CN109350072B - 一种基于人工神经网络的步频探测方法 - Google Patents
一种基于人工神经网络的步频探测方法 Download PDFInfo
- Publication number
- CN109350072B CN109350072B CN201811359980.9A CN201811359980A CN109350072B CN 109350072 B CN109350072 B CN 109350072B CN 201811359980 A CN201811359980 A CN 201811359980A CN 109350072 B CN109350072 B CN 109350072B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- window
- acceleration
- label
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000005021 gait Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005728 strengthening Methods 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—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
- A61B5/1118—Determining activity level
-
- 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
- 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
- A61B5/72—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
- A61B5/7235—Details of waveform analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种基于人工神经网络的步频探测方法：步骤1、采集神经网络模型训练数据；步骤2、数据预处理；步骤3、对步骤2得到的数据进行波峰检测，为数据制作标签，波峰的标签为1，非波峰或伪波峰的标签为0；步骤4、采用滑动窗口截取训练数据；步骤5、突出窗口内训练数据的波形特征；步骤6、取窗口内中间数据对应的标签作为窗口数据的标签；步骤7、平衡训练数据中正负样本比例；步骤8、神经网络模型搭建与训练；步骤9、在线步频检测时，将接收到的加速度数据依次存入滑动窗口中，并对窗口内的数据按步骤2和5处理；步骤10、将步骤9处理后的数据输入神经网络模型；步骤11、采样时间阈值剔除多余步点。
Description
【技术领域】
本发明属于导航定位领域，具体涉及一种基于人工神经网络的步频探测方法。
【背景技术】
随着社会和科学技术的快速发展，人们在室内日常生活中对基于位置服务的需求正变得越来越大，室内定位技术也得到了广泛的研究，其中行人航迹推算(PedestrianDead Reckoning，PDR)技术凭借其独有的优势获得了大量的研究，步频探测方法是PDR技术的至关重要的一部分。同时随着智能手机的普及，人们对身体健康和身体锻炼问题也越来越关注，基于智能手机的计步方法也越来越多，步频探测是计步方法的基础。
目前，步频探测方法主要基于加速度实现，常用的方法有平滑区域检测、零点交叉检测、峰值检测及自相关等。但是，他们都有一些缺陷。其中最常用的方法是峰值检测，峰值检测通过检测波峰或者波谷来判断行人是否行走一步，通常需要一系列的辅助阈值来筛选峰值，剔除一些因身体手臂异常抖动等原因造成的波峰波谷。因此峰值检测需要通过大量的数据和实验来训练这些阈值。训练出的阈值往往是固定的，以固定的阈值来处理动态的加速度数据，往往容易漏检或者多检。
【发明内容】
本发明的目的是提供一种基于人工神经网络的步频探测方法，利用神经网络算法强大的拟合能力，对加速度数据波形进行处理，实现自动探测步频的目的。
本发明一种基于人工神经网络的步频探测方法，它的步骤如下：
步骤1、采集神经网络模型训练数据，行人手持手机分别以不同的速度和步长行走多次，记录保存行走时硬件设备采集到的加速度数据。
步骤2、预处理，将步骤1采集到的加速度数据按照如下步骤进行预处理：
步骤21、将三轴加速度合成三轴总加速度，计算方法如下：
其中ai表示第i个采样点的总加速度数据，
表示第i个采样点三轴加速度计x,y,z轴的加速度值。
步骤22、对经过步骤21处理后的加速度数据进行平滑去噪。
步骤3、找到步骤2预处理后的数据中的波峰，对于是波峰的加速度值打上标签1，不是波峰的加速度值打上标签0。将加速度数据波形可视化，根据已知的步数，人为的将不是步点的波峰的标签1改为0。这样，每一个加速度值对应了一个标签。其中步点是指能代表行人行走了一步的加速度数据时间点，一般以波峰对应的时刻作为步点。
步骤4、采用滑动窗口截取训练数据。滑动窗口包含奇数个连续的加速度数据。数据形式如下：
[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j]
其中j表示窗口内中点左右两边加速度数据的个数，窗口内数据个数2j+1不超过一个步态周期内的加速度数据个数，不小于半个步态周期内加速度数据个数，行人自然行走时的步态周期一般在0.40～0.70秒。因此，j的大小可以由加速度计采样频率和窗口内数据个数范围确定。
步骤5、突出窗口内加速度数据的波形特征，定义符号函数sign：
令
其中|x|表示x的绝对值。
步骤6、取窗口内中间加速度的标签(步骤3获得的标签)作为窗口数据的标签。数据形式如下：
[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j,labeli]
步骤7、对数据集进行重采样或者调整正负样本权重，平衡训练数据中正负样本比例。
步骤8、神经网络模型搭建与训练。人工神经网络采用BP神经网络，模型输入神经元个数为窗口内加速度数据个数。隐藏层层数和每个隐藏层神经元个数通过多次实验获得，每次实验取不同的层数和神经元个数，取使得模型预测准确性最高的隐藏层个数和相应神经元个数即可，实验次数不限。输出神经元输出值表征该输入波形为步点的概率。将经过步骤2、3、4、5、6、7处理得到的训练数据输入神经网络模型进行训练，得到训练好的神经网络模型。
步骤9、在线步频检测时，依照步骤4，将行人行走时携带的硬件接收到的加速度数据依次存入滑动窗口中，并对窗口内的数据依次按照步骤2和步骤5进行处理。
步骤10、将步骤9处理后的数据输入步骤8得到的神经网络模型。若神经网络模型预测概率小于或者等于0.5，则直接判定为非步点，若预测概率大于0.5，则按照步骤11处理。
步骤11、剔除多余步点。设置一个时间阈值δΔt，δΔt取2～3个相邻加速度采样时间间隔即可。用窗口内中间数据对应的时间Tt减去上一个步点对应的时间Tt-1得到时间差Δt，若Δt＞δΔt，则窗口内中间加速度数据判定为步点，否则判定为非步点。
本发明提供一种基于人工神经网络的步频探测方法，按照步骤1、2、3、4、5、6、7、8得到步频检测神经网络模型。在线步频检测时，按照步骤9、10、11，完成步频检测。
本发明提出的一种基于人工神经网络的步频探测方法，与现有技术相比，其优点在于：1、在保留了加速度数据绝对值大小的基础上，引入窗口内左右加速度值与中间加速度值相减后的符号，加强了波形特征，能够更加有效提取行人行走时加速度数据反映出的步态特征；2、模型利用了人工神经网络强大的拟合能力，同时辅以时间阈值δΔt，达到了更加精准的识别步频的能力。如果对本发明的各种改动和变形不脱离本发明范围，仍然属于本发明的权利要求和同等技术范围之内。
【附图说明】
图1为本发明一种基于人工神经网络的步频探测方法流程示意图。
【具体实施方式】
本发明提出了一种基于人工神经网络的步频探测方法，其流程图如附图1所示，它包含以下十一个步骤：
步骤1、采集神经网络模型训练数据，行人手持手机分别以不同的速度和步长行走多次，记录保存行走时硬件设备采集到的加速度数据。
步骤2、预处理，将步骤1采集到的加速度数据按照如下步骤进行处理：
步骤21、将三轴加速度合成三轴总加速度，计算方法如下：
其中ai表示第i个采样点的总加速度数据，
分别表示第i个采样点三轴加速度计x,y,z轴的加速度值。
步骤22、对经过步骤21处理后的加速度数据进行平滑去噪。
步骤3、找到步骤2预处理后的数据中的波峰，对于是波峰的加速度值打上标签1，不是波峰的加速度值打上标签0。将数据波形可视化，根据已知的步数，人为的将不是步点的波峰的标签1改为0。这样，每一个加速度值对应了一个标签。其中步点是指能代表行人行走了一步的加速度数据时间点，一般以波峰对应的时刻作为步点。
步骤4、采用滑动窗口截取训练数据。滑动窗口包含奇数个连续的加速度数据。数据形式如下：
[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j]
其中j表示窗口内中点左右两边加速度数据的个数，窗口内数据个数2j+1不超过步行周期内加速度数据个数，不小于半个步行周期内加速度数据个数，行人自然行走时的步态周期一般在0.40～0.70秒。因此，j的大小可以由加速度计采样频率和窗口内数据个数范围确定。
步骤5、突出窗口内加速度数据的波形特征，定义符号函数sign：
令
其中|x|表示x的绝对值。
步骤6、取窗口内中间加速度对应的标签(步骤3获得的标签)作为窗口数据的标签。数据形式如下：
[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j,labeli]
步骤7、对数据集重采样或者调整正负样本权重，平衡训练数据中正负样本比例。
步骤8、神经网络模型搭建与训练。人工神经网络采用BP神经网络，模型输入神经元个数为窗口内加速度数据个数。隐藏层层数和每个隐藏层神经元个数通过多次实验获得，每次实验取不同的层数和神经元个数，取使得模型预测准确性最高的隐藏层个数和相应神经元个数即可，实验次数不限。输出神经元输出值表征该输入波形为步点的概率。将经过步骤2、3、4、5、6、7处理得到的训练数据输入神经网络模型进行训练，得到训练好的神经网络模型。
步骤9、在线步频检测时，依照步骤4，将行人行走时携带的硬件接收到的加速度数据依次存入滑动窗口中，并对窗口内的数据依次按照步骤2和步骤5进行处理。
步骤10、将步骤9处理后的数据输入步骤8得到的神经网络模型。若神经网络模型预测概率小于或者等于0.5，则直接判定为非步点，若预测概率大于0.5，则按照步骤11处理。
步骤11、用窗口内中间数据对应的时间Tt减去上一个步点对应的时间Tt-1得到时间差Δt，若Δt＞δΔt，则窗口内中间加速度数据判定为步点，并记录Tt。否则判定为非步点。
Claims (3)
1.一种基于人工神经网络的步频探测方法，其特征在于：该方法步骤如下：
步骤1、采集神经网络模型训练数据，行人手持手机分别以不同的速度和步长行走多次，记录保存行走时硬件设备采集到的加速度数据；
步骤2、预处理；具体包括将步骤1采集到的加速度数据按照如下步骤进行预处理：
步骤2.1、将三轴加速度合成三轴总加速度，计算方法如下：
其中ai表示第i个采样点的总加速度数据，
表示第i个采样点三轴加速度计x,y,z轴的加速度值；
步骤2.2、对经过步骤2.1处理后的加速度数据进行平滑去噪；
步骤3、找到步骤2预处理后的数据中的波峰，对于是波峰的加速度值打上标签1，不是波峰的加速度值打上标签0；将加速度数据波形可视化，根据已知的步数，人为的将不是步点的波峰的标签1改为0；这样，每一个加速度值对应了一个标签；
步骤4、采用滑动窗口截取训练数据；具体过程如下：滑动窗口包含奇数个连续的加速度数据，数据形式如下：
[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j]
其中j表示窗口内中点左右两边加速度数据的个数，窗口内数据个数2j+1不超过一个步态周期内的加速度数据个数，不小于半个步态周期内加速度数据个数；
步骤5、突出窗口内加速度数据的波形特征，定义符号函数sign：
令
其中|x|表示x的绝对值；
步骤6、取窗口内中间加速度的标签作为窗口数据的标签；数据形式如下：
[ai-j,…,ai-2,ai-1,ai,ai+1,ai+2,…,ai+j,labeli]
步骤7、对数据集进行重采样或者调整正负样本权重，平衡训练数据中正负样本比例；
步骤8、神经网络模型搭建与训练；
步骤9、在线步频检测时，依照步骤4，将行人行走时携带的硬件接收到的加速度数据依次存入滑动窗口中，并对窗口内的数据依次按照步骤2和步骤5进行处理；
步骤10、将步骤9处理后的数据输入步骤8得到的神经网络模型；若神经网络模型预测概率小于或者等于0.5，则直接判定为非步点，若预测概率大于0.5，则按照步骤11处理；
步骤11、剔除多余步点。
2.根据权利要求1所述的一种基于人工神经网络的步频探测方法，其特征在于：所述步骤8的具体过程如下：人工神经网络采用BP神经网络，模型输入神经元个数为窗口内加速度数据个数；隐藏层层数和每个隐藏层神经元个数通过多次实验获得，每次实验取不同的层数和神经元个数，取使得模型预测准确性最高的隐藏层个数和相应神经元个数即可，实验次数不限；输出神经元输出值表征该输入波形为步点的概率；将经过步骤2、3、4、5、6、7处理得到的训练数据输入神经网络模型进行训练，得到训练好的神经网络模型。
3.根据权利要求1所述的一种基于人工神经网络的步频探测方法，其特征在于：所述步骤11具体过程如下：设置一个时间阈值δΔt，δΔt取2～3个相邻加速度采样时间间隔，用窗口内中间数据对应的时间Tt减去上一个步点对应的时间Tt-1得到时间差Δt，若Δt＞δΔt，则窗口内中间加速度数据判定为步点，否则判定为非步点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811359980.9A CN109350072B (zh) | 2018-11-15 | 2018-11-15 | 一种基于人工神经网络的步频探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811359980.9A CN109350072B (zh) | 2018-11-15 | 2018-11-15 | 一种基于人工神经网络的步频探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109350072A CN109350072A (zh) | 2019-02-19 |
| CN109350072B true CN109350072B (zh) | 2020-08-04 |
Family
ID=65345227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811359980.9A Active CN109350072B (zh) | 2018-11-15 | 2018-11-15 | 一种基于人工神经网络的步频探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109350072B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110553643B (zh) * | 2019-09-17 | 2021-12-21 | 电子科技大学 | 一种基于神经网络的行人自适应零速更新点选取方法 |
| WO2021237659A1 (en) * | 2020-05-29 | 2021-12-02 | Beijing Didi Infinity Technology And Development Co., Ltd. | Indoor navigation |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1691170B1 (en) * | 2005-02-11 | 2009-06-10 | Samsung Electronics Co., Ltd. | Stride-based route guiding apparatus and method |
| CN102646198A (zh) * | 2012-02-21 | 2012-08-22 | 温州大学 | 具有层次结构的混合线性svm分类器的模式识别方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005037103A1 (en) * | 2003-10-17 | 2005-04-28 | M.B.T.L. Limited | Measuring forces in athletics |
| CN103371814A (zh) * | 2012-04-14 | 2013-10-30 | 兰州大学 | 基于智能诊断的远程无线心电监护***及特征提取方法 |
| CN104567912B (zh) * | 2015-02-02 | 2017-05-17 | 河海大学 | 一种在Android手机上实现计步器的方法 |
| CN107091650A (zh) * | 2017-04-27 | 2017-08-25 | 重庆邮电大学 | 一种基于手机加速度和距离传感器的软件计步方法 |
| CN107462258B (zh) * | 2017-07-13 | 2020-06-16 | 河海大学 | 一种基于手机三轴加速度传感器的计步方法 |
-
2018
- 2018-11-15 CN CN201811359980.9A patent/CN109350072B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1691170B1 (en) * | 2005-02-11 | 2009-06-10 | Samsung Electronics Co., Ltd. | Stride-based route guiding apparatus and method |
| CN102646198A (zh) * | 2012-02-21 | 2012-08-22 | 温州大学 | 具有层次结构的混合线性svm分类器的模式识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109350072A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Efficient human activity recognition solving the confusing activities via deep ensemble learning | |
| Lu et al. | Multimodal fusion convolutional neural network with cross-attention mechanism for internal defect detection of magnetic tile | |
| Liang et al. | A convolutional neural network for transportation mode detection based on smartphone platform | |
| CN106096662B (zh) | 基于加速度传感器的人体运动状态识别 | |
| CN112801000B (zh) | 一种基于多特征融合的居家老人摔倒检测方法及*** | |
| WO2011092639A1 (en) | Systems, methods, and apparatuses for providing context-based navigation services | |
| CN109350072B (zh) | 一种基于人工神经网络的步频探测方法 | |
| CN112396001B (zh) | 基于人体姿态估计和tpa注意力机制的跳绳个数统计方法 | |
| CN112464738B (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
| Yanyun et al. | A convolutional neural networks based transportation mode identification algorithm | |
| CN111695413A (zh) | 联合U-Net和Temporal Ensembling的信号初至拾取方法及装置 | |
| CN109637126A (zh) | 一种基于v2x终端的交通对象识别***及其方法 | |
| CN110132276B (zh) | 一种基于行人运动状态的自适应步长估计方法 | |
| CN110163264B (zh) | 一种基于机器学习的行走模式识别方法 | |
| CN111126718A (zh) | 一种台风路径预测方法 | |
| CN107346207A (zh) | 一种基于隐马尔科夫模型的动态手势切分识别方法 | |
| CN111262637A (zh) | 一种基于Wi-Fi信道状态信息CSI的人体行为识别方法 | |
| CN112420079B (zh) | 语音端点检测方法和装置、存储介质及电子设备 | |
| CN113327269A (zh) | 一种无标记颈椎运动检测方法 | |
| CN109271889A (zh) | 一种基于双层lstm神经网络的动作识别方法 | |
| CN114757237B (zh) | 一种基于WiFi信号的速度无关步态识别方法 | |
| CN104850225A (zh) | 一种基于多层次融合的活动识别方法 | |
| CN105512480A (zh) | 基于编辑距离的可穿戴设备数据优化处理方法 | |
| CN111623797A (zh) | 一种基于深度学习的步数测量方法 | |
| CN109325428B (zh) | 基于多层次端到端神经网络的人类活动姿态识别方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210201 Address after: 315100 b-211-47, Kexin building, 655 bachelor Road, Yinzhou District, Ningbo City, Zhejiang Province Patentee after: NINGBO ZHIZHENG WEIYING INFORMATION TECHNOLOGY Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211124 Address after: 314500 01, No. 4, South Zaoqiang street, No. 1, Nanmen Gongnong Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee after: Jiaxing Qiyuan Network Information Technology Co.,Ltd. Address before: 315100 b-211-47, Kexin building, 655 bachelor Road, Yinzhou District, Ningbo City, Zhejiang Province Patentee before: NINGBO ZHIZHENG WEIYING INFORMATION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240516 Address after: 100010 Zuoanmen Neizuoanyiyuan 1-5-1301, Dongcheng District, Beijing Patentee after: Zhou Sihua Country or region after: China Address before: 314500 01, No. 4, South Zaoqiang street, No. 1, Nanmen Gongnong Road, Chongfu Town, Tongxiang City, Jiaxing City, Zhejiang Province Patentee before: Jiaxing Qiyuan Network Information Technology Co.,Ltd. Country or region before: China |