**对比文件名称**：CN108319960A_Description_20251229_2123
**目标专利名称**：交通工具进入检测
**本次调用模型名称**：DeepSeek-R1
以下是根据目标专利权利要求的划分创建的特征比对表格：
| 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：直接公开** | 说明书第[0029]段：“本发明第二方面提供了一种基于概率图模型的行为识别方法，包括：获取一个或多个传感器信号；处理所述一个或多个传感器信号以从所述传感器信号的时间域数据中提取特征向量；根据所述特征向量中的第一局部特征确定用户的二元状态，所述二元状态为静止状态或活动状态，所述第一局部特征包括传感器信号能量和/或传感器信号方差；基于概率图模型分析所述特征向量，对处于活动状态的用户进行行为识别以确定用户行为状态。” | 对比文件公开了一种“行为识别方法”，该方法通过处理传感器信号、提取特征、分析特征以确定用户行为状态。其整体方案属于“事件状态检测”范畴，与本专利权利要求1的主题“用于事件状态检测的方法”相同。两者均旨在通过分析传感器数据来识别用户的状态或行为。因此，该技术特征被直接公开。 | |
| **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[0029]段：“获取一个或多个传感器信号”。 | 对比文件明确记载了“获取一个或多个传感器信号”的步骤，这对应于本专利的“接收多个传感器信号”。两者均是从传感器获取数据输入的过程，在各自技术方案中起到提供原始数据源的作用。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** | 说明书第[0035]段：“根据所公开的实施例，识别人类活动（用户行为识别）的过程采用概率图模型。本发明的大部分工作是使用隐马尔可夫模型(HMM)。” 第[0036]-[0038]段详细描述了HMM的参数和维特比算法。 | 对比文件使用“概率图模型”，具体为“隐马尔可夫模型(HMM)”来分析特征向量以确定用户行为状态。HMM是一种传统的统计模型，并非“人工神经网络”。虽然两者最终都可能输出状态概率，但其技术手段（模型结构、训练和推理方式）存在本质区别。本专利强调使用“人工神经网络”（如CNN、DNN）从传感器信号中直接学习特征并输出概率，而对比文件使用的是基于概率统计的HMM对已提取的特征进行序列建模。两者为解决“确定状态概率”所采用的技术路径不同，作用机理也不同。因此，对比文件既未直接公开也未隐含公开“使用人工神经网络”来确定概率的技术特征。 | |
| **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：直接公开** | 说明书第[0029]段：“基于概率图模型分析所述特征向量，对处于活动状态的用户进行行为识别以确定用户行为状态。” 第[0035]段指明概率图模型包括HMM。 | 对比文件公开了基于概率图模型（HMM）分析特征向量以“确定用户行为状态”。HMM本身就是一种经典的“状态序列模型”，它基于观测序列（特征向量）来推断最可能的状态序列。这与本专利中“基于子事件状态的概率经由状态序列模型来检测事件状态”的技术特征在手段和作用上完全相同，都是利用序列模型从概率信息中推断出最终的状态或事件。因此，该技术特征被直接公开。 | |
| **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[0036]段：“HMM的目的是找到与给定观测最相关的状态序列。” 第[0038]段描述了使用维特比算法来“找到单个最佳状态序列”。 | 对比文件明确记载了其HMM的目的和结果是“找到最佳状态序列”。维特比算法的应用正是为了从观测概率中确定最可能的状态序列。这完全对应于本专利中“检测子事件状态的序列”这一技术特征。两者在技术方案中的作用均为通过模型推理出状态发生的顺序。因此，该技术特征被直接公开。 | |
| **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** | 说明书第[0031]段：“用户行为状态（与人类活动相关的状态）可包括行走、跑步、骑车、驾驶等。” | 对比文件公开的用户行为状态包括“驾驶”。然而，“驾驶”是一个持续性的活动状态，而本专利的“用户进入交通工具”是一个特定的、瞬时的动作或事件。两者虽然相关，但并非相同的技术特征。对比文件并未描述任何用于检测“进入”动作（如开门、坐下等子事件序列）的具体方案。因此，对比文件既未直接公开也未隐含公开“检测用户进入交通工具”这一具体事件状态。 | |
| **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[0028]段：“一个或多个传感器130可以是加速度计、陀螺仪传感器或其他类型的传感器。” | 对比文件明确列举了加速度计、陀螺仪等运动传感器，但全文未提及“音频信号”。虽然理论上一个行为识别系统可以包含音频传感器，但对比文件的文字描述和实施例均未涉及音频信号的使用。本专利将“音频信号”与“运动传感器信号”的组合作为解决其技术问题（提高交通工具进入检测可靠性）的特定手段。对比文件未公开这一组合特征。因此，该技术特征未被公开。 | |
| **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：直接公开** | 说明书第[0028]段：“一个或多个传感器130可以是加速度计、陀螺仪传感器或其他类型的传感器。” | 对比文件明确公开了传感器包括“加速度计”和“陀螺仪传感器”，这完全落入本专利技术特征H所列举的范围之内。两者在技术方案中均作为提供运动信息的信号源。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：隐含公开** | 说明书第[0028]段：“一个或多个传感器130可以是加速度计、陀螺仪传感器或其他类型的传感器。” 第[0029]段方法始于“获取一个或多个传感器信号”。 | 对比文件公开的实施例主要使用加速度计、陀螺仪等运动传感器，并且其方法描述是基于这些传感器信号进行行为识别。虽然其文字表述为“一个或多个传感器”，并未明确排除其他类型信号，但根据其具体公开的内容，本领域技术人员能够直接且毫无疑义地确定，其所获取并处理的“传感器信号”中必然包括“运动传感器信号”。这与其技术方案中检测运动行为（如行走、跑步）的作用是一致的。因此，该技术特征被隐含公开。 | |
| **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** | （无相关原文引用） | 如特征G所述，对比文件全文未提及音频信号。因此，该技术特征既未直接公开也未隐含公开。 | |
| **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** | （无相关原文引用）对比文件使用HMM和维特比算法进行状态识别和概率计算。 | 对比文件使用的是隐马尔可夫模型(HMM)和维特比算法，并未提及使用“卷积神经网络(CNN)”或“深度神经网络(DNN)”来确定或融合状态概率。CNN和DNN是深度学习模型，与HMM在模型结构、训练方式和应用场景上有显著区别。本专利的这一特征限定了使用特定类型的人工神经网络（CNN用于单模态特征提取，DNN用于多模态融合），对比文件完全没有公开这一具体技术手段。因此，该技术特征未被公开。 | |
| **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** | （无相关原文引用） | 由于对比文件根本未公开“CNN”（技术特征K），因此更不可能公开CNN的具体层数结构。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** | （无相关原文引用） | 由于对比文件根本未公开“DNN”（技术特征K），因此更不可能公开DNN的具体层数结构。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：直接公开** | 说明书第[0035]段：“本发明的大部分工作是使用隐马尔可夫模型(HMM)。” | 对比文件明确、反复地将其使用的概率图模型/状态序列模型记载为“隐马尔可夫模型(HMM)”，这完全落入本专利技术特征N所限定的范围之内。两者在技术方案中均作为分析序列数据、推断状态的模型。因此，该技术特征被直接公开。 | |
| **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[0036]段描述了HMM的参数，包括状态转移概率分布A={aij}，其中aij=P(qt+1=Sj\ | qt=Si)。第[0038]段描述了维特比算法的递推公式δt+1(j)=maxi[δt(i)aij]·bj(ot+1)。 | 在隐马尔可夫模型(HMM)中，状态转移概率矩阵A隐含了状态持续时间的统计特性（例如，自转移概率高意味着该状态可能持续更久）。维特比算法在寻找最优状态序列时，其递推过程（δt+1(j)的计算）依赖于前一时刻的状态概率δt(i)和转移概率aij，这实际上考虑了状态在时间上的演变和持续。因此，虽然对比文件没有明确使用“历时”一词，但本领域技术人员熟知，基于HMM的状态序列检测本质上会利用状态转移信息，而该信息包含了状态持续时间的建模。这与本专利中基于“序列和历时”检测事件状态的作用是相同的。因此，该技术特征被隐含公开。 |
| **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** | （无相关原文引用） | 对比文件未提及任何关于子事件状态具体数量的信息，也未给出15个子事件状态的示例或教导。因此，该技术特征未被公开。 | |
| **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：隐含公开** | 说明书第[0038]段：“在时间t，单条路径上的最佳得分（最高概率）可表示为δt(i)… 要真正检索状态序列，该方法需要记录在每个t和j处实现δ最大值的参数。” | 对比文件使用维特比算法寻找“最佳得分（最高概率）”的路径，这个“最佳得分”（即最大概率值）本身就代表了模型对当前推断出的状态序列的“置信水平”。在工程实践中，使用此类概率模型进行检测时，通常会将计算出的概率（或得分）与一个阈值进行比较，以做出最终的二元决策（是/否），这是本领域的公知常识。对比文件虽然未明确记载“阈值比较”的步骤，但其基于概率得分确定“最佳”状态序列的过程，已经隐含了需要有一个判断“最佳”与否的准则，该准则自然可以体现为置信水平与阈值的比较。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** | 说明书第[0029]段：“处理所述一个或多个传感器信号以从所述传感器信号的时间域数据中提取特征向量”。第[0035]段表明基于特征向量（观测）使用HMM进行识别。 | 对比文件明确记载了从传感器信号中“提取特征向量”的步骤，并且后续的状态识别（即确定状态概率）正是基于这些提取出的特征向量进行的。这与本专利技术特征R的描述完全一致，在各自技术方案中的作用均为将原始信号转换为更能表征状态的抽象表示。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** | 说明书第[0052]段：“电子计算设备500可以是任何类型的设备，例如笔记本电脑、平板电脑、智能手机、可穿戴电子设备等。” 第[0028]段提及传感器130。 | 对比文件明确将其实施例中的电子计算设备描述为“智能手机、可穿戴电子设备等”，这完全覆盖了本专利的“可穿戴设备或移动设备”。并且，其方法描述中获取传感器信号正是来自这些设备上的传感器（如加速度计、陀螺仪）。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：未公开** | （无相关原文引用） | 对比文件全文未提及对多个传感器信号进行“时间同步”的步骤或需求。其方法描述直接从“获取一个或多个传感器信号”跳到“提取特征向量”，未涉及同步处理。因此，该技术特征未被公开。 | |
| **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** | （无相关原文引用） | 对比文件全文未提及“重采样”或使传感器信号具有“相同采样率”的步骤。因此，该技术特征未被公开。 | |
| **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：直接公开** | 说明书第[0030]段：“基于确定的状态，可以预测、改变和/或调整一个或多个电子计算设备的事件。” 第[0057]-[0058]段给出了具体动作示例。 | 对比文件明确记载了在确定用户行为状态后，会基于该状态来“预测、改变、调整”设备事件，即“执行动作”。这与本专利技术特征V的作用完全相同，都是将状态检测的结果应用于后续的控制或服务。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：隐含公开（部分）** | 说明书第[0058]段：“例如，电子计算设备500可以包括显示单元550。主应用处理器510可以基于所确定的活动行为状态执行将导航消息显示带到前台。” | 对比文件明确公开了“基于所确定的状态将导航消息显示带到前台”，这对应于本专利的“为用户显示信息”。同时，“显示导航消息”这一动作通常隐含了需要“激活导航系统”（例如GPS或地图应用）来获取并生成这些消息，这是本领域技术人员能够直接推导出的。因此，“激活导航系统”和“为用户显示信息”这两个子特征被隐含公开。然而，对比文件完全没有提及“向交通工具传送要执行一个或多个动作的指示”这一子特征。因此，技术特征W被部分隐含公开。 | |
| **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[0028]段：“一个或多个传感器130可以是加速度计、陀螺仪传感器或其他类型的传感器。” | 对比文件列举了“加速度计”和“陀螺仪传感器”，这是两种不同类型的运动传感器。其技术方案中获取并处理来自这些不同类型传感器的信号，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。两者在技术方案中的作用均为通过多类型传感器提供更丰富或互补的信息。因此，该技术特征被直接公开。 |
<<<A>>><<<B>>><<<D>>><<<E>>><<<H>>><<<N>>><<<R>>><<<S>>><<<V>>><<<X>>><<<i>>><<<o>>><<<q>>><<<w>>>