**对比文件名称**：US2017270406A1_Description_20251229_2117
**目标专利名称**：交通工具进入检测
**本次调用模型名称**：DeepSeek-R1
以下是根据您的要求创建的特征比对表格：
| 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》 | 摘要部分：“In another aspect of the present disclosure, a method of cloud-based audio processing using an artificial neural network is presented.”<br>详细描述部分：“The method includes receiving device identification information of a local device and sensor data captured from multiple sensors at the local device... predicting an audio event classification based on the sensor data...” (参见段落[0011], [0039]) | 对比文件明确公开了一种使用人工神经网络进行基于云的音频处理（即音频事件分类）的方法。该方法属于“事件状态检测”的上位概念，因为“音频事件分类”是“事件状态检测”的一种具体类型。两者在整体技术方案中均涉及使用传感器数据和神经网络来识别或分类某种事件状态，所起作用相同。因此，技术特征A被直接公开。 |
| **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》 | “The method includes receiving device identification information of a local device and **sensor data captured from multiple sensors at the local device**.” (参见段落[0011])<br>“...receiving sensor data captured from **multiple sensors** at a local device...” (参见段落[0010]) | 对比文件多次明确记载了方法包括“接收来自本地设备多个传感器的传感器数据”。这直接对应于在计算设备（云端处理器）处接收多个传感器信号。在对比文件方案中，接收多传感器数据是进行后续神经网络处理的基础，与目标专利中为解决检测问题而接收信号的基础作用相同。因此，技术特征B被直接公开。 |
| **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. 使用神经网络：“predicting an audio event classification based on the sensor data”（段落[0011]）；“a method of cloud-based audio processing using an **artificial neural network**”（段落[0011]）。<br>2. 时间区间/帧处理：“on a **frame-by-frame** basis”（段落[0073]）；“For each time frame”（段落[0088]，图10描述）。<br>3. 输出为分类/概率：DCN的输出被描述为“针对输入数据352的分类得分366。分类得分366可以是概率集...” (参见图3描述及段落[0057])。 | 1. **神经网络**：对比文件明确使用人工神经网络（如CNN、LSTM）进行音频事件分类。<br>2. **时间区间**：对比文件在多个地方提及基于“帧（frame）”的处理（如段落[0073], [0088]），这隐含了将连续的传感器信号划分为多个离散时间区间进行处理。<br>3. **确定概率**：对比文件描述了神经网络输出“分类得分”，并明确该得分可以是“概率集”（段落[0057]）。虽然对比文件未明确使用“子事件状态”这一术语，但其神经网络输出的“音频事件分类”概率（例如，特定声音类别的概率）在功能上等同于目标专利中针对一个时间区间输出的某种“状态”的概率。两者都是神经网络对当前输入特征的判断输出，用于后续决策。<br>因此，对于本领域技术人员而言，从对比文件公开的“使用人工神经网络对按帧（时间区间）输入的传感器数据进行分类，输出分类概率”这一整体技术手段，可以毫无疑义地确定其公开了“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中的每个时间区间确定（事件）状态的概率”。技术特征C被隐含公开。 |
| **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**：《未公开》 | 对比文件全文未提及“状态序列模型（state sequence model）”，也未描述基于一系列状态概率序列（如子事件序列）来检测一个更高级别的事件状态。其检测仅基于当前或累积的神经网络分类输出（参见段落[0082], [0084]关于预测分类输出的描述）。 | 对比文件的技术方案止于使用神经网络对传感器数据进行分类（预测音频事件）。它没有公开使用任何“状态序列模型”（如HMM，HSMM）来分析和推断一个由多个子状态按顺序构成的事件状态。这是目标专利方案中的一个关键区别特征，用于提高复杂事件（如进入交通工具）检测的准确性。对比文件未公开此特征。 |
| **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**：《未公开》 | 同技术特征D，对比文件未提及检测子事件状态的序列。 | 对比文件仅进行单点的分类（音频事件是什么），不涉及对一系列子事件状态（如步行、开门、坐下等）构成的序列进行检测。此特征未被公开。 |
| **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》 | 对比文件全文未提及“交通工具进入检测”或任何相关的应用场景。其应用场景是通用的音频事件分类（如段落[0080]提及的“音频识别”）。 | 目标专利的特定应用场景“检测用户进入交通工具”在对比文件中完全没有被提及或暗示。这是一个具体的技术问题和应用，未被公开。 |
| **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**：《部分公开（音频信号）》 | “For example, the raw sensor data may be recorded using a **multi-microphone audio device**...” (参见段落[0072])<br>“...sensor data captured from **multiple sensors** at the local device. The sensors, which may for instance comprise **audio sensors (e.g., microphones)**...” (参见段落[0068]) | 对比文件明确且多次公开了传感器信号包括**音频信号**（来自麦克风）。然而，对比文件全文未提及任何“运动传感器信号”，如加速度计、陀螺仪等。其传感器聚焦于音频采集和可能的视觉传感器（相机），但不包括运动传感器。因此，仅“音频信号”部分被直接公开，“至少一个运动传感器信号”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**：《未公开》 | 对比文件未提及加速度计、陀螺仪或磁力计。 | 由于对比文件未公开使用运动传感器信号，因此具体的运动传感器类型（加速度计、陀螺仪、磁力计）更不可能被公开。 |
| **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**：《未公开》 | 同技术特征G、H，对比文件未提及运动传感器信号。 | 此特征未被公开。 |
| **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**：《直接公开》 | 同技术特征G的引用。 | 对比文件直接且明确地公开了传感器信号包括音频信号（来自麦克风）。 |
| **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**：《部分公开（CNN）》 | 1. **CNN确定**：“...using neural networks such as a **convolutional neural network (CNN)**...” (参见段落[0039])；图9A-B展示了使用CNN处理多麦克风输入数据。<br>2. **DNN融合**：对比文件未提及使用一个独立的DNN（深度神经网络）来融合由多个CNN分别确定的状态概率。其方案是直接将多传感器数据输入到一个神经网络（如CNN）中进行处理，或者使用LSTM等网络。 | 对比文件直接公开了使用**CNN**来处理传感器数据（尤其是多通道音频数据）以进行分类（可对应于确定状态概率）。然而，对比文件没有公开“经由深度神经网络DNN来融合所述状态概率”这一特定架构。目标专利中可能使用DNN作为融合层，而对比文件的融合（如果存在）是隐含在单个CNN或LSTM的内部结构中，并非一个明确分离的“DNN融合”步骤。因此，仅“经由CNN确定”部分被公开，“经由DNN融合”部分未被公开。 |
| **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》 | 对比文件虽然描述了CNN，但未具体说明其层数。图9A-B所示的CNN结构并未明确标注为三层。 | CNN的具体层数（三层）在对比文件中没有记载，本领域技术人员也无法从对比文件中直接或隐含地确定其CNN一定是三层。此特征未被公开。 |
| **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》 | 对比文件未公开“经由DNN融合”这一特征，因此更不可能公开该DNN的层数。 | 此特征未被公开。 |
| **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**：《未公开》 | 对比文件全文未提及隐马尔科夫模型（HMM）或隐半马尔科夫模型（HSMM）。 | 此特征未被公开。 |
| **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》 | 对比文件未涉及基于子事件状态序列及其历时进行检测。 | 此特征未被公开。 |
| **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》 | 对比文件未提及任何关于15个子事件状态的具体内容。 | 此特征未被公开。 |
| **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**：《未公开》 | 对比文件未提及使用状态序列模型，也未描述基于置信水平阈值来检测事件状态。其分类输出本身可视为置信度，但未明确与阈值比较作为检测条件。 | 此特征未被公开。 |
| **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**：《隐含公开》 | 1. 特征提取是神经网络的隐含步骤：在深度学习中，神经网络（尤其是CNN的卷积层）的本质功能之一就是从输入数据中自动提取层次化特征。图9A显示多通道PCM帧直接输入CNN，CNN的卷积层即执行特征提取。<br>2. 段落[0059]提及：“卷积网络的每一层的处理可被认为是空间不变模版或基础投影...卷积连接的输出可被认为在后续层中形成特征图...”。 | 对于本领域技术人员而言，使用神经网络（如CNN）对原始传感器信号（如多通道PCM音频帧）进行处理，必然包含一个“特征提取”的过程，这是神经网络内部操作的固有部分。神经网络基于这些提取的特征来进行分类/确定概率。因此，虽然对比文件没有明文写出“提取特征”四字，但该步骤是其公开的神经网络处理方案的必然隐含内容。作用与目标专利中相同，均为后续状态判断提供信息基础。技术特征R被隐含公开。 |
| **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》 | “The local device may comprise a multimedia device such as a **mobile phone (e.g., smartphone)**, a camera, audio device or the like.” (参见段落[0068])<br>“...sensor data captured from multiple sensors **at a local device**...” (参见段落[0010])。 | 对比文件明确将提供传感器数据的源头设备称为“本地设备（local device）”，并举例包括智能手机等移动设备。这直接公开了计算设备（云端）从移动设备接收传感器信号。虽然未明确提及“可穿戴设备”，但移动设备是上位概念，已覆盖目标专利中的“移动设备”。此特征被直接公开。 |
| **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》 | 对比文件未提及对来自多个传感器的信号进行“时间同步”。其提及“时间戳”（段落[0069], [0077]）可能是为了标记数据采集时间，而非用于多传感器间采样时刻的对齐与同步。 | 时间同步是多传感器融合中的一项具体预处理步骤。对比文件没有公开这一步骤。此特征未被公开。 |
| **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》 | 对比文件未提及“重采样”或统一采样率的操作。 | 此特征未被公开。 |
| **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**：《直接公开》 | “In block 1210, the process **performs tasks based on the classification results**.” (参见段落[0102]，图12描述)。 | 对比文件在方法1200中明确记载了“基于分类结果执行任务”。这直接对应于“基于对事件状态的检测来执行动作”。两者在整体方案中的作用相同，都是将检测/分类结果应用于实际控制或服务。技术特征V被直接公开。 |
| **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》 | 对比文件未提及“激活导航系统”、“向交通工具传送指示”等与交通工具进入检测相关的具体动作。其“执行任务”是泛指的，可能包括调整设备设置等（参见段落[0067]提及的“配置话筒和相机”），但未公开目标专利中列出的这些具体动作。 | 目标专利中与交通工具场景绑定的具体动作未被对比文件公开。 |
| **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》 | “The sensors, which may for instance comprise **audio sensors (e.g., microphones), visual sensors (e.g., cameras)** and/or other types of sensors...” (参见段落[0068])。 | 对比文件明确记载了传感器可以包括音频传感器和视觉传感器等至少两种不同类型的传感器。因此，其公开的传感器信号自然包括至少两种不同类型（如音频和视觉）。此特征被直接公开。 |
<<<A>>><<<B>>><<<c>>><<<J>>><<<S>>><<<V>>><<<X>>>