CN105919584B - 用于可穿戴心率监测设备的心率估计方法及装置 - Google Patents
用于可穿戴心率监测设备的心率估计方法及装置 Download PDFInfo
- Publication number
- CN105919584B CN105919584B CN201610459447.4A CN201610459447A CN105919584B CN 105919584 B CN105919584 B CN 105919584B CN 201610459447 A CN201610459447 A CN 201610459447A CN 105919584 B CN105919584 B CN 105919584B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- wave signal
- heart rate
- signal
- spectrum
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 137
- 230000003595 spectral effect Effects 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000001367 artery Anatomy 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 210000003462 vein Anatomy 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000012806 monitoring device Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 8
- 230000033764 rhythmic process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100268665 Caenorhabditis elegans acc-1 gene Proteins 0.000 description 1
- 101100268668 Caenorhabditis elegans acc-2 gene Proteins 0.000 description 1
- 101100268670 Caenorhabditis elegans acc-3 gene Proteins 0.000 description 1
- 101100182136 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) loc-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording 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, mobility of a limb
-
- 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
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种用于可穿戴心率监测设备的心率估计方法及装置。本发明主要包括运动伪影移除以及心率谱峰追踪两部分。运动伪影移除为:首先利用非线性自适应滤波法捕获噪声参考信号与脉搏波信号中的运动伪影噪声间的非线性关系,从而有效的消除运动伪影干扰,然后采用基于分类的二元决策方法判断滤波后的脉搏波信号是否仍含有大量噪声,对判决为仍含有噪声的脉搏波信号采用奇异谱分析方法进一步去除噪声干扰;再基于频谱的心率谱峰追踪,定位每个时间窗的心率谱峰,即首先基于非线性定位法定位心率谱峰,若不能成功定位,再基于分类定位法定位心率谱峰。本发明用于心率估计,其计算精度高、复杂度低,从而保证了其在可穿戴监测设备的可实施性。
Description
技术领域
本发明涉及生物医学信号处理领域,尤其涉及一种用于可穿戴心率监测设备的心率估计方法及装置。
背景技术
心率是人体生理参数中一个非常重要的指标,同时心率也可以作为人体运动生理负荷客观评定的一个有效参考,而基于可穿戴设备的心率监测是控制人体运动强度的一个重要且有效的手段。
目前对于心率的监测主要有两种方法,一种是传统的基于心电信号的心率监测,这种方法要求若干个电极在人体的不同部位同时采集生理电信号,然后根据采集到的信号来计算心率,这是在临床医疗中最常用的一种方法。然而其缺点是大大限制的人体的活动,因此这种方法并不适用于人体运动状态下的心率监测。另一种方法是基于光电容积脉搏波描记法的心率监测,这种方法是借助光电技术通过人体皮肤来检测血液容积的变化,而血液容积的变化是由心脏有规律地舒张与收缩引起的,因此可以根据采集到的光电容积脉搏波信号(PPG信号)来监测心率。这种方法的优点是信号采集非常方便,只需要一个光电传感器与皮肤接触,并且人体的活动可以不受其影响,这也是目前可穿戴心率监测设备最常用的一种方法。
但是由于光电容积脉搏波信号是从皮肤表面采集的信号,其信号强度弱,且易受干扰,工频噪声、环境噪声、运动噪声都会对采集的信号质量造成很大的影响,而其中最主要的就是由于人体运动而造成的运动伪影干扰,并且这种运动伪影干扰的主要频率在很多情况下会与心率的频率发生重叠,很难消除。因此,在运动状态下的基于光电容积脉搏波信号的心率监测仍具有一定的挑战性。
为了解决这一问题,目前已经有很多方法尝试着消除运动伪影噪声。自适应滤波是一种常见的去噪方法,但是它对参考信号过于地依赖,如果参考信号选择不合适,去噪效果就会非常不理想。另外,运动伪影与脉搏波信号在剧烈运动时往往并不是线性相关的,这也对自适应滤波的去噪效果有很大的影响。除此之外,奇异谱分析是另一个去除运动伪影效果较好的方法,但是这种基于信号分解的方法往往有着很大的计算量,这对于要求低功耗的可穿戴设备来说并不适用。因此,出现了基于奈曼皮尔逊检测的运动伪影噪声检测单元与FDICA(Frequency Domain Independent Component Analysis)的两阶段去噪算法。该方法在受试者运动量小的时候(运动噪声比较小),能够取得好的消噪效果。但是,当运动量大的时候,受到严重噪声干扰的脉搏波信号并不满足ICA(Independent ComponentAnalysis)所要求的统计独立性,因此不适用于运动量大的情况。而在基于经验模态分解和谱减法的混合方法中,其利用脉搏波信号经过经验模态分解后得到的本征模函数与加速度信号之间的线性相关系数来检测该本征模函数中运动伪影噪声的存在,从而进一步利用谱减方法去除运动伪影。但是由于脉搏波信号与运动伪影之间通常并不是线性相关的,因此基于经验模态分解和谱减的混合方法的性能并不稳定。公开号为CN104161505A的专利申请提出了一种结合自适应滤波与Mallat的方法来消除运动伪影噪声,但是,当自适应滤波后的脉搏波信号只含有很少的噪声时(即滤波后的脉搏波信号已经干净时),其仍用Mallat继续消噪,这无疑不仅起不到去噪的效果而且会增加算法计算量。事实上,并不是所有时间窗的脉搏波信号都含有大量噪声,此时仅利用自适应滤波算法(不需要Mallat算法)就可以将噪声去除干净。
另外,也有一些研究者尝试着在频谱中寻找心率对应谱峰的方法(即谱峰追踪方法)来提高在运动状态下基于光电容积脉搏波的心率检测的精度。如基于启发式的谱峰追踪方法(包括谱峰检测阶段与谱峰验证阶段)实现在频谱中寻找心率对应谱峰。然而,启发式方法存在着规则过度依赖于人为设置以及参数可以随意调整的缺点,会导致检测的性能不稳定。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供了一种用于可穿戴心率监测设备的心率估计方法,此方法精确度高,计算复杂度低,能够达到实时估计的目的,可以方便的应用于可穿戴心率监测设备中。
本发明的用于可穿戴心率监测设备的心率估计方法,包括下列步骤:
对光电容积脉搏波传感器采集的运动状态下的原始脉搏波信号、运动传感器采集的原始运动信号(例如三轴加速度信号)划分时间窗并对各时间窗进行心率估计:
步骤1:对当前时间窗的原始脉搏波信号、原始运动信号进行带通滤波处理,得到脉搏波信号s0和噪声参考信号;
步骤2:使用非线性自适应滤波器获取脉搏波信号s0和噪声参考信号的非线性关系,即噪声估计信号;基于噪声估计信号对脉搏波信号s0进行滤波处理得到脉搏波信号sk;
步骤3:对脉搏波信号sk提取特征信息(如时域、频域以及小波域特征等),并基于分类的二元决策方法将脉搏波信号sk分为干净与不干净两类;
对于类别为干净的脉搏波信号sk,则直接将其作为脉搏波信号sc;
对于类别为不干净的脉搏波信号sk,则基于噪声参考信号,使用奇异谱分析方法去除脉搏波信号sk中的噪声干扰,得到脉搏波信号sc;
步骤4:获取脉搏波信号sc的频谱,记为第一频谱;获取非线性处理(例如sc的平方、立方等)后的脉搏波信号sc的频谱,记为第二频谱,获取方式可采用任一惯用方式,如周期图法;
获取第一频谱、第二频谱在预设基频范围R0的前D个最高谱峰,其中对应第一频谱的前D个最高谱峰的谱峰位置(即横轴索引值,其中纵轴表示谱峰幅度)记为f1,f2,…,fD,对应第二频谱的前D个最高谱峰的谱峰位置记为p1,p2,…,pD;
基于非线性定位法定位当前时间窗的心率谱峰,若不能定位,再基于分类定位法定位;
其中,非线性定位法为:查找f1,f2,…,fD与p1,p2,…,pD中存在差值小于或等于预设阈值T1的谱峰位置fi,且fi与Prev的差值小于或等于预设阈值T2,则谱峰位置fi为当前时间窗的心率谱峰位置,其中i∈{1,2,…,D},Prev表示上一时间窗确定的心率谱峰的谱峰位置,Prev的初始值为初始时间窗的脉搏波信号sc的频谱的最高峰的谱峰位置;
分类定位法为:将不同时间窗的脉搏波信号sc作为分类器的训练样本,基于先验知识提取脉搏波信号sc的特征信息构建分类器,并指定不同分类结果的心率谱峰位置;提取当前时间窗的脉搏波信号sc的特征信息并输入分类器进行分类判决,基于当前类别对应的心率谱峰位置确定当前时间窗的心率谱峰位置;
步骤5:基于时间窗的心率谱峰位置计算心率值,比如首先根据频谱(第一频谱或第二频谱)的频率范围和傅里叶变换点数获取心率谱峰位置所在坐标系的单位坐标点的频率值,从而得到心率谱峰位置的频率值,即每秒的心率值。
进一步的,在步骤4的分类定位法中,构建的分类器包括的分类目标有C1、C2、C3三类:
判断谱峰位置f1,f2,…,fD与第一频谱在预设谐频范围R1的前D个最高谱峰的谱峰位置h1,h2,…,hD是否存在谐波对,即判断是否存在|2fj-hm|≤T3,若是,则当前时间窗的脉搏波信号sc属于类别C1,且类别C1对应的心率谱峰位置为fj,其中j∈{1,2,…,D},m∈{1,2,…,D},T3为预设阈值;
否则继续判断f1,f2,…,fD中是否存在谱峰fj满足|fj-Prev|≤T4,若是,则当前时间窗的脉搏波信号sc属于类别C2,且类别C2对应的心率谱峰位置为fj,其中j∈{1,2,…,D},T4为预设阈值;否则当前时间窗的脉搏波信号sc属于类别C3,且类别C3对应的心率谱峰位置为Prev。
进一步的,R0为[Prev-Δ,Prev+Δ],R1为:[2(Prev-Δ-1)+1,2(Prev+Δ-1)+1],其中Δ表示预设参数。
同时,本发明还公开了一种可穿戴心率监测设备,包括信号采集单元、信号预处理单元、信号去噪单元、心率计算单元和输出单元;
其中信号采集单元包括光电容积脉搏波传感器和运动传感器,用于采集被测者在运动状态下的原始脉搏波信号、原始运动信号并传输给信号预处理单元;
信号预处理单元对输入信号进行时间窗划分并进行带通滤波处理,向信号去噪单元输入脉搏波信号s0和噪声参考信号;
信号去噪单元通过非线性自适应滤波器捕获脉搏波信号s0和噪声参考信号的非线性关系,即噪声估计信号;再基于噪声估计信号对脉搏波信号s0进行滤波处理得到脉搏波信号sk;以及通过判决单元采用分类的二元决策方法判决脉搏波信号sk是否为干净,若是,则直接将脉搏波信号sk作为脉搏波信号sc并输入心率计算单元;否则基于噪声参考信号,使用奇异谱分析方法去除脉搏波信号sk中的噪声干扰,得到脉搏波信号sc后再输入心率计算单元;
心率计算单元:以时间窗为单位,结合非线性定位法和分类定位法定位每个时间窗的脉搏波信号sc的心率谱峰,并基于每个时间窗的心率谱峰位置计算当前时间窗的心率值并发送给输出显示单元;
其中,定位每个时间窗的脉搏波信号sc的心率谱峰具体为:
获取脉搏波信号sc的频谱,记为第一频谱;获取非线性处理后的脉搏波信号sc的频谱,记为第二频谱;获取第一频谱、第二频谱在预设基频范围R0内的前D个最高谱峰,其中对应第一频谱的前D个最高谱峰的谱峰位置记为f1,f2,…,fD,对应第二频谱的前D个最高谱峰的谱峰位置记为p1,p2,…,pD
在非线性定位法中:查找f1,f2,…,fD与p1,p2,…,pD中是否存在差值小于或等于预设阈值T1的谱峰位置fi,且fi与Prev的差值小于或等于预设阈值T2,如果存在,则谱峰位置fi为当前时间窗的心率谱峰位置,其中i∈{1,2,…,D},
在分类定位法中:将不同时间窗的脉搏波信号sc作为分类器的训练样本,提取脉搏波信号sc的特征信息构建分类器,并指定不同分类结果的心率谱峰位置;提取当前时间窗的脉搏波信号sc的特征信息并输入分类器进行分类判决,基于当前类别对应的心率谱峰位置确定当前时间窗的心率谱峰位置;
输出单元:以时间窗为单位,实时显示心率监测结果,即当前时间窗的心率值。
综上所述,由于采用了上述技术方案,本发明的有益效果是:计算出的心率精确度高,计算复杂度低。
附图说明
图1是本发明的可穿戴心率监测设备单元结构示意图;
图2是本发明的心率估计流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
参见图1,2,本发明的可穿戴心率监测设备包括信号采集单元、信号预处理单元、信号去噪单元、心率计算单元和输出单元。
其中,信号采集单元包括光电容积脉搏波传感器和运动传感器,用于采集源信号(包括被测者在运动状态下的原始脉搏波信号、原始运动信号,本实施例中使用的源信号是由光电传感器和三轴加速度传感器在被测者的腕部采集得到,信号的采样频率为125Hz),并输入给信号预处理单元进行信号预处理。
信号预处理单元利用滑动窗方法对原始信号划分时间窗同时利用带通滤波器对信号进行带通滤波,本实施例中,首先对源信号进行分割,使用滑动窗方法,窗口大小设为8秒,滑动步长设为2秒,计算当前时间窗的平均心率。根据人类实际可能的心率范围(40到160下每分钟),利用通频带为0.4Hz~5Hz(24到300下每分钟)的带通滤波器对分割后的信号进行带通滤波,将信号频率范围限制在0.4Hz~5Hz。经过预处理后的脉搏波信号记为s0,三轴加速度信号记为Acc,其中x、y、z三轴信号分别记为acc1、acc2、acc3。
信号去噪单元,通过非线性自适应滤波器捕获脉搏波信号s0和噪声参考信号(三轴加速度信号Acc)的非线性关系,对脉搏波信号s0进行滤波处理:
将三轴加速度信号Acc作为非线性自适应滤波器的输入信号,脉搏波信号s0作为非线性自适应滤波器的期望信号。在开始进行自适应滤波之前,利用截短Volterra序列对三轴加速度信号Acc进行重组得到输入信号x(k),即:
其中,i=1,2,3,k为采样点序号(k=1,2,…,M),M为时间窗长度(本实施例中M=1000)。
输入信号x(k)经过非线性自适应滤波器,基于递归最小二乘准则不断更新滤波系数w(k)直到目标函数ξ(k)收敛,其中目标函数上标“T”表示矩阵转置,下同。滤波系数w(k)的迭代公式为:其中λ为遗忘因子,其作用是加强当前数据的影响,减少历史数据的影响,本实施例取λ=0.1。
在经过非线性自适应滤波之后,可以得到输出信号y(k),即噪声估计信号。基于噪声估计信号y(k)对脉搏信号s0进行滤波处理得到脉搏波信号sk:sk=s0(k)-y(k)。
同时,信号去噪单元还包括判决单元、奇异谱分析去噪单元,即首先通过判决单元采用分类的二元决策方法判决脉搏波信号sk是否为干净(是否含有噪声),若是,则直接将脉搏波信号sk作为脉搏波信号sc并输入心率计算单元;否则基于噪声参考信号y(k),使用奇异谱分析去噪单元去除脉搏波信号sk中的噪声干扰,得到脉搏波信号sc后再输入心率计算单元;
本实施例中,基于随机森林算法实现分类的二元决策方法。即首先对脉搏波信号sk进行特征提取,包括:时域特征:脉搏波信号sk的能量、均值、方差;频域特征:脉搏波信号sk的频谱的均值、方差、显著波峰数量(指峰值大于预设阈值的波峰)、脉搏波信号sk的频谱与脉搏波信号s0的频谱的相关系数、脉搏波信号sk的频谱与噪声参考信号的频谱的皮尔逊相关系数。小波域特征:信号小波分解后各子带信号的能量、均值、方差等。本实施例采用5层小波分解,选择的母小波为db4小波。
在提取到以上特征后,将这些特征组成一个特征向量并利用分类器进行分类。然后将特征向量输入到随机森林,随机森林中的每一棵决策树根据输入的特征向量相互独立地做出分类,将特征向量对应的脉搏波信号分为干净(标记为0)或者不干净(标记为1)两类,然后根据Voting原则得出最终的分类结果。
奇异谱分析去噪单元对滤波脉搏波信号sk进一步去除噪声干扰,基于奇异值分解将脉搏波信号sk分解为d个时间序列ai(i=1,2…,d),同时计算各时间序列的频谱并查找最大幅值对应的频率值;以及计算噪声参考信号的频谱并统计主要频率成分(幅值大于预设阈值的谱峰对应的频率成分);依次判断每个时间序列,若当前时间序列的最大幅值对应的频率值与噪声参考信号的主要频率成分重叠,则删除当前时间序列,对保留的时间序列进行重构得到脉搏波信号sc。具体实施方式具体为:
首先将脉搏波信号sk映射为一个L×M的矩阵S,其中K=N-L+1,L<M/2,即:
M为时间窗长度(本实施例中M=1000)。
再对矩阵S进行奇异值分解:其中Si=σiμiνi T,且σi,μi,νi分别为第i个奇异值和对应的左奇异向量和右奇异向量,并针对每一个矩阵Si利用对角平均法求得对应的时间序列ai。在获得时间序列a1,a2,…,ad后,计算时间序列ai的频谱并查找其频谱最大幅值对应的频率值fi。
然后计算噪声参考信号Acc的频谱并统计其中主要频率成分(幅值大于预设阈值的谱峰对应的频率成分)对应的频率值,构成集合Fa。如果fi在集合Fa中出现,则删除fi所对应的第i个时间序列ai。最终再利用剩余的时间序列进行重构得到进一步去噪之后的脉搏波信号sc。
心率计算单元:对脉搏波信号sc的频谱进行心率谱峰追踪,定位每个时间窗的心率谱峰位置,并基于每个时间窗的心率谱峰位置计算当前时间窗的心率值并发送给输出显示单元。
首先获取脉搏波信号sc的频谱(例如基于周期图法获取对应频谱),记为频谱1,以及非线性处理后的脉搏波信号sc的频谱,记为频谱2,这样可以多一个频谱版本,从而增加找到心率对应谱峰的几率。本实施例中,非线性处理采用求平方的方式。然后设置两个频谱范围,即基频范围R0:[Prev-Δ,Prev+Δ],谐频范围R1:[2(Prev-Δ-1)+1,2(Prev+Δ-1)+1],为了便于实现,本实施例中,基频范围R0、R1为其预设频谱段中的离散坐标点(频谱的横轴上的离散坐标点)。
在频谱1的两个范围内分别找到前2个最高谱峰所对应的谱峰位置,即最高谱峰和次高谱峰的横轴索引值,其中在范围R0内找到的记为f1,f2;在范围R1内找到的记为h1,h2。在频谱2的范围R0内找到的最高、次高谱峰记为p1,p2。其中预设参数Δ为正整数。
心率计算单元首先基于非线性定位法定位当前时间窗的心率谱峰,若不能定位,再基于分类定位法定位;
其中,非线性定位法为:查找f1,f2与p1,p2中是否存在差值小于或等于预设阈值T1(T1的通常取值范围为0~3,本实施例取为2)的谱峰位置fi(i∈{1,2}),且fi与Prev的差值小于或等于预设阈值T2(T2的通常取值范围为0~6,本实施例取为3),如果存在,则谱峰位置fi为当前时间窗对应的心率谱峰位置。
分类定位法为:提取脉搏波信号sc的特征向量,采用随机森林算法,构建包括分类目标C1、C2、C3三类的分类器,f1,f2,…,fD与h1,h2,…,hD的任意项满足|2fj-hm|≤T3,则其属于类别C1,且类别C1对应的心率谱峰位置为fj,其中j∈{1,2,…,D},m∈{1,2,…,D},预设阈值T3的通常取值范围为0~2,本实施例取为2);若存在|fj-Prev|≤T4,则其属于类别C2,且类别C2对应的心率谱峰位置为fj,其中j∈{1,2,…,D},预设阈值T4的通常取值范围为0~3,本实施例取为2;否则其属于类别C3,且类别C3对应的心率谱峰位置为Prev。
在分类定位法中,提取脉搏波信号sc的特征向量包括:脉搏波信号sk与噪声参考信号在时域、频域下的相关系数、脉搏波信号sk在频谱范围R0内的显著谱峰个数、f1,f2与p1,p2之间是否存在谐波对、f1,f2、p1,p2与Prev各自的差值,其中显著波峰指峰值大于预设阈值的波峰。
当得到当前时间窗的心率谱峰位置(谱峰对应的横轴索引值)后,心率计算单元再根据计算心率值并发送给输出显示单元,以实现显示检测结果,其中心率值的单位为下/分钟,fs表示对应脉搏波信号sc的频谱的频率范围,N表示傅里叶变换(脉搏波信号sc从时频到频域的变换)的点数,即fs/N为单位坐标点的频率值,Loc指的是根据非线性定位法或者是分类法确定的心率谱峰位置(横轴值),因Loc的起始标记为1,故在计算时需Loc-1。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (10)
1.用于可穿戴心率监测设备的心率估计方法,其特征在于,包括下列步骤:
对光电容积脉搏波传感器采集的运动状态下的原始脉搏波信号、运动传感器采集的原始运动信号划分时间窗并对各时间窗进行心率估计:
步骤1:对当前时间窗的原始脉搏波信号、原始运动信号进行带通滤波处理,得到脉搏波信号s0和噪声参考信号;
步骤2:使用非线性自适应滤波器获取脉搏波信号s0和噪声参考信号的非线性关系,得到噪声估计信号;基于噪声估计信号对脉搏波信号s0进行滤波处理得到脉搏波信号sk;
步骤3:对脉搏波信号sk提取特征信息并基于分类的二元决策方法将脉搏波信号sk分为干净与不干净两类;
对于类别为干净的脉搏波信号sk,则直接将其作为脉搏波信号sc;
对于类别为不干净的脉搏波信号sk,则基于噪声参考信号,使用奇异谱分析方法去除脉搏波信号sk中的噪声干扰,得到脉搏波信号sc;
步骤4:获取脉搏波信号sc的频谱,记为第一频谱;
对脉搏波信号sc进行非线性处理后,获取其频谱,记为第二频谱;
获取第一频谱、第二频谱在预设基频范围R0的前D个最高谱峰,其中对应第一频谱的前D个最高谱峰的谱峰位置记为f1,f2,…,fD,对应第二频谱的前D个最高谱峰的谱峰位置记为p1,p2,…,pD;
基于非线性定位法定位当前时间窗的心率谱峰,若不能定位,再基于分类定位法定位;
其中,非线性定位法为:查找f1,f2,…,fD与p1,p2,…,pD中存在差值小于或等于预设阈值T1的谱峰位置fi,且fi与Prev的差值小于或等于预设阈值T2,则谱峰位置fi为当前时间窗的心率谱峰位置,其中i∈{1,2,…,D},Prev表示上一时间窗确定的心率谱峰的谱峰位置,Prev的初始值为初始时间窗的脉搏波信号sc的频谱的最高峰的谱峰位置;
分类定位法为:将不同时间窗的脉搏波信号sc作为分类器的训练样本,提取脉搏波信号sc的特征信息构建分类器,并指定不同分类结果的心率谱峰位置;提取当前时间窗的脉搏波信号sc的特征信息并输入分类器进行分类判决,基于当前类别对应的心率谱峰位置确定当前时间窗的心率谱峰位置;
步骤5:基于时间窗的心率谱峰位置计算心率值。
2.如权利要求1所述的方法,其特征在于,步骤4的分类定位法中,构建的分类器包括的分类目标有C1、C2、C3三类:
判断谱峰位置f1,f2,…,fD与第一频谱在预设谐频范围R1的前D个最高谱峰的谱峰位置h1,h2,…,hD是否存在谐波对,即判断是否满足|2fj-hm|≤T3,若是,则当前时间窗的脉搏波信号sc属于类别C1,且类别C1对应的心率谱峰位置为fj,其中j∈{1,2,…,D},m∈{1,2,…,D},T3为预设阈值;
否则继续判断谱峰位置f1,f2,…,fD中是否存在谱峰fj满足|fj-Prev|≤T4,若是,则当前时间窗的脉搏波信号sc属于类别C2,且类别C2对应的心率谱峰位置为fj,其中j∈{1,2,…,D},T4为预设阈值;否则当前时间窗的脉搏波信号sc属于类别C3,且类别C3对应的心率谱峰位置为Prev。
3.如权利要求2所述的方法,其特征在于,步骤4中,基频范围R0为[Prev-Δ,Prev+Δ],谐频范围R1为:[2(Prev-Δ-1)+1,2(Prev+Δ-1)+1],其中Δ表示预设参数。
4.如权利要求1所述的方法,其特征在于,步骤3中,基于噪声参考信号,使用奇异谱分析方法去除脉搏波信号sk中的噪声干扰,得到脉搏波信号sc具体为:
基于奇异值分解将脉搏波信号sk分解为若干时间序列,同时计算各时间序列的频谱并统计主要频率成分;
计算噪声参考信号的频谱并统计主要频率成分;
依次判断每个时间序列,若时间序列的主要频率成分与噪声参考信号的主要频率成分重叠,则删除当前时间序列,对保留的时间序列进行重构得到脉搏波信号sc。
5.如权利要求2所述的方法,其特征在于,步骤4中,提取脉搏波信号sc的特征信息包括:
脉搏波信号sc与噪声参考信号在时域、频域下的皮尔逊相关系数、脉搏波信号sc在基频范围R0内的显著谱峰个数、f1~fD与h1~hD之间是否存在谐波对、f1~fD、h1~hD与Prev各自的差值,其中显著谱峰指峰值大于预设阈值的谱峰。
6.如权利要求1所述的方法,其特征在于,采用时间窗长度为4~8秒,滑动间隔为1~2秒的滑动时间窗对原始脉搏波信号、运动传感器采集的原始运动信号进行时间窗划分。
7.如权利要求1所述的方法,其特征在于,步骤1中,带通滤波处理的频带范围为:0.4Hz~5Hz。
8.如权利要求1所述的方法,其特征在于,通过运动传感器采集的原始运动信号为三轴加速度信号。
9.如权利要求1所述的方法,其特征在于,步骤3中,对脉搏波信号sk提取特征信息包括时域特征、频域特征和小波域特征:
时域特征包括:脉搏波信号sk的能量、均值、方差;
频域特征包括:脉搏波信号sk的频谱的均值、方差、显著谱峰数量,脉搏波信号sk的频谱与脉搏波信号s0的频谱的相关系数、脉搏波信号sk的频谱与噪声参考信号的频谱的相关系数,其中显著谱峰指峰值大于预设阈值的谱峰;
小波域特征包括:脉搏波信号sk小波分解后各子带信号的能量、均值、方差。
10.一种可穿戴心率监测设备,其特征在于,包括信号采集单元、信号预处理单元、信号去噪单元、心率计算单元和输出单元;
其中信号采集单元包括光电容积脉搏波传感器和运动传感器,用于采集被测者在运动状态下的原始脉搏波信号、原始运动信号并传输给信号预处理单元;
信号预处理单元对输入信号进行时间窗划分并进行带通滤波处理,向信号去噪单元输入脉搏波信号s0和噪声参考信号;
信号去噪单元通过非线性自适应滤波器捕获脉搏波信号s0和噪声参考信号的非线性关系,得到噪声估计信号;再基于噪声估计信号对脉搏波信号s0进行滤波处理得到脉搏波信号sk;以及通过判决单元采用分类的二元决策方法判决脉搏波信号sk是否为干净,若是,则直接将脉搏波信号sk作为脉搏波信号sc并输入心率计算单元;否则基于噪声参考信号,使用奇异谱分析方法去除脉搏波信号sk中的噪声干扰,得到脉搏波信号sc后再输入心率计算单元;
心率计算单元:以时间窗为单位,结合非线性定位法和分类定位法对每个时间窗的脉搏波信号sc的频谱进行心率谱峰追踪,定位每个时间窗的心率谱峰,并基于每个时间窗的心率谱峰位置计算当前时间窗的心率值并发送给输出单元;
其中,定位每个时间窗的脉搏波信号sc的心率谱峰具体为:
获取脉搏波信号sc的频谱,记为第一频谱;对脉搏波信号sc进行非线性处理后,再获取其频谱,记为第二频谱;获取第一频谱、第二频谱在预设基频范围R0内的前D个最高谱峰,其中对应第一频谱的前D个最高谱峰的谱峰位置记为f1,f2,…,fD,对应第二频谱的前D个最高谱峰的谱峰位置记为p1,p2,…,pD;
基于非线性定位法定位当前时间窗的心率谱峰,若不能定位,再基于分类定位法定位;
所述非线性定位法为:查找f1,f2,…,fD与p1,p2,…,pD中是否存在差值小于或等于预设阈值T1的谱峰位置fi,且fi与Prev的差值小于或等于预设阈值T2,如果存在,则谱峰位置fi为当前时间窗的心率谱峰位置,其中i∈{1,2,…,D},Prev表示上一时间窗确定的心率谱峰的谱峰位置,Prev的初始值为初始时间窗的脉搏波信号sc的频谱的最高峰的谱峰位置;
所述分类定位法为:将不同时间窗的脉搏波信号sc作为分类器的训练样本,提取脉搏波信号sc的特征信息构建分类器,并指定不同分类结果的心率谱峰位置;提取当前时间窗的脉搏波信号sc的特征信息并输入分类器进行分类判决,基于当前类别对应的心率谱峰位置确定当前时间窗的心率谱峰位置;
输出单元:以时间窗为单位,实时显示当前时间窗的心率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610459447.4A CN105919584B (zh) | 2016-06-23 | 2016-06-23 | 用于可穿戴心率监测设备的心率估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610459447.4A CN105919584B (zh) | 2016-06-23 | 2016-06-23 | 用于可穿戴心率监测设备的心率估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105919584A CN105919584A (zh) | 2016-09-07 |
CN105919584B true CN105919584B (zh) | 2018-10-16 |
Family
ID=56832027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610459447.4A Active CN105919584B (zh) | 2016-06-23 | 2016-06-23 | 用于可穿戴心率监测设备的心率估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105919584B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106073745A (zh) * | 2016-06-15 | 2016-11-09 | 西北工业大学 | 基于智能手机的心率检测方法 |
CN106383808B (zh) * | 2016-09-18 | 2019-08-02 | 时瑞科技(深圳)有限公司 | 心率心电信号的处理***及方法 |
CN106779091B (zh) * | 2016-12-23 | 2019-02-12 | 杭州电子科技大学 | 一种基于超限学习机及到达距离的周期振动信号定位方法 |
CN106691425B (zh) * | 2016-12-30 | 2019-06-21 | 北京工业大学 | 一种运动手环的腕部心率监测方法 |
CN106798553B (zh) * | 2017-02-10 | 2020-07-17 | 苏州萌动医疗科技有限公司 | 一种时域自适应加窗的胎心音降噪技术 |
CN107223037B (zh) * | 2017-05-10 | 2020-07-17 | 深圳市汇顶科技股份有限公司 | 穿戴设备、消除运动干扰的方法及装置 |
WO2018223359A1 (zh) * | 2017-06-09 | 2018-12-13 | 深圳市汇顶科技股份有限公司 | 测量心率的方法和装置 |
EP3418831B1 (en) * | 2017-06-19 | 2023-08-16 | C.R.F. Società Consortile per Azioni | A method for performing a noise removal operation on a signal acquired by a sensor and system therefrom |
CN107456219B (zh) * | 2017-09-07 | 2020-10-30 | 成都云卫康医疗科技有限公司 | 一种基于皮尔逊相关系数动态心率和血氧测量方法 |
US10905328B2 (en) * | 2017-11-29 | 2021-02-02 | Verily Life Sciences Llc | Continuous detection and monitoring of heart arrhythmia using both wearable sensors and cloud-resident analyses |
CN108294737B (zh) * | 2018-01-26 | 2020-11-13 | 深圳市元征科技股份有限公司 | 心率测量方法、装置及智能穿戴设备 |
CN108478206B (zh) * | 2018-02-02 | 2021-08-13 | 北京邮电大学 | 运动状态下基于脉搏波的心率监测方法 |
CN108776358A (zh) * | 2018-05-02 | 2018-11-09 | 四川斐讯信息技术有限公司 | 一种智能设备的佩戴状态检测方法及*** |
CN109222949B (zh) * | 2018-10-12 | 2021-07-09 | 杭州士兰微电子股份有限公司 | 心率检测方法和心率检测装置 |
CN109864713B (zh) * | 2019-04-04 | 2020-10-30 | 北京邮电大学 | 基于多通道并行滤波和谱峰加权选择算法的心率监测方法 |
CN110101372A (zh) * | 2019-04-24 | 2019-08-09 | 上海工程技术大学 | 一种城轨列车司机生理状态监测*** |
CN110169764A (zh) * | 2019-05-06 | 2019-08-27 | 上海理工大学 | 一种lms自适应滤波ppg信号心率提取方法 |
CN110327029B (zh) * | 2019-07-03 | 2021-07-23 | 上海交通大学 | 一种基于微波感知的心率监测方法 |
WO2021092814A1 (zh) * | 2019-11-13 | 2021-05-20 | 深圳市汇顶科技股份有限公司 | 生物特征检测方法、生物特征检测装置、***及计算机存储介质 |
CN110866499B (zh) * | 2019-11-15 | 2022-12-13 | 爱驰汽车有限公司 | 手写文本识别方法、***、设备及介质 |
CN111444489B (zh) * | 2020-01-06 | 2022-10-21 | 北京理工大学 | 一种基于光电容积脉搏波传感器的双因子认证方法 |
CN111329462B (zh) * | 2020-03-05 | 2022-05-20 | 河北工业大学 | 一种实时无束缚心率提取方法 |
CN111297343A (zh) * | 2020-03-20 | 2020-06-19 | 中网联金乐盟科技(北京)有限公司 | 一种用于ppg心率测量的运动伪差消除***及其实现方法 |
CN111329463A (zh) * | 2020-03-20 | 2020-06-26 | 中网联金乐盟科技(北京)有限公司 | 一种基于ppg心率测量的运动伪差消除***及其实现方法 |
CN111407261B (zh) * | 2020-03-31 | 2024-05-21 | 京东方科技集团股份有限公司 | 生物信号的周期信息的测量方法及装置、电子设备 |
CN113491513B (zh) * | 2020-04-08 | 2023-06-30 | 华为技术有限公司 | 一种心律检测控制方法及终端 |
CN112790752B (zh) * | 2021-01-22 | 2022-09-27 | 维沃移动通信有限公司 | 心率值修正方法、装置及电子设备 |
CN113349752B (zh) * | 2021-05-08 | 2022-10-14 | 电子科技大学 | 一种基于传感融合的可穿戴设备实时心率监测方法 |
CN113476024A (zh) * | 2021-08-18 | 2021-10-08 | 重庆市人民医院 | 一种病区医学信号连续动态监测*** |
CN114469016A (zh) * | 2022-01-14 | 2022-05-13 | 甄十信息科技(上海)有限公司 | 一种穿戴设备佩戴检测的方法及设备 |
CN114521880B (zh) * | 2022-01-21 | 2023-09-01 | 中国人民解放军陆军军医大学 | 一种运动状态下心率计算方法、***及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104161505A (zh) * | 2014-08-13 | 2014-11-26 | 北京邮电大学 | 一种适用于可穿戴式心率监测设备的运动和噪声干扰消除方法 |
CN105105737A (zh) * | 2015-08-03 | 2015-12-02 | 南京盟联信息科技有限公司 | 基于光电容积描记和谱分析的运动状态心率监测方法 |
CN105286845A (zh) * | 2015-11-29 | 2016-02-03 | 浙江师范大学 | 一种适用于可穿戴式心率测量设备的运动噪声消除方法 |
CN205144547U (zh) * | 2015-11-29 | 2016-04-13 | 浙江师范大学 | 适用于可穿戴式心率测量设备的运动噪声消除*** |
-
2016
- 2016-06-23 CN CN201610459447.4A patent/CN105919584B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104161505A (zh) * | 2014-08-13 | 2014-11-26 | 北京邮电大学 | 一种适用于可穿戴式心率监测设备的运动和噪声干扰消除方法 |
CN105105737A (zh) * | 2015-08-03 | 2015-12-02 | 南京盟联信息科技有限公司 | 基于光电容积描记和谱分析的运动状态心率监测方法 |
CN105286845A (zh) * | 2015-11-29 | 2016-02-03 | 浙江师范大学 | 一种适用于可穿戴式心率测量设备的运动噪声消除方法 |
CN205144547U (zh) * | 2015-11-29 | 2016-04-13 | 浙江师范大学 | 适用于可穿戴式心率测量设备的运动噪声消除*** |
Non-Patent Citations (2)
Title |
---|
An Efficient Method for Heart Rate Monitoring Using Wrist-Type Photoplethysmographic Signals During Intensive Physical Exercise;Sk. Tanvir Ahamed et al.;《2016 5th International Conference on Inormatics,Electronics and Vision(ICIEV)》;20140514;第863-868页 * |
基于奇异谱去噪的心音信号混沌动力学分析;卢德林;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140315;第I136-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105919584A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105919584B (zh) | 用于可穿戴心率监测设备的心率估计方法及装置 | |
Zhang et al. | Combining ensemble empirical mode decomposition with spectrum subtraction technique for heart rate monitoring using wrist-type photoplethysmography | |
Islam et al. | A time-frequency domain approach of heart rate estimation from photoplethysmographic (PPG) signal | |
Nagendra et al. | Application of wavelet techniques in ECG signal processing: an overview | |
Sathyapriya et al. | Analysis and detection R-peak detection using Modified Pan-Tompkins algorithm | |
Schäck et al. | Computationally efficient heart rate estimation during physical exercise using photoplethysmographic signals | |
CN109077715A (zh) | 一种基于单导联的心电信号自动分类方法 | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
Sasikala et al. | Extraction of P wave and T wave in Electrocardiogram using Wavelet Transform | |
CN108056770A (zh) | 一种基于人工智能的心率检测方法 | |
CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及*** | |
Satheeskumaran et al. | Real-time ECG signal pre-processing and neuro fuzzy-based CHD risk prediction | |
CN110353704B (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
CN107361764B (zh) | 一种心电信号特征波形r波的快速提取方法 | |
CN107184187A (zh) | 基于DTCWT‑Spline的脉搏波信号去噪处理方法 | |
CN107320096B (zh) | 一种心电r波定位方法 | |
Faezipour et al. | Wavelet-based denoising and beat detection of ECG signal | |
CN115736854A (zh) | 一种基于毫米波雷达的呼吸心跳监测*** | |
Krak et al. | Electrocardiogram classification using wavelet transformations | |
Sahoo et al. | Classification of heart rhythm disorders using instructive features and artificial neural networks | |
Pan et al. | Detection of ECG characteristic points using biorthogonal spline wavelet | |
Nair et al. | Adaptive wavelet based identification and extraction of PQRST combination in randomly stretching ECG sequence | |
Li et al. | A High-Efficiency and Real-Time Method for Quality Evaluation of PPG Signals | |
Khamhoo et al. | Algorithm for QRS complex detection using discrete wavelet transformed | |
Ganatra et al. | A novel morphological feature extraction approach for ECG signal analysis based on generalized synchrosqueezing transform, correntropy function and adaptive heuristic framework in FPGA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |