CN113116363A - 一种基于表面肌电信号判断手部疲劳度方法 - Google Patents
一种基于表面肌电信号判断手部疲劳度方法 Download PDFInfo
- Publication number
- CN113116363A CN113116363A CN202110405736.7A CN202110405736A CN113116363A CN 113116363 A CN113116363 A CN 113116363A CN 202110405736 A CN202110405736 A CN 202110405736A CN 113116363 A CN113116363 A CN 113116363A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- training
- data
- hand
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000002567 electromyography Methods 0.000 claims 2
- 230000003321 amplification Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000009795 derivation Methods 0.000 claims 1
- 238000003780 insertion Methods 0.000 claims 1
- 230000037431 insertion Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 4
- 210000003205 muscle Anatomy 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 abstract 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract 1
- 238000010183 spectrum analysis Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000001145 finger joint Anatomy 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
- A61B5/72—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本专利公开了一种基于表面肌电信号判断手部疲劳度方法，包括:1.建立用于训练及测试的手部表面肌电信号数据集；2.利用主观感受及频谱分析对正常、轻度、重度三类状态进行标注并划分为训练样本和测试样本；3.将带有标签的训练样本输入搭建好的网络进行训练；4.得出对手部疲劳信号的预测结果。该方法可以检测人手部肌肉疲劳状态并通过网络模型得到精准预测，为预防手部疾病及运动训练提供了参考依据。
Description
技术领域
本发明属于信号检测与运动医学领域，具体设计一种基于表面肌电信号的手部疲劳判断方法。
背景技术
当代社会，许多人选择利用电脑辅助完成日常的生活和学习。但当长时间使用键盘、鼠标时，会造成手腕、手指关节的酸痛，成了所谓的“鼠标手”。这些慢性劳损性损伤，既不利于健康，也影响了日常生活和办公效率，并且恢复是非常缓慢甚至是不可康复的。因此，对其的预防需引起高度重视。
表面肌电信号(sEMG)是从肌肉表面通过电极记录下来的反映神经肌肉***活动的一维时间序列的非平稳生物电信号，可以反映神经、肌肉的功能状态，所以通过sEMG研究肌肉疲劳是一个有效途径。
本方法主要利用深度学***均功率、平均功率频率、中位频率多方面综合判定手部所处状态，从而达到对手部疲劳状态的精准分类。
发明内容
发明目的：针对当前手部疲劳测定技术方法的缺失，本发明提供了一种基于表面肌电信号疲劳判定方法，该方法首先将从Arudino采集到的数据以表格形式保存，并做归一化处理得到特征值矩阵。之后将全部数据集分成34个batch，每个batch大小为50送入一层卷积神经网络进行训练，同时显示预测的准确率、损失率等信息并保存最优模型，共训练20个epoch。最后将实时采集到的肌电信号数据送入训练得到的最优模型进行预测，可以得到相应的疲劳程度结果。
技术方案：本发明采用如下技术方案：
基于表面肌电信号的手部疲劳测量方法，包括如下步骤：
(1)建立用于训练及测试的表面肌电信号数据集；
(2)进行数据读取与处理；
(3)搭建训练的网络模型；
(4)将训练集放入神经网络训练；
(5)模型应用与预测；
进一步地，步骤(1)具体为：
通过表面肌电信号采集装置，采集手部的表面肌电信号，并依据主观感受及检测指标对信号进行正常、轻度、重度疲劳划分。
进一步地，步骤(2)具体为：
将采集到的肌电信号以.CSV格式保存于二维矩阵中，并对数据做归一化处理得到用于训练的特征值。转换标签为one-Hot形式，分别从正常、轻度和重度肌电信号数据中读取一组数据并绘制图像显示，得到的图像见图1。
之后进行数据打乱操作，保证训练效果，采用生成器的方式读取数据，按batch读取以加快训练速度。
进一步地，步骤(3)具体为：
采用基于Keras的一维CNN方式构建神经网络来解决此多分类问题：
第一个1D CNN层：第一层定高度为3(也称为卷积核大小)，步长为1的滤波器(也称为特征检测器)。只有定义了一个滤波器，神经网络才能够在第一层中学习到一个单一的特征。这可能还不够，因此我们会定义16个滤波器。这样我们就在网络的第一层中训练得到16个不同的特性。第一个神经网络层的输出是一个57x16的矩阵。输出矩阵的每一列都包含一个滤波器的权值。在定义内核大小并考虑输入矩阵长度的情况下，每个过滤器将包含57个权重值。
第二个1D CNN层：第一个CNN的输出结果将被输入到第二个CNN层中。我们将在这个网络层上再次定义16个不同的滤波器进行训练。按照与第一层相同的逻辑，输出矩阵的大小为55x16。
最大值池化层：为了减少输出的复杂度和防止数据的过拟合，在CNN层之后经常会使用池化层。此处选择大小为2的池化层。这意味着这个层的输出矩阵的大小只有输入矩阵的1/2。
后续的6个1D CNN层：为了学习更高层次义了的特征，这里又使用了另外6个1DCNN 层。这6层之后的输出矩阵是一个7x64的矩阵。
Flatten层：作为中间层来链接卷积神经网络和全连接层，输出矩阵的大小为1x192。每个特征检测器在神经网络的这一层中只剩下一个权重。
使用Softmax激活的全连接层：最后一层将会把长度为192的向量降为长度为3的向量，因为我们有3个类别要进行预测(即正常、轻度和重度)。这里的维度下降是通过另一个矩阵乘法来完成的。Softmax被用作激活函数。它强制神经网络的所有输出值的加和为一。因此，输出值将表示这3个类别中的每个类别出现的概率。
具体的神经网络结构图见图2。
进一步地，步骤(4)具体为：
将训练数据灌入神经网络，一个batch有20个数据，一轮训练25个batch，共500 个数据，总共训练20轮，输出每轮的训练结果，选出效果较好的网络。
进一步地，步骤(5)具体为：
将实时采集到的肌电信号数据传入上一步选出的最优网络进行预测，并将结果通过串口发送回给Arudino点亮代表对应疲劳状态的LED灯。
本发明与现有技术对比，具有以下技术效果：
1.本发明设计了一个手部疲劳的测定方法，能够判定手部的疲劳状态。由于网络层数少，网络运行效率极高，消耗算力小。利用不断扩大采集的数据库和网上相关数据库，为后续的研究工作提供数据来源。
2.本发明在应用于二分类的一维卷积层算法上进行改进，经过多次调参后选择使用7 层卷积层来提取特征值，每两层卷积层后添加一层最大池化层来保留主要特征。每层卷积层使用多分类任务常用的激活函数双曲正切函数tanh来提高神经网络对模型的表达能力。
附图说明
图1是采集的三类肌电信号示意图。
图2是本发明中神经网络结构图。
具体实施方式
本发明提供的基于表面肌电信号判断手部测量方法，主要包括以下步骤：
(1)建立用于训练及测试的表面肌电信号数据集、读取处理采集到的数据、使用一维卷积网络搭建训练的网络模型、将训练集放入神经网络训练、使用最优模型对当前采集到的肌电信号进行实时预测。
本方法实施对以上基本方案作进一步优化：
(1)将激活函数从ReLu修改为tanh：
ReLu函数表达式：
f(x)＝max(0,x)
tanh函数表达式：
对比两种激活函数可以得到，梯度变化更快，也就是在训练过程中收敛速度更快，可以提高多分类模型训练的效率。而ReLu函数虽然计算速度和收敛速度也较快，但是存在某些神经元可能永远不会被激活的问题。
(2)减少神经网络的层数，调整参数：
原先设置的神经网络层数为8层卷积层，4层最大池化层，经过分析后发现此组参数设置会导致最后的长度无法再进行缩小，导致判断失误，故降低神经网络层数可以得到较好的训练效果。
Claims (3)
1.一种基于表面肌电信号判断手部疲劳度方法，包括Arudino肌电信号采集、数据读取处理、建立模型训练预测、导出预测结果、装置显示疲劳状态等几个模块，其特征在于：能够将提前采集到的三类肌电信号导入程序中，使用基于keras的一维卷积神经网络模型训练，将训练得到的最优分类模型用于预测，可以实现对实时采集到的肌电信号进行疲劳状态的分类，并通过提醒装置的亮灯等标志显示最后的预测结果。
2.根据权利要求1所述基于表面肌电信号判断手部疲劳度方法，其特征在于：对权利要求1中提及的技术构件需要做进一步延伸保护，采用双电极引导法记录受试者小臂处的肌电信号，采集电路主要包括贴片式电极、表面肌电传感模块，模拟预处理板(放大滤波器)以及arduino板，采集手在正常、轻度疲劳以及重度疲劳三种状态下的数据。贴片式采集相比较于传统的针插式采集，降低了对使用者的影响；采集过程中，采用单通道多次采集的方式；在数据处理时，选取稳定阶段数据，每60个数据为一组，且为每组数据添加标签(0代表不疲劳，1代表轻度疲劳，2代表重度疲劳)；最终通过接口协议可实现***运行时肌电数据到上位机的实时传送。
3.根据权利要求1所述基于表面肌电信号判断手部疲劳度方法，其特征在于：对权利要求1中提及的技术构件需要做进一步延伸保护，采用7层Conv1D提取特征值，每两层Conv1D后添加一层MaxPooling1D保留主要特征，每层卷积层使用双曲正切函数tanh提高神经网络对模型的表达能力，获得较好的收敛效果。使用Flatten层作为中间层连接卷积神经网络和全连接层。使用Softmax函数捕捉网络的特征输出与给定的期望输出之间的差异，其中3个输出结点对应三个类别的疲劳程度，该函数将每个特征数据匹配到概率最大的特征类别，交叉熵损失函数作为模型训练的损失函数，描述当前已学习的概率分布与实际概率分布距离，损失函数越小预测结果会更精准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110405736.7A CN113116363A (zh) | 2021-04-15 | 2021-04-15 | 一种基于表面肌电信号判断手部疲劳度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110405736.7A CN113116363A (zh) | 2021-04-15 | 2021-04-15 | 一种基于表面肌电信号判断手部疲劳度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113116363A true CN113116363A (zh) | 2021-07-16 |
Family
ID=76776685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110405736.7A Pending CN113116363A (zh) | 2021-04-15 | 2021-04-15 | 一种基于表面肌电信号判断手部疲劳度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113116363A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114159079A (zh) * | 2021-11-18 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 |
| CN115985463A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于可穿戴式设备的实时预测肌肉疲劳度方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104107134A (zh) * | 2013-12-10 | 2014-10-22 | 中山大学 | 基于肌电反馈的上肢训练方法及*** |
| CN106847302A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 基于卷积神经网络的单通道混合语音时域分离方法 |
| CN107397649A (zh) * | 2017-08-10 | 2017-11-28 | 燕山大学 | 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法 |
| CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
| CN109222969A (zh) * | 2018-10-31 | 2019-01-18 | 郑州大学 | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练*** |
| CN110048827A (zh) * | 2019-04-15 | 2019-07-23 | 电子科技大学 | 一种基于深度学习卷积神经网络的类模板攻击方法 |
| CN110705253A (zh) * | 2019-08-29 | 2020-01-17 | 昆明理工大学 | 基于迁移学习的缅甸语依存句法分析方法及装置 |
| CN111242063A (zh) * | 2020-01-17 | 2020-06-05 | 江苏大学 | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 |
| CN112120697A (zh) * | 2020-09-25 | 2020-12-25 | 福州大学 | 一种基于表面肌电信号的肌肉疲劳***与分类方法 |
| CN112560960A (zh) * | 2020-12-16 | 2021-03-26 | 北京影谱科技股份有限公司 | 一种高光谱图像分类方法、装置以及计算设备 |
-
2021
- 2021-04-15 CN CN202110405736.7A patent/CN113116363A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104107134A (zh) * | 2013-12-10 | 2014-10-22 | 中山大学 | 基于肌电反馈的上肢训练方法及*** |
| CN106847302A (zh) * | 2017-02-17 | 2017-06-13 | 大连理工大学 | 基于卷积神经网络的单通道混合语音时域分离方法 |
| CN107397649A (zh) * | 2017-08-10 | 2017-11-28 | 燕山大学 | 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法 |
| CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
| CN109222969A (zh) * | 2018-10-31 | 2019-01-18 | 郑州大学 | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练*** |
| CN110048827A (zh) * | 2019-04-15 | 2019-07-23 | 电子科技大学 | 一种基于深度学习卷积神经网络的类模板攻击方法 |
| CN110705253A (zh) * | 2019-08-29 | 2020-01-17 | 昆明理工大学 | 基于迁移学习的缅甸语依存句法分析方法及装置 |
| CN111242063A (zh) * | 2020-01-17 | 2020-06-05 | 江苏大学 | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 |
| CN112120697A (zh) * | 2020-09-25 | 2020-12-25 | 福州大学 | 一种基于表面肌电信号的肌肉疲劳***与分类方法 |
| CN112560960A (zh) * | 2020-12-16 | 2021-03-26 | 北京影谱科技股份有限公司 | 一种高光谱图像分类方法、装置以及计算设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114159079A (zh) * | 2021-11-18 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 |
| CN114159079B (zh) * | 2021-11-18 | 2023-05-02 | 中国科学院合肥物质科学研究院 | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 |
| CN115985463A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于可穿戴式设备的实时预测肌肉疲劳度方法及*** |
| CN115985463B (zh) * | 2023-03-17 | 2023-07-25 | 山东大学齐鲁医院 | 一种基于可穿戴式设备的实时预测肌肉疲劳度方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108491077B (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
| Shen et al. | Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning | |
| CN105426842B (zh) | 基于支持向量机和表面肌电信号的多类手部动作识别方法 | |
| Ibrahimy et al. | Design and optimization of Levenberg-Marquardt based neural network classifier for EMG signals to identify hand motions | |
| CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及*** | |
| CN113116363A (zh) | 一种基于表面肌电信号判断手部疲劳度方法 | |
| CN113180692A (zh) | 一种基于特征融合和注意力机制的脑电信号分类识别方法 | |
| CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
| CN112472048A (zh) | 用于心血管疾病患者脉象识别的神经网络结构 | |
| CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
| Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
| CN113974655A (zh) | 一种基于脑电信号的癫痫发作预测方法 | |
| CN113974627A (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
| AlOmari et al. | Novel hybrid soft computing pattern recognition system SVM–GAPSO for classification of eight different hand motions | |
| CN113128353A (zh) | 面向自然人机交互的情绪感知方法及其*** | |
| CN117010971A (zh) | 一种基于人像识别的智能健康险提供方法及*** | |
| CN112768074A (zh) | 一种基于人工智能的重疾风险预测方法及*** | |
| Naidu et al. | Stress recognition using facial landmarks and CNN (Alexnet) | |
| Çelebi et al. | An emotion recognition method based on EWT-3D–CNN–BiLSTM-GRU-AT model | |
| CN114916928B (zh) | 一种人体姿态多通道卷积神经网络检测方法 | |
| CN115981461A (zh) | 一种基于多任务学习Transformer的肌电控制方法 | |
| Ren et al. | Extracting and supplementing method for EEG signal in manufacturing workshop based on deep learning of time–frequency correlation | |
| Jana et al. | A hybrid method for classification of physical action using discrete wavelet transform and artificial neural network | |
| Sheng et al. | A novel scoring approach for the Wolf Motor Function Test in stroke survivors using motion-sensing technology and machine learning: A preliminary study | |
| Sabah et al. | Pistachio Variety Classification using Convolutional Neural Networks |
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 |