CN112735595B - 一种工作记忆能力的综合评定方法 - Google Patents

一种工作记忆能力的综合评定方法 Download PDF

Info

Publication number
CN112735595B
CN112735595B CN202011609523.8A CN202011609523A CN112735595B CN 112735595 B CN112735595 B CN 112735595B CN 202011609523 A CN202011609523 A CN 202011609523A CN 112735595 B CN112735595 B CN 112735595B
Authority
CN
China
Prior art keywords
working memory
value
memory capacity
brain
evaluation index
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
Application number
CN202011609523.8A
Other languages
English (en)
Other versions
CN112735595A (zh
Inventor
陆晟
罗志增
席旭刚
孟明
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011609523.8A priority Critical patent/CN112735595B/zh
Publication of CN112735595A publication Critical patent/CN112735595A/zh
Application granted granted Critical
Publication of CN112735595B publication Critical patent/CN112735595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出了一种工作记忆能力的综合评定方法。首先让被试执行工作记忆任务范式，从不同记忆负载的角度测试工作记忆能力并采集行为学数据与多通道脑电数据。其次提取行为学数据中的反应时长T与准确率AC作为特征，计算得到工作记忆能力的行为学评价指标。再次对采集得到的脑电数据进行处理，利用通道间的互相关系数构建出全脑功能网络，提取节点度、聚类系数和全局效率作为特征计算得到工作记忆能力的脑网络特征评价指标。最后综合行为学评价指标和脑网络特征评价指标，通过组合得到更全面更科学客观的综合评估指标，为经颅直流电刺激提升工作记忆能力的参数调节方式提供了思路。

Description

一种工作记忆能力的综合评定方法
技术领域
本发明属于模式识别领域，涉及经颅直流电刺激提升工作记忆能力的一种综合评定方法，特别涉及一种综合行为学数据与脑功能网络特征参数的评估算法，对经颅直流电刺激后工作记忆能力的提升效果进行评估。
背景技术
工作记忆(working memory,WM)是指能够短暂存储任务相关信息并能对其进行加工处理的认知系统。Baddeley在1974年最先提出工作记忆这一概念，最初包括三个部分：负责信息加工的中央执行系统，用来存储语音信息的语音环路以及存储视觉与空间信息的视空间模板，并且在2000年又对该模型进行扩展，添加了可以存储综合类信息的情景缓存系统。相关研究表明，工作记忆在推理，学习和记忆等高级认知活动中起到了关键性的作用，并且大脑额叶与枕叶是工作记忆相关的重要脑区。
经颅直流电刺激(Transcranial direct current stimulation，tDCS)作为一种非侵入式调节大脑皮层活性的技术，通过在头皮表面施加微弱的稳定直流电(0.5～2mA)来调节神经元的活动，并且只要20～30min的刺激时长就可以让这样的短期刺激后效维持90min以上，也有研究表明持久的tDCS刺激可以引起突触水平的改变，增强了突触可塑性，引发皮层兴奋的长时程改变。最初人们将关注点放在了tDCS对运动功能影响的研究上，大量将tDCS施加在运动皮层上的研究证实刺激的效果与tDCS的极性之间存在一定规律，即阳极tDCS激活了与运动功能相关的重要脑区，使得运动能力有了显著提升，而阴极刺激呈现出与之相反的抑制效果。随后tDCS与认知功能的研究也开始被关注，有研究发现置于左背外侧前额叶皮层的阳极tDCS可以显著提高工作记忆能力，而阴极刺激并没有呈现出一致的一致规律，并且tDCS的刺激效果具有较大的个体差异性。另有研究表明阳极刺激的效果与工作记忆任务的难度相关，并且利用阳极tDCS进行工作记忆训练所带来的积极效果可以转移至相似的陌生训练任务中，这都表明了认知功能的机制相比于运动控制功能具有更高的复杂性。然而目前很多研究仅凭借行为学指标来评估认知功能，并没有深入研究tDCS对工作记忆的脑功能影响机制。因此，若要利用经颅直流电刺激的方式更有效地提升工作记忆的能力，亟需一种科学客观的评价方法，以便指导临床应用。
大脑的功能实现离不开各脑区之间的共同协作，而脑电图描述了大脑皮层的神经活动电信号变化，因此本发明旨在行为学数据作为评估标准的基础上，引入了基于图论与脑电信号所构建的全脑功能网络特征分析方法，创新性地提出了一种融合行为学数据和脑功能网络特征的算法，可以更有效地评估经颅直流电刺激对工作记忆能力的调控效果。
发明内容
本发明为了完善现有评估工作记忆能力方法的不足，改进经颅直流电刺激提升工作记忆能力的参数调节方式，本发明改变了传统上以行为指标来评估工作记忆能力的方法，提出了一种工作记忆能力的综合评定方法，来评估经颅直流电刺激前后的工作记忆能力。具体地，工作记忆能力综合评定方法表述为，首先让被试执行工作记忆任务范式，从不同记忆负载的角度测试工作记忆能力并采集任务状态的行为学数据与多通道脑电数据。
其次提取行为学数据中的反应时长T与准确率AC作为特征，计算得到工作记忆能力的行为学评价指标。再次对采集得到的脑电数据进行处理，利用通道间的互相关系数构建出脑功能网络，提取节点度、聚类系数和全局效率作为特征计算得到工作记忆能力的脑网络特征评价指标。最后将行为学评价指标和脑网络特征评价指标通过线性组合得到评估工作记忆能力的综合指标。通过经颅直流电刺激前后的综合指标比较，可为经颅直流电刺激提升工作记忆能力的效果做出评估，也能为经颅直流电刺激调控方式的改进提供思路。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤1.利用一种改进的Sternberg工作记忆任务范式对被试在三种不同记忆难度下的工作记忆能力进行测试，并且三种记忆难度下都分别执行图片、字母、数字、汉字四种类型各5次共20次实验，这样多模态的测试方法更有效地度量不同状态下的工作记忆系统；
步骤2.采集被试在执行步骤1中所述的工作记忆任务过程的行为学数据，取反应时长T与准确率AC作为特征，过卡方检验判断tDCS前后的行为学数据是否有显著性差异，计算基于三种记忆难度下四种类型记忆负载的行为学评价指标集
其中：
上式中load表示记忆任务的难度分级，load＝3,4,5，typei表示记忆负载的类型，i＝1,2,3,4。
对上述评价指标集中的元素进行线性归一化后求其平均值作为行为学评价指标Mbe，取值范围在0到1之间，值越大表示工作记忆能力越强；
步骤3.采集被试在执行步骤1中所述的工作记忆任务过程的多通道脑电数据，通过预处理去除噪声干扰后，利用两两通道间的相关性构建脑功能网络，提取节点度、聚类系数与全局效率作为特征，计算出基于脑功能网络特征的工作记忆能力评价指标Meeg；
步骤3所述的基于脑功能网络特征的工作记忆能力评价指标Meeg方法，具体过程如下：
2-1.对采集得到的各通道脑电信号进行0.5-40Hz的带通滤波，去除不必要的噪声干扰，然后通过独立成分分析方法，去除眼电，眼漂和头动等伪迹后进行信号重构。
2-2.选取互相关的分析方法，计算两两通道之间的脑电信号互相关系数：
其中X与Y表示脑电时间序列，i与j表示EEG信号的采样点，n表示总采样数。Rxy的值介于0和1，值为0表明信号之间完全不相关，值为1表明信号之间完全相关。
2-3.根据2-2得到的连接系数矩阵，选择合适的阈值之后转化为二值矩阵，由此矩阵就得到脑功能网络的拓扑结构。计算节点度、聚类系数与全局效率：
(1)节点i的节点度为：
其中为整个网络中的节点数，hij为二值矩阵中的元素，当节点i与j之间存在连接时hij＝1，反之则hij＝0。
(2)节点i的聚类系数为：
其中ki为节点i的邻节点个数，ei为节点i与邻节点之间实际连接边数。
(3)网络的全局效率为：
其中N为整个网络中的节点数，dij为节点i与j之间最短的通讯路径所经过的连接边数，V是脑功能网络中所有节点的集合。
2-4.选取n个节点度i值最大的节点构成与工作记忆强相关的重要脑区，综合该脑区的聚类系数特征与全局效率特征计算出脑网络特征评价指标Meeg：
步骤4.将行为学评价指标与脑功能网络特征的工作记忆能力评价指标相结合，提出综合评价指标M：
M＝α·Mbe+(1-α)·Meeg
其中α的值在未经过tDCS时取0.5，此时的M为基准值。进行tDCS之后α由步骤2中卡方检验的结果P值所确定，如表1所示。
P值 α
P＞0.05(不显著) 0.3
0.05＞P＞0.01(显著) 0.6
P＜0.01(极其显著) 0.7
表1
作为优选，还包括提高方法：每次tDCS之后都将计算得到的最终评价指标与前一次的指标进行比对，若提升效果不显著则首先考虑缩短刺激的周期；若还不显著则尝试增加电流密度与刺激时长；若刺激后呈现出抑制的效果，则考虑移动电极位置或更换电极极性。
本发明通过提取行为学数据的特征进行计算得到工作记忆能力的的行为学评价指标，再利用所采集的多通道脑电信号构建脑功能网络，提取节点度、聚类系数与全局效率作为特征参数计算得到工作记忆能力的脑网络特征评价指标，综合以上两种评估指标可以得到更全面更科学客观的评估方法，为经颅直流电调控工作记忆的能力提供可靠的理论依据，为长时程的刺激计划提供更有效的调整方案，实现认知功能皮层神经重塑的有效引导和管理。
附图说明
图1为本发明实施的原理框图；
图2为工作记忆任务范式示意图；
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。
如图1所示，本实施例包括如下步骤：
步骤一，制定工作记忆任务范式并采集实验所需的行为学数据与脑电数据，具体过程如下：
实验采用了改进的Sternberg工作记忆范式，将记忆的编码期、保持期与提取期完全独立出来。为了综合考量在不同的记忆难度以及不同的记忆负载类型状态下的工作记忆能力，将实验范式细分为三种难度，即记忆负载的数量设为3/4/5图，随着实验的进度而依次增加难度，在每种难度下都进行20轮测试，包括了四种不同的记忆负载类型，即图片、字母、数字和汉字各测试5轮。具体的范式方案如图2所示。
在执行范式的过程中，通过64导联的脑电采集仪采集受试者的脑电数据，在范式完成后，统计并分析受试者的行为学数据。若使用tDCS刺激，则需要在执行范式前采用高精度经颅电刺激仪，设置好合适的刺激参数进行刺激。
选择受试者为8名身体健康的成年人，包括4名男性与4名女性。受试者年龄为22～25周岁(平均23.8周岁)，均为右利手，视力正常，无神经系统疾病史，受教育程度相当。在实验开始前受试者均未摄入影响中枢神经的药物与食物。
步骤二，对步骤一中所采集的行为学数据进行预处理，去掉由人为错误导致的误差数据，提取反应时长T与准确率AC作为特征，通过卡方检验判断tDCS前后的行为学数据是否有显著性差异，计算三种记忆难度下四种类型记忆负载的行为学评价指标集
其中：
上式中load表示记忆任务的难度分级(load＝3,4,5)，typei表示记忆负载的类型(i＝1,2,3,4)。
对上述评价指标集中的元素进行线性归一化后求其平均值作为行为学评价指标Mbe，取值范围在0到1之间，值越大表示工作记忆能力越强。
步骤三，采集被试在执行步骤1中所述的工作记忆任务过程的多通道脑电数据，通过预处理去除噪声干扰后，利用两两通道间的相关性构建脑功能网络，提取节点度、聚类系数与全局效率作为特征，计算出基于脑功能网络特征的工作记忆能力评价指标Meeg，具体过程如下：
第1步：脑电信号预处理。首先对8位被试所采集到的记忆保持期间脑电数据进行叠加平均。然后进行0.5-40Hz的带通滤波，去除不必要的噪声干扰。最后通过独立成分分析方法，去除眼电，眼漂和头动等伪迹后进行信号重构；
第2步：选取互相关的分析方法，计算两两通道之间的脑电信号互相关系数：
其中X与Y表示脑电时间序列，i与j表示EEG信号的采样点，n表示总采样数。Rxy的值介于0和1，值为0表明信号之间完全不相关，值为1表明信号之间完全相关；
第3步：通过第2步可以得到一个N×N的连接系数矩阵，选择合适的阈值之后可以转化为二值矩阵，由此矩阵就可以得到脑功能网络的拓扑结构。本发明选取了节点度、聚类系数与全局效率作为特征参数：
(1)节点i的节点度为：
其中为整个网络中的节点数，hij为二值矩阵中的元素，当节点i与j之间存在连接时hij＝1，反之则hij＝0。
(2)节点i的聚类系数为：
其中ki为节点i的邻节点个数，ei为节点i与邻节点之间实际连接边数。
(3)网络的全局效率为：
其中N为整个网络中的节点数，dij为节点i与j之间最短的通讯路径所经过的连接边数，V是脑功能网络中所有节点的集合。
第4步：选取n个节点度i值最大的节点构成与工作记忆强相关的重要脑区，综合该脑区的聚类系数特征与全局效率特征计算出脑网络特征评价指标Meeg：
步骤四，将行为学评价指标与脑网络特征评价指标相结合，得到评价指标M：
M＝α·Mbe+(1-α)·Meeg
其中α的值在未经过tDCS时取0.5，此时的M为基准值。进行tDCS之后α由步骤2中卡方检验的结果所确定。
每次tDCS之后都将计算得到的最终评价指标与前一次的指标进行比对，若提升效果不显著则首先考虑缩短刺激的周期；若还不显著则尝试增加电流密度与刺激时长；若刺激后呈现出抑制的效果，则考虑移动电极位置或更换电极极性。

Claims (2)

1.一种工作记忆能力的综合评定方法，其特征在于，该方法包括如下步骤：
步骤1.利用一种改进的Sternberg工作记忆任务范式对被试在三种不同记忆难度下的工作记忆能力进行测试，并且三种记忆难度下都分别执行图片、字母、数字、汉字四种类型各5次共20次实验，这样多模态的测试方法更有效地度量不同状态下的工作记忆系统；
步骤2.采集被试在执行步骤1中所述的工作记忆任务过程的行为学数据，取反应时长T与准确率AC作为特征，过卡方检验判断tDCS前后的行为学数据是否有显著性差异，计算基于三种记忆难度下四种类型记忆负载的行为学评价指标集
其中：
上式中load表示记忆任务的难度分级，load＝3,4,5，typei表示记忆负载的类型，i＝1,2,3,4；
对上述评价指标集中的元素进行线性归一化后求其平均值作为行为学评价指标Mbe，取值范围在0到1之间，值越大表示工作记忆能力越强；
步骤3.采集被试在执行步骤1中所述的工作记忆任务过程的多通道脑电数据，通过预处理去除噪声干扰后，利用两两通道间的相关性构建脑功能网络，提取节点度、聚类系数与全局效率作为特征，计算出基于脑功能网络特征的工作记忆能力评价指标Meeg，具体过程如下：
3-1.对采集得到的各通道脑电信号进行0.5-40Hz的带通滤波，去除不必要的噪声干扰，然后通过独立成分分析方法，去除眼电，眼漂和头动等伪迹后进行信号重构；
3-2.选取互相关的分析方法，计算两两通道之间的脑电信号互相关系数：
其中X与Y表示脑电时间序列，i与j表示EEG信号的采样点，n表示总采样数；Rxy的值介于0和1，值为0表明信号之间完全不相关，值为1表明信号之间完全相关；
3-3.根据3-2得到的连接系数矩阵，选择合适的阈值之后转化为二值矩阵，由此矩阵就得到脑功能网络的拓扑结构；计算节点度、聚类系数与全局效率：
(1)节点i的节点度为：
其中为整个网络中的节点数，hij为二值矩阵中的元素，当节点i与j之间存在连接时hij＝1，反之则hij＝0；
(2)节点i的聚类系数为：
其中ki为节点i的邻节点个数，ei为节点i与邻节点之间实际连接边数；
(3)网络的全局效率为：
其中N为整个网络中的节点数，dij为节点i与j之间最短的通讯路径所经过的连接边数，V是脑功能网络中所有节点的集合；
3-4.选取n个节点度i值最大的节点构成与工作记忆强相关的重要脑区，综合该脑区的聚类系数特征与全局效率特征计算出脑网络特征评价指标Meeg：
步骤4.将行为学评价指标与脑功能网络特征的工作记忆能力评价指标相结合，提出综合评价指标M：
M＝α·Mbe+(1-α)·Meeg
其中α的值在未经过tDCS时取0.5，此时的M为基准值；进行tDCS之后α由步骤2中卡方检验的结果P值所确定，如表1所示；
P值 α P>0.05(不显著) 0.3 0.05>P>0.01(显著) 0.6 P<0.01(极其显著) 0.7
表1。
2.根据权利要求1所述的一种工作记忆能力的综合评定方法，其特征在于：还包括提高方法：每次tDCS之后都将计算得到的最终评价指标与前一次的指标进行比对，若提升效果不显著则首先考虑缩短刺激的周期；若还不显著则尝试增加电流密度与刺激时长；若刺激后呈现出抑制的效果，则考虑移动电极位置或更换电极极性。
CN202011609523.8A 2020-12-30 2020-12-30 一种工作记忆能力的综合评定方法 Active CN112735595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011609523.8A CN112735595B (zh) 2020-12-30 2020-12-30 一种工作记忆能力的综合评定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011609523.8A CN112735595B (zh) 2020-12-30 2020-12-30 一种工作记忆能力的综合评定方法

Publications (2)

Publication Number Publication Date
CN112735595A CN112735595A (zh) 2021-04-30
CN112735595B true CN112735595B (zh) 2023-09-26

Family

ID=75610864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011609523.8A Active CN112735595B (zh) 2020-12-30 2020-12-30 一种工作记忆能力的综合评定方法

Country Status (1)

Country Link
CN (1) CN112735595B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113871015B (zh) * 2021-12-02 2022-03-04 北京智精灵科技有限公司 用于提升认知的人机交互方案推送方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844111A (zh) * 2016-04-07 2016-08-10 杭州电子科技大学 一种基于脑效应网络的新型脑电卒中评估方法
CN107230019A (zh) * 2017-05-27 2017-10-03 西南交通大学 用于考核空间工作记忆更新能力的方法及系统
CN107301497A (zh) * 2017-05-27 2017-10-27 西南交通大学 工作记忆能力考核的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844111A (zh) * 2016-04-07 2016-08-10 杭州电子科技大学 一种基于脑效应网络的新型脑电卒中评估方法
CN107230019A (zh) * 2017-05-27 2017-10-03 西南交通大学 用于考核空间工作记忆更新能力的方法及系统
CN107301497A (zh) * 2017-05-27 2017-10-27 西南交通大学 工作记忆能力考核的方法及系统

Also Published As

Publication number Publication date
CN112735595A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
Zou et al. Automatic identification of artifact-related independent components for artifact removal in EEG recordings
Li et al. Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation
CN110070105B (zh) 基于元学习实例快速筛选的脑电情绪识别方法、系统
CN110353702A (zh) 一种基于浅层卷积神经网络的情感识别方法及系统
CN110584660B (zh) 基于脑源成像与相关性分析的电极选择方法
CN105147248A (zh) 基于生理信息的抑郁症评估系统及其评估方法
Djamal et al. Identification of post-stroke EEG signal using wavelet and convolutional neural networks
CN114027857B (zh) 一种基于脑电信号测量运动能力的方法
Pun et al. Brain-computer interaction research at the Computer Vision and Multimedia Laboratory, University of Geneva
CN112541415B (zh) 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法
Vieira et al. Understanding the design neurocognition of mechanical engineers when designing and problem-solving
CN106175757A (zh) 基于脑电波的行为决策预测系统
CN112932486A (zh) 基于多模态的大学生情绪压力检测系统与方法
CN115590529A (zh) 基于时空注意力机制的癫痫脑电信号监测方法及系统
Fallani et al. Brain network analysis from high-resolution EEG recordings by the application of theoretical graph indexes
CN110569968B (zh) 基于电生理信号的创业失败恢复力评估方法及评估系统
Frølich et al. Investigating effects of different artefact types on motor imagery BCI
CN115299947A (zh) 基于多模态生理数据的心理量表置信度评估方法及系统
CN112735595B (zh) 一种工作记忆能力的综合评定方法
Phothisonothai et al. EEG signal classification method based on fractal features and neural network
CN110859593A (zh) 一种基于宽度神经网络的睡眠阶段自动划分算法
CN113558637A (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
Lu et al. Unsupervised brain computer interface based on inter-subject information
GÜl et al. Automated pre-seizure detection for epileptic patients using machine learning methods
Sun et al. EEG-based tonic cold pain intensity assessment using CNN-LSTM

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