**对比文件名称**：CN107886103B_Description_20251229_2119
**目标专利名称**：交通工具进入检测
**本次调用的模型名称**：DeepSeek最新版本模型
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A：一种用于事件状态检测的方法**<br>**判断结果：直接公开** | 说明书第[0001]段：“本公开涉及模式识别领域，更具体地，涉及用于识别行为模式的方法、设备和系统。”<br>说明书第[0059]段：“本公开提出了一种基于时序概率模型的、非侵入式的家庭日常活动模式自动识别方法。” | 对比文件公开了一种“识别行为模式的方法”，其通过处理传感器数据序列来推断（或“识别”）行为模式。这实质上是一种“事件状态检测”，即检测和识别与特定行为（事件）相对应的状态。两者在整体技术方案中均起到基于传感器数据识别特定状态/模式的核心作用，因此技术特征A被直接公开。 |
| **技术特征B：在计算设备处接收多个传感器信号**<br>**判断结果：直接公开** | 说明书第[0053]段：“数据获取单元110可用于从多个传感器连续获取传感器数据，以获得分别对应于所述多个传感器的多个传感器数据序列。”<br>说明书第[0048]段：“首先，（二进制）传感器被布置以检测与人员相关的各种信息。” | 对比文件明确记载了从多个传感器连续获取（即“接收”）传感器数据序列。这与目标专利中在计算设备处接收多个传感器信号的技术特征相同，且均作为后续处理的基础数据来源，作用相同。因此，技术特征B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** | 说明书第[0027]段：“基于预定概率模型，根据所述变化特征向量推断并识别行为模式。”<br>说明书第[0068]段：“行为模式确定单元130可被配置为基于预定概率模型，根据所述变化特征向量，将概率最高的行为模式确定为所识别的行为模式。”<br>说明书第[0026]段：“预定概率模型为隐马尔可夫模型‘HMM’。” | 对比文件公开了基于传感器数据的变化特征向量，使用隐马尔可夫模型（HMM）来推断（识别）行为模式。HMM是一种概率图模型，虽然可用于状态序列的概率推断，但其并非“人工神经网络”（ANN）。目标专利明确限定使用“人工神经网络”（如图8中的CNN）来确定子事件状态的概率。HMM与ANN在模型结构、训练方式和原理上存在本质区别。对比文件未公开使用ANN进行概率确定，因此技术特征C未被公开。 |
| **技术特征D：以及在所述计算设备处基于所述子事件状态的概率经由状态序列模型来检测事件状态**<br>**判断结果：直接公开** | 说明书第[0027]段：“基于预定概率模型，根据所述变化特征向量推断并识别行为模式。”<br>说明书第[0028]段：“HMM的隐含状态指示行为模式，HMM的可观测项是所述变化特征向量。”<br>说明书第[0070]段：“步骤S330还可包括：可使用维特比算法来推断转移和观测概率模型，并确定每个状态的历时最优解以区分不同的行为活动。” | 对比文件公开了基于变化特征向量（可视为对传感器数据的处理结果），使用HMM（一种典型的状态序列模型）来推断和识别行为模式（即“事件状态”）。这与目标专利中基于概率经由状态序列模型检测事件状态的技术特征相同，且均起到利用序列模型整合时序信息以最终识别事件的作用。因此，技术特征D被直接公开。 |
| **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：直接公开** | 说明书第[0070]段：“步骤S330还可包括：可使用维特比算法来推断转移和观测概率模型，并**确定每个状态的历时最优解**以区分不同的行为活动。”<br>说明书第[0042]段：“基于这三类参数和观测到的输出序列，可以通过HMM确定（例如，估计）与输出序列对应的状态序列的概率分布。” | 对比文件明确记载了使用维特比（Viterbi）算法来推断最优的状态序列（即“子事件状态的序列”）。维特比算法正是基于HMM的转移概率和观测概率（即“概率的确定”）来寻找最可能的状态序列。这与技术特征E完全相同，且作用一致。因此，技术特征E被直接公开。 |
| **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** | 无相关记载。 | 对比文件全文描述的应用场景是家庭或工作环境中的日常行为模式识别，例如进入书房、使用电脑、如厕、洗澡等（参见说明书第[0002], [0049], [0059]段）。未提及任何与“交通工具”或“进入交通工具”相关的检测目标或应用场景。因此，技术特征F未被公开。 |
| **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** | 说明书第[0018]段：“所述多个传感器包括以下至少一者：人体传感器、引线开关传感器、压力传感器、接触传感器和液位传感器。”<br>说明书第[0017]段提及了其他传感器类型如“运动传感器、……加速度传感器”等，但仅作为示例性列举，并未在具体实施例中明确使用。 | 对比文件具体实施方式中明确列举并使用的传感器类型（人体、引线开关、压力、接触、液位传感器）均为环境或接触式传感器，旨在检测物体（人）的物理存在、位置或动作，而非“音频信号”。虽然在第[0017]段列举了“运动传感器”、“加速度传感器”，但并未将其作为实现所述行为模式识别方法所必需的信号源进行具体描述和应用。因此，对比文件没有直接或隐含公开必须包含“音频信号”和“至少一个运动传感器信号”的组合。技术特征G未被公开。 |
| **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：未公开** | 同上。 | 基于技术特征G未被公开的相同理由，对比文件未公开使用来自加速度计、陀螺仪或磁力计的运动传感器信号。技术特征H未被公开。 |
| **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：未公开** | 同上。 | 尽管对比文件第[0017]段在列举传感器类型时提到了“运动传感器”，但在其具体实现方案（如第[0018]段、第[0053]-[0070]段）中，并未明确将“运动传感器信号”作为获取数据并进行行为模式识别的必要组成部分。其核心在于多种二进制传感器的状态变化序列。因此，不能认定对比文件公开了技术特征I。 |
| **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** | 同上。 | 对比文件未提及使用音频信号进行行为模式识别。技术特征J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** | 说明书第[0026]段：“预定概率模型为隐马尔可夫模型‘HMM’。” | 对比文件用于模式识别的核心模型是隐马尔可夫模型（HMM），并未涉及任何卷积神经网络（CNN）或深度神经网络（DNN）的结构或应用。CNN和DNN是特定类型的人工神经网络，与HMM在模型架构和数据处理方式上存在根本差异。因此，技术特征K未被公开。 |
| **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** | 无相关记载。 | 由于技术特征K（使用CNN）未被公开，其具体的层数特征L自然也未被公开。 |
| **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** | 无相关记载。 | 由于技术特征K（使用DNN进行融合）未被公开，其具体的层数特征M自然也未被公开。 |
| **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：直接公开** | 说明书第[0026]段：“预定概率模型为隐马尔可夫模型‘HMM’。”<br>说明书第[0027]-[0030]段详细描述了HMM各参数的计算。 | 对比文件明确、具体地公开了使用隐马尔可夫模型（HMM）作为其行为模式识别的概率模型，即状态序列模型。这与技术特征N中的“隐马尔科夫模型”完全对应，且作用相同。因此，技术特征N被直接公开。 |
| **技术特征O：所述事件状态是基于所述子事件状态的序列和所述子事件状态中的每个子事件状态的历时来检测的。**<br>**判断结果：隐含公开** | 说明书第[0070]段：“步骤S330还可包括：可使用维特比算法来推断转移和观测概率模型，并**确定每个状态的历时最优解**以区分不同的行为活动。” | 对比文件提到使用维特比算法确定“每个状态的历时最优解”。这意味着在推断最优状态序列（子事件状态的序列）的过程中，同时考虑了每个状态的持续时间（历时）。这隐含了事件状态的检测是基于状态序列及其历时进行的。虽然未像目标专利那样明确表述，但对于本领域技术人员而言，从“确定历时最优解”可以毫无疑义地确定其检测过程必然利用了状态的历时信息。因此，技术特征O被隐含公开。 |
| **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** | 无相关记载。 | 对比文件并未限定其HMM中隐含状态（即子事件状态）的具体数量为15个。该数量是目标专利的特定选择。因此，技术特征P未被公开。 |
| **技术特征Q：经由所述状态序列模型来确定所述事件状态已发生的置信水平，其中当所述置信水平超过阈值时所述事件状态被检测到。**<br>**判断结果：未公开** | 无相关记载。 | 对比文件描述了通过HMM和维特比算法推断最可能的行为模式（状态序列），但并未提及计算一个“置信水平”并将其与阈值进行比较以触发检测的概念。其输出是“概率最高的行为模式”（第[0068]段）。因此，技术特征Q未被公开。 |
| **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** | 说明书第[0054]段：“特征向量确定单元120可被配置为根据所述多个传感器数据序列来确定与所述多个传感器相关的变化特征向量。”<br>说明书第[0036]-[0038]段详细说明了将原始传感器数据序列转换为“变化特征向量”的规则。 | 对比文件明确记载了根据原始传感器数据序列“确定变化特征向量”。该“变化特征向量”是对原始传感器数据进行处理（如判断状态变化、记录触发关系）后得到的特征表示，实质上就是“特征提取”的过程。随后，基于此特征向量（即“所提取的特征”）通过HMM来推断行为模式（即确定子事件状态的概率/序列）。这与技术特征R完全相同，且作用一致。因此，技术特征R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：未公开** | 说明书第[0049]段：“在如图1所示的实施例中，为了在行为模式识别设备100上识别对象的行为模式，在行为模式识别设备100上安装了根据本公开实施例的行为模式识别客户端150。”<br>说明书第[0048]段：“首先，（二进制）传感器被布置以检测与人员相关的各种信息。” | 对比文件中的传感器（如人体传感器、压力传感器）是部署在固定环境（如门、椅子、键盘）中的，其行为模式识别设备100更类似于一个固定的数据处理中心或服务器（安装了客户端150），而非“可穿戴设备或移动设备”。传感器信号来自环境中的固定节点，而非来自用户随身携带的设备。因此，技术特征S未被公开。 |
| **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：未公开** | 无相关记载。 | 对比文件描述了连续获取传感器数据并形成数据序列，但并未提及对来自不同传感器的信号进行“时间同步”的处理步骤。其处理逻辑基于传感器状态变化的先后顺序，但未明确说明如何保证或实现跨传感器的时间戳对齐。因此，技术特征T未被公开。 |
| **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：未公开** | 无相关记载。 | 对比文件未提及任何“重采样”操作以统一传感器信号的采样率。其处理对象是传感器状态的二进制变化事件，而非需要统一采样率的连续波形信号。因此，技术特征U未被公开。 |
| **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：未公开** | 无相关记载。 | 对比文件主要聚焦于行为模式的识别方法本身，并未描述在识别出特定行为模式（事件状态）后，触发或执行任何后续动作（如激活系统、显示信息、发送指令等）。因此，技术特征V未被公开。 |
| **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** | 无相关记载。 | 由于技术特征V（基于检测执行动作）未被公开，且对比文件的应用场景与交通工具无关，因此这些具体的动作内容（激活导航、显示信息、向交通工具发指令）更未被公开。技术特征W未被公开。 |
| **技术特征X：所述多个传感器信号包括至少两种不同类型的传感器信号。**<br>**判断结果：直接公开** | 说明书第[0018]段：“所述多个传感器包括以下至少一者：人体传感器、引线开关传感器、压力传感器、接触传感器和液位传感器。”<br>说明书第[0049]段举例使用了人体传感器、压力传感器、接触传感器。 | 对比文件明确教导了使用多种传感器（如人体、压力、接触传感器）的组合，这些属于不同类型（感应原理、检测目标不同）的传感器。这直接公开了技术特征X，且其作用与目标专利相同，即通过多类型传感器提供更丰富、互补的信息以提升识别准确性。因此，技术特征X被直接公开。 |
<<<A>>><<<B>>><<<D>>><<<E>>><<<N>>><<<R>>><<<X>>><<<o>>>