CN103364452A - 一种血细胞分类识别电路及方法 - Google Patents
一种血细胞分类识别电路及方法 Download PDFInfo
- Publication number
- CN103364452A CN103364452A CN2013102156363A CN201310215636A CN103364452A CN 103364452 A CN103364452 A CN 103364452A CN 2013102156363 A CN2013102156363 A CN 2013102156363A CN 201310215636 A CN201310215636 A CN 201310215636A CN 103364452 A CN103364452 A CN 103364452A
- Authority
- CN
- China
- Prior art keywords
- cell
- signal
- module
- value
- analog filter
- 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
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种血细胞分类识别电路及方法,由细胞信号脉冲产生模块、模拟滤波器模块、前置放大器模块、A/D转换器模块、ARM处理器及信号识别模块组成。细胞信号脉冲产生模块将被测血细胞在经过库尔特微孔后产生的阻值变化,转换成幅值为35μV-2mV的微小脉冲信号,并输入到模拟滤波器模块;模拟滤波器模块对微信号进行高通滤波,滤除低频信号,然后输出到前置放大器模块;微信号经过前置放大器放大后,传递给A/D转换器模块;A/D转换器模块在ARM处理器SPI通讯的控制下完成信号采集;ARM处理器通过对采集到的数字信号进行幅值、频率和通过时间的分析,完成血细胞的立体化识别。本发明具有简洁,速度快,准确性高的优点。
Description
技术领域
本发明属于临床检验设备领域。
背景技术
血液分析仪是医院临床检验广泛应用的仪器之一。目前,大多数血液分析仪均采用电阻抗原理(Coulter原理)来检测血细胞。通过研究发现,在电阻抗计数原理下,有效血细胞信号的频率约为30KHz-50KHz,由采样定理可知,采样频率需保证至少在100KHZ才能复原信号的包络线,而血液分析仪采样时间一般在10s以上。因此,可计算出采样数据至少在100万个采样点以上。分析仪如何在规定时间内完成数据的实时采集与处理,进而完成对血细胞脉冲信号准确、有效的识别是影响其精度指标的关键因素。
目前血液分析仪通常采用硬件模拟电路的识别方法,即将血细胞脉冲信号转化为能触发计数器的方波,实现血细胞的分类及计数。由于该识别方法简单、速度快,一定程度上满足了血液分析仪对血细胞识别和计数的需要,但也存在着一些不足之处:①不能反应出各血细胞脉冲信号的频率特征,对高频及过宽干扰信号出现误计;②当待检测血细胞浓度比较大时,会出现对重叠血细胞信号的漏计数。
此外,也有不少研究者尝试利用人工神经网络等智能方法对血细胞脉冲信号进行识别,但神经网络存在结构复杂,训练时间长,容易陷入局部极小,甚至无法收敛的缺陷。此外,血细胞识别时,需先用小波分析等方法对血细胞信号进行特征量提取,然后选定部分特征量输入到神经网络模型后进行识别,算法复杂,运算处理时间长,难以应用于血液分析仪***中。
发明内容
本发明的目的是克服了现有技术的缺陷,设计一种血细胞分类识别电路及血细胞分类识别方法。即通过对血细胞脉冲信号的幅值、频率和通过时间进行立体化检测,充分利用各参数特征,对脉冲信号进行准确、快速识别。
本发明所述的技术方案为:一种血细胞分类识别电路,由细胞信号脉冲产生模块、模拟滤波器模块、前置放大器模块、A/D转换器模块、ARM处理器及信号识别模块五部分组成。细胞信号脉冲产生模块的输出端连接至模拟滤波器模块的输入端,模拟滤波器模块的输出端连接至前置放大器模块的输入端,前置放大器模块的输出端连接至A/D转换器模块的输入端,A/D转换器模块的CS、CLK、SDO分别与ARM处理器及信号识别模块的CS、CLK、SDI端相连。
本发明的工作过程是:细胞信号脉冲产生模块将被测血细胞在经过库尔特微孔后产生的阻值变化,转换成幅值为35μV-2mV的微小脉冲信号,并输入到模拟滤波器模块;模拟滤波器模块对细胞微信号进行高通滤波,即滤除50HZ工频等低频信号,然后输出到前置放大器模块;微信号经过前置放大器放大后,传递给A/D转换器模块;A/D转换器模块在ARM处理器的控制下将模拟信号转换成数字信号,再通过SPI通讯传输给ARM处理器,从而完成了信号采集;ARM处理器及信号识别模块控制A/D转换器模块进行数据转换,并完成数据采集,同时通过对采集到的血细胞数字信号进行幅值、频率和通过时间的分析,完成血细胞的立体化识别。
所述细胞信号脉冲信号产生模块所产生有效血细胞信号的频率为30KHz-50KHz。
所述前置放大器模块大后的信号幅值为300mV-4V。
所述的A/D转换器模块所采用的A/D精度为5V-12bit,采样速率为3Msps,采样时间为15s。
所述的ARM处理器及信号识别模块根据对采样所得信号幅值的数字量分析,设置高、低二个门槛值来滤除底部噪声信号和超限干扰信号;通过本发明的软件识别算法确定细胞波形,根据计算细胞脉冲信号的通过时间,确定细胞频率,实现带通滤波,滤除干扰信号,然后对有效细胞进行计数及分类。
本发明的软件算法实现步骤为。
1)确定基线噪声干扰门槛值:由于血细胞信号为微小脉冲信号,必须经过放大。但是放大电路受零漂、失调电压漂移的影响,会在基线附近产生噪声干扰。根据对无血细胞通过库尔特微孔时噪声信号幅值特征,利用公式(1)确定低门槛值:
其中:D为输出数字量(输入电压换算后的数字量),u为输入电压,u REF 为参考电压,N为A/D位数。
设定一个略高于D值的低门槛值,以区分有效信号与噪声干扰。软件算法只对大于低门槛值的信号进行处理,将小于此门槛值的数据除去,仅留下大于此值的数据。这样,可以除去大量非细胞脉冲信号数据,仅保留有可能为细胞脉冲信号采样点的数据,提高了数据的利用率。
2)波形识别:利用上一步保留有可能为细胞脉冲信号的采样数据,恢复原始信号的包络线。首先根据A/D转换速率确定连续上升点数N1和连续下降点数N2。通过对一组数据连续上升再连续下降的点计数,从而判断这个原始信号包络线是否为一个细胞波形或波形的大致形状。
高频干扰信号由于上升和下降趋势很快,难以保证连续上升和连续下降的点数,因此通过对连续上升及连续下降点数N1和N2的限制,杜绝了对高频干扰信号的误识别。
3)滤波:根据细胞脉冲频率与A/D转换速率的关系,由公式(2)可以计算出有效细胞脉冲信号的宽度,即所包含的采样点数K:
其中:K为被采信号宽度所包含的采样点数,f s为A/D转换速率,f为被采信号频率。
由于实际有效细胞信号仅有正半周期的脉冲,因此有效细胞信号宽度的点数应为K/2,因此根据有效细胞脉冲信号频率范围可以确定信号宽度的上、下限点数K1和K2。
软件算法对第二步所得信号波形进行判断,实现带通滤波,即保留满足有效细胞信号宽度点数的波形,滤去超出上、下限点数K1和K2的波形。
4)计数和细胞分类:依据电阻抗测量法,脉冲的数量与细胞的数量成正比,脉冲的高度与细胞的体积成正比。对已获得有效细胞信号,其一组波形数据都有一个最大值H,通常把这个值作为这个有效细胞脉冲信号的高度。
软件算法对上一步得到的有效细胞信号进行计数,得到红细胞、血小板的计数值。在对白细胞分类时,除了对有效细胞信号进行计数外,还将每个白细胞脉冲根据其体积大小分群,然后计算各群细胞数分别占白细胞总数的比例,从而得到白细胞分类值。
更具体地说,本发明所述的血细胞分类识别方法是通过以下步骤实现的。
S1、开始。
S2、参数初始化。
S3、由细胞信号产生模块产生细胞信号。
S4、细胞信号滤波及放大:通过模拟滤波器对细胞信号进行滤波,通过前置放大器模块对细胞信号进行放大。
S5 、信号采集:通过ARM控制A/D转换器模块完成对细胞信号的采集。
S6、提取有效采样值。信号采集完成后,将每一个采样值同门槛值进行比较,采样值大于或等于门槛值则保存为有效值。
S7、若当前采样点为不最后一个有效采样点,则跳转至步骤S11。
S8、保存细胞总个数,保存各个细胞的特征值。
S9、根据细胞特征对细胞进行分类。
S10、细胞识别结束。
S11、若当前采样值小于上一个有效采样值,跳转至步骤S17。
S12、细胞宽度加1,连续上升点数加1,细胞高度赋值为当前采样值。
S13、若连续下降点数为0,则跳转至步骤S7。
S14、若当前波形特征不符合细胞特征,则跳转至步骤S7。
S15、细胞总个数加1,并保存当前细胞特征值。
S16、连续上升点数、连续下降点数、细胞宽度、细胞高度清零,并跳转至步骤S7。
S17、细胞宽度加1,连续下降点数加1,并跳转至步骤S7。
与现有技术相比,本发明的优点在于血细胞脉冲信号立体化识别方法不但能恢复原始脉冲信号的包络线,还具有带通滤波的作用。更重要的是,由于该识别方法从细胞高度、宽度和细胞通过微孔的时间的立体化检测,从而避免了模拟电路识别方法仅通过脉冲高度对细胞进行计数存在的漏计和误计问题,且数据处理时间小于1s,处理速度快。本发明算法简洁,速度快,准确性高,满足了血液分析仪对大量采样数据在线实时处理的要求。
附图说明
图1为本发明的细胞信号传输结构框图。
图2为本发明细胞信号脉冲产生模块电路图。其中JP1为电极插头。
图3为本发明的模拟滤波器模块电路图。其中C7、R9组成高通模拟滤波器。
图4为本发明前置放大器模块电路图。
图5为本发明A/D转换器模块电路图。
图6为本发明ARM处理器及信号识别模块示意图。
图7为本发明的细胞识别模块流程图。
图8为本发明中双峰细胞脉冲产生过程示意图。
图9为本发明对图6所述双峰细胞信号的识别效果验证图。
图10为本发明涉及的高频、低频及正常细胞脉冲信号的曲线图。
图11为本发明对图10所述脉冲信号的识别效果验证图。
具体实施方式
本发明将结合附图,通过以下实施例作进一步说明。
如图1为本发明的一个实施例。血细胞立体化软件分类识别算法由细胞信号脉冲产生模块、模拟滤波器模块、前置放大器模块、A/D转换器模块、ARM处理器与信号识别模块五部分组成。细胞信号产生模块产生微小的血细胞信号,并传递给模拟滤波器模块;模拟滤波器模块对细胞微信号进行高通滤波,即滤除50HZ工频等低频信号,然后输出到前置放大器模块;前置放大器是对细胞微信号进行放大,并将处理后的数据输出到A/D转换器模块;A/D转换器模块在ARM处理器的控制下将模拟信号转换成数字信号,再通过SPI通讯传输给ARM处理器,从而完成了信号采集;ARM处理器及信号识别模块为发明的核心,其控制A/D转换器模块进行数据转换,并完成数据采集,同时对采集到的数字信号进行处理,从而完成细胞信号的识别并对细胞进行分类。
附图2为本实施例细胞信号脉冲产生模块电路图。该电路由外部电源提供+60V直流电源,电路主要由R1、R2、C1、C2、C8、JP1组成信号输入的直流部分。其中R1、C1、C2组成滤波电路,经R2同时与C8、JP1连接,C8、JP1的另一端再分别接地。细胞信号产生模块通过电极插头JP1获取宝石微传感器的微小信号,并将获取的信号输出到前置放大器及模拟滤波器模块,也即由输入端JP1,到达细胞微信号输出端。C8为滤波电容。其中R1为4.7KΩ、R2为56KΩ,C1为10uF的电解电容、C2为100nF电容、C8为50pF电容、JP1为输入信号的电极插头。
附图3为本实施例模拟滤波器模块电路图。主要由C7、R9组成频率下限约为338HZ的高通滤波电路;模拟滤波器模块的S2端连接至细胞信号脉冲产生模块的S1端;模拟滤波器模块的S3端连接至前置放大器模块U2的3脚。C7一端连接S1,另一端与R9共同连接S3端;R9一端与C7共同连接S3端,另一端接地。
附图4为本实施例前置放大器模块电路图。主要由U2、R10、R13、C10组成。R10、R13组成前置放大器,放大倍数约267; R10、C10连接在U2的第2、6脚之间; R3、C5、C6组成-12V滤波电路;R14、C15、C16组成+12V滤波电路,分别连接在U2的第4脚、第7脚; R13连接在U2的第2脚与地之间。其中R13为56Ω、R10为15KΩ、R14为100Ω、R3为100Ω的电阻,C5、C15为10uF的电解电容,C6、C16为100nF的电容、C10为200pF的电容。
附图5为本实施例A/D转换器模块电路图。主要由D1、R101、U1。A/D转换器模块的S4端与前置放大器U2的6脚相连。D1为5V波峰稳压管,当输入到U1的电压大于5V时,D1击穿,此时输入到U1的电压为0V,对U1进行保护;R101为阻抗匹配电阻,其一端与前置放大器及模拟滤波器模块的输出端及D1的稳压端相连,另一端与U1的3脚相连;U1将输入到3脚的模拟信号转换成数字信号;其CS、CLK、SDO端分别与ARM处理器及信号识别模块的CS、CLK、SDI端相连;C101、C102组成5V电源滤波电路。其中D1为5V波峰稳压管,型号为LL60;R101为100Ω的电阻;U1为ADS7883的A/D转换器; C101为100nF的电容;C102为10uF的电容。
图6为本实施例的ARM处理器及信号识别模块示意图。主要由U3组成。其CS、CLK、SDI端分别与A/D转换器模块的CS、CLK、SDO端相连;U3为ARM9处理器,型号为S3C2442B。
所述细胞信号脉冲信号产生模块所产生有效血细胞信号的频率为30KHz-50KHz。
所述前置放大器模块放大后的信号幅值为300mV-4V。
所述的A/D转换器模块所采用的A/D转换器型号为ADS7883,精度为5V-12bit,采样速率为3Msps,数据采样时间为15s,采样数据量为4500万个采样点。
所述的ARM处理器及信号识别模块工作流程图如图7所示,具体步骤如下。
S1、开始。
S2、参数初始化。设置细胞识别中用到的各个参数的初始值:本发明中干扰信号≤80mV,A/D转换后的数字量为66,此处设低门槛值D为100。最大有效细胞信号幅值为4V,A/D转换后的数字量为3276,因此最大细胞高度H设为3276;连续上升点数N1为5;连续下降点数N2为5;细胞总个数N为0;根据有效细胞频率30KHz-50KHz以及A/D采样速率3Msps,计算得细胞最大宽度K2为50,细胞最小宽度K1为30。
S3、由细胞信号产生模块产生细胞信号。
S4、细胞信号滤波及放大。通过模拟滤波器对细胞信号进行滤波,通过前置放大器模块对细胞信号进行放大。
S5 、信号采集。通过ARM控制A/D转换器模块完成对细胞信号的采集。
S6、提取有效采样值。信号采集完成后,将每一个采样值同门槛值D进行比较,采样值大于或等于门槛值D则保存为有效值。
S7、若当前采样点为不最后一个有效采样点,则跳转至步骤S11。
S8、保存细胞总个数,保存各个细胞的特征值。
S9、根据细胞特征对细胞进行分类,对以上得到的有效细胞信号进行计数,得到红细胞、血小板的计数值。在对白细胞分类时,除了对有效细胞信号进行计数外,还将每个白细胞脉冲根据其体积大小分群,然后计算各群细胞数分别占白细胞总数的比例,从而得到白细胞分类值。
S10、细胞识别结束。
S11、若当前采样值小于上一个有效采样值,跳转至步骤S17。
S12、细胞宽度加1,连续上升点数加1,细胞高度赋值为当前采样值。
S13、若连续下降点数为0,则跳转至步骤S7。
S14、若当前波形特征不符合细胞特征,则跳转至步骤S7。若连续上升点数大于或等于5,连续下降点数大于或等于5,细胞宽度小于或等于50且大于或等于30,细胞高度小于3276则当前波形特征符合细胞特征,否则不符合细胞特征。
S15、细胞总个数加1,并保存当前细胞特征值。
S16、连续上升点数、连续下降点数、细胞宽度、细胞高度清零,并跳转至步骤S7。
S17、细胞宽度加1,连续下降点数加1,并跳转至步骤S7。
Claims (2)
1.一种血细胞分类识别电路,其特征是由细胞信号脉冲产生模块、模拟滤波器模块、前置放大器模块、A/D转换器模块、ARM处理器及信号识别模块五部分组成;
细胞信号脉冲产生模块的输出端连接至模拟滤波器模块的输入端,模拟滤波器模块的输出端连接至前置放大器模块的输入端,前置放大器模块的输出端连接至A/D转换器模块的输入端,A/D转换器模块的CS、CLK、SDO分别与ARM处理器及信号识别模块的CS、CLK、SDI端相连。
2.权利要求1所述的血细胞分类识别电路的血细胞分类识别方法,其特征是:
S1、开始;
S2、参数初始化;
S3、由细胞信号产生模块产生细胞信号;
S4、细胞信号滤波及放大:通过模拟滤波器对细胞信号进行滤波,通过前置放大器模块对细胞信号进行放大;
S5 、信号采集:通过ARM控制A/D转换器模块完成对细胞信号的采集;
S6、提取有效采样值:信号采集完成后,将每一个采样值同门槛值进行比较,采样值大于或等于门槛值则保存为有效值;
S7、若当前采样点为不最后一个有效采样点,则跳转至步骤S11;
S8、保存细胞总个数,保存各个细胞的特征值;
S9、根据细胞特征对细胞进行分类;
S10、细胞识别结束;
S11、若当前采样值小于上一个有效采样值,跳转至步骤S17;
S12、细胞宽度加1,连续上升点数加1,细胞高度赋值为当前采样值;
S13、若连续下降点数为0,则跳转至步骤S7;
S14、若当前波形特征不符合细胞特征,则跳转至步骤S7;
S15、细胞总个数加1,并保存当前细胞特征值;
S16、连续上升点数、连续下降点数、细胞宽度、细胞高度清零,并跳转至步骤S7;
S17、细胞宽度加1,连续下降点数加1,并跳转至步骤S7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102156363A CN103364452A (zh) | 2013-06-03 | 2013-06-03 | 一种血细胞分类识别电路及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102156363A CN103364452A (zh) | 2013-06-03 | 2013-06-03 | 一种血细胞分类识别电路及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103364452A true CN103364452A (zh) | 2013-10-23 |
Family
ID=49366276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102156363A Pending CN103364452A (zh) | 2013-06-03 | 2013-06-03 | 一种血细胞分类识别电路及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103364452A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822867A (zh) * | 2014-01-22 | 2014-05-28 | 宁波城市职业技术学院 | 一种基于DSP Builder的血细胞脉冲信号检测统计方法 |
WO2022160498A1 (zh) * | 2021-01-29 | 2022-08-04 | 深圳市科曼医疗设备有限公司 | 基于血液细胞分析仪的自动检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226133A (zh) * | 2008-01-28 | 2008-07-23 | 宁波大学 | 一种血细胞脉冲信号的分类识别方法 |
CN101344521A (zh) * | 2008-05-16 | 2009-01-14 | 南昌百特生物高新技术有限公司 | 全自动三分群血细胞分析仪多级全反馈放大电路 |
CN201194013Y (zh) * | 2008-05-16 | 2009-02-11 | 南昌百特生物高新技术有限公司 | 全自动三分群血细胞分析仪spi采样电路 |
CN101915727A (zh) * | 2010-07-02 | 2010-12-15 | 宁波大学 | 一种基于fpga的微粒检测统计***及方法 |
CN203324217U (zh) * | 2013-06-03 | 2013-12-04 | 南昌大学 | 一种血细胞分类识别电路 |
-
2013
- 2013-06-03 CN CN2013102156363A patent/CN103364452A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226133A (zh) * | 2008-01-28 | 2008-07-23 | 宁波大学 | 一种血细胞脉冲信号的分类识别方法 |
CN101344521A (zh) * | 2008-05-16 | 2009-01-14 | 南昌百特生物高新技术有限公司 | 全自动三分群血细胞分析仪多级全反馈放大电路 |
CN201194013Y (zh) * | 2008-05-16 | 2009-02-11 | 南昌百特生物高新技术有限公司 | 全自动三分群血细胞分析仪spi采样电路 |
CN101915727A (zh) * | 2010-07-02 | 2010-12-15 | 宁波大学 | 一种基于fpga的微粒检测统计***及方法 |
CN203324217U (zh) * | 2013-06-03 | 2013-12-04 | 南昌大学 | 一种血细胞分类识别电路 |
Non-Patent Citations (2)
Title |
---|
施金良等: "基于FPGA的血细胞分析装置设计", 《现代科学仪器》 * |
雷霞: "基于FPGA的血细胞脉冲信号识别算法的研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822867A (zh) * | 2014-01-22 | 2014-05-28 | 宁波城市职业技术学院 | 一种基于DSP Builder的血细胞脉冲信号检测统计方法 |
WO2022160498A1 (zh) * | 2021-01-29 | 2022-08-04 | 深圳市科曼医疗设备有限公司 | 基于血液细胞分析仪的自动检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104665849B (zh) | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 | |
CN102854445B (zh) | 一种局部放电脉冲电流的波形特征提取方法 | |
CN103142225B (zh) | 对电极与头皮接触状态进行判断的脑电图仪及其判断方法 | |
CN103197218B (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
CN101226133B (zh) | 一种血细胞脉冲信号的分类识别方法 | |
CN103163380A (zh) | 基于LabVIEW开发平台的微欧级电阻测量*** | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别*** | |
CN104297213A (zh) | 血液细胞分析仪及其异常细胞的识别方法与*** | |
CN106769698B (zh) | 一种基于电阻抗原理的血细胞异常脉冲信号识别处理方法 | |
CN109001577A (zh) | 一种电能计量现场数据分析方法及*** | |
CN209417262U (zh) | 一种电池内阻测量电路 | |
CN108037159B (zh) | 一种基于阻抗频谱积分特征的细胞活性检测方法及装置 | |
CN208384130U (zh) | 一种基于fpga/stm32的数字多道谱仪 | |
CN103364452A (zh) | 一种血细胞分类识别电路及方法 | |
CN203606455U (zh) | 局部放电信号触发相位同步时钟源 | |
CN104967097A (zh) | 基于支持向量分类机的励磁涌流识别方法 | |
CN104515723A (zh) | 细胞分析仪及其红细胞凝集报警方法和*** | |
CN203324217U (zh) | 一种血细胞分类识别电路 | |
CN202793421U (zh) | 用于无源车轮传感器的信号处理装置 | |
CN103954828B (zh) | 基于单相pfc的电压检测电路和装置 | |
CN103235216A (zh) | 一种基于LabVIEW的增氧机自动测试*** | |
CN206057446U (zh) | 一种智能变电站二次核相器 | |
CN201653613U (zh) | 扭簧扭矩测试装置 | |
CN105193451B (zh) | 一种胎儿心率曲线基线的识别方法 | |
CN204575825U (zh) | 电池性能监测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131023 |