**对比文件名称**：CN106529387A_Description_20251229_2246
**目标专利名称**：交通工具进入检测
**本次调用模型名称**：DeepSeek
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A：一种用于事件状态检测的方法** <br>**公开性判断：直接公开** | “一种用于分析运动员的运动状态的方法” (说明书第[0001]段，译文) | 对比文件公开了一种“用于分析运动员的运动状态的方法”。该方法明确属于对特定事件（运动员的踢球动作，如带球、射门等）的状态进行检测的方法范畴。这与目标专利权利要求1所述的“用于事件状态检测的方法”属于相同类型的技术方案，即都是通过处理传感器数据来识别特定事件的状态。因此，该技术特征被对比文件直接公开。 |
| **技术特征B：在计算设备处接收多个传感器信号** <br>**公开性判断：直接公开** | “获取运动员的角速度数据、加速度数据和地磁场数据中的任意一种或多种组合” (说明书第[0029]段，译文) | 对比文件明确记载了获取来自运动员身体特定部位（如鞋子）的传感器数据，包括角速度（来自陀螺仪）、加速度（来自加速度计）和地磁场（来自磁力计）数据。这些数据是通过终端设备（即计算设备）上的惯性传感器获取的，属于“接收多个传感器信号”。因此，该技术特征被对比文件直接公开。 |
| **技术特征C：在所述计算设备处基于所述多个传感器信号使用人工神经网络针对多个时间区间中的每个时间区间确定子事件状态的概率** <br>**公开性判断：隐含公开** | 1. “将角速度数据、加速度数据和地磁场数据中的任意一种或多种组合分别输入到训练好的深度神经网络DNN中，得到替代概率” (说明书第[0041]段，译文) <br>2. “踢球状态识别模型基于角速度数据、加速度数据和地磁场数据中的任意一种或多种组合，利用该踢球状态识别模型的各个踢球状态子模型计算与各个踢球状态子模型对应的踢球状态的相似度度量” (说明书第[0017]段，译文) | 对比文件公开了使用深度神经网络(DNN)处理传感器数据（角速度、加速度、地磁场），并输出“替代概率”。此“替代概率”用于后续隐马尔可夫模型(HMM)计算各“踢球状态”（如带球、射门）的概率。这些“踢球状态”对应于目标专利中的“子事件状态”。虽然对比文件未明确提及“针对多个时间区间”，但其方法本质上是处理时序传感器数据流，通过DNN和HMM计算每个时间片段（由数据窗口或HMM状态序列体现）属于各子事件状态的概率。因此，对于本领域技术人员而言，在对比文件公开的“使用DNN处理传感器数据以得到用于状态识别的概率”的基础上，能够直接且毫无疑义地确定“基于多个传感器信号使用人工神经网络针对多个时间区间确定子事件状态的概率”这一技术特征。该特征在对比文件中起的作用是识别运动员的踢球动作状态，与目标专利中识别用户进入交通工具过程中的子事件状态（如步行、开门）的作用相同，均为对连续活动进行细分状态的概率化识别。 |
| **技术特征D：以及在所述计算设备处基于所述子事件状态的概率经由状态序列模型来检测事件状态** <br>**公开性判断：直接公开** | 1. “在各个踢球状态概率中，选择最大概率对应的踢球状态作为该运动员的踢球状态。” (说明书第[0031]段，译文) <br>2. “识别算法是在已经学习好的HMM中寻找与运动数据拟合程度最好的HMM，拟合程度最好的HMM对应的踢球状态就是识别出的踢球状态。” (说明书第[0037]段，译文) | 对比文件明确公开了基于计算出的各踢球状态（子事件状态）的概率，通过隐马尔可夫模型(HMM)这一状态序列模型，选择最大概率对应的状态作为最终检测到的事件状态（运动员的踢球状态）。这完整公开了“基于子事件状态的概率经由状态序列模型来检测事件状态”这一技术特征。该特征在对比文件中用于识别具体的踢球动作，在目标专利中用于识别“进入交通工具”这一事件，两者作用相同，都是利用状态序列模型从概率序列中推断出最终事件。 |
| **技术特征E：对所述事件状态的检测包括：基于对所述概率的确定来检测所述子事件状态的序列。** <br>**公开性判断：隐含公开** | 1. “HMM具有两个特点：1）将数据的时序性描述为状态转移；2）将数据的取值描述为每个状态的输出模型” (说明书第[0035]段，译文) <br>2. “对于每一个踢球状态的数据，我们都训练了一个HMM。” (说明书第[0035]段，译文) | 对比文件公开的HMM是一种状态序列模型，其核心就是建模状态之间的转移序列。在识别过程中，HMM会基于输入数据的时序特征，计算出一条最可能的状态序列（通过维特比算法等），并最终输出该序列对应的最可能事件。因此，“检测子事件状态的序列”是HMM工作的内在机制和必然结果。虽然对比文件未明文写出“检测序列”这几个字，但对于本领域技术人员而言，使用HMM进行状态识别即意味着对隐含状态序列的检测。该特征在对比文件和目标专利中的作用相同，都是利用状态序列模型来捕捉事件的动态过程。 |
| **技术特征F：检测所述事件状态包括检测用户进入交通工具。** <br>**公开性判断：未公开** | 无相应内容。 | 对比文件公开的事件状态检测对象是“运动员的踢球状态”，例如带球、射门、长传、短传等。这与“检测用户进入交通工具”是完全不同的技术领域、应用场景和具体事件。对比文件整体技术方案未涉及任何与交通工具或用户进入行为相关的内容。因此，该技术特征既未被直接公开，也未被隐含公开。 |
| **技术特征G：所述多个传感器信号包括音频信号和至少一个运动传感器信号。** <br>**公开性判断：未公开** | 对比文件提及的传感器信号为：“角速度数据、加速度数据和地磁场数据” (说明书第[0029]段，译文)。 | 对比文件明确列举的传感器信号均为运动传感器信号（陀螺仪、加速度计、磁力计）。全文未提及任何音频信号或声音传感器的使用。因此，该技术特征中“包括音频信号”的部分未被公开。 |
| **技术特征H：所述至少一个运动传感器信号包括加速度计传感器信号、陀螺仪传感器信号、或磁力计传感器信号中的至少一者。** <br>**公开性判断：直接公开** | “角速度数据可以由陀螺仪传感器获得，加速度数据可以由加速度计传感器获得，地磁场数据可以由磁力计传感器获得。” (说明书第[0030]段，译文) | 对比文件明确公开了所使用的运动传感器信号具体包括：加速度计传感器信号（加速度数据）、陀螺仪传感器信号（角速度数据）和磁力计传感器信号（地磁场数据）。并且指出可以使用这些信号中的“任意一种或多种组合”。这完全覆盖了“加速度计传感器信号、陀螺仪传感器信号、或磁力计传感器信号中的至少一者”的技术特征。因此，该特征被直接公开。 |
| **技术特征I：所述多个传感器信号包括运动传感器信号。** <br>**公开性判断：直接公开** | 同技术特征H的引用。 | 如技术特征H所述，对比文件公开的传感器信号均为运动传感器信号。因此，该特征被直接公开。 |
| **技术特征J：所述多个传感器信号包括音频信号。** <br>**公开性判断：未公开** | 同技术特征G的论述。 | 对比文件未提及音频信号。因此，该特征未被公开。 |
| **技术特征K：确定所述子事件状态的概率包括：经由卷积神经网络CNN来确定与所述多个传感器信号中的每个传感器信号相对应的状态概率；以及经由深度神经网络DNN来融合所述状态概率。** <br>**公开性判断：未公开** | 对比文件公开了使用深度神经网络(DNN)处理传感器数据组合，并输出概率（参见技术特征C引用）。 | 对比文件公开了使用DNN，但并未提及使用“卷积神经网络(CNN)”来确定与“每个传感器信号相对应的状态概率”。对比文件是将多种传感器数据的组合直接输入DNN，未描述为每个传感器信号单独配置CNN进行处理。此外，对比文件也未公开“经由DNN来融合所述状态概率”这一具体架构，其DNN的作用是直接输出用于HMM的“替代概率”。因此，该特征未被公开。 |
| **技术特征L：所述CNN包括三个神经网络层。** <br>**公开性判断：未公开** | 无相应内容。 | 由于技术特征K中的CNN未被公开，其具体层数特征更无从谈起。因此，该特征未被公开。 |
| **技术特征M：所述DNN包括单个神经网络层。** <br>**公开性判断：未公开** | 对比文件未描述其DNN的具体层数结构。 | 对比文件虽然使用了DNN，但未对其内部结构（如层数）进行任何限定或描述。本领域技术人员无法从对比文件中确定其DNN是单层还是多层。因此，该特征未被公开。 |
| **技术特征N：所述状态序列模型包括隐马尔科夫模型或隐半马尔科夫模型。** <br>**公开性判断：直接公开** | “识别模型具体包括：隐马尔科夫模型(HMM)...” (说明书第[0018]段及[0050]段，译文) | 对比文件明确将隐马尔科夫模型(HMM)列为其实施例中所使用的识别模型（即状态序列模型）的一种。因此，“状态序列模型包括隐马尔科夫模型”这一技术特征被直接公开。 |
| **技术特征O：所述事件状态是基于所述子事件状态的序列和所述子事件状态中的每个子事件状态的历时来检测的。** <br>**公开性判断：未公开** | 对比文件公开了使用HMM建模状态序列（参见技术特征E引用），但未提及“每个子事件状态的历时”。 | 对比文件通过HMM检测状态序列，但HMM本身主要建模状态转移概率，其对状态“历时”的建模能力有限（标准HMM假设状态持续时间服从几何分布）。目标专利中强调基于“历时”来检测，可能涉及对状态持续时间的显式建模（如隐半马尔可夫模型）。对比文件未公开任何关于利用或计算子事件状态“历时”信息的内容。因此，该特征未被公开。 |
| **技术特征P：所述子事件状态的序列包括含15个子事件状态的序列。** <br>**公开性判断：未公开** | 对比文件提及的子事件状态（踢球状态）例如“带球、射门、长传、短传等”，数量不明，且与目标专利的15个子事件状态不同。 | 对比文件公开的子事件状态是足球运动中的具体动作，其种类和数量（如带球、射门等）与目标专利中针对“进入交通工具”事件定义的15个子事件状态（如步行、停止、开门等）完全不同。本领域技术人员无法从对比文件中确定或推导出“15个子事件状态的序列”。因此，该特征未被公开。 |
| **技术特征Q：经由所述状态序列模型来确定所述事件状态已发生的置信水平，其中当所述置信水平超过阈值时所述事件状态被检测到。** <br>**公开性判断：隐含公开** | “在各个踢球状态概率中，选择最大概率对应的踢球状态作为该运动员的踢球状态。” (说明书第[0031]段，译文) | 对比文件公开了通过状态序列模型(HMM)计算各事件状态的概率，并选择最大概率值对应的状态作为检测结果。这里的“最大概率”可以理解为模型对该事件状态发生的“置信水平”。虽然对比文件没有明确提及一个外部设定的“阈值”，但“选择最大概率”这一操作本身隐含了一个比较过程：即最大概率需要高于其他所有状态的概率，这可以视为一种内部阈值机制。对于本领域技术人员而言，将这种基于概率比较的决策机制理解为一种“置信水平”判断是直接的。该特征在对比文件和目标专利中的作用相同，都是为状态检测决策提供一个量化的可信度依据。 |
| **技术特征R：从所述多个传感器信号中的每个传感器信号中提取特征，其中所述子事件状态的概率是基于所提取的特征来确定的。** <br>**公开性判断：直接公开** | 1. “特征提取：数据的特征提取是从原始数据中提取出能够有效反应运动状态的数据。” (说明书第[0036]段，译文) <br>2. “数据特征提取是基于HMM的运动状态识别中非常关键的一步。” (说明书第[0036]段，译文) | 对比文件明确记载了“特征提取”步骤，并指出这是基于HMM进行状态识别的关键步骤。所提取的特征用于后续模型（无论是HMM还是DNN-HMM）计算状态概率。因此，“从传感器信号中提取特征，并基于特征确定概率”这一技术特征被直接公开。 |
| **技术特征S：所述计算设备包括可穿戴设备或移动设备，并且其中，所述多个传感器信号是从所述可穿戴设备或移动设备的传感器接收的。** <br>**公开性判断：直接公开** | “惯性传感器可以根据需要固定在运动员身上的相应位置...例如...固定在鞋子上。当然...也可以固定在脚踝或护腿板上，当然，还可以设置在运动员的手环或手表上等。” (说明书第[0029]段，译文) | 对比文件明确说明了惯性传感器可以设置在运动员的鞋子、脚踝护具、手环或手表上。这些设备（鞋子、手环、手表）属于典型的可穿戴设备。传感器信号正是从这些可穿戴设备上的传感器获取的。因此，该技术特征被直接公开。 |
| **技术特征T：对所述多个传感器信号进行时间同步，其中，对所述子事件状态的概率的确定基于经时间同步的传感器信号。** <br>**公开性判断：未公开** | 无相应内容。 | 对比文件全文未提及对来自不同传感器的信号进行“时间同步”的步骤或需求。其技术方案描述为直接获取并组合数据，未涉及同步问题。因此，该特征未被公开。 |
| **技术特征U：对所述经时间同步的传感器信号中的每一者进行重采样以使得所述经时间同步的传感器信号具有相同的采样率，其中对所述子事件状态的概率的确定基于重采样的经时间同步的传感器信号。** <br>**公开性判断：未公开** | 无相应内容。 | 对比文件未提及“时间同步”，更未提及“重采样”以达到相同采样率的步骤。因此，该特征未被公开。 |
| **技术特征V：基于对所述事件状态的检测来执行动作。** <br>**公开性判断：未公开** | 无相应内容。 | 对比文件的技术方案终止于识别出运动员的踢球状态，并未描述基于该检测结果去触发或执行任何后续动作（如激活系统、显示信息、发送指令等）。因此，该特征未被公开。 |
| **技术特征W：执行所述动作包括以下至少一者：激活导航系统；为用户显示信息；或者向交通工具传送要执行一个或多个动作的指示。** <br>**公开性判断：未公开** | 无相应内容。 | 对比文件的技术方案完全不涉及导航系统、为用户显示信息或与交通工具通信等内容。这些动作与足球运动状态分析的应用场景无关。因此，该特征未被公开。 |
| **技术特征X：所述多个传感器信号包括至少两种不同类型的传感器信号。** <br>**公开性判断：直接公开** | “获取运动员的角速度数据、加速度数据和地磁场数据中的任意一种或多种组合” (说明书第[0029]段，译文)。强调“任意一种或多种组合”。 | 对比文件明确其方法可以使用角速度（陀螺仪）、加速度（加速度计）和地磁场（磁力计）数据中的多种组合。这必然涵盖了使用至少两种不同类型传感器信号（例如，同时使用加速度计和陀螺仪）的情形。因此，该技术特征被直接公开。 |
<<<A>>><<<B>>><<<D>>><<<H>>><<<I>>><<<N>>><<<R>>><<<S>>><<<X>>><<<c>>><<<e>>><<<q>>>