CN109842682A - 一种基于物联网的分布式环境安全学习及预警方法 - Google Patents
一种基于物联网的分布式环境安全学习及预警方法 Download PDFInfo
- Publication number
- CN109842682A CN109842682A CN201910100691.5A CN201910100691A CN109842682A CN 109842682 A CN109842682 A CN 109842682A CN 201910100691 A CN201910100691 A CN 201910100691A CN 109842682 A CN109842682 A CN 109842682A
- Authority
- CN
- China
- Prior art keywords
- distributed environment
- safety
- early warning
- data
- variable
- 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.)
- Granted
Links
Abstract
一种基于物联网的分布式环境安全学习及预警方法,首先部署温度传感器、湿度传感器、光照传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器,采集环境中的温度、湿度、光照强度以及危险气体浓度数据,同时测量人体的体温、心率、血压生理指标,使用对采集到的数据进行关联分析,进而发现数据间的概率关联关系,从而训练出可以预警的分布式环境安全模型。具体来说,使用基于自适应随机图的安全评估方法分析数据概率关联关系,得到分布式环境安全预警模型。本发明根据分布式环境的数据采集结果,自适应训练和调整模型,实现了对环境安全参数的实时检测,并预警潜在的安全问题,保障人员安全。
Description
技术领域
本发明属于物联网技术领域,涉及环境安全预警,特别涉及一种基于物联网的分布式环境安全学习及预警方法。
背景技术
物联网是物物相连的互联网,通过各种信息传感设备,实时采集任何需要监控、连接、互动的物体或过程等各种需要的信息,与互联网结合形成一个巨大网络。传感器是一种能感受被测量信息,并将感受到的信息按一定规律转换成电信号或其他形式的信息输出,以满足信息的传输、处理、存储、显示、记录和控制等要求的检测装置,可以感知局部环境并相互交流观测信息。传感器是物联网的基础,使用传感器采集分布式环境的数据,可以进行环境安全预警。
概率图模型是一种用图结构来描述多元随机变量之间的条件独立关系的概率模型。图结构可以实现概率关系可视化,以一种直观、简单的方式描述了随机变量之间的条件独立性的性质,并可以将一个复杂的概率模型分解为一些简单模型的组合。在概率图模型中,每一个节点都表示一个随机变量(或一组随机变量),边表示这些随机变量之间的概率依赖关系。马尔可夫随机场是一种由具有马尔可夫随机过程特性的随机变量构成的无向概率图模型,用于表示随机变量的联合概率分布,可以在少量训练数据的条件下,很好地处理不确定推理问题,适用于模型经常需要调整的场景。
在分布式安全预警场景中,区域内节点的数据分析结果对应的安全判断结果需要随着节点的部署情况需要进行自适应调整,去除环境干扰、传输延迟等不利因素的影响,以使其能够获得尽可能高的泛化能力,同时提高准确率。利用马尔可夫随机场可以在各个节点收集的小规模样本基础上,构建准确的预警模型,判断环境的安全状态。当环境不安全时,实时预警,保护人员生命安全。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于物联网的分布式环境安全学习及预警方法,对采集到的数据使用基于自适应随机图的安全评估方法分析数据概率关联关系,进而发现数据间的概率关联关系,从而训练出可以分布式环境安全预警模型;本发明根据分布式环境的数据采集结果,自适应训练和调整模型,实现了对环境安全参数的实时检测,并预警潜在的安全问题,保障人员安全。
为了实现上述目的,本发明采用的技术方案是:
一种基于物联网的分布式环境安全学习及预警方法,包括如下步骤:
步骤(1),使用传感器采集分布式环境中数据,对采集到的数据进行预处理;
步骤(2),使用预处理过的数据,初始化随机图模型;
步骤(3),使用基于自适应随机图的安全评估方法分析数据的概率关联关系,得到分布式环境安全预警模型;
步骤(4),测量新的环境中数据,根据分布式环境安全预警模型对环境安全参数进行实时检测,判断环境是否安全,并预警潜在的安全问题。
所述步骤(1)中使用的传感器包括:温度传感器、湿度传感器、光照强度传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器;采集分布式环境中的数据包括:分布式环境的温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压数据。对采集到的数据进行预处理:去除不完整和明显错误的数据。
所述步骤(2)中使用预处理分析后的数据,设置状态变量、观测值、初始状态概率向量、状态转移概率矩阵、观测概率矩阵来初始化随机图模型。
其中状态变量指使用传感器采集数据的变量;观测值是指传感器采集的变量值;初始状态概率向量是指初始状态变量的概率,用向量表示;状态转移概率矩阵是一个状态到另一个状态的变量转移概率,用矩阵表示;观测概率矩阵是指一个状态的变量观测概率矩阵。
所述初始化随机图模型的具体方法是:用无向图表示随机变量之间的联合概率分布其中,Z为规范化因子,Q是无向图的最大团,为Q对应的势函数,使用指数函数定义势函数,通过势函数来参数化随机图模型,H(x)是一个定义在变量x上的实值函数,H(x)=∑u,v∈x,u≠vαuvxuxv+∑v∈xβvxv,αuv和βv是需要学习的参数,用于对团Q中的变量关系进行建模,所有团构成的集合为S,xQ是Q的节点对应的随机变量,u,v表示变量x的序号,xu表示第u个变量,xv表示第v个变量。
所述步骤(3)中使用基于自适应随机图的安全评估方法分析数据的概率关联关系过程如下:首先使用对数线性模型对初始化的随机图模型进行超细粒度参数化,然后使用似然函数对随机图模型参数进行极大似然估计,最后使用最大后验概率估计(MAP)推理后验概率密度,得到安全评估结果,集成医疗机构发布的数据,制定分布式环境的安全标准。
具体方法如下:首先利用变量的特征集和权值集给出分布P在随机图M上的对数线性模型;然后令其中,θ为需要求解的参数,变量x有K个,解此似然函数,得到随机图模型参数的极大似然估计,得到变量之间的概率关联关系;最后使用最大后验概率估计(MAP)方法推理后验概率,通过变量之间的概率关联关系,根据制定的分布式环境安全参数范围,分析在环境安全参数影响下分布式环境安全的条件概率P{安全|x1,...,xk},再根据贝叶斯公式进一步得到概率P{安全|(安全+不安全)}的值,最终获得安全评估结果;根据医疗机构标准制定分布式环境的安全标准:人体正常体温范围36.2~37.3℃;心率正常范围:60~100次/分;血压正常范围:高压90~140,低压60~90。
所述步骤(4)中通过使用传感器测量新的分布式环境中数据,对环境安全参数进行实时检测并获得安全评估结果,根据制定的安全标准判断判别环境是否安全,当后验概率P{安全|(安全+不安全)}>0.95(因为当人体的体温、心率、血压在正常范围的10%上下波动时,可以认定为安全状态,因此在结果概率存在5%的误差情况下,不影响安全评估的结果)时,认为分布式环境是安全的;否则,分布式环境不安全。自动准确地判别环境安全状态并对潜在的安全问题进行预警,提高环境安全率。
与现有技术相比,本发明通过部署传感器采集分布式环境中的数据,灵活方便,适用性强;基于自适应随机图的安全评估方法在小样本收集基础上即可自适应调整分布式环境安全预警模型。
附图说明
图1为本发明流程示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1给出了根据本发明实施例基于物联网的分布式环境安全学习及预警方法的流程示意图。概括来讲,该方法包括:步骤(1),使用传感器采集分布式环境数据,对采集到的数据进行预处理;步骤(2),使用预处理后的数据,初始化随机图模型;步骤(3),使用基于自适应随机图的安全评估方法分析数据的概率关联关系,得到分布式环境安全预警模型;步骤(4),测量新的环境数据,根据分布式环境安全预警模型自动实时准确判别环境是否安全。
更具体地,在步骤(1)中使用的传感器包括:温度传感器、湿度传感器、光照强度传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器;采集分布式环境中的数据包括:分布式环境的温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压数据。采集100组安全环境的数据和100组不安全环境的数据,对采集到的数据进行预处理:去除不完整和明显错误的数据。
将环境中的温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压这些变量作为图M的节点,节点之间的边表示变量之间的概率关系,M的完全子图M1,M2,...Mk是任意两个节点都有边相连的子图,完全子图的变量集是团Q,多个变量之间的联合概率分布基于团分解为多个因子的乘积,每个因子仅与一个团相关,对于K个变量x={x1,x2,...,xk},所有团构成的集合为S,与团Q∈S对应的变量集合记为xQ。
步骤(2),使用预处理后的数据,初始化随机图模型:
拟合数据,变量之间的联合概率分布其中,为团Q对应的势函数,使用指数函数定义势函数,H(x)是一个定义在变量x上的实值函数,H(x)=∑u,v∈x,u≠vαuvxuxv+∑v∈xβvxv,αuv和βv是需要学习的参数,用于对团Q中的变量关系进行建模,为规范化因子。根据条件独立性将联合概率分布进行因子分解,表示为一组局部的条件概率分布的乘积。
步骤(3),使用基于自适应随机图的安全评估方法分析数据的概率关联关系,得到分布式环境安全预警模型:
首先使用对数线性模型对初始化的随机图模型进行超细粒度参数化,其中,利用变量的特征集和权值集给出分布P在随机图M上的对数线性模型:特征集F={f1(M1),…,fk(Mk)},其中每个Mk是M的完全子图,权值集w=w1,w2,...,wk,使得Z是一个归一化常量。因为对数线性模型使随机图模型容易过参数化,所以需要消除冗余:如果存在系数β1,β2,...,βk使得对所有的参数∈有β1+∑kβkfk(∈)=0,那么具有权值w′={w1+β1,w2+β2,...,wk+βk的对数线性模型同样能表示P,则特征集是冗余的。所以为了使每个权值集只描述一个唯一的分布,需要当f1,f2,...fk为非冗余特征集时,令w,w’∈Rk,若w≠w’,有Pw≠Pw′。然后使用似然函数对随机图模型参数进行极大似然估计,令θ为需要求解的参数,为了求导方便,对两边取对数有令解此似然函数,即为随机图模型参数的极大似然估计。最后使用最大后验概率估计(MAP)推理后验概率密度,得到P{安全|(安全+不安全)}的值,进而得到分布式环境安全预警模型。
步骤(4),测量新的环境中数据,根据分布式环境安全预警模型自动实时准确判别环境是否安全,当后验概率P{安全|(安全+不安全)}>0.95时,认为分布式环境是安全的:
使用温度传感器、湿度传感器、光照强度传感器、危险气体浓度传感器、体温传感器、心率传感器、血压传感器采集不同的分布式环境中温度、湿度、光照强度、危险气体浓度以及工作人员的体温、心率、血压数据,通过分布式环境安全预警模型自动实时准确的判断分布式环境的安全状态,及时采取预警措施。
表1据训练好的分布式环境安全预警模型判断的安全环境状态。
以上,对本发明的具体实施方式做了具体描述,但是不应该认定本发明的具体实施只局限于这些说明。对于本发明所属领域的普通技术人员来说,在不脱离本发明构思和由权利要求书所限定的保护范围的前提之下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于物联网的分布式环境安全学习及预警方法,其特征在于,包括如下步骤:
步骤(1),使用传感器采集分布式环境中数据,对采集到的数据进行预处理;
步骤(2),使用预处理过的数据,初始化随机图模型;
步骤(3),使用基于自适应随机图的安全评估方法分析数据的概率关联关系,得到分布式环境安全预警模型;
步骤(4),测量新的环境中数据,根据分布式环境安全预警模型对环境安全参数进行实时检测,判断环境是否安全,并预警潜在的安全问题。
2.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述步骤(1)中部署传感器采集环境中的温度、湿度、光照强度以及危险气体浓度数据,同时测量人体的体温、心率、血压生理指标,对采集到的数据进行预处理是去除不完整和明显错误的数据。
3.根据权利要求2所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述步骤(2)中使用预处理分析后的数据,设置状态变量、观测值、初始状态概率向量、状态转移概率矩阵、观测概率矩阵来初始化随机图模型。
4.根据权利要求3所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述状态变量指使用传感器采集数据的变量;观测值指传感器采集的变量值;初始状态概率向量指初始状态变量的概率,用向量表示;状态转移概率矩阵是一个状态到另一个状态的变量转移概率,用矩阵表示;观测概率矩阵是一个状态的变量观测概率矩阵。
5.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述初始化随机图模型的方法是:用无向图表示随机变量之间的联合概率分布其中,Z为规范化因子, Q是无向图的最大团,为Q对应的势函数,使用指数函数定义势函数,通过势函数来参数化随机图模型,H(x)是一个定义在变量x上的实值函数,H(x)=∑u,v∈x,u≠vαuvxuxv+∑v∈xβvxv,αuv和βv是需要学习的参数,用于对团Q中的变量关系进行建模,所有团构成的集合为S,xQ是Q的节点对应的随机变量,u,v表示变量x的序号,xu表示第u个变量,xv表示第v个变量。
6.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述步骤(3)中使用基于自适应随机图的安全评估方法分析数据的概率关联关系过程如下:首先使用对数线性模型对初始化的随机图模型进行超细粒度参数化,然后使用似然函数对随机图模型参数进行极大似然估计,最后使用最大后验概率估计(MAP)推理后验概率密度,得到安全评估结果,集成医疗机构发布的数据,制定分布式环境的安全标准。
7.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述步骤(3)得到分布式环境安全预警模型的方法如下:首先利用变量的特征集和权值集给出分布P在随机图M上的对数线性模型;然后令其中,θ为需要求解的参数,变量x有K个,解此似然函数,得到随机图模型参数的极大似然估计,得到变量之间的概率关联关系;最后使用最大后验概率估计(MAP)方法推理后验概率,通过变量之间的概率关联关系,根据制定的分布式环境安全参数范围,分析在环境安全参数影响下分布式环境安全的条件概率P{安全|x1,...,xk},再根据贝叶斯公式进一步得到概率P{安全|(安全+不安全)}的值,最终获得安全评估结果;根据医疗机构标准制定分布式环境的安全标准:人体正常体温范围36.2~37.3℃;心率正常范围:60~100次/分;血压正常范围:高压90~140,低压60~90。
8.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述步骤(4)中通过使用传感器测量新的分布式环境中数据,对环境安全参数进行实时检测并获得安全评估结果,根据制定的安全标准判断判别环境是否安全,自动准确地判别环境安全状态并对潜在的安全问题进行预警,提高环境安全率。
9.根据权利要求1所述基于物联网的分布式环境安全学习及预警方法,其特征在于,所述步骤(4)中通过使用传感器测量新的分布式环境中数据,当后验概率P{安全|(安全+不安全)}>0.95时,认为分布式环境是安全的;否则,分布式环境不安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910100691.5A CN109842682B (zh) | 2019-01-31 | 2019-01-31 | 一种基于物联网的分布式环境安全学习及预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910100691.5A CN109842682B (zh) | 2019-01-31 | 2019-01-31 | 一种基于物联网的分布式环境安全学习及预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109842682A true CN109842682A (zh) | 2019-06-04 |
CN109842682B CN109842682B (zh) | 2020-04-10 |
Family
ID=66884399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910100691.5A Active CN109842682B (zh) | 2019-01-31 | 2019-01-31 | 一种基于物联网的分布式环境安全学习及预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109842682B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712109A (zh) * | 2020-12-18 | 2021-04-27 | 中国人民解放军陆军防化学院 | 一种单点信源的分布式检测融合方法 |
CN113376327A (zh) * | 2021-07-08 | 2021-09-10 | 海南绿能环境工程有限公司 | 基于大数据的环境监测信息管理方法及系统 |
CN116304596A (zh) * | 2023-05-26 | 2023-06-23 | 深圳市明源云科技有限公司 | 室内儿童安全监测方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393706A (zh) * | 2011-10-21 | 2012-03-28 | 沈阳国电科源泓大消防设备有限公司 | 基于物联网的消防远程监管安评系统及其控制方法 |
CN103559551A (zh) * | 2013-09-23 | 2014-02-05 | 北京中安健科安全技术咨询有限公司 | 一种面向生产企业的安全隐患风险定量评估及预警系统 |
CN104020751A (zh) * | 2014-06-23 | 2014-09-03 | 河海大学常州校区 | 基于物联网的校园安全监测系统及方法 |
CN104065533A (zh) * | 2014-06-27 | 2014-09-24 | 活点信息技术有限公司 | 物联网分布式动态安全检测系统 |
US9009007B2 (en) * | 2012-03-13 | 2015-04-14 | International Business Machines Corporation | Simulating stream computing systems |
CN105847351A (zh) * | 2016-03-22 | 2016-08-10 | 南京邮电大学 | 一种物联网环境下居家养老健康信息感知分析和预警系统 |
CN106022977A (zh) * | 2016-08-09 | 2016-10-12 | 国网山西省电力公司电力科学研究院 | 一种变电站工作现场安全分析方法 |
CN106682502A (zh) * | 2016-12-13 | 2017-05-17 | 重庆邮电大学 | 基于隐马尔可夫和概率推断的入侵意图识别系统及方法 |
CN106713472A (zh) * | 2016-12-30 | 2017-05-24 | 重庆安迈科技有限公司 | 物联网监测系统及方法 |
CN109191500A (zh) * | 2018-09-14 | 2019-01-11 | 中国科学院长春光学精密机械与物理研究所 | 一种多目标跟踪方法 |
-
2019
- 2019-01-31 CN CN201910100691.5A patent/CN109842682B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393706A (zh) * | 2011-10-21 | 2012-03-28 | 沈阳国电科源泓大消防设备有限公司 | 基于物联网的消防远程监管安评系统及其控制方法 |
US9009007B2 (en) * | 2012-03-13 | 2015-04-14 | International Business Machines Corporation | Simulating stream computing systems |
CN103559551A (zh) * | 2013-09-23 | 2014-02-05 | 北京中安健科安全技术咨询有限公司 | 一种面向生产企业的安全隐患风险定量评估及预警系统 |
CN104020751A (zh) * | 2014-06-23 | 2014-09-03 | 河海大学常州校区 | 基于物联网的校园安全监测系统及方法 |
CN104065533A (zh) * | 2014-06-27 | 2014-09-24 | 活点信息技术有限公司 | 物联网分布式动态安全检测系统 |
CN105847351A (zh) * | 2016-03-22 | 2016-08-10 | 南京邮电大学 | 一种物联网环境下居家养老健康信息感知分析和预警系统 |
CN106022977A (zh) * | 2016-08-09 | 2016-10-12 | 国网山西省电力公司电力科学研究院 | 一种变电站工作现场安全分析方法 |
CN106682502A (zh) * | 2016-12-13 | 2017-05-17 | 重庆邮电大学 | 基于隐马尔可夫和概率推断的入侵意图识别系统及方法 |
CN106713472A (zh) * | 2016-12-30 | 2017-05-24 | 重庆安迈科技有限公司 | 物联网监测系统及方法 |
CN109191500A (zh) * | 2018-09-14 | 2019-01-11 | 中国科学院长春光学精密机械与物理研究所 | 一种多目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
约翰 斯科特: "《社会网络分析手册》", 31 October 2018 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712109A (zh) * | 2020-12-18 | 2021-04-27 | 中国人民解放军陆军防化学院 | 一种单点信源的分布式检测融合方法 |
CN112712109B (zh) * | 2020-12-18 | 2022-10-11 | 中国人民解放军陆军防化学院 | 一种单点信源的分布式检测融合方法 |
CN113376327A (zh) * | 2021-07-08 | 2021-09-10 | 海南绿能环境工程有限公司 | 基于大数据的环境监测信息管理方法及系统 |
CN113376327B (zh) * | 2021-07-08 | 2023-01-17 | 海南海笙信息科技有限公司 | 基于大数据的环境监测信息管理方法及系统 |
CN116304596A (zh) * | 2023-05-26 | 2023-06-23 | 深圳市明源云科技有限公司 | 室内儿童安全监测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109842682B (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Eye‐tracking‐aided digital system for strabismus diagnosis | |
CN109842682A (zh) | 一种基于物联网的分布式环境安全学习及预警方法 | |
CN110706786B (zh) | 非接触式心理参数智能分析与评测系统 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
Giaquinto et al. | Real-time drip infusion monitoring through a computer vision system | |
CN106023516A (zh) | 一种考试监控方法、系统及考场监控器 | |
US20180249967A1 (en) | Devices, systems, and associated methods for evaluating a potential stroke condition in a subject | |
Hanosh et al. | Real-time epileptic seizure detection during sleep using passive infrared sensors | |
Trivedy et al. | Design and development of smartphone-enabled spirometer with a disease classification system using convolutional neural network | |
CN112504461A (zh) | 智能测温系统及测温方法 | |
Fontaine et al. | Artificial intelligence to evaluate postoperative pain based on facial expression recognition | |
CN105303771A (zh) | 一种疲劳判断系统及方法 | |
Putrada et al. | Improving thermal camera performance in fever detection during covid-19 protocol with random forest classification | |
CN110082106B (zh) | 一种基于Yu范数的深度度量学习的轴承故障诊断方法 | |
Yugha et al. | An automated glaucoma detection from fundus images based on deep learning network | |
CN117438024B (zh) | 急诊病人体征数据的智能采集分析系统及方法 | |
CN114424941A (zh) | 疲劳检测模型构建方法、疲劳检测方法、装置及设备 | |
Leopold et al. | Segmentation and feature extraction of retinal vascular morphology | |
CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
CN110598789A (zh) | 一种基于模糊感知器的人体疲劳状态预测方法及系统 | |
Sumathy et al. | Distance-based method used to localize the eyeball effectively for cerebral palsy rehabilitation | |
Li et al. | A supervised method using convolutional neural networks for retinal vessel delineation | |
Liu et al. | Comprehensive analysis of resting tremor based on acceleration signals of patients with Parkinson’s disease | |
Saranya et al. | Human body temperature and face mask audit system for COVID protocol |
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 |