JP2023109822A - 周期的な動き検出とモニタのための方法、装置及びシステム - Google Patents

周期的な動き検出とモニタのための方法、装置及びシステム Download PDF

Info

Publication number
JP2023109822A
JP2023109822A JP2023076862A JP2023076862A JP2023109822A JP 2023109822 A JP2023109822 A JP 2023109822A JP 2023076862 A JP2023076862 A JP 2023076862A JP 2023076862 A JP2023076862 A JP 2023076862A JP 2023109822 A JP2023109822 A JP 2023109822A
Authority
JP
Japan
Prior art keywords
feature
spectral
motion
type
function
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.)
Pending
Application number
JP2023076862A
Other languages
English (en)
Inventor
チェン チェン，
Cheng Chen
フェン チャン，
Feng Zhang
チンイ シュー，
Qinyi Xu
ベイベイ ワン，
Beibei Wang
チェンシュー ウー，
Chenshu Wu
ハンファン チャン，
Hangfang Zhang
チャウ－ワイ ワン，
Chau-Wai Wong
デーヴィッド エヌ． クラフィ，
N Claffey David
チュン－イ チェン，
Chun-I Chen
ハン－コック， デュック ライ，
Lai Hung-Quoc Duc
ジュン－ハン ウー，
Zhung-Han Wu
ミン ウー，
Min Wu
イ ハン，
Yi Han
オスカー チ－リム オウ，
Chi-Lim Au Oscar
ケー． ジェイ． レイ リウ，
J Ray Liu K
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Origin Wireless Inc
Original Assignee
Origin Wireless Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US15/861,422 external-priority patent/US11025475B2/en
Priority claimed from US15/873,806 external-priority patent/US10270642B2/en
Priority claimed from US16/101,444 external-priority patent/US10291460B2/en
Priority claimed from US16/200,616 external-priority patent/US10495725B2/en
Priority claimed from US16/200,608 external-priority patent/US10735298B2/en
Priority claimed from US16/203,299 external-priority patent/US10374863B2/en
Priority claimed from US16/203,317 external-priority patent/US10397039B2/en
Application filed by Origin Wireless Inc filed Critical Origin Wireless Inc
Publication of JP2023109822A publication Critical patent/JP2023109822A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0273—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves using multipath or indirect path propagation signals in position determination
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0205—Details
    • G01S5/0218—Multipath in signal reception
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Dentistry (AREA)
  • Evolutionary Computation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Alarm Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Emergency Alarm Devices (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

【課題】リアルタイムでバイタルサインをモニタする方法、装置及びシステムが開示される。【解決手段】１つの例では、ある場所で繰り返す動きをモニタするシステムが開示される。前記システムは送信機、受信機及び繰り返し動きモニタを含む。前記送信機は、前記場所における第１の位置に位置し、前記場所におけるオブジェクトの繰り返しの動きにより影響される無線マルチパスチャネルを通して無線信号を送信するよう構成される。前記受信機は、前記場所の第２の位置に位置し、前記場所の前記オブジェクトの前記繰り返す動きにより影響される前記無線マルチパスチャネルを通して無線信号を受信するよう構成される。繰り返し動きモニタは、前記ＣＩの時系列に基づいて前記オブジェクトの前記繰り返しの動きの周期的特徴をモニタするように構成される。【選択図】なし

Description

関連出願の相互参照。
本出願は以下のそれぞれのケースの開示の全体を参照によって組み込み、以下のそれぞれの件に対する優先権を主張する。
米国仮特許出願６２／５９３，８２６、「オブジェクトの追跡及びナビゲーションをするための方法、装置及びシステム」と題された、２０１７年１２月１日の出願。
米国仮特許出願６２／６７８，２０７、「オブジェクトの追跡及び動きモニタのための方法、装置及びシステム」と題された、２０１８年５月３０日の出願。
米国特許出願１５／８６１，４２２、「時間反転技術の方法、装置、サーバ及びシステム」と題された、２０１８年１月３日の出願。
米国特許願１５／８７３，８０６、「オブジェクトの追跡及びナビゲーションのための方法、装置及びシステム」と題された、２０１８年１月１７日の出願。
米国特許出願１６／１０１，４４４、「無線動きモニタのための方法、装置及びシステム」と題された、２０１８年８月１１日の出願。
米国仮出願６２／７３４，２２４、「無線睡眠モニタのための方法、装置及びシステム」と題された、２０１８年９月２０日の出願。
米国仮出願６２／７４４，０９３、「無線近接及び存在モニタのための方法、装置及びシステム」と題された、２０１８年１０月１０日の出願。
米国仮特許出願６２／７５３，０１７、「人間の無線生体情報に基づく人物同定のための方法、装置及びシステム」と題された、２０１８年１０月３０日の出願。
米国特許出願１６／２００，６０８、「バイタルサインの検出及びモニタのための方法、装置、サーバ及びシステム」と題された、２０１８年１１月２６日の出願。
米国特許出願１６／２００，６１６、「リアルタイムのバイタルサイン検出及びモニタのための方法、装置、サーバ及びシステム」と題された、２０１８年１１月２６日の出願。
米国特許出願１６／２０３，２９９、「無線信号に基づくイベント認識のための装置、システム及び方法」と題された、２０１８年１１月２８日の出願。
米国特許出願１６／２０３，３１７、「無線信号に基づくフォールダウン検出のための装置、システム及び方法」と題された、２０１８年１１月２８日の出願。
本教示は一般に周期的な動き検出及び推定に関する。より具体的には、本教示は、豊かな散乱（rich-scattering）のある環境における時間反転技術に基づくバイタルサイン検出及びモニタに関する。
周期的な動き検出に関して、呼吸などの多くの重要な人間のバイタルサインは周期的な動きである。バイタルサインは、人の健康と幸福の重要な指標であるとともに、急性の病状および慢性疾患状態の予測因子である。呼吸数（breathing rate）は最も重要なバイタルサインの1つであり、1分あたりの呼吸数と吸入回数で測定できる。さらに、呼吸パターンは、ストレスおよび不安などの人間の心理的状態と高度に相関する可能性がある。
呼吸をモニタするためのほとんどの伝統的なアプローチは、人体の物理的接触が必要であるという点で侵襲的である。例えば、病院では、患者は酸素マスク、鼻カニューレ、胸部ストラップ、またはサーミスタや圧力センサなどの装着型センサを装着する必要がある。もう一つの例は、睡眠医学で使用される睡眠ポリグラフ（Polysomnography：PSG）であり、患者には通常22本以上のワイヤーアタッチメントが必要である。これらの専用装置は、高価でかさばることが多く、人体に不快感を与え、臨床現場にのみ限定される。これらの有線医療システムは、人体に装着されたウェアラブルを用いて呼吸を測定することができるが、そのようなシステムは不細工で不快である。それを悪化させるために、多くの患者が着用された全てのウェアラブルとワイヤで不安を感じたり、悩まされるようになるので、システム自体は、モニタされる必要があるまさにその呼吸を歪めるだろう。
現在存在する非侵襲（非接触）呼吸モニタソリューションは、以下のように分類できる。(1)レーダーに基づく呼吸モニタドップラレーダーはしばしば呼吸モニタに使用される。それらは、信号を送信し、オブジェクトの周期的な動きのためにドップラーシフトを有する信号を受信することによって動作される。呼吸数は、ドップラーシフトから抽出することができる。欠点として、これらのシステムは、高い送信電力を使用し、高度で高価なハードウェアに依存し、非常に大きな帯域幅を使用する。周波数変調連続レーダ（FMCW）を利用したバイタルサインモニタシステムが開示された。それは周波数掃引信号を送信するためにＲＦフロントエンドとしてユニバーサルソフトウエア無線ペリフェラルを使用した。しかし、専用ハードウェアの追加コストと複雑さは、FMCWレーダーの大規模な展開を制限していました。(2)無線センサベースの呼吸モニタ複数の802.15.4チャネル上の802.15.4準拠センサからの受信信号強度（RSS）測定値も、呼吸検出および呼吸数推定に使用された。これらの方法では、追加の無線インフラストラクチャとして、無線センサーを密に配置する必要がある。さらに、周波数ホッピング機構の特定の設計は、複数のチャネル測定をサポートするために必要とされる。（3）Wi-Fiに基づく呼吸モニタRSSは、ほとんどの商用Wi-Fiネットワークインターフェイスコントローラ（NIC）での利用が可能なため、Wi-Fiベースの呼吸モニタでよく使用される。測定は、呼吸推定のためにWi-Fiデバイスでも使用された。しかし、この方法は、ユーザーがWi-Fi対応デバイスを胸のすぐ近くに置いた場合にのみ正確である。
上記（1）、（2）の方法は、上記の欠点に加えて、専用のレーダ装置やセンサネットワークノードなどの特殊装置の設計・製造が必要であり、（3）の方法は精度や感度が非常に低い。UWB（超広帯域）信号に基づいて呼吸数と心拍数をモニタする無線呼吸モニタシステムが提案された。しかし、UWBベースのシステムは、高価で、テストされいていない、珍しい、専用の、限定版の実験用ハードウェアコンポーネントが含まれており、それは壁によるUWB信号の厳しい吸収のために小さな範囲を有し、 見通し（line-ofsight:LOS）状態でのみ動作し、 合理的な領域をカバーするために多くのセンサを実用的な場所に配置することが非常に面倒で労力を要し、設置、保守および修理が非常に高価で、制限的なＬＯＳ操作のために労力がかかるなどの多くの制限がある。したがって、上述の問題を解決し、上述の欠点を回避するために、バイタルサインの検出およびモニタのための方法および装置が必要とされている。
現在、オブジェクト（あるいは物体）の動き検出はますます重要になっている。例えば、セキュリティ及び／又は管理目的のために、ユーザはユーザの家の中のどんなオブジェクトの動きも検出したいかもしれない、スーパーマーケットの管理者はスパーマーケットの中のどんなオブジェクトの動きも検出したいかもしれない、病院の看護師は病院の中の患者のどんな動きも検出したいかもしれない。
オブジェクトの動きを検出するための既存のシステムおよび方法は、十分な精度を提供することができず、しばしば誤ったアラームにつながる。既存のアプローチには、パッシブ赤外線（PIR）、アクティブ赤外線（AIR）および超音波に基づくものが含まれる。PIRセンサは、移動する人々が発する熱と背景の熱の差を感知することによって人間の動きを検出するホームセキュリティシステムで最も広く使用されているモーションセンサである。しかしながら、PIRセンサに基づく解決策は、高温/低温空気流および太陽光のような環境変化に対する感度のために誤った警報を起こしやすい。それらは体の熱の放出をブロックする（断熱全身スーツを着て）ことにより簡単に敗れる。また、その範囲は限られており、見通し（LOS）を必要とするため、複数の装置が必要となる。AIRベースのアプローチでは、IRエミッタはIRレシーバによって受信されるIRビームを送信する。ビームが遮断されると、動きが検出される。しかしながら、この種のアプローチは、通常のカメラまたはIR検出機構を用いて容易に見ることができ、範囲も限られ、ＬＯＳが必要である。超音波センサは、超音波を空間に送り、そこから戻ってくる速度を測定することで人間の動きを検出し、周波数変化があれば動きを検出することができる。しかし、このようなアプローチは、無響服を着用することによって失敗する。また、超音波は、家具や箱などの固体物を貫通することができず、検出フィールドに隙間を生じさせる。泥棒によるゆっくりとした動きでも警報が発せられない可能性がある。したがって、オブジェクトの動きを検出するための既存のシステムおよび方法は、完全に満足できるものではない。
本教示は一般に周期的な動き（例えば人の呼吸）検出に関する。より具体的には、本教示は、屋内環境または都会の大都市圏、囲まれた環境、地下の環境、駐車場、倉庫、庭、広場、森林、洞窟、谷などのような障壁を有する野外の場所などの豊かな散乱無線環境（rich-scattering wireless environment）における時間反転技術に基づく周期的な動き検出およびモニタに関する。
一例では、周期動作モニタシステムの方法/装置/デバイス/サーバ/クライアント/システムは、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、記憶された命令のセットとを使用して無線マルチパスチャネル（wireless multipath channel）の少なくとも1つのＴＳＣＩを取得する。少なくとも１つのＴＳＣＩは、場所（venue）内の第１の位置にあるタイプ１異種（heterogeneous）無線デバイスと場所内の第２の位置にあるタイプ２異種無線デバイスとの間で無線マルチパスチャネルを介して送信される無線信号から抽出される。現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部が、場所内のオブジェクトの現在の擬似周期的動きと関連付けられることが決定される。無線マルチパスチャネルは、オブジェクトの現在の擬似周期的な動きによって現在のスライディング時間窓内で影響を受ける。
現在のスライディング時間窓内のオブジェクトの現在の特徴は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩの別の少なくとも一部分及び過去のスライディング時間窓内のオブジェクトの過去の特徴のうちの少なくとも１つに基づいて計算される。少なくとも１つのＴＳＣＩが前処理される。現在のスライディング時間窓内の特定のＴＳＣＩの特定の部分の各オリジナルのＣＩについて、オリジナルのＣＩのＮ１個の周波数ドメインコンポーネントは、逆周波数変換を使用して同じＣＩのＮ２個の時間ドメイン係数に変換され得る。各ＣＩは元のタイムスタンプと関連付けられてもよい。Ｎ２はＮ１より小さくてはいけない。Ｎ２は、高速変換が使用できるように、２のべき乗であり得る。例えば、１６、３２、６４、１２８、２５６、５１２、１０２４、２０４８等。Ｎ２個の係数のそれぞれは、時間遅延と関連付けられてもよい。複数のタイプ１デバイスおよび／または複数のタイプ２デバイスの場合、異なる装置のＮ１およびＮ２は同じでも異なっていてもよい。特定のＴＳＣＩの特定の部分のすべての元のＣＩの元のタイムスタンプは、不規則であり、現在のスライディング時間窓内で修正されてもよく、その結果、タイムが修正されたＣＩの修正タイムスタンプは時間的に一様に間隔をあけられ得る。複数のタイプ１デバイスおよび／または複数のタイプ２デバイスの場合には、修正されたタイムスタンプは同じまたは異なるクロックに関してあり得る。
特定の修正されたタイムスタンプにおいて計算されるべき時間修正されたＣＩのＮ２個の時間ドメイン係数のそれぞれについて、特定の補正されたタイムスタンプにおける時間修正されたＣＩの時間ドメイン係数は、元のタイムスタンプでオリジナルＣＩの時間ドメイン係数に基づいて計算され得る。タイムスタンプ修正は、修正された（目標）タイムスタンプで対応するＣＩ（すなわち、各ＣＩの対応するＮ２個の時間ドメイン係数）を計算することによって達成され得る。補間、フィルタリング、および／または加重平均を適用してＣＩを計算することができる。
現在のスライディング時間窓内の特定のＴＳＣＩの特定の部分は、場所内のオブジェクトの現在の擬似周期的動きと関連付けられるように決定され得る。特定の部分は、現在のスライディング時間窓に対応するそれらのＣＩであり得る。特定の部分はＮ０個のＣｌを含み得る。Ｎ０個のＣＩのそれぞれに対して、Ｎ１個の周波数ドメインコンポーネントが得られる。サイズＮ １ｘＮ ０の行列Ｇ １を決定することができ、ここで、Ｎ０列のそれぞれは、それぞれのＣＩのそれぞれのＮ １個の周波数要素を含むことができる。
各ＣＩに関連付けられたオリジナルのタイムスタンプを決定することができる。元のタイムスタンプは、時間的に均一な間隔ではない可能性がある。現在のスライディング時間窓における特定のＴＳＣＩの特定の部分のすべてのＣＩの元のタイムスタンプは、時間修正されたＣＩの修正されたタイムスタンプが時間的に一様に間隔を空けられるように修正され得る。修正されたタイムスタンプに関して、時間修正されたＣＩにオペレーションが実行されてもよい。オブジェクトの現在の特徴は、オペレーションの出力に基づいて計算することができる。Ｎ１個の周波数コンポーネントのうちの１つに対応する特定の周波数に対して、時間ドメイン信号は、全ての時間修正されたＣＩのうちの特定の周波数コンポーネントをグループ化することによって形成され得る。次に、特定の周波数について、オペレーションは時間ドメイン信号に適用されてもよい。これは全ての周波数について繰り返されてもよい。異なる周波数には異なるオペレーションが適用され得る。
オペレーションの出力のスペクトル分析は周波数ドメインで実行されてもよい。現在のスライディング時間窓内の特定のＴＳＣＩの特定の部分の各オリジナルのＣＩについて、Ｎ２個の時間ドメイン係数をＮ２個の周波数ドメイン係数に変換するためにＮ２処理時間ドメイン係数に周波数変換を適用することができる。Ｎ２個の周波数ドメイン係数はさらに処理されてもよい。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対に対応し得る。タイプ１デバイスは少なくとも１つのアンテナを有することができる。タイプ２デバイスも少なくとも１つのアンテナを有することができる。少なくとも１つのＴＳＣＩのそれぞれは、タイプ１デバイスの少なくとも１つのアンテナのうちの１つと、タイプ２デバイスのうちの少なくとも１つのアンテナのうちの１つとに関連付けられ得る。アンテナリンクにわたる平均化は、少なくとも１つのＴＳＣＩにわたる平均化である。
平均化は、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任意に実行されてもよい。平均化後に長さＮ０の時間ドメイン信号が得られる。周波数変換を長さＮ０の時間ドメイン信号に適用してそれを周波数ドメインに変換することができる。変換のサイズは、Ｎ０以上の２のべき乗の整数であり得る。ロングトレースピーク（long-trace peaks）がショートトレースピーク（short-trace peaks）よりもわずかに弱い場合でも、ロングトレースピークをショートトレースピークよりも優先して選択する必要がある。特に、強い「強度」を持つ短いトレースピークは、干渉やノイズが原因であることがある。これは、インパルスノイズと似ていて、持続時間が短く、強度/エネルギーが非常に大きい。目標の周期的動きは長期的な振る舞いである可能性があり、短い持続時間／トレースを有するべきではない。決定閾値（すなわち、決定を下すための閾値）は、適応的に（例えば、有限状態機械に基づいて）計算され得る。
オブジェクトの現在の特徴は、（例えば、ソフトウェア、ソフトウェアモジュール、ハードウェアモジュール、プロセッサ、他のプロセッサ、他のデバイス、リモートデバイス、クラウドデバイスに対して）時間遅延を伴って、または伴わずにリアルタイムで、および／または非リアルタイムで利用可能にされ得る。現在のスライディング時間窓は、時間が経過するにつれてシフトサイズだけ移動することがある。残りのスペクトルエネルギーは、全スペクトルエネルギーから選択された有意な局所ピークのセットに関連するスペクトルエネルギーを差し引くことによって計算されてもよい。オブジェクトの現在の特徴に関連するイベントは、残りのスペクトルエネルギー、適応閾値、および有限状態機械のうちの少なくとも１つに基づいて検出され得る。
決定閾値（すなわち、決定を下すための閾値）は、有限状態機械（ＦＳＭ）に基づいて適応的に計算することができる。閾値（例えばＴ１およびＴ２）は、有限状態機械に基づいて適応的に計算することができる。有限状態機械は、初期（ＩＮＩＴ）状態、検証（verification）状態、ピークファウンド（PeakFound（ピーク発見））状態、および／またはモーション状態（Motion state、動き状態）を含み得る。
有限状態機械（ＦＳＭ）のＩＮＩＴ状態は、少なくとも１つの所定の方法で入ることができる。閾値は、ＩＮＩＴ状態において第１の方法で適応的に計算することができる。イベントは閾値に基づいて検出され得る。ＩＮＩＴ状態は、少なくとも１つの遷移基準に基づいて異なる状態に遷移することがある。閾値は、異なる状態において別の方法で適応的に計算されてもよい。ＩＮＩＴ状態では、閾値は第１の方法で適応的に計算することができる。閾値、ならびに選択された重要な局所ピークのセットおよび／または関連する特徴に基づいて、イベントが検出され得る（すなわち、もし発生した場合、イベントを検出する試みにおいて検出動作が適用される）。過剰なバックグラウンド干渉的動きは、閾値および残りのスペクトルエネルギーに基づいて検出され得る（すなわち、もしあれば、あらゆる過剰な背景干渉的動きを検出するために検出動作が適用される）。イベントが「検出されない」と結論付けられ、過度のバックグラウンド干渉的動きが「検出されない」と結論付けられるとき、ＩＮＩＴ状態は不変のままであり得る。イベントが事前に「検出」されていると結論付けられ、事前に検出されたイベントを検証する必要がある場合、ＩＮＩＴ状態は検証状態に遷移してもよい。過度のバックグランド干渉的動きが「検出された」と結論付けられると、ＩＮＩＴ状態はモーション状態（motion state）に遷移することができる。
検証状態では、閾値は第２の方法で適応的に計算されてもよい。少なくとも１つの隣接するスライディング時間窓における選択された有意な局所ピークのセットおよび関連する特徴に基づいて、少なくとも１つの統計（例えば、連続する「検出された」のカウント、またはＮの連続した時間インスタンスにおける「検出された」の割合）が累積され計算され得る。少なくとも１つの統計は、事前に検出されたイベントの検証用であり得る。例えば、検出は、少なくとも１つの隣接するスライディング時間窓のそれぞれに適用されてもよい。統計は、事前に検出されたイベントが「検出された」と結論づけられ続けた回数のカウントであり得る。検証状態は、検証のために十分な統計が収集され得るまで、少なくとも１つの統計（例えば、連続する「検出された」のカウント、またはＮ回の連続した時間インスタンスにおける「検出された」の割合）が蓄積される間、変更されないままであり得る。閾値および少なくとも１つの統計に基づいて、事前に検出されたイベントを検証することができる（すなわち、事前に検出されたイベントを検証するためにオペレーションを適用することができる）。事前に検出されたイベントが「検証済み（verified）」と結論付けられる場合、検証状態はピークファウンド（PeakFound）状態に遷移してもよい。検証が「検証されていない」と結論付けられ得るとき、検証状態はＩＮＩＴ状態に遷移し得る。検証状態は、検証が結論付けられない場合は、変更されないままであり得る。例えば、合計Ｎ個の連続した時間インスタンスが「検出された」と結論づけられるか、またはＮ個の連続した時間インスタンスにおける「検出された」のパーセンテージがある閾値より大きい場合、「検証済み」と結論づけられ得る。
ピークファウンド状態では、閾値は、第３の方法で適応的であり得る。検証されたイベント（すなわち、ピークファウンド状態に入る直前に検証されているイベント）は、閾値および選択された重要な局所ピークのセットおよび／または関連する特徴に基づいて検出され得る。過度のバックグラウンド干渉的動きは、閾値および残りのスペクトルエネルギーに基づいて検出され得る。検証されたイベントが「検証された」と結論付けられる場合、ピークファウンド状態は変更されないままであり得る。検証されたイベントが多数の時間インスタンスについて「検出されなかった」と結論づけられ得るとき、ピークファウンド状態はＩＮＩＴ状態に遷移し得る。（例えば、３回）過度のバックグラウンド干渉的動きが多数の時間インスタンスについて「検出された」と結論付けることができるとき、ピークファウンド状態はモーション状態に遷移することができる。
モーション状態では、閾値は第４の方法で適応的に計算されてもよい。過度のバックグラウンド干渉的動きは、閾値および残りのスペクトルエネルギーに基づいて検出され得る。過度のバックグラウンド干渉的動きが「検出された」と結論づけられるとき、モーション状態は不変のままであり得る。過度のバックグラウンド干渉的動きが多数の時間インスタンスについて「検出されなかった」と結論づけられ得るとき、モーション状態はＩＮＩＴ状態に遷移し得る。過度のバックグラウンド干渉的動きが多数の時間インスタンスについて「検出されなかった」と結論付けられると、モーション状態は以前の状態に遷移することもできる。前の状態は、現在のモーション状態がそこから開始された状態である。
一実施形態では、場所内のオブジェクトの動きをモニタするためのシステムが開示される。このシステムは、送信機、受信機、およびバイタルサイン推定器を含む。送信機は前記場所における第１位置に位置し、前記場所におけるオブジェクトの疑似周期的動きにより影響される無線マルチパスチャネルを介して無線信号を送信するように構成される。受信機は場所内の第２の位置に配置され、場所内のオブジェクトの擬似周期的な動きによって影響を受けた無線マルチパスチャネルを介して無線信号を受信し、無線信号で無線マルチパスチャネルの少なくとも１つのＴＳＣＩを取得するように構成される。バイタルサイン推定器は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、および過去のスライディング時間窓内のオブジェクトの擬似周期的動きに関連する過去の特徴のうちの少なくとも１つに基づいて、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩ（ＴＳＣＩ）の少なくとも一部が場所内のオブジェクトの擬似周期的動きに関連していると判定すること、および現在のスライディング時間窓におけるオブジェクトの擬似周期的動きに関連する現在の特徴を計算するように構成される。
別の実施形態では、場所内のオブジェクトの動きをモニタする方法が開示されている。方法は、場所内のオブジェクトの疑似周期的動きにより影響を受ける無線マルチパスチャネルを介して無線信号を受信すること、無線信号に基づいて無線マルチパスチャネルの少なくとも１つのＴＳＣＩを取得すること、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩ（ＴＳＣＩ）の少なくとも１つの部分が、場所内のオブジェクトの擬似周期的動きに関連していると判定すること、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、および過去のスライディング時間窓内のオブジェクトの擬似周期動きに関連する過去の特徴のうちの少なくとも１つに基づいて、現在のスライディング時間窓におけるオブジェクトの疑似周期的動きに関連する現在の特徴を計算すること、を含む。
さらに別の実施形態では、動きモニタシステムの受信機が開示されている。動きモニタシステムは、送信機、受信機及びバイタルサイン推定器を含む。受信機は、無線回路と、無線回路と通信可能に結合されたプロセッサと、プロセッサと通信可能に結合されたメモリと、メモリに格納された命令のセットとを含む。無線回路は、場所内のオブジェクトの擬似周期的動きによって影響を受ける無線マルチパスチャネルを介して無線信号を受信するように構成され、無線信号は送信機によって非同期的に送信される。一組の命令は、実行されると、プロセッサに、無線信号に基づいて無線マルチパスチャネルの少なくとも１つのＴＳＣＩを取得させる。現在のスライディング時間窓内の少なくとも１つのＴＳＣＩ（ＴＳＣＩ）の少なくとも一部分は、場所内のオブジェクトの擬似周期的動きと関連付けられる。現在のスライディング時間窓における少なくとも１つのＴＳＣＩの少なくとも一部分は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、及び過去のスライディング時間窓のオブジェクトの擬似周期的動きに関連する過去の特徴のうちの少なくとも１つに基づいて、現在のスライディング時間窓におけるオブジェクトの擬似周期的動きに関連する現在の特徴を計算するためにバイタルサイン推定器によって使用される。
さらに別の実施形態では、動きモニタシステムの推定器が開示されている。動きモニタシステムは、送信機、受信機、および推定器を備える。推定器は、プロセッサ、前記プロセッサと通信可能に接続されたメモリ及び前記メモリに格納された１組の命令を備える。一組の命令は、実行されると、動きモニタシステムの受信機から無線マルチパスチャネルの少なくとも１つのＴＳＣＩ（ＴＳＣＩ）を取得することであって、受信機は場所内のオブジェクトの擬似周期的動きによって影響を受けた無線マルチパスチャネルを介して動きモニタシステムの送信機から受信した無線信号から少なくとも１つのＴＳＣＩを抽出し、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部が場所内のオブジェクトの擬似周期的動きに関連付けられていると判定すること、及び現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、および過去のスライディング時間窓オブジェクトの疑似周期的動きに関連する過去の特徴のうちの少なくとも１つに基づいて、現在のスライディング時間窓におけるオブジェクトの擬似周期的動きに関連する現在の特徴を計算すること、をプロセッサに実行させる。
異なる実施形態では、場所内の繰り返しの動きをモニタするためのシステムが開示される。このシステムは、送信機、受信機、および繰り返し動きモニタを備える。 送信機は、場所内の第１の位置に配置され、場所内のオブジェクトの繰り返し的動きによって影響を受ける無線マルチパスチャネルを介して無線信号を送信するように構成される。受信機は、所内の第２の位置に配置され、場所内のオブジェクト繰り返しの動きによって影響を受けた無線マルチパス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マルチパスチャネルのＴＳＣＩを取得する。繰り返し動きモニタは、ＴＳＣＩに基づいてオブジェクトの繰り返しの動きの周期的特徴をモニタするように構成される。
別の実施形態では、場所内の繰り返しの動きをモニタするための方法が開示される。方法は、場所内のオブジェクトの繰り返しの動きの影響を受けた無線マルチパスチャネルを介して無線信号を受信すること、無線信号に基づいて無線マルチパスチャネルのＴＳＣＩを取得すること、 ＴＳＣＩに基づいて、オブジェクトの繰り返し的動きの周期的特性をモニタすること、を含む。
さらに別の実施形態では、動きモニタシステムの受信機が開示されている。動きモニタシステムは、送信機、受信機、および繰り返し動きモニタを備える。受信機は、無線回路と、無線回路と通信可能に結合されたプロセッサと、プロセッサと通信可能に結合されたメモリと、メモリに格納された命令のセットとを備える。無線回路は、場所内のオブジェクトの繰り返しの動きによって影響を受ける無線マルチパスチャネルを介して無線信号を受信するように構成される。無線信号は送信機によって送信される。命令のセットは、実行されると、プロセッサに無線信号に基づいて無線マルチパスチャネルのＴＳＣＩを取得させる。ＴＳＣＩは、繰り返しの動きの周期的特徴をモニタするために動きモニタシステムの繰り返し動きモニタによって使われる。
さらに別の実施形態では、動きモニタシステムのモニタが開示される。動きモニタシステムは、送信機、受信機及びモニタを備える。モニタは、プロセッサ、前記プロセッサと通信可能に接続されたメモリ及び前記メモリに格納された１組の命令を備える。１組の命令は、実行されるとプロセッサに、動きモニタシステムの受信機から無線マルチパスチャネルのＴＳＣＩを取得させることであって、受信機は場所のオブジェクトの繰り返しの動きによって影響を受ける無線マルチパスチャネルを介して動きモニタシステムの送信機から受信される無線信号からＴＳＣＩを抽出し、ＴＳＣＩに基づいてオブジェクトの繰り返しの動きの周期的特徴をモニタさせる。
他の概念は、豊かな散乱環境（rich-scattering）における無線ＣＩに基づくバイタルサインおよび他の周期的な動きの検出およびモニタに関する本教示を実施するためのソフトウェアに関する。
本教示は一般にオブジェクトの動き検出及びモニタに関する。より具体的には、本教示は、リッチスキャッタリング環境、例えば、屋内環境または大都市圏、閉鎖環境、地下環境、駐車場、ストレージ、庭、広場、森林、洞窟、谷などのバリアを有する野外の場所における無線ＣＩに基づくオブジェクトの動きの検出およびモニタに関する。
一実施形態では、少なくとも１つのプロセッサと、場所内でのオブジェクトの動きを検出するための命令セットが中に記憶されたメモリとを有するシステムが開示されている。 本システムは、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して無線信号を送信するように構成された第１の無線デバイスと、第１の無線デバイスとは異なるタイプであって、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して無線信号を受信し、かつ無線信号に基づいて無線マルチパスチャネルのＴＳＣＩを得るように構成された第２の無線デバイスと、オブジェクトの動きに関する動き情報に基づいて場所内でのオブジェクトの動きを検出するように構成された動き検出器と、を備え、第１および第２の無線デバイスと関連付けられた動き情報は、動き検出器および第２の無線デバイスのうちの少なくとも１つにより、ＴＳＣＩに基づいて計算される。
さらに別の実施形態では、無線モニタシステムの方法が開示されている。無線モニタシステムは、少なくとも１つの非同期異種タイプ１無線デバイスと、少なくとも１つの非同期異種タイプ２無線デバイスと、を備える。無線モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つの対を備える。各対は、少なくとも１つの非同期異種タイプ１無線デバイスのうちの１つと、少なくとも１つの非同期異種タイプ２無線デバイスのうちの１つと、を備える。少なくとも１つのタイプ２無線デバイスの各々は、タイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対にある。各タイプ２無線デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対を介して、少なくとも１つのそれぞれの特定のタイプ１無線デバイスと関連付けられている。各タイプ２無線デバイスについて、ならびにタイプ２無線デバイスを備えるタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、本方法は、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルの少なくとも１つのそれぞれのＴＳＣＩを非同期的に得ることを含み、タイプ１およびタイプ２無線デバイスの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩ（ＴＳＣＩ）は、それぞれの非同期異種無線信号から非同期的に抽出され、それぞれの非同期異種無線信号は、少なくとも１つのそれぞれの特定のタイプ１無線デバイスのうちのそれぞれ１つから、タイプ１無線デバイスのそれぞれの第１の異種プロセッサ、それぞれの第１の異種メモリ、およびそれぞれの第１の異種命令セットを使用して、少なくとも１つの非同期異種タイプ２無線デバイスに、無線マルチパスチャネルを介して非同期的に送信される。本方法は、タイプ３デバイスの第３のプロセッサ、第３のメモリ、および第３の命令セットを使用して、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられたＴＳＣＩに基づいて、場所内でのオブジェクトの動きを個別にかつ非同期的にモニタすることと、特定のタイプ２無線デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを連帯的（jointly）にかつ非同期的にモニタすることと、少なくとも１つのそれぞれの特定のタイプ１無線デバイスのうちの１つと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを連帯的にかつ非同期的にモニタすることと、タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを全体的にかつ非同期的にモニタすることと、のうちの少なくとも１つを更に含む。
更に別の実施例では、無線モニタシステムの特定の非同期異種タイプ２デバイスが開示されている。無線モニタシステムは、少なくとも１つの非同期異種タイプ１デバイスと、少なくとも１つの非同期異種タイプ２デバイスと、を備える。無線モニタシステムはタイプ１デバイスとタイプ２デバイスの少なくとも１つの対を備え、各対は少なくとも１つのタイプ１デバイスの１つと少なくとも１つのタイプ２デバイスの１つを備える。特定の非同期異種タイプ２デバイスは、無線モニタシステムのタイプ１およびタイプ２デバイスの少なくとも１つの特定の対である。各タイプ２デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対を介して、少なくとも１つの特定のタイプ１無線デバイスとグループ化されている。特定の非同期異種タイプ２デバイスは、少なくとも１つの非同期異種無線信号を非同期的に受信するための無線回路であって、各非同期異種無線信号は、少なくとも１つの特定のタイプ１デバイスのうちの１つによって、タイプ１デバイスのそれぞれの第１の異種プロセッサ、それぞれの第１の異種メモリ、およびそれぞれの第１の異種命令セットを使用して、少なくとも１つの非同期異種タイプ２デバイスにサイト内の質量の運動により影響を受けた無線マルチパスチャネルを介して、非同期的に送信される、無線回路と、無線回路と通信可能に結合された第２の異種プロセッサと、第２の異種プロセッサと通信可能に結合された第２の異種メモリと、第２の異種メモリ中に記憶された第２の異種命令セットであって、実行されると、第２の異種プロセッサに、タイプ１およびタイプ２デバイスの少なくとも１つの特定のペアリングの各々について、無線マルチパスチャネルの少なくとも１つのそれぞれの一連のＣＩ（ＴＳＣＩ）を非同期的に保護させ、タイプ１およびタイプ２デバイスの特定のペアリングと関連付けられた少なくとも１つのそれぞれのＴＳＣＩは、無線回路によって非同期的に受信されたそれぞれの非同期異種無線信号から非同期的に導出されている、第２の異種メモリ中に記憶された第２の異種命令セットと、を備え、サイト内の質量の運動は、タイプ３デバイスの第３のプロセッサ、第３のメモリ、および第３の命令セットを使用して、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスのペアリングと関連付けられたＴＳＣＩに基づいて、個別にかつ非同期的にモニタされる、質量の運動は、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意のペアリングと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる、質量の運動は、少なくとも１つの特定のタイプ１デバイスのうちの１つを含むタイプ１およびタイプ２デバイスの任意のペアリングと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる、ならびに質量の運動は、タイプ１およびタイプ２デバイスの任意のペアリングと関連付けられたＴＳＣＩに基づいて、全体的にかつ非同期的にモニタされる、のうちの少なくとも１つが含まれる。
更に別の実施例では、無線モニタシステムの特定の非同期異種タイプ１デバイスが開示されている。無線モニタシステムは、少なくとも１つの非同期異種タイプ１デバイスと、少なくとも１つの非同期異種タイプ２デバイスと、を備える。無線モニタシステムはタイプ１デバイスとタイプ２デバイスの少なくとも１つの組み合わせを備え、各組み合わせは少なくとも１つのタイプ１デバイスのうちの１つと少なくとも１つのタイプ２デバイスのうちの１つを備える。特定の非同期異種タイプ１デバイスは、無線モニタシステムのタイプ１およびタイプ２デバイスの少なくとも１つの特定の組み合わせである。特定のタイプ１デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つの特定の組み合わせを介して、少なくとも１つの特定のタイプ２デバイスと対にされる。特定の非同期異種タイプ１デバイスは、無線回路と、無線回路と通信可能に結合された第１のプロセッサと、第１のプロセッサと通信可能に結合された第１のメモリと、第１のメモリ中に記憶された第１の命令セットと、を備える。第１の命令セットは、実行されると、第１のプロセッサに、無線回路を使用して、非同期異種無線信号を特定のタイプ１デバイスから少なくとも１つの特定のタイプ２デバイスに、サイト内の物質の動きにより影響を受けた無線マルチパスチャネルを介して非同期的に送信させ、少なくとも１つの特定のタイプ２デバイスの各々について、無線回路によって送信された非同期異種無線信号から収集された無線マルチパスチャネルの少なくとも１つの一連のＣＩ（ＴＳＣＩ）は、タイプ２デバイスの第２のプロセッサ、第２のメモリ、および第２の命令セットを使用して、タイプ２デバイスによってフェッチされる。サイト内の物質の動きは、タイプ３デバイスの第３のプロセッサ、第３のメモリ、および第３の命令セットを使用して、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの組み合わせと関連付けられたＴＳＣＩに基づいて、個別にかつ非同期的に追跡（track）される、物質の動きは、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的に追跡される、物質の動きは、少なくとも１つの特定のタイプ２デバイスのうちの１つを含むタイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的に追跡される、ならびに物質の動きは、タイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられたＴＳＣＩに基づいて、全体的にかつ非同期的に追跡される、のうちの少なくとも１つが含まれる。
更に別の実施例では、無線モニタシステムの特定の非同期異種タイプ１デバイスが開示されている。無線モニタシステムは、少なくとも１つの非同期異種タイプ１デバイスと、少なくとも１つの非同期異種タイプ２デバイスと、を備える。無線モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つのダブレットを備え、各ダブレットは、少なくとも１つの非同期異種タイプ１デバイスのうちの１つと、少なくとも１つの非同期異種タイプ２デバイスのうちの１つと、を備える。特定の非同期異種タイプ３は、少なくとも１つの非同期異種タイプ１デバイスおよび少なくとも１つの非同期異種タイプ２デバイスのうちの少なくとも１つと通信可能に結合された第３のプロセッサと、第３のプロセッサと通信可能に結合された第３のメモリと、第３のメモリ中に記憶された第３の命令セットと、を備える。第３の命令セットは、実行されると、第３のプロセッサに、各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのダブレット（doublet）の各々について、タイプ２デバイスのそれぞれの第２のプロセッサ、それぞれの第２のメモリ、およびそれぞれの第２の命令セットを使用して、タイプ２デバイスによって非同期的に受信されたある場所でのアイテムの動きにより影響を受けた、無線マルチパスチャネルの少なくとも１つのそれぞれのＴＳＣＩ（ＴＳＣＩ）を非同期的に受信させ、ここで、タイプ１およびタイプ２デバイスのそれぞれのダブレットと関連付けられた少なくとも１つのそれぞれのＴＳＣＩは、それぞれのダブレットのそれぞれのタイプ１デバイスから、それぞれのタイプ１デバイスのそれぞれの第１のプロセッサ、それぞれの第１のメモリ、およびそれぞれの第１の命令セットを使用して、少なくとも１つの非同期異種タイプ２デバイスに、無線マルチパスチャネルを介して送信されたそれぞれの非同期異種無線信号から非同期的に得られ、ならびに第３のプロセッサに、特定のタイプ２デバイスおよび特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの特定のダブレットと関連付けられたＴＳＣＩに基づいて、ある場所でのアイテムの動きを個別にかつ非同期的に追跡することと、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つのダブレットのいずれかと関連付けられたＴＳＣＩに基づいて、アイテムの動きを連帯的にかつ非同期的に追跡することと、特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つのダブレットのいずれかと関連付けられたＴＳＣＩに基づいて、アイテムの動きを連帯的にかつ非同期的に追跡することと、タイプ１およびタイプ２デバイスの少なくとも１つのダブレットのいずれかと関連付けられたＴＳＣＩに基づいて、アイテムの動きを全体的にかつ非同期的に追跡することと、のうちの少なくとも１つを行わせる。
他の新規な特徴は、以下の記述に部分的に記載されており、そして部分的に下記および添付の図面を検討することにより当業者に明らかになるであろうし、あるいは実施例の製造または操作により知ることができる。本教示の新規な特徴は、以下に考察される詳細な実施例に記載される方法論、手段および組み合わせの様々な態様の実践または使用によって実現され達成され得る。
本発明の一実施形態による実験のフロアプランを示す図。（ａ）一人、ＮＬＯＳ（ｂ）一人、ＮＬＯＳ、ファン運転（ｃ）二人、ＮＬＯＳ（ｄ）三人、ＮＬＯＳ。 本発明の一実施形態による、動作中のファンを有するＦＳＭ方式の状態遷移を示す図。 本発明の一実施形態による、被験者が５秒間立ち上がった状態での呼吸の推定を示す図。 本発明の一実施形態による、時間反転技術を使用してバイタルサインモニタ（呼吸数の推定）を取得する例示的な流れを示す図。 本発明の一実施形態による、提案されたアーキテクチャが以下のステップからなるＦＦＴベースの呼吸追跡（tracking）アルゴリズムを示す図。 本発明の一実施形態による、ＣＦＲサンプリングレートが１０Hz、８１タップを有するパスバンド０．１３３～０．７Hz、のフィルタ係数を示す図。 本発明の一実施形態による、（ａ）バンドパスフィルタリング前（ｂ）バンドパスフィルタリング後の１つのチャネルタップにおける経時的なＣＩＲ変動を示す図。 本発明の一実施形態による、（ａ）バンドパスフィルタリング前（ｂ）バンドパスフィルタリング後の１つのチャネルタップにおける経時的なＣＩＲ変動を示す図。 本発明の一実施形態による、１つのアンテナリンク上のすべてのＣＩＲタップにわたる呼吸信号の２－Ｄスペクトル図。 本発明の一実施形態による、リンク平均を実行した後のスペクトルを示す図。 本発明の一実施形態による、ピークを選択する異なる人々に関連するＦＳＭのための手順を示す図。 本発明の一実施形態による、一人の呼吸を追跡するためのＦＳＭを示す図。 本発明の一実施形態による、（ａ）ＦＳＭ有り（ｂ）ＦＳＭなしの一人用ＮＬＯＳシナリオの呼吸追跡の結果を示す図。 本発明の一実施形態による、ファンが作動している状態でのＦＳＭあり／なしの比較を示す図。 本発明の一実施形態による、１８ＢＰＭの呼吸数を有する一人用ＮＬＯＳシナリオでファンを作動させたときのＣＤＦパフォーマンスを示す図。 本発明の一実施形態による、２０ＢＰＭの呼吸数を有する一人用ＮＬＯＳシナリオの下でファンを作動させたときのＣＤＦパフォーマンスを示す図。 本発明の一実施形態による、（ａ）Ｃ＿ｗｉｎｄｏｗ＝ ３００（ｂ）Ｃ＿ｗｉｎｄｏｗ ＝ ４５０（ｃ）Ｃ＿ｗｉｎｄｏｗ ＝ ６００の下でのＦＳＭあり、２人用呼吸数推定を示す図。 本発明の一実施形態による、（ａ）Ｃ＿ｗｉｎｄｏｗ＝ ３００（ｂ）Ｃ＿ｗｉｎｄｏｗ ＝ ４５０（ｃ）Ｃ＿ｗｉｎｄｏｗ ＝ ６００の下でのＦＳＭなしの二人用呼吸数推定を示す図。 本発明の一実施形態による、オブジェクト追跡のための例示的な方法を示す図である 本発明の一実施形態による時空間情報の例を示す図。 本発明の一実施形態による、時空間情報に基づいて実行されるタスクの例を示す図。 本発明の一実施形態による、オブジェクト追跡のための別の例示的な方法を示す図。 本発明の一実施形態による、場所における時空間情報の例示的な提示を示す図。また、本発明の一実施形態による、場所内の時空間情報に基づいてオブジェクトの動きが検出される例示的なシナリオを示す。 本発明の一実施形態による、速度推定に基づくアンテナマッチングの例示を示す図。 本発明の一実施形態による、速度推定に基づくアンテナマッチングのための方法を示すフローチャート。 本発明の一実施形態による、動き検出のための例示的な方法のフローチャート。 本発明の一実施形態による、第１の無線デバイスの例示的なブロック図。 本発明の一実施形態による、第１の無線デバイスによって実行される例示的な方法のフローチャート。 本発明の一実施形態による、第２の無線デバイスの例示的なブロック図。 本発明の一実施形態による、第２の無線デバイスによって実行される例示的な方法のフローチャート。 本発明の一実施形態による、例示的な動き検出器を示す図。 本発明の一実施形態による、例示的な動き検出アルゴリズムを示す図。 本発明の一実施形態による、オブジェクト動き検出のための例示的方法を示す図。 本発明の一実施形態による、オブジェクト動き位置特定方法のための例示的フローチャート。 本発明の一実施形態による、時間反転技術を使用して屋内イベントを検出する例示的なフローを示す図。 本発明の一実施形態による、場所内のバイタルサインを検出およびモニタするための例示的なネットワーク環境を示す図。 本発明の一実施形態による、バイタルサインの検出およびモニタのためのシステムの例示的なブロック図。 本発明の一実施形態による、バイタルサインの検出およびモニタのためのバイタルサイン推定器の例示的なブロック図。 本発明の一実施形態による、バイタルサインの検出およびモニタのための例示的な方法のフローチャート。 本発明の一実施形態による、一人用呼吸モニタのための例示的な有限状態機械（ＦＳＭ）を示す図。 本発明の一実施形態による、ピークを選択する異なる人々に関連するＦＳＭのための例示的な手順を示す図。 本発明の一実施形態による、バイタルサイン推定のための例示的な方法のフローチャート。 本発明の一実施形態による、一人用呼吸モニタのためのＦＳＭである例示的なシステム状態コントローラを示す図。 本発明の一実施形態による、一人用呼吸モニタのためのＦＳＭの例示的な状態遷移を示す図。 本発明の一実施形態による、運転中のファンを有する、ＦＳＭを有する方式と有しない方式との間の比較に関する例示的な実験結果を示す図。 本発明の一実施形態による、動作中のファンを有するＦＳＭ方式の例示的な状態遷移を示す図。 本発明の一実施形態による、被験者が５秒間立ち上がった状態の例示的な呼吸推定を示す図。 本発明の一実施形態による、バイタルサインの検出およびモニタのための例示的な方法を示す図。 本発明の一実施形態による、繰り返し動きモニタの例示的なブロック図。 本発明の一実施形態による、繰り返し速度（例えば、呼吸数）を推定およびモニタするための例示的な方法のフローチャート。 本発明の一実施形態による、異なるシナリオの下での受信信号の例示的な自己相関関数を示す図。 本発明の一実施形態による、呼吸の検出および推定のために導出自己相関関数から抽出された例示的な特徴を示す図。 本発明の一実施形態による、呼吸信号の抽出および最大化のための例示的なスキームを示す図。 本発明の一実施形態による、複数人の繰り返し速度（例えば、呼吸数）推定の例示的な手順を示す図。 本発明の一実施形態による、動きモニタシステム内の装置の例示的な図。 本発明の一実施形態による、実世界の測定に基づく例示的な呼吸信号を示す図である。 本発明の一実施形態による、呼吸信号の抽出および最大化のための開示されたスキームの利益を示す図。 本発明の一実施形態による、ウェイク状態とスリープ状態との間の比較結果を示す図。 本発明の一実施形態による、ウェイク状態とスリープ状態との間の比較結果を示す図。 本教示の一実施形態による、異なる睡眠段階の呼吸数パフォーマンスを示す図。 本教示の一実施形態による、異なる睡眠段階の呼吸数パフォーマンスを示す図。 本発明の一実施形態による、睡眠モニタのための例示的なネットワーク環境を示す図。 本発明の一実施形態による、睡眠モニタのための例示的なアルゴリズム設計を示す図。 本発明の一実施形態による、座席占有検出および人数カウントのための自動車の例示的な室内鳥瞰図。 本教示の一実施形態による、自動車内の様々な座席占有状況によるＣＩの変化を示す図である。 本教示の一実施形態による、自動車内の様々な座席占有状況によるＣＩの変化を示す図である。 本教示の一実施形態による、自動車内の様々な座席占有状況によるＣＩの変化を示す図である。 本教示の一実施形態による、自動車内の様々な座席占有状況によるＣＩの変化を示す図である。
以下の詳細な説明では、関連する教示の完全な理解を提供するために、例として多数の具体的な詳細が記載されている。しかしながら、本教示がそのような詳細なしで実施されてもよいことは当業者に明らかである。他の例では、本教示の態様を不必要に曖昧にすることを避けるために、よく知られている方法、手順、コンポーネント（成分）、および／または回路が詳細なしで比較的高レベルで説明されている。
周期的な動き（たとえば呼吸）の検出と推定
本件は一般に周期的な動き検出及び推定に関する。より具体的には、本教示は、屋内環境または都市大都市圏、閉鎖環境、地下環境、駐車場、倉庫、庭、広場、森林、洞窟、谷などのような障壁を有する野外の場所における、豊かな散乱する無線環境において時間反転技術に基づく周期的な動き検出およびモニタに関する。
一例では、周期的な動きをモニタするシステムの方法／装置／デバイス／サーバ／クライアント／システムは、プロセッサ、プロセッサと通信可能に結合されたメモリ、およびメモリに格納された命令セットを使用して無線マルチパスチャネルの少なくとも１つのＴＳＣＩを取得することを含む。少なくとも１つのＴＳＣＩは、場所内の第１の位置にあるタイプ１異種無線デバイスと場所内の第２の位置にあるタイプ２異種無線デバイスとの間で無線マルチパスチャネルを介して送信される無線信号から抽出される。現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部が、場所内のオブジェクトの現在の擬似周期的動きと関連付けられることが判定される。無線マルチパスチャネルは、オブジェクトの現在の擬似周期的な動きによって現在のスライディング時間窓内で影響を受ける。
現在のスライディング時間窓内のオブジェクトの現在の特徴（characteristic）は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩの別の少なくとも一部分及び過去のスライディング時間窓内のオブジェクトの過去の特徴、のうちの少なくとも１つに基づいて計算される。少なくとも１つのＴＳＣＩが前処理される。方法に関連する計算のワークロードは、プロセッサ、タイプ１異種無線デバイス、タイプ２異種無線デバイス、および他のプロセッサの間で共有される。少なくとも１つのＴＳＣＩの時間ドメイン処理および周波数ドメイン処理は、現在のスライディング時間窓において実行され得る。周波数ドメインにおいて少なくとも１つのピークが検出され得る。オブジェクトの現在の特徴は、周波数ドメイン内の少なくとも１つのピークに基づいて計算することができる。
現在のスライディング時間窓内の特定のＴＳＣＩの特定の部分の各オリジナルのＣＩについて、オリジナルのＣＩのＮ１個の周波数ドメインコンポーネントは、逆周波数変換を使用して同じＣＩのＮ２個の時間ドメイン係数に変換され得る。各ＣＩは元のタイムスタンプと関連付けられてもよい。Ｎ２はＮ１より小さくてはいけない。Ｎ２個の係数のそれぞれは、時間遅延と関連付けられてもよい。特定のＴＳＣＩの特定の部分のすべての元のＣＩの元のタイムスタンプは、現在のスライディング時間窓において修正されてもよく、その結果、時間修正されたＣＩの修正されたタイムスタンプは、時間的に均一に間隔を空けられ得る。
特定の修正されたタイムスタンプにおいて計算されるべき時間修正されたＣＩのＮ２個の時間ドメイン係数のそれぞれについて、特定の修正されたタイムスタンプにおける時間修正されたＣＩの時間ドメイン係数は、元のタイムスタンプのオリジナルのＣＩの時間ドメイン係数に基づいて計算され得る。現在のスライディング時間窓内の特定のＴＳＣＩの特定の部分は、場所内のオブジェクトの現在の擬似周期的動きと関連付けられるように判定され得る。特定の部分はＮ0個のＣｌを含み得る。Ｎ０個のＣＩのそれぞれに対して、Ｎ１個の周波数ドメインコンポーネントが得られる。サイズＮ １×Ｎ ０の行列Ｇ１を決定することができ、ここで、Ｎ ０列のそれぞれは、それぞれのＣＩのそれぞれのＮ １個の周波数要素を含むことができる。各ＣＩに関連付けられた元のタイムスタンプを決定することができる。現在のスライディング時間窓における特定のＴＳＣＩの特定の部分のすべてのＣＩの元のタイムスタンプは、時間修正されたＣＩの修正されたタイムスタンプが時間的に一様に間隔を空けられるように修正され得る。オペレーションの出力のスペクトル分析は周波数ドメインで実行されてもよい。現在のスライディング時間窓内の特定のＴＳＣＩの特定の部分の各オリジナルのＣＩについて、同じＣＩのＮ２個の時間ドメイン係数は、周波数変換を使用してＮ２個の周波数ドメイン係数に変換され得る。
タイプ1デバイスには少なくとも1つのアンテナがある。タイプ２デバイスはまた少なくとも１つのアンテナを有することができる。少なくとも１つのＴＳＣＩのそれぞれは、タイプ１デバイスの少なくとも１つのアンテナのうちの１つと、タイプ２デバイスのうちの少なくとも１つのアンテナのうちの１つとに関連付けられ得る。アンテナリンクにわたる平均化は、少なくとも１つのＴＳＣＩにわたる平均化である。少なくとも１つの局所的極小値および周波数ドメインにおける少なくとも１つの局所的極小値を識別することができる。少なくとも１つの局所信号対雑音比のような（ＳＮＲのような）パラメータを、隣接する極大値および極小値の各対について計算することができる。いくつかの例では、周波数範囲の異なる部分は異なるように扱われ得る。過去のスライディング時間窓内の過去のピーク（「予約済み（reserved）」ピークを含む）を分析して、現在のスライディング時間窓内の「予測」ピークを得ることができる。周波数範囲内の可能性が高い局所領域または「予測領域」（例えば、過去のピークまたは「予測ピーク」の周囲の直接局所領域）を識別することができる。ピークのために全周波数範囲を探索する代わりに、ありそうな局所領域における高速局所探索が予測領域において実行されてもよい。予測領域の幅は時間とともに適応的に変更されてもよい。予測がますます正確になるにつれて、予測された領域は、正確さを維持しながら計算を節約するためにサイズが縮小され得る。新しいピークの検索（過去のピークには現れていない）において、高速グローバルサーチ（おそらくより低い精度の）も実行され得る。
「予測」ピークはゼロ次予測によって得ることができ、すなわち「予測」ピークは単に過去のピークであることができる。「予測された」ピークはまた、一次予測、二次予測、高次予測、および／または別の予測によって取得され得る。複数の予測を行い、組み合わせてハイブリッド予測を形成することができる。例えば、人間は最初は安静であり、毎分１８呼吸（ｂｐｍ）で呼吸しているかもしれない。呼吸数は時間とともに自然に１８ｂｐｍ前後に変動することがある。人は起き上がって動き始め（例えば、歩く、泳ぐ、走る、腕立て伏せをする、運動をするなど）、その結果、呼吸数は短時間で１８ｂｐｍから３０ｂｐｍに増加し得る。ゆっくりと変動する呼吸数（およそ１８bpm）は、「予測された」ピークによって追跡される（tracked）かもしれない。しかし、３０ｂｐｍは過去のピークによっては予測できない新しいピークであり得る。グローバルサーチは新しいピークを発見するために使用される。過去のピーク（重要であるが選択されていないもの、および／または予約されたものを含む）を分析し、異なる時間インスタンスにおけるピークを関連付けて、発展する周期的動きの「トレース」を形成することができる。ある時間ｔにおけるピークが、ｔ－１における過去のピーク（周波数差が閾値未満である）に十分に近い場合、２つのピークは、同じトレースに「関連付けられる」かまたは「接続される」ことができる。前の例では、新しいピークが３０ｂｐｍで突然現れ、１８ｂｐｍの過去のピークが突然消えた場合、３０ｂｐｍでの新しいピークは１８ｂｐｍのトレースと接続されるか関連付けられる。しかし、３０ｂｐｍが突然表示されたときに１８ｂｐｍが残っている場合は、３０ｂｐｍがまったく新しいトレースと見なされることがある。長いトレース、永続的なトレース、強いトレース、近いトレース、互いに交差するトレース、長い歴史を有する断続的なトレースなどの周辺の局所的領域に優先が与えられ得る。
すべてのアンテナリンクが分析のために組み合わされまたは平均されてもよいが、個々のアンテナおよび／またはアンテナのサブセットは別々に分析されてもよく、強い／持続的なピークが識別されてもよい。それらは他の有意なピークと一緒に考慮されるかもしれない。有限状態機械（ＦＳＭ）は、すべての組み合わせ（個々の、サブセットの、および／または全アンテナセット）に適用することができる。ＦＳＭは、異なる組み合わせに対しては異なり得る。ＦＳＭで使用される状態は、異なる組み合わせに対しては異なり得る。ＦＳＭは、全ての異なる組み合わせに対して全く同じであり得る。異なる予測ピークを異なる組み合わせで使用することができる。異なる組み合わせは、異なるピーク、異なるトレースなどを有し得る。異なる組み合わせは、任意のおよび／またはすべての工程において異なり得る。例えば、有限状態機械（ＦＳＭ）が使用される場合、それはＦＳＭの任意の状態においてその周波数において常に最も強いピークを選択し得る。
オブジェクトの現在の特徴は、時間遅延を伴って、または伴わずにリアルタイム、および／または非リアルタイムで利用可能（例えば、ソフトウェア、ソフトウェアモジュール、ハードウェアモジュール、プロセッサ、他のプロセッサ、他のデバイス、リモートデバイス、クラウドデバイスに対して）にされ得る。現在のスライディング時間窓は、時間が経過するにつれてシフトサイズだけ移動することがある。残りのスペクトルエネルギーは、全スペクトルエネルギーから選択された有意な局所ピークのセットに関連するスペクトルエネルギーを差し引くことによって計算されてもよい。オブジェクトの現在の特徴に関連するイベントは、残りのスペクトルエネルギー、適応閾値、および有限状態機械のうちの少なくとも１つに基づいて検出され得る。
周期的動きの検出と推定のための有限状態機械
決定閾値（すなわち、決定を下すための閾値）は、有限状態機械（ＦＳＭ）に基づいて適応的に計算することができる。閾値Ｔ１およびＴ２は、有限状態機械に基づいて適応的に計算することができる。有限状態機械は、ＩＮＩＴ状態、検証状態、ピークファウンド状態、および／またはモーション状態を含み得る。
有限状態機械（ＦＳＭ）のＩＮＩＴ状態は、少なくとも１つの所定の方法で入ることができる。閾値は、ＩＮＩＴ状態において第１の方法で適応的に計算することができる。閾値に基づいてイベントを検出することができる。ＩＮＩＴ状態は、少なくとも１つの遷移基準に基づいて他の状態に遷移することができる。閾値は、他の状態において他の方法で適応的に計算されてもよい。ＩＮＩＴ状態では、閾値は第１の方法で適応的に計算することができる。閾値、ならびに選択された有意な局所ピークのセットおよび／または関連する特徴に基づいて、イベントが検出され得る（すなわち、もし発生した場合、イベントを検出する試みにおいて検出動作が適用される）。過剰なバックグラウンド干渉的動きは、閾値および残りのスペクトルエネルギーに基づいて検出され得る（すなわち、もしあれば、あらゆる過剰なバックグラウンド干渉的動きを検出するために検出動作が適用される）。イベントが「検出されない」と結論付けられ、過剰なバックグラウンド干渉的動きが「検出されない」と結論付けられるとき、ＩＮＩＴ状態は変わらないままであり得る。イベントが事前に「検出」されていると結論付けられ、事前に検出されたイベントを検証する必要がある場合、ＩＮＩＴ状態は検証状態に遷移してもよい。過剰なバックグラウンド干渉的動きが「検出された」と結論付けられると、ＩＮＩＴ状態はモーション状態に遷移することができる。
検証状態では、閾値は第２の方法で適応的に計算されてもよい。少なくとも１つの隣接するスライディング時間窓における選択された有意な局所ピークのセットおよび関連する特徴に基づいて、少なくとも１つの統計（例えば、連続する「検出された」のカウント、またはＮの連続した時間インスタンスにおける「検出された」の割合）が累積され計算され得る。少なくとも１つの統計は、事前に検出されたイベントの検証用であり得る。例えば、検出は、少なくとも１つの隣接するスライディング時間窓のそれぞれに適用されてもよい。統計は、事前に検出されたイベントが「検出された」と結論づけられ続けた回数のカウントであり得る。十分な統計が検証のために収集され得るまで、少なくとも１つの統計（例えば、連続する「検出された」のカウント、またはＮ回の連続した時間インスタンスにおける「検出された」の割合）が蓄積され得る間、検証状態は変化しないままであり得る。閾値および少なくとも１つの統計に基づいて、事前に検出されたイベントを検証することができる（すなわち、事前に検出されたイベントを検証するためにオペレーションを適用することができる）。事前に検出されたイベントが「検証済み」と結論付けられる場合、検証状態はピークファウンド状態に遷移してもよい。検証が「検証されていない」と結論付けられ得るとき、検証状態はＩＮＩＴ状態に遷移し得る。検証が終了していない場合、検証状態は変更されないままになる。例えば、合計Ｎ個の連続したものが「検出された」と結論づけられた場合、またはＮ個の連続した時間インスタンスにおける「検出された」の割合がある閾値より大きい場合、「検証済み」と結論づけられる。
ピークファウンド状態では、閾値は、第３の方法で適応的であり得る。検証されたイベント（すなわち、ピークファウンド状態に入る直前に検証されているイベント）は、閾値および選択された有意な局所ピークのセットおよび／または関連する特徴に基づいて検出され得る。過剰なバックグラウンド干渉的動きは、閾値および残りのスペクトルエネルギーに基づいて検出され得る。検証されたイベントが「検証された」と結論付けられる場合、ピークファウンド状態は変更されないままであり得る。検証されたイベントが多数の時間インスタンスについて「検出されなかった」と結論づけられ得るとき、ピークファウンド状態はＩＮＩＴ状態に遷移し得る。（例えば、３回）過度のバックグラウンド干渉的動きが多数の時間インスタンスについて「検出された」と結論付けることができるとき、ピークファウンド状態はモーション状態に遷移することができる。
モーション状態では、閾値は第４の方法で適応的に計算されてもよい。過度のバックグラウンド干渉的動きは、閾値および残りのスペクトルエネルギーに基づいて検出され得る。過度のバックグラウンド干渉的動きが「検出された」と結論づけられるとき、モーション状態は不変のままであり得る。過度のバックグラウンド干渉的動きが多数の時間インスタンスについて「検出されなかった」と結論づけられ得るとき、モーション状態はＩＮＩＴ状態に遷移し得る。過度のバックグラウンド干渉的動きが多数の時間インスタンスについて「検出されなかった」と結論付けられると、モーション状態は以前の状態に遷移することもできる。前の状態は、そこから現在のモーション状態が開始された状態である。
複数のそれぞれのトレースを有する複数の周期的動きがモニタされるとき、各トレースは異なるＦＳＭを有することがある。言い換えれば、トレースのうちの１つに関連する１つのピークは検証状態にあり得、一方、別のトレースに関連する別のピークはピークファウンド状態にあり得る。
追加の状態を規定することができる。例えば、ＰｅａｋＦｏｕｎｄ状態からＩＮＩＴ状態への遷移の間に、「ＪｕｓｔＬｏｓｔ」状態（失われたばかりのトレースの場合）、または「ＴｅｍｐｏｒａｒｉｌｙＬｏｓｔ」状態（一時的に失われた断続的なトレースの場合）を追加できる。モーション状態は２つの状態に分けられる。ＰｅａｋＦｏｕｎｄ状態からＭｏｔｉｏｎ状態に入るピーク（またはトレース）の場合は「ＰｅａｋＦｏｕｎｄからのＭｏｔｉｏｎ」、ＩＮＩＴ状態からＭｏｔｉｏｎ状態に入るピーク（またはトレース）の場合は「ＭｏｔｉｏｎからＩｎｉｔ」、検証状態から動作状態に入るピーク（またはトレース）の場合は「検証からＭｏｔｉｏｎ」、ＩＮＩＴ状態ではない状態から動作状態に入るピーク（またはトレース）の場合は「非ＩＮＩＴからＭｏｔｉｏｎ」など。ＰｅａｋＦｏｕｎｄ状態からＩＮＩＴ状態に入るピーク（またはトレース）には、“Ｉｎｉｔ ａｆｔｅｒ ＰｅａｋＦｏｕｎｄ”状態があり得る。検証状態が遷移する可能性がある「検証からＭｏｔｉｏｎ」状態があり得る。大きな動きの場合は「ＨｕｇｅＭｏｔｉｏｎ」状態、普通程度の動きの場合は「ＳｍａｌｌＭｏｔｉｏｎ」状態もある。
干渉するバックグラウンド動作の異なる特徴を有する複数のモーション状態（例えば、モーション状態）があり得る。検出されたピークの異なる特性を有する複数の検証状態（例えば検証状態）があり得る。異なる初期および／またはデフォルトの特徴を有する複数の初期／待機状態（例えばＩＮＩＴ状態）があり得る。電力を節約するために計算量が少ないいくつかの低電力状態があり得る。ネットワークおよび／またはストレージに対するデータトラフィックが少ない低データレート状態があり得る。複数のタイプ１および／または複数のタイプ２デバイスが信頼できる周期的な動きを見つけるために協働するいくつかの協同状態があり得る。信頼、信頼性、価値、商品価値、ユーザクラス、ユーザの特徴、タイプ１デバイスのロケーション、タイプ２デバイスのロケーション、トレースの分類、トレースに関連する動きの特徴などに基づいて、優先順位がピーク／トレースに割り当てられる、いくつかの低優先順位状態、高優先順位状態、および／または可変優先順位状態があり得る。機械学習、トレーニング（training（訓練））、識別トレーニング、ディープラーニング、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、ＧＰＵ／ ＤＳＰ ／コプロセッサ／マルチコア／マルチプロセッシングアクセラレーションは、本開示のあらゆる／あらゆるステップに適用することができる。 過去の状態と現在の状態との様々な組み合わせについて、「現在のＩＮＩＴ、過去の動き」状態、「現在のＩＮＩＴ、過去のピークファウンド」状態などの複合状態があり得る。
時々、２つの周期的な動きがトレースを交差させたり、触れたり、接近したりする。2つのトレースが交差する「クロス」状態、2つのトレースが互いに干渉するのに十分近い「干渉」状態（例えば ２つのトレースは交差してもしなくてもよく、断続的に交差してもよく、規則的に／予測パターンで／統計的に静止したパターンで／周期的静止パターンで交差してもよい。）、複数（例えば２または３以上）のトレースの交差についての「マルチトレース」状態、長期トレースの場合に突然消える「ロスト」状態などがあり得る。
２つのトレースが互いに交差し、次いで分離するとき、交差後の２つのピークと２つのトレースとの関連付けは、ピークの予測に基づいてもよい。例えば、交差後に増加傾向にあるトレースは、交差前に増加傾向にある過去のトレースと関連付けることができ、逆もまた同様である。交差後の非常に変動するトレース（例えば、高い分散および／または高い全変動を伴う）は、同様に変動する特性を有する過去のトレースと関連付けられてもよい。交差の直後に、最初の関連付けが行われる。しかし、より多くの観測が得られ、短期／中期／長期のトレース行動がモニタされて間違った初期の関連を調整するのに使用されるので、近いうちに関連を見直すことが（１、２、またはそれ以上の回数）できる。
各トレースについて特徴は定義され、計算され、記憶され、表示され、そしてユーザに提供されることができる。例えば、それは、期間、過去の履歴、発生頻度、断続的な尺度、現在のランレングス、前のランレングス、ランの開始時間、ランの終了時間、信用、信頼、信頼性、ピークパワー、干渉バックグラウンドモーションパワー、分散、全変動、アンテナID、タイプ1デバイスID、タイプ2デバイスID、マルチタイプ1デバイス、マルチタイプ2デバイスなどであり得る。
パターン認識および／または機械学習をトレースに適用して短期、中期、長期の傾向を認識することができる。例えば、傾向は、長期的増加、短期的増加、振動、ドップラー効果などであり得る。接近するオブジェクトは、増加する周波数を有し得る。離れる／遠ざかるオブジェクトは、周波数が減少する可能性がある。左右に掃引する（sweeping）ファンが増減パターンを繰り返している可能性がある。足並み（gait）は、関連するピークの時間的傾向に「サイン（signature）」を有することがある。複数のＴｙｐｅ１装置に取り付けられたオブジェクト（例えば、車両は大きくてもよく、４つのＴｙｐｅ１デバイスを車両の四隅に設置してもよい）は、対応する状態を互いに相関させることができる。車両が回転している場合、複数のタイプ１デバイスのトレース（および／または屋内の動き追跡における追跡された動き）を相関させることができる。そのため、衝動的な妨害による誤った決定を避けるために、スマートな決定、より正確な/正確な決定を行うために、関連するタイプ１デバイスの複数のトレースを連帯的に（jointly）分析することができる。
複数の周期的な動き（例えば、複数の人々の呼吸）がモニタされているとき、異なる動きは異なるＦＳＭに関連付けられてもよい。１つのＦＳＭは他のものと相関し得る。たとえば、夫婦が同じベッドで寝ていることがある。ＦＳＭは夫に設定することができる。もう一つのＦＳＭは妻のためかもしれない。夫が起きると（例えば、水を飲むまたはトイレを使うために）、妻は邪魔されるかもしれない。各人の状態はその人の動きに関連し得るが、それは他の人の動き（および状態）に依存し得る。したがって、複数のＦＳＭの動作および状態遷移は一緒に決定され得る。たとえば、一方の人が状態変更を受けた場合、もう一方の人は何らかの変更を受ける可能性が高くなります。したがって、状態予測／ピーク予測は、それほど積極的ではない（すなわち、予測が非常に正確／信頼できると仮定すると）。より保守的なアプローチが使用されてもよい。例えば、ローカル検索で大きな検索範囲を使用するか、よりグローバルな検索を使用するか、より控えめなしきい値を使用するか、またはより大きい/小さいしきい値を使用する。
システム／相互接続
一実施形態では、本教示は、無線モニタシステムの方法、装置、デバイス、システム、および／またはソフトウェア（方法／装置／デバイス／システム／ソフトウェア）について開示している。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、プロセッサと通信可能に結合されたメモリ、およびメモリ中に記憶された命令セットを使用して得ることができる。時系列のＣＩ（time series of CＩ：ＴＳＣＩ）は、場所内でチャネルを通じてタイプ１（タイプ１）異種無線デバイスとタイプ２（タイプ２）異種無線デバイスとの間で送信される無線信号（信号）から抽出され得る。チャネルは、場所内でのオブジェクトの動きにより影響を受ける場合がある。オブジェクトのおよび／またはオブジェクトの動きの特性および／または時空間情報（例えば、動き情報）は、ＴＳＣＩに基づいてモニタされ得る。タスクは、特性（characteristics）および／または時空間情報（例えば、動き情報）に基づいて実施され得る。タスクに関連する提示（presentation）は、ユーザのデバイス上のユーザインターフェース（ＵＩ）で生成され得る。ＴＳＣＩは、前処理され得る。
タイプ１デバイスは、少なくとも１つの異種無線送信器を含み得る。タイプ２デバイスは、少なくとも１つの異種無線受信器を含み得る。タイプ１デバイスおよびタイプ２デバイスは、同一のデバイスであり得る。任意のデバイスは、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するようにメモリ中に記憶された命令セットと、を有することができる。いくつかのプロセッサ、メモリ、および命令セットは、協調し得る。同一のタイプ２デバイス（または複数のタイプ２デバイス）と相互作用する複数のタイプ１デバイスが存在する場合があり、および／または同一のタイプ１デバイスと相互作用する複数のタイプ２デバイスが存在する場合がある。複数のタイプ１デバイス／タイプ２デバイスは、同一の／異なる窓の幅／サイズおよび／またはタイムシフトと同期および／または非同期であってもよい。複数のタイプ１デバイスによって送られた無線信号は、同期および／または同時存在し得る。複数のタイプ１デバイス／タイプ２デバイスは、独立しておよび／または協同で動作してもよい。タイプ１および／またはタイプ２デバイスは、異種（heterogeneous）ハードウェア回路（例えば、無線信号を生成／受信すること、受信した信号からＣＩを抽出すること、またはＣＩを利用可能にすることが可能な異種チップまたは異種ＩＣ）を有し／を備え／であり得る。これらは、同一または異なるサーバ（例えば、クラウドサーバ、エッジサーバ、ローカルサーバ）に通信可能に結合され得る。あるデバイスの動作は、動作、状態、内部状態、ストレージ、プロセッサ、メモリ出力、物理的な場所、計算リソース、別のデバイスのネットワークに基づき得る。様々なデバイスは、直接および／または別のデバイス／サーバ／クラウドサーバを介して、通信することができる。デバイスは、関連する設定により１人以上のユーザと関連付けることができる。設定は、一度選択されるか、事前にプログラムされるか、および／または時間の経過と共に変更され得る。１つまたは複数のタイプ１デバイスが１つまたは複数のタイプ２デバイスと相互作用する場合、任意の処理（例えば、時間領域、周波数領域）は、異なるデバイスに対して異なる場合がある。処理は、位置、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、利用可能電力、アンテナ、アンテナタイプ、アンテナの指向性／単指向性、電力設定、および／またはデバイスの他のパラメータ／特性に基づくことができる。
無線受信器（例えば、タイプ２デバイス）は、無線送信器（例えば、タイプ１デバイス）から信号および／または別の信号を受信することができる。無線受信器は、別の無線送信器（例えば、第２のタイプ１デバイス）から別の信号を受信することができる。無線送信器は、信号および／または別の信号を別の無線受信器（例えば、第２のタイプ２デバイス）に送信することができる。無線送信器、無線受信器、別の無線受信器、および／または別の無線送信器は、オブジェクトおよび／または別のオブジェクトと共に移動することができる。別のオブジェクトは、追跡され得る。
タイプ１および／またはタイプ２デバイスは、少なくとも２つのタイプ２および／またはタイプ１デバイスと無線で結合することが可能であり得る。タイプ１デバイスは、場所内で別の場所でタイプ２デバイスから第２のタイプ２デバイスへの無線カップリングを切り換え／確立させることができる。同様に、タイプ２デバイスは、場所内で更に別の場所でタイプ１デバイスから第２のタイプ１デバイスへの無線カップリングを切り換え／確立させることができる。切り換えは、サーバ、プロセッサ、タイプ１デバイス、タイプ２デバイス、および／または別のデバイスによって制御することができる。切り換えの前後で使用される無線は、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（またはタイプ２デバイスと第２のタイプ１デバイスとの間）で送信させることができる。第２の信号から抽出されたチャネルの第２のＴＳＣＩを得ることができる。第２の信号は第１の信号であり得る。オブジェクトの特徴、時空間情報、および／または別の量は、第２のＴＳＣＩに基づいてモニタすることができる。タイプ１デバイスおよびタイプ２デバイスは、同一であり得る。
信号および／または別の信号には、データが埋め込まれていてもよい。信号は、一連のプローブ信号であり得る。プローブ信号には、データが埋め込まれていてもよい。プローブ信号は、データ信号で置換され得る。無線受信器、無線送信器、別の無線受信器、および／または別の無線送信器は、少なくとも１つのプロセッサ、それぞれのプロセッサと通信可能に結合されたメモリ、および／またはメモリ中に記憶されたそれぞれの命令セットと関連付けることができ、この命令セットは、実行されると、プロセッサに、オブジェクトの時空間情報（例えば、動き情報）、初期時空間情報、初期時間、方向、瞬間の場所、瞬間の角度、および／または速さを決めるのに必要な任意のおよび／またはすべてのステップを実施させる。プロセッサ、メモリ、および／または、命令セットは、タイプ１異種無線送受信器、少なくとも１つのタイプ２異種無線送受信器のうちの１つ、オブジェクト、オブジェクトと関連付けられたデバイス、場所と関連付けられた別のデバイス、クラウドサーバ、および／または別のサーバと関連付けることができる。
タイプ１デバイスは、場所内でのチャネルを介して、少なくとも１つのタイプ２デバイス（単数または複数）に、ブロードキャスト方式で信号を送信することができる。信号は、タイプ１デバイスが任意のタイプ２デバイスと無線接続（接続）を確立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デバイスで共通の特定の媒体アクセス制御（media access control：ＭＡＣ）アドレスに送信することができる。各タイプ２デバイスは、そのＭＡＣアドレスを特定のＭＡＣアドレスに調整することができる。
特定のＭＡＣアドレスは、場所と関連付けられ得る。関連付けは、関連付けサーバの関連付けテーブルに記録され得る。場所は、特定のＭＡＣアドレス、一連のプローブ信号、および／また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、および／または別のデバイスによって識別することができる。例えば、タイプ２デバイスは、（例えば、別の場所から）場所内の新しい場所に移動することができる。タイプ１デバイスは、タイプ１およびタイプ２デバイスが互いに認識しないように、場所内に新たにセットアップすることができる。セットアップ中に、タイプ１デバイスは、特定のＭＡＣアドレスに一連のプローブ信号を送信するように、（例えば、ダミー受信器を使用して、ハードウェアｐｉｎ設定／接続を使用して、記憶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、ダウンロードした設定を使用して、またはサーバを使用して）命令／誘導／原因と／制御、され得る。電源投入すると、タイプ２デバイスは、様々な場所での放送に使用され得る（例えば、指定ソース、サーバ、クラウドサーバ中に記憶された）ＭＡＣアドレス（例えば、家、オフィス、囲い地、フロア、高層ビル、ストア、空港、モール、スタジアム、ホール、駅、地下鉄、ロット、エリア、ゾーン、領域、地区、市、国、大陸などの様々な場所で使用される様々な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得る。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場合、タイプ２デバイスは、テーブルを使用して、ＭＡＣアドレスに基づいて場所を識別することができる。場所内でのタイプ２デバイスの場所は、特定のＭＡＣアドレス、一連のプローブ信号、および／またはプローブ信号からタイプ２デバイスによって得られた少なくとも１つのＴＳＣＩに基づいて計算することができる。計算は、タイプ２デバイスによって実施することができる。
特定のＭＡＣアドレスは、時間と共に変更され得る。タイムテーブル、ルール、ポリシー、モード、条件、状況、および／または変更に従って、変更され得る。特定のＭＡＣアドレスは、ＭＡＣアドレスの利用可能性、事前選択リスト、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、および／またはＭＡＣアドレス切り換え計画に基づいて選択され得る。特定のＭＡＣアドレスは、第２の無線デバイス（例えば、ダミー受信器、またはダミー受信器として機能する受信器）のＭＡＣアドレスであり得る。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することができる。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で送信されたプローブ信号からそれぞれのタイプ２デバイスによって得られ得る。選択されたチャネルは、時間と共に変更され得る。変更は、タイムテーブル、ルール、ポリシー、モード、条件、状況、および／または変更に従い得る。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、事前選択リスト、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、チャネル切り換え計画、基準、および／または考察に基づいて選択され得る。特定のＭＡＣアドレスおよび／または選択されたチャネルの情報は、ネットワークを介して、タイプ１デバイスとサーバとの間で通信され得る。特定のＭＡＣアドレスおよび／または選択されたチャネルの情報はまた、別のネットワークを介して、タイプ２デバイスとサーバとの間で通信され得る。タイプ２デバイスは、特定のＭＡＣアドレスおよび／また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などを介して）通信することができる。特定のＭＡＣアドレスおよび／または選択されたチャネルは、サーバによって選択され得る。特定のＭＡＣアドレスおよび／また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、および／またはサーバによってアナウンスチャネルにて信号で送られ得る。通信前に、任意の情報を前処理することができる。
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は、（例えば、信号ハンドシェイクを使用して）確立され得る。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）を別のデバイスに送信し得る。別のデバイスは、第２のハンドシェイク信号（例えば、命令、または送信可ＣＴＳ）をタイプ１デバイスに送ることと、タイプ１デバイスをトリガして、任意のタイプ２デバイスとの接続を確立することなく、信号（例えば、一連のプローブ信号）をブロードキャスト方式で複数のタイプ２デバイスに送信することと、によって返信することができる。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または肯定応答（例えば、ＡＣＫ）であり得る。第２のハンドシェイク信号は、場所の情報および／またはタイプ１デバイスの情報を有するデータを含み得る。
別のデバイスは、タイプ１デバイスと無線接続を確立する目的、第１の信号を受信する目的、および／または第２の信号を送信する目的（例えば、主要目的、副次目的）を有するダミーデバイスであり得る。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得る。別の実施例では、別のデバイスは、第３のハンドシェイク信号をタイプ１デバイスに送り、タイプ１デバイスをトリガして、任意のタイプ２デバイスとの接続を確立することなく、信号（例えば、一連のプローブ信号）を複数のタイプ２デバイスにブロードキャストし得る。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の特別信号に返信することができる。別のデバイスを使用して、２つ以上のタイプ１デバイスをトリガして、ブロードキャストすることができる。トリガは、順次、部分的に順次、部分的に並列、または完全に並列であり得る。別のデバイスは、複数の送信器を並行してトリガするための２つ以上の無線回路を有し得る。並列トリガはまた、別のデバイスと並行して（別のデバイスがするのと同様に）トリガを実施するために、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得る。別のデバイスは、タイプ１デバイスとの接続を確立後、は、タイプ１デバイスと通信しない（または通信を一時停止する）場合がある。一時停止された通信は、再開され得る。別のデバイスは、タイプ１デバイスとの接続を確立後、非アクティブモード、ハイバネーションモード、スリープモード、スタンバイモード、低電力モード、ＯＦＦモード、および／または電力ダウンモードに入ることができる。別のデバイスは、特定のＭＡＣアドレスを有することができ、これにより、タイプ１デバイスは、信号を特定のＭＡＣアドレスに送信する。タイプ１デバイスおよび／または別のデバイスは、タイプ１デバイスと関連付けられた第１のプロセッサ、別のデバイスと関連付けられた第２のプロセッサ、指定ソースと関連付けられた第３のプロセッサ、および／または別のデバイスと関連付けられた第４のプロセッサによって、制御および／または協調することができる。第１および第２のプロセッサは、互いに連係することができる。
第１の一連のプローブ信号は、タイプ１デバイスの第１のアンテナによって、少なくとも１つの第１のタイプ２デバイスに、第１の場所内の第１のチャネルを介して送信され得る。第２の一連のプローブ信号は、タイプ１デバイスの第２のアンテナによって、少なくとも１つの第２のタイプ２デバイスに、第２の場所内の第２のチャネルを介して送信され得る。第１の一連および第２の一連は、異なっていても、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デバイスとは異なっていてもよく、異なっていなくてもよい。第１および／または第２の一連のプローブ信号は、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なしでブロードキャストされ得る。第１および第２のアンテナは、同一であってもよく、異なっていてもよい。
２つの場所は、異なるサイズ、形状、マルチパス特性を有し得る。第１および第２の場所は、重複し得る。第１および第２のアンテナの周りのそれぞれの近接エリアは、重複し得る。第１および第２のチャネルは、同一であってもよく、異なっていてもよい。例えば、第１のものは、ＷｉＦｉであってもよく、第２のものは、ＬＴＥであってもよい。または、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。または、両方が２．４ＧＨｚのＷｉＦｉであってもよいが、異なるチャネル番号、ＳＳＩＤ名、および／またはＷｉＦｉ設定を有していてもよい。各タイプ２デバイスは、それぞれの一連のプローブ信号から少なくとも１つのＴＳＣＩを得ることができ、ＣＩは、タイプ２デバイスとタイプ１デバイスとの間のそれぞれのチャネルのものであり得る。いくつかの第１のタイプ２デバイス（単数または複数）およびいくつかの第２のタイプ２デバイス（単数または複数）は、同一であり得る。第１および第２の一連のプローブ信号は、同期／非同期であり得る。プローブ信号は、データと共に送信され得るか、またはデータ信号で置換され得る。第１および第２のアンテナは、同一であってもよく、異なっていてもよい。
第１の一連のプローブ信号は、第１のレート（例えば、３０Ｈｚ）で送信され得る。第２の一連のプローブ信号は、第２のレート（例えば、２００Ｈｚ）で送信され得る。第１および第２のレートは、同一であってもよく、異なっていてもよい。第１および／または第２のレートは、時間の経過と共に変更され得る。変更は、タイムテーブル、ルール、ポリシー、モード、条件、状況、および／または変更に従い得る。どのレートも時間と共に変更され得る。第１および／または第２の一連のプローブ信号は、第１のＭＡＣアドレスおよび／または第２のＭＡＣアドレスにそれぞれ送信され得る。２つのＭＡＣアドレスは、同一であってもよく、異なっていてもよい。第１の一連のプローブ信号は、第１のチャネルで送信され得る。第２の一連のプローブ信号は、第２のチャネルで送信され得る。２つのチャネルは、同一であってもよく、異なっていてもよい。第１または第２のＭＡＣアドレス、第１または第２のチャネルは時間の経過と共に変更され得る。任意の変更は、タイムテーブル、ルール、ポリシー、モード、条件、状況、および／または変更に従い得る。
タイプ１デバイスおよび別のデバイスは、制御および／もしくは協調される場合があり、物理的に取り付けられる場合があり、または共通のデバイスであり得る／内にあり得る／であり得る。これらは、共通データプロセッサによって制御／に接続され得るか、または共通バス相互接続／ネットワーク／ＬＡＮ／Ｂｌｕｅｔｏｏｔｈネットワーク／ＢＬＥネットワーク／ワイヤードネットワーク／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得る。これらは、共通メモリで共有されるか、または、共通ユーザ、ユーザデバイス、プロファイル、アカウント、識別情報（identity：ＩＤ）、世帯、家、物理アドレス、場所、地理座標、ＩＰサブネット、ＳＳＩＤ、ホームデバイス、オフィスデバイス、および／または製造デバイスと関連付けられ得る。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源であり得る（すなわち、それぞれの信号（例えば、それぞれの一連のプローブ信号）をそれぞれのタイプ２デバイスのセットに送信する）。各それぞれのタイプ２デバイスは、すべてのタイプ１デバイスの中から、信号源としてタイプ１デバイスを選択する。各タイプ２デバイスは、非同期的に選択できる。少なくとも１つのＴＳＣＩは、タイプ１デバイスからのそれぞれの一連のプローブ信号から各それぞれのタイプ２デバイスによって得ることができ、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のものである。
それぞれのタイプ２デバイスは、すべてのタイプ１デバイスの中から、タイプ１／タイプ２デバイスの識別情報（ＩＤ）、実施されるはずのタスク、過去の信号源、（例えば、過去の信号源、タイプ１デバイス、別のタイプ１デバイス、それぞれのタイプ２受信器、および／または別のタイプ２受信器の）履歴、信号源を切り替えるための閾値、ならびに／または（例えば、タイプ１デバイスおよび／またはそれぞれのタイプ２受信器と関連付けられた）ユーザ、アカウント、アクセス情報、パラメータ、特性、および／もしくは信号強度の情報に基づいて、信号源としてタイプ１デバイスを選択する。最初は、タイプ１デバイスは、初期時に初期のそれぞれのタイプ２デバイスのセットの信号源であり得る（すなわち、タイプ１デバイスは、初期のそれぞれのタイプ２デバイスのセットにそれぞれの信号（一連のプローブ信号）を送信する）。各初期のそれぞれのタイプ２デバイスは、すべてのタイプ１デバイスの中から、信号源としてタイプ１デバイスを選択する。
特定のタイプ２デバイスの信号源（タイプ１デバイス）は、（１）タイプ２デバイスの現在の信号源から受信された、２つの隣接するプローブ信号間（例えば、現在のプローブ信号と直前のプローブ信号との間、また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源と関連付けられた信号強度が第２の閾値未満である場合、（３）タイプ２デバイスの現在の信号源と関連付けられた処理された信号強度が第３の閾値未満であり、信号強度は、低域フィルタ、帯域フィルタ、メジアンフィルタ、移動平均フィルタ、加重平均フィルタ、線形フィルタ、および／もしくは線形フィルタで処理されている場合、ならびに／または（４）タイプ２デバイスの現在の信号源と関連付けられた信号強度（または処理された信号強度）が、最近の時間窓のかなりのパーセンテージ（例えば、７０％、８０％、９０％など）について第４の閾値未満である場合、変更され得る。パーセンテージは、第５の閾値を超える場合がある。第１、第２、第３、第４、および／または第５の閾値は、経時変化する場合がある。条件（１）は、タイプ１デバイスおよびタイプ２デバイスが、互いに漸進的に離れていき、これにより、タイプ１デバイスからのいくら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場合に起こり得る。条件（２）～（４）は、２つのデバイスが、互いに離れていき、これにより、信号強度が非常に弱くなる場合に起こり得る。タイプ２デバイスの信号源は、その他のタイプ１デバイスが、現在の信号源の係数（例えば、１、１．１、１．２、または１．５など）より弱い信号強度を有する場合、変化しない場合がある。信号源が変化すると、新しい信号源は、近い将来（例えば、それぞれの次回）に有効になり得る。新しい信号源は、最強の信号強度および／または処理された信号強度を有するタイプ１デバイスであり得る。現在の信号源および新しい信号源は、同一であってもよく、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維持され得る。リストは、それぞれのタイプ１デバイスのセットと関連付けられた信号強度および／また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得る。
タイプ２デバイスは、それぞれのプローブ信号レート、ＭＡＣアドレス、チャネル、特性／プロパティ／状態、タイプ２デバイスによって実施されるはずのタスク、第１および第２の一連の信号強度、および／または別の考察に基づいて、第１のタイプ１デバイスからの第１の一連のプローブ信号と第２のタイプ１デバイスからの第２の一連のプローブ信号との間から選択することができる。一連のプローブ信号は、規則的なレート（例えば、２００Ｈｚ）で送信され得る。一連のプローブ信号は、規則的な間隔（例えば、１００Ｈｚで０．０１秒）でスケジュールされてもよいが、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、および／または別の考察によって、短い時間の摂動を経験し得る。レートは、変更され得る。変更は、タイムテーブル（例えば、１時間に１回変更）、ルール、ポリシー、モード、条件、および／または変更（例えば、何らかのイベントが発生するたびに変更）に従い得る。例えば、レートは、通常、１００Ｈｚであり得るが、必要な状況では１０００Ｈｚに変更され、低電力／スタンバイ状況では１Ｈｚに変更され得る。プローブ信号は、バーストで送信されてもよい。
プローブ信号レートは、タイプ１デバイスまたはタイプ２デバイスによって実施されたタスクに基づいて変化し得る（例えば、タスクは、通常１００Ｈｚ、瞬間的に２０秒間は１０００Ｈｚが必要であり得る）。一実施例では、送信器（タイプ１デバイス）、受信器（タイプ２デバイス）、および関連するタスクは、クラス（例えば、低優先、高優先、緊急、重大、通常、特権的、非購読、購読（subscription）、支払い、および／または非支払いのクラス）に適応的に関連し得る。（送信器の）レートは、いくつかのクラス（例えば、高優先クラス）のために調整されている場合がある。クラスの必要性が変化したら、レートを変更することができる。受信器の電力が非常に低い場合、プローブ信号に応答するために受信器の電力消費を削減するためにレートが低減され得る。一実施例では、プローブ信号を使用して、電力を無線で受信器（タイプ２デバイス）に伝送することができ、レートを調整して、受信器に伝送される電力量を制御することができる。レートは、サーバ、タイプ１デバイス、および／またはタイプ２デバイスによって（または基づいて）変更され得る。制御信号は、それらの間で通信され得る。サーバは、タイプ２デバイスの必要性、および／またはタイプ２デバイスによって実施されるタスクをモニタ、追跡、予報、および／または予期することができ、かつタイプ１デバイスを制御して、レートを変更することができる。サーバは、タイムテーブルに従ってレートを変更するようにスケジュールすることができる。サーバは、緊急事態を検出して、すぐにレートを変更することができる。サーバは、展開中の条件を検出して、徐々にレートを調整することができる。
特徴および／または時空間情報（例えば、動き情報）は、特定のタイプ１デバイスおよび特定のタイプ２デバイスと関連付けられたＴＳＣＩに基づいて、個別にモニタされるか、ならびに／または特定のタイプ１デバイスおよび任意のタイプ２デバイスと関連付けられた任意のＴＳＣＩに基づいて、連帯的にモニタされるか、ならびに／または特定のタイプ２デバイスおよび任意のタイプ１デバイスと関連付けられた任意のＴＳＣＩに基づいて、連帯的にモニタされるか、ならびに／または任意のタイプ１デバイスおよび任意のタイプ２デバイスと関連付けられた任意のＴＳＣＩに基づいて、全体的にモニタされ得る。任意の共同モニタは、ユーザ、ユーザアカウント、プロファイル、世帯、場所の地図、および／またはユーザ履歴などに関連付けられ得る。
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得る。２つのチャネルは、異なる周波数帯域、帯域幅、搬送周波数、変調、無線規格、コーディング、暗号化、ペイロード特徴、ネットワーク、ネットワークＩＤ、ＳＳＩＤ、ネットワーク特徴、ネットワーク設定、および／またはネットワークパラメータなどと関連付けられ得る。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、２．５Ｇ、３Ｇ、３．５Ｇ、４Ｇ、４Ｇ超、５Ｇ、６Ｇ、７Ｇ、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、ＷｉＭａｘ、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、ＲＦＩＤ、ＵＷＢ、マイクロ波システム、レーダ様システムなどのうちの２つ）と関連付けられ得る。 例えば、一方は、ＷｉＦｉで、他方は、ＬＴＥである。２つのチャネルは、異なるネットワークにあるが同一の種類の無線システムと関連付けられ得る。例えば、第１のチャネルは、帯域幅が２０ＭＨｚの２．４ＧＨｚ帯の「Ｐｉｚｚａ ａｎｄ Ｐｉｚｚａ」と名付けられたＷｉＦｉネットワークと関連付けられる場合があり、一方、第２のチャネルは、帯域幅が４０ＭＨｚの５ＧＨｚ帯のＳＳＩＤが「ＳｔａｒＢｕｄ ｈｏｔｓｐｏｔ」であるＷｉＦｉネットワークと関連付けられる場合がある。２つのチャネルは、同一ネットワーク（例えば、「ＳｔａｒＢｕｄ ｈｏｔｓｐｏｔ」ネットワーク）内の異なるチャネルであり得る。
一実施形態では、無線モニタシステムは、複数のイベントと関連付けられたトレーニング（training（訓練））ＴＳＣＩに基づいて、場所内で複数のイベントの分類子（classifier）をトレーニングすることを含み得る。既知のイベントと関連付けられたそれぞれのトレーニング期間における場所内で起こる複数の既知のイベントの各々について、それぞれのトレーニング無線信号（例えば、それぞれの一連のトレーニングプローブ信号）は、第１のタイプ１異種無線デバイスのアンテナによって、第１のタイプ１デバイスのプロセッサ、メモリ、および命令セットを使用して、それぞれのトレーニング期間における場所内の無線マルチパスチャネルを介して、少なくとも１つの第１のタイプ２異種無線デバイスに送信され得る。少なくとも１つのそれぞれの時系列のトレーニングＣＩ（トレーニングＴＳＣＩ）は、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、（それぞれの）トレーニング信号から非同期的に得ることができる。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内の第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であり得る。少なくとも１つのトレーニングＴＳＣＩは、前処理され得る。
場所内で現在の期間内に起きた現在のイベントについて、現在の無線信号（例えば、一連の現在のプローブ信号）は、第２のタイプ１異種無線デバイスのアンテナによって、第２のタイプ１デバイスのプロセッサ、メモリ、および命令セットを使用して、場所内で現在のイベントと関連付けられた現在の期間内のチャネルを介して、少なくとも１つの第２のタイプ２異種無線デバイスに送信され得る。少なくとも１つの時系列のカレントＣＩ（カレントＴＳＣＩ）は、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、カレント信号（例えば、一連のカレントプローブ信号）から非同期的に得ることができる。ＣＩは、現在のイベントと関連付けられた現在の期間内の第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であり得る。少なくとも１つの現在のＴＳＣＩは、前処理され得る。
分類子は、少なくとも１つの第２のタイプ２デバイスによって、一連の現在のプローブ信号から得られた少なくとも１つの現在のＴＳＣＩを分類すること、特定の現在のＴＳＣＩの少なくとも１つの部分を分類すること、および／または特定の現在の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ことに適用され得る。分類子はまた、現在のイベントと、既知のイベント、未知のイベント、および／または別のイベントとを関連付けるために適用され得る。各ＴＳＣＩは、各々がそれぞれのタイムスタンプと関連付けられた少なくとも１つのＣＩを含み得る。２つのタイプ２デバイスと関連付けられた２つのＴＳＣＩは、異なる開始時間、持続時間、停止時間、ＣＩの量、サンプリング頻度、サンプリング周波数と異なる場合があり得る。これらのＣＩは、異なる特徴を有し得る。第１および第２のタイプ１デバイスは、場所内の同一の場所であり得る。これらは、同一のデバイスであり得る。少なくとも１つの第２のタイプ２デバイス（またはこれらの場所）は、少なくとも１つの第１のタイプ２デバイス（またはこれらの場所）の置換（permutation）であり得る。特定の第２のタイプ２デバイスおよび特定の第１のタイプ２デバイスは、同一のデバイスであり得る。
第１のタイプ２デバイスの部分集合および第２のタイプ２デバイスの部分集合は、同一であり得る。少なくとも１つの第２のタイプ２デバイスおよび／または少なくとも１つの第２のタイプ２デバイスの部分集合は、少なくとも１つの第１のタイプ２デバイスの部分集合であり得る。少なくとも１つの第１のタイプ２デバイスおよび／または少なくとも１つの第１のタイプ２デバイスの部分集合は、少なくとも１つの第２のタイプ２デバイスの部分集合の置換であり得る。少なくとも１つの第２のタイプ２デバイスおよび／または少なくとも１つの第２のタイプ２デバイスの部分集合は、少なくとも１つの第１のタイプ２デバイスの部分集合の置換であり得る。少なくとも１つの第２のタイプ２デバイスおよび／または少なくとも１つの第２のタイプ２デバイスの部分集合は、少なくとも１つの第１のタイプ２デバイスの部分集合と同一のそれぞれの場所であり得る。少なくとも１つの第１のタイプ２デバイスおよび／または少なくとも１つの第１のタイプ２デバイスの部分集合は、少なくとも１つの第２のタイプ２デバイスの部分集合と同一のそれぞれの場所であり得る。
タイプ１デバイスのアンテナおよび第２のタイプ１デバイスのアンテナは、場所内の同一の場所にあり得る。少なくとも１つの第２のタイプ２デバイスのアンテナ（単数または複数）および／または少なくとも１つの第２のタイプ２デバイスの部分集合のアンテナ（単数または複数）は、少なくとも１つの第１のタイプ２デバイスの部分集合のそれぞれのアンテナ（単数または複数）と同一のそれぞれの場所にあり得る。少なくとも１つの第１のタイプ２デバイスのアンテナ（単数または複数）および／または少なくとも１つの第１のタイプ２デバイスの部分集合のアンテナ（単数または複数）は、少なくとも１つの第２のタイプ２デバイスの部分集合のそれぞれのアンテナ１つまたは複数のと同一のそれぞれの場所（単数または複数）にあり得る。
第１のＴＳＣＩの第１の持続時間の第１のセクションとおよび第２のＴＳＣＩの第２のセクションの第２の持続時間の第２のセクションは、整合させることができる。第１のセクションの項目と第２のセクションの項目の間のマップが、計算され得る。第１のセクションは、第１の開始時間／終了時間を有する第１のＴＳＣＩの第１のセグメント、および／または処理された第１のＴＳＣＩの別のセグメントを含み得る。処理された第１のＴＳＣＩは、第１の演算によって処理された第１のＴＳＣＩであり得る。第２のセクションは、第２の開始時間および第２の終了時間を有する第２のＴＳＣＩの第２のセグメント、ならびに処理された第２のＴＳＣＩの別のセグメントを含み得る。処理された第２のＴＳＣＩは、第２の演算によって処理された第２のＴＳＣＩであり得る。
第１の演算および／または第２の演算には、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、および／または別の演算が含まれ得る。第１のセクションの第１の項目は、第２のセクションの第２の項目にマップされ得る。第１のセクションの第１の項目はまた、第２のセクションの別の項目にマップされ得る。第１のセクションの別の項目はまた、第２のセクションの第２の項目にマップされ得る。マッピングは、１対１、１対多、多対１、多対多であり得る。第１のＴＳＣＩの第１のセクションの第１の項目、第１のＴＳＣＩの別の項目、第１の項目のタイムスタンプ、第１の項目の時間差、第１の項目の時間微分、第１の項目の隣接タイムスタンプ、第１の項目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の項目、第２のＴＳＣＩの別の項目、第２の項目のタイムスタンプ、第２の項目の時間差、第２の項目の時間微分、第２の項目の隣接タイムスタンプ、および第２の項目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つの少なくとも１つの機能（function）は、少なくとも１つの制約を満たし得る。
１つの制約は、第１の項目のタイムスタンプと第２の項目のタイムスタンプとの間の差が適応上限閾値で上限が決められ、適応下限閾値で下限が決められ得ることであり得る。第１のセクションは、第１のＴＳＣＩ全体であり得る。第２のセクションは、第２のＴＳＣＩ全体であり得る。第１の持続時間は、第２の持続時間に等しい場合がある。ＴＳＣＩの持続時間のセクションは、適応的に決定され得る。ＴＳＣＩの暫定的なセクションは、計算され得る。セクション（例えば、暫定的なセクション、セクション）の開始時間および終了時間は、決定され得る。セクションは、暫定的なセクションの初め部分および終わり部分を除去することにより決定され得る。暫定的なセクションの初め部分は、次のとおり決定され得る。繰り返すが、タイムスタンプが増加する暫定的なセクションの項目は、一度に１項目ずつ現在の項目とみなすことができる。各繰り返しにおいて、少なくとも１つの活動性尺度が計算および／または考慮され得る。少なくとも１つの活動性尺度は、現在のタイムスタンプと関連付けられた現在の項目、現在のタイムスタンプより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項目、および／または現在のタイムスタンプより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項目のうちの少なくとも１つと関連付けられ得る。少なくとも１つの活動性尺度と関連付けられた少なくとも１つの基準が満たされている場合、現在の項目は、暫定的なセクションの初め部分に追加され得る。
活動性尺度（activity measure）と関連付けられた少なくとも１つの基準は、（ａ）活動性尺度が適応上限閾値より小さい、（ｂ）活動性尺度が適応下限閾値より大きい、（ｃ）少なくとも所定の量の連続したタイムスタンプについて、活動性尺度が適応上限閾値より連続して小さい、（ｄ）少なくとも別の所定の量の連続したタイムスタンプについて、活動性尺度が適応下限閾値より連続して大きい、（ｅ）少なくとも所定の量の連続したタイムスタンプの少なくとも所定のパーセンテージについて、活動性尺度が適応上限閾値より連続して小さい、（ｆ）別の所定の量の連続したタイムスタンプの少なくとも別の所定のパーセンテージについて、活動性尺度が適応下限閾値より連続して大きい、（ｇ）現在のタイムスタンプと関連付けられた別のタイムスタンプと関連付けられた別の活動性尺度が別の適応上限閾値より小さく、かつ別の適応下限閾値より大きい、（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つのそれぞれのタイムスタンプと関連付けられた少なくとも１つの活動性尺度がそれぞれの上限閾値より小さく、かつそれぞれの下限閾値より大きい、（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中の、それぞれの上限閾値より小さく、かつそれぞれの下限閾値より大きい、活動性尺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、および（ｊ）別の基準のうちの少なくとも１つを含み得る。
時間Ｔ１での項目と関連付けられた活動性尺度は、（１）時間Ｔ１での項目および時間Ｔ１－Ｄ１での項目の第１の関数であり、Ｄ１は、所定の正の量である（例えば、一定の時間オフセット）、第１の関数（２）時間Ｔ１での項目および時間Ｔ１＋Ｄ１での項目の第２の関数、（３）時間Ｔ１での項目および時間Ｔ２での項目の第３の関数であり、Ｔ２は、所定の量である（例えば、固定の初期基準時間；Ｔ２は、時間の経過と共に変更され得る；Ｔ２は、定期的に更新され得る；Ｔ２は、期間の初めであり得、Ｔ１は、期間内のスライディング時間であり得る）、第３の関数、ならびに（４）時間Ｔ１での項目および別の項目の第４の関数、のうちの少なくとも１つを含み得る。
第１の関数、第２の関数、第３の関数、および／または第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およびＹを有する関数（例えば、Ｆ（Ｘ，Ｙ，．．．））であり得る。２つの引数は、スカラーであり得る。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）、および（（Ｘ／Ｙ）＾ａ－ｂ）のうちの少なくとも１つの関数であり得、式中、ａおよびｂは、いくらかの所定量であり得る。例えば、関数は、単にａｂｓ（Ｘ－Ｙ）、または（Ｘ－Ｙ）＾２、（Ｘ－Ｙ）＾４であり得る。関数は、ロバスト関数であり得る。例えば、関数は、ａｂｓ（Ｘ－Ｙ）が閾値Ｔ未満である場合、（Ｘ－Ｙ）＾２であり得、ａｂｓ（Ｘ－Ｙ）が閾値Ｔより大きい場合、（Ｘ－Ｙ）＋ａであり得る。あるいは、関数は、ａｂｓ（Ｘ－Ｙ）がＴより大きい場合、一定であり得る。関数はまた、ａｂｓ（Ｘ－ｙ）がＴより大きい場合、関数が緩やかに増加することによって制限される場合があるので、異常値が結果に深刻な影響を与えない。関数の別の例は、（ａｂｓ（Ｘ／Ｙ）－ａ）であり得、式中、ａ＝１である。この方法では、Ｘ＝Ｙ（すなわち、変化なし、または活動なし）である場合、関数は、値０を与える。ＸがＹより大きい場合、（Ｘ／Ｙ）は１より大きく（ＸおよびＹは正と仮定）、関数は正になる。そして、ＸがＹ未満である場合、（Ｘ／Ｙ）は１より小さく、関数は負になる。別の実施例では、引数ＸおよびＹの両方は、Ｘ＝（ｘ＿１，ｘ＿２，．．．，ｘ＿ｎ）およびＹ＝（ｙ＿１，ｙ＿２，．．．，ｙ＿ｎ）のようにｎタプル（n-tuples）であり得る。関数は、ｘ＿ｉ、ｙ＿ｉ、（ｘ＿ｉ－ｙ＿ｉ）、（ｙ＿ｉ－ｘ＿ｉ）、ａｂｓ（ｘ＿ｉ－ｙ＿ｉ）、ｘ＿ｉ＾ａ、ｙ＿ｉ＾ｂ、ａｂｓ（ｘ＿ｉ＾ａ－ｙ＿ｉ＾ｂ）、（ｘ＿ｉ－ｙ＿ｉ）＾ａ、（ｘ＿ｉ／ｙ＿ｉ）、（ｘ＿ｉ＋ａ）／（ｙ＿ｉ＋ｂ）、（ｘ＿ｉ＾ａ／ｙ＿ｉ＾ｂ）、および（（ｘ＿ｉ／ｙ＿ｉ）＾ａ－ｂ）のうちの少なくとも１つの関数であり得、式中、ｉは、ｎタプルのＸおよびＹの成分インデックス（１≦ｉ≦ｎ）であり、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、次のｘ＿ｉ、ｙ＿ｉ、（ｘ＿ｉ－ｙ＿ｉ）、（ｙ＿ｉ－ｘ＿ｉ）、ａｂｓ（ｘ＿ｉ－ｙ＿ｉ）、ｘ＿ｉ＾ａ、ｙ＿ｉ＾ｂ、ａｂｓ（ｘ＿ｉ＾ａ－ｙ＿ｉ＾ｂ）、（ｘ＿ｉ－ｙ＿ｉ）＾ａ、（ｘ＿ｉ／ｙ＿ｉ）、（ｘ＿ｉ＋ａ）／（ｙ＿ｉ＋ｂ）、（ｘ＿ｉ＾ａ／ｙ＿ｉ＾ｂ）、および（（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毎の合計を含み得、式中、ｉは、ｎタプルのＸおよびＹの成分インデックスである。例えば、関数は、ｓｕｍ＿｛ｉ＝１｝＾ｎ（ａｂｓ（ｘ＿ｉ／ｙ＿ｉ）－１）／ｎ、またはｓｕｍ＿｛ｉ＝１｝＾ｎ ｗ＿ｉ×（ａｂｓ（ｘ＿ｉ／ｙ＿ｉ）－１）の形態であり得、式中、ｗ＿ｉは、成分ｉの重みである。
マップは、動的時間伸縮法（dynamic time warping：ＤＴＷ）を使用して計算され得る。ＤＴＷは、マップ、第１のＴＳＣＩの項目、第２のＴＳＣＩの項目、第１の持続時間、第２の持続時間、第１のセクション、および／または第２のセクションのうちの少なくとも１つに対する制約を含み得る。マップ内で、ｉ番目のドメイン項目は、ｊ番目の範囲項目にマッピングされていると仮定する。制約は、ｉおよびｊの許容可能な組み合わせ上にあり得る（ｉとｊとの間の関係に対する制約）。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計算され得る。 第１のセクションおよび第２のセクションは、整合され得、これにより、２つ以上のリンクを含むマップを第１のＴＳＣＩの第１の項目と第２のＴＳＣＩの第２の項目との間に確立することができる。各リンクについて、第１のタイムスタンプを有する第１の項目のうちの１つは、第２のタイムスタンプを有する第２の項目のうちの１つと関連付けられ得る。整合させた第１のセクションと整合させた第２のセクションとの間のミスマッチコストが計算され得る。ミスマッチコストは、マップの特定のリンク、およびマップの特定のリンクと関連付けられたリンク様（link-wise）コストによって関連付けられた、第１の項目と第２の項目との間の項目様（item-wise）コストの関数を含み得る。
整合させた第１のセクションおよび整合させた第２のセクションは、同一のベクトル長さの第１のベクトルおよび第２のベクトルとしてそれぞれ表現され得る。ミスマッチコストは、第１のベクトルと第２のベクトルとの間の、内積、内積様量（inner-product-like quantity）、相関に基づく量、共分散に基づく量、判別スコア、距離、ユークリッド距離、絶対距離、Ｌｋ距離（例えば、Ｌ１、Ｌ２，．．．）、重み付き距離、距離様量（distance-like quantity）、および／または別の相似値のうちの少なくとも１つを含み得る。ミスマッチコストは、それぞれのベクトル長さによって正規化され得る。
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たパラメータは、統計的分布でモデル化できる。統計的分布の、スケールパラメータ、場所パラメータ、および／または別のパラメータのうちの少なくとも１つを推定することができる。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得る。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得る。第１のスライディング窓は、第１のＴＳＣＩに適用され得、対応する第２のスライディング窓は、第２のＴＳＣＩに適用され得る。第１のＴＳＣＩの第１のスライディング窓および第２のＴＳＣＩの対応する第２のスライディング窓は、整合され得る。 第１のＴＳＣＩの整合された第１のスライディング窓と第２のＴＳＣＩの対応する整合された第２のスライディング窓との間のミスマッチコストが計算され得る。 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、および／または別のイベントのうちの少なくとも１つと関連付けられ得る。
分類子は、少なくとも１つの暫定的な分類結果を得るために、第１のＴＳＣＩの第１の持続時間の各第１のセクションおよび／または第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つに適用され得る。各暫定的な分類結果は、それぞれの第１のセクションおよびそれぞれの第２のセクションと関連付けられ得る。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、および／または別のイベントのうちの少なくとも１つと関連付けられ得る。現在のイベントは、第１のＴＳＣＩの２つ以上のセクションにおいて、かつ第２のＴＳＣＩのより多くのセッションの対応する暫定的な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、および／または別のイベントのうちの少なくとも１つと関連付けることができる。例えば、ミスマッチコストがＮ回連続して（例えば、Ｎ＝１０）特定の既知のイベントを指す場合、現在のイベントは、特定の既知のイベントと関連付けられ得る。別の実施例では、特定の既知のイベントを指す直前のＮ個の連続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を超える（例えば、＞８０％）場合、現在のイベントは、特定の既知のイベントと関連付けられ得る。
別の実施例では、現在のイベントは、期間内のほとんどの時間でミスマッチコストを最小にする既知のイベントと関連付けられ得る。現在のイベントは、全体のミスマッチコストを最小にする既知のイベントと関連付けられ得る。ここで、全体のミスマッチコストとは、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加重平均のことである。現在のイベントは、別の全体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得る。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で第１の閾値Ｔ１より小さ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」と関連付けられ得る。第２の閾値Ｔ２より小さい全体のミスマッチコストを達成するイベントがない場合、現在のイベントはまた、「未知のイベント」と関連付けられ得る。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および第２のＴＳＣＩの少なくとも１つの追加のセクションと関連付けられたミスマッチコストならびに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、および／または別のイベントのうちの少なくとも１つと関連付けられ得る。既知のイベントは、ドアクローズイベント、ドアオープンイベント、窓クローズイベント、窓オープンイベント、マルチステートイベント、オンステートイベント、オフステートイベント、中間ステートイベント、連続ステートイベント、離散ステートイベント、人間の存在イベント、人間の不在イベント、人のいる気配イベント、および／または人のいない気配イベントのうちの少なくとも１つを含み得る。各ＣＩについての射影（projection）は、トレーニングＴＳＣＩに基づいて次元削減方法（dimension reduction method）を使用して、トレーニングされ得る。次元削減方法は、主成分分析（principal component analysis：ＰＣＡ）、異なるカーネルによるＰＣＡ、独立成分分析（independent component analysis：ＩＣＡ）、Ｆｉｓｈｅｒ線形判別分析、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、オートエンコーダ、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、および／または別の方法のうちの少なくとも１つを含み得る。射影は、分類子についての、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および／または現在のＴＳＣＩのうちの少なくとも１つに適用され得る。少なくとも１つのイベントの分類子は、射影および少なくとも１つのイベントと関連付けられたトレーニングＴＳＣＩに基づいて、トレーニングされ得る。少なくとも１つの現在のＴＳＣＩは、射影および現在のＴＳＣＩに基づいて、分類され得る。射影は、トレーニングＴＳＣＩ、射影の再トレーニング前の少なくとも１つの現在のＴＳＣＩ、および／また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、次元削減方法およ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得る。別の次元削減方法は、主成分分析（ＰＣＡ）、異なるカーネルによるＰＣＡ、独立成分分析（ＩＣＡ）、Ｆｉｓｈｅｒ線形判別分析、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、オートエンコーダ、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、および／または更に別の方法のうちの少なくとも１つを含み得る。または別の方法のうちの少なくとも１つを含み得る。少なくとも１つのイベントの分類子は、再トレーニングされた射影、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、および／または少なくとも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得る。少なくとも１つの現在のＴＳＣＩは、再トレーニングされた射影、再トレーニングされた分類子、および／または現在のＴＳＣＩに基づいて分類され得る。各ＣＩは、複素数値のベクトルを含み得る。複素数値の大きさを与えるように、各複素数値を前処理できる。対応する複素数値の大きさを含む負でない実数のベクトルを与えるように、各ＣＩを前処理できる。各トレーニングＴＳＣＩは、射影のトレーニングにおいて加重され得る。射影は、２つ以上の射影された成分を含み得る。射影は、少なくとも１つの最も有意な射影された成分を含み得る。射影は、分類子にとって有益であり得る少なくとも１つの射影された成分を含み得る。
チャネル／チャネル情報／場所／時空間情報／動き／オブジェクト
チャネル情報（channel information：ＣＩ）は、信号強度、信号振幅、信号位相、受信信号強度インジケータ（received signal strength indicator：ＲＳＳＩ）、チャネル状態情報（channel state information：ＣＳＩ）、チャネルインパルス応答（channelimpulse response：ＣＩＲ）、チャネル周波数応答（channel frequencyresponse：ＣＦＲ）、チャネル特徴、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、モニタデータ、世帯データ、識別情報（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、記憶データ、暗号化データ、圧縮データ、保護データ、および／または別のチャネル情報と関連付けられ得る／を含み得る。ＣＩは、チャネルを介する信号の、周波数帯域、周波数シグニチャ、周波数位相、周波数振幅、周波数傾向、周波数特徴、周波数様特徴（frequency-like characteristics）、時間領域要素、周波数領域要素、時間周波数領域要素、直交分解特徴、および／または非直交分解特徴と関連付けられた情報と関連付けられ得る。
ＣＩは、信号の期間、時間シグニチャ、タイムスタンプ、時間振幅、時間位相、時間的傾向、および／または時間的特徴と関連付けられた情報とも関連付けられ得る。ＣＩは、信号の時間周波数分割、シグニチャ、振幅、位相、傾向、および／または特徴と関連付けられた情報と関連付けられ得る。ＣＩは、信号の分解と関連付けられ得る。ＣＩは、チャネルを介する信号の、方向、到達角度（angle of arrival：ＡｏＡ）、指向性アンテナの角度、および／または位相と関連付けられた情報と関連付けられ得る。ＣＩは、チャネルを介した信号の減衰パターンと関連付けられ得る。各ＣＩは、タイプ１デバイスおよびタイプ２デバイスと関連付けられ得る。各ＣＩは、タイプ１デバイスのアンテナおよびタイプ２デバイスのアンテナと関連付けられ得る。ＣＩは、ＣＩを提供できる通信ハードウェアから得ることができる。通信ハードウェアは、ＷｉＦｉ対応チップ／ＩＣ（集積回路）、８０２．１１または８０２．１６または別の無線／無線規格に準拠したチップ、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、ＢＬＥ（Ｂｌｕｅｔｏｏｔｈ ｌｏｗ ｐｏｗｅｒ）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）などであり得る。通信ハードウェアは、ＣＩを計算して、バッファメモリにＣＩを記憶して、ＣＩを抽出可能にする。ＣＩは、チャネル状態情報（ＣＳＩ）に関するデータおよび／または少なくとも１つのマトリックスを含み得る。少なくとも１つのマトリックスをチャネルイコライゼーション、および／またはビーム形成などに使用することができる。
チャネルは、場所と関連付けられ得る。減衰は、場所内での信号伝播、空気（例えば、場所の空気）を通じた／における／中の信号の伝播／反射／屈折／回折、屈折媒体／反射面（例えば、壁、ドア、家具、障害物、および／またはバリアなど）が原因であり得る。減衰は、フロア、天井、家具、作り付け家具、オブジェクト、人々、ペットなどの表面および障害物（例えば、反射面、障害物）での反射が原因であり得る。各ＣＩは、タイムスタンプと関連付けられ得る。各ＣＩは、Ｎ１個のコンポーネント（component）（例えば、ＣＦＲのＮ１個の周波数領域成分、ＣＩＲのＮ１個の時間領域成分、またはＮ１個の分解成分）を含み得る。各コンポーネントは、成分インデックスと関連付けられ得る。各コンポーネントは、実数、虚数、または複素数、大きさ、位相、フラグ、および／またはセットであり得る。各ＣＩは、複素数のベクトルまたはマトリックス、混合量のセット、および／または少なくとも１つの複素数の多次元コレクション（multi-dimensional collection）を含み得る。
特定の成分インデックスと関連付けられたＴＳＣＩのコンポーネントは、それぞれのインデックスと関連付けられたそれぞれのコンポーネント時系列を形成し得る。ＴＳＣＩは、Ｎ１個のコンポーネント時系列に分けられ得る。各それぞれのコンポーネント時系列は、それぞれの成分インデックスと関連付けられている。 オブジェクトの動きの特徴／時空間情報は、コンポーネント時系列に基づいてモニタされ得る。
コンポーネント－特徴時系列のＴＳＣＩのコンポーネント毎の特徴が計算され得る。コンポーネント毎の特徴は、スカラー（例えば、エネルギ）またはドメインおよび範囲を有する関数（例えば、自己相関関数、変換、逆変換）であり得る。オブジェクトの動きの特徴／時空間情報は、コンポーネント毎の特徴に基づいてモニタされ得る。ＴＳＣＩの全体特徴は、ＴＳＣＩの各コンポーネント時系列のコンポーネント毎の特徴に基づいて計算され得る。全体特徴は、コンポーネント毎の特徴の加重平均であり得る。オブジェクトの動きの特徴／時空間情報は、全特徴に基づいてモニタされ得る。
タイプ１デバイスおよびタイプ２デバイスは、ＷｉＦｉ、ＷｉＭａｘ、３Ｇ／３Ｇ超、４Ｇ／４Ｇ超、ＬＴＥ、５Ｇ、６Ｇ、７Ｇ、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、Ｚｉｇｂｅｅ、ＵＷＢ、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（登録商標）規格、および／または別の無線システムをサポートし得る。共通無線システムおよび／または共通無線チャネルは、タイプ１送受信器および／または少なくとも１つのタイプ２送受信器によって共有され得る。少なくとも１つのタイプ２送受信器は、共通無線システムおよび／または共通無線チャネルを使用して、それぞれの信号を同時期に送信し得る。タイプ１送受信器は、少なくとも１つのタイプ２送受信器に、共通無線システムおよび／または共通無線チャネルを使用して、信号を送信し得る。タイプ１デバイスは、一時的にタイプ２デバイスとして機能し得、その逆も同様であり得る。デバイスは、同時に、タイプ１デバイス（無線送信器）およびタイプ２デバイス（無線受信器の両方として機能し得る。各タイプ１デバイスおよびタイプ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得る。 各ＣＩは、タイプ１デバイスの送信アンテナのうちの１つおよびタイプ２デバイスの受信アンテナのうちの１つと関連付けられ得る。
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対に対応し得る。タイプ１デバイスは少なくとも１つのアンテナを有することができる。タイプ２デバイスはまた少なくとも１つのアンテナを有することができる。各ＴＳＣＩは、タイプ１デバイスのアンテナおよびタイプ２デバイスのアンテナと関連付けられ得る。アンテナリンクについて平均化または加重平均化を実施できる。平均化または加重平均化は、少なくとも１つのＴＳＣＩについてであり得る。平均化は、アンテナ対の部分集合に対応する少なくとも１つのＴＳＣＩの部分集合で、任意で実施されてもよい。ＴＳＣＩの一部のＣＩのタイムスタンプは、不規則である場合があり、かつ修正されている場合があり、これにより、時間修正されたＣＩの修正されたタイムスタンプは、時間的に均一に間隔を開けられている場合がある。複数のタイプ１デバイスおよび／または複数のタイプ２デバイスの場合、修正されたタイムスタンプは、同一または異なるクロックに関し得る。ＣＩの各々と関連付けられた元のタイムスタンプが決定され得る。元のタイムスタンプは、時間的に均一な間隔ではない可能性がある。現在のスライディング時間窓における特定のＴＳＣＩの特定の部分のすべてのＣＩの元のタイムスタンプは、時間修正されたＣＩの修正されたタイムスタンプが時間的に一様に間隔を空けられるように修正され得る。
特徴および／または時空間情報（例えば、動き情報）には、位置、位置の座標、位置の変更、位置（例えば、初期位置、新しい位置）、地図上の位置、高さ、水平場所、垂直場所、距離、変位、速さ、加速度、回転速さ、回転加速度、動きの角度、方位、動きの方向、回転、パス、変形、変換、縮小、拡大、歩行、歩行サイクル、頭の動き、繰り返しの動き、周期的動き、疑似の周期的動き、衝撃的動き、突然の動き、転倒の動き、過渡的動き、行動、過渡的行動、動きの周期、動きの頻度、時間的傾向、時間的プロファイル、時間的特徴、発生、変化、頻度の変化、タイミングの変化、歩行サイクルの変化、タイミング、開始時間、終了時間、持続時間、動きの履歴、動きの種類、動きの分類、周波数、周波数スペクトル、周波数特徴、存在、不在、近接、接近、後退、オブジェクトの識別情報、オブジェクトの構成、頭の動きのレート、頭の動きの方向、口腔関連レート、眼球関連レート、呼吸数、心拍数、手の動きのレート、手の動きの方向、脚の動き、体の動き、歩行レート、手の動きのレート、位置特徴、オブジェクトの運動と関連付けられた特徴、ツールの動き、機械の動き、複雑な動き、および／もしくは複数の動きの組み合わせ、イベント、動き統計、動きの大きさ、動きの位相、類似性スコア、距離スコア、ユークリッド距離、重み付き距離、ｋ＞２のＬ＿１ノルム、Ｌ＿２ノルム、Ｌ＿ｋノルム、統計的距離、相関、自己相関、共分散、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、動きの不在、動きの位置特定、動き識別、動き認識、オブジェクトの存在、オブジェクトの不在、オブジェクトの侵入、オブジェクトの退出、オブジェクトの変更、動きサイクル、動きカウント、歩行サイクル、動きリズム、変形運動、ジェスチャ、筆跡、頭の動き、口の動き、心臓の動き、内臓の動き、動きの傾向、サイズ、長さ、面積、体積、容量、形状、形態、タグ、開始場所、終了場所、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、オフィスイベント、工場イベント、倉庫イベント、製造イベント、組み立てラインイベント、メンテナンスイベント、自動車関連イベント、ナビゲーションイベント、追跡イベント、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、窓イベント、窓オープンイベント、窓クローズイベント、繰り返し可能イベント、ワンタイムイベント、消費量、未消費量、状態、物理的状態、健康状態、幸福状態、感情状態、精神状態、別のイベント、ならびに／または別の情報が含まれ得る。プロセッサは、タイプ１異種無線デバイスおよびタイプ２異種無線デバイスと計算作業負荷を共有する。
タイプ１デバイスおよび／またはタイプ２デバイスは、ローカルデバイスであり得る。 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、サウンドバー、セットトップボックス、アクセスポイント、ルータ、リピータ、リモコン、スピーカ、ファン、冷蔵庫、電子レンジ、オーブン、コーヒーメーカ、湯沸かしポット、台所用品、テーブル、椅子、照明、ランプ、ドアロック、カメラ、マイク、動きセンサ、セキュリティデバイス、消火栓、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、コンピュータ周辺装置、電子パッド、ソファ、タイル、アクセサリ、スマートホームデバイス、スマートビークルデバイス、スマートオフィスデバイス、スマート建物デバイス、スマート製造デバイス、スマートウォッチ、スマートグラス、スマートクロック、スマートテレビ、スマートオーブン、スマート冷蔵庫、スマートエアコンディショナ、スマート椅子、スマートテーブル、スマートアクセサリ、スマートユーティリティ、スマートアプライアンス、スマート機械、スマートビークル、モノのインターネット（ＩｏＴ）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、スマートハウス、スマートオフィス、スマート建物、スマート駐車場、スマートシステム、および／または別のデバイスであり得る。各タイプ１デバイスは、それぞれの識別情報（ＩＤ）と関連付けられ得る。各タイプ２デバイスもまた、それぞれの識別情報（ＩＤ）と関連付けられ得る。ＩＤは、数字、テキストと数字の組み合わせ、名前、パスワード、アカウント、アカウントＩＤ、ウェブリンク、ウェブアドレス、何かの情報のインデックス、および／または別のＩＤを含み得る。ＩＤは、割り当てることができる。ＩＤは、ハードウェア（例えば、ハードワイヤード、ドングルおよび／またはその他のハードウェアを介して）、ソフトウェア、および／またはファームウェアによって割り当てることができる。ＩＤは、記憶することができ（例えば、データベースに、メモリに、サーバに、クラウドに、ローカルに記憶、リモートで記憶、永久に記憶、一時的に記憶）、かつ検索（retrieve）できる。ＩＤは、少なくとも１つの記録、アカウント、ユーザ、世帯、住所、電話番号、社会保障番号、顧客番号、別のＩＤ、タイムスタンプ、および／またはデータのコレクションと関連付けられ得る。タイプ１デバイスのＩＤおよび／またはＩＤの一部は、タイプ２デバイスで利用可能にされてもよい。ＩＤは、タイプ１デバイスおよび／またはタイプ２デバイスによって、登録、初期化、通信、識別、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、ログ取り、記録、カタログ作コンポーネント類、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、および／または知的財産制御のために使用され得る。
オブジェクトは、人、乗客、子供、老人、乳児、寝ている乳児、ビークル内の乳児、患者、労働者、高価値労働者、専門家、スペシャリスト、ウェイター、モールの客、空港／鉄道駅／バスターミナル／船舶ターミナルの旅行者、工場／モール／スーパーマーケット／オフィス／職場のスタッフ／労働者／カスタマーサービス担当者、下水／換気システム／リフト昇降路のサービスマン、リフト昇降路内のリフト、エレベーター、収監者、追跡／モニタ対象の人々、動物、植物、生き物、ペット、犬、猫、スマートフォン、フォンアクセサリ、コンピュータ、タブレット、ポータブルコンピュータ、ドングル、計算アクセサリ、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、ウォレット、パース、ハンドバッグ、バックパック、商品、貨物、荷物、機材、モータ、機械、エアコンディショナ、ファン、エアコンディショニング機材、作り付け照明、可動照明、テレビ、カメラ、オーディオおよび／もしくはビデオ機材、ステーショナリ（stationary）、モニタ機材、部品、看板、ツール、カート、チケット、駐車券、市外交換証、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、台所用品、テーブル、椅子、クリーニング機材／ツール、ビークル、自動車、駐車施設内の自動車、倉庫／ストア／スーパーマーケット／流通センター内の商品、ボート、自転車、飛行機、ドローン、リモコン自動車／飛行機／ボート、ロボット、製造デバイス、組み立てライン、工場での材料／未完成の部品／ロボット／ワゴン／輸送、空港／ショッピングマート／スーパーマーケットで追跡対象のオブジェクト、非オブジェクト、オブジェクトの不在、オブジェクトの存在、形態を有するオブジェクト、形態が変化するオブジェクト、形態のないオブジェクト、流体の質量、液体の質量、ガス／煙の質量、火、炎、電磁（ＥＭ）源、ＥＭ媒体、ならびに／または別のオブジェクトであり得る。
オブジェクト自体は、ＷｉＦｉ、ＭｉＦｉ、３Ｇ／４Ｇ／ＬＴＥ／５Ｇ、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、ＷｉＭａｘ、Ｚｉｇｂｅｅ、メッシュネットワーク、アドホックネットワーク、および／またはその他のネットワークなどのいくつかのネットワークと通信可能に結合され得る。オブジェクト自体が、ＡＣ電源を備えて嵩高い場合があるが、設置、クリーニング、メンテナンス、修復などの間は移動される。また、可動プラットフォーム、例えば、リフト、パッド、ムーバブル、プラットフォーム、エレベーター、コンベヤベルト、ロボット、ドローン、フォークリフト、自動車、ボート、ビークルなどに設置され得る。オブジェクトは、複数の部分を有し得、各部分が、異なる運動を行う。例えば、オブジェクトは、歩いて前進する人であり得る。歩行中、左手および右手は、異なる瞬間速さ、加速度、動きなどで、異なる方向に動き得る。
無線送信器（例えば、タイプ１デバイス）、無線受信器（例えば、タイプ２デバイス）、別の無線送信器、および／または別の無線受信器は、（例えば、前の運動、現在の運動、および／または、将来の運動においてオブジェクトおよび／または別のオブジェクトと共に動くことができる。これらは、１つ以上の近くのデバイスに通信可能に結合され得る。これらは、ＴＳＣＩおよび／またはＴＳＣＩと関連付けられた情報を、近くのデバイスに、および／または互いに送信し得る。これらは、近くのデバイスを有し得る。無線送信器および／または無線受信器は、小型（例えば、コインサイズ、タバコの箱サイズ、またはもっと小さいサイズ）軽量ポータブルデバイスの一部であり得る。ポータブルデバイスは、近くのデバイスと無線で結合され得る。
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、スマートアプライアンス、スマートビークル、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得る。近くのデバイスは、インターネット、ワイヤードインターネット接続、および／また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、および／またはその他のサーバに接続され得る。近くのデバイスは、ポータブルであり得る。ポータブルデバイス、近くのデバイス、ローカルサーバ、および／またはクラウドサーバは、タスク（例えば、ＴＳＣＩを得る、オブジェクトの運動と関連付けられたオブジェクトの特徴／時空間情報の決定、時系列の電力情報の計算、特定の関数の決定／計算、局所的極値（local extremum）の探索、分類、時間オフセットの特定の値を識別、ノイズ除去、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ＣＩ抽出、切り換え、セグメンテーション、軌道の推定、地図の処理、補正、補正調整、調整、地図による補正、誤差の検出、境界ヒット（boundary hitting）のチェック、閾値法など）および情報（例えば、ＴＳＣＩ）のために計算および／またはストレージを共有し得る。
近くのデバイスは、オブジェクトと共に動いてもよいし、動かなくてもよい。近くのデバイスは、ポータブル／ポータブルでない／可動／非可動であってもよい。近くのデバイスは、バッテリ電源、ソーラーパワー、ＡＣ電源、および／またはその他の電源を使用することができる。近くのデバイスは、交換可能／交換不可能バッテリおよび／または充電可能／充電不可能バッテリを有し得る。近くのデバイスは、オブジェクトに類似していてもよい。近くのデバイスは、オブジェクトと同一の（および／または同様の）ハードウェアおよび／またはソフトウェアを有し得る。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／アドホックネットワーク／その他のネットワークへの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、スマート機械、スマート機材、スマートツール、スマートビークル、モノのインターネット（internet-of-thing：ＩｏＴ）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、および別のデバイスであり得る。
無線受信器と関連付けられた、近くのデバイスおよび／または少なくとも１つのプロセッサ、無線送信器、別の無線受信器、別の無線送信器、および／または、クラウドサーバ（クラウド内）は、オブジェクトの初期時空間情報を決定し得る。それらのうちの２つまたはそれ以上は、連帯的に初期時空間情報を決定し得る。それらのうちの２つまたはそれ以上は、初期時空間情報（例えば、初期位置）の決定において、中間情報を共有し得る。一実施例では、無線送信器（例えば、タイプ１デバイス、またはトラッカーボット（Tracker Bot））は、オブジェクトと共に動くことができる。無線送信器は、無線受信器（例えば、タイプ２デバイス、またはオリジン登録器（Origin Register））に信号を送信するか、またはオブジェクトの初期時空間情報（例えば、初期位置）を決定し得る。無線送信器はまた、オブジェクトの動き（時空間情報）をモニタするために、別の無線受信器（例えば、別のタイプ２デバイス、または別のオリジン登録器）に信号および／または別の信号を送信し得る。無線受信器はまた、オブジェクトの動きをモニタするために、無線送信器および／または別の無線送信器から信号および／または別の信号を受信し得る。無線受信器および／または別の無線受信器の場所は、既知であり得る。別の実施例では、無線受信器（例えば、タイプ２デバイス、またはトラッカーボット）は、オブジェクトと共に動くことができる。無線受信器は、オブジェクトの初期時空間情報（例えば、初期位置）を決定するために、無線送信器（例えば、タイプ１デバイス、またはオリジン登録器）から送信された信号を受信し得る。無線送信器はまた、オブジェクトの現在の動き（例えば、時空間情報）をモニタするために、別の無線送信器（例えば、別のタイプ１デバイス、または別のオリジン登録器）から信号および／または別の信号を受信し得る。無線送信器はまた、オブジェクトの動きをモニタするために、無線受信器および／または別の無線受信器（例えば、別のタイプ２デバイス、または別のトラッカーボット）に信号および／または別の信号を送信し得る。無線送信器および／または別の無線送信器の場所は、既知であり得る。
場所（venue）は、部屋、家、オフィス、職場、廊下、歩道、リフト、リフト昇降路、エスカレーター、エレベーター、下水システム、換気システム、階段、集合エリア、ダクト、エアダクト、パイプ、チューブ、密閉構造、半密閉構造、密閉エリア、少なくとも１つの壁を有するエリア、プラント、機械、エンジン、木でできた構造、ガラスでできた構造、金属でできた構造、壁を有する構造、ドアを有する構造、隙間を有する構造、反射面を有する構造、流体を有する構造、建物、ルーフトップ、ストア、工場、組み立てライン、ホテルの部屋、美術館、教室、学校、大学、政府の建物、倉庫、ガレージ、モール、空港、鉄道駅、バスターミナル、ハブ、交通ハブ、船舶ターミナル、政府施設、公共施設、学校、大学、エンタテイメント施設、レクリエーション施設、病院、老人ホーム、介護施設、コミュニティセンター、スタジアム、遊び場、公園、フィールド、スポーツ施設、水泳施設、トラックおよび／またはフィールド、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、野球スタジアム、体育館、ホール、ガレージ、ショッピングマート、モール、スーパーマーケット、製造施設、駐車施設、建設現場、採掘施設、輸送施設、高速道路、道路、谷、森林、木、土地、地形、小部屋、パティオ、地面、小道、アミューズメントパーク、市街地、田舎、郊外エリア、都市圏、ガーデン、広場、プラザ、音楽ホール、ダウンタウン施設、オーバーエア施設、セミオープン施設、閉鎖エリア、鉄道のホーム、鉄道駅、流通センター、倉庫、ストア、流通センター、ストレージ施設、地下施設、宇宙（例えば、地上、宇宙空間）施設、フローティング施設、洞窟、トンネル施設、屋内施設、野外施設、いくつかの壁／ドア／反射バリアを有する屋外施設、オープン施設、半オープン施設、自動車、トラック、バス、バン、コンテナ、船／ボート、潜水艇、列車、トラム、飛行機、ビークル、移動住宅、洞穴、トンネル、パイプ、チャネル、大都市圏、比較的高い建物のあるダウンタウンエリア、谷、井戸、ダクト、細道、ガスライン、オイルライン、送水管、細道／小路／道路／チューブ／空洞／洞穴／パイプ状構造／空域／流体域，を相互接続するネットワーク、人体、動物の体、体腔、臓器、骨、歯、軟組織、硬組織、硬質組織、非硬質組織、血管／体液管、気管、エアダクト、小部屋などのスペースであり得る。場所は、屋内、屋外であり得る。場所は、空間の内側および外側の両方を含み得る。例えば、場所は、建物の内側および建物の外側の両方を含み得る。例えば、場所は、１階または複数階の建物であることができ、建物の一部は、地下であることができる。建物の形状は、例えば、円形、正方形、矩形、三角形、または不規則な形状であり得る。これらは、単なる例である。本開示を使用して、その他の種類の場所または空間内のイベントを検出することができる。
無線送信器（例えば、タイプ１デバイス）および／または無線受信器（例えば、タイプ２デバイス）は、（例えば、前の運動および／または現在の運動において）オブジェクトと共に動くことができるポータブルデバイス（例えば、モジュール、またはモジュールを備えたデバイス）内に埋め込まれ得る。ポータブルデバイスは、ワイヤード接続（例えば、ＵＳＢ、マイクロＵＳＢ、Ｆｉｒｅｗｉｒｅ、ＨＤＭＩ（登録商標）、シリアルポート、パラレルポート、およびその他のコネクタを介して）および／または接続（例えば、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）、ＷｉＦｉ、ＬＴＥ、ＺｉｇＢｅｅなど）を使用して、オブジェクトと通信可能に結合され得る。ポータブルデバイスは、軽量デバイスであり得る。ポータブルは、バッテリ、充電可能バッテリ、および／またはＡＣ電源によって電力供給され得る。ポータブルデバイスは、超小型（例えば、１ミリメートル未満のスケールおよび／もしくは１センチメートル未満のスケール）、ならびに／または小型（例えば、コインサイズ、カードサイズ、ポケットサイズ、もしくはそれ以上）であり得る。ポータブルデバイスは、大型、大きい、および／または嵩高（例えば、設置される重機）であり得る。ポータブルデバイスは、ＷｉＦｉホットスポット、アクセスポイント、モバイルＷｉＦｉ（ＭｉＦｉ）、ＵＳＢ／マイクロＵＳＢ／ファイアワイア（Firew1ire）／その他のコネクタを備えるドングル、スマートフォン、ポータブルコンピュータ、コンピュータ、タブレット、スマートデバイス、モノのインターネット（ＩｏＴ）デバイス、ＷｉＦｉ対応デバイス、ＬＴＥ対応デバイス、スマートウォッチ、スマートグラス、スマートミラー、スマートアンテナ、スマートバッテリ、スマート照明、スマートペン、スマートリング、スマートドア、スマート窓、スマートクロック、小バッテリ、スマートウォレット、スマートベルト、スマートハンドバッグ、スマート衣服／衣料品、スマートオーナメント、スマート包装、スマートペーパー／本／雑誌／ポスター／印刷物／看板／ディスプレイ／照明付きシステム／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、スマートタイル／ブロック／れんが／建物材料／その他の材料、スマートゴミ箱／廃棄物コンテナ、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、スマート椅子／ソファ／ベッド、スマート靴／履物／カーペット／マット／シューラック、スマートグローブ／手袋／リング／ハンドウェア（hand ware）、スマートハット／ヘッドウェア／メイクアップ／ステッカー／タトゥ、スマートミラー、スマートトイ、スマートピル、スマートキッチン用品、スマートボトル／フードコンテナ、スマートツール、スマートデバイス、ＩｏＴデバイス、ＷｉＦｉ対応デバイス、ネットワーク対応デバイス、３Ｇ／４Ｇ／５Ｇ／６Ｇ対応デバイス、埋め込みデバイス、インプラント型デバイス、エアコンディショナ、冷蔵庫、ヒーター、暖炉、家具、オーブン、クッキングデバイス、テレビ／セットトップボックス（set-top box：ＳＴＢ）／ＤＶＤプレイヤ／オーディオプレイヤ／ビデオプレイヤ／リモコン、ｈｉ－ｆｉ、オーディオデバイス、スピーカ、ランプ／照明、壁、ドア、窓、ルーフ、ルーフタイル／屋根板／構造／屋根裏構造／デバイス／特徴／設備／作り付け家具、芝刈機／ガーデンツール／庭ツール／工具／ガレージツール／、ゴミ箱／コンテナ、２０フィート／４０フィートコンテナ、ストレージコンテナ、工場／製造／生産デバイス、修理ツール、流体コンテナ、機械、設置される機械、ビークル、カート、ワゴン、倉庫ビークル、自動車、自転車、オートバイ、ボート、大型船、飛行機、バスケット／ボックス／バッグ／バケツ／コンテナ、スマートプレート／カップ／ボウル／ポット／マット／キッチン用品／キッチンツール／キッチンデバイス／キッチンアクセサリ／キャビネット／テーブル／椅子／タイル／照明／送水管／蛇口／ガスレンジ／オーブン／食器洗い機／などであり得る。ポータブルデバイスは、交換可能、交換不可能、充電可能、および／または充電不可能であり得るバッテリを有し得る。ポータブルデバイスは、無線で充電できる。ポータブルデバイスは、スマートペイメントカードであり得る。ポータブルデバイスは、駐車場、高速道路、娯楽公園、または支払いが必要なその他の場所／施設で使用されるペイメントカードであり得る。ポータブルデバイスは、上記のように、識別情報（ＩＤ）を有することができる。
ＴＳＣＩに基づいてイベントをモニタすることができる。イベントは、オブジェクト関連イベント、例えば、オブジェクト（例えば、人および／または病人）の転倒、回転、逡巡、一時停止、衝撃（例えば、サンドバッグ、ドア、窓、ベッド、椅子、テーブル、机、キャビネット、箱、別の人、動物、鳥、はえ、テーブル、椅子、ボール、ボーリングボール、テニスボール、フットボール、サッカーボール、野球ボール、バスケットボール、バレーボールなどをたたく人）、ツーボディアクション（例えば、風船を放す人、魚を捕まえる、粘度を成形する、書類を書く、コンピュータでタイピングする人など）、ガレージ内を動く自動車、スマートフォンを持ちながら空港／モール／政府の建物／オフィス／などを歩き回る人、自律的な可動オブジェクト／動き回る機械（例えば、真空掃除機、ユーティリティビークル、自動車、ドローン、自動運転車など）であり得る。
タスクまたは無線スマートセンシングタスクには、オブジェクト検出、存在検出、オブジェクト認識、オブジェクト検証、ツール検出、ツール認識、ツール検証、機械検出、機械認識、機械検証、人間検出、人間認識、人間検証、乳児検出、乳児認識、乳児検証、人間呼吸検出、動き検出、動き推定、動き検証、周期的動き検出、周期的動き推定、周期的動き検証、定常動き検出、定常動き推定、定常動き検証、周期的定常動き検出、周期的定常動き推定、周期的定常動き検証、過渡的動き検出、過渡的動き推定、過渡的動き検証、トレンド検出、トレンド推定、トレンド検証、呼吸検出、呼吸推定、呼吸推定、人間バイオメトリクス検出、人間バイオメトリクス推定、人間バイオメトリクス検証、環境情報検出、環境情報推定、環境情報検証、歩行検出、歩行推定、歩行検証、ジェスチャ検出、ジェスチャ推定、ジェスチャ検証、機械学習、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、主コンポーネント分析、固有値分解、周波数分解、時間分解、時間周波数分解、関数分解、その他の分解、トレーニング、識別トレーニング、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、突然の動き検出、転倒検出、危険検出、生命の脅威検出、規則的な動き検出、定常動き検出、周期的定常動き検出、侵入検出、不審な動き検出、セキュリティ、安全モニタ、ナビゲーション、ガイダンス、地図による処理、地図による補正、不規則性検出、場所特定、追跡、複数のオブジェクト追跡、屋内追跡、屋内位置、屋内ナビゲーション、電力伝送、無線電力伝送、オブジェクトカウント、パーキングガレージ中での自動車追跡、患者検出、患者モニタ、患者検証、無線通信、データ通信、信号放送、ネットワーキング、コーディネーション、管理、暗号化、保護、クラウドコンピューティング、その他の処理および／またはその他のタスクが含まれ得る。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、エッジサーバ、クラウドサーバ、および／または別のデバイスによって実施され得る。
タスクの第１の部分には、前処理、信号調整、信号処理、後処理、ノイズ除去、特徴抽出、コーディング、暗号化、変換、マッピング、動き検出、動き推定、動き変化検出、動きパターン検出、動きパターン推定、動きパターン認識、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、呼吸数検出、呼吸数推定、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、心臓パターン検出、心臓パターン推定、心臓パターン認識、ジェスチャ検出、ジェスチャ推定、ジェスチャ認識、速さ検出、速さ推定、オブジェクト場所特定、オブジェクト追跡、ナビゲーション、加速推定、加速検出、転倒検出、変化検出、侵入者検出、乳児検出、乳児モニタ、患者モニタ、オブジェクト認識、無線電力伝送、および／または無線充電のうちの少なくとも１つが含まれ得る。
タスクの第２の部分には、スマートホームタスク、スマートオフィスタスク、スマート建物タスク、スマート工場タスク（例えば、機械または組み立てラインを使用する製造）、スマートモノのインターネット（ＩｏＴ）タスク、スマートシステムタスク、スマートホーム動作、スマートオフィス動作、スマート建物動作、スマート製造動作（例えば、資材／部品／原材料を機械／組み立てラインに移動）、ＩｏＴ動作、スマートシステム動作、部屋、領域および／もしくは場所のうちの少なくとも１つにおいて照明をオン、照明をオフ、照明を制御、サウンドクリップを再生、部屋、領域および／もしくは場所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、歓迎、グリーティング、別れ、第１のメッセージ、および／もしくはタスクの第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つのサウンドクリップを再生、部屋、領域および／もしくは場所のうちの少なくとも１つにおいてアプライアンスをオン、アプライアンスをオフ、アプライアンスを制御、部屋、領域および／もしくは場所のうちの少なくとも１つにおいて電気システムをオン、電気システムをオフ、電気システムを制御、部屋、領域および／もしくは場所のうちの少なくとも１つにおいてセキュリティシステムをオン、セキュリティシステムをオフ、セキュリティシステムを制御、部屋、領域および／もしくは場所のうちの少なくとも１つにおいて機械システムをオン、機械システムをオフ、機械システムを制御、ならびに／またはエアコンディショニングシステム、暖房システム、換気システム、照明システム、暖房デバイス、ストーブ、エンタテイメントシステム、ドア、フェンス、窓、ガレージ、コンピュータシステム、ネットワークデバイス、ネットワークシステム、ホームアプライアンス、オフィス機材、照明デバイス、ロボット（例えば、ロボットアーム）、スマートビークル、スマート機械、組み立てライン、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、および／もしく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、のうちの少なくとも１つが含まれ得る。
タスクとしては、ユーザの帰宅を検出、ユーザの外出を検出、ユーザの部屋から部屋への移動を検出、窓／ドア／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／日除けを検出／制御／ロック／アンロック／開く／閉じる／部分的に開く、ペットを検出、何かをしているユーザを検出／モニタ（例えば、ソファで寝る、ベッドルームで寝る、トレッドミルで走る、調理する、ソファに座る、ＴＶを観る、キッチンで食事をする、ダイニングルームで食事をする、階上／階下へ行く、外出する／帰宅する、トイレにいるなど）、ユーザ／ペットの場所をモニタ／検出、検出時に自動的に何かをする、ユーザを検出時に自動的にユーザのために何かをする、照明をオン／オフ／薄暗くする、音楽／無線／ホームエンタテイメントシステムをオン／オフ、ＴＶ／ＨｉＦｉ／セットトップボックス（ＳＴＢ）／ホームエンタテイメントシステム／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、エアコンディショニングシステムをオン／オフ／調整、換気システムをオン／オフ／調整、暖房システムをオン／オフ／調整、カーテン／照明シェードを調整／制御、コンピュータをオン／オフ／起動、コーヒーメーカ／湯沸かしポットをオン／オフ／予熱／制御、調理器具／オーブン／電子レンジ／別のクッキングデバイスをオン／オフ／制御／予熱、温度をチェック／調整、天気予報をチェック、電話メッセージボックスをチェック、メールをチェック、システムチェックを行う、システムを制御／調整、セキュリティシステム／ベビーモニターをチェック／制御／準備／解除、冷蔵庫をチェック／制御、報告の実施（例えば、Ｇｏｏｇｌｅ ｈｏｍｅ、Ａｍａｚｏｎ Ｅｃｈｏなどのスピーカを通して、ディスプレイ／スクリーン上で、ウェブページ／ｅメール／メッセージシステム／通知システムなどを介して）を挙げてもよい。
例えば、ユーザが自動車で家に着いたとき、タスクは、自動的に、ユーザまたは彼の自動車が接近しているのを検出する、検出するとすぐにガレージドアを開く、ユーザがガレージに近づくとドライブウェイ／ガレージ照明をオンする、エアコンディショナ／ヒーター／ファンをオンする、などをすることであり得る。ユーザが家に入ると、タスクは、自動的に、エントランス照明をオンする、ドライブウェイ／ガレージ照明をオフする、ユーザを歓迎するためにグリーティングメッセージを再生する、音楽をつける、ラジオをつけてユーザの好みのラジオニュースチャンネルに合わせる、カーテン／ブラインドを開ける、ユーザの気分をモニタする、ユーザの気分またはユーザの毎日のカレンダーにある現在の／差し迫ったイベントに応じて照明およびサウンド環境を調整する（例えば、ユーザは、１時間後にガールフレンドとディナーを食べることになっているので、ロマンチックな照明および音楽にする）、ユーザが朝に準備した電子レンジ内の食べ物を温める、家の中のすべてのシステムの診断チェックをする、明日の仕事のために天気予報をチェックする、ユーザの関心のあるニュースをチェックする、ユーザのカレンダーおよびｔｏ－ｄｏリストをチェックしてリマインドする、電話応答システム／メッセージシステム／ｅメールをチェックして対話システム／音声合成を使用して口頭で報告する、（例えば、スピーカ／ＨｉＦｉ／音声合成／音声／声／音楽／歌／音場／背景音場／対話システムなどの可聴ツールを使用して、ＴＶ／エンタテイメントシステム／コンピュータ／ノートブック／スマートパッド／ディスプレイ／照明／色／輝度／パターン／記号などの視覚ツールを使用して、触覚ツール／バーチャルリアリティーツール／ジェスチャ／ツールを使用して、スマートデバイス／アプライアンス／用具／家具／作り付け家具を使用して、ｗｅｂツール／サーバ／クラウドサーバ／フォグサーバ／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を使用して、メッセージツール／通知ツール／通信ツール／スケジューリングツール／ｅメールを使用して、ユーザインターフェース／ＧＵＩを使用して、香り／匂い／芳香／味を使用して、神経ツール／神経系ツールを使用して、組み合わせを使用して、など）ユーザの母親の誕生日をリマインドして彼女に電話する、（例えば、上述のようにリマインドのためにツールを使用して）報告を準備して報告を実施する、ことであり得る。タスクは、あらかじめエアコンディショナ／ヒーター／換気システムをオンするか、またはあらかじめスマートサーモスタットの温度設定を調整し得る。ユーザがエントランスからリビングルームに移動すると、タスクは、リビングルーム照明をオンする、リビングルームカーテンを開く、窓を開く、ユーザの後ろのエントランス照明をオフする、ＴＶおよびセットトップボックスをオンする、ＴＶをユーザのお気に入りのチャンネルに設定する、ユーザの好みおよび条件／状態に従ってアプライアンスを調整する（例えば、照明を調整し、かつ音楽を選択／再生して、ロマンチックな雰囲気を作る）、などをすることであり得る。
別の例は、以下であり得る。ユーザが朝目覚めると、タスクは、ユーザがベッドルーム内を動いていることを検出する、ブラインド／カーテンを開く、窓を開く、アラームクロックをオフする、夜間温度プロファイルから日中温度プロファイルへと屋内温度を調整する、ベッドルーム照明をオンする、ユーザがレストルームに近づくとレストルーム照明をオンする、無線またはストリーミングチャネルをチェックして朝のニュースを再生する、コーヒーメーカをオンして水を予熱する、セキュリティシステムをオフする、などをすることであり得る。ユーザがベッドルームからキッチンへ歩いているとき、タスクは、キッチンおよび廊下の照明をオンする、ベッドルームおよびレストルームの照明をオフする、ベッドルームからキッチンに音楽／メッセージ／リマインダーを移動する、キッチンのＴＶをオンする、ＴＶを朝のニュースチャンネルに変える、キッチンのブラインドを下げてキッチンの窓を開け新鮮な空気を入れる、ユーザが裏庭をチェックするために裏口をアンロックする、キッチンの温度設定を調整する、などをすることであり得る。別の例は、以下であり得る。ユーザが仕事のために家を出ると、タスクは、ユーザの外出を検出する、送別および／またはいってらっしゃいメッセージを再生する、ガレージドアを開く／閉じる、ガレージ照明およびドライブウェイ照明をオンする／オフする、エネルギ節約のために照明をオフする／薄暗くする（万が一ユーザが忘れている場合）、すべての窓／ドアを閉じる／ロックする（万が一ユーザが忘れている場合）、アプライアンスをオフする（特に、ストーブ、オーブン、電子レンジ）、侵入者に対して家を守るためにホームセキュリティシステムをオンする／装備する、エネルギ節約のために、エアコンディショニング／暖房／換気システムを「外出中」プロファイルに調整する、ユーザのスマートフォンにアラート／レポート／アップデートを送信する、などをすることであり得る。
動き（motion）には、動きなし、静止の動き、動かない動き、決定論的動き、過渡的動き、転倒の動き、繰り返しの動き、周期的動き、疑似の周期的動き、呼吸と関連付けられた周期的動き、心拍と関連付けられた周期的動き、生物と関連付けられた周期的動き、機械と関連付けられた周期的動き、人工物と関連付けられた周期的動き、自然と関連付けられた周期的動き、過渡的要素および周期的要素を含む複雑な動き、反復性の動き、非決定論的動き、確率論的動き、無秩序な動き、ランダム動き、非決定論的要素および決定論的要素を含む複雑な動き、定常ランダム動き、疑似定常ランダム動き、周期的定常ランダム動き、非定常ランダム動き、周期的自己相関関数（autocorrelation function：ＡＣＦ）による定常ランダム動き、ある期間にわたる周期的ＡＣＦによるランダム動き、ある期間にわたって疑似定常であるランダム動き、瞬間ＡＣＦがある期間にわたって疑似の周期的要素を有するランダム動き、機械の動き、機械的な動き、ビークルの動き、ドローンの動き、空気関連の動き、風関連の動き、気象関連の動き、水関連の動き、流体関連の動き、地面関連の動き、電磁気特徴の変化、地表下の動き、地震の動き、植物の動き、動物の動き、人間の動き、通常の動き、異常な動き、危険な動き、警告の動き、不審な動き、雨、火、洪水、津波、爆発、衝突、差し迫った衝突、人体の動き、頭の動き、顔の動き、眼の動き、口の動き、舌の動き、首の動き、指の動き、手の動き、腕の動き、肩の動き、体の動き、胸の動き、腹部の動き、腰の動き、脚の動き、足の動き、体の関節の動き、膝の動き、肘の動き、上半身の動き、下半身の動き、皮膚の動き、皮膚下の動き、皮下組織の動き、血管の動き、静脈内の動き、臓器の動き、心臓の動き、肺の動き、胃の動き、腸の動き、はらわたの動き、摂食の動き、呼吸の動き、顔の表情、眼の表情、口の表情、会話の動き、歌唱の動き、摂食の動き、ジェスチャ、手のジェスチャ、腕のジェスチャ、キーストローク、タイピングストローク、ユーザインターフェースのジェスチャ、人と機械の相互作用、歩行、ダンス運動、協調運動、ならびに／または協調身体運動のうちの少なくとも１つが含まれ得る。タイプ１デバイスおよび／または任意のタイプ２受信器の異種ＩＣは、低ノイズアンプ（ＬＮＡ）、パワーアンプ、送受信スイッチ、媒体アクセスコントローラ、ベースバンド無線、２．４ＧＨｚ無線、３．６５ＧＨｚ無線、４．９ＧＨｚ無線、５ＧＨｚ無線、５．９ＧＨｚ無線、６ＧＨｚ未満無線、６０ＧＨｚ未満無線、および／または別の無線を含み得る。
異種ＩＣ（heterogeneous 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するようにメモリ中に記憶された命令セットと、を備えることができる。ＩＣおよび／または任意のプロセッサには、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（central processing unit：ＣＰＵ）、グラフィカルプロセッサユニット（graphical processor unit：ＧＰＵ）、デジタル信号プロセッサ（digital signal processor：ＤＳＰ）、特定用途向け集積回路（application specific integrated circuit：ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（field programmable gate array：ＦＰＧＡ）、組込みプロセッサ（例えば、ＡＲＭ）、論理回路、その他のプログラマブルロジックデバイス、個別論理、および／または組み合わせのうちの少なくとも１つが含まれ得る。異種ＩＣは、ブロードバンドネットワーク、無線ネットワーク、モバイルネットワーク、メッシュネットワーク、セルラーネットワーク、無線ローカルエリアネットワーク（wireless local area network：ＷＬＡＮ）、ワイドエリアネットワーク（wide area network：ＷＡＮ）、およびメトロポリタンエリアネットワーク（metropolitan area network：ＭＡＮ）、ＷＬＡＮ規格、ＷｉＦｉ、ＬＴＥ、８０２．１１規格、８０２．１１ａ、８０２．１１ｂ、８０２．１１ｇ、８０２．１１ｎ、８０２．１１ａｃ、８０２．１１ａｄ、８０２．１１ａｆ、８０２，１１ａｈ、８０２．１１ａｘ、８０２．１１ａｙ、メッシュネットワーク規格、８０２．１５規格、８０２．１６規格、セルラーネットワーク規格、３Ｇ、３．５Ｇ、４Ｇ、４Ｇ超、４．５Ｇ、５Ｇ、６Ｇ、７Ｇ、８Ｇ、９Ｇ、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ－Ｅｎｅｒｇｙ（ＢＬＥ）、Ｚｉｇｂｅｅ、ＷｉＭａｘ、および／または別の無線ネットワークプロトコルをサポートし得る。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）、グラフィカルプロセッシングユニット（ＧＰＵ）、マルチプロセッサ、マルチコアプロセッサ、および／またはグラフィック機能を備えたプロセッサ、および／または組み合わせを含み得る。メモリは、揮発性、不揮発性、ランダムアクセスメモリ（random access memory：ＲＡＭ）、読み取り専用メモリ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ：ＲＯＭ）、電気的プログラマブルＲＯＭ（Electrically Programmable ROM：ＥＰＲＯＭ）、電気的消去可能プログラマブルＲＯＭ（Electrically Erasable Programmable ROM：ＥＥＰＲＯＭ）、ハードディスク、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、磁気ストレージ、光ストレージ、有機ストレージ、ストレージシステム、ストレージネットワーク、ネットワークストレージ、クラウドストレージ、エッジストレージ、ローカルストレージ、外部ストレージ、内部ストレージ、またはその他の形態の当該技術分野において既知の非一過性のストレージメディアであり得る。方法ステップに対応する命令セット（機械実行可能コード）は、ハードウェア中、ソフトウェア中、ファームウェア中、またはこれらの組み合わせ中に直接埋め込まれ得る。命令セットは、埋め込まれ、事前にロードされ、起動時にロードされ、オンザフライでロードされ、要望に応じてロードされ、事前にインストールされ、インストールされ、および／またはダウンロードされ得る。プレゼンテーションは、視聴覚的方法、グラフィカルな方法（例えば、ＧＵＩを使用した）、テキストの方法、記号の方法、または機械的方法によるプレゼンテーションであり得る。
基本的計算
本方法と関連付けられた計算作業負荷は、プロセッサ、タイプ１異種無線デバイス、タイプ２異種無線デバイス、ローカルサーバ、クラウドサーバ、および別のプロセッサ間で共有される。演算、前処理、処理、および／または後処理をデータ（例えば、ＴＳＣＩ、自己相関）に適用できる。演算は、前処理、処理、および／または後処理であり得る。前処理、処理、および／または後処理は、演算であり得る。演算には、前処理、処理、後処理、オペランド関数の計算、フィルタリング、線形フィルタリング、非線形フィルタリング、折畳み、グループ化、エネルギ消費、低域フィルタリング、帯域フィルタリング、高域フィルタリング、メジアンフィルタリング、ランクフィルタリング、四分位数フィルタリング、百分位数フィルタリング、モードフィルタリング、有限インパルス応答（finite impulse response：ＦＩＲ）フィルタリング、無限インパルス応答（infinite impulse response：ＩＩＲ）フィルタリング、移動平均（moving average：ＭＡ）フィルタリング、自己回帰（autoregressive：ＡＲ）フィルタリング、自己回帰移動平均（autoregressive moving averaging：ＡＲＭＡ）フィルタリング、選択的フィルタリング、適応フィルタリング、補間、デシメーション、サブサンプリング、アップサンプリング、リサンプリング、時間補正、タイムベース補正、位相補正、大きさ補正、相クリーニング、大きさクリーニング、マッチドフィルタリング、エンハンスメント、復元、ノイズ除去、平滑化、信号調整、エンハンスメント、復元、スペクトル分析、線形変換、非線形変換、周波数変換、逆周波数変換、フーリエ変換、ウェーブレット変換、ラプラス変換、ヒルベルト変換、アダマール変換、三角関数変換、サイン変換、コサイン変換、２のべき乗変換、スパース変換、グラフベース変換（graph-based transform）、グラフ信号処理、高速変換、ゼロパディングと組み合わせた変換、循環パディング（cyclic padding）、パディング、ゼロパディング、特徴抽出、分解、射影、正射影、非正射影、オーバーコンプリート射影（over-complete projection）、固有値分解、特異値分解（singular value decomposition：ＳＶＤ）、主コンポーネント分析（principle component analysis：ＰＣＡ）、独立コンポーネント分析（independent component analysis：ＩＣＡ）、グループ化、ソート、閾値法、ソフト閾値法、ハード閾値法、クリッピング、ソフトクリッピング、一次導関数（first derivative）、二次導関数、高次導関数、畳み込み、乗算、除算、加算、減算、積分、最大化、最小化、極大化、極小化、コスト関数の最適化、ニューラルネットワーク、認識、ラベリング、トレーニング、クラスタリング、機械学習、教師あり学習、教師なし学習、半教師あり学習、別のＴＳＣＩとの比較、類似性スコアの計算、量子化、ベクトル量子化、マッチング追跡、圧縮、暗号化、コーディング、記憶、送信、正規化、時間正規化、周波数領域正規化、分類、クラスタリング、ラベリング、タグ付け、学習、検出、推定、学習ネットワーク、マッピング、リマッピング、拡張、記憶、取り返す、送信、受信、表現、マージ、結合、分割、追跡、モニタ、マッチドフィルタリング、カルマンフィルタリング、粒子フィルタ、内挿、外挿、重点サンプリング、モンテカルロサンプリング、圧縮センシング、表現、マージ、結合、分割、スクランブリング、誤り保護、前方誤り訂正、何もしない、経時変化処理、調整平均、加重平均、算術平均、幾何平均、調和平均、選択された周波数での平均、アンテナリンクでの平均、論理演算、置換、組み合わせ、ソート、ＡＮＤ、ＯＲ、ＸＯＲ、和集合、論理積、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、および／または別の演算が含まれ得る。演算は、前処理、処理、および／または後処理であり得る。演算は、複数の時系列または関数に連帯的に適用され得る。
関数（例えば、オペランドの関数）には、スカラー関数、ベクトル関数、離散関数、連続関数、多項式関数、特徴、特徴、大きさ、位相、指数関数、対数関数、三角関数、超越関数、論理関数、線形関数、代数関数、非線形関数、区分線形関数、実関数、複素関数、ベクトル値関数、逆関数、関数の微分、関数の積分、円関数、別の関数の関数、１対１関数、１対多関数、多対１関数、多対多関数、ゼロ交差（zero crossing）、絶対値関数、指示関数、平均、最頻値、メジアン、範囲、統計、分散、算術平均、幾何平均、調和平均、トリムド平均、百分位数、平方、立方、根、累乗、サイン、コサイン、タンジェント、コタンジェント、正割、余割、楕円関数、放物線関数、双曲線関数、ゲーム関数、ゼータ関数、絶対値、閾値法、制限関数、床関数、丸め関数、符号関数、量子化、区分定数関数、合成関数、関数の関数、演算（例えば、フィルタリング）で処理された時間関数、確率論的関数、確率関数、ランダム関数、エルゴード関数、定常関数、確定関数、周期関数、変換、周波数変換、逆周波数変換、離散時間変換、ラプラス変換、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のべき乗変換、スパース変換、射影、分解、主コンポーネント分析（ＰＣＡ）、独立コンポーネント分析（ＩＣＡ）、ニューラルネットワーク、特徴抽出、移動関数、時系列の隣接項目の移動窓関数、フィルタリング関数、畳み込み、平均関数、分散関数、統計関数、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、離散サイン変換、アダマール変換、固有値分解、固有値、特異値分解（ＳＶＤ）、特異値、直交分解、マッチング追跡、スパース変換、スパース近似、任意分解、グラフベース処理、グラフベース変換、グラフ信号処理、分類、ラベリング、学習、機械学習、検出、推定、特徴抽出、学習ネットワーク、特徴抽出、ノイズ除去、信号強調、コーディング、暗号化、マッピング、リマッピング、ベクトル量子化、低域フィルタリング、高域フィルタリング、帯域フィルタリング、マッチドフィルタリング、カルマンフィルタリング、前処理、後処理、粒子フィルタ、ＦＩＲフィルタリング、ＩＩＲ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、一次導関数、高次導関数、積分、ゼロ交差、平滑化、メジアンフィルタリング、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、外挿、重点サンプリング、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、平均、分散、自己相関関数、相互相関、積率母関数、時間平均化、加重平均、特殊関数、ベッセル関数、誤差関数、相補誤差関数、ベータ関数、ガンマ関数、整関数、ガウス関数、ポアソン関数などが含まれ得る。
機械学習、トレーニング、識別トレーニング、ディープラーニング、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、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した加速は、本開示のステップ（または各ステップ）に適用され得る。周波数変換としては、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のべき乗変換、ゼロパディングおよび変換の組み合わせ、ゼロパディング付きフーリエ変換、ならびに／または別の変換が挙げられ得る。変換の高速バージョンおよび／または近似バージョンが実施され得る。変換は、浮動小数点演算および／または固定小数点演算を使用して実施され得る。逆周波数変換としては、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、逆サイン変換、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のべき乗変換、ゼロパディングおよび変換の組み合わせ、ゼロパディング付き逆フーリエ変換、ならびに／または別の変換が挙げられ得る。変換の高速バージョンおよび／または近似バージョンが実施され得る。変換は、浮動小数点演算および／または固定小数点演算を使用して実施され得る。
ＴＳＣＩからの量を計算することができる。量は、動き、場所、地図座標、高さ、速さ、加速度、運動角度、回転、サイズ、体積、時間的傾向、時間的傾向、時間プロファイル、周期的動き、頻度、過渡的、呼吸、歩行、アクション、イベント、不審なイベント、危険なイベント、警報イベント、警告、信念、近接、衝突、電力、信号、信号電力、信号強度、受信信号強度インジケータ（received signal strength indicator：ＲＳＳＩ）、信号振幅、信号位相、信号周波数コンポーネント、信号周波数帯域コンポーネント、チャネル状態情報（ＣＳＩ）、地図、時間、周波数、時間周波数、分解、直交分解、非直交分解、追跡、呼吸、心拍、バイオメトリクス、乳児、患者、機械、デバイス、温度、ビークル、駐車場、場所、リフト、エレベーター、空間、道路、流体の流れ、家庭、部屋、オフィス、家、建物、倉庫、ストレージ、システム、換気、ファン、パイプ、ダクト、人々、人間、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、衝撃的イベント、周期的定常、環境、振動、材料、表面、３次元、２次元、ローカル、グローバル、存在、および／または別のもののうちの少なくとも１つの統計を含み得る。
スライディング窓／アルゴリズム
スライディング時間窓は、経時変化窓幅を有し得る。高速に取得できるように初めは小さくてもよく、時間の経過と共に定常状態サイズまで増加することができる。定常状態サイズは、モニタされる周波数、繰り返しの動き、過渡的運動、および／または時空間情報に関し得る。定常状態であっても、窓サイズは、電池寿命、電力消費、利用可能な計算力、ターゲットの量の変化、モニタされる動きの性質などに基づいて、適応的に変化され得る。隣接する時間インスタンスでの２つのスライディング時間窓間のタイムシフトは、時間の経過と共に、一定／変更可能／局所的に適応的であり得る。より短いタイムシフトが使用される場合、任意のモニタの更新をより頻繁になってもよく、これは、高速に変化する状況、オブジェクトの動き、および／またはオブジェクトに使用され得る。より長いタイムシフトは、より遅い状況、オブジェクトの動き、および／またはオブジェクトに使用され得る。窓幅／サイズおよび／またはタイムシフトは、ユーザの要求／選択に応じて変更されてもよい。タイムシフトは、自動的に（例えば、プロセッサ／コンピュータ／サーバ／クラウドサーバによって制御される）および／または適応的に変更されてもよい。
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、パワースペクトル密度、時間関数、周波数領域関数、周波数変換）の少なくとも１つの特徴が（例えば、オブジェクト追跡サーバ、プロセッサ、タイプ１異種デバイス、タイプ２異種デバイス、および／または別のデバイスによって）決定され得る。関数の少なくとも１つの特徴としては、極大値、極小値、局所的極値、正の時間オフセットを有する局所的極値、正の時間オフセットを有する第１の局所的極値、正の時間オフセットを有するｎ番目の局所的極値、負の時間オフセットを有する局所的極値、負の時間オフセットを有する第１の局所的極値、負の時間オフセットを有するｎ番目の局所的極値、制約付き（制約内の引数を有する）最大、最小、制約付き最大、制約付き最小、制約付き極値、傾き、導関数、高次導関数、最大傾き、最小傾き、極大値傾き、正の時間オフセットを有する極大値傾き、極小値傾き、制約付き最大傾き、制約付き最小傾き、最大高次導関数、最小高次導関数、制約付き高次導関数、ゼロ交差、正の時間オフセットを有するゼロ交差、正の時間オフセットを有するｎ番目のゼロ交差、負の時間オフセットを有するゼロ交差、負の時間オフセットを有するｎ番目のゼロ交差、制約付きゼロ交差、傾きのゼロ交差、高次導関数のゼロ交差、および／または別の特徴が挙げられる。関数の少なくとも１つの特徴と関連付けられた、関数の少なくとも１つの引数を識別することができる。いくらかの量（オブジェクトの例えば、時空間情報）は、関数の少なくとも１つの引数に基づいて決定され得る。
特徴（characteristic）（例えば、場所内のオブジェクトの動きの特徴）は、瞬時特徴、短期特徴、反復特徴、繰り返し特徴、履歴、増分特徴、変動特徴、偏差特徴、位相、大きさ、時間特徴、周波数特徴、時間周波数特徴、分解特徴、直交分解特徴、非直交分解特徴、決定論的特徴、確率論的特徴、確率的特徴、自己相関関数（ＡＣＦ）、平均、分散、統計、持続時間、タイミング、傾向、周期的特徴、長期特徴、履歴特徴、平均特徴、現在の特徴、過去の特徴、将来特徴、予測特徴、場所、距離、高さ、速さ、方向、速度、加速度、加速度の変化、角度、角速さ、角速度、オブジェクトの角加速度、角加速度の変化、オブジェクトの配向、回転の角度、オブジェクトの変形、オブジェクトの形状、オブジェクトの形状の変化、オブジェクトのサイズの変化、オブジェクトの構造の変化、および／またはオブジェクトの特徴の変化のうちの少なくとも１つを含み得る。
関数の少なくとも１つの極大値および少なくとも１つの極小値を識別することができる。少なくとも１つの信号対雑音比様（local signal-to-noise-ratio-like）（ＳＮＲ様(like)）パラメータは、隣接する極大値および極小値の各対について計算され得る。ＳＮＲ様パラメータは、極小値と同一の量である極大値の量（例えば、電力、大きさなど）の分数の関数（例えば、線形、ｌｏｇ、指数関数、単調関数）であり得る。これはまた、極大値の量と同一量の極小値の量との間の差の関数でもあり得る。
有意な局所的ピークを識別または選択することができる。各有意な局所的ピークは、閾値Ｔ１より大きいＳＮＲ様パラメータの極大値および／または閾値Ｔ２より大きい振幅の極大値であり得る。永続性系アプローチを使用して、周波数領域における少なくとも１つの極小値および少なくとも１つの極小値を識別／計算することができる。選択された有意な局所的ピークのセットは、選択基準に基づいて、識別された有意な局所的ピークのセットから選択され得る。オブジェクトの特徴／時空間情報は、選択された有意な局所的ピークのセットと関連付けられた、選択された有意な局所的ピークおよび周波数値のセットに基づいて計算され得る。
一実施例では、選択基準は常に、ある範囲内で最強のピークを選択するように対応し得る。最強のピークが選択され得るが、選択されていないピークは、依然として有意（かなり強い）であり得る。選択されていない有意なピークは、将来のスライディング時間窓内において将来の選択に使用するための、「確保された」ピークとして記憶および／またはモニタされ得る。一例として、特定のピーク（特定の周波数にて）が、時間の経過と共に、均一に現れる場合がある。最初は、有意であるが選択されない場合がある（その他のピークが強い場合があるため）。しかし、後になって、ピークは、より強くより支配的になる場合があり、選択される場合がある。「選択された」状態になると、時間的に後戻りして、有意であるが選択されなかった場合に早くから「選択された」状態になり得る。かかる場合、後戻りしたピークは、早くに以前に選択されたピークで置き換わる場合がある。置き換えられたピークは、比較的弱いか、または、時間的に孤立して現れるピークである場合がある（すなわち、時間的に短時間だけ現れる）。別の実施例では、選択基準は、ある範囲内で最強のピークを選択するように対応しない場合がある。その代わりに、ピークの「強さ」だけでなく、ピークの「痕跡」を考慮する場合があり、このピークは、過去に起きたことがあるピーク、特に長期間識別されていたピークである。例えば、有限状態機械（finite state machine：ＦＳＭ）が使用される場合、ＦＳＭの状態に基づいてピーク(単数または複数)を選択することができる。決定閾値は、ＦＳＭの状態に基づいて、適応的に計算することができる。
ＴＳＣＩの一次的に隣接するＣＩの対に基づいて、類似性スコアおよび／またはコンポーネント類似性スコアを（例えば、サーバ、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、および／または別のデバイスによって、）計算することができる。 この対は、同一のスライディング窓または２つの異なるスライディング窓由来であり得る。類似性スコアはまた、２つの異なるＴＳＣＩからの、一時的に隣接するまたは隣接しないＣＩの対に基づき得る。類似性スコアおよび／またはコンポーネント類似スコアは、時間反転共鳴強度（time reversal resonating strength：ＴＲＲＳ）、相関、相互相関、自己相関、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、統計的特徴、判別スコア、メトリック、ニューラルネットワーク、ディープラーニングネットワーク、機械学習、トレーニング、判別、加重平均、前処理、ノイズ除去、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、コンポーネント毎の演算、特徴抽出、有限状態機械、および／または別のスコアであり得る／を含み得る。特徴および／または時空間情報は、類似性スコアに基づいて決定／計算することができる。任意の閾値は、事前に決定され得る、適応的に決定され得る、および／または有限状態機械によって決定され得る。適応決定は、時間、空間、場所、アンテナ、パス、リンク、状態、電池寿命、残りの電池寿命、利用可能な電力、利用可能な計算リソース、利用可能なネットワーク帯域幅などに基づき得る。２つのイベント（または２つの条件、または２つの状況、または２つの状態）ＡおよびＢを区別するために試験統計量に適用される閾値が決定され得る。データ（例えば、ＣＩ、チャネル状態情報（ＣＳＩ））は、トレーニング状況においてＡの下および／またはＢの下で収集され得る。試験統計量は、データに基づいて計算され得る。Ａの下の試験統計量の分布は、Ｂの下の試験統計量の分布と比較され得、閾値は、いくつかの判定基準に基づいて選択され得る。判定基準は、最尤法（maximum likelihood：ＭＬ）、最大事後確率推定法（maximum aposterior probability：ＭＡＰ）、識別トレーニング、所与のタイプ２誤差についての最小タイプ１誤差、所与のタイプ１誤差についての最小タイプ２誤差、および／またはその他の判定基準を含み得る。閾値は、Ａ、Ｂ、および／または別のイベント／条件／状況／状態に対して異なる感度を得るために調整され得る。閾値調整は、自動、半自動、および／または手動であり得る。閾値調整は、一度、時々、しばしば、定期的に、たまに、時折、および／または要望に応じて適用できる。閾値調整は、適応性であり得る。閾値調整は、オブジェクト、場所内の／場所での／場所のオブジェクトの運動／場所／方向／アクション、オブジェクトの特徴／時空間情報／サイズ／プロパティ／習性／習慣／行動、場所、フィーチャ／作り付け家具／家具／バリア／材料／機械／生き物／物／オブジェクト／境界／表面／媒体、地図、地図の制約、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、および／または個人的な好みなどに依存し得る。
繰り返しアルゴリズムの停止基準は、繰り返し中の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り得る。閾値は、０．５、１、１．５、２、または別の数字であり得る。閾値調整は、適応的であり得る。繰り返し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、回帰窓、回帰分析、回帰関数、回帰誤差、回帰関数の凸性、および／または繰り返し速度に基づいて決定され得る。局所的極値は、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得る。局所的極値は、回帰窓内の時間オフセット値のセットおよび関連する回帰関数値のセットに基づいて決定され得る。時間オフセット値のセットと関連付けられた関連する回帰関数値のセットの各々は、回帰窓内の回帰関数の対応する極値からの範囲内であり得る。
局所的極値の探索には、ロバスト探索、最小化、最大化、最適化、統計的最適化、二重最適化、制約最適化、凸最適化、大局的最適化、局所的最適化、エネルギ最小化、線形回帰、二次回帰、高次回帰、線形計画法、非線形計画法、確率的計画法、組合せ最適化、制約プログラミング、制約充足、変分法、最適制御、動的計画法、数理計画法、多目的最適化、マルチモーダル最適化、離接計画法、空間マッピング、無限次元最適化、ヒューリスティックス、メタヒューリスティックス、凸計画法、半正定値計画法、錐線形計画法、錐計画法、整数計画法、二次計画法、分数計画法、数値解析、シンプレックスアルゴリズム、反復法、勾配降下法、劣勾配法、座標降下法、共役勾配法、ニュートンアルゴリズム、逐次二次計画法、内点法、楕円体法、縮小勾配法、準ニュートン方法、同時摂動確率近似、内挿法、パターン探索法、直線探索、微分不可能最適化、遺伝的アルゴリズム、進化的アルゴリズム、動的緩和、山登り法、粒子群最適化、重力探索アルゴリズム、焼きなまし法、ミメティックアルゴリズム、差分進化、動的緩和、確率論的トンネリング、タブー探索法、反応探索最適化（reactive search optimization）、曲線あてはめ、最小二乗法、シミュレーションに基づく最適化、変分法、および／または変形が含まれ得る。局所的極値の探索は、目的関数、損失関数、コスト関数、効用関数、適合関数、エネルギ関数、および／またはエネルギ関数と関連付けられ得る。回帰は、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）または回帰窓内の別の関数（例えば、自己相関関数）に適合するように回帰関数を使用して実施され得る。少なくとも１回の繰り返しにおいて、回帰窓の長さおよび／または回帰窓の場所は、変化し得る。回帰関数は、線形関数、二次関数、三次関数、多項式関数、および／または別の関数であり得る。
回帰分析は、絶対誤差、二乗誤差、高次誤差（例えば、三次、四次など）、ロバスト誤差（例えば、誤差の大きさが小さい場合は二乗誤差、誤差の大きさが大きい場合は絶対誤差、または誤差の大きさが小さい場合は第１種誤差、誤差の大きさが大きい場合は第２種誤差）、別の誤差、絶対誤差の加重和（例えば、複数のアンテナを有する無線送信器および複数のアンテナを有する無線受信器について、送信器アンテナおよび受信器アンテナの各対がリンクを形成する。異なるリンクと関連付けられた誤差は、異なる重みを有し得る。１つの可能性としては、大きなノイズを有するいくつかのリンクおよび／またはいくつかのコンポーネントが、より小さいかまたはより大きい重みを有し得る。）、加重平方和誤差、高次誤差の加重和、ロバスト誤差の加重和、別の誤差の加重和、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、絶対コストの加重和、加重平方和コスト、高次コストの加重和、ロバストコストの加重和、および／または別のコストの加重和を最小にし得る。
決定された回帰誤差は、絶対誤差、二乗誤差、高次誤差、ロバスト誤差、更に別の誤差、絶対誤差の加重和、加重平方和誤差、高次誤差の加重和、ロバスト誤差の加重和、および／または更に別の誤差の加重和であり得る。回帰窓内の特定の関数に関する回帰関数の最大回帰誤差（または最小回帰誤差）と関連付けられた時間オフセットは、繰り返し中に更新された現在の時間オフセットであり得る。局所的極値は、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得る。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、絶対誤差の加重和、加重平方和誤差、高次誤差の加重和、ロバスト誤差の加重和、および／または別の誤差の加重和であり得る。量は、Ｆ分布、中心Ｆ分布、別の統計的分布、閾値、確率と関連付けられた閾値、誤ったピークを見つける確率と関連付けられた閾値、Ｆ分布と関連付けられた閾値、中心Ｆ分布と関連付けられた閾値、および／または別の統計的分布と関連付けられた閾値と比較され得る。
回帰窓は、オブジェクトの運動、オブジェクトと関連付けられた量、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／もしくは時空間情報、局所的極値の推定場所、雑音特徴、推定ノイズ特徴、Ｆ分布、中心Ｆ分布、別の統計的分布、閾値、事前設定閾値、確率と関連付けられた閾値、所望の確率と関連付けられた閾値、誤ったピークを見つける確率と関連付けられた閾値、Ｆ分布と関連付けられた閾値、中心Ｆ分布と関連付けられた閾値、別の統計的分布と関連付けられた閾値、窓中心での量が回帰窓内で最大であるという条件、窓中心での量が回帰窓内で最大であるという条件、回帰窓、別の回帰窓内の第１の時間の特定の値について、特定の関数の局所的極値のうちの１つのみがあるという条件、ならびに／または別の条件のうちの少なくとも１つに基づいて決定され得る。回帰窓の幅は、探索されるはずの特定の局所的極値に基づいて決定され得る。局所的極値は、第１の極大値、第２の極大値、高次の極大値、正の時間オフセット値を有する第１の極大値、正の時間オフセット値を有する第２の極大値、正の時間オフセット値を有するより高い極大値、負の時間オフセット値を有する第１の極大値、負の時間オフセット値を有する第２の極大値、負の時間オフセット値を有するより高い極大値、第１の極小値、第２の極小値、より高い極小値、正の時間オフセット値を有する第１の極小値、正の時間オフセット値を有する第２の極小値、正の時間オフセット値を有するより高い極小値、負の時間オフセット値を有する第１の極小値、負の時間オフセット値を有する第２の極小値、負の時間オフセット値を有するより高い極小値、第１の局所的極値、第２の局所的極値、より高い局所的極値、正の時間オフセット値を有する第１の局所的極値、正の時間オフセット値を有する第２の局所的極値、正の時間オフセット値を有するより高い局所的極値、負の時間オフセット値を有する第１の局所的極値、負の時間オフセット値を有する第２の局所的極値、および／または負の時間オフセット値を有するより高い局所的極値を含み得る。
現在のパラメータ（例えば、時間オフセット値）は、ターゲット値、ターゲットプロファイル、傾向、過去の傾向、現在の傾向、ターゲット速さ、速さプロファイル、ターゲット速さプロファイル、過去の速さ傾向、オブジェクトの運動、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／もしくは時空間情報、オブジェクトの位置量、オブジェクトの運動と関連付けられたオブジェクトの初速度、既定義値、回帰窓の初期幅、持続時間、信号の搬送周波数に基づく値、信号の帯域幅、チャネルと関連付けられたアンテナ量、ノイズ特徴、ならびに／または適応値に基づいて初期化され得る。現在の時間オフセットは、回帰窓の中央、左側、右側、および／または別の固定の相対場所であり得る。
プレゼンテーションでは、情報は、場所の地図に表示され得る。情報には、場所、ゾーン、領域、エリア、修正された場所、おおよその場所、場所の地図に関する場所、場所のセグメンテーションに関する場所、方向、パス、地図および／またはセグメンテーションに関するパス、トレース（例えば、過去５秒、または過去１０秒などの時間窓内の場所、時間窓持続時間は、適応的に調整され得る、時間窓持続時間は、速さ、加速度などに関して適応的に調整され得る）、パスの履歴、パスに沿ったおおよその領域／ゾーン、過去の場所の履歴／サマリー、関心のある過去の場所の履歴、頻繁に訪れるエリア、顧客のトラフィック、群衆の分布、群衆の行動、群衆の制御情報、速さ、加速度、動き統計、呼吸数、心拍数、動きの存在／不在、人々の存在／不在、バイタルサインの存在／不在、ジェスチャ、ジェスチャ制御（ジェスチャを使用するデバイスの制御）、場所に基づくジェスチャ制御、場所に基づく動作の情報、関係するオブジェクトの識別情報（ＩＤ）（例えば、ペット、人、自動運転機械／デバイス、ビークル、ドローン、自動車、ボート、自転車、自動運転ビークル、ファン付き機械、エアコンディショナ、ＴＶ、可動部を有する機械）、ユーザ（例えば、人）の識別、ユーザの情報、ユーザの場所／速さ／加速度／方向／動き／ジェスチャ／ジェスチャ制御／動き追跡、ユーザのＩＤ、ユーザの活動、ユーザの状態、ユーザの睡眠／休息特徴、ユーザの感情状態、ユーザのバイタルサイン、場所の環境情報、場所の天気情報、地震、爆発、嵐、雨、火、温度、衝突、衝撃、振動、イベント、ドアオープンイベント、ドアクローズイベント、窓オープンイベント、窓クローズイベント、転倒イベント、バーニングイベント、フリージングイベント、水関連のイベント、風関連のイベント、空気運動イベント、事故イベント、疑似の周期的イベント（例えば、トレッドミルでのランニング、上下ジャンプ、縄跳び、宙返りなど）、群衆イベント、ビークルイベント、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、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、眼のジェスチャなど）が含まれ得る。
場所は、２次元（例えば、２次元座標による）、３次元（例えば、３次元座標による）であり得る。場所は、相対的（例えば、地図に関する）、または関係的（例えば、点Ａと点Ｂとの間の中間点、コーナーの周り、階段の上、テーブルの上、天井にて、フロアの上、ソファの上、点Ａの近く、点Ａからの距離Ｒ、点Ａから半径Ｒの範囲内、など）であり得る。場所は、直交座標、極座標、および／または別の表現で表示され得る。情報（例えば、場所）は、少なくとも１つの記号でマークされ得る。記号は、経時変化し得る。記号は、色／強度を変えながらまたは変えずに、点滅および／または振動し得る。サイズは、時間の経過と共に変化し得る。記号の配向（orientation）は、時間の経過と共に変化し得る。記号は、瞬間の量（例えば、ユーザのバイタルサイン／呼吸数／心拍数／ジェスチャ／状態／ステータス／アクション／動き、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／機械のステータス、デバイスの残電力、デバイスのステータスなど）を反映する数字であり得る。変化率、サイズ、配向、色、強度、および／または記号は、それぞれの動きを反映し得る。情報は、視覚的に表示および／または（例えば、事前に録音された音声、または音声合成を使用して）口頭で説明され得る。情報は、テキストで記載され得る。情報はまた、機械的な方法（例えば、アニメーション化ガジェット、可動部の運動）で表示され得る。
ユーザインターフェース（user-interface：ＵＩ）デバイスは、スマートフォン（例えば、iPhone、Androidフォン）、タブレット（例えば、ｉＰａｄ）、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（personal computer：ＰＣ）、グラフィカルユーザインターフェース（graphical user interface：ＧＵＩ）を有するデバイス、スマートスピーカ、ボイス／オーディオ／スピーカ機能を有するデバイス、バーチャルリアリティー（ＶＲ）デバイス、拡張現実感（augmented reality：ＡＲ）デバイス、スマートカー、車内ディスプレイ、ボイスアシスタント、車内ボイスアシスタントなどであり得る。地図は、２次元、３次元、および／または高次元であり得る。（例えば、経時変化２Ｄ／３Ｄ地図）壁、窓、ドア、入口、出口、禁止エリアが地図上にマークされ得る。地図は、施設の間取り図を含み得る。地図は、１つ以上の層（オーバーレイ）を有し得る。地図は、送水管、ガスパイプ、配線、ケーブル配線、エアダクト、クロールスペース、天井レイアウト、および／または地下レイアウトを含むメンテナンス地図であり得る。場所は、複数のゾーン、例えば、ベッドルーム、リビングルーム、ストレージルーム、通路、キッチン、ダイニングルーム、ロビー、ガレージ、１階、２階、トイレ、オフィス、会議室、レセプションエリア、様々なオフィスエリア、様々な倉庫領域、様々な施設エリアなどに分けられてもよい。セグメント／領域／エリアは、地図中に表示され得る。異なる領域は、色分けすることができる。異なる領域は、特徴（例えば、色、明るさ、色の濃さ、質感、アニメーション、点滅、点滅速度など）とともに提示され得る。場所の論理的なセグメンテーションは、少なくとも１つの異種タイプ２デバイス、またはサーバ、またはクラウドサーバなどを使用して、行われ得る。
これは、開示されたシステム、装置、および方法の例である。ステファンと彼の家族は、開示された無線動き検出システムを設置して、ワシントン州シアトルにある２０００平方フィートの２階建てタウンハウスにて動き検出をしたいと考えている。彼の家は２階建てなので、ステファンは、１階で１つのタイプ２デバイス（Ａと名付けた）および２つのタイプ１デバイス（ＢおよびＣと名付けた）を使用すると決めた。彼の家の１階には、主に３つの部屋がある。キッチン、ダイニングルーム、およびリビングルームがまっすぐに並び、ダイニングルームが真ん中にある。キッチンおよびリビングルームは、家の両端にある。彼は、ダイニングルームにタイプ２デバイス（Ａ）を置き、キッチンに１つのタイプ１デバイス（Ｂ）、リビングルームに他のタイプ１デバイス（Ｃ）を置いた。デバイスをこのように配置することで、彼は、動き検出システムを使用して、実用的上、１階を３ゾーン（ダイニングルーム、リビングルーム、およびキッチン）に仕切っている。動きがＡＢ対およびＡＣ対によって検出されると、システムは、動き情報を分析して、動きを３つのゾーンのうちの１つに関連付けるだろう。
ステファンと彼の家族が（例えば、長い週末休みにキャンプに行くために）週末に外出する際、ステファンは、モバイルフォンアプリ（例えば、ＡｎｄｒｏｉｄフォンアプリまたはｉＰｈｏｎｅ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、警告信号がステファンに送信される（例えば、ＳＭＳテキストメッセージ、ｅメール、モバイルフォンアプリへのプッシュメッセージなど）。ステファンが月額料金（例えば、１０ドル／月）を払えば、サービス会社（例えば、セキュリティ会社）がワイヤードネットワーク（例えば、ブロードバンド）または無線ネットワーク（例えば、家庭用ＷｉＦｉ、ＬＴＥ、３Ｇ、２．５Ｇなど）を介して警告信号を受信し、ステファンのためにセキュリティ手順を実施する（例えば、問題を確認するために彼に電話する、家の中をチェックするために誰かを送る、ステファンの代わりに警察に連絡するなど）。ステファンは、彼の年老いた母親を愛しており、彼女が家で１人でいるときの彼女の幸福（well-being）について気にかけている。母親が１人でおり、残りの家族が外出しているとき（例えば、仕事もしくは買い物に行く、または休暇に行く）、ステファンは、母親が無事かを確認するために、彼のモバイルフォンアプリを使用して動き検出システムをオンにする。次いで、彼は、モバイルアプリを使用して、家の中の彼の母親をモニタする。ステファンが、モバイルアプリを使用して、母親が、彼女の毎日のルーティンに従って家の中を３つの領域の間を動いているのを見ると、ステファンは、彼の母親が元気にしていることがわかる。ステファンは、彼が外出中に動き検出システムが彼の母親の幸福をモニタするのを助けることができることに感謝している。
標準的な日では、母親は午前７時ごろに起きるだろう。彼女は、約２０分間キッチンで朝食を作るだろう。次いで、彼女は、約３０分間ダイニングルームで朝食を食べるだろう。次いで、彼女は、リビングルームで毎日のエクササイズをし、その後、リビングルームのソファに座り、彼女のお気に入りのＴＶ番組を観るだろう。動き検出システムにより、ステファンは、家の３つの領域の各々における運動のタイミングを見ることを可能にする。動きが毎日のルーティンに一致すると、ステファンは、母親が元気に違いないことがおおよそわかる。しかし、動きパターンが異常が現れた場合（例えば、午前１０時まで動きがない、または彼女がキッチンにいる時間が長すぎる、または彼女が動かない時間が長すぎるなど）、ステファンは、何かがおかしいと疑い、母親に電話して彼女にチェックするだろう。ステファンは、更に誰か（例えば、家族、近所の人、有給の人員、友人、ソーシャルワーカー、サービスプロバイダ）に彼の母親をチェックさせ得る。
いつか、ステファンは、タイプ２デバイスの位置変更をしたいと思っている。彼は、デバイスを元のＡＣ電源プラグから抜き、別のＡＣ電源プラグに差し込むだけである。彼は、無線動き検出システムがプラグアンドプレイであり、位置変更がシステムの動作に影響せず、嬉しく思う。電源を入れると、すぐに動作する。後日、ステファンは、当社の無線動き検出システムが非常に高精度および非常に低い警報で動きを本当に検出でき、彼は、モバイルアプリを使用して、１階の動きを本当にモニタできることを確信する。彼は、２階のベッドルームをモニタするために、２階に同様のセットアップ（すなわち、タイプ２デバイス１つおよびタイプ１デバイス２つ）を設置することを決める。もう１度、彼は、彼がタイプ２デバイスおよびタイプ１デバイスを２階のＡＣ電源プラグに差し込む必要があるだけで、システムセットアップが極めて簡単であることがわかる。特別な設置は、必要ない。そして、彼は、同一のモバイルアプリを使用して、１階および２階の動きをモニタすることができる。１階／２階の各タイプ２デバイスは、１階および２階の両方にあるすべてのタイプ１デバイスと相互作用することができる。ステファンは、彼が、タイプ１およびタイプ２デバイスへの投資を２倍にすると、組み合わせたシステムの能力が２倍以上になることを知り、嬉しく思う。
様々な実施形態によれば、各ＣＩ（ＣＩ）には、チャネル状態情報（ＣＳＩ）、周波数領域ＣＳＩ、少なくとも１つのサブバンドと関連付けられた周波数領域ＣＳＩ、時間領域ＣＳＩ、領域内のＣＳＩ、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、チャネル特徴、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、モニタデータ、世帯データ、識別情報（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、記憶データ、暗号化データ、圧縮データ、保護データ、および／または別のＣＩのうちの少なくとも１つが含まれ得る。一実施形態では、開示されたシステムは、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器／受信器、アナログ回路、電源供給、プロセッサ、メモリなど）と、対応するソフトウェアコンポーネントと、を有する。本教示の様々な実施形態によれば、開示されたシステムは、バイタルサインの検出およびモニタのために、ボット（タイプ１デバイスと称される）とオリジン（タイプ２デバイスと称される）とを含む。 各デバイスは、送受信器と、プロセッサと、メモリとを備える。
開示されたシステムは、多くの場合に適用可能である。一実施例では、タイプ１デバイス（送信器）は、テーブルの上に置かれている小型ＷｉＦｉ対応デバイスであり得る。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 ｅｃｈｏ）、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サテライト、スマートフォン、コンピュータ、タブレット、スマートプラグなどでもあり得る。一実施例では、タイプ２（受信器）は、テーブルの上に置かれているＷｉＦｉ対応デバイスであり得る。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 ｅｃｈｏ）、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サテライト、スマートフォン、コンピュータ、タブレット、スマートプラグなどでもあり得る。タイプ１デバイスおよびタイプ２デバイスを会議室内／付近に置き、人数を数えることができる。タイプ１デバイスおよびタイプ２デバイスは、高齢者の健康モニタシステム内にあり得、彼らの日常の行動と症状（例えば、認知症、アルツハイマー病）のあらゆるサインをモニタする。タイプ１デバイスおよびタイプ２デバイスをベビーモニターに使用して、生きている乳児のバイタルサイン（呼吸）をモニタすることができる。タイプ１デバイスおよびタイプ２デバイスをベッドルームに置いて、睡眠の質および睡眠時無呼吸をモニタすることができる。タイプ１デバイスおよびタイプ２デバイスを車内に置いて、乗客とドライバーの健康をモニタし、ドライバーの睡眠を検出し、車内に残された乳児を検出することができる。タイプ１デバイスおよびタイプ２デバイスを物流に使用して、トラックおよびコンテナに隠れているあらゆる人間をモニタすることにより人身売買を防ぐことができる。タイプ１デバイスおよびタイプ２デバイスは、被災地にて救急隊によって配備され、がれきのなかに閉じ込められた被災者を探索することができる。タイプ１デバイスおよびタイプ２デバイスは、エリア内に配備され、あらゆる侵入者の呼吸を検出することができる。ウェアラブルでない無線呼吸モニタの用途は、数多くある。
ハードウェアモジュールは、タイプ１送受信器およびタイプ２送受信器のいずれかを含むように構成することができる。ハードウェアモジュールは、最終商品を設計、構築、および販売するために、様々なブランドに販売されたり、使用される場合がある。開示されたシステムおよび／または方法を使用する製品は、ホーム／オフィスセキュリティ製品、睡眠モニタ製品、ＷｉＦｉ製品、メッシュ製品、ＴＶ、ＳＴＢ、エンタテイメントシステム、ＨｉＦｉ、スピーカ、ホームアプライアンス、ランプ、ストーブ、オーブン、電子レンジ、テーブル、椅子、ベッド、棚、ツール、台所用品、トーチ、真空掃除機、煙検出器、ソファ、ピアノ、ファン、ドア、窓、ドア／窓ハンドル、ロック、煙検出器、カーアクセサリ、計算デバイス、オフィスデバイス、エアコンディショナ、ヒーター、パイプ、コネクタ、モニタカメラ、アクセスポイント、計算デバイス、モバイルデバイス、ＬＴＥデバイス、３Ｇ／４Ｇ／５Ｇ／６Ｇデバイス、ゲーミングデバイス、メガネ、ガラスパネル、ＶＲゴーグル、ネックレス、ウォッチ、ウエストバンド、ベルト、ウォレット、ペン、ハット、ウェアラブル、インプラント型デバイス、タグ、駐車券、スマートフォンなどであり得る。
サマリーは、分析、選択された時間窓、サブサンプリング、変換、射影などのうちの少なくとも１つを含み得る。表示には、月毎の図、週毎の図、日ごとの図、簡略図、詳細図、断面図、スモールフォームファクタ図、ラージフォームファクタ図、色分け図、比較図、サマリー図、アニメーション、ｗｅｂ図、音声アナウンスメント、および繰り返しの動きの周期的特徴に関する別の描写のうちの少なくとも１つの表示を含み得る。
タイプ１デバイスおよび／またはタイプ２デバイスは、アンテナ、アンテナを有するデバイス、アンテナに取り付ける／接続する／リンクするインターフェースを有するデバイス、無線送受信器を有するデバイス、無線送信器を有するデバイス、無線受信器を有するデバイス、モノのインターネット（ＩｏＴ）デバイス、無線ネットワークを有するデバイス、ワイヤードネットワーキングおよび無線ネットワーキングの両方の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チップを有するデバイス（例えば、８０２．１１ａ／ｂ／ｇ／ｎ／ａｃ／ａｘ規格準拠など）、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、Ｗｉ－Ｆｉメッシュネットワークルータ／ハブ／ＡＰ、無線メッシュネットワークルータ、アドホックネットワークデバイス、無線メッシュネットワークデバイス、モバイルデバイス（例えば、２Ｇ／２．５Ｇ／３Ｇ／３．５Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇなど）、セルラーデバイス、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対応デバイス、ＬＴＥデバイス、ＬＴＥモジュールを有するデバイス、モバイルモジュール（例えば、Ｗｉ－Ｆｉチップ、ＬＴＥチップ、ＢＬＥチップなどのモバイル対応チップ（ＩＣ）を有する回路基板）、Ｗｉ－Ｆｉチップ（ＩＣ）、ＬＴＥチップ、ＢＬＥチップ、モバイルモジュールを有するデバイス、スマートフォン、スマートフォンのためのコンパニオンデバイス（例えば、ドングル、アタッチメント、プラグイン）、専用デバイス、プラグインデバイス、ＡＣ電源デバイス、バッテリ電源デバイス、プロセッサ／メモリ／命令セットを有するデバイス、スマートクロック、スマートステーショナリ、スマートペン、スマートユーザインターフェース、スマートペーパー、スマートマット、スマートカメラ、スマートテレビ（ＴＶ）、セットトップボックス、スマートマイク、スマートスピーカ、スマート冷蔵庫、スマートオーブン、スマート機械、スマートフォン、スマートウォレット、スマート家具、スマートドア、スマート窓、スマートシーリング、スマートフロア、スマート壁、スマートテーブル、スマート椅子、スマートベッド、スマートナイトスタンド、スマートエアコンディショナ、スマートヒーター、スマートパイプ、スマートダクト、スマートケーブル、スマートカーペット、スマートデコレーション、スマートガジェット、スマートＵＳＢデバイス、スマートプラグ、スマートドングル、スマートランプ／照明、スマートタイル、スマートオーナメント、スマートボトル、ビークル、スマートカー、スマートＡＧＶ、ドローン、スマートロボット、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、スマートインストルメント、スマートラケット、スマートボール、スマート靴、スマートウェアラブル、スマート衣服、スマートグラス、スマートハット、スマートネックレス、スマートフード、スマートピル、生物の体内を動く小型デバイス（例えば、血管内、リンパ液内、消化系など）であり得る。タイプ１デバイスおよび／またはタイプ２デバイスは、インターネット、インターネットにアクセスする別のデバイス（例えば、スマートフォン）、クラウドサーバ、エッジサーバ、ローカルサーバ、および／またはストレージと通信可能に結合され得る。
既製のＷｉＦｉデバイスから得られたチャネル周波数応答（ＣＦＲ）を使用する、スペクトル分析のための高速フーリエ変換を利用する例示的な低複雑度呼吸モニタスキームが以下に提示される。スキームはまた、有限状態機械（ＦＳＭ）を活用して、被験者の動きまたはその他の近くの被験者からの動きを打ち消す。ＦＦＴおよびＦＳＭの統合により、呼吸モニタのためのスケーラブルで低複雑度の頑強なスキームをもたらす。
呼吸推定および検出の例示的なフロー図を図５に示し、これは、以下のステップからなる。
１．ＣＦＲ 取得：スキームは、既製のＷｉＦｉチップからＣＦＲを取得する。例えば、最大２０ｄＢｍの送信電力で５ＧＨｚのＷｉＦｉチャネル上のＣＦＲフレームにおいて１１４サブキャリアを取得することができる。
２．ＣＦＲ サニタイゼーション（sanitization）：ＷｉＦｉ送信器と受信器との間の避けられない位相ずれが原因で、ＣＦＲには深刻な位相歪みが存在する。この問題を解決するために、従来の線形回帰法によってＣＦＲの位相をきれいにすることができる。きれいにされたＣＦＲをサブキャリアｋ上にＧ［ｋ］として書くことができる。
３．ＣＦＲ 正規化：ＣＦＲの受信電力は、経時変化している。残念なことに、採用されたＣＦＲチップに自動利得制御（ＡＧＣ）値がないと、受信電力は測定不可能である。したがって、各ＣＦＲが単位電力を有するように、すべてのサブキャリアにわたってＣＦＲを正規化することができる。この手順では情報が失われるが、それでもパフォーマンスが大幅に向上する。ここで、異なるサブキャリアおよび異なる時間インスタンスで捕捉されたＣＦＲを、次元Ｋ×Ｎを有するＣＦＲ行列Ｇとして書くことができ、ここでＮは収集されたＣＦＲフレームの数である。行列は以下のとおりである。
Figure 2023109822000001
 ここで、ｔｉは、ｉ番目のＣＦＲが捕捉される時間インスタンスを表し、ｓｊはｊ番目のサブキャリアのサブキャリアインデックスを表す。
４．逆フーリエ変換：このステップでは、逆高速フーリエ変換（inverse fast Fourier transform：ＩＦＦＴ）を使用して、ノイズ除去のためにフィルタされたＣＦＲを時間領域ＣＩＲに変換できる。ＩＦＦＴがパフォーマンスを向上させる理由は以下のとおりである。ＥＭ波の伝播距離に関連する有意な減衰が主な原因で、大きな時間遅延を伴うＭＰＣに含有された有用な信号は、短い時間遅延を伴うＭＰＣよりも重要ではない。ＩＦＦＴを使用することによって、最初のいくつかのチャネルタップに集中し、大きな時間遅延を伴うチャネルタップを無視することができる。時刻ｔｉのＣＩＲは次の形式をとる。
Figure 2023109822000002
 ここでＫ’は、
Figure 2023109822000003
 として与えられるＩＦＦＴのサイズであり、式中、ｃｅｉｌ（）は、シーリング演算（ceiling operation）を意味する。
５．タイムスタンプ補正：理想的には、時間インスタンスｔｉは、（ｉ－１）Ｔｓと記述することができ、式中、Ｔｓは、ＣＦＲサンプリング間隔である。それにもかかわらず、実際には、他の無線システムが呼吸追跡システムと共存する可能性がある。搬送波検知／衝突回避多重アクセス（Carrier-sense multiple access with collision avoidance ：ＣＳＭＡ ／ＣＡ）メカニズムのために、ＷｉＦｉパケットの送信は無線で一様にスケジュールされていない。
より具体的には、ＷｉＦｉデバイスは送信前に媒体を探査するであろう。他のいくつかのＷｉＦｉ装置がパケットを送信している場合、同じエリア内の他のＷｉＦｉネットワークは、しばらくの間黙ってバックオフし、進行中のＷｉＦｉトラフィックが存在するかどうかを確認するために再び媒体を探査しなければならない。したがって、ｔｉ＝（ｉ－１）Ｔｓを仮定することはもはやできない。
この問題を解決するために、補間技術に目を向けることができる。単位ステップサイズがＴｓの［ｔ０，ｔＮ－１］として補間される正確な時間インスタンスを定義することができる。次いで、実際のタイムスタンプｔ０，ｔ１，ｔ２，．．．，ｔＮ－１に基づいて、正確な時間インスタンスに線形補完を実施できる。これは、次のように書くことができる時間的に補正されたＣＩＲをもたらす。
Figure 2023109822000004
 ６．帯域フィルタリング：現在、ＣＦＲは、標準スペクトル分析ツールを使用して分析できる。安静時の成人の呼吸数の平均は、１２～１８ＢＰＭの範囲であることに注意すること。他方で、幼児の呼吸数は、４０ＢＰＭと同じぐらい高い場合があり、高齢者の呼吸数は、１０～３０ＢＰＭの範囲である。したがって、８ＢＰＭ～４２ＢＰＭとして帯域フィルタの通過帯域を設定でき、これは、０．１３３～０．７Ｈｚに変換される。MATLABのフィルタツールボックスによって生成された係数を持つ、81タップの有限インパルス応答（FIR）フィルタを採用することができる。減衰は、最初の阻止帯域（[０，８］ＢＰＭ）については－３２ｄＢであり、右の阻止帯域（［４２，３００］ＢＰＭ）については－４０ｄＢである（サウンディングレートが１０Ｈｚの場合、最大分解可能周波数は、５Ｈｚであり、これは、３００ＢＰＭに変換される）。設計されたＦＩＲフィルタの振幅および位相応答は、図６に表示される。フィルタ係数は、ｈ０，ｈ１，．．．，ｈＨ－１と表し、フィルタされたＣＦＲマトリックスは、以下のように記述できる。
Figure 2023109822000005
 式中、ｔ’ｉ＝ｉ×Ｔｓであり、Ｎ’は、Ｎ－Ｈ＋１と表現された与えられたサブキャリア上のあるＣＦＲフレームの長さであり、
Figure 2023109822000006
 は、以下のとおり与えられた、ｋ番目のタップ上のフィルタされたＣＩＲを表現している。
Figure 2023109822000007
 図７ａおよび図７ｂでは、帯域フィルタリングを実施する前後の、呼吸の存在下での経時的な特定のタップにおけるＣＩＲの時間変動を示している。明らかに、帯域フィルタリングが高周波数および低周波数ノイズを排除し、呼吸信号を経時的により安定させる。これは、次のステップであるＦＦＴによるスペクトル分析の基礎となる。
７．ＦＦＴによるスペクトル分析：このステップでは、各チャネルタップについて、ＣＩＲにおいて高速フーリエ変換（fast Fourier Transform：ＦＦＴ）を実施することができ、これは、Ｋ’スペクトル推定をもたらす。u番目の周波数ビンのk番目のタップのエネルギースペクトルは、次のように与えられる。
Figure 2023109822000008
 ここで、Ｎ”は
Figure 2023109822000009
 として与えられるFFTのサイズであり、スペクトル分解能はΔf=1/(N” ×Ts)である。対象スペクトル範囲が［ｆ１，ｆ２］であるとすると（人間の呼吸数は、狭い範囲に限定する）、対象周波数ビン範囲は、［ｕ１＝ｃｅｉｌ［ｆ１×Ｎ”×Ｔｓ］，［ｕ２＝ｆｌｏｏｒ［ｆ２×Ｎ”×Ｔｓ］］，と記述できる。呼吸信号の高調波を更に考慮に入れると、周波数ビン領域を［－ｕ２，－ｕ１］∪［ｕ１，ｕ２］に拡張できる。次いで、スペクトル折畳みを実施でき、これは、以下のとおり与えられた折畳みされたエネルギスペクトルをもたらす。
Figure 2023109822000010
 全サブキャリアにおけるスペクトルを一緒にまとめると、以下のようなマトリックスＦをもたらす。
Figure 2023109822000011
 図８は、１２．５ＢＰＭのグラウンドトルース呼吸数を有する、線形スケールの特定リンクにおけるマトリックスＦの例を示す。複数のＣＩＲタップ、特に、インデックス－５～５のＣＩＲタップにおいて、１２．５ＢＰＭ付近の強いスペクトルコンポーネントを観測できる。これは、呼吸信号のエネルギが最初のいくつかのＣＩＲタップに集中するので、直感的である。
８．チャネルタップの平均化：インデックスが［０，Ｓ－１］の範囲のチャネルタップで平均を取ることができ、式中、Ｓは、ストライプ幅と呼ばれる。次いで、平均化されたエネルギスペクトルは、以下のとおり与えられる。
Figure 2023109822000012
 ９．アンテナリンクの平均化：ＭＩＭＯシステムにおいて、送信器および受信器のいずれかまたは両方の端部に常に複数のアンテナが存在し、これにより、無線通信において多様性が生じる。提案されたスキームでは、呼吸追跡の全体的なパフォーマンスを向上させるために、ＭＩＭＯシステム中に複数のアンテナリンクを組み込むこともできる。全体でＭ個のリンクのうちの各アンテナリンクｍについて、
Figure 2023109822000013
 と表された（７）に示すように折畳みエネルギスペクトルを計算することができ、続いて、利用可能なアンテナリンクの平均化エネルギスペクトルを以下のとおり計算する。
Figure 2023109822000014
 更なる処理の便宜上、線形スケールのエネルギスペクトルをｄＢスケールの対応する値に変換できる。
Figure 2023109822000015
 図９は、図８を生成したのと同一のデータセットから得られたリンク平均化スペクトルのいくつかのスナップショットを示す。経時的なスペクトルの時間変動にもかかわらず、グラウンドトルース呼吸数が１２．５ＢＰＭ付近の強いスペクトルピークを常に観測できる。
１０．ピーク検出：エネルギスペクトルにおけるピークの場所、
Figure 2023109822000016
 は、推定呼吸数を示す。
これらのピークを抽出するために、永続性系アプローチを使用して、極大値（local maximals）と極小値（local minimals）の複数の対を得る。極大値ｐmax［ｉ］および極小値ｐmin［ｉ］のｉ番目の対について、νｉ＝ｐmax［ｉ］－ｐmin［ｉ］としてこれらの差を評価し、これは、ｉ番目のピークについて信号対雑音比（ＳＮＲ）としてみなすことができる。
提案されたスキームでは、エネルギスペクトル中の検出されたピークの総数をＵと仮定して、更なるピークフィルタリングのための特徴として、ピーク振幅｛ｐmax［ｉ］｝ｉ＝１，２，．．．，Ｕおよび局所ピークＳＮＲ｛ν［ｉ］｝ｉ＝１，２，．．．，Ｕの両方を使用する。特に、２つの閾値、すなわち、それぞれ、振幅閾値
Figure 2023109822000017
 およびＳＮＲ閾値νｏ、より大きい振幅およびＳＮＲを有するピークを保持する。
１１．呼吸数推定：以前のステップの後に残ったピークの総数Ｕ’および検出された呼吸数Ｐと仮定すると、Ｕ’個のピークのうちのトップＰを選び、Ｐ人に対する呼吸数推定としてＨｚで測定された対応するピーク場所
Figure 2023109822000018
 を使用することができる。（Ｐ≧Ｕ’である場合、
Figure 2023109822000019
 のミス検出率に苦しむ場合がある。他方で、Ｐ＜Ｕ’である場合、
Figure 2023109822000020
 の誤警報率に苦しむ場合がある）。その一方、
Figure 2023109822000021
 で表された、ピークを有さないスペクトルエネルギを記録することができ、
Figure 2023109822000022
 で与えられる。
メトリック
Figure 2023109822000023
 を利用して、次のセクションで表示された有限状態機械で呼吸を検出する。単位としてＢＰＭを用いた呼吸数推定は、
Figure 2023109822000024
 である
Figure 2023109822000025
 として与えられる。
１２．リアルタイム更新：提案された追跡システムは、規則的に呼吸数推定を更新し続ける。ここで、別の２つのパラメータ、窓サイズＣｗｉｎｄｏｗおよびシフトサイズＣｓｈｉｆｔで定義でき、両方とも、サンプル数で測定される。呼吸数推定の第１のセットは、サンプルインデックス［０，Ｃｗｉｎｄｏｗ－１］を用いてＣＦＲにおいてスペクトル分析を実施することによって生成され、呼吸数推定の第２のセットは、サンプルインデックス［Ｃｓｈｉｆｔ，Ｃｗｉｎｄｏｗ＋Ｃｓｈｉｆｔ－１］を用いてＣＦＲにおいて同一の手順によって生成され、２つの隣接する窓間の重複は、Ｃｗｉｎｄｏｗ－Ｃｓｈｉｆｔとして与えられる。Ｃｓｈｉｆｔが小さいほど、リアルタイム更新レートがより速くなる。
実際的な環境設定では、その他の人および／またはオブジェクトからの動きが常に存在し、これが、呼吸追跡システムに動きの干渉をもたらす。同時に、モニタ下での被験者の動きはまた、干渉を注入する。両種類の干渉は、パフォーマンスを大幅に低下させる。
この問題を考慮すれば、提案された呼吸追跡システムにいくつかの状態で構成された有限状態機械（ＦＳＭ）を備えた提案されたシステムを追加することができ、これにより、提案されたシステムが、異なる状態下でピーク検出閾値などのパラメータを自動的に調整できる。この作業では、ＦＳＭには以下に示された４つの異なる状態が存在する。便宜上、遷移は、１人用呼吸追跡ケースの下に示される。ピーク探索範囲は、［ｕ１，ｕ２］と表すことができる。
初期状態（INIT）：これは、システムが電源オンされた際のデフォルト状態である。この状態では、システムは、デフォルトのピーク検出閾値
Figure 2023109822000026
 を使用する。特定のＣＦＲ時間窓ｗについて、
Figure 2023109822000027
 を検出する場合、システムは、ピーク検出閾値を
Figure 2023109822000028
 に調整する。次のピーク検出のためのマージンを残すために、Δｐ０およびΔｖ０を導入できる。次いで、ＦＳＭは、状態「検証」に切り換える。他方で、
Figure 2023109822000029
 であり、式中、ｐmotionが動き検出のための閾値である場合、ＦＳＭは、現在の時間窓が主要な動きの干渉を受けていることを示すために、状態「動き」に切り換える。そうでなければ、現在の状態のままである。初期状態の出力は、Ｐ×１の全ゼロベクトルであり、呼吸数推定を定式化できないことを意味する。また、この状態では、システムは、ピーク探索範囲を［ｕ１，ｕ２］に戻す。
検証（verification、証明）：にせのピークの検出を回避するために、連続してピークが検出され得る回数を記録するための内部カウンタを使用できる。ピークが連続したγ時間窓で検出され得る場合、システムは、その状態を状態「ピーク発見」に切り換える。ピークが弱くなる場合、ＦＳＭは、状態「初期状態」に切り換える。
Figure 2023109822000030
 がｐmotionを超える場合、ＦＳＭは、動き状態を切り替える。そうでなければ、システムは、現在の状態のままである。この状態の出力は、Ｐ×１呼吸数推定である。
この状態では、システムは、推定呼吸数の隣接領域にズームインするはずである。例えば、
Figure 2023109822000031
 におけるピーク場所に関して、
Figure 2023109822000032
 の推定が与えられる場合、システムは、［ｕ’１，ｕ’２］を選択し、式中、
Figure 2023109822000033
 および
Figure 2023109822000034
 は、更新された探索範囲の開始および終了インデックスである。ここで、ΔＳは、探索範囲のサイズを意味する。
ピーク発見（PeakFound）：現在、システムは、本物のピークが検出されたと判断し、呼吸数推定として使用することができる。潜在的な誤差伝播を防ぐために、システムは、「検証」状態に示すように２つの閾値を更新しなくなる。ピークが弱くなる場合、システムは、「初期状態」状態に戻るよう切り換える。同様に、システムは、十分に大きい
Figure 2023109822000035
 のため、動き状態に切り替えるだろう。この状態の出力は、Ｐ×１呼吸数推定である。また、探索範囲は、呼吸数推定に基づいて更新される。
動き（Motion）：この状態では、システムは、強い動きが存在するため、信頼できる呼吸数推定が生成できないと判断する。
Figure 2023109822000036
 がｐmotion未満になる場合、「初期状態」状態に切り換えできる。この状態の出力は、最新の「検証」または「ピーク発見」状態で定式化された、Ｐ×１呼吸数推定である。
１人用ケースの下の動き干渉問題を克服するためのＦＳＭのアイデアは、並行して複数のＦＳＭを実行し、各ＦＳＭは、ある特定の人のステータスを捕捉することにより、複数人用ケースに拡張することができる。様々な人々と関連するＦＳＭは、互いに相互作用する、すなわち、これらは独立していない。ＦＳＭをより予測可能にするために、次のルールを定義することができる：
１．最初に動作するＦＳＭは、その周波数範囲内で最強のピークを常に選択する。例えば、ＦＳＭ（ｉ）で表された、ｉ番目のＦＳＭは、その探索範囲［ｕ’１，ｉ，ｕ’２，ｉ］内の最強のピークを選択する。
２．呼吸数推定の重複を回避するために、２つのＦＳＭは、各時間窓において同一のピークを選択できない。例えば、ＦＳＭ（ｉ）が場所
Figure 2023109822000037
 におけるピークを選択する場合、ＦＳＭ（ｊ），ｊ＞ｉは、
Figure 2023109822000038
 に位置しないその他のピークを探す。
３．呼吸の高調波をカプセル化するピークを選択する状況を回避するために、ＦＳＭ（ｉ）は、最初に
Figure 2023109822000039
 で表されたその探索範囲内のピークを選択する。次いで、
Figure 2023109822000040
 であり、式中、εｈａｒｍｏｎｉｃは、所定の閾値であるような選択されたピーク
Figure 2023109822000041
 が存在するかどうかを見るために、ＦＳＭ（ｉ）がＦＳＭ（ｊ），ｊ＝１，２，．．．，ｉ－１によって選択されたピークをチェックする。少なくとも１つのこのようなピークが見つかり得る場合、ＦＳＭ（ｉ）は、その探索範囲内の次の有意なピークを選択し続ける。そうでなければ、ＦＳＭ（ｉ）は、
Figure 2023109822000042
 を検出したピークとして使用し、その他のＦＳＭについて同一の手順を順次繰り返す。
備考１：ルール＃２は、異なる呼吸数の２人の呼吸の問題を取り扱うことはできない。１人の呼吸数は増加し、もう１人は減少する。遅かれ早かれ、これらの２つの呼吸数は、互いに一致し、提案されたＦＳＭは、第２の人の呼吸数を取得できない（ランデブー問題）。
図１０は、２つのピークを順次選択する２つのＦＳＭの例を視覚化している。両ピークは、閾値の基準を満たすと仮定している。時間ｔ１にて、ＦＳＭ１は、エネルギスペクトルを探索し、ピーク１で表された最強のピークを選択する。次いで、ＦＳＭ（２）が来て、ピーク１の選択を試みる。しかし、第１のピークが既にＦＳＭ（１）によって取られているため、ＦＳＭ（２）は、その選択をあきらめ、ピーク２に移動する。
実験が以下に示され、これは、オフィス環境にて行われる。実験設定は、図１に示される。採用したパラメータは、表１に示される。
Figure 2023109822000043
１人用ＮＬＯＳ：１人用ＮＬＯＳ呼吸追跡のために提案されたスキームのパフォーマンスを評価することができる。合計で５回の実験を実施し、各実験は、２分間続けた。実験設定を図１（ａ）に示す。グラウンドトルースは、２．５ＢＰＭ刻みで［１２．５，１５，１７．５，２０，２２．５］ＢＰＭとして与えられる。結果を図１２に示す。わかるように、グラウンドトルースが［１２．５，１５，１７．５］ＢＰＭである場合、ＦＳＭありとＦＳＭなしのスキーム間の差は、無視できるほど小さい。しかし、呼吸数が２０および２２．５ＢＰＭに増加すると、ＦＳＭ系スキームは、ＦＳＭなしスキームより性能が優れている。これは、主に、人の呼吸が速くなると、その人の呼吸数は、ゆっくりと呼吸する場合ほど安定せず、これにより、呼吸信号強度に変動をもたらし、ＦＳＭを使用して対処することができるという事実による。ＦＳＭによる正確なパフォーマンスは、それぞれ［９７．６５％，９４．５３％，９２．８６％，９４．５３％，９３．８８％］のように与えられる。
ファンを操作する１人用ＮＬＯＳ：この実験では、被験者と同一の部屋にある電子ファンをオンすることができる。ファンは、金属カバー付きの電子デバイスであるため、いくつかのＥＭ波を反射し、これによりＣＦＲと干渉し、追跡パフォーマンスを低下させる。設定を図１（ｂ）に示す。図１３は、ＦＳＭありおよびＦＳＭなしのスキームを比較する。０の呼吸数推定は、システムが信頼できる呼吸数を得ることができないことを示す。ＦＳＭを使用してもグラウンドトルース呼吸数（１５ＢＰＭ）を完全に回復しないが、ＦＳＭの利用により、全体的なパフォーマンスが依然として向上する。ＦＳＭの精度は、９４．４８％である。図１４では、（９）に定義される呼吸数のＣＤＦを比較できる。また、ＦＳＭを使用する利点を示し、ＦＳＭありのＣＤＦは、ＦＳＭなしのＣＤＦよりも急勾配であることを意味している。
図２は、この実験におけるＦＳＭ系スキームの状態遷移を示す。図１１に示す様々な状態は、初期状態→０、検証→１、ピーク発見→２、動き→３のとおりエンコードされる。図２は、ＦＳＭが時々動き状態に切り替えることによってファンの移動に正しく反応することを示す。
呼吸数が２０ＢＰＭであることを除いて同一の設定を使用して、別の実験を実施でき、結果は、図１５に示す。また、ＦＳＭを使用することは、より集中的な呼吸数推定によって示されるパフォーマンスを高める。精度は、９４．５３％で与えられる。複数人用呼吸追跡のパフォーマンス評価のために、図１（ｃ）および図１ｂ）に示す設定を使用できる。
第１に、２人の呼吸のパフォーマンスを研究できる。グラウンドトルースは、［１５，１６．５］ＢＰＭで与えられる。ＦＳＭありのＣｗｉｎｄｏｗ＝３００、Ｃｗｉｎｄｏｗ＝４５０、およびＣｗｉｎｄｏｗ＝６００の呼吸数推定をそれぞれ図１６（ａ）、図１６（ｂ）、および図１６（ｃ）に示す。図からわかるように、３００個のサンプルの時間窓サイズは、２つの異なる呼吸数を解決するのに不十分である。４５秒および６０秒の持続時間に関して、窓サイズが４５０個のサンプルから６００個のサンプルに拡大すると分解能は向上する。３つの窓サイズの下での呼吸数推定の精度は、それぞれ［７５．５２％，９６．５４％］、［９０．３３％，９６．７０％］、および［９９．６１％，９９．４３％］である。ＦＳＭなしのＣｗｉｎｄｏｗ＝３００、Ｃｗｉｎｄｏｗ＝４５０、およびＣｗｉｎｄｏｗ＝６００の呼吸数推定結果をそれぞれ図１７（ａ）、図１７（ｂ）、および図１７（ｃ）に示す。ＦＳＭを利用した結果と比較して、パフォーマンス悪化が非常に激しい。特に、Ｃｗｉｎｄｏｗ＝６００の場合、第２の人の呼吸数は、回復できない。
図３は、測定中に被験者が５秒間起立し座った場合の、提案された呼吸追跡スキームのパフォーマンス示す。明らかに、提案された呼吸追跡スキームは、このような大きな動きの影響を乗り越え、経時的に安定した呼吸数推定を生成する。本開示は、ＣＦＲにおける小さな時間変動を分析する、頑強なバイタルサイン追跡スキームを提供した。各アンテナリンクにおいて、提案されたスキームは、ＣＦＲをＣＩＲに変換し、ＦＦＴによりＣＩＲに対してスペクトル分析を実施する。次いで、異なるアンテナリンクのスペクトルを１つの平均化スペクトルに融合する。次いで、永続性系ピーク検出がスペクトルに対して実施され、これは、最終的に呼吸数推定をもたらす。更に、バイタルサイン追跡システムが異なる状態において異なる閾値を採用するように、ＦＳＭが提示されたシステムに導入され、これは、バイタルサイン追跡の頑強性を著しく向上する。広範囲にわたる実験結果は、提案されたスキームが１人用と同様に複数人用呼吸追跡でもうまく実施できることを実証する。
速さ推定方法の例示的な説明は、以下のとおりである。３つの受信アンテナは、移動方向に平行に線上に整列していると仮定する。更に、受信アンテナの速さは、時間的にゆっくり変化すると仮定することができ、すなわち、短時間内に、速さは、一定の値ｖに近似することができる。受信アンテナＲｘ２およびＲｘ３をグループ化して主要アンテナ（leading antenna）と呼び、受信アンテナＲｘ１およびＲｘ２をグループ化して追従アンテナ（following antenna）と呼ぶことができる。これは、追従アンテナが主要アンテナと同一の軌道を通るが、未知の遅延τがあるためである。速さは、関係
Figure 2023109822000044
 によって推定することができ、式中、ｄは、隣接するアンテナ間の間隔（等しい間隔）である。したがって、速さ推定問題は、τの推定に変換される。以下で、ＴＲＲＳを使用して、τを推定することができる。Ｈｉ（ｔ）を使用して、ｉ番目の受信アンテナで時間ｔにて測定されたＣＳＩを表し、Δｔを使用して、２つの隣接するＣＳＩ測定間の持続時間を意味する。各時間ｔ１について、基準ＣＳＩを形成でき、これは、主要アンテナによって測定され、Ｈｌｅａｄ（ｔ１）＝［Ｈ２（ｔ１），Ｈ３（ｔ１），Ｈ２（ｔ１＋Δｔ），Ｈ３（ｔ１＋Δｔ），．．．，Ｈ２（ｔ１＋（Ｎ－１）Δｔ），Ｈ３（ｔ１＋（Ｎ－１）Δｔ）］として示され、かつ比較のためのＣＳＩを形成でき、これは、追従アンテナによって測定され、Ｈｆｏｌｌｏｗ（ｔ）＝［Ｈ１（ｔ），Ｈ２（ｔ），Ｈ１（ｔ＋Δｔ），Ｈ２（ｔ＋Δｔ），．．．，Ｈ１（ｔ＋（Ｎ－１）Δｔ），Ｈ２（ｔ＋（Ｎ－１）Δｔ）］として示される。Ｈｌｅａｄ（ｔ１）とＨｆｏｌｌｏｗ（ｔ）との間のＴＲＲＳγ（ｔ１，ｔ）値が計算される。追従アンテナが時間ｔ１に対応する主要アンテナの場所に到達すると、γ（ｔ１，ｔ）は、変数ｔにわたりその最大値を達成する。本実施例では、ｔ＝ｔ２を有することができるため、推定
Figure 2023109822000045
 を有することができる。
コインサイズのボット
本開示はまた、小型（例えば、コインサイズ、タバコの箱サイズ、またはもっと小さいサイズなど）ボット／オリジンを使用した、オブジェクト追跡に関する。本開示では、無線送信器および／または無線受信器は、小型で軽量の第１のポータブルデバイスの一部であり得る。第１のポータブルデバイスは、第２のデバイスと無線で結合され得る。第２のデバイスは、スマートフォン、ｉＰｈｏｎｅ、Ａｎｄｒｏｉｄフォン、スマートデバイス、スマートアプライアンス、スマートビークル、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、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得る。第２のデバイスは、インターネット、ワイヤードインターネット接続、および／また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、および／またはその他のサーバに接続され得る。第２のデバイスは、ポータブルであり得る。第１のポータブルデバイス、第２のデバイス、ローカルサーバ、および／またはクラウドサーバは、タスクのいずれか（例えば、ＴＳＣＩを得る、オブジェクトの運動と関連付けられたオブジェクトの特徴を決定、時系列の電力情報の計算、特定の関数の決定／計算、局所的極値の探索、分類、時間オフセットの特定の値を識別、ノイズ除去、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、無線信号からＣＩ抽出、切り換え、セグメンテーション、軌道の推定、地図の処理、補正、補正調整、調整、地図による補正、誤差の検出、境界ヒットのチェック、閾値法など）および本開示と関連付けられた情報（例えば、ＴＳＣＩ）のために計算および／またはストレージを共有し得る。
ＣＳＩ対応チップ
本開示はまた、ＣＩを提供することが可能な通信ハードウェアに関する。通信ハードウェアは、ＷｉＦｉ対応チップ（例えば、集積回路またはＩＣ）、次世代ＷｉＦｉ対応チップ、ＬＴＥ対応チップ、５Ｇ対応チップ、６Ｇ／７Ｇ／８Ｇ対応チップなどであり得る。通信ハードウェアは、ＣＩを計算して、バッファメモリにＣＩを記憶して、ＣＩを抽出に利用可能にする。ＣＩは、チャネル状態情報（例えば、ＣＳＩ）に関するデータおよび／または少なくとも１つのマトリックスを含み得る。少なくとも１つのマトリックスをチャネルイコライゼーション、および／またはビーム形成などに使用することができる。
受動速さ推定（歩行サイクル推定、転倒検出）
本開示の別の態様は、速さ、加速度、歩行サイクル、歩行、オブジェクトの動き、およびイベントなどのオブジェクトの１つ以上の特徴および／または時空間情報の推定に関する。より具体的には、本教示は、リッチスキャッタリング環境における時間反転技術に基づいて、オブジェクトの少なくとも１つの特徴および／または時空間情報を決定することに関する。特徴および／または時空間情報は、イベントに関し得る。イベントは、特徴および／または時空間情報に基づいてモニタされ得る。
一実施例では、オブジェクトの運動（例えば、現在の運動、および／または前の運動）と関連付けられた、オブジェクト（例えば、オブジェクト）の少なくとも１つの特徴および／または時空間情報を決定するためのシステム、装置、および／または方法は、プロセッサ、プロセッサと通信可能に結合されたメモリ、およびメモリ中に記憶された命令セット（例えば、命令セット）を使用して、無線マルチパスチャネル（例えば、無線マルチパスチャネル）の１つ以上のＴＳＣＩ（例えば、ＣＩおよび／または）を得ることを含む。少なくとも１つのＴＳＣＩ（例えば、ＣＩ、またはチャネル状態情報）は、無線マルチパスチャネルを介して送信された無線信号（例えば、無線信号）から得られる。無線マルチパスチャネルは、オブジェクトの運動により影響を受ける。システム、装置、および／または方法は、１つ以上のＴＳＣＩに基づいてオブジェクトの運動と関連付けられたオブジェクトの１つ以上の特徴および／または時空間情報を決定することを更に含む。
１つ以上の時系列の電力情報は、無線マルチパスチャネルの１つ以上のＴＳＣＩに基づいて計算され得る。各電力情報は、無線マルチパスチャネルのＣＩと関連付けられ得る。電力情報およびＣＩの両方は、時間と関連付けられ得る。ＣＩのベクトルおよび電力情報のベクトルは、同一数の要素を有し得る。電力情報ベクトルの各実数要素は、ＣＩの対応する複素数要素のそれぞれの大きさ、位相、実部、虚部、および／または別の関数に基づいて計算され得る。特に、電力情報ベクトルの実数要素は、チャネル情報の対応する複素数要素の大きさの二乗に基づき得る。
特定の関数は、第１の時間、時間オフセット、電力情報の第１の窓、および電力情報の第２の窓に基づいて決定され得る。電力情報について本明細書で言及されているが、特定の関数をＣＩおよび／またはその他の情報に適用することができる。電力情報の第１の窓は、第１の時間と関連付けられた、特定の時系列の電力情報の第１の部分集合であり得る。電力情報の第２の窓は、第１の時間からオフセットされた時間における第２の時間と関連付けられた、特定の時系列の電力情報の第２の部分集合であり得る。第１の窓および第２の窓は、同一サイズであり得る。第２の窓は、第１の窓からオフセットされた時間である。第１の窓および第２の窓は、両方が、同一の特定の時系列の電力情報（および／またはＣＩ、および／またはその他の情報）の窓であり得る。第１の部分集合の基数は、第２の部分集合の基数と等しい場合がある。特定の関数は、第１の時間の少なくとも１つの値について、および第１の時間の各々に対する時間オフセットの少なくとも１つの値について計算され得る。オブジェクトの運動と関連付けられた、オブジェクトの１つ以上の特徴および／または時空間情報は、時間オフセットの少なくとも１つの値を計算する関節関数（articular function）に基づいて決定され得る。第１の時間の特定の値は、オブジェクトの運動ならびにオブジェクトの少なくとも１つの特徴および／または時空間情報と関連付けられ得る。特定の関数は、共分散関数、共分散様関数（covariance-like function）、自己共分散関数、自己共分散様関数（auto-covariance-like function）、相関関数、相関様関数（correlation-like function）、自己相関関数、自己相関様関数（auto-correlation-like function）、内積、別の関数、これらの関数のいずれかと前処理関数との組み合わせ、これらの関数のいずれかと後処理関数との組み合わせ、ならびにこれらの関数のいずれかと周波数分解、時間分解、時間周波数分解、および別の分解のうちの少なくとも１つとの組み合わせのうちの少なくとも１つの第２の関数であり得る。第２の関数は、ノイズ除去、平滑化、調整、エンハンスメント、復元、特徴抽出、加重平均、低域フィルタリング、帯域フィルタリング、高域フィルタリング、メジアンフィルタリング、ランクフィルタリング、四分位数フィルタリング、百分位数フィルタリング、モードフィルタリング、線形フィルタリング、非線形フィルタリング、有限インパルス応答（ＦＩＲ）フィルタリング、無限インパルス応答（ＩＩＲ）フィルタリング、移動平均（ＭＡ）フィルタリング、自己回帰（ＡＲ）フィルタリング、自己回帰移動平均（ＡＲＭＡ）フィルタリング、閾値法、ソフト閾値法、ハード閾値法、ソフトクリッピング、極大化、極小化、費用関数の最適化、ニューラルネットワーク、機械学習、教師あり学習、教師なし学習、半教師あり学習、変換、フーリエ変換、ラプラス、アダマール変換、変換、分解、選択的フィルタリング、適応フィルタリング、導関数、一次導関数、二次導関数、高次導関数、積分、ゼロ交差、指示関数、絶対変換、畳み込み、乗算、除算、前処理、後処理、別の変換、別の処理、別のフィルタ、および第３の関数、および第３の関数のうちの少なくとも１つであり得る。特定の関数は、無線信号の受信した電磁（electromagnetic：ＥＭ）波の電界コンポーネントの自己相関関数（ＡＣＦ）の加重平方和の推定であり得る。
電力情報は、周波数分解、時間分解、時間周波数分解、および／または別の分解を含み得る。別の関数は、周波数分解の周波数（またはその他の分解の変数／インデックス）、第１の時間、時間オフセット、電力情報の第１の窓、および電力情報の第２の窓に基づいて決定され得る。別の関数は、周波数分解の周波数の少なくとも１つの値について計算され得る。特定の関数は、周波数分解の周波数の少なくとも１つの値を計算する別の関数を平均することによって計算され得る。
別の実施例では、電力情報は、周波数サブバンド分解を含み得る。別の関数は、周波数分解の周波数サブバンド、第１の時間、時間オフセット、電力情報の第１の窓、および電力情報の第２の窓に基づいて決定される。別の関数は、周波数分解の周波数サブバンドの少なくとも１つの例について計算され得る。特定の関数は、周波数分解の周波数サブバンドの少なくとも１つの例について計算された別の関数を平均することによって計算され得る。別の実施例では、電力情報は、時間周波数分解を含み得る。別の関数は、時間周波数分解の時間周波数分割、第１の時間、時間オフセット、電力情報の第１の窓、および電力情報の第２の窓に基づいて決定され得る。別の関数は、時間周波数分解の時間周波数分割の少なくとも１つの例について計算され得る。特定の関数は、時間周波数分解の時間周波数分割の少なくとも１つの例について計算された別の関数を平均することによって計算され得る。
特定の関数の計算には、第１の時間、第３の時間、時間オフセット、電力情報の第３の窓、および電力情報の第４の窓に基づいて予備関数を決定することが含まれ得る。電力情報の第３の窓は、第３の時間と関連付けられた、特定の時系列の電力情報の第３の部分集合であり得る。電力情報の第４の窓は、第３の時間からオフセットされた時間における第４の時間と関連付けられた、特定の時系列の電力情報の第４の部分集合であり得る。予備関数は、第１の時間の特定の値、および第１の時間と近い第３の時間の少なくとも１つの値についての時間オフセットの特定の値について計算され得る。第１の時間の特定の値および時間オフセットの特定の値についての特定の関数は、第１の時間の特定の値、および第１の時間に近い第３の時間の少なくとも１つの値について計算された時間オフセットの特定の値についての予備関数を平均することによって計算され得る。
少なくとも１つの特別な特徴および／または特別な時空間情報（例えば、極大値、極小値、ゼロ交差など）は、第１の時間の特定の値について、決定／計算され得る。各々が、第１の時間の特定の値についての特定の関数のそれぞれの特別な特徴および／または時空間情報（例えば、極大値、極小値、ゼロ交差など）と関連付けられた、時間オフセットの少なくとも１つの特定の値を識別することができる。オブジェクトの運動と関連付けられた、オブジェクトの少なくとも１つの特別な特徴および／または特別な時空間情報は、時間オフセットの少なくとも１つの特定の値に基づいて決定され得る。
第１の時間の特定の値についての特定の関数の局所的極値の探索することがある。探索は、以下のステップを含み得る。（１）現在の時間オフセット値を初期化し得る。これに再帰が続く。（２）再帰の各繰り返しにおいて、現在の時間オフセット値周りの回帰窓が決定され得る。（３）現在の時間オフセット値周りの回帰窓内の特定の関数は、回帰分析を使用して回帰関数で／によって近似され得る。（４）特定の関数に関する回帰関数の回帰誤差が決定され得る。（５）現在の時間オフセット値は、回帰関数の凸性、回帰関数の別の特徴および／もしくは時空間情報、ならびに／または回帰窓内の特定の関数に関する回帰関数の回帰誤差に基づいて更新され得る。（６）少なくとも１つの停止基準が満たされるまで、再帰の繰り返しを実施する。
特定の関数の局所的極値は、回帰窓内の回帰関数の対応する極値に基づいて、第１の時間の特定の値について決定され得る。特定の関数の局所的極値と関連付けられた時間オフセットの特定の値は、回帰窓内で識別され得る。オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報は、時間オフセットの特定の値に基づいて計算され得る
一実施例では、回帰関数が回帰窓内で局所的に凸状である場合、回帰窓内の特定の関数に関する回帰関数の最大回帰誤差と関連付けられた時間オフセットは、更新された現在の時間オフセットとなり得る。別の実施例では、回帰関数が回帰窓内で局所的に凹状である場合、回帰窓内の特定の関数に関する回帰関数の最大回帰誤差と関連付けられた時間オフセットは、更新された現在の時間オフセットとなり得る。
回帰関数が回帰窓内で局所的に凸状である場合、回帰窓の両端と関連付けられた時間オフセットのうちの少なくとも１つは、更新された現在の時間オフセットとなり得る。回帰関数が回帰窓内で局所的に凹状である場合、回帰窓の両端と関連付けられた時間オフセットのうちの少なくとも１つは、更新された現在の時間オフセットとなり得る。
回帰窓の両端と関連付けられた時間オフセットのうちの少なくとも１つは、回帰窓内の回帰関数の局所的凸性に基づいて更新された現在の時間オフセットになり得る。回帰が窓の一部で局所的に凸状であり、窓の別の一部で局所的に凹状である場合、窓サイズは、縮小し得る。
回帰窓内の特定の関数に関する回帰関数の最大回帰誤差と関連付けられた時間オフセットに近い時間オフセットは、条件に基づいて更新された現在の時間オフセットになり得る。
オブジェクトの動きと関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つは、オブジェクトの速さであり得る。オブジェクトの速さは、回帰窓内の第１の時間の特定の値についての特定の関数の局所的極値と関連付けられた、時間オフセットの特定の値に基づいて、計算され得る。ある時間におけるオブジェクトの速さは、回帰窓内の第１の時間の特定の値についての特定の関数の局所的極値と関連付けられた、時間オフセットの特定の値に基づいて、計算され得る。第１の時間の特定の値は、その時間と等しくてもよい。特定の時間におけるオブジェクトの加速度は、特定の時間に近い各時間におけるオブジェクトの速さの少なくとも１つの値に基づいて決定され得る。特定の時間におけるオブジェクトの加速度は、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。特定の時間におけるオブジェクトの加速度は、特定の時間に近い１つ以上の各時間におけるオブジェクトの速さの少なくとも１つの値に基づいて決定され得る。特定の時間におけるオブジェクトの加速度の決定には、時間関数によって１つ以上の時間にてオブジェクトの速さを近似することと、特定の時間に近い時間関数の１つ以上の傾きを決定することと、時間関数の１つ以上の傾きに基づいて加速度を計算することと、が含まれ得る。加速度は、時間関数の１つ以上の傾きの関数として、計算され得る。関数は、平均、加重平均、メジアン、最頻値、四分位数、百分位数、ロバスト関数、線形関数、非線形関数、および／または別の関数であり得る。
時間関数の１つ以上の傾きのうちの１つは、２つの隣接する時間におけるオブジェクトの速さの２つの値の間の差を２つの隣接する時間値の差で割ったものとして決定され得る。時間関数は、区分線形関数であり得る。加速度は、特定の時間における区分線形関数の傾きとして計算され得る。１つ以上の時間は、特定の時間の周りの時間窓内であり得る。１つ以上の時間は、特定の時間の周りの時間窓を含み得る。オブジェクトの加速度は、特定の時間におけるオブジェクトの運動と関連付けられたオブジェクトの加速度であり得る。特定の時間におけるオブジェクトの加速度は、特定の時間に近い時間の複数の値で計算されたオブジェクトの速さに基づいて決定され得る。オブジェクトの速さは、少なくとも１つのＴＳＣＩに基づいて決定されたオブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。
オブジェクトの速さは、第１の時間の特定の値（第１の時間の特定の値は、特定の時間に近い時間の複数の値のうちの１つである）および時間オフセットの少なくとも１つの値について計算された特定の関数に基づいて決定された、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。オブジェクトの速さはまた、回帰窓内の第１の時間の特定の値（第１の時間の特定の値は、時間と等しい）についての特定の関数の局所的極値と関連付けられた時間オフセットに基づいて決定された、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つでもあり得る。第１の時間の特定の値におけるオブジェクトの速さは、回帰窓内の特定の関数の局所的極値と関連付けられた時間オフセットの特定の値で割った量として計算され得る。
別の実施例では、少なくとも１つの特徴および／または時空間情報のうちの１つは、オブジェクトの速さであり得る。第１の時間におけるオブジェクトの速さは、回帰窓内の特定の関数の局所的極値と関連付けられた、時間オフセットの特定の値に基づいて、計算され得る。局所的極値は、正の時間オフセットを有する第１の極大値および／または負の時間オフセットを有する第１の極大値であり得る。特定の関数は、時間オフセットに関する特有の自己相関関数の導関数であり得る。ＣＩは、周波数分解と関連付けられたＣＳＩであり得る。各ＣＳＩは、周波数分解の周波数に各々対応する複素コンポーネントのベクトルであり得る。コンポーネント毎の自己相関関数は、ＣＳＩの特定の時系列に基づいて、周波数分解の各周波数について計算され得る。特徴自己相関は、周波数分解の周波数にわたるコンポーネント毎の自己相関関数の平均として計算され得る。
繰り返しは、少なくとも１つの極値を得るために少なくとも１回適用され得る。各極値は、それぞれの繰り返しにおける、それぞれの現在の時間オフセット値、それぞれの回帰窓、それぞれの回帰関数、および／またはそれぞれの特定の時間オフセット値と関連付けられ得る。オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報は、回帰窓内の特定の関数のそれぞれの特定の時間オフセット値のうちの少なくとも１つに基づいて計算され得る。繰り返しは、第１の局所的極値および第２の局所的極値を得るために２回適用され得る。第１の局所的極値は、第１の現在の時間オフセット値、第１の回帰窓、第１の回帰関数、および／または第１の特定の時間オフセット値と関連付けられ得る。第２の局所的極値は、第２の現在の時間オフセット値、第２の回帰窓、第２の回帰関数、および／または第２の特定の時間オフセット値と関連付けられ得る。オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報は、回帰窓内の特定の関数の第１の特定の時間オフセット値および／または第２の特定の時間オフセット値に基づいて計算され得る。繰り返しは、正の時間オフセットを有する第１の極大値である第１の局所的極値および負の時間オフセットを有する第１の極大値である第２の局所的極値を得るために２回適用され得る。第１の局所的極値は、第１の現在の時間オフセット値、第１の回帰窓、第１の回帰関数、および／または第１の特定の時間オフセット値と関連付けられ得る。第２の局所的極値は、第２の現在の時間オフセット値、第２の回帰窓、第２の回帰関数、および／または第２の特定の時間オフセット値と関連付けられ得る。オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報は、回帰窓内の特定の関数の第１の特定の時間オフセット値および／または第２の特定の時間オフセット値に基づいて計算され得る。
オブジェクトの歩行サイクルは、オブジェクトの速さの少なくとも１つの値および／またはオブジェクトの加速度の少なくとも１つの値に基づいて決定され得る。オブジェクトの少なくとも１つの歩行サイクルはまた、オブジェクトの速さの少なくとも１つの値および／またはオブジェクトの加速度の少なくとも１つの値に基づいて決定され得る。少なくとも１つの歩行サイクルは、正の加速度の期間および負の加速度の期間の連続を検出することによって決定され得る。少なくとも１つの歩行サイクルは、速さが増加する期間および速さが減少する期間の連続を検出することによって決定され得る。少なくとも１つの歩行サイクルは、正の速さの期間および負の速さの期間の連続を検出することによって決定され得る。少なくとも１つの歩行サイクルは、関連する期間における、オブジェクトの速さの基礎をなす周期的行動、オブジェクトの速さ変化、および／またはオブジェクトの加速度を検出することによって決定され得る。少なくとも１つの歩行サイクルは、関連する期間における、オブジェクトの極大速さの基礎をなす周期的行動、オブジェクトの極小速さ、オブジェクトの極大加速度、オブジェクトの極小加速度、オブジェクトの極大速さ変化、および／またはオブジェクトの極小速さ変化を検出することによって決定され得る。少なくとも１つの歩行サイクルは、期間と関連付けられるよう決定されてもよい。オブジェクトの速さおよび／またはオブジェクトの加速度の関数は、期間と関連付けられた場所にて極大値を示し得る。少なくとも１つの歩行サイクルは、期間と関連付けられるよう決定されてもよい。オブジェクトの速さおよび／またはオブジェクトの加速度の関数は、期間と関連付けられた、関連する複数の対のピーク場所における、極大値および極小値の複数の対を有するピーク局在化を示すように決定され得る。
期間は、関数の、２つの隣接する極大値、２つの隣接する極小値、隣接する極大値および極小値の対、所定の数の最大値によって分離された２つの極大値、所定の数の最小値によって分離された２つの極小値、ならびに所定の数の極値によって分離された極大値および極小値の対のうちの少なくとも１つの間の距離に基づいて決定され得る。関数には、自己相関関数、自己相関様関数（auto-correlation like function）、自己共分散関数、自己共分散様関数（auto-covariance like function）、速さとシフトされたバージョンの加速度との積、速さと既知の期間のシフトされたバージョンの周期的関数との積、加速度と既知の期間のシフトされたバージョンの周期的関数との積、コスト関数の最適化、コスト関数の制約付き最適化、コスト関数の制約なし最適化、フーリエ変換、ラプラス変換、別の変換、および／または別の関数が含まれ得る。
オブジェクトの少なくとも１つの歩行（gait）サイクルは、オブジェクトの速さの少なくとも１つの値およびオブジェクトの加速度の少なくとも１つの値のうちの少なくとも１つに基づいて決定され得る。オブジェクトの速さは、少なくとも１つのＴＳＣＩに基づいて決定されたオブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。オブジェクトの加速度は、オブジェクトの速さに基づいて決定され得る。オブジェクトの少なくとも１つの歩行サイクルは、オブジェクトの速さの少なくとも１つの値およびオブジェクトの加速度の少なくとも１つの値のうちの少なくとも１つに基づいて決定され得る。オブジェクトの速さは、第１の時間の特定の値（第１の時間の特定の値は、特定の時間に近い時間の複数の値のうちの１つである）および時間オフセットの少なくとも１つの値について計算された特定の関数に基づいて決定された、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。オブジェクトの加速度は、オブジェクトの速さに基づいて決定され得る。オブジェクトの少なくとも１つの歩行サイクルは、オブジェクトの速さの少なくとも１つの値およびオブジェクトの加速度の少なくとも１つの値のうちの少なくとも１つに基づいて決定され得る。オブジェクトの速さは、回帰窓内の第１の時間の特定の値（第１の時間の特定の値は、時間と等しい）についての特定の関数の局所的極値と関連付けられた時間オフセットに基づいて決定された、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。オブジェクトの加速度は、オブジェクトの速さに基づいて決定され得る。オブジェクトの歩行および／またはイベントは、ＴＳＣＩの少なくとも１つのセグメント、時系列のチャネル状態情報（ＣＳＩ）の少なくとも１つのセグメント、特定の関数の少なくとも１つの値、オブジェクトの速さの少なくとも１つの値、および／または各々がオブジェクトの速さの少なくとも１つの値に基づく、オブジェクトの加速度の少なくとも１つの値のうちの少なくとも１つに基づいて検出され得る。オブジェクトの歩行および／またはイベントは、ＣＩ、チャネル状態情報（ＣＳＩ）、特定の関数、オブジェクトの速さ、および／またはオブジェクトの加速度のうちの少なくとも１つの時間的傾向に基づいて検出され得る。オブジェクトの歩行および／またはイベントの検出は、オブジェクトの速さの時間的傾向に基づいてエンジンを使用して、オブジェクトの歩行および／またはイベントを決定することを含み得る。エンジンへの入力は、ＴＳＣＩの少なくとも１つのセグメント、時系列のチャネル状態情報（ＣＳＩ）の少なくとも１つのセグメント、特定の関数の少なくとも１つの値、オブジェクトの速さの少なくとも１つの値、オブジェクトの加速度の少なくとも１つの値のうちの少なくとも１つを含み得る。エンジンは、ニューラルネットワークおよび／または分類エンジンであり得る。
エンジンは、トレーニングフェーズでトレーニング入力によりトレーニングされ、オブジェクトの既知の歩行および既知のイベントと関連付けられた、少なくとも１つの基準時間的傾向を生成し得る。エンジンのトレーニング入力は、オブジェクトの既知の歩行および既知のイベントと関連付けられ得る。トレーニングは、識別トレーニング、判定帰還型トレーニング、機械学習、教師あり学習、教師なし学習、シャローラーン（shallow learn）、ディープラーニング、および／または別のトレーニングのうちの少なくとも１つであり得る。エンジンを使用したオブジェクトの歩行および／またはイベントの決定は、時間的傾向を得ることと、時間的傾向と基準時間的傾向の各々と比較することと、第１の持続時間の時間的傾向と異種持続時間の少なくとも１つの基準時間的傾向の各々とを整合させることと、を含む。時間的傾向とそれぞれの整合された基準時間的傾向との間の少なくとも１つの類似性スコア各々を計算することと、ならびに／または少なくとも１つの類似性スコアに基づいて、オブジェクトの既知の歩行のうちの１つおよび／もしくは既知のイベントのうちの１つとして、オブジェクトの歩行および／もしくはイベントを決定することと、を更に含み得る。
オブジェクトの速さは、少なくとも１つのＴＳＣＩに基づいて決定されたオブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。オブジェクトの速さは、第１の時間の特定の値（第１の時間の特定の値は、特定の時間に近い時間の複数の値のうちの１つである）および時間オフセットの少なくとも１つの値について計算された特定の関数に基づいて決定された、オブジェクトの運動と関連付けられたオブジェクトの少なくとも１つの特徴および／または時空間情報のうちの１つであり得る。
少なくとも１つの閾値が決定され得る。オブジェクトの少なくとも１つの特徴および／または時空間情報は、少なくとも１つの閾値に基づいて決定され得る。少なくとも１つの閾値は、第２のプロセッサ、第２のプロセッサと通信可能に結合された第２のメモリ、および第２のメモリ中に記憶された第２の命令セットを使用して、無線マルチパスチャネルのトレーニングＣＩ（ＣＩ）の少なくとも１つの時系列に基づいて決定され得る。第２のプロセッサは、第１のプロセッサ、第１のプロセッサの一部、および／または第１のプロセッサに接続され得る。第２のプロセッサのいくつかのリソース（ハードウェア、ネットワーク、通信、ユーザインターフェース、および／またはソフトウェア）は、第１のプロセッサと共有され得る。第２のメモリは、第１のメモリ、第１のメモリの一部、第１のメモリに接続される、および／または第１のメモリと共有され得る。第２の命令セットは、第１の命令セット、および／または第１の命令セットの一部であり得る。第２の命令セットおよび第１の命令セットは、いくつかのソフトウェアライブラリ、いくつかのソフトウェアルーチン、いくつかのハードウェアリソース、いくつかの通信リソースおよび／またはその他のリソースを共有し得る。第２の命令セットおよび第１の命令セットは、独立して、協同で、連帯的に、順次、並行して、交互に、および／または対話式で、動くことができる。
無線マルチパスチャネルの少なくとも１つの時系列のトレーニングＣＩ（ＣＩ）は、トレーニングフェーズ中に無線マルチパスチャネルを介して送信された第２の無線信号（例えば、１４０）から得ることができる。無線マルチパスチャネルは、トレーニングフェーズにおける第２のオブジェクトのトレーニング運動により影響を受ける場合がある。トレーニングフェーズは、トレーニングセッションであり得、これは、１回、たまに、定期的に、および／または要望に応じて実施され得る。
トレーニングフェーズ中の第２のオブジェクトのターゲットポジティブトレーニング運動と関連付けられた、無線マルチパスチャネルの少なくとも１つの時系列の第１のトレーニングＣＩを得ることとができる。ポジティブトレーニング運動は、認識され、モニタされ、測定され、研究され、処理され、検出され、推定され、検証され、および／または捕捉されるはずのターゲット運動であり得る。トレーニングフェーズ中の第２のオブジェクトのターゲットネガティブトレーニング運動と関連付けられた、無線マルチパスチャネルの少なくとも１つの時系列の第２のトレーニングＣＩを得ることができる。ネガティブトレーニング運動は、無視される、逃される、モニタされない、検出されない、推定されない、認識されない、検証されない、捕捉されない、測定されない、および／または研究されないはずのターゲット運動であり得る。少なくとも１つの閾値は、少なくとも１つの第１の量および／または少なくとも１つの第２の量に基づいて決定され得る。少なくとも１つの閾値は、第１の量の第１のパーセンテージが、第１の閾値（少なくとも１つの閾値ではない）より大きい、それに等しい、および／またはそれ未満であるように、決定され得る。少なくとも１つの閾値は、第２の量の第２のパーセンテージが、第２の閾値（少なくとも１つの閾値ではない）より大きい、それに等しい、および／またはそれ未満であるように、決定され得る。第１の閾値は、第２の閾値より大きい、それに等しい、および／またはそれ未満であり得る。第１の閾値は、第２の閾値であり得る。第１のパーセンテージは、第２のパーセンテージより大きい、それに等しい、および／またはそれ未満であり得る。
無線マルチパスチャネルの少なくとも１つの時系列の第１のトレーニングＣＩは、トレーニングフェーズ中にモニタエリア内の第２のオブジェクトのトレーニング運動と関連付けられ得る。第２のオブジェクトのターゲットポジティブトレーニング運動は、モニタエリア内の第２のオブジェクトのトレーニング運動であり得る。無線マルチパスチャネルの少なくとも１つの時系列の第２のトレーニングＣＩは、トレーニングフェーズ中のモニタエリア外の第２のオブジェクトのトレーニング運動と関連付けられ得る。第２のオブジェクトのターゲットネガティブトレーニング運動は、モニタエリア外の第２のオブジェクトのトレーニング運動であり得る。
第２のオブジェクトは第１のオブジェクトであり得る。第２のオブジェクトは、第１のオブジェクトの模造品、取り換え品、バックアップ、および／またはレプリカであり得る。第２のオブジェクトは、第の１オブジェクトと同様の他のオブジェクトであり得る。第２のオブジェクトは、構造、サイズ、形状、機能性、周期性、変形特性、動き特性、速度、加速度、歩行、傾向、習慣、無線特性、および他の特徴に関して第１のオブジェクトと類似していてもよい。
少なくとも１つのＴｙｐｅ１デバイスが少なくとも１つのＴｙｐｅ２デバイスと相互作用する場合、処理、前処理、後処理、および／または他の処理は装置ごとに異なり得る。処理／前処理／後処理／他の処理は、位置、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、利用可能電力、アンテナ、アンテナタイプ、アンテナの指向性／一方向性の特性、電力設定、および／またはデバイスの他のパラメータ／特性に基づくことができる。
ＡＣＦに基づく呼吸
別の実施形態は、場所内の無線マルチパスチャネルを介して少なくとも１つの異種ターゲット無線受信機へ第１の無線デバイスのアンテナによって一連のプローブ信号を送信することを含む無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアである。
送信することは、プロセッサ、メモリ、および命令のセットを使用することであり得る。第１の無線デバイスは、異種（heterogeneous）集積回路（ＩＣ）を有していてもよい。少なくとも１つの異種ターゲット無線受信機の各々は異種ＩＣを有することができる。
それは、少なくとも１つの異種ターゲット無線受信機の各々によって一連のプローブ信号から非同期に少なくとも１つのＴＳＣＩ（ＴＳＣＩ）を取得することをさらに含む。ＣＩ（ＣＩ）は、異種ターゲット無線受信機と第１の無線デバイスとの間の無線マルチパスチャネルのＣＩである。それはさらに、それぞれの少なくとも１つのＴＳＣＩ（それぞれの異種ターゲット無線受信機によって一連のプローブ信号から得られる）に基づいて、場所および／または場所内のそれぞれのオブジェクトに関連するそれぞれの動きを非同期にモニタすることを含む。それぞれの動きは、場所および場所内のそれぞれのオブジェクトのうちの少なくとも１つに関連付けられたそれぞれのイベントに関連付けられ得る。それぞれのオブジェクトのうちの１より多くが同じオブジェクトであり得るので、１より多くの異種のターゲット無線受信機が同じオブジェクトをモニタし得る。それぞれの動きの２つ以上が同じ動きであり得る。複数の異種ターゲット無線受信機が同じ動きをモニタしている可能性がある。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、複数の異種ターゲット無線受信機のＴＳＣＩに基づいて共同で同じ動作をモニタすることを含むことができる。複数の異種ターゲット無線受信機のそれぞれによってモニタされるそれぞれの動きは、同じ動きであり得る。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、複数の異種ターゲット無線受信機のＴＳＣＩに基づいて共同で同じオブジェクトをモニタすることを含むことができる。複数の異種ターゲット無線受信機のそれぞれによってモニタされる場所内のそれぞれのオブジェクトは、同じオブジェクトであり得る。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、場所内のそれぞれのオブジェクトのそれぞれの動きのそれぞれの特徴をモニタすることを含むことができる。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、それぞれの少なくとも１つのＴＳＣＩに基づいて場所内のそれぞれの動きの周期的特徴をモニタすることを含むことができる。
各ＣＩ（ＣＩ）は、２つ以上のコンポーネントを有するチャネル周波数応答であり得る。各それぞれのコンポーネントは、それぞれの周波数に関連付けられてもよい。それぞれの周波数に関連する（それぞれのＴＳＣＩの）それぞれのコンポーネントはそれぞれのコンポーネント時系列を形成することができる。コンポーネント時系列は、それぞれの周波数に関連付けられてもよい。各ＴＳＣＩは、複数のコンポーネント時系列に分割することができる。各それぞれのコンポーネント時系列はそれぞれの周波数に関連付けられてもよい
無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、少なくとも１つのＴＳＣＩのそれぞれの各複数のコンポーネント時系列に基づいてそれぞれの動きをモニタすることを含むことができる。各コンポーネント時系列は、それぞれの周波数に関連付けられてもよい。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、少なくとも１つのＴＳＣＩのそれぞれの各複数のコンポーネント時系列に基づいてそれぞれの動きの周期的特徴をモニタすることを含むことができる。それぞれの少なくとも１つのＴＳＣＩのそれぞれの２つ以上のコンポーネント時系列のそれぞれのコンポーネントごとの周期的特徴に基づいて、それぞれの動きの周期的特性をモニタすることができる。
それぞれの少なくとも１つのＴＳＣＩのそれぞれの２つ以上のコンポーネント時系列のそれぞれのコンポーネント - 特徴時系列のコンポーネントごとの周期的特徴が計算され得る。各コンポーネントに関する周期的特徴は、それぞれのコンポーネント指数と関連付けられてもよい。それぞれの少なくとも１つのＴＳＣＩのそれぞれの２つ以上のコンポーネント時系列のそれぞれのコンポーネントごとの周期的特徴に基づいて、それぞれの動きの周期的特徴をモニタすることができる。
それぞれの少なくとも１つのＴＳＣＩのそれぞれの全部の周期的特徴は、ＴＳＣＩのコンポーネント時系列のそれぞれのコンポーネントごとの周期的特徴に基づいて、計算できる。それぞれの少なくとも１つのＴＳＣＩのそれぞれの２つ以上のコンポーネント時系列のそれぞれのコンポーネントごとの周期的特徴に基づいて、それぞれの動きの周期的特徴をモニタすることができる。ＴＳＣＩの全部の周期的特徴は、ＴＳＣＩの２以上のコンポーネント時系列のコンポーネントごとの周期的特徴の加重和であり得る。全周期的特徴において、コンポーネント時系列のコンポーネントごとの周期的特徴に対する重みは、コンポーネント時系列に基づいて適応的に決定され得る。
それぞれの少なくとも１つのＴＳＣＩの全部の合計の周期的特徴は、それぞれの少なくとも１つのＴＳＣＩのそれぞれの全部の周期的特徴に基づいて計算できる。それぞれの動きの周期的特徴は、合計の全周期的特徴に基づいてモニタすることができる。合計の全周期的特徴は、それぞれの少なくとも１つのＴＳＣＩのそれぞれの全部のコンポーネント時系列の加重和であり得る。合計の全周期的特徴において、ＴＳＣＩの全周期的特徴に対する重みは、ＴＳＣＩに基づいて適応的に決定され得る。
少なくとも１つの極値を計算することができる。少なくとも１つの局所極値は、それぞれの少なくとも１つのＴＳＣＩのうちの特定の１つの複数のコンポーネント時系列のうちの１つのコンポーネントごとの周期的特徴、それぞれの少なくとも１つのＴＳＣＩのうちの特定の１つの全周期的特徴、および／またはそれぞれの少なくとも1つのＴＳＣＩのすべての合計された全周期的特徴、のうちの少なくとも１つの局所極値であり得る。それぞれの動きの周期的特徴は、少なくとも１つの局所的極値に基づいてモニタすることができる。局所的極値は極大値でもよい。局所的極値は極小値でもよい。局所的極値は正でもよい。局所的極値に関連する時間（またはタイムシフトまたはタイムラグ）は正でもよい。それぞれの周期的特徴の少なくとも１つの極値を計算する前に、それぞれの周期的特徴のノイズおよび／または不要な擾乱を抑制および／または除去することができる。
それぞれの動きの周期的特徴の周期は、少なくとも１つの極値のうちの選択された１つに基づいてモニタされてもよい。選択された極値は、ノイズおよび／またはそれぞれの周期的特性の望ましくない妨害が抑制および／または除去された後の、それぞれの周期的特徴の最初の正の有意な極大値であり得る。それぞれの動きの周期的特徴の周期は、選択された極値に関連するタイムラグと関連していてもよい。
コンポーネント特徴時系列の各項目（item）は、以下のうちの少なくとも１つであり得る： コンポーネント時系列の対応する項目、対応する項目の大きさ、対応する項目の位相、対応する項目の第1の関数、対応する項目の大きさ、対応する項目の位相、および/または別の項目、コンポーネント時系列の第２の関数および／またはコンポーネント時系列の別の関数、コンポーネント時系列の第２の関数の第１の関数、コンポーネント時系列の第１の関数の第２の関数、および／または最初の機能と2番目の機能の組み合わせ。コンポーネント-特徴（component-feature）時系列（ドメイン）からコンポーネント時系列（範囲）への単射（一対一）マッピングがあり得る。コンポーネント - 特徴時系列（ドメイン）の各項目は、コンポーネント時系列（範囲）の項目にマッピングされてもよい。コンポーネント時系列（範囲）の各項目は、コンポーネント - 特徴時系列（ドメイン）の最大で１つの項目にマッピングされ得る。
マッピングは全単射（1対1および上）にすることができる。コンポーネント - 特徴時系列（ドメイン）の各項目は、コンポーネント時系列（範囲）の項目にマッピングされてもよいコンポーネント時系列（範囲）の各項目は、コンポーネント - 特徴時系列（ドメイン）のちょうど１つの項目にマッピングされてもよい。マッピングされていない可能性がある。コンポーネント時系列（範囲）の少なくとも1つの項目は、コンポーネント－特徴時系列（ドメイン）のどの項目にもマッピングできない。コンポーネント - 特徴時系列は、関連するサブサンプリング係数を有するコンポーネント時系列のサブサンプリングバージョンであり得る。関連するサブサンプリング係数は整数であり得る。コンポーネント時系列の項目は、整数サブサンプリング係数に関連する周期で周期的にサンプリングされてもよい。コンポーネント時系列（範囲）の各サンプリング項目は、コンポーネント - 特徴時系列（ドメイン）のちょうど１つの項目にマッピングすることができる。サンプリングされていないコンポーネント時系列（範囲）の項目は、コンポーネント-特徴時系列（ドメイン）のいずれの項目にもマッピングされてはならない。コンポーネント -特徴時系列は、関連する再サブサンプリング係数を有するコンポーネント時系列の再サンプリングに対応し得る。再サンプリングは整数でも非整数でもよい。コンポーネント - 特徴時系列（ドメイン）の各項目は、コンポーネント時系列（範囲）の項目、コンポーネント時系列（範囲）に補間フィルタを適用することによって得られる補間項目、及び／または他の項目、のうちの少なくとも１つにマッピングされ得る。
コンポーネント時系列の再サンプリングは、以下の少なくとも１つを含むことができる。リサンプリングのためのアンチエイリアシングフィルタリング、サブサンプリング、ローカルサブサンプリング、適応サブサンプリング係数によるサブサンプリング、時変サブサンプリング係数によるサブサンプリング、アップサンプリング、ローカルアップサンプリング、適応アップサンプリング係数によるアップサンプリング、時変アップサンプリング係数によるアップサンプリング、適応再サンプリング、適応サブサンプリング、適応アップサンプリング、複合サブサンプリングとアップサンプリング、交互サブサンプリングとアップサンプリング、および／または別のサンプリングである。異なるコンポーネント時系列には異なる再サンプリングを適用することができる。コンポーネント - 特徴時系列（ドメイン）の各項目は、コンポーネント時系列（範囲）の項目、コンポーネント時系列（範囲）に補間フィルタを適用することによって得られる補間項目、及び／またはコンポーネント時系列（範囲）に特徴フィルタを適用することによって得られる特徴項目、のうちの少なくとも１つにマッピングされ得る。
第１のコンポーネント - 特徴時系列の項目は、第１の特徴フィルタを第１のコンポーネント時系列に適用することによって得られる第１の特徴項目にマッピングされ得る。第２のコンポーネント - 特徴時系列の項目は、第２の特徴フィルタを第２のコンポーネント時系列に適用することによって得られる第２の特徴項目にマッピングされ得る。第１の特徴フィルタと第２の特徴フィルタは異なってもよい。第１の関数は、複合関数、関数の関数、複素関数、複素共役、モジュラス、位相、連続関数、不連続関数、実関数、オフセットのある線形関数、多項式、ロバスト関数、外れ値抑制を伴うロバスト関数、より小さな絶対値の引数に対して比較的速く増加する関数であり、より大きな絶対値の引数に対して比較的ゆっくり増加する関数、非線形関数、対数、指数関数、双曲線関数、べき関数、周期関数、三角関数、正弦、余弦、正接、余正接、余弦、余割、逆関数、逆三角関数、逆正弦関数、逆余弦関数、逆正接関数、特殊関数、ベッセル関数、誤差関数、相補誤差関数、ガンマ関数、ベータ関数、積分関数、対数積分関数、指数積分、三角積分、ガウス、ポアソン、絶対値、符号関数、制限関数、床関数、丸め関数、量子化関数、指標関数、ステップ関数、のこぎり波、近似関数、テイラー級数、漸近級数、解析関数、および/またはその他の関数のうちの少なくとも１つを含む。
それぞれのコンポーネント時系列のそれぞれの特徴のそれぞれの自己相関関数（ＡＣＦ）を計算することができる。それぞれのＡＣＦはそれぞれの成分インデックスと関連付けられてもよい。それぞれの動きは、それぞれのＡＣＦに基づいてモニタすることができる。それぞれの少なくとも１つのＴＳＣＩの、それぞれの組み合わされた（combined）自己相関関数（ＡＣＦ）を計算することができる。それぞれの組み合わされたＡＣＦは、ＴＳＣＩの複数のコンポーネント時系列のＡＣＦの線形結合であり得る。それぞれの動きは、それぞれの組み合わされたＡＣＦに基づいてモニタすることができる。ＴＳＣＩの複数のコンポーネント時系列のそれぞれは、コンポーネント時系列の関数である重みによって線形結合において重み付けされてもよい。それぞれの異種ターゲット無線受信機によって一連のプローブ信号から得られたそれぞれの少なくとも１つのＴＳＣＩが前処理されてもよい。
別の実施形態は、場所内の無線マルチパスチャネルを介して少なくとも１つの異種の第１のターゲット無線受信機へ第１の無線デバイスのアンテナによって一連の第１のプローブ信号を送信することを含む無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアである。送信することは、プロセッサ、メモリ、および命令のセットを使用することであり得る。第１の無線デバイスは、異種（heterogeneous）集積回路（ＩＣ）を含んでいてもよい。少なくとも１つの異種ターゲット無線受信機の各々は異種ＩＣを含むことができる。
無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、少なくとも１つの異種の第１のターゲット無線受信機のそれぞれによって、一連の第１のプローブ信号から少なくとも１つの時系列の第１のＣＩ（第１のＴＳＣＩ）を非同期に取得することをさらに含む。第１のＣＩ（ＣＩ）は、異種の第１のターゲット無線受信機と第１の無線デバイスとの間の第１の無線マルチパスチャネルのＣＩである。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、一連の第１のプローブ信号からそれぞれの異種の第１のターゲット無線受信機によって取得されたそれぞれの少なくとも１つの第１のＴＳＣＩに基づいて、場所および場所内のそれぞれの第１のオブジェクトのうちの少なくとも１つに関連するそれぞれの第１の動きを非同期的にモニタすることをさらに含む。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、少なくとも１つの異種の第２のターゲット無線受信機のそれぞれによって、一連の第２のプローブ信号から少なくとも１つの時系列の第２のＣＩ（第２のＴＳＣＩ）を非同期に取得することをさらに含む。第２のＣＩ（ＣＩ）は、異種の第２のターゲット無線受信機と第２の無線デバイスとの間の第２の無線マルチパスチャネルのＣＩである。無線モニタシステムの方法／装置／デバイス／システム／ソフトウェアは、一連の第２のプローブ信号からそれぞれの異種の第２のターゲット無線受信機によって取得されたそれぞれの少なくとも１つの第２のＴＳＣＩに基づいて、場所および場所内のそれぞれの第２のオブジェクトのうちの少なくとも１つに関連するそれぞれの第２の動きを非同期的にモニタすることをさらに含む。
特定の異種の第１のターゲット無線受信機に関連する特定の第１の動きと、特定の異種の第２のターゲット無線受信機に関連する特定の第２の動きは、同じ動きであり得る。特定の異種の第１のターゲット無線受信機によって一連の第１のプローブ信号から得られたそれぞれの少なくとも１つの第１のＴＳＣＩと、特定の異種の第２のターゲット無線受信機によって一連の第２のプローブ信号から得られたそれぞれの少なくとも１つの第２のＴＳＣＩとに基づいて、同じ動きを共同でモニタすることができる。特定の異種の第１のターゲット無線受信機に関連付けられた特定の第１のオブジェクトと、特定の異種の第２のターゲット無線受信機に関連付けられた特定の第２のオブジェクトは、同じオブジェクトであり得る。
特定の分類子は、現在のＴＳＣＩの第１の持続時間（time duration）の第１の区間（section）について、および少なくとも１つの既知のイベントのそれぞれについて、現在のＴＳＣＩの第１の持続時間の第１の区間と既知のイベントに関連したトレーニング済み代表ＴＳＣＩの第2の持続時間の第2の区間との間のペアごとのミスマッチ（pairwise mismatch）を計算するように構成され得る。特定の分類子は、現在のＴＳＣＩの第１の持続時間の第１の区間を、第２の区間が第１の区間と最小のペアごとのミスマッチを有する既知のイベントに関連付けることができる。現在のＴＳＣＩの別の第１の持続期間の以前の第１の区間が、既知のイベントに関連するトレーニング済みＴＳＣＩの別の第２の持続期間の別の第２の区間と最小のペアごとのミスマッチを有する場合、特定の分類子は、現在のＴＳＣＩの第１の持続期間の第１の区間を、第２の区間が第１の区間と最小のペアごとのミスマッチを有する既知のイベントに関連付けることができる。
既知の事象に関連するトレーニング済み代表ＴＳＣＩ（trained representative TSCI）は、既知の事象に関連する少なくとも１つのトレーニング済みＴＳＣＩに基づいて取得することができる。既知の事象に関連するトレーニング済み代表ＴＳＣＩは、既知の事象に関連する少なくとも１つのトレーニング済みＴＳＣＩのうちの１つであり得る。既知のイベントに関連付けられたトレーニング済み代表ＴＳＣＩは、既知のイベントに関連付けられた少なくとも１つのトレーニングＴＳＣＩのうちの特定の１つとすることができ、それによって少なくとも１つのトレーニングＴＳＣＩと比較して最小の集合ミスマッチを有する。
集合ミスマッチは、特定の１つと少なくとも１つのトレーニングＴＳＣＩの残りのそれぞれとの間の少なくとも１つのペアごとのミスマッチの関数であり得る。関数は、平均、加重平均、平均、トリム平均、中央値、最頻値、算術平均、幾何平均、調和平均、切捨て平均、一般化平均、パワー平均、f平均、四分位間平均（interquartile mean）、および／または別の平均、のうちの少なくとも１つを含む。特定の既知のイベントに関連する特定のトレーニングされた代表的ＴＳＣＩは特定の持続期間を有することができる。特定の持続時間の特定のトレーニング済み代表ＴＳＣＩは、既知のイベントに関連する少なくとも１つのトレーニングＴＳＣＩのそれぞれと整列（align）されてもよい。それぞれのペアごとのミスマッチが計算されてもよい。特定のトレーニング済み代表的ＴＳＣＩは、少なくとも１つのトレーニングＴＳＣＩと比較して集合ミスマッチを最小にすることができる。集合ミスマッチは、特定の１つと少なくとも１つのトレーニングＴＳＣＩのそれぞれとの間の少なくとも１つのペアごとのミスマッチの関数であり得る。特定の持続期間は、特定のトレーニング済み代表的ＴＳＣＩの２つ以上の候補持続期間の間の集合ミスマッチを最小にすることができる。関数は、平均、加重平均、平均、トリム平均、中央値、最頻値、算術平均、幾何平均、調和平均、切捨て平均、一般化平均、パワー平均、f平均、四分位間平均（interquartile mean）、および／または別の平均、のうちの少なくとも１つを含む。
集合ミスマッチおよび／または各ペアごとのミスマッチの少なくとも１つを正規化して、少なくとも１つのトレーニングＴＳＣＩのそれぞれの集合ミスマッチを、集合ミスマッチが最小のものを探して、それと比較することができる。特定の持続期間は、特定のトレーニング済み代表的ＴＳＣＩの２つ以上の候補持続期間（candidate time duration）の間の集合ミスマッチを最小にすることができる。少なくとも１つの候補持続時間のそれぞれについて、候補持続時間を有する最適なトレーニング済み代表ＴＳＣＩを計算することができる。特定の持続時間は、最小化された正規化された集合体の不一致を与える候補持続時間として選択されてもよい。候補持続時間に関連付けられた正規化された集合ミスマッチは、候補持続時間によって正規化されたそれぞれの集合ミスマッチであり得る。特定の持続時間は、コスト関数が以下のうちの少なくとも１つである少なくとも１つの候補持続時間の間で検索を実行することによって得られてもよい：正規化集合ミスマッチ、ハイブリッド正規化集合ミスマッチ、組み合わせ正規化集合マッチ、単純化されたミスマッチ、および／または別のコスト関数。候補持続時間に関連付けられた正規化された集合ミスマッチは、候補持続時間によって正規化されたそれぞれの集合ミスマッチであり得る。検索は、以下のうちの少なくとも１つを含み得る：総当たり探索、勾配降下、最急降下、確率的探索、遺伝的探索、予測的探索、局所探索、多重分解能探索、階層的探索、制約付き探索、無制限探索、高速探索、簡易探索、および／または別の探索。
特定の持続時間および特定の持続時間を有する特定のトレーニングされた代表的なＴＳＣＩは、繰り返して計算され得る。現在の持続時間は、候補持続時間のうちの１つとして初期化され得る。現在の持続時間について、現在の持続時間での現在の最適なトレーニング済み代表的ＴＳＣＩを計算できる。現在の持続時間での現在の最適なトレーニング済み代表的ＴＳＣＩについて、現在の持続時間は、より小さい正規化総計ミスマッチを与えるために変更され得る。現在の持続時間は、既知のイベントと関連付けられた少なくとも１つのトレーニングＴＳＣＩと関連付けられた、持続時間に基づいた値で初期化できる。現在の持続時間は、既知のイベントと関連付けられた少なくとも１つのトレーニングＴＳＣＩと関連付けられた、持続時間に基づいた値で初期化できる。第１の無線デバイスおよび／または第１のターゲット無線受信器のうちの少なくとも１つは、少なくとも２つのアンテナを含み得る。第１の無線デバイスアンテナおよび第１のターゲット無線受信器アンテナの各対は、第１の無線デバイスと第１のターゲット無線受信器との間のリンクを形成し得る。少なくとも２つのリンクが第１の無線デバイスと第１のターゲット無線受信器との間に形成され得る。各リンクは、現在のＴＳＣＩに対応し得る。一例として、オブジェクトの追跡は、時間Ｔにてオブジェクトの初期場所を得ることと、次いで、少なくとも１つのＴＳＣＩに基づいて、時間Ｔ＋ΔＴにてオブジェクトの更新された場所を計算することと、によって達成され得る。
時間Ｔでのオブジェクトの初期場所は、エントランスにいくつかの指向性アンテナを設置することによって得ることができ、これにより、オブジェクトが指向性アンテナ下を動いていると、オブジェクトが指向性アンテナと関連付けられた場所にあることを示す無線信号を受信し得る。オブジェクトの更新された場所は、増分時間ΔＴ内にオブジェクトが移動した距離を計算することと、変位ベクトルを得るために距離とオブジェクト動き方向（例えば、オブジェクトと関連付けられたジャイロスコープから得られた）とを結合することと、によって計算され得る。変位ベクトルを時間Ｔにて場所に追加して、時間Ｔ＋ΔＴでのオブジェクトの更新された場所を得ることができる。
タイプ１異種無線デバイスは、第１のタイプの異種無線デバイス（例えば、第１のプロービング信号（インパルスなど）を送信する無線送信器、第２のプロービング信号を受信する無線受信器、ボットとして機能する無線デバイス、またはオリジンとして機能する無線デバイス）であり、タイプ２異種無線デバイスは、第２のタイプの異種無線デバイス（例えば、第１のプロービング信号を受信する無線受信器、第２のプロービング信号を送信する無線送信器、または無線送受信器、またはオリジンとして機能する無線デバイス、またはボットとして機能する無線デバイス）である。タイプ１デバイスは、一方がプロービング信号を送信し、もう一方がそれを受信するように、タイプ２デバイスと協調して動作し得る。タイプ１デバイスおよび／またはタイプ２デバイスは、スマートスピーカ、スマートフォン、電話の付属装置、別のデバイスにプラグインするためのポータブルドングル、ＵＳＢドングル、コンピュータ、ＷｉＦｉルータ、ＬＴＥ基地局、ＷｉＦｉリピータ、ＬＴＥリピータ、ＴＶ、ＤＶＤプレイヤ、ＨｉＦｉ、オーディオ機材、照明機材、クロック、ランプ、冷蔵庫、電子レンジ、アプライアンス、台所用品、トーチ、セキュリティカメラ、専用セキュリティボックス、オーナメントなどであり得る。本教示の様々な実施形態によれば、オブジェクト追跡およびナビゲーションのためのシステムにおいて、オリジンは、送受信器であることができ、ボットは、別の送受信器であることができる。オリジンおよびボットの各々は、タイプ１またはタイプ２異種無線デバイスであり得る。
図１８は、本発明の一実施形態による、オブジェクト追跡のための例示的な方法を示す。動作１８０２にて、プロセッサ、メモリ、およびメモリ中に記憶された命令セットを使用して、無線マルチパスチャネルの少なくとも１つのＴＳＣＩ ｆが得られる。少なくとも１つのＴＳＣＩは、無線マルチパスチャネルを介して、場所内の第１の位置にあるタイプ１異種無線デバイスと場所内の第２の位置にあるタイプ２異種無線デバイスとの間で送信された無線信号から抽出される。無線マルチパスチャネルは、場所内でのオブジェクトの現在の運動により影響を受ける。動作１８０４にて、オブジェクトの時空間情報は、少なくとも１つのＴＳＣＩ、現在の運動と関連付けられた時間パラメータ、およびオブジェクトの過去の時空間情報のうちの少なくとも１つに基づいて決定される。動作１９０６にて、タスクは、時空間情報に基づいて実施される。
図１９は、本発明の一実施形態による時空間情報１９０２の例を示す。図２０は、本発明の一実施形態による、時空間情報に基づいて実行されるタスクの例を示す。
図２１は、本発明の一実施形態による、オブジェクト追跡のための別の例示的な方法を示す。図２１にて示すように、ＴＳＣＩ１１１Ａ／１１１Ｂを得て、動作２１０２にて距離を決定することができ、これにより、現在のオブジェクトの運動の距離情報２１０４を得ることができる。並行して、いくつかのメカニズムを使用して、現在のオブジェクトの運動の推定方向２１０６を得ることができる。そのように、時空間情報は、距離情報２１０４および推定方向２１０６に基づいて、図１８にて示す動作１８０４と同様に決定されて、図１９に示すような時空間情報１９０２を得ることができる。
一般的に、タスクは、図１８の動作１８０６にて示すように、時空間情報に基づいて実施され得る。一実施形態では、タスクは、時空間情報の描写を含み得る。これは、視聴覚的方法、グラフィカルな方法、テキストの方法、記号の方法、または機械的方法によって表示され得る。例えば、時空間情報は、家の異なる部屋内のオブジェクトの動きの検出であり得る。グラフィカルユーザインターフェース（ＧＵＩ）は、家の中のオブジェクトの位置を示すように構成することができる。例えば、オブジェクトは、人であり得る。オブジェクトの場所またはおおよその場所を示す／マークすることができる。そして、ＧＵＩで家を、リビングルームエリア、ファミリールームエリア、ダイニングルームエリア、ベッドルーム１エリア、ベッドルーム２エリアなどに仕切ることができる。各エリアに色を割り当て、および／または色で網掛けすることができる。各エリアは、アニメーション化され得る（例えば、エリアのサイズ、エリアの形状、エリアの色、エリアの色の強度、テキスト表示、記号表示など）。または、ＧＵＩは、地図の有無にかかわらず各領域を別の表現にできる。表現は、アニメーション化であり得る。アニメーションは、リアルタイムまたは後であり得る。予測オブジェクト（ユーザ）行動／活動もまた、アニメーション化され得る。プレゼンテーションはまた、時空間情報を反映するために、振動、機械的フィードバック、物理的フィードバック、触覚フィードバック、照明、陰影、形状などの形態であり得る。時空間情報は、２つ以上の分析、例えば、人数、動きの存在、動きの強度、動きの持続時間、動きの頻度、「異常な」または「予期しない」動き、バイタルサイン、生／死、動かない、眠り、不審なイベント、および／または転倒などを含み得る。例えば、動きが大きい場合、色は、暗いか（黒／グレー要素が多い）、またはより鮮明か、またはより明るくなり得る。動きが小さい場合、色は、より明るいか、または鮮明さが低くなるか、または薄暗くなり得る。人が家に入ると、ＧＵＩは、彼が、フロントロビーエリア、リビングルーム、ベッドルーム１などにいることを示すことができる。ＧＵＩは、コンピュータ／タブレット用のソフトウェア、スマートフォン（例えば、ｉＰｈｏｎｅ、Ａｎｄｒｏｉｄ ｐｈｏｎｅなど）のアプリ、スマートデバイス（例えば、スマートグラス、スマートウォッチなど）内のアプリであり得る。
図２２は、本発明の一実施形態による、場所における時空間情報の例示的なプレゼンテーションを示す。例えば、図２２にて示すように、２ベッドルームアパートメント２２００（または９００）において、オリジン２２０１（または９０１）は、リビングルームエリア２２０２（または９０２）に置くことができ、ボット１ ２２１０（または９１０）は、ベッドルーム１エリア２２１２（または９１２）に置くことができ、ボット２ ２２２０（または９２０）は、ダイニングルームエリア２２２２（または９２２）に置くことができる。ボット１ ２２１０（または９１０）およびボット２ ２２２０（または９２０）の両方が動き／活動を検出する場合、活動／動き／人／ユーザは、リビングルームエリア２２０２（または９０２）内にあり得る。ボット１ ２２１０（または９１０）のみが動き／活動を検出する場合、活動／動き／人／ユーザは、ベッドルーム－１エリア２２１２（または９１２）内にあり得る。ボット２ ２２２０（または９２０）のみが動き／活動を検出する場合、活動／動き／人／ユーザは、ダイニングルームエリア２２２２（または９２２）内にあり得る。２つのボットのいずれも動き／活動を検出しない場合、アパートメント２２００（または９００）内に誰もいないことがある。活動／動き／人／ユーザが検出された対応するエリアは、所定のパターンまたは色でマークされ得る。本開示の多くの実装例について説明してきた。それにもかかわらず、本開示の精神と範囲から逸脱することなしに、様々な変更を行うことができると理解されるであろう。例えば、無線送信器、無線受信器、アンテナ、指向性アンテナ、無線送信、マルチパスチャネル、無線信号、オブジェクト、オブジェクト、プロセッサ、メモリ、命令セット、ＣＩ（ＣＩ）、チャネル状態情報（ＣＳＩ）、電力情報（ＰＩ）、ＣＩ／ＣＳＩ／ＰＩのフォーマット／特徴／コンポーネント／コンテキスト、ＣＩ／ＣＳＩ／ＰＩの圧縮／表現／ストレージ／送信／暗号化／処理／前処理／後処理、時系列フォーマット／順序／シーケンス、無線信号からのＣＩの抽出、時空間情報、過去の情報、初期情報、時間量、空間量、時空間量、推定方向、類似性スコア、オブジェクト、距離、オブジェクトの運動、特徴ポイント、ローカルデバイス、および／または計算作業負荷共有は、上記のようなものとは異なる場合がある。時空間情報は、速さであり得る。速さ推定方法の例示的な説明は、以下のとおりである。３つの受信アンテナは、図２３にて示すように、移動方向と平行な線上に整列させることができる。図２３は、本教示の一実施形態による、アンテナマッチングに基づく速さ推定の例示的な図である。更に、受信アンテナの速さは、時間的にゆっくり変化することができる、すなわち、短時間内に、速さは、一定の値ｖに近似することができる。受信アンテナＲｘ２およびＲｘ３をグループ化して主要アンテナと呼び、受信アンテナＲｘ１およびＲｘ２をグループ化して追従アンテナまたは後続アンテナと呼ぶことができる。これは、追従アンテナ（または後続アンテナ）が主要アンテナと同一の軌道を通ることができるが、未知の遅延τがあるためである。速さは、関係
Figure 2023109822000046
 によって推定することができ、式中、ｄは、隣接するアンテナ間の間隔（等しい間隔）である。したがって、速さ推定問題は、τの推定に変換することができる。以下で、ＴＲＲＳを使用して、τを推定することができる。Ｈｉ（ｔ）は、ｉ番目の受信アンテナで時間ｔに測定されたＣＳＩ（またはＣＩ ＣＩ）を表し、Δｔは、２つの隣接するＣＳＩ測定間の持続時間を意味する。各時間ｔ１について、基準ＣＳＩを形成でき、これは、主要アンテナによって測定され、Ｈlead（ｔ１）＝［Ｈ２（ｔ１），Ｈ３（ｔ１），Ｈ２（ｔ１＋Δｔ），Ｈ３（ｔ１＋Δｔ），．．．，Ｈ２（ｔ１＋（Ｎ－１）Δｔ），Ｈ３（ｔ１＋（Ｎ－１）Δｔ）］として示され、式中、Ｎは、１，２，３．．．であり、かつ比較のためのＣＳＩを形成でき、これは、追従アンテナ（または後続アンテナ）によって測定され、Ｈfollow（ｔ）＝［Ｈ１（ｔ），Ｈ２（ｔ），Ｈ１（ｔ＋Δｔ），Ｈ２（ｔ＋Δｔ），．．．，Ｈ１（ｔ＋（Ｎ－１）Δｔ），Ｈ２（ｔ＋（Ｎ－１）Δｔ）］として示される。ＴＲＲＳγ（ｔ１，ｔ)値ならびに／またはＨlead（ｔ１）とＨfollow（ｔ）との間のいくつかの類似性測定値および／もしくはいくつかの距離測定値を計算できる。追従アンテナが時間ｔ１に対応する主要アンテナの場所に到達すると、γ（ｔ１，ｔ)は、変数ｔにわたりその最大値を達成し得る。本実施例では、ｔ＝ｔ２を有することができるため、推定
Figure 2023109822000047
 を有することができる。
アンテナマッチングに基づく速さ推定の例示的なフロー図を図２４に示す。動作２４０２では、主要アンテナのＣＦＲ連結の詳細な定式化は、Ｈlead（ｔ１）＝［Ｈ２（ｔ１），Ｈ３（ｔ１），Ｈ２（ｔ１＋Δｔ），Ｈ３（ｔ１＋Δｔ），．．．，Ｈ２（ｔ１＋（Ｎ－１）Δｔ），Ｈ３（ｔ１＋（Ｎ－１）Δｔ）］である。動作２４０４では、追従アンテナのＣＦＲ連結の詳細な定式化は、Ｈfollow（ｔ２）＝［Ｈ１（ｔ２），Ｈ２（ｔ２），Ｈ１（ｔ２＋Δｔ），Ｈ２（ｔ２＋Δｔ），．．．，Ｈ１（ｔ２＋（Ｎ－１）Δｔ），Ｈ２（ｔ２＋（Ｎ－１）Δｔ）］である。動作２４０６では、各タイムスロットｔ１について、２つのＣＦＲフィンガープリントＨlead（ｔ１）およびＨfollow（ｔ２）の間のＴＲＲＳγ（ｔ１，ｔ２）が異なるｔ２の近くのｔ１について計算される。動作２４０８では、γ（ｔ１，ｔ２）の最大値を与えるｔ２を決定することができるので、次いで、主要アンテナの群と追従アンテナの群との間の遅延τは、τ＝ｔ２－ｔ１である。つまり、動作２４１０では、速さ推定は、ｖ＝ｄ／τであり、ｄは、任意の２つの隣接する均一に間隔を開けられたアンテナの間の距離である。したがって、その他の実施形態は、以下の特許請求の範囲内である。
動き検出
以下の詳細な説明では、関連する教示の完全な理解を提供するために、例として多数の具体的な詳細が記載されている。しかし、本教示がそのような詳細なしで実施されてもよいことは、当業者にとって明らかでなければならない。他の例では、本教示の態様を不必要に曖昧にすることを避けるために、よく知られている方法、手順、コンポーネント、および／または回路が詳細なしで比較的高レベルで説明されている。
本教示は、オブジェクトの動きにより影響を受ける無線マルチパスチャネルのＣＩに基づいて、場所内でのオブジェクトの動きを検出するためのシステム、デバイス、および方法について開示している。一実施形態では、オブジェクトの動きは、無線マルチパスチャネルのＴＳＣＩに基づいて計算された動き情報に基づいて検出される。 動き情報は、ＴＳＣＩの現在の時間窓と過去の時間窓との間の異種類似性スコアを含み得る。
一実施形態では、開示されたシステムは、場所内のオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して無線信号を送信するために構成された第１の無線デバイスと、第１の無線デバイスのタイプとは異なるタイプを有する第２の無線デバイスと、を備える。第２の無線デバイスは、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して無線信号を受信し、かつ無線信号に基づいて無線マルチパスチャネルのＴＳＣＩを得るように構成されている。開示されたシステムは、オブジェクトの動きに関する動き情報に基づいて場所内でのオブジェクトの動きを検出するように更に構成されている。第１および第２の無線デバイスと関連付けられた動き情報は、動き検出器と第２の無線デバイスとのうちの少なくとも１つによってＴＳＣＩに基づいて計算される。
動き検出器は、第１の無線デバイスと、第２の無線デバイスと、第１の無線デバイスと同一の種類の第３の無線デバイスと、第２の無線デバイスと同一の種類の第４の無線デバイスと、クラウドサーバと、フォグサーバと、ローカルサーバと、エッジサーバと、のうちの少なくとも１つに結合され得る。一実施形態では、第１の無線デバイスは、タイプ１のタイプ１デバイスとであり、第２の無線デバイスは、タイプ２のタイプ２デバイスであり、システムは、少なくとも１つの追加のタイプ１デバイスおよび少なくとも１つの追加のタイプ２デバイスのうちの少なくとも１つを更に備え、タイプ１デバイスおよびタイプ２デバイスは、複数のタイプ１およびタイプ２デバイスの対を形成する。タイプ１デバイスおよびタイプ２デバイスを含むタイプ１およびタイプ２デバイスの各対について、それぞれのタイプ１デバイスは、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介してそれぞれの無線信号を送信するように構成することができ、それぞれのタイプ２デバイスは、無線マルチパスチャネルを介してそれぞれの無線信号を受信し、それぞれの無線信号に基づいて無線マルチパスチャネルのそれぞれのＴＳＣＩを得るように構成することができ、動き検出器およびそれぞれのタイプ２デバイスのうちの少なくとも１つは、それぞれのＴＳＣＩに基づいてオブジェクトの動きに関するそれぞれの異種動き情報を非同期的に計算するように構成することができ、動き検出器およびタイプ２デバイスのうちの少なくとも１つは、タイプ１およびタイプ２デバイスの対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを個別にかつ非同期的にモニタすることと、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを連帯的にかつ非同期的にモニタすることと、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを連帯的にかつ非同期的にモニタすることと、タイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを全体的にかつ非同期的にモニタすることと、のうちの少なくとも１つを実施するように構成されている。
本教示の様々な実施形態によれば、オブジェクトの動き検出およびモニタのための開示されたシステムにおいて、オリジンは、送受信器であることができ、ボットは、別の送受信器であることができる。ボットおよびオリジンの各々は、タイプ１またはタイプ２異種無線デバイスであり得る。
一実施形態では、それぞれのＴＳＣＩの各ＣＩは、少なくとも１つのそれぞれのコンポーネントを有し得る。各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、ならびに少なくとも１つのそれぞれのコンポーネントの各々について、以下を行うことができる。（ａ）それぞれのＴＳＣＩのコンポーネントのそれぞれの現在のコンポーネント窓は、それぞれの現在の窓に基づいて、非同期的に決定され得る、（ｂ）それぞれのＴＳＣＩのコンポーネントのそれぞれの過去のコンポーネント窓は、それぞれの過去の窓に基づいて、非同期的に決定され得る、（ｃ）それぞれの現在のコンポーネント窓は、それぞれの過去のコンポーネント窓とコンポーネント毎に非同期的に比較され得る、（ｄ）オブジェクトの動きは、それぞれの現在のコンポーネント窓とそれぞれの過去のコンポーネント窓との非同期的なコンポーネント毎の比較に基づいて、コンポーネント毎にモニタされ得る。オブジェクトの動きは、非同期のコンポーネント毎の比較に基づいて検出され得る。
一実施形態では、開示されたシステムは、対（タイプ１デバイスおよびタイプ２デバイス）で動作する、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器／受信器、アナログ回路、ＲＦ／ＩＦ／ベースバンド要素、低ノイズアンプ、電源供給、プロセッサ、メモリなど）と、対応するソフトウェアコンポーネントと、を有する。開示されたシステムは、非常に高い検出率および非常に低い誤警報率で場所内のオブジェクトの動きを検出することが可能である。特に、開示されたシステムは、セキュリティシステム内で広く使用されている動きセンサである既存の受動型赤外線（ＰＩＲ）センサよりもはるかに優れている。
第１に、開示されたシステムは、動き検出範囲がかなり大きい。一実施形態では、開示された無線動き検出システムは、環境（場所）を探査するために無線信号（Ｗｉ－ＦｉまたはＬＴＥなど）を使用し、Ｗｉ－Ｆｉによって約１０，０００平方フィートの広い固有範囲を有する。ＰＩＲは、赤外線信号を使用することによって、約１００～２００平方フィートの範囲よりかなり狭い範囲を有する。
第２に、開示されたシステムは、コーナーの周りの動きを検出できる。ＰＩＲセンサは、視線（line-of-sight：ＬＯＳ）操作に依存しているが、これは、壁の後ろ、またはコーナーの周り、または障害物（例えば、ＴＶ、ソファ、窓、パーティションなど）の後ろの動きを検出できない。対照的に、開示されたシステムは、見通し内（ＬＯＳ）および見通し外（non-line-of-sight：ＮＬＯＳ）条件の両方で働く。開示されたシステムは、複数の壁の後ろ、複数のコーナーの周り、および障害物の後ろの動きを完全に検出することが可能である。セキュリティアプリケーションでは、侵入者が暗闇でまさに隠れており悪事をするのを待っている可能性があるため、コーナーの周りおよび壁の後ろの動きを検出できることが、極めて重要である。
第３に、開示されたシステムは、とても優れた誤警報率を有する。誤警報とは、実際に動きがないのに、システムが動きを検出することを意味する。このような誤警報は、オペレータや警察を非常に煩わせる。開示されたシステムは、０．１％未満の非常に低い誤警報率を有し、一方、ＰＩＲ系検出器の誤警報率は、１０％以上の範囲内である。一方、ＰＩＲ系検出器は、例えば、強い日光などによる温度変化に敏感であるが、開示されたシステムは、日光または温度変化に敏感ではない。
第４に、開示されたシステムは、ＰＩＲ系検出器のような特別な設置は必要ない。ＰＩＲ系検出器は、特別な設置が必要である。一度設置されると、動かすことはできない。ＰＩＲ系検出器は、非常に限られた範囲を有するので、多くのＰＩＲデバイスは、労働集約的で、時間がかかり、かつ高価である。加えて、故障したＰＩＲデバイスの交換には、更なる労力を必要とする。開示されたシステムは、既存のＷｉ－ＦｉまたはＬＴＥを使用して、動き検出を実施することができる。言い換えると、特別な設置は必要ない。開示されたシステムは、単にいくつかの既存のＷｉ－Ｆｉ準拠デバイス、例えば、Ｗｉ－Ｆｉルータ、スマートフォン、スマートスピーカ（例えば、Ａｍａｚｏｎ Ｅｃｈｏ、Ｇｏｏｇｌｅ Ｈｏｍｅなど）、スマートデバイス（例えば、スマート温度計、スマートカメラ、スマートＴＶ、スマートセットトップボックス、スマート冷蔵庫など）を使用することができる。タイプ１デバイスおよびタイプ２デバイスは、プラグアンドプレイデバイスであることができ、特別な設置は必要ない。プラグアンドプレイの性質が故に、開示された無線動き検出システムは、デバイスが消費者によって移動されても（例えば、リビングルームからファミリールーム、またはあるプラグから別のプラグ）、依然として動く。
更に、開示されたシステムは、Ｗｉ－ＦｉおよびＬＴＥなどの既存の規格準拠大量販売用インフラストラクチャを活用できる。したがって、開示されたシステムの多くの構成要素が、典型的には大量生産品であるため、低コストで、消費者市場ならびにニッチ市場に好適である。
一実施形態では、オブジェクトの動きに関するタスクは、少なくとも１つのＴＳＣＩに基づいた、オブジェクトのいくつかの時空間情報（例えば、場所、速さ、速度、加速度、周期的動き、時間的傾向、過渡的運動、期間、特徴など）、現在の運動と関連付けられた時間パラメータ、および／またはオブジェクトの過去の時空間情報に基づいて実施され得る。少なくとも１つの現在のＴＳＣＩは、前処理され得る。一実施形態では、タスクは、時空間情報のプレゼンテーションを含み得る。これは、視聴覚的方法、グラフィカルな方法、テキストの方法、記号の方法、または機械的方法によって表示され得る。例えば、時空間情報は、家の異なる部屋内のオブジェクトの動きの検出を示すことができる。グラフィカルユーザインターフェース（ＧＵＩ）は、家の中のオブジェクトの位置を示すように構成することができる。例えば、オブジェクトは、人であり得る。オブジェクトの場所またはおおよその場所を示すかマークすることができる。
ＧＵＩで家を、リビングルームエリア、ファミリールームエリア、ダイニングルームエリア、ベッドルーム１エリア、ベッドルーム２エリアなどに仕切ることができる。各エリアに色を割り当て、および／または色で網掛けすることができる。各エリアは、アニメーション化され得る（例えば、エリアのサイズ、エリアの形状、エリアの色、エリアの色の強度、テキスト表示、記号表示など）。または、ＧＵＩは、地図の有無にかかわらず各領域を別の表現にできる。表現は、アニメーション化であり得る。アニメーションは、リアルタイムまたは後であり得る。予測オブジェクト（ユーザ）行動／活動もまた同様に、アニメーション化され得る。プレゼンテーションはまた、時空間情報を反映するために、振動、機械的フィードバック、物理的フィードバック、触覚フィードバック、照明、陰影、形状などの形態であり得る。時空間情報は、２つ以上の分析、例えば、人数、動きの存在、動きの強度、動きの持続時間、動きの頻度、「異常な」または「予期しない」動き、バイタルサイン、生／死、動かない、眠り、不審なイベント、および／または転倒などを含み得る。例えば、動きが大きい場合、色は、暗いか（黒／グレー要素が多い）、またはより鮮明か、またはより明るくなり得る。動きが小さい場合、色は、より明るいか、または鮮明さが低くなるか、または薄暗くなり得る。人が家に入ると、ＧＵＩは、彼が、フロントロビーエリア、リビングルーム、ベッドルーム１などにいることを示すことができる。ＧＵＩは、コンピュータ／タブレット様のソフトウェア、スマートフォン（例えば、ｉＰｈｏｎｅ、Ａｎｄｒｏｉｄ ｐｈｏｎｅなど）のアプリ、スマートデバイス（例えば、スマートグラス、スマートウォッチなど）内のアプリによって実装され得る。
図２２は、本教示の一実施形態による、場所内での時空間情報に基づいてオブジェクトの動きを検出する例示的なシナリオを示す。図２２はまた、場所内での時空間情報の例示的なプレゼンテーションを示す。例えば、図２２にて示すように、２ベッドルームアパートメント２２００において、オリジン２２０１（または９０１）は、リビングルームエリア２２０２（または９０２）に置くことができ、ボット１ ２２１０（または９１０）は、ベッドルーム１エリア２２１２（または９１２）に置くことができ、ボット２ ２２２０（または９２０）は、ダイニングルームエリア２２２２（または９２２）に置くことができる。ボット１ ２２１０（または９１０）およびボット２ ２２２０（または９２０）の各々は、無線信号をオリジン２２０１（または９０１）に送信することができ、オリジン２２０１（または９０１）は、無線信号に基づいて無線マルチパスチャネルのＣＩを得ることができる。オリジン２２０１（または９０１）は、それ自身によって、または動き検出器の様な第３のデバイスを介して、ＣＩに基づいて動き情報を計算し、動き情報に基づいてオブジェクトの動き／活動を検出することができる。これは、オリジン２２０１（または９０１）が、それ自身によって、または動き検出器の様な第３のデバイスを介して、ボット１ ２２１０（または９１０）および／またはボット２ ２２２０（または９２０）によって送信された無線信号に基づいてオブジェクトの動き／活動を検出することができる。
オブジェクトの動き／活動が、ボット１ ２２１０（または９１０）およびボット２ ２２２０（または９２０）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／動きまたはオブジェクト（例えば、人／ユーザ）は、リビングルームエリア２２０２（または９０２）内であり得る。オブジェクトの動き／活動が、ボット１ ２２１０（または９１０）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／動きまたはオブジェクト（例えば、人／ユーザ）は、ベッドルーム－１エリア２２１２（または９１２）内であり得る。オブジェクトの動き／活動が、ボット２ ２２２０（または９２０）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／動きまたはオブジェクト（例えば、人／ユーザ）は、ダイニングルームエリア１２２内であり得る。オブジェクトの動き／活動が、ボット１ ２２１０（もしくは９１０）またはボット２ ２２２０（もしくは９２０）のいずれかによって送信された無線信号に基づいて検出できない場合、アパートメント２２００（または９００）内には誰もおらずオブジェクトもないと判断され得る。活動／動き／人／ユーザが検出された対応するエリアは、所定のパターンまたは色でマークされ得る。
図２５は、本教示の一実施形態による、無線ＣＩに基づいて動き検出器によって実施される動き検出のための例示的な方法のフロー図を示す。動作２５０２にて、無線信号は、オブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して受信される。動作２５０４にて、チャネルの少なくとも１つのコンポーネントを有するＴＳＣＩは、無線信号に基づいて得られる。コンポーネントのそれぞれの現在のコンポーネント窓は、現在の時間窓に基づいて、動作２５０６にて、非同期的に決定される。コンポーネントのそれぞれの過去のコンポーネント窓は、過去の時間窓に基づいて、動作２５０８にて、非同期的に決定される。動作２５１０にて、それぞれの現在のコンポーネント窓は、それぞれの過去のコンポーネント窓とコンポーネント毎に非同期的に比較して、比較結果を生成する。動作２５１２にて、オブジェクトの動きは、非同期のコンポーネント毎の比較結果に基づいて検出される。任意で動作２５１４にて、オブジェクトの動きは、連続的に生成された比較結果に基づいてモニタされる。
図２６は、本教示の一実施形態による、第１の無線デバイス（例えば、ボット２６００）の例示的なブロック図を示す。ボット２６００は、本明細書記載の様々な方法を実装するように構成することができるデバイスの一例である。図２６にて示すように、ボット２６００は、プロセッサ２６０２、メモリ２６０４、送信器２６１２および受信器２６１４を含む送受信器２６１０、同期コントローラ２６０６、電力モジュール２６０８、キャリアコンフィギュレータ２６２０、ならびに無線信号発生器２６２２を含むハウジング２６４０を含む。
本実施形態では、プロセッサ２６０２は、ボット２６００の生成動作を制御して、１つ以上の処理回路またはモジュール、例えば、中央処理装置（ＣＰＵ）、ならびに／また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）、プログラマブルロジックデバイス（programmable logic device：ＰＬＤ）、コントローラ、状態機械、ゲート論理、離散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、またはデータの算出またはその他の操作を実施できる任意のその他の好適な回路、デバイスおよび／もしくは構造の任意の組み合わせを含むことができる。
読み取り専用メモリ（ＲＯＭ）およびランダムアクセスメモリ（ＲＡＭ）の両方を含み得るメモリ２６０４は、命令およびデータをプロセッサ２６０２に提供することができる。 メモリ２６０４の一部はまた、不揮発性ランダムアクセスメモリ（non-volatile random access memory：ＮＶＲＡＭ）を含み得る。プロセッサ２６０２は通常、メモリ２６０４内に記憶されているプログラム命令に基づいて論理演算および算術演算を実行する。 メモリ２６０４に格納されている命令（別名、ソフトウェア）は、本明細書で説明されている方法を実行するためにプロセッサ２６０２によって実行することができる。プロセッサ２６０２およびメモリ２６０４は一緒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とき、「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、マイクロコードなどと呼ばれるかにかかわらず、１つまたは複数の所望の機能またはプロセスを実行するように機械または装置を構成できる任意のタイプの命令を意味する。命令は、コード（例えば、ソースコードフォーマット、バイナリコードフォーマット、実行可能コードフォーマット、または任意の他の適切なコードフォーマット）を含み得る。命令は、１つまたは複数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に記載のさまざまな機能を実行させる。
送受信器２６１０（送信器２６１２および受信器２６１４を含む）により、ボット２６００が、リモートデバイス（例えば、オリジンまたは別のボット）との間でデータを送信および受信できるようになる。アンテナ２６５０は、通常、ハウジング２６４０に取り付けられており、送受信器２６１０に電気的に結合されている。様々な実施形態では、ボット２６００は、（図示せず）複数の送信器、複数の受信器、および複数の送受信器を含む。一実施形態では、アンテナ２６５０は、それぞれが異なる方向を向く複数のビームを形成することができるマルチアンテナアレイ２６５０と置き換えられる。送信機２６１２は、プロセッサ２６０２が生成する、異なる種類または機能を有する信号を無線で送信するように構成することができる。同様に、受信機2614は、異なる種類また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２６０２は、複数の異なる種類の信号を処理するように構成される。
本実施例のボット２６００は、場所内でのオブジェクトの動きを検出するため、図２２のボット１ ２２１０（もしくは９１０）またはボット２ ２２２０（もしくは９２０）として機能し得る。例えば、無線信号発生器２６２２は、無線信号を生成し、送信器２６１２によって場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して送信することができる。無線信号は、チャネルの情報を運ぶ。チャネルは、動きにより影響を受けたため、ＣＩは、オブジェクトの動きを表現できる動き情報を含む。そのように、動きは、無線信号に基づいて示すおよび検出することができる。無線信号発生器２６２２での無線信号の生成は、別のデバイス（例えば、オリジン）からの動き検出要求に基づくか、またはシステムの事前設定に基づき得る。すなわち、ボット２６００は、送信された無線信号を使用して動きを検出するであろうことを知っているか知らない場合がある。
一実施形態では、ボット２６００は、無線モニタシステムの特定の非同期異種タイプ１デバイスであり得る。無線モニタシステムは、少なくとも１つの非同期異種タイプ１デバイスおよび少なくとも１つの非同期異種タイプ２デバイスを備え得る。無線モニタシステムはタイプ１デバイスとタイプ２デバイスの少なくとも１つの組み合わせを備え、各組み合わせは少なくとも１つのタイプ１デバイスのうちの１つと少なくとも１つのタイプ２デバイスのうちの１つを備える。特定の非同期異種タイプ１デバイスは、無線モニタシステムのタイプ１およびタイプ２デバイスの少なくとも１つの特定の組み合わせである。特定のタイプ１デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つの特定の組み合わせを介して、少なくとも１つの特定のタイプ２デバイスと対にされる。特定の非同期異種タイプ１デバイスは、無線回路と、無線回路と通信可能に結合された第１のプロセッサと、第１のプロセッサと通信可能に結合された第１のメモリと、第１のメモリ中に記憶された第１の命令セットであって、これは、実行されると、第１のプロセッサに、無線回路を使用して、非同期異種無線信号を特定のタイプ１デバイスから少なくとも１つの特定のタイプ２デバイスにサイト内の物質の動態により影響を受けた無線マルチパスチャネルを介して非同期的に送信させる、第１のメモリ中に記憶された第１の命令セットと、を備える。少なくとも１つの特定のタイプ２デバイスの各々について、無線回路によって送信された非同期異種無線信号から収集された無線マルチパスチャネルの少なくとも１つの一連のＣＩ（ＴＳＣＩ）は、タイプ２デバイスの第２のプロセッサ、第２のメモリ、および第２の命令セットを使用して、タイプ２デバイスによってフェッチされる。一実施例では、サイト内の物質の動態は、タイプ３デバイスの第３のプロセッサ、第３のメモリ、第３の命令セットを使用して、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの組み合わせと関連付けられたＴＳＣＩに基づいて、個別にかつ非同期的に追跡される。別の実施例では、物質の動態は、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的に追跡される。別の実施例では、物質の動態は、少なくとも１つの特定のタイプ２デバイスのうちの１つを含むタイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的に追跡される。別の実施例では、物質の動態は、タイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられたＴＳＣＩに基づいて、全体的にかつ非同期的に追跡される。
別の実施形態では、各タイプ１デバイスについて、ならびにタイプ１デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つの組み合わせの各々について、タイプ１およびタイプ２デバイスのそれぞれの組み合わせと関連付けられたそれぞれの異種類似性スコア（heterogeneous similarity score）は、タイプ１およびタイプ２デバイスのそれぞれの組み合わせと関連付けられた、少なくとも１つのそれぞれのＴＳＣＩのそれぞれの現在の窓とそれぞれの過去の窓との比較に基づいて、非同期的に計算される。一実施例では、サイト内の物質の動態は、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの組み合わせと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、個別にかつ非同期的に追跡される。別の実施例では、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの組み合わせと関連付けられた異種類似性スコアが、個別の閾値より大きいおよび／または等しい場合、サイト内の物質の動態は、個別にかつ非同期的に検出される。別の実施例では、サイト内の物質の動態は、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、連帯的にかつ非同期的に追跡される。別の実施例では、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられた異種類似性スコアに基づいて計算された第１の共同スコア（joint score）が、第１の共同の閾値（first joint threshold）以上であるもののうちの少なくとも１つである場合、サイト内の物質の動態は、連帯的にかつ非同期的に検出される。別の実施例では、少なくとも１つの特定のタイプ２デバイスのうちの１つと関連付けられた、タイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、サイト内の物質の動態は、連帯的にかつ非同期的に追跡される。別の実施例では、少なくとも１つの特定のタイプ２デバイスのうちの１つと関連付けられたタイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられた異種類似性スコアに基づいて計算された第２の共同スコアが、第２の共同の閾値以上であるもののうちの少なくとも１つである場合、サイト内の物質の動態は、連帯的にかつ非同期的に検出される。別の実施例では、サイト内の物質の動態は、タイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、全体的にかつ非同期的に追跡される。別の実施例では、タイプ１およびタイプ２デバイスの任意の組み合わせと関連付けられた異種類似性スコアに基づいて計算された第３の共同スコアが、第３の共同の閾値より大きいおよび／または等しい場合、サイト内の物質の動態は、全体的にかつ非同期的に検出される。
本実施例の同期コントローラ２６０６は、別のデバイス（例えば、オリジン（Origin）、または別のボット（Bot））と同期または非同期するようにボット２６００の動作を制御するように構成することができる。一実施形態では、同期コントローラ２６０６は、ボット２６００によって送信された無線信号を受信するオリジンと同期するようにボット２６００を制御することができる。別の実施形態では、同期コントローラ２６０６は、その他のボットと非同期的に無線信号を送信するようにボット２６００を制御することができる。別の実施形態では、ボット２６００およびその他のボットの各々は、個別にかつ非同期的に無線信号を送信することができる。本実施例のキャリアコンフィギュレータ２６２０は、無線信号発生器２６２２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、時間およびキャリア）を構成し得る。一実施形態では、ＴＳＣＩの各ＣＩは、各々が、無線信号の送信のキャリアまたはサブキャリアに対応する１つ以上のコンポーネントを有する。動きの検出は、コンポーネントのうちの任意の１つまたは任意の組み合わせにおける動き検出に基づき得る。電源モジュール２６０８は、１つまたは複数の電池などの電源と、図26の上記のモジュールのそれぞれに調整された電力を供給するための電力レギュレータ（power regulator）とを含むことができる。いくつかの実施形態では、ボット２６００が専用外部電源（例えば、壁電気コンセント）に結合されている場合、電力モジュール２６０８は、変圧器および電力レギュレータを含むことができる。上述した様々なモジュールはバスシステム２６３０によって互いに結合されている。バスシステム２６３０は、データバス、ならびにデータバスに加えて、例えば、電力バス、制御信号バス、および／またはステータス信号バスを含み得る。ボット２６００のモジュールは、任意の好適な技術および媒体を使用して、互いに動作可能に結合することができると理解されている。
多くの別々のモジュールまたは構成要素が図２６にて図示されているが、当業者は、モジュールのうちの１つ以上を組み合わせるまたは一般に実装することができることを理解するであろう。例えば、プロセッサ２６０２は、プロセッサ２６０２に関して上記の機能を実装できるだけでなく、無線信号発生器２６２２に関して上記の機能も実装できる。逆に、図２６に示されたモジュールの各々は、複数の個別の構成要素または要素を使用して実装することができる。
図２７は、本開示のいくつかの実施形態に従い、第１の無線デバイス（例えば、図２６のボット２６００）によって実施された例示的な方法２７００のフロー図を示す。任意で、動作２７０２にて、ボットは、マルチパスチャネル環境における動き検出のための要求を受信する。動作２７０４にて、ボットは、無線マルチパスチャネルを介する無線送信のためのキャリアまたはサブキャリアを決定する。動作２７０６にて、ボットは、無線送信のための同期情報を決定することができる。動作２７０８にて、ボットは、無線送信のための異種無線信号を生成することができる。動作２７１０にて、ボットは、無線マルチパスチャネルを介して異種無線信号を送信する。
図２８は、本教示の一実施形態による、第２の無線デバイス（例えば、オリジン２８００）の例示的なブロック図を示す。オリジン２８００は、本明細書記載の様々な方法を実装するように構成することができるデバイスの一例である。図２８にて示すように、オリジン２８００は、プロセッサ２８０２、メモリ２８０４、送信器２８１２および受信器２８１４を含む送受信器２８１０、電力モジュール２８０８、同期コントローラ２８０６、ＣＩ抽出器２８２０、ならびに任意の動き検出器２８２２を含むハウジング２８４０を含む。
本実施形態では、プロセッサ２８０２、メモリ２８０４、送受信器２８１０、および電力モジュール２８０８は、ボット２６００内のプロセッサ２６０２、メモリ２６０４、送受信器２６１０、および電力モジュール２６０８と同様に動く。アンテナ２８５０またはマルチアンテナアレイ２８５０は、典型的には、ハウジング２８４０に取り付けられ、送受信器２８１０に電気的に結合される。
オリジン２８００は、第１の無線デバイス（ボット２６００）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得る。特に、オリジン２８００内のＣＩ抽出器２８２０は、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して無線信号を受信し、かつ無線信号に基づいて無線マルチパスチャネルのＴＳＣＩを得るように構成されている。ＣＩ抽出器２８２０は、場所内でのオブジェクトの動きを検出するために、任意の動き検出器２８２２に、またはオリジン２８００の外側の動き検出器に抽出されたＣＩを送信し得る。
動き検出器２８２２は、オリジン２８００における任意構成要素である。一実施形態では、図２８にて示すように、オリジン２８００内にある。別の実施形態では、オリジン２８００の外側および別のデバイス（ボット、別のオリジン、クラウドサーバ、フォグサーバ、ローカルサーバ、およびエッジサーバであり得る）中にある。任意の動き検出器２８２２は、オブジェクトの動きに関する動き情報に基づいて場所内でのオブジェクトの動きを検出するように構成されていてもよい。第１および第２の無線デバイスと関連付けられた動き情報は、動き検出器２８２２、またはオリジン２８００の外側の別の動き検出器によってＴＳＣＩに基づいて計算される。
一実施形態では、オリジン２８００は、無線モニタシステムの特定の非同期異種タイプ２デバイスである。無線モニタシステムは、少なくとも１つの非同期異種タイプ１デバイスおよび少なくとも１つの非同期異種タイプ２デバイスを備え得る。無線モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つのペアリングを備えることができ、各ペアリングは、少なくとも１つのタイプ１デバイスのうちの１つと少なくとも１つのタイプ２デバイスのうちの１つとを備える。特定の非同期異種タイプ２デバイスは、無線モニタシステムのタイプ１およびタイプ２デバイスの少なくとも１つの特定のペアリングにある。特定のタイプ２デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つの特定のペアリングを介して、少なくとも１つの特定のタイプ１デバイスとグループ化される。一実施例では、特定の非同期異種タイプ２デバイスは、少なくとも１つの非同期異種無線信号を非同期的に受信するための無線回路と、無線回路と通信可能に結合された第２の異種プロセッサと、第２の異種プロセッサと通信可能に結合された第２の異種メモリと、第２の異種メモリ中に記憶された第２の異種命令セットと、を備える。各非同期異種無線信号は、少なくとも１つの特定のタイプ１デバイスのうちの１つによって、タイプ１デバイスのそれぞれの第１の異種プロセッサ、それぞれの第１の異種メモリ、およびそれぞれの第１の異種命令セットを使用して、少なくとも１つの非同期異種タイプ２デバイスに、サイト内の質量の運動により影響を受けた無線マルチパスチャネルを介して、非同期的に送信される。第２の異種命令セットは、実行されると、第２の異種プロセッサに、タイプ１およびタイプ２デバイスの少なくとも１つの特定のペアリングの各々について、無線マルチパスチャネルの少なくとも１つのそれぞれの一連のＣＩ（ＴＳＣＩ）を非同期的に保護させる。
一実施形態では、タイプ１およびタイプ２デバイスの特定のペアリングと関連付けられた少なくとも１つのそれぞれのＴＳＣＩは、無線回路によって非同期的に受信されたそれぞれの非同期異種無線信号から非同期的に導出されている。一実施例では、サイト内の質量の運動は、タイプ３デバイスの第３のプロセッサ、第３のメモリ、および第３の命令セットを使用して、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスのペアリングと関連付けられたＴＳＣＩに基づいて、個別にかつ非同期的にモニタされる。別の実施例では、質量の運動は、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意のペアリングと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる。別の実施例では、質量の運動は、少なくとも１つの特定のタイプ１デバイスのうちの１つを含むタイプ１およびタイプ２デバイスの任意のペアリングと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる。別の実施例では、質量の運動は、タイプ１およびタイプ２デバイスの任意のペアリングと関連付けられたＴＳＣＩに基づいて、全体的にかつ非同期的にモニタされる。
一実施形態では、各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのペアリングの各々について、タイプ１およびタイプ２デバイスのそれぞれのペアリングと関連付けられたそれぞれの異種類似性スコアは、タイプ１およびタイプ２デバイスのペアリングと関連付けられた、少なくとも１つのそれぞれのＴＳＣＩのそれぞれの現在の窓とそれぞれの過去の窓との比較に基づいて、非同期的に計算される。一実施例では、サイト内の質量の運動は、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスのペアリングと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、個別にかつ非同期的にモニタされる。別の実施例では、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた異種類似性スコアが、個別の閾値以上であるもののうちの少なくとも１つである場合、サイト内の質量の運動は、個別にかつ非同期的に検出される。別の実施例では、サイト内の質量の運動は、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意のペアリングと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、連帯的にかつ非同期的にモニタされる。別の実施例では、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意のペアリングと関連付けられた異種類似性スコアに基づいて計算された第１の共同スコアが、第１の共同の閾値以上であるもののうちの少なくとも１つである場合、サイト内の質量の運動は、連帯的にかつ非同期的に検出される。別の実施例では、少なくとも１つの特定のタイプ１デバイスのうちの１つと関連付けられた、タイプ１およびタイプ２デバイスの任意のペアリングと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、サイト内の質量の運動は、連帯的にかつ非同期的にモニタされる。別の実施例では、第２の共同スコアが、少なくとも１つの特定のタイプ１デバイスのうちの１つと関連付けられた、タイプ１およびタイプ２デバイスの任意のペアリングと関連付けられた、異種類似スコアに基づいて計算された場合、サイト内の質量の運動は、連帯的にかつ非同期的に検出される。別の実施例では、サイト内の質量の運動は、タイプ１およびタイプ２デバイスの任意のペアリングと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、全体的にかつ非同期的にモニタされる。別の実施例では、タイプ１およびタイプ２デバイスの任意のペアリングと関連付けられた異種類似性スコアに基づいて計算された第３の共同スコアが、第３の共同の閾値以上であるもののうちの少なくとも１つである場合、サイト内の質量の運動は、全体的にかつ非同期的に検出される。
本実施例の同期コントローラ２８０６は、別のデバイス（例えば、ボット、別のオリジン、または個別の動き検出器）と同期または非同期するようにオリジン２８００の動作を制御するように構成することができる。一実施形態では、同期コントローラ２８０６は、無線信号を送信するボットと同期するようにオリジン２８００を制御することができる。別の実施形態では、同期コントローラ２８０６は、その他のオリジンと非同期的に無線信号を受信するようにオリジン２８００を制御することができる。別の実施形態では、オリジン２８００およびその他のオリジンの各々は、個別にかつ非同期的に無線信号を受信することができる。一実施形態では、任意の動き検出器２８２２またはオリジン２８００の外側の動き検出器は、それぞれのＴＳＣＩに基づいてオブジェクトの動きに関するそれぞれの異種動き情報を非同期的に計算するように構成されている。一実施例では、任意の動き検出器２８２２またはオリジン２８００の外側の動き検出器は、タイプ１およびタイプ２デバイスの対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを個別にかつ非同期的にモニタおよび／または検出するように構成されている。別の実施例では、任意の動き検出器２８２２またはオリジン２８００の外側の動き検出器は、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを連帯的にかつ非同期的にモニタおよび／または検出するように構成されている。別の実施例では、任意の動き検出器２８２２またはオリジン２８００の外側の動き検出器は、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを連帯的にかつ非同期的にモニタおよび／または検出するように構成されている。別の実施例では、任意の動き検出器２８２２またはオリジン２８００の外側の動き検出器は、タイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを全体的にかつ非同期的にモニタおよび／または検出するように構成されている。任意の動き検出器２８２２またはオリジン２８００の外側の動き検出器の詳細な構造は、図３０に関して記載されている。
上述した様々なモジュールは、バスシステム２８３０によって一緒に結合される。バスシステム２８３０は、データバス、ならびにデータバスに加えて、例えば、電力バス、制御信号バス、および／またはステータス信号バスを含み得る。オリジン２８００のモジュールは、任意の好適な技術および媒体を使用して、互いに動作可能に結合することができると理解されている。多くの別々のモジュールまたは構成要素が図２８にて図示されているが、当業者は、モジュールのうちの１つ以上を組み合わせるまたは一般に実装することができることを理解するであろう。例えば、プロセッサ２８０２は、プロセッサ２８０２に関して上記の機能を実装できるだけでなく、ＣＩ抽出器２８２０に関して上記の機能も実装できる。逆に、図２８に示されたモジュールの各々は、複数の個別の構成要素または要素を使用して実装することができる。一実施形態では、ボット２６００およびオリジン２８００に加えて、システムはまた、場所内でのオブジェクトの動きにより影響を受けた追加の無線マルチパスチャネルを介して追加の異種無線信号を送信するように構成された第３の無線デバイス（例えば、別のボット）と、第３の無線デバイスのタイプとは異なるタイプを有する第４の無線デバイス（例えば、別のオリジン）と、を備え得る。第４の無線デバイスは、場所内でのオブジェクトの動きにより影響を受けた追加の無線マルチパスチャネルを介して追加の異種無線信号を受信し、かつ追加の異種無線信号に基づいて追加の無線マルチパスチャネルの時系列の追加のＣＩ（ＣＩ）を得るように構成されていてもよい。追加の無線マルチパスチャネルの追加のＣＩは、無線マルチパスチャネルのＣＩと関連付けられたものとは異なるプロトコルまたは構成と関連付けられている。例えば、無線マルチパスチャネルは、ＬＴＥと関連付けられており、一方、追加の無線マルチパスチャネルは、Ｗｉ－Ｆｉと関連付けられている。この場合、任意の動き検出器２８２２またはオリジン２８００の外側の動き検出器は、第１および第２の無線デバイスと関連付けられた動き情報と、追加の動き検出器および時系列の追加のＣＩに基づく第４の無線デバイスのうちの少なくとも１つによって計算された、第３および第４の無線デバイスと関連付けられた追加の動き情報との両方に基づいて場所内のオブジェクトの動きを検出するように構成されている。
図２９は、本開示のいくつかの実施形態に従い、第２の無線デバイス（例えば、図２８のオリジン２８００）によって実施された例示的な方法のフロー図を示す。動作２９０２にて、オリジンは、オブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して、無線信号を受信および分析する。動作２９０４にて、オリジンは、無線信号に基づいてチャネルのＴＳＣＩを得る。所望により、動作２９０６にて、オリジンは、ＴＳＣＩの少なくとも１つの時間窓および／または少なくとも１つのコンポーネントを決定する。所望により、動作２９０８にて、オリジンは、ＴＳＣＩに基づいてオブジェクトの動きに関する動き情報を計算する。所望により、動作２９１０にて、オリジンは、計算された動き情報に基づいてオブジェクトの動きを検出する。所望により、動作２９１２にて、オリジンは、オブジェクトの動きと関連付けられた位置を推定する。
図３０は、本教示の一実施形態による、例示的な動き検出器３０００を示す。動き検出器３０００は、オリジン内の動き検出器（例えば、任意の動き検出器２８２２）、または任意のオリジンの外側の単独の動き検出器として機能し得る。図３０にて示すように、本実施例の動き検出器３０００は、動き情報決定器３００２、動き決定器３００６、時間窓決定器３００４、および任意の動き場所推定器３００８を含む。様々な実施形態によれば、動き検出器３０００は、オブジェクトの動きを検出およびモニタするために、第１の無線デバイスと、第２の無線デバイスと、第１の無線デバイスと同一の種類の第３の無線デバイスと、第２の無線デバイスと同一の種類の第４の無線デバイスと、クラウドサーバと、フォグサーバと、ローカルサーバと、エッジサーバと、のうちの少なくとも１つに結合され得る。
一実施形態では、動き検出器３０００は、ＣＩ抽出器２８２０からＴＳＣＩを受信して、ＴＳＣＩに基づいて動き情報を計算し得る。例えば、動き情報決定器３００２は、オリジンからそれぞれのＴＳＣＩを受信し、それぞれのＴＳＣＩに基づいてオブジェクトの動きに関連したそれぞれの異種動き情報を非同期的に計算することができる。一実施例では、動き情報決定器３００２は、距離スコア、絶対距離、ユークリッド距離、ノルム、メトリック、統計的特徴、時間反転共鳴強度（ＴＲＲＳ）、相互相関、自己相関、共分散、自己共分散、２つのベクトルの内積、前処理、信号調整、ノイズ除去、位相補正、タイミング補正、タイミング補償、位相オフセット補償、変換、射影、フィルタリング、特徴抽出、有限状態機械、過去の類似性スコアの履歴、少なくとも１つのＴＳＣＩの別の過去の窓、コンポーネント毎の演算、機械学習、ニューラルネットワーク、ディープラーニング、トレーニング、判別、加重平均、および別の動作のうちの少なくとも１つに基づいて、ＴＳＣＩの現在の時間窓と過去の時間窓との間の異種類似性スコアを計算し、これにより、計算された異種類似性スコアに基づいて、場所内のオブジェクトの動きを検出することができる。動き情報決定器３００２は、オブジェクトの動きを検出およびモニタするために、計算された動き情報を動き決定器３００６に送信し得る。
一実施形態では、時間窓決定器３００４は、ＴＳＣＩの現在の窓および過去の窓を決定し、現在の時間窓および過去の時間窓を動き情報決定器３００２に送信することができる。次いで、動き情報決定器３００２は、ＴＳＣＩの現在の窓と過去の窓との間の異種類似性スコアを非同期的に計算することができ、これにより、場所内でのオブジェクトの動きは、動き情報および異種類似性スコアに基づいて検出される。
本実施例の動き決定器３００６は、動き情報決定器３００２から計算された動き情報を受信し、オブジェクトの動きに関連した動き情報に基づいて、場所内でのオブジェクトの動きを検出することができる。一実施形態では、少なくとも１つのコンポーネントの各々について、時間窓決定器３００４は、現在の時間窓に基づいてコンポーネントのそれぞれの現在のコンポーネント窓を非同期的に決定し、過去の時間窓に基づいてコンポーネントのそれぞれの過去のコンポーネント窓を非同期的に決定し、それぞれの現在のコンポーネント窓およびそれぞれの過去のコンポーネント窓についての情報を動き決定器３００６に送信できる。動き決定器３００６は、それぞれの現在内のコンポーネント窓とそれぞれの過去のコンポーネント窓とをコンポーネント毎に非同期的に比較して、比較結果を生成し、比較結果に基づいてオブジェクトの動きをコンポーネント毎にモニタし、非同期のコンポーネント毎の比較に基づいて場所内のオブジェクトの動きを検出することができる。
一実施形態では、少なくとも１つのコンポーネントの各々について、動き情報決定器３００２は、距離スコア、ノルム、メトリック、統計的特徴、時間反転共鳴強度（ＴＲＲＳ）、相互相関、自己相関、共分散、自己共分散、２つのベクトルの内積、前処理、信号調整、ノイズ除去、位相補正、タイミング補正、タイミング補償、位相オフセット補償、変換、射影、フィルタリング、特徴抽出、有限状態機械、過去の類似性スコアの履歴、少なくとも１つのＴＳＣＩの別の過去の窓、コンポーネント毎の演算、機械学習、ニューラルネットワーク、ディープラーニング、トレーニング、判別、加重平均、および別の動作のうちの少なくとも１つに基づいて、それぞれの現在のコンポーネント窓およびそれぞれの過去のコンポーネント窓と関連付けられたコンポーネント類似性スコアを非同期的に計算することができる。次いで、動き情報決定器３００２は、少なくとも１つのコンポーネント類似性スコアの異種関数に基づいて、異種類似性スコアを非同期的に計算できる。異種関数は、代表値、標準値、加重平均、百分位数、最大、最小、４０％四分位数、５０％四分位数、６０％四分位数、平均、メジアン、最頻値、和、積、根、算術平均、幾何平均、調和平均、一般化平均、順序統計量、トリムド平均、統計的関数、期待値、分散、選択されたもの、および別の関数のうちの少なくとも１つを含む。動き決定器３００６は、異種類似性スコアが第１の閾値より大きいまたは等しい場合、場所内でのオブジェクトの動きを検出できる。
別の実施形態では、少なくとも１つのコンポーネントの各々について、動き情報決定器３００２は、距離スコア、ノルム、メトリック、統計的特徴、時間反転共鳴強度（ＴＲＲＳ）、相互相関、自己相関、共分散、自己共分散、２つのベクトルの内積、前処理、信号調整、ノイズ除去、位相補正、タイミング補正、タイミング補償、位相オフセット補償、変換、射影、フィルタリング、特徴抽出、有限状態機械、過去の類似性スコアの履歴、少なくとも１つのＴＳＣＩの別の過去の窓、コンポーネント毎の演算、機械学習、ニューラルネットワーク、ディープラーニング、トレーニング、判別、加重平均、および別の動作のうちの少なくとも１つに基づいて、それぞれの現在のコンポーネント窓およびそれぞれの過去のコンポーネント窓と関連付けられたコンポーネント類似性スコアを非同期的に計算し得る。次いで、少なくとも１つのコンポーネントの各々について、動き決定器３００６は、それぞれのコンポーネント類似性スコアがそれぞれのコンポーネント閾値よりも大きいまたは等しい場合、オブジェクトの動きをコンポーネント毎に非同期的に検出し、コンポーネントの選択されたグループにおけるコンポーネント毎の動き検出のパーセンテージが第２の閾値より大きいまたは等しい場合、場所内でのオブジェクトの動きを検出することができる。
一実施形態では、第１の無線デバイスは、タイプ１を有するタイプ１デバイスであり、第２の無線デバイスは、タイプ２を有するタイプ２デバイスである。一実施例では、動き決定器３００６は、タイプ１およびタイプ２デバイスの対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを個別にかつ非同期的にモニタおよび／または検出し得る。別の実施例では、動き決定器３００６は、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを連帯的にかつ非同期的にモニタおよび／または検出し得る。ニタおよび／または検出するように構成されている。別の実施例では、動き決定器３００６は、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを連帯的にかつ非同期的にモニタおよび／または検出し得る。別の実施例では、動き決定器３００６は、タイプ１およびタイプ２デバイスの任意の対と関連付けられた、非同期的に計算された異種動き情報に基づいて、場所内でのオブジェクトの動きを全体的にかつ非同期的にモニタおよび／または検出し得る。
一実施形態では、タイプ１デバイスおよびタイプ２デバイスを含むタイプ１およびタイプ２デバイスの各対について、それぞれのタイプ２デバイスまたは動き検出器３０００内の動き情報決定器３００２は、それぞれのＴＳＣＩのそれぞれの現在の窓とそれぞれの過去の窓との間のそれぞれの異種類似性スコアを非同期的に計算するように構成されている。次いで、動き決定器３００６またはタイプ２デバイスは、タイプ１およびタイプ２デバイスの対と関連付けられたそれぞれの異種類似性スコアの第１の関数がそれぞれの個別の閾値より大きいまたは等しい場合、場所内でのオブジェクトの動きを個別にかつ非同期的に検出し、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた異種類似性スコアの第２の関数がそれぞれの共同の閾値より大きいまたは等しい場合、場所内でのオブジェクトの動きを連帯的にかつ非同期的に検出し、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられた異種類似性スコアの第３の関数が別のそれぞれの共同の閾値より大きいまたは等しい場合、場所内でのオブジェクトの動きを連帯的にかつ非同期的に検出し、ならびに／またはタイプ１およびタイプ２デバイスの任意の対と関連付けられた異種類似性スコアの第４の関数がそれぞれのグローバル閾値より大きいまたは等しい場合、場所内でのオブジェクトの動きを全体的にかつ非同期的に検出できる。
本実施例の任意の動き場所推定器３００８は、動き検出器３０００内の任意の構成要素である。一実施形態では、任意の動き場所推定器３００８は、動き検出器３０００の外側にある場合があり、モニタデバイスとして機能することができ、これは、場所の地図を複数の領域に仕切るように、および／またはタイプ２無線デバイスから受信した異種動き情報に基づいて、オブジェクトの動きと場所の地図の複数の領域のうちの少なくとも１つとを非同期的に関連付けるように構成されている。一実施形態では、動き検出器３０００およびタイプ２デバイスのうちの少なくとも１つは、異種動き情報の各々のそれぞれの特徴空間を複数のそれぞれの特徴セグメントに仕切ることと、各それぞれの特徴セグメントと場所の地図の複数の領域のうちの少なくとも１つとを関連付けるそれぞれのマッピングを構成することと、それぞれのマッピングに基づいて、オブジェクトの動きと場所の地図の複数の領域のうちの少なくとも１つとを個別に非同期的に関連付けることと、複数のタイプ１およびタイプ２デバイスの対と関連付けられた異種動き情報の共同特徴空間を複数の共同特徴セグメントに仕切ることと、各共同特徴セグメントと場所の地図の複数の領域のうちの少なくとも１つとを関連付ける共同マッピングを構成することと、共同マッピングに基づいて、オブジェクトの動きと場所の地図の複数の領域のうちの特定の１つとを連帯的に非同期的に関連付けることと、のうちの少なくとも１つを実施するように構成されている。
一実施形態では、動き検出器３０００は、無線モニタシステムのタイプ３デバイスとして機能し得る。無線モニタシステムは、少なくとも１つの非同期異種タイプ１デバイスおよび少なくとも１つの非同期異種タイプ２デバイスを備え得る。無線モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つのダブレット（doublet）を備えることができ、各ダブレットは、少なくとも１つの非同期異種タイプ１デバイスのうちの１つと少なくとも１つの非同期異種タイプ２デバイスのうちの１つとを備える。タイプ３デバイスは、少なくとも１つの非同期異種タイプ１デバイスおよび少なくとも１つの非同期異種タイプ２デバイスのうちの少なくとも１つと通信可能に結合された第３のプロセッサと、第３のプロセッサと通信可能に結合された第３のメモリと、第３のメモリ中に記憶された第３の命令セットと、を備え得る。第３の命令セットは、実行されると、第３のプロセッサに、各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのダブレットの各々について、タイプ２デバイスのそれぞれの第２のプロセッサ、それぞれの第２のメモリ、およびそれぞれの第２の命令セットを使用して、タイプ２デバイスによって非同期的に受信されたある場所でのアイテムの動きにより影響を受けた、無線マルチパスチャネルの少なくとも１つのそれぞれのＴＳＣＩ（ＴＳＣＩ）を非同期的に受信させる。タイプ１およびタイプ２デバイスのそれぞれのダブレットと関連付けられた少なくとも１つのそれぞれのＴＳＣＩは、それぞれのダブレットのそれぞれのタイプ１デバイスから、それぞれのタイプ１デバイスのそれぞれの第１のプロセッサ、それぞれの第１のメモリ、およびそれぞれの第１の命令セットを使用して、少なくとも１つの非同期異種タイプ２デバイスに、無線マルチパスチャネルを介して送信されたそれぞれの非同期異種無線信号から非同期的に得られる。加えて、第３の命令セットは、実行されると、第３のプロセッサに、特定のタイプ２デバイスおよび特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの特定のダブレットと関連付けられたＴＳＣＩに基づいて、ある場所でのアイテムの動きを個別にかつ非同期的に追跡することと、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つのダブレットのいずれかと関連付けられたＴＳＣＩに基づいて、アイテムの動きを連帯的にかつ非同期的に追跡することと、特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つのダブレットのいずれかと関連付けられたＴＳＣＩに基づいて、アイテムの動きを連帯的にかつ非同期的に追跡することと、タイプ１およびタイプ２デバイスの少なくとも１つのダブレットのいずれかと関連付けられたＴＳＣＩに基づいて、アイテムの動きを全体的にかつ非同期的に追跡すること、のうちの少なくとも１つを実施させる。
一実施形態では、システムは、場所の地図、地図の複数の仕切られた領域、任意の検出されたオブジェクトの動きと関連付けられた領域、タイプ１およびタイプ２デバイスの少なくとも１つの対と関連付けられた異種動き情報、コンポーネント毎の類似性スコア、異種類似性スコア、過去の動き情報、過去の類似性スコア、別の過去の情報、タイプ１デバイス、およびタイプ２デバイスのうちの少なくとも１つと関連付けられた情報を非同期的に信号で伝えるように構成されたモニタデバイスを備え得る。一実施例では、モニタデバイスは、検出またはモニタ結果を表示するためのアプリまたはＧＵＩを実行するモバイルフォンであり得る。その他の実施例では、モニタデバイスは、デスクトップ、ラップトップ、タブレット、ＩｏＴデバイス、またはスマートスピーカであり得る。
図３１は、本教示の一実施形態による、動き検出の例示的なアルゴリズムを示す。図３１では、Ｇ（ｆ；ｔ）は、タイムスロットｔでのサブキャリアｆのＣＳＩ（またはＣＩ）振幅を表すことができる。Ｍ×Ｎアンテナ構成を有するシステムについて、サブキャリアの総数は、Ｆ＝ＭＮＬであり、式中、Ｌは、各アンテナ対のサブキャリア数である。各サブキャリアｆについて、一次のサンプル自己相関係数について動き統計を計算することができ、式中、Ｔは、動き統計を計算するための時間窓の長さである。動き統計の物理的意味は、動き統計が高いほど、動きが強いということである。各サブキャリアには、例えば、サンプル自己相関係数が既定義閾値より大きい場合に、動きを検出するために算出された動き統計が存在する。システムのＦ個のサブキャリアからすべての決定を融合するために多数決が適用され得る。利用可能なサブキャリアの総数の半分超がエレベーター内の人間の動きを検出する場合、システムは、その動きを検出し、そうでなければ、動きを検出しない。別の実施形態では、Ｇ（ｆ；ｔ）は、タイムスロットｔでのサブキャリアｆにおけるＣＩの別の関数、例えば、（ＣＳＩ振幅）＾２、（ＣＳＩ振幅）＾４、位相オフセットクリーニング後のＣＳＩの実部／虚部と定義され得る。次数が時間窓の長さＴの４分の１未満である場合、動き統計はまた、別の次数のサンプル自己相関係数として定義することもできる。個々の決定の加重結合などのその他の決定融合ルールもまた、採用され得る。
図３２は、本教示の一実施形態による、オブジェクト動き検出のための例示的な方法を示す。動作３２０２にて、プロセッサ、メモリ、およびメモリ中に記憶された命令セットを使用して、無線マルチパスチャネルの少なくとも１つのＴＳＣＩが得られる。少なくとも１つのＴＳＣＩは、無線マルチパスチャネルを介して、場所内の第１の位置にあるタイプ１異種無線デバイスと場所内の第２の位置にあるタイプ２異種無線デバイスとの間で送信された無線信号から抽出される。無線マルチパスチャネルは、場所内でのオブジェクトの動きにより影響を受ける。動作３２０４にて、オブジェクトの時空間情報は、少なくとも１つのＴＳＣＩ、動きと関連付けられた時間パラメータ、およびオブジェクトの過去の時空間情報のうちの少なくとも１つに基づいて決定される。動作３２０６にて、タスクは、時空間情報に基づいて実施される。時空間情報は、動き情報の形態であり得、動き情報は、時空間情報の形態であり得る。タイプ１デバイスは、第１のデバイスであり得、タイプ２デバイスは、第２のデバイスであり得る。前述の「タスク」は、「動きをモニタ」することおよび／または「動きを検出」することであり得る。
図３３は、本教示の一実施形態による、オブジェクトの動きの位置特定の方法のための例示的なフロー図を示す。図３３のオブジェクトの動きの位置特定は、２つのボット（タイプ１デバイス）に基づいており、特定のオリジン（タイプ２デバイス）と対にされている。１に、各ボットについて、各ボット－オリジン対（３３０２Ａおよび３３０２Ｂ）と関連付けられた動き情報／統計が算出される。次いで、算出された動き情報の各々をノイズ除去プロセッサ（例えば、低域フィルタ）に通して、ノイズを除去する（３３０４Ａおよび３３０４Ｂ）。次いで、いくつかの関数に従って、動き尤度（３３０６）を算出する。動き尤度は、ボットの近くまたはオリジンの近くで発生する動きの確率を表し得る。尤度はまた、ノイズが多い場合があるため、例えば、動きが発生すると急速に変化するため、尤度値は、別のノイズ除去プロセッサ３３０８を通過し得る。最後に、動きの位置特定の決定は、動きが起こる場所で行われる。
動き情報と尤度のマッピングの例示的な関数は、次のとおり定義され得る。時間ｔでのボットｉ－オリジン対について算出した動き情報は、ｍｉ（ｔ）と表す。時間ｔでのボットｉ付近の動き尤度の一例は、次のとおり算出され得る。
Figure 2023109822000048
 Ｌｉ（ｔ）は、どちらのボットも動きを検出しない場合、定義されない。動きの位置特定決定ルールの一例をノイズ除去した後の尤度は、
Figure 2023109822000049
 と表し、下記のようであり得る。
Figure 2023109822000050
Figure 2023109822000051
 の両方が未定義である場合、モニタエリア内に動きは存在しない。
本開示の様々な実施形態は、以下に詳細に記述されている。本開示における実施形態および実施例の特徴は、矛盾しない方法で互いに組み合わせることができることに注意する。
一実施形態では、無線（またはｒａｄｉｏまたはＲＦ）モニタシステムは、少なくとも１つの非同期異種タイプ１無線（またはｒａｄｉｏまたはＲＦ）デバイス（または装置）と、少なくとも１つの非同期異種タイプ２無線（またはｒａｄｉｏまたはＲＦ）デバイスと、を備える。無線（またはｒａｄｉｏまたはＲＦ）モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つの対（またはペアリング、またはカップル、またはデュオ、または組み合わせ、またはダブレット、またはコンボ、またはマッチ、またはチーム）を備え、各対は、少なくとも１つの非同期異種タイプ１デバイスのうちの１つと少なくとも１つの非同期異種タイプ２デバイスのうちの１つとを備える。少なくとも１つのタイプ２デバイスの各々は、タイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対にある。各タイプ２デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対を介して、少なくとも１つのそれぞれの特定のタイプ１デバイスと関連付けられる（またはグループ化される、または結合される、または対にされる、または連合される、または組み合わされる、または合併する、または組まれる）。
一実施形態では、無線（またはｒａｄｉｏまたはＲＦ）モニタシステムの開示された方法には、各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、場所（または現地、または場所、またはサイト、または状況、または敷地）内でのオブジェクト（または物品、または本体、または商品、またはガジェット、またはアイテム、または事柄、または物質、または実体、または質量）の動き（または運動、または行動、またはジェスチャ、または変化、またはドリフト、または動態、または流れ、または変動、または流動、または身振り、またはキネティックス、またはロコモーション、または移動性、または運動、またはオシレーション、または通過、または進行、または撹拌、または動揺）によって影響を受けた（または影響を受けた）無線マルチパスチャネルの少なくとも１つのそれぞれのＴＳＣＩ（またはチャネルデータ）を非同期的に得ること（または受信すること、または取ること、または収集すること、または取り返すこと、または確保すること、またはフェッチすること）が含まれる。タイプ１およびタイプ２デバイスの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩ（ＴＳＣＩ）は、それぞれの非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号から非同期的に抽出される（または得られる、または導出される、または収集される、または集められる、または獲得される）。それぞれの非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号は、少なくとも１つのそれぞれの特定のタイプ１デバイスのうちのそれぞれの１つから、タイプ１デバイスのそれぞれの第１の異種プロセッサ、それぞれの第１の異種メモリ、およびそれぞれの第１の異種命令セットを使用して、少なくとも１つの非同期異種タイプ２デバイスに、無線マルチパスチャネルを介して、非同期的に送信される。
場所内でのオブジェクトの動きは、タイプ３デバイスの第３のプロセッサ、第３のメモリ、および第３の命令セットを使用して、次の４つの方法のうちの少なくとも１つで、モニタされる（または追跡される、またはチェックされる、または観察される、または監督される、または観察される、または調査される）。（ａ）場所内でのオブジェクトの動きは、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられたＴＳＣＩに基づいて、個別にかつ非同期的にモニタされる、（ｂ）オブジェクトの動きは、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる、（ｃ）オブジェクトの動きは、少なくとも１つのそれぞれの特定のタイプ１デバイスのうちの１つと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる、ならびに（ｄ）オブジェクトの動きは、タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、全体的にかつ非同期的にモニタされる。
例えば、２つ以上の非同期異種タイプ１デバイスは、これらのそれぞれの非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号を同一のタイプ２デバイスに非同期的に送信し得る。（タイプ１デバイスのいくつかは、２つ以上のタイプ２デバイスに送信していることがある。）これらの送信は、瞬間的に同期され得る。これらの送信は、非同期であり得るが、時々、タイプ１デバイスのうちの２つの無線（またはｒａｄｉｏまたはＲＦ）信号は、時間が重複し得る。これらの送信は、協調し得る。オブジェクトの動きは、タイプ２デバイスと２つ以上の非同期タイプ１デバイスのうちの１つとを備える、タイプ１およびタイプ２デバイスのＴＳＣＩに関連付けられた対に基づいて、連帯的にモニタされ得る。
別の実施例では、非同期異種タイプ１デバイスは、非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号を２つ以上の非同期異種タイプ２デバイスに送信し得る。非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号は、非同期的に、またはほぼ同期的に、または単に同期的に受信され得る。ＴＳＣＩは、受信した非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号から非同期的に抽出できる。オブジェクトの動きは、タイプ１およびタイプ２デバイスのＴＳＣＩに関連付けられた対に基づいて、連帯的にモニタされ得、各々は、非同期異種タイプ１デバイスと２つ以上の非同期異種タイプ２デバイスのうちの１つとを備える。
各ＣＩ（ＣＩ）には、チャネル状態情報（ＣＳＩ）、周波数領域ＣＳＩ、少なくとも１つのサブバンドと関連付けられた周波数領域ＣＳＩ、時間領域ＣＳＩ、領域内のＣＳＩ、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、チャネル特徴、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、モニタデータ、世帯データ、識別情報（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、記憶データ、暗号化データ、圧縮データ、保護データ、および／または別のＣＩのうちの少なくとも１つが含まれ得る。
ＣＩ（ＣＩ）は、タイプ２デバイスによって受信されたプローブ信号（マルチパスによる）、タイプ２デバイスの集積回路（ＩＣ、またはチップ）（例えば、Ｗｉ－Ｆｉチップ、ＬＴＥチップ、セルラーネットワークチップ、無線ネットワークチップ、メッシュネットワークチップ、Ｂｌｕｅｔｏｏｔｈチップ、ＵＷＢチップなど）から抽出され得る。プローブ信号は、データを含んでも含まなくてもよい。２つ以上のＣＩが受信プローブ信号から抽出され得る。送信アンテナおよび受信アンテナの各対について、１つのＣＩを抽出することができる。例えば、３つの送信アンテナを有するタイプ１デバイスおよび２つの受信アンテナを有するタイプ２デバイスについて、合計で６つのＣＩが、各プローブ信号から抽出され得る。
ＣＩは、送信アンテナおよび受信アンテナの２つ以上の対からのチャネルの情報を含み得る。ＣＩは、タイプ２デバイスから別のデバイス（例えば、近隣デバイス、コンパニオンデバイス、ペアデバイス、エッジデバイス、クラウドデバイス）に送信され得る。別のデバイスは、タイプ２デバイスと通信可能に結合され得る。別のデバイスは、別のタイプ２デバイス、タイプ１デバイス、および／または別のタイプ１デバイスであり得る。異なる異種タイプ２デバイスが場所内の異なる場所にあり得るため、異なる異種タイプ２デバイスによって得られたＣＩは、異なる場合があり、これにより、これらは、異なるマルチパスパターンを経験し得る。言い換えると、それぞれの異種タイプ２デバイスによって経験されるそれぞれの無線マルチパスチャネルは、異なり得る。ＣＩは、場所の情報（例えば、動き、周期的動き、形状、サイズ、体積、パス、方向、距離、速さ、加速度、変化、変化率など）および／または場所内の任意のオブジェクト（人々、ペット、生物、機械、可動部を有するデバイス、ドア、窓、壁、パーティション、家具、作り付け家具、配管、エアコンディショニング、暖房、ファンなど）を捕捉することができる。ＣＩは、ノイズ、位相誤差、タイミング誤差などのいくらかの固有の不完全性を有し得る。ＣＩは、前処理、処理、および／または後処理され得る。
少なくとも１つのタイプ１デバイスが少なくとも１つのタイプ２デバイスと相互作用する場合、処理、前処理、後処理、および／またはその他の処理は、異なるデバイスに対して異なり（異種）得る。処理／前処理／後処理／その他の処理は、場所、配向、方向、役割、ユーザ関連特徴、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、電池寿命、利用可能な電力、アンテナ、アンテナ種類、アンテナの指向性／単指向性、電力設定、および／またはデバイスのその他のパラメータ／特徴に基づき得る。
異種タイプ１デバイスから異種タイプ２デバイスに送信された無線（またはｒａｄｉｏまたはＲＦ）信号は、一連のプローブ信号であり得る。各プローブ信号は、インパルス、多くの（例えば、２、３、４、またはそれ以上）インパルス、または別の信号波形であり得る。別の信号波形は、無線マルチパスチャネルに基づき得る。インパルス数の時間間隔は、時間の経過と共に変化し得る。（例えば、第２および第３のインパルスの間の時間間隔は、第１および第２のインパルスの間の時間間隔とは異なり得る）。異なるインパルスの大きさは、異なり得る（例えば、第１のインパルスは、第２のインパルスよりも強いまたは弱い）。異なるインパルスの形状は、異なり得る。（例えば、第１のインパルスは、狭い三角波形を有し得、一方、第２のインパルスは、更に別の波形を有し得る）。プローブ信号は、時間の経過と共に適応するように変化し得る。プローブ信号（単数または複数）は、異なるチャネル、異なる空間時間周波数チャネル、異なるアンテナなどに対して異なり得る。プローブ信号（単数または複数）は、異なるタイプ１デバイスおよび／またはタイプ２デバイスに対して異なり得る。プローブ信号は、（例えば、１つ以上のタイプ２デバイスからの）フィードバック信号に基づいて変更され得る。プローブ信号（単数または複数）は、データを含んでもよい。いくつかのプローブ信号は、データを含み得るが、いくつかのその他のプローブ信号は、データを含まない場合がある。
一連のプローブ信号は、規則的な間隔（例えば、隣接するプローブ信号間の間隔が２５ｍｓ（１／４０秒）で、１秒当たり４０プローブ信号）または不規則的な間隔（例えば、無線チャネルがそれほどビジーではないかビジーではないときに送られるプローブ信号、または適応的にまたは要望に応じて、短く／長く／長いバーストで送られるプローブ信号）であり得る。各プローブ信号と関連付けられた規則的な間隔および／または波形は、時間の経過と共に変化し得る。例えば、プローブ信号は、ある期間（例えば、１日、１時間、または２０秒）に対して１秒当たり４０プローブ信号であり得、別の期間に対して１秒当たり３３００プローブ信号に変更され得る。変更は、ユーザ入力、システム命令、タスク、タスクの変更、場所、場所の変更、それぞれのオブジェクト、それぞれのオブジェクトの変更、それぞれのオブジェクトのそれぞれの動き、それぞれのオブジェクトのそれぞれの動きの変更、および／またはそれぞれのオブジェクトのそれぞれのオブジェクト／それぞれの動きのモニタに基づき得る。
無線マルチパスチャネルは、メディアアクセス制御（ＭＡＣ）層、物理（ＰＨＹ）層、Ｗｉ－Ｆｉ、ＩＥＥＥ８０２．１１規格、802.11a / b / g / n / ac / ad / af / ag / ah / ai / aj / aq / 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 / a / b / c / d / e / f / g / h / i / j / k / l / m / n / o / p /、規格、802.16、Zigbee、WiMax、UWB、モバイルチャネル、1G / 2G / 3G / 3.5G / 4G / LTE/ 5G / 6G / 7Gなどに関連し得る。
場所（venue）は、屋内環境、閉鎖環境、屋外環境、開放環境（例えば屋外駐車場）、施設、倉庫、工場、製造施設、組立ライン、建物、高層ビル、家、家庭、オフィス、店、スーパーマーケット、カジノ、ホテル、部屋、ボックス、スタジアム、ホール、駅、空港、港、地下鉄、車両、車、ボート、船、クルーズ船、軍用車両、潜水艦、飛行機、無人機、洞窟、トンネル、パイプ、配管システム、クロール（crawl）スペース、メンテナンスシステム、管、空調／換気システム、流体などを含み得る。場所は、人、ペット、子供、動物、植物、仕切り、壁、乾燥壁、コンクリート壁、レンガ壁、ガラス壁、金属壁、ドア、窓、ガラス、床、天井、屋根裏部屋、ガレージ、暖炉、駐車場、構造要素、柱、梁、動くもの、動かないもの、家具、ワードローブ、備品、機械、デバイス、照明、カーテン、ブラインド、建築構造、建物構造、水道管、空気ダクト、クロールスペース、地下室、エレベーター、階段、階段の吹き抜け、廊下、回廊、メンテナンススペース、ファン、換気システム、エアコンシステム、熱、HVAC、電気配線、冷蔵庫、調理器具、オーブン、電子レンジ、コンロ、テレビ、サウンドシステム、スマートスピーカー、ライト、カーペット、立ち入り禁止区域、アクセス制限区域、禁止区域などを含み得る。
オブジェクトは、人、群衆、人々の集まり、人々のグループ、赤ちゃん、病気の人、年上の人、若い人、侵入者、不審な人、消費者、監督者、プロ、スポーツ選手、ウェイター、買い物客、スタッフ、役員、顧客、管理者、大切な人、対象者、医師、患者、ゲスト、警備員、旅行者、ペット、動物、車両、無人搬送車（AGV）、無人自動車、オートバイ、自転車、ボート、船、トラック、自動車、電車、路面電車、電気自動車、飛行機、無人機、航空機機器、地下鉄、トランスポート、トラック/レール上の車両、機械、備品、家具、可動物体、不動物体、リフト、椅子、テーブル、貴重品オブジェクト、ジュエリー、ロボット、ロボットアーム、モーションキャプチャデバイス、ツール、人の体の一部、頭、首、肩、腕、肘、手、指、冷蔵庫、エアコン、掃除機、スマートデバイス、スマートファブリック、スマートマテリアル、スマートフォン、電話、電気機器、電子機器、テレビ、メディア機器、加熱装置、電子レンジ、オーブン、ストーブ、発光装置、音発生装置、スピーカー、光捕捉装置、カメラ、赤外線センサー、音捕捉装置、マイクロホン、可動物体、不動物体、硬質物体、非硬質物体、流体、変形体、ファン、中空体、箱、部屋、液体、流体、プラズマ、粒子などを含み得る。
それぞれのオブジェクトの２つは同じオブジェクトであり得る。それぞれのオブジェクトのいずれも同じオブジェクトであり得る。動き（motion）は、ノーモーション、インアクション（inaction）、アイドリング、不動、安静、停滞、安静、衝動、衝突、衝撃、爆発、堅くなること、リラクゼーション、ロコモーション、誘発的動き、反応的動き、能動的動き、突然の動き、定常的な動き、手を振る動き、動きのシーケンス、定常的な動きのシーケンス、繰り返し可能な動き、変化する動き、時限的な動き、振動、周期的な動き、擬似周期的な動き、並進的動き、回転的動き、規則的動き、不規則的動き、過渡的動き、リサイズ、変形、複合的動き、振動、揺れ、地震、衝撃、イベント、カオス的動き、統計動き、静止した動き、非静止した動き、頭の動き、首の動き、肩の動き、腕の動き、手の動き、指の動き、腰の動き、脚の動き、足の動き、体の動き、感情表示、行為、身振り、休み運動（lie-down motion）、寝転ぶ動作、起き上がり動作、座っている、立っている、ウォーキング、ランニング、ジョギング、ジャンプ、ダンス、弓、会釈、署名、表情、インディケーション、話す、歌う、風の動き、乱流、ドアの動き、窓の動き、機械の動き、移動可能なオブジェクトの動き、機械の設置、モーターに関連する動き、車の動き、制動、方向転換、方向転換、ドリフト、揺れ、攪拌、ゆらぎ、外乱、流れ、混合、かき混ぜ、右折、左折、風による動き、心拍、呼吸運動、水の動き、流体の動き、流れ、揺らぎ、柔軟/非剛体の動き、温度に関連した動き、膨張、収縮、群衆の動き、混乱、不安などを含み得る。モニタすることは、それぞれのオブジェクトおよび／またはそれぞれのオブジェクトのそれぞれの動きに関連する少なくとも１つの特徴をモニタすることを含むことができる。
異種タイプ１デバイスおよび/または異種タイプ２デバイスは、アンテナ、アンテナを有する装置、アンテナを取り付け／接続する／リンクするためのインターフェースを有する装置、無線送受信機を有する装置、無線送信機を有する装置、無線受信機を有する装置、インターネットオブシングス（IoT）デバイス、無線ネットワークを備えたデバイス、有線ネットワーキングと無線ネットワーキングの両方を備えたデバイス、無線集積回路（IC）を備えたデバイス、Wi-Fiデバイス、Wi-Fiチップを備えたデバイス（例： 802.11a / b / g / n / ac/ ax標準準拠など）、Wi-Fiアクセスポイント（AP）、Wi-Fiクライアント、Wi-Fiルーター、Wi-Fiリピーター、Wi-Fiハブ、Wi-Fiメッシュネットワークルーター/ハブ/ AP、無線メッシュネットワークルーター、アドホックネットワークデバイス、無線メッシュネットワークデバイス、モバイルデバイス（例：2G / 2.5G / 3G / 3.5G / 4G / LTE / ５Ｇ ／ ６Ｇ ／ ７Ｇなど）、セルラーデバイス、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対応デバイス、ＬＴＥデバイス、ＬＴＥモジュールを有するデバイス、モバイルモジュール（例えば、モバイル対応チップ（IC）例えば、Ｗｉ－Ｆｉチップ、ＬＴＥチップ、ＢＬＥチップなど）、Ｗｉ－Ｆｉチップ（ＩＣ）、ＬＴＥチップ、ＢＬＥチップ、モバイルモジュールを備えたデバイス、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（例えば、ドングル、アタッチメント、プラグイン）、専用装置、プラグイン装置、AC電源式装置、電池式装置、プロセッサ/メモリ/命令セットを持つデバイス、スマートクロック、スマート文房具、スマートペン、スマートユーザーインターフェース、スマートペーパー、スマートマット、スマートカメラ、スマートテレビ（ＴＶ）、セットトップボックス、スマートマイク、スマートスピーカー、スマート冷蔵庫、スマートオーブン、スマートマシン、スマートフォン、スマートウォレット、スマート家具、スマートドア、スマートウィンドウ、スマート天井、スマートフロア、スマートウォール、スマートテーブル、スマートチェア、スマートベッド、スマートナイトスタンド、スマートエアコン、スマートヒーター、スマートパイプ、スマートダクト、スマートケーブル、スマートカーペット、スマートデコレーション、スマートガジェット、スマートUSBデバイス、スマートプラグ、スマートドングル、スマートランプ/ライト、スマートタイル、スマートオーナメント、スマートボトル、ビークル、スマートカー、スマートAGV、ドローン、スマートロボット、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、スマート器具、スマートラケット、スマートボール、スマートシューズ、スマートウェアラブル、スマートウェア、スマートメガネ、スマートハット、スマートネックレス、スマートフード、スマートピル、生き物の体の中を動く小型のデバイス（例えば血管内、リンパ液内、消化器系など）であってもよい。タイプ１デバイスおよび／またはタイプ２デバイスは、インターネット、インターネットにアクセスする別の装置（例えば、スマートフォン）、クラウドサーバ、エッジサーバ、ローカルサーバ、および／またはストレージと通信可能に結合されてもよい。
２つ以上の異種タイプ１デバイスが存在し得る。タイプ１デバイス（および／またはタイプ２デバイス）は、異種であり得る。例えば、タイプ１デバイス（および／もしくはタイプ２デバイス）は、Ｗｉ－Ｆｉアクセスポイントであり得、別のタイプ１デバイス（および／もしくはタイプ２デバイス）は、スマートＴＶであり得、ならびに／または更に別のタイプ１デバイスは、一連のプローブ信号を送るための専用のシンプルデバイスであり得る（および／もしくは更に別のタイプ２デバイスは、一連のプローブ信号を受信し、それらを通過させるための専用のシンプルデバイスであり得る）。異なるタイプ１デバイス（および／またはタイプ２デバイス）は、様々な機能、ブランド（例えば、Ｓｏｎｙ、Ｓａｍｓｕｎｇ、Ｐｈｉｌｉｐｓ、Ａｐｐｌｅなど）、モデル、サイズ、フォームファクタ、形状、色、モジュール、アンテナ、回路、論理回路、プロセッサ、クロック、バス、メモリ、メモリバス、ストレージ、命令セット、電源（例えば、ＡＣまたはＤＣ、充電可能バッテリなど）、チップ（ＩＣ）、チップセット、ファームウェア、ソフトウェア、ネットワーク接続、優先度、アクセス権、セキュリティ設定などを有し得る。
デバイスは、タイプ１デバイスおよびタイプ２デバイスとして機能し得る。デバイスは、一時はタイプ１デバイスとして機能し、別の時にタイプ２デバイスとして機能し得る。デバイスは、同時にタイプ１デバイスおよびタイプ２デバイスとして機能し得る。
異種タイプ１デバイスおよび／または異種タイプ２デバイスは、集積回路（ＩＣ）を備えることができる。ＩＣは、規格に準拠し得る。ＩＣは、２つ以上の規格／プロトコル（例えば、８０２．１１ａ／ｂ／ｅ／ｇ／ｎ／ａｃ／ａｘ、２Ｇ／２．５Ｇ／３Ｇ／３．５Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ、８０２．１６、メッシュネットワーク、アドホックネットワーク、４Ｇ超、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、別のネットワーク、ＵＷＢ、ＲＦＩＤなど）をサポートし得る。タイプ１またはタイプ２デバイスは、動きを検出し、別のデバイス（例えば、ＴＶ、ファン、無線、スピーカ、照明、エアコンディショナ、ヒーター、電気器具、セキュリティシステムなど）を制御することができる。異種タイプ１デバイスおよび／またはタイプ２デバイスは、２つ以上のアンテナを備えることができる。アンテナは、異種であり得る。アンテナは、指向性または全指向性であり得る。アンテナは、円／楕円状、直線状、格子状、または別のパターン、または別の配置順に配置され得る。特定の異種タイプ１デバイスは、特定のタイプ２デバイスとの通信リンクを確立してもしなくてもよい。
タイプ３デバイスは、ネットワークサーバ、クラウドサーバ、フォグサーバ、エッジサーバ、ローカルサーバ、ローカルクライアント、スマートデバイス、スマートフォン、モノのインターネットデバイスであり得る。タイプ３プロセッサは、異種タイプ１デバイスまたは異種タイプ２デバイスであり得る。
第１のプロセッサ、第２のプロセッサ、および／または第３のは、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）、ＦＰＧＡ、組込みプロセッサ（例えば、ＡＲＭ）、論理回路などであり得る。第３のプロセッサは、第１のプロセッサ、第２のプロセッサ、または別のプロセッサであり得る。
第１のメモリ、第２のメモリ、および／または第３のメモリは、ＲＡＭ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ハードディスク、フラッシュメモリ、ストレージネットワーク、内部ストレージ、外部ストレージ、ローカルストレージ、エッジストレージ、および／またはクラウドストレージであり得る。第１のメモリ、第２のメモリ、および／または第３のメモリは、揮発性および／または不揮発性であり得る。第１の命令セット、第２の命令セット、および／または第３の命令セットは、埋め込まれ、事前にロードされ、起動時にロードされ、オンザフライでロードされ、要望に応じてロードされ、事前にインストールされ、インストールされ、および／またはダウンロードされ得る。
各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、タイプ１およびタイプ２デバイスのそれぞれの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩに基づいて、オブジェクトの動きと関連付けられた少なくとも１つのそれぞれの異種動き情報を非同期的に計算する（または得る、または算出する、または推定する、または決定する、または評価する）ことができる。
場所内でのオブジェクトの動きは、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた、非同期的に計算された異種動き情報に基づいて、個別にかつ非同期的にモニタされ得る。オブジェクトの動きは、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報に基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報に基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報に基づいて、全体的にかつ非同期的にモニタされ得る。例えば、少なくとも１つの組み合わされたスコアは、全スコアに基づいて計算され得、オブジェクトの動きは、少なくとも１つの組み合わされたスコアに基づいて連帯的にモニタされ得る。計算は、第１のプロセッサ、第２のプロセッサ、第３のプロセッサ、コンパニオンプロセッサ、クラウドサーバ、フォグサーバ、および／またはローカルサーバ間で共有され得る。
各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、無線デバイスのそれぞれの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩのそれぞれの現在の窓とそれぞれの過去の窓との間のそれぞれの異種類似性スコアは、非同期的に計算され得る。
それぞれの異種類似性スコアは、距離スコア、絶対距離（例えば、ｌ＿１ノルム）、ユークリッド距離、ノルム、メトリック、統計的特徴、時間反転共鳴強度（ＴＲＲＳ）、相互相関、自己相関、共分散、自己共分散、および／または２つのベクトルの内積のうちの少なくとも１つに基づいて計算され得る。それぞれの異種類似性スコアはまた、前処理、信号調整、ノイズ除去、位相補正、タイミング補正、タイミング補償、位相オフセット補償、変換、射影、および／またはフィルタリングのうちの少なくとも１つに基づいて計算され得る。それぞれの異種類似性スコアはまた、特徴抽出、有限状態機械、過去の類似性スコアの履歴、少なくとも１つのＴＳＣＩの別の過去の窓、コンポーネント毎の演算、機械学習、ニューラルネットワーク、ディープラーニング、トレーニング、判別、加重平均、および／または別の演算のうちの少なくとも１つに基づいて計算され得る。
場所内でのオブジェクトの動きは、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた、非同期的に計算された異種類似性スコアに基づいて、個別にかつ非同期的にモニタされ得る。オブジェクトの動きは、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種類似性スコアに基づいて、全体的にかつ非同期的にモニタされ得る。
１つの（または２つ以上の、またはすべての）ＴＳＣＩの現在の窓および過去の窓の各々は、ベクトルとして表現され得るか、またはベクトルに変換され得る。類似性スコアは、絶対距離、ユークリッド距離、またはその他の距離などの２つのベクトル間の距離であり得る。ＣＩ（またはＣＩの窓、またはＣＩのスライディング窓）は、確率プロセスとみなすことができる。類似度は、相互共分散（cross-covariance）または自己共分散（auto-covariance）であり得る。１に近い共分散は、非常に類似した（または相関が高い）２つのＣＩ（またはＣＩの２つの窓）を意味する場合がある。平均がゼロであるＣＩの場合、共分散は、相関となり得る。内積は、相関を計算する方法の１つであり得る。
２つのベクトルの内積：各ＣＩについてＮ個のコンポーネントを仮定する。ＣＩと関連付けられたベクトルは、Ｎ個のコンポーネントを含むＮタプルであり得る。２つ以上のＴＳＣＩが存在することができ、Ｍ≧１でのＭ個の時系列である。特定の時間でのＭ ＣＩ（ＣＩ）時系列と関連付けられたベクトルは、特定の時間でのＭ ＣＩ（ＣＩ）のＮ個のコンポーネントを含むＫタプル（Ｋ＝Ｍ×Ｎ）であり得る。Ｐ≧１のＰ ＣＩ（ＣＩ）を含むＴＳＣＩの窓を考慮する。窓と関連付けられたベクトルは、窓のＰ ＣＩ（ＣＩ）のＮ個のコンポーネントを含むＫタプル（Ｋ＝Ｐ＊Ｎ）であり得る。各ＴＳＣＩのＰ≧１のＰ ＣＩ（ＣＩ）の窓を含むＭ ＣＩ（ＣＩ）時系列の合成窓（composite window）を考慮する。合成窓と関連付けられたベクトルは、Ｍ時系列の各々の窓のＰ ＣＩ（ＣＩ）のＮ個のコンポーネントを含むＫタプル（Ｋ＝Ｐ＊Ｍ＊Ｎ）であり得る。ｉ番目（ｉ＝１，．．．，Ｍ）のＴＳＣＩのＰ＿ｉ≧１でのＰ＿ｉ ＣＩ（ＣＩ）の窓を含むＭ ＣＩ（ＣＩ）時系列の合成窓を考慮する。合成窓と関連付けられたベクトルは、ｉ番目（ｉ＝１，２，．．．，Ｍ）のＴＳＣＩの窓のＰ＿ｉ ＣＩ（ＣＩ）のＮ個のコンポーネントを含む、Ｋタプル（Ｋ＝（Ｐ＿１＋Ｐ＿２＋．．．＋Ｐ＿Ｍ）＊Ｎであり得る。
少なくとも１つのそれぞれのＴＳＣＩは、少なくとも１つのそれぞれのコンポーネントを有し得る。各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、ならびに少なくとも１つのそれぞれのコンポーネントの各々について、以下を行うことができる。（ａ）少なくとも１つのそれぞれのＴＳＣＩのコンポーネントのそれぞれの現在のコンポーネント窓は、それぞれの現在の窓に基づいて、非同期的に決定され得る、（ｂ）少なくとも１つのそれぞれのＴＳＣＩのコンポーネントのそれぞれの過去のコンポーネント窓は、それぞれの過去の窓に基づいて、非同期的に決定され得る、（ｃ）それぞれの現在のコンポーネント窓は、それぞれの過去のコンポーネント窓とコンポーネント毎に非同期的に比較され得る、（ｄ）オブジェクトの動きは、それぞれの現在のコンポーネント窓とそれぞれの過去のコンポーネント窓との非同期的なコンポーネント毎の比較に基づいて、コンポーネント毎にモニタされ得る。
場所内でのオブジェクトの動きは、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた、非同期的なコンポーネント毎の比較に基づいて、個別にかつ非同期的にモニタされ得る。オブジェクトの動きは、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的なコンポーネント毎の比較に基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的なコンポーネント毎の比較に基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的なコンポーネント毎の比較に基づいて、全体的にかつ非同期的にモニタされ得る。
例えば、各ＣＩは、Ｎ個の要素（コンポーネント）を有する集合／レコード、Ｎ個の項目／特徴／特徴／行動測定（コンポーネント）のコレクション、Ｎタプル、Ｎ列のマトリックス（各列がコンポーネントである）、Ｎ行のマトリックス（各行がコンポーネントである）、Ｎコンポーネントベクトル、Ｎコンポーネントチャネル応答、Ｎコンポーネント時間信号、Ｎコンポーネントチャネル、Ｎコンポーネントチャネルインパルス応答（ＣＩＲ）、Ｎコンポーネント周波数信号、Ｎコンポーネントチャネル周波数応答（ＣＦＲ）などを含み得る。Ｎ個のコンポーネントは、同種または異種であり得る。
各コンポーネントは、異なっていてもよい。例えば、あるコンポーネントは、複素数であってもよく、別のコンポーネントは、論理値であってもよい。各コンポーネントは、周波数、周波数サブキャリア、周波数帯域、時間、タイムラグ、時間窓、期間、および／またはカウントのうちの少なくとも１つと関連付けられ得る。現在の窓（または現在のコンポーネント窓）内のＣＩの量および／または過去の窓（または過去のコンポーネント窓）内のＣＩの量は、同一かまたは異なり得る。現在の窓および／または過去の窓内のＣＩの量は、経時変化し得る。複素共役を適用することができる。複素共役を適用することができる。比較には、前処理、信号調整、ノイズ除去、位相補正、タイミング補正、タイミング補償、位相オフセット補償、変換、射影、フィルタリング、特徴抽出、有限状態機械、機械学習、ニューラルネットワーク、ディープラーニング、トレーニング判別、加重平均などが含まれ得る。例えば、過去の動き情報は、過去のＣＩ、オブジェクトの動きと関連付けられた過去のＣＩ、過去の比較、過去の動き決定、過去の動き統計、過去のスコア、過去の類似性スコア、過去のコンポーネント類似性スコア、過去のデバイス毎の類似性スコアなどであり得る。
各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、少なくとも１つのコンポーネントの各々について、コンポーネント類似性スコアは、それぞれの現在のコンポーネント窓およびそれぞれの過去のコンポーネント窓に基づいて、非同期的に計算され得る。
各コンポーネント類似性スコアは、距離スコア、ノルム、メトリック、統計的特徴、時間反転共鳴強度（ＴＲＲＳ）、相互相関、自己相関、共分散、自己共分散、２つのベクトルの内積、前処理、信号調整、ノイズ除去、位相補正、タイミング補正、タイミング補償、位相オフセット補償、変換、射影、フィルタリング、特徴抽出、有限状態機械、過去の類似性スコアの履歴、少なくとも１つのＴＳＣＩの別の過去の窓、コンポーネント毎の動作、機械学習、ニューラルネットワーク、ディープラーニング、トレーニング、判別、加重平均、および／または別の動作のうちの少なくとも１つに基づいて計算され得る。
それぞれの異種類似性スコアは、少なくとも１つのコンポーネント類似性スコアの異種関数として、非同期的に計算され得る。異種関数は、代表値、標準値、加重平均、百分位数、最大、最小、４０％四分位数、５０％四分位数、６０％四分位数、平均、メジアン、最頻値、和、積、根、算術平均、幾何平均、調和平均、一般化平均、順序統計量、トリムド平均、統計的関数、期待値、分散、選択されたもの、および／または別の関数のうちの少なくとも１つを含み得る。
場所内でのオブジェクトの動きは、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた、異種類似性スコアおよび少なくとも１つのコンポーネント類似性スコアのうちの少なくとも１つに基づいて、個別にかつ非同期的にモニタされ得る。オブジェクトの動きは、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、異種類似性スコアおよび少なくとも１つのコンポーネント類似性スコアの少なくとも１つに基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、異種類似性スコアおよび少なくとも１つのコンポーネント類似性スコアのうちの少なくとも１つに基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、異種類似性スコアおよび少なくとも１つのコンポーネント類似性スコアのうちの少なくとも１つに基づいて、全体的にかつ非同期的にモニタされ得る。
関数は、代表値、標準値、加重平均、百分位数、最大、最小、１０％四分位数、２０％四分位数、３０％四分位数、４０％四分位数、５０％四分位数、６０％四分位数、７０％四分位数、８０％四分位数、９０％四分位数、平均、メジアン、最頻値、和、積、根、算術平均、幾何平均、調和平均、一般化平均、順序統計量、トリムド平均、統計的関数、期待値、分散、閾値法、カウント、および／または選択されたもののうちの少なくとも１つを含み得る。
特徴抽出は、サンプリングされた特徴、統計的特徴、時間領域特徴、周波数領域特徴、分解、特異値分解、主コンポーネント分析、独立コンポーネント分析、前処理、信号処理、後処理、変換、線形処理、非線形処理、信号調整、信号処理、代表値、標準値、加重平均、百分位数、最大、最小、１０％四分位数、２０％四分位数、３０％四分位数、４０％四分位数、５０％四分位数、６０％四分位数、７０％四分位数、８０％四分位数、９０％四分位数、平均、メジアン、最頻値、和、積、根、算術平均、幾何平均、調和平均、一般化平均、順序統計量、トリムド平均、統計的関数、期待値、分散、閾値法、クラスタリング、トレーニング、機械学習、ニューラルネットワーク、ディープラーニング、カウント、および／またはロバスト処理などのうちの少なくとも１つを含み得る。
各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、少なくとも１つのコンポーネントの各々について、それぞれのコンポーネント類似性スコアがそれぞれのコンポーネント閾値以上であるもののうちの少なくとも１つである場合、オブジェクトの動きは、コンポーネント毎に非同期的に検出され得る。場所内でのオブジェクトの動きは、次のうちの少なくとも１つである場合、個別にかつ非同期的に検出され得る。特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた異種類似性スコアの第１の関数が、それぞれの第１の個別の閾値以上であるもののうちの少なくとも１つである、ならびに／または特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられたコンポーネントの第１の選択されたグループにおけるコンポーネント毎の動き検出の第１のパーセンテージがそれぞれの第２の個別の閾値以上であるもののうちの少なくとも１つである。オブジェクトの動きは、次のうちの少なくとも１つである場合、連帯的にかつ非同期的に検出され得る。特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた異種類似性スコアの第２の関数がそれぞれの第１の共同の閾値以上であるもののうちの少なくとも１つである、ならびに／または特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたコンポーネントの第２の選択されたグループにおけるコンポーネント毎の動き検出の第２のパーセンテージがそれぞれの第２の共同の閾値以上であるもののうちの少なくとも１つである。オブジェクトの動きは、次のうちの少なくとも１つである場合、連帯的にかつ非同期的に検出され得る。それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた異種類似性スコアの第３の関数がそれぞれの第３の共同の閾値以上であるもののうちの少なくとも１つである、ならびに／またはそれぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたコンポーネントの第３の選択されたグループにおけるコンポーネント毎の動き検出の第３のパーセンテージがそれぞれの第４の共同の閾値以上であるもののうちの少なくとも１つである。オブジェクトの動きは、次のうちの少なくとも１つである場合、全体的にかつ非同期的に検出され得る。タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた異種類似性スコアの第４の関数がそれぞれの第１のグローバル閾値以上であるもののうちの少なくとも１つである、ならびに／またはタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたコンポーネントの第４の選択されたグループにおけるコンポーネント毎の動き検出の第４のパーセンテージがそれぞれの第２のグローバル閾値以上であるもののうちの少なくとも１つである。
第１の関数、第２の関数、第３の関数、および／または第４の関数は、線形関数、非線形関数、平均、加重平均、算術平均、幾何平均、調和平均、一般化平均、トリムド平均、ロバスト平均、加重平均（weighted mean）、メジアン、最頻値、および／または別の関数であり得る。第１の関数、第２の関数、第３の関数、および／または第４の関数のうちの２つまたはそれ以上は、数学的に同様であり得る。個別の閾値および／または共同の閾値は、０．１、０．２、０．３、０．４、０．５、０．６、０．７、０．８、０．９、および／または別の閾値であり得る。それは、経時変化し得る。２つまたはそれ以上の閾値は、いくつかの現在の時間で同一または異なる場合がある。
場所内でのオブジェクトの動きは、場所内でのオブジェクトの動きにより影響を受けた別の無線マルチパスチャネルの別のＴＳＣＩに更に基づいて、非同期的にモニタすることができる。別のＴＳＣＩは、非同期異種タイプ３無線デバイスから非同期異種タイプ４無線デバイスに別の無線マルチパスチャネルを介して送信された別の非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号から抽出することができる。例えば、タイプ１およびタイプ２デバイスは、Ｗｉ－Ｆｉデバイスであり得、一方、タイプ３およびタイプ４デバイスは、ＬＴＥ、ＢＬＥ、ＲＦＩＤ、または別のＷｉ－Ｆｉデバイスであり得る。例えば、タイプ１およびタイプ２は、２．４ＧＨｚのＷｉ－Ｆｉであり得、一方、タイプ３およびタイプ４デバイスは、５ＧＨｚのＷｉ－Ｆｉであり得る。
選択されたコンポーネントのグループ（例えば、第１の、第２の、第３の、第４の選択されたコンポーネントのグループ）は、有意なコンポーネントのグループ、有意でないコンポーネントのグループ、重要なコンポーネント、重要でないコンポーネント、改善コンポーネント、減衰コンポーネント、良コンポーネント、悪コンポーネント、ある行動／傾向を有するコンポーネント、意見に影響するコンポーネント、ターゲットコンポーネント、有意なエネルギを有するコンポーネント、有意なエネルギを有する分解コンポーネントのグループ、モニタのために有意な／有用な／敏感なコンポーネントのグループ、トレーニング段階で学習されたコンポーネントのグループ、何らかの方法で選択されたコンポーネントのグループであり得る。例えば、選択されたコンポーネントは、モニタされるいくつかのターゲットイベントに対して敏感であり／明らかであり／区別され／識別され得る。第１の、第２の、第３の、第４の選択されたコンポーネントのグループのうちの２つまたはそれ以上は、重複していてもよく、および／または同一であってもよい。例えば、多数決は、閾値が０．５（５０％）で実施できる。パーセンテージが５０％より大きい場合、動きは、検出され得る。
各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つのそれぞれの特定の対の各々について、タイプ１およびタイプ２デバイスのそれぞれの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩに基づいて、オブジェクトの動きと関連付けられた少なくとも１つのそれぞれの異種動き情報を非同期的に計算することができる。
少なくとも１つのそれぞれのＴＳＣＩのそれぞれの過去の窓を有する無線デバイスのそれぞれの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩのそれぞれの現在の窓を、非同期的に比較できる。少なくとも１つのそれぞれのＴＳＣＩのそれぞれの現在の窓とそれぞれの過去の窓との間のそれぞれの異種類似性スコアは、非同期的に計算され得る。
場所内でのオブジェクトの動きは、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた、非同期的に計算された異種動き情報および異種類似性スコアに基づいて、個別にかつ非同期的にモニタされ得る。オブジェクトの動きは、特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報および異種類似性スコアに基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報および異種類似性スコアに基づいて、連帯的にかつ非同期的にモニタされ得る。オブジェクトの動きは、タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報および異種類似性スコアに基づいて、全体的にかつ非同期的にモニタされ得る。
例えば、タイプ１およびタイプ２デバイスは、（Ｗｉ－Ｆｉ信号である無線（またはｒａｄｉｏまたはＲＦ）信号を有する）Ｗｉ－Ｆｉデバイスであり得、一方、タイプ３およびタイプ４デバイスは、（ＬＴＥ信号である別の無線（またはｒａｄｉｏまたはＲＦ）信号を有する）ＬＴＥデバイスであり得る。別の実施例では、タイプ１およびタイプ２デバイスは、第１のＳＳＩＤ（例えば、「ｍｙ ｈｏｍｅ ｎｅｔｗｏｒｋ」）を有するＷｉ－Ｆｉネットワークを使用するＷｉ－Ｆｉデバイスであってもよく、一方、タイプ３およびタイプ４デバイスは、第２のＳＳＩＤ（例えば、「Ｙｏｕｒ Ｎｅｉｇｈｂｏｒｈｏｏｄ」）を有するＷｉ－Ｆｉネットワークを使用するＷｉ－Ｆｉデバイスであってもよい。別の実施例では、タイプ１、タイプ２、タイプ３、およびタイプ４デバイスは、同一のＷｉ－Ｆｉネットワーク内にあってもよい。タイプ１およびタイプ２デバイスは、２０ＭＨｚの帯域幅を使用している場合があり、一方、タイプ３およびタイプ４デバイスは、４０ＭＨｚの帯域幅を使用している場合がある。
タイプ１デバイスおよびタイプ３デバイスは、同一のデバイスまたは異なるデバイスであり得る。タイプ２デバイスおよびタイプ４デバイスは、同一のデバイスであり得る。タイプ１デバイスは、タイプ３デバイスであり得、その逆も同様であり得る。タイプ２デバイスは、タイプ４デバイスであり得、その逆も同様であり得る。
場所の地図は、２つ以上の領域に仕切ることができる。オブジェクトの動きは、次のうちの少なくとも１つに基づいて、場所の地図の２つ以上の領域のうちの少なくとも１つと非同期的に関連付けられ得る。すなわち、（ａ）特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた、非同期的に計算された異種動き情報、（ｂ）特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報、（ｃ）それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報、ならびに（ｄ）タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた、非同期的に計算された異種動き情報、である。
それぞれの類似性スコアは、少なくとも１つのそれぞれの動き情報のうちの１つであり得る。それぞれの現在の窓は、それぞれの過去の窓として同一または異なる持続時間（または長さ）を有し得る。異なるタイプ２デバイスと関連付けられた現在の窓は、異なっている場合がある。異なるタイプ２デバイスと関連付けられた過去の窓もまた、異なっている場合がある。現在の窓および過去の窓は、同一量のＣＩ、同一の持続時間、同一の前処理、同一の処理、同一の後処理、および／または同一の設定を有し得る。現在の窓および過去の窓は、異なる量のＣＩ、異なる持続時間、異なる前処理、異なる処理、異なる後処理、および／または異なる設定を有し得る。
タイプ１およびタイプ２デバイスの各それぞれの対について、少なくとも１つのそれぞれの異種動き情報のそれぞれの特徴空間は、タイプ１およびタイプ２デバイスのそれぞれの対と関連付けられて２つ以上のそれぞれの特徴セグメントに仕切ることができる。各それぞれの特徴セグメントと場所の地図の２つ以上の領域のうちの少なくとも１つとを関連付けるそれぞれのマッピングを構成することができる。オブジェクトの動きは、それぞれのマッピングに基づいて、場所の地図の２つ以上の領域のうちの少なくとも１つと非同期的に個別に関連付けられ得る。タイプ１およびタイプ２デバイスの２つ以上の対と関連付けられた異種動き情報の共同特徴空間を２つ以上の共同特徴セグメントに仕切ることができる。各共同特徴セグメントと場所の地図の２つ以上の領域のうちの少なくとも１つとを関連付ける共同マッピングを構成することができる。オブジェクトの動きは、共同マッピングに基づいて、場所の地図の２つ以上の領域のうちの特定の１つと関連付けられ得る。
２つ以上の領域のうちの２つまたはそれ以上は、重複していてもよい。領域は、別の領域の部分集合であり得る。領域は、２つ以上のその他の領域の和集合であり得る。領域の場所は、１つ以上のタイプ２デバイスの場所に関する場合がある。地図および／または領域は、１次元、２次元、３次元、または高次元であり得る。２Ｄ領域は、矩形、正方形、円形、楕円形、またはその他の形状であってもよい。領域は、凹状または凸状であり得る。いくつかの領域は、大きい場合がある。いくつかは、小さい場合がある。２つ以上の領域は、独立した領域への場所の分解（例えば、多解像度分解）または重複領域を含み得る。２つ以上の領域は、規則的または不規則的であり得る。
タイプ１およびタイプ２デバイスの各それぞれの対について、タイプ１およびタイプ２デバイスのそれぞれの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩのそれぞれの現在の窓とそれぞれの過去の窓との間のそれぞれの異種類似性スコアは、非同期的に計算され得る。
特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられた異種類似性スコアの第１の関数がそれぞれの個別の閾値以上であるもののうちの少なくとも１つである場合、場所内でのオブジェクトの動きは、個別にかつ非同期的に検出され得る。特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた異種類似性スコアの第２の関数がそれぞれの共同の閾値以上であるもののうちの少なくとも１つである場合、場所内でのオブジェクトの動きは、連帯的にかつ非同期的に検出され得る。それぞれの特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた異種類似性スコアの第３の関数が別のそれぞれの共同の閾値以上であるもののうちの少なくとも１つである場合、場所内でのオブジェクトの動きは、連帯的にかつ非同期的に検出され得る。タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられた異種類似性スコアの第４の関数がそれぞれのグローバル閾値以上であるもののうちの少なくとも１つである場合、場所内でのオブジェクトの動きは、全体的にかつ非同期的に検出され得る。
特徴は、動き情報、または１つ以上の動き情報の特徴／特徴／関数であり得る。特徴は、異種（heterogeneous）であり得る。例えば、ある特徴は実数であってもよく、別の特徴はブーリアンであってもよく、別のものは複素数／ベクトルであってもよく、別のものは集合であってもよく、更に別のものは物のコレクションであってもよい。特徴は、１つ以上の動き情報に演算を適用することによって得られ得る。特徴空間は、空間または部分空間であり得る。特徴空間は、特徴のうちの１つ以上によって広がり得る。
いくつかの特徴セグメントは、超平面および／または多様体によって、仕切られ／束縛され／定義され得る。いくつかの特徴セグメントは、スカラー量子化および／またはベクトル量子化によって、仕切られ／定義され得る。特徴空間は、セル（例えば、すべての次元で均一な長さの「矩形」）に分解／分割され得る。特徴セグメントは、隣接するセルまたは近接していないセルの和集合であり得る。
共同特徴空間は、それぞれの特徴空間の和集合であり得る。異なるタイプ２デバイスの特徴空間の次元は、異なっていてもよい。それぞれのマッピングまたは共同マッピングは、１対１、１対多、多対１、または多対多であり得る。マッピングは、上書きされ得る。
情報は、モニタデバイスによって非同期的に信号で送られ、提示され、表示され、再生され、送信され、記憶され得る。情報は、場所の地図、地図の２つ以上の仕切られた領域、任意の検出されたオブジェクトの動きと関連付けられた領域、タイプ１およびタイプ２デバイスの少なくとも１つの対と関連付けられた異種動き情報、コンポーネント類似性スコア、異種類似性スコア、過去の動き情報、過去の類似性スコア、別の過去の情報、タイプ１デバイス、タイプ２デバイス、タイプ３デバイス、および／またはタイプ４デバイスのうちの少なくとも１つと関連付けられ得る。信号で伝えること（signaling）には、分析すること、分解すること、変換すること、処理すること、フィルタすること、順序付けすること、整列すること、フォーマットすること、整理すること、プレゼンテーションすること、表示すること、再生すること、送信すること、および／または記憶することを含み得る。
別の実施形態では、無線（またはｒａｄｉｏまたはＲＦ）モニタシステムは、少なくとも１つの非同期異種タイプ１無線（またはｒａｄｉｏ）デバイスと、少なくとも１つの非同期異種タイプ２無線（またはｒａｄｉｏまたはＲＦ）デバイスと、を備える。無線（またはｒａｄｉｏまたはＲＦ）モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つの対を備え、各対は、少なくとも１つのタイプ１デバイスのうちの１つと少なくとも１つのタイプ２デバイスのうちの１つとを備える。
特定の非同期異種タイプ２デバイスは、無線（またはｒａｄｉｏまたはＲＦ）モニタシステムのタイプ１およびタイプ２デバイスの少なくとも１つの特定の対にある。特定のタイプ２デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つの特定の対を介して、少なくとも１つの特定のタイプ１デバイスと関連付けられる。
無線（またはｒａｄｉｏ）モニタシステムの特定の非同期異種タイプ２デバイスは、無線回路と、第２の異種プロセッサと、第２の異種メモリと、第２の異種命令セットと、を備える。
無線回路は、少なくとも１つの非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号を非同期的に受信する。各非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号は、少なくとも１つの特定のタイプ１デバイスのうちの１つによって、タイプ１デバイスのそれぞれの第１の異種プロセッサ、それぞれの第１の異種メモリ、およびそれぞれの第１の異種命令セットを使用して、少なくとも１つの非同期異種タイプ２デバイスに、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して、非同期的に送信される。
第２の異種プロセッサは、無線回路と通信可能に結合される。第２の異種メモリは、第２の異種プロセッサと通信可能に結合される。第２の異種命令セットは、第２の異種メモリに記憶され、これは、実行されると、第２の異種プロセッサに、タイプ１およびタイプ２デバイスの少なくとも１つの特定の対の各々について、無線マルチパスチャネルの少なくとも１つのそれぞれの一連のＣＩ（ＴＳＣＩ）を非同期的に得させる。タイプ１およびタイプ２デバイスの特定の対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩは、無線回路によって非同期的に受信されたそれぞれの非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号から非同期的に抽出されている。
次の、（ａ）場所内でのオブジェクトの動きは、タイプ３デバイスの第３のプロセッサ、第３のメモリ、および第３の命令セットを使用して、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられたＴＳＣＩに基づいて、個別にかつ非同期的にモニタされる、（ｂ）オブジェクトの動きは、特定のタイプ２デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる、（ｃ）オブジェクトの動きは、少なくとも１つの特定のタイプ１デバイスのうちの１つを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられたＴＳＣＩに基づいて、連帯的にかつ非同期的にモニタされる、ならびに／または（ｄ）オブジェクトの動きは、タイプ１およびタイプ２デバイスの任意の対と関連付けられたＴＳＣＩに基づいて、全体的にかつ非同期的にモニタされる、のうちの１つが実施される。
別の実施形態では、無線（またはｒａｄｉｏまたはＲＦ）モニタシステムは、少なくとも１つの非同期異種タイプ１無線（またはｒａｄｉｏまたはＲＦ）デバイスと、少なくとも１つの非同期異種タイプ２無線（またはｒａｄｉｏまたはＲＦ）デバイスと、を備える。無線（またはｒａｄｉｏ）モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つの対を備え、各対は、少なくとも１つのタイプ１デバイスのうちの１つと少なくとも１つのタイプ２デバイスのうちの１つとを備える。特定の非同期異種タイプ１デバイスは、無線（またはｒａｄｉｏ）モニタシステムのタイプ１およびタイプ２デバイスの少なくとも１つの特定の対にある。特定のタイプ１デバイスは、タイプ１およびタイプ２デバイスの少なくとも１つの特定の対を介して、少なくとも１つの特定のタイプ２デバイスと関連付けられる。無線（またはｒａｄｉｏ）モニタシステムの特定の非同期異種タイプ１デバイスは、無線回路と、第１のプロセッサと、第１のメモリと、第１の命令セットと、を備える。第１のプロセッサは、無線回路と通信可能に結合される。第１のメモリは、第１のプロセッサと通信可能に結合される。第１の命令セットは、第１のメモリ中に記憶され、これは、実行されると、第１のプロセッサに、無線回路を使用して、非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号を特定のタイプ１デバイスから少なくとも１つの特定のタイプ２デバイスに場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルを介して非同期的に送信させる。
少なくとも１つの特定のタイプ２デバイスの各々について、無線回路によって送信された非同期異種無線信号（またはｒａｄｉｏまたはＲＦ）から抽出された無線マルチパスチャネルの少なくとも１つの一連のＣＩ（ＴＳＣＩ）は、タイプ２デバイスの第２のプロセッサ、第２のメモリ、および第２の命令セットを使用して、タイプ２デバイスによって得られる。
次の、（ａ）場所内でのオブジェクトの動きは、タイプ３デバイスの第３のプロセッサ、第３のメモリ、および第３の命令セットを使用して、特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの対と関連付けられたＴＳＣＩに基づいて、個別にかつ非同期的にモニタされる、（ｂ）特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを連帯的にかつ非同期的にモニタすることと、（ｃ）少なくとも１つの特定のタイプ２デバイスのうちの１つを含むタイプ１およびタイプ２デバイスの任意の対と関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを連帯的にかつ非同期的にモニタすることと、（ｄ）タイプ１およびタイプ２デバイスの任意の対と関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを全体的にかつ非同期的にモニタすること、のうちの少なくとも１つが実施される。
別の実施形態では、無線（またはｒａｄｉｏまたはＲＦ）モニタシステムは、少なくとも１つの非同期異種タイプ１無線（またはｒａｄｉｏまたはＲＦ）デバイスと、少なくとも１つの非同期異種タイプ２無線（またはｒａｄｉｏまたはＲＦ）デバイスと、を備える。無線（またはｒａｄｉｏ）モニタシステムは、タイプ１およびタイプ２デバイスの少なくとも１つの対を備え、各対は、少なくとも１つの非同期異種タイプ１デバイスのうちの１つと少なくとも１つの非同期異種タイプ２デバイスのうちの１つとを備える。無線（またはｒａｄｉｏ）モニタシステムのタイプ３デバイスは、第３のプロセッサ、第３のメモリ、および第３の命令セットを含む。第３のプロセッサは、少なくとも１つの非同期異種タイプ１デバイスおよび少なくとも１つの非同期異種タイプ２デバイスのうちの少なくとも１つと通信可能に結合される。第３のメモリは、第３のプロセッサと通信可能に結合される。第３の命令セットは、第３のメモリ中に記憶される。実行されると、第３の命令セットは、第３のプロセッサに、各タイプ２デバイスについて、ならびにタイプ２デバイスを含むタイプ１およびタイプ２デバイスの少なくとも１つの対の各々について、場所内でのオブジェクトの動きにより影響を受けた無線マルチパスチャネルの少なくとも１つのそれぞれのＴＳＣＩ（ＴＳＣＩ）を非同期的に受信させる。
各ＴＳＣＩは、タイプ２デバイスによって、タイプ２デバイスのそれぞれの第２のプロセッサ、それぞれの第２のメモリ、およびそれぞれの第２の命令セットを使用して、非同期的に得られる。タイプ１およびタイプ２デバイスのそれぞれの対と関連付けられた少なくとも１つのそれぞれのＴＳＣＩは、それぞれの非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号から非同期的に抽出される。それぞれの非同期異種無線（またはｒａｄｉｏまたはＲＦ）信号は、それぞれのタイプ１デバイスのそれぞれの対から、それぞれのタイプ１デバイスのそれぞれの第１のプロセッサ、それぞれの第１のメモリ、およびそれぞれの第１の命令セットを使用して、少なくとも１つの非同期異種タイプ２デバイスに、無線マルチパスチャネルを介して、送信される。実行されると、第３の命令セットは、第３のプロセッサに、次の、（ａ）特定のタイプ２デバイスおよび特定のタイプ１デバイスを含むタイプ１およびタイプ２デバイスの特定の対と関連付けられたＴＳＣＩに基づいて、場所内でのオブジェクトの動きを個別にかつ非同期的にモニタすることと、（ｂ）特定のタイプ２デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを連帯的にかつ非同期的にモニタすることと、（ｃ）特定のタイプ１デバイスと関連付けられたタイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを連帯的にかつ非同期的にモニタすることと、ならびに／または（ｄ）タイプ１およびタイプ２デバイスの少なくとも１つの対のいずれかと関連付けられたＴＳＣＩに基づいて、オブジェクトの動きを全体的にかつ非同期的にモニタすること、のうちの少なくとも１つを更に行わせる。
本開示は、オブジェクトの動きによって影響を受ける無線マルチパスチャネルのＴＳＣＩに基づいて、場所における周期的または擬似周期的なオブジェクトの動きを検出およびモニタするためのシステム、装置、および方法を開示する。様々な実施形態によれば、オブジェクトは生命体（例えば、人間、ペット、動物など）、装置（例えば、ファン、機械など）、または土地であり得る。周期的または擬似周期的なオブジェクトの動きは、呼吸、心拍、周期的な手のジェスチャ、周期的な歩行、回転、振動、または地震を表すことができる。 開示されたシステムは、例えば動きのレートまたは頻度などの動きの特徴をモニタすることができる。本開示において、用語「疑似周期的な動き」は、周波数が増減する周期的動き、または異なる周波数を有する２つの周期的動きの組み合わせ／和など、わずかな摂動を伴う周期的な動きを指す。簡単にするために、以下の説明は疑似周期的動きを検出およびモニタする方法に焦点を当てるが、同じ開示された方法は周期的動き検出およびモニタにも同様に適用することができる。
一実施形態では、ＣＦＲ内の小さな時間的変動を分析するためのロバストなバイタルサインモニタシステムが開示されている。各アンテナリンク上で、システムはＣＦＲをＣＩＲに変換し、高速フーリエ変換（FFT）を介してＣＩＲのスペクトル分析を実行する。次に、異なるアンテナリンクのスペクトルが1つの平均スペクトルに融合される。次に、持続性に基づくピーク検出がスペクトルに対して実行され、それが最終的に繰り返し速度（例えば呼吸数）推定につながる。さらに、ＦＳＭは、バイタルサインモニタシステムが異なる状態において異なる閾値を採用するように開示されたシステムに導入され、それはバイタルサインモニタのロバスト性を著しく改善する。実験結果は、システムが一人用および複数人用の呼吸追跡に対して良好に機能することを実証している。
一実施形態では、開示されたシステムは、手頃な価格、広く入手可能、標準準拠、相互運用可能、ＦＣＣ承認された、定評のあるブランドによる品質管理および技術サポートを伴う通常の容易に入手可能なＷｉＦｉチップからのＣＳＩを使用する。これらのコンポーネント（WiFiチップ、モジュール、設計ツール、ノウハウ）は、既存のシステムの高価でテストされていない、珍しい、専用の限定版の実験的ハードウェアコンポーネントよりもはるかに手頃な価格、はるかに広く入手可能、はるかに豊富である。開示されたシステムは、大きなＷｉＦｉサービスエリアのために、大きな有効範囲を有する。開示されたシステムは、見通し内（ＬＯＳ）および見通し外（ＮＬＯＳ）状態の両方で動作することができる。開示されたシステムはまた、４Ｇ、ＬＴＥ、ＬＴＥ－Ｕ、５Ｇおよびそれ以降に関連するチップからのＣＳＩを使用することができる。
開示されたシステムは、抽象的な概念よりもはるかに優れた機能を含む。ウェアラブルを使わずに人の呼吸を遠隔で測定することは何十年もの間の夢だった。開示されたシステムは、ＷｉＦｉ信号および関連するマルチパスパターンを用いて環境をモニタするためのセンサとして物理的ＷｉＦｉチップを使用して、長時間にわたる問題を解決する。開示されたシステムは、ハードウェアコンポーネント（例えば、それぞれプロセッサ、メモリ、無線トランシーバ、クラウドサーバなどを有するタイプ１デバイス、タイプ２デバイス、）を有する。ＷｉＦｉ信号は、測定可能であり、確定的な構成および周波数的特徴を有する、空中の電磁（ＥＭ）波である。システムは、適合するソフトウェアコンポーネント（例えば、タイプ１デバイス内、タイプ２デバイス内、サーバ内などに埋め込まれたソフトウェア）を有する。ソフトウェアは、CSIを抽出するために低レベルのWiFiチップとファームウェアとのインターフェースをとることができる。実験結果は、開示されたシステムが非常に高い精度で人間の呼吸数を検出できることを示している。
加えて、睡眠モニタは、増加している需要および興味を引き付ける重大で困難なタスクである。本教示は、周囲無線信号を活用して、睡眠段階を認識し睡眠品質を査定する、第１の実用的な睡眠モニタシステムである、ＳＭＡＲＳ（Sleep Monitoring via Ambient Radio Signals）（周囲無線信号による睡眠モニタ）のモデル、設計、および実装について開示している。これは、被験者の体またはベットに用具を取り付けることなく、遍在する非侵襲性および非接触の方式で毎日の睡眠をモニタする将来のスマートホームが可能になる。以前のＲＦ系アプローチとは異なり、本教示は、すべての反射および散乱マルチパスの説明となる統計的モデルを考案し、これにより、コモディティデバイス上で史上最高のパフォーマンスを達成しながら、高精度なおよび瞬間の呼吸推定を可能にする。これに基づいて、ＳＭＡＲＳは、覚醒、ＲＥＭ、およびＮＲＥＭを含む様々な睡眠段階を認識し、これは、以前は専用ハードウェアでのみ可能であった。リアルタイムシステムは、市販のＷｉＦｉチップセット上に実装され、６人の参加者がいる６つの家に配置され、合計で３２晩のデータを得た。結果は、ＳＭＡＲＳが呼吸推定について、０．４７ｂｐｍのメジアン誤差および２．９２ｂｐｍのみの９５％誤差をもたらし、人がリンクから１０ｍ離れている、または壁の後ろにいる場合であっても、しっかりと呼吸を検出することを示す。ＳＭＡＲＳは、８５％の睡眠段階精度を達成し、接触センサまたはレーダを使用する進んだソリューションよりも優れている。更に、ＳＭＡＲＳは、２０人の患者の夜間の睡眠を測定する、最近リリースされたデータセットで評価され、これにより、パフォーマンスを確認する。単に、単一のコモディティＲＦリンクで有望な結果を得るために、ＳＭＡＲＳは、実用的な家庭内睡眠モニタソリューションのための段階を設定する。
睡眠は、精神的および肉体的の両方で、個人の健康および幸福で重要な役割を担う。睡眠量および睡眠品質は、心臓血管疾患、脳卒中、腎不全、糖尿病、および精神状態の悪化などのような健康リスクに基本的に関連していることは、よく認識されている。残念なことに、現代社会では、多くの人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（高齢者の間では更に高い）に苦しんでおり、アメリカ人の１／３は、十分な睡眠を取っていない。睡眠をモニタすることは、増加している睡眠障害のグループを助け、管理し、診断し、および治療するために、ならびに個人の健康を定期的にモニタするために不可欠な要求として現れる。
しかし、睡眠モニタは、何十年も途方もない努力をしてきた困難なタスクである。一般に、これは、睡眠時間を測定し、様々な睡眠段階、例えば、覚醒、ＲＥＭ（Ｒａｐｉｄ Ｅｙｅ Ｍｏｖｅｍｅｎｔ）（急速眼球運動）、およびＮＲＥＭ（非ＲＥＭ）を認識し、それに応じて、個々の睡眠品質を評価する。様々なソリューションが提案されてきた。医学的な判定基準は、睡眠ポリグラフ（Polysomnography：ＰＳＧ）に頼っており、これは、患者に取り付けられた多くのワイヤードセンサによって、脳活動、呼吸、および体の運動などの様々な生理学的パラメータをモニタする。正確でかつ広範囲にわたるが、ＰＳＧは通常、高価であり、かつ睡眠困難を引き起こし得る侵襲性センサを伴うため厄介であり、確認された患者への臨床的使用に制限されている。フォトプレチスモグラフィ（photoplethysmography：ＰＰＧ）およびアクチグラフィ（actigraphy：ＡＣＴ）を含むその他のアプローチでは、ユーザに睡眠中に専用センサを付ける必要がある。心弾動図（Ballistocardiogram：ＢＣＧ）は、弾道力を測定するために、ＥＭＦｉセンサのアレイを有するマットレスを備える必要がある。コストにかかわらず、これらのアプローチは、特別なケアが必要だが一般の人には理想的とは言えない人に好適な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近年の試みでは、スマートフォンおよびウェアラブルを使用する家庭内睡眠モニタを構想している。しかし、これらの方法は、粒度が粗く、精度が低い測定値を提供するだけであり、呼吸数のようなバイタルサインをモニタできない。加えて、モバイルおよびウェアラブルは、特に高齢者および認知症の高齢者には望ましくない。
主流となっているソリューションとは異なり、開示されたソリューションは、体またはベッドに取り付けずに、遍在する、非侵襲性、非接触および正確な方式で毎日の睡眠をモニタする将来のスマートホームを期待する。次の２つの観点によってこのようなシステムの可能性を観測できる。１）臨床研究は、生理活性が異なる睡眠段階の間で変化することを示した。例えば、呼吸数は、ＲＥＭ睡眠中に脳の酸素消費が増加することにより不規則かつ高速になり、ＮＲＥＭ睡眠中はより安定しかつ遅くなり、呼吸モニタに基づいて睡眠段階の実現性を表している。２）最近の無線技術の進歩は、環境内の体の動きの非接触感知を実証した。呼吸によって引き起こされる胸部および腹部の動きは、無線信号伝播を変更することができ、したがって受信された信号を変調することができ、そこから、呼吸を解読することができる。２つの観点間の相乗効果を探すことができ、その結果、周囲無線信号（例えば、ＷｉＦｉ）活用して、睡眠中の人の呼吸および動きを捕捉し、かつ更に睡眠行動をモニタするシステムをもたらす。
初期の研究では、ＲＦ系呼吸推定および睡眠モニタの実現性を調査してきたが、これらは、ＦＭＣＷレーダのような専用のハードウェアに依存しているか、または制御された環境でのみ動くか、のいずれかである。専用無線に基づくソリューションは通常、高価であり、遍在して適用できない。コモディティデバイスを使用するその他の物は、典型的には、ユーザに、自分の胸部に極めて近いところで無線を有するベット上に横になることを要求し、かつ無関係な動きが存在する中、または見通し外（ＮＬＯＳ）シナリオで失敗する。加えて、呼吸推定における精度が限定されているため、異なる睡眠段階を識別できるものはない。このような限定は、これらの実用的な家庭内睡眠モニタのための用途を妨げる。
本教示は、コモディティの周囲無線信号を活用して、睡眠段階を認識し捕らえどころがない睡眠品質を査定する、第１の実用的な睡眠モニタシステムである、ＳＭＡＲＳのモデル、設計、および実装について開示している。ＳＭＡＲＳは、体に接触することなく、目立たない方法で動く。無線ルータが既に家の中に設置されている場合、ユーザがやる必要があることは、例えば、単に受信器を置くことによって、２つのコモディティ無線間の１つの単一のリンクを設定することである。ＳＭＡＲＳは、高精度なおよび瞬間の呼吸推定を可能にする新しい統計的モデルによって、文献を進歩させる。これに基づいて、ＳＭＡＲＳは、様々な睡眠段階を認識することができ、これは、以前は高価な専用ハードウェアでのみ得ることができる。具体的には、ＳＭＡＲＳは、実用的な睡眠モニタを行うために３つの特有な態様が秀でている。第１に、屋内のすべての反射および分散マルチパスを活用する、チャネル状態情報（ＣＳＩ）における動きの統計的モデルを考案できる。既存の動きは通常、いくつかのマルチパスおよび人体から反射される１つの主要パスを有する幾何学的モデル（例えば、屋外空間用に開発された２線モデル）を仮定する。しかし、実世界の屋内環境下では、数百のマルチパスが存在する場合があり、信号は、空間内の人の体およびその他のオブジェクトで反射するだけでなく散乱する場合がある。結果として、優位な反射経路を欠いているために、以前のアプローチは、ＮＬＯＳ環境で、および微細な動きで失敗する。対照的に、開示されたモデルは、このような非現実的な仮定をせずに、ＣＳＩにおける動きの統計的特徴を調査し、呼吸を含む任意の動きのロバストな検出の基礎をなす。
第２に、ＳＭＡＲＳは、正確な呼吸数推定を瞬時にかつ強固に達成する。以前の呼吸推定スキームのほとんどは、十分な周波数分解能を得るために、比較的大きい時間窓間に一定の呼吸数を仮定して、睡眠中のきめ細かい呼吸変動を失う。加えて、微細な呼吸の動きは、ＣＳＩ測定ノイズに容易に埋まる場合があり、既存の理念は、無関係な動きなしで途方もなく近く近接している（典型的には、２～３ｍ内）場合にのみ有効になる。時間分解能を向上させるため、ＳＭＡＲＳは、呼吸数を推定するために、時間領域自己相関関数（ＡＣＦ）を活用し、これは、１秒ごとの頻度でリアルタイム呼吸数を報告し、瞬間の呼吸数変化を捕捉することができる。ＡＣＦを使用することによって、ＳＭＡＲＳはまた、ノイズの多い位相および通常ハンドクラフトされるＣＳＩノイズ除去手順の使用を回避する。より重要なことに、周波数オフセットを排除して、これにより異なるサブキャリア上の呼吸信号を同期させることによって、ＡＣＦは、最大比合成（ＭＲＣ）を実施できるようにして、複数のサブキャリアを組み合わせ、測定ノイズを駆除して、最適な方法で呼吸信号を最大化する。そうすることにより、呼吸信号対雑音比（ＳＮＲ）の限度を押し上げて、したがって、広い範囲ならびに弱い呼吸についての感知感度を著しく増加させることができる。具体的には、ＳＭＡＲＳは、人がリンクから１０ｍ離れている、または壁の後ろにいる場合、呼吸を確実に検出でき、これは、専用の低電力レーダよりも更に優れている。
最後に、睡眠中に抽出された呼吸数および動き統計に基づいて、様々な睡眠段階（覚醒、ＲＥＭ、およびＮＲＥＭを含む）を認識して、全体的な睡眠の量および質を包括的に評価することができる。呼吸数と睡眠段階との間の関係の深い理解に基づいて、睡眠段階の分解のための特有の呼吸特徴を抽出できる。既製のデバイスを使用する既存の動きは、睡眠の段階分けという同一のゴールに到達できない。
リアルタイムシステムは、様々な市販のＷｉＦｉチップセット上に実装されており、そのパフォーマンスは、広範囲にわたる実験を通して評価される。評価には、次の２つの部分が含まれる。１）ＳＭＡＲＳを６人の健康な被験者がいる６つの家に配置し、３２晩のデータを収集でき、そのうちの５件は、市販のデバイスにより記録されたＰＳＧデータを有する。結果は、ＳＭＡＲＳが１分当たり０．４７呼吸（ｂｐｍ）のメジアン呼吸推定誤差および２．９２ｂｍｐの９５％タイル誤差で、優れたパフォーマンスを達成することを示す。睡眠の段階分けに関しては、ＳＭＡＲＳは、８５．２％の驚くべき精度であり、一方、市販のソリューション、例えば、接触センサに基づくＥＭＦＩＴおよびレーダを使用するＲｅｓＭｅｄは、それぞれたった６９．８％および８３．７％の精度を有する。２）ＲＦ系呼吸モニタが最近リリースしたデータセットでＳＭＡＲＳを更に実証できる。データセットは、グラウンドトルースとして臨床的にラベル付けされたＰＳＧデータを使用して、４つの最先端の呼吸モニタシステムを比較評価するために２０人の患者の一晩の睡眠を収集した。４つのシステムすべて（それぞれＺｉｇＢｅｅ、Ｓｕｂ－ＲＳＳ無線、ＵＷＢレーダ、およびＷｉＦｉ ＣＳＩに基づく）は、約２～３ｂｐｍの有意なメジアン誤差および１０ｂｐｍあたりまたは約１０ｂｐｍの９５％タイル誤差を生成する。比較として、ＳＭＡＲＳは、メジアン誤差は０．６６ｂｐｍまで、および９５％タイル誤差は３．７９ｂｐｍまで減少させることによって有意な向上を達成する。有望なパフォーマンスを達成することによって、ＳＭＡＲＳは、毎日および定期的に実際に使用するために臨床的に意味のある睡眠モニタを提供することができ、日常生活で個人の健康をモニタする将来のスマートホームに向けて重要なステップを進んでいる。
ごく簡潔に言うと、ここでのコアコントリビューションは、ＳＭＡＲＳであり、これは、コモディティの既製のＷｉＦｉデバイスを使用して、使用場所で高精度なおよび瞬間の呼吸推定を達成することによって、スマートホームに住人の睡眠を段階分けできるようにする最初のシステムである。ＳＭＡＲＳはまた、ＣＳＩにおける動きを理解および捕捉するために第１の統計的モデルに寄与し、無線センシングの様々な用途を一新する。
図３５は、本開示の一実施形態による、開催場所におけるバイタルサインの検出およびモニタのための例示的なネットワーク環境３５００を示す。図３５に示すように、例示的なネットワーク環境３５００は、送信機３５１０、アンテナ３５１２、無線チャネル３５３０、アンテナ３５２２、および受信機３５２０を含む。アンテナ３５１２は送信機３５１０に電気的に結合されている。アンテナ３５２２は受信機３５２０に電気的に結合されている。
一実施形態では、送信機３５１０は場所内の第１の位置に配置される。一方、受信機３５２０は場所内の第２の位置に配置されている。送信機３５１０は、無線チャネル３５３０を介して無線信号を送信するように構成される。この例における無線チャネル３５３０は、場所内のオブジェクトの擬似周期的な動きによって影響を受ける無線マルチパスチャネルである。様々な実施形態によれば、オブジェクトは人間（例えば、赤ちゃん３５４２、または患者３５４６）またはペット（例えば、子犬３５４４）であり得る。この例における受信機３５２０は、無線マルチパスチャネル１３０を介して無線信号を受信し、無線信号に基づいて無線マルチパスチャネルの少なくとも１つのＴＳＣＩを取得する。オブジェクトの動きは無線信号が送信される無線マルチパスチャネルに影響を与えるので、無線信号から抽出されたＣＩ３５２５はオブジェクトの動きに関する情報を含む。
様々な実施形態において、送信機３５１０は、場所に配置されたボット（Bot）またはＴｙｐｅ１装置の一部であり、一方、受信機３５２０は、場所に配置されたオリジン（Origin）またはＴｙｐｅ２装置の一部であり得る。様々な実施形態において、ボットおよび／またはオリジンは、複数の送信機、複数の受信機、および／または複数の送受信器を含み得る（図示せず）。一実施形態では、アンテナ３５１２および／またはアンテナ３５２２は、それぞれが異なる方向を向く複数のビームを形成することができるマルチアンテナアレイと置き換えられる。送信機３５１０は、異なる種類または機能を有する信号を無線で送信するように構成することができる。同様に、受信機３５２０は、異なる種類または機能を有する無線信号を受信するように構成される。一実施形態では、送信機３５１０は少なくとも１つのアンテナを有する。受信機３５２０は少なくとも１つのアンテナを有する。少なくとも１つのＴＳＣＩのそれぞれは、送信機３５１０の少なくとも１つのアンテナのうちの１つおよび受信機３５２０の少なくとも１つのアンテナのうちの１つに関連付けられ得る。
図３６は本開示の一実施形態による、バイタルサインの検出およびモニタのためのシステムの例示的なシステム３６００のブロック図を示す。図３６に示されるように、例示的なバイタルサインモニタシステム３６００は、バイタルサイン推定器３６１０とシステム状態コントローラ３６２０とを備える。バイタルサイン推定器３６１０は、受信機３５２０によって生成されたＣＩ３５２５であり得るＴＳＣＩ（ＴＳＣＩ）３６０５の入力を受信する。様々な実施形態によれば、システムは、それらがバイタルサインを表すか否かにかかわらず、様々な周期的および擬似周期的な動きを検出およびモニタすることができる。
一実施形態では、システム３６００は、送信機３５１０、受信機３５２０、およびそれらのそれぞれのアンテナも備えることができる。バイタルサイン推定器は、送信機３５１０、受信機３５２０、追加の送信機、追加の受信機、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のうちの少なくとも1つに接続される。
一実施形態では、バイタルサイン推定器３６１０は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩ３６０５の少なくとも一部が、場所内のオブジェクトの擬似周期的動きに関連していると判定し、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩ３６０５の少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩ３６０５の少なくとも一部分、および過去のスライディング時間窓内のオブジェクトの擬似周期的動きに関連する過去の特徴のうちの少なくとも１つに基づいて、現在のスライディング時間窓におけるオブジェクトの疑似周期的動きに関係する現在の特徴（例えば、繰り返し速度（repetition rate）、呼吸数（breathing rate））を計算するように構成される。ここで、ＴＳＣＩの「部分」は、現在の時間窓または過去の時間窓などの対応する時間窓内のそれらのＣＩであり得る。計算は、少なくとも１つのＴＳＣＩ３６０５の少なくとも１つの部分の現在のスライディング時間窓と、少なくとも１つのＴＳＣＩ３６０５の少なくとも１つの部分の過去のスライディング時間窓との間の比較に基づいてもよく、過去の特徴に基づいてもよい。繰り返し速度（例えば呼吸数）は、繰り返し頻度（例えば呼吸数）、例えば２０ｂｐｍで表すことができる。それはまた、呼吸頻度に対応する期間であり得て、例えば２０ｂｐｍで3秒（60/20=3）である。
一実施形態では、バイタルサイン推定器３６１０は、オブジェクトの擬似周期的運動に関する現在の特徴をリアルタイムで利用可能にするようにさらに構成され、時間が進むにつれて、現在のスライディング時間窓をシフトサイズだけ移動する。
一実施形態では、システムは、場所内の第３の位置に配置され、場所内のオブジェクトの擬似周期的運動によって影響を受ける追加の無線信号を無線マルチパスチャネル１３０を介して送信するように構成される追加の送信機と、場所内の第４の位置にあり、無線マルチパスチャネルを通じて追加の無線信号を受信し、追加の無線信号に基づいて無線マルチパスチャネル１３０の追加のＴＳＣＩを取得するように構成される追加の受信機とを含む。一実施形態では、バイタルサイン推定器３６１０は、現在のスライディング時間窓内の追加のＴＳＣＩの少なくとも一部分が場所内のオブジェクトの疑似周期的動きに関連することを判定し、現在のスライディング時間窓におけるオブジェクトの擬似周期的動きに関連する現在の特徴を、現在のスライディング時間窓における追加のＴＳＣＩの少なくとも一部、追加の過去のスライディング時間窓における追加のＴＳＣＩの少なくとも一部、および追加の過去のスライディング時間窓におけるオブジェクトの擬似周期的な動きに関連する過去の特徴の少なくとも１つに基づいて計算するように、さらに構成される。この実施形態を実施するために、システムは、２つ以上の対のボットおよびオリジンを含むことができ、各対は独立したＣＩを生じさせる。繰り返し速度（例えば呼吸数）は、個々の対に基づいて個々に計算されてもよく、または両方の対に基づいて共同で計算されてもよい。2つの異なるボットーオリジンのペアの結果を組み合わせることができる。各ペアは、繰り返し速度（例えば呼吸数）を得るために異なる方法を使用してもよい。閾値は異なる場合がある。２つのペアは共通のボット、または共通のオリジンを持つことができる。
別の実施形態では、２つ以上の疑似周期的オブジェクトの動きが同時にモニタされる。例えば、２人の人々の同じ現在の特徴（例えば、繰り返し速度、呼吸数）は、ＣＩの同じ現在のスライディング窓に基づいて計算される。この場合、バイタルサイン推定器３６１０はさらに、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分が場所内の追加のオブジェクトの追加の擬似周期的動きに関連すると判定するように構成され、ここで、無線マルチパスチャネルは、追加のオブジェクトの追加の擬似周期運動によって現在のスライディング時間窓内でさらに影響を受け、現在のスライディング時間窓内の追加のオブジェクトの追加の擬似周期的な動きに関連する現在の特徴を、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、過去のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分、およびの過去のスライディング時間窓内の追加オブジェクトの追加の擬似周期運動に関連する過去の特徴のうちの少なくとも１つに基づいて計算する。一例では、擬似周期的動きは呼吸を表すが、追加の擬似周期的動きは心拍を表す。
別の実施形態では、擬似周期的動きを有するオブジェクトの数が推定される。この実施形態では、バイタルサイン推定器３６１０は、無線マルチパスチャネルが現在のスライディング時間窓内で複数のオブジェクトの擬似周期的動きによって影響を受けていると決定し、現在のスライディング時間窓における複数のオブジェクトの擬似周期的動きに関連する現在の特徴を、現在のスライディング時間窓における少なくとも１つのＴＳＣＩの少なくとも一部、過去のスライディング時間窓における少なくとも１つのＴＳＣＩの少なくとも一部、および過去のスライディング時間窓における複数のオブジェクトの擬似周期的な動きに関連する過去の特徴のうちの少なくとも１つに基づいて計算し、現在の特徴に基づいて複数のオブジェクトの数を推定するように、さらに構成される。
この例におけるシステム状態コントローラ３６２０は、システムが、バイタルサインの特徴（例えば、呼吸数）および／またはオブジェクトの量（例えば、呼吸している人）の推定値を含む、正確なバイタルサイン推定３６２５を出力するために、システム３６００のパラメータ（例えば、異なる状態下のピーク検出閾値）を調整するように構成された有限状態機械（ＦＳＭ）を含み得る。一実施形態では、システム状態コントローラ３６２０は、有限状態機械（ＦＳＭ）に基づいて、決定閾値、閾値Ｔ１、閾値Ｔ２、選択された有意な局所ピークの周波数に関連する下限、選択された有意な局所ピークの周波数に関連する上限、探索範囲、および選択された有意な局所ピークの選択に関連するパラメータのうちの少なくとも１つを適応的に計算するように構成される。ＦＳＭは、初期（ＩＮＩＴ）状態、検証状態、ピークファウンド状態、および動作状態のうちの少なくとも１つを含み得る。
一実施形態では、システム状態コントローラ３６２０はさらに以下のように構成される。すなわち、少なくとも１つの所定の方法でＦＳＭのＩＮＩＴ状態に入ること、ＩＮＩＴ状態において第１の方法で適応的に閾値を計算すること、閾値に基づいてイベントを検出すること、少なくとも１つの遷移基準に基づいて、ＩＮＩＴ状態からＦＳＭの異なる状態に遷移すること、異なる状態において第２の方法で適応的に閾値を計算すること、である。別の実施形態では、システム状態コントローラ３６２０はさらに以下のように構成される。ＦＳＭのＩＮＩＴ状態に入ること、第１の方法で閾値を適応的に計算すること、 閾値と、少なくとも１つの選択された有意な局所ピークおよび関連する特性のセットの少なくとも１つとに基づいてイベントを検出すること、閾値および残りのスペクトルエネルギーに基づいて過度のバックグラウンド干渉運動を検出すること、 イベントが「検出されない」と判断され、過度のバックグラウンド干渉運動が「検出されない」と判断されると、ＩＮＩＴ状態に留まること、イベントが予備的に「検出された」と判断されかつ検出されたイベントが検証する必要があると判断されるとＩＮＩＴ状態から検証状態へ遷移すること、過度のバックグラウンド干渉運動が「検出された」と結論付けられたとき、ＩＮＩＴ状態からＭｏｔｉｏｎ状態に遷移すること、である。
別の実施形態では、システム状態制御装置３６２０は検証状態においてさらに以下のように構成される。すなわち、第２の方法で適応的に閾値を計算する、予備的に検出された検出されたイベントの検証のために、少なくとも１つの隣接するスライディング時間窓における選択された有意な局所ピークの組および関連する特性に基づいて少なくとも１つの統計を累積し計算する、検証のために十分な統計が収集されるまで、少なくとも１つの統計が蓄積されている間、検証状態にとどまる、閾値および少なくとも１つの統計に基づいて、事前に検出されたイベントを検証する、事前に検出されたイベントが「確認済み」と判断されたときに、検証状態からピークファウンド状態に遷移する、検証が「検証されていない」と判定されたときに検証状態からＩＮＩＴ状態に遷移し、検証が終了されていないときは検証状態に留まる、である。
別の実施形態では、システム状態コントローラ３６２０はピークファウンド状態においてさらに以下のように構成される。すなわち、第３の方法で閾値を適応的に計算すること、閾値と、選択された有意な局所ピークおよび関連する特徴のセットの少なくとも１つとに基づいてイベントを検出すること、閾値および残りのスペクトルエネルギーに基づいて過度のバックグラウンド干渉運動を検出すること、検証されるイベントが「検出された」と判断される場合、ピークファウンド状態にとどまること、検証されたイベントが、何度も「検出されなかった」と判断された場合、ピークファウンド状態からＩＮＩＴ状態に遷移すること、そして、過度のバックグラウンド干渉運動が多数の時間インスタンスについて「検出された」と結論付けられると、ピークファウンド状態からモーション状態に遷移すること、である。
異なる実施形態では、システム状態制御装置３６２０は動作状態においてさらに以下のように構成される。すなわち、第４の方法で閾値を適応的に計算する、閾値および残りのスペクトルエネルギーに基づいて過度のバックグラウンド干渉運動を検出する、過度のバックグラウンド干渉運動が「検出された」と判断されたときにモーション状態に留まり、過度のバックグラウンド干渉運動が「検出されなかった」といくつかの時間インスタンスで判断されたときモーション状態からＩＮＩＴ状態に遷移する、である。
図３７は、本開示の一実施形態による、バイタルサインの検出およびモニタのための、図３６のバイタルサイン推定器３６１０の例示的なブロック図を示す。図３７に示すように、この例におけるバイタルサイン推定器３６１０は、ＣＩプロセッサ３７１０、スペクトルアナライザ３７２０、エネルギースペクトル正規化器３７３０、ピーク検出器３７４０、呼吸数推定器３７５０、およびリアルタイム更新器３７６０を含む。
一実施形態では、ＣＩプロセッサ３７１０、スペクトルアナライザ３７２０、およびエネルギースペクトル正規化器３７３０は、時間ドメインおよび周波数ドメインの両方で現在のスライディング時間窓内の少なくとも１つのＴＳＣＩを処理するように構成され、一方、ピーク検出器３７４０は、周波数ドメインにおける少なくとも１つのピークを検出するように構成され、それにより、オブジェクトの擬似周期的運動に関連する現在の特徴は、周波数ドメインにおける少なくとも１つのピークに基づいて計算される。
一実施形態では、現在のスライディング時間窓内の少なくとも1つのＴＳＣＩの特定の部分の各ＣＩについて、この例のＣＩプロセッサ3710は、次のように構成されている。ＣＩのＮ１個（１より大きい整数）の周波数ドメインコンポーネントを取得する、ＣＩに関連するタイムスタンプを決定する、Ｎ１個の周波数ドメインコンポーネントを前処理する、である。前処理は、Ｎ１個の周波数ドメインコンポーネントの位相をきれいにすることと、Ｎ１個の周波数ドメインコンポーネントが１の総電力を有するようにＮ１個の周波数ドメインコンポーネントを正規化することとを含むことができる。この場合、オブジェクトの擬似周期的運動に関する現在の特徴は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定の部分のＣＩの前処理されたＮ１個の周波数ドメインコンポーネントに基づいて計算される。
別の実施形態では、現在のスライディング時間窓内の少なくとも1つのＴＳＣＩの特定の部分の各ＣＩについて、この例のスペクトルアナライザ３７２０は、次のように構成される。逆周波数変換を使用してＣＩのＮ１個の周波数ドメイン成分をＣＩのＮ２個の時間ドメイン係数に変換し、Ｎ２個の時間ドメイン係数のうちの最初のＣ個を保持する。ここで、ＣはＮ２以下である。各ＣＩはタイムスタンプと関連付けられてもよい。Ｎ２はＮ１以上。Ｎ２個の係数のそれぞれは、時間遅延と関連付けられてもよい。逆周波数変換は、以下のうちの少なくとも１つを含む。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のべき乗変換、ゼロパディングと変換の組み合わせ、およびゼロ詰めによる逆フーリエ変換。この例におけるスペクトルアナライザ３７２０は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定の部分のすべてのＣＩのタイムスタンプを、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間隔をあけるように補正するように構成される。タイムスタンプを修正することは、以下を含み得る。補正されたタイムスタンプを有する時間補正されたＣＩによって置換されるべき特定のタイムスタンプを有する特定のＣＩを識別し、補正されたタイムスタンプに関連付けられた補間フィルタを使用して、補正されたタイムスタンプにおける時間補正されたＣＩのＣ個の保持時間ドメイン係数を計算することによって時間補正ＣＩを計算する。この場合、オブジェクトの擬似周期的運動に関する現在の特徴は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定の部分の時間補正されたに基づいて計算される。
スペクトルアナライザ３７２０はさらに、Ｃ個の保持時間ドメイン係数（retained time domain coefficient）のそれぞれについて、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定部分の各ＣＩの対応する保持時間ドメイン係数を識別し、全ての対応する識別された保持時間ドメイン係数に帯域通過フィルタを適用し、そして全ての対応する識別された保持時間ドメイン係数に周波数変換を適用するように構成される。周波数変換の長さは、その部分の長さ以上である。この場合、オブジェクトの擬似周期的運動に関する現在の特徴は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定の部分のＣＩのそれぞれの対応する保持時間ドメインに適用される周波数変換の出力に基づいて計算される。
スペクトルアナライザ３７２０はさらに、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定の部分のＣＩの各対応する保持時間ドメイン係数に適用される周波数変換の出力を処理するように構成することができる。一実施形態では、この例のスペクトルアナライザ３７２０は、以下のように構成される。少なくとも１つのＴＳＣＩの各ＣＩに関連するタイムスタンプを決定すること、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定の部分の全ＣＩのタイムスタンプを補正して、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一様に間隔を空けられるようにすること、修正されたタイムスタンプに関して時間修正されたＣＩ上でオペレーションを実行すること、である。この場合、オブジェクトの擬似周期的動きに関する現在の特徴は、オペレーションの出力に基づいて計算される。この例におけるエネルギースペクトル正規化器３７３０は、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの特定の部分のＣＩの各対応する保持時間ドメイン係数に適用される周波数変換の出力を処理するように構成され得る。ここで、処理は、平均化、加重平均化、選択された周波数にわたる平均化、選択された時間ドメイン係数にわたる平均化、およびアンテナリンクにわたる平均化のうちの少なくとも１つを含む。アンテナリンクにわたる平均化は、少なくとも１つのＴＳＣＩにわたる重み付け平均化であり得る。選択された時間ドメイン係数にわたる平均化は、Ｃ個の保持された時間ドメイン係数にわたる重み付け平均化であり得る。
この例におけるピーク検出器３７４０は、周波数ドメインにおいて少なくとも１つの極大値および少なくとも１つの極小値を識別し、互いに隣接する極大値および極小値の各対に対して少なくとも１つの局所信号対雑音比様（ＳＮＲ様（ＳＮＲ－ｌｉｋｅ））パラメータを計算し、そして、それぞれが、第１の閾値Ｔ１よりも大きいＳＮＲ様パラメータを有する極大値および閾値Ｔ２よりも大きい振幅を有する極大値のうちの少なくとも１つである有意な局所ピークを識別するように構成される。少なくとも１つの極大値および少なくとも１つの極小値は、持続性に基づく手法を使用して周波数ドメインにおいて識別され得る。
この例における呼吸数推定器３７５０は、選択基準に基づいて一組の識別された有意な局所ピークから一組の選択された有意な局所ピークを選択するように構成される。この場合、オブジェクトの擬似周期的運動に関連する現在の特徴は、選択された有意な局所的ピークのセットと、選択された有意な局所的ピークのセットに関連する周波数値とに基づいて計算される。呼吸数推定器３７５０はさらに以下のように構成することができる。一組の選択された有意な局所ピークを除去した状態で、残りのスペクトルに関する情報を計算し、および、残りのスペクトルの残りのスペクトルエネルギー、適応しきい値、および有限状態機械の少なくとも１つに基づいて、オブジェクトの擬似周期的運動に関連する現在の特徴に関連するイベントを検出する。ここでイベントは、存在、不在、出現、消失、定常的挙動、および非周期的運動、過渡的運動、強い運動、弱い運動、強いバックグラウンド干渉と他の周期的な動きのうちの少なくとも一つの非定常的な行動のうちの少なくとも一つを含む。この例におけるリアルタイム更新器３７６０は、呼吸数推定器３７５０によって生成された呼吸数推定を定期的に更新するように構成される。
図３８は 本発明の一実施形態による、バイタルサインの検出およびモニタのための例示的な方法のフローチャートを説明する。例えば、本実施例の開示による呼吸の検出と呼吸数の推定である。動作３８０２において、チャネル周波数応答（ＣＦＲ）取得が実行される。例えば、図３７のＣＩプロセッサ３７１０による。一実施形態では、ＣＩプロセッサ３７１０は既製のＷｉＦｉチップからＣＦＲを取得する。例えば、最大２０ｄＢｍの送信電力で５ＧＨｚのＷｉＦｉチャネル上のＣＦＲフレームにおいて１１４サブキャリアを取得することができる。動作３８０４において、ＣＦＲサニタイズ処理が例えば図３７のＣＩプロセッサ３７１０により行われる。一実施形態では、ＷｉＦｉ送信機と受信機との間の避けられない位相ずれのために、ＣＦＲに深刻な位相歪みが存在する。この問題を解決するために、従来の線形回帰法によってＣＦＲの位相をきれいにすることができる。きれいにされたＣＦＲを、サブキャリアｋ上にＧ［ｋ］として書くことができる。動作３８０６において、ＣＦＲ正規化が例えば図３７のＣＩプロセッサ３７１０により行われる。一実施形態では、ＣＦＲの受信電力は時間的に変化する。残念なことに、採用されたＣＦＲチップに自動利得制御（ＡＧＣ）値がないと、受信電力は測定不可能である。したがって、各ＣＦＲが単位電力を有するように、すべてのサブキャリアにわたってＣＦＲを正規化することができる。この手順では情報が失われるが、それでもパフォーマンスが大幅に向上する。ここで、異なるサブキャリアおよび異なる時間インスタンスで捕捉されたＣＦＲを、次元Ｋ×Ｎを有するＣＦＲ行列Ｇとして書くことができ、ここでＮは収集されたＣＦＲフレームの数である。行列は次のように与えられる。
Figure 2023109822000052
 ここで、tiは、ｉ番目のＣＦＲが捕捉される時間インスタンスを表し、Sjはｊ番目のサブキャリアのサブキャリアインデックスを表す。
動作３８０８において、逆フーリエ変換（ＩＦＦＴ）が例えば図３７のスペクトルアナライザ３７２０により行われる。一実施形態では、ＩＦＦＴを使用して雑音除去するために、フィルタリングされたＣＦＲを時間ドメインＣＩＲに変換することができる。IFFTが性能を向上させることができる理由は以下の通りである。大きい時間遅れを持つマルチパスコンポーネント（MPC）に含まれる有用な信号は主にＥＭ波の伝搬距離に関連する重大な減衰のために、小さい時間遅れを持つMPCより重要ではない。ＩＦＦＴを使用することによって、最初のいくつかのチャネルタップに集中し、大きな時間遅延を伴うチャネルタップを無視することができる。時刻tiのＣＩＲは次の形式をとる。
Figure 2023109822000053
動作３８１０において、タイムスタンプ補正が例えば図３７のスペクトルアナライザ３７２０により行われる。一実施形態ではタイムインスタンスtiは(i-1)Tsとして書かれ、ここでTsはＣＦＲサンプリング間隔である。それにもかかわらず、実際には、他の無線システムが呼吸追跡システムと共存する可能性がある。衝突回避を伴う搬送波検知多重アクセス（ＣＳＭＡ／ ＣＡ）メカニズムのために、ＷｉＦｉパケットの送信は無線で（over the air）一様にスケジュールされていない。より具体的には、ＷｉＦｉデバイスは送信前に媒体を探査するであろう。他のいくつかのＷｉＦｉ装置がパケットを送信している場合、同じエリア内の他のＷｉＦｉネットワークは、しばらくの間バックオフし、黙らなければならず、進行中のＷｉＦｉトラフィックが存在するかどうかを確認するために再び媒体を探査しなければならない。したがってもはや、ti=(i-1)Tsと仮定することはできない。
この問題を解決するために、補間技術に目を向けることができる。内挿する正確な時間インスタンスは、単位ステップサイズTsで[t0、tN-1]として定義できる。その後、実際のタイムスタンプ t0, t1, t2, ・・・tN-1に基づいて正確な時刻インスタンスに対して線形補間を実行できる。これは、次のように書くことができる時間的に補正されたＣＩＲをもたらす。
Figure 2023109822000054
動作３８１２において、バンドパスフィルタリングが、例えば図３７のスペクトルアナライザ３７２０により行われる。一実施形態では、ＣＦＲは標準スペクトル分析ツールを使用して分析することができる。安静時の平均的な成人の呼吸数は１２から１８ＢＰＭの範囲である。一方、乳児の呼吸数は４０ＢＰＭにもなるが、高齢者の呼吸数は１０から３０ＢＰＭである。したがって、バンドパスフィルタリングを使用して高周波および低周波のノイズを除去し、呼吸信号を時間にわたりより安定させることができる。これは、次のステップとしてFFTによるスペクトル解析の基礎を築きます。たとえば、バンドパスフィルタの通過帯域を8BPMから42 BPMに設定でき、これは０．１３３から０．７ Ｈｚになります。ＭＡＴＬＡＢ（登録商標）のフィルタツールボックスによって生成された係数を持つ、８１タップの有限インパルス応答（FIR）フィルタを採用することができる。減衰量は、最初の阻止帯域で［－３２ ｄＢ］（［０．８］ ＢＰＭ）、右側の阻止帯域で［－４０ ｄＢ］（［４２，３００］ ＢＰＭ）である。（サウンディングレートが１０ Ｈｚの場合、最大分解可能周波数は５Ｈｚで、言い換えると３００ＢＰＭになります）。ｈ０、ｈ１、・・・ｈH-1をフィルタ係数とすると、フィルタ処理されたＣＦＲ行列は次のように書くことができる。
Figure 2023109822000055
 として与えられる。
動作３８１４において、 例えば図３７のスペクトル分析器３７２０によって、高速フーリエ変換（ＦＦＴ）によるスペクトル分析が行われる。一実施形態では、各チャネルタップのＣＩＲに対してＦＦＴを実行することができ、これはＫ 'スペクトル推定につながる。u番目の周波数ビンのk番目のタップのエネルギースペクトルは、次のように与えられる。
Figure 2023109822000056
 スペクトル分解能はΔf=1/(N”×Ts)である。スペクトルの関心対象範囲が[ｆ１、ｆ２]である（人間の呼吸数は狭い範囲に限定されている）と仮定すると、関心対象の周波数ビンの範囲は次のように書くことができる。
[u1=ceil[f1× N”ｘTs], u2=floor[f2 × N”xTs]]。
呼吸信号の高調波（harmonic）をさらに考慮に入れると、周波数ビン範囲を、[ -u2,-u1]∪[u1,u2]に拡大することができる。それから、次のように与えられる折り畳まれたエネルギースペクトルを導くスペクトル折りたたみを実行することができる。
Figure 2023109822000057
動作３８１６において、例えば図３７のエネルギースペクトル正規化器３７３０によって、チャネルタップにわたる平均化が実行される。 一実施形態では、呼吸信号のエネルギーは最初の数回のＣＩＲタップに集中するので、インデックスが［０、Ｓ－１］の範囲内にあるチャネルタップにわたって平均をとることができ、ここではＳはストライプ幅と呼ばれる。平均化されたエネルギースペクトルは、つぎのように与えられる。
Figure 2023109822000058
動作３８１８において、例えば図３７のエネルギースペクトル正規化器３７３０によって、アンテナリンクにわたる平均化が実行される。一実施形態において、開示されたシステムはＭＩＭＯ（多入力多出力）システムである。このように、無線通信においてダイバーシティを生じさせる送信機および受信機のどちらかの端または両端に常に複数のアンテナが存在する。ここで、呼吸追跡の全体的な性能を改善するために、ＭＩＭＯシステムに複数のアンテナリンクを組み込むこともできる。全部でＭ個のリンクのうちの各アンテナリンクｍについて、
Figure 2023109822000059
続いて、次のように、利用可能なアンテナリンクにわたる平均エネルギースペクトルを計算することができる。
Figure 2023109822000060
 更なる処理の便宜のために、線形スケールのエネルギースペクトルをそのｄＢスケールの対応物に変換することができる。
Figure 2023109822000061
動作３８２０において、ピーク検知が、例えば図３７のピーク検知器３７４０により行われる。
Figure 2023109822000062
 これらのピークを抽出するために、持続性に基づくアプローチを利用して複数対の極大値および極小値を得ることができる。極大値Ｐｍａｘ ［ｉ］および極小値Ｐ ｍｉｎ ［ｉ］のｉ番目の対について、それらの差をν ｉ ＝ Ｐ ｍａｘ－Ｐ ｍｉｎとして評価することができ、これは、ｉ番目のピークについての信号対雑音比（ＳＮＲ）と見なすことができる。ここで、エネルギースペクトル内で合計Ｕ個の検出ピークを仮定すると、さらなるピークフィルタリングのための特徴として、ピーク振幅｛Ｐｍａｘ ［ｉ］｝i=1,2,・・,Uおよび局所ピークＳＮＲ｛ν［ｉ］｝i=1,2,・・,Uの両方を使用することができる。
特に、これらのピークの振幅とＳＮＲを、それぞれ２つの閾値、すなわち
Figure 2023109822000063
動作３８２２において、呼吸数推定が、例えば図３７の呼吸数推定器３７５０により行われる。一実施形態では、前のステップの後に残っている合計Ｕ’個のピークおよびＰ個の呼吸速度が検出されると仮定すると、Ｕ’個のピークからトップＰを選び出し、
Figure 2023109822000064
 （Ｐ＞ Ｕ 'のとき、（Ｐ－Ｕ'）／ Ｐのミス検出率を被る可能性がある。 一方、Ｐ ＜Ｕ 'のとき、（Ｕ'－Ｐ）／ Ｕ'）の誤アラーム率に悩まされる可能性がある。）
Figure 2023109822000065
動作３８２４において、呼吸数推定のリアルタイムアップデートが、例えば図３７のリアルタイムアップデート器３７６０により行われる。一実施形態では、開示された呼吸モニタシステムは、定期的に呼吸数推定値を更新し続ける。ここでは、窓サイズＣｗｉｎｄｏｗとシフトサイズＣｓｈｉｆｔの別の２つのパラメータを定義でき、どちらもサンプル数で測定される。サンプルインデックス［０、Ｃｗｉｎｄｏｗ－１］を用いてＣＦＲのスペクトル分析を実行することによって第１セットの呼吸数推定値が生成され、サンプルインデックス［Ｃｓｈｉｆｔ、Ｃｗｉｎｄｏｗ ＋Ｃｓｈｉｆｔ－１］を用いてＣＦＲについて同じ手順によって第２セットの呼吸数推定値が生成される。２つの隣接窓間の重なりは、Ｃｗｉｎｄｏｗ－Ｃｓｈｉｆｔとして与えらる。Ｃｓｈｉｆｔが小さいほど、プロンプタ(prompter)によるリアルタイムの更新レートが得られる。
現実的な環境設定では、他の人々および／またはオブジェクトからの動きが常に存在し、それが呼吸追跡システムに動きの干渉をもたらす。同時に、モニタ被験者の動きも干渉を注入する。どちらのタイプの干渉もパフォーマンスを大幅に低下させます。
この問題に照らして、有限状態機械（ＦＳＭ）を用いてシステムを補完することができ、例えば、いくつかの状態から構成されるシステム状態制御装置３６２０において、システムが異なる状態下でピーク検出閾値などのそのパラメータを自動的に調整することができるように、呼吸モニタシステムへ構成する。一実施形態では、ＦＳＭには４つの異なる状態があり、それらは以下に示され、図３９に示される。便宜上、遷移は一人用呼吸モニタの場合の下に示されている。ピークサーチ範囲を[u1、u2]と表すことができる。
第１に、ＦＳＭはＩＮＩＴ状態３９１２を有する。これは、システムの電源が入ったときのデフォルトの状態である。
Figure 2023109822000066
 特定のＣＦＲ時間窓ｗに対して、
Figure 2023109822000067
 ここでＰｍｏｔｉｏｎが動き検出のための閾値である場合、ＦＳＭは、現在の時間窓が重大な動き干渉を受けていることを示すために動き状態（state Motion）に切り替える。そうでなければ、現在の状態のままになる。ＩＮＩＴ状態の出力は、呼吸数推定値を定式化できないことを意味するP×1オールゼロベクトルである。また、この状態でシステムはピークサーチ範囲を[u1、u2]に戻す。
第２に、ＦＳＭは検証状態３９１４を有する。偽のピークの検出を避けるために、ピークが検出され得る回数を連続して記録するために内部カウンタを使用することができる。ピークがγ個の時間窓の連続について検出され得る場合、システムはその状態を状態ピークファウンドに切り替える。ピークが弱くなると、ＦＳＭはＩＮＩＴ状態に切り替わる。
Figure 2023109822000068
 そうでなければ、システムは現在の状態のままになる。この状態の出力はP×1呼吸数推定である。この状態では、システムは推定された呼吸数の隣接領域にズームインする。
Figure 2023109822000069
 更新された検索範囲の開始インデックスと終了インデックスである。ここでΔＳはサーチ範囲の大きさを示す。
第３に、ＦＳＭはピークファウンド状態３９１６を有する。ここで、システムは真正のピークが検出されたと判断し、呼吸数推定値として使用することができる。潜在的なエラー伝播を防ぐために、システムは検証状態に示すように2つのしきい値を更新しなくなる。ピークが弱くなると、システムはＩＮＩＴ状態に戻る。
Figure 2023109822000070
 この状態の出力はP×1呼吸数推定である。また、呼吸数推定値に基づいて探索範囲が更新される。
第４に、ＦＳＭは動き状態３９１８を有する。この状態では、システムは、強い動きがあるために信頼できる呼吸数推定値を生成することはできないと判断する。
Figure 2023109822000071
 この状態の出力は、最新の検証またはピークファウンド状態で定式化されたＰ×１呼吸数推定である。ＦＳＭを使用して単一人の場合の動き干渉の問題を克服するという考えは、複数のＦＳＭを並行して実行し、各ＦＳＭが１人の特定の人の状況を捕捉することによって、複数人の場合に拡張することができる。異なる人々に関連するＦＳＭは互いに対話する、すなわちそれらは独立していない。ＦＳＭをより予測可能にするために、図４０に示されるように、以下の規則を定義することができる。
規則１：最初に動作するＦＳＭは、常にその周波数範囲で最も強いピークを選択する。例えば、ＦＳＭ（ｉ）として示されるｉ番目のＦＳＭは、その探索範囲内［ｕ’１，ｉ，ｕ’２，ｉ］で最も強いピークを選択する。
規則２：呼吸数推定値の重複を避けるために、各時間窓で２つのＦＳＭが同じピークを選択することはできない。
Figure 2023109822000072
 この規則は次の問題を取り扱えないかもしれない：２人の人が異なる呼吸数で呼吸していること。一人の人の呼吸数は増加し、他の人は減少する。遅かれ早かれ、これら２つの呼吸数は互いに一致し、開示されたＦＳＭは第２の人の呼吸数を得ることができない（ランデブー問題）。
規則3：呼吸の高調波をカプセル化するピークを選択する状況を回避するために、
Figure 2023109822000073
 少なくとも１つのそのようなピークが見いだされ得る場合には、ＦＳＭ（ｉ）はその探索範囲内の次の有意なピークを選択し続ける。そうでなければ、ＦＳＭ（ｉ）は検出ピークとして
Figure 2023109822000074
 を使用し、そして同じ手順が他のＦＳＭについても順次繰り返される。
図４０は、２つのＦＳＭが２つのピークを順次選択する例を視覚化している。両方のピークが閾値の基準を満たすと仮定することができる。時間ｔ１４００２において、ＦＳＭ １はエネルギースペクトルを検索し、ピーク１ ４００２、４００６として示される最も強いピークを選ぶ。その後、ＦＳＭ（２）が来てピーク１ ４００２、４００８を選択しようと試みる。しかしながら、最初のピークはすでにＦＳＭ（１）によって取られているので、ＦＳＭ（２）はその選択をあきらめてピーク４００４、４０１０に進む。
上記で開示されたピーク検出およびＦＳＭの実施形態に加えて、図４１は、本開示の別の実施形態による、バイタルサイン推定のための例示的方法４１００のフローチャートを示す。図４１に示されるように、ピークを選択する際に閾値が存在しなくてもよい。上述のように、バイタルサイン推定器３６１０は呼吸モニタシステムの中核部分である。バイタルサイン推定器３６１０は、チャネル状態情報（ＣＳＩ）正規化４１０２、ＣＳＩサニタイズ４１０４、周波数ドメインＣＳＩから時間ドメインチャネルインパルス応答（ＣＩＲ）への変換４１０６、帯域通過フィルタリング４１０８、スペクトル分析４１１０、スペクトル合成（タップおよび／またはアンテナリンクにわたる平均化）４１１２、およびピーク抽出４１１４を実行する。毎回、バイタルサイン推定器３６１０においてＮ個のサンプルエポックで収集されたＮ個のＣＳＩを供給することができ、ＮはＣＳＩブロックサイズである。
Figure 2023109822000075
 プロセスは各ＣＳＩブロックｉについて繰り返されてもよい。
図４２は本発明の一実施形態による、一人用モニタのためのＦＳＭの例示的な状態遷移を示す図である。
図４２に示すように、
Figure 2023109822000076
 ｉ＝０、１、２、・・・、Ｉ－１について順次制御エンジンに転送され、呼吸数推定値４２１２を出力する。制御エンジンは、初期化（ＩＮＩＴ）、検証入口（ＶＥＲ－Ｅｎｔｅｒ）、ピークファウンド（ＰＦ）、および検証出口（ＶＥＲ－Ｅｎｄ）の４つの状態を含むＦＳＭ４２１０によって権限を与えられる。ＩＮＩＴは、ピーク検出器が極大値を取得するデフォルトの状態である。ＶＥＲ－Ｅｎｔｅｒは、検出されたピークの時間的一貫性を評価するために使用される。ＰＦは、呼吸数推定値を生成する、一時的に一貫したピークの検証に成功した後の状態である。ＶＥＲ－Ｅｘｉｔは、モニタ対象の被写体や近くの他の人々によってスペクトルのピークが消えた場合にを扱う。
図４３は、図４２に示したＦＳＭ４２１０の状態遷移詳細に関する表４３００を示す。表４３００の各列のエッジインデックスは図４４にマークされている。
Figure 2023109822000077
 cnt1とcnt2は、ＦＳＭがＶＥＲ－Ｅｎｔｅｒ状態とＶＥＲ－Ｅｘｉｔ状態にとどまる期間を表すカウンタである。TH1とTH2は、ＦＳＭがどのくらいの間2つの状態にいられるかを表す２つのしきい値である。現在の状態がＶＥＲ－Ｅｎｔｅｒの場合はcnt1が1、現在の状態がＶＥＲ－Ｅｘｉｔの場合はcnt2が1ずつ増加する。∩と∪はAND条件とOR条件を表す。
Figure 2023109822000078
 次の状態が別の状態であるときの最後の呼吸数推定を表す内部変数である。！（Edgei）は、エッジiの条件の否定である。 提案されたＦＳＭは、ピーク統計値が実験的に検証された、呼吸のある場合とない場合とで非常に類似し得るので、検出のためにピーク振幅のようなピーク統計値を使用しない。
多人数モニタ用のＦＳＭ：Ｍ人の人々が同時にモニタされる場合には、Ｍ個のＦＳＭとそれに続く推定エンジンを実行することができる。
Figure 2023109822000079
 各ＦＳＭは独立して機能する。ここでＶは最大高調波次数である。一例はＶ＝ ２である。
実験結果：動作しているファンが有るシングルパーソンＮＬＯＳ：この実験では、被験者と同じ部屋の中に電子ファンを入れることができる。ファンは金属製のカバー付きの電子機器であるため、一部の電磁波を反射してＣＦＲに干渉を引き起こし、呼吸モニタ性能を低下させる。図４４は、ＦＳＭありとなしの性能の比較４４００を示す。０の呼吸数推定は、システムが信頼できる呼吸数を取得できないことを示す。ＦＳＭを使用しても真実の呼吸数（１５ＢＰＭ）は完全には回復しないが、ＦＳＭを使用しても全体的なパフォーマンスは向上する。ＦＳＭの精度は９４．４８％である。
図４５は、この実験におけるＦＳＭベースの方式の状態遷移４５００を示す。図３９に示す異なる状態は次のようにエンコードされる。初期状態→０、検証→１、ピークファウンド→２、動き→３．図４５は、ＦＳＭが時々動作状態に切り替えることによってファンの移動に正しく反応することを示している。
図４６は、被験者が５秒間立ち上がって測定中に座るときの開示された呼吸モニタ方式のパフォーマンス４６００を実証する。明らかに、呼吸モニタ方式はそのような大きな運動の影響を克服し、経時的に安定した呼吸数推定値を生成する。
図４７は、本教示の一実施形態による、バイタルサインの検出およびモニタのための例示的な方法４７００を示す。動作４７０２において、ある場所の対象物の擬似周期的な動きによって影響を受ける無線マルチパスチャネルを介して無線信号が受信される。動作４７０４において、無線信号に基づいてチャネルの少なくとも１つのＴＳＣＩ（ＴＳＣＩ）が取得される。動作４７０６において、現在のスライディング時間窓内の少なくとも１つのＴＳＣＩの少なくとも一部分は、オブジェクトの擬似周期的動きと関連付けられると判断される。動作４７０８において、オブジェクトの擬似周期的動きに関する現在の特徴は、現在のスライディング時間窓において計算される。
一実施形態では、開示されたシステムは、一人以上の人々の呼吸数を同時に推定することができ、そして人数を数えることができる。システムは、送信機を含むボットであるタイプ１デバイス、受信機を含むオリジンであるタイプ２デバイスを含むことができる。受信機は、無線信号から時系列のＣＳＩを抽出し、スライド窓（約１０から１５秒）についてＣＳＩを収集することができる。バイタルサイン推定器は、収集されたＣＳＩに基づいて呼吸数を推定することができる。送信機がＭ本のアンテナを有し、受信機がＮ本のアンテナを有する場合、ＭＮ個のリンクがある。1つのＣＳＩ時系列が各リンクから得られる。全てのＭＮリンクは呼吸数を計算するために使用される。バイタルサイン推定器はクラウドに位置し、あるいはローカルコンピューティングのためにオリジン又はタイプ２デバイスに位置することができる。Ｋ個のボットがある場合、バイタルサイン推定のＫ個のインスタンスがあり得、それぞれが１つのボットを処理する。各ボットの呼吸結果は、ユーザスマートデバイスのクライアントアプリに別々に表示されてもよい。一部またはすべてのボットの結果を組み合わせて、組み合わせた結果を得ることができる。1つのアンテナで1つのボットと1つのアンテナで1つのオリジン（K = 1）のシナリオでは、リンクは1（M = N = 1）だけである。各ＣＳＩはＮ１個の（例えば約１２８）の周波数サブキャリア（コンポーネントと呼ばれる）を有する。各ＣＳＩは、実際にはチャネル周波数応答（ＣＦＲ）である。バイタルサイン推定は、ＣＳＩ（位相雑音を含む）をきれいにし、各ＣＳＩが統一的な電力（unity power）になるように正規化することによって開始する。次に、長さＮ２のベクトル（例えば、１２８、２の累乗）を得るためにゼロパディングを行う。次に、Ｎ２ーポイント-IFFTを実行してＮ２ーポイントのＣＦＲをＮ２ーポイントの時間ドメインチャネルインパルス応答（ＣＩＲ）に変換する。次いで、バイタルサイン推定器は、ＣＳＩのスライディング窓（すなわち、ＴＳＣＩの一部）を考慮する。各窓がＬ ＣＳＩを有すると仮定する（例えば、３０サンプル／秒の６０秒窓の場合、Ｌ＝ ６０×３０ ＝ １８００）。バイタルサイン推定器は、スライディング窓上の全てのＣＳＩが均一なサンプリング時間でサンプリングされることを確実にするためにタイムベース補正を実行する。タイムベース補正は、ＣＳＩを何らかの補間フィルタで再サンプリングすることを含む。Ｎ２個のＣＩＲ係数の中で、ナンバー（Ｃ）の重要なＣＩＲコンポーネントが識別される（例えば、Ｎ２ ＝ １２８個のＣＩＲコンポーネントの中でＣ ＝ ５が識別される。）。次に、バイタルサイン推定器は、Ｌ個のＣＳＩのそれぞれの各ＣＩＲコンポーネントを検討し、それをＬーポイント時系列として扱う。したがって、Ｃ個の識別されたＣＩＲコンポーネントを使用して形成されたＣ個のＬポイント成分の時系列がある。その後、バイタルサイン推定器は、Ｃ個の成分時系列のそれぞれにバンドパスフィルタリングを適用する。そしてＬ２ーポイントＦＦＴを適用する（例えば、Ｌ ＝ １８００に対してＬ２ ＝ ２０１４８）。次いで、バイタルサイン推定器は、Ｌ２ーポイントＦＦＴドメイン内の極大値（すなわちピーク）を識別する。各ピークに対応する頻度は、人の呼吸数である。Ｋ人がいることが分かっていれば、Ｋ個のピークが識別されることになる。人数がわからない場合は、各有意なピークは1人と見なされる。有意なピークを数えることで、人数を知ることができる。
図４８は本発明の一実施形態による、繰り返し動きモニタ４８００の例示的なブロック図を示す。一実施形態では、繰り返し動きモニタ４８００は、場所でのオブジェクトの繰り返しの動きをモニタするためのシステム内にある。様々な実施形態によれば、オブジェクトは生命体（例えば、人間、ペット、動物など）、装置（例えば、ファン、機械など）、または土地であり得る。周期的動きは、呼吸、心拍、周期的な手のジェスチャ、周期的な歩行、回転、振動、または地震を表すことができる。システムは、 例えば動きのレートまたは頻度などの動きの周期的な特徴をモニタすることができる。一実施形態では、システムは、送信機（例えば送信機３５１０）、受信機（例えば受信機３５２０）及び、送信機３５１０、受信機３５２０、追加の送信機、追加の受信機、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のうちの少なくとも１つに接続される繰り返し動きモニタ４８００を含む。
一実施形態では、送信機は、場所内の第１の位置に配置され、場所内のオブジェクトの繰り返しの動きによって影響を受ける無線マルチパスチャネルを介して無線信号を送信するように構成される。受信機は、場所内の第２の位置に配置され、場所内のオブジェクトの繰り返しの動きによって影響を受けた無線マルチパス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マルチパスチャネルのＴＳＣＩを取得する。無線信号は、プローブ信号又はプローブ信号に応答した肯定応答（ＡＣＫ）信号であり得る。
繰り返し動きモニタ４８００は、ＴＳＣＩに基づいてオブジェクトの繰り返しの動きの周期的特徴をモニタするように構成される。各ＣＩはＮ１個のコンポーネントを含み、Ｎ１は１より大きいな整数である。繰り返し動きモニタはさらに次のように構成される。それは、ＴＳＣＩをＮ１個のコンポーネント時系列に分解し、各コンポーネント時系列は各ＣＩのＮ１個のコンポーネントのそれぞれ１つを含むこと、Ｎ１個のコンポーネント時系列に基づいてＮ１個のコンポーネント - 特徴時系列を計算し、各それぞれのコンポーネント - 特徴時系列は、各ＣＩのそれぞれのコンポーネントの特徴を含むこと、オブジェクトの繰り返しの動きの現在の周期的特性を現在のスライディング時間窓と関連付け、Ｎ１個のコンポーネントスライディング関数を計算し、各個々のコンポーネントスライディング関数は、現在のスライディング時間窓内のそれぞれのコンポーネント - 特徴時系列のそれぞれの変換であること、および、Ｎ１個のコンポーネントスライディング関数およびＮ１個のコンポーネントスライディング関数に基づいて計算された合成スライディング関数のうちの少なくとも１つに基づいて、オブジェクトの繰り返しの動きの現在の周期的特性をモニタすること、である。
一実施形態では、周期的特性をモニタするための繰り返し動きモニタ４８００のスライディング時間窓は非常に短くてもよく、例えば１０～１５秒である。スライディング窓の長さは、初期設定および／または繰り返し動きモニタ４８００の待機時間に関連する。スライディング窓が短いほど初期セットアップ時間が短いことを意味し、これは、繰り返し動きモニタ４８００が呼吸を捉えるためにユーザが長いスライディング時間窓内で同じ呼吸速度を維持する必要がないため、より良いユーザ経験（user experience）を意味する。
一実施形態では、図４８に示すように、繰り返し動きモニタ４８００は、ＣＩコレクタ４８１０、ＣＩプロセッサ４８２０、呼吸信号エンハンサ４８３０、呼吸特徴抽出器４８４０、および呼吸数推定器４８５０を含む。この例におけるＣＩコレクタ４８１０は、例えばチャネル状態情報またはチャネル周波数応答であるＴＳＣＩ４８０５を収集する。これは受信機３５２０によって生成されたＣＩ３５２５であり得る。様々な実施形態によれば、繰り返し動きモニタ４８００は、呼吸数だけでなく他の任意の繰り返しの動きの特徴もモニタおよび推定することができる。その場合、呼吸信号エンハンサ４８３０は繰り返し信号エンハンサ装置である。呼吸特徴抽出器４８４０は繰り返しの特徴抽出器である。 呼吸数推定器４８５０は繰り返し速度推定器である。
この例では、ＣＩプロセッサ４８２０はＴＳＣＩを処理する。例えば、ＴＳＣＩをＮ１個のコンポーネント時系列に分解し、各コンポーネント時系列は各ＣＩのＮ１個のコンポーネントのそれぞれ１つを含むこと、Ｎ１個のコンポーネント時系列に基づいてＮ１個のコンポーネント - 特徴時系列を計算し、各それぞれのコンポーネント - 特徴時系列は、各ＣＩのそれぞれのコンポーネントの特徴を含むこと、オブジェクトの繰り返し運動の現在の周期的特性を現在のスライディング時間窓と関連付け、Ｎ１個のコンポーネントスライディング関数を計算し、各個々のコンポーネントスライディング関数は、現在のスライディング時間窓内のそれぞれのコンポーネント- 特徴時系列のそれぞれの変換である、処理をする。ＣＩプロセッサ４８２０はさらに、少なくとも１つの特徴から任意の許可されていない特徴を識別し除去することができる。様々な実施形態によれば、許容範囲外の特徴は、許容されない特徴として識別され、許容範囲内の特徴は、適応型バックグラウンドノイズフロアに基づいて適応的に計算される適応閾値より大きい場合、許容されない特徴として識別される。そして、適応型バックグラウンドノイズフロアは、許容範囲外の少なくとも１つの特徴に基づいて計算される。
一実施形態では、呼吸信号エンハンサ４８３０は、以下のうちの少なくとも１つを計算するように構成される。それは、Ｎ１個の各コンポーネントスライディング関数の周波数変換に基づくＮ１個のコンポーネント周波数関数、および結合されたスライディング関数の周波数変換に基づく結合周波数関数である。呼吸特徴抽出器４８４０は、Ｎ１個のコンポーネント周波数関数、および結合周波数関数のうちの少なくとも１つの少なくとも１つの特徴を計算するように構成される。呼吸数推定器４８５０は、少なくとも１つの特徴に基づいて、オブジェクトの繰り返す動きの現在の周期的特徴、及びその場所の追加のオブジェクトの追加的な繰り返しの動きの現在の周期的特徴のうちの少なくとも1つをモニタするように構成される。
一実施形態では、呼吸特徴抽出器４８４０は、結合されたスライディング関数、及びＮ１個のコンポーネントスライディング関数のうちの少なくとも１つの少なくとも１つの特徴を計算するように構成されており、少なくとも１つの特徴は、極値、極大値、極小値、ゼロ交差、局所的最大導関数、局所的高次導関数、局所的最小導関数、局所的高次導関数、局所的ゼロ導関数、正の数、負の数、有意な数、正の最大、正の最小、負の最大、負の最小、最初の最大、最初の最小、２番目の最大、２番目の最小、Ｎ番目の最大、、Ｎ番目の最小、有意な最大、有意な最小、有意な導関数及び有意な高次導関数関数のうちの少なくとも１を含む。呼吸数推定器４８５０はオブジェクトの現在の周期的動きを、以下のうちの少なくとも１つに基づいてモニタするように構成されており、それは、結合されたスライディング関数及びＮ１個のコンポーネントスライディング関数のうちの少なくとも１つの特徴、及び結合されたスライディング関数及びＮ１個のコンポーネントスライディング関数のうちの少なくとも１つの少なくとも１つの特徴に関連する少なくとも１つのドメイン値である。
他の実施形態では、呼吸特徴抽出器４８４０は、現在のスライディング時間窓内の各Ｎ１個のコンポーネント－特徴時系列の少なくとも１つの支配的な（dominant）周期的特徴を計算するように構成され、少なくとも１つの支配的な周期的特徴は、スペクトルの極地、局所的スペクトルの最大、局所的スペクトルの最小、スペクトルのゼロ交差、局所的最大スペクトル導関数、局所的最大スペクトル高次導関数、局所的最小スペクトル導関数、局所的最小スペクトル高次導関数、局所的ゼロスペクトル導関数、正のスペクトル量、負のスペクトル量、有意なスペクトル量、正のスペクトル最大、正のスペクトル最小、負のスペクトル最大、負のスペクトル最小、最初のスペクトル最大、最初のスペクトル最小、２番目のスペクトル最大、２番目のスペクトル最小、Ｎ番目のスペクトル最大、Ｎ番目のスペクトル最小、有意なスペクトル最大、有意なスペクトル最小、有意なスペクトル導関数及び有意なスペクトル高次導関数のうちの少なくとも１つを含む。呼吸数推定器４８５０は、オブジェクトの繰り返しの動きの現在の周期的特性を次の少なくとも１つに基づいてモニタするように構成される。それは、現在のスライディング時間窓におけるＮ１個のコンポーネント － 特徴時系列の支配的な周期的特徴、および現在のスライディング時間窓におけるＮ１個のコンポーネント － 特徴時系列の支配的な周期的特徴に基づく少なくとも１つの結合された支配的な周期的特徴である。
さらに他の実施形態では、呼吸特徴抽出器４８４０は、現在のスライディング時間窓内の各Ｎ１個のコンポーネント時系列の少なくとも１つの支配的な周期的特徴を計算するように構成され、少なくとも１つの支配的な周期的特徴は、スペクトルの極地、局所的スペクトルの最大、局所的スペクトルの最小、スペクトルのゼロ交差、局所的最大スペクトル導関数、局所的最大スペクトル高次導関数、局所的最小スペクトル導関数、局所的最小スペクトル高次導関数、局所的ゼロスペクトル導関数、正のスペクトル量、負のスペクトル量、有意なスペクトル量、正のスペクトル最大、正のスペクトル最小、負のスペクトル最大、負のスペクトル最小、最初のスペクトル最大、最初のスペクトル最小、２番目のスペクトル最大、２番目のスペクトル最小、Ｎ番目のスペクトル最大、Ｎ番目のスペクトル最小、有意なスペクトル最大、有意なスペクトル最小、有意なスペクトル導関数及び有意なスペクトル高次導関数のうちの少なくとも１つを含む。呼吸数推定器４８５０は、オブジェクトの繰り返しの動きの周期的特徴を次の少なくとも１つに基づいてモニタするように構成される。それは、現在のスライディング時間窓におけるＮ１個のコンポーネント時系列の支配的な周期的特徴、および現在のスライディング時間窓におけるＮ１個のコンポーネント時系列の支配的な周期的特徴に基づく少なくとも１つの結合された支配的な周期的特徴である。
呼吸数推定器４８５０は、オブジェクトの繰り返しの動きの周期的特徴の推定（例えば、呼吸数推定４８５５）を生成する。一実施形態では、呼吸数推定器４８５０はさらに、オブジェクトの繰り返しの動きの周期的特徴に基づいて少なくとも１つの分析を計算し、オブジェクトの繰り返しの動きの周期的特徴の情報をユーザインタフェースに送信することができる。ユーザインタフェースは、送信された情報に基づいてオブジェクトの繰り返しの動きの周期的特徴のサマリを提供するように構成される。
一実施形態では、呼吸数推定器４８５０は、オブジェクトの繰り返しの動きの周期的特徴を処理し、オブジェクトの繰り返しの動きの周期的特徴に基づいて時間関数を計算し、オブジェクトの繰り返しの動きの周期的特徴及び時間関数のうちの少なくとも１つを分析し、オブジェクトの繰り返しの動きの周期的特徴及び時間関数のうちの少なくとも１つに基づいて少なくとも１つの分析を計算するように構成される。他の実施形態では、呼吸数推定器４８５０は、オブジェクトの繰り返しの動きに欠けている周期的な特徴を、ＴＳＣＩに基づいて計算されたオブジェクトの繰り返しの動きの利用可能な周期的特性、ＴＳＣＩに基づいて計算された異なる特徴、および無線マルチパスチャネルの異なるＴＳＣＩに基づいて計算された異なる特徴、のうちの少なくとも１つに基づいて推定するように構成される。さらに別の実施形態では、呼吸数推定器４８５０は、オブジェクトの繰り返しの動きの周期的特徴の時間関数をローパスフィルタリングすることによってトレンド関数を計算し、時間関数、トレンド関数、および周期的特徴の時間関数からトレンド関数を差し引くことによって計算されたデトレンド関数（detrended function）のうちの少なくとも１つを分析し、 時間関数、トレンド関数、およびデトレンド関数のうちの少なくとも１つに基づいて、オブジェクトの繰り返しの動きをモニタするように構成される。
オブジェクトは生命（例えば、人間、赤ちゃん）であり得る。呼吸数推定器４８５０は、人間の睡眠をモニタするように構成されてもよい。急速眼球運動（ＲＥＭ）、ノンＲＥＭ、目覚め、眠り、中断を含む睡眠の様々な段階が識別され得る。睡眠段階に関連する少なくとも１つの分析が計算され得る。睡眠の質に関連する分析が計算されてもよい。オブジェクトは装置（デバイス）であり得る。呼吸数推定器４８５０は、振動、回転、前後運動、および／または反復機械運動などの繰り返しの動きをモニタするように構成することができる。装置の正常および／または異常動作に関連する分析が計算されてもよい。繰り返しサイクルにおける機械部品の位置に関連する分析が計算されてもよい。オブジェクトは土地（land）であり得る。呼吸数推定器４８５０は、地震の兆候、余震、揺れ、および／または振動をモニタするように構成され得る。
一実施形態では、システムは同時に複数の呼吸数を測定することができる。この場合、繰り返し動きモニタ４８００はさらに、ＴＳＣＩに基づいて同時に追加のオブジェクトの追加の繰り返しの動きの追加の周期的特性をモニタするように構成され、無線マルチパスチャネルは、場所の追加のオブジェクトの追加の繰り返す動きによってさらに影響を受ける。少なくとも１つの特徴は、オブジェクトの繰り返す動きの周期的特徴に関連する第１の特徴と、追加のオブジェクトの追加の繰り返す動きの周期的特徴に関連する第２の特徴とを含む。オブジェクトの繰り返す動きの周期的特徴と追加のオブジェクトの追加の繰り返す動きの周期的特徴とは、第１の特徴と第２の特徴とに基づいて同時にモニタされる。
一実施形態では、呼吸数は一連の重複する時間窓でモニタされる。この場合、オブジェクトの繰り返す動きは局所的に反復しているので、一連の重なり合う時間窓のそれぞれにおいて、局所的に繰り返す動きは周期的な運動に似ている。そして、オブジェクトの局所的に繰り返す動きの周期的特徴は、一連の重なり合う時間窓のそれぞれにおいてモニタされる。別の実施形態では、システムは、呼吸数の検出および推定だけでなく、例えば、転倒検知、追跡モニタなどの他の検出および推定を実行することができる。この場合、繰り返し動きモニタ４８００はさらに、オブジェクトの繰り返す動きの周期的な特徴、及びＴＳＣＩに基づいて計算された異なる特徴と無線マルチパスチャネルの異なるＴＳＣＩに基づいて計算された異なる特徴とのうちの少なくとも１つについてジョイント分析（joint analysis）を実行するように構成され、そしてジョイント分析に基づいて少なくとも１つのジョイント分析（joint analystics）を計算する。
図４９は本発明の一実施形態による、バイタルサインを推定及びモニタするための例示的方法４９００のフローチャートを示す。第１に、無線受信機（例えば無線、ＲＦ、ＷｉＦｉ、ＬＴＥ、ＵＷＢなど）が、無線送信機からの無線信号（例えばチャネルプロービング無線信号、応答信号、確認応答信号、データ信号、または制御信号）を受信した後に、チャネル推定により動作４９０２においてチャネル状態情報（ＣＳＩ）またはＣＩ（ＣＩ、例えばＣＳＩ）が取得され得る。ＣＳＩ／ ＣＩは、たとえばノイズを除去するために、および／または呼吸信号から何らかの特徴関数（たとえば自己相関関数（ＡＣＦ））を計算するために、動作４９０４において前処理される。呼吸信号は非常に弱い可能性があるので、何らかの動作、例えば最大比合成（ＭＲＣ）により信号対雑音比（ＳＮＲ）を高めるために、動作４９０６で受信信号を増強する（enhance）ことができる。呼吸は周期的なプロセスであるため、ＡＣＦは周期的な振る舞いを示すことができ、呼吸に関する特徴は、ＡＣＦから動作４９０８で抽出することができ、例えばＡＣＦから（第１の）極大値を検出することができる。第１の極大値のタイムラグは呼吸の期間Ｔに対応し、それから呼吸速度推定値、例えば毎分６０／Ｔがオペレーション４９１０で取得されることができる。
図５０は本発明の一実施形態による、異なるシナリオの下での受信信号の例示的な自己相関関数５０００を示す。図５０に示すように、呼吸信号があると、ＡＣＦは、一定の遅れで、周期的な呼吸運動による、明確なピークを示す（ピーク値は、異なるサブキャリアにわたって異なる場合がある）。それどころか、呼吸がないとき（すなわち、周期的な動きがないとき）、いかなるサブキャリア上にも特定のピークを観察することはできない。原理的には、１呼吸周期よりわずかに長い時間遅れ（例えば、５から７秒）は最初の呼吸数を拾い上げるのに十分であり、後に瞬間的な推定値を１秒毎に生成することができる。
動き統計：呼吸推定の前に、重要なステップは、検出可能な呼吸信号が存在するかどうか（すなわち、余分な大きな動きなしに呼吸が存在するかどうか）を調べることである。前述したように、呼吸は他の大きな身体の動きに容易に埋もれてしまうので、それがなければ推定すべきではありません。呼吸に加えて、計算されたＡＣＦは実際には任意の動きの検出のための指標を提供するので、この目的のためにＡＣＦの特性を調べることもできる。
呼吸の検出と推定：計算されたＡＣＦとその固有の特性に基づいて、システムは最初に呼吸の有無を検出し、有る場合は、正確かつ瞬時に呼吸数を推定する。図５１は、本発明の一実施形態による、呼吸の検出および推定のために導出された自己相関関数から抽出された例示的な特徴５１００を示す。
Figure 2023109822000080
 最初の特徴はピークプロミネンス（peak prominence）であり、これはピーク値と、隣接する谷の最大の高さとの間の垂直距離であり、これはピークの存在の可能性を示す。２番目の特徴はピーク幅であり、これは隣接する谷の間の水平距離であり、これはピークの存在の可能性を示す。３番目の特徴はピーク振幅（peak amplitude）であり、これはピークの高さであり、これは呼吸信号のＡＣＦの大きさを示し、呼吸の動きのみが存在する場合の動き統計の値に匹敵するだろう。４番目の特徴は、動き干渉比（Motion Interference Ratio）である。これは、動き統計とピーク振幅の比で、環境における体の動き、歩く、立ち上がる、キーボードを打つなどの非呼吸動作の干渉の程度を示す。第５の特徴はピーク位置であり、これはオリジンとピークとの間の水平距離（すなわちタイムラグ）であり、これは呼吸周期を示す。他の特徴が計算されてもよい。
一般に、動き統計、ピークプロミネンス、ピーク幅、ピーク振幅が大きく、運動干渉比が小さいほど、呼吸信号の存在の可能性が高い。一実施形態では、上記の特徴は、呼吸信号の存在および対応する呼吸速度を求めるために一緒に融合される。
Figure 2023109822000081
実際には、微小な呼吸動作によって変調された各サブキャリア上の呼吸信号のＳＮＲは非常に低く、特にモニタされている人がリンクから遠く離れている、キルトで覆われている、または壁の後ろにいる場合はカバレッジが限定され、既存のＲＦベースのアプローチの適用を妨げる弱い推定になります。最良のサブキャリアを選択する、または呼吸信号を改善するために全体にわたって平均することを試みる以前のアプローチは、信頼できるものを生み出さず、最適な結果は言うまでもない。
呼吸のＳＮＲを高めるために、システムは異なるサブキャリアで測定された呼吸信号を最適な方法で組み合わせることができる。一実施形態では、開示された設計は、最大比合成（ＭＲＣ）、複数のアンテナ上の受信信号を最適に組み合わせることによって信号ＳＮＲを最大にする電気通信における古典的なダイバーシティ合成方法に基づく。
呼吸シグナルのＭＲＣ：ＣＳＩによる呼吸推定のコンテキストでは、呼吸信号b(t)は、平均がゼロの周期的静止呼吸信号を表し、これは胸部および腹部の動きに関連し、複数のサブキャリアによって測定される。ｇ（ｆ）および△ｔｆが、それぞれ周波数ｆで測定された呼吸信号の利得およびランダムな初期位相を表すものとする。時間ｔにおいて周波数ｆを有するサブキャリア上で測定された、γ（ｆ）として示される呼吸信号のＳＮＲは、次のように定義される。
Figure 2023109822000082
 したがってγ（ｆ）＝ ｇ２（ｆ）／ σ２（ｆ）となる。
Figure 2023109822000083
 ここで、G(t,f)は電力応答（すなわち、時間t、および周波数／サブキャリアｆにおけるチャネル周波数応答Ｈ（t、f）の大きさの２乗）である。
図５２は本発明の一実施形態による、呼吸信号の抽出および最大化のための例示的なスキーム５２００を示す図である。図５２の左側部分は、人がモニタ領域内で正常に呼吸しているときのチャネル電力応答の測定されたＡＣＦの分解（decomposition）を示す一方、右側部分は呼吸信号のＡＣＦのＳＮＲを高めるためのＭＲＣ方式を示す。
図５３は本発明の一実施形態による、複数人の呼吸数推定の例示的な手順を示す図である。入力信号５３１０ρ（τ）（０≦τ≦Ｔ）は、合成ＡＣＦ呼吸信号を表し、これはＭＲＣ後の呼吸信号のＡＣＦである。
スペクトル推定は、呼吸信号ρ（τ）のパワースペクトル密度Ｓ（ｆ）（ここで、０≦ｆ≦Ｆ）を計算することによって、動作５３２０で実行される。スペクトル推定は、ノンパラメトリック法、例えばピリオドグラム（periodogram）アルゴリズム、またはパラメトリックスペクトル推定、例えばＭＵＳＩＣアルゴリズムに基づくことができる。
雑音電力の推定は動作５３３０で行われる。関心のある呼吸速度の下限と上限をflとfhとする。雑音電力ｎは、呼吸範囲外のパワースペクトル密度のエネルギーの平均を計算することによって推定される、すなわち、
Figure 2023109822000084
ピーク検出は、ピークの値が隣接値よりも大きい点として定義され、ｆｌ≦ｆ≦ｆｈの範囲内で全てのピークＳ（ｆ）を検出することによって動作５３４０で実行される。ここでfiをi番目のピークとする。一実施形態では、工程５３２０の後、工程５３３０を実行せずに工程５３４０に直接進むことができる。
動作５３５０で、追加のピークがあるかどうかが判定される。各ピークが、例えば、その値Ｓ（ｆｉ）を推定雑音電力ｎと比較することによって、例えばｉ番目のピークが調べられる。差が予め設定された閾値ηよりも大きい場合、すなわちＳ（ｆｉ）≧ηである場合、ピークは有効なピークであり、対応する呼吸数推定値は６０＊ｆｉである。プロセスは次にオペレーション５３６０に進み、１を加えることによって人数を更新し、プロセスはオペレーション５３５０に戻ってさらなるピークを検出する。そうではなく、差が予め設定された閾値よりも大きくない場合、ピークは破棄される。検出された人数は同じままであり、プロセスはオペレーション５３５０に留まり、さらなるピークを検出する。動作５３５０で追加のピークがないと判定された場合、プロセスは動作５３７０で終了する。
一実施形態では、開示されたシステムは、送信機を含むボットであるタイプ１デバイス、受信機を含むオリジンであるタイプ２デバイスと繰り返し動きモニタ４８００とを含むことができる。受信機は、無線信号から時系列のＣＳＩを抽出し、スライド窓（約１０から１５秒）についてＣＳＩを収集することができる。繰り返し動きモニタ４８００は、収集されたＣＳＩに基づいて呼吸数を推定することができる。送信機がＭ本のアンテナを有し、受信機がＮ本のアンテナを有する場合、ＭＮ個のリンクがある。１つのＣＳＩ時系列が各リンクから得られる。全てのＭＮリンクは呼吸数を計算するために使用される。繰り返し動きモニタ４８００はクラウドに位置し、あるいはローカルコンピューティングのためにオリジン又はタイプ２デバイスに位置することができる。Ｋ個のボットがある場合、繰り返し動きモニタ４８００のＫ個のインスタンスがあり得、それぞれが１つのボットを処理する。各ボットの呼吸結果は、ユーザスマートデバイスのクライアントアプリに別個に表示されてもよい。一部またはすべてのボットの結果を組み合わせて、組み合わせた結果を得ることができる。１つのアンテナで１つのボットと１つのアンテナで１つのオリジン（Ｋ ＝ １）のシナリオでは、リンクは１（Ｍ ＝ Ｎ ＝ １）だけである。各ＣＳＩはＮ１個（例えば約１２８）の周波数サブキャリア（コンポーネントと呼ばれる）を有する。各サブキャリアの位相は雑音が多くなる傾向があるので、繰り返し動きモニタ４８００は雑音に強い特徴を抽出し得る。例えば各サブキャリアについての大きさの二乗（すなわち、大きさの二乗、位相なし）。各サブキャリアは固有の周波数に関連付けられているため、特徴も同じ周波数に関連付けられている。ＣＳＩの時系列の場合、繰り返し動きモニタ４８００は、それぞれの周波数に関連するそれぞれの特徴を特徴時系列（コンポーネント - 特徴時系列と呼ばれる）として扱う。したがって、Ｎ１個のコンポーネントー特徴時系列がある。それはコンポーネント - 特徴時系列について自己相関関数（ＡＣＦ）を計算する（約１０から１５秒のスライディング窓内で）。これは全ての周波数について繰り返される。次に、繰り返し動きモニタ４８００は、全ＡＣＦを全周波数成分のＡＣＦの加重平均として計算する。重みは最大比合成（ＭＲＣ）と呼ばれる既存の方法を用いて適応的に決定される。最後に、繰り返し動きモニタ４８００は、最初の正の有意な極大値を識別する。識別された極大値に関連するタイムラグ（Ｔ）は呼吸数（＝１ ／ Ｔ）を与える。複数の人がいる場合、各人はＡＣＦ全体で対応するピークを持つべきである。しかし、これらのピークは互いに近接している可能性があり、1つのピークがあるのか、2つまたは3つのピークがあるのかなどを判断するのは困難である。
図５４は、本発明の一実施形態による、動きモニタシステム内の装置５４００の例を示す。装置５４００は、本明細書に記載されたさまざまな方法を実施するように構成することができる装置の一例である。様々な実施形態によれば、デバイスは、送信機を含むＢｏｔであるＴｙｐｅ１デバイス、受信機を含むＯｒｉｇｉｎであるＴｙｐｅ２デバイス、バイタルサイン推定器３６１０、システム状態コントローラ３６２０、繰り返し動きモニタ４８００、および図１から５３及び図５５から６０の他の構成要素であり得る。図５４に示すように、装置５４００は、プロセッサ５４０２を含むハウジング５４４０、メモリ５４０４、送信機５４１２および受信機５４１４を含む送受信器５４１０、同期コントローラ５４０６、電力モジュール５４０８、および動作モジュール５４０９を含む。
この実施形態では、プロセッサ５４０２は、デバイス５４００の一般的な動作を制御し、中央処理装置（ＣＰＵ）および/また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）、プログラマブルロジックデバイス（ＰＬＤ）、コントローラ、ステートマシン、ゲーテッドロジック、ディスクリートハードウェアコンポーネント、専用ハードウェア有限ステートマシン、またはデータの計算またはその他の操作を実行する他の任意の適切な回路、デバイスおよび／または構造の任意の組み合わせのような１以上の処理回路またはモジュールを含むことができる。
読み取り専用メモリ（ＲＯＭ）およびランダムアクセスメモリ（ＲＡＭ）の両方を含み得るメモリ５４０４は、命令およびデータをプロセッサ５４０２に提供することができる。メモリ５４０４の一部はまた、不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ）を含み得る。プロセッサ５４０２は通常、メモリ５４０４内に記憶されているプログラム命令に基づいて論理演算および算術演算を実行する。メモリ５４０４に格納されている命令（別名、ソフトウェア）は、本明細書で説明されている方法を実行するためにプロセッサ５４０２が実行することができる。プロセッサ５４０２およびメモリ５４０４は一緒になって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とき、「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、マイクロコードなどと呼ばれるかにかかわらず、１つまたは複数の所望の機能またはプロセスを実行するように機械または装置を構成できる任意のタイプの命令を意味する。命令は、コード（例えば、ソースコードフォーマット、バイナリコードフォーマット、実行可能コードフォーマット、または任意の他の適切なコードフォーマット）を含み得る。命令は、１つまたは複数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に記載のさまざまな機能を実行させる。
送信機５４１２および受信機５４１４を含む送受信器５４１０は、装置５４００が遠隔装置（例えば、オリジンまたはボット）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５４５０は、通常、ハウジング５４４０に取り付けられており、送受信器５４１０に電気的に結合されている。様々な実施形態において、デバイス５４００は、複数の送信機、複数の受信機、および／または複数の送受信器を含み得る（図示せず）。一実施形態では、アンテナ５４５０は、それぞれが異なる方向を向く複数のビームを形成することができるマルチアンテナアレイ５４５０と置き換えられる。送信機５４１２は、プロセッサ５４０２が生成する、異なる種類または機能を有する信号を無線で送信するように構成することができる。同様に、受信機５４１４は、異なる種類また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５４０２は、複数の異なる種類の信号を処理するように構成される。
一実施形態では、装置５４００は、動作モニタシステムのボットまたはオリジンであり得る。動きモニタシステムは、少なくとも１つのボットと少なくとも１つのオリジンとを含み得る。この例における同期制御装置５４０６は、装置５４００の動作を他の装置、例えば別のオリジンまたは別のボットと同期されるかまたは同期させないように制御するように構成されてもよい。一実施形態では、装置５４００およびシステム内の他のボットまたはオリジンのそれぞれは、無線信号を個別にかつ非同期に送信または受信することができる。
この例における動作モジュール５４０９は、バイタルサインの検出およびモニタのために１つまたは複数の動作を実行することができる。動作モジュール５４０９は、本明細書に開示されているさまざまな方法を実施するための１つまたは複数のサブモジュールを備えることができる。一実施形態では、装置５４００は、動きモニタシステムのバイタルサイン推定器３６１０とすることができ、動作モジュール５４０９は、図３７に示す構成要素のうちの１つまたは複数を含む。別の一実施形態では、装置５４００は、動きモニタシステムの繰り返し動きモニタ４８００とすることができ、動作モジュール５４０９は、図４８に示す構成要素のうちの１つまたは複数を含む。
電源モジュール５４０８は、１つまたは複数の電池などの電源と、図５４の上記のモジュールのそれぞれに調整された電力を供給するための電力レギュレータ（power regulator）とを含むことができる。いくつかの実施形態において、装置５４００が専用の外部電源（例えば、壁コンセント）に結合されている場合、電力モジュール５４０８は変圧器および電力レギュレータを含むことができる。
上述した様々なモジュールはバスシステム５４３０によって互いに結合されている。バスシステム５４３０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、および／またはステータス信号バスとを含むことができる。装置５４００のモジュールは、任意の適切な技術および媒体を使用して互いに動作可能に結合することができることが理解される。
図５４には、いくつかの別々のモジュールまたは構成要素が示されており、当業者であれば、１つまたは複数のモジュールを組み合わせることができ、または一般に実施することができることを理解するであろう。例えば、プロセッサ５４０２は、プロセッサ５４０２に関して上述した機能を実現するだけでなく、動作モジュール５４０９に関して上述した機能を実現することができる。逆に、図５４に示された各モジュールは、複数の別々の構成要素または要素を使用して実装することができる。
一実施形態では、本教示は、睡眠モニタのための方法、装置、およびシステムを開示する。開示された方法は、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、メモリに格納された命令のセットとを使用して無線マルチパスチャネルのＴＳＣＩを取得すること、およびＴＳＣＩに基づいてユーザの睡眠関連動作をモニタすることを含む。
ＴＳＣＩは、無線マルチパスチャネルを介して、場所内でタイプ１異種無線デバイスとタイプ２異種無線デバイスとの間で送信された無線信号から抽出される。無線マルチパスチャネルは、場所内でのユーザの睡眠関連の動きにより影響を受ける。
睡眠関連の動きをモニタすることには、ユーザの、睡眠タイミング、睡眠持続時間、睡眠段階、睡眠品質、睡眠時無呼吸、睡眠問題、睡眠障害、呼吸問題、喘ぎ、窒息、歯ぎしり、睡眠の一時停止、不眠、不眠症、睡眠中の不安、過眠症、睡眠時異常行動、日中の眠気、睡眠場所、運転中の睡眠、睡眠中断、悪夢、夜驚症、睡眠歩行、ＲＥＭ睡眠行動障害、概日リズム障害、非２４時間睡眠覚醒障害、周期的四肢運動障害、交替勤務睡眠障害、ナルコレプシー、錯乱性覚醒、睡眠麻痺、別の睡眠関連状態、および／または別の睡眠関連行動のうちの少なくとも１つをモニタすることが含まれる。
睡眠タイミングには、ベッドに行く、睡眠開始、起床、ＲＥＭ開始、ＮＲＥＭ開始、睡眠段階移行の開始、睡眠障害、睡眠問題、呼吸問題、不眠症、過眠症、睡眠時異常行動、睡眠ヒプノグラム関連イベント、睡眠中断、睡眠時無呼吸、睡眠中のいびき、ベッドではない場所での睡眠、日中の睡眠、睡眠歩行、睡眠関連イベント、睡眠関連状態、および／または、睡眠関連行動などのうちの少なくとも１つのタイミングが含まれる。
睡眠段階は、覚醒（wake-up、目覚め）、急速眼球運動（rapid-eye-movement（ＲＥＭ））、および／または非ＲＥＭ（ＮＲＥＭ）のうちの少なくとも１つを含む。ユーザの、呼吸数の時間関数および動き統計の時間関数のうちの少なくとも１つは、一連のＣＩに基づいて計算され得る。呼吸が時間ｔにおいて検出されない場合、時間ｔにおける呼吸数は、ゼロとして計算され得る。ユーザの睡眠関連の動きは、ユーザの、呼吸数の時間関数および／または動き統計の時間関数のうちの少なくとも１つに基づいて、モニタされ得る。ユーザの、呼吸比率の時間関数および動き比率の時間関数のうちの少なくとも１つは、一連のＣＩに基づいて計算され得る。呼吸数の時間関数が時間ｔを含む第１の時間窓においてゼロでない場合、時間ｔにおける呼吸比率は、時間のパーセンテージとして計算され得る。動き統計の時間関数が時間ｔを含む第２の時間窓内の第１の閾値より大きい場合、時間ｔにおける動き比率は、時間のパーセンテージとして計算され得る。ユーザの睡眠関連の動きは、ユーザの、呼吸比率の時間関数および／または動き比率の時間関数のうちの少なくとも１つに基づいて、モニタされ得る。
動き比率が第２の閾値より大きい、および／または呼吸比率が第３の閾値未満である、のうちの少なくとも１つである場合、睡眠段階は、「目覚め」と分類することができる。動き比率が第２の閾値未満である、および／または呼吸比率が第３の閾値より大きい、のうちの少なくとも１つである場合、睡眠段階は、「眠り」と分類することができる。「眠り」段階は、急速眼球運動（ＲＥＭ）段階および／または非ＲＥＭ（ＮＲＥＭ）段階のうちの少なくとも１つを含み得る。
呼吸数トレンド関数（breathing rate trend function）は、呼吸数の時間関数を低域フィルタリングすることによって計算され得る。デトレンド呼吸数関数（detrended breathing rate function）は、呼吸数の時間関数から呼吸数トレンド関数を減算することによって計算され得る。呼吸数分散の時間関数は、スライディング時間窓内のデトレンド呼吸数関数の分散を計算することによって計算され得る。ユーザの睡眠関連の動きは、呼吸数分散の時間関数に基づいて、モニタされ得る。
平均ＮＲＥＭ呼吸数は、一晩の期間における「眠り」段階において呼吸数の時間関数のヒストグラムのピークを識別することによって計算され得る。（例えば、一晩中、または一晩中から「目覚め」期間を差し引く）。呼吸数偏差の時間関数は、スライディング時間窓内の呼吸数の平均ＮＲＥＭと百分位数との間の距離を計算することによって計算され得る。睡眠段階は、呼吸数偏差の時間関数に基づいて、ＲＥＭ段階および／またはＮＲＥＭ段階のうちの少なくとも１つに分類することができる。呼吸数分散の時間関数は、第１のスライディング時間窓内のデトレンド呼吸数関数の分散を計算することによって計算され得る。呼吸数偏差の時間関数は、第２のスライディング時間窓内の呼吸数の平均ＮＲＥＭと百分位数との間の距離を計算することによって計算され得る。睡眠段階は、呼吸数分散の時間関数および呼吸数偏差の時間関数に基づいて、ＲＥＭ段階、および／またはＮＲＥＭ段階のうちの少なくとも１つに分類することができる。
分類子は、機械学習を使用して、呼吸数、分散、および呼吸数偏差のうちの少なくとも１つに基づいてトレーニングされ得る。機械学習は、教師あり学習、教師なし学習、半教師あり学習、能動学習、強化学習、サポートベクターマシン、ディープラーニング、特徴学習、クラスタリング、回帰、および／または次元削減のうちの少なくとも１つを含み得る。睡眠段階は、分類子に基づいて、ＲＥＭ段階、および／またはＮＲＥＭ段階のうちの少なくとも１つに分類することができる。ユーザの睡眠関連の動きに関する量は、ＴＳＣＩに基づいて、計算され得る。ユーザの睡眠関連の動きは、量に基づいてモニタすることができる。
量は、ユーザがベッドに行く時間、ユーザがベッドから出る時間、睡眠開始時間、ユーザが眠りに落ちるまでにかかる総時間、起床時間、睡眠障害時間、睡眠中断期間の数、平均中断持続時間、中断持続時間の分散、ベッドでの総時間、ユーザが眠っている総時間、ＲＥＭの期間、ＮＲＥＭの期間、目が覚めている期間、ＲＥＭの総時間、ＮＲＥＭの総時間、ＲＥＭ期間の数、ＮＲＥＭ期間の数、ベッド内で寝返りする時間、寝返りの持続時間、ヒプノグラム、無呼吸の期間、いびきの期間、無呼吸の総持続時間、無呼吸期間の数、無呼吸期間の平均持続時間、呼吸問題の期間、睡眠品質スコア、日中睡眠、日中睡眠の期間、日中睡眠の総持続時間、日中睡眠の期間の数、日中睡眠の期間の平均持続時間、および別の両のうちの少なくとも１つを含み得る。
上述のように、図５２は、呼吸信号抽出および最大化について提案されたスキームについてまとめている。図５２の左側部分は、人がモニタ領域内で正常に呼吸しているときのチャネル電力応答の測定されたＡＣＦの分解を示す一方、右側部分は呼吸信号のＡＣＦのＳＮＲを高めるためのＭＲＣ方式を示す。図５５は、実世界の測定に基づく例示的な実施例を示しており、これは呼吸信号のＳＮＲが、最大分散によって示された最良のサブキャリアと比較して２．５ｄＢ増幅され、すべてのサブキャリアを直接平均することと比較して３．７ｄＢ増幅される。図５６は、開示されたＡＣＦ系ＭＲＣスキームの利得を更に実証し、振幅およびその分散は、サブキャリア選択についてメトリックが効果的ではないという本明細書での観測を確認する。見られるように、動き（すなわち、最大の動き統計を保持する）に最も敏感なサブキャリアは、非常に小さい振幅および低分散を経験し得る。
睡眠段階認識
ＳＭＡＲＳは、一晩の睡眠の連続した動きおよび呼吸推定を３００秒のエポック（epoch）に分割する。各エポックについて、ＳＭＡＲＳは、３つの異なる睡眠段階、すなわち、覚醒、ＲＥＭ睡眠、およびＮＲＥＭ睡眠を認識する。段階分けは、２つのステップで実施される。第１に、ＳＭＡＲＳは、主に体の動きによって睡眠から覚醒を区別する。第２に、ＲＥＭおよびＮＲＥＭ段階を睡眠期間中に更に識別する。
睡眠／覚醒検出。ＳＭＡＲＳは、最初に、睡眠覚醒検出器を実装し、睡眠状態および覚醒状態を識別する。重要な洞察としては、被験者が目覚めた時は、体の運動がより頻繁に観測され、一方、被験者が眠っている時は、主に呼吸の動きが存在することである。身体運動は呼吸の動きよりも著しく強く、それらの両方は容易に補足でき、かつ本明細書で定義された動き統計によって定量化できるので、ＳＭＡＲＳは、それを利用して、睡眠状態と覚醒状態とを区別する。
具体的には、動き統計
Figure 2023109822000085
 が事前設定閾値より大きい場合、時間のパーセンテージとして動き比率を定義することができる。従って、覚醒状態では、図５７Ａにて示すように、より高い動き比率が期待されている。同様に、呼吸信号が検出されるときの時間のパーセンテージとして呼吸比率を定義することもできる。身体運動は、環境動態の周期性を破壊するため、図５７Ｂにて示すように、被検者が目覚めているときは呼吸比率はより低くなる。
上記の２つの特徴を組み合わせて、ＳＭＡＲＳは、動き比率が既定義閾値より小さくかつ呼吸比率がその他の閾値より大きい場合にのみ、エポックを睡眠と識別する。両閾値は、図５７Ａおよび図５７Ｂのように実験的に決定される。開示されたモデルは、統計的には屋内のすべてのマルチパスを考慮するため、両閾値の値は、異なる環境および被験者に一般化される。
ＲＥＭ／ＮＲＥＭ認識：ＳＭＡＲＳは、以下の臨床的事実を活用して、したがって、ＲＥＭ／ＮＲＥＭ段階分類についての呼吸数推定から２つの特有の特徴を抽出する。ＲＥＭ段階では、呼吸数が通常速く、かつ変動性がより高く不規則なパターンが存在し、一方、ＮＲＥＭ段階では、より安定しかつ遅い。
ＮＲＥＭ段階は、典型的な健康な大人の全睡眠の大部分（約７５％～８０％）を構成するため、ＮＲＥＭ段階中の平均呼吸数は、図５８Ａにて示すように、一晩の呼吸数推定のヒストグラムのピークを局所化することによって推定できる。これに基づいて、ＮＲＥＭ段階の呼吸数からＲＥＭ段階の呼吸数の偏差を定量化するために、各エポックについて、呼吸数偏差、推定平均ＮＲＥＭ呼吸数と呼吸数の９０％タイルとの間の距離を定義できる。
各エポックの呼吸数の変動性を抽出するために、低域フィルタを一晩の呼吸推定に適用することにより、最初に呼吸数の傾向を推定することができ、元の呼吸数推定から傾向を減算することにより、デトレンド呼吸数推定を得ることができる。次いで、呼吸数変動性は、各エポックについて定義され、かつエポックの長さによって正規化されたデトレンド推定の分散として算出される。
図５８Ｂは、ＮＲＥＭおよびＲＥＭ睡眠それぞれの下で提案された２つの特徴の分布を視覚化している。図５８Ｂからわかるように、ＮＲＥＭ睡眠の呼吸数変動性および呼吸数偏差の大部分は、ＲＥＭ睡眠のそれらよりかなり小さい。これらの２つの特徴に基づいて、ＲＥＭ睡眠とＮＲＥＭ睡眠とを区別するために、広く使用されているバイナリ分類子であるサポートベクターマシン（ＳＶＭ）をトレーニングすることができる。
睡眠品質評価
睡眠全体の覚醒段階、ＲＥＭ段階、およびＮＲＥＭ段階の推定を得ると、臨床的な診療に使用される以下の標準的アプローチによって、ユーザにとって捕らえどころがない睡眠品質を評価することができる。特に、以下のとおり、認識された睡眠段階に基づいて、各晩について睡眠スコアを算出できる。ＴＮ、ＴＲ、およびＴＷは、それぞれ、ＮＲＥＭ睡眠、ＲＥＭ睡眠、および覚醒の持続時間（時間単位）を表す。睡眠スコア計算には標準的な公式がないため、睡眠スコアの簡単な式がＳＭＡＲＳに適用される。
Figure 2023109822000086
 これは、より長く睡眠すると、ＲＥＭ睡眠の時間がより長くなり、ベット内で目覚めている時間が短くなり、睡眠スコアがより良くなることを意味する。最近の研究によると、ＲＥＭ睡眠は、精神的回復のために非常に重要であり、したがって、より多くの部分がＲＥＭ睡眠に割り当てられる。
ＳＭＡＲＳは、毎日の家庭内での使用のための実用的な睡眠モニタを構想している。様々なユーザ間で睡眠スコアを比較することにはあまり意味がないが、特定のユーザの睡眠スコアの傾向または履歴は、その人の睡眠品質の変化を反映する。このような結果は、魅力的な方法で、睡眠障害の診断を助け、個人の健康を管理するために、臨床的に有意性のある証拠を提供する。図５９は、本教示の一実施形態による、睡眠モニタのための例示的なネットワーク環境を示す。図６０は、本教示の一実施形態による、睡眠モニタのための例示的なアルゴリズム設計を示す。
図６１は、本教示の一実施形態による、シート占有率検出および人数カウントのための自動車の例示的な室内鳥瞰図を示す。一例では、１つ以上のタイプ１デバイスおよび複数のタイプ２デバイス（例えば、Ｎ＝４）は、人を保持できる固定の場所（立つ、座る、ひざまずく、横になるなどのための空間であり得る）にて、複数の「シート」を有する限られたエリア（例えば、自動車、会議室、バス、飛行機、または映画館などの閉鎖エリア、窓が開いたバス、または屋外テーブルの周りの８脚の屋外椅子を有するバルコニーなどの半開放エリア）に置くことができる。タイプ１デバイスからタイプ２デバイスに送られた無線信号から抽出されたＴＳＣＩに基づいて、１つ以上の「シート」に人が存在することが検出され得る。
図６１は、前列に２シートおよび後列に２シートを備えた４シートの自動車の特定の例を示す。各シートは、人が座るための「シートベッド」および人がもたれるための「シートバック」を有することに注意する。タイプ１デバイスは、フロントのダッシュボード上に置くことができる。４つのタイプ２デバイスは、４つのシートの各々に１つずつ配置することができる（例えば、シートベッド中／上／下、またはシートベッド中／上／下）。シートＡ（例えば、運転席、または前列の右シート、または後列の左シートなど）がドライバーまたは乗客またはチャイルドシートに乗った乳児によって占有されている場合、占有されたシートＡと関連付けられたＣＩ（ＣＩ）は、空のシートＡと関連付けられたＣＩとは異なる（例えば、小さくなるまたは大きくなる）反応をし得る。したがって、ＣＩを検査することによって各シートのシート占有率を検出することができる。すべてのシートにこのような試験を実施することによって、車内の人数をカウントできる。人が標準的でない場所（例えば、２つのシートの間、後列の中央、前列の中央、またはチャイルドシートに乗った乳児）に座っている場合、ＣＩに関連付けられた複数のタイプ２デバイスは、連帯的に分析され、そこに人がいるかどうかを判定することができる。チャイルドシートに乗った乳児のシグニチャ（signature ）が大人または子供とは異なり得るため、大人／子供／乳児の分類をＣＩに基づいて実施することができる。
タスクは、上記のシート占有率に基づいて実施され得る。例えば、タスクは、シートが占有されている場合は、エアバッグを準備するが、シートが占有されていない場合は、エアバッグを解除することであり得る。並のサイズの大人の代わりに小さいサイズの人（例えば、子供）が検出される場合、大人用に設計されたエアバッグは準備されない場合がある。暖房／エアコンディション設定は、調整され得る。タスクは、窓、照明、オーディオシステム、エンタテイメントシステム（例えば、ビデオ）、ノイズキャンセリング、衝撃吸収システム、安定化サイズ、自動車回避システム、安全機能、タイヤ空気圧、任意のその他の自動車サブシステムなどを制御することであり得る。例えば、乗客が右前シートに検出された場合、その領域（右前）の温度を事前設定レベルに制御することができる。シートが空である場合、温度を異なって調整することができる。
図６２Ａ～６２Ｄは、本教示の一実施形態による、車内の様々なシート占有状況による、ＣＩ（ＣＩ）の変化を示す。図６２Ａは、占有されているシートがない場合のＣＩを示す。図６２Ｂは、シート１（例えば、図６１のボットアンテナ１を有するシート）が占有されている場合のＣＩを示す。図６２Ｃは、シート３（例えば、図６１のボットアンテナ３を有するシート）が占有されている場合のＣＩを示す。図６２Ｄは、シート１およびシート３の両方が占有されている場合のＣＩを示す。
上記の機能は、データストレージシステム、少なくとも１つの入力デバイス、および少なくとも１つの出力デバイスからのデータおよび命令を受信し、ならびにこれらにデータおよび命令を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内に有利に実装できる。コンピュータプログラムは、特定の活動を実施するか、または特定の結果をもたらすために、コンピュータ内で直接的または間接的に使用することができる命令セットである。コンピュータプログラムは、コンパイル型言語またはインタプリタ型言語を含む、任意の形態のプログラミング言語（例えば、Ｃ、Ｊａｖａ）で書くことができ、スタンドアロンプログラム、またはモジュール、コンポーネント、サブルーチン、ブラウザベースウェブアプリケーション、もしくはコンピューティング環境で使用するのに好適なその他のユニットを含む、任意の形態で配布され得る。
命令のプログラムを実行するのに好適なプロセッサとしては、例えば、汎用マイクロプロセッサおよび専用マイクロプロセッサの両方、デジタル信号プロセッサ、ならびに任意の種類のコンピュータの唯一のプロセッサ、または複数のプロセッサもしくはコアのうちの１つが挙げられる。一般に、プロセッサは、読取り専用メモリもしくはランダムアクセスメモリまたはその両方から命令およびデータを受信することになる。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、ならびに命令およびデータを記憶するための１つ以上のメモリである。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つ以上大容量ストレージデバイスを含む、または通信するように動作可能に結合され、このようなデバイスには、磁気ディスク、例えば、内部ハードディスクおよび取外し可能ディスク、光磁気ディスク、ならびに光ディスクを含む。コンピュータプログラム命令およびデータを実態的に具現化するのに好適なストレージデバイスは、例として、ＥＰＲＯＭ、ＥＥＰＲＯＭ、およびフラッシュメモリデバイスなどの半導体メモリデバイス、内部ハードディスクおよび取外し可能ディスクなどの磁気ディスク、光磁気ディスク、ならびにＣＤ－ＲＯＭおよびＤＶＤ－ＲＯＭディスクを含む、すべての形態の不揮発性メモリを含む。プロセッサおよびメモリは、ＡＳＩＣ（特定用途向け集積回路）によって補足するかまたはその中に組み込むことができる。
本教示は、多数の特定の実装詳細を含むが、これらは、本教示の範囲または特許請求され得る範囲の制限として解釈されるべきではなく、本教示の特定の実施形態に固有である特徴の説明として解釈されるべきである。別個の実施形態との関連で本明細書に記載されたある特定の特徴はまた、単一の実施形態において組み合わせて実装され得る。逆に、単一の実施形態との関連で記載された様々な特徴はまた、複数の実施形態において別個に、または任意の適切な部分的組み合わせで、実装され得る。
同様に、動作は、特定の順番で図面に示されるが、これは、好ましい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番でまたは逐次的に実施されること、あるいは、すべての図示された動作が実施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。ある特定の状況では、マルチタスキングおよび並行処理が、有利であることがある。更に、前述の実施形態における様々なシステム構成要素の分離は、すべての実施形態でそのような分離が必要とされるものとして理解されるべきではなく、記載されているプログラム構成要素およびシステムは、一般に、単一のソフトウェア製品においてともに統合されてもよく、または複数のソフトウェア製品にパッケージ化されてもよい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。上記の特徴およびアーキテクチャの任意の組み合わせは、下記の特許請求の範囲の範囲内であることが意図されている。その他の実施形態はまた、以下の特許請求の範囲内である。場合によっては、本特許請求の範囲に列挙されるアクションは、異なる順番で実行され、望ましい結果をやはり達成することがある。加えて、添付の図面に記載された工程は、望ましい結果を達成するために、示された特定の順番、または逐次的順番を必ずしも必要としない。ある特定の実装例では、マルチタスキングおよび並行処理が、有利であることがある。

Claims (20)

  1. プロセッサと、前記プロセッサと通信可能に接続されたメモリと、場所（venue）における繰り返しの動きをモニタするための前記メモリに格納された１組の命令と、を備えるシステムであって、
    前記場所における第１位置に位置し、前記場所におけるオブジェクトの前記繰り返しの動きにより影響される無線マルチパスチャネルを通して無線信号を送信するように構成された送信機と、
    前記場所の第２位置に位置する受信機であって、
    前記場所の前記オブジェクトの前記繰り返しの動きにより影響される前記無線マルチパスチャネルを通して前記無線信号を受信し、
    前記無線信号に基づいて前記無線マルチパスチャネルのＴＳＣＩ（ＣＩ）を取得する、受信機と、
    前記ＣＩの時系列に基づいて前記オブジェクトの前記繰り返しの動きの周期的特徴をモニタするように構成された繰り返し動きモニタと、を備えたシステム。
  2. 前記オブジェクトは生命、装置及び陸のうちの少なくとも1つであり、
    前記繰り返しの動きは、前記オブジェクトの次の、
    呼吸、心拍、周期的な手のジェスチャ、周期的な歩行、回転、振動及び地震のうちの少なくとも1つを表し、
    前記周期的特徴は前記繰り返しの動きの速度を表す、請求項１に記載のシステム。
  3. 前記繰り返し動きモニタは、前記送信機、前記受信機、追加の送信機、追加の受信機、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のうちの少なくとも1つに接続される、請求項１に記載のシステム。
  4. 各ＣＩはＮ１個のコンポーネントを含み、Ｎ１は１より大きな整数であり、
    前記繰り返し動きモニタはさらに、
    前記ＣＩの時系列をＮ１個のコンポーネント時系列に分解し、各それぞれのコンポーネント時系列は各ＣＩの前記Ｎ１個のコンポーネントのそれぞれの１つを含み、
    前記Ｎ１個のコンポーネント時系列に基づいてＮ１個のコンポーネント特徴時系列を計算し、各それぞれのコンポーネント特徴時系列は各ＣＩの前記それぞれのコンポーネントの特徴を含み、
    前記オブジェクトの前記繰り返しの動きの現在の周期的特徴を、現在のスライディング時間窓と関連付け、
    Ｎ１個のコンポーネントスライディング関数を計算し、各それぞれのコンポーネントスライディング関数は、前記現在のスライディング時間窓のそれぞれのコンポーネント特徴時系列のそれぞれの変換であり、
    前記Ｎ１個のコンポーネントスライディング関数及び前記Ｎ１個のコンポーネントスライディング関数に基づいて計算された結合されたスライディング関数のうちの少なくとも1つに基づいて前記オブジェクトの前記繰り返しの動きの前記現在の周期的特徴をモニタする
    ように構成された請求項１に記載のシステム。
  5. 前記繰り返し動きモニタはさらに、
    前記結合されたスライディング関数及び前記Ｎ１個のコンポーネントスライディング関数のそれぞれとのうちの少なくとも１つの少なくとも１つの特徴を計算するように構成された繰り返し特徴抽出器であって、前記少なくとも１つの特徴は、極値、局所的最大、局所的最小、ゼロ交差、局所的最大導関数、局所的最大高次導関数、局所的最小導関数、局所的最小高次導関数、局所的ゼロ導関数、正の数、負の数、有意な数、正の最大、正の最小、負の最大、負の最小、最初の最大、最初の最小、２番目の最大、２番目の最小、Ｎ番目の最大、Ｎ番目の最小、有意な最大、有意な最小、有意な導関数及び有意な高次導関数関数のうちの少なくとも１を含む、繰り返し特徴抽出器と、
    繰り返し速度推定器であって、
    前記結合されたスライディング関数と前記Ｎ１個のコンポーネントスライディング関数のそれぞれとのうちの少なくとも１つの少なくとも1つの特徴と、
    前記結合されたスライディング関数と前記Ｎ１個のコンポーネントスライディング関数のそれぞれとのうちの少なくとも１つの少なくとも１つの特徴に関連付けられた少なくとも１つのドメイン値と、のうちの少なくとも１つに基づいて、前記オブジェクトの前記繰り返しの動きの前記現在の周期的特徴をモニタするように構成された前記繰り返し速度推定器と、
    を含む請求項４に記載のシステム。
  6. 前記繰り返し動きモニタはさらに、
    前記現在のスライディング時間窓内の前記Ｎ１個のコンポーネント特徴時系列及び前記Ｎ１個のコンポーネント時系列とのうちの少なくとも１つのそれぞれの少なくとも１つの支配的な周期的特徴を計算するように構成された繰り返し特徴抽出器であって、前記少なくとも１つの支配的な周期的特徴は、スペクトルの極値、局所的スペクトルの最大、局所的スペクトルの最小、スペクトルのゼロ交差、局所的最大スペクトル導関数、局所的最大スペクトル高次導関数、局所的最小スペクトル導関数、局所的最小スペクトル高次導関数、局所的ゼロスペクトル導関数、正のスペクトル量、負のスペクトル量、有意なスペクトル量、正のスペクトル最大、正のスペクトル最小、負のスペクトル最大、負のスペクトル最小、最初のスペクトル最大、最初のスペクトル最小、２番目のスペクトル最大、２番目のスペクトル最小、Ｎ番目のスペクトル最大、Ｎ番目のスペクトル最小、有意なスペクトル最大、有意なスペクトル最小、有意なスペクトル導関数及び有意なスペクトル高次導関数のうちの少なくとも１つを含む、繰り返し特徴抽出器と、
    繰り返し速度推定器であって、
    前記少なくとも１つの支配的な周期的特徴と、
    前記少なくとも１つの支配的な周期的特徴に基づいて計算された少なくとも１つの結合された支配的な周期的特徴と、のうちの少なくとも１つに基づいて前記オブジェクトの前記繰り返しの動きの前記現在の周期的特徴をモニタするように構成された、繰り返し速度推定器と、
    を含む請求項４に記載のシステム。
  7. 前記繰り返し動きモニタはさらに、
    繰り返し信号エンハンサであって、
    前記Ｎ１個のそれぞれのコンポーネントスライディング関数のそれぞれの周波数変換に基づくＮ１個のコンポーネント周波数関数と、
    前記結合されたスライディング関数の前記周波数変換に基づく結合された周波数関数と、のうちの少なくとも１つを計算するように構成された繰り返し信号エンハンサと
    繰り返し特徴抽出器であって、
    前記Ｎ１個のコンポーネント周波数関数と、
    前記結合された周波数関数と、のうちの少なくとも１つの少なくとも１つの特徴を計算するように構成された繰り返し特徴抽出器と、
    前記少なくとも１つの特徴に基づいて、前記オブジェクトの前記繰り返しの動きの前記現在の周期的特徴と、前記場所における追加のオブジェクトの追加の繰り返しの動きの現在の周期特徴と、のうちの少なくとも1つをモニタするように構成された繰り返し速度推定器と、
    を含む請求項４に記載のシステム。
  8. 前記繰り返し動きモニタはさらに、
    前記少なくとも１つの特徴から許可されていない特徴を識別し、除去するように構成されたチャネル情報プロセッサを含み、
    許可範囲外の特徴は許可されていない特徴として識別され、
    前記許可範囲内の特徴は、適応バックグラウンドノイズフロアに基づいて適応的に計算される適応閾値より大きい場合は、許可されていない特徴として識別され、
    前記適応バックグラウンドノイズフロアは前記許可範囲外の少なくとも１つの特徴に基づいて計算される
    請求項７に記載のシステム。
  9. 前記無線マルチパスチャネルは前記場所での前記追加のオブジェクトの前記追加の繰り返しの動きによりさらに影響され、
    前記少なくとも１つの特徴は、前記オブジェクトの前記繰り返しの動きの前記周期的特徴に関連付けられる第１の特徴と、前記追加のオブジェクトの前記追加の繰り返しの動きの前記周期的特徴に関連付けられる第２の特徴と、を含み、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴及び前記追加のオブジェクトの前記追加の繰り返しの動きの前記周期的特徴は前記第１の特徴及び前記第２の特徴に基づいて同時にモニタされる
    請求項７に記載のシステム。
  10. 前記繰り返し動きモニタは、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴に基づき少なくとも１つの分析を計算することと、前記オブジェクトの前記繰り返しの動きの前記周期的特徴の情報をユーザインタフェースへ送信すること、のうちの少なくとも１つを行うようにさらに構成される
    請求項１に記載のシステム。
  11. 前記システムであって、
    前記送信された情報に基づいて、前記オブジェクトの前記繰り返しの動きの前記周期的特徴のサマリを提示するように構成された前記ユーザインタフェースを含む、請求項１０に記載のシステム。
  12. 一連の重なり合う時間窓において、局所的に繰り返す動きが周期的動きに見えるように、前記オブジェクトの前記繰り返しの動きは局所的に繰り返し、
    前記オブジェクトの前記局所的に繰り返す動きの前記周期的特徴は、前記一連の重なり合う時間窓のそれぞれにおいてモニタされる、請求項１に記載のシステム。
  13. 前記繰り返し動きモニタは、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴を処理し、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴に基づいて時間関数を計算し、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴と前記時間関数とのうちの少なくとも１つを分析し、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴と前記時間関数とのうちの少なくとも１つに基づいて少なくとも１つの解析を計算する
    よう構成された繰り返し速度推定器を含む、請求項１に記載のシステム。
  14. 前記繰り返し動きモニタはさらに、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴と、前記ＣＩの時系列に基づいて計算された異なる特徴及び他の場所に関連付けられた異なる無線マルチパスチャネルの異なるＣＩの時系列に基づいて計算された他の異なる特徴のうちの少なくとも１つと、についてのジョイント分析を実行し、
    前記ジョイント分析に基づいて少なくとも１つのジョイント分析を計算するように構成された請求項１に記載のシステム。
  15. 前記繰り返し動きモニタは、
    前記ＣＩの時系列に基づいて計算された前記オブジェクトの前記繰り返しの動きの利用可能な周期的特徴、前記ＣＩの時系列に基づいて計算された異なる特徴、及び他の場所に関連付けられた他の無線マルチパスチャネルのＣＩの異なる時系列に基づいて計算された他の異なる特徴、のうちの少なくとも１つに基づいて前記オブジェクトの前記繰り返しの動きの欠けている周期的特徴を推定するように構成された繰り返し速度推定器を含む、請求項１に記載のシステム。
  16. 前記繰り返し動きモニタはさらに、
    前記ＣＩの時系列に基づいて同時に追加のオブジェクトの追加の繰り返しの動きの追加の周期的特徴をモニタするようにさらに構成され、前記無線マルチパスチャネルは前記場所の前記追加のオブジェクトの前記追加の繰り返しの動きによりさらに影響される、請求項１に記載のシステム。
  17. 前記繰り返し動きモニタは、
    前記オブジェクトの前記繰り返しの動きの前記周期的特徴の時間関数をローパスフィルタリングすることによりトレンド関数を計算し、
    前記時間関数と、前記トレンド関数と、前記周期的特徴の前記時間関数から前記トレンド関数を減算することにより計算されたデトレンド関数と、のうちの少なくとも１つを分析し、
    前記時間関数、前記トレンド関数及び前記デトレンド関数のうちの少なくとも１つに基づいて前記オブジェクトの前記繰り返しの動きをモニタするように構成された繰り返し速度推定器を含む、請求項１に記載のシステム。
  18. 場所において繰り返しの動きをモニタする方法であって、
    前記場所のオブジェクトの前記繰り返しの動きにより影響される無線マルチパスチャネルを通して無線信号を受信することと、
    前記無線信号に基づいて前記無線マルチパスチャネルのＴＳＣＩ（ＣＩ）を取得することと、
    前記ＣＩの時系列に基づいて前記オブジェクトの前記繰り返しの動きの周期的特徴をモニタすることと、を含む方法。
  19. 前記オブジェクトは生命、装置及び陸のうちの少なくとも1つであり、
    前記繰り返しの動きは、前記オブジェクトの次の、呼吸、心拍、周期的な手のジェスチャ、周期的な歩行、回転、振動、及び地震、のうちの少なくとも１つを表し、
    前記周期的特徴は前記繰り返しの動きの速度を表し、
    各ＣＩはＮ１個のコンポーネントを含み、Ｎ１は１より大きい整数であり、
    前記方法はさらに、
    前記ＣＩの時系列をＮ１個のコンポーネント時系列に分解することであって、各それぞれのコンポーネント時系列は各ＣＩの前記Ｎ１個のコンポーネントのそれぞれの１つを含むことと、
    前記Ｎ１個のコンポーネント時系列に基づいてＮ１個のコンポーネント特徴時系列を計算することであって、各それぞれのコンポーネント特徴時系列は各ＣＩの前記それぞれのコンポーネントの特徴を含むことと、
    前記オブジェクトの前記繰り返しの動きの現在の周期特徴を、現在のスライディング時間窓と関連付けることと、
    Ｎ１個のコンポーネントスライディング関数を計算することであって、各それぞれのコンポーネントスライディング関数は、前記現在のスライディング時間窓においてそれぞれのコンポーネント特徴時系列のそれぞれの変換であることと、
    前記Ｎ１個のコンポーネントスライディング関数及び前記Ｎ１個のコンポーネントスライディング関数に基づいて計算された結合されたスライディング関数のうちの少なくとも1つに基づいて前記オブジェクトの前記繰り返しの動きの前記現在の周期的特徴をモニタすることと、を含む請求項１８に記載の方法。
  20. 前記結合されたスライディング関数とＮ１個のコンポーネントスライディング関数のそれぞれと、のうちの少なくとも１つの少なくとも１つの特徴であって、前記少なくとも１つの特徴は、極値、局所的最大、局所的最小、ゼロ交差、局所的最大導関数、局所的最大高次導関数、局所的最小導関数、局所的最小高次導関数、局所的ゼロ導関数、正の数、負の数、有意な数、正の最大、正の最小、負の最大、負の最小、最初の最大、最初の最小、２番目の最大、２番目の最小、Ｎ番目の最大、Ｎ番目の最小、有意な最大、有意な最小、有意な導関数及び有意な高次導関数関数のうちの少なくとも１つを含む、少なくとも１つの特徴と、
    前記現在のスライディング時間窓内の前記Ｎ１個のコンポーネント特徴時系列及び前記Ｎ１個のコンポーネント時系列のうちの少なくとも１つのそれぞれの少なくとも１つの支配的な周期的特徴であって、前記少なくとも１つの支配的な周期的特徴は、スペクトルの極値、局所的スペクトルの最大、局所的スペクトルの最小、スペクトルのゼロ交差、局所的最大スペクトル導関数、局所的最大スペクトル高次導関数、局所的最小スペクトル導関数、局所的最小スペクトル高次導関数、局所的ゼロスペクトル導関数、正のスペクトル量、負のスペクトル量、有意なスペクトル量、正のスペクトル最大、正のスペクトル最小、負のスペクトル最大、負のスペクトル最小、最初のスペクトル最大、最初のスペクトル最小、２番目のスペクトル最大、２番目のスペクトル最小、Ｎ番目のスペクトル最大、Ｎ番目のスペクトル最小、有意なスペクトル最大、有意なスペクトル最小値、有意なスペクトル導関数及び有意なスペクトル高次導関数のうちの少なくとも１つを含む、少なくとも１つの支配的な特徴と、のうちの少なくとも１つを計算することと、
    前記オブジェクトの前記繰り返しの動きの前記現在の周期的特徴を、
    前記結合されたスライディング関数と前記Ｎ１個のコンポーネントスライディング関数のそれぞれと、のうちの少なくとも１つの少なくとも1つの特徴と、
    前記結合されたスライディング関数と前記Ｎ１個のコンポーネントスライディング関数のそれぞれと、のうちの少なくとも１つの前記少なくとも１つの特徴に関連した少なくとも１つのドメイン値と、
    前記少なくとも１つの支配的な周期的特徴と、
    前記少なくとも１つの支配的な周期的特徴に基づいて計算された少なくとも１つの結合された支配的な周期的特徴と、のうちの少なくとも１つに基づいてモニタすることと、をさらに含む請求項１９に記載の方法。
JP2023076862A 2017-12-01 2023-05-08 周期的な動き検出とモニタのための方法、装置及びシステム Pending JP2023109822A (ja)

Applications Claiming Priority (25)

Application Number Priority Date Filing Date Title
US201762593826P 2017-12-01 2017-12-01
US62/593,826 2017-12-01
US15/861,422 US11025475B2 (en) 2012-12-05 2018-01-03 Method, apparatus, server, and systems of time-reversal technology
US15/861,422 2018-01-03
US15/873,806 US10270642B2 (en) 2012-12-05 2018-01-17 Method, apparatus, and system for object tracking and navigation
US15/873,806 2018-01-17
US201862678207P 2018-05-30 2018-05-30
US62/678,207 2018-05-30
US16/101,444 US10291460B2 (en) 2012-12-05 2018-08-11 Method, apparatus, and system for wireless motion monitoring
US16/101,444 2018-08-11
US201862734224P 2018-09-20 2018-09-20
US62/734,224 2018-09-20
US201862744093P 2018-10-10 2018-10-10
US62/744,093 2018-10-10
US201862753017P 2018-10-30 2018-10-30
US62/753,017 2018-10-30
US16/200,616 US10495725B2 (en) 2012-12-05 2018-11-26 Method, apparatus, server and system for real-time vital sign detection and monitoring
US16/200,616 2018-11-26
US16/200,608 2018-11-26
US16/200,608 US10735298B2 (en) 2012-12-05 2018-11-26 Method, apparatus, server and system for vital sign detection and monitoring
US16/203,299 2018-11-28
US16/203,299 US10374863B2 (en) 2012-12-05 2018-11-28 Apparatus, systems and methods for event recognition based on a wireless signal
US16/203,317 2018-11-28
US16/203,317 US10397039B2 (en) 2012-12-05 2018-11-28 Apparatus, systems and methods for fall-down detection based on a wireless signal
JP2018226505A JP7278682B2 (ja) 2017-12-01 2018-12-03 周期的な動き検出とモニタのためのシステム及び方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2018226505A Division JP7278682B2 (ja) 2017-12-01 2018-12-03 周期的な動き検出とモニタのためのシステム及び方法

Publications (1)

Publication Number Publication Date
JP2023109822A true JP2023109822A (ja) 2023-08-08

Family

ID=66284909

Family Applications (6)

Application Number Title Priority Date Filing Date
JP2018226507A Active JP7353006B2 (ja) 2017-12-01 2018-12-03 無線信号に基づいてイベントを認識するための装置、システム及び方法
JP2018226508A Active JP7393748B2 (ja) 2017-12-01 2018-12-03 無線信号に基づく転倒検出のための装置、システム及び方法
JP2018226505A Active JP7278682B2 (ja) 2017-12-01 2018-12-03 周期的な動き検出とモニタのためのシステム及び方法
JP2018226506A Active JP7228375B2 (ja) 2017-12-01 2018-12-03 オブジェクト追跡とナビゲーションのための方法、装置及びシステム
JP2023020188A Pending JP2023075094A (ja) 2017-12-01 2023-02-13 オブジェクト追跡とナビゲーションのための方法、装置及びシステム
JP2023076862A Pending JP2023109822A (ja) 2017-12-01 2023-05-08 周期的な動き検出とモニタのための方法、装置及びシステム

Family Applications Before (5)

Application Number Title Priority Date Filing Date
JP2018226507A Active JP7353006B2 (ja) 2017-12-01 2018-12-03 無線信号に基づいてイベントを認識するための装置、システム及び方法
JP2018226508A Active JP7393748B2 (ja) 2017-12-01 2018-12-03 無線信号に基づく転倒検出のための装置、システム及び方法
JP2018226505A Active JP7278682B2 (ja) 2017-12-01 2018-12-03 周期的な動き検出とモニタのためのシステム及び方法
JP2018226506A Active JP7228375B2 (ja) 2017-12-01 2018-12-03 オブジェクト追跡とナビゲーションのための方法、装置及びシステム
JP2023020188A Pending JP2023075094A (ja) 2017-12-01 2023-02-13 オブジェクト追跡とナビゲーションのための方法、装置及びシステム

Country Status (2)

Country Link
EP (6) EP3492946B1 (ja)
JP (6) JP7353006B2 (ja)

Families Citing this family (82)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6680838B2 (ja) * 2018-08-10 2020-04-15 セントラル警備保障株式会社 警備システムにおけるモード設定方法
CN110334785B (zh) * 2019-06-19 2023-05-09 深圳数联天下智能科技有限公司 物体移动路径的确定方法及相关装置
KR20210007238A (ko) 2019-07-10 2021-01-20 삼성전자주식회사 흔들림 보정을 통한 물체 인식 방법 및 그 전자 장치
CN110377872B (zh) * 2019-07-20 2022-12-13 中国科学院上海天文台 一种基于通用计算显卡的多普勒数据处理方法
CN112285688A (zh) * 2019-07-22 2021-01-29 财团法人工业技术研究院 讯号感测系统与方法
CN110298605A (zh) * 2019-07-30 2019-10-01 浙江长元科技有限公司 一种基于物联网的智慧消防安全决策方法及系统
CN112333128B (zh) * 2019-08-05 2021-09-17 四川大学 一种基于自编码器的Web攻击行为检测系统
CN110689700A (zh) * 2019-09-11 2020-01-14 天津市英贝特航天科技有限公司 一种基于x4m200的婴儿监护设备
CN112654066B (zh) * 2019-10-11 2023-03-14 维沃移动通信有限公司 一种测量上报配置方法、设备及系统
CN110751082B (zh) * 2019-10-17 2023-12-12 烟台艾易新能源有限公司 一种智能家庭娱乐系统手势指令识别方法
CN110941191B (zh) * 2019-10-22 2023-08-18 青岛海尔科技有限公司 基于物联网操作系统的设备控制方法、装置及存储介质
CN110988933B (zh) * 2019-10-31 2023-03-28 太原理工大学 一种基于模拟退火和梯度下降的选星方法
CN110801355B (zh) * 2019-11-06 2022-05-03 佛山市顺德区孝德嘉医疗科技有限公司 一种安全起床训练器及训练方法
CN110852266A (zh) * 2019-11-11 2020-02-28 重庆邮电大学 一种基于无线信号的步态特征提取方法
CN110995376B (zh) * 2019-11-21 2021-05-04 北京邮电大学 一种基于WiFi信道状态信息的空中手写输入方法
CN112949344B (zh) * 2019-11-26 2023-03-31 四川大学 一种用于异常检测的特征自回归方法
CN111083206A (zh) * 2019-12-02 2020-04-28 广东马上信息科技有限公司 一种基于物联网的智慧校园中枢控制系统
CN111134637B (zh) * 2019-12-06 2023-04-07 深圳绿米联创科技有限公司 信号处理方法、装置、电子设备及存储介质
CN111128315B (zh) * 2019-12-13 2023-08-11 桂林理工大学 一种基于引力搜索算法的地聚物混凝土配合比方法
CN111027524B (zh) * 2020-01-03 2023-09-01 成都中科大旗软件股份有限公司 在线客流监测分析数据误差修正方法
CN111292261B (zh) * 2020-01-17 2023-04-18 杭州电子科技大学 一种基于多传感器融合的集装箱检测及锁定方法
CN113138409A (zh) * 2020-01-19 2021-07-20 中国石油天然气集团有限公司 一种三维叠后地震数据处理方法及装置
CN113222489B (zh) * 2020-02-06 2023-09-29 北京京东振世信息技术有限公司 一种设定物品传送速度的方法和装置
EP3872520A3 (en) * 2020-02-25 2021-11-03 Origin Wireless, Inc. Device and method for vehicle related wireless monitoring based on multipath channel information
CN111428782B (zh) * 2020-03-20 2022-06-21 国网浙江省电力公司 一种根据负荷历史电流数据还原负荷工作状态的方法
US11163372B2 (en) 2020-04-01 2021-11-02 Toyota Motor North America, Inc Transport gait and gesture interpretation
CN111458698B (zh) * 2020-04-02 2022-07-15 哈尔滨工程大学 一种被动声纳稀疏阵位优化方法
CN111541505B (zh) * 2020-04-03 2021-04-27 武汉大学 一种面向ofdm无线通信系统的时域信道预测方法及系统
US11202121B2 (en) * 2020-05-13 2021-12-14 Roku, Inc. Providing customized entertainment experience using human presence detection
US20210382479A1 (en) * 2020-06-09 2021-12-09 Insurance Services Office, Inc. Systems and Methods for Controlling Automated Systems Using Integer Programming and Column Generation Techniques
CN111753686A (zh) * 2020-06-11 2020-10-09 深圳市三旺通信股份有限公司 基于csi的人数识别方法、装置、设备及计算机存储介质
CN111898442B (zh) * 2020-06-29 2023-08-11 西北大学 一种基于多模态特征融合的人体动作识别方法及装置
CN111917360B (zh) * 2020-06-30 2023-05-05 中国电力科学研究院有限公司 基于级数分解确定伺服电机定子故障状态指标的方法及系统
JP7349683B2 (ja) * 2020-07-20 2023-09-25 日本電信電話株式会社 物体検知システム、物体検知装置、物体検知方法および物体検知プログラム
CN111830465B (zh) * 2020-07-27 2023-07-07 重庆大学 二维牛顿正交匹配追踪压缩波束形成方法
CN111856490B (zh) * 2020-07-29 2022-06-28 中国科学院光电技术研究所 一种非视域目标探测时中介面回波的抑制方法
CN112363171B (zh) * 2020-08-18 2022-07-05 中国船舶重工集团公司第七一五研究所 一种解决被动警戒画面目标航迹交叉的自主跟踪方法
CN112082557A (zh) * 2020-09-14 2020-12-15 哈尔滨工程大学 基于贝塞尔拟合的uuv海底地形跟踪路径滚动生成方法
CN112082558A (zh) * 2020-09-14 2020-12-15 哈尔滨工程大学 基于多项式拟合的uuv海底地形跟踪路径滚动生成方法
CN112113570B (zh) * 2020-09-15 2022-05-17 电子科技大学 一种基于深度迁移和模型参数集成的室内定位方法
CN112407321B (zh) * 2020-10-30 2022-05-31 中国直升机设计研究所 一种基于直升机旋翼转速生成方位角信号的方法
CN112465847A (zh) * 2020-11-27 2021-03-09 深圳点猫科技有限公司 一种基于预测清晰边界的边缘检测方法、装置及设备
TWI745259B (zh) * 2020-12-03 2021-11-01 國立虎尾科技大學 應用於5g智慧製造設備的天線信號均優化方法
US20220210605A1 (en) * 2020-12-28 2022-06-30 Robert Bosch Gmbh Systems and methods for assisting drivers and riders to locate each other
CN112651349B (zh) * 2020-12-30 2022-01-07 西南交通大学 一种无线干扰检测方法、装置、设备及可读存储介质
EP4274475A1 (en) 2021-01-07 2023-11-15 Signify Holding B.V. Detection system and method for detecting motion of a subject
CN112911704B (zh) * 2021-01-21 2022-04-05 北京邮电大学 基于动态融合特征的csi室内指纹定位方法及装置
CN114792461B (zh) * 2021-01-25 2024-01-16 广州汽车集团股份有限公司 一种车内求救信号发送的方法及装置
CN112773342A (zh) * 2021-01-27 2021-05-11 山东体育学院 体育运动参数测试方法及系统
CN113126050B (zh) * 2021-03-05 2022-08-19 沃尔夫曼消防装备有限公司 一种基于神经网络的生命探测方法
CN113192283B (zh) * 2021-04-27 2022-04-15 中国地质大学（武汉） 一种多传感器信息融合的无线火灾预警系统
KR20230175228A (ko) 2021-05-12 2023-12-29 코그니티브 시스템스 코퍼레이션 Ｗｉ-ｆｉ 감지를 위한 시간 도메인 채널 표현 정보를 위한 시스템들 및 방법들
CN113341406A (zh) * 2021-06-15 2021-09-03 中铁隧道局集团有限公司 一种隧道病害检测系统的检测方法
CN113507745B (zh) * 2021-06-23 2023-04-18 电子科技大学 一种基于时间反演无线输能的多用户功率分配方法及系统
CN113671910B (zh) * 2021-07-21 2022-09-27 华南理工大学 一种集成多agv柔性作业车间调度方法、装置及介质
CN115702993B (zh) * 2021-08-12 2023-10-31 荣耀终端有限公司 跳绳状态的检测方法及电子设备
CN117795967A (zh) 2021-09-01 2024-03-29 三星电子株式会社 显示装置及其控制方法
KR20230033285A (ko) * 2021-09-01 2023-03-08 삼성전자주식회사 디스플레이 장치 및 그 제어 방법
WO2023031875A1 (en) * 2021-09-03 2023-03-09 Cognitive Systems Corp. Methods and systems for compressed csi for virtual wideband channels
US20230072377A1 (en) * 2021-09-08 2023-03-09 Nami Ai Pte Ltd. Onboarding a Sensing System
CN113870528A (zh) * 2021-09-17 2021-12-31 四川华能宝兴河水电有限责任公司 一种通过智能安全帽对危险事件进行快速感知的方法
CN113866739B (zh) * 2021-09-17 2024-05-14 西安电子科技大学 基于glct-gptf的多旋翼目标参数估计方法
CN113553141B (zh) * 2021-09-17 2021-12-21 支付宝(杭州)信息技术有限公司 一种基于云边端架构的终端保活管理方法及装置
CN113936253B (zh) * 2021-12-16 2022-03-01 深圳致星科技有限公司 料件搬运作业周期生成方法、存储介质、电子设备及装置
CN114224320B (zh) * 2021-12-31 2023-01-17 深圳融昕医疗科技有限公司 自适应多通道信号融合的鼾声检测方法、设备及系统
WO2023136112A1 (ja) * 2022-01-12 2023-07-20 株式会社村田製作所 演算装置および演算プログラム
US20230309053A1 (en) * 2022-03-25 2023-09-28 Viavi Solutions Inc. Utilizing machine learning models to estimate user device spatiotemporal behavior
CN115134477A (zh) * 2022-04-29 2022-09-30 西安应用光学研究所 一种光电系统同步定位方法
US20230387994A1 (en) * 2022-05-24 2023-11-30 Samsung Electronics Co., Ltd. Multi-antenna wifi based breathing rate estimation
CN115014765B (zh) * 2022-07-11 2023-04-07 浙江大学 一种通过声信号提取滚动轴承保持架故障特征的方法
CN114973589B (zh) * 2022-07-26 2022-10-28 中关村科学城城市大脑股份有限公司 火情信息生成方法、装置、电子设备和计算机可读介质
CN115486833B (zh) * 2022-08-22 2023-06-06 华南师范大学 呼吸状态检测方法、装置、计算机设备以及存储介质
CN115277249B (zh) * 2022-09-22 2022-12-20 山东省计算中心（国家超级计算济南中心） 一种多层异构网络协同的网络安全态势感知方法
CN115587291B (zh) * 2022-09-26 2023-05-30 华中科技大学 一种基于裂纹超声散射矩阵的去噪表征方法及系统
CN115453489B (zh) * 2022-10-28 2023-03-24 长沙莫之比智能科技有限公司 一种毫米波雷达室内多径判别方法
CN116367305B (zh) * 2023-06-01 2023-08-29 华中师范大学 一种基于掩码自编器和信号引导的无线定位方法及系统
CN116616817B (zh) * 2023-07-21 2023-10-03 深圳华声医疗技术股份有限公司 超声心率检测方法、装置、超声设备及存储介质
CN116653770B (zh) * 2023-07-27 2023-11-21 浙江省标准化研究院(金砖国家标准化(浙江)研究中心、浙江省物品编码中心) 一种道路机动车用光源安全评估预警系统
CN117111018B (zh) * 2023-10-24 2024-02-13 珠海正和微芯科技有限公司 人体微动检测方法
CN117129947B (zh) * 2023-10-26 2023-12-26 成都金支点科技有限公司 一种基于miniunet的平面变换法雷达信号识别方法
CN117607864B (zh) * 2024-01-15 2024-03-29 江西核工业工程地质勘察院有限公司 一种用于三维雷达综合检测车的扫描定位装置
CN117979237B (zh) * 2024-03-29 2024-05-28 国网四川省电力公司电力应急中心 一种基于北斗卫星定位的应急装备精细化管理系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5131657B2 (ja) * 2007-09-05 2013-01-30 公益財団法人北九州産業学術推進機構 呼吸監視方法及び装置
US20100152600A1 (en) * 2008-04-03 2010-06-17 Kai Sensors, Inc. Non-contact physiologic motion sensors and methods for use
EP2265169A4 (en) * 2008-04-03 2013-01-09 Kai Medical Inc NON-CONTACT PHYSIOLOGICAL MOTION SENSORS AND METHODS OF USE
WO2017155634A1 (en) * 2016-03-11 2017-09-14 Origin Wireless, Inc. Methods, devices, servers, apparatus, and systems for wireless internet of things applications
WO2010099268A1 (en) * 2009-02-25 2010-09-02 Xanthia Global Limited Wireless physiology monitor
EP3136961A4 (en) * 2014-04-28 2018-03-14 Massachusetts Institute Of Technology Vital signs monitoring via radio reflections
JP2015219222A (ja) 2014-05-21 2015-12-07 住友電気工業株式会社 監視装置、監視システム、監視方法および監視プログラム
CN106664265B (zh) 2014-07-17 2020-05-01 欧利景无线有限公司 无线定位系统
WO2016103394A1 (ja) 2014-12-25 2016-06-30 三菱電機株式会社 状態検知システム、空調制御システム、及び、状態検知方法
US9648211B2 (en) * 2015-05-14 2017-05-09 Xerox Corporation Automatic video synchronization via analysis in the spatiotemporal domain
US20170086202A1 (en) 2015-09-21 2017-03-23 Qualcomm Incorporated Wi-fi indoor radar
US10380881B2 (en) * 2015-12-09 2019-08-13 Origin Wireless, Inc. Method, apparatus, and systems for wireless event detection and monitoring
JP6943365B2 (ja) * 2016-01-18 2021-09-29 学校法人慶應義塾 情報処理装置、情報処理システム、計測装置、計測システム、情報処理方法及びプログラム
JP6900390B2 (ja) * 2016-03-11 2021-07-07 オリジン ワイヤレス， インコーポレイテッドＯｒｉｇｉｎ Ｗｉｒｅｌｅｓｓ， Ｉｎｃ． バイタルサインを検出及び監視する方法、装置、サーバ及びシステム
JP6971254B2 (ja) * 2016-04-14 2021-11-24 オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. 物体追跡のための方法、装置、サーバ及びシステム
US9743294B1 (en) * 2017-03-16 2017-08-22 Cognitive Systems Corp. Storing modem parameters for motion detection

Also Published As

Publication number Publication date
JP7278682B2 (ja) 2023-05-22
JP2023075094A (ja) 2023-05-30
EP3492945B1 (en) 2023-08-09
JP2019111321A (ja) 2019-07-11
EP3492945A1 (en) 2019-06-05
EP4233709A3 (en) 2023-11-15
JP2019133639A (ja) 2019-08-08
EP3879298A2 (en) 2021-09-15
EP3492946B1 (en) 2021-05-12
EP3492946A1 (en) 2019-06-05
EP4233709A2 (en) 2023-08-30
EP3879298A3 (en) 2021-12-08
JP2019179020A (ja) 2019-10-17
JP2019130289A (ja) 2019-08-08
EP3869219A1 (en) 2021-08-25
JP7353006B2 (ja) 2023-09-29
EP3492944B1 (en) 2021-05-05
JP7228375B2 (ja) 2023-02-24
JP7393748B2 (ja) 2023-12-07
EP3492944A1 (en) 2019-06-05

Similar Documents

Publication Publication Date Title
JP7278682B2 (ja) 周期的な動き検出とモニタのためのシステム及び方法
US10495725B2 (en) Method, apparatus, server and system for real-time vital sign detection and monitoring
US10735298B2 (en) Method, apparatus, server and system for vital sign detection and monitoring
US11439344B2 (en) Method, apparatus, and system for wireless sleep monitoring
US10397039B2 (en) Apparatus, systems and methods for fall-down detection based on a wireless signal
US10742475B2 (en) Method, apparatus, and system for object tracking sensing using broadcasting
US10374863B2 (en) Apparatus, systems and methods for event recognition based on a wireless signal
US20220091231A1 (en) Method, apparatus, and system for human identification based on human radio biometric information
US11340345B2 (en) Method, apparatus, and system for wireless object tracking
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
US20200202117A1 (en) Method, apparatus, and system for wireless gait recognition
US11500058B2 (en) Method, apparatus, and system for wireless proximity sensing
JP2021166704A (ja) 高周波信号を使用した無線バイタル監視の方法、装置、およびシステム
US20210311166A1 (en) Method, apparatus, and system for wireless micro motion monitoring
US20220386945A1 (en) Method, apparatus, and system for radio based sleep tracking
US11444710B2 (en) Method, apparatus, and system for processing and presenting life log based on a wireless signal
JP2022191191A (ja) サウンドセンシング及び無線センシングのための方法、装置及びシステム
US20230333201A1 (en) Method, apparatus, and system for correlation-based wireless monitoring and localization
US20240125888A1 (en) Method, apparatus, and system for wireless human and non-human motion detection
US20240175983A1 (en) Method, apparatus, and system for wireless sensing based on deep learning
US20240064691A1 (en) Method, apparatus, and system for wireless proximity detection

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230602

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230602

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230627

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240214

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240301

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240507

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240517