CN115840356B - 一种微感智能护理床控制方法及装置 - Google Patents
一种微感智能护理床控制方法及装置 Download PDFInfo
- Publication number
- CN115840356B CN115840356B CN202211271319.9A CN202211271319A CN115840356B CN 115840356 B CN115840356 B CN 115840356B CN 202211271319 A CN202211271319 A CN 202211271319A CN 115840356 B CN115840356 B CN 115840356B
- Authority
- CN
- China
- Prior art keywords
- dynamic
- motion
- action
- user
- nursing bed
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000009471 action Effects 0.000 claims abstract description 197
- 230000033001 locomotion Effects 0.000 claims abstract description 188
- 238000012544 monitoring process Methods 0.000 claims abstract description 105
- 239000013598 vector Substances 0.000 claims abstract description 65
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 84
- 238000013507 mapping Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000011161 development Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009347 mechanical transmission Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及护理床控制的技术领域,揭露了一种微感智能护理床控制方法及装置,包括:构建动态动作监控模型;将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生;若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量;构建护理床动作控制模型,所述护理床动作控制模型以护理床控制动作为输出。本发明所述方法分别提取用户处于稳定阶段的稳态监控指标以及表征信号变化的动态监控指标,实现面向体力不支或者年迈用户的微小、延迟控制动作感知,并对发生动作时刻的动作信号进行动态扩展,得到全面包含用户动作的动态行为特征向量。
Description
技术领域
本发明涉及护理床控制的技术领域,尤其涉及一种微感智能护理床控制方法及装置。
背景技术
随着可穿戴式智能诊疗设备、物联网感知技术、建立健康数据库等新型治疗技术的蓬勃发展,依靠智慧监测与康复训练的多功能医护病床成为研究的热点。护理床的发展经历了如下阶段:早期护理床为简单的木质病床,随着时代发展与技术革新,逐步改良为使用钢材质的钢质床,为避免用户不慎翻滚落地,后又加装防护栏杆。后又为实现用户变换姿势,躯干的左右翻身、活动下肢左右屈腿等动作,运用机器传动替代传统手摇方法,从而实现了左右翻转、左右屈腿、洗头洗脚等功能多样的综合性护理床。近年来,机电与计算机技术发展增速,促使护理床在机构驱动与功能实现上由电动助力代替手动操作,护理床的技术发展水平得到很大提高,从历史演变角度来看具有以下三种类型:
1.手动型。使用机械传动,依靠护理人员对用户身体驱动来完成。
2.电动型。以电机为驱动器,护理床的功能实现结合机械传动。
3.多功能型。采用互联网与电动护理床等科学组合技术来监测患者的身体状态,并且在健康、运动、心理呵护等方面也尽量满足用户的日常生活需求,从而实现了由单一的基础护理向多种功能发展。
虽然现有能够在一定程度上提高病人或者老人的医护水平,但是在面向体力虚弱的病人、年迈导致行动不便的老人时依旧存在难以使用和操作不便的问题,造成该问题的原因包含两个方面原因。一是体力虚弱的病人、年迈导致行动不便的老人由于行动不便或者体力不支等原因无法达到大幅度的智能医护动作检测标准,例如针对手势识别的智能护理床要求患者或者病人的手势在短时间内幅度达到一定标准才能够正确识别,而体力不支的病人或者年迈的老人无法在短时间内完成该动作,而是存在延迟效应,即需要在较长的时间内完成规定医护手势标准。二是由于患者体力不支没有足够的体力完成护理床控制,例如背靠过程中体力不支导致背靠感应器无法正确感应到患者背靠动作无法响应。针对该问题,本专利提出一种微感智能护理床控制方法,实现面向体力不支或者年迈用户的微小、延迟控制动作感知,实现护理床的智能控制。
发明内容
有鉴于此,本发明提供一种微感智能护理床控制方法,目的在于(1)分别提取用户处于稳定阶段的稳态监控指标以及表征信号变化的动态监控指标,将信号最慢的特征作为动态监控指标,通过同时对用户动作动态以及稳态性进行监控,实现面向体力不支或者年迈用户的微小、延迟控制动作感知;(2)在基于主成分分析的特征向量提取过程中,增加发生动作时刻的前若干个时刻的动作信号对发生动作时刻的动作信号进行动态扩展,从而每一个时刻的动作信号的自相关性进行描述,以便在后续动作识别控制模型的建模过程中尽可能全面地包含用户动作的动态行为特征。
为实现上述目的,本发明提供的一种微感智能护理床控制方法,包括以下步骤:
S1:在护理床部署传感器持续采集用户动作信号,构建动态动作监控模型,所述动态动作监控模型以采集的用户动作信号序列为输入,以能够反应微小、延迟控制动作的稳态和动态监控指标为输出;
S2:将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生;
S3:若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,其中动态主成分分析为所述动态特征提取的主要方法;
S4:构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,并根据输出结果对护理床进行控制。
作为本发明的进一步改进方法:
可选地,所述S1步骤中在护理床部署传感器持续采集用户动作信号,包括:
在护理床靠背位置部署传感器,所述传感器为压力传感器,压力传感器内置有电阻应变片,传感器感知的区域存在压力变化时,传感器内置电阻应变片会发生对应的机械形变,进而产生电阻阻值变化,带动传感器电表征信号变化,将传感器所产生的电信号作为用户在护理床靠背位置的压力信号,传感器持续采集压力信号作为用户动作信号,所述用户动作信号为x(t),其中t∈[t0,ts],t0表示动作信号采集的初始时刻,ts表示动作信号采集的当前时刻,所述动作信号序列为[x(t0),x(t1),...,x(ts)],其中相邻时刻的时间间隔为Δt。
在本发明实施例中,当护理床分配给病人使用时,分配时刻即为动作信号采集的初始的时刻,病人出院时刻即为动作信号采集的截止时刻。
可选地,所述S1步骤中对构建动态动作监控模型,所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,包括:
构建动态动作监控模型,其中所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,所述动作监控模型包括稳态映射矩阵L1和动态映射矩阵L2,利用稳态映射矩阵L1和动态映射矩阵L2对用户动作信号序列进行映射,得到用户动作的稳态和动态监控指标。
可选地,所述S1步骤中动态动作监控模型的求解优化流程,包括:
S11:采集训练数据[d(t0),d(t1),...,d(tL)],其中d(tL)表示训练数据中tL时刻的动作信号,对于训练数据中时刻tk的动作信号d(tk),分别提取d(tk)的历史数据矩阵d1以及未来数据矩阵d2:
d1=[d(tk-1)d(tk-2)…d(tk-ε)]T
d2=[d(tk)d(tk+1)…d(tk+ε-1)]T
k-ε≥0,k+ε-1≤L
其中:
ε表示训练数据中的时序滞后量,将其设置为20;
T表示矩阵的转置;
S12:分别计算得到矩阵d1的协方差矩阵矩阵d2的协方差矩阵/>以及矩阵d1d2的协方差矩阵/>
S13:构建动态动作监控模型中映射矩阵的求解优化目标函数,所述稳态映射矩阵L1和动态映射矩阵L2求解的目标函数为:
所述目标函数的约束条件为:
I1,I2表示单位矩阵;
S14:通过引入拉格朗日乘子λ1,λ2,将所述目标函数转换为拉格朗日函数:
S15:分别计算拉格朗日函数H(λ1,λ2,L1,L2)对λ1,λ2,L1,L2的偏导为0,将偏导的计算结果转换为行列式,令行列式等于0得到对应的若干组λ1,λ2,选取λ1,λ2乘积最大的一组λ1,λ2作为求解得到的并将求解得到的/>代入偏导结果,得到对应的/>所述即为所述目标函数的求解结果。
可选地,所述S2步骤中将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,包括:
将所述持续采集到的用户动作信号序列[x(t0),x(t1),...,x(ts)]输入到优化求解后的动态动作监控模型中,所述基于动态动作监控模型的动作检测流程为:
S21:当前时刻的动作信号x(ts),优化求解后的动态动作监控模型选取该动作信号的前ε个历史动作信号构建为动作信号x(ts)的历史数据矩阵
S22:分别利用稳态映射矩阵以及动态映射矩阵/>对历史数据矩阵/>进行映射,得到动作信号x(ts)的稳态监控指标u1[x(ts)]以及动态监控指标u2[x(ts)]:
S23:若稳态监控指标u1[x(ts)]在预设稳态阈值范围内,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生微弱动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生较为剧烈的动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]未超过预设动态阈值,以及两类指标均未超过预设阈值,表示ts时刻用户在护理床没有发生动作。
可选地,所述S3步骤若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,包括:
若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,所述对应动作信号序列表示发生动作时刻的历史数据矩阵,其中动态主成分分析为所述动态特征提取的主要方法,所述用户动作动态特征向量提取流程为:
S31:构建得到发生动作时刻t′的历史数据矩阵dt′;
S32:设定用户动作动态特征向量的维数为n;
S33:计算历史数据矩阵dt′的协方差矩阵Ct′
其中:
ε表示时序滞后量,也为历史数据矩阵dt′的行数,将其设置为20;
S34:计算协方差矩阵的第i个特征值λi:
|Ct′-λiI|=0
其中:
I表示单位矩阵;
并计算第i个特征值λi的特征向量αi:
(Ct′-λiI)αi=0
选取特征值最大的m个特征值所对应的特征向量作为用户动作动态特征向量αt′:
αt′=(αt′1,αt′2,...,αt′m)
其中:
αt′m表示第m大的特征值所对应的特征向量,在本发明实施例中,将m设置为3。
可选地,所述S4步骤中构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,包括:
构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,所述护理床控制动作包括护理床背部抬升F1、背部降低F2、左翻身F3、右翻身F4、坐立F5;
所述护理床控制动作选取概率的计算公式为:
其中:
P(Fj)表示基于历史经验的护理床控制动作P(Fj)的发生概率,j∈[1,5];
P(αt′)表示t′+1个时刻内,用户动作发生的频率,其中t′+1表示从动作信号采集时刻到当前时刻t′的时刻总数,v表示从动作信号采集时刻到当前时刻t′的检测到用户动作的时刻数;
P(αt′|Fj)表示用户动作动态特征向量αt′与Fj所对应标准动作动态特征向量fj的余弦相似度,在本发明实施例中,不同控制动作构建有标准动作动态特征向量,所述标准动作动态特征向量为用户发生剧烈动作所对应的动作动态特征向量;
选取P(Fj|αt′)最大的护理床控制动作作为输出,根据输出结果对护理床进行控制。
为了解决上述问题,本发明提供一种微感智能护理床控制装置,其特征在于,所述装置包括:
动态动作监控装置,用于在护理床部署传感器持续采集用户动作信号,构建动态动作监控模型,将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生;
特征提取模块,用于提取动作信号序列的动态特征,得到用户动作动态特征向量;
护理床控制装置,用于构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,并根据输出结果对护理床进行控制。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的微感智能护理床控制方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的微感智能护理床控制方法。
相对于现有技术,本发明提出一种微感智能护理床控制方法,该技术具有以下优势:
首先,本方案提出一种动态动作监控模型,所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,所述动作监控模型包括稳态映射矩阵L1和动态映射矩阵L2,利用稳态映射矩阵L1和动态映射矩阵L2对用户动作信号序列进行映射,得到用户动作的稳态和动态监控指标。将所述持续采集到的用户动作信号序列[x(t0),x(t1),...,x(ts)]输入到优化求解后的动态动作监控模型中,所述基于动态动作监控模型的动作检测流程为:当前时刻的动作信号x(ts),优化求解后的动态动作监控模型选取该动作信号的前ε个历史动作信号构建为动作信号x(ts)的历史数据矩阵分别利用稳态映射矩阵/>以及动态映射矩阵/>对历史数据矩阵/>进行映射,得到动作信号x(ts)的稳态监控指标u1[x(ts)]以及动态监控指标u2[x(ts)]:
若稳态监控指标u1[x(ts)]在预设稳态阈值范围内,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生微弱动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生较为剧烈的动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]未超过预设动态阈值,以及两类指标均未超过预设阈值,表示ts时刻用户在护理床没有发生动作。本方案通过分别提取用户处于稳定阶段的稳态监控指标以及表征信号变化的动态监控指标,将信号最慢的特征作为动态监控指标,通过同时对用户动作动态以及稳态性进行监控,实现面向体力不支或者年迈用户的微小、延迟控制动作感知。
同时,本方案在基于主成分分析的特征向量提取过程中,增加发生动作时刻的前若干个时刻的动作信号对发生动作时刻的动作信号进行动态扩展,从而每一个时刻的动作信号的自相关性进行描述,以便在后续动作控制模型的建模过程中尽可能全面地包含用户动作的动态行为特征,进而构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,所述护理床控制动作包括护理床背部抬升F1、背部降低F2、左翻身F3、右翻身F4、坐立F5;所述护理床控制动作选取概率的计算公式为:
其中:P(Fj)表示基于历史经验的护理床控制动作P(Fj)的发生概率,j∈[1,5];P(αt′)表示t′+1个时刻内,用户动作发生的频率,其中t′+1表示从动作信号采集时刻到当前时刻t′的时刻总数,v表示从动作信号采集时刻到当前时刻t′的检测到用户动作的时刻数;P(αt′|Fj)表示用户动作动态特征向量αt′与Fj所对应标准动作动态特征向量fj的余弦相似度,在本发明实施例中,不同控制动作构建有标准动作动态特征向量,所述标准动作动态特征向量为用户发生剧烈动作所对应的动作动态特征向量;选取P(Fj|αt′)最大的护理床控制动作作为输出,根据输出结果实现护理床控制。
附图说明
图1为本发明一实施例提供的一种微感智能护理床控制方法的流程示意图;
图2为本发明一实施例提供的微感智能护理床控制装置的功能模块图;
图3为本发明一实施例提供的实现微感智能护理床控制方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种微感智能护理床控制方法。所述微感智能护理床控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述微感智能护理床控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:在护理床部署传感器持续采集用户动作信号,构建动态动作监控模型,所述动态动作监控模型以采集的用户动作信号序列为输入,以能够反应微小、延迟控制动作的稳态和动态监控指标为输出。
所述S1步骤中在护理床部署传感器持续采集用户动作信号,包括:
在护理床靠背位置部署传感器,所述传感器为压力传感器,压力传感器内置有电阻应变片,传感器感知的区域存在压力变化时,传感器内置电阻应变片会发生对应的机械形变,进而产生电阻阻值变化,带动传感器电表征信号变化,将传感器所产生的电信号作为用户在护理床靠背位置的压力信号,传感器持续采集压力信号作为用户动作信号,所述用户动作信号为x(t),其中t∈[t0,ts],t0表示动作信号采集的初始时刻,ts表示动作信号采集的当前时刻,所述动作信号序列为[x(t0),x(t1),...,x(ts)],其中相邻时刻的时间间隔为Δt。
在本发明实施例中,当护理床分配给病人使用时,分配时刻即为动作信号采集的初始的时刻,病人出院时刻即为动作信号采集的截止时刻。
所述S1步骤中对构建动态动作监控模型,所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,包括:
构建动态动作监控模型,其中所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,所述动作监控模型包括稳态映射矩阵L1和动态映射矩阵L2,利用稳态映射矩阵L1和动态映射矩阵L2对用户动作信号序列进行映射,得到用户动作的稳态和动态监控指标。
所述S1步骤中动态动作监控模型的求解优化流程,包括:
S11:采集训练数据[d(t0),d(t1),...,d(tL)],其中d(tL)表示训练数据中tL时刻的动作信号,对于训练数据中时刻tk的动作信号d(tk),分别提取d(tk)的历史数据矩阵d1以及未来数据矩阵d2:
d1=[d(tk-1)d(tk-2)…d(tk-ε)]T
d2=[d(tk)d(tk+1)…d(tk+ε-1)]T
k-ε≥0,k+ε-1≤L
其中:
ε表示训练数据中的时序滞后量,将其设置为20;
T表示矩阵的转置;
S12:分别计算得到矩阵d1的协方差矩阵矩阵d2的协方差矩阵/>以及矩阵d1d2的协方差矩阵/>
S13:构建动态动作监控模型中映射矩阵的求解优化目标函数,所述稳态映射矩阵L1和动态映射矩阵L2求解的目标函数为:
所述目标函数的约束条件为:
I1,I2表示单位矩阵;
S14:通过引入拉格朗日乘子λ1,λ2,将所述目标函数转换为拉格朗日函数:
S15:分别计算拉格朗日函数H(λ1,λ2,L1,L2)对λ1,λ2,L1,L2的偏导为0,将偏导的计算结果转换为行列式,令行列式等于0得到对应的若干组λ1,λ2,选取λ1,λ2乘积最大的一组λ1,λ2作为求解得到的并将求解得到的/>代入偏导结果,得到对应的/>所述即为所述目标函数的求解结果。
S2:将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生。
所述S2步骤中将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,包括:
将所述持续采集到的用户动作信号序列[x(t0),x(t1),...,x(ts)]输入到优化求解后的动态动作监控模型中,所述基于动态动作监控模型的动作检测流程为:
S21:当前时刻的动作信号x(ts),优化求解后的动态动作监控模型选取该动作信号的前ε个历史动作信号构建为动作信号x(ts)的历史数据矩阵
S22:分别利用稳态映射矩阵以及动态映射矩阵/>对历史数据矩阵/>进行映射,得到动作信号x(ts)的稳态监控指标u1[x(ts)]以及动态监控指标u2[x(ts)]:
S23:若稳态监控指标u1[x(ts)]在预设稳态阈值范围内,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生微弱动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生较为剧烈的动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]未超过预设动态阈值,以及两类指标均未超过预设阈值,表示ts时刻用户在护理床没有发生动作。
S3:若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,其中动态主成分分析为所述动态特征提取的主要方法。
所述S3步骤若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,包括:
若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,所述对应动作信号序列表示发生动作时刻的历史数据矩阵,其中动态主成分分析为所述动态特征提取的主要方法,所述用户动作动态特征向量提取流程为:
S31:构建得到发生动作时刻t′的历史数据矩阵dt′;
S32:设定用户动作动态特征向量的维数为n;
S33:计算历史数据矩阵dt′的协方差矩阵Ct′
其中:
ε表示时序滞后量,也为历史数据矩阵dt′的行数,将其设置为20;
S34:计算协方差矩阵的第i个特征值λi:
|Ct′-λiI|=0
其中:
I表示单位矩阵;
并计算第i个特征值λi的特征向量αi:
(Ct′-λiI)αi=0
选取特征值最大的m个特征值所对应的特征向量作为用户动作动态特征向量αt′:
αt′=(αt′1,αt′2,...,αt′m)
其中:
αt′m表示第m大的特征值所对应的特征向量,在本发明实施例中,将m设置为3。
S4:构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,并根据输出结果对护理床进行控制。
所述S4步骤中构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,包括:
构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,所述护理床控制动作包括护理床背部抬升F1、背部降低F2、左翻身F3、右翻身F4、坐立F5;
所述护理床控制动作选取概率的计算公式为:
其中:
P(Fj)表示基于历史经验的护理床控制动作P(Fj)的发生概率,j∈[1,5];
P(αt′)表示t′+1个时刻内,用户动作发生的频率,其中t′+1表示从动作信号采集时刻到当前时刻t′的时刻总数,v表示从动作信号采集时刻到当前时刻t′的检测到用户动作的时刻数;
P(αt′|Fj)表示用户动作动态特征向量αt′与Fj所对应标准动作动态特征向量fj的余弦相似度,在本发明实施例中,不同控制动作构建有标准动作动态特征向量,所述标准动作动态特征向量为用户发生剧烈动作所对应的动作动态特征向量;
选取P(Fj|αt′)最大的护理床控制动作作为输出,根据输出结果对护理床进行控制。
实施例2:
如图2所示,是本发明一实施例提供的微感智能护理床控制装置的功能模块图,其可以实现实施例1中的微感智能护理床控制方法。
本发明所述微感智能护理床控制装置100可以安装于电子设备中。根据实现的功能,所述微感智能护理床控制装置可以包括动态动作监控装置101、特征提取模块102及护理床控制装置103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
动态动作监控装置101,用于在护理床部署传感器持续采集用户动作信号,构建动态动作监控模型,将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生;
特征提取模块102,用于提取动作信号序列的动态特征,得到用户动作动态特征向量;
护理床控制装置103,用于构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,并根据输出结果对护理床进行控制。
详细地,本发明实施例中所述微感智能护理床控制装置100中的所述各模块在使用时采用与上述的图1中所述的微感智能护理床控制方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图3所示,是本发明一实施例提供的实现微感智能护理床控制方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于智能护理床控制的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
在护理床部署传感器持续采集用户动作信号,构建动态动作监控模型;
将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生;
若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量;
构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,并根据输出结果对护理床进行控制。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种微感智能护理床控制方法,其特征在于,所述方法包括:
S1:在护理床部署传感器持续采集用户动作信号,构建动态动作监控模型,所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,其中所述动态动作监控模型的求解优化流程,包括:
S11:采集训练数据[d(t0),d(t1),...,d(tL)],其中d(tL)表示训练数据中tL时刻的动作信号,对于训练数据中时刻tk的动作信号d(tk),分别提取d(tk)的历史数据矩阵d1以及未来数据矩阵d2:
d1=[d(tk-1) d(tk-2) … d(tk-ε)]T
d2=[d(tk) d(tk+1) … d(tk+ε-1)]T
k-ε≥0,k+ε-1≤L
其中:
ε表示训练数据中的时序滞后量,将其设置为20;
T表示矩阵的转置;
S12:分别计算得到矩阵d1的协方差矩阵矩阵d2的协方差矩阵/>以及矩阵d1d2的协方差矩阵/>
S13:构建动态动作监控模型中映射矩阵的求解优化目标函数,其中稳态映射矩阵L1和动态映射矩阵L2求解的目标函数为:
所述目标函数的约束条件为:
I1,I2表示单位矩阵;
S14:通过引入拉格朗日乘子λ1,λ2,将所述目标函数转换为拉格朗日函数:
S15:分别计算拉格朗日函数H(λ1,λ2,L1,L2)对λ1,λ2,L1,L2的偏导为0,将偏导的计算结果转换为行列式,令行列式等于0得到对应的若干组λ1,λ2,选取λ1,λ2乘积最大的一组λ1,λ2作为求解得到的并将求解得到的/>代入偏导结果,得到对应的/>所述/>即为所述目标函数的求解结果;
S2:将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生;
S3:若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,其中动态主成分分析为动态特征提取的主要方法;
S4:构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,并根据输出结果对护理床进行控制。
2.如权利要求1所述的一种微感智能护理床控制方法,其特征在于,所述S1步骤中在护理床部署传感器持续采集用户动作信号,包括:
在护理床靠背位置部署传感器,所述传感器为压力传感器,压力传感器内置有电阻应变片,传感器感知的区域存在压力变化时,传感器内置电阻应变片会发生对应的机械形变,进而产生电阻阻值变化,带动传感器电表征信号变化,将传感器所产生的电信号作为用户在护理床靠背位置的压力信号,传感器持续采集压力信号作为用户动作信号,所述用户动作信号为x(t),其中t∈[t0,ts],t0表示动作信号采集的初始时刻,ts表示动作信号采集的当前时刻,所述动作信号序列为[x(t0),x(t1),...,x(ts)],其中相邻时刻的时间间隔为Δt。
3.如权利要求1所述的一种微感智能护理床控制方法,其特征在于,所述S1步骤中对构建动态动作监控模型,所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,包括:
构建动态动作监控模型,其中所述动态动作监控模型以采集的用户动作信号序列为输入,以稳态和动态监控指标为输出,所述动作监控模型包括稳态映射矩阵L1和动态映射矩阵L2,利用稳态映射矩阵L1和动态映射矩阵L2对用户动作信号序列进行映射,得到用户动作的稳态和动态监控指标。
4.如权利要求1所述的一种微感智能护理床控制方法,其特征在于,所述S2步骤中将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,包括:
将所述持续采集到的用户动作信号序列[x(t0),x(t1),...,x(ts)]输入到优化求解后的动态动作监控模型中,动态动作监控模型的动作检测流程为:
S21:当前时刻的动作信号x(ts),优化求解后的动态动作监控模型选取该动作信号的前ε个历史动作信号构建为动作信号x(ts)的历史数据矩阵
S22:分别利用稳态映射矩阵以及动态映射矩阵/>对历史数据矩阵/>进行映射,得到动作信号x(ts)的稳态监控指标u1[x(ts)]以及动态监控指标u2[x(ts)]:
S23:若稳态监控指标u1[x(ts)]在预设稳态阈值范围内,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生微弱动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]超过预设动态阈值,则表示ts时刻用户在护理床发生较为剧烈的动作;若稳态监控指标u1[x(ts)]超过预设动态阈值,动态监控指标u2[x(ts)]未超过预设动态阈值,以及两类指标均未超过预设阈值,表示ts时刻用户在护理床没有发生动作。
5.如权利要求4所述的一种微感智能护理床控制方法,其特征在于,所述S3步骤若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,包括:
若检测到动作发生,则提取对应动作信号序列的动态特征,得到用户动作动态特征向量,所述对应动作信号序列表示发生动作时刻的历史数据矩阵,其中动态主成分分析为所述动态特征提取的主要方法,所述用户动作动态特征向量提取流程为:
S31:构建得到发生动作时刻t′的历史数据矩阵dt′;
S32:设定用户动作动态特征向量的维数为n;
S33:计算历史数据矩阵dt′的协方差矩阵Ct′
其中:
ε表示时序滞后量,也为历史数据矩阵dt′的行数,将其设置为20;
S34:计算协方差矩阵的第i个特征值λi:
|Ct′-λiI|=0
其中:
I表示单位矩阵;
并计算第i个特征值λi的特征向量αi:
(Ct′-λiI)αi=0
选取特征值最大的m个特征值所对应的特征向量作为用户动作动态特征向量αt′:
αt′=(αt′1,αt′2,...,αt′m)
其中:
αt′m表示第m大的特征值所对应的特征向量。
6.如权利要求1所述的一种微感智能护理床控制方法,其特征在于,所述S4步骤中构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,包括:
构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,所述护理床控制动作包括护理床背部抬升F1、背部降低F2、左翻身F3、右翻身F4、坐立F5;
所述护理床控制动作选取概率的计算公式为:
其中:
P(Fj)表示基于历史经验的护理床控制动作P(Fj)的发生概率,j∈[1,5];
P(αt′)表示t′+1个时刻内,用户动作发生的频率,其中t′+1表示从动作信号采集时刻到当前时刻t′的时刻总数,v表示从动作信号采集时刻到当前时刻t′的检测到用户动作的时刻数;
P(αt′|Fj)表示用户动作动态特征向量αt′与Fj所对应标准动作动态特征向量fj的余弦相似度;
选取P(Fj|αt′)最大的护理床控制动作作为输出,根据输出结果对护理床进行控制。
7.一种微感智能护理床控制装置,其特征在于,所述装置包括:
动态动作监控装置,用于在护理床部署传感器持续采集用户动作信号,构建动态动作监控模型,将持续采集的用户动作信号序列输入到动态动作监控模型中,根据计算得到稳态和动态监控指标进行动作检测,判断是否有动作发生;
特征提取模块,用于提取动作信号序列的动态特征,得到用户动作动态特征向量;
护理床控制装置,用于构建护理床动作控制模型,所述护理床动作控制模型以提取得到的用户动作动态特征向量为输入,以护理床控制动作为输出,并根据输出结果对护理床进行控制,以实现一种如权利要求1-6任一项所述的微感智能护理床控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271319.9A CN115840356B (zh) | 2022-10-18 | 2022-10-18 | 一种微感智能护理床控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211271319.9A CN115840356B (zh) | 2022-10-18 | 2022-10-18 | 一种微感智能护理床控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115840356A CN115840356A (zh) | 2023-03-24 |
CN115840356B true CN115840356B (zh) | 2023-12-22 |
Family
ID=85576365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211271319.9A Active CN115840356B (zh) | 2022-10-18 | 2022-10-18 | 一种微感智能护理床控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115840356B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110353911A (zh) * | 2019-07-30 | 2019-10-22 | 武汉市老人城老人服务有限责任公司 | 网络智能远程互动护理*** |
WO2020173136A1 (zh) * | 2019-02-27 | 2020-09-03 | 平安科技(深圳)有限公司 | 应用***的监控方法、装置、设备及存储介质 |
CN114432060A (zh) * | 2021-12-28 | 2022-05-06 | 苏州卫生职业技术学院 | 智能护理床*** |
CN114998838A (zh) * | 2022-06-24 | 2022-09-02 | 无锡赛弗安全装备有限公司 | 一种危化品智能存储柜实时监测方法与装置 |
KR20220131468A (ko) * | 2021-03-19 | 2022-09-28 | 위보환 | 낙상 모니터링 시스템 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10775464B2 (en) * | 2017-01-31 | 2020-09-15 | Regents Of The University Of Minnesota | System and method for dynamic, cardiac phase-resolved quantitative longitudinal relaxation parameter mapping |
-
2022
- 2022-10-18 CN CN202211271319.9A patent/CN115840356B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020173136A1 (zh) * | 2019-02-27 | 2020-09-03 | 平安科技(深圳)有限公司 | 应用***的监控方法、装置、设备及存储介质 |
CN110353911A (zh) * | 2019-07-30 | 2019-10-22 | 武汉市老人城老人服务有限责任公司 | 网络智能远程互动护理*** |
KR20220131468A (ko) * | 2021-03-19 | 2022-09-28 | 위보환 | 낙상 모니터링 시스템 |
CN114432060A (zh) * | 2021-12-28 | 2022-05-06 | 苏州卫生职业技术学院 | 智能护理床*** |
CN114998838A (zh) * | 2022-06-24 | 2022-09-02 | 无锡赛弗安全装备有限公司 | 一种危化品智能存储柜实时监测方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115840356A (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109953761B (zh) | 一种下肢康复机器人运动意图推理方法 | |
Huang et al. | TSE-CNN: A two-stage end-to-end CNN for human activity recognition | |
Zhao et al. | Dual channel LSTM based multi-feature extraction in gait for diagnosis of Neurodegenerative diseases | |
CN104826230B (zh) | 康复*** | |
Wu et al. | Incremental diagnosis method for intelligent wearable sensor systems | |
CN109949438B (zh) | 异常驾驶监测模型建立方法、装置及存储介质 | |
Gill et al. | Design of a multi-sensor IoT-enabled assistive device for discrete and deployable gait monitoring | |
CN112428308B (zh) | 一种机器人触觉动作识别***及识别方法 | |
CN108095705A (zh) | 智能肌肉疲劳消除***及方法 | |
CN116942149B (zh) | 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质 | |
Farid et al. | A comparative analysis for support vector machines for stroke patients | |
Cai et al. | Gait phases recognition based on lower limb sEMG signals using LDA-PSO-LSTM algorithm | |
Liu et al. | An FPGA-based upper-limb rehabilitation device for gesture recognition and motion evaluation using multi-task recurrent neural networks | |
CN115840356B (zh) | 一种微感智能护理床控制方法及装置 | |
CN116740909A (zh) | 基于穿戴设备信息交互的监测预警方法及*** | |
CN116416545A (zh) | 行为检测方法、装置、设备以及计算机可读存储介质 | |
Siu et al. | Ankle torque estimation during locomotion from surface electromyography and accelerometry | |
CN117055726A (zh) | 一种脑机交互的微运动控制方法 | |
Yuan et al. | Design and experiment of the nao humanoid robot's plantar tactile sensor for surface classification | |
CN115268531B (zh) | 一种智能浴缸的水流调温控制方法、装置、设备及存储介质 | |
CN116825335A (zh) | 帕金森患者步态的预后效果的预测模型训练的方法和设备 | |
CN111657860B (zh) | 一种基于对抗学习的睡眠阶段识别方法及*** | |
Zhao et al. | Global joint information extraction convolution neural network for Parkinson’s disease diagnosis | |
CN113647937A (zh) | 检测装置、检测方法、鞋垫、训练方法和识别方法 | |
Bae | Gait analysis based on a hidden Markov model |
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 |