一种用于监视床（2）上的用户的离床报警系统（5），该系统包括一个或多个传感器（10）；所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征；并且所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号；和处理器（12）；所述处理器（12）适于监视所述对应信号；并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性；其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。

作为一名经验丰富的专利代理师，我针对目标专利授权权利要求1，结合目标专利说明书及三份对比文件原文进行了系统性的侵权/无效分析。

---

## 一、 目标专利权利要求1特征拆解与说明书深度解释

目标专利（CN102150186B）的核心发明点在于：**不依赖侵入式或不舒适的大型压敏垫，通过“生理特征的变化”来预测用户离开床的可能性，并采用递归学习/监督分类（结合多次先前的离床数据）来动态更新预测模型与评估警报可靠性。**

我们将权利要求1拆解为以下7个技术特征，并结合说明书释义：

* **技术特征 A**：*该系统包括一个或多个传感器（10）*

* **说明书解释**（参见说明书[0028]、[0030]）：传感器单元6可位于床垫4下方、上方或集成于床垫中；传感器可以是无源或有源的。

* **技术特征 B**：*所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征*

* **说明书解释**（参见说明书[0010]、[0030]）：生理特征/生命体征包括心率、脉率、呼吸率、体温、血压或心率变异性（HRV）等。

* **技术特征 C**：*所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号*

* **说明书解释**（参见说明书[0030]）：传感器生成与测量的生理特征对应的电信号并传输给处理器。

* **技术特征 D**：*和处理器（12）*

* **说明书解释**（参见说明书[0031]、[0037]）：位于传感器单元或基站8中的硬件处理核心，亦可整合于单一设备。

* **技术特征 E**：*所述处理器（12）适于监视所述对应信号*

* **说明书解释**（参见说明书[0031]、[0038]）：连续或定时接收并处理来自传感器10的信号。

* **技术特征 F**：*并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性*

* **说明书解释**（参见说明书[0031]、[0040]-[0041]）：重点在于“变化”与“预测可能性”。离床过程包含醒来（HRV变化/活动谱）、决定起床（交感兴奋导致HRV再变）、坐起（姿势变化导致心率增加）等阶段。系统在用户做出离床动作或离开床之前，通过生理特征的这些动态变化预判离床可能性。

* **技术特征 G**：*其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。*

* **说明书解释**（参见说明书[0042]-[0046]）：核心限定。系统利用实际离床事件进行自学习/递归学习，通过历史记录的“最近 $n$ 次离床期间记录的特定人的数据”来训练监督分类器（如支持向量机 SVM 或神经网络 NN），从而将当前生理特征变化与历史训练集数据（即多次先前的离床数据）进行比较/分类，计算出离床概率与可靠性评分。

---

## 二、 对比文件特征比对与原文出处分析

为准确比对，各对比文件统一定义及公开号如下：

* **D1**：JP2007190269A（带有预测/检测下床系统床铺装置）

* **D2**：JP2007202847A（在床检测装置）

* **D3**：US20070276202A1（测量和监视生命功能或存在的方法和装置）

### 1. 技术特征比对表格

---

### 2. 各对比文件原文详细出处与分析

#### (1) D1：JP2007190269A

* **公开特征分析**：

* **特征 A、C、D、E**：公开了在床铺四角设置荷重传感器（荷重センサ 3），产生荷重信号送至控制器（コントローラ 5，内含演算部 21）进行定期读取和监视（段落[0010]、[0011]、图1、图3）。

* **未公开/区别特征分析**：

* **特征 B、F**：D1 测量的是“体重”和“重心位置”（段落[0005]、[0010]），属于纯粹的**物理机械荷重**，而非本专利限定的“心率、呼吸等生理特征（Vital Signs）”。其离床/起床预测基于足部着地导致体重减轻和重心移动（段落[0006]、[0016]）。

* **特征 G**：D1 通过预先设置的固定的阈值（体重閾値 $W_{T1}$、重心位置監視対象領域）进行逻辑判定（段落[0011]、图4），**完全没有涉及**将数据与“多次先前的用户离床期间收集的数据”进行比较或学习。

#### (2) D2：JP2007202847A

* **公开特征分析**：

* **特征 A、B、C、D、E、F**：D2 公开了一种在床检测装置，使用压电/静电电容等振动传感器 2 兼做生体传感器（段落[0008]、[0012]）。能检测体动及 0.5~1.5Hz 的心拍（心率）（段落[0012]、[0015]）。在床判定部 21（微控制器）监视该信号（段落[0013]），根据心拍有无及体动振幅变化，在“在床、不在（离床）、体动”三状态间迁移（段落[0014]-[0021]、图2）。

* **未公开/区别特征分析**：

* **特征 G**：D2 的状态迁移逻辑是基于固定的阈值判定（“体動閾値”、心拍提取阈值、固定时长的“離床検出時間”）（段落[0015]-[0020]）。**完全没有公开**比较当前变化与“在多次先前的用户离床期间收集的数据”。

#### (3) D3：US20070276202A1

* **公开特征分析**：

* **特征 A、B、C、D、E、F**：D3 公开了一种监视人体生命功能及在床状态的装置，使用置于床上的动态传感器 3（如驻极体薄膜），测量脉搏（Pulse）、呼吸（Respiration）及体动（段落[0001]、[0004]、[0014]）。信号传输至电子控制单元 7（微处理器）（段落[0014]、[0016]）。控制器持续监视信号，利用算法评估生理特征与体动变化，当超出设定极限值或检测到离床（leaves the base / abandons it）时触发报警（段落[0004]、[0006]、[0016]、[0022]）。

* **未公开/区别特征分析**：

* **特征 G**：D3 段落[0004]提到保存数据用于“长远监控（longsighted surveillance）”，段落[0017]提到自适应算法调整，段落[0022]提到对特定频段信号进行整流积分并与阈值（"compared to some level"）比较来判断在床/离床。然而，D3 的判断机制是**直接将当前滤波积分信号与预设/自适应调整的固定阈值进行比较**，**并未公开通过“比较生理特征的变化与在多次先前的用户离床期间收集的数据”**（即基于历史离床样本集的对比/分类学习预测）来确定离床可能性。

---

## 三、 最接近对比文件分析（整体解决的技术问题与技术效果角度）

在创造性分析中，**D3（US20070276202A1）最适合作为最接近的对比文件**（其次是 D2）。

### 1. 深入分析理由

* **技术领域与手段的高度重合**：

* **D1** 依赖于四角重力/压力传感器测量体重与重心分布，这本质上仍属于目标专利背景技术[0006]所批评的“侵入式压敏/重力检测”范畴，无法测量真正的生命体征（生理特征）。

* **D3** 与目标专利完全一致：均致力于**无创/非侵入式（Unobtrusive）**地通过放置于床上的单一/动态传感器，采集**生理特征（脉搏、呼吸）及微小体动**来进行离床监视。

* **解决的技术问题与技术效果对比**：

* **目标专利**：解决现有压敏垫易磨损、不舒适且误报率高的技术问题，达成了无感监视、并极大降低误报率的技术效果。

* **D3**：明确指出其发明目的在于解决现有床边开关的不便，提供一种能同时采集脉搏、呼吸和体动，并在患者离床时及时报警的装置，且能适应不同体型和床具（D3 段落[0004]、[0005]）。技术问题与效果与目标专利最为吻合。

*(注：D2 同样公开了非侵入式心拍+体动检测，但其主要侧重于环境噪声/关门振动导致的误判问题，在“生理参数综合监视”的深度上略逊于 D3。因此 D3 为最首选的最接近对比文件，D2 可作为备选)*。

### 2. 区别特征与技术效果

以 **D3** 为最接近对比文件，权利要求1相对于 D3 的**区别技术特征**为：

> **特征 G**：所述处理器适于通过**比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据**来确定用户将要离开床的可能性。

* **区别特征达成的技术效果**：

目标专利通过引入递归学习/分类器算法（如 SVM），利用该特定用户历史发生的多次离床事件中记录的生理变化数据作为训练集，使得离床预测能够**动态自适应个体差异**（如不同人的习惯、药物影响或身体衰退），从而在个体发生离床行为前更精准地评估可能性，**显著降低了误报警率**（目标专利说明书[0042]-[0046]）。

---

## 四、 检索评价与最薄弱技术特征分析

### 1. 现有对比文件对特征 G 的公开情况评估

在现有三份对比文件（D1, D2, D3）中，**特征 G（比较生理特征变化与多次先前离床期间收集的数据）完全未被公开**。

* D1/D2/D3 均采用了“实时信号与预设阈值/规则逻辑比较”的判定模式。

* 尽管 D3 提到了“保存数据”和“自适应算法（adapt to different size persons）”，但其自适应指的是针对不同床垫/体型调整滤波器参数，而非“利用多次先前离床的历史生理数据作为参照模式进行匹配或机器学习分类”。

### 2. 无效请求中最薄弱的技术特征分析

若向国家知识产权局（CNIPA）提起专利无效宣告请求，**技术特征 G 是目标专利维系创造性的最坚固防线，同时也是我方攻击时“最薄弱/最需要突破”的特征**。

* **薄弱原因**：

1. **公知常识/常规技术手段调取的风险高**：特征 G 的本质是在离床预测中引入了**“监督学习/模式识别/算法训练”**（如 SVM、神经网络）。在计算机与医疗监视结合的领域，利用历史数据（多次先前的离床样本）训练分类模型来预测未来事件，属于本领域技术人员（数据处理/智能医疗领域）非常通用的技术手段。

2. **说明书撰写存在被攻击的瑕疵**：目标专利说明书对特征 G 的具体算法实现描述较为宽泛（说明书[0046]仅提到 SVM 和超平面），在审查实践中，如果主张该特征属于常规算法的迁移应用，容易被判定为“本领域技术人员在 D3 的基础上结合常规机器学习手段容易想到”。

---

## 五、 进一步对比文件检索策略（针对特征 G 的无效检索路径）

为了成功无效权利要求1，下一步检索的核心目标是找到**公开了“基于历史收集的多次生理数据/离床事件数据（机器学习/模式识别）来预测/判别下床（Bed exit/Getting out of bed）”的对比文件（D4）**。

建议采取以下三步检索策略：

### 1. 关键词与分类号组合检索式（以 CNKI、INPADOC、WIPO、Google Patents 为例）

* **分类号（IPC/CPC）**：

* `A61B5/11`（测量人体的体动/位置）

* `A61B5/00`（生命体征监视系统）

* `G16H40/60`、`G16H50/20`（医疗数据处理/预测模型）

* `G08B21/04`（响应个人位置/动向的报警系统，如跌倒/离床）

* **组合检索逻辑**：

* **组1（离床/下床概念）**：`(bed exit OR bed leave OR leaving bed OR getting out of bed OR 離床 OR 下床)`

* **组2（生理特征/生命体征）**：`(vital sign OR heart rate OR respiration OR HRV OR physiological OR 心率 OR 呼吸 OR 生理)`

* **组3（历史数据/机器学习/模式识别——针对特征G）**：`(prior data OR previous data OR historical OR machine learning OR SVM OR support vector OR classification OR supervised OR training set OR 历史数据 OR 模式识别 OR 监督学习 OR 分类器)`

* **推荐整合表达式（英文示例）**：

> `(IPC=G08B21/04 OR A61B5/11) AND (bed exit OR leaving bed) AND (heart rate OR respiration OR vital) AND (machine learning OR classification OR SVM OR historical data OR prior events)`

### 2. 追踪非专利文献（NPL）与学术期刊

很多算法类的技术方案最早发表于生物医学工程期刊，优先检索以下数据库：

* **IEEE Xplore / PubMed / Elsevier**：

* 重点搜索 2009 年以前（目标专利优先权日 2009-11-09 之前）关于 **"Bed exit prediction using machine learning"** 或 **"SVM bed-exit detection physiological signals"** 的论文。

### 3. 补充无效理由（作为备选攻击路线）

如果检索后发现结合 D3 + D4（特征G）的创造性攻击难度较大，可同时准备以下法律条文依据：

* **专利法第26条第3款（充分公开/充分说明）**：攻击说明书对于如何将“多次先前离床的生理特征数据”构建成训练样本集、如何提取特征向量等细节缺乏具体实施例支撑，导致本领域技术人员根据说明书无法实现该算法。

* **专利法第22条第3款（对比文件结合）**：以 **D3** 为最接近对比文件结合**本领域公知常识（如机器学习分类器在患者动作预测中的通用应用）**，主张将常规 SVM/概率网络应用到 D3 的离床监测中对本领域技术人员而言是显而易见的。

这份专利对比与无效可行性分析报告由资深专利代理师倾力打造。

在进入具体的对比文件分析之前，我们首先需要明确：针对**目标专利 CN102150186B（离床报警系统）** 的权利要求1，解释其真正要保护的技术方案边界。

---

### 一、 目标专利说明书对权利要求的解释与本领域技术理解

目标专利权利要求1保护一种用于监视床上的用户的离床报警系统，其核心特征可划分为：

* **特征 A-E**：基础架构与传感器功能，包括传感器测量生理特征、生成信号，以及处理器监控信号；

* **特征 F**：处理器适于根据所述一种或多种生理特征的变化来确定该用户将要离开床的可能性（**预测离床**）；

* **特征 G**：其中所述处理器适于通过**比较所述一种或多种生理特征的变化**与**在多次先前的用户离床期间收集的数据**来确定用户将要离开床的可能性（**基于历史多次离床数据进行比较/自学习**）。

结合目标专利说明书的教导（特别是说明书【0041】-【0046】段）：

1. **“生理特征的变化”（特征 F/G）**：不同于传统的物理压力垫变化，本专利重点关注交感兴奋作用导致的心率、呼吸率、心率变异性（HRV）等生命体征变化（如【0041】段指出人在醒来和决定起床时心率变异性的特征变化）。

2. **“与在多次先前的用户离床期间收集的数据进行比较”（特征 G）**：说明书【0042】-【0046】明确指出，该特征指的是系统具备**自学习/递归学习（recursive learning）**功能（例如采用 SVM 支持向量机或神经网络）。系统会自动记录该特定用户在“最近 $n$ 次离床”前发生的生理特征变化，以此训练分类器并更新预测算法，从而适应个人行为差异，减少误报。

因此，**特征 G 的本质是：基于特定用户多次历史离床前所采集的生理特征数据进行训练/比对（递归学习）来确定预测概率。**

---

### 二、 对比文件原文分析与特征比对表格

以下为三篇对比文件相对于权利要求1技术特征（A-G）的详细比对及原文出处。

#### 1. 对比文件基本信息及指代

* **D1**：US20070132597A1 (`US2007132597A`) - *METHODS AND SYSTEMS FOR MONITORING PATIENT SUPPORT EXITING AND INITIATING RESPONSE*

* **D2**：US20070156031A1 (`US2007156031A`) - *SYSTEMS AND METHODS FOR INTELLIGENT MEDICAL VIGILANCE*

* **D3**：US20070162304A1 (`US2007162304A`) - *METHODS AND SYSTEMS FOR MONITORING QUALITY AND PERFORMANCE AT A HEALTHCARE FACILITY*

---

#### 2. 特征比对表格（附原文出处与公开性质判断）

---

### 三、 详细对比分析与对比文件原文引述

#### 1. D2 (US20070156031A1) 的深入分析

* **公开特征（A, B, C, D, E, F）**：

* **特征 A, B, C**：D2段落[0011]公开了“*sensing array... preferably is a non-invasive piezoelectric sensing film... placed in the patient's bed... measure heart rate, blood pressure and respiration rates*”（放置在床上的压电薄膜传感器测量心率、呼吸率等生理特征并产生信号）。

* **特征 D, E**：D2段落[0011]公开了“*Within the physical bedside unit are a signal processor and an alarm processor that measure the data and evaluate whether a clinically significant event is occurring*”（床边单元包含处理器来监视信号）。

* **特征 F**：D2段落[0013]公开了报警处理器监视生理参数趋势。此外，段落[0065]-[0067]和图7公开了将离床检测系统（Bed exit system）与生理参数监视系统融合，说明D2已经关注到了离床事件与生理参数监视的结合。

* **缺陷/未公开特征（G）**：

* D2采用的是**预设的“软/硬阈值算法（soft/hard limits）”**（参见段落[0052]-[0055]及图4、图5），通过判断心率和呼吸率是否超出固定范围或模糊逻辑（Fuzzy logic）组合来发出报警。**D2完全没有公开“比较生理特征的变化与多次先前用户离床期间收集的数据”这一基于历史生理数据的自学习/递归匹配过程**。

#### 2. D1 (US20070132597A1) 与 D3 (US20070162304A1) 的深入分析

*注：D1 与 D3 属于同一技术族/关联申请，其技术构思高度一致。*

* **公开特征（A, D, E 及部分 G）**：

* **特征 G（运动/姿态维度）**：D1和D3明确提出了**“通过历史离床事件数据建立并更新个人 Profile”**的概念。

* D1段落[0017]：“*A database of a computer system... may be used to compile, store and update patient profiles based on learned information relating to support exiting...*”

* D1段落[0019]：“*The action of verifying or rejecting an automated support exiting alert based on actual patient movements and behavior can be recorded by the computer system and used to either automatically update the patient profile...*”

* D1段落[0020]：“*As the profile is periodically updated based on verified and/or rejected patient movements and behaviors relative to detected support exiting, it becomes more accurately predictive of actual support exiting of the patient.*”

* **缺陷/未公开特征（B, C及生理维度的F/G）**：

* D1/D3监测的主要是**物理位置、姿态和肢体动作（Body movements, gestures, RFID/光电位置）**（如D1段落[0016]记载的7种离床动作：Sliding down, side rail roll, torso angle up and leg swing等），**并非“生理特征”（如心率、脉率、呼吸率、心率变异性等）**。

---

### 四、 最接近对比文件的选择（基于技术问题与技术效果）

#### 1. 整体解决的技术问题与技术效果分析

* **目标专利**：旨在解决传统压力垫易损坏、舒适度差的问题，通过监视**“生理特征（如心率变异性）”**及其**“历史多次离床变化规律”**，实现**不引人注目且能自适应个体差异的高准确度离床预测**（避免误报）。

* **D2**：解决传统 ICU 监视器误报率高以及需要接触皮肤的问题，采用床垫下无感压电薄膜监视**生理特征（心率、呼吸等）**。

* **D1/D3**：解决传统离床检测“一刀切（one size fits all）”导致高误报/漏报的问题，采用摄像头/传感器记录**特定用户的历史离床动作**并更新个人 Profile，实现离床自适应预测。

#### 2. 最接近对比文件的选择结论

在创造性分析中，**D2 最适合作为最接近的现有技术（Primary Reference）**，同时 **D1（或D3）可以作为辅助对比文件**。理由如下：

1. **首选最接近对比文件：D2 (US20070156031A1)**

* **理由**：D2 与目标专利处于**完全相同的技术领域**（基于床垫下无感传感器测量心率、呼吸等生理特征进行病患监视），且公开了权利要求1绝大部分的技术特征（特征A-E以及结合离床的F）。D2与目标专利解决的核心物理问题（无感监测生命体征）最为接近。

2. **次选/替代最接近对比文件：D1 (US20070132597A1)**

* **理由**：如果将解决的问题聚焦于“如何利用历史多次离床数据进行自适应学习以精准预测离床”，D1公开了基于历史多次离床数据学习并更新 Profile 的核心机制。

---

### 五、 创造性分析、最薄弱技术特征与无效策略

#### 1. 区别特征分析与结合动机（D2 + D1/D3）

以 **D2 为最接近的现有技术**：

* **区别特征**：特征 G（以及特征 F 中基于“生理特征变化”的自适应预测）。即：D2 是基于固定阈值或组合规则来判断异常，而目标专利是**“通过比较生理特征的变化与在多次先前的用户离床期间收集的数据（历史多次离床数据）”**来预测。

* **结合分析（能否由 D1/D3 结合导出）**：

* D1/D3 确实公开了“记录多次先前的离床行为 -> 更新个人 Profile -> 提高预测准确性”的构思（D1 [0017], [0019], [0020]）。

* **专利权的防线（专利局可能的答辩点）**：目标专利会强调，D1/D3 记录和学习的是**“物理姿态/运动轨迹（Video/RFID/Light beam）”**，而目标专利学习和比对的是**“生理特征（Physiological characteristics，如心率变异性 HRV、交感神经兴奋等）”**。生理特征具有隐蔽性、连续性和非直观性，将自学习分类算法（如 SVM）应用于“生理特征的变化趋势”产生了预料之外的技术效果（可以在患者坐起来之前甚至有意识决定前提前预判）。

#### 2. 最薄弱的技术特征

若要对本专利提起无效宣告请求，目标专利**最薄弱的技术特征在于：特征 G 的上位概括性与 D1/D3 “机器学习/Profile更新”技术手段的公知常识化。**

* **薄弱点解析**：

1. 权利要求1中的特征 G 表述极其宽泛（“*通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据...*”），其并没有在权利要求中限定 SVM、神经网络或具体的特征提取算法。

2. D1/D3 已经明确教导了**“利用机器学习/递归更新 Profile 来预测离床”**这一通用技术手段。

3. 对于本领域技术人员而言，在 D2 已经具备测量心率、呼吸等“生理特征”的基础上，结合 D1/D3 提出的“利用历史多次离床数据训练预测模型”的技术教导，将自学习比对的对象从“物理姿态数据”替换/扩充为“生理特征数据”，属于**本领域技术人员结合常规算法（如机器学习分类器）容易想到的技术改进**。

---

### 六、 进一步对比文件检索策略（进一步补充证据链）

为了确保彻底攻破权利要求1（特别是针对“基于生理特征历史数据进行离床机器学习预测”这一交融点），建议采取以下补强检索策略：

1. **关键词组合策略（重点突破“生理特征”+“机器学习/历史数据”+“离床/姿态”）**

* **英文关键词**：

* 生理/体征：`vital sign`, `heart rate`, `respiration rate`, `HRV`, `physiological`

* 离床/姿态：`bed exit`, `bed leave`, `patient exit`, `bed unoccupy`

* 历史数据/机器学习：`machine learning`, `SVM`, `support vector machine`, `historical data`, `previous events`, `training data`, `profile`, `adaptive`, `recursive`

* **布尔逻辑**：`(vital sign OR heart rate OR HRV OR physiological) AND (bed exit OR bed leave) AND (machine learning OR historical data OR training OR SVM OR adaptive)`

2. **分类号（IPC / CPC）交叉检索**

* `A61B5/11`（测量主体的运动或位置，例如用于检测跌倒或离床）

* `A61B5/024`（脉搏/心率检测）

* `G16H40/60`（医疗保健中涉及患者监视的 ICT 技术）

* `G06N20/00`（机器学习）

* **建议检索式**：`A61B5/11` 与 `A61B5/024` / `G06N` 的交叉交集。

3. **非专利文献（NPL）与非专利数据库检索**

* 生理信号离床预测（特别是基于心率变异性 HRV、体动与 SVM/神经网络结合的论文）在 2005-2009 年间属于学术界研究热点。

* 重点检索数据库：**IEEE Xplore, PubMed, Google Scholar, ScienceDirect**。

* 重点检索主题：*“Bed exit prediction using heart rate variability and machine learning”* 或 *“SVM based patient bed exit detection via non-invasive vital signs”*。学术论文往往比专利更早、更详细地公开使用 SVM 比对多次历史生理信号进行离床预测的技术方案。

作为一名资深专利代理师，我将紧密结合目标专利（CN102150186B）说明书的释义、教导及发明宗旨，对权利要求1进行全面解析，并结合三份对比文件（D1: US2006152378A1、D2: US2006169282A1、D3: JP2006280686A）的原文进行严谨的特征对比、最接近对比文件选择、无效突破点（最薄弱特征）分析及后续检索策略制定。

---

### 一、 目标专利说明书对权利要求1的释义及技术特征拆解

紧密结合目标专利说明书（CN102150186B）的说明，对权利要求1的技术特征拆解及说明书含义释义如下：

* **技术特征A：** `该系统包括一个或多个传感器（10）`

* **说明书解释：** 指位于床垫下方、上方或集成的传感器单元（传感器10），可以是无源或有源的（说明书[0028]、[0030]）。

* **技术特征B：** `所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征`

* **说明书解释：** 生理特征具体包含生命体征如脉搏/心率、体温、血压、呼吸率以及**心率变异性（HRV）**等（说明书[0010]、[0030]）。

* **技术特征C：** `所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号`

* **说明书解释：** 传感器将采集到的用户物理/生物力学作用转化为可供处理器分析的电信号或光信号（说明书[0030]）。

* **技术特征D：** `和处理器（12）`

* **说明书解释：** 位于传感器单元或基站中的计算处理单元，用于接收并处理传感器信号（说明书[0031]、[0036]）。

* **技术特征E：** `所述处理器（12）适于监视所述对应信号`

* **说明书解释：** 处理器连续地监视生理特征信号（如移动、呼吸率、心率及心率变异性）（说明书[0038]）。

* **技术特征F：** `并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性`

* **说明书解释：** 本发明的核心宗旨是**预测（Predict）**离床，而非单纯检测“已离床”。说明书[0040]-[0041]揭示离床过程包含四个阶段（醒来$\rightarrow$注意到去卫生间/离床欲望$\rightarrow$坐起来$\rightarrow$离开床）。在醒来和决定起床阶段，**心率变异性（HRV）及交感兴奋作用**会发生特定变化，处理器通过捕获这些生理特征变化来评估/预测离床概率。

* **技术特征G：** `其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。`

* **说明书解释：** 本特征对应说明书[0042]-[0046]揭示的**递归自学习/自适应算法**。系统记录特定人在“最近n次离床期间”的数据（历史离床前发生的生理特征变化），利用监督分类算法（如支持向量机SVM或神经网络NN）进行机器学习，从而根据历史离床数据自动调适离床预测算法。

---

### 二、 对比文件特征比对及分析

针对各对比文件原文（以公开号指代：D1为US20060152378A1，D2为US20060169282A1，D3为JP2006280686A），分析其公开情况：

#### 1. 对比文件基本信息

* **D1：** US20060152378A1 (Bed occupant monitoring system)

* **D2：** US20060169282A1 (Sleep stage determination apparatus)

* **D3：** JP2006280686A (Sleep stage determination apparatus)

#### 2. 特征比对表格（Feature Mapping Table）

---

### 三、 最接近对比文件分析（整体技术问题与技术效果维度）

在评估创造性（Patentability/Inventive Step）时，选择最接近对比文件（Closest Prior Art）需要考量其**技术领域、所解决的技术问题、技术方案及技术效果**的贴近程度：

#### 1. 最接近对比文件的选择与分析

* **对比文件1：D1 (US20060152378A1)**

* **技术领域及问题：** 属于床面占用者监视系统领域。旨在解决传统侵入式传感器导致不适、易材料疲劳，以及无法早期预警离床的问题（D1 [0001]、[0013]）。

* **技术方案：** 提出了在床垫下方或内部部署无源光纤压力传感器阵列，可提取心率、呼吸率及体动，并利用传感器分区压力判断占用者是“不在床上”、“在中央”还是“靠近边缘可能尝试离床”（D1 [0027]、[0075]）。

* **技术效果：** 实现了非侵入式的生命体征监视及早期位置预警。

* **结论：** **D1最适合作为第一最接近对比文件（Primary Closest Prior Art）**。D1与目标专利构思最为贴近，且同样致力于通过非侵入式生理/压力传感器解决“早期预测/警告用户离床”的问题，具有最多的相同技术特征。

* **对比文件2与3：D2 (US20060169282A1) & D3 (JP2006280686A)**

* *注：D2与D3为同族申请/同源技术，结构与内容高度一致。*

* **技术领域及问题：** 属于睡眠阶段判定装置领域。旨在解决传统多导睡眠图（PSG）需要贴附多电极、操作复杂的问题，提供仅依靠呼吸/心率信号区分睡眠阶段（觉醒、深睡、浅睡、REM）的系统（D2 [0002]-[0008]）。

* **技术方案与效果：** 包含“入床/离床判定部”（D2 [0012]、[0057]），通过传感器监测呼吸信号振幅大小来确定用户是“在床上”还是“已离床”。

* **结论：** D2/D3的主要发明目的在于“睡眠分期（Sleep Staging）”，对离床的处理仅停留在“当前状态是入床还是离床（In-bed/Out-of-bed）”的二元检测，**不具备“预测将要离床的可能性”的导向**。因此D2/D3作为最接近对比文件的适用性弱于D1，但可以作为辅助对比文件。

---

### 四、 无效突破点分析：最薄弱的技术特征

如果在无效宣告程序中发起挑战，目标专利权利要求1的**最薄弱技术特征（即最容易被突破或最难以被现有技术完全覆盖的技术特征）**如下：

1. **关键区别特征：技术特征G（及特征F的组合）**

* **特征描述：** `处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性`。

* **薄弱点分析：**

* **从现有技术公开度看（攻方优势）：** D1、D2、D3均**未显性公开**“将生理特征变化（如心率/呼吸变异）与多次历史离床收集的数据（机器学习/自学习）进行对比”。现有技术（如D1）多依赖“物理位置过界”或“实时压力/生理信号低于固定的静态阈值”来触发报警。

* **从显而易见性/技术偏见突破（攻方突破口）：**

* 在2009-2010年（目标专利优先权日前），利用机器学习（如SVM、神经网络、自适应概率网络）采集历史行为数据进行分类或预测，在医疗监视及数据分析领域已属于通用技术手段（Common General Knowledge）。

* 结合D1（已公开采集心率、呼吸及体动信号，且旨在预测离床），如果结合一本公知常识教科书或分类算法领域文献（揭示了“利用SVM/神经网络学习历史生理特征数据以预测行为”），本领域技术人员为了提高预测准确率、减少误报，将D1中的静态阈值替换为“基于历史多次离床数据建立的自适应学习预测模型”是显而易见的。

2. **目标专利的保护防御点（守方防线）：**

* 目标专利在说明书[0040]-[0046]中明确强调了离床前生理特有的“交感兴奋”及“心率变异性（HRV）”模式，并将此与SVM模型相绑定。若权利要求1被限制解释，专利权人可能通过追加从属权利要求（如HRV、SVM算法）来固守稳定性。

---

### 五、 进一步对比文件检索策略（Search Strategy）

为了成功无效权利要求1，需针对**“结合生理信号变化”+“利用历史数据/机器学习预测离床”**这一核心区别特征补充检索。建议采取以下检索策略：

#### 1. 核心分类号（IPC / CPC）组合

* **A61B 5/11:** 检测患者体动或位置（Measuring movement of the entire body/position）

* **A61B 5/024 / A61B 5/08:** 心率/呼吸检测

* **G08B 21/04:** 监测人或动物的异常状态并在无响应时发出警报的装置（例：跌倒、离床警报，Bed exit alarms）

* **G16H 50/20 / G06N 20/00:** 用于医疗诊断/预测的计算系统、机器学习（Machine Learning in Healthcare）

#### 2. 逻辑检索式构建（以英文关键词/逻辑符为例）

* **策略一：检索“生理信号（心率/呼吸/HRV）”用于“离床预测/早预警”**

* `((bed NEAR/3 (exit* OR leave* OR egress* OR get_out)) OR "bed exit")`

* **AND** `(predict* OR early_warning OR likelihood OR probabil*)`

* **AND** `("heart rate" OR respiration OR "vital sign*" OR HRV OR "heart rate variability" OR physiological)`

* **策略二：检索“离床/行为预测”结合“历史数据/自适应/机器学习/SVM”**

* `((bed NEAR/3 (exit* OR leave* OR egress*)) OR "patient monitoring")`

* **AND** `(historical OR "previous event*" OR "prior exit*" OR "machine learning" OR "support vector machine" OR SVM OR "neural network" OR adaptive)`

* **AND** `(physiolog* OR vital_sign* OR motion OR movement)`

#### 3. 重点检索数据库与文献类型

* **专利数据库：** CNIPA、USPTO、EPO、WIPO、JPO。优先重点排查美国（US）和日本（JP）在2000—2010年间的智能护理床/病房监视专利。

* **非专利文献（NPL）：** IEEE Transactions on Biomedical Engineering、PubMed、Springer、Elsevier等数据库。历史上许多利用SVM/神经网络处理生物电/心率信号预测患者行为的研究成果首先发表于IEEE学术会议或生物医学工程期刊上（优先权日2009年11月之前）。

这是一份由经验丰富的专利代理师为您准备的专业专利无效对比分析与审查判定报告。

本分析报告全面基于本目标专利说明书（`CN102150186B`）的技术内涵，对授权权利要求1与三篇对比文件（`D1: JP2005185650A`、`D2: JP2006000454A`、`D3: US20060049936A1`）进行逐特征对比、最接近对比文件选择、最薄弱特征诊断及针对性的检索策略规划。

---

## 一、 目标专利权利要求1解释（结合说明书）

为了客观判定技术特征的公开情况，必须首先基于说明书对权利要求1的各项技术特征（特别是核心特征F、G）的真正技术内涵进行准确界定：

* **技术特征A~E（生理特征监视基础设施）**：涉及利用传感器测量生理特征（如心率、脉率、呼吸率、体温、血压、心率变异性等，说明书`[0010]`、`[0030]`），产生对应信号，并由处理器进行监控。

* **技术特征F（基于生理特征变化的离床可能性预测）**：说明书`[0040]`-`[0041]`明确解释了其机制：人在夜间离床包含“醒来 $\rightarrow$ 产生离床意图/欲望 $\rightarrow$ 坐起 $\rightarrow$ 离床”四个阶段。醒来和产生离床欲望的过程（即**做出有意识离床决定之前**）会通过心率变异性（HRV）模式变化及“交感兴奋作用”反映出来。因此，特征F并非指“检测到人已经离开”或“检测到坐起的物理动作”，而是**在动作发生前，通过心率/呼吸等生理体征的动态变化趋势，预判离床的可能性**。

* **技术特征G（基于历史离床多次收集数据的对比预测 - 机器学习/自适应）**：说明书`[0042]`-`[0046]`解释：系统不仅能检测实际离床（通过压力/应变传感器），还具备**自学习/递归学习能力**。处理器根据“在最近 $n$ 次离床期间记录的数据”（如神经网络或支持向量机算法SVM，说明书`[0045]`-`[0046]`），将当前生理特征变化与历史多次离床数据进行对比分类，从而自动适应个体行为变化（如药物变化、体质变化）。

---

## 二、 对比文件特征比对分析与出处

### 1. 各对比文件公开情况判定

#### 对比文件1：D1（JP2005185650A - 装置使用状况判定方法及装置）

* **公开号**：`JP2005185650A`

* **技术领域**：离床/在床判定装置。

* **公开内容分析**：

* 公开了利用空气垫/流体封入体（传感器）检测由使用者生命运动（胸腹部运动、打鼾、心跳）引起的“生体振動”（生理特征），并输出信号（公开了特征A、B、C）。

* 控制器/处理器对信号进行平滑、全波整流、阈值二值化比较，以判定在床/离床（公开了特征D、E）。

* **关于特征F**：D1主要是通过生体振動信号消失/低于阈值持续一定时间（如3秒，段落`[0002]`说明书图6/7）来判定“已经离床”，**未公开**通过生理特征变化提前“预测离床可能性”。

* **关于特征G**：D1仅提到在开始使用时通过操作部测试性地输入/设置初始阈值（段落`[0002]`“閾値保持部35”部分），**未公开**通过“比较多次先前的用户离床期间收集的数据”来进行对比预测或机器学习。

#### 对比文件2：D2（JP2006000454A - 游戏机）

* **公开号**：`JP2006000454A`

* **技术领域**：封入式弹珠机/游戏机（Game Machine）。

* **公开内容分析**：

* 完全属于无关技术领域（游戏机内游技球的循环回收、透明视认部设计）。

* **特征A~G全部未公开**。

#### 对比文件3：D3（US20060049936A1 - 可配置的护士警报系统）

* **公开号**：`US20060049936A1`

* **技术领域**：病房设备监视与护士呼叫系统。

* **公开内容分析**：

* 公开了监视病床状态（包括床离开报警 Bed exit alarm、头部角度、护栏位置等），并将报警信号发送给护理人员（公开了处理器、监视及报警网络）。

* 关于“Bed Exit”，D3将其作为病床现成的状态开关/警报参数之一（例如段落`[0009]`、`[0033]`、`[0086]`），但D3的病床离床检测依赖于病床自带的重量传感器/称重系统（Load cell based system，段落`[0097]`），属于物理位置/重量解除检测。

* **未公开**通过传感器测量生理特征（特征B、C），**未公开**基于生理特征变化预判离床（特征F），**未公开**基于多次先前离床历史数据的对比自学习算法（特征G）。

---

### 2. 详细特征比对表格

---

## 三、 整体解决的技术问题、技术效果及最接近对比文件选择

### 1. 整体技术问题与技术效果分析

* **本专利解决的技术问题**：传统离床报警依赖大型压敏垫或压力开关（动作发生后或接近边缘时才报警，侵入性大且易疲劳），本专利旨在提供一种**非侵入式、能在用户实际离床前更早预判离床可能性**，并能**自动适应不同个体/行为变化以减少误报**的离床预警系统（说明书`[0004]`-`[0007]`）。

* **最接近对比文件的选择与认定**：

* **最接近对比文件：D1（JP2005185650A）**

* **理由**：

1. **技术领域完全相同**：D1与本专利均属于“通过监测卧床人员状态进行在床/离床判定的装置”。

2. **技术手段高度重合**：D1同样采用了非侵入式的流体传感器（空气垫）来捕获卧床人员的微弱生理运动信号（心跳、呼吸、体动），并由处理器对生理信号进行放大、整流、比较处理。

3. **技术问题部分重合**：D1也旨在解决传统重力开关易受杂物干扰误报的问题。

* *注：D2为完全无关的游艺机领域，不具备参考价值；D3虽然涉及病房报警网络和病床离床警报，但其离床检测机制属于病床机械/重量感应，不涉及“生理特征”的测量与动态预测，因此不适合作为最接近对比文件。*

---

## 四、 区别技术特征与最薄弱技术特征诊断

以 **D1（JP2005185650A）** 为最接近对比文件，权利要求1相对于D1的区别技术特征为：

1. **区别特征1（对应特征F）**：处理器根据生理特征的**动态变化**来确定用户**将要离开床（预判）的可能性**，而非仅在生理信号消失/低于阈值后判定“已离床”。

2. **区别特征2（对应特征G）**：处理器通过**将生理特征变化与在多次先前的用户离床期间收集的数据（历史数据）进行比较**（即自学习/机器学习模式分类）来确定离床可能性。

### 无效宣告中最薄弱的技术特征诊断

在针对权利要求1发起无效宣告请求时，**最薄弱的技术特征是：特征F与特征G的组合（特别是特征G的概括广度）**。

* **薄弱点分析（攻击突破口）**：

1. **特征F（生理特征预判离床）**：在医疗监视领域，利用醒来/交感神经兴奋导致的心率（HR）增快、心率变异性（HRV）下降或呼吸加速来预测人体即将起床/动作，属于本领域公知的生理学常识或现有健康监测算法。

2. **特征G（对比多次先前离床收集的数据）**：权利要求1中特征G的撰写方式**极为宽泛**。它仅限定了“与在多次先前的用户离床期间收集的数据进行比较”，并未限定具体的数学模型、机器学习算法（如支持向量机SVM、神经网络等的具体参数）。

3. **结合显而易见性**：如果检索到一篇在生理数据分析或患者监视领域公开了“利用历史行为/生理数据建立模型/对比以更新预测算法（自适应/机器学习）”的对比文件（D4），将其与D1结合，特征F和特征G极易被认定为“本领域技术人员为了提高预测准确率、减少误报而引入的常规算法/自学习手段”，从而一举击毁权利要求1的创造性。

---

## 五、 进一步对比文件检索策略建议

为了补充针对特征F和特征G的公知常识证据或结合对比文件，建议采取以下针对性检索策略：

### 1. 检索要素表达（Keywords & IPC/CPC）

* **核心分类号 (IPC / CPC)**：

* `A61B5/11`（动作/体动/位置检测，特别是卧床监测）

* `A61B5/024` / `A61B5/08`（心率/呼吸监测）

* `G16H40/60` / `G16H50/20` / `G16H50/70`（医疗数据挖掘、基于历史数据的诊断/预测算法）

* `G08B21/04`（针对老弱病残的跌倒/离床状态报警）

* **特征F（生理特征预判离床）关键词组**：

* (`Bed exit` OR `leaving bed` OR `get out of bed` OR `离床` OR `起床`)

* AND (`predict*` OR `forecast*` OR `early warning` OR `intention` OR `可能性` OR `预测` OR `预警` OR `倾向`)

* AND (`heart rate` OR `HRV` OR `respiration` OR `vital signs` OR `physiological` OR `心率` OR `呼吸` OR `生命体征` OR `生理`)

* **特征G（历史数据比对 / 自适应 / 机器学习）关键词组**：

* (`prior` OR `previous` OR `historical` OR `past` OR `多次` OR `先前` OR `历史`)

* AND (`collect* data` OR `training data` OR `machine learning` OR `SVM` OR `neural network` OR `adaptive` OR `自适应` OR `学习` OR `分类器`)

### 2. 联合检索与查新方向建议

1. **方向一：健康监视/睡眠监测算法专利（攻特征F+G）**

* 重点检索 **飞利浦（Philips）、欧姆龙（Omron）、泰科（Tyco）、迈瑞（Mindray）** 等医疗设备巨头在2009年之前的专利申请。飞利浦在睡眠监测与离床预警（Sleep/Bed Monitoring）领域有大量基于HRV（心率变异性）和自学习算法预测患者醒来/离床的专利布局。

2. **方向二：非专利文献（NPL）检索**

* 在 IEEE Xplore、PubMed、ScienceDirect 中检索2009年（优先权日）之前的学术论文。关键词组合：`"bed exit prediction" AND ("heart rate" OR "HRV") AND ("machine learning" OR "SVM")`。医疗工程领域在2000-2008年间有大量关于“基于HRV和体动历史数据通过SVM分类器预测患者离床”的论文，这可作为强有力的公知常识或补充证据。

作为一名经验丰富的专利代理师，我将紧密结合目标专利说明书的解释，对目标专利权利要求1进行全面且严谨的专利无效与创造性分析。具体分析如下：

---

## 一、 目标专利权利要求1的术语与技术特征解释（结合说明书）

在专利无效审查中，权利要求书的解释应当紧密结合目标专利说明书的上下文，以确定其真实的保护范围：

1. **技术特征A~C（传感器及其功能）**：

* **解释**：说明书第[0030]段明确，传感器10可以测量脉搏（心率）、体温、血压、呼吸率或心率变异性（HRV）。第[0034]段指出敏感的压力传感器或应变计可同时用于测量心率/心跳以及检测用户是否在床上。

2. **技术特征D~F（处理器、监视及离床可能性确定）**：

* **解释**：说明书第[0039]-[0041]段指出，离床过程通常包含“醒来 $\rightarrow$ 产生去卫生间等欲望 $\rightarrow$ 在床上坐起 $\rightarrow$ 离开床”四个阶段。处理器12通过监视生理特征（如HRV、活动谱、姿势变化导致的HR增加等）的变化，在用户做出有意识决定或物理离床之前，预测其将要离开床的可能性。

3. **技术特征G（基于“多次先前的用户离床期间收集的数据”进行比较预测）**：

* **解释**：此特征为本权利要求的核心创新点/限定特征。结合说明书第[0042]-[0046]段，该过程指系统利用**递归学习/自学习机制（如神经网络NN、支持向量机SVM等监督分类算法）**，利用在**最近 $n$ 次先前的离床期间**记录的该特定人的数据（训练对）来评估离床概率，从而自动适应个体的行为变化，提高预测可靠性并减少虚假警报。

---

## 二、 对比文件公开情况分析（结合原文出处与特征比对）

### 1. 指代符号与公开号对应

* **D1**：`WO2004073577A1`（公开日：2004-09-02）

* **D2**：`US20050124864A1`（公开日：2005-06-09）

* **D3**：`EP1538984A1`（公开日：2005-06-15）

---

### 2. 特征比对表与出处分析

---

## 三、 最接近对比文件的选择与创造性分析

在进行专利创造性评估时（依据“三步法”），选择最接近的对比文件需综合评估技术领域、整体解决的技术问题以及技术效果：

### 1. 最接近对比文件的判定与分析

* **最佳最接近对比文件：D1 (`WO2004073577A1`)**

* **技术领域与问题**：D1与目标专利高度一致，均为床占用及离床监视报警系统，且旨在通过不引人注目的方式（气垫/床垫下方传感器）同时监视生理特征（呼吸、心跳、脉搏）和体动/离床。

* **技术效果**：D1实现了通过无创方式采集生理信号并利用微控制器分析压力波动（计算方差）来判断用户离床（Patient Exit）并发出警报。

* **选择理由**：D1完整公开了特征A、B、C、D、E，并**实质公开了特征F**（通过生理与体动引起的压力信号方差变化预测/检测离床及在床状态）。

* **备选最接近对比文件：D3 (`EP1538984A1`)**

* **技术领域与问题**：同样属于床占用者监视系统，解决防止病人坠床或无看护离床的问题。

* **选择理由**：结构上公开了多传感器阵列及处理器监视心率、呼吸和体动，但在利用生理特征变化“预测离床可能性”上不如D1贴近。

---

### 2. 区别技术特征及其他对比文件的公开情况

以 **D1** 为最接近对比文件，目标专利权利要求1与D1相比，**区别技术特征**为：

* **特征G**：处理器适于**通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据**来确定用户将要离开床的可能性（即引入基于历史离床数据的算法/自学习模式）。

#### 其他对比文件（D2、D3）对特征G的公开情况：

* **D2 (`US20050124864A1`)**：虽然D2构建了多传感器网络并对历史数据进行记录（Log File [0140]），但其数据分析（[0156]-[0164]、图14算法）侧重于通过当前波形和阈值提取心率、呼吸率、睡眠阶段及体动，**未公开将生理特征变化与多次先前的离床历史数据进行比较来评估离床可能性**。

* **D3 (`EP1538984A1`)**：D3采用的是固定或自适应阈值比较（图3/图5的阈值电路与定时器），**未公开利用先前的离床历史数据进行比较预测**。

---

## 四、 无效请求中最薄弱的技术特征及检索策略

### 1. 最薄弱的技术特征分析

目标专利权利要求1在面对现有技术D1-D3组合时，**最薄弱的技术特征是：特征G（基于先前的多次离床数据进行比较/算法训练）**。

* **薄弱原因**：

1. **特征A-F已被现有技术基本“铺平”**：D1已明确教导了利用传感器监测生理特征（心跳、呼吸）和体动变化来判断病人离床。

2. **特征G的实质是引入机器学习/自适应算法（如历史数据比对、SVM、神经网络）**：在监控和预测系统中，使用历史数据/训练集对算法进行更新或比较以提高预测准确度、减少误报，是计算机与软件控制领域极常见的公知常识或常规技术手段。

3. 若仅依靠D1-D3，虽然特征G在形式上未被直接文字公开，但从解决“提高个体预测准确度、减少虚假警报”这一技术问题出发，本领域技术人员极易产生结合机器学习/历史数据比对算法的动机。

---

### 2. 进一步的对比文件检索策略（针对无效目标）

为了彻底无效权利要求1，需针对**特征G**补强检索，寻找将“生理信号/体动监测”与“历史数据比对/自适应机器学习算法预测离床”结合的现有技术文献。建议采用以下检索策略：

#### (1) 关键词组合策略（中文与英文）

* **主题词一（离床/姿势预判）**：Bed exit, Bed egress, Leave bed, Fall prevention, Getting out of bed, 离床, 起床, 坠床预防.

* **主题词二（生理信号/生命体征）**：Physiological, Vital signs, Heart rate, HRV, Respiration, 生理特征, 生命体征, 心率变异性, 呼吸.

* **主题词三（历史数据比对/机器学习/自学习 - 对应特征G）**：

* English: `(prior OR previous OR historical OR past) NEAR/5 (exit OR egress OR event OR data)`, `machine learning`, `pattern recognition`, `support vector machine OR SVM`, `neural network`, `adaptive threshold`, `supervised classification`, `training data`.

* 中文：`历史数据`, `先前数据`, `机器学习`, `支持向量机`, `神经网络`, `自学习`, `自适应`, `分类器`, `训练集`.

#### (2) 分类号（IPC / CPC）交叉检索

* **`A61B5/00`**：测量生命体征/诊断用感测系统.

* **`A61B5/11`**：测量运动体或身体部位的运动（如监测离床/坠床）.

* **`G16H40/60`**：医疗保健信息学中与病人监视相关的系统.

* **`G06N20/00`** / **`G06N3/02`**：机器学习/神经网络（用于自学习预测）.

#### (3) 核心检索式逻辑构建示例

```text

(IPC/CPC: A61B5/11 OR A61B5/00 OR G16H)

AND (bed exit OR bed egress OR leave bed)

AND (heart rate OR respiration OR physiological OR vital signs)

AND (historical OR previous OR prior OR machine learning OR SVM OR neural network OR adaptive OR training)

```

#### (4) 重点检索方向建议

* 优先补充检索 **2009年（目标专利优先权日/申请日前）** 的学术期刊（如 IEEE Transactions on Biomedical Engineering、Computers in Biology and Medicine）以及病患监视领域的专利文献，此类文献极易在2000-2008年间公开基于SVM/神经网络结合生理特征预测离床（Bed Exit Prediction）的具体算法实现。

基于目标专利说明书（CN102150186B）的揭示及中国专利审查标准（特别是《专利审查指南》第二部分第四章关于“三步法”与最接近现有技术的选择），我对权利要求1及给定的对比文件进行深入的法律与技术分析。

---

### 一、 目标专利说明书对权利要求1的解释

结合目标专利（CN102150186B）说明书，权利要求1中关键概念与技术特征的含义如下：

1. **“离床报警系统（5）”与“确定该用户将要离开床（2）的可能性（预测）”**：

* **解释**：说明书明确区分了“预测将要离床”与“检测实际已离床”。说明书[0005]、[0008]指出，本发明的目的是在患者离开床之前**尽可能早地提供警报（离床预测）**，同时最小化误报。

2. **“传感器（10）”与“一种或多种生理特征”**：

* **解释**：说明书[0010]、[0030]揭示，生理特征包括生命体征，如心率、脉率、呼吸率、体温、血压或心率变异性（HRV）。传感器10可以是无源或有源传感器，甚至可以是能够测量心跳的敏感压力传感器/应变计（说明书[0034]）。

3. **“确定用户将要离开床的可能性（离床预测算法）”**：

* **解释**：说明书[0040]-[0041]揭示了离床事件的四个阶段：醒来 $\rightarrow$ 注意到去卫生间的迫切欲望 $\rightarrow$ 在床上坐起来 $\rightarrow$ 离开床。醒来及决定起床的过程会通过**心率变异性（HRV）**和“交感兴奋作用”反映出来。处理器12通过捕获这些生理特征的变化，在用户做出有意识的离床决定或坐起之前，提前预测离床可能性。

4. **特征G：“通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据”**：

* **解释**：说明书[0042]-[0046]揭示，系统具有自学习/递归学习能力，系统分析在实际离床之前发生的生理特征变化，定制算法。具体地，系统使用**监督分类算法/机器学习分类器（如支持向量机 SVM 或神经网络 NN）**，根据在**最近 n 次离床期间记录的特定人的历史数据（训练对）**进行训练与评估，计算离床概率并自动适应个体的行为变化。

---

### 二、 对比文件公开特征比对

#### 1. 简要说明与同族关系澄清

* **对比文件1（D1）**：WO2004006768A1，公开日：2004-01-22。

* **对比文件2（D2）**：AU2003249811A1，公开日：2004-02-02。

* **重要法律事实**：经对原文核对，D1与D2为同族专利申请（D2是D1进入澳大利亚的国家阶段/对应申请），其说明书文本与技术内容完全一致。

* **对比文件3（D3）**：JP2004180804A，公开日：2004-07-02。

#### 2. 特征比对表格

---

### 三、 最接近现有技术的选择分析

在专利创造性评价中，选择最接近的现有技术通常遵循以下原则：技术领域相同或相近、所要解决的技术问题和达到的技术效果最接近，或者揭示的技术特征最多。

#### 1. 整体技术问题与技术效果分析

* **目标专利**：旨在解决常规床离警报依赖侵入式大压敏垫、易误报且无法提前预测离床的问题；通过监视生理特征（如HRV、心率变化），并利用历史离床数据的机器学习/递归学习，达到**提前、无创且高准确度（减少误报）地预测用户离床**的技术效果。

* **D1（WO2004006768A1）/ D2（AU2003249811A1）**：

* **技术领域**：床占用者监视系统（完全相同）。

* **解决的问题**：解决传统床上传感器硬、不舒适、易损坏的问题，以及监测患者生命体征和预测即将离床（impending egress）的问题。

* **技术效果**：无创监视心率、呼吸和体动，并在生理信号或体动越过设定阈值时发出预警/报警。

* **D3（JP2004180804A）**：

* **技术领域**：具有生体信息收集功能的床装置（相同）。

* **解决的问题**：解决人工24小时监视负担大、传感器引起患者心理压力及噪声干扰的问题。

* **技术效果**：无创且准确地采集呼吸数、心拍数、体动等信息，但**重点在于信息的采集、显示与监控传输，而非离床预测与报警**。

#### 2. 结论：最接近的对比文件选择

* **最接近的对比文件为 D1（WO2004006768A1）或 D2（AU2003249811A1）**（二者为同族，内容一致，均可作为主对比文件）。

* **理由**：D1/D2与目标专利同属于“床占用者生理特征监视与离床预警系统”领域，不仅公开了特征A-E，而且实质公开了特征F（通过监视呼吸/心率/体动等生理特征信号的变化与阈值比较来判断即将离床/停息等）。D1/D2在技术领域、解决的技术问题（无创监测与离床/状况预警）、技术效果以及技术特征覆盖度上均最接近目标专利。

---

### 四、 未被最接近对比文件公开的特征及最薄弱特征分析

#### 1. 未公开的区别技术特征

以 **D1（WO2004006768A1）**（或D2）作为最接近的现有技术，权利要求1相对于D1的区别技术特征在于**特征G**：

> “其中所述处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性。”

* **其他对比文件是否公开**：

* **D3（JP2004180804A）** 未公开特征G。D3仅涉及实时生体信息的采集与展示，完全未涉及“历史离床数据的收集”及“基于历史数据的比较预测”。

#### 2. 最薄弱的技术特征分析

* **最薄弱的技术特征：特征G（基于历史离床数据的比较/预测）**。

* **原因分析**：

1. 权利要求1的特征A-F已被D1/D2高度覆盖（或完全公开）。目标专利能够维持专利权/具备创造性的**唯一防线**在于特征G中引入的“基于先前的多次离床历史数据进行比较（自学习/机器学习预测）”。

2. 然而，特征G在权利要求1中的表述极为宽泛（仅仅提到了“比较...与多次先前的用户离床期间收集的数据”），没有限定具体的比较算法（如说明书中提到的支持向量机SVM、神经网络NN、阈值更新规则等）。这种高度概括的算法/逻辑特征极易被审查员或无效宣告请求人认定为**本领域的公知常识**（例如：在数据预测领域，利用历史数据建立机器学习模型/训练集进行分类预测属于通用技术手段）。

---

### 五、 无效请求的进一步对比文件检索策略

如果目前仅凭D1-D3进行无效宣告，由于D1-D3均未明确公开“利用多次先前的生理数据/离床历史数据训练算法或进行对比来预测离床”，直接拼凑创造性存在被专利局驳回的风险。因此，建议采取以下进一步的检索策略：

#### 1. 核心检索要素组合（Building Blocks）

* **要素1（主题）**：床（bed）、患者/用户监视（patient/occupant monitoring）、离床/起床（bed exit, egress, getting out of bed）。

* **要素2（手段1 - 生理特征）**：生命体征（vital signs）、心率变异性（HRV, heart rate variability）、呼吸率（respiration rate）、生理信号变化（physiological signal variation）。

* **要素3（手段2 - 核心区别特征/算法）**：历史数据（historical data, prior events）、机器学习（machine learning, SVM, neural network）、分类器（classifier）、模式识别（pattern recognition）、自适应/自学习（adaptive, self-learning, training data）。

#### 2. 针对性检索方向与数据库策略

1. **方向一：追溯早期“基于机器学习/历史数据的离床预测/行为预测”专利（针对特征G）**

* **策略**：重点检索 2000 年~2009 年期间，将机器学习（SVM、神经网络、Bayesian Network）应用于患者行为预测/离床预测的专利。

* **IPC/CPC分类号结合**：

* `A61B5/00`（测量生理特征；体表检测）

* `G08B21/04`（响应于特定人员（如患者、老人）无响应或异常状态的警报系统）

* `G16H50/20` / `G06N20/00`（用于医疗诊断/预测的计算机技术、机器学习）

* **检索式示例（以Derwent / Google Patents为例）**：

* `(bed NEAR/3 (exit OR egress OR leave)) AND (vital sign OR heart rate OR respiration OR HRV) AND (historical OR prior OR machine learning OR classifier OR training)`

2. **方向二：扩展非专利文献（NPL）检索**

* **原因**：在医疗监视与智能养老领域，基于生理信号与机器学习（SVM/NN）进行行为识别与离床预测的研究论文（如IEEE, Elsevier, Springer）往往早于专利布局。

* **重点数据库**：IEEE Xplore, PubMed, ScienceDirect, Google Scholar。

* **关键词组合**：`"bed exit prediction"` OR `"bed egress"` AND `"heart rate variability"` OR `"vital signs"` AND `"machine learning"` OR `"SVM"` OR `"historical data"`。

3. **方向三：公知常识证据补强（结合D1/D2）**

* 若无法寻得完美包含特征G的“离床系统”专利，可采用“**D1/D2（主对比文件：揭示生理特征监视与离床预警） + 辅对比文件（揭示在生理信号预测中使用历史数据/机器学习分类器） + 本领域公知常识（教科书/技术手册：分类算法依赖历史训练集）**”的三步法组合逻辑，证明特征G是本领域技术人员在D1/D2的基础上结合常规技术手段显而易见能够得出的技术方案。

<ElicitationsGroup message="如果您需要进一步推进该专利的无效宣告或应对诉讼，建议尝试以下后续方向：">

<Elicitation label="撰写针对权利要求1的具体无效宣告意见书（基于D1+公知常识）" query="请结合D1（WO2004006768A1）作为主对比文件，撰写一份针对权利要求1的专利无效宣告意见书草案，重点论证特征G的技术效果及显而易见性。"/>

<Elicitation label="构建精准的专利检索表达式（用于检索特征G的现有技术）" query="请为我提供在PatSnap或Derwent数据库中针对'基于生理信号与机器学习预测离床'的详细IPC/CPC分类号组合和高级检索式。"/>

</ElicitationsGroup>

作为一名资深的专利代理师，我结合目标专利（CN102150186B）的说明书及权利要求1，对给出的三份对比文件（D1: JP2002255309A、D2: JP2003256957A、D3: CA2393880A1）进行深度技术特征比对、最接近现有技术选择、无效突破点分析及检索策略构建。

---

## 一、 目标专利权利要求1的技术特征拆解与说明书解释

根据目标专利说明书的记载，权利要求1的技术特征应作如下理解与解释：

* **技术特征A（一个或多个传感器10）：** 结合说明书[0028]、[0030]段，该传感器设置于床垫下方/上方或集成于床垫中，可以为无源或有源传感器。

* **技术特征B与C（测量生理特征并产生对应信号）：** 结合说明书[0010]、[0030]段，生理特征包括**心率、脉率、呼吸率、体温、血压或心率变异性（HRV）**中的一种或多种。传感器生成指示这些生理特征的信号。

* **技术特征D与E（处理器12及其监视功能）：** 结合说明书[0031]段，处理器从传感器接收信号并监视这些信号。

* **技术特征F（根据生理特征变化确定离床可能性）：** 结合说明书[0031]、[0040]-[0041]段，离床过程包含“醒来”、“注意到去卫生间”、“坐起来”、“离开床”四个阶段。醒来和决定起床过程伴随着心率变异性（HRV）及交感兴奋作用的变化，处理器**利用生理特征本身的变化规律**（而非仅仅依赖人体离开床垫后的重量/压力撤销）来**提前预测**离床可能性。

* **技术特征G（通过比较生理特征变化与多次先前用户离床期间收集的数据来确定离床可能性）：** 结合说明书[0042]-[0046]段，此特征限定了具体计算算法，即采用**递归学习/监督分类算法（如神经网络NN或支持向量机SVM）**，将当前生理特征变化与在**多次先前离床事件中积累的历史训练数据**（自学习/历史行为模式）进行比较，从而调适和更新离床预测算法。

---

## 二、 各对比文件技术特征比对表格

下表分析了各对比文件对权利要求1技术特征A~G的公开情况（附对应对比文件原文详细出处）：

---

## 三、 对比文件公开情况详述与引用出处

### 1. D1（JP2002255309A - 无人搬送台车）

* **公开号：** JP2002255309A

* **公开特征：** 仅公开了广义的“传感器（重量传感器11）”、“处理器（控制手段12）”及“信号监视”（段落[0008]、[0011]、图2）。

* **未公开特征（B, C, F, G）：** D1属于**工业无人物料搬送领域**。其技术方案是根据货物重量调整台车行驶速度（段落[0005]）。完全未公开人体生命体征/生理特征检测，亦不涉及离床预测。

### 2. D2（JP2003256957A - 居家独居老人异常检测系统）

* **公开号：** JP2003256957A

* **公开特征（A, D, E, 部分F、G）：**

* 公开了传感器（微动检测传感器25a~25c，段落[0017]）、处理器（异常检测装置30/CPU，段落[0022]）及信号监视。

* **实质公开了特征F与G的算法机理：** 明确记载了收集用户日常行动的传感器时系列数据（日常模板），通过向量量化与马尔可夫链（Markov Chain）训练状态转移矩阵（段落[0022]、[0038]-[0040]），并将其与当前的行为变化进行比较，用以预测/检测异常行为（包括醒来、去洗手间、外出等离床过程阶段，段落[0054]）。

* **未公开特征（B, C）：** D2采用的是空间微动传感器（赤外线传感器，段落[0017]），检测的是人体在房间内的空间位置移动，**并未测量心率、脉搏、呼吸等生理特征（生命体征）**。

### 3. D3（CA2393880A1 - 床位占用监视系统）

* **公开号：** CA2393880A1

* **公开特征（A, B, C, D, E, F）：**

* **完全公开了特征A, B, C, D, E：** 明确记载利用分布在床上的压力传感器阵列（Kinotex光纤压力传感器），非侵入式地测量床占用者的生理特征——包括**呼吸率（respiration rate）和心律/心跳（heart beat）**（Overview第1页第2段；Description第4页第3段“pulmonary activity, heart activity, and bodily movement”）。

* **完全公开了特征F：** 明确记载该系统可用于**“确定床占用者是否正准备离床（determining if the bed occupant is preparing to exit the bed）”**（Overview第1页第2段），且通过计算压力信号对时间的导数（time derivative），从心跳、呼吸及体动峰值（图7，标号53, 54, 55, 56）中确定占用者姿势改变与离床意图。

* **未公开特征（G）：** D3在判断离床或异常时，采用的是**“与预设阈值（pre-set thresholds）进行比较”**（Description第3页第4段，第4页第4段“threshold 57, 58”），**未公开“将生理特征变化与在多次先前的用户离床期间收集的数据进行比较”**这一机器学习/历史数据递归学习特征。

---

## 四、 最接近现有技术（最接近对比文件）选择与创造性分析

在创造性评价中，**D3（CA2393880A1）最适合作为最接近的对比文件**（最接近现有技术）。

### 1. 原因分析（整体解决的技术问题与技术效果维度）：

* **技术领域与课题高度重合：** D3与目标专利均属于**医疗/护理领域的床位监视及离床预警系统**。二者旨在解决相同的技术问题：即如何**非侵入式（不影响用户舒适度）**地监视卧床患者，并在患者离床前**提前预测离床行为**，以减少误报（目标专利[0005]-[0007]；D3 Overview第1页）。

* **核心技术手段一致：** D3与目标专利均通过床面/床垫处的传感器提取用户的**呼吸、心跳等生理特征信号**，并根据生理特征与体动的实时变化来判断离床趋势（特征A-F高度吻合）。

* **相比之下D2的局限：** D2虽然公开了基于历史数据统计（马尔可夫链）预测行为变化的机理，但其针对的是房屋空间内人体的微动与位移，属于环境安防/生活行为监控，未深入到床位及“生理特征（心率/呼吸）”层面。因此D3在技术领域、技术问题和主要技术特征上均比D2更接近目标专利。

### 2. 区别技术特征及结合分析：

目标专利权利要求1相对于D3的区别特征在于**技术特征G**：

> *处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性。*

* **区别特征被其他对比文件公开的情况：**

**D2（JP2003256957A）公开了特征G的计算逻辑与技术思想。** D2明确教导了利用“在多次先前（日常）行为期间收集的传感器时系列数据”建立预测模型（马尔可夫模型/日常模板），并将当前数据与先前收集的数据进行比较来预测/确定异常及离床等行为（D2段落[0022]、[0042]、[0054]）。

---

## 五、 无效请求中最薄弱的技术特征与法律风险评估

若对目标专利权利要求1提起无效宣告请求，**最薄弱的技术特征（即专利权人的防线）正是技术特征G**。

### 薄弱点与攻防分析：

1. **攻方（无效请求人）观点：**

D3已经公开了利用生理特征（心律、呼吸）预测离床（特征A-F）。将D2中“利用历史多次收集的数据/自学习算法（马尔可夫链、监督分类）提高行为预测准确性”的技术手段，应用到D3的生理特征离床预测系统中，属于本领域技术人员结合现有技术（D3+D2）进行公知算法/统计学习模型的常规替换，不具备创造性。

2. **守方（专利权人）可能的反驳防线（法律风险点）：**

专利权人会依据说明书[0040]-[0046]段强调：离床过程中的生理特征变化（如醒来时的HRV变化、起床时的交感兴奋及心率突变）具有**高度的个体差异性**。D2仅处理简单的“空间微动/开门/走动”开关信号，而目标专利处理的是**复杂的生理生命体征信号（心率变异性等）**。将机器学习/历史递归学习用于“生理特征变化”的预测，产生了“能自动适应个体药物变化、体能衰退，并输出可调可靠性评分（减少误报）”的预料之外的技术效果（说明书[0045]-[0048]）。

---

## 六、 进一步对比文件检索策略（补强检索）

为了彻底攻破技术特征G（即“将生理特征变化与历史多次离床数据比对/训练算法”的结合），建议按照以下策略开展补充检索：

### 1. 核心检索要素（Element Blocking）

* **要素1（主题/场景）：** 床/卧床/患者监视、离床/起床预测（Bed exit / Out of bed / Leaving bed）。

* **要素2（输入源）：** 生理信号/生命体征（Heart rate / Respiration / Vital signs / HRV）。

* **要素3（核心算法/特征G）：** 机器学习、历史数据比对、监督分类、训练集、自适应、马尔可夫、SVM、神经网络（Machine learning / Prior collection / Historical data / Neural network / SVM / Self-learning / Training data）。

### 2. 检索式表达示例（以IPC/CPC分类号结合关键词）

* **分类号组合：**

* `A61B5/11`（测量主体的运动或位置，如离床检测）

* `A61B5/024`（脉搏/心率测量）

* `G16H50/20`（面向医疗诊断/预测的计算机化系统/机器学习）

* `G08B21/04`（响应个人（如老人）位置/行动的报警系统）

* **逻辑检索式（以EPO/WIPO等数据库语法为例）：**

> `(IPC=A61B5/11 OR IPC=G08B21/04) AND (heart rate OR respiration OR HRV OR "vital sign" OR physiological) AND ("prior exit" OR "previous exit" OR "historical data" OR "machine learning" OR "trained" OR "svm" OR "neural network" OR "pattern recognition")`

### 3. 重点追踪专利族与文献方向

* **重点检索时间窗口：** 目标专利申请日（2009年11月左右）之前（即2009年11月之前的优先权/公开文献）。

* **重点申请人/机构：** 飞利浦（Philips，目标专利原申请人）、欧姆龙（Omron）、睿迈德（ResMed）、GE Healthcare、Medtronic以及早期的麻省理工（MIT）、斯坦福等从事无感生命体征监视与床边护理算法研发的院校课题组文献。

资深专利代理师，已紧密结合目标专利说明书（CN1002150186B，授权公告号CN102150186B）及各对比文件原文，对目标专利权利要求1进行深入分析。

---

## 一、 权利要求技术特征拆解与目标专利说明书解释

根据目标专利（CN102150186B）说明书的记载，权利要求1各技术特征的含义和作用解释如下：

* **技术特征A：该系统包括一个或多个传感器（10）**

* **说明书解释**：参见说明书[0028]、[0030]及图1-2，传感器单元6可位于床垫4下、床垫上或集成于床垫中。

* **技术特征B：所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征**

* **说明书解释**：参见说明书[0010]、[0030]，生理特征包括生命体征，如心率、脉率、呼吸率、体温、血压或心率变异性（HRV）等。

* **技术特征C：所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号**

* **说明书解释**：参见说明书[0030]，传感器生成对应于从用户测量的生理特征的信号（有源或无源信号）。

* **技术特征D：和处理器（12）**

* **说明书解释**：参见说明书[0031]、[0037]，处理器12可设于传感器单元6内、基站8内（如护士站）或集成为一体。

* **技术特征E：所述处理器（12）适于监视所述对应信号**

* **说明书解释**：参见说明书[0031]、[0038]，处理器接收并连续监视传感器提供的信号。

* **技术特征F：并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性**

* **说明书解释**：参见说明书[0031]、[0039]~[0041]，在离床过程中（如醒来、注意到去卫生间的迫切欲望、坐起来等），个体的心率变异性（HRV）、心率等生理特征会发生改变（例如交感兴奋、姿势改变导致心率增加），处理器利用这些**生理特征的变化**来**预测**离床的可能性。

* **技术特征G：其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性**

* **说明书解释**：参见说明书[0042]~[0046]，利用自学习/递归学习算法（如SVM或神经网络），通过将当前测得的生理特征变化与历史多次离床数据（训练集）进行比较，从而更新算法、自适应调适并评估离床预测概率。

---

## 二、 对比文件技术特征比对表

下表为目标专利权利要求1与对比文件 D1（JP2000316915A）、D2（JP2001057996A）、D3（JP2002052009A）的详细特征比对。

---

## 三、 对比文件公开情况分析（毫无异议公开 vs 实质公开）

### 1. D1：JP2000316915A Help supporting device

* **毫无异议公开（直接公开）**：

* **特征A**：公开了设置在床底部的多个重量检测素子（13a~13d，段落[0013]、[0061]）。

* **特征D、E**：公开了处理手段/处理器，用于监视传感器产生的信号并计算重心与运动数据（段落[0013]、[0062]）。

* **实质公开（技术手段对应但领域/对象有差异）**：

* **特征F（部分物理等效）**：公开了当检测到重心进入离床预测区画且移动方向朝着离床方向时，预测离床概率（段落[0021]~[0022]、[0028]~[0030]）。然而，其使用的指标是**重心/位置（物理物理量）**，而非**生理特征（生命体征）**。

* **未公开**：

* **特征B、C**：未公开利用传感器测量“生理特征”（如心率、呼吸率等）。

* **特征G**：未公开将“生理特征的变化”与“多次先前离床期间收集的数据（生理数据训练集）”进行比较来预测离床。

### 2. D2：JP2001057996A Nursing aid device

* **毫无异议公开（直接公开）**：

* **特征A、D、E**：公开了重量检测素子及用于监视和计算重心数据的处理器/数据演算手段（段落[0013]、[0052]）。

* **实质公开**：

* **特征F（部分物理等效）**：同样公开了根据重心移动方向和离床预测区画预测离床概率（段落[0018]~[0020]）。

* **未公开**：

* **特征B、C、G**：与D1类似，D2的技术方案完全基于重力和物理运动轨迹，未公开测量生理特征及基于历史生理特征变化数据的离床预测。

### 3. D3：JP2002052009A Air mat for measuring subject data

* **毫无异议公开（直接公开）**：

* **特征A、B、C**：公开了通过气垫和微差压传感器/绝对压力传感器测量被测者的心率、呼吸数、咳嗽/哼声（イビキ）等生理特征并产生对应信号（段落[0001]、[0006]、[0022]~[0024]）。

* **特征D、E**：公开了终端装置10中的数据处理部37，用于监视和处理上述生理特征信号（段落[0023]~[0024]）。

* **未公开**：

* **特征F**：未公开“根据生理特征的变化”来“预测将要离床的可能性”（D3仅利用绝对压力传感器判断人是否在床上，即离床后的状态检测，段落[0022]、[0024]）。

* **特征G**：未公开“将生理特征变化与多次先前离床期间收集的数据进行比较”。

---

## 四、 最接近对比文件的选择（基于技术问题与技术效果）

在专利创造性分析（三步法）中，确定最接近的对比文件需综合考虑技术领域、解决的技术问题、技术效果及技术特征叠加度：

### 1. 目标专利解决的技术问题与效果

* **技术问题**：传统压敏垫侵入性强、易疲劳，且缺乏提前、可靠地预测离床的方法（段落[0004]~[0007]）。

* **技术效果**：实现非侵入式（完全不引人注目）、提前且高可靠性地预测离床，并能自适应调适（段落[0022]、[0048]）。

### 2. 最接近对比文件的选定

**最接近对比文件可有两个候选（D1/D2 与 D3 均可作为起点）：**

* **方案一：以 D1 (JP2000316915A) 或 D2 (JP2001057996A) 作为最接近对比文件**

* **理由**：D1/D2与目标专利同属于**“离床预测/离床警报系统”**领域，解决的均是**“提前预测用户离床以防止发生危险”**的相同技术问题，且均具备“传感器+处理器+提前预测离床”的整体架构。

* **区别特征**：目标专利采用的是“生理特征（及历史生理特征变化数据）”，而D1/D2采用的是“重心/物理位置”。

* **方案二：以 D3 (JP2002052009A) 作为最接近对比文件**

* **理由**：D3与目标专利在**测量手段与测量对象（传感器非侵入式测量心率、呼吸率等生理特征）**上最为接近。

* **区别特征**：D3未将生理特征用于“离床预测”以及“与历史多次离床数据进行比较”。

---

## 五、 区别特征在其他对比文件中的公开情况与无效请求薄弱点分析

### 1. 未被最接近对比文件公开的特征及其他对比文件的公开情况

假设以 **D1 (JP2000316915A)** 为最接近对比文件，区别特征为：

1. 传感器测量的是**生理特征**（特征B、C）；

2. 处理器根据**生理特征的变化**以及**与多次先前离床历史数据的比较**来预测离床（特征F、G）。

* **其他对比文件的结合情况**：

* **特征B、C**：已被 **D3** 明确公开（D3公开了用气垫传感器测量心率、呼吸数等生理特征）。

* **特征F、G（核心区别）**：**没有任何对比文件（D1、D2、D3）公开了“根据生理特征的变化”以及“通过比较历史多次离床期间收集的生理数据”来预测离床！**

* D1/D2 仅公开了根据“重心移动轨迹/物理位置”预测离床；

* D3 仅公开了测量生理特征，但生理特征仅用于监控睡眠健康状态，其离床检测靠的是绝对压力传感器的“有/无”状态，完全未建立“生理特征变化”与“预测离床”之间的关联。

### 2. 无效请求中最薄弱的技术特征（专利权人的“护城河”）

在提出专利无效宣告请求时，**最薄弱（即最难攻破、对目标专利最具显着性支撑）的技术特征是：**

> **特征G（结合特征F）：处理器适于通过比较一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性（即：基于生理特征变化的历史数据学习/比较来进行离床预测）。**

**原因分析**：

1. **技术偏离**：现有技术（如D1、D2）普遍认为预测离床应当依赖物理机械量（如重心、姿势、移动位置、边缘压力）。而目标专利引入了人心理/生理学机理（醒来 $\rightarrow$ 产生尿意 $\rightarrow$ 交感神经兴奋/心率变异性HRV改变 $\rightarrow$ 坐起 $\rightarrow$ 离床），将**生理特征（HRV、心率等）的变化**作为预测离床的前兆信号。

2. **缺少技术启示**：现有对比文件（D1-D3）中**没有任何一份文件给出了“利用生理特征变化（如心率/呼吸改变）来预测离床”的技术启示**，更没有给出“建立历史离床生理数据模型/自学习算法进行比对”的教导。现有的D3仅将生理特征用于健康监测。将D3与D1/D2结合，本领域技术人员也只会想到用D3的传感器去替代D1的重量传感器来继续测重心/压力，而不会自发想到提取生理信号变化去预测离床。

---

## 六、 进一步的对比文件检索策略建议

为了成功无效目标专利的权利要求1，现有的D1~D3尚不足以形成完全覆盖或强的显而易见性组合（公知常识组合力度不够）。建议采取以下进一步检索策略：

### 1. 扩展检索要素（Keywords & Classification）

针对薄弱特征（基于生理特征变化的离床预测与自学习），重点检索以下要素：

* **核心关键词组合**：

* (离床 OR 起床 OR 离开 OR bed exit OR getting out of bed)

* AND (心率 OR 脉搏 OR 呼吸 OR 心率变异性 OR 生理 OR 生命体征 OR HRV OR heart rate OR respiration OR physiological)

* AND (预测 OR 前兆 OR 概率 OR 早期 OR 算法 OR 学习 OR 比较 OR 阈值 OR predict* OR forecast* OR probability OR machine learning OR SVM OR pattern)

* **推荐专利分类号（IPC/CPC）**：

* `A61B5/11`（测量被测者体的移动，如离床检测）

* `A61B5/024`（测量脉搏、心率）

* `A61G7/05`（床的配件、报警系统）

* `G08B21/04`（响应个人（如患者）响应/状态的报警系统）

### 2. 非专利文献（NPL）与学术期刊检索

由于“心率变异性（HRV）与自主神经系统兴奋/起床前兆”的关联性往往最早发表于医工交叉类的学术期刊中，建议在 **IEEE Xplore、PubMed、CNKI、ScienceDirect** 中重点检索2010年以前（目标专利优先权日之前）的论文：

* **检索方向**：

* Sleep stage analysis / Awakening prediction based on HRV or ballistocardiogram (BCG).

* Bed exit prediction / intention detection using physiological signals and machine learning.

### 3. 追踪重点申请人/研究团队

检索在病床监视、生理信号非接触监测领域较早布局的公司和高校：

* **企业**：Philips（飞利浦，目标专利申请人本身的历史专利）、Panasonic（松下）、Paramount Bed（八乐梦床业）、Omron（欧姆龙）。

* **高校/机构**：关注早期从事BCG（体动心电图/压电床垫测量生理信号）和老年监护算法研究的日本、欧洲及美国实验室。

作为一名经验丰富的专利代理师，我将紧密结合**目标专利（CN102150186B）的说明书**，对权利要求1的技术特征进行法律与技术层面的精准解释，并结合三份对比文件的原文及详细出处，为您提供系统的无效检索与创造性对比分析。

---

### 一、 目标专利说明书对权利要求1的解释

在专利无效或侵权诉讼中，权利要求的表达必须结合说明书进行解释：

1. **“监视床（2）上的用户的离床报警系统（5）”**：

* **说明书解释**：[0001]段指出该系统涉及监视用户的生命体征以实现离床报警。[0028]-[0029]段明确指出传感器单元可放置于床垫下方、上方或集成于床垫中，基站可位于床边或护士站。

2. **“一种或多种生理特征”及“对应信号”**（技术特征B、C）：

* **说明书解释**：[0010]及[0030]段明确定义生理特征（生命体征）包括：**脉搏/心率、体温、血压、呼吸率、心率变异性（HRV）**等，传感器生成对应的电信号。

3. **“根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性”**（技术特征F）：

* **说明书解释**：[0040]-[0041]段揭示了其核心机理——夜间离床具有四个阶段（醒来$\rightarrow$注意到需要离床$\rightarrow$坐起来$\rightarrow$离开床）。醒来和交感兴奋会显著改变**心率变异性（HRV）和活动谱**，姿势改变会导致**心率增加**。系统是在用户**做出离床决定或坐起（即未真正离开）时**，通过生理特征的动态变化来预判“将要离床（imminent bed exit）”。

4. **“通过比较……与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性”**（技术特征G）：

* **说明书解释**：[0042]-[0046]段指出，系统具有**自学习/递归学习（recursive learning）**功能。系统利用算法（如支持向量机SVM或神经网络NN）分析在**实际离床之前发生的生理特征变化**，将当前数据与“多次先前的离床数据（历史训练集）”进行比对，评估离床概率并给出可靠性评分（Reliability score）。

---

### 二、 对比文件技术特征比对与公开性分析

**指代说明**：

* **D1**：`JPH08275934A`（公开号：JPH08275934A）

* **D2**：`JPH08322813A`（公开号：JPH08322813A）

* **D3**：`US6067019A`（公开号：US6067019A）

#### 1. 各对比文件公开性分析

* **D1 (JPH08275934A)**：

* **实质公开**：公开了无创采集被测者的生理反应（心电、脉波、呼吸等），提取生理指标并计算生理量模式，结合环境参数和主观量进行相关分析（[0006]、[0027]段）。

* **未公开**：未公开该系统用于“离床报警”，亦未公开根据生理特征变化确定“将要离开床的可能性”及与“先前多次离床数据”进行比对。

* **D2 (JPH08322813A)**：

* **实质公开**：公开了通过心电图的R-R间隔（RRI）计算心率变异性（HRV）的LF/HF成分，用于定量评估精神紧张度、覚醒度（清醒/睡眠状态）及姿势变化（[0002]-[0003]段）。

* **未公开**：仅为一种心拍变异波形分析方法，完全未涉及离床报警系统、传感器测量离床可能性或历史离床数据比对。

* **D3 (US6067019A)**：

* **毫无异议公开**：公开了一种离床检测装置（Bed exit detection apparatus），通过电容传感器检测患者存在/不存在（Col.1, ln 6-15）。

* **实质公开**：公开了通过电容传感器阵列检测患者在床上的位置移动（如坐起、移向床边），并**预测即将发生的离床**（“vacation of the bed by the patient is imminent”，Col.2, ln 10-15；Col.11, ln 15-25）。此外，公开了微处理器根据多次历史偏移数据进行自动校准和模式比对（Col.9-10）。

* **区别/未公开**：D3检测的是**电容/介电常数（Dielectric constant）变化（即物理位置与体重分布）**，而非测量用户自身的**生理特征（如心率、呼吸、HRV等生命体征）**。

---

#### 2. 权利要求1与对比文件特征比对表（Feature Comparison Table）

---

### 三、 最接近对比文件分析与创造性（无效）论证

#### 1. 最接近对比文件的选择

在创造性分析（三步法）中，**D3 (US6067019A)** 是最适合作为**第一最接近对比文件（Primary Reference）**。

* **整体解决的技术问题与效果**：

* **目标专利**要解决的问题是：常规压力垫侵入性高、易疲劳，且无法**提前预测**离床；其技术效果是提供一种不引人注目的提前预判离床系统（说明书[0005]-[0007]）。

* **D3** 同样属于**离床报警领域**，其要解决的技术问题是“如何在不干扰患者舒适度（无侵入）的情况下，提前预测患者即将离床（predict imminent bed exit）以减少误报”（Col.1, ln 10; Col.2, ln 10-25）。技术领域、技术问题和应用场景与目标专利高度一致。

* **为何D1/D2不适合作为最接近对比文件**：

* D1属于环境舒适度与精神压力评估系统；D2属于心电信号处理算法。两者的发明目的、技术领域和实际应用均与“离床报警”相去甚远。

#### 2. 区别技术特征及技术效果

将目标专利权利要求1与最接近对比文件 D3 进行比较，**区别技术特征**在于：

* **D3** 是通过电容传感器测量**空间介电常数/体重物理位置**的变化来预测离床；

* **目标专利权利要求1** 是通过测量用户自身的**生理特征（生命体征，如心率、HRV、呼吸等）**的变化，并将其与多次先前离床期间收集的**生理数据**进行比对，来确定离床可能性。

#### 3. 结合D1/D2进行创造性（无效）攻击的逻辑

* **技术效果与实际解决的技术问题**：区别特征带来的技术效果是利用人体离床前自主神经系统或体征的自然变化（如醒来、交感兴奋导致HRV及心率变化）来实现完全非接触/无感式的离床预测。其解决的实际技术问题是：“如何提供一种利用人体自身生命体征变化来预测离床的技术方案”。

* **结合D1/D2的结合启示（Motivation）**：

* **D2 (JPH08322813A)** 明确公开了：心率变异性（HRV）中的 HF 成分反映安静/睡眠与觉醒状态（[0003]），LF/HF 比值以及心率变化能够实时定量反应人的**觉醒度、精神紧张度及起立性刺激（姿势变化）**（[0002]-[0003]）。

* **结合路径**：本领域技术人员在面对 D3 提出的“预测即将离床”这一需求时，在结合 D2 的教导下，很容易意识到：患者在离床前必然经历“醒来”和“姿势改变（坐起）”的过程，而 D2 已经证实这些过程可以通过测量“心率/HRV等生理特征”来捕获。因此，将 D3 中用于预测离床的“物理位置变化数据”替换或补充为 D2 所教导的“生理特征（HRV/心率）变化数据”，是本领域技术人员结合常规技术手段显而易见的。

---

### 四、 无效请求中最薄弱的技术特征及检索策略

#### 1. 最薄弱的技术特征分析

权利要求1中**最薄弱（最容易被攻破）的技术特征**是：**技术特征G（比较生理特征的变化与在多次先前的用户离床期间收集的数据）**。

* **薄弱原因**：

1. “将当前测量数据与历史多次数据进行比对/算法训练（自学习/监督学习）”属于**本领域的公知常识或通用数据处理手段**。D1（[0008]、[0028]）和 D3（Col.10）均公开了利用历史数据更新判定基准/自动校准的思路。

2. 权利要求1中对“多次先前的用户离床期间收集的数据”仅作了功能性/结果性的限定，未限定任何具体的算法步骤或特征提取细节（如SVM超平面、特征向量类型等）。根据专利审查指南，这种宽泛的功能性限定极易被现有技术中的“机器学习/历史数据比对”通用技术手段所覆盖。

#### 2. 进一步的对比文件检索策略（Search Strategy）

为了实现对权利要求1的**100% 破坏新颖性或强有力地破坏创造性**（即寻找一篇文章完全公开“基于生理特征/生命体征预测离床”），建议采取以下补强检索策略：

1. **核心分类号组合检索（IPC/CPC）**：

* `A61B5/11`（运动/位置检测）、`A61B5/02`（心率/脉搏检测）、`G08B21/04`（离床/跌倒响应报警）。

* 组合表达式：`(A61B5/11 OR G08B21/04) AND (A61B5/02 OR A61B5/08) AND (bed exit OR getting out of bed)`

2. **关键词演变与精准表达**：

* **离床/离座**：`Bed exit`, `Leaving bed`, `Getting out of bed`, `Bed departure`, `Unattended bed`.

* **生理特征/预判**：`Heart rate variability`, `HRV`, `Vital signs`, `Respiration rate`, `Pre-exit`, `Predict`, `Early warning`, `Intention`.

3. **优先权日与专利族检索**：

* 目标专利最早优先权日为 **2008年11月13日**（CN102150186B）。必须重点检索 **2008年11月13日之前** 临近3-5年（2003年-2008年）发表的IEEE学报、Medline/PubMed学术论文（如关于利用ECG/BCG预测患者离床意图的临床研究文章）。

4. **非专利文献（NPL）侧重**：

* 医疗监视领域大量算法率先发表于学术会议。建议重点检索 IEEE Transactions on Information Technology in Biomedicine、IEEE EMBC（工程医学生物学大会）关于“Unobtrusive Bed Exit Prediction using Vital Signs”或“Ballistocardiogram (BCG) for Bed Exit Detection”的文献。这类文献极易直接公开利用压电/气动传感器采集床褥上的心跳/呼吸信号来预测离床的技术方案。

```python?code_reference&code_event_index=1

import weasyprint

print(weasyprint.__version__)

```

```text?code_stdout&code_event_index=1

62.3

```

```python?code_reference&code_event_index=2

import os

# Define the HTML content and CSS

html_content = """<!DOCTYPE html>

<html lang="zh-CN">

<head>

<meta charset="UTF-8">

<title>权利要求无效及创造性对比分析报告</title>

<style>

@page {

size: A4;

margin: 18mm 15mm 18mm 15mm;

@bottom-right {

content: "第 " counter(page) " 页 / 共 " counter(pages) " 页";

font-family: "PingFang SC", "Microsoft YaHei", "SimSun", sans-serif;

font-size: 8.5pt;

color: #718096;

}

@bottom-left {

content: "专利无效及创造性比对分析报告 — 离床报警系统";

font-family: "PingFang SC", "Microsoft YaHei", "SimSun", sans-serif;

font-size: 8.5pt;

color: #718096;

}

}

* {

box-sizing: border-box;

}

body {

font-family: "PingFang SC", "Microsoft YaHei", "SimSun", sans-serif;

font-size: 10pt;

line-height: 1.6;

color: #2d3748;

background-color: #ffffff;

margin: 0;

padding: 0;

}

/* Banner Header */

.header-banner {

background-color: #1a365d;

color: #ffffff;

padding: 22px 20px;

margin: -18mm -15mm 20px -15mm;

border-bottom: 4px solid #2b6cb0;

}

.header-banner h1 {

font-size: 18pt;

font-weight: bold;

margin: 0 0 6px 0;

padding: 0;

letter-spacing: 0.5px;

}

.header-banner .subtitle {

font-size: 10.5pt;

color: #cbd5e0;

margin: 0;

}

/* Metadata Box */

.meta-grid {

width: 100%;

margin-bottom: 20px;

border-collapse: collapse;

background-color: #f7fafc;

border: 1px solid #e2e8f0;

border-radius: 4px;

}

.meta-grid td {

padding: 8px 12px;

font-size: 9.5pt;

border-bottom: 1px solid #edf2f7;

}

.meta-grid td.label {

font-weight: bold;

color: #4a5568;

width: 18%;

background-color: #edf2f7;

}

.meta-grid td.value {

color: #2d3748;

width: 32%;

}

/* Headings */

h2 {

font-size: 13pt;

color: #1a365d;

border-left: 4px solid #2b6cb0;

padding-left: 8px;

margin-top: 22px;

margin-bottom: 10px;

page-break-after: avoid;

}

h3 {

font-size: 11pt;

color: #2c5282;

margin-top: 14px;

margin-bottom: 6px;

page-break-after: avoid;

}

p {

margin-top: 0;

margin-bottom: 8px;

text-align: justify;

}

/* Highlight Box */

.callout-box {

background-color: #ebf8ff;

border-left: 4px solid #3182ce;

padding: 10px 14px;

margin: 12px 0;

border-radius: 0 4px 4px 0;

font-size: 9.5pt;

}

.callout-box-warning {

background-color: #fffaf0;

border-left: 4px solid #dd6b20;

padding: 10px 14px;

margin: 12px 0;

border-radius: 0 4px 4px 0;

font-size: 9.5pt;

}

/* Tables */

table.comparison-table {

width: 100%;

border-collapse: collapse;

margin: 12px 0 18px 0;

font-size: 8.5pt;

}

table.comparison-table th {

background-color: #2b6cb0;

color: #ffffff;

font-weight: bold;

padding: 7px 8px;

border: 1px solid #2b6cb0;

text-align: left;

}

table.comparison-table td {

padding: 7px 8px;

border: 1px solid #cbd5e0;

vertical-align: top;

line-height: 1.45;

}

table.comparison-table tr:nth-child(even) {

background-color: #f7fafc;

}

.tag-disclosed {

color: #22543d;

background-color: #c6f6d5;

font-weight: bold;

padding: 1px 4px;

border-radius: 3px;

display: inline-block;

}

.tag-not-disclosed {

color: #742a2a;

background-color: #fed7d7;

font-weight: bold;

padding: 1px 4px;

border-radius: 3px;

display: inline-block;

}

.tag-partial {

color: #744210;

background-color: #feebc8;

font-weight: bold;

padding: 1px 4px;

border-radius: 3px;

display: inline-block;

}

/* Lists */

ul, ol {

margin-top: 4px;

margin-bottom: 8px;

padding-left: 20px;

}

li {

margin-bottom: 4px;

}

.source-quote {

font-size: 8pt;

color: #4a5568;

background-color: #edf2f7;

padding: 4px 6px;

border-radius: 3px;

margin-top: 4px;

display: block;

font-family: "Courier New", Courier, monospace;

}

</style>

</head>

<body>

<div class="header-banner">

<h1>权利要求无效及创造性对比分析报告</h1>

<div class="subtitle">专利法律分析与检索策略建议 — 目标专利：CN102150186B《离床报警系统》</div>

</div>

<table class="meta-grid">

<tr>

<td class="label">分析目标专利</td>

<td class="value">CN102150186B（离床报警系统）</td>

<td class="label">目标分析权利要求</td>

<td class="value">权利要求1（独立权利要求）</td>

</tr>

<tr>

<td class="label">对比文件 D1</td>

<td class="value">JP4081229B2（取出机器人程序）</td>

<td class="label">对比文件 D2</td>

<td class="value">US20080132808A1（床占用监视系统）</td>

</tr>

<tr>

<td class="label">对比文件 D3</td>

<td class="value">US20080169931A1（离床与患者检测）</td>

<td class="label">分析角度</td>

<td class="value">结合说明书解释、特征比对、创造性与最薄弱特征分析</td>

</tr>

</table>

<h2>一、 目标专利说明书对权利要求1的解释</h2>

<p>在专利诉讼与无效宣告程序中，权利要求的术语应当结合目标专利说明书及附图进行合理解释，以确定其真实的技术边界：</p>

<ul>

<li><strong>“生理特征”（技术特征B、F、G）：</strong> 结合说明书第[0001]、[0010]、[0022]、[0030]段及图2，该生理特征明确包含生命体征（Vital Signs），如<b>脉搏/心率、心率变异性（HRV）、体温、血压、呼吸率</b>以及体动等。系统旨在通过完全“不引人注目（Unobtrusive）”的方式连续监视上述指标。</li>

<li><strong>“确定该用户将要离开床的可能性”（技术特征F、G）：</strong> 结合说明书第[0038]-[0048]段，该过程<b>并非</b>指简单的在患者已离开床（重量清零）后的事后检测，而是<b>在前瞻性（Predictive）阶段</b>，依据离床过程中各阶段（醒来→产生欲望/交感兴奋→坐起→离床）所伴随的生理特征变化（如醒来与交感兴奋引起的心率变异性HRV改变、坐起引起的姿势性心率增加等），预测离床事件发生的概率。</li>

<li><strong>“与在多次先前的用户离床期间收集的数据进行比较”（技术特征G）：</strong> 结合说明书第[0042]-[0047]段及图4，此特征指系统具备<b>自学习/递归学习（Recursive Learning）机制</b>。系统利用床存在传感器（如压力传感器18）确认实际离床发生后，将此前积累的历史生理变化数据作为训练集，采用<b>监督分类算法（如支持向量机SVM或神经网络NN）</b>更新离床预测算法，从而对特定个人的行为特征变化进行动态自适应。</li>

</ul>

<h2>二、 对比文件技术特征比对分析（含详细原文出处）</h2>

<p>下表详细记录了权利要求1的技术特征A~G在三份对比文件（D1: JP4081229B2, D2: US20080132808A1, D3: US20080169931A1）中的公开情况及比对结论：</p>

<table class="comparison-table">

<thead>

<tr>

<th style="width: 12%;">特征编号</th>

<th style="width: 20%;">权利要求1技术特征拆解</th>

<th style="width: 22%;">对比文件 D1<br>(JP4081229B2)</th>

<th style="width: 23%;">对比文件 D2<br>(US20080132808A1)</th>

<th style="width: 23%;">对比文件 D3<br>(US20080169931A1)</th>

</tr>

</thead>

<tbody>

<tr>

<td><b>特征 A</b></td>

<td>一种用于监视床（2）上的用户的离床报警系统（5），该系统包括一个或多个传感器（10）；</td>

<td><span class="tag-not-disclosed">未公开</span><br>领域非床用监视，系工业取出机器人程序制造装置（【0001】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了床占用监视系统及压力传感器阵列5（[0015],[0048]）。<span class="source-quote">"...a bed occupant monitoring system comprising a pressure sensitive member... sensor 5..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了病床离床及患者检测系统，包括传感器阵列14（[0040],[0052]）。<span class="source-quote">"...patient monitoring system 10... sensing array 14..."</span></td>

</tr>

<tr>

<td><b>特征 B</b></td>

<td>所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征；</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅涉及机器人位置/速度量化测算（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>传感器用于测量呼吸（pulmonary）及心率（heart rate）等生理特征（[0029],[0060]）。<span class="source-quote">"...computing a heart rate... respiration rate... from measured pressure signals."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>压电薄膜传感器32用于测定心率（heart rate）和呼吸率（respiratory rate）（[0001],[0051]）。<span class="source-quote">"...monitoring vital signs such as heart rate and respiratory rate..."</span></td>

</tr>

<tr>

<td><b>特征 C</b></td>

<td>所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号；</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅产生机器人轴位与速度信号（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>传感器产生反应生理特征的波能/光电信号（[0015],[0026]）。<span class="source-quote">"...pressure sensors configured to provide an optical pressure signal..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>传感器产生指示生命体征的电信号并传送至基站（[0041],[0051]）。<span class="source-quote">"...produce an electrical signal in response to physiological patient stimuli..."</span></td>

</tr>

<tr>

<td><b>特征 D</b></td>

<td>和处理器（12）；</td>

<td><span class="tag-disclosed">实质公开</span><br>公开了控制部的程序生成部及更新手段（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了微处理器（Microprocessor 32）及信号处理器（[0057],[0060]）。<span class="source-quote">"...A microprocessor is coupled... signal processing function..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了床旁单元12中的信号处理器与报警处理器（[0041],[0046]）。<span class="source-quote">"...houses a signal processor and an alarm processor..."</span></td>

</tr>

<tr>

<td><b>特征 E</b></td>

<td>所述处理器（12）适于监视所述对应信号；</td>

<td><span class="tag-not-disclosed">未公开</span><br>监视对象为机器人轴移动指令与反馈（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>微处理器/处理器读取并连续监视采样后的生理特征信号（[0057],[0060]）。<span class="source-quote">"...sampled signal is read by micro-processor... implements signal processing..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>处理器接收、缓冲并持续监视传感器的信号（[0044],[0048]）。<span class="source-quote">"...programmed to continually observe the state of the various pressure sensors..."</span></td>

</tr>

<tr>

<td><b>特征 F</b></td>

<td>并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性；</td>

<td><span class="tag-not-disclosed">未公开</span><br>无离床确定功能。</td>

<td><span class="tag-partial">实质/部分公开</span><br>通过监测生理信号导数/波形大扰动（体动）及结合预定阈值预测/确定离床（[0026],[0063]）。<span class="source-quote">"...detect the impending egress of a bed occupant... bodily movement 56..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>根据生理/位置传感信号的组合模式确定用户是否正在尝试（attempting/likely）离床（[0017],[0048]）。<span class="source-quote">"...evaluate a patient's position... to determine whether a patient... is likely to be exiting the bed."</span></td>

</tr>

<tr>

<td><b>特征 G</b></td>

<td>其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅为机器人教示程序的多次重复调整（【0003】）。</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅基于预设固定的阈值或自适应当前波形判断，<b>未公开基于多次历史离床收集数据的自学习/训练比对</b>（[0064]）。</td>

<td><span class="tag-not-disclosed">未公开</span><br>基于预设的逻辑规则表（Logic Rules Table 9-11）与消抖时间判断，<b>未公开利用历史离床事件积累数据进行比对/自适应学习</b>（[0068]-[0079]）。</td>

</tr>

</tbody>

</table>

<h2>三、 最接近对比文件的选择与技术效果分析</h2>

<h3>1. 各对比文件的技术领域、解决的问题与技术效果</h3>

<ul>

<li><strong>D1 (JP4081229B2)：</strong> 属于工业自动化控制领域（塑料注塑成型机取出机器人的教示程序生成）。其解决的问题是如何简化取出机器人动作修正时的程序编辑，效果是提高程序修改效率。<b>技术领域、技术问题与技术方案均与目标专利完全无关，完全不适合作为最接近的对比文件。</b></li>

<li><strong>D2 (US20080132808A1)：</strong> 属于医疗监视设备领域。解决的问题是在不给患者带来不适的前提下，连续监视床占用者的生命体征（心率、呼吸）及体动，并预测离床（Impending Egress）。其效果是实现无创无感监视与离床预警。</li>

<li><strong>D3 (US20080169931A1)：</strong> 属于医疗监视设备领域。解决的问题是如何提高离床检测与生命体征监视的准确性、降低虚警率（False Positives）。其效果是通过多区域传感器与逻辑规则组合，精准确定患者是在床上活动还是正在离床（Likely exiting）。</li>

</ul>

<div class="callout-box">

<strong>最接近对比文件结论：</strong><br>

<b>D3 (US20080169931A1) 与 D2 (US20080132808A1) 均非常适合作为最接近的对比文件（主对比文件）。</b><br>

其中，<b>D3 最为贴切</b>。因为 D3 不仅公开了与目标专利高度相同的“生理特征（心率/呼吸）监视与离床报警系统”整体架构，而且其专利核心同样着眼于“区分床上正常体动与试图离床行为，降低误报率”。

</div>

<h3>2. 区别特征及其在其他对比文件中的公开情况</h3>

<p>以 <b>D3 为最接近的对比文件</b>（或以 D2 为最接近的对比文件）进行创造性分析：</p>

<ul>

<li><b>区别技术特征：</b>目标专利权利要求1的<b>技术特征G</b>（处理器适于通过比较生理特征的变化与在<i>多次先前的用户离床期间收集的数据</i>来确定离床可能性）。</li>

<li><b>区别特征在其他对比文件中的公开情况：</b>

<ul>

<li>D2 未公开特征G。D2 仅公开了基于预设阈值或当前生理信号的导数变化（如体动峰值56）来判断离床。</li>

<li>D1 中虽然提到了“多次重复调整”（【0003】），但那是指人工反复调试机器人教示程序，与“基于患者多次历史离床收集的生理数据进行自动化机器学习比对”存在根本的技术领域与本质区别，不构成特征公开。</li>

<li>因此，<b>技术特征G未被对比文件 D1、D2、D3 中的任何一份公开。</b></li>

</ul>

</li>

</ul>

<h2>四、 提出无效宣告请求时的最薄弱技术特征与法律风险</h2>

<div class="callout-box-warning">

<strong>最薄弱技术特征分析（防守方最强/攻击方最弱点）：</strong><br>

权利要求1中最薄弱的攻击点（即专利权人最坚固的防线）是 <b>技术特征G</b>。

</div>

<p><b>详细原因分析：</b></p>

<ol>

<li><strong>缺少直接的技术教导（Prior Art Gap）：</strong> 现有三篇对比文件（D1-D3）均未公开“利用多次先前的离床事件收集的历史生理数据进行训练/比较（即自学习/机器学习递归自适应）”这一特征。D2/D3 采用的均是静态阈值或预设逻辑规则。</li>

<li><strong>显著的技术效果支撑：</strong> 目标专利说明书第[0042]-[0046]段明确指出，不同患者醒来、坐起至离床的时间和生理反应模式不同，且同一个人随着药物或身体状况变化也会改变。特征G通过递归学习（如SVM超平面训练），能够<b>自动适应特定患者个人的行为变化，从而显著降低误报率（False Positive）并提供可靠性评分</b>。这构成了预期的有益技术效果（Technical Effect）。</li>

<li><strong>组合逻辑不足（Lack of Motivation）：</strong> 仅凭 D1-D3 的现有组合，无法直接推导出“将机器学习自适应历史数据比较机制引入到离床报警的生理特征分析中”的公知常识组合动机。因此，仅基于现有三篇对比文件，<b>无法成功宣告权利要求1无效</b>。</li>

</ol>

<h2>五、 进一步对比文件检索策略建议</h2>

<p>为了成功无效目标专利权利要求1，必须针对<b>技术特征G（基于历史离床数据/机器学习/SVM/神经网络的自适应离床预测）</b>补充检索第二代对比文件。建议采取以下检索策略：</p>

<h3>1. 检索要素表达（Search Elements & Keywords）</h3>

<ul>

<li><strong>主题要素（离床/病床监视）：</strong> Bed exit, Bed egress, Bed monitor, Bed occupancy, Leave bed, Patient monitoring.</li>

<li><strong>算法/自学习要素（特征G核心）：</strong> Machine learning, Support vector machine (SVM), Neural network, Historical data, Prior events, Previous bed exits, Training data, Classification, Adaptive, Recursive learning, Self-learning.</li>

<li><strong>生理特征组合要素：</strong> Vital signs, Heart rate, Respiration rate, Heart rate variability (HRV), Physiological signals.</li>

</ul>

<h3>2. 推荐分类号（IPC / CPC Classifications）</h3>

<ul>

<li><b>A61B5/11</b>：测量患者运动方向或位置的设备；体动检测。</li>

<li><b>A61B5/00</b>：患者监视系统、结合机器学习的生物信号处理（A61B5/7267）。</li>

<li><b>G16H50/20</b>：用于医疗诊断/风险评估的计算机辅助系统（含AI/机器学习在医疗中的应用）。</li>

<li><b>G08B21/04</b>：响应个体不动作或特定行为（如跌倒、离床）的报警系统。</li>

</ul>

<h3>3. 补充检索数据库与策略方向</h3>

<ol>

<li><strong>追溯同族与引用专利：</strong> 重点检索 CN102150186B（或其同族 WO2010032172A1）在前体审查过程、美国/欧洲同族（如 US20110169644A1）审查历史（File Wrapper）中所引用的对比文件。</li>

<li><strong>医疗 AI 与模式识别交叉领域检索：</strong> 将检索范围从传统的“硬件床垫/传感器专利”拓展至<b>“医疗数据算法/软件专利”与科技文献（IEEE, PubMed）</b>。重点寻找在2009年9月15日（优先权日）之前，将 SVM 或神经网络应用于患者体动/生理信号预测离床的学术论文或专利文献。</li>

</ol>

</body>

</html>

"""

# Save HTML file

html_filename = "analysis_report.html"

pdf_filename = "权利要求无效及创造性对比分析报告.pdf"

with open(html_filename, "w", encoding="utf-8") as f:

f.write(html_content)

# Convert HTML to PDF using WeasyPrint

weasyprint.HTML(html_filename).write_pdf(pdf_filename)

print(f"PDF created successfully: {pdf_filename}")

```

```text?code_stdout&code_event_index=2

PDF created successfully: 权利要求无效及创造性对比分析报告.pdf

```

Your PDF file is ready

[file-tag: code-generated-file-eb189306-d1b3-4dbe-a485-dc75e2bd14a2]

---

# 权利要求无效宣告与创造性对比分析报告

**目标专利：** CN102150186B《离床报警系统》

**分析对象：** 权利要求1（独立权利要求）

**对比文件：**

- **D1：** JP4081229B2（2008-04-23，*Teaching program manufacturing equipment of the take-out robot*）

- **D2：** US20080132808A1（2008-06-05，*BED OCCUPANT MONITORING SYSTEM*）

- **D3：** US20080169931A1（2008-07-17，*BED EXIT AND PATIENT DETECTION SYSTEM*）

---

### 一、 紧密结合目标专利说明书对权利要求1的解释

在专利无效或诉讼程序中，权利要求的技术特征必须紧密结合目标专利说明书（CN102150186B）及附图进行合理解释，以明确其确切的技术边界：

1. **“生理特征”（技术特征B、F、G）：**

* **说明书解释：** 结合说明书第[0001]、[0010]、[0022]、[0030]段及图2，该系统中的“生理特征”明确指生命体征（Vital Signs），具体包括**脉搏/心率、心率变异性（HRV）、体温、血压、呼吸率**以及体动。系统旨在采用无感、无创（Unobtrusive）的方式在床垫下/内连续监测上述指标。

2. **“确定该用户将要离开床的可能性”（技术特征F、G）：**

* **说明书解释：** 结合说明书第[0038]-[0041]段，离床过程包含四个阶段（醒来 → 产生离开欲望/交感兴奋 → 坐起 → 离床）。处理器并非仅在离床发生后（重量清零）才报警，而是在**前瞻性（Predictive）阶段**，利用醒来与交感兴奋引发的心率变异性（HRV）模式变化以及姿势改变（坐起）引发的心率增加，在前预测用户离开床的可能性（概率）。

3. **“与在多次先前的用户离床期间收集的数据进行比较”（技术特征G）：**

* **说明书解释：** 结合说明书第[0042]-[0047]段及图4，该特征对应系统的**递归学习/自学习机制（Recursive Learning）**。系统结合实际离床检测传感器（如压力传感器18），在确认每次实际离床发生后，将先前积累的历史生理特征数据作为训练样本，采用**监督分类算法（如支持向量机 SVM 或神经网络 NN）**更新预测超平面/算法，从而动态自适应特定个体（如因药物或身体状况改变）的行为习惯。

---

### 二、 对比文件特征比对表格及详细原文出处

下表详细拆解了权利要求1的技术特征 A~G 在各对比文件中的公开情况及具体原文出处：

---

### 三、 最接近对比文件的选择与创造性分析

#### 1. 各对比文件的技术领域、解决的问题与技术效果

* **D1 (JP4081229B2)：** 属于工业自动化（机器人程序教示）领域，解决机器人动作修正繁琐的问题。**技术领域、解决的技术问题及技术方案均与目标专利完全无关**，不适合作为最接近的对比文件。

* **D2 (US20080132808A1)：** 属于医疗监视设备领域，解决在不干扰患者的前提下无感监测生命体征（心率/呼吸）及预测离床（Impending Egress）的问题。

* **D3 (US20080169931A1)：** 属于医疗监视设备领域，解决现有床垫误报率高（False Positives）、无法区分正常体动与试图离床行为的问题，效果是实现精准的离床预警和生命体征监控。

> **最接近对比文件结论：**

> **D3 (US20080169931A1) 与 D2 (US20080132808A1) 均非常适合做最接近的对比文件**。其中 **D3 最为贴切**，因为 D3 不仅公开了完整的生理特征（心率/呼吸）监视与离床报警系统，而且其专利核心同样着眼于“通过信号组合模式降低离床误报率”，与目标专利的技术问题和效果高度重合。

#### 2. 区别技术特征及其公开情况

* **以 D3（或 D2）为主对比文件时的区别特征：** 权利要求1的**技术特征 G**（通过比较生理特征的变化与在*多次先前的用户离床期间收集的数据*来确定离床可能性）。

* **公开情况：**

* D2 和 D3 采用的均是预设静态阈值或预定义逻辑规则表（Debounce Time & Logic Rules），未公开利用历史离床收集数据进行机器学习/自学习。

* D1 的“多次调整”是指人工调试工业机器人程序，与生物医疗领域的“机器学习/自适应算法”存在本质区别。

* **结论：技术特征G未被对比文件 D1、D2、D3 中的任何一份公开。**

---

### 四、 无效宣告请求中最薄弱的技术特征

在针对权利要求1提起无效宣告请求时，**最薄弱的技术特征（即无效攻击方最难攻破、专利权人防御最坚固的特征）是：技术特征 G**。

**原因分析：**

1. **现有对比文件缺少教导：** 在现有提供的对比文件（D1-D3）中，均未揭示“利用多次先前离床收集的数据（即历史训练集）对当前的生理特征变化进行比对/分类”的技术手段。

2. **具有预期的有益技术效果：** 目标专利说明书第[0042]-[0046]段明确指出，不同个体的离床行为模式存在差异，且同一患者的身体状况或药物改变也会导致生理特征变化。特征G通过监督分类算法（如 SVM 超平面）进行递归自适应学习，**显著提高了离床预测的可靠性，降低了误报率（False Positives）**。

3. **显而易见性不足：** 仅凭 D1-D3 的结合，无法得出将“历史离床数据自学习比对”应用于“基于生理特征的离床预测”中的公知常识组合动机。因此，**仅基于现有三篇对比文件，无法成功无效权利要求1**。

---

### 五、 进一步的对比文件检索策略建议

为了成功攻破技术特征G并无效权利要求1，建议按照以下策略补充第二代对比文件检索：

#### 1. 检索要素表达（Keywords & Concepts）

* **主题要素（离床/病床监视）：** Bed exit, Bed egress, Bed monitor, Bed occupancy, Leave bed, Patient monitoring.

* **算法/自学习要素（特征G核心）：** Machine learning, Support vector machine (SVM), Neural network, Historical data, Prior events, Previous bed exits, Training data, Classification, Adaptive, Self-learning, Recursive learning.

* **生理特征要素：** Vital signs, Heart rate, Respiration rate, Heart rate variability (HRV), Physiological signals.

#### 2. 推荐分类号（IPC / CPC）

* **A61B5/11：** 测量患者运动方向或位置的设备；体动检测。

* **A61B5/00：** 患者监视系统；结合机器学习的生物信号处理（A61B5/7267）。

* **G16H50/20：** 用于医疗诊断/风险评估的计算机辅助系统（含 AI/机器学习在医疗中的应用）。

* **G08B21/04：** 响应个体不动作或特定行为（如跌倒、离床）的报警系统。

#### 3. 检索方向与扩展渠道

1. **深入同族与审查历史（File Wrapper）：** 检索目标专利（CN102150186B / WO2010032172A1）及其美国/欧洲同族（如 US20110169644A1）在各国审查阶段考量过的所有对比文件。

2. **跨学科检索（医疗AI与模式识别）：** 将检索范围从传统的“硬件床垫/传感器专利”扩大到**“医疗信号处理算法专利”及学术论文（IEEE Xplore, PubMed）**。重点查找在优先权日（2009年9月15日）之前，将 SVM 或神经网络应用于患者体动/生理信号预测离床的技术文献。

针对目标专利（**CN102150186B《离床报警系统》**，即权利要求1的目标专利）以及所给出的三份对比文件，作为专利代理师，我将为您进行深入的法律与技术比对分析。

---

## 一、 目标专利说明书对权利要求1的解释

在进行新颖性与创造性分析前，需紧密结合目标专利说明书（CN102150186B）对权利要求1的术语和技术方案进行准确界定：

1. **传感器（10）及其测量的“生理特征”**：

* **说明书界定**：根据说明书[0010]、[0030]段，生理特征包括心率、脉率、呼吸率、体温、血压或心率变异性（HRV）。

* **技术实现**：根据[0028]、[0034]段，传感器可以是布置在床垫下方的无源/有源压力传感器或应变计，其不仅能通过高灵敏度检测微弱的生理振动（如心跳、呼吸导致的力学微变），还能兼作床占用检测。

2. **根据“生理特征的变化”确定“离开床的可能性（预测）”**：

* **说明书界定**：根据说明书[0005]、[0040]-[0042]段，本发明强调的是在用户**真正离开床之前**进行**提前预测**，而非仅仅在人离开后（体重释放）发出事后报警。

* **生理机制**：说明书揭示了离床事件前生理特征的演变阶段：醒来（反映在心率变异性HRV及活动谱变化）$\rightarrow$ 产生离床意图（交感兴奋作用，导致HRV模式再次变化）$\rightarrow$ 坐起（姿势变化导致心率增加及压力分布改变）$\rightarrow$ 离床。

3. **核心限定——“通过比较……与在多次先前的用户离床期间收集的数据来确定……”（特征G）**：

* **说明书界定**：根据说明书[0042]-[0046]段，系统具有“自学习/递归学习（Recursive Learning）”能力。系统利用在**最近$n$次（多次）先前离床事件**中记录的该特定个人的生理数据，通过训练**监督分类算法**（如支持向量机SVM或神经网络NN）来自动自适应建立/更新超平面或概率模型，从而定制个性化的离床预测算法。

---

## 二、 对比文件技术特征比对与公开性分析

以下对三份对比文件进行详细剖析，指出其公开或实质公开的具体特征及原文详细出处（英文段落）。

### 1. 对比文件1：US20080005838A1 (以下简称 D1)

* **公开号**：US20080005838A1

* **技术方案概述**：公开了一种集成在患者支撑装置（如病床）上的生命体征监视系统，通过位于支撑架构四角的力传感器（Load cell）测量患者体重、呼吸率（Breathing rate）、心率（Heart rate），并可检测癫痫发作（Seizure）及床离开（Bed exit）。

* **对权利要求1各特征的比对分析**：

* **特征A、B、C（传感器及生理信号产生）**：**毫无疑问公开**。

* *原文出处*：[0005] "...includes a support, at least one force sensor, and a controller... determine from the signal either a breathing rate, a heart rate, or both..."; [0027]-[0031] 详细描述了4个力传感器44检测生理振动并生成信号70。

* **特征D、E（处理器及监视）**：**毫无疑问公开**。

* *原文出处*：[0030] "...transmitted to a controller 68... processes them in a manner that will be described below..."; [0031] "...controller 68 which performs an analysis of the data contained within the electrical signals 70."

* **特征F（根据生理特征变化确定离床可能性）**：**实质公开（或近乎完全公开）**。

* *原文出处*：D1在[0057]指出“The monitoring of the patient's weight may also be performed as part of, or separately from, a patient bed exit system in which controller issues an alert when it detects that the patient's weight has substantially or completely been lifted off of patient support deck 28.”同时，D1在[0016]、[0024]、[0048]（图16、17）中分析了患者在床上“坐起（sitting-up）”时心率/呼吸生理信号与力学信号的变化。因此，D1公开了利用传感器监视生理/体重信号变化来判断离床或进行离床报警。

* **特征G（对比多次先前离床收集的数据预测）**：**未公开**。

* *分析*：D1的离床报警仅基于简单的实时体重阀值（抬离床板），其心率/呼吸分析采用的是快速傅里叶变换（FFT）（[0032]、[0038]），并没有记录**多次先前离床历史生理数据**并进行比较学习来预测离床的技术手段。

---

### 2. 对比文件2：US20080021731A1 (以下简称 D2)

* **公开号**：US20080021731A1

* **技术方案概述**：公开了一种用于监视患者支撑物（床、轮椅等）离开并发起响应的方法与系统，利用摄像头、RFID、光束阵列或传感器监视患者动作，结合**患者个人档案（Patient Profile）**预测离床行为。

* **对权利要求1各特征的比对分析**：

* **特征A、D（传感器与处理器）**：**毫无疑问公开**。

* *原文出处*：[0015] "...one or more cameras... to a computer system (e.g., a local computer referred to as the 'in room controller')..."；[0023]、[0024]、[0093]公开了传感器矩阵（光束矩阵、RFID网格等）。

* **特征B、C（测量生理特征及产生信号）**：**未公开（或仅广义提示）**。

* *分析*：D2主要通过图像（摄像头）、空间位置（RFID/光束阵列）来监控患者的肢体物理姿态（如滑动、翻身、甩腿，见[0016]、[0038]）。D2在[0022]、[0028]中提到了“biometric measuring devices”及“vital signs”，但其核心算法（[0039]、[0040]、[0113]）预测离床完全基于**肢体空间姿态坐标（spatial coordinates/movements）**，而非测量和分析心率、呼吸等**生理特征（physiological characteristics）的变化**。

* **特征E、F（监视信号根据变化确定离床可能性）**：**实质公开**（基于行为姿态）。

* *原文出处*：[0016] "...analyzes the position of the patient... determine whether or not the patient is preparing to exit the support..."; [0039]-[0040] 描述了识别离床前兆动作以预测离床。

* **特征G（对比多次先前离床收集的数据预测）**：**实质公开（在姿态/动作维度）**。

* *原文出处*：[0017] "According to another aspect... each patient may have a personal profile that includes... stored data relating to the specific body movements and behaviors that are most predictive of support exiting by that patient."; [0019] "...information feedback loop... update a patient profile... action of verifying or rejecting... used to either automatically update the patient profile..."; [0020] "...as the profile is updated over time to account for learned support exiting behavior...".

* *分析*：D2公开了收集特定患者历史上的离床行为，更新个人档案（Profile），并通过与历史离床动作/姿态数据对比来预测离床。**但D2对比的数据是物理姿态/位置数据，而非生理特征数据。**

---

### 3. 对比文件3：US07336187B2 (以下简称 D3)

* **公开号**：US07336187B2

* **技术方案概述**：公开了一种患者活动监视系统（Patient Activity Monitor, PAM），利用铺在床上的力传感器阵列（Smart Sheet）检测患者的心跳、呼吸及体位活动，并可通过历史数据建立数据库进行算法匹配和报警。

* **对权利要求1各特征的比对分析**：

* **特征A、B、C（传感器及生理特征测量）**：**毫无疑问公开**。

* *原文出处*：[0026] "...sensor device 110 comprises a replaceable laminar sensor pad ('smart sheet')... to track and chronicle predetermined patient activities as well as physiological characteristics such as heartbeat and respiration."

* **特征D、E（处理器及监视）**：**毫无疑问公开**。

* *原文出处*：[0027] "Each remote monitoring unit 108 includes a suitable microprocessor... operative to convert the patient information into one or more indications of the patient's status..."; [0029] 说明中央监控单元102处理信息。

* **特征F（根据生理特征变化确定离床可能性/状态）**：**毫无疑问公开**。

* *原文出处*：[0027] "...convert the patient information into one or more indications of the patient's status, e.g., the patient may be out-of-bed, agitated, or incontinent."; [0057] 明确列出了识别的状态包括“10-out of bed”、“6/11-edge limit”、“15-nurse call”等。

* **特征G（对比多次先前离床收集的数据预测）**：**实质公开（部分/相似技术手段）**。

* *原文出处*：[0027] "It is noted that each remote monitoring unit 108 may be employed as a remote data logger of patient activities to create an activity database of real-time patient movements, which may be used to develop algorithms for determining the patients' current status."; [0057] "For example, each remote monitoring subsystem may include a memory... with preloaded objects representing the various patient actions listed above... The remote monitoring subsystem then does a comparison analysis of real sensed patient actions against the stored objects to find a fit... or any other suitable match."

* *分析*：D3公开了记录患者历史活动的数据库，并与预先存储的/建立的对象（Objects/Profiles）进行比较分析来判断离床等状态。**但D3侧重于将实时动作与存储的静态模板/模式匹配来判断“当前状态”（Out of Bed），未明确揭示直接利用“多次先前离床期间收集的生理特征（心率/呼吸）数据”来进行机器学习训练以“预测”离床。**

---

## 三、 特征比对表格（Feature Mapping Table）

---

## 四、 创造性分析：最接近的对比文件选择

在专利无效宣告或创造性评估（参照中国《专利审查指南》“三步法”）中，选择最接近的现有技术（最接近的对比文件）需综合考虑**技术领域、解决的技术问题、技术效果以及公开的技术特征数量**。

本案中，**D3（US07336187B2）** 和 **D1（US20080005838A1）** 均可作为最接近的对比文件，其中**D3最为合适**。

### 1. 为什么选择 D3 为最接近的对比文件（第一候选）？

* **技术领域与手段高度重合**：D3与目标专利均属于通过放置在床上的非侵入式压敏/力学传感器（Smart Sheet）来监测患者**生理特征（心跳、呼吸）**及体位变化的系统。

* **解决的技术问题一致**：两者均致力于解决如何在不给患者带来不适（无侵入感）的前提下，监视患者活动并在患者出现离床（Out of Bed）等危险行为时及时报警，同时降低误报率。

* **技术特征覆盖最多**：D3公开了特征A、B、C、D、E、F。

* **区别技术特征**：目标专利权利要求1相对于D3的区别特征在于**特征G**（具体限定为：通过将生理特征的变化与**在多次先前的用户离床期间收集的数据**进行比较来确定离床的可能性）。

* **实际解决的技术问题**：如何提高针对特定个人离床预测的准确性并降低误报率（实现个性化自适应预测）。

### 2. 为什么 D1 也可以作为最接近的对比文件（第二候选）？

* **技术方案类似**：D1同样利用床上的力传感器（Load cells）同时测量心率、呼吸和体重变化，并具备离床报警功能（[0057]）。

* **区别特征**：相对于D1，目标专利的区别在于D1缺乏“递归学习/历史数据比对预测”这一机制（特征G），D1仅依赖FFT频域分析和实时阀值。

---

## 五、 结合其他对比文件的组合创造性分析

针对上述区别特征（**特征G：利用多次先前离床期间收集的生理特征数据进行比对/学习以预测离床**）：

1. **D2 的组合教导作用**：

* D2（US20080021731A1）的核心教导在于**“自学习与历史Profile更新机制”**。D2明确公开了通过监控设备收集特定患者历史上的离床动作，建立/更新个人离床档案（Patient Profile），并将实时监测到的数据与多次先前验证过的离床历史数据进行比较，从而提高离床预测准确性、减少误报（[0017]、[0019]、[0020]）。

* **结合逻辑**：审查员/无效请求人极易将 **D3（或D1）与 D2 进行组合**。审查员会认为：D3已经公开了利用传感器监测生理特征和离床状态，而D2已经给出了“将实时监测数据与多次先前离床收集的数据进行比较以优化离床预测”的技术教导。本领域技术人员在面对“如何提高D3离床预测准确性”这一技术问题时，有动机将D2中的历史数据比对/自学习档案机制应用到D3的生理特征监测中，从而得出权利要求1的技术方案。

---

## 六、 无效请求中最薄弱的技术特征分析

如果在专利无效程序中发起攻击，**权利要求1目前面临的“最薄弱特征”（即最容易被攻破或被认定为显而易见的特征）是：**

> **最薄弱特征**：*“所述处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性”（特征G）*

### 薄弱原因剖析：

1. **概念被D2和D3双向夹击**：

* D2公开了“比对多次先前离床数据（Profile）来预测离床”的思想（虽然D2偏向姿态）；

* D3公开了“收集历史离床/活动数据建立数据库，并与实时数据进行比对匹配”（[0027]）。

2. **算法泛化（常规技术手段的转移）**：

在2008-2010年期间，将“历史数据采集 $\rightarrow$ 建立个人Profile/算法模型 $\rightarrow$ 实时比对预测”这一机器学习/自适应控制的通用思路，从“肢体姿态领域（D2）”转移应用到“生理信号变化领域（D3/D1）”，在专利审查实务中极易被认定为**“本领域技术人员的显而易见的技术转移”**，缺乏突出的实质性特点。

---

## 七、 进一步的对比文件检索策略（Retrieval Strategy）

为了在无效宣告程序中彻底击头（彻底破坏权利要求1的新颖性/创造性），或者寻找能够完全毁灭“生理信号+历史机器学习预测离床”组合的**“致命单篇（X类文献）”**，建议采取以下进一步检索策略：

### 1. 检索要素表达与分类号组合（IPC/CPC）

* **核心分类号（CPC/IPC）**：

* `A61B5/11`（测量患者运动/体位，例如离床监测）

* `A61B5/024`（心率/脉搏监测）、`A61B5/08`（呼吸监测）

* `G08B21/04`（针对老年人/患者跌倒或离床的响应报警系统）

* `G16H40/60`、`G06N20/00`（医疗数据分析、机器学习在医疗预测中的应用）

* **关键词逻辑构建**：

* **主语/场景**：(Bed exit OR leaving bed OR bed-exit OR patient movement OR bed monitor)

* **特征/信号**：(Vital sign* OR physiological OR heart rate OR pulse OR respiration OR breathing OR HRV OR heart rate variability)

* **预测/算法/历史比对（核心突破口）**：(Predict* OR forecast* OR prior exit* OR previous exit* OR machine learning OR SVM OR neural network OR adaptive OR recursive learning OR historical data OR train*)

### 2. 精准检索策略方向

* **方向一：追溯机器/深度学习在生理信号离床预测中的早期文献（找单篇X文献）**：

* 重点检索 **2009年11月之前**（目标专利优先权日/申请日之前）的学术期刊及专利。特别是针对IEEE Transactions on Biomedical Engineering、Physiological Measurement等期刊，检索关键词：`"heart rate" AND "bed exit" AND ("prediction" OR "learning" OR "SVM")`。

* **方向二：寻找D3的同族或后续改进专利**：

* D3（US07336187B2，申请人为Vital Sensors / MHA Care System）在该领域有深厚的专利布局，可追踪其发明人（如Donald D. Moriarty等）在2003-2009年间发表的其他专利，看是否有更明确提及“利用历史心率/呼吸预测离床”的文献。

* **方向三：组合防守与攻击**：

* 寻找将“心率变异性（HRV）/心率骤增”作为**离床前兆预测因子**（Pre-exit threshold）的文献（如：人在醒来/坐起时交感神经兴奋导致心率变化的生理学文献结合离床系统），以证明“利用离床前的生理变化进行预测”属于公知常识。

一名经验丰富的专利代理师，对目标专利CN102150186B（权利要求1）与三份对比文件（D1: JP2007330336A、D2: JP2007330659A、D3: US7316171B2）进行对比分析。

---

### 一、 目标专利权利要求1的技术特征拆解与说明书解释

根据目标专利CN102150186B说明书的记载，权利要求1各技术特征的含义与作用解释如下：

* **技术特征A：** “一种用于监视床（2）上的用户的离床报警系统（5），该系统包括一个或多个传感器（10）”

* **说明书解释：** 离床报警系统位于床垫下、床垫上或集成于床垫中（图1，[0028]），包含用于监视生命体征/生理特征的传感器单元（[0028]）。

* **技术特征B：** “所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征”

* **说明书解释：** 生理特征具体包含心率、脉率、呼吸率、体温、血压或心率变异性（HRV）中的任意一种或多种（[0010]、[0030]）。

* **技术特征C：** “所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号”

* **说明书解释：** 传感器生成对应于测量到的生理特征（如心跳、呼吸等）的电信号并传输给处理器（[0030]、[0031]）。

* **技术特征D：** “和处理器（12）”

* **说明书解释：** 处理器可位于床边传感器单元内（图2中的12），也可位于远程基站/护士站（图2中的22，[0029]、[0036]）。

* **技术特征E：** “所述处理器（12）适于监视所述对应信号”

* **说明书解释：** 处理器连续接收并监控生理特征信号的动态变化（[0031]、[0038]）。

* **技术特征F：** “并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性”

* **说明书解释：** 在用户尚未实际离开床之前，基于醒来、交感兴奋等引起的生理特征变化（如心率变异性变化、姿势改变导致的心率增加），预测其**“将要离床（即离床的倾向/可能性）”**，实现提前预警（[0022]、[0031]、[0041]）。

* **技术特征G：** “其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。”

* **说明书解释：** 该系统利用历史离床事件中记录的生理数据进行**递归自学习/机器学习**（如神经网络或支持向量机SVM，图4，[0042]-[0046]），评估离床概率并自动适应个体行为变化（[0043]-[0045]），从而减少误报。

---

### 二、 对比文件技术特征比对表格及原文出处分析

为方便统称，将三份对比文件分别标记为：

* **D1：** JP2007330336A

* **D2：** JP2007330659A

* **D3：** US7316171B2

#### 1. 详细特征比对表格

---

#### 2. 对比文件原文出处分析

##### **D1 (JP2007330336A)**

* **特征A/D：** 公开了一种护理支援装置（离床检测），包含手扶传感器（手すりセンサ21a, 21b）、重心传感器（重心センサ31a-31d）及控制装置200（[2]段[2]、图2）。

* **特征B/C/E未公开：** D1检测的是被护理者的重心（重心位置）及手扶部位受到的力（[2]段[2]），并未测量或产生“生理特征（如心率、呼吸率等）”信号。

* **特征F（机制不同）：** D1段[2]（第1实施形态）公开了“当判定手扶被向前拉且重心位于离床预测区域时，判定起床动作开始并报警”。其预测基于肢体动作与重心，而非“生理特征的变化”。

* **特征G未公开：** D1段[2]（图3、图4）明确说明离床预测区域是基于统计数据固定设定，或根据身高/体型调整，不涉及比较“在多次先前的用户离床期间收集的数据”。

##### **D2 (JP2007330659A)**

* **特征A/D：** 公开了一种床在床状况检测装置（20），包括配置在床四脚下的第1~第4荷重检测手段（21a-21d）及演算装置（30）（[2]段[12]、图1、图3）。

* **特征B/C/E未公开：** D2测量的是各脚部的“荷重值/重量”（[2]段[2]），明确排除或未提及生理特征。

* **特征F（概念不同）：** D2段[2]第[8]项及段[2]（图8步S53）公开了“根据头侧荷重减少量ΔC判定被验者是否抬起上体（上体を起こした）”。这属于对既成动作/姿态的确定性判定，且基于物理重量变化，而非根据“生理特征变化”来预测“将要离床的可能性”。

* **特征G未公开：** D2采用固定的判定公式（如判定式1~12，段[2]），完全没有结合历史离床数据自学习的特征。

##### **D3 (US7316171B2)**

* **特征A/B/C/D/E：** [0037]-[0040]公开了通过位于床上的压差传感器1a（微型电容麦克风）和气管1b，无侵入式地测量被验者的“心率、呼吸率、脉搏（heart rate, breathing rate, pulse）”（生理特征），并由信号放大/整形电路2与AGC电路3处理后输入处理器6监视。

* **特征F未公开：** D3的图5及[0063]-[0065]公开了判定“在床（in bed）”、“离床（out of bed）”以及“生理信号停止/异常（biosignal stoppage）”。D3只能检测当前是否已离床或生理信号是否停止，**不能在离床发生前根据生理特征变化预测“将要离床的可能性”**。

* **特征G未公开：** D3在公式(A)（[0056]）中使用了未加载情况下的基线数据 $Aa_0$，但该数据仅为无负荷时的静止校准值，并没有收集和比较“多次先前的用户离床期间的生理数据”。

---

### 三、 最接近的对比文件选择及技术问题/效果分析

在创造性评估中，**对比文件3（D3: US7316171B2）** 适合作为**最接近的对比文件**（最主导的对比文件）。同时，**对比文件1（D1: JP2007330336A）** 亦可作为辅助的最接近对比文件视角。

#### 1. 以 D3 (US7316171B2) 作为最接近对比文件的分析

* **技术领域与手段重合度：** D3与目标专利高度一致，均属于“通过无侵入式生理特征传感器（测量心率、呼吸等）监视床 occupied 状态的系统”。D3公开了目标专利的前项技术特征A、B、C、D、E。

* **整体解决的技术问题：**

* D3解决的技术问题是：如何在不给患者带来心理/生理负担的情况下，持续无侵入地监测生理信号并准确判定患者“在床/离床/生理信号停止”状态（[0005]-[0012]）。

* 目标专利解决的技术问题是：克服常规压敏垫侵入性强、易疲劳及误报率高的缺点，提供一种**能够在离床前早期预警（预测将要离床）** 且能降低误报率的离床报警系统（[0005]-[0007]）。

* **区别技术特征：**

1. **特征F部分：** 处理器根据生理特征的变化来确定用户**将要离开床的可能性（预测预警）**，而非仅判定“已离床”或“信号停止”；

2. **特征G：** 处理器通过比较生理特征的变化与**在多次先前的用户离床期间收集的数据**（递归学习/分类器算法）来确定离床可能性。

* **技术效果：** 实现了在患者实际离开床之前更早期地发出预警，且通过历史数据的自学习适应个体差异，极大地减少了误报率（[0005]、[0042]、[0045]）。

#### 2. 未被最接近对比文件（D3）公开特征的交叠检索（在D1、D2中的公开情况）

* **对于特征F（离床预测）：** D1（JP2007330336A）公开了“离床动作开始”的早期预测（[2]段[2]），但其基于扶手拉力和重心位置，**并未**给出“根据生理特征（心率/呼吸等）变化来预测将要离床”的技术教导。

* **对于特征G（历史离床数据比对/学习）：** D1、D2、D3 **均未公开** 特征G。D1采用基于身高的固定区域设置，D2采用固定比例阈值判定，D3仅采用无负荷基线数据校准。

---

### 四、 无效请求中最薄弱的技术特征与防守/攻击要点

在针对目标专利权利要求1提出无效宣告请求时：

1. **最薄弱的技术特征（即对专利权人而言创造性高度最高、对无效请求人而言最难突破的特征）：**

* **技术特征G（通过比较生理特征变化与多次先前离床期间收集的数据来确定可能性）。**

* *原因分析：* 现有技术（D1、D2、D3）中，离床检测大多依赖确定性的物理阈值（如重量低于某值、压力达到一定时间）。而目标专利将**生理特征（如心率变异性HRV、姿势改变引起的心率增加）与自学习分类算法（如SVM、概率网络）相结合**，利用历史离床事件积累的数据进行自适应调整。三份对比文件均完全未涉及“收集多次先前离床期间的生理特征数据”并进行“比对/自学习”的教导。

2. **次薄弱的技术特征：**

* **技术特征F中“根据生理特征的变化预测将要离床”：** 虽然D1教导了“预测离床”，但D1依靠的是机械扶手受力与物理重心；D3虽然监测了生理特征，但仅用于判定“已离床”或“生理停搏”。将生理特征变化（如醒来时的HRV改变、坐起时的交感兴奋心率提升）作为离床的“前兆预测指标”形成了明确的技术偏离。

---

### 五、 进一步的对比文件检索策略（针对技术特征F和G）

为了成功无效权利要求1，后续的检索应当重点寻找**“将机器学习/历史数据比对应用于生理信号监测”**或**“利用生理信号进行行为/离床预测”**的对比文件（做公知常识补充或结合Y特征）。

1. **检索要素分类与表达（关键词与IPC分类号）：**

* **主题/应用（离床/姿势预测）：** Bed exit, Bed leaving, Getting up, Early warning, Intention detection, Motion prediction, 离床, 起床, 离床预测, 行为意图.

* **技术手段1（生理信号监测）：** Heart rate variability (HRV), Heart rate, Respiration, Vital signs, Physiological signal, 生理特征, 心率变异性, 生命体征.

* **技术手段2（机器学习/自学习/历史数据比对 - 针对特征G）：** Supervised learning, Support Vector Machine (SVM), Neural network, Historical data, Prior events, Recursive learning, Patient-specific threshold, 自学习, 监督学习, 历史数据, 模式识别.

* **分类号（IPC/CPC）：**

* `A61B5/11` (检测体动或姿势，如离床)

* `A61B5/024` (心率/脉搏测量)

* `G16H50/20` (基于患者数据的计算机辅助医疗诊断/预测)

* `G08B21/04` (针对人身体状态的报警系统，如跌倒/离床)

2. **组合检索策略（Formula）：**

* **策略一（针对特征G的精准打击）：**

` (A61B5/11 OR G08B21/04 OR G16H) AND (bed exit OR getting up) AND (heart rate OR respiration OR physiological) AND (machine learning OR SVM OR historical data OR prior events OR classifier)`

* **策略二（针对特征F的生理前兆预测）：**

`(A61B5/024 OR A61B5/11) AND (bed exit OR leave bed) AND (predict* OR intend* OR early warning) AND (heart rate variability OR HRV OR sympathetic)`

* **策略三（同族及引文追踪）：**

* 追踪D3（US7316171B2）发明人（例如其早期的日本申请H11-19056、2002-58653等）后续在生理信号预测领域的申请；

* 检索飞利浦（Philips，目标专利申请人）在2009-2010年前后关于“SVM/HRV / Bed exit prediction”的早期学术论文或专利族，寻找是否存在抵触申请或早期的公开文献。

作为一名经验丰富的专利代理师，我现紧密结合**目标专利说明书（CN102150186B）**的教导，对**权利要求1**的技术特征进行法律与技术层面的拆解，并结合对比文件（D1: US2007118054A1, D2: US2007136102A1）的原文内容进行客观比对与创造性分析。

---

### 一、 紧密结合目标专利说明书对权利要求1的解释

目标专利（CN102150186B）发明了一种“**完全不引人注目的离床报警系统**”，旨在克服现有技术中压敏垫/压力开关易导致患者不适及材料疲劳的缺点（说明书[0004]、[0006]、[0022]）。

结合说明书对权利要求1各项技术特征的解释如下：

1. **技术特征A与B（一个或多个传感器，用于测量生理特征）：**

* **解释：** 说明书[0010]和[0030]明确指出，测量用户生理特征的传感器可包括心率、脉率、呼吸率、体温、血压或心率变异性（HRV）中的一种或多种。该传感器可以是无源的或有源的，且优选安装在床垫下方或集成于床垫中（[0028]），对被监视主体完全无侵入/不引人注目（[0022]）。

2. **技术特征C（产生指示生理特征的对应信号）：**

* **解释：** 传感器单元生成对应于测量的生命体征（如脉搏、呼吸率、心率变异性等）的电信号，并传输至处理器（[0030]、[0031]）。

3. **技术特征D、E与F（处理器监视信号，并根据生理特征的变化确定离开床的可能性）：**

* **解释：** 目标专利的核心发明点在于**利用生理特征的“变化”来“预测/确定可能性”**，而非仅依靠物理位置或重量的实时变化。说明书[0040]-[0041]揭示了离床事件的四个阶段（醒来$\rightarrow$注意到欲望$\rightarrow$坐起来$\rightarrow$离开床）。醒来和决策过程会直接反映在**心率变异性（HRV）模式的变化及“交感兴奋作用”**上。因此，处理器可以在用户做出有意识决定或物理坐起之前，通过生理特征的早期变化预测离床可能性。

4. **技术特征G（比较生理特征的变化与在多次先前的用户离床期间收集的数据）：**

* **解释：** 说明书[0042]-[0046]详细解释了该特征。系统具有**自学习/递归学习（recursive learning）机制**。系统根据“在最近n次离床期间记录的特定人的数据”自动调适预测算法，利用**监督分类算法（如神经网络NN或支持向量机SVM）**，根据过去离床事件中积累的“历史生理特征变化数据与实际离床事实形成的训练对”进行学习与分类预测（[0045]-[0046]）。

---

### 二、 特征比对表格（对比文件公开性分析）

为表述简洁，下表中用 **D1** 代指 **US2007118054A1**，用 **D2** 代指 **US2007136102A1**。

---

### 三、 最接近的对比文件选择（整体解决的技术问题与技术效果角度）

在创造性分析中，确定“最接近的现有技术（最接近的对比文件）”需考量技术领域、所解决的技术问题、技术效果以及公开的特征数量。

1. **D1 (US2007118054A1) 分析：**

* **技术领域与手段：** 属于通过非接触式传感器测量生理特征（呼吸、心率）来监控患者状态的领域。

* **解决的技术问题与效果：** 旨在通过监测生命体征的异常模式，提前预测临床疾病（如哮喘发作、心衰恶化、低血糖等）的发作。

* **缺陷：** D1的核心并非“离床预测/离床报警”，其对“离床/觉醒”的判断仅停留在“检测到大范围体动或呼吸信号消失”（段落[0300]），未将生理特征变化与离床预测机制相结合。

2. **D2 (US2007136102A1) 分析：**

* **技术领域与手段：** 属于医疗机构中患者监控与行为预测领域，包含专门的“支撑物离开监控模块（Support Exiting Module）”。

* **解决的技术问题与效果：** 旨在解决无人看护患者“未经协助的离床（unassisted bed exiting）”导致的跌倒和受伤问题；通过预测离床行为并发出预警，降低误报率（false positives）和漏报率（false negatives），提高看护效率（段落[0008]、[0011]-[0013]）。这与目标专利（CN102150186B）要解决的技术问题（预测离床、减少误报警、防侵入）**高度契合**。

#### **结论：D2 (US2007136102A1) 最适合作为最接近的对比文件**

* **理由：** 虽然D1公开了较多的“生理特征测量”硬件手段（特征B、C），但**D2与目标专利在整体解决的技术问题、发明目的（预测离床）、应用场景（离床报警系统）及核心控制逻辑（利用历史离床数据自学习/更新档案来预测离床）上最为接近**。

* *(注：若审查员侧重于硬件构架，也可将D1作为最接近的对比文件进行双路线结合分析；但在实用操作中，D2作为第一出发点更加贴合目标专利的主题及技术效果。)*

---

### 四、 区别技术特征及创造性（无效分析）评估

如果以 **D2 (US2007136102A1)** 为最接近的对比文件，目标专利权利要求1与D2相比，**区别技术特征**在于：

> **区别特征1：** 确定离床可能性所依据的依据是“**一种或多种生理特征的变化**”（而非D2中的物理姿势/肢体视觉动作）；

> **区别特征2：** 用于比较的历史数据是“**在多次先前的用户离床期间收集的生理特征变化数据**”（而非D2中的历史肢体动作数据）。

#### **1. 区别特征是否被其他对比文件（D1）公开？**

* **D1未公开上述区别特征：** 审阅D1原文可知，D1虽然大量记载了利用传感器测量心率、呼吸率等生理特征（[0070]），以及利用机器学习/历史数据（基线）比较来预测哮喘、心衰等“临床疾病发作（clinical episodes）”（[0081]、[0291]），但**D1从未教导或暗示过可以利用“心率、呼吸率或心率变异性等生理特征的变化”来预测“离床（bed exit）”事件**。在D1中，离床仅仅被视为一种干扰信号或者简单的“无信号/体动”状态（[0300]）。

* 因此，即使将D2与D1结合，**本领域技术人员也无法获得“利用离床前生理特征（如醒来时的HRV变化、交感神经兴奋）的规律性变化，结合历史离床生理数据来预测离床”的技术教导**。

#### **2. 提出无效请求时最薄弱的技术特征**

如果发起专利无效宣告请求，本专利**最薄弱（最容易被攻破）的技术特征**在于：

* **特征G中“多次先前的用户离床期间收集的数据”这一表述的撰写范围较宽：**

* 权利要求1仅限定了“在多次先前的用户离床期间收集的数据”，**并未严格限定**该数据必须是“该特定用户的生理特征数据”，也未限定是否必须包含自学习算法（如SVM/神经网络）。

* 现有的很多监控系统（包括D2的段落[0016]、[0020]）均公开了“利用历史收集的离床事件数据（Profile）更新预测模型/阈值以预测下一次离床”的架构。

* **薄弱点突破口：** 对方如果主张“将D1的生理特征监测”替换“D2中用于行为预测的图像/动作特征”，作为一种预测离床的参数补充，容易被审查员认定为“技术参数的简单替换”或“常规技术的组合”。

---

### 五、 进一步的对比文件检索策略（针对无效宣告请求）

为了成功无效目标专利CN102150186B的权利要求1，现有的D1与D2组合尚存在“未公开利用生理特征预测离床”的技术缺口。建议采取以下进一步检索策略：

1. **核心逻辑检索（针对区别特征的精准打击）：**

* **检索目标：** 寻找在2010年11月10日（目标专利优先权日/申请日）之前公开的、**明确记载了“利用生命体征/生理参数（心率、呼吸、心率变异性HRV等）的变化来预测或判断患者离床/起床（Bed exit / Bed egress / Getting out of bed）”** 的对比文件。

2. **检索要素与关键词组合（中英文）：**

* **主题词一（生理特征）：**

`"vital sign"` / `"physiological"` / `"heart rate"` / `"respiration rate"` / `"heart rate variability"` / `"HRV"` / `"生命体征"` / `"生理特征"` / `"心率变异性"`

* **主题词二（离床/起床）：**

`"bed exit"` / `"bed egress"` / `"out of bed"` / `"getting up"` / `"leaving bed"` / `"离床"` / `"起床"`

* **主题词三（预测/算法/历史数据）：**

`"predict*"` / `"anticipat*"` / `"prior data"` / `"historical data"` / `"machine learning"` / `"SVM"` / `"neural network"` / `"预测"` / `"自学习"` / `"历史数据"`

3. **重点检索专利分类号（IPC / CPC）：**

* **A61B5/11**（检测患者体动、位置或姿势的设备）

* **A61B5/024**（脉搏/心率测量）

* **A61B5/08**（呼吸测量）

* **G08B21/04**（专门用于响应患者或居住者状态的报警系统，如跌倒/离床报警）

4. **非专利文献（NPL）检索策略：**

* 目标专利的技术方案（利用醒来时的HRV及交感神经兴奋变化预测离床）极有可能源自**生物医学工程领域的学术论文**。

* **重点数据库：** IEEE Xplore, PubMed, ScienceDirect, CNKI（中国知网）。

* **检索方向：** 搜索2000年–2010年期间关于 *"Unobtrusive bed exit prediction using heart rate variability"* 或 *"Sleep-wake transition detection for bed exit alarm"* 相关的学术论文。如果能检索到提前公开该生理机制及预测算法的论文，可配合D2（系统架构）形成致命打击。

作为一名经验丰富的专利代理师，我针对目标专利授权权利要求1，结合目标专利说明书及三份对比文件原文进行了系统性的侵权/无效分析。

---

## 一、 目标专利权利要求1特征拆解与说明书深度解释

目标专利（CN102150186B）的核心发明点在于：**不依赖侵入式或不舒适的大型压敏垫，通过“生理特征的变化”来预测用户离开床的可能性，并采用递归学习/监督分类（结合多次先前的离床数据）来动态更新预测模型与评估警报可靠性。**

我们将权利要求1拆解为以下7个技术特征，并结合说明书释义：

* **技术特征 A**：*该系统包括一个或多个传感器（10）*

* **说明书解释**（参见说明书[0028]、[0030]）：传感器单元6可位于床垫4下方、上方或集成于床垫中；传感器可以是无源或有源的。

* **技术特征 B**：*所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征*

* **说明书解释**（参见说明书[0010]、[0030]）：生理特征/生命体征包括心率、脉率、呼吸率、体温、血压或心率变异性（HRV）等。

* **技术特征 C**：*所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号*

* **说明书解释**（参见说明书[0030]）：传感器生成与测量的生理特征对应的电信号并传输给处理器。

* **技术特征 D**：*和处理器（12）*

* **说明书解释**（参见说明书[0031]、[0037]）：位于传感器单元或基站8中的硬件处理核心，亦可整合于单一设备。

* **技术特征 E**：*所述处理器（12）适于监视所述对应信号*

* **说明书解释**（参见说明书[0031]、[0038]）：连续或定时接收并处理来自传感器10的信号。

* **技术特征 F**：*并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性*

* **说明书解释**（参见说明书[0031]、[0040]-[0041]）：重点在于“变化”与“预测可能性”。离床过程包含醒来（HRV变化/活动谱）、决定起床（交感兴奋导致HRV再变）、坐起（姿势变化导致心率增加）等阶段。系统在用户做出离床动作或离开床之前，通过生理特征的这些动态变化预判离床可能性。

* **技术特征 G**：*其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。*

* **说明书解释**（参见说明书[0042]-[0046]）：核心限定。系统利用实际离床事件进行自学习/递归学习，通过历史记录的“最近 $n$ 次离床期间记录的特定人的数据”来训练监督分类器（如支持向量机 SVM 或神经网络 NN），从而将当前生理特征变化与历史训练集数据（即多次先前的离床数据）进行比较/分类，计算出离床概率与可靠性评分。

---

## 二、 对比文件特征比对与原文出处分析

为准确比对，各对比文件统一定义及公开号如下：

* **D1**：JP2007190269A（带有预测/检测下床系统床铺装置）

* **D2**：JP2007202847A（在床检测装置）

* **D3**：US20070276202A1（测量和监视生命功能或存在的方法和装置）

### 1. 技术特征比对表格

---

### 2. 各对比文件原文详细出处与分析

#### (1) D1：JP2007190269A

* **公开特征分析**：

* **特征 A、C、D、E**：公开了在床铺四角设置荷重传感器（荷重センサ 3），产生荷重信号送至控制器（コントローラ 5，内含演算部 21）进行定期读取和监视（段落[0010]、[0011]、图1、图3）。

* **未公开/区别特征分析**：

* **特征 B、F**：D1 测量的是“体重”和“重心位置”（段落[0005]、[0010]），属于纯粹的**物理机械荷重**，而非本专利限定的“心率、呼吸等生理特征（Vital Signs）”。其离床/起床预测基于足部着地导致体重减轻和重心移动（段落[0006]、[0016]）。

* **特征 G**：D1 通过预先设置的固定的阈值（体重閾値 $W_{T1}$、重心位置監視対象領域）进行逻辑判定（段落[0011]、图4），**完全没有涉及**将数据与“多次先前的用户离床期间收集的数据”进行比较或学习。

#### (2) D2：JP2007202847A

* **公开特征分析**：

* **特征 A、B、C、D、E、F**：D2 公开了一种在床检测装置，使用压电/静电电容等振动传感器 2 兼做生体传感器（段落[0008]、[0012]）。能检测体动及 0.5~1.5Hz 的心拍（心率）（段落[0012]、[0015]）。在床判定部 21（微控制器）监视该信号（段落[0013]），根据心拍有无及体动振幅变化，在“在床、不在（离床）、体动”三状态间迁移（段落[0014]-[0021]、图2）。

* **未公开/区别特征分析**：

* **特征 G**：D2 的状态迁移逻辑是基于固定的阈值判定（“体動閾値”、心拍提取阈值、固定时长的“離床検出時間”）（段落[0015]-[0020]）。**完全没有公开**比较当前变化与“在多次先前的用户离床期间收集的数据”。

#### (3) D3：US20070276202A1

* **公开特征分析**：

* **特征 A、B、C、D、E、F**：D3 公开了一种监视人体生命功能及在床状态的装置，使用置于床上的动态传感器 3（如驻极体薄膜），测量脉搏（Pulse）、呼吸（Respiration）及体动（段落[0001]、[0004]、[0014]）。信号传输至电子控制单元 7（微处理器）（段落[0014]、[0016]）。控制器持续监视信号，利用算法评估生理特征与体动变化，当超出设定极限值或检测到离床（leaves the base / abandons it）时触发报警（段落[0004]、[0006]、[0016]、[0022]）。

* **未公开/区别特征分析**：

* **特征 G**：D3 段落[0004]提到保存数据用于“长远监控（longsighted surveillance）”，段落[0017]提到自适应算法调整，段落[0022]提到对特定频段信号进行整流积分并与阈值（"compared to some level"）比较来判断在床/离床。然而，D3 的判断机制是**直接将当前滤波积分信号与预设/自适应调整的固定阈值进行比较**，**并未公开通过“比较生理特征的变化与在多次先前的用户离床期间收集的数据”**（即基于历史离床样本集的对比/分类学习预测）来确定离床可能性。

---

## 三、 最接近对比文件分析（整体解决的技术问题与技术效果角度）

在创造性分析中，**D3（US20070276202A1）最适合作为最接近的对比文件**（其次是 D2）。

### 1. 深入分析理由

* **技术领域与手段的高度重合**：

* **D1** 依赖于四角重力/压力传感器测量体重与重心分布，这本质上仍属于目标专利背景技术[0006]所批评的“侵入式压敏/重力检测”范畴，无法测量真正的生命体征（生理特征）。

* **D3** 与目标专利完全一致：均致力于**无创/非侵入式（Unobtrusive）**地通过放置于床上的单一/动态传感器，采集**生理特征（脉搏、呼吸）及微小体动**来进行离床监视。

* **解决的技术问题与技术效果对比**：

* **目标专利**：解决现有压敏垫易磨损、不舒适且误报率高的技术问题，达成了无感监视、并极大降低误报率的技术效果。

* **D3**：明确指出其发明目的在于解决现有床边开关的不便，提供一种能同时采集脉搏、呼吸和体动，并在患者离床时及时报警的装置，且能适应不同体型和床具（D3 段落[0004]、[0005]）。技术问题与效果与目标专利最为吻合。

*(注：D2 同样公开了非侵入式心拍+体动检测，但其主要侧重于环境噪声/关门振动导致的误判问题，在“生理参数综合监视”的深度上略逊于 D3。因此 D3 为最首选的最接近对比文件，D2 可作为备选)*。

### 2. 区别特征与技术效果

以 **D3** 为最接近对比文件，权利要求1相对于 D3 的**区别技术特征**为：

> **特征 G**：所述处理器适于通过**比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据**来确定用户将要离开床的可能性。

* **区别特征达成的技术效果**：

目标专利通过引入递归学习/分类器算法（如 SVM），利用该特定用户历史发生的多次离床事件中记录的生理变化数据作为训练集，使得离床预测能够**动态自适应个体差异**（如不同人的习惯、药物影响或身体衰退），从而在个体发生离床行为前更精准地评估可能性，**显著降低了误报警率**（目标专利说明书[0042]-[0046]）。

---

## 四、 检索评价与最薄弱技术特征分析

### 1. 现有对比文件对特征 G 的公开情况评估

在现有三份对比文件（D1, D2, D3）中，**特征 G（比较生理特征变化与多次先前离床期间收集的数据）完全未被公开**。

* D1/D2/D3 均采用了“实时信号与预设阈值/规则逻辑比较”的判定模式。

* 尽管 D3 提到了“保存数据”和“自适应算法（adapt to different size persons）”，但其自适应指的是针对不同床垫/体型调整滤波器参数，而非“利用多次先前离床的历史生理数据作为参照模式进行匹配或机器学习分类”。

### 2. 无效请求中最薄弱的技术特征分析

若向国家知识产权局（CNIPA）提起专利无效宣告请求，**技术特征 G 是目标专利维系创造性的最坚固防线，同时也是我方攻击时“最薄弱/最需要突破”的特征**。

* **薄弱原因**：

1. **公知常识/常规技术手段调取的风险高**：特征 G 的本质是在离床预测中引入了**“监督学习/模式识别/算法训练”**（如 SVM、神经网络）。在计算机与医疗监视结合的领域，利用历史数据（多次先前的离床样本）训练分类模型来预测未来事件，属于本领域技术人员（数据处理/智能医疗领域）非常通用的技术手段。

2. **说明书撰写存在被攻击的瑕疵**：目标专利说明书对特征 G 的具体算法实现描述较为宽泛（说明书[0046]仅提到 SVM 和超平面），在审查实践中，如果主张该特征属于常规算法的迁移应用，容易被判定为“本领域技术人员在 D3 的基础上结合常规机器学习手段容易想到”。

---

## 五、 进一步对比文件检索策略（针对特征 G 的无效检索路径）

为了成功无效权利要求1，下一步检索的核心目标是找到**公开了“基于历史收集的多次生理数据/离床事件数据（机器学习/模式识别）来预测/判别下床（Bed exit/Getting out of bed）”的对比文件（D4）**。

建议采取以下三步检索策略：

### 1. 关键词与分类号组合检索式（以 CNKI、INPADOC、WIPO、Google Patents 为例）

* **分类号（IPC/CPC）**：

* `A61B5/11`（测量人体的体动/位置）

* `A61B5/00`（生命体征监视系统）

* `G16H40/60`、`G16H50/20`（医疗数据处理/预测模型）

* `G08B21/04`（响应个人位置/动向的报警系统，如跌倒/离床）

* **组合检索逻辑**：

* **组1（离床/下床概念）**：`(bed exit OR bed leave OR leaving bed OR getting out of bed OR 離床 OR 下床)`

* **组2（生理特征/生命体征）**：`(vital sign OR heart rate OR respiration OR HRV OR physiological OR 心率 OR 呼吸 OR 生理)`

* **组3（历史数据/机器学习/模式识别——针对特征G）**：`(prior data OR previous data OR historical OR machine learning OR SVM OR support vector OR classification OR supervised OR training set OR 历史数据 OR 模式识别 OR 监督学习 OR 分类器)`

* **推荐整合表达式（英文示例）**：

> `(IPC=G08B21/04 OR A61B5/11) AND (bed exit OR leaving bed) AND (heart rate OR respiration OR vital) AND (machine learning OR classification OR SVM OR historical data OR prior events)`

### 2. 追踪非专利文献（NPL）与学术期刊

很多算法类的技术方案最早发表于生物医学工程期刊，优先检索以下数据库：

* **IEEE Xplore / PubMed / Elsevier**：

* 重点搜索 2009 年以前（目标专利优先权日 2009-11-09 之前）关于 **"Bed exit prediction using machine learning"** 或 **"SVM bed-exit detection physiological signals"** 的论文。

### 3. 补充无效理由（作为备选攻击路线）

如果检索后发现结合 D3 + D4（特征G）的创造性攻击难度较大，可同时准备以下法律条文依据：

* **专利法第26条第3款（充分公开/充分说明）**：攻击说明书对于如何将“多次先前离床的生理特征数据”构建成训练样本集、如何提取特征向量等细节缺乏具体实施例支撑，导致本领域技术人员根据说明书无法实现该算法。

* **专利法第22条第3款（对比文件结合）**：以 **D3** 为最接近对比文件结合**本领域公知常识（如机器学习分类器在患者动作预测中的通用应用）**，主张将常规 SVM/概率网络应用到 D3 的离床监测中对本领域技术人员而言是显而易见的。

这份专利对比与无效可行性分析报告由资深专利代理师倾力打造。

在进入具体的对比文件分析之前，我们首先需要明确：针对**目标专利 CN102150186B（离床报警系统）** 的权利要求1，解释其真正要保护的技术方案边界。

---

### 一、 目标专利说明书对权利要求的解释与本领域技术理解

目标专利权利要求1保护一种用于监视床上的用户的离床报警系统，其核心特征可划分为：

* **特征 A-E**：基础架构与传感器功能，包括传感器测量生理特征、生成信号，以及处理器监控信号；

* **特征 F**：处理器适于根据所述一种或多种生理特征的变化来确定该用户将要离开床的可能性（**预测离床**）；

* **特征 G**：其中所述处理器适于通过**比较所述一种或多种生理特征的变化**与**在多次先前的用户离床期间收集的数据**来确定用户将要离开床的可能性（**基于历史多次离床数据进行比较/自学习**）。

结合目标专利说明书的教导（特别是说明书【0041】-【0046】段）：

1. **“生理特征的变化”（特征 F/G）**：不同于传统的物理压力垫变化，本专利重点关注交感兴奋作用导致的心率、呼吸率、心率变异性（HRV）等生命体征变化（如【0041】段指出人在醒来和决定起床时心率变异性的特征变化）。

2. **“与在多次先前的用户离床期间收集的数据进行比较”（特征 G）**：说明书【0042】-【0046】明确指出，该特征指的是系统具备**自学习/递归学习（recursive learning）**功能（例如采用 SVM 支持向量机或神经网络）。系统会自动记录该特定用户在“最近 $n$ 次离床”前发生的生理特征变化，以此训练分类器并更新预测算法，从而适应个人行为差异，减少误报。

因此，**特征 G 的本质是：基于特定用户多次历史离床前所采集的生理特征数据进行训练/比对（递归学习）来确定预测概率。**

---

### 二、 对比文件原文分析与特征比对表格

以下为三篇对比文件相对于权利要求1技术特征（A-G）的详细比对及原文出处。

#### 1. 对比文件基本信息及指代

* **D1**：US20070132597A1 (`US2007132597A`) - *METHODS AND SYSTEMS FOR MONITORING PATIENT SUPPORT EXITING AND INITIATING RESPONSE*

* **D2**：US20070156031A1 (`US2007156031A`) - *SYSTEMS AND METHODS FOR INTELLIGENT MEDICAL VIGILANCE*

* **D3**：US20070162304A1 (`US2007162304A`) - *METHODS AND SYSTEMS FOR MONITORING QUALITY AND PERFORMANCE AT A HEALTHCARE FACILITY*

---

#### 2. 特征比对表格（附原文出处与公开性质判断）

---

### 三、 详细对比分析与对比文件原文引述

#### 1. D2 (US20070156031A1) 的深入分析

* **公开特征（A, B, C, D, E, F）**：

* **特征 A, B, C**：D2段落[0011]公开了“*sensing array... preferably is a non-invasive piezoelectric sensing film... placed in the patient's bed... measure heart rate, blood pressure and respiration rates*”（放置在床上的压电薄膜传感器测量心率、呼吸率等生理特征并产生信号）。

* **特征 D, E**：D2段落[0011]公开了“*Within the physical bedside unit are a signal processor and an alarm processor that measure the data and evaluate whether a clinically significant event is occurring*”（床边单元包含处理器来监视信号）。

* **特征 F**：D2段落[0013]公开了报警处理器监视生理参数趋势。此外，段落[0065]-[0067]和图7公开了将离床检测系统（Bed exit system）与生理参数监视系统融合，说明D2已经关注到了离床事件与生理参数监视的结合。

* **缺陷/未公开特征（G）**：

* D2采用的是**预设的“软/硬阈值算法（soft/hard limits）”**（参见段落[0052]-[0055]及图4、图5），通过判断心率和呼吸率是否超出固定范围或模糊逻辑（Fuzzy logic）组合来发出报警。**D2完全没有公开“比较生理特征的变化与多次先前用户离床期间收集的数据”这一基于历史生理数据的自学习/递归匹配过程**。

#### 2. D1 (US20070132597A1) 与 D3 (US20070162304A1) 的深入分析

*注：D1 与 D3 属于同一技术族/关联申请，其技术构思高度一致。*

* **公开特征（A, D, E 及部分 G）**：

* **特征 G（运动/姿态维度）**：D1和D3明确提出了**“通过历史离床事件数据建立并更新个人 Profile”**的概念。

* D1段落[0017]：“*A database of a computer system... may be used to compile, store and update patient profiles based on learned information relating to support exiting...*”

* D1段落[0019]：“*The action of verifying or rejecting an automated support exiting alert based on actual patient movements and behavior can be recorded by the computer system and used to either automatically update the patient profile...*”

* D1段落[0020]：“*As the profile is periodically updated based on verified and/or rejected patient movements and behaviors relative to detected support exiting, it becomes more accurately predictive of actual support exiting of the patient.*”

* **缺陷/未公开特征（B, C及生理维度的F/G）**：

* D1/D3监测的主要是**物理位置、姿态和肢体动作（Body movements, gestures, RFID/光电位置）**（如D1段落[0016]记载的7种离床动作：Sliding down, side rail roll, torso angle up and leg swing等），**并非“生理特征”（如心率、脉率、呼吸率、心率变异性等）**。

---

### 四、 最接近对比文件的选择（基于技术问题与技术效果）

#### 1. 整体解决的技术问题与技术效果分析

* **目标专利**：旨在解决传统压力垫易损坏、舒适度差的问题，通过监视**“生理特征（如心率变异性）”**及其**“历史多次离床变化规律”**，实现**不引人注目且能自适应个体差异的高准确度离床预测**（避免误报）。

* **D2**：解决传统 ICU 监视器误报率高以及需要接触皮肤的问题，采用床垫下无感压电薄膜监视**生理特征（心率、呼吸等）**。

* **D1/D3**：解决传统离床检测“一刀切（one size fits all）”导致高误报/漏报的问题，采用摄像头/传感器记录**特定用户的历史离床动作**并更新个人 Profile，实现离床自适应预测。

#### 2. 最接近对比文件的选择结论

在创造性分析中，**D2 最适合作为最接近的现有技术（Primary Reference）**，同时 **D1（或D3）可以作为辅助对比文件**。理由如下：

1. **首选最接近对比文件：D2 (US20070156031A1)**

* **理由**：D2 与目标专利处于**完全相同的技术领域**（基于床垫下无感传感器测量心率、呼吸等生理特征进行病患监视），且公开了权利要求1绝大部分的技术特征（特征A-E以及结合离床的F）。D2与目标专利解决的核心物理问题（无感监测生命体征）最为接近。

2. **次选/替代最接近对比文件：D1 (US20070132597A1)**

* **理由**：如果将解决的问题聚焦于“如何利用历史多次离床数据进行自适应学习以精准预测离床”，D1公开了基于历史多次离床数据学习并更新 Profile 的核心机制。

---

### 五、 创造性分析、最薄弱技术特征与无效策略

#### 1. 区别特征分析与结合动机（D2 + D1/D3）

以 **D2 为最接近的现有技术**：

* **区别特征**：特征 G（以及特征 F 中基于“生理特征变化”的自适应预测）。即：D2 是基于固定阈值或组合规则来判断异常，而目标专利是**“通过比较生理特征的变化与在多次先前的用户离床期间收集的数据（历史多次离床数据）”**来预测。

* **结合分析（能否由 D1/D3 结合导出）**：

* D1/D3 确实公开了“记录多次先前的离床行为 -> 更新个人 Profile -> 提高预测准确性”的构思（D1 [0017], [0019], [0020]）。

* **专利权的防线（专利局可能的答辩点）**：目标专利会强调，D1/D3 记录和学习的是**“物理姿态/运动轨迹（Video/RFID/Light beam）”**，而目标专利学习和比对的是**“生理特征（Physiological characteristics，如心率变异性 HRV、交感神经兴奋等）”**。生理特征具有隐蔽性、连续性和非直观性，将自学习分类算法（如 SVM）应用于“生理特征的变化趋势”产生了预料之外的技术效果（可以在患者坐起来之前甚至有意识决定前提前预判）。

#### 2. 最薄弱的技术特征

若要对本专利提起无效宣告请求，目标专利**最薄弱的技术特征在于：特征 G 的上位概括性与 D1/D3 “机器学习/Profile更新”技术手段的公知常识化。**

* **薄弱点解析**：

1. 权利要求1中的特征 G 表述极其宽泛（“*通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据...*”），其并没有在权利要求中限定 SVM、神经网络或具体的特征提取算法。

2. D1/D3 已经明确教导了**“利用机器学习/递归更新 Profile 来预测离床”**这一通用技术手段。

3. 对于本领域技术人员而言，在 D2 已经具备测量心率、呼吸等“生理特征”的基础上，结合 D1/D3 提出的“利用历史多次离床数据训练预测模型”的技术教导，将自学习比对的对象从“物理姿态数据”替换/扩充为“生理特征数据”，属于**本领域技术人员结合常规算法（如机器学习分类器）容易想到的技术改进**。

---

### 六、 进一步对比文件检索策略（进一步补充证据链）

为了确保彻底攻破权利要求1（特别是针对“基于生理特征历史数据进行离床机器学习预测”这一交融点），建议采取以下补强检索策略：

1. **关键词组合策略（重点突破“生理特征”+“机器学习/历史数据”+“离床/姿态”）**

* **英文关键词**：

* 生理/体征：`vital sign`, `heart rate`, `respiration rate`, `HRV`, `physiological`

* 离床/姿态：`bed exit`, `bed leave`, `patient exit`, `bed unoccupy`

* 历史数据/机器学习：`machine learning`, `SVM`, `support vector machine`, `historical data`, `previous events`, `training data`, `profile`, `adaptive`, `recursive`

* **布尔逻辑**：`(vital sign OR heart rate OR HRV OR physiological) AND (bed exit OR bed leave) AND (machine learning OR historical data OR training OR SVM OR adaptive)`

2. **分类号（IPC / CPC）交叉检索**

* `A61B5/11`（测量主体的运动或位置，例如用于检测跌倒或离床）

* `A61B5/024`（脉搏/心率检测）

* `G16H40/60`（医疗保健中涉及患者监视的 ICT 技术）

* `G06N20/00`（机器学习）

* **建议检索式**：`A61B5/11` 与 `A61B5/024` / `G06N` 的交叉交集。

3. **非专利文献（NPL）与非专利数据库检索**

* 生理信号离床预测（特别是基于心率变异性 HRV、体动与 SVM/神经网络结合的论文）在 2005-2009 年间属于学术界研究热点。

* 重点检索数据库：**IEEE Xplore, PubMed, Google Scholar, ScienceDirect**。

* 重点检索主题：*“Bed exit prediction using heart rate variability and machine learning”* 或 *“SVM based patient bed exit detection via non-invasive vital signs”*。学术论文往往比专利更早、更详细地公开使用 SVM 比对多次历史生理信号进行离床预测的技术方案。

作为一名资深专利代理师，我将紧密结合目标专利（CN102150186B）说明书的释义、教导及发明宗旨，对权利要求1进行全面解析，并结合三份对比文件（D1: US2006152378A1、D2: US2006169282A1、D3: JP2006280686A）的原文进行严谨的特征对比、最接近对比文件选择、无效突破点（最薄弱特征）分析及后续检索策略制定。

---

### 一、 目标专利说明书对权利要求1的释义及技术特征拆解

紧密结合目标专利说明书（CN102150186B）的说明，对权利要求1的技术特征拆解及说明书含义释义如下：

* **技术特征A：** `该系统包括一个或多个传感器（10）`

* **说明书解释：** 指位于床垫下方、上方或集成的传感器单元（传感器10），可以是无源或有源的（说明书[0028]、[0030]）。

* **技术特征B：** `所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征`

* **说明书解释：** 生理特征具体包含生命体征如脉搏/心率、体温、血压、呼吸率以及**心率变异性（HRV）**等（说明书[0010]、[0030]）。

* **技术特征C：** `所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号`

* **说明书解释：** 传感器将采集到的用户物理/生物力学作用转化为可供处理器分析的电信号或光信号（说明书[0030]）。

* **技术特征D：** `和处理器（12）`

* **说明书解释：** 位于传感器单元或基站中的计算处理单元，用于接收并处理传感器信号（说明书[0031]、[0036]）。

* **技术特征E：** `所述处理器（12）适于监视所述对应信号`

* **说明书解释：** 处理器连续地监视生理特征信号（如移动、呼吸率、心率及心率变异性）（说明书[0038]）。

* **技术特征F：** `并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性`

* **说明书解释：** 本发明的核心宗旨是**预测（Predict）**离床，而非单纯检测“已离床”。说明书[0040]-[0041]揭示离床过程包含四个阶段（醒来$\rightarrow$注意到去卫生间/离床欲望$\rightarrow$坐起来$\rightarrow$离开床）。在醒来和决定起床阶段，**心率变异性（HRV）及交感兴奋作用**会发生特定变化，处理器通过捕获这些生理特征变化来评估/预测离床概率。

* **技术特征G：** `其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。`

* **说明书解释：** 本特征对应说明书[0042]-[0046]揭示的**递归自学习/自适应算法**。系统记录特定人在“最近n次离床期间”的数据（历史离床前发生的生理特征变化），利用监督分类算法（如支持向量机SVM或神经网络NN）进行机器学习，从而根据历史离床数据自动调适离床预测算法。

---

### 二、 对比文件特征比对及分析

针对各对比文件原文（以公开号指代：D1为US20060152378A1，D2为US20060169282A1，D3为JP2006280686A），分析其公开情况：

#### 1. 对比文件基本信息

* **D1：** US20060152378A1 (Bed occupant monitoring system)

* **D2：** US20060169282A1 (Sleep stage determination apparatus)

* **D3：** JP2006280686A (Sleep stage determination apparatus)

#### 2. 特征比对表格（Feature Mapping Table）

---

### 三、 最接近对比文件分析（整体技术问题与技术效果维度）

在评估创造性（Patentability/Inventive Step）时，选择最接近对比文件（Closest Prior Art）需要考量其**技术领域、所解决的技术问题、技术方案及技术效果**的贴近程度：

#### 1. 最接近对比文件的选择与分析

* **对比文件1：D1 (US20060152378A1)**

* **技术领域及问题：** 属于床面占用者监视系统领域。旨在解决传统侵入式传感器导致不适、易材料疲劳，以及无法早期预警离床的问题（D1 [0001]、[0013]）。

* **技术方案：** 提出了在床垫下方或内部部署无源光纤压力传感器阵列，可提取心率、呼吸率及体动，并利用传感器分区压力判断占用者是“不在床上”、“在中央”还是“靠近边缘可能尝试离床”（D1 [0027]、[0075]）。

* **技术效果：** 实现了非侵入式的生命体征监视及早期位置预警。

* **结论：** **D1最适合作为第一最接近对比文件（Primary Closest Prior Art）**。D1与目标专利构思最为贴近，且同样致力于通过非侵入式生理/压力传感器解决“早期预测/警告用户离床”的问题，具有最多的相同技术特征。

* **对比文件2与3：D2 (US20060169282A1) & D3 (JP2006280686A)**

* *注：D2与D3为同族申请/同源技术，结构与内容高度一致。*

* **技术领域及问题：** 属于睡眠阶段判定装置领域。旨在解决传统多导睡眠图（PSG）需要贴附多电极、操作复杂的问题，提供仅依靠呼吸/心率信号区分睡眠阶段（觉醒、深睡、浅睡、REM）的系统（D2 [0002]-[0008]）。

* **技术方案与效果：** 包含“入床/离床判定部”（D2 [0012]、[0057]），通过传感器监测呼吸信号振幅大小来确定用户是“在床上”还是“已离床”。

* **结论：** D2/D3的主要发明目的在于“睡眠分期（Sleep Staging）”，对离床的处理仅停留在“当前状态是入床还是离床（In-bed/Out-of-bed）”的二元检测，**不具备“预测将要离床的可能性”的导向**。因此D2/D3作为最接近对比文件的适用性弱于D1，但可以作为辅助对比文件。

---

### 四、 无效突破点分析：最薄弱的技术特征

如果在无效宣告程序中发起挑战，目标专利权利要求1的**最薄弱技术特征（即最容易被突破或最难以被现有技术完全覆盖的技术特征）**如下：

1. **关键区别特征：技术特征G（及特征F的组合）**

* **特征描述：** `处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性`。

* **薄弱点分析：**

* **从现有技术公开度看（攻方优势）：** D1、D2、D3均**未显性公开**“将生理特征变化（如心率/呼吸变异）与多次历史离床收集的数据（机器学习/自学习）进行对比”。现有技术（如D1）多依赖“物理位置过界”或“实时压力/生理信号低于固定的静态阈值”来触发报警。

* **从显而易见性/技术偏见突破（攻方突破口）：**

* 在2009-2010年（目标专利优先权日前），利用机器学习（如SVM、神经网络、自适应概率网络）采集历史行为数据进行分类或预测，在医疗监视及数据分析领域已属于通用技术手段（Common General Knowledge）。

* 结合D1（已公开采集心率、呼吸及体动信号，且旨在预测离床），如果结合一本公知常识教科书或分类算法领域文献（揭示了“利用SVM/神经网络学习历史生理特征数据以预测行为”），本领域技术人员为了提高预测准确率、减少误报，将D1中的静态阈值替换为“基于历史多次离床数据建立的自适应学习预测模型”是显而易见的。

2. **目标专利的保护防御点（守方防线）：**

* 目标专利在说明书[0040]-[0046]中明确强调了离床前生理特有的“交感兴奋”及“心率变异性（HRV）”模式，并将此与SVM模型相绑定。若权利要求1被限制解释，专利权人可能通过追加从属权利要求（如HRV、SVM算法）来固守稳定性。

---

### 五、 进一步对比文件检索策略（Search Strategy）

为了成功无效权利要求1，需针对**“结合生理信号变化”+“利用历史数据/机器学习预测离床”**这一核心区别特征补充检索。建议采取以下检索策略：

#### 1. 核心分类号（IPC / CPC）组合

* **A61B 5/11:** 检测患者体动或位置（Measuring movement of the entire body/position）

* **A61B 5/024 / A61B 5/08:** 心率/呼吸检测

* **G08B 21/04:** 监测人或动物的异常状态并在无响应时发出警报的装置（例：跌倒、离床警报，Bed exit alarms）

* **G16H 50/20 / G06N 20/00:** 用于医疗诊断/预测的计算系统、机器学习（Machine Learning in Healthcare）

#### 2. 逻辑检索式构建（以英文关键词/逻辑符为例）

* **策略一：检索“生理信号（心率/呼吸/HRV）”用于“离床预测/早预警”**

* `((bed NEAR/3 (exit* OR leave* OR egress* OR get_out)) OR "bed exit")`

* **AND** `(predict* OR early_warning OR likelihood OR probabil*)`

* **AND** `("heart rate" OR respiration OR "vital sign*" OR HRV OR "heart rate variability" OR physiological)`

* **策略二：检索“离床/行为预测”结合“历史数据/自适应/机器学习/SVM”**

* `((bed NEAR/3 (exit* OR leave* OR egress*)) OR "patient monitoring")`

* **AND** `(historical OR "previous event*" OR "prior exit*" OR "machine learning" OR "support vector machine" OR SVM OR "neural network" OR adaptive)`

* **AND** `(physiolog* OR vital_sign* OR motion OR movement)`

#### 3. 重点检索数据库与文献类型

* **专利数据库：** CNIPA、USPTO、EPO、WIPO、JPO。优先重点排查美国（US）和日本（JP）在2000—2010年间的智能护理床/病房监视专利。

* **非专利文献（NPL）：** IEEE Transactions on Biomedical Engineering、PubMed、Springer、Elsevier等数据库。历史上许多利用SVM/神经网络处理生物电/心率信号预测患者行为的研究成果首先发表于IEEE学术会议或生物医学工程期刊上（优先权日2009年11月之前）。

这是一份由经验丰富的专利代理师为您准备的专业专利无效对比分析与审查判定报告。

本分析报告全面基于本目标专利说明书（`CN102150186B`）的技术内涵，对授权权利要求1与三篇对比文件（`D1: JP2005185650A`、`D2: JP2006000454A`、`D3: US20060049936A1`）进行逐特征对比、最接近对比文件选择、最薄弱特征诊断及针对性的检索策略规划。

---

## 一、 目标专利权利要求1解释（结合说明书）

为了客观判定技术特征的公开情况，必须首先基于说明书对权利要求1的各项技术特征（特别是核心特征F、G）的真正技术内涵进行准确界定：

* **技术特征A~E（生理特征监视基础设施）**：涉及利用传感器测量生理特征（如心率、脉率、呼吸率、体温、血压、心率变异性等，说明书`[0010]`、`[0030]`），产生对应信号，并由处理器进行监控。

* **技术特征F（基于生理特征变化的离床可能性预测）**：说明书`[0040]`-`[0041]`明确解释了其机制：人在夜间离床包含“醒来 $\rightarrow$ 产生离床意图/欲望 $\rightarrow$ 坐起 $\rightarrow$ 离床”四个阶段。醒来和产生离床欲望的过程（即**做出有意识离床决定之前**）会通过心率变异性（HRV）模式变化及“交感兴奋作用”反映出来。因此，特征F并非指“检测到人已经离开”或“检测到坐起的物理动作”，而是**在动作发生前，通过心率/呼吸等生理体征的动态变化趋势，预判离床的可能性**。

* **技术特征G（基于历史离床多次收集数据的对比预测 - 机器学习/自适应）**：说明书`[0042]`-`[0046]`解释：系统不仅能检测实际离床（通过压力/应变传感器），还具备**自学习/递归学习能力**。处理器根据“在最近 $n$ 次离床期间记录的数据”（如神经网络或支持向量机算法SVM，说明书`[0045]`-`[0046]`），将当前生理特征变化与历史多次离床数据进行对比分类，从而自动适应个体行为变化（如药物变化、体质变化）。

---

## 二、 对比文件特征比对分析与出处

### 1. 各对比文件公开情况判定

#### 对比文件1：D1（JP2005185650A - 装置使用状况判定方法及装置）

* **公开号**：`JP2005185650A`

* **技术领域**：离床/在床判定装置。

* **公开内容分析**：

* 公开了利用空气垫/流体封入体（传感器）检测由使用者生命运动（胸腹部运动、打鼾、心跳）引起的“生体振動”（生理特征），并输出信号（公开了特征A、B、C）。

* 控制器/处理器对信号进行平滑、全波整流、阈值二值化比较，以判定在床/离床（公开了特征D、E）。

* **关于特征F**：D1主要是通过生体振動信号消失/低于阈值持续一定时间（如3秒，段落`[0002]`说明书图6/7）来判定“已经离床”，**未公开**通过生理特征变化提前“预测离床可能性”。

* **关于特征G**：D1仅提到在开始使用时通过操作部测试性地输入/设置初始阈值（段落`[0002]`“閾値保持部35”部分），**未公开**通过“比较多次先前的用户离床期间收集的数据”来进行对比预测或机器学习。

#### 对比文件2：D2（JP2006000454A - 游戏机）

* **公开号**：`JP2006000454A`

* **技术领域**：封入式弹珠机/游戏机（Game Machine）。

* **公开内容分析**：

* 完全属于无关技术领域（游戏机内游技球的循环回收、透明视认部设计）。

* **特征A~G全部未公开**。

#### 对比文件3：D3（US20060049936A1 - 可配置的护士警报系统）

* **公开号**：`US20060049936A1`

* **技术领域**：病房设备监视与护士呼叫系统。

* **公开内容分析**：

* 公开了监视病床状态（包括床离开报警 Bed exit alarm、头部角度、护栏位置等），并将报警信号发送给护理人员（公开了处理器、监视及报警网络）。

* 关于“Bed Exit”，D3将其作为病床现成的状态开关/警报参数之一（例如段落`[0009]`、`[0033]`、`[0086]`），但D3的病床离床检测依赖于病床自带的重量传感器/称重系统（Load cell based system，段落`[0097]`），属于物理位置/重量解除检测。

* **未公开**通过传感器测量生理特征（特征B、C），**未公开**基于生理特征变化预判离床（特征F），**未公开**基于多次先前离床历史数据的对比自学习算法（特征G）。

---

### 2. 详细特征比对表格

---

## 三、 整体解决的技术问题、技术效果及最接近对比文件选择

### 1. 整体技术问题与技术效果分析

* **本专利解决的技术问题**：传统离床报警依赖大型压敏垫或压力开关（动作发生后或接近边缘时才报警，侵入性大且易疲劳），本专利旨在提供一种**非侵入式、能在用户实际离床前更早预判离床可能性**，并能**自动适应不同个体/行为变化以减少误报**的离床预警系统（说明书`[0004]`-`[0007]`）。

* **最接近对比文件的选择与认定**：

* **最接近对比文件：D1（JP2005185650A）**

* **理由**：

1. **技术领域完全相同**：D1与本专利均属于“通过监测卧床人员状态进行在床/离床判定的装置”。

2. **技术手段高度重合**：D1同样采用了非侵入式的流体传感器（空气垫）来捕获卧床人员的微弱生理运动信号（心跳、呼吸、体动），并由处理器对生理信号进行放大、整流、比较处理。

3. **技术问题部分重合**：D1也旨在解决传统重力开关易受杂物干扰误报的问题。

* *注：D2为完全无关的游艺机领域，不具备参考价值；D3虽然涉及病房报警网络和病床离床警报，但其离床检测机制属于病床机械/重量感应，不涉及“生理特征”的测量与动态预测，因此不适合作为最接近对比文件。*

---

## 四、 区别技术特征与最薄弱技术特征诊断

以 **D1（JP2005185650A）** 为最接近对比文件，权利要求1相对于D1的区别技术特征为：

1. **区别特征1（对应特征F）**：处理器根据生理特征的**动态变化**来确定用户**将要离开床（预判）的可能性**，而非仅在生理信号消失/低于阈值后判定“已离床”。

2. **区别特征2（对应特征G）**：处理器通过**将生理特征变化与在多次先前的用户离床期间收集的数据（历史数据）进行比较**（即自学习/机器学习模式分类）来确定离床可能性。

### 无效宣告中最薄弱的技术特征诊断

在针对权利要求1发起无效宣告请求时，**最薄弱的技术特征是：特征F与特征G的组合（特别是特征G的概括广度）**。

* **薄弱点分析（攻击突破口）**：

1. **特征F（生理特征预判离床）**：在医疗监视领域，利用醒来/交感神经兴奋导致的心率（HR）增快、心率变异性（HRV）下降或呼吸加速来预测人体即将起床/动作，属于本领域公知的生理学常识或现有健康监测算法。

2. **特征G（对比多次先前离床收集的数据）**：权利要求1中特征G的撰写方式**极为宽泛**。它仅限定了“与在多次先前的用户离床期间收集的数据进行比较”，并未限定具体的数学模型、机器学习算法（如支持向量机SVM、神经网络等的具体参数）。

3. **结合显而易见性**：如果检索到一篇在生理数据分析或患者监视领域公开了“利用历史行为/生理数据建立模型/对比以更新预测算法（自适应/机器学习）”的对比文件（D4），将其与D1结合，特征F和特征G极易被认定为“本领域技术人员为了提高预测准确率、减少误报而引入的常规算法/自学习手段”，从而一举击毁权利要求1的创造性。

---

## 五、 进一步对比文件检索策略建议

为了补充针对特征F和特征G的公知常识证据或结合对比文件，建议采取以下针对性检索策略：

### 1. 检索要素表达（Keywords & IPC/CPC）

* **核心分类号 (IPC / CPC)**：

* `A61B5/11`（动作/体动/位置检测，特别是卧床监测）

* `A61B5/024` / `A61B5/08`（心率/呼吸监测）

* `G16H40/60` / `G16H50/20` / `G16H50/70`（医疗数据挖掘、基于历史数据的诊断/预测算法）

* `G08B21/04`（针对老弱病残的跌倒/离床状态报警）

* **特征F（生理特征预判离床）关键词组**：

* (`Bed exit` OR `leaving bed` OR `get out of bed` OR `离床` OR `起床`)

* AND (`predict*` OR `forecast*` OR `early warning` OR `intention` OR `可能性` OR `预测` OR `预警` OR `倾向`)

* AND (`heart rate` OR `HRV` OR `respiration` OR `vital signs` OR `physiological` OR `心率` OR `呼吸` OR `生命体征` OR `生理`)

* **特征G（历史数据比对 / 自适应 / 机器学习）关键词组**：

* (`prior` OR `previous` OR `historical` OR `past` OR `多次` OR `先前` OR `历史`)

* AND (`collect* data` OR `training data` OR `machine learning` OR `SVM` OR `neural network` OR `adaptive` OR `自适应` OR `学习` OR `分类器`)

### 2. 联合检索与查新方向建议

1. **方向一：健康监视/睡眠监测算法专利（攻特征F+G）**

* 重点检索 **飞利浦（Philips）、欧姆龙（Omron）、泰科（Tyco）、迈瑞（Mindray）** 等医疗设备巨头在2009年之前的专利申请。飞利浦在睡眠监测与离床预警（Sleep/Bed Monitoring）领域有大量基于HRV（心率变异性）和自学习算法预测患者醒来/离床的专利布局。

2. **方向二：非专利文献（NPL）检索**

* 在 IEEE Xplore、PubMed、ScienceDirect 中检索2009年（优先权日）之前的学术论文。关键词组合：`"bed exit prediction" AND ("heart rate" OR "HRV") AND ("machine learning" OR "SVM")`。医疗工程领域在2000-2008年间有大量关于“基于HRV和体动历史数据通过SVM分类器预测患者离床”的论文，这可作为强有力的公知常识或补充证据。

作为一名经验丰富的专利代理师，我将紧密结合目标专利说明书的解释，对目标专利权利要求1进行全面且严谨的专利无效与创造性分析。具体分析如下：

---

## 一、 目标专利权利要求1的术语与技术特征解释（结合说明书）

在专利无效审查中，权利要求书的解释应当紧密结合目标专利说明书的上下文，以确定其真实的保护范围：

1. **技术特征A~C（传感器及其功能）**：

* **解释**：说明书第[0030]段明确，传感器10可以测量脉搏（心率）、体温、血压、呼吸率或心率变异性（HRV）。第[0034]段指出敏感的压力传感器或应变计可同时用于测量心率/心跳以及检测用户是否在床上。

2. **技术特征D~F（处理器、监视及离床可能性确定）**：

* **解释**：说明书第[0039]-[0041]段指出，离床过程通常包含“醒来 $\rightarrow$ 产生去卫生间等欲望 $\rightarrow$ 在床上坐起 $\rightarrow$ 离开床”四个阶段。处理器12通过监视生理特征（如HRV、活动谱、姿势变化导致的HR增加等）的变化，在用户做出有意识决定或物理离床之前，预测其将要离开床的可能性。

3. **技术特征G（基于“多次先前的用户离床期间收集的数据”进行比较预测）**：

* **解释**：此特征为本权利要求的核心创新点/限定特征。结合说明书第[0042]-[0046]段，该过程指系统利用**递归学习/自学习机制（如神经网络NN、支持向量机SVM等监督分类算法）**，利用在**最近 $n$ 次先前的离床期间**记录的该特定人的数据（训练对）来评估离床概率，从而自动适应个体的行为变化，提高预测可靠性并减少虚假警报。

---

## 二、 对比文件公开情况分析（结合原文出处与特征比对）

### 1. 指代符号与公开号对应

* **D1**：`WO2004073577A1`（公开日：2004-09-02）

* **D2**：`US20050124864A1`（公开日：2005-06-09）

* **D3**：`EP1538984A1`（公开日：2005-06-15）

---

### 2. 特征比对表与出处分析

---

## 三、 最接近对比文件的选择与创造性分析

在进行专利创造性评估时（依据“三步法”），选择最接近的对比文件需综合评估技术领域、整体解决的技术问题以及技术效果：

### 1. 最接近对比文件的判定与分析

* **最佳最接近对比文件：D1 (`WO2004073577A1`)**

* **技术领域与问题**：D1与目标专利高度一致，均为床占用及离床监视报警系统，且旨在通过不引人注目的方式（气垫/床垫下方传感器）同时监视生理特征（呼吸、心跳、脉搏）和体动/离床。

* **技术效果**：D1实现了通过无创方式采集生理信号并利用微控制器分析压力波动（计算方差）来判断用户离床（Patient Exit）并发出警报。

* **选择理由**：D1完整公开了特征A、B、C、D、E，并**实质公开了特征F**（通过生理与体动引起的压力信号方差变化预测/检测离床及在床状态）。

* **备选最接近对比文件：D3 (`EP1538984A1`)**

* **技术领域与问题**：同样属于床占用者监视系统，解决防止病人坠床或无看护离床的问题。

* **选择理由**：结构上公开了多传感器阵列及处理器监视心率、呼吸和体动，但在利用生理特征变化“预测离床可能性”上不如D1贴近。

---

### 2. 区别技术特征及其他对比文件的公开情况

以 **D1** 为最接近对比文件，目标专利权利要求1与D1相比，**区别技术特征**为：

* **特征G**：处理器适于**通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据**来确定用户将要离开床的可能性（即引入基于历史离床数据的算法/自学习模式）。

#### 其他对比文件（D2、D3）对特征G的公开情况：

* **D2 (`US20050124864A1`)**：虽然D2构建了多传感器网络并对历史数据进行记录（Log File [0140]），但其数据分析（[0156]-[0164]、图14算法）侧重于通过当前波形和阈值提取心率、呼吸率、睡眠阶段及体动，**未公开将生理特征变化与多次先前的离床历史数据进行比较来评估离床可能性**。

* **D3 (`EP1538984A1`)**：D3采用的是固定或自适应阈值比较（图3/图5的阈值电路与定时器），**未公开利用先前的离床历史数据进行比较预测**。

---

## 四、 无效请求中最薄弱的技术特征及检索策略

### 1. 最薄弱的技术特征分析

目标专利权利要求1在面对现有技术D1-D3组合时，**最薄弱的技术特征是：特征G（基于先前的多次离床数据进行比较/算法训练）**。

* **薄弱原因**：

1. **特征A-F已被现有技术基本“铺平”**：D1已明确教导了利用传感器监测生理特征（心跳、呼吸）和体动变化来判断病人离床。

2. **特征G的实质是引入机器学习/自适应算法（如历史数据比对、SVM、神经网络）**：在监控和预测系统中，使用历史数据/训练集对算法进行更新或比较以提高预测准确度、减少误报，是计算机与软件控制领域极常见的公知常识或常规技术手段。

3. 若仅依靠D1-D3，虽然特征G在形式上未被直接文字公开，但从解决“提高个体预测准确度、减少虚假警报”这一技术问题出发，本领域技术人员极易产生结合机器学习/历史数据比对算法的动机。

---

### 2. 进一步的对比文件检索策略（针对无效目标）

为了彻底无效权利要求1，需针对**特征G**补强检索，寻找将“生理信号/体动监测”与“历史数据比对/自适应机器学习算法预测离床”结合的现有技术文献。建议采用以下检索策略：

#### (1) 关键词组合策略（中文与英文）

* **主题词一（离床/姿势预判）**：Bed exit, Bed egress, Leave bed, Fall prevention, Getting out of bed, 离床, 起床, 坠床预防.

* **主题词二（生理信号/生命体征）**：Physiological, Vital signs, Heart rate, HRV, Respiration, 生理特征, 生命体征, 心率变异性, 呼吸.

* **主题词三（历史数据比对/机器学习/自学习 - 对应特征G）**：

* English: `(prior OR previous OR historical OR past) NEAR/5 (exit OR egress OR event OR data)`, `machine learning`, `pattern recognition`, `support vector machine OR SVM`, `neural network`, `adaptive threshold`, `supervised classification`, `training data`.

* 中文：`历史数据`, `先前数据`, `机器学习`, `支持向量机`, `神经网络`, `自学习`, `自适应`, `分类器`, `训练集`.

#### (2) 分类号（IPC / CPC）交叉检索

* **`A61B5/00`**：测量生命体征/诊断用感测系统.

* **`A61B5/11`**：测量运动体或身体部位的运动（如监测离床/坠床）.

* **`G16H40/60`**：医疗保健信息学中与病人监视相关的系统.

* **`G06N20/00`** / **`G06N3/02`**：机器学习/神经网络（用于自学习预测）.

#### (3) 核心检索式逻辑构建示例

```text

(IPC/CPC: A61B5/11 OR A61B5/00 OR G16H)

AND (bed exit OR bed egress OR leave bed)

AND (heart rate OR respiration OR physiological OR vital signs)

AND (historical OR previous OR prior OR machine learning OR SVM OR neural network OR adaptive OR training)

```

#### (4) 重点检索方向建议

* 优先补充检索 **2009年（目标专利优先权日/申请日前）** 的学术期刊（如 IEEE Transactions on Biomedical Engineering、Computers in Biology and Medicine）以及病患监视领域的专利文献，此类文献极易在2000-2008年间公开基于SVM/神经网络结合生理特征预测离床（Bed Exit Prediction）的具体算法实现。

基于目标专利说明书（CN102150186B）的揭示及中国专利审查标准（特别是《专利审查指南》第二部分第四章关于“三步法”与最接近现有技术的选择），我对权利要求1及给定的对比文件进行深入的法律与技术分析。

---

### 一、 目标专利说明书对权利要求1的解释

结合目标专利（CN102150186B）说明书，权利要求1中关键概念与技术特征的含义如下：

1. **“离床报警系统（5）”与“确定该用户将要离开床（2）的可能性（预测）”**：

* **解释**：说明书明确区分了“预测将要离床”与“检测实际已离床”。说明书[0005]、[0008]指出，本发明的目的是在患者离开床之前**尽可能早地提供警报（离床预测）**，同时最小化误报。

2. **“传感器（10）”与“一种或多种生理特征”**：

* **解释**：说明书[0010]、[0030]揭示，生理特征包括生命体征，如心率、脉率、呼吸率、体温、血压或心率变异性（HRV）。传感器10可以是无源或有源传感器，甚至可以是能够测量心跳的敏感压力传感器/应变计（说明书[0034]）。

3. **“确定用户将要离开床的可能性（离床预测算法）”**：

* **解释**：说明书[0040]-[0041]揭示了离床事件的四个阶段：醒来 $\rightarrow$ 注意到去卫生间的迫切欲望 $\rightarrow$ 在床上坐起来 $\rightarrow$ 离开床。醒来及决定起床的过程会通过**心率变异性（HRV）**和“交感兴奋作用”反映出来。处理器12通过捕获这些生理特征的变化，在用户做出有意识的离床决定或坐起之前，提前预测离床可能性。

4. **特征G：“通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据”**：

* **解释**：说明书[0042]-[0046]揭示，系统具有自学习/递归学习能力，系统分析在实际离床之前发生的生理特征变化，定制算法。具体地，系统使用**监督分类算法/机器学习分类器（如支持向量机 SVM 或神经网络 NN）**，根据在**最近 n 次离床期间记录的特定人的历史数据（训练对）**进行训练与评估，计算离床概率并自动适应个体的行为变化。

---

### 二、 对比文件公开特征比对

#### 1. 简要说明与同族关系澄清

* **对比文件1（D1）**：WO2004006768A1，公开日：2004-01-22。

* **对比文件2（D2）**：AU2003249811A1，公开日：2004-02-02。

* **重要法律事实**：经对原文核对，D1与D2为同族专利申请（D2是D1进入澳大利亚的国家阶段/对应申请），其说明书文本与技术内容完全一致。

* **对比文件3（D3）**：JP2004180804A，公开日：2004-07-02。

#### 2. 特征比对表格

---

### 三、 最接近现有技术的选择分析

在专利创造性评价中，选择最接近的现有技术通常遵循以下原则：技术领域相同或相近、所要解决的技术问题和达到的技术效果最接近，或者揭示的技术特征最多。

#### 1. 整体技术问题与技术效果分析

* **目标专利**：旨在解决常规床离警报依赖侵入式大压敏垫、易误报且无法提前预测离床的问题；通过监视生理特征（如HRV、心率变化），并利用历史离床数据的机器学习/递归学习，达到**提前、无创且高准确度（减少误报）地预测用户离床**的技术效果。

* **D1（WO2004006768A1）/ D2（AU2003249811A1）**：

* **技术领域**：床占用者监视系统（完全相同）。

* **解决的问题**：解决传统床上传感器硬、不舒适、易损坏的问题，以及监测患者生命体征和预测即将离床（impending egress）的问题。

* **技术效果**：无创监视心率、呼吸和体动，并在生理信号或体动越过设定阈值时发出预警/报警。

* **D3（JP2004180804A）**：

* **技术领域**：具有生体信息收集功能的床装置（相同）。

* **解决的问题**：解决人工24小时监视负担大、传感器引起患者心理压力及噪声干扰的问题。

* **技术效果**：无创且准确地采集呼吸数、心拍数、体动等信息，但**重点在于信息的采集、显示与监控传输，而非离床预测与报警**。

#### 2. 结论：最接近的对比文件选择

* **最接近的对比文件为 D1（WO2004006768A1）或 D2（AU2003249811A1）**（二者为同族，内容一致，均可作为主对比文件）。

* **理由**：D1/D2与目标专利同属于“床占用者生理特征监视与离床预警系统”领域，不仅公开了特征A-E，而且实质公开了特征F（通过监视呼吸/心率/体动等生理特征信号的变化与阈值比较来判断即将离床/停息等）。D1/D2在技术领域、解决的技术问题（无创监测与离床/状况预警）、技术效果以及技术特征覆盖度上均最接近目标专利。

---

### 四、 未被最接近对比文件公开的特征及最薄弱特征分析

#### 1. 未公开的区别技术特征

以 **D1（WO2004006768A1）**（或D2）作为最接近的现有技术，权利要求1相对于D1的区别技术特征在于**特征G**：

> “其中所述处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性。”

* **其他对比文件是否公开**：

* **D3（JP2004180804A）** 未公开特征G。D3仅涉及实时生体信息的采集与展示，完全未涉及“历史离床数据的收集”及“基于历史数据的比较预测”。

#### 2. 最薄弱的技术特征分析

* **最薄弱的技术特征：特征G（基于历史离床数据的比较/预测）**。

* **原因分析**：

1. 权利要求1的特征A-F已被D1/D2高度覆盖（或完全公开）。目标专利能够维持专利权/具备创造性的**唯一防线**在于特征G中引入的“基于先前的多次离床历史数据进行比较（自学习/机器学习预测）”。

2. 然而，特征G在权利要求1中的表述极为宽泛（仅仅提到了“比较...与多次先前的用户离床期间收集的数据”），没有限定具体的比较算法（如说明书中提到的支持向量机SVM、神经网络NN、阈值更新规则等）。这种高度概括的算法/逻辑特征极易被审查员或无效宣告请求人认定为**本领域的公知常识**（例如：在数据预测领域，利用历史数据建立机器学习模型/训练集进行分类预测属于通用技术手段）。

---

### 五、 无效请求的进一步对比文件检索策略

如果目前仅凭D1-D3进行无效宣告，由于D1-D3均未明确公开“利用多次先前的生理数据/离床历史数据训练算法或进行对比来预测离床”，直接拼凑创造性存在被专利局驳回的风险。因此，建议采取以下进一步的检索策略：

#### 1. 核心检索要素组合（Building Blocks）

* **要素1（主题）**：床（bed）、患者/用户监视（patient/occupant monitoring）、离床/起床（bed exit, egress, getting out of bed）。

* **要素2（手段1 - 生理特征）**：生命体征（vital signs）、心率变异性（HRV, heart rate variability）、呼吸率（respiration rate）、生理信号变化（physiological signal variation）。

* **要素3（手段2 - 核心区别特征/算法）**：历史数据（historical data, prior events）、机器学习（machine learning, SVM, neural network）、分类器（classifier）、模式识别（pattern recognition）、自适应/自学习（adaptive, self-learning, training data）。

#### 2. 针对性检索方向与数据库策略

1. **方向一：追溯早期“基于机器学习/历史数据的离床预测/行为预测”专利（针对特征G）**

* **策略**：重点检索 2000 年~2009 年期间，将机器学习（SVM、神经网络、Bayesian Network）应用于患者行为预测/离床预测的专利。

* **IPC/CPC分类号结合**：

* `A61B5/00`（测量生理特征；体表检测）

* `G08B21/04`（响应于特定人员（如患者、老人）无响应或异常状态的警报系统）

* `G16H50/20` / `G06N20/00`（用于医疗诊断/预测的计算机技术、机器学习）

* **检索式示例（以Derwent / Google Patents为例）**：

* `(bed NEAR/3 (exit OR egress OR leave)) AND (vital sign OR heart rate OR respiration OR HRV) AND (historical OR prior OR machine learning OR classifier OR training)`

2. **方向二：扩展非专利文献（NPL）检索**

* **原因**：在医疗监视与智能养老领域，基于生理信号与机器学习（SVM/NN）进行行为识别与离床预测的研究论文（如IEEE, Elsevier, Springer）往往早于专利布局。

* **重点数据库**：IEEE Xplore, PubMed, ScienceDirect, Google Scholar。

* **关键词组合**：`"bed exit prediction"` OR `"bed egress"` AND `"heart rate variability"` OR `"vital signs"` AND `"machine learning"` OR `"SVM"` OR `"historical data"`。

3. **方向三：公知常识证据补强（结合D1/D2）**

* 若无法寻得完美包含特征G的“离床系统”专利，可采用“**D1/D2（主对比文件：揭示生理特征监视与离床预警） + 辅对比文件（揭示在生理信号预测中使用历史数据/机器学习分类器） + 本领域公知常识（教科书/技术手册：分类算法依赖历史训练集）**”的三步法组合逻辑，证明特征G是本领域技术人员在D1/D2的基础上结合常规技术手段显而易见能够得出的技术方案。

<ElicitationsGroup message="如果您需要进一步推进该专利的无效宣告或应对诉讼，建议尝试以下后续方向：">

<Elicitation label="撰写针对权利要求1的具体无效宣告意见书（基于D1+公知常识）" query="请结合D1（WO2004006768A1）作为主对比文件，撰写一份针对权利要求1的专利无效宣告意见书草案，重点论证特征G的技术效果及显而易见性。"/>

<Elicitation label="构建精准的专利检索表达式（用于检索特征G的现有技术）" query="请为我提供在PatSnap或Derwent数据库中针对'基于生理信号与机器学习预测离床'的详细IPC/CPC分类号组合和高级检索式。"/>

</ElicitationsGroup>

作为一名资深的专利代理师，我结合目标专利（CN102150186B）的说明书及权利要求1，对给出的三份对比文件（D1: JP2002255309A、D2: JP2003256957A、D3: CA2393880A1）进行深度技术特征比对、最接近现有技术选择、无效突破点分析及检索策略构建。

---

## 一、 目标专利权利要求1的技术特征拆解与说明书解释

根据目标专利说明书的记载，权利要求1的技术特征应作如下理解与解释：

* **技术特征A（一个或多个传感器10）：** 结合说明书[0028]、[0030]段，该传感器设置于床垫下方/上方或集成于床垫中，可以为无源或有源传感器。

* **技术特征B与C（测量生理特征并产生对应信号）：** 结合说明书[0010]、[0030]段，生理特征包括**心率、脉率、呼吸率、体温、血压或心率变异性（HRV）**中的一种或多种。传感器生成指示这些生理特征的信号。

* **技术特征D与E（处理器12及其监视功能）：** 结合说明书[0031]段，处理器从传感器接收信号并监视这些信号。

* **技术特征F（根据生理特征变化确定离床可能性）：** 结合说明书[0031]、[0040]-[0041]段，离床过程包含“醒来”、“注意到去卫生间”、“坐起来”、“离开床”四个阶段。醒来和决定起床过程伴随着心率变异性（HRV）及交感兴奋作用的变化，处理器**利用生理特征本身的变化规律**（而非仅仅依赖人体离开床垫后的重量/压力撤销）来**提前预测**离床可能性。

* **技术特征G（通过比较生理特征变化与多次先前用户离床期间收集的数据来确定离床可能性）：** 结合说明书[0042]-[0046]段，此特征限定了具体计算算法，即采用**递归学习/监督分类算法（如神经网络NN或支持向量机SVM）**，将当前生理特征变化与在**多次先前离床事件中积累的历史训练数据**（自学习/历史行为模式）进行比较，从而调适和更新离床预测算法。

---

## 二、 各对比文件技术特征比对表格

下表分析了各对比文件对权利要求1技术特征A~G的公开情况（附对应对比文件原文详细出处）：

---

## 三、 对比文件公开情况详述与引用出处

### 1. D1（JP2002255309A - 无人搬送台车）

* **公开号：** JP2002255309A

* **公开特征：** 仅公开了广义的“传感器（重量传感器11）”、“处理器（控制手段12）”及“信号监视”（段落[0008]、[0011]、图2）。

* **未公开特征（B, C, F, G）：** D1属于**工业无人物料搬送领域**。其技术方案是根据货物重量调整台车行驶速度（段落[0005]）。完全未公开人体生命体征/生理特征检测，亦不涉及离床预测。

### 2. D2（JP2003256957A - 居家独居老人异常检测系统）

* **公开号：** JP2003256957A

* **公开特征（A, D, E, 部分F、G）：**

* 公开了传感器（微动检测传感器25a~25c，段落[0017]）、处理器（异常检测装置30/CPU，段落[0022]）及信号监视。

* **实质公开了特征F与G的算法机理：** 明确记载了收集用户日常行动的传感器时系列数据（日常模板），通过向量量化与马尔可夫链（Markov Chain）训练状态转移矩阵（段落[0022]、[0038]-[0040]），并将其与当前的行为变化进行比较，用以预测/检测异常行为（包括醒来、去洗手间、外出等离床过程阶段，段落[0054]）。

* **未公开特征（B, C）：** D2采用的是空间微动传感器（赤外线传感器，段落[0017]），检测的是人体在房间内的空间位置移动，**并未测量心率、脉搏、呼吸等生理特征（生命体征）**。

### 3. D3（CA2393880A1 - 床位占用监视系统）

* **公开号：** CA2393880A1

* **公开特征（A, B, C, D, E, F）：**

* **完全公开了特征A, B, C, D, E：** 明确记载利用分布在床上的压力传感器阵列（Kinotex光纤压力传感器），非侵入式地测量床占用者的生理特征——包括**呼吸率（respiration rate）和心律/心跳（heart beat）**（Overview第1页第2段；Description第4页第3段“pulmonary activity, heart activity, and bodily movement”）。

* **完全公开了特征F：** 明确记载该系统可用于**“确定床占用者是否正准备离床（determining if the bed occupant is preparing to exit the bed）”**（Overview第1页第2段），且通过计算压力信号对时间的导数（time derivative），从心跳、呼吸及体动峰值（图7，标号53, 54, 55, 56）中确定占用者姿势改变与离床意图。

* **未公开特征（G）：** D3在判断离床或异常时，采用的是**“与预设阈值（pre-set thresholds）进行比较”**（Description第3页第4段，第4页第4段“threshold 57, 58”），**未公开“将生理特征变化与在多次先前的用户离床期间收集的数据进行比较”**这一机器学习/历史数据递归学习特征。

---

## 四、 最接近现有技术（最接近对比文件）选择与创造性分析

在创造性评价中，**D3（CA2393880A1）最适合作为最接近的对比文件**（最接近现有技术）。

### 1. 原因分析（整体解决的技术问题与技术效果维度）：

* **技术领域与课题高度重合：** D3与目标专利均属于**医疗/护理领域的床位监视及离床预警系统**。二者旨在解决相同的技术问题：即如何**非侵入式（不影响用户舒适度）**地监视卧床患者，并在患者离床前**提前预测离床行为**，以减少误报（目标专利[0005]-[0007]；D3 Overview第1页）。

* **核心技术手段一致：** D3与目标专利均通过床面/床垫处的传感器提取用户的**呼吸、心跳等生理特征信号**，并根据生理特征与体动的实时变化来判断离床趋势（特征A-F高度吻合）。

* **相比之下D2的局限：** D2虽然公开了基于历史数据统计（马尔可夫链）预测行为变化的机理，但其针对的是房屋空间内人体的微动与位移，属于环境安防/生活行为监控，未深入到床位及“生理特征（心率/呼吸）”层面。因此D3在技术领域、技术问题和主要技术特征上均比D2更接近目标专利。

### 2. 区别技术特征及结合分析：

目标专利权利要求1相对于D3的区别特征在于**技术特征G**：

> *处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性。*

* **区别特征被其他对比文件公开的情况：**

**D2（JP2003256957A）公开了特征G的计算逻辑与技术思想。** D2明确教导了利用“在多次先前（日常）行为期间收集的传感器时系列数据”建立预测模型（马尔可夫模型/日常模板），并将当前数据与先前收集的数据进行比较来预测/确定异常及离床等行为（D2段落[0022]、[0042]、[0054]）。

---

## 五、 无效请求中最薄弱的技术特征与法律风险评估

若对目标专利权利要求1提起无效宣告请求，**最薄弱的技术特征（即专利权人的防线）正是技术特征G**。

### 薄弱点与攻防分析：

1. **攻方（无效请求人）观点：**

D3已经公开了利用生理特征（心律、呼吸）预测离床（特征A-F）。将D2中“利用历史多次收集的数据/自学习算法（马尔可夫链、监督分类）提高行为预测准确性”的技术手段，应用到D3的生理特征离床预测系统中，属于本领域技术人员结合现有技术（D3+D2）进行公知算法/统计学习模型的常规替换，不具备创造性。

2. **守方（专利权人）可能的反驳防线（法律风险点）：**

专利权人会依据说明书[0040]-[0046]段强调：离床过程中的生理特征变化（如醒来时的HRV变化、起床时的交感兴奋及心率突变）具有**高度的个体差异性**。D2仅处理简单的“空间微动/开门/走动”开关信号，而目标专利处理的是**复杂的生理生命体征信号（心率变异性等）**。将机器学习/历史递归学习用于“生理特征变化”的预测，产生了“能自动适应个体药物变化、体能衰退，并输出可调可靠性评分（减少误报）”的预料之外的技术效果（说明书[0045]-[0048]）。

---

## 六、 进一步对比文件检索策略（补强检索）

为了彻底攻破技术特征G（即“将生理特征变化与历史多次离床数据比对/训练算法”的结合），建议按照以下策略开展补充检索：

### 1. 核心检索要素（Element Blocking）

* **要素1（主题/场景）：** 床/卧床/患者监视、离床/起床预测（Bed exit / Out of bed / Leaving bed）。

* **要素2（输入源）：** 生理信号/生命体征（Heart rate / Respiration / Vital signs / HRV）。

* **要素3（核心算法/特征G）：** 机器学习、历史数据比对、监督分类、训练集、自适应、马尔可夫、SVM、神经网络（Machine learning / Prior collection / Historical data / Neural network / SVM / Self-learning / Training data）。

### 2. 检索式表达示例（以IPC/CPC分类号结合关键词）

* **分类号组合：**

* `A61B5/11`（测量主体的运动或位置，如离床检测）

* `A61B5/024`（脉搏/心率测量）

* `G16H50/20`（面向医疗诊断/预测的计算机化系统/机器学习）

* `G08B21/04`（响应个人（如老人）位置/行动的报警系统）

* **逻辑检索式（以EPO/WIPO等数据库语法为例）：**

> `(IPC=A61B5/11 OR IPC=G08B21/04) AND (heart rate OR respiration OR HRV OR "vital sign" OR physiological) AND ("prior exit" OR "previous exit" OR "historical data" OR "machine learning" OR "trained" OR "svm" OR "neural network" OR "pattern recognition")`

### 3. 重点追踪专利族与文献方向

* **重点检索时间窗口：** 目标专利申请日（2009年11月左右）之前（即2009年11月之前的优先权/公开文献）。

* **重点申请人/机构：** 飞利浦（Philips，目标专利原申请人）、欧姆龙（Omron）、睿迈德（ResMed）、GE Healthcare、Medtronic以及早期的麻省理工（MIT）、斯坦福等从事无感生命体征监视与床边护理算法研发的院校课题组文献。

资深专利代理师，已紧密结合目标专利说明书（CN1002150186B，授权公告号CN102150186B）及各对比文件原文，对目标专利权利要求1进行深入分析。

---

## 一、 权利要求技术特征拆解与目标专利说明书解释

根据目标专利（CN102150186B）说明书的记载，权利要求1各技术特征的含义和作用解释如下：

* **技术特征A：该系统包括一个或多个传感器（10）**

* **说明书解释**：参见说明书[0028]、[0030]及图1-2，传感器单元6可位于床垫4下、床垫上或集成于床垫中。

* **技术特征B：所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征**

* **说明书解释**：参见说明书[0010]、[0030]，生理特征包括生命体征，如心率、脉率、呼吸率、体温、血压或心率变异性（HRV）等。

* **技术特征C：所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号**

* **说明书解释**：参见说明书[0030]，传感器生成对应于从用户测量的生理特征的信号（有源或无源信号）。

* **技术特征D：和处理器（12）**

* **说明书解释**：参见说明书[0031]、[0037]，处理器12可设于传感器单元6内、基站8内（如护士站）或集成为一体。

* **技术特征E：所述处理器（12）适于监视所述对应信号**

* **说明书解释**：参见说明书[0031]、[0038]，处理器接收并连续监视传感器提供的信号。

* **技术特征F：并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性**

* **说明书解释**：参见说明书[0031]、[0039]~[0041]，在离床过程中（如醒来、注意到去卫生间的迫切欲望、坐起来等），个体的心率变异性（HRV）、心率等生理特征会发生改变（例如交感兴奋、姿势改变导致心率增加），处理器利用这些**生理特征的变化**来**预测**离床的可能性。

* **技术特征G：其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性**

* **说明书解释**：参见说明书[0042]~[0046]，利用自学习/递归学习算法（如SVM或神经网络），通过将当前测得的生理特征变化与历史多次离床数据（训练集）进行比较，从而更新算法、自适应调适并评估离床预测概率。

---

## 二、 对比文件技术特征比对表

下表为目标专利权利要求1与对比文件 D1（JP2000316915A）、D2（JP2001057996A）、D3（JP2002052009A）的详细特征比对。

---

## 三、 对比文件公开情况分析（毫无异议公开 vs 实质公开）

### 1. D1：JP2000316915A Help supporting device

* **毫无异议公开（直接公开）**：

* **特征A**：公开了设置在床底部的多个重量检测素子（13a~13d，段落[0013]、[0061]）。

* **特征D、E**：公开了处理手段/处理器，用于监视传感器产生的信号并计算重心与运动数据（段落[0013]、[0062]）。

* **实质公开（技术手段对应但领域/对象有差异）**：

* **特征F（部分物理等效）**：公开了当检测到重心进入离床预测区画且移动方向朝着离床方向时，预测离床概率（段落[0021]~[0022]、[0028]~[0030]）。然而，其使用的指标是**重心/位置（物理物理量）**，而非**生理特征（生命体征）**。

* **未公开**：

* **特征B、C**：未公开利用传感器测量“生理特征”（如心率、呼吸率等）。

* **特征G**：未公开将“生理特征的变化”与“多次先前离床期间收集的数据（生理数据训练集）”进行比较来预测离床。

### 2. D2：JP2001057996A Nursing aid device

* **毫无异议公开（直接公开）**：

* **特征A、D、E**：公开了重量检测素子及用于监视和计算重心数据的处理器/数据演算手段（段落[0013]、[0052]）。

* **实质公开**：

* **特征F（部分物理等效）**：同样公开了根据重心移动方向和离床预测区画预测离床概率（段落[0018]~[0020]）。

* **未公开**：

* **特征B、C、G**：与D1类似，D2的技术方案完全基于重力和物理运动轨迹，未公开测量生理特征及基于历史生理特征变化数据的离床预测。

### 3. D3：JP2002052009A Air mat for measuring subject data

* **毫无异议公开（直接公开）**：

* **特征A、B、C**：公开了通过气垫和微差压传感器/绝对压力传感器测量被测者的心率、呼吸数、咳嗽/哼声（イビキ）等生理特征并产生对应信号（段落[0001]、[0006]、[0022]~[0024]）。

* **特征D、E**：公开了终端装置10中的数据处理部37，用于监视和处理上述生理特征信号（段落[0023]~[0024]）。

* **未公开**：

* **特征F**：未公开“根据生理特征的变化”来“预测将要离床的可能性”（D3仅利用绝对压力传感器判断人是否在床上，即离床后的状态检测，段落[0022]、[0024]）。

* **特征G**：未公开“将生理特征变化与多次先前离床期间收集的数据进行比较”。

---

## 四、 最接近对比文件的选择（基于技术问题与技术效果）

在专利创造性分析（三步法）中，确定最接近的对比文件需综合考虑技术领域、解决的技术问题、技术效果及技术特征叠加度：

### 1. 目标专利解决的技术问题与效果

* **技术问题**：传统压敏垫侵入性强、易疲劳，且缺乏提前、可靠地预测离床的方法（段落[0004]~[0007]）。

* **技术效果**：实现非侵入式（完全不引人注目）、提前且高可靠性地预测离床，并能自适应调适（段落[0022]、[0048]）。

### 2. 最接近对比文件的选定

**最接近对比文件可有两个候选（D1/D2 与 D3 均可作为起点）：**

* **方案一：以 D1 (JP2000316915A) 或 D2 (JP2001057996A) 作为最接近对比文件**

* **理由**：D1/D2与目标专利同属于**“离床预测/离床警报系统”**领域，解决的均是**“提前预测用户离床以防止发生危险”**的相同技术问题，且均具备“传感器+处理器+提前预测离床”的整体架构。

* **区别特征**：目标专利采用的是“生理特征（及历史生理特征变化数据）”，而D1/D2采用的是“重心/物理位置”。

* **方案二：以 D3 (JP2002052009A) 作为最接近对比文件**

* **理由**：D3与目标专利在**测量手段与测量对象（传感器非侵入式测量心率、呼吸率等生理特征）**上最为接近。

* **区别特征**：D3未将生理特征用于“离床预测”以及“与历史多次离床数据进行比较”。

---

## 五、 区别特征在其他对比文件中的公开情况与无效请求薄弱点分析

### 1. 未被最接近对比文件公开的特征及其他对比文件的公开情况

假设以 **D1 (JP2000316915A)** 为最接近对比文件，区别特征为：

1. 传感器测量的是**生理特征**（特征B、C）；

2. 处理器根据**生理特征的变化**以及**与多次先前离床历史数据的比较**来预测离床（特征F、G）。

* **其他对比文件的结合情况**：

* **特征B、C**：已被 **D3** 明确公开（D3公开了用气垫传感器测量心率、呼吸数等生理特征）。

* **特征F、G（核心区别）**：**没有任何对比文件（D1、D2、D3）公开了“根据生理特征的变化”以及“通过比较历史多次离床期间收集的生理数据”来预测离床！**

* D1/D2 仅公开了根据“重心移动轨迹/物理位置”预测离床；

* D3 仅公开了测量生理特征，但生理特征仅用于监控睡眠健康状态，其离床检测靠的是绝对压力传感器的“有/无”状态，完全未建立“生理特征变化”与“预测离床”之间的关联。

### 2. 无效请求中最薄弱的技术特征（专利权人的“护城河”）

在提出专利无效宣告请求时，**最薄弱（即最难攻破、对目标专利最具显着性支撑）的技术特征是：**

> **特征G（结合特征F）：处理器适于通过比较一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性（即：基于生理特征变化的历史数据学习/比较来进行离床预测）。**

**原因分析**：

1. **技术偏离**：现有技术（如D1、D2）普遍认为预测离床应当依赖物理机械量（如重心、姿势、移动位置、边缘压力）。而目标专利引入了人心理/生理学机理（醒来 $\rightarrow$ 产生尿意 $\rightarrow$ 交感神经兴奋/心率变异性HRV改变 $\rightarrow$ 坐起 $\rightarrow$ 离床），将**生理特征（HRV、心率等）的变化**作为预测离床的前兆信号。

2. **缺少技术启示**：现有对比文件（D1-D3）中**没有任何一份文件给出了“利用生理特征变化（如心率/呼吸改变）来预测离床”的技术启示**，更没有给出“建立历史离床生理数据模型/自学习算法进行比对”的教导。现有的D3仅将生理特征用于健康监测。将D3与D1/D2结合，本领域技术人员也只会想到用D3的传感器去替代D1的重量传感器来继续测重心/压力，而不会自发想到提取生理信号变化去预测离床。

---

## 六、 进一步的对比文件检索策略建议

为了成功无效目标专利的权利要求1，现有的D1~D3尚不足以形成完全覆盖或强的显而易见性组合（公知常识组合力度不够）。建议采取以下进一步检索策略：

### 1. 扩展检索要素（Keywords & Classification）

针对薄弱特征（基于生理特征变化的离床预测与自学习），重点检索以下要素：

* **核心关键词组合**：

* (离床 OR 起床 OR 离开 OR bed exit OR getting out of bed)

* AND (心率 OR 脉搏 OR 呼吸 OR 心率变异性 OR 生理 OR 生命体征 OR HRV OR heart rate OR respiration OR physiological)

* AND (预测 OR 前兆 OR 概率 OR 早期 OR 算法 OR 学习 OR 比较 OR 阈值 OR predict* OR forecast* OR probability OR machine learning OR SVM OR pattern)

* **推荐专利分类号（IPC/CPC）**：

* `A61B5/11`（测量被测者体的移动，如离床检测）

* `A61B5/024`（测量脉搏、心率）

* `A61G7/05`（床的配件、报警系统）

* `G08B21/04`（响应个人（如患者）响应/状态的报警系统）

### 2. 非专利文献（NPL）与学术期刊检索

由于“心率变异性（HRV）与自主神经系统兴奋/起床前兆”的关联性往往最早发表于医工交叉类的学术期刊中，建议在 **IEEE Xplore、PubMed、CNKI、ScienceDirect** 中重点检索2010年以前（目标专利优先权日之前）的论文：

* **检索方向**：

* Sleep stage analysis / Awakening prediction based on HRV or ballistocardiogram (BCG).

* Bed exit prediction / intention detection using physiological signals and machine learning.

### 3. 追踪重点申请人/研究团队

检索在病床监视、生理信号非接触监测领域较早布局的公司和高校：

* **企业**：Philips（飞利浦，目标专利申请人本身的历史专利）、Panasonic（松下）、Paramount Bed（八乐梦床业）、Omron（欧姆龙）。

* **高校/机构**：关注早期从事BCG（体动心电图/压电床垫测量生理信号）和老年监护算法研究的日本、欧洲及美国实验室。

作为一名经验丰富的专利代理师，我将紧密结合**目标专利（CN102150186B）的说明书**，对权利要求1的技术特征进行法律与技术层面的精准解释，并结合三份对比文件的原文及详细出处，为您提供系统的无效检索与创造性对比分析。

---

### 一、 目标专利说明书对权利要求1的解释

在专利无效或侵权诉讼中，权利要求的表达必须结合说明书进行解释：

1. **“监视床（2）上的用户的离床报警系统（5）”**：

* **说明书解释**：[0001]段指出该系统涉及监视用户的生命体征以实现离床报警。[0028]-[0029]段明确指出传感器单元可放置于床垫下方、上方或集成于床垫中，基站可位于床边或护士站。

2. **“一种或多种生理特征”及“对应信号”**（技术特征B、C）：

* **说明书解释**：[0010]及[0030]段明确定义生理特征（生命体征）包括：**脉搏/心率、体温、血压、呼吸率、心率变异性（HRV）**等，传感器生成对应的电信号。

3. **“根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性”**（技术特征F）：

* **说明书解释**：[0040]-[0041]段揭示了其核心机理——夜间离床具有四个阶段（醒来$\rightarrow$注意到需要离床$\rightarrow$坐起来$\rightarrow$离开床）。醒来和交感兴奋会显著改变**心率变异性（HRV）和活动谱**，姿势改变会导致**心率增加**。系统是在用户**做出离床决定或坐起（即未真正离开）时**，通过生理特征的动态变化来预判“将要离床（imminent bed exit）”。

4. **“通过比较……与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性”**（技术特征G）：

* **说明书解释**：[0042]-[0046]段指出，系统具有**自学习/递归学习（recursive learning）**功能。系统利用算法（如支持向量机SVM或神经网络NN）分析在**实际离床之前发生的生理特征变化**，将当前数据与“多次先前的离床数据（历史训练集）”进行比对，评估离床概率并给出可靠性评分（Reliability score）。

---

### 二、 对比文件技术特征比对与公开性分析

**指代说明**：

* **D1**：`JPH08275934A`（公开号：JPH08275934A）

* **D2**：`JPH08322813A`（公开号：JPH08322813A）

* **D3**：`US6067019A`（公开号：US6067019A）

#### 1. 各对比文件公开性分析

* **D1 (JPH08275934A)**：

* **实质公开**：公开了无创采集被测者的生理反应（心电、脉波、呼吸等），提取生理指标并计算生理量模式，结合环境参数和主观量进行相关分析（[0006]、[0027]段）。

* **未公开**：未公开该系统用于“离床报警”，亦未公开根据生理特征变化确定“将要离开床的可能性”及与“先前多次离床数据”进行比对。

* **D2 (JPH08322813A)**：

* **实质公开**：公开了通过心电图的R-R间隔（RRI）计算心率变异性（HRV）的LF/HF成分，用于定量评估精神紧张度、覚醒度（清醒/睡眠状态）及姿势变化（[0002]-[0003]段）。

* **未公开**：仅为一种心拍变异波形分析方法，完全未涉及离床报警系统、传感器测量离床可能性或历史离床数据比对。

* **D3 (US6067019A)**：

* **毫无异议公开**：公开了一种离床检测装置（Bed exit detection apparatus），通过电容传感器检测患者存在/不存在（Col.1, ln 6-15）。

* **实质公开**：公开了通过电容传感器阵列检测患者在床上的位置移动（如坐起、移向床边），并**预测即将发生的离床**（“vacation of the bed by the patient is imminent”，Col.2, ln 10-15；Col.11, ln 15-25）。此外，公开了微处理器根据多次历史偏移数据进行自动校准和模式比对（Col.9-10）。

* **区别/未公开**：D3检测的是**电容/介电常数（Dielectric constant）变化（即物理位置与体重分布）**，而非测量用户自身的**生理特征（如心率、呼吸、HRV等生命体征）**。

---

#### 2. 权利要求1与对比文件特征比对表（Feature Comparison Table）

---

### 三、 最接近对比文件分析与创造性（无效）论证

#### 1. 最接近对比文件的选择

在创造性分析（三步法）中，**D3 (US6067019A)** 是最适合作为**第一最接近对比文件（Primary Reference）**。

* **整体解决的技术问题与效果**：

* **目标专利**要解决的问题是：常规压力垫侵入性高、易疲劳，且无法**提前预测**离床；其技术效果是提供一种不引人注目的提前预判离床系统（说明书[0005]-[0007]）。

* **D3** 同样属于**离床报警领域**，其要解决的技术问题是“如何在不干扰患者舒适度（无侵入）的情况下，提前预测患者即将离床（predict imminent bed exit）以减少误报”（Col.1, ln 10; Col.2, ln 10-25）。技术领域、技术问题和应用场景与目标专利高度一致。

* **为何D1/D2不适合作为最接近对比文件**：

* D1属于环境舒适度与精神压力评估系统；D2属于心电信号处理算法。两者的发明目的、技术领域和实际应用均与“离床报警”相去甚远。

#### 2. 区别技术特征及技术效果

将目标专利权利要求1与最接近对比文件 D3 进行比较，**区别技术特征**在于：

* **D3** 是通过电容传感器测量**空间介电常数/体重物理位置**的变化来预测离床；

* **目标专利权利要求1** 是通过测量用户自身的**生理特征（生命体征，如心率、HRV、呼吸等）**的变化，并将其与多次先前离床期间收集的**生理数据**进行比对，来确定离床可能性。

#### 3. 结合D1/D2进行创造性（无效）攻击的逻辑

* **技术效果与实际解决的技术问题**：区别特征带来的技术效果是利用人体离床前自主神经系统或体征的自然变化（如醒来、交感兴奋导致HRV及心率变化）来实现完全非接触/无感式的离床预测。其解决的实际技术问题是：“如何提供一种利用人体自身生命体征变化来预测离床的技术方案”。

* **结合D1/D2的结合启示（Motivation）**：

* **D2 (JPH08322813A)** 明确公开了：心率变异性（HRV）中的 HF 成分反映安静/睡眠与觉醒状态（[0003]），LF/HF 比值以及心率变化能够实时定量反应人的**觉醒度、精神紧张度及起立性刺激（姿势变化）**（[0002]-[0003]）。

* **结合路径**：本领域技术人员在面对 D3 提出的“预测即将离床”这一需求时，在结合 D2 的教导下，很容易意识到：患者在离床前必然经历“醒来”和“姿势改变（坐起）”的过程，而 D2 已经证实这些过程可以通过测量“心率/HRV等生理特征”来捕获。因此，将 D3 中用于预测离床的“物理位置变化数据”替换或补充为 D2 所教导的“生理特征（HRV/心率）变化数据”，是本领域技术人员结合常规技术手段显而易见的。

---

### 四、 无效请求中最薄弱的技术特征及检索策略

#### 1. 最薄弱的技术特征分析

权利要求1中**最薄弱（最容易被攻破）的技术特征**是：**技术特征G（比较生理特征的变化与在多次先前的用户离床期间收集的数据）**。

* **薄弱原因**：

1. “将当前测量数据与历史多次数据进行比对/算法训练（自学习/监督学习）”属于**本领域的公知常识或通用数据处理手段**。D1（[0008]、[0028]）和 D3（Col.10）均公开了利用历史数据更新判定基准/自动校准的思路。

2. 权利要求1中对“多次先前的用户离床期间收集的数据”仅作了功能性/结果性的限定，未限定任何具体的算法步骤或特征提取细节（如SVM超平面、特征向量类型等）。根据专利审查指南，这种宽泛的功能性限定极易被现有技术中的“机器学习/历史数据比对”通用技术手段所覆盖。

#### 2. 进一步的对比文件检索策略（Search Strategy）

为了实现对权利要求1的**100% 破坏新颖性或强有力地破坏创造性**（即寻找一篇文章完全公开“基于生理特征/生命体征预测离床”），建议采取以下补强检索策略：

1. **核心分类号组合检索（IPC/CPC）**：

* `A61B5/11`（运动/位置检测）、`A61B5/02`（心率/脉搏检测）、`G08B21/04`（离床/跌倒响应报警）。

* 组合表达式：`(A61B5/11 OR G08B21/04) AND (A61B5/02 OR A61B5/08) AND (bed exit OR getting out of bed)`

2. **关键词演变与精准表达**：

* **离床/离座**：`Bed exit`, `Leaving bed`, `Getting out of bed`, `Bed departure`, `Unattended bed`.

* **生理特征/预判**：`Heart rate variability`, `HRV`, `Vital signs`, `Respiration rate`, `Pre-exit`, `Predict`, `Early warning`, `Intention`.

3. **优先权日与专利族检索**：

* 目标专利最早优先权日为 **2008年11月13日**（CN102150186B）。必须重点检索 **2008年11月13日之前** 临近3-5年（2003年-2008年）发表的IEEE学报、Medline/PubMed学术论文（如关于利用ECG/BCG预测患者离床意图的临床研究文章）。

4. **非专利文献（NPL）侧重**：

* 医疗监视领域大量算法率先发表于学术会议。建议重点检索 IEEE Transactions on Information Technology in Biomedicine、IEEE EMBC（工程医学生物学大会）关于“Unobtrusive Bed Exit Prediction using Vital Signs”或“Ballistocardiogram (BCG) for Bed Exit Detection”的文献。这类文献极易直接公开利用压电/气动传感器采集床褥上的心跳/呼吸信号来预测离床的技术方案。

```python?code_reference&code_event_index=1

import weasyprint

print(weasyprint.__version__)

```

```text?code_stdout&code_event_index=1

62.3

```

```python?code_reference&code_event_index=2

import os

# Define the HTML content and CSS

html_content = """<!DOCTYPE html>

<html lang="zh-CN">

<head>

<meta charset="UTF-8">

<title>权利要求无效及创造性对比分析报告</title>

<style>

@page {

size: A4;

margin: 18mm 15mm 18mm 15mm;

@bottom-right {

content: "第 " counter(page) " 页 / 共 " counter(pages) " 页";

font-family: "PingFang SC", "Microsoft YaHei", "SimSun", sans-serif;

font-size: 8.5pt;

color: #718096;

}

@bottom-left {

content: "专利无效及创造性比对分析报告 — 离床报警系统";

font-family: "PingFang SC", "Microsoft YaHei", "SimSun", sans-serif;

font-size: 8.5pt;

color: #718096;

}

}

* {

box-sizing: border-box;

}

body {

font-family: "PingFang SC", "Microsoft YaHei", "SimSun", sans-serif;

font-size: 10pt;

line-height: 1.6;

color: #2d3748;

background-color: #ffffff;

margin: 0;

padding: 0;

}

/* Banner Header */

.header-banner {

background-color: #1a365d;

color: #ffffff;

padding: 22px 20px;

margin: -18mm -15mm 20px -15mm;

border-bottom: 4px solid #2b6cb0;

}

.header-banner h1 {

font-size: 18pt;

font-weight: bold;

margin: 0 0 6px 0;

padding: 0;

letter-spacing: 0.5px;

}

.header-banner .subtitle {

font-size: 10.5pt;

color: #cbd5e0;

margin: 0;

}

/* Metadata Box */

.meta-grid {

width: 100%;

margin-bottom: 20px;

border-collapse: collapse;

background-color: #f7fafc;

border: 1px solid #e2e8f0;

border-radius: 4px;

}

.meta-grid td {

padding: 8px 12px;

font-size: 9.5pt;

border-bottom: 1px solid #edf2f7;

}

.meta-grid td.label {

font-weight: bold;

color: #4a5568;

width: 18%;

background-color: #edf2f7;

}

.meta-grid td.value {

color: #2d3748;

width: 32%;

}

/* Headings */

h2 {

font-size: 13pt;

color: #1a365d;

border-left: 4px solid #2b6cb0;

padding-left: 8px;

margin-top: 22px;

margin-bottom: 10px;

page-break-after: avoid;

}

h3 {

font-size: 11pt;

color: #2c5282;

margin-top: 14px;

margin-bottom: 6px;

page-break-after: avoid;

}

p {

margin-top: 0;

margin-bottom: 8px;

text-align: justify;

}

/* Highlight Box */

.callout-box {

background-color: #ebf8ff;

border-left: 4px solid #3182ce;

padding: 10px 14px;

margin: 12px 0;

border-radius: 0 4px 4px 0;

font-size: 9.5pt;

}

.callout-box-warning {

background-color: #fffaf0;

border-left: 4px solid #dd6b20;

padding: 10px 14px;

margin: 12px 0;

border-radius: 0 4px 4px 0;

font-size: 9.5pt;

}

/* Tables */

table.comparison-table {

width: 100%;

border-collapse: collapse;

margin: 12px 0 18px 0;

font-size: 8.5pt;

}

table.comparison-table th {

background-color: #2b6cb0;

color: #ffffff;

font-weight: bold;

padding: 7px 8px;

border: 1px solid #2b6cb0;

text-align: left;

}

table.comparison-table td {

padding: 7px 8px;

border: 1px solid #cbd5e0;

vertical-align: top;

line-height: 1.45;

}

table.comparison-table tr:nth-child(even) {

background-color: #f7fafc;

}

.tag-disclosed {

color: #22543d;

background-color: #c6f6d5;

font-weight: bold;

padding: 1px 4px;

border-radius: 3px;

display: inline-block;

}

.tag-not-disclosed {

color: #742a2a;

background-color: #fed7d7;

font-weight: bold;

padding: 1px 4px;

border-radius: 3px;

display: inline-block;

}

.tag-partial {

color: #744210;

background-color: #feebc8;

font-weight: bold;

padding: 1px 4px;

border-radius: 3px;

display: inline-block;

}

/* Lists */

ul, ol {

margin-top: 4px;

margin-bottom: 8px;

padding-left: 20px;

}

li {

margin-bottom: 4px;

}

.source-quote {

font-size: 8pt;

color: #4a5568;

background-color: #edf2f7;

padding: 4px 6px;

border-radius: 3px;

margin-top: 4px;

display: block;

font-family: "Courier New", Courier, monospace;

}

</style>

</head>

<body>

<div class="header-banner">

<h1>权利要求无效及创造性对比分析报告</h1>

<div class="subtitle">专利法律分析与检索策略建议 — 目标专利：CN102150186B《离床报警系统》</div>

</div>

<table class="meta-grid">

<tr>

<td class="label">分析目标专利</td>

<td class="value">CN102150186B（离床报警系统）</td>

<td class="label">目标分析权利要求</td>

<td class="value">权利要求1（独立权利要求）</td>

</tr>

<tr>

<td class="label">对比文件 D1</td>

<td class="value">JP4081229B2（取出机器人程序）</td>

<td class="label">对比文件 D2</td>

<td class="value">US20080132808A1（床占用监视系统）</td>

</tr>

<tr>

<td class="label">对比文件 D3</td>

<td class="value">US20080169931A1（离床与患者检测）</td>

<td class="label">分析角度</td>

<td class="value">结合说明书解释、特征比对、创造性与最薄弱特征分析</td>

</tr>

</table>

<h2>一、 目标专利说明书对权利要求1的解释</h2>

<p>在专利诉讼与无效宣告程序中，权利要求的术语应当结合目标专利说明书及附图进行合理解释，以确定其真实的技术边界：</p>

<ul>

<li><strong>“生理特征”（技术特征B、F、G）：</strong> 结合说明书第[0001]、[0010]、[0022]、[0030]段及图2，该生理特征明确包含生命体征（Vital Signs），如<b>脉搏/心率、心率变异性（HRV）、体温、血压、呼吸率</b>以及体动等。系统旨在通过完全“不引人注目（Unobtrusive）”的方式连续监视上述指标。</li>

<li><strong>“确定该用户将要离开床的可能性”（技术特征F、G）：</strong> 结合说明书第[0038]-[0048]段，该过程<b>并非</b>指简单的在患者已离开床（重量清零）后的事后检测，而是<b>在前瞻性（Predictive）阶段</b>，依据离床过程中各阶段（醒来→产生欲望/交感兴奋→坐起→离床）所伴随的生理特征变化（如醒来与交感兴奋引起的心率变异性HRV改变、坐起引起的姿势性心率增加等），预测离床事件发生的概率。</li>

<li><strong>“与在多次先前的用户离床期间收集的数据进行比较”（技术特征G）：</strong> 结合说明书第[0042]-[0047]段及图4，此特征指系统具备<b>自学习/递归学习（Recursive Learning）机制</b>。系统利用床存在传感器（如压力传感器18）确认实际离床发生后，将此前积累的历史生理变化数据作为训练集，采用<b>监督分类算法（如支持向量机SVM或神经网络NN）</b>更新离床预测算法，从而对特定个人的行为特征变化进行动态自适应。</li>

</ul>

<h2>二、 对比文件技术特征比对分析（含详细原文出处）</h2>

<p>下表详细记录了权利要求1的技术特征A~G在三份对比文件（D1: JP4081229B2, D2: US20080132808A1, D3: US20080169931A1）中的公开情况及比对结论：</p>

<table class="comparison-table">

<thead>

<tr>

<th style="width: 12%;">特征编号</th>

<th style="width: 20%;">权利要求1技术特征拆解</th>

<th style="width: 22%;">对比文件 D1<br>(JP4081229B2)</th>

<th style="width: 23%;">对比文件 D2<br>(US20080132808A1)</th>

<th style="width: 23%;">对比文件 D3<br>(US20080169931A1)</th>

</tr>

</thead>

<tbody>

<tr>

<td><b>特征 A</b></td>

<td>一种用于监视床（2）上的用户的离床报警系统（5），该系统包括一个或多个传感器（10）；</td>

<td><span class="tag-not-disclosed">未公开</span><br>领域非床用监视，系工业取出机器人程序制造装置（【0001】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了床占用监视系统及压力传感器阵列5（[0015],[0048]）。<span class="source-quote">"...a bed occupant monitoring system comprising a pressure sensitive member... sensor 5..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了病床离床及患者检测系统，包括传感器阵列14（[0040],[0052]）。<span class="source-quote">"...patient monitoring system 10... sensing array 14..."</span></td>

</tr>

<tr>

<td><b>特征 B</b></td>

<td>所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征；</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅涉及机器人位置/速度量化测算（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>传感器用于测量呼吸（pulmonary）及心率（heart rate）等生理特征（[0029],[0060]）。<span class="source-quote">"...computing a heart rate... respiration rate... from measured pressure signals."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>压电薄膜传感器32用于测定心率（heart rate）和呼吸率（respiratory rate）（[0001],[0051]）。<span class="source-quote">"...monitoring vital signs such as heart rate and respiratory rate..."</span></td>

</tr>

<tr>

<td><b>特征 C</b></td>

<td>所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号；</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅产生机器人轴位与速度信号（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>传感器产生反应生理特征的波能/光电信号（[0015],[0026]）。<span class="source-quote">"...pressure sensors configured to provide an optical pressure signal..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>传感器产生指示生命体征的电信号并传送至基站（[0041],[0051]）。<span class="source-quote">"...produce an electrical signal in response to physiological patient stimuli..."</span></td>

</tr>

<tr>

<td><b>特征 D</b></td>

<td>和处理器（12）；</td>

<td><span class="tag-disclosed">实质公开</span><br>公开了控制部的程序生成部及更新手段（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了微处理器（Microprocessor 32）及信号处理器（[0057],[0060]）。<span class="source-quote">"...A microprocessor is coupled... signal processing function..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>公开了床旁单元12中的信号处理器与报警处理器（[0041],[0046]）。<span class="source-quote">"...houses a signal processor and an alarm processor..."</span></td>

</tr>

<tr>

<td><b>特征 E</b></td>

<td>所述处理器（12）适于监视所述对应信号；</td>

<td><span class="tag-not-disclosed">未公开</span><br>监视对象为机器人轴移动指令与反馈（【0007】）。</td>

<td><span class="tag-disclosed">毫无异议公开</span><br>微处理器/处理器读取并连续监视采样后的生理特征信号（[0057],[0060]）。<span class="source-quote">"...sampled signal is read by micro-processor... implements signal processing..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>处理器接收、缓冲并持续监视传感器的信号（[0044],[0048]）。<span class="source-quote">"...programmed to continually observe the state of the various pressure sensors..."</span></td>

</tr>

<tr>

<td><b>特征 F</b></td>

<td>并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性；</td>

<td><span class="tag-not-disclosed">未公开</span><br>无离床确定功能。</td>

<td><span class="tag-partial">实质/部分公开</span><br>通过监测生理信号导数/波形大扰动（体动）及结合预定阈值预测/确定离床（[0026],[0063]）。<span class="source-quote">"...detect the impending egress of a bed occupant... bodily movement 56..."</span></td>

<td><span class="tag-disclosed">毫无异议公开</span><br>根据生理/位置传感信号的组合模式确定用户是否正在尝试（attempting/likely）离床（[0017],[0048]）。<span class="source-quote">"...evaluate a patient's position... to determine whether a patient... is likely to be exiting the bed."</span></td>

</tr>

<tr>

<td><b>特征 G</b></td>

<td>其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅为机器人教示程序的多次重复调整（【0003】）。</td>

<td><span class="tag-not-disclosed">未公开</span><br>仅基于预设固定的阈值或自适应当前波形判断，<b>未公开基于多次历史离床收集数据的自学习/训练比对</b>（[0064]）。</td>

<td><span class="tag-not-disclosed">未公开</span><br>基于预设的逻辑规则表（Logic Rules Table 9-11）与消抖时间判断，<b>未公开利用历史离床事件积累数据进行比对/自适应学习</b>（[0068]-[0079]）。</td>

</tr>

</tbody>

</table>

<h2>三、 最接近对比文件的选择与技术效果分析</h2>

<h3>1. 各对比文件的技术领域、解决的问题与技术效果</h3>

<ul>

<li><strong>D1 (JP4081229B2)：</strong> 属于工业自动化控制领域（塑料注塑成型机取出机器人的教示程序生成）。其解决的问题是如何简化取出机器人动作修正时的程序编辑，效果是提高程序修改效率。<b>技术领域、技术问题与技术方案均与目标专利完全无关，完全不适合作为最接近的对比文件。</b></li>

<li><strong>D2 (US20080132808A1)：</strong> 属于医疗监视设备领域。解决的问题是在不给患者带来不适的前提下，连续监视床占用者的生命体征（心率、呼吸）及体动，并预测离床（Impending Egress）。其效果是实现无创无感监视与离床预警。</li>

<li><strong>D3 (US20080169931A1)：</strong> 属于医疗监视设备领域。解决的问题是如何提高离床检测与生命体征监视的准确性、降低虚警率（False Positives）。其效果是通过多区域传感器与逻辑规则组合，精准确定患者是在床上活动还是正在离床（Likely exiting）。</li>

</ul>

<div class="callout-box">

<strong>最接近对比文件结论：</strong><br>

<b>D3 (US20080169931A1) 与 D2 (US20080132808A1) 均非常适合作为最接近的对比文件（主对比文件）。</b><br>

其中，<b>D3 最为贴切</b>。因为 D3 不仅公开了与目标专利高度相同的“生理特征（心率/呼吸）监视与离床报警系统”整体架构，而且其专利核心同样着眼于“区分床上正常体动与试图离床行为，降低误报率”。

</div>

<h3>2. 区别特征及其在其他对比文件中的公开情况</h3>

<p>以 <b>D3 为最接近的对比文件</b>（或以 D2 为最接近的对比文件）进行创造性分析：</p>

<ul>

<li><b>区别技术特征：</b>目标专利权利要求1的<b>技术特征G</b>（处理器适于通过比较生理特征的变化与在<i>多次先前的用户离床期间收集的数据</i>来确定离床可能性）。</li>

<li><b>区别特征在其他对比文件中的公开情况：</b>

<ul>

<li>D2 未公开特征G。D2 仅公开了基于预设阈值或当前生理信号的导数变化（如体动峰值56）来判断离床。</li>

<li>D1 中虽然提到了“多次重复调整”（【0003】），但那是指人工反复调试机器人教示程序，与“基于患者多次历史离床收集的生理数据进行自动化机器学习比对”存在根本的技术领域与本质区别，不构成特征公开。</li>

<li>因此，<b>技术特征G未被对比文件 D1、D2、D3 中的任何一份公开。</b></li>

</ul>

</li>

</ul>

<h2>四、 提出无效宣告请求时的最薄弱技术特征与法律风险</h2>

<div class="callout-box-warning">

<strong>最薄弱技术特征分析（防守方最强/攻击方最弱点）：</strong><br>

权利要求1中最薄弱的攻击点（即专利权人最坚固的防线）是 <b>技术特征G</b>。

</div>

<p><b>详细原因分析：</b></p>

<ol>

<li><strong>缺少直接的技术教导（Prior Art Gap）：</strong> 现有三篇对比文件（D1-D3）均未公开“利用多次先前的离床事件收集的历史生理数据进行训练/比较（即自学习/机器学习递归自适应）”这一特征。D2/D3 采用的均是静态阈值或预设逻辑规则。</li>

<li><strong>显著的技术效果支撑：</strong> 目标专利说明书第[0042]-[0046]段明确指出，不同患者醒来、坐起至离床的时间和生理反应模式不同，且同一个人随着药物或身体状况变化也会改变。特征G通过递归学习（如SVM超平面训练），能够<b>自动适应特定患者个人的行为变化，从而显著降低误报率（False Positive）并提供可靠性评分</b>。这构成了预期的有益技术效果（Technical Effect）。</li>

<li><strong>组合逻辑不足（Lack of Motivation）：</strong> 仅凭 D1-D3 的现有组合，无法直接推导出“将机器学习自适应历史数据比较机制引入到离床报警的生理特征分析中”的公知常识组合动机。因此，仅基于现有三篇对比文件，<b>无法成功宣告权利要求1无效</b>。</li>

</ol>

<h2>五、 进一步对比文件检索策略建议</h2>

<p>为了成功无效目标专利权利要求1，必须针对<b>技术特征G（基于历史离床数据/机器学习/SVM/神经网络的自适应离床预测）</b>补充检索第二代对比文件。建议采取以下检索策略：</p>

<h3>1. 检索要素表达（Search Elements & Keywords）</h3>

<ul>

<li><strong>主题要素（离床/病床监视）：</strong> Bed exit, Bed egress, Bed monitor, Bed occupancy, Leave bed, Patient monitoring.</li>

<li><strong>算法/自学习要素（特征G核心）：</strong> Machine learning, Support vector machine (SVM), Neural network, Historical data, Prior events, Previous bed exits, Training data, Classification, Adaptive, Recursive learning, Self-learning.</li>

<li><strong>生理特征组合要素：</strong> Vital signs, Heart rate, Respiration rate, Heart rate variability (HRV), Physiological signals.</li>

</ul>

<h3>2. 推荐分类号（IPC / CPC Classifications）</h3>

<ul>

<li><b>A61B5/11</b>：测量患者运动方向或位置的设备；体动检测。</li>

<li><b>A61B5/00</b>：患者监视系统、结合机器学习的生物信号处理（A61B5/7267）。</li>

<li><b>G16H50/20</b>：用于医疗诊断/风险评估的计算机辅助系统（含AI/机器学习在医疗中的应用）。</li>

<li><b>G08B21/04</b>：响应个体不动作或特定行为（如跌倒、离床）的报警系统。</li>

</ul>

<h3>3. 补充检索数据库与策略方向</h3>

<ol>

<li><strong>追溯同族与引用专利：</strong> 重点检索 CN102150186B（或其同族 WO2010032172A1）在前体审查过程、美国/欧洲同族（如 US20110169644A1）审查历史（File Wrapper）中所引用的对比文件。</li>

<li><strong>医疗 AI 与模式识别交叉领域检索：</strong> 将检索范围从传统的“硬件床垫/传感器专利”拓展至<b>“医疗数据算法/软件专利”与科技文献（IEEE, PubMed）</b>。重点寻找在2009年9月15日（优先权日）之前，将 SVM 或神经网络应用于患者体动/生理信号预测离床的学术论文或专利文献。</li>

</ol>

</body>

</html>

"""

# Save HTML file

html_filename = "analysis_report.html"

pdf_filename = "权利要求无效及创造性对比分析报告.pdf"

with open(html_filename, "w", encoding="utf-8") as f:

f.write(html_content)

# Convert HTML to PDF using WeasyPrint

weasyprint.HTML(html_filename).write_pdf(pdf_filename)

print(f"PDF created successfully: {pdf_filename}")

```

```text?code_stdout&code_event_index=2

PDF created successfully: 权利要求无效及创造性对比分析报告.pdf

```

Your PDF file is ready

[file-tag: code-generated-file-eb189306-d1b3-4dbe-a485-dc75e2bd14a2]

---

# 权利要求无效宣告与创造性对比分析报告

**目标专利：** CN102150186B《离床报警系统》

**分析对象：** 权利要求1（独立权利要求）

**对比文件：**

- **D1：** JP4081229B2（2008-04-23，*Teaching program manufacturing equipment of the take-out robot*）

- **D2：** US20080132808A1（2008-06-05，*BED OCCUPANT MONITORING SYSTEM*）

- **D3：** US20080169931A1（2008-07-17，*BED EXIT AND PATIENT DETECTION SYSTEM*）

---

### 一、 紧密结合目标专利说明书对权利要求1的解释

在专利无效或诉讼程序中，权利要求的技术特征必须紧密结合目标专利说明书（CN102150186B）及附图进行合理解释，以明确其确切的技术边界：

1. **“生理特征”（技术特征B、F、G）：**

* **说明书解释：** 结合说明书第[0001]、[0010]、[0022]、[0030]段及图2，该系统中的“生理特征”明确指生命体征（Vital Signs），具体包括**脉搏/心率、心率变异性（HRV）、体温、血压、呼吸率**以及体动。系统旨在采用无感、无创（Unobtrusive）的方式在床垫下/内连续监测上述指标。

2. **“确定该用户将要离开床的可能性”（技术特征F、G）：**

* **说明书解释：** 结合说明书第[0038]-[0041]段，离床过程包含四个阶段（醒来 → 产生离开欲望/交感兴奋 → 坐起 → 离床）。处理器并非仅在离床发生后（重量清零）才报警，而是在**前瞻性（Predictive）阶段**，利用醒来与交感兴奋引发的心率变异性（HRV）模式变化以及姿势改变（坐起）引发的心率增加，在前预测用户离开床的可能性（概率）。

3. **“与在多次先前的用户离床期间收集的数据进行比较”（技术特征G）：**

* **说明书解释：** 结合说明书第[0042]-[0047]段及图4，该特征对应系统的**递归学习/自学习机制（Recursive Learning）**。系统结合实际离床检测传感器（如压力传感器18），在确认每次实际离床发生后，将先前积累的历史生理特征数据作为训练样本，采用**监督分类算法（如支持向量机 SVM 或神经网络 NN）**更新预测超平面/算法，从而动态自适应特定个体（如因药物或身体状况改变）的行为习惯。

---

### 二、 对比文件特征比对表格及详细原文出处

下表详细拆解了权利要求1的技术特征 A~G 在各对比文件中的公开情况及具体原文出处：

---

### 三、 最接近对比文件的选择与创造性分析

#### 1. 各对比文件的技术领域、解决的问题与技术效果

* **D1 (JP4081229B2)：** 属于工业自动化（机器人程序教示）领域，解决机器人动作修正繁琐的问题。**技术领域、解决的技术问题及技术方案均与目标专利完全无关**，不适合作为最接近的对比文件。

* **D2 (US20080132808A1)：** 属于医疗监视设备领域，解决在不干扰患者的前提下无感监测生命体征（心率/呼吸）及预测离床（Impending Egress）的问题。

* **D3 (US20080169931A1)：** 属于医疗监视设备领域，解决现有床垫误报率高（False Positives）、无法区分正常体动与试图离床行为的问题，效果是实现精准的离床预警和生命体征监控。

> **最接近对比文件结论：**

> **D3 (US20080169931A1) 与 D2 (US20080132808A1) 均非常适合做最接近的对比文件**。其中 **D3 最为贴切**，因为 D3 不仅公开了完整的生理特征（心率/呼吸）监视与离床报警系统，而且其专利核心同样着眼于“通过信号组合模式降低离床误报率”，与目标专利的技术问题和效果高度重合。

#### 2. 区别技术特征及其公开情况

* **以 D3（或 D2）为主对比文件时的区别特征：** 权利要求1的**技术特征 G**（通过比较生理特征的变化与在*多次先前的用户离床期间收集的数据*来确定离床可能性）。

* **公开情况：**

* D2 和 D3 采用的均是预设静态阈值或预定义逻辑规则表（Debounce Time & Logic Rules），未公开利用历史离床收集数据进行机器学习/自学习。

* D1 的“多次调整”是指人工调试工业机器人程序，与生物医疗领域的“机器学习/自适应算法”存在本质区别。

* **结论：技术特征G未被对比文件 D1、D2、D3 中的任何一份公开。**

---

### 四、 无效宣告请求中最薄弱的技术特征

在针对权利要求1提起无效宣告请求时，**最薄弱的技术特征（即无效攻击方最难攻破、专利权人防御最坚固的特征）是：技术特征 G**。

**原因分析：**

1. **现有对比文件缺少教导：** 在现有提供的对比文件（D1-D3）中，均未揭示“利用多次先前离床收集的数据（即历史训练集）对当前的生理特征变化进行比对/分类”的技术手段。

2. **具有预期的有益技术效果：** 目标专利说明书第[0042]-[0046]段明确指出，不同个体的离床行为模式存在差异，且同一患者的身体状况或药物改变也会导致生理特征变化。特征G通过监督分类算法（如 SVM 超平面）进行递归自适应学习，**显著提高了离床预测的可靠性，降低了误报率（False Positives）**。

3. **显而易见性不足：** 仅凭 D1-D3 的结合，无法得出将“历史离床数据自学习比对”应用于“基于生理特征的离床预测”中的公知常识组合动机。因此，**仅基于现有三篇对比文件，无法成功无效权利要求1**。

---

### 五、 进一步的对比文件检索策略建议

为了成功攻破技术特征G并无效权利要求1，建议按照以下策略补充第二代对比文件检索：

#### 1. 检索要素表达（Keywords & Concepts）

* **主题要素（离床/病床监视）：** Bed exit, Bed egress, Bed monitor, Bed occupancy, Leave bed, Patient monitoring.

* **算法/自学习要素（特征G核心）：** Machine learning, Support vector machine (SVM), Neural network, Historical data, Prior events, Previous bed exits, Training data, Classification, Adaptive, Self-learning, Recursive learning.

* **生理特征要素：** Vital signs, Heart rate, Respiration rate, Heart rate variability (HRV), Physiological signals.

#### 2. 推荐分类号（IPC / CPC）

* **A61B5/11：** 测量患者运动方向或位置的设备；体动检测。

* **A61B5/00：** 患者监视系统；结合机器学习的生物信号处理（A61B5/7267）。

* **G16H50/20：** 用于医疗诊断/风险评估的计算机辅助系统（含 AI/机器学习在医疗中的应用）。

* **G08B21/04：** 响应个体不动作或特定行为（如跌倒、离床）的报警系统。

#### 3. 检索方向与扩展渠道

1. **深入同族与审查历史（File Wrapper）：** 检索目标专利（CN102150186B / WO2010032172A1）及其美国/欧洲同族（如 US20110169644A1）在各国审查阶段考量过的所有对比文件。

2. **跨学科检索（医疗AI与模式识别）：** 将检索范围从传统的“硬件床垫/传感器专利”扩大到**“医疗信号处理算法专利”及学术论文（IEEE Xplore, PubMed）**。重点查找在优先权日（2009年9月15日）之前，将 SVM 或神经网络应用于患者体动/生理信号预测离床的技术文献。

针对目标专利（**CN102150186B《离床报警系统》**，即权利要求1的目标专利）以及所给出的三份对比文件，作为专利代理师，我将为您进行深入的法律与技术比对分析。

---

## 一、 目标专利说明书对权利要求1的解释

在进行新颖性与创造性分析前，需紧密结合目标专利说明书（CN102150186B）对权利要求1的术语和技术方案进行准确界定：

1. **传感器（10）及其测量的“生理特征”**：

* **说明书界定**：根据说明书[0010]、[0030]段，生理特征包括心率、脉率、呼吸率、体温、血压或心率变异性（HRV）。

* **技术实现**：根据[0028]、[0034]段，传感器可以是布置在床垫下方的无源/有源压力传感器或应变计，其不仅能通过高灵敏度检测微弱的生理振动（如心跳、呼吸导致的力学微变），还能兼作床占用检测。

2. **根据“生理特征的变化”确定“离开床的可能性（预测）”**：

* **说明书界定**：根据说明书[0005]、[0040]-[0042]段，本发明强调的是在用户**真正离开床之前**进行**提前预测**，而非仅仅在人离开后（体重释放）发出事后报警。

* **生理机制**：说明书揭示了离床事件前生理特征的演变阶段：醒来（反映在心率变异性HRV及活动谱变化）$\rightarrow$ 产生离床意图（交感兴奋作用，导致HRV模式再次变化）$\rightarrow$ 坐起（姿势变化导致心率增加及压力分布改变）$\rightarrow$ 离床。

3. **核心限定——“通过比较……与在多次先前的用户离床期间收集的数据来确定……”（特征G）**：

* **说明书界定**：根据说明书[0042]-[0046]段，系统具有“自学习/递归学习（Recursive Learning）”能力。系统利用在**最近$n$次（多次）先前离床事件**中记录的该特定个人的生理数据，通过训练**监督分类算法**（如支持向量机SVM或神经网络NN）来自动自适应建立/更新超平面或概率模型，从而定制个性化的离床预测算法。

---

## 二、 对比文件技术特征比对与公开性分析

以下对三份对比文件进行详细剖析，指出其公开或实质公开的具体特征及原文详细出处（英文段落）。

### 1. 对比文件1：US20080005838A1 (以下简称 D1)

* **公开号**：US20080005838A1

* **技术方案概述**：公开了一种集成在患者支撑装置（如病床）上的生命体征监视系统，通过位于支撑架构四角的力传感器（Load cell）测量患者体重、呼吸率（Breathing rate）、心率（Heart rate），并可检测癫痫发作（Seizure）及床离开（Bed exit）。

* **对权利要求1各特征的比对分析**：

* **特征A、B、C（传感器及生理信号产生）**：**毫无疑问公开**。

* *原文出处*：[0005] "...includes a support, at least one force sensor, and a controller... determine from the signal either a breathing rate, a heart rate, or both..."; [0027]-[0031] 详细描述了4个力传感器44检测生理振动并生成信号70。

* **特征D、E（处理器及监视）**：**毫无疑问公开**。

* *原文出处*：[0030] "...transmitted to a controller 68... processes them in a manner that will be described below..."; [0031] "...controller 68 which performs an analysis of the data contained within the electrical signals 70."

* **特征F（根据生理特征变化确定离床可能性）**：**实质公开（或近乎完全公开）**。

* *原文出处*：D1在[0057]指出“The monitoring of the patient's weight may also be performed as part of, or separately from, a patient bed exit system in which controller issues an alert when it detects that the patient's weight has substantially or completely been lifted off of patient support deck 28.”同时，D1在[0016]、[0024]、[0048]（图16、17）中分析了患者在床上“坐起（sitting-up）”时心率/呼吸生理信号与力学信号的变化。因此，D1公开了利用传感器监视生理/体重信号变化来判断离床或进行离床报警。

* **特征G（对比多次先前离床收集的数据预测）**：**未公开**。

* *分析*：D1的离床报警仅基于简单的实时体重阀值（抬离床板），其心率/呼吸分析采用的是快速傅里叶变换（FFT）（[0032]、[0038]），并没有记录**多次先前离床历史生理数据**并进行比较学习来预测离床的技术手段。

---

### 2. 对比文件2：US20080021731A1 (以下简称 D2)

* **公开号**：US20080021731A1

* **技术方案概述**：公开了一种用于监视患者支撑物（床、轮椅等）离开并发起响应的方法与系统，利用摄像头、RFID、光束阵列或传感器监视患者动作，结合**患者个人档案（Patient Profile）**预测离床行为。

* **对权利要求1各特征的比对分析**：

* **特征A、D（传感器与处理器）**：**毫无疑问公开**。

* *原文出处*：[0015] "...one or more cameras... to a computer system (e.g., a local computer referred to as the 'in room controller')..."；[0023]、[0024]、[0093]公开了传感器矩阵（光束矩阵、RFID网格等）。

* **特征B、C（测量生理特征及产生信号）**：**未公开（或仅广义提示）**。

* *分析*：D2主要通过图像（摄像头）、空间位置（RFID/光束阵列）来监控患者的肢体物理姿态（如滑动、翻身、甩腿，见[0016]、[0038]）。D2在[0022]、[0028]中提到了“biometric measuring devices”及“vital signs”，但其核心算法（[0039]、[0040]、[0113]）预测离床完全基于**肢体空间姿态坐标（spatial coordinates/movements）**，而非测量和分析心率、呼吸等**生理特征（physiological characteristics）的变化**。

* **特征E、F（监视信号根据变化确定离床可能性）**：**实质公开**（基于行为姿态）。

* *原文出处*：[0016] "...analyzes the position of the patient... determine whether or not the patient is preparing to exit the support..."; [0039]-[0040] 描述了识别离床前兆动作以预测离床。

* **特征G（对比多次先前离床收集的数据预测）**：**实质公开（在姿态/动作维度）**。

* *原文出处*：[0017] "According to another aspect... each patient may have a personal profile that includes... stored data relating to the specific body movements and behaviors that are most predictive of support exiting by that patient."; [0019] "...information feedback loop... update a patient profile... action of verifying or rejecting... used to either automatically update the patient profile..."; [0020] "...as the profile is updated over time to account for learned support exiting behavior...".

* *分析*：D2公开了收集特定患者历史上的离床行为，更新个人档案（Profile），并通过与历史离床动作/姿态数据对比来预测离床。**但D2对比的数据是物理姿态/位置数据，而非生理特征数据。**

---

### 3. 对比文件3：US07336187B2 (以下简称 D3)

* **公开号**：US07336187B2

* **技术方案概述**：公开了一种患者活动监视系统（Patient Activity Monitor, PAM），利用铺在床上的力传感器阵列（Smart Sheet）检测患者的心跳、呼吸及体位活动，并可通过历史数据建立数据库进行算法匹配和报警。

* **对权利要求1各特征的比对分析**：

* **特征A、B、C（传感器及生理特征测量）**：**毫无疑问公开**。

* *原文出处*：[0026] "...sensor device 110 comprises a replaceable laminar sensor pad ('smart sheet')... to track and chronicle predetermined patient activities as well as physiological characteristics such as heartbeat and respiration."

* **特征D、E（处理器及监视）**：**毫无疑问公开**。

* *原文出处*：[0027] "Each remote monitoring unit 108 includes a suitable microprocessor... operative to convert the patient information into one or more indications of the patient's status..."; [0029] 说明中央监控单元102处理信息。

* **特征F（根据生理特征变化确定离床可能性/状态）**：**毫无疑问公开**。

* *原文出处*：[0027] "...convert the patient information into one or more indications of the patient's status, e.g., the patient may be out-of-bed, agitated, or incontinent."; [0057] 明确列出了识别的状态包括“10-out of bed”、“6/11-edge limit”、“15-nurse call”等。

* **特征G（对比多次先前离床收集的数据预测）**：**实质公开（部分/相似技术手段）**。

* *原文出处*：[0027] "It is noted that each remote monitoring unit 108 may be employed as a remote data logger of patient activities to create an activity database of real-time patient movements, which may be used to develop algorithms for determining the patients' current status."; [0057] "For example, each remote monitoring subsystem may include a memory... with preloaded objects representing the various patient actions listed above... The remote monitoring subsystem then does a comparison analysis of real sensed patient actions against the stored objects to find a fit... or any other suitable match."

* *分析*：D3公开了记录患者历史活动的数据库，并与预先存储的/建立的对象（Objects/Profiles）进行比较分析来判断离床等状态。**但D3侧重于将实时动作与存储的静态模板/模式匹配来判断“当前状态”（Out of Bed），未明确揭示直接利用“多次先前离床期间收集的生理特征（心率/呼吸）数据”来进行机器学习训练以“预测”离床。**

---

## 三、 特征比对表格（Feature Mapping Table）

---

## 四、 创造性分析：最接近的对比文件选择

在专利无效宣告或创造性评估（参照中国《专利审查指南》“三步法”）中，选择最接近的现有技术（最接近的对比文件）需综合考虑**技术领域、解决的技术问题、技术效果以及公开的技术特征数量**。

本案中，**D3（US07336187B2）** 和 **D1（US20080005838A1）** 均可作为最接近的对比文件，其中**D3最为合适**。

### 1. 为什么选择 D3 为最接近的对比文件（第一候选）？

* **技术领域与手段高度重合**：D3与目标专利均属于通过放置在床上的非侵入式压敏/力学传感器（Smart Sheet）来监测患者**生理特征（心跳、呼吸）**及体位变化的系统。

* **解决的技术问题一致**：两者均致力于解决如何在不给患者带来不适（无侵入感）的前提下，监视患者活动并在患者出现离床（Out of Bed）等危险行为时及时报警，同时降低误报率。

* **技术特征覆盖最多**：D3公开了特征A、B、C、D、E、F。

* **区别技术特征**：目标专利权利要求1相对于D3的区别特征在于**特征G**（具体限定为：通过将生理特征的变化与**在多次先前的用户离床期间收集的数据**进行比较来确定离床的可能性）。

* **实际解决的技术问题**：如何提高针对特定个人离床预测的准确性并降低误报率（实现个性化自适应预测）。

### 2. 为什么 D1 也可以作为最接近的对比文件（第二候选）？

* **技术方案类似**：D1同样利用床上的力传感器（Load cells）同时测量心率、呼吸和体重变化，并具备离床报警功能（[0057]）。

* **区别特征**：相对于D1，目标专利的区别在于D1缺乏“递归学习/历史数据比对预测”这一机制（特征G），D1仅依赖FFT频域分析和实时阀值。

---

## 五、 结合其他对比文件的组合创造性分析

针对上述区别特征（**特征G：利用多次先前离床期间收集的生理特征数据进行比对/学习以预测离床**）：

1. **D2 的组合教导作用**：

* D2（US20080021731A1）的核心教导在于**“自学习与历史Profile更新机制”**。D2明确公开了通过监控设备收集特定患者历史上的离床动作，建立/更新个人离床档案（Patient Profile），并将实时监测到的数据与多次先前验证过的离床历史数据进行比较，从而提高离床预测准确性、减少误报（[0017]、[0019]、[0020]）。

* **结合逻辑**：审查员/无效请求人极易将 **D3（或D1）与 D2 进行组合**。审查员会认为：D3已经公开了利用传感器监测生理特征和离床状态，而D2已经给出了“将实时监测数据与多次先前离床收集的数据进行比较以优化离床预测”的技术教导。本领域技术人员在面对“如何提高D3离床预测准确性”这一技术问题时，有动机将D2中的历史数据比对/自学习档案机制应用到D3的生理特征监测中，从而得出权利要求1的技术方案。

---

## 六、 无效请求中最薄弱的技术特征分析

如果在专利无效程序中发起攻击，**权利要求1目前面临的“最薄弱特征”（即最容易被攻破或被认定为显而易见的特征）是：**

> **最薄弱特征**：*“所述处理器适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床的可能性”（特征G）*

### 薄弱原因剖析：

1. **概念被D2和D3双向夹击**：

* D2公开了“比对多次先前离床数据（Profile）来预测离床”的思想（虽然D2偏向姿态）；

* D3公开了“收集历史离床/活动数据建立数据库，并与实时数据进行比对匹配”（[0027]）。

2. **算法泛化（常规技术手段的转移）**：

在2008-2010年期间，将“历史数据采集 $\rightarrow$ 建立个人Profile/算法模型 $\rightarrow$ 实时比对预测”这一机器学习/自适应控制的通用思路，从“肢体姿态领域（D2）”转移应用到“生理信号变化领域（D3/D1）”，在专利审查实务中极易被认定为**“本领域技术人员的显而易见的技术转移”**，缺乏突出的实质性特点。

---

## 七、 进一步的对比文件检索策略（Retrieval Strategy）

为了在无效宣告程序中彻底击头（彻底破坏权利要求1的新颖性/创造性），或者寻找能够完全毁灭“生理信号+历史机器学习预测离床”组合的**“致命单篇（X类文献）”**，建议采取以下进一步检索策略：

### 1. 检索要素表达与分类号组合（IPC/CPC）

* **核心分类号（CPC/IPC）**：

* `A61B5/11`（测量患者运动/体位，例如离床监测）

* `A61B5/024`（心率/脉搏监测）、`A61B5/08`（呼吸监测）

* `G08B21/04`（针对老年人/患者跌倒或离床的响应报警系统）

* `G16H40/60`、`G06N20/00`（医疗数据分析、机器学习在医疗预测中的应用）

* **关键词逻辑构建**：

* **主语/场景**：(Bed exit OR leaving bed OR bed-exit OR patient movement OR bed monitor)

* **特征/信号**：(Vital sign* OR physiological OR heart rate OR pulse OR respiration OR breathing OR HRV OR heart rate variability)

* **预测/算法/历史比对（核心突破口）**：(Predict* OR forecast* OR prior exit* OR previous exit* OR machine learning OR SVM OR neural network OR adaptive OR recursive learning OR historical data OR train*)

### 2. 精准检索策略方向

* **方向一：追溯机器/深度学习在生理信号离床预测中的早期文献（找单篇X文献）**：

* 重点检索 **2009年11月之前**（目标专利优先权日/申请日之前）的学术期刊及专利。特别是针对IEEE Transactions on Biomedical Engineering、Physiological Measurement等期刊，检索关键词：`"heart rate" AND "bed exit" AND ("prediction" OR "learning" OR "SVM")`。

* **方向二：寻找D3的同族或后续改进专利**：

* D3（US07336187B2，申请人为Vital Sensors / MHA Care System）在该领域有深厚的专利布局，可追踪其发明人（如Donald D. Moriarty等）在2003-2009年间发表的其他专利，看是否有更明确提及“利用历史心率/呼吸预测离床”的文献。

* **方向三：组合防守与攻击**：

* 寻找将“心率变异性（HRV）/心率骤增”作为**离床前兆预测因子**（Pre-exit threshold）的文献（如：人在醒来/坐起时交感神经兴奋导致心率变化的生理学文献结合离床系统），以证明“利用离床前的生理变化进行预测”属于公知常识。

一名经验丰富的专利代理师，对目标专利CN102150186B（权利要求1）与三份对比文件（D1: JP2007330336A、D2: JP2007330659A、D3: US7316171B2）进行对比分析。

---

### 一、 目标专利权利要求1的技术特征拆解与说明书解释

根据目标专利CN102150186B说明书的记载，权利要求1各技术特征的含义与作用解释如下：

* **技术特征A：** “一种用于监视床（2）上的用户的离床报警系统（5），该系统包括一个或多个传感器（10）”

* **说明书解释：** 离床报警系统位于床垫下、床垫上或集成于床垫中（图1，[0028]），包含用于监视生命体征/生理特征的传感器单元（[0028]）。

* **技术特征B：** “所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征”

* **说明书解释：** 生理特征具体包含心率、脉率、呼吸率、体温、血压或心率变异性（HRV）中的任意一种或多种（[0010]、[0030]）。

* **技术特征C：** “所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号”

* **说明书解释：** 传感器生成对应于测量到的生理特征（如心跳、呼吸等）的电信号并传输给处理器（[0030]、[0031]）。

* **技术特征D：** “和处理器（12）”

* **说明书解释：** 处理器可位于床边传感器单元内（图2中的12），也可位于远程基站/护士站（图2中的22，[0029]、[0036]）。

* **技术特征E：** “所述处理器（12）适于监视所述对应信号”

* **说明书解释：** 处理器连续接收并监控生理特征信号的动态变化（[0031]、[0038]）。

* **技术特征F：** “并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性”

* **说明书解释：** 在用户尚未实际离开床之前，基于醒来、交感兴奋等引起的生理特征变化（如心率变异性变化、姿势改变导致的心率增加），预测其**“将要离床（即离床的倾向/可能性）”**，实现提前预警（[0022]、[0031]、[0041]）。

* **技术特征G：** “其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性。”

* **说明书解释：** 该系统利用历史离床事件中记录的生理数据进行**递归自学习/机器学习**（如神经网络或支持向量机SVM，图4，[0042]-[0046]），评估离床概率并自动适应个体行为变化（[0043]-[0045]），从而减少误报。

---

### 二、 对比文件技术特征比对表格及原文出处分析

为方便统称，将三份对比文件分别标记为：

* **D1：** JP2007330336A

* **D2：** JP2007330659A

* **D3：** US7316171B2

#### 1. 详细特征比对表格

---

#### 2. 对比文件原文出处分析

##### **D1 (JP2007330336A)**

* **特征A/D：** 公开了一种护理支援装置（离床检测），包含手扶传感器（手すりセンサ21a, 21b）、重心传感器（重心センサ31a-31d）及控制装置200（[2]段[2]、图2）。

* **特征B/C/E未公开：** D1检测的是被护理者的重心（重心位置）及手扶部位受到的力（[2]段[2]），并未测量或产生“生理特征（如心率、呼吸率等）”信号。

* **特征F（机制不同）：** D1段[2]（第1实施形态）公开了“当判定手扶被向前拉且重心位于离床预测区域时，判定起床动作开始并报警”。其预测基于肢体动作与重心，而非“生理特征的变化”。

* **特征G未公开：** D1段[2]（图3、图4）明确说明离床预测区域是基于统计数据固定设定，或根据身高/体型调整，不涉及比较“在多次先前的用户离床期间收集的数据”。

##### **D2 (JP2007330659A)**

* **特征A/D：** 公开了一种床在床状况检测装置（20），包括配置在床四脚下的第1~第4荷重检测手段（21a-21d）及演算装置（30）（[2]段[12]、图1、图3）。

* **特征B/C/E未公开：** D2测量的是各脚部的“荷重值/重量”（[2]段[2]），明确排除或未提及生理特征。

* **特征F（概念不同）：** D2段[2]第[8]项及段[2]（图8步S53）公开了“根据头侧荷重减少量ΔC判定被验者是否抬起上体（上体を起こした）”。这属于对既成动作/姿态的确定性判定，且基于物理重量变化，而非根据“生理特征变化”来预测“将要离床的可能性”。

* **特征G未公开：** D2采用固定的判定公式（如判定式1~12，段[2]），完全没有结合历史离床数据自学习的特征。

##### **D3 (US7316171B2)**

* **特征A/B/C/D/E：** [0037]-[0040]公开了通过位于床上的压差传感器1a（微型电容麦克风）和气管1b，无侵入式地测量被验者的“心率、呼吸率、脉搏（heart rate, breathing rate, pulse）”（生理特征），并由信号放大/整形电路2与AGC电路3处理后输入处理器6监视。

* **特征F未公开：** D3的图5及[0063]-[0065]公开了判定“在床（in bed）”、“离床（out of bed）”以及“生理信号停止/异常（biosignal stoppage）”。D3只能检测当前是否已离床或生理信号是否停止，**不能在离床发生前根据生理特征变化预测“将要离床的可能性”**。

* **特征G未公开：** D3在公式(A)（[0056]）中使用了未加载情况下的基线数据 $Aa_0$，但该数据仅为无负荷时的静止校准值，并没有收集和比较“多次先前的用户离床期间的生理数据”。

---

### 三、 最接近的对比文件选择及技术问题/效果分析

在创造性评估中，**对比文件3（D3: US7316171B2）** 适合作为**最接近的对比文件**（最主导的对比文件）。同时，**对比文件1（D1: JP2007330336A）** 亦可作为辅助的最接近对比文件视角。

#### 1. 以 D3 (US7316171B2) 作为最接近对比文件的分析

* **技术领域与手段重合度：** D3与目标专利高度一致，均属于“通过无侵入式生理特征传感器（测量心率、呼吸等）监视床 occupied 状态的系统”。D3公开了目标专利的前项技术特征A、B、C、D、E。

* **整体解决的技术问题：**

* D3解决的技术问题是：如何在不给患者带来心理/生理负担的情况下，持续无侵入地监测生理信号并准确判定患者“在床/离床/生理信号停止”状态（[0005]-[0012]）。

* 目标专利解决的技术问题是：克服常规压敏垫侵入性强、易疲劳及误报率高的缺点，提供一种**能够在离床前早期预警（预测将要离床）** 且能降低误报率的离床报警系统（[0005]-[0007]）。

* **区别技术特征：**

1. **特征F部分：** 处理器根据生理特征的变化来确定用户**将要离开床的可能性（预测预警）**，而非仅判定“已离床”或“信号停止”；

2. **特征G：** 处理器通过比较生理特征的变化与**在多次先前的用户离床期间收集的数据**（递归学习/分类器算法）来确定离床可能性。

* **技术效果：** 实现了在患者实际离开床之前更早期地发出预警，且通过历史数据的自学习适应个体差异，极大地减少了误报率（[0005]、[0042]、[0045]）。

#### 2. 未被最接近对比文件（D3）公开特征的交叠检索（在D1、D2中的公开情况）

* **对于特征F（离床预测）：** D1（JP2007330336A）公开了“离床动作开始”的早期预测（[2]段[2]），但其基于扶手拉力和重心位置，**并未**给出“根据生理特征（心率/呼吸等）变化来预测将要离床”的技术教导。

* **对于特征G（历史离床数据比对/学习）：** D1、D2、D3 **均未公开** 特征G。D1采用基于身高的固定区域设置，D2采用固定比例阈值判定，D3仅采用无负荷基线数据校准。

---

### 四、 无效请求中最薄弱的技术特征与防守/攻击要点

在针对目标专利权利要求1提出无效宣告请求时：

1. **最薄弱的技术特征（即对专利权人而言创造性高度最高、对无效请求人而言最难突破的特征）：**

* **技术特征G（通过比较生理特征变化与多次先前离床期间收集的数据来确定可能性）。**

* *原因分析：* 现有技术（D1、D2、D3）中，离床检测大多依赖确定性的物理阈值（如重量低于某值、压力达到一定时间）。而目标专利将**生理特征（如心率变异性HRV、姿势改变引起的心率增加）与自学习分类算法（如SVM、概率网络）相结合**，利用历史离床事件积累的数据进行自适应调整。三份对比文件均完全未涉及“收集多次先前离床期间的生理特征数据”并进行“比对/自学习”的教导。

2. **次薄弱的技术特征：**

* **技术特征F中“根据生理特征的变化预测将要离床”：** 虽然D1教导了“预测离床”，但D1依靠的是机械扶手受力与物理重心；D3虽然监测了生理特征，但仅用于判定“已离床”或“生理停搏”。将生理特征变化（如醒来时的HRV改变、坐起时的交感兴奋心率提升）作为离床的“前兆预测指标”形成了明确的技术偏离。

---

### 五、 进一步的对比文件检索策略（针对技术特征F和G）

为了成功无效权利要求1，后续的检索应当重点寻找**“将机器学习/历史数据比对应用于生理信号监测”**或**“利用生理信号进行行为/离床预测”**的对比文件（做公知常识补充或结合Y特征）。

1. **检索要素分类与表达（关键词与IPC分类号）：**

* **主题/应用（离床/姿势预测）：** Bed exit, Bed leaving, Getting up, Early warning, Intention detection, Motion prediction, 离床, 起床, 离床预测, 行为意图.

* **技术手段1（生理信号监测）：** Heart rate variability (HRV), Heart rate, Respiration, Vital signs, Physiological signal, 生理特征, 心率变异性, 生命体征.

* **技术手段2（机器学习/自学习/历史数据比对 - 针对特征G）：** Supervised learning, Support Vector Machine (SVM), Neural network, Historical data, Prior events, Recursive learning, Patient-specific threshold, 自学习, 监督学习, 历史数据, 模式识别.

* **分类号（IPC/CPC）：**

* `A61B5/11` (检测体动或姿势，如离床)

* `A61B5/024` (心率/脉搏测量)

* `G16H50/20` (基于患者数据的计算机辅助医疗诊断/预测)

* `G08B21/04` (针对人身体状态的报警系统，如跌倒/离床)

2. **组合检索策略（Formula）：**

* **策略一（针对特征G的精准打击）：**

` (A61B5/11 OR G08B21/04 OR G16H) AND (bed exit OR getting up) AND (heart rate OR respiration OR physiological) AND (machine learning OR SVM OR historical data OR prior events OR classifier)`

* **策略二（针对特征F的生理前兆预测）：**

`(A61B5/024 OR A61B5/11) AND (bed exit OR leave bed) AND (predict* OR intend* OR early warning) AND (heart rate variability OR HRV OR sympathetic)`

* **策略三（同族及引文追踪）：**

* 追踪D3（US7316171B2）发明人（例如其早期的日本申请H11-19056、2002-58653等）后续在生理信号预测领域的申请；

* 检索飞利浦（Philips，目标专利申请人）在2009-2010年前后关于“SVM/HRV / Bed exit prediction”的早期学术论文或专利族，寻找是否存在抵触申请或早期的公开文献。

作为一名经验丰富的专利代理师，我现紧密结合**目标专利说明书（CN102150186B）**的教导，对**权利要求1**的技术特征进行法律与技术层面的拆解，并结合对比文件（D1: US2007118054A1, D2: US2007136102A1）的原文内容进行客观比对与创造性分析。

---

### 一、 紧密结合目标专利说明书对权利要求1的解释

目标专利（CN102150186B）发明了一种“**完全不引人注目的离床报警系统**”，旨在克服现有技术中压敏垫/压力开关易导致患者不适及材料疲劳的缺点（说明书[0004]、[0006]、[0022]）。

结合说明书对权利要求1各项技术特征的解释如下：

1. **技术特征A与B（一个或多个传感器，用于测量生理特征）：**

* **解释：** 说明书[0010]和[0030]明确指出，测量用户生理特征的传感器可包括心率、脉率、呼吸率、体温、血压或心率变异性（HRV）中的一种或多种。该传感器可以是无源的或有源的，且优选安装在床垫下方或集成于床垫中（[0028]），对被监视主体完全无侵入/不引人注目（[0022]）。

2. **技术特征C（产生指示生理特征的对应信号）：**

* **解释：** 传感器单元生成对应于测量的生命体征（如脉搏、呼吸率、心率变异性等）的电信号，并传输至处理器（[0030]、[0031]）。

3. **技术特征D、E与F（处理器监视信号，并根据生理特征的变化确定离开床的可能性）：**

* **解释：** 目标专利的核心发明点在于**利用生理特征的“变化”来“预测/确定可能性”**，而非仅依靠物理位置或重量的实时变化。说明书[0040]-[0041]揭示了离床事件的四个阶段（醒来$\rightarrow$注意到欲望$\rightarrow$坐起来$\rightarrow$离开床）。醒来和决策过程会直接反映在**心率变异性（HRV）模式的变化及“交感兴奋作用”**上。因此，处理器可以在用户做出有意识决定或物理坐起之前，通过生理特征的早期变化预测离床可能性。

4. **技术特征G（比较生理特征的变化与在多次先前的用户离床期间收集的数据）：**

* **解释：** 说明书[0042]-[0046]详细解释了该特征。系统具有**自学习/递归学习（recursive learning）机制**。系统根据“在最近n次离床期间记录的特定人的数据”自动调适预测算法，利用**监督分类算法（如神经网络NN或支持向量机SVM）**，根据过去离床事件中积累的“历史生理特征变化数据与实际离床事实形成的训练对”进行学习与分类预测（[0045]-[0046]）。

---

### 二、 特征比对表格（对比文件公开性分析）

为表述简洁，下表中用 **D1** 代指 **US2007118054A1**，用 **D2** 代指 **US2007136102A1**。

---

### 三、 最接近的对比文件选择（整体解决的技术问题与技术效果角度）

在创造性分析中，确定“最接近的现有技术（最接近的对比文件）”需考量技术领域、所解决的技术问题、技术效果以及公开的特征数量。

1. **D1 (US2007118054A1) 分析：**

* **技术领域与手段：** 属于通过非接触式传感器测量生理特征（呼吸、心率）来监控患者状态的领域。

* **解决的技术问题与效果：** 旨在通过监测生命体征的异常模式，提前预测临床疾病（如哮喘发作、心衰恶化、低血糖等）的发作。

* **缺陷：** D1的核心并非“离床预测/离床报警”，其对“离床/觉醒”的判断仅停留在“检测到大范围体动或呼吸信号消失”（段落[0300]），未将生理特征变化与离床预测机制相结合。

2. **D2 (US2007136102A1) 分析：**

* **技术领域与手段：** 属于医疗机构中患者监控与行为预测领域，包含专门的“支撑物离开监控模块（Support Exiting Module）”。

* **解决的技术问题与效果：** 旨在解决无人看护患者“未经协助的离床（unassisted bed exiting）”导致的跌倒和受伤问题；通过预测离床行为并发出预警，降低误报率（false positives）和漏报率（false negatives），提高看护效率（段落[0008]、[0011]-[0013]）。这与目标专利（CN102150186B）要解决的技术问题（预测离床、减少误报警、防侵入）**高度契合**。

#### **结论：D2 (US2007136102A1) 最适合作为最接近的对比文件**

* **理由：** 虽然D1公开了较多的“生理特征测量”硬件手段（特征B、C），但**D2与目标专利在整体解决的技术问题、发明目的（预测离床）、应用场景（离床报警系统）及核心控制逻辑（利用历史离床数据自学习/更新档案来预测离床）上最为接近**。

* *(注：若审查员侧重于硬件构架，也可将D1作为最接近的对比文件进行双路线结合分析；但在实用操作中，D2作为第一出发点更加贴合目标专利的主题及技术效果。)*

---

### 四、 区别技术特征及创造性（无效分析）评估

如果以 **D2 (US2007136102A1)** 为最接近的对比文件，目标专利权利要求1与D2相比，**区别技术特征**在于：

> **区别特征1：** 确定离床可能性所依据的依据是“**一种或多种生理特征的变化**”（而非D2中的物理姿势/肢体视觉动作）；

> **区别特征2：** 用于比较的历史数据是“**在多次先前的用户离床期间收集的生理特征变化数据**”（而非D2中的历史肢体动作数据）。

#### **1. 区别特征是否被其他对比文件（D1）公开？**

* **D1未公开上述区别特征：** 审阅D1原文可知，D1虽然大量记载了利用传感器测量心率、呼吸率等生理特征（[0070]），以及利用机器学习/历史数据（基线）比较来预测哮喘、心衰等“临床疾病发作（clinical episodes）”（[0081]、[0291]），但**D1从未教导或暗示过可以利用“心率、呼吸率或心率变异性等生理特征的变化”来预测“离床（bed exit）”事件**。在D1中，离床仅仅被视为一种干扰信号或者简单的“无信号/体动”状态（[0300]）。

* 因此，即使将D2与D1结合，**本领域技术人员也无法获得“利用离床前生理特征（如醒来时的HRV变化、交感神经兴奋）的规律性变化，结合历史离床生理数据来预测离床”的技术教导**。

#### **2. 提出无效请求时最薄弱的技术特征**

如果发起专利无效宣告请求，本专利**最薄弱（最容易被攻破）的技术特征**在于：

* **特征G中“多次先前的用户离床期间收集的数据”这一表述的撰写范围较宽：**

* 权利要求1仅限定了“在多次先前的用户离床期间收集的数据”，**并未严格限定**该数据必须是“该特定用户的生理特征数据”，也未限定是否必须包含自学习算法（如SVM/神经网络）。

* 现有的很多监控系统（包括D2的段落[0016]、[0020]）均公开了“利用历史收集的离床事件数据（Profile）更新预测模型/阈值以预测下一次离床”的架构。

* **薄弱点突破口：** 对方如果主张“将D1的生理特征监测”替换“D2中用于行为预测的图像/动作特征”，作为一种预测离床的参数补充，容易被审查员认定为“技术参数的简单替换”或“常规技术的组合”。

---

### 五、 进一步的对比文件检索策略（针对无效宣告请求）

为了成功无效目标专利CN102150186B的权利要求1，现有的D1与D2组合尚存在“未公开利用生理特征预测离床”的技术缺口。建议采取以下进一步检索策略：

1. **核心逻辑检索（针对区别特征的精准打击）：**

* **检索目标：** 寻找在2010年11月10日（目标专利优先权日/申请日）之前公开的、**明确记载了“利用生命体征/生理参数（心率、呼吸、心率变异性HRV等）的变化来预测或判断患者离床/起床（Bed exit / Bed egress / Getting out of bed）”** 的对比文件。

2. **检索要素与关键词组合（中英文）：**

* **主题词一（生理特征）：**

`"vital sign"` / `"physiological"` / `"heart rate"` / `"respiration rate"` / `"heart rate variability"` / `"HRV"` / `"生命体征"` / `"生理特征"` / `"心率变异性"`

* **主题词二（离床/起床）：**

`"bed exit"` / `"bed egress"` / `"out of bed"` / `"getting up"` / `"leaving bed"` / `"离床"` / `"起床"`

* **主题词三（预测/算法/历史数据）：**

`"predict*"` / `"anticipat*"` / `"prior data"` / `"historical data"` / `"machine learning"` / `"SVM"` / `"neural network"` / `"预测"` / `"自学习"` / `"历史数据"`

3. **重点检索专利分类号（IPC / CPC）：**

* **A61B5/11**（检测患者体动、位置或姿势的设备）

* **A61B5/024**（脉搏/心率测量）

* **A61B5/08**（呼吸测量）

* **G08B21/04**（专门用于响应患者或居住者状态的报警系统，如跌倒/离床报警）

4. **非专利文献（NPL）检索策略：**

* 目标专利的技术方案（利用醒来时的HRV及交感神经兴奋变化预测离床）极有可能源自**生物医学工程领域的学术论文**。

* **重点数据库：** IEEE Xplore, PubMed, ScienceDirect, CNKI（中国知网）。

* **检索方向：** 搜索2000年–2010年期间关于 *"Unobtrusive bed exit prediction using heart rate variability"* 或 *"Sleep-wake transition detection for bed exit alarm"* 相关的学术论文。如果能检索到提前公开该生理机制及预测算法的论文，可配合D2（系统架构）形成致命打击。

如权利要求1所述的离床报警系统（5），其中所述处理器（12）进一步适于在其确定用户可能离开床（2）的情况下发出警报或报警信号。

如权利要求1或2所述的离床报警系统（5），其中由所述一个或多个传感器（10）测量的该用户的所述一种或多种生理特征包括心率、脉率、呼吸率、体温、血压或心率变异性中的任意一种或多种。

如权利要求1或2所述的离床报警系统（5），进一步包括用于检测用户存在或不存在于床（2）上的传感器（18）。

如权利要求4所述的离床报警系统（5），其中所述用于测量生理特征的一个或多个传感器（10）之一被用作为所述用于检测用户存在或不存在于床（2）上的传感器（18）。

如权利要求4所述的离床报警系统（5），其中所述传感器（18）包括压力传感器或应变计。

如权利要求4所述的离床报警系统（5），其中所述处理器（10）进一步适于在所述传感器（18）指示用户已经离开床（2）的情况下发出警报或报警信号。

如权利要求4所述的离床报警系统（5），其中所述处理器（10）适于使用离床预测算法来根据所述一种或多种生理特征的变化确定该用户将要离开床（2）的可能性。

如权利要求8所述的离床报警系统（5），其中所述处理器（10）适于基于所确定的可能性与来自传感器（18）的用户是否随后离开床（2）的指示之间的比较来更新所述离床预测算法。

如权利要求9所述的离床报警系统（5），其中所述处理器（10）包括用于实现所述离床预测算法的监督分类算法。