CN111310857A - 特征提取方法、电子装置及医疗案例相似度模型构建方法 - Google Patents

特征提取方法、电子装置及医疗案例相似度模型构建方法 Download PDF

Info

Publication number
CN111310857A
CN111310857A CN202010182104.4A CN202010182104A CN111310857A CN 111310857 A CN111310857 A CN 111310857A CN 202010182104 A CN202010182104 A CN 202010182104A CN 111310857 A CN111310857 A CN 111310857A
Authority
CN
China
Prior art keywords
feature
weight
accuracy
model
features
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
Application number
CN202010182104.4A
Other languages
English (en)
Inventor
杨斌
李琴
吴一多
马婷婷
张建
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.)
Qingdao Baiyang Intelligent Technology Co ltd
Original Assignee
Qingdao Baiyang Intelligent Technology Co ltd
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 Qingdao Baiyang Intelligent Technology Co ltd filed Critical Qingdao Baiyang Intelligent Technology Co ltd
Priority to CN202010182104.4A priority Critical patent/CN111310857A/zh
Publication of CN111310857A publication Critical patent/CN111310857A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种特征提取方法、电子装置及医疗案例相似度模型构建方法，所述特征提取方法含有以下步骤：根据含有本体属性的医疗诊疗案例数据集构建样本训练集，样本总量为P，特征数量为N，设定近邻的样本数量为k；通过构建的改进的ReliefF算法模型计算每个特征相应的权重，并根据每个特征权重的大小对特征进行排序；以权重大于0为条件初步进行特征选择；对初步选择后的特征按照从大到小重新排序，利用FWKNN模型计算准确率，选择准确率最高的特征组合作为最终特征。本发明不改变本体类型数据的特性，选择的最终特征精确性高，应用于医疗案例相似度模型的构建时，提高了医疗案例相似度模型的准确率。

Description

特征提取方法、电子装置及医疗案例相似度模型构建方法
技术领域
本发明属于数据处理技术领域，涉及医疗数据处理技术，具体地说，涉及一种医疗辅助决策模型的特征提取方法、电子装置及医疗案例相似度模型构建方法。
背景技术
基于知识图谱的建模方法是从知识理论的角度建立模型，已经呈为医疗智能辅助决策支撑模型构建的一种重要人工智能(英文：Artificial Intelligence，简称：AI)方法。知识图谱模型的重要特征是概念知识以本体形式存在，即概念以树层级结构进行存储，因此，有些真实世界的医疗病例世界，实际上是本体概念的实例化存在，这些数据具有本体属性，当应用这些数据进行机器学习模型构建的时候，作为本体类型的数据，而非数值型或枚举型的数据，能更好地表达数据的特性，特别是在计算相似度时，本体类型的数据具有本体相似度计算方法。当应用知识图谱和机器学习算法在构建医疗人工智能模型时，真实世界数据中会出现数值型、枚举型、本体型三种数据类型存在，在计算案例相似度时，需要根据数据不同的属性分别计算local相似度。在进行机器学习的相似度计算模型构建之前，需要进行数据特征(属性)的选择，其中包含了本体类型(通过树层级结构描述)和结构数据类型的数据，特征选择的算法必须满足在算法计算过程中一直保持各特征的原有数据类型的特性。
目前，实现本体类型和结构数据类型的融合的特征选择算法较少，在传统的机器学习的特征选择算法中，如Filter方法、Wrapprer方法、Embedded方法等，一般将数据处理成数值类型和枚举类型，有些算法直接将本体类型的数据当作枚举类型来对待，这种做法实际上并未保持本体类型数据的特征，不能在数据处理过程中保持本体类型数据的特性。KNN的特征权重计算方法也有一些常规算法，如Pearson相关系数方法、卡方检验特征权重算法、GA特征权重学习算法、决策树GainRatio、RF误差权重方法等，这些方法的计算过程一般不包含本体类型的数据，因此也是必须将本体类型的数据转换成枚举型的数据类型，不能在数据处理过程中保持本体类型数据的特性。鉴于医疗数据包括了本体类型的数据和结构数据类型的数据，现有特征提取及特征权重计算方法无法满足本体类型数据和结构数据类型融合的多类型数据的特征选择，不能有效保持医疗数据的本体特性，通过该方法构建的医疗辅助决策模型推荐结果并不准确。
发明内容
本发明针对现有技术存在的上述问题，提供了一种医疗辅助决策模型的特征提取方法、电子装置及医疗案例相似度模型构建方法，能够提高医疗辅助决策模型的推荐结果准确率。
为了达到上述目的，本发明提供了一种医疗辅助决策模型的特征提取方法，含有以下步骤：
根据含有本体属性的医疗诊疗案例数据集构建样本训练集，样本总量为P，特征数量为N，设定近邻的样本数量为k；
通过构建的改进的ReliefF算法模型计算每个特征相应的权重，并根据每个特征权重的大小对特征进行排序；所述改进的ReliefF算法模型表示为：
Figure BDA0002412929430000021
式中，W(F)为特征F的权重，diff(F,R1,R2)为样本R1,R2在特征F上的距离差，Hj为第j个样本H，Mj(C)为类
Figure BDA0002412929430000031
的第j个样本M，q为权重系数；其中，
Figure BDA0002412929430000032
以权重大于0为条件初步进行特征选择；
对初步选择后的特征按照从大到小重新排序，利用FWKNN算法模型计算准确率，选择准确率最高的特征组合作为最终特征。
优选的，从样本训练集中随机选择一个样本R，遍历所有的样本，从与样本R同类的样本中寻找k个最近邻样本H，从与样本R不同类的样本中寻找k个最近邻样本M，通过公式(1)更新特征权重，改进的ReliefF算法模型构建完成。
优选的，FWKNN算法模型采用剔除的方式通过留一交叉验证方法选择最终特征，其具体步骤为：
将初步选择的特征及其权重集合S，顺序按照权重大小从高到低排序；
设置最小特征集的数量K，设置验证准确率的存储列表集L；
通过FWKNN算法模型计算集合S的准确率，将集合S的特征及权重和计算的集合S的准确率存储至存储列表集L，剔除集合S中最后一个特征，得到特征集i；通过FWKNN算法模型计算特征集i的准确率，将特征集i的特征及权重和计算的特征集i的准确率存储至存储列表集L，剔除特征集i中最后一个特征，更新特征集i，重复上述步骤，直至特征集i中特征的数量等于K；
比较存储列表集L中特征集的准确率大小，取最大值对应特征集作为选择的最终特征及权重。
第二方面，为了达到上述目的，本发明还提供了一种电子装置，该电子装置包括处理器、存储器以及存储在所述存储器并可在所述处理器上与进行的计算机程序，所述处理器执行所述计算机程序时实现上述医疗辅助决策模型的特征提取方法的步骤。
第三方面，为了达到上述目的，本发明还提供了一种医疗案例相似度模型的构建方法，采用上述医疗辅助决策模型的特征提取方法提取最终特征及权重，基于最终特征及权重采用FWKNN算法选择最优相似病例，医疗案例相似度模型构建完成。
与现有技术相比，本发明的优点和积极效果在于：
本发明特征提取方法，考虑了本体类型的数据属性，通过构建的改进的ReliefF算法模型计算属性的权重，在进行属性的权重计算时增加了本体类型的数据属性距离cosine计算方式，从而使得权重计算过程保持本体类型数据的数据特性，并满足于医疗案例相似度模型的FWKNN(基于特征权重的K近邻)算法模型的计算要求，满足本体类型和结构数据类型融合的多类型数据的特征选择，根据每个权重的大小进行初次特征选择，且通过FWKNN算法模型对权重大于0的特征进行二次特征选择提高了特征选择的精确性。本发明构建的医疗案例相似度模型采用上述提取方法提取的特征及对应权重，提高了医疗案件相似度计算的准确率。
附图说明
图1为本发明所述医疗辅助决策模型的特征提取方法的流程框图；
图2为本发明实施例本体类型的具体结构示意图；
图3为本发明实施例电子装置的结构框图；
图4为本发明实施例所述医疗案例相似度模型的构建方法的流程框图。
具体实施方式
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
本发明实施例可以应用于计算机系统/服务器等电子设备，可与众多其他通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器等电子设备仪器使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、基于微处理器的系统、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境等等。
针对现有医疗辅助决策系统中，在构建医疗相似度模型之前的特征选择方法中，一般只基于数值类型和枚举类型等结构化数据或者将本体类型数据当做枚举类型数据来对待进行特征选择，不能有效保持医疗数据的本体特性，特征选择的精确性差。本发明提供了一种医疗辅助决策模型的特征提取方法、电子装置及医疗案例相似度模型的构建方法，其中，特征提取方法考虑了本体类型的数据属性，通过构建的改进的ReliefF算法模型计算属性的权重，在进行属性的权重计算时增加了本体类型的数据属性距离cosine计算方式，从而使得权重计算过程保持本体类型数据的数据特性，不改变本体类型数据的特性，选择的最终特征精确性高。医疗案例相似度模型的构建时，采用上述特征提取方法进行特征提取，提高了医疗案例相似度模型的准确率。
以下结合附图及具体实施例对本发明上述进行详细描述。
实施例1：参见图1，本实施例提供了一种医疗辅助决策模型的特征提取方法，含有以下步骤：
S1、根据含有本体属性的医疗诊疗案例数据集构建样本训练集，样本总量为P，特征数量为N，设定近邻的样本数量为k。需要说明的是，医疗诊疗案例数据集包括输入指标数据和决策指标数据。
S2、通过构建的改进的ReliefF算法模型计算每个特征相应的权重，并根据每个特征权重的大小对特征进行排序；所述改进的ReliefF算法模型表示为：
Figure BDA0002412929430000061
式中，W(F)为特征F的权重，diff(F,R1,R2)为样本R1,R2在特征F上的距离差，Hj为第j个样本H，Mj(C)为类
Figure BDA0002412929430000062
的第j个样本M，q为权重系数；其中，
Figure BDA0002412929430000063
具体地，构建改进的ReliefF算法模型的步骤为：从样本训练集中随机选择一个样本R，遍历所有的样本，从与样本R同类的样本中寻找k个最近邻样本H，从与样本R不同类的样本中寻找k个最近邻样本M，通过公式(1)更新特征权重，改进的ReliefF算法模型构建完成。更新特征权重的过程一般重复L次，本实施例中取L＝P。其计算权重的具体过程为：
(1)置0所有特征权重；
(2)For i＝1到P
随机选择一个样本
从同类中找到R的k最近邻样本H，从不同类中找到R的k最近邻样本M。
for i到N
通过公式(1)和(2)计算每个特征F的权重。
在特征的权重的计算过程中，采用欧式距离计算数值类型和枚举类型结构数据类型的距离，且增加了本体类型数据的权重计算，对本体类型数据的权重运用本体类型的cosine距离计算公式，本体类型的距离计算公式如下所述：
Figure BDA0002412929430000071
式中，super(t)是本体类型数据集中与t直接或间接连接的上层节点的集合。
以乳腺癌的治疗辅助决策的本体模型为例，TNM分期的指标属性为本体类型，其具体体结构参见图2。其中：
Figure BDA0002412929430000072
S3、以权重大于0为条件初步进行特征选择。
S4、对初步选择后的特征按照从大到小重新排序，利用FWKNN模型计算准确率，选择准确率最高的特征组合作为最终特征。
具体地，FWKNN模型采用剔除的方式通过留一交叉验证方法选择最终特征，其具体步骤为：
(1)将初步选择的特征及其权重集合S，顺序按照权重大小从高到低排序；
(2)设置最小特征集的数量K，设置验证准确率的存储列表集L；
(3)通过FWKNN模型计算集合S的准确率，将集合S的特征及权重和计算的集合S的准确率存储至存储列表集L，剔除集合S中最后一个特征，得到特征集i；通过FWKNN模型计算特征集i的准确率，将特征集i的特征及权重和计算的特征集i的准确率存储至存储列表集L，剔除特征集i中最后一个特征，更新特征集i，重复上述步骤，直至特征集i中特征的数量等于K；
(4)比较存储列表集L中特征集的准确率大小，取最大值对应特征集作为选择的最终特征及权重。
本实施例上述方法，本体类型数据通过本体类型数据计算方法进行特征权重计算和特征选取，不改变本体类型的数据特征，通过本改进的ReliefF算法每个特征计算出相应的权重并排序，以此特征权重计算和特征的排序，以权重大于0为条件初步进行特征选择，又应用的FWKNN算法对权重大于0的特征运用留一交叉验证算法进行了二次特征选择，提高了特征选择的精确性。上述方法提取特征及权重用于医疗案例相似度模型构建中，构建的医疗案例相似度模型的准确率得到提升。
实施例2：参见图3，本实施例提供了一种电子装置1，该电子装置包括处理器1、存储器2以及存储在所述存储器2并可在所述处理器1上与进行的计算机程序3，所述处理器执行所述计算机程序时实现实施例1所述医疗辅助决策模型的特征提取方法的步骤，为了避免重复，此处不在赘述。
实施例3：参见图4，本实施例提供了一种医疗案例相似度模型的构建方法，采用实施例1所述医疗辅助决策模型的特征提取方法提取最终特征及权重，基于最终特征及权重采用FWKNN算法选择最优相似病例，医疗案例相似度模型构建完成。为了避免重复，此处对特征提取方法不在赘述。
本实施例上述方法，采用的特征提取方法通过本改进的ReliefF算法每个特征计算出相应的权重并排序，以此特征权重计算和特征的排序，以权重大于0为条件初步进行特征选择，又应用的FWKNN算法对权重大于0的特征运用留一交叉验证算法进行了二次特征选择，提高了特征选择的精确性，进而提高了医疗案例相似度模型的准确西瓜。
上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种医疗辅助决策模型的特征提取方法，其特征在于，含有以下步骤：
根据含有本体属性的医疗诊疗案例数据集构建样本训练集，样本总量为P，特征数量为N，设定近邻的样本数量为k；
通过构建的改进的ReliefF算法模型计算每个特征相应的权重，并根据每个特征权重的大小对特征进行排序；所述改进的ReliefF算法模型表示为：
Figure FDA0002412929420000011
式中，W(F)为特征F的权重，diff(F,R1,R2)为样本R1,R2在特征F上的距离差，Hj为第j个样本H，Mj(C)为类
Figure FDA0002412929420000012
的第j个样本M，q为权重系数；其中，
Figure FDA0002412929420000013
以权重大于0为条件初步进行特征选择；
对初步选择后的特征按照从大到小重新排序，利用FWKNN算法模型计算准确率，选择准确率最高的特征组合作为最终特征。
2.如权利要求1所述的医疗辅助决策模型的特征提取方法，其特征在于，从样本训练集中随机选择一个样本R，遍历所有的样本，从与样本R同类的样本中寻找k个最近邻样本H，从与样本R不同类的样本中寻找k个最近邻样本M，通过公式(1)更新特征权重，改进的ReliefF算法模型构建完成。
3.如权利要求2所述的医疗辅助决策模型的特征提取方法，其特征在于，FWKNN算法模型采用剔除的方式通过留一交叉验证方法选择最终特征，其具体步骤为：
将初步选择的特征及其权重集合S，顺序按照权重大小从高到低排序；
设置最小特征集的数量K，设置验证准确率的存储列表集L；
通过FWKNN算法模型计算集合S的准确率，将集合S的特征及权重和计算的集合S的准确率存储至存储列表集L，剔除集合S中最后一个特征，得到特征集i；通过FWKNN算法模型计算特征集i的准确率，将特征集i的特征及权重和计算的特征集i的准确率存储至存储列表集L，剔除特征集i中最后一个特征，更新特征集i，重复上述步骤，直至特征集i中特征的数量等于K；
比较存储列表集L中特征集的准确率大小，取最大值对应特征集作为选择的最终特征及权重。
4.一种电子装置，该电子装置包括处理器、存储器以及存储在所述存储器并可在所述处理器上与进行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的医疗辅助决策模型的特征提取方法的步骤。
5.一种医疗案例相似度模型的构建方法，其特征在于，采用如权利要求1至3任意一项所述的医疗辅助决策模型的特征提取方法提取最终特征及权重，基于最终特征及权重采用FWKNN算法选择最优相似病例，医疗案例相似度模型构建完成。
CN202010182104.4A 2020-03-16 2020-03-16 特征提取方法、电子装置及医疗案例相似度模型构建方法 Pending CN111310857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010182104.4A CN111310857A (zh) 2020-03-16 2020-03-16 特征提取方法、电子装置及医疗案例相似度模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010182104.4A CN111310857A (zh) 2020-03-16 2020-03-16 特征提取方法、电子装置及医疗案例相似度模型构建方法

Publications (1)

Publication Number Publication Date
CN111310857A true CN111310857A (zh) 2020-06-19

Family

ID=71149756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010182104.4A Pending CN111310857A (zh) 2020-03-16 2020-03-16 特征提取方法、电子装置及医疗案例相似度模型构建方法

Country Status (1)

Country Link
CN (1) CN111310857A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199511A (zh) * 2020-09-28 2021-01-08 西南电子技术研究所（中国电子科技集团公司第十研究所） 跨语言多来源垂直领域知识图谱构建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104615894A (zh) * 2015-02-13 2015-05-13 上海中医药大学 一种基于k近邻标签特定权重特征的中医诊断方法及系统
CN109036547A (zh) * 2018-06-11 2018-12-18 燕山大学 一种基于聚类分析的肺部ct图像计算机辅助系统及方法
CN110781295A (zh) * 2019-09-09 2020-02-11 河南师范大学 一种多标记数据的特征选择方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104615894A (zh) * 2015-02-13 2015-05-13 上海中医药大学 一种基于k近邻标签特定权重特征的中医诊断方法及系统
CN109036547A (zh) * 2018-06-11 2018-12-18 燕山大学 一种基于聚类分析的肺部ct图像计算机辅助系统及方法
CN110781295A (zh) * 2019-09-09 2020-02-11 河南师范大学 一种多标记数据的特征选择方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何霆 等: "基于HER的医疗知识图谱研究与应用综述" *
朱泽宇等: "一种基于社会选择理论的本体聚集方法" *
李晓岚: "基于Relief特征选择算法的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199511A (zh) * 2020-09-28 2021-01-08 西南电子技术研究所（中国电子科技集团公司第十研究所） 跨语言多来源垂直领域知识图谱构建方法
CN112199511B (zh) * 2020-09-28 2022-07-08 西南电子技术研究所（中国电子科技集团公司第十研究所） 跨语言多来源垂直领域知识图谱构建方法

Similar Documents

Publication Publication Date Title
CN111553480B (zh) 图像数据处理方法、装置、计算机可读介质及电子设备
CN110276442B (zh) 一种神经网络架构的搜索方法及装置
CN112119412A (zh) 具有注意力的图神经网络
CN111723915A (zh) 深度卷积神经网络的剪枝方法、计算机设备及应用方法
CN111460234A (zh) 图查询方法、装置、电子设备及计算机可读存储介质
CN111242268A (zh) 一种搜索卷积神经网络的方法
CN112948608A (zh) 图片查找方法、装置、电子设备及计算机可读存储介质
CN111126758B (zh) 一种学术团队影响力传播预测方法、设备和存储介质
CN113380360B (zh) 一种基于多模态病历图的相似病历检索方法及系统
Fu et al. Exploring structural sparsity of deep networks via inverse scale spaces
CN111310857A (zh) 特征提取方法、电子装置及医疗案例相似度模型构建方法
JP3896868B2 (ja) パターンの特徴選択方法及び分類方法及び判定方法及びプログラム並びに装置
CN113095501A (zh) 一种基于深度强化学习的不平衡分类决策树生成方法
CN117079017A (zh) 可信的小样本图像识别分类方法
CN116543259A (zh) 一种深度分类网络噪声标签建模与纠正方法、系统及存储介质
CN114780863B (zh) 基于人工智能的项目推荐方法、装置、计算机设备及介质
Angayarkanni Predictive analytics of chronic kidney disease using machine learning algorithm
CN116721327A (zh) 一种基于泛化界的神经网络架构搜索方法
CN113762019B (zh) 特征提取网络的训练方法、人脸识别方法和装置
Badriyah et al. Deep learning algorithm for data classification with hyperparameter optimization method
Zerrouk et al. Evolutionary algorithm for optimized CNN architecture search applied to real-time boat detection in aerial images
CN115345303A (zh) 卷积神经网络权重调优方法、装置、存储介质和电子设备
CN115168326A (zh) Hadoop大数据平台分布式能源数据清洗方法及系统
JP6993250B2 (ja) コンテンツ特徴量抽出装置、方法、及びプログラム
CN112308122A (zh) 基于双树的高维向量空间样本快速搜索方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200619