异步轨迹数据的用户身份识别方法 | |
US20180021010A1 (en) | Methods and apparatus for performing dynamic respiratory classification and tracking | |
CN110196098B (zh) | 基于心率变化的车辆声品质评价方法 | |
CN116776014B (zh) | 多源轨迹数据表示方法及装置 | |
CN109192217B (zh) | 面向多类低速率压缩语音隐写的通用信息隐藏检测方法 | |
Wang et al. | Acoustic scene classification based on CNN system | |
CN111755022B (zh) | 基于时序卷积网络的混合听诊信号分离方法及相关装置 | |
Dam et al. | e-Breath: breath detection and monitoring using frequency cepstral feature fusion | |
WO2021258958A1 (zh) | 语音编码方法、装置、计算机设备和存储介质 | |
CN113571074A (zh) | 基于多波段结构时域音频分离网络的语音增强方法及装置 | |
CN112905811A (zh) | 一种基于学生课堂行为分析的教学音视频推送方法及系统 | |
CN107103302B (zh) | 基于最佳检测门限的行为提取方法 | |
CN113327633A (zh) | 基于深度神经网络模型的带噪语音端点检测方法及装置 |
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: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |