CN113642643A - 一种血红蛋白浓度预测回归模型的训练、应用方法及系统 - Google Patents
一种血红蛋白浓度预测回归模型的训练、应用方法及系统 Download PDFInfo
- Publication number
- CN113642643A CN113642643A CN202110930067.5A CN202110930067A CN113642643A CN 113642643 A CN113642643 A CN 113642643A CN 202110930067 A CN202110930067 A CN 202110930067A CN 113642643 A CN113642643 A CN 113642643A
- Authority
- CN
- China
- Prior art keywords
- feature information
- historical
- hemoglobin concentration
- ppg signal
- regression model
- 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.)
- Granted
Links
- 108010054147 Hemoglobins Proteins 0.000 title claims abstract description 126
- 102000001554 Hemoglobins Human genes 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 30
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 abstract description 16
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 230000010354 integration Effects 0.000 abstract description 5
- 241000282414 Homo sapiens Species 0.000 abstract description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 108010061951 Methemoglobin Proteins 0.000 description 1
- 206010048038 Wound infection Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提出了一种血红蛋白浓度预测回归模型的训练、应用方法及系统,包括:获取多通道PPG信号,并对其进行信号处理;对获取到的多通道PPG信号进行手动和自动提取特征信息,并通过特征信息融合机制将手动特征信息和自动特征信息进行融合,实现特征信息的精确提取;建立基于多机器学习算法集成的血红蛋白浓度预测回归模型进行无创检测,利用多个回归模型的高效集成,多次回归预测得到更加稳健的检测结果。此方法在保证模型训练速度的情况下,可提高模型的检测精度和泛化能力,而且兼具无创和有创检测方法的优势,解决了现有技术中无法对对人体的血红蛋白浓度的连续、实时检测的技术问题。
Description
技术领域
本发明涉及无创检测技术领域,特别是涉及一种血红蛋白浓度预测回归模型的训练、应用方法及系统。
背景技术
目前,检测血红蛋白浓度的方法可分为有创检测和无创检测两种。有创血红蛋白浓度检测方法包括氰化高铁血红蛋白检测法和即时检验法,都需要先对受测者进行取血采样,再通过血细胞分析仪进行分析得到血红蛋白浓度值。虽然此类检测方法所得结果的准确度较高,但存在一些不足:检测时间无法达到连续、实时效果,不能做到对重症患者的情况及时了解;容易引发伤口感染,还可能使受测者产生内心恐惧。
而无创血红蛋白浓度检测方法不再需要取血采样这一过程,而是直接将受测者的手指放在仪器上,便能实时的获得其血红蛋白的浓度指标。此类方法可以较好的解决有创血红蛋白浓度检测方法存在的不足,可实现对人体的血红蛋白浓度的连续、实时的检测。然而,现有的大部分无创血红蛋白浓度检测方法的准确性仍有较大的改进空间。
因此,研究一种兼具无创和有创检测方法优势的血红蛋白浓度预测回归模型的训练、应用方法及系统,对提升医疗诊断水平,提高人类生活质量有着非常重要的意义。
发明内容
本发明的目的是提供一种血红蛋白浓度预测回归模型的训练、应用方法及系统,解决传统的有创检测准确但容易感染,无创检测无伤口但检测值不准确的问题。
为实现上述目的,本发明提供了如下方案:
一种血红蛋白浓度预测回归模型的训练方法,包括以下步骤:
基于多机器学习算法构建血红蛋白浓度预测回归模型。
获取历史多通道PPG信号和历史血红蛋白浓度值。
对所述历史多通道PPG信号进行预处理,得到预处理后的历史多通道PPG信号数据。
对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取,得到历史自动特征信息。
对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息。
将所述历史自动特征信息和所述历史手动特征信息进行融合,得到历史融合特征信息。
利用所述历史融合特征信息和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型,得到训练好的血红蛋白浓度预测回归模型。
可选的,所述基于多机器学习算法构建血红蛋白浓度预测回归模型包括:
构建第一层回归器,所述第一层回归器为Ada Boost、PCR、PLSR以及SVR四个并列的模型;
构建第二层回归器,所述第二层回归器为注意力层模型。
可选的,所述利用所述历史融合特征和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型,得到训练好的血红蛋白浓度预测回归模型具体包括:
将所述历史融合特征分别输入第一层回归器的AdaBoost、PCR、PLSR和SVR模型中,得到历史第一预测结果集;
根据所述历史第一预测结果集和所述历史血红蛋白浓度值训练所述第二层回归器的注意力层模型,得到所述训练好的血红蛋白浓度预测回归模型。
可选的,所述对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取,得到历史自动特征信息具体包括:
构建卷积神经网络模型,所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层;
根据所述预处理后的历史多通道PPG信号数据对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
利用所述训练好的卷积神经网络模型对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取。
可选的,所述对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息具体包括:
根据Beer-Lambert方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,所述血红蛋白浓度与检测信号特征值之间的映射关系如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,R2,N,…RN,1,…RN,N-1)
其中:ctHb表示血红蛋白浓度值,f()表示映射关系函数,Ri,j,N>i>1,N>j>1,为手动提取的特征信息,N为历史多通道PPG信号数据的通道数;
特征信息Ri,j通过下式获得:
其中ACλi和DCλi分别为光波长为λi时获取到的历史多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;ACλj和DCλj分别为光波长为λj获取到的历史多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;
以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导,对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息。
在得到训练好的血红蛋白浓度预测回归模型后,本发明还相应提供了一种血红蛋白浓度预测回归模型的应用方法,包括以下步骤:
获取多通道PPG信号。
对所述多通道PPG信号进行预处理,得到预处理后的多通道PPG信号数据。
对所述预处理后的多通道PPG信号的特征信息进行自动提取,得到自动特征信息。
对所述预处理后的多通道PPG信号的特征信息进行手动提取,得到手动特征信息。
将所述自动特征信息和所述手动特征信息进行融合,得到融合特征信息。
将所述融合特征信息输入所述训练好的血红蛋白浓度预测回归模型,得到血红蛋白浓度预测值。
进一步的,所述训练好的血红蛋白浓度预测回归模型包括第一层回归器和第二层回归器;
所述第一层回归器包括Ada Boost、PCR、PLSR以及SVR四个并列的模型;
所述第二层回归器包括注意力层模型。
所述将所述融合特征信息输入所述训练好的血红蛋白浓度预测回归模型,得到血红蛋白浓度预测值具体包括:
将所述融合特征信息分别输入第一层回归器的AdaBoost、PCR、PLSR和SVR模型中,得到第一预测结果集;
将所述第一预测结果集输入所述第二层回归器的注意力层模型,得到所述血红蛋白浓度预测值。
进一步的,所述对所述预处理后的多通道PPG信号数据的特征信息进行自动提取,得到自动特征信息具体包括:
构建卷积神经网络模型,所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层;
根据所述预处理后的多通道PPG信号数据对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
利用所述训练好的卷积神经网络模型对所述预处理后的多通道PPG信号数据的特征信息进行自动提取。
进一步的,所述对所述预处理后的多通道PPG信号的特征信息进行手动提取,得到手动特征信息具体包括:
根据Beer-Lambert方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,所述血红蛋白浓度与检测信号特征值之间的映射关系如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,R2,N,…RN,1,…RN,N-1)
其中:ctHb表示血红蛋白浓度值,f()表示映射关系函数,Ri,j,N>i>1,N>j>1,为手动提取的特征信息,N为多通道PPG信号数据的通道数;
特征信息Ri,j通过下式获得:
其中ACλi和DCλi分别为光波长为λi时获取到的多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;ACλj和DCλj分别为光波长为λj获取到的多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;
以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导,对所述预处理后的多通道PPG信号数据的特征信息进行手动提取,得到手动特征信息。
本发明还提供了一种血红蛋白浓度预测回归模型的应用系统,所述应用系统被处理器运行时执行如前所述的血红蛋白浓度预测回归模型的训练方法或执行如前所述的血红蛋白浓度预测回归模型的应用方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种血红蛋白浓度预测回归模型的训练、应用方法及系统,对获取到的多通道PPG信号进行手动和自动提取特征信息,并通过特征信息融合机制将二者进行融合,实现特征信息的精确提取;基于多机器学习算法集成的预测模型对血红蛋白浓度值进行无创检测,利用多个回归模型的高效集成,多次回归预测得到更加稳健的检测结果;此方法在保证模型训练速度的情况下,可提高模型的检测精度和泛化能力,而且兼具无创和有创检测方法的优势,解决了现有技术中无法对人体的血红蛋白浓度的连续、实时检测的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种血红蛋白浓度预测回归模型的训练方法的流程图;
图2为本发明实施例1提供的一种血红蛋白浓度预测回归模型的训练方法中血红蛋白浓度预测回归模型的结构示意图;
图3为本发明实施例2提供的一种血红蛋白浓度预测回归模型的应用方法的流程图;
图4为本发明实施例3提供的一种血红蛋白浓度预测回归模型的应用系统的结构示意图;
图5为本发明实施例3提供的一种血红蛋白浓度预测回归模型的应用系统中构建的卷积神经网络的结构示意图。
符号解释:
1:应用系统;2:PPG信息获取模块;3:历史浓度值获取模块;4:预处理模块;5:自动特征提取模块;6:手动特征提取模块;7:特征融合模块;8:回归模型构建模块;9:回归模型训练模块;10:回归预测模块;51:卷积神经网络模型构建单元;52:卷积神经网络模型训练单元;61:映射关系建立单元;Attention:注意力层。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种血红蛋白浓度预测回归模型的训练、应用方法及系统,解决传统的有创检测准确但容易感染,无创检测无伤口但检测值不准确的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
专业术语解释:
PPG,Photoplethymography的缩写,光电容积脉搏波描记法,具有精度较高、可实现性强、成本低等优点,是目前无创血红蛋白浓度值检测的主流方法。目前国际上两款产品:美国Masimo公司的Rainbow系列和以色列OrSense公司的NBM200均是基于该原理实现的,但是国内目前还未见相关产品。
Beer-Lambert方程,描述的是物质对光的吸收程度与物质的浓度、消光系数以及光在物质中传播的路径长度有关,本发明基于Beer-Lambert方程实现手动提取PPG信号的特征信息,通过推导多通道信号下的血红蛋白浓度检测方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,以该映射关系为指导,进行手动特征信息的提取。
AdaBoost是一种性能增强算法,具有较高的检测速率,且不易出现过适应现象。它通过在迭代修改的样本权重上拟合一组弱学习器,学习器的一组预测使用多数票进行组合,以获得最终预测。在平方误差和达到最小之前,权重的重新计算和重新预测将一直进行。但是该算法也存在一些缺点,如:在实现过程中为取得更高的检测精度需要较大的训练样本集,所需的计算量较大。
PCR,principle component regression的缩写,主成分回归最初是由肯德尔(Kendall,1957)提出的,用主成分分析法对回归模型中的多重共线性进行消除后,将主成分变量作为自变量进行回归分析,然后根据得分系数矩阵将原变量代回得到的新的模型。通过利用降维的思想,以主成分为自变量进行的回归分析,模型的计算量减轻。
PLSR,Partial least squares regression的缩写,偏最小二乘回归,是一种新型的多元统计方法,是在上世纪60年代由瑞典统计学家Herman Wold提出,它具有计算量小、简单稳健、无需剔除任何变量等优点,目前已经成功应用于医学、化学分析、物理化学等领域。偏最小二乘回归有效地解决了变量之间的多重相关性问题,且能够在样本容量小于变量个数的情况下进行回归建模。
SVR,support vector regression的缩写,支持向量回归,是支持向量机的对回归问题的一种运用,在解决非线性回归问题时有着极大的优势,其核心是找到一个回归平面,让一个集合的所有数据到该平面的距离最近。
实施例1:
如图1所示,本实施例提供了一种血红蛋白浓度预测回归模型的训练方法,包括以下步骤:
A1、基于多机器学习算法构建血红蛋白浓度预测回归模型。
A11、构建第一层回归器,所述第一层回归器为Ada Boost、PCR、PLSR以及SVR四个并列的模型;
A12、构建第二层回归器,所述第二层回归器为注意力层模型。
A2、获取历史多通道PPG信号和历史血红蛋白浓度值。
A3、对所述历史多通道PPG信号进行预处理,得到预处理后的历史多通道PPG信号数据。
A4、对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取,得到历史自动特征信息。
A41、构建卷积神经网络模型,所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层;
A42、根据所述预处理后的历史多通道PPG信号数据对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
A43、利用所述训练好的卷积神经网络模型对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取。
A5、对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息。
A51、根据Beer-Lambert方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,所述血红蛋白浓度与检测信号特征值之间的映射关系如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,R2,N,…RN,1,…RN,N-1)
其中:ctHb表示血红蛋白浓度值,f()表示映射关系函数,Ri,j,N>i>1,N>j>1,为手动提取的特征信息,N为历史多通道PPG信号数据的通道数;
特征信息Ri,j通过下式获得:
其中ACλi和DCλi分别为光波长为λi时获取到的历史多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;ACλj和DCλj分别为光波长为λj获取到的历史多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;
A52、以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导,对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息。
A6、将所述历史自动特征信息和所述历史手动特征信息进行融合,得到历史融合特征信息。
A7、利用所述历史融合特征信息和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型,得到训练好的血红蛋白浓度预测回归模型;
A71、将所述历史融合特征分别输入第一层回归器的AdaBoost、PCR、PLSR和SVR模型中,得到历史第一预测结果集;
A72、根据所述历史第一预测结果集和所述历史血红蛋白浓度值训练所述第二层回归器的注意力层模型,得到所述训练好的血红蛋白浓度预测回归模型。
本实施例中构建了基于多机器学习算法构建血红蛋白浓度预测回归模型,通过分别设计两层回归器的结构,利用多个回归模型的高效集成,多次回归预测得到更加稳健的检测结果,通过卷积神经网络模型进行自动特征信息的提取,与手动特征信息的提取进行融合,在保证模型训练速度的情况下,可提高模型的检测精度和泛化能力。
实施例2:
通过实施例1得到了训练好的血红蛋白浓度预测回归模型,如图2所示,该模型包括第一层回归器和第二层回归器;所述第一层回归器包括Ada Boost、PCR、PLSR以及SVR四个并列的模型;所述第二层回归器包括注意力层模型;对应的,如图3所示,本实施例还相应的提供了一种血红蛋白浓度预测回归模型的应用方法,包括以下步骤:
B1、获取多通道PPG信号。
B2、对所述多通道PPG信号进行预处理,得到预处理后的多通道PPG信号数据。
B3、对所述预处理后的多通道PPG信号的特征信息进行自动提取,得到自动特征信息。
B31、构建卷积神经网络模型,所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层;
B32、根据所述预处理后的多通道PPG信号数据对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
B33、利用所述训练好的卷积神经网络模型对所述预处理后的多通道PPG信号数据的特征信息进行自动提取。
B4、对所述预处理后的多通道PPG信号的特征信息进行手动提取,得到手动特征信息。
B41、根据Beer-Lambert方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,所述血红蛋白浓度与检测信号特征值之间的映射关系如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,R2,N,…RN,1,…RN,N-1)
其中:ctHb表示血红蛋白浓度值,f()表示映射关系函数,Ri,j,N>i>1,N>j>1,为手动提取的特征信息,N为多通道PPG信号数据的通道数;
特征信息Ri,j通过下式获得:
其中ACλi和DCλi分别为光波长为λi时获取到的多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;ACλj和DCλj分别为光波长为λj获取到的多通道PPG信号数据的跳变成分(AC)和非跳变成分(DC)的幅值强度;
B42、以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导,对所述预处理后的多通道PPG信号数据的特征信息进行手动提取,得到手动特征信息。
B5、将所述自动特征信息和所述手动特征信息进行融合,得到融合特征信息。
B6、将所述融合特征信息输入所述训练好的血红蛋白浓度预测回归模型,得到血红蛋白浓度预测值;
B61、将所述融合特征信息分别输入第一层回归器的AdaBoost、PCR、PLSR和SVR模型中,得到第一预测结果集;
B62、将所述第一预测结果集输入所述第二层回归器的注意力层模型,得到所述血红蛋白浓度预测值。
本实施例中利用了实施例1提供的训练方法得到的训练好的血红蛋白浓度预测回归模型,通过对采集的多通道PPG信号进行预处理,对预处理后的多通道PPG信号进行手动和自动提取特征信息,并通过特征信息融合机制将手动特征信息和自动特征信息进行融合,实现特征信息的精确提取,利用的训练好的血红蛋白浓度预测回归模型为基于多机器学习算法的两层回归器结构,利用多个回归模型的高效集成,多次回归预测得到更加稳健的检测结果。
实施例3:
此外,根据本发明实施例1和实施例2的方法也可以借助于图4所示的应用系统1的架构来实现。图4示出了该应用系统1的架构。如图4所示,该应用系统1可以包括PPG信息获取模块2、历史浓度值获取模块3、预处理模块4、自动特征提取模块5、手动特征提取模块6、特征融合模块7、回归模型构建模块8、回归模型训练模块9和回归预测模块10;一些模块还可以有用于实现其功能的子单元,例如自动特征提取模块5可以包括卷积神经网络模型构建单元51和卷积神经网络模型训练单元52,手动特征提取模块6还可以包括映射关系建立单元61。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图4示出的计算设备中的一个或至少两个组件。
根据本发明的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
下面通过一个具体的实施例来说明本发明提供的血红蛋白浓度预测回归模型的应用方法。
实施例4:
S1:获取历史多通道PPG信号,并对其进行信号处理。
S11:采集获取多通道PPG信号,选择的光源波长为610nm,630nm,660nm,690nm,750nm,805nm,850nm和940nm八个波长。
S12:在采集历史多通道PPG信号的同时,通过获取历史血红蛋白浓度值。
S13:对步骤S11采集到的历史多通道PPG信号进行信号处理,包括高频噪声、运动伪迹以及基线漂移的滤除。
S14:通过求自相关系数信号的方法对信号质量进行判断,将自相关系数信号小于0.7的信号剔除,得到预处理后的历史多通道PPG信号。
S2:对步骤S1得到预处理后的历史多通道PPG信号提取历史自动特征信息和历史手动特征信息,并将历史自动特征信息和历史手动特征信息进行融合,得到历史融合特征信息。
S21:以步骤S1得到的预处理后的历史多通道PPG信号和历史血红蛋白浓度值构建数据集。
S22:对S21构建的数据集进行手动提取特征信息,是基于Beer-Lambert方程设计实现的,通过推导多通道信号下的血红蛋白浓度检测方程,建立历史血红蛋白浓度值与检测历史多通道PPG信号的特征信息之间的映射关系,以该映射关系为指导,进行历史手动特征信息的提取。
历史血红蛋白浓度值与历史多通道PPG信号的特征信息之间的映射关系可表示为如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,R2,N,…RN,1,…RN,N-1)
上式中,ctHb表示血红蛋白浓度,f()表示某种映射关系,Rij为手动提取的特征信息,i和j的取值为1~8,特征信息通过下式获得:
ACλi和DCλi分别为光波长为λi获取到的历史多通道PPG信号的跳变成分(AC)和非跳变成分(DC)的幅值强度;ACλj和DCλj分别为光波长为λj获取到的历史多通道PPG信号的跳变成分(AC)和非跳变成分(DC)的幅值强度;而AC和DC是通过对历史多通道PPG信号进行预处理得到的。
S23:对步骤S21得到的数据集进行自动提取特征信息,是基于用于自动特征提取的训练好的卷积神经网络模型实现的;所述用于自动特征提取的训练好的卷积神经网络包括1个输入层、2个卷积层、2个全连接层;对历史多通道PPG信号提取的历史自动特征信息是由训练好的卷积神经网络的最后一层输出的特征。
该步骤中,所述用于特征提取的训练好的卷积神经网络的确定方法是:
构建卷积神经网络模型,所述卷积神经网络模型包括1个输入层、2个卷积层、2个全连接层。
将步骤S21构建的数据集输入至所述卷积神经网络模型中,经过多次迭代获得训练好的卷积神经网络。
S24:将步骤S22提取到的历史手动特征信息和步骤S23提取到的历史自动特征信息进行融合,得到历史融合特征,这一步骤通过基于贝叶斯估计的特征信息融合机制进行实现;所述基于贝叶斯估计的特征信息融合机制是通过贝叶斯的数据关联算法实现的。
S3:建立基于多机器学习算法集成的血红蛋白浓度预测回归模型。
S31:将步骤S24融合后的历史融合特征分别输入到构建好的Ada Boost、PCR、PLSR和SVR模型中,可得到对应得预测输出结果P1、P2、P3和P4。
S32:将步骤S31所得到的预测结果P1、P2、P3和P4输入到注意力层,将其输出结果与历史血红蛋白浓度值进行比较,迭代训练血红蛋白浓度预测回归模型。
该步骤中,所述注意力层模型的确定方法是:
以上述预测结果P1、P2、P3和P4为注意力层的输入,历史血红蛋白浓度值c为注意力层的输出,注意力层通过如下公式表示:
αi=softmax(wTMi)
Mi=tanh(WpPi)
其中,Wp和wT为待训练系数矩阵,ai为第i个注意力系数,Mi为中间量,softmax()和tanh()均表示激活函数。通过输入P1、P2、P3、P4和其对应的输出c可训练出Wp和wT系数矩阵。
S4:基于训练好的血红蛋白浓度预测回归模型,进行血红蛋白无创检测。
S41:获取基于多通道PPG信号,并对其进行信号处理;所述信号处理包括高频噪声、运动伪迹和基线漂移的滤除。
S42:对上述预处理后的多通道PPG信号提取自动和手动特征信息,并将自动特征和手动特征信息进行融合,得到融合特征。
S43:将融合特征分别输入到AdaBoost、PCR、PLSR和SVR模型中进行回归预测,将Ada Boost、PCR、PLSR和SVR模型的预测结果输入到训练好的注意力层中,通过注意力层的计算,最终获得血红蛋白浓度预测值。
在本实施例中给出了关于实施例2所提供的一种血红蛋白浓度预测模型的应用方法的具体步骤,具体给出了采集的多通道PPG信号可以为不同波长的信号,在进行手动特征提取时,手动提取的特征信息Rij的个数取决于获取的PPG信号包括多少波长,可以使对手动提取的特征信息更加精确,基于贝叶斯估计的特征信息融合机制,进而通过贝叶斯的数据关联算法实现的手动特征信息和自动特征信息的融合,实现特征信息的精确提取,基于多机器学习算法集成的预测模型对血红蛋白浓度值进行无创检测,利用多个回归模型的高效集成,多次回归预测得到更加稳健的检测结果。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;本领域的技术人员应该理解,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种血红蛋白浓度预测回归模型的训练方法,其特征在于,所述训练方法包括:
基于多机器学习算法构建血红蛋白浓度预测回归模型;
获取历史多通道PPG信号和历史血红蛋白浓度值;
对所述历史多通道PPG信号进行预处理,得到预处理后的历史多通道PPG信号数据;
对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取,得到历史自动特征信息;
对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息;
将所述历史自动特征信息和所述历史手动特征信息进行融合,得到历史融合特征信息;
利用所述历史融合特征信息和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型,得到训练好的血红蛋白浓度预测回归模型。
2.根据权利要求1所述的预测回归模型的训练方法,其特征在于,所述基于多机器学习算法构建血红蛋白浓度预测回归模型包括:
构建第一层回归器,所述第一层回归器为Ada Boost、PCR、PLSR以及SVR四个并列的模型;
构建第二层回归器,所述第二层回归器为注意力层模型。
3.根据权利要求2所述的预测回归模型的训练方法,其特征在于,所述利用所述历史融合特征和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型,得到训练好的血红蛋白浓度预测回归模型具体包括:
将所述历史融合特征分别输入第一层回归器的AdaBoost、PCR、PLSR和SVR模型中,得到历史第一预测结果集;
根据所述历史第一预测结果集和所述历史血红蛋白浓度值训练所述第二层回归器的注意力层模型,得到所述训练好的血红蛋白浓度预测回归模型。
4.根据权利要求1所述的预测回归模型的训练方法,其特征在于,所述对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取,得到历史自动特征信息具体包括:
构建卷积神经网络模型,所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层;
根据所述预处理后的历史多通道PPG信号数据对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
利用所述训练好的卷积神经网络模型对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取。
5.根据权利要求1所述的预测回归模型的训练方法,其特征在于,所述对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息具体包括:
根据Beer-Lambert方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,所述血红蛋白浓度与检测信号特征值之间的映射关系如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,R2,N,…RN,1,…RN,N-1)
其中:ctHb表示血红蛋白浓度值,f()表示映射关系函数,Ri,j,N>i>1,N>j>1,为手动提取的特征信息,N为历史多通道PPG信号数据的通道数;
特征信息Ri,j通过下式获得:
其中ACλi和DCλi分别为光波长为λi时获取到的历史多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度;ACλj和DCλj分别为光波长为λj获取到的历史多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度;
以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导,对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取,得到历史手动特征信息。
6.一种血红蛋白浓度预测回归模型的应用方法,其特征在于,使用如权利要求1所述的训练好的血红蛋白浓度预测回归模型,所述应用方法包括:
获取多通道PPG信号;
对所述多通道PPG信号进行预处理,得到预处理后的多通道PPG信号数据;
对所述预处理后的多通道PPG信号的特征信息进行自动提取,得到自动特征信息;
对所述预处理后的多通道PPG信号的特征信息进行手动提取,得到手动特征信息;
将所述自动特征信息和所述手动特征信息进行融合,得到融合特征信息;
将所述融合特征信息输入所述训练好的血红蛋白浓度预测回归模型,得到血红蛋白浓度预测值。
7.根据权利要求6所述的预测回归模型的应用方法,其特征在于,所述训练好的血红蛋白浓度预测回归模型包括第一层回归器和第二层回归器;
所述第一层回归器包括Ada Boost、PCR、PLSR以及SVR四个并列的模型;
所述第二层回归器包括注意力层模型;
所述将所述融合特征信息输入所述训练好的血红蛋白浓度预测回归模型,得到血红蛋白浓度预测值具体包括:
将所述融合特征信息分别输入第一层回归器的Ada Boost、PCR、PLSR和SVR模型中,得到第一预测结果集;
将所述第一预测结果集输入所述第二层回归器的注意力层模型,得到所述血红蛋白浓度预测值。
8.根据权利要求6所述的预测回归模型的应用方法,其特征在于,所述对所述预处理后的多通道PPG信号的特征信息进行自动提取,得到自动特征信息具体包括:
构建卷积神经网络模型,所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层;
根据所述预处理后的多通道PPG信号数据对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
利用所述训练好的卷积神经网络模型对所述预处理后的多通道PPG信号数据的特征信息进行自动提取。
9.根据权利要求6所述的预测回归模型的应用方法,其特征在于,所述对所述预处理后的多通道PPG信号的特征信息进行手动提取,得到手动特征信息具体包括:
根据Beer-Lambert方程,建立血红蛋白浓度与检测信号特征值之间的映射关系,所述血红蛋白浓度与检测信号特征值之间的映射关系如下:
ctHb=f(R1,2,…,R1,N,R2,1,R2,3,…,R2,N,…RN,1,…RN,N-1)
其中:ctHb表示血红蛋白浓度值,f()表示映射关系函数,Ri,j,N>i>1,N>j>1,为手动提取的特征信息,N为多通道PPG信号数据的通道数;
特征信息Ri,j通过下式获得:
其中ACλi和DCλi分别为光波长为λi时获取到的多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度;ACλj和DCλj分别为光波长为λj获取到的多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度;
以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导,对所述预处理后的多通道PPG信号数据的特征信息进行手动提取,得到手动特征信息。
10.一种血红蛋白浓度预测回归模型的应用系统,其特征在于,所述系统被处理器运行时实现权利要求1-5任一项所述方法的步骤或实现权利要求6-9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930067.5A CN113642643B (zh) | 2021-08-13 | 2021-08-13 | 一种血红蛋白浓度预测回归模型的训练、应用方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930067.5A CN113642643B (zh) | 2021-08-13 | 2021-08-13 | 一种血红蛋白浓度预测回归模型的训练、应用方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642643A true CN113642643A (zh) | 2021-11-12 |
CN113642643B CN113642643B (zh) | 2024-09-20 |
Family
ID=78421700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930067.5A Active CN113642643B (zh) | 2021-08-13 | 2021-08-13 | 一种血红蛋白浓度预测回归模型的训练、应用方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642643B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130165757A1 (en) * | 2011-12-23 | 2013-06-27 | General Electric Company | Method, arrangement, sensor, and computer program product for non-invasively measuring hemoglobin concentrations in blood |
CN107908928A (zh) * | 2017-12-21 | 2018-04-13 | 天津科技大学 | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 |
CN109378072A (zh) * | 2018-10-13 | 2019-02-22 | 中山大学 | 一种基于集成学习融合模型的异常空腹血糖值预警方法 |
WO2019158385A1 (en) * | 2018-02-13 | 2019-08-22 | Robert Bosch Gmbh | A controller and method to determine incident intensity of a light source and total hemoglobin |
CN112233721A (zh) * | 2020-09-30 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于血红蛋白浓度分析预测系统及其设备 |
CN112545461A (zh) * | 2020-12-05 | 2021-03-26 | 深圳市美的连医疗电子股份有限公司 | 一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质 |
-
2021
- 2021-08-13 CN CN202110930067.5A patent/CN113642643B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130165757A1 (en) * | 2011-12-23 | 2013-06-27 | General Electric Company | Method, arrangement, sensor, and computer program product for non-invasively measuring hemoglobin concentrations in blood |
CN107908928A (zh) * | 2017-12-21 | 2018-04-13 | 天津科技大学 | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 |
WO2019158385A1 (en) * | 2018-02-13 | 2019-08-22 | Robert Bosch Gmbh | A controller and method to determine incident intensity of a light source and total hemoglobin |
CN109378072A (zh) * | 2018-10-13 | 2019-02-22 | 中山大学 | 一种基于集成学习融合模型的异常空腹血糖值预警方法 |
CN112233721A (zh) * | 2020-09-30 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于血红蛋白浓度分析预测系统及其设备 |
CN112545461A (zh) * | 2020-12-05 | 2021-03-26 | 深圳市美的连医疗电子股份有限公司 | 一种无创血红蛋白浓度值的检测方法、装置、系统及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115944293A (zh) * | 2023-03-15 | 2023-04-11 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
CN115944293B (zh) * | 2023-03-15 | 2023-05-16 | 汶上县人民医院 | 一种基于神经网络的肾脏透析用血红蛋白水平预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113642643B (zh) | 2024-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
Zhu et al. | Electrocardiogram generation with a bidirectional LSTM-CNN generative adversarial network | |
Singh et al. | A new ECG denoising framework using generative adversarial network | |
JP7337788B2 (ja) | 機械学習法において使用するゲノムの発見 | |
CA3069891A1 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
CN114359666A (zh) | 多模态融合的肺癌患者疗效预测方法、系统、装置及介质 | |
Guo et al. | A supervised machine learning semantic segmentation approach for detecting artifacts in plethysmography signals from wearables | |
CN107613856A (zh) | 一种信号获取方法与系统 | |
Islam et al. | Cascade and parallel combination (CPC) of adaptive filters for estimating heart rate during intensive physical exercise from photoplethysmographic signal | |
CN110946566A (zh) | 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质 | |
CN114557691B (zh) | 基于多波长的ppg信号的无创血脂检测方法及系统 | |
EP4193913B1 (en) | Vital sign detection method and electronic device | |
Tang et al. | Robust reconstruction of electrocardiogram using photoplethysmography: A subject-based Model | |
CN113642643A (zh) | 一种血红蛋白浓度预测回归模型的训练、应用方法及系统 | |
Ankışhan | Blood pressure prediction from speech recordings | |
Lee et al. | Lstc-rppg: Long short-term convolutional network for remote photoplethysmography | |
CN117238510B (zh) | 一种基于深度学习的脓毒症预测方法及系统 | |
CN117349600B (zh) | 一种基于双模态双输入的心音心电联合诊断方法及系统 | |
Zishan et al. | Dense neural network based arrhythmia classification on low-cost and low-compute micro-controller | |
CN113693611A (zh) | 基于机器学习的心电数据分类方法及装置 | |
Ontiveros et al. | Evaluating RGB channels in remote photoplethysmography: a comparative study with contact-based PPG | |
He et al. | Dual attention convolutional neural network based on adaptive parametric ReLU for denoising ECG signals with strong noise | |
CN114869276A (zh) | 一种无创血红蛋白浓度检测方法及系统 | |
CN115171896A (zh) | 一种重症患者长期死亡风险预测系统及方法 | |
CN114758400A (zh) | 一种非接触式人体血氧饱和度检测方法、装置及设备 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 306, building 4, future venture Plaza, hi tech Zone, Jinan City, Shandong Province Applicant after: Shandong Zhongke advanced technology Co.,Ltd. Address before: Room 306, building 4, future venture Plaza, hi tech Zone, Jinan City, Shandong Province Applicant before: Shandong Zhongke Advanced Technology Research Institute Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant |