CN109567792A - 一种单通道腹部记录胎儿心电图提取方法 - Google Patents
一种单通道腹部记录胎儿心电图提取方法 Download PDFInfo
- Publication number
- CN109567792A CN109567792A CN201811373279.2A CN201811373279A CN109567792A CN 109567792 A CN109567792 A CN 109567792A CN 201811373279 A CN201811373279 A CN 201811373279A CN 109567792 A CN109567792 A CN 109567792A
- Authority
- CN
- China
- Prior art keywords
- signal
- parent
- abdomen
- network
- electrocardio
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/344—Foetal cardiography
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种单通道腹部记录胎儿心电图提取方法,包括以下步骤:1)在母体腹部采集一路信号,对信号进行预处理,去除基线漂移,将去噪后的信号作为网络目标信号;2)使用奇异值分解(SVD)和平滑窗口(SW)估计母体心电成分,将估计出的母体胸部心电成分作为网络输入信号;3)然后构建反向传播(BP)神经网络,隐层设置为15个神经元,迭代次数为500次,学习速率设为0.1,目标误差为0.000001。4)采用BP神经网络方法训练网络,得到网络模板,然后提取胎儿心电信号。该发明只需要采集一导联腹部混合信号就可以提取出清晰的胎儿心电信号,避免了采集胸部心电给孕妇造成的不便,在实际应用中存在一定价值。
Description
技术领域
本发明属于胎儿心电信号检测技术领域,特别涉及一种单通道腹部记录的胎儿心电提取方法,是传统神经网络提取胎儿心电信号的改造技术。
背景技术
胎儿监护是目前保障围产期孕妇和胎儿安全、实现优生优育的重要手段。在围产期,胎儿由于脐带压迫或其他原因造成暂时性缺氧,会引起窒息、智力迟钝、痴呆甚至死亡。据统计,我国弱智儿童中很大部分是由于胎儿生长过程中处于缺氧的窘迫状态而导致发育不良或早产造成,而胎儿死亡中25%也是可以避免的。随着社会对母婴健康的重视,围产期对孕妇和胎儿进行监护日益成为国内外的关注重点。
胎儿心电图(Fetal Electrocardiogram,FECG)记录的是胎儿心脏动作电位及其在心脏传导过程中的图形变化,反映胎心率的瞬间变化、心肌情况、心律紊乱等。通过对其波形变化的分析,可及早发现许多妊娠期或分娩期的胎儿病理情况,以便及早采取措施,保证围产期胎儿的健康。胎儿心电图不仅能显示胎儿心率和心脏健康信息,且当胎儿状况出现异常或病变时,与心音或心动等相比,心电图形态变化发生的更快也更敏感。因此,获取清晰的胎儿心电在胎儿心电监护中具有重要意义。
胎儿心电信号是一种低频、微弱的信号,易受到各种外界信号的干扰,如母体心电(Maternal Electrocardiogram,MECG)、工频干扰、基线漂移以及母体肌电(EMG)等。其他干扰可以通过普通滤波消除,但作为强噪声的母体心电幅度比胎儿心电大10-20倍,且在时域中胎儿心电约有10%-30%和母体心电重合,频域中也有大部分频谱重叠,整个信号的非平稳随机性又十分强烈,因此胎儿心电常被淹没。另外,如何确定胎儿位置和电极放置,这些因素都会对胎儿心电信息的准确测量带来很大的影响。所以,如何准确提取胎儿心电信号是胎儿心电监护的关键问题。
近几十年来,国内外在胎儿心电提取上已经提出许多方法和算法,传统经典算法包括相干平均法、匹配滤波法、自适应滤波法、奇异值分解(SVD)和小波分析,近年发展起来的方法有独立量分析(ICA)和神经网络等。但是这些方法都存在着一定的局限性,如何从母体腹部信号中准确提取胎儿心电信号,目前仍处于研究阶段。
由于神经网络算法特别是深度学习的兴起,其处理大数据的能力越来越明显,神经网络是一种非线性统计性数据建模工具,常用来对输入和输出间复杂关系进行建模,应用在图像处理,模式识别,信号处理等领域。BP神经网络是一种按误差反向传播的多层前馈网络。它的基本思想是梯度下降法,利用梯度搜索技术,使网络的实际输出值与期望输出值的误差均方差最小。在胎儿心电信号提取应用中,BP神经网络可以提取出清晰的胎儿心电信号,但是该网络不仅需要采集母体腹部心电,还需要采集母体胸部心电,多电极的采集会给孕妇带来不舒适感和行动不便。为了解决这一问题,本发明提出一种单通道腹部记录胎儿心电图提取方法,使用SVD和SW构建母体胸部心电,克服了传统BP神经网络算法的缺点,是传统BP神经网络算法用于胎儿心电提取的改进技术。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出一种单通道腹部记录胎儿心电图提取方法。该方法仅仅需要采集一导联母体腹部心电,更少的电极使用,可以使孕妇的行动不受限制,提高孕妇的舒适感。该方法首先对采集到的母体腹部混合心电进行去噪处理,去噪后的信号作为网络目标信号,使用SVD和SW技术构建出母体胸部心电,将其作为网络输入信号,然后采用BP神经网络方法训练网络,得到网络模板,然后提取胎儿心电信号。本发明的胎儿心电信号提取方法,包括以下步骤:
1.1.采集一路母体腹部信号;
1.2.使用3阶低通巴特沃斯滤波器(截止频率为5Hz)来去除基线漂移;
1.3使用SVD和SW来构建母体胸部信号,将其作为网络输入信号;
1.4.使用BP神经网络提取胎儿心电信号;
上述步骤1.3具体包括如下步骤:
3.1.对去噪后的母体腹部信号使用自适应阈值检测母体R波位置;
3.2.对R波位置点进行一阶求导得到每个RR间期的长度,再求平均RR间期的长度;
3.3.使用梯形窗口来选择并加权每个检测到的母体QRS周围的信号,梯形窗口的宽度为平均RR间期的长度。这些加权QRS段用矩阵X表示,维数为m×n,其中m的大小为平均RR间期的长度,n是这一段心电数据中母体QRS的数量;
3.4.使用SVD分解矩阵X,SVD的公式为X=USVT,其中矩阵S是奇异值的对角矩阵,维数为n×n,U和V分别是左右奇异向量的酉矩阵,维数分别为m×n,n×n,T为矩阵的转置符号;
3.5.由于母体心电成分对协方差矩阵的贡献最大,所以只保留最大的奇异值,构建母体心电,SVD公式为Xr=UrSrVr,其中Sr为矩阵X的最大奇异值,Ur是最大奇异值对应的左奇异向量的酉矩阵,Vr是最大奇异值对应的右奇异向量的酉矩阵,Xr为重构的母体心电,维数为m×n,其中m的大小为平均RR间期的长度,n是这一段心电数据中母体QRS的数量,T为矩阵的转置符号;
3.6.对Xr中的每个心电周期使用平滑窗口平滑胎儿QRS波,并将每个心电周期进行连接,构成母体胸部心电信号;
上述步骤1.4具体包括如下步骤:
4.1.将去噪后的母体腹部混合心电作为网络输入信号,SVD和SW构建的母体胸部心电作为网络目标信号;
4.2.构建反向传播(BP)神经网络,隐层设置为15个神经元,迭代次数选取范围为200~1000次,学习速率的选取范围在0.01~0.8之间,一般情况下倾向于选取较小的学习速率以保证系统的稳定性,目标误差选取范围为0.000001~0.00001;
4.3.采用最小均方误差的BP神经网络方法训练网络,得到网络模板,估计出最佳期望信号;
4.4.目标信号减去最佳期望信号,得到胎儿心电信号。
本发明与现有技术相比,具有如下优点和有益效果:
1.本发明算法只需要采集一路母体腹部混合信号,不需要采集母体胸部心电信号,较少的电极不仅可以提高孕妇的舒适感,还不会限制孕妇的日常活动。
2.本发明算法经过了DaISy和Abdominal and Direct Fetal ElectrocardiogramDatabase(ADFECGDB)数据库,共25组母体腹部混合信号,除少数信号采集效果太差不能使用,均能达到预期目的,准确提取胎儿心电信号。
3.本发明方法避免了传统BP神经网络需要检测胸部心电信号限制,同时避免了母体胸部心电必须与腹部母体心电成分相似的限制,本文方法可以准确的提取出胎儿心电信号。
附图说明
图1:本发明方法的流程图;
图2:本发明方法中使用SVD和SW构建母体胸部心电的流程图;
图3:本发明方法对DaISy数据库的母体腹部混合信号进行胎儿心电提取的效果图;
图4:本发明方法对ADFECGDB数据库的母体腹部混合信号进行胎儿心电提取的效果图;
图5:本发明方法对ADFECGDB数据库的母体腹部混合信号使用3阶巴特沃斯滤波器去基线漂移图;
图6:对去噪后的母体腹部混合信号进行R波检测;
图7:对DaISy数据库的母体腹部混合信号使用SVD和SW构建母体胸部心电信号;
图8:对ADFECGDB数据库的母体腹部混合信号使用SVD和SW构建母体胸部心电信号;
图9:BP神经网络图;
具体实施方式
结合附图和实际例子对提取过程进行具体的描述。所使用数据为从ADFECGDB数据库获得的第2通道数据。下面分步进行介绍:
1.ADFECGDB数据库的采样率是1000Hz,采样时长为30min,第1通道信号为胎儿心电信号,第2-5通道为母体腹部混合信号。由于信号在采集过程中受到基线漂移的干扰,对信号进行去噪处理,使用三阶巴特沃斯滤波器估计出基线信号,用原始信号减去基线信号,得到不含基线漂移的母体腹部混合信号,如图5所示;
2.使用SVD和SW构建母体胸部心电信号;
1)使用自适应阈值法检测出母体心电R波位置,如图6所示。
2)对R波位置点进行一阶求导得到RR间期
3)我们使用梯形窗口(其长度取决于整个记录的平均RR间隔)来选择并加权每个检测到的母体QRS周围的信号。这些加权QRS段表示维数m×n的矩阵X,其中m是一段心电周期的长度,n是母体QRS的数量,X矩阵如下式所示:
3)使用SVD分解矩阵X,公式如下所示:
X=USVT (2)
其中矩阵S是奇异值的对角矩阵,维数为n×n,U和V分别是左右奇异向量的酉矩阵,维数分别为m×n,n×n,T为矩阵的转置符号;
4)构建母体QRS波;矩阵X的每一列表示一个母体心电周期,由于母体心电成分对协方差的贡献最大,第一左奇异向量(矩阵U的第一列,对应于主分量视图中的第一特征向量)主要表示母体心电成分,然后我们保留第一个奇异值构建母体QRS波,公式如下所示:
其中Sr为最大奇异值,Ur和Vr分别是最大奇异值的左奇异向量和右奇异向量的酉矩阵,Xr为重构的母体心电,维数为m×n,其中m的大小为平均RR间期的长度,n是这一段心电数据中母体QRS的数量,T为矩阵的转置符号。
5)对Xr中的每个心电周期使用平滑窗口平滑胎儿QRS波,并将每个心电周期进行连接,构成母体胸部心电信号;
3.使用BP神经网络提取胎儿心电信号;
1)BP神经网络是一种按误差反向传播训练的多层前馈网络,其算法简称BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差均方差最小。
2)BP神经网络中,单个样本有m个输入,有n个输出,输入层和输出层之间有若干个隐含层,这三层分别是输入层、隐含层、输出层(图9)。隐含层一般采用tansig和logsig函数,输出层一般采用logsig和purelin函数,其具体表达式如下:
对数S形式转移函数logsig:
双曲正切S形函数tansig:
3)将母体腹部混合信号作为网络目标信号,将母体胸部信号作为网络输入信号,使用最小均方误差准则的BP神经网络评算母体胸部信号传导至腹壁经历的形态改变,然后用腹部信号减去评算出的母体心电,得到胎儿心电信号,结果如图4所示。
Claims (3)
1.一种单通道腹部记录胎儿心电图提取方法,其特征在于包括以下步骤:
步骤1.采集一路母体腹部信号;
步骤2.使用3阶低通巴特沃斯滤波器来去除基线漂移
步骤3.使用SVD和SW来构建母体胸部信号,将其作为网络输入信号;
步骤4.使用BP神经网络提取胎儿心电信号。
2.如权利要求1所述的一种单通道腹部记录胎儿心电图提取方法,其特征在于所述步骤3包括,
3.1.对去噪后的母体腹部信号使用自适应阈值检测母体R波位置;
3.2.对R波位置点进行一阶求导得到每个RR间期的长度,再求平均RR间期的长度;
3.3.使用梯形窗口来选择并加权每个检测到的母体QRS周围的信号,梯形窗口的宽度为平均RR间期的长度;这些加权QRS段用矩阵X表示,维数为m×n,其中m的大小为平均RR间期的长度,n是这一段心电数据中母体QRS的数量;
3.4.使用SVD分解矩阵X,SVD的公式为X=USVT,其中矩阵S是奇异值的对角矩阵,维数为n×n,U和V分别是左右奇异向量的酉矩阵,维数分别为m×n,n×n,T为矩阵的转置符号;
3.5.由于母体心电成分对协方差矩阵的贡献最大,所以只保留最大的奇异值,构建母体心电,SVD公式为Xr=UrSrVr,其中Sr为矩阵X的最大奇异值,Ur是最大奇异值对应的左奇异向量的酉矩阵,Vr是最大奇异值对应的右奇异向量的酉矩阵,Xr为重构的母体心电,维数为m×n,其中m的大小为平均RR间期的长度,n是这一段心电数据中母体QRS的数量,T为矩阵的转置符号;
3.6.对Xr中的每个心电周期使用平滑窗口平滑胎儿QRS波,并将每个心电周期进行连接,构成母体胸部心电信号。
3.如权利要求1所述的一种单通道腹部记录胎儿心电图提取方法,其特征在于所述步骤4包括,
4.1.将去噪后的母体腹部混合心电作为网络输入信号,SVD和SW构建的母体胸部心电作为网络目标信号;
4.2.构建反向传播神经网络,隐层设置为15个神经元,迭代次数选取范围为200~1000次,学习速率的选取范围在0.01~0.8之间,目标误差选取范围为0.000001~0.00001;
4.3.采用最小均方误差的BP神经网络方法训练网络,得到网络模板,估计出最佳期望信号;
4.4.目标信号减去最佳期望信号,得到胎儿心电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373279.2A CN109567792A (zh) | 2018-11-19 | 2018-11-19 | 一种单通道腹部记录胎儿心电图提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373279.2A CN109567792A (zh) | 2018-11-19 | 2018-11-19 | 一种单通道腹部记录胎儿心电图提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109567792A true CN109567792A (zh) | 2019-04-05 |
Family
ID=65922730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811373279.2A Pending CN109567792A (zh) | 2018-11-19 | 2018-11-19 | 一种单通道腹部记录胎儿心电图提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109567792A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110123308A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨理工大学 | 无创胎儿心电信号r波的检测方法 |
CN110537907A (zh) * | 2019-08-26 | 2019-12-06 | 华南理工大学 | 一种基于奇异值分解的心电信号压缩及识别方法 |
CN112200068A (zh) * | 2020-10-09 | 2021-01-08 | 武汉科技大学 | 基于lstm神经网络心电提取方法、系统、设备及介质 |
CN113040789A (zh) * | 2021-03-17 | 2021-06-29 | 华南理工大学 | 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5372139A (en) * | 1991-06-24 | 1994-12-13 | Paul Benjamin Crilly | Method for suppressing a maternal electrocardiogram signal from a fetal electrocardiogram signal obtained with invasive and non-invasive techniques using an almost pure maternal electrocardiogram signal as a trigger |
CN102204817A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 两导联的胎儿心电信号提取装置及方法 |
CN204428025U (zh) * | 2014-12-08 | 2015-07-01 | 华南理工大学 | 基于可穿戴装置的心电检测装置 |
CN105411577A (zh) * | 2015-12-30 | 2016-03-23 | 深圳先进技术研究院 | 胎儿心电信号分离方法及系统 |
-
2018
- 2018-11-19 CN CN201811373279.2A patent/CN109567792A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5372139A (en) * | 1991-06-24 | 1994-12-13 | Paul Benjamin Crilly | Method for suppressing a maternal electrocardiogram signal from a fetal electrocardiogram signal obtained with invasive and non-invasive techniques using an almost pure maternal electrocardiogram signal as a trigger |
CN102204817A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 两导联的胎儿心电信号提取装置及方法 |
CN204428025U (zh) * | 2014-12-08 | 2015-07-01 | 华南理工大学 | 基于可穿戴装置的心电检测装置 |
CN105411577A (zh) * | 2015-12-30 | 2016-03-23 | 深圳先进技术研究院 | 胎儿心电信号分离方法及系统 |
Non-Patent Citations (3)
Title |
---|
NANNANZHANG 等: "《A Novel Technique for Fetal ECG Extraction Using Single-Channel Abdominal Recording》", 《SENSORS》 * |
曾兆山,等: "《基于SVD-LSSVM的单导联胎儿心电提取算法》", 《电子技术》 * |
袁延超 等: "《基于BP 神经网络的胎儿心电提取算法研究》", 《生物医学工程与临床》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110123308A (zh) * | 2019-05-28 | 2019-08-16 | 哈尔滨理工大学 | 无创胎儿心电信号r波的检测方法 |
CN110537907A (zh) * | 2019-08-26 | 2019-12-06 | 华南理工大学 | 一种基于奇异值分解的心电信号压缩及识别方法 |
CN112200068A (zh) * | 2020-10-09 | 2021-01-08 | 武汉科技大学 | 基于lstm神经网络心电提取方法、系统、设备及介质 |
CN113040789A (zh) * | 2021-03-17 | 2021-06-29 | 华南理工大学 | 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法 |
CN113040789B (zh) * | 2021-03-17 | 2022-09-09 | 华南理工大学 | 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109567792A (zh) | 一种单通道腹部记录胎儿心电图提取方法 | |
Wu et al. | Research of fetal ECG extraction using wavelet analysis and adaptive filtering | |
Islam et al. | Study and analysis of ecg signal using matlab &labview as effective tools | |
Khamene et al. | A new method for the extraction of fetal ECG from the composite abdominal signal | |
CN102160787B (zh) | 一种基于时频变换的胎儿心电盲提取方法 | |
CN101972145B (zh) | 一种基于源信号时域相对稀疏性的胎儿心电盲分离方法 | |
CN108024730A (zh) | 使用数学分析和机器学习来诊断疾病的方法和系统 | |
CN101554325B (zh) | 胎儿心电图的分离提取方法 | |
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 | |
CN106889981B (zh) | 一种用于提取胎儿心率的智能终端 | |
CN102258368B (zh) | 胎心电检测的时域稀疏性线性混叠盲分离模型的判别方法 | |
CN103610460A (zh) | 一种基于自适应flann滤波器的胎儿心电信号提取方法 | |
CN113384277B (zh) | 心电数据的分类方法及分类系统 | |
CN101627907A (zh) | 心电信号分析处理装置及方法 | |
van Oosterom | Spatial filtering of the fetal electrocardiogram | |
CN102783945A (zh) | 基于小波阈值去噪的胎儿心电信号提取方法 | |
CN103637796B (zh) | 基于广义特征值最大化的胎儿心电信号自适应盲提取方法 | |
CN105310688A (zh) | 一种基于非负盲分离胎儿心电特征信号提取方法 | |
Hatai et al. | FPGA implementation of a fetal heart rate measuring system | |
CN107049303A (zh) | 一种基于多腹导和多胸导的自适应胎儿心电信号提取系统及方法 | |
Mou et al. | Noise removal and QRS detection of ECG signal | |
Anisha et al. | Survey on fetal ECG extraction | |
Wan et al. | A method for extracting fECG based on ICA algorithm | |
Ungureanu et al. | Comparison and evaluation of existing methods for the extraction of low amplitude electrocardiographic signals: a possible approach to transabdominal fetal ECG | |
Kumar et al. | Detection of fetal electrocardiogram from multivariate abdominal recordings by using wavelets and neuro-fuzzy systems |
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 |
Application publication date: 20190405 |
|
WD01 | Invention patent application deemed withdrawn after publication |