**对比文件名称：** US2017344893A1_Description_20251229_2133
**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 |
| **A：一种用于事件状态检测的方法**<br>**直接公开** | [0001] The present invention relates to techniques for detecting complex events...<br>[0005] Embodiments of the present invention may provide the capability to detect complex events...<br>[0017] Embodiments of the present invention may provide the capability to detect complex events while providing improved detection and performance. Such techniques may include detecting complex events using hidden Markov models. | 对比文件公开的主题即为“检测复杂事件的方法”（techniques for detecting complex events），这与目标专利“用于事件状态检测的方法”属于相同类型的方法主题，且均是为了解决事件检测的技术问题。因此，该技术特征A被直接公开。 |
| **B：在计算设备处接收多个传感器信号**<br>**直接公开** | [0019] ...system 100 may include one or more sensors 102, interface circuitry 104, computer system 106...<br>[0020] ...capture observations, such as accelerometer and gyroscope data...<br>[0025] Gesture—the observations may include physical measurements such as x, y, z (quantized) acceleration based on accelerometer readings, etc. | 对比文件明确公开了系统包含一个或多个传感器（sensors），并且通过接口电路和计算机系统接收来自传感器的观测数据（observations），例如来自加速度计和陀螺仪的数据。这对应于在计算设备（computer system）处接收来自多个传感器的信号。因此，该技术特征B被直接公开。 |
| **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>**未公开** | [0017] ...Such techniques may include detecting complex events using hidden Markov models.<br>[0028] ...transition probabilities and emissions probability matrices may be calculated...<br>[0030] ...the Viterbi Algorithm (VA) may be used to determine the most likely sequence of states that produced the sequence of observations. | 对比文件公开了使用隐马尔可夫模型（HMM）进行事件检测，其过程包括：基于观测序列（来自传感器的数据），通过维特比算法解码出最可能的状态序列。然而，对比文件的核心模型是概率图模型（HMM），并未提及使用“人工神经网络”来确定“子事件状态的概率”。目标专利中“使用人工神经网络确定子事件状态的概率”是区别于传统HMM方法的关键特征。对比文件未公开人工神经网络，也未公开针对多个时间区间“确定子事件状态的概率”这一具体中间步骤。因此，该技术特征C既未被直接公开，也未被隐含公开。 |
| **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>**隐含公开** | [0017] ...detecting complex events using hidden Markov models.<br>[0030] ...the Viterbi Algorithm (VA) may be used to determine the most likely sequence of states that produced the sequence of observations.<br>[0030] The decoder may check the path returned by the Viterbi Algorithm to determine whether that path ended at a predefined state. If so, the event may be indicated as detected. | 对比文件公开了使用隐马尔可夫模型（HMM，一种状态序列模型）来检测复杂事件。具体地，它基于观测序列（传感器数据），通过解码算法（如维特比算法）得到最可能的状态序列，并通过判断该状态序列是否符合预定义的模式（如结束于特定状态）来“检测事件状态”。虽然对比文件没有明确表述“基于子事件状态的概率”，但其HMM模型的内在机制包含了基于状态转移概率和发射概率（这些概率在模型训练中获得）来解码最可能状态序列的过程，这实质上就是基于概率模型来推断事件状态。因此，对于本领域技术人员而言，对比文件隐含公开了“基于状态序列模型来检测事件状态”这一技术特征。 |
| **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>**未公开** | [0030] ...the Viterbi Algorithm (VA) may be used to determine the most likely sequence of states...<br>[0030] ...check the path returned by the Viterbi Algorithm to determine whether that path ended at a predefined state. | 对比文件确实公开了检测状态序列（sequence of states）。然而，技术特征E明确限定了检测子事件状态序列是“基于对所述概率的确定”。如对特征C和D的分析，对比文件虽然使用了概率模型（HMM），但其检测逻辑是直接解码出最可能的状态序列，并未公开一个独立的“确定子事件状态概率”的步骤，并基于此概率结果来检测序列。目标专利的特征E与特征C紧密关联，由于特征C未被公开，特征E的完整技术方案在对比文件中也没有依据。因此，该技术特征E未被公开。 |
| **F：检测所述事件状态包括检测用户进入交通工具。**<br>**未公开** | 全文未提及“交通工具进入”、“汽车”、“车辆”或相关应用场景。 | 对比文件列举的应用场景包括手势识别、疲劳/压力检测、热应激、过度劳累等，但完全没有提及“用户进入交通工具”这一特定事件状态的检测。这是一个具体应用领域的限定，对比文件未公开。 |
| **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>**部分公开（仅运动传感器）** | [0025] Gesture—the observations may include physical measurements such as x, y, z (quantized) acceleration based on accelerometer readings, etc.<br>[0018] ...sensor data, such as accelerometer & gyroscope data. | 对比文件明确公开了传感器信号可以包括运动传感器信号，例如加速度计（accelerometer）和陀螺仪（gyroscope）的数据。然而，对比文件全文未提及“音频信号”（audio signal）。因此，对比文件仅公开了技术特征G中的“至少一个运动传感器信号”部分，未公开“音频信号”部分。该组合特征作为一个整体未被公开。 |
| **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>**直接公开（部分）** | [0018] ...sensor data, such as accelerometer & gyroscope data.<br>[0025] ...based on accelerometer readings... | 对比文件明确列举了加速度计（accelerometer）和陀螺仪（gyroscope）作为传感器数据的来源。这公开了“加速度计传感器信号”和“陀螺仪传感器信号”。虽然未提及“磁力计传感器信号”，但“至少一者”的表述意味着公开其中一部分即构成公开。因此，该技术特征H被直接公开（至少公开了加速度计和陀螺仪）。 |
| **I：所述多个传感器信号包括运动传感器信号。**<br>**直接公开** | [0018] ...sensor data, such as accelerometer & gyroscope data.<br>[0025] ...based on accelerometer readings... | 如对特征G和H的分析，对比文件明确公开了使用运动传感器信号（如加速度计、陀螺仪数据）。因此，该技术特征I被直接公开。 |
| **J：所述多个传感器信号包括音频信号。**<br>**未公开** | 全文未提及“音频信号”（audio signal）或麦克风等相关传感器。 | 对比文件未公开使用音频信号。因此，该技术特征J未被公开。 |
| **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>**未公开** | 全文未提及“卷积神经网络（CNN）”、“深度神经网络（DNN）”，也未提及使用神经网络确定“状态概率”并进行“融合”。 | 对比文件的核心技术方案是基于隐马尔可夫模型（HMM）进行事件检测，其概率模型的参数（转移概率、发射概率）通过如Baum-Welch算法等传统统计方法进行训练和调整。目标专利中明确使用CNN和DNN进行概率确定和融合，这是完全不同的技术路径。对比文件未公开任何人工神经网络，更未公开CNN和DNN的具体应用。因此，该技术特征K既未被直接公开，也未被隐含公开。 |
| **L：所述CNN包括三个神经网络层。**<br>**未公开** | 全文未提及“卷积神经网络（CNN）”，更未提及具体的层数。 | 由于技术特征K中的CNN本身未被公开，其具体层数的限定L自然也未被公开。 |
| **M：所述DNN包括单个神经网络层。**<br>**未公开** | 全文未提及“深度神经网络（DNN）”，更未提及具体的层数。 | 由于技术特征K中的DNN本身未被公开，其具体层数的限定M自然也未被公开。 |
| **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>**直接公开（隐马尔科夫模型）** | [0005] ...detecting complex events using hidden Markov models (HMM).<br>[0017] ...detecting complex events using hidden Markov models. | 对比文件的核心就是公开了使用隐马尔可夫模型（Hidden Markov Model, HMM）进行复杂事件检测。这直接公开了技术特征N中的“隐马尔科夫模型”。虽然未提及“隐半马尔科夫模型”，但“或”的表述意味着公开其中一种即构成公开。因此，该技术特征N被直接公开。 |
| **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>**隐含公开（序列）** | [0030] ...the Viterbi Algorithm (VA) may be used to determine the most likely sequence of states...<br>[0026] ...the desired event or events may be defined as a sequence of states. | 对比文件明确公开了事件被定义为状态序列（sequence of states），并通过解码得到最可能的状态序列来检测事件。这隐含了“基于子事件状态的序列”进行检测。然而，对比文件没有明确强调或描述利用每个状态的“历时”（duration）来辅助检测。虽然HMM本身可以建模状态历时（例如通过隐半马尔可夫模型），但对比文件文本中并未明确指出这一点。因此，可以认为对比文件隐含公开了基于“序列”进行检测，但未明确公开基于“历时”进行检测。考虑到“序列和历时”是一个整体限定，且历时未被明确公开，该技术特征O作为一个整体未被充分公开。 |
| **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>**未公开** | 全文未提及任何具体的子事件状态数量，如“15个”。 | 对比文件虽然提及状态序列，但并未限定序列中状态的具体数量为15个。这是一个具体的数量限定，未被公开。 |
| **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>**未公开** | [0030] ...The decoder may check the path returned by the Viterbi Algorithm to determine whether that path ended at a predefined state. If so, the event may be indicated as detected. | 对比文件公开了通过判断解码出的状态路径是否符合预定义模式（如结束于特定状态）来“指示检测到事件”。这个过程可以理解为一种“置信判断”，但对比文件并未明确公开计算一个量化的“置信水平”（confidence level），并将其与一个“阈值”（threshold）进行比较的步骤。目标专利的特征Q明确了“置信水平”和“阈值比较”的机制，这与对比文件中简单的路径匹配判断在技术细节上有所不同。因此，该技术特征Q未被公开。 |
| **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>**隐含公开** | [0020] ...the accelerometer and gyroscope data may be quantized and data samples may be chosen from the quantized data.<br>[0033] Clustering or cluster analysis is a technique which may be used for quantization. | 对比文件公开了对传感器数据（如加速度计、陀螺仪数据）进行“量化”（quantization）和“采样”（choosing data samples）。在信号处理和模式识别领域，对原始传感器数据进行量化、采样、聚类等操作，是本领域技术人员公知的“特征提取”或“特征工程”的常用手段，目的是将原始数据转换为更适合模型处理的表示形式。因此，虽然对比文件未明确使用“提取特征”一词，但其描述的量化过程实质上隐含公开了特征提取的步骤。这些处理后的数据（特征）被用于后续的HMM建模和事件检测。因此，该技术特征R被隐含公开。 |
| **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>**直接公开（部分）** | [0019] ...sensors 102... computer system 106...<br>说明书未明确排除计算机系统106为移动设备或可穿戴设备。结合[0025]手势识别等应用场景，本领域技术人员可以理解其可在移动或可穿戴设备上实现。 | 对比文件公开的系统包括传感器和计算机系统。虽然未明确限定计算机系统必须是“可穿戴设备或移动设备”，但考虑到其应用场景（如手势识别、基于加速度计/陀螺仪的数据采集），这些场景天然适用于移动或可穿戴设备。本领域技术人员阅读对比文件后，能够直接且毫无疑义地确定其技术方案可以在可穿戴设备或移动设备上实施，并从其内置传感器接收信号。因此，该技术特征S被直接公开。 |
| **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>**未公开** | 全文未提及对多个传感器信号进行“时间同步”（time synchronization）。 | 对比文件提到了接收来自多个传感器的数据，但并未描述任何对这些信号进行时间对齐或同步处理的步骤。这是一个具体的信号预处理特征，未被公开。 |
| **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>**未公开** | 全文未提及“重采样”（resampling）以使信号具有“相同的采样率”（same sampling rate）。 | 对比文件提到了数据量化和采样，但未提及针对不同源、可能具有不同原始采样率的信号进行重采样以统一采样率。这是一个具体的信号预处理特征，未被公开。 |
| **V：基于对所述事件状态的检测来执行动作。**<br>**直接公开** | [0019] ...output 108. Output 108 may include any representation of a detected event... and signals to activate other devices or equipment. | 对比文件明确公开了输出检测到的事件指示，并且该输出可以包括“激活其他设备或装备的信号”（signals to activate other devices or equipment）。这直接对应于“基于对事件状态的检测来执行动作”。因此，该技术特征V被直接公开。 |
| **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>**直接公开（部分）** | [0019] ...output 108... signals to activate other devices or equipment. | 对比文件公开了输出信号以“激活其他设备或装备”。虽然未具体列举“激活导航系统”、“显示信息”、“向交通工具传送指示”这些例子，但“激活其他设备”是一个上位的、概括性的公开，涵盖了为达成某种目的而触发后续设备或功能的行为。因此，对比文件直接公开了“执行动作”这一上位概念，技术特征W的具体示例是其下位实施方式。从公开性判断角度看，上位概念的公开可以破坏下位限定。但严格来说，对比文件并未明确公开W中列举的三种具体动作。考虑到特征V已被公开，且W是V的进一步举例，可以认为W的部分内容（执行动作）已被公开，但具体类型未被一一对应公开。 |
| **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>**直接公开** | [0018] ...sensor data, such as accelerometer & gyroscope data.<br>[0025] Gesture—the observations may include... acceleration based on accelerometer readings, etc. | 对比文件明确列举了加速度计（accelerometer）和陀螺仪（gyroscope）作为信号来源。加速度计和陀螺仪是两种不同类型的运动传感器。因此，该技术特征X被直接公开。 |
<<<A>>><<<B>>><<<H>>><<<N>>><<<S>>><<<V>>><<<X>>><<<d>>><<<r>>>