CN115227238A - 一种基于可穿戴应变传感器的步态识别系统及其搭建方法 - Google Patents
一种基于可穿戴应变传感器的步态识别系统及其搭建方法 Download PDFInfo
- Publication number
- CN115227238A CN115227238A CN202210935701.9A CN202210935701A CN115227238A CN 115227238 A CN115227238 A CN 115227238A CN 202210935701 A CN202210935701 A CN 202210935701A CN 115227238 A CN115227238 A CN 115227238A
- Authority
- CN
- China
- Prior art keywords
- gait
- data
- gait recognition
- sensor array
- recognition system
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 84
- 238000010276 construction Methods 0.000 title abstract description 6
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000036544 posture Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000010409 thin film Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1036—Measuring load distribution, e.g. podologic studies
- A61B5/1038—Measuring plantar pressure during gait
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0247—Pressure sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0261—Strain gauges
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于可穿戴应变传感器的步态识别系统及其搭建方法，设备包括传感器阵列、ADC转换模块、数据处理器和计算机，传感器阵列设置在人体足底，传感器阵列与数据处理器连接，数据处理器与计算机连接。搭建方法包括以下步骤：S1、设计步态采集电路；S2、设置系统参数；S3、进行数据传输。本发明体积小便于携带、运算速度快、准确率高，操作使用方便简单，成本低廉，可推广使用。
Description
技术领域
本发明属于步态识别技术领域，具体涉及一种基于可穿戴应变传感器的步态识别系统及其搭建方法。
背景技术
人体步态是人体步行时的姿态和行为特征。步态不仅受人体各个关节、肌肉和神经系统的本征控制，同时还受年龄、习惯、性别、职业、受教程度、疾病等外围因素的影响。步态分析可以在身份识别和指导患者康复等领域发挥重要作用。每个人的步态是独一无二的，可以利用步态进行身份识别。近年来新兴的生物识别技术，如指纹识别、虹膜识别、人脸识别等技术容易被掩盖、模仿并且需要接触识别，识别的难度大大增加。而步态的特征不仅取决于先天因素，还与后天的生活环境密切相关，难以改变或伪装。尽管在大雾、沙尘暴等复杂环境下也可通过人体运动轮廓的提取实现远距离、非接触式识别。此外，通过眼睛观察患者的步态，可以大致判断其身体状况。基于此，需要设计一种准确的步态识别装置系统来进行深入研究。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于可穿戴应变传感器的步态识别系统及其搭建方法，该系统设计科学合理，实用性强，操作简单，识别准确，应用范围广。
为解决上述技术问题，本发明采用的技术方案是：一种基于可穿戴应变传感器的步态识别系统，其特征在于，包括传感器阵列、数据处理器和计算机，所述传感器阵列设置在人体足底，所述传感器阵列与数据处理器连接，数据处理器上设置有ADC转换模块，数据处理器通过通信模块与终端连接；
所述传感器阵列用于获取人体步态的运动数据；
所述数据处理器根据运动数据利用深度学习辅助的步态识别算法确定步态参数，所述步态参数用于表征步态识别系统使用者的行为特征；
所述终端用于识别、显示并存储由数据处理器处理得到的步态数据信息。
优选地，所述传感器阵列为薄膜式应变传感器。
一种基于可穿戴应变传感器的步态识别系统的搭建方法，包括以下步骤：
S1、设计步态采集电路：将传感器阵列以穿戴式的形式设置在人体足底采集人体不同步态下的足底压力信息，在传感器阵列上串联5k分压电阻，将压力传感器的引脚连接至数据处理器的模拟输入端口；
S2、搭建数据采集程序：设置Arduino的波特率为9600，获取压力传感器阵列各个检测点的压力值，以采集来的压力数值为模拟量，通过ADC转换模块对其进行模数转换，将模拟信号转换为数字信号，采样频率为15Hz/s，将采集来的数据进行均值滤波，滤除噪音信号；
S3、进行数据传输：Arduino将数据实时通过串口输出到PC端，PC将最终处理完的传感器数据打上标签制作成数据集并保存为CSV文件,计算机GPU根据采集的人体步态运动数据，利用预设的步态识别算法确定步态参数，由于该步态参数能够与步态识别设备的使用者的行动姿态和行为特征相匹配，从而识别出当前步态识别装置使用者的步态。
优选地，所述步态识别算法的设计方法为：对原始数据进行预处理，将预处理后的数据制作为数据集，将数据集以4:1的比例分为训练集和测试集；搭建1D-CNN神经网络，网络模型由两个卷积层，一个全连接层组成，模型训练时，设置Epoch为50，每个Batch大小为128。
本发明与现有技术相比具有以下优点：
1、本发明设计简单合理，实用性强，操作简单，成本低廉，信息采集准确，识别快速。
2、本发明先采集正常人在平地行走、跑步、上下楼梯、跳跃时的运动数据。然后对采集的运动数据进行模型训练操作，获得正常人对应的步态参数模型，并通过数据处理器保存至电脑端。数据处理器在接收传感器组件测量获得的柔性传感器阵列运动数据之后，将数据输入训练后的步态参数模型，即可确定出步态识别设备使用者的当前步态信息。步态信息可用于辅助判断人体身体健康程度，还可用于身份快速识别。
下面结合附图和实施例对本发明作进一步详细说明。
附图说明
图1是本发明中步态识别的流程示意图。
图2是本发明中步态识别算法准确率和算法损失函数曲线。
图3是本发明中步态识别结果混淆矩阵。
具体实施方式
实施例1
一种基于可穿戴应变传感器的步态识别系统，包括传感器阵列、数据处理器和计算机，所述传感器阵列设置在人体足底，所述传感器阵列与数据处理器连接，数据处理器上设置有ADC转换模块，数据处理器通过无线通信模块与PC端连接；传感器阵列和数据处理器设置在袜子底部，能顺利准确接收压力变化。
所述传感器阵列用于获取人体步态的运动数据；
所述数据处理器根据运动数据利用深度学习辅助的步态识别算法确定步态参数，所述步态参数用于表征步态识别系统使用者的行为特征；
所述终端用于识别、显示并存储由数据处理器处理得到的步态数据信息。
本实施例中，所述传感器阵列使用力感科技公司生产的FS-INS-16Z型多区域压力分布薄膜传感器。
实施例2
一种基于可穿戴应变传感器的步态识别系统的搭建方法，包括以下步骤：
S1、设计步态采集电路：将传感器阵列以穿戴式的形式设置在人体足底采集人体不同步态下的足底压力信息，在传感器阵列上串联5k分压电阻，将压力传感器的引脚连接至数据处理器的模拟输入端口，数据处理器使用单片机；
S2、搭建数据采集程序：设置Arduino的波特率为9600，获取压力传感器阵列各个检测点的压力值，以采集来的压力数值为模拟量，通过ADC转换模块对其进行模数转换，将模拟信号转换为数字信号，采样频率为15Hz/s，将采集来的数据进行均值滤波，滤除噪音信号；
S3、进行数据传输：Arduino将数据实时通过串口输出到PC端，PC将最终处理完的传感器数据打上标签制作成数据集并保存为CSV文件,计算机GPU根据采集的人体步态运动数据，利用预设的步态识别算法确定步态参数，由于该步态参数能够与步态识别设备的使用者的行动姿态和行为特征相匹配，从而识别出当前步态识别装置使用者的步态。
如图1所示，本实施例中，所述步态识别算法的设计方法为：对原始数据进行预处理，将预处理后的数据制作为数据集，将数据集以4:1的比例分为训练集和测试集；搭建1D-CNN神经网络，网络模型由两个卷积层，一个全连接层组成，模型训练时，设置Epoch为50，每个Batch大小为128。如图2所示得出步态识别算法准确率和算法损失函数曲线，如图3所示得出步态识别结果混淆矩阵。
使用时，先采集正常人在平地行走、跑步、上下楼梯、跳跃时的运动数据，例如脚底的压力分布情况、人体重心分布情况等。然后对采集的运动数据进行模型训练操作，获得正常人对应的步态参数模型，并通过数据处理器保存至电脑端。数据处理器在接收传感器组件测量获得的柔性传感器阵列运动数据之后，将数据输入训练后的步态参数模型，即可确定出步态识别设备使用者的当前步态信息。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的任何简单修改、变更以及等效变化，均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种基于可穿戴应变传感器的步态识别系统，其特征在于，包括传感器阵列、数据处理器和计算机，所述传感器阵列设置在人体足底，所述传感器阵列与数据处理器连接，数据处理器上设置有ADC转换模块，数据处理器通过通信模块与终端连接；
所述传感器阵列用于获取人体步态的运动数据；
所述数据处理器根据运动数据利用深度学习辅助的步态识别算法确定步态参数，所述步态参数用于表征步态识别系统使用者的行为特征；
所述终端用于识别、显示并存储由数据处理器处理得到的步态数据信息。
2.根据权利要求1所述的一种基于可穿戴应变传感器的步态识别系统，其特征在于，所述传感器阵列为薄膜式应变传感器。
3.如权利要求1或2中所述的一种基于可穿戴应变传感器的步态识别系统的搭建方法，包括以下步骤：
S1、设计步态采集电路：将传感器阵列以穿戴式的形式设置在人体足底采集人体不同步态下的足底压力信息，在传感器阵列上串联5k分压电阻，将压力传感器的引脚连接至数据处理器的模拟输入端口；
S2、搭建数据采集程序：设置Arduino的波特率为9600，获取压力传感器阵列各个检测点的压力值，以采集来的压力数值为模拟量，通过ADC转换模块对其进行模数转换，将模拟信号转换为数字信号，采样频率为15Hz/s，将采集来的数据进行均值滤波，滤除噪音信号；
S3、进行数据传输：Arduino将数据实时通过串口输出到PC端，PC将最终处理完的传感器数据打上标签制作成数据集并保存为CSV文件,计算机GPU根据采集的人体步态运动数据，利用预设的步态识别算法确定步态参数，由于该步态参数能够与步态识别设备的使用者的行动姿态和行为特征相匹配，从而识别出当前步态识别装置使用者的步态。
4.根据权利要求3所述的一种基于可穿戴应变传感器的步态识别系统的搭建方法，其特征在于，所述步态识别算法的设计方法为：对原始数据进行预处理，将预处理后的数据制作为数据集，将数据集以4:1的比例分为训练集和测试集；搭建1D-CNN神经网络，网络模型由两个卷积层，一个全连接层组成，模型训练时，设置Epoch为50，每个Batch大小为128。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210935701.9A CN115227238A (zh) | 2022-08-04 | 2022-08-04 | 一种基于可穿戴应变传感器的步态识别系统及其搭建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210935701.9A CN115227238A (zh) | 2022-08-04 | 2022-08-04 | 一种基于可穿戴应变传感器的步态识别系统及其搭建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115227238A true CN115227238A (zh) | 2022-10-25 |
Family
ID=83680210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210935701.9A Pending CN115227238A (zh) | 2022-08-04 | 2022-08-04 | 一种基于可穿戴应变传感器的步态识别系统及其搭建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115227238A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105286874A (zh) * | 2015-11-03 | 2016-02-03 | 长安大学 | 一种用于预测老年人跌倒风险的系统及方法 |
| CN107157485A (zh) * | 2017-06-13 | 2017-09-15 | 西安科技大学 | 一种智能监测鞋垫及其智能监测系统 |
| CN110236550A (zh) * | 2019-05-30 | 2019-09-17 | 清华大学 | 一种基于多模态深度学习的人体步态预测装置 |
| CN113947119A (zh) * | 2021-10-18 | 2022-01-18 | 浙江工业大学 | 一种利用足底压力信号检测人体步态的方法 |
| CN114038005A (zh) * | 2021-08-02 | 2022-02-11 | 上海大学 | 基于神经网络的步态相位识别方法 |
-
2022
- 2022-08-04 CN CN202210935701.9A patent/CN115227238A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105286874A (zh) * | 2015-11-03 | 2016-02-03 | 长安大学 | 一种用于预测老年人跌倒风险的系统及方法 |
| CN107157485A (zh) * | 2017-06-13 | 2017-09-15 | 西安科技大学 | 一种智能监测鞋垫及其智能监测系统 |
| CN110236550A (zh) * | 2019-05-30 | 2019-09-17 | 清华大学 | 一种基于多模态深度学习的人体步态预测装置 |
| CN114038005A (zh) * | 2021-08-02 | 2022-02-11 | 上海大学 | 基于神经网络的步态相位识别方法 |
| CN113947119A (zh) * | 2021-10-18 | 2022-01-18 | 浙江工业大学 | 一种利用足底压力信号检测人体步态的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Artificial intelligence of toilet (AI-Toilet) for an integrated health monitoring system (IHMS) using smart triboelectric pressure sensors and image sensor | |
| Han et al. | Gait phase detection for normal and abnormal gaits using IMU | |
| Di Rosa et al. | Concurrent validation of an index to estimate fall risk in community dwelling seniors through a wireless sensor insole system: A pilot study | |
| Woodward et al. | Pervasive monitoring of motion and muscle activation: Inertial and mechanomyography fusion | |
| CN106725509B (zh) | 生物力学信息的特征提取方法 | |
| Godiyal et al. | A force myography-based system for gait event detection in overground and ramp walking | |
| Jalloul et al. | Activity recognition using complex network analysis | |
| CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
| Zheng et al. | On the design of a wearable multi-sensor system for recognizing motion modes and sit-to-stand transition | |
| CN108549834A (zh) | 一种基于柔性传感器的人体坐姿识别方法及其系统 | |
| KR102302719B1 (ko) | 검출정보별 신경망 분석을 실시하여 보행 종류를 분류하는 장치 및 방법 | |
| Wang et al. | Recognition of the Gait Phase Based on New Deep Learning Algorithm Using Multisensor Information Fusion. | |
| Muscillo et al. | An adaptive Kalman-based Bayes estimation technique to classify locomotor activities in young and elderly adults through accelerometers | |
| CN110414590A (zh) | 基于智能移动设备和卷积神经网络的人体活动识别方法 | |
| Qin et al. | Modeling and evaluating full-cycle natural gait detection based on human electrostatic field | |
| KR102280291B1 (ko) | 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법 | |
| CN113331829B (zh) | 一种足底信息监测方法及智能鞋垫装置 | |
| CN114903475A (zh) | 基于PCANet神经网络和多传感器信息融合的健康检测仪及其方法 | |
| CN109924981A (zh) | 一种高弓足检测系统及方法 | |
| CN115227238A (zh) | 一种基于可穿戴应变传感器的步态识别系统及其搭建方法 | |
| CN111053555B (zh) | 基于表面肌电信号与足底力的地形分类装置及方法 | |
| CN111436940B (zh) | 一种步态健康评估方法及装置 | |
| KR102194313B1 (ko) | 검출정보별 신경망 분석을 실시하여 개인을 식별하는 장치 및 방법 | |
| CN112674760A (zh) | 一种基于可穿戴传感器的帕金森病上肢运动检测方法 | |
| CN116458875A (zh) | 一种基于智能手机传感器步态分析评估认知状况的方法 |
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 |