用于食物摄入量的参数概率上下文无关文法
阅读：110发布：2020-05-14
专利汇可以提供用于食物摄入量的参数概率上下文无关文法专利检索，专利查询，专利分析的服务。并且本 发明 涉及通过连续的进餐重量测量来监测和改变进食行为，并已成功应用于临床实践来 治疗 肥胖和 进食障碍 。为此目的，在单次进餐的过程中，使用了具有盘秤的以及受试者的视频记录来帮助临床医生测量相关的食物摄入量参数。在这项工作中，我们提出了只使用 重量测量自动构建受试者的食物摄入量曲线的新 算法 。这消除了直接临床观察或视频记录的需要，从而显著减少了分析所需的手动误差。所提出的算法旨在通过应用使用Delta系数的自适应预处理阶段来识别具体的进餐相关事件(例如咬、食物添加、人为)，随后基于参数概率上下文无关文法对事件进行检测记录的序列。对患有 肥胖症 或进食障碍的个体以及具有正常BMI的个体的114个进餐的数据集的实验结果证明了所提出的方法的有效性。，下面是用于食物摄入量的参数概率上下文无关文法专利的具体信息内容。
1.一种包括连接到计算机设备的秤的装置，所述计算机设备在屏幕上显示和描绘人从放置在秤上的餐具吃掉的已测量的膳食的食物摄入量曲线，所述秤将进食参数传递到计算机设备，其特征在于：
所述曲线衍生自参数概率上下文无关文法算法，通过以下处理用于连续膳食重量测量的食物摄入量分析，通过计算机设备执行五个计算步骤a.)到e.)：
a)预处理阶段，包括选择使用具有δ系数的自适应结构元素大小的开放形态运算子；
b.)每次记录的重量定义为w(n)并定义参数：
c.)定义上下文无关文法：
S→BS|FS|AS|e (1)
B→D|RD (2)
F→R (3)
A→RSD (4)
R→rr* (5)
D→dd* (6)
其中*是克林星号
运算子和符号r和d是PCFG终端符号；
d.)定义替换规则(2)、(3)或(4)的概率，对应于咬、食物添加或人为事件，所有其它规则的概率为1；和
e.)选择具有观察食物摄入量测量的最大可能性的分析树，通过使用符号B(咬)、F(食物添加)和A(人为)来解释曲线事件并重建修正的食物摄入量曲线。
2.一种适于装置的方法，该装置包括与计算机设备相连的秤，所述计算机设备在屏幕上显示和描绘用于人从放置在秤上的餐具吃掉的已测量的膳食的食物摄入量曲线，所述秤将进食参数传递到计算机设备，其特征在于：
所述曲线衍生自参数概率上下文无关文法算法，通过以下处理用于连续膳食重量测量的食物摄入量分析，通过计算机设备执行五个计算步骤a.)到e.)：
a)预处理阶段，包括选择使用具有δ系数的自适应结构元素大小的开放形态运算子；
b.)每次记录的重量定义为w(n)并定义参数：
c.)定义上下文无关文法：
S→BS|FS|AS|e (1)
B→D|RD (2)
F→R (3)
A→RSD (4)
R→rr* (5)
D→dd* (6)
其中*是克林星号
算子和符号r和d是PCFG终端符号；
d.)定义替换规则(2)、(3)或(4)的概率，对应于咬、食物添加或人为事件，所有其它规则的概率为1；和
e.)选择具有观察食物摄入量测量的最大可能性的分析树，通过使用符号B(咬)、F(食物添加)和A(人为)来解释曲线事件并重建修正的食物摄入量曲线。
用于食物摄入量的参数概率上下文无关文法
技术领域
[0001] 本发明涉及包括连接到计算机设备的秤的装置，所述计算机设备在屏幕上显示和描绘人从放置在秤上的餐具吃掉的已测量的膳食的食物摄入量曲线，所述秤将进食参数传送到计算机设备，以及涉及其方法。
背景技术
[0002] 通过连续的进餐重量的测量来监测和改变进食行为已经成功地应用于临床治疗肥胖和进食障碍。为此目的，在单次进餐的过程中，利用具有盘子和秤的 以及受试者的视频记录来帮助临床医生测量相关的食物摄入量参数。
[0003] 肥胖(OB)和进食障碍(ED)，包括神经性厌食症(AN)和神经性贪食症，影响当今很大一部分的现代人口。根据世界卫生组织的数据，2008年有超过5亿人患有OB 1。预计未来几年该情况不会好转[8]；事实上，患有OB的人数，以及OB是重要因素的其它疾病[9]，将会显著增加[8]。请参阅下面的标题“参考引文”[1]至[11]。
[0004] 在[2]中，1996年引入 处理方法。 是一种小称，其记录以恒定的采样率静置在该称上的盘子(和食物)的重量；从而产生连续的进餐重量记录。然后由临床专家处理该记录，有时在进食的附加视频记录的帮助下，创建进餐的食物摄入量(FI)曲线。根据[6]，可以使用二阶多项式曲线w(t)＝αt2+βt+γ来充分建立累积FI曲线模型，其中α是FI加速度，β是初始FI速率，并且γ＝0，因为在开始记录时没有食物被消耗。
[0005] FI曲线建模的理由是基于[10]和[4]中提出的证据，其中两个主要模式在[10]中被确定：线性和减速进食。有趣的是，与以减速进食(α<0)为特征的正常人群相比，在[4]中发现OB和ED人群均为线性进食者(α’0)。这证明了进食模式的二次方模型可以用来检测高风险的OB和ED个体。此外，使用 可以改变线性进食者的进食模式，如[11]所示，从而降低发生这种疾病的风险。事实上，在[1]中，18年间来自1428名受试者的结果显示74％的缓解率，其中只有10％复发。
[0006] 但是， 记录的处理并不是一项简单的任务。通常，处理记录以创建FI曲线的临床医生严重依赖经验规则和一些猜测，在解释中引入误差。另一方面，可以使用附加的视频记录来帮助临床医生，但是这个过程非常费力并且需要额外的工作(例如同步等)。瑞典斯德哥尔摩的卡罗林斯卡研究所应用神经内分泌科和 诊所已经开发出了名为 的装置。它由连接到计算机的秤组成。在秤上放置盘子，患者将由治疗师确定的测量过的部分食物放在盘子上，并且计算机在患者进食时记录和存储盘子的重量损失。
[0007] 这产生了在进餐期间在计算机屏幕上的患者可见的进食速率曲线，并且可以与屏幕上的预设进食曲线相比较。计算机显示器上会定期显示评定量表，患者评定她/他的饱胀感/饱腹感。所述量表具有从0(不饱腹)到100(最大饱腹感)的数值。随着患者饱腹感的出现，屏幕上出现圆点，并产生饱腹感(饱胀感)的曲线。因此，患者可以将他们饱胀感的发展与在屏幕上再次预设的“正常”饱胀感曲线进行比较。在“ 训练”过程中，患者逐渐采用更正常的进食和饱腹感模式，遵循进食期间显示在显示器上的训练曲线。这些方法最初是为了治疗厌食症和神经性贪食症等进食障碍而开发的：他们已经在随机对照试验中进行了评估，估计缓解率为75％。表明在多年以前肥胖者以增加的速度进食，并且使用进行肥胖青少年的初步研究证实了该观察。
发明内容
[0008] 在本发明中，提出了新的算法，该算法基于参数概率上下文无关文法(parametric Probabilistic Context-Free Grammar，PCFG)，仅使用 记录自动构建FI曲线。该算法比在[7]中提出的算法有显著的改进。在大数据集上的实验验证所述算法的有效性。
[0009] 因此，本发明的一个目的是提出包括连接到计算机设备的秤的装置，该计算机设备在屏幕上显示和描绘用于人从放置在秤上的餐具吃掉的已测量的膳食的食物摄入量曲线，该秤传递进食参数到计算机设备。由此它包括：
[0010] 所述曲线衍生自参数概率上下文无关文法算法，通过以下处理用于连续进餐重量测量的食物摄入量分析，通过计算机设备执行五个计算步骤a.)到e.)：
[0011] a)预处理阶段，包括选择使用具有δ系数的自适应结构元素大小的开放形态运算子；
[0012] b.)每次记录的重量定义为w(n)并定义参数：
[0013] dw(n)＝w(n)-w(n-1)和
[0014] c.)定义上下文无关文法：
[0015] S→BS|FS|AS|e (1)
[0016] B→D|RD (2)
[0017] F→R (3)
[0018] A→RSD (4)
[0019] R→rr＊ (5)
[0020] D→dd＊ (6)
[0021] 其中*是克林星号(Kleene star)
[0022] 运算子和符号r和d是PCFG终端符号；
[0023] d.)定义替换规则(2)、(3)或(4)的概率，对应于咬(Bite)、食物添加(Food Addition)或人为(Artefact)事件，所有其它规则的概率为1；和
[0024] e.)选择具有观察食物摄入量测量的最大可能性的分析树，通过使用符号B(咬)、F(食物添加)和A(人为)来解释曲线事件并重建修正的食物摄入量曲线。
[0025] 此外，本发明提出了适用于装置的方法，该装置包括与计算机设备相连的秤，该计算机设备在屏幕上显示和描绘用于人从放置在秤上的餐具吃掉的已测量的膳食的食物摄入量曲线，该秤传递进食参数到计算机设备。由此所述方法包括以下步骤：
[0026] 所述曲线衍生自参数概率上下文无关文法算法，通过以下处理用于连续膳食重量测量的食物摄入量分析，通过计算机设备执行五个计算步骤a.)到e.)：
[0027] a)预处理阶段，包括选择使用具有δ系数的自适应结构元素大小的开放形态运算子；
[0028] b.)每次记录的重量定义为w(n)并定义参数：
[0029] dw(n)＝w(n)-w(n-1)和
[0030] c.)定义上下文无关文法：
[0031] S→BS|FS|AS|e (1)
[0032] B→D|RD (2)
[0033] F→R (3)
[0034] A→RSD (4)
[0035] R→rr＊ (5)
[0036] D→dd＊ (6)
[0037] 其中*是克林星号(Kleene star)
[0038] 算子和符号r和d是PCFG终端符号；
[0039] d.)定义替换规则(2)、(3)或(4)的概率，对应于咬(Bite)、食物添加(Food Addition)或人为(Artefact)事件，所有其它规则的概率为1；和
[0041] 以下，为了更好地理解本发明，参考附图，并给出了实施例和实施方案，其中：
[0042] 图1a、b和c示出了根据本发明的 记录的处理；
[0043] 图1a描绘了原始记录、处理过的记录和FI曲线；
[0044] 图1b和1c描绘了FA和人为的处理；和
[0045] 图2a、b和c描绘了根据本发明的PCFG事件的参数的概率密度函数。
[0046] 表
[0048] 表I描述了基于参数ξ的值在预处理中使用的结构元素u的长度；
[0049] 表II描述了FI曲线的二次方模型的α系数的四种类别；
[0050] 表III描述了FI曲线的二次方模型的β系数的五种类别；
[0051] 表IV描述了系数α的混淆矩阵(进食模式)。总体准确率为90.35％；
[0052] 表V描述了系数β的混淆矩阵。总体准确率为87.72％s；和
[0053] 表VI描述了指标MAD和StdAD。
[0054] 参考引文
[0055] [1]Cecilia Bergh，Monica Callmar，Sophia Danemar，Mats Holcke，Su-¨sanne lsberg，Michael Leon，Jessica Lindgren，Asa Lundqvist，Maria°Niinimaa，Barbro Olofsson，et al.Effective treatment of eating disor-¨ders：Results at multiDle sites.Behavioral neuroscience，127(6)：878，2013.
[0056] [2]Cecilia Bergh，Stale Eklund，Mats Eriksson，Greger Lindberg，and*Per Sodersten.¨A new treatment of anorexia nervosa.The Lancet，348(9027)：611-612，1996.
[0057] [3]Rafael C Gonzalez and Richard E Woods.Digitalimage processing，2002.
[0058] [4]loannis loakimidis，Modjtaba Zandian，Cecilia Bergh，and Per Sodersten.A method for the control of eating rate：a potential interven-¨tion in eating disorders.Behavior research methods，41(3)：755-760，2009.[0059] [5]loannis loakimidis，Modjtaba Zandian，Florian Ulbl，Carina Alund，*Cecilia Bergh，and Per Sodersten.Food intake and chewing in women.¨Neurocomputing，84：31-38，2012.
[0060] [6]Harry R Kissileff，John Thornton，and Emil Becker.A quadratic equation adequately describes the cumuiative food intake curve in man.Appetite，3(3)：255-272，1982.
[0061] [7]Vasileios Papapanagiotou，Christos Diou，Billy Langlet，loannis loakimidis，and Anastasios Delopoulos.Automated extraction of food intake indicators from continuous weight measurements.aaa，1：1-2，2015.
[0062] [8]Laura Webber，Diana Divajeva，Tim Marsh，Klim McPherson，Martin Brown，Gauden Galea，and Joao Breda.The future burden of obesityrelated diseases in the 53 who european-region countries artd the impact of effective interventions：a modelling study.BMJ open，4(7)：e004787，2014.
[0063] [9]Ram Weiss and Sonia Caprio.The metabolic consequences of childhood obesity.Best Practice&Research Clinical Endocrinology&Metabolism，19(3)：405-419，2005.
[0064] [10]Moditaba Zandian，loannis loakimidis，Cecilia Bergh，Ulf Brodin，and Per Sodersten.Decelerated and linear eaters：effect of eating rate on¨food intake and satiety.Physiology&behavior，96(2)：270-275，2009.
[0065] [11]Modjtaba Zandian，loannis loakimidis，Cecilia Bergh，and Per Sodersten.Linear eaters turned decelerated：Reduction of a risk for¨disordered eating？Physiology&behavior，96(4)：518-521，2009.
[0066] 优选实施方案的详细描述
[0067] 本发明通过连续进餐重量测量来监测和改变进食行为，并且已经成功地应用于临床治疗肥胖和进食障碍。为此目的，在单次进食过程中，使用了具有盘秤的 以及受试者的视频记录来帮助临床医生测量相关的食物摄入量参数。在该工作中，提出了只使用 重量测量来自动构建受试者的食物摄入量曲线的新算法。这消除了直接的临床观察或视频记录的需要，从而显著减少了分析所需的手动误差。所提出的算法旨在通过应用使用Delta系数的自适应预处理阶段来识别具体的进餐相关事件(例如咬、食物添加、人为)，随后基于参数概率上下文无关文法对事件进行检测记录的序列。对患有肥胖症或进食障碍的个体以及具有正常BMI的个体的114个进食的数据集的实验结果证明了所提出的方法的有效性。
[0068] 本发明的装置由通过无线/有线与具有屏幕的计算机装置(例如智能电话、平板电脑、膝上型电脑等)进行通信的秤组成。将具有食物的盘子放在秤上，人从盘中进食，每一口都被记录和传达。计算机设备将进食人员的实际进食曲线实时显示在屏幕上。将该曲线与具有健康进食行为的人的测量的曲线进行比较。通过这个过程，具有不健康的进食行为的人可以用所述计算机装置练习，以达到健康的进食行为。本发明提出了实时进食的人的进食曲线，考虑/预测通过进食而发生的事件，通过算法在屏幕上自动呈现曲线，这种事件可以是盘子上叉的压力，食物落在桌子上，这在进餐中提供了虚假的结果。也考虑其它参数，并在下面的描述中讨论。
[0069] 在该工作中，根据本发明提出了新的算法，该算法基于参数概率上下文无关文法(PCFG)，仅使用 记录自动构造FI曲线。该算法比在[7]中提出的算法有显著的改进。在大数据集上的实验验证所述算法的有效性。
[0070] 所述算法旨在构建进餐的(累积)FI曲线。所述FI曲线描述了受试者在整个进餐期间消耗的食物的重量。为此目的，处理原始进餐记录，得到如图1a所示的与非进食无关的重量波动的版本。这些波动可以是食物添加(FA)或人为。FA指如图1b所示的进食期间增加额外的食物量。另一方面，人为描述了重量的暂时转移，首先是上升然后是下降；这可以有各种各样的原因，例如由刀子施加的压力，其记录类尖峰状(spike-like)人为，或叉子/匙的搁置在盘上，其记录高原状(plateau-like)形状，如图1c。因此，PCFG采用以下符号：B代表咬合事件，F代表FA事件，A代表人为事件。基于从膳食记录中提取的参数为每个事件的分配概率。最终，得到最可能的膳食解释。
[0071] 图1表明 记录的处理。图1a示出了原始记录10，处理过的记录12和FI曲线14，并且图1b和1c示出了FA 16、18和人为10的处理。
[0072] 在应用PCFG之前，对原始记录数据进行一些预处理。最初，首先检测到进餐的开始和结束。给定一系列记录的进餐重量w’0(n)，进餐的开始和结束被认为是记录正在减少的第一个和最后一个样本的记录；所有不在第一个和最后一个之间的样本都被丢弃。结果序列表示为w0(n)。
[0073] 然后应用平滑化步骤，消除在盘子上使用叉子/刀时产生的尖峰。平滑化是通过对原始数据应用开放的形态运算子[3]，使用结构元素u来完成的。结构元素的长度是根据原始数据借助Delta系数(或Deltas)自动确定的。
[0074] Deltas捕捉曲线的趋势(增加或减少)。给定序列x(n)，将它们定义为[0075]
[0076] 其中参数D定义为估计曲线趋势的范围[～D，D]。给定N次采样的进食记录w0(n)，结构元素u的长度基于以下量确定：
[0077]
[0078] 这是对曲线平滑度的粗略估计；ξ的值越高，膳食越少平滑，因此需要更平滑。u的长度由表1确定。使用u应用开放w0(n)的结果表示为w(n)。
[0079] 如第II节第一段所述，PCFG的生成模型由以下替代规则表示
[0080] S→BS|FS|AS|e (3)
[0081] B→D|RD (4)
[0082] F→R (5)
[0083] A→RSD (6)
[0084] 其中S是起始符号，e是空字符串符号，“|”表示或运算符。符号R和D描述重量增加(上升)和减小(下降)段，并且替换以下字符串
[0085] R→rr* (7)
[0086] D→dd* (8)
[0087] 其中*是克林(Kleene)星号运算子，符号r和d是PCFG终端符号。它们是从进餐记录的衍生物直接获得的，使用下面的等式形成进餐的字符串表示x。
[0088]
[0089] w(n)的导数计算为dw(n)＝w(n)-w(n-1)。因此，记录的每个样本产生一个终端符号，除了第一个样本。分配给替代规则的等式7和等式8是p(R)＝1和P(D)＝1。这种选择是基于符号没有物理解释的事实；它们仅仅是聚集后续上升或下降的手段，以消除对采样率的依赖。
[0090] 另一方面，在记录上咬事件记录下降。但是，通常由叉子/刀施加的力导致暂时的重量增加；该模式被等式4所捕获。咬事件期间的总重量下降通常为5至15克，总持续时间Bdt大约为1至3个样本。这两个参数是独立的，因此一部分记录咬事件B的概率是p(B)＝pB1(Bdw)pB2(Bdt)，在图2a中示出PDFpB120和pB222。
[0091] 同样地，FA事件记录重量上升(见图1b)，其由等式5捕获。因此，FA事件的概率F为p(F)＝pF(Fdw)，图2b示出了PDF pF24，Fdw为FA期间的重量增加。
[0092] 人为事件描述了这样的现象，在该现象期间(a)在盘上增加额外的重量，例如勺子或刀子，不是食物，但是，(b)可选地有时也可以发生例如咬，并且(c)重量从盘上移除。这基本上由等式6捕获。这种事件的概率基于四个参数：(a-b)R和D的持续时间，分别表示为Rdt和Ddt，它们必须是短的，(c)R期间重量增加与D、Adw期间体重减少之间的差值，它必须接近零；(d)中间事件S、Sdt的持续时间，也不应该太长。结果，事件A的概率是p(A)＝pA1(Rdt)pA2(Ddt)pA3(Adw)pA4(Sdt)，其中pAi，i＝1，2，3，4，如图2c所示，其中概率曲线指定为pA1 26、pA2 10、pA3 30和pA4 28。注意曲线26是以虚线表示的曲线10之后的直线。
[0093] 使用等式3(Eq.3)四个规则中的任意替代S的概率只取决于特定的替代。对于所述事件没有其它假设，比如FA的总数等等。因此，对于X＝B、F、A和p(S→e)＝1，p(S→XS)＝p(X)p(S)。
[0094] PCFG是不明确的：每个输入字符串都存在多于一个分析树。因此，采用动态编程来确定所有可能的解释。对于每棵树，计算所述树正确解释膳食的可能性。结果，选择具有最高可能性的分析树作为记录膳食中事件的最终解释。
[0095] 一旦获得了膳食的最终解释，基于平滑记录w(n)和PCFG事件重建FI摄入量曲线。去除FA，通过调整记录，就好像在进餐开始前在盘子上添加了整个食物量(参见图1b)。此外，也去除人为，通过消除事件的R和D部分的重量上升和下降，并且通过从嵌入S部分的所有样本中减去由R和D引起的重量偏移，如果存在的话(参见图1c)。
[0096] 最后，调整每次咬合，以便在咬合的最后样本处发生整个重量下降。最后，通过从所有样本中减去最后一个样本的值来获得PCFG FI曲线y(n)，从而发生零剩余，然后颠倒曲线，或者简单地将y(n)＝wc(1)-wc(n)。
[0097] 为了评估所提出的算法的有效性，使用由114个进餐记录组成的数据集。这些记录来自105名女性和9名男性，其中49名被定性为正常体重，平均年龄为22.8岁，平均身体质量指数(BMI)为22.2kg/m2，其中23名被定性为肥胖，平均年龄为35.22岁，平均BMI为37.21kg/2 2
m，其余46名被定性为AN病例，平均年龄为21.7岁，平均BMI为17.4kg/m。
m，其余46名被定性为AN病例，平均年龄为21.7岁，平均BMI为17.4kg/m。
[0098] 对于每一次进餐，都提供原始的 记录，以及基础事实FI曲线。临床记录的基础事实FI曲线由 诊所的临床专家和Karolinska Institutet的研究人员根据原始 数据和受试者进食的视频记录生成。这个过程的标准程序在[5]中
描述。
描述。
[0099] 为了评估PCFG算法的有效性，我们将其应用于每次原始进餐记录并获得PCFG FI曲线。对于每次进餐，我们从基础事实FI曲线和PCFG FI曲线中提取行为指标以进行评估。这些指标包括：FI曲线的二次方近似的系数α和β、总FI重量(克)、总进餐持续时间(以秒计)和平均咬合尺寸(也以克计)。对于系数α和β，分别由临床专家确定四个和五个类别，并在表II和III中给出。
[0100] α和β系数的结果在混淆矩阵中呈现，其中基于从基础事实FI曲线中提取的系数的值来指定基础事实，并且基于从PCFG提取的系数的值来预测类别。对于剩余的指标，在所有进餐中计算平均绝对差异(MAD)和绝对差异标准差(StdAD)。
[0101] 图2描述了PCFG事件参数的概率密度函数。它们是根据对可用记录和它们的基本事实的统计分析确定的。
[0102] 实验结果列于表IV、V和VI中。表IV给出了基于系数α值的进食模式分类任务的混淆矩阵。检测精度为90％，明显高于文献[7]报道的最高精度83％。表V给出了系数β分类任务的混淆矩阵；检测准确率为88％。
[0103] 表VI给出了所有进餐中的MAD和StdAD，对于剩余三个指标中的每一个：总FI以克计、进餐时间以秒计和平均咬合尺寸以克计。
[0104] 这些结果表明PCFG算法的有效性非常高。在进食模式上的混淆是最小的，而对于大多数错误分类进餐，预测的类别与实际相邻，表明α系数的实际值相对较小的误差。基于β系数的分类也是如此。最后，所述算法对其余指标的有效性也很高，表明总FI的MAD仅为10克([7]中最好的情况是26克)，而MAD平均咬合大小小于1克。
[0105] 治疗是针对OB和ED的最有效方法之一。它基于分析连续进餐重量记录和构建进餐的FI曲线，并已显示达到非常高的缓解率，以及非常低的复发率。在这项工作中，我们已经提出了自动构建只基于 记录的FI曲线的算法。该算法的有效性已经在包括正常、OB和不同BMI的AN病例的大数据集上得到证明。平均咬合大小的MAD小于1克。
[0106] 表
[0107] 表I：基于参数ξ的值，在预处理中使用的结构元素u的长度。
[0108]
[0109] 表II：FI曲线的二次方模型的α系数的四种类别。
[0110]
[0111] 表III：描述了FI曲线的二次方模型的β系数的五种类别。
[0112]
[0113] 表IV是系数α的混淆矩阵(进食模式)。总体准确率为90.35％。
[0114]
[0115] 表V是系数β的混淆矩阵。总体准确率为87.72％。
[0116]
[0117] 表VI：描述了指标MAD和StdAD。
[0118]
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种用于筛选高危进食障碍的检测系统 | 2020-05-11 | 728 |
| 用于食物摄入量的参数概率上下文无关文法 | 2020-05-14 | 110 |
| 稠环唑类衍生物 | 2020-05-14 | 360 |
| 用于治疗肥胖的作为选择性黑色素浓缩激素受体拮抗剂的螺取代的哌啶化合物 | 2020-05-12 | 278 |
| 用作血清素再摄取抑制剂的吲哚衍生物 | 2020-05-14 | 982 |
| 脂肪酸酰胺水解酶的杂芳基取代的脲调节剂 | 2020-05-14 | 687 |
| 稠合杂环化合物 | 2020-05-12 | 840 |
| 作为NPY拮抗剂的喹啉衍生物 | 2020-05-13 | 533 |
| MCH拮抗剂及其在制备治疗肥胖症的药物方面的用途 | 2020-05-13 | 121 |
| 有效的选择性阿片受体调制剂化合物的用途 | 2020-05-12 | 433 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈