CN111493821B - 一种基于modwt及中值滤波的ppg信号实时去噪方法 - Google Patents
一种基于modwt及中值滤波的ppg信号实时去噪方法 Download PDFInfo
- Publication number
- CN111493821B CN111493821B CN202010180685.8A CN202010180685A CN111493821B CN 111493821 B CN111493821 B CN 111493821B CN 202010180685 A CN202010180685 A CN 202010180685A CN 111493821 B CN111493821 B CN 111493821B
- Authority
- CN
- China
- Prior art keywords
- ppg signal
- segmented
- filtering
- ppg
- signal
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Power Engineering (AREA)
- Image Processing (AREA)
Abstract
一种基于MODWT及中值滤波的PPG信号实时去噪方法,包括:a)采集PPG信号,根据实时分析要求确定PPG信号分析参数,对PPG信号进行分段处理;b)对去均值后分段PPG信号进行MODWT,得到高频滤波后的分段PPG信号;c)对高频滤波后的分段PPG信号进行中值滤波,去除基线漂移;d)衔接分段信号。本发明基于MODWT及中值滤波方法,对PPG信号进行实时去噪,易于理解,容易实现,精度较高。
Description
技术领域
本发明提出了一种基于MODWT及中值滤波的PPG信号实时去噪方法,涉及PPG信号智能诊断领域。
背景技术
PPG是借助光电手段在活体组织中检测血液容积变化的一种无创检测方法。PPG信号中包含有人体循环系统、呼吸系统等许多生理病理信息,在人体血压、血流、血氧、血糖、呼吸率等参数的无创检测中都有很好的应用前景,但在采集过程中,由于人体呼吸、运动、抖动、工频干扰、肌电干扰等原因,正常的PPG信号往往伴随较多的毛刺(高频)及基线漂移(低频)。为得到一个干净的PPG信号,就必须对信号进行必要的去噪处理。目前,对PPG信号的噪声抑制一般采用低通滤波器方法,其中主要的不足在于固定频带的滤波不能适应PPG信号的随机性、非平稳性,也难以解决信号与噪声处于同一频带问题。
传统小波变换具有良好的时-频局部分析特点,能较好的解决PPG信号的非平稳性问题,但在强噪声背景下,进行小波变换后,不具有平移不变性,且幅度较小的特征波形处常因为Gibbs振荡现象,造成信号失真。MODWT是一种高度冗余的非正交小波变换,对样本容量没有要求,具有小波系数和尺度系数的平移不变性、无相位扭曲,从而保留了PPG信号中有用的特征波形,避免了有用PPG信息的损失。在此基础上,再结合经典的自适应阈值方法,就能较好的去掉同一频带内的噪声。
但MODWT算法运算量较大,为了满足PPG信号实时滤波的要求:首先,分析层次不宜过高,所以对于低频的基线漂移,最好采用别的滤波方法进行处理;其次,分析数据不宜过长,需要进行秒级的分段处理,而分段容易引起衔接处的顿挫和切迹。
为此,我们综合考虑PPG信号要求,以中值滤波去除PPG信号低频基线漂移、以MODWT去除高频噪声、以基于重叠量的分段滤波——衔接方法去除衔接处的切迹和顿挫,较好的解决了PPG信号的实时去噪问题,易于理解,容易实现,精度较高。
发明内容
本发明克服现有技术的不足,设计一种基于MODWT及中值滤波的PPG信号实时去噪方法。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于MODWT及中值滤波的PPG信号实时去噪方法,包括:a)采集PPG信号,根据实时分析要求确定PPG信号分析实时参数,对PPG信号进行分段处理;b)对去均值后分段PPG信号进行MODWT,得到高频滤波后的分段PPG信号;c)对高频滤波后的分段PPG信号进行中值滤波,去除基线漂移;d)衔接分段信号。所述a)采集PPG信号,根据实时分析要求确定PPG信号分析实时参数,对PPG信号进行分段处理方法为:
步骤1:采用光电容积脉搏波描记法采集PPG信号,采样频率为100Hz,以1秒、3秒、5秒、10秒作为分析时长分别进行分析测试,基于测试结果,根据实时分析要求,对PPG信号进行分段处理。
步骤2:计算分段PPG信号幅值平均值,在分段信号幅值的基础上减去该均值。所述计算分段PPG信号幅值平均值mean(X0):
其中设原始分段信号长度为N,各采样点幅值为X0(i),i=1,2,3,……N。
作为优选:所述b)对去均值后分段PPG信号进行MODWT,得到高频滤波后的分段PPG信号方法为:
步骤1:基于采样频率及PPG信号特征对分段信号进行MODWT;
步骤2:基于PPG信号特征,去除干扰频带,选定空间滤波频带;
步骤3:基于滤波方法和滤波方式确定自适应阈值,分频带进行滤波。所述滤波方法为固定阈值、极值阈值、无偏风险估计阈值及启发式阈值方法。设阈值为xlim,信号长度为N,对某分割频带信号X,由中位数(median)绝对偏差(MAD)计算得其均方根σ。
MAD=median(|X-median(X)|
σ=1.4826×MAD
基于PPG信号分析测试结果,我们选择固定阈值的计算方法,此时,阈值为:
所述该滤波方式为硬阈值、软阈值方式,基于PPG信号分析测试结果,我们选择软阈值方式:当细节信号的绝对值小于给定阈值时,令其为0,否则,令其减去阈值,符号与原始细节信号该处保持一致。
作为优选:所述c)对高频滤波后的分段PPG信号进行中值滤波,去除基线漂移方法为:
步骤1:根据PPG信号特征,选择中值滤波参数;
步骤2:获得分段PPG信号基线,去除该基线。
作为优选:所述d)衔接分段信号方法为:
步骤1:添加分段PPG信号原始均值;将滤波后的分段PPG信号加上保存的原始均值mean(X0);
步骤2:去除重叠量,消除衔接处顿挫、切迹。
附图说明
图1为1份108秒PPG信号滤波结果。
其中图1(a)为滤波前108秒的原始PPG信号;图1(b)为高频滤波后PPG信号及基线;图1(c)为最终去噪结果。
具体实施方式
下面结合实例,对本发明的技术方案作进一步详细的说明。
一种基于MODWT及中值滤波的PPG信号实时去噪方法,包括以下步骤:
a)采集PPG信号,根据实时分析要求确定PPG信号分析实时参数,对PPG信号进行分段处理。
步骤1:采集PPG信号,根据实时分析要求,对PPG信号进行分段处理。
采用光电容积脉搏波描记法采集PPG信号,采样频率为100Hz,以1秒、3秒、5秒、10秒作为分析时长分别进行了分析测试,当以3秒作为分析时长时,能较好的体现实时性和MODWT频率分辨率之间的均衡,决定以3秒PPG信号作为分析时长,以1秒间隔作为更新时长。
步骤2:计算分段PPG信号幅值平均值,在分段信号幅值的基础上减去该均值。
为了减少低频分量对后期MODWT各高频带自适应阈值的干扰,设原始分段信号长度为N,各采样点幅值为X0(i),i=1,2,3,……N(注:采样频率为100Hz,3秒间隔时N=300),计算分段PPG信号幅值平均值mean(X0):
保存该均值,并在分段信号幅值的基础上减去该平均值,得去均值后分段PPG信号。
b)对去均值后分段PPG信号进行MODWT,得到高频滤波后的分段PPG信号。
步骤1:基于采样频率及PPG信号特征对分段信号进行MODWT。
人体的脉搏频率一般非常低,约为0.5-10Hz,一般情况下为1Hz,就干扰信号而言,工频干扰为50Hz,因为运动、抖动、呼吸等引起的基线漂移约为0.05-2Hz,肌电干扰约为5-2000Hz。
与普通的离散小波变换类似,MODWT也具有频带二分特点,最高分析频率为采样频率/2。所以,当采样频率已知,可逐次对较低频带(注:第一次分割的频带为0-采样频率/2)进行二分。如前所述,我们主要用MODWT去除高频误差,此时分析层次可以较低,后文实例中,因采样频率为100Hz,我们分析到第3层,此时信号最高频率为6.25Hz。
步骤2:基于PPG信号特征,去除干扰频带,选定空间滤波频带。
因10Hz以上较高频带主要为工频干扰及高频率的肌电干扰,直接去除这些频带,此时剩余的分割频带即为待滤波、重构频带信号。
步骤3:基于滤波方法、方式确定自适应阈值,分频带进行滤波:
1)选择滤波方法,确定自适应阈值。
在剩余频带中,一般具有跟信号频带相似的肌电干扰,但其幅值相对于信号而言会比较小,且分布较广,为此,需根据频带信号幅值大小自适应确定滤波阈值。目前,根据阈值计算的方法不同,主要有四种经典的滤波方法:固定阈值、极值阈值、无偏风险估计阈值及启发式阈值。设阈值为xlim,信号长度为N,对某分割频带信号X,由中位数(median)绝对偏差(MAD)计算得其均方根σ。
MAD=median(|X-median(X)|
σ=1.4826×MAD
基于PPG信号分析测试结果,我们选择固定阈值的计算方法,此时,阈值为:
2)选择滤波方式。
目前,主要有两种滤波方式:
1)硬阈值:当细节信号的绝对值小于给定阈值时,令其为0,否则,保持不变;
2)软阈值:当细节信号的绝对值小于给定阈值时,令其为0,否则,令其减去阈值,符号与原始细节信号该处保持一致。
硬阈值在均方误差意义上优于软阈值,但是信号会产生附加震荡,产生跳跃点,不具有原始信号的平滑性。软阈值得到的小波信号整体连续性较好,不会产生附加震荡,但会产生一定的偏差,直接影响到重构的信号与真实信号的逼近程度。基于PPG信号分析测试结果,我们选定软阈值方式。
在滤波之后,再进行逆MODWT进行重构即可,从而获得高频滤波后的分段信号。
c)对高频滤波后的分段PPG信号进行中值滤波,去除基线漂移。
步骤1:根据PPG信号特征,选择中值滤波参数。
因人体的脉搏频率一般非常低,约为0.5-10Hz,为了便于实时处理,我们采用经典的直方图数据修正法进行中值滤波的快速计算,且在尽可能去除基线漂移情况下采用较小的分析窗口,以便提高计算速度。需注意的是,因分段信号幅值范围不定,直方图范围并不恒定,需根据各分段信号幅值区间确定。
步骤2:获得分段PPG信号基线,去除该基线。
连接连续的每个分析窗口中值,可得基线;再在原高频滤波后的分段PPG信号基础上减去该基线,可得去除基线漂移后的各分段PPG信号。
d)衔接分段信号。
步骤1:添加分段PPG信号原始均值。
将滤波后的分段PPG信号加上保存的原始均值mean(X0)即可。
步骤2:去除重叠量,消除衔接处顿挫、切迹。
因分段PPG信号长度3秒,更新时长为1秒,为此,我们以1秒延迟作为代价,每次只取滤波后3秒中间1秒数据,去除重叠量,从而较好的去掉了衔接处的切迹和顿挫。
实施例
实施例说明
我们在自研的PPG设备中测试了该滤波算法,采样频率为100Hz,MODWT只需分到第3层,直接去除第1、2层高频细节信号,对第3层细节信号基于固定阈值滤波方法及软阈值滤波方式进行了分段滤波,然后重构得经高频滤波后的分段PPG信号,再对此信号进行了窗口为1秒的中值滤波,去除了基线漂移,最后衔接、去重各分段滤波信号,得到了最终分析结果。
计算结果
图1(a)为滤波前108秒的原始PPG信号;
图1(b)为高频滤波后PPG信号及基线;
图1(c)为最终去噪结果。
由图1可见,MODWT在去掉高频干扰的同时,较好的保留了各特征波形细节,且在各秒衔接处几乎不存在多余的顿挫和切迹。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (2)
1.一种基于MODWT及中值滤波的PPG信号实时去噪方法,包括:a)采集PPG信号,根据实时分析要求确定PPG信号分析参数,对PPG信号进行分段处理;b)对去均值后分段PPG信号进行MODWT,得到高频滤波后的分段PPG信号;c)对高频滤波后的分段PPG信号进行中值滤波,去除基线漂移;d)衔接分段信号,其特征在于:所述a)采集PPG信号,根据实时分析要求确定PPG信号分析实时参数,对PPG信号进行分段处理方法为:
步骤1:采用光电容积脉搏波描记法采集PPG信号,采样频率为100Hz,以1秒、3秒、5秒、10秒作为分析时长分别进行分析测试,基于测试结果,根据实时分析要求,对PPG信号进行分段处理;
步骤2:计算分段PPG信号幅值平均值,在分段信号幅值的基础上减去该均值,所述计算分段PPG信号幅值平均值mean(X0):
其中设原始分段信号长度为N,各采样点幅值为X0(i),i=1,2,3,……N;
所述b)对去均值后分段PPG信号进行MODWT,得到高频滤波后的分段PPG信号方法为:
步骤1:基于采样频率及PPG信号特征对分段信号进行MODWT;
步骤2:基于PPG信号特征,去除干扰频带,选定空间滤波频带;
步骤3:基于滤波方法和滤波方式确定自适应阈值,分频带进行滤波,所述滤波方法为固定阈值、极值阈值、无偏风险估计阈值及启发式阈值方法,设阈值为xlim,信号长度为N,对某分割频带信号X,由中位数(median)绝对偏差(MAD)计算得其均方根σ;
MAD=median(|X-median(X)|
σ=1.4826×MAD
基于PPG信号分析测试结果,选择固定阈值的计算方法,此时,阈值为:
所述滤波方式为硬阈值、软阈值方式,基于PPG信号分析测试结果,选择软阈值方式:当细节信号的绝对值小于给定阈值时,令其为0,否则,令其减去阈值,符号与原始细节信号该处保持一致;
所述d)衔接分段信号方法为:
步骤1:添加分段PPG信号原始幅值平均值;将滤波后的分段PPG信号加上保存的原始幅值平均值mean(X0);
步骤2:以1秒延迟作为代价,每次只取滤波后3秒中间1秒数据,去除重叠量,消除衔接处顿挫、切迹。
2.根据权利要求1所述的基于MODWT及中值滤波的PPG信号实时去噪方法,其特征在于:所述c)对高频滤波后的分段PPG信号进行中值滤波,去除基线漂移方法为:
步骤1:根据PPG信号特征,选择中值滤波参数;
步骤2:获得分段PPG信号基线,去除该基线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010180685.8A CN111493821B (zh) | 2020-03-16 | 2020-03-16 | 一种基于modwt及中值滤波的ppg信号实时去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010180685.8A CN111493821B (zh) | 2020-03-16 | 2020-03-16 | 一种基于modwt及中值滤波的ppg信号实时去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111493821A CN111493821A (zh) | 2020-08-07 |
CN111493821B true CN111493821B (zh) | 2023-03-14 |
Family
ID=71848250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010180685.8A Active CN111493821B (zh) | 2020-03-16 | 2020-03-16 | 一种基于modwt及中值滤波的ppg信号实时去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111493821B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676738B (zh) * | 2022-05-27 | 2022-08-02 | 广东玖智科技有限公司 | Ppg信号质量评估方法及装置以及ppg信号处理方法及系统 |
CN116548928B (zh) * | 2023-07-11 | 2023-09-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102743165A (zh) * | 2012-07-31 | 2012-10-24 | 刘常春 | 基于光电容积脉搏波的血液在体流动性测量装置 |
CN104182946A (zh) * | 2014-09-09 | 2014-12-03 | 江南大学 | 基于指数软硬择中阈值函数的光谱去噪方法 |
CN109875548A (zh) * | 2019-03-24 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于多导联综合分析的心电图特征波形聚类方法 |
CN109875545A (zh) * | 2018-12-17 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于cnn的个体化12导联心电图重建方法 |
CN110558960A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6993377B2 (en) * | 2002-02-22 | 2006-01-31 | The Board Of Trustees Of The University Of Arkansas | Method for diagnosing heart disease, predicting sudden death, and analyzing treatment response using multifractal analysis |
US8152731B2 (en) * | 2006-02-10 | 2012-04-10 | Inovise Medical, Inc. | Wavelet transform and pattern recognition method for heart sound analysis |
US8755854B2 (en) * | 2009-07-31 | 2014-06-17 | Nellcor Puritan Bennett Ireland | Methods and apparatus for producing and using lightly filtered photoplethysmograph signals |
CN109145706A (zh) * | 2018-06-19 | 2019-01-04 | 徐州医科大学 | 一种用于振动信号分析的敏感特征选取与降维方法 |
CN109288508A (zh) * | 2018-08-18 | 2019-02-01 | 浙江好络维医疗技术有限公司 | 一种基于crnn-bp的血压值智能测量方法 |
CN109893119B (zh) * | 2019-03-24 | 2022-01-04 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的p波识别定位方法 |
CN109893124B (zh) * | 2019-03-24 | 2021-12-28 | 浙江好络维医疗技术有限公司 | 一种基于多导联聚类分析的疑难心电图主波识别定位方法 |
CN110338813B (zh) * | 2019-06-04 | 2022-04-12 | 西安理工大学 | 一种基于频谱分析的无创血糖检测方法 |
-
2020
- 2020-03-16 CN CN202010180685.8A patent/CN111493821B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102743165A (zh) * | 2012-07-31 | 2012-10-24 | 刘常春 | 基于光电容积脉搏波的血液在体流动性测量装置 |
CN104182946A (zh) * | 2014-09-09 | 2014-12-03 | 江南大学 | 基于指数软硬择中阈值函数的光谱去噪方法 |
CN109875545A (zh) * | 2018-12-17 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于cnn的个体化12导联心电图重建方法 |
CN109875548A (zh) * | 2019-03-24 | 2019-06-14 | 浙江好络维医疗技术有限公司 | 一种基于多导联综合分析的心电图特征波形聚类方法 |
CN110558960A (zh) * | 2019-09-10 | 2019-12-13 | 重庆大学 | 一种基于ptt和miv-ga-svr的连续血压无创监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111493821A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108158573B (zh) | 基于自适应阈值小波变换的心电信号降噪方法 | |
US11406328B2 (en) | Low-distortion ECG denoising | |
CN110680308B (zh) | 基于改进emd与阈值法融合的心电信号去噪方法 | |
US10849509B2 (en) | Patient signal filtering | |
Mithun et al. | A wavelet based technique for suppression of EMG noise and motion artifact in ambulatory ECG | |
CN109359506B (zh) | 一种基于小波变换的心磁信号降噪方法 | |
CN111616697B (zh) | 一种基于新阈值函数小波变换的心电信号去噪算法 | |
Kumar et al. | Performance analysis of different filters for power line interface reduction in ECG signal | |
CN112307959B (zh) | 一种用于心电信号分析的小波去噪方法 | |
CN111493821B (zh) | 一种基于modwt及中值滤波的ppg信号实时去噪方法 | |
US20220110590A1 (en) | System and Method for Assessing Physiological Signal Quality | |
Yadav et al. | Smoothening and segmentation of ecg signals using total variation denoising–minimization-majorization and bottom-up approach | |
Abdelmounim et al. | Electrocardiogram signal denoising using discrete wavelet transform | |
Wang et al. | Wavelet transform based ECG denoising using adaptive thresholding | |
Almalchy et al. | Noise removal from ECG signal based on filtering techniques | |
Lu et al. | Model-based ECG denoising using empirical mode decomposition | |
CN111543981B (zh) | 一种基于分段modwt及自适应阈值的动态心电图实时滤波方法 | |
CN113397496B (zh) | 基于信噪比提高技术的脉搏波获取方法、系统及存储介质 | |
Altay et al. | Signal-to-noise ratio and mean square error improving algorithms based on newton filters for measurement ECG data processing | |
Fehér | Denoising ECG signals by applying discrete wavelet transform | |
CN111938627A (zh) | 一种滤除心磁信号基线漂移的方法 | |
CN111528900A (zh) | 基于巴特沃斯滤波器与香农熵法的心音分段方法和装置 | |
Elouaham et al. | Combination time-frequency and empirical wavelet transform methods for removal of composite noise in EMG signals | |
Ulukaya et al. | Performance comparison of wavelet based denoising methods on discontinuous adventitious lung sounds | |
CN111557650A (zh) | 基于Adam的快批量梯度上升法脉搏波特征提取方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 310012 block B, 5 / F, building e, Paradise Software Park, No.3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province Applicant after: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY Co.,Ltd. Address before: 310012 A building 7D, Paradise Software Park, 3 West Road, Hangzhou, Zhejiang, Xihu District Applicant before: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |