CN118136222A - 一种面向医疗环境的数字化智能制氧*** - Google Patents
一种面向医疗环境的数字化智能制氧*** Download PDFInfo
- Publication number
- CN118136222A CN118136222A CN202410563361.0A CN202410563361A CN118136222A CN 118136222 A CN118136222 A CN 118136222A CN 202410563361 A CN202410563361 A CN 202410563361A CN 118136222 A CN118136222 A CN 118136222A
- Authority
- CN
- China
- Prior art keywords
- oxygen
- blood
- flow
- saturation
- cluster
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 283
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 274
- 239000001301 oxygen Substances 0.000 title claims abstract description 274
- 239000008280 blood Substances 0.000 claims abstract description 67
- 210000004369 blood Anatomy 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000005206 flow analysis Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 1
- 230000036284 oxygen consumption Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000004202 respiratory function Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种面向医疗环境的数字化智能制氧***，属于智能制造技术领域，通过构建人工智能模型以量化血氧饱和度与氧气流量之间的响应关系，建模过程中采用K‑means方法将血氧饱和度划分为若干个类别，并按照类别排序的顺序将所有类别依次转化为连续数值，解决了由于血氧饱和度数值波动小，导致人工智能模型的学习能力受到限制，预测结果准确性下降的问题，实现了制氧***根据患者的血氧饱和度智能调整氧气流量；通过统计用氧单位的总氧气流量，设定氧气存储量阈值，计算氧气可用时长，并根据氧气可用时长制定制氧模式，使制氧***能够适应耗氧速度的变化进行制氧工作，解决了难以根据氧气流量精准控制制氧工作的问题。
Description
技术领域
本发明属于智能制造技术领域，涉及一种面向医疗环境的数字化智能制氧***。
背景技术
制氧***能够通过提供高浓度的氧气，帮助患者维持正常的血氧饱和度，改善呼吸功能。目前，大部分制氧***对氧气流量的调整是手动的，难以根据患者的身体状况如血氧饱和度与氧气流量之间的关系进行对氧气流量智能调整。然而，通常情况下，血氧饱和度数值波动较小（正常状态和需要吸氧状态时的数值相差10%左右），导致在构建血氧饱和度与氧气流量之间关系的量化模型时，模型的学习能力受到限制，预测结果准确性下降。此外，大部分制氧***难以根据氧气流量精准控制制氧设备的制氧状态，导致制氧速度不能适应耗氧速度的变化，甚至出现存贮的氧气耗尽的情况。
发明内容
为解决上述现有技术存在的问题，本发明提供了一种面向医疗环境的数字化智能制氧***。
本发明的目的可以通过以下技术方案实现：
本发明提供了一种面向医疗环境的数字化智能制氧***，包括监测模块、分析模块和控制模块，其中：
所述监测模块，用于监测患者的血氧饱和度以及氧气储存量；
所述分析模块，连接监测模块，用于将所述血氧饱和度输入预设的氧气流量分析模型中，输出相应的氧气流量，并将所述氧气流量和氧气存储量输入预设的制氧模式分析模型中，输出相应的制氧模式，所述制氧模式，用于使制氧***根据制氧模式调整制氧速度；
所述控制模块，连接分析模块，用于根据分析模块的输出结果，控制制氧设备的氧气流量，并根据输出制氧模式进行制氧工作。
进一步地，所述分析模块中，所述预设的氧气流量分析模型，包括以下步骤：
S1、收集日常工作中制氧***的经验数据，所述经验数据包括患者的血氧饱和度及其对应的氧气流量；
S2、数据处理：采用K-means方法对所述血氧饱和度进行聚类，以获得不同血氧饱和度的类别，并根据所述类别中血氧饱和度的数值大小获得类别排序，按照类别排序的顺序将所有类别依次转化为连续数值1，2，…，N，其中N为类别的数目；
S3、以血氧饱和度的类别为自变量，氧气流量为因变量，构建人工智能模型量化血氧饱和度与氧气流量之间的响应关系。
进一步地，步骤S2中，所述采用K-means方法对所述血氧饱和度进行聚类，包括以下步骤：
S21、初始化聚类中心：随机选取血氧饱和度数据集空间中的若干个数据对象作为初始聚类中心；
S22、初始化数据对象聚类簇：计算所有血氧饱和度数据对象与所述初始聚类中心之间的欧式距离，将各数据对象划分至与初始聚类中心欧氏距离最小的类别中，形成初始聚类簇；
S23、更新聚类中心：计算各初始聚类簇的血氧饱和度平均值，以所述平均值作为新聚类中心，再次计算所有数据对象与新聚类中心之间的欧式距离；
S24、确定最终聚类簇：重复步骤S21-S23的操作，直至聚类中心不再发生改变，确定各聚类中心所对应的最终聚类簇，并将各最终聚类簇作为血氧饱和度的类别。
进一步地，步骤S22中，所述欧式距离，计算公式为：，
式中，d(x, C i )表示欧式距离函数；x为血氧饱和度数据对象；C i 表示第i个聚类中心，1≤i≤k，k为聚类中心的数目；n为数据集的样本数；x j 表示数据集中第j个变量的数据对象；C ij 表示第j个变量的聚类中心，由于变量只有1个，j=1。
进一步地，步骤S3中，所述人工智能模型，配置为多层感知机模型。
进一步地，所述分析模块中，所述预设的制氧模式分析模型，包括以下步骤：
T1、计算总氧气流量：通过确定所有用氧单位的氧气流量，计算总氧气流量；
T2、计算氧气可用时长：设定氧气存储量阈值，结合所述总氧气流量和氧气存储量，计算氧气可用时长；
T3、确定制氧模式：对所述氧气可用时长进行分类，获得不同的氧气可用时长类别，根据所述氧气可用时长类别确定不同的制氧模式，并为各制氧模式配置对应的制氧速度。
进一步地，步骤T1中，所述总氧气流量，计算公式为：，
式中：Q sum 为总氧气流量；Q i 为第i个用氧单位的氧气流量；N表示用氧单位的数量。
进一步地，步骤T2中，所述氧气可用时长，计算公式为：，
式中：T sum 表示氧气可用时长，C sum 表示当前的氧气存储量，C 0 表示设定的氧气存储量阈值；Q sum 为总氧气流量。
本发明的有益效果：
（1）通过构建人工智能模型以量化血氧饱和度与氧气流量之间的响应关系，建模过程中采用K-means方法将血氧饱和度划分为若干个类别，并按照类别排序的顺序将所有类别依次转化为连续数值，解决了由于血氧饱和度数值波动小，导致人工智能模型的学习能力受到限制，预测结果准确性下降的问题，实现了制氧***根据患者的血氧饱和度智能调整氧气流量。
（2）通过统计用氧设备的总氧气流量，设定氧气存储量阈值，计算氧气可用时长，并根据氧气可用时长制定制氧模式，使制氧***能够适应耗氧速度的变化进行制氧，解决现有技术难以根据氧气流量精准控制制氧设备进行制氧工作的问题。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步地说明。
图1为本发明中一种面向医疗环境的数字化智能制氧***的结构图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
请参阅图1，本发明提供了一种面向医疗环境的数字化智能制氧***，包括监测模块、分析模块和控制模块，其中：
所述监测模块，用于监测患者的血氧饱和度以及氧气储存量；
所述分析模块，连接监测模块，用于将所述血氧饱和度输入预设的氧气流量分析模型中，输出相应的氧气流量，并将所述氧气流量和氧气存储量输入预设的制氧模式分析模型中，输出相应的制氧模式，所述制氧模式，用于使制氧***根据制氧模式调整制氧速度；
所述控制模块，连接分析模块，用于根据分析模块的输出结果，控制制氧设备的氧气流量，并根据输出制氧模式进行制氧。
在实际工作中，人们通常会根据患者的血氧饱和度来调整氧气流量。血氧饱和度是评估患者氧气供应是否充足的重要指标，如果患者的血氧饱和度低于正常范围，需要增加氧气流量以提高血氧饱和度。然而，大部分调整氧气流量是基于人工进行的，工作效率低，并且在病人数量较多的情况下难以同时兼顾。基于此，本实施例采集了日常工作中患者的血氧饱和度及其对应的氧气流量数据，基于经验数据构建氧气流量分析模型，实现制氧***智能调整氧气流量，提高了工作效率。
进一步地，所述分析模块中，所述预设的氧气流量分析模型，包括以下步骤：
S1、收集日常工作中制氧***的经验数据，所述经验数据包括患者的血氧饱和度及其对应的氧气流量；
S2、数据处理：采用K-means方法对所述血氧饱和度进行聚类，以获得不同血氧饱和度的类别，并根据所述类别中血氧饱和度的数值大小获得类别排序，按照类别排序的顺序将所有类别依次转化为连续数值1，2，…，N，其中N为类别的数目；
S3、以血氧饱和度的类别为自变量，氧气流量为因变量，构建人工智能模型量化血氧饱和度与氧气流量之间的响应关系。
本实施例中，为了解决血氧饱和度数据波动小的问题，将血氧饱和度划分为若干个类别，其中每个类别可以表示血氧饱和度一定的数值范围，增大了每个自变量之间的因变量数据波动，使最后构建的人工神经模型可以较好地学习血氧饱和度与氧气流量之间的关系，提高了模型的准确性。
进一步地，步骤S2中，所述采用K-means方法对所述血氧饱和度进行聚类，包括以下步骤：
S21、初始化聚类中心：随机选取血氧饱和度数据集空间中的若干个数据对象作为初始聚类中心；
S22、初始化数据对象聚类簇：计算所有血氧饱和度数据对象与所述初始聚类中心之间的欧式距离，将各数据对象划分至与初始聚类中心欧氏距离最小的类别中，形成初始聚类簇；
S23、更新聚类中心：计算各初始聚类簇的血氧饱和度平均值，以所述平均值作为新聚类中心，再次计算所有数据对象与新聚类中心之间的欧式距离；
S24、确定最终聚类簇：重复步骤S21-S23的操作，直至聚类中心不再发生改变，确定各聚类中心所对应的最终聚类簇，并将各最终聚类簇作为血氧饱和度的类别。
进一步地，步骤S22中，所述欧式距离，计算公式为：，
式中，d(x, C i )表示欧式距离函数；x为血氧饱和度数据对象；C i 表示第i个聚类中心，1≤i≤k，k为聚类中心的数目；n为数据集的样本数；x j 表示数据集中第j个变量的数据对象；C ij 表示第j个变量的聚类中心，由于变量只有1个，j=1。
需要注意的是，本实施例中所涉及的自变量是分类数据，因变量是连续数据，因此量化二者之间响应关系时需要选择合适的人工智能模型，其中，多层感知机（MultilayerPerceptron，MLP）是一种前馈神经网络模型，由多个隐藏层和一个输出层组成。MLP通过非线性变换、并行处理、特征组合和端到端学习的能力，能够有效地处理自变量是分类数据而因变量是连续数据的问题。通过使用各种非线性的激活函数和全连接的隐藏层神经元，MLP能够更好地拟合复杂的分类问题，并同时考虑多个特征之间的关系。通过端到端的学习方式，MLP可以自动学习输入与输出之间的映射关系，无需手动提取特征。因此：
进一步地，步骤S3中，所述人工智能模型，配置为多层感知机模型。
进一步地，所述分析模块中，所述预设的制氧模式分析模型，包括以下步骤：
T1、计算总氧气流量：通过确定所有用氧单位的氧气流量，计算总氧气流量；
T2、计算氧气可用时长：设定氧气存储量阈值，结合所述总氧气流量和氧气存储量，计算氧气可用时长；
T3、确定制氧模式：对所述氧气可用时长进行分类，获得不同的氧气可用时长类别，根据所述氧气可用时长类别确定不同的制氧模式，并为各制氧模式配置对应的制氧速度。
进一步地，步骤T1中，所述总氧气流量，计算公式为：，
式中：Q sum 为总氧气流量；Q i 为第i个用氧单位的氧气流量；N表示用氧单位的数量。
进一步地，步骤T2中，所述氧气可用时长，计算公式为：，
式中：T sum 表示氧气可用时长，C sum 表示当前的氧气存储量，C 0 表示设定的氧气存储量阈值；Q sum 为总氧气流量。
本发明的有益效果：
（1）通过构建人工智能模型以量化血氧饱和度与氧气流量之间的响应关系，建模过程中采用K-means方法将血氧饱和度划分为若干个类别，并按照类别排序的顺序将所有类别依次转化为连续数值，解决了由于血氧饱和度数值波动小，导致人工智能模型的学习能力受到限制，预测结果准确性下降的问题，实现了制氧***根据患者的血氧饱和度智能调整氧气流量。
（2）通过统计用氧设备的总氧气流量，设定氧气存储量阈值，计算氧气可用时长，并根据氧气可用时长制定制氧模式，使制氧***能够适应耗氧速度的变化进行制氧，解决现有技术难以根据氧气流量精准控制制氧设备进行制氧工作的问题。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (7)
1.一种面向医疗环境的数字化智能制氧***，其特征在于：包括监测模块、分析模块和控制模块，其中：
所述监测模块，用于监测患者的血氧饱和度以及氧气储存量；
所述分析模块，连接监测模块，用于将所述血氧饱和度输入预设的氧气流量分析模型中，输出相应的氧气流量，并将所述氧气流量和氧气存储量输入预设的制氧模式分析模型中，输出相应的制氧模式，所述制氧模式，用于使制氧***根据制氧模式调整制氧速度；
所述控制模块，连接分析模块，用于根据分析模块的输出结果，控制制氧设备的氧气流量，并根据输出制氧模式进行制氧工作；
其中，所述分析模块中，所述预设的氧气流量分析模型，包括以下步骤：
S1、收集日常工作中制氧***的经验数据，所述经验数据包括患者的血氧饱和度及其对应的氧气流量；
S2、数据处理：采用K-means方法对所述血氧饱和度进行聚类，以获得不同血氧饱和度的类别，并根据所述类别中血氧饱和度的数值大小获得类别排序，按照类别排序的顺序将所有类别依次转化为连续数值1，2，…，N，其中N为类别的数目；
S3、以血氧饱和度的类别为自变量，氧气流量为因变量，构建人工智能模型量化血氧饱和度与氧气流量之间的响应关系。
2.根据权利要求1所述的一种面向医疗环境的数字化智能制氧***，其特征在于：步骤S2中，所述采用K-means方法对所述血氧饱和度进行聚类，包括以下步骤：
S21、初始化聚类中心：随机选取血氧饱和度数据集空间中的若干个数据对象作为初始聚类中心；
S22、初始化数据对象聚类簇：计算所有血氧饱和度数据对象与所述初始聚类中心之间的欧式距离，将各数据对象划分至与初始聚类中心欧氏距离最小的类别中，形成初始聚类簇；
S23、更新聚类中心：计算各初始聚类簇的血氧饱和度平均值，以所述平均值作为新聚类中心，再次计算所有数据对象与新聚类中心之间的欧式距离；
S24、确定最终聚类簇：重复步骤S21-S23的操作，直至聚类中心不再发生改变，确定各聚类中心所对应的最终聚类簇，并将各最终聚类簇作为血氧饱和度的类别。
3.根据权利要求2所述的一种面向医疗环境的数字化智能制氧***，其特征在于：步骤S22中，所述欧式距离，计算公式为：，
式中，d(x, C i )表示欧式距离函数；x为血氧饱和度数据对象；C i 表示第i个聚类中心，1≤i≤k，k为聚类中心的数目；n为数据集的样本数；x j 表示数据集中第j个变量的数据对象；C ij 表示第j个变量的聚类中心，由于变量只有1个，j=1。
4.根据权利要求1所述的一种面向医疗环境的数字化智能制氧***，其特征在于：步骤S3中，所述人工智能模型，配置为多层感知机模型。
5.根据权利要求1所述的一种面向医疗环境的数字化智能制氧***，其特征在于：所述分析模块中，所述预设的制氧模式分析模型，包括以下步骤：
T1、计算总氧气流量：通过确定所有用氧单位的氧气流量，计算总氧气流量；
T2、计算氧气可用时长：设定氧气存储量阈值，结合所述总氧气流量和氧气存储量，计算氧气可用时长；
T3、确定制氧模式：对所述氧气可用时长进行分类，获得不同的氧气可用时长类别，根据所述氧气可用时长类别确定不同的制氧模式，并为各制氧模式配置对应的制氧速度。
6.根据权利要求5所述的一种面向医疗环境的数字化智能制氧***，其特征在于：步骤T1中，所述总氧气流量，计算公式为：，
式中：Q sum 为总氧气流量；Q i 为第i个用氧单位的氧气流量；N表示用氧单位的数量。
7.根据权利要求5所述的一种面向医疗环境的数字化智能制氧***，其特征在于：步骤T2中，所述氧气可用时长，计算公式为：，
式中：
T sum 表示氧气可用时长，C sum 表示当前的氧气存储量，C 0 表示设定的氧气存储量阈值；Q sum 为总氧气流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410563361.0A CN118136222A (zh) | 2024-05-08 | 2024-05-08 | 一种面向医疗环境的数字化智能制氧*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410563361.0A CN118136222A (zh) | 2024-05-08 | 2024-05-08 | 一种面向医疗环境的数字化智能制氧*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118136222A true CN118136222A (zh) | 2024-06-04 |
Family
ID=91242108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410563361.0A Pending CN118136222A (zh) | 2024-05-08 | 2024-05-08 | 一种面向医疗环境的数字化智能制氧*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118136222A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060217603A1 (en) * | 2005-03-23 | 2006-09-28 | Konica Minolta Sensing, Inc. | Method for acquiring respiratory disease-related analysis data, oximeter system, operation program product for oximeter system, oximeter, and oxygen supply system |
| CN112294264A (zh) * | 2020-10-31 | 2021-02-02 | 无锡中物云信息科技有限公司 | 一种基于bcg与血氧饱和率的睡眠分期方法 |
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
-
2024
- 2024-05-08 CN CN202410563361.0A patent/CN118136222A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060217603A1 (en) * | 2005-03-23 | 2006-09-28 | Konica Minolta Sensing, Inc. | Method for acquiring respiratory disease-related analysis data, oximeter system, operation program product for oximeter system, oximeter, and oxygen supply system |
| CN112294264A (zh) * | 2020-10-31 | 2021-02-02 | 无锡中物云信息科技有限公司 | 一种基于bcg与血氧饱和率的睡眠分期方法 |
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| CN102622418B (zh) | 一种基于bp神经网络的预测装置及设备 | |
| CN111401433A (zh) | 用户信息获取方法、装置、电子设备及存储介质 | |
| CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
| CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
| CN108764588A (zh) | 一种基于深度学习的温度影响电力预测方法 | |
| US6317730B1 (en) | Method for optimizing a set of fuzzy rules using a computer | |
| CN107180152A (zh) | 疾病预测***及方法 | |
| Wan et al. | Network traffic prediction based on LSTM and transfer learning | |
| Wang et al. | The trend-fuzzy-granulation-based adaptive fuzzy cognitive map for long-term time series forecasting | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN114492990A (zh) | 一种基于可穿戴设备的用户行为习惯预测方法 | |
| CN114240687A (zh) | 一种适用于综合能源***的能源托管效率分析方法 | |
| CN112099766B (zh) | 一种灵活定制企业应用***的需求管理工具集 | |
| CN117196105A (zh) | 人数预测方法、装置、计算机设备、存储介质 | |
| CN117034046A (zh) | 一种基于isodata聚类的柔性负荷可调潜力评估方法 | |
| CN118136222A (zh) | 一种面向医疗环境的数字化智能制氧*** | |
| CN117371573A (zh) | 基于TrAdaBoost-LSTM的时间序列预测方法、装置及介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
| Abu Snaina et al. | Mussels wandering optimization algorithm based training of artificial neural networks for pattern classification | |
| Kavipriya et al. | Adaptive weight deep convolutional neural network (AWDCNN) classifier for predicting student’s performance in job placement process | |
| CN111402042B (zh) | 一种用于股市大盘形态分析的数据分析与显示方法 | |
| CN114530239B (zh) | 一种基于软硬件协作的节能型移动健康医疗监护*** | |
| US20240126232A1 (en) | Apparatus for printing energy balance formulation and a method for its use |
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 |