体温数据预测装置及其体温数据预测模型构建方法
专利摘要:本申请提供一种体温数据预测装置及其体温数据预测模型构建方法,采集有效时间段内的温度数据,构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练,将经过数据训练的所述CNN网络模型构建为CNN预测模型。本申请能够通过时间段内的温度变化趋势,构建可用于实际的CNN预测模型,并通过CNN预测模型实现对体温的预测,本申请预测准确率高,利于应对温度检测的突发情况,实现快速准确的体温测量效果。
专利说明:体温数据预测装置及其体温数据预测模型构建方法 技术领域 本申请涉及网络模型技术领域,具体涉及一种体温数据预测装置,所述体温数据预测装置的体温数据预测模型构建方法。 背景技术 随着可穿戴技术的发展,可穿戴设备在医疗领域的应用越来越受到技术人员的重视,可穿戴体温计也逐渐成为研究重点。 目前,对人体体温的测量主要还是依靠水银体温计或耳温枪等设备,水银体温计需要在腋窝夹紧至少10分钟才能测得人体体温,耳温枪所测得体温稳定性不好;有些电子体温计能够达到5分钟甚至更短时间来预测体温,但是其准确性不高,误差较大。 举例而言,由于贴片式电子体温计温升速度慢,现有方法无法快速并准确地通过贴片式电子体温计测量出人体体温。所以,如何实现快速有效地测量人体体温,是本技术领域人员亟需解决的一大难题。 针对现有技术的多方面不足,本申请的发明人经过深入研究,提出一种体温数据预测装置及其体温数据预测模型构建方法。 发明内容 本申请的目的在于,提供一种体温数据预测装置及其体温数据预测模型构建方法,能够通过时间段内的温度变化趋势,构建可用于实际的CNN(卷积神经网络)预测模型,并通过CNN预测模型实现对体温的预测,本申请预测准确率高,利于应对温度检测的突发情况,实现快速准确的体温测量效果。 为解决上述技术问题,本申请提供一种基于CNN网络模型的体温数据预测模型构建方法,作为其中一种实施方式,所述体温数据预测模型构建方法包括步骤: 采集有效时间段内的温度数据; 构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练; 将经过数据训练的所述CNN网络模型构建为CNN预测模型。 作为其中一种实施方式,所述采集有效时间段内的温度数据的步骤,具体包括: 通过体温测量设备采集不同测试对象在不同环境温度和/或不同体温下的有效时间段内的温度数据; 将所述有效时间段划分为多个采样时刻,并记录每个采样时刻的温度数据。 作为其中一种实施方式,所述采集有效时间段内的温度数据的步骤之后,还包括: 利用每个采样时刻及其对应温度数据建立参考曲线图; 根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理,剔除参考曲线图不连续、不光滑或者有明显异样的样本曲线。 作为其中一种实施方式,所述根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理的步骤,具体包括: 对所述参考曲线图进行求取一阶导; 将一阶导出现多个峰值或负数的采样时刻所对应的温度数据定义为无效数据; 初步筛选处理时剔除所述无效数据,得到符合所述参考曲线图的合格温度数据曲线样本集。 作为其中一种实施方式,所述对所述参考曲线图进行求取一阶导的步骤之后,还包括: 将一阶导出现最大峰值的采样时刻定义为参考曲线图的起点、将所述有效时间段结束时间的采样时刻定义为参考曲线图的终点,并记录位于所述起点和所述终点之间的N个温度数据,其中,N为大于零的整数; 将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势,其中,N=M*M。 作为其中一种实施方式,所述将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势的步骤,具体包括: 对N个一维的温度数据进行重组,变换成M行M列的二维矩阵; 对温度数据进行归一化处理。 作为其中一种实施方式,所述将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势的步骤,具体包括: 将每个采样时刻及其对应温度数据建立的所述参考曲线图作为输入,其中,参考曲线图横坐标为采样时刻的时间轴,参考曲线图纵坐标为温度数据的温度轴; 将参考曲线图进行网格化,将横坐标和纵坐标均分成M个节点,形成一个M行M列的网格数组,网格的横向为时间x,纵向为温度y,在原始的温度数据中t采样时刻的温度为T,令网络数组中对应的(x=t,y=T)处的值为1,其余为0; 使每个x都对应有个y值为1,如果存在x无对应t,则通过插值求得对应y值,以此由原始的温度数据得到一M*M大小的0-1二维矩阵。 作为其中一种实施方式,所述构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练的步骤,具体包括: 以处理好的M行M列的温度数据X作为输入,以最终稳态体温作为输出Y,构建一含隐藏层的CNN网络模型,其中,输入层大小由温度数据X决定,隐藏层由卷积层、池化层、dropout层和全连接层所组成; 卷积层的大小和深度通过数据训练调整参数,并选择最优参数,包括:定义输出层节点数为1时,输出为最终预测体温数据,通过比较预测体温数据与真实稳态体温数据,定义相应的损失函数,通过最小化损失函数得到CNN网络模型的最优参数。 作为其中一种实施方式,所述将经过数据训练的所述CNN网络模型构建为CNN预测模型的步骤,具体包括: 利用所述最优参数将所述CNN网络模型构建为CNN预测模型,以实现对体温数据的预测。 为解决上述技术问题,本申请还提供一种基于CNN网络模型的体温数据预测装置,作为其中一种实施方式,其采用任一上述的体温数据预测模型构建方法构建得到CNN预测模型,以通过所述CNN预测模型实现对体温数据的预测。 有益效果:本申请一种体温数据预测装置及其体温数据预测模型构建方法,采集有效时间段内的温度数据,构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练,将经过数据训练的所述CNN网络模型构建为CNN预测模型。本申请能够通过时间段内的温度变化趋势,构建可用于实际的CNN预测模型,并通过CNN预测模型实现对体温的预测,本申请预测准确率高,利于应对温度检测的突发情况,实现快速准确的体温测量效果。 上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。 附图说明 图1为本申请基于CNN网络模型的体温数据预测模型构建方法一实施方式的流程示意图。 图2为本申请一实施方式时间-温度的参考曲线图,其中,参考曲线图以温升曲线为例; 图3为图2所示温升曲线的一阶导曲线图,其中,横坐标为时间、纵坐标为一阶导。 图4为本申请CNN网络模型的结构图。 图5为采用CNN网络模型与传统DB神经网络的预测结果准确度对比图。 具体实施方式 为更进一步阐述本申请为达成预定申请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,对本申请详细说明如下。 通过具体实施方式的说明,当可对本申请为达成预定目的所采取的技术手段及效果得以更加深入且具体的了解,然而所附图式仅是提供参考与说明之用,并非用来对本申请加以限制。 请参阅图1到图4,图1为本申请基于CNN网络模型的体温数据预测模型构建方法一实施方式的流程示意图。 需要首先说明的是,本实施方式所述基于CNN网络模型的体温数据预测模型构建方法包括但不限于如下几个步骤。 步骤S101,采集有效时间段内的温度数据; 步骤S102,构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练; 步骤S103,将经过数据训练的所述CNN网络模型构建为CNN预测模型。 在本实施方式中,所述采集有效时间段内的温度数据的步骤,具体可以包括:通过体温测量设备采集不同测试对象在不同环境温度和/或不同体温下的有效时间段内的温度数据;将所述有效时间段划分为多个采样时刻,并记录每个采样时刻的温度数据。 需要特别说明的是,步骤S101中通过设备开始测量测试对象的温度数据的有效时间段且所采集的温度数据应该为有效数据,并且文中所述有效时间段特指设备开始测量测试对象的温度数据为有效数据的第一个有效时间段,否则,本实施方式将重新采集测试对象的温度数据作为有效时间段的内的温度数据。 举例而言,本实施方式的体温测量设备可以为贴片式电子体温计,温度数据可以为体温测量设备探头感应到的温度,所述有效时间段可以为1秒、2秒或3秒。此外,本实施方式同时还可以用水银温度计或者耳温枪同步测出对应真实的体温数据并记录,以作校正核对所用。 需要说明的是,本实施方式所述采集有效时间段内的温度数据的步骤之后,还可以包括:利用每个采样时刻及其对应温度数据建立参考曲线图;根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理,剔除参考曲线图不连续、不光滑或者有明显异样的样本曲线。 举例而言,本实施方式参考曲线图如图2所示,主要采集温升数据。 在本实施方式中,所述根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理的步骤,具体可以包括:对所述参考曲线图进行求取一阶导;将一阶导出现多个峰值或负数的采样时刻所对应的温度数据定义为无效数据;初步筛选处理时剔除所述无效数据,得到符合所述参考曲线图的合格温度数据曲线样本集。 举例而言,本实施方式可以对采集到的温度数据进行适当的筛选,剔除一些升温曲线不连续、不光滑或者有明显异样的样本曲线,通过求取升温曲线的一阶导(如图3所示),一阶导若出现多个峰值或出现负数的情况则说明曲线不满足要求,需要剔除,最后得到筛选过后的合格曲线样本集。接着,再对温升数据进行处理,使得每条曲线的起点和终点统一,同时使得每一条数据的起点、终点、数据点个数保持一致。数据起点可以设置成温度上升的第一点,可以通过温升曲线的变化率来确定。 请继续参阅图2,每次升温过程都会有以下三个阶段: 快速升温阶段:比如刚放入腋窝,感应探头温度由环境温度快速上升到某一温度值; 缓慢升温阶段:一段时间后,温度进入缓慢上升阶段,此阶段温度缓缓上升,但上升速度明显变慢; 稳定温度阶段:这个阶段温度基本保持不变,达到人体体温。 需要特别说明的是,本实施方式所述对所述参考曲线图进行求取一阶导的步骤之后,还可以包括:将一阶导出现最大峰值的采样时刻定义为参考曲线图的起点、将所述有效时间段结束时间的采样时刻定义为参考曲线图的终点,并记录位于所述起点和所述终点之间的N个温度数据,其中,N为大于零的整数;将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势,其中,N=M*M。 在本实施方式中,一维的温度数据(组),即是由温度数字组成的以单纯的排序结构排列的结构单一的数组、如36℃、38℃、39.9℃等,或比如自然数组1、2、3、、、10、11等即为简单用于计数的一维数组。 举例而言,一阶导的最大处可能出现在温度上升初期1、2秒内,通过寻找温度上升最快点(一阶导最大值)处作为曲线的起始点,确定每条升温曲线数据点个数,终止点根据数据个数自动确定。通过上面的处理后,每条样本曲线都具有相同的数据点个数,且具有统一的温升起点。对一维的温升数据转换成二维数组形式,使得原N个一维温升数据变成M行M列的二维矩阵,用二维矩阵的形式来表述原始温度上升的趋势。需要特别说明的是,本实施方式可以由以下两种方式处理。 方式一,所述将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势的步骤,具体包括:对N个一维的温度数据进行重组,变换成M行M列的二维矩阵;对温度数据进行归一化处理。 其中,在具体实施方式中可以采用最小-最大归一化方法,以使温度数据保持在[0,1]区间之间。 本实施方式最小-最大归一化处理的公式包括如下:
在式-1中,x*为归一化后的温度数据点;x为需要归一化的温度数据点;xmin为N个一维温度数据中的最小值;xmax为N个一维温度数据中的最大值。 在其他实施方式中,所述归一化方法还可以将温度数据比如{2.5 3.5 0.5 1.5}归一化后变成了{0.3125 0.4375 0.0625 0.1875},其具体过程包括: 解:2.5+3.5+0.5+1.5=8, 2.5/8=0.3125, 3.5/8=0.4375, 0.5/8=0.0625, 1.5/8=0.1875. 本实施方式归一化就是将括号里面温度数据的总和变成1,然后写出每个温度数据的比例。 在其他实施方式中,还可以采用零-均值归一化处理的方式。 方式二,所述将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势的步骤,具体包括:将每个采样时刻及其对应温度数据建立的所述参考曲线图作为输入,其中,参考曲线图横坐标为采样时刻的时间轴,参考曲线图纵坐标为温度数据的温度轴;将参考曲线图进行网格化,将横坐标和纵坐标均分成M个节点,形成一个M行M列的网格数组,网格的横向为时间x,纵向为温度y,在原始的温度数据中t采样时刻的温度为T,令网络数组中对应的(x=t,y=T)处的值为1,其余为0;使每个x都对应有个y值为1,如果存在x无对应t,则通过插值求得对应y值,以此由原始的温度数据得到一M*M大小的0-1二维矩阵。 在本实施方式中,以将处理过后的N组M行M列的温升数据作为算法待优化对象,利用CNN网络模型对该数据进行训练优化,得到一组预测的稳态体温数据,用该稳态体温数据同该N组温升数据所对应的事先测得的真实体温数据对比,使两者误差达到最小。 需要特别说明的是,如图4所示,本实施方式所述构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练的步骤,具体可以包括:以处理好的M行M列的温度数据X作为输入(Input),以最终稳态体温作为输出Y(Output),构建一含隐藏层的CNN网络模型,其中,输入层大小由温度数据X决定,隐藏层可以包括卷积层、池化层、dropout层和全连接层,在具体的实施方式中,隐藏层可以由两层卷积层(41、42)、一个池化层(43)、一个dropout层(44,指的是在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃)和两层全连接层(45、46)所组成;卷积层的大小和深度通过数据训练调整参数,并选择最优参数,包括:定义输出层节点数为1时,输出为最终预测体温数据,通过比较预测体温数据与真实稳态体温数据,定义相应的损失函数,通过最小化损失函数得到CNN网络模型的最优参数。 值得注意的是,在图4的两层卷积层(41、42)中,卷积核的大小为3x3,深度分别为32层和64层;池化层(43)采用的是最大池化层,大小为2x2。 需要说明的是,在训练过程中,为了保证收敛性,本实施方式对学习率采用了自适应动态递减的策略。 需要特别说明的是,本实施方式采用的损失函数为均方误差(MSE),函数如下式-2:
在式-2中,Err为均方误差值;N为训练过程中的样本总数;y为第i个样本所对应的真实值(归一化后的体温);yi为网络计算的第i个样本的预测值。 在本实施方式中,所述将经过数据训练的所述CNN网络模型构建为CNN预测模型的步骤,具体可以包括:利用所述最优参数将所述CNN网络模型构建为CNN预测模型,以实现对体温数据的预测。 利用上述CNN预测模型网络结构,对大量温升数据分别从升温开始49s(秒)、64s、81s、100s进行了训练后,对新的温升数据进行预测,预测的结果如表1所示。
表1预测准确度 请参阅图5,同样对比传统BP(back propagation)神经网络对该温升数据所预测的精度小于0.2℃的准确度,对比结果如图5所示,可以明显看出在相同升温时间内,采用CNN网络模型所预测的准确度明显好于传统BP神经网络。 本申请能够通过时间段内的温度变化趋势,构建可用于实际的CNN预测模型,并通过CNN预测模型实现对体温的预测,本申请预测准确率高,利于应对温度检测的突发情况,实现快速准确的体温测量效果。换而言之,本申请将卷积神经网络应用于贴片式体温测量设备来预测人体体温,克服原有测量体温所需时间长的缺点,实现了快速,准确的预测。 请继续参阅图1及其实施方式,本申请还提供一种基于CNN网络模型的体温数据预测装置,优选地,其采用任一上述实施方式所述的体温数据预测模型构建方法构建得到CNN预测模型,以通过所述CNN预测模型实现对体温数据的预测。 需要特别指出的是,本申请提出一种能够快速预测人体体温的算法,利用贴片式体温测量设备进行温度数据采集,获取一段时间的温度温升数据,再对温升数据做一定的筛选与处理,建立CNN网络模型,以温升数据作为输入,最终稳态体温作为输出,通过采集大量体温测量设备在测量时的温升数据,通过CNN网络模型训练得到一个普适性的CNN预测模型。利用得到的CNN预测模型能够对新的温升数据进行预测,并最终得到预测体温。 传统体温预测方法将体温计夹入腋窝简单的假设是一个物体与另一无限大热源接触,其数学模型如下式-3所示:
在式-3中,Tt为t时刻所测得的温度;t为时间;a,b,k,c分别为与人体皮肤和测温装置相关的参数; 而实际上,人体腋窝对于体温计而言并非无限大,这种假设忽略了很多因素,在实际应用中效果并不理想。 还有一些方法采用人工提取升温曲线中的一些能够描述升温趋势的特征,例如利用升温一段时间后的温度、温度上升速度等参数,然后进行简单的线性拟合或者更进一步采用BP算法。这类方法需要人为的获取相关的数据,并不能全部获取到整条曲线数据间所隐藏的关系,由于是人工采集特征参数,或多或少会忽略掉一些重要特征,在实际应用中的效果也达不到很好的效果。 相比于上述传统方法,神经网络算法采用自动从原始数据中一层一层地提取所需要的特征,其中,本实施方式CNN卷积神经网络算法相比于传统算法具有如下优点: 1)在传统全连接的BP网络算法中,隐藏层的每个神经元需要和每个输入相连接,假设输入大小为100x100,后一层的隐藏层中神经元个数为100,那么该层所需要训练的参数将达到100x(100x100)个;而CNN卷积神经网络采用的是局部感知,每个隐藏层中的神经元只与前一层中一部分节点相连,假设每个神经元与输入层的10x10的局部节点相连,则此时该层所需要训练的权值参数个数将缩减为100x(10x10),大大减少了所需训练的参数个数。 2)CNN卷积神经网络的另一个优势就是参数共享。参数共享降低了网络的复杂性,在训练中避免了特征提取和分类过程中数据重建的复杂度。在上面的局部连接中,隐藏层有100个神经元,每个神经元都对应着10x10=100个参数,那么该层一共就有100x100个参数;但是采用参数共享,该层所有神经元共同享有相同的参数,那么该层的参数就变成了100个,再次减少了权值参数数量。 3)CNN卷积神经网络无需复杂的显式地人工特征提取,算法是隐式地从训练数据中进行学习,从浅入深、自下而上地提取特征,无需人工干涉。 4)CNN卷积神经网络在实测准确度上也比传统BP网络高。 以上所述,仅是本申请的较佳实施例而已,并非对本申请作任何形式上的限制,虽然本申请已以较佳实施例揭露如上,然而并非用以限定本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容,依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本申请技术方案的范围内。
权利要求:
1.一种基于CNN网络模型的体温数据预测模型构建方法,其特征在于,所述体温数据预测模型构建方法包括步骤:
采集有效时间段内的温度数据;
构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练;
将经过数据训练的所述CNN网络模型构建为CNN预测模型。
2.根据权利要求1所述的体温数据预测模型构建方法,其特征在于,所述采集有效时间段内的温度数据的步骤,具体包括:
通过体温测量设备采集不同测试对象在不同环境温度和/或不同体温下的有效时间段内的温度数据;
将所述有效时间段划分为多个采样时刻,并记录每个采样时刻的温度数据。
3.根据权利要求2所述的体温数据预测模型构建方法,其特征在于,所述采集有效时间段内的温度数据的步骤之后,还包括:
利用每个采样时刻及其对应温度数据建立参考曲线图;
根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理,剔除参考曲线图不连续、不光滑或者有明显异样的样本曲线。
4.根据权利要求2所述的体温数据预测模型构建方法,其特征在于,所述根据所述参考曲线图对所述有效时间段内的温度数据进行初步筛选处理的步骤,具体包括:
对所述参考曲线图进行求取一阶导;
将一阶导出现多个峰值或负数的采样时刻所对应的温度数据定义为无效数据;
初步筛选处理时剔除所述无效数据,得到符合所述参考曲线图的合格温度数据曲线样本集。
5.根据权利要求4所述的体温数据预测模型构建方法,其特征在于,所述对所述参考曲线图进行求取一阶导的步骤之后,还包括:
将一阶导出现最大峰值的采样时刻定义为参考曲线图的起点、将所述有效时间段结束时间的采样时刻定义为参考曲线图的终点,并记录位于所述起点和所述终点之间的N个温度数据,其中,N为大于零的整数;
将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势,其中,N=M*M。
6.根据权利要求5所述的体温数据预测模型构建方法,其特征在于,所述将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势的步骤,具体包括:
对N个一维的温度数据进行重组,变换成M行M列的二维矩阵;
对温度数据进行归一化处理。
7.根据权利要求5所述的体温数据预测模型构建方法,其特征在于,所述将N个一维的温度数据转换成二维数组,以形成M行M列的二维矩阵,以通过所述二维矩阵体现所述温度数据的变化趋势的步骤,具体包括:
将每个采样时刻及其对应温度数据建立的所述参考曲线图作为输入,其中,参考曲线图横坐标为采样时刻的时间轴,参考曲线图纵坐标为温度数据的温度轴;
将参考曲线图进行网格化,将横坐标和纵坐标均分成M个节点,形成一个M行M列的网格数组,网格的横向为时间x,纵向为温度y,在原始的温度数据中t采样时刻的温度为T,令网络数组中对应的(x=t,y=T)处的值为1,其余为0;
使每个x都对应有个y值为1,如果存在x无对应t,则通过插值求得对应y值,以此由原始的温度数据得到一M*M大小的0-1二维矩阵。
8.根据权利要求6或7所述的体温数据预测模型构建方法,其特征在于,所述构建CNN网络模型,利用温度数据对所述CNN网络模型进行数据训练的步骤,具体包括:
以处理好的M行M列的温度数据X作为输入,以最终稳态体温作为输出Y,构建一含隐藏层的CNN网络模型,其中,输入层大小由温度数据X决定,隐藏层由卷积层、池化层、dropout层和全连接层所组成;
卷积层的大小和深度通过数据训练调整参数,并选择最优参数,包括:定义输出层节点数为1时,输出为最终预测体温数据,通过比较预测体温数据与真实稳态体温数据,定义相应的损失函数,通过最小化损失函数得到CNN网络模型的最优参数。
9.根据权利要求8所述的体温数据预测模型构建方法,其特征在于,所述将经过数据训练的所述CNN网络模型构建为CNN预测模型的步骤,具体包括:
利用所述最优参数将所述CNN网络模型构建为CNN预测模型,以实现对体温数据的预测。
10.一种基于CNN网络模型的体温数据预测装置,其特征在于,其采用根据权利要求1-9任一项所述的体温数据预测模型构建方法构建得到CNN预测模型,以通过所述CNN预测模型实现对体温数据的预测。
公开号:CN110544530
申请号:CN201810531121.7A
发明人:钮旗超 苏宏红
拥有者:浙江清华柔性电子技术研究院
申请日:2018-05-29
公开日:2019-12-06
全文下载