**对比文件名称**：US2018189466A1_Description_20251229_2121
**目标专利名称**：交通工具进入检测
**本次调用模型名称**：DeepSeek最新版模型
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：一种用于事件状态检测的方法<br>**判断结果**：未公开 | 对比文件涉及一种基于行为分类的设备认证方法（参见[0001]段， SUMMARY 部分）。 | 对比文件公开的是一种“用户认证（authenticating a user）”的方法，其目的是验证设备使用者的身份（例如解锁设备、调整访问权限等）。而目标专利的“事件状态检测”方法，其目的是检测一个动态事件（如进入交通工具）的发生。两者要解决的技术问题、实现的功能和达到的效果均不相同。因此，对比文件未公开本技术特征。 |
| **技术特征B**：在计算设备处接收多个传感器信号<br>**判断结果**：直接公开 | “gathering samples of behavioral data of the user from multiple sensors of the mobile device.”（参见 SUMMARY 部分，[0007]段）。 | 对比文件明确记载了从移动设备的多个传感器收集行为数据样本。该技术特征在对比文件中的作用是为后续的用户认证提供原始数据输入，与目标专利中为事件状态检测提供数据输入的作用在“接收多传感器信号”这一基础步骤上是相同的。因此，该技术特征被直接公开。 |
| **技术特征C**：在所述计算设备处基于所述多个传感器信号使用人工神经网络针对多个时间区间中的每个时间区间确定子事件状态的概率<br>**判断结果**：未公开 | “extracting, with a convolutional neural network, features from the normalized samples.” 以及 “authenticating the user based on the extracted features.”（参见 SUMMARY 部分，[0007]段）。 | 对比文件公开了使用卷积神经网络（CNN）从归一化的样本中提取特征，并基于提取的特征对用户进行认证（分类）。然而，对比文件并未公开“针对多个时间区间中的每个时间区间确定子事件状态的概率”。其输出是用户身份的分类结果或认证置信度，而非一系列随时间变化的“子事件状态”（如步行、开门等）的概率。两者技术手段和目的不同。因此，对比文件未公开本技术特征。 |
| **技术特征D**：以及在所述计算设备处基于所述子事件状态的概率经由状态序列模型来检测事件状态<br>**判断结果**：未公开 | 对比文件未记载任何关于“状态序列模型”的内容，也未记载基于“子事件状态的概率”序列来检测一个更高级别的“事件状态”。 | 该技术特征是目标专利方案的核心之一，通过状态序列模型（如HMM）分析子事件概率序列来推断最终事件（如进入交通工具）。对比文件的方案止步于基于提取的特征进行用户认证，没有涉及对时序概率序列进行建模以检测复合事件的步骤。因此，对比文件未公开本技术特征。 |
| **技术特征E**：对所述事件状态的检测包括：基于对所述概率的确定来检测所述子事件状态的序列。<br>**判断结果**：未公开 | 同特征C、D，对比文件未涉及“子事件状态”或“子事件状态序列”的检测。 | 该特征是对特征D的进一步限定，强调了通过子事件状态序列进行检测。对比文件的认证过程不依赖于检测一系列具有时序关系的子事件。因此，对比文件未公开本技术特征。 |
| **技术特征F**：检测所述事件状态包括检测用户进入交通工具。<br>**判断结果**：未公开 | 对比文件全篇涉及“用户认证（user authentication）”，未提及任何与“交通工具进入”相关的内容。 | 目标专利要解决的特定技术问题是“低功率自动检测用户进入交通工具”。对比文件要解决的是“基于用户行为进行设备认证”的问题。两者应用场景和检测目标完全不同。因此，对比文件未公开本技术特征。 |
| **技术特征G**：所述多个传感器信号包括音频信号和至少一个运动传感器信号。<br>**判断结果**：未公开 | 对比文件列举的传感器包括：“touch sensor, accelerometer, and/or gyroscope”（参见[0003]段），“orientation of the phone”（参见[0026]段）。未明确提及“音频信号”。 | 该技术特征限定了传感器信号的具体类型组合（音频+运动）。对比文件虽然公开了运动传感器信号（如加速度计、陀螺仪），但未提及使用“音频信号”。因此，对比文件未完整公开该组合特征。 |
| **技术特征H**：所述至少一个运动传感器信号包括加速度计传感器信号、陀螺仪传感器信号、或磁力计传感器信号中的至少一者。<br>**判断结果**：直接公开 | “Behavioral data may include one or more samples from different sensors on a mobile device, such as a touch sensor, accelerometer, and/or gyroscope.”（参见[0003]段）。 | 对比文件明确列举了加速度计（accelerometer）和陀螺仪（gyroscope）作为移动设备上的传感器示例。该公开内容与目标专利中限定的运动传感器类型相同。因此，该技术特征被直接公开。 |
| **技术特征I**：所述多个传感器信号包括运动传感器信号。<br>**判断结果**：直接公开 | 同上（参见[0003]段）。 | 对比文件明确将加速度计和陀螺仪（均为运动传感器）列为传感器示例。因此，“多个传感器信号包括运动传感器信号”这一特征被直接公开。 |
| **技术特征J**：所述多个传感器信号包括音频信号。<br>**判断结果**：未公开 | 对比文件未提及从音频传感器或麦克风收集行为数据。 | 对比文件未记载使用音频信号。因此，该技术特征未被公开。 |
| **技术特征K**：确定所述子事件状态的概率包括：经由卷积神经网络CNN来确定与所述多个传感器信号中的每个传感器信号相对应的状态概率；以及经由深度神经网络DNN来融合所述状态概率。<br>**判断结果**：未公开 | 对比文件公开了使用CNN从归一化样本中提取特征（参见[0007]，[0050]段），但未提及为每个传感器信号确定“状态概率”，也未提及使用一个独立的“深度神经网络(DNN)”来融合这些概率。其分类过程可能直接在CNN的后续层中完成。 | 该特征限定了具体的神经网络架构和数据处理流程（CNN分路确定概率+DNN融合）。对比文件的方案是使用CNN进行端到端的特征提取和分类，并未披露上述分路处理概率再融合的特定架构。因此，对比文件未公开本技术特征。 |
| **技术特征L**：所述CNN包括三个神经网络层。<br>**判断结果**：未公开 | 对比文件未具体描述用于特征提取的CNN的层数。 | 对比文件未公开CNN具有三个神经网络层这一具体结构特征。因此，该技术特征未被公开。 |
| **技术特征M**：所述DNN包括单个神经网络层。<br>**判断结果**：未公开 | 对比文件未提及“DNN”（深度神经网络）这一组件，更未限定其层数。 | 该特征依赖于特征K中的DNN组件。由于特征K未被公开，且对比文件本身未提及DNN，因此该技术特征未被公开。 |
| **技术特征N**：所述状态序列模型包括隐马尔科夫模型或隐半马尔科夫模型。<br>**判断结果**：未公开 | 对比文件全篇未提及“隐马尔科夫模型（HMM）”或“隐半马尔科夫模型”。 | 目标专利中用于分析子事件序列的特定模型（HMM等）在对比文件中没有对应记载。因此，该技术特征未被公开。 |
| **技术特征O**：所述事件状态是基于所述子事件状态的序列和所述子事件状态中的每个子事件状态的历时来检测的。<br>**判断结果**：未公开 | 对比文件未涉及“子事件状态”，也未涉及基于子事件历时进行检测。 | 该技术特征进一步限定了事件状态检测所依赖的具体信息（序列和历时）。由于对比文件根本不涉及“子事件状态”的概念，因此该特征未被公开。 |
| **技术特征P**：所述子事件状态的序列包括含15个子事件状态的序列。<br>**判断结果**：未公开 | 对比文件未提及任何具体数量的“子事件状态”。 | 该特征是对子事件序列的具体数量限定。对比文件未公开相关内容。 |
| **技术特征Q**：经由所述状态序列模型来确定所述事件状态已发生的置信水平，其中当所述置信水平超过阈值时所述事件状态被检测到。<br>**判断结果**：隐含公开 | “an authentication procedure receives a sequence of predictions and processes the received predictions to increase the level of confidence. For example, the authentication procedure processes the sequence of predictions by using a sliding averaging window to average the last N predictions to smooth the decision. The output of the processing of the sequence of predictions is compared to a threshold. The user is authenticated when the output is greater than a threshold.”（参见[0070]段）。 | 对比文件公开了：接收一系列预测（即分类结果），处理这些预测以提高置信度（如使用滑动平均），将处理后的输出与阈值比较，并在超过阈值时完成认证。虽然其处理的“预测”是用户分类结果，而非“子事件状态概率”，但其核心思想与本技术特征相同：**基于一系列中间结果的输出序列，通过特定处理（如平滑）得到一个置信水平，再通过阈值判断来确定最终状态（认证成功/事件发生）**。对于本领域技术人员而言，从对比文件公开的“基于预测序列处理获得置信度并与阈值比较以确定最终认证状态”这一整体方案中，能够确定其中包含了“确定置信水平，并与阈值比较以进行检测”这一相同技术内容。两者在该技术特征上所起的作用是相同的：提供一个可靠的、基于累积证据的最终判断机制。因此，该技术特征被隐含公开。 |
| **技术特征R**：从所述多个传感器信号中的每个传感器信号中提取特征，其中所述子事件状态的概率是基于所提取的特征来确定的。<br>**判断结果**：直接公开 | “extracting, with a convolutional neural network, features from the normalized samples.”（参见 SUMMARY 部分，[0007]段）。 | 对比文件明确记载了使用卷积神经网络从归一化的传感器样本中提取特征。虽然提取的特征用于用户认证而非计算子事件概率，但“从传感器信号中提取特征”这一基础技术手段本身是直接公开的。因此，该技术特征被直接公开。 |
| **技术特征S**：所述计算设备包括可穿戴设备或移动设备，并且其中，所述多个传感器信号是从所述可穿戴设备或移动设备的传感器接收的。<br>**判断结果**：直接公开 | “a method of authenticating a user on a mobile device”（参见 SUMMARY 部分，[0007]段）；“from multiple sensors of the mobile device”（同上）。 | 对比文件的方法明确应用于“移动设备（mobile device）”，且传感器信号来自该移动设备的传感器。这与本技术特征的限定完全一致。因此，该技术特征被直接公开。 |
| **技术特征T**：对所述多个传感器信号进行时间同步，其中，对所述子事件状态的概率的确定基于经时间同步的传感器信号。<br>**判断结果**：直接公开 | “In one configuration, the sensors are synced on a common system clock, which provides all sensors with the same time base.”（参见[0054]段）。 | 对比文件明确公开了将多个传感器在一个公共系统时钟上同步，使它们具有相同的时间基准。这正是“时间同步”技术特征。虽然对比文件中同步的目的是为了后续归一化处理，与目标专利中为概率确定做准备的目的略有不同，但“进行时间同步”这一技术手段本身是直接且相同的。因此，该技术特征被直接公开。 |
| **技术特征U**：对所述经时间同步的传感器信号中的每一者进行重采样以使得所述经时间同步的传感器信号具有相同的采样率，其中对所述子事件状态的概率的确定基于重采样的经时间同步的传感器信号。<br>**判断结果**：直接公开 | “normalizing the samples to have a same number of samples for each sensor”（参见 SUMMARY，[0007]段）；详细描述了通过插值和再采样使不同传感器信号具有相同长度和频率的过程（参见[0061]-[0063]，[0068]，[0071]-[0072]段）。 | 对比文件详细公开了“归一化（normalize）”样本的过程，其核心就是通过对每个传感器的行为信号进行插值估计，然后以相同的起始点、频率和样本数进行重新采样，从而使所有传感器信号具有相同的长度和采样率（即相同的采样率）。这公开了“重采样以使得信号具有相同采样率”的技术特征。因此，该技术特征被直接公开。 |
| **技术特征V**：基于对所述事件状态的检测来执行动作。<br>**判断结果**：直接公开 | “authenticating the user based on the extracted features”（参见 SUMMARY，[0007]段）；基于认证结果执行如解锁设备、调整访问权限等动作（参见[0025]，[0071]段）。 | 对比文件公开了基于认证结果（即其“检测”出的用户身份状态）来执行后续动作（如解锁、权限控制）。这与本技术特征“基于检测执行动作”的概括性描述在技术手段上相同。因此，该技术特征被直接公开。 |
| **技术特征W**：执行所述动作包括以下至少一者：激活导航系统；为用户显示信息；或者向交通工具传送要执行一个或多个动作的指示。<br>**判断结果**：未公开 | 对比文件描述的执行动作包括：解锁设备、允许/拒绝访问应用、切换用户账户、锁定特定功能等（参见[0025]，[0071]，[0077]段）。未提及任何与导航系统、交通工具通信相关的动作。 | 该技术特征限定了与“交通工具进入”场景紧密相关的特定动作。对比文件执行的动作完全围绕“设备访问控制”这一不同场景，未公开上述特定动作。因此，对比文件未公开本技术特征。 |
| **技术特征X**：所述多个传感器信号包括至少两种不同类型的传感器信号。<br>**判断结果**：直接公开 | “from different sensors on a mobile device, such as a touch sensor, accelerometer, and/or gyroscope.”（参见[0003]段）。触摸传感器、加速度计、陀螺仪属于不同类型的传感器。 | 对比文件明确列举了来自不同类型传感器（如触摸传感器和运动传感器）的数据。这直接公开了“多个传感器信号包括至少两种不同类型的传感器信号”这一特征。因此，该技术特征被直接公开。 |
<<<B>>><<<H>>><<<I>>><<<R>>><<<S>>><<<T>>><<<U>>><<<V>>><<<X>>>
<<<q>>>