CN110706805A - 一种基于特征选择的人工智能医疗诊断系统 - Google Patents
一种基于特征选择的人工智能医疗诊断系统 Download PDFInfo
- Publication number
- CN110706805A CN110706805A CN201910816430.3A CN201910816430A CN110706805A CN 110706805 A CN110706805 A CN 110706805A CN 201910816430 A CN201910816430 A CN 201910816430A CN 110706805 A CN110706805 A CN 110706805A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosis
- system module
- feature
- human body
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 88
- 238000013473 artificial intelligence Methods 0.000 title claims description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 230000017531 blood circulation Effects 0.000 claims description 3
- 210000002249 digestive system Anatomy 0.000 claims description 3
- 210000000750 endocrine system Anatomy 0.000 claims description 3
- 210000000653 nervous system Anatomy 0.000 claims description 3
- 210000004994 reproductive system Anatomy 0.000 claims description 3
- 210000002345 respiratory system Anatomy 0.000 claims description 3
- 230000002485 urinary effect Effects 0.000 claims description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于特征选择的人工智能医疗诊断系统,包括人体状态感知系统模块、机器学习系统模块、诊断推理系统模块、历史数据库和结果输出模块;人体状态感知系统模块用于采集反映人体状态的数据,并将其发送至机器学习系统模块;机器学习系统模块用于对采集到的数据进行处理后,基于特征选择算法选择出部分数据特征并将其按重要性由大到小的顺序输出后,发送至诊断推理系统模块;诊断推理系统模块用于特征筛选和特征匹配,查找其对应的诊断结果,并发送至结果输出模块;历史数据库用于储存不同的数据特征及其对应的诊断结果;结果输出模块用于显示诊断结果。本发明的人工智能医疗诊断系统,能够帮助医生快速判断病情,减少人为诊断误差。
Description
技术领域
本发明属于医疗诊断技术领域,涉及一种基于特征选择的人工智能医疗诊断系统。
背景技术
现有医疗诊断系统,主要采用图像识别技术为主,利用医疗检测的图片,进行病因的识别判断,以帮助医生快速地处理病例。
随着人口数量的不断增长、人口老龄化的加重,越来越多的人需要寻求医疗帮助,这就需要在减少医生人为失误的同时提高医疗器械的可靠性和自动化处理。
医生诊断是一个非常倚赖于经验的职业,需要阅读大量的医学专著、论文,了解最新的医学知识,同时还要通过大量的临床诊断来提高诊疗水平。而经验的积累,正是计算机非常擅长的。计算机辅助诊断(computer aided diagnosis,CAD)或计算机辅助检测(computer aided detection,CAD)是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助发现病症,提高诊断的准确率。现在常说的CAD技术主要是指基于医学影像学的计算机辅助诊断,与所述计算机辅助检测有所区别,后者重点是检测,计算机只需要对异常征象进行标注,在此基础上进行常见的影像处理,并无需进行进一步诊断,即,计算机辅助诊断是计算机辅助检测的延伸和最终目的,相应地,计算机辅助检测是计算机辅助诊断的基础和必经阶段。CAD技术又被称为医生的“第三只眼”,CAD系统的广泛应用有助于提高医生诊断的敏感性和特异性。
人工智能医疗诊断系统的主要职能是协助医生工作,除了能够帮助医生处理病人的病例等大数据外,还能够运用它的计算能力和推理能力帮助医生提高诊断率。所以合格的人工智能医疗诊断系统,第一是要帮助医生提高工作效率,第二是帮助医生提高诊断率。然而,在目前的情况下,能在医生的诊疗过程中提高诊断准确性的人工智能医疗诊断系统非常稀少。
因此,研究一种诊断准确率高的人工智能医疗诊断系统具有十分重要的意义。
发明内容
本发明的目的是解决现有技术中人工智能医疗诊断系统诊断准确率不高的问题,提供一种基于特征选择的人工智能医疗诊断系统。
为达到上述目的,本发明采用的方案如下:
一种基于特征选择的人工智能医疗诊断系统,包括人体状态感知系统模块、机器学习系统模块、诊断推理系统模块、历史数据库和结果输出模块;
人体状态感知系统模块用于采集反映人体状态的数据,并将其发送至机器学习系统模块;
机器学习系统模块用于对反映人体状态的数据进行标准化和向量化处理后,基于特征选择算法选择出部分数据特征并将其按重要性由大到小的顺序输出后,发送至诊断推理系统模块;
诊断推理系统模块用于特征筛选和特征匹配,特征筛选即筛选出重要性最大的前N名的数据特征,特征匹配即将前N名的数据特征与历史数据库进行匹配,查找其对应的诊断结果,并发送至结果输出模块;
历史数据库用于储存不同的数据特征及其对应的诊断结果;
结果输出模块用于显示诊断结果。
本发明的一种基于特征选择的人工智能医疗诊断系统工作原理为:利用人体感知系统模块采集反映人体状态的数据,利用机器学习模块的特征选择算法选择出部分人体数据特征,并对特征的重要性进行排序,根据诊断推理模块的特征选择和特征匹配算法快速找到疾病发生的根源变量,结合历史数据库查找相应的措施,并通过结果输出模块显示出来。本发明能够判断人体是否正常工作,并根据当前多源状态信息对人体疾病发生的原因、位置、诊断措施进行快速地处理。本发明的人工智能医疗诊断系统的主要工作通过软件算法来实现,对硬件的要求比较低,将大幅节约硬件成本;减少了常见非紧急疾病就医的必要性,帮助医生快速地判断病情,减少人为诊断误差,有利于合理地利用医疗资源。
作为优选的方案:
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述人体状态感知系统模块利用多元医疗信息采集技术与传感器技术采集反映人体状态的数据,两种技术相结合能够更加准确地采集人体状态数据。
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述人体状态感知系统模块用于周期性地采集反映人体状态的数据,并将其以矩阵的形式发送至机器学习系统模块,矩阵X=(X1,X2...Xi...Xm),其中,m为周期的数量,第i个周期采集到的数据Xi=(x1,x2...xj...xn)T,其中,n为第i个周期采集到的数据的个数,xj为第i个周期采集到的第j个数据。
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述反映人体状态的数据为反映一个或多个人体系统健康状态的数据,人体系统为运动系统、神经系统、内分泌系统、血液循环系统、呼吸系统、消化系统、泌尿系统或生殖系统。
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述人体状态感知系统模块的功能是在PC机中利用C++、MATLAB或Python语言实现的,这里仅列举几种最为常见的编程语言,其他计算机语言如VB、Java等也可适用于本发明。
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述特征选择算法的流程如下:
(1)将由反映人体状态的数据组成的数据集S分离;
(2)选取数据R的某个特征,在这个特征上分别计算数据R和最近的相邻的同类数据H的距离D(RH),以及数据R和最近的相邻的不同类数据M的距离D(RM);
(3)判断D(RH)和D(RM)的大小,若是D(RH)小于D(RM),则给这个特征设置的权重要相应的增大;若是D(RH)大于D(RM),则给这个特征设置的权重要相应的减少;
(4)重复步骤(2)和(3)k次,通过计算得到每个特征的权重;
(5)剔除权重值最小的特征,得到一个数据特征子集St及其权重矩阵wt;
(6)对数据特征子集St进行加权处理,得到加权后的数据特征子集Sr=St·wt;
(7)基于mRMR准则,并利用增量搜索法,从数据特征子集Sr中筛选出d个数据特征并按重要性由大到小的顺序输出。
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述诊断推理系统模块的功能是在PC机中利用软件来实现的,特征筛选是利用Python实现的,特征匹配是利用CLIPS智能推理语言实现的。
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述历史数据库是通过结合C++与CLIPS智能推理语言建立的。
如上所述的一种基于特征选择的人工智能医疗诊断系统,所述诊断结果为病因、病发位置、治疗建议和是否人工介入,可直接通过人工智能医疗诊断系统打印诊断结果报告,如需人工介入,亦可直接通过人工智能医疗诊断系统进行反馈。
有益效果:
(1)本发明的一种基于特征选择的人工智能医疗诊断系统,能够根据采集到的数据对人体疾病发生的原因、位置、诊断措施进行快速准确地处理,减少了常见非紧急疾病就医的必要性;
(2)本发明的一种基于特征选择的人工智能医疗诊断系统,主要工作通过软件算法来实现,对硬件的要求比较低,大幅节约了硬件成本;
(3)本发明的一种基于特征选择的人工智能医疗诊断系统,能够帮助医生快速地判断病情,减少人为诊断误差,有利于合理地利用医疗资源。
附图说明
图1为本发明的一种基于特征选择的人工智能医疗诊断系统的结构示意图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些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。
一种基于特征选择的人工智能医疗诊断系统,包括人体状态感知系统模块、机器学习系统模块、诊断推理系统模块、历史数据库和结果输出模块,其结构示意图如图1所示;
人体状态感知系统模块的功能是在PC机中利用C++、MATLAB或Python语言实现的,人体状态感知系统模块利用多元医疗信息采集技术与传感器技术周期性地采集反映一个或多个人体系统(运动系统、神经系统、内分泌系统、血液循环系统、呼吸系统、消化系统、泌尿系统或生殖系统)健康状态的数据,并将其以矩阵的形式发送至机器学习系统模块,矩阵X=(X1,X2...Xi...Xm),其中,m为周期的数量,第i个周期采集到的数据Xi=(x1,x2...xj...xn)T,其中,n为第i个周期采集到的数据的个数,xj为第i个周期采集到的第j个数据;
机器学习系统模块用于对上述采集到的反映人体系统健康状态的数据进行标准化和向量化处理后,基于特征选择算法选择出部分数据特征并将其按重要性由大到小的顺序输出后,发送至诊断推理系统模块;特征选择算法的流程如下:
(1)将由反映人体状态的数据组成的数据集S分离;
(2)选取数据R的某个特征,在这个特征上分别计算数据R和最近的相邻的同类数据H的距离D(RH),以及数据R和最近的相邻的不同类数据M的距离D(RM);
(3)判断D(RH)和D(RM)的大小,若是D(RH)小于D(RM),则给这个特征设置的权重要相应的增大;若是D(RH)大于D(RM),则给这个特征设置的权重要相应的减少;
(4)重复步骤(2)和(3)k次,通过计算得到每个特征的权重;
(5)剔除权重值最小的特征,得到一个数据特征子集St及其权重矩阵wt;
(6)对数据特征子集St进行加权处理,得到加权后的数据特征子集Sr=St·wt;
(7)基于mRMR准则,并利用增量搜索法,从数据特征子集Sr中筛选出d个数据特征并按重要性由大到小的顺序输出;
诊断推理系统模块的功能是在PC机中利用软件来实现的,诊断推理系统模块用于特征筛选和特征匹配(特征筛选即利用Python筛选出重要性最大的前N名的数据特征,特征匹配即利用CLIPS智能推理语言将前N名的数据特征与历史数据库进行匹配),查找其对应的诊断结果,并发送至结果输出模块;
历史数据库是通过结合C++与CLIPS智能推理语言建立的,用于储存不同的数据特征及其对应的诊断结果;
结果输出模块用于显示诊断结果,诊断结果为病因、病发位置、治疗建议和是否人工介入。
Claims (9)
1.一种基于特征选择的人工智能医疗诊断系统,其特征是:包括人体状态感知系统模块、机器学习系统模块、诊断推理系统模块、历史数据库和结果输出模块;
人体状态感知系统模块用于采集反映人体状态的数据,并将其发送至机器学习系统模块;
机器学习系统模块用于对反映人体状态的数据进行标准化和向量化处理后,基于特征选择算法选择出部分数据特征并将其按重要性由大到小的顺序输出后,发送至诊断推理系统模块;
诊断推理系统模块用于特征筛选和特征匹配,特征筛选即筛选出重要性最大的前N名的数据特征,特征匹配即将前N名的数据特征与历史数据库进行匹配,查找其对应的诊断结果,并发送至结果输出模块;
历史数据库用于储存不同的数据特征及其对应的诊断结果;
结果输出模块用于显示诊断结果。
2.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述人体状态感知系统模块利用多元医疗信息采集技术与传感器技术采集反映人体状态的数据。
3.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述人体状态感知系统模块用于周期性地采集反映人体状态的数据,并将其以矩阵的形式发送至机器学习系统模块,矩阵X=(X1,X2...Xi...Xm),其中,m为周期的数量,第i个周期采集到的数据Xi=(x1,x2...xj...xn)T,其中,n为第i个周期采集到的数据的个数,xj为第i个周期采集到的第j个数据。
4.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述反映人体状态的数据为反映一个或多个人体系统健康状态的数据,人体系统为运动系统、神经系统、内分泌系统、血液循环系统、呼吸系统、消化系统、泌尿系统或生殖系统。
5.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述人体状态感知系统模块的功能是在PC机中利用C++、MATLAB或Python语言实现的。
6.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述特征选择算法的流程如下:
(1)将由反映人体状态的数据组成的数据集S分离;
(2)选取数据R的某个特征,在这个特征上分别计算数据R和最近的相邻的同类数据H的距离D(RH),以及数据R和最近的相邻的不同类数据M的距离D(RM);
(3)判断D(RH)和D(RM)的大小,若是D(RH)小于D(RM),则给这个特征设置的权重要相应的增大;若是D(RH)大于D(RM),则给这个特征设置的权重要相应的减少;
(4)重复步骤(2)和(3)k次,通过计算得到每个特征的权重;
(5)剔除权重值最小的特征,得到一个数据特征子集St及其权重矩阵wt;
(6)对数据特征子集St进行加权处理,得到加权后的数据特征子集Sr=St·wt;
(7)基于mRMR准则,并利用增量搜索法,从数据特征子集Sr中筛选出d个数据特征并按重要性由大到小的顺序输出。
7.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述诊断推理系统模块的功能是在PC机中利用软件来实现的,特征筛选是利用Python实现的,特征匹配是利用CLIPS智能推理语言实现的。
8.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述历史数据库是通过结合C++与CLIPS智能推理语言建立的。
9.根据权利要求1所述的一种基于特征选择的人工智能医疗诊断系统,其特征在于,所述诊断结果为病因、病发位置、治疗建议和是否人工介入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816430.3A CN110706805A (zh) | 2019-08-30 | 2019-08-30 | 一种基于特征选择的人工智能医疗诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816430.3A CN110706805A (zh) | 2019-08-30 | 2019-08-30 | 一种基于特征选择的人工智能医疗诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110706805A true CN110706805A (zh) | 2020-01-17 |
Family
ID=69193927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910816430.3A Pending CN110706805A (zh) | 2019-08-30 | 2019-08-30 | 一种基于特征选择的人工智能医疗诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110706805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023281424A1 (en) * | 2021-07-09 | 2023-01-12 | Ayur.Ai (Opc) Private Limited | Integrative system and method for performing medical diagnosis using artificial intelligence |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116707A (zh) * | 2013-03-04 | 2013-05-22 | 北京工业大学 | 一种基于案例推理的心脏病智能诊断方法 |
US20190027252A1 (en) * | 2016-07-12 | 2019-01-24 | Mindshare Medical, Inc. | Medical analytics system |
-
2019
- 2019-08-30 CN CN201910816430.3A patent/CN110706805A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116707A (zh) * | 2013-03-04 | 2013-05-22 | 北京工业大学 | 一种基于案例推理的心脏病智能诊断方法 |
US20190027252A1 (en) * | 2016-07-12 | 2019-01-24 | Mindshare Medical, Inc. | Medical analytics system |
Non-Patent Citations (3)
Title |
---|
李正飞 等: "基于ReliefF与mRMR耦合特征选择的多联机制冷剂充注量故障诊断", 《暖通空调HV&AC》 * |
王心涛等: "中枢神经系统CT影像诊断专家系统的设计与实现", 《中国医学创新》 * |
王素丽等: "妇科疾病诊断的模糊专家系统的研究与实现", 《计算机应用与软件》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023281424A1 (en) * | 2021-07-09 | 2023-01-12 | Ayur.Ai (Opc) Private Limited | Integrative system and method for performing medical diagnosis using artificial intelligence |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
JP2005508556A (ja) | 患者の状態を診断し予測するための患者データマイニング | |
WO2005081168A2 (en) | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions | |
CA2530595A1 (en) | Automated regional myocardial assessment for cardiac imaging | |
US20240029866A1 (en) | Image-driven brain atlas construction method, device and storage medium | |
CN113284572B (zh) | 多模态异构的医学数据处理方法及相关装置 | |
JP2023016928A (ja) | 医療データの自動化された検証 | |
CN111863238A (zh) | 一种基于平行智能的慢病诊疗系统及诊疗方法 | |
CN114496233B (zh) | 一种心肌梗死并发症的辅助诊断系统 | |
CN111199796A (zh) | 一种疾病辅助决策方法、装置及电子设备 | |
Kannathal et al. | Cardiac health diagnosis using data fusion of cardiovascular and haemodynamic signals | |
CN110706805A (zh) | 一种基于特征选择的人工智能医疗诊断系统 | |
Mansouri | Application of Neural Networks in the Medical Field | |
Kavak et al. | Application of CNN for detection and localization of STEMI using 12-lead ECG images | |
AU2020103910A4 (en) | An IoT based Health Care System to find Medical Emergency and Initiate Expert Care | |
CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
CN113792798A (zh) | 基于多源数据的模型训练方法、装置及计算机设备 | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
Zhang et al. | Artificial intelligence system for detection and screening of cardiac abnormalities using electrocardiogram images | |
CN108417268A (zh) | 基于机器学习的肾炎智能诊断系统及计算机可读存储介质 | |
KR102517271B1 (ko) | 딥러닝을 이용한 fhir 의료 정보 표준 매핑 및 이를 통한 의료 정보 통합 서비스 제공 방법 | |
Lokhande et al. | Cardiac Disease Detection Using IoT-Enabled ECG Sensors and Deep Learning Approach | |
CN113223698B (zh) | 急诊分级处理方法、装置、电子设备以及存储介质 | |
Durga et al. | DNN-Based Decision Support System for ECG Abnormalities | |
Soro et al. | Deep Cardiovascular Clinical Decision Support and Control System |
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: 20200117 |