CN109616201B - 一种基于小数据动态预测模型的疲劳预警方法 - Google Patents

一种基于小数据动态预测模型的疲劳预警方法 Download PDF

Info

Publication number
CN109616201B
CN109616201B CN201811330724.7A CN201811330724A CN109616201B CN 109616201 B CN109616201 B CN 109616201B CN 201811330724 A CN201811330724 A CN 201811330724A CN 109616201 B CN109616201 B CN 109616201B
Authority
CN
China
Prior art keywords
data
model
prediction
early warning
value
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
CN201811330724.7A
Other languages
English (en)
Other versions
CN109616201A (zh
Inventor
陈梅芬
仵博
陈锐浩
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.)
Shenzhen Vocational And Technical University
Original Assignee
Shenzhen Vocational And Technical University
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 Shenzhen Vocational And Technical University filed Critical Shenzhen Vocational And Technical University
Priority to CN201811330724.7A priority Critical patent/CN109616201B/zh
Priority to PCT/CN2019/079213 priority patent/WO2020093644A1/zh
Publication of CN109616201A publication Critical patent/CN109616201A/zh
Application granted granted Critical
Publication of CN109616201B publication Critical patent/CN109616201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种基于小数据动态预测模型的疲劳预警方法，通过分析预测模型R2值(R2值表示拟合指数，值小于等于1，越接近1，说明模型拟合度越高)，确定预测趋势的范围，实现预测模型的建立。模型建立后，还要定期采集数据对模型进行修正。再对预测趋势的范围与疲劳阈值进行比较，进行疲劳预警。本发明数据量适中，预测准确度高，适用数据范围广。

Description

一种基于小数据动态预测模型的疲劳预警方法
技术领域
本发明涉及疲劳预警方法领域，特别是一种基于小数据动态预测模型的疲劳预警方法。
背景技术
当前是大数据的时代，很多预测都是通过大数据运算实现。大数据后台运算的前提必须有良好的网络为基础，确保数据的有效传输。但由于环境的复杂性，有些时候无法保证网络通信的畅通。如网络覆盖不好的偏僻山区，自然灾害，太阳黑子活动等。一旦出现这些情况，依赖大数据通信的预测将无法正常工作。
现有的时间序列模型预测方法，对初始数据量要求比较多，要进行数据预处理，相关性分析，回归分析等。过程复杂繁琐，比较适合大数据运算实现。
发明内容
本发明的主要目的在于建立基于小数据的动态预测模型，摆脱对网络通信的依赖。实现对驾驶疲劳，学习疲劳，运动疲劳的监测。
本发明采用如下技术方案：
一种基于小数据动态预测模型的疲劳预警方法，其特征在于，包括如下步骤：
1)引入当前数据分别建立若干个预测模型；
2)计算各个预测模型的R2值，令R2值等于1的作为高拟合预测模型；令R2值最小的作为低拟合预测模型；
3)根据高拟合预测模型和低拟合模型确定预测趋势范围，采集数据，并判断该数据是否属于预测趋势范围，若是，则进入4)，若否，回到步骤1)；
4)判断预测趋势范围是否达到或超过预设阈值，若是，则预警；若否，则回到步骤1)。
优选的，在步骤1)中所述数据为小数据，其为3散点数据。
优选的，所述预测模型包括指数模型、线性模型、对数模型、多项式模型和乘幂模型。
优选的，所述将高拟合预测模型搭配低拟合模型确定预测趋势范围，即将其对应的R2值作为预测趋势范围。
优选的，所述步骤3)中，若采集的数据达到或超过预设阈值，则预警。
优选的，所述步骤4)中，若采集的数据及预测趋势范围均达到或超过预设阈值，则持续预警。
优选的，所述数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明是以实验数据为依据，通过分析预测模型R2值(R2值表示拟合指数，值小于等于1，越接近1，说明模型拟合度越高)，确定预测趋势的范围，实现预测模型的建立。模型建立后，还要定期采集数据对模型进行修正。再对预测趋势的范围与疲劳阈值进行比较，进行疲劳预警。数据量适中，预测准确度高，适用数据范围广。
附图说明
图1预测模型流程图；
图2选择3散点数据建模的常用模型；
图3眼眨动散点坐标总图；
图4眼眨动散点1～3散点预测模型图；
图5眼眨动散点3～5散点坐标(含检测点)图；
图6眼眨动散点3～5散点预测模型图；
图7眼眨动散点3～5散点预测模型修正图1；
图8眼眨动散点3～5散点预测模型修正图2；
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参见图1，一种基于小数据动态预测模型的疲劳预警方法，包括如下步骤：
1)引入当前数据分别建立若干个预测模型，该若干个预测模型包括指数模型、线性模型、对数模型、多项式模型和乘幂模型等。建立预测模型所需的当前数据为小数据，包括2-5散点数据。
2)计算各个预测模型的R2值，令R2值等于1的作为高拟合预测模型，令R2值最小的作为低拟合预测模型。该步骤中R2值的计算方式包括如下：
在统计学中，R2值的计算方法如下：
R2值＝回归平方和(ssreg)/总平方和(sstotal)
其中回归平方和＝总平方和-残差平方和(ssresid)。总平方和：Const(常量)参数为True(真)的情况下，总平方和＝y的实际值与平均值的平方差之和；Const(常量)参数为False(假)的情况下，总平方和＝y的实际值的平方和。残差平方和：残差平方和＝y的估计值与y的实际值的平方差之和。
在回归分析中，可以使用RSQ函数计算R2值。RSQ函数语法为RSQ(known_y's,known_x's)，将源数据中的y轴数据和x轴数据分别代入，就可以求得其趋势线的R2值。
也可通过相关统计学软件直接得到，如SPSS(Statistical Product and ServiceSolutions)，“统计产品与服务解决方案”软件。
3)根据高拟合预测模型和低拟合模型确定预测趋势范围，即将其对应的R2值作为预测趋势范围，确定预测趋势范围后，间隔一定的时间采集数据，以检测该预测趋势范围，判断该采集的数据是否处于预测趋势范围，若是，则无需修正预测趋势范围，进入4)，若否，回到步骤1)，根据采集的数据重新建立预测模型，修正预测趋势范围。
4)判断预测趋势范围是否达到或超过预设阈值，若是，则预警；若否，则回到步骤1)。
另外，在步骤3)中，若采集的数据达到或超过预设阈值，则预警。步骤4)中，若采集的数据及预测趋势范围均达到或超过预设阈值，则持续预警。
本发明的数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据或其他生理数据。数据采集可以不是均匀的，特别是像疲劳驾驶这种长时间预测，初始时采集间隔要短，便于尽快确定阈值和预测模型。中间采集间隔要长，避免数据冗余。一旦临近阈值，采集间隔要逐渐缩短，预测趋势也相应逐渐缩短，以便提高预测精度。
预设阈值的设定，不同的数据种类略有不同，要以实验测试为基准。
例如对于眼眨数据，假设以3个数据建模，预测第四个数据。所以取初始3个数据的平均值的4倍为阈值比较合理。还要参考一般眼眨动次数(每分钟12～15次)的阈值范围12*4～15*4，即48～60。低于48时，取初始3个数据的平均值的4倍为阈值。在48～60范围，取48为阈值。高于60取60为阈值。
应用举例：
通过对实验数据模型分析发现，如果利用2点建模，数据太少，只能建立单向模型，所有R2值为1，显然不适用。如果利用4点或4点以上建模，数据处理比较繁琐，采样周期偏长。优选利用3点建模，数据量适中，预测准确度高，适用数据范围广。
选择常用模型(指数、线性、对数、多项式、乘幂)，以下面一组数据为例说明选择个数不同数据点的区别：
表1眼眨动1被试2数据表
◆选择初始的2散点数据常用模型：
Y1＝6.125e0.1335x，R2＝1；Y2＝x+6，R2＝1；
Y3＝1.4427ln(x)+7，R2＝1；Y4＝7x0.1926，R2＝1
所有模型的R2值为1，无法预测。
◆选择初始的3散点数据常用模型(R2值降序排列)：
Y1＝x2-2x+8，R2＝1；Y2＝5.4146e0.226x，R2＝0.9472；Y3＝2x+4.6667，R2＝0.9231；Y4＝6.7493x0.3879，R2＝0.861；Y5＝3.4042ln(x)+6.6335，R2＝0.8254
选择最大值R2＝1与最小值R2＝0.8254的模型，即选择预测Y在下一个周期的最大值与最小值。
Y1＝x2-2x+8；Y5＝3.4042ln(x)+6.6335
当x＝4时，即下一个周期的时间，代入模型：
Y1＝42-2*4+8＝16；Y2＝3.4042*ln(4)+6.6335＝11.35
预测趋势范围11.35～16，与第4个实际值13是拟合的。
◆选择初始的4散点数据常用模型：
选择最大值R2＝1与最小值R2＝0.8826的模型，
Y1＝-0.5x3+4x2-7.5x+11，R2＝1
Y2＝4.3033ln(x)+6.3309，R2＝0.8826
当x＝5时，即下一个周期的时间，代入模型：
Y1＝-0.5*53+4*52-7.5*5+11＝11
Y2＝4.3033*ln(5)+6.3309＝13.26
预测趋势范围11～13.26，与第5个实际值8是不拟合的。
因此选择3散点数据建立模型最理想。并且以多项式的二次函数模型为高拟合模型，搭配其他函数模型为低拟合模型，就可以确定预测趋势范围。
确定预测趋势范围后，在预测周期之间，间隔一定的时间采集数据检测预测范围。当采集的数据属于预测趋势范围内时，不需要修正预测范围。当采集的数据不属于预测趋势范围内时，需要根据采集的数据重新建立模型，修正预测趋势范围。
阈值设定：根据实验分析，由于选择3散点数据建立模型，用于预测下一周期的趋势范围。因此取初始3个眼眨动次数的平均值的4倍为阈值，比较合理。表1被试2的阈值为((7+8+11)/3)*4＝34.67。
阈值设定除了按照建立模型方式设定，还要参考平均眼眨动次数(每分钟12～15次)的阈值范围12*4～15*4，即48～60。低于48时，取初始3个数据的平均值的4倍为阈值。在48～60范围，取48下限为阈值。因为每分钟眼眨动超过60次是异常的，所以高于60取上限60为阈值。
利用眼眨动数据为例说明建立模型进行预测的全过程。
表2眼眨动2被试5数据表
阈值设定：该被试的阈值为(8+4+10)*4/3＝29.33。
图3眼眨动散点坐标总图，为了描述采集数据检测预测范围，采集数据每5分钟1次。因此水平坐标取5分钟为基本单位。每次建模都将重建水平坐标原点。
◆眼眨动散点1～3建模：
Y1＝0.3125x2-2.875x+10.563，R2＝1
Y2＝6.9375x-0.011，R2＝0.0007
图4为眼眨动散点1～3散点预测模型图，预测趋势范围6.74～26.00，坐标总图第4个点实际值11，拟合。
◆眼眨动散点2～4建模：方法与眼眨动散点1～3建模相同。
Y1＝-0.1562x2+2.4375x+1.7188，R2＝1
Y2＝4.0417e0.1265x，R2＝0.82
预测趋势范围7.01～20.93，坐标总图第5个点实际值13，拟合。
◆眼眨动散点3～5建模：
Y1＝0.0313x2+0.0625x+9.9063，R2＝1
Y2＝1.2078ln(x)+9.8008，R2＝0.8089
图5眼眨动散点3～5散点坐标(含检测点)图，预测趋势范围12.90～16.01，坐标总图第6个点实际值27，不拟合，需要修正。
图6眼眨动散点3～5散点预测模型图，间隔5分钟采集一次检测数据，当x＝10时，预测趋势范围12.58～13.66，采集数据为15，需要修正。用散点4、5和第一次采集点建模，修正后的模型为：
Y1＝0.3x2-1.3x+12，R2＝1
Y2＝1.8428ln(x)+10.911，R2＝0.8254
图7眼眨动散点3～5散点预测模型修正图1
当x＝7时，预测趋势范围14.50～17.60，采集数据为18，需要修正。用散点5和第一、二次采集点建模，修正后的模型为：
Y1＝0.5x2+0.5x+12，R2＝1
Y2＝4.3718ln(x)+12.722，R2＝0.9314
图8眼眨动散点3～5散点预测模型修正图2
当x＝4时，预测趋势范围18.78～22，采集数据为20，不需要修正。
当x＝5时，预测趋势范围19.76～27，坐标总图第6个点实际值27，拟合。修正完成。
◆眼眨动散点4～6建模：
Y1＝0.375x2-1.75x+12.375，R2＝1
Y2＝6.0028ln(x)+9.3831，R2＝0.6135
预测趋势范围24.78～53，坐标总图第7个点实际值18。不拟合，需要修正。修正方法与3～5相同。
◆眼眨动散点5～7建模：
Y1＝-0.6875x2+7.625x+6.0625，R2＝1
Y2＝14.848e0.0474x，R2＝0.2695
预测趋势范围-14～27.50，眼眨动不可能为负，因此预测趋势范围0～27.50，坐标总图第8个点实际值27，拟合。
眼眨动散点6～8建模：
Y1＝0.5625x2-5.625x+32.063，R2＝1
Y2＝24，R2＝0
预测趋势范围24.00～54.00，坐标总图第9个点实际值19，不拟合，需要修正。修正方法与3～5相同。修正过程中，当修正后的预测趋势范围达到或超过阈值29.33时，需要预警，反之解除预警。
◆眼眨动散点7～9建模：
Y1＝-0.5313x2+5.4375x+13.094，R2＝1
Y2＝0.125x+20.708，R2＝0.0103
预测趋势范围-6.01～22.33，眼眨动不可能为负，因此预测趋势范围0～22.33，坐标总图第10个点实际值12，拟合。
◆眼眨动散点8～10建模：
Y1＝0.0313x2-2.1875x+29.156，R2＝1
Y2＝28.112x-0.337，R2＝0.8893
预测趋势范围6.01～11.84，坐标总图第11个点实际值40，不拟合，需要修正。修正方法与3～5相同。修正过程中，当采集的检测数据达到或超过阈值29.33时，需要预警，反之解除预警。
◆眼眨动散点9～11建模：
Y1＝1.0938x2-8.3125x+26.219，R2＝1
Y2＝16.075x0.2066，R2＝0.1496
预测趋势范围27.31～103.01，坐标总图第12个点实际值42，拟合，达到阈值，需要持续预警。
检验坐标总图第13个点实际值35，也达到阈值，需要预警。说明预测准确。
实验数据
眼眨动1：次/15分钟，共120分钟
眼眨动2：次/20分钟，共240分钟
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (3)

1.一种基于小数据动态预测模型的疲劳预警方法，其特征在于，包括如下步骤：
1）引入当前数据分别建立若干个预测模型，包括，选择连续的3散点数据分别建立若干个预测模型，预测模型包括指数模型、线性模型、对数模型、多项式模型和乘幂模型，所述当前数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据，所述当前数据为小数据；
2）计算各个预测模型的R2值，令R2值等于1的作为高拟合预测模型；令R2值最小的作为低拟合预测模型, 所述R2值表示拟合指数；
3）根据高拟合预测模型的输出和低拟合模型的输出确定预测趋势范围，确定预测趋势范围后，间隔一定的时间采集数据，以检测该预测趋势范围，采集的数据为眨眼数据、血压数据、脉搏数据、皮温数据或肌电数据，判断该采集的数据是否处于预测趋势范围，若是，则无需修正预测趋势范围，进入4），若否，采用当前数据中的其他点替代所述3散点数据中部分点组成新的3散点数据回到步骤1）重新建立预测模型，修正预测趋势范围；
4）判断预测趋势范围的最大值是否达到或超过预设疲劳阈值，若是，则预警；若否，则回到步骤1）。
2.如权利要求1所述的一种基于小数据动态预测模型的疲劳预警方法，其特征在于，所述步骤3）中，若采集的数据达到或超过预设阈值，则预警。
3.如权利要求1所述的一种基于小数据动态预测模型的疲劳预警方法，其特征在于，所述步骤4）中，若采集的数据及预测趋势范围的最大值均达到或超过预设阈值，则持续预警。
CN201811330724.7A 2018-11-09 2018-11-09 一种基于小数据动态预测模型的疲劳预警方法 Active CN109616201B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811330724.7A CN109616201B (zh) 2018-11-09 2018-11-09 一种基于小数据动态预测模型的疲劳预警方法
PCT/CN2019/079213 WO2020093644A1 (zh) 2018-11-09 2019-03-22 一种基于小数据动态预测模型的疲劳预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811330724.7A CN109616201B (zh) 2018-11-09 2018-11-09 一种基于小数据动态预测模型的疲劳预警方法

Publications (2)

Publication Number Publication Date
CN109616201A CN109616201A (zh) 2019-04-12
CN109616201B true CN109616201B (zh) 2023-10-31

Family

ID=66003710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811330724.7A Active CN109616201B (zh) 2018-11-09 2018-11-09 一种基于小数据动态预测模型的疲劳预警方法

Country Status (2)

Country Link
CN (1) CN109616201B (zh)
WO (1) WO2020093644A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903001A (zh) * 2019-12-03 2021-06-04 财团法人纺织产业综合研究所 织物定型机的操作方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598993A (zh) * 2015-01-14 2015-05-06 南京信息工程大学 基于眨眼次数的驾驶员疲劳驾驶预测方法
CN106534844A (zh) * 2016-11-15 2017-03-22 中国科学院软件研究所 基于心电和眼电信号的三维显示视疲劳评估系统和方法
CN106934368A (zh) * 2017-03-13 2017-07-07 长安大学 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法
CN107368922A (zh) * 2017-07-20 2017-11-21 华中师范大学 基于夜间灯光强度的城市住宅平均房价预估方法
CN108021535A (zh) * 2016-11-03 2018-05-11 北京国双科技有限公司 数据拟合方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101339511B1 (ko) * 2011-01-26 2013-12-10 한국환경공단 수질 다 항목을 이용한 총 질소 예측 장치 및 방법
US8988524B2 (en) * 2013-03-11 2015-03-24 The United States Of America As Represented By The Secretary Of The Army Apparatus and method for estimating and using a predicted vehicle speed in an indirect vision driving task
CN107992958B (zh) * 2016-10-26 2022-03-04 航天信息股份有限公司 基于arma的人口超限预警方法
CN108245171B (zh) * 2017-12-28 2020-12-25 东软集团股份有限公司 获取参数模型的方法、疲劳检测方法及装置、介质及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598993A (zh) * 2015-01-14 2015-05-06 南京信息工程大学 基于眨眼次数的驾驶员疲劳驾驶预测方法
CN108021535A (zh) * 2016-11-03 2018-05-11 北京国双科技有限公司 数据拟合方法和装置
CN106534844A (zh) * 2016-11-15 2017-03-22 中国科学院软件研究所 基于心电和眼电信号的三维显示视疲劳评估系统和方法
CN106934368A (zh) * 2017-03-13 2017-07-07 长安大学 一种基于眼动指标数据的驾驶疲劳检测系统及识别方法
CN107368922A (zh) * 2017-07-20 2017-11-21 华中师范大学 基于夜间灯光强度的城市住宅平均房价预估方法

Also Published As

Publication number Publication date
CN109616201A (zh) 2019-04-12
WO2020093644A1 (zh) 2020-05-14

Similar Documents

Publication Publication Date Title
CN110287552B (zh) 基于改进随机森林算法的电机轴承故障诊断方法及系统
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN111275307A (zh) 一种水质自动在线站高频连续观测数据质量控制方法
CN111738348B (zh) 一种电力数据异常检测方法和装置
CN116862081B (zh) 一种污染治理设备运维方法及系统
CN114244751B (zh) 无线传感器网络异常检测方法和系统
CN109616201B (zh) 一种基于小数据动态预测模型的疲劳预警方法
CN111967717A (zh) 一种基于信息熵值的数据质量评价方法
CN101237357B (zh) 工业无线传感器网络故障在线检测方法
CN116090605A (zh) 一种管网预警方法、装置、电子设备及存储介质
CN113868953A (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN113988723A (zh) 一种基于用电数据异常分析的用户行为锁定方法和系统
CN117454201B (zh) 一种智慧电网异常运行状态检测方法及系统
CN110826859A (zh) 一种基于日电量远程识别用户用电性质的方法及系统
CN112016206A (zh) 判定塔架失稳状态的方法、系统、计算机设备及应用
KR20220132824A (ko) 배전설비 상태 이상 개소 감시 시스템 및 방법
CN105139122A (zh) 程序运行时长的统计方法及系统
CN108109675B (zh) 一种实验室质量控制数据管理系统
CN113468823B (zh) 一种基于机器学习的光模块损坏检测方法及系统
CN115145902A (zh) 数据处理方法，装置，存储介质以及电子设备
CN113807743A (zh) 一种电网调度自动化软件可靠性评估方法及系统
CN111428345B (zh) 一种随机性负载扰动控制系统的性能评价系统及方法
US11131985B2 (en) Noise generation cause estimation device
CN108108864B (zh) 一种实验室质量控制数据管理方法
CN117540225B (zh) 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法

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
CB02 Change of applicant information

Address after: 518000 Xili street xilihu town xilihu bank, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Vocational and Technical University

Address before: 518000 No. 7098, Liu Xian Avenue, Nanshan District, Shenzhen, Guangdong.

Applicant before: SHENZHEN POLYTECHNIC

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant