CN111973188A - 一种基于神经网络估算呼吸力学参数的方法 - Google Patents
一种基于神经网络估算呼吸力学参数的方法 Download PDFInfo
- Publication number
- CN111973188A CN111973188A CN202010868056.4A CN202010868056A CN111973188A CN 111973188 A CN111973188 A CN 111973188A CN 202010868056 A CN202010868056 A CN 202010868056A CN 111973188 A CN111973188 A CN 111973188A
- Authority
- CN
- China
- Prior art keywords
- respiratory
- flow
- neural network
- pressure signals
- clinical
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于人工气道中气体流量、压力信号,利用神经网络估算呼吸***力学参数(气道阻力系数与顺应性)的方法。其步骤包括:1.采集气道流量及压力信号,同时阻断法测量气道阻力系数与顺应性,得到临床呼吸信号样本集;2.使用呼吸力学模型,生成仿真呼吸信号样本集;3.对临床和仿真呼吸信号样本集进行处理,形成训练集;4.开展神经网络训练,得到可用于呼吸力学参数估算的。该方可以根据气道流量压力信号,估算气道阻力系数与顺应性,有效地解决了自主呼吸条件下呼吸力学参数难以估计的问题,为临床治疗方案调整提供参考与帮助。该方法使用了仿真数据辅助神经网络模型训练,大大降低了临床数据的需求,提高的方法的可行性。
Description
技术领域
本发明属于生理信号处理及特征参数估算方法领域,具体涉及一种基于神经网络方法从人工气道压力流量信号中提取呼吸力学参数的方法,用于机械通气患者呼吸力学参数的动态监测,为疾病进程的监控、诊治提供了重要的参考依据。
背景技术
许多呼吸***疾病体现为呼吸力学参数的改变,如慢性阻塞性肺疾病患者出现明显的呼气气流受限即气道阻力系数提高,限制性肺疾病常伴随着肺部顺应性的降低。以气道阻力系数和顺应性为代表的呼吸力学参数是能够直接反应患者呼吸***性能的指标,对于机械通气患者呼吸力学参数也是医生进行机械通气参数设置的重要参考之一,因此有效监测呼吸力学参数对于肺部疾病病情监控有重要意义。目前检测呼吸力学参数的方法主要是利用呼吸机进行阻断法测量呼吸力学参数,或基于呼吸力学模型进行呼吸力学参数的估计。阻断法必须阻断通气无法实现实时监测,而基于呼吸力学模型进行参数估计的方法对于无自主呼吸的患者比较适用,一旦患者具有自主呼吸需要有创测量食道压代替胸膜腔内压来完成估算,有创且无法实时。本发明提出一种基于神经网络估计呼吸力学参数的方法,在不影响正常通气的前提下采集气道流量压力信号,借助训练好的神经网络进行breath-by-breath的呼吸力学参数共同估算,对于机械通气患者肺部疾病病情监控有重要意义。
发明内容
本发明的目的在于提供一种呼吸力学参数动态估算的方法,具体涉及在人工气道采集气道流量、压力信号,经过预处理及信号组合形成固定长度单周期组合临床样本,同时利用呼吸力学经典模型进行呼吸流量及压力信号的仿真,主要实现临床病例的补充,对仿真流量、压力信号进行预处理,组合形成固定长度单周期组合仿真样本,利用临床样本与仿真样本共同进行神经网络的训练,使神经网络能够实现呼吸力学参数(气道阻力系数和顺应性)的估算。所得到的神经网络可以实现基于临床机械通气患者人工气道中实时采集的流量压力信号估算呼吸力学参数,为临床医生监控呼吸***疾病病情提供有意义的参考。
本发明技术方案如下;一种基于神经网络估计呼吸力学参数的方法,对临床样本与仿真样本处理后分别得到的具有固定长度单周期组合特征的临床样本和仿真样本,利用处理后得到的固定长度单周期组合的临床样本和仿真样本共同实现人工神经网络的训练,使训练后得到的人工神经网络能够基于单周期流量压力信号实现呼吸力学参数的估算。
进一步,如上所述的基于神经网络估算呼吸力学参数的方法,其中所述的临床样本是通过采集呼吸机通气患者在人工气道上的流量及压力信号,对信号进行预处理,稍后注射肌松,在患者无自主呼吸的机械通气状态下,设置呼吸机为容量控制,通过呼吸机阻断法测量呼吸力学参数进行样本标记,得到临床呼吸流量、压力信号样本集。
进一步,如上所述的基于神经网络估算呼吸力学参数的方法,其中所述的仿真样本是通过呼吸力学模型,在极端病理及临床样本匮乏的范围内随机设置的呼吸力学模型参数——气道阻力系数(R)与顺应性(C),选择呼吸机作用模式,生成仿真的呼吸流量、压力信号,对生成的流量、压力信号添加随机噪声,得到仿真呼吸信号样本集,以补充临床样本不均匀的问题,其中所设置的参数为样本标记。
进一步,如上所述的基于神经网络估算呼吸力学参数的方法,其中所述的神经网络训练是利用有限临床数据和大量仿真数据所构成的训练集实现的,由呼吸流量、压力信号进行周期识别、降采样、截断、补零,并将对应的流量与压力信号合并,形成了可用于网络训练的单周期组合信号样本集。对于临床或仿真信号,截取一个呼吸周期的流量及压力,进行降采样,最终采样率为15Hz,为保证每个样本长度相同,仅流量、压力信号分别选取75个采样点,若一个呼吸周期流量或压力信号不足75个点,分别将流量压力信号补足75个点,若一个呼吸周期信号超过75个点,分别将流量压力信号取前75个点,以流量信号在前压力信号在后的顺序进行拼接构成单周期组合信号样本。大量单周期组合信号样本构成了训练集。
进一步,如上所述的基于神经网络估计呼吸力学参数的方法,其中所述的神经网络是三层神经网络,输入层150个节点,输出层2个节点,隐藏层5个节点,2个隐藏层节点用于估算气道阻力系数,3个隐藏层节点用于估算顺应性,通过大量单周期组合信号样本构成的有监督训练集进行神经网络训练,直至满足停止准则,确定神经网络各级节点,并且通过用临床测试样本验证模型的准确性和泛化能力后,即得到可用于呼吸力学参数估计的神经网络。
本发明的有益效果如下:本发明所提供呼吸力学参数估计方法充分利用的神经网络的自学习性以及较好的鲁棒性等特点,避免了自主呼吸存在时呼吸力学参数无法估计的困难,同时通过仿真数据进行样本补充,大大降低了临床样本数据的需求,在有少量临床实验样本的基础上即可实现网络训练,并能实时估计有自主呼吸患者的呼吸力学参数。
本发明中所采用的神经网络具有三层结构,输入层150个节点,隐藏层5个节点,输出层2个节点,其中2个隐藏层节点用于估算气道阻力系数,3个隐藏层节点用于估算顺应性。有关神经网络的结构是通过实验优化得到,保证了在尽可能少的节点条件下,尽可能准确地估算出患者当前的气道阻力系数和顺应性,为呼吸***疾病进程的诊断治疗提供了重要参考。
附图说明
图1为基于神经网络估算呼吸力学参数的方法流程图;
图2为呼吸信号处理流程;
图3为用于估计呼吸力学参数的神经网络结构图。
具体实施方式
下面结合附图与具体实施例对本发明做进一步的详细说明。
本发明所提供的一种基于神经网络估计呼吸力学参数(气道阻力系数和顺应性)的方法如图1所示,选取使用有创呼吸机进行通气的临床病例,采集人工气道内的气体流量、压力信号(01)作为临床呼吸信号样本,随后利用阻断法测量该患者当前的呼吸力学参数(02),即气道阻力系数和顺应性。所测得的呼吸力学参数(02)作为样本标记,与对应的流量、压力信号(01)共同构成了临床呼吸信号样本集(03)。考虑到临床病例有限,且呼吸力学参数分布不均匀的问题,本发明提出了用仿真呼吸信号样本集(07)补充临床呼吸信号样本集(03)的方法。仿真呼吸信号样本集(07)的构建基于呼吸力学模型(05),通过在极端病理及临床样本匮乏的范围内随机设置的呼吸力学参数(04),即气道阻力系数与顺应性,选择呼吸机作用模式,生成仿真的呼吸流量、压力信号(06),对生成的流量、压力信号添加随机噪声,得到仿真呼吸信号样本集(07)。临床呼吸信号样本集(03)和仿真呼吸信号样本集(07)合并,并通过呼吸信号处理后形成了可用于神经网络训练的单周期组合信号样本集(08)。将该单周期组合信号样本集(08)用于三层神经网络(09)的训练,确定三层全连接网络(09)各节点参数,使得该神经网络可以用于估算呼吸力学参数(气道阻力系数及顺应性)。
单周期组合信号样本集(08)是通过对临床呼吸信号样本集(03)和仿真呼吸信号样本集(07)进行信号处理后合并得到,具体处理过程如图2所示,分别对呼吸流量、压力信号进行滤波处理,去除高频噪声,随后进行周期识别,截取一个呼吸周期的长度,针对每个呼吸周期的信号进行降采样,最终采样率为15Hz,该采样频率保证了在尽可能保留呼吸信号特征的同时降低样本长度。每个呼吸周期的长度不同,为保证每个样本长度相同,仅流量、压力信号分别选取75个采样点,若一个呼吸周期流量或压力信号不足75个点,分别将流量压力信号补足75个点,若一个呼吸周期信号超过75个点,分别将流量压力信号取前75个点,并以流量信号在前压力信号在后的顺序进行拼接构成单周期组合信号样本。单周期组合信号样本集(08)中的每个样本都是相同长度并且能反映一个呼吸周期的流量、压力信号,同时标记有其对应的呼吸力学参数,可以用于神经网络的训练。
如图3所示,一种基于神经网络估计呼吸力学参数的方法选用的神经网络为三层神经网络(09),分为输入层、隐藏层、输出层,其中输入层150个节点,隐藏层5个节点,输出层2个节点,其中2个隐藏层节点用于估算气道阻力系数(R),3个隐藏层节点用于估算顺应性(C)。单周期组合信号样本集(08)作为神经网络训练集,开展神经网络训练,直至满足停止准则,即可确定神经网络各级节点,并且通过用临床测试样本验证模型的准确性和泛化能力后,即得到可用于呼吸力学参数估算的神经网络。
综上所述,本发明提出了一种基于神经网络估算呼吸力学参数的方法,通过固定结构的三层神经网络实现呼吸力学参数的估计。该方法充分考虑到神经网络估计生理参数的难点,提出了基于经典模型仿真获得仿真信号用于解决临床信号不足及临床样本分布不均的问题,提出了对呼吸流量、压力信号进行一系列处理后合并,形成了可用于神经网络训练的样本集,使得基于神经网络估计气道阻力系数与顺应性成为可能。
本发明提出的方法不仅可以适用于无自主呼吸患者的呼吸力学参数估算,也可以适用于有自主呼吸患者的气道阻力系数与顺应性参数估算。在前期研究中使用了带有自主呼吸患者的呼吸流量、压力信号进行网络训练,发现该方法不受自主呼吸的影响,可以不检测胸膜腔内压或食道压的条件下估计出气道阻力系数与顺应性,并且不受通气模式影响,对呼吸机患者疾病进程的监控、诊治有重要的参考意义。
以上举例仅是本发明的一个具体实施例。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于神经网络估算呼吸力学参数——气道阻力系数和顺应性的方法,其特征在于,包括以下步骤:
第一步,在人工气道中采集流量及压力信号,对信号进行预处理,同时通过阻断法测量气道阻力系数和顺应性,得到带有参数标记的临床呼吸流量、压力信号样本;
第二步,使用呼吸力学模型,设置模型中气道阻力系数和顺应性参数,生成模拟的呼吸流量压力信号,添加噪声,得到仿真呼吸流量、压力信号样本,其中所设置的气道阻力系数和顺应性为样本标记;
第三步,根据第一步和第二步得到临床及仿真流量、压力信号样本,进行周期识别、降采样、截断/补零,并将对应的流量与压力信号合并形成单周期组合信号样本;
第四步,利用大量第三步得到的单周期组合信号样本对神经网络进行训练,直至满足停止准则,确定神经网络各级节点参数,然后用临床测试样本验证模型的准确性和泛化能力,该网络可用于呼吸力学参数——气道阻力与顺应性的估算。
2.根据权利要求1所述的一种基于神经网络估算呼吸力学参数的方法,其特征在于,第一步具体包括:采集机械通气患者在人工气道上的流量及压力信号,对信号进行预处理,稍后注射肌松使患者进入无自主呼吸的机械通气状态,设置呼吸机为容量控制,通过呼吸机阻断法测量呼吸力学参数进行样本标记,得到带有标记的临床呼吸流量、压力信号样本。
3.根据权利要求1所述的一种基于神经网络估算呼吸力学参数的方法,其特征在于,第二步具体包括:使用呼吸力学模型,在临床样本不足的参数范围内随机设置的呼吸力学模型参数——气道阻力系数(R) 与顺应性(C),选择呼吸机作用模式,生成仿真的呼吸流量、压力信号,对生成的流量、压力信号添加随机噪声,得到仿真的呼吸信号样本,以补充临床样本不均匀的问题,其中模型仿真过程中所设置的参数为样本标记。
4.根据权利要求1所述的一种基于神经网络估算呼吸力学参数的方法,其特征在于,第三步具体包括:根据权利要求2和权利要求3所得到信号样本进行降采样,最终采样率为15Hz,截取一个呼吸周期的流量及压力信号,若一个呼吸周期流量或压力信号不足75个点,分别将流量压力信号补足75个点,若一个呼吸周期信号超过75个点,分别将流量压力信号取前75个点,以流量信号在前压力信号在后的顺序进行拼接合并构成单周期组合信号样本。
5.根据权利要求1所述的一种基于神经网络估算呼吸力学参数的方法,其特征在于,第四步具体包括:建立三层神经网络,输入层150个节点,输出层2个节点,隐藏层5个节点,其中2个隐藏层节点用于估算气道阻力系数,3个隐藏层节点用于估算顺应性,并将权利要求4所得到大量组合信号样本作为神经网络训练集,开展神经网络训练,直至满足停止准则,确定神经网络各级节点参数,并且通过用临床测试样本验证模型的准确性和泛化能力后,即得到可用于呼吸力学参数估计的神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010868056.4A CN111973188A (zh) | 2020-08-26 | 2020-08-26 | 一种基于神经网络估算呼吸力学参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010868056.4A CN111973188A (zh) | 2020-08-26 | 2020-08-26 | 一种基于神经网络估算呼吸力学参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111973188A true CN111973188A (zh) | 2020-11-24 |
Family
ID=73443447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010868056.4A Pending CN111973188A (zh) | 2020-08-26 | 2020-08-26 | 一种基于神经网络估算呼吸力学参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111973188A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114185372A (zh) * | 2021-11-08 | 2022-03-15 | 北京谊安医疗***股份有限公司 | 一种用于呼吸机的通气压力升降速率控制***及控制方法 |
CN115804585A (zh) * | 2023-02-08 | 2023-03-17 | 浙江大学 | 一种基于机械通气波形检测气道高阻力的方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1421902A1 (en) * | 2002-11-20 | 2004-05-26 | Maquet Critical Care AB | Method for assessing pulmonary stress and a breathing apparatus |
CN102770070A (zh) * | 2009-12-28 | 2012-11-07 | 佛罗里达大学研究基金会有限公司 | 用于实时评估肺力学的***和方法 |
CN104135925A (zh) * | 2012-02-20 | 2014-11-05 | 佛罗里达大学研究基金会有限公司 | 用于预测呼吸功的方法及设备 |
CN109350063A (zh) * | 2018-12-03 | 2019-02-19 | 北京航空航天大学 | 一种适用于慢阻肺监控的呼吸力学参数检测装置及方法 |
CN110755077A (zh) * | 2019-11-18 | 2020-02-07 | 北华大学 | 一种基于呼吸装置的肺弹性系数测量方法及*** |
-
2020
- 2020-08-26 CN CN202010868056.4A patent/CN111973188A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1421902A1 (en) * | 2002-11-20 | 2004-05-26 | Maquet Critical Care AB | Method for assessing pulmonary stress and a breathing apparatus |
CN102770070A (zh) * | 2009-12-28 | 2012-11-07 | 佛罗里达大学研究基金会有限公司 | 用于实时评估肺力学的***和方法 |
CN104135925A (zh) * | 2012-02-20 | 2014-11-05 | 佛罗里达大学研究基金会有限公司 | 用于预测呼吸功的方法及设备 |
CN109350063A (zh) * | 2018-12-03 | 2019-02-19 | 北京航空航天大学 | 一种适用于慢阻肺监控的呼吸力学参数检测装置及方法 |
CN110755077A (zh) * | 2019-11-18 | 2020-02-07 | 北华大学 | 一种基于呼吸装置的肺弹性系数测量方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114185372A (zh) * | 2021-11-08 | 2022-03-15 | 北京谊安医疗***股份有限公司 | 一种用于呼吸机的通气压力升降速率控制***及控制方法 |
CN114185372B (zh) * | 2021-11-08 | 2023-09-19 | 北京谊安医疗***股份有限公司 | 一种用于呼吸机的通气压力升降速率控制***及控制方法 |
CN115804585A (zh) * | 2023-02-08 | 2023-03-17 | 浙江大学 | 一种基于机械通气波形检测气道高阻力的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102770069B (zh) | 一氧化氮测量方法和设备 | |
JP6564318B2 (ja) | リアルタイム肺メカニクスを評価するためのシステム | |
EP1551293B1 (en) | System and method for the automatic detection of the expiratory flow limitation | |
CN101636109B (zh) | 呼气末气体估计***和方法 | |
US8100836B2 (en) | Augmented RIC model of respiratory systems | |
CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及*** | |
JP2005537068A5 (zh) | ||
CN109350063B (zh) | 一种适用于慢阻肺监控的呼吸力学参数检测装置及方法 | |
CN111973188A (zh) | 一种基于神经网络估算呼吸力学参数的方法 | |
JP2014526926A (ja) | 音響呼吸マーカを使用した事象の順序付け及び方法 | |
CN101133954B (zh) | 一种呼吸率检测方法及装置 | |
CN108245161A (zh) | 肺部常见疾病的辅助诊断*** | |
CN111278355A (zh) | 早期鉴定慢性阻塞性肺疾病的复发的方法 | |
CN103735267B (zh) | 一种基于鼾声筛查osahs的装置 | |
CN115775629B (zh) | 一种术前基于亚极量运动试验评估PPCs风险的方法 | |
CN112668556B (zh) | 一种呼吸音识别方法及*** | |
CN109659031A (zh) | 肺功能指标预测装置及确定方法 | |
Saatci et al. | Respiratory parameter estimation in non-invasive ventilation based on generalized Gaussian noise models | |
CN114176563B (zh) | 贴附式的无线呼吸监测装置、计算机设备与存储介质 | |
CN115227923A (zh) | 一种评估病患气道阻力和肺顺应性的模型构建方法、终端设备及存储介质 | |
CN116077021A (zh) | 一种睡眠脑电、鼾声检测分析装置 | |
Vasile et al. | Experimental validation of a hypothesis for lung tumour dynamic characterisation | |
Gajda et al. | Identification of the human respiratory system during experiment with negative pressure impulse excitation | |
Brook et al. | Correction and standardisation of lung oscillometry techniques using parameter inference: A study group report | |
Waghmare et al. | Spirometry data classification using self organizing feature map algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |