CN112022149B - 一种基于心电信号的房颤检测方法 - Google Patents
一种基于心电信号的房颤检测方法 Download PDFInfo
- Publication number
- CN112022149B CN112022149B CN202010919143.8A CN202010919143A CN112022149B CN 112022149 B CN112022149 B CN 112022149B CN 202010919143 A CN202010919143 A CN 202010919143A CN 112022149 B CN112022149 B CN 112022149B
- Authority
- CN
- China
- Prior art keywords
- particle
- atrial fibrillation
- electrocardiosignal
- electrocardiosignals
- optimal
- 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
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于人工智能领域,具体涉及一种基于心电信号的房颤检测方法,包括如下步骤:步骤一,用户佩戴心电信号采集设备,利用最高采样频率采集心电信号,对不同心电信号记录进行房颤分类;步骤二,对不同心电信号记录按心跳周期进行分割,得到不同心跳心电记录序列;步骤三,定义粒子群优化算法目标函数;步骤四,利用粒子群优化算法优化目标函数,得到最优心电信号采样频率。通过实现基于长短时记忆网络对心电信号序列进行学习,利用粒子群优化算法对心电信号采样频率进行优化,降低了医生的工作负担及误报率。
Description
技术领域
本发明属于人工智能领域,具体涉及一种基于心电信号的房颤检测方法。
背景技术
随着人口老龄化,近年来心脏病的发病率持续增高。预计到2030年,全球心血管疾病死亡人数将增加到2360万。心脏病将成为未来造成人类死亡的最主要原因,严重威胁全球范围内人们的健康。心房颤动作为心脏病中最普遍的一种病症,通常被称为房颤。房颤的发病率会随着患者年龄的增长而显著增高。房颤发生时,心房会失去正常有效的收缩功能,处于紊乱的颤动状态。房颤引起的脑卒中,心功能恶化时病人致死致残的重要原因。但是,部分患者在症状不明显情况下会错过诊治。因此,如何准确检测到病人是否发生房颤十分重要。
目前最常用的房颤检测方法是通过医生判断采集到的心电信号。这种方法需要医生根据经验通过视觉判读心电信号,大大增加了医生的工作负担及误报率。
本发明提出一种基于心电信号的房颤检测方法。考虑到不同于其他数据驱动方法,长短时记忆网络方法可以避免对心电信号的预处理,直接对心电信号序列进行学习,因此本发明基于长短时记忆网络对心电信号序列进行学习,利用粒子群优化算法对心电信号采样频率进行优化,得到一种房颤检测方法。
发明内容
本发明的目的在于提供一种基于心电信号的房颤检测方法,以实现基于长短时记忆网络对心电信号序列进行学习,利用粒子群优化算法对心电信号采样频率进行优化。
为实现上述目的,本发明具体提供的技术方案为:一种基于心电信号的房颤检测方法,包括如下步骤:
步骤一,用户佩戴心电信号采集设备,利用最高采样频率采集心电信号,对不同心电信号记录进行房颤分类;
步骤二,对不同心电信号记录按心跳周期进行分割,得到不同心跳心电记录序列;
步骤三,定义粒子群优化算法目标函数;
步骤四,利用粒子群优化算法优化目标函数,得到最优心电信号采样频率。
进一步,所述步骤一具体为,不同用户N名,佩戴心电信号采集设备,在心电信号采集设备允许的最大采样频率wmax下,对每名用户采集心电信号两分钟,最终得到N条时长为m分钟的心电信号数据,对这N条心电信号数据进行是否房颤信号的分类,将数据及房颤标签一起存储。
进一步,所述N名不同用户中其中N/2名用户具有房颤特征。
进一步,所述步骤二具体为:心电信号具有周期性,在进行房颤分类模型训练前,需要对心跳数据记录按照心跳周期分割,每个心跳周期内,心电信号波形包括P波、QRS波群、T波、R波。
进一步,所述R波特征最为明显,包括了心跳周期内心电信号的最大值,检测R波波峰,对波峰前后一段时间的心电信号进行组合,最终得到分割成不同心跳周期的心电信号,并将分割前的房颤信号标签保留到分割后的心电信号。
进一步,所述步骤三具体为,
一、定义优化变量为采样频率w,根据采样频率物理意义可知优化变量的定义域是正整数,小于心电信号采集设备所允许的最高采样频率wmax;
二、照采样频率w,对分割成不同心跳周期的心电信号数据进行重新采样;
三、对所有心电信号进行上述重新采样后,若该心电信号为房颤信号,则将心电信号标签y向量置为{1,0},若该心电信号为正常信号,则将该心电信号标签y向量置为{0,1},将带有房颤标签的心电信号平均分为训练数据和测试数据;
四、将优化变量w下,测试数据的分类准确率作为目标函数d(w);其中,测试数据的分类结果由所训练的长短时记忆网络模型输出。
进一步,其中三中,利用训练数据,将交叉熵作为训练目标,利用Adam优化算法训练长短时记忆网络,长短时记忆网络训练后给出二维输出z;
其中交叉熵的计算过程为:
其中,zi代表长短时记忆网络的输出z向量的元素,i=1,2;ai代表长短时记忆网络针对心电信号输入预测的房颤与正常的概率,a1为房颤概率,a2为正常概率;yi代表该心电信号输入所对应的真实标签y的元素,若该心电信号的标签为房颤,则y1=1,y2=0;否则y1=0,y2=1;训练后得到长短时记忆网络的参数P,b。
进一步,所述步骤四具体为,利用粒子群优化算法实现优化求解,即求解使得目标函数最大的w的步骤包括如下:
(a)设置种群粒子个数为m和粒子维度1;
(b)随机初始化种群中各粒子的速度和位置,得到初始种群位置上角标表示粒子标号;um是一个五维的向量,表示第m个粒子的位置,是优化过程中一个可能的解;上角标“1”表示当前为第1次迭代过程;设置初始种群速度v(1);
(d)在迭代过程中,比较各可能解的目标函数值。将迭代过程中,每个粒子最优位置(目标函数值最小)设为该粒子最优位置pbest,i;比较得到所有粒子中最优位置设为粒子群最优位置gbest;
(e)更新粒子速度和位置,第i个粒子的速度及位置更新公式分别如下:
其中,v为粒子速度,u为粒子位置,w为惯性权重,r1和r2为分布于区间[0,1]内的随机数,k为当前迭代次数,初始值为1,为第k次迭代时的第i个粒子的个体最优粒子位置,为第k代时的全局最优粒子位置,c1与c2为常数。
(f)计算k+1步的每个粒子的目标函数值,并与之前的最优位置所对应得到的目标函数值比较,若当前位置更好,则将其当前位置作为该粒子的最优位置将每一个粒子的目标函数与粒子群的最优粒子位置相比较,若当前位置更好,则更新最优粒子位置
(g)检查终值条件,若精度满足预设条件或迭代次数超出限制,则停止迭代,否则重复步骤(c)-(g);
(h)输出最优的w*。
本发明的优点及其有益效果在于:
(1)利用长短时记忆网络训练房颤检测模型,在避免医生工作负担的同时,长短时记忆网络可以直接对心电信号数据进行学习,不用对数据进行预处理提取特征;
(2)利用粒子群优化算法优化采样频率,得到能够对心电信号的房颤数据进行最佳识别的采样频率。
附图说明
图1为心电信号记录分割示意图;
图2为粒子群优化算法优化采样频率结构图;
图3为长短时记忆网络训练房颤检测模型流程图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行描述。
本发明提供的一种基于心电信号的房颤检测方法,包括如下步骤:
S1:不同用户(N名,其中N/2名用户具有房颤特征)佩戴心电信号采集设备,在心电信号采集设备允许的最大采样频率wmax下,对每名用户采集心电信号两分钟,最终得到N条时长为m分钟的心电信号数据,参考专业医生意见对这N条心电信号数据进行是否房颤信号的分类。将数据及房颤标签一起存储。
S2:对不同心电信号记录按心跳周期进行分割,得到不同心跳心电记录序列。参考专业医生意见对不同心跳周期的房颤标签。
具体来说,所得心跳数据记录如图1所示,心电信号具有周期性。在进行房颤分类模型训练前,需要对心跳数据记录按照心跳周期分割。以图1为例,每个心跳周期内,心电信号波形包括P波,QRS波群,T波,其中R波特征最为明显,包括了心跳周期内心电信号的最大值。因此利用应用广泛的最大值检索法检测R波波峰。检测到波峰后,对波峰前后一段时间的心电信号进行组合,最终得到分割成不同心跳周期的心电信号,并将分割前的房颤信号标签保留到分割后的心电信号。
S3:定义粒子群优化算法目标函数。
所述的粒子群优化目标函数,具体计算方法如下:
S301:定义优化变量为采样频率w,根据采样频率物理意义可知优化变量的定义域是正整数,小于心电信号采集设备所允许的最高采样频率wmax;
S302:按照采样频率w,对分割成不同心跳周期的心电信号数据进行重新采样;以某一心跳周期内的心电信号数据为例,该组数据为V={V1,V2,...,Vn},令
S303:对所有心电信号进行上述重新采样后,若该心电信号为房颤信号,则将心电信号标签y向量置为{1,0},若该心电信号为正常信号,则将该心电信号标签y向量置为{0,1}。将带有房颤标签的心电信号平均分为训练数据和测试数据。利用训练数据,将交叉熵作为训练目标,利用Adam优化算法训练长短时记忆网络,长短时记忆网络训练后给出二维输出z。其中交叉熵的计算过程为:
其中,zi代表长短时记忆网络的输出z向量的元素,i=1,2;ai代表长短时记忆网络针对心电信号输入预测的房颤与正常的概率,a1为房颤概率,a2为正常概率;yi代表该心电信号输入所对应的真实标签y的元素,若该心电信号的标签为房颤,则y1=1,y2=0;否则y1=0,y2=1。训练后得到长短时记忆网络的参数P,b。
S304:将优化变量w下,测试数据的分类准确率作为目标函数d(w)。其中,测试数据的分类结果由所训练的长短时记忆网络模型输出,长短时记忆网络计算过程如图2所示,具体如下:
A.将S303所得的长短时记忆网络参数P,bfc输入到网络各层,其中P包括Pfc,PxL,PbL,PsL,Pxf,Pbf,Psf,Pxo,Pbo,Pso;
B.将按采样频率w重新采样后的各心跳周期心电信号数据Vnew输入全连接层,对数据进行以下操作
xt=g(PfcVt+bfc),
C.全连接层计算后,将计算结果传递给长短时记忆网络层,进行以下操作其中下标L代表输入门,f代表遗忘门,o代表输出门;
输入门:
遗忘门:
单元状态:
at=Pxxt+Pbfbt-1
输出门:
最终输出:
D.长短时记忆网络层将计算结果传递给全连接层,进行以下操作;
zt=g(Pfc'bt+bfc')
E.全连接层的输出结果x,传递给softmax层,经过公式
计算,得到检测为房颤和正常的概率,取其中较大概率的作为检测结果ytest。利用房颤检测结果计算测试数据的分类准确性,定义目标函数d(w)为
S4:利用粒子群优化算法优化目标函数,得到最优心电信号采样频率w*。利用最优心电信号采样频率,训练长短时记忆网络,记录训练得的参数,得到房颤检测的长短时记忆网络模型。其中粒子群优化算法具体过程如下:
如图3所示,待优化变量为w,是一维变量,优化目标函数为d(w)。利用粒子群优化算法实现优化求解,即求解使得目标函数最大的w的步骤包括如下:
(a)设置种群粒子个数为m和粒子维度1;
(b)随机初始化种群中各粒子的速度和位置,得到初始种群位置上角标表示粒子标号;um是一个五维的向量,表示第m个粒子的位置,是优化过程中一个可能的解;上角标“1”表示当前为第1次迭代过程;设置初始种群速度v(1);
(d)在迭代过程中,比较各可能解的目标函数值。将迭代过程中,每个粒子最优位置(目标函数值最小)设为该粒子最优位置pbest,i;比较得到所有粒子中最优位置设为粒子群最优位置gbest;
(e)更新粒子速度和位置,第i个粒子的速度及位置更新公式分别如下:
其中,v为粒子速度,u为粒子位置,w为惯性权重,r1和r2为分布于区间[0,1]内的随机数,k为当前迭代次数,初始值为1,为第k次迭代时的第i个粒子的个体最优粒子位置,为第k代时的全局最优粒子位置,c1与c2为常数。
(f)计算k+1步的每个粒子的目标函数值,并与之前的最优位置所对应得到的目标函数值比较,若当前位置更好,则将其当前位置作为该粒子的最优位置将每一个粒子的目标函数与粒子群的最优粒子位置相比较,若当前位置更好,则更新最优粒子位置
(g)检查终值条件,若精度满足预设条件或迭代次数超出限制,则停止迭代,否则重复步骤(c)-(g);
(h)输出最优的w*。
最终,在该w*采样频率下,采集心电信号,进行房颤检测。由于采样频率对房颤检测的正确性有影响,本专利方法求解出来的最优采样频率可以最大程度确保房颤检测结果的正确性,同时由于最优采样频率低于最大采样频率,因此减小了采样频率,节约了心电信号设备能耗。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于心电信号的房颤检测方法,其特征在于,包括如下步骤:
步骤一,用户佩戴心电信号采集设备,利用最高采样频率采集心电信号,对不同心电信号记录进行房颤分类;
步骤二,对不同心电信号记录按心跳周期进行分割,得到不同心跳心电记录序列;
步骤三,定义粒子群优化算法目标函数:
(1)、定义优化变量为采样频率w,根据采样频率物理意义可知优化变量的定义域是正整数,小于心电信号采集设备所允许的最高采样频率wmax;
(2)、照采样频率w,对分割成不同心跳周期的心电信号数据进行重新采样;
(3)、对所有心电信号进行上述重新采样后,若该心电信号为房颤信号,则将心电信号标签y向量置为{1,0},若该心电信号为正常信号,则将该心电信号标签y向量置为{0,1},将带有房颤标签的心电信号平均分为训练数据和测试数据;利用训练数据,将交叉熵作为训练目标,利用Adam优化算法训练长短时记忆网络,长短时记忆网络训练后给出二维输出z;
其中交叉熵的计算过程为:
其中,zi代表长短时记忆网络的输出z向量的元素,i=1,2;ai代表长短时记忆网络针对心电信号输入预测的房颤与正常的概率,a1为房颤概率,a2为正常概率;yi代表该心电信号输入所对应的真实标签y的元素,若该心电信号的标签为房颤,则y1=1,y2=0;否则y1=0,y2=1;训练后得到长短时记忆网络的参数P,b;
(4)、将优化变量w下,测试数据的分类准确率作为目标函数d(w);其中,测试数据的分类结果由所训练的长短时记忆网络模型输出;
步骤四,利用粒子群优化算法优化目标函数,得到最优心电信号采样频率。
2.根据权利要求1所述的一种基于心电信号的房颤检测方法,其特征在于,所述步骤一具体为,不同用户N名,佩戴心电信号采集设备,在心电信号采集设备允许的最大采样频率wmax下,对每名用户采集心电信号两分钟,最终得到N条时长为m分钟的心电信号数据,对这N条心电信号数据进行是否房颤信号的分类,将数据及房颤标签一起存储。
3.根据权利要求2所述的一种基于心电信号的房颤检测方法,其特征在于,所述N名不同用户中其中N/2名用户具有房颤特征。
4.根据权利要求1所述的一种基于心电信号的房颤检测方法,其特征在于,所述步骤二具体为:心电信号具有周期性,在进行房颤分类模型训练前,需要对心跳数据记录按照心跳周期分割,每个心跳周期内,心电信号波形包括P波、QRS波群、T波、R波。
5.根据权利要求4所述的一种基于心电信号的房颤检测方法,其特征在于,所述R波特征最为明显,包括了心跳周期内心电信号的最大值,检测R波波峰,对波峰前后一段时间的心电信号进行组合,最终得到分割成不同心跳周期的心电信号,并将分割前的房颤信号标签保留到分割后的心电信号。
6.根据权利要求1所述的一种基于心电信号的房颤检测方法,其特征在于,所述步骤四具体为,利用粒子群优化算法实现优化求解,即求解使得目标函数最大的w的步骤包括如下:
(a)设置种群粒子个数为m和粒子维度1;
(b)随机初始化种群中各粒子的速度和位置,得到初始种群位置上角标表示粒子标号;um是一个五维的向量,表示第m个粒子的位置,是优化过程中一个可能的解;上角标“1”表示当前为第1次迭代过程;设置初始种群速度v(1);
(d)在迭代过程中,比较各可能解的目标函数值;将迭代过程中,每个粒子最优位置(目标函数值最小)设为该粒子最优位置pbest,i;比较得到所有粒子中最优位置设为粒子群最优位置gbest;
(e)更新粒子速度和位置,第i个粒子的速度及位置更新公式分别如下:
其中,v为粒子速度,u为粒子位置,w为惯性权重,r1和r2为分布于区间[0,1]内的随机数,k为当前迭代次数,初始值为1,为第k次迭代时的第i个粒子的个体最优粒子位置,为第k代时的全局最优粒子位置,c1与c2为常数;
(f)计算k+1步的每个粒子的目标函数值,并与之前的最优位置所对应得到的目标函数值比较,若当前位置更好,则将其当前位置作为该粒子的最优位置将每一个粒子的目标函数与粒子群的最优粒子位置相比较,若当前位置更好,则更新最优粒子位置
(g)检查终值条件,若精度满足预设条件或迭代次数超出限制,则停止迭代,否则重复步骤(c)-(g);
(h)输出最优的w*。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919143.8A CN112022149B (zh) | 2020-09-04 | 2020-09-04 | 一种基于心电信号的房颤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010919143.8A CN112022149B (zh) | 2020-09-04 | 2020-09-04 | 一种基于心电信号的房颤检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112022149A CN112022149A (zh) | 2020-12-04 |
CN112022149B true CN112022149B (zh) | 2022-10-04 |
Family
ID=73592071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010919143.8A Active CN112022149B (zh) | 2020-09-04 | 2020-09-04 | 一种基于心电信号的房颤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112022149B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349791A (zh) * | 2021-05-31 | 2021-09-07 | 平安科技(深圳)有限公司 | 异常心电信号的检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868775A (zh) * | 2016-03-23 | 2016-08-17 | 深圳市颐通科技有限公司 | 基于pso算法的不平衡样本分类方法 |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN109471073A (zh) * | 2018-10-31 | 2019-03-15 | 中国科学院电子学研究所 | 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 |
CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
-
2020
- 2020-09-04 CN CN202010919143.8A patent/CN112022149B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868775A (zh) * | 2016-03-23 | 2016-08-17 | 深圳市颐通科技有限公司 | 基于pso算法的不平衡样本分类方法 |
CN108303253A (zh) * | 2017-12-06 | 2018-07-20 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN109471073A (zh) * | 2018-10-31 | 2019-03-15 | 中国科学院电子学研究所 | 基于增广拉格朗日粒子群算法的nlfm信号生成方法及装置 |
CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
Non-Patent Citations (5)
Title |
---|
Atrial fibrillation detection using RR-interval irregularity supported by particle swarm optimization;M Eliana,et al;《IOP Conf. Series: Journal of Physics: Conf. Series》;20191231;第1-8页 * |
Automatic Detection of Cardiac Arrhythmias Using Wavelets, Neural Networks and Particle Swarm Optimization;Alfredo Beckert Neto,et al;《IEEE》;20101231;第194-198页 * |
心律失常自动分类算法研究现状综述;李嘉,等;《科技与创新》;20191231(第18期);第47-48页 * |
心电信号识别分类算法综述;马金伟,刘盛平;《重庆理工大学学报( 自然科学)》;20181231;第32卷(第12期);第122-128页 * |
粒子群优化算法在ECG 数据压缩中的应用;王伟平,等;《西安工业大学学报》;20100430;第30卷(第2期);第187-190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112022149A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
CN111657926B (zh) | 一种基于多导联信息融合的心律失常分类方法 | |
CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN110403600B (zh) | 基于差值时间散点图的阵发性房颤智能分析方法及系统 | |
KR20190114694A (ko) | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN109846472A (zh) | 基于BiLSTM-Attention深度神经网络的心搏分类方法 | |
CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
Kayikcioglu et al. | Time-frequency approach to ECG classification of myocardial infarction | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
Singh et al. | Classification of short unsegmented heart sound based on deep learning | |
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
CN116503673B (zh) | 一种基于心电图的心律失常识别检测方法及系统 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Lu et al. | An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
US11571161B2 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
Han et al. | Optimal DNN architecture search using Bayesian Optimization Hyperband for arrhythmia detection | |
Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
CN112022149B (zh) | 一种基于心电信号的房颤检测方法 | |
Zhang et al. | Automatic diagnosis of arrhythmia with electrocardiogram using multiple instance learning: From rhythm annotation to heartbeat prediction | |
CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 | |
CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
Kumari et al. | Classification of cardiac arrhythmia using hybrid genetic algorithm optimisation for multi-layer perceptron neural network |
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 |