对比文件名称：2007-05-24_US2007118054A_发明申请_US20070118054A1 METHODS AND SYSTEMS FOR MONITORING PATIENTS FOR CLINICAL EPISODES
目标专利名称：1338离床报警系统CN102150186B
本次调用的模型名称：DeepSeek Chat
### 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（中文翻译，段落号） | 公开性论述 |
| **技术特征A：该系统包括一个或多个传感器（10）** 《直接公开》 | 段落[0173]：“图1是根据本发明实施例的用于监测慢性医学状况的系统10的示意图。系统10通常包括运动传感器30、控制单元14和用户界面24。” 段落[0178]：“运动传感器30可以包括振动传感器、压力传感器或应变传感器，例如应变计。” | 对比文件明确公开了系统10包括运动传感器30，该传感器可以是多种类型，相当于目标专利中的一个或多个传感器。 |
| **技术特征B：所述一个或多个传感器（10）用于测量该用户的一种或多种生理特征** 《直接公开》 | 段落[0178]：“由传感器30感测的受试者12的运动，例如在睡眠期间，可以包括规律的呼吸运动、心跳相关运动以及其他不相关的身体运动。” | 对比文件公开了运动传感器30感测呼吸和心跳等生理运动，即测量生理特征。 |
| **技术特征C：所述一个或多个传感器（10）用于产生指示所述一种或多种生理特征的对应信号** 《直接公开》 | 段落[0178]：“产生对应于感测到的运动的信号。” | 对比文件公开了传感器产生与感测运动相对应的信号，该信号指示生理特征。 |
| **技术特征D：和处理器（12）** 《直接公开》 | 段落[0177]：“呼吸模式分析模块22通常包括数字信号处理器（DSP）41、双端口RAM（DPR）42、EEPROM 44和I/O端口46。” 段落[0175]：“控制单元14包括运动数据采集模块20和模式分析模块16。” | 对比文件公开了控制单元14中的模式分析模块16包含数字信号处理器，即处理器。 |
| **技术特征E：所述处理器（12）适于监视所述对应信号** 《直接公开》 | 段落[0179]：“呼吸模式分析模块22和心跳模式分析模块23适于分析相应的模式，以便（a）预测即将来临的临床发作，和/或（b）监测正在发生的临床发作的严重性和进展。” | 对比文件公开了处理器分析来自传感器的信号，该分析行为等同于监视信号。 |
| **技术特征F：并所述处理器（12）适于根据所述一种或多种生理特征的变化来确定该用户将要离开床（2）的可能性** 《直接公开》 | 段落[0332]：“对于某些应用，系统10分析这些参数中的一个或多个，以确定受试者何时尝试在没有帮助的情况下离开床，并通知医护人员。” 这些参数包括呼吸率、心率、咳嗽、睡眠时间、觉醒事件和不安。 | 对比文件公开了通过分析生理参数来确定受试者尝试离开床的时机，这直接对应于确定用户将要离开床的可能性。 |
| **技术特征G：其中所述处理器（12）适于通过比较所述一种或多种生理特征的变化与在多次先前的用户离床期间收集的数据来确定用户将要离开床（2）的可能性** 《隐含公开》 | 段落[0182]：“对于某些应用，模式分析模块16基于个人历史学习用于组合单个参数得分的标准和/或函数。例如，模式分析模块16可以通过分析先前临床事件之前测量的参数来执行这种学习。” | 对比文件公开了基于先前事件数据学习预测参数，但未明确针对离床事件。然而，本领域技术人员在对比文件教导下，能够合理地将该学习机制应用于离床预测，通过比较生理特征变化与先前离床期间收集的数据来调整预测，因此隐含公开。 |
| **技术特征H：其中所述处理器（12）进一步适于在其确定用户可能离开床（2）的情况下发出警报或报警信号** 《直接公开》 | 段落[0332]：“通知医护人员。” | 对比文件公开了在确定离床尝试时通过通知发出警报，等同于发出警报或报警信号。 |
| **技术特征I：其中由所述一个或多个传感器（10）测量的该用户的所述一种或多种生理特征包括心率、脉率、呼吸率、体温、血压或心率变异性中的任意一种或多种** 《直接公开》 | 段落[0178]感测呼吸和心跳；段落[0321]：“系统10包括用于测量体温的温度传感器380”；段落[0328]涉及血压变化检测；段落[0187]涉及心率变异性分析（通过R-R间隔计算）。 | 对比文件公开了传感器测量呼吸率、心率、体温、血压变化和心率变异性，因此覆盖了这些生理特征。 |
| **技术特征J：进一步包括用于检测用户存在或不存在于床（2）上的传感器（18）** 《隐含公开》 | 段落[0300]：“如果没有周期性信号超过一定时间（两种情况都表明受试者不再在床上）”；段落[0352]：“有多个机械传感器，例如重量传感器，可以分布在床垫上。系统计算受试者在不同传感器之间的重量分布。” | 对比文件公开了通过运动信号丢失或重量传感器来检测受试者是否在床上，因此隐含公开了用于检测存在/不存在的传感器。 |
| **技术特征K：其中所述用于测量生理特征的一个或多个传感器（10）之一被用作为所述用于检测用户存在或不存在于床（2）上的传感器（18）** 《直接公开》 | 段落[0300]使用同一个运动传感器信号判断周期性信号（呼吸心跳）和判定无信号时不在床上；段落[0332]使用同一传感器测量参数并用于离床检测。 | 对比文件公开了同一个运动传感器既用于测量生理特征（呼吸、心跳），又用于检测用户存在（通过信号有无），因此该传感器被用作存在传感器，直接公开。 |
| **技术特征L：其中所述传感器（18）包括压力传感器或应变计** 《直接公开》 | 段落[0178]：“运动传感器30可以包括振动传感器、压力传感器或应变传感器，例如应变计。” | 对比文件明确公开了传感器可以是压力传感器或应变计。 |
| **技术特征M：其中所述处理器（10）进一步适于在所述传感器（18）指示用户已经离开床（2）的情况下发出警报或报警信号** 《隐含公开》 | 段落[0332]通知医护人员（基于参数分析）；段落[0300]指示不在床上，但未明确警报。 | 对比文件公开了基于参数分析通知离床尝试，但未直接公开基于存在传感器指示离床的警报。然而，本领域技术人员可以合理推断，当存在传感器检测到用户已离开床时，系统可发出警报，因此隐含公开。 |
| **技术特征N：其中所述处理器（10）适于使用离床预测算法来根据所述一种或多种生理特征的变化确定该用户将要离开床（2）的可能性** 《隐含公开》 | 段落[0332]的分析算法；段落[0179]预测算法。 | 对比文件公开了使用算法分析生理参数以预测临床事件，但未明确称为“离床预测算法”。本领域技术人员可以理解，用于确定离床尝试的算法本质上是一种离床预测算法，因此隐含公开。 |
| **技术特征O：其中所述处理器（10）适于基于所确定的可能性与来自传感器（18）的用户是否随后离开床（2）的指示之间的比较来更新所述离床预测算法** 《隐含公开》 | 段落[0182]学习；段落[0294]：“系统10适于学习上述阈值、权重和/或概率。对于某些应用，系统10使用以下方法进行这种学习：每当发生发作时，……系统10将实际发作与系统提供警告的发作进行比较；……系统增量地调整一个或多个阈值、权重或概率分布。” | 对比文件公开了基于实际事件与预测的比较来更新算法参数，该机制可应用于离床预测，因此隐含公开。 |
| **技术特征P：其中所述处理器（10）包括用于实现所述离床预测算法的监督分类算法** 《隐含公开》 | 段落[0177]分类；段落[0182]基于历史数据学习；段落[0294]自适应学习。 | 对比文件公开了分类和基于历史数据的学习，这本质上是监督分类算法。虽未明确命名，但本领域技术人员可合理推断其实现包括监督分类算法，因此隐含公开。 |
<<<A>>><<<B>>><<<C>>><<<D>>><<<E>>><<<F>>><<<g>>><<<H>>><<<I>>><<<j>>><<<K>>><<<L>>><<<m>>><<<n>>><<<o>>><<<p>>>