JP7353006B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP7353006B2
JP7353006B2 JP2018226507A JP2018226507A JP7353006B2 JP 7353006 B2 JP7353006 B2 JP 7353006B2 JP 2018226507 A JP2018226507 A JP 2018226507A JP 2018226507 A JP2018226507 A JP 2018226507A JP 7353006 B2 JP7353006 B2 JP 7353006B2
Authority
JP
Japan
Prior art keywords
tsci
event
current
section
item
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.)
Active
Application number
JP2018226507A
Other languages
English (en)
Other versions
JP2019133639A (ja
JP2019133639A5 (ja
Inventor
チンイ シュー，
フェン チャン，
チェン チェン，
ベイベイ ワン，
チェンシュー ウー，
ハンファン チャン，
チャウ－ワイ ワン，
デーヴィッド エヌ． クラフィ，
チュン－イ チェン，
ハン－コック， デュック ライ，
ジュン－ハン ウー，
ミン ウー，
イ ハン，
オスカー チ－リム オウ，
ケー． ジェイ． レイ リウ，
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 US16/203,317 external-priority patent/US10397039B2/en
Priority claimed from US16/203,299 external-priority patent/US10374863B2/en
Application filed by Origin Wireless Inc filed Critical Origin Wireless Inc
Publication of JP2019133639A publication Critical patent/JP2019133639A/ja
Publication of JP2019133639A5 publication Critical patent/JP2019133639A5/ja
Publication of JP7353006B2 publication Critical patent/JP7353006B2/ja
Application granted granted Critical
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)

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。
本教示は一般にイベントの認識とモニタに関連する。より具体的には、本教示は無線信号に基づいて場所におけるイベントを認識し分類することに関連する。
セキュリティシステムは、公共の建物と個人の住居の両方にますます普及している。従来のセキュリティシステムは通常、家に取り付けられている中央パネルによってモニタおよび／または制御される接触センサを使用する。侵入を検知するために、窓、ドア、および別の場所に様々なセンサを設置することができ、例えばドアまたは窓ごとに1つのセンサ設置することができる。典型的な家屋（例えば、1500平方フィートの大きさ）は、少なくとも6-8個のセンサを必要とし得る。これはかなりのハードウェアコストを招く。従来のセキュリティシステム（特に配線）の設置は面倒であり、時間がかかりそして高価である。従来のセキュリティシステムは、不可能ではないにしても、アップグレードが非常に困難であり、それは技術が進歩するにつれて必要とされる。従来のセキュリティシステムの保守および修理もまた面倒であり、高価であり、不可能に近い。
加えて、オブジェクトの動き検出に基づく既存のセキュリティシステムは十分な精度を提供することができず、しばしば誤った警報につながる。既存の手法には、受動的赤外線（ＰＩＲ）、能動的赤外線（ＡＩＲ）および超音波に基づくものが含まれる。ＰＩＲセンサは、ホームセキュリティシステムにおいて最も広く使用されている動きセンサであり、背景熱と動く人々によって放出される熱との間の差を感知することによって人間の動きを検出することができる。しかしながら、ＰＩＲセンサに基づくシステムは、高温／低温の空気流および日光のような環境変化に対する感度のために誤警報を起こしやすい。それらは、例えば、断熱の全身スーツを着ることによって、体からの熱の放出を防ぐことによって簡単に破られる。それらの範囲は限られており、見通し内（LOS）の状態が必要である。したがって、複数のデバイスが必要である。ＡＩＲベースのシステムでは、ＩＲ発信機はＩＲ受信機によって受信されるＩＲのビームを送信する。ビームが遮られると、動きが検出される。この解決策は、通常のカメラまたは任意のIR検出メカニズムを使用して簡単に確認でき、また範囲が限られているため見通し内である必要がある。超音波センサは、空間に超音波を送り、それらが戻る速度を測定することによって人間の動きを検出し、周波数が変化した場合に動きを検出することができる。しかし、この手法は無響スーツを着用することによって破られる。また、超音波は家具や箱のような固体の物体を突き抜けることができず、それが検出領域に隙間を生じさせる。この場合、強盗によるゆっくりとした動きは警報を発しないかもしれない。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イベント（例えば、オブジェクトの動きおよび／またはセキュリティに関連するイベント）を認識する装置および方法が必要とされている。
本教示は、一般に、周期的な動き（例えば、人間の呼吸）の検出に関する。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、閉鎖環境、地下環境、駐車場、倉庫、庭、広場、森林、洞窟、谷などのバリアのある屋外スペースなどの豊かに散乱する無線環境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。
一実施形態では、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、イベントを認識するためにメモリに格納された命令のセットとを有する機械上で実施される方法が開示される。この方法は、それぞれのトレーニング期間中に場所で起こる少なくとも１つの既知のイベントのそれぞれについて、第１の送信機のアンテナによって、既知のイベントに関連するトレーニング期間中に場所内の既知のイベント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少なくとも１つの第１の受信機にそれぞれのトレーニング無線信号を送信し、トレーニング無線信号に基づいて少なくとも１つの第１の受信機のそれぞれによって非同期に、既知のイベントに関連するトレーニング期間中に第１の受信機と第１の送信機との間の無線マルチパスチャネルの少なくとも１つの時系列トレーニングチャネル情報（トレーニングTSCI）を取得し、少なくとも１つのトレーニングTSCIを前処理することを含み、少なくとも１つのトレーニングTSCIに基づいて、少なくとも１つの既知のイベントについて少なくとも１つの分類子をトレーニングし、そして、現在の期間中に場所で起こる現在のイベントに対して、第２の送信機のアンテナによって、現在のイベントに関連する現在の期間に場所内の現在のイベント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少なくとも１つの第２の受信機に現在の無線信号を送信し、現在の無線信号に基づいて少なくとも１つの第２の受信機のそれぞれによって非同期に、現在のイベントに関連する現在の期間における第２の受信機と第２の送信機との間の無線マルチパスチャネルの少なくとも１つの時系列の現在のチャネル情報（現在のTSCI）を取得し、少なくとも１つの現在のTSCIを前処理し、少なくとも１つの現在のTSCI、特定の現在のTSCIの一部、および特定の現在のTSCIの一部と追加のTSCIの一部との組み合わせの少なくとも1つを分類し、現在のイベントを既知のイベント、未知のイベント、および別のイベントの少なくとも１つに関連付けるために、少なくとも1つの分類子を適用することを含む。異なる開始時間、異なる持続時間、異なる停止時間、それぞれの時系列における異なる項目の数、異なるサンプリング周波数、それぞれの時系列における2つの連続した項目間の異なるサンプリング期間、異なる特徴を持つチャネル情報（CI）のうちの少なくとも１つを有する。
別の実施形態では、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、イベントを認識するためにメモリ内に格納された命令のセットとを有するシステムが開示される。このシステムは、場所内の第１の送信機および第２の送信機、場所内の少なくとも１つの第１の受信機および少なくとも１つの第２の受信機、およびイベント認識エンジンを備える。第１の送信機は、それぞれのトレーニング期間中に場所で起こる少なくとも１つの既知のイベントのそれぞれについて、既知のイベントに関連するレーニング期間中に場所内の既知のイベント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それぞれのトレーニング無線信号を送信する。少なくとも１つの第１の受信機のそれぞれは、場所内で発生している少なくとも１つの既知のイベントのそれぞれについて、無線マルチパスチャネルを介してそれぞれのトレーニング無線信号を非同期的に受信し、それぞれのトレーニング無線信号に基づいて、既知のイベントに関連するトレーニング期間中に第１の受信機と第１の送信機との間の無線マルチパスチャネルの少なくとも１つのトレーニングTSCIを非同期的に取得し、少なくとも１つのトレーニングTSCIを前処理することのために構成されている。第２の送信機は、現在の期間中に場所で起こる現在のイベントについて、現在のイベントに関連する現在の期間中に場所内の現在のイベントによって影響を受ける無線マルチパスチャネルを通して現在の無線信号を送信することのために構成されている。少なくとも１つの第２の受信機のそれぞれは、現在の期間中に場所で起こっている現在のイベントについて、無線マルチパスチャネルを介して現在の無線信号を非同期的に受信し、現在の無線信号に基づいて現在のイベントに関連する現在の期間における第２の受信機と第２の送信機との間の無線マルチパスチャネルの少なくとも１つの現在のTSCIを非同期的に取得し、少なくとも１つの現在のTSCIを前処理するために構成されている。イベント認識エンジンは、少なくとも１つのトレーニングTSCIに基づいて、少なくとも１つの分類子を少なくとも１つの既知のイベントについて少なくとも１つの分類子をトレーニングし、そして、少なくとも1つの分類子を、少なくとも１つの現在のTSCI、特定の現在のTSCIの一部、および特定の現在のTSCIの一部と追加のTSCIの一部との組み合わせのうちの少なくとも1つを分類し、現在のイベントを、既知のイベント、未知のイベント、および別のイベントのうちの少なくとも1つに関連付けるために適用する。第１の受信機に関連するトレーニングTSCIおよび第２の受信機に関連する現在のTSCIは、異なる開始時間、異なる持続時間、異なる停止時間、それぞれの時系列に含まれる異なる項目の数、異なるサンプリング周波数、それぞれの時系列における2つの連続した項目間の異なるサンプリング期間、および異なる特徴を持つCIのうちの少なくとも１つを有する。
さらに別の実施形態では、無線モニタシステムのイベント認識エンジンが開示されている。このシステムは、場所内の第１の送信機および第２の送信機、場所内の少なくとも１つの第１の受信機および少なくとも１つの第２の受信機、およびイベント認識エンジンを備える。イベント認識エンジンは、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、メメモリ内に格納された命令のセットとを含む。一連の命令が実行されると、プロセッサは、それぞれのトレーニング期間中に場所で発生した少なくとも1つの既知のイベントのそれぞれについて、場所内の少なくとも１つの第１の受信機のそれぞれから、既知のイベントによって影響を受けた無線マルチパスチャネルの少なくとも１つのトレーニングTSCIを取得し、第１の受信機は、既知のイベントに関連するトレーニング期間中に、第１の受信機と第１の送信機との間の無線マルチパスチャネルを介して、場所内の第１の送信機から受信したそれぞれのトレーニング無線信号からトレーニングTSCIを抽出し、少なくとも１つのトレーニングTSCIに基づいて、少なくとも１つの既知のイベントについて少なくとも１つの分類子をトレーニングし、現在の期間中に場所で起こっている現在のイベントについて、場所内の少なくとも１つの第２の受信機のそれぞれから、現在のイベントによって影響を受けた無線マルチパスチャネルの少なくとも１つの現在のTSCIを取得し、第２の受信機は、現在のイベントに関連する現在の期間に、場所内の第２の送信機から第２の受信機と第２の送信機との間の無線マルチパスチャネルを介して受信した現在の無線信号から現在のTSCIを抽出し、そして、少なくとも1つの分類子を少なくとも１つの現在のTSCI、特定の現在のTSCIの一部、および特定の現在のTSCIの一部と追加のTSCIの一部との組み合わせのうちの少なくとも次の1つを分類し、現在のイベントを、既知のイベント、未知のイベント、および別のイベントのうちの少なくとも1つに関連付けるために適用するということを実行する。第１の受信機に関連するトレーニングTSCIおよび第２の受信機に関連する現在のTSCIは、異なる開始時間、異なる持続時間、異なる停止時間、それぞれの時系列に含まれる異なる項目の数、異なるサンプリング周波数、それぞれの時系列における2つの連続した項目間の異なるサンプリング期間、および異なる特徴を持つCIのうちの少なくとも１つを有する。
さらに別の実施形態では、無線モニタシステムの受信機が開示されている。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含む。無線回路はそれぞれのトレーニング期間中に場所内で発生した少なくとも1つの既知のイベントのそれぞれについて、既知のイベントの影響を受けた無線マルチパスチャネルを通じてそれぞれのトレーニング無線信号を受信し、それぞれのトレーニング無線信号は、既知のイベントに関連するトレーニング期間中に、受信機と第１の送信機との間の無線マルチパスチャネルを介して第１の送信機によって送信され、そして、現在の期間中に場所で起こっている現在のイベントについて、現在のイベントの影響を受ける無線マルチパスチャネルを通じて現在の無線信号を受信し、現在の無線信号は、現在のイベントに関連する現在の期間中に、受信機と第２の送信機との間の無線マルチパスチャネルを介して第２の送信機によって送信されるために構成されている。一連の命令が実行されると、プロセッサは場所内で発生している少なくとも1つの既知のイベントのそれぞれについて、それぞれのトレーニング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つの時系列のトレーニングTSCIを非同期に取得し、そして、現在の期間中に場所内で発生している現在のイベントについて、現在の無線信号に基づいて、無線マルチパスチャネルの少なくとも１つの時系列の現在のTSCIを取得することを行う。少なくとも１つのトレーニングTSCIは、少なくとも１つの既知のイベントについて少なくとも１つの分類子をトレーニングするために無線モニタシステムのイベント認識エンジンによって使用される。少なくとも１つの分類子は、少なくとも１つの現在のTSCI、特定の現在のTSCIの一部、および特定の現在のTSCIの一部と追加のTSCIの一部との組み合わせのうちの少なくとも１つを分類し、現在のイベントを、既知のイベント、未知のイベント、および別のイベントのうちの少なくとも1つに関連付けるために適用される。
別の概念は、豊かな散乱環境において無線CIに基づいてセキュリティ関連イベントを認識すること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。別の新規な特徴は、以下の記述に部分的に説明されそして部分的に下記および添付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。別の新規な特徴は、以下の記述に部分的に説明されそして部分的に下記および添付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。
本明細書に記載の方法、システム、および／またはプログラミングは、例示的実施形態に関してさらに説明される。これらの例示的な実施形態は、図面を参照して詳細に説明される。これらの実施形態は、限定するものではないが、例示的な実施形態であり、図面のいくつかの図を通して、同様の参照番号が同様の構造を表す。
本教示の一実施形態による、場所におけるイベント検出およびモニタのための例示的なネットワーク環境を示す。
本教示の一実施形態による、無線モニタシステム内のデバイスの例示的な図を示す。
本教示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流れを示す。
本教示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。
本教示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。
本教示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方式の利得を示す。
本教示の一実施形態による、覚醒状態と眠っている状態との間の比較結果を示す。 本教示の一実施形態による、覚醒状態と眠っている状態との間の比較結果を示す。
本教示の一実施形態による、異なる睡眠段階の呼吸数を示す。 本教示の一実施形態による、異なる睡眠段階の呼吸数を示す。
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。
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。
本教示の一実施形態による、スマートテレビの使用事例の例示的な説明を示す。
本教示の一実施形態による、テレビの下に機器を配置したスマートテレビの設定例を示す。
本教示の一実施形態による、テレビの前にエリア分割を有するスマートテレビの例示的な実験設定を示す。
本教示の一実施形態による、テレビ内にデバイスを配置したスマートテレビの設定例を示す。
本教示の一実施形態による、テレビの近くのスピーカに設置されたオリジンおよびボットを有するスマートテレビの例示的な設定を示す。
教示の一実施形態による、テレビの近くのテーブルに設置されたオリジンおよびボットを有するスマートテレビの例示的な設定を示す。
本教示の一実施形態による、ファンの高いスタンドに設置されたオリジンおよびボットを有するスマートファンの例示的な設定を示す。
本教示の一実施形態による、自動車の外に設置されたオリジンおよびボットを有するスマートカーの例示的な設定を示す。
本教示の一実施形態による、座席占有検出および人数計数のための自動車の例示的な内部鳥瞰図を示す。
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。 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。 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。 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。
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は明らかであるはずである。別の例では、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、構成要素、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って影響を受ける無線マルチパスチャネルの時系列チャネル情報（CI）に基づいてある場所でのイベント（例えばオブジェクトの動きおよび／またはセキュリティに関するイベント）を認識するシステム、装置、および方法を開示する。様々な実施形態によれば、開示されたシステムは、（例えば侵入者または認知症患者による）正面ドアの開放、窓の開放などをモニタするためにセキュリティシステムに統合することができる。開示されたシステムは、「ドアが開けられるとき」、「ドアが閉じられるとき」などを知るようにトレーニングすることができる。
一実施形態では、システムは、「ドア全開」、「ドア全閉」、および「ドア半開」を認識するために個別のトレーニングを使用する。別の実施形態では、システムは連続的なモニタのためにトレーニングされ、ドアのあらゆる位置（例えば、xは0から100の間で、x%開いている）を検出し認識することができるようにドアの動きを連続的にモニタするために動的タイムワープ（ＤＴＷ）を使用することができる。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機／受信機、アナログ回路、電源、プロセッサ、メモリなど）および対応するソフトウェアコンポーネントを有する。本教示の様々な実施形態によれば、開示されたシステムは、過渡的な動きの検出およびモニタのためのボット（タイプ１デバイスと呼ばれる）およびオリジン（タイプ２デバイスと呼ばれる）を含む。各デバイスはトランシーバ、プロセッサおよびメモリを含む。
開示されたシステムは、低いハードウェアコストでインストールするのが容易かつ簡単である。一実施形態では、開示されたシステムは、１５００平方フィートの家をカバーするのに２つの無線デバイス（タイプ１デバイスとタイプ２デバイス）だけを必要とする。ワイヤレスデバイスはプラグアンドプレイで、家の反対側の壁にあるコンセントに差し込むことができる。開示されたシステムは、機械学習によって時間の経過とともに改善することができ、そして遠隔ソフトウェアアップグレードによってアップグレードすることができる。システムはソフトウェア診断をすることができ、それはそのメンテナンスと修理を簡単な仕事にする。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。低コストで高精度のセキュリティシステムが長い間望まれてきた。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、タイプ1デバイス、タイプ2デバイスにそれぞれプロセッサ、メモリ、ワイヤレストランシーバ、クラウドサーバなどを搭載）を有する。WiFi信号は、測定可能であり、確定的な構造および周波数特性を有する、空気中の電磁（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セキュリティ関連のイベントおよび動きを非常に高い精度で認識できることを示している。
開示されたシステムは多くの場合に適用することができる。一例では、タイプ１デバイス（送信機）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。それはまた、WiFi対応テレビ（ＴＶ）、セットトップボックス（ＳＴＢ）、スマートスピーカ（例えば、アマゾンエコー）、スマート冷蔵庫、スマート電子レンジ、メッシュネットワークルータ、メッシュネットワークサテライト、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あり得る。一例では、タイプ２（受信機）は、テーブルの上に置かれたWiFi対応デバイスであり得る。それはまた、WiFi対応テレビ（ＴＶ）、セットトップボックス（ＳＴＢ）、スマートスピーカ（例えば、アマゾンエコー）、スマート冷蔵庫、スマート電子レンジ、メッシュネットワークルータ、メッシュネットワークサテライト、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あり得る。タイプ1デバイスおよびタイプ2デバイスは、家の所有者が家の中および周りのあらゆる侵入およびあらゆる予期しない活動を検出するためのホームセキュリティシステム内にあり得る。タイプ１デバイスおよびタイプ２デバイスは、予期しない侵入または疑わしい活動をモニタするために、寝室、浴室、幼児室、トイレに配置されてもよい。タイプ１デバイスおよびタイプ２デバイスは、侵入者または事故を示す突然のまたは予期しない動きを検出するためにある領域に配置することができる。ハードウェアモジュールは、タイプ１トランシーバおよび／またはタイプ２トランシーバを収容する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、最終的な商品を設計、製造、販売するために、さまざまなブランドに販売されたり使用されたりし得る。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、家庭用／オフィス用セキュリティ製品、動きモニタ製品、WiFi製品、メッシュ製品、テレビ、STB、エンタテイメントシステム、HiFi、スピーカ、家電製品、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、道具、道具、トーチ、掃除機、煙探知機、ソファ、ピアノ、ファン、ドア、窓、ドア/窓の取っ手、ロック、煙探知機、カーアクセサリ、コンピュータ機器、オフィス機器、エアコン、ヒーター、パイプ、コネクタ、監視カメラ、アクセスポイント、コンピュータ機器、モバイル機器、LTE機器、3G/4G/5G/6G機器、ゲーム機器、眼鏡、ガラスパネル、VRゴーグル、ネックレス、腕時計、ウエストバンド、ベルト、財布、ペン、帽子、ウェアラブル、植込み型機器、タグ、駐車券、スマートフォンなどであり得る。
加えて、睡眠モニタは、増大する要求と興味を引き付ける重要かつ挑戦的な仕事として作用する。本教示は、睡眠段階を認識して睡眠の質を評価するために周囲無線信号を利用する最初の実用的な睡眠モニタシステムであるＳＭＡＲＳ（周囲無線信号による睡眠モニタ）のモデル、設計、および実装を開示する。これにより、被験者の身体やベッドを計測することなく、普遍的、非侵襲的かつ非接触式に日常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ベースの手法とは異なり、本教示は、すべての反射および散乱マルチパスを説明する統計モデルを考案し、これにより、商品デバイスで達成された史上最高の性能で高精度かつ瞬時の呼吸推定を可能にする。これに基づいて、SMARSは覚醒（wake）、REM、NREMを含むさまざまな睡眠段階を認識する。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32泊のデータになる。結果は、ＳＭＡＲＳが呼吸推定に関して０．４７ｂｐｍの中央誤差およびわずか２．９２ｂｐｍの９５％誤差をもたらし、人がリンクから１０ｍ離れているとき、または壁の後ろにいるときでさえ、確実に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、接触センサやレーダを使用した高度なソリューションよりも優れている。さらに、SMARSは最近発表された20人の患者の夜間睡眠を測定するデータセットに基づいて評価されており、これはパフォーマンスを裏付けている。たった1つのコモディティRFリンクで有望な結果を達成することによって、SMARSは実用的な在宅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、精神的にも肉体的にも、個人の健康と幸福において重要な役割を果たす。睡眠の量と質は、心血管疾患、脳卒中、腎不全、糖尿病、そして精神的な悪条件などの健康上のリスクと基本的に関係があることはよく知られている。残念ながら、現代社会では睡眠障害に苦しんでいる人がいる。最近報告されたように、人口の10％が慢性不眠症（これは高齢者の間でさらに高い）に苦しんでいる、そしてアメリカ人の1/3は十分な睡眠を得ていない。睡眠をモニタすることは、増え続ける睡眠障害のグループを助け、管理し、診断し、そして治療すること、ならびに個人の健康に関する定期的な記録を維持することに対する本質的な要求として現れる。しかし、睡眠モニタは、何十年にも渡って多大な努力を払ってきた挑戦的な課題である。一般に、それは睡眠時間を測定し、異なる睡眠段階、例えば、覚醒、REM（急速眼球運動）およびNREM（非REM）を認識し、それらにより、個体の睡眠の質を評価する。様々な解決策が提案されてきた。医療のゴールドスタンダードは、睡眠計（PSG）に依存する。これは、患者に取り付けられた多数の有線センサによって脳活動、呼吸、体の動きなどのさまざまな生理学的パラメータをモニタする。正確かつ包括的ではあるが、PSGは通常高価であり、睡眠障害を引き起こす可能性がある侵襲的センサを伴うことが面倒であり、確認された患者に対する臨床使用に限定されている。フォトプレチスモグラフィー（PPG）およびアクティグラフィー（ACT）を含むその他の方法では、ユーザは睡眠中に専用のセンサを装着する必要がある。心弾動図（BCG）は衝撃力を測定するために一連のEMFiセンサでマットレスを計装する必要がある。コストにもかかわらず、これらのアプローチは特別な世話を必要とする人々のための適切な解決策を提供するが、一般大衆にとって理想的とは言えない。モバイルコンピューティングにおける最近の取り組みは、スマートフォンおよびウェアラブルを使用した家庭内睡眠モニタを想定している。しかしながら、これらの方法は、粗粒度で精度の低い測定値しか提供せず、呼吸数のようなバイタルサインをモニタすることはできない。さらに、携帯電話やウェアラブルは、特に高齢者や認知症の人にとっては望ましくない。
一般的な解決策とは異なり、開示された解決策は、身体またはベッドを装備せずに、普遍的、非侵襲的、非接触、および正確な方法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。そのようなシステムへの機会を２つの観点から観察することができる。１）臨床研究は生理学的活動が異なる睡眠段階の間で異なることを示した。例えば、脳の酸素消費量はREM睡眠中に増加するので呼吸数は不規則で速くなり、NREM睡眠中はより安定して遅くなり、呼吸モニタに基づく睡眠段階の実現可能性を与える。２）無線技術における最近の進歩は、環境における身体運動の非接触感知を示した。呼吸によって引き起こされる胸部および腹部の動きは、無線信号の伝播を変化させることができ、したがって受信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可能である。２つの観点の間の相乗効果を探究することができ、その結果、周囲の無線信号（例えば、WiFi）を利用して睡眠中の人の呼吸および動きを捕捉し、さらに睡眠行動をモニタするシステムがもたらされる。
初期の研究はRFベースの呼吸推定および睡眠モニタの実現可能性を調査してきたが、それらはFMCWレーダのような特殊なハードウェアに頼るか、あるいは制御された環境でのみ働く。専用無線に基づくソリューションは通常高価であり、普遍的に適用可能ではない。コモディティ機器を使用する別のものは、典型的には、ユーザが自分の胸に非常に近いところで無線機を備えたベッドに横になって、無関係の動きがある場合、または見通し外（NLOS）のシナリオの場合で失敗することを要求する。加えて、それらの誰もが、呼吸推定におけるそれらの限られた精度のために異なる睡眠段階を識別することができない。そのような制限は、それらが実用的な家庭内睡眠モニタのための適用を妨げる。
本教示は、睡眠段階を認識し、そうでなければとらえどころのない睡眠の質を評価するために有用なアンビエント無線信号を活用する最初の実用的な睡眠モニタシステムであるＳＭＡＲＳのモデル、設計、および実施を開示する。SMARSは、身体に接触することなく邪魔にならない方法で機能する。ユーザがする必要があるのは、例えば、無線ルータがすでに家の中に設置されている場合に単に受信機を置くことによって、２つの汎用無線機の間に１つの単一リンクを設定することである。SMARSは、非常に正確で瞬間的な呼吸推定を可能にする新しい統計モデルによって文献を進歩させる。これに基づいて、ＳＭＡＲＳは、以前は高価な専用ハードウェアによってしか得られなかった異なる睡眠段階を区別することができる。具体的には、SMARSは実用的な睡眠モニタを提供するために3つのユニークな側面で優れている。第一に、室内でのすべての反射および散乱マルチパスを活用するチャネル状態情報（CSI）における運動に関する統計モデルを考案することができる。既存の研究は通常、いくつかのマルチパスと１つの主要なパスが人体から反射された幾何学的モデルを想定している。（例えば、屋外空間用に開発された２線モデルを使用する）しかし、現実の屋内環境では、何百ものマルチパスが存在する可能性があり、信号は空間内の人の体や別のオブジェクトを反射するだけでなく散乱することもある。結果として、従来のアプローチは、支配的な反射経路がないために、NLOS環境では、また微小な動きでは失敗する。対照的に、開示されたモデルは、そのような非現実的な仮定をすることなく、CSIにおける運動の統計的特徴を調査し、呼吸を含む任意の運動の確実な検出の基礎となる。
第二に、ＳＭＡＲＳは、正確かつ迅速な呼吸数推定を瞬時にかつ確実に達成する。以前の呼吸推定方式のほとんどは、十分な周波数分解能を得るために比較的大きな時間窓の間に一定の呼吸数（breathing rate）を仮定し、睡眠中のきめの細かい呼吸変動を失う。さらに、微小呼吸運動はCSI測定ノイズに容易に埋もれる可能性があり、既存の哲学は、無関係な動きなしに、並外れた近さ（通常2－3m以内）でのみ効果的にすることができる。時間分解能を向上させるために、SMARSは時間領域の自己相関関数（ACF）を利用して呼吸数を推定する。これにより、1秒ごとの頻度でリアルタイムの呼吸数を報告し、瞬間的な呼吸数の変化を捉えることができる。ACFを使用することによって、SMARSはまた、ノイズの多い位相や通常手作りのCSIノイズ除去手順の使用を回避する。さらに重要なことは、周波数オフセットを除去し、呼吸信号を異なる副搬送波（subcarriers）で同期させることで、ACFを使用して最大比合成（MRC）を実行して複数の副搬送波を組み合わせて測定ノイズに対抗し、最適な方法で呼吸信号を最大化することである。そうすることによって、呼吸信号対雑音比（ＳＮＲ）の限界を押し上げることができ、したがってより広い範囲およびより弱い呼吸に対する感知感度を著しく高めることができる。具体的には、SMARSは、人がリンクから10m離れたとき、または壁の後ろにいるときに呼吸を確実に検出できる。これは、特殊な低電力レーダよりも優れている。
最後に、抽出された睡眠中の呼吸数と動き統計に基づいて、さまざまな睡眠段階（覚醒、REM、NREMなど）を認識し、全体的な睡眠量と質を総合的に評価できる。呼吸数と睡眠段階との間の関係の詳細な理解に基づいて、睡眠段階の分類のための特有の呼吸特徴を抽出することができる。既製のデバイスを使用している既存の研究のどれも、段階分け睡眠という同じ目的を達成することができない。
リアルタイムシステムは、さまざまな市販のWiFiチップセットに実装されており、その性能は広範な実験を通じて評価されている。評価には2つの部分がある。１）６人の健康な被験者を有する６つの家にＳＭＡＲＳを展開し、３２夜のデータを収集することができ、そのうち５つはＰＳＧデータを市販のデバイスで記録している。結果は、SMARSが0.47呼吸/分（bpm）の中央値呼吸推定誤差および2.92bmpの95％タイル誤差で優れた性能を達成することを示している。睡眠段階に関しては、ＳＭＡＲＳは８５．２％という驚くべき正確さを生み出すが、一方、市販の解決策、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はそれぞれわずか６９．８％および８３．７％の精度しか有しない。２）ＲＦベースの呼吸モニタに関する最近発表されたデータセットについてＳＭＡＲＳをさらに検証することができる。データセットは、臨床的にラベル付けされたPSGデータを基本的な真実として使用して、4つの最先端の呼吸モニタシステムの比較評価のために20人の患者の夜間睡眠を収集した。4つのシステムすべて（それぞれZigBee、Sub-RSSラジオ、UWBレーダ、およびWiFi CSIに基づく）は、約2－3bpmの有意な中央値誤差と約10bpm以上の95％タイル誤差を生成する。比較として、SMARSは、中央値誤差を0.66bpm、95％タイル誤差を3.79bpmに減らすことで、大幅な改善を達成している。有望なパフォーマンスを達成することによって、SMARSは実際に毎日そして定期的に使用するための臨床的に意味のある睡眠モニタを提供することができ、そして個人の健康の日常生活をモニタする将来のスマートホームに向けて重要な一歩を踏み出す。
一言で言えば、ここでの中心的な貢献はSMARSで、これはスマートホームが既成のWiFiデバイスを使って、正確で瞬間的な呼吸推定を実際に行うことによって、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の動きを理解して捉えるための最初の統計モデルにも貢献している。これは、ワイヤレスセンシングのさまざまなアプリケーションを一新する。
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、およびメモリ中に格納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（heterogeneous）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徴および／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、特徴および／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。タスクに関連するプレゼンテーションは、ユーザのデバイス上のユーザインターフェース（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格納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、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。
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／またはメモリ中に格納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、格納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／引き起こし／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格納された）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、時間の経過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。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（登録商標）、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、マルチパス特徴を有し得る。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、同一であり得る。
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。任意のレートは、時間の経過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、特徴、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、特徴／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、１００Ｈｚ）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、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（jointly）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、場所のマップ、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ＴＳＣＩに基づいて、場所内で複数のイベントの分類子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つの時系列の現在のＣＩ（現在の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、現在の信号（例えば、一連の現在のプローブ信号）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、サンプリング周期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（単数または複数）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（operation）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つの関数は、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。反復的に、タイムスタンプが増加する暫定的なセクションの項目は、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（component index）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ごとのコスト関数とマップの特定のリンクと関連付けられたリンクごとのコスト関数を含み得る。
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、人の気配の存在イベント、および／または人の気配の不在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を使用して、トレーニングされ得る。次元削減方法（dimension reduction method）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。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（channel impulse 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、監督データ、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、格納データ、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を格納して、ＣＩを抽出に利用可能にする。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個の成分（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。各成分は、成分インデックスと関連付けられ得る。各成分は、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の成分は、それぞれのインデックスと関連付けられたそれぞれの成分時系列を形成し得る。ＴＳＣＩは、Ｎ１個の成分時系列に分けられ得る。各それぞれの成分時系列は、それぞれの成分インデックスと関連付けられている。オブジェクトの動きの特徴／時空間情報は、成分時系列に基づいてモニタされ得る。
成分特徴時系列のＴＳＣＩの成分毎の特徴が計算され得る。成分毎の特徴は、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、成分毎の特徴に基づいてモニタされ得る。ＴＳＣＩの全体特徴は、ＴＳＣＩの各成分時系列の成分毎の特徴に基づいて計算され得る。全体特徴は、成分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つのアンテナを有し得る。タイプ２デバイスもまた、少なくとも１つのアンテナを有し得る。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、時間的に均一に間隔を開けられている場合がある。現在のスライディング時間窓内の特定のＴＳＣＩの特定の部分のすべてのＣＩの元のタイムスタンプは、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。
特徴および／または時空間情報（例えば、動き情報）には、場所、場所の座標、場所の変更、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、ジェスチャー、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、格納することができ（例えば、データベースに、メモリに、サーバに、クラウドに、ローカルに格納、リモートで格納、永久に格納、一時的に格納）、かつ取り返すことができる。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、分類、タグ付け、関連付け、ペアリング、トランザクション、電子トランザクション、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）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）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。
イベントは、ＴＳＣＩに基づいてモニタされ得る。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、ジェスチャー検出、ジェスチャー推定、ジェスチャー検証、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、主成分分析、固有値分解、周波数分解、時間分解、時間周波数分解、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／または他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、ジェスチャー検出、ジェスチャー推定、ジェスチャー認識、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／ジェスチャー／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、ジェスチャー、手のジェスチャー、腕のジェスチャー、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ー、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格納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。動作、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。動作は、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、動作であり得る。動作には、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（auto regressive：ＡＲ）フィルタリング、自己回帰移動平均（filtering,auto regressive 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、時間軸補正、位相補正、大きさ補正、位相クリーニング、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）、主成分分析（principle component analysis：ＰＣＡ）、独立成分分析（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、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、訓練、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（conditioning avarage）、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／または別の動作が含まれ得る。動作は、前処理、処理、および／または後処理であり得る。動作は、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、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、主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、ニューラルネットワーク、特徴抽出、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、信頼、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、信号周波数成分、信号周波数帯域成分、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（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つの局所的信号対雑音比様（local signal-to-noise-ratio-like）（ＳＮＲ様）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」ピークとして格納および／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／または成分類似性スコアを（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／または成分類似スコアは、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、成分毎の演算、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、訓練状況において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）、識別訓練、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。閾値は、適応性であり得る。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／または繰り返し数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（simultaneous perturbation stochastic approximation）、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（memetic algorithm）、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の成分）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／またはいくつかの成分が、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化し得る。
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（local maximum）、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、ジェスチャー、ジェスチャー制御（ジェスチャーを使用するデバイスの制御）、場所に基づくジェスチャー制御、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／ジェスチャー／ジェスチャー制御／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ー（例えば、手のジェスチャー、腕のジェスチャー、足のジェスチャー、脚のジェスチャー、体のジェスチャー、頭のジェスチャー、顔のジェスチャー、口のジェスチャー、眼のジェスチャーなど）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／ジェスチャー／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（crawl-space）、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、彼の母親の健康で安心なこと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を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デバイスとインタラクトすることができる。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、監督データ、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、格納データ、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、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ます。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、使用されたりする場合がある。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、月毎の表示、週毎の表示、日ごとの表示、簡略表示、詳細表示、断面表示、スモールフォームファクタ表示、ラージフォームファクタ表示、色分け表示、比較表示、サマリー表示、アニメーション、ｗｅｂ表示、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プレゼンテーション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。
図１は、本教示の一実施形態による、ある場所におけるイベント検出およびモニタのための例示的なネットワーク環境１００を示す。図１に示すように、例示的なネットワーク環境１００は、送信機１１０、アンテナ１１２、無線チャネル１３０、アンテナ１２２、および受信機１２０を含む。アンテナ１１２は送信機１１０に電気的に結合されている。アンテナ１２２は受信機１２０に電気的に結合されている。
一実施形態では、送信機１１０は場所の第１の位置に配置される。受信機１２０は場所の第２の位置に配置されている。送信機１１０は、無線チャネル１３０を介して無線信号を送信するように構成されている。この例における無線チャネル１３０は、場所の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１４２、または患者１４６）またはペット（例えば子犬１４４）であり得る。この例における受信機１２０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つの時系列のＣＩを取得する。オブジェクトの動きは、それを通して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CI１２５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１１０は、場所に配置されたボットまたはタイプ１デバイスの一部であり、受信機１２０は、場所に配置されたオリジンまたはタイプ２デバイスの一部であり得る。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／または複数のトランシーバを含み得る（図示せず）。一実施形態では、アンテナ１１２および／またはアンテナ１２２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１１０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１２０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１１０は少なくとも１つのアンテナを有する。受信機１２０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の各々は、送信機１１０の少なくとも１つのアンテナのうちの１つと受信機１２０の少なくとも１つのアンテナのうちの１つと関連付けられる。
図２は、本教示の一実施形態による、無線モニタシステム内のデバイス２００の例示図を示す。デバイス２００は、本明細書に記載の様々な方法を実施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。様々な実施形態によれば、デバイスは、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、イベント認識エンジン、および／または図１および図３－図１８の別の構成要素であり得る。図２に示すように、デバイス２００は、プロセッサ２０２を含むハウジング２４０、メモリ２０４、送信機２１２および受信機２１４を含むトランシーバ２１０、同期コントローラ２０６、電力モジュール２０８、およびオペレーションモジュール２０９を含む。この実施形態では、プロセッサ２０２はデバイス２００の一般的な動作を制御し、中央処理デバイス（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、ゲートロジック、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の任意の組み合わせ、または、データの計算または別の操作を実行することができる任意の別の適切な回路、デバイスおよび／または構造などの１つまたは複数の処理回路またはモジュールを含むことができる。
読み出し専用メモリ（ＲＯＭ）およびランダムアクセスメモリ（ＲＡＭ）の両方を含むことができるメモリ２０４は、プロセッサ２０２に命令およびデータを提供することができる。メモリ２０４の一部は、不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ）も含むことができる。プロセッサ２０２は、通常、メモリ２０４内に格納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２０４に格納された命令（別名、ソフトウェア）は、プロセッサ２０２によって実行されて本明細書に記載の方法を実行することができる。プロセッサ２０２およびメモリ２０４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どうかにかかわらず、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デバイス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、または別の任意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様々な機能を実行させる。
送信機２１２および受信機２１４を含むトランシーバ２１０は、デバイス２００が遠隔デバイス（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２５０は、通常、ハウジング２４０に取り付けられ、トランシーバ２１０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２００は、複数の送信機、複数の受信機、および複数のトランシーバを含む（図示せず）。一実施形態では、アンテナ２５０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２５０と置き換えられる。送信機２１２は、プロセッサ２０２によって生成されるような、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２１４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２０２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、デバイス２００は、無線モニタシステムのボットまたはオリジンであり得る。無線モニタシステムは、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デバイス２０６は、デバイス２００の動作を制御して別のデバイス、例えば別のオリジンまたは別のボットと、同期または非同期にするように構成することができる。一実施形態では、デバイス２００およびシステム内の別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。
この例におけるオペレーションモジュール２０９は、イベント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。オペレーションモジュール２０９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含むことができる。一実施形態では、デバイス２００は無線モニタシステムのイベント認識エンジンであってもよく、オペレーションモジュール２０９は例えば、ドアが開いている、ドアが閉まっている、ドアがx％開いている、またはセキュリティに関連するその他のイベントなどのイベントを認識および／または分類するための１つまたは複数の構成要素を含む。電力モジュール２０８は、１つまたは複数の電池などの電源と、図２の上記のモジュールのそれぞれに調整電力を供給するための電力調整器とを含むことができる。いくつかの実施形態では、デバイス２００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２０８は変圧器および電力調整器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２３０によって互いに結合されている。バスシステム２３０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。デバイス２００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。
多数の別個のモジュールまたは構成要素が図２に示されているが、当業者は、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、または一般的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２０２は、プロセッサ２０２に関して上述した機能を実現するだけでなく、オペレーションモジュール２０９に関して上述した機能を実現することもできる。逆に、図２に示す各モジュールは、複数の別々の構成要素または要素を使用して実施することができる。一実施形態では、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、ある場所のイベントを認識するためにメモリ内に格納された命令のセットとを有するシステムの方法が開示される。このシステムは、第１の送信機、第２の送信機、少なくとも１つの第１の受信機、少なくとも１つの第２の受信機、およびイベント認識エンジンを備える。第１の送信機、第２の送信機、少なくとも１つの第１の受信機、少なくとも１つの第２の受信機、およびイベント認識エンジンのそれぞれは、デバイス２００として実装することができる。この方法はそれぞれのトレーニング持続時間中に場所で発生した少なくとも1つの既知のイベントのそれぞれについて以下を含む。第１の送信機のアンテナによって、既知のイベントに関連するトレーニング持続時間中に場所内の既知のイベント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少なくとも１つの第１の受信機にそれぞれのトレーニング無線信号を送信し、トレーニング無線信号に基づいて少なくとも１つの第１の受信機のそれぞれによって非同期に、既知のイベントに関連するトレーニング持続時間中に第１の受信機と第１の送信機との間の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TSCIを取得し、そして、少なくとも１つのトレーニングTSCIを前処理する。イベント認識エンジンによって、少なくとも１つのトレーニングTSCIに基づいて少なくとも１つの既知のイベントについて少なくとも１つの分類子をトレーニングする。そして、現在の持続時間中にある場所で起こる現在のイベントに対して、現在のイベントに関連する現在の持続時間である場所での現在のイベント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少なくとも１つの第２の受信機に第2送信機のアンテナで現在の無線信号を送信し、現在の無線信号に基づいて少なくとも１つの第２の受信機のそれぞれによって非同期に、現在のイベントに関連する現在の持続時間中に第２の受信機と第２の送信機との間の無線マルチパスチャネルの少なくとも１つの時系列の現在のTSCIを取得し、少なくとも１つの現在のTSCIを前処理し、イベント認識エンジンによって、少なくとも１つの分類子、少なくとも１つの現在のTSCI、特定の現在のTSCIの一部、および特定の現在のTSCIの一部と追加のTSCIの一部との組み合わせのうちの少なくとも１つへ分類することと現在のイベントを既知の出来事、未知の出来事、そして別の出来事の少なくとも１つと関連付けることのために適用する。第１の受信機に関連するトレーニングTSCIおよび第２の受信機に関連する現在のTSCIは、異なる開始時間、異なる持続時間、異なる停止時間、それぞれの時系列に含まれる項目の異なる数、異なるサンプリング頻度、それぞれの時系列に含まれる2つの項目間の異なるサンプリング持続時間、および特徴が異なるCIのうちの少なくとも１つを有する。
その場所は守られるべき家かもしれない。既知の事象は例えば、「正面玄関が開いている」、「裏口が開いている」、「すべてのドアが閉まっている」、「寝室の窓が開いている」などを含み得る。トレーニング中に使用されるデバイスのセット（第1の送信機、少なくとも第1の受信機）および動作中に使用されるデバイスのセット（第２の送信機、少なくとも１つの第２の受信機）は、様々な状況で同じでも異なってもよい。それらが同じであるとき、２つのデバイス（送信機と受信機）がプラグインされるかまたは設置されると、トレーニングが実行され得、そしてセキュリティ操作が開始され得る。デバイスが移動された場合、セキュリティ操作のために別のラウンドのトレーニングが実行されることがある。前処理は、位相誤差および別の誤差のノイズ除去および補正を含み得る。システムは、TSCIの小さな部分（例えば、０．１秒、または１秒）を使用してモニタおよび保護動作を実行することができる。CIの一部がトレーニング動作の一部を含む場合（例えば、ドアが「閉じる」から３０％開くまで移動し、その後移動しない）、その部分は、分類が適用され得るように、３０％から全開までのドア開放の過去の記録と組み合わされてもよい。現在のイベントに関連付けられたCIがトレーニングCIのいずれとも一致しない場合、現在のイベントは「未知のイベント」として宣言され得る。
一実施形態では、各トレーニングTSCIおよび各現在のTSCIは、それぞれ関連タイムスタンプを有する少なくとも２つのCIを含む。各CIはそれぞれのタイムスタンプに関連付けられている。様々な実施形態によれば、第１の送信機および第２の送信機は同じデバイスであり得る。第１の送信機および第２の送信機は同じ場所にあってもよい。少なくとも１つの第１の受信機と少なくとも１つの第２の受信機は同じでもよい。少なくとも１つの第１の受信機は、少なくとも１つの第２の受信機の置換であり得る。特定の第１の受信機および特定の第２の受信機は同じデバイスであり得る。少なくとも１つの第２の受信機および少なくとも１つの第２の受信機のサブセットのうちの少なくとも１つは、少なくとも１つの第１の受信機のサブセットであり得る。少なくとも１つの第２の受信機および少なくとも１つの第２の受信機のサブセットのうちの少なくとも１つは、少なくとも１つの第１の受信機のサブセットの置換であり得る。少なくとも１つの第２の受信機および少なくとも１つの第２の受信機のサブセットのうちの少なくとも１つは、少なくとも１つの第１の受信機のサブセットの置換であり得る。少なくとも１つの第１の受信機および少なくとも１つの第１の受信機のサブセットのうちの少なくとも１つは、少なくとも１つの第２の受信機のサブセットであり得る。少なくとも１つの第１の受信機および少なくとも１つの第１の受信機のサブセットの少なくとも１つは、少なくとも１つの第２の受信機のサブセットの置換であり得る。第１の送信機のアンテナと第２の送信機のアンテナは同じ場所にあってもよい。少なくとも１つの第２の受信機および少なくとも１つの第２の受信機のサブセットのうちの少なくとも１つは、少なくとも１つの第１の受信機のサブセットと同じそれぞれの位置にあり得る。少なくとも１つの第１の受信機および少なくとも１つの第１の受信機のサブセットのうちの少なくとも１つは、少なくとも１つの第２の受信機のサブセットと同じそれぞれの位置にあり得る。第１の送信機のアンテナと第２の送信機のアンテナは同じ場所にあってもよい。少なくとも１つの第２の受信機のアンテナおよび少なくとも１つの第２の受信機のサブセットのアンテナは、少なくとも１つの第１の受信機のサブセットのそれぞれのアンテナと同じそれぞれの位置にあってもよい。少なくとも１つの第１の受信機のアンテナおよび少なくとも１つの第１の受信機のサブセットのアンテナのうちの少なくとも１つは、少なくとも１つの第２の受信機のサブセットのそれぞれのアンテナと同じそれぞれの位置にあり得る。
一実施形態では、前処理は、以下のうちの少なくとも１つを含む。それは何もしない、ゼロパディング、時間領域処理、周波数領域処理、時間周波数処理、空間的に変化する処理、時間的に変化する処理、適応的な処理、ノイズ除去、平滑化、コンディショニング、強調、復元、特徴抽出、加重平均、アンテナリンクの平均化、選択した周波数の平均化、選択した成分の平均化、量子化、ベクトル量子化、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、ローパスフィルタリング、バンドパスフィルタリング、ハイパスフィルタリング、中央値フィルタリング、ランクフィルタリング、四分位フィルタリング、パーセンタイルフィルタリング、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、自動回帰（AR）フィルタリング、自動回帰移動平均（ARMA）フィルタリング、閾値処理、ソフト閾値処理、ハード閾値処理、ソフトクリッピング、局所最大化、局所最小化、コスト関数の最適化、ニューラルネットワーク、機械学習、教師つき学習、教師なし学習、半教師つき学習、変換、写像、変換、逆変換、整数変換、2のべき乗変換、実変換、浮動小数点変換、固定小数点変換、複素変換、高速変換、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、変換、分解、選択フィルタリング、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、ゼロクロス、指標関数、絶対変換、畳み込み、乗算、除算、別の変換、別の処理、別のフィルタ、別の関数、および別の前処理である。一実施形態では、前処理は、以下のうちの少なくとも１つを含む。それは、正規化、時間正規化、周波数正規化、振幅補正、位相補正、位相クリーニング、CIに関連する位相のクリーニング、CIに関連する成分の正規化、CIの周波数成分の位相のクリーニング、周波数成分の正規化、再サンプリング、ラベリング、タグ付け、トレーニング、ソート、グループ化、折りたたみ、閾値処理、マッチドフィルタリング、スペクトル分析、クラスタリング、量子化、ベクトル量子化、時間補正、タイムベース補正、タイムスタンプ補正、サンプリングレートのアップコンバージョン/ダウンコンバージョン、補間、内挿、外挿、サブサンプリング、デシメーション、圧縮、拡張、暗号化、復号化、コーディング、格納、取得、送信、受信、表示、マージ、結合、分割、追跡、モニタ、射影、直交射影、非直交射影、オーバーコンプリート射影、分解、固有値分解、主成分分析（PCA）、スパース近似、マッチング追跡、その他の演算などである。
一実施形態での方法は、第１のTSCIの第１の持続時間の第１のセクション（例えば、トレーニングTSCI）と第２のTSCIの第２の持続時間の第２のセクション（例えば、現在のTSCI）とを整列させることと、第１のセクションの項目と第２のセクションの項目との間のマップを計算することを含む。一実施形態では、第１のTSCIは第１の動作によって処理され得る。第２のTSCIは、第２の動作によって処理され得る。それはサブサンプリング、リサンプリング、補間、フィルタリング、変換、特徴抽出、前処理、および別の動作のうちの少なくとも１つを含む、第１の動作および第２の動作のうちの少なくとも１つである。一実施形態での方法は、第１のセクションの第１の項目を第２のセクションの第２の項目にマッピングすることをさらに含む。一実施形態での方法は、第１のセクションの第１の項目を第２のセクションの別の項目にもマッピングすることをさらに含む。一実施形態では、第１のセクションの別の項目を第２のセクションの第２の項目にマッピングする。
一実施形態では、少なくとも１つの制約が、以下のうちの少なくとも１つの少なくとも１つの機能によって満たされる。それは第１のTSCIの第１セクションの第１項目、第１のTSCIの別の項目、第１項目のタイムスタンプ、第１項目の時間差、第１項目の時間差、第１項目の隣接タイムスタンプ、第１の項目に関連する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の項目の時間差、2番目の項目の隣接タイムスタンプ、および2番目の項目に関連付けられている別のタイムスタンプである。一実施形態では、少なくとも１つの制約のうちの１つは、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、適応上限閾値によって上限が定められ、適応下限閾値によって下限が定められることである。
一実施形態では、第１のセクションは第１のTSCI全体であり、および／または第２のセクションは第２のTSCI全体である。一実施形態では、第１の持続時間は第２の持続時間と等しくない。一実施形態での方法は、TSCIの持続時間のセクションを適応的に決定することをさらに含む。一実施形態での方法は、セクションの開始時間と終了時間を決定することをさらに含む。一実施形態での方法は、TSCIの暫定セクションを計算することと、暫定セクションの開始部分と終了部分とを除去することによってセクションを決定することとをさらに含む。一実施形態では、この方法はさらに以下を含む。本方法は次のようにして暫定セクションの開始部分を決定する。タイムスタンプが大きくなる暫定セクションの項目を現在の項目として、1項目ずつ繰り返し検討する。現在のタイムスタンプに関連する現在の項目、現在のタイムスタンプ以下のタイムスタンプを有する暫定セクションの過去の項目、および現在のタイムスタンプよりも小さくないタイムスタンプを有する暫定セクションの将来の項目のうちの少なくとも１つに関連する活動性尺度を再帰的に計算する。そして、活動性尺度に関連付けられた基準が満たされている場合は、現在の項目を暫定セクションの先頭部分に追加する。
一実施形態では、本方法はさらに、暫定セクションの終了部分を以下によって決定することを含む。それは、タイムスタンプが減少する暫定セクションの項目を現在の項目として、一度に1項目ずつ検討すること。現在のタイムスタンプに関連付けられた現在の項目、現在のタイムスタンプ以下のタイムスタンプを有する暫定セクションの過去の項目、および現在のタイムスタンプよりも小さくないタイムスタンプを有する暫定セクションの将来の項目のうちの少なくとも１つに関連する少なくとも１つの活動性尺度を繰り返し計算し決定すること。少なくとも１つの活動性尺度に関連する基準が満たされる場合、現在の項目を暫定セクションの終了部分に追加することである。一実施形態では、活動性尺度に関連する基準は、以下のうちの少なくとも１つを含む。それは、活動性尺度が適応上限閾値よりも小さいこと。活動度が適応下限閾値よりも大きいこと。活動性尺度は、少なくとも所定量の連続するタイムスタンプについて連続して適応上限閾値よりも小さいこと。活動性尺度は、少なくとも別の所定量の連続するタイムスタンプについて連続して適応下限閾値よりも大きいこと。活動性尺度は、所定量の連続するタイムスタンプのうちの少なくとも所定の割合で連続して適応上限閾値よりも小さいこと。活動性尺度は、別の所定量の連続するタイムスタンプのうちの少なくとも別の所定の割合で連続的に適応下限閾値よりも大きいこと。現在のタイムスタンプに関連付けられた別のタイムスタンプに関連付けられた別の活動性尺度は、別の適応上限閾値よりも小さく、別の適応下限閾値よりも大きいこと。現在のタイムスタンプに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に関連付けられた少なくとも１つの活動性尺度は、それぞれの上限閾値よりも小さく、それぞれの下限閾値よりも大きいこと。現在のタイムスタンプに関連付けられているタイムスタンプのセットの中で、それぞれの上限閾値よりも小さく、それぞれの下限閾値よりも大きい、関連付けられた活動性尺度を持つタイムスタンプの割合が閾値を超えること。および別の基準である。一実施形態では、活動性尺度は、時刻T1において項目に関連付けられ、以下のうちの少なくとも１つを含む。それは時間T1における項目および時間T1-D1における項目の第１の関数、ただし、ここでD1は所定の正の量であり、時間T1における項目および時間T1+D1における項目の第２の関数、時間T1における項目および時間Ｔ２における項目の第３の関数、ただし、ここでＴ２は所定の量であり、および時間T1における項目および別の項目の第４の関数である。
一実施形態では、第１の関数、第２の関数、第３の関数、および第４の関数のうちの少なくとも１つは、以下のうちの少なくとも１つである。少なくとも2つのスカラー引数xとyを持つ関数F1（x、y、…）、少なくとも2つのベクトル引数XとYを持つ関数F2（X、Y、…）、および少なくとも2つの引数X1とY1を持つ、関数F3（X1、Y1）である。一実施形態では、関数Ｆ１は、以下のうちの少なくとも１つの関数である。x、y、(x-y)、(y-x)、abs(x-y)、x^a1,y^b1、abs(x^a1 － y^b1)、(x-y)^a1、(x/y)、(x+a1)/(y+b1)、(x^a1/y^b1)、および((x/y)^a1-b1)である。ここで、ａ１およびｂ１は所定量で、XとYはどちらもnタプル（n-tuple）で、X=（x_1、x_2、…、x_n）およびY=（y_1、y_2、…、y_n）である。関数Ｆ２は、以下のうちの少なくとも１つの関数である。x_i、y_i、(x_i - y_i)、(y_i-x_i)、abs(x_i - y_i)、x_i ^a2、y_i ^b2、abs(x_i ^a2 － y_i ^b2)、(x_i - y_i)^a2、(x_i/y_i)、(x_i+a2)/(y_i +b2)、(x_i ^a2/ y_i ^b2)、および((x_i / y_i)^a2-b2)である。ここで、1からnの範囲のiは、nタプルXとYの成分インデックスで、X1とY1は両方とも、X1=（x1_1、x1_2、…、x1_N）およびY1=（y1_1、y1_2、…、y1_N）のようにN個の要素からなるnタプルである。関数Ｆ３は、以下のうちの少なくとも１つの別の関数の成分ごとの合計を含む。x1_j、y1_j、(x1_j - y1_j)、(y1_j-x1_j)、abs(x1_j - y1_j)、x1_j^a3, y1_j ^b3、abs(x1_j ^a3 － y1_j ^b3)、(x1_j - y1_j)^a3、(x1_j/y1_j)、(x1_j+a3)/(y1_j +b3)、(x1_j ^a3/ y1_j ^b3)、および((x1_j / y1_j)^a3-b3)である。ここで、１からＮまでの範囲のｊは、ｎタプルＸ１およびＹ１の成分インデックスである。一実施形態での方法は、動的タイムワープ（ＤＴＷ）を使用してマップを計算することをさらに含む。一実施形態では、動的タイムワープ（ＤＴＷ）は、以下のうちの少なくとも１つに対する制約を含む。それは、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、および第２のセクションである。
一実施形態での方法は、さらに以下を含む。それは、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のセクションとを整列させること。第１のセクションの第１の項目と第２のセクションの第２の項目との間に複数のリンクを含むマップを計算すること。各リンクは、第１の項目を第１のタイムスタンプと、第２の項目と第２のタイムスタンプとを関連付けること。整列された第１のセクションと整列された第２のセクションとの間のミスマッチコストを計算すること。そして、ミスマッチコストに基づいて少なくとも１つの分類子を適用することである。一実施形態では、ミスマッチコストは以下の関数を含む。それは、マップのリンクによって第１のTSCIの第１のセクションの第１の項目と第２のTSCIの第２のセクションの第２の項目との間の項目別コストと、マップのリンクに関連したリンクごとのコストである。一実施形態では、位置合わせされた第１のセクションおよび位置合わせされた第２のセクションは、それぞれ同じベクトル長の第１のベクトルおよび第２のベクトルとしてそれぞれ表される。ミスマッチコストは少なくとも次の1つを含む。それは、第１のベクトルと2番目のベクトルの間の内積、内積的量、相関に基づく量、共分散に基づく量、識別スコア、距離、ユークリッド距離、絶対距離、L_1距離、L_2距離、L_k距離、加重距離、距離のような量、および、別の類似度である。そしてミスマッチコストはベクトル長によって正規化される。一実施形態では、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され、統計的分布のスケールパラメータ、位置パラメータ、および別のパラメータのうちの少なくとも１つが推定される。一実施形態では、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のスライドセクションであり、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のスライドセクションである。
一実施形態での方法はさらに以下を含む。第１のTSCIに第１スライディング窓を適用し、第２のTSCIに対応する第２スライディング窓を適用すること。第１のTSCIの第１のスライディング窓と第２のTSCIの対応する第２のスライディング窓とを位置合わせすること。第１のTSCIの整列された第１のスライディング窓と第２のTSCIの対応する整列された第２のスライディング窓との間のミスマッチコストを計算すること。そして、現在のイベントを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、および別のイベントのうち少なくとも１つと関連付けることである。一実施形態での方法は、分類子を第１のTSCIの第１の持続時間の第１のセクション、および第２のTSCIの第２の持続時間の第２のセクションのうちの少なくとも１つに適用することをさらに含む。一実施形態での方法はさらに以下を含む。それは、少なくとも１つの分類子を第１のTSCIの複数の第１のセクションおよび第２のTSCIの複数のそれぞれの第２のセクションに適用すること。暫定的な分類結果を少なくとも1つ取得すること。ただし、各暫定分類結果は、それぞれの第１のセクションおよびそれぞれの第２のセクションに関連付けられている。そして、現在のイベントを、既知のイベント、未知のイベント、および別のイベントのうちの少なくとも１つに関連する最大数の少なくとも１つの暫定分類結果に基づき、既知のイベント、未知のイベント、および別のイベントの少なくとも1つに関連付けることである。である。一実施形態での方法はさらに以下を含む。現在のイベントをミスマッチコストに基づく既知のイベント、未知のイベント、および別のイベントのうち少なくとも1つに関連付ける。一実施形態での方法はさらに以下を含む。それは現在のイベントを第１のTSCIの少なくとも１つの追加セクションおよび第２のTSCIの少なくとも１つの追加セクションに関連するミスマッチコストおよび追加のミスマッチコストに基づいて、既知のイベント、未知のイベント、および別のイベントのうち少なくとも1つに関連付けることである。
一実施形態では、既知のイベントは、以下のうちの少なくとも1つを含む。それは、ドアを閉じるイベント、ドアを開けるイベント、窓を閉じるイベント、窓を開けるイベント、マルチ状態のイベント、オン状態のイベント、オフ状態のイベント、中間状態のイベント、連続状態のイベント、離散状態のイベント、連続イベント、離散イベント、順次イベント、近接イベント、プレゼンスイベント、不在イベント、入口イベント、出口イベント、移動イベント、接近イベント、後退イベント、進行イベント、アクションイベント、工場イベント、物流イベント、ナビゲーションイベント、位置合わせイベント、車両イベント、駐車イベント、機械イベント、製造イベント、ロボットイベント、ドローンイベント、着陸イベント、離陸イベント、発射イベント、事故イベント、衝突イベント、衝撃イベント、打撃イベント、突破イベント、ブレークスルーイベント、爆発イベント、オフィスイベント、キーボードイベント、コンピュータインタフェースイベント、ホームイベント、清掃イベント、衛生イベント、ペットイベント、昆虫イベント、キッチンイベント、料理イベント、食事イベント、洗濯イベント、家具移動イベント、浴室イベント、寝室イベント、リビングルームイベント、ファミリールームイベント、ダイニングルームイベント、ガレージイベント、ホワイエイベント、階段イベント、地下イベント、屋根裏部屋イベント、食料貯蔵庫イベント、火事イベント、水上イベント、シャワーイベント、気流イベント、ファンイベント、ヒート関連イベント、ライト関連イベント、風イベント、着席イベント、スタンドアップイベント、横臥イベント、起き上がりイベント、ローリングイベント、回転イベント、繰り返しイベント、運動イベント、リラクゼーションイベント、安静時イベント、睡眠イベント、転倒イベント、階段イベント、パーティーイベント、ランニングイベント、ウォーキングイベント、読書イベント、音楽イベント、サウンドイベント、楽器イベント、人間の動作イベント、赤ちゃんのイベント、子供のイベント、高齢者のイベント、ジェスチャーイベント、手書きのイベント、描画イベント、家庭イベント、職場のイベント、ペットのイベント、睡眠のイベント、人間の存在するイベント、人間の不在のイベント、生命の兆候の有るイベント、および生命の兆候の無いイベントである。
一実施形態では、（多くの構成要素を有する）CSI全体を使用する代わりに、システムは（例えば、いくつかのトレーニングデータに対していくつかのトレーニングアルゴリズムを使用することによって）データ整理スキーム（射影：projection）をトレーニングすることができる。例えば、２５６次元のCSIを１０次元の特徴空間に縮小するための射影を見つけることができる。1つのトレーニング方法は主成分分析（PCA）である。一実施形態での方法はさらに以下を含む。それは、少なくとも１つの既知のイベントに関連するトレーニングTSCIに基づく次元削減方法を使用して、各CIについて射影をトレーニングし、ここで、次元削減方法は、主成分分析（PCA）、カーネルの異なるPCA、独立成分分析（ICA）、フィッシャー線形判別、ベクトル量子化、教師あり学習、教師なし学習、自己組織化マップ、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、およびその他の方法のうち少なくとも１つを含む。そして、射影をすべてのCIに適用し、射影と少なくとも１つのイベントに関連するトレーニングTSCIとに基づいて、少なくとも１つのイベントの少なくとも１つの分類子をトレーニングし、射影と少なくとも１つの現在のTSCIに基づいて少なくとも１つの現在のTSCIを分類する。
時々、以前にトレーニングされた分類子がもはや適切でないか有効ではないように、環境が経時的に変更される（例えば、ソファまたはテーブルなどのいくつかの家具が動かされる）。このようにして再トレーニングが行われる。言い換えれば、分類子は再トレーニングされ、適応され、更新され、またはリフレッシュされる。一実施形態での方法は、再トレーニング前の射影、トレーニングTSCI、射影の再トレーニングの時点で取得された少なくとも1つの現在のTSCI、および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つを使用して射影を再トレーニングすることをさらに含む。ここで、別の次元の縮小方法は、以下の少なくとも１つを含む。それは、単純化された次元の縮小方法、主成分分析（PCA）、異なるカーネルを持つPCA、独立成分分析（ICA）、フィッシャー線形判別、ベクトル量子化、教師つき学習、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、そしてさらに別の方法である。それは、再トレーニングされた射影、少なくとも１つのイベントに関連するトレーニングTSCI、および少なくとも１つの現在のTSCIのうちの少なくとも１つに基づいて、少なくとも１つのイベントの少なくとも１つの分類子を再トレーニングする。そして、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、および現在のTSCIに基づいて、少なくとも１つの現在のTSCIを分類する。
CSIは射影の前に前処理されてもよい。例えば、位相は雑音に敏感である傾向があるので、各CSI成分の大きさだけを保持することができる。CSIが１２８個の成分を有する場合、前処理は、各々がCSIの対応する成分の大きさである１２８個の新しい成分を与えるであろう。一実施形態では、各CIは複素数値のベクトルを含む。各複素数値は、複素数値の大きさを求めるために前処理される。各CIは、対応する複素数の大きさを含む負でない実数のベクトルを与えるために前処理される。
トレーニング中に、いくつかのトレーニングTSCIがより重み付けされてもよい。例えば、重要なトレーニングTSCIは、トレーニングにおいて２回以上使用されてもよく、またはトレーニングコストにおいてより大きな重みを有してもよい。一実施形態では、各トレーニングTSCIは射影のトレーニングにおいて重み付けされる。射影は、Ｎ個（２つ以上）の成分を有することができる。例えばＮ＝５又は１０又は１５又は２０など。一実施形態では、射影は、２つ以上の射影成分（projected component）を含む。射影は、少なくとも１つの最も重要な成分を有し得る。たとえば、PCAを使用してN個の構成物を最も高いエネルギで保持することができる。一実施形態では、射影は、少なくとも１つの分類子にとって有益である少なくとも１つの射影成分を含む。
一実施形態では、現在のセクションは２秒の長さであり、２Ｍの現在のCSIはそれぞれ対応するタイムスタンプを有する。「正面ドアの開放」のトレーニングされた代表的セクションは３秒の長さであり、３ＭのトレーニングCSIを有する（すなわち、持続時間は異なる）。ＤＴＷでは、２Ｍの現在のCSIのタイムスタンプと３ＭのトレーニングCSIのタイムスタンプとの間の対応を確立することができる。次に、2つのセクション間のミスマッチコストを計算できる。各ミスマッチコストは、現在のCSIとトレーニングCSIとの間の「距離」である。距離を計算するために、現在のCSIとトレーニングCSIとの間のCSI距離を計算することができ、そしてCSI距離を３Ｍ回計算することができる。距離は、異なるイベントに関連する距離を比較できるように、整列したCSIの量（３Ｍ、これは２つのセクション長のうちの最大である）によって正規化することができる。一実施形態での方法は、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の持続時間のうちの少なくとも１つの第１のセクションについて、以下をさらに含む。それは、それぞれのイベントのそれぞれの代表的なトレーニングTSCIのそれぞれの第２の持続時間のそれぞれの第２のセクションを決定し、第１のセクションとそれぞれの第２のセクションとを整列させ、整列された第１のセクションと整列されたそれぞれの第２のセクションとの間のミスマッチコストを計算し、少なくとも１つの分類子を適用することミスマッチコストに基づいて仮分類結果を取得し、少なくとも１つの暫定的な分類結果に基づいて、少なくとも１つのセクションを、少なくとも１つの既知のイベント、未知のイベント、および別のイベントのうちの１つと関連付けることである。
一実施形態では、特定の分類子は、現在のTSCIの第１の持続時間の第１のセクションを、それぞれの第２のセクションが第１のセクションとのミスマッチコストが最も小さい既知のイベントに関連付ける。分類子は、その最小の（正規化された）ミスマッチコストを与えるイベントを選択してもよい。一実施形態での、この方法はさらに以下を含む。それは、各既知のイベントが最小のミスマッチコストを達成する回数を計算し、そして、少なくとも１つのセクションを、最小のミスマッチコストを最も多く達成する既知のイベント、最小のミスマッチコストを達成する既知のイベントの少なくとも１つと関連付けることである。ここで、全体のミスマッチコストは、少なくとも１つの第１のセクションに関連する少なくとも１つのミスマッチコストの加重平均、別の全体的なコストのうち最小のものを達成する既知のイベント、および未知のイベントである。関連するイベントは、以下の状況のうちの少なくとも１つにおいて未知のイベントである。それは、少なくとも１つの第１のセクションの十分なパーセンテージにおいて、いずれのイベントも第１の閾値T1より低いミスマッチコストを達成しない。およびどのイベントも、第２の閾値Ｔ２よりも低い全体的ミスマッチコストを達成しない。
一実施形態では、トレーニングされた代表的TSCIは、トレーニング段階／段階中に収集されたイベントの多数のトレーニングTSCIに基づいてトレーニングされる（例えば、イベントは正面ドアの開放型であり得る）。TSCI間の距離（ミスマッチコスト）は、次のように定義され得る。ＤＴＷは、正規化されたミスマッチコストが計算され得るように、トレーニングTSCI（または、その「活動」または「有意」セクション）の対（または任意の対）に適用される。トレーニングされた代表は、クラスタリング、識別トレーニング、またはある種の機械学習によって得ることができる。重要なトレーニングTSCIは別のものよりも重要度が高いかもしれない。一実施形態では、既知のイベントに関連付けられたトレーニングされた代表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に基づいて取得される。一実施形態では、既知のイベントに関連付けられたトレーニングされた代表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１つである。
一実施形態では、トレーニングデータポイントのセット（例えば、「正面ドアの開放」のためのトレーニングTSCIのセット）の中のトレーニングデータポイント（トレーニングTSCI）に関連する集合的ミスマッチは、トレーニングデータポイントのセットを表すことがどれほど良いかの尺度である。集合的ミスマッチは、トレーニングデータポイントとセット内の別のトレーニングデータポイントのそれぞれとの間の平均（または加重平均、または別の関数）距離であり得る。良い代表的なデータポイントは別のデータポイントに近い。トレーニング代表TSCIはトレーニングTSCIの1つである。一実施形態では、既知のイベントに関連付けられたトレーニングされた代表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つであり、少なくとも１つのトレーニングTSCIの中で最小の集合的ミスマッチを有する。特定のトレーニングTSCIの集合的ミスマッチは、特定のトレーニングTSCIと、特定のトレーニングTSCIと整合した少なくとも１つのトレーニングTSCIの残りの部分との間の少なくとも１つのミスマッチコストの関数である。そして以下の少なくとも一つを含む関数である。それは、平均化、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、切り捨て平均、一般化平均、べき乗平均、f平均、四分位間平均、およびその他の平均である。
一実施形態では、トレーニング代表TSCIはトレーニングTSCIの１つではない。それは集合的ミスマッチを最小にすることによって計算される。その持続時間（長さ）を決定する必要がある。一実施形態では、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は特定の持続時間を有する。特定の持続時間の特定のトレーニングされた代表的TSCIが、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のそれぞれと整列され、それぞれのミスマッチコストが計算される。特定のトレーニングされた代表的TSCIは、少なくとも１つのトレーニングTSCIに関して集合的なミスマッチを最小にする。TSCIの集合的ミスマッチは、TSCIと、TSCIと整列した少なくとも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つのミスマッチコストの関数である。そして以下の少なくとも一つを含む関数である。それは、平均化、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、切り捨て平均、一般化平均、べき乗平均、f平均、四分位間平均、およびその他の平均である。
一実施形態では、代表的なTSCI（セクション）の持続時間／長さでさえもトレーニングによって得られる。さまざまな持続時間を確認することができる（試算される）。セクションのさまざまな持続時間を調べることができる。一実施形態では、特定の持続時間は、特定のトレーニングされた代表TSCIの２つ以上の候補持続時間の間の集合的ミスマッチを最小にする。一実施形態では、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された代表TSCIが計算される。特定の持続時間は、最小の正規化された集合的不一致をもたらす候補持続時間として選択される。そして、候補持続時間に関連する正規化された集合的ミスマッチは、候補持続時間によって正規化されたそれぞれの集合的ミスマッチである。
別の実施形態では、特定の持続時間は、正規化された集合的ミスマッチ、ハイブリッド正規化された集合的ミスマッチ、組み合わせ正規化された集合的ミスマッチ、単純化されたミスマッチ、およびその他のコスト関数のうちの少なくとも１つのコスト関数を用いて少なくとも１つの候補持続時間の間で探索を実行することによって得られる。候補持続時間と関連付けられ、正規化された集合的ミスマッチは、候補持続時間によって正規化されたそれぞれの集合的ミスマッチである。そして探索は、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、多重解像度探索、階層的探索、制約付き探索、無制限探索、高速探索、単純探索、およびその他の探索のうち少なくとも一つを含む。一実施形態では、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TSCIが繰り返し計算される。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る。現在の持続時間については、現在の持続時間を有する現在の最適なトレーニングされた代表TSCIが計算される。そして現在の持続時間を有する現在の最適なトレーニングされた代表的TSCIに対して、現在の持続時間を、より小さい正規化された集合的ミスマッチを与えるように変更する。
現在のTSCIの現在のセクションの最初の持続時間／長さ（セクション）は、イベントの「典型的な」持続時間（例えば、「正面ドアの開放」）に等しくてもよい。一実施形態では、現在の持続時間は、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に関連付けられた持続時間に基づく値で初期化される。現在のTSCIの現在のセクションの最初の持続時間／長さ（セクション）は、イベントのトレーニングTSCIの持続時間（例えば、「正面ドアの開放」）に基づいて計算され得る。一実施形態では、現在の持続時間は、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に関連付けられた持続時間に基づく値で初期化される。一実施形態では、送信アンテナと受信アンテナの各対は現在のTSCIに対応する。例えば、現在の各TSCIは、第２の送信機のアンテナおよび第２のタイプ２異種無線デバイスのアンテナに関連付けられている。
図3に本教示の一実施形態による、時間反転技術（time-reversal technology）を使用して屋内イベントを検出する例示的な流れを示す。一実施形態では、本教示は、少なくとも１つのイベントに関連付けられたトレーニングTSCIに基づいてある場所の少なくとも１つの既知のイベントの少なくとも１つの分類子をトレーニング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、およびソフトウェアを開示する。既知のイベントに関連するそれぞれのトレーニング持続時間中に場所で起こっている少なくとも１つの既知のイベントのそれぞれについて、それぞれのトレーニング持続時間中に、プロセッサ、メモリ、および第１の無線デバイスの命令セットを使用して、第１の無線デバイスのアンテナによって、それぞれの一連のトレーニングプローブ信号が場所の無線マルチパスチャネルを介して少なくとも１つの異種第１のターゲット無線受信機に送信される。少なくとも１つのそれぞれの時系列のトレーニングTSCIは、（それぞれの）一連のトレーニングプローブ信号から少なくとも１つの異種の第１のターゲットワイヤレス受信機のそれぞれによって非同期的に取得される。そのCIは、既知のイベントに関連付けられたトレーニング持続時間における、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無線マルチパスチャネルのCIである。少なくとも１つのトレーニングTSCIが前処理される。現在の持続時間中に場所で起こる現在のイベントについて、一連の現在のプローブ信号が、プロセッサ、メモリ、および第２のワイヤレスデバイスの命令のセットを使用して、現在のイベントに関連付けられた現在の持続時間中に場所の現在のイベント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、少なくとも１つの異種の第２のターゲット無線受信機に、第２のワイヤレスデバイスのアンテナによって送信される。少なくとも１つの時系列の現在のTSCI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、一連の現在のプローブ信号から非同期的に得られる。そのCIは、現在のイベントに関連する現在の持続時間における、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無線マルチパスチャネルのCIである。少なくとも１つの現在のTSCIが前処理される。
少なくとも１つの分類子は、少なくとも１つの異種の第２のターゲット無線受信機によって一連の現在のプローブ信号から得られる少なくとも１つの現在のTSCIを分類するために、特定の現在のTSCIの少なくとも一部分を分類するために、および／または特定の現在のTSCIの少なくとも一部と別のTSCIの別の部分との組み合わせを分類するために、適用される。少なくとも１つの分類子はまた、現在のイベントを既知のイベント、未知のイベント、および／または別のイベントと関連付けるために適用される。各一連のプローブ信号は、それぞれ関連タイムスタンプを有する少なくとも２つのCIを含み得る。各CIはそれぞれのタイムスタンプと関連付けられてもよい。異種の第２のターゲット無線受信機に関連する現在のTSCIおよび別の異種の第２のターゲット無線受信機に関連する別の現在のTSCIは、異なる開始時間、異なる持続時間、異なる停止時間、時系列における異なる項目数、異なるサンプリング周波数、時系列の2つの連続した項目間の異なるサンプリング持続時間、および/または異なる機能を持つCIを有し得る。
第１の無線デバイスと第２の無線デバイスは同じデバイスでもよい。第１の無線デバイスおよび第２の無線デバイスは同じ場所にあってもよい。少なくとも１つの異種の第１のターゲット無線受信機と少なくとも１つの異種の第２のターゲット無線受信機は同じであってもよい。少なくとも１つの異種の第１のターゲット無線受信機は、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置換であり得る。特定の異種の第１のターゲット無線受信機および特定の異種の第２のターゲット無線受信機は同じデバイスであり得る。少なくとも１つの異種の第１のターゲット無線受信機および／または少なくとも１つの異種の第１のターゲット無線受信機のサブセットは、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サブセットであり得る。少なくとも１つの異種の第２のターゲット無線受信機および／または少なくとも１つの異種の第２のターゲット無線受信機のサブセットは、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サブセットであり得る。
少なくとも１つの異種の第１のターゲット無線受信機および／または少なくとも１つの異種の第１のターゲット無線受信機のサブセットは、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サブセットの置換であり得る。少なくとも１つの異種の第２のターゲット無線受信機および／または少なくとも１つの異種の第２のターゲット無線受信機のサブセットは、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サブセットの置換であり得る。少なくとも１つの異種の第２のターゲット無線受信機および／または少なくとも１つの異種の第２のターゲット無線受信機のサブセットは、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サブセットと同じそれぞれの位置にあり得る。少なくとも１つの異種の第１のターゲット無線受信機および／または少なくとも１つの異種の第１のターゲット無線受信機のサブセットは、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サブセットと同じそれぞれの位置にあり得る。
第１の無線デバイスのアンテナと第２の無線デバイスのアンテナは同じ場所にあってもよい。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アンテナおよび／または少なくとも１つの異種の第２のターゲット無線受信機のサブセットのアンテナは、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サブセットの各アンテナと同じそれぞれの位置にあり得る。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アンテナおよび／または少なくとも１つの異種の第１のターゲット無線受信機のサブセットのアンテナは、それぞれの少なくとも１つの異種の第２のターゲット無線受信機のサブセットのアンテナと同じそれぞれの位置にあり得る。
前処理は、以下のうちの少なくとも１つを含み得る。それは、何もしない、ゼロパディング、時間領域処理、周波数領域処理、時間周波数処理、空間的に変化する処理、時間的に変化する処理、適応処理、ノイズ除去、平滑化、調整、拡張、復元、特徴抽出、加重平均、アンテナリンクの平均、選択周波数の平均、選択成分の平均、量子化、ベクトル量子化、フィルタリング、線形フィルタリング、非線形フィルタ、ローパスフィルタ、バンドパスフィルタ、ハイパスフィルタ、中央値フィルタ、ランクフィルタ、四分位フィルタ、パーセンタいるフィルタリング、モードフィルタ、線形フィルタ、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、自動回帰（AR）フィルタリング、自動回帰移動平均（ARMA）フィルタリング、閾値処理、ソフト閾値処理、ハード閾値処理、ソフトクリッピング、局所最大化、局所最小化、コスト関数の最適化、ニューラルネットワーク、機械学習、教師つき学習、教師なし学習、半教師つき学習、変換、写像、変換、逆変換、整数変換、2のべき乗変換、実数変換、浮動小数点変換、固定小数点変換、複素変換、高速変換、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、変換、分解、選択フィルタリング、適応フィルタリング、微分、一次導関数、二次導関数、高次導関数、積分、ゼロ交差、指標関数、絶対変換、畳み込み、乗算、除算、別の変換、別の処理、別のフィルタ、別の関数、および／または別の前処理である。前処理はまた、以下のうちの少なくとも１つを含み得る。それは、正規化、時間正規化、周波数正規化、振幅補正、位相補正、位相クリーニング、CIに関連する位相のクリーニング、CIに関連する成分の正規化、CIの周波数成分の位相のクリーニング、周波数成分の正規化、リサンプリング、ラベリング、タグ付け、トレーニング、ソート、グループ化、フォールディング、閾値処理、整合フィルタリング、スペクトル分析、クラスタリング、量子化、ベクトル量子化、時間補正、タイムベース補正、タイムスタンプ補正、サンプリングレートのアップコンバージョン/ダウンコンバージョン、補間、内挿、外挿、サブサンプリング、デシメーション、圧縮、展開、暗号化、復号化、符号化、格納、探索、送信、受信、表現、マージ、結合、分割、追跡、モニタ、射影、直交射影、非直交射影、オーバーコンプリート射影、分解、固有分解、主成分分析（ＰＣＡ）、疎近似、マッチング追跡、および／または別の演算などである。
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のセクションとを整列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との間のマップが計算されてもよい。第１のTSCIは、第１の動作によって処理され得る。第２のTSCIは、第２の動作によって処理され得る。第１の動作および／または第２の動作は、サブサンプリング、再サンプリング、補間、フィルタリング、変換、特徴抽出、前処理、および／または別の動作のうちの少なくとも１つを含み得る。
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の項目にマッピングされてもよい。第1のセクションの第１の項目は、2番目のセクションの別の項目にマッピングされてもよい。第１のセクションの別の項目は、第2のセクションの第2の項目にマッピングされてもよい。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の項目の時間差、第１の項目の隣接タイムスタンプ、第１の項目に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の項目の時間差、第２の項目の隣接タイムスタンプ、および第２の項目に関連する別のタイムスタンプのうち少なくとも1つの機能は、少なくとも１つの制約を満たすことができる。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は、適応上限閾値によって上限が定められ、適応下限閾値によって下限が定められてもよい。第1のセクションは第1のTSCI全体でもよい。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の持続時間と等しくてもよい。
TSCIの持続時間のセクションは、適応的に決定され得る。TSCIの暫定セクションが計算されてもよい。セクション（例えば、暫定セクション、セクション）の開始時間および終了時間が決定されてもよい。セクションは、暫定セクションの開始部分および終了部分を削除することによって決定され得る。暫定セクションの開始部分は、以下のように決定され得る。反復的に、タイムスタンプが大きくなる暫定セクションの項目は、一度に1項目ずつ現在の項目と見なすことができる。各反復において、少なくとも１つの活動性尺度が計算および／または考慮されてもよい。少なくとも１つの活動性尺度は、現在のタイムスタンプに関連付けられた現在の項目、現在のタイムスタンプ以下のタイムスタンプを持つ暫定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以上のタイムスタンプを持つ暫定セクションの将来の項目のうち少なくとも１つと関連付けられてもよい。少なくとも１つの活動性尺度に関連する少なくとも１つの基準が満たされる場合、現在の項目を暫定セクションの開始部分に追加することができる。活動性尺度に関連する少なくとも１つの基準は、以下のうちの少なくとも１つを含み得る。すなわち、（ａ）活動性尺度が適応上限閾値よりも小さい、（ｂ）活動性尺度が適応下限閾値よりも大きい、（ｃ）活動性尺度が少なくとも所定量の連続するタイムスタンプについて連続して適応上限閾値よりも小さい、（ｄ）活動性尺度は、少なくとも別の所定量の連続するタイムスタンプについて連続して適応下限閾値よりも大きい、（ｅ）活動性尺度は、所定の量の連続するタイムスタンプのうちの少なくとも所定の割合で連続して適応上限閾値よりも小さい、（ｆ）活動性尺度は、別の所定量の連続するタイムスタンプのうちの少なくとも別の所定の割合で連続的に適応下限閾値よりも大きい、（ｇ）現在のタイムスタンプに関連付けられた別のタイムスタンプに関連付けられた別の活動測定値が別の適応上限閾値よりも小さく、別の適応下限閾値よりも大きい、（ｈ）現在のタイムスタンプに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に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も小さく、それぞれの下限閾値よりも大きい、（ｉ）現在のタイムスタンプに関連付けられたタイムスタンプのセット内の、それぞれの上限閾値よりも小さくそれぞれの下限閾値よりも大きい、関連付けられた活動性尺度を有するタイムスタンプの割合が閾値を超える、（ｊ）別の基準、である。
時間T1における項目に関連する活動性尺度は、以下のうちの少なくとも１つを含み得る。すなわち、（１）時間T1における項目および時間T1-D1における項目の第１の関数。ここで、D1は所定の正の量（例えば一定の時間オフセット）である、（２）時間T1における項目および時間T1＋D1における項目の第２の関数、（３）時間T1における項目および時間Ｔ２における項目の第３の関数。ここで、Ｔ２は所定の量（例えば、固定初期基準時間であり、Ｔ２は経時的に変化でき、Ｔ２は定期的に更新することができ、Ｔ２は、持続時間の始まりであり得、T1は、持続時間内のスライド時間であり得る）である、（４）時刻T1における項目および別の項目の第４の関数、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の関数のうち少なくとも１つは、少なくとも２つの引数、XとYを有する機能（例えば、Ｆ（Ｘ、Ｙ、…））であり得る。関数（例えばＦ）は、以下のうちの少なくとも１つの関数であり得る。それは、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)であり、ここで、ａおよびｂはいくつかの所定量であり得る。例えば、関数は単純に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よりも小さいときは（X-Y）^2であり、abs（X-Y）がTよりも大きいときは（X-Y）+aであってもよい。あるいは、関数は、abs（X-Y）がTより大きい場合は定数であってもよい。abs（X-y）がTより大きい場合、関数は緩やかに増加する関数によって制限されることもあるため、外れ値が結果に深刻な影響を与えることはない。関数の別の例は、（abs（Ｘ/Ｙ）-ａ）であり得、ここで、ａ＝１である。この場合で、Ｘ＝Ｙ（すなわち変化なしまたは活動なし）の場合、この関数は０の値を与える。XがYより大きい場合、（X/Y）は1より大きくなり（XとYが正であると仮定）、関数は正になる。そしてXがYより小さければ、（X/Y）は1より小さくなり、関数は負になる。別の例では、XとYの両方が、X=（x_1、x_2、…、x_n）およびY=（y_1、y_2、…、y_n）のようにnタプルである場合がある。の関数は、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）、（（x_i/y_i）^a-b）のうちの少なくとも１つの関数であり得る。ここで、ｉはｎタプルＸおよびＹの成分インデックスであり、１≦ｉ≦ｎである。例えば。x_1の成分インデックスはi=1、x_2の成分インデックスはi=2である。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）、（（x_i/y_i）^a-b）のうちの少なくとも１つの別の関数の成分ごとの合計を含み得る。ここで、iはnタプルXおよびYの成分インデックスである。たとえば、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）の形式になる。ここで、w_iは成分iの重みである。
マップは動的タイムワーピング（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がj番目の範囲項目にマップされているとする。制約は、iとjの許容可能な組み合わせ（iとjの間の関係に対する制約）にある。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対の不一致が計算され得る。第１のセクションおよび第２のセクションは、複数のリンクを含むマップが第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され得るように整列され得る。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つに関連付けられてもよい。
整列された第１のセクションと整列された第２のセクションとの間のミスマッチコストが計算され得る。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ごとのミスマッチコスト、およびマップの特定のリンクに関連付けられたリンクごとのコストの関数を含み得る。整列された第１のセクションおよび整列された第２のセクションはそれぞれ、同じベクトル長の第１のベクトルおよび第２のベクトルとして表すことができる。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、内積的な量、相関に基づく量、共分散に基づく量、識別スコア、距離、ユークリッド距離、絶対距離、Lk距離（例：L1、L2、…）、重み付き距離、距離のような量、および／または別の類似性の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によって正規化することができる。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対のミスマッチから導出されたパラメータは、統計的分布を用いてモデル化され得る。統計的分布のスケールパラメータ、位置パラメータ、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を第１のTSCIに適用することができ、対応する第２のスライディング窓を第２のTSCIに適用することができる。第１のTSCIの第１のスライディング窓と第２のTSCIの対応する第２のスライディング窓は整列されてもよい。第１のTSCIの整列された第１のスライディング窓と第２のTSCIの対応する整列された第２のスライディング窓との間の対のミスマッチが計算されてもよい。現在のイベントは、少なくとも対のミスマッチに基づく、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1つに関連付けられ得る。分類子は、第１のTSCIの第１の持続時間の第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。
現在のイベントは、第１のTSCIの複数のセクションおよび対応する第２のTSCIの複数のセクションの結果となる最大数の暫定分類に基づき、少なくとも既知のイベント、未知のイベントおよび／または別のイベントのうち1つに関連付けられる。例えば、対のミスマッチが特定の既知のイベントをＮ回連続して指す場合（例えばＮ＝１０）、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てもよい。別の例では、特定の既知のイベントを指す直前のＮ個の連続Ｎ内の対のミスマッチのパーセンテージが特定の閾値（例えば、＞８０％）を超える場合、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てもよい。
現在のイベントは、少なくともミスマッチコストに基づき、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1つに関連付けられてもよい。現在のイベントは、第１のTSCIの少なくとも１つの追加セクションおよび第２のTSCIの少なくとも１つの追加セクションに関連するミスマッチコストおよび追加のミスマッチコストに基づき、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1つに関連付けられてもよい。
既知のイベントには、少なくとも次の1つが含まれる。それは、ドアを閉じるイベント、ドアを開けるイベント、窓を閉じるイベント、窓を開けるイベント、マルチ状態のイベント、オン状態のイベント、オフ状態のイベント、中間状態のイベント、連続状態のイベント、離散状態のイベント、人間が存在するイベント、人間が存在しないイベント、生命の兆候が存在するイベント、および生命の兆候が見られないイベントである。
各CIに対する射影は、トレーニングTSCIに基づく次元削減方法を用いてトレーニングされてもよい。次元削減方法は、主成分分析（PCA）、カーネルの異なるPCA、独立成分分析（ICA）、フィッシャー線形判別、ベクトル量子化、教師あり学習、教師なし学習、自己組織化マップ、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、少なくとも少なくとも１つの分類子に対する、少なくとも１つのイベントに関連するトレーニングTSCI、および／または現在のTSCIのうち1つに適用できる。
少なくとも１つのイベントの少なくとも１つの分類子は、少なくとも１つのイベントに関連する射影およびトレーニングTSCIに基づいてトレーニングされてもよい。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、再トレーニング前の射影、トレーニングTSCI、射影を再トレーニングする前の少なくとも１つの現在のTSCI、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。
別の次元の縮小方法は、以下のうちの少なくとも１つを含み得る。それは、簡略化次元削減法、主成分分析（PCA）、異なるカーネルを持つPCA、独立成分分析（ICA）、フィッシャー線形判別、ベクトル量子化、教師つき学習、教師なし学習、自己組織化マップ、自動エンコーダ、ニューラルネットワーク、ディープニューラルネットワーク、および／またはさらに別の方法である。
少なくとも１つのイベントの少なくとも１つの分類子は、再トレーニングされた射影、少なくとも１つのイベントに関連するトレーニング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てもよい。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。各複素数値は、複素数値の大きさを得るために前処理されてもよい。各CIは、対応する複素数の大きさを含む負でない実数のベクトルを与えるために前処理されてもよい。各トレーニングTSCIは、射影のトレーニングにおいて重み付けすることができる。射影は、複数の射影された成分を含み得る。射影は、少なくとも１つの最も重要な射影された成分を含み得る。射影は、少なくとも１つの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。
特定の分類子は、現在のTSCIの第１の持続時間の第１のセクションについて、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のセクションと既知のイベントに関連したトレーニングされた代表TSCIの第2の持続時間の第2セクションとの間の対のミスマッチ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のセクションを、第２のセクションが第１のセクションと最小の対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の持続時間の前の第１のセクションが、既知のイベントに関連するトレーニングされたTSCIの別の第２の持続時間の別の第２のセクションとの最小の対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の持続時間の第１のセクションを、第２のセクションが第１のセクションと最小の対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。
既知のイベントに関連するトレーニングされた代表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に基づいて取得することができる。既知のイベントに関連付けられたトレーニングされた代表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された代表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的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つの対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、トリミング平均、中央値、最頻値、算術平均、幾何平均、調和平均、切り捨て平均、一般化平均、べき乗平均、f平均、四分位間平均、および/またはその他の平均のうちの少なくとも１つを含み得る。
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は特定の持続時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された代表的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のそれぞれと整列されてもよい。それぞれの対のミスマッチが計算されてもよい。特定のトレーニングされた代表的なTSCIは、少なくとも１つのトレーニングTSCIと比較して集合的ミスマッチを最小にすることができる。集合的ミスマッチは、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つの対のミスマッチの関数であり得る。特定の持続時間は、特定のトレーニングされた代表的TSCIの複数の候補持続時間の間の集合的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、トリミング平均、中央値、最頻値、算術平均、幾何平均、調和平均、切り捨て平均、一般化平均、べき乗平均、f平均、四分位間平均、および/またはその他の平均のうちの少なくとも１つを含み得る。
集合的ミスマッチおよび／または各対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のそれぞれの集合的ミスマッチを、最小集合的ミスマッチを有するものの探索において比較することができる。特定の持続時間は、特定のトレーニングされた代表的TSCIの複数の候補持続時間の間の集合的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された代表TSCIを計算することができる。特定の持続時間は、最小の正規化された集合的ミスマッチ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的ミスマッチは、候補持続時間によって正規化されたそれぞれの集合的ミスマッチであり得る。
特定の持続時間は、正規化集合的ミスマッチ、ハイブリッド正規化集合的ミスマッチ、組み合わせ正規化集合的マッチ、単純化されたミスマッチ、および／または別のコスト関数のうちの少なくとも１つであるコスト関数を用いて少なくとも１つの候補持続時間の間で探索を実行することによって得られてもよい。候補持続時間に関連付けられた正規化された集合的ミスマッチ、候補持続時間によって正規化されたそれぞれの集合的ミスマッチであり得る。探索は、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、多重解像度探索、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／または別の探索のうちの少なくとも１つを含み得る。
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は反復して計算されてもよい。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は、現在の持続時間を有する現在の最適なトレーニングされた代表TSCIを計算することができる。現在の持続時間を有する現在の最適なトレーニングされた代表TSCIに対して、現在の持続時間は、より小さい正規化された集合的ミスマッチを与えるように変更され得る。現在の持続時間は、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に関連付けられた持続時間に基づく値で初期化されてもよい。現在の持続時間は、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に関連付けられた持続時間に基づく値で初期化されてもよい。
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機のうちの少なくとも一方は、少なくとも２つのアンテナを備えることができる。第１の無線デバイスアンテナと第１のターゲット無線受信機アンテナとの各対は、第１の無線デバイスと第１のターゲット無線受信機との間にリンクを形成することができる。第１の無線デバイスと第１のターゲット無線受信機との間に少なくとも２つのリンクが形成されてもよい。各リンクは現在のTSCIに対応し得る。
一実施形態では、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は、トレーニングフェーズにおいて無線マルチパスチャネルを介して送信された第２の無線信号から取得され得る。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って影響を受け得る。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、時折、定期的に、および／または要求に応じて実行され得る。
トレーニングフェーズにおける第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に関連す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が取得され得る。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／または捕捉されるべきターゲット運動であり得る。
トレーニングフェーズにおける第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に関連す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が取得され得る。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、証明されない、捕捉されない、測定されない、および／または研究されないトレーニング運動であり得る。
少なくとも１つの時系列の第１のトレーニングCIからの少なくとも１つの第１の量および／または少なくとも１つの時系列の第２のトレーニングCIからの少なくとも１つの第２の量を計算することができる。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の量は以下を含み得る。それは、動き統計、位置統計、マップ座標統計、高度統計、速度統計、加速度統計、移動角度統計、回転統計、サイズ統計、体積統計、時間傾向、タイムトレンド統計、タイムプロファイル統計、周期的動き統計、周波数統計、過渡統計、呼吸統計、歩行統計、行動統計、イベント統計、不審イベント統計、危険なイベント統計、警告イベント統計、警告統計、信念統計、近接統計、衝突統計、電力統計、信号統計、信号電力統計、信号強度統計、受信信号強度インジケータ（ＲＳＳＩ）、信号振幅、信号位相、信号周波数成分、信号周波数帯域成分、チャネル状態情報（CSI）、CSI統計、マップ統計、時間統計、周波数統計、時間-周波数統計、分解統計、直交分解統計、非直交分解統計、追跡統計、呼吸の統計、ハートビート統計、バイオメトリック統計、ベビー統計、患者統計、マシン統計、デバイス統計、温度統計、車両統計、駐車場統計、会場統計、リフト統計、エレベーターの統計、空間の統計、道路の統計、流体の流れの統計、住宅の統計、部屋の統計、オフィスの統計、住宅の統計、建物の統計、倉庫の統計、ストレージの統計、システムの統計、換気統計、ファン統計、パイプ統計、ダクト統計、人の統計、人間の統計、車の統計、ボートの統計、トラックの統計、飛行機の統計、無人機の統計、ダウンタウンの統計、群衆の統計、衝動的なイベントの統計、サイクロ定常統計、環境統計、振動統計、材料統計、表面統計、3次元統計、2次元統計、ローカル統計、グローバル統計、プレゼンス統計、および/または別の統計である。
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てもよい。少なくとも１つの閾値は、第１の量の第１の割合が第１の閾値よりも大きい、等しい、および／または小さい（少なくとも１つの閾値ではない）ように決定されてもよい。少なくとも１つの閾値は、第２の量の第２の割合が第２の閾値よりも大きい、等しい、および／または小さい（少なくとも１つの閾値ではない）ように決定されてもよい。第１の閾値は、第２の閾値より大きくても、等しくても、かつ／または小さくてもよい。第１の閾値は第２の閾値であり得る。第１の割合は、第２の割合よりも大きくても、等しくても、および／またはそれより小さくてもよい。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におけるモニタ領域内の第２のオブジェクトのトレーニング運動に関連付けられてもよい。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、モニタ領域内の第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におけるモニタ領域外の第２のオブジェクトのトレーニング運動に関連付けられてもよい。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、モニタ領域外の第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、交換品、バックアップ、および／またはレプリカであり得る。第２オブジェクトは、第１オブジェクトと同様の別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、運動特性、速度、加速度、歩行、傾向、習慣、無線特性、および別の特性に関して第１のオブジェクトと類似していてもよい。
一実施形態では、本教示は、睡眠をモニタするための方法、装置及びシステムを開示する。開示された方法は、プロセッサを使って無線マルチパスチャネルのＣＩの時系列を取得すること、プロセッサに通信可能に接続され命令のセットが格納されたメモリ、およびＴＳＣＩに基づいてユーザの睡眠関連の動きをモニタすること、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、急速眼球運動（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、呼吸数（breathing rate）の時間関数および動き比率（motion rate）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における呼吸数は、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、呼吸数の時間関数および／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／または呼吸数が第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。
呼吸数傾向関数（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。傾向除去された呼吸数関数（detrended breathing rate function）は、呼吸数の時間関数から呼吸数傾向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傾向除去された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平均ＮＲＥＭと呼吸数の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傾向除去された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とパーセンタイル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、および別の量のうちの少なくとも１つを含み得る。
図４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４の左部分は、モニタエリア内で人が正常に呼吸するときの、チャネル電力応答の測定されたＡＣＦの分解を示し、右部分は、呼吸信号のＡＣＦのＳＮＲを増強するためのＭＲＣスキームを示す。図５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副搬送波（サブキャリア）と比較して２．５ｄＢ増幅され、すべての副搬送波を直接平均することと比較して３．７ｄＢ増幅される。図６は、開示されたＡＣＦベースのＭＲＣスキームの利得を更に実証し、振幅およびその分散は、副搬送波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）に最も敏感な副搬送波は、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 0007353006000001
 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７Ａ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７Ｂにて示すように、被検者が目覚めているとき、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７Ａおよび図７Ｂ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。すなわち、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８Ａ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、ローパス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、傾向除去された呼吸数推定を得ることができる。次いで、呼吸数の変動は、エポックの長さによって正規化された傾向除去された推定の分散として、各エポックについて定義され、算出される。
図８Ｂ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８Ｂ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、ユーザの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。
Ｓ＝１０＊ＴＮ＋２０＊ＴＲ－１０＊ＴＷ
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、ベッド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、より高い重み（higher weight）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９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１０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。
モノのインターネット（IoT）の時代には、スマートアプライアンスは顧客満足と利便性を達成するように設計され開発されており、スマートアプライアンスの市場はプライムされている。たとえば、スマートテレビは革新的なテレビの使用パターンを提供できる。従来のリモートコントローラを使用して自宅でテレビを制御する代わりに、ワイヤレスセンシングを使用して、スマートテレビをテレビの前の特定の動きパターンを検出して検知することおよび例えば居間などの特定の場所における人間の存在を感知することによって、自動的にオン/オフ、一時停止、および/または再開できる。一実施形態では、本教示は、例えば屋内環境または都市大都市圏、閉鎖環境、地下環境などの、豊かな散乱環境における時間反転技術に基づいて、生きているオブジェクトの存在およびオブジェクトの潜在的な動きをモニタすることを開示している。
図１１に示すように、居間の壁に掛けると、スマートテレビは、リビングルームの無線伝播環境を感知するために、その中に埋め込まれた１つのオリジンと１つのボット、すなわち２つのWiFiトランシーバを有する。たとえば、テレビから２から３フィートの場所をユーザが一定の距離内でテレビの前を歩き回っていると、テレビはオリジンとボットで環境を検知し、チャンネル状態情報（CSI）をキャプチャして分析することでそれを検出し、最後に自動的に電源が入る。ユーザがテレビを見てソファに座っているとき、たとえテレビから遠く離れていても、オリジンおよびボットは依然として、現在のユーザの動きまたはバイタル信号によってCSIにもたらされた摂動を捉えることができる。居間に誰もいないときだけ、伝播環境は静かになり、CSIは時間の経過と共に安定し、スマートテレビの中のオリジンとボットによって検知されることができる。言い換えれば、スマートテレビの中のオリジンとボットの助けを借りて、スマートテレビは屋内環境を無線で感知し、以下の異なる屋内状態を区別することができる。（１）ユーザがターゲットエリア内（２から３フィート）でテレビに近づいているとき。（２）ユーザがソファに座ってテレビを見ているとき（すなわち、居間の中の毎日の活動）。（3）部屋が空で誰もいないとき。
一実施形態の設計方式では、スマートテレビは、３つの検出された屋内状態に対する応答として自動的にオンおよびオフになる。テレビがオンの状態で（またはオフの状態で）、状態（1）が検出されると、テレビの電源は直ちにオフになる（またはオンになる）。テレビがオンの状態で、状態（2）が検出されると、テレビはオンのままになる。テレビがオンの状態で、一定時間（3）の状態が検出されると、テレビはカウントダウンモードに入る。カウントダウン持続時間中およびカウントダウン限界に達する前に、状態（２）が検出されると、テレビはオンのままであり、カウントダウンモードはリセットされ無効にされる。しかしながら、カウントダウン持続時間中に状態（３）が持続すると、カウントダウン限界に達したときに、テレビはシャットダウンされる。
方法論：
スマートテレビでは、ボットは与えられたサウンディングレート1/Tsでチャンネルプロービング信号をオリジンに送信し続ける。ここで、Tsは秒単位のチャンネルプロービング間隔である。各受信チャネルプロービング信号に基づいて、オリジンはチャネル状態情報（CSI）を推定することができる。1/Ts CSIごとに、合計Ｍ個の連続CSIについて、隣接CSI間の平均自己相関値として動き統計値（メトリック）が導出される。マルチパス伝播の性質により、ユーザが部屋の中にいるときにCSIは乱され、活動が異なるとCSI内の動きパターンが異なることになる。動きがスマートテレビ（オリジンとボット）に近い場合、動きがテレビから離れている場合に関連付けられた値よりも大きな動き統計値が生成される。部屋の中に動きがないとき、対応する動き統計は、例えば0付近といった非常に小さい値になるであろう。したがって、動き統計を使用することによって、前述の３つの屋内状態をうまく分類することができる。
アルゴリズム：
提案されたスマートテレビシステムの正確性ならびに堅牢性を保証するために、異なるアルゴリズムが開示されている。
Ａ）ユーザがテレビの前でゆっくり歩いているときに状態（１）を検出するために、固定長Ｗ_１を有する先入れ先出しバッファＢ_１を使用して、到来CSIから計算された最新の動き統計を格納する。バッファB_1内のすべての要素の中央値X_1がメトリックとして使用される。Ｘ_１は更新し続け、所定の閾値Ｒ_１と比較される。Ｘ_１＞Ｒ_１のとき、状態（１）が検出され、その現在の状態がオフ（またはオン）である場合にスマートテレビがオン（またはオフ）になることが決定される。
Ｂ）一方、部屋の中に誰もいないときの状態（３）を検出するために、固定長Ｗ_２を有する別の先入れ先出しバッファＢ_２を使用して、到来CSIから計算された最新の動き統計を格納する。バッファB_2内のすべての要素の中央値X_2がメトリックとして使用される。Ｘ_２は更新され続け、所定の閾値Ｒ_２と比較される。Ｘ_２＜Ｒ_２の場合、状態（３）が検出されたと判断され、スマートテレビは、カウントダウン限界がＴ_０であるカウントダウンモードに入る。カウントダウンモードの間で限界値T_0に達する前に、オリジンとボットは屋内の伝播環境を感知し続け、そして最新の動き統計でバッファB_1とB_2を更新し続ける。一方、新しい先入れ先出し動き統計バッファＢ_３は長さＷ_３で開かれ、この持続時間中に状態（２）または何らかの運動が生じたかどうかを検出することを目的とする。バッファB_3内のすべての要素の中央値X_3がメトリックとして使用され、事前定義された閾値R_3と比較される。Ｘ_３＞Ｒ_３であれば、状態（２）、すなわち室内に動きがある、またはユーザが居ると判定される。カウントダウン持続時間中に状態（2）が検出されると、カウントダウンは終了し、スマートテレビはシャットダウンされない。それ以外の場合、カウントダウン制限に達するとスマートテレビは自動的にシャットダウンする。
Ｃ）各バッファの長さは調整可能である。通常、W_1は5秒、W_2は15秒、W_3は5秒、T_0は30秒である。R_1、R_2、およびR_3の閾値は、手動で調整することも、初期セットアップ中にトレーニングプロセスを通じて学習することもできる。
本明細書に開示されるスマートテレビは、テレビ画面上に任意のビデオを表示することができる。一実施形態では、ビデオは、３つの検出された屋内状態に対する応答として自動的に一時停止および／または再開することができる。すなわち、（１）ユーザがターゲットエリア内（２から３フィート）でテレビに近づいているとき、（２）ユーザがソファに座ってテレビを見ているとき（すなわち、居間での毎日の活動）、（３）部屋が空で誰もいないとき、である。テレビがオンの状態で、画面上でビデオを再生しているときに、状態（１）が検出されると、テレビは直ちに一時停止してカウントダウン持続時間Ｔ_１を開始する。T_1のカウントダウン持続時間中に、状態（1）が再び検出されると、テレビは再開し、一時停止したシーンから再生を開始する。状態（２）が検出されている間に状態（１）が検出されない場合、テレビのスクリーンはオンであり、一時停止されたシーンを示すまま一時停止されたままであろう。しかしながら、状態（３）がカウントダウン持続時間Ｔ_１の間検出され続けた場合、すなわちカウントダウン限界Ｔ_１に達する前に状態（１）または状態（２）のいずれも検出されなかった場合、テレビはディスプレイがオフの状態でスリープモードに入り、別のカウントダウン持続時間T_2を開始する。カウントダウン持続時間T_2の間に、状態（1）が検出されると、テレビはすぐに点灯し、一時停止したシーンから再生を開始する。状態（１）の代わりに状態（２）が検出されると、テレビは直ちに点灯し、一時停止モードに留まり、一時停止された画面を表示する。しかし、限界Ｔ_２に達する前に、状態（１）または状態（２）のいずれも検出されたことがない場合、すなわち、テレビが常に状態（３）を検出した場合、スリープモードになっているテレビは自動的にオフになるが、一時停止する前の最後のシーンを覚えている。
アルゴリズム：
提案されたスマートテレビシステムの正確性ならびに堅牢性を保証するために、異なるアルゴリズムが開示されている。
Ａ）ユーザがテレビの前でゆっくり歩いているときに状態（１）を検出するために、固定長Ｗ_１を有する先入れ先出しバッファＢ_１を使用して、到来ＣＳＩから計算された最新の動き統計を格納する。バッファB_1内のすべての要素の中央値X_1がメトリックとして使用される。Ｘ_１は更新し続け、所定の閾値Ｒ_１と比較される。Ｘ_１＞Ｒ_１のとき、状態（１）が検出され、スマートテレビがその現在の状態を考慮して一時停止または再開すると決定される。スマートテレビの現在の状態が一時停止の場合、スマートテレビは一時停止されたシーンからすぐに再生を再開する。しかしながら、スマートテレビが映画を再生しており、それが状態（１）の検出に対する応答として一時停止されている場合、スマートテレビがスリープモードに入るか否かを決定するために限界値Ｔ_１のカウントダウンモードが直ちに開始される。
Ｂ）一方、部屋の中に誰もいないときに状態（３）を検出するために、固定長Ｗ_２を有する別の先入れ先出しバッファＢ_２を使用して、到来ＣＳＩから計算された最新の動き統計を格納する。バッファB_2内のすべての要素の中央値X_2がメトリックとして使用される。Ｘ_２は更新され続け、所定の閾値Ｒ_２と比較される。Ｘ_２＜Ｒ_２のとき、状態（３）が検出されたと判断する。
Ｃ）さらに、先入れ先出し動き統計バッファＢ_３が長さＷ_３で開かれ、それは状態（２）または何らかの動きがこの期間中に発生したかどうかを検出することを目的とする。バッファB_3内のすべての要素の中央値X_3がメトリックとして使用され、所定の閾値R_3と比較される。Ｘ_３＞Ｒ_３であれば、状態（２）、すなわち室内に動きまたはユーザが存在していると判断される。
Ｄ）Ｔ_１のカウントダウン中および限界値Ｔ_１に達する前に、オリジンおよびボットは屋内伝搬環境を感知し、最新の動き統計でバッファＢ_１、Ｂ_２、およびＢ_３を更新し続ける。限界T_1に達する前に状態（1）が検出された場合、スマートテレビはただちに再開して一時停止したシーンから再生を続け、カウントダウンは終了する。状態（１）が検出されず、限界T_1に達する前に状態（２）が検出された場合、Ｔ_１のカウントダウンはリセットされ、スマートテレビが一時停止モードのままの間に再び開始される。一方、状態（１）または状態（２）のいずれも検出されない場合、すなわち、スマートテレビのオリジンおよびボットが、状態（３）を検出し続ける場合、テレビは、カウントダウン限界Ｔ_１に達するとディスプレイがオフである状態でスリープモードに入る。
Ｅ）スマートテレビがスリープモードに入るとすぐに、限界値T_2の新しいカウントダウンが始まる。T_2のカウントダウン中、スマートテレビは次の3つのケースのいずれかが発生するまでディスプレイをオフに保つ。状態（1）が検出されると、T_2のカウントダウンが終了し、スマートテレビが点灯して一時停止したシーンからすぐに再生を再開する。状態（２）が検出されると、Ｔ_１のカウントダウンが再び開始され、Ｔ_２のカウントダウンが終了する。その間、スマートテレビが点灯し、一時停止したシーンを表示したまま一時停止したままになる。状態（３）が検出され続ける場合、すなわち、状態（１）または状態（２）のいずれも検出されない場合、スリープモードのスマートテレビは、カウントダウン限界Ｔ_２に達した時点で自動的にオフにされる。各バッファの長さは調整可能である。R_1、R_2、およびR_3の閾値は、手動で調整することも、初期セットアップ中にトレーニングプロセスを通じて学習することもできる。
実験結果：
スマートテレビの概念を検証し示すために、実験が行われ、セットアップが図１２に示されており、そこではオリジンおよびボットはテレビの真下の、テレビの左右の境界に置かれている。テストテレビの前の空間は、図１３に示されるように６つのゾーンに分割され、そしてテレビから１メートル以内にあるゾーン１は状態（１）の意図されたエリアとして考えられる。
オリジンとボットの間のCSIを収集して、1人のテスターが1分間各ゾーンでゆっくり歩いている場合と、部屋が1分間空になっている場合の動き統計を計算できる。さまざまなシナリオに対応する統計の分布は累積分布関数（CDF）としてプロットされる。ここで、凡例「CX」はゾーンXでのユーザがゆっくり歩いている場合のシナリオを意味する。ゾーン1でゆっくり歩いている場合の統計のほぼ90％が0.6を超えているのに対し、空き部屋の統計のほぼ90％が0を下回っていることが明らかである。部屋の中の別の動きについては、動き統計の大部分は0.1から０.5の範囲に入る。したがって、動き統計の助けを借りて、提案されたスマートテレビは、これら3つの屋内状態を区別することができる。
ユーザが異なるゾーンでゆっくり歩いている時間に沿った動き統計とシステム出力（ターンオン検出）に基づいて、ターンオン検出が1の場合、スマートテレビは自動的にオン（オフ）になる。ゾーン１、すなわち意図されたトリガゾーンについて、１００％の検出が達成され、別のゾーンについては誤警報なしが達成される。
空の部屋のときと、ゾーン4に誰かが座っているときの両方のシナリオの時間に沿った動き統計とシステム出力（アクティビティ検出）に基づいて、アクティビティ検出が1の場合、テレビはオフにならない。アクティビティ検出が0の場合、カウントダウン後にテレビの電源が切れる。動き統計は、空の部屋に対する堅牢性を維持しながら、敏感であり、小さく遠くの運動を検出することができる。
５回のターンオンテストおよび５回の通過テストの結果に基づいて、状態（１）をアクティブにするためにユーザが意図的にゾーン１でゆっくり歩いているので、提案されたスマートテレビシステムは常にそれを素早く正確に捉え、応答することができる。ユーザが状態（１）をアクティブにする意図なしにゾーン１を無作為に通過するだけであるとき、提案されたスマートテレビシステムはその堅牢性を示す誤警報を生成することは決してないだろう。
潜在的なユースケース：
異なる屋内環境を検出および区別する、屋内環境を特徴付けるCSIを利用して、開示されたスマートテレビシステムは、インテリジェントであり、誰も部屋にいないとき、ユーザが日常的な活動をしている部屋内にいるとき、および／またはユーザがテレビの前でゆっくり歩いているときの屋内状態に基づいて自動的にテレビをオン／オフすることができる。開示されたスマートテレビシステムは、ごく接近したところで動きを検出し、それに迅速に応答することができる。一方、開示されたシステムは、冷蔵庫、電気暖炉、広告用の表示画面などのような別のスマート機器にも拡張することができる。
図１４は、存在検出のためにオリジンおよび／またはボットがテレビに統合され得るスマートテレビの別の例示的な設定を示す。図１５は、存在検出のためにオリジンおよび／またはボットをテレビの前に置かれたスピーカに設置することができるスマートテレビの別の例示的な設定を示す。図１６は、テレビがテーブルの上に置かれ、オリジン／ボットがテーブルの上に設置されている、スマートＴＶの別の例示的な設定を示す。テーブルは、コンピュータを収納するコンピュータ家具、またはテレビを収納するエンタテイメントセンターである。
図１７は、スマートファンの別のシナリオを示す。ファンはハイスタンドを備えた扇風機でもよく、オリジンおよび／またはボットはハイスタンドの上に設置されてもよい。人を動き検知またはバイタルサイン（呼吸など）の検知によって検知すると、ファンを作動させることができる。
図１８は、スマートカーの別のシナリオを示している。オリジンとボットは車の外側に設置することができる。人間の存在が検出されると、車は何かをするだろう。たとえば、セキュリティを有効にしたり、本人のIDを確認したりする。ユーザが確認された場合、車はドア、トランクなどを開くか、エンジンを始動する（ウォームアップ）か、車を冷やすためにACを始動することができる。
図１９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１９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）ふるまいをし得る。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、エアバッグと解除することであり得る。普通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、サイズを安定にすること、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、温度を異なる調整がされ得る。
図２０Ａ～２０Ｄ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の変化を示す。図２０Ａは、占有されているシートがない場合のＣＩを示す。図２０Ｂは、シート１（例えば、図１９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２０Ｃは、シート３（例えば、図１９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２０Ｄ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（登録商標））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、成分、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格納するための１つ以上のメモリである。一般に、コンピュータはまた、データファイルを格納するための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 (18)

  1. プロセッサと、前記プロセッサと通信可能に結合されたメモリと、前記メモリに格納されたイベントを認識するための命令のセットと、を有するマシン上で実行される方法であって、
    それぞれのトレーニング期間に場所内で発生する少なくとも１つの既知のイベントのそれぞれについて、
    第１の送信機のアンテナによって、前記既知のイベントに関連する前記トレーニング期間の前記場所内の前記既知のイベント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、少なくとも１つの第１の受信機へそれぞれのトレーニング無線信号を送信することと、
    前記トレーニング無線信号に基づいて前記少なくとも１つの第１の受信機のそれぞれによって非同期に、前記既知のイベントに関連する前記トレーニング期間に前記第１の受信機と前記第１の送信機との間の前記無線マルチパスチャネルの少なくとも１つのトレーニングＴＳＣＩの時系列を取得することと、および
    前記少なくとも１つのトレーニングＴＳＣＩを前処理すること、
    前記少なくとも１つのトレーニングＴＳＣＩに基づいて、前記少なくとも１つの既知のイベントに対して少なくとも１つの分類子をトレーニングすること、および
    現在の期間に前記場所内で起こっている現在のイベントについて、
    第２の送信機のアンテナによって、前記現在のイベントに関連する前記現在の期間に、前記場所内の前記現在のイベントによって影響を受ける前記無線マルチパスチャネルを介して、少なくとも１つの第２の受信機へ現在の無線信号を送信することと、
    前記現在の無線信号に基づいて前記少なくとも１つの第２の受信機のそれぞれによって非同期に、前記現在のイベントに関連する前記現在の期間に前記第２の受信機と前記第２の送信機との間の前記無線マルチパスチャネルの少なくとも１つの現在のＴＳＣＩの時系列を取得することと、
    前記少なくとも１つの現在のＴＳＣＩを前処理すること、および
    前記少なくとも１つの分類子を、
    前記少なくとも１つの現在のＴＳＣＩと、特定の現在のＴＳＣＩの一部と、前記特定の現在のＴＳＣＩの前記一部と追加のＴＳＣＩの一部との組み合わせとのうちの少なくとも１つに分類することのため、および
    前記現在のイベントを、既知のイベント、未知のイベント、および別のイベントのうちの少なくとも１つに関連付けることのために、適用することであって、
    第１の受信機に関連するトレーニングＴＳＣＩおよび第２の受信機に関連する現在のＴＳＣＩは、
    異なる開始時間、
    異なる持続時間、
    異なる停止時間、
    それぞれの時系列における異なる項目の数、
    異なるサンプリング周波数、
    それぞれの時系列における２つの連続した項目間の異なるサンプリング期間、および異なる特徴を持つＣＩ
    のうちの少なくとも１つを有すること、
    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のセクションとを整列させること、
    前記第１のセクションの項目と前記第２のセクションの項目との間のマッピングを決定すること、および
    前記第１のセクションの第１の項目を前記第２のセクションの第２の項目にマッピングすること、を含み、
    少なくとも１つの制約が、
    前記第１のＴＳＣＩの前記第１のセクションの前記第１の項目、
    前記第１のＴＳＣＩの別の項目、
    前記第１の項目のタイムスタンプ、
    前記第１の項目の時間差、
    前記第１の項目の時間微分、
    前記第１の項目の近傍のタイムスタンプ、
    前記第１の項目に関連付けられている別のタイムスタンプ、
    前記第２のＴＳＣＩの前記第２のセクションの前記第２の項目、
    前記第２のＴＳＣＩの別の項目、
    前記第２の項目のタイムスタンプ、
    前記第２の項目の時間差、
    前記第２の項目の時間微分、
    前記第２の項目の近傍のタイムスタンプ、
    前記第２の項目に関連づけられている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つの関数に適用される、
    方法。
  2. 請求項１に記載の方法であって、
    前記第１のＴＳＣＩは、第１の動作によって処理され得ること、
    前記第２のＴＳＣＩは、第２の動作によって処理され得ること、および
    前記第１の動作および前記第２の動作のうちの少なくとも一つは、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、および前処理のうちの少なくとも１つを含む方法。
  3. 請求項１に記載の方法であって、前記少なくとも１つの制約のうちの１つは、前記第１の項目の前記タイムスタンプと前記第２の項目の前記タイムスタンプとの間の差が、適応上限閾値によって上限が定められ、適応下限閾値によって下限が定められる、方法。
  4. 請求項１に記載の方法であって、さらに、
    ＴＳＣＩの持続時間のセクションを適応的に決定すること、および
    前記セクションの開始時間と終了時間を決定することを含み、前記セクションを決定することは、
    前記ＴＳＣＩの暫定セクションを計算し、および
    前記暫定セクションの開始部分および終了部分を除去することによって前記セクションを決定することを含む、方法。
  5. 請求項４に記載の方法であって、前記セクションを決定することはさらに、
    前記暫定セクションの前記開始部分を、
    増加するタイムスタンプを持つ前記暫定セクションの項目を現在の項目として、一度に１項目、繰り返し検討すること、
    活動性尺度を再帰的に計算することであって、前記活動性尺度は、
    現在のタイムスタンプに関連する前記現在の項目、
    前記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持つ前記暫定セクションの過去の項目、および
    前記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持つ前記暫定セクションの将来の項目、
    のうちの少なくとも１つに関連する、再帰的に計算すること、
    前記活動性尺度に関連する第１の基準が満たされたときに、前記現在の項目を前記暫定セクションの前記開始部分に追加すること、
    によって決定すること、および
    前記暫定セクションの前記終了部分を、
    減少するタイムスタンプを持つ前記暫定セクションの項目を現在の項目として、一度に１項目、繰り返し検討すること、
    少なくとも１つの活動性尺度を繰り返し計算し決定することであって、前記活動性尺度は、
    現在のタイムスタンプに関連する前記現在の項目、
    前記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持つ前記暫定セクションの過去の項目、および
    前記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持つ前記暫定セクションの将来の項目、のうちの少なくとも１つに関連する、繰り返し計算し決定すること、
    前記少なくとも１つの活動性尺度に関連する第２の基準が満たされたときに、前記現在の項目を前記暫定セクションの前記終了部分に追加すること、
    によって決定すること、を含む方法。
  6. 請求項５に記載の方法であって、
    前記第１の基準および前記第２の基準のうちの少なくとも１つは、
    前記活動性尺度が適応上限閾値より小さいこと、
    前記活動性尺度が適応下限閾値より大きいこと、
    前記活動性尺度が少なくとも所定量の連続するタイムスタンプについて連続して適応上限閾値より小さいこと、
    前記活動性尺度が少なくとも追加の所定量の連続するタイムスタンプについて連続して適応下限閾値より大きいこと、
    前記活動性尺度が前記所定量の連続するタイムスタンプのうちの少なくとも所定の割合について連続して適応上限閾値より小さいこと、
    前記活動性尺度が前記追加の所定量の連続するタイムスタンプのうちの少なくとも別の所定の割合について連続的に適応下限閾値より大きいこと、
    前記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、別の適応下限閾値より大きいこと、
    前記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、それぞれの下限閾値より大きいこと、
    前記現在のタイムスタンプに関連付けられたタイムスタンプのセットにおいてそれぞれの上限閾値より小さく、それぞれの下限閾値より大きい活動性尺度に関連するタイムスタンプの割合がしきい値を超えること、のうちの少なくとも１つを含み、および
    時間Ｔ１における項目に関連する前記活動性尺度は、
    時間Ｔ１における前記項目および時間Ｔ１－Ｄ１における項目の第１の関数であり、Ｄ１は所定の正の量であること、
    時間Ｔ１における前記項目および時間Ｔ１＋Ｄ１における項目の第２の関数、
    時間Ｔ１における前記項目および時間Ｔ２における項目の第３の関数であり、Ｔ２は所定の量であること、および
    時間Ｔ１における前記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つを含む方法。
  7. 請求項６に記載の方法であって、
    前記第１の関数、前記第２の関数、前記第３の関数、および前記第４の関数のうちの少なくとも１つは、
    少なくとも２つのスカラー引数ｘとｙを持つ関数Ｆ１（ｘ， ｙ， …）、
    少なくとも２つのベクトル引数ＸとＹを持つ関数Ｆ２（Ｘ， Ｙ， …）、および
    少なくとも２つの引数Ｘ１とＹ１を持つ関数Ｆ３（Ｘ１， Ｙ１， …）
    のうちの少なくとも１つであり、
    前記関数Ｆ１は次の、ｘ、ｙ、（ｘ－ｙ）、（ｙ－ｘ）、ａｂｓ（ｘ－ｙ）、
    ｘ＾ａ１、ｙ＾ｂ１、ａｂｓ（ｘ＾ａ１ － ｙ＾ｂ１）、（ｘ－ｙ）＾ａ１、（ｘ／ｙ）、（ｘ＋ａ１）／（ｙ＋ｂ１）、（ｘ＾ａ１／ｙ＾ｂ１）、および（（ｘ／ｙ）＾ａ１－ｂ１）のうちの少なくとも１つの関数であり、ここで、ａ１およびｂ１は所定量であり、
    ＸとＹはどちらもｎタプルで、Ｘ＝（ｘ＿１， ｘ＿２， …， ｘ＿ｎ）およびＹ＝（ｙ＿１， ｙ＿２， …， ｙ＿ｎ）であり、
    前記関数Ｆ２は次の、ｘ＿ｉ、ｙ＿ｉ、（ｘ＿ｉ － ｙ＿ｉ）、（ｙ＿ｉ－ ｘ＿ｉ）、ａｂｓ（ｘ＿ｉ － ｙ＿ｉ）、ｘ＿ｉ ＾ａ２、ｙ＿ｉ ＾ｂ２、ａｂｓ（ｘ＿ｉ ＾ａ２ － ｙ＿ｉ ＾ｂ２）、（ｘ＿ｉ － ｙ＿ｉ）＾ａ２、（ｘ＿ｉ／ｙ＿ｉ）、（ｘ＿ｉ＋ａ２）／（ｙ＿ｉ ＋ｂ２）、（ｘ＿ｉ ＾ａ２／ ｙ＿ｉ ＾ｂ２）、および（（ｘ＿ｉ ／ ｙ＿ｉ）＾ａ２－ｂ２） のうちの少なくとも１つの関数であり、
    １からｎの範囲のｉは、前記ｎタプルのＸとＹの成分インデックスであり、
    Ｘ１とＹ１はどちらもＮ個の要素を含むｎタプルであり、Ｘ１＝（ｘ１＿１， ｘ１＿２， …， ｘ１＿Ｎ）およびＹ１＝（ｙ１＿１， ｙ１＿２， …， ｙ１＿Ｎ）であり、
    前記関数Ｆ３は次の、ｘ１＿ｊ、ｙ１＿ｊ、（ｘ１＿ｊ － ｙ１＿ｊ）、（ｙ１＿ｊ－ ｘ１＿ｊ）、ａｂｓ（ｘ１＿ｊ － ｙ１＿ｊ）、ｘ１＿ｊ ＾ａ３、ｙ１＿ｊ ＾ｂ３、ａｂｓ（ｘ１＿ｊ ＾ａ３ － ｙ１＿ｊ ＾ｂ３）、（ｘ１＿ｊ － ｙ１＿ｊ）＾ａ３、（ｘ１＿ｊ／ｙ１＿ｊ）、（ｘ１＿ｊ＋ａ３）／（ｙ１＿ｊ ＋ｂ３）、（ｘ１＿ｊ ＾ａ３／ ｙ１＿ｊ ＾ｂ３）、および（（ｘ１＿ｊ ／ ｙ１＿ｊ）＾ａ３－ｂ３）、のうちの少なくとも１つの別の関数の成分ごとの合計を含み、
    １からＮまでの範囲のｊは、前記ｎタプルのＸ１とＹ１の成分インデックスである、方法。
  8. 請求項１に記載の方法であって、さらに動的タイムワーピング（ＤＴＷ）を使用して前記マッピングを計算することを含み、前記ＤＴＷは、前記マッピング、前記第１のＴＳＣＩの前記項目、前記第２のＴＳＣＩの前記項目、前記第１の持続時間、前記第２の持続時間、前記第１のセクション、および前記第２のセクションのうちの少なくとも１つの制約を含む方法。
  9. 請求項１に記載の方法であって、さらに、
    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のセクションとを整列させること、
    前記第１のセクションの第１の項目と前記第２のセクションの第２の項目との間の複数のリンクを含むマップを計算することであって、前記複数のリンクのそれぞれは、第１の項目を第１のタイムスタンプと関連付け、第２の項目を第２のタイムスタンプと関連付ける、マップを計算すること、
    前記整列された第１のセクションと前記整列された第２のセクションとの間のミスマッチコストを計算すること、
    前記ミスマッチコストに基づいて前記少なくとも１つの分類子を適用すること、を含み、
    前記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、相関に基づく数量、共分散に基づく数量、距離、ユークリッド距離、絶対距離、Ｌ＿１距離、Ｌ＿２距離、Ｌ＿ｋ距離及び重み付き距離、前記第１のＴＳＣＩの前記第１のセクションの第１の項目と前記マップのリンクによって前記第１の項目に関連する前記第２のＴＳＣＩの前記第２のセクションの第２の項目との間の項目のコスト、並びに、前記マップの前記リンクに関連するリンクのコストの関数、のうちの少なくとも１つを含み、
    前記整列された第１のセクションと前記整列された第２のセクションは、同じベクトル長を有する第１のベクトルと第２のベクトルとしてそれぞれ表され、
    前記ミスマッチコストは前記同じベクトル長で正規化される、方法。
  10. 請求項９に記載の方法であって、さらに、
    前記第１のＴＳＣＩの複数の第１のセクションおよび前記第２のＴＳＣＩの複数のそれぞれの第２のセクションに前記少なくとも１つの分類子を適用すること、
    少なくとも１つの暫定分類結果を取得することであって、各暫定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のセクションに関連付けられる、取得すること、
    前記現在のイベントを、前記既知のイベント、前記未知のイベント、および前記別のイベントのうちの少なくとも１つに関連する前記少なくとも１つの暫定分類結果のうちの最大数に基づいて、前記既知のイベント、前記未知のイベント、および前記別のイベントのうちの少なくとも１つに関連付けること、を含む方法。
  11. 請求項１に記載の方法であって、さらに、
    前記少なくとも１つの既知のイベントに関連する前記トレーニングＴＳＣＩに基づいて次元削減方法を使用して各ＣＩに対する射影をトレーニングすることであって、前記次元削減方法は、主成分分析（ＰＣＡ）、異なるカーネルを有するＰＣＡ、独立成分分析（ＩＣＡ）、フィッシャー線形判別、ベクトル量子化、教師つき学習、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、およびディープニューラルネットワークの少なくとも１つを含む、トレーニングすること、
    それぞれのＣＩに前記射影を適用すること、
    前記射影と前記少なくとも１つの既知のイベントに関連する前記トレーニングＴＳＣＩとに基づいて、前記少なくとも１つの分類子をトレーニングすること、
    前記少なくとも１つの分類子によって、前記射影と前記少なくとも１つの現在のＴＳＣＩに基づいて前記少なくとも１つの現在のＴＳＣＩを分類すること、を含む方法。
  12. 請求項１１に記載の方法であって、さらに、
    前記射影を、再トレーニング前の前記射影、前記トレーニングＴＳＣＩ、前記射影の前記再トレーニングの時点で取得された少なくとも１つの現在のＴＳＣＩ、および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、前記次元削減方法および追加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することであって、前記追加の次元削減方法は、簡略化次元削減方法、主成分分析（ＰＣＡ）、異なるカーネルを有するＰＣＡ、独立成分分析（ＩＣＡ）、フィッシャー線形判別、ベクトル量子化、教師つき学習、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、およびディープニューラルネットワークのうちの少なくとも１つを含む、再トレーニングすること、
    前記少なくとも１つの分類子を、前記再トレーニングされた射影、前記少なくとも１つの既知のイベントに関連する前記トレーニングＴＳＣＩ、および前記少なくとも１つの現在のＴＳＣＩのうちの少なくとも１つに基づいて、再トレーニングすること、
    前記少なくとも１つの現在のＴＳＣＩを、前記再トレーニングされた射影、前記再トレーニングされた分類子、および前記少なくとも１つの現在のＴＳＣＩに基づいて分類することを含む方法。
  13. 請求項１に記載の方法であって、さらに、
    前記現在のＴＳＣＩの第１の持続時間の少なくとも１つの第１のセクションについて、
    前記少なくとも１つの既知のイベントごとに、
    それぞれの前記イベントのそれぞれの代表的なトレーニングＴＳＣＩのそれぞれの第２の持続時間のそれぞれの第２のセクションを決定すること、
    前記第１のセクションと前記それぞれの第２のセクションとを整列させること、
    前記整列された第１のセクションと前記整列されたそれぞれの第２のセクションとの間のミスマッチコストを計算すること、
    前記少なくとも１つの分類子を適用すること、および
    前記ミスマッチコストに基づいて暫定分類結果を取得すること、および
    前記少なくとも１つの第１のセクションを、少なくとも１つの前記暫定分類結果に基づいて、前記少なくとも１つの既知のイベント、未知のイベント、および前記別のイベント、のうちの少なくとも１つに関連付けること、を含む方法。
  14. 請求項１３に記載の方法であって、さらに、
    各既知のイベントが最小のミスマッチコストを達成する回数を計算すること、
    前記少なくとも１つの第１のセクションを
    ほとんどの場合について前記最小のミスマッチコストを達成する既知のイベント、
    全体的なミスマッチコストを最小にする既知のイベントであって、全体的なミスマッチコストは前記少なくとも１つの第１のセクションに関連する少なくとも１つのミスマッチコストの加重平均である、既知のイベント、
    別の全体的なコストに基づいて最小のコストを達成する既知のイベント、および
    未知のイベント、
    のうちの少なくとも１つに関連付けること、を含み、
    前記少なくとも１つの第１のセクションは次の、
    前記少なくとも１つの第１のセクションの十分な割合において、どのイベントも第１の閾値Ｔ１より低いミスマッチコストを達成しない、および、
    どのイベントも、第２の閾値Ｔ２よりも低い全体的なミスマッチコストを達成しない、状況のうちの少なくとも１つにおいて前記未知のイベントに関連付けられる、方法。
  15. 請求項１３に記載の方法であって、前記既知のイベントに関連する前記代表的なトレーニングＴＳＣＩが、前記既知のイベントに関連付けられた前記少なくとも１つのトレーニングＴＳＣＩに基づいて取得される方法。
  16. 請求項１５に記載の方法であって、
    前記既知のイベントに関連する前記代表的なトレーニングＴＳＣＩは、前記少なくとも１つのトレーニングＴＳＣＩの中で最小の集合的ミスマッチを有する、前記既知のイベントに関連する前記少なくとも１つのトレーニングＴＳＣＩのうちの特定の１つであり、
    特定のトレーニングＴＳＣＩの前記集合的ミスマッチは、前記特定のトレーニングＴＳＣＩと、前記特定のトレーニングＴＳＣＩと整列させられた前記少なくとも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つのミスマッチコストの関数であり、
    前記関数は、平均化、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、切り捨て平均、一般化平均、パワー平均、ｆ平均、四分位間平均、および別の平均の少なくとも１つを含む方法。
  17. 請求項１５に記載の方法であって、
    特定の既知のイベントに関連する特定の代表的なトレーニングＴＳＣＩは特定の持続時間を有し、
    前記特定の持続時間の前記特定の代表的なトレーニングＴＳＣＩは、前記既知のイベントに関連する前記少なくとも１つのトレーニングＴＳＣＩのそれぞれと整列させられ、それぞれのミスマッチコストが計算され、
    前記特定の代表的なトレーニングＴＳＣＩは、前記少なくとも１つのトレーニングＴＳＣＩに関して集合的ミスマッチを最小にし、
    ＴＳＣＩの前記集合的ミスマッチは、前記ＴＳＣＩと前記ＴＳＣＩと整列させられた少なくとも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つのミスマッチコストの関数であり、
    前記関数は、平均化、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、切り捨て平均、一般化平均、パワー平均、ｆ平均、四分位間平均、および別の平均の少なくとも１つを含む方法。
  18. 請求項１７に記載の方法であって、
    前記特定の持続時間は、前記特定の代表的なトレーニングＴＳＣＩの複数の候補持続時間の間の前記集合的ミスマッチを最小にし、
    前記特定の持続時間および前記特定の持続時間を有する前記特定の代表的なトレーニングＴＳＣＩが繰り返し計算され、
    現在の持続時間は、前記複数の候補持続時間のうちの１つとして初期化され、
    前記現在の持続時間について、前記現在の持続時間を有する現在の最適にトレーニングされた代表ＴＳＣＩが計算され、
    前記現在の最適にトレーニングされた代表ＴＳＣＩについて、前記現在の持続時間はより小さい正規化された集合的ミスマッチを与えるように変更される方法。
JP2018226507A 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 Active JP7353006B2 (ja)

Applications Claiming Priority (24)

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 2018-08-11
US16/101,444 US10291460B2 (en) 2012-12-05 2018-08-11 Method, apparatus, and system for wireless motion monitoring
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 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
US16/200,608 2018-11-26
US16/200,616 US10495725B2 (en) 2012-12-05 2018-11-26 Method, apparatus, server and system for real-time vital sign detection and monitoring
US16/203,299 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
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

Publications (3)

Publication Number Publication Date
JP2019133639A JP2019133639A (ja) 2019-08-08
JP2019133639A5 JP2019133639A5 (ja) 2021-11-25
JP7353006B2 true JP7353006B2 (ja) 2023-09-29

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 After (5)

Application Number Title Priority Date Filing Date
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

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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170086202A1 (en) 2015-09-21 2017-03-23 Qualcomm Incorporated Wi-fi indoor radar
WO2017100706A1 (en) 2015-12-09 2017-06-15 Origin Wireless, Inc. Method, apparatus, and systems for wireless event detection and monitoring

Family Cites Families (14)

* 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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170086202A1 (en) 2015-09-21 2017-03-23 Qualcomm Incorporated Wi-fi indoor radar
WO2017100706A1 (en) 2015-12-09 2017-06-15 Origin Wireless, Inc. Method, apparatus, and systems for wireless event detection and monitoring

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尾原 和也，Ｗｉ－Ｆｉチャネル状態情報を用いた屋内日常物の状態変化の検知に関する検討，情報処理学会研究報告ユビキタスコンピューティングシステム（ＵＢＩ），2016-UBI-50，情報処理学会，2016年05月21日，ISSN: 2188-8698

Also Published As

Publication number Publication date
JP7278682B2 (ja) 2023-05-22
JP2023075094A (ja) 2023-05-30
EP3492945B1 (en) 2023-08-09
JP2023109822A (ja) 2023-08-08
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
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
JP7353006B2 (ja) 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
US10397039B2 (en) Apparatus, systems and methods for fall-down detection based on a wireless signal
US10374863B2 (en) Apparatus, systems and methods for event recognition based on a wireless signal
US10742475B2 (en) Method, apparatus, and system for object tracking sensing using broadcasting
US20220091231A1 (en) Method, apparatus, and system for human identification based on human radio biometric information
US10495725B2 (en) Method, apparatus, server and system for real-time vital sign detection and monitoring
US10735298B2 (en) Method, apparatus, server and system for vital sign detection and monitoring
US11340345B2 (en) Method, apparatus, and system for wireless object tracking
US11439344B2 (en) Method, apparatus, and system for wireless sleep monitoring
US20200202117A1 (en) Method, apparatus, and system for wireless gait recognition
US11770197B2 (en) Method, apparatus, and system for accurate wireless monitoring
US11500058B2 (en) Method, apparatus, and system for wireless proximity sensing
US11202215B2 (en) Method, apparatus, and system for providing automatic assistance based on wireless monitoring
US11906659B2 (en) Method, apparatus, and system for wireless micro motion monitoring
US11953618B2 (en) Method, apparatus, and system for wireless motion recognition
US11771366B2 (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

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211011

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211011

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221014

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221125

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230227

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230609

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230804

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230818

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230912

R150 Certificate of patent or registration of utility model

Ref document number: 7353006

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150