CN113057647B - 一种心电信号的质量评估方法 - Google Patents

一种心电信号的质量评估方法 Download PDF

Info

Publication number
CN113057647B
CN113057647B CN202110322895.0A CN202110322895A CN113057647B CN 113057647 B CN113057647 B CN 113057647B CN 202110322895 A CN202110322895 A CN 202110322895A CN 113057647 B CN113057647 B CN 113057647B
Authority
CN
China
Prior art keywords
quality
matrix
ecg recording
network
quality 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
CN202110322895.0A
Other languages
English (en)
Other versions
CN113057647A (zh
Inventor
舒明雷
王海生
田岚
王英龙
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.)
Shandong University
Shandong Institute of Artificial Intelligence
Original Assignee
Shandong University
Shandong Institute of Artificial Intelligence
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 Shandong University, Shandong Institute of Artificial Intelligence filed Critical Shandong University
Priority to CN202110322895.0A priority Critical patent/CN113057647B/zh
Publication of CN113057647A publication Critical patent/CN113057647A/zh
Application granted granted Critical
Publication of CN113057647B publication Critical patent/CN113057647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • 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
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种心电信号的质量评估方法，将通过S变换获得的时频图，通过深度残差收缩网络和卷积神经网络的集成神经网络获得深度特征，与提取的统计特征结合，使用提出的双比例损失函数，提取出深度特征，并与统计特征相结合对心电信号的质量进行评估，来解决实际应用中心电信号质量较差的问题，能够极大的提升12导联心电信号质量评估的准确率。残差收缩网络能够将数据中存在的很多与当前任务无关的原始信息通过软阈值处理删除掉，获得与当前任务最相关的信息。卷积神经网络具有参数共享和稀疏连接的优点，能够将残差收缩网络提取出的深度特征进一步提纯优化，获得最适合当前任务的深度特征。

Description

一种心电信号的质量评估方法
技术领域
本发明涉及心电信号处理技术领域，具体涉及一种心电信号的质量评估方法。
背景技术
心电(ECG)信号作为心脏活动的全面反映，具有非常重要的意义。传统心电图需要医生根据患者心电信号波形的表征信息进行分析，但是由于受到各种噪声、干扰的影响，会产生大量质量较差的心电记录，这些会极大地增加医生的工作量甚至造成错误分析，因此，需要对心电信号的质量进行自动评估。
发明内容
本发明为了克服以上技术的不足，提供了一种结合深度残差收缩网络和卷积神经网络，极大的提升12导联心电信号质量评估的准确率的方法。
本发明克服其技术问题所采用的技术方案是：
一种心电信号的质量评估方法，包括如下步骤：
a)通过心电采集装置获得12导联心电信号E(t)；
b)将获得的心电信号E(t)分段，将分段后的心电信号片段标记为可接受类及不可接受类；
c)计算机使用BiosPPy工具包中的hamilton segmenter进行R峰检测获得包含多个元素的统计特征矩阵StaF；
d)通过S变换将步骤b)中分段标记好的心电信号E(t)的片段转化为时频域的二维图像，将该二维图像表示为矩阵S(τ,f)；
e)将矩阵S(τ,f)输入到残差收缩网络，获得收缩特征，将收缩特征输入到卷积神经网络中，获得深度特征矩阵DepF；
f)将统计特征矩阵StaF与深度特征矩阵DepF通过Flatten层变为一维向量拼接在一起，将拼接后的矩阵通过Dense层和Softmax函数获得质量评估结果。
进一步的，步骤b)中心电信号E(t)切分为10s的等长片段，根据2011PhysioNet/Computing in Cardiology挑战赛的注解标准将分段后的心电信号标记为可接受类及不可接受类。
进一步的，步骤c)中统计特征矩阵StaF中的特征包括：
c-1)将最大R峰间期作为ECG记录的质量指标1；
c-2)将最小R峰间期作为ECG记录的质量指标2；
c-3)将平均R峰间期作为ECG记录的质量指标3；
c-4)将R峰间期标准差作为ECG记录的质量指标4；
c-5)将相邻R峰间期差距大于50ms的比率pNN50作为ECG记录的质量指标5；
c-6)将R峰密度作为ECG记录的质量指标6；
c-7)将相邻R峰间期差值的均方根RMSSD作为ECG记录的质量指标7；
c-8)将RR间期采样熵作为ECG记录的质量指标8。
进一步的，步骤d)中通过公式
Figure BDA0002992794350000021
计算得到时频谱矩阵S(τ,f)，式中x(t)为待分析的心电信号，τ为时移因子，p为有理数，i为虚数单位，t为时间，e为无理数，f为频率。
进一步的，步骤e)中使用Softmax函数通过公式
Figure BDA0002992794350000022
计算得到对样本进行预测为正类或者负类的概率S(xi)，式中
Figure BDA0002992794350000023
为第i个样本预测为正和负的权重，i＝1,2，
Figure BDA0002992794350000024
为样本预测为正的权重，
Figure BDA0002992794350000025
为样本预测为负的权重，通过公式
Figure BDA0002992794350000026
计算得到残差收缩网络和卷积神经网络使用的双比例损失函数L2，式中M为正类样本数，N为负类样本数。
进一步的，步骤e)中通过公式
Figure BDA0002992794350000031
得到残差网络的残差块的残差路径x加入软阈值化单元后的输出特征y，式中τ为阈值，通过公式
Figure BDA0002992794350000032
得到软阈值化的输出对于输入的导数
Figure BDA0002992794350000033
Figure BDA0002992794350000034
为x的偏导数，
Figure BDA0002992794350000035
为y的偏导数。
本发明的有益效果是：将通过S变换获得的时频图，通过深度残差收缩网络和卷积神经网络的集成神经网络获得深度特征，与提取的统计特征结合，使用提出的双比例损失函数，提取出深度特征，并与统计特征相结合对心电信号的质量进行评估，来解决实际应用中心电信号质量较差的问题，能够极大的提升12导联心电信号质量评估的准确率。残差收缩网络能够将数据中存在的很多与当前任务无关的原始信息通过软阈值处理删除掉，获得与当前任务最相关的信息。卷积神经网络具有参数共享和稀疏连接的优点，能够将残差收缩网络提取出的深度特征进一步提纯优化，获得最适合当前任务的深度特征。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种心电信号的质量评估方法，包括如下步骤：
a)通过心电采集装置获得12导联心电信号E(t)。
b)将获得的心电信号E(t)分段，将分段后的心电信号片段标记为可接受类及不可接受类。
c)计算机使用BiosPPy工具包中的hamilton segmenter进行R峰检测获得包含多个元素的统计特征矩阵StaF。
d)通过S变换将步骤b)中分段标记好的心电信号E(t)的片段转化为时频域的二维图像，将该二维图像表示为矩阵S(τ,f)。
e)将矩阵S(τ,f)输入到残差收缩网络，获得收缩特征，将收缩特征输入到卷积神经网络中，获得深度特征矩阵DepF。
f)将统计特征矩阵StaF与深度特征矩阵DepF通过Flatten层变为一维向量拼接在一起，将拼接后的矩阵通过Dense层和Softmax函数获得质量评估结果。将通过S变换获得的时频图，通过深度残差收缩网络和卷积神经网络的集成神经网络获得深度特征，与提取的统计特征结合，使用提出的双比例损失函数，提取出深度特征，并与统计特征相结合对心电信号的质量进行评估，来解决实际应用中心电信号质量较差的问题，能够极大的提升12导联心电信号质量评估的准确率。残差收缩网络能够将数据中存在的很多与当前任务无关的原始信息通过软阈值处理删除掉，获得与当前任务最相关的信息。卷积神经网络具有参数共享和稀疏连接的优点，能够将残差收缩网络提取出的深度特征进一步提纯优化，获得最适合当前任务的深度特征。
实施例1：
步骤b)中心电信号E(t)切分为10s的等长片段，根据2011PhysioNet/Computingin Cardiology挑战赛的注解标准将分段后的心电信号标记为可接受类及不可接受类。
实施例2：
步骤c)中统计特征矩阵StaF中的特征包括：
c-1)将最大R峰间期作为ECG记录的质量指标1。
c-2)将最小R峰间期作为ECG记录的质量指标2。
c-3)将平均R峰间期作为ECG记录的质量指标3。
c-4)将R峰间期标准差作为ECG记录的质量指标4。
c-5)将相邻R峰间期差距大于50ms的比率pNN50作为ECG记录的质量指标5。
c-6)将R峰密度(即R峰个数/记录长度)作为ECG记录的质量指标6。
c-7)将相邻R峰间期差值的均方根RMSSD作为ECG记录的质量指标7。
c-8)将将衡量R峰间期变化混乱度的RR间期采样熵作为ECG记录的质量指标8。
因为共有12个导联，每个导联提取8个特征，故可以得到12×8的特征矩阵StaF。
实施例3：
步骤d)中的S变换是小波变换和短时傅里叶变换的继承和发展，既能保持较高的高频时间分辨率，又能保持较高的低频频率分辨率。S变换的公式为：
Figure BDA0002992794350000051
通过该计算得到时频谱矩阵S(τ,f)，式中x(t)为待分析的心电信号，τ为时移因子，p为有理数，i为虚数单位，t为时间，e为无理数，f为频率。
实施例4：
步骤e)中残差收缩网络和卷积神经网络使用的损失函数为本发明提出的双比例损失函数，其中双比例是指的样本数量比重和类别概率比。具体为：使用Softmax函数通过公式
Figure BDA0002992794350000052
计算得到对样本进行预测为正类或者负类的概率S(xi)，式中
Figure BDA0002992794350000053
为第i个样本预测为正和负的权重，i＝1,2，
Figure BDA0002992794350000054
为样本预测为正的权重，
Figure BDA0002992794350000055
为样本预测为负的权重，通过公式
Figure BDA0002992794350000056
计算得到残差收缩网络和卷积神经网络使用的双比例损失函数L2，式中M为正类样本数，N为负类样本数。该双比例函数L2适用于样本类别差距较大的场景，样本类别数量比重元素能够弥补因样本差距过大造成权重失衡的问题，同时类别概率比元素能够加大样本之间的界限，使样本分类更加准确。
实施例5：
步骤e)中的残差收缩网络是在残差网络的基础上进行改进的一种网络结构。是将残差块的残差路径部分加入软阈值化单元，将绝对值小于某个阈值的特征删除掉，将绝对值比这个阈值大的特征向着零的方向进行收缩。公式如下：
Figure BDA0002992794350000061
通过该公式得到残差网络的残差块的残差路径x加入软阈值化单元后的输出特征y，式中τ为阈值，通过公式
Figure BDA0002992794350000062
得到软阈值化的输出对于输入的导数
Figure BDA0002992794350000063
Figure BDA0002992794350000064
为x的偏导数，
Figure BDA0002992794350000065
为y的偏导数。通过上式我们可以知道，软阈值化的导数要么是1，要么是0，与激活函数ReLU的性质是相同的，能够在一定程度上防止梯度弥散和梯度爆炸。
残差收缩网络能够将数据中存在的很多与当前任务无关的原始信息通过软阈值处理删除掉，获得与当前任务最相关的信息。卷积神经网络具有参数共享和稀疏连接的优点，能够将残差收缩网络提取出的深度特征进一步提纯优化，获得最适合当前任务的深度特征。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种心电信号的质量评估方法，其特征在于，包括如下步骤：
a)通过心电采集装置获得12导联心电信号E(t)；
b)将获得的心电信号E(t)分段，将分段后的心电信号片段标记为可接受类及不可接受类；
c)计算机使用BiosPPy工具包中的hamilton segmenter进行R峰检测获得包含多个元素的统计特征矩阵StaF；
d)通过S变换将步骤b)中分段标记好的心电信号E(t)的片段转化为时频域的二维图像，将该二维图像表示为矩阵S(τ,f)；
e)将矩阵S(τ,f)输入到残差收缩网络，获得收缩特征，将收缩特征输入到卷积神经网络中，获得深度特征矩阵DepF；
f)将统计特征矩阵StaF与深度特征矩阵DepF通过Flatten层变为一维向量拼接在一起，将拼接后的矩阵通过Dense层和Softmax函数获得质量评估结果；
步骤e)中使用Softmax函数通过公式
Figure FDA0003523375900000011
计算得到对样本进行预测为正类或者负类的概率S(xi)，式中
Figure FDA0003523375900000012
为第i个样本预测为正和负的权重，i＝1,2，
Figure FDA0003523375900000013
为样本预测为正的权重，
Figure FDA0003523375900000014
为样本预测为负的权重，通过公式
Figure FDA0003523375900000015
计算得到残差收缩网络和卷积神经网络使用的双比例损失函数L2，式中M为正类样本数，N为负类样本数。
2.根据权利要求1所述的心电信号的质量评估方法，其特征在于：步骤b)中心电信号E(t)切分为10s的等长片段，根据2011PhysioNet/Computing in Cardiology挑战赛的注解标准将分段后的心电信号标记为可接受类及不可接受类。
3.根据权利要求1所述的心电信号的质量评估方法，其特征在于，步骤c)中统计特征矩阵StaF中的特征包括：
c-1)将最大R峰间期作为ECG记录的质量指标1；
c-2)将最小R峰间期作为ECG记录的质量指标2；
c-3)将平均R峰间期作为ECG记录的质量指标3；
c-4)将R峰间期标准差作为ECG记录的质量指标4；
c-5)将相邻R峰间期差距大于50ms的比率pNN50作为ECG记录的质量指标5；
c-6)将R峰密度作为ECG记录的质量指标6；
c-7)将相邻R峰间期差值的均方根RMSSD作为ECG记录的质量指标7；
c-8)将RR间期采样熵作为ECG记录的质量指标8。
4.根据权利要求1所述的心电信号的质量评估方法，其特征在于：步骤d)中通过公式
Figure FDA0003523375900000021
计算得到时频谱矩阵S(τ,f)，式中x(t)为待分析的心电信号，τ为时移因子，p为有理数，i为虚数单位，t为时间，e为无理数，f为频率。
5.根据权利要求1所述的心电信号的质量评估方法，其特征在于：步骤e)中通过公式
Figure FDA0003523375900000022
得到残差网络的残差块的残差路径x加入软阈值化单元后的输出特征y，式中τ为阈值，通过公式
Figure FDA0003523375900000023
得到软阈值化的输出对于输入的导数
Figure FDA0003523375900000024
Figure FDA0003523375900000025
为x的偏导数，
Figure FDA0003523375900000026
为y的偏导数。
CN202110322895.0A 2021-03-25 2021-03-25 一种心电信号的质量评估方法 Active CN113057647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110322895.0A CN113057647B (zh) 2021-03-25 2021-03-25 一种心电信号的质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110322895.0A CN113057647B (zh) 2021-03-25 2021-03-25 一种心电信号的质量评估方法

Publications (2)

Publication Number Publication Date
CN113057647A CN113057647A (zh) 2021-07-02
CN113057647B true CN113057647B (zh) 2022-04-22

Family

ID=76563822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110322895.0A Active CN113057647B (zh) 2021-03-25 2021-03-25 一种心电信号的质量评估方法

Country Status (1)

Country Link
CN (1) CN113057647B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446689A (zh) * 2018-05-30 2018-08-24 南京开为网络科技有限公司 一种人脸识别方法
CN109934203A (zh) * 2019-03-25 2019-06-25 南京大学 一种基于信息熵选择的代价敏感增量式人脸识别方法
US10373317B1 (en) * 2019-01-22 2019-08-06 StradVision, Inc. Learning method and learning device for attention-driven image segmentation by using at least one adaptive loss weight map to be used for updating HD maps required to satisfy level 4 of autonomous vehicles and testing method and testing device using the same
CN110490177A (zh) * 2017-06-02 2019-11-22 腾讯科技（深圳）有限公司 一种人脸检测器训练方法及装置
CN112508013A (zh) * 2020-12-02 2021-03-16 哈尔滨市科佳通用机电股份有限公司 一种锁扣丢失故障检测方法、系统及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605721A (zh) * 2013-11-13 2014-02-26 燕山大学 一种心理压力评估中针对个体差异的分类方法
US20180150755A1 (en) * 2016-11-30 2018-05-31 Nec Laboratories America, Inc. Analogy-based reasoning with memory networks for future prediction
CN107811626A (zh) * 2017-09-10 2018-03-20 天津大学 一种基于一维卷积神经网络和s变换的心律失常分类方法
CN110522444B (zh) * 2019-09-03 2022-03-25 西安邮电大学 一种基于Kernel-CNN的心电信号识别分类方法
CN110859642B (zh) * 2019-11-26 2024-01-23 北京华医共享医疗科技有限公司 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质
CN111738112B (zh) * 2020-06-10 2023-07-07 杭州电子科技大学 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法
CN111789574A (zh) * 2020-07-02 2020-10-20 山东省人工智能研究院 一种ecg信号质量评估方法
CN112329609A (zh) * 2020-11-03 2021-02-05 山东大学 基于2d心拍的特征融合迁移学习心律失常分类系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490177A (zh) * 2017-06-02 2019-11-22 腾讯科技（深圳）有限公司 一种人脸检测器训练方法及装置
CN108446689A (zh) * 2018-05-30 2018-08-24 南京开为网络科技有限公司 一种人脸识别方法
US10373317B1 (en) * 2019-01-22 2019-08-06 StradVision, Inc. Learning method and learning device for attention-driven image segmentation by using at least one adaptive loss weight map to be used for updating HD maps required to satisfy level 4 of autonomous vehicles and testing method and testing device using the same
CN109934203A (zh) * 2019-03-25 2019-06-25 南京大学 一种基于信息熵选择的代价敏感增量式人脸识别方法
CN112508013A (zh) * 2020-12-02 2021-03-16 哈尔滨市科佳通用机电股份有限公司 一种锁扣丢失故障检测方法、系统及装置

Also Published As

Publication number Publication date
CN113057647A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN100418480C (zh) 基于心音分析的心脏病自动分类系统及其心音分段方法
CN108511055B (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN107080545B (zh) 一种基于脑电的测谎系统
CN107808100B (zh) 针对特定测试样本的隐写分析方法
WO2023130661A1 (zh) 一种二维频谱多普勒超声心动图像的处理方法和装置
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
CN113057647B (zh) 一种心电信号的质量评估方法
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
CN111180071A (zh) 高危型hpv型别和宫颈癌前病变阶段关系的计算方法及装置
CN112033656A (zh) 一种基于宽带谱处理的机械系统故障检测方法
CN114545158A (zh) 自动分离局部放电信号和噪声信号
CN111588375B (zh) 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法
CN108966042A (zh) 一种基于最短路径的视频摘要生成方法及装置
CN109165545A (zh) 一种新的基于分形维数的信号特征提取方法
CN110507299B (zh) 一种心率信号检测装置及方法
CN117153168A (zh) 鲸类回声定位信号的检测与提取方法、系统、设备及介质
CN109730672A (zh) 一种用于多导联心电信号的特征提取方法及对应监测系统
Mitra et al. An automated data extraction system from 12 lead ECG images
CN111273101A (zh) 一种故障电弧检测方法、装置及存储介质
CN116996278B (zh) 一种基于wasm模块挖矿行为的网页检测方法及装置
CN112651147B (zh) 基于希尔伯特黄变换和支持向量机的海洋平台故障诊断方法
CN113576489B (zh) 一种突变信号和高t波信号的区分方法及装置
CN111861981B (zh) 一种基于点线面的图像颜色空间脂肪点检测评估方法
CN113723441B (zh) 一种唇腺病理智能分析系统及方法
CN111883183B (zh) 语音信号筛选方法、装置、音频设备和系统

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