JP2023058446A - 無線センシング、モニタリング及びトラッキングのための方法、装置及びシステム - Google Patents
無線センシング、モニタリング及びトラッキングのための方法、装置及びシステム Download PDFInfo
- Publication number
- JP2023058446A JP2023058446A JP2022161967A JP2022161967A JP2023058446A JP 2023058446 A JP2023058446 A JP 2023058446A JP 2022161967 A JP2022161967 A JP 2022161967A JP 2022161967 A JP2022161967 A JP 2022161967A JP 2023058446 A JP2023058446 A JP 2023058446A
- Authority
- JP
- Japan
- Prior art keywords
- motion
- sleep
- pbms
- time
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Revoked
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
【課題】任意の低コストのInternet-of-things（ＩｏＴ）デバイス上で動作可能とする。【解決手段】無線ベースの睡眠トラッキングのためのシステムは、ベニューにおける無線マルチパスチャネルを通じて第１の無線信号を送信する送信機と、ベニュー内の物体の睡眠中動作による影響を受け第１の無線信号とは異なる第２の無線信号を受信する受信機と、プロセッサと、を備え、当該プロセッサは、前記第２の無線信号に基づいて、前記無線マルチパスチャネルのＴＳＣＩ（時系列のチャネル情報）を取得し、前記ＴＳＣＩの前記Ｎ１個の成分のうちの１つと各々関連付けられたＮ１個のコンポーネントワイズ分析値を演算し、前記Ｎ１個の分析値のうちで、大きさ上位Ｎ２個の分析値を識別し、前記大きさ上位Ｎ２個の分析値に基づいて、少なくとも１つの第１の動き統計値を演算し、前記動き統計値に基づいて、前記物体の前記睡眠中動作をモニタリングする。【選択図】図９
Description
本教示は、概して、無線センシング、モニタリング（監視）及びトラッキングに関するものである。より具体的には、本教示は、任意の低コストのInternet-of-things（ＩｏＴ）デバイス上で動作可能なＷｉ－Ｆｉベースの睡眠モニタリングシステム、無線チャネル情報及びビームフォーミングを処理することによる心拍トラッキング及びモニタリング、無線信号に基づく音声アクティビティの検出、無線トラッキングに基づくマップ再構成、並びに、無線チャネル情報を処理、分解及びエンハンスすることによるバイタルサインの無線モニタリングに関するものである。
睡眠は、精神的にも身体的にも、個人の健康及び福祉において重要な役割を果たす。睡眠の量及び質は、心血管疾患、脳卒中、腎不全、糖尿病、及び有害な精神状態等の健康リスクに基本的に関連することがよく認識されている。残念ながら、現代社会では、多くの人々が睡眠障害に苦しんでいる。最近報告されたように、人口の１０％が慢性不眠症（これは高齢者の間で更に高い）を患っており、アメリカ人の１／３は十分な睡眠を得ていない。増大する睡眠障害のグループを支援、管理、診断、及び治療するため、並びに個人の健康を定期的にモニタリングするための必須の需要として睡眠のモニタリングが出現している。
しかしながら、睡眠モニタリングは、数十年にわたり多大な努力を払ってきた困難な作業である。一般に、それは、睡眠時間を測定し、異なる睡眠段階、例えば、ウェイクアップ、ＲＥＭ（Rapid Eye Movement）及びＮＲＥＭ（Non-REM）を認識し、それにより個人の睡眠の質を評価する。様々なソリューションが提案されている。医学的ゴールドスタンダードは、ポリソムノグラフィ（ＰＳＧ：Polysomnography）に依存し、これは、患者に取り付けられた多数の有線センサによって、脳活動、呼吸、及び体動等の様々な生理学的パラメータをモニタリングする。正確で包括的ではあるが、ＰＳＧは、通常、睡眠困難を引き起こす可能性がある侵襲性センサでは高価で扱いにくく、確認された患者のための臨床的使用に限定される。フォトプレチスモグラフィ（ＰＰＧ：photoplethysmography）及びアクティグラフィ（ＡＣＴ：actigraphy）を含む他のアプローチは、ユーザが睡眠中に専用のセンサを装着することを必要とする。Ballistocardiogram（ＢＣＧ）は、衝撃力（ballistic force）を測定するために、ＥＭＦｉセンサのアレイを有するマットレスを計装する必要がある。コストにもかかわらず、これらのアプローチは特別な注意を必要とするが、一般には理想的ではない人々に適したソリューションを提供する。モバイルコンピューティングにおける最近の努力は、スマートフォン及びウェアラブルを用いた家庭内睡眠モニタリングを想定している。しかしながら、これらの方法は、粗い粒度の、精度の低い測定しか提供せず、呼吸数のようなバイタルサインをモニタリングすることができない。更に、モバイル及びウェアラブルは、特に高齢者及び認知症を有する人にとって望ましくない。
無線センシングの急速な発展は、Ｗｉ－Ｆｉを純粋な通信プラットフォームからユビキタス・センシング・インフラストラクチャに変換してきた。動き検出、睡眠モニタリング、ジェスチャ認識、転倒検出、歩行モニタリング、撮像等を含む、多くの用途が研究されている。Ｗｉ－Ｆｉセンシングでは、より優れた性能のために、より多くのアンテナ及びより大きな帯域幅が好ましいが、これらは常に利用可能であるとは限らない。特に、低コストでコンパクトなＩｏＴデバイス上に、２．４ＧＨｚチャネルに２０ＭＨｚ帯域幅を有する単一アンテナのみがしばしば存在し、これは、実装されるＷｉ－Ｆｉセンシングのための極めて困難な環境を作り出す。多くの既存のアプローチは、その多くがチャネルパラメータ推定又は位相クリーニングのためにアンテナアレイ及び／又はより大きい帯域幅に依存するので、そのような厳しい条件では失敗するのであろう。
心拍数変動（ＨＲＶ：Heart Rate Variability）は、連続する心拍間の期間の変動、即ち、心拍間隔（ＩＢＩ：Inter-Beat Interval）として定義され、個人の全体的な健康状態の重要な指標である。ＨＲＶの分析は、心臓の健康を評価し、自律神経系（ＡＮＳ：Autonomic Nervous System）の状態を評価するための強力なツールであることが証明されている。心血管疾患の早期診断、ストレス評価、感情認識、不安治療等の多くの用途において、高精度のＨＲＶモニタリングが必要である。
ＨＲＶの従来の測定は、心電図（ＥＣＧ：electrocardiogram）又はフォトプレチスモグラム（ＰＰＧ：photoplethysmogram）センサを使用してＩＢＩを連続的に測定することによって得られ、その両方とも専用の医療デバイスであり、ヒトの皮膚と物理的に接触しなければならない。しかし、ＥＣＧ又はＰＰＧを使用することは、ユーザにとって不快であり、時には皮膚アレルギーを引き起こしうる。ユーザの皮膚との直接的な接触を回避するために、慣性計測ユニット（ＩＭＵ：Inertial Measurement Unit）等の他のウェアラブルデバイスが、胸部表面の動きを測定してＩＢＩを決定し、次いでＨＲＶを測定するために検討されてきた。前述の方法のいくつかは、ＥＣＧ及びＰＰＧベースのアプローチよりも侵襲性が低いが、それらの全てはユーザが専用のデバイスを装着することを必要とし、これは扱いにくく、通常、毎日の使用には高価である。したがって、堅牢なシステムを用いて非接触かつ正確な方法でＨＲＶをモニタリングすることが望ましい。
人々の日常生活を容易にするために自動車は不可欠な部分となっているため、高度運転支援システム（ＡＤＡＳ：Advanced Driver Assistance System）が、安全性と利便性の両方を向上させるために運転者を支援することにますます関心を集めている。緊急事態の場合にタイムリーに対応するために、ＡＤＡＳは、運転者の健康／意識をトラッキングする必要があり、これは、一般に、呼吸数（ＲＲ：Respiration Rate）、心拍数（ＨＲ：Heart Rate）及び心拍数変動（ＨＲＶ：Heart Rate Variability）を含む、運転者のバイタルサインをモニタリングすることによって達成される。しかしながら、既存ソリューションのほとんどは、人間が静止しているという仮定を必要とし、これは実際の運転シナリオでは成り立たない。
人間は、集合的にＳＥＳと称され、カクテルパーティ問題として知られている、雑音の多い音声を理解すること（別名、音声強調（ＳＥ：speech enhancement））又は１つのスピーカを別のスピーカから分離すること（別名、音声分離（ＳＳ：speech separation））が、大いに可能である。マシンのＳＥＳ能力は、音声コマンド、ライブスピーチ録音等の多くの用途に対して非常に需要があるが、マイクロフォンを使用する難しい問題が残っている。
モノラルＳＥＳ法は、特にバックグラウンド雑音があまりない場合、深層学習（ディープラーニング）の助けを借りて近年著しい進歩を遂げた。しかしながら、ミクスチャ中のソースの個数を推定すること、出力ソースを所望のスピーカと関連付けること（別名、ラベル置換問題）、及びスピーカを長期間トラッキングすることには、根本的な問題が依然として存在する。これらの問題は、クラスタリングベースの方法及び置換不変トレーニング（ＰＩＴ：permutation invariant training）によって、クリーンなミクスチャについて解決しうるが、それらの性能は雑音の多いミクスチャで低下する可能性がある。全体的に、オーディオのみのアプローチは本質的に、これらの悪い問題に悩まされる。
この問題を克服し、ＳＥＳを改善するために、ビデオ等のオーディオ以外の容易に利用可能な情報を活用するマルチモーダルシステムが導入されている。唇の動き及び顔の情報も使用する人間の知覚と同様に、オーディオビジュアルシステムは、特に同一スピーカ・ミクスチャ等の、困難なケースにおいてＳＥＳ性能を改善することが示されている。同一スピーカ・ミクスチャ及び類似スピーカ・ミクスチャは、２つのソースの区別が最小であるため、オーディオのみの方法では特に困難である。スピーカに関する追加の視覚情報、例えば、ユーザのビデオ若しくは更には顔写真、又は音声アクティビティ検出若しくはピッチ等の他の情報は、ＳＥＳ性能を改善する。しかしながら、カメラベースの方法は、良好な照明条件を必要とし、潜在的なプライバシー問題を引き起こす。
音声インタフェースは、近年、スマートフォンアシスタントが広く利用できるようになり、ヒューマンマシンインタラクションの重要な要素の１つになっている。ほとんどの音声インタフェースでは、ユーザコマンドを処理して理解するために、単一のマイクロフォンが音声を記録するか、又はマルチマイクロフォンアレイであるかにかかわらず、音声アクティビティ検出（ＶＡＤ：voice activity detection）が第１の必須処理ブロックである。しかしながら、既存のＶＡＤシステムは、干渉及び雑音に対して十分にロバストではなく、かつ、演算効率が悪い。
屋内ロケーションベースのサービスは、業界からの多くの努力にもかかわらず、依然として広く利用可能である屋内マップに依存する。既存ソリューションは屋内環境の正確なマッピングを達成するために高価なハードウェア（例えば、ライダ（lidar））を使用するか、又は不正確な慣性センシングに起因する精度を犠牲にして、フロアプラン生成のためのクラウドソーシングに頼る。
ロケーションベースサービス（ＬＢＳ： Location-Based Service）は、ナビゲーション、ロケーションベース探索、及びソーシャルネットワークサービス等、人気を高めている。これは、ロケーションシステム及びマップを組み込んだスマートデバイスの存在がますます増加しているおかげである。ただし、これらのサービスのほとんどは屋外環境でのみ使用できる。屋内ＬＢＳの開発に対する最も重要な制約の１つは、デジタル屋内マップの欠如である。Google Indoor Maps、Point Inside、Micello Indoor Mapのようなプロジェクトは、屋内マップの収集を目的としているが、屋内マップの利用可能性は世界中の膨大な数の建物を考慮すると、依然として非常に限られている。更に、ほとんどのフロアプランは手動で生成され、これらのプロジェクトにアップロードされる。従来の手動の方法は、専門の技術者が専門の測定装置を使用してフロアプランを描くことを必要とし、これは、時間がかかり、費用がかかり、したがって、全ての建物を覆うことができない。加えて、屋内環境における潜在的な変化は、マップを更新するために多くの努力を必要とする。
室内マップを自動的に生成するための努力がなされてきた。ライダ及びカメラに基づくソリューションは、中程度の精度を達成しうるが、非常に高価である、及び／又はプライバシーを侵害する。ＷｉＦｉフィンガープリンティングに基づくシステムは、特に家庭環境において常に利用可能であるとは限らない高密度アクセスポイント（ＡＰ）の配置を必要とする。クラウドソース軌跡に基づくマップ再構成も広範囲に研究されている。モバイル参加者によって提供されたデータを利用して、クラウドソーシングベースのマップ再構成は、より少ないコストで効率的にマップを生成することを可能にする。しかしながら、既存のクラウドソーシングベースのマップ再構成法は、主に慣性センサに依存しており、慣性センサは、累積誤差に起因して精度が限られていることが知られている。
慣性トラッキング（例えば、歩行者デッドレコニング）における重大な累積誤差を克服するために、既存の手法は、１）環境内の潜在的な基準アンカー（例えば、エレベータ）を発見することによる様々な補助装置キャリブレーション、及び、２）長時間の努力で多数のユーザによって収集された数百の様々な軌跡に頼る。しかしながら、多くの環境、特に家庭のようなプライベート環境では、このようなアンカーは利用できない。また、多数のユーザから長時間の努力で多くの軌跡を収集することは現実的ではない。これらの誤りのある慣性センシングを考慮すると、高精度であるが依然として低コストの軌跡トラッキングに基づくマップ再構成のためのシステム及び方法を有することが望ましい。
呼吸及び心拍数の継続的モニタリングは、潜在的に致命的な疾患の早期検出及び予防のために重要である。現在のソリューションは、通常、モニタリング中に人体に接触することを必要とする手首装着センサ又は胸部ストラップ等の専用デバイスをユーザが装着することを必要とし、それにより、ユーザは、利便性及び快適性が低くなる。Internet of Things（ＩｏＴ）の急速な発展に伴い、無線デバイスのユビキタス展開を理由として、無線センシングが近年ますます注目されている。人間の存在が無線信号伝搬に影響することが証明されており、これは、電磁波を解析することによって人間の被験者を無線でモニタリングする機能を可能にする。
加えて、車両モニタリングは、車両における無線デバイスのユビキタス展開に伴う非常に重要な用途となっている。例えば、乗員の認識によって、車両モニタリングは、ペットの動き及び呼吸の識別（ペットの認識）、子供の微妙な動き及び呼吸の識別（子供の認識）、トランク内の動きの検出（未知の認識）、ガラスの破損（窓の破損）及びヒットアンドランの検出を可能にしうる。車両モニタリングに関連する既存の方法及びシステムは、有効性、セキュリティ、及び安全性の懸念に関して完全に満足のいくものではない。
本教示は、概して、無線センシング、モニタリング（監視）及びトラッキングに関するものである。より具体的には、本教示は、任意の低コストのInternet-of-things（ＩｏＴ）デバイス上で動作可能なＷｉ－Ｆｉベースの睡眠モニタリングシステム、無線チャネル情報及びビームフォーミングを処理することによる心拍トラッキング及びモニタリング、無線信号に基づく音声アクティビティの検出、無線トラッキングに基づくマップ再構成、並びに、無線チャネル情報を処理、分解及びエンハンスすることによるバイタルサインの無線モニタリングに関するものである。
一実施形態では、無線ベースの睡眠トラッキングのためのシステムが説明される。システムは、ベニューにおける無線マルチパスチャネルを通じて第１の無線信号を送信するように構成された送信機と、無線マルチパスチャネルを通じて第２の無線信号を受信するように構成された受信機であって、第２の無線信号は、ベニューにおける物体の睡眠中動作による影響を受ける無線マルチパスチャネルに起因して第１の無線信号とは異なる、受信機と、プロセッサとを備える。プロセッサは、第２の無線信号に基づいて、無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、ＴＳＣＩの各チャネル情報（ＣＩ）はＮ１個の成分を含み、Ｎ１は１より大きい正の整数である、ことと、ＴＳＣＩのＮ１個の成分のうちの１つとそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、Ｎ１個のコンポーネントワイズ分析値のうちで、大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することであって、Ｎ２はＮ１より小さい正の整数である、ことと、ＴＳＣＩの大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、少なくとも１つの第１の動き統計値に基づいて、物体の睡眠中動作をモニタリングすることと、を行うように構成される。
別の実施形態では、無線ベースの睡眠トラッキングのためのシステムの無線デバイスが説明される。無線デバイスは、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機とを備える。システムの追加の無線デバイスは、ベニューにおける無線マルチパスチャネルを通じて第１の無線信号を送信するように構成される。受信機は、無線マルチパスチャネルを介して第２の無線信号を受信するように構成される。第２の無線信号は、ベニュー内の物体の睡眠中動作による影響を受ける無線マルチパスチャネルに起因して、第１の無線信号とは異なる。プロセッサは、第２の無線信号に基づいて、無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、ＴＳＣＩの各チャネル情報（ＣＩ）はＮ１個の成分を含み、Ｎ１は１より大きい正の整数である、ことと、ＴＳＣＩのＮ１個の成分のうちの１つにそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、Ｎ１個のコンポーネントワイズ分析値のうちの大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することであって、Ｎ２はＮ１より小さい正の整数である、ことと、ＴＳＣＩの大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、少なくとも１つの第１の動き統計値に基づいて、物体の睡眠中動作をモニタリングすることと、を行うように構成される。
更に別の実施形態では、無線ベースの睡眠トラッキングのための方法が説明される。本方法は、ベニューにおける無線マルチパスチャネルを通じて第１の無線信号を送信することと、無線マルチパスチャネルを通じて第２の無線信号を受信することであって、第２の無線信号はベニュー内の物体の睡眠中動作による影響を受ける無線マルチパスチャネルに起因して、第１の無線信号とは異なる、ことと、第２の無線信号に基づいて無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、ＴＳＣＩの各チャネル情報（ＣＩ）はＮ１個の成分を含み、Ｎ１は１より大きい正の整数である、ことと、ＴＳＣＩのＮ１個の成分のうちの１つにそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、Ｎ１個のコンポーネントワイズ分析値のうちの大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することであって、Ｎ２はＮ１より小さい正の整数である、ことと、ＴＳＣＩの大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、少なくとも１つの第１の動き統計値に基づいて、物体の睡眠中動作をモニタリングすることと、を含む。
一実施形態では、無線モニタリングのためのシステムが説明される。システムは、Ｎ１個の送信アンテナを使用して、ベニューの無線チャネルを通じて第１の無線信号を送信するように構成された送信機と、Ｎ２個の受信アンテナを使用して、無線チャネルを通じて第２の無線信号を受信するように構成された受信機と、プロセッサとを備える。Ｎ１及びＮ２は正の整数である。第２の無線信号は、ベニューにおいて少なくとも１つの反復動作を有する少なくとも１つの生物による第１の無線信号の反射を含む。プロセッサは、第２の無線信号に基づいて、無線チャネルの複数の時系列のチャネル情報（ＴＳＣＩ）を取得することであって、複数のＴＳＣＩのそれぞれは、送信機のそれぞれの送信アンテナ及び受信機のそれぞれの受信アンテナと関連付けられる、ことと、少なくとも１つの生物のうちの各生物について、複数のＴＳＣＩに基づいて、当該生物の全ての反復動作を表すバイタル信号を生成することと、各生物のバイタル信号から、心拍信号を抽出することと、ベニュー内の各生物について、心拍信号に基づいて、心拍数変動をモニタリングすることと、を行うように構成される。
別の実施形態では、無線モニタリングシステムの無線デバイスが説明される。無線デバイスは、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機とを備える。無線モニタリングシステムの追加の無線デバイスは、ベニューの無線チャネルを通じて第１の無線信号を送信するように構成される。受信機は、無線チャネルを通じて第２の無線信号を受信するように構成される。第２の無線信号は、ベニューにおいて少なくとも１つの反復動作を有する少なくとも１つの生物による第１の無線信号の反射を含む。プロセッサは、第２の無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することと、少なくとも１つの生物のうちの各生物について、ＴＳＣＩに基づいて、当該生物の全ての反復動作を表すバイタル信号を生成することと、各生物のバイタル信号から、心拍信号を抽出することと、ベニュー内の各生物について、心拍信号に基づいて、心拍数変動をモニタリングすることと、を行うように構成される。
更に別の実施形態では、無線モニタリングシステムの方法が説明される。本方法は、ベニューの無線チャネルを通じて第１の無線信号を送信することと、無線チャネルを通じて第２の無線信号を受信することであって、第２の無線信号は、ベニュー内の複数の人間による第１の無線信号の反射を含む、ことと、第２の無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、各ＣＩはチャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、又は受信信号強度インデックス（ＲＳＳＩ）のうちの少なくとも１つを含む、ことと、複数の人間のそれぞれについて、ＴＳＣＩに基づいて、当該人間の全ての反復動作を表すバイタル信号を生成することと、各人間のバイタル信号から心拍信号を抽出することと、複数の人間のそれぞれについて、心拍信号に基づいて、心拍数変動を同時にモニタリングすることと、を含む。
別の実施形態では、無線ビームフォーミングに基づくバイタルサインモニタリングのためのシステムが説明される。システムは、ベニューの無線チャネルを通じて無線信号を送信するように構成された送信機と、ベニュー内の物体の物体動作による影響を受ける無線チャネルを通じて無線信号を受信するように構成された受信機と、プロセッサとを備える。送信機又は受信機のうちの少なくとも１つは、無線信号を送信又は受信するために使用されるアンテナのアレイを備える。物体動作は、物体の少なくとも１つの非周期的体動と、物体の少なくとも１つの周期的バイタルサイン動作とを含む。プロセッサは、ビームフォーミング及び受信された無線信号に基づいて、ベニュー周辺の空間を複数のセクタにセグメント化することであって、複数のセクタのうちの各セクタは、アンテナのアレイに対する空間方向と関連付けられている、ことと、ビームフォーミングに基づいて、無線チャネルの複数の時系列のチャネル情報（ＣＩ）を取得することであって、複数の時系列のＣＩ（ＴＳＣＩ）のうちの各ＴＳＣＩは、複数のセクタのうちの個別のセクタと関連付けられる、ことと、複数のＴＳＣＩにおける物体の物体動作を分離することで、複数の分離されたＴＳＣＩを生成することと、複数の分離されたＴＳＣＩにおける物体の少なくとも１つの非周期的体動を補償することで、複数の補償されたＴＳＣＩを生成することと、複数の補償されたＴＳＣＩに基づいて、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることと、を行うように構成される。
別の実施形態では、バイタルサインモニタリングシステムの無線デバイスが説明される。無線デバイスは、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機とを備える。バイタルサインモニタリングシステムの追加の無線デバイスは、ベニューの無線チャネルを通じて無線信号を送信するように構成される。受信機は、ベニュー内の物体の物体動作による影響を受ける無線チャネルを通じて無線信号を受信するように構成される。送信機又は受信機のうちの少なくとも１つは、無線信号を送信又は受信するために使用されるアンテナのアレイを備える。物体動作は、物体の少なくとも１つの非周期的体動と、物体の少なくとも１つの周期的バイタルサイン動作とを含む。プロセッサは、ビームフォーミング及び受信された無線信号に基づいて、ベニュー周辺の空間を複数のセクタにセグメント化することであって、複数のセクタのうちの各セクタは、アンテナのアレイに対する空間方向と関連付けられている、ことと、ビームフォーミングに基づいて、無線チャネルの複数の時系列のチャネル情報（ＣＩ）を取得することであって、複数の時系列のＣＩ（ＴＳＣＩ）のうちの各ＴＳＣＩは、複数のセクタのうちの個別のセクタと関連付けられる、ことと、複数のＴＳＣＩにおける物体の物体動作を分離することで、複数の分離されたＴＳＣＩを生成することと、複数の分離されたＴＳＣＩにおける物体の少なくとも１つの非周期的体動を補償することで、複数の補償されたＴＳＣＩを生成することと、複数の補償されたＴＳＣＩに基づいて、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることと、を行うように構成される。
更に別の実施形態では、バイタルサインモニタリングシステムの方法が説明される。本方法は、送信機が、ベニューの無線チャネルを通じて無線信号を送信することと、受信機が、ベニュー内の物体の物体動作による影響を受ける無線チャネルを通じて無線信号を受信することであって、送信機又は受信機のうちの少なくとも１つは無線信号を送信又は受信するために使用されるアンテナのアレイを備え、物体動作は物体の少なくとも１つの非周期的体動と、物体の少なくとも１つの周期的バイタルサイン動作とを含む、ことと、ビームフォーミング及び受信された無線信号に基づいて、ベニュー周辺の空間を複数のセクタにセグメント化することであって、複数のセクタのうちの各セクタは、アンテナのアレイに対する空間方向と関連付けられている、ことと、ビームフォーミングに基づいて、無線チャネルの複数の時系列のチャネル情報（ＣＩ）を取得することであって、複数の時系列のＣＩ（ＴＳＣＩ）のうちの各ＴＳＣＩは、複数のセクタのうちの個別のセクタと関連付けられる、ことと、複数のＴＳＣＩにおける物体の物体動作を分離することで、複数の分離されたＴＳＣＩを生成することと、複数の分離されたＴＳＣＩにおける物体の少なくとも１つの非周期的体動を補償することで、複数の補償されたＴＳＣＩを生成することと、複数の補償されたＴＳＣＩに基づいて、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることと、を含む。
一実施形態では、無線ベースの音声アクティビティ検出のためのシステムが説明される。システムは、ベニューの無線チャネルを通じて無線信号を送信するように構成された送信機と、無線チャネルを通じて無線信号を受信するように構成された受信機であって、当該無線チャネルはベニュー内のターゲット音声ソースの音声アクティビティによる影響を受ける、受信機と、プロセッサとを備える。プロセッサは、無線信号に基づいて無線チャネルの時系列のチャネル情報（ＣＩ）を演算することと、メディア信号を使用することなく、無線チャネルの時系列のＣＩ（ＴＳＣＩ）に基づいてターゲット音声ソースの音声アクティビティを検出することと、を行うように構成される。
別の実施形態では、無線ベースの音声アクティビティ検出のための方法が説明される。本方法は、送信機から受信機に送信される無線信号を、ベニューの無線チャネルを通じて取得することであって、当該無線チャネルはベニュー内のターゲット音声ソースの音声アクティビティによる影響を受ける、ことと、無線信号に基づいて無線チャネルの時系列のチャネル情報（ＣＩ）を演算することと、無線信号以外の信号を使用することなく、無線チャネルの時系列のＣＩ（ＴＳＣＩ）に基づいてターゲット音声ソースの音声アクティビティを検出することと、を含む。
一実施形態では、マップ生成のためのシステムが説明される。システムは、ベニュー内でセンシングデータを収集し、複数の軌跡を取得するように構成されたセンサと、プロセッサとを備える。各軌跡は、ベニュー内の個別の物体によってトラバースされる経路を表す、時系列の空間座標（ＴＳＳＣ）である。各ＴＳＳＣは、収集された少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ）を伴う一方で、個別の物体は、ベニュー内の経路をトラバースする。プロセッサは、各ＴＳＳＣ及びそれに付随する少なくとも１つのＴＳＳＤを複数のセグメントにセグメント化することと、セグメントのペア間の類似性測度に基づいて、複数の軌跡をバンドリングすることと、バンドリングされた軌跡を融合することで融合軌跡を生成することと、融合軌跡の形状を演算することと、演算された形状に基づいてベニューのマップを生成することと、を行うように構成される。
別の実施形態では、マップ生成のための装置が説明される。装置は、センサと、センサに通信可能に結合されたプロセッサとを備える。センサは、ベニュー内でセンシングデータを収集し、複数の軌跡を取得するように構成される。各軌跡は、ベニュー内の個別の物体によってトラバースされる経路を表す時系列の空間座標（ＴＳＳＣ）である。各ＴＳＳＣは、収集された少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ）を伴う一方で、個別の物体は、ベニュー内の経路をトラバースする。プロセッサは、各ＴＳＳＣ及びそれに付随する少なくとも１つのＴＳＳＤを複数のセグメントにセグメント化することと、セグメントのペア間の類似性測度に基づいて、複数の軌跡をバンドリングすることと、バンドリングされた軌跡を融合することで融合軌跡を生成することと、融合軌跡の形状を演算することと、演算された形状に基づいて、ベニューのマップを生成することと、を行うように構成される。
更に別の実施形態では、マップ生成のための方法が説明される。本方法は、ベニュー内でセンシングデータ及び複数の軌跡を取得することであって、各軌跡は、ベニュー内の個別の物体によってトラバースされる経路を表す時系列の空間座標（ＴＳＳＣ）であり、各ＴＳＳＣは、個別の物体がベニュー内の経路をトラバースする間に収集される少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ）を伴う、ことと、各ＴＳＳＣ及びそれに付随する少なくとも１つのＴＳＳＤを複数のセグメントにセグメント化することと、セグメントのペア間の類似性測度に基づいて、複数の軌跡をバンドリングすることと、バンドリングされた軌跡を融合することで融合軌跡を生成することと、融合軌跡の形状を演算することと、演算された形状に基づいて、ベニューのマップを生成することと、を含む。
一実施形態では、無線バイタルサインモニタリングのためのシステムが説明される。システムは、ベニューの無線チャネルを通じて無線信号を送信するように構成された送信機と、無線チャネルを通じて無線信号を受信するように構成された受信機と、プロセッサとを備える。受信される無線信号は、ベニュー内の物体のバイタルサインの周期的動作による影響を受ける無線チャネルに起因して、送信された無線信号とは異なる。プロセッサは、受信された無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）を取得することと、時系列のＣＩ（ＴＳＣＩ）の２次元（２Ｄ）分解を演算することと、２Ｄ分解をエンハンスすることと、エンハンスされた２Ｄ分解に基づいて、バイタルサインの周期的動作をモニタリングすることと、を行うように構成される。
別の実施形態では、無線バイタルサインモニタリングのためのシステムの無線デバイスが説明される。無線デバイスは、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機とを備える。システム内の追加の無線デバイスは、ベニューの無線チャネルを通じて無線信号を送信するように構成される。受信機は、無線チャネルを通じて無線信号を受信するように構成される。受信される無線信号はベニュー内の物体のバイタルサインの周期的動作による影響を受ける無線チャネルに起因して、送信された無線信号とは異なる。プロセッサは、受信された無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）を取得することと、時系列ＣＩの２次元（２Ｄ）分解を演算することと、２Ｄ分解をエンハンスすることと、エンハンスされた２Ｄ分解に基づいて、バイタルサインの周期的動作をモニタリングすることと、を行うように構成される。
更に別の実施形態では、無線バイタルサインモニタリングのための方法が説明される。本方法は、ベニューの無線チャネルを通じて無線信号を送信することと、無線チャネルを通じて無線信号を受信することであって、受信される無線信号は、ベニュー内の物体のバイタルサインの周期的動作による影響を受ける無線チャネルに起因して、送信された無線信号とは異なる、受信することと、受信された無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）を取得することと、時系列のＣＩ（ＴＳＣＩ）の２次元（２Ｄ）分解を演算することと、２Ｄ分解をエンハンスすることと、エンハンスされた２Ｄ分解に基づいてバイタルサインの周期的動作をモニタリングすることと、を含む。
他の概念は、無線センシング、モニタリング、及びトラッキングに関する本教示を実装するためのソフトウェアに関するものである。追加の新規な特徴は、以下の説明に部分的に記載され、部分的には添付の図面を検討することによって当業者に明らかになるか、又は例の作成又は操作によって学習されうる。本教示の新規な特徴は、以下で論じられる詳細な例に記載される方法、手段、及び組み合わせについての様々な態様の実施又は使用によって実現及び達成されうる。
本明細書で説明される方法、システム、及び／又はデバイスは、例示的な実施形態に関して更に説明される。これらの例示的な実施形態は、図面を参照して詳細に説明される。これらの実施形態は、非限定的な例示的実施形態であり、同様の参照符号は、図面のいくつかの図を通じて同様の構成を表す。
一実施形態では、本教示は、無線モニタリングシステムの、方法、装置、デバイス、システム、及び／又はソフトウェア（方法／装置／デバイス／システム／ソフトウェア）を開示する。無線マルチパスチャネル（チャネル）の時系列のチャネル情報（ＣＩ）は、プロセッサと、通信可能に当該プロセッサと接続されたメモリと、当該メモリに格納された命令のセットとを使用して（例えば、動的に）取得されうる。時系列のＣＩ（ＴＳＣＩ）は、チャネルを通じてベニュー内のタイプ１ヘテロジニアス無線デバイス（例えば、無線信号機、ＴＸ）とタイプ２ヘテロジニアス無線デバイス（例えば、無線受信機、ＲＸ）との間で送信される無線信号（信号）から抽出されうる。チャネルは、ベニュー内の物体の表現（例えば、動き、移動、表現、及び／又は、位置／ポーズ／形状／表現の変化）によって影響を受けうる。物体の特性及び／又は空間‐時間情報（ＳＴＩ（spatial-temporal information）、例えば、動き情報）及び／又は物体の動きは、ＴＳＣＩに基づいてモニタリングされうる。タスクは、特性及び／又はＳＴＩに基づいて実行されうる。タスクと関連付けられたプレゼンテーションは、ユーザのデバイス上のユーザインタフェース（ＵＩ）内に生成されうる。ＴＳＣＩは、無線信号ストリームでありうる。ＴＳＣＩ又は各ＣＩは、前処理されうる。デバイスは、ステーション（ＳＴＡ）でありうる。記号「Ａ／Ｂ」は、本教示において「Ａ及び／又はＢ」を意味する。
表現（expression）は、配置、可動部の配置、ロケーション、位置、向き、識別可能な場所、領域、空間座標、プレゼンテーション、状態、静的表現、サイズ、長さ、幅、高さ、角度、スケール、形状、曲線、表面、面積、体積、ポーズ、姿勢、明示、ボディランゲージ、動的表現、動き、動きシーケンス、ジェスチャ、伸張、収縮、変形、身体表現（例えば、頭、顔、目、口、舌、髪、声、首、手足、腕、手、脚、足、筋肉、可動部）、表面表現（例えば、形状、質感、材質、色、電磁（ＥＭ）特性、視覚パターン、湿り度、反射率、半透明性、柔軟）、材料特性（例えば、生体組織、髪、布、金属、木、革、プラスチック、人工材料、固体、液体、気体、温度）、移動、アクティビティ、挙動、表現の変化、及び／又は何らかの組み合わせを含みうる。
無線信号は、送信／受信信号、ＥＭ放射、ＲＦ信号／送信、ライセンス／アンライセンス／ＩＳＭ帯の信号、帯域制限信号、ベースバンド信号、無線／モバイル／セルラ通信信号、メッシュ信号、光信号／通信、ダウンリンク／アップリンク信号、ユニキャスト／マルチキャスト／ブロードキャスト信号、規格（例えば、ＷＬＡＮ、ＷＷＡＮ、ＷＢＡＮ、国際、業界、デファクト、ＩＥＥＥ８０２、８０２．１１／１５／１６、ＷｉＦｉ、８０２．１１ｎ／ａｃ／ａｘ／ｂｅ、３Ｇ／４Ｇ／ＬＴＥ／５Ｇ／７Ｇ／８Ｇ、３ＧＰＰ(登録商標)、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、Ｚｉｇｂｅｅ、ＲＦＩＤ、ＵＷＢ、ＷｉＭａｘ）準拠の信号、標準フレーム、ビーコン／パイロット／プローブ／問い合わせ／ハンドシェイク／同期信号、管理／制御／データフレーム、管理／制御／データ信号、標準化された無線／セルラ通信プロトコル、参照信号、ソース信号、動作プローブ／検出／センシング信号、及び／又は信号の系列を含みうる。無線信号は、見通し（ＬＯＳ）成分及び／又は非ＬＯＳ成分（又はパス／リンク）を含みうる。各ＣＩは、タイプ２デバイスのレイヤ（例えば、ＯＳＩモデルにおけるＰＨＹ／ＭＡＣレイヤ）において抽出／生成／演算／センシングされうる、及びアプリケーション（例えば、ソフトウェア、ファームウェア、運転者、アプリ、無線モニタリングソフトウェア／システム）によって取得されうる。
無線マルチパスチャネルは、通信チャネル、アナログ周波数チャネル（例えば、７００／８００／９００ＭＨｚ、１．８／１．８／２．４／３／５／６／２７／６０ＧＨｚ付近のアナログキャリア周波数を有する）、符号化チャネル（例えば、ＣＤＭＡにおける）、及び／又は無線ネットワーク／システム（例えば、ＷＬＡＮ、ＷｉＦｉ、メッシュ、ＬＴＥ、４Ｇ／５Ｇ、Ｂｌｕｅｔｏｏｔｈ、Ｚｉｇｂｅｅ、ＵＷＢ、ＲＦＩＤ、マイクロ波）のチャネルを含みうる。それは、２つ以上のチャネルを含んでもよい。チャネルは連続的（例えば、隣接する／重複する帯域を有する）又は非連続的チャネル（例えば、重複しないＷｉＦｉチャネル、１つは２．４ＧＨｚであり、１つは５ＧＨｚである）であってもよい。
ＴＳＣＩは、タイプ２デバイスのレイヤ（例えば、ＯＳＩ参照モデルのレイヤ、物理レイヤ、データリンクレイヤ、論理リンク制御レイヤ、メディアアクセス制御（ＭＡＣ）レイヤ、ネットワーク層、トランスポートレイヤ、セッションレイヤ、プレゼンテーションレイヤ、アプリケーションレイヤ、ＴＣＰ／ＩＰレイヤ、インターネットレイヤ、リンクレイヤ）において無線信号から抽出されうる。ＴＳＣＩは、無線信号（例えば、ＲＦ信号）から導出された導出信号（例えば、ベースバンド信号、動き検出信号、動きセンシング信号）から抽出されうる。それは、既存のメカニズム（例えば、無線／セルラ通信標準／ネットワーク、３Ｇ／ＬＴＥ／４Ｇ／５Ｇ／６Ｇ／７Ｇ／８Ｇ、ＷｉＦｉ、ＩＥＥＥ８０２．１１／１５／１６）を使用して通信プロトコル（例えば、標準化されたプロトコル）によってセンシングされた（無線）測定値であってもよい。出信号は、（例えば、無線リンク／ネットワークにおけるデータ／制御／管理のための）プリアンブル、ヘッダ、及びペイロードのうちの少なくとも１つを有するパケットを含んでもよい。ＴＳＣＩは、パケット内のプローブ信号（例えば、トレーニングシーケンス、ＳＴＦ、ＬＴＦ、Ｌ－ＳＴＦ、Ｌ－ＬＴＦ、Ｌ－ＳＩＧ、ＨＥ－ＳＴＦ、ＨＥ－ＬＴＦ、ＨＥ－ＳＩＧ－Ａ、ＨＥ－ＳＩＧ－Ｂ、ＣＥＦ）から抽出されてもよい。動き検出／センシング信号は、プローブ信号に基づいて認識／識別されうる。パケットは、規格準拠プロトコルフレーム、管理フレーム、制御フレーム、データフレーム、サウンディングフレーム、励起フレーム、照明フレーム、ヌルデータフレーム、ビーコンフレーム、パイロットフレーム、プローブフレーム、要求フレーム、応答フレーム、関連付けフレーム、再関連付けフレーム、関連付け解除フレーム、認証フレーム、アクションフレーム、レポートフレーム、ポールフレーム、アナウンスメントフレーム、拡張フレーム、問い合わせフレーム、肯定応答フレーム、ＲＴＳフレーム、ＣＴＳフレーム、ＱｏＳフレーム、ＣＦ－Ｐｏｌｌフレーム、ＣＦ－Ａｃｋフレーム、ブロック肯定応答フレーム、リファレンスフレーム、トレーニングフレーム、及び／又は同期フレームでありうる。
パケットは、制御データ及び／又は動き検出プローブを含みうる。データ（例えば、タイプ１デバイスのＩＤ／パラメータ／特性／設定／制御信号／コマンド／命令／通知／ブロードキャスト関連情報）は、ペイロードから取得されうる。無線信号は、タイプ１デバイスによって送信されうる。それは、タイプ２デバイスによって受信されうる。（例えば、ローカルサーバ、ハブデバイス、クラウドサーバ、ストレージネットワーク内の）データベースが、ＴＳＣＩ、特性、ＳＴＩ、署名、パターン、挙動、傾向、パラメータ、分析、出力応答、識別情報、ユーザ情報、デバイス情報、チャネル情報、ベニュー（例えば、マップ、環境モデル、ネットワーク、近接デバイス／ネットワーク）情報、タスク情報、クラス／カテゴリ情報、プレゼンテーション（例えば、ＵＩ）情報、及び／又は他の情報を格納するために使用されうる。
タイプ１／タイプ２デバイスは、電子機器、回路、送信機（ＴＸ）／受信機（ＲＸ）／トランシーバ、ＲＦインタフェース、「Origin Satellite」／「Tracker Bot」、ユニキャスト／マルチキャスト／ブロードキャストデバイス、無線ソースデバイス、ソース／宛先デバイス、無線ノード、ハブデバイス、ターゲットデバイス、動き検出デバイス、センサデバイス、リモート／無線センサデバイス、無線通信デバイス、無線対応デバイス、規格準拠デバイス、及び／又は受信機のうちの少なくとも１つを含みうる。タイプ１（又はタイプ２）デバイスは、ヘテロジニアスであってよく、この理由は、タイプ１（又はタイプ２）デバイスの複数のインスタンスが存在する場合に、異なる回路、エンクロージャ、構造、目的、補助機能、チップ／ＩＣ、プロセッサ、メモリ、メモリ、ソフトウェア、ファームウェア、ネットワーク接続性、アンテナ、ブランド、モデル、外観、形態、形状、色、材料、及び／又は仕様を有しうることである。タイプ１／タイプ２デバイスは、アクセスポイント、ルータ、メッシュルータ、インターネット・オブ・シングス（ＩｏＴ）デバイス、無線端末、１つ以上の無線／ＲＦサブシステム／無線インタフェース（例えば、２．４ＧＨｚ無線機、５ＧＨｚ無線機、フロントホール無線機、バックホール無線機）、モデム、ＲＦフロントエンド、ＲＦ／無線チップ、又は集積回路（ＩＣ）を備えうる。
タイプ１デバイス、タイプ２デバイス、それらの間のリンク、物体、特性、ＳＴＩ、動きのモニタリング、及びタスクのうちの少なくとも１つは、ＵＵＩＤ等の識別情報（ＩＤ）と関連付けられうる。タイプ１／タイプ２／その他のデバイスは、ＴＳＣＩを取得／記憶／検索／アクセス／前処理／条件／処理付け／分析／モニタリング／適用しうる。タイプ１及びタイプ２デバイスは、無線信号と並列に、他のチャネル（例えば、イーサネット、ＨＤＭＩ(登録商標)、ＵＳＢ、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、ＷｉＦｉ、ＬＴＥ、他のネットワーク、無線マルチパスチャネル）でネットワークトラフィックをやりとりしうる。タイプ２デバイスは、タイプ１デバイスとの接続（例えば、関連／認証）を確立することなく、又はタイプ１デバイスからのサービスを要求することなく、無線マルチパスチャネルでタイプ１デバイスからの無線信号を受動的に観測／モニタリング／受信しうる。
送信機（即ち、タイプ１デバイス）は、一時的に、散発的に、連続的に、反復的に、交換可能に、交互に、同時に（simultaneously）、同時に（concurrently）、及び／又は同時に（contemporaneously）、受信機（即ち、タイプ２デバイス）として機能することができ、逆もまた同様である。デバイスは、一時的に、散発的に、連続的に、反復的に、同時に、同時に、及び／又は同時に、タイプ１デバイス（送信機）及び／又はタイプ２デバイス（受信機）として機能しうる。それぞれタイプ１（ＴＸ）及び／又はタイプ２（ＲＸ）デバイスである複数の無線ノードが存在してもよい。ＴＳＣＩは、無線信号を交換／やりとりする際に、２つのノードごとに取得されうる。物体の特性及び／又はＳＴＩは、ＴＳＣＩに基づいて個別に、又は２つ以上の（例えば、全ての）ＴＳＣＩに基づいて一緒にモニタリングされうる。
物体の動きは、能動的に（タイプ１デバイス、タイプ２デバイス、又はその両方において、物体のウェアラブルである／物体と関連付けられている）及び／又は受動的に（タイプ１デバイスとタイプ２デバイスの両方が物体のウェアラブルでない／物体と関連付けられている）モニタリングされうる。物体がタイプ１デバイス及び／又はタイプ２デバイスと関連付けられていない可能性があるため、それは受動的でありうる。物体（例えば、ユーザ、無人搬送車両（automated guided vehicle）又はＡＧＶ）は、任意のウェアラブル／固定具を持ち運ぶ／取り付ける必要がない場合がある（即ち、タイプ１デバイス及びタイプ２デバイスは、タスクを実行するために物体が持ち運ぶ必要があるウェアラブル／取り付けデバイスではない）。物体は、タイプ１デバイス及び／又はタイプ２デバイスのいずれかと関連付けられうるので、能動的でありうる。物体は、ウェアラブル／固定具（例えば、タイプ１デバイス、タイプ２デバイス、タイプ１デバイス又はタイプ２デバイスのいずれかと通信可能に結合されたデバイス）を運ぶ（又は設置する）ことがありうる。
プレゼンテーションは、ビジュアル、オーディオ、画像、ビデオ、アニメーション、グラフィカルプレゼンテーション、テキスト等でありうる。タスクの演算は、タイプ１デバイスのプロセッサ（又はロジックユニット）、タイプ１デバイスのＩＣのプロセッサ（又はロジックユニット）、タイプ２デバイスのプロセッサ（又はロジックユニット）、タイプ２デバイスのＩＣのプロセッサ（又はロジックユニット）、ローカルサーバ、クラウドサーバ、データ分析サブシステム、信号分析サブシステム、及び／又は別のプロセッサによって実行されうる。タスクは、無線フィンガープリント又はベースライン（例えば、トレーニングフェーズ／調査／現在の調査／以前の調査／最近の調査／初期の無線調査において収集、処理、演算、送信及び／又は保存、パッシブフィンガープリント）、トレーニング、プロファイル、トレーニング済みプロファイル、静的プロファイル、調査、初期の無線調査、初期設定、インストール、再トレーニング、更新及びリセットを参照して／参照せずに、実行されうる。
タイプ１デバイス（ＴＸデバイス）は、少なくとも１つのヘテロジニアス無線送信機を備えうる。タイプ２デバイス（ＲＸデバイス）は、少なくとも１つのヘテロジニアス無線受信機を備えうる。タイプ１デバイス及びタイプ２デバイスは、コロケーションされうる。タイプ１デバイス及びタイプ２デバイスは、同じデバイスでありうる。任意のデバイスは、データ処理ユニット／装置、コンピューティングユニット／システム、ネットワークユニット／システム、プロセッサ（例えば、論理ユニット）、プロセッサと通信可能に接続されたメモリ、及びプロセッサによって実行される、メモリに格納された命令のセットを有しうる。いくつかのプロセッサ、メモリ、及び命令セットは協調されうる。
同じタイプ２デバイス（又は複数のタイプ２デバイス）とインタラクションを行う（例えば、通信する、信号／制御／通知／他のデータを交換する）複数のタイプ１デバイスがありうる、及び／又は同じタイプ１デバイスとインタラクションを行う複数のタイプ２デバイスがありうる。複数のタイプ１デバイス／タイプ２デバイスは、同じ／異なるウィンドウ幅／サイズ及び／又は時間シフト、同じ／異なる同期開始時間、同期終了時間等で、同期及び／又は非同期でありうる。複数のタイプ１デバイスによって送信される無線信号は、散発的、一時的、連続的、反復的、同期的、同時、同時、及び／又は同時でありうる。複数のタイプ１デバイス／タイプ２デバイスは、独立して及び／又は協働して動作してもよい。タイプ１及び／又はタイプ２デバイスは、ヘテロジニアスハードウェア回路（例えば、無線信号を生成／受信すること、受信された信号からＣＩを抽出すること、又はＣＩを利用可能にすることが可能なヘテロジニアスチップ又はヘテロジニアスＩＣ）を有しうる／備えうる／それらでありうる。それらは、同じ又は異なるサーバ（例えば、クラウドサーバ、エッジサーバ、ローカルサーバ、ハブデバイス）と通信可能に接続されてもよい。
１つのデバイスの動作は、動作、状態、内部状態、ストレージ、プロセッサ、メモリ出力、物理的ロケーション、コンピューティングリソース、別のデバイスのネットワークに基づきうる。差分デバイスは、直接、及び／又は別のデバイス／サーバ／ハブデバイス／クラウドサーバを介して通信しうる。デバイスは、関連する設定を有する１人以上のユーザと関連付けられてもよい。設定は、一旦選択され、予めプログラムされ、及び／又は変更され（例えば、調整され、変更され、修正され）／経時的に変更されてもよい。方法には追加のステップがあってもよい。方法のステップ及び／又は追加のステップは、示された順序で、又は別の順序で実行されうる。任意のステップは、並行して、反復して、又は他の方法で反復して、又は他の方法で実行されてもよい。ユーザは、ヒト、成人、高齢者、男性、女性、若者、子供、赤ちゃん、ペット、動物、生物、機械、コンピュータモジュール／ソフトウェア等でありうる。
１つ以上のタイプ２デバイスとインタラクションを行う１つ以上のタイプ１デバイスの場合、任意の処理（例えば、時間領域、周波数領域）は、異なるデバイスについて異なりうる。処理は、ロケーション、向き、方向、役割、ユーザ関連特性、設定、構成、利用可能なリソース、利用可能な帯域幅、ネットワーク接続、ハードウェア、ソフトウェア、プロセッサ、コプロセッサ、メモリ、バッテリ寿命、利用可能な電力、アンテナ、アンテナタイプ、アンテナの指向性／無指向性特性、電力設定、及び／又は、デバイスの他のパラメータ／特性に基づきうる。
無線受信機（例えば、タイプ２デバイス）は、無線送信機（例えば、タイプ１デバイス）から信号及び／又は別の信号を受信しうる。無線受信機は、別の無線送信機（例えば、第２のタイプ１デバイス）から別の信号を受信しうる。無線送信機は、信号及び／又は別の信号を別の無線受信機（例えば、第２のタイプ２デバイス）に送信しうる。無線送信機、無線受信機、別の無線受信機、及び／又は別の無線送信機は、物体及び／又は別の物体とともに移動している場合がある。別の物体は追跡されうる。
タイプ１及び／又はタイプ２デバイスは、少なくとも２つのタイプ２及び／又はタイプ１デバイスと、無線接続することが可能でありうる。タイプ１デバイスは、ベニュー内の別のロケーションにおいて、タイプ２デバイスから第２のタイプ２デバイスへ無線接続（例えば、関連付け、認証）を切り替え／確立するようにさせられうる／制御されうる。同様に、タイプ２デバイスは、ベニュー内の更に別のロケーションにおいて、タイプ１デバイスから第２のタイプ１デバイスへ無線接続を切り替え／確立するようにさせられうる／制御されうる。スイッチングは、サーバ（又はハブデバイス）、プロセッサ、タイプ１デバイス、タイプ２デバイス、及び／又は別のデバイスによって制御されうる。スイッチングの前後で使用する無線が異なる場合がある。第２の無線信号（第２の信号）は、チャネルを介して、タイプ１デバイスと第２のタイプ２デバイスとの間（又はタイプ２デバイスと第２のタイプ１デバイスとの間）で送信されうる。第２の信号から抽出されたチャネルの第２のＴＳＣＩが取得されうる。第２の信号は、第１の信号であってもよい。物体の特性、ＳＴＩ、及び／又は別の量が、第２のＴＳＣＩに基づいてモニタリングされうる。タイプ１デバイスとタイプ２デバイスは同じであってもよい。異なるタイムスタンプを有する特性、ＳＴＩ及び／又は別の量が、波形を形成してもよい。波形は、プレゼンテーションにおいて表示されてもよい。
無線信号及び／又は別の信号は、埋め込まれたデータを有しうる。無線信号は、プローブ信号の系列（例えば、プローブ信号の反復送信、１つ以上のプローブ信号の再使用）でありうる。プローブ信号は、経時的に変化／変動しうる。プローブ信号は、規格準拠信号、プロトコル信号、標準化された無線プロトコル信号、制御信号、データ信号、無線通信ネットワーク信号、セルラネットワーク信号、ＷｉＦｉ信号、ＬＴＥ／５Ｇ／６Ｇ／７Ｇ信号、参照信号、ビーコン信号、動き検出信号、及び／又は動きセンシング信号でありうる。プローブ信号は、無線ネットワーク規格（例えば、ＷｉＦｉ）、セルラネットワーク規格（例えば、ＬＴＥ／５Ｇ／６Ｇ）、又は別の規格に従ってフォーマットされうる。プローブ信号は、ヘッダ及びペイロードを有するパケットを含みうる。プローブ信号は、埋め込まれたデータを有しうる。ペイロードは、データを含みうる。プローブ信号は、データ信号によって置き換えられてもよい。プローブ信号は、データ信号に埋め込まれてもよい。無線受信機、無線送信機、別の無線受信機、及び／又は別の無線送信機は、少なくとも１つのプロセッサ、個別のプロセッサと通信可能に接続されたメモリ、及び／又はメモリに格納された命令の個別のセットと関連付けられてよく、当該命令は、実行されるとプロセッサに、物体のＳＴＩ（例えば、動き情報）、初期ＳＴＩ、初期時間、方向、瞬時ロケーション、瞬時角度、及び／又は速度を特定するために必要とされる任意のステップ及び／又は全てのステップを実行させる。
プロセッサ、メモリ、及び／又は命令のセットは、タイプ１デバイス、少なくとも１つのタイプ２デバイスのうちの１つ、物体、物体と関連付けられたデバイス、ベニューと関連付けられた別のデバイス、クラウドサーバ、ハブデバイス、及び／又は別のサーバと関連付けられうる。
タイプ１デバイスは、ベニュー内のチャネルを通じて少なくとも１つのタイプ２デバイスへブロードキャスト方式で信号を送信しうる。信号は、タイプ１デバイスが任意のタイプ２デバイスとの無線接続（例えば、関連付け、認証）を確立することなく、かつ、タイプ２デバイスがタイプ１デバイスからサービスを要求することなく、送信される。タイプ１デバイスは、２つ以上のタイプ２デバイスに共通の特定のメディアアクセス制御（ＭＡＣ）アドレスへの送信を行いうる。各タイプ２デバイスは、当該デバイスのＭＡＣアドレスを特定のＭＡＣアドレスに調整しうる。特定のＭＡＣアドレスは、ベニューと関連付けられうる。当該関連付けは、関連付けサーバ（例えば、ハブデバイス）の関連付けテーブルに記録されうる。ベニューは、特定のＭＡＣアドレス、プローブ信号の系列、及び／又はプローブ信号から抽出された少なくとも１つのＴＳＣＩに基づいて、タイプ１デバイス、タイプ２デバイス、及び／又は別のデバイスによって識別されうる。
例えば、タイプ２デバイスは、ベニュー内の新しいロケーションに（例えば、別のベニューから）移動されうる。タイプ１デバイスは、タイプ１デバイスとタイプ２デバイスとが互いに気付かないように、ベニューにおいて新たにセットアップされうる。セットアップ中に、タイプ１デバイスは、特定のＭＡＣアドレスにプローブ信号の系列を送信するように（例えば、ダミー受信機を使用して、ハードウェアピン設定／コネクションを使用して、保存された設定を使用して、ローカル設定を使用して、リモート設定を使用して、ダウンロードされた設定を使用して、ハブデバイスを使用して、又はサーバを使用して）命令／誘導／制御されうる。電源投入時に、タイプ２デバイスは、異なるロケーション（例えば、住宅、オフィス、エンクロージャ、フロア、多階建てビルディング、店舗、空港、モール、スタジアム、ホール、駅、地下鉄、区画、エリア、ゾーン、地域、地方、都市、国、大陸）におけるブロードキャストを行うために使用されうる（例えば、指定されたソース、サーバ、ハブデバイス、クラウドサーバに保存されている）ＭＡＣアドレスのテーブルに従って、プローブ信号をスキャンしうる。タイプ２デバイスが、特定のＭＡＣアドレスに送信されたプローブ信号を検出すると、タイプ２デバイスは、当該ＭＡＣアドレスに基づいてベニューを識別するために当該テーブルを使用できる。
ベニューにおけるタイプ２デバイスのロケーションは、特定のＭＡＣアドレス、プローブ信号の系列、及び／又はプローブ信号からタイプ２デバイスによって取得された少なくとも１つのＴＳＣＩに基づいて演算されうる。当該演算は、タイプ２デバイスによって実行されうる。
特定のＭＡＣアドレスは、時間的に変更（例えば、調整、変化、修正）されうる。それは、時間テーブル、ルール、ポリシー、モード、条件、状況、及び／又は変更に従って変更されうる。特定のＭＡＣアドレスは、ＭＡＣアドレスの利用可能性、予め選択されたリスト、衝突パターン、トラフィックパターン、タイプ１デバイスと別のデバイスとの間のデータトラフィック、有効帯域幅、ランダム選択、及び／又はＭＡＣアドレス切り替えプランに基づいて選択されうる。特定のＭＡＣアドレスは、第２の無線デバイス（例えば、ダミー受信機、又はダミー受信機として機能する受信機）のＭＡＣアドレスでありうる。
タイプ１デバイスは、チャネルのセットから選択されたチャネルでプローブ信号を送信しうる。選択されたチャネルの少なくとも１つのＣＩは、選択されたチャネルにおいて送信されたプローブ信号から、それぞれのタイプ２デバイスによって取得されうる。
選択されたチャネルは、時間的に変更（例えば、調整、変化、修正）されうる。当該変更は、時間テーブル、ルール、ポリシー、モード、条件、状況、及び／又は変更に従いうる。選択されたチャネルは、チャネルの利用可能性、ランダム選択、予め選択されたリスト、同一チャネル干渉、チャネル間干渉、チャネルトラフィックパターン、タイプ１デバイスと別のデバイスとの間のデータトラフィック、チャネルと関連付けられた有効帯域幅、セキュリティ基準、チャネル切り替えプラン、基準、品質基準、信号品質条件、及び／又は考慮事項に基づいて選択されうる。
特定のＭＡＣアドレス及び／又は選択されたチャネルの情報は、ネットワークを通じてタイプ１デバイスとサーバ（例えば、ハブデバイス）との間で伝達されうる。特定のＭＡＣアドレス及び／又は選択されたチャネルの情報は更に、別のネットワークを通じてタイプ２デバイスとサーバ（例えば、ハブデバイス）との間で伝達されうる。タイプ２デバイスは、特定のＭＡＣアドレス及び／又は選択されたチャネルの情報を別のタイプ２デバイスに（例えば、メッシュネットワーク、Ｂｌｕｅｔｏｏｔｈ、ＷｉＦｉ、ＮＦＣ、ＺｉｇＢｅｅ等を介して）伝達しうる。特定のＭＡＣアドレス及び／又は選択されたチャネルはサーバ（例えば、ハブデバイス）によって選択されうる。特定のＭＡＣアドレス及び／又は選択されたチャネルは、タイプ１デバイス、タイプ２デバイス、及び／又はサーバ（例えば、ハブデバイス）によってアナウンスメントチャネでシグナリングされうる。通信が行われる前に、任意の情報が前処理されうる。
タイプ１デバイスと別の無線デバイスとの間の無線接続（例えば、関連付け、認証）が（例えば、信号ハンドシェイクを用いて）確立されうる。タイプ１デバイスは第、１のハンドシェイク信号（例えば、サウンディングフレーム、プローブ信号、送信要求ＲＴＳ（request-to-send））を別のデバイスに送りうる。別のデバイスは、第２のハンドシェイク信号（例えば、コマンド、又は送信可ＣＴＳ（clear-to-send））をタイプ１デバイスに送信することによって応答し、タイプ２デバイスとの接続を確立することなく、ブロードキャスト方式で信号（例えば、プローブ信号の系列）を複数のタイプ２デバイスに送信するようにタイプ１デバイスをトリガしうる。第２のハンドシェイク信号は、第１のハンドシェイク信号に対する応答又は肯定応答（例えば、ＡＣＫ）でありうる。第２のハンドシェイク信号は、ベニュー及び／又はタイプ１デバイスの情報を有するデータを含みうる。別のデバイスは、タイプ１デバイスとの無線接続を確立し、第１の信号を受信し、及び／又は第２の信号を送信するための目的（例えば、一次目的、二次目的）を有するダミーデバイスでありうる。別のデバイスは、タイプ１デバイスに物理的に取り付けられてもよい。
別の例では、別のデバイスが任意のタイプ２デバイスとの接続（例えば、関連付け、認証）を確立することなく、信号（例えば、プローブ信号の系列）を複数のタイプ２デバイスにブロードキャストするために、タイプ１デバイスをトリガする第３のハンドシェイク信号をタイプ１デバイスに送りうる。タイプ１デバイスは、第４のハンドシェイク信号を別のデバイスに送信することによって、第３の特別な信号に応答しうる。別のデバイスは、ブロードキャストするための２つ以上のタイプ１デバイスをトリガするために使用されうる。トリガは、連続的、部分的に連続的、部分的に並列、又は完全に並列であってもよい。別のデバイスは、複数の送信機を並列にトリガするための２つ以上の無線回路を有しうる。並列トリガは更に、（別のデバイスが行うのと同様の）トリガを別のデバイスと並列に実行するために、少なくとも１つの更に別のデバイスを使用して達成されうる。他のデバイスは、タイプ１デバイスとの接続を確立した後、タイプ１デバイスと通信しなくてもよい（又は通信を中断してもよい）。中断された通信は再開されてもよい。別のデバイスは、タイプ１デバイスとの接続を確立した後、非アクティブモード、休止モード、スリープモード、スタンバイモード、低電力モード、オフモード、及び／又はパワーダウンモードに移行してもよい。別のデバイスは、タイプ１デバイスが特定のＭＡＣアドレスに信号を送信するように、特定のＭＡＣアドレスを有しうる。タイプ１デバイス及び／又は別のデバイスは、タイプ１デバイスに関する第１のプロセッサ、別のデバイスに関連する第２のプロセッサ、指定されたソースに関連する第３のプロセッサ、及び／又は別のデバイスに関連する第４のプロセッサによって制御及び／又は調整されうる。第１及び第２のプロセッサは、互いに協調してもよい。
プローブ信号の第１の系列は、タイプ１デバイスの第１のアンテナによって、第１のベニューにおける第１のチャネルを通じて少なくとも１つの第１のタイプ２デバイスへ送信されうる。プローブ信号の第２の系列は、タイプ１デバイスの第２のアンテナによって、第２のベニューにおける第２のチャネルを通じて少なくとも１つの第２のタイプ２デバイスへ送信されうる。第１の系列と第２の系列は異なっていてもよいし、異なっていなくてもよい。少なくとも１つの第１のタイプ２デバイスは、少なくとも１つの第２のタイプ２デバイスと異なりうる／異なりえない。プローブ信号の第１及び／又は第２の系列は、タイプ１デバイスと任意のタイプ２デバイスとの間に確立された接続（例えば、関連付け、認証）無しでブロードキャストされてもよい。第１及び第２のアンテナは、同じであっても／異なっていてもよい。
２つのベニューは、異なるサイズ、形状、マルチパス特性を有しうる。第１及び第２のベニューは、オーバラップしてもよい。第１のアンテナ及び第２のアンテナ周辺のそれぞれの周辺エリアは、オーバラップしてもよい。第１及び第２のチャネルは、同じであっても／異なっていてもよい。例えば、第１のものはＷｉＦｉであってよく、第２のものはＬＴＥであってよい。あるいは、両方がＷｉＦｉであってもよいが、第１のものは２．４ＧＨｚのＷｉＦｉであってもよく、第２のものは５ＧＨｚのＷｉＦｉであってもよい。あるいは、両方とも２．４ＧＨｚのＷｉＦｉであってもよいが、異なるチャネル番号、ＳＳＩＤ名、及び／又はＷｉＦｉ設定を有しうる。
各タイプ２デバイスは、それぞれのプローブ信号の系列から少なくとも１つのＴＳＣＩを取得してうる。当該ＣＩは、タイプ２デバイスとタイプ１デバイスとの間の個別のチャネルのものである。いくつかの第１のタイプ２デバイス及びいくつかの第２のタイプ２デバイスは、同じでありうる。プローブ信号の第１及び第２の系列は、同期／非同期でありうる。プローブ信号は、データとともに送信されてもよく、又はデータ信号によって置き換えられてもよい。第１及び第２のアンテナは、同じであってもよい。
プローブ信号の第１の系列は、第１のレート（例えば、３０Ｈｚ）で送信されうる。プローブ信号の第２の系列は、第２のレート（例えば、２００Ｈｚ）で送信されうる。第１及び第２のレートは、同じであっても／異なっていてもよい。第１のレート及び／又は第２のレートは、時間的に変更（例えば、調整、変化、修正）されうる。変更は、時間テーブル、ルール、ポリシー、モード、条件、状況、及び／又は変更に従いうる。任意のレートは、時間的に変更（例えば、調整、変更、修正）されうる。
プローブ信号の第１及び／又は第２の系列は、それぞれ第１のＭＡＣアドレス及び／又は第２のＭＡＣアドレスに送信されうる。２つのＭＡＣアドレスは、同じであっても、異なっていてもよい。プローブ信号の第１の系列は、第１のチャネルで送信されうる。プローブ信号の第２の系列は、第２のチャネルで送信されうる。２つのチャネルは、同じであってもよい／異なっていてもよい。第１又は第２のＭＡＣアドレス、第１又は第２のチャネルは、時間的に変更されてもよい。任意の変更は、時間テーブル、ルール、ポリシー、モード、条件、状況、及び／又は変更に従いうる。
タイプ１デバイス及び別のデバイスは、制御及び／又は調整されてもよく、物理的に取り付けられてもよく、又は共通のデバイスであってもよい／共通のデバイス内にあってもよい。それらは、共通のデータプロセッサによって制御／接続されてもよく、又は共通のバス相互接続／ネットワーク／ＬＡＮ／Ｂｌｕｅｔｏｏｔｈネットワーク／ＮＦＣネットワーク／ＢＬＥネットワーク／有線ネットワーク／無線ネットワーク／メッシュネットワーク／モバイルネットワーク／クラウドに接続されてもよい。それらは、共通のメモリを共有するか、又は共通のユーザ、ユーザデバイス、プロファイル、アカウント、識別情報（ＩＤ）、識別子、家庭、家、物理的アドレス、ロケーション、地理的座標、ＩＰサブネット、ＳＳＩＤ、ホームデバイス、オフィスデバイス、及び／又は製造デバイスと関連付けられうる。
各タイプ１デバイスは、それぞれのタイプ２デバイスのセットの信号ソースでありうる（即ち、それぞれの信号（例えば、プローブ信号のそれぞれの系列）をそれぞれのタイプ２デバイスのセットに送信する）。それぞれの個別のタイプ２デバイスは、その信号ソースとして、全てのタイプ１デバイスの中からタイプ１デバイスを選択する。各タイプ２デバイスは、非同期的に選択しうる。少なくとも１つのＴＳＣＩは、それぞれの個別のタイプ２デバイスによって、タイプ１デバイスからのプローブ信号の個別の系列から取得されうる。当該ＣＩは、タイプ２デバイスとタイプ１デバイスとの間のチャネルである。
個別のタイプ２デバイスは、全てのタイプ１デバイスの中から、その信号ソースとして、タイプ１／タイプ２デバイスの識別情報（ＩＤ）又は識別子、実行されるタスク、過去の信号ソース、（例えば、過去の信号ソース、タイプ１デバイス、別のタイプ１デバイス、個別のタイプ２受信機、及び／又は別のタイプ２受信機の）履歴、スイッチング信号ソースの閾値、及び／又はユーザの情報、アカウント、アクセス情報、パラメータ、特性、及び／又は信号強度（例えば、タイプ１デバイス及び／又は個別のタイプ２受信機と関連付けられた）に基づいて、タイプ１デバイスを選択する。
最初に、タイプ１デバイスは、初期の個別のタイプ２デバイスのセットの信号ソースでありうる（即ち、タイプ１デバイスは、初期の個別のタイプ２デバイスのセットへ個別の信号（プローブ信号の系列）を送信する）。初期の個別の各タイプ２デバイスは、その信号ソースとして、全てのタイプ１デバイスの中からタイプ１デバイスを選択する。
特定のタイプ２デバイスの信号ソース（タイプ１デバイス）は、（１）タイプ２デバイスの現在の信号ソースから受信される２つの隣接するプローブ信号（例えば、現在のプローブ信号と直近のプローブ信号との間、又は次のプローブ信号と現在のプローブ信号との間）の時間間隔が第１の閾値を超える場合、（２）タイプ２デバイスの現在の信号ソースに関連する信号強度が第２の閾値を下回る場合、（３）タイプ２デバイスの現在の信号ソースに関連する処理された信号強度が第３の閾値を下回る場合、ここで、当該信号強度は、ローパスフィルタ、バンドパスフィルタ、メディアンフィルタ、移動平均フィルタ、重み付け平均フィルタ、線形フィルタ及び／又は非線形フィルタで処理されている、及び／又は、（４）タイプ２デバイスの現在の信号ソースに関連する信号強度（又は処理された信号強度）が最近の時間ウィンドウ（例えば）のかなりのパーセンテージ（７０％、８０％、９０％））で第４の閾値を下回る場合に、変更（例えば、調整、変更、修正）されうる。当該パーセンテージは、第５の閾値を超えてもよい。第１、第２、第３、第４、及び／又は第５の閾値は、時間的に変化してもよい。
条件（１）は、タイプ１デバイス及びタイプ２デバイスが互いから徐々に遠ざかるようになり、その結果、タイプ１デバイスからのいくつかのプローブ信号が弱くなりすぎ、タイプ２デバイスによって受信されないときに生じうる。条件（２）～（４）は、信号強度が非常に弱くなるように、２つのデバイスが互いから遠くなるときに生じうる。
タイプ２デバイスの信号ソースは、他のタイプ１デバイスが現在の信号ソースの係数（例えば、１、１．１、１．２、又は１．５）よりも弱い信号強度を有する場合、変化しないことがある。
信号ソースが変更（例えば、調整、変更、修正）される場合、新しい信号ソースは、近い将来の時間（例えば、それぞれの次の時間）に有効になりうる。新しい信号ソースは、最も強い信号強度及び／又は処理された信号強度を有するタイプ１デバイスであってもよい。現在の及び新しい信号ソースは、同じであってもよい／異なっていてもよい。
利用可能なタイプ１デバイスのリストは、各タイプ２デバイスによって初期化されて維持されうる。当該リストは、タイプ１デバイスのそれぞれのセットに関連する信号強度及び／又は処理された信号強度を検査することによって更新されうる。タイプ２デバイスは、個別のプローブ信号レート、ＭＡＣアドレス、チャネル、特性／特性／状態、タイプ２デバイスによって実行されるタスク、第１及び第２の系列の信号強度、及び／又は別の考慮事項に基づいて、第１のタイプ１デバイスからのプローブ信号の第１の系列と、第２のタイプ１デバイスからのプローブ信号の第２の系列との間で選択しうる。
プローブ信号の系列は、規則的なレート（例えば、１００Ｈｚ）で送信されうる。プローブ信号の系列は、定期的な間隔（例えば、１００Ｈｚに対して０．０１秒）でスケーリングされることもあるが、各プローブ信号は、おそらく、タイミング要件、タイミング制御、ネットワーク制御、ハンドシェイク、メッセージパッシング、衝突回避、キャリアセンシング、輻輳、リソースの利用可能性、及び／又はその他の考慮事項に起因して、小規模な時間の摂動を経験しうる。
速度は、変更（例えば、調整、変更、修正）されてもよい。当該変更は、時間テーブル（例えば、１時間ごとに変更される）、ルール、ポリシー、モード、条件、及び／又は変更（例えば、何らかのイベントが発生するたびに変更される）に従いうる。例えば、レートは、通常１００Ｈｚでありうるが、要求の厳しい状況では１０００Ｈｚに、低電力／待機状態では１Ｈｚに変更される場合がある。プローブ信号は、バーストで送信されうる。
プローブ信号レートは、タイプ１デバイス又はタイプ２デバイスによって実行されるタスクに基づいて変化しうる（例えば、タスクは、２０秒間、瞬間的に１００Ｈｚ通常及び１０００Ｈｚを必要としうる）。一例では、送信機（タイプ１デバイス）、受信機（タイプ２デバイス）、及び関連するタスクはクラス（例えば、低優先度、高優先度、緊急、クリティカル、規則的、特権付き、非サブスクリプション、サブスクリプション、支払い、及び／又は非支払いであるクラス）に適応的に（及び／又は動的に）関連付けられうる。（送信機の）レートはいくつかのクラス（例えば、高優先度クラス）のために調整されうる。そのクラスの必要性が変化するとき、レートは変更（例えば、調整、変更、修正）されうる。受信機が非常に低い電力を有する場合、レートは、プローブ信号に応答するよう受信機の電力消費を低減するために低減されうる。一例では、プローブ信号は、電力を受信機（タイプ２デバイス）に無線転送するために使用されてよく、レートは、受信機に転送される電力の量を制御するために調整されうる。
レートは、サーバ（例えば、ハブデバイス）、タイプ１デバイス、及び／又はタイプ２デバイスによって（又はそれに基づいて）変更されうる。制御信号は、それらの間で通信されうる。サーバは、タイプ２デバイス及び／又はタイプ２デバイスによって実行されるタスクの必要性をモニタリング、追跡、予測、及び／又は予期してもよく、レートを変更するようにタイプ１デバイスを制御してもよい。サーバは、時間テーブルに従って、レートに対するスケジューリングされた変更を行ってもよい。サーバは、緊急状況を検出し、即座にレートを変更してもよい。サーバは、発展条件を検出し、レートを徐々に調整してもよい。
特性及び／又はＳＴＩ（例えば、動き情報）は、特定のタイプ１デバイス及び特定のタイプ２デバイスに関連するＴＳＣＩに基づいて、個別にモニタリングされ、及び／又は特定のタイプ１デバイス及び任意のタイプ２デバイスに関連する任意のＴＳＣＩに基づいて、共同でモニタリングされ、及び／又は特定のタイプ２デバイス及び任意のタイプ１デバイスに関連する任意のＴＳＣＩに基づいて、共同でモニタリングされ、及び／又は任意のタイプ１デバイス及び任意のタイプ２デバイスに関連する任意のＴＳＣＩに基づいて、グローバルにモニタリングされうる。任意の共同モニタリングは、ユーザ、ユーザアカウント、プロファイル、世帯、ベニューのマップ、ベニューの環境モデル、及び／又はユーザ履歴等と関連付けられうる。
タイプ１デバイスとタイプ２デバイスとの間の第１のチャネルは、別のタイプ１デバイスと別のタイプ２デバイスとの間の第２のチャネルとは異なりうる。２つのチャネルは、異なる周波数帯域、帯域幅、キャリア周波数、変調、無線規格、符号化、暗号化、ペイロード特性、ネットワーク、ネットワークＩＤ、ＳＳＩＤ、ネットワーク特性、ネットワーク設定、及び／又はネットワークパラメータ等と関連付けられうる。
２つのチャネルは、異なる種類の無線システム（例えば、ＷｉＦｉ、ＬＴＥ、ＬＴＥ－Ａ、ＬＴＥ－Ｕ、２．５Ｇ、３Ｇ、３．５Ｇ、４Ｇ、ビヨンド４Ｇ、５Ｇ、６Ｇ、７Ｇ、セルラネットワーク規格、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ(登録商標)、ＴＤ－ＳＣＤＭＡ、８０２．１１システム、８０２．１５システム、８０２．１６システム、メッシュネットワーク、Ｚｉｇｂｅｅ、ＮＦＣ、ＷｉＭａｘ、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、ＲＦＩＤ、ＵＷＢ、マイクロ波システム、レーダのようなシステム）と関連付けられうる。例えば、一方はＷｉＦｉであり、他方はＬＴＥである。
２つのチャネルは、同様の種類の無線システムと関連付けられうるが、異なるネットワーク内にありうる。例えば、第１のチャネルは、２０ＭＨｚの帯域幅を有する２．４ＧＨｚ帯域における「Pizza and Pizza」と呼ばれるＷｉＦｉネットワークと関連付けられてよく、第２のチャネルは、４０ＭＨｚの帯域幅を有する５ＧＨｚ帯域における「StarBud hotspot」のＳＳＩＤを有するＷｉＦｉネットワークと関連付けられうる。２つのチャネルは、同じネットワーク（例えば、「StarBud hotspot」ネットワーク）内の異なるチャネルでありうる。
一実施形態では、無線モニタリングシステムが複数のイベントと関連付けられたトレーニングＴＳＣＩに基づいて、ベニュー内の複数のイベントの分類器をトレーニングすることを含みうる。イベントと関連付けられたＣＩ又はＴＳＣＩは、イベントと関連付けられた無線サンプル／特性／指紋（及び／又は、ベニュー、環境、物体、物体の動き、状態／感情状態／心理状態／状況／段階／ジェスチャ／歩行／行動／移動／活動／日常活動／履歴／物体のイベント等）を含むと考えられうる／構成されうる。
既知のイベントに関連する個別のトレーニング（例えば、調査、無線調査、初期無線調査）期間内にベニューで発生する複数の既知のイベントの各々について、個別のトレーニング無線信号（例えば、トレーニングプローブ信号の個別の系列）は、プロセッサ、メモリ、及び第１のタイプ１デバイスの命令のセットを使用して、第１のタイプ１ヘテロジニアス無線デバイスアンテナによって、個別のトレーニング期間内にベニューにおいて無線マルチパスチャネルを通じて少なくとも１つの第１のタイプ２ヘテロジニアス無線デバイスへ送信されうる。
トレーニングＣＩ（トレーニングＴＳＣＩ）の少なくとも１つの個別の時系列は、（個別の）トレーニング信号から、少なくとも１つの第１のタイプ２デバイスの各々によって非同期に取得されうる。ＣＩは、既知のイベントと関連付けられたトレーニング期間における第１のタイプ２デバイスと第１のタイプ１デバイスとの間のチャネルのＣＩでありうる。少なくとも１つのトレーニングＴＳＣＩは、前処理されうる。トレーニングは、（例えば、タイプ１デバイス及び／又はタイプ２デバイスの設置中の）無線調査でありうる。
現在の期間においてベニューで発生している現在のイベントについて、現在の無線信号（例えば、現在のプローブ信号の系列）は、プロセッサ、メモリ、及び第２のタイプ１デバイスの命令のセットを使用して、現在のイベントに関連する現在の期間におけるベニューのチャネルを介して少なくとも１つの第２のタイプ２ヘテロジニアス無線デバイス、第２のタイプ１ヘテロジニアス無線デバイスのアンテナによって送信されうる。
現在のＣＩ（現在のＴＳＣＩ）の少なくとも１つの時系列は、現在の信号（例えば、現在のプローブ信号の系列）から、少なくとも１つの第２のタイプ２デバイスの各々によって非同期に取得されうる。ＣＩは、現在のイベントと関連付けられた現在の期間における第２のタイプ２デバイスと第２のタイプ１デバイスとの間のチャネルのＣＩでありうる。少なくとも１つの現在のＴＳＣＩは、前処理されうる。
分類器は、少なくとも１つの第２のタイプ２デバイスによって現在のプローブ信号の系列から取得された少なくとも１つの現在のＴＳＣＩを分類するために、特定の現在のＴＳＣＩの少なくとも１つの部分を分類するために、及び／又は特定の現在のＴＳＣＩの少なくとも１つの部分と別のＴＳＣＩの別の部分との組み合わせを分類するために適用されうる。分類器は、ＴＳＣＩ（又は特性／ＳＴＩ又は他の分析値又は出力応答）をクラスタに分割し、当該クラスタを、特定のイベント／物体／対象／ロケーション／移動／アクティビティと関連付けうる。ラベル／タグは、クラスタに対して生成されうる。クラスタは、記憶され、取り出されうる。分類器は、現在のＴＳＣＩ（又は特性／ＳＴＩ又は他の分析／出力応答、おそらく現在のイベントに関連するもの）を、クラスタ、既知／特定のイベント、クラス／カテゴリ／グループ／グループ／クラスタ／既知のイベント／対象／ロケーション／移動／アクティビティのセット、未知のイベント、クラス／カテゴリ／グループ／グループ／リスト／クラスタ／未知のイベント／対象／ロケーション／移動／アクティビティのセット、及び／又は別のイベント／対象／ロケーション／移動／アクティビティ／クラス／カテゴリ／グループ／グループ／リスト／クラスタ／セットと関連付けるために適用されうる。各ＴＳＣＩは、それぞれのタイムスタンプにそれぞれ関連する少なくとも１つのＣＩを含みうる。２つのタイプ２デバイスと関連付けられた２つのＴＳＣＩは、開始時間、持続時間、停止時間、ＣＩの量、サンプリング周波数、サンプリング期間、という異なるものであってもよい。それらのＣＩは、異なる特徴を有しうる。第１及び第２のタイプ１デバイスは、ベニュー内の同じロケットにあってもよい。それらは、同じデバイスであってもよい。少なくとも１つの第２のタイプ２デバイス（又はそれらのロケーション）は、少なくとも１つの第１のタイプ２デバイス（又はそれらのロケーション）の置換であってもよい。特定の第２のタイプ２デバイス及び特定の第１のタイプ２デバイスは、同じデバイスであってもよい。
第１のタイプ２デバイスのサブセットと第２のタイプ２デバイスのサブセットとは同じでありうる。少なくとも１つの第２のタイプ２デバイス及び／又は少なくとも１つの第２のタイプ２デバイスのサブセットは、少なくとも１つの第１のタイプ２デバイスのサブセットでありうる。少なくとも１つの第１のタイプ２デバイス及び／又は少なくとも１つの第１のタイプ２デバイスのサブセットは、少なくとも１つの第２のタイプ２デバイスのサブセットの置換でありうる。少なくとも１つの第２のタイプ２デバイス及び／又は少なくとも１つの第２のタイプ２デバイスのサブセットは、少なくとも１つの第１のタイプ２デバイスのサブセットの置換でありうる。少なくとも１つの第２のタイプ２デバイス及び／又は少なくとも１つの第２のタイプ２デバイスのサブセットは、少なくとも１つの第１のタイプ２デバイスのサブセットと同じそれぞれのロケーションにありうる。少なくとも１つの第１のタイプ２デバイス及び／又は少なくとも１つの第１のタイプ２デバイスのサブセットは、少なくとも１つの第２のタイプ２デバイスのサブセットと同じそれぞれのロケーションにありうる。
タイプ１デバイスのアンテナと、第２のタイプ１デバイスのアンテナとは、ベニュー内の同じロケーションにあってもよい。少なくとも１つの第２のタイプ２デバイスのアンテナ及び／又は少なくとも１つの第２のタイプ２デバイスのサブセットのアンテナは、少なくとも１つの第１のタイプ２デバイスのサブセットのそれぞれのアンテナと同じそれぞれのロケーションにあってもよい。少なくとも１つの第１のタイプ２デバイスのアンテナ及び／又は少なくとも１つの第１のタイプ２デバイスのサブセットのアンテナは、少なくとも１つの第２のタイプ２デバイスのサブセットのそれぞれのアンテナと同じそれぞれのロケーションにあってもよい。
第１のＴＳＣＩの第１の持続時間の第１のセクションと、第２のＴＳＣＩの第２のセクションの第２の持続時間の第２のセクションとは、アライメントされうる。第１のセクションのアイテムと第２のセクションのアイテムとの間のマップが演算されうる。第１のセクションは第１の開始／終了時間を有する第１のＴＳＣＩの第１のセグメント（例えば、サブセット）、及び／又は処理された第１のＴＳＣＩの別のセグメント（例えば、サブセット）を含みうる。処理された第１のＴＳＣＩは、第１の動作によって処理された第１のＴＳＣＩでありうる。第２のセクションは第２の開始時間及び第２の終了時間を有する第２のＴＳＣＩの第２のセグメント（例えば、サブセット）と、処理された第２のＴＳＣＩの別のセグメント（例えば、サブセット）とを含みうる。処理された第２のＴＳＣＩは、第２の動作によって処理された第２のＴＳＣＩでありうる。第１の動作及び／又は第２の動作は、サブサンプリング、再サンプリング、補間、フィルタリング、変換、特徴抽出、前処理、及び／又は別の動作を含みうる。
第１のセクションの第１のアイテムは、第２のセクションの第２のアイテムにマッピングされうる。第１のセクションの第１のアイテムはまた、第２のセクションの別のアイテムにマッピングされうる。第１のセクションの別のアイテムはまた、第２のセクションの第２のアイテムにマッピングされうる。マッピングは、１対１、１対多、多対１、多対多であってもよい。第１のＴＳＣＩの第１のセクションの第１のアイテム、第１のＴＳＣＩの別のアイテム、第１のアイテムのタイムスタンプ、第１のアイテムの時間差、第１のアイテムの隣接タイムスタンプ、第１のアイテムの隣接タイムスタンプ、第１のアイテムと関連付けられた別のタイムスタンプ、第２のＴＳＣＩの第２のセクションの第２のアイテム、第２のアイテムのタイムスタンプ、第２のアイテムの時間差、第２のアイテムの時間差、第２のアイテムの隣接タイムスタンプ、及び第２のアイテムと関連付けられた別のタイムスタンプのうちの少なくとも１つの機能は、少なくとも１つの制約を満たしうる。
１つの制約は、第１のアイテムのタイムスタンプと第２のアイテムのタイムスタンプとの間の差が適応的な（及び／又は動的に調整された）上限閾値によって上限が与えられ、適応的な下限閾値によって下限が与えられることでありうる。
第１のセクションは、第１のＴＳＣＩ全体でありうる。第２のセクションは、第２のＴＳＣＩ全体でありうる。第１の持続時間は、第２の持続時間に等しくてもよい。ＴＳＣＩの持続時間のセクションは、適応的に（及び／又は動的に）決定されうる。ＴＳＣＩの暫定的なセクションが演算されうる。セクション（例えば、暫定的なセクション、セクション）の開始時間及び終了時間を決定しうる。このセクションは、暫定的なセクションの開始部分及び終了部分を除去することによって決定されてもよい。暫定的なセクションの先頭部分は、次のようにして決定しうる。反復的に、タイムスタンプが増加する暫定的なセクションのアイテムは、一度に１つのアイテムである現在のアイテムと見なすことができる。
各反復において、少なくとも１つのアクティビティ測度／指標が演算及び／又は考慮されうる。少なくとも１つのアクティビティ測定は、現在のタイムスタンプと関連付けられた現在のアイテム、現在のタイムスタンプよりも大きくないタイムスタンプを有する暫定的なセクションの過去のアイテム、及び／又は現在のタイムスタンプよりも小さくないタイムスタンプを有する暫定的なセクションの将来のアイテムのうちの少なくとも１つと関連付けられうる。現在のアイテムは少なくとも１つのアクティビティ測度に関連する少なくとも１つの基準（例えば、品質基準、信号品質条件）が満たされる場合、暫定的なセクションの開始部分に追加されうる。
アクティビティ測度に関連する少なくとも１つの基準は（ａ）アクティビティ測度が適応的（例えば、動的に調整された）上限閾値よりも小さい、（ｂ）アクティビティ測度が適応的下限閾値よりも大きい、（ｃ）アクティビティ測度が少なくとも所定量の連続するタイムスタンプについて連続的に適応的上限閾値よりも小さい、（ｄ）アクティビティ測度が少なくとも別の所定量の連続するタイムスタンプについて連続的に適応的下限閾値よりも大きい、（ｅ）アクティビティ測度が少なくとも所定量の連続するタイムスタンプのうちの所定量について連続的に適応的上限閾値よりも小さい、（ｆ）アクティビティ測度が別の所定量の連続するタイムスタンプのうちの少なくとも別の所定量について連続的に適応的下限閾値よりも大きい、（ｇ）現在のタイムスタンプに関連する別のタイムスタンプに関連する別のアクティビティ測度が別の適応的上限閾値よりも小さく、別の適応的下限閾値よりも大きい、（ｈ）現在のタイムスタンプと関連付けられた少なくとも１つの個別のタイムスタンプと関連付けられた少なくとも１つのアクティビティ測度が、それぞれの上側閾値よりも小さく、それぞれの下側閾値よりも大きい、（ｉ）現在のタイムスタンプと関連付けられたタイムスタンプのセットにおいて、それぞれの上側閾値よりも小さく、それぞれの下側閾値よりも大きいアクティビティ測度と関連付けられたタイムスタンプのパーセンテージが閾値を超える、及び（ｊ）別の基準（例えば、品質基準、信号品質条件）。
時間Ｔ１におけるアイテムに関連するアクティビティ測度／インデックスは、（１）時間Ｔ１におけるアイテムの第１の関数及び時間Ｔ１－Ｄ１におけるアイテムであって、Ｄ１は所定の正の量（例えば、一定の時間オフセット）であり、（２）時間Ｔ１におけるアイテムの第２の関数及び時間Ｔ１＋Ｄ１におけるアイテムであり、（３）時間Ｔ１におけるアイテムの第３の関数及び時間Ｔ２におけるアイテムであって、Ｔ２は所定の量（例えば、固定の初期基準時間；Ｔ２は経時的に変更（例えば、調整、変更、修正）されてもよく；Ｔ２は周期的に更新されてもよく；Ｔ２が期間の始まりであってもよく、Ｔ１は期間におけるスライド時間であってもよい）及び（４）時間Ｔ１におけるアイテムの第４の関数及び別のアイテムのうちの少なくとも１つを備えてもよい。
第１の関数、第２の関数、第３の関数、及び／又は第４の関数のうちの少なくとも１つは、少なくとも２つの引数Ｘ及びＹを有する関数（例えば、Ｆ(Ｘ，Ｙ，...)）であってもよい。２つの引数はスカラーであってもよい。関数（例えば、Ｆ）は、Ｘ、Ｙ、(Ｘ－Ｙ)、(Ｙ－Ｘ)、abs(Ｘ－Ｙ)、Ｘ＾ａ、Ｙ＾ｂ、abs(Ｘ＾ａ－Ｙ＾ｂ)、(Ｘ－Ｙ)＾ａ、(Ｘ／Ｙ)、(Ｘ＋ａ)／(Ｙ＋ｂ)、(Ｘ＾ａ／Ｙ＾ｂ)、及び((Ｘ／Ｙ)＾ａ－ｂ)のうちの少なくとも１つの関数であってよく、ａ及びｂはいくつかの所定の量でありうる。例えば、関数は単にabs(Ｘ－Ｙ)又は(Ｘ－Ｙ)＾２、(Ｘ－Ｙ)＾４であってもよい。関数は、ロバスト関数であってもよい。例えば、関数は、abs(Ｘ－Ｙ)が閾値Ｔ未満である場合には(Ｘ－Ｙ)＾２であり、abs(Ｘ－Ｙ)がＴより大きい場合には(Ｘ－Ｙ)＋ａであってもよい。代替的に、関数はabs(Ｘ－Ｙ)がＴよりも大きい場合の定数でありうる。関数はまた、abs(Ｘ－ｙ)がＴよりも大きい場合のゆっくりと増加する関数によって制限されてよく、したがって、外れ値は結果に深刻な影響を及ぼすことができない。関数の別の例は、(abs(Ｘ／Ｙ)－ａ)であってもよく、ここでａ＝１である。このようにして、Ｘ＝Ｙ（即ち、変化がないか、又は活動がない）の場合、関数は０の値を与える。ＸがＹより大きい場合、(Ｘ／Ｙ)は１より大きくなり(ＸとＹが正の場合)、関数は正になる。そして、ＸがＹよりも小さい場合、(Ｘ／Ｙ)は１よりも小さくなり、関数は負になる。別の例では、関数がＸ＝(Ｘ＿１－Ｘ＿２－...－Ｙ＿１－...－Ｙ＿ｎ)、Ｘ＿ｉ、(Ｙ＿ｉ)、abs_Ｘ_ｉ－Ｙ_ｉ、Ｘ＿ｉ＾ｂ、abs_Ｘ_ｉ^ａ－Ｙ_ｉ ^ｂ、(Ｘ_ｉ－Ｙ_ｉ)^ａ、(Ｘ_ｉ＋ａ)／(Ｙ_ｉ＋ｂ)、(Ｘ_ｉ^ａ／Ｙ_ｉ^ｂ)、及び((Ｘ_ｉ／Ｙ_ｉ)^ａ－ｂ)のうちの少なくとも１つの関数であってよく、ここで、ｉはｎタプルＸ及びＹ、並びに１≦ｉ≦ｎ、例えば、Ｘ＿１の成分インデックスはｉ＝１であり、Ｘ＿２の成分インデックスはｉ＝２である。関数は、Ｘ＿ｉ、Ｙ＿ｉ、(Ｙ＿ｉ－ｉ)、(Ｘ_ｉ－Ｙ_ｉ)、Ｘ＿ｉ、Ｙ_ｉ ^ｂ、abs_Ｘ_ｉ^ａ－Ｙ_ｉ ^ｂ、(Ｘ_ｉ－Ｙ_ｉ)^ａ、(Ｘ_ｉ＋ａ)／(Ｙ_ｉ ＋ｂ)、(Ｘ_ｉ^ａ／Ｙ_ｉ ^ｂ)、及び((Ｘ_ｉ／Ｙ_ｉ)^ａ－ｂ)のうちの少なくとも１つの別の関数の成分ごとの加算を含むことができ、ここで、ｉはｎタプルＸ及びＹの成分インデックスである。関数がｓｕｍ＿｛ｉ＝１}^ｎ(abs(Ｘ_ｉ／Ｙ_ｉ)－１)／ｎ、又はｓｕｍ＿｛ｉ＝１}^ｎ ｗ_ｉ*(abs(Ｘ_ｉ／Ｙ_ｉ)－１)の形式であってよく、ここで、ｗ＿ｉはコンポーネントｉに対する何らかの重みである。
マップは、動的時間伸縮（ＤＴＷ：dynamic time warping）を使用して演算されうる。ＤＴＷは、マップ、第１のＴＳＣＩのアイテム、第２のＴＳＣＩのアイテム、第１の持続時間、第２の持続時間、第１のセクション、及び／又は第２のセクションのうちの少なくとも１つに対する制約を備えうる。マップ内で、ｉ番目の領域アイテムがｊ番目のレンジアイテムにマップされているとする。制約は、ｉとｊとの許容可能な組み合わせ（ｉとｊとの間の関係に関する制約）であってもよい。第１のＴＳＣＩの第１の持続時間の第１のセクションと、第２のＴＳＣＩの第２の持続時間の第２のセクションとの間のミスマッチコストが演算されうる。
第１のセクション及び第２のセクションは、２つ以上のリンクを含むマップが第１のＴＳＣＩの第１のアイテムと第２のＴＳＣＩの第２のアイテムとの間で確立されうるように整列されうる。各リンクで、第１のタイムスタンプを有する第１のアイテムのうちの１つは、第２のタイムスタンプを有する第２のアイテムのうちの１つと関連付けられうる。整列された第１のセクションと整列された第２のセクションとの間のミスマッチコストが演算されうる。ミスマッチコストは、マップの特定のリンクによって関連付けられた第１のアイテムと第２のアイテムとの間のアイテムワイズコストと、マップの特定のリンクと関連付けられたリンクワイズコストとの機能を備えうる。
整列された第１のセクション及び整列された第２のセクションは、それぞれ、同じベクトル長の第１のベクトル及び第２のベクトルとして表されうる。ミスマッチコストは内積、内積様量、相関に基づく量、相関指標、共分散に基づく量、識別スコア、距離、ユークリッド距離、絶対距離、Ｌｋ距離（例えば、Ｌ１、Ｌ２、...）、重み付けされた距離、距離様量、及び／又は第１のベクトルと第２のベクトルとの間の別の類似性値のうちの少なくとも１つを含みうる。ミスマッチコストは、それぞれのベクトル長によって正規化しうる。
第１のＴＳＣＩの第１の持続時間の第１のセクションと第２のＴＳＣＩの第２の持続時間の第２のセクションとの間のミスマッチコストから導出されるパラメータは、統計的分布を用いてモデル化されうる。統計的分布のスケールパラメータ、ロケーションパラメータ、及び／又は別のパラメータのうちの少なくとも１つが推定されうる。
第１のＴＳＣＩの第１の持続時間の第１のセクションは、第１のＴＳＣＩのスライディングセクションでありうる。第２のＴＳＣＩの第２の持続時間の第２のセクションは、第２のＴＳＣＩのスライディングセクションでありうる。
第１のスライディングウィンドウが第１のＴＳＣＩに適用されてよく、対応する第２のスライディングウィンドウが第２のＴＳＣＩに適用されてよい。第１のＴＳＣＩの第１のスライディングウィンドウと、第２のＴＳＣＩの対応する第２のスライディングウィンドウとは、位置合わせされうる。
第１のＴＳＣＩのアライメントされた第１のスライディングウィンドウと第２のＴＳＣＩの対応するアライメントされた第２のスライディングウィンドウとの間のミスマッチコストが演算されうる。現在のイベントは、ミスマッチコストに基づいて、既知のイベント、未知のイベント、及び／又は別のイベントのうちの少なくとも１つと関連付けられうる。
分類器は、少なくとも１つの暫定的な分類結果を取得するために、第１のＴＳＣＩの第１の持続時間の各第１のセクション、及び／又は第２のＴＳＣＩの第２の持続時間の各第２のセクションのうちの少なくとも１つに適用されうる。各暫定的な分類結果は、それぞれの第１のセクション及びそれぞれの第２のセクションと関連付けられうる。
現在のイベントは、ミスマッチコストに基づいて、既知のイベント、未知のイベント、クラス／カテゴリ／グループ／グループ化／リスト／未知のイベントのセット、及び／又は別のイベントのうちの少なくとも１つと関連付けられうる。現在のイベントは、第１のＴＳＣＩの２つ以上のセクションと、第２のＴＳＣＩの２つ以上のセクションに対応する暫定的分類結果の最大数に基づいて、既知のイベント、未知のイベント、及び／又は別のイベントのうちの少なくとも１つと関連付けられうる。例えば、現在のイベントはミスマッチコストがＮ回連続して特定の既知のイベントを指し示す場合（例えば、Ｎ＝１０）、特定の既知のイベントと関連付けられうる。別の例では、現在のイベントが特定の既知のイベントを指す直近の過去Ｎ連続Ｎ内のミスマッチコストのパーセンテージが特定の閾値（例えば、＞８０％）を超える場合、特定の既知のイベントと関連付けられうる。
別の例では、現在のイベントがある期間内のほとんどの時間について最小のミスマッチコストを達成する既知のイベントと関連付けられうる。現在のイベントは、少なくとも１つの第１のセクションと関連付けられた少なくとも１つのミスマッチコストの重み付け平均で最小の全体的なミスマッチコストを達成する既知のイベントと関連付けられうる。現在のイベントは、別の全体的なコストのうちの最小を達成する特定の既知のイベントと関連付けられうる。少なくとも１つの第１のセクションの十分なパーセンテージにおいて第１の閾値Ｔ１よりも低いミスマッチコストを達成する既知のイベントがない場合、現在のイベントは「未知のイベント」と関連付けられうる。現在のイベントはまた、いずれのイベントも第２の閾値Ｔ２よりも低い全体的なミスマッチコストを達成しない場合、「未知のイベント」と関連付けられうる。現在のイベントは、第１のＴＳＣＩの少なくとも１つの追加のセクション及び第２のＴＳＣＩの少なくとも１つの追加のセクションに関連するミスマッチコスト及び追加のミスマッチコストに基づいて、既知のイベント、未知のイベント、及び／又は別のイベントのうちの少なくとも１つと関連付けられうる。既知のイベントは、ドア閉イベント、ドア開イベント、ウィンドウ閉イベント、ウィンドウ開イベント、多状態イベント、オン状態イベント、オフ状態イベント、中間状態イベント、連続状態イベント、離散状態イベント、人間存在イベント、人間不在イベント、生体存在の兆候イベント、及び／又は生体不在の兆候のイベント、のうちの少なくとも１つを含みうる。
各ＣＩのための射影は、トレーニングＴＳＣＩに基づく次元削減方法を使用してトレーニングされうる。次元削減方法は、主成分分析（ＰＣＡ）、異なるカーネルを有するＰＣＡ、独立成分分析（ＩＣＡ）、フィッシャー線形判別、ベクトル量子化、教師あり学習、教師なし学習、自己組織化マップ、自動エンコーダ、ニューラルネットワーク、ディープニューラルネットワーク、及び／又は別の方法のうちの少なくとも１つを含みうる。投影は、分類器のための、少なくとも１つのイベントと関連付けられたトレーニングＴＳＣＩ、及び／又は現在のＴＳＣＩのうちの少なくとも１つに適用されうる。
少なくとも１つのイベントの分類器は、少なくとも１つのイベントと関連付けられた投影及びトレーニングＴＳＣＩに基づいてトレーニングされうる。少なくとも１つの現在のＴＳＣＩは、投影及び現在のＴＳＣＩに基づいて分類／分類されうる。投影は、トレーニングＴＳＣＩ、投影を再トレーニングする前の少なくとも１つの現在のＴＳＣＩ、及び／又は追加のトレーニングＴＳＣＩのうちの少なくとも１つに基づいて、次元削減方法、及び別の次元削減方法のうちの少なくとも１つを使用して再トレーニングされうる。別の次元削減方法は、主成分分析（ＰＣＡ）、異なるカーネルを有するＰＣＡ、独立成分分析（ＩＣＡ）、フィッシャー線形判別、ベクトル量子化、教師あり学習、教師なし学習、自己組織化マップ、自動エンコーダ、ニューラルネットワーク、ディープニューラルネットワーク、及び／又は更に別の方法のうちの少なくとも１つを含みうる。少なくとも１つのイベントの分類器は、再トレーニングされた投影、少なくとも１つのイベントと関連付けられたトレーニングＴＳＣＩ、及び／又は少なくとも１つの現在のＴＳＣＩのうちの少なくとも１つに基づいて再トレーニングされうる。少なくとも１つの現在のＴＳＣＩは、再トレーニングされた投影、再トレーニングされた分類器、及び／又は現在のＴＳＣＩに基づいて分類されうる。
各ＣＩは、複素値のベクトルを含みうる。各複素値は、複素値の大きさを与えるために前処理されうる。各ＣＩは、対応する複素数値の大きさを含む非負の実数のベクトルを与えるために前処理されうる。各トレーニングＴＳＣＩは、投影のトレーニングにおいて重み付けされうる。投影は、２つ以上の投影成分を含みうる。投影は、少なくとも１つの最上位の投影成分を含みうる。投影は、分類器にとって有益でありうる少なくとも１つの投影成分を含みうる。
チャネル／チャネル情報／ベニュー／時空間情報／動き／物体
チャネル情報（ＣＩ）は、以下のものとと関連付けられうる／含みうる：
信号強度、信号振幅、信号位相、スペクトル電力測定、モデムパラメータ（例えば、ＷｉＦｉ、４Ｇ／ＬＴＥ等のデジタル通信システムにおける変調／復調に関連して使用される）、動的ビームフォーミング情報（例えば、ＩＥＥＥ８０２．１１、又は別の規格等の標準化されたプロセスに従って、無線通信デバイスによって生成されるフィードバック又はステアリング行列を含む）、伝達関数成分、無線状態（例えば、デジタルデータを復号するためにデジタル通信システムにおいて使用される）、測定可能変数、センシングデータ、レイヤの粗粒度／細粒度情報（例えば、物理レイヤ、データリンクレイヤ、ＭＡＣレイヤ等）、デジタル設定、利得設定、ＲＦフィルタ設定、ＲＦフロントエンドスイッチ設定、ＤＣオフセット設定、ＤＣ補正設定、ＩＱ補償設定、伝搬中の環境（例えばベニュー）による無線信号に対する効果、入力信号（タイプ１デバイスによって送信された無線信号）の出力信号（タイプ２デバイスによって受信される無線信号）への変換、環境の安定した挙動、状態プロファイル、無線チャネル測定値、受信信号強度インジケータ（ＲＳＳＩ）、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、帯域幅における周波数成分（例えば、サブキャリア）の特性、チャネルフィルタ応答、タイムスタンプ、補助情報、データ、メタデータ、ユーザデータ、アカウントデータ、アクセスデータ、セキュリティデータ、セッションデータ、ステータスデータ、監督データ、家庭データ、アイデンティティ（ＩＤ）、デバイスデータ、ネットワークデータ、近隣データ、環境データ、リアルタイムデータ、センサデータ、保存データ、暗号化データ、圧縮データ、保護データ、及び／又は、その他のチャネル情報。
各ＣＩは、タイムスタンプ、及び／又は到着時間と関連付けられうる。ＣＳＩはマルチパスチャネルを介して送信機によって送信される信号と同様の信号を復調するために、（送信チャネルの）マルチパスチャネル効果を等化／取り消し／最小化／低減するために使用されうる。ＣＩは、チャネルを通る信号の周波数帯域、周波数シグネチャ、周波数位相、周波数振幅、周波数トレンド、周波数特性、周波数類似特性、時間領域要素、周波数領域要素、時間周波数領域要素、直交分解特性、及び／又は非直交分解特性に関連する情報と関連付けられうる。ＴＳＣＩは無線信号のストリーム（例えば、ＣＩ）でありうる。
信号強度、信号振幅、信号位相、スペクトル電力測定、モデムパラメータ（例えば、ＷｉＦｉ、４Ｇ／ＬＴＥ等のデジタル通信システムにおける変調／復調に関連して使用される）、動的ビームフォーミング情報（例えば、ＩＥＥＥ８０２．１１、又は別の規格等の標準化されたプロセスに従って、無線通信デバイスによって生成されるフィードバック又はステアリング行列を含む）、伝達関数成分、無線状態（例えば、デジタルデータを復号するためにデジタル通信システムにおいて使用される）、測定可能変数、センシングデータ、レイヤの粗粒度／細粒度情報（例えば、物理レイヤ、データリンクレイヤ、ＭＡＣレイヤ等）、デジタル設定、利得設定、ＲＦフィルタ設定、ＲＦフロントエンドスイッチ設定、ＤＣオフセット設定、ＤＣ補正設定、ＩＱ補償設定、伝搬中の環境（例えばベニュー）による無線信号に対する効果、入力信号（タイプ１デバイスによって送信された無線信号）の出力信号（タイプ２デバイスによって受信される無線信号）への変換、環境の安定した挙動、状態プロファイル、無線チャネル測定値、受信信号強度インジケータ（ＲＳＳＩ）、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、帯域幅における周波数成分（例えば、サブキャリア）の特性、チャネルフィルタ応答、タイムスタンプ、補助情報、データ、メタデータ、ユーザデータ、アカウントデータ、アクセスデータ、セキュリティデータ、セッションデータ、ステータスデータ、監督データ、家庭データ、アイデンティティ（ＩＤ）、デバイスデータ、ネットワークデータ、近隣データ、環境データ、リアルタイムデータ、センサデータ、保存データ、暗号化データ、圧縮データ、保護データ、及び／又は、その他のチャネル情報。
各ＣＩは、タイムスタンプ、及び／又は到着時間と関連付けられうる。ＣＳＩはマルチパスチャネルを介して送信機によって送信される信号と同様の信号を復調するために、（送信チャネルの）マルチパスチャネル効果を等化／取り消し／最小化／低減するために使用されうる。ＣＩは、チャネルを通る信号の周波数帯域、周波数シグネチャ、周波数位相、周波数振幅、周波数トレンド、周波数特性、周波数類似特性、時間領域要素、周波数領域要素、時間周波数領域要素、直交分解特性、及び／又は非直交分解特性に関連する情報と関連付けられうる。ＴＳＣＩは無線信号のストリーム（例えば、ＣＩ）でありうる。
ＣＩは、前処理され、処理され、後処理され、記憶され（例えば、ローカルメモリ、ポータブル／モバイルメモリ、リムーバブルメモリ、ストレージネットワーク、クラウドメモリ内に、揮発性方法で、不揮発性方法で）、検索され、送信され、及び／又は受信されうる。１つ以上のモデムパラメータ及び／又は無線状態パラメータは、一定に保持されうる。モデムパラメータは、無線サブシステムに適用されうる。モデムパラメータは、無線状態を表しうる。動き検出信号（例えば、ベースバンド信号、及び／又はベースバンド信号から復号／復調されたパケット等）は記憶されたモデムパラメータによって表される無線状態を使用して、無線サブシステムによって第１の無線信号（例えば、ＲＦ／ＷｉＦｉ／ＬＴＥ／５Ｇ信号）を処理（例えば、ダウンコンバート）することによって取得されうる。モデムパラメータ／無線状態は、（例えば、以前のモデムパラメータ又は以前の無線状態を使用して）更新されうる。以前のモデムパラメータ／無線状態及び更新されたモデムパラメータ／無線状態の両方が、デジタル通信システム内の無線サブシステムに適用されうる。以前のモデムパラメータ／無線状態及び更新されたモデムパラメータ／無線状態の両方が、タスクにおいて比較／分析／処理／モニタリングされうる。
チャネル情報はまた、無線信号を処理するために使用されるモデムパラメータ（例えば、記憶された、又は新たに演算された）でありうる。無線信号は、複数のプローブ信号を含みうる。同じモデムパラメータを使用して、２つ以上のプローブ信号を処理しうる。同じモデムパラメータを使用して、２つ以上の無線信号を処理することもできる。モデムパラメータは、無線センサデバイスの無線サブシステム又はベースバンドサブシステム（又は両方）の動作のための設定又は全体的構成を示すパラメータを含みうる。モデムパラメータは無線サブシステムのためのゲイン設定、ＲＦフィルタ設定、ＲＦフロントエンドスイッチ設定、ＤＣオフセット設定、又はＩＱ補償設定、又はデジタルＤＣ補正設定、デジタルゲイン設定、及び／又はデジタルフィルタリング設定（例えば、ベースバンドサブシステムのための）のうちの１つ以上を含みうる。ＣＩはまた、信号の期間、時間シグネチャ、タイムスタンプ、時間振幅、時間位相、時間傾向、及び／又は時間特性に関連する情報と関連付けられうる。ＣＩは、信号の時間周波数区分、シグネチャ、振幅、位相、傾向、及び／又は特性に関連する情報と関連付けられうる。ＣＩは、信号の分解と関連付けられうる。ＣＩは、チャネルを通る信号の方向、到来角（ＡｏＡ）、指向性アンテナの角度、及び／又は位相に関連する情報と関連付けられうる。ＣＩは、チャネルを通る信号の減衰パターンと関連付けられうる。各ＣＩは、タイプ１デバイス及びタイプ２デバイスと関連付けられうる。各ＣＩは、タイプ１デバイスのアンテナ及びタイプ２デバイスのアンテナと関連付けられうる。
ＣＩは、ＣＩを提供しうる通信ハードウェア（例えば、タイプ２デバイス、又はタイプ１デバイス）から取得されうる。通信ハードウェアはＷｉＦｉ対応チップ／ＩＣ（集積回路）、８０２．１１又は８０２．１６又は別の無線／無線規格に準拠するチップ、次世代ＷｉＦｉ対応チップ、ＬＴＥ対応チップ、５Ｇ対応チップ、６Ｇ／７Ｇ／８Ｇ対応チップ、Ｂｌｕｅｔｏｏｔｈ対応チップ、ＮＦＣ（近距離通信）対応チップ、ＢＬＥ（Ｂｌｕｅｔｏｏｔｈ低電力）対応チップ、ＵＷＢチップ、別の通信チップ（例えば、Ｚｉｇｂｅｅ、ＷｉＭａｘ、メッシュネットワーク）等でありうる。通信ハードウェアは、ＣＩを演算し、ＣＩをバッファメモリに格納し、ＣＩを抽出のために利用可能にする。ＣＩは、チャネル状態情報（ＣＳＩ）に関係するデータ及び／又は少なくとも１つの行列を備えうる。少なくとも１つの行列は、チャネル等化、及び／又はビームフォーミング等のために使用されうる。チャネルは、ベニューと関連付けられうる。減衰は、ベニューでの信号伝搬、空気（例えば、ベニューの空気）を通る／空気の周囲での信号伝搬／反射／屈折／回折、壁、ドア、家具、障害物及び／又は障壁等の屈折媒体／反射面に起因しうる。減衰は床、天井、家具、備品、物体、人、ペット等の表面及び障害物（例えば、反射表面、障害物）における反射に起因しうる。各ＣＩは、タイムスタンプと関連付けられうる。各ＣＩはＮ１個の成分（例えば、ＣＦＲ中のＮ１個の周波数領域成分、ＣＩＲ中のＮ１個の時間領域成分、又はＮ１個の分解成分）を含みうる。各成分は、成分インデックスと関連付けられうる。各成分は、実数、虚数、又は複素数、大きさ、位相、フラグ、及び／又はセットでありうる。各ＣＩは、複素数のベクトル又は行列、混合量（mixed quantities）のセット、及び／又は少なくとも１つの複素数の多次元集合を備えうる。
特定の成分インデックスと関連付けられたＴＳＣＩの成分は、それぞれのインデックスと関連付けられたそれぞれの成分時系列を形成しうる。ＴＳＣＩは、Ｎ１個の成分時系列に分割されうる。各成分時系列は、それぞれの成分インデックスと関連付けられる。物体の動きの特性／ＳＴＩは、成分時系列に基づいてモニタリングされてもよい。一例では、ＣＩ成分の１つ以上の範囲（例えば、成分１１から成分２３までの１つの範囲、成分４４から成分５０までの第２の範囲、及び１つの成分のみを有する第３の範囲）は更なる処理のために、いくつかの基準／コスト関数／信号品質メトリックに基づいて（例えば、信号対雑音比、及び／又は干渉レベルに基づいて）選択されうる。
ＴＳＣＩの成分特徴時系列の成分ごとの特性が演算されうる。成分ごとの特性はスカラ（例えば、エネルギー）又は領域及び範囲を有する関数（例えば、自己相関関数、変換、逆変換）であってもよい。物体の動きの特性／ＳＴＩは、成分ごとの特性に基づいてモニタリングしうる。ＴＳＣＩの全特性（例えば、総合特性）は、ＴＳＣＩの各成分時系列の成分ごとの特性に基づいて演算されうる。全体の特性は、成分ごとの特性の重み付け平均であってもよい。物体の動きの特性／ＳＴＩは、全特性に基づいてモニタリングされてもよい。総量は、個々の量の重み付け平均であってもよい。
タイプ１デバイス及びタイプ２デバイスは、ＷｉＦｉ、ＷｉＭａｘ、３Ｇを超える、４Ｇ／４Ｇ、ＬＴＥ、ＬＴＥ－Ａ、５Ｇ、６Ｇ、７Ｇ、Ｂｌｕｅｔｏｏｔｈ、ＮＦＣ、ＢＬＥ、Ｚｉｇｂｅｅ、ＵＷＢ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ－ＳＣＤＭＡ、メッシュネットワーク、独自の無線システム、ＩＥＥＥ８０２．１１規格、８０２．１５規格、８０２．１６規格、３ＧＰＰ規格、及び／又は別の無線システムをサポートしうる。
共通無線システム及び／又は共通無線チャネルは、タイプ１トランシーバ及び／又は少なくとも１つのタイプ２トランシーバによって共有されうる。少なくとも１つのタイプ２トランシーバは共通無線システム及び／又は共通無線チャネルを使用して、それぞれの信号を同時に（又は、非同期的に、同期的に、散発的に、連続的に、反復的に、同時に、同時期に、及び／又は一時的に）送信しうる。タイプ１トランシーバは、共通無線システム及び／又は共通無線チャネルを使用して、少なくとも１つのタイプ２トランシーバに信号を送信しうる。
各タイプ１デバイス及びタイプ２デバイスは、少なくとも１つの送信／受信アンテナを有しうる。各ＣＩは、タイプ１デバイスの送信アンテナのうちの１つと、タイプ２デバイスの受信アンテナのうちの１つと関連付けられうる。送信アンテナ及び受信アンテナの各ペアは、リンク、経路、通信経路、信号ハードウェア経路等と関連付けられうる。例えば、タイプ１デバイスがＭ（例えば、３）個の送信アンテナを有し、タイプ２デバイスがＮ（例えば、２）個の受信アンテナを有する場合、ＭｘＮ（例えば、３ｘ２＝６）個のリンク又は経路が存在しうる。各リンク又はパスは、ＴＳＣＩと関連付けられうる。
少なくとも１つのＴＳＣＩは、タイプ１デバイスとタイプ２デバイスとの間の様々なアンテナペアに対応しうる。タイプ１デバイスは、少なくとも１つのアンテナを有しうる。タイプ２デバイスはまた、少なくとも１つのアンテナを有しうる。各ＴＳＣＩは、タイプ１デバイスのアンテナ及びタイプ２デバイスのアンテナと関連付けられうる。アンテナリンクにわたる平均化又は重み付け平均化が実行されうる。平均化又は重み付け平均化は、少なくとも１つのＴＳＣＩにわたって行われうる。平均化は、オプションで、アンテナ対のサブセットに対応する少なくとも１つのＴＳＣＩのサブセットに対して実行されうる。
ＴＳＣＩの一部のＣＩのタイムスタンプは、不規則であってよく、時間補正されたＣＩの補正されたタイムスタンプが時間的に均一に離間されうるように補正されうる。複数のタイプ１デバイス及び／又は複数のタイプ２デバイスの場合、訂正されたタイムスタンプは、同じ又は異なるクロックに関するものでありうる。ＣＩの各々と関連付けられたオリジナルのタイムスタンプが決定されうる。オリジナルのタイムスタンプは、時間的に一様に離間されないことがある。現在のスライディング時間ウィンドウ内の特定のＴＳＣＩの特定の部分の全てのＣＩのオリジナルのタイムスタンプは、時間補正されたＣＩの補正されたタイムスタンプが時間的に均一に離間されうるように補正されうる。
特性及び／又はＳＴＩ（例えば、動き情報）は、以下を含む：
位置、位置、変更位置、新しい位置、新しい位置、位置、垂直位置、距離、距離、移動、加速度、加速度、回転速度、加速度、運動の方向、方位角、回転、運動の方向、回転、経路、変形、縮小、拡大、歩行、拡大、歩行、周期運動、頭部運動、反復運動、周期運動、擬似周期運動、衝撃運動、突然運動、転倒運動、転倒運動、過渡的動作、過渡的挙動、運動の周期、運動の周波数、時間的プロファイル、時間的特性、時間的特性、発生、変化、時間的変化、ＣＩの変化、周波数の変化、タイミングの変化、歩行周期の変化、タイミングの変化、歩行周期の変化、タイミング、開始時間、開始時間、終了時間、持続時間、運動の履歴、運動タイプ、運動分類、周波数、周波数スペクトル、物体の構成、物体の構成、接近、接近、識別、接近、接近、頭部運動速度、頭部運動、呼吸数、呼吸数、呼吸時間、呼吸深さ、呼気時間、吸入時間、呼気時間、呼気時間、換気時間、換気間隔、心拍数変動、手の運動方向、手の運動、脚の運動、歩行速度、手の運動速度、手の運動速度、位置の特徴、物体の運動に関連する特徴（例えば、位置／位置の変化）、ツールの運動、機械の運動、複雑な運動、及び／又は複数の運動の組み合わせ、イベント、信号の統計、信号の動態、異常、動き統計、運動パラメータ、運動の指示、運動の大きさ、運動位相、類似性スコア、距離スコア、ユークリッド距離、重み付け距離、Ｌ＿１ノルム、Ｌ＿２ノルム、ｋ＞２についてのＬ＿ｋノルム、統計的距離、相関、相関インジケータ、自己相関、自己共分散、相互共分散、内積、外積、動き信号変換、動き特徴、動きの存在、動きの不存在、動き位置特定、動き識別、動き認識、物体の存在、物体の不存在、物体の出入り、物体の変化、動きサイクル、動きカウント、歩行サイクル、動き周期、運動リズム、運動、動きリズム、変形動作、ジェスチャ、下書き、頭部の動き、口の動き、心臓動作、内臓動作、動作傾向、大きさ、容積、容積、形状、形状、タグ、開始／開始位置、終了位置、開始／開始量、終了量、イベント、転倒イベント、セキュリティイベント、事故イベント、ホームイベント、事務所イベント、工場イベント、倉庫イベント、製造イベント、ラインアセンブリイベント、保守イベント、カー関連イベント、ナビゲーションイベント、イベント追跡イベント、ドアイベント、ドア開イベント、ドア閉イベント、ウィンドウイベント、ウィンドウ開イベント、ウィンドウ閉イベント、反復可能イベント、ワンタイムイベント、消費量、未消費量、状態、物理状態、健康状態、福祉状態、感情状態、精神状態、別のイベント、分析、出力応答、及び／又は別の情報。特性及び／又はＳＴＩは、ＣＩ又はＴＳＣＩから演算された特徴（例えば、特徴演算／抽出）に基づいて演算／モニタリングされうる。静的セグメント又はプロファイル（及び／又は動的セグメント／プロファイル）は、特徴の分析に基づいて、識別／演算／分析／モニタリング／抽出／取得／取得／マーク／提示／強調表示／格納／通信されてもよい。分析は、動き検出／動き評価／存在検出を含みうる。演算ワークロードは、タイプ１デバイス、タイプ２デバイス、及び別のプロセッサの間で共有されうる。
位置、位置、変更位置、新しい位置、新しい位置、位置、垂直位置、距離、距離、移動、加速度、加速度、回転速度、加速度、運動の方向、方位角、回転、運動の方向、回転、経路、変形、縮小、拡大、歩行、拡大、歩行、周期運動、頭部運動、反復運動、周期運動、擬似周期運動、衝撃運動、突然運動、転倒運動、転倒運動、過渡的動作、過渡的挙動、運動の周期、運動の周波数、時間的プロファイル、時間的特性、時間的特性、発生、変化、時間的変化、ＣＩの変化、周波数の変化、タイミングの変化、歩行周期の変化、タイミングの変化、歩行周期の変化、タイミング、開始時間、開始時間、終了時間、持続時間、運動の履歴、運動タイプ、運動分類、周波数、周波数スペクトル、物体の構成、物体の構成、接近、接近、識別、接近、接近、頭部運動速度、頭部運動、呼吸数、呼吸数、呼吸時間、呼吸深さ、呼気時間、吸入時間、呼気時間、呼気時間、換気時間、換気間隔、心拍数変動、手の運動方向、手の運動、脚の運動、歩行速度、手の運動速度、手の運動速度、位置の特徴、物体の運動に関連する特徴（例えば、位置／位置の変化）、ツールの運動、機械の運動、複雑な運動、及び／又は複数の運動の組み合わせ、イベント、信号の統計、信号の動態、異常、動き統計、運動パラメータ、運動の指示、運動の大きさ、運動位相、類似性スコア、距離スコア、ユークリッド距離、重み付け距離、Ｌ＿１ノルム、Ｌ＿２ノルム、ｋ＞２についてのＬ＿ｋノルム、統計的距離、相関、相関インジケータ、自己相関、自己共分散、相互共分散、内積、外積、動き信号変換、動き特徴、動きの存在、動きの不存在、動き位置特定、動き識別、動き認識、物体の存在、物体の不存在、物体の出入り、物体の変化、動きサイクル、動きカウント、歩行サイクル、動き周期、運動リズム、運動、動きリズム、変形動作、ジェスチャ、下書き、頭部の動き、口の動き、心臓動作、内臓動作、動作傾向、大きさ、容積、容積、形状、形状、タグ、開始／開始位置、終了位置、開始／開始量、終了量、イベント、転倒イベント、セキュリティイベント、事故イベント、ホームイベント、事務所イベント、工場イベント、倉庫イベント、製造イベント、ラインアセンブリイベント、保守イベント、カー関連イベント、ナビゲーションイベント、イベント追跡イベント、ドアイベント、ドア開イベント、ドア閉イベント、ウィンドウイベント、ウィンドウ開イベント、ウィンドウ閉イベント、反復可能イベント、ワンタイムイベント、消費量、未消費量、状態、物理状態、健康状態、福祉状態、感情状態、精神状態、別のイベント、分析、出力応答、及び／又は別の情報。特性及び／又はＳＴＩは、ＣＩ又はＴＳＣＩから演算された特徴（例えば、特徴演算／抽出）に基づいて演算／モニタリングされうる。静的セグメント又はプロファイル（及び／又は動的セグメント／プロファイル）は、特徴の分析に基づいて、識別／演算／分析／モニタリング／抽出／取得／取得／マーク／提示／強調表示／格納／通信されてもよい。分析は、動き検出／動き評価／存在検出を含みうる。演算ワークロードは、タイプ１デバイス、タイプ２デバイス、及び別のプロセッサの間で共有されうる。
タイプ１デバイス及び／又はタイプ２デバイスは、ローカルデバイスでありうる。ローカルデバイスは、スマートフォン、スマートデバイス、ＴＶ、セットトップボックス、アクセスポイント、ルータ、無線リピータ、リピータ、ルータ、リピータ、無線信号リピータ／エクステンダ、スピーカ、ファン、冷蔵庫、ファン、マイクロ波、オーブン、コーヒーマシン、温水ポット、テーブル、椅子、照明、ランプ、ドアロック、カメラ、動きセンサ、動きセンサ、防火栓、ガレージドア、スイッチ、電源アダプタ、コンピュータ、ドングル、コンピュータ、ドングル、電子パッド、ソファ、タイル、アクセサリ、ホームデバイス、車両デバイス、オフィスデバイス、ビルディングデバイス、製造デバイス、時計、時計、テレビ、オーブン、空調、アクセサリ、ユーティリティ、アプライアンス、スマートマシン、スマート車両、インターネット対応デバイス、コンピュータ、ポータブルコンピュータ、タブレット、スマートハウス、スマートオフィス、スマート駐車場、スマートシステム、及び／又は他のデバイスでありうる。
各タイプ１デバイスは、それぞれの識別子（例えば、ＩＤ）と関連付けられうる。各タイプ２デバイスはまた、それぞれのアイデンティティ（ＩＤ）と関連付けられうる。ＩＤは、符号、テキストと符号の組み合わせ、名前、パスワード、口座、口座ＩＤ、ウェブリンク、ウェブアドレス、何らかの情報へのインデックス、及び／又は別のＩＤを含みうる。ＩＤは割り当てられうる。ＩＤは、ハードウェア（例えば、ハードワイヤード、ドングル及び／又は他のハードウェアを介して）、ソフトウェア及び／又はファームウェアによって割り当てられうる。ＩＤは、（例えば、データベースに、メモリに、サーバ（例えば、ハブデバイス）に、クラウドに、ローカルに記憶され、リモートに記憶され、永続的に記憶され、一時的に記憶され）、検索されうる。ＩＤは、少なくとも１つのレコード、口座、ユーザ、世帯、住所、電話番号、社会保障番号、顧客番号、別のＩＤ、別の識別子、タイムスタンプ、及び／又はデータの収集と関連付けられうる。タイプ１デバイスのＩＤ及び／又はＩＤの一部は、タイプ２デバイスに利用可能にされうる。ＩＤは、タイプ１デバイス及び／又はタイプ２デバイスによる、登録、初期化、通信、識別情報、検証、検出、認識、認証、アクセス制御、クラウドアクセス、ネットワーキング、ソーシャルネットワーキング、ロギング、記録、カタログ化、分類、タグ付け、関連付け、ペアリング、トランザクション、電子トランザクション、及び／又は知的財産管理のために使用されうる。
物体は、人、ユーザ、物体、乗客、子供、高齢者、赤ちゃん、眠っている赤ちゃん、車内の赤ちゃん、患者、労働者、高付加価値労働者、専門家、専門家、ウェイター、ショッピングモールの顧客、空港／駅／バスターミナル／出荷ターミナルの旅行者、工場／モール／スーパー／オフィス／職場のスタッフ／労働者／顧客サービス員、下水／換気システム／リフトウェル内のサービス員、リフトウェル内のリフト、エレベーター、であってもよい。受刑者、追跡・モニタリング対象者、動物、植物、生物、ペット、犬、猫、スマートフォン、電話アクセサリー、コンピュータ、タブレット、携帯コンピュータ、ドングル、コンピュータアクセサリー、ネットワークデバイス、ＷｉＦｉデバイス、ＩｏＴデバイス、スマートウォッチ、スマートグラス、スマートデバイス、スピーカ、キー、スマートキー、財布、ハンドバッグ、バックパック、商品、貨物、荷物、機器、モータ、機械、エアコン、ファン、空調機器、照明器具。可動式照明器具、テレビ、カメラ、音響・映像機器、据え置き型、モニタリング装置、部品、看板、工具、カート、チケット、駐車券、有料道路通行券、航空券、クレジットカード、プラスチックカード、アクセスカード、食品包装、調理器具、テーブル、椅子、清掃器具・道具、車両、自動車、駐車場内車両、倉庫・店舗・スーパー・配送センター内商品、ボート、自転車、航空機、ドローン、リモコン車・飛行機・ボート、リモコン飛行機・ボート、リモコン車・飛行機・ボート、リモコン飛行機・飛行機・ボート、リモコン飛行機・飛行機、ドローン、ドローン、ドローン、ドローン、リモコン飛行機・飛行機・ボート、リモコン車・飛行機・ボート、遠隔操作車／飛行機／ボート、ロボット、製造装置、組立ライン、工場内の材料／未完成部品／ロボット／ワゴン／運搬物、空港／ショッピングマート／スーパー内の追跡物体、非物体、物体の不在、物体の存在、形を有する物体、形を変える物体、形のない物体、液体の質量、ガスの質量／煙、火災、炎、電磁（ＥＭ）ソース、電磁媒体、及び／又は別の物体、でありうる。
物体自体が、ＷｉＦｉ、ＭｉＦｉ、３Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ、Ｂｌｕｅｔｏｏｔｈ、ＮＦＣ、ＢＬＥ、ＷｉＭａｘ、Ｚｉｇｂｅｅ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ－ＳＣＤＭＡ、メッシュネットワーク、アドホックネットワーク、及び／又は他のネットワーク等の、いくつかのネットワークに通信接続されうる。物体自体はＡＣ電源によってかさばる可能性があるが、設置、清掃、保守、改修等の間に移動される。それはまた、リフト、パッド、可動、プラットフォーム、エレベータ、コンベヤベルト、ロボット、ドローン、フォークリフト、かご、ボート、車両等の可動プラットフォームに設置されてもよい。物体は、複数の部分を有することができ、各部分は異なる動き（例えば、位置／位置の変化）を有する。例えば、物体は、前方に歩いている人であってもよい。歩行中、彼の左手及び右手は、異なる瞬間速度、加速度、動き等を伴って、異なる方向に移動しうる。
無線送信機（例えば、タイプ１デバイス）、無線受信機（例えば、タイプ２デバイス）、別の無線送信機及び／又は別の無線受信機は、（例えば、以前の移動、現在の移動、及び／又は将来の移動において）物体及び／又は別の物体とともに移動しうる。それらは１つ以上の近くのデバイスに通信可能に結合されうる。それらはＴＳＣＩ及び／又はＴＳＣＩに関連する情報を近くのデバイスに、及び／又は互いに送信しうる。それらは近くのデバイスとともにありうる。無線送信機及び／又は無線受信機が小さい（例えば、コインサイズ、タバコボックスサイズ、又は更により小さい）、軽量のポータブルデバイスの一部でありうる。ポータブルデバイスは、近くのデバイスと無線に結合されうる。
近くのデバイスは、スマートフォン、ｉＰｈｏｎｅ(登録商標)、Ａｎｄｒｏｉｄフォン、スマートデバイス、スマート家電、スマート車両、スマートガジェット、スマートＴＶ、スマート冷蔵庫、スマートスピーカ、スマートウォッチ、スマートグラス、スマートパッド、ｉＰａｄ(登録商標)、コンピュータ、ウェアラブルコンピュータ、ノートブックコンピュータ、ゲートウェイでありうる。近くのデバイスはインターネット、有線インターネット接続、及び／又は無線インターネット接続を介して、クラウドサーバ、ローカルサーバ（例えば、ハブデバイス）、及び／又は他のサーバに接続されうる。近くのデバイスは、携帯型であってもよい。ポータブルデバイス、近くのデバイス、ローカルサーバ（ハブデバイス等）、及び／又はクラウドサーバは、タスクのための演算及び／又は記憶を共有することができ（例えば、ＴＳＣＩを取得し、物体の動き（例えば、位置／位置の変化）に関連する物体の特性／ＳＴＩを決定し、電力（例えば、信号強度）情報の時系列の演算、特定の機能の決定／演算、局所的な極値の探索、分類、時間オフセットの特定の値の識別、雑音除去、処理、単純化、クリーニング、無線スマートセンシングタスク、信号からのＣＩ抽出、切替、セグメント化、推定軌跡／経路／軌跡、マップの処理、環境モデル／制約／制限に基づく軌跡／経路／軌跡の処理、修正、修正、調整、マップベース（又は、モデルベース）の修正、誤り検知、境界ヒット、閾値処理）及び情報。近くのデバイスは、物体と共に動くことができる／動かないことができる。近くのデバイスは、ポータブル／非ポータブル／ムーバブル／ムーバブルではない場合がある。近くのデバイスは、バッテリ電力、太陽光電力、ＡＣ電力、及び／又は他の電源を使用しうる。近くのデバイスは、交換可能／非交換可能バッテリ、及び／又は再充電可能／非再充電可能バッテリを有しうる。近くのデバイスは、物体と同様であってもよい。近くのデバイスは、物体と同一の（及び／又は同様の）ハードウェア及び／又はソフトウェアを有しうる。近くのデバイスは、スマートデバイス、ネットワーク対応デバイス、ＷｉＦｉ／３Ｇ／４Ｇ／５Ｇ／６Ｇ／Ｚｉｇｂｅｅ／Ｂｌｕｅｔｏｏｔｈ／ＮＦＣ／ＵＭＴＳ／３ＧＰＰ／ＧＳＭ／ＥＤＧＥ／ＴＤＭＡ／ＦＤＭＡ／ＣＤＭＡ／ＷＣＤＭＡ／ＴＤ－ＳＣＤＭＡ／アドホックネットワーク／他のネットワークに対する接続を有するデバイス、スマートスピーカ、スマートウォッチ、スマートクロック、スマートアプライアンス、スマートマシン、スマート機器、スマートツール、スマート車両、インターネット対応デバイス、インターネット対応デバイス、コンピュータ、ポータブルコンピュータ、タブレット、及び別のデバイスでありうる。近くのデバイス及び／又は無線受信機、無線送信機、別の無線受信機、別の無線送信機、及び／又は（クラウド内の）クラウドサーバと関連付けられた少なくとも１つのプロセッサは、物体の初期ＳＴＩを決定しうる。それらのうちの２つ以上は、初期空間－時間情報を一緒に決定しうる。それらのうちの２つ以上は初期ＳＴＩ（例えば、初期位置）の判定において中間情報を共有しうる。
一例では無線送信機（例えば、タイプ１デバイス、又はトラッカーＢｏｔ）は、物体とともに移動しうる。無線送信機は、信号を無線受信機（例えば、タイプ２デバイス、又はＯｒｉｇｉｎレジスタ）に送るか、又は物体の初期ＳＴＩ（例えば、初期位置）を決定しうる。無線送信機はまた、物体の動き（空間－時間情報）をモニタリングするために、信号及び／又は別の信号を別の無線受信機（例えば、別のタイプ２デバイス、又は別のＯｒｉｇｉｎ登録）に送りうる。無線受信機はまた、物体の動きをモニタリングするために、無線送信機及び／又は別の無線送信機から信号及び／又は別の信号を受信しうる。無線受信機及び／又は別の無線受信機の位置は、知られている場合がある。別の例では無線受信機（例えば、タイプ２デバイス、又はトラッカーＢｏｔ）は、物体とともに移動しうる。無線受信機は物体の初期空間－時間情報（例えば、初期位置）を決定するために、無線送信機（例えば、タイプ１デバイス、又はＯｒｉｇｉｎレジスタ）から送信された信号を受信しうる。無線受信機はまた、物体の現在の動き（例えば、空間－時間情報）をモニタリングするために、別の無線送信機（例えば、別のタイプ１デバイス、又は別のＯｒｉｇｉｎ登録）から信号及び／又は別の信号を受信しうる。無線送信機はまた、物体の動きをモニタリングするために、信号及び／又は別の信号を無線受信機及び／又は別の無線受信機（例えば、別のタイプ２デバイス、又は別のトラッカーＢｏｔ）に送信しうる。無線送信機及び／又は別の無線送信機の位置は、知られている場合がある。
ベニューは、センシングエリア、センシングエリア、部屋、家、オフィス、物件、職場、廊下、通路、リフト、リフトウェル、エスカレーター、エレベーター、下水道、換気システム、階段、集ベニュー、ダクト、エアダクト、パイプ、チューブ、密閉空間、閉鎖構造、半密閉構造、閉鎖領域、少なくとも一つの壁を持つ領域、プラント、機械、エンジン、木を使った構造、ガラスの構造、金属の構造、壁のある構造、ドアのある構造、隙間のある構造、反射面のある構造、流体のある構造、建物、屋上、店舗、工場、組立ライン、ホテルの部屋、博物館、教室、学校、大学、政府の建物、倉庫、ガレージ、モール、空港、駅、バスターミナル、ハブ、輸送拠点、輸送ターミナル、政府施設、公共施設、学校、大学、娯楽施設。娯楽施設、病院、小児・新生児病棟、老人ホーム、老人介護施設、公民館、競技場、公園、グラウンド、スポーツ施設、水泳施設、陸上競技場、バスケットボールコート、テニスコート、サッカースタジアム、野球場、体育館、ホール、ガレージ、ショッピングモール、モール、スーパー、製造施設、駐車施設、建設現場、鉱山施設、等。交通施設、高速道路、道路、谷、森林、木材、地形、景観、書斎、中庭、土地、道、遊園地、都市部、農村部、郊外、大都市圏、庭園、広場、音楽ホール、都心施設、上空施設、半開放施設、閉鎖空間、駅、物流センター、倉庫、店舗、物流センター、貯蔵施設、地下施設、空間（例えば、地上の外部空間）、屋内施設、屋外施設、壁・ドア・反射板を有する屋外施設、開放施設、半開放施設、自動車、トラック、バス、バン、コンテナ、船・ボート、潜水艇、列車、路面電車、飛行機、車両、移動式住居、洞窟、トンネル、パイプ、水路、都市圏、等。比較的高い建物のある繁華街、谷、井戸、ダクト、通路、ガス管、石油管、水道管、相互に接続する通路／通路／道路／管／洞窟／パイプ状構造／空気空間／流体空間、人体、動物体、体腔、器官、骨、歯、軟組織、硬組織、剛組織、非剛組織、血液／体液容器、風管、エアダクト等の、空間でありうる。ベニューは、屋内空間、屋外空間であってもよく、ベニューは空間の内側及び外側の両方を含んでもよい。例えば、ベニューは、建物の内側と建物の外側の両方を含みうる。例えば、ベニューは、１つの床又は複数の床を有する建物であってもよく、建物の一部は地下であってもよい。建物の形状は、例えば、円形、正方形、長方形、三角形、又は不規則形状でありうる。これらは単なる例である。本開示は、他のタイプのベニュー又は空間におけるイベントを検出するために使用しうる。
無線送信機（例えば、タイプ１デバイス）及び／又は無線受信機（例えば、タイプ２デバイス）は物体とともに（例えば、以前の移動及び／又は現在の移動において）移動しうるポータブルデバイス（例えば、モジュール、又はモジュールを伴うデバイス）に埋め込まれうる。ポータブルデバイスは、有線接続（例えば、ＵＳＢ、ｍｉｃｒｏＵＳＢ、Ｆｉｒｅｗｉｒｅ、ＨＤＭＩ(登録商標)、シリアルポート、パラレルポート、及び他のコネクタを介して）、及び／又は接続（例えば、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）。ポータブルデバイスは、軽量デバイスであってもよい。ポータブルは、蓄電池、充電式蓄電池、及び／又はＡＣ電源供給されてもよい。ポータブルデバイスは非常に小さく（例えば、サブミリメートルスケール及び／又はサブセンチメートルスケールで）、及び／又は小さく（例えば、コインサイズ、カードサイズ、ポケットサイズ、又はより大きく）てもよい。ポータブルデバイスは大型、大型、及び／又は大型（例えば、設置される重機）でありうる。ポータブルデバイスは、ＷｉＦｉホットスポット、モバイルＷｉＦｉ（ＭｉＦｉ）、アクセスポイント／マイクロＵＳＢ／スマートフォン、タブレット、コンピュータ、スマートデバイス、ＷｉＦｉ対応デバイス、ＬＴＥ対応デバイス、スマートミラー、スマートミラー、スマートバッテリ、スマートライト、スマートペン、スマートリング、スマートドア、スマートクロック、スマートバッテリ、スマートベルト、スマートハンドバッグ、スマート衣服、スマートパッケージング、スマートペーパー／ブック／マガジン／印刷物／標識／表示／照明システム、スマートキー／ツール、スマートブレスレット／チェーン／ネックレス／ウェアラブル／アクセサリ、スマートパッド／クッション／ブロック、レンガ／建材、スマートゴミ箱、スマートフードキャリッジ／ストレージ、スマートボール／ラケット、スマートチェア／ソファ／ベッド、スマートシュー／カーペット／マット／ハンドハット／ハンドウェア、スマートハット／メイクアップ／ステッカー／タトゥー、スマートミラー、スマートピル、スマートピル、スマートボトル／食品容器、スマートデバイス、ＩｏＴデバイス、ＷｉＦｉ対応デバイス、３Ｇ／４Ｇ／６Ｇ対応デバイス、ＵＭＴＳデバイス、３ＧＰＰデバイス、ＥＤＧＥデバイス、ＴＤＭＡデバイス、ＣＤＭＡデバイス、ＷＣＤＭＡデバイス、埋め込み可能デバイス、空調、冷蔵庫、炉、オーブン、調理デバイス、テレビ／セットトップボックス（ＳＴＢ）／ＤＶＤプレーヤ／ビデオプレーヤ／リモートコントロール、ハイファイ、オーディオデバイス、スピーカ、照明、ドア、瓦・屋根・屋根・構造物・機器・据付・芝刈機・庭用具、機械器具／ガレージ缶／４０ｆｔ／コンテナ、２０ｆｔ／ガレージ容器、工場／製造装置、修理用具、工場／生産用具、機械、機械、機械、車両、カート、ワゴン、倉庫、車両、自動車、自転車、船、船、バスケット／ボックス／バケット／バケット／コンテナ、スマートプレート／カップ／ボウル／ポット／マット／マット／調理器具／キッチンツール／キッチン用品／キャビネット／テーブル／チェア／タイル／照明／水道管／蛇口／ガスレンジ／オーブン／食器洗い機／等、であってもよい。ポータブルデバイスは、交換可能、交換不可能、再充電可能、及び／又は再充電不可能でありうる蓄電池を有しうる。ポータブルデバイスは、無線充電されうる。ポータブルデバイスは、スマートペイメントカードであってもよい。ポータブルデバイスは、駐車場、高速道路、エンターテインメントパーク、又は支払いを必要とする他の場所／施設で使用される支払いカードであってもよい。ポータブルデバイスは、上述のように、アイデンティティ（ＩＤ）／識別子を有しうる。
イベントは、ＴＳＣＩに基づいてモニタリングされうる。イベントは、物体（例えば、人及び／又は病人）の転倒、回転、一時停止、衝撃（例えば、サンドバッグ、ドア、ベッド、ベッド、椅子、テーブル、机、キャビネット、ボックス、他の人、動物、鳥、テーブル、フライ、テーブル、椅子、ボール、ボウリングボール、テニスボール、サッカーボール、野球、バスケットボール、バスケットボール、ボレーボール）、２人の体の動作（例えば、人が風船を放す、人が魚を捕らえる、人が粘土を成型する、人が紙に書く、人がコンピュータ上でタイピングする）、車が車庫内を移動する、人がスマートフォンを携帯して、空港／モール／政府／ビル／オフィス／等の周辺を歩く、自律移動可能な物体／機械が周辺を動く（例：掃除機、実用車、自動車、ドローン、自動運転車）ことでありうる。
タスク又は無線スマートセンシングタスクは、以下のものを含みうる：物体検出、存在検出、近接検出、物体認識、アクティビティ認識、物体検証、日常的活動モニタリング、日常的活動モニタリング、日常的活動モニタリング、日常的活動モニタリング、ウェルビーイング・モニタリング、バイタルサイン・モニタリング、健康状態モニタリング、ベビーモニタリング、高齢者モニタリング、睡眠モニタリング、睡眠状態モニタリング、歩行モニタリング、運動モニタリング、ツール検出、ツール認識、ツール検証、患者検出、患者モニタリング、患者検証、機械検出、機械認識、機械検証、人間検出、人間認識、ベビー検出、ベビー認識、ベビー検証、人間呼吸検出、人間呼吸認識、人間呼吸推定、人間呼吸検証、人間心拍検出、人間心拍認識、人間心拍推定、転倒検出、転倒認識、転倒検証、転倒検証、感情検出、感情認識、感情推定、感情検証、動き認識、動き推定、動き検証、動き度合い推定、周期的動作検出、周期的動作認識、周期的動作推定、周期的動作検証、反復動作検出、反復動作認識、反復動作推定、反復動作検証、定常動作検出、定常動作認識、定常動作推定、定常動作検証、サイクロ定常動作検出、サイクロ定常動作認識、サイクロ定常動作推定、サイクロ定常動作検証、過渡的動作検出、過渡的動作認識、過渡的動作推定、過渡的動作検証、トレンド検出、トレンド検証、呼吸検出、呼吸認識、呼吸推定、人間生体認証検出、人間生体認証認識、人間生体認証推定、人間生体認証検証、環境情報学的検出、環境情報学的認識、環境情報学的推定、環境情報学的検証、歩行検出、歩行認識、歩行推定、歩行検証、ジェスチャ検出、ジェスチャ認識、ジェスチャ推定、ジェスチャ検証、機械学習、教師なし学習、半教師あり学習、クラスタリング、特徴抽出、特徴トレーニング、主成分分析、固有値分解、周波数分解、時間分解、時間－周波数分解、機能分解、他の分解、トレーニング、分別トレーニング、半教師ありトレーニング、教師なしトレーニング、半教師ありトレーニング、神経ネットワーク、突然の動作の検出、転倒検出、危険検出、生命脅威検出、定常動作検出、定常動作検出、サイクロ定常動作検出、侵入検出、侵入動作検出、不審動作検出、セキュリティ、安全モニタリング、ナビゲーション、誘導、マップベースの処理、マップベースの補正、モデルベースの処理／補正、不規則性検出、位置検出、室内センシング、追跡、複数の物体追跡、室内追跡、室内位置追跡、室内ナビゲーション、エネルギー管理、電力伝達、無線電力伝達、物体のカウント、駐車場での車両追跡、装置／システム（例えば、セキュリティシステム、アクセスシステム、アラーム、サイレン、スピーカ、テレビ、エンターテインメントシステム、カメラ、ヒータ／空調（ＨＶＡＣ）システム、換気システム、照明システム、ゲームシステム、コーヒーマシン、調理装置、清掃装置、ハウスキーピング装置）のアクティブ化、形状推定、拡張現実、無線通信、データ通信、信号ブロードキャスト、ネットワーキング、調整、管理、暗号化、保護、クラウドコンピューティング、他の処理及び／又は他のタスク。
タスクは、タイプ１デバイス、タイプ２デバイス、別のタイプ１デバイス、別のタイプ２デバイス、近くのデバイス、ローカルサーバ（例えば、ハブデバイス）、エッジサーバ、クラウドサーバ、及び／又は別のデバイスによって実行されうる。タスクは、タイプ１デバイスとタイプ２デバイスとの任意のペア間のＴＳＣＩに基づきうる。タイプ２デバイスは、タイプ１デバイスであってもよく、逆もまた同様である。タイプ２デバイスは一時的に、連続的に、散発的に、同時に、及び／又は同時に、タイプ１デバイスの役割（例えば、機能性）を果たす／実行することができ、逆もまた同様である。タスクの第１の部分は、以下をうちの少なくとも１つを含みうる：前処理、信号処理、信号処理、条件付け、信号処理、信号処理、調整、信号処理、マッピング／連続的／マッピング／連続的／適応的／マッピング／要求、調整、特徴抽出、符号化、符号化、変更、符号化、変更、動き検出、動き検出、動き変化検出、動き検出パターン、動き検出パターン、動き認識パターン、バイタルサイン検出、バイタルサイン推定、バイタルサイン認識、周期的動き検出、周期的動き推定、反復動き検出／呼吸数検出、呼吸数検出、呼吸パターン検出、呼吸パターン推定、呼吸パターン認識、心拍検出、心拍推定、心拍パターン検出、心拍パターン推定、心拍パターン認識、ジェスチャ検出、ジェスチャ推定、ジェスチャ認識、速度検出、速度推定、物体位置推定、物体追跡、ナビゲーション、加速度推定、加速度検出、転倒検出、変化検出、侵入者（及び／又は不法行為）検出、ベビー検出、ベビーモニタリング、患者モニタリング、物体認識、無線電力伝送、及び／又は無線充電。
タスクは、タイプ１デバイス、タイプ２デバイス、別のタイプ１デバイス、別のタイプ２デバイス、近くのデバイス、ローカルサーバ（例えば、ハブデバイス）、エッジサーバ、クラウドサーバ、及び／又は別のデバイスによって実行されうる。タスクは、タイプ１デバイスとタイプ２デバイスとの任意のペア間のＴＳＣＩに基づきうる。タイプ２デバイスは、タイプ１デバイスであってもよく、逆もまた同様である。タイプ２デバイスは一時的に、連続的に、散発的に、同時に、及び／又は同時に、タイプ１デバイスの役割（例えば、機能性）を果たす／実行することができ、逆もまた同様である。タスクの第１の部分は、以下をうちの少なくとも１つを含みうる：前処理、信号処理、信号処理、条件付け、信号処理、信号処理、調整、信号処理、マッピング／連続的／マッピング／連続的／適応的／マッピング／要求、調整、特徴抽出、符号化、符号化、変更、符号化、変更、動き検出、動き検出、動き変化検出、動き検出パターン、動き検出パターン、動き認識パターン、バイタルサイン検出、バイタルサイン推定、バイタルサイン認識、周期的動き検出、周期的動き推定、反復動き検出／呼吸数検出、呼吸数検出、呼吸パターン検出、呼吸パターン推定、呼吸パターン認識、心拍検出、心拍推定、心拍パターン検出、心拍パターン推定、心拍パターン認識、ジェスチャ検出、ジェスチャ推定、ジェスチャ認識、速度検出、速度推定、物体位置推定、物体追跡、ナビゲーション、加速度推定、加速度検出、転倒検出、変化検出、侵入者（及び／又は不法行為）検出、ベビー検出、ベビーモニタリング、患者モニタリング、物体認識、無線電力伝送、及び／又は無線充電。
タスクの第２の部分は、スマートホームタスク、スマートオフィスタスク、スマートオフィスタスク、スマートファクトリタスク（例えば、機械又は組立ラインを使用する製造）、スマートインターネット（ＩｏＴ）タスク、スマートホームオペレーション、スマートオフィスオペレーション、スマートオフィスオペレーション、スマートビルオペレーション（例えば、機械／組立ラインに供給品／部品／原材料を移動させること）、ＩｏＴオペレーション、スマートシステムオペレーション、ライトをオンにすること、部屋、領域、及び／又はベニューのうちの少なくとも１つにおいてライトを制御すること、サウンドクリップを再生すること、部屋、領域、及び／又はベニューのうちの少なくとも１つにおいてサウンドクリップを再生すること、ウェルカム、挨拶、福祉、第１のメッセージ、及び／又はタスクの第１の部分と関連付けられた第２のメッセージのうちの少なくとも１つを再生すること、電化製品をオンにすること、部屋、領域、及び／又はベニュー内の機器を制御すること、部屋、領域、及び／又はベニュー内の機器を制御すること、電気システムを制御すること、部屋、電気システムをオンにすること、部屋、領域、及び／又はベニュー内の電気システムを制御すること、セキュリティシステムをオンにすること、セキュリティシステムをオフにすること、部屋、領域、及び／又はベニュー内のセキュリティシステムを制御すること、機械システムをオンにすること、機械システムを制御すること、部屋、領域、及び／又はベニュー内の機械システムを制御すること、及び／又は、空調システム、暖房システム、換気システム、照明システム、照明装置、ストーブ、娯楽システム、ドア、フェンス、窓、ガレージ、コンピュータシステム、ネットワーク化された装置、ネットワーク化された装置、システム、家電、家電、事務機器、照明装置、ロボット（ロボットアーム等）、スマートビークル、スマートマシン、アセンブリライン、スマートデバイス、モノのインターネット（ＩｏＴ）デバイス、スマートホームデバイス、及び／又はスマートオフィスデバイスのうちの少なくとも１つを制御すること。
タスクは、以下を含みうる：ユーザが帰宅を検出すること、ある部屋から別の部屋へ移動することを検出すること、窓／ガレージドア／ブラインド／カーテン／パネル／ソーラーパネル／サンシェードを検出すること、ユーザが何かをすることを検出し／モニタリングし（例えば、ソファで眠ること、寝室で走ること、ソファで調理すること、テレビで見ること、台所で食べること、階段を上ること／下ること、休憩室で帰ること、ユーザ／ペットの位置をモニタリングし／検出すること、ユーザが検出すると自動的に何かをすること、ライトをオン／オフすること、音楽／ラジオ／ホームエンターテインメントシステムをオンにすること、テレビ／ＨｉＦｉ／セット－ＳＴＢ／ホームエンターテインメントシステム／スマートスピーカ／スマートデバイスをオン／オフ／調整／制御すること、エアコンシステムをオン／オフ／調整すること、換気システムをオン／オフ／調整すること、暖房システムをオン／オフ／調整すること、カーテン／ライトシェードを調整／制御すること、コンピュータをオン／オフ／ウェイクアップすること、コーヒーマシン／温水ポットをオン／オフ／予熱制御すること、調理器／オーブン／電子レンジ／他の調理デバイスのオン／オフ／制御／予熱制御、オーブン／電子レンジ／他の調理デバイスのオン／オフ／調整、温度予測のチェック／調整、電話メッセージボックスのチェック、メールのチェック、システムのチェック／調整、システムのチェック／調整／制御／アーム／安全保護システム／ベビーモニタのチェック／制御冷蔵庫のチェック／制御（例えば、Ｇｏｏｇｌｅホーム、Ａｍａｚｏｎ Ｅｃｈｏ等のスピーカを介して、ディスプレイ／画面上で、ウェブページ／電子メールを介して）。
例えば、ユーザが自分の車に自宅に到着すると、タスクは、自動的に、ユーザ又は自分の車が接近していることを検出し、検出時にガレージドアを開き、ユーザがガレージに近づくにつれて、ドライブウェイ／ガレージライトをオンにし、エアコン／ヒータ／ファン等をオンにすることであってもよい。ユーザが家に入ると、タスクは自動的に入り口ライトをオンにし、ドライブウェイ／ガレージライトをオフにし、ユーザを歓迎するグリーティングメッセージを再生し、音楽をオンにし、ユーザの好みのラジオニュースチャンネルをオンにし、カーテン／ブラインドを開き、ユーザの気分をモニタリングし、ユーザの気分又は現在の／切迫したイベントに従って照明及びサウンド環境を調整し（例えば、ユーザが１時間以内にガールフレンドと夕食を食べるようにスケジューリングされているので、ロマンティックな照明及び音楽を行う）、ユーザが朝に用意したマイクロ波中の食物を温め、家の中の全てのシステムの診断チェックを行い、明日の作業の天気予報をチェックし、ユーザの関心のあるニュースをチェックし、ユーザのカレンダー及び実行リストをチェックし、リマインダを再生し、電話応答システム／メッセージングシステム／電子メールをチェックし、対話システム／音声合成を使用して口頭報告を与える（例えば、ＴＶ／エンターテインメントシステム／コンピュータ／ノートブック／ディスプレイ／ライト／明るさ／パターン／シンボル、ハプティックツール／仮想現実ツール／ジェスチャ／ツールの使用、スマートデバイス／家電／材料／器具／器具の使用、ウェブツール／サーバ／サーバハブデバイス／クラウドサーバ／クラウドサーバ／エッジサーバ／ホームネットワーク／メッシュネットワークの使用、メッセージングツール／通知ツール／コミュニケーションツール／スケジューリングツール／電子メールの使用、ユーザインタフェース／ＧＵＩの使用、香り／匂い／芳香／味の使用、ニューラルツール／神経系ツールの使用、組み合わせの使用）、母親の誕生日のユーザ及び彼女に電話をかけ、報告を作成し、報告を与え（例えば、上述のように想起するためのツールの使用）、報告を与える。タスクは、空調／暖房／換気システムを事前にオンにするか、又はスマートサーモスタットの温度設定を事前に調整すること等ができる。ユーザがリビングへの入口から移動するとき、タスクはリビングライトをオンにすること、リビングカーテンを開くこと、ウィンドウを開くこと、ユーザの後ろの入口ライトをオフにすること、ＴＶ及びセットトップボックスをオンにすること、ＴＶをユーザの好みのチャネルにセットすること、ユーザの好み及び条件／状態に従ってアプライアンスを調整すること（例えば、照明を調整し、ロマンチックな雰囲気を構築するために音楽を選択／再生すること）等であってもよい。
別の例は、ユーザが朝に目覚めるとき、タスクはユーザが寝室内を動き回っていることを検出すること、ブラインド／カーテンを開くこと、窓を開くこと、目覚まし時計をオフにすること、夜間温度プロファイルから昼間温度プロファイルに屋内温度を調整すること、寝室光をオンにすること、ユーザがトイレに近づくにつれてトイレ光をオンにすること、無線又はストリーミングチャネルをチェックし、朝のニュースを再生すること、コーヒーマシンをオンにして水を予熱すること、セキュリティシステムをオフにすること等でありうる。ユーザがベッドルームからキッチンまで歩くとき、タスクはキッチン及び廊下の光をオンにし、ベッドルーム及びトイレの光をオフにし、ベッドルームからキッチンに音楽／メッセージ／リマインダを移動し、キッチンＴＶをオンにし、ＴＶを朝のニュースチャンネルに変更し、キッチンのブラインドを下げ、キッチンウィンドウを開いて新鮮な空気を取り込み、ユーザがバックヤードをチェックするためのバックドアのロックを解除し、キッチンの温度設定を調整すること等であってもよい。別の例はユーザが仕事のために家を離れるとき、タスクはユーザが出て行くことを検出すること、別れのメッセージを再生すること、ガレージドアを開閉すること、ガレージライト及びドライブウェイライトをオン／オフにすること、エネルギーを節約するために光をオフ／ディムにすること（ユーザが忘れた場合にのみ）、全ての窓／ドアを閉じる／ロックすること（ユーザが忘れた場合にのみ）、アプライアンス（特に、ストーブ、オーブン、電子レンジ）をオフにすること、侵入者から家を保護するために家庭用セキュリティシステムをオン／アームにすること、エネルギーを節約するために空調／暖房／換気システムを「家から離れた」プロファイルに調整すること、ユーザのスマートフォンに警告／報告／更新を送ること等でありうる。
動き（motion（動き、動作、運動））は、以下のうちの少なくとも１つを含みうる：無動作、静止動作、非動作、移動、場所／ロケーションの変化、決定論的動作、過渡動作、転倒動作、繰り返し動作、周期動作、擬似周期動作、呼吸に伴う周期的／反復動作、心拍に伴う周期的／反復動作、生物に伴う周期的／反復運動、機械に伴う周期的／反復運動、人工物に伴う周期的／反復運動、自然に伴う周期的／反復運動、過渡的要素と周期的要素を有する複合運動、繰り返し運動、非決定論的運動、確率的運動、カオス運動、ランダム運動、非決定的要素と決定論的要素を有する複合運動、定常ランダム運動、擬似定常ランダム運動、サイクロ定常ランダム運動、非定常ランダム運動、周期的自己相関関数（ＡＣＦ）を有する定常ランダム運動、周期的なＡＣＦを有するランダム運動、周期的な疑似定常運動、瞬時ＡＣＦが周期的な疑似周期的要素を有するランダム運動、機械運動、機械運動、車両運動、ドローン運動、大気関連運動、風関連運動、気象関連運動、水関連運動、流体関連運動、地盤関連運動、電磁気特性変化、地中運動、地震動、植物運動、動物運動、人間運動、正常運動、異常運動、危険運動、雨、火災、洪水、津波、津波、爆発、衝突、衝突寸前、人体運動、頭部運動、顔面運動、眼球運動、口運動、舌運動、首運動、指運動、手運動、腕運動、肩運動、体動、胸運動、腹運動、腰運動、脚運動、足運動、身体関節運動、膝運動、肘運動、上体運動、下体運動、皮膚運動、皮膚下運動、皮下組織運動。血管運動、静脈運動、臓器運動、心臓運動、肺運動、胃運動、腸運動、腸運動、食事運動、呼吸運動、顔の表情、目の表情、口の表情、話す運動、歌う運動、食べる運動、身振り、手振り、腕振り、キーストローク、タイピングストローク、ユーザインタフェースジェスチャ、マンマシンインタラクション、歩行、ダンス運動、協調運動、及び／又は協調的体動。
タイプ１デバイス及び／又は任意のタイプ２受信機のヘテロジニアスＩＣは、低雑音増幅器（ＬＮＡ）、電力増幅器、送受信スイッチ、メディアアクセスコントローラ、ベースバンド無線機、２．４ＧＨｚ無線機、３．６５ＧＨｚ無線機、４．９ＧＨｚ無線機、５ＧＨｚ無線機、５．９ＧＨｚ無線機、６ＧＨｚ無線機未満、６０ＧＨｚ無線機未満及び／又は別の無線機を備えうる。ヘテロジニアスＩＣは、プロセッサと、プロセッサと通信可能に結合されたメモリと、プロセッサによって実行されるべきメモリに記憶された命令のセットとを備えうる。ＩＣ及び／又は任意のプロセッサは、汎用プロセッサ、専用プロセッサ、マイクロプロセッサ、マルチプロセッサ、マルチコアプロセッサ、並列プロセッサ、ＣＩＳＣプロセッサ、ＲＩＳＣプロセッサ、マイクロコントローラ、中央処理装置（ＣＰＵ）、グラフィカルプロセッサユニット（ＧＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、組み込みプロセッサ（例えばＡＲＭ）、論理回路、他のプログラマブル論理デバイス、個別論理、及び／又は組み合わせのうちの少なくとも１つを備えうる。ヘテロジニアスＩＣは、ブロードバンドネットワーク、無線ネットワーク、セルラネットワーク、無線ローカルエリアネットワーク（ＷＬＡＮ）、ワイドエリアネットワーク（ＭＡＮ）、ＷＬＡＮ標準、ＷｉＦｉ、ＬＴＥ－Ａ、ＬＴＥ－Ｕ、８０２．１１標準、８０２．１１ａ、８０２．１１ｇ、８０２．１１ｇ、８０２．１１ａｃ、８０２．１１ａｄ、８０２．１１ａｈ、８０２．１１ａｘ、８０２．１１ａｙ、ネットワークメッシュ標準、８０２．１６標準、セルラネットワーク標準、３Ｇ、３．５Ｇ、４Ｇ、５Ｇ、６Ｇ、７Ｇ、８Ｇ、９Ｇ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ－ＳＣＤＭＡ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）、ＮＦＣ、Ｚｉｇｂｅｅ、ＷｉＭａｘ、及び／又は別の無線ネットワークプロトコルをサポートしうる。
プロセッサは、汎用プロセッサ、専用プロセッサ、マイクロプロセッサ、マイクロコントローラ、組み込みプロセッサ、デジタル信号プロセッサ、中央処理装置（ＣＰＵ）、グラフィカル処理ユニット（ＧＰＵ）、マルチプロセッサ、マルチコアプロセッサ、及び／又はグラフィックス能力を有するプロセッサ、及び／又は組み合わせを備えうる。メモリは、揮発性、不揮発性、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、電気的プログラマブルＲＯＭ（ＥＰＲＯＭ）、電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ）、ハードディスク、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、磁気記憶装置、光学記憶装置、有機記憶装置、記憶システム、記憶ネットワーク、ネットワーク記憶装置、クラウド記憶装置、エッジ記憶装置、ローカル記憶装置、外部記憶装置、内部記憶装置、又は当業者で知られている他の形成の非一時的記憶媒体でありうる。方法ステップに対応する命令のセット（機械実行可能コード）は、ハードウェアで、ソフトウェアで、ファームウェアで、又はそれらの組み合わせで直接具現化されうる。命令のセットは、埋め込まれ、プリロードされ、起動時にロードされ、オンザフライでロードされ、オンデマンドでロードされ、プリインストールされ、インストールされ、及び／又はダウンロードされうる。
プレゼンテーションは、オーディオビジュアル方法（例えば、ビジュアル、グラフィックス、テキスト、シンボル、カラー、シェード、ビデオ、アニメーション、サウンド、スピーチ、オーディオ等の組み合わせを使用する）、グラフィカル方法（例えば、ＧＵＩ、アニメーション、ビデオを使用する）、テキスト方法（例えば、テキスト、メッセージ、アニメーション化されたテキストを有するウェブページ）、シンボリック方法（例えば、エモーティコン、サイン、ハンドジェスチャ）、又は機械的方法（例えば、振動、アクチュエータの動き、ハプティック等）でのプレゼンテーションでありうる。
基本演算
方法に関連する演算作業負荷は、プロセッサ、タイプ１ヘテロジニアス無線デバイス、タイプ２ヘテロジニアス無線デバイス、ローカルサーバ（例えば、ハブデバイス）、クラウドサーバ、及び別のプロセッサの間で共有される。
演算、前処理、処理、及び／又は後処理は、データ（例えば、ＴＳＣＩ、自己相関、ＴＳＣＩの特徴）に適用されうる。動作は、前処理、処理、及び／又は後処理であってもよい。前処理、処理、及び／又は後処理は、動作であってもよい。動作は、前処理、後処理、スケーリング、見通し線（ＬＯＳ）量を演算すること、ＬＯＳ及びＮＬＯＳを含む量を演算すること、単一リンク（例えば、経路、通信経路、送信アンテナと受信アンテナとの間のリンク）量を演算すること、複数のリンクを含む量を演算すること、オペランドの関数を演算すること、線形フィルタリング、非線形フィルタリング、フォールディング、エネルギー演算、ローパスフィルタリング、帯域通過フィルタリング、メディアンフィルタリング、四分位フィルタリング、モードフィルタリング、有限インパルス応答（ＦＩＲ）サブサンプリング、アップサンプリング、時間補正、時間ベース補正、振幅補正、位相補正、位相クリーニング、振幅クリーニング、整合フィルタリング、強調、復元、雑音除去、平滑化、信号調整、強調、復元、スペクトル解析、線形変換、非線形変換、逆変換、周波数変換、逆変換、フーリエ変換（ＦＴ）、離散時間ＦＴ（ＤＦＴ）、高速ＦＴ（ＦＦＴ）、ウェーブレット変換、ヒルベルト変換、三角変換、サイン変換、コサイン変換、ＤＣＴ、パワー２変換、スパース変換、グラフベースの変換、高速変換、ゼロパディング、巡回パディング、ゼロパディング、特徴抽出、分解、直交射影、非完全射影、固有値分解（ＳＶＤ）、主成分分析（ＩＣＡ）、グループ化、閾値処理、ハード閾値処理、クリッピング、一次導関数、高次微分、畳み込み、乗算、最小二乗法、局所偏差最小化、ニューラルネットワーク、認識、ラベリング、教師なし学習、半教師あり学習、別のＴＳＣＩとの比較、類似性スコア演算、量子化、マッチング追跡、圧縮、暗号化、送信、正規化、時間正規化、周波数領域正規化、分類、ラベリング、ラベリング、学習、学習、マッピング、再マッピング、記憶、検索、受信、表現、マージ、結合、追跡、整合フィルタリング、カルマンフィルタリング、内挿誤り訂正、実行、何もせず、時変処理、調整平均、重み付け平均、算術平均、幾何平均、調和平均、選択された周波数にわたる平均、アンテナリンクにわたる平均、論理演算、置換、組み合わせ、ソート、ＡＮＤ、ＯＲ、ＸＯＲ、和集合、交差、ベクトル加算、ベクトル減算、ベクトル乗算、ベクトル除算、逆、ノルム、距離、及び／又は別の演算を含みうる。動作は、前処理、処理、及び／又は後処理であってもよい。動作は、複数の時系列又は関数に一緒に適用されうる。
関数（例えば、オペランドの関数）は、以下を含みうる：スカラー関数、ベクトル関数、連続関数、大きさ関数、三角関数、論理関数、三角関数、線形関数、区分関数、実関数、ベクトル値関数、逆関数、積分の導関数、関数の導関数、一対一関数、多対一関数、多対多関数、ゼロクロス、絶対関数、標識関数、平均、モード、中央値、範囲、統計、ヒストグラム、分散、偏差、発散、範囲、全変動、絶対偏差、全偏差、算術平均、幾何平均、トリミング平均、パーセンタイル、平方根、乗数、余弦、余弦 、タンジェント、コタンジェント、セカント、楕円関数、放物線関数、ゲーム関数、ゼータ関数、絶対値、閾値関数、フロア関数、丸め関数、量子化、区分定数関数、複合関数、演算で処理される時間関数（例：確率関数、エルゴード関数、確率関数、周期関数、確率関数、逆周波数変換、離散時間変換、ラプラス変換、サイン変換、コサイン変換、三角変換、ウェーブレット変換、整数変換、電力２変換、スパース変換、分解、原成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、ニューラルネットワーク、特徴抽出、時系列の移動窓関数、フィルタリング関数、畳み込み関数、平均関数、ヒストグラム、分散／標準偏差関数、短時間変換、離散変換 、離散フーリエ変換、離散コサイン変換、固有値分解（ＳＶＤ）、特異値、整合追跡、スパース変換、グラフベース変換、グラフ処理、分類、グラフ信号処理、分類、ラベリング、機械学習、検出、特徴抽出、ネットワーク特徴抽出、雑音除去、符号化、暗号化、再マッピング、ベクトル量子化、ハイパスフィルタリング、整合フィルタリング、カルマンフィルタリング、前処理、パーティクルフィルタリング、ＦＩＲフィルタリング、自己回帰（ＡＲ）フィルタリング、適応フィルタリング、高次微分、積分、ゼロクロス、平滑化、モードフィルタリング、サンプリング、ランダムサンプリング、リサンプリング関数、ダウンサンプリング、アップサンプリング、補間、重要度サンプリング、モンテカルロ・サンプリング、圧縮センシング、統計、短期統計、長期統計、自己相関関数、相互相関、モーメント生成関数、時間平均、重み付け平均、特殊関数、ベッセル関数、誤差関数、補誤差関数、ベータ関数、ガンマ関数、積分関数、ガウス関数、ポアソン関数等。
ＧＰＵ／ＤＳＰ／コプロセッサ／マルチコア／マルチプロセッシングを使用する、機械学習、トレーニング、弁別トレーニング、深層学習、ニューラルネットワーク、連続時間処理、分散コンピューティング、分散ストレージ、アクセラレーションは、本開示のステップ（又は各ステップ）に適用されうる。
周波数変換は、フーリエ変換、ラプラス変換、アダマール変換、ヒルベルト変換、サイン変換、コサイン変換、三角変換、ウェーブレット変換、整数変換、２乗変換、結合されたゼロパッディング及び変換、ゼロパッディングを用いたフーリエ変換、並びに／又は別の変換を含みうる。変換の高速バージョン及び／又は近似バージョンが実行されうる。変換は、浮動小数点及び／又は固定小数点算術を使用して実行されうる。
逆周波数変換は、逆フーリエ変換、逆ラプラス変換、逆アダマール変換、逆ヒルベルト変換、逆正弦変換、逆コサイン変換、逆三角変換、逆ウェーブレット変換、逆整数変換、逆２乗変換、結合されたゼロパディング及び変換、ゼロパディングを伴う逆フーリエ変換、並びに／又は別の変換を含みうる。変換の高速バージョン及び／又は近似バージョンが実行されうる。変換は、浮動小数点及び／又は固定小数点算術を使用して実行されうる。
ＴＳＣＩからの量／特徴が演算されうる。量は、以下のうちの少なくとも１つを含みうる：動き、位置、位置、座標、速度、移動角度、移動量、移動量、パターン、時間、トレンド、パターン、時間パターン、反復パターン、時間パターン、相互に排除するパターン、関連／相関、原因／相関、短期／影響、相関、短期／影響、相関、傾向、傾向、統計、典型的挙動、典型的挙動、時間トレンド、時間プロファイル、周期的動き、周期的動き、反復、反復、動き、反復、傾向、変化、急激な変化、頻度、過渡的変化、頻度、過渡的変化、呼吸、行動、イベント、危険イベント、警報、警報、警告、近接、衝突、電力、信号、信号電力、信号強度、信号強度、受信信号強度インジケータ（ＲＳＳＩ）、信号振幅、信号、位相信号、周波数成分、信号周波数成分、非直交統計、心肺統計、出力統計、心拍、統計／分析、日々の活動統計、追跡、心拍、統計／分析、医療統計／分析、早期（又は即時若しくは同時の）指標／示唆／指標／検証者／示唆／示唆／兆候／検出／症状、疾患／状態／状況、バイオメトリック、ベビー、患者、機械、装置、温度、車両、駐車場、場所、昇降路、昇降路、空間、流体の流れ、ホーム、部屋、オフィス、オフィス、ハウス、建物、倉庫、貯蔵、システム、換気、ファン、ダクト、人、ヒト、自動車、ボート、トラック、飛行機、ドローン、ダウンタウン、群衆、衝動的イベント、サイクロ静止、環境、振動、材料、表面、３次元、２次元、局所、グローバル、存在、及び／又は別の測定可能な量／変数。
スライディングウィンドウ／アルゴリズム
スライディング時間ウィンドウは、時間変化するウィンドウ幅を有しうる。それは、高速取得を可能にするために、最初はより小さくてもよく、定常状態のサイズまで経時的に増加してもよい。定常状態サイズは、モニタリングされる周波数、反復運動、過渡運動、及び／又はＳＴＩに関連しうる。定常状態であっても、ウィンドウサイズはバッテリ寿命、電力消費、利用可能なコンピューティング電力、ターゲットの量の変化、モニタリングされるべき動きの性質等に基づいて、適応的に（及び／又は動的に）変更（例えば、調整、変更、修正）されうる。
隣接する時間インスタンスにおける２つのスライディング時間ウィンドウ間の時間シフトは、時間にわたって一定／可変／局所的に適応／動的に調整されうる。より短い時間シフトが使用されるとき、任意のモニタリングの更新はより頻繁であってよく、これは、急速に変化する状況、物体の動き、及び／又は物体のために使用されうる。より長い時間シフトはより遅い状況、物体の動き、及び／又は物体のために使用されうる。
ウィンドウ幅／サイズ及び／又は時間シフトはユーザの要求／選択に応じて変更（例えば、調整、変更、修正）しうる。時間シフトは自動的に（例えば、プロセッサ／コンピュータ／サーバ／ハブデバイス／クラウドサーバによって制御されるように）及び／又は適応的に（及び／又は動的に）変更されうる。
関数（例えば、自己相関関数、自己共分散関数、相互相関関数、相互共分散関数、電力スペクトル密度、時間関数、周波数領域関数、周波数変換）の少なくとも１つの特性（例えば、特性値又は特性点）は、（例えば、物体追跡サーバ、プロセッサ、タイプ１ヘテロジニアスデバイス、タイプ２ヘテロジニアスデバイス、及び／又は別のデバイスによって）決定されうる。関数の少なくとも１つの特性は、以下のものを含みうる：最大、最小、極値、極限、正の時間オフセットを伴うローカル極値、正の時間オフセットを伴う第１の極値、負の時間オフセットを伴うローカル極値、ｎ番目の極値、拘束された極値、拘束された最大、有意な極値、傾き、微分、最大傾き、正の時間オフセットを伴うローカル極値、ローカル最大傾き、拘束された最大傾き、最大高次微分、拘束された高次微分、拘束された高次微分、正の時間オフセットを伴うゼロクロス、負の時間オフセットを伴うｎ番目のゼロクロス、ｎ番目の負の時間オフセットを伴うゼロクロス、制約付きゼロクロス、傾きのゼロクロス、高次微分のゼロクロス、及び／又は別の特性。関数の少なくとも１つの特性に関連する関数の少なくとも１つの引数が、識別されうる。いくつかの量（例えば、物体の空間時間情報）は、関数の少なくとも１つの引数に基づいて決定されうる。
特性（例えば、ベニューにおける物体の運きの特性）は、以下のうちの少なくとも１を含みうる：瞬時特性、短期特性、繰返し特性、経時特性、振幅特性、経時特性、変動特性、直交分解特性、確率特性、確率特性、自己相関関数（ＡＣＦ）、平均、分散値、分散値、広がり、偏差、ダイバージェンス、範囲、絶対偏差、全偏差、統計、持続時間、時期、トレンド、周期特性、長期特性、歴史特性、電流特性、過去特性、予測特性、位置、距離、速度、速度、加速度、角速度、角速度の変化、物体の変化、角加速度、物体の方向、回転の角度、物体の変形、物体の形状、物体の形状の変化、物体の大きさの変化、物体の構造の変化、及び／又は物体の特性の変化。
関数の少なくとも１つの極大値及び少なくとも１つの最小値が識別されうる。少なくとも１つのローカル信号対雑音比類似の（ＳＮＲ類似の）パラメータが、隣接する極大値及び最小値の各ペアについて演算されうる。ＳＮＲ類似のパラメータは、局所最小値の同じ量にわたる局所最大値の量（例えば、電力、大きさ）の一部の関数（例えば、線形、対数、指数関数、単調関数）であってもよい。それは、極大値の量と最小値の同じ量との間の差の関数であってもよい。有意な局所ピークを同定又は選択しうる。各有意な局所ピークは、閾値Ｔ１よりも大きいＳＮＲ類似のパラメータを有する極大、及び／又は閾値Ｔ２よりも大きい振幅を有する極大でありうる。周波数領域における少なくとも１つの最小値及び少なくとも１つの最小値は、持続性ベースのアプローチを使用して識別／演算されうる。
選択された有意な局所ピークのセットは、選択基準（例えば、品質基準、信号品質条件）に基づいて、識別された有意な局所ピークのセットから選択されうる。物体の特性／ＳＴＩは、選択された有意な局所ピークのセットと、選択された有意な局所ピークのセットに関連する周波数値とに基づいて演算されうる。一例では、選択基準が常に、範囲内の最も強いピークを選択することに対応しうる。最も強いピークが選択されうるが、選択されていないピークは依然として有意（かなり強い）でありうる。
未選択の有意なピークは将来のスライディング時間ウィンドウにおける将来の選択において使用するために、「予約された」ピークとして記憶及び／又はモニタリングされうる。一例として、（特定の周波数における）特定のピークが時間一貫して現れることがある。最初は、それは有意であるが選択されない場合がある（他のピークがより強い場合があるため）。しかし、後になると、ピークはより強く、より支配的になり、選択されうる。それが「選択された」とき、それは、それが有意であったが選択されなかった初期の時間に、時間的に遡って「選択された」とされうる。そのような場合、バックトレースされたピークは、以前に選択されたピークを早い時間に置き換えることができる。置換されたピークは比較的弱いピーク、又は時間的に単独で現れる（即ち、時間的に短時間しか現れない）ピークであってもよい。
別の例では、選択基準が範囲内の最も強いピークを選択することに対応しなくてもよい。代わりに、それは、ピークの「強度」だけでなく、ピークの「トレース」（過去に起こった可能性があるピーク、特に、長い間同定されたピーク）も考慮しうる。
例えば、有限状態機械（ＦＳＭ）が使用される場合、それは、ＦＳＭの状態に基づいて（１つ以上の）ピークを選択しうる。決定閾値は、ＦＳＭの状態に基づいて適応的に（及び／又は動的に）演算されうる。
類似性スコア及び／又はコンポーネント類似性スコアはＴＳＣＩの時間的に隣接するＣＩのペアに基づいて（例えば、サーバ（例えば、ハブデバイス）、プロセッサ、タイプ１デバイス、タイプ２デバイス、ローカルサーバ、クラウドサーバ、及び／又は別のデバイスによって）演算されうる。ペアは、同じスライド窓又は２つの異なるスライド窓から来てもよい。類似性スコアはまた、２つの異なるＴＳＣＩからのペアの、時間的に隣接する、又はそのように隣接しないＣＩに基づいてもよい。類似性スコア及び／又はコンポーネント類似スコアは、時間反転共鳴強度（ＴＲＲＳ）、相関、相互相関、自己相関、相関指標、共分散、相互共分散、自己共分散、２つのベクトルの内積、距離スコア、ノルム、メトリック、品質メトリック、信号品質条件、統計的特性、識別スコア、ニューラルネットワーク、深層学習ネットワーク、機械学習、トレーニング、識別、重み付け平均、前処理、雑音除去、信号調整、フィルタリング、時間補正、タイミング補償、位相オフセット補償、変換、コンポーネントごとの動作、特徴抽出、有限状態機械、及び／又は別のスコアであってもよい。特性及び／又はＳＴＩは、類似性スコアに基づいて決定／演算されうる。
任意の閾値は、有限状態機械によって予め決定され、適応的に（及び／又は動的に）決定され、及び／又は決定されうる。適応的な決定は、時間、空間、位置、アンテナ、経路、リンク、状態、バッテリ寿命、バッテリ残存寿命、利用可能電力、利用可能な演算リソース、利用可能なネットワーク帯域幅等に基づきうる。
２つのイベント（又は２つの条件、又は２つの状況、又は２つの状態）Ａ及びＢを区別するためにテスト統計に適用される閾値を決定しうる。データ（例えば、ＣＩ、チャネル状態情報（ＣＳＩ）、電力パラメータ）は、トレーニング状況においてＡの下及び／又はＢの下で収集されうる。テスト統計は、データに基づいて演算されてもよい。Ａの下のテスト統計の分布はＢの下のテスト統計の分布（基準分布）と比較されてよく、閾値は、いくつかの基準に従って選択されうる。基準は最大尤度（ＭＬ）、最大アポステリオ確率（ＭＡＰ）、識別トレーニング、所与のタイプ２エラーに対する最小タイプ１エラー、所与のタイプ１エラーに対する最小タイプ２エラー、及び／又は他の基準（例えば、品質基準、信号品質条件）を含みうる。閾値は、Ａ、Ｂ及び／又は別のイベント／条件／状況／状態に対する異なる感度を達成するように調整されうる。閾値調整は、自動、半自動、及び／又は手動であってもよい。閾値調整は一度、時々、しばしば、定期的に、繰り返し、時々、散発的に、及び／又はオンデマンドで適用されうる。閾値調整は、適応的（及び／又は動的に調整される）であってもよい。閾値調整は、物体、物体の移動／位置／方向／アクション、物体特性／ＳＴＩ／サイズ／特性／特性／習慣／挙動、ベニュー、特徴／フィクスチャ／家具／バリア／材料／機械／生き物／物体境界／表面／媒体、マップ、マップ（又は環境モデル）の制約、イベント／状態／状況／条件、時間、タイミング、持続時間、現在の状態、過去の履歴、ユーザ、及び／又は個人用の好み等に依存しうる。
反復アルゴリズムの停止基準（又は、スキップ、バイパス、ブロッキング、一時停止、通過、拒絶基準）は、反復における更新における現在のパラメータ（例えば、オフセット値）の変化が閾値未満であることであってもよい。閾値は、０．５、１、１．５、２、又は別の個数でありうる。閾値は、適応的（及び／又は動的に調整される）であってもよい。反復が進むにつれて変化することがある。オフセット値について、適応閾値は、タスク、第１の時間の特定の値、現在の時間オフセット値、回帰ウィンドウ、回帰分析、回帰関数、回帰誤差、回帰関数の凸性、及び／又は反復回数に基づいて決定されうる。
局所極値は、回帰窓における回帰関数の対応する極値として決定されてもよい。局所極値は、回帰ウィンドウ内の時間オフセット値のセットと、関連する回帰関数値のセットとに基づいて決定されうる。時間オフセット値のセットに関連する関連する回帰関数値のセットの各々は、回帰ウィンドウ内の回帰関数の対応する極値からの範囲内にありうる。
ローカル極値の探索は、以下を含みうる：ロバスト探索、最小化、最大化、最適化、統計的最適化、二元最適化、制約条件最適化、凸最適化、大域的最適化、局所最適化、エネルギー最小化、線形回帰、二次回帰、高次回帰、線形計画、非線形計画、確率計画、組み合わせ最適化、制約計画、制約充足、変分法、最適制御、動的計画、数理計画、凸最適化、凸最適化、局所最適化、凸最適化、局所最適化、線形回帰、二次回帰 変分法、最適制御、動的計画法、数理計画法、多目的最適化、多次元最適化、分離型計画法、空間写像、無限次元最適化、ヒューリスティクス、メタヒューリスティクス、凸計画法、半正定値計画、円錐計画、整数計画、２次計画、フラクショナル計画法、数値解析、シンプレックス法、反復法、勾配降下法、劣勾配法、座標降下法、共役勾配法、ニュートン法、逐次二次計画法、内点法、楕円体法、縮小勾配法、擬似ニュートン法、同時摂動確率近似、内挿法、パターンサーチ法、ラインサーチ、非微分最適化、遺伝的アルゴリズム、進化的アルゴリズム、動的緩和、ヒルクライミング、粒子群最適化、重力探索アルゴリズム、シミュレーテッドアニーリング、ミメティックアルゴリズム、微分進化、動的緩和、確率的トンネル、タブーサーチ、反応探索最適化、曲線フィット、最小二乗、シミュレーションベースの最適化、変分、及び／又は変量。局所極値の探索は、目的関数、損失関数、コスト関数、効用関数、適応度関数、エネルギー関数、及び／又はエネルギー関数と関連付けられうる。
回帰は、回帰関数を使用して実行されて、サンプリングされたデータ（例えば、ＣＩ、ＣＩの特徴、ＣＩのコンポーネント）又は別の関数（例えば、自己相関関数）を回帰ウィンドウに適合させることができる。少なくとも１回の反復において、回帰ウィンドウの長さ及び／又は回帰ウィンドウの位置は変化しうる。回帰関数は、線形関数、二次関数、三次関数、多項式関数、及び／又は別の関数であってもよい。
回帰分析は、誤差、総計誤差、コンポーネント誤差、投影ドメインにおける誤差、選択された直交軸における誤差、選択された直交軸における誤差、絶対誤差、二乗誤差、絶対偏差、二乗偏差、二乗偏差、高次誤差（例えば、３次、４次）、ロバスト誤差（例えば、より小さい誤差の二乗誤差、より大きい誤差の大きさに対する絶対誤差、又はより小さい誤差の大きさに対する第１の種類の誤差、及びより大きい誤差の大きさに対する第２の種類の誤差）、別の誤差、絶対／二乗誤差の重み付けされた和（又は重み付けされた平均）（例えば、複数のアンテナを有する無線送信機及び複数のアンテナを有する無線受信機、送信機アンテナ及び受信機アンテナの各ペアがリンクを形成する）、平均絶対誤差、平均二乗誤差、平均絶対偏差。異なるリンクに関連する誤差は、異なる重みを有しうる。１つの可能性は、いくつかのリンク及び／又はより大きい雑音又はより低い信号品質メトリックを有するいくつかのコンポーネントがより小さい又はより大きい重みを有しうることである。二乗誤差の重み付け和、高次誤差の重み付け和、ロバスト誤差の重み付け和、別の誤差の重み付け和、絶対コスト、二乗コスト、高次コスト、ロバストコスト、別のコスト、絶対コストの重み付け和、二乗コストの重み付け和、高次コストの重み付け和、ロバストコストの重み付け和、及び／又は別のコストの重み付け和。
決定される回帰誤差は、絶対誤差、二乗誤差、高次誤差、ロバスト誤差、更に別の誤差、絶対誤差の重み付け和、二乗誤差の重み付け和、高次誤差の重み付け和、ロバスト誤差の重み付け和、及び／又は更に別の誤差の重み付け和であってもよい。
回帰ウィンドウ内の特定の関数に対する回帰関数の最大回帰誤差（又は最小回帰誤差）に関連する時間オフセットは、反復において更新された現在の時間オフセットになりうる。
局所極値は、２つの異なる誤差の差（例えば、絶対誤差と二乗誤差との差）を含む量に基づいて探索されうる。２つの異なる誤差の各々は、絶対誤差、二乗誤差、高次誤差、ロバスト誤差、別の誤差、絶対誤差の重み付け和、二乗誤差の重み付け和、高次誤差の重み付け和、ロバスト誤差の重み付け和、及び／又は別の誤差の重み付け和を含みうる。
量は、Ｆ分布、セントラルＦ分布、別の統計的分布、閾値、確率／ヒストグラムに関連する閾値、偽ピークを発見する確率／ヒストグラムに関連する閾値、Ｆ分布に関連する閾値、セントラルＦ分布に関連する閾値、及び／又は別の統計的分布に関連する閾値等の基準データ又は基準分布と比較されうる。
回帰ウィンドウは、以下のうちの少なくとも１つに基づいて決定されうる：物体の動き(例えば、位置／場所の変化）、物体に関連する量、物体の動きに関連する物体の少なくとも１つの特性及び／又はＳＴＩ、局所極値の推定位置、雑音特性、推定雑音特性、物体の動き（例えば、位置／場所の変化）、物体に関連する量、物体の動きに関連する物体の少なくとも１つの特性及び／又はＳＴＩ、局所極値の推定位置、雑音特性、推定雑音特性、信号品質メトリック、Ｆ分布、中心Ｆ分布、別の統計分布、閾値、プリセット閾値、確率／ヒストグラムに関連する閾値、望ましい確率に関連する閾値、誤ったピークが見つかる確立に関連する閾値、Ｆ分布に関連する閾値、中心Ｆ分布に関連する閾値、別の統計分布に関連する閾値。Ｆ分布に関連する閾値、中心Ｆ分布に関連する閾値、別の統計分布に関連する閾値、ウィンドウ中心での量が回帰ウィンドウ内で最大であるという条件、ウィンドウ中心での量が回帰ウィンドウ内で最大であるという条件、回帰ウィンドウ内の最初の時間の特定の値に対する特定の関数の局所極値、別の回帰ウィンドウ、及び／又は別の条件のうちの１つだけが存在するという条件。
回帰ウィンドウの幅は、検索されるべき特定の極値に基づいて決定されうる。極値は、以下のものを含みうる：第１の極値、第２の極値、最大極値、最大極値正オフセット値を有する第１の極値、最大極値正オフセット値を有する第２の極値、最大極値正オフセット値を有する第２の極値、最大極値負オフセット値を有する第１の極値、最大極値負オフセット値を有する第２の極値、最大極値負オフセット値を有する第１の極値、最大極値負オフセット値を有する第２の極値、最大極値負オフセット値を有する第１の極値、最大極値負オフセット値を有する第２の極値、最大極値負オフセット値を有する第２の極値、最大極値正オフセット値を有する第１の極値、第２の極値正オフセット値を有する第１の極値、正オフセット値を有する第２の極値、正オフセット値を有する第２の極値、正オフセット値を有する第１の負の時間オフセット値を有する極値。
現在のパラメータ（例えば、時間オフセット値）は、目標値、目標プロファイル、トレンド、過去のトレンド、現在のトレンド、目標速度、目標速度プロファイル、目標速度プロファイル、過去の速度トレンド、物体の動き又は移動（例えば、位置／位置の変化）、物体の動きに関連する物体の少なくとも１つの特徴及び／又はＳＴＩ、物体の位置量、物体の動きに関連する物体の初期速度、予め定義された値、回帰ウィンドウの初期幅、時間持続時間、信号のキャリア周波数に基づく値、信号のサブキャリア周波数に基づく値、信号の帯域幅、チャネルに関連するアンテナの量、雑音特性、信号ｈメトリック、及び／又は適応（及び／又は動的に調整された）値に基づいて初期化されうる。現在の時間オフセットは、回帰ウィンドウのセンタ、左側、右側、及び／又は別の固定された相対位置にありうる。
プレゼンテーションにおいて、情報は、ベニューのマップ（又は環境モデル）と共に表示されてもよい。情報は、以下のものを含みうる：位置、ゾーン、領域、カバレッジエリア、修正された位置、おおよその位置、ベニューのマップに関する位置、ベニューのセグメンテーションに関する位置、方向、経路、に関する経路、トレース（例えば、過去５秒又は過去１０秒のような時間ウィンドウ内の位置；時間ウィンドウ持続時間は適応的に（及び／又は動的に）調整されてもよい；時間ウィンドウ持続時間は適応的に（及び／又は動的に）速度、加速度等に関して調整されてもよい）、経路の履歴、経路に沿った近似領域／ゾーン、過去の位置の履歴／要約、関心のある過去の位置の履歴、頻繁に訪れた領域、顧客トラフィック、群集分布、群集行動、群集制御情報、速度、加速度、動き統計値、呼吸数、心拍数、存在／不存在を含みうる、人やペットや物の動き、バイタルサインの有無、動作、ジェスチャ制御（ジェスチャを利用した機器の制御）、位置ベースのジェスチャ制御（ジェスチャを利用した機器の制御）、ロケーションベースの動作、尊重対象の識別情報（ＩＤ）又は識別子（ペット、人、自走式機械／装置、車両、ドローン、車、車両、ボート、自転車、自転車、ファン付き機械、空調機、テレビ、可動部付き機械）、ユーザの識別情報（人等）、ユーザの位置／速度／加速度／方向／動き／ジェスチャ／ジェスチャ制御／動作トレース、ユーザのＩＤ又は識別子、ユーザの活動、ユーザの状態、ユーザの睡眠／休憩特性、ユーザの感情状態、ユーザのバイタルサイン、ベニューの環境情報、ベニューの天候情報、地震、爆発、暴風雨、雨、火災、温度、衝突、イベントオープン、ドアイベント、イベントクローズ、ドアイベント、イベントオープン、衝撃、イベントウィンドウクローズ、イベントフォールダウン、バーニングイベント、凍結イベント、水関連イベント、風関連イベント、空気移動イベント、事故イベント、疑似周期的イベント（例えば、トレッドミル上でのランニング、上下へのジャンプ、ロープの飛び降り、人為的な飛び降り等）、繰り返しイベント、群衆イベント、車両イベント、ユーザのジェスチャ（例えば、手のジェスチャ、腕のジェスチャ、足のジェスチャ、脚のジェスチャ、身体のジェスチャ、頭のジェスチャ、顔のジェスチャ、口のジェスチャ、目のジェスチャ等）。
位置は、２次元（例えば、２Ｄ座標を有する）、３次元（例えば、３Ｄ座標を有する）であってもよい。位置は相対的（例えば、マップ又は環境モデル）又は関係的（例えば、ポイントＡとポイントＢとの中間、コーナーの周り、階段の上、テーブルの上、天井、床、ソファ、ポイントＡに近い、ポイントＡからの距離Ｒ、ポイントＡからの半径Ｒ内等）であってもよい。ロケーションは、矩形座標、極座標、及び／又は別の表現で表現されうる。
情報（例えば、位置）は、少なくとも１つのシンボルでマークされてもよい。シンボルは、時変であってもよい。記号は、色／強度を変化させて又は変化させずに点滅及び／又は脈動させることができる。サイズは、経時的に変化してもよい。シンボルの向きは、経時的に変化してもよい。シンボルは、瞬間量（例えば、バイタルサイン／呼吸数／心拍数／ジェスチャ／状態／ユーザの状態／アクション／動作、温度、ネットワークトラフィック、ネットワーク接続性、デバイス／マシンの状態、デバイスの残りの電力、デバイスの状態等）を反映する数でありうる。変化率、サイズ、向き、色、強度、及び／又は記号は、それぞれの動きを反映しうる。情報は、視覚的に提示され、及び／又は口頭で（例えば、事前に記録された音声又は音声合成を使用して）記述されうる。情報は、テキストで記述しうる。情報はまた、機械的な方法（例えば、動画化されたガジェット、可動部分の移動）で提示されてもよい。
ユーザインタフェース（ＵＩ）デバイスは、スマートフォン（例えば、ｉＰｈｏｎｅ(登録商標)、Ａｎｄｒｏｉｄ電話）、タブレット（例えば、ｉＰａｄ(登録商標)）、ラップトップ（例えば、ノートブックコンピュータ）、パーソナルコンピュータ（ＰＣ）、グラフィカルユーザインタフェース（ＧＵＩ）を伴うデバイス、スマートスピーカ、音声／オーディオ／スピーカ機能を伴うデバイス、仮想現実（ＶＲ）デバイス、拡張現実（ＡＲ）デバイス、スマートカー、自動車内のディスプレイ、音声アシスタント、自動車内の音声アシスタント等でありうる。
マップ（又は環境モデル）は、２次元、３次元、及び／又はより高次元であってもよい。（例えば、時変２Ｄ／３Ｄマップ／環境モデル）壁、窓、ドア、入口、出口、禁止エリアは、マップ又はモデル上にマークされうる。マップは、施設の間取り図を含みうる。マップ又はモデルは、１つ以上のレイヤ（オーバレイ）を有しうる。マップ／モデルは、水道管、ガス管、ケーブル、ケーブル、エアダクト、クロール空間、天井レイアウト、及び／又は地下レイアウトを含む保守マップ／モデルであってもよい。ベニューは複数のゾーン／領域／地理的領域／セクタ／セクション／地域／地域／地区／地区／地域／地域／区域／広域／広域、例えば、寝室、リビング、貯蔵室、歩道、台所、食堂、飼い主、ガレージ、１階、２階、休憩室、オフィス、会議室、受付エリア、様々なオフィスエリア、様々な倉庫エリア、様々な施設エリア等にセグメント化／分割／細分化／グループ化しうる。セグメント／領域／エリアは、マップ／モデルで提示されてもよい。異なる領域は、色分けされてもよい。異なる領域には、特性（例えば、色、輝度、色強度、テクスチャ、アニメーション、点滅、点滅速度等）が提示されてもよい。ベニューの論理的セグメント化は少なくとも１つのヘテロジニアスタイプ２デバイス、又はサーバ（例えば、ハブデバイス）、又はクラウドサーバ等を使用して行われうる。
ここでは、開示されたシステム、装置、及び方法の例を示す。Ｓｔｅｐｈｅｎと彼の家族は、開示された無線動作検出システムを、ワシントン州シアトルの２０００平方フィートの２階建ての町家の動作を検出するためにインストールしたいと考えている。彼の家には２つの階段があるので、スティーブンは、１つのタイプ２デバイス（Ａと名付けられた）と２つのタイプ１デバイス（ＢとＣと名付けられた）を１階に使用することにした。１階は主にキッチン、ダイニングルーム、リビングの３つの部屋が直線状に並んでおり、ダイニングルームは中央にある。台所と居間は家の反対側にある。彼は、タイプ２デバイス（Ａ）をダイニングルームに入れ、一方のタイプ１デバイス（Ｂ）をキッチンに入れ、他方のタイプ１デバイス（Ｃ）をリビングに入れた。この装置の配置により、彼は、実際には動き検出システムを使用して、地上階を３つのゾーン（ダイニングルーム、リビングルーム、及びキッチン）に分割している。動作がＡＢペア及びＡＣペアによって検出されると、システムは動作情報を分析し、動作を３つのゾーンのうちの１つと関連付ける。
Ｓｔｅｐｈｅｎとその家族が週末に外出すると（例えば、長い週末にキャンプに行くために）、Ｓｔｅｐｈｅｎは携帯電話アプリ（例えば、Ａｎｄｒｏｉｄ電話アプリ又はｉＰｈｏｎｅ(登録商標)アプリ）を使用して、動き検出システムをオンにする。システムが動きを検出すると、警告信号（例えば、ＳＭＳテキストメッセージ、電子メール、携帯電話アプリへのプッシュメッセージ等）がスティーブンに送信される。Ｓｔｅｐｈｅｎが月額料金（例：１０ドル／月）を支払うと、サービス会社（例：セキュリティ会社）は有線ネットワーク（例：ブロードバンド）又は無線ネットワーク（例：ホームＷｉＦｉ、ＬＴＥ、３Ｇ、２．５Ｇ等）を通じて警告信号を受け取り、Ｓｔｅｐｈｅｎにセキュリティ手順を実行する（例：問題を確認するために彼に電話をかけたり、家にチェックを入れたり、Ｓｔｅｐｈｅｎに代わって警察に連絡を取ったり、等）Ｓｔｅｐｈｅｎは自分の高齢の母親を愛し、自分だけが家にいるときは彼女の幸福を気にかける。家族の残りが外出している間（例えば、仕事に行く、買い物に行く、又は休暇に行く）、母親が自分のモバイルアプリを使用して動き検出システムをオンにし、母親がｏｋであることを保証する。次いで、彼は、モバイルアプリを使用して、自分の母親の家での動きをモニタリングする。Ｓｔｅｐｈｅｎがモバイルアプリを使って、３つの領域の中で母親が家の周りを移動しているのを見ると、彼女の日常的なルーチンによれば、Ｓｔｅｐｈｅｎは、彼の母親がうまくいっていることを知っている。スティーブンは、彼が家から離れている間、動き検出システムが彼の母親の幸福をモニタリングするのを助けることができることに感謝している。
典型的な日には、母親は午前７時頃に目を覚ました。彼女は台所で朝食を約２０分間調理した。それから彼女は食堂で朝食を約３０分間食べた。そして、リビングで毎日運動をし、リビングのソファに座って、好きなテレビ番組を見る。動き検出システムは、Ｓｔｅｐｈｅｎが家の３つの領域のそれぞれにおける動きのタイミングを見ることを可能にする。動きが日常のルーチンと一致すると、スティーブンはおおよそ母さんが元気になるはずだということを知っている。しかし、動きパターンが異常に見える場合（例えば、午前１０時まで動きがない、長い間キッチンに滞在した、又は長く動きが止まらない等）、スティーブンは何か間違っていると疑い、母親に彼女をチェックするように呼びかける。スティーブンは誰か（例えば、家族、近所の人、有料の人、友人、ソーシャルワーカー、サービスプロバイダ）に母親をチェックさせることさえできる。
時には、Ｓｔｅｐｈｅｎ、タイプ２デバイスの位置を変更するように感じる。オリジナルのＡＣ電源プラグからデバイスを抜き、別のＡＣ電源プラグに差し込むだけである。彼は無線動作検出システムがプラグアンドプレイであり、再配置がシステムの動作に影響を及ぼさないことを喜んでいる。電源を入れるとすぐに動作する。
後になると、Ｓｔｅｐｈｅｎは我々の無線動き検出システムが非常に高い精度と非常に低いアラームで実際に動きを検出することができ、彼は地上階の動きをモニタリングするためにモバイルアプリを実際に使用しうると確信している。彼は２階の寝室をモニタリングするために、同様の設備（即ち、１つのタイプ２デバイス及び２つのタイプ１装置）を２階に設置することを決定する。もう一度言うと、システムのセットアップは非常に容易であり、タイプ２のデバイスとタイプ１のデバイスを２階のＡＣ電源プラグに接続するだけでよい。特別なインストールは必要ない。また、同じモバイルアプリを使用して、１階と２階の動きをモニタリングしうる。１階／２階の各タイプ２デバイスは、１階と２階の両方のタイプ１デバイスと相互作用しうる。Ｓｔｅｐｈｅｎは、タイプ１及びタイプ２のデバイスへの投資を２倍にすると、複合システムの能力が２倍以上になることを喜んで見ている。
様々な実施形態によれば、各ＣＩ（ＣＩ）は、チャネル状態情報（ＣＳＩ）、周波数領域ＣＳＩ、少なくとも１つのサブバンドに関連する周波数領域ＣＳＩ、周波数領域ＣＳＩ、時間領域ＣＳＩ、チャネル応答、推定チャネル応答、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、チャネル特性、チャネルフィルタ応答、無線マルチパスチャネルのＣＳＩ、無線マルチパスチャネルの情報、タイムスタンプ、補助情報、データ、メタデータ、ユーザデータ、アカウントデータ、アクセスデータ、セキュリティデータ、セッションデータ、ステータスデータ、監督データ、家庭データ、識別情報（ＩＤ）、識別子、デバイスデータ、ネットワークデータ、近傍データ、環境データ、リアルタイムデータ、センサデータ、記憶データ、暗号化データ、圧縮データ、保護データ、及び／又は別のＣＩのうちの少なくとも１つを含みうる。一実施形態では、開示されるシステムは、ハードウェアコンポーネント（例えば、アンテナを有する無線送信機／受信機、アナログ回路、電力供給、プロセッサ、メモリ）及び対応するソフトウェアコンポーネントを有する。本教示の様々な実施形態によれば、開示されるシステムは、バイタルサインの検出及びモニタリングのためのボット（タイプ１デバイスと呼ばれる）及びＯｒｉｇｉｎ（タイプ２デバイスと呼ばれる）を含む。各デバイスは、トランシーバと、プロセッサと、メモリとを備える。
開示されたシステムは、多くの場合に適用しうる。一例では、タイプ１デバイス（送信機）がテーブル上にある小型ＷｉＦｉ対応デバイスでありうる。それはまた、ＷｉＦｉ対応テレビ（ＴＶ）、セットトップボックス（ＳＴＢ）、スマートスピーカ（例えば、Ａｍａｚｏｎエコー）、スマート冷蔵庫、スマート電子レンジ、メッシュネットワークルータ、メッシュネットワーク衛星、スマートフォン、コンピュータ、タブレット、スマートプラグ等であってもよい。一例では、タイプ２（受信機）がテーブル上にあるＷｉＦｉ対応デバイスでありうる。それはまた、ＷｉＦｉ対応テレビ（ＴＶ）、セットトップボックス（ＳＴＢ）、スマートスピーカ（例えば、Ａｍａｚｏｎエコー）、スマート冷蔵庫、スマート電子レンジ、メッシュネットワークルータ、メッシュネットワーク衛星、スマートフォン、コンピュータ、タブレット、スマートプラグ等であってもよい。タイプ１デバイス及びタイプ２デバイスは、人数を数えるために会議室内／近くに配置されうる。１型デバイス及び２型デバイスは日常活動及び症状の任意の徴候（例えば、認知症、アルツハイマー病）をモニタリングするための、高齢者のための健康状態モニタリングシステム内にあってもよい。タイプ１デバイス及びタイプ２デバイスは生きている乳児のバイタルサイン（呼吸）をモニタリングするために、乳児モニタにおいて使用されうる。タイプ１デバイス及びタイプ２デバイスは睡眠の質及び任意の睡眠時無呼吸をモニタリングするために、寝室内に配置されうる。タイプ１デバイス及びタイプ２デバイスは乗客及び運転者の健康状態をモニタリングし、運転者の睡眠を検出し、車内に残っている乳児を検出するために、車内に配置されうる。タイプ１デバイス及びタイプ２デバイスはトラック及びコンテナに隠された人をモニタリングすることによって人身取引を防止するために、物流において使用されうる。タイプ１装置及びタイプ２デバイスは破片に捕捉された被害者を探すために、災害地域における緊急サービスによって配備されてもよい。タイプ１デバイス及びタイプ２デバイスは任意の侵入者の呼吸を検出するために、ある領域に展開されうる。ウェアラブルなしの無線呼吸モニタリングの多くの用途がある。
ハードウェアモジュールは、タイプ１トランシーバ及び／又はタイプ２トランシーバを含むように構築されうる。ハードウェアモジュールは最終的な市販製品を設計、構築、及び販売するために、可変ブランドに販売／使用されうる。開示されるシステム及び／又は方法に使用する製品は、ホーム／オフィスセキュリティ製品、ＷｉＦｉ製品、ＳＴＢ、エンターテインメント製品、ＴＶ、エンターテインメント製品、ＨｉＦｉ、スピーカ、家電製品、オーブン、テーブル、椅子、ベッド、道具、トーチ、電気掃除機、ソファ、ファン、ドア、窓、ドアハンドル、ロック、煙検出器、カーアクセサリ、コンピューティングデバイス、オフィスデバイス、エアコンディショナ、ヒータ、コネクタ、モニタリングカメラ、アクセスポイント、モバイルデバイス、ＬＴＥデバイス、３Ｇ／４Ｇ／６Ｇデバイス、ＵＭＴＳデバイス、ＧＳＭデバイス、ＥＤＧＥデバイス、ＴＤＭＡデバイス、ＣＤＭＡデバイス、ＷＣＤＭＡデバイス、ＴＤ－ＳＣＤＭＡデバイス、ゲームデバイス、眼鏡、ＶＲゴーグル、ネックレス、腕時計、ウエストバンド、ベルト、財布、ペン、帽子、ウェアラブル、埋め込み型デバイス、タグ、駐車券、スマートフォン等でありうる。
サマリは、分析、出力応答、選択された時間ウィンドウ、サブサンプリング、変換、及び／又は投影を含みうる。提示することは、月／週／日ビュー、簡略化／詳細ビュー、断面ビュー、小／大フォームファクタビュー、色分けビュー、比較ビュー、要約ビュー、アニメーション、ウェブビュー、音声アナウンス、及び反復動作の周期的／反復特性に関連する別のプレゼンテーション、のうちの少なくとも１つを提示することを含みうる。
タイプ１／タイプ２デバイスは、以下のものでありうる：
アンテナ、アンテナを有するデバイス、アンテナを有するデバイス、筐体（無線機、アンテナ、データ信号処理装置、無線ＩＣ、回路等のための）筐体を有するデバイス、アンテナを取り付ける／接続する／リンクするインタフェースを有するデバイス、他のデバイス／システム／コンピュータ／電話／ネットワーク／データアグリゲータとインタフェースする／取り付ける／接続する／リンクするデバイス、ユーザーインタフェース（ＵＩ）／グラフィカルＵＩ／ディスプレイを有するデバイス、無線トランシーバーを有するデバイス、無線送信機を有するデバイス、無線受信機を有するデバイス、ＩｏＴデバイス、無線ネットワークを有するデバイス、有線ネットワークと無線ネットワーク機能を有するデバイス、無線集積回路（ＩＣ）を有するデバイス、Ｗｉ－Ｆｉデバイス、Ｗｉ－Ｆｉチップ搭載デバイス（例：８０２．１１ａ／ｂ／ｇ／ｎ／ａｃ／ａｘ規格準拠）、Ｗｉ－Ｆｉアクセスポイント（ＡＰ）、Ｗｉ－Ｆｉクライアント、Ｗｉ－Ｆｉルータ、Ｗｉ－Ｆｉリピータ、Ｗｉ－Ｆｉハブ、無線メッシュネットワークルータ／ハブ／ＡＰ、アドホックネットワークルータ、無線メッシュネットワーク装置、モバイルデバイス（例：２Ｇ／２．５Ｇ／３Ｇ／３．５Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ－ＳＣＤＭＡ）、携帯端末、基地局、モバイルネットワーク基地局、モバイルネットワークハブ、モバイルネットワーク互換端末、ＬＴＥ端末、ＬＴＥモジュール搭載端末、モバイルモジュール（例：Ｗｉ－Ｆｉチップ、ＬＴＥチップ、ＢＬＥチップ等のモバイルイネーブルチップ（ＩＣ）搭載基板）、Ｗｉ－Ｆｉチップ（ＩＣ）、ＬＴＥチップ、ＢＬＥチップ、モバイルモジュール搭載機器、スマートフォン、スマートフォン用コンパニオンデバイス（ドングル、アタッチメント、プラグイン等）、専用デバイス、プラグインデバイス、ＡＣ電源デバイス、バッテリー駆動デバイス、プロセッサ／メモリ／命令セットを持つデバイス、スマートデバイス／ガジェット／アイテム。時計、文房具、ペン、ユーザーインタフェース、紙、マット、カメラ、テレビ、セットトップボックス、マイク、スピーカ、冷蔵庫、オーブン、機械、電話、財布、家具、ドア、窓、天井、床、壁、テーブル、椅子、ベッド、ナイトスタンド、エアコン、ヒーター、パイプ、ダクト、ケーブル、カーペット、装飾品。ガジェット、ＵＳＢデバイス、プラグ、ドングル、ランプ／ライト、タイル、装飾品、ボトル、車両、自動車、無人搬送車、ロボット、ラップトップ、タブレット、コンピュータ、ハードディスク、ネットワークカード、楽器、ラケット、ボール、靴、ウェアラブル、衣類、眼鏡、帽子、ネックレス、食品、丸薬、生物の体内（例：血管内、リンパ液内、消化器官内）で動く小型デバイス、及び／又は他のデバイス。タイプ１デバイス及び／又はタイプ２デバイスは、インターネット、インターネットへのアクセスを有する別のデバイス（例えば、スマートフォン）、クラウドサーバ（例えば、ハブデバイス）、エッジサーバ、ローカルサーバ、及び／又はストレージと通信可能に接続されうる。タイプ１デバイス及び／又はタイプ２デバイスは、ローカル制御で動作してもよく、有線／無線接続を介して別のデバイスによって制御されてもよく、自動的に動作してもよく、又は遠隔（例えば、ホームから離れた）中央システムによって制御されてもよい。
アンテナ、アンテナを有するデバイス、アンテナを有するデバイス、筐体（無線機、アンテナ、データ信号処理装置、無線ＩＣ、回路等のための）筐体を有するデバイス、アンテナを取り付ける／接続する／リンクするインタフェースを有するデバイス、他のデバイス／システム／コンピュータ／電話／ネットワーク／データアグリゲータとインタフェースする／取り付ける／接続する／リンクするデバイス、ユーザーインタフェース（ＵＩ）／グラフィカルＵＩ／ディスプレイを有するデバイス、無線トランシーバーを有するデバイス、無線送信機を有するデバイス、無線受信機を有するデバイス、ＩｏＴデバイス、無線ネットワークを有するデバイス、有線ネットワークと無線ネットワーク機能を有するデバイス、無線集積回路（ＩＣ）を有するデバイス、Ｗｉ－Ｆｉデバイス、Ｗｉ－Ｆｉチップ搭載デバイス（例：８０２．１１ａ／ｂ／ｇ／ｎ／ａｃ／ａｘ規格準拠）、Ｗｉ－Ｆｉアクセスポイント（ＡＰ）、Ｗｉ－Ｆｉクライアント、Ｗｉ－Ｆｉルータ、Ｗｉ－Ｆｉリピータ、Ｗｉ－Ｆｉハブ、無線メッシュネットワークルータ／ハブ／ＡＰ、アドホックネットワークルータ、無線メッシュネットワーク装置、モバイルデバイス（例：２Ｇ／２．５Ｇ／３Ｇ／３．５Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ－ＳＣＤＭＡ）、携帯端末、基地局、モバイルネットワーク基地局、モバイルネットワークハブ、モバイルネットワーク互換端末、ＬＴＥ端末、ＬＴＥモジュール搭載端末、モバイルモジュール（例：Ｗｉ－Ｆｉチップ、ＬＴＥチップ、ＢＬＥチップ等のモバイルイネーブルチップ（ＩＣ）搭載基板）、Ｗｉ－Ｆｉチップ（ＩＣ）、ＬＴＥチップ、ＢＬＥチップ、モバイルモジュール搭載機器、スマートフォン、スマートフォン用コンパニオンデバイス（ドングル、アタッチメント、プラグイン等）、専用デバイス、プラグインデバイス、ＡＣ電源デバイス、バッテリー駆動デバイス、プロセッサ／メモリ／命令セットを持つデバイス、スマートデバイス／ガジェット／アイテム。時計、文房具、ペン、ユーザーインタフェース、紙、マット、カメラ、テレビ、セットトップボックス、マイク、スピーカ、冷蔵庫、オーブン、機械、電話、財布、家具、ドア、窓、天井、床、壁、テーブル、椅子、ベッド、ナイトスタンド、エアコン、ヒーター、パイプ、ダクト、ケーブル、カーペット、装飾品。ガジェット、ＵＳＢデバイス、プラグ、ドングル、ランプ／ライト、タイル、装飾品、ボトル、車両、自動車、無人搬送車、ロボット、ラップトップ、タブレット、コンピュータ、ハードディスク、ネットワークカード、楽器、ラケット、ボール、靴、ウェアラブル、衣類、眼鏡、帽子、ネックレス、食品、丸薬、生物の体内（例：血管内、リンパ液内、消化器官内）で動く小型デバイス、及び／又は他のデバイス。タイプ１デバイス及び／又はタイプ２デバイスは、インターネット、インターネットへのアクセスを有する別のデバイス（例えば、スマートフォン）、クラウドサーバ（例えば、ハブデバイス）、エッジサーバ、ローカルサーバ、及び／又はストレージと通信可能に接続されうる。タイプ１デバイス及び／又はタイプ２デバイスは、ローカル制御で動作してもよく、有線／無線接続を介して別のデバイスによって制御されてもよく、自動的に動作してもよく、又は遠隔（例えば、ホームから離れた）中央システムによって制御されてもよい。
一実施形態では、タイプＢデバイスは、Ｏｒｉｇｉｎ（タイプ２デバイス、Ｒｘデバイス）及びＢｏｔ（タイプ１デバイス、Ｔｘデバイス）の両方として実行しうるトランシーバとすることができ、即ち、タイプＢデバイスはタイプ１（Ｔｘ）及びタイプ２（Ｒｘ）デバイスの両方（例えば、同時に又は代替的に）、例えば、メッシュデバイス、メッシュルータ等としうる。一実施形態では、タイプＡデバイスがＢｏｔ（Ｔｘデバイス）としてのみ、即ち、タイプ１デバイスのみ、又はＴｘのみ、例えば、単純なＩｏＴデバイスとして機能しうるトランシーバでありうる。これはＯｒｉｇｉｎ（タイプ２デバイス、Ｒｘデバイス）の能力を有しうるが、実施形態では何らかの形でＢｏｔとしてのみ機能している。タイプＡ及びタイプＢデバイスは、全てツリー構造を形成する。ルートは、ネットワーク（例えば、インターネット）アクセスを有するタイプＢデバイスであってもよい。例えば、それは、有線接続（例えば、イーサネット、ケーブルモデム、ＡＤＳＬ／ＨＤＳＬモデム）接続又は無線接続（例えば、ＬＴＥ、３Ｇ／４Ｇ／５Ｇ、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ、マイクロ波リンク、衛星リンク等）を通じてブロードキャストサービスと接続されうる。一実施形態では、タイプＡデバイスは全てリーフノードである。各タイプＢデバイスは、ルートノード、非リーフノード、又はリーフノードでありうる。
タイプ１デバイス（送信機、又はＴｘ）及びタイプ２デバイス（受信機、又はＲｘ）は同じデバイス（例えば、ＲＦチップ／ＩＣ）上にあってもよく、又は単に同じデバイス上にあってもよい。デバイスは、２８ＧＨｚ、６０ＧＨｚ、７７ＧＨｚ等の高周波数帯域で動作しうる。ＲＦチップは専用Ｔｘアンテナ（例えば、３２個のアンテナ）と専用Ｒｘアンテナ（例えば、別の３２個のアンテナ）とを有しうる。
１つのＴｘアンテナは、無線信号を送ることができる（例えば、おそらく１００Ｈｚでのプローブ信号の系列）。代替的に、全てのＴｘアンテナは（Ｔｘにおいて）ビームフォーミングを用いて無線信号を送信するために使用されてよく、その結果、無線信号は（例えば、エネルギー効率のために、又はその方向における信号対雑音比をブーストするために、又はその方向を「スキャンする」ときの低電力動作、又は物体がその方向にあることが知られている場合の低電力動作のために）ある方向に集束される。
無線信号は、ベニュー（例えば、部屋）内の物体（例えば、Ｔｘ／Ｒｘアンテナから４フィート離れたベッド上に横たわっている生きている人間、呼吸及び心拍）に当たる。物体の動き（例えば、呼吸数に応じた肺の動き、又は心拍に応じた血管の動き）は、無線信号に影響を与える／変調しうる。全てのＲｘアンテナは、無線信号を受信するために使用されうる。
（Ｒｘ及び／又はＴｘにおける）ビーム形成は、異なる方向を「スキャン」するために（デジタル的に）適用されうる。多くの方向を同時にスキャン又はモニタリングしうる。ビームフォーミングでは、「セクタ」（例えば、方向、配向、ベアリング、ゾーン、領域、セグメント）は（例えば、アンテナアレイの中心位置に対する）タイプ２デバイスに関連して定義されうる。各プローブ信号（例えば、パルス、ＡＣＫ、制御パケット等）について、チャネル情報又はＣＩ（例えば、チャネルインパルス応答／ＣＩＲ、ＣＳＩ、ＣＦＲ）がセクタごとに（例えば、ＲＦチップから）取得／演算される。吹き付け検出では、スライディングウィンドウでＣＩＲを収集しうる（例えば３０秒、１００Ｈｚサウンディング／プロービングレートでは３０秒を超える３０００ ＣＩＲがある場合がある）。
ＣＩＲは、多くのタップ（例えば、Ｎ１コンポーネント／タップ）を有しうる。各タップはタイムラグ、又は飛行時間（ｔｏｆ、例えば、人間の４フィート離れて背中を打つ時間）と関連付けられうる。ある距離（例えば、４ｆｔ）である方向に人が呼吸しているとき、「ある方向」のＣＩＲを探索しうる。次いで、「ある距離」に対応するタップを探索しうる。次いで、そのＣＩＲのタップから呼吸数及び心拍数を演算しうる。
スライディングウィンドウ内の各タップ（例えば、「コンポーネント時系列」の３０時間ウィンドウ）を、時関数（例えば、「タップ関数」、「コンポーネント時系列」）と考えることができる。強い周期的挙動（例えば、おそらく１０ｂｐｍ～４０ｂｐｍの範囲の呼吸に対応する）を探索する際に、各タップ機能を調べることができる。
タイプ１デバイス及び／又はタイプ２デバイスは、外部接続／リンク及び／又は内部接続／リンクを有しうる。外部接続（例えば、接続１１１０）は、２Ｇ／２．５Ｇ／３Ｇ／３．５Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／ＮＢＩｏＴ、ＵＷＢ、ＷｉＭａｘ、Ｚｉｇｂｅｅ、８０２．１６等と関連付けられうる。内部接続（例えば、１１１４Ａ及び１１１４Ｂ、１１１８、１１１２０）は、ＷｉＦｉ、ＩＥＥＥ ８０２．１１規格、８０２．１１ａ／ｂ／ｇ／ｎ／ａｃ／ａｇ／ａｆ／ａｈ／ａｉ／ａｊ／ａｘ／ａｙ、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ １．０／１．１／１．２／２．０／２．１／３．０／４．０／４．０／４．１／４．２／５、ＢＬＥ、メッシュネットワーク、ＩＥＥＥ ８０２．１６／１／１ａ／１ｂ／２／２ａ／ｂ／ｂ／ｃ／ｄ／ｅ／ｆ／ｇ／ｈ／ｉ／ｊ／ｋ／ｌ／ｍ／ｎ／ｏ／ｐ規格等と関連付けられうる。。
タイプ１デバイス及び／又はタイプ２デバイスは、バッテリ（例えば、ＡＡバッテリ、ＡＡＡバッテリ、コインセル電池、ボタン電池、小型電池、電池バンク、電力バンク、車載電池、ハイブリッド電池、車載電池、コンテナ電池、非充電電池、二次電池、ＮｉＣｄ電池、ＮｉＭＨ電池、リチウムイオン電池、亜鉛炭素電池、塩化亜鉛電池、鉛酸電池、アルカリ電池、無線充電器付き電池、スマート電池、太陽電池、ボート電池、プレーン電池、その他の電池、一時エネルギー蓄積装置、キャパシタ、フライホイール）によって電力供給される
任意のデバイスは、ＤＣ又は直流（例えば、上述したように、１．２Ｖ、１．５Ｖ、３Ｖ、５Ｖ、６Ｖ、９Ｖ、１２Ｖ、２４Ｖ、４０Ｖ、４２Ｖ、４８Ｖ、１１０Ｖ、２２０Ｖ、３８０Ｖ等の様々な電圧を有する、バッテリ、発電機、電力変換器、ソーラーパネル、整流器、ＤＣ－ＤＣコンバータからの）によって給電されてもよく、したがって、ＤＣコネクタ又は少なくとも１つのＤＣ電力用ピンを有するコネクタを有しうる。
任意のデバイスは、ＡＣ又は交流（例えば、１００Ｖ、１１０Ｖ、１２０Ｖ、１００～１２７Ｖ、２００Ｖ、２２０Ｖ、２３０Ｖ、２４０Ｖ、２２０～２４０Ｖ、１００～２４０Ｖ、２５０Ｖ、３８０Ｖ、５０Ｈｚ、６０Ｈｚ等の様々な電圧を有する、家庭内の壁コンセント、変圧器、インバータ、リシャワー）によって給電されてもよく、したがって、ＡＣコネクタ又はＡＣ電力用の少なくとも１つのピンを有するコネクタを有しうる。タイプ１デバイス及び／又はタイプ２デバイスは、ベニュー内又はベニュー外に配置（例えば、設置、位置付け、移動）されてもよい。
例えば、車両（例えば、自動車、トラック、ローリー、バス、特殊車両、トラクタ、掘削機、掘削機、ショベル、テレポータ、ブルドーザ、クレーン、フォークリフト、電気トロリー、ＡＧＶ、緊急車両、貨物、貨車、貨車、トレーラ、コンテナ、ボート、フェリー、船舶、潜水艦、航空機、航空機、揚力、モノレール、列車、鉄道車両、鉄道車両等）において、タイプ１デバイス及び／又はタイプ２デバイスは車両に埋め込まれた埋め込みデバイス、又は車両のポート（例えば、ＯＢＤポート／ソケット、ＵＳＢポート／ソケット、アクセサリポート／ソケット、１２Ｖ補助電源コンセント、及び／又は１２Ｖシガレットライタポート／ソケット）に差し込まれたアドオンデバイス（例えば、アフターマーケットデバイス）であってもよい。
例えば、一方のデバイス（例えば、タイプ２デバイス）は１２Ｖシガレットライタ／アクセサリポート又はＯＢＤポート又はＵＳＢポート（例えば、自動車／トラック／車両の）に差し込まれてもよく、他方のデバイス（例えば、タイプ１デバイス）は、１２Ｖシガレットライタ／アクセサリポート又はＯＢＤポート又はＵＳＢポートに差し込まれてもよい。ＯＢＤポート及び／又はＵＳＢポートは、（自動車／トラック／車両の）電力、信号及び／又はネットワークを提供しうる。２つのデバイスは、車内の子供／赤ちゃんを含む乗客を共同でモニタリングしうる。それらは、乗客をカウントし、運転者を認識し、車両内の特定の座席／位置に乗客が存在することを検出するために使用されうる。
別の例では一方のデバイスが１２Ｖシガレットライタ／アクセサリポート又はＯＢＤポート又は自動車／トラック／車両のＵＳＢポートに差し込まれてもよく、他方のデバイスは１２Ｖシガレットライタ／アクセサリポート又はＯＢＤポート又は別である。
別の例では、多くのヘテロジニアス車両／ポータブルデバイス／スマートガジェット（例えば、自動誘導車両／ＡＧＶ、買い物／荷物／移動カート、駐車券、ゴルフカート、自転車、スマートフォン、タブレット、カメラ、記録デバイス、スマートウォッチ、ローラースケート、シューズ、ジャケット、ゴーグル、帽子、アイウェア、ウェアラブル、セグウェイ、スクータ、荷物タグ、清掃機、掃除機、ペットタグ／カラー／ウェアラブル／インプラント）に、多くのタイプＡ（例えば、タイプ１又はタイプ２）のデバイスが存在してよく、各デバイスは、車両の１２Ｖアクセサリーポート／ＯＢＤポート／ＵＳＢポートに接続、又は車両に内蔵される。ガソリンスタンド、街灯、街角、トンネル、立体駐車場、工場／スタジアム／駅／ショッピングモール／建設現場等の、大きいエリアをカバーするために点在する場所に、もう一つのタイプＢ（例えば、Ａがタイプ２ならＢはタイプ１、Ａがタイプ１ならＢはタイプ２）のデバイスが１つ以上設置されていてもよい。タイプＡのデバイスは、ＴＳＣＩに基づき、位置特定、トラッキング（追跡）、モニタリングが行われうる。
エリア／ベニューは、ローカル接続性、例えば、ブロードバンドサービス、ＷｉＦｉ等を有さないことがある。タイプ１及び／又はタイプ２デバイスは、ポータブルであってもよい。タイプ１及び／又はタイプ２デバイスは、プラグアンドプレイをサポートしてもよい。
ペアワイズ無線リンクは、ツリー構造を形成するデバイスの多くのペアの間で確立されうる。各ペア（及び関連するリンク）において、デバイス（第２のデバイス）は、非リーフ（タイプＢ）でありうる。他のデバイス（第１のデバイス）は、リーフ（タイプＡ又はタイプＢ）又は非リーフ（タイプＢ）でありうる。リンクにおいて、第１のデバイスは、無線マルチパスチャネルを介して第２のデバイスに無線信号（例えば、プローブ信号）を送信するためのｂｏｔ（ボット）（タイプ１デバイス又はＴｘデバイス）として機能する。第２のデバイスは、無線信号を受信し、ＴＳＣＩを取得し、ＴＳＣＩに基づいて「リンクワイズ分析値（linkwise analytics）」を演算するためのＯｒｉｇｉｎ（Ｏｒｉｇｉｎ）（タイプ２デバイス又はＲｘデバイス）として機能しうる。
本教示の１つの目的は、単一のアンテナのみを有し、２０ＭＨｚの２．４ＧＨｚチャネル上にあるものを含む、任意の低コストのＷｉ－Ｆｉ対応ＩｏＴデバイス上で非接触睡眠モニタリングを可能にすることである。最新の睡眠モニタリングアルゴリズムは睡眠を推測し、段階的にするために、動き及び呼吸数を推定する。しかしながら、睡眠推定は、４０ＭＨｚ以上の帯域幅を有する５ＧＨｚチャネルに対してのみ確実に機能し、２０ＭＨｚの２．４ＧＨｚチャネルに対してはほとんど機能しない。いくつかの実施形態では、本教示は、動き検出のみに頼り、睡眠モニタリングのための呼吸推定の必要性を回避する。動き検出は、極めて効率的かつ正確であり、任意のＩｏＴ上で実行可能であることが実証されている。重要な洞察は、ポスターの変化、肢の動き、頭の動き等、不随意の睡眠中運動（ＢＭＳ）を起こすことである。これらの運動は、日中の随意運動とは異なる挙動パターンを示す。時折、瞬間的、及び弱いが、これらのＢＭＳは、Ｗｉ－Ｆｉベースの動き検出によって、依然として正確に捕捉されうる。この観察に基づいて、本教示は、任意のＷｉ－Ｆｉ ＩｏＴデバイス上で動作しうる、睡眠中体動に基づく睡眠モニタリングシステム、ＡｎｙＳｌｅｅｐを開示する。
いくつかの実施形態では、ＡｎｙＳｌｅｅｐは、最初に、微小動き（微動）と呼ばれるブーストされた動きインジケータを導入し、これは無視できる演算オーバヘッドを生じさせながら、既存の動き統計値よりもより確実に微小ＢＭＳ動きを捕捉しうる。検出された動きの時系列に基づいて、ＡｎｙＳｌｅｅｐは、まず、ユーザの存在及び活動性を分析する。次いで、それは、夜間の典型的なＢＭＳの独特の挙動パターンを調査することによってＢＭＳを検出する。次いで、システムは、推定された存在及び活動性情報に基づいて睡眠尤度として更に洗練されるＢＭＳスコアを演算しうる。最後に、反復探索アルゴリズムは最も可能性の高い睡眠期間を認識し、発見的指標を使用して睡眠の質を評価するように設計される。
挙動静止、即ち随意運動挙動の欠如は、睡眠の本質的な特徴である。しかしながら、人々は睡眠中に（非常に多くの）動き、これは、わかりにくく、幾分直観に反する事実である。睡眠姿勢を変えるだけでなく、頭、手・腕、足等を動かす。これらは全て、睡眠中体動（ＢＭＳ）と呼ばれることがあるかなりの量の運動をもたらす。臨床研究によれば、健康な成人は通常、平均して、１０倍の大きな姿勢変化、及び１晩又は更に数百回の小さな体の動きを経験し、これは、夜間及び被験者間で確かに変動する。
いくつかの実施形態では、開示される動き検出が実際の製品として商業化されているＷｉＦｉ信号を使用する最も感度が高くロバストな動き検出器であるＷｉＤｅｔｅｃｔに基づくことができる。しかし、睡眠中の小さな不随意運動を捕捉するために、システムは、運動感度を最適化することによって微小動き検出のためのＷｉＤｅｔｅｃｔを強化した。
Ｗｉ－Ｆｉデバイスのペア間の無線チャンネルが与えられると、時間ｔにおいて測定された周波数ｆを有するサブキャリアのための理想的なＣＳＩ推定は
と表すことができ、ここで、l(ｔ)及びτ(ｔ)は、それぞれ、ｌ番目のマルチパス成分の複素振幅及び伝搬遅延を表す。実際のＷｉ－Ｆｉシステムにおけるタイミング及び周波数同期誤差のために、測定されたＣＳＩは有意な位相オフセットを含み、
となり、ここで、α(ｔ)及びβ(ｔ)は、それぞれ、時間ｔにおけるランダムな初期位相オフセット及び線形位相オフセットである。簡潔にするために、Ｈ(ｔ，ｆ)は、以下では
の実測値に依然として使用される。
位相情報は、ひどく歪んでおり、キャリブレーションすることは自明ではないので、主に、動き検出のために測定されたＣＳＩ振幅を利用しうる。それにもかかわらず、導出された動き統計値は、それが適切にクリーニングされる場合、位相情報を組み込むように直接拡張されうる。ＣＳＩ測定Ｈ(ｔ，ｆ)の電力応答を
と表記する。ＷｉＤｅｔｅｃｔは動き統計値（motion statistic）と呼ばれ、ＣＳＩの自己相関関数（ＡＣＦ）から演算しうる、周囲の動きの存在及び強度を示すために、［０，１］の範囲内の新規メトリックを定義する。具体的には、サブキャリアｆ上の動き統計値が（簡潔にするために時間ｔの概念を省略して）以下で定義される：
簡単に言えば、動きの存在下では
を有することができ、一方、環境中に動きがない場合は
を有しうる。したがって
は、動作の電力応答と測定雑音によってのみ決定され、環境、場所、方向、及び物体等とは無関係で動作の存在の良好な指標を実用的に証明可能に具現化する。上記の式では、チャネルサンプリングレートが実際には制限されているため、
の近似としてＡＣＦの最初のサンプル
を使用できる。いくつかの実施形態では、動き検出のための適切な閾値を理論的に決定しうるように、全てのサブキャリアにわたる平均が、全体の動き統計値
とみなされる。
デバイスの配置及び被験者からトランシーバまでの距離に応じて、平均化された動き統計値は、ＣＳＩ測定雑音のために、非常に小さな動き（例えば、睡眠中の小さな身体の動き）にセンシティブでないことがある。したがって、システムは、ＡｎｙＳｌｅｅｐシステムが睡眠中に身体の動きを確実にセンシングしうるように、動き信号を最大化しうる。いくつかの実施形態では、最大比合成（ＭＲＣ）が等ゲイン平均化の代わりに、個々のサブキャリア上で演算された動き統計値を最適に合成するために実行されうる。ＭＲＣは複数の受信信号を最適な方法で合成することによって、ＳＮＲを最大化する一般的なダイバーシティ融合方法であり、これは、無線通信、最近では無線センシングにおいて広く使用されている。特に、異なるサブキャリア上のＡＣＦは本質的に同期され、時間起点から独立しており、異なるサブキャリアの雑音分散は同じであり、したがって、ＭＲＣを適用するための条件を満たす。固定数のＦ個のサブキャリアが与えられると、動き信号は、以下のように動き統計値を組み合わせることによって最大化される：
、ここでｗ（ｆ）はチャネル利得に依存する、複数のサブキャリアを組み合わせるための最適な重みを表す。演算された動き統計値自体は各サブキャリアに対するチャネル利得としての役割を果たすことができ、したがって、合成のための最適重み、即ち
として使用されることができる。
次に、微小動き検出のためのブーストされた動き統計値を、最大化ＡＣＦ
の第１のサンプルとして再度推定しうる。実際には、全てのＦ個のサブキャリアを融合する代わりに、全ての
をソートし、ＭＲＣのための最大動き統計値のＫ個のサブキャリアを選択しうる。これは、
の組み合わせの値を更に増加させる。
ブーストされた信号の１つの問題は、動きがない場合の雑音レベルに関するものである。前述のように、動きが存在しない場合、平均化された動き統計値φは０に近似し、したがって、動き検出のために理論的閾値を効果的に得ることができる。しかしながら、最適化された微小動き統計値
は、運動信号をブーストするだけでなく、雑音（非関心の環境ダイナミクスを含む）をある程度拡大する。このため、
のレベルは空の環境では必ずしも０に近づくとは限らないが、機器の雑音や環境条件によっては０以上のレベルになる場合がある。幸いにも、雑音レベルを自動的かつ適応的に推定し、微小動き検出のための適切な閾値を決定する機構を考案しうる。
図１は、開示された微小動きが正規の動き統計値と比較して動き値をブーストし、信頼できる連続的なＢＭＳ検出のための基礎を支えることを示す、睡眠データの例を図示する。
睡眠期間をトラッキングするための１つの開示されたアプローチは、睡眠中の身体の動きを識別することである。睡眠中体動は、日中のアクティビティ動作と区別しうる明確なパターンを示すことができる。したがって、システムは、ＢＭＳパターンを用いて時間帯を検出することによって、睡眠期間を認識しうる。しかしながら、重要な課題はＢＭＳを正確に、ロバストに、かつ効率的に検出する方法である。
図２は、睡眠中体動の例を示す。見られるように、日常の動きと比較して、ＢＭＳは（１）一過性であるように見える：動きがＢＭＳに起因して生じるが、通常、非常に短時間しか持続せず、環境は、さもなければ、動きなしで静かである；（２）有意な：ＢＭＳに起因する動きはほとんど静かな睡眠時間において顕著であり、日中の大きな動きに匹敵する、かなり高い動き統計値を主に生じさせる；及び（３）まばらな：睡眠中体動を伴うモーメントは睡眠期間全体を通じてまばらである。その結果、ＢＭＳによる動きはスパイクで疎なパターンを示し、これはＢＭＳ検出のための独特の特性であることが分かった。
ＢＭＳ検出をスパイキーピーク検出問題として定式化しうる。ＢＭＳの上記特性を考慮して、ＢＭＳ動作ピーク検出のための以下の制約を考案しうる。第１に、最小ピーク高さは、最大動作が最小ピーク高さよりも大きいことが要求されることを意味する。第２に、最大ピーク幅は、ＢＭＳの１回に起因する形成された動作ピークが狭く、スパイキーであることを意味する。言い換えれば、ピークはｗ秒の短時間内に現れ、次いで消失することはずであり、ここで、ｗは、最大ピーク幅を示す。第３に、分離は、ＢＭＳが疎で非連続的であるので、時間ただ１つのピークが存在すべきであることを意味する。第４に、潜在的なピークを超える動作レベルは、理想的には雑音レベル付近で、低くあるべきである。これは、睡眠中の身体の動きを除いて、動きがないという事実を反映している。
図２は、それぞれ、空の状態、睡眠、及び毎日の活動的な動きのケースにおける考えられるピークを示す。見られるように、睡眠時間におけるＢＭＳは、空及び動きのケースと比較して、独特のパターンを示す。
演算を最小限に抑えるために、開示されたＢＭＳ検出のための反復アプローチを採用しうる。具体的には、一度に１つの条件を調べることができ、基準が満たされないと停止する。開示されたピーク検出アルゴリズムは完全ではないかもしれないが、ＢＭＳ検出には十分である。第１に、全ての可能なＢＭＳが検出されるわけではない。例えば、極端に小さいＢＭＳ（例えば、口の動き）が欠けている可能性がある。第２に、昼間の活動によって引き起こされるいくつかの動きも検出されうる。しかしながら、目的は、睡眠の全ての単一の体動を検出することではなく、睡眠期間を検出することである。開示されたＢＭＳ検出は、いくつかの欠落及び誤検出があっても、この目標を裏付ける。
いくつかの実施形態では、システムが両方とも（微小）動き統計値に基づいて、存在検出及びアクティビティ検出を実行することもできる。その目的は、人間の存在しない、又は睡眠を考慮するためのアクティビティを伴う期間を排除することである。明らかに、睡眠は、被験者が自発的なアクティビティなしに静かなままであるときにのみ起こりうる。
存在検出は、ユーザが空間内に存在するか否かを検出することである。これは、人間の被験者が長時間完全に静止することができないので、捕捉された動きレベルを検査することによって行うことができる。自発的な動きがあるときはいつでも、それらは、動き統計値によって反映される。ユーザが眠っているときには、潜在的な無意識のＢＭＳが同様に微小動きをトリガしうる。これは移動するターゲットがない環境が空である場合とは異なり、その場合、動き及び微小動き推定の両方はゼロ付近になる。
存在検出のための単純であるが効果的なルールを用いることができる。第１に、システムは、動きと微小動きとを融合することによって動き検出を実行しうる。具体的には、任意の時間ｔに対して
を有することができ、η及びζはそれぞれ、動き及び微小動き検出のための閾値である。そして、存在インジケータは、動き検出の単純な拡張である。スライディング・ウィンドウ・Ｗpを時間適用することができ、その中で何らかの動きが検出された場合には、ウィンドウ全体について存在が主張される。これは、人間が突然出現／消失することができず、したがってＷpが数分、例えば１０分と決定されるという経験的観測に基づく。
アクティビティは、ユーザがアクティブであるときに定義され、比較的集中的な動きをもたらす。したがって、アクティビティ検出は、特定の時間ウィンドウＷA内の検出動作の比率に基づく。具体的には、動作比
が閾値比より大きい限り、アクティビティは、ウィンドウに対してマークされる。|ＷA｜は、通常、数分（例えば、５分）として選択しうるウィンドウ長を示す。
図４は、２４時間の全日にわたる推定された存在及びアクティビティの例である。
いくつかの実施形態では、睡眠の最小単位をＷUとして定義して、通常、最も短い仮眠をとることを示すことができる。ＷUの値は例えば、有意な睡眠が少なくともそのような長い間持続すると仮定して、１５分のように、経験的かつ全く任意に決定しうる。次いで、システムは時間をそのようなユニットの多くに分解し、これらのユニットの各々の睡眠尤度を調べることができる。ＢＭＳのような動きが多いほど、また、高い動きと連続した動きが少ないほど、睡眠が発生する可能性が高くなる。それに対応して、睡眠尤度推定はまた、動き統計値及びＢＭＳ検出に基づく。
単位時間
が時間Ｔで終了することを考慮すると、システムは最初に、単位についてのＢＭＳスコアを
として演算することができ、ここで、｜ＷU｜
及び
は、ウィンドウ
のＮU秒内に検出されたＢＭＳの長さを表す。図３は、算出されたＢＭＳスコアの実例を示す。見られるように、日中に非ゼロＢＭＳスコアが存在時間が実際の睡眠期間に対応するＢＭＳスコアは、より高密度のＢＭＳのおかげで、他の期間よりも著しく高い。
次に、睡眠尤度
を演算することができ、ここで、ＭI(ｔ)は、あるウィンドウにわたる動き統計値φ(ｔ)の平均値で時間ｔにおける動きの強さである。全時間ウィンドウ
は、各時点ｔについて同じＢＭＳスコアＢU(ｔ)を特徴とする。重要なことに、ＢＭＳスコアは活動の有無にかかわらず、何時でもゼロに設定されるが、それは再び、睡眠、したがって、ユーザが自発的に活動しているか、又は不在である場合、ＢＭＳは起こりそうにないからである。
図５は、推定された睡眠尤度の例示を示す。更に、より良い推定のために２つのファクタを組み込むことができる。まず、最小尤度値を適応閾値として用いることにより、睡眠尤度を２値として量子化しうる：
、ここで
は指標関数である。
は量子化のための睡眠尤度閾値を示し、
は時間Ｔで終了し、潜在的に実際の睡眠期間全体をカバーする、より大きな観測ウィンドウである。第２に、動き検出結果に基づいて動きペナルティを定義しうる。動きペナルティは動きが検出された瞬間（即ち、φ(ｔ)＞η）にのみ前者が適用されるので、動き強度とは異なり、後者は、全ての単一の時点ｔについて常に存在する平均動き統計値φ(ｔ)である。上記の２つの追加的なファクタを用いると、各時点ｔについての最終的な睡眠尤度は
となり、ここで、ｐは運動の存在下での一定の運動ペナルティであり、
は、運動の存在の指標関数である。図５は、最終的な睡眠尤度推定の例示を示す。簡潔にするために、Ｌ(ｔ)は、今後もＬ'(ｔ)に対して使用される。
観察窓
が与えられると、睡眠尤度値
の時系列を有しうる。ウィンドウ
は潜在的な睡眠期間があればそれをカバーしうるように、より大きいもの、例えば、１日の動きデータである。残りのタスクは、推定された睡眠尤度に基づいて睡眠期間全体を認識することである。これは
内で、積分睡眠の可能性を最大にする周期Ｐ*を見つけることで実現できる。最初に、最大積分睡眠尤度値を特徴とする１時間セグメントの各々がｋ個の初期期間を識別しうる。次いで、睡眠認識アルゴリズムは識別されたセグメントの各々から開始し、ステップサイズｓで、前及び後の時間に反復的に拡張する。システムが最初に探索のために上位ｋ個のセグメントを選択する理由はまれに最大のセグメントが誤った高い値であり、実際の睡眠期間から外れる可能性があるからである。期間Ｐiの総睡眠尤度は、時間睡眠尤度の合計、即ち
として演算される。
大多数の人々の睡眠時間は、一般的な範囲、例えば、１日当たり約７～８時間である。したがって、非現実的な長い又は短い睡眠期間を回避するために、システムは、通常の睡眠の典型的な分布を考慮することによって、オリジナルの総睡眠尤度Ｑを調整しうる。具体的には、システムが医学文献において報告された通常の睡眠時間に基づいてガウス分布を構築しうる。そして、検討中の期間Ｐiが正規分布の３σ帯外である場合には、算出された総スコアＱ（Ｐ*）に対して、対応する確率の減弱係数が適用される。
最後に、最も可能性の高い周期Ｐ*は、総スコアＱ（Ｐ*）を最大化するものとして見出される。Ｐ*は、総スコアＱ（Ｐ*）がある閾値よりも大きい場合、検出された睡眠時間として主張される。ＡｎｙＳｌｅｅｐのいくつかの実施形態では、所与のウィンドウ
に対して最大１つの睡眠期間が検出される。ユーザが睡眠中に目覚め、次いで再び睡眠する場合、２つの睡眠期間は、１つの睡眠として自動的に組み合わされ、起床時間は、次に詳述するように、対応する睡眠サマリに反映される。睡眠認識の実例は、図５に示される。
認識された睡眠期間について、いくつかの睡眠関連特性が評価され、報告される。これらは、開始時間（即ち、ベッド／睡眠までの時間）、終了時間（即ち、起床時間）、睡眠持続時間、睡眠中の起床時間、睡眠中の起床時間等を含む。ほとんどの特性は、検出された睡眠期間に基づいて演算するのに簡単である。覚醒時間は、睡眠中の活動を観察する持続時間として推定され、起床回数は、検出された非連続活動期間の数である。睡眠の質を示すために睡眠スコアを演算することもできる。睡眠スコアを演算することは、複雑なタスクであり、これは１つだけが動き情報を有する場合には更に困難である。ＢＭＳに関する豊富な研究にもかかわらず、ＢＭＳから睡眠スコアを演算するための確立された公式が欠けている。ＡｎｙＳｌｅｅｐでは、より長い１つの睡眠及びより静かな（即ち、より少ない動き）１つの経験があるという直感に基づいて、本教示は以下のような経験式を開示する：
ここで、Ｄは時間単位の睡眠時間であり、
は動作インジケート覚醒度であり、
は動作活性度である。動き統計値は、大部分が環境に依存しないので、低運動閾値ηlow＝０．３５、高運動閾値ηhigh＝０．５を経験的に設定しうる。αは、演算された睡眠スコアが特に健康な被験者の正常な睡眠について、大抵は妥当な範囲にあるように、経験的に決定される一定の重み係数である。
上記は特定の時間ウィンドウが与えられたときに、動き観察を用いて、可能な睡眠期間を検出する方法を示す。実際には、動きデータはリアルタイムで入力され、したがって、アルゴリズムは睡眠トラッキング結果を更新するために、しばらくごとに（例えば、ユーザの好みに応じて１０分ごとに）実行する必要がある。そのためには、観測ウインドウのＷOを時間的にスライドさせ、現時点で終わる最新のデータをインプットとして取り込むことができる。任意のウィンドウＷOが与えられると、開示された睡眠トラッキングアルゴリズムは、潜在的な睡眠周期を検出して出力するか、又はその中で睡眠なしをアナウンスする。スライディングステップがウィンドウサイズよりもはるかに小さいので、スライディングウィンドウは重なり合い、潜在的に競合する検出結果をもたらす。言い換えれば、同じ睡眠期間をカバーする複数の時間ウィンドウは完全に又は部分的に、異なる睡眠情報を出力しうる。
リアルタイムシステムでの睡眠トラッキングを扱い、上記の問題に対処するために、時間Ｔで終了するウィンドウ
を考慮し、睡眠期間
が検出されると仮定する。前述のように、
は検出された就寝までの時間（即ち、開始時間）、起床までの時間（即ち、終了時間）、他の睡眠サマリー情報、特に、検出された睡眠期間の睡眠尤度スコアを含むべきである。開示されたＡｎｙＳｌｅｅｐシステムは
として示される、検出された睡眠期間のリストを維持することができ、ここで、
は、観測ウィンドウ
が与えられた検出された睡眠期間である。いくつかの実施形態では、次いで、ＡｎｙＳｌｅｅｐは、オンライン更新を実行して、所与の時間期間の間、１つのみの最も可能性の高い睡眠期間を確認する。
具体的には新たな睡眠期間
が検出されるたびに、例えば、現時点の時間ＴCで終了する直近の時間ウインドウについて、睡眠期間は
と重複する、以前に検出された全ての期間と比較される。
は、その睡眠尤度スコアがその重複する全ての睡眠期間の中で最大である場合にのみ、履歴リスト
に追加される。このような場合、
の重複する睡眠期間は全て古くなり、
から外れることになる。それ以外の場合、
は破棄され、
は変更されない。このようにすることで、
で維持される期間はこれまで最も可能性の高い検出となり、リアルタイムのユーザクエリにユーザに反映されることになる。最後に、
の睡眠セグメントは対応する終了時間が現在の観測ウィンドウの開始時間よりも早くなると、最終的に確認され、更新されなくなる。
は当該時間の間、それ以上の睡眠期間を検出することができないためである。
いくつかの実施形態では、ＡｎｙＳｌｅｅｐシステムは、非常にいくつかのパラメータ及び閾値を含むが、システムはいくつかの主要なパラメータを自動的に適応的に決定しうる。
第１に、空のレベルの微動の場合、十分に長い観測時間（例えば、一日中）にわたって、ユーザが存在しないか、又は依然として／準静止している時間が少なくともあると安全に仮定しうる。そのような期間は空の場合として扱うことができ、対応する動き測定値は、微小動きのための基準空レベルを推定するために利用しうる。そうするために、システムは最低の動きを経験し、動き統計値のいずれも閾値を超えない（即ち、動きが発生しない）１日を通じて特定の期間を見つけることになる。次いで、システムは、この期間内の平均運動を空の微小動きレベルとして推定することができ、空の微小動きレベルは、次いで、オリジナルの微小動き推定値から減算される。
第２に、モーション／微動閾値について、システムはユーザが存在しない場合に、モーションレベルを参照して適応モーション／微動閾値を決定しうる。したがって、システムは、一日を通じて最も可能性の高い「空の」期間を依然として見つけることができる。平均運動レベルを使用する代わりに、システムは、ここで、空のウィンドウの最大動き統計値／微小動きを、動き／微小動きのための適応閾値として検出する。
第３に、履歴を活用するために、空の環境内の動き／微動レベルは異なる環境内及び異なるデバイス上でわずかに変化しうるが、特定のシステムが特定のサイトに展開されると、値は一貫しているべきである。したがって、実際の展開では推定された空のレベル、閾値、及び他のパラメータは、時間とともにあまりにも大きく変化すべきではない。この観測結果から、過去の推定値を考慮することにより、より保守的な方法でパラメータを更新しうる。具体的には、どのパラメータγについても、
のように最新の値を更新しうる。ここで、γiは現時点の観測値に基づく推定値、γi-1は以前に決定された値、βγはローパス平均係数である。そうすることによって、システムはまた、自動パラメータ選択によって生成される外れ値を回避しうる（例えば、ユーザがある日を通じて非常にアクティブである場合、間違った動き閾値が推定されうる）。
図６は、本教示の一実施形態による、物体の動き又は睡眠の動きがベニューで検出される例示的なシナリオを示す。図６は、ＷｉＤｅｔｅｃｔ、ＡｎｙＳｌｅｅｐ、又は本明細書で説明される任意の動き検出システムに使用されうるセットアップを示す。例えば、図６に示すように、２ベッドルームのアパートメント６００において、オリジン６０１は、リビングエリア６０２に配置され、ボット１ ６１０は、ベッドルーム１エリア６１２に配置され、ボット２ ６２０は、ダイニングルームエリア６２２に配置される。ボット１ ６１０及びボット２ ６２０の各々は、無線信号に基づいて無線マルチパスチャネルのチャネル情報を取得しうる無線信号を、オリジン６０１に送信しうる。オリジン６０１はそれ自体で、又は動き検出器のような第３のデバイスを通じて、チャネル情報に基づいて動き情報を演算し、動き情報に基づいて物体／ユーザの動き／アクティビティを検出しうる。即ち、オリジン６０１は、それ自体で、又は動き検出器のような第３のデバイスを通じて、ボット１ ６１０及び／又はボット２ ６２０によって送信された無線信号に基づいて、物体／ユーザの動き／アクティビティを検出しうる。
いくつかの実施形態では、物体の動きが、ボット１ ６１０及びボット２ ６２０の両方によって送信された無線信号に基づいて検出される場合、活動／動き又は物体（例えば、人／ユーザ）はリビングルームエリア６０２内にありうる。物体の動き、例えば、睡眠の動きが、ボット１ ６１０によって送信された無線信号のみに基づいて検出される場合、活動／動き又は物体（例えば、人／ユーザ）は寝室１エリア６１２内にありうる。物体の動き／アクティビティがボット２ ６２０によって送信された無線信号のみに基づいて検出される場合、アクティビティ／動き又は物体（例えば、人／ユーザ）は、食堂エリア６２２内にありうる。ボット１ ６１０又はボット２ ６２０のいずれかによって送信された無線信号に基づいて、物体の動き／アクティビティを検出することができない場合、誰も、アパートメント６００内に物体がないと決定されうる。
図７は、本開示のいくつかの実施形態による、無線ベースの睡眠トラッキングのための例示的な方法７００を示す。図７に示すように、方法７００は、自動閾値選択モジュール７１０と、体動検出モジュール７２０と、睡眠尤度推定モジュール７３０と、睡眠期間認識モジュール７４０と、睡眠スコア演算モジュール７５０と、睡眠ステージングモジュール７６０とを含む睡眠トラッキングモジュール７０１によって実行される。
自動閾値選択モジュール７１０は、例えば、図６に示されるように、無線動き検出に基づいて、動き統計、微小動きデータ、及びオプションで呼吸数の入力を取得できる。いくつかの実施形態では、睡眠トラッキングモジュール７０１は、任意の時間長を有する入力をとることができるが、入力が睡眠期間全体をカバーする場合、最良の結果を生成する。いくつかの実施形態では、開示された方法は、ユーザからのいかなる入力（例えば、定期就寝時刻、人数）も必要としない。体動検出モジュール７２０及び睡眠尤度推定モジュール７３０の後、睡眠期間認識モジュール７４０において睡眠期間を認識しうる。いくつかの実施形態では、睡眠期間認識モジュール７４０は、ベッドに行く時間、起床時間、及びモニタリング及びトラッキングされた睡眠中動作の睡眠持続時間を含む出力を生成しうる。睡眠スコア演算モジュール７５０は、例えば睡眠の質を示すために、睡眠スコアを演算し、出力として生成しうる。いくつかの実施形態では、睡眠ステージングモジュール７６０は、覚醒時間及びライト／ディープ睡眠ステージを含む出力を生成することによって睡眠ステージングを決定しうる。
いくつかの実施形態では、２人の睡眠が無差別に治療することができ、方法７００は、１つの共有された就寝までの時間及び起床までの時間のみを出力しうる。いくつかの実施形態では、方法７００が動き検出のために５ＧＨｚ及び２．４ＧＨｚ無線信号の両方をサポートすることができ、一方、５ＧＨｚ無線信号はより良好な性能を有する。
図８は、本開示のいくつかの実施形態による、睡眠モニタリング及びトラッキングのための例示的な統合された方法８００を示す。図７の方法７００と比較して、方法８００は、特定の期間における呼吸数推定（ｂｒａｔｉｏ）が動き統計値、モクロモーションデータ、及びオプションで呼吸数の入力に基づいて演算され、次いで閾値ｂｒａｔｉｏ＿ｔｈと比較される、決定ステップ８０２を含む。bratio＞bratio_th である場合、即ち、呼吸数が良好である場合、方法８００は、睡眠モニタリングプロセス８０４に進む。そうではない場合、方法８００は、図７の方法７００に関して上述したように実行されうる睡眠トラッキングプロセスに進む。
図９は、本開示のいくつかの実施形態による、無線ベースの睡眠トラッキングのための例示的な方法９００のフローチャートを示す。様々な実施形態では、方法９００が上記及び本明細書に開示されるシステムによって実行されうる。動作９０２において、第１の無線信号が、ベニュー内の無線マルチパスチャネルを介して送信される。動作９０４において、第２の無線信号が無線マルチパスチャネルを介して受信され、第２の無線信号は、ベニュー内の物体の睡眠中動作による影響を受ける無線マルチパスチャネルに起因して、第１の無線信号とは異なる。動作９０６において、第２の無線信号に基づいて、無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）が取得され、ＴＳＣＩの各チャネル情報（ＣＩ）はＮ１個のコンポーネントを備え、Ｎ１は１よりも大きい正の整数である。動作９０８において、ＴＳＣＩのＮ１個の成分のうちの１つにそれぞれ関連付けられたＮ１個の成分ごとの分析が演算される。動作９１０において、Ｎ１個のコンポーネントワイズ分析値の中から、大きさ上位Ｎ２個のコンポーネントワイズ分析値が識別され、ここで、Ｎ２は、Ｎ１未満の正の整数である。動作９１２において、少なくとも１つの第１の動き統計値が、ＴＳＣＩの大きさ上位Ｎ２個の成分ごとの分析に基づいて演算される。動作９１４において、少なくとも１つの第１の動き統計値に基づいて、物体の睡眠中動作がモニタリングされる。図９の動作の順序は、本教示の様々な実施形態に従って変更しうる。
いくつかの実施形態では、本教示が２つの動き統計値を使用するが、呼吸統計を使用しない睡眠トラッキングのためのシステム及び方法を開示する。例示的な方法は、以下のステップを含む。第１に、システムは、ＴＸ－ＲＸの各ペアについて、動き統計（ＭＳ）を演算しうる。次いで、システムは、各ＴＸ－ＲＸリンクについて、微小動き統計値（ＭＭ）を演算しうる。システムはＭＳ及びＭＭのための閾値の自動（例えば、動的、適応的、又は周期的）選択を実行しうる。いつでも、システムはＭＭからＬ１を減算することによってＭＭ残差を演算することができ、ここで、Ｌ１又は「ＭＭ空－ｍｒｃ－動きレベル」は物体（例えば、人又はユーザ）が存在せず、ベニューがＭＭに関して「静か」であるときのＭＭのＤＣレベルの推定値でありうる。これは、物体の存在の予備スクリーンにおいて使用されてもよい。これはｍｉｎ｛ｍｅａｎ（ＭＭ［ｗ］）：期間内の全てのウィンドウｗ｝であってもよく、ここで、ウィンドウサイズは３０分、６０分、又は９０分であってもよく、ここで、「ｍｅａｎ」は重み付け平均であってもよい。いくつかの実施形態では、Ｌ１が定期的に（例えば、１日に１回）更新されうる。それは、現在の値と過去の（又は将来の）いくつかの値との重み付き平均でありうる（例えば、おそらく雑音を抑制するために、連続性のためにローパスフィルタリングされうる）。
いくつかの実施形態では、例えば、システムはＭＳ＞Ｔ１又はＭＭ＞Ｔ２のいずれかである場合、動きを検出しうる。Ｔ１又は「ＭＳ閾値」又は「Ｔ＿ＭＳ」は、物体が存在しないときのＭＳレベルの推定値でありうる。これは、ｍａｘ{ＭＳ［ａｒｇ ｍｉｎ（ｍｅａｎ（ＭＳ［ｗ］））］}でありうる。期間（例えば、２４時間）におけるＭＳの各スライディングウィンドウの平均（例えば、５、１０、１５、２０、２５、又は３０分等）を演算し、人／ユーザが存在しない「静かである」ウィンドウであるべき最小の平均を有するスライディングウィンドウを識別し、ウィンドウ内のＭＳの最大値を演算しうる。Ｔ＿ＭＳは、数量を減算又は加算することによって調整されうる。Ｔ２又は「ＭＭ閾値」又は「Ｔ＿ＭＭ」は、物体が存在しないときのＭＭレベルの推定値でありうる。ｍａｘ{ＭＭ［ａｒｇ ｍｉｎ（ｍｅａｎ（ＭＭ［ｗ］））］}であってもよい。
任意のスライディング時間ウィンドウについて、システムは、動きがスライディングウィンドウ内の任意の時間スタンスで検出される場合、スライディングウィンドウ内の物体の存在を演算しうる。任意のスライディング時間ウィンドウについて、システムは動きが検出されたスライディングウィンドウ内の時間インスタンスの量が閾値（例えば、スライディングウィンドウ内の全ての時間インスタンスの３０％）を超える場合、スライディングウィンドウ内の活動を検出しうる。システムは、（ｉ）ピークＭＭ＞Ｔ３、（ｉｉ）「ｒｉｇｈｔ＿ｂａｓｅ」－「ｌｅｆｔ＿ｂａｓｅ」＜Ｔ４となるようにＭＭのピークを識別しうる。（即ち、全てのピークを識別し、次いで、（ｉ）及び（ｉｉ）の両方を満たさないピークを排除する）目的は睡眠中に自然に生じる動き、又は「睡眠中体動」（即ち、体の回転／回転又は手／頭／体の動き等の体の動き）に対応するピークを見つけることである。
Ｔ３又は「ｍｉｎ＿ｐｅａｋ＿ｈｅｉｇｈｔ」は、睡眠動作を認定するための閾値である。基本的に、正当な睡眠動作は、小さすぎることはない。それは、ｍｉｎ［ｍｅａｎ（ｓｏｒｔｅｄ＿ＭＭ＿ｒｅｓ［１：ｋ］），０．５］であってもよく、ｋは５０であってもよい。ある期間（例えば、２４時間）内に、閾値は最大のｋ個（例えば、５０個）のＭＭの平均でありうる。「ｒｉｇｈｔ＿ｍｉｎ」又は「ｒｉｇｈｔ＿ｂａｓｅ」は、Ｔ３の下の隣接ＭＭの右側の第１の最小点の時間である。「ｌｅｆｔ＿ｍｉｎ」又は「ｌｅｆｔ＿ｂａｓｅ」は、Ｔ３の下の隣接ＭＭの左側の最初の最小点の時間である。Ｔ４又は「ｍｉｎ＿ｂａｓｅ＿ｇａｐ」は、睡眠動作を認定するための別の閾値である。基本的に、正当な睡眠動作は、持続時間が長すぎることができない（例えば、２秒以内に終了する）。ｒｉｇｈｔ＿ｍｉｎ－ｌｅｆｔ＿ｍｉｎは、ＭＭピークに関連する動きの「持続時間」の測度である。
オプションで、システムは、ピークを除去することができ、ピーク突出測定値（最低輪郭に対するピークの高さの測定値）は、閾値よりも大きい。オプションで、システムは互いに近い（例えば、１０分以内の）隣接ピークを排除又はマージしうる。いくつかの実施形態では、システムが（上記で定義された）物体の存在がピークの周りの（小さい）窓において検出されない場合、ピークを除去しうる。いくつかの実施形態では、システムが（上記で定義された）活動が（ｔ－デルタ）から（ｔ＋デルタ）まで、ピークの周りの（より大きい）ウィンドウ内の「ｌｅｆｔ＿ｂａｓｅ」及び「ｒｉｇｈｔ＿ｂａｓｅ」を超えて検出された場合、ピーク、例えば、時間ｔにおけるピークの周りのウィンドウを除去しうる。いくつかの実施形態では、システムがそれが長期間（例えば、９０分、２時間、３時間）内の唯一のピーク（例えば、特異なピーク）である場合、ピークを排除しうる。
残りのピークの各時間インスタンスについて、システムは、残りのピークが時間に発生する場合は１として、残りのピークが時間に発生しない場合は０として、睡眠中体動インジケータ（ＢＭＳ）を演算しうる。各スライディングウィンドウ（例えば、３０分の長さ）について、システムはスライディングウィンドウ内の残りのピークをカウントし、残りのピークであるスライディングウィンドウ内の時間インスタンスのパーセンテージとしてＢＭＳスコア（「ＢＭＳ＿ｓｃｏｒｅ」）を演算しうる。それは、ｓｕｍ（ＢＭＳ［ｗ］）／ｗであってもよい。各時間インスタンスについて、システムは、ＢＭＳ及び運動強度測定値に基づいて睡眠尤度スコア（ＳＬ）を演算しうる。これは、（１－ｍｏｔｉｏｎ＿ｉｎｔｅｎｓｉｔｙ）＊ＢＭＳ＿ｓｃｏｒｅであってもよい。ＢＭＳが多ければ、可能性は高くなるはずである。
各時間インスタンスについて、システムはＳＬ＞Ｔ５であれば１として睡眠インジケータ（ＳＩ）を演算することができ、さもなければ０として、Ｔ５はｍｉｎ（ＳＬ（ＳＬ＞０））、即ち、非ゼロＳＬの中で最小でありうる。各時間インスタンスについて、システムは、ＳＬ及びＳＩに基づいてテストスコアを演算しうる。それは、ＳＬ＋ＳＩ－ｍｏｔｉｏｎ＿ｐｅｎａｌｔｙでありうる。１日以内に、システムは、睡眠期間の初期推定値としてテストスコアの最も高い和を有する１時間の期間を見つけることができる。
システムはＤｅｌｔａ＿Ｔの増分ステップを用いて、睡眠期間を左及び右に再帰的に（例えば、右に拡張し、次いで左に拡張し、次いで右に拡張する等）拡張しうる。睡眠期間の合計持続時間が正常範囲（例えば、８／９時間；値はユーザの認識に基づいて適応的に調整されてもよく、例えば、小児については８／９／１０時間、成人については７／８／９時間、又は高齢者については５／６時間である；値は週の日に基づいて調整されてもよく、例えば、週末又は休日については長く、週の日については短くてもよい）、テストスコアは例えば、デルタ＿ｔは、５、１０、１５、又はその他（分）であってもよい。再発はテストスコアの合計が減少し始めるとき（即ち、テストスコアが陰性であるとき）に停止しうる。
いくつかの実施形態では、システムが睡眠開始時間（睡眠持続時間の開始時間）、睡眠終了時間（睡眠持続時間の終了時間）、睡眠持続時間（睡眠持続時間の長さ）、睡眠中の中断（睡眠持続時間中に中断が発生する回数）、睡眠中の中断持続時間（又は活動が検出される睡眠持続時間中の時間量である「ａｗａｋｅ＿ｔｉｍｅ＿ｉｎｈｏｒ＿ｓｌｅｅｐ」）、覚醒時間、及び／又は活動時間等の睡眠分析を演算しうる。
以下の番号付けされた項は、無線ベースの睡眠トラッキングの実装例を提供する。
項１．無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、システムのタイプ１ヘテロジニアス無線デバイスからベニューにおける無線マルチパスチャネルを通じて無線信号を送信することであって、無線マルチパスチャネルはベニュー内の物体の睡眠中動作による影響を受ける、ことと、システムのタイプ２ヘテロジニアス無線デバイスによって無線マルチパスチャネルを通じて無線信号を受信することであって、受信される無線信号は、無線マルチパスチャネル及び物体の睡眠中動作に起因して、送信された無線信号とは異なる、ことと、プロセス、メモリ、及び命令のセットを使用して、受信された無線信号に基づいて、無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ：time series of channel information）を取得することであって、ＴＳＣＩの各チャネル情報（ＣＩ：channel information）はＮ１個の成分を含む、ことと、ＴＳＣＩのＮ１個の成分のうちの１つにそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することと、ＴＳＣＩの大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、第１の動き統計値を演算することと、第１の動き統計値に基づいて、物体の睡眠中動作をモニタリングすることと、を含む。
いくつかの実施形態では、ＣＩは、ＣＳＩ、ＣＦＲ、ＣＩＲでありうる。Ｎ１個の成分は、ＣＦＲのサブキャリア値、又はＣＩＲのタップ値でありうる。コンポーネントワイズ分析値は、対応する成分の項ごとの乗算であってもよく、例えば、Ｘ(ｔ１)及びＸ(ｔ２)を、時間ｔ１及びｔ２における２つのＣＩとし、各ＣＩはＮ１タプルである。ｉ番目のコンポーネントワイズ分析値は、Ｘ１(ｉ)＊Ｘ２(ｉ)であってよく、ここで、ｘ(ｉ)及びｙ(ｉ)は、Ｘ(ｔ１)及びＸ(ｔ２)のｉ番目の成分である。それは、成分ごとの自己相関関数の推定値であってもよい。分析値は、Ｘ１(ｉ)＊Ｘ２(ｉ)の大きさ、又は大きさ特徴（例えば、大きさの関数）であってもよい。それは、同じ時間差（即ち、ｔ２－ｔ１）を有する（ｔ１，ｔ２）、例えば（１，２）、（２，３）、（３，４）の複数のペアの重み付け平均であってもよい。いくつかの実施形態では、第１の動き分析値は、「微小動き（微動）」（ＭＭ：micro motion）であってもよい。それは、大きさ上位Ｎ２個の成分ごとの分析値の特徴の平均又は重み付け平均であってもよい。当該特徴は、絶対値、大きさ、大きさの二乗等であってもよい。物体は、人であってもよい。「睡眠中動作」は、人が眠っている際の動作を含んでよく、人が眠っていない際の動作も含んでよく、又はベニュー内に人が不在である場合さえも含んでよい。人が不在である場合、動きは存在しなくてもよく、即ち、睡眠中動作はＮＩＬ又はゼロであってもよい。
項２．項１の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、（ａ）閾値に基づいてＮ１個のコンポーネントワイズ分析値を閾値処理すること、又は（ｂ）Ｎ１個のコンポーネントワイズ分析値をソートして大きさ上位Ｎ２個のコンポーネントワイズ分析値を見つけること、のうちの１つによって、大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することを更に含む。
項３．項１の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、それぞれタイムスタンプと関連付けられた時系列の第１の動き統計値を演算することと、潜在的な睡眠中体動（ＢＭＳ：body-motion-during sleep）のセットを演算することであって、各潜在的ＢＭＳ（ＰＢＭＳ：potential BMS）は、時系列の第１の動き統計値の局大点又は局所ピークである、ことと、ＰＢＭＳのセットに基づいて、物体の睡眠中動作をモニタリングすることと、を更に含む。
項４．項３の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳ及び時系列の第１の動き統計値に対してＢＭＳテストを実行することと、ＰＢＭＳがＢＭＳテストに失敗した場合に、当該ＰＢＭＳを、ＰＢＭＳのセットから除去することと、を更に含む。
項５．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、大きさ特徴に基づいてＢＭＳテストを実行することを更に含み、ＰＢＭＳは、ＰＢＭＳと関連付けられた第１の動き統計値の局所ピークが閾値未満の大きさ特徴を有する場合にＢＭＳテストに失敗する。
項６．項５の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ある期間における大きさ上位のある個数の第１の動き統計値の大きさ特徴の重み付け平均と、所定の量とのうちの少なくとも１つに基づいて、上記閾値を適応的に演算することを更に含む。
項７．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳと関連付けられた幅測度に基づいてＢＭＳテストを実行することを更に含み、幅測度が閾値より大きい場合に、ＰＢＭＳはＢＭＳテストに失敗する。
項８．項７の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、時系列の第１の動き統計値においてＰＢＭＳの左に最も近い最小点である左最小点を演算することと、時系列の第１の動き統計値においてＰＢＭＳの右に最も近い最小点である右最小点を演算することと、左最小点と右最小点との間の時間差として幅測度を演算することと、を更に含む。
項９．項７の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、第１の動き統計値が第１の目標値を下回る大きさ特徴を有する場合に、時系列の第１の動き統計値におけるＰＢＭＳの左に最も近い点である左降下点を演算することと、第１の動き統計値が第２の目標値を下回る大きさ特徴を有する場合に、時系列の第１の動き統計値におけるＰＢＭＳの右に最も近い点である右降下点を演算することと、左降下点と右降下点との間の時間差として幅測度を演算することと、を更に含む。
項１０．項９の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、第１の目標値及び第２の目標値のうちの少なくとも１つは、所定の閾値、又はＰＢＭＳにおける第１の動き統計値のピーク大きさ特徴に基づく適応閾値である。
項１１．項１０の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、適応閾値は、ピーク大きさ特徴と所定の量との差分、又はピーク大きさ特徴のある割合である。
項１２．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳと関連づけられた高さ測度に基づいてＢＭＳテストを実行することを更に含み、当該高さ測度が閾値未満である場合にＰＢＭＳはＢＭＳテストに失敗する。
項１３．項１２の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、左最小点又は右最小点のうちの少なくとも１つを演算することであって、左最小点は、時系列の第１の動き統計値におけるＰＢＭＳの左に隣接する第１の最小点であり、右最小点は、時系列の第１の動き統計値におけるＰＢＭＳの右に隣接する第１の最小点である、ことと、ＰＢＭＳと左最小点との間の第１の動き統計値の大きさ特徴の差分、ＰＢＭＳと右最小点との間の第１の動き統計値の大きさ特徴の差分、ＰＢＭＳと左最小点との間の第１の動き統計値の別の大きさ特徴の商、ＰＢＭＳと右最小点との間の第１の動き統計値の別の大きさ特徴の商、のうちの少なくとも１つに基づいて、高さ測度を演算することと、を更に含む。
項１４．項１２の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳからの第１の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの左の点である左降下点を演算することと、ＰＢＭＳからの第２の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの右への点である右降下点を演算することと、ＰＢＭＳと左降下点との間の第１の動き統計値の大きさ特徴の差分、ＰＢＭＳと右降下点との間の第１の動き統計値の大きさ特徴の差分、左降下点とＰＢＭＳとの別の大きさ特徴の商、又は右降下点とＰＢＭＳとの別の大きさ特徴の商、のうちの少なくとも１つに基づいて、高さ測度を演算することと、を更に含む。
項１５．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳと関連付けられた幅測度及び高さ測度を演算することと、高さ測度の増加関数及び幅測度の減少関数に基づいて、プロミネンス測度を演算することと、を更に含み、プロミネンス測度が閾値未満である場合にＰＢＭＳはＢＭＳテストに失敗する。
項１６．項１５の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、高さ測度と幅測度との商、差、又は比のうちの少なくとも１つに基づいて、プロミネンス測度を演算することを更に含む。
項１７．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳからの第１の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの左の点である左の降下点を演算することと、ＰＢＭＳからの第２の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの左の点である左の境界点を演算することと、ＰＢＭＳからの第３の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの右の点である右の降下点を演算することと、ＰＢＭＳからの第４の時間差における時系列の第１の動き統計値におけるＰＢＭＳの右の点である右の境界点を演算することと、左の降下点、左の境界点、右の降下点、右の降下点、及び右の境界点に基づいて演算された近傍優勢測度に基づいてＢＭＳテストを実行することであって、近傍優勢測度が閾値よりも大きい場合にＰＢＭＳはＢＭＳテストに失敗する、ことと、を更に含む。
項１８．項１７の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、以下のうちの少なくとも１つに基づいて、近傍支配測度を演算することを更に含む：左降下点と左境界点との間の第１の動き統計値の大きさ特徴の最大値、右降下点と右境界点との間の第１の動き統計値の大きさ特徴の最大値、左降下点と左境界点との間の第１の動き統計値の大きさ特徴のパーセンタイル点、右降下点と右境界点との間の第１の動き統計値の大きさ特徴のパーセンタイル点、左降下点と左境界点との間の第１の動き統計値の大きさ特徴のパーセンタイル点の、ある個数の重み付け平均、右降下点と右境界点との間の第１の動き統計値の大きさ特徴の、ある個数のパーセンタイル点の重み付け平均。
項１９．項１７の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、以下のうちの少なくとも１つが真である：第２の時間差が第４の時間差に等しい、第１の時間差が第３の時間差に等しい、第１の時間差と第３の時間差の両方が所定の量である、第２の時間差と第４の時間差の両方が所定の量である、第２の時間差と第４の時間差の両方が所定の量である、左の降下点が、時系列の第１の動き統計値においてＰＢＭＳの左に最も近い最小点である、右の降下点が、時系列の第１の動き統計値においてＰＢＭＳの右に最も近い最小点である、左の境界点が、ローパスフィルタリングされた時系列の第１の動き統計値においてＰＢＭＳの左に最も近い最小点である、
右の境界点が、ローパスフィルタリングされた時系列の第１の動き統計値においてＰＢＭＳの右に最も近い最小点である。
右の境界点が、ローパスフィルタリングされた時系列の第１の動き統計値においてＰＢＭＳの右に最も近い最小点である。
項２０．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、上記期間における第１の動き統計値に基づいて、ＰＢＭＳの周りの期間における物体の存在を検出することと、物体の存在検出に基づいてＢＭＳテストを実行することと、を更に含み、上記期間において物体の存在が検出されない場合にＰＢＭＳはＢＭＳテストに失敗する。
項２１．項２０の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、第１の動き統計値に基づいて、上記期間中の各時間における物体の動きを検出することを更に含み、上記期間中の任意の時間において物体の動きが検出された場合に、上記期間中に物体の存在が検出される。
項２２．項２１の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、物体の動きは、ある時間の第１の動き統計値が第１の閾値よりも大きいか、又はＴＳＣＩに基づいて演算された当該時間の第２の動き統計値が第２の閾値よりも大きい場合に、当該時間に検出される。
項２３．項２２の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、第１又は第２の動き統計値のいずれかについて、時系列の動き統計値のフィルタリング、動き統計値の重み付け平均化、フィルタリング後の最小化、重み付け平均化後の最小化、フィルタリング後の最小化、又は、重み付け平均化後の最小化、特定のスライディング時間ウィンドウ内の動き統計値の最大値のうちの少なくとも１つに関連付けられた特定のスライディング時間ウィンドウ、のうちの少なくとも１つに基づいて、それぞれの閾値を演算する。
項２４．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、上記期間における第１の動き統計値に基づいて、ＰＢＭＳの周辺の期間における物体の非睡眠アクティビティを検出することと、物体の非睡眠アクティビティの検出に基づいて、ＢＭＳテストを実行することと、を更に含み、上記期間において物体の非睡眠アクティビティが検出された場合にＰＢＭＳはＢＭＳテストに失敗する。
項２５．項２４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、第１の動き統計値に基づいて、上記期間中の各時間における物体の動きを検出することであって、当該時間における第１の動き統計値が第１の閾値よりも大きいか、又はＴＳＣＩに基づいて演算された当該時間における第２の動き統計値が第２の閾値よりも大きい場合に、物体の動きが当該時間において検出される、ことと、物体の動きが検出される上記期間における時間のパーセンテージを演算することであって、当該パーセンテージが閾値よりも大きい場合に、物体の非睡眠アクティビティが上記期間において検出される、ことと、を更に含む。
項２６．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳと直近の過去のＰＢＭＳとの間の時間差に基づいてＢＭＳテストを実行することを更に含み、当該時間差が閾値未満である場合に、ＰＢＭＳはＢＭＳテストに失敗する。
項２７．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＰＢＭＳと隣接ＰＢＭＳとの間の時間差に基づいてＢＭＳテストを実行することと、当該時間差が閾値未満である場合に、ＰＢＭＳと隣接ＰＢＭＳとをマージすることと、を更に含む。
項２８．項４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ある期間の時系列の睡眠尤度（ＴＳＳＬ：time series of sleep likelihood）を演算することであって、各睡眠尤度（ＳＬ）はある時間と関連付けられ、各ＳＬは当該時間における動き強度と、当該時間と関連付けられた期間におけるＰＢＭＳのカウントとに基づいて演算される、ことと、上記期間の時系列の睡眠インジケータ（ＴＳＳＩ：time series of sleep indicator）を演算することであって、各睡眠インジケータ（ＳＩ）はそれぞれのＳＬと閾値との比較に基づいて演算され、ＴＳＳＬ及びＴＳＳＩに基づいて物体の睡眠中動作をモニタリングする、こととを更に含む。
項２９．項２８の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、上記期間にわたる時系列のテストスコア（ＴＳ：testing score）を演算することであって、各ＴＳが、ＳＬと、ＳＩと、大きな動き強度に対するペナルティとに基づいている、ことと、上記期間を、ある個数の重複しない時間単位に分割することと、各時間単位にわたるテストスコアの総和を演算することと、時間単位のうちで、テストスコアの総和が最も大きい時間単位を識別し、睡眠期間を時間単位として初期化し、総テストスコア（ＴＴＳ：total testing score）を、テストスコアの関連する最大の総和として初期化することと、睡眠期間の右又は左のいずれかに、隣接するインクリメント時間ウィンドウを追加することによって、睡眠期間を反復的に拡張し、インクリメント時間ウィンドウと関連付けられたＴＳをＴＴＳに追加することによって、ＴＴＳを反復的に更新することと、各反復において、睡眠期間が、物体の典型的な睡眠持続時間に近づく又はそれを超える持続時間を有する場合に、ＴＴＳにペナルティを追加することと、停止基準に基づいて反復を停止することと、睡眠期間と、ＴＴＳと、ＴＳと、ＰＢＭＳと、睡眠期間における第１の動き統計値とに基づいて、物体の睡眠中動作をモニタリングすることと、を更に含む。
項３０．項２９の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、睡眠期間、ＴＴＳ、及びＴＳ、睡眠期間におけるＰＢＭＳ及び第１の動き統計値に基づいて、睡眠分析値を演算することを更に含み、睡眠分析値は、睡眠開始時間、睡眠期間の開始時間、睡眠覚醒時間、睡眠期間の終了時間、睡眠持続時間、睡眠期間の総持続時間、睡眠中の中断の量、睡眠期間中の非睡眠アクティビティのカウント、睡眠期間中のトイレ訪問のカウント、睡眠中の中断の総持続時間、睡眠期間中のトイレ訪問の総持続時間、体動の量、睡眠期間中のＰＢＭＳのカウント、睡眠中の覚醒時間の量、睡眠中の覚醒時間の持続時間、睡眠スコア、睡眠品質スコア、動きファクタ、動き覚醒度、
第１の動き分析値、ＴＳＣＩに基づいて演算された第２の動き分析値、ＳＬ、ＳＩ、ＴＳ、導関数又は積分が、睡眠期間中の閾値より大きい時間のパーセンテージ又は量、
第１の動き分析値、第２の動き分析値、ＳＬ、ＳＩ、ＴＳ、導関数又は積分が、睡眠期間中の閾値未満である時間のパーセンテージ又は量、
のうちの少なくとも１つを含む。
第１の動き分析値、ＴＳＣＩに基づいて演算された第２の動き分析値、ＳＬ、ＳＩ、ＴＳ、導関数又は積分が、睡眠期間中の閾値より大きい時間のパーセンテージ又は量、
第１の動き分析値、第２の動き分析値、ＳＬ、ＳＩ、ＴＳ、導関数又は積分が、睡眠期間中の閾値未満である時間のパーセンテージ又は量、
のうちの少なくとも１つを含む。
項３１．項１の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、Ｎ１個のコンポーネントワイズ分析値の各々は、ＴＣＳＩのＣＩのペアに基づくペアワイズ分析値であり、ＴＳＣＩのＣＩのペアのそれぞれの成分に基づいて、Ｎ１個のコンポーネントワイズ分析値の各々を演算することを含む。
項３２．項３１の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって。ＣＩのペアのそれぞれの成分の乗算に基づいて、各コンポーネントワイズ分析値を演算することを含む。
項３３．項３２の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、各コンポーネントワイズ分析値は、ＣＩのペアのそれぞれの成分の、コンポーネントワイズ相関の推定値である。
項３４．項３１の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、Ｎ１個のコンポーネントワイズ分析値の各々は、ＴＣＳＩのＣＩの複数のペアに基づくペアワイズ分析値であり、ＣＩの複数のペアに基づいてＮ１個のコンポーネントワイズ分析値の各々を演算することを含む。
項３５．項３４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＣＩの複数のペアの各々に含まれるそれぞれの成分の、ある個数の乗算積の重み付け平均に基づいて、各コンポーネントワイズ分析値を演算することを含む。
項３６．項３５の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＣＩの複数のペアの全てが、ＣＩのペア間の共通の時間差を有し、各コンポーネントワイズ分析値は、共通の時間差と関連付けられたＣＩのペアのそれぞれの成分のコンポーネントワイズ相関の推定値である。
項３７．項３４の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、ＣＩの複数のペアは、時間的に連続しているか又は隣接している。
項３８．項１の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、時系列の第１の動き統計値を演算することと、ある期間における時系列の第１の動き統計値に基づいて、当該期間における第１の動き統計値のベースライン値を演算することと、当該期間におけるそれぞれの第１の動き統計値からベースライン値を減算することと、を更に含む。
項３９．項３８の無線ベースの睡眠トラッキングシステムの方法／デバイス／システム／ソフトウェアであって、２つ以上の期間が存在しており、更に、第１の動き統計値のベースライン値のうちの２つ以上を、各期間に対して１つずつ演算することと、２つ以上のベースライン値のアグリゲーションに基づいて、特定の期間と関連付けられたアグリゲーションベースライン値を演算することと、特定の期間におけるそれぞれの第１の動き統計値から、アグリゲーションベースライン値を減算することと、を含む。
以下の番号付けされた項は、無線ベースの睡眠トラッキングのためのいくつかの例を提供する。
項Ａ１．無線ベースの睡眠トラッキングのためのシステムであって、無線ベースの睡眠トラッキングのための送信機と、無線マルチパスチャネルを通じて第１の無線信号を送信するように構成された受信機と、無線マルチパスチャネルを通じて第２の無線信号を受信するように構成された受信機であって、第２の無線信号は、ベニューにおける物体の睡眠中動作による影響を受ける無線マルチパスチャネルに起因して、第１の無線信号とは異なる、受信機と、プロセッサとを備え、当該プロセッサは、第２の無線信号に基づいて無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、ＴＳＣＩの各チャネル情報（ＣＩ）はＮ１個の成分を備え、Ｎ１は１より大きい正の整数である、ことと、ＴＳＣＩのＮ１個の成分のうちの１つにそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、Ｎ１個のコンポーネントワイズ分析値のうちの大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することであって、Ｎ２はＮ１より小さい正の整数である、ことと、ＴＳＣＩの大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、少なくとも１つの第１の動き統計値に基づいて、物体の睡眠中動作をモニタリングすることと、を行うように構成される。
項Ａ２．項Ａ１のシステムであって、Ｎ１個のコンポーネントワイズ分析値の各々を閾値と比較すること、又はＮ１個のコンポーネントワイズ分析値をソートして大きさ上位Ｎ２個のコンポーネントワイズ分析値を見つけること、のうちの１つによって、大きさ上位Ｎ２個のコンポーネントワイズ分析値が、以下のうちの１つによって識別される。
項Ａ３．項Ａ２のシステムであって、プロセッサは更に、タイムスタンプと関連付けられた時系列の第１の動き統計値を演算することと、潜在的な睡眠中体動（ＢＭＳ）のセットを演算することであって、各潜在的ＢＭＳ（ＰＢＭＳ）は、時系列の第１の動き統計値の局所最大点又は局所ピークである、ことと、ＰＢＭＳのセットに基づいて物体の睡眠中動作をモニタリングすることと、を行うように構成される。
項Ａ４．項Ａ３のシステムであって、プロセッサは更に、ＰＢＭＳのセット内の各ＰＢＭＳ及び時系列の第１の動き統計値に対してＢＭＳテストを実行することと、ＰＢＭＳがＢＭＳテストに失敗した場合に、当該ＰＢＭＳを、ＰＢＭＳのセットから除去することと、を行うように構成される。
項Ａ５．項Ａ４のシステムであって、ＢＭＳテストは、各ＰＢＭＳの大きさ特徴に基づいて実行され、ＰＢＭＳと関連付けられた第１の動き統計値の局所ピークが第１の閾値未満の大きさ特徴を有する場合に、ＰＢＭＳはＢＭＳテストに失敗し、第１の閾値は、ある期間における大きさ上位のある個数の第１の動き統計値の大きさ特徴の重み付け平均と、所定の量とのうちの少なくとも１つに基づいて、適応的に演算される。
項Ａ５．項Ａ４のシステムであって、ＢＭＳテストは、各ＰＢＭＳの大きさ特徴に基づいて実行され、ＰＢＭＳと関連付けられた第１の動き統計値の局所ピークが第１の閾値未満の大きさ特徴を有する場合に、ＰＢＭＳはＢＭＳテストに失敗し、第１の閾値は、ある期間における大きさ上位のある個数の第１の動き統計値の大きさ特徴の重み付け平均と、所定の量とのうちの少なくとも１つに基づいて、適応的に演算される。
項Ａ６．項Ａ５のシステムであって、ＢＭＳテストは、各ＰＢＭＳと関連付けられた幅測度に基づいて実行され、幅測度が第２の閾値よりも大きい場合にＰＢＭＳはＢＭＳテストに失敗する。
項Ａ７．項Ａ６のシステムであって、第１の動き統計値が第１の目標値未満の大きさ特徴を有する場合に、時系列の第１の動き統計値におけるＰＢＭＳの左に最も近い点である左降下点を演算することと、第１の動き統計値が第２の目標値未満の大きさ特徴を有する場合に、時系列の第１の動き統計値におけるＰＢＭＳの右に最も近い点である右降下点を演算することと、左降下点と右降下点との間の時間差として幅測度を演算することとに基づいて、幅測度が演算される、システム。
項Ａ８．項Ａ７のシステムであって、第１の目標値又は第２の目標値のうちの少なくとも１つは、ＰＢＭＳにおける第１の動き統計値のピーク大きさ特徴に基づく適応閾値である。
項Ａ９．条Ａ８のシステムであって、ＢＭＳテストは、各ＰＢＭＳと関連付けられたる高さ測度に基づいて実行され、当該高さ測度が第３の閾値未満である場合にＰＢＭＳはＢＭＳテストに失敗する。
項Ａ１０．項Ａ９のシステムであって、左最小点又は右最小点のうちの少なくとも１つを演算することであって、左最小点は、時系列の第１の動き統計値におけるＰＢＭＳの左に隣接する第１の最小点であり、右最小点は、時系列の第１の動き統計値におけるＰＢＭＳの右に隣接する第１の最小点である、ことと、ＰＢＭＳと左最小点との間の第１の動き統計値の第１の大きさ特徴の差分、ＰＢＭＳと右最小点との間の第１の動き統計値の第１の大きさ特徴の差分、ＰＢＭＳと左最小点との間の第１の動き統計値の第２の大きさ特徴の商、ＰＢＭＳと右最小点との間の第１の動き統計値の第２の大きさ特徴の商、のうちの少なくとも１つに基づいて、高さ測度を演算することと、のうちの少なくとも１つに基づいて、高さ測度が演算される。
項Ａ１１．項Ａ１０のシステムであって、プロセッサは更に、高さ測度の増加関数及び幅測度の減少関数に基づいて、プロミネンス測度を演算することを行うように構成され、プロミネンス測度が第４の閾値未満である場合にＰＢＭＳはＢＭＳテストに失敗する。
項Ａ１２．項Ａ１１のシステムであって、ＰＢＭＳからの第１の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの左の点である左の降下点を演算することと、ＰＢＭＳからの第２の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの左の点である左の境界点を演算することと、ＰＢＭＳからの第３の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの右の点である右の降下点を演算することと、ＰＢＭＳからの第４の時間差における時系列の第１の動き統計値におけるＰＢＭＳの右の点である右の境界点を演算することと、左の降下点、左の境界点、右の降下点、右の降下点、及び右の境界点に基づいて演算された近傍優勢測度に基づいてＢＭＳテストを実行することであって、近傍優勢測度が第５の閾値よりも大きい場合にＰＢＭＳはＢＭＳテストに失敗する、ことと、を行うように構成される。
項Ａ１２．項Ａ１１のシステムであって、ＰＢＭＳからの第１の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの左の点である左の降下点を演算することと、ＰＢＭＳからの第２の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの左の点である左の境界点を演算することと、ＰＢＭＳからの第３の時間差における、時系列の第１の動き統計値におけるＰＢＭＳの右の点である右の降下点を演算することと、ＰＢＭＳからの第４の時間差における時系列の第１の動き統計値におけるＰＢＭＳの右の点である右の境界点を演算することと、左の降下点、左の境界点、右の降下点、右の降下点、及び右の境界点に基づいて演算された近傍優勢測度に基づいてＢＭＳテストを実行することであって、近傍優勢測度が第５の閾値よりも大きい場合にＰＢＭＳはＢＭＳテストに失敗する、ことと、を行うように構成される。
項Ａ１３．項Ａ１２のシステムであって、プロセッサは更に、上記期間における第１の動き統計値に基づいて、ＰＢＭＳの周りの期間における物体の存在を検出することと、当該検出に基づいてＢＭＳテストを実行することと、を更に含み、上記期間において物体の存在が検出されない場合にＰＢＭＳはＢＭＳテストに失敗する。
項Ａ１４．Ａ１３のシステムであって、プロセッサは更に、第１の動き統計値に基づいて、上記期間の各時間における物体の動きを検出するように構成され、上記期間中の任意の時間において物体の動きが検出された場合に、上記期間中に物体の存在が検出され、物体の動きは、ある時間の第１の動き統計値が第６の閾値よりも大きいか、又はＴＳＣＩに基づいて演算された当該時間の第２の動き統計値が第７の閾値よりも大きい場合に、当該時間に検出される。
項Ａ１５．項Ａ１４のシステムであって、プロセッサは更に、上記期間における第１の動き統計値に基づいて、ＰＢＭＳの周辺の期間における物体の非睡眠アクティビティを検出することであって、物体の動きが検出される上記期間における時間のパーセンテージが第８の閾値よりも大きい場合に、物体の非睡眠アクティビティが検出される、ことと、物体の非睡眠アクティビティの検出に基づいて、ＢＭＳテストを実行することであって、上記期間において物体の非睡眠アクティビティが検出された場合にＰＢＭＳはＢＭＳテストに失敗する、ことと、を行うように構成される、
項Ａ１６．項Ａ１５のシステムであって、プロセッサは更に、ＰＢＭＳと隣接ＰＢＭＳとの間の時間差に基づいてＢＭＳテストを実行することであって、当該時間差が第９の閾値未満である場合にＰＢＭＳはＢＭＳテストに失敗する、ことと、当該時間差が第１０の閾値未満である場合に、ＰＢＭＳと隣接ＰＢＭＳとをマージすることと、を行うように構成される。
項Ａ１７．項Ａ１６のシステムであって、プロセッサは更に、ある期間の時系列の睡眠尤度（ＴＳＳＬ）を演算することであって、各睡眠尤度（ＳＬ）はある時間と関連付けられ、各ＳＬは当該時間における動き強度と、当該時間と関連付けられた期間におけるＰＢＭＳのカウントとに基づいて演算される、ことと、上記期間の時系列の睡眠インジケータ（ＴＳＳＩ）を演算することであって、各睡眠インジケータ（ＳＩ）はそれぞれのＳＬと閾値との比較に基づいて演算される、ことと、ＴＳＳＬ及びＴＳＳＩに基づいて物体の睡眠中動作をモニタリングする、ことと、を行うように構成される。
項Ａ１８．プロセッサは更に、上記期間にわたる時系列のテストスコア（ＴＳ）を演算することであって、各ＴＳが、ＳＬと、ＳＩと、大きな動き強度に対するペナルティとに基づいている、ことと、上記期間を、ある個数の重複しない時間単位に分割することと、各時間単位にわたるテストスコアの総和を演算することと、重複しない時間単位のうちで、テストスコアの総和が最も大きい時間単位を識別し、睡眠期間を時間単位として初期化し、総テストスコア（ＴＴＳ）を、テストスコアの関連する最大の総和として初期化することと、睡眠期間の右又は左のいずれかに、隣接するインクリメント時間ウィンドウを追加することによって、睡眠期間を反復的に拡張し、インクリメント時間ウィンドウと関連付けられたＴＳをＴＴＳに追加することによって、ＴＴＳを反復的に更新することと、各反復において、睡眠期間が、物体の典型的な睡眠持続時間に近づく又はそれを超える持続時間を有する場合に、ＴＴＳにペナルティを追加することと、停止基準に基づいて反復を停止することと、睡眠期間と、ＴＴＳと、ＴＳと、ＰＢＭＳと、睡眠期間における第１の動き統計値とに基づいて、物体の睡眠中動作をモニタリングすることと、を行うように構成される。
項Ａ１９．項Ａ１８のシステムであって、プロセッサは更に、睡眠期間、ＴＴＳ、ＴＳ、ＰＢＭＳ、及び睡眠期間における第１の動き統計値に基づいて、睡眠分析値を演算するように構成される。
項Ａ２０．項Ａ１９のシステムであって、Ｎ１個のコンポーネントワイズ分析値の各々は、ＴＣＳＩのＣＩのペアに基づくペアワイズ分析値であり、Ｎ１個のコンポーネントワイズ分析値の各々は、ＴＳＣＩのＣＩのペアのそれぞれの成分に基づいて演算される。
項Ａ２１．項Ａ２０のシステムであって、プロセッサは更に、ＣＩのペアのそれぞれの成分の乗算に基づいて、各コンポーネントワイズ分析値を演算するように構成される。
項Ａ２２．項Ａ２１のシステムであって、各コンポーネントワイズ分析値は、ＣＩのペアのそれぞれの成分の、コンポーネントワイズ相関の推定値である。
項Ａ２３．項Ａ２２のシステムであって、Ｎ１個のコンポーネントワイズ分析値の各々は、ＴＣＳＩのＣＩの複数のペアに基づくペアペアワイズ分析値であり、Ｎ１個のコンポーネントワイズ分析値の各々は、ＣＩの複数のペアに基づいて演算される。
項Ａ２４．項Ａ２３のシステムであって、プロセッサは更に、ＣＩの複数のペアの各々に含まれるそれぞれの成分の、ある個数の乗算積の重み付け平均に基づいて、各コンポーネントワイズ分析値を演算するように構成される。
項Ａ２５．項Ａ２４のシステムであって、ＣＩの複数のペアの全てが、ＣＩのペア間で共通の時間差を有し、各コンポーネントワイズ分析値は、共通の時間差と関連付けられたＣＩのペアのそれぞれの成分のコンポーネントワイズ相関の推定値であり、ＣＩの複数のペアは、時間的に連続しているか又は隣接している。
項Ａ２６．項Ａ２５のシステムであって、プロセッサ更に、第１の期間における時系列の第１の動き統計値に基づいて、第１の期間のベースライン値を演算することと、第１の期間におけるそれぞれの第１の動き統計値からベースライン値を減算することと、を行うように構成される。
項Ａ２７．項Ａ２６のシステムであって、プロセッサは更に、それぞれが対応する期間について演算される複数のベースライン値を演算することと、複数のベースライン値のアグリゲーションに基づいて、特定の期間と関連付けられたアグリゲーションベースライン値を演算することと、特定の期間におけるそれぞれの第１の動き統計値から、アグリゲーションベースライン値を減算することと、を行うように構成される。
項Ａ２８．無線ベースの睡眠トラッキングのためのシステムの無線デバイスであって、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機と、を備え、システムの追加の無線デバイスは、ベニュー内の無線マルチパスチャネルを介して第１の無線信号を送信するように構成され、受信機は、無線マルチパスチャネルを介して第２の無線信号を受信するように構成され、第２の無線信号は、ベニュー内の物体の睡眠中動作による影響を受ける無線マルチパスチャネルに起因して、第１の無線信号とは異なり、プロセッサは、第２の無線信号に基づいて無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、ＴＳＣＩの各チャネル情報（ＣＩ）はＮ１個の成分を含み、Ｎ１は１より大きい正の整数である、ことと、ＴＳＣＩのＮ１個の成分のうちの１つにそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、Ｎ１個のコンポーネントワイズ分析値のうちで大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することと、ＴＳＣＩの大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、少なくとも１つの第１の動き統計値に基づいて、物体の睡眠中動作をモニタリングすることと、を行うように構成される。
項Ａ２９．項Ａ２８の無線デバイスであって、プロセッサは更に、タイムスタンプと関連付けられた時系列の第１の動き統計値を演算することと、睡眠中の潜在的体動（ＢＭＳ）のセットを演算することであって、各潜在的ＢＭＳ（ＰＢＭＳ）は、時系列の第１の動き統計値の局所最大点又は局所ピークである、ことと、ＰＢＭＳのセットに基づいて、物体の睡眠中動作をモニタリングすることと、ＰＢＭＳのセット内の各ＰＢＭＳに対してＢＭＳテストを実行することと、ＰＢＭＳがＢＭＳテストに失敗した場合に、当該ＰＢＭＳをＰＢＭＳのセットから除去することと、を行うように構成される。
項Ａ３０．無線ベースの睡眠トラッキングのための方法であって、ベニューにおいて無線マルチパスチャネルを通じて第１の無線信号を送信することと、無線マルチパスチャネルを通じて第２の無線信号を受信することであって、第２の無線信号は、ベニュー内の物体の睡眠中動作による影響を受ける無線マルチパスチャネルに起因して、第１の無線信号とは異なる、ことと、第２の無線信号に基づいて、無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、ＴＳＣＩの各チャネル情報（ＣＩ）はＮ１個の成分を含み、Ｎ１は１より大きい正の整数である、ことと、ＴＳＣＩのＮ１個のコンポーネントのうちの１つとそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、Ｎ１個のコンポーネントワイズ分析値のうちの大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することであって、Ｎ２はＮ１より小さい正の整数である、ことと、ＴＳＣＩの大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、少なくとも１つの第１の動き統計値に基づいて、物体の睡眠中動作をモニタリングすることと、を含む。
人間の被験者の存在はＲＦ信号伝搬に影響を及ぼし、例えば、人間の身体から反射されたＲＦ信号、呼吸及び心拍によって引き起こされる胸部の動き等の身体の動きによって変調されるので、チャネル伝搬特性を分析することによって、人間の被験者のバイタル情報を明らかにしうる。ＲＦ信号、呼吸数（ＲＲ）及び心拍数（ＨＲ）を推定するために使用されうるが、各心拍の正確なタイミングなしに、ＲＲ及びＨＲから心拍数変動（ＨＲＶ）を取得することはできない。正確なＨＲＶ推定は、ＨＲ推定よりもはるかに困難である。ＨＲ推定システムは通常、より高いＨＲ推定精度を達成するために、時間領域において複数のサンプルを採取し、これは、特定の時間ウィンドウにわたって心拍を平均化することに等しい。しかしながら、それらは、各心拍の正確な時間を必要とし、以下の課題を伴うＨＲＶ推定には適用できない。第１に、人間の胸部によって反射されたＲＦ信号、呼吸及び心拍の両方によって変調され、呼吸によって引き起こされる距離変化は、心拍によって引き起こされる距離変化よりも大きい。信号処理の用語では、信号対干渉プラス雑音比（ＳＩＮＲ）が、複合信号から心拍波を再生して分離するためには非常に低い。第２に、心臓ポンピング運動は、最初に骨及び組織を通って胸壁に到達し、次いでＲＦ信号検出されなければならない。その結果、人体の骨及び組織はフィルタとして作用し、したがって信号を減衰させる。したがって、ＲＦ信号捕捉される心拍波は、ＥＣＧ信号におけるものと同様に鋭いピークを欠き、ＩＢＩを識別することをより困難にする。更に、ＨＲＶ推定のためのロバストなシステムを提供するために、各人間の被験者についてＨＲＶを推定する前に、ターゲットの数及びそれらの位置を決定することが必要であり、これもまた、自明ではない。
本教示は、ＣＯＴＳ（Commodity Off-The-Shelf）ミリ波（mmWave）無線を用いた多人数ＨＲＶ推定システム（multi-person HRV estimation system）（以下、「ｍｍＨＲＶ」という）を開示する。いくつかの実施形態では、ターゲット検出器が事前のキャリブレーションなしに、ユーザの数及びユーザの位置を識別するように考案される。ミリ波ＲＦ信号の速い減衰のために、信号の強度は、より長い距離をトラバースすることにつれて減少する。様々な距離で人間の被験者を検出するために、ｍｍＨＲＶは距離－方位面において２次元定数偽警報検出器を使用して雑音レベルを推定し、したがって、ターゲット検出のための適応閾値を提供しうる。位相情報は更に、静止物体（例えば、壁、家具）をフィルタ除去するために使用される。単一の人間の被験者について２つ以上の反射点が存在しうる。結果として、ターゲットの個数を決定するために、ｍｍＨＲＶは更に、ノンパラメトリッククラスタリングを使用して、各人間の被験者に対応するレンジ－方位角ビンを識別しうる。
いくつかの実施形態では、ターゲット検出後、ＨＲＶを推定するために、心拍波は呼吸及び心拍運動の両方を含む胸部運動全体をその位相が含む複合受信信号から抽出される必要がある。いくつかの実施形態では、呼吸運動が６～３０呼吸毎分（ＢＰＭ）の周波数で４～１２ｍｍの範囲であり、一方、心拍運動は５０～１２０ＢＰＭの周波数で０．２～０．５ｍｍの範囲であり、両方とも準周期的信号である。この特性を利用して、ｍｍＨＲＶは、いくつかの帯域制限信号成分への複合信号の分解を最適化する心拍波抽出器を利用しうる。分解された信号成分の中で、心拍波は、その振幅及び周波数が典型的な心拍信号の要件を満たすものとなる。合成信号を連続的に分解するアプローチと比較して、ｍｍＨＲＶは、信号成分を同時に分解することによって、誤り伝搬問題を回避しうる。加えて、ｍｍＨＲＶシステムは複数の人の心拍信号のＨＲＶ及び／又は他の統計を同時にモニタリングするために、ターゲット検出によってマルチユーザケースで動作しうる。
推定された心拍波のピークは、各心拍の正確な時間を識別するために認識される。その結果、ＩＢＩを更に導出して、一般的に使用されるＨＲＶメトリック、例えば、連続差分の二乗平均平方根（ＲＭＳＳＤ：Root Mean Square of Successive Difference）、全てのＩＢＩの標準偏差（ＳＤＲＲ）、及び５０ｍｓを超えて異なる連続するＩＢＩのパーセンテージ（ｐＮＮ５０）を演算するために使用しうる。
図１０Ａは本開示のいくつかの実施形態による、無線バイタルモニタリングシステム、例えば、ｍｍＨＲＶシステムのための例示的なセットアップを図示する。図１０Ａに示すように、ｍｍＨＲＶシステムは、送信機（Ｔｘ）アンテナアレイ１００１及び受信機（Ｒｘ）アンテナアレイ１００２を有するデバイス１０００を含む。いくつかの実施形態では、デバイス１０００が３～５ＧＨｚの帯域幅で、２８ＧＨｚ、６０ＧＨｚ、７７ＧＨｚ等の高周波数帯域で動作する。チャネル情報を取得するために、Ｔｘ １００１は１つ以上のアンテナを使用して、無線信号を送信することができ、無線信号は図１０Ａに示されるベニュー内の物体及び人間によって反射された後に、異なるＲｘアンテナ１００２によって受信される。
図１０Ａに示されるように、デバイス１０００が位置する場所に、静止物体１００８及び人間の被験者１００５、１００６、１００７を含む複数の物体が存在しうる。ｍｍＨＲＶシステムは、Ｒｘ １００２によって反射された信号から得られるチャネル情報に基づいて、ベニュー内の他の静止物体１００８の有無にかかわらず、ベニュー内の複数の人物１００５、１００６、１００７について同時にＨＲＶをモニタリングしうる。異なる物体は、ｍｍＨＲＶシステムの効果的な動作に影響を及ぼすことなく、デバイス１０００から異なる方向に配置されうる。例えば、人間の被験者１００７、人間の被験者１００５、及び椅子１００８は、装置１０００とは異なる方位角に配置される。ｍｍＨＲＶシステムの効果的な動作に影響を及ぼすことなく、異なる物体をデバイス１０００から異なる距離に配置することもできる。例えば、人間の被験者１００５及び人間の被験者１００６は、装置１０００から異なる距離レンジ（しかし同じ方位角）に位置する。異なる人間の被験者は、ｍｍＨＲＶシステムの効果的な動作に影響を与えることなく、ベニューにおいて異なる方向を向いてもよい。例えば、人間の被験者１００５、１００６、１００７は図１０Ａに示されるように、異なる方向を向いている。
いくつかの実施形態では、Ｔｘ １００１が上述のようにボットであり、Ｒｘ １００２は上述のようにオリジンである。図１０ＡではＴｘ １００１及びＲｘ １００２は互いに物理的に結合されているが、他の実施形態では異なるデバイスにおいて分離されうる。いくつかの実施形態では、デバイス１０００がレーダのように機能する。
いくつかの実施形態では、ｍｍＨＲＶシステムの性能を評価するために、２０～６０歳になった１１人の参加者に、異なる距離、向き、及び入射角を含む異なる設定下で広範な実験を実施するように依頼する。ノンライトオブサイト（ＮＬＯＳ）シナリオとマルチパーソンシナリオも調べた。いくつかの実施形態では、実験結果は、ｍｍＨＲＶがＩＢＩ推定に対して（９６．１６％精度に関して）約２８ｍｓの媒体誤差で正確な推定を達成することを示す。ＮＬＯＳの二乗平均平方根誤差（ＲＭＳＥ）及びマルチユーザケースは、それぞれ、３２ｍｓ及び６９ｍｓ以内である。ＨＲＶメトリックも評価され、最先端の作品と比較してより良好な性能を示す。ｍｍＨＲＶは、平均値ＩＢＩの３．８９ｍｓ平均値誤差、ＲＭＳＳＤの６．４３ｍｓ平均値誤差、ＳＤＲＲの６．４４ｍｓ平均値誤差、及びユーザがデバイスから１メートル離れて座ったときのｐＮＮ５０の２．５２％平均値誤差を達成しうる。
ｍｍＨＲＶシステムは被検者の心拍信号を正確に検出し、ユーザの身体から反射されるＲＦ信号純粋に使用することによって、被検者のＨＲＶを推定しうる無線システムである。図１０Ｂは、本開示のいくつかの実施形態による、ｍｍＨＲＶシステムの例示的な処理ワークフローを示す。いくつかの実施形態では、ｍｍＨＲＶシステムが周波数変調連続波（ＦＭＣＷ）レーダを利用して、ＲＦ信号を送信し、人間の被験者及び静止物体の反射を捕捉する。
図１０Ｂに示されるように、チャネル情報は、動作１０１０において、Ｒｘによって捕捉された反射に基づいて取得される。異なる位置で人間の被験者を検出するために、動作１０２０において、例えばバートレット（Bartlett）ビームフォーマによってビームフォーミングが実行され、異なる方位角－レンジビンでチャネル情報が得られる。次いで、動作１０３０において、例えば、ターゲット検出器によってターゲット検出が実行されて、様々な距離及び方位角における雑音レベルを適応的に推定し、したがって、反射物体の存在を検出する。位相の分散値は更に、人間の被験者と静止物体とを区別するために利用される。ターゲットの数及びそれらの位置を識別するために、ノンパラメトリッククラスタリングアルゴリズムが使用されうる。
動作１０４０において、呼吸及び心拍の両方によって変調される位相情報から心拍信号を抽出するために、ｍｍＨＲＶは位相信号をいくつかの狭帯域信号に同時に分解し、心拍波の推定値を与えることができる心拍信号抽出器を考案しうる。検出された人間の被験者のＨＲＶは、動作１０５０において、推定された心拍信号から導出された心拍間隔（ＩＢＩ）に基づいて更に分析されうる。
信号モデル：いくつかの実施形態では、チャープ信号がＦＭＣＷレーダによって送信され、瞬時送信周波数は図１１に示されるような周期的線形増加信号であり、以下のように表すことができる。
ここで、ｆcはチャープ開始周波数であり、Ｔcはチャープ持続時間であり、Ｂは帯域幅である。周波数変調（ＦＭ）によれば、送信信号ｘT(ｔ)は、以下のように表すことができる。
ここで、ＡTは送信電力である。電磁波が人間の胸部によって距離ｄ(ｔ)で反射される場合、反射信号ｘR(ｔ)は次式のように表すことができる。
ここで、ＡRは受信信号の振幅であり、ｔdは往復遅延を表し、
と表すことができ、ｃは光速である。
受信信号を送信信号のレプリカと混合し、ローパスフィルタに続いて、チャネル情報ｈ(ｔ)は
である。
ｍｍＨＲＶのいくつかの実施形態では、図１２に示すように、チップセットの複数のアンテナを利用し、２つのＴｘアンテナ及び４つのＲｘアンテナを使用しうる。方位分解能を高めるために、チャープは、２つのＴｘアンテナを通じて順次送信することによって時分割多重化（ＴＤＭ）モードで送信される。これは、図１２に示すような８要素仮想アレイに相当する。したがって、チャネルｌについて、チャネル情報は、次のように書き換えることができる。
ここで、ｄlは仮想アンテナｌによって導入される相対的な距離である。θが図１２に示されるように、ターゲットの方位角である。
チャネル情報の位相は、呼吸及び心拍の周期的動作に起因して、スロー時間で周期的に変化する。図１４Ａは、システムによって収集されたバイタルサインを含む典型的な位相信号を示す。
実際の応用では、ターゲット検出がバイタルサイン検出の前に実行される必要がある。特に、ＥＭ波の強い反射を伴う様々な物体（例えば、壁、机、金属物体等）が存在する屋内シナリオでは、ターゲット検出を達成することは困難である。
レンジ－ＦＦＴ及びデジタルビームフォーミング：いくつかの実施形態では、静止物体が存在する場合のチャネル情報は、
である。ここで、ｄ0は物体と装置との間の距離であり、これは、低速時において一定のままである。
反射物体に対応するチャネル情報はファスト時間の周期信号であり、周期性は、式（６）及び（８）に示されるように、距離に関係する。反射物体のレンジ情報を決定するために、高速フーリエ変換（ＦＦＴ）がチャープ時間に、即ち、レンジＦＦＴに対して高速に実行されてもよく、チャンネル情報は、ｈr（ｌ，ｍ）として書かれてもよく、ここで、ｒはレンジタップインデックスである。反射物体に対応するレンジタップは、反射物体がない場合と比較して、より大きなエネルギーを観察する。
反射物体の方位角を更に決定するために、デジタルビームフォーミングが、各レンジタップについて全てのアンテナ素子にわたって実行され、レンジｒ及び方位角θに対応するチャネル情報は
と表されうる。ここで、ｓH（θ）は角度θに向かうステアリングベクトルである。ｍｍＨＲＶのいくつかの実施形態では、バートレットビームフォーマが採用され、ｌ番目のアンテナの係数は
である。ε（ｍ）は、異なるレンジ－方位角ビンに対して独立で同一に分布する（I.I.D）と仮定される加法的白色ガウス雑音である。
は、全アンテナ素子全体のレンジタップｒにおけるチャネル情報ベクトルである。したがって、スロー時間における各サンプルｍについて、チャネル情報行列ｈ（ｒ，θ）を有し、これは、範囲ｒ及び方位角θを有する異なるロケーションビンにおけるチャネル情報を含む。図１３Ｂがレンジ－方位平面におけるチャネル情報の振幅を示す。
反射物体検出器：いくつかの実施形態では、人間の被験者の位置を特定するために、最初に、反射物体を有するレンジ－角度ビンを識別する必要がある。反射物体がないビンのチャネル情報は雑音のみを含み、したがって、式（６）及び（８）にそれぞれ示されるように、反射物体があるビンのチャネル情報のエネルギーは、反射物体がないビンのエネルギーよりも大きい。しかしながら、ターゲット検出のための汎用の事前定義された閾値を見つけることは困難である。ＥＭ波の伝搬法則によれば、同じ反射物体に対して、より大きな反射エネルギーに対応するより短い距離が得られる。ｍｍＨＲＶのいくつかの実施形態では、一定誤警報率（ＣＦＡＲ）検出器を利用することができ、これはＣＦＡＲウィンドウ（図１３Ａに示す）を、レンジ－方位角平面（図１３Ｂに示す）におけるチャネル情報と畳み込むことによって、雑音レベルを推定することができ、反射物体を伴うロケーションビンは図１３Ｃに示すように、そのエネルギーが雑音レベルを上回るものである。図１３Ｄは範囲領域におけるＣＦＡＲ検出の例を示し、閾値は破線で示される。
被験者検出器（Human Subjects Detector）：いくつかの実施形態では、反射物体検出器が空タップをフィルタ除去しうるが、人間の被験者を静的反射物体から区別することはできない。静止物体とは異なり、人間の被験者とデバイスとの間の距離は動き（例えば、呼吸及び心拍）のためにスロー時間にわたって変化し、したがって、図１４Ａに示されるような位相変化をもたらす。したがって、静的反射物体を更にフィルタ除去するために、反射物体検出器によって選択された候補ビンの位相情報を活用しうる。
図１４Ａ～１４Ｄは、被験者検出器の一例を示す。グラウンドトゥルースは３人間の被験者が存在し、そのうちの１人間は方位角０°でデバイスから１．５ｍ離れて位置し、他の２人間は、方位角３０°及び－３０°でそれぞれデバイスから１ｍ離れて位置することである。図１４Ａは人間の被験者に対応する位相情報であり、図１４Ｂは静的反射物体に対応する位相情報であり、図１４Ｃは被験者検出器の結果であり、黒点は人間の被験者に対応し、図１４Ｄは、各ターゲットについてのクラスタリング結果を示す。
ＥＭ波が人間の被験者によって反射されるとき、位相は、人間の動きの変調に起因して、スロー時間にわたって変化する。したがって、人間の被験者に対応するビンには大きな位相分散が存在する。しかしながら、静止物体（例えば、机、壁等）に対応するビンの場合、図１４Ａ及び図１４Ｂに示されるように、位相分散はるかに小さくなる。したがって、ｍｍＨＲＶのいくつかの実施形態では、静止物体をフィルタ除去するために、スロー時間にわたる位相情報の分散をチェックすることができ、人間の被験者に対応するビンはある閾値を超える位相分散を有するビンである。
図１４Ｃに示されるように、人間の被験者の体積を考慮して、人間の被験者に対応する２つ以上のビンが存在する。ターゲット番号を識別するために、ｍｍＨＲＶはいくつかの実施形態では、クラスタ番号の事前知識なしに候補ビンをクラスタリングするために、ノンパラメトリッククラスタリング方法、雑音を伴うアプリケーションの密度ベース空間クラスタリング（ＤＢＳＣＡＮ）アルゴリズムを利用する。クラスタリング結果を図１４Ｄに示す。各クラスタの代表は、最良の周期性を有するビンでありうる。例えば、自己相関の第１のピークについて最も高いピークを有するビンが選択され、これはバイタルサインの最も高いＳＮＲを有するビンに対応する。
心拍抽出及びＨＲＶ推定：いくつかの実施形態では、ＨＲＶを推定することは心拍間隔（ＩＢＩ）の正確な推定を必要とする。したがって、ｍｍＨＲＶは胸壁の複合変位変化から心拍（別名、心拍波）に起因する変位変化を抽出し、心拍が発生するモーメントを検出しうる。
心拍抽出アルゴリズム：位相情報は、バイタルサインによって引き起こされる距離変化を反映する。簡単にするために、信号のアナログ形態を直接使用することができ、人間の胸部の距離変化は
ｙ(ｔ) ＝ ｓm(ｔ)＋ｓr(t)＋ｓh(t)＋ｎ(t) （１１）
と記述することができ、ｓm(ｔ)は、体動によって引き起こされる距離変化を表し、ｓr(ｔ)及びｓh(ｔ)は、それぞれ呼吸及び心拍によって引き起こされる距離変化を表し、ｎ(ｔ)は、バイタルサインによって引き起こされる位相変化とは無関係で雑音によって導入されるランダム位相オフセットである。
ｙ(ｔ) ＝ ｓm(ｔ)＋ｓr(t)＋ｓh(t)＋ｎ(t) （１１）
と記述することができ、ｓm(ｔ)は、体動によって引き起こされる距離変化を表し、ｓr(ｔ)及びｓh(ｔ)は、それぞれ呼吸及び心拍によって引き起こされる距離変化を表し、ｎ(ｔ)は、バイタルサインによって引き起こされる位相変化とは無関係で雑音によって導入されるランダム位相オフセットである。
ｓr(ｔ)及びｓh(ｔ)は、いずれも準周期的信号であり、期間は、経時的にわずかに変化時間。加えて、体動はほとんど振動を導入しない、即ちベースバンド信号を導入すると仮定しうる。したがって、人間の被験者に関連する信号はスペクトル領域においてまばらであり、いくつかの帯域制限された信号を用いてこれらの信号を再構成しうる。例えば、成分ｕk(ｔ)は、分解に伴って決定されるべきセンタ脈動ωkをセンタとして小型であるとする。更に、分解はスペクトルスパース性（spectrum sparsity）及びデータ忠実度を同時に達成すべきであり、これは、以下のようにモデル化される。
ここで、第１の用語は各成分に関連する分析信号の帯域幅を評価し、第２の用語は、データ忠実度を評価する。Ｋは分解成分の総数であり、
は、全ての成分及びそれらの中心周波数のそれぞれに対する設定である。αは、帯域幅制約とデータ忠実度とのバランスをとるためのパラメータである。
ハイパーパラメータが知られると、式（１２）の最適化問題が生じる。ｕk(ｔ)及びωkを収束まで交互に又は反復的に更新することによって解くことができる。ｕ kをアップデートするには、次のようにサブ問題を記述する。
パーセバル（Parseval）定理を用いることにより、問題は次のように書き換えることができる。
ここで、
は、それぞれｕk(ｔ)とｙ(ｔ)のフーリエ変換である。周波数に対する積分をとり、変数の変更を行った後、更新式を得ることができる
中心周波数ωkは帯域幅制約にのみ現れ、したがって、副問題は次のように書くことができる。
前述のように、フーリエ領域において最適値を見つけることができ、
を有しうる。
上記の二次問題の最小化器は
である。
図１５Ａ～図１５Ｂは、元の位相情報が４つのコンポーネントに分解された、実験からの典型的な１分位相信号の分解を示す。図１５Ａは時間領域における分解結果であり、図１５Ｂは、各成分の対応するスペクトルである。いくつかの実施形態では、第１のコンポーネント１５０１が人間の被験者の体動を反映し、第２のコンポーネント１５０２は呼吸運動であり、第３のコンポーネント１５０３は心拍波である。雑音はバイタル信号として異なる振動特性を有するので、図１５Ａ～図１５Ｂに示されるように、信号の分解の残差１５０４と同様に、異なるモードに入る。
分解問題は、ハイパーパラメータが適切に定義されると解くことができる。しかしながら、心拍波抽出のための実際のアプリケーションにおいて、これらのハイパーパラメータを予め定義することは困難である。第１に、人間の動きは必ずしも存在せず、人間の呼吸は強い第２高調波成分を有することがあり、成分数を決定することを更に困難にする。更に、ハイパーパラメータαも分解性能に影響を与える。ハイパーパラメータの選択方法を議論する前に、分解結果に対するそれらの影響を以下のように開示する。
αが小さすぎる場合、即ち、帯域幅制約が緩すぎる場合、Ｋが小さすぎる場合、２つの信号が単一の分解されたコンポーネントにマージされうるように、混合問題が生じる。Ｋが大きすぎると、分解されたコンポーネントの一部に雑音が含まれる場合がある。αが大きすぎる場合、即ち、帯域幅制約が狭すぎる場合、Ｋが小さすぎる場合、いくつかのターゲット信号は、雑音中で破棄されうる。Ｋが大きすぎる場合、信号のいくつかの重要な部分は、２つ以上の分解されたコンポーネントに分離されうる。
ｍｍＨＲＶのいくつかの実施形態では、信号を正確に分解し、関心のある成分、即ち心拍波をうるために、異なるデータセットについて成分数Ｋ及びαを適応的に変更しうる。ここでは、適切な分解結果をうるために、反復が進むにつれてＫ及びαを変更する発見的方法が開示される。心拍によって引き起こされる距離変化は、呼吸及び人間の動きによって引き起こされる距離変化よりもはるかに小さいので、心拍に対応する成分が分解されると、呼吸及び動きに対応する成分も、目的関数におけるデータ忠実度制約を考慮して分解されるべきである。したがって、アルゴリズムは、心拍に対応するコンポーネントを取得すると終了する。
ＨＲＶ推定：いくつかの実施形態では、心拍波が抽出されると、各心拍に対応する正確な時間が心拍波のピークによって識別されうる。精度を更に高めるために、ピーク抽出の前に正規化を行ってもよい。
いくつかの実施形態では、心拍波のエンベロープが図１６Ａに破線として示される、心拍成分の絶対値までの移動平均を取ることによって推定される。雑音を低減するために、オリジナルの心拍波に対して移動平均フィルタを更に実行しうる。正規化された波は、フィルタリングされた心拍波と推定された包絡線との間の比である。したがって、ＩＢＩは、２つの隣接する心拍間の持続時間を演算することによって導出しうる。図１６Ｂは心拍波のセグメント及びそのＥＣＧグラウンドトゥルースを示し、破線は、市販のＥＣＧセンサからの各心拍の正確な時間を示す。正規化された心拍波のピークはグラウンドトゥルースと一致し、図１６Ｃは、推定されたＩＢＩ及びＥＣＧグラウンドトゥルースを示す。
ＨＲＶ特徴は、ＩＢＩシーケンスから更に得ることができる。ｍｍＨＲＶのいくつかの実施形態では、ＨＲＶを評価するために以下の３つのメトリックを使用しうる。１つは、連続するＩＢＩ変更を測定する連続差の二乗平均平方根（ＲＭＳＳＤ）であり、次式によって演算しうる。
ここで、ＮIBIは、測定のＩＢＩの総数である。全てのＩＢＩ（ＳＤＲＲ）の標準偏差はＩＢＩの変動を測定し、これは、以下のように演算しうる。
ここで、
は各測定のＩＢＩの経験的平均である。指標ｐＮＮ５０は５０ミリ秒（ｍｓ）を超えて異なる連続するＩＢＩのパーセンテージを測定し、これは
によって演算されうる。ここで、１｛・｝はインジケータ関数である。
実験評価：いくつかの実施形態では、３．５ｍ×３．２ｍのサイズの典型的なオフィスにおいて、商品ミリ波ＦＭＣＷレーダーを利用することによって、ｍｍＨＲＶシステムを試作しうる。２つのＴｘアンテナ及び４つのＲｘアンテナをＴＤＭ－ＭＩＭＯモードに構成することによって、システムは、１５°の理論的方位分解能を達成しうる。視野（ＦｏＶ：field-of-view）は、約４ｍの半径を有する水平面において１００°であり、これは、典型的な部屋を覆うのに十分である。真の心拍信号をうるために、ＥＣＧセンサが、実験中にｍｍＨＲＶと同時にグラウンドトゥルースを収集するために使用される。２０～６０歳の参加者１１名（男性６名、女性５名）を対象に、ＬＯＳとＮＬＯＳの両シナリオで実験を行った。実験は、人間の被験者とレーダとの間の異なる距離、入射角、配向、及び遮断を含む様々な設定で行われる。
開示されたシステムの性能を更に評価するために、ｍｍＨＲＶシステムは、帯域通過フィルタバンク（ＢＰＦＢ）を使用してＨＲＶ推定技法と比較されうる。図１７は、ｍｍＨＲＶ及びＢＰＦＢ法の全体的なＩＢＩ推定精度を示す。実験は１１人の参加者を含み、１５の異なる実験設定（例えば、異なる距離、入射角、配向、及び閉塞）が、各参加者に対して行われる。図１７に示されるように、ＢＰＦＢは約４４ｍｓの媒体誤差を生じ、一方、９０パーセンタイル誤差は約２００ｍｓである。ｍｍＨＲＶは約２８ｍｓの媒体誤差を達成し、９０パーセンタイル誤差の８０ｍｓは、ＢＰＦＢを約６０％上回る性能を示す。ＨＲＶ推定精度を完全に評価するために、以下の表Ｉは１１人の参加者の平均ＩＢＩ、ＲＭＳＳＤ、ＳＤＲＲ、及びｐＮＮ５０に関して推定されたＨＲＶ特徴を示し、ここで、ユーザとデバイスとの間の距離は約１ｍである。ｍｍＨＲＶは平均値ＩＢＩの３．８９ｍｓ平均値誤差、ＲＭＳＳＤの６．４３ｍｓ平均値誤差、ＳＤＲＲの６．４４ｍｓ平均値誤差及びｐＮＮ５０の２．５２％平均値誤差を達成できることを示した。それに対応して、ＢＰＦＢの平均推定誤差は、平均ＩＢＩの１５．３３ｍｓ、ＲＭＳＳＤの４１．９４ｍｓ、ＳＤＲＲの３２．５９ｍｓ、及びｐＮＮ５０推定の１２．１７％である。
図１８は、本開示のいくつかの実施形態による、無線バイタルモニタリングのための例示的な方法１８００のフローチャートを示す。動作１８０２において、第１の無線信号が、ベニューの無線チャネルを通じて送信される。動作１８０４において、第２の無線信号が無線チャネルを介して受信され、第２の無線信号は、ベニューにおいて少なくとも１つの反復動作を有する少なくとも１つの生物による第１の無線信号の反射を含む。動作１８０６において、第２の無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）が取得され、各ＣＩは、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、又は受信信号強度インデックス（ＲＳＳＩ）のうちの少なくとも１つを含む。動作１８０８において、少なくとも１つの生物の各々について、複数のＴＳＣＩに基づいて、生物の全ての反復動作を表すバイタル信号が生成される。バイタル信号は、心拍又は呼吸のようなバイタルサインを表しうる。動作１８１０において、心拍信号が、各生物のバイタル信号から抽出される。動作１８１２では、ベニュー内の各生物について、心拍数変動が心拍信号に基づいてモニタリングされる。図１８の動作の順序は、本教示の様々な実施形態に従って変更されうる。
いくつかの実施形態では、無線バイタルモニタリング方法が以下で説明するステップｓ１～ｓ８を含む。
ステップｓ１において、複数の送信（Ｔｘ）アンテナ及び複数の受信（Ｒｘ）アンテナを使用してＣＳＩをキャプチャする。ステップｓ２において、指向性のＣＳＩ（例えば、ＣＩＲ）をうるためにビームフォーミングを適用する。これは、ＣＳＩに方向及び距離を関連付けることができる。ステップｓ３において、各方向について実行されるステップｓ３ａ及びｓ３ｂを含む各方向における物体の存在を検出することによって、関心方向（ＤｏＩ）を決定する。
ステップｓ３ａ：ＣＳＩの大きさを演算する（例えば｜ｈ（θ、距離）｜ＣＩＲ）の各時間インスタンスについて、時間ウインドウにわたって時間平均する。ステップｓ３ｂにおいて、時間平均化された大きさ応答が閾値Ｔ１より大きい場合、物体が方向に存在する（したがって、方向はＤｏＩである）と決定し、ここで、閾値Ｔ１は、｜の２次元ＣＦＡＲフィルタリングでありうるｈ|シータ方向及び距離方向に。
ステップｓ４：各ＤｏＩ（即ち、物体存在が検出される方向）について、物体を、（ａ）静止物体（例えば、家具）、（ｂ）静止人間（呼吸及び心拍を伴う）、及び（ｃ）ステップｓ４ａ～ｓ４ｅを含むランダムな体動に分類することによって、動き検出を実行する。
ステップｓ４ａでは、時間ウィンドウにおける時間に対するＣＳＩの位相（例えば、ｈ（θ、距離）の位相）の分散値（Ｖ）を演算する。いくつかの実施形態では、より大きい位相分散が、ターゲットが心拍を有する生物であることを意味する。ステップｓ４ｂにおいて、Ｖが閾値Ｔ２未満である場合、動きを「静止物体」として分類する。ステップｓ４ｃにおいて、Ｖ＞Ｔ２である場合、自己相関関数（ＡＣＦ）を演算し、有意な特徴点（例えば、第１のピーク）Ｐ１を見つける。ステップｓ４ｄ：Ｖ＞Ｔ２であり、Ｐ１＞Ｔ３である場合、動作を「静止人間」として分類する。ステップｓ４ｅにおいて、Ｖ＞Ｔ２及びＰ１＜Ｔ３である場合、動作を「ランダム体動」として分類する。いくつかの実施形態では、より大きいＰ１がより周期的な特徴を意味する。
ステップｓ５：ステップｓ５ａ～ｓ５ｂを含む、静止している人間の被験者の数及びそれらの対応するバイタル動作（バイタルモーション）を決定する。
ステップｓ５ａでは、関心点（ＰｏＩ）のセット（即ち、ステップｓ４における静止人間に対応する（θ、距離））をクラスタリングし、ここで、ＰｏＩはクラスタ番号の事前知識、即ち、ノンパラメトリッククラスタリングなしにクラスタリングされる。ＰｏＩは密度ベースの方法（例えば、ＤＢＳＣＡＮ）に基づいて分類されうるか、又は距離に基づいて分類されうる（例えば、２つのＰｏＩ間の距離＞人体の共通サイズである場合、それらは異なるクラスタに属する）。
ステップｓ５ｂ：各人間の被験者に対応するバイタル動作を生成する。２つ以上のＰｏＩが人間の被験者に対応する場合、対応する動きは例えば、ＰｏＩの位相測定値を重み付け平均することによって組み合わせることができ、又は優勢ＰｏＩを識別することができ、バイタル動作は優勢なタップと関連付けられる。
ステップｓ６：各人間の被験者について、ステップｓ６ａにおけるように分解を共同で最適化するか、又はステップｓ６ｂにおけるように連続分解するかのいずれかによって、いくつかの帯域制限信号を用いてバイタル信号を分解することによって、心拍信号を抽出する。
ステップｓ６ａにおいて、ステップｓ６ａ１、ｓ６ａ２、及びｓ６ａ３を使用してモデル化された生信号の分解を共同で最適化する。
ステップｓ６ａ１では、帯域幅制約とデータ忠実度とのバランスをとるために、コンポーネント番号Ｋとパラメータαとのデフォルト設定が与えられ、代替的に、コンポーネントとそれらの中心周波数とを最適化する。
ステップｓ６ａ２：いくつかの特徴によって、心拍に対応する成分があるかどうかをチェックし、ここで、成分は信号の振幅が範囲［Ｔ４、Ｔ５］に位置し、その中心周波数が範囲［Ｔ６、Ｔ７］に位置する場合、心拍波に対応する。いくつかの実施形態では、ステップｓ６ａ２において呼吸／呼吸信号を抽出することもできる。
ステップｓ６ａ３において、心拍に対応する分解された成分がある場合、ステップｓ７において心拍信号を正規化し、そうではない場合、成分個数Ｋ及びトレードオフ係数αの値を更新し、ステップｓ６ａ１～ｓ６ａ３を繰り返す。
ステップｓ６ｂ：ステップｓ６ｂ１、ｓ６ｂ２、及びｓ６ｂ３を使用して、生信号を連続的に分解して心拍波をうる。
ステップｓ６ｂ１において、ドミナント（より大きい大きさ）周期信号の影響を除去／抑制することによって、生信号を処理し（例えば、生信号をフィルタリングするか、又はドミナント周期信号を推定し、生信号からそれを減算する）、ここで、ドミナント周期信号は生信号に対する演算（例えば、平滑化、ローパスフィルタリング、スプライン補間、Ｂ－スプライン、キュービックスプライン補間、多項式フィッティング、距離／タップに基づいて適応的に選択された次数による多項式フィッティング等）によって推定されうる。
ステップｓ６ｂ２：処理された生信号に基づいて、次の支配的な周期信号の特性を演算する。特性は、周波数変換、三角変換、高速フーリエ変換（ＦＦＴ）、ウェーブレット変換、ＡＣＦ等に基づいて演算されうる。特性はまた、制約付き最適化（例えば、平滑性制約を受けるエネルギー関数の最小化）によって演算されてもよい。エネルギー関数は周波数のエネルギー（例えば、信号が融合／クラスタ化された信号でありうる、コンポーネント除去信号のＦＦＴのエネルギー）でありうる。
ステップｓ６ｂ３：成分がいくつかの特徴によって心拍に対応するかどうかをチェックし、ここで、成分は信号の振幅が範囲［Ｔ４、Ｔ５］に位置し、その中心周波数が範囲［Ｔ６、Ｔ７］に位置する場合、心拍波に対応する。心拍に対応する場合はステップｓ７で心拍信号を正規化する。対応しない場合がコンポーネントを削除し、ステップｓ６ｂ２ とｓ６ｂ３ を繰り返す。
いくつかの実施形態では、他のモード分解方法をステップｓ６に適用することができ、モードは例えば、アンサンブル経験的モード分解によって、周波数成分、信号等と見なすことができる。いくつかの実施形態では、心拍を抽出するための入力として位相情報を使用する代わりに、心拍信号／波を抽出するためにＣＩＲ振幅に依存することもできる。
ステップｓ７：推定された心拍波を、推定された波を信号のエンベロープで除算することによって正規化し、エンベロープは生信号に対する演算（例えば、平滑化、ローパスフィルタリング、スプライン補間、Ｂ－スプライン、３次スプライン補間、多項式フィッティング、及び移動平均）によって推定しうる。
ステップｓ８：各心拍の正確な時間を特定し、次いで、心拍数変動（ＨＲＶ）及び／又は心拍間隔の他の統計を推定するために心拍間隔を演算し、ここで、各心拍の正確な時間はいくつかの方法によって、例えば、心拍波のピークを特定すること、ゼロクロス点を特定すること、又は連続ウェーブレット変換を行った後にいくつかの特徴点を見つけることによって、特定しうる。
以下の番号付けされた節は、無線バイタルモニタリングの実装例を提供する。
項Ｂ１．無線モニタリングのためのシステムであって、Ｎ１個の送信アンテナを使用して、ベニューの無線チャネルを通じて第１の無線信号を送信するように構成された送信機と、Ｎ２個の受信アンテナを使用して、無線チャネルを通じて第２の無線信号を受信するように構成された受信機であって、Ｎ１及びＮ２は正の整数であり、第２の無線信号は、ベニューにおける少なくとも１つの反復動作を有する少なくとも１つの生物による第１の無線信号の反射を含む、受信機と、プロセッサとを備え、当該プロセッサは、第２の無線信号に基づいて、無線チャネルの複数の時系列のチャネル情報（ＴＳＣＩ）を取得することであって、複数のＴＳＣＩの各々は、送信機のそれぞれの送信アンテナ及び受信機のそれぞれの受信アンテナと関連付けられる、ことと、少なくとも１つの生物のうちの各生物について、複数のＴＳＣＩに基づいて、当該生物の全ての反復動作を表すバイタル信号を生成することと、各生物のバイタル信号から、心拍信号を抽出することと、ベニュー内の各生物について、心拍信号に基づいて、心拍数変動をモニタリングすることと、を行うように構成される。
項Ｂ２．項Ｂ１のシステムであって、少なくとも１つの生物は、人間又は動物を含み、第１の無線信号は、ミリ波で搬送され、ベニュー内の各物体は、ベニュー内の複数の空間ビンに基づいて定められる位置を有し、複数の空間ビンの各々は、受信機から生じる方向及び距離レンジによって決定され、各方向は、角度、方位角、又は仰角のうちの少なくとも１つと関連付けられる。
項Ｂ３．項Ｂ２のシステムであって、各生物についてバイタル信号を生成することは、複数のＴＳＣＩに基づいてビームフォーミングを演算することと、ビームフォーミングに基づいて方向にそれぞれ関連付けられた、時系列の指向性チャネル情報（ＣＩ）のセットを演算することと、を更に含む。
項Ｂ４．項Ｂ３のシステムであって、各生物についてバイタル信号を生成することは、それぞれの方向と関連付けられた各指向性ＣＩについて、時間インスタンスごとに、それぞれの方向についての指向性ＣＩ及び距離レンジに基づいて、ＣＩ振幅を演算することで、ＣＩ振幅を経時的に取得することと、時間ウィンドウに基づいてＣＩ振幅の時間平均を演算することと、時間平均が第１の閾値よりも大きい場合に、それぞれの方向の距離レンジにおける物体の存在を検出することと、物体の存在が検出された方向をそれぞれ含む、関心方向（ＤｏＩ：direction-of-interest）のセットを決定することと、を更に含む。
項Ｂ５．項Ｂ４のシステムであって、第１の閾値は、２次元の一定誤警報率（ＣＦＡＲ：constant false alarm rate）に基づいて、それぞれの方向の距離レンジにおいてＣＩ振幅をフィルタリングするように適応的に決定される。
項Ｂ６．項Ｂ４のシステムであって、各生物についてバイタル信号を生成することは、ＤｏＩのセット内のＤｏＩごとに、かつ、距離レンジごとに、時間ウィンドウ内の時間にわたるＤｏＩと関連付けられた指向性ＣＩの位相分散を演算することと、位相分散が第２の閾値未満である場合に、距離レンジ及びＤｏＩにおいて検出された物体を、反復動作の無い静止物体として分類することと、位相分散が第２の閾値以上である場合に、距離レンジ及びＤｏＩにおいて検出された物体を、反復動作のある生物として分類することと、を更に含む。
項Ｂ７．項Ｂ６のシステムであって、各生物についてバイタル信号を生成することは、検出された生物ごとに複数のターゲット空間ビンを決定することであって、当該複数のターゲット空間ビンの各々は、ターゲットＤｏＩ及びターゲット距離レンジによって決定される、ことと、各ターゲット空間ビンについて、当該ターゲット空間ビンと関連付けられた指向性ＣＩに基づいて自己相関関数を演算することと、自己相関関数の第１のピークを決定することと、第１のピークが第３の閾値よりも大きい場合に、当該ターゲット空間ビンにある検出された生物の動きを反復動作として分類することと、第１のピークが第３の閾値以下である場合に、当該ターゲット空間ビンにある検出された生物の動きを、ランダムな体動として分類することと、を更に含む。
項Ｂ８．項Ｂ７のシステムであって、各生物についてバイタル信号を生成することは、関心ポイント（ＰｏＩ：point-of-interest）のセットを演算することであって、ＰｏＩのセット内の各ＰｏＩは、当該ＰｏＩに存在する検出された生物と関連付けられ、当該ＰｏＩに存在する検出された生物の反復動作と関連付けられた、ベニュー内のターゲット空間ビンである、ことと、ＰｏＩのセットをクラスタリングすることで、総クラスタ数を有する少なくとも１つのＰｏＩクラスタを生成することであって、ＰｏＩのセットは、クラスタリング後の総クラスタ数の事前知識なしにクラスタリングされ、ＰｏＩのセットは、ＰｏＩのセットに関連する密度、ＰｏＩのセットの任意の２つのＰｏＩ間の距離、又は生物のサイズに関連する閾値のうちの少なくとも１つに基づいてクラスタリングされる、ことと、総クラスタ数に基づいて、ベニュー内のターゲット生物の量を決定することと、を更に含む。
項Ｂ９．項Ｂ８のシステムであって、各生物についてバイタル信号を生成することは、少なくとも１つのＰｏＩクラスタの各々について、ＰｏＩで測定されたＣＩ位相の重み付け平均、又はＰｏＩと関連付けられた自己相関関数の第１のピークの中で最も高いピークを有する支配的ＰｏＩ、のうちの少なくとも１つに基づいて、当該ＰｏＩクラスタ内のＰｏＩを合成することで、合成ＰｏＩを生成することと、合成ＰｏＩに対応するＣＩ位相信号に基づいて、ＰｏＩクラスタに対応するターゲット生物についてのバイタル信号を生成することであって、ＣＩ位相信号は、ターゲット生物の全ての反復動作と関連付けられる、ことと、を更に含む。
項Ｂ１０．項Ｂ９のシステムであって、バイタル生体信号から心拍信号を抽出することは、生物ごとに、ＣＩ位相信号の分解の共同最適化、又はＣＩ位相信号の連続的分解、のうちの少なくとも１つに基づいて、生物と関連付けられた当該ＣＩ位相信号を分解することで心拍信号を生成することを含む。
項Ｂ１１．項Ｂ１０のシステムであって、共同最適化は、ＣＩ位相信号の可能性のある信号成分の量を表す個数Ｋを決定することであって、Ｋはベニューに存在する生物の量以上である、ことと、帯域幅制約とデータ忠実度とのバランスをとるためのトレードオフファクタを決定することと、トレードオフファクタに基づいて、ＣＩ位相信号のＫ個の信号成分と当該Ｋ個の信号成分の中心周波数とを、ＣＩ位相信号のスペクトルスパース性とデータ忠実度とを同時に最大化する目的個数に基づいて、当該目的関数の収束まで反復的に最適化することと、当該反復的に最適化することに基づいて、ＣＩ位相信号のＫ個の分解成分を同時に生成することと、を含む。
項Ｂ１２．項Ｂ１１のシステムであって、共同最適化は、Ｋ個の分解成分が、第１の値範囲内に位置する振幅を有し、かつ、第２の値範囲内に位置する中心周波数を有する心拍成分を含むかどうかを判定することを更に含み、第１の値範囲及び第２の値範囲の各々は、心拍統計値に基づいて予め決定される。
項Ｂ１３．項Ｂ１２のシステムであって、共同最適化は、Ｋ個の分解成分に心拍成分が存在する場合、平滑化、ローパスフィルタリング、スプライン補間、Ｂ－スプライン、３次スプライン補間、多項式フィッティング、又は移動平均のうちの少なくとも１つに基づいて、心拍成分のエンベロープを推定することと、心拍成分を当該心拍成分のエンベロープで除算することによって、当該心拍成分を正規化して、生物についての正規化された心拍信号を生成することと、を更に含む。
項Ｂ１４．項Ｂ１２のシステムであって、共同最適化は、Ｋ個の分解成分に心拍成分が存在しない場合、ＣＩ位相信号の可能性のある信号成分の更新された量を表すために更新された個数Ｋを生成するために個数Ｋを更新することと、トレードオフファクタを更新することで、帯域幅制約とデータ忠実度とのバランスをとるために更新されたトレードオフファクタを生成することと、ＣＩ位相信号のＫ'個の信号成分と当該Ｋ'個の信号成分の中心周波個数とを、ＣＩ位相信号のスペクトルスパース性とデータ忠実度とを同時に最大化する目的関数に基づいて、ＣＩ位相信号のＫ'個の分解成分を同時に生成するために、更新されたトレードオフファクタに基づいて反復的に最適化することと、を更に含む。
項Ｂ１５．項Ｂ１０のシステムであって、連続的分解は、平滑化、ローパスフィルタリング、スプライン補間、又は多項式フィッティングのうちの少なくとも１つに基づいて、ＣＩ位相信号の主成分を推定することと、ＣＩ位相信号から主成分を除去することで、処理されたＣＩ位相信号を生成することと、周波数変換、三角変換、高速フーリエ変換（ＦＦＴ）、又はウェーブレット変換のうちの少なくとも１つを利用して、処理されたＣＩ位相信号に基づいて、ＣＩ位相信号の第２の主成分の特性を演算することと、当該特性に基づいて、第２の主成分が第１の値範囲内に位置する振幅を有し、かつ、第２の値範囲内に位置する中心周波数を有する心拍成分であるかどうかを判定することと、を含み、第１の値範囲及び第２の値範囲の各々は、心拍に関連する。当該特性は更に、平滑性制約を受けるエネルギー関数の最小化によって演算されてもよい。
項Ｂ１６．項Ｂ１５のシステムであって、連続的分解は、第２の主成分が心拍成分である場合、平滑化、ローパスフィルタリング、スプライン補間、Ｂ－スプライン、３次スプライン補間、多項式フィッティング、又は移動平均のうちの少なくとも１つに基づいて、心拍成分のエンベロープを推定することと、心拍成分を当該心拍成分のエンベロープで除算することによって、当該心拍成分を正規化して、生物についての正規化された心拍信号を生成することと、を更に含む。
項Ｂ１７．項Ｂ１５のシステムであって、連続的分解は、第２の主成分が心拍成分でない場合、ＣＩ位相信号から第２の主成分を除去することで、追加の処理されたＣＩ位相信号を生成することと、追加の処理されたＣＩ位相信号に基づいて、ＣＩ位相信号の次の主成分の追加の特性を演算することと、当該追加の特性に基づいて、次の主成分が心拍成分であるかどうかを判定することと、を更に含み、当該次の主成分は、第１の値範囲内に位置する振幅を有し、かつ、第２の値範囲内に位置する中心周波数を有する。追加の特性は、周波数変換によって、又は平滑性制約を受けるエネルギー関数の最小化によって演算されてもよい。
項Ｂ１８．項Ｂ１０のシステムであって、心拍数変動をモニタリングすることは、生物ごとに、心拍信号のピークを識別すること、心拍信号のゼロクロス点を識別すること、又は心拍信号に対して連続ウェーブレット変換を実行すること、のうちの少なくとも１つに基づいて、各時間インスタンスにおいて当該生物についての心拍時間を決定することで、心拍時間を演算することと、心拍時間に基づいて、複数の心拍間隔を演算することと、心拍間隔の統計値に基づいて、当該生物についての心拍数変動を推定することと、を更に含む。
項Ｂ１９．項Ｂ２のシステムであって、バイタル信号から心拍信号を抽出することは、生物ごとに、バイタル信号の周波数成分に基づくバイタル信号の分解、又は当該生物と関連付けられたＣＩ振幅信号の分解のうちの少なくとも１つに基づいて、心拍信号を生成することを含む。
項Ｂ２０．項Ｂ１のシステムであって、送信機及び受信機は、互いに物理的に結合される。
項Ｂ２１．無線モニタリングシステムの無線デバイスであって、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機とを備え、無線モニタリングシステムの追加の無線デバイスは、ベニューの無線チャネルを通じて第１の無線信号を送信するように構成され、受信機は。無線チャネルを通じて第２の無線信号を受信するように構成され、第２の無線信号は、ベニューにおける少なくとも１つの反復動作を有する少なくとも１つの生物による第１の無線信号の反射を含み、プロセッサは、第２の無線信号に基づいて無線チャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することと、少なくとも１つの生物のうちの各生物について、ＴＳＣＩに基づいて当該生物の全ての反復動作を表すバイタル信号を生成することと、各生物のバイタル信号から心拍信号を抽出することと、ベニュー内の各生物について、心拍信号に基づく心拍数変動をモニタリングすることと、を行うように構成される。
項Ｂ２２．項Ｂ２１の無線デバイスであって、少なくとも１つの生物は、人間又は動物を含み、第１の無線信号は、ミリ波で搬送され、ベニュー内の各物体は、ベニュー内の複数の空間ビンに基づいて定められる位置を有し、複数の空間ビンの各々は、受信機から生じる方向及び距離レンジによって決定され、各方向は、角度、方位角、又は仰角のうちの少なくとも１つと関連付けられる。
項Ｂ２３．項２２の無線デバイスであって、各生物についてバイタル信号を生成することは、ＴＳＣＩに基づいてビームフォーミングを演算することと、ビームフォーミングに基づいて方向にそれぞれ関連付けられた、時系列の指向性チャネル情報（ＣＩ）のセットを演算することと、それぞれの方向と関連付けられた各指向性のＣＩについて、時間インスタンスごとに、それぞれの方向についての指向性ＣＩ及び距離レンジに基づいて、ＣＩ振幅を演算することで、ＣＩ振幅を経時的に取得することと、時間ウィンドウに基づいてＣＩ振幅の時間平均を演算することと、時間平均が第１の閾値よりも大きい場合に、それぞれの方向の距離レンジにおける物体の存在を検出することであって、第１の閾値は、２次元の一定誤警報率（ＣＦＡＲ）に基づいて、それぞれの方向の距離レンジにおいてＣＩ振幅をフィルタリングするように適応的に決定される、ことと、物体の存在が検出された方向をそれぞれ含む、関心方向（ＤｏＩ）のセットを決定することと、を含む。
項Ｂ２４．項Ｂ２３の無線デバイスであって、各生物についてバイタル信号を生成することは、ＤｏＩのセット内のＤｏＩごとに、かつ、距離レンジごとに、時間ウィンドウ内の時間にわたるＤｏＩと関連付けられた指向性ＣＩの位相分散を演算することと、位相分散が第２の閾値未満である場合に、距離レンジ及びＤｏＩにおいて検出された物体を、反復動作の無い静止物体として分類することと、位相分散が第２の閾値以上である場合に、距離レンジ及びＤｏＩにおいて検出された物体を、反復動作のある生物として分類することと、検出された生物ごとに複数のターゲット空間ビンを決定することであって、当該複数のターゲット空間ビンの各々は、ターゲットＤｏＩ及びターゲット距離レンジによって決定される、ことと、各ターゲット空間ビンについて、当該ターゲット空間ビンと関連付けられた指向性ＣＩに基づいて自己相関関数を演算することと、自己相関関数の第１のピークを決定することと、第１のピークが第３の閾値よりも大きい場合に、当該ターゲット空間ビンにある検出された生物の動きを反復動作として分類することと、第１のピークが第３の閾値以下である場合に、当該ターゲット空間ビンにある検出された生物の動きを、ランダムな体動として分類することと、を含む。
項Ｂ２５．項Ｂ２４の無線デバイスであって、各生物についてバイタル信号を生成することは、関心ポイント（ＰｏＩ）のセットを演算することであって、ＰｏＩのセット内の各ＰｏＩは、当該ＰｏＩに存在する検出された生物と関連付けられ、当該ＰｏＩに存在する検出された生物の反復動作と関連付けられた、ベニュー内のターゲット空間ビンである、ことと、ＰｏＩのセットをクラスタリングすることで、総クラスタ数を有する少なくとも１つのＰｏＩクラスタを生成することと、総クラスタ数に基づいて、ベニュー内のターゲット生物の量を決定することと、少なくとも１つのＰｏＩクラスタの各々について、ＰｏＩで測定されたＣＩ位相の重み付け平均、又はＰｏＩと関連付けられた自己相関関数の第１のピークの中で最も高いピークを有する支配的ＰｏＩ、のうちの少なくとも１つに基づいて、当該ＰｏＩクラスタ内のＰｏＩを合成することで、合成ＰｏＩを生成することと、合成ＰｏＩに対応するＣＩ位相信号に基づいて、ＰｏＩクラスタに対応するターゲット生物についてのバイタル信号を生成することであって、ＣＩ位相信号は、ターゲット生物の全ての反復動作と関連付けられる、ことと、を更に含む。
項Ｂ２６．項Ｂ２１の無線デバイスであって、バイタル信号から心拍信号を抽出することは、生物ごとに、ＣＩ位相信号の分解の共同最適化に基づいて、生物と関連付けられた当該ＣＩ位相信号を分解することで心拍信号を生成することを含み、共同最適化は、ＣＩ位相信号の可能性のある信号成分の量を表す個数Ｋを決定することであって、Ｋはベニューに存在する生物の量以上である、ことと、帯域幅制約とデータ忠実度とのバランスをとるためのトレードオフファクタを決定することと、トレードオフファクタに基づいて、ＣＩ位相信号のＫ個の信号成分と当該Ｋ個の信号成分の中心周波数とを、ＣＩ位相信号のスペクトルスパース性とデータ忠実度とを同時に最大化する目的個数に基づいて、当該目的関数の収束まで反復的に最適化することと、当該反復的に最適化することに基づいて、ＣＩ位相信号のＫ個の分解成分を同時に生成することと、を含む。
項Ｂ２７．項Ｂ２６の無線デバイスであって、共同最適化は、Ｋ個の分解成分が、第１の値範囲内に位置する振幅を有し、かつ、第２の値範囲内に位置する中心周波数を有する心拍成分を含むかどうかを判定することを更に含み、第１の値範囲及び第２の値範囲の各々は、心拍統計値に基づいて予め決定される。
項Ｂ２８．項Ｂ２７の無線デバイスであって、共同最適化は、Ｋ個の分解成分に心拍成分が存在する場合、平滑化、ローパスフィルタリング、スプライン補間、Ｂ－スプライン、３次スプライン補間、多項式フィッティング、又は移動平均のうちの少なくとも１つに基づいて、心拍成分のエンベロープを推定することと、心拍成分を当該心拍成分のエンベロープで除算することによって、当該心拍成分を正規化して、生物についての正規化された心拍信号を生成することと、を更に含む。
項Ｂ２９．項Ｂ２７の無線デバイスであって、共同最適化は、Ｋ個の分解成分に心拍成分が存在しない場合、ＣＩ位相信号の可能性のある信号成分の更新された量を表すために更新された個数Ｋを生成するために個数Ｋを更新することと、トレードオフファクタを更新することで、帯域幅制約とデータ忠実度とのバランスをとるために更新されたトレードオフファクタを生成することと、ＣＩ位相信号のＫ'個の信号成分と当該Ｋ'個の信号成分の中心周波個数とを、ＣＩ位相信号のスペクトルスパース性とデータ忠実度とを同時に最大化する目的関数に基づいて、ＣＩ位相信号のＫ'個の分解成分を同時に生成するために、更新されたトレードオフファクタに基づいて反復的に最適化することと、を更に含む。
項Ｂ３０．無線モニタリングシステムの方法であって、ベニューの無線チャネルを通じて第１の無線信号を送信することと、無線チャネルを通じて第２の無線信号を受信することであって、第２の無線信号は、ベニューにおける複数の人間による第１の無線信号の反射を含む、ことと、第２の無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＴＳＣＩ）を取得することであって、各ＣＩは、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、又は受信信号強度インデックス（ＲＳＳＩ）のうちの少なくとも１つを含む、ことと、複数の人間の各々について、ＴＳＣＩに基づいて、当該人間の全ての反復動作を表すバイタル信号を生成することと、各人間のバイタル信号から心拍信号を抽出することと、数の人間の各々について、心拍信号に基づいて、心拍数変動を同時にモニタリングすることと、を含む。
自動車はそのモビリティ、便利さ、及び快適さのために、現在の速いペースの世界において日常的な必要性になっている。２０１５年までに、世界の自動車の路上走行台数は１２億台に達した。一方、世界保健機関によると、道路交通事故は毎年世界中で約１３５万人が死亡し、２０人から５０００万人が死亡している。自動車メーカーや研究者は交通事故の発生件数を減らし、運転の安全性を高めるために、先進運転支援システム（ＡＤＡＳ：Advanced Driver Assistance System）に取り組んできた。自動運転における多くの一般的なトピックの中で、運転者のバイタルサインモニタリングは、必須のコンポーネントの１つ。運転者の状態を継続的にモニタリングすることにより、運転者が突然の心臓発作、脳卒中、又は疲労に遭遇したとき等、緊急時にＡＤＡＳが自動車を制御することを可能にすることができ、これは、運転者の心拍数変動（ＨＲＶ）、即ち心拍間隔（ＩＢＩ）の変動を使用することによって予測又は指示しうる。心拍数（ＨＲ）及び呼吸数（ＲＲ）と組み合わせたＨＲＶは心不整脈、アルコール使用、精神的ストレス及び眠気の良好な指標として十分に確立されており、したがって、人間の覚醒を良好に予測する。
従来の運転者バイタルサインモニタリングソリューションは、主に２つのカテゴリ、即ち、センサベースの方法及び視覚ベースの方法を含む。センサベースの方法はバイタルサインをモニタリングするために、フォトプレチスモグラフィ（ＰＰＧ）、心電図（ＥＣＧ）、及び脳波記録（ＥＥＧ）等の生理学的センサを装着する運転者を必要とする。しかしながら、これらの専用センサを日常通勤で着用することは、面倒であり、不快である。更に、センサを装着することは、運転者の注意をそらし、安全性及びユーザ体験を低下させる可能性がある。侵入性の低いソリューションとして、視覚ベースの方法は、画像シーケンスを利用して、ＲＲ、ＨＲ、及びＨＲＶを含むバイタルサインを検出する。しかしながら、低光量シナリオにおけるその不十分な性能、及びプライバシーの懸念等の主な欠点は、ビジョンベースのシステムの広範な展開を妨げる。
無線センシングの発展に伴い、無線周波数（ＲＦ）ベースの方法が最も有力な候補の１つになっている。直観的には、人間の被験者の存在がＲＦ伝搬に影響を及ぼし、即ち、人間の被験者から反射されたＲＦ信号、呼吸及び心拍による胸部の動きを含む身体の動きによって変調される。結果として、ＲＦベースのシステムはいかなる物理的接触もなしにバイタルサインを推定することができ、一方で、ユーザのプライバシーを維持し、光の状態にかかわらず堅牢に動作する。多くの研究が、ＲＦ信号ＲＲ、ＨＲ及びＨＲＶモニタリングの実現可能性を検証している。しかしながら、これらのソリューションのほとんどは、エンジン振動、道路振動、及び人体運動を伴う騒音のある車内環境に対処することができない、静止している人間の被験者を伴う屋内シナリオに焦点を当てている。したがって、正確なＲＦベースの運転者バイタルサインモニタリングを更に調査する必要がある。
技術的には、ＲＦベースの運転者バイタルサインモニタリングを可能にすることは自明ではない。第１に、運転中、運転者は頻繁かつ予測不可能な動き（例えば、ハンドルの制御、自動車のトラッキングを維持するための頭部の動き、及び加速又はブレーキ等による身体のローミング）を示し、これは、呼吸及び心拍よりも大きな支配的な動きを頻繁に引き起こし、バイタル信号によって誘発される周期的な変動を容易に損なう可能性がある。したがって、生のＲＦ信号、バイタル信号に起因する微小な動きを蒸留することは困難である。
この問題を克服するために、本教示は、いくつかの実施形態による、２ステップ動き補償アルゴリズムを開示する。運転者の反射プロファイルは、システムの解像度及びターゲットのサイズを考慮すると、同様のままである。そのような観測が与えられると、第１のステップにおいて、運転者の位置変化は、連続チャネルインパルス応答（ＣＩＲ）間の相互相関に基づいて補償される。その後、人体の同じ部分に対応する反射は、時間同じレンジ－方位角ビンに位置合わせされる。微細な動きアーチファクトを更に除去し、位相測定において明らかにされたバイタル信号の周期性を回復するために、第２のステップにおいて、動きトレンドは、スプラインを平滑化することによって更に推定され、次いで除去される。第２に、体動の影響の大部分を排除した後でさえ、複合生体信号から個々の心拍を抽出することは依然として困難である。これは、心拍に起因する距離変化が呼吸に起因する距離変化よりも一桁小さく、心拍信号が水没しやすいためである。更に、これらのわずかな心原性体動はＥＣＧ信号におけるような鋭いピーク特徴を欠き、ＨＲＶ推定のための心拍の正確なタイミングを正確に特定することをより困難にする。
これらの課題に対処し、ＲＦ反射からの心拍信号と同様に呼吸信号を再構成するために、本教示は、バイタル信号の以下の特性を探索することによる関節分解方法を開示する。（１）呼吸及び心拍信号の両方は準周期的信号であり、呼吸及び心拍の通常の周波数は、それぞれ、６～３０呼吸毎分（ＲＰＭ）及び５０～１２０拍毎分（ＢＰＭ）である。（２）人間の胸部からの反射はデバイスのレンジ－方位分解能及び人体のサイズを考慮して、異なるレンジタップ及び方位角（図１９に示されるように、レンジ－方位角ビンとして知られる）を占めることになる。したがって、複数のレンジ－方位角ビンに含まれるバイタル情報は、推定精度を改善するために共同で最適化しうる。（３）人間の胸部の異なる部分（異なるレンジ－方位角ビンに対応する）によって反射されるバイタル信号の周波数は、反射が同じ人間の被検体から来るので、同じままである。しかし、図１９に示すような生理学的構造により、呼吸及び心拍によって引き起こされる距離変化は、人体の異なる部分で区別しうる。したがって、バイタル信号を含む全てのレンジ－方位角ビンについて、位相測定において同じ周波数であるが異なる振幅を有する周期的信号を観測する。
上述の特性を利用して、開示されたシステムは、帯域制限信号の集合として、異なるレンジ－方位角ビンにおけるバイタル信号の分解を共同で最適化しうる。呼吸及び心拍信号は、ＲＲ、ＨＲ及びＩＢＩ推定のための全てのレンジ－方位角ビンにわたる対応するコンポーネントの経験的平均を使用することによって、更に再構成されうる。
いくつかの実施形態では、開示されるシステムが単一の市販のオフザシェルフ（ＣＯＴＳ）ミリ波ラジオを使用してプロトタイプ化されてよく、その性能を評価するために広範なオンロードテストが行われる。いくつかの実施形態では、４人のボランティア（男性２人及び女性２人）がデータ収集を支援し、テスト経路は異なる道路状況を有するローカルルート及び高速道路を含む５０．７マイルのサイクルである。舗装条件、装置位置、ユーザ不均一性を含む種々のファクタの影響を調べた。実験結果は、開示されたシステムがＲＲ、ＨＲ、及びＩＢＩ推定の中央値誤差がそれぞれ０．１６ ＲＰＭ、０．８２ ＢＰＭ、及び４６ｍｓで正確な推定を達成できることを示す。開示されるシステムは、動きアーチファクトを用いて正確なＨＲＶ推定を達成しうる第１のＲＦベースの運転者バイタルサインモニタリングシステムである。開示されたシステムはＲＲ、ＨＲ、及びより重要なことには既存の作品では達成できないモーションアーチファクトにかかわらずＨＲＶを含む運転者のバイタルサインを推定しうる。
いくつかの実施形態では、開示されるシステムが単一の商品周波数変調連続波（ＦＭＣＷ）レーダを使用することによって、不可避のランダム運動を伴う実際の運転シナリオにおける非接触運転者のバイタルサインモニタリングを目的とする。いくつかの実施形態によれば、システムのパイプラインは図２０に示され、これは、２つの主要モジュール、即ち、バイタル動作抽出モジュール２０１０及びバイタルサイン推定モジュール２０２０を含む。
送信機（Ｔｘ）２００１及び受信機（Ｒｘ）２００２は、無線信号に基づいて無線チャネルのチャネル情報を取得するために使用されうる。無線信号は、Ｔｘ ２００１によって送信され、無線チャネルを通じて物体及び／又は人間によって反射された後にＲｘ ２００２によって受信されうる。無線信号は、２８ＧＨｚ、６０ＧＨｚ、７７ＧＨｚ等の高周波数帯域でありうる。いくつかの実施形態では、Ｔｘ ２００１が上述のようなボットであり、図９に示されるような構造を有し、Ｒｘ ２００２は上述のようなオリジンであり、図１０に示されるような構造を有する。
第１の段階では、バイタル動作抽出モジュール２０１０がチャネル情報からバイタル信号を含むビンを抽出する。異なるレンジ－方位角ビンでチャネルインパルス応答（ＣＩＲ）をうるために、チャネル情報に対してビームフォーミングが実行されうる。次に、バックグラウンド反射を減算するためにクラッタ除去が実行される。しかしながら、レーダに関する運転者の位置は、運転中に経時的に変化しうる（例えば、加速又はブレーキによる身体ローミング）ため、バックグラウンド減算後であっても、バイタル信号を直接抽出することはできない。その結果、バイタル信号は、複数のレンジビンにわたって拡散される。したがって、大きな体動の影響を除去するために、動き補償アルゴリズムが考案される。運転者の位置変化は最初に、ＣＩＲ振幅の相関に基づいて、連続するＣＩＲ間で大まかに補償される。次いで、範囲ビン内の微妙な動きが、平滑化スプラインを利用してＣＩＲ位相から推定され、除去される。動き補償の後、バイタル信号を含むレンジ－方位角ビン（別名バイタルビン）は周期的なパターンを示し、これらのビンのＣＩＲは、更なるバイタルサイン推定のためにエクスポートされる。
第２の段階では、バイタルサイン推定モジュール２０２０がバイタル動作抽出モジュール２０１０によってエクスポートされたバイタル信号を使用して、運転者のＲＲ、ＨＲ、及びＨＲＶを推定する。ＨＲＶ分析を可能にするために、心拍波は、各心拍の正確な時間をうるために再構成される必要がある。しかしながら、呼吸及び心拍運動の両方を含む複合バイタル信号から心拍信号を抽出することは、自明ではない。呼吸及び心拍信号を正確に回復するために、開示されたシステムは、複数の帯域制限信号を同時に有する全てのバイタルビンにおけるバイタル信号の分解を最適化しうる。全てのバイタルビンにおける抽出された呼吸及び心拍信号は、ＲＲ、ＨＲ及びＩＢＩ推定のための呼吸及び心拍波の推定値を与えるために更に結合される。
いくつかの実施形態では、開示されるシステムが図２１に示されるように、周期的に線形に増加する周波数ランプを有する信号を送信するＦＭＣＷレーダ上に構築される。図２１のチャープは単一の送信であり、ｍ番目のチャープの送信信号は
と表されうる。ここで、ｆcはチャープ開始周波数であり、Ｔcはチャープ持続時間であり、Ｂは帯域幅であり、ＡTは送信電力である。反射信号ｘR
m(τ)は
と表されうる。ここで、ＡRは受信信号の振幅であり、τpはｐ番目の反射経路の往復遅延であり、
と表されうる。ここで、ｄpは反射物体と装置との間の距離であり、ｃｉｓは光速であり、Ｐは周囲の反射点の総数である。
受信信号を送信信号のレプリカと混合し、ローパスフィルタに続いて、時間インスタンスｍにおけるチャネル情報は
と表されうる。ここで、Ａはチャンネルゲインを表し、τpは短距離の用途ではナノ秒であり、
の用語は無視できる。したがって、ｈm(τ)は
と記述されうる。これはＰ個の正弦波信号の和であり、その周波数
はターゲットの距離に依存する。更に、チップセットの複数のアンテナを活用して角度分解能を増加させることによって、チャネル情報は更に、次のように表すことができる。
ここで、λcはチャープの波長を表し、ｄlはｌ番目のアンテナによって導入される相対距離であり、θはターゲットの方位角である。このチャンネル情報はｈm(τ、ｌ)の高速フーリエ変換（ＦＦＴ）（レンジＲＲＦとしても知られる）によってＣＩＲに変換することができ、これは以下のように表すことができる。
ここで、ｈr, l（ｍ）は時刻ｍにおけるｌ番目のアンテナ素子及びｒ番目のレンジタップｒのＣＩＲを示し、ｎはファスト時間τにわたってｈm(τ，ｌ)をデジタル化した後のサンプル指標を示し、Ｎは、チャープ当たりのサンプルの総数である。
受信信号を送信信号のレプリカと混合し、ローパスフィルタに続いて、時間インスタンスｍにおけるチャネル情報は
現実世界の設定では、ＲＦ信号バイタル動作を抽出することは自明ではない。車内に様々なクラッタ（例えば、椅子、金属物体、天井等）が存在するため、ＲＦ反射を人体からフィルタリングすることは困難である。更に、運転中に体動が関与するため、バイタル動作によって引き起こされる反射信号の周期性が損なわれる可能性があり、バイタル信号の検出を複雑にする。
いくつかの実施形態では、反射物体の範囲及び方向を決定するために、開示されるシステムは各レンジタップについて全アンテナにわたってデジタルビームフォーミングを使用する。例えば、バートレットビームフォーマを使用することができ、ここで、方位角θに対するｌ番目のアンテナの係数は、以下のとおりである
範囲ｒ及び方位角θに対応するビームフォーミングされたＣＩＲは、以下のように表すことができる。
ここで、
は角度θに向かうステアリングベクトルであり、
はレンジタップｒにおけるチャネル情報ベクトルであり、ε（ｍ）は、異なるレンジ－方位角ビンに対して独立かつ同一に分布される（I.I.D）と仮定される加法的な白色ガウス雑音である。
いくつかの実施形態では、運転者に対応するレンジ－方位角ビンを位置特定し、車両内の静止物体からの反射の影響を低減するために、開示されるシステムはバックグラウンドからＣＩＲを減算するためにクラッタ除去アルゴリズムを展開する。静止物体からの反射はある期間内に不変であると合理的に仮定され、一方、運転者からの反射は人間の動き（バイタル信号によって引き起こされる身体の動き及び動きを含む）によって経時的に変化する。バックグラウンドプロファイルはスロー時間にわたるＣＩＲの平均値をとることによって推定することができ、キャリブレーションされたＣＩＲは
と表記されうる。ここで、Ｍは、クラッタ除去のために使用されるサンプルの数である。図２２Ａ及び２２Ｂはバックグラウンドキャンセルの効果を示し、クラッタ除去前の未加工ＣＩＲが図２２Ａに示され、クラッタ除去後の対応するキャリブレーションされたＣＩＲが図２２Ｂに示される。図２２Ａ及び図２２Ｂに示すように、クラッタ除去は、バックグラウンド雑音を著しく低減する。
いくつかの実施形態では、運転者に対応する動的ＣＩＲを抽出した後、システムはバイタル信号（別名、バイタルビン）によって与えられるレンジ－方位角ビンを取得しうる。人間の被験者が静止している場合、位相信号の周期性をチェックすることによって、バイタルビンを容易に識別しうる。しかしながら、静止している人間の被験者の仮定は、運転シナリオにおいてほとんど成り立たない。人間の動きを含むＣＩＲから周期的なバイタル信号を回復するために、開示されたシステムは、２ステップの動き補償アルゴリズムを使用する。
大きな体動がある場合、図２３に示されるように、人間の被験者に対応するレンジ－方位角ビンの位置は変化し、ここで、人間の被験者は、方位角０°でデバイスから約０．５ｍ離れて座る。被験者が身体を前後に揺らし、反射位置が変更する。ＣＩＲ測定の振幅は例えば、１５ｓごとに示される。図２３に示すように、人間の反射のプロファイルは同様のままである。したがって、体動を除去するために、連続するＣＩＲ間の２次元相互相関が演算される。次いで、各時間インスタンスにおけるＣＩＲは、最大相互相関に対応する点に循環的にシフトされる。
図２４は、体動対価前後の１分ＣＩＲの振幅を示す。可視化のために、ＣＩＲは、範囲［０，０．９］ｍにわたって方位角０°でプロットされる。上の図は［０、０．９］ｍの範囲での方位角０°における１分間のＣＩＲ振幅を示しており、人間の被験者とデバイスとの間の距離は、経時的に変化する。下の図は、人間の被験者のレンジタップが同じままで大きな体動対価後の対応するＣＩＲ振幅を示す。大きな体動対価の後、ビンは人間の被験者に対応することが示されている。２Ｄ一定誤警報率（ＣＦＡＲ）検出器は更に、人間の被験者をアライメント（整列）させた後にＣＩＲ上に適用され、候補ビンは図２５Ａ及び図２５Ｂに示されるように、人間の被験者と選択されうる。
人間の被験者に対応する候補レンジ－方位角ビンは第１のステップで位置合わせされ選択されているが、周期的なバイタル信号を用いて胸部によって反射されたビンを見つけることは依然として困難である。その理由は第１のステップがレンジ－方位分解能よりも大きい動きアーチファクトを除去することしかできないが、レンジ－方位分解能内の微細な動きに対処することができないからである。図２６Ａは、細かい動きによってゆっくりとした傾向が引き起こされる、実線における大きな体動対価後の候補レンジ－方位角ビンのアンラップ位相測定の例を示す。バイタル信号の周期性を回復するために、システムは、これらの微動の影響を更に排除しうる。
いくつかの実施形態では、
を、観測窓における範囲ｒ及び方位角θに対応するアンラップ位相シーケンスとする（式中、Ｍはサンプルの総数である）。
は各観測に対応する時間を示す。微動除去の動作は、スロー時間にわたって同じレンジ－方位角ビン内で実行される。
いくつかの実施形態では、バイタル動作と比較してより大きい距離変更及びより低い周波数を有するモーションアーチファクトを除去するために、モーションアーチファクトによって引き起こされる位相変化の推定値は
によって取得されうる。ここで、λ≧０は平滑化パラメータである。第２項は、関数の滑らかさを評価する。
は、以下のように定義される、運動によって引き起こされる位相変化の推定値である
ここで、ｆm(ｔ)は、スプライン基底関数の集合である。いくつかの実施形態では、Ｂ－スプラインがスプライン基底として使用される。
とすると、粗さペナルティは次のようになる
ここで、Ａの要素は
である。したがって、式（３１）として書き換えることができる。
ここで、式（３４）の最小化器は
として取得される。
動きの推定値は
によって取得されうる。ここで、ｆ(ｔ)はスプライン基底関数のベクトル形式である。次いで、推定されたモーションアーチファクトを除去して、クリーン位相を取得し、バイタル情報を明らかにしうる。図２６Ａ～図２６Ｃは細かい動きの相殺の効果を示し、図２６Ａの破線は、身体の動きによって引き起こされる推定された位相測定を示す。図２６Ｂはモーションアーチファクトが除去された後の位相測定を示し、ここでは、バイタル信号によって引き起こされる周期性が現れる。上記の微動除去はＣＦＡＲ検出器によって選択された全ての候補ビンにわたって実行され、各候補ビンのクリーニングされた位相は更なる分析のために保存される。
いくつかの実施形態では、動き補償の後、図２６Ｂに示されるように、人間の胸部に対応する位相情報は呼吸及び心拍の両方の変調による周期性を示す。人体の他の部分によって反射されたビン（即ち、動きによって支配されるビン）をフィルタリングするために、システムは、それらの自動相関関数（ＡＣＦ）を調べることによって、スロー時間にわたって位相信号の周期性をチェックしうる。その理由は、位相計測がバイタル信号を含む場合、その対応するＡＣＦのτ*にピークが観測され、呼吸周期の持続時間が明らかになるからである。図２６Ｃは人間の胸部に対応する位相測定のＡＣＦの例を示し、呼吸サイクルの持続時間は約３．７ｓであり、１６．１ ＲＰＭに対応する。システムは、人間の被験者に対応する全ての候補ビン、及び正常な人間のＲＲの範囲内に位置するピークが更なる分析のためにバイタルビンとして識別されるビンにわたって周期性をチェックしうる。
いくつかの実施形態では、前のモジュールによって識別されたバイタルビンが呼吸及び心拍によって引き起こされる複合距離変化のみを反映しうる。ＲＲ、ＨＲ、及びＨＲＶを含むバイタルサインを更に推定するために、システムは、それぞれ呼吸及び心拍によって引き起こされる距離変化を再構成しうる。簡単にするために、以下の分析では、信号モデルのアナログ形式が直接使用される。
いくつかの実施形態では、
が全てのＢ個のバイタルビンの位相信号のベクトルを示すものとする。移動消去後の位相信号は、バイタル信号の混合であるので、次式を得ることができる
r(ｔ)及びｓh(ｔ)はそれぞれ呼吸及び心拍信号のベクトルを表し、ｎ(ｔ)は、バイタルサインによって引き起こされる位相変化とは無関係である雑音によって導入されるランダム位相オフセットである。位相を分解し、バイタルサインの推定値をうるために、以下の特性を利用しうる。第１に、呼吸及び心拍の両方は、時間とともに周期性がわずかに変化する準周期的信号である。第２に、呼吸及び心拍に対応する信号の周期性は、これらの信号が同じ人によって変調されるので、異なるバイタルビンにおいて同じままであるべきである。第３に、呼吸及び心拍によって引き起こされる距離変化は生理学的構造に起因して人体の異なる部分において異なる可能性がある（即ち、異なるバイタルビンにおける距離変化は、異なる可能性がある）。
したがって、位相信号は
として表される帯域制限信号の集合として分解することができ、成分
ごとに、全てのバイタルビンに関する分解された信号は、同じ中心周波数ωk（特性ａ及びｂに対応する）の周りで小型であるべきである。更に、異なるバイタルビンにおける距離変化は、別々に最適化されるべきである（財産権ｃに対応する）。分解は、以下のようにモデル化しうる。
ここで、
は、全ての成分及びそれらの中心周波数のセットをそれぞれ示す。式（３８）の第１項は帯域幅制約を表し、これは、それぞれの成分に対応する解析信号の勾配のＬ2ノルムの和によって測定される。第２項は、再構成に関する二次ペナルティによって評価される忠実度制約である。αは、帯域幅制約とデータ忠実度とのバランスをとるためのパラメータである。式（３８）の中の最適化問題は、
を収束まで交互に更新することで解決できる。
次に、ｕk, bに関する最小化を演算しうる。いくつかの実施形態では、バイタルビンｂのｋ番目のコンポーネントを更新するために、下位問題は
と記述されうる。
パーセバル定理を用いることにより、問題は
と等価であり、ここで、
は、それぞれｕk, b(ｔ)とｙb(ｔ)のフーリエ転送である。第１項の変数ω←ω－ωkの変更を行い、第２項のスペクトルにおける実信号のエルミションシンメトリを用いた後、上記の問題は
と記述されうる。
更新されたソリューションは、以下のように表すことができる
このとき、システムは、ωkに関する最小化を演算しうる。中心周波数ωkは帯域幅制約にのみ現れ、したがって、更新機能は次のように書くことができる。
上述のように、フーリエ領域において最適値を見つけることができ、
を有する。
上記の問題の最小化器は
である。
図２７Ａ及び図２７Ｂはバイタル信号分解の例を示し、元の位相の時間領域及び周波数領域並びに分解成分は、それぞれ、図２７Ａ及び図２７Ｂに示される。図２７Ａの第１のサブ図は、動きキャンセル後の位相測定を示す。呼吸及び心拍成分は、図２７Ａの第２及び第３のサブ図にそれぞれ示されている。図２７Ａの第４のサブ図は分解残渣を示す。３つの異なるバイタルビンの情報が示されている。異なるバイタルビンの距離変化は別個であるが、図２７Ａに示されるように、各成分の信号の周期性は図２７Ｂに示されるように同じままである。言い換えれば、バイタル信号に対応するコンポーネントは全てのバイタルビンにわたって完全にアライメントされ、例えば、第１のコンポーネントは異なるバイタルビンにわたる呼吸によって引き起こされる別個変位量を表し、第２のコンポーネントは、異なるバイタルビンにわたる心拍によって引き起こされる別個変位量を表す。分解の残渣は図２７Ａ及び図２７Ｂに示されるように、車の振動を含む雑音を含む。いくつかの実施形態では、雑音の影響を更に低減するために、システムは経験的平均、即ち
を使用して全てのバイタルビンの信号を組み合わせることによってバイタル信号を再構成することができ、ここで、ｉ番目及びｊ番目のコンポーネントはそれぞれ呼吸信号及び心拍信号に対応する。ＲＲは図２６Ｃに示されるように、推定された呼吸信号のＡＣＦの第１のピークを見つけることによって推定される。更に、ＨＲの推定をうるために、推定された心拍信号に対してＦＦＴが更に実行される。更に、各心拍の正確な時間を再構成された心拍波から更に抽出して、ＩＢＩを推定しうる。
図２８Ａ～２８Ｃは２分間のデータセットの推定バイタルサイン対それらのグラウンドトゥルースを示し、ここで、時間－周波数領域変換（即ち、ＡＣＦ及びＦＦＴ）のために１分間のウィンドウが使用される。推定されたＲＲ及びＨＲは図２８Ａに実線で示され、これは図２８Ａに破線で示されるグラウンドトゥルースと一致する。図２８Ｂは推定された心拍波のセグメントを示し、各心拍の正確な時間のグラウンドトゥルースは、垂直破線としてマークされる。データ全体の推定ＩＢＩ及びそれらの対応するグラウンドトゥルースを図２８Ｃに示す。明らかに、開示されたシステムはバイタルサイン推定において高い精度を達成し、図２８ＣにおけるＩＢＩ推定の二乗平均平方根誤差（ＲＭＳＥ）は、９６％の相対精度に対応する４０．７７ｍｓである。
いくつかの実施形態によれば、広範な実験が、開示されるシステムの性能を評価するために実行される。異なる実験設定下で、性能を最先端の研究と比較しうる。いくつかの実施形態では、ＣＯＴＳミリ波レーダを使用して実験を行うことができ、２つのＴｘアンテナ及び４つのＲｘアンテナがＴＤＭ－ＭＩＭＯモードで構成される。装置は１５°の理論的方位分解能を達成することができ、視野（ＦｏＶ）は水平面において１００°であり、これは、運転者を覆うのに十分に大きい。ＦＭＣＷレーダセットに対応するパラメータをテーブルＩＩに示す。心拍のグラウンドトゥルースは市販のＥＣＧセンサによって捕捉され、呼吸のグラウンドトゥルースは呼吸ベルトによって測定される。
いくつかの実施形態では、４人のボランティア（２人の男性及び２人の女性）が２つの異なるデバイス位置を含むデータ収集を助けるために募集される。全ての参加者は、心臓の病歴を有さず、試験者についてのより多くの情報が表ＩＩＩに示される。走行経路はローカル路線や高速道路を含む５０．７マイルの周期であり、道路状況はＧＩＳデータセットと呼ぶことができる。データ収集の間、運転者は更なる制約なしに自身の習慣に従い運転しており、副操縦士がデータを収集する責任を負う。
開示されたシステムの性能を更に評価するために、それを、ＵＷＢレーダのＣＩＲを使用して運転者のバイタルサインを推定する最新の作品、ＯＯＢｉＦと比較しうる。バイタル信号によって引き起こされる距離変化は様々なバイタルビンにおいて同一であると仮定して、Ｖ2ｉＦｉはマルチシーケンス変動モード分解（ＭＳ－ＶＭＤ）によって呼吸及び心拍信号を推定する。Ｖ2ｉＦｉは、運転者が体動している場合、バイタルサインを推定できない。ここに開示された動き補正は動きアーチファクトを除去してバイタル信号を推定するために、ＯＯＢｉ－Ｆｉにも適用される。
図３０Ａ～図３０Ｃは、開示された装置及びＯＯＢｉ－Ｆｉの総合的な性能を示す。実験には、異なる舗装条件、装置位置を用いた道路試験、並びに４人の異なるユーザのための静止、頭部動作、手の動作及び前後の胴体動作を含む、異なる運動タイプを用いた制御実験が含まれる。図３０Ａは絶対ＲＲ推定誤差の経験的累積分布関数（ＣＤＦ）をプロットし、ここで、開示されたシステム及びＶ2ｉＦｉについての９０パーセンタイル誤差は、それぞれ、０．６４ ＲＰＭ及び０．８６ ＲＰＭである。図３０Ｂに示すように、開示された系が０．８２ ＢＰＭの中央値誤差を達成し、Ｖ2ｉＦｉの中央値誤差が５．１２ ＢＰＭである場合、性能向上は、ＨＲ推定に対してより有意である。図３０ＣはＶ2ｉＦｉが約８４ｍｓの中程度の誤差を生じる一方で、開示されたシステムが４６ｍｓの中程度の誤差を達成し、Ｖ2ｉＦｉを約４５．２％上回る、２つのシステムについてのＩＢＩ推定の性能を示す。Ｂｌａｎｄ－Ａｌｔｍａｎプロットを図２９に示し、実線は推定値とグラウンドトゥルースとの差の平均を示し、破線は差の標準偏差の±１．９６時間を示す。推定値は、グラウンドトゥルースと比較して、ほとんど偏りがない。
いくつかの実施形態では、バイタルサイン推定に対するデバイス位置の影響を調査しうる。レーダは、フロントガラスの上部（「Ｕｐ」と表示される）に配置され、ステアリングホイールの下（「Ｄｏｗｎ」と表示される）に配置される。図３１Ａ～図３１ＣはＲＲ、ＨＲ及びＩＢＩ推定値の絶対誤差のＣＤＦをプロットしたものであり、四角でマークされた線は「Ｄｏｗｎ」設定に対応し、菱形でマークされた線は「Ｕｐ」設定に対応する。
「Ｄｏｗｎ」設定は、全ての推定に対してより良い性能を達成することが示されている。具体的には開示されたシステムについて、ＲＲ、ＨＲ、及びＩＢＩ推定の中央値誤差は「Ｄｏｗｎ」設定についてそれぞれ０．２ ＲＰＭ、０．６５ ＢＰＭ、及び３８ｍｓである。ただし、「Ｕｐ」設定では０．２８ ＲＰＭ、１．９１ ＢＰＭ、５６ｍｓに増加し、それぞれ４０％、１９３．８５％、４７．３７％ の性能劣化に対応する。類似３１Ａ～類似３１Ｃに破線で示されるように、デバイスが「Ｕｐ」設定として配置されているときに、３つのメトリック全ての中央値誤差が増加する、Ｖ2ｉＦｉにおける同様の事象を観察しうる。その理由はデバイスがフロントガラスに取り付けられるとき、バイタルビンは主に胸部に対応し、一方、「Ｄｏｗｎ」設定の場合、バイタルビンは主に下胸部及び腹部に対応するからである。同じシナリオ（例えば、ブレーキ機構により車が減速する）では、腹部よりも大きな動きが上胸部に関与する。したがって、「Ｄｏｗｎ」設定に対するバイタル信号のＳＮＲは、「Ｕｐ」設定よりも大きい。しかしながら、開示されたシステムと比較して、Ｖ2ｉＦｉは、雑音に対してロバスト性が低いので、３つのメトリック全てに対してより大きな推定誤差をもたらす。
いくつかの実施形態では、運転がサイドミラーを見るときの頭部、手、及び身体の異なる種類の運動、又は異なる運動タイプの衝撃をよりよく理解するためにステアリングホイール等を制御することを伴うので、図３２Ａ～３２Ｃに示されるように、制御された実験を実施し、それらの対応する衝撃を分析しうる。実験中、運転者は座っている静止しているか、周囲をチェックするための頭部の動き、ハンドルを操作するための手の動き、及び加速及び減速によって引き起こされる身体の動きをエミュレートするために、その身体を前後にランダムに揺らすことを含む、駐車された自動車における特定のタイプの動きを連続的に実行するように求められる。全てのデータ収集は「Ｕｐ」設定及び「Ｄｏｗｎ」設定の両方で２分間続き、３２セットのデータが分析のために収集される。
図３２Ａは異なる運動タイプを有するＲＲ推定誤差のＣＤＦを示し、運転者が頭部動作を行うときの中央値推定誤差は、静止状態の場合とほぼ同じであることが分かる。運転者が手を動かすと、性能はわずかに低下し、中央値誤差は０．１１ ＲＰＭから０．１２ ＲＰＭに増加し、静止セットと比較する。しかしながら、大きな前後運動については、厳しい性能劣化を観察することができ、ＲＲ推定のその中央値誤差は０．１９ ＲＰＭであり、静止セットよりも７２．７３％悪い。同様の性能劣化は、ＨＲ及びＩＢＩ推定に関して観察しうる。
図３２Ｂは、ＨＲ推定の中央値誤差が運転者がそれぞれ手及び前後運動を行うときに、静止セットに対応する０．３５ ＢＰＭから０．６８ ＢＰＭ及び０．７５ ＢＰＭに増加することを示す。ＩＢＩ推定については図３２Ｃに示すように、運転者が座位静止、頭部の動き、手の動き、及びランダムな前後動作を行うときの中央値誤差はそれぞれ３７ｍｓ、４１ｍｓ、４５ｍｓ、及び６８ｍｓである。
Ｖ2ｉＦｉの推定性能も、同様の性能劣化が観察されうる図３２Ａ～３２Ｃにおいて破線でプロットされる。ＯＯＢｉ－Ｆｉはモーションアーチファクトに対してより脆弱であり、手及び前後のモーションの性能劣化は、開示されたシステムと比較してより深刻であることが分かる。具体的には、往復設定のＨＲ推定の中央値誤差は１０ ＢＰＭよりも大きく、運転者のＨＲ推定にはほとんど役に立たないことが分かる。
いくつかの実施形態では、ＨＲＶ演算に対するウィンドウ長の影響を調べることができる。ＨＲＶメトリックがＩＢＩシーケンスから導出されうることが知られており、図３３Ａ～３３Ｄは、１５ｓ～１２０ｓの範囲のウィンドウ長を有する４つの異なる一般的に使用されるＨＲＶメトリックを示す。異なる時間ウィンドウ下でのＩＢＩの平均及びＩＢＩの標準偏差（ＳＤＲＲ）を、それぞれ図３３Ａ及び図３３Ｂに示す。連続差分の二乗平均平方根（ＲＭＳＳＤ）が図３３Ｃに示されており、これは
によって演算されうる。ここで、ＮIBIは、所与の時間ウィンドウ内のＩＢＩの総数である。図３３Ｄは５０ｍｓ（ｐＮＮ５０）を超えて異なる連続するＩＢＩのパーセンテージを示し、これは
によって演算されうる。ここで、１｛・｝はインジケータ関数である。図３３Ａに示されるように、ＩＢＩの平均は、ウィンドウ長にわたってほとんど変化しない。しかしながら、他の３つのメトリック（即ち、ＳＤＲＲ、ＲＭＳＳＤ、及びｐＮＮ５０）は図３３Ｂ～３３Ｄに示されるように、推定及びグラウンドトゥルースの両方のためのウィンドウ長とともに増加する。更に、ウィンドウ長が１５ｓから１２０ｓに増加すると、ＳＤＲＲの推定誤差は６．５ｍｓから８．７ｍｓに増加する。ＲＭＳＳＤでも同様の性能／傾向を観測でき、ウィンドウ長が１５ｓから１２０ｓに増加すると推定誤差は１．５ｍｓから４．１ｍｓに増加した。
図３４は、本開示のいくつかの実施形態による、無線バイタルサインモニタリングのための例示的な方法３４００のフローチャートを示す。動作３４０２において、無線信号は、ベニューの無線チャネルを介して送信機によって送信される。動作３４０４において、無線信号は無線チャネルを通じて受信機によって受信され、無線チャネルはベニューにおける物体の物体動作によって影響を受けており、物体動作は物体の少なくとも１つの非周期的体動と、少なくとも１つの周期的バイタルサイン動作とを含む。動作３４０６において、ベニューの周りの空間は、ビームフォーミング及び受信された無線信号に基づいて複数のセクタにセグメント化され、各セクタは送信機及び／又は受信機上のアンテナのアレイに対する空間方向と関連付けられる。動作３４０８において、無線チャネルの複数の時系列のチャネル情報（ＣＩ）がビームフォーミングに基づいて取得され、各時系列のＣＩ（ＴＳＣＩ）は、複数のセクタのそれぞれのセクタと関連付けられる。動作３４１０において、物体の物体動作は、複数のＴＳＣＩにおいて分離されて、複数の分離されたＴＳＣＩを生成する。動作３４１２において、物体の少なくとも１つの非周期的体動が、複数の絶縁ＴＳＣＩにおいて補償されて、複数の補償ＴＳＣＩを生成する。動作３４１４において、物体の少なくとも１つの周期的バイタルサイン動作が、複数の補償されたＴＳＣＩに基づいてモニタリングされる。図３４の動作の順序は、本教示の様々な実施形態に従って変更されうる。
したがって、本教示は、人間の被験者のみからのＲＦ信号反射を使用して、実際の運転動作の存在下で運転者のバイタルサインを正確に検出しうる新規なシステムを開示する。これは、市販のミリ波ラジオを用いて運転者のモーションアーチファクトを考慮して運転者のＨＲＶを検出できる最初の非接触運転者バイタルサインモニタリングシステムである。システムは、事前のキャリブレーションなしに運転者のバイタルサインを検出しうる。新しい２ステップ動き補償モジュールが考案され、レンジ－方位角分解能より大きい動きアーチファクトが、ＣＩＲの２Ｄ相互相関を使用することによって最初に除去される。次に、レンジ－方位角ビンよりも小さい微細な動きアーチファクトが、スプラインを平滑化することによって補償される。バイタル信号はバイタル運動を含む全ての反射の位相測定値を、いくつかの帯域制限されたコンポーネントと一緒に分解することによって得られ、ここで、呼吸及び心拍はその振幅及び中心周波数が典型的な呼吸及び心拍信号を満たすコンポーネントである。
例えば、運転者からの反射を見つけるために、システムはまず、異なるレンジ－方位角ビンを有するＣＩＲをうるためにビームフォーミングを実行し、続いて、バックグラウンドから反射を除去するためのクラッタ除去モジュールを実行する。次に、異なるＣＩＲサンプル間の２次元相関を使用して、身体ローミングによって引き起こされる大きな変位を排除した。より細かい動きアーチファクトは、多項式フィッティングにおけるようなハイパーパラメータの専用選択なしに動きアーチファクトを正確に推定しうる平滑化スプラインによって更に除去される。次いで、呼吸及び心拍によって引き起こされる変位量は全てのバイタルビンにおけるバイタル信号の分解を共同で最適化することによって推定され、ＲＲ、ＨＲ及びＩＢＩは再構成された呼吸及び心拍波から抽出されうる。
このシステムは実走行シナリオで実験を行って性能を評価するために、市販のミリ波ラジオを使用してプロトタイプ化しうる。実験結果は、開示されたシステムが最新の作品を上回る運転動作アーチファクトを用いてバイタルサインを正確に推定できることを示す。
いくつかの実施形態では、時間ウィンドウにおける平均ＣＩＲを使用して、クラッタ除去のためのバックグラウンドからの反射を推定するが、他の実施形態ではスロー時間領域におけるＣＩＲ差等の他のクラッタ除去方法を使用しうる。いくつかの実施形態では、多項式フィッティング等のトレンド除去方法を使用して、微細な動きアーチファクトを推定しうる。
いくつかの実施形態では、無線バイタルサインモニタリング方法は、以下に説明するステップｓ１～ｓ８を含む。
ステップｓ１において、複数の送信（Ｔｘ）アンテナ及び複数の受信（Ｒｘ）アンテナを使用してＣＳＩをキャプチャする。ステップｓ２において、指向性のＣＳＩ（例えば、ＣＩＲ）をうるためにビームフォーミングを適用する。ステップｓ３：ステップｓ３ａ及びｓ３ｂを含む静的反射物体の影響を低減するためにクラッタを除去する。
ステップｓ３ａにおいて、時間ウィンドウにわたるＣＩＲの平均値を取ることによって、各（θ、距離、時間インデックス）におけるバックグラウンドプロファイルを演算する。ステップｓ３ｂ：ＣＩＲからバックグラウンドプロファイルを減算する。
ステップｓ４：ステップｓ４ａ～ｓ４ｃを含む、各時間ウィンドウに対するドライブの反射に対応する関心点（ＰｏＩ）（即ち、（θ、距離））を決定する。ステップｓ４ａにおいて、連続するＣＩＲとステップｓ４ａ２との間の２次元（２Ｄ）相互相関を演算するステップｓ４ａ１を含む、レンジ－方位分解能よりも大きい大きな体動を補償し、各時間インスタンスにおけるＣＩＲを最大相互相関に対応する点（即ち、（θ、距離））に循環的にシフトさせる。ステップｓ４ｂにおいて、時間平均化された大きさ応答が閾値Ｔ１より大きい場合、被験者が方向に存在すると判定し、ここで、閾値Ｔ１は、シータ及び距離方向において、ＣＩＲ大きさ|ｈ|の２次元ＣＦＡＲフィルタリングであってもよい。ステップｓ４ｃにおいて、レンジ－方位角分解能よりも小さい細かい体動を補償し、細かい体動は、運転者からの反射に対応する位相測定値の平滑化スプラインによって推定されうる。
ステップｓ５：各ＰｏＩについて、ステップｓ５ａを含むバイタル動作を含むＰｏＩを決定し、位相のＡＣＦを演算し、有意な特徴点（例えば、第１のピーク）Ｐ１を見つけ、ステップｓ５ｂ、Ｐ１が閾値Ｔ２より大きい場合、ＰｏＩをバイタルビンとして分類する。
ステップｓ６：ステップｓ６ａ～ｓ６ｃを含む、いくつかの帯域制限信号を有する全てのバイタルビン内のバイタル信号を共同で分解することによって、呼吸信号及び心拍信号を抽出する。
ステップｓ６ａでは、コンポーネント数Ｋ及びバランシングのためのパラメータαのデフォルト設定が与えられ、帯域幅制約及びデータ忠実度が代替的に、コンポーネント及びそれらの中心周波数を最適化する。ステップｓ６ｂ：いくつかの特徴による呼吸に対応する成分が存在するかどうかをチェックし、ここで、成分は信号の振幅が範囲［Ｔ３、Ｔ４］内に位置し、その中心周波数が範囲［Ｔ５、Ｔ６］内に位置するべきである場合、呼吸波に対応する。ステップｓ６ｃ：いくつかの特徴によって、心拍に対応する成分があるかどうかをチェックし、ここで、成分は信号の振幅が範囲［Ｔ７、Ｔ８］内に位置し、その中心周波数が範囲［Ｔ９、Ｔ１０］内に位置するべきである場合、心拍波に対応する。
ステップｓ７：全てのバイタルビンにわたって呼吸及び心拍波を平均化することによって呼吸波及び心拍波を再構成し、再構成された呼吸及び心拍信号は、雑音を低減するためにそれらのエンベロープを使用することによって更に正規化されてもよい。
ステップｓ８：ステップｓ８ａ～ｓ８ｃを含む再構成されたバイタル信号を使用することによってバイタルサインを算出する。ステップｓ８ａにおいて、呼吸数（例えば、ＡＣＦの第１のピーク位置）を算出する。ステップｓ８ｂ：心拍数（例えば、範囲［Ｔ９、Ｔ１０］におけるスペクトルの最高ピーク）を演算する。ステップｓ８ｃ：各心拍の正確な時間を識別し、次いで心拍数変動（ＨＲＶ）を推定するために心拍間隔を演算し、ここで各心拍の正確な時間はいくつかの方法によって識別することができ、例えば、心拍波のピークを識別するか、又はゼロクロス点を識別する。
以下の番号付けされた項は、無線ビームフォーミングに基づくバイタルサインモニタリングの例を提供する。
項Ｃ１．無線ビームフォーミングバイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、タイプ２ヘテロジニアス無線デバイスによって無線信号を受信することであって、当該無線信号は、タイプ１ヘテロジニアス無線デバイスによって、ベニューの無線マルチパスチャネルを通じてタイプ２デバイスに送信され、タイプ１デバイス及びタイプ２デバイスのうちの少なくとも１つは、無線信号の送信又は受信のためのアンテナのアレイを備え、無線マルチパスチャネルは、ベニューにおける物体の物体動作によって影響を受け、物体動作は、物体の非周期的体動と、物体の少なくとも１つの周期的バイタルサイン動作とを含む、ことと、プロセッサ、メモリ、及び命令のセットとを使用して、ビームフォーミング及び受信された無線信号とに基づいて、空間を複数のセクタにセグメント化することであって、各セクタは、アンテナのアレイに対する空間方向と関連付けられる、ことと、ビームフォーミングに基づいて、無線マルチパスチャネルの複数の時系列のチャネル情報（ＣＩ）を取得することであって、各時系列のＣＩ（ＴＳＣＩ）は、個別のセクタと関連付けられている、ことと、複数のＴＳＣＩにおける物体の物体動作を分離することと、分離された複数のＴＳＣＩのける物体の非周期的体動を補償することと、複数の補償されたＴＳＣＩに基づいて、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることと、を含む。
ステップｓ３は、いくつかの実施形態によれば、以下の項に反映されうる。各ＴＳＣＩ内の物体の物体動作を分離するために、ベニューのバックグラウンドの影響を除去するためのクラッタ除去。クラッタ除去は、現在のＣＳＩから過去のいくつかのＣＳＩの平均値を差し引くことによって達成される。物体（人物）がランダムに動き回っていると仮定すると、（特に周期的バイタルサイン動作に対する）物体の動きの効果は、平均化においてそれ自体を打ち消す傾向がある。したがって、平均化は、バックグラウンドＣＳＩの推定である。減算は、一種のフィルタリング（ＭＡフィルタリング）である。
項Ｃ２．項Ｃ１の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＴＳＣＩ内の物体の物体動作を分離するために各ＴＳＣＩをフィルタリングすることを更に含む。
項Ｃ３．項Ｃ２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、フィルタは、移動平均（ＭＡ）フィルタ、自己回帰（ＡＲ）フィルタ、又は自己回帰移動平均（ＡＲＭＡ）フィルタのうちの１つである。
項Ｃ４．項Ｃ２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、フィルタは、現在のＣＩから過去のある個数のＣＩの重み付け平均を減算することによって、フィルタリングされたＣＩを演算する。
ステップｓ４は、ステップｓ４ａ、ｓ４ｂ、及びｓ４ｃを含み、いくつかの実施形態による以下の項に反映されうる。ステップｓ４ａは、大きな体動を補償するために、相互相関及びシフト連続ＣＩＲを演算する。第１のＣＩと第２のＣＩとの間の持続時間中の大きな体動を補償するために、第２のＣＩを基準に第１のＣＩをシフトする。
項Ｃ５．項Ｃ２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＣＩの第１のＣＩをシフトすることと、第２のＴＳＣＩの第２のＣＩを、シフトされた第１のＣＩで置き換えることで、物体の大きな非周期的体動を補償することと、を更に含む。
いくつかの実施形態によれば、以下の項は、第１のＣＩと第２のＣＩとの間の相互相関を演算することと、シフト量を見つけるために最大ポイントを見つけることとを反映しうる。
項Ｃ６．項Ｃ５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、第１のＣＩと第２のＣＩとの両方が共通タイムスタンプと関連付けられており、第２のＴＳＣＩの第３のＣＩを基準ＣＩとして決定することであって、第３のＣＩは、第１のＣＩと第２のＣＩとの両方の共通タイムスタンプに時間的に隣接している、ことと、複数のＴＳＣＩの各々について、基準ＣＩの時間プロファイルとそれぞれのＴＳＣＩのそれぞれのＣＩの時間プロファイルとの間のそれぞれの相互相関関数を演算することであって、それぞれのＣＩは、共通タイムスタンプと関連付けられている、ことと、それぞれの相互相関関数のそれぞれの最大点を演算することと、シフト量を演算することと、全ての最大点のうちの支配的最大点を演算することと、支配的最大点と関連付けられたＴＳＣＩを第１のＴＳＣＩとして決定することと、第１のＴＳＣＩの第１のＣＩの時間プロファイルを、支配的最大点と関連付けられた時間シフトに等しい量だけシフトすることと、第２のＴＳＣＩの第２のＣＩを、シフトした第１のＣＩで置き換えることと、を更に含む。
いくつかの実施形態によれば、以下の項は、物体が半径方向に移動する（又は半径方向体動、即ち、距離の変化に伴う方向／セクタの変化がない）際の特殊なケースを反映しうる。関与するＴＳＣＩは１つだけである。
項Ｃ７．項Ｃ５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＣＩ及び第２のＴＳＣＩは、共通ＴＳＣＩであり、第１のＣＩは、第２のＣＩであり、各ＣＩは、時間プロファイルを含み、第１のＣＩをシフトすることは、第１のＣＩの時間プロファイルをシフトすることであり、第１のＣＩの時間プロファイルと共通ＴＳＣＩの第３のＣＩの時間プロファイルとの間の相互相関関数を演算することであって、第３のＣＩは第１のＣＩに時間的に隣接している、ことと、相互相関関数の最大ポイントを演算することと、第１のＣＩの時間プロファイルを、最大ポイントに関連する時間シフトに等しい量だけシフトすることと、第１のＴＳＣＩの第１のＣＩをシフトされた第１のＣＩで置き換えることと、を更に含む。
項Ｃ８．項Ｃ５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、循環シフト又は非循環シフトのうちの１つを使用して、第１のＣＩをシフトすることを更に含む。
ステップｓ４ｂは、いくつかの実施形態によれば、小さな体動を補償するための平滑化スプラインを使用するために以下の項において反映されうる。
項Ｃ９．項Ｃ５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、複数のＴＳＣＩの各々について、時間ウィンドウにおけるそれぞれのＴＳＣＩのそれぞれのＣＩの重み付け平均の大きさ特徴を演算することと、当該大きさ特徴が閾値よりも大きい場合に、それぞれのＴＳＣＩと、それぞれの関連付けられたセクタとを物体と関連付けることと、を更に含む。
ステップｓ４ｃは、いくつかの実施形態によれば、小さな体動を補償するための平滑化スプラインを使用するために以下の項において反映されうる。
項Ｃ１０．項Ｃ９の無線バイタルサインモニタリングシステムの時間／デバイス／システム／ソフトウェアであって、少なくとも１つの時系列のＣＩ特徴（ＣＩＦ：CI feature）を演算することであって、それぞれの時系列のＣＩＦ（ＴＳＣＩＦ：time series of CIF）は、物体と関連付けられた個別のＴＳＣＩと関連付けられており、ＣＩＦの各々は、当該個別のＴＳＣＩの個別のＣＩの特徴である、ことと、平滑化スプラインに基づいて、物体の小さい非周期的体動の推定値を演算することと、物体の小さい非周期的体動を補償するために、ＴＳＣＩＦから推定値を減算することと、を更に含む。
項Ｃ１１．項Ｃ１０の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＣＩの特徴は、位相、大きさ、位相の機能、大きさの関数、位相及び大きさの関数、又はＣＩ、のうちの少なくとも１つを含む。
ステップｓ５は、いくつかの実施形態によれば、バイタルサインビン／セクタを識別するために以下の項に反映されうる。
項Ｃ１２．項Ｃ１０の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、関連付けられたＴＳＣＩＦに基づいて、セクタをバイタルサインセクタとして分類することを更に含み、当該バイタルサインセクタは、物体の少なくとも１つの周期的バイタルサイン動作と関連付けられる。
項Ｃ１３．項Ｃ１２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、各ＴＳＣＩＦの自己相関関数（ＡＣＦ）を演算することと、ＡＣＦの第２の特徴を演算することと、第２の特徴が閾値を超える場合、ＴＳＣＩＦと関連付けられたＴＳＣＩに関連するセクタを、バイタルサインセクタとして分類することと、を更に含む。
項Ｃ１４．項Ｃ１３の方法／デバイス／システム／ソフトウェアであって、第２の特徴は、最大点、極大点、第１の正の極大点、第２の極大点、グローバル最大点、最大点の大きさ、最大点に関連する時間、最大点に関連するタイミング、最小点、極小点、極小点、第１の正の極小点、第２の極小点、グローバル最小点、極小点の大きさ、最小点に関連する時間、最小点に関連するタイミング、ゼロクロス点に関連するタイミング、第１の正のゼロクロス点に関連する時間、ゼロクロス点に関連する時間、２つのゼロクロス点間の持続時間、又はゼロクロス点に関連するタイミング、のうちの少なくとも１つを含む、。
いくつかの実施形態によれば、ステップｓ６ａは、ＴＳＣＩの位相を呼吸信号と心拍信号との和に分解するために、以下の項に反映されうる。
項Ｃ１５．項Ｃ１２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、少なくとも１つのバイタルサインセクションが存在しており、それぞれのバイタルサインセクションと関連付けられた各ＴＳＣＩＦを、少なくとも１つの個別の周期的成分に分解することを更に含み、各周期的成分は、物体の周期的バイタルサイン動作に対応し、各周期的成分は、個別の周波数と関連付けられる。
項Ｃ１６．項Ｃ１５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、反復最適化に基づいて、各ＴＳＣＩＦを少なくとも１つの個別の周期的成分に分解することを更に含む。
ステップｓ６ｂ及びｓ６ｃは、振幅レンジ及び周波数レンジ制約に関するいくつかの実施形態によれば、以下の項に反映されうる。
項Ｃ１７．項Ｃ１５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、少なくとも１つの個別の周期的成分の各々は、それぞれの周波数レンジ内のそれぞれの周波数、又はそれぞれの振幅レンジ内のそれぞれの振幅のうちの少なくとも１つを有するように制約される。
項Ｃ１８．項Ｃ１７の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、少なくとも１つの個別の周期的成分の各々は、それぞれの周波数レンジ内のそれぞれの尤度関数と関連付けられる。
ステップｓ７はいくつかの実施形態によれば、複数のバイタルサインセクタを平均化することによって集約（アグリゲーション）するために、以下の項に反映されうる。
項Ｃ１９．項Ｃ１５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、少なくとも１つのアグリゲーション周期的成分を演算することであって、各集約周期的成分は、少なくとも１つのバイタルサインセクタに関連付けられた個別の分解された周期的成分の重み付け平均を含む、ことと、対応する集約周期的成分を分析することによって、各周期的バイタルサイン動作をモニタリングすることと、を更に含む。
ステップｓ８は、いくつかの実施形態によれば、様々な統計値／分析値を演算するために以下の項において反映されうる。
項Ｃ２０．項Ｃ１９の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、以下のうちの少なくとも１つを演算することによって、集約周期的成分を解析することを更に含む：
瞬時周波数、瞬時期間、瞬時タイミング、最大ゼロクロス、瞬時バイタルサイン間隔、瞬時拍子間隔、平均周波数、平均周期、平均移動間隔、統計、周波数の統計、間隔の統計、平均、モード、分散、標準偏差、偏差、スロープ、全変動、スプレッド、分散、偏差、絶対偏差、平方偏差、全偏差、ダイバージェンス、範囲、四分位範囲、尖度、Ｌモーメント、変動係数、四分位数、ジニ係数、相対平均差、中央絶対偏差、平均絶対偏差、分散係数、エントロピー、平均値、類似度測度、確率分布、確率分布関数、期待値、相関係数、相関係数、自己相関係数（ＡＣＦ）、内積、内積、共分散、相互共分散、類似度スコア、類似度測度、二つのＣＩ間の類似度、二つのＣＩ間の類似度、二つのウィンドウ間のＣＩ間の類似度、二つのＤＩ間の類似度、ＤＩの２つのベクトル間の類似度、ＤＩの二つのウィンドウ間の類似度、等しくないウィンドウ長を有するＤＩの２つのウィンドウ間の類似度、距離、距離スコア、２つのＣＩ間の距離測度、２つのＣＩ間の距離測度、アライメント及びマッピングされたＣＩの２つのウィンドウ間の距離測度、動的時間伸縮（ＤＴＷ）を使用してアライメントさせたＣＩの２つのウィンドウ間の距離測度、ＤＩの２つのウィンドウ間の距離測度、動的時間伸縮（ＤＴＷ）を使用してアライメントさせたＤＩの２つのウィンドウ間の距離測定、絶対距離、Ｌ－１距離、Ｌ－ｋ距離、重み付け距離、距離測定、ノルム、Ｌ－１ノルム、Ｌ－２ノルム、Ｌ－ｋノルム、位置、座標、位置の変更、マップの位置、高さ、水平位置、距離、変位、速度、加速度、回転加速度、方向、方位、回転方向、経路、変形、縮小、位置特性、歩行周期、ジェスチャ、手書き、頭部の動き、口の動き、手の動き、脚の動き、体動、心拍動作、内臓動作、ツール動作、機械動作、複合動作、複数の動きの合成、動きトレンド、反復性、周期性、準周期性、衝動性、突発性、転倒発生、再発、一過性イベント、行動、一過性行動、期間、時間傾向、時間プロファイル、時間特性、発生、時間、タイミング、開始時間、開始時間、終了時間、持続時間、履歴、動作分類、動作タイプ、変化、時間変化、周波数変化、ＣＩ変化、ＤＩ、変化、タイミング変化、歩行周期変化、以下のうちの少なくとも１つの測度：
反復性、周期性、変動の速度、周波数スペクトル、周波数特性、周波数、存在、不存在、近接、後退、物体識別子、物体識別子、組成、口関連速度、眼関連速度、歩行速度、心拍数、呼吸量、一回換気量、呼吸時間、呼気時間、呼気時間に対する時間比、空気流量、心拍数、心拍数、動拍数、動きの統計、動きの統計、動きの特徴、動きの変化、動きの特徴、動きの特徴、対象の出口、動きの周期、動きの周期、リズム、動きの周期、動きの周期、変形、大きさ、領域、容量、容量、形状、タグ、開始／開始位置、終了位置、開始／終了量、イベント発生量、イベント発生、イベントの発生、フォールダウンイベント、イベント、セキュリティイベント、イベント、ホームイベント、イベント、工場イベント、倉庫イベント、イベント、組み立てラインイベント、イベント、車両関連イベント、ナビゲーションイベント、トラッキングイベント、ドアイベント、ドアオープンイベント、ドアクローズイベント、ウィンドウイベント、オープンイベント、ウィンドウオープンイベント、未消費量、状態、物理的状態、健康状態、幸福状態、情緒状態、精神状態、別の事象、分析、又は出力応答。
瞬時周波数、瞬時期間、瞬時タイミング、最大ゼロクロス、瞬時バイタルサイン間隔、瞬時拍子間隔、平均周波数、平均周期、平均移動間隔、統計、周波数の統計、間隔の統計、平均、モード、分散、標準偏差、偏差、スロープ、全変動、スプレッド、分散、偏差、絶対偏差、平方偏差、全偏差、ダイバージェンス、範囲、四分位範囲、尖度、Ｌモーメント、変動係数、四分位数、ジニ係数、相対平均差、中央絶対偏差、平均絶対偏差、分散係数、エントロピー、平均値、類似度測度、確率分布、確率分布関数、期待値、相関係数、相関係数、自己相関係数（ＡＣＦ）、内積、内積、共分散、相互共分散、類似度スコア、類似度測度、二つのＣＩ間の類似度、二つのＣＩ間の類似度、二つのウィンドウ間のＣＩ間の類似度、二つのＤＩ間の類似度、ＤＩの２つのベクトル間の類似度、ＤＩの二つのウィンドウ間の類似度、等しくないウィンドウ長を有するＤＩの２つのウィンドウ間の類似度、距離、距離スコア、２つのＣＩ間の距離測度、２つのＣＩ間の距離測度、アライメント及びマッピングされたＣＩの２つのウィンドウ間の距離測度、動的時間伸縮（ＤＴＷ）を使用してアライメントさせたＣＩの２つのウィンドウ間の距離測度、ＤＩの２つのウィンドウ間の距離測度、動的時間伸縮（ＤＴＷ）を使用してアライメントさせたＤＩの２つのウィンドウ間の距離測定、絶対距離、Ｌ－１距離、Ｌ－ｋ距離、重み付け距離、距離測定、ノルム、Ｌ－１ノルム、Ｌ－２ノルム、Ｌ－ｋノルム、位置、座標、位置の変更、マップの位置、高さ、水平位置、距離、変位、速度、加速度、回転加速度、方向、方位、回転方向、経路、変形、縮小、位置特性、歩行周期、ジェスチャ、手書き、頭部の動き、口の動き、手の動き、脚の動き、体動、心拍動作、内臓動作、ツール動作、機械動作、複合動作、複数の動きの合成、動きトレンド、反復性、周期性、準周期性、衝動性、突発性、転倒発生、再発、一過性イベント、行動、一過性行動、期間、時間傾向、時間プロファイル、時間特性、発生、時間、タイミング、開始時間、開始時間、終了時間、持続時間、履歴、動作分類、動作タイプ、変化、時間変化、周波数変化、ＣＩ変化、ＤＩ、変化、タイミング変化、歩行周期変化、以下のうちの少なくとも１つの測度：
反復性、周期性、変動の速度、周波数スペクトル、周波数特性、周波数、存在、不存在、近接、後退、物体識別子、物体識別子、組成、口関連速度、眼関連速度、歩行速度、心拍数、呼吸量、一回換気量、呼吸時間、呼気時間、呼気時間に対する時間比、空気流量、心拍数、心拍数、動拍数、動きの統計、動きの統計、動きの特徴、動きの変化、動きの特徴、動きの特徴、対象の出口、動きの周期、動きの周期、リズム、動きの周期、動きの周期、変形、大きさ、領域、容量、容量、形状、タグ、開始／開始位置、終了位置、開始／終了量、イベント発生量、イベント発生、イベントの発生、フォールダウンイベント、イベント、セキュリティイベント、イベント、ホームイベント、イベント、工場イベント、倉庫イベント、イベント、組み立てラインイベント、イベント、車両関連イベント、ナビゲーションイベント、トラッキングイベント、ドアイベント、ドアオープンイベント、ドアクローズイベント、ウィンドウイベント、オープンイベント、ウィンドウオープンイベント、未消費量、状態、物理的状態、健康状態、幸福状態、情緒状態、精神状態、別の事象、分析、又は出力応答。
以下の番号付けされた項は、無線ビームフォーミングに基づくバイタルサインモニタリングの例を提供する。
項Ｄ１．無線ビームフォーミングに基づくバイタルサインモニタリングのためのシステムであって、ベニューの無線チャネルを通じて無線信号を送信するように構成された送信機と、ベニュー内の物体の物体動作による影響を受ける無線チャネルを通じて無線信号を受信するように構成された受信機であって、送信機又は受信機のうちの少なくとも１つは、無線信号を送信又は受信するために使用されるアンテナのアレイを備え、当該物体動作は、物体の少なくとも１つの非周期的体動と、物体の少なくとも１つの周期的バイタルサイン動作とを含む、受信機と、プロセッサとを備え、当該プロセッサは、ビームフォーミング及び受信された無線信号に基づいて、ベニュー周辺の空間を複数のセクタにセグメント化することであって、複数のセクタのうちの各セクタは、アンテナのアレイに対する空間方向と関連付けられている、ことと、ビームフォーミングに基づいて、無線チャネルの複数の時系列のチャネル情報（ＣＩ）を取得することであって、複数の時系列のＣＩ（ＴＳＣＩ）のうちの各ＴＳＣＩは、複数のセクタのうちの個別のセクタと関連付けられる、ことと、複数のＴＳＣＩにおける物体の物体動作を分離することで、複数の分離されたＴＳＣＩを生成することと、複数の分離されたＴＳＣＩにおける物体の少なくとも１つの非周期的体動を補償することで、複数の補償されたＴＳＣＩを生成することと、複数の補償されたＴＳＣＩに基づいて、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることと、を行うように構成される。
項Ｄ２．項Ｄ１のシステムであって、物体の物体動作を分離することは、ＴＳＣＩ内の物体の物体動作を分離するためのフィルタに基づいて、複数のＴＳＣＩの各ＴＳＣＩをフィルタリングすることを含む。
項Ｄ３．項Ｄ２のシステムであって、フィルタは、移動平均（ＭＡ）フィルタ、自己回帰（ＡＲ）フィルタ、又は自己回帰移動平均（ＡＲＭＡ）フィルタのうちの１つである。
項Ｄ４．項Ｄ３のシステムであって、各ＴＳＣＩをフィルタリングすることは、ＴＳＣＩ内の現在のＣＩからいくつかの過去のＣＩの重み付け平均を減算することで、フィルタリングされたＣＩを生成することを含む。
項Ｄ５．項Ｄ４のシステムであって、物体の少なくとも１つの非周期的体動を補償することは、複数の分離されたＴＳＣＩにおける第１のＴＳＣＩの第１のＣＩをシフトすることと、第１の非周期的体動がレンジ－方位角分解能よりも大きい場合に、複数の分離されたＴＳＣＩにおける第２のＴＳＣＩの第２のＣＩを、シフトされた第１のＣＩで置き換えるで、物体の第１の非周期的体動を補償することと、を含む。
項Ｄ６．項Ｄ５のシステムであって、物体の少なくとも１つの非周期的体動を補償することは、第２のＴＳＣＩの第３のＣＩを基準ＣＩとして決定することであって、第１のＣＩ及び第２のＣＩの両方が共通のタイムスタンプと関連付けられ、第３のＣＩが第１のＣＩ及び第２のＣＩの両方の共通のタイムスタンプに時間的に隣接する、ことと、複数のＴＳＣＩのそれぞれのＴＳＣＩについて、基準ＣＩの時間プロファイルとそれぞれのＴＳＣＩの個別のＣＩの時間プロファイルとの間の個別の相互相関関数を演算することであって、個別のＣＩが共通のタイムスタンプと関連付けられている、ことと、個別の相互相関関数の個別の最大点を演算することと、最大点のうちの支配的最大点を演算することと、支配的最大点と関連付けられたＴＳＣＩを第１のＴＳＣＩとして決定することと、支配的最大点と関連付けられた時間シフトに等しい量だけ第１のＣＩの時間プロファイルをシフトすることに基づいて、第１のＴＳＣＩの第１のＣＩをシフトすることと、シフトされた第１のＣＩで第２のＴＳＣＩの第２のＣＩを置き換えることと、を更に含む。
項Ｄ７．項Ｄ５のシステムであって、第１のＴＳＣＩ及び第２のＴＳＣＩは共通ＴＳＣＩであり、第１のＣＩは第２のＣＩであり、各ＣＩは時間的プロファイルを含み、第１のＣＩをシフトすることは、第１のＣＩの時間プロファイルをシフトすることを含み、物体の少なくとも１つの非周期的体動を補償することは、第１のＣＩの時間プロファイルと共通ＴＳＣＩの第３のＣＩの時間プロファイルとの間の相互相関関数を演算することであって、第３のＣＩは第１のＣＩに時間的に隣接している、ことと、相互相関関数の最大点を演算することと、最大点と関連付けられた時間シフトに等しい量だけ第１のＣＩの時間プロファイルをシフトすることと、第１のＴＳＣＩの第１のＣＩを、シフトされた第１のＣＩで置き換えることと、を更に含む。
項Ｄ８．項Ｄ６のシステムであって、第１のＣＩは、循環シフト又は非循環シフトのうちの１つを使用してシフトされ、物体の少なくとも１つの非周期的体動を補償することは、複数のＴＳＣＩのそれぞれのＴＳＣＩについて、時間ウィンドウ内のそれぞれのＴＳＣＩの個別のＣＩの重み付け平均の大きさ特徴を演算することと、複数のＴＳＣＩのそれぞれのＴＳＣＩについて、大きさ特徴が閾値よりも大きい場合に、それぞれのＴＳＣＩと関連付けられた個別のセクタと物体とを関連付けることと、を含む。
項Ｄ９．項Ｄ８のシステムであって、物体の少なくとも１つの非周期的体動を補償することは、少なくとも１つの時系列のＣＩ特徴（ＣＩＦ）を演算することであって、少なくとも１つの時系列のＣＩＦ（ＴＳＣＩＦ）のそれぞれの個別のＴＳＣＩＦは、物体と関連付けられた対応するＴＳＣＩと関連付けられ、個別のＴＳＣＩＦのそれぞれのＣＩＦは、対応するＴＳＣＩの個別のＣＩの特徴である、ことと、平滑化スプラインに基づいて、物体の第２の非周期的体動の推定値を演算することであって、第２の非周期的体動は、レンジ－方位角分解能よりも小さい、ことと、当該推定値を少なくとも１つのＴＳＣＩＦから減算するで、物体の第２の非周期的体動を補償することと、を更に含む。
項Ｄ１０．項Ｄ８のシステムであって、個別のＣＩの上記特徴は、当該個別のＣＩの位相、大きさ、位相の関数、大きさの関数、又は位相及び大きさの関数のうちの少なくとも１つを含む。
項Ｄ１１．項Ｄ１０のシステムであって、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることは、少なくとも１つのＴＳＣＩＦに基づいて、複数のセクタのうちの特定のセクタを、バイタルサインセクタとして分類することを含み、当該バイタルサインセクタは、物体の少なくとも１つの周期的バイタルサイン動作と関連付けられる。
項Ｄ１２．項Ｄ１１のシステムであって、セクタを分類することは、少なくとも１つのＴＳＣＩＦに基づいて、少なくとも１つの自己相関関数（ＡＣＦ）を演算することであって、各ＡＣＦは、個別のセクタの個別のＴＳＣＩと関連付けられた個別のＴＳＣＩＦのＡＣＦである、ことと、少なくとも１つのＡＣＦの少なくとも１つの特徴点を演算することであって、各特徴点は、個別のセクタと関連付けられた個別のＡＣＦのものである、ことと、特定の特徴点が閾値を超える場合に、特定の特徴点と関連付けられた特定のセクタを、バイタルサインセクタとして分類することと、を含む。
項Ｄ１３．項Ｄ１２のシステムであって、上記特徴点は、最大点、最大点の大きさ、最大点に関連するタイミング、最小点、最小点の大きさ、最小点に関連するタイミング、ゼロクロス点、２つのゼロクロス点間の持続時間、又はゼロクロス点に関連するタイミングのうちの少なくとも１つを含む。
項Ｄ１４．項Ｄ１３のシステムであって、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることは、任意のバイタルサインセクタと関連付けられた各ＴＳＣＩＦを、少なくとも１つの個別の周期的成分に分解することを更に含み、各周期的成分は、物体の個別の周期的バイタルサイン動作に対応し、各周期的成分は、個別の周波数と関連付けられる。
項Ｄ１５．項Ｄ１４のシステムであって、各ＴＳＣＩＦは、反復最適化に基づいて、少なくとも１つの個別の周期成分に分解される。
項Ｄ１６．項Ｄ１５のシステムであって、少なくとも１つの個別の周期的成分の各々は、個別の周波数レンジ内の個別の周波数、又は個別の振幅レンジ内の個別の振幅のうちの少なくとも１つを有するように制約される。
項Ｄ１７．少なくとも１つの個別の周期的成分の各々が、それぞれの周波数範囲内のそれぞれの尤度関数と関連付けられる、項Ｄ１６のシステム。
項Ｄ１８．項Ｄ１７のシステムであって、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることは、任意のバイタルサインセクタと関連付けられた複数のＴＳＣＩＦの少なくとも１つの周期的成分に基づいて、少なくとも１つの集約周期的成分を演算することであって、少なくとも１つの集約周期的成分の各々は、複数のＴＳＣＩＦと関連付けられた個別の周期的成分の重み付け平均を含む、ことと、周期的バイタルサイン動作に対応する集約周期的成分を分析することに基づいて、各周期的バイタルサイン動作をモニタリングすることであって、集約周期的成分は、瞬時周波数、瞬時期間、バイタルサインタイミング、平均、レンジ、ヒストグラム、分散、相関、変動、偏差、又は周期性、のうちの少なくとも１つに基づいて分析される、ことと、を更に含む。
項Ｄ１９．バイタルサインモニタリングシステムの方法であって、送信機によって、ベニューの無線チャネルを通じて無線信号を送信することと、受信機によって、ベニュー内の物体の物体動作による影響を受ける無線チャネルを通じて無線信号を受信することであって、送信機又は受信機のうちの少なくとも１つは、無線信号を送信又は受信するために使用されるアンテナのアレイを備え、物体動作は、物体の少なくとも１つの非周期的体動と、物体の少なくとも１つの周期的バイタルサイン動作とを含む、ことと、ビームフォーミング及び受信された無線信号に基づいて、ベニュー周辺の空間を複数のセクタにセグメント化することであって、複数のセクタのうちの各セクタは、アンテナのアレイに対する空間方向と関連付けられている、ことと、ビームフォーミングに基づいて、無線チャネルの複数の時系列のチャネル情報（ＣＩ）を取得することであって、複数の時系列のＣＩ（ＴＳＣＩ）のうちの各ＴＳＣＩは、複数のセクタのうちの個別のセクタと関連付けられる、ことと、複数のＴＳＣＩにおける物体の物体動作を分離することで、複数の分離されたＴＳＣＩを生成することと、複数の分離されたＴＳＣＩにおける物体の少なくとも１つの非周期的体動を補償することで、複数の補償されたＴＳＣＩを生成することと、複数の補償されたＴＳＣＩに基づいて、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることと、を含む。
項Ｄ２０．バイタルサインモニタリングシステムの無線デバイスであって、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機とを備え、バイタルサインモニタリングシステムの追加の無線デバイスは、ベニューの無線チャネルを通じて無線信号を送信するように構成され、受信機は、ベニュー内の物体の物体動作による影響を受ける無線チャネルを通じて無線信号を受信するように構成され、送信機又は受信機のうちの少なくとも１つは、無線信号を送信又は受信するために使用されるアンテナのアレイを備え、物体動作は、物体の少なくとも１つの非周期的体動と、物体の少なくとも１つの周期的バイタルサイン動作とを含み、プロセッサは、ビームフォーミング及び受信された無線信号に基づいて、ベニュー周辺の空間を複数のセクタにセグメント化することであって、複数のセクタのうちの各セクタは、アンテナのアレイに対する空間方向と関連付けられている、ことと、ビームフォーミングに基づいて、無線チャネルの複数の時系列のチャネル情報（ＣＩ）を取得することであって、複数の時系列のＣＩ（ＴＳＣＩ）のうちの各ＴＳＣＩは、複数のセクタのうちの個別のセクタと関連付けられる、ことと、複数のＴＳＣＩにおける物体の物体動作を分離することで、複数の分離されたＴＳＣＩを生成することと、複数の分離されたＴＳＣＩにおける物体の少なくとも１つの非周期的体動を補償することで、複数の補償されたＴＳＣＩを生成することと、複数の補償されたＴＳＣＩに基づいて、物体の少なくとも１つの周期的バイタルサイン動作をモニタリングすることと、を行うように構成される。
音声強調及び分離は、単一のマイクロフォンを使用する最近の進歩にもかかわらず、長年の問題であった。マイクロフォンは制約された設定ではうまく機能するが、雑音（雑音）の多い状況では音声分離の性能が低下する。本教示は、オーディオオンリーシステムにおける固有の問題を克服する、オーディオラジオ音声強調及び分離システム（ＲａｄｉｏＳＥＳ）を開示する。相補的な無線モダリティを融合することによって、ＲａｄｉｏＳＥＳは、スピーカの個数を推定し、ソースアソシエーション問題を解決し、雑音の多いミクスチャ音声を分離し、強調し、明瞭度と知覚品質の両方を改善しうる。本システムは、ミリ波センシングを実行して、スピーカを検出し、位置を特定し、オーディオラジオ深層学習フレームワークを導入して、別個の無線特徴を混合オーディオ特徴と融合させることができる。市販の既製のデバイスを用いた広範な実験は、ＲａｄｉｏＳＥＳが様々な最新のベースラインを上回り、様々な環境設定における一貫した性能の向上を示す。オーディオビジュアル方法と比較して、ＲａｄｉｏＳＥＳは、演算の複雑度が低く、プライバシーの懸念が少ないという利点とともに、同様の改善を提供する。
開示されたＲａｄｉｏＳＥＳシステムは、直交無線モダリティとしてミリ波センシングを共同で活用することによって、ＳＥＳ問題に対処する。カメラと比較して、無線デバイスはより低い電力を有し、暗い、壁を通る設定で動作することができ、プライバシー侵害がより低い。スピーカからの電波反射は、複数のスピーカの分離を可能にするだけでなく、ＳＥＳのための調音動作も捕捉しうる。ミリ波無線を選択する理由は２つある：一方では、ますます多くのスマートデバイスが今や、Ｇｏｏｇｌｅ Ｓｏｌｉ電話機及びＮｅｓｔ Ｈｕｂ、Ａｍａｚｏｎ Ａｌｅｘａ等、ミリ波レーダ及びマイクロフォンを含み、ミリ波センシングは将来、よりユビキタスになることが期待される。一方、ミリ波センシングは、心拍数モニタリング、機械及び物体振動の測定、又は声帯振動の抽出等、運動及び振動に関連する多くのアプリケーションを可能にしている。特に、それは、ピッチを推定し、音声アクティビティを検出し、ある程度音声を再構成し、並びに単一のスピーカのための音声認識を強化するために使用されてきた。しかし、共同ＳＥＳタスクのために両方のモダリティを利用することを検討した既存の研究はない。
このような動機から、上述の問題を解決し、全体的な性能を改善するために、オーディオラジオ音声強調及び分離システム（ＲａｄｉｏＳＥＳ）を開発した。オーディオラジオＳＥＳシステムを構築することは複数の課題に直面する。第１に、ソース個数問題を解決するために、ロバストで効率的なソース検出及びトラッキング方法が必要とされ、これは、システムの性能が、ミス検出の場合に著しく低下しうるためである。第２に、無線信号は、通常、環境の影響を受けやすく、新しいロケーションでテストすると性能が著しく低下することがある。物体からの戻り信号は、振動だけでなく、運動からの影響も受け、通常は運動の方が強く影響する。第３に、オーディオビジュアル深層学習法における豊富な文献とは異なり、無線モダリティは、ＳＥＳのコンテキストにおいて検討されていない。実用に適した効率的な深層学習モデルを設計することは、自明ではない。最後に、深層学習システムは、広範なデータ収集及びロバストなトレーニング方法を必要とし、これは、無線信号に対して特に困難である。
開示されたＲａｄｉｏＳＥＳシステムは、これらの課題を克服しうる。図３５に示すように、ＲａｄｉｏＳＥＳシステム３５００は、環境内のソースの個数を検出し、位置特定し、推定し、見えない（unseen）／困難な条件においてもＳＥＳ性能を改善しうる。ロバストな検出及び位置特定を達成するために、システムは、スピーカについての無線特徴を別々に抽出可能な信号処理の演算的に効率的なパイプラインを使用しうる。加えて、システムは、オーディオ信号及び無線信号の両方を入力とし、スピーカごとに分離及び強調された音声を出力する、オーディオラジオ深層学習フレームワークを使用しうる。モノラルＳＥＳにおける最近の進歩を受けて、ＲａｄｉｏＳＥＳＮｅｔと呼ばれる深層学習モジュールは、古典的な短時間フーリエ変換（ＳＴＦＴ）表現に依存するのではなく、適応エンコーダを利用する。ＲａｄｉｏＳＥＳシステムは更に、見えない環境及びユーザに対するＲａｄｉｏＳＥＳＮｅｔのロバスト性及び一般化可能性を改善するために、オーディオビジュアルＳＥＳから学習された様々な技術を導入する。
いくつかの実施形態では、合成及び実世界データを使用して、市販の既製（ＣＯＴＳ：commercial off-the-shelf）ミリ波レーダを使用して、ＲａｄｉｏＳＥＳを評価しうる。いくつかの実施形態では、トレーニングのためのデータ収集をブーストするために、データ収集プラットフォームを構築し、１９人のユーザから５７００文をキャプチャしうる。いくつかの実施形態では、テスト結果は、無線モダリティがオーディオを補完し、視覚的プライバシー問題を課さずにビデオモダリティの改善と同様の改善をもたらすことができることを示す。異なる数のミクスチャ及び様々な環境設定でＲａｄｉｏＳＥＳを広範囲にテストしうる。最新のオーディオオンリーの方法（例えば、ＤＰＲＮＮ－ＴａｓＮｅｔ）と比較すると、ＲａｄｉｏＳＥＳは、ソースの個数を推定し、出力ストリームを関連付ける利点とともに、雑音の多いミクスチャを分離するための３ｄＢの改善をもたらすことができる。この改善は、ＳＤＲだけでなく、明瞭性と知覚品質も改善している。いくつかの実施形態では、テスト結果は、オーディオラジオの方法がオーディオオンリー又はビジョンベースの方法に対する低複雑度、有効性、プライバシー保護の代替を可能にすることから、ＳＥＳタスクに対して非常に大きな可能性を有することを示す。したがって、ＲａｄｉｏＳＥＳは、この方向における重要なステップを探求し、フォローアップ研究を刺激するものである。
本教示は、ＲａｄｉｏＳＥＳ、同時音声強調及び分離のためにミリ波無線信号及びオーディオ信号を共同で活用する新規なオーディオラジオシステムを開示する。本教示は、マルチモーダル音声分離及び強調のためにオーディオ信号と無線信号とを融合するオーディオラジオ深層学習フレームワークを導入する。本教示は、広範なオーディオ無線データセットを構築し、種々の条件におけるＲａｄｉｏＳＥＳの性能を最新の方法と比較する。いくつかの例では、ＲａｄｉｏＳＥＳが、２人及び３人のミクスチャをそれぞれ分離することにおいて、３～６ｄＢのＳｉＳＤＲの改善を達成する。
いくつかの実施形態では、ＲａｄｉｏＳＥＳは、ミリ波センシング能力を有するデバイスと、マイクロフォンとを必要とする。例えば、音声信号が調査される場合、モノラルマイクロホンは、周囲の音を記録し、ミリ波レーダは、音源ごとに別々のストリームを出力することが期待される。レーダを別の場所に配置することが可能であるが、レーダとマイクロフォンとが同じ場所に配置されていると仮定しうる。いくつかの実施形態では、発話物体（speaking objects）がレーダの前にあることを予期しうる。加えて、レーダはＮＬＯＳ条件においてセンシングしうるが、いくつかの実施形態においてのみＬＯＳを調査しうる。例えば、ＲａｄｉｏＳＥＳのアプリケーションシナリオは、ＬＯＳを有する、コンピュータ、スマートハブ、又は電話機の前で話す１人以上の人間でありうる。
いくつかの実施形態では、視野（ＦｏＶ）内に話している人間を有し、ＲａｄｉｏＳＥＳは、近傍の静止体を検出し、その出力を使用して、ソースを推定し、抽出された音信号と関連付ける。マイクロフォンアレイとは異なり、ミリ波センシングを使用することにより、異なる方位角からだけでなく様々な距離からも、個々のデータストリームを捕捉することが可能になる。これらのタスクの後、効率的なマルチモーダル深層学習モジュールを使用して、（１つ以上の）クリーン音声を推定でき、クリーン音声として使用できるか、又は音声・トゥ・テキスト（speech-to-text）エンジンを通じてコマンドに変換できる。
図３６に示すように、ＲａｄｉｏＳＥＳシステム３６００は、ミリ波レーダと、スマートフォンスピーカ３６１１と、ソース検出及び位置特定のための第１のブロック３６０１と、ＲａｄｉｏＳＥＳＮｅｔと呼ばれる深層学習モジュールのための第２のブロック３６０２とを含む。
いくつかの実施形態では、図３６に示すように、ミリ波レーダは、送信機（Ｔｘ）アンテナアレイ３６１１及び受信機（Ｒｘ）アンテナアレイ３６１２を有するデバイスを含みうる。いくつかの実施形態では、送信機（Ｔｘ）及び受信機（Ｒｘ）アレイの各々が複数のアンテナを有する。環境内の音をセンシングするために、Ｔｘ３６１１は、ミリ波信号を送信しうる。当該ミリ波信号は、ベニュー内の音源又は振動源及び同じベニュー内の他の物体によって反射された後に、異なるＲｘアンテナ３６１２によって順次受信されうる。いくつかの実施形態では、Ｔｘ ３６１１は、上述のようにＢｏｔであり、Ｒｘ３６１２は、上述のようにＯｒｉｇｉｎである。図３６ではＴｘ３６１１及びＲｘ３６１２は互いに物理的に結合されているが、他の実施形態では異なるデバイスに分離されうる。いくつかの実施形態では、Ｔｘ３６１１及びＲｘ３６１２を含むデバイスがミリ波レーダとして機能する。他の実施形態では、ミリ波レーダは更に、Ｒｘ３６１２において受信されたレーダ信号を処理するためのプロセッサを含むか、又は当該プロセッサと接続される。種々の実施形態において、プロセッサは、Ｔｘ３６１１に物理的に接続されるか、Ｒｘ３６１２に物理的に接続されるか、その両方に物理的に接続されるか、又はいずれにも物理的に接続されないことがある。
図３６に示すように、無線特徴抽出モジュールの目的は、環境内のソースからの個々の無線ストリームを出力することである。これを達成するために、本システムは、効率的なパイプラインにおいて様々な方法を採用して、ターゲットを検出し、位置特定しうる。既存の研究とは異なり、ＲａｄｉｏＳＥＳは、環境中の人々を位置特定するためにスペクトログラムベースのメトリックに依存せず、対応するレンジ－方位角ビンを抽出するために古典的で効率的な方法を利用する。
いくつかの実施形態では、図３６のチャネル情報モジュールにおいて、ＲａｄｉｏＳＥＳは、チャネルインパルス応答（ＣＩＲ）報告可能な任意のタイプのレーダ、例えば、周波数変調連続波（ＦＭＣＷ：frequency modulated continuous wave）レーダ、を用いて動作しうる。ＦＭＣＷレーダを使用する場合、ＣＩＲを抽出することは、レンジＦＦＴと呼ばれる動作を適用することを含む。ミリ波デバイスは、通常、複数アンテナを有するので、ｍ番目のアンテナｈm(τ)におけるＣＩＲが次のように定義されうる：
ここで、ＲはＣＩＲレンジビンの個数であり、δ（・）は対応するロケーション（位置）における物体の存在を表すデルタ関数であり、αm, r及びτr はそれぞれ、ｒ番目のレンジビンの複素振幅及び伝搬遅延を表し、εは加法性雑音を表す。ここで、レンジ解像度ΔＲは、帯域幅（開示された装置の４．２６ｃｍに対応）に反比例する時間解像度Δτから推測できる。したがって、非常に近いターゲットからの別個のストリームを抽出できる。ＣＩＲは、センシング中に繰り返し捕捉され、時間に依存する。ＣＩＲ式を単純化するために、ｍ番目のアンテナからのＣＩＲを、ｒ番目のレンジビンにおいて、時間ｔにおいて、ｈm, r(ｔ)として表せる。したがって、ｈm, r(ｔ)は、時間、レンジビン、及びアンテナインデックスに関して量子化される。
いくつかの実施形態では、図３６のデジタルビームフォーミングモジュールにおいて、各アンテナからの個々の受信ストリームを使用して、ＲａｄｉｏＳＥＳは、古典的ビームフォーミングを用いたレンジ－方位角情報を抽出する。レンジ－方位角ＣＩＲは、ｈr,θ(ｔ)によって表されうる。ここで、θは方位角を表す。いくつかの例では、仮想アンテナアレイ素子がＤ＝λ／２離れて配置され、ここで、λは波長であり、ｈr,θ(ｔ)は：
ここで、ｓH（θ）は角度θのステアリングベクトルであり、εは加法性雑音である。ステアリングベクトルの係数は：
チャネルベクトルは
であり、Ｍはアンテナ素子の総数である。
いくつかの実施形態では、図３６のターゲット検出モジュールにおいて、環境内の人体を検出するために、ＲａｄｉｏＳＥＳはまず、環境内の反射物体を抽出する。ＣＩＲ式によって示唆されるように、物体の存在は強い戻り信号を生成するが、物体が存在しないとき、戻り信号は雑音のみを含む。ターゲット検出のために、レーダ文献における古典的なアプローチ、即ち、異なるビンのバックグラウンド雑音を適応的に推定し、それに応じて各レンジ－方位角ビンを閾値処理する、一定誤警報率（ＣＦＡＲ）検出器を利用しうる。いくつかの実施形態では、３７に示される２Ｄ ＣＦＡＲウィンドウがＣで示され、ＣＦＡＲ閾値はγで示される。このウィンドウは、レンジ－方位角平面の大きさに適用されてもよく、対応するレンジ－方位角平面が図３８に示されている。したがって、レンジ－方位角平面上のＣＦＡＲ検出ルールは、次のように与えられる：
ここで、★及び
は、それぞれ畳み込み演算及びインジケータ関数を表す。
いくつかの実施形態では、図３６の散乱除去モジュールにおいて、前のモジュールは、静止物体を含みうる、反射物体を有するビンを有するバイナリマップを抽出する。一方、人が静止しているときであっても、レーダ信号は、呼吸及び心拍からの固有の体動、ミリ波ベースの人の検出において広く使用される現象に起因して、人の位置における変動を依然として捕捉する。したがって、静止物体を除去し、人体を検出するために、システムは、各レンジ－方位角ビンにおける分散を抽出し、閾値を使用して静止物体を識別しうる。ｈr,θ(ｔ)の分散値をＶr,θ(ｔ)と表すことができ、図３９において例が見られる。したがって、人体検出器の出力は
となる。更に、過度の動きを有する物体も、同様のアプローチを用いてフィルタリングされうる。システムは
によってそれらを拒絶しうる。ここで
は経験的に見出された閾値である。最小及び最大の分散は、角度及び距離に関する反射エネルギーの変化に対応するために、（ｒ，θ）に関して定義される。得られたバイナリ検出マップＢr,θ(ｔ)は、図４０に示すように、全てのバイナリマップ、即ち
の交点を抽出することによって求められる。
いくつかの実施形態では、図３６のスピーカ推定モジュールの個数において、バイナリ検出マップＢr,θ(ｔ)の各ビンは、２次元空間内の距離（Δｒ、Δθ）に及ぶ。高レンジ及び角度分解能を考慮すると、人体は、Ｂ（ｒ，θ）内の複数のビンに及びうる。人数を推定するために、ＲａｄｉｏＳＥＳは、ノンパラメトリッククラスタリング法、ＤＢＳＣＡＮを使用して、バイナリ検出マップをクラスタリングする。ＤＢＳＣＡＮのためのパラメータは、経験的に設定され、例示的なクラスタリングが図４１に示されている。更に、サイズＷのウィンドウに対して、人数推定及び中心抽出が繰り返し行われるので、異なる時間インデックスにおける身体の位置を一致させる必要がある。本システムは、ユーザの位置を連続的にトラッキングするために、Ｍｕｎｋｒｅｓのアルゴリズムを使用しうる。
いくつかの実施形態では、人数及び対応するレンジ－方位角ビンを抽出した、図３６の無線特徴抽出モジュールにおいて、ＲａｄｉｏＳＥＳは、いくつかの未加工データベースのアプローチに従って、それぞれの人の中心からの複素レーダ信号を直接抽出する。同じ人間に関連する多くのレンジ－方位角ビンがあるので、ＲａｄｉｏＳＥＳは、テストのために中央値ビンを抽出するが、複数の近くのビンがトレーニングのために使用され、これはデータセットサイズをブーストし、オーバーフィッティングを軽減するのに役立つ。いくつかの例では、レーダ信号の出力次元は、１秒ストリームに対して１６ビットで２×１０００であり、これはマイクロフォン及び典型的なビデオストリームよりも低い。
通常、ＳＥＳモデルは、エンコーダ、マスカ、及びデコーダブロックを有する図４２Ａのアーキテクチャに従う。入力エンコーディングは、推定マスクと乗算され、推定マスクは、デコーダを使用して時間領域信号を再構成する。理想的なバイナリマスクをトレーニング物体として、ＳＴＦＴはエンコーダとして使用されうる。性能は、より最適なマスクを使用することによって増加させることができるが、これらは、ＳＴＦＴベースのエンコーディングが音声分離に必ずしも最適ではないという事実に依然として悩まされている。ＳＴＦＴを適応エンコーダに置き換える方法は、より最適であることが分かっている。
いくつかの実施形態では、開示されるＲａｄｉｏＳＥＳは、図４２Ｂの構成を使用して、無線モダリティを導入する図３６のＲａｄｉｏＳＥＳＮｅｔモジュール３６０２を実現する。無線ストリームは、エンコーディングされ、マスクを推定するためにオーディオストリームと連結される。ただし、これには次のようないくつかの設計選択肢が含まれる。オーディオ信号とは異なり、無線信号は複素数値である。無線信号の実数部と虚数部の両方が、動きと振動に関して変化する。スペクトログラム表現が入力として使用される場合、それは、ニューラルネットワークにとって最適ではない場合があり、通常、振幅、又はスペクトログラムの半分（例えば、正のドップラーシフトのみ）を抽出することによって、いくつかの信号コンテンツを捨てることを伴う。信号の実数部又は虚数部のいずれかを使用すること、又は両方の部分を線形投影と最適に組み合わせることも、重要な信号コンテンツを失う。これに基づいて、ＲａｄｉｏＳＥＳは、無線ストリームのための適応フロントエンドを使用しうる。
ＲａｄｉｏＳＥＳを未加工の無線入力で動作させるために、システムは、ＩＱ平面においてランダム回転を適用しうる。例えば、システムは、体の動きの影響を低減するために、戻り信号にハイパスフィルタを適用しうる。ハイパスフィルタは、未処理のレーダ入力で動作するために、図３６のＲａｄｉｏＳＥＳＮｅｔモジュール３６０２によって使用される。いくつかの例では、ボーカルフォールド高調波をフィルタリングしないために、９０Ｈｚでハイパスフィルタのカットオフ周波数を選択しうる。その後、無線信号は、適応エンコーダでエンコーディングされる。
エンコーダの後、システムは、各モダリティ内の長期間の依存性を利用するために、個々のブロックを用いてオーディオストリームと無線ストリームとを別々に処理しうる。そのために、システムは、効率的なデュアルパスＲＮＮブロック（ＤＰＲＮＮ）を介して各モダリティを処理する。ＤＰＲＮＮブロックは、完全畳み込みモデルの主な問題で制限されたコンテキストに悩まされない。その後、システムは、特徴次元のサイズ変更及び連結を介して２つのモダリティを合成しうる。これらのモデルは、出力の前に、ＤＰＲＮＮブロック及び１Ｄデコーダで更に処理される。
ＲａｄｉｏＳＥＳＮｅｔの例示的な設計を図４３に示す。いくつかの例では、ＲａｄｉｏＳＥＳＮｅｔのオーディオエンコーダは、カーネルサイズ１６を有する１Ｄ畳み込みレイヤと、カーネル数２５６と、それに続くＲｅＬＵ非線形性及びレイヤ正規化とを含む。ＲａｄｉｏＳＥＳＮｅｔの無線チャネルは、より低いサンプリングレートに起因して、フィルタの数が６４であることを除いて、同じパラメータを用いて、別の１Ｄ畳み込みレイヤ、非線形性、及び正規化を使用する。ストライドサイズは、カーネル幅の１／２に設定され、畳み込みブロック間で５０％の重複をもたらす。第１のレイヤの後、第２の１Ｄ畳み込みは、次元を、オーディオについては６４に、無線については１６に低減する。各無線ストリームは、同じエンコーダブロックを使用して、ＳＴＦＴのような表現を作成する。歪んだ入力オーディオを
で、無線ストリームをｒiで表すことができる。ここでｉはｉ番目の無線ストリームを表す。オーディオ及びラジオ・エンコーダの出力は
で表され、オーディオ及びラジオ・ストリームに対しては★∈（ａ、ｒ）で表され、簡単にするためにインデックスｉを削除しうる。ここで、Ｎ★は特徴の個数を表し、Ｌ★はエンコーディングされた表現のタイムサンプルの個数を表す。
図４３のマスカに示されるように、両方のエンコーディングされたモダリティが合成されることで、各ソースのマスクが推定される。各モダリティは、個々のＤＰＲＮＮブロックを通過し、次いで、ベクトル連結によって融合され、更に４つのＤＰＲＮＮブロックを通過し、その後、出力を、期待されるマスク数及びサイズと一致させる２Ｄ畳み込みレイヤを用いて、マスクを推定する。
ベニューにおいて同時に話す人が２人いる場合、図４３の入力には２つのレーダ出力がある。（例えば、スピーカ１及びスピーカ２の）２つのレーダ出力は、同じ適応エンコーダを通過する。あるいは、それらは異なるようにエンコーディングされうる。全ての無線ＤＰＲＮＮは、全ての無線信号及びスピーカに対して同じであってもよい。しかし、無線ＤＰＲＮＮは、代替の実施形態では異なるスピーカに対して異なっていてもよい。
他の実施形態では、図４３の構成が、３人、４人、５人又はそれ以上の人々に一般化されうる。そのような場合、より多くの無線ストリームが存在することになる。
いくつかの実施形態では、エンコーディングされたデータを処理するために、システムは、ＤＰＲＮＮブロックを使用でき、例示的なＤＰＲＮＮワークフローが図４４に提示される。ＤＰＲＮＮ処理は、重複ブロックを抽出する手段を通じて、入力データを３Ｄ表現に再整形することと、別の次元を通じて連結することと、入力ブロックの異なる次元に２つの連続するＲＮＮレイヤを適用することとを含みうる。再整形演算の出力は
として表すことができ、Ｋa及びＳaは、ブロックの長さ及びブロックの個数を表す。入力、出力表現
及び次元数
は無線チャネルについて同様に定義され、表１に与えられるが、単一のＤＰＲＮＮ処理のためのフローも図４４に与えられる。
いくつかの実施形態では、適切な再整形動作の後、入力ブロックは、ＲＮＮモジュールに供給され、ＲＮＮモジュールは３Ｄ入力のＳ次元に沿って動作され、完全接続レイヤ、及びレイヤ正規化が続く。間のスキップコネクションの後、ブロック間のより大きな距離関係を捕捉するために、Ｋ次元を通じて同様の動作が繰り返される。各ＲＮＮブロックは、深さ１を有し、完全接続レイヤは、入力サイズを出力サイズに一致させるために使用され、これはサイズ不一致なしに複数のＤＰＲＮＮブロックを繰り返すことを可能にする。
いくつかの実施形態では、マスカの出力において、人の数に等しい数のマスクが推定され、次いで、それが、時間領域オーディオ信号を抽出するために信号を復号するために使用される。ＤＰＲＮＮブロックは、オーバラップ加算（overlap-add）法によって、入力におけるものと同様の表現に変換される。信号は、転置畳み込み演算を適用するデコーダを介して供給される。出力は、対称性を維持するためにエンコーダ内で同じ次元数及び同じ数のフィルタを有する単一チャネル表現であり、また、適応的である。
いくつかの実施形態では、ＲａｄｉｏＳＥＳＮｅｔをトレーニングするために、システムは、次式で与えられる時間領域信号間の損失関数として、スケール不変信号対歪み（ＳｉＳＤＲ：scale-invariant signal-to-distortion）を使用しうる：
ここで、
は、ターゲット及び推定される音信号を表す。ＳｉＳＤＲの使用は、抽出された音声の振幅が関心対象ではないので、誤差演算を支配するためのスケーリング効果を防止する。重みのＬ2ノルム正則化と組み合わされ、減衰係数は、１ｅ-6に設定される。異なる数のユーザのための別個のモデルがトレーニングされているので、ＲａｄｉｏＳＥＳは、ソースの個数を推定することによって適切なモデルにスイッチする。
複雑性及び因果関係は、設計において特に考慮される。
いくつかの実施形態では、ＲａｄｉｏＳＥＳＮｅｔは、わずか２．１Ｍのパラメータを有するコンパクトな設計を有する。このうち、無線ストリームは、３２０ｋのパラメータを占めており、これは小さなデバイスに容易にフィットしうる。ＲａｄｉｏＳＥＳＮｅｔによる３秒入力のフォワードパスは、バッチ処理を伴う最新のＧＰＵで４ｍｓかかり、これは、対応するオーディオのみの方法よりもわずか０．４ｍｓ遅い。
いくつかの実施形態では、ＲａｄｉｏＳＥＳＮｅｔは、ブロック間処理の反復レイヤにおいて一方向ＬＳＴＭを使用するが、イントラブロックはＳ次元において完全なブロックを有することを必要とするＢＬＳＴＭに依存する。したがって、ＲａｄｉｏＳＥＳＮｅｔは、約１５０ｍｓの遅延で、因果関係をもって機能しうる。したがって、ＲａｄｉｏＳＥＳはすでにリアルタイム処理に近い。
開示されたＲａｄｉｏＳＥＳシステムの実験及び実装のために、ＲａｄｉｏＳＥＳをトレーニングし、検証し、評価するための大規模データを取得するためのデータ収集プラットフォームを構築できる。クリーンで残響のないグラウンドトゥルースサンプルを抽出することが重要であるので、吸音パッドによって部屋のエコーを低減できる。いくつかの実施形態では、システムが４８ｋＨｚでサンプリングされたＢｌｕｅ Ｓｎｏｗｂａｌｌ ｉＣＥマイクロフォンを用いてクリーンオーディオデータ、Ｔｅｘａｓ Ｉｎｓｔｒｕｍｅｎｔｓ（ＴＩ）ＩＷＲ１４４３ミリ波レーダを用いてレーダデータ、及びｉＰｈｏｎｅ(登録商標)１１ Ｐｒｏの前面カメラを用いてビデオデータを収集しうる。レーダは、１０００Ｈｚのサンプリングレートで３．５２ＧＨｚの帯域幅で動作するように設定される。システムは、それらのエネルギーの相関を使用して、時間領域において無線信号及びオーディオ信号をアライメントさせることができる。また、添付の音声ファイルはトレーニングに使用されているが、１０８０ｐｓと３０ｆｐｓで捕捉されたビデオデータも収集されている。
いくつかの実施形態では、ネイティブスピーカと、異なるアクセントを有するスピーカとを含む１９人のユーザが、ＴＩＭＩＴコーパスから発音的に豊富な文を読むように指示されている。ユーザは、９人の中国人、２人のインド人、２人のトルコ人、１人の韓国人のアクセントとともに、５人のネイティブ英語スピーカがいる多様なバックグラウンドから来ている。データセット内の２５文字より短い文が除されうる。ＴＩＭＩＴコーパスのサイズは限られているため、各参加者は２００個の共通文及び１００個の固有文を読む。参加者は、合計２１００の異なる文及び５７６２の固有の単語を読む。文は、混在した順序で提示され、データセットは通常は専門のスピーカを含む公的に利用可能なデータセットとは対照的に、多くの休止、及び充填語を含む。データ収集の間、ユーザは無線デバイスから約４０ｃｍ離れて座り、過度に移動しない間、通常の話し声で各材料を読む。
いくつかの実施形態では、雑音の多いサウンド信号及びミクスチャサウンド信号を生成するために、システムは、ＷＨＡＭデータセットからの雑音ファイルとともにＬｉｂｒｉＭｉｘで使用されるレシピに従いうる。トレーニングのための１３人のユーザ、及び評価のための４人のユーザ（男性２人、女性２人）を無作為に選択しうる。検証セットは、残りの２人のユーザと、トレーニングセット内のユーザの未使用の音声とを含む。全てのオーディオファイルを８ｋＨｚにダウンサンプリングした後、システムは、３秒の最小持続時間の制約で、組み合わされたファイルのうちの最も短いものに基づいて合成ミクスチャを作成しうる。各ユーザの録音は、平均１０回繰り返され、結果として２５，８２６発話（≒３０時間）になる。音声信号と雑音信号のラウドネスを正規化し、［－５，５］ｄＢの信号対雑音比で雑音ミクスチャを生成することによって、ゲイン係数が求められる。システムは、２つの評価セット、即ち、ｉ）見えるユーザからのミクスチャ、しかし聞こえない文、ｉｉ）見えないユーザからのミクスチャ、を生成しうる。これは、異なるユーザの無線信号が、それらの発話だけでなくそれらの体動及び物理特性に起因して異なる可能性があるので、ＲａｄｉｏＳＥＳにおける見える／見えないユーザへの依存性を説明するのに役立つ。
いくつかの実施形態では、マルチモーダルシステムが容易に故障し、モード故障として知られる単一のモダリティを使用することに焦点を合わせうる。これを防止し、ロバスト性を更に改善するために、データセット作成手順は、以下を含む。第１に、同一スピーカ・ミクスチャ：データセットは、オーディオビジュアル領域において有効であることが示されているモード障害を防止するために、同一スピーカ・ミクスチャを含む。第２に、マルチマイクロフォンミクスチャ：データ収集手順が２つのマイクロフォンを含むので、各ミクスチャを生成するときに１つをランダムに選択しうる。評価は、より良好なマイクロフォンを用いて行われてもよいが、これはより多くのデータを収集することなく、データセットサイズを何倍にもブーストする。第３に、クリーンで雑音の多いミクスチャ：ＬｉｂｒｉＭｉｘデータセットとは異なり、複数スピーカの雑音の多いミクスチャとクリーンなミクスチャとの両方を生成し、それらを使用して単一のモデルをトレーニングしうる。したがって、ＲａｄｉｏＳＥＳは、環境がクリーンであるか雑音が多いかにかかわらず、単一のモデルを使用する。
いくつかの実施形態では、ＭＡＴＬＡＢ(登録商標)においてＲａｄｉｏＳＥＳのデータ収集及び未加工データ処理モジュールを実装してもよく、一方、深層学習モデルは、モノオーラルＳＥＳにおける標準的なトレーニング及び評価プロトコルに従い、ＣｏｎｖＴａｓＮｅｔ又はＤＰＲＮＮＴａｓＮｅｔ等の既存の方法の実装を借りるために、Ａｓｔｅｒｏｉｄライブラリの助けを借りて、ＰｙＴｏｒｃｈにおいて実装される。いくつかの実施形態では、１ｅ-3の開始学習率を使用して、６０エポックの間、ＲａｄｉｏＳＥＳＮｅｔ及びＤＰＲＮＮＴａｓＮｅｔをトレーニングしてもよく、これは５つの連続するエポックの間、検証ロスが改善しなかったときに半分になる。更に、学習率は、２エポックごとに０．９８だけスケーリングされる。早期停止基準は、１５エポックに設定される。トレーニングを加速するために、混合精度トレーニング（mixed-precision training）を使用してもよい。ＲａｄｉｏＳＥＳＮｅｔの複雑度の低さのおかげで、単一のエポックは、単一のＮＶＩＤＩＡ ＲＴＸ ２０８０Ｓ ＧＰＵを使用して、２４のバッチサイズでトレーニングに約１０分を要する。
前述のように、マイクロフォン信号は、ほとんど音声信号に対応するが、レーダ信号は動き、振動、及び環境ファクタによって影響されうる。更に、通常、マルチモーダルシステムを容易に動作させることは単純ではない。無線信号のロバスト性を改善するために、以下を実施しうる。第１に、複数のスナップショットを捕捉すること：同じ人間の複数のレンジ－方位角ビンからの無線信号が変化しうるので、複数のレンジ－方位角データをデータセットに記録しうる。各エポックにおいて、８つの候補の中からトレーニングのためのレンジ－方位角ビンを無作為に選択してもよく、一方、検証及びテストは中央値ビンを使用してもよい。これは、合成方法に依存することなく、データセットサイズを大幅にブーストし、最も最適なビンを検索する代わりに、より広いレンジのビンを使用することを可能にする。第２に、入力歪み：入力無線ストリームは、異なる方法で歪められる。これらは、ランダム回転を導入すること、異なる分散レベルで雑音を追加すること、無線信号の一部をゼロに置き換えること（データ損失を模倣するため）、又はモード障害を低減するために一部の無線信号を完全に除去することを含む。
いくつかの実施形態では、ＲａｄｉｏＳＥＳの性能を評価するために、以下のメトリックを報告しうる：（ａ）ＳｉＳＤＲ：信号レベルのインジケータであるスケール不変信号対雑音比；（ｂ）ＳＩＲ：複数のスピーカが存在場合に１人から別の人への漏れを測定し、ＳＳタスクについてのみ報告する信号対干渉比；（ｃ）ＳＴＯＩ：短時間明瞭度メトリック（Short time intelligibility metric）、０から１まで報告されたワード誤り率と相関する；（ｄ）ＰＥＳＱ：０から５までの測定された音質の知覚的評価。人間の知覚を測定することは、ユーザ研究を必要とするので、ユーザ研究が実行可能でないとき、ＰＥＳＱが代替として提案される。
ベースライン法：様々なタスクのために、いくつかのラジオ（無線）オンリー及びオーディオオンリーの方法が文字どおりに含められうる。第１に、無線のみの方法として、ＷａｖｅＥａｒにおいてＷａｖｅＶｏｉｃｅＮｅｔを実装しうる。このアプローチは、無線モダリティのみを使用して、声帯振動からの音信号を（再）構成し、利用可能なマイクロフォンを仮定しない。それは、オーディオスペクトログラムの大きさを再構成し、Ｇｒｉｆｆｉｎ－Ｌｉｍベースの位相再構成を用いる。代わりに、クリーンオーディオ信号のオラクル位相を使用してもよく、これは、その性能に上限をもたらす。
ＲａｄｉｏＳＥＳの性能を他のオーディオのみのベースラインと比較して、無線モダリティからのゲイン及びＲａｄｉｏＳＥＳの持続的な性能を示すことができる。第１に、ＳＴＦＴベースのマスクを上回る性能を有する第１の適応エンコーダベースのシステムのうち１つであるＣｏｎｖＴａｓＮｅｔを含めうる。第２に、ＲａｄｉｏＳＥＳのオーディオオンリー・ベースラインであるＤＰＲＮＮＴａｓＮｅｔを含めうる。ＤＰＲＮＮＴａｓＮｅｔは、ＣｏｎｖＴａｓＮｅｔを大幅に上回る性能を示しており、最新技術と見なすことができる。第３に、ＳｕｄｏＲＭＲＦを使用しうる。これは、ＲＮＮブロックをダウンサンプリングブロック及びアップサンプリングブロックに置き換えることによってＤＰＲＮＮＴａｓＮｅｔを単純化し、同様の性能を達成することが示される。最後に、超音波モダリティ、及び異なるスピーカ及び雑音データセットを使用するため、ＵｌｔｒａＳＥと比較することはできない。データセットの変更及び異なるサンプリングレート（１６ｋＨｚ）のために、それらの結果をコピーし、直接比較を描くことは不可能である。一方、ＵｌｔｒａＳＥは、２人のミクスチャにおけるＣｏｎｖＴａｓＮｅｔと同様に機能する。これは研究のベンチマークとして含まれている。
音声強調において、ＲａｄｉｏＳＥＳは、表２に示されるように、オーディオオンリー・ベースライン法に改善をもたらす。バックグラウンド信号は音声信号とは統計的に異なるので、比較的小さな改善を見ることができる。この観測はオーディオビジュアル法（例えば、０．１ｄＢ改善）と一致し、ＲａｄｉｏＳＥＳが無線情報を利用することを学習することを示す。一方、ＷａｖｅＶｏｉｃｅＮｅｔからの結果は、無線モダリティが雑音の少ないオーディオを（再）構成するのに十分ではなく、実験設定内では実現可能ではない可能性があることを示唆している。これは、ハードウェア、音声的に豊富な多様なデータセット（５７６２個の一意の単語）、及びユーザにおける相違に起因しうる。結果が悪いので、実験でＷａｖｅＶｏｉｃｅＮｅｔを更に調査する必要はない。ＣｏｎｖＴａｓＮｅｔの性能はわずかに向上するが、実装ではもっと大きなデータセットにあらかじめ定義されたＣｏｎｖＴａｓＮｅｔが使用されていることに注意されたい。また、ＣｏｎｖＴａｓＮｅｔは因果関係がなく、１．５秒の先読みが必要である。これらの欠点にもかかわらず、ＲａｄｉｏＳＥＳは、ＣｏｎｖＴａｓＮｅｔと同様の性能を達成する。
ＲａｄｉｏＳＥＳによる音声分離結果を、前述のベースラインと共に表３に示す。単一スピーチタスクと雑音の多いスピーチタスクの両方を分離するために、ＲａｄｉｏＳＥＳは、ＤＰＲＮＮＴａｓＮｅｔを含む、オーディオオンリー領域における様々な最新技術の方法よりも優れている。ＤＰＲＮＮＴａｓＮｅｔ実装は、ＬｉｂｒｉＭｉｘデータセット１６．０において報告された値に近い２人のクリーンなミクスチャにおいて１３．５のＳｉＳＤＲを達成する。ＳＩＲ比に関する有意な改善は、クリーンな場合と雑音の多い場合の両方で観察することができ、これは、ミクスチャを分離するための無線チャネルの有用性を示しうる。更に、無線入力にはより多様性がある（例えば、無線チャネル入力は音によって影響されるだけでなく、周囲の動き及び物理的特性によっても影響される）にもかかわらず、ＲａｄｉｏＳＥＳは、基本的なＤＰＲＮＮＴａｓＮｅｔが被る場合に、見えないユーザに対してより良く一般化しうる。ＲａｄｉｏＳＥＳは、信号メトリックだけでなく、明瞭度及び知覚品質メトリック（ＰＥＳＱ：perceptual quality metrics）も改善する。オーディオオンリーのベースライン間の差は、特に入力ミクスチャが雑音で壊れている場合、及び複数の人がいる場合に大きくなる。そのために、ＲａｄｉｏＳＥＳを３人のミクスチャでトレーニングすることも可能である。表４に示すように、無線は各ユーザから個々のストリームを抽出するのに役立つので、ＲａｄｉｏＳＥＳからの改善は、３人のミクスチャについて更に大きい。ＲａｄｉｏＳＥＳからの性能利得は、より多くのユーザと共に増加するので、それは４人以上のユーザに対して良好に機能することを期待しうる。
前述のように、別のモダリティを導入することは、置換問題を解決するためのトレーニングの開始時に損失関数を導き、ソースの数を推定すること等、多くの利点を有する。そのために、図４５では、トレーニングセット及び検証セットの損失値を比較できる。図４５に示すように、オーディオ無線システムは、より良好な収束点と共に、最初にはるかに急峻な学習曲線を有する。
更に、図４６では、ＲａｄｉｏＳＥＳの出力ＳｉＳＤＲをそのオーディオオンリーのベースラインと比較できる。図４６に示されるように、開示されるＲａｄｉｏＳＥＳ法は、オーディオオンリーのベースラインよりも優れており、性能ゲインは、異なる入力ＳｉＳＤＲレベルを通じて一貫している。オーディオに対するオーディオラジオシステムの一貫性を調査するために、図４７のように、無線チャネルからのＳｉＳＤＲに関して差動ゲインをプロットしうる。誤った関連性を特徴づけるために、Δ（ＤＢi）＜－３のサンプルの量は１．０３％であり、これは、時間の９８．９７％についての正しい物理的関連性を示している。
いくつかの実施形態では、元のデータ収集場所とは異なる場所で行われる、様々な設定におけるＲａｄｉｏＳＥＳの性能を更に評価しうる。異なる環境シナリオから抽出された無線信号をシミュレートすることは困難であるので、様々な設定でデータを収集しうる。例えば、距離の影響をテストするために、異なる距離（例えば、７５ｃｍ）で複数のユーザデータを収集し、その位置からミクスチャを作り出すことができる。各設定間のわずかな差異は避けられないが、入力データストリームを同じラウドネスレベルに正規化して、公平な比較を行いうる。改善を示すために、オーディオオンリーのベースラインと共に各設定の性能を提示し、それらの設定においてＲａｄｉｏＳＥＳがどのように良好な性能を維持するかを示しうる。提示のために、図４５は、ＲａｄｉｏＳＥＳをオーディオラジオ（ＡＲ）法として参照し、ベースラインＤＰＲＮＮＴａｓＮｅｔは、オーディオオンリー（ＡＯ）法として注記される。図４５に示されるように、ＲａｄｉｏＳＥＳは、ほとんどが、オーディオオンリーのベースラインを上回り、データセットは４ｄＢ改善され、これは見えないスピーカのミクスチャ及び同一スピーカのミクスチャを含む。この評価は、一貫性のためにクリーンなミクスチャを用いて行われるが、雑音の多いミクスチャでも同様の利得を観察しうる。
第１に、図４８Ａに示すように、信号分離タスクに対する距離の影響を評価しうる。表５に示すように、ＲａｄｉｏＳＥＳは、スピーカがデバイスから１ｍ離れるまでロバストに動作し、オーディオオンリーのベースラインと比較して利得を維持しうる。両方の場合の性能は低下し、これは、トレーニングデータセットが短い距離からのみ捕捉されることに起因する。距離が増加することにつれて、受信されたオーディオ信号は、室内インパルス応答及びマイクロフォン非線形性に起因して変化し、これは、最近、マイクロフォンを用いた粗ソース距離推定に使用される現象である。いくつかの例では、無線チャネルからの性能ゲインが０．５ｍ及び１ｍからあまり減少せず、より低い性能のための主なボトルネックは様々なオーディオデータである。より多様なオーディオデータを取り込むことで、高性能なシステムを構築できる。
第２に、ユーザは、図４８Ｂに示されるように、デバイスから０．７５ｍ離れて座り、実際のセンシングエリアを探索するために、ユーザの向きを変更するように求められる。ＲａｄｉｏＳＥＳは、表５の向き欄に示されるように、性能を低下させることなく、４５°まで動作しうる。オーディオラジオシステムからのゲインは、各設定を通じて一貫しており（例えば、ＳｉＳＤＲにおいて～４ｄＢ）、無線ストリームのモデリングにおける有効性を示している。更に、この観測は、マイクロフォンからの異なる偏差角度が無線反射ＳＮＲを低減するが、いかなる距離ベースの非線形性も作り出さないので、距離の観測と一致する。
第３に、ユーザは、図４８Ｃに示すように、０．５５ｍに座り、０度から１５度及び３０度まで頭部を回転させるように求められる。例えば、ユーザがラップトップ又はモニタの前に座った場合、ユーザは画面上で異なるコンテンツを見るために頭を自然に振ることになり、０．５ｍでの３０度の頭回転は、大きな画面の全領域を見ることを可能にする。更に、ＲａｄｉｏＳＥＳが、声帯の振動の代わりに、口唇運動を使用している場合、結果が急速に劣化することが期待される。結果、は表５の頭の向き欄に提示され、これはトレーニング手順が明示的な頭部回転データを含まない場合であっても、ＲａｄｉｏＳＥＳが頭の向きの変化に対してロバストであることを示す。
第４に、ユーザは、様々な歪みを実行するように求められる。例えば、ユーザは、発話中にレーダの前で動作を行うように求められる。実験を制御するために、ユーザは、発話中に起こりうるように、頭を上下に、左右に、及び前後に自然に動かすように求められる。次に、オクルージョンとしての役割を果たすマスクを装着したユーザについてデータを収集する。表６に示すように、ＲａｄｉｏＳＥＳは、頭部運動の影響を受けない。更に、オクルージョンを有する利点を失う特定の視覚強化方法とは異なり、ＲａｄｉｏＳＥＳは、マスクの装着に対してロバストであり、オーディオオンリー法と比較して改善を維持できる。これは、声帯の振動が、顔からではなく身体及び咽喉から抽出されるという事実に起因する。
例示的な実験では、複数のユーザが同じ部屋の中に座って、野生での音声強調及び分離をテストするように求められる。ユーザは、Ｒａｉｎｂｏｗ及びＡｒｔｈｕｒのパッセージを読むように求められ、一方、バックグラウンド雑音はスピーカのペアから再生される。この実験は、グラウンドトゥルース・クリーン信号を有しないため、単語誤り率及び文字誤り率に関してのみ性能を評価できる。公平に比較するために、ユーザは、そのセットの性能を捕捉するために、別の静かな環境で同じデータを読むよう求められる。Ｇｏｏｇｌｅの音声・トゥ・テキスト・エンジンを、トランスクリプトを構築するためのモデル適応なしで使用してもよい。スピーカはネイティブスピーカではなく、ＲａｄｉｏＳＥＳは電話品質のスピーチ（８ｋＨｚ）で実装されているため、全体的なエラーレートは高くなる。一方、表７に示されるように、ＲａｄｉｏＳＥＳは、多人数ミクスチャを強調及び分離することができ、音声分離のためのオーディオオンリーのベースラインを上回る性能を発揮しうる。
他の例示的な実験では、雑音及びゼロ・パディングを追加することによって入力信号を破損させてよく、これは、人々が更に離れている場合、又はシステム内にパッケージ損失がある場合、性能変化に対する洞察をうるのに役立つ。これらの実験は、オーディオストリームの最初の３秒間で行われる。なぜなら、より長いオーディオストリームは、すでに何らかのゼロパッド又は重複ブロック処理を必要とするからである。白色ガウス雑音を加えて、２０～－１０ｄＢレベルの様々なＳＮＲでレーダデータを取得し、表８の性能メトリックを報告しうる。より長い距離では無線信号は雑音が多いと予想され、この実験は無線信号がまだ有用であるときまで探索する。ＲａｄｉｏＳＥＳは、－５ｄＢの無線ＳＮＲまでオーディオベースラインよりも優れている。無線信号が更なる雑音を有する場合、オーディオベースラインと同様の性能が達成される。この実験は、より大きな距離でのＲａｄｉｏＳＥＳの大きな可能性があることを示している。
別の実験では、無線ストリームをゼロパッドして、利用可能なレーダストリーム持続時間を低減し、２秒、１．５秒、１秒、及び０．５秒の入力無線持続時間をテストしうる。そのような構成は、無線ストリームに電力要件又はパッケージ損失がある場合に使用されうる。表９に示されるように、ＲａｄｉｏＳＥＳは、知覚品質に関して、少なくとも１秒の信号（即ち、３３％）が存在する場合、オーディオオンリーのベースラインと比較して、音声分離タスクを依然として支援し、性能を改善しうる。ＲａｄｉｏＳＥＳシステムは、１．５秒の入力後の全ての入力に関して、オーディオオンリーのベースラインよりも良好に機能する。これは、電力制約設定の場合、ＲａｄｉｏＳＥＳは、３３％未満のデューティサイクルで動作することができ、依然として、ソース関連付けの前述の利点とともに、性能改善をもたらすことができることを示す。
レーダのＦｏＶの外側にスピーカを有することは、ＲａｄｉｏＳＥＳにおける重要な焦点ではないが、１つのスピーカがＦｏＶの外側にあることを可能にすることによって、そのような動作モードにおけるＲａｄｉｏＳＥＳの限界を探求しうる。この設定では、無線ベースの方法で出力される人数が少なくなるため、スピーカの数を見積もるために代替アプローチを使用する必要がある。実際には、時間情報を活用することによって、依然として無線ベースの推定を使用しうる。外部ユーザからの情報をシミュレートせずに、ＲａｄｉｏＳＥＳが部分的な情報を有することから利益を得ることができるかどうかを理解するために、無線ストリームをゼロパッドしうる。単一の人間が欠如しているケースを調査しうるが、２人の人間の欠如への拡張も、置換ベースの方法を用いて可能である。表１０に示されるように、ＲａｄｉｏＳＥＳは依然として、大きなマージンでオーディオベースラインを上回り、人が欠けると性能を改善しうる。１人が外にいる場合、２人の騒音のあるミクスチャでは、あまり性能が低下しない。３人のミクスチャの場合、より多くの減少があるが、オーディオオンリーシステム間のギャップはより大きく、２つの他の無線信号を有することの利点は明らかである。
別の実験では、各コンポーネントの効果を理解するために、いくつかのブロックなしでＲａｄｉｏＳＥＳＮｅｔをトレーニングしうる。アブレーションテストには、クリーンな２人ミクスチャを使用しうる。表１１に示すように、マスク推定から、i）無線ＤＰＲＮＮブロック、ii）オーディオＤＰＲＮＮブロック、及びi）ハイパス（ＨＰ）フィルタ、を除去しうる。最後のケースでは、オーディオストリームは、ＲａｄｉｏＳＥＳの主要な構成を変更しないよう、信号をエンコーディングするために依然として使用されるが、いかなるＤＰＲＮＮブロックも通過しない。
本教示では、無線モダリティを使用してＳＥＳタスクのロバスト性及び性能を改善するために、ＲａｄｉｏＳＥＳが開示される。無線デバイスの視野内の振動源は声帯のみからであると仮定しうるが、無線はギター又は機械等の他のソースの振動も測定しうる。これらの振動源は、通常、いくつかのサウンドシグネチャを生成し、それらは、カメラを使用して行われるように、各ソースからのサウンドを別々に推定するために使用されうる。
マイクロフォンアレイ：いくつかの実施形態では、ＲａｄｉｏＳＥＳは、ミリ波センシングデバイスとともに単一のマイクロフォンを使用する。一方、ＲａｄｉｏＳＥＳは、マイクロフォンアレイと共に動作することも可能であり、無線モダリティは、全体的な性能を更に改善できる。マイクロフォンアレイにおけるビームフォーミングは、無線モダリティが不要であることを示しうるが、雑音が多い環境又は残響が多い環境では失敗しうる。ＲａｄｉｏＳＥＳは、ソースの振動をセンシングするので、ロバストなビームステアリングのために音の方向を推定してもよく、又は更なる改善のために残響なしにソースの振動を抽出してもよい。
移動スピーカ：いくつかの実施形態では、ＲａｄｉｏＳＥＳがそれらは、著しく移動しないという固有の仮定を伴って身体をトラッキングするように設計される。これは通常、関連するバイタルサインモニタリング文献（呼吸、心拍数）における一般的な制約であるが、いくつかの最近の研究は、呼吸についての動きに対処し始めた。より完全なシステムは、中レベル及び高レベルのソースの動きをサポートする必要がある。そのために、人のポイントクラウドからの複数のバイタルサインビンのコヒーレントな合成、又は深層学習は、複数の移動ターゲットをサポートするためのいくつかの興味深いアイデアでありうる。
センシング距離：実験は、ＲａｄｉｏＳＥＳが、スピーカがデバイスから１ｍ離れるまでロバストに動作し、オーディオのみのベースラインと比較して利得を維持できることを示す。両方の場合の性能は低下し、これは、トレーニングオーディオデータセットが短い距離からキャプチャされるためである。しかしながら、ＲａｄｉｏＳＥＳからの性能改善は、距離とともにあまり減少しない。実験の間、未加工信号のＳＮＲは、低いピッチを有する人々（例えば、男性）のために、大きい距離（例えば、２．５ｍ）において依然として高い。全てのユーザをサポートするために、実用的なレンジを１ｍに制限することができ、これは超音波を使用するレンジよりもはるかに大きい。これらの物体が更に離れているときに、これらの物体から多くのレーダシグネチャを捕捉することはできないが、（例えば、バイタルサインモニタリングのように）依然としてロバストに検出することができ、高品質の無線ストリームの個数を減らすことさえも、性能を改善するのに役立つことができる。更に、異なるハードウェアは、７ｍ又は５０ｍからの声帯振動を捕捉しうる。ＲａｄｉｏＳＥＳはより優れたハードウェアの恩恵を受けることができ、より実用的なシステムを構築しうる。
マルチパス効果：実験では、レーダの前に複数のソースがある場合を考慮してもよく、トレーニングデータは各人について完全にクリーンな無線ストリームを仮定する。しかしながら、困難な状況では、無線センシングベースのシステムが強力なマルチパス効果を有しうる。ミリ波帯では、効果は２．４／５ＧＨｚほどの弊害はないが、それでも性能を低下させる可能性がある。この問題は、短距離実験では存在しないかもしれないが、長距離屋内センシングのための制限ファクタとなりうる。
いくつかの実施形態では、評価ボード及び単一のミリ波デバイスのコストは低くなりうる。これらのデバイスのサイズは、電話機に適合するように６ｍｍ×６ｍｍと小さくすることができ、電力消費は１ｍＷと低くしうる。更に、ＲａｄｉｏＳＥＳは、１００％のデューティサイクルで動作する必要がない。アプリケーションに基づいて、より低い電力消費を達成しうる。連続的なミリ波センシング能力を有するデバイスが既に存在するので、ＲａｄｉｏＳＥＳは、スマートデバイスと一体化されることが可能である。
開示されたＲａｄｉｏＳＥＳは、ミリ波センシングを使用する共同オーディオラジオ音声強調及び分離システムである。それは、無線モダリティの助けを借りて、既存のオーディオオンリーの方法の性能を改善し、オーディオビジュアルシステムと同様の改善を達成し、演算の複雑度及びプライバシーにおける更なる利点を有する。更に、ＲａｄｉｏＳＥＳは、環境内のソースの数を検出し、出力を物理的なスピーカ位置と関連付けることができ、全て、オーディオオンリー領域において困難な問題である。現実世界の実験は、ＲａｄｉｏＳＥＳが最先端の方法を大幅に上回ることを示し、オーディオラジオＳＥＳの大きな可能性を実証している。
図４９は、本開示のいくつかの実施形態による、無線支援信号推定のための例示的な方法４９００のフローチャートを示す。種々の実施形態において、方法４９００は、上記で開示したシステムによって実行されうる。動作４９０２において、ベニューにおけるベースバンドミクスチャ信号が取得される。ベースバンドミクスチャ信号は、第１のソース信号と追加の信号とのミクスチャを含む。第１のソース信号は、ベニューにおける第１の物体の第１の動きによって生成される。動作４９０４において、無線信号の無線特徴が取得される。無線信号は、ベニューにおいて送信機から受信機に送信される。受信された無線信号は、ベニューの無線チャネルと、少なくともベニューにおける第１の物体の第１の動きとに起因して、送信された無線信号とは異なる。動作４９０６において、第１の適応フィルタが、無線特徴に基づいてベースバンドミクスチャ信号のために構築される。動作４９０８において、ベースバンドミクスチャ信号が、第１の適応フィルタを使用してフィルタリングされることで、第１の出力信号が取得される。動作４９１０において、第１のソース信号の推定が、第１の出力信号に基づいて生成される。図４９の動作の順序は、本教示の種々の実施形態に従って変更されうる。
図５０は、本開示のいくつかの実施形態による、ベニュー５００１における無線支援信号推定のためのシステム５０００を示す。図５０に示すように、システム５０００は、ベニュー５００１内のベースバンドミクスチャ信号５０１９を取得するように構成されたセンサ５０１０を含む。いくつかの実施形態では、センサ５０１０は、音響センシングのためのマイクロフォン（例えば、スマートスピーカ上のマイクロフォン）でありうる。いくつかの実施形態では、ベースバンドミクスチャ信号５０１９は、第１のソース信号５０１１と追加の信号５０１２とのミクスチャを含む。いくつかの実施形態では、第１のソース信号５０１１は、ベニュー５００１内の第１の物体５０５０の第１の動きによって生成される。
図５０に示すように、システム５０００は更に、ベニュー５００１の無線チャネル５０４０を通じて第１の無線信号５０２２を送信するように構成された送信機５０２０と、無線チャネル５０４０を通じて第２の無線信号５０３２を受信するように構成された受信機５０３０とを含む。いくつかの実施形態では、第２の無線信号５０３２は、無線チャネル５０４０及び少なくともベニュー５００１内の第１の物体５０５０の第１の動きに起因して、第１の無線信号５０２２とは異なる。いくつかの実施形態では、送信機５０２０は、図２に示されるような無線送信機又はＢｏｔでありうる。いくつかの実施形態では、受信機５０３０は、図２に示されるように、無線受信機又はＯｒｉｇｉｎでありうる。
図５０に示されるように、システム５０００は更に、センサ５０１０からのベースバンドミクスチャ信号５０１９と、受信機５０３０からの第２の無線信号５０３２とに基づいて、例えば、図４９に開示される方法に従って、第１のソース信号の推定を生成するように構成されたプロセッサ５０３５を含む。いくつかの実施形態では、プロセッサ５０３５は、受信機５０３０とは別個のデバイスでありうる。他の実施形態では、プロセッサ５０３５は、受信機５０３０と接続された、又は一体化されたデバイスでありうる。
図５１は、本開示のいくつかの実施形態による、無線支援信号推定のためのシステム（例えば、図５０のシステム５０００）における第１の適応フィルタ５１００を示す。他の実施形態では、第１の適応フィルタ５１００は、第２の無線信号５０３２の無線特徴に基づいて、ベースバンドミクスチャ信号５０１９のためにプロセッサ５０３５によって構築されうる。第１の適応フィルタ５１００は、システムのプロセッサ５０３５が、第１の出力信号５１０９に基づいて第１のソース信号５０１１の推定を生成しうるように、ベースバンドミクスチャ信号５０１９をフィルタリングすることによって第１の出力信号５１０９を取得するために使用されうる。
図５１に示すように、第１適応フィルタ５１００は、第１ベースバンドフィルタ５１１０と、第２ベースバンドフィルタ５１２０と、第３フィルタ５１３０と、第４フィルタ５１４０とを含む。第１のベースバンドフィルタ５１１０は、第２の無線信号５０３２の無線特徴を使用せずに構築されうる。第２のベースバンドフィルタ５１２０は、第２の無線信号５０３２の無線特徴に基づいて構築されうる。
図５２は、本開示のいくつかの実施形態による、第１の適応フィルタ５１００の詳細図を示す。この例では、図５２に示すように、第１のベースバンドフィルタ５１１０は、第１の信号領域においてベースバンドミクスチャ信号５０１９を処理するための第１の前処理モジュール５２１１と、第１の信号領域から第１の変換領域に信号を変換するための第１の変換モジュール５２１２と、第１の変換領域において信号をフィルタリングするための第１の変換領域フィルタ５２１３とを更に含む。この例では、図５２に示すように、第２のベースバンドフィルタ５１２０は、第２の信号領域において第２の無線信号５０３２を処理するための第２の前処理モジュール５２２１と、第２の信号領域から第２の変換領域に信号を変換するための第２の変換モジュール５２２２と、第２の変換領域において信号をフィルタリングするための第２の変換領域フィルタ５２２３とを更に含む。
図５２に示されるように、この例における第３のフィルタ５１３０は、第１のベースバンドフィルタ５１１０及び第２のベースバンドフィルタ５１２０の出力を処理するための第３の前処理モジュール５２３１と、第３の信号領域において信号をフィルタリングするための第３の変換領域フィルタ５２３２とを含む。図５２に示すように、この例の第４のフィルタ５１４０は、第３の変換領域フィルタ５２３２の出力に基づいて第１の変換領域の信号をフィルタリングするための第４の変換領域フィルタ５２４１と、第１の変換領域から第１の信号領域に信号を変換するための第１の逆変換モジュール５２４２と、第１のソース信号５０１１を推定するための、第１の信号領域の信号を処理して第１の出力信号５１０９を生成するための後処理モジュール５２４３とを含む。
いくつかの実施形態では、送信機と受信機との間の無線信号（例えば、ミリ波、２８ＧＨｚ又は６０ＧＨｚ、又はレーダ信号、又はＵＷＢ信号）は、受信された無線信号から取得されたチャネル情報（例えば、チャネルインパルス応答／ＣＩＲ、チャネル周波数応答／ＣＦＲ、及び／又はチャネル状態情報／ＣＳＩ、ＲＳＳＩ等）に基づいて、信号（例えば、音声）強調（例えば、雑音除去）及び／又は信号分離を支援するために使用されうる。送信機及び受信機は同じ場所に（例えば、同じデバイス上に、又は同じ回路基板上に）、又は異なる場所に配置されうる。
いくつかの実施形態では、送信機（タイプ１デバイス）及び／又は受信機（タイプ２デバイス）はそれぞれ、アンテナアレイ、分散アンテナを有しうる。各々が送信機から無線信号を受信する複数の受信機が存在しうる。各々がそれぞれ無線信号を受信機に送信する複数の送信機があってもよい。複数の送信機及び複数の受信機が存在してもよく、各送信機は、１つ以上の受信機にそれぞれ無線信号を送信する。
いくつかの実施形態では、開示されたシステムを実装するデバイスがレーダモードで動作しうるコモディティ無線ネットワーキング又は通信チップ／チップセットを有しうる。レーダモードは、追加のアンテナアレイをチップセットに取り付けることによって有効にされうる。チップ／チップセットを使用して、送信無線機を使用して無線信号を送信し、受信無線機を使用して反射された無線信号を受信しうる。チップは同時に又は同時期に送信／受信しうる。チップは「同時」送信／受信をシミュレート又は模倣するために、送信と受信との間で迅速に切り替えうる。
いくつかの実施形態では、送信機及び受信機が同じベニュー（例えば、家、部屋、オフィス、歩道、共通エリア、施設）に存在してもよい。送信機は、受信機に物理的に隣り合っていても、受信機に隣接していても、受信機から距離を置いていてもよい。少なくとも１つの物体又は「ソース」物体（例えば、人、２人以上の人）がベニューに存在してもよく、個別のソース信号（例えば、各人からの音声信号、話すこと、歌うこと、対話すること、一度に１つの発話、同時の２人以上の人が話すこと）を生成する。ミクスチャ信号が取得されてもよい（例えば、２人の同時対話／歌唱を含むマイクロフォンによって捕捉された音）。ミクスチャ信号は、少なくとも１つのソースからの信号のミクスチャ（例えば、和、重み付け和、積、重み付け積等）を含みうる。ソース信号は、バックグラウンド雑音の存在下で生成されてもよい（例えば、電車の駅、空港、又は家庭／オフィス等の騒音環境で話す２人の人々；バックグラウンド雑音は、群衆音、機械音、モータ／エンジン音、掃除機／ファン／機械／冷蔵庫／ヒータ／エアコンであってもよい）。
いくつかの実施形態では、信号分離の目標は、ミクスチャ信号内で／から２つ以上のソース信号（例えば、音信号）を分離することである。信号強調の目標は、個々のソース信号を強調することである（例えば、明瞭度を改善し、音声品質を改善し、雑音を低減／除去する）。
いくつかの実施形態では、無線支援信号推定のための方法が以下で説明するステップｓ１～ｓ５を含む。
ステップｓ１において、ベニュー内の少なくとも１つの物体に関連する少なくとも１つのソース信号のミクスチャを含む、センサと関連付けられたミクスチャ信号（例えば、マイクロフォンによって捕捉された音信号）を取得し、各ソース信号は、ベニュー内のそれぞれの物体からのものである／それと関連付けられたものである。
ステップｓ２において、タイプ１デバイスからタイプ２デバイスに無線信号（例えば、ミリ波信号又はレーダ信号、又はＵＷＢ信号）を送信し、受信された無線信号から、２つ以上の時系列のチャネル情報（ＴＳＣＩ、ＣＩはＣＩＲ、ＣＦＲ、又はＣＳＩ、又はＲＳＳＩ等のうちの１つ以上である／含む）を取得し、各ＣＩは、個別の送信機アンテナ及び個別の受信機アンテナと関連付けられる。送信機アンテナ及び／又は受信機アンテナは、既知の位置（ロケーション）にあってもよい。各ＣＩ（例えば、ＣＩＲ）は、２つ以上の成分を含み、各成分は、伝搬遅延又はレンジ又はレンジビンと関連付けられる。各成分は複素数であってもよい。
ステップｓ３：ＴＳＣＩにデジタルビームフォーミングを適用することで、２つ以上のレンジ－方位角ＣＩＲを取得し、各ＣＩＲは、レンジ及び方位角と関連付けられる。
ステップｓ４：以下のステップｓ４ａ～ｓ４ｅによって、少なくとも１つの無線信号ＣＩＲ Ｔａｐ(ｔ)を生成し、各無線信号は、ベニュー内のそれぞれの物体（スピーカ）と関連付けられる。ステップｓ４ａにおいて、ＣＦＡＲ検出器がターゲット検出のために使用され、例えば、ＣＩＲ＞ｔ１のタップ時にターゲットが検出される。ステップｓ４ｂにおいて、散乱除去のために、Ｔ２＜ＣＩＲタップの分散（経時的）＜Ｔ３、である場合、ＣＩＰタップを保持しうる。ここで、Ｔ２及びＴ３の両方が空間的に｛ｒ，θ｝に対して変化する。ステップｓ４ｃにおいて、物体（例えば、人々）の数の推定のために、ノンパラメトリッククラスタリング（ＤＢＳＣＡＮ）が使用されうる。ステップｓ４ｄにおいて、ユーザ位置｛ｒ，θ｝の連続的なトラッキングが実行されうる。ステップｓ４ｅにおいて、無線特徴抽出のために、｛ｒ，θ｝におけるＣＩＲタップ（時間関数）が、ユーザ位置｛ｒ，θ｝と関連付けられてよく、ここで、中央値ビニングが実行される。
ステップｓ５：ＳＥＳと無線特徴との合成（組み合わせ）に基づいて、ミクスチャ信号を同時に分離及び強調する。基本ＳＥＳは、エンコーダ（ＳＴＦＴ等）、演算マスク（フィルタ）、適用マスク（フィルタ）、及びデコーダ（ＩＳＴＦＴ等）を含みうる。無線特徴に対するフロントエンド処理（即ち、｛ｒ，θ｝におけるＣＩＲタップ（時間関数））は、以下のステップｓ５ａ～ｓ５ｈを含みうる。ステップｓ５ａにおいて、ＩＱ平面におけるＣＩＲタップ(ｔ)のランダム回転が、オプションとして実行されうる。ステップｓ５ｂにおいて、ハイパスフィルタが、体動の影響を低減するために使用される（声帯高調波をフィルタリングしないために、９０Ｈｚにおけるカットオフ周波数）。ステップｓ５ｃにおいて、（ＳＴＦＴのような）適応エンコーダが構築されて使用される。
ステップｓ５ｄにおいて、各モダリティ内の長期依存性を利用するために、個々のブロックを用いてオーディオ及び無線ストリームを別々に処理し、各モダリティは、デュアルパスＲＮＮブロック（ＤＰＲＮＮ）深層学習を通じて処理されうる。サイズ変更後、音声信号と無線信号をベクトル連結で融合する。次いで、２Ｄ畳み込みレイヤを用いてマスクを推定する前に、更に４つのＤＰＲＮＮブロックを用いた処理が適用されうる。ＤＰＲＮＮ処理は、重複ブロックを抽出する手段を通じて、重複ブロックを抽出する手段を通じて、入力データを３Ｄ表現に再整形することと、別の次元を通じて連結することと、入力ブロックの異なる次元に２つの連続するＲＮＮレイヤを適用することとを含みうる。
ステップｓ５ｅでは、推定された人数に基づいて、各人についてマスクをトレーニングする。ステップｓ５ｆにおいて、例えば、マスク１を適用してスピーカ１の音声を抽出し、マスク２を適用してスピーカ２の音声を抽出することによって、マスクをオーディオに適用する。ステップｓ５ｇにおいて、（ブロックごとに）デコーダが適用される。ステップｓ５ｈでは、重複（オーバラップ）及び加算が行われる。
以下の番号付けされた項Ｅは、オーディオ及び無線信号に基づくサウンドセンシングの実装例を提供する。
項Ｅ１．無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、ベニューにおけるベースバンドミクスチャ信号を取得することであって、ベースバンドミクスチャ信号は、第１のソース信号と別の信号とのミクスチャを含み、第１のソース信号のソースは、ベニューにおける物体の動きである、ことと、ベニューにおけるタイプ１のヘテロジニアス無線デバイスから第２のヘテロジニアス無線デバイスへ送信される無線信号の無線特徴に基づいて、ベースバンドミクスチャ信号のための第１の適応フィルタを構築することであって、受信される無線信号は、物体の動き及びベニューの無線マルチパスチャネルに起因して、送信された無線信号とは異なる、ことと、第１の適応フィルタを使用してベースバンドミクスチャ信号をフィルタリングすることで、第１のソース信号の推定である第１の出力信号を取得することと、を含む。
いくつかの実施形態では、全処理／フィルタリングは、（１）ステージ－１フィルタリング、（２）ステージ－２フィルタリング、及び（３）ステージ－３フィルタリングを含みうる。図４３を参照すると、ステージ１フィルタは、２つの部分、即ち、ベースバンドミクスチャ（例えば、音）信号をフィルタリングするための１つの部分（「１ａ」と呼ばれる）と、図４３の「レーダ出力」をフィルタリングするための１つの部分（「１ｂ」と呼ばれる）とを有する。
（１ａ）ステージ１ａフィルタは、図４３のベースバンドミクスチャ信号（例えば、音）を処理するための３つの下部ブロック、即ち、「マイク出力」ブロック、「適応エンコーダ（オーディオ機能）」ブロック、及び「オーディオ前処理（オーディオＤＰＲＮＮ（ｘ２））」ブロックに対応する。ステージ１ａフィルタによる処理は、前処理（例えば、何も行わない、フィルタリング、ダウンサンプリング）、時間領域から変換領域（例えば、ＳＴＦＴ様領域、周波数領域）への変換（例えば、変換、畳み込み、投影）、及び変換領域処理（例えば、データ再編成又は再整形、オーディオＤＰＲＮＮ（ｘ２））を含む。
（１ｂ）ステージ１ｂフィルタは、図４３のベースバンド無線導出信号（例えば、レーダ出力、請求項Ｅ１の無線信号の無線特徴（例えば、ＣＳＩ、ＣＩＲ、ＣＦＲ）から導出された信号）を処理するための３つの上部ブロック、即ち、「レーダ出力」ブロック、「適応エンコーダ（無線特徴）」ブロック、及び「無線前処理（無線ＤＰＲＮＮ（ｘ２））」ブロックに対応する。ステージ１ｂフィルタによる処理は、信号領域（例えば、時間領域）における前処理（例えば、ランダム位相回転、ハイパスフィルタ）、時間領域から変換領域（例えば、ＳＴＦＴ様領域、周波数領域）への変換（例えば、変換、畳み込み、投影）、及び変換領域処理（例えば、データ再編成／再整形、無線ＤＰＲＮＮ（ｘ２））を含む。
ステージ１ａフィルタ及びステージ１ｂフィルタは、同様の信号処理要素、即ち、時間領域、変換、変換領域、及び変換領域処理を有する。ベースバンド無線導出信号は、物体に対応する特定の｛レンジ、方位角｝におけるＣＩＲのタブを含みうる。ベースバンド無線導出信号を導出するために、物体検出が、２Ｄ（又は３Ｄ）ＣＩＲにおけるビームフォーミング、ＣＦＡＲ検出（例えば、閾値処理、Ｃ＊ｈ＞Ｔ１）、散乱除去（例えば、閾値処理、Ｔ２＞分散＞Ｔ３）、クラスタリング、人数推定、中心抽出、及び／又は無線特徴抽出、を実行することによって、特定の｛範囲、方位角｝を演算するために実行されうる。
（２）ステージ２フィルタは、図４３の「マスカ」ブロックの右半分、「マルチモーダルマスカ（融合＋ＤＰＲＮＮ（ｘ４））」に対応する。ステージ２フィルタによる処理は、前処理（例えば、マルチモーダルデータ（例えば、サウンドデータ＋ラジオデータ）の融合）、ステージ１ａ及びステージ１ｂフィルタの出力の融合、データ連結、変換領域処理（例えば、データ再編成／再整形、ＤＰＲＮＮ（ｘ４））、ベースバンドミクスチャ信号中のソース信号の各々に対する変換領域「ターゲット」フィルタ（例えば、「マスク」、「オーディオマスク１」、「オーディオマスク２」）の生成（例えば、第１の音信号に対するオーディオマスク１、第２の音信号に対するオーディオマスク２）を含む。
（３）ステージ３フィルタは、ベースバンドソース信号の推定値として第１の出力信号を生成するための図４３の最後の３つの上部ブロック、即ち、「出力（オーディオマスク１）」ブロック、マスクのアプリケーション（ブロックとして機能するが、図４３ではブロック形式で示されていない）、及び「適応デコーダ」ブロックに対応する。ステージ３フィルタによる処理は、変換領域「ターゲット」フィルタを使用してベースバンドミクスチャ信号をフィルタリングし、逆変換し、ベースバンドソース信号の推定値として時間領域出力を再構成するためのオーバラップ及び加算することを含む。
項Ｅ２．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、無線信号の無線特徴を使用することなく、第１のベースバンドステージ１フィルタを構築することと、無線信号の無線特徴に基づいて、第２のベースバンドステージ１フィルタを構築することと、第１のベースバンドステージ１フィルタ、第２のベースバンドステージ１フィルタ、ステージ２フィルタ、及びステージ３フィルタに基づいて、第１の適応フィルタを構築することと、を更に含む。
項Ｅ３．項Ｅ２の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第２のベースバンドステージ１フィルタは、第１のベースバンドステージ１フィルタと同様の少なくとも１つの信号処理要素を含む。
項Ｅ４．項Ｅ２の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１のベースバンドステージ１フィルタは、第１の信号領域における第１の前処理と、第１の信号領域から第１の変換領域への第１の変換と、第１の変換領域における第１の変換領域フィルタとを含み、第２のベースバンドステージ１フィルタは、第２の信号領域における第２の前処理と、第２の信号領域から第２の変換領域への第２の変換と、第２の変換領域における第２の変換領域フィルタとを含み、ステージ２フィルタは、ステージ１フィルタの出力に基づく第３の前処理と、第３の領域における第３の変換領域フィルタとを含み、ステージ３フィルタは、第３の変換領域フィルタの出力に基づく第１の変換領域における第４の変換領域フィルタと、第１の変換領域から第１の信号領域への第１の逆変換と、第１の信号領域における第１の後処理とを含む。
項Ｅ５．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の適応ベースバンドフィルタ及び第２の適応ベースバンドフィルタの信号処理要素の以下のペアのうちの少なくとも１つは類似している：
第１の信号領域と第２の信号領域のペア、第１の変換領域と第２の変換領域のペア、第１の変換と第２の変化のペア、及び第１の変換領域フィルタと第２の変換領域フィルタのペア。
第１の信号領域と第２の信号領域のペア、第１の変換領域と第２の変換領域のペア、第１の変換と第２の変化のペア、及び第１の変換領域フィルタと第２の変換領域フィルタのペア。
項Ｅ６．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の前処理、第２の前処理、又は第３の前処理のうちの少なくとも１つは、以下のうちの少なくとも１つを含む：
特徴抽出、振幅演算、位相演算、距離演算、変動演算、ノルム演算、量子化、ベクトル量子化、ヒストグラム、分解、投影、直交投影、過完了投影、固有分解、特異値分解（ＳＶＤ）。主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、圧縮センシング、スペクトル分析、変換、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、線形フィルタ、非線形フィルタ、有限インパルス応答（ＦＩＲ）フィルタ、無限インパルス応答（ＩＩＲ）フィルタ、移動平均（ＭＡ）フィルタ、自己回帰（ＡＲ）フィルタ、ＡＲＭＡフィルタ、適応フィルタ、補間、デシメーション、リサンプリング、サブサンプリング、アップサンプリング、フォールディング、グルーピング、ソート、並び替え、順列、合成、閾値処理、クリッピング、微分、統合、最大化、最小化、特徴抽出、平均フィルタ、重み付け平均、中央値フィルタ、モードフィルタ、ランクフィルタ、四分位値フィルタ、パーセンタイルフィルタ、畳み込み、時間補正、位相補正、大きさ補正、ＩＱ平面のランダム回転、ランダム位相シフト。モードフィルタ、ランクフィルタ、四分位フィルタ、パーセンタイルフィルタ、畳み込み、時間補正、位相補正、振幅補正、ＩＱ平面内のランダム回転、ランダム位相シフト、正規化、位相クリーニング、振幅クリーニング、マッチドフィルタ、強調、復元、雑音除去、平滑化、信号調節。
特徴抽出、振幅演算、位相演算、距離演算、変動演算、ノルム演算、量子化、ベクトル量子化、ヒストグラム、分解、投影、直交投影、過完了投影、固有分解、特異値分解（ＳＶＤ）。主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、圧縮センシング、スペクトル分析、変換、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、線形フィルタ、非線形フィルタ、有限インパルス応答（ＦＩＲ）フィルタ、無限インパルス応答（ＩＩＲ）フィルタ、移動平均（ＭＡ）フィルタ、自己回帰（ＡＲ）フィルタ、ＡＲＭＡフィルタ、適応フィルタ、補間、デシメーション、リサンプリング、サブサンプリング、アップサンプリング、フォールディング、グルーピング、ソート、並び替え、順列、合成、閾値処理、クリッピング、微分、統合、最大化、最小化、特徴抽出、平均フィルタ、重み付け平均、中央値フィルタ、モードフィルタ、ランクフィルタ、四分位値フィルタ、パーセンタイルフィルタ、畳み込み、時間補正、位相補正、大きさ補正、ＩＱ平面のランダム回転、ランダム位相シフト。モードフィルタ、ランクフィルタ、四分位フィルタ、パーセンタイルフィルタ、畳み込み、時間補正、位相補正、振幅補正、ＩＱ平面内のランダム回転、ランダム位相シフト、正規化、位相クリーニング、振幅クリーニング、マッチドフィルタ、強調、復元、雑音除去、平滑化、信号調節。
項Ｅ７．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の信号領域又は第２の信号領域のうちの少なくとも１つは時間領域であり、第１の変換領域又は第２の変換領域のうちの少なくとも１つは周波数類似領域である（時間‐周波数領域）。
項Ｅ８．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の変換又は第２の変換のうちの少なくとも１つは、以下の少なくとも１つを含む：
離散時間変換、適応変換、エンコーダ、適応エンコーダ、トリゴノメトリック変換、フーリエ変換、サイン変換、コサイン変換、アダマール変換、短時間変換、ＳＴＦＴ、ウェーブレット変換、高速変換、ＳＴＦＴ様変換、固有分解、主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、特異値分解（ＳＶＤ）、時間分解、周波数分解、時間周波数分解、圧縮センシング、グラフベース変換、スペクトル分析、マッチング追跡、投影、直交投影、非直交投影、オーバーコンプリート投影、周波数様領域への投影、周波数にそれぞれ関連付けられた、ある数の投影フィルタの数、ある数のカーネル、ある数の畳み込みフィルタ、又はある数の畳み込みフィルタに続く、別の数の畳み込みフィルタ。
離散時間変換、適応変換、エンコーダ、適応エンコーダ、トリゴノメトリック変換、フーリエ変換、サイン変換、コサイン変換、アダマール変換、短時間変換、ＳＴＦＴ、ウェーブレット変換、高速変換、ＳＴＦＴ様変換、固有分解、主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、特異値分解（ＳＶＤ）、時間分解、周波数分解、時間周波数分解、圧縮センシング、グラフベース変換、スペクトル分析、マッチング追跡、投影、直交投影、非直交投影、オーバーコンプリート投影、周波数様領域への投影、周波数にそれぞれ関連付けられた、ある数の投影フィルタの数、ある数のカーネル、ある数の畳み込みフィルタ、又はある数の畳み込みフィルタに続く、別の数の畳み込みフィルタ。
項Ｅ９．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の変換領域フィルタ、第２の変換領域フィルタ、第３の変換領域フィルタ、又は第４の変換領域フィルタのうちの少なくとも１つは、以下のうちの少なくとも１を含む：
線形フィルタ、非線形フィルタ、有限インパルス応答フィルタ、移動平均フィルタ、自己回帰フィルタ、適応フィルタ、間引き、リサンプリング、アップサンプリング、再整形、結、時間領域フィルタリング、周波数領域フィルタリング、入力層、処理層及び出力層を有する相互接続された処理ノードの層、時間領域フィルタリング、相互接続された処理ノード、処理層及び出力層、ファジー論理、サポートベクトルマシン、テンソル製品ネットワーク、シミュレートされた現実、自己組織化マップ、遺伝的アルゴリズム、進化的アルゴリズム、生成的敵対的ネットワーク、並列分散処理、生物学的インスパイアードコンピューティング、ネットワーク学習、クラスタリング、機械学習、層正規化、ニューラルネットワーク（ＮＮ）、多重ＮＮ、人工ＮＮ（ＡＮＮ）、フィードフォワードＮＮ、多層パーセプトロン（ＭＬＰ）、変換器ベースのＮＮ、注意ベースのＮＮ、畳み込みＮＮ、進化型ＮＮ、セルラＮＮ、モジューＮＮ、リカレントホップフィールドネットワーク、リカレントＮＮ、ＲＮＮ、デュアルパスＲＮＮ、ＤＰＲＮＮ、ＤＰＲＮＮ（ｘ２）、ＤＰＲＮＮ（ｘ４）、ＤＰＲＮＮ（ｘ８）、時間遅延ＮＮ、長期記憶（ＬＳＴＭ）を伴うＮＮ、双方向短期記憶（ＢＬＳＴＭ）を伴うＮＮ、ブロック内のＮＮ、ブロック間のＮＮ、完全に接続されたＮＮ、逆伝搬を伴うＮＮ、ディープニューラルネットワーク、又は深層学習ネットワーク。
線形フィルタ、非線形フィルタ、有限インパルス応答フィルタ、移動平均フィルタ、自己回帰フィルタ、適応フィルタ、間引き、リサンプリング、アップサンプリング、再整形、結、時間領域フィルタリング、周波数領域フィルタリング、入力層、処理層及び出力層を有する相互接続された処理ノードの層、時間領域フィルタリング、相互接続された処理ノード、処理層及び出力層、ファジー論理、サポートベクトルマシン、テンソル製品ネットワーク、シミュレートされた現実、自己組織化マップ、遺伝的アルゴリズム、進化的アルゴリズム、生成的敵対的ネットワーク、並列分散処理、生物学的インスパイアードコンピューティング、ネットワーク学習、クラスタリング、機械学習、層正規化、ニューラルネットワーク（ＮＮ）、多重ＮＮ、人工ＮＮ（ＡＮＮ）、フィードフォワードＮＮ、多層パーセプトロン（ＭＬＰ）、変換器ベースのＮＮ、注意ベースのＮＮ、畳み込みＮＮ、進化型ＮＮ、セルラＮＮ、モジューＮＮ、リカレントホップフィールドネットワーク、リカレントＮＮ、ＲＮＮ、デュアルパスＲＮＮ、ＤＰＲＮＮ、ＤＰＲＮＮ（ｘ２）、ＤＰＲＮＮ（ｘ４）、ＤＰＲＮＮ（ｘ８）、時間遅延ＮＮ、長期記憶（ＬＳＴＭ）を伴うＮＮ、双方向短期記憶（ＢＬＳＴＭ）を伴うＮＮ、ブロック内のＮＮ、ブロック間のＮＮ、完全に接続されたＮＮ、逆伝搬を伴うＮＮ、ディープニューラルネットワーク、又は深層学習ネットワーク。
項Ｅ１０．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の逆変換は、第１の変換の逆、転置畳み込み演算のうちの少なくとも１つを含み、後処理は、連結、オーバラップ加算（ＯＬＡ）、同期型オーバラップ加算（ＳＯＬＡ）、オーバラップ保存、オーバラップ・ディスカード、オーバラップ・スクラップのうちの少なくとも１つを含む。
項Ｅ１１．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１のベースバンドステージ１フィルタを使用して第１のベースバンドミクスチャ信号をフィルタリングすることで、第１の変換領域において第１の中間信号を生成することと、第２のベースバンドステージ１フィルタを使用して、第２のベースバンド無線導出信号をフィルタリングすることで、第２の変換領域において第２の中間信号を生成することであって、ベースバンド無線導出信号は、無線特徴に基づいて無線信号から導出される、ことと、ステージ２フィルタを使用して、第１の中間信号と第２の中間信号との合成をフィルタリングすることで、ステージ３フィルタの第４の変換領域フィルタを構築することと、ステージ３フィルタを使用して、変換されたベースバンドミクスチャ信号をフィルタリングすることで、第１のソース信号の推定である第１の出力信号を取得することであって、変換されたベースバンドミクスチャ信号は、第１の前処理を使用して、ベースバンドミクスチャ信号を前処理し、その後、第１の信号領域から第１の変換領域に変換することによって取得される、ことと、を更に含む。
項Ｅ１２．項Ｅ１、２、４又は１１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、別の信号は、第２のソース信号と更に別の信号とのミクスチャを含み、無線信号の無線特徴に基づいて、ベースバンドミクスチャ信号のための第２の適応フィルタを構築することと、第２のソース信号の推定である第２の出力信号をうるために、第２の適応フィルタを用いてベースバンドミクスチャ信号をフィルタリングすることとを更に含む。
項Ｅ１３．項Ｅ１２の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１のベースバンドステージ１フィルタ、第２のベースバンドステージ１フィルタ、別のステージ２フィルタ、及び別のステージ３フィルタに基づいて、第２の適応フィルタを構築することを更に含む。
項Ｅ１４．項Ｅ１３の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、別のステージ２フィルタは、ステージ１フィルタの出力に基づく別の第３の前処理と、第３の領域における別の第３の変換領域フィルタとを含み、別のステージ３フィルタは、別の第３の変換領域フィルタの出力に基づく第１の変換領域における別の第４の変換領域フィルタと、第１の変換領域から第１の信号領域への第１の逆変換と、第１の信号領域における後処理とを含む。
項Ｅ１５．項Ｅ１４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェア第２のベースバンドステージ１フィルタを用いて第２の信号領域内の別のベースバンド無線導出信号をフィルタリングして第２の変換領域内の別の第２の中間信号を生成することであって、別のベースバンド無線導出信号は、無線特徴に基づいて無線信号から導出される、ことと、別のステージ２フィルタを用いて第１の中間信号と別のステージ２の中間信号との合成をフィルタリングすることで、別のステージ３フィルタの別の第４の変換領域フィルタを構築することと、別のステージ３フィルタを用いて変換されたベースバンドミクスチャ信号をフィルタリングすることで、第２のソース信号の推定値である第２の出力信号を取得することと、を更に含む。
項Ｅ１６．項Ｅ１５の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の中間信号と、第２の中間信号と、別の第２の中間信号との合成を、別のステージ２フィルタを使用してフィルタリングすることで、ステージ３フィルタの第４の変換領域フィルタと、別のステージ３フィルタの別の第４の変換領域フィルタとを構築構成することを更に含む。
項Ｅ１７．項Ｅ１１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、プロセッサと、メモリと、命令のセットとを使用して、受信された無線信号に基づいて、無線マルチパスチャネルのある個数の時系列のチャネル情報（ＴＳＣＩ）である無線特徴を取得することであって、各ＴＳＣＩは、タイプ１デバイスのＴｘアンテナ及びタイプ２デバイスのＲｘアンテナと関連付けられ、無線信号は、各チャネル情報（ＣＩ）が対応するサウンディング信号と関連付けられるように、サウンディング信号の系列を含み、各ＣＩは、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、又は受信信号強度インデックス（ＲＳＳＩ）のうちの少なくとも１つを含むる、ことと、上記個数のＴＳＣＩに基づいて、無線信号からベースバンド無線導出信号を導出することと、を更に含む。
項Ｅ１８．項Ｅ１７の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、上記個数のＴＳＣＩに基づいてビームフォーミングを実行することと、物体のロケーションを検出することであって、ロケーションは、レンジ及び方向と関連付けられる、ことと、方向と関連付けられる特定のビームフォーミングされたＴＳＣＩを決定することと、レンジと関連付けられる特定のビームフォーミングされたＴＳＣＩの各ＣＩの特定のタブを決定することと、特定のビームフォーミングされたＴＳＣＩの各ＣＩの特定のタブに基づいて、無線信号からベースバンド無線導出信号を導出することと、を更に含む。
項Ｅ１９．項Ｅ１８の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、別の信号は、ベニュー内の別の物体に関連する第２のソース信号と、更に別の信号とのミクスチャを含み、別の物体の別のロケーションを検出することであって、別のロケーションは、別の範囲及び／又は別の方向に関連する、ことと、別の方向に関連する別の特定のビームフォーミングされたＴＳＣＩを決定することと、別のレンジに関連する別の特定のビームフォーミングされたＴＳＣＩの各ＣＩの別の特定のタブを決定することと、別の特定のビームフォーミングされたＴＳＣＩの各ＣＩの別の特定のタブに基づいて、無線信号から別のベースバンド無線導出信号を導出することと、別のベースバンド無線導出信号に基づいて、ベースバンドミクスチャ信号のための第２の適応フィルタを構築することと、第２のソース信号の推定である第２の出力信号を取得するために、第２の適応フィルタを使用してベースバンドミクスチャ信号をフィルタリングすることと、を更に含む。
項Ｅ２０．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の前処理を使用して、ベースバンドミクスチャ信号を第１の信号領域において前処理することと、ベースバンドミクスチャ信号を第１の信号領域から第１の変換領域に変換して、第１の変換を使用して、変換されたベースバンドミクスチャ信号を取得することと、第１の変換領域における変換されたベースバンドミクスチャ信号をフィルタリングして、第１の変換領域フィルタを使用して、第１の中間信号を取得することと、第２の前処理を使用して、第２の信号領域におけるベースバンド無線導出信号を前処理することであって、ベースバンド無線導出信号は無線特徴に基づいて、無線信号から導出される、ことと、第２の信号領域からのベースバンド無線導出信号を第２の変換領域に変換して、第２の変換を使用して、変換されたベースバンド無線導出信号を取得することと、第２の変換領域における変換されたベースバンド無線導出信号をフィルタリングして、第２の変換領域フィルタを使用して、第２の中間信号を取得することと、変換されたベースバンドミクスチャ信号を前処理することと、第３の前処理を使用して、第３の変換領域内の融合信号を取得するために、変換されたベースバンド無線導出信号を取得することと、第３の変換領域フィルタを使用して、第３の領域内の融合信号をフィルタリングして、第３の変換領域フィルタを使用して、第４の変換領域内の変換されたベースバンドミクスチャ信号をフィルタリングして、第４の変換領域フィルタを使用して、フィルタリングされて変換されたベースバンドミクスチャ信号を取得することと、フィルタリングされて変換されたベースバンドミクスチャ信号を、第１の変換の逆を使用して、第１の変換領域から第１の信号領域に変換して、第１のソース信号の推定である第１の出力信号を取得することと、第１の出力信号を後処理することと、を更に含む。
項Ｅ２１．項Ｅ４の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の信号領域は、第１のサンプリングレートに関連する時間領域であり、第２の信号領域は、第２のサンプリングレートに関連する時間領域である。
項Ｅ２２．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、無線信号は、１０ＧＨｚよりも大きいキャリア周波数を有する無線信号、ミリ波無線信号、２００ＭＨｚよりも大きい帯域幅を有する無線信号、ＷＬＡＮ信号、ＷｉＦｉ信号、無線通信信号、超広帯域（ＵＷＢ）無線信号、レーダ信号のうちの少なくとも１つである。
項Ｅ２３．第１の物体は、第１の人間であり、第１のソース信号は、音、対話信号、音声信号、歌唱音、活動音、音楽音、楽器音、人工音、機械音、機械音、再生音、スピーカ音、合成音、オーディオ信号、視覚信号、光強度信号、画像、ビデオ、撮像、マイクロフォンに基づいてキャプチャされたベースバンド音信号、カメラセンサに基づいてキャプチャされた視覚信号、撮像センサに基づいてキャプチャされた撮像信号、又はセンサに基づいて取得されたベースバンドセンシング信号のうちの少なくとも１つを含む。
項Ｅ２４．項Ｅ１の無線支援信号処理システムの方法／装置／システム／ソフトウェアであって、別の信号は、バックグラウンド雑音、複数の信号の混合、家庭音、機械音、デバイス音、機械音、機械音、電気掃除機音、ファン音、ヒーター音、空調音、テレビ音、ラジオ音、オーディオ、スピーカ音、再生バック音、楽音、環境音、空気音、風通し音、木音、窓音、ドア音、人間活動音、調理音、作業音、再生音、ツール音、玩具音、人間チャタリング、笑い、第２の物体によって生成されたベースバンド信号。第２の人間の第２の動きと関連付けられたベースバンド音信号、のうちの少なくとも１つを含む。
項Ｅ２５．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、物体と関連付けられたタスクのために第１の出力信号を処理することを更に含む。
項Ｅ２６．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、無線信号は、タイプ２デバイスの無線受信機を用いて取得され、ベースバンドミクスチャ信号は、無線受信機とは異なる種類のセンサを用いて取得される。
項Ｅ２７．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、無線信号は、タイプ２デバイスの無線受信機を用いて取得され、ベースバンドミクスチャ信号は、無線受信機ではないセンサを用いて取得される。
項Ｅ２８．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、無線信号は、タイプ２デバイスの無線受信機を使用して取得され、ベースバンドミクスチャ信号は、無線コンポーネントを含まないセンサを使用して取得される。
項Ｅ２９．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、ベースバンドミクスチャ信号は、ベースバンドセンサを使用して取得され、無線信号は、ベースバンドセンサとは異なる種類のセンサを使用して取得される。
項Ｅ３０．項Ｅ１の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、ベースバンドミクスチャ信号は、ベースバンドセンサを使用して取得され、無線信号は、ベースバンドセンサではないセンサを使用して取得される。
項Ｅ３１．項Ｅ２６から３０の無線支援信号処理システムの方法／デバイス／システム／ソフトウェアであって、第１の適応フィルタは、無線信号とベースバンドミクスチャ信号とのマルチモーダル融合を含む。
例えば、ヒューマンマシンインタラクションシステムの音声インタフェースにおけるロバスト音声アクティビティ検出（ＶＡＤ）システムは送信及び処理の前に、無音及び無関係の音声セグメントの除去を可能にし、したがって、演算の複雑さ及び電力消費を低減するのに役立つ。高性能ＶＡＤは特に、会議や会議通話等で音声が別の人間のパーティに送信されるときに、多くのユースケースを有する。騒々しく、干渉を受けやすい環境（例えば、複数の近くの人々がいる開いた作業空間にいる人々）の会議参加者は、干渉が相手側で聞くパーティーに不快感を作り出すので、マイクロフォンのオン／オフを手動で切り替える必要があることが多い。運転中の遠隔会議等の困難な環境では、スピーカが一般に、通常は違法で危険な物理的相互作用（例えば、タッチ又はジェスチャ）によってデバイスを中断する必要がある。スマートフォンアシスタント及びハンズフリーシステムは音声データがすでにアクティブであり、送信されているので、そのようなシナリオにも適用可能ではない。言い換えれば、ユーザは、マイクロフォンが他方のリスニングパーティに音声コマンドを能動的に送信しているので、スマートスピーカにマイクロフォンをオフにするように要求することができない。異なるシナリオでは、スマートフォンスピーカが特定のユーザによってのみアクティブ化される必要があり、他の干渉スピーカが存在するときに非アクティブ化されたままであることがある。例えば、オープンスペース環境では、特定のユーザのスマートフォンスピーカが他のデスク内のユーザによって起動されうる。更に、部屋内に複数のスマートフォンアシスタントがある場合、例えば、複数のスマートフォンアシスタントが同時にトリガするのを防ぐために、部屋の異なるエリアを特定のスマートフォンデバイスに割り当てることができる。空間センシング能力を有する自動化された高性能ＶＡＤシステムはユーザインタラクションの必要性を最小限にし、音声通話の品質を著しく改善するので、これらの実用的なシナリオに非常に大きな利点をもたらす。
実際のシナリオに理想的なＶＡＤは、以下の特性を有するべきである。第１に、ＶＡＤシステムは、干渉及び雑音に対してロバストであるべきである。前述のように、理想的なＶＡＤシステムは、任意のバックグラウンド雑音及び干渉信号に対してロバストであるべきである。システムは実用的なシステムとなるために、任意の信号と戦うことができるべきである。第２に、ＶＡＤシステムは、低い演算量を有するべきである。ＶＡＤシステムは、通常、バックグラウンドで（ホットワード検出を用いて、又は用いずに）連続的に動作するので、演算効率が高く、低電力消費を有する必要がある。第３に、ＶＡＤシステムは、低い検出遅延を有するべきである。実用的なアプリケーションを可能にするために、理想的なＶＡＤは、最小限の処理遅延で応答性であるべきである。第４に、目標話者に焦点を合わせるために、理想的なＶＡＤシステムは、所望のユーザの音声アクティビティを選択的に抽出することができなければならない。
これらの能力を有する次世代ＶＡＤシステムは、ｉｒＶＡＤと呼ばれることがあり、ここで、その名称は、干渉及び雑音耐性音声アクティビティ検出システムを表す。ｉｒＶＡＤを開発するために、マイクロフォンは本質的に干渉を受けやすいので、システムはソースに関する補助情報を使用する必要がある。ｉｒＶＡＤはこれらが演算上複雑なタスクであり、複数のソースがある場合、特定のソースについての追加の情報を提供しないので、通常、雑音及び干渉除去を用いて実装することはできない。スピーカ条件付き音声アクティビティ検出は、特定のスピーカの発話に基づいてのみトリガされる。しかし、これは先験的なデータの収集を必要とする。システムはユーザの身体的特徴に関する発話を調整することができ、例えば、ユーザのビデオを使用して、音声アクティビティを選択的に検出しうる。しかし、この方法は、特にユーザがフェイスマスクを着用しているときには利用できないことがある、唇の動きに依存する。更に、これは、完全な照明条件を必要とし、潜在的にプライバシーの懸念を引き起こす可能性がある。
本教示は、マイクロフォン、無線又はレーダ信号、例えばミリ波信号を越えて第２のモダリティを探索することによるｉｒＶＡＤシステムを開示した。ミリ波を使う動機は複数ある。第１に、周囲の音を捕捉するマイクロフォンとは異なり、ミリ波レーダは、それらの距離及び角度に関して環境内のソースを分離しうる。第２に、ミリ波信号を使用して、音声のサイドチャネル、声帯の振動を遠隔で測定しうる。第３に、ミリ波信号は広い帯域幅及び高周波数を有し、これは、振動源の正確な位置特定を可能にし、したがって空間センシングを可能にする。第４に、ミリ波レーダはジェスチャ認識、呼吸及び睡眠モニタリング等の多くの興味深いセンシングアプリケーションを実行するために、いくつかのスマートデバイスにすでに存在し、演算効率がよい（モバイル端末内に展開可能である）。
ミリ波ベースのセンシングを用いて、システムは高精度で（声帯ひだからの）振動源を位置特定し、この情報を使用して、干渉弾性法としてＶＡＤを抽出しうる。声帯は有声音声のための励振信号を生成するので、それは個々の音声アクティビティの良好な指標である。超音波、ＷｉＦｉ、及び超広帯域等の他のモダリティとは対照的に、ミリ波は、高精度でソースを分離しうる。それらは、カメラほどプライバシーの懸念を引き起こさない。ライダや赤外線とは異なり、多くのデバイスに存在するため、ミリ波はｉｒＶＡＤの理想的な候補となる。
ミリ波ベースの音声アクティビティ検出システムはソース固有のＶＡＤ方法によってｉｒＶＡＤを構築するために、上述の問題を緩和しうる。振動源がレーダの前にあると仮定すると（おそらく、車の運転席のような特定の位置の有無にかかわらず）、ミリ波ベースのシステムは話者の音声アクティビティを抽出し、マイクロフォンを自動的に制御しうる。以下の教示はｉｒＶＡＤのための無線ベースのＶＡＤシステムを開示し、複数のサイレントデータセットを構築し、音声データセットを使用することによってそれを評価することによって、ミリ波センシングを介したＶＡＤのための無線モダリティの有用性を例示する。結果はオーディオベースの方法との広範な比較を提供するために、制約されていない設定において物理的に異なる位置を有する異なる領域において評価される。
いくつかの実施形態では、設計上の考慮事項のために、ＶＡＤは入力としての時系列データに基づくバイナリ分類タスクである。入力は通常、短い持続時間（例えば、３２ｍｓ）を有するウィンドウとみなされ、潜在的に重複するウィンドウについて集約決定が行われる。自動ＶＡＤは、追加のユーザ入力及び最小限の制約なしで、特定のユーザの音声の存在を検出することができなければならない。ユーザ入力を最小化することは、訓練を必要とする事前のユーザデータを仮定する可能性を排除する。したがって、話者の埋め込みデータ又は顔データに依存する話者条件付きＶＡＤシステムは、ソリューションとはならない。別の潜在的な補助情報はソース位置であり、システムは、特定の方向に従って起動しうる。マイクロフォンアレイはビームフォーミングの助けを借りて、それらの入射角に従ってソースをフィルタリングすることを可能にするが、それらはバックグラウンドユーザによって近くのターゲットユーザを区別することができない。更に、ビームフォーミングは、雑音の多い又は残響のある状態では容易に失敗する可能性がある。したがって、開示されたシステムは、ビームフォーミングのみに依存しない方がよい。ＶＡＤをソース振動に制約するためにはソースの距離（レンジ）と入射角（方位角）を高精度で捕捉することが必要であり、これはオーディオシステム単独では更なる仮定なしでは不可能である。これらに加えて、ＶＡＤシステムは、通常、多くの用途のための前処理ブロックであるので、ロバストで、演算効率が良く、リアルタイムで、応答性があることが要求される。
ミリ波ベースのシステムが上述の制限をどのように解決しうるかを説明する前に、図５３Ａ～図５３Ｃは無線ベースのＶＡＤの実現可能性及び可能性を示し、ここでは、２０秒の長いオーディオ信号及び無線信号が環境から捕捉され、いくつかのバックグラウンド雑音が外部スピーカによって再生され、その後、ターゲット及び干渉スピーカがそれぞれ再生される。
図５３Ａは、雑音（０～６ｓ）、ターゲットスピーカ（６ｓ～１５ｓ）、及び干渉（１５ｓ～２０ｓ）を有するマイクロフォンスペクトログラムを示す。図５３Ａに示されるように、単一のマイクロフォンは、異なるソースを分離しうることなく、周囲信号を捕捉する。
図５３Ｂは、ターゲット音声中のみの活動を示すレーダスペクトログラムを示す。図５３Ｂでは、無線スペクトログラムが特定のユーザからの振動のみを含み、バックグラウンド雑音又は干渉の影響を受けない。
図５３Ｃは、トレーニングされたオーディオＶＡＤ、基準オーディオＶＡＤ（Ｓｉｌｅｒｏ－ＶＡＤ）、及び開示された無線ベースのＶＡＤからの検出結果を更に表示する。図５３Ｃに示されるように、２つのオーディオＶＡＤシステムのみが誤警報を有するが、開示される無線ベースのシステムは誤警報をトリガしない。即ち、２つのオーディオＶＡＤシステムは、干渉があるときにトリガされ、一方、無線ベースのシステムは干渉に対してロバストであり、ターゲットユーザによってのみトリガされうる。したがって、無線ベースの検出は、同時通話があるときでさえ、正しい決定を保存しうる。
本教示のいくつかの実施形態では、ＶＡＤシステムがマイクロフォン及びミリ波レーダを有するスマートデバイスを含む。ターゲットスピーカがレーダーの視野（ＦｏＶ）にあると仮定しうる。図５４はＶＡＤシステム５４００の設計を示し、これは、無線モダリティを通じてターゲットユーザ（例えば、ターゲットスピーカ）の活動を検出し、更なる処理のためにマイクロフォンをアクティブ化するマルチセンサデバイス５４１０（無線及びマイクロフォン）を含む。それは、他の雑音源及び干渉源（例えば、干渉スピーカ）に対してロバストである。
図５４に示すように、ＶＡＤシステム５４００における音声アクティビティ検出は無線ベースのＶＡＤ５４２０のみに依存し、これは、（潜在的に他のセンシングアプリケーションとともに）バックグラウンドで連続的に動作し、ＶＡＤ後の更なる処理のためにマイクロフォン記録５４３０をトリガする。これらの更なるタスクは音声認識、音声－テキスト変換、及びスピーカエンハンスメントを含むことができ、これらの全ては、ロバストなＶＡＤから利益を得られ、このシステムの自然な拡張である。
ｉｒＶＡＤを達成するために、無線ベースのＶＡＤ ５４２０は２つの主要モジュール、即ち、ソース振動上のスピーカ調整を保証しうる特徴抽出モジュールと、リアルタイムで低演算量の要件を満たすように設計された、ＶＡＤタスクのためのニューラルネットワークモジュールとを含みうる。
本教示のいくつかの実施形態では、開示された無線ベースのＶＡＤ（ＲａｄｉｏＶＡＤ）がＲａｄｉｏＳＥＳと同様に、複素数値時系列データである生レーダ信号に依存する。ビームフォーミング及び周波数変調搬送波（ＦＭＣＷ）技法に基づいて、レーダはいくつかの粒度（即ち、距離分解能）に基づいて各距離（即ち、距離ビン）から、及びアンテナアレイに応じた分解能を有する異なる角度（即ち、方位角ビン）から、時系列データを抽出しうる。レーダ信号のレンジ－方位面は、適切なレーダ処理動作を通じて利用可能であると仮定しうる。
レンジ－方位角データに基づいて、システムは、候補レンジ－方位角ビンのソース検出及び位置特定を実行しうる。その限りにおいて、システムは呼吸によって引き起こされる体動のために存在の良好な指標であり、位置特定のためにバイタルサインモニタリング文献において広く使用される、デバイスに最も近いユーザを見つけるために、分散ベースの検出スキームを使用しうる。いくつかの実施形態では、時系列データが人間の胸部及び咽喉から抽出される。
システムの性能は、図５５に示されるニューラルネットワーク（ＮＮ）を使用して評価しうる。ＲａｄｉｏＳＥＳに基づいてＲａｄｉｏＶＡＤのためのニューラルネットワークの構造を選択しうる。例えば、ＲａｄｉｏＳＥＳでは、わずかな変更で同じＮＮを使用しうる。いくつかの実施形態において、ＮＮの構造は以下の通りである。最初に、入力ラジオ（及びオーディオ）信号の時間－周波数表現が、１Ｄ畳み込みレイヤを用いて得られる。オーバラップ連結（overlap-and-concatenate）演算を介して、入力の４Ｄ表現を得ることができる。次いで、４Ｄ構造は、ＢｉＬＳＴＭ、完全接続レイヤ、及び正規化レイヤを通過する。時間後に、ＬＳＴＭ、完全接続レイヤ、及び正規化レイヤの別のセットが続き、同じ構造が４回繰り返される。これらのレイヤは全て、入力の次元数を保持する。出力は、完全接続レイヤ及びオーバラップ加算メソッドを介して、入力データの次元に一致するように再形成される。最後に、出力は、平均化によってＶＡＤサンプリングレートにダウンサンプリングされる。
オーディオのみのベースラインと提案されたシステムとの間で、同じＮＮを使用して、実現可能性を例示するための様々なデータセットと比較しうる。オーディオオンリーシステムを使用する場合、入力のサンプリングレートは８時間に増加し、これはモデルサイズ及び演算の複雑さを増加させる。したがって、オーディオモデルとラジオモデルが同じ性能に一致する場合でも、無線ベースのシステムはより低いサンプリングレートのために、８倍低い演算量を有する。比較の観点から、開示された無線ベースのニューラルネットワークは２５．８ｋのパラメータを含み、これは非常にコンパクトである。対照的に、オーディオのみのベースラインは、８ｋＨｚのサンプリングレートで、３６０ｋのパラメータを含んだ。したがって、無線モダリティを用いてオーディオベースラインと同様の性能を達成することは、演算効率の良い方法を示し、無線モダリティの大いなる見込みを示す。
マルチモーダルシステムを調査して、システムの性能を更に改善し、ＲａｄｉｏＶＡＤの利点を示すことができる。いくつかの実施形態では、ＲａｄｉｏＳＥＳで説明されたデータセットを使用し、これは５７００文からの１９人のユーザの共同オーディオ及びレーダ記録を有する、ほとんど有声オーディオ及びラジオファイルを含む。このデータセットは、音声中に自然に移動することを許可された静的ユーザを含むだけで、それほど多くは含まないため、ＶＡＤの性能を評価することは十分ではない。更に、それはまた、データが文の始まり及び終わりに関して切り取られたので、無音のオーディオ及びレーダー記録を欠いている。
これらの制限を克服するために、システムは、実験エリア内の１１人の参加者から追加のデータを収集しうる。いくつかの実施形態では、ユーザがレーダから約０．５ｍ離れた指定エリアに座るように求められる。ユーザは静かなままであることを除いて、どのように動作するかについての更なる指示なしに、環境内で自由に動作する。それらの作業ルーチンは別個のラップトップを使用すること、及び提供されたモニタリング、紙文書からの読み取り／書き込み、携帯電話のチェック、及びキーボード上での入力を含んだ。各ユーザは、所与の場所で１時間作業するように求められた。データキャプチャからオーバヘッドを差し引いた後、各ユーザからのデータは約３５分になり、合計データは約６時間になった。更に、システムはロバスト性を改善するために、他の場所で追加のレーダ及びオーディオデータを収集している。１つのデータセットはシステムの更なる一般化可能性をテストするために、３０分の新しい位置データを含む。これらに加えて、システムは、より困難なシナリオでデータを更に収集する。これらの困難なシナリオのいくつかは、駆動し、デバイスを意図的に動かし、口で他の動き、例えば、ウィスパリング又はガミングを行うことである。
基準ラベルを生成するために、システムはオーディオファイルをクリーニングするために、高性能の既製のＶＡＤを使用しうる。いくつかの実施形態では、システムが３２ｍｓの長さの決定ウィンドウを有するＳｉｌｅｒｏ ＶＡＤから生の検出決定を抽出し、０．２５ｓの最小音声持続時間及び０．１ｓの最小無音持続時間を設定することによって決定を平滑化しうる。システムは開始閾値及びオフセット閾値を０．５及び０．３５に設定し、データを因果的に処理しうる。静音データセットでは、ユーザが静音であることを求められるので、全ての基準ラベルをゼロにセットしうる。バックグラウンド雑音を用いてオーディオオンリーシステムをトレーニングするために、ＲａｄｉｏＳＥＳと同じ音声強調データセットが作成される。雑音ファイルとクリーンオーディオファイルの両方を雑音と共に破損させることにより、ＮＮは異なるシナリオで環境を区別することを容易に学習しうるので、システムは過度に適合する問題を軽減しうる。
無線（ラジオ）処理の場合、システムは、複素値信号のハイパスフィルタリング及びランダム位相回転等の様々な前処理方法を使用しうる。決定ウィンドウは３２ｍｓの長さであるが、システムはコンテキスト情報を活用するためにより長い持続時間のサンプルを使用しうる。
いくつかの実施形態では、トレーニングプロシージャが基準値と推定値との間の修正されたＦ１スコア（Ｆβ）ロスを使用しうる。Ｆβ スコアは修正されたＦ１スコアであり、精度のコストとリコール率とのバランスをとるために使用され、以下のように与えられる：
ここで、ＴＰ、ＦＮ、ＦＰはそれぞれ真陽性、偽陰性、偽陽性率を示す。
トレーニングのために、システムは、両方のデータセットのためのトレーニング及びテストセットにおいて異なるユーザを利用しうる。性能メトリックは一般化性能をより良く理解するために、トレーニング・セット（閉状態）内のユーザに提供される。Ｆ１スコアは総計メトリックであるので、実験において追加の評価メトリックを提供することもできる。
いくつかの実施形態では、ＮＮモデル及びトレーニングプロセスがＰｙＴｏｒｃｈにおいて実装される。ＲａｄｉｏＶＡＤの性能は、様々な測定基準及び実験に関して、異なるシナリオで評価しうる。ＲａｄｉｏＶＡＤの全体的な性能は、様々な毎日のシナリオにおける誤警報の評価と共に提示される。２つのモダリティとマルチモーダルシステムの比較を用いて、運動干渉と様々な雑音源の影響を調べることができる。
いくつかの実施形態では、正確度、精度、リコール、Ｆ１スコア、及び曲線下面積（ＡＵＣ）等のメトリックに関する性能を評価しうる。これらのメトリックのいくつかは、以下のように与えられる：
いくつかの実施形態では、距離、配向、閉塞、及び任意の動き等の様々な環境ファクタに関して性能を更に評価しうる。更に、検出遅延等の重要なメトリックを提供し、ユーザダイバーシティの影響を調査しうる。
性能メトリックは、それぞれ図５６Ａ及び図５６Ｂの２つのテストケースで提示される。開示されたＲａｄｉｏＶＡＤ、Ａｕｄｉｏ－ＶＡＤベースラインに加えて、別のベースラインを提供するために、この設定で既製のＶＡＤ検出器Ｓｉｌｅｒｏ ＶＡＤを使用することもできる。Ｓｉｌｅｒｏ ＶＡＤはより大きなデータセットでトレーニングされるが、オーディオベースラインは単一の（又はいくつかの場所の） データでトレーニングされ、バックグラウンドにいくつかのオーバーフィッティングの問題がある場合がある。
図５６ＡはテストセットＩ（閉状態を見たユーザを伴う）における、Ａｕｄｉｏ ＶＡＤ及びＳｉｌｅｒｏとのＲａｄｉｏＶＡＤの性能比較を示す。図５６ＢはテストセットＩＩ(開状態を見ていないユーザを伴う）における、Ａｕｄｉｏ ＶＡＤ及びＳｉｌｅｒｏとのＲａｄｉｏＶＡＤの性能比較を示す。テストセットＩではトレーニング中に使用されるユーザからの見えないテキストを評価しうるが、テストセットＩＩは見えないユーザのみを構成する。第１に、レーダが二次情報を捕捉しても、それは、テストセットＩにおいて、正確さ及びＦ１スコアに関して、オーディオオンリー方法の性能に依然として一致しうることを観察しうる。テストセットＩＩにおいて、提案されたシステムはオーディオＶＡＤよりも性能が優れており、無線ベースのシステムの有望性を示している。加えて、ＲａｄｉｏＶＡＤはＳｉｌｅｒｏ ＶＡＤよりもはるかに高い性能を提供し、オーディオベースラインと非常に類似した性能を与える。オーディオ・トレーニング・パイプラインは特定のデータセットからの雑音ファイルのみを含み、その性能は、より幅広い種類の雑音ファイルで低下する可能性がある。ＲａｄｉｏＶＡＤ とＳｉｌｅｒｏ ＶＡＤの間の性能ギャップは明確である。更に、ＲａｄｉｏＶＡＤは、無線ベースのＶＡＤ方法の一般化能力のインジケータで見えない条件においてオーディオベースラインよりも性能が優れていることを観察しうる。要約すると、サイドチャネル情報を使用して、ミリ波ベースのシステムはマイクロフォンベースのシステムの性能に一致し、それを上回ることができる。
また、どのような条件で、ＲａｄｉｏＶＡＤがオーディオベースのシステムよりも良好であるかを調査し、焦点を検出遅延に変更しうる。高性能ＶＡＤシステムの場合、検出遅延は、オーディオ信号の捕捉をトリガするので、最も重要である。ＲａｄｉｏＶＡＤの検出の８５％以上は６４ｍｓ未満の遅延を有し、検出遅延の中央値は０ｍｓである。更に、ＲａｄｉｏＶＡＤはＳｉｌｅｒｏ ＶＡＤよりも優れており、ほとんどの時間にわたってオーディオベースラインの性能に一致する。
また、様々な動作タイプの間に、ＲａｄｉｏＶＡＤの誤警報率をテストするための追加の実験を行うこともできる。運動に対するロバスト性を更に検証するために、試験者が食事、飲酒、ガミング、又は無音の発話をしているときに実験を行うことができる。実験は誤警報率が低い（３％未満）ことを示し、一方、食事及び無音の発話は、いくつかの誤警報を導入しうる。ＲａｄｉｏＶＡＤはある程度唇の動きを使用することができ、これらの動きのうちのいくつかは、口の開放（例えば、無音の発話又は食事）に起因する誤った警報をトリガすることを含む。いくつかの実施形態では、ＲａｄｉｏＶＡＤの全体的な誤警報傾向がＳｉｌｅｒｏ ＶＡＤのものと同等である。
無線信号は環境内の物体の動き（即ち、変位量）を捕捉するので、それらは、デバイスとソースとの間の相対的な動きによっても影響を受ける。動作シグネチャの効果をテストするために、試験者がデバイスを手に持って、デバイスを手に動かし、デバイスの前に紙を持って、手のジェスチャで話し、体を動かし、話すときにフェイスマスクを着用しているときに、実験を行うことができる。実験はソース又はターゲットの動きが、ＲａｄｉｏＶＡＤの性能に最小限の影響を与えることを示している。
また、無線信号に対する信号対雑音比の影響を調査して、距離及び雑音ロバスト性の観点からＲａｄｉｏＶＡＤをより良く理解しうる。評価は、推定された無線ＳＮＲに関して性能メトリックを検査することによって実行されうる。評価は、ＲａｄｉｏＶＡＤの性能がより高い無線ＳＮＲ値とともに増加することを示す。いくつかの実施形態では、無線ＳＮＲが約８ｄＢよりも高いとき、ＲａｄｉｏＶＡＤは、オーディオベースのＶＡＤを上回り始める。更に、音声ベースの性能の性能と無線ＳＮＲとの間には弱い相関があり、これは発話強度を示すはずであるが、この関係は非常に小さい。無線ＳＮＲが約８ｄＢよりも大きいとき、ＲａｄｉｏＶＡＤはその前述の演算上の利点と共に、オーディオＶＡＤよりも良好に機能する。オーディオ信号の基礎となるデータセットがより多くの雑音を有する場合、ＲａｄｉｏＶＡＤは、より低い無線ＳＮＲポイントにおいてより好ましい。
更に、複数の環境ファクタに関するＲａｄｉｏＶＡＤの性能を評価しうる。これらには、距離、向き、及び顔の向きの変化に対してシステムをテストすることが含まれる。また、様々な距離におけるＲａｄｉｏＶＡＤの性能を評価することもできる。いくつかの実施形態では、ＲａｄｉｏＶＡＤが７５ｃｍ前にその性能を維持しうる。
環境内の人体の向きを用いて実験を行うことができる。ＲａｄｉｏＶＡＤは、様々な角度で同様に機能する。広い視野を有することは重要であり、ＲａｄｉｏＶＡＤは、著しい性能低下なしに４５度の角度で動作しうる。
実際のシナリオでは、ユーザが必ずしも無線デバイスを見るとは限らず、見回すために自分の頭を回転させてもよい。一例として、自動車の運転者は潜在的にミラーをチェックすることができ、又はユーザは、画面を見回して異なる材料を見ることができる。したがって、ヘッドの回転に対してＲａｄｉｏＶＡＤをテストしうる。いくつかの実施形態では、３０度未満の小さいヘッド回転が高性能ＶＡＤを可能にするＲａｄｉｏＶＡＤの性能に影響を与えない。
ＲａｄｉｏＶＡＤの自然な拡張は、オーディオ無線フレームワークによって、２つのモダリティを使用している。そのようなシステムの性能を探索するために、同じニューラルネットワークモデルを使用しうるが、エンコーダレイヤの後に無線チャネルとオーディオチャネルを連結しうる。出力において、出力方向性をマッピングして、入力オーディオストリームの次元性に一致させ、それに応じて信号をデコードしうる。図５７には、図５７がラジオとオーディオの両方の２つの入力を有することを除いて、図５５のＮＮと同様の構造を有する高レベル処理の概要が示されている。
この設定では、マルチモーダルシステムの性能メトリックを提供し、提案されたシステムと比較しうる。オーディオ無線モデルは、正確度、精度、リコール、及びＦ１スコアを更に改善する。様々なＳＮＲレベルでオーディオ信号が破損すると、ＲａｄｉｏＶＡＤの性能はオーディオベースラインの性能と一致し、他のケース（例えば、Ｓｉｌｅｒｏ ＶＡＤ）ではそれらを上回る。この現象をより良く理解するために、オーディオ信号に対して予め定義されたＳＮＲ値を使用し、性能メトリックを抽出しうる。いくつかの実施形態では、－１０ｄＢ～＋１０ｄＢのオーディオＳＮＲを使用し、オーディオベースライン及びＳｉｌｅｒｏ ＶＡＤを実行しうる。全ての場合において、ＲａｄｉｏＶＡＤはオーディオＳＮＲが０ｄＢ以下であるとき、両方のオーディオベースのアプローチよりも良好に機能する。一方、リコールレート、及びｆ１スコアは５ｄＢでオーディオベースラインのものと一致し、精度は１０ｄＢで同等である。その結果、オーディオＳＮＲが５ｄＢよりも低いときはいつでも、無線ベースのＶＡＤシステムを使用することがより有利になる。これは、無線信号ＳＮＲ分布がデータセットにおけるものと同じであり、マッチングポイントが更に高くなりうることを仮定している。例えば、より高いＳＮＲのラジオは、１０ｄＢ以上のオーディオＳＮＲの性能に適合しうる。
本教示は、音源振動に焦点を合わせることができるミリ波ベースの干渉弾性音声アクティビティ検出器でＲａｄｉｏＶＡＤを探索する。ミリ波ベースのセンシングの空間分離能力に基づいて、他の音源からの干渉に対してロバストな音声アクティビティ検出器を構築しうる。広範な実験は、低い演算複雑性、プライバシー保護、及びオクルージョン耐性等のミリ波の固有の利点を有する、音声アクティビティ検出のためのミリ波を使用する大きな可能性を示している。ＲａｄｉｏＶＡＤは干渉源に著しく対抗することができ、マイクロフォンベースのＶＡＤの性能に一致しうる。
図５８は、本開示のいくつかの実施形態による、無線ベースの音声アクティビティ検出のための例示的な方法５８００のフローチャートを示す。様々な実施形態では、方法５８００が上記で開示したシステムによって実行しうる。動作５８０２において、無線信号が取得される。無線は、ベニューの無線チャネルを介して送信機から受信機に送信される。無線チャネルは、ベニュー内のターゲット音声ソースの音声アクティビティによる影響を受ける。動作５８０４において、無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）が演算される。動作５８０６において、無線信号以外の信号を使用することなく、無線チャネルのＣＩの時系列に基づいて、ターゲット音声ソースの音声アクティビティが検出される。図５８の動作の順序は、本教示の様々な実施形態に従って変更されうる。
いくつかの実施形態では、本教示が無線ベースの音声アクティビティ検出（ＶＡＤ）のためのシステムを開示する。システムは送信機から送信され、受信機によって受信された無線信号（例えば、ＷｉＦｉ信号、ミリ波、２８ＧＨｚ又は６０ＧＨｚ、又はレーダ信号、又はＵＷＢ信号）から取得されたチャネル情報（ＣＩ）を使用して、ターゲット（又は「選択された」）ユーザの音声アクティビティを（選択的に）検出し、音声入力を使用せずに（即ち、マイクロフォン入力なしに）、１人又は複数の非ターゲットユーザの音声アクティビティの存在下でさえ、ベニューにおいて「ＲａｄｉｏＶＡＤ」（無線ベースのＶＡＤ）と呼ばれるバイナリＶＡＤ出力を出力しうる。ＲａｄｉｏＶＡＤに基づいて、ユーザインタフェースをアクティブ化すること、音声インタフェースをアクティブ化／非アクティブ化すること、音声入力のオン／オフを切り替えること、マイクロフォンをミュート／ミュート解除すること、マイクロフォンを使用して音声をキャプチャすること、音声を記録すること、キャプチャされた音声を送信／非送信すること、キャプチャされた／記録された／送信された音声から無音及び／又は無関係の（例えば、他の非ターゲットユーザ）音声セグメントを除去すること、音声認識を実行すること、認識された音声に基づいて別のタスクを実行すること、発話認識を実行すること、認識された話者に基づいて別のタスクを実行すること等。
いくつかの実施形態では、チャネル情報（ＣＩ）が受信された無線信号から取得されたチャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、及び／又はチャネル状態情報（ＣＳＩ）、ＲＳＳＩ等でありうる。無線信号は、ミリ波／ＵＷＢ／レーダ信号であってもよい。送信機及び受信機は同じ場所に（例えば、同じデバイス上に、又はレーダの場合等、同じ回路基板上に）、又は異なる場所に配置されうる。
いくつかの実施形態では、送信機（Ｔｙｐｅ１デバイス、ＴＸ）及び／又は受信機（Ｔｙｐｅ２デバイス、ＲＸ）はそれぞれ、アンテナアレイ、又は分散アンテナを有しうる。各々が送信機から無線信号を受信する複数の受信機が存在しうる。各々がそれぞれ無線信号を受信機に送信する複数の送信機があってもよい。複数の送信機及び複数の受信機があってよく、各送信機は、１つ以上の受信機にそれぞれ無線信号を送信する。ＴＸ／ＲＸデバイスは、レーダモードで動作しうる商品無線ネットワーク又は通信チップ／チップセットを有しうる。レーダモードは、追加のアンテナアレイをチップセットに取り付けることによって有効にしうる。チップ／チップセットを使用して、送信無線を使用して無線信号を送信し、受信無線を使用して反射された無線信号を受信しうる。チップは同時に、又は同時に送信／受信しうる。チップは「同時」送信／受信をシミュレート又は模倣するために、送信と受信との間で迅速に切り替えることができる。
いくつかの実施形態では、送信機及び受信機が同じベニュー（例えば、家、部屋、オフィス、歩道、共通エリア、又は施設）内にありうる。送信機は、受信機に物理的に隣接していても、受信機に隣接していても、受信機から距離を置いていてもよい。少なくとも１つの物体又は「ソース」物体（例えば、人、２人又は２人以上の人）がそれぞれのソース信号（例えば、各人からの音声又は音声信号、会話、歌唱、対話、一度の発話、同時の２人以上の人が会話）を生成するベニューに存在してもよい。混合信号が取得されてもよい（例えば、２人の同時対話／歌唱／発話／音声を含むマイクロフォンによって捕捉された音）。混合信号は少なくとも１つのソースからの信号の混合（例えば、和、加重和、積、加重積等）を含む。ソース信号は、バックグラウンド雑音の存在下で生成されうる。例えば、２人の人々は騒がしい環境、例えば、局、空港、又は家庭／オフィスで話すことができる。バックグラウンド雑音は、群衆音、機械音、モータ／エンジン音、掃除機／ファン／機械／冷蔵庫／ヒータ／空調機であってもよい。
いくつかの実施形態では、音声アクティビティ検出（ＶＡＤ）の１つの目標が音声信号を使用することなく、無線（無線）信号のみを使用して音声の存在を検出すること（例えば、音声アクティビティを検出すること）である。干渉耐性ＶＡＤ（ｉｒＶＡＤ）の目標は干渉（例えば、非ターゲットユーザの音声アクティビティ）及び雑音の存在下で、ターゲット音声（例えば、ターゲットユーザの音声アクティビティ）の存在を検出することである。いくつかの実施形態では、開示されるシステムがいかなるメディア入力（例えば、ビデオ、又は画像／ビジュアル、又はオーディオ若しくはスピーチ若しくはサウンドの入力）も、送信機（タイプ１デバイス）によって無線信号中で送信されるいかなるデータも使用することなく、無線信号に基づいて（例えば、受信された無線信号から取得されたＣＩに基づいて）音声アクティビティを検出しうる。
以下の番号付けされた項は、無線ベースの音声アクティビティ検出の実装例を提供する。
項Ｆ１．無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、プロセッサ、メモリ、及びシステムのデバイスの命令セットを使用して、いかなるメディア信号も使用することなく、無線信号に基づいて音声アクティビティを検出することを含む。無線信号は、タイプ１デバイスによって送信され、タイプ２デバイスによって受信されうる。ＴＳＣＩは、受信された無線信号に基づいてタイプ２デバイスにおいて取得されうる。
項Ｆ２．Ｆ１の無線ベースの音声アクティビティ検出システムの方法／装置／システム／ソフトウェアであって、無線信号は、ベニュー内のシステムのタイプ１のヘテロジニアス無線デバイス送信される無線信号であり、無線信号は、当該ベニューの無線マルチパスチャネルを通じてシステムのタイプ２のヘテロジニアス無線デバイスによって受信され、無線マルチパスチャネルは、当該ベニュー内の音声アクティビティによる影響を受け、受信された無線信号に基づいて無線マルチパスチャネルの時系列のチャネル情報（ＣＩ）を取得し、無線マルチパスチャネルの時系列のＣＩ（ＴＳＣＩ）に基づいて音声アクティビティを検出する。
項Ｆ３．項Ｆ２の無線ベース音声アクティビティ検出システムの方法／システム／ソフトウェアであって、
無線信号は、データ通信信号、無線ネットワーク信号、標準準拠信号、無線ローカルエリアネットワーク（ＷＬＡＮ）信号、ＷｉＦｉ信号、ＩＥＥＥ ８０２信号、ＩＥＥＥ ８０２．１１信号、ＩＥＥＥ ８０２．１１ｂｆ信号、ＩＥＥＥ ８０２指向性マルチギガビット（ＤＭＧ：directional multi-gigabit）信号、無線通信ネットワーク信号、３ＧＰＰ信号、４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／８Ｇ信号、無線センシング信号、無線サウンディング信号、レーダ信号、ミリ波信号、ＵＷＢ信号、又は４０ｋＨｚを超える電磁信号のうちの少なくとも１つを含み、
メディア信号は、マイクロフォン信号、音声（speech）信号、音声（vocal）信号、オーディオ信号、４０ｋＨｚ未満の信号、音響信号、可聴信号、テレフォニー信号、電話会議信号、音声電話信号、会議呼信号、映像信号、ビデオ信号、ビデオ電話信号、ビデオ会議信号、メディアストリーミング信号、又はマルチメディア信号のうちの少なくとも１つを含む。
無線信号は、データ通信信号、無線ネットワーク信号、標準準拠信号、無線ローカルエリアネットワーク（ＷＬＡＮ）信号、ＷｉＦｉ信号、ＩＥＥＥ ８０２信号、ＩＥＥＥ ８０２．１１信号、ＩＥＥＥ ８０２．１１ｂｆ信号、ＩＥＥＥ ８０２指向性マルチギガビット（ＤＭＧ：directional multi-gigabit）信号、無線通信ネットワーク信号、３ＧＰＰ信号、４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／８Ｇ信号、無線センシング信号、無線サウンディング信号、レーダ信号、ミリ波信号、ＵＷＢ信号、又は４０ｋＨｚを超える電磁信号のうちの少なくとも１つを含み、
メディア信号は、マイクロフォン信号、音声（speech）信号、音声（vocal）信号、オーディオ信号、４０ｋＨｚ未満の信号、音響信号、可聴信号、テレフォニー信号、電話会議信号、音声電話信号、会議呼信号、映像信号、ビデオ信号、ビデオ電話信号、ビデオ会議信号、メディアストリーミング信号、又はマルチメディア信号のうちの少なくとも１つを含む。
項Ｆ４．項Ｆ３の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、無線信号はデータ通信信号であり、データ通信信号において伝達されるデータペイロードを使用することなく音声アクティビティを検出することを含む。
項Ｆ５．項Ｆ４の無線ベース音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、データ通信信号において伝達されるメディア信号データを使用することなく音声アクティビティを検出することを含む。
項Ｆ６．項Ｆ５の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ベニュー内のターゲット音声ソースの音声アクティビティを検出することを含み、無線マルチパスチャネルは、ターゲット音声ソースの音声生成動作による影響を受ける。
いくつかの実施形態では、音声関連無線機能（ＴＳＲＦ）は帯域制限される。電話音声信号は、帯域制限された４ｋＨｚでありうる。音声信号は、７ｋＨｚに帯域制限されうる。音声は、２０ｋＨｚに帯域制限されうる。ＴＳＲＦは、１／１０／１００／１０００／１００００／１０００００／１００００００Ｈｚの半分でありうるサウンディング周波数の半分に帯域制限されうる。ここで安全に再生するために、ＴＳＲＦは、１ＭＨｚに帯域制限されうる。また、１００ｋＨｚ又は１０ｋＨｚに帯域制限されてもよい。
項Ｆ７．項Ｆ６の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ＴＳＣＩに基づいて時系列の無線特徴（ＴＳＲＦ：time series of radio feature）を演算することであって、ＴＳＲＦの各無線特徴（ＲＦ）は、ＴＳＣＩの個別のスライディングウィンドウに基づいて演算され、ＴＳＲＦは、１ＭＨｚに帯域制限されたベースバンド信号である、ことと、ＴＳＲＦに基づいて音声アクティビティを検出することと、を含む。
いくつかの実施形態では、システムは、音声（voice/speech）の存在を示唆する音声関連特性（例えば、ピッチ、ピッチの高調波、ピッチの時間プロファイル）を検出することによって、音声アクティビティを検出しうる。
項Ｆ８．項Ｆ７の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける音声関連特性を検出することと、ＴＳＲＦにおける検出された音声関連特性に基づいて音声アクティビティを検出することと、を含む。
いくつかの実施形態では、ＴＳＲＦ（例えば、ピッチ、ピッチプロファイル、混合音声／無声音声等）において現れうる、本明細書に列挙される多くの音声関連特性がある。これらの音声特性は、音声と非音声（例えば、機械音、風音、環境音等）とを区別する。特に、有声音声（例えば、母音、一部の子音、液体等）はピッチを有する。無声音声（例えば、ほとんどの子音、摩擦音、破裂音）はピッチを有さない。母音は有声音である。一般的な人間のピッチは、５０Ｈｚから２５０Ｈｚの間である。
項Ｆ９．項Ｆ８の方法／デバイス／システム／ソフトウェアであって、音声関連特性は、音声特徴、母音、子音、摩擦音、摩擦音、破裂音、鼻、近似音、液体、側方、双唇音、口蓋音、歯槽音、フォン、音素、有声音、無声音、有声音のピッチ、基礎無線、音声関連無線範囲、音声関連無線範囲、音声の少なくとも１つの高調波、音声の少なくとも１つのフォルマント、時変ピッチ、ピッチプロファイル、音声関連時間トレンドのピッチ、トーン、音のトーン、プロソディック特徴、断続的有声音及び無声音のシーケンス、音楽特徴、発話タイミング、発話ペーシング、音楽タイミング、音楽ペーシング、又は環境音、のうちの少なくとも１つの特性を更に含む。
いくつかの実施形態では、専用の音声関連特性：ＴＳＲＦにおいて観測可能でありうる、現時点の瞬時ピッチ。
項Ｆ１０．項Ｆ９の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける現在の時間インスタンスに関連する瞬時ピッチを検出することであって、瞬時ピッチに関連する瞬時基本周波数は、下限閾値よりも大きく、上限閾値よりも小さい、ことと、検出された瞬時ピッチに基づいて音声アクティビティを検出することと、を更に含む。
人間の音声は多くの高調波を有することが多い。一部の高調波はＴＳＲＦにおいて観測可能でありうる。
項Ｆ１１．項Ｆ１０の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける現在の時間インスタンスに関連する瞬時ピッチの少なくとも１つの瞬時高調波を検出することであって、それぞれの個別の高調波に関連する周波数は、瞬時ピッチの瞬時基本周波数の整数倍である、ことと、ピッチの検出された瞬時高調波に基づいて音声アクティビティを検出することと、を更に含む。
いくつかの実施形態では、瞬時ピッチを有することに加えて、人間の音声は時変ピッチを有する。人間の音声は、時変ピッチを使用して、トーン言語のトーン、発音、母音発音、子音発音等、多くのものを表現しうる。時変ピッチは、特定の時間ウィンドウ内のピッチを含む。
項Ｆ１２．項Ｆ１１の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける複数の個別の時間インスタンスに関連する複数の瞬時ピッチを含むピッチプロファイルを検出することであって、個別の時間インスタンスに関連する各瞬時ピッチは、下側閾値よりも大きく、上部閾値よりも小さい個別の瞬時基本周波数に関連する、ことと、ピッチプロファイルにおける複数の瞬時ピッチの音声関連時間トレンドを検出することと、検出されたピッチプロファイルと瞬時ピッチの検出された音声関連時間トレンドとに基づいて、音声アクティビティを検出することと、を更に含む。
項Ｆ１３．項Ｆ１２の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、時間トレンドは、瞬時ピッチの局所連続性、瞬時周波数の局所連続性、瞬時高調波の周波数の局所連続性、習慣的ピッチ、長期ピッチ、習慣的ピッチの周辺のピッチの変化、ピッチ変化のタイミング又はペーシング、トーン内の高速ピッチ変化、又はプロソディを反映する低速ピッチ変化、のうちの少なくとも１つを含む。音声関連特性は、ニューラルネットワークを使用して時間領域で検出されうる。
項Ｆ１４．項Ｆ１３の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ニューラルネットワークを用いてＴＳＲＦを処理することと、ＴＳＦＲのニューラルネットワーク処理に基づいて音声関連特性を検出することと、を更に含む。
いくつかの実施形態では、ＴＳＲＦの周波数分解を実行するために、音声関連特性が周波数領域で検出されうる。
項Ｆ１５．項Ｆ１３の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、スペクトログラム、短時間フーリエ変換（ＳＴＦＴ）、ウェーブレット変換、フィルタバンク表現、高調波分析、フーリエ分析、多重解像度分析、時間－周波数分解、時間－周波数表現、ソノグラフ、ボイスプリント、ボイスグラム、又はウォーターフォールディスプレイ、のうちの少なくとも１つを演算することによって、ＴＳＲＦの周波数分解を演算することと、周波数分解に基づいて、音声関連特性を検出することと、を更に含む。
いくつかの実施形態では、音声関連特性は、ニューラルネットワークを使用して周波数領域で検出されうる。オプション機能は、ニューラルネットワークへの入力を生成するために、周波数分解に「重複及び連結（overlap and concatenate）」を適用することである。
項Ｆ１６．項Ｆ１５の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ニューラルネットワークを用いてＴＳＲＦの周波数分解を処理することと、ＴＳＲＦの周波数分解のニューラルネットワーク処理に基づいて、音声関連特性を検出することと、を更に含む。
いくつかの実施形態では、音声関連特性は、いくつかのアルゴリズムを使用して（即ち、ニューラルネットワークを使用せずに）周波数領域において検出されうる。当該アルゴリズムは、ＴＳＲＦにおける音声関連特性の発現（例えば、ピッチ、高調波、局所連続性）を検出しうる。
項Ｆ１７．項Ｆ１５の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、音声関連特性は、音声アクティビティのピッチを含み、現在の時間インスタンスと関連付けられた時間ウィンドウ内のＴＳＲＦの周波数分解に基づいて瞬時ピッチを検出することとを更に含む。
いくつかの実施形態では、音声信号は、ピッチに加えて高調波を有しうる。高調波の一部は、ＴＳＲＦにおいて観測可能でありうる。
項Ｆ１８．項１７Ｆの無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、音声関連特性は、音声アクティビティのピッチの高調波を更に含み、現在の時間インスタンスと関連付けられた時間ウィンドウ内のＴＳＲＦの周波数分解に基づいて、瞬時高調波を検出することを更に含む。
いくつかの実施形態では、ビームフォーミングに基づいてターゲット音声ソースを識別する。第１のＴＳＣＩは、未加工のＴＳＣＩである。第２のＴＳＣＩは、未加工のＴＳＣＩのセットに対して実行されるビームフォーミングに基づいて演算される。
項Ｆ１９．項Ｆ１３の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、タイプ１デバイス又はタイプ２デバイスは、アンテナのアレイを有し、受信された無線信号に基づいて、無線マルチパスチャネルの未加工のＴＳＣＩのセットを取得することであって、各未加工のＴＳＣＩは、個別のアンテナと関連付けられる、ことと、アンテナのアレイと関連付けられた、受信された無線信号に基づいて取得された未加工のＴＳＣＩのセットに基づいて実行されるビームフォーミングに基づいて、指向性ＴＳＣＩのセットを取得することであって、各指向性ＴＳＣＩは、アンテナのアレイに対する方向と関連付けられ、ＴＳＣＩは特定の指向性ＴＳＣＩである、ことと、を更に含む。
項Ｆ２０．項Ｆ１９の無線ベースの音声アクティビティ検出システムの方法／デバイス／システム／ソフトウェアであって、ターゲット音声ソースをＴＳＣＩの成分と関連付けることであって、個別の非同期音声生成動作を受ける少なくとも１つの非ターゲット音声ソースが存在し、無線マルチパスチャネルが、少なくとも１つの非ターゲット音声ソースの個別の非同期音声生成動作によって非同期的に影響を受ける、ことと、各非ターゲット音声ソースを、ＴＳＣＩの別の成分又は別の指向性ＴＳＣＩと関連付けることと、ＴＳＣＩの成分に基づいてＴＳＲＦを演算することによって、少なくとも１つの非ターゲット音声ソースを拒絶することと、を更に含む。
以下の番号付けされた項は、無線ベースの音声アクティビティ検出の例を提供する。
項Ｇ１．無線ベースの音声アクティビティ検出のためのシステムであって、当該システムは、ベニューの無線チャネルを通じて無線信号を送信するように構成された送信機と、無線チャネルを通じて無線信号を受信するように構成された受信機であって、無線チャネルは、ベニューにおけるターゲット音声ソースの音声アクティビティによる影響を受ける、受信機と、無線信号に基づいて無線チャネルの時系列のチャネル情報（ＣＩ）を演算し、メディア信号を使用することなく、無線チャネルの時系列のＣＩ（ＴＳＣＩ）に基づいてターゲット音声ソースの音声アクティビティを検出するように構成されたプロセッサとを備える。
項Ｇ２．項Ｇ１のシステムであって、
無線信号は、データ通信信号、無線ネットワーク信号、標準準拠信号、無線ローカルエリアネットワーク（ＷＬＡＮ）信号、ＷｉＦｉ信号、ＩＥＥＥ ８０２信号、ＩＥＥＥ ８０２．１１信号、ＩＥＥＥ ８０２．１１ｂｆ信号、ＩＥＥＥ ８０２指向性マルチギガビット（ＤＭＧ：directional multi-gigabit）信号、無線通信ネットワーク信号、３ＧＰＰ信号、４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／８Ｇ信号、無線センシング信号、無線サウンディング信号、レーダ信号、ミリ波信号、ＵＷＢ信号、又は４０ｋＨｚを超える電磁信号のうちの少なくとも１つを含み、
メディア信号は、マイクロフォン信号、音声（speech）信号、音声（vocal）信号、オーディオ信号、４０ｋＨｚ未満の信号、音響信号、可聴信号、テレフォニー信号、電話会議信号、音声電話信号、会議呼信号、映像信号、ビデオ信号、ビデオ電話信号、ビデオ会議信号、メディアストリーミング信号、又はマルチメディア信号のうちの少なくとも１つを含む。
無線信号は、データ通信信号、無線ネットワーク信号、標準準拠信号、無線ローカルエリアネットワーク（ＷＬＡＮ）信号、ＷｉＦｉ信号、ＩＥＥＥ ８０２信号、ＩＥＥＥ ８０２．１１信号、ＩＥＥＥ ８０２．１１ｂｆ信号、ＩＥＥＥ ８０２指向性マルチギガビット（ＤＭＧ：directional multi-gigabit）信号、無線通信ネットワーク信号、３ＧＰＰ信号、４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／８Ｇ信号、無線センシング信号、無線サウンディング信号、レーダ信号、ミリ波信号、ＵＷＢ信号、又は４０ｋＨｚを超える電磁信号のうちの少なくとも１つを含み、
メディア信号は、マイクロフォン信号、音声（speech）信号、音声（vocal）信号、オーディオ信号、４０ｋＨｚ未満の信号、音響信号、可聴信号、テレフォニー信号、電話会議信号、音声電話信号、会議呼信号、映像信号、ビデオ信号、ビデオ電話信号、ビデオ会議信号、メディアストリーミング信号、又はマルチメディア信号のうちの少なくとも１つを含む。
項Ｇ３．項Ｇ２のシステムであって、無線信号は、データ通信信号であり、音声アクティビティは、データ通信信号において伝達されるデータペイロードを使用せずに検出される。
項Ｇ４．項Ｇ３のシステムであって、音声アクティビティは、データ通信信号において伝達されるメディア信号データを使用せずに検出される。
項Ｇ５．項Ｇ４のシステムであって、音声アクティビティは、ターゲット音声ソースの音声生成動作と関連付けられる。
項Ｇ６．項Ｇ５のシステムであって、音声アクティビティを検出することは、ＴＳＣＩに基づいて時系列の無線特徴（ＴＳＲＦ）を演算することであって、ＴＳＲＦの各無線特徴（ＲＦ）はＴＳＣＩのそれぞれのスライディングウィンドウに基づいて演算され、ＴＳＲＦは１ＭＨｚに帯域制限されたベースバンド信号である、ことと、ＴＳＲＦに基づいて音声アクティビティを検出することと、を含む。
項Ｇ７．項Ｇ６のシステムであって、音声アクティビティを検出することは、ＴＳＲＦにおける音声関連特性を検出することと、ＴＳＲＦにおける検出された音声関連特性に基づいて音声アクティビティを検出することと、を更に含む。
項Ｇ８．項Ｇ７のシステムであって、音声関連特性は、音声特徴、母音、子音、摩擦音、摩擦音、破裂音、鼻、近似音、液体、側方、双唇音、口蓋音、歯槽音、フォン、音素、有声音、無声音、有声音のピッチ、基礎無線、音声関連無線範囲、音声関連無線範囲、音声の少なくとも１つの高調波、音声の少なくとも１つのフォルマント、時変ピッチ、ピッチプロファイル、音声関連時間トレンドのピッチ、トーン、音のトーン、プロソディック特徴、断続的有声音及び無声音のシーケンス、音楽特徴、発話タイミング、発話ペーシング、音楽タイミング、音楽ペーシング、又は環境音、のうちの少なくとも１つの特性を更に含む。
項Ｇ９．項Ｇ８のシステムであって、音声アクティビティを検出することは、ＴＳＲＦにおける現在の時間インスタンスに関連する瞬時ピッチを検出することであって、瞬時ピッチに関連する瞬時基本周波数は、下限閾値よりも大きく、上限閾値よりも小さい、ことと、検出された瞬時ピッチに基づいて音声アクティビティを検出することと、を更に含む。
項Ｇ１０．項Ｇ９のシステムであって、音声アクティビティを検出することは、ＴＳＲＦにおける現在の時間インスタンスに関連する瞬時ピッチの少なくとも１つの瞬時高調波を検出することであって、それぞれの個別の高調波に関連する周波数は、瞬時ピッチに関連する瞬時基本周波数の整数倍である、ことと、瞬時ピッチの少なくとも１つの瞬時高調波に基づいて音声アクティビティを検出することと、を更に含む。
項Ｇ１１．項Ｇ１０のシステムであって、音声アクティビティを検出することは、ＴＳＲＦにおける複数の個別の時間インスタンスに関連する複数の瞬時ピッチを含むピッチプロファイルを検出することであって、個別の時間インスタンスに関連する各瞬時ピッチは、下側閾値よりも大きく、上部閾値よりも小さい個別の瞬時基本周波数に関連する、ことと、ピッチプロファイルにおける複数の瞬時ピッチの音声関連時間トレンドを検出することと、ピッチプロファイルと複数の瞬時ピッチの音声関連時間トレンドとに基づいて、音声アクティビティを検出することと、を更に含む。。
項Ｇ１２．項Ｇ１１のシステムであって、音声関連時間トレンドは、瞬時ピッチの局所連続性、瞬時基本周波数の局所連続性、少なくとも１つの瞬時高調波の周波数の局所連続性、習慣的ピッチ、長期ピッチ、習慣的ピッチの周辺のピッチの変化、ピッチ変化のタイミング又はペーシング、トーン内の高速ピッチ変化、又はプロソディを反映する低速ピッチ変化、のうちの少なくとも１つを含む。
項Ｇ１３．項Ｇ１２のシステムであって、プロセッサは更に、ニューラルネットワークを用いてＴＳＲＦを処理することと、ＴＳＲＦの処理に基づいて音声関連特性を検出することと、を行うように構成される。
項Ｇ１４．項Ｇ１２のシステムであって、プロセッサは更に、スペクトログラム、短時間フーリエ変換（ＳＴＦＴ）、ウェーブレット変換、フィルタバンク表現、高調波分析、フーリエ分析、多重解像度分析、時間－周波数分解、時間－周波数表現、ソノグラフ、ボイスプリント、ボイスグラム、又はウォーターフォールディスプレイ、のうちの少なくとも１つを演算することによって、ＴＳＲＦの周波数分解を演算することと、周波数分解に基づいて、音声関連特性を検出することを行うように構成される。
項Ｇ１５．項Ｇ１４のシステムであって、音声関連特性を検出することは、ニューラルネットワークを用いてＴＳＲＦの周波数分解を処理することと、ＴＳＲＦの周波数分解の処理に基づいて音声関連特性を検出することと、を含む。
項Ｇ１６．項Ｇ１５のシステムであって、音声関連特性は、音声アクティビティのピッチを含み、プロセッサは更に、現在の時間インスタンスと関連付けられた時間ウィンドウにおけるＴＳＲＦの周波数分解に基づいて、瞬時ピッチを検出するように構成される。
項Ｇ１７．項Ｇ１６のシステムであって、音声関連特性は、音声アクティビティのピッチの高調波を更に含み、プロセッサは更に、現在の時間インスタンスと関連付けられた時間ウィンドウ内のＴＳＲＦの周波数分解に基づいて、瞬時高調波を検出するように構成される、。
項Ｇ１８．項Ｇ１７のシステムであって、送信機又は受信機は、アンテナのアレイを有し、プロセッサは更に、受信された無線信号に基づいて、無線マルチパスチャネルの未加工のＴＳＣＩのセットを取得することであって、各未加工のＴＳＣＩは、アンテナのアレイに含まれる個別のアンテナと関連付けられる、ことと、アンテナのアレイと関連付けられた、受信された無線信号に基づいて取得された未加工のＴＳＣＩのセットに基づいて実行されるビームフォーミングに基づいて、指向性ＴＳＣＩのセットを取得することであって、各指向性ＴＳＣＩは、アンテナのアレイに対する方向と関連付けられ、ＴＳＣＩは、指向性ＴＳＣＩセットに含まれる特定の指向性ＴＳＣＩである、ことと、を行うように構成される。
項Ｇ１９．項Ｇ１８のシステムであって、プロセッサは更に、ターゲット音声ソースをＴＳＣＩの成分と関連付けることであって、個別の非同期音声生成動作を受ける少なくとも１つの非ターゲット音声ソースが存在し、無線チャネルが、少なくとも１つの非ターゲット音声ソースの個別の非同期音声生成動作によって非同期的に影響を受ける、ことと、各非ターゲット音声ソースを、ＴＳＣＩの異なるの成分又は異なるの指向性ＴＳＣＩと関連付けることと、ＴＳＣＩの成分を選択することと、選択されたＴＳＣＩの成分に基づいてＴＳＲＦを演算することによって、少なくとも１つの非ターゲット音声ソースを拒絶することと、を行うように構成される。
項Ｇ２０．無線ベースの音声アクティビティ検出のための方法であって、送信機から受信機にベニューの無線チャネルを通じて送信される無線信号を取得することであって、無線チャネルは、ベニューにおけるターゲット音声ソースの音声アクティビティによる影響を受ける、ことと、無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）を演算することと、無線信号以外の信号を使用することなく、無線チャネルの時系列のＣＩ（ＴＳＣＩ）に基づいて、ターゲット音声ソースの音声アクティビティを検出することと、を含む。
ＲＦベースのトラッキングにおける最近の進歩は高精度の軌跡トラッキングを可能にし、広範な様々な環境のために、コスト効率の高いＷｉＦｉクライアント及び単一のＡＰを用いて高精度の軌跡を収集することを可能にする。しかしながら、高精度のフロアプラン構築のためにＲＦベースのトラッキングを活用することは、大きな課題を伴う。第１に、単一のＡＰのみが使用される場合、異なる軌跡を接続し、フロアプランを構築するために必要なグローバル基準（リファレンス）情報を有することができない。第２に、利用可能な距離推定のみでは、方向情報のための不正確なセンサに依拠する必要が依然としてある。第３に、不完全な情報を考慮すると、フロアプランを回復するためにロボットによって収集された軌跡を融合することは自明ではない。
いくつかの実施形態では、本教示が上記の課題を克服し、屋内フロアプランの自動構築を高めるための新規なシステムであるＥＺＭＡＰを開示する。いくつかの実施形態では、ＥＺＭＡＰがＷｉＦｉ及び慣性センサを装備した商品ホームロボットを使用して、環境の周りを移動し、データを収集する。それは単一のＡＰのみを必要とし、モールやオフィスビル等の公共空間だけでなく、既存の作品によってほとんど探索されない家庭環境もマッピングできる。再構成されたマップは廊下構造、部屋レイアウト、並びにそれらのサイズ（即ち、廊下幅及び部屋サイズ）を表す。いくつかの実施形態では、ＥＺＭＡＰシステムが新規のパイプラインを使用して、３つの異なる方法でそのようなマップを生成する。ＥＺＭＡＰシステムは最初に、任意の長さのクラウドソース軌跡を原子セグメントに分解することができ、これは、潜在的な累積配向誤差を回避し、軌跡マッチングを支える。第２に、ＥＺＭＡＰシステムは、アトミックセグメントをグループ化するためにロバストな階層的マッチングスキームを使用しうる。高精度距離推定を利用して、ＥＺＭＡＰシステムは最初に、それらの固有の幾何学的制約によって原子セグメントをマッチングしうる。次いで、ＥＺＭＡＰシステムは各セグメントに沿って受信信号強度インジケータ（ＲＳＳＩ）及び磁場強度（ＭＦＳ）情報を調べることによってそれらを更に分類することができ、実際の位置についてのグローバル情報を提供する。第３に、ＥＺＭＡＰシステムはクラスタ化されたセグメントをロバストに埋め込むために、即ち、互いに対するそれらの位置を決定し、したがってフロアプランを再構成するために、軌跡バンドリング及び融合技法を利用しうる。
いくつかの実施形態では、ＥＺＭＡＰシステムがロボットに取り付けられた商品ＷｉＦｉチップセット及び慣性センサを使用して実装しうる。ＥＺＭＡＰシステムは３つの異なるシナリオ、即ち、キャンパス格納、オフィスビル、及び家庭に配備しうる。少数のクラウドソーシング軌跡を利用して、システムはオフィスビル、ホーム環境、及びキャンパスビルに実装されるとき、高精度で詳細なマップを生成する。実証された高精度であるが、最低限のインフラストラクチャ要件により、ＥＺＭＡＰはインテリジェントビル及びスマートホームのための多くの重要な屋内用途のための道を開く。
いくつかの実施形態では、本教示は、多数のＷｉＦｉ ＡＰを有さない、ホーム等のプライベート環境を含む様々な屋内環境に適用される、正確な自動屋内マップ再構成システムを開示する。いくつかの実施形態では、本教示は、ロボット収集軌跡を正確かつロバストに分類し、バンドリングし、埋め込んで、１つのＡＰのみで動作する屋内マップを再構成するアルゴリズムを開示する。開示されたシステムは、様々な建物におけるその性能を検証するために商品ハードウェア上で実装することができ、オフィス、店舗、及び家庭における優れた性能を実証する。他のシステムとは異なり、開示されたシステムは、データ収集のためにますます人気のあるホームロボットを使用し、範囲をホーム環境に拡張する。
図５９は、本開示のいくつかの実施形態による、マップ再構成システム５９００の例示的な図を示す。図５９に示されるように、マップ再構成システム５９００は、軌跡取得モジュール５９１０、軌跡セグメント化モジュール５９２０、軌跡照合モジュール５９３０、軌跡バンドリングモジュール５９４０、及び軌跡融合及び整形モジュール５９５０を含む。
いくつかの実施形態では、システムがロボット、人が押したカート、フォン、タブレット、コンピュータ等に実装されうるトラッキングデバイス５９０５を使用して、軌跡を収集しうる。いくつかの実施形態では、トラッキングデバイス５９０５が起点／衛星又は送信機５９０６から無線信号を受信するように構成されたボット又は受信機を含むか、又はその役割を果たすことができる。軌跡又はトレースは、無線チャネル及びトラッキングデバイス５９０５の動きによる影響を受ける、受信された無線信号に基づいて、システムの軌跡取得モジュール５９１０によって取得されうる。
いくつかの実施形態では、トレースが、環境内に配置された１つのＡＰを有する人間又はロボットによって収集しうる。トレースは、ＲＦベースの慣性測定システムによって得られた距離情報と、慣性センサから導出された方向情報とを含みうる。ＡＰ及びＭＦＳのＲＳＳＩも記録される。次いで、任意の長さでありうる収集された軌跡は正確な距離推定（軌跡セグメンテーション）を活用しながら、配向において蓄積された潜在的な誤差を克服するために、原子セグメントと呼ばれる短いセグメントに分割される。次いで、原子セグメントは、それらの固有の幾何学的制約、並びにＲＳＳＩ及びＭＦＳ（セグメントマッチング）の付随する時系列によってクラスタ化される。次いで、クラスタ化されたセグメントは、長い軌跡をバンドリングし（束ね）、それによって、それらの相対位置を推測することによって、位置決めされる（軌跡バンドリング）。次に、全ての軌跡が、それらの元の形状を口座に入れて融合され、回廊幅及び部屋サイズ（軌跡融合及び整形）を有する再構成されたマップを出力する。
いくつかの実施形態では、クラウドソーシング軌跡トラッキングが距離推定のためのＲＦベースの慣性測定システムであるＲＩＭと、方位推定のための慣性センサとに基づく。ＲＩＭは開示されたマップ構築システムのサブシステムとしての役割を果たすことができ、車輪付きプラットフォーム及びロボットの移動距離を推定しうる。超解像仮想アンテナアライメントアルゴリズムを用いた仮想アンテナとしての位置合わせパスプロファイルを利用して、ＲＩＭは位置合わせパスリッチエリア上の移動距離のセンチメートル精度を達成した。ＲＩＭは単一のＡＰのみを必要とし、移動距離演算のためにデータパケットからチャネル状態情報（ＣＳＩ）をキャプチャする。いくつかの実施形態では、ＥＺＭＡＰがＲＩＭのアルゴリズムを利用して、高い精度で移動距離を推定する一方で、慣性センサを使用して、幾何学的特性を一緒に整形する回転角度及び機首方位情報を測定しうる。装置のセットアップのために、トラッキング装置を運ぶために、押しカート又はロボットのいずれかを使用しうる。両方の場合において、トラッキング装置は、商品ＷｉＦｉチップセット及びその上のＩＭＵを有するカスタマイズされたハードウェアを含みうる。いくつかの実施形態では、ＥＺＭＡＰがハードウェアに変更を加えないソフトウェアソリューションを含みうる。
取得された軌跡は、メータから数十メータ又はそれ以上の様々な長さである。いくつかの実施形態では、ＥＺＭＡＰがより広いエリアをカバーし、接続する可能性があり、したがって、一意に識別されるべきより多くの情報を含むので、一般に長い軌跡を好む。しかしながら、長い軌跡は、特に配向において大きな累積誤差を被る。この問題を克服するために、システムは、軌跡セグメント化モジュール５９２０を使用して、収集された全ての軌跡を、正確な幾何学的形状情報をより良好に保存する、原子セグメントの新規な形態の短い部分に分解しうる。
いくつかの実施形態では、システムが図６０に示されるように、各長い軌跡を、２つの端部に２つのターンを有する直線セグメントを含む構造に分割しうる。そのような構造を原子セグメントと名付け、それをＥＺＭＡＰにおける軌跡の基本単位として使用しうる。このような霧化は、慣性センサの読み取り値に基づく単純な旋回検出によって達成しうる。いくつかの実施形態では、ＥＺＭＡＰシステムが回転を検出するための加速度計及びジャイロスコープデータの角度の変化率（時間に対する角度の順序逆数）を演算しうる。
原子セグメントの設計は以下の洞察によってインスパイアされる：第１に、原子セグメントは、（図６１の例に見られるように）ターン中に配向誤差が容易に蓄積するので、各ターンにおいてオリジナルの軌跡を切り離す。結果として、それは、正確な距離情報を保存し、一方で、それらが複数のターンにわたって累積しうる前に、重大な配向誤差をリセットする。第２に、２つのターンは、類似の長さを有するセグメントをクラスタ化するためにより多くの情報を提供するので、各原子セグメントの一部として保持される。図６０のセグメントを例にとると、左巻き及び右巻きでそれぞれ終わる２つの原子セグメントは、それらが同じ長さを有する場合であっても分離しうる。第３に、現実世界の建物レイアウトを考慮すると、そのような原子セグメントを頻繁に得ることができる。後で実証されるように、そのようなセグメントに関連するグローバルロケーション情報（即ち、ＲＳＳＩ及びＭＦＳ時系列）はセグメントの正確な幾何学的形状を一緒に考慮して、それらを一意にクラスタリングし、再接続するのに十分である。
いくつかの実施形態では、いくつかの軌跡が噴霧化によってセグメント化されない。例えば、ターゲット円が曲がった経路の周りを回り、それに沿って移動する場合、結果として生じる軌跡は連続的に「回転」し、決して切断されない。これらの曲線セグメントはいくつかの開放空間及び／又は部屋についての情報を提供する可能性があり、別々に取り扱われるので、依然として有用である。
トラッキングトレースを有する正確なフロアプランを生成するためには各軌跡の相対位置を正確に推定する必要があり、これはグローバルな基準又は各軌跡の開始ポイントなしに非常に困難である。前述のように、システムは長い軌跡を原子セグメントに分割し、各原子セグメントの相対位置を決定することに頼ることができる。各セグメントの相対位置を正確に予測するために、システムは２つのステップをとることができる。いくつかの実施形態では、システムが最初に、同じ位置に属する原子セグメントをクラスタリングしうる。次いで、同じクラスタ内の原子セグメントは、長い軌跡からその相対位置を推測することによって位置決めされ、バンドリングされる。
同じ位置にあるセグメントを識別し、異なる位置にあるセグメントを区別するために、システムは軌跡マッチングモジュール５９３０で軌跡マッチングアルゴリズムを利用して、同じ位置に属するセグメントを認識し、異なる位置に属するセグメントを、それらの幾何学的形状及びＲＳＳＩ及びＭＦＳの時系列によって区別しうる。例示的なマッチングプロセスを図６２に示す。
セグメントのために設計された独特の構造では、各原子セグメントが２つのターンの角度情報と、その間の道路区間の距離情報とを含む幾何学的形状を有する。同じ経路に関連する原子セグメントは類似の幾何学的形状を示す。幾何学的制約は、それらの幾何学的形状情報に基づいて、類似の形状を有するセグメントを一緒にソートするように設計される。同じ経路に属する原子セグメントの例を図６０に示す。
幾何学的形状の制約は、距離制約と角度制約の２つの部分を有する。距離制約に関しては実験観察及びトラッキングクライアントの距離トラッキング精度に基づいて、いくつかの実施形態では、同じ経路上のセグメント間の距離差を３ｍ以下に制限しうる。言い換えれば、２つの道路区間の推定距離の差が３ｍよりも大きい場合、これらの２つの区間は、同じ位置にある可能性が低い。角度制約についてはある角度誤差を考慮すると、同じターン間の角度差はいくつかの実施形態では、３０度以下に制限される。いくつかの実施形態では、異なる回転（左及び右）を有する同じ位置からの原子セグメントが一緒にクラスタ化されない。しかし、これは、後に認識され、一緒にマージされるので、最終的な再構成されたマップに影響を与えない。
幾何学的制約の有効性を検証するために、幾何学的制約の有無にかかわらずマッチング精度を比較するために２００以上の原子セグメントが使用される比較実験を行うことができる。実験結果は、軌跡制約が後に示されるセグメントマッチングの精度を効果的に改善できることを立証する。
いくつかの実施形態では、幾何学的制約だけではセグメントを異なる経路から分離することはできないが、類似の幾何学的形状を有するので、セグメントマッチングを高精度でサポートするには不十分である。したがって、ロバストなグローバル基準は、マッチング精度及び再構成性能にとって重要である。いくつかの実施形態では、ＥＺＭＡＰシステムがグローバル基準情報のための周囲特性として示される、セグメントに沿ったＭＦＳ及びＲＳＳＩの時系列を活用し、それらを一致させるためにロバストアルゴリズムを利用しうる。
屋内経路上の強磁性構造材料（例えば、鉄筋）によって引き起こされる磁場の異常は一般に、静止しており、時間独特である。ＭＦＳの時系列は、ユーザ又はロボットが特定の屋内経路に沿って歩行するときに収集され、対応する経路の代表的な特徴として使用される。図６３Ａに示されるように、同じ屋内経路に沿ったＭＦＳデータの時系列は類似しているが、異なる屋内経路に沿ったものはかなり異なる。図６３Ｂに示すように、単一のＡＰについて測定されたＲＳＳＩ値の時系列にも同様の特性が現れる。単一の位置におけるＲＳＳＩ値は非常に限られた空間分解能に悩まされるが、経路に沿った一連のＲＳＳＩはより特有の情報を提供する。
いくつかの実施形態では、ＭＦＳ及びＲＳＳＩの時系列に基づく２つの原子セグメントの類似性値が閾値を下回るとき、クラスタを生成しうる。類似性ベクトルは原子セグメントについて演算することができ、それ自体と原子セグメントの各既存のクラスタとの間の類似性を測定する。アトミックセグメントｊについては、動的時間伸縮（ＤＴＷ）を適用して、そのＲＳＳＩ類似性ベクトルＤj, R及びＭＦＳ類似性ベクトルＤj,Mをそれぞれ演算しうる。Ｄj, R及びＤj,RMは、ｍｉｎ－ｍａｘ正規化で正規化され、一緒に合計されて、以下のように類似度ベクトルが得られる：
ここで、ｄj, iはｉ番目のクラスタに対する原子セグメントｊの類似度を示し、Ｎは、クラスタの総数を示す。ｄj, iが所定の閾値（例えば、０．２）を下回る場合、このアトミックセグメントは、ｉ番目のクラスタにクラスタ化され、ｉ番目のクラスタからの他のセグメントとマッチングされうる。アトミックセグメントを既存のクラスタと一致させることができない場合、システムは、そのための新しいクラスタを生成しうる。いくつかの実験的観察に基づいて、０．２未満の類似性値を有する２つのセグメントは、一致すると見なすことができる。システムは融合中にＲＳＳＩベクトル及びＭＦＳベクトルを正規化したので、閾値は様々な環境に一般化しうる。
場合によっては、閾値がうまく機能しないことがある。例えば、１）２つのマッチしたセグメント（即ち、同じ位置からの２つのセグメント）の類似性値が０．２よりも大きい場合、及び２）０．２よりも低い複数の類似性値があるが、１つのセグメントのみがマッチされるべきである。第１のケースではセグメントは誤って２つのクラスタに属するものとして扱われるが、システムはそれらを一緒にマージしうる。第２のケースに関しては、システムが最も類似するセグメント、即ち、最小の類似値を有するセグメントと、ターゲットセグメントとを一致させる。閾値は、３つのシナリオにおける実験において有効であることがテストされる。
同じクラスタ内のマッチしたセグメントについて、システムはそれらが同じ位置から来るべきであることを知ることができるだけでなく、セグメントの各ペア間のアライメント情報も有することができ、例えば、システムは、原子セグメント上の各ターンが他のマッチしたセグメント上でどのように互いに対応するかについての情報を有しうる。
同じ位置に属するセグメントを識別した後、これらのセグメントを用いて正確なフロアプランを再構成するために、システムは、それらの相対位置を識別することもできる。いくつかの実施形態では、システムが原子セグメントの位置を決定するために、軌跡バンドリングモジュール５９４０において軌跡バンドリングアルゴリズムを利用しうる。
いくつかの実施形態では、長い軌跡がそれらの一致した原子セグメントを活用してバンドリングされる。マッチしたセグメントを有する２つの長い軌跡ごとに、それらは、以下の２つのステップ、即ち、１）２つのマッチしたセグメントの最初のターニングポイントが一緒に縫い合わされる、で束にされる。２）長い軌跡は、２つの一致した原子セグメントの経路セクションの方向が一致するように回転される。全ての長い軌跡は、それらの一致したセグメントをアライメントさせることによって、他の軌跡にバンドリングされる。長い軌跡がバンドリングされた後、システムは、それらのオリジナルの長い軌跡上のそれらの空間関係を利用することによって、原子セグメントの座標を決定しうる。軌跡バンドリングの一例が図６４に示されており、２つの軌跡は、それらの一致したセグメントをアライメントさせることによってバンドリングされる。
長い軌跡は軌跡バンドリングのための剛体として扱われるが、図６１に示されるように、大きな累積方向誤差を含む長い軌跡は生成されるマップの精度を低下させることができる。したがって、システムは例えば、軌跡融合及び整形モジュール５９５０によって、生成されたマップ上の累積誤差の影響を回避するために、長い軌跡上の原子セグメントの位置を調整しうる。
原子セグメントの大まかな位置は長い軌跡をバンドリングすることによって推測しうるが、同じ経路に属する原子セグメントは図６５に示されるように、厳しい座標偏差を有する可能性があり、これは望ましくない。したがって、システムは軌跡融合アルゴリズムを利用して、次に、例えば、軌跡融合整形モジュール５９５０において、より正確でよく整形されたマップを生成しうる。
マッチしたセグメントの特性を利用して、システムはマッチした原子セグメントを２ステップで融合しうる。第１に、同じ経路におけるマッチした原子セグメントに対して、それらのターンの角度及び位置を含む内部クラスタ制約が、それらの位置を更新するために利用される。システムは同じターンにおけるそれらのエンドポイントの媒体座標を演算し、各エンドポイントの座標を以下によって更新しうる：
ここで、ｂ∈（０、１）は、クラスタ中央位置と元の位置とのバランスをとるパラメータである。
次に、クラスタ内グローバル情報を活用して、誤って分離されたターンをマージすることができ、これは、同じ経路上のアトミックセグメントが異なるクラスタに分類されるときに起こる。ＤＴＷは、誤って分離されたターンをマージするために再度適用しうる。軌跡がバンドリンさられた後、システムは、小さな領域内のターンを探索しうる。いくつかの実施形態では、システムがＤＴＷを互いに近接するターンにのみ適用しうる。２ターンのＭＦＳ及びＲＳＳＩのＤＴＷ距離が閾値（例えば、実験によると０．０５）を下回る場合、２つのターンは、同じ位置にあるとみなされ、一緒にマージされる。これにより、同一パスに属する誤って分離されたセグメントが正しくマージされる。
次に、２つのエンドポイントの新しい座標を用いて、各原子セグメントはヘルメット変換によってその新しい位置に変換される。これは地理学において頻繁に使用される類似性変換であり、データ間のデータ変換を生成する。ここでは二次元ヘルマート（Helmert）変換を行った。２つのターニングポイントの元の座標及びセグメント上の各ポイントの更新された座標を知ることにより、ヘルマート変換は、セグメント上の各ポイントの更新された座標を演算する。変換されたセグメントは、オリジナルの原子セグメントの形状及び２Ｄ情報を保持する。図６５は、ヘルマート変換が４つの軌跡に対して実行される、軌跡融合プロセスの例を示す。
長い軌跡をセグメント化するとき、その間に直線経路セクションのない原子セグメントが存在する。代わりに、それらは、連続的な「ターニング（turning）」を有する曲線セクションを含む。前述のように、直線セグメントは建物の主要なレイアウトを反映するが、曲線セグメントは部屋、曲線廊下、及びオープンスペースに関する有用な情報も含む。したがって、システムは、それらを別々に処理して、回復されたフロアプランに更なる詳細を追加しうる。
いくつかの実施形態では、曲線セグメントの位置が、直線セグメントとのその空間的関係から推定される。システムは最初に、曲線セグメントと直接接続する直線セグメントを見つけることができる。次に、直線セグメントの位置を利用して、曲線セグメントの位置を推定し、次いで、ヘルメット変換を曲線セグメントに対して実行する。この処理を図６６に示す。形状情報を失うことなく、曲線セグメントは曲線通路、部屋、及び開放空間を再構成するために、直線セグメントでグループ化される。したがって、マップ構築アルゴリズムは直線状廊下を生成するだけでなく、部屋の位置及びエリアを推定することができ、フロアプランをより詳細かつ包括的にする。いくつかの実施形態では、良好な形状のフロアプランを提供するために、アルファ形状の方法が軌跡の輪郭を抽出するために利用される。
いくつかの実施形態では、開示されるシステム及び方法が３つのシナリオで評価される：シナリオＩが図６７Ａに示されるように、廊下、部屋、ドア、及びエレベータを含む、２２．０ｍ×３６．５ｍのエリアを有するオフィスであり、シナリオＩＩは図６７Ｂに示されるように、キッチン及びリビングを含む、５。８ｍ×１２．２ｍのエリアを有するタウンハウスの２階であり、シナリオＩＩＩは図６７Ｃに示されるように、４９．０ｍ×１２．５ｍのエリアを有するキャンパスビルのダイニングコートであり、ダイニングホール及びその周りの廊下を含む。目標は、開示されたシステムを使用して詳細なフロアプランを再構成することである。
シナリオＩでは、トラッキング装置が人間によって押されたカート上に設置される。トレースは、５ヶ月で１２の異なる日に収集され、合計６４のクラウドソーシング軌跡が収集される。異なる回転方向が考慮されるので、このデータセットには１８個のクラスタが存在する。シナリオＩＩ及びＩＩＩでは、トラッキング装置はロボットに装備され、シナリオＩＩでは５ヶ月で１６日間にわたり８つのクラスタを有する４９個の軌跡を収集し、シナリオＩＩＩでは２ヶ月で７日間にわたり１９個のクラスタを有する５４個の軌跡を収集する。環境ダイナミクスに対するＥＺＭＡＰのロバスト性を検証するために、長い経過にわたってデータを収集することができ、又は開示されるシステムの有効性を実証するために、少量の軌跡のみを取得しうる。
いくつかの実施形態では、ＥＺＭＡＰが省力かつ効率的であるので、データを収集するために商品ホームロボットを使用する。更に、ホームロボットは、今日広く利用可能である。ＥＺＭＡＰは、ＲＩＭに基づく高精度ロボットトラッキングに限定されない。開示されたマップ構築アルゴリズムは、高精度歩行者トラッキングにも適用可能である。
３つのシナリオの結果をそれぞれ図６８～図７０に示す。３つのシナリオ全てについて、第１の部分図（即ち、図６８Ａ、図６９Ａ、及び図７０Ａ）は、バンドリングされた軌跡を示す。シナリオＩの再構成されたフロアプランは図６８Ｂに示されており、ここでは、部屋及び開放空間のアクセス可能な領域が曲線した軌跡で良好に再構成されている。シナリオＩの再構成された廊下計画が図６８Ｃに示され、アルファ形状によって抽出されたグラウンドトゥルース廊下計画が図６８Ｄに示されている。シナリオＩＩでは再構成されたフロアプランが図６９Ｃに示されており、キッチンのオープンスペースは開示されたシステムによって良好に再構成されている。ほとんどの関連する作業によって必要とされるアンカーポイントを必要とせずに、開示されたシステムは、大規模で公共的な領域だけでなく、家庭のような小規模で私的な環境のためのフロアプランを再構成する能力を実証する。図７０Ｃは、シナリオＩＩＩの十分に再構成されたフロアプランを示す。結果は、開示されたシステムが単一のＡＰのみを用いて、様々なエリアの間の間取り図を正確に再構成しうることを示す。
ＥＺＭＡＰのマッチング性能、部屋サイズ精度、廊下形状精度、施工効率を評価した。廊下形状及び部屋サイズに関しては、開示されたシステムをＳｅｎｓｅＷｉｔ及びＣｏｒｗｄＩｎｓｉｄｅと比較しうる。
いくつかの実施形態では、マッチング性能が純度測定及び正規化相互情報（ＮＭＩ）スコアによって評価される。純度スコアｓcは
と定義される。ここで、Ｃiは、それぞれのクラスタ内の最大クラスにおける原子セグメントの個数であり、ｃはクラスタの個数であり、Ｍは、原子セグメントの総個数である。ＮＭＩは、
と定義される。ここで、Ｙは、クラスラベルを表し、Ｃは、クラスタラベルを表し、Ｈ（．）はエントロピーであり、Ｉ(Ｙ；Ｃ）は、ＹとＣとの間の相互情報である。
いくつかの実施形態による１つの実験では、１８個の真のクラスタに属する２０６個の原子セグメントを収集することができ、それらは２０個のクラスタにクラスタ化される。全ての原子セグメントは１を除いて、クラスタ内の最大クラスに属し、純度スコア９９．５１％及び正規化相互情報スコア９５．０５％をもたらす。
幾何学的制約が原子軌跡マッチングに非常に有益であることを正当化するために、幾何学的制約を採用せずにマッチング性能を演算する比較実験を行った。純度スコアは８７．３８％に低下し、ＮＭＩスコアは８１．８０％になり、幾何学的制約がマッチング性能を著しく改善できることを証明した。一方、驚くべきことに、セグメントマッチングの８０％を超える妥当な精度が、単一のＡＰの磁気及びＲＳＳＩを使用することによって達成されうることも実証する。
部屋サイズは、再構成された部屋サイズとグラウンドトゥルースエリアとの間の誤差によって評価され、これは、
と演算される。
開示されたシステムの誤差を、ＳｅｎｓｅＷｉｔ及びＣｒｏｗｄＩｎｓｉｄｅとオフィスで収集されたデータと比較しうる。ＳｅｎｓｅＷｉｔの平均誤差は３１．４％、ＣｒｏｗｄＩｎｓｉｄｅの平均誤差は４０．６％である。開示されたシステムは３６．１％の平均誤差を有し、これは、ＣｒｏｗｄＩｎｓｉｄｅよりも低く、ＳｅｎｓｅＷｉｔよりも高い。ＳｅｎｓｅＷｉｔとして多くのアンカーポイントを必要とすることなく、開示されるシステムの精度は、依然として同等である。推定誤差は主に、台車やロボットが部屋全体を歩くのを妨げる、オフィスのテーブル、引き出し、椅子等の障害物によるものである。
また、ＳｅｎｓｅＷｉｔと同じメトリックで廊下形状を評価することもでき、これは以下に示される。
ここで、
は、廊下形状の精度である。
は、リコールである。
は、精度とリコールの調和平均である。
は、再構成された廊下エリアによって分割された重複エリアとして定義される。
は、グラウンドトゥルース廊下エリアで分割された重複エリアとして定義される。
評価結果を表１２に示す。グラウンドトゥルース廊下の起点と向き、及び生成された廊下がアライメントされる。表１２は開示されたシステムの
がＣｒｏｗｄＩｎｓｉｄｅよりも良好であり、ＳｅｎｓｅＷｉｔと同等であることを示す。開示されたシステムの精度はＳｅｎｓｅＷｉｔよりも高いが、想起率はＳｅｎｓｅＷｉｔよりも低く、これは開示されたシステムが廊下の幅が地上の真実よりも狭くなるように、多軌跡融合を実行するためである。ＳｅｎｓｅＷｉｔは開示されたシステムと同等の性能を達成するために様々なアンカーを必要とし、開示されたシステムが、様々な環境、特にホーム等のアンカーポイントのないプライベート環境のための正確な廊下計画を生成しうることを示す。
ほとんどのクラウドソーシングベースの屋内マップ構築システムとは異なり、ＥＺＭＡＰは比較可能な精度を達成しながら、はるかに少ない軌跡で廊下マップを生成しうる。シナリオＩにおけるＥＺＭＡＰの構築効率を評価しうる。図７１Ａ～図７１Ｅは、それぞれ２４、３５、４６、５２、及び６１の軌跡を有する再構成された廊下を示す。軌跡数の異なる廊下の施工精度は、それぞれ５３．７６％、６７．４４％、７１．９９％、７３．４６％、７６．６１％である。ＥＺＭＡＰ、ＳｅｎｓｅＷｉｔ及びＣｒｏｗｄＩｎｓｉｄｅの比較を表１３に示す。ＳｅｎｓｅＷｉｔは３００以上の軌跡を使って４６４ｍ２のキャンパスライブラリーをカバーし、ＣｒｏｗｄＩｎｓｉｄｅは１５０以上の軌跡を使って４４８ｍ２の環境をカバーした。表１３は、開示されたシステムＥＺＭＡＰが２倍大きい環境で使用される軌跡の数のわずか４分の１でＳｅｎｓｅＷｉｔに匹敵する精度を達成し、ＥＺＭＡＰがはるかに少ない軌跡でＣｒｏｗｄＩｎｓｉｄｅよりも正確であることを示す。効率評価結果は、ＥＺＭＡＰが正確な廊下を迅速に再構成できることを示した。加えて、ＥＺＭＡＰの設計は低コストのホームロボットを採用し、データ収集のためのかなりの人員を節約する。
いくつかの実施形態では、本教示が事前に建物の前提知識を必要としない、汎用自動フロアプラン構築システムであるＥＺＭＡＰを開示する。ＥＺＭＡＰは、高度なＲＦベースの慣性トラッキングを活用した高精度で低コストのフロアプラン再構成システムである。開示されたシステムは正確なマップのために、ＲＦトラッキングからのローカル情報を、慣性センシング（例えば、磁場強度）からのグローバルコンテキストと組み合わせる。ＥＺＭＡＰは、ＲＦ信号センチメートル精度の屋内トラッキングの恩恵を受ける。それは、商品ＷｉＦｉを活用して正確な移動距離を推定し、方位演算のために慣性センサを使用する。次に、ＥＺＭＡＰは軌跡分割、マッチング、バンドリング、及びシェーピングの新しいパイプラインを用いてクラウドソース軌跡を処理し、最終的に、骨格レイアウトだけでなく、直線状／曲線の廊下、開放空間、及び部屋の詳細なエリアサイズを用いてフロアプランを再構成する。最小限のインフラストラクチャと少量のデータを必要とするＥＺＭＡＰは、パブリックモール、オフィス、及び家庭環境を含む多くの様々なビルに拡張しうる。
ＥＺＭＡＰは、プライベート環境のマップを正確に再構成できる最初のＲＦベースのシステムである。性能はオフィスビル又は家庭内の商品ＷｉＦｉを用いて検証することができ、これは、開示されたシステムが対象領域のための忠実なマップを効率的に生成しうることを示す。ＷｉＦｉデバイスのユビキタス展開により、開示されたシステムは、屋内ロケーションベースのサービスの開発を進める。
図７２は、本開示のいくつかの実施形態による、マップ生成のための例示的な方法７２００のフローチャートを示す。様々な実施形態では、方法７２００が上記で開示したシステムによって実行しうる。動作７２０２において、ベニューにおけるセンシングデータ及び複数の軌跡が取得される。各軌跡は、ベニュー内のそれぞれの物体によってトラバースされる経路を表す時系列の空間座標（ＴＳＳＣ）である。各ＴＳＳＣは収集された少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ）を伴うが、それぞれの物体はベニュー内の経路をトラバースする。いくつかの例では、センシングデータ及び軌跡が（例えば、ＷｉＦｉ、４Ｇ／５Ｇ／６Ｇ／７Ｇ等による信号に基づいて）受信無線信号からキャプチャされたチャネル情報（例えば、ＣＳＩ、ＣＩＲ、ＣＦＲ）を使用して収集されうる。他の例では、センシングデータ及び軌跡がレーダ、センサ、スマートフォン内のセンサ、ナビゲーションシステム等の他の手段によって収集されうる。
動作７２０４において、各ＴＳＳＣ及びそれに付随する少なくとも１つのＴＳＳＤは、セグメントにセグメント化される。動作７２０６において、複数の軌跡は、セグメントの対の間の類似性測度に基づいてバンドリングされる。動作７２０８において、バンドリングされた軌跡は、融合された軌跡を生成するために融合される。動作７２１０において、融合軌跡の形状が演算される。動作７２１２において、演算された形状に基づいて、ベニューのマップが生成される。図７２の動作の順序は、本教示の様々な実施形態に従って変更されうる。
いくつかの実施形態では、２Ｄ（又は３Ｄ）マップが２Ｄ（又は３Ｄ）軌跡の個数（例えば、１００、１０００又はそれ以上）に基づいて生成され、それぞれが補助センサ情報（例えば、ＲＳＳＩ、磁場強度／ＭＦＳ）とともに生成される。各軌跡はベニュー（例えば、建物、自宅、倉庫、駐車場等）における物体の移動の経路を表す。３Ｄ軌跡の例は、人が建物／施設の複数の階を上下に歩くときの人の経路であってもよい。
いくつかの２Ｄ／３Ｄ軌跡は受信された無線信号（例えば、ＷｉＦｉ、４Ｇ／５Ｇ／６Ｇ／７Ｇ等）からキャプチャされたチャネル情報（例えば、ＣＳＩ、ＣＩＲ、ＣＦＲ）を使用して収集されうる。それらはまた、レーダ、センサ、スマートフォンのセンサ、ナビゲーションシステム等の他の手段によって収集されてもよい。クラウドソースであるかもしれない。
生成されるべき２Ｄ／３Ｄマップは、ベニュー内の全ての到達可能なエリアを含みうる。例えば、広い廊下は、より厚く見えるべきである。狭い廊下は薄く見えるはずである。障害物によって遮られた（したがって、到達可能でない）廊下の一部は、２Ｄ／３Ｄマップに現れてはならない。アクセス可能な部屋は通常、おおよそ長方形のように見えるべきであるが、内部空間が障害物（例えば、壁固定具、ソファ、テーブル、キャビネット、ストーブ、冷蔵庫、照明、器具、箱等）によって遮られるべきではない。
例示的な方法は、以下のステップを含む。
第１のステップは、軌跡セグメンテーションである。各軌跡は分析され、原子セグメントにセグメント化／分解される。各原子セグメントは、両端に２ターンを有する直線セグメントを含む。
第２のステップはセグメントマッチングである。原子セグメント及び付随するセンサ情報は軌跡の「類似の」又は「一致した」原子セグメントに対応する密集クラスタを見つけるためにクラスタリングが実行されうるように、いくつかの空間において表される。
第３のステップは、軌跡バンドリングである。様々な軌跡は、マッチング済み原子セグメントに基づいて、一緒に「アライメントされる」又は「バンドリングされる」。
第４のステップは、軌跡融合及び整形である。バンドリング／アライメントされた軌跡は融合され、２Ｄ／３Ｄマップを構築するように整形される。
「距離」は、２つのセグメント間で定義されうる。距離はいくつかのコンポーネント、即ち、それらの長さ間の差、両端におけるそれらの２つのターン間の差、それらのＲＳＳＩ間の差（ＤＴＷを使用してマッチングされる）、それらのＭＦＳ間の差（ＤＴＷを使用してマッチングされる）を有しうる。いくつかの軌跡は、微細化（atomization）によってセグメント化されない（例えば、円、曲線経路等）。
いくつかの実施形態では、複数の軌跡を取得することができ、各軌跡は異なる開始ポイント（例えば、１つの軌跡がリビングで開始し、別の軌跡がベッドルームで開始してもよい）、異なる開始日／日／時間、異なる経路（例えば、１つの軌跡がリビングからダイニングルームに行き、別の軌跡がリビングからベッドルームに行きうる）、異なるターン（例えば、異なるペースの移動）、異なる停止／一時停止パターン（例えば、ユーザが２時間リビングで停止してからダイニングルームに行き、一方、ユーザは短時間、例えば、１分、ベッドルームに行く前にリビングで一時停止してもよい）を有する可能性がある。
各軌跡は、ベニュー内／ベニューを通る経路をともに記述する一連の空間座標であってもよい。空間座標は、２次元、又は３次元等でありうる。経路は第１のサンプリング周波数、例えば、毎秒０．０１／０．１／１／１０／１００／１０００サンプルでサンプリングされてもよい。
各軌跡は、それぞれのデバイスで捕捉されてもよい。例えば、１つの軌跡は、ユーザによって携帯されるｉＰｈｏｎｅ又はＡｎｄｒｏｉｄフォンで捕捉されてもよく、一方、別の軌跡はタブレットデバイス（例えば、ｉＰａｄ）で捕捉されてもよい。別のものは、ｉＲｏｂｏｔを使用してキャプチャされうる。別のものは、プッシュカート（例えば、ジャニタのカート）に設置されたデバイスを使用して捕捉されてもよい。別のものは、受信された無線信号に基づいて導出され／キャプチャされたチャネル情報（例えば、ＣＳＩ、ＣＩＲ、ＣＦＲ、ＲＳＳＩ等）に基づいてタイプ１デバイスからタイプ２デバイスに送信されている無線信号（例えば、ＷｉＦｉ、４Ｇ／５Ｇ／６Ｇ／７Ｇ／８Ｇ、レーダ信号等）を使用してキャプチャされうる。軌跡は、ＲＩＭアルゴリズムを使用して生成されうる。
各軌跡はいくつかのセンシングデータ（例えば、ＲＳＳＩ、加速度計、磁力計、ジャイロスコープ等）を伴うことができる。各センシングデータ（ＳＤ）はそれぞれのサンプリング周波数でサンプリングされうる（例えば、毎秒１００サンプルのＲＳＳＩ、毎秒１０サンプルの加速度計、毎秒１サンプルの磁力計、毎秒１０サンプルのジャイロ）。センシングデータ及び軌跡は同じ時間軸を共有しうる（即ち、それらは全て経時的にサンプリングされる）が、それらのサンプリングインスタンス（タイミング）は異なりうる。したがって、時間同期は（例えば、タイムスタンプに基づいて）軌跡とそれに付随するＴＳＳＤとをマッチングさせるために実行されうる。
典型的にはベニュー（例えば、単一の家族の家）では有限数の可能な歩道又は経路セグメントが存在しうる。多くの場合、「オープンスペース」の部屋（即ち、空の部屋、空のホール）は可能な歩道又は経路セグメントを制限する障害物（例えば、テーブル、椅子、テーブル、机、棚等）で満たされうる。したがって、通常、同じ／同様の歩道又は経路セグメントは、異なる軌跡で、異なるタイミングで、異なる順序で、異なる持続時間で、異なるペースで現れうる。
システムは各軌跡を複数のセグメント（セグメント化）に分割することができ、各セグメントは基本的に／ほぼ直線状経路セグメントを有し、直線状経路セグメントの２つの端部で２回の回転を有する。次いで、軌跡間の同様のセグメントが（例えば、付随するＴＳＳＤに適用される動的時間伸縮に基づいて）識別／アライメント／マッチングされうる。軌跡の類似性を分析しうる。
一致したセグメントは幾何学的制約を満たす必要がありうる（例えば、長さ差又は長さ差のパーセンテージが閾値未満でなければならないという長さ制約、又は、対応する角度差が別の閾値未満でなければならないという角度制約）。関心のある任意のセグメント（「現在のセグメント」）について、マッチングのための多くの候補セグメントが存在しうる。候補セグメントは、幾何学的制約を満たすことができない場合、拒絶されうる。拒絶されていない候補セグメントのうち、現在のセグメントについて選択されたセグメント（一致セグメント）は、現在のセグメントからの最小距離（又は一致コスト）を有する候補セグメントである。候補セグメント及び現在のセグメントは、異なる量のサンプルを有する異なる長さ／持続時間を有しうるので、距離を直接演算することはできない。したがって、動的時間伸縮（ＤＴＷ）は、現在のセグメントと各候補セグメントとの間の正規化された距離が演算（サンプルの、長さ／量に関して正規化）されうるように（ＴＳＳＤの）個々のサンプルをアライメントさせるために適用されうる。
次いで、全ての軌跡のマッチング／アライメントされたセグメントをバンドリングし、グループ化／結合して、より長いセグメントを形成しうる（例えば、調整／補正／回転／並進が適用された後）。再帰的に、２つの隣接するマッチング済みセグメント、又はそれぞれマッチング済みセグメントを有する２つの隣接する「より長い接合」セグメント（例えば、接合セグメント）はいくつかの調整／補正／回転／並進に基づいて、組み合わされ／グループ化され／接合されて、２つの隣接セグメントにおけるマッチング済みセグメントが一貫するように、より長い接合セグメントを形成しうる。バンドリング／結合は、個々のマッチしたセグメントがおおよそ正しい位置を有することを可能にする。
第１の軌跡Ｔ１のセグメントＳ１ａが第２の軌跡Ｔ２のセグメントＳ２ａに一致すると仮定する。更に、Ｔ１のセグメントＳ１ｂがＴ２のセグメントＳ２ｂに一致すると仮定する。そして、Ｓ１ａ及びＳ１ｂは、Ｔ１における隣接セグメントであってもよく、一方、Ｓ２ａ及びＳ２ｂは隣接セグメントであってもよい（例えば、直接隣接していてもよく、又はある程度隣接していてもよく、１つ以上の他のセグメントによって分離されていてもよい）。
バンドリングにおいて、Ｓ１ａ及びＳ１ｂはより長い／接合されたセグメントを形成するように組み合わされてもよく、Ｓ２ａ及びＳ２ｂはより長い／接合されたセグメントを形成するように組み合わされてもよい。補正／調整はＳ１ａ及びＳ１ｂ（例えば、特に角度に対する補正）に適用されて、より長い接合セグメントＬ１を形成し、更にＳ２ａ及びＳ２ｂに適用されて、Ｌ１がＬ２に一致するように、より長い接合セグメントＬ２を形成してもよい。Ｔ１及びＴ２は、同じ軌跡であってもよい。
Ｓ１ａはＳ２ａにマッチし、Ｓ１ｂはＳ２ｂにマッチするが、Ｓ１ａとＳ１ｂとの間の相対角度がＳ２ａとＳ２ｂとの間の相対角度からあまりにも逸脱しうるので、Ｓ１ａとＳ１ｂとの未処理の結合／結合セグメントはＳ２ａとＳ２ｂとの間の未処理の結合／結合セグメントとマッチし得ないことに留意されたい。バンドリング処理において、Ｓ１ａとＳ１ｂとの間のターニングポイントは、Ｓ２ａとＳ２ｂとの間のターニングポイントとロック／ステッチング／アライメントされうる。次いで、Ｓ１ａ及びＳ２ａはそれらがアライメントされるように、調整／補正／回転／並進／スケーリング／長さ調整／補償されうる。次いで、セグメントＳ１ｂ及びＳ２ｂは、調整されたＳ１ａ及びＳ１ｂが調整されたＳ２ａ及びＳ２ｂと一致するように、Ｓ１ａ及びＳ２ａに対して（又は、に関して）それぞれ調整／補正／回転／翻訳／スケーリング／長さ調整／補償されてもよい。
第１の軌跡Ｔ１の長区間Ｌ１ａの区間Ｓ１ａを、第２の軌跡Ｔ２の長区間Ｌ２ａの区間Ｓ２ａと一致させるものとする。更に、Ｔ１のロングセグメントＬ１ｂのセグメントＳ１ｂが、Ｔ２のロングセグメントＬ２ｂのセグメントＳ２ｂに一致するとする。また、Ｌ１ａ及びＬ１ｂはＴ１中の隣接するロングセグメントであってよく、Ｌ２ａ及びＬ２ｂはＴ２中の隣接するロングセグメントでありうる（「隣接する」は、直接隣接する／連続することを意味しうるか、又は１つ以上の他のセグメントによって分離されている、いくらか隣接することを意味しうる）。ロングセグメントは１つ以上のセグメント（例えば、連続するセグメント、又は連続するセグメントのいくつかの「列（train）」）を備えうる。
バンドリングにおいて、Ｌ１ａ及びＬ１ｂは別の長セグメントＬ１ｃを形成するために組み合わされてもよく、Ｌ２ａ及びＬ２ｂは更に別の長セグメントＬ２ｃを形成するために組み合わされてもよい。補正／調整はＬ１ｃを形成するためにＬ１ａ及びＬ１ｂに適用され得（例えば、特に角度に対する補正）、Ｌ１ｃがＬ２ｃにマッチングされるように、Ｌ１ｃを形成するためにＬ２ａ及びＬ２ｂにも適用されうる。Ｔ１及びＴ２は同じ軌跡でありうる。
Ｓ１ａはＳ２ａと一致してもよいが、未処理のＬ１ａは未処理のＬ２ａと一致しなくてもよい。したがって、Ｌ１ａとＬ２ａとの何らかの種類の処理（例えば、角度／長さの補正又は調整）が、Ｌ１ａがＬ２ａと一致するために必要とされうる。同様に、Ｓ１ｂはＳ２ｂにマッチングされうるが、未処理のＬ１ｂは未処理のＬ２ｂとマッチングされ得ない。したがって、Ｌ１ｂがＬ２ｂと一致するために、Ｌ１ｂ及びＬ２ｂの何らかの種類の処理（例えば、角度／長さの補正又は調整）が必要とされうる。更に、Ｌ１ａとＬ１ｂとの間の相対角度がＬ２ａとＬ２ｂとの間の相対角度からあまりにも大きく逸脱しうるので、未処理のＬ１ｃ（結合されたＬ１ａとＬ１ｂ）は、未処理のＬ２ｃ（結合されたＬ２ａとＬ２ｂ）と一致しないことがある。
バンドリング処理では、Ｌ１ａとＬ１ｂとの間のターニングポイントがＬ２ａとＬ２ｂとの間のターニングポイントとロック／ステッチング／位置合わせされうる。次いで、Ｌ１ａ及びＬ２ａはそれらがアライメントされるように、調整／補正／回転／長さ調整／補償されうる。次いで、長セグメントＬ１ｂ及びＬ２ｂは調整されたＬ１ｃが調整されたＬ２ｃと一致するように、それぞれ長セグメントＬ１ａ及びＬ２ａに対して（又は、に関して）調整／補正／回転／長さ調整／補償されうる。
一例では、長セグメントＬ１ａ、Ｌ１ｂ、Ｌ２ａ、及びＬ２ｂはそれぞれ、４つの長セグメントのそれぞれにセグメントの「内部」処理／調整が存在しないように、剛体として扱われてもよい。しかし、Ｌ１ａとＬ１ｂとの間の相対角度、及びＬ２ａとＬ２ｂとの間の相対角度は、処理／調整されうる。
次いで、マッチング済みセグメント／軌跡が融合されうる。マッチしたセグメントのセット（パスセグメントに関連する）については、セグメントエンドポイントをいくつかの「クラスタ中心」に向けて調整するために、クラスタ内制約又はクラスタ内制約を適用しうる。
個々のセグメントの微調整。一致したセグメントのグループのエンドポイントの座標を考える。グループ内には、各軌跡からの０個、１個、又は１個以上のマッチしたセグメントがあってもよい。セグメントは前のバンドリングステップにおいてマッチングされ、いくらか調整されうるが、セグメントは完全にアライメントされない（即ち、一致しない）ことがある。特に、一致する代わりに、エンドポイントは互いに近接し、クラスタを形成してもよい。クラスタリングは、クラスタの「中心」を見つけるために適用されうる。次いで、エンドポイントの各々は、クラスタ中心に向かって／クラスタ中心に近づくように調整されうる。例えば、各エンドポイントは、エンドポイント及びクラスタ中心の重み付け平均によって置き換えられてもよい。セグメントのエンドポイントが調整されると、その長さもそれに応じて変更される。
マッチング済みセグメント／軌跡の融合において、クラスタ間制約は、見逃された（又は誤って分離された）ターン／エンドポイントを捕捉／識別／発見するために適用されうる。時折、マッチングされるべきいくつかのターンは誤って分離されうる（即ち、マッチングされない）。ターンは第１のセグメントに隣接する第２のセグメント（例えば、第２のバンドリングされたセグメント）の第２のエンドポイントと一致する第１のセグメント（例えば、第１のバンドリングされたセグメント）の第１のエンドポイントである。結束段階では、第１のセグメントが第２のセグメントと組み合わされ／接合されていなければならない。しかし、時には、それらは合成／結合されない。第１のエンドポイントが第２のエンドポイントにマッチングされるべきかどうかを決定するために、（ＴＳＳＤの）ＤＴＷが、第１のエンドポイントに近い第１のセグメントの第１のセクションと、第２のエンドポイントに近い第２のセグメントの第２のセクションとに適用されうる。例えば、第１のセクションは第１のエンドポイント付近の第１のセグメントの第１のパーセンテージ（例えば、５０％、４０％、３０％、２０％、１０％等）を含んでもよい。同様に、第２のセクションは第２のエンドポイント付近の第２のセグメントの第２のパーセンテージ（例えば、５０％、４０％、３０％、２０％、１０％等）を含んでもよい。ＤＴＷは、１つの軌跡の第１及び第２のセクションと別の軌跡の第１及び第２のセクションとの最適なマッチングスコア（又は距離）を見つけるために適用されうる。最適マッチングスコアが閾値よりも小さい場合、第１のエンドポイントを第２のエンドポイントにマッチングしうる。
更新されたエンドポイント位置（例えば、座標）を用いて、各セグメントは変換（例えば、ヘルマート変換、類似性変換、データ変換、２Ｄ変換、３Ｄ変換、並進、回転、スケーリング）によって変換／調整されうる。セグメントの各ポイントは、変換によって変換／調整されうる。
次いで、エリア整形が、軌跡に基づいてエリア／体積を生成するために適用されうる。長い軌跡をセグメント化するとき、直線経路セクションを有さないいくつかの曲線セグメントが存在しうる。このような曲線したセグメントは、部屋、曲線した廊下、及び開放空間に関する有用な情報を含みうる。曲線セグメントの位置は、直線セグメントとのその空間的関係から推定しうる。次いで、曲線セグメント上の各ポイントは変換（例えば、ヘルメット変換）によって変換／調整されうる。曲線セグメントは曲線通路、部屋、及び開放空間を再構成するために、直線セグメントでグループ化されてもよい。エリアシェーピングは、Ｄｅｌａｕｎａｙ三角形分割のアルファ形状、アルファ複合体／サブコンプレックス、凸包、最小スパニングツリー、形態学的動作、又は形態学的拡張のうちの少なくとも１つを含む手順を使用して、セグメント／軌跡上の各ポイントをエリア／ボリュームに拡張しうる。
軌跡は幅のない１次元の線であってもよいが、マップ生成システムによって生成されるマップは２Ｄエリア又は３Ｄボリュームであってもよい。
以下の番号付けされた項は、マップ生成の例を示している。
項Ｈ１．マップ生成システムの方法／デバイス／システム／ソフトウェアであって、ベニュー内のセンシングデータをそれぞれが伴う複数の軌跡を取得することであって、各軌跡が、ベニュー内の個別の物体によってトラバースされる経路を表す時系列の空間座標（ＴＳＳＣ：time series of spatial coordinates）であり、各軌跡が、個別の物体がベニュー内の経路をトラバースする間に収集される少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ：time series of sensing data）を伴う、ことと、各ＴＳＳＣ及びその付随する少なくとも１つのＴＳＳＤをセグメント化することと、付随するＴＳＳＤに基づいて、セグメントのペア間の類似性を演算することと、演算された類似性に基づいて、複数の軌跡をバンドリングすることと、バンドリングされた軌跡を融合することと、融合された軌跡の形状を演算することと、演算された形状に基づいて、ベニューのマップを生成することと、を含む。
項Ｈ２．項Ｈ１のマップ生成システムの方法／デバイス／ソフトウェア生成システムの方法／システム／ソフトウェアであって、少なくとも１つの個別のＴＳＳＤは、時系列のスマートフォンセンサデータ、時系列のポータブルデバイスセンサデータ、時系列の加速度計データ、時系列のジャイロスコープデータ、時系列の磁力計データ、時系列のホールセンサデータ、時系列の全地球測位システム（ＧＰＳ）データ、時系列の近接センサデータ、時系列の周囲光センサデータ、時系列の光度計データ、時系列の歩数計データ、時系列の歩数計データ、時系列の気圧計データ、時系列の気温計データ、時系列の空気湿度センサデータ、時系列のガイガーカウンタデータ、時系列のソリセンサデータ、時系列の重力センサデータ、時系列の有害放射線センサデータ、時系列のマイクロフォンデータ、時系列のタッチスクリーンセンサデータ、時系列の心拍数モニタデータ、時系列の近距離無線通信（ＮＦＣ）センサデータ、時系列のＢｌｕｅｔｏｏｔｈデータ、時系列のＲＦＩＤデータ、時系列のＬｉＤＡＲセンサデータ、時系列のバーコード／ＱＲコード(登録商標)センサデータ、時系列の無線信号強度、時系列の全地球測位データ、時系列の磁場強度（ＭＦＳ）、又は時系列の受信信号強度インジケータ（ＲＳＳＩ）、のうちの少なくとも１つを含む。
ＴＳＳＣ及びＴＳＳＣは、同じ時間軸に基づいてサンプリングされてよく、このため、時間同期されてもよい。
項Ｈ３．項Ｈ１のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、各軌跡は、当該軌跡に付随する少なくとも１つの個別のＴＳＳＤと時間同期される。
ＴＳＳＣ及びＴＳＳＤのサンプリング周波数／期間／タイミングは異なってもよい。ＴＳＳＣ及び／又はＴＳＳＤは、一部又は全てのＳＤ及びＳＣサンプルが時間アライメントされうるように補間されてもよい。
項Ｈ４．項Ｈ１のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、特定の軌跡のポイントがタイムスタンプと関連付けられ、当該特定の軌跡に付随する特定のＴＳＳＤの補間に基づいて、当該ポイントと時間アライメントするように、当該タイムスタンプにおいて補間されたセンシングデータ（ＳＤ）を演算することを含む。
セグメント化が各軌跡のＴＳＳＣに適用されることで、直線セグメント及び２ターンにそれぞれ関連付けられたＴＳＳＣセグメントが識別されうる。ＴＳＳＣのセグメント化に基づいて、付随するＴＳＳＤが、（ＴＳＳＣ及びＴＳＳＤが時間同期されうるので）対応するタイムスタンプに基づいてセグメント化されうる。
項Ｈ５．項Ｈ１のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、各軌跡のＴＳＳＣをＴＳＳＣセグメントのセットにセグメント化することであって、各ＴＳＳＣセグメントは、直線セグメントと、直線セグメントの２つの端部における２つのターンとを含む、ことと、各ＴＳＳＤセグメントがそれぞれのＴＳＳＣセグメントと時間同期されるように、軌跡に付随する各ＴＳＳＤを、ＴＳＳＣセグメントのセットに基づいてＴＳＳＤセグメントのセットにセグメント化することと、を含む。
ＴＳＳＣのセグメント化を実行するために、直線セグメントが検出されうる。あるいは、ターンが検出されうる。
項Ｈ６．項Ｈ５のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、軌跡のＴＳＳＣにおける直線セグメント又はターンのうちの少なくとも１つを検出することと、検出された直線セグメント又は検出されたターンのうちの少なくとも１つに基づいて、ＴＳＳＣのＴＳＳＣセグメントをセグメント化することと、を含む。
ターンは、ＴＳＳＤ（例えば、加速度計及び／又はジャイロスコープデータ）によって提供される角度／方向の変化を分析／検出することによって検出されうる。
項Ｈ７．項Ｈ６のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、軌跡に付随する少なくとも１つのＴＳＳＤに基づいて、ＴＳＳＣにおけるターンを検出することを含む。
角度／方向の変化率が閾値を超える場合、ターンが検出されうる。
項Ｈ８．項Ｈ７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、少なくとも１つのＴＳＳＤの角度の変化率を演算することと、角度の変化率に基づいて、ＴＳＳＣにおけるターンを検出することと、を含む。
軌跡の個々のセグメントは、（類似性測度を演算／最大化することによって）マッチングされうる。類似性測度を演算するために、異なる長さの２つのセグメントのサンプルをマッピングするための動的時間伸縮が必要とされる。類似性測度は、長さ、サンプリング周波数、持続時間に関して正規化されてもよい。
項Ｈ９．項Ｈ５のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１の軌跡に付随する第１のＴＳＳＤの第１のＴＳＳＤセグメントと、第２の軌跡に付随する第２のＴＳＳＤの第２のＴＳＳＤセグメントとの間の類似性測度を演算することと、類似性測度に基づいて、第１の軌跡の第１のＴＳＳＣの第１のＴＳＳＣセグメントと、第２の軌跡の第２のＴＳＳＣの第２のＴＳＳＣセグメントとをマッチングすることと、を含む。
個々のサンプルのマッピング。類似性測度は、サンプルレベル距離のアグリゲーション（正規化）であってもよい。
項Ｈ１０．項Ｈ９のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＳＤセグメント内の各センシングデータ（ＳＤ）を第２のＴＳＳＤセグメント内の少なくとも１つのＳＤにマッピングすることと、第１のＴＳＳＤセグメント内のＳＤと第２のＴＳＳＤセグメント内のそのマッピングされたＳＤの各々との間の距離に基づいて、第１のＴＳＳＤセグメントと第２のＴＳＳＤセグメントとの間の類似性測度を演算することと、を含む。
ＤＴＷが、マッピングを行うために使用されうる。
項Ｈ１１．項Ｈ１０のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、動的時間伸縮（ＤＴＷ：dynamic time warping）を実行することによって２つのＴＳＳＤセグメント内のＳＤをマッピングすることを含む。
類似性測度が正規化されてもよい。
項Ｈ１２．項Ｈ９のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、類似性測度が、ＴＳＳＤセグメントの長さ、ＴＳＳＣセグメントの長さ、ＴＳＳＤセグメント内のＳＤのカウント、ＴＳＳＣセグメント内のＳＣのカウント、ＴＳＳＤセグメントのサンプリングタイミング、ＴＳＳＣセグメントのサンプリングタイミング、ＴＳＳＤセグメントのサンプリング周波数、又はＴＳＳＣセグメントのサンプリング周波数、のうちの少なくとも１つに関して正規化される。
各ＴＳＳＣセグメントについて、候補ＴＳＳＣセグメントのセットが識別される。候補ＴＳＳＣセグメントは、長さの差が閾値を超える場合、又は角度の差が別の閾値を超える場合、拒絶されうる。類似性測度は、拒絶されない候補ＴＳＳＣセグメントについてのみ演算されうる。
項Ｈ１３．項Ｈ９のマップ生成システムの方法／デバイス／ソフトウェアであって、各ＴＳＳＣセグメントは、個別の直線セグメントと関連する長さ、及び２つの個別のターンに関連する２つのターン角と関連付けられており、第１のＴＳＳＣセグメントについて、複数の候補ＴＳＳＣセグメントを決定し、第１のＴＳＳＣの第１のターン角と各候補ＴＳＳＣセグメントの第１のターン角との間の第１の角度微分を演算し、第１のＴＳＳＣの第２のターン角と各候補ＴＳＳＣセグメントの第２のターン角との間の第２の角度微分を演算し、第１の角度微分が第１の閾値よりも大きいか、又は第２の角度微分が第２の閾値よりも大きいか、又は第１の角度微分と第２の角度微分のアグリゲーションが第３の閾値よりも大きい場合、任意の候補ＴＳＳＣセグメントを拒絶し、第１のＴＳＳＣの長さと各候補ＴＳＳＣセグメントの長さとの間の長さ微分を演算し、第４の閾値よりも大きい長さ微分を有する任意の候補ＴＳＳＣセグメントを拒絶することを含み、任意の微分は、差分、パーセンテージ差分、比率、分数、パーセンテージ分数、又は上記の組み合わせのうちの少なくとも１つであり、アグリゲーションは、総和、線形結合、平均、重み付け平均、幾何平均、又は調和平均のうちの少なくとも１つを含み、第２のＴＳＳＣセグメントは、拒絶されていない候補ＴＳＳＣセグメントである。
いくつかのＴＳＳＣセグメントは、反対方向でありうる。したがって、反対方向を考慮するために、いくつかの追加の角度マッチングが必要とされる。
項Ｈ１４．項Ｈ１３のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＳＣセグメントについて、各候補ＴＳＳＣセグメントの第１の回転角度と第２の回転角度との間の第３の角度差別化を演算することと、各候補ＴＳＳＣセグメントの第２の回転角度と第１の回転角度との間の第４の角度差別化を演算することと、条件（ａ）及び条件（ｂ）の両方が真である場合に、任意の候補ＴＳＳＣセグメントを拒絶することと、を含み、
条件（ａ）は、第１の角度差別化が第１の閾値より大きいか、又は第２の角度差別化が第２の閾値より大きいか、又は第１及び第２の角度差別化のアグリゲーションが第３の閾値より大きいことであり、
条件（ｂ）は、第３の角度差別化が第５の閾値より大きいか、又は第４の角度差別化が第６の閾値より大きいか、又は第３及び第４の角度差別化のアグリゲーションが第７の閾値より大きいことである。
条件（ａ）は、第１の角度差別化が第１の閾値より大きいか、又は第２の角度差別化が第２の閾値より大きいか、又は第１及び第２の角度差別化のアグリゲーションが第３の閾値より大きいことであり、
条件（ｂ）は、第３の角度差別化が第５の閾値より大きいか、又は第４の角度差別化が第６の閾値より大きいか、又は第３及び第４の角度差別化のアグリゲーションが第７の閾値より大きいことである。
軌跡のバンドリングが、軌跡の個々のセグメントのマッチング後に実行されてもよい。
項Ｈ１５．項Ｈ９のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、マッチング済み第１のＴＳＳＣセグメント及びマッチング済み第２のＴＳＳＣセグメントに基づいて、第１の軌跡及び第２の軌跡をバンドリングすることを含む。
項Ｈ１６．項Ｈ１５のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、マッチング済み第１のＴＳＳＣセグメント及びマッチング済み第２のＴＳＳＣセグメントの、個別の直線セグメント及び２つのターンに基づいて、第１の軌跡及び第２の軌跡をバンドリングすることを含む。
バンドリングでは、軌跡のグローバル幾何学的特性が調整されうる。幾何学的特性は、全軌跡のグローバル（軌跡対軌跡）角度を含みうる。
項Ｈ１７．項Ｈ１５のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＳＣ及び第２のＴＳＳＣの幾何学的特性を調整することによって、第１の軌跡及び第２の軌跡をバンドリングすることを含む、。
項Ｈ１８．項Ｈ１７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、幾何学的特性は、長さ、スケール、角度、配向、方位、相対的幾何学的特性、相対的長さ、相対的スケール、又は相対的角度を含む。
グローバル幾何学的特性は、軌跡間のいくつかのグローバル類似性を増加／最大化するように調整されうる。
項Ｈ１９．項Ｈ１７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１の軌跡（即ち、第１のＴＳＳＣ）と第２の軌跡との間の第２の類似性測度を増加させるために、第１のＴＳＳＣ及び第２のＴＳＳＣの幾何学的特性を調整することを含む。
バンドリングにおいて：グローバル幾何学的特性を調整することは、軌跡の平行移動（translation）、回転、及びスケーリングを含みうる。ポイントは、平行移動後にロック／アライメント／一致させられうる。その後、ポイントを中心に回転し、スケーリングする。
項Ｈ２０．項Ｈ１７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１の軌跡のマッチング済み第１のＴＳＳＣセグメントの第１のポイントが、第２の軌跡のマッチング済み第２のＴＳＳＣセグメントの第２のポイントと空間的に一致するように、第１のＴＳＳＣ及び第２のＴＳＳＣの幾何学的特性を空間的に平行移動させること、及び、平行移動された第１のＴＳＳＣを第１のポイントの周りで、平行移動された第２のＴＳＳＣを第２のポイントの周りで回転及びスケーリングすることによって、２つのＴＳＳＣの幾何学的特性を調整することを含む。
アライメントポイントは、マッチング済みＴＳＳＣセグメントの直線セグメントのエンドポイントであってもよい。
項Ｈ２１．項Ｈ２０のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のポイントは、マッチング済み第１のＴＳＳＣセグメントの直線セグメントの中心ポイント、非エンドポイント、又は２つのエンドポイントのうちの１つを含み、第２のポイントは、マッチング済み第２のＴＳＳＣセグメントの直線セグメントの中心ポイント、非エンドポイント、又は２つのエンドポイントのうちの１つを含む。
アライメントポイントは、ＴＳＳＣの２つの隣接するマッチング済みＴＳＳＣセグメント間のターニングポイントであってもよい。
項Ｈ２２．項Ｈ２０のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のポイントは、第１のＴＳＳＣセグメントの共通のエンドポイント及び第１の軌跡の第３のＴＳＳＣセグメントであり、第２のポイントは、第２のＴＳＳＣセグメントの共通のエンドポイント及び第２の軌跡の第４のＴＳＳＣセグメントであり、第３のＴＳＳＣセグメントは、第１のＴＳＳＤの第３のＴＳＳＤセグメントと第２のＴＳＳＤの第４のＴＳＳＤセグメントとの間の類似度に基づいて、第４のＴＳＳＣセグメントにマッチングされる。
バンドリングでは、軌跡の隣接するＴＳＳＣセグメント間の局所的な幾何学的特性が調整されうる。第３のＴＳＳＣセグメントは、第１の軌跡において第１のＴＳＳＣセグメントに隣接する。第４のＴＳＳＣセグメントは、第２の軌跡において第２のＴＳＳＣセグメントに隣接する。第２の幾何学的特性は、２つの隣接する待ち時間セグメント（ＴＳＳＣセグメント）間の局所（セグメント間）角度を含みうる。
項Ｈ２３．項Ｈ２２のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＳＣセグメントと第１の軌跡の隣接する第３のＴＳＳＣセグメントとの間、及び第２のＴＳＳＣセグメントと第２の軌跡の隣接する第４のＴＳＳＣセグメントとの間で第２の幾何学的特性を調整することを含み、第１の軌跡の第３のＴＳＳＣセグメントは、第２の軌跡の第４のＴＳＳＣセグメントにマッチングしている。
局所的な幾何学的特性を調整して、局所的な類似性測度を最大化／増加させる。（２つの隣接するＴＳＳＣセグメントにわたる）一時的ＴＳＳＣセグメントが、２つの隣接するＴＳＳＣセグメント間の局所的な幾何学的特性を捕捉するように構築されうる。例えば、２つの隣接する直線セグメント間の角度は、１つの軌跡における２つの調整された隣接する直線セグメントが別の軌跡における２つの調整された隣接する直線セグメントとマッチングするように調整されうる。
項Ｈ２４．項Ｈ２３のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＳＣの第１の一時的ＴＳＳＣセグメントと第２のＴＳＳＣの第２の一時的ＴＳＳＣセグメントとの間の第３の類似性測度を演算することであって、第１の一時的ＴＳＳＣセグメントは、第１のＴＳＳＣセグメントのサブセグメントと第１のＴＳＳＣの第３のＴＳＳＣセグメントの隣接するサブセグメントとを含み、第２の一時的ＴＳＳＣセグメントは、第２のＴＳＳＣセグメントのサブセグメントと第２のＴＳＳＣの第４のＴＳＳＣセグメントの隣接するサブセグメントとを含む、ことと、第２の幾何学的特性を調整して、第３の類似性測度を増加させることと、を含む。
第３の類似性測度を演算するために、一時的ＴＳＳＣセグメント内のＳＣをアライメントさせる必要がある。
項Ｈ２５．項Ｈ２４のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１の一時的ＴＳＳＣセグメント内の各空間座標（ＳＣ）を、第２の一時的ＴＳＳＣセグメント内の少なくとも１つのＳＣにマッピングすることと、第１の一時的ＴＳＳＣセグメント内のＳＣと第２の一時的ＴＳＳＣセグメント内のそのマッピングされたＳＣの各々との間の空間距離に基づいて、第１の一時的ＴＳＳＣセグメントと第２の一時的ＴＳＳＣセグメントとの間の第３の類似性測度を演算することと、を含む。
項Ｈ２６．項Ｈ２５のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、動的時間伸縮（ＤＴＷ）を実行することによって、２つの一時的ＴＳＳＣセグメント内のＳＣをマッピングすることを含む。
軌跡のバンドリング後に、バンドリングされた軌跡が融合されてもよい。何らかの調整が必要とされる。
（１）マッチング済みセグメントのマッチング済みエンドポイントの位置の微調整（エンドポイントのクラスタ内の各エンドポイントをクラスタ中心に向けて移動させる）
（２）マッチングされるべきであったいくつかのマッチングされていないターニングポイント（エンドポイント）を識別する。空間的に隣接し、時間的に隣接していない、マッチング済みセグメントを識別する。（注：時間的に隣接するマッチング済みセグメントは、空間的に隣接していなければならない。しかし、時間的に隣接していないマッチング済みセグメントは、ユーザが軌跡内のパス又はターニングポイントに再び訪れる場合に、空間的に隣接している可能性がある。このステップは、それらを識別し、それらを空間的に隣接しているとマークすることである。）
（１）マッチング済みセグメントのマッチング済みエンドポイントの位置の微調整（エンドポイントのクラスタ内の各エンドポイントをクラスタ中心に向けて移動させる）
（２）マッチングされるべきであったいくつかのマッチングされていないターニングポイント（エンドポイント）を識別する。空間的に隣接し、時間的に隣接していない、マッチング済みセグメントを識別する。（注：時間的に隣接するマッチング済みセグメントは、空間的に隣接していなければならない。しかし、時間的に隣接していないマッチング済みセグメントは、ユーザが軌跡内のパス又はターニングポイントに再び訪れる場合に、空間的に隣接している可能性がある。このステップは、それらを識別し、それらを空間的に隣接しているとマークすることである。）
項Ｈ２７．項Ｈ１７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、バンドリングされた軌跡のマッチング済みＴＳＳＣセグメントのエンドポイントを調整することによって、及び時間的に隣接していない、空間的に隣接するマッチング済みセグメントを識別することによって、バンドリングされた軌跡を融合することを含む。
マッチング済みセグメントの、マッチング済みエンドポイントの位置の微調整（エンドポイントのクラスタ内の各エンドポイントをクラスタ中心に向けて移動させる）。
項Ｈ２８．項Ｈ２７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、個別の軌跡の各々の複数のマッチング済みＴＳＳＣセグメントを決定することと、マッチング済みＴＳＳＣセグメントと関連付けられた、マッチング済みエンドポイントのクラスタを決定することと、複数のマッチング済みエンドポイントのクラスタ中心を演算することと、クラスタ内のマッチング済み各エンドポイントをクラスタ中心に向けて調整することと、を含む。
エンドポイントとクラスタ中心の重み付け平均でエンドポイントを置き換えることによってエンドを調整する。
項Ｈ２９．項Ｈ２８のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、クラスタ内の各マッチング済みエンドポイントを、マッチング済みエンドポイントとクラスタ中心との重み付け平均で置き換えることを含む。
エンドポイントをクラスタ中心で置き換えることによってエンドポイントを調整する。
項Ｈ３０．項Ｈ２９のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、クラスタ内の各マッチング済みエンドポイントをクラスタ中心によって置き換えることを含む。
調整されていないエンドポイントの残りは、ヘルマート変換を使用してそれに応じて処理される必要がある。
項Ｈ３１．項Ｈ３０のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、変換に基づいて、軌跡の調整されていないエンドポイントを変換することを含み、当該変換は、ヘルマート変換、類似性変換、データ変換、２Ｄ変換、３Ｄ変換、変換、回転、又はスケーリングのうちの少なくとも１つを含む。
マッチングされるべきであった、マッチングされていないターニングポイント（エンドポイント）を識別する。空間的に隣接する、時間的に隣接していないマッチング済みセグメントを識別する。（注：時間的に隣接するマッチング済みセグメントは、空間的に隣接していなければならない。しかし、時間的に隣接していないマッチング済みセグメントは、ユーザが軌跡内のパス又は転ターニングポイントを再び訪れる場合に、空間的に隣接していてもよい。このステップは、それらを識別し、それらを空間的に隣接しているとマークすることである。）－時間的に隣接していないセグメントは、ＴＳＳＤマッチングに基づいて空間的に接続されてもよい。
項Ｈ３２．項Ｈ２７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、第１のＴＳＳＣの第５のＴＳＳＣセグメントと第２のＴＳＳＣの第６のＴＳＳＣセグメントとがマッチングされており、第５のＴＳＳＣセグメントが、第１のＴＳＳＣの第１のＴＳＳＣセグメントに時間的に隣接していないか、又は第６のＴＳＳＣセグメントが、第２のＴＳＳＣの第２のＴＳＳＣセグメントに時間的に隣接しておらず、
第１のＴＳＳＤセグメントのサブセグメントと第１のＴＳＳＤの第５のＴＳＳＤセグメントのサブセグメントとの連結に基づいて、第１の一時的ＴＳＳＤセグメントを構築することであって、第５のＴＳＳＤセグメントは第５のＴＳＳＣセグメントと関連付けられている、ことと、第２のＴＳＳＤセグメントのサブセグメントと第２のＴＳＳＤの第６のＴＳＳＤセグメントのサブセグメントとの連結に基づいて、第２の一時的ＴＳＳＤセグメントを構築することであって、第６のＴＳＳＤセグメントは第２のＴＳＳＤセグメントに関連付けられている、ことと、第１の一時的ＴＳＳＤセグメントと第２の一時的ＴＳＳＤセグメントとの間の類似性測定を演算することと、マップにおいて第１のＴＳＳＣセグメントと、時間的に隣接しない第５のＴＳＳＣセグメントとの間の空間的に隣接する関係を演算することと、マップにおいて第２のＴＳＳＣセグメントと、時間的に隣接しない第６のＴＳＳＣセグメントとの間の空間的に隣接する関係を演算することと、を含む。
第１のＴＳＳＤセグメントのサブセグメントと第１のＴＳＳＤの第５のＴＳＳＤセグメントのサブセグメントとの連結に基づいて、第１の一時的ＴＳＳＤセグメントを構築することであって、第５のＴＳＳＤセグメントは第５のＴＳＳＣセグメントと関連付けられている、ことと、第２のＴＳＳＤセグメントのサブセグメントと第２のＴＳＳＤの第６のＴＳＳＤセグメントのサブセグメントとの連結に基づいて、第２の一時的ＴＳＳＤセグメントを構築することであって、第６のＴＳＳＤセグメントは第２のＴＳＳＤセグメントに関連付けられている、ことと、第１の一時的ＴＳＳＤセグメントと第２の一時的ＴＳＳＤセグメントとの間の類似性測定を演算することと、マップにおいて第１のＴＳＳＣセグメントと、時間的に隣接しない第５のＴＳＳＣセグメントとの間の空間的に隣接する関係を演算することと、マップにおいて第２のＴＳＳＣセグメントと、時間的に隣接しない第６のＴＳＳＣセグメントとの間の空間的に隣接する関係を演算することと、を含む。
２つの時間的に隣接していないセグメントが空間的に隣接している場合、それらはマップ内で接続されるべきである。
項Ｈ３３．項Ｈ３１のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、マップにおいて第１のＴＳＳＣセグメントと、時間的に隣接しない第５のＴＳＳＣセグメントとを、それらの空間的に隣接する関係に基づいて空間的に接続することと、マップにおいて第２のＴＳＳＣセグメントと、時間的に隣接しない第６のＴＳＳＣセグメントとを、それらの空間的に隣接する関係に基づいて空間的に接続することとを含む。
類似性測度は、ＤＴＷに基づいて演算されうる。
項Ｈ３４．項Ｈ３１のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、動的時間伸縮（ＤＴＷ）に基づいて、第１の一時的ＴＳＳＤセグメントと第２の一時的ＴＳＳＤセグメントとの間の類似性測度を演算することを含む。
融合された軌跡上の各ＳＣを拡張して、それに幅／長さ、面積、又は体積を与えることによって、形状を演算する。
項Ｈ３５．項Ｈ２７のマップ生成システムの方法／デバイス／システム／ソフトウェアは、融合軌跡の各ポイントをエリア又はボリュームに拡張することによって、融合軌跡の形状を演算することを含む。
アルファシェーピングに基づいてシェイプを演算する。
項Ｈ３６．項Ｈ３５のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、整形に基づいて、融合軌跡の形状を演算することを含み、当該整形は、アルファ形状、ドロネー三角形分割（Delaunay triangulation）のアルファ複合体若しくはサブ複合体、凸包、最小スパニングツリー、形態学的（morphological）操作、又は形態学的拡張のうちの少なくとも１つを含む。
曲線セグメントを含む（即ち、直線セグメントではない）。
項Ｈ３７．項Ｈ２７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、融合軌跡は、直線セグメントと関連しない、軌跡の曲線セグメントを含む。
曲線セグメントは、幾何学的に調整される必要がある。
項Ｈ３８．項Ｈ３７のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、直線セグメントと関連付けられたＴＳＳＣセグメントとの空間関係に基づいて、曲線セグメントの幾何学的特性を調整することを含み、幾何学的特性は、位置、角度、及びサイズのうちの少なくとも１つを含む。
曲線セグメントは、平行移動、回転、及びスケーリングに基づいて幾何学的に調整される必要がある。
項Ｈ３９．項Ｈ３８のマップ生成システムの方法／デバイス／システム／ソフトウェアであって、並行移動に基づいて曲線セグメントの位置を調整することと、回転に基づいて曲線セグメントの角度を調整することと、スケーリングに基づいて曲線セグメントのサイズを調整することとを含む。
いくつかの実施形態では、非人間認識のための、非人間（例えば、ペット、ファン、電気機器、機械振動、又はｉＲｏｂｏｔ）に起因した人間対動作による動きを区別するためのシステム及び方法が開示される。
ステップ１において、システムは、タイプ１デバイスによって送信され、タイプ２デバイスによって受信された無線信号からＴＳＣＩを取得しうる。動きは、物体（例えば、人間、非人間、ペット、又はロボット真空掃除機）によるものでありうる。
ステップ２において、システムはＴＳＣＩに基づいて（例えば、各ＣＩの大きさ又は位相等の第１の特徴に基づいて）自己相関関数（ＡＣＦ）を演算し、ＡＣＦの第２の特徴（例えば、ピーク又は局所的な最大値、谷又は局所的な最小値）を識別しうる。
ステップ３において、システムは、ＡＣＦピーク平均、ＡＣＦ谷平均、ＡＣＦピーク間隔距離、及びＡＣＦ谷間隔距離を含む、いくつかのＡＣＦベースの統計を演算しうる。
ＡＣＦピーク／谷平均は各時間インスタンスについてＡＣＦの局所最大値（ＡＣＦピーク平均について）又は局所最小値（ＡＣＦ谷平均について）の個数を演算し、時間インスタンスについての局所最大値／最小値の個数の「第１の平均」（例えば、重み付け平均、算術平均、幾何平均、調和平均、パーセンタイル、中央値、最大、最小、モード）を演算し、次いで、時間ウィンドウにおける時間インスタンスの全ての第１の平均の「第２の平均」（例えば、「第１の平均」、又はフィルタリング、又はローパスフィルタリング）を演算することによって演算されうる。代替的に、ＡＣＦピーク／谷平均は各時間インスタンスについてＡＣＦのグローバル最大値（ＡＣＦピーク平均について）又はグローバル最小値（ＡＣＦ谷平均について）を演算し、次いで、時間ウィンドウ内の時間インスタンスの全てのグローバル最大値／最小値の「第２の平均」を演算することによって演算されうる。これは（ａ）の特別な場合であり、「第１の平均」は最大（ＡＣＦピーク平均について）又は最小（ＡＣＦ谷平均について）である。
ＡＣＦピーク／谷間隔距離は、各時間インスタンスについてＡＣＦの局所最大値（ＡＣＦピーク間隔距離について）又は局所最小値（ＡＣＦ谷間隔距離について）の個数を演算すること、時間インスタンスについてＡＣＦの隣接／隣接局所最大値／最小値の対の間の時間的距離又は時間的間隔である間隔の個数を演算すること、時間インスタンスについての間隔の個数の「第１の平均」を演算すること、及び時間ウィンドウ内の時間インスタンスの全ての第１の平均の「第２の平均」（重み付け平均化、又はフィルタリング、又はローパスフィルタリング等）を演算することによって演算されうる。
ステップ４において、システムは各時間インスタンスについてＡＣＦ(例えば、固定時間遅延Ｔ１におけるＡＣＦ）に基づいて動き統計（ＭＳ）を演算しうる。例えば、Ｔ１＝１の場合、ＭＳは、ＴＲＲＳ、内積、又はＴＳＣＩに基づきうる。あるいは、Ｔ１＝ｋの係数でダウンサンプリングされたＴＳＣＩに基づくＴＲＲＳのためのｋである。システムは、ＭＳ平均、及び時間ウィンドウにおけるＭＳ分散等、いくつかのＭＳベースの統計を演算しうる。
動き統計平均は、時間ウィンドウ内の時間インスタンスの全ての動き統計値の「第２の平均」（第１の平均、フィルタリング、又はローパスフィルタリング等）を演算することによって演算されうる。運動統計分散は、時間ウィンドウ内の時間インスタンスの全ての運動統計の「分散、標準偏差、変動、微分、全偏差、二乗変動、スプレッド、分散、分散、絶対偏差、二乗偏差、二乗偏差、全偏差、全偏差、分岐、範囲、四分位範囲、歪度、尖度、Ｌモーメント、分散係数、四分位係数、平均絶対差、ジニ係数、相対平均差、中央絶対偏差、平均絶対偏差、距離標準偏差、分散係数、エントロピー、分散対平均比、最大対最小比、変動測度、規則性測度、類似性測度、尤度、確率分布関数、サンプル分布、モーメント生成機能、期待値、期待関数」等の「変動測度」を演算することによって演算しうる。
ステップ５において、システムは、いくつかの時間インスタンスについてＣＳＩのＡＣＦに基づいて物体の動きの速度を演算しうる。システムは、速度の時系列（ＴＳＳＰ）を取得しうる。ＴＳＳＰのサンプリング周波数は、ＴＳＣＩのサンプリング周波数よりも低くてもよい。次いで、システムはいくつかの歩行統計（例えば、歩行の存在、歩行サイクル時間、ステップサイクル時間、Ｎサイクル時間、歩行サイクル距離、ステップサイクル距離、ＴＳＳＰに基づくＮサイクル距離）、及びいくつかの単純な速度統計（例えば、速度平均、速度変動測定、速度パーセンタイル、速度ヒストグラム）を含む速度ベースの統計を演算しうる。
ステップ６において、システムはＴＳＳＰのピーク（局所最大値）、谷（局所最小値）及び／又はゼロクロスを識別し、「偽ピーク」、「偽谷」及び／又は「偽ゼロクロス」を除去することによって、ピーク、谷及びゼロクロスを処理しうる。誤ったピーク及び誤った谷は対で除去されうる（即ち、１つの誤ったピークは、１つの隣接する／隣接する誤った谷と共に除去されうる）。誤ったゼロクロスは対で除去されうる（即ち、２つの直接隣接するゼロクロスは、一緒に除去されうる）。ゼロクロスは、平均減算ＴＳＳＰのゼロクロスとして演算されうる。
ステップ７において、システムは、ＴＳＳＰ（又は単にＴＳＳＰ）のピーク、谷、及び／又はゼロクロスに基づいて、物体の動きの歩行挙動の存在を演算しうる。歩行挙動の有効な存在のために、山、谷、又はゼロクロスのカウントは、上限（第１の閾値によって）及び／又は下限（第２の閾値によって）されうる。
ステップ８において、歩行挙動が検出された場合（即ち、歩行が存在する場合）、システムは歩行統計（例えば、歩行サイクル時間、ステップサイクル時間、歩行長、ステップ長）を演算しうる。これは、以下のサブステップを含みうる。
サブステップ８ａにおいて、システムは複数の「間隔」を演算することができ、各々は、隣接する／隣接するピーク又は谷又はゼロクロスの対の間の時間的距離又は時間的間隔である。
サブステップ８ｂにおいて、システムは「間隔」の個数に対応するＴＳＳＰに基づいて、いくつかの「間隔距離」を演算することができ、各「間隔距離」は、対応する間隔において物体がトラバースする距離である。間隔距離は対応する間隔と、その間隔における「代表速度」（例えば、速度の「第１の平均」又は「第２の平均」）との積として演算されうる。あるいは、間隔が２つ以上の互いに素なサブ間隔に細分されてもよい。サブインターバル距離は、サブインターバルにおける「代表速度」とサブインターバルとの積として演算されうる。間隔距離は、２つ以上の対応するサブ間隔距離の「第１の平均」又は「第２の平均」として演算しうる。
サブステップ８ｃにおいて、システムはすぐ隣接するピークの対の間の間隔の第１の「第２の平均」、又はすぐ隣接する谷の対の間の間隔の第２の「第２の平均」、又は１つおきのゼロクロスの対の間の間隔の第３の「第２の平均」（即ち、第１と第３のゼロクロスの間、又はｋ番目と（ｋ＋２）番目のゼロクロスの間）、又は第１の「第２の平均」、第２の「第２の平均」及び／又は第３の「第２の平均」の重み付け平均として、歩行サイクル時間を演算しうる。
サブステップ８ｄにおいて、システムは、歩幅サイクル時間の半分としてステップサイクル時間を演算しうる。代替的に、ステップサイクル時間は直接隣接するゼロクロスの対間（即ち、第１のゼロクロスと第２のゼロクロスとの間、又はｋ番目と（ｋ＋１）番目のゼロクロスとの間）の間隔の第４の「第２の平均」に基づいて演算されうる。
サブステップ８ｅにおいて、Ｎサイクル時間は、Ｎ個のピーク、又はＮ個の谷、又は２Ｎ個のゼロクロスに及ぶ間隔として演算されうる。
サブステップ８ｆにおいて、システムは、間隔距離に基づいて、ステップサイクル距離、歩幅サイクル距離、及び／又はＮサイクル距離を演算しうる。ステップサイクル距離、ストライドサイクル距離、又はＮサイクル距離は、ステップサイクル時間、ストライドサイクル時間、又はＮサイクル時間において物体の動きによってトラバースされる距離として定義されうる。ステップサイクル距離、歩幅サイクル距離、又はＮサイクル距離は、対応するステップサイクル時間、歩幅サイクル時間、又はＮサイクル時間内の全ての間隔に関連する間隔距離の合計に基づいて演算されうる。ステップサイクル距離、歩幅サイクル距離、又はＮサイクル距離は、第１の平均又は第２の平均を使用して、ある期間にわたって平均化されうる。
ステップ９において、システムはある期間にわたって、いくつかの単純な速度統計値（例えば、上記で定義されたような速度の第２の平均、上記で定義されたような速度の「変動測定」、速度２５パーセンタイル、速度５０パーセンタイル／中央速度、速度７５パーセンタイル）を演算しうる。期間内の速度のヒストグラムを演算しうる。任意の速度パーセンタイル又は変動測度が、ヒストグラムに基づいて演算されうる。
ステップ１０において、システムは、ＡＣＦベースの統計、ＭＳベースの統計、速度ベースの統計（歩行統計及び単純速度統計の両方を含む）に基づいてモニタリングタスクを実行しうる。モニタリングタスクは、人間、人間の成人、高齢者、小児、乳児、非人間、非人間のペット、非人間のロボット、非人間の機械のうちの少なくとも２つの分類／検出／認識／識別情報／存在／不在／出現／消失／ＡＤＬ（日常生活動作）のうちの少なくとも１つを含む。タスクは、ジェスチャ認識、トラッキング、位置特定、位置特定、ナビゲーションを含みうる。タスクは、機械学習、分類器、教師あり学習、教師なし学習、半教師あり学習、クラスタリング、特徴抽出、特徴トレーニング、特徴トレーニング、主成分分析、固有分解、周波数分解、時間分解、時間周波数分解、トレーニング、弁別トレーニング、教師ありトレーニング、教師なしトレーニング、半教師ありトレーニング、ニューラルネットワーク、ディープラーニングに基づいて実行されうる。
次の番号付き節は、マップ生成の例を示している。
項Ｉ１．マップ生成のためのシステムであって、ベニュー内でセンシングデータを収集し、複数の軌跡を取得するように構成されたセンサであって、各軌跡は、ベニュー内の個別の物体によってトラバースされる経路を表す、時系列の空間座標（ＴＳＳＣ）であり、各ＴＳＳＣは、収集された少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ）を伴う一方で、個別の物体は、ベニュー内の経路をトラバースする、センサと、プロセッサとを備え、当該プロセッサは、各ＴＳＳＣ及びそれに付随する少なくとも１つのＴＳＳＤを複数のセグメントにセグメント化することと、セグメントのペア間の類似性測度に基づいて、複数の軌跡をバンドリングすることと、バンドリングされた軌跡を融合することで融合軌跡を生成することと、融合軌跡の形状を演算することと、演算された形状に基づいてベニューのマップを生成することと、を行うように構成される。
項Ｉ２．項Ｉ１のシステムであって、各軌跡は、当該軌跡に付随する少なくとも１つの個別のＴＳＳＤと時間同期され、少なくとも１つの個別のＴＳＳＤは、時系列のスマートフォンセンサデータ、時系列のポータブルデバイスセンサデータ、時系列の加速度計データ、時系列のジャイロスコープデータ、時系列の磁力計データ、時系列の無線信号強度、時系列の全地球測位データ、時系列の磁場強度（ＭＦＳ）、又は時系列の受信信号強度インジケータ（ＲＳＳＩ）、のうちの少なくとも１つを含む。
項Ｉ３．項Ｉ２のシステムであって、プロセッサは更に、各軌跡のＴＳＳＣをＴＳＳＣセグメントのセットにセグメント化することであって、各ＴＳＳＣセグメントは、直線セグメントと、直線セグメントの２つの端部における２つのターンとを含む、ことと、各ＴＳＳＤセグメントがそれぞれのＴＳＳＣセグメントと時間同期されるように、軌跡に付随する各ＴＳＳＤを、ＴＳＳＣセグメントのセットに基づいてＴＳＳＤセグメントのセットにセグメント化することと、を行うように構成される。
項Ｉ４．項Ｉ３のシステムであって、各軌跡のＴＳＳＣをセグメント化することは、当該軌跡のＴＳＳＣにおける直線セグメント及びターンを検出することであって、ＴＳＳＣにおけるターンは当該軌跡に付随する少なくとも１つのＴＳＳＤの角度の変化率に基づいて検出される、ことと、検出された直線セグメント又は検出されたターンのうちの少なくとも１つに基づいて、ＴＳＳＣのＴＳＳＣセグメントを生成するようにＴＳＳＣをセグメント化することと、を含む。
項Ｉ５．項Ｉ４のシステムであって、プロセッサは更に、第１の軌跡に付随する第１のＴＳＳＤの第１のＴＳＳＤセグメントと、第２の軌跡に付随する第２のＴＳＳＤの第２のＴＳＳＤセグメントとの間の類似性測度を演算することと、類似性測度に基づいて、第１の軌跡の第１のＴＳＳＣの第１のＴＳＳＣセグメントと、第２の軌跡の第２のＴＳＳＣの第２のＴＳＳＣセグメントとをマッチングすることで、マッチングされた第１のＴＳＳＣセグメントとマッチングされた第２のＴＳＳＣセグメントとを生成することと、を行うように構成される。
項Ｉ６．項Ｉ６のシステムであって、プロセッサは更に、動的時間伸縮（ＤＴＷ）に基づいて、第１のＴＳＳＤセグメント内の各センシングデータ（ＳＤ）を第２のＴＳＳＤセグメント内の少なくとも１つのＳＤにマッピングすることと、第１のＴＳＳＤセグメント内の各ＳＤと第２のＴＳＳＤセグメント内のそのマッピングされたＳＤの各々との間の距離に基づいて、第１のＴＳＳＤセグメントと第２のＴＳＳＤセグメントとの間の類似性測度を演算することと、を行うように構成される。
項Ｉ７．項Ｉ６のシステムであって、
類似性測度が、ＴＳＳＤセグメントの長さ、ＴＳＳＣセグメントの長さ、ＴＳＳＤセグメント内のＳＤのカウント、ＴＳＳＣセグメント内のＳＣのカウント、ＴＳＳＤセグメントのサンプリングタイミング、ＴＳＳＣセグメントのサンプリングタイミング、ＴＳＳＤセグメントのサンプリング周波数、又はＴＳＳＣセグメントのサンプリング周波数、のうちの少なくとも１つに関して正規化され、
各ＴＳＳＣセグメントは、個別の直線セグメントと関連する長さ、及び２つの個別のターンに関連する２つのターン角と関連付けられている。
類似性測度が、ＴＳＳＤセグメントの長さ、ＴＳＳＣセグメントの長さ、ＴＳＳＤセグメント内のＳＤのカウント、ＴＳＳＣセグメント内のＳＣのカウント、ＴＳＳＤセグメントのサンプリングタイミング、ＴＳＳＣセグメントのサンプリングタイミング、ＴＳＳＤセグメントのサンプリング周波数、又はＴＳＳＣセグメントのサンプリング周波数、のうちの少なくとも１つに関して正規化され、
各ＴＳＳＣセグメントは、個別の直線セグメントと関連する長さ、及び２つの個別のターンに関連する２つのターン角と関連付けられている。
項Ｉ８．項７のシステムであって、第１のＴＳＳＣセグメントについて、プロセッサは更に、複数の候補ＴＳＳＣセグメントを決定し、第１のＴＳＳＣの第１のターン角と各候補ＴＳＳＣセグメントの第１のターン角との間の第１の角度微分を演算し、第１のＴＳＳＣの第２のターン角と各候補ＴＳＳＣセグメントの第２のターン角との間の第２の角度微分を演算し、第１の角度微分が第１の閾値よりも大きいか、又は第２の角度微分が第２の閾値よりも大きいか、又は第１の角度微分と第２の角度微分のアグリゲーションが第３の閾値よりも大きい場合、任意の候補ＴＳＳＣセグメントを拒絶し、第１のＴＳＳＣの長さと各候補ＴＳＳＣセグメントの長さとの間の長さ微分を演算し、第４の閾値よりも大きい長さ微分を有する任意の候補ＴＳＳＣセグメントを拒絶することを行うように構成され、第２のＴＳＳＣセグメントは、拒絶されていない候補ＴＳＳＣセグメントである。
項Ｉ９．項Ｉ８のシステムであって、
第１のＴＳＳＣセグメントについて、各候補ＴＳＳＣセグメントの第１の回転角度と第２の回転角度との間の第３の角度差別化を演算することと、各候補ＴＳＳＣセグメントの第２の回転角度と第１の回転角度との間の第４の角度差別化を演算することと、
（ａ）第１の角度差別化が第１の閾値より大きいか、又は第２の角度差別化が第２の閾値より大きいか、又は第１及び第２の角度差別化のアグリゲーションが第３の閾値より大きいこと、かつ、（ｂ）第３の角度差別化が第５の閾値より大きいか、又は第４の角度差別化が第６の閾値より大きいか、又は第３及び第４の角度差別化のアグリゲーションが第７の閾値より大きいこと、の両方である場合に、任意の候補ＴＳＳＣセグメントを拒絶することと、を行うように構成される。
第１のＴＳＳＣセグメントについて、各候補ＴＳＳＣセグメントの第１の回転角度と第２の回転角度との間の第３の角度差別化を演算することと、各候補ＴＳＳＣセグメントの第２の回転角度と第１の回転角度との間の第４の角度差別化を演算することと、
（ａ）第１の角度差別化が第１の閾値より大きいか、又は第２の角度差別化が第２の閾値より大きいか、又は第１及び第２の角度差別化のアグリゲーションが第３の閾値より大きいこと、かつ、（ｂ）第３の角度差別化が第５の閾値より大きいか、又は第４の角度差別化が第６の閾値より大きいか、又は第３及び第４の角度差別化のアグリゲーションが第７の閾値より大きいこと、の両方である場合に、任意の候補ＴＳＳＣセグメントを拒絶することと、を行うように構成される。
項Ｉ１０．項Ｉ９のシステムであって、プロセッサは更に、マッチング済み第１のＴＳＳＣセグメント及びマッチング済み第２のＴＳＳＣセグメントの、個別の直線セグメント及び個別の２つのターンに基づいて、第１の軌跡及び第２の軌跡をバンドリングするように構成され、第１のＴＳＳＣ及び第２のＴＳＳＣの幾何学的特性を調整することによって、第１の軌跡と第２の軌跡との間の第２の類似性測度を増加させるように、第１の軌跡及び第２の軌跡がバンドリンクされる。
項Ｉ１１．項１０のシステムであって、第１のＴＳＳＣ及び第２のＴＳＳＣの幾何学的特性を調整することは、第１の軌跡のマッチング済み第１のＴＳＳＣセグメントの第１のポイントが、第２の軌跡のマッチング済み第２のＴＳＳＣセグメントの第２のポイントと空間的に一致するように、第１のＴＳＳＣ及び第２のＴＳＳＣの幾何学的特性を空間的に平行移動させること、及び、平行移動された第１のＴＳＳＣを第１のポイントの周りで、平行移動された第２のＴＳＳＣを第２のポイントの周りで回転及びスケーリングすることを含む。
項Ｉ１２．項Ｉ１１のシステムであって、第１のポイントは、第１のＴＳＳＣセグメントの共通のエンドポイント及び第１の軌跡の第３のＴＳＳＣセグメントであり、第２のポイントは、第２のＴＳＳＣセグメントの共通のエンドポイント及び第２の軌跡の第４のＴＳＳＣセグメントであり、第３のＴＳＳＣセグメントは、第１のＴＳＳＤの第３のＴＳＳＤセグメントと第２のＴＳＳＤの第４のＴＳＳＤセグメントとの間の類似度に基づいて、第４のＴＳＳＣセグメントにマッチングされる。
項Ｉ１３．項Ｉ１２のシステムであって、プロセッサは更に、第１のＴＳＳＣセグメントと第１の軌跡の第３のＴＳＳＣセグメントとの間の第１の幾何学的特性を調整することと、第２のＴＳＳＣセグメントと第２の軌跡の第４のＴＳＳＣセグメントとの間の第２の幾何学的特性を調整することと、を行うように構成される。
項Ｉ１４．項１３のシステムであって、第１のＴＳＳＣの第１の一時的ＴＳＳＣセグメントと第２のＴＳＳＣの第２の一時的ＴＳＳＣセグメントとの間の第３の類似性測度を演算することであって、第１の一時的ＴＳＳＣセグメントは、第１のＴＳＳＣセグメントのサブセグメントと第１のＴＳＳＣの第３のＴＳＳＣセグメントの隣接するサブセグメントとを含み、第２の一時的ＴＳＳＣセグメントは、第２のＴＳＳＣセグメントのサブセグメントと第２のＴＳＳＣの第４のＴＳＳＣセグメントの隣接するサブセグメントとを含む、ことと、を含み、第１の幾何学特性及び第２の幾何学的特性が調整されることで、第３の類似性測度が増加させられる。
項Ｉ１５．項Ｉ１４のシステムであって、第３の類似性測度を演算することは、動的時間伸縮（ＤＴＷ）に基づいて、第１の一時的ＴＳＳＣセグメント内の各空間座標（ＳＣ）を、第２の一時的ＴＳＳＣセグメント内の少なくとも１つのＳＣにマッピングすることと、第１の一時的ＴＳＳＣセグメント内の各ＳＣと第２の一時的ＴＳＳＣセグメント内のそのマッピングされたＳＣの各々との間の空間距離に基づいて、第１の一時的ＴＳＳＣセグメントと第２の一時的ＴＳＳＣセグメントとの間の第３の類似性測度を演算することと、を含む。
項Ｉ１６．項Ｉ１５のシステムであって、プロセッサは更に、バンドリングされた軌跡のマッチング済みＴＳＳＣセグメントのエンドポイントを調整することと、時間的に隣接していない、空間的に隣接するマッチング済みセグメントを識別することと、に基づいて、バンドリングされた軌跡を融合するように構成される。
項Ｉ１７．項１６のシステムであって、エンドポイントを調整することは、個別の軌跡から複数のマッチング済みＴＳＳＣセグメントを決定することと、複数のマッチング済みＴＳＳＣセグメントと関連付けられた、マッチング済みエンドポイントのクラスタを決定することと、マッチング済みエンドポイントのクラスタのクラスタ中心を演算することと、当該クラスタ内の各マッチング済みエンドポイントをクラスタ中心に向けて調整することと、を含む。
項Ｉ１８．項１７のシステムであって、エンドポイントを調整することは、クラスタ内の各マッチング済みエンドポイントを、マッチング済みエンドポイントとクラスタ中心との重み付け平均で置き換えること、又はクラスタ内の各マッチしたエンドポイントを、クラスタ中心で置き換えること、のうちの少なくとも１つを更に含む。
項Ｉ１９．項Ｉ１８のシステムであって、第１のＴＳＳＣの第５のＴＳＳＣセグメントと第２のＴＳＳＣの第６のＴＳＳＣセグメントとがマッチングされており、第５のＴＳＳＣセグメントが、第１のＴＳＳＣの第１のＴＳＳＣセグメントに時間的に隣接していないか、又は第６のＴＳＳＣセグメントが、第２のＴＳＳＣの第２のＴＳＳＣセグメントに時間的に隣接していない。
項Ｉ２０．項Ｉ１９のシステムであって、プロセッサは更に、第１のＴＳＳＤセグメントのサブセグメントと第１のＴＳＳＤの第５のＴＳＳＤセグメントのサブセグメントとの連結に基づいて、第１の一時的ＴＳＳＤセグメントを構築することであって、第５のＴＳＳＤセグメントは第５のＴＳＳＣセグメントと関連付けられている、ことと、第２のＴＳＳＤセグメントのサブセグメントと第２のＴＳＳＤの第６のＴＳＳＤセグメントのサブセグメントとの連結に基づいて、第２の一時的ＴＳＳＤセグメントを構築することであって、第６のＴＳＳＤセグメントは第６のＴＳＳＤセグメントに関連付けられている、ことと、第１の一時的ＴＳＳＤセグメントと第２の一時的ＴＳＳＤセグメントとの間の類似性測定を演算することと、マップにおいて第１のＴＳＳＣセグメントと、時間的に隣接しない第５のＴＳＳＣセグメントとの間の第１の隣接する関係を演算することと、マップにおいて第２のＴＳＳＣセグメントと、時間的に隣接しない第６のＴＳＳＣセグメントとの間の第２の隣接する関係を演算することと、を行うように構成される。
項Ｉ２１．項Ｉ２０のシステムであって、プロセッサは更に、マップにおいて第１のＴＳＳＣセグメントと、時間的に隣接しない第５のＴＳＳＣセグメントとを、第１の隣接する関係に基づいて空間的に接続することと、マップにおいて第２のＴＳＳＣセグメントと、時間的に隣接しない第６のＴＳＳＣセグメントとを、第２の空間的に隣接する関係に基づいて空間的に接続することと、を行うように構成される。
項Ｉ２２．項Ｉ２１のシステムであって、プロセッサは更に、融合軌跡の各ポイントをエリア又はボリュームに拡張することによって、融合軌跡の形状を演算することであって、融合軌跡は、直線セグメントと関連しない、軌跡の曲線セグメントを含む、ことと、直線セグメントと関連付けられたＴＳＳＣセグメントとの空間関係に基づいて、曲線セグメントの幾何学的特性を調整することと、を行うように構成される。
項Ｉ２３．項Ｉ２２のシステムであって、曲線セグメントの幾何学的特性を調整することは、並行移動に基づいて曲線セグメントの位置を調整することと、回転に基づいて曲線セグメントの角度を調整することと、スケーリングに基づいて曲線セグメントのサイズを調整することと、のうちの少なくとも１つを含む。
項Ｉ２４．マップ生成のための装置であって、ベニュー内のセンシングデータを収集し、複数の軌跡を取得するように構成されたセンサであって、各軌跡は、ベニュー内の個別の物体によってトラバースされる経路を表す時系列の空間座標（ＴＳＳＣ）であり、各ＴＳＳＣは、個別の物体がベニュー内の経路をトラバースする間に収集される少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ）を伴う、センサと、センサに通信可能に結合され、各ＴＳＳＣ及びそれに付随する少なくとも１つのＴＳＳＤをセグメントにセグメント化し、セグメントのペア間の類似性測度に基づいて複数の軌跡をバンドリングし、バンドリングされた軌跡を融合して融合軌跡を生成し、融合軌跡の形状を演算し、演算された形状に基づいてベニューのマップを生成するように構成されたプロセッサと、を備える。
項Ｉ２５．マップ生成のための方法であって、センシングデータ及びベニュー内の複数の軌跡を取得することであって、各軌跡は、ベニュー内の個別の物体によってトラバースされる経路を表す時系列の空間座標（ＴＳＳＣ）であり、各ＴＳＳＣは、個別の物体がベニュー内の経路をトラバースする間に収集される少なくとも１つの個別の時系列のセンシングデータ（ＴＳＳＤ）を伴う、ことと、各ＴＳＳＣ及びそれに付随する少なくとも１つのＴＳＳＤをセグメントにセグメント化することと、セグメントのペア間の類似性測度に基づいて複数の軌跡をバンドリングすることと、バンドリングされた軌跡を融合して融合された軌跡を生成することと、融合された軌跡の形状を演算することと、演算された形状に基づいてベニューのマップを生成することと、を含む。
いくつかの実施形態では、例えばＡＣＦエンハンスメントを用いて、無線バイタルサインモニタリングを実行するためのシステムが開示される。システムは送信機から受信機に送信される無線信号から得られる時系列のチャネル情報（ＴＳＣＩ）を使用して、ＴＳＣＩに基づいて、ベニュー内の物体（例えば、人、ユーザ、ベビー）のバイタルサイン（例えば、呼吸又は心拍又は周期的動作）を検出しうる。
チャネル情報（ＣＩ）は、受信された無線信号から取得されたチャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、及び／又はチャネル状態情報（ＣＳＩ）、ＲＳＳＩ等でありうる。無線信号は、ミリ波／ＵＷＢ／レーダ信号であってもよい。送信機及び受信機は同じ場所に（例えば、同じデバイス上に、又はレーダの場合等の同じ回路基板上に）、又は異なる場所に配置されうる。
いくつかの実施形態では、バイタルサインが、画像処理フィルタリングを使用してエンハンスされるＴＳＣＩの２次元（２Ｄ）分解に基づいて検出される。２Ｄ分解の構築を実行するために、各ＣＩについて、ＣＩ特徴ベクトルが構築される。ＣＩ特徴ベクトルは、ＣＩの第１の基本特徴と、対応する雑音除去されたＣＩの第２の基本特徴との連結によって構築されうる。雑音除去されたＣＩは例えば、位相（ＣＩ＿１～ＣＩ＿２）に基づいて、いくつかの単純な雑音除去を使用して取得されてよく、ここで、１及び２は、ここでは２つの異なる空間ストリームを指す。ＣＩの任意の基本的特徴は、ＣＩ自体、ＣＩの大きさ、ＣＩの位相、ＣＩのコンポーネントの大きさ、ＣＩのコンポーネントの位相、又は任意の大きさ／位相の機能を含みうる。対応する雑音除去されたＣＩの第２の基本特徴は、２つの時間的に隣接するＣＩの位相間の差を含みうる。
いくつかの実施形態では、２Ｄ分解がＴＳＣＩのスライディング時間ウィンドウにおいて実行される。スライディング時間ウィンドウは、タイムスタンプ（時間スタンプ）又は時間インデックスと関連付けられる。ｉ番目のスライディングウィンドウの時間インデックスをｉとし、これを「リアルタイム」と呼ぶ。スライディングウィンドウ及び次のスライディングウィンドウは２つの直接隣接するスライディングウィンドウ時間インデックス間の時間差（即ち、時間インデックスｋとｋ＋１との間の時間差）に対応する重複（例えば、１０％重複、５０％重複、９０％重複）を有しうる。スライディング時間ウィンドウのサイズは、経時的に調整されうる。サイズは、センシングタスクの開始時に小さくてもよく、経時的に増加してもよい。
いくつかの実施形態では、各スライディングウィンドウにおいて、特性関数は変換に基づいて演算される。特性関数は時間ウィンドウ内のＣＩ特徴の時間関数（例えば、変換は、自己相関関数（ＡＣＦ）、又は自己共分散関数等でありうる）でありうる。ＡＣＦの時間インデックス（即ち、時間シフト）をｊとする。バイタルサイン信号は周期信号である。ｉ番目のスライディング時間ウィンドウでは、特性（時間）関数が周期的バイタルサイン信号の期間（又は周波数）に対応する、ある時間シフトにおけるピーク（極大）を有する。それはまた、時間シフトにおいて、周期の整数倍である追加のピークを有する可能性がある。
いくつかの実施形態では、サイズＭｘＮの２Ｄ行列Ａがスライドする時間ウィンドウの時間インデックスに従って時間関数を一緒にすることによって形成される。ａ(ｉ，ｊ)を列ｉ及び行ｊにおけるＡの要素とすると、ｉ＝１、．．、Ｍ、ｊ＝１，．．、Ｎである。Ａのｉ番目の列（即ち、ａ(ｉ，＊)）は、ｉ番目のスライディング時間ウィンドウにおけるスライディング時間関数を表す。ａ(ｉ，ｊ)のインデックスｊはｉ番目のスライディング時間ウィンドウにおける時間関数の時間シフトであり、ａ(ｉ，ｊ)は、その時間シフトにおける時間関数（例えばＡＣＦ）の値である。２Ｄ行列Ａは、（Ｉ，ｊ）番目の画素における画像強度である（Ｉ，ｊ）を用いて画像として扱うことができる。
いくつかの実施形態では、バイタルサインの周波数／周期が非常にゆっくりと変更する（即ち、短い時間変更内でほとんど変更しない）につれて、ピーク（局所最大値）は、画像内で水平線又はほぼ水平線を形成すべきである。しかし、以下で説明するエンハンスメントなしでは、水平線が雑音のために現実世界の状況ではほとんど見えないか、又は検出可能ではない場合がある。このエンハンスメントにより、水平線は、より目に見えるようになるか、又は検出可能になりうる。
いくつかの実施形態では、特性関数がスライディング時間ウィンドウ内のＣＩ特徴の周波数関数（例えば、スペクトル／パワースペクトル密度／短時間フーリエ変換／ウェーブレット変換／三角変換／正弦波変換／周波数分解／フィルタバンク）であってもよい。摺動周波数関数の周波数インデックスをｊとする。バイタルサイン信号は周期信号である。ｉ番目のスライディング時間ウィンドウでは、スライディング機能が周期的バイタルサインの基本周波数（又は期間）に対応する特定の周波数でピーク（極大）を有する。基本周波数の整数倍で高調波に追加のピークが存在複数。
いくつかの実施形態では、サイズＭｘＮの２Ｄ行列Ｂがスライディング時間ウィンドウの時間インデックスに従って周波数関数を一緒にすることによって形成される。ｂ(ｉ，ｊ)を列ｉにおけるＢの要素とし、行ｊ、ｉ＝１、．．、Ｍ、ｊ＝１，．．、Ｎとすると、Ｂのｉ番目の列（即ち、ｂ(ｉ，＊)）は、ｉ番目のスライディング時間ウィンドウにおけるスライディング周波数関数を表す。ｂ(ｉ，ｊ)のインデックスｊは、ｉ番目のスライディング時間ウィンドウにおける周波数関数の周波数インデックスであり、ｂ(ｉ，ｊ)は、その周波数インデックスにおける値である。２Ｄ行列Ａと同様に、２Ｄ行列Ｂは画像として扱うことができ、ｂ(ｉ，ｊ)は、(ｉ，ｊ)番目の画素における画像強度である。バイタルサインの周波数／周期が非常にゆっくりと変化する（即ち、短い時間変化内にほとんど変化しない）ので、ピーク（局所最大値）は、画像内に１つ以上の水平線、又はほぼ水平線を形成すべきである。しかし、以下で説明するエンハンスメントなしでは、水平線が雑音のために現実世界の状況ではほとんど見えないか、又は検出可能ではない場合がある。このエンハンスメントにより、水平線は、より目に見えるようになるか、又は検出可能になりうる。
バイタルサインは２Ｄ行列Ａ又はＢにおける水平線を検出することによって検出されうる。しかし、雑音のために、多くの場合、ピーク及び／又は水平線は、明白ではない場合がある。したがって、システムは特に、画像処理フィルタを適用することによって、２Ｄ分解、ピークをエンハンスしうる。
いくつかの実施形態では、２Ｄ分解の強調を実行するために、画像処理フィルタは垂直ハイパスフィルタ及び水平ローパスフィルタを備えうる。水平ローパスフィルタは、２Ｄ分解における水平線構造を利用するために使用されうる。垂直ハイパスフィルタリング及び水平ローパスフィルタリングは、一緒に又は別々に行うことができる。別個の垂直ハイパスフィルタ、別個の水平ローパスフィルタ、及び／又はジョイント垂直ハイパス水平ローパスフィルタは、線形（例えば、ＦＩＲフィルタ）又は非線形（例えば、中央値フィルタ、パーセンタイル、ソーティング）でありうる。複数のフィルタリング順序が可能であり、例えば、垂直ハイパスが最初に、続いて水平ローパス、又は水平ローパスが最初に、続いて垂直ハイパスが可能である。例えば、最初に垂直ハイパス、次に水平ローパス、次に垂直ハイパス、又は最初に水平ローパス、次に別の水平ローパス、次に垂直ハイパスといった一連のフィルタリングが存在しうる。
垂直フィルタリングの場合、フィルタリングは、各列、又は３列若しくは５列若しくはｋ列等の列のグループに適用されうる。１列フィルタリング（即ち、各列に適用されるフィルタリング）のために、システムは２Ｄ行列の各列（Ａ又はＢ）をタイミング信号ｘ(ｔ)として考慮し、１次元ハイパスフィルタ（例えば、［－１］、［１ －１］、又は［－１－２－１］、又は［－２－４－２］、又は［－１－１ ３ －３ １］、又は［－１ ０ ２ ０ －１］、又は［－１－１ ４ ０ ２ ０ －１］、又は［－１－１ ４ －６ ４ －１］等）を適用して、フィルタリングされた信号ｙ(ｔ)を得ることができる。フィルタリングされた信号ｙ(ｔ)は、エンハンスされた列（即ち、ｘ_enhanced(ｔ)＝ｘ(t)＋ｙ(ｔ)）を取得するために、タイミング信号に加算して戻されうる。一実施形態では、同じ垂直フィルタリングを全ての列に適用しうる。別の実施形態では、異なる垂直フィルタを異なるカラムに適用しうる。そのような垂直フィルタは、適応的に選択／決定されうる。
いくつかの実施形態では、３列（又は一般にｋ列）垂直フィルタリングの場合、ｘ(ｔ)を中心列（３列のうちの中心にある）とする。システムは、３つの列（又はｋ個の列）に２Ｄハイパスフィルタを適用して、フィルタリングされた中心列ｙ(ｔ)を得ることができる。例えば、システムは［０ －１ ０； ０ ２ ０； ０ －１ ０］が垂直に印加される［－１ ２ －１］、［－１ ０ ０； ０ ２ ０； ０ ０ －１］は対角方向に印加される［－１ ２ －１］、又は［０ ０ －１； ０ ２ ０; －１ ０ ０ ０］は対角方向に印加される［－１ ２ －１］、又はそれぞれのスケーリング係数によってスケーリングされる、１つ以上のハイパスフィルタ。斜め方向は、垂直線に対して４５度である。３０度、２０度、１０度等の他の角度も可能である。フィルタリングされた中央列ｙ(ｔ)は中央列ｘ(ｔ)に加算して、エンハンスされた中央列（即ち、ｘ_enhanced(ｔ)＝ｘ(t)＋ｙ(ｔ)、あるいは、x_enhanced(t)＝x(t)＋alpha＊ｙ(ｔ)（ここで、alphaは、スケーリングファクタである））を得ることができる。一実施形態では、同じｋ列垂直フィルタリングが全ての列に適用されうる。別の実施形態では、異なるｋ列垂直フィルタリングを異なる列に適用しうる。そのようなｋ列垂直フィルタは、適応的に選択／決定されうる。例えば、１つの列を３列垂直フィルタリングによって処理し、別の列を５列垂直フィルタリングによって処理しうる。
いくつかの実施形態では、水平フィルタリングのために、フィルタリングは３行又は５行又はｋ行等、各行又は行のグループに適用されうる。１行フィルタリング（即ち、各行に適用されるフィルタリング）の場合、システムは２Ｄ行列Ａ又はＢの各行を時間信号Ｘ(ｔ)として考慮し、１次元ローパスフィルタ（例えば、［１ １］／２、［１ １ １］／３、［１ ２ １］／４、［１ ３ １ ３ １］／８、［１ ４ ６ ４ １ １］／１６、［１ １ １ １］／５、３ポイントメジアンフィルタ、３ポイントパーセンタイルフィルタ(x %、例えば、メジアンフィルタの場合は５０％）、３ポイントモードフィルタ等、又はフィルタリングされた信号ｙ(ｔ)。フィルタリングされた信号ｙ(ｔ)はエンハンスされた行（即ち、ｘ_enhanced(ｔ)＝ｘ(t)＋ｙ(ｔ)を取得するために、タイミング信号に加算して戻されうる。一実施形態では、全ての行に同じ水平フィルタリングを適用しうる。別の実施形態では、異なる水平フィルタを異なる行に適用しうる。そのような水平フィルタは、適応的に選択／決定されうる。
いくつかの実施形態では、３行（又は一般にｋ行）水平フィルタリングの場合、ｘ(ｔ)をセンタ行（３行の中でセンタにある）とする。システムは、３行（又はｋ行）に２Ｄローパスフィルタを適用して、エンハンスされた中心行ｙ(ｔ)を得ることができる。例えば、システムは、水平方向に適用される［０ ０； １ ２ １； ０ ０］／４、対角方向に適用される［１ ０； ０ ２ ０； ０ １］／４、又は反対方向に適用される［１ ２ １］の［０ １； ０ １； ０ ２ ０； １ ０］、又は複数のローパスフィルタを連続して適用する［１ ２ １］である［０ ０ ０ １； ０ ２ ０］を適用しうる。対角方向は水平線に対して４５度である。３０度、２０度、１０度等の他の角度も可能である。一実施形態では、同じｋ行水平フィルタリングが全ての行に適用されうる。別の実施形態では、異なるｋ行水平フィルタを異なる行に適用しうる。そのようなｋ行水平フィルタは、適応的に選択／決定されうる。例えば、１つの行は３行水平フィルタリングによって処理されうるとともに、別の行は５行水平フィルタリングによって処理されうる。
垂直ハイパス及び水平ローパスフィルタリングの後、ヒストグラム等化又は他のヒストグラム動作（例えば、ヒストグラム伸張又はコントラスト伸張）が、いくつかの連続する列（連続するスライディング時間ウィンドウの個数に対応する）に適用されうる。
次いで、バイタル信号検出は、次いで２Ｄ分解のエンハンスメントに基づいて実行されうる。時間インデックス（及び関連するスライディング時間ウィンドウ及び２Ｄ分解の対応する列）ごとに、システムは、バイタルサインが存在するか否かの暫定的な（最終ではない）決定を行うことができる。バイタルサインが暫定的であれば、バイタルサインが存在するという最終決定がなされる。バイタルサインが存在するか否かにかかわらず、エンハンスされた２Ｄ分解には常にピークが存在する。したがって、システムは、仮決定を行うために以下のテストを行うことができる。
テスト１の場合、システムは２Ｄ分解の特定の列である特定の特性関数（例えば、ＡＣＦ等の時間関数、ＳＴＦＴ等の周波数関数）に関連する特定の時間インデックスを考慮しうる。システムは特定の特性関数（例えば、未知のバイタルサイン周波数を有するＡＣＦ）と基準特性関数（例えば、固定トレーニング済みバイタルサイン周波数を有するトレーニング済みＡＣＦ）との間の、例えば、正規化された距離測度に関して、動的時間伸縮（ＤＴＷ）を実行することによって、特定の時間におけるバイタルサインの存在をテストしうる。ＤＴＷは、２つの特性関数間のバイタルサイン周波数の起こりうる不一致を説明するために適用されうる。基準バイタルサインは、トレーニングフェーズにおいて、ＤＴＷに基づいてマッチングされたトレーニング特性関個数の個数、バイタルサインを有するトレーニング被験者が存在したときに取得されたトレーニング特性関個数の個数をクラスタリングすることに基づいて演算されうる。基準バイタルサインはまた、トレーニングなしで、成人、子供等からの経験的バイタルサインデータからであってもよい。正規化された距離測度が第１の閾値よりも大きい場合、仮の決定はバイタルサインが存在しない（即ち、バイタルサインが検出されない）ことである。そうではない場合、システムはテスト２を実行しうる。
テスト２については、ｘ(ｔ)をエンハンスト特性関数とする。システムはｂのいくつかの値（例えば、０．６、０．５、０．４、０等）についてｘ(ｔ)－ｂを演算し、ｘ(ｔ)－ｂのゼロクロスの個数を演算する（即ち、ｘ(ｔ)がｂの値を何回交差するかを演算／カウントする）ことができる。ゼロクロスの個数が（おそらく雑音による）第２の閾値よりも大きい場合、仮の決定はバイタルサインが存在しない（即ち、バイタルサインが検出されない）ことである。そうではない場合、システムはテスト３を実行しうる。
テスト３では、システムは、エンハンスト特性関数のピーク（極大）を見つけることができる。例えば、システムはピーク間距離（例えば、第１のピークと第２のピークとの間、又は第２のピークと第３のピークとの間等の距離、又は隣接ピーク距離の重み付け平均）を演算しうる。ピーク間距離が許容範囲（バイタルサイン、例えば、呼吸、又は心拍に関連する）にある場合、暫定的な決定はバイタルサインが存在する（即ち、バイタルサインが検出される）ことであり、ピーク間距離は、バイタルサイン期間（特性関数が時間関数である場合）又はバイタルサイン周波数（特性関数が周波数関数である場合）である。そうではない場合、バイタルサインが存在しない（即ち、バイタルサインが検出されない）と決定される。
いくつかの実施形態では、Ａが第３の閾値（例えば、０．９、０．５、０．１）よりも大きい場合、時間最終決定／結論のために、バイタルサインが存在すると結論付けられる（即ち、バイタルサインが最終決定として検出されると宣言される）。Ａは特定の期間（例えば、１時間、３０分、１５分、５分、３分、１分）において暫定的に検出されるバイタルサインのパーセンテージである。
無線バイタルサインモニタリングの１つの用途は、図７３Ａ及び図７３Ｂに示されるような、無線ベースの車内人間存在検出システム７３００である。システム７３００は、自動車に結合されたアクセスポイント（ＡＰ）デバイス７３１０及び局（ＳＴＡ）デバイス７３２０を含む。ＳＴＡデバイス７３２０は、送信機（又はボット、又はタイプ１デバイス）としての役割を果たしてよく、受信機（又はオリジン、又はタイプ２デバイス）としての役割を果たすＡＰデバイス７３１０に、車内の無線チャネルを通じて無線信号を送信する。受信された無線信号は車内の人間（例えば、子供）の任意のバイタルサイン動作によって影響を受けうる無線チャネルのために、送信された無線信号とは異なる。したがって、受信された無線信号は、自動車内に存在する場合、バイタルサイン動作の情報を搬送する。いくつかの実施形態では、無線信号はＷｉ－Ｆｉ信号でありうる。検出は受信された無線信号から取得されたチャネル情報に基づいて、ベニュー（例えば、車両）における物体（例えば、人、ユーザ、ベビー）の任意のバイタルサイン（例えば、呼吸又は心拍又は周期的動作）を検出するために適用されうる。
図７３Ａは本開示のいくつかの実施形態による、システム７３００を含む自動車の側面斜視図を図示し、図７３Ｂは、システム７３００を含む自動車の上面斜視図を図示する。図７３Ａ及び図７３Ｂに示されるように、ＡＰデバイス７３１０はギア領域の近くに配置されうるか、又はダッシュボードに結合されてよく、ＳＴＡデバイス７３２０は後部座席の左側に配置されうる。この設定により、車内に完全なカバレッジを生成しうる。他の実施形態では、ＡＰデバイス７３１０及びＳＴＡデバイス７３２０の各々が無線バイタルサインモニタリングのために適用される同じ検出及び動作方法を用いて、車内の異なる位置に配置されうる。
図７４は本開示のいくつかの実施形態による、無線バイタルサイン検出システム、例えば、図７３Ａ及び図７３Ｂに示されるシステム７３００の例示的な方法７４００を示すフローチャートを示す。図７４に示されるように、動作７４１０において、ＡＰアンテナ及びＳＴＡアンテナが車内に配置され、システムのいくつかの初期セットアップが行われた後、ＳＴＡアンテナは車内の無線チャネルを通じて、無線信号、例えば、Ｗｉ－Ｆｉ信号をＡＰアンテナに送信しうる。受信された無線信号は、動作７４２０において、車内の無線チャネルのチャネル状態情報（ＣＳＩ）をキャプチャするために使用されうる。車内に生きている物体（例えば、子供）が存在する場合、捕捉されたＣＳＩは生きている物体の周期的バイタルサイン動作（例えば、呼吸又は心拍）の情報を含む。更に、キャプチャされたＣＳＩは車内の任意の他の動き（例えば、子供の非バイタルサインの動き）の情報も含む。
図７４に示される例では、取得されたＣＳＩが自動車内の呼吸を検出及びモニタリングするために呼吸エンジン７４３０に送信され、また、自動車内の任意の非バイタルサイン動作を検出するためにモーションエンジン７４４０にも送信される。
この例における呼吸エンジン７４３０は、一連の動作７４３１～７４３７を実行する。動作７４３１において、取得されたＣＳＩに対して位相ブースティングが適用される。例えば、呼吸エンジン７４３０は、クリーン位相＝
を演算しうる。清浄化された位相は、位相ブースティングのためにＣＳＩベクトルに追加の次元として追加されうる。いくつかの実施形態では、振幅クリーニングが必要な情報を除去するので、実行されない。
次いで、呼吸エンジン７４３０は、動作７４３２において、（時間）ウィンドウサイズ選択及び自己相関関数（ＡＣＦ）演算を実行しうる。ウィンドウサイズの選択は、初期検出遅延に直接関連するので、重要である。呼吸数を正確に検出するためには、かなり長いウィンドウサイズが望ましい。一方、より長いウィンドウサイズは、より長い検出遅延を引き起こす。
いくつかの実施形態では、高い性能並びに低い検出遅延を達成するために、ウィンドウサイズの変更又は変化が呼吸エンジン７４３０において使用される。初期遅延を低減するために、エンジン７４３０の始動時に小さなウィンドウサイズが使用される。ウィンドウサイズは、エンジン７４３０が安定した後、必要な長さまで増大される。
次いで、呼吸エンジン７４３０は、動作７４３３において、検出を改善するためにエンハンス技法を実行しうる。エンハンスメント技法は、呼吸トレースをエンハンスするためにＡＣＦスペクトルに適用されうる。これらのエンハンスメント技法はコントラスト伸張、スライシング、ヒストグラム等化、及び網膜に基づくいくつかのアルゴリズムを含むが、これらに限定されない画像エンハンスメント技法でありうる。動き及び呼吸検出に基づく子供存在検出（ＣＰＤ）の場合、ＡＣＦのピークをより顕著にするために、画像強調をＡＣＦに適用することもでき、したがって、呼吸数をより連続的にし、したがって、ＣＰＤの検出速度を改善しうる。いくつかの実施形態では、画像強調がチャネル情報の時系列のスペクトル解析／周波数成分解析後に呼吸推定トレースに直接適用することもできる。例えば、異なる送受信機リンク上のスペクトログラムは、それぞれ、異なるサブキャリアにわたってエンハンスされ、次いで、合成されうる。
図７４に示す例では、エンハンスメント技法が以下を含む。まず、ＡＣＦスペクトルに対してピークエンハンスメントを行う。値ｋは
のように実験から選択され、ここでｄｉｆｆ（ＡＣＦ）はＡＣＦ信号の隣接する値間の差を意味する。エンハンスメント後、信号は［０，１］範囲に正規化される。次いで、ヒストグラム等化が、正規化されたピークエンハンスされた信号に対して実行されうる。
次いで、呼吸エンジン７４３０は、動作７４３４において誤警報除去を実行しうる。いくつかの実施形態では、２つの技法を使用する２つのタイプの誤警報除去がある。動的時間伸縮（ＤＴＷ）は、所与の呼吸信号とエンジン７４３０から抽出された呼吸信号との間の類似性を測定するために使用されうる。抽出された呼吸信号が真の呼吸に対応する場合、ＤＴＷ値は、偽呼吸と比較して低くなる。図７５は、本開示のいくつかの実施形態による、真呼吸及び偽呼吸についてのＤＴＷ値分布７５００を示す。図７５は、ＤＴＷ閾値を決定するために使用されうる。
更に、雑音レベルを評価するために、抽出された信号に対するゼロクロスの個数が演算されうる。誤呼吸が真の呼吸信号よりも高い振動を示すので、誤呼吸信号に対しては多数のゼロクロスが予想される。いくつかの実施形態では、抽出された呼吸信号が０～１の範囲内である。したがって、ゼロクロスの個数を演算するとき、０．５を０番目のレベルと考えることができる。
次いで、呼吸エンジン７４３０は、動作７４３５においてピーク検出を実行しうる。いくつかの実施形態では、２つの連続するピーク間の差が呼吸サイクルの範囲内にある場合、それらのピークは呼吸数を演算するための潜在的なピークと見なされる。
次いで、呼吸エンジン７４３０は、動作７４３６において呼吸数演算を実行しうる。いくつかの実施形態では、呼吸数が動作７４３５からの２つの検出ピーク間の差によって演算される。
次いで、呼吸エンジン７４３０は、動作７４３７において呼吸インジケータを生成しうる。いくつかの実施形態では、１０秒のウィンドウ内に２／３／５を超える呼吸数が検出された場合、呼吸が検出されたことが示される。
呼吸インジケータは、動作子供存在検出（ＣＰＤ：child presence detection）インジケータ７４５０に送信されて、車内に子供存在があるかどうかを判定しうる。ＣＰＤインジケータ７４５０は、呼吸エンジン７４３０からの呼吸検出結果、並びにモーションエンジン７４４０からの動き検出結果に基づいて生成されうる。モーションエンジン７４４０は、取得されたＣＳＩに基づいてモーション検出動作７４４２を実行して、車内の任意の非呼吸又は非バイタル動作（モーション）を検出しうる。いくつかの実施形態では、呼吸及び／又は動作（モーション）が検出された場合、システムは、車内のベビーの存在を知らせる。
上述の方法を利用するこのＷｉ－Ｆｉベースの車内ＣＰＤシステムは、他のＷｉ－ＦｉベースのＣＰＤシステムよりも高い性能能力を有する。このアプローチは、大雨、車の周りの混雑したトラフィック等の厳しい環境条件に対してロバストである。いくつかの画像強調方法は検出能力を高めるために利用され、一方、誤警報除去方法はシステムを誤検出から解放しうる。
いくつかの実施形態では、固定ウィンドウ長の代わりに、可変ウィンドウ長を使用して呼吸スペクトルを演算する。ＡＣＦスペクトルを直接使用する代わりに、システムは検知性能を改善するために、ピークエンハンスメント及びヒストグラム等化を含む画像エンハンスメント技法を使用しうる。誤警報除去ステップ中、システムは真の呼吸信号と推定信号との間の構造的類似性を評価するためにＤＴＷを利用し、雑音レベルを決定するためにゼロクロスの個数を利用しうる。
図７６は、本開示のいくつかの実施形態による、無線支援信号推定のためのシステムの第１の無線デバイス、例えば、ボット７６００の例示的なブロック図を示す。ボット７６００は、本明細書で説明する様々な方法を実装するように構成されうるデバイスの一例である。図７６に示すように、ボット７６００は、プロセッサ７６０２と、メモリ７６０４と、送信機７６１２及び受信機７６１４を備えるトランシーバ７６１０と、同期コントローラ７６０６と、電力モジュール７６０８と、オプションのキャリアコンフィギュレータ７６２０と、無線信号発生器７６２２とを含むハウジング７６４０を含む。
この実施形態では、プロセッサ７６０２がボット７６００の全般的な動作を制御し、中央処理装置（ＣＰＵ）、及び／又は汎用マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブル論理デバイス（ＰＬＤ）、コントローラ、状態機械、ゲート論理、個別ハードウェアコンポーネント、専用ハードウェア有限状態機械、又はデータの演算若しくは他の操作を実行しうる任意の他の適切な回路、デバイス及び／若しくは構造等の１つ以上の処理回路又はモジュールを含みうる。
読取り専用メモリ（ＲＯＭ）とランダムアクセスメモリ（ＲＡＭ）の両方を含みうるメモリ７６０４は、命令とデータとをプロセッサ７６０２に与えることができる。メモリ７６０４の一部は、不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ）を含むこともできる。プロセッサ７６０２は一般に、メモリ７６０４内に記憶されたプログラム命令に基づいて論理演算及び算術演算を実行する。メモリ７６０４に記憶された命令（別名、ソフトウェア）は、本明細書で説明する方法を実行するためにプロセッサ７６０２によって実行されうる。プロセッサ７６０２及びメモリ７６０４は共に、ソフトウェアを格納し実行する処理システムを形成する。本明細書で使用される場合、「ソフトウェア」は、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード等と呼ばれるかどうかにかかわらず、１つ以上の所望の機能又はプロセスを実行するようにマシン又はデバイスを構成しうる任意のタイプの命令を意味する。命令は（例えば、ソースコード形式、バイナリコード形式、実行可能コード形式、又は任意の他の適切なコード形式の）コードを含みうる。命令は１つ以上のプロセッサによって実行されると、処理システムに、本明細書で説明する様々な機能を実行させる。
送信機７６１２及び受信機７６１４を含むトランシーバ７６１０は、ボット７６００が遠隔デバイス（例えば、起点又は別のボット）との間でデータを送受信することを可能にする。アンテナ７６５０は、典型的にはハウジング７６４０に取り付けられ、トランシーバ７６１０に電気的に結合される。様々な実施形態では、ボット７６００が複数の送信機、複数の受信機、及び複数のトランシーバを含む（図示せず）。一実施形態では、アンテナ７６５０は、それぞれが別個の方向を向く複数のビームを形成しうるマルチアンテナアレイ７６５０と置き換えられる。送信機７６１２は、異なるタイプ又は機能を有する信号を無線に送信するように構成されてよく、そのような信号はプロセッサ７６０２によって生成される。同様に、受信機７６１４は、異なるタイプ又は機能を有する無線信号を受信するように構成され、プロセッサ７６０２は、複数の異なるタイプの信号を処理するように構成される。
この例におけるボット７６００は、本明細書に開示されるシステムにおいて、ボット、タイプ１デバイス、送信機、又はＳＴＡとして機能しうる。例えば、無線信号生成器７６２２は送信機７６１２を介して、ベニュー内の無線チャネルを通じて無線信号を生成し、送信しうる。受信された無線信号は、無線チャネルのチャネル情報を搬送する。無線チャネルはベニュー内の物体の任意のバイタルサイン動作（例えば、呼吸、心拍等）による影響を受けるので、チャネル情報は、物体からのバイタルサイン情報を含む。したがって、バイタルサインは、受信された無線信号から取得されたチャネル情報に基づいて検出及びモニタリングされうる。無線信号生成器７６２２における無線信号の生成は別のデバイス、例えば、オリジンからの無線バイタルサインモニタリングの要求に基づくか、又はシステム事前構成に基づくことができる。即ち、ボット７６００は、送信された無線信号が無線バイタルサインモニタリングのために使用されることを知っても知らなくてもよい。無線センシング、モニタリング、及びトラッキングの他のアプリケーションは、同様に実行されうる。
この例における同期コントローラ７６０６は、ボット７６００の動作を、別のデバイス、例えば、起点又は別のボットと同期又は非同期になるように制御するように構成されうる。一実施形態では、同期コントローラ７６０６がボット７６００を、ボット７６００によって送信された無線信号を受信する起点と同期させるように制御しうる。別の実施形態では、同期コントローラ７６０６が他のボットと非同期に無線信号を送信するようにボット７６００を制御しうる。別の実施形態では、ボット７６００及び他のボットの各々が無線信号を個別に及び非同期に送信しうる。
キャリアコンフィギュレータ７６２０は、無線信号生成器７６２２によって生成された無線信号を送信するための送信リソース、例えば、時間及びキャリアを構成するための、ボット７６００内のオプションのコンポーネントである。一実施形態では、ＣＩの時系列の各ＣＩが無線信号の送信のキャリア又はサブキャリアにそれぞれ対応する１つ以上のコンポーネントを有する。無線サウンドセンシングは、コンポーネントの任意の１つ又は任意の組合せに基づきうる。
電力モジュール７６０８は、図７６の上述のモジュールの各々に調整された電力を提供するために、１つ以上の蓄電池等の電源と、電力調整器とを含みうる。いくつかの実施形態では、ボット７６００が専用外部電源（例えば、壁コンセント）に結合される場合、電力モジュール７６０８は変圧器及び電力調整器を含みうる。
上述の様々なモジュールは、バスシステム７６３０によって互いに結合される。バスシステム７６３０はデータバスと、データバスに加えて、例えば、電力バス、制御信号バス、及び／又はステータス信号バスとを含みうる。ボット７６００のモジュールは、任意の適切な技術及び媒体を使用して、互いに動作可能に結合されうることが理解される。
図７６には、いくつかの別個のモジュール又はコンポーネントが示されているが、モジュールのうちの１つ以上が組み合わされうるか、又は一般に実装されうることを、当業者は理解されよう。例えば、プロセッサ７６０２は、プロセッサ７６０２に関して上記で説明した機能を実装するだけでなく、無線信号生成器７６２２に関して上記で説明した機能も実装しうる。逆に、図７６に示されるモジュールの各々は、複数の別個のコンポーネント又は要素を使用して実装されうる。
図７７は、本教示の一実施形態による、無線支援信号推定のためのシステムの第２の無線デバイス、例えば、起点７７００の例示的なブロック図を示す。オリジン７７００は、本明細書で説明する様々な方法を実装するように構成されうるデバイスの一例である。この例におけるオリジン７７００は、本明細書で開示されるシステムにおいて、オリジン、受信機、タイプ２デバイス、又はＡＰとして機能しうる。図７７に示されるように、起点７７００は、プロセッサ７７０２と、メモリ７７０４と、送信機７７１２及び受信機７７１４を備えるトランシーバ７７１０と、電力モジュール７７０８と、同期コントローラ７７０６と、チャネル情報抽出器７７２０と、オプションの動き検出器７７２２とを含むハウジング７７４０を含む。
この実施形態ではプロセッサ７７０２、メモリ７７０４、トランシーバ７７１０、及び電力モジュール７７０８はボット７６００内のプロセッサ７６０２、メモリ７６０４、トランシーバ７６１０、及び電力モジュール７６０８と同様に動作する。アンテナ７７５０又はマルチアンテナアレイ７７５０は、通常、ハウジング７７４０に取り付けられ、トランシーバ７７１０に電気的に結合される。
オリジン７７００は、第１の無線デバイス（例えば、ボット７６００）のタイプとは異なるタイプを有する第２の無線デバイスでありうる。特に、起点７７００内のチャネル情報抽出器７７２０は無線チャネルを介して無線信号を受信し、無線信号に基づいて無線チャネルの時系列のチャネル情報（ＣＩ）を取得するように構成される。チャネル情報抽出器７７２０は抽出されたＣＩを、オプションの動き検出器７７２２に、又はベニューにおける無線サウンドセンシングのために起点７７００の外部の動き検出器に送信しうる。
動き検出器７７２２は、原点７７００における任意のコンポーネントである。一実施形態では、それは図７７に示すように、起点７７００内にある。別の実施形態では、それは起点７７００の外側にあり、別のデバイス内にあり、ボット、別の起点、クラウドサーバ、フォグサーバ、ローカルサーバ、及びエッジサーバでありうる。オプションの動き検出器７７２２は、動き情報に基づいて、ベニュー内の振動する物体又は音源からの音情報を検出するように構成されうる。動き情報は、動き検出器７７２２又は原点７７００の外側の別の動き検出器によるＣＩの時系列に基づいて演算されうる。
この例における同期コントローラ７７０６は例えば、ボット、別の起点、又は独立した動き検出器等の別のデバイスと同期又は非同期になるように、起点７７００の動作を制御するように構成されうる。一実施形態では、同期コントローラ７７０６が無線信号を送信するボットと同期するようにオリジン７７００を制御しうる。別の実施形態では、同期コントローラ７７０６が他のオリジンと非同期に無線信号を受信するようにオリジン７７００を制御しうる。別の実施形態では、オリジン７７００及び他のオリジンの各々が無線信号を個別に及び非同期に受信しうる。一実施形態では、オプションの動き検出器７７２２又は原点７７００の外側の動き検出器がそれぞれの時系列のＣＩに基づいてそれぞれのヘテロジニアス動き情報を非同期に演算するように構成される。
上述の様々なモジュールは、バスシステム７７３０によって互いに結合される。バスシステム７７３０はデータバスと、データバスに加えて、例えば、電力バス、制御信号バス、及び／又はステータス信号バスとを含みうる。起点７７００のモジュールは、任意の適切な技術及び媒体を使用して、互いに動作可能に結合されうることが理解される。
図７７には、いくつかの別個のモジュール又はコンポーネントが示されているが、モジュールのうちの１つ以上が組み合わされうるか、又は一般に実装されうることを、当業者は理解されよう。例えば、プロセッサ７７０２は、プロセッサ７７０２に関して上記で説明した機能を実装するだけでなく、チャネル情報抽出器７７２０に関して上記で説明した機能も実装しうる。逆に、図７７に示されるモジュールの各々は、複数の別個のコンポーネント又は要素を使用して実装されうる。
図７８は、本開示のいくつかの実施形態による、無線支援信号推定のための例示的な方法７８００のフローチャートを示す。様々な実施形態では、方法７８００が上記で開示したシステムによって実行しうる。動作７８０２において、無線信号がベニューの無線チャネルを介して送信される。動作７８０４において、無線信号が無線チャネルを介して受信される。受信された無線信号はベニューにおける物体のバイタルサインの周期的動作による影響を受ける無線チャネルにより、送信された無線信号とは異なる。動作７８０６において、無線チャネルの時系列のチャネル情報（ＣＩ）が、受信された無線信号に基づいて取得される。動作７８０８において、ＣＩの時系列（ＴＳＣＩ）の２次元（２Ｄ）分解が演算される。次に、動作７８１０において、２Ｄ分解がエンハンスされる。動作７８１２において、エンハンスされた２Ｄ分解に基づいて、バイタルサインの周期的動作がモニタリングされる。図７８の動作の順序は、本教示の様々な実施形態に従って変更されうる。
いくつかの実施形態では、バイタルサイン検出は、タイプ１デバイスからタイプ２デバイスへの無線サウンディング信号から取得されたＴＳＣＩの２Ｄ分解に基づく。
以下の番号付けされた項は、無線バイタルサインモニタリングの例を示している。
項Ｊ１．無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、無線センシングシステムのタイプ１のヘテロジニアス無線デバイスから、ベニューの無線マルチパスチャネルを通じて無線信号を送信することであって、無線マルチパスチャネルは、ベニュー内の物体のバイタルサイン動作による影響を受ける、ことと、当該システムのタイプ２ヘテロジニアス無線デバイスによって、無線マルチパスチャネルを通じて無線信号を受信することであって、受信される無線信号は、ベニューの無線マルチパスチャネル及び物体の周期的バイタルサイン動作に起因して、送信された無線信号とは異なる、ことと、プロセッサ、メモリ及び命令のセットを使用して、受信された無線信号に基づいて、無線マルチパスチャネルの時系列のチャネル情報（ＣＩ）を取得することと、時系列のＣＩ（ＴＳＣＩ）の２次元（２Ｄ）分解を演算することと、２Ｄ分解をエンハンスすることと、エンハンスされた２Ｄ分解に基づいて、バイタルサイン動作をモニタすることと、を含む。
項Ｊ２．項Ｊ１の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、
ＴＳＣＩに基づいて、時系列のＣＩ特徴（ＴＳＣＦ）を演算することであって、各ＣＩ特徴（ＣＦ）は、個別のＣＩの基本特徴と、対応する雑音除去されたＣＩの別の基本特徴との連結を含み、任意のＣＩの基本特徴は、ＣＩ、ＣＩの大きさ、ＣＩの位相、ＣＩの成分の大きさ、ＣＩの成分の大きさ、ＣＩの成分の位相、大きさの関数、又は位相の関数のうちの少なくとも１つを含み、雑音除去されたＣＩは、ＴＳＣＩを、第１の雑音除去フィルタで処理することによって演算され、第１の雑音除去フィルタは、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、重み付け和、重み付け差、重み付け平均、中央値フィルタ、パーセンタイルフィルタ、ＣＩコンポーネントワイズ雑音除去フィルタのうちの少なくとも１つを含む、ことと、
ＴＳＣＦに基づいて、２Ｄ分解を演算することと、を含む。
ＴＳＣＩに基づいて、時系列のＣＩ特徴（ＴＳＣＦ）を演算することであって、各ＣＩ特徴（ＣＦ）は、個別のＣＩの基本特徴と、対応する雑音除去されたＣＩの別の基本特徴との連結を含み、任意のＣＩの基本特徴は、ＣＩ、ＣＩの大きさ、ＣＩの位相、ＣＩの成分の大きさ、ＣＩの成分の大きさ、ＣＩの成分の位相、大きさの関数、又は位相の関数のうちの少なくとも１つを含み、雑音除去されたＣＩは、ＴＳＣＩを、第１の雑音除去フィルタで処理することによって演算され、第１の雑音除去フィルタは、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、重み付け和、重み付け差、重み付け平均、中央値フィルタ、パーセンタイルフィルタ、ＣＩコンポーネントワイズ雑音除去フィルタのうちの少なくとも１つを含む、ことと、
ＴＳＣＦに基づいて、２Ｄ分解を演算することと、を含む。
いくつかの実施形態では、システムは、スライディング時間ウィンドウごとに１Ｄ特性関数を演算し、１Ｄ特性関数に基づいて２Ｄ分解を構築しうる。
項Ｊ３．項Ｊ２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、各スライディング時間ウィンドウがタイムスタンプと関連付けられた、スライディング時間ウィンドウの系列を決定することと、各スライディング時間ウィンドウにおけるＴＳＣＦのＣＦの個別の１次元（１Ｄ）特性関数を演算することと、各スライディング時間ウィンドウにおける個別の１Ｄ特性関数に基づいて、２Ｄ分解を構築することと、を含む。
いくつかの実施形態では、システムは、ＡＣＦ又はＳＴＦＴ等の変換に基づいて、１Ｄ特性関数を演算しうる。
項Ｊ４．項Ｊ３の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、個別のスライディング時間ウィンドウにおけるＴＳＣＦのＣＦの変換に基づいて、個別の１Ｄ特性関数を演算することを含み、当該変換は、周波数変換、周波数領域への変換、短時間フーリエ変換（ＳＴＦＴ）、ウェーブレット変換、フィルタバンク表現、スペクトル分析、高調波分析、フーリエ分析、多分解能分析、時間変換、時間シフト領域への変換、自己相関関数（ＡＣＦ）、自己共分散関数、時間周波数分解、時間周波数表現、又はスペクトログラムのうちの少なくとも１つを含む。
いくつかの実施形態では、システムは、１Ｄ特性関数を整列させてアライメントさせることで、２Ｄ分解である２Ｄ行列を構築できる。
項Ｊ５．項Ｊ４の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、関連付けられたタイムスタンプに従って時間順に１Ｄ特性関数を整列させることによって、それらをアライメントさせることによって２Ｄ行列を構築することを含み、当該２Ｄ行列のｉ番目の列は、ｉ番目のスライディング時間ウィンドウと関連付けられた１Ｄ特性関数であり、当該２Ｄ行列のｊ番目の行は、ｊ個の時間単位の時間シフトと関連付けられ、ｉ番目の列及びｊ番目の行における行列要素は、ｊ個の時間単位の時間シフトを伴うｉ番目のスライディング時間ウィンドウにおける１Ｄ特性関数の値であり、当該２Ｄ行列は２Ｄ分解である。
いくつかの実施形態では、システムは、垂直ハイパスフィルタリング及び水平ローパスフィルタを用いて２Ｄ行列をエンハンス（処理）しうる。
項Ｊ６．項Ｊ５の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、２Ｄ行列の各行列要素に、垂直ハイパスフィルタリング又は水平ローパスフィルタリングのいずれか又はその両方を適用することによって２Ｄ分解をエンハンスすることを含む。
いくつかの実施形態では、フィルタは、１Ｄ垂直フィルタと１Ｄ水平フィルタとに分離可能でありうる２Ｄフィルタでありうる。異なる行列要素は、異なるフィルタを有しうる。
項Ｊ７．項Ｊ６の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、２Ｄ行列の各行列要素を、個別の２Ｄ垂直ハイパス水平ローパスフィルタでフィルタリングすることを含み、２Ｄフィルタは、分離可能又は非分離可能のうちの１つであり、２Ｄフィルタは、線形又は非線形のいずれかである。
いくつかの実施形態では、フィルタは、１Ｄ垂直ハイパスフィルタ及び１Ｄ水平ローパスフィルタに分解されるように分離可能でありうる。
項Ｊ８．項Ｊ７の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、２Ｄ行列の各行列要素を個別の垂直ハイパスフィルタでフィルタリングすること、又は２Ｄ行列の各行列要素を個別の水平ローパスフィルタでフィルタリングすることのうちの少なくとも１つによって、２Ｄ分解をエンハンスすることを含み、任意のフィルタは線形又は非線形のいずれかである。
いくつかの実施形態では、同じ垂直ハイパスフィルタが列の全体／一部、又は行の全体／一部に対するものであり、又は同じ水平ローパスフィルタが列の全体／一部、又は全体行／一部に対するものである。
項Ｊ９．項Ｊ８の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、２Ｄ行列の各列の一部を個別の第１の共通垂直ハイパスフィルタでフィルタリングすること、又は２Ｄ行列の各行の一部を個別の第２の共通垂直ハイパスフィルタでフィルタリングすること、又は２Ｄ行列の各列の一部を個別の第１の共通水平ローパスフィルタでフィルタリングすること、又は２Ｄ行列の各行の一部を個別の第２の共通水平ローパスフィルタでフィルタリングすることのうちの少なくとも１つによって、２Ｄ分解をエンハンスすることを含む。
いくつかの実施形態では、垂直ハイパスフィルタは、垂直方向又はほぼ垂直方向のいずれかに適用される１Ｄフィルタである。
項Ｊ１０．項Ｊ８の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、垂直ハイパスフィルタは、垂直方向又はほぼ垂直方向に適用される指向性１Ｄハイパスフィルタである。
いくつかの実施形態では、水平ローパスフィルタは、水平方向又はほぼ水平方向のいずれかに適用される１Ｄフィルタである。
項Ｊ１１．項Ｊ８の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、水平ローパスフィルタは、水平方向又はほぼ水平方向に適用される指向性１Ｄローパスフィルタである。
いくつかの実施形態では、それぞれが垂直ハイパス又は水平ローパスのいずれかである、一連の２つ以上のフィルタが存在しうる。
項Ｊ１２．項Ｊ８の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、それぞれが垂直ハイパスフィルタ又は水平ローパスフィルタのいずれかである、一連の少なくとも２つの１Ｄフィルタで、２Ｄ行列の各行列要素をフィルタリングすることを含む。
いくつかの実施形態では、ヒストグラム等化が実行される。
項Ｊ１３．項Ｊ８の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、２Ｄ行列のいくつかの連続する列にヒストグラム等化を適用することによって２Ｄ分解をエンハンスすることを含む。
いくつかの実施形態では、システムは、ＤＴＷに基づいてマッチングスコアを演算しうる。マッチングスコアが閾値よりも大きい（即ち、マッチングが不良である）場合、バイタルサインは存在しない。
項Ｊ１４．項Ｊ１３の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、基準列と、特定の時間と関連付けられたエンハンスされた２Ｄ行列の特定の列との間の動的時間伸縮（ＤＴＷ）に基づいて、距離スコアを演算することであって、基準列は、ＤＴＷに基づいてマッチングされた、ある個数のトレーニング列をクラスタリングすることによって、トレーニングセッションにおいて演算され、トレーニング列は、バイタルサインを有するトレーニング物体が存在する場合に送信され、受信されたトレーニング無線信号から取得されたトレーニングＴＳＣＩに基づいて演算される、ことを含み、距離スコアが第１の閾値よりも大きい場合、物体のバイタルサイン動作は特定の時間において暫定的に検出されない。
いくつかの実施形態では、システムはゼロクロススコアを演算しうる。ゼロクロススコアが閾値より大きい（即ち、雑音が多い）場合、バイタルサインは存在しない。
項Ｊ１５．項Ｊ１４の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、エンハンスされた２Ｄ行列の特定の列の各行列要素から、ある量を減算することと、当該特定の列のゼロクロスカウントを演算することと、を含み、ゼロクロスカウントが第２の閾値より大きい場合、物体のバイタルサイン動作は当該特定の時間に暫定的に検出されない。
いくつかの実施形態において、システムは、ピーク間距離を演算しうる。ピーク間距離が許容レンジ内にない場合、バイタルサインは存在しない。ピーク間距離が許容レンジ内にある場合、バイタルサインが検出される。検出されたバイタルサインの周期／周波数は、ピーク間距離に基づいて演算されうる。
項Ｊ１６．Ｊ１５節の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、エンハンスされた２Ｄ行列の特定の列の２つ以上のピーク（極大値）を演算することと、２つ以上のピークに基づいてピーク間距離を演算することと、を含み、ピーク間距離が許容レンジ内にある場合、物体のバイタルサイン動作は特定の時間に暫定的に検出され、バイタルサインの周波数又は期間のうちの１つは、ピーク間距離に等しく、ピーク間距離が許容レンジ内にない場合、物体のバイタルサイン動作は特定の時間に暫定的に検出されない。
いくつかの実施形態では、バイタルサインが閾値より高いパーセンテージで暫定的に検出される場合に、バイタルサインは検出される。
項Ｊ１７．項Ｊ１６の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、Ａが第３の閾値よりも大きい場合に、物体のバイタルサイン動作を検出することを含み、Ａは、ある期間において暫定的に検出されるバイタルサインのパーセンテージである。
いくつかの実施形態では、システムは、いかなるメディア入力（例えば、ビデオ、又は画像／ビジュアル、又はオーディオ若しくは音声若しくはサウンド）も、送信機（タイプ１デバイス）によって無線信号で送信されるいかなるデータも使用することなく、無線信号に基づいて（即ち、受信された無線信号から取得されたＣＩに基づいて）音声アクティビティを検出いうる。
項Ｊ１８．無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、プロセッサ、メモリ及びシステムのデバイスの命令セットを使用して、いかなるメディア信号も使用することなく、無線信号に基づいて音声アクティビティを検出することを含む。
いくつかの実施形態では、無線信号が、タイプ１デバイスによって送信され、タイプ２デバイスによって受信される。ＴＳＣＩは、受信された無線信号に基づいてタイプ２デバイスにおいて取得される。
項Ｊ１９．項Ｊ１８の無線バイタルサインモニタリングシステムの時間／デバイス／システム／ソフトウェアであって、無線信号は、ベニューにおいてシステムのタイプ１ヘテロジニアス無線デバイスによって送信される無線信号であり、当該無線信号は、ベニューの無線マルチパスチャネルを通じてシステムのタイプ２ヘテロジニアス無線デバイスによって受信され、当該無線マルチパスチャネルは、ベニューにおける音声アクティビティによる影響を受け、受信された無線信号に基づいて、無線マルチパスチャネルの時系列のチャネル情報（ＣＩ）を取得することと、無線マルチパスチャネルの時系列のＣＩ（ＴＳＣＩ）に基づいて、音声アクティビティを検出することと、を含む。
項Ｊ２０．Ｊ１９の無線バイタルサインモニタリングシステムの方法／システム／ソフトウェアであって、
無線信号は、データ通信信号、無線ネットワーク信号、標準準拠信号、無線ローカルエリアネットワーク（ＷＬＡＮ）信号、ＷｉＦｉ信号、ＩＥＥＥ ８０２信号、ＩＥＥＥ ８０２．１１信号、ＩＥＥＥ ８０２．１１ｂｆ信号、ＩＥＥＥ ８０２指向性マルチギガビット（ＤＭＧ）信号、無線通信ネットワーク信号、３ＧＰＰ信号、４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／８Ｇ信号、無線センシング信号、無線サウンディング信号、レーダ信号、ミリ波信号、ＵＷＢ信号、又は４０ｋＨｚを超える電磁信号のうちの少なくとも１つを含み、
メディア信号は、マイクロフォン信号、音声（speech）信号、音声（vocal）信号、オーディオ信号、４０ｋＨｚ未満の信号、音響信号、可聴信号、テレフォニー信号、電話会議信号、音声電話信号、会議呼信号、映像信号、ビデオ信号、ビデオ電話信号、ビデオ会議信号、メディアストリーミング信号、又はマルチメディア信号のうちの少なくとも１つを含む。
無線信号は、データ通信信号、無線ネットワーク信号、標準準拠信号、無線ローカルエリアネットワーク（ＷＬＡＮ）信号、ＷｉＦｉ信号、ＩＥＥＥ ８０２信号、ＩＥＥＥ ８０２．１１信号、ＩＥＥＥ ８０２．１１ｂｆ信号、ＩＥＥＥ ８０２指向性マルチギガビット（ＤＭＧ）信号、無線通信ネットワーク信号、３ＧＰＰ信号、４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／８Ｇ信号、無線センシング信号、無線サウンディング信号、レーダ信号、ミリ波信号、ＵＷＢ信号、又は４０ｋＨｚを超える電磁信号のうちの少なくとも１つを含み、
メディア信号は、マイクロフォン信号、音声（speech）信号、音声（vocal）信号、オーディオ信号、４０ｋＨｚ未満の信号、音響信号、可聴信号、テレフォニー信号、電話会議信号、音声電話信号、会議呼信号、映像信号、ビデオ信号、ビデオ電話信号、ビデオ会議信号、メディアストリーミング信号、又はマルチメディア信号のうちの少なくとも１つを含む。
いくつかの実施形態では、無線信号内のデータペイロードは使用されない。
項Ｊ２１．項Ｊ２０の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、無線信号はデータ通信信号であり、データ通信信号において伝達されるデータペイロードを使用することなく音声アクティビティを検出することを含む。
いくつかの実施形態では、無線信号内のメディアデータは使用されない。
項Ｊ２２．第Ｊ２１条の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、データ通信信号において伝達されるいかなるメディア信号データも使用することなく音声アクティビティを検出することを含む。
いくつかの実施形態では、音声アクティビティは、ターゲット音声ソースによって生成される。
項Ｊ２３．項Ｊ２２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、無線信号に基づいて、ベニュー内のターゲット音声ソースの音声アクティビティを検出することを含み、無線マルチパスチャネルは、ターゲット音声ソースの音声生成動作による影響を受ける。
いくつかの実施形態では、音声関連無線機能（ＴＳＲＦ）は帯域制限される。電話音声信号は、帯域制限された４ｋＨｚでありうる。音声信号は、７ｋＨｚに帯域制限されうる。音声は、２０ｋＨｚに帯域制限されうる。ＴＳＲＦは、１／１０／１００／１０００／１００００／１０００００／１００００００Ｈｚの半分でありうるサウンディング周波数の半分に帯域制限されうる。ここで安全に再生するために、ＴＳＲＦは、１ＭＨｚに帯域制限されうる。また、１００ｋＨｚ又は１０ｋＨｚに帯域制限されてもよい。
項Ｊ２４．項Ｊ２３の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＴＳＣＩに基づいて時系列の無線特徴（ＴＳＲＦ）を演算することであって、ＴＳＲＦの各無線特徴（ＲＦ）は、ＴＳＣＩの個別のスライディングウィンドウに基づいて演算され、ＴＳＲＦは、１ＭＨｚに帯域制限されたベースバンド信号である、ことと、ＴＳＲＦに基づいて音声アクティビティを検出することと、を含む。
いくつかの実施形態では、システムは、音声（voice/speech）の存在を示唆する音声関連特性（例えば、ピッチ、ピッチの高調波、ピッチの時間プロファイル）を検出することによって、音声アクティビティを検出しうる。
項Ｊ２５．項Ｊ２４の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける音声関連特性を検出することと、ＴＳＲＦにおける検出された音声関連特性に基づいて音声アクティビティを検出することと、を含む。
いくつかの実施形態では、ＴＳＲＦ（例えば、ピッチ、ピッチプロファイル、混合音声／無声音声等）において現れうる、本明細書に列挙される多くの音声関連特性がある。これらの音声特性は、音声と非音声（例えば、機械音、風音、環境音等）とを区別する。特に、有声音声（例えば、母音、一部の子音、液体等）はピッチを有する。無声音声（例えば、ほとんどの子音、摩擦音、破裂音）はピッチを有さない。母音は有声音である。一般的な人間のピッチは、５０Ｈｚから２５０Ｈｚの間である。
項Ｊ２６．項Ｊ２５の無線バイタルサインモニタリングシステムの方法／デバイス／ソフトウェアであって、音声関連特性は、音声特徴、母音、子音、摩擦音、摩擦音、破裂音、鼻、近似音、液体、側方、双唇音、口蓋音、歯槽音、フォン、音素、有声音、無声音、有声音のピッチ、基礎無線、音声関連無線範囲、音声関連無線範囲、音声の少なくとも１つの高調波、音声の少なくとも１つのフォルマント、時変ピッチ、ピッチプロファイル、音声関連時間トレンドのピッチ、トーン、音のトーン、プロソディック特徴、断続的有声音及び無声音のシーケンス、音楽特徴、発話タイミング、発話ペーシング、音楽タイミング、音楽ペーシング、又は環境音、のうちの少なくとも１つの特性を更に含む。
いくつかの実施形態では、ＴＳＲＦにおいて観測可能でありうる、現時点の瞬時ピッチが存在する。
項Ｊ２７．項Ｊ２６の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける現在の時間インスタンスに関連する瞬時ピッチを検出することであって、瞬時ピッチに関連する瞬時基本周波数は、下限閾値よりも大きく、上限閾値よりも小さい、ことと、検出された瞬時ピッチに基づいて音声アクティビティを検出することと、を更に含む。
人間の音声は多くの高調波を有することが多い。一部の高調波はＴＳＲＦにおいて観測可能でありうる。
項Ｊ２８．項Ｊ２７の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける現在の時間インスタンスに関連する瞬時ピッチの少なくとも１つの瞬時高調波を検出することであって、それぞれの個別の高調波に関連する周波数は、瞬時ピッチの瞬時基本周波数の整数倍である、ことと、ピッチの検出された瞬時高調波に基づいて音声アクティビティを検出することと、を更に含む。
瞬時ピッチを有することに加えて、人間の音声は時変ピッチを有する。人間の音声は、時変ピッチを使用して、トーン言語のトーン、発音、母音発音、子音発音等、多くのものを表現しうる。時変ピッチは、特定の時間ウィンドウ内のピッチを含む。
項Ｊ２９．項Ｊ２８の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＴＳＲＦにおける複数の個別の時間インスタンスに関連する複数の瞬時ピッチを含むピッチプロファイルを検出することであって、個別の時間インスタンスに関連する各瞬時ピッチは、下側閾値よりも大きく、上部閾値よりも小さい個別の瞬時基本周波数に関連する、ことと、ピッチプロファイルにおける複数の瞬時ピッチの音声関連時間トレンドを検出することと、検出されたピッチプロファイルと瞬時ピッチの検出された音声関連時間トレンドとに基づいて、音声アクティビティを検出することと、を更に含む。
いくつかの実施形態では、時変ピッチのいくつかの言語的／音声的に意味のある時間トレンドが存在する。
項Ｊ３０．Ｊ２９節の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、時間トレンドは、瞬時ピッチの局所連続性、瞬時周波数の局所連続性、瞬時高調波の周波数の局所連続性、習慣的ピッチ、長期ピッチ、習慣的ピッチの周辺のピッチの変化、ピッチ変化のタイミング又はペーシング、トーン内の高速ピッチ変化、又はプロソディを反映する低速ピッチ変化、のうちの少なくとも１つを含む。
いくつかの実施形態では、音声関連特性が、ニューラルネットワークを使用して時間領域で検出されうる。
項Ｊ３１．項Ｊ３０の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ニューラルネットワークを用いてＴＳＲＦを処理することと、ＴＳＦＲのニューラルネットワーク処理に基づいて音声関連特性を検出することと、を更に含む。
いくつかの実施形態では、ＴＳＲＦの周波数分解を実行するために、音声関連特性が周波数領域で検出されうる。
項Ｊ３２．項Ｊ３０の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、スペクトログラム、短時間フーリエ変換（ＳＴＦＴ）、ウェーブレット変換、フィルタバンク表現、高調波分析、フーリエ分析、多重解像度分析、時間－周波数分解、時間－周波数表現、ソノグラフ、ボイスプリント、ボイスグラム、又はウォーターフォールディスプレイ、のうちの少なくとも１つを演算することによって、ＴＳＲＦの周波数分解を演算することと、周波数分解に基づいて、音声関連特性を検出することと、を更に含む。
いくつかの実施形態では、音声関連特性は、ニューラルネットワークを使用して周波数領域で検出されうる。オプション機能は、ニューラルネットワークへの入力を生成するために、周波数分解に「重複及び連結（overlap and concatenate）」を適用することである。
項Ｊ３３．項Ｊ３２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ニューラルネットワークを用いてＴＳＲＦの周波数分解を処理することと、ＴＳＲＦの周波数分解のニューラルネットワーク処理に基づいて、音声関連特性を検出することと、を更に含む。
いくつかの実施形態では、音声関連特性は、いくつかのアルゴリズムを使用して（即ち、ニューラルネットワークを使用せずに）周波数領域において検出されうる。当該アルゴリズムは、ＴＳＲＦにおける音声関連特性の発現（例えば、ピッチ、高調波、局所連続性）を検出しうる。
項Ｊ３４．項Ｊ３２の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、音声関連特性は、音声アクティビティのピッチを含み、現在の時間インスタンスと関連付けられた時間ウィンドウ内のＴＳＲＦの周波数分解に基づいて瞬時ピッチを検出することとを更に含む。
いくつかの実施形態では、音声信号は、ピッチに加えて高調波を有しうる。高調波の一部は、ＴＳＲＦにおいて観測可能でありうる。
項Ｊ３５．項Ｊ３４の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、音声関連特性は、音声アクティビティのピッチの高調波を更に含み、現在の時間インスタンスと関連付けられた時間ウィンドウ内のＴＳＲＦの周波数分解に基づいて、瞬時高調波を検出することを更に含む。
いくつかの実施形態では、システムは、ビームフォーミングに基づいてターゲット音声ソースを識別しうる。第１のＴＳＣＩは、未加工のＴＳＣＩである。第２のＴＳＣＩは、未加工のＴＳＣＩのセットに対して実行されるビームフォーミングに基づいて演算される。
項Ｊ３６．項Ｊ３０の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、タイプ１デバイス又はタイプ２デバイスは、アンテナのアレイを有し、受信された無線信号に基づいて、無線マルチパスチャネルの未加工のＴＳＣＩのセットを取得することであって、各未加工のＴＳＣＩは、個別のアンテナと関連付けられる、ことと、アンテナのアレイと関連付けられた、受信された無線信号に基づいて取得された未加工のＴＳＣＩのセットに基づいて実行されるビームフォーミングに基づいて、指向性ＴＳＣＩのセットを取得することであって、各指向性ＴＳＣＩは、アンテナのアレイに対する方向と関連付けられ、ＴＳＣＩは特定の指向性ＴＳＣＩである、ことと、を更に含む。
いくつかの実施形態では、システムは、ビームフォーミングに基づいて非ターゲット音声ソースを抑制しうる。
項Ｊ３７．項Ｊ３６の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ターゲット音声ソースをＴＳＣＩの成分と関連付けることであって、個別の非同期音声生成動作を受ける少なくとも１つの非ターゲット音声ソースが存在し、無線チャネルが、少なくとも１つの非ターゲット音声ソースの個別の非同期音声生成動作によって非同期的に影響を受ける、ことと、各非ターゲット音声ソースを、ＴＳＣＩの異なる成分又は異なるの指向性ＴＳＣＩと関連付けることと、ＴＳＣＩの成分を選択することと、ＴＳＣＩの選択された成分に基づいてＴＳＲＦを演算することによって、少なくとも１つの非ターゲット音声ソースを拒絶することと、を更に含む。
項Ｊ３８．項Ｊ３７の無線バイタルサインモニタリングシステムの方法／デバイス／システム／ソフトウェアであって、ＴＳＣＩに基づいて演算されたＴＳＲＦに基づいて、ターゲット音声ソースの音声アクティビティを検出することと、別の指向性のＴＳＣＩに基づいて演算された別のＴＳＲＦに基づいて、非ターゲット音声ソースの別の音声アクティビティを検出することと、を更に含む。
以下の番号付けされた項は、無線バイタルサインモニタリングの例を示している。
項Ｋ１．無線バイタルサインモニタリングリングのためのシステムであって、ベニューの無線チャネルを通じて無線信号を送信するように構成された送信機と、無線チャネルを通じて無線信号を受信するように構成された受信機であって、受信される無線信号は、ベニュー内の物体のバイタルサインの周期的動作による影響を受ける無線チャネルに起因して、送信された無線信号とは異なる、受信機と、プロセッサとを備え、当該プロセッサは、受信された無線信号に基づいて、無線チャネルの時系列のＣＩ（チャネル情報）を取得することと、ＴＳＣＩ（時系列のＣＩ）の２Ｄ（２次元）分解を演算することと、２Ｄ分解をエンハンスすることと、エンハンスされた２Ｄ分解に基づいて、バイタルサインの周期的動作をモニタリングすることと、行うように構成される。
項Ｋ２．項Ｋ１のシステムであって、プロセッサは、ＴＳＣＩに基づいてＴＳＣＦ（時系列のＣＩ特徴）を演算することであって、各ＣＦ（ＣＩ特徴）は、それぞれのＣＩの基本特徴と、対応する雑音除去されたＣＩの基本特徴との連結を含み、任意のＣＩの基本特徴は、ＣＩ、ＣＩの大きさ、ＣＩの位相、ＣＩの成分の大きさ、又はＣＩの成分の位相、のうちの少なくとも１つを含み、雑音除去されたＣＩは、ＴＳＣＩを第１の雑音除去フィルタで処理することによって演算され、第１の雑音除去フィルタは、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、メディアンフィルタ、又はパーセンタイルフィルタ、のうちの少なくとも１つを含む、ことと、ＴＳＣＦに基づいて２Ｄ分解を演算することと、を行うように更に構成される。
項Ｋ３．項２のシステムであって、プロセッサは、スライディング時間ウィンドウの系列を決定することであって、各スライディング時間ウィンドウはタイムスタンプと関連付けられている、ことと、各スライディング時間ウィンドウにおけるＴＳＣＦのＣＦのそれぞれの１Ｄ（１次元）特性関数を演算することと、各スライディング時間ウィンドウにおけるそれぞれの１Ｄ特性関数に基づいて、２Ｄ分解を構築することと、を行うように更に構成される。
項Ｋ４．項Ｋ３のシステムであって、それぞれの１Ｄ特性関数は、各スライディング時間ウィンドウにおけるＴＳＣＦのＣＦの変換に基づいて演算され、当該変換は、周波数変換、周波数領域への変換、短時間フーリエ変換（ＳＴＦＴ）、ウェーブレット変換、フィルタバンク表現、時間変換、時間シフト領域への変換、自己相関関数（ＡＣＦ）、自己共分散関数、又は時間周波数分解、のうちの少なくとも１つを含む。
項Ｋ５．項Ｋ４のシステムであって、プロセッサは更に、関連付けられたタイムスタンプに従って時間順に、スライディング時間ウィンドウの１Ｄ特性関数を整列及びアライメントさせることによって２Ｄ行列を構築するように構成され、２Ｄ行列のｉ番目の列は、ｉ番目のスライディング時間ウィンドウと関連付けられた１Ｄ特性関数を表し、２Ｄ行列のｊ番目の行は、ｊ個の時間単位の時間シフトと関連付けられ、２Ｄ行列のｉ番目の列及びｊ番目の行における行列要素は、ｊ個の時間単位の時間シフトを伴う、ｉ番目のスライディング時間ウィンドウにおける１Ｄ特性関数の値であり、２Ｄ行列は２Ｄ分解の結果である。
項Ｋ６．項Ｋ５のシステムであって、プロセッサは更に、２Ｄ行列の各行列要素に、垂直ハイパスフィルタリング、水平ローパスフィルタリング、又はその両方を適用することによって、２Ｄ分解をエンハンスするように構成される。
項Ｋ７．項Ｋ６のシステムであって、プロセッサは更に、２Ｄ行列の各行列要素を、線形又は非線形のいずれかの、分離可能又は非分離可能なそれぞれの２Ｄ垂直ハイパス水平ローパスフィルタでフィルタリングするように構成される。
項Ｋ８．項Ｋ７のシステムであって、プロセッサは更に、個別の垂直ハイパスフィルタ又は個別の水平ローパスフィルタのうちの少なくとも１つで２Ｄ行列の各行列要素をフィルタリングすることによって、２Ｄ分解をエンハンスするように構成され、個別の垂直ハイパスフィルタ及び個別の水平ローパスフィルタの各々は線形又は非線形のいずれかである。
項Ｋ９．項Ｋ８のシステムであって、２Ｄ行列の各列の一部を個別の第１の共通垂直ハイパスフィルタでフィルタリングすること、２Ｄ行列の各行の一部を個別の第２の共通垂直ハイパスフィルタでフィルタリングすること、２Ｄ行列の各列の一部を個別の第１の共通水平ローパスフィルタでフィルタリングすること、又は２Ｄ行列の各行の一部を個別の第２の共通水平ローパスフィルタでフィルタリングすることのうちの少なくとも１つによって、２Ｄ分解をエンハンスすることを行うように構成される。
項Ｋ１０．項Ｋ９のシステムであって、垂直ハイパスフィルタは、垂直方向又はほぼ垂直方向に適用される指向性１Ｄハイパスフィルタである。
項Ｋ１１．項Ｋ１０のシステムであって、水平ローパスフィルタは、水平方向又はほぼ水平方向に適用される指向性１Ｄローパスフィルタである。
項Ｋ１２．項Ｋ１１のシステムであって、プロセッサは更に、それぞれが垂直ハイパスフィルタ又は水平ローパスフィルタのいずれかである、一連の少なくとも２つの１Ｄフィルタで、２Ｄ行列の各行列要素をフィルタリングするように構成される。
項Ｋ１３．項Ｋ１２のシステムであって、プロセッサは更に、２Ｄ行列のいくつかの連続する列にヒストグラム等化を適用することによって２Ｄ分解をエンハンスすることで、エンハンスされた２Ｄ行列を生成するように構成される。
項Ｋ１４．項Ｋ１３のシステムであって、プロセッサは更に、基準列と、特定の時間と関連付けられたエンハンスされた２Ｄ行列の特定の列との間の動的時間伸縮（ＤＴＷ）に基づいて、距離スコアを演算するように構成され、基準列は、ＤＴＷに基づいてマッチングされた、ある御数のトレーニング列をクラスタリングすることによって、トレーニングセッションにおいて演算され、トレーニング列は、バイタルサインを有するトレーニング物体が存在し、かつ、無線チャネルに影響を与える場合に無線チャネルを通じて受信されるトレーニング無線信号から取得される、トレーニングＴＳＣＩに基づいて演算され、距離スコアが第１の閾値よりも大きい場合、物体のバイタルサインの周期的動作は特定の時間において暫定的に検出されない。
項Ｋ１５．項Ｋ１４のシステムであって、プロセッサは更に、エンハンスされた２Ｄ行列の特定の列の各行列要素からある量を減算することと、当該特定の列のゼロクロスカウントを演算することと、を行うように構成され、ゼロクロスカウントが第２の閾値よりも大きい場合、物体のバイタルサインの周期的動作は当該特定の時間において暫定的に検出されない。
項Ｋ１６．項Ｋ１５のシステムであって、プロセッサは更に、エンハンスされた２Ｄ行列の特定の列の複数のピークを演算することと、当該複数のピークに基づいてピーク間距離を演算することと、を行うように構成される。
項Ｋ１７．項Ｋ１６のシステムであって、ピーク間距離が許容レンジ内にある場合、物体のバイタルサインの周期的動作は特定の時間に暫定的に検出され、ピーク間距離は、バイタルサインの周波数又は周期に等しいと判定され、ピーク間距離が許容レンジ内にない場合、物体のバイタルサインの周期的動作は当該特定の時間に暫定的に検出されない。
項Ｋ１８．項Ｋ１７のシステムであって、プロセッサは更に、Ｐが第３の閾値よりも大きい場合に、物体のバイタルサインを検出するように構成され、Ｐは、ある期間においてバイタルサインの周期的動作が暫定的に検出されるパーセンテージである。
項Ｋ１９．無線バイタルサインモニタリングのためのシステムの無線デバイスであって、プロセッサと、プロセッサに通信可能に結合されたメモリと、プロセッサに通信可能に結合された受信機と、を備え、システム内の追加の無線デバイスは、ベニューの無線チャネルを通じて無線信号を送信するように構成され、受信機は、無線チャネルを通じて無線信号を受信するように構成され、受信される無線信号は、ベニュー内の物体のバイタルサインの周期的動作による影響を受ける無線チャネルに起因して、送信された無線信号とは異なり、プロセッサは、受信された無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）を取得することと、時系列のＣＩ（ＴＳＣＩ）の２次元（２Ｄ）分解を演算することと、２Ｄ分解をエンハンスすることと、エンハンスされた２Ｄ分解に基づいて、バイタルサインの周期的動作をモニタリングすることと、を行うように構成される。
項Ｋ２０．無線バイタルサインモニタリングリングのための方法であって、ベニューの無線チャネルを通じて無線信号を送信することと、無線チャネルを通じて無線信号を受信することであって、受信される無線信号は、ベニュー内の物体のバイタルサインの周期的動作による影響を受ける無線チャネルに起因して、送信された無線信号とは異なる、ことと、受信された無線信号に基づいて、無線チャネルの時系列のチャネル情報（ＣＩ）を取得することと、時系列のＣＩ（ＴＳＣＩ）の２次元（２Ｄ）分解を演算することと、２Ｄ分解をエンハンスすることと、エンハンスされた２Ｄ分解に基づいて、バイタルサインの周期的動作をモニタリングすることと、を含む。
上述の特徴は、データ及び命令を受信し、データ及び命令をデータ記憶システム、少なくとも１つの入力デバイス、及び少なくとも１つの出力装置から送信するように結合された少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステム上で実行可能な１つ以上のコンピュータプログラムにおいて有利に実現されてもよい。コンピュータプログラムは、特定の活動を実行するために、又は特定の結果をもたらすために、コンピュータにおいて直接的又は間接的に使用されうる命令のセットである。コンピュータプログラムは、コンパイルされた又は解釈された言語を含む、任意の形態のプログラミング言語（例えば、Ｃ、Ｊａｖａ）で書かれてもよく、スタンドアロンプログラムとして、又はモジュール、コンポーネント、サブルーチン、ブラウザベースのウェブアプリケーション、又はコンピューティング環境での使用に適した他のユニットとしてを含む、任意の形態で展開されてもよい。
命令のプログラムの実行に適したプロセッサは、例えば、汎用及び専用マイクロプロセッサ、デジタル信号プロセッサ、並びに任意の種類のコンピュータの単一のプロセッサ又は複数のプロセッサ若しくはコアのうちの１つを含む。一般に、プロセッサは、読み出し専用メモリ又はランダムアクセスメモリ又はその両方から命令及びデータを受信する。コンピュータの必須要素は、命令を実行するためのプロセッサと、命令及びデータを記憶するための１つ以上のメモリとである。一般に、コンピュータはまた、データファイルを記憶するための１つ以上の大容量記憶デバイスを含むか、又はそれと通信するように動作可能に結合され、そのようなデバイスは、内蔵ハードディスク及びリムーバブルディスク等の磁気ディスク、光磁気ディスク、及び光ディスクを含む。コンピュータプログラム命令及びデータを有形に具現化するのに適した記憶装置は、例として、ＥＰＲＯＭ、ＥＥＰＲＯＭ、及びフラッシュメモリデバイス等の半導体メモリデバイス、内部ハードディスク及びリムーバブルディスク等の磁気ディスク、光磁気ディスク、並びにＣＤ－ＲＯＭ及びＤＶＤ－ＲＯＭディスクを含む、全ての形態の不揮発性メモリを含む。プロセッサ及びメモリは、ＡＳＩＣ（特定用途向け集積回路）によって補足されるか、又はＡＳＩＣに組み込まれうる。
本教示は多くの特定の実装の詳細を含むが、これらは本教示の範囲又は特許請求されうるもの限定として解釈されるべきではなく、むしろ、本教示の特定の実施形態に特有の特徴の説明として解釈されるべきである。別々の実施形態のコンテキストにおいて本明細書に記載される特定の特徴は、単一の実施形態において組み合わせて実施されてもよい。逆に、単一の実施形態のコンテキストで説明される様々な特徴は複数の実施形態において別々に、又は任意の適切な組み合わせで実装されてもよい。
同様に、動作が特定の順序で図面に描かれているが、これは所望の結果を達成するために、そのような動作が示された特定の順序で、又は連続的な順序で実行されること、又は全ての図示された動作が実行されることを必要とするものとして理解されるべきではない。特定の状況では、マルチタスク処理及び並列処理が有利でありうる。更に、上記の実施形態における様々なシステムコンポーネントの分離は全ての実施形態においてそのような分離を必要とするものとして理解されるべきではなく、説明されるプログラムコンポーネント及びシステムは概して、単一のソフトウェア製品に一緒に統合されうるか、又は複数のソフトウェア製品にパッケージ化されうることを理解されたい。
本主題の特定の実施形態について説明した。上記の特徴及びアーキテクチャの任意の組み合わせは、以下の特許請求の範囲内にあることが意図される。他の実施形態もまた、以下の特許請求の範囲内である。場合によっては、特許請求の範囲に列挙された動作が異なる順序で実行され、依然として望ましい結果を達成しうる。加えて、添付の図面に示されるプロセスは所望の結果を達成するために、必ずしも示される特定の順序、又は連続的な順序を必要としない。いくつかの実装形態では、マルチタスク処理及び並列処理が有利でありうる。
Claims (20)
- 無線ベースの睡眠トラッキングのためのシステムであって、
ベニューにおける無線マルチパスチャネルを通じて第１の無線信号を送信するように構成された送信機と、
前記無線マルチパスチャネルを通じて第２の無線信号を受信するように構成された受信機であって、前記第２の無線信号は、前記ベニュー内の物体の睡眠中動作による影響を受ける前記無線マルチパスチャネルに起因して、前記第１の無線信号とは異なる、前記受信機と、
プロセッサと、を備え、当該プロセッサは、
前記第２の無線信号に基づいて、前記無線マルチパスチャネルのＴＳＣＩ（時系列のチャネル情報）を取得することであって、前記ＴＳＣＩの各ＣＩ（チャネル情報）はＮ１個の成分を含み、Ｎ１は１より大きい正の整数である、ことと、
前記ＴＳＣＩの前記Ｎ１個の成分のうちの１つとそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、
前記Ｎ１個のコンポーネントワイズ分析値のうちで、大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することであって、Ｎ２はＮ１より小さい正の整数である、ことと、
前記ＴＳＣＩの前記大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、
前記少なくとも１つの第１の動き統計値に基づいて、前記物体の前記睡眠中動作をモニタリングすることと、
を行うように構成される、システム。 - 請求項１に記載のシステムであって、
前記大きさ上位Ｎ２個のコンポーネントワイズ分析値は、
前記Ｎ１個のコンポーネントワイズ分析値のそれぞれを閾値と比較すること、又は
前記Ｎ１個のコンポーネントワイズ分析値をソートすることで前記大きさ上位Ｎ２個のコンポーネントワイズ分析値を見つけること、
のうちの１つによって識別される、システム。 - 請求項２に記載のシステムであって、
前記プロセッサは更に、
時系列の第１の動き統計値を演算することであって、それぞれの第１の動き統計値はタイムスタンプと関連付けられている、ことと、
潜在的なＢＭＳ（睡眠中体動）のセットを演算することであって、各ＰＢＭＳ（潜在的ＢＭＳ）は前記時系列の第１の動き統計値の極大点又は局所ピークである、ことと、
ＰＢＭＳの前記セットに基づいて、前記物体の前記睡眠中動作をモニタリングすることと、
を行うように構成される、システム。 - 請求項３に記載のシステムであって、
前記プロセッサは更に、
ＰＢＭＳの前記セット内の各ＰＢＭＳと前記時系列の第１の動き統計値とに対して、ＢＭＳテストを実行することと、
前記ＰＢＭＳが前記ＢＭＳテストに失敗した場合に、当該ＰＢＭＳを、ＰＢＭＳの前記セットから除去することと、
を行うように構成される、システム。 - 請求項４に記載のシステムであって、
前記ＢＭＳテストは、各ＰＢＭＳの大きさ特徴に基づいて実行され、ここで、前記ＰＢＭＳは、前記ＰＢＭＳと関連付けられた第１の動き統計値の前記局所ピークが第１の閾値未満の大きさ特徴を有する場合に前記ＢＭＳテストに失敗し、
前記第１の閾値は、ある期間における、大きさ上位のある個数の第１の動き統計値についての前記大きさ特徴の重み付け平均と、所定の量と、のうちの少なくとも１つに基づいて適応的に演算される、システム。 - 請求項５に記載のシステムであって、
前記ＢＭＳテストは、各ＰＢＭＳと関連付けられた幅測度に基づいて実行され、前記ＰＢＭＳは、当該幅測度が第２の閾値より大きい場合に前記ＢＭＳテストに失敗する、システム。 - 請求項６に記載のシステムであって、
前記幅測度は、
前記第１の動き統計値が第１の目標値を下回る大きさ特徴を有する場合に、前記時系列の第１の動き統計値においてＰＢＭＳの左に最も近い点である左降下点を演算することと、
前記第１の動き統計値が第２の目標値を下回る大きさ特徴を有する場合に、前記時系列の第１の動き統計値においてＰＢＭＳの右に最も近い点である右降下点を演算することと、
前記左降下点と前記右降下点との間の時間差として前記幅測度を演算することと、
に基づいて演算される、システム。 - 請求項７に記載のシステムであって、
前記第１の目標値又は前記第２の目標値のうちの少なくとも１つは、前記ＰＢＭＳにおける前記第１の動き統計値のピーク大きさ特徴に基づく適応閾値である、システム。 - 請求項８に記載のシステムであって、
前記ＢＭＳテストは、各ＰＢＭＳと関連付けられた高さ測度に基づいて実行され、前記ＰＢＭＳは、前記高さ測度が第３の閾値未満である場合に前記ＢＭＳテストに失敗する、システム。 - 請求項９に記載のシステムであって、
前記高さ測度は、
前記時系列の第１の動き統計値において前記ＰＢＭＳの左に隣接する１番目の最小点である左最小点、又は前記時系列の第１の動き統計値において前記ＰＢＭＳの右に隣接する１番目の最小点である右最小点のうちの少なくとも１つを演算することと、
前記高さ測度を、
前記ＰＢＭＳと前記左最小点との間の、前記第１の動き統計値の第１の大きさ特徴の差分、
前記ＰＢＭＳと前記右最小点との間の、前記第１の動き統計値の前記第１の大きさ特徴の差分、
前記ＰＢＭＳと前記左最小点との間の、前記第１の動き統計値の第２の大きさ特徴の商、
前記ＰＢＭＳと前記右最小点との間の、前記第１の動き統計値の前記第２の大きさ特徴の商、
のうちの少なくとも１つに基づいて演算することと、
に基づいて演算される、システム。 - 請求項１０に記載のシステムであって、
前記プロセッサは更に、
前記高さ測度の増加関数と前記幅測度の減少関数とに基づいて、プロミネンス測度を演算することであって、前記ＰＢＭＳは、前記プロミネンス測度が第４の閾値未満である場合に前記ＢＭＳテストに失敗する、ことを行うように構成される、システム。 - 請求項１１に記載のシステムであって、
前記プロセッサは更に、
前記ＰＢＭＳからの第１の時間差における、前記時系列の第１の動き統計値におけるＰＢＭＳの左の点である左降下点を演算することと、
前記ＰＢＭＳからの第２の時間差における、前記時系列の第１の動き統計値におけるＰＢＭＳの左の点である左境界点を演算することと、
前記ＰＢＭＳからの第３の時間差における、前記時系列の第１の動き統計値におけるＰＢＭＳの右の点である右降下点を演算することと、
前記ＰＢＭＳからの第４の時間差における、前記時系列の第１の動き統計値におけるＰＢＭＳの右の点である右境界点を演算することと、
前記左降下点、前記左境界点、前記右降下点、及び前記右境界点に基づいて演算された近傍優勢測度に基づいて、前記ＢＭＳテストを実行することであって、前記ＰＢＭＳは、前記近傍優勢測度が第５の閾値より大きい場合に前記ＢＭＳテストに失敗する、ことと、
を行うように構成される、システム。 - 請求項１２に記載のシステムであって、
前記プロセッサは更に、
前記ＰＢＭＳの周辺の期間における前記物体の存在を、当該期間における第１の動き統計値に基づいて検出することと、
前記検出に基づいて前記ＢＭＳテストを実行することであって、前記ＰＢＭＳは、前記期間において前記物体の存在が検出されない場合に前記ＢＭＳテストに失敗する、ことと、
を行うように構成される、システム。 - 請求項１３に記載のシステムであって、
前記プロセッサは更に、
前記第１の動き統計値に基づいて、前記期間内の各時間における前記物体の動きを検出することを行うように構成され、
前記期間内の任意の時間において前記物体の前記動きが検出された場合に、前記期間において前記物体の前記存在が検出され、
前記物体の前記動きは、その時間における前記第１の動き統計値が第６の閾値よりも大きい、又は前記ＴＳＣＩに基づいて演算された、その時間における第２の動き統計値が第７の閾値よりも大きい時間に検出される、システム。 - 請求項１４に記載のシステムであって、
前記プロセッサは更に、
前記期間における第１の動き統計値に基づいて、前記ＰＢＭＳの周辺の期間における前記物体の非睡眠アクティビティを検出することであって、前記物体の前記非睡眠アクティビティは、前記期間における、前記物体の前記動きが検出される時間の割合が第８の閾値より大きい場合に検出される、ことと、
前記物体の前記非睡眠アクティビティの検出に基づいて、前記ＢＭＳテストを実行することであって、前記ＰＢＭＳは、前記期間において前記物体の非睡眠アクティビティが検出された場合に前記ＢＭＳテストに失敗する、ことと、
を行うように構成される、システム。 - 請求項１５に記載のシステムであって、
前記プロセッサは更に、
前記ＰＢＭＳと隣接ＰＢＭＳとの間の時間差に基づいて前記ＢＭＳテストを実行することであって、前記ＰＢＭＳは、前記時間差が第９の閾値未満である場合に前記ＢＭＳテストに失敗する、ことと、
前記時間差が第１０の閾値未満である場合に、前記ＰＢＭＳと前記隣接ＰＢＭＳとをマージすることと、
を行うように構成される、システム。 - 請求項１６に記載のシステムであって、
前記プロセッサは更に、
ある期間にわたるＴＳＳＬ（時系列の睡眠尤度）の時系列を演算することであって、各ＳＬ（睡眠尤度）は、ある時間と関連付けられ、各ＳＬは、当該時間における動き強度と、当該時間と関連付けられた期間におけるＰＢＭＳのカウントとに基づいて演算される、ことと、
前記期間にわたるＴＳＳＩ（時系列の睡眠インジケータ）を演算することであって、各ＳＩ（睡眠インジケータ）は、個別のＳＬと閾値との比較に基づいて演算される、ことと、
前記ＴＳＳＬと前記ＴＳＳＩとに基づいて、前記物体の睡眠中動作をモニタリングすることと、
を行うように構成される、システム。 - 請求項１７に記載のシステムであって、
前記プロセッサは更に、
前記期間にわたる時系列のＴＳ（テストスコア）を演算することであって、各ＴＳが、前記ＳＬと、前記ＳＩと、大きな動き強度に対するペナルティとに基づいている、ことと、
前記期間を、ある個数の重複しない時間単位に分割することと、
各時間単位にわたるテストスコアの総和を演算することと、
前記重複しない時間単位のうちで、テストスコアの総和が最も大きい時間単位を識別し、睡眠期間を時間単位として初期化し、ＴＴＳ（総テストスコア）を、テストスコアの関連する最大の総和として初期化することと、
前記睡眠期間の右又は左のいずれかに、隣接するインクリメント時間ウィンドウを追加することによって、前記睡眠期間を反復的に拡張し、前記インクリメント時間ウィンドウと関連付けられた前記ＴＳをＴＴＳに追加することによって、前記ＴＴＳを反復的に更新することと、
各反復において、前記睡眠期間が、前記物体の典型的な睡眠持続時間に近づく又はそれを超える持続時間を有する場合に、前記ＴＴＳにペナルティを追加することと、
停止基準に基づいて前記反復を停止することと、
前記睡眠期間と、前記ＴＴＳと、前記ＴＳと、前記ＰＢＭＳと、前記睡眠期間における前記第１の動き統計値とに基づいて、前記物体の前記睡眠中動作をモニタリングすることと、
を行うように構成される、システム。 - 請求項１８に記載のシステムであって、
前記プロセッサは更に、
前記睡眠期間と、前記ＴＴＳと、前記ＴＳと、前記ＰＢＭＳと、前記睡眠期間における前記第１の動き統計値とに基づいて、睡眠分析値を演算することを行うように構成されており、
前記Ｎ１個のコンポーネントワイズ分析値のそれぞれは、前記ＴＳＣＩのＣＩのペアに基づくペアワイズ分析値であり、
との解析であり、
前記Ｎ１個のコンポーネントワイズ分析値のそれぞれは、解析の各々は、前記ＴＳＣＩのＣＩの前記ペアのそれぞれの成分に基づいて演算される、システム。 - 無線ベースの睡眠トラッキングのための方法であって、
ベニューにおける無線マルチパスチャネルを通じて第１の無線信号を送信することと、
前記無線マルチパスチャネルを通じて第２の無線信号を受信することであって、前記第２の無線信号は、前記ベニュー内の物体の睡眠中動作による影響を受ける前記無線マルチパスチャネルに起因して、前記第１の無線信号とは異なる、ことと、
前記第２の無線信号に基づいて、前記無線マルチパスチャネルのＴＳＣＩ（時系列のチャネル情報）を取得することであって、前記ＴＳＣＩの各ＣＩ（チャネル情報）はＮ１個の成分を含み、Ｎ１は１より大きい正の整数である、ことと、
前記ＴＳＣＩの前記Ｎ１個の成分のうちの１つとそれぞれ関連付けられたＮ１個のコンポーネントワイズ分析値を演算することと、
前記Ｎ１個のコンポーネントワイズ分析値のうちで、大きさ上位Ｎ２個のコンポーネントワイズ分析値を識別することであって、Ｎ２はＮ１より小さい正の整数である、ことと、
前記ＴＳＣＩの前記大きさ上位Ｎ２個のコンポーネントワイズ分析値に基づいて、少なくとも１つの第１の動き統計値を演算することと、
前記少なくとも１つの第１の動き統計値に基づいて、前記物体の前記睡眠中動作をモニタリングすることと、
を含む、方法。
Applications Claiming Priority (24)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163253083P | 2021-10-06 | 2021-10-06 | |
| US63/253,083 | 2021-10-06 | ||
| US202163276652P | 2021-11-07 | 2021-11-07 | |
| US63/276,652 | 2021-11-07 | ||
| US202163281043P | 2021-11-18 | 2021-11-18 | |
| US63/281,043 | 2021-11-18 | ||
| US202163293065P | 2021-12-22 | 2021-12-22 | |
| US63/293,065 | 2021-12-22 | ||
| US202263300042P | 2022-01-16 | 2022-01-16 | |
| US63/300,042 | 2022-01-16 | ||
| US17/827,902 US20220291328A1 (en) | 2015-07-17 | 2022-05-30 | Method, apparatus, and system for speech enhancement and separation based on audio and radio signals |
| US17/827,902 | 2022-05-30 | ||
| US202263349082P | 2022-06-04 | 2022-06-04 | |
| US63/349,082 | 2022-06-04 | ||
| US17/888,429 US11771366B2 (en) | 2018-08-11 | 2022-08-15 | Method, apparatus, and system for radio based sleep tracking |
| US17/888,429 | 2022-08-15 | ||
| US17/891,037 US20230014580A1 (en) | 2020-02-13 | 2022-08-18 | Method, apparatus, and system for map reconstruction based on wireless tracking |
| US17/891,037 | 2022-08-18 | ||
| US17/945,995 US12004838B2 (en) | 2022-09-15 | Method, apparatus, and system for wireless vital monitoring using high frequency signals | |
| US17/945,995 | 2022-09-15 | ||
| US17/959,487 US20230090763A1 (en) | 2020-02-13 | 2022-10-04 | Method, apparatus, and system for voice activity detection based on radio signals |
| US17/960,080 | 2022-10-04 | ||
| US17/960,080 US20230021342A1 (en) | 2020-02-13 | 2022-10-04 | Method, apparatus, and system for enhanced wireless monitoring of vital signs |
| US17/959,487 | 2022-10-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023058446A true JP2023058446A (ja) | 2023-04-25 |
Family
ID=86069162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022161967A Revoked JP2023058446A (ja) | 2021-10-06 | 2022-10-06 | 無線センシング、モニタリング及びトラッキングのための方法、装置及びシステム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2023058446A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842311A (zh) * | 2023-07-05 | 2023-10-03 | 中交一航局第五工程有限公司 | 一种基于空气冲击波测试的爆破雷管延期精度确定方法 |
| CN117058510A (zh) * | 2023-08-22 | 2023-11-14 | 聚米画沙(北京)科技有限公司 | 一种基于空间计算的多源安防数据融合方法和系统 |
| CN117491848A (zh) * | 2023-12-30 | 2024-02-02 | 深圳市瀚强科技股份有限公司 | 确定电路属性的装置、方法、设备及系统 |
| CN117537826A (zh) * | 2024-01-09 | 2024-02-09 | 中国民航大学 | 一种可感知雷暴态势的航迹规划方法 |
-
2022
- 2022-10-06 JP JP2022161967A patent/JP2023058446A/ja not_active Revoked
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842311A (zh) * | 2023-07-05 | 2023-10-03 | 中交一航局第五工程有限公司 | 一种基于空气冲击波测试的爆破雷管延期精度确定方法 |
| CN116842311B (zh) * | 2023-07-05 | 2024-03-08 | 中交一航局第五工程有限公司 | 一种基于空气冲击波测试的爆破雷管延期精度确定方法 |
| CN117058510A (zh) * | 2023-08-22 | 2023-11-14 | 聚米画沙(北京)科技有限公司 | 一种基于空间计算的多源安防数据融合方法和系统 |
| CN117058510B (zh) * | 2023-08-22 | 2024-02-13 | 聚米画沙(北京)科技有限公司 | 一种基于空间计算的多源安防数据融合方法和系统 |
| CN117491848A (zh) * | 2023-12-30 | 2024-02-02 | 深圳市瀚强科技股份有限公司 | 确定电路属性的装置、方法、设备及系统 |
| CN117491848B (zh) * | 2023-12-30 | 2024-03-19 | 深圳市瀚强科技股份有限公司 | 确定电路属性的装置、方法、设备及系统 |
| CN117537826A (zh) * | 2024-01-09 | 2024-02-09 | 中国民航大学 | 一种可感知雷暴态势的航迹规划方法 |
| CN117537826B (zh) * | 2024-01-09 | 2024-03-22 | 中国民航大学 | 一种可感知雷暴态势的航迹规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3739356A1 (en) | Method, apparatus, and system for wireless tracking, scanning and monitoring | |
| US11408978B2 (en) | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals | |
| US20200302187A1 (en) | Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring | |
| US10742475B2 (en) | Method, apparatus, and system for object tracking sensing using broadcasting | |
| EP3492945B1 (en) | Method, apparatus, and system for periodic motion detection and monitoring | |
| US11928894B2 (en) | Method, apparatus, and system for wireless gait recognition | |
| US11639981B2 (en) | Method, apparatus, and system for movement tracking | |
| US11439344B2 (en) | Method, apparatus, and system for wireless sleep monitoring | |
| EP3978949A2 (en) | System and method for wireless motion monitoring | |
| US10845463B2 (en) | Method, apparatus, and system for wireless object scanning | |
| US20220091231A1 (en) | Method, apparatus, and system for human identification based on human radio biometric information | |
| US10495725B2 (en) | Method, apparatus, server and system for real-time vital sign detection and monitoring | |
| EP4162865A1 (en) | System and method for radio-based sleep monitoring | |
| US11500058B2 (en) | Method, apparatus, and system for wireless proximity sensing | |
| EP3869223A1 (en) | System and method for wireless material sensing based on multipath channel information | |
| US11448728B2 (en) | Method, apparatus, and system for sound sensing based on wireless signals | |
| US11448727B2 (en) | Method, apparatus, and system for human recognition based on gait features | |
| US11592913B2 (en) | Method, apparatus, and system for wireless writing tracking | |
| EP3885786A1 (en) | Method, apparatus, and system for wireless vital monitoring using high frequency signals | |
| US11340328B2 (en) | Method, apparatus, and system for wireless vital monitoring using high frequency signals | |
| US20220291328A1 (en) | Method, apparatus, and system for speech enhancement and separation based on audio and radio signals | |
| US20210190702A1 (en) | Method, apparatus, and system for wireless material sensing | |
| JP2023058446A (ja) | 無線センシング、モニタリング及びトラッキングのための方法、装置及びシステム | |
| US20230090763A1 (en) | Method, apparatus, and system for voice activity detection based on radio signals | |
| EP4102247A1 (en) | System and method for radio-assisted sound sensing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A242764 Effective date: 20221021 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221209 |
|
| AA31 | Notification that no translation was submitted |
Free format text: JAPANESE INTERMEDIATE CODE: A243631 Effective date: 20230105 |
|
| AA79 | Non-delivery of priority document |
Free format text: JAPANESE INTERMEDIATE CODE: A24379 Effective date: 20230105 |
|
| AA91 | Notification that invitation to amend document was cancelled |
Free format text: JAPANESE INTERMEDIATE CODE: A971091 Effective date: 20230131 |