对比文件的名称：2011-10-06_US2011246123A_发明申请_US20110246123A1 PERSONAL STATUS MONITORING
目标专利的名称：用于非平稳数据的凝聚群集的并行方法CN105247487B
本次调用的模型名称：DeepSeek-R1
以下是根据您的要求创建的特征比对表格：
| 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《直接公开》 | 参见段落[0028]：“The software instructions include an operating system... For example, the mass storage device and/or the RAM can store software instructions that, when executed by the CPU, cause the server to **process the kinetic and physiological data from the sensor devices**...”；以及段落[0065]：“Initially, at operation 410, data is acquired. Specifically, **kinetic and/or physiological measurements of the individual are taken using the sensors worn on the individual's body**... Data arrives from the sensors at a pre-specified sampling rate.” | 对比文件明确公开了从附着在个体身上的传感器设备（如加速计）获取并处理动力学和生理数据流。数据以预定的采样率从传感器到达。这构成了对“数据点流”的接收。本领域技术人员能够毫无疑义地得出对比文件公开了“接收数据点流”这一技术特征，其作用同样是获取待处理的输入数据。 |
| 技术特征B《直接公开》 | 参见段落[0110]：“Maximum likelihood methods, such as **K-mean algorithm** provides effective tools for clustering. The algorithm creates a new cluster when there are enough accumulated agglomerative data, and adaptively updates the cluster model while labeling the data.” 以及段落[0111]：“...and a new cluster is created... the cluster that was not updated recently is removed. In this way, the clusters can be adapted and learn the cluster models.” | 对比文件在描述用于姿势分类的无监督聚类算法时，明确提到了使用K均值算法。K均值算法的核心步骤之一就是确定并迭代更新“群集质心”（cluster centroid，见段落[0110]）。对比文件中的算法通过创建新簇、更新簇模型（包括重新计算均值和标准差）来“学习簇模型”，这必然涉及确定和调整代表每个簇的质心。因此，对比文件直接公开了“确定多个群集质心”这一技术特征，其作用是为聚类过程提供中心参照点。 |
| 技术特征C《未公开》 | 无对应内容。 | 对比文件虽然提到了使用K均值等聚类算法，但全文均未提及将多个群集质心划分成多个群，并由不同的线程或处理器独立地采用这些质心群。对比文件描述的数据处理流程（如图8的方法400）是顺序的：获取数据、过滤重建、处理提取特征、分类。没有涉及在并行线程或处理器间划分质心集以实现并行独立处理。因此，对比文件既未直接公开也未隐含公开此特征。 |
| 技术特征D《未公开》 | 无对应内容。 | 对比文件描述了从多个传感器获取数据流（特征A），并对其进行处理以进行分类（特征B）。然而，对比文件完全没有提及将数据点流的一部分指派给多个线程或处理器中的每一个。其数据处理架构是基于单个处理单元（如网关设备140的微处理器或服务器105的CPU）进行顺序或集中式处理。因此，对比文件未公开向多个并行执行单元分配数据子集的技术特征。 |
| 技术特征E《未公开》 | 无对应内容。 | 对比文件公开了执行聚类并生成分类结果（如姿势或运动状态）。然而，由于对比文件没有公开多个线程或处理器各自独立生成群集（特征C、D、O未公开），因此自然也谈不上“组合由所述多个线程和/或处理器生成的多个群集以生成全局群集域”。对比文件中聚类结果的使用是直接用于状态估计和显示，不存在将多个并行计算单元的输出进行组合的步骤。 |
| 技术特征F《直接公开》 | 参见段落[0034]：“Kinetic sensors 120a-120k include a variety of types of monitoring devices... accelerometers for acquiring motion and acceleration data.”；段落[0065]：“...data is acquired... using the sensors worn on the individual's body.”；以及附图2、3所示传感器布置。 | 对比文件明确且反复地公开了系统从一个或多个传感器接收数据。例如，动力学传感器包括用于获取运动和加速度数据的加速度计，并且数据是通过佩戴在个体身上的传感器获取的。这与目标专利中“从一个或多个传感器接收所述数据点流”的技术特征完全一致，作用都是获取来自物理传感装置的数据流。 |
| 技术特征G《直接公开》 | 参见段落[0034]：“Exemplary kinetic sensors include **gyroscopes** for acquiring physical orientation data and **accelerometers** for acquiring motion and acceleration data.”；以及段落[0035]提及生理传感器可监测多种参数。 | 对比文件明确列举了传感器类型包括**陀螺仪（gyroscopes）**和**加速度计（accelerometers）**。虽然未明确提及“磁力计（magnetometer）”，但磁力计是用于测量磁场方向的传感器，与本领域公知的用于运动感测的“磁力计”在功能上高度相关，且在运动捕捉和姿态估计领域，加速计、陀螺仪和磁力计常组合使用（如惯性测量单元IMU）。考虑到对比文件公开了使用传感器确定身体位置和方向（如段落[0004], [0105]），本领域技术人员可以毫无疑义地理解到，为实现完整的定向，使用包含磁力计的传感器组合是常规技术手段。因此，该特征被直接公开。 |
| 技术特征H《未公开》 | 无对应内容。 | 对比文件没有描述以“循环方式”（round-robin）向多个处理单元（线程/处理器）分配数据点流的任何机制或方法。其数据流是从传感器直接传到处理单元，没有涉及在多个并行消费者之间进行循环调度。因此，该特征未被公开。 |
| 技术特征I《未公开》 | 无对应内容。 | 对比文件没有描述任何“阶层式方式”（hierarchical）的数据点指派方案。目标专利中描述的阶层式分发涉及使用较小的质心集进行初步分类，再根据分类结果将数据点指派给对应的线程。对比文件中不存在这种两级或多级的分配架构。因此，该特征未被公开。 |
| 技术特征J《未公开》 | 无对应内容。 | 该特征与特征I（阶层式方式）紧密相关，是阶层式指派的具体实现步骤。由于对比文件未公开任何阶层式指派架构，因此自然也未曾公开“将接收到的数据点指派给所述多个群集质心中的一个群集质心”作为分配依据的步骤。 |
| 技术特征K《未公开》 | 无对应内容。 | 该特征是特征J的后续步骤。同样，由于对比文件未公开基于质心的初步分类来进行线程指派，因此该特征未被公开。 |
| 技术特征L《未公开》 | 无对应内容。 | 对比文件没有描述任何将群集质心数目与线程或处理器数目建立对应关系的技术方案。其聚类算法中质心数目（K均值中的K）是由算法自适应确定或预设的（见段落[0110]-[0111]），与处理单元的数目无关。因此，该特征未被公开。 |
| 技术特征M《未公开》 | 无对应内容。 | 对比文件完全没有提及“群集质心数目大于线程和/或处理器数目”的情况，更没有提及基于“与每个群集质心相关联的数据点计数”来将数据点指派给线程或处理器。这是目标专利中一种特定的、复杂的分配策略，在对比文件中无任何基础或暗示。 |
| 技术特征N《未公开》 | 无对应内容。 | 对比文件在描述数据处理时，没有考虑或提及基于不同线程或处理器的“速度”来动态调整或指派数据点流。其系统设计未涉及对并行处理单元性能差异的考量和利用。因此，该特征未被公开。 |
| 技术特征O《未公开》 | 无对应内容。 | 对比文件公开了使用聚类算法生成分类结果（即群集），但这是由单个处理单元（或未明确并行化的处理流程）完成的。对比文件没有描述存在“多个线程和/或处理器”，且“每个线程和/或处理器生成围绕向……置备的一个或多个质心的一个或多个群集”这样的并行群集生成架构。因此，该特征未被公开。 |
| 技术特征P《未公开》 | 无对应内容。 | 该特征描述了并行线程开始生成群集的触发时机（“在其开始接收所述数据点流的所述部分时”）。由于对比文件未公开向多个线程分配数据子集（特征D）以及每个线程独立生成群集（特征O）的架构，因此这种针对并行线程的实时启动机制也无从谈起。 |
| 技术特征Q《未公开》 | 参见段落[0110]：“...when there is new data received at the sensor, **the data is buffered**, and clustering is performed only when the next several data samples have small standard deviation...” | 对比文件确实提到了缓冲数据，但其上下文和目的与目标专利不同。在对比文件中，缓冲数据是为了判断数据是否处于“姿势状态”（静态），只有当连续多个数据样本的标准差很小时，才认为处于姿势状态并执行聚类。这是一种用于区分运动状态和静态姿势、并仅在静态时触发聚类的机制。而在目标专利中，缓冲的目的是在线程开始生成群集之前暂存其分配到的数据点的一部分，这是并行处理流程中的一个步骤，与状态检测无关。两者作用不同，且对比文件的缓冲并未与“多个线程/处理器”或“数据点流的一部分”相关联。因此，不能认为对比文件公开了目标专利中的该技术特征。 |
| 技术特征R《未公开》 | 无对应内容。 | 对比文件没有提及通过“丢弃数据点流中的数据点”来主动减少待处理数据点数目的任何技术手段。其数据处理流程是处理所有到达的传感器数据。虽然传感器可能在节能模式下不传输数据（段落[0066]），但这是传感器端的行为，并非处理端为减少计算量而采取的丢弃策略。因此，该特征未被公开。 |
| 技术特征S《隐含公开》 | 参见段落[0066]：“This is necessary when the sensors operate in a **power-saving mode**. For example, when there is no significant change in acceleration in burst mode, **the accelerometers will not transmit any data**.” | 对比文件公开了传感器可以工作在“省电模式”或“突发模式”，当加速度没有显著变化时，加速度计将不传输任何数据。这实质上导致了在感知端数据输出率的降低。虽然对比文件未明确使用“降低采样率”这一术语，但“不传输数据”在数据接收端的表现就是有效数据率的降低，其作用与“降低采样率以减少数据点数目”是相似或等同的，都是为了在特定条件下减少数据流量。本领域技术人员能够从传感器在省电模式下不传输无变化数据这一描述中，合理推断出这可以起到减少传输到处理单元的数据点数目的效果。因此，该技术特征被对比文件隐含公开。 |
| 技术特征T《隐含公开》 | 参见段落[0068]：“Finally, at operation 440, classifications are performed... The output class and live sensor readings are **stored in a database for further computation and/or are displayed for the user using an interface**.” | 对比文件公开了在完成分类（聚类）后，将输出类别和实时传感器读数存储在数据库中用于进一步计算和/或通过界面显示给用户。这里的“进一步计算”和“显示”可以理解为对聚类结果（即一种“全局群集域”的体现，如姿势分类结果）的后处理操作，例如数据分析、可视化、报警等。虽然对比文件未明确使用“后处理”一词，但存储和利用分类结果进行后续操作是本领域的常规做法。本领域技术人员能够合理推断，在获得分类/聚类结果后，通常会执行某些后处理步骤。因此，该特征被对比文件隐含公开。 |
| 技术特征U《未公开》 | 参见段落[0020]：“The sensor devices 102, 103 and the gateway device 104 are **carried on the individual**.”；段落[0042]：“The gateway device 140 includes, preferably, a **low power microprocessor**, data storage and a network interface.” | 对比文件公开了传感器设备和网关设备由个体携带，且网关设备包含微处理器。这暗示了部分处理能力（如可能的初步处理或数据转发）位于用户装备（即士兵穿戴的设备）上。然而，对比文件明确将主要的处理和分析功能（如复杂的聚类分类）分配给了远程的服务器105（见段落[0023]-[0028], [0046]）。因此，处理任务并非完全由“驻留在一用户装备上”的“多个处理器和/或线程”执行，而是分布在穿戴设备和远程服务器上。目标专利特征U强调处理单元完全驻留在单个用户装备上，这与对比文件的分布式架构不同。因此，对比文件未公开该特征。 |
| 技术特征V《隐含公开》 | 参见段落[0021]：“The gateway device 104 sends the collected data over a network 106 to a **server 105**.”；附图1及6、7展示了多个士兵（多个用户装备）各自携带传感器和网关。 | 对比文件公开了一种系统，其中多个个体（士兵）各自穿戴包含传感器和网关设备的个人状态监视器（多个用户装备）。每个网关设备将数据通过网络发送到一个中央服务器105进行处理（如聚类分析）。这意味着处理任务（由服务器105执行）依赖于从多个用户装备汇聚的数据，或者说，处理功能在逻辑上服务于多个用户装备。虽然主要的处理单元（服务器）是集中的，但整个系统架构明确包含了“多个用户装备”作为数据源，并且处理结果可以反馈给这些装备或其监控方。本领域技术人员能够从“多个个体装备向一个处理中心发送数据”这一架构中，合理推断出处理功能在系统层面上与“多个用户装备”相关联，即处理任务可以视为分布在由多个用户装备组成的网络系统中。因此，该特征被对比文件隐含公开。 |
<<<A>>><<<B>>><<<F>>><<<G>>><<<s>>><<<t>>><<<v>>>