CN112508088A - 一种基于dedbn-elm的脑电情感识别方法 - Google Patents
一种基于dedbn-elm的脑电情感识别方法 Download PDFInfo
- Publication number
- CN112508088A CN112508088A CN202011409249.XA CN202011409249A CN112508088A CN 112508088 A CN112508088 A CN 112508088A CN 202011409249 A CN202011409249 A CN 202011409249A CN 112508088 A CN112508088 A CN 112508088A
- Authority
- CN
- China
- Prior art keywords
- elm
- electroencephalogram
- dbn
- imf
- dedbn
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明涉及一种基于DEDBN‑ELM的脑电情感识别方法,属于人机交互领域。该方法包括步骤:S1,将各个通道的脑电信号通过EMD进行分解,得到一系列IMF分量;S2,根据方差贡献率,选择IMF分量;S3,为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取,分别得到每一个通道的深层特征;S4,将多个通道的深层特征作为极限学习机(ELM)的输入,进行特征学习和分类。本发明能够保证在对脑电数据集中积极、消极和中性3种情感状态进行特征提取和分类时有较高的识别率,鲁棒性好。
Description
技术领域
本发明属于人机交互领域,涉及一种基于DEDBN-ELM的脑电情感识别方法。
背景技术
当前情感识别主要是围绕人的非生理信号和生理信号两方面进行研究。基于生理信号的情感识别能够避免情感的伪装性以及主观性,因此能更好的评价人的情感状态。在基于生理信号的情感识别中,由于脑电图(EEG)信号直接从大脑中提取,更加能反应出大脑的活动状态,所以受备受关注,成为情绪识别领域的研究重点。目前小波变换,小波包变换,经验模态分解(EMD)方法被提出来。EMD能够根据信号本身的特点进行自适应分解,能够更好的处理脑电信号这种非线性非平稳信号,但是传统的方法都是对EMD分解之后的IMF进行手工特征选择和提取,易造成特征遗漏或者引人无关特征。深度信念网络(DBN)在处理大数据方面具有很大的优势,但是直接对原始脑电数据进行处理,易造成信息的冗余,并且识别率有待进一步提高。
发明内容
有鉴于此,本发明的目的在于提供一种基于DEDBN-ELM的脑电情感识别方法。
为达到上述目的,本发明提供如下技术方案:
一种基于DEDBN-ELM的脑电情感识别方法,该方法包括以下步骤:
S1:对各个脑电通道的脑电信号进行经验模态分解,得到一系列IMF分量;
S2:根据方差贡献率选择出贡献大的IMF分量;
S3:为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取,分别得到每一个通道的深层特征;
S4:将多个通道的深层特征作为极限学习机ELM的输入,进行特征学习和分类。
可选的,所述步骤S1中,原始脑电信号为FT7、FT8、T7、T8、TP7、TP8、P7、P8、C5、C6、CP5、CP6这12个电极采集的消极、积极和中性三种情绪状态的脑电数据;
设计一种EMD分解之后的本征模函数IMF分量作为DBN的输入,对每个电极采集来的4S脑电进行经验模态分解步骤如下:
S11:找出信号x(t)的局部极大值和极小值,并采用三次样条插值法对极大值和极小值点进行曲线拟合,得到上包络线fmax(t)和下包络线fmin(t);
S12:计算出上下包络线的均值曲线m(t)和原始信号与均值曲线的差值h1(t):
h1(t)=x(t)-m(t)
S13:用h1(t)代替原始信号x(t),重复S11~S12,直至所有包络趋近于0为止,得到第一个IMF分量,记为:c1(t)=hk(t)原始信号与第一个IMF分量的差值称为第一个残差信号,记为r1(t):
r1(t)=x(t)-c1(t)
S14:重复S11~S13,当rn(t)为一个常数或者单调函数时整个EMD分解过程结束。
可选的,所述步骤S2中,根据方差贡献率选择IMF分量,各个IMF的贡献率为Mi:
Di为第i个IMF分量的方差;根据方差贡献率,对于每个通道选择前两个IMF分量。
可选的,所述步骤S3中,DBN网络提取对所选择的IMF分量进行特征提取具体为:
S31:分别将w,a,b初始化为一个很小的值;
S33:利用公式p(vi=1|h)=σ(ai+∑iwijhj)计算p(v=1|h),并按照这个概率分布采集重构的可见变量v′,计算p(h=1|v′),进行采样得到h′,计算反向梯度v′h′T;
S34:按照下式对w,a,b进行更新;
b←b+α(h-h′)
其中,α为学习率,设置为0.01;每个DBN有6个隐含层,隐含层的节点数分别为1200、800、400、100、50和20,迭代次数为3000次。
可选的,所述步骤S4中,将多个通道的深层特征作为极限学习机ELM的输入,进行特征学习和分类,过程如下:
ELM网络表示为:
ωi和bi分别表示为ELM的输入层到隐含层的权重和偏置,ρi表示隐含层到输出层之间的权重,C为脑电通道,l为DBN隐层数,T为DBN最后一个隐层节点数,C×T为ELM输入层节点数;
最小化输出误差表示为:
将问题转化为hl+1β=O,hl+1β表示DBN最后一个隐含层l到ELM隐含层的输出:
本发明的有益效果在于:本发明提供了一种基于EDBN-ELM的脑电情感识别方法。本文的算法相较于其他算法,能够对脑电信号实现更加精细的划分,实现脑电特征的自动提取,并且提取的特征更加全面有效,鲁棒性更好,识别率高。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明框架图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1,为一种基于EDBN-ELM脑电情感识别方法,其包括如下步骤:
S1,对FT7、FT8、T7、T8、TP7、TP8、P7、P8、C5、C6、CP5、CP6这12个电极采集的消极、积极和中性三种情绪状态的脑电数据进行经验模态分解:
S11找出信号x(t)的局部极大值和极小值,并采用三次样条插值法对极大值和极小值点进行曲线拟合,得到上包络线fmax(t)和下包络线fmin(t)。
S11计算出上下包络线的均值曲线m(t)和原始信号与均值曲线的差值h1(t):
h1(t)=x(t)-m(t)
S13用h1(t)代替原始信号x(t),重复S11~S12,直至所有包络趋近于0为止,得到第一个IMF分量,记为:c1(t)=hk(t)原始信号与第一个IMF分量的差值称为第一个残差信号,记为r1(t):
r1(t)=x(t)-c1(t)
S2,根据方差贡献率选择出贡献大的IMF分量:
其中,Di为第i个IMF分量的方差。根据方差贡献率,对于每个通道选择了前两个IMF分量。
S3,为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取,分别得到每一个通道的深层特征:
S31分别将w,a,b初始化为一个很小的值;
S33利用公式p(vi=1|h)=σ(ai+∑iwijhj)计算p(v=1|h),并按照这个概率分布采集重构的可见变量v′,计算p(h=1|v′),进行采样得到h′,计算反向梯度v′h′T;
S34按照下式对w,a,b进行更新。
b←b+α(h-h′)
其中,α为学习率。这里设置值为0.01。隐含层的节点数分别为1200、800、400、100、50、20。迭代次数为3000次。
S4,将多个通道的深层特征作为极限学习机ELM的输入,进行特征学习和分类:
ELM网络可以表示为:
ωi和bi分别表示为ELM的输入层到隐含层的权重和偏置,ρi表示隐含层到输出层之间的权重,C为脑电通道,l为DBN隐层数,T为DBN最后一个隐层节点数,C×T为ELM输入层节点数。
最小化输出误差可以表示为:
进一步,可以将问题转化为hl+1β=O,hl+1β表示DBN最后一个隐含层l到ELM隐含层的输出:
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于DEDBN-ELM的脑电情感识别方法,其特征在于:该方法包括以下步骤:
S1:对各个脑电通道的脑电信号进行经验模态分解,得到一系列IMF分量;
S2:根据方差贡献率选择出贡献大的IMF分量;
S3:为每一个脑电通道构建一个DBN网络对选择出的IMF分量进行提取,分别得到每一个通道的深层特征;
S4:将多个通道的深层特征作为极限学习机ELM的输入,进行特征学习和分类。
2.根据权利要求1所述的一种基于DEDBN-ELM的脑电情感识别方法,其特征在于:所述步骤S1中,原始脑电信号为FT7、FT8、T7、T8、TP7、TP8、P7、P8、C5、C6、CP5、CP6这12个电极采集的消极、积极和中性三种情绪状态的脑电数据;
设计一种EMD分解之后的本征模函数IMF分量作为DBN的输入,对每个电极采集来的4S脑电进行经验模态分解步骤如下:
S11:找出信号x(t)的局部极大值和极小值,并采用三次样条插值法对极大值和极小值点进行曲线拟合,得到上包络线fmax(t)和下包络线fmin(t);
S12:计算出上下包络线的均值曲线m(t)和原始信号与均值曲线的差值h1(t):
h1(t)=x(t)-m(t)
S13:用h1(t)代替原始信号x(t),重复S11~S12,直至所有包络趋近于0为止,得到第一个IMF分量,记为:c1(t)=hk(t)原始信号与第一个IMF分量的差值称为第一个残差信号,记为r1(t):
r1(t)=x(t)-c1(t)
S14:重复S11~S13,当rn(t)为一个常数或者单调函数时整个EMD分解过程结束。
4.根据权利要求3所述的一种基于DEDBN-ELM的脑电情感识别方法,其特征在于:所述步骤S3中,DBN网络提取对所选择的IMF分量进行特征提取具体为:
S31:分别将w,a,b初始化为一个很小的值;
S33:利用公式p(vi=1|h)=σ(ai+∑iwijhj)计算p(v=1|h),并按照这个概率分布采集重构的可见变量v′,计算p(h=1|v′),进行采样得到h′,计算反向梯度v′h′T;
S34:按照下式对w,a,b进行更新;
b←b+α(h-h′)
其中,α为学习率,设置为0.01;每个DBN有6个隐含层,隐含层的节点数分别为1200、800、400、100、50和20,迭代次数为3000次。
5.根据权利要求3所述的一种基于DEDBN-ELM的脑电情感识别方法,其特征在于:所述步骤S4中,将多个通道的深层特征作为极限学习机ELM的输入,进行特征学习和分类,过程如下:
ELM网络表示为:
ωi和bi分别表示为ELM的输入层到隐含层的权重和偏置,ρi表示隐含层到输出层之间的权重,C为脑电通道,l为DBN隐层数,T为DBN最后一个隐层节点数,C×T为ELM输入层节点数;
最小化输出误差表示为:
将问题转化为hl+1β=O,hl+1β表示DBN最后一个隐含层l到ELM隐含层的输出:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409249.XA CN112508088A (zh) | 2020-12-03 | 2020-12-03 | 一种基于dedbn-elm的脑电情感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409249.XA CN112508088A (zh) | 2020-12-03 | 2020-12-03 | 一种基于dedbn-elm的脑电情感识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508088A true CN112508088A (zh) | 2021-03-16 |
Family
ID=74971775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011409249.XA Pending CN112508088A (zh) | 2020-12-03 | 2020-12-03 | 一种基于dedbn-elm的脑电情感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508088A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204324A (zh) * | 2022-09-16 | 2022-10-18 | 西安热工研究院有限公司 | 基于ifoa-dbn-elm的设备耗电异常检测方法和装置 |
CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803095A (zh) * | 2016-12-22 | 2017-06-06 | 辽宁师范大学 | 基于组合特征提取的脑电情感识别方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN108597540A (zh) * | 2018-04-11 | 2018-09-28 | 南京信息工程大学 | 一种基于变分模态分解和极限学习机的语音情感识别方法 |
CN108937921A (zh) * | 2018-04-11 | 2018-12-07 | 杭州电子科技大学 | 结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法 |
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
CN110378286A (zh) * | 2019-07-19 | 2019-10-25 | 东北大学 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
CN110367980A (zh) * | 2019-07-10 | 2019-10-25 | 南京邮电大学 | 基于多元经验模态分解的脑电信号情绪识别方法 |
CN110680313A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 |
CN110881975A (zh) * | 2019-12-24 | 2020-03-17 | 山东中科先进技术研究院有限公司 | 一种基于脑电信号的情感识别方法及系统 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
CN111861552A (zh) * | 2020-07-14 | 2020-10-30 | 河南农业大学 | 一种基于shd-elm的农产品价格预测方法 |
-
2020
- 2020-12-03 CN CN202011409249.XA patent/CN112508088A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803095A (zh) * | 2016-12-22 | 2017-06-06 | 辽宁师范大学 | 基于组合特征提取的脑电情感识别方法 |
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
CN108597540A (zh) * | 2018-04-11 | 2018-09-28 | 南京信息工程大学 | 一种基于变分模态分解和极限学习机的语音情感识别方法 |
CN108937921A (zh) * | 2018-04-11 | 2018-12-07 | 杭州电子科技大学 | 结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法 |
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN110367980A (zh) * | 2019-07-10 | 2019-10-25 | 南京邮电大学 | 基于多元经验模态分解的脑电信号情绪识别方法 |
CN110378286A (zh) * | 2019-07-19 | 2019-10-25 | 东北大学 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
CN110680313A (zh) * | 2019-09-30 | 2020-01-14 | 北京工业大学 | 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法 |
CN110881975A (zh) * | 2019-12-24 | 2020-03-17 | 山东中科先进技术研究院有限公司 | 一种基于脑电信号的情感识别方法及系统 |
CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
CN111861552A (zh) * | 2020-07-14 | 2020-10-30 | 河南农业大学 | 一种基于shd-elm的农产品价格预测方法 |
Non-Patent Citations (5)
Title |
---|
俞啸: "基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法", 机械传动, no. 06 * |
刘成;何可人;周天彤;邹凌;: "左右手运动想象脑电模式识别研究", 常州大学学报(自然科学版), no. 01 * |
田曼;杨风雷;张艺;: "基于熵的脑电特征选择情绪识别研究", 电子测量技术, no. 19 * |
陈占刚: "基于深度神经网络的脑电情感识别研究", 中国优秀硕士学位论文全文数据库 信息科技, no. 02, pages 18 - 30 * |
魏思政: "基于DBN-ELM 的入侵检测研究", 计算机工程, vol. 44, no. 9, pages 153 - 158 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204324A (zh) * | 2022-09-16 | 2022-10-18 | 西安热工研究院有限公司 | 基于ifoa-dbn-elm的设备耗电异常检测方法和装置 |
CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
CN116451029B (zh) * | 2023-06-15 | 2023-09-01 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256393B (zh) | 基于深度学习的一维生理信号的特征提取与状态识别 | |
Wang et al. | Short time Fourier transformation and deep neural networks for motor imagery brain computer interface recognition | |
CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
Adem | Diagnosis of breast cancer with Stacked autoencoder and Subspace kNN | |
CN112508088A (zh) | 一种基于dedbn-elm的脑电情感识别方法 | |
CN114496092B (zh) | 基于图卷积网络的miRNA和疾病关联关系预测方法 | |
CN115791640A (zh) | 基于分光光谱的肿瘤细胞检测设备及其方法 | |
CN110472649B (zh) | 基于多尺度分析和集成树模型的脑电情感分类方法及系统 | |
Jacobs et al. | A Bayesian approach to model selection in hierarchical mixtures-of-experts architectures | |
CN109598222B (zh) | 基于eemd数据增强的小波神经网络运动想象脑电分类方法 | |
CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
CN115187610B (zh) | 基于图神经网络的神经元形态分析方法、设备及存储介质 | |
CN107301409B (zh) | 基于Wrapper特征选择Bagging学习处理心电图的系统及方法 | |
CN112465069B (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
CN113724790B (zh) | 基于卷积去噪自编码机的piRNA-疾病关联关系预测方法 | |
CN110610172A (zh) | 一种基于rnn-cnn架构的肌电手势识别方法 | |
CN114781441B (zh) | Eeg运动想象分类方法及多空间卷积神经网络模型 | |
CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
Zhang et al. | A deep Bayesian neural network for cardiac arrhythmia classification with rejection from ECG recordings | |
CN114093512B (zh) | 一种基于多模态数据和深度学习模型的生存预测方法 | |
CN110613445A (zh) | 一种基于dwnn框架的心电信号的识别方法 | |
US20220328132A1 (en) | Non-invasive methods and systems for detecting inflammatory bowel disease | |
Azam et al. | Classification of COVID-19 symptoms using multilayer perceptron | |
Wang et al. | Multichannel biomedical time series clustering via hierarchical probabilistic latent semantic analysis | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230802 Address after: 401220 office building, no.6, Xinmin Road, Xinshi street, Changshou District, Chongqing Applicant after: Chongqing Youzhi Robot Research Institute Co.,Ltd. Applicant after: Chongqing Changshou High tech Zone Service Center Address before: 401220 office building, no.6, Xinmin Road, Xinshi street, Changshou District, Chongqing Applicant before: Chongqing Youzhi Robot Research Institute Co.,Ltd. |