CN113662564B - 一种基于本征模函数相干分析的事件诱发电位提取装置 - Google Patents
一种基于本征模函数相干分析的事件诱发电位提取装置 Download PDFInfo
- Publication number
- CN113662564B CN113662564B CN202111120174.8A CN202111120174A CN113662564B CN 113662564 B CN113662564 B CN 113662564B CN 202111120174 A CN202111120174 A CN 202111120174A CN 113662564 B CN113662564 B CN 113662564B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- eigenmode function
- event
- component
- signal
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于本征模函数相干分析的事件诱发电位提取装置,该发明的主要技术特点包括:通过脑电测试系统采集包含自发脑电和事件刺激下诱发脑电混合信号;将脑电混合信号经过预处理后输入本征模函数序列获取单元进行分解并获得合格的IMFs序列;然后将上述IMFs分量序列输入到IMFs相干分析及筛选单元,并结合刺激前自发脑电信号的特性,计算每个IMFs分量与该信号刺激前自发脑电的相干值,筛选并排除与自发脑电信号相干性最大的IMF分量;再将剩下的分量进行重组,所得重组信号即为事件诱发信号。本发明是基于脑电信号自身的局部特征来快速有效地提取到高质量的ERP信号,对先验知识和重复刺激次数无固定要求,相对传统叠加平均方法提取更高效和更准确。
Description
技术领域
本发明是一项事件相关电位的提取方法及装置,属于生物医学信号处理技术领域,特别涉及一种基于本征模函数相干分析的事件诱发电位提取方法及装置。
背景技术
大脑皮质在活动时会有大量神经元同步发生突触后电位,经总和就形成了成分复杂且不规则的脑电信号(Electroencephalogram,EEG)。脑电信号的强度是很微弱,不能在头皮被记录到单个神经元电活动,只有神经元群的同步放电才能记录到。正常的自发脑电一般处于几微伏到几十微伏之间,而通过外加一个或多个(或多样)的刺激作用于感觉系统或脑的某一部位,在给予刺激或撤消刺激时就会引起脑区的电位变化,即事件相关电位(event-related potential,ERP),它反映了认知过程中大脑神经电生理的变化。一般刺激诱发的ERP波幅约2~10mV,比自发电位(EEG)小很多;所以ERP通常都是淹埋在自发脑电中,两者构成小信号与大噪音的关系,进而对ERP的提取和研究造成了极大困难。
报道显示ERPs通常起源于皮层锥体神经元的突触后电位,是通过细胞膜的离子流响应与突触后细胞受体结合的神经递质而产生的。当突触后电位同时发生时,场电位总和在头皮上被检测。这就给早期ERP成分的提取提供了一定思路:将由多段相同刺激的脑电进行叠加,由于自发脑电或噪音是随机变化,有高有低,相互叠加时就出现正负抵消的情况;而ERP信号则有两个恒定,所以不会被抵消,反而其波幅会不断增加,当叠加到一定次数后ERP信号就会显现出来。但这种方法不仅需要大量的重复刺激测试(通常次数>100次),也会造成过多人力和资源耗费,而且每次实验并不是都会获得理想诱发脑电,实际操作过程中的随机性较大,持续反复刺激也会导致被试情绪发生变化,进而对ERP的研究结果造成影响。
虽然近年来也有不少研究报告提出多种提取ERP的其他方法,如AR模型,神经网络算法、独立成分分析,主成分分析等方法。但由于大脑神经对每次刺激的自适应和疲劳性,每次刺激所导致ERP的幅度和潜伏期等参数不完全相同,多数方法就无法充分反映单次诱发电位的潜伏期和幅度等信息。加之各种方法内在的局限性和适用性都有所不同,所以目前仍没有一种较好地适用所有类型的事件诱发电位提取算法。
发明内容
为了克服现有ERP提取技术存在的一些缺陷,降低重复刺激带来提取效果的不确定性,提高ERP的提取精度和实用性。本发明提出了一项基于本征模函数相干分析的事件诱发电位提取方法及装置,该发明充分利用了数据自身的时间尺度特征来自适应地分解信号,将原始脑电信号分解成若干个内涵模态分量(IMFs分量),反映出信号自身的局部特征;再结合自发脑电进行频域上的相干分析筛选出刺激后脑电信号中的自发分量,将其排除进而精确快速地提取每次刺激的ERP信号。本发明对先验知识和重复刺激次数无固定要求,相对传统叠加平均方法提取更高效和更准确,在提取单通道单次刺激的ERP信号时仍具有良好效果,为后续ERP信号研究及应用提供帮助。
本发明通过下述技术方案实现:一种基于本征模函数相干分析的事件诱发电位提取装置,该装置包括:脑电混合信号采集及预处理单元、本征模函数序列(IMFs)获取单元、本征模函数序列的相干分析及筛选单元、事件诱发脑电信号重组单元;
所述脑电混合信号采集及预处理单元采集事件刺激前后的脑电混合信号,并将脑电混合信号进行基线校准、平均参考、带通滤波等预处理;然后传输给本征模函数序列获取单元;
所述本征模函数序列获取单元对完成预处理的脑电混合信号每一个通道进行经验模态分解,获得每个通道脑电混合信号的所有中间信号;然后利用经验模态算法中IMF分量的两个约束条件判断各中间信号是否为合格IMF分量,筛选出各通道合格的IMF分量并构成该通道的本征模函数序列;再将该序列传输给本征模函数序列的相干分析及筛选单元;
所述本征模函数序列的相干分析及筛选单元,是以事件刺激点作为分界点,分别提取一段脑电混合信号采集及预处理单元所得的事件刺激点前的脑电信号(即作为参考的自发脑电信号)和本征模函数序列获取单元所得的事件刺激点后相同长度本征模函数序列,并计算事件刺激点前自发脑电信号和刺激后本征模函数序列中各本征模函数分量的相干值并排序,筛选出事件刺激点后相干性最大的IMF分量,并根据该IMF分量的相干分析情况判断是否进行二级经验模态分解;
若需进行二级经验模态分解,则再次计算二级分解后的本征模函数序列与事件刺激点前自发脑电参考信号的相干值,筛选出相干值最大的本征模函数分量并置零;同时将完成处理的事件刺激点后两级IMF分量均传输到事件诱发脑电信号重组单元;
所述事件诱发脑电信号重组单元首先剔除收到的各级本征模函数分量的残余分量,利用剩下的本征模函数分量进行脑电信号重组,得到该通道事件诱发脑电信号。
进一步的,所述本征模函数序列获取单元中判断中间信号为合格本征模函数分量的方法为:
1)、在中间信号序列中,极值点的个数N和过零点的个数必须相等或最多相差不能超过1个,所述极值点包含极大值和极小值;
2)、任意时间点信号序列的局部极大值与局部极小值分别构成的上包络线fmax(t)与下包络线fmin(t)的平均值须为0,即整个序列的波形必须是局部对称的,满足Mean(fmax(t)+fmin(t))=0;
进一步的,所述本征模函数序列的相干分析及筛选单元中根据本征模函数分量的相干分析情况判断是否进行二级分解的方法:
1)在一级EMD分解中,若本征模函数序列的相干分析及筛选单元找出的相干值最大IMF分量为第1个IMF高频分量,将该分量直接置零,不进行二级EMD分解;
2)若一级EMD分解后第1个IMF高频分量不是筛选所得相干值最大的IMF分量,将第1个IMF高频分量输入到本征模函数序列的相干分析及筛选单元进行二级EMD分解,并利用本征模函数序列的相干分析及筛选单元再次筛选出相干值最大的二级IMF分量,同时将一级EMD分解和二级EMD分解后相干值最大的IMF分量分别置零;
本发明提出了一种基于本征模函数相干分析的事件诱发电位提取装置,充分利用数据自身的时间尺度特征来自适应地进行脑电信号分解,将原始脑电混合信号分解成若干个反映出信号自身的局部特征的内涵模态分量(IMFs分量);再结合自发脑电进行相干分析,进而精确快速地提取单通道单次刺激的ERP信号。本发明相对于传统叠加平均方法既提高提取的效率和准确度及鲁棒性,同时对重复刺激次数也没有太高要求,提取的ERP成分更明显,曲线更加平滑。此外,本发明可以将ERP提取处理的整个流程有效地融合在一个装置中高效完成,具有较好集成性和便携性,能为ERP的后续研究提供了一定帮助。
附图说明
图1是本发明装置的具体操作流程和结构框图
图2是利用经验模态分解FC3通道脑电信号筛选的IMFs序列
图3是本发明与传统叠加平均提取FC3通道事件诱发电位的效果对比图
图4是本发明提取全脑64通道的事件诱发电位及原始脑电信号示意图
具体实施方式
为了便于本领域的普通技术人员更好地对本发明进行理解和实施,下面结合附图及实施例对本发明进一步阐述,此处具体实施示例用于解释本发明,但本发明的实施方式不限于此。下面结合具体实施例和附图,阐述本发明所包含的实施步骤如下:
1、脑电混合信号采集及预处理单元
A、首先通过64通道脑电测试系统记录事件刺激(如图片刺激)前后的脑电混合信号(采样率为1000Hz),同时将重复刺激次数设置为65次,每次刺激的记录时长为1200ms(包含刺激前200ms和刺激后1000ms),同时将记录的脑电混合信号进行基线校准、平均参考、带通滤波等预处理,继而获得一段包含事件诱发电位的三维信号(即64*1200*65)。
2、本征模函数序列(IMFs)获取单元
B、提取预处理后一个通道单次刺激的整段EEG信号(如X(t))输入本征模函数序列(IMFs)获取单元进行经验模态分解处理,获得该通道所包含的若干个中间信号R(t)(附图2是FC3通道EMD分解所得中间信号);
C、利用经验模态算法中IMFs分量的约束条件判断上述中间信号是否为合格的IMF分量,最终筛选出该通道满足条件的IMF分量序列(附图中FC3通道分解为5个合格的IMFs和1个Res)。经验模态分解具体步骤如下:
1)、找出输入该通道脑电信号(EEG(t))的所有局部极大值和极小值点;
2)、对极值点进行包络线拟合;利用样条插值函数将所有极大值点拟合成上包络线Up_envelop(t);同理将所有极小值点拟合出下包络线Low_envelop(t),然后再出计算上下包络线的均值包络信号Mean_EEG(t);
3)、利用输入原信号EEG(t)减去均值包络线Mean_EEG(t),即得到一个中间信号R(t);重复上述过程即可获得若干个中间信号R(t)。
4)、判断每个中间信号R(t)是否满足IMF分量的两个约束条件,如果满足则是获得一个合格的IMF分量,不满足则返回上步进行反复迭代;
5)、若中间分量R(t)满足约束条件,即成为第一个高频分量并记为IMF1,而均值包络线Mean(t)相对与IMF1是低频分量。然后将Mean(t)重新当作输入原信号继续分解得到下一个IMF,直至残余分量是单调函数或常量时,停止分解。通常残余分量记为Res(t)。
3、IMFs分量的相干分析及筛选单元
D、以事件刺激点作为分界点,提取刺激点之前的200ms的脑电信号EEG_before(t)作为参考信号(即自发脑电信号);同时截取相同长度刺激后的IMFs(t)分量作为相干分析的目标信号(即包含事件诱发电位的脑电混合信号);
E、对目标信号IMFs(t)和参考信号EEG_before(t)进行频域上的相干分析,计算出每个IMF分量与自发脑电信号间的相干值,筛选出一级EMD分解后相干性最大的IMF分量,本实施例中相干值最大的IMF分量为第1个IMF高频分量,无需进行二级EMD分解。
4、事件诱发脑电信号重组单元
F、将筛选获得的相干性最大的IMF分量置零,同时剔除经验模态分解的残余分量Res(t)。利用每级筛选后的IMFs分量进行叠加重组脑电信号,所得重组信号即为该通道的事件诱发脑电信号。
G、针对多次重复刺激试验(如上述刺激次数为65次),可重复上述过程获得该通道每次刺激所产生的事件诱发电位,求取平均值即为多次重复刺激下该通道平均的事件诱发电位。同时也可对全脑的所有通道重复完成上述步骤,即可获得全脑64通道的事件诱发脑电信号。
为了进一步说明本发明的有益效果,我们将本发明装置与传统叠加平均方法提取的ERP信号进行了对比。如附图3,实施例中本发明相对于传统叠加平均方法在提取通道FC3时只需较少重复刺激次数就能达到良好的提取效果(25次左右大部分ERP成分已呈现),同时本发明提取效率和准确率均更高(本发明提取的ERP信号与参考标准诱发脑电的相干性值约为0.8953,而传统方法叠加平均60次后所得相干性值仅有0.7955)。此外如附图4所示,本发明对全脑64通道的脑电信号进行提取处理,结果显示基本所有通道均能提取出一定的ERP成分,进一步表明本发明具有较强普遍性和实用性。本发明可以将ERP提取处理的整个流程有效地融合在一个装置中高效完成,也具有较好集成性和便携性,为后续ERP的研究提供了一定帮助。
Claims (2)
1.一种基于本征模函数相干分析的事件诱发电位提取装置,该装置包括:脑电混合信号采集及预处理单元、本征模函数序列获取单元、本征模函数序列的相干分析及筛选单元、事件诱发脑电信号重组单元;
所述脑电混合信号采集及预处理单元采集事件刺激前后的脑电混合信号,并将脑电混合信号进行基线校准、平均参考、带通滤波等预处理;然后传输给本征模函数序列获取单元;
所述本征模函数序列获取单元对完成预处理的脑电混合信号每一个通道进行经验模态分解,获得每个通道脑电混合信号的所有中间信号;然后利用经验模态算法中IMF分量的两个约束条件判断各中间信号是否为合格IMF分量,筛选出各通道合格的IMF分量并构成该通道的本征模函数序列;再将该序列传输给本征模函数序列的相干分析及筛选单元;
所述本征模函数序列的相干分析及筛选单元,是以事件刺激点作为分界点,分别提取一段脑电混合信号采集及预处理单元所得的事件刺激点前的脑电信号和本征模函数序列获取单元所得的事件刺激点后相同长度本征模函数序列,并计算事件刺激点前自发脑电信号和刺激后本征模函数序列中各本征模函数分量的相干值并排序,筛选出事件刺激点后相干性最大的IMF分量,并根据该IMF分量的相干分析情况判断是否进行二级经验模态分解;
若需进行二级EMD分解,则再次计算二级分解后的本征模函数序列与事件刺激点前自发脑电参考信号的相干值,筛选出相干值最大的本征模函数分量并置零;同时将完成处理的事件刺激点后两级IMF分量均传输到事件诱发脑电信号重组单元;
所述事件诱发脑电信号重组单元首先剔除收到的各级本征模函数分量的残余分量,利用剩下的本征模函数分量进行脑电信号重组,得到该通道事件诱发脑电信号;
所述本征模函数序列的相干分析及筛选单元中根据本征模函数分量的相干分析情况判断是否进行二级EMD分解的方法:
1)在一级EMD分解中,若本征模函数序列的相干分析及筛选单元找出的相干值最大IMF分量为第1个IMF高频分量,将该分量直接置零,不进行二级EMD分解;
2)若一级EMD分解后第1个IMF高频分量不是筛选所得相干值最大的IMF分量,将第1个IMF高频分量输入到本征模函数序列的相干分析及筛选单元进行二级EMD分解,并利用本征模函数序列的相干分析及筛选单元再次筛选出相干值最大的二级IMF分量,同时将一级EMD分解和二级EMD分解后相干值最大的IMF分量分别置零。
2.如权利要求1所述的一种基于本征模函数相干分析的事件诱发电位提取装置,其特征在于,所述本征模函数序列获取单元中判断中间信号为合格本征模函数分量的方法为:
1)、在中间信号序列中,极值点的个数N和过零点的个数必须相等或最多相差不能超过1个,所述极值点包含极大值和极小值;
2)、任意时间点信号序列的局部极大值与局部极小值分别构成的上包络线fmax(t)与下包络线fmin(t)的平均值须为0,即整个序列的波形必须是局部对称的,满足Mean(fmax(t)+fmin(t))=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111120174.8A CN113662564B (zh) | 2021-09-24 | 2021-09-24 | 一种基于本征模函数相干分析的事件诱发电位提取装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111120174.8A CN113662564B (zh) | 2021-09-24 | 2021-09-24 | 一种基于本征模函数相干分析的事件诱发电位提取装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113662564A CN113662564A (zh) | 2021-11-19 |
CN113662564B true CN113662564B (zh) | 2022-10-14 |
Family
ID=78549994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111120174.8A Active CN113662564B (zh) | 2021-09-24 | 2021-09-24 | 一种基于本征模函数相干分析的事件诱发电位提取装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113662564B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102755162A (zh) * | 2012-06-14 | 2012-10-31 | 天津大学 | 一种基于视听认知事件相关脑电的身份识别方法 |
AU2019100848A4 (en) * | 2019-08-01 | 2019-09-05 | Hamelin, Nicolas Dr | A system for leadership skills measurement |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPP354798A0 (en) * | 1998-05-15 | 1998-06-11 | Swinburne Limited | Decentralised patient management system |
CN1954772A (zh) * | 2006-10-17 | 2007-05-02 | 重庆医科大学 | 诱发电位单次提取的自参考自相关自适应干扰对消方法 |
WO2009057278A1 (ja) * | 2007-10-29 | 2009-05-07 | Panasonic Corporation | 脳波インタフェースシステムに組み込まれる補正装置、方法およびコンピュータプログラム |
US20120310105A1 (en) * | 2011-05-31 | 2012-12-06 | Massachusetts Institute Of Technology | Monitoring task engagement using beta oscillations |
CN105069440A (zh) * | 2015-08-19 | 2015-11-18 | 杭州电子科技大学 | 基于na-memd和互信息的脑电imf分量选择方法 |
US20190321638A1 (en) * | 2015-11-18 | 2019-10-24 | David J. Mogul | Method and apparatus for preventing or terminating epileptic seizures |
CN108459714B (zh) * | 2018-03-05 | 2021-06-01 | 东南大学 | 基于mi和ssvep双范式的少通道异步控制脑机接口系统 |
CN110141211B (zh) * | 2019-06-13 | 2020-12-08 | 西安交通大学 | 一种基于经验模态分解的稳态视觉诱发电位的分类方法 |
-
2021
- 2021-09-24 CN CN202111120174.8A patent/CN113662564B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102755162A (zh) * | 2012-06-14 | 2012-10-31 | 天津大学 | 一种基于视听认知事件相关脑电的身份识别方法 |
AU2019100848A4 (en) * | 2019-08-01 | 2019-09-05 | Hamelin, Nicolas Dr | A system for leadership skills measurement |
Also Published As
Publication number | Publication date |
---|---|
CN113662564A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Nonlinear alignment and averaging for estimating the evoked potential | |
CN111329474A (zh) | 基于深度学习的脑电身份识别方法、系统及信息更新方法 | |
CN110575164B (zh) | 脑电信号伪迹去除方法及计算机可读存储介质 | |
Mucarquer et al. | Improving EEG muscle artifact removal with an EMG array | |
US20070225932A1 (en) | Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis | |
CN103019383A (zh) | 一种稳态视觉诱发电位脑—机接口信号识别方法 | |
Lerousseau et al. | Frequency selectivity of persistent cortical oscillatory responses to auditory rhythmic stimulation | |
Yang et al. | Noise characterization, modeling, and reduction for in vivo neural recording | |
Euán et al. | Spectral synchronicity in brain signals | |
CN112450947A (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
Qian et al. | Decision-level fusion of EEG and pupil features for single-trial visual detection analysis | |
Manting et al. | Auditory steady-state responses during and after a stimulus: Cortical sources, and the influence of attention and musicality | |
CN111616702A (zh) | 一种基于认知负荷增强的测谎分析系统 | |
Schelenz et al. | Multisensory integration of dynamic emotional faces and voices: method for simultaneous EEG-fMRI measurements | |
CN113662564B (zh) | 一种基于本征模函数相干分析的事件诱发电位提取装置 | |
Gourévitch et al. | Maximum decoding abilities of temporal patterns and synchronized firings: application to auditory neurons responding to click trains and amplitude modulated white noise | |
CN116662736A (zh) | 一种基于深度学习混合模型的人体状态评估方法 | |
CN116098637A (zh) | 一种基于ica优化校正脑电微状态的大脑功能评测装置 | |
Miwakeichi et al. | Detection and visualization method of dynamic state transition for biological spatio-temporal imaging data | |
Farashi | Spike detection using a multiresolution entropy based method | |
CN116158762B (zh) | 一种基于多个生理参数的用户心理状态评估方法及系统 | |
Bodnar et al. | Temporal population code of concurrent vocal signals in the auditory midbrain | |
CN110393527B (zh) | 基于beamforming和CCA的稳态视觉诱发电位检出方法 | |
Miwakeichi | Extraction of neural activation from biological spatio-temporal imaging data using autoregressive model-based filtering technique | |
Bernard et al. | Functional brain imaging by eeg graph-matching |
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 |