CN111079927B - 一种基于极限学习机的髌骨疼痛检测系统 - Google Patents

一种基于极限学习机的髌骨疼痛检测系统 Download PDF

Info

Publication number
CN111079927B
CN111079927B CN201911278517.6A CN201911278517A CN111079927B CN 111079927 B CN111079927 B CN 111079927B CN 201911278517 A CN201911278517 A CN 201911278517A CN 111079927 B CN111079927 B CN 111079927B
Authority
CN
China
Prior art keywords
value
learning machine
extreme learning
neural network
training
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
CN201911278517.6A
Other languages
English (en)
Other versions
CN111079927A (zh
Inventor
杜民
史武翔
熊保平
黄美兰
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN201911278517.6A priority Critical patent/CN111079927B/zh
Publication of CN111079927A publication Critical patent/CN111079927A/zh
Application granted granted Critical
Publication of CN111079927B publication Critical patent/CN111079927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/389—Electromyography [EMG]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

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)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于极限学习机的髌骨疼痛检测系统，包括集成了陀螺仪和加速度计的传感器、采样电极片和电脑终端；用集成了陀螺仪和加速度计的传感器去测得关节角度值，并用采样电极片采集表面肌电信号值；集成了陀螺仪和加速度计的传感器和采样电极片通过无线传输的方式分别将关节角度值和表面肌电信号上传到电脑进行去噪处理后保存。本发明避免了贵重仪器的使用，降低了检测的成本，减少了检测时间，保证了检测的精度，并且可以做到在日常环境中进行试验，不受特定场地的限制。

Description

一种基于极限学习机的髌骨疼痛检测系统
技术领域
本发明涉及生物力学领域，特别是一种基于极限学习机的髌骨疼痛检测系统。
背景技术
目前通过生物力学的方法去检测髌骨疼痛的研究有很多，但生物力学中运动学和动力学数据的测量步骤非常复杂，需要昂贵的实验仪器和特定的实验环境，因此不适合作为检测髌骨疼痛的通用方法。而国外学者提出的逻辑回归模型，其输入变量需要使用动作捕捉摄像机系统去测量，但是这样的系统通常在受控环境下的实验室内使用，并且必须考虑摄像机的拍摄范围。
发明内容
有鉴于此，本发明的目的是提供一种基于极限学习机的髌骨疼痛检测系统，避免了一些贵重仪器的使用，降低了检测成本。
本发明采用以下方案实现：一种基于极限学习机的髌骨疼痛检测系统，包括集成了陀螺仪和加速度计的传感器、采样电极片和电脑终端；用集成了陀螺仪和加速度计的传感器去测得关节角度值，并用采样电极片采集表面肌电信号值；集成了陀螺仪和加速度计的传感器和采样电极片通过无线传输的方式分别将关节角度值和表面肌电信号上传到电脑进行去噪处理后保存终端进行去噪处理后保存；在电脑终端上对保存的数据进行处理，处理后作为输入变量训练极限学习机，并保存训练好后的神经网络结构，用以随时输入实时获取的角度值和表面肌电信号值进行髌骨疼痛检测。
较佳的，本发明还提供一种基于极限学习机的髌骨疼痛检测系统的检测方法，包括以下步骤：
步骤S1：分别采集多组关节角度值和表面肌电信号值；
步骤S2：将步骤S1中采集的数据通过无线传输上传到电脑，进行去噪处理后保存数据；
步骤S3：将角度值和表面肌电信号值作为输入变量xi进行归一化处理；
步骤S4：将归一化后的变量作为输入来训练极限学习机；
步骤S5：训练好后的神经网络保存其结构，用以随时输入实时获取的角度值和表面肌电信号值进行检测。
进一步地，利用传感器采集关节角度值的具体内容为：传感器的方向通过将初始方向θ0与随后的角位移ω的积分相加得出，其表达式如下所示：
Figure BDA0002315368890000021
在被测关节相连的两个身体节段上安放传感器，并通过对比两个传感器单元的方向得出关节角度θ，其表达式如下所示：
θ＝180°-(θ1-θ2)
其中θ1为关节上肢段的传感器所输出的角度，θ2为关节下肢段的传感器所输出的角度。
进一步地，步骤S3中所述进行归一化的公式为：
Figure BDA0002315368890000031
其中，x.m是输入变量xi的平均值，x.s是输入变量xi的标准差。
进一步地，步骤S4的具体内容为：将归一化后的变量输入神经网络进行训练，其表达式如下所示：
∑βig(wi·xj+bi)＝oj,j＝1,...,n (3)
其中wi是第i个隐藏层节点的输入权重向量，bi是第i个隐藏层节点的偏差，βi是第i个隐藏层节点的输出权重向量；
而极限学习机的训练目标是最大程度的减小输出值和目标期望值之间的误差，其表达式如下所示：
Figure BDA0002315368890000032
其中oj是神经网络的输出值，tj是目标期望值；
上面两式可以组合到一起，其表达式如式(5)所示：
Figure BDA0002315368890000033
该式简要写成如下式(6)：
Hβ＝T (6)
其中H是神经网络的隐藏层输出矩阵，T是期望输出矩阵；训练过程等同于找到线性方程的最小二乘解，即β；训练结束后保存网络模型。
与现有技术相比，本发明具有以下有益效果：
本发明使髌骨疼痛的检测更加简单便捷；不需要特定的实验场地，可以在日常环境中进行试验，避免了一些贵重仪器的使用，降低了检测成本，并减少了检测的时间。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的极限学习机的网络结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
1、如图1所示，本实施例提供一种基于极限学习机的髌骨疼痛检测系统，包括集成了陀螺仪和加速度计的传感器、采样电极片和电脑终端；用集成了陀螺仪和加速度计的传感器去测得关节角度值，并用采样电极片采集表面肌电信号值；集成了陀螺仪和加速度计的传感器和采样电极片通过无线传输的方式分别将关节角度值和表面肌电信号上传到电脑终端进行去噪处理后保存；在电脑终端上对保存的数据进行处理，处理后作为输入变量训练极限学习机，并保存训练好后的神经网络结构，用以随时输入实时获取的角度值和表面肌电信号值进行髌骨疼痛检测。
较佳的，本实施例还提供一种基于极限学习机的髌骨疼痛检测系统的检测方法，包括以下步骤：
步骤S1：选择与髌骨疼痛相关的生理参数做神经网络的输入；(几个关节角度和表面肌电信号)；分别采集多组关节角度值和髌骨表面肌电信号值；
步骤S2：将步骤S1中采集的数据通过无线传输上传到电脑，进行去噪处理后保存数据；
步骤S3：将角度值和表面肌电信号值作为输入变量xi进行归一化处理；
步骤S4：将归一化后的变量作为输入来训练极限学习机；
步骤S5：训练好后的神经网络保存其结构，用以随时输入实时获取的角度值和表面肌电信号值进行检测。
在本实施例中，集成了陀螺仪和加速度计的传感器是一种很好的可以替代基于摄像机的运动分析系统进行关节角度测量的设备。
利用传感器采集关节角度值的具体内容为：传感器的方向通过将初始方向θ0与随后的角位移ω的积分相加得出，其表达式如下所示：
Figure BDA0002315368890000051
在被测关节相连的两个身体节段上安放传感器，并通过对比两个传感器单元的方向得出关节角度θ，其表达式如下所示：
θ＝180°-(θ1-θ2)
其中θ1为关节上肢段的传感器所输出的角度，θ2为关节下肢段的传感器所输出的角度。而肌电信号我们通过采样电极片贴附皮肤表面来获取。
通过无线传输将所测得数据实时传送到电脑，通过终端进行去噪处理，并将处理好的数据保存下来输入神经网络做训练，相当于对正常人和患者的数据特征进行提取和分析。
在本实施例中，由于角度值和肌电信号之间的差异较大，导致神经网络收敛性较差，本实施例要先将所有输入变量xi进行归一化处理，所述进行归一化的公式为：
Figure BDA0002315368890000061
其中，x.m是输入变量xi的平均值，x.s是输入变量xi的标准差。
在本实施例中，步骤S4的具体内容为：极限学习机是一种特殊的机器学习方法，其网络结构和前馈神经网络类似，但其具有泛化性强，训练速度快等优点，将归一化后的变量输入神经网络进行训练，其表达式如下所示：
∑βig(wi·xj+bi)＝oj,j＝1,...,n (3)
其中wi是第i个隐藏层节点的输入权重向量，bi是第i个隐藏层节点的偏差，βi是第i个隐藏层节点的输出权重向量；
而极限学习机的训练目标是最大程度的减小输出值和目标期望值之间的误差，其表达式如下所示：
Figure BDA0002315368890000062
其中oj是神经网络的输出值，tj是目标期望值；
上面两式可以组合到一起，其表达式如式(5)所示：
Figure BDA0002315368890000071
该式简要写成如下式(6)：
Hβ＝T (6)
其中H是神经网络的隐藏层输出矩阵，T是期望输出矩阵；训练过程等同于找到线性方程的最小二乘解，即β；训练结束后保存网络模型，系统就算完成了，便可根据其输出进行髌骨疼痛的检测，不需要贵重且特制的仪器。
在本实施例中，神经网络模型为极限学习机，将处理得到的变量作为极限学习机的输入，并进行训练，极限学习机的网络结构如图2所示。训练好后的极限学习机，将其网络模型进行保存，最后便可根据网络的输出进行髌骨疼痛的检测。
较佳的，在本实施例中，采用一些相关且可方便测量的生理参数(几个表面肌电信号和几个关节角度)做为神经网络的输入。其中表面肌电信号可以通过采样电极片贴附于皮肤表面来获得，关节角度可以通过集成加速度计和陀螺仪的传感器来获得，两者都可以通过无线传输来达到实时传送数据。而神经网络模型经过多次对比试验，最终采用极限学习机，因为其具有泛化性强、精度高、耗时短等特点。以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于极限学习机的髌骨疼痛检测系统，其特征在于：包括集成了陀螺仪和加速度计的传感器、采样电极片和电脑终端；用集成了陀螺仪和加速度计的传感器去测得关节角度值，并用采样电极片采集表面肌电信号值；集成了陀螺仪和加速度计的传感器和采样电极片通过无线传输的方式分别将关节角度值和表面肌电信号上传到电脑终端进行去噪处理后保存；在电脑终端上对保存的数据进行处理，处理后作为输入变量训练极限学习机，并保存训练好后的神经网络结构，用以随时输入实时获取的角度值和表面肌电信号值进行髌骨疼痛检测；将归一化后的变量输入神经网络进行训练，其表达式如下所示：
∑βig(wi·xj+bi)＝oj,j＝1,...,n (3)
其中wi是第i个隐藏层节点的输入权重向量，bi是第i个隐藏层节点的偏差，βi是第i个隐藏层节点的输出权重向量；
而极限学习机的训练目标是最大程度的减小输出值和目标期望值之间的误差，其表达式如下所示：
Figure FDA0003614291320000011
其中oj是神经网络的输出值，tj是目标期望值；
上面两式组合到一起，其表达式如式(5)所示：
Figure FDA0003614291320000012
简要写成如下式(6)：
Hβ＝T (6)
其中H是神经网络的隐藏层输出矩阵，T是期望输出矩阵；训练过程等同于找到线性方程的最小二乘解，即β；训练结束后保存网络模型。
2.一种根据权利要求1所述的基于极限学习机的髌骨疼痛检测系统的检测方法，其特征在于：包括以下步骤：
步骤S1：分别采集多组关节角度值和表面肌电信号值；
步骤S2：将步骤S1中采集的数据通过无线传输上传到电脑，进行去噪处理后保存数据；
步骤S3：将角度值和表面肌电信号值作为输入变量xi进行归一化处理；
步骤S4：将归一化后的变量作为输入来训练极限学习机；
步骤S5：训练好后的神经网络保存其结构，用以随时输入实时获取的角度值和表面肌电信号值进行检测；
步骤S4的具体内容为：将归一化后的变量输入神经网络进行训练，其表达式如下所示：
∑βig(wi·xj+bi)＝oj,j＝1,...,n (3)
其中wi是第i个隐藏层节点的输入权重向量，bi是第i个隐藏层节点的偏差，βi是第i个隐藏层节点的输出权重向量；
而极限学习机的训练目标是最大程度的减小输出值和目标期望值之间的误差，其表达式如下所示：
Figure FDA0003614291320000021
其中oj是神经网络的输出值，tj是目标期望值；
上面两式组合到一起，其表达式如式(5)所示：
Figure FDA0003614291320000022
简要写成如下式(6)：
Hβ＝T (6)
其中H是神经网络的隐藏层输出矩阵，T是期望输出矩阵；训练过程等同于找到线性方程的最小二乘解，即β；训练结束后保存网络模型。
3.根据权利要求2所述的一种基于极限学习机的髌骨疼痛检测系统的检测方法，其特征在于：利用传感器采集关节角度值的具体内容为：传感器的方向通过将初始方向θ0与随后的角位移ω的积分相加得出，其表达式如下所示：
Figure FDA0003614291320000031
在被测关节相连的两个身体节段上安放传感器，并通过对比两个传感器单元的方向得出关节角度θ，其表达式如下所示：
θ＝180°-(θ1-θ2)
其中θ1为关节上肢段的传感器所输出的角度，θ2为关节下肢段的传感器所输出的角度。
4.根据权利要求2所述的一种基于极限学习机的髌骨疼痛检测系统的检测方法，其特征在于：步骤S3中所述进行归一化的公式为：
Figure FDA0003614291320000032
其中，x.m是输入变量xi的平均值，x.s是输入变量xi的标准差。
CN201911278517.6A 2019-12-12 2019-12-12 一种基于极限学习机的髌骨疼痛检测系统 Active CN111079927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911278517.6A CN111079927B (zh) 2019-12-12 2019-12-12 一种基于极限学习机的髌骨疼痛检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911278517.6A CN111079927B (zh) 2019-12-12 2019-12-12 一种基于极限学习机的髌骨疼痛检测系统

Publications (2)

Publication Number Publication Date
CN111079927A CN111079927A (zh) 2020-04-28
CN111079927B true CN111079927B (zh) 2022-07-08

Family

ID=70314236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911278517.6A Active CN111079927B (zh) 2019-12-12 2019-12-12 一种基于极限学习机的髌骨疼痛检测系统

Country Status (1)

Country Link
CN (1) CN111079927B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7358569B1 (ja) 2022-06-24 2023-10-10 株式会社BOC Technology 高齢者用膝ケア型歩行アシストサポーター

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107661101A (zh) * 2017-08-14 2018-02-06 中国科学院深圳先进技术研究院 一种疼痛识别方法、装置及电子设备
CN109276245A (zh) * 2018-11-01 2019-01-29 重庆中科云丛科技有限公司 一种表面肌电信号特征处理与关节角度预测方法及系统
CN109984763A (zh) * 2019-04-10 2019-07-09 福州大学 基于人工神经网络智能预测人体关节力矩的方法
CN110141239A (zh) * 2019-05-30 2019-08-20 东北大学 一种用于下肢外骨骼的运动意图识别及装置方法
CN110478885A (zh) * 2019-08-23 2019-11-22 马鞍山市安工大智能装备技术研究院有限公司 基于肌电信号的跑步运动员辅助训练系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107661101A (zh) * 2017-08-14 2018-02-06 中国科学院深圳先进技术研究院 一种疼痛识别方法、装置及电子设备
CN109276245A (zh) * 2018-11-01 2019-01-29 重庆中科云丛科技有限公司 一种表面肌电信号特征处理与关节角度预测方法及系统
CN109984763A (zh) * 2019-04-10 2019-07-09 福州大学 基于人工神经网络智能预测人体关节力矩的方法
CN110141239A (zh) * 2019-05-30 2019-08-20 东北大学 一种用于下肢外骨骼的运动意图识别及装置方法
CN110478885A (zh) * 2019-08-23 2019-11-22 马鞍山市安工大智能装备技术研究院有限公司 基于肌电信号的跑步运动员辅助训练系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Predictive Model to Estimate Knee-Abduction Moment: Implications for Development of a Clinically Applicable Patellofemoral Pain Screening Tool in Female Athletes;Gregory D Myer et al.;《Journal of athletic training》;20140630;第49卷(第3期);全文 *
Identification of patellofemoral pain syndrome using a Support Vector Machine approach;Daniel T.H. Lai et al.;《29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBS 2007)》;20071022;全文 *
基于人体生物电信息的上肢康复机器人控制方法研究;刘东升;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190115(第1期);全文 *

Also Published As

Publication number Publication date
CN111079927A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN100418476C (zh) 身体运动解析装置和身体运动解析系统及其解析方法
Baraka et al. Wearable accelerometer and sEMG-based upper limb BSN for tele-rehabilitation
CN108960155B (zh) 基于Kinect的成人步态提取与异常分析方法
CN110946556A (zh) 基于可穿戴式体感网的帕金森静息态震颤评估方法
Zheng et al. On the design of a wearable multi-sensor system for recognizing motion modes and sit-to-stand transition
CN109846487A (zh) 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置
Chandra et al. Muscle fatigue induced hand tremor clustering in dynamic laparoscopic manipulation
CN109984763A (zh) 基于人工神经网络智能预测人体关节力矩的方法
CN111079927B (zh) 一种基于极限学习机的髌骨疼痛检测系统
Głowiński et al. Gait recognition: a challenging task for MEMS signal identification
CN111443816A (zh) 基于柔性抗菌生物膜多通道数据采集模块的手势识别系统
Akhavanhezaveh et al. Diagnosing gait disorders based on angular variations of knee and ankle joints utilizing a developed wearable motion sensor
Keri et al. A cost-effective inertial measurement system for tracking movement and triggering kinesthetic feedback in lower-limb prosthesis users
Castañeda et al. Knee joint angle monitoring system based on inertial measurement units for human gait analysis
Ajdaroski et al. Testing a quaternion conversion method to determine human three-dimensional tibiofemoral angles during an in vitro simulated jump landing
CN117137479A (zh) 一种便携式膝关节术后康复训练监测评估装置及方法
US10966652B1 (en) Method and system for quantifying movement disorder systems
TW201603780A (zh) 肌肉痙攣評估裝置及其評估方法
CN116548960A (zh) 一种面向人体微惯性测量单元的运动模式识别算法和系统
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
Torres et al. A kinect based approach to assist in the diagnosis and quantification of parkinson’s disease
Chan et al. Development of wearable inertial sensors for measurement of hand arm tremors
CN112762934B (zh) 下肢运动方向预测装置和方法
Babu et al. Classification of human gait: Swing and stance phases using sum-vector analysis
Lueken et al. Using synthesized imu data to train a long-short term memory-based neural network for unobtrusive gait analysis with a sparse sensor setup

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