**对比文件名称**：2013-11-21_US2013311133A_发明申请_US20130311133A1 METHOD FOR STEP DETECTION AND GAIT DIRECTION ESTIMATION
**目标专利名称**：209运动方向确定CN106462237B
**本次调用的模型名称**：DeepSeek-R1
### 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**：通过一或多个处理器获得移动装置在一或多个方向中的每一者上的加速度数据。 **《直接公开》** | [0029] “采样3轴加速度计数据。在本实施例中，测试的采样频率为fs=40 Hz…” [0031] “一旦从设备（可包含智能手机类型设备）收集了加速度计数据，加速度计数据就存储在具有处理器的计算机的非暂时性存储器中。” | 对比文件明确描述了从移动设备（如智能手机）采样三轴（即多个方向）加速度计数据的过程，并提及数据被处理器获取和存储。这直接公开了通过处理器获得移动装置在多个方向上的加速度数据。 |
| **技术特征B**：其中获得所述加速度数据涉及从所述移动装置的一或多个传感器接收所述加速度数据。 **《直接公开》** | [0029] “采样3轴加速度计数据…” [0031] “一旦从设备…收集了加速度计数据…” | 对比文件明确说明加速度数据是从设备的加速度计传感器收集的，这直接对应于从移动装置的传感器接收加速度数据。 |
| **技术特征C**：经由所述一或多个处理器至少部分地基于所述加速度数据识别所述移动装置的使用情况。 **《直接公开》** | [0036] “分类：一个三步态神经网络分类器将步态分类为以下类别之一：1. 水平（在水平面内移动—2D）2. 上（楼梯、斜坡等）3. 下（楼梯、斜坡等）…” [0047] “子步态的分类：在2D空间中的移动被分解为6个子步态，(1)向前 (2)向后 (3)侧右 (4)侧左 (5)跑步 (6)垃圾…” | 对比文件详细描述了基于传感器数据（包括加速度数据）使用神经网络分类器识别步态类型（如水平、上、下）和子步态（如向前、向后、跑步）。这实质上是识别移动装置的使用情况，即用户正在进行何种类型的运动。 |
| **技术特征D**：所述使用情况对应于正携带所述移动装置的方式或携带所述移动装置的行人正移动的方式中的至少一者。 **《直接公开》** | [0036] 分类类别（水平、上、下）和 [0047] 子步态（向前、向后等）对应于“行人正移动的方式”。[0062] “…使用手持或身体安装的传感器单元（如智能手机）进行连续跟踪…”，[0067] “…例如在裤子口袋中或行走时手中摆动…” 涉及携带方式。 | 对比文件公开的步态分类直接对应于行人移动的方式。同时，文件也讨论了传感器被手持、放在口袋中等不同携带方式，并作为算法需要考虑的场景。因此，使用情况对应于携带方式或移动方式已被直接公开。 |
| **技术特征E**：经由所述一或多个处理器基于经识别使用情况而选择一或多个参数的集。 **《隐含公开》** | [0044] “如果步态被分类为上或下，则基于压力变化计算高程变化。” （部分涉及针对不同使用情况采用不同计算参数/方法）。 | 对比文件没有明确描述一个包含多个参数的“集”，并基于识别出的使用情况（如水平行走 vs 上楼梯）来选择不同的参数集。然而，对于“上”或“下”的步态，它采用了不同的计算方式（基于压力变化）。本领域技术人员可以合理推断，针对不同的运动使用情况（或“步态”），可能需要选择或调整不同的算法参数（如积分区间、模型系数）以优化估计。因此，该技术特征被隐含公开。 |
| **技术特征F**：其中所述参数的集包括所述加速度数据的垂直分量和水平分量之间的相位偏移，并且其中第一使用情况的相位偏移不同于第二使用情况的相位偏移。 **《未公开》** | 无相关记载。 | 对比文件完全没有提及加速度数据的垂直分量与水平分量之间的“相位偏移”这一概念，更未将其作为可随不同使用情况（如电话模式、口袋中）变化的参数集的一部分。该特征是目标专利的特定技术手段，在对比文件中找不到任何依据。 |
| **技术特征G**：经由所述一或多个处理器基于所述加速度数据及对应于所述经识别使用情况的相应的参数集来计算所述移动装置相对于坐标系统的经估计运动方向。 **《隐含公开》** | [0041]-[0042] 计算每一步的平移方向 D = tan⁻¹(dy/dx)。[0045] “为了产生完整的路径，计算陀螺仪航向…然后将其添加到平移方向。” | 对比文件确实基于加速度数据（积分得到dx, dy）计算了运动方向（平移方向D）和最终路径。虽然它没有明确使用“对应于经识别使用情况的相应的参数集”这一表述，但其运动方向计算过程本身隐含了算法参数（如积分区间、运动模型）。结合特征E的隐含公开，本领域技术人员可以合理推断，在识别出特定使用情况（如上下楼梯）后，会采用与之相适应的参数或模型（例如[0044]针对上下楼梯使用压力数据）来进行运动方向或位移的计算。因此，该特征被隐含公开。 |
| **技术特征H**：确定针对所述经估计运动方向的可靠性度量。 **《直接公开》** | [0048] “一个可靠性度量与每个估计相关联，基于识别合理的人体运动约束…对于每个未满足的约束，估计的可靠性降低。” | 对比文件明确描述了为每个运动估计（如步幅、方向）计算一个可靠性度量，基于是否满足人体运动约束。这直接公开了确定针对估计运动方向的可靠性度量。 |
| **技术特征I**：以及根据所述可靠性度量是否超过阈值来控制所述移动装置的网络接口。 **《未公开》** | 无相关记载。 | 对比文件虽然计算了可靠性度量，但从未提及任何“网络接口”，也未描述基于可靠性度量来控制任何接口（如GPS接收器）的开关。该特征涉及系统级功耗管理策略，在对比文件中未被公开。 |
| **技术特征J**：所述网络接口经配置以与全球定位系统、卫星导航系统或其他定位或导航系统进行通信。 **《未公开》** | 无相关记载。 | 对比文件未提及任何与GPS、卫星导航系统等进行通信的网络接口。 |
| **技术特征K**：其中所述控制涉及在所述可靠性度量超过阈值的情况下关闭所示网络接口。 **《未公开》** | 无相关记载。 | 理由同特征I和J，对比文件未涉及基于可靠性度量关闭网络接口。 |
| **技术特征L**：其中识别使用情况包含将所述加速度数据与多个预定义使用情况的加速度特性相比较并选择所述预定义使用情况中为最佳匹配的一者，其中所述预定义使用情况中的每一者与相应的一或多个参数的集存储在一起或与相应的一或多个参数的集链接。 **《隐含公开》** | [0036] “一个三步态神经网络分类器将步态分类为以下类别之一…” [0038] “神经网络的输入应选择为对运动速度、幅度不变…通过对每个步骤的传感器数据重新采样…进行归一化。” | 对比文件使用神经网络分类器，该分类器经过训练，能够将输入的传感器数据（包括加速度特性）与预定义的步态类别（水平、上、下）进行比较并选择最佳匹配。神经网络内部的权重和结构本质上可视为与每个预定义类别相关联的“参数集”。虽然对比文件没有明确使用“参数集存储或链接”的表述，但神经网络分类器的运作机制隐含了预定义类别与一组内部参数（权重）的关联，这些参数是在训练阶段确定的，用于对新数据进行分类。因此，该技术特征被隐含公开。 |
| **技术特征M**：其中所述多个预定义使用情况包含：其中所述移动装置处于电话模式的使用情况。 **《未公开》** | 无相关记载。 | 对比文件提到了手持传感器（如智能手机）和“过渡”（如应答电话），但并未将“电话模式”作为一种独立的、预定义的使用情况类别进行识别或分类。 |
| **技术特征N**：其中所述移动装置在口袋中的使用情况。 **《直接公开》** | [0007] “其他安装位置，例如在背心口袋中是可行的…” [0067] “…例如在裤子口袋中…的周期性运动…” | 对比文件明确将传感器放置在口袋（背心口袋、裤子口袋）中作为一种具体的携带或安装方式，并将其作为算法应用和考虑的场景。这直接对应于“移动装置在口袋中的使用情况”。 |
| **技术特征O**：及其中所述移动装置被拿于手中的使用情况。 **《直接公开》** | [0062] “…使用手持…传感器单元（如智能手机）进行连续跟踪…” | 对比文件明确提到了“手持”传感器单元（如智能手机）的使用情况。这直接公开了“移动装置被拿于手中”的使用情况。 |
| **技术特征P**：其中所述多个预定义使用情况包含：其中所述移动装置被拿于用户前方的手中的使用情况。 **《未公开》** | 无相关记载。 | 对比文件虽然提到了手持，但没有进一步区分“拿在用户前方的手中”这一特定姿态。 |
| **技术特征Q**：其中所述移动装置随着用户行走被拿于所述用户侧面的手中的使用情况。 **《未公开》** | 无相关记载。 | 对比文件没有具体描述“拿在用户侧面的手中（行走时）”这一使用情况。 |
| **技术特征R**：及其中所述移动装置随着用户跑步被拿于所述用户的侧面的手中的使用情况。 **《未公开》** | 无相关记载。 | 对比文件没有具体描述“拿在用户侧面的手中（跑步时）”这一使用情况。 |
| **技术特征S**：其进一步包含检测所述移动装置何时处于电话模式中，其中识别所述使用情况还基于所述移动装置是否处于所述电话模式中。 **《未公开》** | 无相关记载。 | 对比文件未提及检测“电话模式”。 |
| **技术特征T**：其进一步包含确定所述移动装置相对于携带所述移动装置或所述移动装置所附接到的用户的位置，其中识别所述使用情况还基于所述移动装置的所述位置。 **《隐含公开》** | [0007] “躯干安装的惯性传感器…其他安装位置，例如在背心口袋中…” [0054] “…提供了检测偏移位置的机制。” [0060] 测试传感器围绕腰部不同位置。 | 对比文件详细讨论了传感器在用户身体上的不同安装位置（如腰部中心、左侧、右侧、口袋），并提供了检测传感器方向偏移的机制。虽然未明确说明“识别使用情况基于位置”，但传感器的物理位置会直接影响其测量到的运动特征（信号特征），而分类器正是基于这些特征工作的。本领域技术人员可以合理推断，确定传感器的相对位置（或偏移）信息，可以作为辅助信息用于更准确地识别使用情况（例如，区分口袋中与手中的摆动）。因此，该特征被隐含公开。 |
| **技术特征U**：其进一步包含基于所述加速度数据或其它定向数据识别所述移动装置相对于所述坐标系统的定向。 **《直接公开》** | [0031] “必须实施一种移除倾斜的方法…使用方向滤波器…来移除倾斜。” [0068]-[0074] 详细描述了使用加速度计和陀螺仪数据通过方向滤波器（基于四元数的PI控制器）估计方向（俯仰、横滚、偏航）。 | 对比文件详细阐述了利用加速度计和陀螺仪数据，通过方向滤波器来估计传感器相对于导航坐标系（地面坐标系）的定向（姿态）。这直接公开了识别移动装置相对于坐标系统的定向。 |
| **技术特征V**：其中识别所述使用情况还至少部分地基于所述定向。 **《隐含公开》** | [0038] 神经网络分类器的输入包括“步骤结束时的姿态向量(px, py, pz)”。姿态向量源自定向数据。 | 对比文件在神经网络分类器的输入特征中明确包含了“姿态向量”（即定向信息）。这表明定向数据被用于步态分类（即使用情况识别）。因此，虽然未在文字上直接陈述“识别使用情况基于定向”，但通过其具体实施方式可以明确，定向是识别过程的一部分。该特征被隐含公开。 |
| **技术特征W**：其中计算所述移动装置相对于所述坐标系统的所述经估计运动方向还至少部分地基于所述定向。 **《直接公开》** | [0045] “为了产生完整的路径，计算陀螺仪航向…然后将其添加到平移方向。” [0065] “…‘步进偏差’从所有步骤的平移方向中减去，使得运动的前向与向前平移相对应。” | 对比文件中，最终的移动方向（路径）是通过将基于加速度计算的平移方向与基于陀螺仪（定向数据）计算的航向相结合得到的。此外，通过确定“最频繁的平移方向”来校正坐标系，也涉及利用定向信息来确保运动方向估计的一致性。因此，运动方向的计算至少部分地基于定向，被直接公开。 |
| **技术特征X**：其中所述定向数据包含陀螺仪数据及磁力计数据中的一者或两者。 **《直接公开》** | [0031] “…如果设备中3轴陀螺仪的x、y和z轴数据也可用，则可能进行更可靠的倾斜补偿。” [0069] “偏航信息（地帧）由于…而不可用。当有良好的罗盘数据时，可以使用罗盘来校正偏航。” | 对比文件明确使用了陀螺仪数据用于定向估计，并提到了在罗盘（即磁力计）数据良好时可用其校正偏航（定向的一部分）。因此，定向数据包含陀螺仪数据和/或磁力计数据被直接公开。 |
| **技术特征Y**：其进一步包含追踪由携带所述移动装置或所述移动装置所附接到的个人所走过的步数。 **《直接公开》** | [0026]-[0027] “…检测人的步伐…” [0035] “每个局部最小值标记一个步伐。” | 对比文件方法的核心就是步态检测，通过寻找髋部高程估计的局部最小值来检测每一步。这直接公开了追踪个人走过的步数。 |
<<<A>>><<<B>>><<<C>>><<<D>>><<<H>>><<<N>>><<<O>>><<<U>>><<<W>>><<<X>>><<<Y>>><<<e>>><<<g>>><<<l>>><<<t>>><<<v>>>