对比文件名称：2012-11-29_US2012303271A_发明申请_US20120303271A1 Hierarchical Context Detection Method to Determine Location of a Mobile Device on a Person's Body
目标专利名称：363在语义上融合上下文推断CN104823433B
本次调用的模型名称：DeepSeek最新版本模型
## 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：所述方法包括：在计算装置处使用来自与移动装置相关联的至少一个数据源的上下文相关数据确定第一上下文类别 《直接公开》 | [0027] “The locational information is gleaned efficiently by exploiting existing hierarchy in collected sensor data. In other words, the hierarchical algorithm in some embodiments described herein creates a predefined contextual classification framework in which collected sensor data can be fed (automatically or semi-automatically) and analyzed, such that the output of the algorithm is indicative of the location of the navigation device with a certain confidence level.” <br> [0059] “Control module 402 receives tracking LPC data for motion mode classification, and may be further assisted by a time-domain classifier, such as, acceleration norm data. The output of the control module is context information, such as whether the user carrying the PND is stationary, walking, fast walking, or jogging.” | 对比文件公开了在导航设备（即移动装置）处，使用来自传感器（例如，IMU，即数据源）收集的运动数据（即上下文相关数据）来确定用户的运动模式，例如静止、行走、快走、慢跑等（即第一上下文类别）。该确定过程通过分层算法实现，其中控制模块402接收并分析数据以输出上下文信息。对比文件中使用传感器数据确定运动模式的作用，与目标专利中使用上下文相关数据确定上下文类别（如用户活动状态）的作用相同，均为实现上下文感知。因此，本领域技术人员能够毫无疑义地得出技术特征A的技术方案。 |
| **技术特征B**：在所述移动装置处至少部分通过融合所述第一上下文类别及不同于所述第一上下文类别的第二上下文类别来确定融合类别，《未公开》 | 对比文件中未发现通过“融合”两个不同上下文类别来确定一个新类别（融合类别）的内容。对比文件描述的是分层分类，即先进行第一级分类（如运动模式），然后在第一级分类结果的基础上进行第二级分类（如设备位置），这是一种顺序的、细化的分类过程。例如，[0059]描述控制模块402输出运动模式后，位置模块404再分析数据以确定设备的精确位置。 | 对比文件公开了在移动设备处进行多级分类，但每一级分类是基于原始传感器数据或前一级的分类结果进行的独立、递进的判断。目标专利中的“融合”是指将两个（或多个）已确定的、不同的上下文类别（如“坐”和“站立”）合并，以形成一个在语义上更广泛的新类别（如“静止”）。这是一种横向的合并或概括操作，而非对比文件中纵向的细化操作。对比文件未教导或暗示将两个不同的上下文类别融合以确定一个融合类别的技术方案。 |
| **技术特征C**：所述融合类别与所述第一上下文类别及所述第二上下文类别所共有的至少一个特性相关联，《未公开》 | 由于对比文件未公开“融合类别”这一概念，因此自然未公开融合类别与第一、第二上下文类别共有的特性相关联的内容。 | 技术特征C依赖于技术特征B中“融合类别”的存在。既然对比文件未公开通过融合不同上下文类别来确定融合类别的方案，那么关于融合类别特性的描述也就无从谈起。本领域技术人员无法从对比文件中直接或通过推理得出该技术特征。 |
| **技术特征D**：其中所述融合类别比所述第一上下文类别及所述第二上下文类别中的每一者范围广。《未公开》 | 对比文件中未提及“融合类别”，因此也未比较融合类别与原始类别的语义范围。 | 技术特征D是技术特征B和C的进一步限定。由于对比文件未公开“融合类别”，也就无法比较其语义范围。因此，该特征未被公开。 |
| **技术特征E**：其中所述融合类别具有相关联的标签，其在语义上囊封所述第一上下文类别的标签及所述第二上下文类别的标签。《未公开》 | 对比文件中未记载具有“在语义上囊封”多个原始类别标签的融合类别标签。对比文件中的分类标签（如“行走”、“在口袋中”）是独立的。 | 目标专利的核心思想之一是创建语义上更广泛的融合标签（如“静止”囊封“坐”和“站立”）。对比文件的分层分类虽然也产生不同抽象级别的标签（如运动模式、设备位置），但高级别标签（如“行走”）并非通过语义囊封两个不同的低级别标签而产生，而是通过直接分析数据得出。两者在标签生成机制和作用上不同。因此，该特征未被公开。 |
| **技术特征F**：其进一步包括获得与初始分类相关联的用以确定所述第一上下文类别的信息。《隐含公开》 | [0027] “...collected sensor data can be fed (automatically or semi-automatically) and analyzed...” <br> [0059] “Control module 402 receives tracking LPC data for motion mode classification, and may be further assisted by a time-domain classifier, such as, acceleration norm data.” | 对比文件公开了为了进行分类（例如确定运动模式），需要收集传感器数据（如LPC数据、加速度范数数据）并进行分析。这些传感器数据即为用于确定分类（如第一上下文类别）的“信息”。虽然对比文件没有明确使用“初始分类”这一术语，但其分类过程必然基于输入的数据信息。本领域技术人员可以理解，要进行分类，首先需要获得相关的输入数据（信息），这隐含了“获得与初始分类相关联的用以确定所述第一上下文类别的信息”这一步骤。 |
| **技术特征G**：其中获得与所述初始分类相关联的所述信息包括获得与所述初始分类相关联的置信度值。《直接公开》 | [0027] “...such that the output of the algorithm is indicative of the location of the navigation device with a certain confidence level.” <br> 表1-3标题为“Confusion Matrix”，其内容显示了分类的准确率百分比，这直接体现了分类决策的置信度水平。 | 对比文件明确公开了算法的输出带有一定的置信度水平（confidence level）。混淆矩阵（Confusion Matrix）是机器学习中用于评估分类器性能并显示分类置信度的常用工具。表1-3中的数值（如99.95%，31.11%）定量地表示了将数据分类到特定类别（如“Near Head”、“Shirt Pocket”）的置信度。因此，对比文件直接公开了在分类过程中获得与分类相关联的置信度值。 |
| **技术特征H**：其中确定所述融合类别是响应于所述置信度值等于或低于阈值而执行。《未公开》 | 对比文件未公开“融合类别”，因此也未公开基于置信度阈值触发确定融合类别的操作。 | 技术特征H限定了确定融合类别的触发条件。由于对比文件未公开“融合类别”这一概念，因此也就不存在响应于置信度阈值来确定融合类别的技术方案。该特征未被公开。 |
| **技术特征I**：其中获得与所述初始分类相关联的所述信息包括识别所述初始分类的可操作性质。《隐含公开》 | [0038] “If target state classification 230 outputs a probability distribution ... to its output decision, then fusion classifier 240 may base its selection on ... 3) the known behavior of the original classifier. For example, in known that the original classifier typically confuses a subset of states ...” (注：此段实际引用自目标专利说明书[0038]，用于说明“可操作性质”的含义。但对比文件[0038]段为：“Often multiple sensors may be coupled to a PND. In that case, multi-sensor data fusion/data segregation to fit the hierarchical algorithm framework becomes relevant.” 未直接提及。然而，对比文件[0067]提及了“confidence level”，且分类算法的设计和使用通常隐含了对算法本身性能（如易混淆的类别）的了解。) | 目标专利中的“可操作性质”指分类器已知的行为特性，例如容易混淆哪些状态。对比文件虽然没有明确使用该术语，但其整个分层分类算法的设计、分类器的选择以及阈值（如用于零交叉、俯仰角幅值的阈值）的设定，必然建立在对所用传感器数据特性和分类器行为（即可操作性质）的理解之上。例如，为了区分设备在头部附近还是在口袋中（见表1），算法设计者需要知道哪些特征（如零交叉数）能有效区分这些位置，这隐含了对分类过程“可操作性质”的识别。因此，本领域技术人员可以合理推断出，为了有效进行分类，需要识别分类过程的特性或行为。 |
| **技术特征J**：其中确定所述融合类别是基于所述初始分类的所述可操作性质。《未公开》 | 对比文件未公开“融合类别”，因此也未公开基于可操作性质来确定融合类别。 | 技术特征J限定了融合类别的确定依据。由于对比文件未公开“融合类别”，因此该特征未被公开。 |
| **技术特征K**：其中所述上下文相关数据为与第一时间相关联的第一上下文相关数据，所述方法进一步包括使用与在所述第一时间之后的第二时间相关联的第二上下文相关数据确定所述第二上下文类别，且其中确定所述融合类别是基于所述第一上下文类别及所述第二上下文类别。《未公开》 | 对比文件确实使用了随时间收集的数据进行分析，例如使用滑动窗口（如300个样本）计算分类特征（见[0048]-[0052]）。但这通常用于对同一分类任务（如确定当前运动模式或设备位置）进行连续或更可靠的判断，而非用于确定两个不同的上下文类别然后进行融合。 | 目标专利的特征K强调使用不同时间点的数据分别确定两个不同的上下文类别，然后基于这两个类别来确定融合类别。对比文件中使用时间序列数据是为了在单一的分类流程中提高当前状态判断的准确性或稳定性（例如，通过一段时间的数据判断当前是“行走”模式），或者用于时间域分类特征的计算。其并未教导先确定一个时间点的第一类别（如t1时刻的“坐”），再确定后续时间点的第二类别（如t2时刻的“站立”），然后将这两个独立的类别融合。两者的技术思路和作用不同。 |
| **技术特征L**：其中确定所述第一上下文类别包括从多个预定的可用上下文类别中选择所述第一上下文类别。《直接公开》 | [0027] “examples of motion modes include: stationary, walking, fast walking, jogging, climbing up/down stairs, going up/down on an escalator, going up/down on an elevator, biking, driving, riding in a vehicle such as a car, bus, boat, airplane, etc.” <br> [0059] “The output of the control module is context information, such as whether the user carrying the PND is stationary, walking, fast walking, or jogging.” | 对比文件明确公开了运动模式（即上下文类别）的示例集合，如静止、行走、快走、慢跑等。控制模块402的输出是从这些预定的运动模式类别中选择一个（例如，“行走”）。这与目标专利中从预定的可用上下文类别中选择第一上下文类别完全相同。 |
| **技术特征M**：其中确定所述融合类别包括从多个预定的可用融合类别中选择所述融合类别。《未公开》 | 对比文件未公开“融合类别”，因此也未公开从预定的可用融合类别中进行选择。 | 技术特征M限定了融合类别的确定方式。由于对比文件未公开“融合类别”，因此该特征未被公开。 |
<<<A>>><<<G>>><<<L>>>
<<<f>>><<<i>>>