**对比文件名称**：US2016253594A1_Description_20251229_2136
**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（翻译为中文） | 公开性论述 |
| **技术特征A**：一种用于事件状态检测的方法<br>**公开性判断结果**：《直接公开》 | [0002] 本公开涉及电子设备领域，更具体地，涉及一种基于运动活动、语音活动和用户空间环境，使用单传感器数据和/或多传感器数据融合来确定移动设备用户上下文的框架。<br>[0065] 该方法包括：从传感单元获取传感数据；使用计算设备从传感数据中提取传感器特定特征；以及使用计算设备，根据传感器特定特征生成运动活动向量、语音活动向量和空间环境向量。 | 对比文件公开了一种“确定移动设备用户上下文”的方法，其本质就是检测用户所处的状态或事件（如运动活动、语音活动、环境）。这与目标专利“用于事件状态检测的方法”属于相同类型的技术方案，即通过处理传感器数据来识别状态或事件。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>**公开性判断结果**：《直接公开》 | [0027] 传感器单元110耦合到SoC 150，包括用于确定电子设备100所经历加速度的三轴加速度计111、用于检测环境中可听噪音的麦克风112、...三轴陀螺仪114...磁力计118...<br>[0031] 传感器单元110的各种传感器获取信号...来自传感器单元110的传感器的多通道数字传感器数据被传递到处理节点120。 | 对比文件明确描述了从多个传感器（如加速度计、麦克风、陀螺仪、磁力计）获取信号，并将这些传感器数据传递到处理节点（即计算设备的一部分）。这直接公开了在计算设备处接收来自多个传感器的信号。 |
| **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>**公开性判断结果**：《隐含公开》 | [0043] 图4显示，MAP（运动活动后验概率图）包括作为时间函数的MAV（运动活动向量）元素的概率，该概率是从时间窗口化观测数据导出的特征估计得出的。运动活动类别的概率是从一个或多个各种传感器获得的时间窗口化数据估计的。可以使用的模型包括...iii) 为每个类别提供概率输出的人工神经网络（ANN）...<br>[0045] 对于MAP、VAP和SEP，概率是从诸如HMM、GMM、为每个类别提供概率输出的ANN等模型获得的。 | 对比文件公开了：1. 使用时间窗口（即时间区间）对传感器数据进行分段处理；2. 使用人工神经网络（ANN）作为模型之一，根据传感器数据估计多个类别（如“行走”、“上楼”、“办公室”、“街道”等）的概率。这些“类别”在对比文件中是用户上下文的基本构成要素，例如“行走”、“上楼”可以被视为构成更复杂事件（如“进入交通工具”）的“子事件状态”。因此，对于本领域技术人员而言，基于多个传感器信号，使用ANN针对多个时间区间确定各类别（即子事件状态）的概率，是可以在对比文件中确定的内容。该特征被隐含公开。 |
| **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>**公开性判断结果**：《隐含公开》 | [0040] 元级上下文表示从两个或更多后验概率图的类别概率组合做出的推断。<br>[0043] ...模型参数使用监督学习从训练数据库进行训练...<br>[0050] “置信度”可以从不同度量中获得，例如最大概率值和第二高概率值之间的差异等。<br>[0072] 运动和语音活动以及空间环境类别的后验概率图输出可用于执行元级概率分析并开发关于上下文感知的嵌入式应用...例如，从MAP推断为“行走”活动类别和从SEP推断为“购物中心”类别可以一起用于做出元级推断：用户正在购物中心行走。 | 对比文件公开了利用多个类别（子事件状态）的概率信息进行“元级推断”，以确定更高级别的上下文（即事件状态，如“在购物中心行走”）。虽然对比文件没有明确使用术语“状态序列模型”，但其描述的“元级推断”过程，本质上是基于随时间演变的各类别概率（即序列信息）来推导出复合事件。本领域技术人员公知，HMM（对比文件[0043]已提及）是处理序列数据以推断隐藏状态的经典模型。因此，结合对比文件公开的利用概率序列进行推断的方法，以及其中提及的HMM模型，可以确定对比文件隐含了“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。 |
| **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>**公开性判断结果**：《隐含公开》 | [0047] 如图6所示，后验概率图信息的时间演化是基本级上下文感知信息的通用表示方法。它提供了给定时间活动/环境向量中类别的概率，并显示其随时间的变化。<br>[0072] ...例如，从MAP推断为“行走”活动类别和从SEP推断为“购物中心”类别可以一起用于做出元级推断：用户正在购物中心行走。 | 对比文件明确展示了后验概率图（即各类别概率）是随时间演变的（[0047]），并且最终的元级推断（如“在购物中心行走”）是基于多个类别（如“行走”、“购物中心”）的概率信息做出的。要得出“在购物中心行走”这一复合事件，必然需要识别出“行走”和“购物中心”这两个子状态在时间上的共存或相继出现，即检测到一个序列。因此，对比文件隐含了基于概率确定子事件状态序列以检测事件状态的特征。 |
| **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>**公开性判断结果**：《直接公开》 | [0037] 运动模式的各种类别可能包括用户静止、行走、上楼梯、下楼梯、慢跑、骑自行车、攀爬、使用轮椅、以及**乘坐交通工具**。 | 对比文件在其运动活动类别中明确列出了“乘坐交通工具”（riding in or on a vehicle）作为用户可能处于的状态之一。检测“用户进入交通工具”是检测“用户正在乘坐交通工具”这一事件状态的一个具体子集或触发时刻。因此，对比文件直接公开了将“检测用户进入/乘坐交通工具”作为可检测的事件状态。 |
| **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>**公开性判断结果**：《直接公开》 | [0027] 传感器单元110...包括...三轴加速度计111（运动传感器）、麦克风112（音频传感器）、...三轴陀螺仪114（运动传感器）...磁力计118... | 对比文件明确且反复地描述了其系统同时使用麦克风（音频传感器）和加速度计、陀螺仪等（运动传感器）。这直接公开了传感器信号集合中包含音频信号和至少一个运动传感器信号。 |
| **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>**公开性判断结果**：《直接公开》 | [0027] 传感器单元110...包括**三轴加速度计111**...**三轴陀螺仪114**...**磁力计118**... | 对比文件明确列举了加速度计、陀螺仪和磁力计作为其传感器单元的组成部分。因此，其运动传感器信号必然包括这些信号中的至少一种，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>**公开性判断结果**：《直接公开》 | [0027] 传感器单元110...包括**三轴加速度计111**...**三轴陀螺仪114**...（均为运动传感器） | 对比文件明确描述了使用加速度计、陀螺仪等运动传感器。因此，“多个传感器信号包括运动传感器信号”这一特征被直接公开。 |
| **技术特征J**：所述多个传感器信号包括音频信号。<br>**公开性判断结果**：《直接公开》 | [0027] 传感器单元110...包括...**麦克风112**（音频传感器）... | 对比文件明确描述了使用麦克风作为传感器。因此，“多个传感器信号包括音频信号”这一特征被直接公开。 |
| **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>**公开性判断结果**：《隐含公开》 | [0043] ...可以使用的模型包括...iii) 为每个类别提供概率输出的人工神经网络（ANN）...<br>[0044] ...当使用多于一个传感器时，可以使用不同的方法来估计MAP。图4中展示了一种特别有用的方法，用于融合从多达K个不同传感器获得的数据以估计MAP。在该方法中，从相应传感器的时间窗口化数据中提取传感器特定特征，并使用来自传感器的特征来获得MAP。<br>[0053] 图8给出了两种来自多个传感器的数据融合方法...第二种方法基于贝叶斯理论... | 对比文件公开了：1. 使用ANN（其是DNN的一种形式）作为估计每个类别概率的模型；2. 提供了多种融合多传感器数据/特征的方法（包括特征级融合和基于贝叶斯理论的决策级融合），以获得最终的后验概率（MAP等）。虽然未明确提及“卷积神经网络(CNN)”这一具体架构，但ANN/DNN是涵盖CNN的上级概念。本领域技术人员知晓，对于传感器信号（尤其是运动和时间序列数据）的特征提取与概率估计，CNN是ANN/DNN的一种常见且有效的实现方式。因此，可以确定对比文件隐含了“使用神经网络（可涵盖CNN）确定各传感器信号对应的状态概率，并融合这些概率”的技术手段。 |
| **技术特征L**：所述CNN包括三个神经网络层。<br>**公开性判断结果**：《未公开》 | （对比文件未提及任何神经网络的具体层数） | 对比文件虽然提到了使用人工神经网络（ANN），但完全没有描述其具体架构，例如层数。因此，关于“CNN包括三个神经网络层”这一具体结构特征，对比文件既未直接公开也未隐含公开。 |
| **技术特征M**：所述DNN包括单个神经网络层。<br>**公开性判断结果**：《未公开》 | （对比文件未提及用于融合的神经网络的具体层数） | 对比文件提到了数据融合，并提及了ANN，但未描述用于融合的DNN的具体结构。因此，“DNN包括单个神经网络层”这一具体结构特征，对比文件既未直接公开也未隐含公开。 |
| **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>**公开性判断结果**：《直接公开》 | [0043] ...可以使用的模型包括 **i) 隐马尔可夫模型 (HMM)**... | 对比文件在描述用于估计概率的模型时，明确列出了“隐马尔可夫模型(HMM)”。隐半马尔可夫模型是HMM的扩展。因此，“状态序列模型包括隐马尔科夫模型”这一特征被直接公开。 |
| **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>**公开性判断结果**：《隐含公开》 | [0047] 如图6所示，后验概率图信息的时间演化是基本级上下文感知信息的通用表示方法。它提供了给定时间活动/环境向量中类别的概率，并显示其随时间的变化。<br>[0072] 运动和语音活动以及空间环境类别的后验概率图输出可用于执行元级概率分析并开发关于上下文感知的嵌入式应用... | 对比文件强调了后验概率图是“时间演化”的，即展示了各类别概率随时间变化的序列。进行“元级推断”（即检测复合事件状态）必然需要利用这个时间序列信息。序列本身就隐含了每个状态（高概率类别）的持续时间（历时）。因此，本领域技术人员可以确定，对比文件隐含了基于子事件状态序列及其历时来检测事件状态。 |
| **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>**公开性判断结果**：《未公开》 | （对比文件未限定子事件状态的具体数量为15个） | 对比文件列举了运动、语音、环境等多个类别的例子，但并未限定其用于推断元级上下文的子事件状态序列必须包含恰好15个子事件状态。该具体数量特征未被公开。 |
| **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>**公开性判断结果**：《隐含公开》 | [0050] “置信度”可以从不同度量中获得，例如最大概率值和第二高概率值之间的差异等。两个概率值之间的差异越大，解码类别的准确性置信度就越高。 | 对比文件明确提出了“置信度”的概念，并给出了其计算方法（如最大概率与次大概率的差值）。在检测事件状态（无论是基本类别还是元级推断）时，使用置信度并与某个阈值（本领域常规技术手段）进行比较以做出最终判断，是本领域技术人员容易想到和实现的。因此，该特征被隐含公开。 |
| **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>**公开性判断结果**：《直接公开》 | [0031] ...然后从数据帧中提取传感器特定特征，并将其作为输入提供给概率分类器例程（块124）。<br>[0065] ...从传感数据中提取传感器特定特征... | 对比文件明确且反复地描述了从传感器数据中提取“传感器特定特征”，并将这些特征用于后续的概率分类（即确定子事件状态的概率）。该特征被直接公开。 |
| **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>**公开性判断结果**：《直接公开》 | [0002] ...确定移动设备用户上下文...<br>[0026] 电子设备100可以是智能手机、平板电脑、智能手表、活动追踪器或其他**可穿戴设备**。<br>[0027] 传感器单元110...（集成于设备中） | 对比文件开篇即明确其应用对象是“移动设备用户”，并具体说明电子设备可以是智能手机、智能手表等移动或可穿戴设备。传感器单元是这些设备的一部分。因此，该特征被直接公开。 |
| **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>**公开性判断结果**：《直接公开》 | [0031] ...当使用来自多个传感器的传感器数据时，执行不同数据通道之间的**时间同步**（块122）。 | 对比文件在处理多传感器数据时，明确包含了一个“时间同步”的步骤。这意味着后续的特征提取和概率确定是基于经时间同步的信号的。该特征被直接公开。 |
| **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>**公开性判断结果**：《隐含公开》 | [0031] 最初，执行多通道传感器数据的预处理步骤：**滤波**和**下采样**（块121），然后当使用来自多个传感器的传感器数据时，执行不同数据通道之间的时间同步（块122）。此后，将从单个传感器或多个传感器获得的传感器数据通过使用重叠/滑动时域窗口缓冲成帧（块123）。 | 对比文件提到对多通道传感器数据进行“下采样”（down sampling）和“时间同步”，然后使用滑动窗口将数据缓冲成帧以进行统一处理。下采样是重采样的一种形式，目的是调整采样率。虽然对比文件未明确说明目的是使所有信号具有“相同的采样率”，但本领域技术人员知晓，对来自不同采样率传感器的数据进行时间同步和统一帧处理前，通常需要进行重采样（如下采样或上采样）以使数据在时间轴上对齐且速率一致，这是多传感器信号融合的常规预处理步骤。因此，该特征被隐含公开。 |
| **技术特征V**：基于对所述事件状态的检测来执行动作。<br>**公开性判断结果**：《隐含公开》 | [0040] 处理节点120可以将确定的基本级和元级上下文传递给SoC 150，SoC 150可以**根据电子设备的基本级上下文或元级上下文执行电子设备100的至少一个上下文功能**。 | 对比文件提到，在确定上下文（即事件状态）后，系统的SoC可以基于此上下文来执行设备的功能。这隐含了“基于检测执行动作”这一步骤。虽然未列举具体动作，但“执行功能”已涵盖了“执行动作”的上位概念。 |
| **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>**公开性判断结果**：《未公开》 | （对比文件未具体列举“激活导航系统”、“显示信息”或“向交通工具传送指示”这些具体动作） | 对比文件仅泛泛提及“执行上下文功能”，但完全没有披露这些功能具体是什么，特别是没有提及目标专利中限定的这三种具体动作（激活导航、显示信息、向交通工具传送指示）。因此，该具体动作组合特征未被公开。 |
| **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>**公开性判断结果**：《直接公开》 | [0027] 传感器单元110...包括三轴加速度计111、麦克风112、...（不同类型传感器）<br>[0044] ...当使用多于一个传感器时...<br>[0053] 图8给出了两种来自多个传感器的数据融合方法... | 对比文件通篇都在讨论使用单传感器或多传感器数据融合。其具体实施例中明确包含了加速度计、麦克风、气压计、陀螺仪等多种不同类型的传感器。因此，“多个传感器信号包括至少两种不同类型的传感器信号”这一特征被直接公开。 |
<<<A>>><<<B>>><<<F>>><<<G>>><<<H>>><<<I>>><<<J>>><<<N>>><<<R>>><<<S>>><<<T>>><<<X>>><<<c>>><<<d>>><<<e>>><<<k>>><<<o>>><<<q>>><<<u>>><<<v>>>