CN113777200A - 一种基于电子舌数据预测黄酒中谷氨酸含量的方法 - Google Patents
一种基于电子舌数据预测黄酒中谷氨酸含量的方法 Download PDFInfo
- Publication number
- CN113777200A CN113777200A CN202111092169.0A CN202111092169A CN113777200A CN 113777200 A CN113777200 A CN 113777200A CN 202111092169 A CN202111092169 A CN 202111092169A CN 113777200 A CN113777200 A CN 113777200A
- Authority
- CN
- China
- Prior art keywords
- data
- yellow wine
- electronic tongue
- glutamic acid
- low
- 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
- 235000014101 wine Nutrition 0.000 title claims abstract description 77
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 235000013922 glutamic acid Nutrition 0.000 title claims abstract description 42
- 239000004220 glutamic acid Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims description 13
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 6
- 101100151946 Caenorhabditis elegans sars-1 gene Proteins 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 2
- 210000002105 tongue Anatomy 0.000 description 38
- 230000008569 process Effects 0.000 description 4
- 235000019991 rice wine Nutrition 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 235000001014 amino acid Nutrition 0.000 description 3
- 150000001413 amino acids Chemical class 0.000 description 3
- 239000000796 flavoring agent Substances 0.000 description 3
- 235000019634 flavors Nutrition 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明的目的就是为了克服黄酒中谷氨酸检测方法的速度慢、成本高等缺陷而提供一种简便快捷、低成本、无污染的检测方法。通过对黄酒直接进行电子舌扫描,得到黄酒的电子舌数据,再通过映射转化得到基于电子舌中间数据,基于电子舌中间数据,利用支持向量机算法建立谷氨酸的定量预报模型。利用建立的定量预报模型可以实现对新的黄酒样品中的谷氨酸快速检测。
Description
技术领域
本发明涉及黄酒成分分析检测技术领域,尤其是涉及一种基于电子舌数据预测黄酒中谷氨酸含量的方法。
背景技术
黄酒是中华民族传统酒,也是华夏瑰宝和酒中奇葩。随着我国经济的快速发展、人民生活质量的提高和健康意识的增强,黄酒以其低度、营养、安全和保健的特征越来越受到消费者的喜爱。黄酒中的成分,特别是挥发性风味物质决定这黄酒的口感和品质,但目前对于这些成分的检测主要通过高效液相色谱法、气相色谱法等来完成,但由于还不太成熟,缺少相关标准,或由于价格昂贵,很多还只限于试验室阶段。所以,为了满足消费者对黄酒品质质量要求以及提高黄酒企业在日趋激烈的竞争中的优势,从而促进黄酒消费市场扩大、产品的出口创汇和黄酒行业的健康发展,探求一种能对黄酒中的挥发性风味物质进行快速的检测的新方法显得日益迫切和重要。
电子舌技术是世纪年代中期发展起来的一种分析、识别液体“味道”的新型检测手段。利用电子舌对黄酒挥发性风味物质进行检测,优点也很突出首先,不需要对样品进行任何预处理,直接对样品进行检测其次,检测速度快,电子舌检测一个样只需凡十秒到几分钟,相比其他仪器要快很多。
黄酒中的挥发性风味物质比较多,本专利针对黄酒中的谷氨酸进行检测,尝试基于黄酒电子舌数据建立谷氨酸含量的定量预报模型。通过建立的定量模型实现黄酒中谷氨酸的快速检测,为黄酒企业服务。
发明内容
本发明的目的就是为了克服黄酒中谷氨酸检测方法的速度慢、成本高等缺陷而提供一种简便快捷、低成本、无污染的检测方法。通过对黄酒直接进行电子舌扫描,得到黄酒的电子舌数据,再通过映射转化得到基于电子舌中间数据,基于电子舌中间数据,利用支持向量机回归算法建立谷氨酸的定量预报模型。
本发明的目的可以通过以下技术方案来实现:
一种基于电子舌数据预测黄酒中谷氨酸含量的方法,包括以下步骤:
1)收集多个不同品牌的黄酒样品,分别取少量样品直接进行电子舌扫描,得到黄酒样品的电子舌数据,电子舌数据由847维数据构成。利用高效液相色谱法检测黄酒样品中的谷氨酸含量。黄酒的电子舌和谷氨酸含量数据构成了快速检测模型的基础数据。
2)由于电子舌数据由847维构成,因此采用映射函数将高维数据映射到低维空间,得到其低维数据。基础数据转化成了由低维数据和谷氨酸含量数据构成中间数据;
3)基于中间数据,采用支持向量机回归算法建立黄酒中谷氨酸的预测模型;
4)收集新的黄酒样本,对其电子舌扫描,将得到的电子舌数据代入映射函数得到新的黄酒样品的低维数据,最后将新的黄酒样品的低维数据代入支持向量机回归模型,直接预测出新的黄酒样品的谷氨酸含量。
与现有技术相比,本发明具有以下优点:
一、低成本:虽然本专利在前面工作中也需要用高效液相色谱法完成对黄酒样品谷氨酸的检测,但等到预报模型建立后,新的需要检测谷氨酸含量的黄酒样本就不在需要高效液相色谱法进行检测了,而是直接扫描电子舌,直接代入模型进行预报,这样后期节约很多成本。
二、无污染:本发明在谷氨酸定量模型建立之后,对新的黄酒样本进行谷氨酸预报过程中,是直接用电子舌仪器检测,整个过程中不用到化学药品,对环境没有污染。
三、测试简单:电子舌仪器几秒钟就可以完成一个样品的检测,而且整个过程仅需一人即可完成,检测快捷和简单。
附图说明
图1为黄酒样品的电子舌数据图。
图2为黄酒中谷氨酸支持向量机预报模型建模结果图。
图3为黄酒中谷氨酸支持向量机预报模型留一法结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例:
一种基于电子舌数据预测黄酒中谷氨酸含量的方法。包括如下步骤:
(1)收集多个不同品牌的黄酒样品18个,分别取少量样品直接进行电子舌扫描,得到黄酒样品的电子舌数据。电子舌仪器由7根传感器构成,每根传感器可以收集到121个数据,这样总的电子舌数据由847维数据构成。利用高效液相色谱法检测18个黄酒样品中的谷氨酸含量。这样黄酒样品的电子舌和谷氨酸含量数据构成了快速检测模型的基础数据,基础数据是18*847的数据矩阵。黄酒电子舌数据如图1所示。黄酒电子舌部分示例数据如表1所示。
表1 电子鼻部分示例数据
SRS_0 | SRS_1 | GPS_0 | GPS_1 | STS_0 | STS_1 | UMS_0 | UMS_1 | SPS_0 | SPS_1 | SWS_0 | SWS_1 | BRS_0 | BRS_1 |
1642.96 | 1641.13 | 1555.40 | 1565.77 | 1085.24 | 1077.92 | 1508.11 | 1496.21 | 1089.82 | 1087.68 | 1373.26 | 1350.98 | 1885.82 | 1883.38 |
1471.19 | 1467.53 | 1606.96 | 1600.86 | 1252.74 | 1244.20 | 1352.51 | 1342.14 | 1339.08 | 1321.39 | 1250.00 | 1210.64 | 1930.37 | 1930.37 |
1605.74 | 1618.86 | 1635.03 | 1621.61 | 1170.97 | 1172.50 | 1307.96 | 1302.47 | 1253.05 | 1242.06 | 1256.71 | 1216.43 | 1914.81 | 1915.72 |
1446.48 | 1441.60 | 1597.81 | 1595.98 | 1256.10 | 1257.01 | 1353.73 | 1371.43 | 1323.52 | 1317.12 | 1242.98 | 1210.33 | 1926.10 | 1921.22 |
1388.51 | 1387.90 | 1613.67 | 1597.81 | 935.74 | 939.40 | 1398.88 | 1392.17 | 1260.67 | 1247.55 | 1509.03 | 1496.52 | 2044.48 | 2043.26 |
1318.95 | 1400.10 | 1389.12 | 1411.09 | 965.64 | 1012.02 | 1484.31 | 1492.55 | 1356.78 | 1364.71 | 1897.42 | 1753.41 | -525.99 | -525.08 |
1613.67 | 1625.27 | 1536.79 | 1526.42 | 1013.54 | 1021.17 | 1428.78 | 1431.83 | 1235.66 | 1231.69 | 1392.78 | 1378.14 | 2030.75 | 2029.83 |
1618.25 | 1633.20 | 1545.94 | 1537.70 | 954.05 | 937.57 | 1416.58 | 1403.77 | 1210.94 | 1204.23 | 1433.06 | 1422.07 | 2046.92 | 2043.87 |
1538.62 | 1542.89 | 1578.28 | 1570.96 | 1008.36 | 1013.54 | 1458.68 | 1451.97 | 1282.34 | 1276.84 | 1402.55 | 1390.95 | 2028.61 | 2030.44 |
1563.64 | 1567.30 | 1592.93 | 1583.16 | 1016.29 | 1017.20 | 1442.82 | 1432.14 | 1251.52 | 1244.50 | 1389.73 | 1379.66 | 2027.39 | 2024.95 |
1547.77 | 1554.48 | 1589.88 | 1584.38 | 1016.59 | 1019.95 | 1449.53 | 1442.21 | 1255.49 | 1247.55 | 1433.36 | 1421.77 | 2033.49 | 2035.32 |
1623.74 | 1630.76 | 1589.27 | 1578.59 | 1033.37 | 1023.00 | 1480.96 | 1449.53 | 1261.59 | 1248.77 | 1406.82 | 1397.97 | 2031.36 | 2028.00 |
(2)对18*847的数据矩阵的基础数据,采用映射函数将高维数据映射到低维空间,得到其低维数据,我们取前10维的低维数据。这些低维数据是过程中也损失了部分信息,但不影响建模结果。基础数据转化成了由低维847维数据的线性组合,因此这些低维数据包含了大量的原始数据信息,当然在映射数据和谷氨酸含量数据构成中间数据,中间数据是18*10的数据矩阵。部分映射函数如下:
P1=+3.417E-4[SRS_0]+3.152E-4[SRS_1]+3.358E-4[SRS_2]+……+3.210E-5[BRS_119]+3.220E-5[BRS_120]-62.214
……
P10=-8.511E-4[SRS_0]-6.174E-4[SRS_1]-3.195E-4[SRS_2]+……+1.590E-5[BRS_119]+1.250E-5[BRS_120]+2.014
映射转化后的部分电子舌数据如表2所示。
表2 映射转化后的部分电子舌数据
P<sub>1</sub> | P<sub>2</sub> | P<sub>3</sub> | P<sub>4</sub> | P<sub>5</sub> | P<sub>6</sub> | P<sub>7</sub> | P<sub>8</sub> | P<sub>9</sub> | P<sub>10</sub> |
39.74 | 7.99 | -15.30 | 1.99 | 9.65 | -0.27 | -0.59 | 0.23 | -0.03 | 0.25 |
-5.02 | -0.24 | 7.12 | -3.98 | 16.07 | -1.63 | -0.41 | -0.30 | 0.46 | 0.87 |
4.81 | 8.28 | 13.26 | -3.22 | 8.81 | -6.02 | -0.66 | 1.95 | 1.03 | -0.17 |
-7.10 | -1.32 | 3.96 | -4.24 | 18.65 | 1.97 | -0.51 | -0.53 | -1.72 | -0.38 |
-3.38 | -17.11 | -3.73 | -2.00 | -10.37 | -5.29 | -0.37 | 4.52 | 0.02 | 0.95 |
-10.84 | 8.62 | -7.03 | 3.01 | -0.30 | -15.71 | 2.16 | -2.74 | 0.55 | 0.19 |
3.20 | -3.07 | 8.63 | 7.76 | -1.04 | 4.30 | 0.26 | 0.97 | 1.57 | 0.09 |
3.92 | -3.32 | 9.15 | 6.10 | -8.07 | 0.12 | -0.87 | -1.37 | -2.69 | 1.25 |
0.53 | -6.38 | 3.02 | 1.31 | -3.80 | 1.93 | 0.13 | -0.68 | 1.12 | 0.00 |
2.97 | -6.71 | 3.93 | 2.92 | -2.40 | 0.57 | 0.18 | -0.31 | 0.28 | -1.25 |
3.18 | -5.98 | 2.95 | 1.83 | -3.15 | 0.71 | 0.89 | -0.31 | -0.60 | -0.48 |
4.22 | -0.73 | 2.61 | -1.63 | -6.66 | 1.42 | 0.54 | 0.20 | 1.03 | -0.52 |
2.14 | -4.80 | 3.19 | 1.86 | -0.23 | 3.06 | 1.05 | -1.63 | -0.33 | -0.36 |
(3)根据中间数据,采用支持向量机回归算法建立黄酒中谷氨酸的预测模型。对于支持向量机算法的参数,本专利选择线性核函数,惩罚因子取55,不敏感函数取0.03。
(4)收集2个新的黄酒样本,对其电子舌扫描,将得到的电子舌数据代入映射函数得到新的黄酒样品的低维数据,最后将新的黄酒样品的低维数据代入支持向量机回归模型,直接预测出2个新的黄酒样品的谷氨酸含量。
实施例1:18个黄酒样品氨基酸支持向量机预报模型的建模结果
利用支持向量机回归算法对基于18个黄酒电子舌数据的中间数据建立谷氨酸定量预报建模。建模结果的谷氨酸计算值和实验检测值的相关系数0.99。结果如图1所示。
实施例2:18个黄酒样品氨基酸支持向量机预报模型的留一法检验结果
基于18个黄酒样品的电子舌数据建立氨基酸支持向量机预报模型,其留一法检验结果如图2所示。留一法检验结果的谷氨酸计算值和实验检测值的相关系数0.89。
实施例3:对2个新的黄酒样品谷氨酸进行预报
收集2个新的黄酒样本,对其电子舌扫描,将得到的电子舌数据代入映射函数得到新的黄酒样品的低维数据,最后将新的黄酒样品的低维数据代入支持向量机回归模型,直接预测出2个新的黄酒样品的谷氨酸数据。结果如表3所示。
表3 预测结果
样本序号 | 谷氨酸预报值(mg/l) |
1 | 90.15 |
2 | 118.93 |
Claims (2)
1.一种基于电子舌数据预测黄酒中谷氨酸含量的方法,其特征在于,包括以下步骤:
1)收集多个不同品牌的黄酒样品,分别取少量样品直接进行电子舌扫描,得到黄酒样品的电子舌数据,电子舌数据由847维数据构成,利用高效液相色谱法检测黄酒样品中的谷氨酸含量,黄酒的电子舌和谷氨酸含量数据构成了快速检测模型的基础数据;2)由于电子舌数据由847维构成,因此采用映射函数将高维数据映射到低维空间,得到其低维数据,基础数据转化成了由低维数据和谷氨酸含量数据构成中间数据;3)基于中间数据,采用支持向量机回归算法建立黄酒中谷氨酸的预测模型;4)收集新的黄酒样本,对其电子舌扫描,将得到的电子舌数据代入映射函数得到新的黄酒样品的低维数据,最后将新的黄酒样品的低维数据代入支持向量机回归模型,直接预测出新的黄酒样品的谷氨酸含量。
2.根据权利要求1所述的一种基于电子舌数据预测黄酒中谷氨酸含量的方法,其特征在于,所述的步骤2)中的映射函数将高维数据映射到低维空间,部分映射函数如下:
P1=+3.417E-4[SRS_0]+3.152E-4[SRS_1]+3.358E-4[SRS_2]+……+3.210E-5[BRS_119]+3.220E-5[BRS_120]-62.214;
P10=-8.511E-4[SRS_0]-6.174E-4[SRS_1]-3.195E-4[SRS_2]+……+1.590E-5[BRS_119]+1.250E-5[BRS_120]+2.014。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111092169.0A CN113777200A (zh) | 2021-09-17 | 2021-09-17 | 一种基于电子舌数据预测黄酒中谷氨酸含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111092169.0A CN113777200A (zh) | 2021-09-17 | 2021-09-17 | 一种基于电子舌数据预测黄酒中谷氨酸含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113777200A true CN113777200A (zh) | 2021-12-10 |
Family
ID=78851977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111092169.0A Pending CN113777200A (zh) | 2021-09-17 | 2021-09-17 | 一种基于电子舌数据预测黄酒中谷氨酸含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777200A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102645464A (zh) * | 2012-04-23 | 2012-08-22 | 上海应用技术学院 | 一种利用电子舌系统快速检测黄酒中氨基酸的方法 |
CA2869914A1 (en) * | 2012-04-16 | 2013-10-24 | Stephen Charles Trowell | Methods and systems for detecting an analyte or classifying a sample |
CN106560702A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 联合电子舌和色谱分离技术的武夷岩茶产地鉴别方法 |
CN110133050A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法 |
-
2021
- 2021-09-17 CN CN202111092169.0A patent/CN113777200A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2869914A1 (en) * | 2012-04-16 | 2013-10-24 | Stephen Charles Trowell | Methods and systems for detecting an analyte or classifying a sample |
CN102645464A (zh) * | 2012-04-23 | 2012-08-22 | 上海应用技术学院 | 一种利用电子舌系统快速检测黄酒中氨基酸的方法 |
CN106560702A (zh) * | 2016-10-20 | 2017-04-12 | 中国计量大学 | 联合电子舌和色谱分离技术的武夷岩茶产地鉴别方法 |
CN110133050A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 一种基于多传感器指纹图谱定性定量检测茶叶品质的方法 |
Non-Patent Citations (3)
Title |
---|
吴梦紫: "黄酒风味的智能感官评判方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
汤海青 等: "基于电子舌技术定量分析黄酒理化指标", 《农产品加工》 * |
黄嘉丽 等: "电子舌检测技术及其在食品领域的应用研究进展", 《中国调味品》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106501470B (zh) | 利用味觉系统与电子鼻联合评价芥辣酱风味等级的方法 | |
CN102645464B (zh) | 一种利用电子舌系统快速检测黄酒中氨基酸的方法 | |
Xu et al. | Rapid Pseudomonas species identification from chicken by integrating colorimetric sensors with near-infrared spectroscopy | |
CN110441423A (zh) | 一种测定粮食香气成分的方法及其系统 | |
CN103076317B (zh) | 白酒年份鉴别方法 | |
CN104865360A (zh) | 一种浓香型大曲质量评价方法及系统 | |
Jasso et al. | Assortative mating among married new legal immigrants to the United States: Evidence from the New Immigrant Survey Pilot | |
Huang et al. | Geographical origin discrimination of edible bird’s nests using smart handheld device based on colorimetric sensor array | |
Dai et al. | Detection of submerged fermentation of Tremella aurantialba using data fusion of electronic nose and tongue | |
CN104914225A (zh) | 一种基于嗅觉指纹信息预测果汁中澄清剂含量的方法 | |
CN103983676A (zh) | 一种基于气敏传感器技术的猪肉新鲜度快速无损检测的方法 | |
CN109490393B (zh) | 大曲中理化指标特征值提取方法曲料品质分析方法及系统 | |
EP1008952A3 (en) | System and method for identifying the geographic origin of a fresh commodity | |
CN113777200A (zh) | 一种基于电子舌数据预测黄酒中谷氨酸含量的方法 | |
CN117079724A (zh) | 一种基于谱聚类与单细胞拉曼光谱的细胞生长分析方法 | |
CN107764793A (zh) | 电子鼻对郫县豆瓣制曲过程中米曲霉发酵情况的检测方法 | |
CN107727711A (zh) | 一种啤酒酒体饱满性的评价方法 | |
CN104849327A (zh) | 一种基于味觉指纹信息预测果汁中苯甲酸含量的方法 | |
CN113624927A (zh) | 电子舌仪器结合支持向量机算法检测黄酒中苹果酸的含量 | |
CN105628741A (zh) | 一种基于电子鼻的数据空间转换的猪肉风味自动分类方法 | |
CN113176353A (zh) | 基于可视化技术的香醋风味嗅觉-味觉交互表征方法 | |
Yao et al. | Study on Composition Analysis and Identification of Ancient Glass Products | |
CN118376700A (zh) | 一种酱香型白酒中“窜酒”识别方法 | |
CN113160903A (zh) | 一种基于迁移学习的硝酸盐浓度预测模型泛化方法 | |
CN117686617A (zh) | 一种郫县豆瓣发酵过程关键呈香物质的快速分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |
|
RJ01 | Rejection of invention patent application after publication |