CN113796830B - 一种睡眠信号分期可信度自动评价方法 - Google Patents

一种睡眠信号分期可信度自动评价方法 Download PDF

Info

Publication number
CN113796830B
CN113796830B CN202111003094.4A CN202111003094A CN113796830B CN 113796830 B CN113796830 B CN 113796830B CN 202111003094 A CN202111003094 A CN 202111003094A CN 113796830 B CN113796830 B CN 113796830B
Authority
CN
China
Prior art keywords
classifier
sleep
auxiliary
main
trained
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
CN202111003094.4A
Other languages
English (en)
Other versions
CN113796830A (zh
Inventor
闫相国
鲁柯柯
王刚
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111003094.4A priority Critical patent/CN113796830B/zh
Publication of CN113796830A publication Critical patent/CN113796830A/zh
Application granted granted Critical
Publication of CN113796830B publication Critical patent/CN113796830B/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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种睡眠信号分期可信度自动评价方法，步骤一：选择主分类器和辅分类器，采用监督学习对主、辅分类器进行训练，获得训练后的主、辅分类器；步骤二：输入睡眠数据，利用步骤一中训练后的主、辅分类器，对睡眠数据进行多粒度分类视图预测，并输出主分类器的预测结果；步骤三：根据步骤二的主、辅分类器预测结果，计算并输出逻辑一致性系数即可信度R；本发明能够有效自动评价睡眠分期结果，对海量无标记睡眠数据自动标记来更新训练集规模来训练健壮性更高、结果可信度高的睡眠分期算法，同时本发明技术可以移植至可穿戴便携式睡眠监测设备中，辅助及促进移动医疗的发展。

Description

一种睡眠信号分期可信度自动评价方法
技术领域
本发明属于生物医学工程技术领域，特别涉及睡眠监测领域中的一种睡眠信号分期可信度自动评价方法。
背景技术
随着现代生活节奏的加快和生活方式的改变，睡眠日益成为一个突出医疗及公共卫生问题。中国睡眠研究会2021年发布睡眠调查报告显示，我国有超3亿人存在睡眠障碍，成年人失眠发生率高达38.2％，其中老年人睡眠障碍发生率占56.7％。临床上通过睡眠分期研究被试的睡眠结构和睡眠质量，对干预改善人们睡眠和辅助医生诊断治疗睡眠疾病至关重要。
现阶段睡眠医学领域中，多导睡眠图(polysomnography，PSG)是睡眠分期的“金标准”，该方法同步采集受试者睡眠过程中的脑电(electroencephalogram，EEG)、心电(electrocardiogram，EEG)、肌电(electromyogram，EMG)、眼电(electrooculogram，EOG)、呼吸等被试的整晚多通道生理信号，然后专业医生按照美国睡眠医学学会(americanacademy of sleep medicine,AASM)制定的睡眠分期标准将夜间睡眠以30s时间间隔为单位分为清醒期(wake，W)、非快速眼动睡眠期(non-rapid eye movement，NREM)和快速眼动睡眠期(rapid eye movement，REM)，其中NREM期又细分为Ⅰ期(N1)、Ⅱ期(N2)、Ⅲ期(N3)。由于PSG价格昂贵、受试者睡眠时需要佩戴大量传感器、需要搭建专业睡眠实验室及专业医生判读结果等缺陷，严重限制了其普及和推广，以及利用人工智能技术在睡眠领域开展海量数据规模的新应用。近年来，很多研究人员开始将注意力集中在通过可穿戴睡眠监测装置，利用人工智能技术进行自动睡眠分期算法研究。
自动睡眠分期算法主要包括生理信号预处理、特征提取和睡眠状态分类三个步骤，对易于采集的ECG、呼吸与光电容积脉搏波(photoplethysmography，PPG)等生理信号预处理后，提取与睡眠分期相关的时域、频域及非线性特征，然后对分类器进行模型训练。现有训练分类器的方法往往采用有监督技术，分类精度与训练集规模成正相关。但由于医疗数据的特殊性和人工标记的复杂性，导致可用的标记数据非常稀缺。利用数量有限的标记数据训练出的分期模型，其健壮性和结果可信度很难保证。对睡眠分期结果可信度进行有效评价具有重要意义和应用价值。
近年来，睡眠健康监测产品的市场化和家庭化，快速产生了海量的无标记睡眠数据。人工标记这些海量的无标记数据需要花费大量时间和人力，该类方案缺乏现实可行性。(1)如何对海量数据进行自动分析，形成可用于模型算法训练的有标记数据是一个巨大的挑战；(2)如何充分有效利用这些海量无标记数据，提高睡眠分期算法的健壮性和结果可信度是另一个需要解决的问题。
发明内容
为了克服上述现有技术的缺陷，本发明的目的在于提供一种睡眠信号分期可信度自动评价方法，利用睡眠多视图概念，对于获得的睡眠数据，按不同分类粒度对同一睡眠时刻分别进行分类，采用五分类方式，把睡眠状态分为W、REM、N1、N2、N3五个期，由于不同的分类视图是用不同的分类器得到的同一组数据的不同视图，使用训练好的多个不同粒度分类器，对睡眠数据进行多分类视图预测，然后计算多个分类视图的逻辑一致性系数即可信度R，作为睡眠分期可信度评价指标。
为了达到上述目的，本发明采用的技术方案为：
一种睡眠信号分期可信度自动评价方法，包括以下步骤：
步骤一：选择主分类器和辅分类器，采用监督学习对主、辅分类器进行训练，获得训练后的主、辅分类器。
步骤二：输入睡眠数据，利用步骤一中训练后的主、辅分类器，对睡眠数据进行多粒度分类视图预测，并输出主分类器的预测结果。
步骤三：根据步骤二的主、辅分类器预测结果，计算并输出逻辑一致性系数即可信度R。
所述的步骤一具体为：
首先根据需要的分类粒度，选择该粒度的分类器作为主分类器，其他粒度的分类器为辅分类器；
用Cm表示主分类器；C1、...、Cp表示p个辅分类器，然后用标记数据库对主、辅分类器分别进行训练，得到训练后的主、辅分类器。
所述的步骤二具体为：
使用步骤一中训练好的主、辅分类器，对需要分析的睡眠数据分别进行预测，得到不同分类粒度的预测结果，并输出主分类器的预测结果，具体过程：
睡眠数据用X(i)表示，其中i＝1，2，3，......，M，M代表数据长度；对X(i)按固定时间间隔划分为N个睡眠时段，得到Y(j)，其中j＝1，2，3，......，N；把Y(j)分别输入到主、辅分类器Cm和C1、...、Cp，分别得到所有睡眠时段的预测结果Zmj、Z1j、…、Zpj，并输出主分类器Zmj的预测结果，其中j＝1，2，3，......，N。
所述的步骤三具体为：
利用步骤二得到的不同分类粒度预测结果Zmj、Z1j、...、Zpj，根据逻辑一致性关系图，计算所有睡眠时段的逻辑一致性值；
所述的逻辑一致性关系图为：把多个睡眠视图，按粒度从细到粗排列，如果细视图的分类结果等效为相邻粗分类视图的结果，与该相邻粗分类视图的时间分类结果相等，就认为这两个视图在逻辑上一致。
第j睡眠时段的逻辑一致性值定义为：
Figure BDA0003236238750000041
根据Lj睡眠分期值，用公式(2)计算并输出逻辑一致性系数：
Figure BDA0003236238750000042
式中，j＝1，2，3，......，N，R的取值范围是0～1，R值越大，代表可信度越高。
本发明的优点是：
(1)、多视图是指对于同一事物，可以从多种不同途径或不同角度对其进行描述，以便更全面和深入地揭示问题本质。本发明利用多视图概念，提出一种基于多分类视图包含一致性的睡眠信号分期可信度自动评价方法，适用于对基于各种生理信号和分类器的睡眠分期结果进行可信度评价。同时可利用输出的可信度值，对海量无标记睡眠数据自动标记来更新训练集规模；以及利用海量无标记数据直接训练分类器训练过程，提高分类器精度。主要可用于以下三种应用场景：1)对睡眠分期结果给出可信度指标；2)对无标记睡眠数据进行自动标记，迭代更新标记数据库规模；3)直接利用海量无标记数据，训练健壮性更好、结果可信度更高的睡眠分期算法。
(2)、本发明由睡眠数据X(i)得到的睡眠分段数据Y(j)，可以是对X(i)直接进行分段获得，也可以是对X(i)分段后提取的特征向量。
本发明中的辅分类器可以根据具体应用灵活选择。例如应用于家庭睡眠评价时，选择四分类器为主分类器，即可以选择二、三分类器为辅分类器，也可选择二、三、五分类器为辅分类器。
附图说明
图1为本发明睡眠信号分期可信度自动评价方法流程图。
图2为本发明实施例的分类器结构示意图。
图3为本发明实施例的逻辑一致性系数R计算过程。
图4为专业医师睡眠分期结果图和本发明实施例的自动分期结果图。
图5为逻辑一致性关系图。
具体实施方式
参照图1，本发明结合附图提供一种睡眠信号分期可信度自动评价方法的具体实施例，即将上述可信度自动评价方法，用于对一种利用单导ECG信号、通过双向长短时记忆(bi-directional long short-term memory，Bi-LSTM)深度神经网络构建的睡眠分期模型得到的睡眠分期结果进行评价，包括以下步骤：
一种睡眠信号分期可信度自动评价方法，包括以下步骤：
步骤一：选择主分类器和辅分类器，采用监督学习对主、辅分类器进行训练，获得训练后的主、辅分类器。
所述的步骤一具体为：
结合具体的应用场景，首先根据需要的分类粒度，选择该粒度的分类器作为主分类器，其他粒度的分类器为辅分类器。
例如，需要获得与临床分期类型数一致的结果，则选择五分类器作为主分类器，二、三、四分类器作为辅分类器；若应用于家庭睡眠评价，则选择四分类器为主分类器，二、三分类器为辅分类器，也可选择二、三、五分类器为辅分类器。
用Cm表示主分类器；C1、...、Cp表示p个辅分类器，然后用标记数据库对主、辅分类器分别进行训练，得到训练后的主、辅分类器。
结合临床睡眠分期的需求，参照图2，首先基于Bi-LSTM网络分别构建二、三、四和五分类器器C1、C2、C3、Cm，其中主分类器Cm为五分类器，其他三个为辅分类器，然后对标记数据库中的ECG信号以30s为间隔划分为N个睡眠时段，每个睡眠时段提取与睡眠分期相关的25个特征，最后利用提取的特征向量和标签对主、辅分类器进行训练。
步骤二：输入睡眠数据，利用步骤一中训练后的主、辅分类器，对睡眠数据进行多粒度分类视图预测，并输出主分类器的预测结果。
使用步骤一中训练好的主、辅分类器，对需要分析的睡眠数据分别进行预测，得到不同分类粒度的预测结果，具体过程：
睡眠数据用X(i)表示，其中i＝1，2，3，......，M，M代表数据长度；对X(i)按固定时间间隔划分为N个睡眠时段，得到Y(j)，其中j＝1，2，3，......，N；把Y(j)分别输入到主、辅分类器Cm和C1、...、Cp，分别得到所有睡眠时段的预测结果Zmj、Z1j、...、Zpj，并且输出主分类器Zmj的结果，其中j＝1，2，3，......，N。
具体为：对一段8小时13分钟30s的ECG信号数据X(i)按照30s间隔划分为987个睡眠时段，得到Y(j)，其中i＝1，2，3，......，29610s，M代表数据长度，j＝1，2，3，......，987。将Y(j)输入步骤一中训练好的主、辅分类器Cm和C1、C2、C3，分别得到所有睡眠时段的预测结果Zmj、Z1j、Z2j、Z3j，，如图3中(a)、(b)、(c)、(d)所示，并且输出主分类器Zmj的结果。如图4所示，为专业医师睡眠分期结果图和本发明自动分期结果图，说明本发明的方法基本准确，可信度越高，与专业医生做出的判断基本一致。
步骤三：根据步骤二的主、辅分类器预测结果，计算并输出逻辑一致性系数即可信度R。
利用步骤二得到的不同分类粒度预测结果Zmj、Z1j、...、Zpj，根据逻辑一致性关系图，计算所有睡眠时段的逻辑一致性值；
所述的逻辑一致性关系图为：把多个睡眠视图，按粒度从细到粗排列，如果细视图的分类结果等效为相邻粗分类视图的结果，与该相邻粗分类视图的时间分类结果相等，就认为这两个视图在逻辑上一致。
如图5所示，这就是五分类视图，如果把N1、N2合并为浅睡(light sleep，LS)期，把N3称为慢波睡眠(slow wave sleep，SWS)期，其他分期状态不变就得到四分类视图；进一步粗粒化，把四分类的LS期和SWS期合并为NREM期，其他分期状态不变就得到三分类视图；更进一步粗粒化，把三分类的LS期和SWS期合并为睡眠(sleep，S)期，W期状态不变就得到二分类视图。
例如五分类视图的结果为N2，四分类视图的结果为LS，由于五分类视图的N2可以等效为四分类视图LS，与四分类视图的结果LS相等，所以认为这两个视图逻辑上一致；否则，例如五分类视图的结果为W，四分类视图的结果为REM，由于五分类视图的W等效为四分类视图W，与四分类视图的结果REM不等，所以认为这两个视图逻辑上不一致。按这种方式，验证所有相邻视图的一致性，如果所有结果都一致，就认为该时刻分期结果逻辑上一致；否则有任何一个相邻视图逻辑上不一致，就认为该时刻分期结果逻辑上不一致。
按公式(1)计算所有睡眠时段的逻辑一致性值Lj，结果如图3(e)所示。
第j睡眠时段的逻辑一致性值定义为：
Figure BDA0003236238750000081
最后按公式(2)，
根据Lj睡眠分期值，用公式(2)计算并输出逻辑一致性系数：
Figure BDA0003236238750000082
式中，j＝1，2，3，......，N，R的取值范围是0～1，R值越大，代表可信度越高。
计算得到R＝0.97，代表可信度很高。

Claims (1)

1.一种睡眠信号分期可信度自动评价方法，其特征在于，包括以下步骤：
步骤一：选择主分类器和辅分类器，采用监督学习对主、辅分类器进行训练，获得训练后的主、辅分类器；具体为：
首先根据需要的分类粒度，选择该粒度的分类器作为主分类器，其他粒度的分类器为辅分类器；用Cm表示主分类器；C1、…、Cp表示p个辅分类器，然后用标记数据库对主、辅分类器分别进行训练，得到训练后的主、辅分类器；
步骤二：输入睡眠数据，利用步骤一中训练后的主、辅分类器，对睡眠数据进行多粒度分类视图预测，并输出主分类器的预测结果，具体为：
使用步骤一中训练好的主、辅分类器，对需要分析的睡眠数据分别进行预测，得到不同分类粒度的预测结果，并输出主分类器的预测结果，具体过程：
睡眠数据用X(i)表示,其中i＝1,2,3,……,M，M代表数据长度；对X(i)按固定时间间隔划分为N个睡眠时段，得到Y(j)，其中j＝1,2,3,……,N；把Y(j)分别输入到主、辅分类器Cm和C1、…、Cp，分别得到所有睡眠时段的预测结果Zmj、Z1j、…、Zpj，并输出主分类器Zmj的预测结果，其中j＝1,2,3,……,N；
步骤三：根据步骤二的主、辅分类器预测结果，计算并输出逻辑一致性系数即可信度R，具体为：
把所有睡眠时段的预测结果Zmj、Z1j、…、Zpj即多个睡眠视图，按粒度从细到粗排列，验证所有相邻视图的一致性，如果所有结果都一致，就认为该睡眠时段分期结果逻辑上一致；否则有任何一个相邻视图逻辑上不一致，就认为该睡眠时段分期结果逻辑上不一致；
第j睡眠时段的逻辑一致性值定义为：
Figure FDA0004075057050000021
根据Lj睡眠分期值，用公式(2)计算并输出逻辑一致性系数：
Figure FDA0004075057050000022
式中，j＝1,2,3,……,N，R的取值范围是0～1，R值越大，代表可信度越高；N表示划分为N个睡眠时段。
CN202111003094.4A 2021-08-30 2021-08-30 一种睡眠信号分期可信度自动评价方法 Active CN113796830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111003094.4A CN113796830B (zh) 2021-08-30 2021-08-30 一种睡眠信号分期可信度自动评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111003094.4A CN113796830B (zh) 2021-08-30 2021-08-30 一种睡眠信号分期可信度自动评价方法

Publications (2)

Publication Number Publication Date
CN113796830A CN113796830A (zh) 2021-12-17
CN113796830B true CN113796830B (zh) 2023-05-23

Family

ID=78894317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111003094.4A Active CN113796830B (zh) 2021-08-30 2021-08-30 一种睡眠信号分期可信度自动评价方法

Country Status (1)

Country Link
CN (1) CN113796830B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116942102B (zh) * 2023-09-19 2023-12-22 北京清雷科技有限公司 一种基于脉搏波的睡眠分期方法及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
CN110811638A (zh) * 2019-12-11 2020-02-21 齐鲁工业大学 一种用于监测睡眠的svm分类器构建方法、系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190053753A1 (en) * 2015-10-24 2019-02-21 Shenzhen Medica Technology Development Co., Ltd Sleep evaluation display method and device and evaluation equipment
US9740979B2 (en) * 2015-12-06 2017-08-22 Xeeva, Inc. Model stacks for automatically classifying data records imported from big data and/or other sources, associated systems, and/or methods
CN110569870A (zh) * 2019-07-25 2019-12-13 中国人民解放军陆军工程大学 基于多粒度标签融合的深度声学场景分类方法及系统
CN110704661B (zh) * 2019-10-12 2021-04-13 腾讯科技（深圳）有限公司 一种图像分类方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110623665A (zh) * 2019-09-26 2019-12-31 川北医学院 一种智能睡眠时相检测与睡眠质量评估系统及方法
CN110811638A (zh) * 2019-12-11 2020-02-21 齐鲁工业大学 一种用于监测睡眠的svm分类器构建方法、系统及方法

Also Published As

Publication number Publication date
CN113796830A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN109614885A (zh) 一种基于lstm的脑电信号快速分类识别方法
CN108968915A (zh) 基于熵特征及支持向量机的睡眠状态分类方法及系统
CN108549875B (zh) 一种基于深度通道注意力感知的脑电癫痫发作检测方法
CN113303814B (zh) 基于深度迁移学习的单通道耳脑电自动睡眠分期方法
Zhao et al. SleepContextNet: A temporal context network for automatic sleep staging based single-channel EEG
CN111248859A (zh) 基于卷积神经网络的睡眠呼吸暂停自动检测方法
CN105559779A (zh) 一种通过脑电频谱进行认知评价的方法
CN105448291A (zh) 基于语音的帕金森症检测方法及检测系统
Wang et al. Automatic sleep staging method of EEG signal based on transfer learning and fusion network
CN113796830B (zh) 一种睡眠信号分期可信度自动评价方法
Mahmud et al. Sleep apnea detection from variational mode decomposed EEG signal using a hybrid CNN-BiLSTM
CN113095302A (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN115530847A (zh) 一种基于多尺度注意力的脑电信号自动睡眠分期方法
Ellis et al. A novel local explainability approach for spectral insight into raw eeg-based deep learning classifiers
CN116269212A (zh) 一种基于深度学习的多模态睡眠阶段预测方法
CN115336973A (zh) 基于自注意力机制和单导联心电信号的睡眠分期系统构建方法、及睡眠分期系统
Jain et al. An efficient sleep scoring method using visibility graph and temporal features of single-channel EEG
CN112842363A (zh) 一种睡眠脑电检测方法及系统
CN117064333A (zh) 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置
CN114129138B (zh) 一种基于时序多尺度混合注意力模型的自动睡眠分期方法
CN115500843A (zh) 基于零样本学习与对比学习的睡眠阶段分期方法
CN116469148A (zh) 一种基于面部结构识别的概率预测系统及预测方法
CN113470808A (zh) 一种人工智能预测谵妄的方法
CN116805043A (zh) 一种睡眠分期结果可信度评价方法
Jia et al. Automatic arousal detection using multi-model deep neural network

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