CN117643461A - 基于人工智能的心率智能监测系统及方法 - Google Patents
基于人工智能的心率智能监测系统及方法 Download PDFInfo
- Publication number
- CN117643461A CN117643461A CN202410122104.3A CN202410122104A CN117643461A CN 117643461 A CN117643461 A CN 117643461A CN 202410122104 A CN202410122104 A CN 202410122104A CN 117643461 A CN117643461 A CN 117643461A
- Authority
- CN
- China
- Prior art keywords
- heart rate
- time sequence
- time
- feature vector
- sequence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 259
- 230000004927 fusion Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 18
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000005189 cardiac health Effects 0.000 abstract description 18
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000007774 longterm Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002565 electrocardiography Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本申请公开了一种基于人工智能的心率智能监测系统及方法,涉及智能监测领域,其通过用户佩戴的智能手环实时监测采集被监测对象的心率值,并在后端引入数据处理和分析算法来进行该心率值的时序分析,以此来识别出被监测对象的心率模式和异常情况,以便于及时对心脏健康问题进行预警,从而采取相应措施预防心脏健康风险。这样,能够实现更为便携、实时和连续的心率监测和预警,从而为医疗专业人员提供辅助诊断和决策支持,并有利于提供更全面和个性化的心脏健康管理和预防措施。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种基于人工智能的心率智能监测系统及方法。
背景技术
心率是指心脏每分钟跳动的次数,通常以每分钟心跳数(BPM)来表示。心率的变化可以反映人体的生理状态和心脏健康状况。通过监测和分析心率数据,可以提供有关个体的健康状况和心脏功能的重要信息。
然而,传统的心率监测通常依赖于心电图仪器或胸带式心率监测器。这些设备需要与人体直接接触或佩戴,限制了监测的时间和场景。此外,传统方案通常需要专业人员进行数据采集和分析,增加了成本和复杂性。另外,传统的心率监测在实时性和连续性方面也存在一些限制。例如,ECG仪器通常需要在特定时间点进行测量,无法提供持续的心率监测。而胸带式心率监测器虽然可以提供连续监测,但佩戴不够方便,可能会影响用户的日常活动。
因此,期望一种基于人工智能的心率智能监测系统及方法。
发明内容
为了解决上述技术问题,提出了本申请。
根据本申请的一个方面,提供了一种基于人工智能的心率智能监测系统,其包括:
心率时序数据采集模块,用于获取由被监测对象佩戴的智能手环采集的所述被监测对象的心率值时间序列;
心率时序规则模块,用于将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量;
心率时序信息划分模块,用于对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列;
多尺度心率时序动态关联编码模块,用于分别对所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列进行心率时序动态关联编码以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量;
心率模式时序特征表达模块,用于使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征;
心率异常检测模块,用于基于所述心率模式时序特征,确定被监测对象的心率是否存在异常。
在上述基于人工智能的心率智能监测系统中,所述心率时序信息划分模块,包括:
心率时序信息第一尺度划分单元,用于基于第一时间尺度对所述心率时序输入向量进行切分以得到所述第一心率局部时序输入向量的序列;
心率时序信息第二尺度划分单元,用于基于第二时间尺度对所述心率时序输入向量进行切分以得到所述第二心率局部时序输入向量的序列。
在上述基于人工智能的心率智能监测系统中,所述多尺度心率时序动态关联编码模块,用于:将所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列分别通过基于Bi-LSTM模型的心率时序模式特征提取器以得到所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量。
在上述基于人工智能的心率智能监测系统中,所述心率模式时序特征表达模块,用于:使用投影层以如下公式来融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量;
其中,所述公式为:
;
其中是所述第一时间尺度心率时序特征向量,/>是所述第二时间尺度心率时序特征向量,/>是所述心率模式时序特征向量,/>表示所述投影层。
在上述基于人工智能的心率智能监测系统中,所述心率异常检测模块,包括:
心率模式时序特征优化单元,用于对所述心率模式时序特征向量进行特征优化以得到优化心率模式时序特征向量;
心率检测单元,用于将所述优化心率模式时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测对象的心率是否存在异常。
在上述基于人工智能的心率智能监测系统中,所述心率模式时序特征优化单元,包括:
优化融合子单元,用于对所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以特征值为粒度进行优化融合以得到多尺度心率时序细粒度融合特征向量;
心率模式特征融合优化子单元,用于融合所述多尺度心率时序细粒度融合特征向量和所述心率模式时序特征向量以得到所述优化心率模式时序特征向量。
在上述基于人工智能的心率智能监测系统中,所述心率检测单元,包括:
全连接编码子单元,用于使用所述分类器的多个全连接层对所述优化心率模式时序特征向量进行全连接编码以得到编码分类特征向量;
分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种基于人工智能的心率智能监测方法,其包括:
获取由被监测对象佩戴的智能手环采集的所述被监测对象的心率值时间序列;
将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量;
对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列;
分别对所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列进行心率时序动态关联编码以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量;
使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征;
基于所述心率模式时序特征,确定被监测对象的心率是否存在异常。
与现有技术相比,本申请提供的一种基于人工智能的心率智能监测系统及方法,其通过用户佩戴的智能手环实时监测采集被监测对象的心率值,并在后端引入数据处理和分析算法来进行该心率值的时序分析,以此来识别出被监测对象的心率模式和异常情况,以便于及时对心脏健康问题进行预警,从而采取相应措施预防心脏健康风险。这样,能够实现更为便携、实时和连续的心率监测和预警,从而为医疗专业人员提供辅助诊断和决策支持,并有利于提供更全面和个性化的心脏健康管理和预防措施。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于人工智能的心率智能监测系统的框图;
图2为根据本申请实施例的基于人工智能的心率智能监测系统的系统架构图;
图3为根据本申请实施例的基于人工智能的心率智能监测系统中心率时序信息划分模块的框图;
图4为根据本申请实施例的基于人工智能的心率智能监测系统中心率异常检测模块的框图;
图5为根据本申请实施例的基于人工智能的心率智能监测系统中心率模式时序特征优化单元的框图;
图6为根据本申请实施例的基于人工智能的心率智能监测方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的心率监测通常依赖于心电图仪器或胸带式心率监测器。这些设备需要与人体直接接触或佩戴,限制了监测的时间和场景。此外,传统方案通常需要专业人员进行数据采集和分析,增加了成本和复杂性。另外,传统的心率监测在实时性和连续性方面也存在一些限制。例如,ECG仪器通常需要在特定时间点进行测量,无法提供持续的心率监测。而胸带式心率监测器虽然可以提供连续监测,但佩戴不够方便,可能会影响用户的日常活动。因此,期望一种基于人工智能的心率智能监测系统。
在本申请的技术方案中,提出了一种基于人工智能的心率智能监测系统。图1为根据本申请实施例的基于人工智能的心率智能监测系统的框图。图2为根据本申请实施例的基于人工智能的心率智能监测系统的系统架构图。如图1和图2所示,根据本申请的实施例的基于人工智能的心率智能监测系统300,包括:心率时序数据采集模块310,用于获取由被监测对象佩戴的智能手环采集的所述被监测对象的心率值时间序列;心率时序规则模块320,用于将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量;心率时序信息划分模块330,用于对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列;多尺度心率时序动态关联编码模块340,用于分别对所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列进行心率时序动态关联编码以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量;心率模式时序特征表达模块350,用于使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征;心率异常检测模块360,用于基于所述心率模式时序特征,确定被监测对象的心率是否存在异常。
特别地,所述心率时序数据采集模块310,用于获取由被监测对象佩戴的智能手环采集的所述被监测对象的心率值时间序列。应可以理解,通过对心率值时间序列的分析,可以获取心率的统计特征、频域特征等。这些特征可以用于对心率模式进行分析,如心率的平均值、变异性、心率峰值等。心率分析可以帮助评估被监测对象的心脏健康状态,检测心率异常情况。
特别地,所述心率时序规则模块320,用于将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量。考虑到所述心率值时间序列是由连续的心率值组成的数据序列,每个心率值对应一个时间点。并且,所述心率值会随着时间的推移而发生变化。因此,为了便于后续对于心率的时序分析和变化模式提取,需要将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量,这样,能够为后续的心率模式识别和异常检测提供基础。
特别地,所述心率时序信息划分模块330,用于对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列。特别地,在本申请的一个具体示例中,如图.3所示,所述心率时序信息划分模块330,包括:心率时序信息第一尺度划分单元331,用于基于第一时间尺度对所述心率时序输入向量进行切分以得到所述第一心率局部时序输入向量的序列;心率时序信息第二尺度划分单元332,用于基于第二时间尺度对所述心率时序输入向量进行切分以得到所述第二心率局部时序输入向量的序列。
具体地,所述心率时序信息第一尺度划分单元331,用于基于第一时间尺度对所述心率时序输入向量进行切分以得到所述第一心率局部时序输入向量的序列。考虑到所述心率值在时间维度上具有着时序动态变化规律,并且,所述心率值还具有着波动性和不确定性。也就是说,心率的时序变化会在不同的时间尺度上呈现不同的特征和模式。因此,为了能够更为充分和细致地捕捉到心率的时序特征,提高心率模式识别和异常检测的准确性和可靠性,在本申请的技术方案中,需要进一步基于第一时间尺度对所述心率时序输入向量进行切分以得到第一心率局部时序输入向量的序列。特别地,在本申请的一个具体示例中,所述第一时间尺度较短,例如几十秒或几分钟。通过将所述心率时序输入向量按照第一时间尺度进行切分,可以获得一系列较短时间段内的心率局部时序输入向量。这样,能够捕捉到心率的短期变化和波动,例如呼吸引起的心率变化、运动引起的心率变化等。这些短期变化可能对于评估个体的生理状态和心脏健康状况非常重要。
具体地,所述心率时序信息第二尺度划分单元332,用于基于第二时间尺度对所述心率时序输入向量进行切分以得到所述第二心率局部时序输入向量的序列。同样地,基于第二时间尺度对所述心率时序输入向量进行切分以得到第二心率局部时序输入向量的序列。所述第二时间尺度较长,例如几小时或几天。通过将所述心率时序输入向量按照第二时间尺度进行切分,可以获得一系列较长时间段内的心率局部时序输入向量。这样,能够捕捉到心率的长期趋势和周期性变化,例如日常活动模式、睡眠周期等。这些长期趋势和周期性变化可以提供更全面的心率特征,有助于评估个体的心脏健康状态和生活习惯。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列,例如:输入所述心率时序输入向量;定义不同的时间尺度。时间尺度可以是不同的窗口大小,用于划分心率时序输入向量;根据第一个时间尺度,将心率时序输入向量划分为不重叠的局部时序输入向量序列。每个局部时序输入向量的长度等于第一个时间尺度;根据第二个时间尺度,将心率时序输入向量划分为不重叠的局部时序输入向量序列。每个局部时序输入向量的长度等于第二个时间尺度;输出所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列。
特别地,所述多尺度心率时序动态关联编码模块340,用于分别对所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列进行心率时序动态关联编码以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量。考虑到不管将心率值进行短期时序分析还是长期时序分析,其都在时间维度上的各个局部时间段间具有着时序的关联关系。也就是说,心率值不仅在划分的局部时序中具有着时序的动态变化规律,而且在整个时间段中也呈现出特定的时序变化特征。因此,为了能够对于心率值的时序变化模式和趋势进行更为充分地分析和特征捕捉,在本申请的技术方案中,进一步将所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列分别通过基于Bi-LSTM模型的心率时序模式特征提取器以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量。应可以理解,在第一时间尺度上,通过将所述第一心率局部时序输入向量的序列输入到所述Bi-LSTM模型中,可以学习到短期内的心率变化模式和波动。也就是说,所述Bi-LSTM模型能够捕捉到心率时序数据在各个短期局部时间段间的依赖关系和上下文信息,从而提取出第一时间尺度上的心率时序模式特征。在第二时间尺度上,通过将所述第二心率局部时序输入向量的序列输入到所述Bi-LSTM模型中,可以学习到较长时间段内的心率趋势和周期性变化。也就是说,所述Bi-LSTM模型能够捕捉到心率时序数据在各个长期局部时间段间的依赖关系和周期性模式,从而提取出第二时间尺度上的心率时序模式特征。因此,通过使用所述Bi-LSTM模型作为心率时序模式特征提取器,可以提取出具有更为丰富和全面的心率时序模式特征信息,以提高心率模式识别和异常检测的准确性和鲁棒性。
值得注意的是,Bi-LSTM(Bidirectional Long Short-Term Memory)模型是一种循环神经网络(RNN)的变种,用于处理时序数据。它通过同时考虑过去和未来的上下文信息,能够捕捉更长期的依赖关系。Bi-LSTM 模型由两个 LSTM 层组成,一个按正序处理输入序列,另一个按逆序处理输入序列。这样,模型可以在每个时间步同时获得过去和未来的信息。正序 LSTM 层将过去的上下文信息编码为隐藏状态,逆序 LSTM 层将未来的上下文信息编码为隐藏状态。然后,这两个隐藏状态会被连接起来,形成最终的输出。
相应的,在一种可能的实现方式中,可通过以下步骤将所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列分别通过基于Bi-LSTM模型的心率时序模式特征提取器以得到所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量,例如:输入所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列;将所述第一心率局部时序输入向量的序列输入到 Bi-LSTM 模型中,通过前向和后向的 LSTM 层提取特征。这可以得到第一时间尺度心率时序特征向量序列,每个特征向量对应一个局部时序输入向量;将所述第二心率局部时序输入向量的序列输入到 Bi-LSTM 模型中,提取特征,得到第二时间尺度心率时序特征向量序列;输出所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量。
特别地,所述心率模式时序特征表达模块350,用于使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征。应可以理解,所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量分别捕捉了不同时间尺度上的心率时序模式特征。因此,为了能够更全面地描述心率的时序模式和变化特征,以提高心率模式识别和异常检测的准确性和鲁棒性,在本申请的技术方案中,进一步使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量。通过使用所述投影层,可以将所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量映射到相同的特征空间中,这有助于更好地理解被监测对象的心脏健康状况,以便于更为准确地进行异常检测。具体地,使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征,包括:使用投影层以如下公式来融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量;其中,所述公式为:,其中/>是所述第一时间尺度心率时序特征向量,/>是所述第二时间尺度心率时序特征向量,/>是所述心率模式时序特征向量,/>表示所述投影层。
特别地,所述心率异常检测模块360,用于基于所述心率模式时序特征,确定被监测对象的心率是否存在异常。特别地,在本申请的一个具体示例中,如图4所示,所述心率异常检测模块360,包括:心率模式时序特征优化单元361,用于对所述心率模式时序特征向量进行特征优化以得到优化心率模式时序特征向量;心率检测单元362,用于将所述优化心率模式时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测对象的心率是否存在异常。
具体地,所述心率模式时序特征优化单元361,用于对所述心率模式时序特征向量进行特征优化以得到优化心率模式时序特征向量。特别地,在本申请的一个具体示例中,如图5所示,所述心率模式时序特征优化单元361,包括:优化融合子单元3611,用于对所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以特征值为粒度进行优化融合以得到多尺度心率时序细粒度融合特征向量;心率模式特征融合优化子单元3612,用于融合所述多尺度心率时序细粒度融合特征向量和所述心率模式时序特征向量以得到所述优化心率模式时序特征向量。
更具体地,所述优化融合子单元3611,用于对所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以特征值为粒度进行优化融合以得到多尺度心率时序细粒度融合特征向量。特别地,在上述技术方案中,所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量分别表达所述心率值在全局时域经由第一时间尺度划分和第二时间尺度划分确定的不同尺度的局部时域下,基于局部时域间的源时序分布的近程-远程双向上下文关联的全局时域时序关联特征,但是,考虑到在不同尺度划分的局部时域时间序列表达下,沿时序的分布会存在分布模式的不一致,因此所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量会具有全局-局部时序关联计算维度下的变化性。这样,为了提升使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量时,所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量在基于分类器的类别判定下的融合效果,本申请的申请人优选地对所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以特征值为粒度进行优化融合,具体表示为:
;
其中,是所述第一时间尺度心率时序特征向量,/>是所述第二时间尺度心率时序特征向量,/>和/>分别是所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量的特征值,/>和/>分别表示特征向量的一范数的平方和特征向量的二范数的平方根,/>是特征向量的长度,且/>是权重超参数,/>表示指数运算,/>表示按位置相加,/>表示按位置作差。这里,上述优化融合基于特征值粒度下的对应性来将所述第一时间尺度心率时序特征向量/>和所述第二时间尺度心率时序特征向量/>的序列化融合表示进行基于向量尺度的前景流形和背景流形的划分,以在特征对应通道超流形体聚合机制下堆叠所述第一时间尺度心率时序特征向量/>和所述第二时间尺度心率时序特征向量/>的动态的特征值通道化关联,从而标记所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量/>的序列间的变化的特征语义信息,实现根据所述第一时间尺度心率时序特征向量/>和所述第二时间尺度心率时序特征向量/>间的语义内容在不同计算维度下的变化性的类全连接式堆叠融合,以提升所述第一时间尺度心率时序特征向量/>和所述第二时间尺度心率时序特征向量/>的融合效果,从而改进所述心率模式时序特征向量通过分类器得到的分类结果的准确性。这样,能够通过对用户心率的实时监测来识别出该用户的心率模式和异常情况,以便于及时对心脏健康问题进行预警,从而采取相应措施预防心脏健康风险,通过这样的方式,能够实现更为便携、实时和连续的心率监测和预警,从而为医疗专业人员提供辅助诊断和决策支持,并有利于提供更全面和个性化的心脏健康管理和预防措施。
更具体地,所述心率模式特征融合优化子单元3612,用于融合所述多尺度心率时序细粒度融合特征向量和所述心率模式时序特征向量以得到所述优化心率模式时序特征向量。应可以理解,多尺度心率时序细粒度融合特征向量包含了不同时间尺度下的心率变化信息,可以捕捉到心率的短期和长期变化模式。通过融合多尺度心率时序细粒度融合特征向量和心率模式时序特征向量,可以综合考虑心率的细节变化和整体模式,提供更全面、更准确的心率异常检测和分析结果。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述心率模式时序特征向量进行特征优化以得到优化心率模式时序特征向量,例如:对心率模式时序特征向量进行分析,了解每个特征的含义和重要性;根据特征分析的结果,选择对心率异常检测任务最具有区分能力和相关性的特征。可以使用特征选择算法(如相关性分析、方差分析、互信息等)来帮助确定最佳特征子集;对选定的特征进行变换,以提取更有意义的特征表示。常见的特征变换方法包括主成分分析、线性判别分析等。这些方法可以通过线性或非线性变换将原始特征映射到一个新的特征空间;对变换后的特征进行归一化处理,以消除特征之间的量纲差异;将优化后的特征向量与其他相关特征进行组合,以获取更丰富的特征表示。
具体地,所述心率检测单元362,用于将所述优化心率模式时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测对象的心率是否存在异常。也就是说,利用所述被监测对象的心率模式时序多尺度融合特征信息来进行分类处理,以此来识别出被监测对象的心率模式和异常情况,以便于及时对心脏健康问题进行预警,从而采取相应措施预防心脏健康风险。更具体地,将所述优化心率模式时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测对象的心率是否存在异常,包括:使用所述分类器的多个全连接层对所述优化心率模式时序特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括被监测对象的心率存在异常(第一标签),以及,被监测对象的心率不存在异常(第二标签),其中,所述分类器通过软最大值函数来确定所述优化心率模式时序特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被监测对象的心率是否存在异常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被监测对象的心率是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被监测对象的心率是否存在异常”的语言文本意义。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述心率模式时序特征,确定被监测对象的心率是否存在异常,例如:收集被监测对象的心率数据;使用基于 Bi-LSTM 的心率时序模式特征提取器,从心率数据中提取特征向量。这些特征向量可以包括心率的平均值、变异性、频率成分等;根据已知的正常心率数据,建立正常心率模式。通过使用机器学习算法或领域专家的知识来定义正常心率范围或模式;将提取的心率时序特征向量与正常心率模式进行比较,以检测是否存在异常。可以使用以下方法进行异常检测:阈值方法:设定阈值,如果特征向量的某些特征超过阈值,则判定为异常;统计方法:使用统计模型(如高斯分布、离群点检测算法)来识别与正常模式偏离较大的特征向量;机器学习方法:使用监督学习或无监督学习算法训练模型,将正常心率模式作为正样本,异常心率模式作为负样本,进行分类或异常检测。根据异常检测的结果,如果存在异常,则可以触发相应的提示或报警机制。例如,发送警报通知给医生或患者,触发紧急处理措施等。
如上所述,根据本申请实施例的基于人工智能的心率智能监测系统300可以实现在各种无线终端中,例如具有基于人工智能的心率智能监测算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于人工智能的心率智能监测系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于人工智能的心率智能监测系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于人工智能的心率智能监测系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能的心率智能监测系统300与该无线终端也可以是分立的设备,并且该基于人工智能的心率智能监测系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,还提供一种基于人工智能的心率智能监测方法。
图6为根据本申请实施例的基于人工智能的心率智能监测方法的流程图。如图6所示,根据本申请实施例的基于人工智能的心率智能监测方法,包括步骤:S1,获取由被监测对象佩戴的智能手环采集的所述被监测对象的心率值时间序列;S2,将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量;S3,对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列;S4,分别对所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列进行心率时序动态关联编码以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量;S5,使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征;S6,基于所述心率模式时序特征,确定被监测对象的心率是否存在异常。
综上,根据本申请实施例的基于人工智能的心率智能监测方法被阐明,其通过用户佩戴的智能手环实时监测采集被监测对象的心率值,并在后端引入数据处理和分析算法来进行该心率值的时序分析,以此来识别出被监测对象的心率模式和异常情况,以便于及时对心脏健康问题进行预警,从而采取相应措施预防心脏健康风险。这样,能够实现更为便携、实时和连续的心率监测和预警,从而为医疗专业人员提供辅助诊断和决策支持,并有利于提供更全面和个性化的心脏健康管理和预防措施。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于人工智能的心率智能监测系统,其特征在于,包括:
心率时序数据采集模块,用于获取由被监测对象佩戴的智能手环采集的所述被监测对象的心率值时间序列;
心率时序规则模块,用于将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量;
心率时序信息划分模块,用于对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列;
多尺度心率时序动态关联编码模块,用于分别对所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列进行心率时序动态关联编码以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量;
心率模式时序特征表达模块,用于使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征;
心率异常检测模块,用于基于所述心率模式时序特征,确定被监测对象的心率是否存在异常。
2.根据权利要求1所述的基于人工智能的心率智能监测系统,其特征在于,所述心率时序信息划分模块,包括:
心率时序信息第一尺度划分单元,用于基于第一时间尺度对所述心率时序输入向量进行切分以得到所述第一心率局部时序输入向量的序列;
心率时序信息第二尺度划分单元,用于基于第二时间尺度对所述心率时序输入向量进行切分以得到所述第二心率局部时序输入向量的序列。
3.根据权利要求2所述的基于人工智能的心率智能监测系统,其特征在于,所述多尺度心率时序动态关联编码模块,用于:将所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列分别通过基于Bi-LSTM模型的心率时序模式特征提取器以得到所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量。
4.根据权利要求3所述的基于人工智能的心率智能监测系统,其特征在于,所述心率模式时序特征表达模块,用于:使用投影层以如下公式来融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量;
其中,所述公式为:
;
其中是所述第一时间尺度心率时序特征向量,/>是所述第二时间尺度心率时序特征向量,/>是所述心率模式时序特征向量,/>表示所述投影层。
5.根据权利要求4所述的基于人工智能的心率智能监测系统,其特征在于,所述心率异常检测模块,包括:
心率模式时序特征优化单元,用于对所述心率模式时序特征向量进行特征优化以得到优化心率模式时序特征向量;
心率检测单元,用于将所述优化心率模式时序特征向量通过分类器以得到分类结果,所述分类结果用于表示被监测对象的心率是否存在异常。
6.根据权利要求5所述的基于人工智能的心率智能监测系统,其特征在于,所述心率模式时序特征优化单元,包括:
优化融合子单元,用于对所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以特征值为粒度进行优化融合以得到多尺度心率时序细粒度融合特征向量;
心率模式特征融合优化子单元,用于融合所述多尺度心率时序细粒度融合特征向量和所述心率模式时序特征向量以得到所述优化心率模式时序特征向量。
7.根据权利要求6所述的基于人工智能的心率智能监测系统,其特征在于,所述心率检测单元,包括:
全连接编码子单元,用于使用所述分类器的多个全连接层对所述优化心率模式时序特征向量进行全连接编码以得到编码分类特征向量;
分类结果生成子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
8.一种基于人工智能的心率智能监测方法,其特征在于,包括:
获取由被监测对象佩戴的智能手环采集的所述被监测对象的心率值时间序列;
将所述心率值时间序列按照时间维度进行规整以得到心率时序输入向量;
对所述心率时序输入向量进行基于不同时间尺度的划分以得到第一心率局部时序输入向量的序列和第二心率局部时序输入向量的序列;
分别对所述第一心率局部时序输入向量的序列和所述第二心率局部时序输入向量的序列进行心率时序动态关联编码以得到第一时间尺度心率时序特征向量和第二时间尺度心率时序特征向量;
使用投影层融合所述第一时间尺度心率时序特征向量和所述第二时间尺度心率时序特征向量以得到心率模式时序特征向量作为心率模式时序特征;
基于所述心率模式时序特征,确定被监测对象的心率是否存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122104.3A CN117643461B (zh) | 2024-01-30 | 2024-01-30 | 基于人工智能的心率智能监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122104.3A CN117643461B (zh) | 2024-01-30 | 2024-01-30 | 基于人工智能的心率智能监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117643461A true CN117643461A (zh) | 2024-03-05 |
CN117643461B CN117643461B (zh) | 2024-04-02 |
Family
ID=90045504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410122104.3A Active CN117643461B (zh) | 2024-01-30 | 2024-01-30 | 基于人工智能的心率智能监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117643461B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102727223A (zh) * | 2012-06-18 | 2012-10-17 | 天津大学 | 基于多生理参数pca融合的脑力负荷测量方法 |
US20130218028A1 (en) * | 2012-02-21 | 2013-08-22 | Xerox Corporation | Deriving arterial pulse transit time from a source video image |
US20160135755A1 (en) * | 2012-10-24 | 2016-05-19 | Zte Corporation | Remote home healthcare system |
US20160343135A1 (en) * | 2015-05-21 | 2016-11-24 | Koninklijke Philips N.V. | Determining a pulse signal from a video sequence |
US20170249280A1 (en) * | 2015-07-01 | 2017-08-31 | Anhui Huami Information Technology Co.,Ltd. | Data Statistics For Wearable Device |
CN109106359A (zh) * | 2014-08-22 | 2019-01-01 | 苹果公司 | 心率路径优化器 |
CN111657906A (zh) * | 2020-06-29 | 2020-09-15 | 深圳数联天下智能科技有限公司 | 心率的计算方法、装置、计算设备及心率的检测装置 |
CN112037906A (zh) * | 2020-07-17 | 2020-12-04 | 山东大学 | 一种长时生理信号时间序列的样本数据的扩充方法及系统 |
CN113555132A (zh) * | 2020-04-24 | 2021-10-26 | 华为技术有限公司 | 多源数据处理方法、电子设备和计算机可读存储介质 |
US20230092386A1 (en) * | 2021-09-22 | 2023-03-23 | Apple Inc. | Systems and methods for radar-based biometric signal extraction |
CN115944280A (zh) * | 2023-02-23 | 2023-04-11 | 武汉纺织大学 | 一种基于多源信息融合深度网络的行为检测方法 |
CN116012916A (zh) * | 2023-01-04 | 2023-04-25 | 西北大学 | 远程光体积描记信号和心率检测模型构建方法及检测方法 |
WO2023071501A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
CN117379016A (zh) * | 2023-12-11 | 2024-01-12 | 吉林省牛人网络科技股份有限公司 | 用于肉牛养殖的远程监控系统及其方法 |
-
2024
- 2024-01-30 CN CN202410122104.3A patent/CN117643461B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130218028A1 (en) * | 2012-02-21 | 2013-08-22 | Xerox Corporation | Deriving arterial pulse transit time from a source video image |
CN102727223A (zh) * | 2012-06-18 | 2012-10-17 | 天津大学 | 基于多生理参数pca融合的脑力负荷测量方法 |
US20160135755A1 (en) * | 2012-10-24 | 2016-05-19 | Zte Corporation | Remote home healthcare system |
CN109106359A (zh) * | 2014-08-22 | 2019-01-01 | 苹果公司 | 心率路径优化器 |
US20160343135A1 (en) * | 2015-05-21 | 2016-11-24 | Koninklijke Philips N.V. | Determining a pulse signal from a video sequence |
US20170249280A1 (en) * | 2015-07-01 | 2017-08-31 | Anhui Huami Information Technology Co.,Ltd. | Data Statistics For Wearable Device |
CN113555132A (zh) * | 2020-04-24 | 2021-10-26 | 华为技术有限公司 | 多源数据处理方法、电子设备和计算机可读存储介质 |
CN111657906A (zh) * | 2020-06-29 | 2020-09-15 | 深圳数联天下智能科技有限公司 | 心率的计算方法、装置、计算设备及心率的检测装置 |
CN112037906A (zh) * | 2020-07-17 | 2020-12-04 | 山东大学 | 一种长时生理信号时间序列的样本数据的扩充方法及系统 |
US20230092386A1 (en) * | 2021-09-22 | 2023-03-23 | Apple Inc. | Systems and methods for radar-based biometric signal extraction |
WO2023071501A1 (zh) * | 2021-11-01 | 2023-05-04 | 北京荣耀终端有限公司 | 心率检测方法及电子设备 |
CN116012916A (zh) * | 2023-01-04 | 2023-04-25 | 西北大学 | 远程光体积描记信号和心率检测模型构建方法及检测方法 |
CN115944280A (zh) * | 2023-02-23 | 2023-04-11 | 武汉纺织大学 | 一种基于多源信息融合深度网络的行为检测方法 |
CN116602642A (zh) * | 2023-07-19 | 2023-08-18 | 深圳市爱保护科技有限公司 | 心率监测方法、装置、设备 |
CN117379016A (zh) * | 2023-12-11 | 2024-01-12 | 吉林省牛人网络科技股份有限公司 | 用于肉牛养殖的远程监控系统及其方法 |
Non-Patent Citations (2)
Title |
---|
SONG ET AL.: "Studies on vibration characteristics of a pear using finite element method", 《J ZHEJIANG UNIV SCIENCE B》, 31 December 2006 (2006-12-31) * |
方睿鸽 等: "基于区域注意和分离重组的rPPG信号提取网络", 《小型微型计算机系统》, 11 May 2023 (2023-05-11) * |
Also Published As
Publication number | Publication date |
---|---|
CN117643461B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
US7818131B2 (en) | Non-parametric modeling apparatus and method for classification, especially of activity state | |
Faziludeen et al. | ECG beat classification using wavelets and SVM | |
Moses et al. | A survey of data mining algorithms used in cardiovascular disease diagnosis from multi-lead ECG data | |
CN117438024B (zh) | 急诊病人体征数据的智能采集分析系统及方法 | |
CN116322479A (zh) | 用于检测和/或预测心脏事件的心电图处理系统 | |
CN117598674B (zh) | 多参数心脏功能监测系统及方法 | |
Buettner et al. | Heartbeat classification with spiking neural networks on the loihi neuromorphic processor | |
Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
Breve et al. | Visual ECG Analysis in Real-world Scenarios. | |
Meena et al. | Seq2Dense U-Net: Analysing Sequential Inertial Sensor data for Human Activity Recognition using Dense Segmentation Model | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
CN117643461B (zh) | 基于人工智能的心率智能监测系统及方法 | |
Uslu et al. | RAM: Real Time Activity Monitoring with feature extractive training | |
CN111407261A (zh) | 生物信号的周期信息的测量方法及装置、电子设备 | |
Etumusei et al. | A novel martingale based model using a smartphone to detect gait bout in human activity recognition | |
Al Rasyid et al. | Anomaly detection in wireless body area network using Mahalanobis distance and sequential minimal optimization regression | |
Saranya et al. | Human body temperature and face mask audit system for COVID protocol | |
Priya et al. | Improving the prediction accuracy of Parkinson’s Disease based on pattern techniques | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
Sai Kumar et al. | Parkinson Disease Diagnosis and Severity Rating Prediction Based on Gait analysis using Deep Learning | |
Ahmad et al. | Multi-Feature Fusion Based Convolutional Neural Networks for EEG Epileptic Seizure Prediction in Consumer Internet of Things | |
CN117831743A (zh) | 基于物联网技术的居家养老健康监测管理系统及方法 | |
CN117690583B (zh) | 基于物联网的康复护理交互式管理系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |