CN109448702A - 人工耳蜗听觉场景识别方法 - Google Patents
人工耳蜗听觉场景识别方法 Download PDFInfo
- Publication number
- CN109448702A CN109448702A CN201811276582.0A CN201811276582A CN109448702A CN 109448702 A CN109448702 A CN 109448702A CN 201811276582 A CN201811276582 A CN 201811276582A CN 109448702 A CN109448702 A CN 109448702A
- Authority
- CN
- China
- Prior art keywords
- recognition methods
- voice signal
- scene recognition
- artificial cochlea
- auditory scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 210000003477 cochlea Anatomy 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000009432 framing Methods 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 8
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 206010011891 Deafness neurosensory Diseases 0.000 description 1
- 208000009966 Sensorineural Hearing Loss Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000860 cochlear nerve Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 231100000879 sensorineural hearing loss Toxicity 0.000 description 1
- 208000023573 sensorineural hearing loss disease Diseases 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Prostheses (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种人工耳蜗听觉场景识别方法，其包括如下步骤：(A)预处理程序模块将声音信号进行分帧与加窗处理；(B)特征提取程序模块将预处理后的声音信号进行特征提取；(C)场景识别程序模块将特征提取后的声音信号进行CNN运算，得出各预设场景的概率值，将概率值最大的场景判定为最终场景并输出。该通过CNN处理，能识别不同的听觉场景，为语音处理器后续语音增强及言语策略等信号处理模块提供指示，使语音处理器的信号处理与听觉场景更加匹配，输出与实际听觉场景更加相符的刺激信号，提高患者在噪声环境下的语音信号的清晰度、可懂度，同时还可提高音乐场景下的聆听效果，进一步改善人工耳蜗植入患者的生活质量。
Description
技术领域
本发明涉及一种听觉场景识别方法，尤其涉及一种人工耳蜗听觉场景识别方法。
背景技术
人工耳蜗是目前世界公认的能使双侧重度或极重度感音神经性耳聋患者恢复听觉的唯一有效方法及装置。现有的人工耳蜗运作流程为：声音先由麦克风采集转换为电信号，经过特殊的数字化处理，再按照一定的策略编码，通过载在耳后的发射线圈传送到体内，植入体的接收线圈感应到信号后，经过解码芯片解码，使植入体的刺激电极产生电流，从而刺激听神经产生听觉。由于使用环境的限制，声音中必然掺杂着环境杂音，需要对声音信号进行一定的算法优化，但鉴于使用环境的多样化，如果只使用单一算法优化，则算法优化后的信号有时会与实际情况有所偏差，无法达到最佳的听觉效果，故需要一种听觉场景的识别方法，使得不同场景使用不同的优化算法，已达到最佳的听觉效果。
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人工耳蜗听觉场景识别方法，其能识别不同的听觉场景。
为实现上述目的，本发明提供了一种人工耳蜗听觉场景识别方法，其包括如下步骤：(A)预处理程序模块将声音信号进行分帧与加窗处理；(B)特征提取程序模块将预处理后的声音信号进行特征提取；(C)场景识别程序模块将特征提取后的声音信号进行CNN运算，得出各预设场景的概率值，将概率值最大的场景判定为最终场景。
在步骤A中，该加窗处理使用Hamming窗或Hanning窗。
进一步，Hamming窗：其中，窗长N＝256，帧移取128。
在步骤B中，该特征向量提取采用MFCC、FBank或语谱图。
进一步，Fbank的特征提取方法：对预处理输出的每一帧声音信号进行FFT变换:X[i,k]＝FFT[xi(m)]；对每一帧FFT后的数据计算谱线能量：E[i，k]＝[xi(k)]2；计算Mel滤波器能量：其中，Hm(k)为Mel滤波器的频率响应，m为Mel滤波器个数，这里取40；取对数运算：Fbank＝log[S(i,m)]。
在步骤C中，该CNN包括输入层，中间层及输出层，其中，该输入层为声音信号特征构成的二维数据矩阵，该中间层包括卷积输出层，池化输出层以及全连接输出层，该全连接输出层由一个一维数据组成，该池化输出层比该卷积输出层少一个。
进一步，池化处理采用Maxpooling或Meanpooling。
再进一步，激活函数使用ReLU、sigmoid、tanh或Logistic，其中，ReLU公式：
本发明人工耳蜗听觉场景识别方法通过CNN处理，能识别不同的听觉场景，为语音处理器后续语音增强及言语策略等信号处理模块提供指示，使语音处理器的信号处理与听觉场景更加匹配，输出与实际听觉场景更加相符的刺激信号，提高患者在噪声环境下的语音信号的清晰度、可懂度，同时还可提高音乐场景下的聆听效果，进一步改善人工耳蜗植入患者的生活质量。
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
图1是本发明人工耳蜗听觉场景识别方法的流程示意图。
图2是本发明CNN处理声音信号的流程示意图。
图3是本发明CNN处理声音信号一具体实施例的流程图。
具体实施方式
本发明提供了一种人工耳蜗听觉场景识别方法，用于识别不同的听觉场景，比如教室、街道、音乐厅、商场、火车站、菜市场等。
如图1所示，该人工耳蜗听觉场景识别方法包括模型训练，预处理，特征提取，场景识别三个步骤。
预处理：预处理程序模块将声音信号进行分帧与加窗处理，其中，预处理的目的是使用窗函数平滑地在对采样后的声音信号以帧为单位进行切分，不同的帧长及窗函数都会影响系统输出的结果，加窗的目的是减少信号频域中的泄露，降低旁瓣幅度。
以系统采样频率为16kHz为例。
该加窗处理使用Hamming窗，窗长N＝256，帧移取窗长一半，即128。
Hamming窗：
该加窗处理也可以使用Hanning窗等其他窗函数，帧长和帧移也可以根据系统需要进行变化设置。
特征提取：特征提取程序模块将预处理后的声音信号进行特征提取，其中，该特征提取采用MFCC(Mel-Frequency Cepstrum Coefficient,梅尔频率倒谱系数)、FBank(Mel-scale Filter Bank，梅尔标度滤波器组)或语谱图。
采用Fbank的特征提取方法如下：
对预处理输出的每一帧声音信号进行FFT变换:X[i,k]＝FFT[xi(m)]；
对每一帧FFT后的数据计算谱线能量：E[i,k]＝[xi(k)]2；
计算Mel滤波器能量：其中，Hm(k)为Mel滤波器的频率响应，m为Mel滤波器个数，这里取40；
取对数运算：Fbank＝log[S(i,m)]。
场景识别：场景识别程序模块将特征提取后的声音信号进行CNN(ConvolutionNeural Network，卷积神经网络)运算，得出各预设场景的概率值，将概率值最大的场景判定为最终场景，从而为语音处理器后续语音增强及言语策略等信号处理模块提供指示，使语音处理器的信号处理与听觉场景更加匹配。
如图2所示，该CNN包括输入层，中间层及输出层，其中，该输入层为声音信号特征构成的二维数据矩阵，该中间层包括卷积输出层，池化输出层以及全连接输出层，该卷积池输出层其卷积作用，该池化输出层其池化作用，该全连接输出层也起池化作用且由一个一维数据组成，其目的是降维，卷积及池化是成对出现的，即，该池化输出层比该卷积输出层少一个。该CNN处理声音信号的流程为：声音信号由该输入层进入第一个卷积输出层，经卷积处理后输出特征组C_1；该特征组C_1进入第一个池化输出层，经池化处理后输出特征组S_1；该特征组S_1进入第二个卷积输出层进行卷积处理后输出特征组C_2，然后进入第二个池化输出层输出进行池化处理后输出特征组S_2，以此类推，最后由第N个卷积输出层输出最终特征组，该最终特征组由该全连接输出层进行最后池化处理，以得出各预设场景分类结果，即各预设场景的概率值，最后由该输出层将最大概率的预设场景判定为最终场景，其中，N大于等于2。
如图3所示，举一CNN框架参数配置属性进行说明，见下表。
池化处理采用Maxpooling或Meanpooling。
激活函数使用ReLU(Rectified Linear Units)，公式如下：
该激活函数也可以采用sigmoid、tanh或Logistic。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种人工耳蜗听觉场景识别方法，其包括如下步骤：(A)预处理程序模块将声音信号进行分帧与加窗处理；(B)特征提取程序模块将预处理后的声音信号进行特征提取；(C)场景识别程序模块将特征提取后的声音信号进行CNN运算，得出各预设场景的概率值，将概率值最大的场景判定为最终场景。
2.如权利要求1所述的人工耳蜗听觉场景识别方法，其特征在于：在步骤A中，该加窗处理使用Hamming窗或Hanning窗。
3.如权利要求2所述的人工耳蜗听觉场景识别方法，其特征在于：Hamming窗：其中，窗长N＝256，帧移取128。
4.如权利要求1所述的人工耳蜗听觉场景识别方法，其特征在于：在步骤B中，该特征向量提取采用MFCC、FBank或语谱图。
5.如权利要求4所述的人工耳蜗听觉场景识别方法，其特征在于：Fbank的特征提取流程：对预处理输出的每一帧声音信号进行FFT变换:X[i,k]＝FFT[xi(m)]；对每一帧FFT后的数据计算谱线能量：E[i,k]＝[xi(k)]2；计算Mel滤波器能量：其中，Hm(k)为Mel滤波器的频率响应，m为Mel滤波器个数，这里取40；取对数运算：Fbank＝log[S(i,m)]。
6.如权利要求1所述的人工耳蜗听觉场景识别方法，其特征在于：在步骤C中，该CNN包括输入层，中间层及输出层，其中，该输入层为声音信号特征构成的二维数据矩阵，该中间层包括卷积输出层，池化输出层以及全连接输出层，该全连接输出层由一个一维数据组成，该池化输出层比该卷积输出层少一个。
7.如权利要求6所述的人工耳蜗听觉场景识别方法，其特征在于：池化处理采用Maxpooling或Meanpooling。
8.如权利要求7所述的人工耳蜗听觉场景识别方法，其特征在于：激活函数使用ReLU、sigmoid、tanh或Logistic，其中，ReLU公式：
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811276582.0A CN109448702A (zh) | 2018-10-30 | 2018-10-30 | 人工耳蜗听觉场景识别方法 |
| PCT/CN2018/123296 WO2020087716A1 (zh) | 2018-10-30 | 2018-12-25 | 人工耳蜗听觉场景识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811276582.0A CN109448702A (zh) | 2018-10-30 | 2018-10-30 | 人工耳蜗听觉场景识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109448702A true CN109448702A (zh) | 2019-03-08 |
Family
ID=65549467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811276582.0A Pending CN109448702A (zh) | 2018-10-30 | 2018-10-30 | 人工耳蜗听觉场景识别方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109448702A (zh) |
| WO (1) | WO2020087716A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859768A (zh) * | 2019-03-12 | 2019-06-07 | 上海力声特医学科技有限公司 | 人工耳蜗语音增强方法 |
| CN110796027A (zh) * | 2019-10-10 | 2020-02-14 | 天津大学 | 一种基于紧密卷积的神经网络模型的声音场景识别方法 |
| CN111491245A (zh) * | 2020-03-13 | 2020-08-04 | 天津大学 | 基于循环神经网络的数字助听器声场识别算法及硬件实现方法 |
| CN113160844A (zh) * | 2021-04-27 | 2021-07-23 | 山东省计算中心（国家超级计算济南中心） | 基于噪声背景分类的语音增强方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106682574A (zh) * | 2016-11-18 | 2017-05-17 | 哈尔滨工程大学 | 一维深度卷积网络的水下多目标识别方法 |
| CN107103901A (zh) * | 2017-04-03 | 2017-08-29 | 浙江诺尔康神经电子科技股份有限公司 | 人工耳蜗声音场景识别系统和方法 |
| DE102016214745A1 (de) * | 2016-08-09 | 2018-02-15 | Carl Von Ossietzky Universität Oldenburg | Verfahren zur Stimulation einer implantierten Elektrodenanordnung einer Hörprothese |
| CN108231067A (zh) * | 2018-01-13 | 2018-06-29 | 福州大学 | 基于卷积神经网络与随机森林分类的声音场景识别方法 |
| CN108550375A (zh) * | 2018-03-14 | 2018-09-18 | 鲁东大学 | 一种基于语音信号的情感识别方法、装置和计算机设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477798B (zh) * | 2009-02-17 | 2011-01-05 | 北京邮电大学 | 一种分析和提取设定场景的音频数据的方法 |
| CN103456301B (zh) * | 2012-05-28 | 2019-02-12 | 中兴通讯股份有限公司 | 一种基于环境声音的场景识别方法及装置及移动终端 |
| CN108520757A (zh) * | 2018-03-31 | 2018-09-11 | 华南理工大学 | 基于听觉特性的音乐适用场景自动分类方法 |
-
2018
- 2018-10-30 CN CN201811276582.0A patent/CN109448702A/zh active Pending
- 2018-12-25 WO PCT/CN2018/123296 patent/WO2020087716A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016214745A1 (de) * | 2016-08-09 | 2018-02-15 | Carl Von Ossietzky Universität Oldenburg | Verfahren zur Stimulation einer implantierten Elektrodenanordnung einer Hörprothese |
| CN106682574A (zh) * | 2016-11-18 | 2017-05-17 | 哈尔滨工程大学 | 一维深度卷积网络的水下多目标识别方法 |
| CN107103901A (zh) * | 2017-04-03 | 2017-08-29 | 浙江诺尔康神经电子科技股份有限公司 | 人工耳蜗声音场景识别系统和方法 |
| CN108231067A (zh) * | 2018-01-13 | 2018-06-29 | 福州大学 | 基于卷积神经网络与随机森林分类的声音场景识别方法 |
| CN108550375A (zh) * | 2018-03-14 | 2018-09-18 | 鲁东大学 | 一种基于语音信号的情感识别方法、装置和计算机设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859768A (zh) * | 2019-03-12 | 2019-06-07 | 上海力声特医学科技有限公司 | 人工耳蜗语音增强方法 |
| CN110796027A (zh) * | 2019-10-10 | 2020-02-14 | 天津大学 | 一种基于紧密卷积的神经网络模型的声音场景识别方法 |
| CN110796027B (zh) * | 2019-10-10 | 2023-10-17 | 天津大学 | 一种基于紧密卷积的神经网络模型的声音场景识别方法 |
| CN111491245A (zh) * | 2020-03-13 | 2020-08-04 | 天津大学 | 基于循环神经网络的数字助听器声场识别算法及硬件实现方法 |
| CN113160844A (zh) * | 2021-04-27 | 2021-07-23 | 山东省计算中心（国家超级计算济南中心） | 基于噪声背景分类的语音增强方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020087716A1 (zh) | 2020-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109448702A (zh) | 人工耳蜗听觉场景识别方法 | |
| CN105611477B (zh) | 数字助听器中深度和广度神经网络相结合的语音增强算法 | |
| Stern et al. | Hearing is believing: Biologically inspired methods for robust automatic speech recognition | |
| CN102509547B (zh) | 基于矢量量化的声纹识别方法及系统 | |
| JP2022529641A (ja) | 音声処理方法、装置、電子機器及びコンピュータプログラム | |
| CN105321525B (zh) | 一种降低voip通信资源开销的系统和方法 | |
| CN106782565A (zh) | 一种声纹特征识别方法及系统 | |
| CN107492382A (zh) | 基于神经网络的声纹信息提取方法及装置 | |
| Aloufi et al. | Emotionless: Privacy-preserving speech analysis for voice assistants | |
| CN111816218A (zh) | 语音端点检测方法、装置、设备及存储介质 | |
| CN109448755A (zh) | 人工耳蜗听觉场景识别方法 | |
| CN107945790A (zh) | 一种情感识别方法和情感识别系统 | |
| CN109215665A (zh) | 一种基于3d卷积神经网络的声纹识别方法 | |
| CN108922541A (zh) | 基于dtw和gmm模型的多维特征参数声纹识别方法 | |
| CN110033756A (zh) | 语种识别方法、装置、电子设备及存储介质 | |
| CN107845381A (zh) | 一种机器人语义处理的方法及系统 | |
| CN109754790A (zh) | 一种基于混合声学模型的语音识别系统及方法 | |
| CN104778948B (zh) | 一种基于弯折倒谱特征的抗噪语音识别方法 | |
| CN110111769A (zh) | 一种电子耳蜗控制方法、装置、可读存储介质及电子耳蜗 | |
| CN106782500A (zh) | 一种基于基音周期和mfcc的融合特征参数提取方法 | |
| CN1877697A (zh) | 一种基于分布式结构的说话人确认方法 | |
| CN109859768A (zh) | 人工耳蜗语音增强方法 | |
| CN105845143A (zh) | 基于支持向量机的说话人确认方法及其系统 | |
| Chauhan et al. | Speaker recognition using fusion of features with feedforward artificial neural network and support vector machine | |
| Zaman et al. | Classification of Harmful Noise Signals for Hearing Aid Applications using Spectrogram Images and Convolutional Neural Networks |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |