CN111493859B - 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 - Google Patents
一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 Download PDFInfo
- Publication number
- CN111493859B CN111493859B CN202010180897.6A CN202010180897A CN111493859B CN 111493859 B CN111493859 B CN 111493859B CN 202010180897 A CN202010180897 A CN 202010180897A CN 111493859 B CN111493859 B CN 111493859B
- Authority
- CN
- China
- Prior art keywords
- main wave
- wide
- wave
- hierarchical clustering
- dtw
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000007417 hierarchical cluster analysis Methods 0.000 title claims abstract description 24
- 230000036244 malformation Effects 0.000 title claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000005494 condensation Effects 0.000 claims description 5
- 238000009833 condensation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005354 coacervation Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000008376 Pre-Excitation Syndromes Diseases 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于dtw‑层次聚类分析的单导联宽大畸形主波识别定位方法，包括：a)预处理；b)基于dtw距离量度，对单导联主波进行层次聚类分析；c）确定宽大畸形主波具体位置。本发明基于dtw算法计算单导联各主波之间距离，利用层次聚类分析工具，确定了单导联宽大畸形主波位置，从而为医生的进一步诊断提供参考。该方法为无监督学习方法，不需要标签数据，且能针对个体心电图进行识别定位，特别适合解决主波起点、终点难以准确定位的问题，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dtw-层次聚类分析的单导联宽大畸形主波识别定位方法，涉及心电图智能诊断领域。
背景技术
心电图检查是体检的常见项目，如果患者疑似有心律失常症状，通常也会去医院做个心电图，但是，在医院的几分钟或者十几分钟心电图，难以发现问题，这时候医生可能会给患者一个可以穿戴的心电图检测器，佩戴两周或者更长时间，这会产生几百小时的心电图，医生要一秒一秒的检查，这是很费时间的。
目前，已有研究者针对心律失常的智能诊断进行研究。比如早期的利用支持向量机、KNN等机器学习方法对心律失常进行诊断；近年随着深度学习的兴起，也有学者提出了利用深度学习对心律失常进行诊断的新方法。然而，这些方法均为监督学习方法，存在一定的局限性。前期，我们基于欧式距离、利用k-means聚类分析方法，从主波形态、间期两个方面对单导联特异主波进行了自适应聚类分析、识别定位研究，但在实际的操作中发现，对于宽大畸形类主波的识别定位，比如室性异位搏动、室内传导阻滞、室内差异性传导、预激综合症等，因主波的起点、终点难以准确定位，该方法有时难以达到很好的分类效果。
dtw是一种基于动态规划思想的优化算法，主要应用于语音识别领域，曾较好的解决了孤立词发音长短不一的模板匹配问题。就宽大畸形主波的识别定位而言，本质而言就是另一种形式的模板匹配，而主波的起点、终点难以准确定位就相当于孤立词发音的长短不一。为此，我们在前期研究的基础上，提出一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法，确定了单导联宽大畸形主波位置。该方法因为采用dtw算法的缘故，特别适合解决目前主波起点、终点难以准确定位的问题，同时，其为无监督学习方法，不需要标签数据，能针对个体心电图进行识别定位，易于理解，容易实现，精度较高。
发明内容
本发明的目的，在于提供一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法。
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dtw-层次聚类分析的单导联宽大畸形主波识别定位方法，该方法包括：a)预处理；b)基于dtw距离量度，对主波进行层次聚类分析；c）确定宽大畸形主波具体位置。所述a)预处理方法为：
步骤1：基于分析方法获得单导联数据上各主波大致位置。所述该分析方法为P-T计算方法或一种基于正则化最小二乘回归学习的QRS波起点终点定位方法；
步骤2：用MODWT去除原始数据基线漂移及高频误差。所述MODWT是高度冗余的非正交变换，样本容量可为任意值，且具有位移不变性，通过综合比较分析，选择sym4小波，分析到第6层，选取d2、d3、d4、d5、d6作为重构信号，从而去除基线漂移及高频误差；
步骤3：校准，确定主波具体位置及时限。
作为优选：所述b) 基于dtw距离量度，对主波进行层次聚类分析方法为：
步骤4：计算基于dtw算法的各主波之间距离，绘制凝聚层次聚类树：
(1)提取各主波中的最大时限T，获得各主波点两端T/2范围内的波形数据，并减去主波点对应幅值，然后取绝对值得待聚波形数据；
(2)基于dtw算法计算各主波波形之间距离，并根据凝聚层次聚类基本原理，采用平均距离，绘制凝聚层次聚类树。
步骤5：对各主波进行层次聚类分析：
(1)基于凝聚层次聚类树，获得最大“平均距离”变化率对应的“平均距离”，记为L；
(2)以L作为截止距离，对待聚主波波形数据进行层次聚类分析，获得类别数及各主波对应的类别。
作为优选：所述c）确定宽大畸形主波具体位置方法为：
步骤6：计算层次聚类结果对应的轮廓系数指标；
步骤7：确定宽大畸形主波具体位置。
所述步骤6中轮廓系数指标大于给定值，则保留该聚类分析结果：当类别数为两类，且某类别对应的平均时限最大，且满足给定的宽大畸形主波时限要求，则取该类别为宽大畸形主波类；当类别数多于两类，则对各类平均时限进行由大到小排序，取平均时限满足宽大畸形主波时限要求的所有类别为宽大畸形主波。如果轮廓系数指标小于给定值，宽大畸形主波结果为空集。
附图说明
图1为本发明“基于dtw-层次聚类分析的单导联单导联宽大畸形主波识别定位方法”实施步骤流程图。
图2为一例“频发室性早搏”心电图识别的宽大畸形主波位置。
图3为另一例“频发室性早搏”心电图识别的宽大畸形主波位置。
图4为一例“偶发室性早搏”心电图识别的宽大畸形主波位置。
图5为另一例“偶发室性早搏”心电图识别的宽大畸形主波位置。
具体实施方式
下面将结合附图，对本发明的技术方案作进一步详细的说明，如附图1一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法，包括以下步骤：
a)预处理
步骤1：基于常规分析方法获得单导联数据上各主波大致位置。
目前，关于心电图主波定位方法非常之多，比如经典的P-T算法或采用本公司自研的“一种基于正则化最小二乘回归学习的QRS波起点终点定位方法”（专利号为：201610369281.7 ）
步骤2：利用MODWT去除原始数据基线漂移及高频误差。
该MODWT是高度冗余的非正交变换，样本容量可为任意值，具有位移不变性，非常适合处理心电图数据。在实际使用中，通过综合比较分析，选择sym4小波，分析到第6层，选取d2、d3、d4、d5、d6作为重构信号，从而去除基线漂移及高频误差。
步骤3：校准，确定已有主波具体位置及时限。
因单导联固有缺陷，不能像多导联一样进行导联之间的相互校准，初始定位的主波可能会存在方向颠倒（如主波本应取R波变成取S波）、偏移等现象，而这些均会影响到后期的聚类分析结果。为此，对所有初始主波位置，以某初始主波位置附近较小区间内绝对值极大值点，取代原始初始主波位置，并根据所有主波方向获得主波主体方向。对个别与主体方向不一致的主波方向，根据其在本方向的幅值排序及相对方向主波幅值情况，更改或保持原有方向，从而确定主波具体位置，并基于斜率变化情况及QRS正常时限范围，确定各主波时限（注：即顶点两端谷点之间距离）。因后期采用dtw计算各主波之间距离，即使两端谷点定位稍有偏差，也几乎不影响最终结果。
b) 基于dtw距离量度，对主波进行层次聚类分析：
步骤4：计算基于dtw算法的各主波之间距离，获得凝聚层次聚类树。
(1)提取各主波中的最大时限T，获得各主波点两端T/2范围内的波形数据，并减去主波点对应幅值，然后取绝对值得待聚波形数据；
(2)基于dtw算法计算各主波波形之间距离，并根据凝聚层次聚类基本原理，采用“平均距离”（注：即各分类之间个体之间距离的平均），绘制凝聚层次聚类树。
步骤5：对各主波进行层次聚类分析。
(1)基于凝聚层次聚类树，获得最大“平均距离”变化率对应的“平均距离”，记为L；
(2)以L作为截止距离，对待聚主波波形数据进行层次聚类分析，获得类别数及各主波对应的类别。
c）确定宽大畸形主波具体位置方法为：
步骤6：计算层次聚类结果对应的轮廓系数指标；
步骤7：确定宽大畸形主波具体位置。
如果轮廓系数指标大于给定值（比如0.9），保留该聚类分析结果：当类别数为两类，且某类别对应的平均时限最大，且满足给定的宽大畸形主波时限要求，则取该类别为宽大畸形主波类；当类别数多于两类，则对各类平均时限进行由大到小排序，取平均时限满足宽大畸形主波时限要求的所有类别为宽大畸形主波。如果轮廓系数指标小于给定值，宽大畸形主波结果为空集。
实施例
实施例说明
为了检验方法的有效性，我们对58份室性早搏单导联心电图进行了宽大畸形波形识别定位测试，准确度达到96%以上。附图以四份心电图数据宽大畸形主波的识别定位作为示例。
数据基本参数：时长：60秒，频率：250Hz。不应期：0.3秒；宽大畸形类平均时限阈值：0.12秒。
计算结果
识别定位的宽大畸形主波以红色“○”表示：
1）“频发室性早搏”心电图宽大畸形主波识别定位两例，如图2、3所示。
2）“偶发室性早搏”心电图宽大畸形主波识别定位两例，如图4、5所示。
由图2-5可见，各心电图宽大畸形主波识别定位准确。
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dtw-层次聚类分析的单导联宽大畸形主波识别定位方法，该方法包括：a)预处理；b)基于dtw距离量度，对主波进行层次聚类分析；c)确定宽大畸形主波具体位置，其特征在于：所述a)预处理方法为：
步骤1：基于分析方法获得单导联数据上各主波大致位置，所述分析方法为P-T计算方法或一种基于正则化最小二乘回归学习的QRS波起点终点定位方法；
步骤2：用MODWT(Maximal overlap discrete wavelet transform)去除原始数据基线漂移及高频误差，所述MODWT是高度冗余的非正交变换，样本容量可为任意值，且具有位移不变性，通过综合比较分析，选择sym4小波，分析到第6层，选取d2、d3、d4、d5、d6作为重构信号，从而去除基线漂移及高频误差；
步骤3：校准，确定主波具体位置及时限；
所述b)基于dtw距离量度，对主波进行层次聚类分析方法为：
步骤4：计算基于dtw算法的各主波之间距离，绘制凝聚层次聚类树：
提取各主波中的最大时限T，获得各主波点两端T/2范围内的波形数据，并减去主波点对应幅值，然后取绝对值得待聚波形数据；
基于dtw算法计算各主波波形之间距离，并根据凝聚层次聚类基本原理，采用平均距离，绘制凝聚层次聚类树；
步骤5：对各主波进行层次聚类分析：
基于凝聚层次聚类树，获得最大“平均距离”变化率对应的“平均距离”，记为L；
以L作为截止距离，对待聚主波波形数据进行层次聚类分析，获得类别数及各主波对应的类别。
2.根据权利要求1所述的基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法，其特征在于：所述c)确定宽大畸形主波具体位置方法为：
步骤6：计算层次聚类结果对应的轮廓系数指标；
步骤7：确定宽大畸形主波具体位置；
所述步骤6中轮廓系数指标大于给定值，则保留该聚类分析结果：当类别数为两类，且某类别对应的平均时限最大，且满足给定的宽大畸形主波时限要求，则取该类别为宽大畸形主波类；当类别数多于两类，则对各类平均时限进行由大到小排序，取平均时限满足宽大畸形主波时限要求的所有类别为宽大畸形主波；如果轮廓系数指标小于给定值，宽大畸形主波结果为空集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010180897.6A CN111493859B (zh) | 2020-03-16 | 2020-03-16 | 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010180897.6A CN111493859B (zh) | 2020-03-16 | 2020-03-16 | 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111493859A CN111493859A (zh) | 2020-08-07 |
| CN111493859B true CN111493859B (zh) | 2023-01-03 |
Family
ID=71877697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010180897.6A Active CN111493859B (zh) | 2020-03-16 | 2020-03-16 | 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111493859B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012092766A1 (zh) * | 2011-07-25 | 2012-07-12 | 深圳市理邦精密仪器股份有限公司 | 儿童心电图自动检测分析方法及系统 |
| CN105433916A (zh) * | 2014-09-19 | 2016-03-30 | 株式会社日立制作所 | 脉搏特征提取装置及脉搏特征提取方法 |
| CN109893119A (zh) * | 2019-03-24 | 2019-06-18 | 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 |
| CN110226928A (zh) * | 2018-03-06 | 2019-09-13 | 深圳市理邦精密仪器股份有限公司 | 房颤伴室早和房颤伴差传的识别方法和装置 |
| CN110367969A (zh) * | 2019-07-05 | 2019-10-25 | 复旦大学 | 一种改进的心电信号快速聚类分析方法 |
-
2020
- 2020-03-16 CN CN202010180897.6A patent/CN111493859B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012092766A1 (zh) * | 2011-07-25 | 2012-07-12 | 深圳市理邦精密仪器股份有限公司 | 儿童心电图自动检测分析方法及系统 |
| CN105433916A (zh) * | 2014-09-19 | 2016-03-30 | 株式会社日立制作所 | 脉搏特征提取装置及脉搏特征提取方法 |
| CN110226928A (zh) * | 2018-03-06 | 2019-09-13 | 深圳市理邦精密仪器股份有限公司 | 房颤伴室早和房颤伴差传的识别方法和装置 |
| CN109893119A (zh) * | 2019-03-24 | 2019-06-18 | 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 |
| CN110367969A (zh) * | 2019-07-05 | 2019-10-25 | 复旦大学 | 一种改进的心电信号快速聚类分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111493859A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | Fusing transformer model with temporal features for ECG heartbeat classification | |
| Rajpurkar et al. | Cardiologist-level arrhythmia detection with convolutional neural networks | |
| De Lannoy et al. | Weighted SVMs and feature relevance assessment in supervised heart beat classification | |
| CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| US7769434B2 (en) | Method of physiological data analysis and measurement quality check using principal component analysis | |
| CN109893119B (zh) | 一种基于多导联聚类分析的p波识别定位方法 | |
| CN207084814U (zh) | 用于检测异常搏动的设备和系统 | |
| WO2009091583A1 (en) | Method and apparatus for predicting patient outcomes form a physiological segmentable patient signal | |
| CN111493858B (zh) | 一种基于聚类分析的单导联特异主波识别定位方法 | |
| Roy et al. | Photoplethysmogram signal quality evaluation by unsupervised learning approach | |
| CN115813401B (zh) | 一种基于动态学习的心电图分类方法及系统 | |
| Jones et al. | Improving ECG classification interpretability using saliency maps | |
| CN116089862B (zh) | 一种基于修正机制的自调节蚁群聚类算法的ecg心律失常分类方法 | |
| CN118236072B (zh) | 一种用于麻醉过程的患者体征状态监测方法 | |
| Dubatovka et al. | Automatic detection of atrial fibrillation from single-lead ECG using deep learning of the cardiac cycle | |
| CN109893124B (zh) | 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 | |
| Ngo et al. | Design of a real-time morphology-based anomaly detection method from ecg streams | |
| Philip et al. | Identifying arrhythmias based on ecg classification using enhanced-PCA and enhanced-SVM methods | |
| CN109907751B (zh) | 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法 | |
| CN110522446A (zh) | 一种准确性高实用性强的脑电信号分析方法 | |
| CN111493859B (zh) | 一种基于dtw-层次聚类分析的单导联宽大畸形主波识别定位方法 | |
| de Lannoy et al. | Feature relevance assessment in automatic inter-patient heart beat classification | |
| Marasović et al. | Cardiac arrhythmia detection using DCT based compressive sensing and random forest algorithm | |
| CN113940682B (zh) | 一种基于统计特征的房颤识别方法 | |
| CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 |
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 |
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. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 310012 Block A, 13/F, Building E, Paradise Software Park, No. 3, Xidoumen Road, Xihu District, Hangzhou, Zhejiang Applicant after: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY CO.,LTD. Address before: 310012 block B, 5 / F, building e, Paradise Software Park, No.3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Building D, 14th Floor, Block C, Tian Tang Software Park, No. 3 Xidoumen Road, Gudang Street, Xihu District, Hangzhou City, Zhejiang Province 310012 Patentee after: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY CO.,LTD. Country or region after: China Address before: 310012 Block A, 13/F, Building E, Paradise Software Park, No. 3, Xidoumen Road, Xihu District, Hangzhou, Zhejiang Patentee before: ZHEJIANG HELOWIN MEDICAL TECHNOLOGY CO.,LTD. Country or region before: China |
|
| CP03 | Change of name, title or address |