**对比文件名称**：US11521641B2_Description_20251229_2144
**目标专利名称**：交通工具进入检测
**本次调用的模型名称**：DeepSeek-R1
---
### **特征比对表格**
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| **特征A**：一种用于事件状态检测的方法<br>**判断结果**：未公开 | 无直接引用。 | 对比文件公开了一种用于“估计说话者的满意度状态”的方法（参见[0001]段和摘要），其技术方案是接收语音输入、提取特征、使用概率模型估计情感状态。这与目标专利“用于事件状态检测的方法”在整体目的和解决的技术问题上存在本质区别。目标专利旨在解决交通工具进入检测这一具体物理事件识别问题，而对比文件解决的是情感状态变化分析问题。两者属于不同的技术领域和应用场景，解决的问题和实现的功能均不相同。因此，对比文件未公开本特征。 |
| **特征B**：在计算设备处接收多个传感器信号<br>**判断结果**：未公开 | 无直接引用。对比文件接收的是语音信号（例如“utterance for learning”，参见[0029]段；“input utterance”，参见[0041]段）。 | 对比文件公开了接收“语音”信号用于分析。目标专利的“多个传感器信号”旨在通过多模态数据融合（如音频和运动传感器）来提高事件检测的准确性。对比文件仅涉及单一类型的信号（语音），未提及接收来自多个、不同类型传感器（尤其是运动传感器）的信号。这在技术手段和所起的作用上均不相同。因此，对比文件未公开本特征。 |
| **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 | 对比文件描述了使用“state-of-satisfaction estimation model”（例如神经网络）基于语音特征量来估计说话者在每个话语时刻的满意度状态的概率（参见[0037]段：`The state-of-satisfaction estimation model learning unit... generates a “state-of-satisfaction estimation model” for obtaining the posteriori probability... of the “utterance feature amount” given the “state of satisfaction of the utterer”`）。 | 对比文件公开了使用模型（如神经网络）基于输入特征（语音特征）来估计状态（满意度）的概率。然而，目标专利的“子事件状态”特指构成“进入交通工具”这一宏观事件的微观步骤（如步行、开门、坐下等），是物理动作序列。对比文件的“状态”是情感分类（如满意、一般、不满意）。两者状态的定义、解决的问题以及模型所起的具体作用（物理事件分解 vs. 情感分析）完全不同。因此，对比文件未公开本特征。 |
| **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 | 对比文件描述了使用“state-of-satisfaction change pattern model”（一种状态序列模型，如隐马尔可夫模型HMM）结合状态估计模型的输出来估计最终的状态序列（参见[0047]-[0051]段，特别是公式(1)和相关的Viterbi算法计算）。 | 对比文件公开了使用状态序列模型（HMM）基于状态概率来估计一个完整的状态序列。然而，目标专利中“检测事件状态”特指检测“用户进入交通工具”这一特定事件的发生。对比文件是估计一个完整的情感变化模式序列，并不对应一个需要被“检测”发生的、具有明确开始和结束的单一宏观事件。两者技术方案的目的和最终输出不同。因此，对比文件未公开本特征。 |
| **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D的引用，对比文件基于状态概率使用序列模型推导出最可能的状态序列。 | 虽然对比文件公开了基于状态概率推导状态序列，但该序列是情感状态的变化序列，而非目标专利中构成“进入交通工具”事件的物理动作（子事件）序列。两者序列的实质内容、技术含义及所服务的最终目标均不同。因此，对比文件未公开本特征。 |
| **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 | 无任何引用。 | 对比文件全文均涉及对说话者情感满意度状态的估计，完全没有提及任何与交通工具、用户进入交通工具、或任何类似物理环境变化检测相关的内容。这是一个完全未被公开的技术目的和应用场景。 |
| **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 | 无任何引用。对比文件仅提及语音信号相关的特征（参见[0035]段）。 | 对比文件仅公开了音频（语音）信号的使用。目标专利明确要求传感器信号组合中必须包含“至少一个运动传感器信号”，这是实现其通过融合运动信息检测物理动作的关键。对比文件完全没有涉及运动传感器信号。因此，本特征未被公开。 |
| **特征H**：如权利要求3所述的方法，其中，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 | 无任何引用。 | 由于对比文件根本未公开使用任何运动传感器信号，自然也不可能公开具体的运动传感器类型，如加速度计、陀螺仪或磁力计。 |
| **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 | 无任何引用。 | 同特征G、H的论述，对比文件未涉及运动传感器信号。 |
| **特征J**：所述多个传感器信号包括音频信号。<br>**判断结果**：**直接公开** | 对比文件公开了接收和处理“utterance”（话语）即语音信号（例如[0029], [0033], [0041], [0043]段）。 | 对比文件的技术方案完全基于音频（语音）信号进行分析。这与目标专利中“包括音频信号”这一技术特征相同。在对比文件中，音频信号是用于提取特征并估计情感状态的唯一或主要输入，其作用是承载情感信息。虽然目标专利中音频信号的作用是辅助检测物理事件（如关门声、环境音），但“包括音频信号”这一技术手段本身已被对比文件直接公开。 |
| **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 | 对比文件提到状态估计模型可以是“a neural network”（神经网络）（参见[0037]段），但未指定为CNN或DNN，也未描述为每个传感器信号单独使用CNN后再用DNN融合的结构。 | 对比文件公开了可以使用神经网络作为状态估计模型。但目标专利明确限定了使用特定类型的神经网络（CNN）处理各传感器信号，并使用另一种特定类型的神经网络（DNN）进行融合的特定架构。对比文件既未公开这种多分支CNN处理不同信号源的结构，也未公开使用DNN进行概率融合的步骤。本特征是目标专利中实现多传感器特征级融合的具体技术手段，未被对比文件公开。 |
| **特征L**：所述CNN包括三个神经网络层。<br>**判断结果**：未公开 | 无任何引用。 | 对比文件未提及任何CNN，更未公开其具体的层数（三层）。 |
| **特征M**：所述DNN包括单个神经网络层。<br>**判断结果**：未公开 | 无任何引用。 | 对比文件未提及使用DNN进行概率融合，更未公开其具体的层数（单层）。 |
| **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** | 对比文件明确记载：“For modeling of the ‘change pattern’, hidden Markov model (HMM) is used, for example”（参见[0022]段）。并且在[0051]段提到了使用Viterbi算法进行计算，这是HMM的典型算法。 | 对比文件直接、明确地公开了使用隐马尔可夫模型（HMM）作为其状态序列模型（state-of-satisfaction change pattern model）。这与目标专利中“状态序列模型包括隐马尔科夫模型”的技术特征完全相同。在对比文件中，HMM用于建模情感状态的变化模式；在目标专利中，HMM用于建模物理子事件的状态转移序列。尽管应用领域不同，但“使用HMM作为状态序列模型”这一具体技术手段已被直接公开。 |
| **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** | 对比文件中的HMM是一种时序概率模型，其状态转移和状态驻留本身就隐含了对状态序列和每个状态持续时间（历时）的建模（参见[0051]段关于使用Viterbi算法计算“最大似然序列”的描述）。 | 隐马尔可夫模型（HMM）作为一种经典的状态序列模型，其核心功能之一就是基于观测序列来估计最可能的状态序列，而状态序列的估计结果自然包含了每个状态的“历时”信息（通过状态转移路径和观测时长体现）。虽然对比文件没有明确文字指出“基于历时”，但本领域技术人员熟知，在使用HMM进行序列估计时，状态历时是模型内在考虑的因素。因此，对比文件隐含公开了“基于状态序列和每个状态的历时来检测（或估计）最终状态”这一技术特征。 |
| **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 | 无任何引用。 | 对比文件公开的满意度状态为3种（满意、一般、不满意），其变化模式模型中的状态数量是基于这3种状态构建的，并未提及15个子事件状态。这是一个具体的、未被公开的数量限定。 |
| **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 | 对比文件通过公式(1)计算最大概率值来选取最可能的状态（参见[0047]-[0051]段），但未描述计算一个独立的“置信水平”并将其与阈值比较以触发事件检测的步骤。 | 对比文件公开了通过序列模型输出一个最大后验概率或似然值来选择一个状态。然而，目标专利明确限定了输出一个“置信水平”，并通过与“阈值”比较来做出“事件状态被检测到”的二元决策。这是一种具体的决策机制。对比文件并未公开这种基于置信度阈值的触发式检测机制。 |
| **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** | 对比文件详细描述了从语音信号中提取特征的过程：“extracts the ‘utterance-for-learning feature amount’... for each ‘utterance’”（参见[0035]段），并且状态估计模型是基于这些特征来获得状态概率的（参见[0037]段）。 | 对比文件明确公开了从输入信号（语音）中提取特征量（如韵律特征、对话特征、语言特征），并基于这些提取的特征，利用状态估计模型（如神经网络）来确定状态（满意度）的概率。这与目标专利中“提取特征并基于特征确定概率”的技术手段完全一致。尽管提取的特征类型和所确定的状态性质不同，但该技术手段本身已被直接公开。 |
| **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 | 无任何引用。对比文件未限定执行设备的类型。 | 对比文件描述的是一个通用的模型学习和估计系统，并未将其限定在“可穿戴设备或移动设备”这种特定的硬件载体上，也未提及信号源自这些设备内置的传感器。这是一个具体的应用环境限定，未被公开。 |
| **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 | 无任何引用。 | 对比文件处理的是单一的语音信号流，不存在对来自不同传感器的多个信号进行“时间同步”的问题。目标专利的该特征是针对多传感器融合方案的一个特定预处理步骤，未被对比文件公开。 |
| **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 | 无任何引用。 | 同特征T，对比文件未涉及多传感器信号，因此也不存在为融合而进行的“重采样以统一采样率”的步骤。 |
| **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 | 无任何引用。 | 对比文件的技术方案终止于输出估计出的满意度状态或变化模式，并未描述基于该检测结果去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）。 |
| **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 | 无任何引用。 | 对比文件完全未涉及任何与导航系统、交通工具交互或基于事件检测的用户界面反馈相关的具体动作。 |
| **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**：未公开 | 无任何引用。对比文件仅使用语音信号这一种类型。 | 目标专利该特征的核心在于多模态传感（如声音+运动）。对比文件仅使用了单一的语音模态，未公开使用至少两种不同类型传感器信号的技术方案。 |
<<<J>>><<<N>>><<<R>>><<<o>>>