知財求人 - 知財ポータルサイト「IP Force」
特開2020-203075無線追跡、スキャニング、及び監視のための方法、装置及びシステム
この文献は図面が300枚以上あるため,図面を表示できません.
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】特開2020-203075(P2020-203075A)
(43)【公開日】2020年12月24日
(54)【発明の名称】無線追跡、スキャニング、及び監視のための方法、装置及びシステム
(51)【国際特許分類】
A61B 5/11 20060101AFI20201127BHJP
【ＦＩ】
A61B5/11 110
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
【外国語出願】
【全頁数】275
(21)【出願番号】特願2020-84122(P2020-84122)
(22)【出願日】2020年5月12日
(31)【優先権主張番号】62/846,686
(32)【優先日】2019年5月12日
(33)【優先権主張国】US
(31)【優先権主張番号】62/980,206
(32)【優先日】2020年2月22日
(33)【優先権主張国】US
(31)【優先権主張番号】62/849,853
(32)【優先日】2019年5月18日
(33)【優先権主張国】US
(31)【優先権主張番号】62/846,688
(32)【優先日】2019年5月12日
(33)【優先権主張国】US
(31)【優先権主張番号】62/868,782
(32)【優先日】2019年6月28日
(33)【優先権主張国】US
(31)【優先権主張番号】16/798,337
(32)【優先日】2020年2月22日
(33)【優先権主張国】US
(31)【優先権主張番号】16/798,343
(32)【優先日】2020年2月22日
(33)【優先権主張国】US
(31)【優先権主張番号】16/870,996
(32)【優先日】2020年5月10日
(33)【優先権主張国】US
(31)【優先権主張番号】16/871,000
(32)【優先日】2020年5月10日
(33)【優先権主張国】US
(31)【優先権主張番号】16/871,004
(32)【優先日】2020年5月10日
(33)【優先権主張国】US
(31)【優先権主張番号】16/871,006
(32)【優先日】2020年5月10日
(33)【優先権主張国】US
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＺＩＧＢＥＥ
２．ＢＬＵＥＴＯＯＴＨ
３．ＡＮＤＲＯＩＤ
４．ＪＡＶＡ
(71)【出願人】
【識別番号】517016392
【氏名又は名称】オリジン ワイヤレス， インコーポレイテッド
【氏名又は名称原語表記】ＯＲＩＧＩＮ ＷＩＲＥＬＥＳＳ， ＩＮＣ．
(74)【代理人】
【識別番号】100076428
【弁理士】
【氏名又は名称】大塚 康徳
(74)【代理人】
【識別番号】100115071
【弁理士】
【氏名又は名称】大塚 康弘
(74)【代理人】
【識別番号】100112508
【弁理士】
【氏名又は名称】高柳 司郎
(74)【代理人】
【識別番号】100116894
【弁理士】
【氏名又は名称】木村 秀二
(74)【代理人】
【識別番号】100130409
【弁理士】
【氏名又は名称】下山 治
(74)【代理人】
【識別番号】100134175
【弁理士】
【氏名又は名称】永川 行光
(74)【代理人】
【識別番号】100172591
【弁理士】
【氏名又は名称】江嶋 清仁
(72)【発明者】
【氏名】ウー， チェンシュー
(72)【発明者】
【氏名】チャン， フェン
(72)【発明者】
【氏名】ワン， ベイベイ
(72)【発明者】
【氏名】ファン， ユセン
(72)【発明者】
【氏名】リウ， ケー． ジェイ． レイ
(72)【発明者】
【氏名】オウ， オスカー チ−リム
(72)【発明者】
【氏名】ワン， フェンギュ
(72)【発明者】
【氏名】レガニ， サイ ディーピカ
(72)【発明者】
【氏名】バゴス， ダン
(72)【発明者】
【氏名】シー， チュン−チア ジャック
【テーマコード（参考）】
4C038
【Ｆターム（参考）】
4C038VA04
4C038VB01
4C038VB35
(57)【要約】 （修正有）
【課題】グラフベースの粒子フィルタリングを備える無線追跡のための方法、装置及びシステムを提供する。【解決手段】無線監視システムは、一連のプローブ信号を送信する送信機と、受信機と、プロセッサとを含む。前記受信機は、無線マルチパスチャネルと場所で動くオブジェクトとにより変調される前記一連のプローブ信号を受信し、前記一連のプローブ信号から前記無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得するように構成される。前記プロセッサは、前記ＴＳＣＩに基づいて地図に対して前記オブジェクトの動きを監視し、前記ＴＳＣＩに基づいて増加する時間期間における前記オブシェクトが進む増加する距離を決定し、現在時刻での前記オブシェクトの現在位置及び前記増加する時間期間における前記動きの方向とのうちの少なくとも１つに基づいて次の時刻における前記オブジェクトの次の位置を算出するように構成される。
【選択図】なし
【特許請求の範囲】
【請求項1】
無線監視システムであって、
無線マルチパスチャネルを介して場所において一連のプローブ信号を送信するように構成された送信機と、
受信機であって、
前記送信機と前記受信機との間の前記無線マルチパスチャネルを介して、前記無線マルチパスチャネルと前記場所で動くオブジェクトとにより変調された前記一連のプローブ信号を受信し、
前記無線マルチパスチャネルと前記オブジェクトとにより変調された前記一連のプローブ信号から前記無線マルチパスチャネルの時系列のチャネル情報（TSCI)を取得するように構成された受信機と、
プロセッサであって、
前記TSCIに基づいて地図に対する前記オブジェクトの動きを監視し、
前記TSCIに基づいて増分期間内に前記オブジェクトが進んだ増分距離を判定し、
現在時刻での前記オブジェクトの現在位置、前記増分距離、及び前記増分期間の間の前記動きの方向、のうちの少なくとも１つに基づいて、前記地図において次の時刻における前記オブジェクトの次の位置を計算するように構成されたプロセッサと、
を含む無線監視システム。
無線マルチパスチャネルを介して場所において一連のプローブ信号を送信するように構成された送信機と、
受信機であって、
前記送信機と前記受信機との間の前記無線マルチパスチャネルを介して、前記無線マルチパスチャネルと前記場所で動くオブジェクトとにより変調された前記一連のプローブ信号を受信し、
前記無線マルチパスチャネルと前記オブジェクトとにより変調された前記一連のプローブ信号から前記無線マルチパスチャネルの時系列のチャネル情報（TSCI)を取得するように構成された受信機と、
プロセッサであって、
前記TSCIに基づいて地図に対する前記オブジェクトの動きを監視し、
前記TSCIに基づいて増分期間内に前記オブジェクトが進んだ増分距離を判定し、
現在時刻での前記オブジェクトの現在位置、前記増分距離、及び前記増分期間の間の前記動きの方向、のうちの少なくとも１つに基づいて、前記地図において次の時刻における前記オブジェクトの次の位置を計算するように構成されたプロセッサと、
を含む無線監視システム。
【請求項2】
前記次の時刻における前記オブジェクトの前記次の位置を計算することは、
初期時刻における前記オブジェクトの初期候補位置の初期値を初期化し、
前記現在時刻における前記オブジェクトの第２の候補位置の第２の動的数に基づいて、前記次の時刻における前記オブジェクトの第１の候補位置の第１の動的数を反復的に計算し、
前記次の時刻における第１の候補位置の前記第１の動的数及び前記現在時刻における第２の候補位置の前記第２の動的数のうちの少なくとも１つに基づいて、前記次の時刻における前記オブジェクトの前記次の位置を計算すること、を含む
請求項１に記載の無線監視システム。
初期時刻における前記オブジェクトの初期候補位置の初期値を初期化し、
前記現在時刻における前記オブジェクトの第２の候補位置の第２の動的数に基づいて、前記次の時刻における前記オブジェクトの第１の候補位置の第１の動的数を反復的に計算し、
前記次の時刻における第１の候補位置の前記第１の動的数及び前記現在時刻における第２の候補位置の前記第２の動的数のうちの少なくとも１つに基づいて、前記次の時刻における前記オブジェクトの前記次の位置を計算すること、を含む
請求項１に記載の無線監視システム。
【請求項3】
前記オブジェクトは前記増分期間の間、前記地図に表示されている領域を動き、
前記地図は多次元行列Ａとして表される多次元地図であり、前記領域の各位置の到達可能性は、論理値が０と１との間である対応する配列要素ａにより表され、
前記対応する配列要素がａ＝０を満たすとき前記領域の位置は到達不可能かつ禁止されており、
前記対応する配列要素がａ＝１を満たすとき前記領域の位置は完全に到達可能であり、
前記対応する配列要素が０＜ａ＜１を満たすとき前記領域の位置は部分的に到達可能であり、
前記次の位置、前記現在位置、第１の候補位置の前記第１の動的数、及び第２の候補位置の前記第２の動的数のそれぞれは、前記領域におけるある地点であり、ａ＞０を持つ対応する配列要素ａとして表され、
任意の位置における前記オブジェクトの前記動きの前記方向が複数の許容される方向の１つとして局所的に表示される、
請求項２に記載の無線監視システム。
前記地図は多次元行列Ａとして表される多次元地図であり、前記領域の各位置の到達可能性は、論理値が０と１との間である対応する配列要素ａにより表され、
前記対応する配列要素がａ＝０を満たすとき前記領域の位置は到達不可能かつ禁止されており、
前記対応する配列要素がａ＝１を満たすとき前記領域の位置は完全に到達可能であり、
前記対応する配列要素が０＜ａ＜１を満たすとき前記領域の位置は部分的に到達可能であり、
前記次の位置、前記現在位置、第１の候補位置の前記第１の動的数、及び第２の候補位置の前記第２の動的数のそれぞれは、前記領域におけるある地点であり、ａ＞０を持つ対応する配列要素ａとして表され、
任意の位置における前記オブジェクトの前記動きの前記方向が複数の許容される方向の１つとして局所的に表示される、
請求項２に記載の無線監視システム。
【請求項4】
前記次の時刻における前記オブジェクトの前記次の位置を計算することは、
第１の候補位置にそれぞれ関連する前記第１の動的数の重みを計算することであって、それぞれの重みは、前記現在位置、前記第１の候補位置、前記第１の候補位置に関連する対応する第２の候補位置、前記動きの前記方向、及び前記第１の候補位置と前記方向における第１の到達不可能配列要素ａとの間の距離、のうちの少なくとも１つの関数である、計算することと、
第１の候補位置の前記第１の動的数及び前記関連する第１の動的数の重みに基づいて前記オブジェクトの前記次の位置を計算すること、
を含む請求項３に記載の無線監視システム。
第１の候補位置にそれぞれ関連する前記第１の動的数の重みを計算することであって、それぞれの重みは、前記現在位置、前記第１の候補位置、前記第１の候補位置に関連する対応する第２の候補位置、前記動きの前記方向、及び前記第１の候補位置と前記方向における第１の到達不可能配列要素ａとの間の距離、のうちの少なくとも１つの関数である、計算することと、
第１の候補位置の前記第１の動的数及び前記関連する第１の動的数の重みに基づいて前記オブジェクトの前記次の位置を計算すること、
を含む請求項３に記載の無線監視システム。
【請求項5】
それぞれの重みは、前記第１の候補位置と前記方向における前記第１の到達不可能配列要素ａとの間の前記距離の単調非減少関数であり、
それぞれの重みは、前記第１の候補位置と前記方向における前記第１の到達不可能配列要素ａとの間の前記距離の有界函数である、
請求項４に記載の無線監視システム。
それぞれの重みは、前記第１の候補位置と前記方向における前記第１の到達不可能配列要素ａとの間の前記距離の有界函数である、
請求項４に記載の無線監視システム。
【請求項6】
前記次の時刻における前記オブジェクトの前記次の位置は、
第１の候補位置の前記第１の動的数の重み付け平均、及び前記第１の候補位置の一つ、のうちの少なくとも一つとして計算される、
請求項４又は５に記載の無線監視システム。
第１の候補位置の前記第１の動的数の重み付け平均、及び前記第１の候補位置の一つ、のうちの少なくとも一つとして計算される、
請求項４又は５に記載の無線監視システム。
【請求項7】
前記次の時刻における前記オブジェクトの前記次の位置を計算することは、正規化された重みを生成するために前記重みを正規化することをさらに含む、
請求項４乃至６のいずれか１項に記載の無線監視システム。
請求項４乃至６のいずれか１項に記載の無線監視システム。
【請求項8】
前記次の時刻における前記オブジェクトの前記次の位置を計算することは、
前記正規化された重みに基づいて第１の候補位置の前記第１の動的数の残りに関してそれぞれの第１の候補位置の重み付けコストを計算することであって、前記重み付けコストは、前記第１の候補位置と前記第１の候補位置の残りのそれぞれとの間のペアワイズ距離の重み付け総和である、計算することと、
最小の重み付けコストを持つ前記第１の候補位置を前記オブジェクトの前記次の位置として選択すること、をさらに含む請求項７に記載の無線監視システム。
前記正規化された重みに基づいて第１の候補位置の前記第１の動的数の残りに関してそれぞれの第１の候補位置の重み付けコストを計算することであって、前記重み付けコストは、前記第１の候補位置と前記第１の候補位置の残りのそれぞれとの間のペアワイズ距離の重み付け総和である、計算することと、
最小の重み付けコストを持つ前記第１の候補位置を前記オブジェクトの前記次の位置として選択すること、をさらに含む請求項７に記載の無線監視システム。
【請求項9】
前記次の時刻での前記オブジェクトの前記次の位置を計算することは、
前記第２の候補位置、前記増分距離、及び前記増分期間のうちの少なくとも１つに基づいて前記オブジェクトの前記第２の候補位置のそれぞれについての予想値を計算し、
前記第２の候補位置の前記予想値が、関連する配列要素がａ＝１を有する完全に到達可能であるときは、前記第２の候補位置の前記予想値に基づいて前記オブジェクトの第１の候補位置を作成し、
前記第２の候補位置の前記予想値が、関連する配列要素がａ＝０を有する禁止であるときは、第１の候補位置を作成せずに前記第２の候補位置に「拒絶された」とラベル付けし、
前記第２の候補位置の前記予想値が、関連する配列要素が０＜a＜１を満たす部分的に到達可能であるときは、０と１との間の乱数値を生成し、前記乱数値がaより小さいときは前記第２の候補位置の前記予想値に基づいて前記オブジェクトの第１の候補位置を作成することを含む、
請求項８に記載の無線監視システム。
前記第２の候補位置、前記増分距離、及び前記増分期間のうちの少なくとも１つに基づいて前記オブジェクトの前記第２の候補位置のそれぞれについての予想値を計算し、
前記第２の候補位置の前記予想値が、関連する配列要素がａ＝１を有する完全に到達可能であるときは、前記第２の候補位置の前記予想値に基づいて前記オブジェクトの第１の候補位置を作成し、
前記第２の候補位置の前記予想値が、関連する配列要素がａ＝０を有する禁止であるときは、第１の候補位置を作成せずに前記第２の候補位置に「拒絶された」とラベル付けし、
前記第２の候補位置の前記予想値が、関連する配列要素が０＜a＜１を満たす部分的に到達可能であるときは、０と１との間の乱数値を生成し、前記乱数値がaより小さいときは前記第２の候補位置の前記予想値に基づいて前記オブジェクトの第１の候補位置を作成することを含む、
請求項８に記載の無線監視システム。
【請求項10】
前記次の時刻における前記オブジェクトの前記次の位置を計算することは、
前記第１の候補位置の値が閾値よりも小さいときは、拒絶されない第２の候補位置の前記予想値を確率分布で確率的に取ることにより前記オブジェクトの新しい第１の候補位置を生成することをさらに含み、前記確率分布は、
前記予想値に関連する重み、
前記第２の候補位置に関連する重み、
前記予想値に関連する前記多次元行列Ａの配列要素、及び
前記第２の候補位置に関連する前記多次元行列Ａの配列要素、のうちの少なくとも１つに基づく、
請求項８又は９に記載の無線監視システム。
前記第１の候補位置の値が閾値よりも小さいときは、拒絶されない第２の候補位置の前記予想値を確率分布で確率的に取ることにより前記オブジェクトの新しい第１の候補位置を生成することをさらに含み、前記確率分布は、
前記予想値に関連する重み、
前記第２の候補位置に関連する重み、
前記予想値に関連する前記多次元行列Ａの配列要素、及び
前記第２の候補位置に関連する前記多次元行列Ａの配列要素、のうちの少なくとも１つに基づく、
請求項８又は９に記載の無線監視システム。
【請求項11】
前記次の時刻の前記オブジェクトの前記次の位置を計算することは、
前記第１の候補位置の値が閾値より小さいときは、拒絶されない前記第２の候補位置の前記予想値に関連する重みに基づく確率で、拒絶されない前記第２の候補位置を確率的にとることにより前記オブジェクトの新しい第１の候補位置を生成することをさらに含む、
請求項８乃至１０のいずれか１項に記載の無線監視システム。
前記第１の候補位置の値が閾値より小さいときは、拒絶されない前記第２の候補位置の前記予想値に関連する重みに基づく確率で、拒絶されない前記第２の候補位置を確率的にとることにより前記オブジェクトの新しい第１の候補位置を生成することをさらに含む、
請求項８乃至１０のいずれか１項に記載の無線監視システム。
【請求項12】
前記次の時刻における前記オブジェクトの前記次の位置を計算することは、
前記第１の候補位置の値が閾値より小さいときは、前記第１の候補位置に基づいて仮の次の位置を計算し、確率分布に基づいて前記仮の次の位置の近傍における前記オブジェクトの新しい候補位置を確率的に生成することをさらに含む、請求項８乃至１１のいずれか１項に記載の無線監視システム。
前記第１の候補位置の値が閾値より小さいときは、前記第１の候補位置に基づいて仮の次の位置を計算し、確率分布に基づいて前記仮の次の位置の近傍における前記オブジェクトの新しい候補位置を確率的に生成することをさらに含む、請求項８乃至１１のいずれか１項に記載の無線監視システム。
【請求項13】
前記次の時刻における前記オブジェクトの前記次の位置を計算することは、
前記第１の候補位置の値が閾値より小さいときは、確率分布に基づいて前記現在位置の近傍においてサンプルされた位置の予測因子に基づいて、前記オブジェクトの新しい第１の候補位置を確率的に生成することをさらに含む、
請求項８乃至１２のいずれか１項に記載の無線監視システム。
前記第１の候補位置の値が閾値より小さいときは、確率分布に基づいて前記現在位置の近傍においてサンプルされた位置の予測因子に基づいて、前記オブジェクトの新しい第１の候補位置を確率的に生成することをさらに含む、
請求項８乃至１２のいずれか１項に記載の無線監視システム。
【請求項14】
前記近傍は拒絶されない前記第２の候補位置の少なくとも１つを含む、
請求項１３に記載の無線監視システム。
請求項１３に記載の無線監視システム。
【請求項15】
前記確率分布は，拒絶されない前記第２の候補位置の1つをそれぞれ中心とした確率密度関数のセットの加重和であり、
前記加重和における第２の候補位置に関連する各ｐｄｆの重みは、前記第２の候補位置に関連する前記配列要素の関数である、
請求項１３又は１４に記載の無線監視システム。
前記加重和における第２の候補位置に関連する各ｐｄｆの重みは、前記第２の候補位置に関連する前記配列要素の関数である、
請求項１３又は１４に記載の無線監視システム。
【請求項16】
候補位置の動的数をいつも維持することと、
候補位置の前記動的数を変更することであって、
少なくとも１つの候補位置を初期化すること、
少なくとも１つの候補位置を更新すること、
少なくとも１つの候補位置を加えること、
少なくとも１つの候補位置を休止すること、
少なくとも１つの候補位置を停止すること、
少なくとも１つの候補位置を再開すること、
少なくとも１つの停止された候補位置を再初期化すること、及び
少なくとも１つの候補位置を取り去ること、のうちの少なくとも１つにより、
変更することと、
前記次の時刻における前記オブジェクトの前記次の位置を、前記次の時刻における候補位置の前記動的数、及び別の時刻における候補位置の前記動的数の少なくとも１つに基づいて計算すること、をさらに含む請求項１に記載の無線監視システム。
候補位置の前記動的数を変更することであって、
少なくとも１つの候補位置を初期化すること、
少なくとも１つの候補位置を更新すること、
少なくとも１つの候補位置を加えること、
少なくとも１つの候補位置を休止すること、
少なくとも１つの候補位置を停止すること、
少なくとも１つの候補位置を再開すること、
少なくとも１つの停止された候補位置を再初期化すること、及び
少なくとも１つの候補位置を取り去ること、のうちの少なくとも１つにより、
変更することと、
前記次の時刻における前記オブジェクトの前記次の位置を、前記次の時刻における候補位置の前記動的数、及び別の時刻における候補位置の前記動的数の少なくとも１つに基づいて計算すること、をさらに含む請求項１に記載の無線監視システム。
【請求項17】
候補位置の前記動的数が閾値よりも低いときは少なくとも１つの候補位置を追加することをさらに含み、
候補位置の前記動的数は、上限及び下限のうちの少なくとも１つにより制限されている、請求項１６に記載の無線監視システム。
候補位置の前記動的数は、上限及び下限のうちの少なくとも１つにより制限されている、請求項１６に記載の無線監視システム。
【請求項18】
前記増分期間は、前記一連のプローブ信号の２つのそれぞれのプローブ信号の間の時間差、前記一連のプローブ信号のキャリア周波数に関連する距離を前記オブジェクトが進む時間、及び前記送信機の２つのアンテナと前記受信機の２つのアンテナとのうちの少なくとも１つの間の距離と同等の距離を前記オブジェクトが進む時間、のうちの少なくとも１つに等しく、
前記増分期間の間の前記動きの前記方向は、前記現在時刻での前記動きの方向、前記次の時刻での前記動きの方向、及び方向の変更、回転、及び、前記ＴＳＣＩ、前記ＴＳＣＩに関連する特性関数、前記特性関数の特徴点、前記ＴＳＣＩの自己相関関数（ＡＣＦ）、前記ＡＣＦの極値及び前記ＡＣＦの極大値のいずれか１つに基づいて計算される方向変化角度、のうちの少なくとも１つ、及び別の時刻の別の動きの方向、のうちの少なくとも１つの関数である、
請求項１乃至１７のいずれか１項に記載の無線監視システム。
前記増分期間の間の前記動きの前記方向は、前記現在時刻での前記動きの方向、前記次の時刻での前記動きの方向、及び方向の変更、回転、及び、前記ＴＳＣＩ、前記ＴＳＣＩに関連する特性関数、前記特性関数の特徴点、前記ＴＳＣＩの自己相関関数（ＡＣＦ）、前記ＡＣＦの極値及び前記ＡＣＦの極大値のいずれか１つに基づいて計算される方向変化角度、のうちの少なくとも１つ、及び別の時刻の別の動きの方向、のうちの少なくとも１つの関数である、
請求項１乃至１７のいずれか１項に記載の無線監視システム。
【請求項19】
前記地図における前記次の時刻での前記オブジェクトの次の位置は粒子フィルタを使用して計算される、請求項１乃至１８のいずれか１項に記載の無線監視システム。
【請求項20】
無線監視システムであって、
無線マルチパスチャネルを介して場所において一連のプローブ信号を送信するように構成された送信機と、
複数の異種受信機であって、それぞれが、
前記無線マルチパスチャネルを介して、前記無線マルチパスチャネル及び前記場所で動く複数のオブジェクトにより変調された、前記一連のプローブ信号を受信し、
前記無線マルチパスチャネル及び前記複数のオブジェクトにより変調された前記一連のプローブ信号から前記無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得するように構成された、複数の異種受信機と、
プロセッサであって、
前記複数の異種受信機により取得された前記ＴＳＣＩに基づいて地図に対する前記複数のオブジェクトの動きを監視し、
それぞれのＴＳＣＩに基づいて、それぞれの増分期間における各オブジェクトが進むそれぞれの増分距離を決定し、
前記地図におけるそれぞれの次の時刻での前記オブジェクトのそれぞれの次の位置を、それぞれの現在時刻での前記オブジェクトのそれぞれの現在位置、前記それぞれの増分距離、及び前記それぞれの増分期間の間の前記オブジェクトのそれぞれの動きのそれぞれの方向、のうちの少なくとも１つに基づいて計算するように構成されたプロセッサと、を含む無線監視システム。
無線マルチパスチャネルを介して場所において一連のプローブ信号を送信するように構成された送信機と、
複数の異種受信機であって、それぞれが、
前記無線マルチパスチャネルを介して、前記無線マルチパスチャネル及び前記場所で動く複数のオブジェクトにより変調された、前記一連のプローブ信号を受信し、
前記無線マルチパスチャネル及び前記複数のオブジェクトにより変調された前記一連のプローブ信号から前記無線マルチパスチャネルの時系列のチャネル情報（ＴＳＣＩ）を取得するように構成された、複数の異種受信機と、
プロセッサであって、
前記複数の異種受信機により取得された前記ＴＳＣＩに基づいて地図に対する前記複数のオブジェクトの動きを監視し、
それぞれのＴＳＣＩに基づいて、それぞれの増分期間における各オブジェクトが進むそれぞれの増分距離を決定し、
前記地図におけるそれぞれの次の時刻での前記オブジェクトのそれぞれの次の位置を、それぞれの現在時刻での前記オブジェクトのそれぞれの現在位置、前記それぞれの増分距離、及び前記それぞれの増分期間の間の前記オブジェクトのそれぞれの動きのそれぞれの方向、のうちの少なくとも１つに基づいて計算するように構成されたプロセッサと、を含む無線監視システム。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願への相互参照。次のケースのそれぞれについて開示と優先権主張の全てを参照により本出願に組み入れる。（ａ）「無線慣性測定のための方法、装置及びシステム」と題された２０１９年５月１２日出願の米国仮特許出願６２／８４６，６８６、
（ｂ）「無線センシングのための方法、装置及びシステム」と題された２０２０年２月２２日に出願された米国仮特許出願６２／９８０，２０６、
（ｃ）「スマートカーにおける無線人工知能のための方法、装置及びシステム」と題された２０１９年５月１８日に出願された米国仮特許出願６２／８４９，８５３、
（ｄ）「無線信号に基づいてライフログを処理及び前処理するための方法、装置及びシステム」と題された２０１９年５月１２日に出願された米国仮特許出願６２／８４６，６８８、
（ｅ）「高周波数無線信号を使用してバイタルサインを監視するための方法、装置及びシステム」と題された２０１９年６月２８日に出願された米国仮特許出願６２／８６８，７８２、
（ｆ）「無線オブジェクトスキャニングのための方法、装置及びシステム」と題された２０２０年２月２２日に出願された米国特許出願１６／７９８，３３７、
（ｇ）「無線オブジェクト追跡のための方法、装置及びシステム」と題された２０２０年２月２２日に出願された米国特許出願１６／７９８，３４３、
（ｈ）「無線慣性測定のための方法、装置及びシステム」と題された２０２０年５月１０日に出願された米国特許出願１６／８７０，９９６、
（ｉ）「グラフベース粒子フィルタリングを有する無線追跡のための方法、装置及びシステム」と題された２０２０年５月１０日に出願された米国特許出願１６／８７１，０００、
（ｊ）「リズムカルな動きの監視に基づく人の計数及び認識のための方法、装置及びシステム」と題された２０２０年５月１０日に出願された米国特許出願１６／８７１，００４、
（ｋ）「高周波無線信号を使用してバイタルサインを監視するための方法、装置及びシステム」と題された２０２０年５月１０日に出願された米国特許出願１６／８７１，００６。
【0002】
本開示は一般に、無線オブジェクト追跡及びスキャン、ならびに無線バイタルサイン監視に関する。より具体的には、本開示は、豊富な散乱環境における無線チャンネル情報に基づく、移動量、向き、方向、回転角度、スキャンオブジェクト、呼吸数監視、人数の計数、人物の識別を高精度に追跡することに関する。
【背景技術】
【0003】
動き測定は、ロボットナビゲーション、室内追跡、モバイルゲームなど、さまざまな用途に不可欠な入力であり、ロボット、ドローン、自動車、無人乗り物、各種家電、相当多くの動くものに広く使用されてきた。主流の技術は、動き追跡のために慣性計測ユニット（ＩＭＵ）を使用してきた。正確で堅牢な動作追跡の需要の増加と、スマートデバイスの生産の増加がＩＭＵマーケットを牽引しており、これは２０１６年の１５７億１０００万ドルから２０２２年までに２１７億４０００万ドルに成長すると予測されている。動き測定の改良は、多くのシステム及びアプリケーションに重大な影響を与える。
【0004】
正確かつロバストな動き測定は自明ではない。センサ、例えば、直線加速度を測定する加速度計、角速度を計算するジャイロスコープ、及び方位を報告する磁力計によって実現される一般的なＩＭＵは、著しいエラー及びドリフトに悩まされることが周知である。例えば、加速度計は雑音のある読みのために移動距離を測定することが難しい、磁力計が向いている方向を報告せず、周囲の環境によって容易に歪められる。一方、ジャイロスコープはとりわけ長期的に積分によって導入されるかなりのドリフトを経験する。これらの制限は、屋内追跡、バーチャルリアリティ、及びモーションセンシングゲームのような、正確なモーション処理を必要とする多くのアプリケーションを妨げる。
【0005】
近年では、無線信号が目標の位置特定と追跡に使用されている。しかし、これらのシステムはユビキタスの正確な慣性測定を妨げる重大な一般的な制限を受けながら、位置を追跡することしかできない。第１に、これらのシステムはすべて、１つまたは複数の正確にインストールされたＡＰ（アクセスポイント）、ならびにそれらの位置及び／または向きに関する正確な情報を必要とする。ＡＰの幾何情報の小さなエラーは、大きな位置エラーにつながる。第２に、これらのシステムは、連続する位置推定値から複数の動きパラメータのうちの１つまたは２つのみを決定することができる。これらは、複数の運動パラメータを直接測定せず、適所の角運動を追跡することができない。第３に、これらのシステムは市販の既製ＷｉＦｉ上の周波数帯域幅、アンテナ数、及び同期エラーによって影響される精度制限に直面し、複雑な見通し外（ＮＬＯＳ）シナリオにおいて縮退するか、または失敗することさえある。
【0006】
無線周波（ＲＦ）信号に基づく無線撮像は、無線センシングの発展する社会における長年の困難な問題である。ワイファイ（ＷｉＦｉ）の遍在性を考えると、ＷｉＦｉ反射信号を使用して画像化を可能にすること、すなわち、無線源を目標に取り付けることなく、人間及びオブジェクトの画像を作成することが特に興味深い。それは、全てプライバシー保護、軽量及び費用効果的な方法で、インタラクティブゲーム、ポーズ推定、運動評価、人間認識のような新しいアプリケーションのために、位置だけでなくシルエット／形状、サイズ、ポーズ等の豊富なコンテキストで人間及びオブジェクトを広範囲に感知することを可能にする。
【0007】
活動センシング、ジェスチャ認識、バイタルサイン監視など、無線センシングのためのＷｉＦｉデバイスの再利用における進歩にもかかわらず、ＲＦ撮像は重大な課題に直面し、未解決のままである。ＷｉＦｉバンド上の高周波画像化に関連する従来の研究は人間の動き及び活動を追跡し、大きな障害物をマッピングし、悪意のあるオブジェクトを検出することができる。しかし、それらは、商品ラジオでは利用できない大きなアンテナを有する特殊なハードウェアを必要とするか、または不十分な画像品質に悩まされる。例えば、オブジェクの撮影のために複数のアンテナを持つＷｉＦｉ無線を使用する場合、２．４ＧＨｚ／５ＧＨｚでのＷｉＦｉ信号により現存のシステムは本質的に制限され、そして／または比較的大きなアレイを持つ複数の特殊化された周波数変調連続波（ＦＭＣＷ）レーダを必要とする。一般的に、２．４ＧＨｚ／５ＧＨｚのＷｉＦｉの撮像能力は、狭い帯域幅、少ないアンテナ数、及び大きい波長によって基本的に制限される。現行のミリ波（ｍｍＷａｖｅ）システムは大型レンズレーダや専用回路による撮像が可能であるが、いずれも専用レーダであり、ユビキタスアプリケーションには適していない。
【0008】
過去１０年間にわたり、屋内ローカライゼーションシステムはアクティブデバイスベースのテーマから受動的なデバイスフリー、すなわち、ユーザがデバイスを携帯または着用することを必要とせずにユーザをローカライズし、追跡する方法に移行する。受動的な屋内の位置特定はユーザがデバイスを持ち運び又は着用することを好まない／可能にしながら、ユーザの位置のユビキタス追跡を要求する広範囲のアプリケーションを可能にすることができる。例えば、スマートテレビ（ＴＶ）はユーザの位置を特定し、ユーザが来る／出るときに視野角をインテリジェントに回転させるか、または電源をオン／オフにすることができる。また、エネルギー効率の良い建物が在室者の場所を特定し、在室の人を数え、それに応じて暖房や照明を調整することができるようになるだろう。これは、ユーザの位置に応じて物のインターネット（ＩｏＴ）デバイスを制御するために、スマートホームで使用することができる。これらのアプリケーションの全ては、複数の人の位置特定可能であるときに、自然な屋内環境において、より実用的で魅力的になるのであろう。
【0009】
従来の研究は単一の目標追跡に焦点を当てており、複数の人の存在下で失敗するが、その理由は主に、すべての目標からの反射信号ならびに環境の他のオブジェクトが一緒に重ね合わされるからである。さらに、これらの作業は、主に移動目標の追跡に焦点を当て、スタティックオブジェクトを位置特定するために面倒なキャリブレーションを必要とする。複数人ローカライゼーションを達成するために、従来の提案の多くは、多くのデバイスの密な配備及び／または事前のトレーニングに頼っている。あるいは、特殊化されたハードウェアが非常に大きなフォームファクタで多くのアンテナを用いて構築される。１つの現存するシステムは多数の受信機を必要とし、人数の知見を前提とする。これらすべてのシステムに対して、複数の目標で反射された弱い信号を解決する分解能は、アンテナ数とシステム帯域幅によって根本的に制限される。
【0010】
心拍数と同様に呼吸の継続的監視は、潜在する致命的な疾患の早期発見と防止のために重要である。現行の解決策では通常、ユーザは監視中に人体に触れる必要がある手首装着型センサまたは胸部ストラップなどの専用デバイスを装着する必要があり、そのため、ユーザは使い勝手が悪く、快適でない。物のインターネット（ＩｏＴ）の急速な発展に伴い、無線センシングは、無線デバイスのユビキタス展開のために近年ますます注目されている。人間の存在が無線信号伝播に影響を及ぼし、電磁波（ＥＭ）を解析することによって人間の被験者を無線で監視する機能を可能にすることが証明されている。
【0011】
人間のバイタルサインを検出する無線の最近の研究は現存する通信インフラストラクチャ（例えば、ＷｉＦｉ）を活用して、健康状態監視のための広範囲にわたる、ユーザフレンドリな、手頃なソリューションを提供する。過去１０年間にわたり、既製のＷｉＦｉデバイスを使用したロバストなバイタルサイン監視のための様々なアーキテクチャの設計及び試験に多大な努力が払われてきた。しかしながら、ＷｉＦｉシステムの相対的に低いキャリア周波数のために、２．４／５ＧＨｚ ＷｉＦｉのアンテナ数は少なく、低い空間分解能を表現する。さらに、ＷｉＦｉシステムの狭帯域幅は、粗いレンジ分解能（帯域幅２０ＭＨｚで７．５メートル）をもたらす。従って、複数のユーザが存在する場合には、受信無線周波数（ＲＦ）信号は複数のユーザによって反射され、それぞれのためのバイタルサインを抽出することは困難である。したがって、ほとんどの研究は、１人の人物のみが存在するか、または様々なユーザの呼吸速度が異なると仮定している。さらに、ＲＦ信号は多重散乱によって反射されるので、埋め込まれた心臓の鼓動信号は極めて低い信号対雑音比（ＳＮ比）を持つ。このように、商品（コモディティ）ＷｉＦｉを用いて心拍数を推定することは、極めて困難である。
【0012】
無線周波数（ＲＦ）を介した人間中心のセンシングは、様々な物のインターネット（ＩｏＴ）用途にますます関心を集めている。環境に対する正確で受動的な意識の要求は、多くの用途で急増している。例えば、スマートホームはエネルギー効率を向上させるために、稼働率に基づいて光と換気システムを調整することができる。スマートホームにおける人物認識は、ホームセキュリティとプライバシー保護のためのユーザ認証を可能にする。環境を把握するだけでなく、環境中の人間の状態を監視することも注目されており、有意なバイタルサインである呼吸／呼吸速度は、高周波センシングのための重大な話題であった。
【0013】
呼吸速度を監視するために専用のセンサを使用する従来の方法と比較して、ＲＦセンシングは接触のない解決策を提供する。ＲＦベースの解決は２つのカテゴリ、すなわち、レーダベースの方法及びＷｉＦｉベースの方法に分類することができる。レーダベースの方法では、以前の研究が呼吸数及び心拍数を監視するためにミリメートル波（ｍｍＷａｖｅ）または超広帯域（ＵＷＢ）を使用する可能性を示している。これらのシステムは高精度を達成することができるが、専用のデバイスはそれらの展開を妨げる。逆に、ＷｉＦｉベースの方法は容易に展開することができ、過去１０年間に研究されてきた。ＷｉＦｉデバイスにより測定された受信信号強度（ＲＳＳ）は、呼吸中の胸部運動を測定するために使用されてきた。しかしながら、被験者がデバイスを保持しない場合には、呼吸数推定の精度が低下する。細粒度のチャネル状態情報（ＣＳＩ）は、呼吸によって引き起こされる微小な動きを捕捉するために利用されてきた環境変化に対してより敏感である。しかし、一般的に使用されている２．４／５ＧＨｚ ＷｉＦｉの無指向性伝搬と狭い帯域幅により、受信信号は室内空間で複数の人間から反射できる。これは、反射信号から複数の人間のバイタルサインを抽出することを困難にする。既存の研究の大部分は観察領域内に１人しかいないと仮定するか、または別個人の呼吸速度が異なり、人の数が事前に分かっていると仮定する。
【発明の概要】
【0014】
本開示は、一般に無線追跡システムに関する。より具体的には、本開示が豊富な散乱環境における無線チャンネル情報に基づいて、移動距離、方向、及び回転角度を正確に追跡することに関する。本開示はまた、オブジェクトの動きの多数のパラメータ、すなわち、例えば、屋内環境または都市メトロポリタンエリア、囲まれた環境、地下環境などの豊富な散乱環境における移動距離、方向、及び回転角度を測定することに関する。また、本開示は豊富な散乱環境における無線チャンネルに基づいて人間の呼吸／呼吸数及び心拍変動を正確に追跡することに関する。
【0015】
一実施形態では、無線監視システムが説明される。無線監視システムは、送信機、受信機、及びプロセッサを含む。送信機は、無線マルチパスチャネルを介して場所（venue）内で一連のプローブ信号を送信するように構成される。受信機は、送信機と受信機との間の無線マルチパスチャネルを通して、無線マルチパスチャネルと場所内を移動するオブジェクトによって変調された一連のプローブ信号を受信し、無線マルチパスチャネルとオブジェクトによって変調された一連のプローブ信号から無線マルチパスチャネルのチャンネル情報（ＴＳＣＩ）の時系列を得るように構成される。プロセッサは、ＴＳＣＩに基づいてマップに対するオブジェクトの動きを監視し、ＴＳＣＩに基づいてインクリメンタルな時間期間にオブジェクトが移動したインクリメンタルな距離を決定し、現在の時間におけるオブジェクトの現在の位置、インクリメンタルな距離、及びインクリメンタルな時間期間中の動きの方向のうちの少なくとも１つに基づいて、マップ内の次の時間におけるオブジェクトの次の位置を計算するように構成される。様々な実施形態によれば、プロセッサは、送信機及び受信機のうちの少なくとも１つに物理的に結合される。
【0016】
別の実施形態では、プロセッサによって実行される方法、プロセッサと通信可能に結合されたメモリ、及びプロセッサによって実行されるべきメモリに記憶された命令のセットが説明される。該方法は、場所内の無線マルチパスチャネルの時系列のチャンネル情報（ＴＳＣＩ）を取得することであって、ＴＳＣＩは無線マルチパスチャネルを介して送信機から受信機に送信される一連のプローブ信号から抽出され、一連のプローブ信号は無線マルチパスチャネル及び場所内を移動するオブジェクトによって変調されることと、ＴＳＣＩに基づいてマップに対するオブジェクトの動きを監視することと、ＴＳＣＩに基づいてインクリメンタルな期間内にオブジェクトが移動したインクリメンタル距離を決定することと、現在時刻におけるオブジェクトの現在位置、インクリメンタル距離、及びインクリメンタル期間中の動きの方向のうちの少なくとも１つに基づいて、マップ内の次の時刻におけるオブジェクトの次の位置を計算することとを含む。
【0017】
別の実施形態では、無線監視システムが説明される。無線監視システムは、送信機と、複数の異種受信機と、プロセッサとを含む。送信機は、無線マルチパスチャネルを介して場所内で一連のプローブ信号を送信するように構成される。複数の異種受信機の各々は、無線マルチパスチャネルを介して、無線マルチパスチャネルと場所内を移動する複数のオブジェクトによって変調されたプローブ信号の系列を受信し、無線マルチパスチャネル及び複数のオブジェクトによって変調されたプローブ信号の系列から無線マルチパスチャネルの時系列のチャンネル情報（ＴＳＣＩ）を得るように構成される。プロセッサは、複数の異種受信機によって取得されたＴＳＣＩに基づいてマップに対する複数のオブジェクトの動きを監視し、それぞれのＴＳＣＩに基づいてそれぞれのインクリメンタル時間期間においてそれぞれのオブジェクトが移動したそれぞれのインクリメンタル距離を決定し、それぞれの現在時刻におけるオブジェクトのそれぞれの現在位置、それぞれのインクリメンタル距離、及びそれぞれのインクリメンタル時間期間中のオブジェクトのそれぞれの動きのそれぞれの方向のうちの少なくとも１つに基づいて、マップ内のそれぞれの次の時刻におけるオブジェクトのそれぞれの次の位置を計算するように構成される。様々な実施形態によれば、プロセッサは、送信機及び複数の異種受信機のうちの少なくとも１つに物理的に結合される。
【0018】
一実施形態では、オブジェクト追跡システムが説明される。オブジェクト追跡システムは、送信機、受信機、及びプロセッサを含む。送信機は、無線マルチパスチャネルを介して無線信号を送信するように構成される。受信機は無線マルチパスチャネルを介して無線信号を受信し、無線信号から無線マルチパスチャネルの複数の時系列のチャンネルインフォメーション（ＴＳＣＩ）を抽出するように構成される。複数のＴＳＣＩの各々は、送信機のアンテナ及び受信機のアンテナに関連付けられる。送信機と受信機の一つは静止デバイスである。送信機と受信機のもう一方は、オブジェクトと共に動く移動デバイスである。プロセッサは、移動デバイスの第１のアンテナに関連付けられた第１のＴＳＣＩの第１の時間における第１のチャネル情報（ＣＩ）が移動デバイスの第２のアンテナに関連付けられた第２のＴＳＣＩの第２の時間における第２のＣＩに一致することを決定するために構成され、第１のＴＳＣＩ及び第２のＴＳＣＩの両方は静止デバイスの特定のアンテナに関連付けられ、複数のＴＳＣＩ、移動デバイスのアンテナの構成、静止デバイスの少なくとも１つのアンテナの構成、第１の時間と第２の時間との間の時間差、及び第１のアンテナと第２のアンテナとの間の距離のうちの少なくとも１つに基づいて移動デバイスの少なくとも１つの移動パラメータを計算し、少なくとも１つの移動パラメータ、第１の時間、第２の時間、移動デバイスのアンテナの構成、静止デバイスの少なくとも１つのアンテナの構成、過去のＳＴＩのうちの少なくとも１つに基づいて移動デバイスの空間時間情報（ＳＴＩ）を計算する。ここで、移動パラメータ及びＳＴＩのうちの少なくとも１つは移動デバイスの現在の移動に関連し、ＳＴＩに基づいてオブジェクト及び移動デバイスを追跡する。
【0019】
別の実施形態では、プロセッサによって実行される方法であって、プロセッサと通信可能に結合されたメモリ、及びプロセッサによって実行されるべきメモリに記憶された命令のセットが説明される。本方法は、無線マルチパスチャネルの複数の時系列チャネル情報（ＴＳＣＩ）を取得することであって、複数のＴＳＣＩが無線マルチパスチャネルを介して第１の無線デバイスから第２の無線デバイスに送信される無線信号から抽出され、複数のＴＳＣＩのそれぞれが、第１の無線デバイスのアンテナ及び第２の無線デバイスのアンテナに関連付けられ、第１の無線デバイス及び第２の無線デバイスのうちの１つが静止デバイスであり、第１の無線デバイス及び第２の無線デバイスのうちの他の１つが、オブジェクトとともに移動する移動デバイスである、取得することと、移動デバイスの第１のアンテナに関連付けられた第１のＴＳＣＩの第１の時間における第１のチャネル情報（ＣＩ）が移動デバイスの第２のアンテナに関連付けられた第２のＴＳＣＩの第２の時間における第２のＣＩに一致することを決定することであって、第１のＴＳＣＩ及び第２のＴＳＣＩの両方が静止デバイスの同じアンテナに関連付けられる、決定することと、複数のＴＳＣＩ、移動デバイスのアンテナの構成、静止デバイスの少なくとも１つのアンテナの構成、第１の時間と第２の時間との間の時間差、及び第１のアンテナと第２のアンテナとの間の距離のうちの少なくとも１つに基づいて、移動デバイスの少なくとも１つの移動パラメータを計算することと、少なくとも１つの移動パラメータ、第１の時間、第２の時間、移動デバイスのアンテナの構成、静止デバイスの少なくとも１つのアンテナの構成、過去のＳＴＩ、及び過去の移動パラメータのうちの巣ｋなくとも１つに基づいて移動デバイスの空間時間情報（ＳＴＩ）を計算することであって、移動パラメータの少なくとも１つ及びＳＴＩは移動デバイスの現在の移動に関連する、計算することと、及びＳＴＩに基づいてオブジェクト及び移動デバイスのうちの少なくとも１つを追跡すること、を含む。
【0020】
別の実施形態では、オブジェクト追跡システムが説明される。オブジェクト追跡システムは、送信機と、プロセッサを含む受信機と、プロセッサと通信可能に結合されたメモリと、プロセッサによって実行されるメモリに格納された命令のセットを備える。送信機は、無線マルチパスチャネルを介して無線信号を送信するように構成される。受信機は、無線マルチパスチャネルを通して無線信号を受信し、無線信号から無線マルチパスチャネルの複数の時系列のチャネル情報（ＴＳＣＩ）を抽出し、ここで複数のＴＳＣＩの各々は前記送信機のアンテナと前記受信機のアンテナに関連付けられ、送信機と受信機の１つは静止しており、送信機及び受信機の一方はオブジェクトとともに移動する移動装置である、受信し、移動装置の第１のアンテナに関連付けられた第１のＴＳＣＩの第１の時刻における第１のチャネル情報（ＣＩ）は移動装置の第２のアンテナに関連付けられた第２のＴＳＣＩの第２の時刻における第２のＣｉに一致すると判断し、ここで第１のＴＳＣＩ及び第２のＴＳＣＩの両方は前記静止装置の特定のアンテナに関連付けられる、判断し、複数ＴＳＣＩ、移動デバイスのアンテナ構成、静止デバイスの少なくとも１つのアンテナの構成、第１の時間と第２の時間との差、及び第１のアンテナと第１のアンテナの距離の内の少なくとも１つに基づいて移動デバイスの少なくとも１つの移動パラメータを計算し、少なくとも１つの移動パラメータ、第１の時間、第２の時間、移動デバイスのアンテナ構成、静止デバイスの少なくとも１つのアンテナの構成、過去のＳＴＩ、及び過去の移動パラメータのうちの少なくとも１つに基づいて移動デバイスの空間時間情報（ＳＴＩ）を計算し、ここで移動パラメータのうちの少なくとも１つ及びＳＴＩは移動デバイスの現在の移動に関連する、計算し、そしてＳＴＩに基づいて少なくとも１つのオブジェクトと移動デバイスを追跡する。
【0021】
一実施形態では、本開示が商品である６０ＧＨｚのＷｉＦｉデバイス上のミリ波カメラとして機能する超解像度撮像システムに関する。共同送信機平滑化を用いた複数信号分類（multiple signal classisication (MUSIC)）に基づく新しい超解像イメージングアルゴリズムを提案した。実験は、開示されたシステムがキネクトのような専用の深度センサのそれに匹敵する、人間と日常オブジェクトの両方に対して顕著な撮像性能を達成し、薄い乾式壁の背後に人物を撮像できることを示した。
【0022】
一実施形態では、無線スキャンシステムが説明される。無線スキャンシステムは、送信機と、受信機と、プロセッサとを備える。送信機は、複数の送信アンテナを使用して、場所内のオブジェクトに向かって、場所の無線マルチパスチャネルを通して第１の無線信号を送信するように構成される。受信機は、送信機と受信機との間の無線マルチパスチャネルを介して複数の受信アンテナを使用して第２の無線信号を受信するように構成される。第２の無線信号は、無線マルチパスチャネルとオブジェクトによる第１の無線信号の変調のために第１の無線信号とは異なる。プロセッサは受信機によって受信された第２の無線信号に基づいて無線マルチパスチャネルのチャネルインフォメーション（ＣＩ）のセットを取得し、ＣＩのセットに基づいてオブジェクトの画像を計算するように構成される。セット内の各ＣＩは、複数の送信アンテナのそれぞれの１つと、複数の受信アンテナのそれぞれの１つとに関連付けられる。様々な実施形態によれば、プロセッサは、送信機及び受信機のうちの少なくとも１つに物理的に結合される。
【0023】
別の実施形態では、無線スキャンのための説明される装置が送信機及び受信機が配置された場所内にある。説明される装置は、プロセッサと、送信機及び受信機のうちの少なくとも１つとを備える。送信機は、複数の送信アンテナを使用して、場所内のオブジェクトに向かって、場所の無線マルチパスチャネルを通して第１の無線信号を送信するように構成される。受信機は、送信機と受信機との間の無線マルチパスチャネルを介して複数の受信アンテナを使用して第２の無線信号を受信するように構成される。第２の無線信号は、無線マルチパスチャネルとオブジェクトによる第１の無線信号の変調のために第１の無線信号とは異なる。プロセッサは、第２の無線信号に基づいて無線マルチパスチャネルのチャネルインフォメーション（ＣＩ）のセットを取得するように構成され、ここで、セット内の各々のＣＩは複数の送信アンテナのそれぞれの１つと複数の受信アンテナのそれぞれの１つとに関連付けられ、ＣＩのセットに基づいてオブジェクトの画像を計算する。
【0024】
一実施形態では装置が受信機を含むが、送信機を含まない。受信機は第２の無線信号を受信し、オブジェクトスキャンを実行するために、ＣＩ、例えば、チャネル状態情報(ＣＳＩ)を抽出する。別の実施形態では装置が送信機を含むが、受信機を含まない。ＣＳＩは、受信機によって抽出され、オブジェクトスキャンのためのプロセッサによって得られる。さらに別の実施形態では装置が送信機を含むが、受信機を含まない。ＣＳＩは、ＣＳＩを送信機に送信する受信機において抽出される。オブジェクトスキャンは送信機で実行される。
【0025】
別の実施形態では、プロセッサによって実行される方法、プロセッサと通信可能に結合されたメモリ、及びプロセッサによって実行されるべきメモリに記憶された命令の集セットが説明される。本方法は、場所の無線マルチパスチャネルのチャネル情報（ＣＩ）のセットを取得することであって、送信機は複数の送信アンテナを使用して第１の無線信号を、場所の無線マルチパスチャネルを介して場所内のオブジェクトに向かって送信し、受信機は無線マルチパスチャネルを介して複数の受信アンテナを使用して第２の無線信号を受信し、第２の無線信号に基づいて、無線マルチパスチャネルのＣＩのセットを計算し、第２の無線信号は無線マルチパスチャネル及びオブジェクトによる第１の無線信号の変調のために、第１の無線信号とは異なる、取得することと、ＣＩのセットに基づいて、オブジェクトの画像化を計算することと、を含む。
【0026】
一実施形態では、本開示が単一の８０２．１１ａｄデバイスを使用する複数人位置特定及び追跡システムに関する。６０ＧＨｚチップセットのアンテナアレイ上にデジタルビームフォーミングを行うことにより、高い空間分解能を達成した。複数オブジェクト検出アルゴリズムとロバストクラスタリング法を利用して、複数のユーザの位置を突き止め、計数する。また、開示されたシステムは、継続的な追跡アルゴリズムによって移動軌跡を回復する。一実施形態によれば、市販の（commodity off the shelf(ＣＯＴＳ）)８０２．１１ａｄ無線に関する実験は、開示されたシステムが動的及び静止に対してそれぞれ９．９ｃｍ及び１９．７ｃｍの中央位置エラーを達成し、人数カウントエラーが９７．８％に対して１以下であることを実証する。
【0027】
一実施形態では、無線追跡システムが説明される。無線追跡システムは、送信機、受信機、及びプロセッサを含む。送信機は、複数の送信アンテナを使用して、場所内の少なくとも１つのオブジェクトに向けて、場所の無線マルチパスチャネルを介して第１の無線信号を送信するように構成される。受信機は、送信機と受信機との間の無線マルチパスチャネルを介して複数の受信アンテナを使用して第２の無線信号を受信するように構成される。第２の無線信号は無線マルチパスチャネル及び少なくとも１つのオブジェクトによる第１の無線信号の変調のために、第１の無線信号とは異なる。プロセッサは受信機によって受信された第２の無線信号に基づいて無線マルチパスチャネルのチャネルインフォメーション（ＣＩ）のセットを取得し、ＣＩのセットに基づいて少なくとも１つのオブジェクトを同時に追跡するように構成される。セット内の各ＣＩは、複数の送信アンテナのそれぞれの１つと、複数の受信アンテナのそれぞれの１つとに関連付けられる。様々な実施形態によれば、プロセッサは、送信機及び受信機のうちの少なくとも１つに物理的に結合される。
【0028】
別の実施形態では、説明された無線追跡用の装置が送信機及び受信機が配置された場所内にある。説明された装置は、プロセッサと、送信機及び受信機のうちの少なくとも１つとを備える。送信機は、複数の送信アンテナを使用して、場所内の少なくとも１つのオブジェクトに向けて、場所の無線マルチパスチャネルを介して第１の無線信号を送信するように構成される。受信機は、送信機と受信機との間の無線マルチパスチャネルを介して複数の受信アンテナを使用して第２の無線信号を受信するように構成される。第２の無線信号は無線マルチパスチャネル及び少なくとも１つのオブジェクトによる第１の無線信号の変調のために、第１の無線信号とは異なる。プロセッサは、第２の無線信号に基づいて、無線マルチパスチャネルのチャネルインフォメーション（ＣＩ）のセットを取得するように構成され、セット内のそれぞれのＣＩは複数の送信アンテナのうちのそれぞれの１つと、複数の受信アンテナのうちのそれぞれの１つとに関連付けられ、ＣＩのセットに基づいて、少なくとも１つのオブジェクトを同時に追跡する。
【0029】
一実施形態では装置が受信機を含むが、送信機を含まない。受信機は第２の無線信号を受信し、オブジェクト追跡を実行するために、ＣＩ、例えば、チャンネル状態情報を抽出する。別の実施形態では、装置が送信機を含むが、受信機を含まない。ＣＳＩは、受信機によって抽出され、オブジェクト追跡のためにプロセッサによって取得される。さらに別の実施形態では装置が送信機を含むが、受信機を含まない。ＣＳＩは、ＣＳＩを送信機に送信する受信機において抽出される。オブジェクト追跡は、送信機で行われる。
【0030】
別の実施形態では、プロセッサによって実行される方法、プロセッサと通信可能に結合されたメモリ、及びプロセッサによって実行されるべきメモリに記憶された命令のセットが説明される。本方法は、場所の無線マルチパスチャネルのチャネル情報（ＣＩ）のセットを取得することであって、送信機は複数の送信アンテナを使用して第１の無線信号を、前記場所の無線マルチパスチャネルを介して場所内の少なくとも１つのオブジェクトに向かって送信し、受信機は前記無線マルチパスチャネルを介して複数の受信アンテナを使用して第２の無線信号を受信し、前記第２の無線信号に基づいて前記無線マルチパスチャネルのＣＩのセットを計算し、前記第２の無線信号は前記無線マルチパスチャネル及び前記少なくとも１つのオブジェクトによる前記第１の無線信号の変調のために、前記第１の無線信号とは異なる、取得することと、前記ＣＩの組に基づいて、前記少なくとも１つのオブジェクトを同時に追跡すること、を含む。
【0031】
一実施形態では、無線監視システムが説明される。無線監視システムは、送信機、受信機、及びプロセッサを含む。送信機はＮ１本の送信アンテナを使用して、場所の無線マルチパスチャネルを介して無線信号を送信するように構成され、一方、場所内の第１のオブジェクトは第１の繰り返し動作をする。受信機は、Ｎ２本の受信アンテナを使用して、無線マルチパスチャネルを介して無線信号を受信し、無線信号から無線マルチパスチャネルの複数の時系列チャンネルインフォメーション（ＴＳＣＩ）を抽出するように構成される。Ｎ１及びＮ２は正の整数である。複数のＴＳＣＩの各々は、送信機の送信アンテナ及び受信機の受信アンテナに関連付けられる。プロセッサは、複数のＴＳＣＩに基づいて第１の反復運動の第１の情報を計算し、第１の情報に基づいて第１のオブジェクトの第１の反復運動を監視するように構成される。
【0032】
別の実施形態では、プロセッサによって実行される方法、プロセッサと通信可能に結合されたメモリ、及びプロセッサによって実行されるべきメモリに記憶された命令のセットが説明される。該方法は、場所内のオブジェクトが反復運動を有している間に、第１の異種無線デバイスのＮ１本の送信アンテナを使用して、場所の無線マルチパスチャネルを介して無線信号を送信することと、第２の異種無線デバイスのＮ２本の受信アンテナを使用して、無線マルチパスチャネルを介して無線信号を受信することと、無線信号から無線マルチパスチャネルの複数の時系列チャネル情報（ＴＳＣＩ）を取得することと、を含み、Ｎ１及びＮ２は正の整数であり、複数のＴＳＣＩのそれぞれは、第１の異種無線デバイスの送信アンテナ及び第２の異種無線デバイスの受信アンテナに関連付けられ、複数のＴＳＣＩに基づいて、反復運動のタイミング情報を計算することと、タイミング情報に基づいて、オブジェクトの反復運動を監視することと、を含む。
【0033】
別の実施形態では、無線監視システムが説明される。無線監視システムは、場所内に送信機及び受信機の複数のペアと、プロセッサとを含む。複数のペアのペアごとに、ペアのそれぞれの送信機は、無線マルチパスチャネルを介してそれぞれの無線信号を非同期に送信するように構成され、場所内の第１のオブジェクトは第１の反復運動を有し、ペアのそれぞれの受信機は無線マルチパスチャネルを介してそれぞれの無線信号を非同期に受信し、それぞれの無線信号から無線マルチパスチャネルのそれぞれの時系列のチャンネルインフォメーション（ＴＳＣＩ）を抽出するように構成される。複数のペアの第１のペアの送信機及び受信機は、場所内の同じ位置に一緒に配置（collocate）される。複数のペアの第２のペアの送信機及び受信機は、場所内の２つの異なった位置に配置される。複数のＴＳＣＩは、複数のペアの受信機によって得られる。プロセッサは複数のＴＳＣＩに基づいて第１の反復運動の第１の情報を計算し、第１の情報に基づいて第１のオブジェクトの第１の反復運動を監視するように構成される。
【0034】
また、本開示は、例えば屋内環境または都市メトロポリタンエリア、閉鎖環境、自動車などの豊富な散乱環境内の、呼吸速度を監視し、人数を数え、人を識別することに関する。一実施形態では、本開示は、例えば、屋内環境又は都市メトロポリタンエリア、閉鎖環境、自動車等の豊富な散乱環境における、無線チャンネル情報に基づく運転者の識別及び認識、運転者及び乗客の呼吸速度の監視、乗客数の計数、並びに、放置された子供の存在を検出、に関する。
【0035】
一実施形態では、律動的な動き監視のためのシステムが説明される。システムは、送信機、受信機、及びプロセッサを含む。送信機は、場所内のオブジェクトの律動的な動きによって影響を受ける無線マルチパスチャネルを介して無線信号を送信するように構成される。受信機は、無線マルチパスチャネルを介して無線信号を受信し、オブジェクトの律動的な動きによって影響を受ける無線マルチパスチャネルによって変調された無線信号から無線マルチパスチャネルのＮ１時系列のチャネルインフォメーション（ＴＳＣＩ）を抽出するように構成され、Ｎ１ＴＳＣＩのそれぞれは、送信機のアンテナ及び受信機のアンテナに関連付けられる。プロセッサは、Ｎ１ ＴＳＣＩの各々をＮ２時系列のチャネル情報成分（ＴＳＣＩＣ）に分解し、Ｎ２ＴＳＣＩＣの各々のチャネル情報成分（ＣＩＣ）はその時点でのＴＳＣＩのチャネル情報（ＣＩ）のそれぞれの成分を含み、Ｎ１＊Ｎ２ ＴＳＣＩＣ及びＮ１ ＴＳＣＩ（Ｎ１及びＮ２は正の整数）のうちの少なくとも１つに基づいてオブジェクトの律動的な動きを監視し、オブジェクトの律動的な動きの監視に基づいてレスポンス動作をトリガするように構成される。
【0036】
別の実施形態では、プロセッサによって実行される方法、プロセッサと通信可能に結合されたメモリ、及びプロセッサによって実行されるべきメモリに記憶された命令のセットが説明される。該方法は、場所内のオブジェクトの律動的な動きによって影響を受ける無線マルチパスチャネルのＮ１時系列のチャネル情報（ＴＳＣＩ）を取得することであって、Ｎ１ＴＳＣＩは無線マルチパスチャネルを介して送信機から受信機に送信される無線信号から抽出され、Ｎ１ ＴＳＣＩのそれぞれは受信機の送信機のアンテナ及びアンテナに関連付けられている、取得することと、Ｎ１ＴＳＣＩのそれぞれを、チャネル情報成分（ＴＳＣＩＣ）のＮ２時系列に分解することであって、Ｎ２ ＴＳＣＩＣのそれぞれのチャネル情報成分（ＣＩＣ）はその時点でのＴＳＣＩのチャネル情報（ＣＩ）のそれぞれの成分を含み、Ｎ１及びＮ２は正の整数である、分解することと、Ｎ１＊Ｎ２ＴＳＣＩＣ及びＮ１ ＴＳＣＩのうちの少なくとも１つに基づいて、オブジェクトの律動的な動きを監視することと、オブジェクトの律動的な動きの監視に基づいて、レスポンス動作をトリガすることとを含む。
【0037】
別の実施形態では、送信機及び受信機が位置する場所における律動的な動き監視のための装置が開示される。該装置は、送信機及び受信機の少なくとも一方と、プロセッサとを含む。送信機は、場所内のオブジェクトの律動的な動きによって影響を受ける無線マルチパスチャネルを介して無線信号を送信するように構成される。受信機は無線マルチパスチャネルを介して無線信号を受信し、オブジェクトの律動的な動きによって影響を受ける無線マルチパスチャネルによって変調された無線信号から無線マルチパスチャネルのＮ１時系列のチャンネル情報（ＴＳＣＩ）を抽出するように構成される。Ｎ１ＴＳＣＩの各々は、送信機のアンテナ及び受信機のアンテナに関連付けられる。プロセッサは、Ｎ１ ＴＳＣＩの各々をＮ２時系列のチャネル情報成分（ＴＳＣＩＣ）に分解し、ここでＮ２ＴＳＣＩＣの各々のチャネル情報成分（ＣＩＣ）はその時点でのＴＳＣＩのチャネル情報（ＣＩ）のそれぞれの成分を含み、Ｎ１＊Ｎ２のＴＳＣＩＣ及びＮ１のＴＳＣＩのうちの少なくとも１つに基づいてオブジェクトの律動的な動きを監視し、ここでＮ１とＮ２は正の整数であり、オブジェクトの律動的な動きの監視に基づいてレスポンス動作をトリガするように構成される。
【0038】
他の概念は、豊富な散乱環境において、無線の律動的な動き監視、オブジェクト追跡及びスキャン、呼吸数の監視、人数の計数、及び人の識別に関する本開示を実施するためのソフトウェアに関する。追加の新規な特徴は以下の説明に部分的に説明され、当業者には以下の図面及び添付の図面を検討することによって部分的に明らかになるか、または実施例の製造または操作によって学習され得る。本開示の新規な特徴は、以下に説明される詳細な実施例に説明される方法、手段、及び組み合わせの様々な態様の実施または使用によって実現及び達成され得る。
【図面の簡単な説明】
【0039】
本明細書で説明される方法、システム、及び／またはデバイスは、例示的な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非限定的な例示的な実施形態であり、図面のいくつかの図を通じて同様の参照符号は同様の構造を表す。
【0040】
【図1】本発明のいくつかの実施形態による室内追跡システムの全体的なアーキテクチャを示す。
【0041】
【図2】本発明のいくつかの実施形態による例示的なアンテナ位置合わせ（alignment）を示す。
【0042】
【図3A】ＴＲＲＳ行列から時間遅延を推定するための例を示しており、ここで、本開示のいくつかの実施形態によれば、最大ＴＲＲＳは、一方のアンテナが他方のアンテナが超解像度でΔｔ時間前であった位置に存在する場合に、単一の時点でのみ現れる。
【0043】
【図3B】本開示のいくつかの実施形態による、３アンテナアレーの直線移動軌跡に対するＴＲＲＳ行列からの時間遅延を推定するための例を示す図である。
【0044】
【図3C】ＴＲＲＳ行列からの時間遅延を推定するための例を示しており、ここで、本開示のいくつかの実施形態によれば、デバイスがアンテナアレイラインに沿って移動しない場合にＴＲＲＳが減少するが、しかしながら、１５度内の偏移角に対してはなお明白なピークが存在するので、速度推定が可能となる。
【0045】
【0046】
【図5】本発明のいくつかの実施形態によるＤＴＬの例を示す。
【0047】
【図6】本発明のいくつかの実施形態による、２つの距離推定方法の例示的な比較を示す。
【0048】
【図7】本開示のいくつかの実施形態による、異なるアンテナペアに関するアンテナ位置合わせ距離推定法の例示的性能を示す。
【0049】
【図8】本発明のいくつかの実施形態による、様々なアンテナ間隔に対するアンテナアラインメントディスタンス推定法の例示的な性能を示す。
【0050】
【図9】本開示のいくつかの実施形態による、距離推定方法の全体追跡精度性能を示す。
【0051】
【図10】本発明のいくつかの実施形態によるマップ拡張追跡法の流れ図を示す。
【0052】
【図11】異なる被写体、速度、及びセンサ配置から生じる異なるステップパターンを示し、各図は、本開示のいくつかの実施形態による、４ステップ（２つのストライドサイクル）の加速シリーズを示す。
【0053】
【図12】本発明のいくつかの実施形態によるステップ検知のための有限ステートマシン（FSM）を例示する。
【0054】
【0055】
【図14】本発明のいくつかの実施形態による仮想アンテナ位置合わせを示す。
【0056】
【図15】本開示のいくつかの実施形態に従って、２次元計測のために、２つの商品ＷｉＦｉ無線のアンテナを一緒に配置することによって構築することができる、６素子円形アレイの例示的な設定を図示する。
【0057】
【図16】図１６Ａ〜１６Ｃはアンテナアレイの一例を示し、ここで、線形、三角形、及び四角形アレイは、本開示のいくつかの実施形態に従って、それぞれ、高々２、６、及び１２の制御しやすい（tractable）方向を生成する。
【0058】
【図17】本開示のいくつかの実施形態による、時間反転共鳴強度（TRRS）の空間分解能を示す。
【0059】
【図18】本発明のいくつかの実施形態による、二乗軌跡の位置合わせマトリックスの例示的な実験結果を示す。
【0060】
【図19】本開示のいくつかの実施形態に従った、偏差後退の際の例示的なアンテナ位置合わせを図示する。
【0061】
【図20】本発明のいくつかの実施形態による運動検出の例示的な実験結果を示す。
【0062】
【図21】本開示のいくつかの実施形態に従って、位置合わせピークが、測定ノイズ及び不完全なリトラッキングにかかわらず正確かつ堅牢に追跡される、ピーク追跡の例示的な実験結果を示す図である。
【0063】
【図22】本発明のいくつかの実施形態による移動量推定精度の実験結果の一例を示す。
【0064】
【図23】本発明のいくつかの実施形態による、異なった方向に対する推定された方位エラーの例示的な実験結果を示す。
【0065】
【図24】本発明のいくつかの実施形態による、方位エラーの累積的分配機能の例示的な実験結果を示す。
【0066】
【図25】本発明のいくつかの実施形態による、ＲＩＭを使用して認識される例示的な手書き文字を示す。
【0067】
【図26】本発明のいくつかの実施形態による、ジェスチャ認識の例示的な実験結果を示す。
【0068】
【図27】本発明のいくつかの実施形態による、オブジェクト運動の多数のパラメータを測定するためのフロー図を示す。
【0069】
【図28】本開示のいくつかの実施形態による、３つのアンテナを備える、例示的なＲＦベースの慣性測定ユニット構成を図示する。
【0070】
【図29】本発明のいくつかの実施形態によるＴＲＲＳ空間減衰の一例を示す。
【0071】
【図30】本発明のいくつかの実施形態による、方位計測のための例示的な八角形アンテナアレイを示す。
【0072】
【図31】本発明のいくつかの実施形態による例示的なアンテナムービングトレースを示す。
【0073】
【図32】本発明のいくつかの実施形態による別の例示的なアンテナムービングトレースを示す。
【0074】
【図33】本発明のいくつかの実施形態による例示的なずれを示す。
【0075】
【図34】本発明のいくつかの実施形態による例示的な角度範囲を示す。
【0076】
【図35】本発明のいくつかの実施形態による例示的な第１のケース方向推定を示す。
【0077】
【図36】本発明のいくつかの実施形態による例示的な第２のケース方向推定を示す。
【0078】
【図37】本開示のいくつかの実施形態に従って、アンテナｉがアンテナｊの最初の位置に最も近い位置まで回転する、例示的な所定位置回転整列アンテナペアを図示する。
【0079】
【図38】本開示のいくつかの実施形態による、無線オブジェクトスキャンのための例示的な座標システムを示す。
【0080】
【図39】本開示のいくつかの実施形態による空間平滑化を例示する。
【0081】
【図40】本開示のいくつかの実施形態による関節送信機平滑化を例示する。
【0082】
【図41】本開示のいくつかの実施形態によるチャンネルインパルスレスポンス（CIR）性能の一例を示す図である。
【0083】
【0084】
【図43】本開示のいくつかの実施形態による関心領域（ＲｏＩ）の例示的な検出を示す。
【0085】
【図44】本開示のいくつかの実施形態による、異なる方向に対する空間スペクトルの例を示す。
【0086】
【図45】本開示のいくつかの実施形態による、人間の撮像の例示的なシステム性能を示す。
【0087】
【図46】本開示のいくつかの実施形態による、異なるユーザに対する例示的なシステムパフォーマンスを示す。
【0088】
【図47】本開示のいくつかの実施形態による、異なる空間スペクトル推定器の間の例示的なシステム性能比較を示す。
【0089】
【図48】本開示のいくつかの実施形態による、無線オブジェクトスキャンのための例示的な手法のフローチャートを示す。
【0090】
【図49】本開示のいくつかの実施形態による、無線オブジェクト追跡のための例示的なシステムを示す。
【0091】
【図50】本開示のいくつかの実施形態による、例示的な測定されたチャネルインパルスレスポンス（ＣＩＲ）を示す。
【0092】
【図51】本開示のいくつかの実施形態による例示的な座標システムを示す。
【0093】
【図52】本開示のいくつかの実施形態による、近遠効果及び重み付け再サンプリングの効果の計測結果を示す。
【0094】
【図53】本開示のいくつかの実施形態による、２人の被験者がデバイスの前に立っている、関心領域（ＲｏＩ）を検知するための例示的なメトリックを示す。
【0095】
【図54】本開示のいくつかの実施形態による例示的な完成したＲｏＩを示す。
【0096】
【図55】本開示のいくつかの実施形態による空間スペクトルの一例を示す図である。
【0097】
【図56】本開示のいくつかの実施形態による、空間スペクトルから抽出された２つの被写体の例示的な３次元インフォメーションを示す。
【0098】
【図57】本開示のいくつかの実施形態による、本開示のいくつかの実施形態による例示的なロバストクラスタリングを示す。
【0099】
【図58】本開示のいくつかの実施形態による、例示的な加重二部グラフマッチングを示す。
【0100】
【図59】本開示のいくつかの実施形態による例示的な位置推定及び高さ推定を示す。
【0101】
【図60】本開示のいくつかの実施形態による、関心領域に提示されるユーザの数の例示的な推定を示す。
【0102】
【図61】本開示のいくつかの実施形態による例示的な複数人数追跡性能を示す。
【0103】
【図62】本開示のいくつかの実施形態によるロバストクラスタリングの利点を示す。
【0104】
【図63】本開示のいくつかの実施形態による例示的な無線追跡結果を示す。
【0105】
【図64】本開示のいくつかの実施形態による、無線オブジェクト追跡のための例示的なメソッドのフローチャートを示す。
【0106】
【図65】本発明のいくつかの実施形態による、開示されたシステムのプロセスの流れを示す。
【0107】
【図66A】本発明のいくつかの実施形態による、開示されたシステムの座標を示す。
【0108】
【図66B】本発明のいくつかの実施形態による、バイタルサインを含むタップの典型的な位相信号を示す。
【0109】
【図67A】本開示のいくつかの実施形態による、被写体検出を反映するための範囲寸法で使用される１次元（１Ｄ）コンスタント誤警報率（ＣＦＡＲ）ウィンドウを図示する。
【0110】
【図67B】本開示のいくつかの実施形態による、被写体検出を反映するための角度寸法において使用される２次元（２Ｄ）コンスタント誤警報率（ＣＦＡＲ）ウィンドウを図示する。
【0111】
【図68】本発明のいくつかの実施形態による、オブジェクト検出を反映するための１次元−ＣＦＡＲを例示する。
【0112】
【図69】本発明のいくつかの実施形態による、標的検出のための例示的な位相を示す。
【0113】
【図70】本開示のいくつかの実施形態に係るセルマージの一例を説明したものである。
【0114】
【図71】本発明のいくつかの実施形態による、呼吸妨害除去の例示的な効果を示す。
【0115】
【図72】本発明のいくつかの実施形態によるダイナミックプログラミングによる推定結果を示す。
【0116】
【図73】本発明のいくつかの実施形態による、遠距離の影響のための実験設定及び結果を示す。
【0117】
【図74】本発明のいくつかの実施形態による、配向の影響のための実験設定及び結果を示す。
【0118】
【図75】本発明のいくつかの実施形態による、入射角の衝突のための実験設定及び結果を示す。
【0119】
【図76】本発明のいくつかの実施形態による、閉塞の影響のための実験設定及び結果を示す。
【0120】
【図77】本発明のいくつかの実施形態による、３ユーザケースのための例示的な検知率及び推定精度を示す。
【0121】
【図78】本開示の様々な実施形態による、システムの例示的なプロセスの流れを示す。
【0122】
【図79】本開示の様々な実施形態による、３人が呼吸速度［１０、１４、１５]ｂｐｍで車内に座るというシナリオを有する、６リンクのＣＩＲ振幅の例示的パワースペクトル密度を示す。
【0123】
【図80】本開示の様々な実施形態による、３人が呼吸速度［１０、１４、１５]ｂｐｍで車内に座るというシナリオで、副搬送波（ＳＣ）組み合わせ後の様々なリンクの例示的な正規化パワースペクトル密度を示す。
【0124】
【図81】本開示の様々な実施形態による、３人が呼吸速度［１０、１４、１５]ｂｐｍで車内に座ったときの、連結組み合わせ後の例示的なパワースペクトル密度を示す。
【0125】
【図82】本開示の様々な実施形態による、３人が自然呼吸を行う自動車に座っており、それらの平均呼吸速度が［１０、１４、１５]ｂｐｍであるというシナリオで、リンク組み合わせ後の例示的なスペクトルを示す。
【0126】
【図83】本開示の様々な実施形態による反復ダイナミックプログラミング（IDP）の例示的なプロシージャを示す。
【0127】
【図84】本開示の様々な実施形態による、４つの隣り合うタイムウィンドウにおいてＩＤＰによって見出される例示的なトレースを示す。
【0128】
【0129】
【図86】本開示の様々な実施形態による、人数を数える際の疑似双方向フィルタの例示的な影響を示す。
【0130】
【図87】本開示の様々な実施形態による、人物認知のための４つの検査対象の例示的な推定確率密度関数（ＰＤＦ）を示す。
【0131】
【図88A】本開示の様々な実施形態による、実験室で人数を数えるための開示されたシステムの例示的な混同行列を示す。
【0132】
【図88B】本開示の様々な実施形態による、実験室で人数を数えるための別のシステムの例示的な混同行列を示す。
【0133】
【図88C】本開示の様々な実施形態による、実験室で人数を数えるために可能にされた疑似双方向フィルタを有さない、開示されたシステムの例示的な混同行列を示す。
【0134】
【図89A】本開示の様々な実施形態による、自動車内の人数を数えるための開示されたシステムの例示的な混同行列を示す。
【0135】
【図89B】本開示の様々な実施形態による、自動車内の人数を数えるための別のシステムの例示的な混同行列を示す。
【0136】
【図89C】本開示の様々な実施形態による、自動車内の人数を数えるために可能にされた疑似双方向フィルタを有さない開示されたシステムの例示的な混同行列を示す。
【0137】
【図90】本開示の様々な実施形態による、スマートホームシナリオにおける人物認識の例示的な混同行列を示す。
【0138】
【図91】本開示の様々な実施形態による、３人のユーザが異なる空間隔で、異なる呼吸頻度間隔で座っている、解像度調査のための実験設定を示す。
【0139】
【図92】本開示の様々な実施形態による例示的な１組の試験結果を示す。
【0140】
【図93】本開示の様々な実施形態による、例示的反復ダイナミックプログラミングアルゴリズムを図示する。
【0141】
【図94】本開示の様々な実施形態による例示的なトレースコンカチネーティングアルゴリズムを示す。
【発明を実施するための形態】
【0142】
以下の詳細な説明では、関連する開示の完全な理解を提供するために、多数の特定の詳細が、例として記載される。しかしながら、本開示は、そのような詳細なしに実施され得ることは、当業者に明らかであるべきである。他の例では、本開示の態様を不必要に不明瞭にすることを避けるために、周知の方法、手順、構成要素、及び／または回路が、詳細なしに、比較的高レベルで記載されている。
【0143】
以下の詳細な説明では、関連する開示の完全な理解を提供するために、多数の特定の詳細が、例として記載される。しかしながら、本開示は、そのような詳細なしに実施され得ることは、当業者に明らかであるべきである。他の例では、本開示の態様を不必要に不明瞭にすることを避けるために、周知の方法、手順、構成要素、及び／または回路が、詳細なしに、比較的高レベルで記載されている。
【0144】
一実施形態では、本開示は、無線監視システムの方法、装置、デバイス、システム、及び／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）を開示する。無線マルチパスチャネルの時系列チャネル情報（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、及びメモリに記憶された一連の指示を使用して（例えば、動的に）得られ得る。ＣＩの時系列（ＴＳＣＩ）は、チャネルを介して場所（venue）でタイプ１異種（ｈｅｔｅｒｏｇｅｎｅｏｕｓ）無線装置（たとえば、無線送信機、ＴＸ）とタイプ２異種無線装置（たとえば、無線受信機、ＲＸ）との間で送信される無線信号（信号）から抽出され得る。チャネルは、場所のオブジェクトの表現（例えば、動き、動き、表現、及び／または位置／ポーズ／形状／表現の変化）によって影響され得る。オブジェクト及び／またはオブジェクトの運動特性及び／または空間−時間情報（ＳＴＩ、例えば、動き情報）は、ＴＳＣＩに基づいて監視され得る。課題は、特性及び／またはＳＴＩに基づいて実行され得る。タスクに関連付けられたプレゼンテーションは、ユーザのデバイス上のユーザインターフェース（ＵＩ）において生成されてもよい。ＴＳＣＩは、無線信号ストリームであってもよい。ＴＳＣＩまたは各ＣＩは、前処理され得る。装置は、ステーション（ＳＴＡ）であってもよい。記号「Ａ／Ｂ」は、本開示における「Ａ及び／又はＢ」を意味する。
【0145】
表現（ｅｘｐｒｅｓｓｉｏｎ）は、配置、移動可能な部分の配置、場所、位置、向き、同定可能な場所、領域、空間座標、プレゼンテーション、状態、表現、静的な表現、サイズ、長さ、幅、高さ、角度、スケール、形状、カーブ、表面、面積、体積、ポーズ、姿勢、兆候、体表現、動的な表現、動的な体言、運動、動きシーケンス、ジェスチャ、伸長、収縮、歪み、変形、身体表現（例えば、頭部、顔面、目、口、舌、髪、声、首、肢、腕、手、脚、足、筋肉、可動部分）、表面表現（例えば、形状、質感、材料、色、電磁気（ＥＭ）特性、視覚パターン、湿度、反射率、半透明度、柔軟性）、材料特性（例えば、生きている組織、毛、織物、金属、木、皮革、プラスチック、金属、人工材料、固体、液体、ガス、温度）、動き、活動、ふるまい、表現の変化、及び／又は 何らかの組み合わせ、を含むことができる。
【0146】
無線信号は、送信／受信信号、ＥＭ放射、ＲＦ信号／送信、認可された／無免許／ＩＳＭ帯域内の信号、帯域制限信号、ベースバンド信号、無線／移動／セルラ通信信号、無線／移動／セルラネットワーク信号、メッシュ信号、光信号／通信、ダウンリンク／アップリンク信号、ユニキャスト／マルチキャスト／ブロードキャスト信号、標準（例えばＷＬＡＮ、ＷＷＡＮ、ＷＰＡＮ、ＷＢＡＮ、国際、国内、業界、デファクト、ＩＥＥＥ、ＩＥＥＥ ８０２、８０２．１１／１５／１６、ＷｉＦｉ、８０２．１１ｎ／ａｃ／ａｘ／ｂｅ、３Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ／８Ｇ、３ＧＰＰ、ｂｌｕｅ ｔｏｏｔｈ、ＢＬＥ、Ｚｉｇｂｅｅ、ＲＦＩＤ、ＵＷＢ、ＷｉＭａｘ）準拠シグナル、プロトコル信号、標準フレーム、ビーコン／パイロット／探索／問い合わせ／確認／ハンドシェイク／同期シグナル、管理／制御／データ信号、標準化された無線／セルラ通信プロトコル、基準シグナル、ソースシグナル、モーションプローブ／検出／ センシングシグナル、及び／または一連のシグナル、を含むことができる。無線信号は、見通し線（ＬＯＳ）、及び／または非ＬＯＳ構成要素（または経路／リンク）を含み得る。各ＣＩは、タイプ２デバイスのレイヤ（例えば、ＯＳＩモデルのＰＨＹ／ＭＡＣレイヤ）において抽出／生成／計算／検出され、アプリケーション（例えば、ソフトウェア、ファームウェア、ドライバ、アプリ、無線監視ソフトウェア／システム）によって得られ得る。
【0147】
無線マルチパスチャネルは、以下を含むことができる：通信チャネル、アナログ周波数チャネル（例えば、７００／８００／９００ＭＨｚ、１．８／１．８／２．４／３／５／６／２７／６０ＧＨｚ付近のアナログ搬送周波数、）、符号化チャネル（例えば、ＣＤＭＡ）、及び／または無線ネットワーク／システムのチャネル（例えば、ＷＬＡＮ、ＷｉＦｉ、メッシュ、ＬＴＥ、４Ｇ／５Ｇ、Ｂｌｕｅｔｏｏｔｈ、Ｚｉｇｂｅｅ、ＵＷＢ、ＲＦＩＤ、マイクロ波）。それは、２つ以上のチャネルを含み得る。チャネルは連続（隣接／重なり帯域など）または非連続チャネル（重なりのないＷｉＦｉ チャネル、１つは２．４ＧＨｚ で、１つは５ＧＨｚ）である可能性がある。
【0148】
ＴＳＣＩは、タイプ２デバイスのレイヤ（例えば、ＯＳＩ参照モデルのレイヤ、物理レイヤ、データリンクレイヤ、論理リンク制御レイヤ、メディアアクセス制御（ＭＡＣ）レイヤ、ネットワークレイヤ、トランスポートレイヤ、セッションレイヤ、プレゼンテーションレイヤ、アプリケーションレイヤ、ＴＣＰ／ＩＰレイヤ、インターネットレイヤ、リンクレイヤ）において、無線信号から抽出することができる。ＴＳＣＩは、無線信号（例えば、ＲＦ信号）から導出された導出信号（例えば、ベースバンド信号、動き検出信号、動きセンシング信号）から抽出されてもよい。それは、既存のメカニズム（例えば、無線／セルラ通信標準／ネットワーク、３Ｇ／ＬＴＥ／４Ｇ／５Ｇ／６Ｇ／７Ｇ／８Ｇ、ＷｉＦｉ、ＩＥＥＥ ８０２．１１／１５／１６）を使用する、通信プロトコル（例えば、標準化されたプロトコル）によって検出される（無線）測定であり得る。導出された信号は、プリアンブル、ヘッダ及びペイロード（例えば、無線リンク／ネットワークにおけるデータ／制御／管理のための）のうちの少なくとも１つを有するパケットを含み得る。ＴＳＣＩは、パケット中のプローブシグナル（例えば、トレーニングシーケンス、ＳＴＦ、ＬＴＦ、Ｌ−ＳＴＦ、Ｌ−ＬＴＦ、Ｌ−ＳＩＧ、ＨＥ−ＳＴＦ、ＨＥ−ＬＴＦ、ＨＥ−ＳＩＧ−Ａ、ＨＥ−ＳＩＧ−Ｂ、ＣＥＦ）から抽出され得る。動き検出／センシング信号は、プローブ信号に基づいて認識／識別されてもよい。パケットは、標準準拠プロトコルフレーム、管理フレーム、コントロールフレーム、データフレーム、サウンディングフレーム、エキサイテーションフレーム、イルミネーションフレーム、ヌルデータフレーム、ビーコンフレーム、パイロットフレーム、プローブフレーム、要求フレーム、応答フレーム、関連付けフレーム、再関連付けフレーム、離脱フレーム、認証フレーム、アクションフレーム、レポートフレーム、ポールフレーム、アナウンスフレーム、拡張フレーム、問い合わせフレーム、確認応答フレーム、ＲＴＳフレーム、ＣＴＳフレーム、ＱｏＳフレーム、ＣＦ−Ｐｏｌｌフレーム、ＣＦ−Ａｃｋフレーム、ブロック確認応答フレーム、参照フレーム、トレーニングフレーム、及び／または同期フレームであり得る。
【0149】
パケットは、制御データ及び／または動き検出プローブを含み得る。ペイロードからデータ（例えば、タイプ１デバイスのＩＤ／パラメータ／特性／設定／制御信号／命令／指示／通知／放送関連情報）を取得することができる。無線信号は、タイプ１デバイスによって送信され得る。それは、タイプ２デバイスによって受け取られ得る。データベース（例えば、ローカル・サーバ、ハブ・デバイス、クラウド・サーバ、ストレージ・ネットワークにおける）は、ＴＳＣＩ、特性、ＳＴＩ、署名、パターン、挙動、傾向、パラメータ、分析、出力応答、識別情報、ユーザ情報、デバイス情報、チャネル情報、場所（例えば、地図、環境モデル、ネットワーク、近接デバイス／ネットワーク）情報、タスク情報、クラス／カテゴリ情報、プレゼンテーション（例えば、ＵＩ）情報、及び／または他の情報を記憶するために使用され得る。
【0150】
タイプ１／タイプ２デバイスは、エレクトロニクス、回路、送信機（ＴＸ）／受信機（ＲＸ）／トランシーバ、ＲＦインターフェース、「オリジンサテライト」／「トラッカーボット」、ユニキャスト／マルチキャスト／ブロードキャストデバイス、無線電源デバイス、電源／デスティネーションデバイス、無線ノード、ハブデバイス、対象デバイス、動き検出デバイス、センサデバイス、遠隔／無線センサデバイス、無線通信デバイス、無線対応デバイス、標準準拠デバイス、及び／または受信機のうちの少なくとも１つを含み得る。タイプ１（またはタイプ２）装置は、タイプ１（またはタイプ２）装置の複数の例が存在する場合、異なる回路、エンクロージャ、構造、目的、補助機能性、チップ／ＩＣ、プロセッサ、メモリ、ソフトウェア、ファームウェア、ネットワーク接続性、アンテナ、ブランド、モデル、外観、形態、形状、色、材料、及び／または仕様を有し得るため、異種であり得る。タイプ１／タイプ２デバイスは、アクセスポイント、ルータ、メッシュルータ、物のインターネット（ＩｏＴ）デバイス、無線端末、１つ以上の無線／ＲＦサブシステム／無線インターフェース（例えば、２．４ＧＨｚ無線、５ＧＨｚ無線、フロントホール無線、バックホール無線）、モデム、ＲＦフロントエンド、ＲＦ／無線チップまたは集積回路（ＩＣ）を含み得る。
【0151】
タイプ１デバイス、タイプ２デバイス、それらの間のリンク、オブジェクト、特性、ＳＴＩ、動きの監視、及びタスクのうちの少なくとも１つは、ＵＵＩＤなどの識別（ＩＤ）に関連付けられ得る。タイプ１／タイプ２／別のデバイスは、ＴＳＣＩを取得／保存／検索／アクセス／前処理／条件／プロセス／分析／監視／適用することができる。タイプ１及びタイプ２デバイスは、無線信号と並列に他のチャネル（例えば、イーサネット、ＨＤＭＩ（登録商標）、ＵＳＢ、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、ＷｉＦｉ、ＬＴＥ、他のネットワーク、無線マルチパスチャネル）でネットワークトラフィックを通信することができる。 タイプ２デバイスは、タイプ１デバイスとの接続（例えば、関連付け／認証）を確立することなく、またはタイプ１デバイスからサービスを要求することなく、無線マルチパスチャネルにおいてタイプ１デバイスからの無線信号を受動的に観察／監視／受信し得る。
【0152】
送信機（すなわち、タイプ１デバイス）は、受信機（すなわち、タイプ２デバイス）として、一時的に、散発的に、連続的に、反復的に、交換可能に、交互に、同時に、並列に、及び／または同時に、機能する（その役割を果たす）ことができ、逆もまた同様である。装置は、一時的に、散発的に、連続的に、繰り返して、同時に、並列に及び／または同時的に、タイプ１デバイス（送信機）及び／またはタイプ２デバイス（受信機）として機能し得る。それぞれがタイプ１（ＴＸ）及び／またはタイプ２（ＲＸ）装置である複数の無線ノードが存在する場合がある。ＴＳＣＩは、無線信号を交換／通信するとき、２つのノードごとに取得され得る。オブジェクトの特性及び／またはＳＴＩは、ＴＳＣＩに基づいて個別に、または２つ以上（例えば、すべて）のＴＳＣＩに基づいて共同で監視され得る。オブジェクトの動きは、能動的に（そのタイプ１デバイス、タイプ２デバイス、またはその両方は、オブジェクトの着用可能／関連付けられる点で）及び／または受動的に（タイプ１デバイス及びタイプ２デバイスの両方はオブジェクトの着用可能ではない／関連付けられないという点で）監視され得る。それは、オブジェクトがタイプ１デバイス及び／またはタイプ２デバイスに関連付けられていない可能性があるため、受動的であり得る。オブジェクト（例えば、ユーザ、自動誘導車両またはＡＧＶ）は、いかなる装着物／固定具も持ち運ぶ／設置する必要はないかもしれない（すなわち、タイプ１デバイス及びタイプ２デバイスは、オブジェクトがタスクを実行するために持ち運ぶ必要がある装着可能／取り付けられた装置ではない）。これは、オブジェクトがタイプ１デバイスまたはタイプ２デバイスのいずれかに関連付けられている可能性があるため、アクティブになっている可能性がある。オブジェクトは、装着可能／取付け具（例えば、タイプ１デバイス、タイプ２デバイス、タイプ１デバイスまたはタイプ２デバイスのいずれかと通信可能に結合された装置）を運ぶ（または設置する）ことができる。
【0153】
プレゼンテーションは、ビジュアル、オーディオ、画像、ビデオ、アニメーション、グラフィックプレゼンテーション、テキストなどである。タスクの計算は、タイプ１デバイスのプロセッサ（または論理ユニット）、タイプ１デバイスのＩＣのプロセッサ（または論理ユニット）、タイプ２デバイスのプロセッサ（または論理ユニット）、タイプ２デバイスのＩＣのプロセッサ、ローカルサーバ、クラウドサーバ、データ解析サブシステム、信号解析サブシステム、及び／または別のプロセッサによって実行することができる。この作業は、無線フィンガードプリントまたはベースライン（例えば、収集、処理、処理、送信、及び／またはトレーニングフェーズ／前回の調査／最新の調査／初期の無線調査、受動指摘書）、トレーニング、プロフィール、トレーニングされたプロフィール、静態的プロフィール、静態的プロフィール、調査、初期無線調査、初期設定、設置、再トレーニング、更新及びリセット）を用いて／しないで実施することができる。
【0154】
タイプ１デバイス（ＴＸ装置）は、少なくとも１つの異種無線送信機を備えることができる。タイプ２デバイス（ＲＸデバイス）は、少なくとも１つの異種無線受信機を含み得る。タイプ１デバイス及びタイプ２デバイスは、コロケーションされ得る。タイプ１デバイスとタイプ２デバイスは同じ装置であってもよい。 任意の装置は、データ処理ユニット／装置、計算ユニット／システム、ネットワークユニット／システム、プロセッサ（例えば、論理ユニット）、プロセッサと通信可能に結合されたメモリ、及びプロセッサによって実行されるべきメモリに記憶された命令のセットを有し得る。一部のプロセッサ、メモリ、及び一連の指示は、協調することができる。同じタイプ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（例えば、通信する、交換信号／制御／通知／他のデータ）複数のタイプ１デバイスが存在してもよく、及び／または同じタイプ１デバイスと相互作用する複数のタイプ２デバイスが存在してもよい。複数のタイプ１デバイス／タイプ２デバイスは、同期及び／または非同期、同じ／異なるウィンドウ幅／サイズ及び／または時間シフト、同じ／異なる同期開始時間、同期終了時間などであり得る。複数のタイプ１デバイスによって送信される無線信号は、散発的、一時的、連続的、反復的、同期的、同時的、同時的、及び／または同時的であってもよい。複数のタイプ１デバイス／タイプ２デバイスは、独立して、及び／または協働して動作し得る。タイプ１及び／またはタイプ２のデバイスは、異種ハードウェア回路（例えば、無線信号を生成／受信し、受信信号からＣＩを抽出し、またはＣＩを利用可能にすることができる異種チップまたは異種ＩＣ）を有する／備えることができる。それらは、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、ハブ装置）に通信可能に結合され得る。
【0155】
１つの装置の動作は、動作、状態、内部状態、記憶装置、プロセッサ、メモリ出力、物理的位置、計算リソース、別の装置のネットワークに基づくことができる。相違装置は、直接的に、及び／または別の装置／サーバ／ハブ装置／クラウドサーバを介して通信し得る。装置は、１ 人以上のユーザに関連付けられ、関連付けられた設定を持つことができる。設定は、一度選択され、事前にプログラムされ、及び／または経時的に変更され得る（例えば、調整され、変化され、修正され）／変化され得る。方法には、さらなるステップが存在し得る。方法のステップ及び／または追加のステップは、示された順序で、または別の順序で実行され得る。任意のステップは、並行して、反復して、または他の方法で反復して、または別の方法で実行され得る。ユーザは、ヒト、成人、高齢成人、男性、女性、幼児、子供、乳児、ペット、動物、生物、機械、コンピュータモジュール／ソフトウェアなどであり得る。
【0156】
１つまたは複数のタイプ２デバイスと相互作用する１つまたは複数のタイプ１デバイスの場合、任意の処理（例えば、時間領域、周波数領域）は、異なるデバイスについて異なることができる。処理は、位置、向き、方向、役割、ユーザ関連特性、設定、構成、利用可能なリソース、利用可能な帯域幅、ネットワーク接続、ハードウェア、ソフトウェア、プロセッサ、コプロセッサ、メモリ、バッテリ寿命、利用可能な電力、アンテナ、アンテナの種類、アンテナの指向性／一方向特性、電力設定、及び／または装置の他のパラメータ／特性に基づくことができる。
【0157】
無線受信機（例えば、タイプ２デバイス）は、無線送信機（例えば、タイプ１デバイス）から信号及び／または別の信号を受信し得る。無線受信機は、別の無線送信機（例えば、第２のタイプ１デバイス）から別の信号を受信することができる。無線送信機は、信号及び／または別の信号を別の無線受信機（例えば、第２のタイプ２のデバイス）に送信することができる。無線送信機、無線受信機、別の無線受信機及び／または別の無線送信機は、オブジェクト及び／または別のオブジェクトと共に移動してもよい。別のオブジェクトを追跡することができる。
【0158】
タイプ1及び／またはタイプ2デバイスは、少なくとも2つのタイプ2及び／またはタイプ1デバイスと無線結合することが可能であり得る。タイプ１デバイスは、場所の別の位置で、タイプ２デバイスから第2のタイプ２デバイスへの無線結合（例えば、関連付け、認証）を切り替える／確立するように引き起こされ得る／制御され得る。同様に、タイプ２デバイスは、場所のさらに別の場所で、タイプ１デバイスから第2のタイプ１デバイスへの無線結合を切り替える／確立するように、引き起こされ／制御され得る。スイッチングは、サーバ（またはハブ装置）、プロセッサ、タイプ１デバイス、タイプ２デバイス、及び／または別の装置によって制御できる。切り替え前後に使用する無線機は異なっていてもよい。第２の無線信号（第２の信号）は、チャネルを通して、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）に送信され得る。第２の信号から抽出されたチャネルの第２のＴＳＣＩが得られ得る。第２の信号は、第１の信号であってもよい。オブジェクトの特性、ＳＴＩ及び／または別の量は、第２のTSCIに基づいて監視され得る。タイプ１デバイスとタイプ２デバイスは同じであってもよい。異なるタイムスタンプを有する特性、STI及び／または別の量は、波形を形成し得る。波形は、プレゼンテーションで表示することができる。
【0159】
無線信号及び／または別の信号は、データが埋め込まれていてもよい。無線信号は、一連のプローブ信号（例えば、プローブ信号の繰り返し送信、１つまたは複数のプローブ信号の再使用）であってもよい。プローブ信号は、時間の経過とともに変化／変化しうる。プローブ信号は、規格準拠信号、プロトコル信号、標準化無線プロトコル信号、制御信号、データ信号、無線通信ネットワーク信号、セルラーネットワーク信号、ＷｉＦｉ信号、ＬＴＥ／５Ｇ／６Ｇ／７Ｇ信号、基準信号、ビーコン信号、動き検出信号、及び／または動きセンシング信号であってもよい。プローブ信号は、無線ネットワーク標準（例えば、ＷｉＦｉ）、セルラーネットワーク標準（例えば、ＬＴＥ／５Ｇ／６Ｇ）、または別の標準に従ってフォーマットされ得る。プローブ信号は、ヘッダ及びペイロードを有するパケットを含み得る。プローブ信号は、データが埋め込まれていてもよい。ペイロードは、データを含むことができる。プローブ信号は、データ信号に置き換えられてもよい。プローブ信号は、データ信号に埋め込まれてもよい。無線受信機、無線送信機、別の無線受信機及び／または別の無線送信機は、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、及び／または実行されたときにプロセッサに、オブジェクトのＳＴＩ（例えば、動き情報）、初期ＳＴＩ、初期時間、方向、瞬間位置、瞬間角度、及び／または速度を決定するために必要な任意のステップ及び／またはすべてのステップを実行させる、メモリに記憶されたそれぞれの命令セットに関連付けられてもよい。プロセッサ、メモリ及び／または命令のセットは、タイプ１デバイス、少なくとも１つのタイプ２デバイス、オブジェクト、オブジェクトに関連付けられた装置、場所に関連付けられた別の装置、クラウドサーバ、ハブ装置、及び／または別のサーバに関連付けられ得る。
【0160】
タイプ１デバイスは、場所のチャネルを通して少なくとも１つのタイプ２デバイス（単数または複数）に放送方式で信号を送信することができる。信号は、任意のタイプ２デバイスとの無線接続（例えば、関連付け、認証）を確立するタイプ１デバイスなしで、及びタイプ１デバイスからのサービスを要求するタイプ２デバイスなしで送信される。タイプ１デバイスは、複数のタイプ２デバイスに共通の特定のメディアアクセスコントロール（ＭＡＣ）アドレスに送信できる。各タイプ２ デバイスは、そのＭＡＣアドレスを特定のＭＡＣ アドレスに調整できる。特定のＭＡＣアドレスは、場所に関連付けられ得る。関連付けは、関連付けサーバ（例えば、ハブデバイス）の対応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、及び／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デバイス及び／または別の装置によって識別され得る。例えば、タイプ２デバイスは、場所の新しい位置に（例えば、別の場所から）移動され得る。タイプ１デバイスは、タイプ１及びタイプ２デバイスが互いに認識しないように、場所に新たに設定され得る。セットアップ中、タイプ１デバイスは、一連のプローブ信号を特定のＭＡＣアドレスに送るように、指示され／ガイドされ／引き起こされ／制御され得る（例えば、ダミー受信機を使用すること、ハードウェアピン設定／接続を使用すること、保存された設定を使用すること、ローカル設定を使用すること、リモート設定を使用すること、ダウンロードされた設定を使用すること、ハブ装置を使用すること、またはサーバを使用すること）。電源を投入すると、タイプ２デバイスは、異なる場所（例えば、ハウス、オフィス、エンクロージャ、フロア、多層ビル、店舗、空港、モール、スタジアム、ホール、ステーション、地下鉄、ロット、地域、領域、区域、地方、都市、国、大陸などの異なる場所に使用される異なるＭＡＣアドレス）でブロードキャストするために使用され得るＭＡＣアドレスのテーブル（例えば、指定されたソース、サーバ、ハブデバイス、クラウドサーバに記憶された）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アドレスに送られたプローブ信号を検出すると、タイプ２デバイスは、ＭＡＣアドレスに基づいて場所を識別するために、テーブルを使用することができる。場所のタイプ２デバイスの位置は、特定のＭＡＣアドレス、一連のプローブ信号、及び／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る少なくとも１つのＴＳＣＩに基づいて計算され得る。計算は、タイプ２デバイスによって実行されてもよい。特定のＭＡＣアドレスは、経時的に変更（例えば、調整、変更、修正）され得る。それは、予定表、ルール、方針、モード、条件、状況及び／または変化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、予め選択されたリスト、衝突パターン、トラフィックパターン、タイプ１デバイスと他の装置との間のデータトラフィック、有効な帯域幅、ランダム選択、及び／またはＭＡＣアドレススイッチングプランに基づいて選択することができる。特定のＭＡＣアドレスは、第２の無線デバイス（例えば、ダミー受信機、またはダミー受信機として機能する受信機）のＭＡＣアドレスであり得る。
【0161】
タイプ１デバイスは、一組のチャネルから選択されたチャネルにおいて、プローブ信号を送信してもよい。選択されたチャネルの少なくとも1つのCIは、選択されたチャネルにおいて送信されるプローブ信号から、それぞれのタイプ２デバイスによって取得され得る。選択されたチャネルは、経時的に変更（例えば、調整、変更、修正）され得る。変更は、予定表、ルール、方針、モード、条件、状況、及び／または変化に従うことができる。選択されたチャネルは、チャネルの利用可能性、ランダム選択、予め選択されたリスト、同一チャネル間干渉、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、チャネルに関連する有効帯域幅、セキュリティ基準、チャネルスイッチングプラン、基準、品質基準、信号品質条件、及び／または考慮に基づいて選択され得る。
【0162】
特定のＭＡＣアドレス及び／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（例えば、ハブ装置）との間で通信することができる。特定のＭＡＣアドレス及び／または選択されたチャネルの情報は、別のネットワークを介してタイプ２デバイスとサーバ（例えば、ハブ装置）との間で通信することもできる。タイプ２デバイスは、特定のＭＡＣアドレス及び／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（例えば、メッシュネットワーク、Ｂｌｕｅｔｏｏｔｈ、ＷｉＦｉ、ＮＦＣ、ＺｉｇＢｅｅなどを介して）に通信することができる。特定のＭＡＣアドレス及び／または選択されたチャネルは、サーバ（例えば、ハブ装置）によって選択され得る。特定のＭＡＣアドレス及び／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デバイス及び／またはサーバ（例えば、ハブ装置）によってアナウンスメントチャネル内でシグナリングされ得る。通信される前に、任意の情報が前処理され得る。
【0163】
タイプ１デバイスと別の無線装置との間の無線接続（例えば、関連付け、認証）は、（例えば、シグナル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）を別の装置に送ることができる。別のデバイスは、第２のハンドシェイク信号（例えば、コマンド、または送信可ＣＴＳ）をタイプ１デバイスに送信することによって応答することができ、いずれのタイプ２デバイスとの接続を確立することなく、複数のタイプ２デバイスにブロードキャスト方式で信号（例えば、一連のプローブ信号）を送信するようにタイプ１デバイスをトリガする。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確認応答（例えば、ＡＣＫ）であり得る。第２のハンドシェイク信号は、場所、及び／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。別の装置は、タイプ１デバイスとの無線接続を確立し、第１の信号を受信し、及び／または第２の信号を送るための目的（例えば、一次目的、二次目的）を有するダミー装置であり得る。別の装置は、タイプ１デバイスに物理的に取り付けられてもよい。
【0164】
別の例では、別の装置は、いずれのタイプ２デバイスとの接続（例えば、関連付け、認証）を確立することなく、信号（例えば、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することをタイプ１デバイスにトリガする第３のハンドシェイク信号をタイプ１デバイスに送ることができる。タイプ１デバイスは、第４のハンドシェイク信号を他の装置に送信することにより第３の特別信号に応答することができる。別の装置は、複数のタイプ１デバイスがブロードキャストすることをトリガするために使用され得る。トリガは、連続的、部分的に連続的、部分的に並列、または完全に並列であってもよい。別の装置は、複数の送信機を並列にトリガするために、複数の無線回路を有してもよい。並列トリガはまた、少なくとも１つのさらに別の装置を使用して、別の装置と並行して（別の装置が行うのと同様の）トリガを実行することによって達成され得る。別の装置は、タイプ１デバイスとの接続を確立した後、タイプ１デバイスと通信（または通信を一時停止）できない。一時停止した通信が再開される場合がある。別の装置は、タイプ１デバイスとの接続を確立した後、非アクティブモード、休眠モード、スリープモード、スタンバイモード、低電力モード、ＯＦＦモード及び／またはパワーダウンモードに入ることができる。別の装置は、タイプ１デバイスが信号を特定のＭＡＣアドレスに送信するように、特定のＭＡＣアドレスを有してもよい。タイプ１デバイス及び／または別の装置は、タイプ１デバイスに関連付けられた第１のプロセッサ、別の装置に関連付けられた第２のプロセッサ、指定されたソースに関連付けられた第３のプロセッサ、及び／または別の装置に関連付けられた第４のプロセッサによって制御及び／または調整されてもよい。第１及び第２のプロセッサは、互いに調整することができる。
【0165】
第１の一連のプローブ信号は、第１の場所の第１のチャネルを通して、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デバイスに送信されてもよい。第２の一連のプローブ信号は、第２の場所の第２のチャネルを通して、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デバイスに送信されてもよい。第１の一連のプローブ信号及び第２の一連のプローブ信号は、異なっていてもよい／異なっていなくてもよい。少なくとも１つの第１のタイプ２デバイスは、少なくとも１つの第２のタイプ２デバイスと異なっていてもよい／異なっていなくてもよい。第１及び／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デバイスとの間で確立された接続（例えば、関連付け、認証）なしにブロードキャストされ得る。第１及び第２のアンテナは、同じ／異なるものであってもよい。２つの場所は、異なるサイズ、形状、マルチパス特性を有することができる。第１及び第２の場所は、重複してもよい。第１及び第２のアンテナの近傍のそれぞれの直近の領域は、重複することができる。第１及び第２のチャネルは、同じ／異なることができる。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、両方ともＷｉＦｉであってもよいが、最初のものは２．４ＧＨｚのＷｉＦｉであってもよく、２番目は５ＧＨｚのＷｉＦｉであってもよい。または、両方とも２．４ＧＨｚ ＷｉＦｉであってもよいが、異なるチャネル番号、ＳＳＩＤ名、及び／またはＷｉＦｉ設定を有する。
【0166】
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を取得することができ、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である。いくつかの第１のタイプ２デバイス（単数または複数）及びいくつかの第２のタイプ２デバイス（単数または複数）は、同じであり得る。第１及び第２の一連のプローブ信号は、同期／非同期であってもよい。プローブ信号は、データと送信されてもよく、またはデータ信号で置き換えられてもよい。第１のアンテナと第２のアンテナは同じであってもよい。第１の一連のプローブ信号は、第１の速度（例えば、３０Ｈｚ）で送信されてもよい。第２の一連のプローブ信号は、第２の速度（例えば、２００Ｈｚ）で送信されてもよい。第１及び第２の速度は、同じ／異なることができる。第１及び／または第２の速度は、経時的に変更（例えば、調整、変化、修正）され得る。変更は、予定表、ルール、方針、モード、条件、状況、及び／または変化に従うことができる。任意の速度は、経時的に変更（例えば、調整、変更、修正）され得る。第１及び／または第２の一連のプローブ信号は、それぞれ、第１のＭＡＣアドレス及び／または第２のＭＡＣアドレスに送信され得る。２つのＭＡＣ アドレスは同じ／異なる場合がある。第１の一連のプローブ信号は、第１のチャネル内で送信されてもよい。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てもよい。２つのチャネルは、同じ／異なることができる。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化し得る。任意の変更は、予定表、ルール、方針、モード、状態、状況、及び／または変化に従うことができる。
【0167】
タイプ１の装置及び別の装置は、制御及び／または調整され、共通の装置に物理的に取り付けられ、または共通の装置のもの／共通の装置の中であり得る。それらは、共通のデータプロセッサークにより制御され／へ接続され、又は、共通のバスインターコネクト／ネットワーク／ＬＡＮ／Ｂｌｕｅｔｏｏｔｈネットワーク／ ＮＦＣネットワーク／ ＢＬＥ／有線ネットワーク／無線ネットワーク／メッシュネットワーク／モバイルネットワーク／クラウドに接続されてもよい。それらは、共通メモリを共有することができ、あるいは、共通ユーザ、ユーザ装置、プロファイル、アカウント、アイデンティティ（ＩＤ）、識別子、家庭、住宅、物理アドレス、位置、地理座標、ＩＰサブネット、ＳＳＩＤ、家庭装置、オフィス装置、及び／または製造装置と関連付けることができる。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、それは、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る）。各タイプ２デバイスは、その信号源として全てのタイプ１デバイスの中からタイプ１デバイスを選択する。各タイプ２デバイスは非同期に選択できる。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、それぞれのタイプ２デバイスによって取得され得、ＣＩは、タイプ２デバイスとタイプ１デバイスとの間のチャネルである。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、アイデンティティ（ＩＤ）またはタイプ１／タイプ２デバイスの識別子、実行されるべきタスク、過去の信号源、履歴（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受信機、及び／または別のタイプ２受信機の）、信号源を切り替えるための閾値、及び／またはユーザの情報、アカウント、アクセス情報、パラメータ、特性、及び／または信号強度（例えば、タイプ１デバイス及び／またはそれぞれのタイプ２受信機に関連する）に基づいて、タイプ１デバイスをその信号源として選択する。最初に、初回で、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（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）を送る）の信号源であり得る。各初期のそれぞれのタイプ２デバイスは、その信号源として、すべてのタイプ１デバイスの中からタイプ１デバイスを選択する。
【0168】
特定のタイプ２デバイスの信号源（タイプ１デバイス）は、次の場合に変更（例えば、調整、変更、修正）され得る、（１）タイプ２デバイスの現在の信号源から受信される２つの隣接するプローブ信号（例えば、現在のプローブ信号とすぐ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）の間の時間間隔は、第１の閾値を超える、（２）タイプ２デバイスの現在の信号源に関連する信号強度は、第２の閾値未満である、（３） タイプ２デバイスの現在の信号源に関連する処理済み信号強度が第３の閾値未満であり、信号強度は、ローパスフィルタ、バンドパスフィルタ、メジアンフィルタ、移動平均フィルタ、加重平均フィルタ、線形フィルタ及び／または非線形フィルタで処理される、及び／または（４） タイプ２デバイスの現在の信号源に関連する信号強度（または処理された信号強度）は、最近のタイムウィンドウのかなりのパーセンテージ（例えば、７０％、８０％、９０％）に対して、第４の閾値を下回っている。パーセンテージは、第５の閾値を超えることができる。第１、第２、第３、第４及び／または第５の閾値は、時間変化し得る。
【0169】
条件（１）は、タイプ１デバイスとタイプ２デバイスとが徐々に互いに遠くになるときに起こり得、その結果、タイプ１デバイスからのいくつかのプローブ信号が弱すぎて、タイプ２デバイスによって受信されないようになる。条件（２）〜（４）は、信号強度が非常に弱くなるように、２つのデバイスが互いに遠く離れると発生する可能性がある。
【0170】
タイプ２デバイスの信号源は、他のタイプ１デバイスが、現在の信号源のファクタ（例えば、１、１．１、１．２、または１．５）よりも弱い信号強度を有する場合、変わらなくてもよい。信号源が変更された場合（調整、変更、修正など）、新しい信号源は近い将来（例えば、それぞれの次回）に有効になることがある。新しい信号源は、最も強い、信号強度及び／または処理された信号強度、を有するタイプ１デバイスであってもよい。現在の信号源と新しい信号源は同じでも、異なってもよい。
【0171】
使用可能なタイプ１デバイスのリストは、各タイプ２デバイスにより初期化及び保持されうる。リストは、タイプ１デバイスのそれぞれのセットに関連する信号強度及び／または処理された信号強度を調べることによって更新され得る。タイプ２デバイスは、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で、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／特性／状態、タイプ２デバイスによって実行されるべきタスク、第１及び第２の一連の信号強度、及び／または別の考慮事項に基づいて選択することができる。
【0172】
一連のプローブ信号は、一定の速度（例えば、１００Ｈｚ）で送信されてもよい。一連のプローブ信号は、規則的な間隔（例えば、１００Ｈｚに対して０．０１ｓ）でスケジュールされ得るが、各プローブ信号は、おそらく、タイミング要件、タイミング制御、ネットワーク制御、ハンドシェイキング、メッセージパッシング、衝突回避、キャリアセンシング、輻輳、リソースの利用可能性、及び／または別の考慮事項に起因して、小さな時間摂動を経験し得る。レートは、変更され得る（例えば、調整され、変更され、修正され得る）。変更は、予定表（例えば、１時間ごとに変更される）、規則、方針、モード、条件及び／または変化（例えば、あるイベントが発生したときにいつでも変更される）に従うことができる。たとえば、レートは通常１００Ｈｚであるが、要求の厳しい状況では１０００Ｈｚに変更され、低電力／スタンバイ状況では１Ｈｚに変更される。プローブ信号は、バーストで送信されてもよい。
【0173】
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行されるタスクに基づいて変化する場合がある（例えば、タスクは通常１００Ｈｚ、２０秒間について一時的に１０００Ｈｚを必要とする場合がある）。一例では、送信機（タイプ１デバイス）、受信機（タイプ２デバイス）、及び関連するタスクは、クラス（例えば、低優先度、高優先度、緊急、クリティカル、通常、特権、非加入、加入、有料、及び／または非課金であるクラス）に適応的に（及び／または動的に）関連付けられ得る。（トランスミッターの）レートは、いくつかのクラス（例えば、高優先度クラス）のために調整され得る。そのクラスの必要性が変化した場合、レートを変更することができる（例えば、調整、変更、修正）。受信機が臨界的に低い電力を有する場合、レートは、プローブ信号に応答するために受信機の電力消費を低減するために低減されてもよい。１つの例では、プローブ信号を使用して、電力を無線で受信機（タイプ２デバイス）に転送し、レートを調整して、受信機に転送される電力の量を制御してもよい。
【0174】
レートは、以下によって（またはそれに基づいて）変更することができる：サーバ（例えば、ハブデバイス）、タイプ１デバイス及び／またはタイプ２デバイス。制御信号は、それらの間で通信されてもよい。サーバは、タイプ２デバイスの必要性及び／又はタイプ２デバイスによって実行されるタスクを監視、追跡、予測及び／又は予想し、かつレートを変更するためにタイプ１デバイスを制御することができる。サーバは、予定表に従って、レートにスケジュールされた変更を行うことができる。サーバは、緊急事態を検知し、直ちにレートを変更することができる。サーバは、発展状態を検出し、レートを徐々に調整することができる。特性及び／またはＳＴＩ（例えば、動き情報）は、特定のタイプ１デバイス及び特定のタイプ２デバイスに関連するＴＳＣＩに基づいて個別に監視され得るか、及び／または特定のタイプ１デバイス及び任意のタイプ２デバイスに関連する任意のＴＳＣＩに基づいて共同で監視され得るか、及び／または特定のタイプ２デバイス及び任意のタイプ１デバイスに関連する任意のＴＳＣＩに基づいて共同で監視され得るか、及び／または任意のタイプ１デバイス及び任意のタイプ２デバイスに関連する任意のＴＳＣＩに基づいてグローバルに監視され得る。任意の共同モニタリングは、以下に関連し得る：ユーザ、ユーザアカウント、プロファイル、家庭、場所の地図、場所の環境モデル、及び／またはユーザ履歴、など。
【0175】
タイプ１デバイスとタイプ２デバイスとの間の第１のチャネルは、別のタイプ１デバイスと別のタイプ２デバイスとの間の第２のチャネルとは異なりうる。２つのチャネルは、異なる周波数帯域、帯域幅、搬送波周波数、変調、無線規格、コーディング、暗号化、ペイロード特性、ネットワーク、ネットワークＩＤ、ＳＳＩＤ、ネットワーク特性、ネットワーク設定、及び／またはネットワークパラメータなどに関連し得る。２つのチャンネルは、異なる種類の無線システム（例えば次の、ＷｉＦｉ、ＬＴＥ、ＬＴＥ−Ａ、ＬＴＥ−Ｕ、２．５Ｇ、３Ｇ、３．５Ｇ、４Ｇ、ビヨンド４Ｇ、５Ｇ、６Ｇ、７Ｇ、携帯ネットワーク規格、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ（登録商標）、ＴＤ−ＳＣＤＭＡ、８０２．１１システム、８０２．１５システム、８０２．１６システム、メッシュネットワーク、Ｚｉｇｂｅｅ、ＮＦＣ、ＷｉＭａｘ、Ｂｌｕｅｔｏｏｔｈ、ＢＬＥ、ＲＦＩＤ、ＵＷＢ、マイクロ波システム、レーダー類似システム、の内の２つ）に関連することができる。例えば、一方はＷｉＦｉであり、他方はＬＴＥである。２つのチャネルは、同様の種類の無線システムに関連付けられている場合があるが、ネットワークが異なる。例えば、第１のチャネルは、２０ＭＨｚの帯域幅を有する２．４ＧＨｚ帯域で「Ｐｉｚｚａ及びＰｉｚｚａ」と命名されたＷｉＦｉネットワークに関連付けられ得、一方、第２のチャネルは、４０ＭＨｚの帯域幅を有する５ＧＨｚ帯域で「ＳｔａｒＢｕｄホットスポット」のＳＳＩＤを有するＷｉＦｉネットワークに関連付けられ得る。２つのチャネルは、同じネットワーク内で異なるチャネルになる場合がある（「ＳｔａｒＢｕｄ ホットスポット」ネットワークなど）。
【0176】
一実施形態では、無線監視システムは、複数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、場所の複数のイベントの分類器（ｃｌａｓｓｉｆｉｅｒ）をトレーニングすることを含むことができる。イベントに関連するＣＩまたはＴＳＣＩは、そのイベント（及び／または場所、環境、オブジェクト、オブジェクトの動き、状態／感情状態／精神状態／状態／ステージ／ジェスチャ／歩容／アクション／動き／活動／日常活動／履歴／オブジェクトのイベントなど）に関連する無線サンプル／特性／フィンガプリントを考慮／含むことができる。既知のイベントに関連するそれぞれのトレーニング（例えば、調査、無線調査（ｗｉｒｅｌｅｅ ｓｕｒｖｅｙ）、初期無線調査）時間において場所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デバイスのプロセッサ、メモリ、及び命令のセットを使用する第１のタイプ１異種無線装置のアンテナによって、それぞれのトレーニング時間において場所の無線マルチパスチャネルを通して少なくとも１つの第１のタイプ２異種無線装置に送信され得る。
【0177】
トレーニングＣＩの少なくとも１つのそれぞれの時系列（トレーニングＴＳＣＩ）は、（それぞれの）トレーニング信号から、少なくとも１つの第１のタイプ２デバイスのそれぞれによって非同期的に取得され得る。ＣＩは、既知のイベントに関連するトレーニング時間において、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。トレーニングは、無線調査（例えば、タイプ１デバイス及び／またはタイプ２デバイスの設置の間の）であり得る。
【0178】
現在の期間において場所内で起こる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デバイスのプロセッサ、メモリ、及び命令のセットを使用する第２のタイプ１異種無線装置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おいて場所のチャネルを通して少なくとも１つの第２のタイプ２異種無線装置に送信され得る。現在のＣＩの少なくとも１つの時系列（現在のＴＳＣＩ）は、現在の信号（例えば、一連の現在のプローブ信号）から少なくとも１つの第２のタイプ２デバイスの各々によって非同期的に取得され得る。ＣＩは、現在のイベントに関連する現在の期間において、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。
【0179】
分類器（ｃｌａｓｓｉｆｉｅｒ）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１部分を分類するために、及び／または特定の現在のＴＳＣＩの少なくとも１部分と別のＴＳＣＩの別の部分との組み合わせを分類するために、適用され得る。分類器は、ＴＳＣＩ （または特徴／ＳＴＩまたは他の分析または出力応答）をクラスタに分割し、クラスタを特定のイベント／オブジェクト／対象／位置／動き／活動に関連付けることができる。ラベル／タグは、クラスタについて生成され得る。クラスタは、記憶及び検索することができる。分類器は、現在のＴＳＣＩ （または、おそらく現在のイベントに関連する特性／ＳＴＩまたは他の分析／出力応答）を、以下と関連付けるために適用され得る：クラスタ、既知／特定のイベント、クラス／カテゴリ／グループ／グループ化／リスト／クラスタ、既知のイベントのセット／対象／位置／移動／アクティビティ、未知イベント、クラス／カテゴリ／グループ／グループ化／リスト／クラスタ／未知イベントのセット／対象／位置／移動／アクティビティ、及び／または別のイベント／対象／位置／移動／アクティビティ／クラス／カテゴリ／グループ／グループ化／リスト／クラスタ。各ＴＳＣＩは、それぞれがそれぞれのタイムスタンプに関連する少なくとも１つのＣＩを含み得る。２つのタイプ２デバイスに関連する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、サンプリング期間、によって異なる。それらのＣＩは、異なる特徴を有し得る。第１及び第２のタイプ１デバイスは、場所の同じ位置にあってもよい。それらは、同じ装置であってもよい。少なくとも１つの第２のタイプ２デバイス（またはそれらの位置）は、少なくとも１つの第１のタイプ２デバイス（またはそれらの位置）の置換であり得る。特定の第２のタイプ２デバイス及び特定の第１のタイプ２デバイスは、同じ装置であり得る。第１のタイプ２デバイスのサブセットと第２のタイプ２デバイスのサブセットは同じであってもよい。少なくとも１つの第２のタイプ２デバイス及び／または少なくとも１つの第２のタイプ２デバイスのサブセットは、少なくとも１つの第１のタイプ２デバイスのサブセットであり得る。少なくとも１つの第１のタイプ２デバイス及び／または少なくとも１つの第１のタイプ２デバイスのサブセットは、少なくとも１つの第２のタイプ２デバイスのサブセットの置換であり得る。少なくとも１つの第２のタイプ２デバイス及び／または少なくとも１つの第２のタイプ２デバイスのサブセットは、少なくとも１つの第１のタイプ２デバイスのサブセットの置換であり得る。少なくとも１つの第２のタイプ２デバイス及び／または少なくとも１つの第２のタイプ２デバイスのサブセットは、少なくとも１つの第１のタイプ２デバイスのサブセットと同じそれぞれの位置であり得る。少なくとも１つの第１のタイプ２デバイス及び／または少なくとも１つの第１のタイプ２デバイスのサブセットは、少なくとも１つの第２のタイプ２デバイスのサブセットと同じそれぞれの位置であり得る。
【0180】
タイプ１デバイスのアンテナ及び第２のタイプ１デバイスのアンテナは、場所の同じ位置にあってもよい。少なくとも１つの第２のタイプ２デバイスのアンテナ及び／または少なくとも１つの第２のタイプ２デバイスのサブセットのアンテナは、少なくとも１つの第１のタイプ２デバイスのサブセットのそれぞれのアンテナと同じそれぞれの位置であり得る。少なくとも１つの第１のタイプ２デバイスのアンテナ及び／または少なくとも１つの第１のタイプ２デバイスのサブセットのアンテナは、少なくとも１つの第２のタイプ２デバイスのサブセットのそれぞれのアンテナと同じそれぞれの位置であり得る。
【0181】
第１のＴＳＣＩの第１の持続時間の第１のセクションと、第２のＴＳＣＩの第２のセクションの第２の持続時間の第２のセクションとを整列（aligne）させてもよい。第１セクションのアイテムと第２セクションのアイテムとの間のマップを計算することができる。第１のセクションは、第１の開始／終了時間を有する第１のＴＳＣＩの第１のセグメント（例えば、サブセット）、及び／または処理された第１のＴＳＣＩの別のセグメント（例えば、サブセット）を含み得る。処理された第１のＴＳＣＩは、第１の操作によって処理された第１のＴＳＣＩであってもよい。第２のセクションは、第２の開始時間及び第２の終了時間を有する第２のＴＳＣＩの第２のセグメント（例えば、サブセット）、ならびに処理された第２のＴＳＣＩの別のセグメント（例えば、サブセット）を含み得る。処理された第２のＴＳＣＩは、第２の操作によって処理された第２のＴＳＣＩであってもよい。第１の操作及び／または第２の操作は、サブサンプリング、再サンプリング、補間、フィルタリング、変換、特徴抽出、前処理、及び／または別の操作を含み得る。
【0182】
第１のセクションの第１のアイテムは、第２のセクションの第２のアイテムにマッピングされ得る。第１セクションの第１アイテムはまた、第２セクションの別のアイテムにマッピングされ得る。第１セクションの別のアイテムはまた、第２セクションの第２アイテムにマッピングされ得る。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のアイテム、第１のＴＳＣＩの別のアイテム、第１のアイテムのタイムスタンプ、第１のアイテムの時間差、第１のアイテムの時間差、第１のアイテムの隣接タイムスタンプ、第１のアイテムの隣接タイムスタンプ、第１のアイテム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のアイテム、第２のＴＳＣＩの別のアイテム、第２のアイテムのタイムスタンプ、第２のアイテムの時間差、第２のアイテムの時間差、第２のアイテムの隣接タイムスタンプ、及び第２のアイテムに関連す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つの関数は、少なくとも１つの制約を満たすことができる。
【0183】
１つの制約は、第１のアイテムのタイムスタンプと第２のアイテムのタイムスタンプとの間の差が、適応的（及び／または動的に調整された）上側閾値によって上限され得、適応的下側閾値によって下限され得ることであり得る。
【0184】
最初のセクションは、最初のＴＳＣＩ全体であってもよい。第２のセクションは、第２のＴＳＣＩ全体であってもよい。第１の時間持続時間は、第２の時間持続時間に等しくてもよい。ＴＳＣＩの時間持続時間のセクションは、適応的に（及び／または動的に）決定され得る。ＴＳＣＩの仮セクションを計算することができる。セクション（例えば、仮セクション、セクション）の開始時間及び終了時間を決定することができる。セクションは、仮セクションの開始部分及び終了部分を除去することによって決定することができる。仮セクションの開始部分は、以下のように決定することができる。反復的に、タイムスタンプの増加に伴う仮セクションのアイテムは、一度に１つのアイテムである現在のアイテムと見なすことができる。
【0185】
各反復において、少なくとも１つの活動尺度／指標が計算及び／または考慮され得る。少なくとも１つの活動尺度は、現在のタイムスタンプに関連する現在のアイテム、現在のタイムスタンプよりも大きくないタイムスタンプをもつ仮セクションの過去のアイテム、及び／または現在のタイムスタンプよりも小さくないタイムスタンプをもつ仮セクションの将来のアイテムのうちの少なくとも１つに関連することができる。少なくとも１つの活動尺度に関連する少なくとも１つの基準（例えば、品質基準、信号品質条件）が満たされる場合、現在のアイテムは、仮セクションの開始部分に追加されてもよい。
【0186】
活動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：（ａ）活動尺度は適応的な（動的に調整される）上側閾値よりも小さい。（ｂ）活動尺度は適応的な下側閾値よりも大きい。（ｃ）活動尺度は、少なくとも連続したタイムスタンプの所定の量に対して連続して適応的上限閾値よりも小さい、（ｄ）活動尺度は、少なくとも連続したタイムスタンプの別の所定の量に対して連続して適応的下側閾値よりも大きい、（ｅ）活動尺度は、少なくとも連続したタイムスタンプの所定の量の所定のパーセンテージに対して連続して適応的な上側閾値よりも小さい、（ｆ）活動尺度は、少なくとも連続したタイムスタンプの別の所定の量の別の所定のパーセンテージに対して連続して適応的な下側閾値よりも大きい、（ｇ）現在のタイムスタンプに関連した別のタイムスタンプに関連した別の活動尺度は、別の適応的上側閾値よりも小さく、別の適応的下側閾値よりも大きい、（ｈ）現在のタイムスタンプに関連した少なくとも１つのそれぞれのタイムスタンプに関連した少なくとも１つの活動尺度は、それぞれの上側閾値よりも小さく、それぞれの下側閾値よりも大きい。（ｉ）現在のタイムスタンプに関連付けられた一組のタイムスタンプにおける、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、活動尺度に関連付けられたタイムスタンプのパーセンテージが、閾値を超える、及び（ｊ）別の基準（例えば、品質基準、信号品質条件）。
【0187】
時間Ｔ１におけるアイテムに関連する活動尺度／指標は、以下の少なくとも１つを含み得る：（１） 時間Ｔ１でのアイテム及び時間Ｔ１−Ｄ１でのアイテムの第１の関数であって、ここで、Ｄ１は、所定の正の量（例えば、一定時間オフセット）、（２）時間Ｔ１でのアイテム及び時間Ｔ１＋Ｄ１でのアイテムの第２の関数、（３）時間Ｔ１でのアイテム及び時間Ｔ２でのアイテムの第３の関数であり、ここで、Ｔ２は、所定の量（例えば、固定された初期基準時間； Ｔ２は、時間とともに変更（例えば、調整、変化、修正）され得る； Ｔ２は、周期的に更新され得る；Ｔ２は、期間の開始であり得、Ｔ１は、期間におけるスライディングタイムであり得る）、ならびに（４）時間Ｔ１でのアイテム及び他のアイテムの第４の関数。
【0188】
第１の関数、第２の関数、第３の関数、及び／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及びＹを持つ関数（例えば、Ｆ（Ｘ、Ｙ、．．．））であり得る。 ２つの引数は、スカラーであってもよい。関数（例えば、Ｆ）は、Ｘ、Ｙ、（Ｘ−Ｙ）、（Ｙ−Ｘ）、ａｂｓ（Ｘ−Ｙ）、Ｘ＾ａ、Ｙ＾ｂ、ａｂｓ（Ｘ＾ａ−Ｙ＾ｂ）、（Ｘ−Ｙ）＾ａ、（Ｘ／Ｙ）、（Ｘ＋ａ）／ （Ｙ＋ｂ）、（Ｘ＾ａ／Ｙ＾ｂ）、及び（（Ｘ／Ｙ）＾ａ−ｂ）のうちの少なくとも１つの関数であり得、ここでａ及びｂは、ある所定量であり得る。例えば、この関数は、単にａｂｓ（Ｘ−Ｙ）、または（Ｘ−Ｙ）＾２、（Ｘ−Ｙ）＾４とすることができる。この関数は、頑強な関数であってもよい。例えば、関数は、ａｂｓ（Ｘ−Ｙ）が閾値Ｔよりも小さい場合には（Ｘ−Ｙ）＾２であり、ａｂｓ（Ｘ−Ｙ）がＴよりも大きい場合には（Ｘ−Ｙ）＋ａである。あるいは、ａｂｓ（Ｘ−Ｙ）がＴより大きい場合、関数は定数であってもよい。また、ａｂｓ（Ｘ−ｙ）がＴより大きい場合、関数はゆっくりと増加する関数によって制限され得、その結果、外れ値は、結果に重大な影響を及ぼすことができない。この関数の別の例は、（ａｂｓ（Ｘ／Ｙ）−ａ）（式中、ａ＝１）であり得る。このようにして、Ｘ＝Ｙ （すなわち、変更または活動なし）の場合、関数は０の値を与える。ＸがＹより大きい場合、（Ｘ／Ｙ）は１より大きくなり（ＸとＹが正であると仮定）、関数はポジティブとなる。ＸがＹより小さい場合、（Ｘ／Ｙ）は１より小さくなり、関数はネガティブになる。別の例では、引数ＸとＹの両方が、Ｘ＝（ｘ＿１、ｘ＿２、．．．、ｘ＿ｎ）とＹ＝（ｙ＿１、ｙ＿２、．．．、ｙ＿ｎ）となるｎ−タプル（ｎ−ｔｕｐｌｅｓ）であってもよい。この関数は、ｘ＿ｉ，ｙ＿ｉ，（ｘ＿ｉ−ｙ＿ｉ），（ｙ＿ｉｘ＿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），及び（（ｘ＿ｉ／ｙ＿ｉ）＾ａ−ｂ）のうち少なくとも１つの関数であってもよく、ここで、ｉは、ｎ−タプルＸ及びＹの成分指数であり、１＜＝ｉ＜＝ｎである。例えば、ｘ＿１ の成分インデックスはｉ＝１で、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＿ｉｘ＿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），及び（（ｘ＿ｉ／ｙ＿ｉ）＾ａ−ｂ）のうちの少なくとも１つのコンポーネントごとの別の関数の合計を含むことができ、ｉは、ｎタプルＸ及びＹのコンポーネントインデックスである。例えば、この関数は、ｓｕｍ＿｛ｉ＝１｝＾ｎ（ａｂｓ（ｘ＿ｉ／ｙ＿ｉ）−１）／ｎ，又はｓｕｍ＿｛ｉ＝１｝＾ｎｗ＿ｉ＊（ａｂｓ（ｘ＿ｉ／ｙ＿ｉ）−１） の形式である可能性がある。ここで、ｗ＿ｉはコンポーネントｉの重みである。
【0189】
マップは、動的タイムワーピング（dynamic time warping:ＤＴＷ）を使用して計算され得る。ＤＴＷは、マップ、第１のＴＳＣＩのアイテム、第２のＴＳＣＩのアイテム、第１の持続時間、第２の持続時間、第１のセクション、及び／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。マップで、ｉ＾｛ｔｈ｝ ドメインアイテムがｊ＾｛ｔｈ｝ 範囲アイテムにマップされているとする。制約は、ｉとｊとの許容可能な組み合わせ（ｉとｊとの間の関係に関する制約）上であり得る。第１のＴＳＣＩの第１の持続時間の第１のセクションと、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を計算することができる。
【0190】
第１のセクション及び第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のアイテムと第２のＴＳＣＩの第２のアイテムとの間で確立され得るように、整列され得る。各リンクでは、第１のタイムスタンプを持つ第１のアイテムの１つと、２番目のタイムスタンプを持つ２番目のアイテムの１つを関連付けることができる。整列された第１のセクションと整列された第２のセクションとの間のミスマッチコストが計算され得る。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る第１のアイテムと第２のアイテムとの間のアイテムに関するコストと、マップの特定のリンクに関連付けられるリンクに関する（link-wise）コストとの関数を含むことができる。
【0191】
整列された第１のセクション及び整列された第２のセクションは、それぞれ、同じベクトル長の第１のベクトル及び第２のベクトルとして表され得る。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、相関に基づく量、相関インジケータ、共分散に基づく量、識別スコア、距離、ユークリッド距離、絶対距離、Ｌｋ距離（例えば、Ｌ１、Ｌ２、・・・）、加重距離、距離様量及び／または別の類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によって正規化され得る。
【0192】
第１のＴＳＣＩの第１の持続時間の第１のセクションと、第２のＴＳＣＩの第２の持続時間の第２のセクションとの間のミスマッチコストから導出されるパラメータは、統計的分布でモデル化され得る。統計的分布のスケールパラメータ、位置パラメータ及び／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の最初の持続時間の第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ってもよい。第１のスライディングウィンドウは、第１のＴＳＣＩに適用され得、対応する第２のスライディングウィンドウは、第２のＴＳＣＩに適用され得る。第１のＴＳＣＩの第１スライディングウィンドウと第２のＴＳＣＩの対応する第２のスライディングウィンドウとは、整列され得る。
【0193】
第１のＴＳＣＩの整列された第１のスライディングウィンドウと、第２のＴＳＣＩの対応する整列された第２のスライディングウィンドウとの間のミスマッチコストを計算することができる。現在のイベントは、ミスマッチコストに基づいて、既知のイベント、未知のイベント及び／または別のイベントのうちの少なくとも１つに関連付けられてもよい。
【0194】
分類器は、少なくとも１つの仮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、及び／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。各仮分類結果は、それぞれの第１のセクション及びそれぞれの第２のセクションに関連付けられ得る。
【0195】
現在のイベントは、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、クラス／カテゴリ／グループ／グループ化／リスト／未知イベントのセット、及び／または別のイベント、のうちの少なくとも１つに関連することができる。現在のイベントは、第１のＴＳＣＩの複数のセクション及び対応する第２のＴＳＣＩの複数のセクションにおける最も多数の仮分類結果に基づいて、既知のイベント、未知のイベント及び／または別のイベント、の少なくとも１つに関連し得る：。例えば、ミスマッチコストが、Ｎ回の連続した（例えば、Ｎ＝１０）特定の既知のイベントを指し示す場合、現在のイベントは、特定の既知のイベントに関連付けられ得る。別の例では、現在のイベントは、特定の既知のイベントを指し示すＮ回の連続した直前のＮ個内のミスマッチコストのパーセンテージが、所定の閾値（例えば、＞８０％）を越える場合、特定の既知のイベントに関連付けられ得る。別の例では、現在のイベントは、時間内の最も多くの回数について最小のミスマッチコストを達成する既知のイベントに関連付けられ得る。現在のイベントは、少なくとも１つの第１のセクション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、最小の全体的ミスマッチコストを達成する既知のイベントに関連付けられ得る。現在のイベントは、別の全体的なコストの最小を達成する特定の既知のイベントに関連付けられ得る。現在のイベントは、既知のイベントのいずれも、少なくとも１つの第１のセクションの十分なパーセンテージにおいて、第１の閾値Ｔ１よりも低いミスマッチコストを達成しない場合、「未知のイベント」と関連付けられ得る。現在のイベントはまた、いずれのイベントも第２の閾値Ｔ２よりも低い全体的なミスマッチコストを達成しない場合、「未知のイベント」に関連付けられ得る。現在のイベントは、第１のＴＳＣＩの少なくとも１つの追加セクション及び第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及び追加のミスマッチコストに基づいて、既知のイベント、未知のイベント及び／または別のイベント、のうちの少なくとも１つに関連付けられ得る。既知のイベントは、ドア閉めイベント、ドア開けイベント、窓閉めイベント、窓開けイベント、マルチ状態イベント、オン状態イベント、オフ状態イベント、中間状態イベント、連続状態イベント、離散状態イベント、人の存在イベント、人の不在イベント、生命存在イベント、及び／または生命不存在イベントのうちの少なくとも１つを含み得る。
【0196】
各ＣＩのための射影（ｐｒｏｊｅｃｔｉｏｎ）は、トレーニングＴＳＣＩに基づく次元削減方法を使用してトレーニングされ得る。次元削減法は、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定式、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、及び／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、分類器のための、少なくとも１つのイベントに関連するトレーニングＴＳＣＩ、及び／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つのイベントのための分類器は、少なくとも１つのイベントに関連する射影及び関連するトレーニング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、射影及び現在のＴＳＣＩに基づいて分類／カテゴリ化され得る。射影は、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、及び／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、及び別の次元削減方法のうちの少なくとも１つを使用して、再トレーニングされ得る。別の次元削減方法は、主成分分析（ＰＣＡ）、異なるカーネルを有するＰＣＡ、独立成分分析（ＩＣＡ）、フィッシャー線形判定式、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、及び／またはさら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器は、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、及び／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器、及び／または現在のＴＳＣＩに基づいて分類され得る。
【0197】
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与えるために前処理され得る。各ＣＩは、対応する複素数値の大きさを含む非負の実数のベクトルを与えるために前処理され得る。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得る。射影は、複数の射影構成要素を含み得る。射影は、少なくとも１つの最も有意な射影構成要素を含むことができる。射影は、分類器に有益であり得る少なくとも１つの射影された構成要素を含み得る。
【0198】
チャネル情報（ＣＩ）は、信号強度、信号振幅、信号位相、スペクトルパワー尺度、モデムパラメータ（例えば、ＷｉＦｉ、４Ｇ／ＬＴＥなどのデジタル通信システムにおける変調／復調に関連して使用される）、動的ビームフォーミング情報、伝達関数コンポーネント、無線状態（例えば、デジタルデータ、ベースバンド処理状態、ＲＦ処理状態などを復号するためにデジタル通信システムで使用される）、測定可能変数、センシングデータ、層の粗視化／細粒度情報（例えば、物理層、データリンク層、ＭＡＣ層など）、デジタル設定、利得設定、ＲＦフィルタ設定、ＲＦフロントエンドスイッチ設定、ＤＣオフセット設定、ＤＣ補正設定、ＩＱ補正設定、伝搬中の環境（例えば場所）による無線信号への影響、入力信号（タイプ１デバイスによって送信される無線信号）の出力信号（タイプ２デバイスによって受信される無線信号）への変換、環境の安定した挙動、状態プロファイル、無線チャネル測定、受信信号強度インジケータ（ＲＳＳＩ）、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＦＲ）、チャネル周波数応答（ＣＦＲ）、帯域幅における周波数成分（例えばサブキャリア）の特性、チャネル特性、チャネル応答、タイムスタンプ、補助情報、データ、メタデータ、ユーザデータ、アカウントデータ、アクセスデータ、セキュリティデータ、セッションデータ、ステータスデータ、監督データ、家庭データ、識別（ＩＤ）、識別子、装置データ、ネットワークデータ、近傍データ、環境データ、リアルタイムデータ、センサデータ、記憶されたデータ、暗号化データ、圧縮データ、保護されたデータ、及び／または別のチャネル情報、に関連付けられる／含みうる。各ＣＩは、タイムスタンプ、及び／または到達時間に関連付けられ得る。ＣＳＩは、マルチパスチャネル効果（送信チャネル）を等化し／元に戻し／最小化し／低減し、マルチパス・チャネルを通して送信機によって送信されたものと同様の信号を復調することができる。ＣＩは、チャネルを通る信号の周波数帯域、周波数シグネチャ、周波数位相、周波数振幅、周波数トレンド、周波数特性、周波数様特性、時間領域要素、周波数領域要素、時間−周波数領域要素、直交分解特性、及び／または非直交分解特性に関連する情報に関連付けられ得る。ＴＳＣＩは、無線信号（例えば、ＣＩ）のストリームであり得る。
【0199】
ＣＩは、前処理、処理、後処理、格納（例えば、ローカルメモリ、ポータブル／モバイルメモリ、リムーバブルメモリ、ストレージネットワーク、クラウドメモリに、揮発性の方法で、不揮発性の方法で）、検索、送信及び／または受信され得る。１つ以上のモデムパラメータ及び／または無線状態パラメータを一定に保つことができる。モデムパラメータは、無線サブシステムに適用することができる。モデムパラメータは無線状態を表すことができる。動き検出信号（例えば、ベースバンド信号、及び／またはベースバンド信号から復号／復調されたパケットなど）は、記憶されたモデムパラメータによって表される無線状態を使用して、無線サブシステムによって第１の無線信号（例えば、ＲＦ／ＷｉＦｉ／ＬＴＥ／５Ｇ信号）を処理（例えば、ダウンコンバート）することによって取得され得る。モデムパラメータ／無線状態は、（例えば、以前のモデムパラメータまたは以前の無線状態を使用して）更新することができる。前の及び更新されたモデムパラメータ／無線状態の両方が、デジタル通信システムの無線サブシステムに適用され得る。前回及び更新されたモデムパラメータ／無線状態の両方を、タスクで比較／解析／処理／監視することができる。
【0200】
チャネル情報はまた、無線信号を処理するために使用されるモデムパラメータ（例えば、記憶された、または新しく計算された）であり得る。無線信号は、複数のプローブ信号を含んでもよい。複数のプローブ信号を処理するために、同じモデムパラメータを使用することができる。同じモデムパラメータを使用して、複数の無線信号を処理することもできる。モデムパラメータは、無線センサデバイスの無線サブシステムまたはベースバンドサブシステム（またはその両方）の動作のための設定または全体構成を示すパラメータを含むことができる。モデムパラメータは、利得設定、ＲＦフィルタ設定、ＲＦフロントエンドスイッチ設定、ＤＣオフセット設定、または無線サブシステムのためのＩＱ補償設定、またはデジタルＤＣ補正設定、デジタル利得設定、及び／またはデジタルフィルタリング設定（例えば、ベースバンドサブシステムのための）、のうちの１つまたは複数を含み得る。ＣＩはまた信号の、時間、時間シグネチャ、タイムスタンプ、時間振幅、時間位相、時間トレンド、及び／または時間特性に関連する情報に関連してもよい。ＣＩは信号の、時間−周波数分割、シグネチャ、振幅、位相、トレンド、及び／または特性に関連する情報に関連付けられ得る。ＣＩは、信号の分解に関連し得る。ＣＩは、方向、到達角度（ＡｏＡ）、指向性アンテナの角度、及び／またはチャネルを通る信号の位相に関連する情報に関連し得る。ＣＩは、チャネルを通る信号の減衰パターンに関連し得る。各ＣＩは、タイプ１デバイス及びタイプ２デバイスに関連付けられ得る。各ＣＩは、タイプ１デバイスのアンテナ及びタイプ２デバイスのアンテナに関連付けられ得る。
【0201】
ＣＩは、ＣＩを提供することができる通信ハードウェア（例えば、タイプ２デバイス、またはタイプ１デバイス）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または他の無線／無線標準に準拠したチップ、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、ＮＦＣ（近距離無線通信）対応チップ、ＢＬＥ （Ｂｌｕｅｔｏｏｔｈ低電力）対応チップ、ＵＷＢチップ、他の通信チップ（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、ＣＩをバッファメモリに保存して、ＣＩを抽出に使用できるようにする。ＣＩは、チャネル状態情報（ＣＳＩ）に関連するデータ及び／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つのマトリックスは、チャネル等化、及び／またはビームフォーミングなどのために使用され得る。チャネルは、場所に関連付けられ得る。減衰は、場所における信号伝搬、空気（例えば、場所の空気）を通る／での／近傍の信号伝搬／反射／屈折／回折、壁、ドア、家具、障害物及び／または障壁などの屈折媒体／反射面などに起因し得る。減衰は、床、天井、家具、備品、オブジェクト、人、ペットなどの表面及び障害物（例えば、反射面、障害物）における反射によるものであり得る。各ＣＩは、タイムスタンプに関連付けられうる。各ＣＩは、Ｎ１個の成分（例えば、ＣＦＲにおけるＮ１個周波数ドメイン成分、ＣＩＲにおけるＮ１個時間ドメイン成分、またはＮ１個分解成分）を含み得る。各成分は、成分インデックスに関連付けられ得る。各成分は、実数、虚数、または複素数量、大きさ、位相、フラグ、及び／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、及び／または少なくとも１つの複素数の多次元の集合を含み得る。
【0202】
特定の成分インデックスに関連するＴＳＣＩの成分は、それぞれのインデックスに関連する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。各個別の成分時系列は、それぞれの成分インデックスに関連付けられる。オブジェクトの動きの特性／ＳＴＩは、成分時系列に基づいて監視することができる。１つの例では、ＣＩ成分の１つ以上の範囲（例えば、成分１１から成分２３までの１つの範囲、成分４４から成分５０までの２番目の範囲、及び１つの成分のみを有する３番目の範囲）は、さらなる処理のための幾つかの基準／コスト関数／信号品質メトリック（例えば、信号対雑音比、及び／又は干渉レベルに基づいて）に基づいて選択され得る。
【0203】
ＴＳＣＩの成分−特徴時系列の成分ごとの特性を計算してもよい。成分に関する（component-wise）特性は、スカラー（例えば、エネルギー）であってもよいし、ドメインと範囲を持つ関数（例えば、自己相関関数、変換、逆変換）であってもよい。オブジェクトの動きの特性／ＳＴＩは、成分に関する特性に基づいて監視され得る。ＴＳＣＩの全特性（例えば、集約された特性）は、ＴＳＣＩの各成分時系列の成分に関する特性に基づいて計算され得る。全特性は、成分に関する特性の加重平均であってもよい。オブジェクトの動きの特性／ＳＴＩは、全特性に基づいて監視され得る。総量は、個々の量の加重平均であってもよい。
【0204】
タイプ１デバイス及びタイプ２デバイスは、ＷｉＦｉ、ＷｉＭａｘ、３Ｇ／３Ｇビヨンド、４Ｇ／４Ｇビヨンド、ＬＴＥ、ＬＴＥ−Ａ、５Ｇ、６Ｇ、７Ｇ、Ｂｌｕｅｔｏｏｔｈ、ＮＦＣ、ＢＬＥ、Ｚｉｇｂｅｅ、ＵＷＢ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ−ＳＣＤＭＡ、メッシュネットワーク、独自の無線システム、ＩＥＥＥ ８０２．１１規格、８０２．１５規格、８０２．１６規格、３ＧＰＰ規格、及び／または別の無線システムをサポートし得る。
【0205】
共通の無線システム及び／または共通の無線チャネルは、タイプ１トランシーバ及び／または少なくとも１つのタイプ２トランシーバによって共有され得る。少なくとも１つのタイプ２トランシーバは、共通無線システム及び／または共通無線チャネルを使用して、同時（または：非同期、同期、散発的、連続、繰り返し、並行、同時及び／または一時に）にそれぞれの信号を送信することができる。タイプ１トランシーバは、共通無線システム及び／または共通無線チャネルを使用して、信号を少なくとも１つのタイプ２トランシーバに送信することができる。
【0206】
各タイプ１デバイス及びタイプ２デバイスは、少なくとも１つの送受信アンテナを有することができる。各ＣＩは、タイプ１デバイスの送信アンテナのうちの１つ、及びタイプ２デバイスの受信アンテナのうちの１つに関連付けられ得る。送信アンテナ及び受信アンテナの各ペアは、リンク、経路、通信経路、信号ハードウェア経路などに関連付けられ得る。例えば、タイプ１デバイスがＭ（例えば、３）の送信アンテナを有し、タイプ２デバイスがＮ（例えば、２）の受信アンテナを有する場合、Ｍ ｘ Ｎ （例えば、３ ｘ ２＝６）のリンクまたは経路があり得る。各リンクまたはパスは、ＴＳＣＩに関連付けられ得る。
【0207】
少なくとも１つのＴＳＣＩは、タイプ１デバイスとタイプ２デバイスとの間の種々のアンテナの対に対応し得る。タイプ１デバイスは、少なくとも１つのアンテナを有することができる。タイプ２デバイスも、少なくとも１つのアンテナを有してもよい。各ＴＳＣＩは、タイプ１デバイスのアンテナ及びタイプ２デバイスのアンテナに関連付けられ得る。アンテナリンクにわたる平均化または重み付け平均化を実行してもよい。平均化または重み付け平均化は、少なくとも１つのＴＳＣＩにわたってもよい。平均化は、オプションとして、アンテナ対のサブセットに対応する少なくとも１つのＴＳＣＩのサブセットに対して実行され得る。
【0208】
ＴＳＣＩの一部のＣＩのタイムスタンプは、不規則であり得、時間補正されたＣＩの補正されたタイムスタンプが時間的に均一に間隔を空けられ得るように補正され得る。複数のタイプ１デバイス及び／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、同じクロックまたは異なるクロックに関係している可能性がある。ＣＩの各々に関連するオリジナルなタイムスタンプが決定され得る。オリジナルなタイムスタンプは、時間的に均一な間隔ではないかもしれない。現在のスライディングタイムウィンドウにおける特定のＴＳＣＩの特定の部分のすべてのＣＩのオリジナルなタイムスタンプは、時間補正されたＣＩの補正されたタイムスタンプが時間的に均一な間隔にできるように補正され得る。
【0209】
特性及び／またはＳＴＩ（例えば、動き情報）は、位置、位置の座標、位置の変化、位置（例えば初期位置、新しい位置）、マップ上の位置、高さ、水平位置、垂直位置、距離、変位、速度、加速度、回転速度、回転加速度、方向、動き角、方位、運動の方向、回転、経路、変形、変換、収縮、伸長、歩容、歩容サイクル、頭部運動、繰り返し運動、周期的運動、擬似周期的運動、インパルス運動、突然の動き、転倒運動、過渡的運動、挙動、過渡的挙動、運動周期、動きの頻度、時間傾向、時間的プロファイル、時間的特性、発生、変化、時間的変化、ＣＩの変化、周波数の変化、タイミングの変化、歩容サイクルの変化、タイミング、開始時間、始まり時間、終了時間、継続時間、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、周波数特性、存在、不存在、近接、近接する、後退する、オブジェクトの識別／識別子、オブジェクトの構成物、頭部運動速度、頭部運動方向、口に関連するレート、目に関連するレート、呼吸速度、心拍数、一回換気量、呼吸の深さ、吸入時間、吐き出し時間、吸入対掃き出し時間比、空気流量、心拍間隔、心拍数変動、手の動きレート、手の運動方向、脚の運動、身体の動き、歩行速度、手の動き速度、位置の特性、オブジェクトの動きに関連する特性（例えば位置／場所の変化）、工具の動き、機械の動き、複合運動、及び／または多重運動の組み合わせ、イベント、信号統計値、信号動態、異常、運動統計、運動パラメータ、動き検出の表示、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、加重距離、Ｌ＿１ノルム、Ｌ＿２ノルム、ｋ＞２のためのＬ＿ｋノルム、統計的距離、相関、相関インジケータ、 自己相関、共分散、自己共分散、相互共分散、内積、直積、動き信号変換、動き特徴、動きの存在、動きの不存在、動きの局在化、運動識別、動きの認識、対象物の存在、対象物の不存在、オブシェクトの入り口、オブシェクトの出口、オブジェクトの変化、動作サイクル、動き回数、歩容周期、動きリズム、動き変形、ジェスチャ、手書き、頭部動き、口の動き、心臓運動、体内臓運動、動きトレンド、サイズ、長さ、領域、容量、容量、形状、形態、タグ、開始／開始位置、終了位置、開始／開始量、終了量、イベント、転倒イベント、セキュリティイベント、事故イベント、ホームイベント、オフィスイベント、工場イベント、ウェアハウスイベント、製造イベント、組立ラインイベント、保守イベント、カー関連イベント、ナビゲーションイベント、追跡イベント、ドアイベント、ドア開けイベント、ドアクローズイベント、窓イベント、窓開けイベント、窓閉めイベント、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、快適状態、感情状態、精神状態、別のイベント、分析、出力応答、及び／または別の情報、を含みうる。特性及び／またはＳＴＩは、ＣＩまたはＴＳＣＩから計算された特徴（例えば、特徴計算／抽出）に基づいて計算／監視され得る。静的セグメントまたはプロファイル（及び／または動的セグメント／プロファイル）は、特徴の分析に基づいて、同定／計算／分析／監視／抽出／取得／マーク／提示／指示／強調／記憶／通信され得る。分析は、動き検出／動き評価／存在検出を含み得る。計算ワークロードは、タイプ１デバイス、タイプ２デバイス、及び別のプロセッサで共有できる。
【0210】
タイプ１デバイス及び／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、無線信号リピータ／エクステンダー、リモコン、スピーカ、ファン、冷蔵庫、マイクロ波オーブン、コーヒーマシン、熱湯ポット、器具、テーブル、椅子、ライト、ランプ、ドアロック、カメラ、マイクロホン、動きセンサ、防犯装置、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、電子パッド、ソファ、タイル、アクセサリ、家庭デバイス、車両デバイス、オフィスデバイス、建築設備、製造設備、腕時計、ガラス、時計、テレビ、オーブン、エアコンディショナー、アクセサリ、ユーティリティ、電気器具、スマートマシン、スマートビークル、物のインターネット（ＩｏＴ）、スマートハウス、スマートオフィス、スマートビル、スマート駐車場、スマートシステム、及び他のデバイス、でありうる。
【0211】
各タイプ１デバイスは、それぞれの識別子（例えば、ＩＤ）に関連付けられてもよい。各タイプ２デバイスはまた、それぞれの識別（ＩＤ）に関連付けられ得る。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、何らかの情報へのインデックス、及び／または別のＩＤ、を含むことができる。ＩＤを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、ドングル及び／または他のハードウェアを介して）、ソフトウェア及び／またはファームウェアによって割り当てることができる。ＩＤは、記憶されうる（例えば、データベース内、メモリ内、サーバ内（例えば、ハブ装置）内、クラウド内、ローカルに記憶され、リモートに記憶され、永久に記憶され、一時的に記憶され）、そして検索され得る。ＩＤは、少なくとも１つのレコード、アカウント、ユーザ、家庭、住所、電話番号、社会保障番号、顧客番号、別のＩＤ、別の識別子、タイムスタンプ、及び／またはデータの収集、に関連付けられ得る。タイプ１デバイスのＩＤ及び／またはＩＤの一部は、タイプ２デバイスに利用可能にされ得る。ＩＤは、タイプ１デバイス及び／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、ロギング、記録、カタログ、分類、タグ付け、アソシエーション、ペアリング、トランザクション、電子トランザクション、及び／または知的所有権制御、に使用され得る。
【0212】
オブジェクトは、人、ユーザ、対象、乗客、子供、老人、幼児、睡眠中の幼児、車両中の幼児、患者、労働者、高価値労働者、専門家、専門医、ウエイター、モールにおける顧客、空港／電車ステーション／バスターミナル／出荷ターミナルの旅行者、工場／モール／スーパーマーケット／オフィス／職場におけるスタッフ／労働者／顧客サービス職員、下水／空気換気システム／リフトウェルにおけるサービス職員、リフトウェルにおけるリフト、エレベータ、被収容者、追跡／モニタリングされる人、動物、植物、生物、ペット、イヌ、猫、スマートフォン、電話付属物、コンピュータ、タブレット、携帯コンピュータ、ドングル、コンピュータ付属装置、ネットワーク設備、ＷｉＦｉ装置、ＩｏＴ装置、スマートウォッチ、スマート眼鏡、スマートデバイス、スピーカ、キー、スマートキー、札入れ、財布、ハンドバッグ、バックパック、商品、貨物、荷物、装置、モータ、機械、空気調和機、ファン、空調機器、照明器具、可動式ライト、テレビ、カメラ、オーディオ及び又はビデオ装置、 ステーショナリ、監視装置、パーツ、看板、道具、カート、チケット、駐車券、通行チケット、飛行機チケット、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、器具、テーブル、椅子、洗浄器具／道具、車両、自動車、駐車施設の車両、倉庫／店舗／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、リモコン車／飛行機／ボート、ロボット、製造装置、組立ライン、工場フロア上の材料／未完成部品／ロボット／ワゴン／輸送手段、空港／ショッピングマート／スーパーマーケット内の追跡対象物、非対象物、対象物の非存在、対象物の存在、形状のあるオブジェクト、形状を変化させたオブジェクト、形状のないオブジェクト、流体の質量、液体の質量、気体／煙の質量、火、火炎、電磁（ＥＭ）源、ＥＭ媒体、及び／または他のオブジェクト、でありうる。オブジェクト自体は、ＷｉＦｉ、ＭｉＦｉ、３Ｇ／４Ｇ／ＬＴＥ／５Ｇ／６Ｇ／７Ｇ、Ｂｌｕｅｔｏｏｔｈ、ＮＦＣ、ＢＬＥ、ＷｉＭａｘ、Ｚｉｇｂｅｅ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ−ＳＣＤＭＡ、メッシュネットワーク、アドホックネットワーク、及び／または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。オブジェクト自体はＡＣ電源でかさばることがあるが、設置、清掃、メンテナンス、リフォームなどの際に移動する。またオブジェクトは、リフト、パッド、可動式、プラットフォーム、エレベータ、コンベアベルト、ロボット、ドローン、フォークリフト、自動車、ボート、車両などの可動式プラットフォームに設置することもできる。オブジェクトは、複数の部分を有することができ、各部分は、異なる動き（例えば、場所／位置の変化）を有する。例えば、オブジェクトは、前を歩く人であってもよい。歩行中、彼の左手と右手は、異なる瞬間速度、加速度、動きを有して異なる方向に移動し得る。
【0213】
無線送信機（例えば、タイプ１デバイス）、無線受信機（例えば、タイプ２デバイス）、別の無線送信機及び／または別の無線受信機は、（例えば、前の移動、現在の移動及び／または将来の移動において）オブジェクト及び／または別のオブジェクトと共に移動し得る。それらは、１つ以上の近くのデバイスに通信可能に結合され得る。それらは、ＴＳＣＩ及び／またはＴＳＣＩに関連する情報を、近くのデバイスに、及び／または互いに送信することができる。それらは、近くの装置と一緒であってもよい。無線送信機及び／又は無線受信機は、小型（例えば、コインサイズ、タバコ箱サイズ、又は更に小型の）軽量携帯装置の一部であってもよい。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てもよい。
【0214】
近くの装置（ｎｅａｒｂｙ ｄｅｖｉｃｅ）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、スマート眼鏡、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。近くの装置は、クラウドサーバ、ローカルサーバ（例えば、ハブ装置）及び／又は他のサーバに、インターネット、有線インターネット接続及び／又は無線インターネット接続を介して接続することができる。近くの装置は携帯型であってもよい。ポータブルデバイス、近くの装置、ローカルサーバ（例えば、ハブデバイス）、及び／またはクラウドサーバは、タスク（例えば、ＴＳＣＩを取得し、オブジェクトの移動（例えば、位置／位置の変化）に関連するオブジェクトの特性／ＳＴＩを決定し、電力（例えば、信号強度）情報の時系列の計算を行い、特定の関数を決定／計算し、局所極値を探索し、分類、オフセット時間の特定値を識別し、雑音除去し、処理、単純化、クリーニング、無線スマートセンシングタスク、信号からのＣＩの抽出、スイッチング、セグメント化、軌跡／経路／追跡を推定し、マップを処理し、環境モデル／制約／制限に基づく軌跡／経路／追跡の処理、補正、補正調整、調整、マップベース（またはモデルベース）補正、誤差検出、境界ヒットについての確認、閾値化）及び情報（例えば、ＴＳＣＩ）についての計算及び／又は格納を共有することができる。近くの装置は、オブジェクトとともに動かない場合がある。近くの装置は、携帯型／非携帯型／移動型／非移動型であり得る。近くの装置は、電池電力、太陽光、ＡＣ電源及び／または他の電源を使用することができる。近くの装置は、交換可能／交換不可能バッテリ、及び／または充電可能／非充電可能バッテリを有してもよい。近くの装置は、オブジェクトに類似していてもよい。近くの装置は、オブジェクトと同一の（及び／又は同様の）ハードウエア及び／又はソフトウェアを有することができる。近くの装置は、スマートデバイス、ネットワーク対応デバイス、ＷｉＦｉ／３Ｇ／４Ｇ／５Ｇ／６Ｇ／ Ｚｉｇｂｅｅ／ Ｂｌｕｅｔｏｏｔｈ／ ＮＦＣ／ ＵＭＴＳ／３ＧＰＰ／ ＧＳＭ／ ＥＤＧＥ／ ＴＤＭＡ／ ＦＤＭＡ／ ＣＤＭＡ／ ＷＣＤＭＡ／ ＴＤ−ＳＣＤＭＡ／アドホックネットワーク／他のネットワークへの接続を有する装置、スマートスピーカ、スマートウオッチ、スマート時計、スマートアプライアンス、スマートマシン、スマート機器、スマートツール、スマートビークル、物のインターネット（ＩｏＴ）装置、インターネット対応デバイス、コンピュータ、ポータブルコンピュータ、タブレット、及び他のデバイスであり得る。 無線受信機、無線送信機、別の無線受信機、別の無線送信機及び／またはクラウドサーバ（クラウド内）に関連する近くのデバイス及び／または少なくとも１つのプロセッサは、オブジェクトの初期ＳＴＩを決定し得る。それらのうちの２つ以上は、共同して初期空間−時間情報を決定し得る。それらのうちの２つ以上は、初期ＳＴＩ （例えば、初期位置）の決定において中間情報を共有し得る。
【0215】
一例では、無線送信機（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移動する。無線送信機は、信号を無線受信機（例えば、タイプ２デバイス、またはオリジンレジスタ（Ｏｒｉｇｉｎ Ｒｅｇｉｓｔｅｒ））に送るか、またはオブジェクトの初期ＳＴＩ （例えば、初期位置）を決定することができる。無線送信機はまた、信号及び／または別の信号を、オブジェクトの動き（空間−時間情報）の監視のために、別の無線受信機（例えば、別のタイプ２デバイス、または別のオリジンレジスタ）に送ることができる。また、無線受信機は、オブジェクトの動きを監視するために、無線送信機及び／又は別の無線送信機からの信号及び／又は別の信号を受信してもよい。無線受信機及び／または別の無線受信機の位置は、分かりうる。別の例では、無線受信機（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移動し得る。無線受信機は、オブジェクトの初期空間−時間情報（例えば、初期位置）を決定するために、無線送信機（例えば、タイプ１デバイス、またはオリジンレジスタ）から送信された信号を受信しうる。無線受信機はまた、オブジェクトの現在の動き（例えば、空間−時間情報）の監視のために、別の無線送信機（例えば、別のタイプ１デバイス、または別のオリジンレジスタ）から信号及び／または別の信号を受信してもよい。無線送信機はまた、信号及び／または別の信号を、オブジェクトの動きを監視するために、無線受信機及び／または別の無線受信機（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）に送信してもよい。無線送信機及び／又は別の無線送信機の位置は知ることができる。
【0216】
場所は、センシング領域、部屋、家屋、事務所、財産、作業空間、廊下、リフト、リフトウェル、エスカレータ、エレベータ、下水道、換気システム、階段、集合領域、ダクト、空気ダクト、管、閉鎖空間、閉鎖構造、半閉鎖構造、少なくとも１つの壁を有する閉鎖領域、植物、機械、エンジン、構造物、木材を有する構造、ガラスを有する構造物、金属を有する構造物、壁を有する構造物、ドアを有する構造物、隙間を有する構造物、反射面を有する構造物、液体を有する構造、建物、屋上、店舗、工場、アセンブリライン、ホテルの部屋、博物館、教室、学校、大学、政府の建物、倉庫、ガレージ、モール、空港、駅、バス端末、ハブ、交通ハブ、貨物ターミナル、庁舎、公共施設、学校、大学、エンターテイメント施設、レクリエーション施設、病院、小児／新生児病棟などの空間、老人ホーム、老人介護施設、老人施設、コミュニティセンター、スタジアム、遊び場、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、野球場、体育館、ガレージ、ショッピングマート、ノール、スーパーマーケット、製造施設、パーキング施設、建設現場、鉱山施設、輸送施設、幹線道路、道路、谷間、森林、木、地形、景観、ほら穴、パティオ、陸地、道路、アミューズメントパーク、都市部、農村部、郊外エリア、大都市部、庭、四角い広場、広場、音楽ホール、ダウンタウン施設、解放施設、半開放施設、閉領域、電車プラットフォーム、電車駅、配給センター、倉庫、店、配給センター、貯蔵施設、地下空間、空間（例えば、地上部、宇宙）施設、フローティング施設、洞窟、トンネル施設、屋内施設、屋外施設、いくつかの壁／ドア／反射バリアを有する屋外施設、開放施設、セミオープン施設、自動車、トラック、バス、バン、コンテナ、船舶／ボート、潜水艦、列車、電車、飛行機、乗り物、移動ホーム、洞穴、トンネル、パイプ、チャネル、大都市圏、比較的高い建物がある繁華街エリア、谷、井戸、ダクト、経路、ガスライン、油管、水管、相互接続経路／アレイ／道路／チューブ／空洞／洞窟／パイプ様構造／空間／流体スペース、人体、動物のからだ、体腔、器官、骨、歯、軟組織、硬組織、堅い組織、非硬組織、血液／体液管、風管、空気ダクト、巣穴、などの領域である。場所は、室内空間、屋外空間であってもよく、場所は、空間の内側及び外側の両方を含んでもよい。例えば、場所は、建物の内側及び建物の外側の両方を含むことができる。例えば、場所は、１階または複数階を有するビルであり得、ビルの一部は、地下であり得る。建物の形状は、例えば、丸形、正方形、長方形、三角形、又は不規則な形状とすることができる。これらは単なる例である。本開示は、他のタイプの場所または空間におけるイベントを検出するために使用することができる。
【0217】
無線送信機（例えば、タイプ１デバイス）及び／または無線受信機（例えば、タイプ２デバイス）は、オブジェクトと共に移動し得る（例えば、前の移動及び／または現在の移動において）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有するデバイス）に埋め込まれ得る。ポータブルデバイスは、有線接続（例えば、ＵＳＢ、マイクロＵＳＢ、ファイアワイヤ、ＨＤＭＩ、シリアルポート、パラレルポート、及び他のコネクタを介して）及び／または接続（例えば、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ （ＢＬＥ）、ＷｉＦｉ、ＬＴＥ、ＮＦＣ、ＺｉｇＢｅｅ）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、軽量な装置であってもよい。ポータブルは、電池、充電池及び／またはＡＣ電源により電力を供給され得る。ポータブルデバイスは、非常に小さくてもよく（例えば、サブミリメートルスケール及び／またはサブセンチメートルスケールで）、及び／または小さくてもよい（例えば、コインサイズ、カードサイズ、ポケットサイズ、またはそれより大きい）。携帯装置は、大型で、サイズが大きく、及び／または、かさばる（例えば、設置された重機械）ことがある。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／ファイアワイヤ／他のコネクタ付きドングル、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、物のインターネット（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、スマートガラス、スマートミラー、スマートアンテナ、スマートバッテリ、スマートライト、スマートペン、スマートリング、スマートドア、スマートウィンドウ、スマートクロック、スマートバッテリ、スマート札入れ、スマートベルト、スマートハンドバッグ、スマートクロス／ガーメント、スマートオーナメント、スマートパッケージング、スマートペーパー／ブック／マガジン／ポスター／印刷物／サイネージ／ディスプレイ／明るくされたシステム／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／衣服／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／ブリック／建材／他の材料、 スマートゴミ缶／廃棄物容器、スマート食料キャリッジ／格納、スマートボール／ラケット、スマートチェア／ソファ／ベッド、スマート靴／履物／カーペット／マット／靴棚、スマート手袋／ハンドウェア／リング／ハンドウェア、スマートハット／帽子／化粧品／ステッカー／タトウ、スマートミラー、スマート玩具、スマートピル、スマート調理器具、スマートボトル／食品容器、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、ＵＭＴＳデバイス、３ＧＰＰデバイス、ＧＳＭデバイス、ＥＤＧＥデバイス、ＴＤＭＡデバイス、ＦＤＭＡデバイス、ＣＤＭＡデバイス、ＷＣＤＭＡデバイス、ＴＤ−ＳＣＤＭＡデバイス、埋め込みデバイス、埋め込み可能なデバイス、エアコン、冷蔵庫、ヒータ、炉、家具、オーブン、調理デバイス、テレビ／セットトップボックス（ＳＴＢ）／ＤＶＤプレーヤー／オーディオプレーヤー／ビデオプレーヤー／リモコン、ハイファイ、オーディオデバイス、スピーカ、ランプ／ライト、壁、ドア、窓、屋根、瓦／屋根板／構造／屋根裏構造／デバイス／特徴／設置／固定具、芝刈り機／園具／工具／機械工具／ガレージ用具、ごみかん／コンテナ、２０フィート／４０フィートコンテナ、貯蔵容器、工場／生産／製造装置、修理工具、流体容器、機械、設置された機械、車両、カート、ワゴン、倉庫車両、自動車、自転車、オートバイ、ボート、船舶、飛行機、バスケット／箱／バッグ／バケット／容器、スマートプレート／カップ／ボウル／ポット／マット／器具／台所用具／台所用品／キッチンアクセサリ／キャビネット／テーブル／椅子／タイル／ライト／水道管／蛇口／ガスレンジ／オーブン／食器洗浄機／、などでありうる。ポータブルデバイスは、交換可能、交換不可能、再充電可能、及び／または非再充電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、無線で充電されてもよい。ポータブルデバイスは、スマートペイメントカードであってもよい。ポータブルデバイスは、駐車場、高速道路、エンターテイメントパーク、または支払いを必要とする他の場所／施設で使用されるペイメントカードであってもよい。ポータブルデバイスは、上述のように、アイデンティティ（ＩＤ）／識別子を有することができる。
【0218】
イベントはＴＳＣＩに基づいて監視され得る。イベントは、オブジェクト（例えば、人及び／または疾病者）の転倒、回転、躊躇、休息、衝撃（例えば、人がサンドバッグ、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、飛行、テーブル、椅子、ボール、ボウリングボール、テニスボール、フットボール、サッカーボール、野球、バスケットボール、バレーボールをたたく）、二体作用（例えば、バルーンを放置し、魚を捕らえ、粘土を成形し、論文を書き、人がコンピュータに入力する）、自動車をガレージで移動させる、スマートフォンを携帯し、空港／モール／官庁／オフィス／などを歩き回る人、周りを移動する自律移動可能なオブジェクト／機械（例えば、バキュームクリーナー、ユーティリティービークル、カー、ドローン、自走自動車）などのオブジェクト関連イベントであり得る。タスクまたは無線スマートセンシングタスクは、オブジェクト検出、存在検出、近接検出、オブジェクト認識、アクティビティ認識、オブジェクト検証、オブジェクト計数、日常アクティビティモニタリング、健康モニタ、生命兆候モニタリング、健康状態モニタリング、ベビーモニタリング、老人モニタリング、睡眠モニタリング、睡眠段階モニタリング、歩行モニタリング、動きモニタリング、ツール検出、ツール認識、ツール検証、患者検出、患者モニタリング、患者検証、機械検出、機械検証、人間検出、人間認識、人間検証、ベビー検出、ベビー認識、ベビー検証、人間呼吸検出、人間呼吸認識、人間呼吸推定、人間呼吸検証、人間心拍検出、人間心拍認識、人間心拍推定、人間心拍検証、転倒検出、転倒認識、転倒推定、転倒検証、感情検出、感情認識、感情推定、感情検証、動き検出、動き度合い推定、運動認識、動き推定、動作検証、周期的運動検出、周期的運動推定、周期的運動検証、繰り返し動き検出、周期運動認識、反復運動推定、反復運動検証、静止運動認識、静止運動検出、静止運動推定、静止運動検証、周期定常（ｃｙｃｒｏｓｔａｔｉｏｎａｒｙ）運動検出、周期定常運動認識、周期定常運動推定、周期定常運動検証、過渡運動検出、過渡運動認識、過渡運動推定、過度運動検証、トレンド検出、トレンド認識、トレンド推定、トレンド検証、呼吸検出、呼吸認識、呼吸推定、ヒト生体計測検出、ヒト生体計測学的認識、ヒト生体計測学的推定、ヒト生体計測学的検証、環境情報学的検出、環境情報学的認識、環境情報学的推定、環境情報学的検証、歩容検出、歩容認識、歩容推定、歩容検証、ジェスチャ検出、ジェスチャ認識、ジェスチャ推定、ジェスチャ検証、機械学習、教師有り学習、教師なし学習 半教師有り学習、クラスタ化、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、函数分解、他の分解、トレーニング、識別トレーニング、教師有りトレーニング、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、突然の動きの検出、転倒検出、危険検出、生命−脅威検出、規則的運動検出、静止運動検出、周期定常運動検出、侵入検出、怪しい動き検出、セキュリティ、安全性モニタリング、ナビゲーション、ガイダンス、地図ベースの処理、地図ベースの補正、モデルベースの処理／補正、不規則性検出、位置特定、部屋センシング、追跡、複数オブジェクト追跡、室内追跡、室内位置決め、室内ナビゲーション、エネルギー管理、電力伝送、無線電力伝送、オブジェクト計数、パーキングガレージにおける自動車追跡、デバイス／システムの起動（例えば、防犯システム、アクセスシステム、警報、サイレン、スピーカ、テレビ、娯楽システム、カメラ、ヒータ／空調（ＨＶＡＣ）システム、換気システム、照明システム、ゲームシステム、コーヒーマシン、調理器具、クリーニング装置、ハウスキーピング装置）、幾何学的推定 、拡張現実、無線通信、データ通信、信号ブロードキャスト、ネットワーキング、調整、管理、暗号化、保護、クラウド計算、他の処理及び／または他のタスク、を含んでもよい。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、近くの装置、ローカルサーバ（ハブ装置など）、エッジサーバ、クラウドサーバ、及び／または別の装置によって実行できる。 このタスクは、タイプ１デバイスとタイプ２デバイスの任意の対の間のＴＳＣＩに基づくことができる。タイプ２デバイスは、タイプ１デバイスであってもよく、逆もまた同様である。タイプ２デバイスは、タイプ１デバイスの役割（例えば、機能性）を、一時的に、連続的に、散発的に、同時に、及び／または同時的に、及び／またはその逆に、果たし得る。タスクの第１の部分は、前処理、処理、信号調整、信号処理、後処理、散発的／連続的／同時／同時的／動的／適応的／オンデマンド的／必要に応じた処理、較正、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、動作変化検出、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、反復動作検出／推定、呼吸数検出、呼吸数推定、呼吸パターン検出、呼吸パターン推定、呼吸パターン認識、心拍検出、心拍推定、心臓パターン検出、心臓パターン推定、心臓パターン認識、ジェスチャ検出、ジェスチャ推定、ジェスチャ認識、速度検出、速度推定、オブジェクト位置決め、オブジェクト追跡、ナビゲーション、加速度推定、加速度検出、転倒検出、変化検出、侵入者（及び／または不法行為）検出、ベビー検出、ベビーモニタリング、患者モニタリング、オブジェクト認識、無線電力伝送、及び／または無線充電、のうちの少なくとも１つを含み得る
【0219】
タスクの第２の部分は、スマートホームタスク、スマートオフィスタスク、スマートビルディングタスク、スマートファクトリータスク（例えば、機械または組立ラインを用いた製造）、スマート物のインターネット（ＩｏＴ）タスク、スマートシステムタスク、スマートホームオペレーション、スマートオフィスオペレーション、スマートビルディングオペレーション、スマート製造オペレーション（例えば、機械／組立ラインへの供給品／部品／原材料の移動）、ＩｏＴオペレーション、スマートシステムオペレーション、ライトの点灯、ライトの消灯、部屋、領域、及び／または場所の少なくとも１つでの光の制御、サウンドクリップの再生、部屋、領域、及び／または場所の少なくとも１つでのサウンドクリップの再生、ウェルカム、グリーティング、別れ、第１のメッセージ、及び／またはタスクの第１の部分に関連する第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の再生すること、家電製品をオンにする、家電製品をオフにする、 部屋、領域、及び／または場所の少なくとも１つにおいて電気製品を制御すること、電気システムをオンにすること、電気システムをオフにすること、部屋、領域、及び／または場所の少なくとも１つにおいて電機システムを制御すること、防犯システムをオンにすること、防犯システムをオフにすること、部屋、領域、及び／または場所の少なくとも１つにおいて防犯システムを制御すること、機械システムをオンにすること、機械システムをオフにすること、部屋、領域、及び／または場所の少なくとも１つにおいて機械システムを制御すること、及び／または空調システム、暖房システム、換気システム、照明システム、暖房装置、ストーブ、エンターテイメントシステム、ドア、塀、窓、ガレージ、コンピュータシステム、ネットワーク化された装置、ネットワーク化されたシステム、家電機器、事務機器、照明装置、ロボット（例えば、ロボットアーム）、スマートビークル、スマートマシン、 アセンブリライン、スマートデバイス、物のインターネット（ＩｏＴ）デバイス、スマートホームデバイス、及び／またはスマートオフィスデバイスの少なくとも１つを制御すること、のうちの少なくとも１つを含みうる。
【0220】
このタスクは、ユーザの帰宅を検知し、ユーザの外出を検知し、１つの部屋から別の部屋へ移動するユーザを検知し、窓／ドア／ガレージドア／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／サンシェードをコントロール／ロック／解除／オープン／クローズ／部分的にオープンすることを検知し、ペットを検知し、ユーザが何か（例えば、ソファで寝ていること、寝室で寝ていること、トレッドミルで走ること、調理していること、ソファで座っていること、ＴＶを見ること、台所で食事をすること、食堂で食事を食べること、階段を上り下りすること、外出／戻ること、洗面所にいること）することを検出／監視し、ユーザ／ペットの位置を監視／検知し、検知すると自動的に何か（例えば、メッセージを送ること、人に知らせること／報告すること）、を行い、ユーザを検知するとユーザに対して何かを行うこと、ライトをオン／オフ／暗くすること、音楽／ラジオ／ホームエンターテイメントシステムをオン／オフし、テレビ／ハイファイ／セットトップボックス（ＳＴＢ）／ホームエンター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／制御し、エアコンシステムをオン／オフ／調整し、換気システムをオン／オフ／調整し、暖房システムをオン／オフ／調整し、カーテン／ライトシェードを調整／コントロールし、コンピュータをオン／オフ／起動し、コーヒーマシン／温水ポットをオン／オフ／プレヒート／制御し、クッカー／オーブン／電子レンジ／他の調理機器をオン／オフ／プレヒート／制御し、温度をチェック／調整し、天気予報をチェックし、電話メッセージボックスをチェックし、メールのチェックをし、システムをチェックし、システムを制御／調整し、防犯システム／ベビーモニタをチェック／制御／用意／解除し、冷蔵庫をチェック／制御し、報告すること（例えば、グーグルホーム、アマゾンエコーなどのスピーカを通して、ウェブページ／電子メール／メッセージングシステム／通知システムを介し。）、を含みうる。
【0221】
例えば、ユーザが自宅に車内に到着した場合、そのタスクは、ユーザまたはその乗り物が近づいていることを自動的に検出し、検出時にガレージドアを開き、ユーザがガレージに近づくにつれて私設車道／ガレージにライトを点灯させ、空調装置／ヒータ／ファンをオンさせるなどであってもよい。ユーザが家に入るにつれて、そのタスクは、自動的に、入口ライトをオンにし、私設車道／ガレージのライトをオフにし、ユーザをウェアカムするグリーティングメッセージを発し、音楽をオンにし、ラジオをオンにし、ユーザの好きなラジオニュースチャネルに合わせて調整し、カーテン／ブラインドを開き、ユーザの気分を監視し、ユーザの気分またはユーザの毎日のカレンダー上の現在／差し迫ったイベント（例えば、ユーザが１時間でガールフレンドと食事する予定であるため、ロマンチックな照明及び音楽を行う）に応じて照明及び音環境を調整し、ユーザが朝に準備した食品をマイクロウェーブで暖め、ハウス内の全てのシステムの診断チェックを行い、明日の作業のための天気予報をチェックし、ユーザの興味のあるニュースをチェックし、ユーザのカレンダー、ｔｏ−ｄｏリスト。リマインダをチェックし、電話応答システム、メッセージングシステム、電子メールをチェックし、対話システム／音声合成を使って口頭報告を伝え、ユーザの母の誕生日を思い出させる（例えば、スピーカ、ハイファイ、音声合成、サウンド、声、音楽、歌、音場、背景音場、対話システムなどの聞こえるツールを使い、ＴＶ／エンター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／光／色／明るさ／パターンなどの視覚ツールを使用し、触覚ツール／仮想現実ツール／ジェスチャ／ツールを使用し、スマートデバイス／器具／材料／家具／備品を使用し、ウェブツール／サーバ／ハブデバイス／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、メッセージングツール／通知ツール／通信ツール／スケジューリングツール／電子メールを使用し、ユーザインターフェース／ＧＵＩを使用し、香り／匂い／芳香／味を使用し、神経ツール／神経システムツールを使用し、組合せを使用し）、報告書を作成し、報告書を提供する（例えば、上述のように思い出させるためのツールを使用する）。タスクは、事前に空調装置／ヒータ／換気システムを起動したり、事前にスマートサーモスタットの温度設定を調整したりすることがある。ユーザが玄関からリビングに移動するとき、そのタスクは、リビングルームライトを点灯し、リビングルームカーテンを開き、窓を開き、ユーザの背後にある玄関の光を消し、ＴＶとセットトップボックスをオンにし、セットトップボックスをオンにし、ＴＶをユーザの好みのチャネルに設定し、ユーザの好み及び条件／状態に応じて器具を調整する（例えば、照明を調整し、ロマンチックな雰囲気を構築するために音楽を選択／再生する）ことなどであり得る。
【0222】
別の例は、以下であり得る。ユーザが朝、目を覚ましたとき、そのタスクは、ベッドルーム内を動き回るユーザを検出し、ブラインド／カーテンを開き、窓を開き、目覚まし時計をオフにし、室内温度プロファイルを夜間温度プロファイルから昼間温度プロファイルに調整し、ベッドルームライトをオンにし、ユーザがトイレに近づくにつれてトイレライトをオンにし、ラジオまたはストリーミングチャネルをチェックし、朝のニュースを再生し、コーヒーマシンをオンにし、水を予熱し、防犯システムをオフにするなどすることであり得る。ユーザがベッドルームから台所へ歩くとき、そのタスクは、台所及び廊下灯を点灯させ、ベッドルーム及びトイレの照明を消し、音楽／メッセージ／リマインダをベッドルームから台所に移動させ、台所のＴＶを点灯させ、ＴＶを朝のニュースチャネルに変更し、台所ブラインドを下げ、新鮮な空気をもたらすために台所窓を開け、ユーザがバックヤードをチェックするためにバックドアを解錠し、台所の温度設定を調整することなどであり得る。別の例は、以下であり得る。ユーザが仕事のために家から離れるとき、そのタスクは、ユーザが離れることを検出し、別れをし、及び／または、良い一日を過ごすようにとメッセージを発し、ガレージドアを開閉し、ガレージ灯及び私設車道灯をオン／オフにし、エネルギーを節約するためにオフ／暗くし（ユーザが失敗した場合にのみ）、全ての窓／ドアを閉じ／ロックし（ユーザが失敗した場合にのみ）、器具（特に、ストーブ、オーブン、電子レンジ）をオフにし、侵入者に対して家の防護のために家の防犯システムをオン／装備し、エネルギーを節約するために「家から離れた」プロファイルに空調／暖房／換気システムを調整し、警告／報告／更新をユーザのスマートフォンに送るなどであり得る。
【0223】
動きは、動きなし、休息の動き、動きのない動作、動き、場所／位置の変化、決定論的動き、過渡的動き、転倒動き、繰り返し動き、周期的動き、疑似周期的動き、呼吸に関連する周期的／繰り返し動き、心拍に関連する周期的／繰り返し動き、生物に関連する周期的／繰り返しの動き、機械に関連する周期的／繰り返し動き、人工物体に関連する周期的／繰り返し動き、自然に関連する周期的／繰り返しの動き、過渡的要素及び周期的要素に関連する複雑な動き、反復動き、非決定論的動き、確率論的動き、カオス動き、ランダムな動き、非決定論的要素及び決定論的要素を有する複雑な動き、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（ＡＣＦ）を有する非定常ランダム動き、期間に対する周期的ＡＣＦを伴ったランダム動き、期間に対する疑似定常的なランダム動き、瞬間ＡＣＦが期間に対して疑似周期的／反復的要素を持つランダム動き、機械運動、メカニカルな動き、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、天気関連動作、水関連動作、流体関連動作、地面関連運動、磁気特性の変化、地表面下運動、地震動、植物の動き、動物の動き、動物の運動、人体の運動、正常な動き、異常な動き、危険な動き、警告動作、疑わしい動き、雨、火災、洪水、津波、爆発、衝突、差し迫った衝突、人体運動、頭部運動、顔面運動、眼運動、口腔運動、舌運動、首運動、指の動き、手の動き、腕の動き、肩の動き、体動、胸の動き、腹部の動き、腰の運動、脚の動き、足の動き、体関節運動、膝の動き、ひじの動き、上体の動き、下半身の動き、皮膚の動き、皮下の動き、皮下組織運動、 血管の動き、静脈運動、臓器運動、心臓の動き、肺の動き、胃ぼ動き、腸の動き、便通運動、摂食運動、呼吸運動、顔の表情、眼の表情、口の表情、声の動き、歌う動き、摂食運動、ジェスチャ、手のジェスチャ、腕のジェスチャ、キーストローク、タイピングストローク、ユーザインターフェースジェスチャ、マンマシン相互作用、歩容、ダンスの動き、協調運動、及び／または協調身体運動、のうちの少なくとも１つを含んでもよい。
【0224】
タイプ１デバイス及び／または任意のタイプ２受信機の異種ＩＣは、低雑音増幅器（ＬＮＡ）、電力増幅器、送信−受信スイッチ、メディアアクセスコントローラ、ベースバンド無線機、２．４ＧＨｚ無線機、３．６５ＧＨｚ無線機、４．９ＧＨｚ無線機、５ＧＨｚ無線機、５．９ＧＨｚ無線機、６ＧＨ未満の無線機、６０ＧＨｚ無線機、６０ＧＨｚ未満無線機及び／または別の無線機を含み得る。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されるメモリに記憶された命令のセットとを含み得る。ＩＣ及び／または任意のプロセッサは、汎用プロセッサ、特殊目的プロセッサ、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、中央処理ユニット（ＣＰＵ）、グラフィカルプロセッサユニット（ＧＰＵ）、デジタルシグナルプロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、埋め込みプロセッサ（例えばＡＲＭ）、論理回路、他のプログラマブル論理デバイス、ディスクリートロジック及び／または組み合わせ、のうちの少なくとも１つを含み得る。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（ＷＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタネリアネットワーク（ＭＡＮ）、ＷＬＡＮ標準、ＷｉＦｉ、ＬＴＥ、ＬＴＥ−Ａ、ＬＴＥ−Ｕ、８０２．１１規格、８０２．１１ａ、８０２．１１ｂ、８０２．１１ｇ、８０２．１１ｎ、８０２．１１ａｃ、８０２．１１ａｆ、８０２．１１ａｈ、８０２．１１ａｘ、８０２．１１ａｙ、メッシュネットワーク標準８０２．１６、３Ｇ、３．５Ｇ、４Ｇ、ビヨンド４Ｇ、４．５Ｇ、６Ｇ、７Ｇ、８Ｇ、９Ｇ、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ−ＳＣＤＭＡ、Ｂｌｕｅｔｏｏｔｈ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ−Ｅｎｅｒｇｙ （ＢＬＥ）、ＮＦＣ、Ｚｉｇｂｅｅ、ＷｉＭａｘ、その他の無線ネットワークプロトコル、をサポートしうる。
【0225】
プロセッサは、汎用プロセッサ、特別目的プロセッサ、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、デジタルシグナルプロセッサ、中央処理装置、グラフィカル処理ユニット（ＧＰＵ）、マルチプロセッサ、マルチコアプロセッサ、及び／またはグラフィック能力を有するプロセッサ、及び／または組み合わせ、を含むことができる。メモリは、揮発性、不揮発性、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、プログラム可能ＲＯＭ（ＥＰＲＯＭ）、電気的に消去可能なプログラマブルＲＯＭ（ＥＥＰＲＯＭ）、ハードディスク、フラッシュ・メモリ、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、磁気記憶装置、光記憶装置、有機記憶装置、記憶システム、記憶ネットワーク、ネットワーク記憶装置、クラウド記憶装置、エッジ記憶装置、ローカル記憶装置、外部記憶装置、内部記憶装置、または技術的に知られている他の形態の非一時的記憶媒体であってもよい。方法のステップに対応する命令のセット（マシン実行可能コード）は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの組み合わせで直接実施可能である。指示のセットは、組み込み、プリロード、ブート時にロード、オンザフライでロード、オンデマンドでロード、プリインストール、インストール、及び／またはダウンロードすることができる。
【0226】
プレゼンテーションは、視覚的な方法（例えば、視覚、グラフィックス、テキスト、シンボル、色、シェード、ビデオ、アニメーション、サウンド、音声、音響などの組み合わせを使用する）、グラフィカルな方法（例えば、ＧＵＩ、アニメーション、ビデオを使用する）、テキスト的な方法（例えば、テキスト付ウェブページ、メッセージ、アニメーションテキスト）、記号的な方法（例えば、絵文字、サイン、手のジェスチャ）、または機械的な方法（例えば、バイブレーション、アクチュエータの動き、触覚など）によるプレゼンテーションであってもよい。
【0227】
この方法に関連する計算ワークロードは、プロセッサ、タイプ１異種無線装置、タイプ２異種無線装置、ローカルサーバ（例えば、ハブ装置）、クラウドサーバ、及び他のプロセッサの間で共有される。
【0228】
操作、前処理、処理及び／または後処理は、データ（例えば、ＴＳＣＩ、自己相関、ＴＳＣＩの特徴）に適用され得る。操作には、前処理、処理及び／または後処理がありうる。前処理、処理及び／または後処理は、操作であってもよい。操作は、前処理、処理、後処理、スケーリング、信頼係数の計算、視線（ＬＯＳ）量の計算、非ＬＯＳ （ＮＬＯＳ）量の計算、ＬＯＳ及びＮＬＯＳを含む量の計算、単一リンク（例えば、パス、通信経路、送信アンテナと受信アンテナの間のリンク）量の計算、多重リンクを含む量の計算、オペランドの関数を計算すること、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、フォールディング、グルーピング、エネルギー計算、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、メジアンフィルタリング、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、有限インパルス応答（ＦＩＲ）フィルタリング、無限インパルス応答（ＩＩＲ）フィルタリング、移動平均（ＭＡ）フィルタリング、自己回帰（ＡＲ）フィルタリング、自己回帰移動平均（ＡＲＭＡ）フィルタリング、選択フィルタリング、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、時間ベース補正、位相補正、大きさ補正、位相洗浄、振幅洗浄、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、スムージング、信号調整、エンハンスメント、復元、線形変換、非線形変換、逆変換、周波数変換、逆周波数変換、フーリエ変換（ＦＴ）、離散時間ＦＴ （ＤＴＦＴ）、離散ＦＴ（ＤＦＴ）、高速ＦＴ（ＦＦＴ）、ウェーブレット変換、ラプラス変換、ヒルバート変換、ハダマール変換、トリゴノメトリック変換、シン変換、コサイン変換、ＤＣＴ、２のべき乗変換、スパース変換、グラフベース変換、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、サイクリックパディング、パディング、ゼロパディング、特徴抽出、分解、射影、直交射影、非直交射影、過剰射影（ｏｅｃｏｍｌｅｅ ｏｊｅｃｉｏｎ）、固有分解、特異値分解（ＳＶＤ）、原理成分分析（ＩＣＡ）、独立成分分析（ＩＣＡ）、グループ化、仕分け、閾値化、ソフト閾値化、ハード閾値化、クリッピング、ソフトクリッピング、一次微分、二次微分、高次微分、畳み込み、乗算、分割、加算、減算、積分、最大化、最小化、最小二乗誤差、再帰最小二乗、制約付き最小二乗法、バッチ最小二乗、最小絶対偏差、最小平均二乗偏差、最小絶対偏差、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、認識、ラベリング、トレーニング、クラスタリング、機械学習、教師有り学習、教師なし学習、半教師あり学習、他のＴＳＣＩとの比較、類似度スコア計算、量子化、ベクトル量子化、マッチング追跡、圧縮、暗号化、符号化、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、再マッピング、拡張、記憶、検索、送信、受信、表現、結合、合併すること、分割、追跡、監視、マッチドフィルタリング、カルマンフィルタリング、粒子フィルタリング、内挿、外挿、ヒストグラム推定 、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、表現、合併、結合、分割、スクランブリング、エラー保護、前方エラー訂正、何もしない、時間変動処理、調整平均化、加重平均化、算術平均、幾何平均、調和平均、選択された周波数にわたる平均化、アンテナリンクにわたる平均化、論理的操作、置換、組合せ、ソーティング、ＡＮＤ、ＯＲ、ＸＯＲ、結合、交差、ベクトル加算、ベクトル減算、ベクトル乗算、ベクトル除算、逆、ノルム、距離、及び／または別の演算、を含みうる。操作は、前処理、処理、及び／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上で共同して適用され得る。
【0229】
関数（例えばオペランドの関数）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、特性、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、代数的関数、非線形関数、区分関数、実数関数、複素関数、ベクトル値関数、逆関数、導関数、積分関数、円形関数、他の関数の関数、１対１関数、１対多関数、多対１関数、多対多関数、ゼロクロス、絶対関数、指標関数、平均、モード、中央値、範囲、統計、ヒストグラム、分散、標準偏差、変化の尺度、拡大、分散、偏差、ダイバージェンス、範囲、四分位範囲、全偏差、絶対偏差、算術平均、幾何平均、調和平均、トリム平均、パーセンタイル、二乗、立方、平方根、パワー、サイン、コサイン、タンジェント、コタンジェント、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、制限関数、フロア関数、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、演算で処理される時間関数（例えばフィルタリング）、確率論的関数、推計学的関数、決定論的関数、周期関数、反復関数、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、正弦変換、余弦変換、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）、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ウィンドウの関数、フィルタリング関数、畳み込み、平均関数、ヒストグラム、分散／標準偏差関数、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、マッチング追求、スパース変換、任意の分解、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、クラス／グループ／カテゴリの識別、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、雑音除去、信号強調、符号化、暗号化、マッピング、再マッピング、ベクトル量子化、ローパスフィルタリング、ハイパスフィルタリング、バンドパスフィルタリング、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、粒子フィルタリング、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、適応的フィルタリング、一次導関数、高次導関数、積分、ゼロ交差、スムージング、メディ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、ダウンコンバーティング、アップサンプリング、アップコンバーティング、内挿、外挿、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、統計学、 短期統計、長期統計、自己相関関数、相互相関、積率母関数、時間平均、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、積分関数、ガウス関数、ポアソン関数など、を含みうる。本開示のステップ（または各ステップ）には、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、分散計算、分散記憶、ＧＰＵ／ＤＳＰ／コプロセッサ／マルチコア／マルチプロセッシングを使用するアクセラレーション、が適用され得る。
【0230】
周波数変換は、フーリエ変換、ラプラス変換、アダマール変換、ヒルベルト変換、サイン変換、コサイン変換、三角変換、ウェーブレット変換、整数変換、２のべき乗変換、ゼロパディング及び変換の組み合わせ、ゼロパディングを有する電力フーリエ変換、及び／または別の変換を含んでもよい。変換の高速バージョン及び／または近似バージョンが実行され得る。変換は、浮動小数点、及び／または固定小数点演算を使用して行うことができる。
【0231】
逆周波数変換は、逆フーリエ変換、逆ラプラス変換、逆アダマール変換、逆ヒルベルト変換、逆サイン変換、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、ゼロパディング及び変換の組み合わせ、ゼロパディングを有する逆フーリエ変換、及び／または別の変換を含むことができる。変換の高速バージョン及び／または近似バージョンが実行され得る。変換は、浮動小数点、及び／または固定小数点演算を使用して行うことができる。
【0232】
ＴＳＣＩからの量／特徴を計算することができる。量は、運動、位置、マップ座標、高さ、速度、加速度、移動角度、回転、寸法、体積、時間トレンド、ワンタイムパターン、反復パターン、発展パターン、時間パターン、相互に除外されるパターン、関連／相関パターン、原因−効果、短期／長期相関、傾向、傾き、好み、統計、典型的挙動、非典型的挙動、時間トレンド、時間プロファイル、周期的運動、反復運動、反復、傾向、変化、急激な変化、ゆるやかな変化、頻度、過渡的、呼吸、歩容、行動、イベント、疑わしいイベント、危険イベント、警告イベント、警告、信念、近接、衝突、電力、信号、信号電力、信号強度、信号量、受信信号強度指標（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）、マップ、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、動悸、統計パラメータ、心肺統計／分析（例えば、出力応答）、日常活動統計／分析、慢性疾患統計／分析、医療統計／分析、早期（または瞬間または同時または遅延）指示／示唆／兆候／標識／検証器／検出／症状／条件／状態、生体計測、ベビー、患者、機械、デバイス、温度、車両、駐車場、場所、リフト、エレベータ、空間、道路、流体流、家庭、室、事務所、家屋、建物、倉庫、保管、システム、換気、ファン、パイプ、ダクト、人々、人間、車、ボート、トラック、飛行機、ドローン、ダウンタウン、群集、衝動的イベント、周期定常、環境、振動、材料、表面、３次元、２次元、局所、全体、存在、及び／または他の測定可能な量／変数、のうちの少なくとも１つの統計量を含みうる。
【0233】
スライディングタイムウィンドウは、時間変化するウィンドウ幅を有し得る。迅速な獲得を可能にするためには、最初はより小さくてもよく、定常状態サイズまで経時的に増加してもよい。定常状態サイズは、監視される周波数、反復運動、過渡的運動、及び／またはＳＴＩに関連し得る。定常状態においてさえ、ウィンドウサイズは、電池寿命、電力消費、利用可能な計算パワー、対象の量の変化、監視される動きの性質などに基づいて、適応的に（及び／または動的に）変化され得る（例えば、調整され、変化され、修正され）。
【0234】
隣接する時間事例における２つのスライディングタイムウィンドウ間の時間シフトは、時間にわたって（経時的に）一定／可変／局所的に適応／動的に調節され得る。より短い時間シフトが使用される場合、任意の監視の更新は、より頻繁であり得、これは、迅速に変化する状況、オブジェクトの動き、及び／またはオブジェクトのために使用され得る。より長い時間シフトは、より遅い状況、オブジェクトの動き、及び／またはオブジェクトのために使用され得る。ウィンドウ幅／サイズ及び／または時間シフトは、ユーザの要求／選択に応じて変更（例えば、調整、変更、修正）され得る。時間シフトは、自動的に（例えば、プロセッサ／コンピュータ／サーバ／ハブ装置／クラウドサーバによって制御されるように）及び／または適応的に（及び／または動的に）変更することができる。
【0235】
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、周波数ドメイン関数、周波数変換）の少なくとも１つの特性（例えば、特性値、または特性点）は、（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、及び／または別の装置によって）決定され得る。この関数の少なくとも１つの特性は、最大、最小、極値、局所的最大値、局所的最小値、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番目の局値、負の時間オフセットを有する第１の局所的極値、制限された最大、制限された最小、制限された極値、有意な最大、有意な最小、有意な極値、勾配、導関数、高次の導関数、最大勾配、最小勾配、局所最大勾配、正の時間オフセットを有する局所的最大勾配、局所的最小勾配、制限された最大の勾配、制限された最小勾配、最大の高次の導関数、最小の高次の導関数、制限された高次の導関数、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、制限されたゼロ交差、勾配のゼロ交差、高次の導関数の勾配のゼロ交差、及び／またはその他の特性、を含みうる。関数の少なくとも１つの特性に関連する関数の少なくとも１つの引数が、識別され得る。ある量（例えば、オブジェクトの空間的−時間的情報）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。
【0236】
特性（例えば場所におけるオブジェクトの動き特性）は、瞬時特性、短期特性、反復特性、繰返し特性、履歴、増分特性、変化特性、偏差特性、位相、振幅、度合い、時間特性、周波数特性、時間周波数特性、分解特性、直交分解特性、非直交分解特性、決定論的特性、確率特性、推計学的な特性、自己相関関数（ＡＣＦ）、平均、分散値、標準偏差、変化の尺度、広がり、ばらつき、偏差、ダイバージェンス、範囲、四分位数範囲、全変動、絶対偏差、全偏差、統計、持続時間、時期、トレンド、周期特性、反復特性、長期特性、履歴特性、平均特性、最新特性、過去特性、将来特性、予測特性、位置、距離、高さ、速度、方向、ベロシティ、加速度、加速度の変化、角度、角速度（ａｎｇｕｌａｒ ｓｐｅｅｄ）、角速度（ａｎｇｕｌａｒ ｖｅｌｏｃｉｔｙ）角速度の変化、オブジェクトの 角加速度、角加速度の変化、オブジェクトの方向、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、オブジェクトの大きさの変化、オブジェクトの構造の変化、及び／またはオブジェクトの特性の変化、のうちの少なくとも１つを含む。
【0237】
関数の少なくとも１つの極大値及び少なくとも１つの極小値が識別され得る。少なくとも１つの局所信号対雑音比類似（ＳＮＲ類似）パラメータは、隣接する極大値及び極小値の各対に対して計算されてもよい。ＳＮＲ類似パラメータは、極小値の同じ量にわたる極大値の量（例えば、電力、大きさ）の分数（ｆｒａｃｔｉｏｎ）の関数（例えば、線形、対数、指数関数、単調関数）であり得る。それはまた、極大値の量と極小値の同じ量との間の差の関数であり得る。有意な局所ピークを識別または選択することができる。各有意な局所ピークは、閾値Ｔ１より大きいＳＮＲ類似パラメータを有する極大、及び／または閾値Ｔ２より大きい振幅を有する極大であり得る。周波数領域内の少なくとも１つの極小値及び少なくとも１つの極小値は、持続性に基づくアプローチを使用して識別／計算され得る。
【0238】
選択された有意な局所的ピークのセットは、選択基準（例えば、品質基準、信号品質状態）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。オブジェクトの特性／ＳＴＩは、選択された有意な局所的ピークのセット及び選択された有意な局所的ピークのセットに関連する頻度値（ｆｒｅｑｕｅｎｃｙ ｖａｌｕｅｓ）に基づいて計算され得る。１つの例において、選択基準は、範囲内の最も強いピークを選択することに常に対応し得る。最も強いピークが選択されてもよいが、選択されていないピークは、依然として有意であり得る（むしろ強い）。
【0239】
未選択の有意なピークは、将来のスライディングタイムウィンドウにおける将来の選択において使用するための「予約」ピークとして保存及び／または監視され得る。一例として、経時的に一貫して現れる特定のピーク（特定の周波数における）が存在し得る。最初は、有意であっても選択されない場合がある（他のピークがより強くなる可能性があるため）。しかし、後の時間には、ピークがより強く、より支配的になり、選択され得る。「選択」となった場合は、時間的に逆トレースされ、有意であるが選択されていない早い時期に「選択」されたとすることができる。このような場合、逆トレースされたピークは、早い時期に、以前に選択されたピークを置き換えることができる。置換されたピークは、比較的弱いピーク、または時間的に分離して現れる（すなわち、時間的に短時間のみ現れる）ピークであり得る。
【0240】
その他の例では、選択基準は、範囲内の最も強いピークを選択すること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、過去に起こった可能性のあるピーク、特に長い間識別されたピークの「トレース」を考慮してもよい。例えば、有限状態機械（ＦＳＭ）が使用される場合、それは、ＦＳＭの状態に基づいてピークを選択し得る。決定閾値は、ＦＳＭの状態に基づいて適応的に（及び／または動的に）計算され得る。
【0241】
類似性スコア及び／または成分類似性スコアは、ＴＳＣＩの一対の時間的に隣接するＣＩに基づいて（例えば、サーバ（例えば、ハブ装置）、プロセッサ、タイプ１デバイス、タイプ２デバイス、ローカルサーバ、クラウドサーバ、及び／または別の装置によって）計算され得る。対は、同じスライディングウィンドウまたは２つの異なるスライディングウィンドウから得られ得る。類似性スコアはまた、二つの異なるＴＳＣＩからの一対の、時間的に隣接しているか、それほど隣接していない、ＣＩに基づいてもよい。類似性スコア及び／または成分類似性スコアは、時間反転共鳴強度（ｔｉｍｅ ｒｅｖｅｒｓａｌ ｒｅｓｏｎａｔｉｎｇ ｓｔｒｅｎｇｔｈ（ＴＲＲＳ））、相関、相互相関、自己相関、相関インジケータ、共分散、相互共分散、自己共分散、２つのベクトルの内積、距離スコア、ノルム、メトリック、品質メトリック、信号品質条件、統計特性、識別スコア、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、識別、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、時間調整、位相オフセット補償、変換、成分ごとの操作、特徴抽出、有限状態機械、及び／または別のスコア、でありうる／含み得る。特性及び／またはＳＴＩは、類似性スコアに基づいて決定され／計算され得る。
【0242】
任意の閾値は、有限状態機械によって予め決定され、適応的に（及び／または動的に）決定され、及び／または決定され得る。適応的決定は、時間、空間、位置、アンテナ、経路、リンク、状態、バッテリ寿命、バッテリ残量、利用可能電力、利用可能な計算資源、利用可能なネットワーク帯域幅などに基づいてもよい。
【0243】
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及びＢを区別するために試験統計に適用される閾値は、決定され得る。データ（例えば、ＣＩ、チャネル状態情報（ＣＳＩ）、電力パラメータ）は、トレーニングの場面においてＡの下及び／またはＢの下で収集され得る。試験的統計値は、データに基づいて計算することができる。Ａの下の試験的統計値の分布は、Ｂの下の試験的統計値の分布（リファレンス分布）と比較することができ、閾値は、いくつかの基準に従って選択することができる。判定基準は、最尤推定（ＭＬ）、最大事後確率（ＭＡＰ）、識別トレーニング、所与のタイプ２誤差についての最小タイプ１誤差、所与のタイプ１誤差についての最小タイプ２誤差、及び／または他の判定基準（例えば、品質基準、信号品質条件）を含み得る。閾値は、Ａ、Ｂ、及び／または別のイベント／条件／場面／状態に対する異なる感度を達成するように調整され得る。閾値調整は、自動、半自動及び／または手動であってもよい。閾値調整は、１回、時には、しばしば、周期的に、繰り返し、時折、散発的に、及び／またはオンデマンドで適用され得る。閾値調整は、適応的（及び／または動的に調整され得る）であり得る。閾値調整は、オブジェクト、オブジェクト移動／位置／方向／動作、オブジェクト特性／ ＳＴＩ／サイズ／特性／形質／習慣／挙動、場所、場所における／場所での／場所の、特徴／備品／家具／バリア／材料／機械／生物／物体／オブジェクト／境界／表面／媒体、マップ、マップの制約（または環境モデル）、イベント／状態／場面／条件、時間、タイミング、持続時間、現在の状態、過去の履歴、ユーザ、及び／または個人的な好みなどに依存し得る。
【0244】
反復アルゴリズムの停止基準（またはスキップまたはバイパスまたはブロッキングまたは一時停止または通過または拒否する基準）は、反復における更新における現在のパラメータ（例えば、オフセット値）の変化が閾値未満であることであり得る。閾値は、０．５、１、１．５、２、または別の数であり得る。閾値は、適応的（及び／または動的に調整される）であり得る。それは、反復が進行するにつれて変化し得る。オフセット値に関して、適応的閾値は、タスク、初回の特定の値、現在の時間オフセット値、回帰ウィンドウ、回帰分析、回帰関数、回帰誤差、回帰関数の凸性、及び／または反復数に基づいて決定され得る。
【0245】
局所極値は、回帰ウィンドウにおける回帰関数の対応する極値として決定され得る。局所極値は、回帰ウィンドウ内の時間オフセット値のセット及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に関連する関連する回帰関数値のセットの各々は、回帰ウィンドウにおける回帰関数の対応する極値からの範囲内であり得る。
【0246】
局所極値の探索は、ロバスト探索、最小化、最適化、最適化、統計的最適化、双対最適化、制約最適化、凸最適化、大域最適化、局所最適化、エネルギー最小化、線形回帰、二次回帰、高次回帰、線形計画法、非線形計画法、確率的プログラミング、コンビナトリアル最適化、制約プログラミング、制約充足、バリエーションの計算、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、選言的プログラミング、空間マッピング、無限次元最適化、ヒューリスティク、メタヒューリスティク、凸計画法、半正定値計画問題、円錐計画法、二次錐計画問題、整数計画法、二次計画法、フラクショナルプログラミング、数値解析、シンプレックスアルゴリズム、反復法、勾配降下、部分勾配法、座標勾配法、共役勾配法、ニュートンのアルゴリズム、逐次二次計画法、内点法、楕円法、縮小勾配法、準ニュートン法、同時摂動確率近似、補間法、パターン探索法、線探索、非微分最適化、遺伝的アルゴリズム、進化的アルゴリズム、動的緩和 山登り法、粒子群最適化、重力探索アルゴリズム、シミュレーテッドアニーリング、ミームティック（ｍｅｍｅｔｉｃ）アルゴリズム、差分進化、動的緩和、確率的トンネリング、タブ探索、反応探索最適化、曲線あてはめ、最小二乗、シミュレーションベース最適化、変分計算、及び／または変形、を含みうる。局所的極値の検索は、目的関数、損失関数、コスト関数、効用関数、フィットネス関数、エネルギー関数、及び／またはエネルギー関数に関連しうる。
【0247】
回帰は、回帰ウィンドウにおいて、サンプリングされたデータ（例えば、ＣＩ、ＣＩの特徴、ＣＩの成分）または別の関数（例えば、自己相関関数）に適合させるために、回帰関数を使用して実施され得る。少なくとも１つの反復において、回帰ウィンドウの長さ及び／または回帰ウィンドウの位置が変化し得る。回帰関数は、線形関数、二次関数、三次関数、多項式関数、及び／又は別の関数であり得る。回帰分析は、誤差、集計誤差、成分誤差、射影領域における誤差、選択された軸における誤差、選択された直交軸における誤差、絶対誤差、二乗誤差、絶対偏差、二乗偏差、高次誤差（例えば、三次、四次）、ロバスト誤差（例えば、より小さい大きさの誤差のため及びより大きい誤差のための絶対誤差に対する二乗誤差、またはより小さい大きさの誤差のための第１の種類の誤差及びより大きい大きさの誤差のための第２の種類の誤差）、別の誤差、絶対／二乗誤差の加重和（または加重平均）（例えば、複数のアンテナを有する無線送信機及び複数のアンテナを有する無線受信機の場合、送信機アンテナ及び受信機アンテナの各対はリンクを形成する）、平均絶対誤差、平均二乗誤差、平均絶対偏差、及び／または平均二乗偏差、のうちの少なくとも１つを最小化し得る。異なるリンクに関連する誤差は、異なる重みを有し得る。１つの可能性は、いくつかのリンク及び／またはより大きな雑音またはより低い信号品質メトリックを有するいくつかの構成要素が、より小さいまたはより大きな重みを有し得ることである。（二乗誤差の加重和、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、二乗コストの加重和、高次コストの加重和、ロバストコストの加重和、及び／または別のコストの加重和）。決定される回帰誤差は、絶対誤差、二乗誤差、高次誤差、ロバスト誤差、さらに別の誤差、絶対誤差の加重和、二乗誤差の加重和、高次誤差の加重和、ロバスト誤差の加重和、及び／またはさらに別の誤差の加重和であり得る。
【0248】
回帰ウィンドウ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）に関連する時間オフセットは、反復における更新された現在の時間オフセットとなり得る。
【0249】
局所極値は、２つの異なる誤差の差（例えば、絶対誤差と二乗誤差との間の差）を含む量に基づいて検索することができる。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、二乗誤差の加重和、高次誤差の加重和、ロバスト誤差の加重和、及び／または別の誤差の加重和を含み得る。
【0250】
量は、Ｆ−分布、中心Ｆ−分布、別の統計的分布、閾値、確率／ヒストグラムに関連する閾値、偽ピークを発見する確率／ヒストグラムに関連する閾値、Ｆ−分布に関連する閾値、中心Ｆ−分布に関連する閾値、及び／または別の統計的分布に関連する閾値などの参照データまたは参照分布と比較され得る。
【0251】
回帰ウィンドウ（ｒｅｇｒｅｓｓｉｏｎ ｗｉｎｄｏｗ）は、オブジェクトの移動（例えば、場所／位置の変化）、オブジェクトに関連する量、オブジェクトの移動に関連するオブジェクトの少なくとも１つの特性及び／またはＳＴＩ、局所的極値の推定位置、ノイズ特性、推定ノイズ特性、信号品質メトリック、Ｆ分布、中心Ｆ分布、別の統計的分布、閾値、事前設定しきい値、確率／ヒストグラムに関連する閾値、所望の確率に関連する閾値、誤ったピークを発見する確率に関連する閾値、Ｆ分布に関連する閾値、中心Ｆ分布に関連する閾値、別の統計的分布に関連する閾値、ウィンドウ中心におけるその量が回帰ウィンドウ内で最大である条件、回帰ウィンドウ内で初めて特定の値についての特定の関数の局所的極値のうちの１つのみが存在する条件、別の回帰ウィンドウ、及び／または他の条件、うちの少なくとも１つに基づいて決定されうる。
【0252】
回帰ウィンドウの幅は、検索される特定の局所極値に基づいて決定され得る。局所的極値は、第１の局所最大、第２の局所最大、高次の局所最大、正の時間オフセットを有する第１の局所最大、正の時間オフセット値を有する第２の局所最大、正の時間オフセット値を有する高次の局所最大、負の時間オフセット値を有する第１の局所最大、負の時間オフセット値を有する第２の局所最大、負の時間オフセット値を有する第２の局所最大、負の時間オフセット値を有する高次の局所最大、第１の局所最小、第２の局所最小、高次の局所的最小、正の時間オフセット値を有する第１の局所最小、正の時間オフセット値を有する第２の局所最小、正の時間オフセット値を有する高次の局所最小、負の時間オフセット値を有する第１の局所最小、負の時間オフセット値を有する第２の局所最小、負の時間オフセット値を有する高次の局所最小、第１の局所的極値、第２の局所的極値、高次の局所極値、正の時間オフセット値を有する第１の局所極値、正の時間オフセット値を有する第２の局所極値、負の時間オフセット値を有する第１の局所極値、負の時間オフセット値を有する第２の局所極値、負及び／または 負の時間オフセット値を有する高次の極値、を含みうる。
【0253】
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、対象プロファイル、トレンド、過去のトレンド、現在のトレンド、目標速度、速度プロファイル、目標速度プロファイル、過去の速度トレンド、オブジェクトの運動または移動（例えば、場所／位置の変化）、オブジェクトの動きに関連するオブジェクトの少なくとも１つの特性及び／またはＳＴＩ、オブジェクトの位置量、オブジェクトの動きに関連するオブジェクトの初期速度、事前定義された値、回帰ウィンドウの初期幅、持続時間、信号の搬送波周波数に基づく値、信号のサブ搬送波周波数に基づく値、信号の帯域幅、チャネルに関連するアンテナの総計、雑音特性、信号ｈメトリック、及び／または適応（及び／または動的に調整された）値に基づいて初期化され得る。現在の時間オフセットは、回帰ウィンドウの中心、左側、右側、及び／または別の固定相対位置にあってもよい。
【0254】
プレゼンテーションでは、情報は、場所の地図（または環境モデル）と共に表示され得る。情報は、位置、ゾーン、領域、領域、カバレッジ領域、補正された位置、おおよその位置、場所の地図に関する（ｗ．ｒ．ｔ．）位置、分割された場所に関する位置、方向、経路、マップ及び／またはセグメンテーションに関する経路、トレース（例えば、過去５秒、または過去１０秒などのタイムウィンドウ内の位置、タイムウィンドウ持続時間を適応的に（及び／または動的に）調整することができ、タイムウィンドウ持続時間は、適応的に（及び／または動的に）速度、加速度に関して調整されうる）、経路の履歴、経路に沿った近似領域／ゾーン、過去の位置の履歴／概要、過去の関心位置の履歴、頻繁に訪れた領域、顧客トラフィック、群れの布、群れの挙動、群れの制御情報、速度、加速度、運動統計、呼吸速度、心拍数、運動の存在／不在、 人またはペットまたはオブジェクトの有無、バイタルサインの有無、ジェスチャ制御（ジェスチャを用いた装置の制御）、位置ベースのジェスチャ制御、位置ベースの操作の情報、関心のあるオブジェクト（例えば、ペット、人、自己ガイド式機械／デバイス、車両、ドローン、カー、ボート、自転車、無人車、ファン付き機械、空調機、ＴＶ、可動部を備えた機械）のアイデンティティ（ＩＤ）または識別子、ユーザの識別（例えば、人）、ユーザの情報、位置／速度／加速／方向／動き／ジェスチャ／ジェスチャ制御／動きトレース、ユーザのＩＤまたは識別子、ユーザの活動、ユーザの状態、ユーザの睡眠／休息特性、ユーザの感情状態、ユーザの生命サイン、場所の環境情報、場所の天気情報、地震、爆発、暴風雨、雨、火災、温度、衝突、衝撃、振動、イベント、ドア開けイベント、ドア閉めイベント、窓開けイベント、ウィンドウ閉めイベント、転倒イベント、燃焼イベント、凍結イベント、水関連イベント、風関連イベント、空気移動イベント、事故イベント、擬似周期的イベント（例えば、トレッドミル上での走行、ピョンピョン跳ねる、縄跳び、でんぐり返しなど）、繰り返しイベント、群れるイベント、車両イベント、ユーザのジェスチャ（例えば、手ジェスチャ、アームジェスチャ、足ジェスチャ、足ジェスチャ、身体ジェスチャ、頭部ジェスチャ、顔ジェスチャ、口のジェスチャ、目のジェスチャなど）、を含みうる。位置は、２次元（例えば、２次元座標を用いて）、３次元（例えば、３次元座標を用いて）であり得る。位置は、相対的（例えば、地図または環境モデルに関して）または関係的（例えば、点Ａと点Ｂとの間の中間、角の周り、上の階、テーブルの上、天井、床上、ソファ上、点Ａに近い、点Ａからの距離Ｒ、点ＡからのＲの半径内など）であり得る。位置は、直交座標、極座標、及び／または別の表現で表現され得る。
【0255】
情報（例えば、場所）は、少なくとも１つのシンボルでマークされ得る。シンボルは、時間変化してもよい。シンボルは、色／強度を変化させても変化させなくても点滅及び／または脈動してもよい。サイズは、経時的に変化し得る。シンボルの向きは、経時的に変化し得る。シンボルは、瞬時量（例えば、ユーザのバイタルサイン／呼吸数／心拍数／ジェスチャ／状況／状態／動作／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／機械の状態、デバイスの残り電力、デバイスの状態など）を反映する数であってもよい。変化速度、サイズ、配向、色、強度及び／またはシンボルは、それぞれの運動を反映し得る。情報は、視覚的に提示され、及び／または口頭で説明され得る（例えば、事前に記録された音声、または音声合成を使用して）。情報は、テキストで記述することができる。情報はまた、機械的な方法（例えば、アニメーション化されたガジェット、可動部分の動き）で提示され得る。
【0256】
ユーザインターフェース（ＵＩ）デバイスは、スマートフォン（例えば、ｉＰｈｏｎｅ、Ａｎｄｒｏｉｄ ｐｈｏｎｅ）、タブレット（例えば、ｉＰａｄ）、ラップトップ（例えば、ノートパソコン）、パーソナルコンピュータ（ＰＣ）、グラフィックユーザインターフェース（ＧＵＩ）を有するデバイス、スマートスピーカ、音声／音／スピーカ能力を有する装置、仮想リアリティ（ＶＲ）装置、拡張リアリティ（ＡＲ）装置、スマートカー、車内ディスプレイ、音声アシスタント、車内音声アシスタントなどであり得る。地図（または環境モデル）は、２次元、３次元及び／またはより高次元であってもよい。（例えば、時間的に変化する２次元／３次元マップ／環境モデル）、壁、ウィンドウ、ドア、入口、出口、禁止区域は、地図またはモデルにマークされることがある。地図は、施設のフロアプランを含むことができる。マップまたはモデルは、１つまたは複数のレイヤー（オーバーレイ）を有することができる。地図／モデルは、水道管、ガス管、配線、ケーブル配線、エアダクト、クロールスペース、天井レイアウト、及び／または地下レイアウトを含むメンテナンス地図／モデルとすることができる。場所は、ベッドルーム、リビングルーム、貯蔵室、歩行路、台所、食堂、ホワイエ、ガレージ、１階、２階、トイレ、事務所、会議室、受付エリア、各種事務所エリア、各種倉庫エリア、各種施設エリアなどのような、複数のゾーン／領域／地理的領域／セクタ／セクション／テリトリー／地区／行政上の区域／現場／近隣／エリア／ストレッチ（ｓｔｒｅｔｃｈ）／広々した場所に区分／細分化／領域化／グループ化することができる。セグメント／領域／区域は、マップ／モデルで提示することができる。異なる領域は、色分けされてもよい。異なる領域は、特性（例えば、色、明るさ、色強度、テクスチャ、アニメーション、点滅、点滅速度など）をもって提示されてもよい。場所の論理的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（例えば、ハブ装置）、またはクラウドサーバなどを使用して行うことができる。
【0257】
ここでは、開示されるシステム、装置、及び方法の一例である。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の２０００平方フィートの２階建てタウンハウス内での運きを検出したいと考えている。彼の家は二階建てであるので、ステファンは１つのタイプ２デバイス（Ａという名前のもの）と２つのタイプ１デバイス（ＢとＣという名のもの）を１階に使うことにした。１階は台所、食堂、居間の３部屋を中心に、食堂は真ん中に、直線に並んで配置されている。台所と居間は家の反対側にある。彼は、タイプ２デバイス（Ａ）を食堂に置き、１台のタイプ１デバイス（Ｂ）を台所に置き、もう１台のタイプ１デバイス（Ｃ）を居室に置いた。この装置の設置に伴い、動き検知システムを用いて、彼は具体的には１階を３区域（食堂、居室、台所）に区画化している。動きがＡＢ対及びＡＣ対によって検出される場合、システムは、動き情報を分析し、動きを３つのゾーンのうちの１つに関連付ける。
【0258】
ステファンと彼の家族が週末に外出するとき（例えば、長い週末にキャンプに行くとき）、ステファンは携帯電話アプリ（例：ＡｎｄｒｏｉｄフォンアプリやｉＰｈｏｎｅアプリ）を使って動き検出システムをオンにした。システムが動きを検出すると、警告信号がステファンへ送信される（例えば、ＳＭＳテキストメッセージ、電子メール、携帯電話アプリへのプッシュメッセージなど）。ステファンが月々の料金（例えば、１０ドル／月）を払う場合、サービス会社（例えば、セキュリティ会社）は、有線ネットワーク（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）を通して警告信号を受信し、ステファンのためのセキュリティ手順を実行する（例えば、問題を確認させるために彼に電話し、ある人に家をチェックするために送り、ステファンに代わって警察に連絡する、など）。ステファンは彼の年をとった母親が大好きで、家に一人でいるときは彼女の幸せを気にかけている。家族の残りが外出中（例えば、仕事に行く、ショッピングに行く、または休みに行く）に母親が家に一人でいる場合、ステファンは、母親が大丈夫でいることを確実にするために、彼のモバイルアプリを使用して動き検出システムをオンにする。その後、彼はモバイルアプリを使って、家の中での母親の動きをモニタリングする。ステファンがモバイルアプリを使って、母親が３つの領域の間で家の中を動き回っているのを見ると、彼女の日々のルーチンによれば、ステファンは母親が大丈夫であることを知っている。ステファンは、動き検出システムが、彼が家から離れている間、彼の母親の幸福を監視するのを助けることができることに感謝している。
【0259】
典型的な日には、母親は午前７時頃に目覚める。彼女は約２０分間で台所で朝食を作るつもりだった。それから食堂で朝食を３０分くらい食べた。それから、居間のソファーに座って、自分の好きなテレビ番組を見る前に、リビングルームで毎日の運動をしていた。動き検出システムは、ステファンが家の３つの領域のそれぞれにおける動きのタイミングを見ることを可能にする。動きが毎日のルーチンに合致するとき、ステファンは母親が上手くやっているはずであることを大まかに知っている。しかし、運動パターンが異常に見えると（例えば、ＡＭ１０時まで運動がないか、長く台所に滞在しすぎるか、長く動かないままであるか、など）、ステファンは何かが違っていると疑い、母親をチェックするために母親に電話をする。ステファンは、誰か（例えば、家族、近所の人、有給の職員、友人、ソーシャルワーカー、サービス提供者）に母親を確認してもらうことさえある。
【0260】
時には、ステファンはタイプ２デバイスの位置を変えるように感じる。彼は、単に装置を元の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、再配置がシステムの動作に影響しないことを満足している。電源を入れると、すぐに機能する。またの機会には、ステファンは、われわれの無線動き検出システムが、非常に高い精度と非常に低い警報で運動を実際に検出できることを確信しており、実際にモバイルアプリを使用して、１階の運動を監視することができる。彼は、２階の寝室を監視するために、２階に同様の構成（すなわち、１つのタイプ２デバイス及び２つのタイプ１デバイス）を設置することを決定する。再び、彼は、タイプ２デバイス及びタイプ１デバイスを２階のＡＣ電源プラグに単に差し込む必要があるので、システムセットアップが極めて容易であることを発見した。特別な設置は必要ない。そして、同じモバイルアプリを使用して、１階と２階の動きを監視することができる。１階／２階の各タイプ２デバイスは、１階と２階の両方のタイプ１デバイスすべてと相互に作用することができる。ステファンは、タイプ１デバイス及びタイプ２デバイスへの投資を２倍にするにつれて、組み合わされたシステムの２倍以上の能力を有することを見て幸せである。
【0261】
様々な実施形態によれば、各ＣＩ（ＣＩ）は、チャネル状態情報（ＣＳＩ）、周波数ドメインＣＳＩ、ＣＳＩの周波数表現、少なくとも１つのサブバンドに関連する周波数ドメインＣＳＩ、時間領域ＣＳＩ、ドメイン内ＣＳＩ、チャネル応答、チャネル応答推定、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、チャネル特性、チャネルフィルタ応答、無線マルチパスチャネルのＣＳＩ、無線マルチパスチャネルの情報、タイムスタンプ、補助情報、データ、メタデータ、ユーザデータ、アカウントデータ、アクセスデータ、セキュリティデータ、セッションデータ、ステータスデータ、管理データ、家族データ、アイデンティティ（ＩＤ）、識別子、デバイスデータ、ネットワークデータ、近傍データ、環境データ、リアルタイムデータ、センサデータ、記憶データ、暗号化データ、圧縮データ、保護データ、及び／または別のＣＩのうちの少なくとも１つを含み得る。一実施形態では、開示されるシステムは、ハードウェア構成要素（例えば、アンテナを備えた無線送信機／受信機、アナログ回路、電源、プロセッサ、メモリ）及び対応するソフトウェア構成要素を有する。本開示の様々な実施形態によれば、開示されるシステムは、バイタルサイン検出及びモニタリングのためのＢｏｔ（タイプ１デバイスと呼ばれる）及びオリジン（Ｏｒｉｇｉｎ）（タイプ２デバイスと呼ばれる）を含む。各デバイスは、トランシーバと、プロセッサと、メモリとを備える。
【0262】
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、テーブル上に載置される小さなＷｉＦｉ対応装置であってもよい。また、ＷｉＦｉ対応テレビ（ＴＶ）、セットトップボックス（ＳＴＢ）、スマートスピーカ（例えば、Ａｍａｚｏｎエコー）、スマート冷蔵庫、スマート電子レンジ、メッシュネットワークルータ、メッシュネットワークサテライト、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ってもよい。一例では、タイプ２（受信機）は、テーブル上に置かれるＷｉＦｉ対応デバイスであってもよい。また、ＷｉＦｉ対応テレビ（ＴＶ）、セットトップボックス（ＳＴＢ）、スマートスピーカ（例えば、Ａｍａｚｏｎエコー）、スマート冷蔵庫、スマート電子レンジ、メッシュネットワークルータ、メッシュネットワークサテライト、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ってもよい。タイプ１デバイス及びタイプ２デバイスは、人々を数えるために、会議室の中／近くに配置され得る。タイプ１デバイス及びタイプ２デバイスは、日常活動及び症状の任意の徴候（例えば、認知症、アルツハイマー病）を監視するための高齢者についての健康監視システムであり得る。タイプ１デバイス及びタイプ２デバイスは、生きている幼児のバイタルサイン（呼吸）を監視するための幼児モニタにおいて使用され得る。タイプ１デバイス及びタイプ２デバイスは、睡眠の質及び任意の睡眠時無呼吸を監視するために、寝室に配置され得る。タイプ１デバイス及びタイプ２デバイスは、乗客及び運転手の健康を監視し、運転手の睡眠を検出し、自動車内に残されたすべての赤ちゃんを検出するために、自動車内に配置され得る。タイプ１デバイス及びタイプ２デバイスは、トラック及びコンテナに隠された人間を監視することによって、人身売買を防止するために、物流において使用され得る。タイプ１デバイス及びタイプ２デバイスは、がれきの中の捕われたた被害者を探索するために、災害地域の救急サービスによって配備され得る。タイプ１デバイス及びタイプ２デバイスは、任意の侵入者の呼吸を検出するために、ある領域に配置され得る。装着型ではない無線呼吸モニタリングには、多数のアプリケーションがある。
【0263】
ハードウェアモジュールは、タイプ１トランシーバ及び／またはタイプ２トランシーバを含むように構成されてもよい。ハードウェアモジュールは、最終的な市販品を設計、構築、及び販売するために、バリアブルブランドで販売／使用され得る。開示されたシステム及び／または方法を使用する製品は、家庭／事務セキュリティ製品、睡眠監視製品、ＷｉＦｉ製品、メッシュ製品、ＴＶ、ＳＴＢ、エンター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、工具、器具、トーチ、バキュームクリーナー、煙検知器、ソファ、ピアノ、ファン、ドア、ウィンドウ、ドア／ウィンドウハンドル、ロック、煙検出装置群、カーアクセサリ、コンピューティングデバイス、事務用品、エアコン、ヒータ、パイプ、コネクタ、監視カメラ、アクセスポイント、コンピュータ装置群、モバイル装置、ＬＴＥ装置、３Ｇ／４Ｇ／５Ｇ／６Ｇデバイス、ＵＭＴＳデバイス、３ＧＰＰ装置、ＧＳＭ装置、ＥＤＧＥ装置、ＴＤＭＡ装置、ＦＤＭＡ装置、ＣＤＭＡ装置、ＷＣＤＭＡ装置、ＴＤ−ＳＣＤＭＡ装置、ゲーム装置、めがね、ガラスパネル、ＶＲゴーグル、ネックレス、腕時計、ウェストバンド、ベルト、ウォレット、ペン、ハット、インプラント用具、タグ、パーキングチケット、スマートフォン、等、でありうる。
【0264】
要約は、以下を含むことができる：分析、出力応答、選択したタイムウィンドウ、サブサンプリング、変換、及び／または射影。プレゼンテーションは、月／週／日毎のビュー、簡略化／詳細のビュー、断面ビュー、小型／大型フォームファクタビュー、色分けビュー、比較ビュー、要約ビュー、動画、ウェブビュー、音声アナウンス、及び繰り返し動きの周期的／反復特性に関連する別のプレゼンテーション、のうちの少なくとも１つを提示することを含み得る。
【0265】
タイプ１／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、ハウジングを有するデバイス（例えば、無線機、アンテナ、データ／信号処理ユニット、無線ＩＣ、回路のための）、別のデバイス／システム／コンピュータ／電話／ネットワーク／データアグリゲータにインターフェース／付属／接続／リンクされるデバイス、ユーザインターフェース（ＵＩ）／グラフィカルＵＩ／ディスプレイを有するデバイス、無線送受信機を有するデバイス、無線送信機を有するデバイス、無線受信機を有するデバイス、インターネットオブスイング（ＩｏＴ）デバイス、無線ネットワークを有するデバイス、有線ネットワーク機能及び無線ネットワーク機能の両方を有するデバイス、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規格に準拠する）、Ｗｉ−Ｆｉアクセスポイント（ＡＰ）、Ｗｉ−Ｆｉクライアント、ＷｉＦｉルータ、 Ｗｉ−Ｆｉリピータ、ＷｉＦｉハブ、ＷｉＦｉ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、ＵＭＴＳ、３ＧＰＰ、ＧＳＭ、ＥＤＧＥ、ＴＤＭＡ、ＦＤＭＡ、ＣＤＭＡ、ＷＣＤＭＡ、ＴＤ−ＳＣＤＭＡ）、セルラーデバイス、基地局、モバイルネットワーク基地局、モバイルネットワークハブ、モバイルネットワーク互換デバイス、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、のようなモバイルイネーブルチップ（ＩＣ）を有する回路基板）、モバイルモジュールを有するデバイス、スマートホン、スマートフォン用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電源方式デバイス、バッテリ電源方式デバイス、プロセッサ／メモリ／命令のセットを有するデバイス、スマートデバイス／ガジェット／アイテム：時計、ステーショナリ、ペン、ユーザインターフェース、紙、マット、カメラ、テレビ（ＴＶ）、セットトップボックス、マイクロホン、スピーカ、冷蔵庫、オーブン、マシン、電話、財布、家具、ドア、ウィンドウ、天井、床、壁、テーブル、椅子、ベッド、ナイトスタンド、エアコンディショナー、ヒータ、パイプ、ダクト、ケーブル、カーペット、装飾、ガジェット、ＵＳＢデバイス、プラグ、ドングル、ランプ／ライト、タイル、装飾品、ボトル、車両、自動車、ＡＧＶ、ドローン、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、機器、ラケット、ボール、靴、着用可能装置、衣類、眼鏡、帽子、ネックレス、食品、錠剤、生き物の体内（例えば、血管、リンパ液、消化システム）で移動する小型デバイス、及び／又は別のデバイスでありうる。タイプ１デバイス及び／またはタイプ２デバイスは、インターネット、インターネットにアクセスする別の装置（例えば、スマートフォン）、クラウドサーバ（例えば、ハブ装置）、エッジサーバ、ローカルサーバ、及び／またはストレージと通信可能に結合され得る。タイプ１デバイス及び／またはタイプ２デバイスは、ローカル制御で動作してもよく、有線／無線接続を介して別の装置によって制御されてもよく、自動的に動作してもよく、またはリモート（例えば、家から離れた）にある中央システムによって制御されてもよい。
【0266】
一実施形態において、タイプＢデバイスは、オリジン（タイプ２デバイス、Ｒｘデバイス）及びボット（タイプ１デバイス、Ｔｘデバイス）の双方として実行してもよい送受信機であってもよく、すなわち、タイプＢデバイスはタイプ１（Ｔｘ）デバイス及びタイプ２（Ｒｘ）デバイスの双方であってもよく（例えば、同時に又は交互に）、例えばメッシュデバイス、メッシュルータ等であってもよい。一実施形態において、タイプＡデバイスは、ボット（Ｔｘデバイス）としてのみ機能してもよい送受信機であってもよく、すなわち、タイプ１デバイスのみ又はＴｘのみであってもよく、例えば単純なＩｏＴデバイスであってもよい。これはオリジン（タイプ２デバイス、Ｒｘデバイス）の機能を有してもよいが、実施形態においては何らかの形でボットとしてのみ機能している。全てのタイプＡデバイス及びタイプＢデバイスは、ツリー構造を形成する。ルート（ｒｏｏｔ）は、ネットワーク（例えば、インターネット）にアクセスできるタイプＢデバイスであってもよい。例えば、これは有線接続（例えば、イーサネット、ケーブルモデム、ＡＤＳＬ／ＨＤＳＬモデム）接続又は無線接続（例えば、ＬＴＥ、３Ｇ／４Ｇ／５Ｇ、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ、マイクロ波リンク、衛星リンク等）を介してブロードバンドサービスに接続されてもよい。一実施形態において、全てのタイプＡデバイスはリーフノードである。各タイプＢデバイスはルートノード、非リーフノード又はリーフノードであってもよい。
【0267】
一例で、ピーターは、米国、主に彼が住んでいるニューヨーク大都市圏を旅行する際に、自分のスマートフォン上でＧＰＳベースのマッピングナビゲーションソフトウエア（ＧＰＳアプリ）を使用して楽しんでいる。ＧＰＳアプリは、（目的地をアプリに入力することによって、）迷うことなく、どんな新しい場所へも彼が行くことを可能にする。ＧＰＳアプリは、車で移動する場合でも徒歩で移動する場合でも、彼が地図上で自分の位置を見ることを可能にする。そして、これは彼にリアルタイムの交通情報を与えることができ、その結果、彼は、最短時間で、又は通行料金を支払うことなく、又は高速道路に乗ることなく、彼の目的地に到達できる。これは、彼が間違った方向転換をした場合に、再ルーティングできる。
【0268】
しかし、ＧＰＳアプリは、ショッピングモール、スポーツスタジアム、病院（病気の祖母に会うため）、ニューヨークＪＦＫ空港を含む、ピーターがしばしば行くニューヨークのお気に入りの屋内の場所の多くでは機能しない。ピーターは、屋外と屋内との両方でうまく動作する良好な屋内地図ナビゲーションソフトを誰かが思いつくことを期待している。
【0269】
ピーターはオリジンワイヤレス（ＯＷ）がいくつかの屋内位置特定／追跡／ナビゲーションソリューションを提供するために、電気通信会社と提携したことを知り、喜んでいる。彼はソフトウェアパッケージをすぐにダウンロードし、モバイルデバイスにＯＷクライアントアプリをインストールする。彼は最近、電気通信会社が米国の主要都市（ニューヨークを含む）の周り、実際には米国のあらゆる場所に広範囲に展開された通信会社の多数のＷｉＦｉルータ（例えば、タイプ１異種無線デバイス，静止型）上にＯＷビーコンソフトウェアを展開したことを知っている。ＯＷビーコンソフトウェアは、電気通信会社のＷｉＦｉルータを、ＧＰＳのようなナビゲーションＷｉＦｉビーコン信号を米国内のあらゆる場所のモバイルデバイス（例えば、プロセッサ、メモリ、及び命令セットを有するタイプ２異種無線デバイス）へ送信するためのビーコンデバイスにするのに成功する。ピーターがショッピングモールにいる場合に、ＯＷクライアントアプリはピーターのモバイルデバイスを制御して、モール内の電気通信会社の近隣ＷｉＦｉルータからナビゲーションＷｉＦｉビーコン信号を受信し、本明細書に開示される方法及びシステムを使用して、現在地の空間−時間情報（ＳＴＩ）を計算する。更新された場所で、ＯＷクライアントアプリはネットワーク（インターネット）経由でサーバーに接続して、ピーターの移動に応じて地図を更新する。
【0270】
ピーターは、ＯＷクライアントアプリが近くの店のクーポン、買い物のヒント、現在のセールアイテム、日替わり特売品、及び多くの関心場所（例えば、休憩室、冷水器、レストラン、フードコート、映画館、モール出口）を提供することが多いので、これを好む。ボタンをクリックすると、モール内の店がＧＵＩ内でラベル付けされる。彼が訪問したいＡＢＣレストランをクリックすると、彼は、営業時間、待ち時間、及びプロモーション、レビュー、格付けなどの他の情報のような多くの関連情報を見ることができる。彼は２人用テーブルのための待ち行列に入ることができる。ガールフレンドが到着するのを駐車場で待っている間、彼はメニューを閲覧したり、注文する料理を選んだりもできる。彼が地図アイコンをクリックすると、直ちにナビゲーション経路が生成され、これは、ピーターを最短時間でレストランに案内し、ラッシュアワーの混雑や、改修による閉鎖領域を回避する。彼は特に、ＯＷクライアントアプリが屋外をナビゲートするためにＧＰＳを使用し、屋内をナビゲートするためにＯＷシステムを使用するためにシームレスに遷移できることを好む。完璧なデートの夜になるだろう。
【0271】
本開示は単一の汎用品ＷｉＦｉアクセスポイント（ＡＰ）を使用してデシメートル精度を達成し、ほぼゼロコストで大規模に展開されうる屋内追跡装置であるＥａｓｉＴｒａｃｋを紹介する。ＥａｓｉＴｒａｃｋは、２つの主要な技術的貢献をする。第１に、これは、自身が受信したＲＦ信号を使用してターゲットの移動距離を正確に推測できるアルゴリズムを組み込んでいる。第２に、ＥａｓｉＴｒａｃｋは、距離推定値と、近ごろユビキタスに利用可能な屋内地図とを組み合わせて利用することにより、細粒度の位置を出力する地図拡張追跡アルゴリズムを考案した。本教示は、ＥａｓｉＴｒａｃｋが任意の数のクライアントをサポートすることを可能にする、衛星のようなアーキテクチャを中心とする完全に機能的なリアルタイムシステムを開示する。人間と機械との両方を追跡するために、（オフィス、ホテル、美術館、及び製造施設を含む）異なるシナリオでＥａｓｉＴｒａｃｋを展開できてきた。結果として、ＥａｓｉＴｒａｃｋがＬＯＳ及びＮＬＯＳシナリオの両方において中央値で０．５８ｍ及び９０パーセンタイルで１．３３ｍの位置精度を達成し、単一のＡＰを使用して５０ｍ×５０ｍの大きなカバレッジをサポートすることが明らかになった。また、ＥａｓｉＴｒａｃｋはほとんどコストをかけずに、多くの建物で容易に展開できることが検証されている。
【0272】
既に展開されているＷｉＦｉインフラストラクチャが幅広く利用可能であるおかげで、汎用品オフザシェルフ(ＣＯＴＳ)ＷｉＦｉを利用した屋内位置特定システムは、ユビキタス追跡にとって最も有望なソリューションの１つである。これらは、理想的には以下の４つの要件を満たすべきである：
【0273】
・低（ゼロ）コスト：これらは、少ない、又は理想的にはゼロの努力で、容易に設置及び展開されるべきである。理想的には、これらは、どちらの側でもハードウェアの変更を必要とせずに、(位置や方向などの情報をまったく知らなくても）任意に設置された単一のＡＰを使用して、モバイルデバイスを位置特定できるべきである。
【0274】
・スケーラブル：システムは２つのフォールド（fold）でスケーラブルでなければならない：これらは多数の異なった建物へ移転しなければならず、ＧＰＳと同様に、両方とも無視できるコストで、大集団の同時モバイルデバイスをサポートしなければならない。
【0275】
・大きなカバレッジ：システムは、ＡＰに対して見通し線（ＬＯＳ）を有する又は複数の壁の背後にある広いエリアを、近くても離れていても、一貫した高い精度でカバーすべきである。
【0276】
・正確さ：これらは、多くの用途で要求されるように、サブメートルの精度を提供できなければならない。このような精度は例えば、店内の商品へ客を向かわせたり、ワークステーションへロボットを向かわせたりというような建物内のナビゲーションを可能にするために必要とされる。
【0277】
上記の要件がすべて満たされるならば、屋内位置特定システムは、ＷｉＦｉ信号を有する任意の場所で、また汎用品ＷｉＦｉチップを有する任意デバイスについて利用可能にされるユビキタスな「屋内ＧＰＳ」になることを想像できる。
【0278】
これらすべての要件を満たす既存の技術は存在しない。到来角（Angle of Arrival：ＡｏＡ）又は飛行時間（Time of Flight：ＴｏＦ）に基づく最近の技術は、サブメートルの中央値精度を生み出すことができた。しかし、これらは通常、良好な性能のために（ＴｏＦについて）大きな帯域幅及び（ＡｏＡについて）多くのフェーズドアンテナを必要とし、これらの両方はＣＯＴＳ ＷｉＦｉで制限される。さらに、これらはすべて、（これらの基準位置及び向きを得るために）複数のＡＰの正確な設置を必要とする。指紋ベースアプローチは、費用のかかる事前トレーニングのせいで、十分に正確でもなく、費用効率もよくない。慣性センサと組み合わせた他の技術は展開可能であるが、精度が限られている。最新にリリースされた８０２．１１ｍｃは往復時間測定をサポートするが、サブメートル解像度も提供せず、マルチラテレーションのために複数のＡＰを依然として必要とする。
【0279】
本教示は、上記４つの要件のすべてを満たす屋内追跡システムであるＥａｓｉＴｒａｃｋを開示する。ＥａｓｉＴｒａｃｋは、その位置を知ることなく単一のＡＰを使用して、ＬＯＳシナリオ及び非ＬＯＳ(ＮＬＯＳ)シナリオの両方においてサブメートル精度を達成する。これは余分な入力を伴わずに、関心領域のデジタルフロアプランを用いて、大規模に容易に展開することができ、これはほとんどの位置ベースのサービスにとにかく必要とされ、ユビキタスで利用可能である。ＥａｓｉＴｒａｃｋのアーキテクチャは衛星のような設計を中心としており、この設計はチャネル容量に影響を及ぼすことなく多数の同時クライアントをサポートし、クライアントがその存在をアナウンスする必要がなく、ＡＰを受動的にリッスンするだけであるので、プライバシーを維持する。
【0280】
クライアントが移動すると、ＥａｓｉＴｒａｃｋはまず、その測定されたチャネル状態情報（ＣＳＩ）から移動距離を推定し、内蔵の慣性センサから移動方向を推測する。それから、これは、細粒度位置を出力する、距離及び方向の推定を組み込むための新規な地図拡張追跡アルゴリズムを採用する。具体的に、ＥａｓｉＴｒａｃｋは、２つの異なるやり方で、最先端の追跡を進展する。
【0281】
(１)マルチパスを利用した距離推定：ＥａｓｉＴｒａｃｋはまず、超解像度距離推定アルゴリズムに貢献し、これは、自身で測定したＣＳＩのみによって、移動無線機の増分変位を正確に推定する。開示される独自の洞察は、アレイが平行移動する場合に、そのアンテナのうちの２つは空間内の同じ位置を横断するかもしれず、一方はある時間遅延で他方に先行し、その間、アレイはアンテナ分離にちょうど等しい距離だけ移動しただろうということである。したがって、特有の位置プロファイルとして屋内の豊富なマルチパスを使用することによって、時間遅延を連続的に追跡するアルゴリズムを設計できる。移動速度は、アンテナ分離を時間遅延で割ることにより計算でき、それに応じて、移動距離は、時間にわたって速度を積分することにより導出されうる。アルゴリズムは高精度であるが、しかもショッピングカート、ロボット、自動誘導車両（ＡＧＶ）のような比較的制約のある動きにのみ適していることを実証される。自由な人間の追跡のためにもＥａｓｉＴｒａｃｋを可能にするために、ＣＳＩから、制約のない動きについて移動距離を推測するという点で開発された最近の手法をさらに組み込むことができる。さらに、異なるシナリオに対して２つのアプローチを切り替えることを可能にするユニバーサルアーキテクチャを設計できる。マルチパスを真に利用することによって、以前の作業としてこれらを解決し、対処する代わりに、ＥａｓｉＴｒａｃｋの距離推定は、位置に依存せず、ＬＯＳとＮＬＯＳとの両方の条件下で動作する。
【0282】
(２)地図拡張位置追跡：距離推定は幾分正確であるが、これは慣性センサによって得られた方位に結合された場合にサブメートル追跡精度を保証せず、これは重大な蓄積誤差を被る。ＥａｓｉＴｒａｃｋは、これらの不確実性に対処するために屋内地図を採用する。グーグルマップが屋外道路地図を使用してＧＰＳ精度を向上させ、正しい道路上に車を配置することを想像されたい。同様に、屋内地図は、ターゲットの建物内の動きに幾何学的制約を課す。例えば、ユーザは壁を通り抜けない。
【0283】
この観測は、正確な屋内追跡のための地図拡張アルゴリズムを設計することにつながる。開示されるアルゴリズムは屋内地図を重み付きグラフとしてモデル化し、距離及び方位の誤差を共同で扱い正確な位置を出力する新規のグラフベース粒子フィルタ（ＧＰＦ）へ供給する。グラフベースモデルは、ＥａｓｉＴｒａｃｋが少数の粒子（例えば、５０個）を使用することを可能にし、それによって、リソースが制限されたデバイス上でもリアルタイムでこれが実行されるようにする。また、開示されるＧＰＦは単に、地図からアクセス可能なエリア及びアクセス不可能なエリアに関する情報を必要とし、これらの情報は、平坦なフロアプラン画像から直接抽出されうる。これは、廊下、交差部、ドア、又は部屋等のような構造化された知識を必要としない。したがって、ＥａｓｉＴｒａｃｋはほとんどコストをかけずに、多くの建物に容易にスケールできる。
【0284】
汎用品ＷｉＦｉチップセットを用いたハードウェアプロトタイプ、ソフトウェアセットを含む、完全に機能するＥａｓｉＴｒａｃｋのリアルタイムシステムが構築される。精度及び展開の簡易性を総合的に評価するために、３つのオフィスビル、１つの美術館、１つのホテル、及び２つの製造施設を含む、人間及び機械の両方を追跡するための多様な環境にＥａｓｉＴｒａｃｋを展開することができた。開示される主要な結果から以下が明らかとなった。１)ＥａｓｉＴｒａｃｋは単一のＡＰを有するＬＯＳ条件とＮＬＯＳ条件との両方において、物体の追跡について中央値で０．５８ｍ及び９０パーセンタイルで１．３３ｍの位置誤差を達成し、人間の追跡について中央値で０．７０ｍ及び９０パーセンタイルで１．９７ｍの誤差を達成した、２)ＥａｓｉＴｒａｃｋを新たな建物に展開する費用はほぼゼロである。地図が提供されると、ＡＰは、カバレッジを提供する任意の位置において分単位でセットアップできる。３)ＥａｓｉＴｒａｃｋは、ＡＰの信号カバレッジに匹敵する大きな追跡カバレッジを提供できる。開示される展開では、これは１つのＡＰで５０ｍ×５０ｍのエリアを追跡できる。
【0285】
開示されるＥａｓｉＴｒａｃｋはサブメートルの精度を実現する屋内追跡システムであり、（ほぼ）ゼロコストで巨大な建物までスケールする。ＥａｓｉＴｒａｃｋはまた、ＣＳＩベースの距離推定アルゴリズム及び地図拡張追跡アルゴリズムにも貢献し、それぞれは既存の技術に別々に利益をもたらしうる。図１は、ＥａｓｉＴｒａｃｋが１つのＡＰからＣＳＩを受動的に収集し、モバイルクライアントに組み込まれた慣性センサを記録する全体的なアーキテクチャを示す。これはまず、豊富なマルチパスとＩＭＵからの方位とを利用して、ＣＳＩから移動距離を計算する。それから、これは、屋内地図と組み合わせて、連続的に追跡するために２つの推定タイプを融合する。このアーキテクチャにより、ＥａｓｉＴｒａｃｋはクライアントの大きな人口をサポートする「屋内ＧＰＳ」（ただし、複数の「衛星」は必要ない）のように機能する。図１は、ＥａｓｉＴｒａｃｋのアーキテクチャの概要を示す。左の部分は、ＥａｓｉＴｒａｃｋの衛星のようなプロトコルを示す。例示的な使用シナリオでは、モバイル、ウェアラブル、ロボット、自動誘導車両（ＡＧＶ）、又はＷｉＦｉ無線及び慣性センサ（ＩＭＵ）を装備した任意の他の電子機器でありうるクライアントは、ＡＰを受動的にリッスンし、到来パケットからＣＳＩを測定する。また、クライアントは、内蔵の慣性センサを読み取る。ＥａｓｉＴｒａｃｋのコアエンジンはクライアント上で動作し、測定結果から移動距離及び方位を推測し、これらを一緒に組み込んでクライアントの連続位置を追跡する。ＡＰはシンプルであり、クライアントによって検出されうる信号を周期的に送信するだけである。このようなシンプルコア、複雑エッジアーキテクチャ設計は有意な利点を提供する。１）スケーラブル：チャネル容量に影響を及ぼすことなく、多数のクライアントの同時位置決定を可能にする。２）プライバシー：クライアントは自身の存在を暴露するかもしれないいかなる信号も送出する必要がないので、ユーザプライバシーを保持し、それによって、他者がその位置を探知することを防止する。３）フレキシブル：クライアントは必要に応じて、すべて同じ環境のもとで、異なる追跡アルゴリズムを実行できる。図１の右側部分は、モバイルクライアント上のＥａｓｉＴｒａｃｋのワークフローを示す。２つの主要なモジュール、すなわち、距離推定及び地図拡張追跡がある。
【0286】
距離推定:ＥａｓｉＴｒａｃｋはユーザが横断する移動距離を推定するために、アンテナ位置合わせ（Antenna Alignment:AA）及びフォーカシングボール（Focusing Ball:FB）の２つの特有のアプローチを含む。両方のアプローチは移動距離を推定するために豊富なマルチパスを利用するが、様々な追跡シナリオに適用可能である。ＡＡは非常に正確であり、比較的制約された動きを有するショッピングカート、ロボット、及び産業用ＡＧＶのような物体の追跡に適しており、一方、ＦＢはＡＡと比較して精度が低いが、制約されていない人間の追跡についてより一般的で優れている。ＥａｓｉＴｒａｃｋでは、２つのアプローチが必要に応じてオンザフライで切り替わることができる。
【0287】
地図拡張追跡:ＥａｓｉＴｒａｃｋはＣＳＩから推定された移動距離と慣性センサで測定された移動方向とを融合することによって、ユーザの位置を追跡する。ロジックフローは従来の自律航法に類似しているが、本教示はスケーラブルな方法で正確な追跡のために屋内地図を組み込む新規な設計を開示する。ＥａｓｉＴｒａｃｋは屋内地図を入力として取り込み、それを重み付きグラフに変換する。その後、出力グラフは、新規のグラフベース粒子フィルタ（ＧＰＦ）に供給され、このフィルタは地図によって課せられた幾何学的制約を利用し、ターゲットが移動するときにターゲットの正確な２次元位置及び方位を共同で学習する。その後、地図とともに位置推定結果がユーザに表示される。開示されるＧＰＦは通常の屋内地図（例えば、フロアプランの画像）のみを使用するので、わずかなコストで大規模な建物に容易にスケールできる。
【0288】
デバイスの移動距離の正確な推定は、屋内追跡及び慣性センシングにおける主要なボトルネックであった。以前は、歩数にストライド長を乗算する方法でＩＭＵが広く活用されてきた。しかしながら、このカテゴリのアプローチは、ストライド長を推定することが困難であり、時間及び被験者によって著しく変化するため、巨大な誤差を生じることがよく知られている。本教示は、屋内の豊富なマルチパスを利用することによって移動デバイスの増分変位を推定できる２つの異なるアプローチを開示する。
【0289】
ＡＡベースの距離推定の中核的アイデアを以下に示す。２アンテナアレイが、これらを結ぶ線（この線をアンテナアレイ線と呼ぶ）に沿って動いていることを検討されたい。図２は、本開示のいくつかの実施形態による例示的なアンテナ位置合わせを説明する。アレイが移動すると、Δｄの変位の後、アンテナ１は、アンテナ２がｔ＿０にあった位置にｔ＿２で到着する。よって、移動速度は、Δｄ/(ｔ＿２−ｔ＿０）として導出されうる。同様に、その後のすべての時点について瞬時速度が推定されることができ、現在の時点ｔ＿ｋについてΔｄ／（ｔ＿ｋ−ｔ＿(ｋ−２））となる。表示を容易にするために、アンテナ２は上下逆にプロットされている。
【0290】
図２に示されるように、無線機が動くと、一方のアンテナはもう一方のアンテナの軌跡を直接に追従する。換言すれば、２つのアンテナは同じ空間位置を移動し、したがって、ある時間遅延Δｔを伴って、同様（理想的には同一)のＣＳＩシリーズを次々に観測する。明らかに、Δｔの間、アレイは、アンテナ分離に等しいΔｄの距離だけ移動した。Δｄは、所与のアレイに対して固定されており、既知である。したがって、正確な時間遅延Δｔを推定できれば、正確な速度推定値をｖ＝Δｄ／Δｔとして取得する。Δｔを連続的に推定することにより、軌跡全体に沿ったリアルタイム速度を導出することができた。その後、移動距離は、[この文献は図面を表示できません]
【0291】
上記の直感は、移動距離推定のためのアンテナ位置合わせと名付けられた新規なメカニズムに直接に至る。鍵は、正確な時間遅延Δｔ、即ち、アンテナが他のアンテナによって横断された場所に到着する（即ち、２つのアンテナが「位置合わせ」される）時間差を判定することである。屋内の豊富なマルチパスのために、１つの位置で測定されたＣＳＩは、特有の位置プロファイルとして役立ちうる。そして、当該タスクは、一方のアンテナが他方と最も類似したチャネル測定結果を観測したときの正確な時間差を識別することと等価である。以下では、まず、ＣＳＩに対する類似度メトリックを導入し、その後、時間遅延を正確に推測する手法を提示できる。
【0292】
時間反転共振強度:ＥａｓｉＴｒａｃｋは、２つのＣＳＩＨ１及びＨ２について以下のように計算される時間反転共振強度（ＴＲＲＳ）という類似度メトリックを採用する。[この文献は図面を表示できません]
ここで、＊Ｈは共役転置を示す。明らかにη（Ｈ１，Ｈ２）∈［０，１］であり、これは、Ｈ１＝ａＨ２の場合かつこの場合に限り１を達成し、ここでａ≠０は何らかの複素スケーリングファクタである。Ｈ１及びＨ２が両方とも正規化されているならば、ＴＲＲＳはそれらの内積の二乗、[この文献は図面を表示できません]
ηは洗練されていない形式で表すが、有効な尺度として役立ち、センチメートル精度でのフィンガープリンティングに使用されてきた。時間反転とは、伝達された信号のエネルギーが、その時間反転され共役なカウンターパートと組み合わされると、空間領域及び時間領域の両方で集束されるという物理現象である。ＴＲＲＳはまず、位置区別のためのチャネルインパルス応答に関して規定された。チャネル周波数応答のための等価な形成に適応できる。
【0293】
それをより識別的でロバストにするために、複数の送信アンテナからの空間ダイバシティを活用できる。時刻ｔにおいてｉ番目のアンテナで測定されたＣＳＩをＨｉ（ｔ）＝｛Ｈｉ，１（ｔ），Ｈｉ，２（ｔ），・・・，Ｈｉ，ｓ（ｔ）｝をと表し、ここで、Ｈｉ，ｋ（ｔ）はｉ番目の受信アンテナとｋ番目の送信アンテナとの間のＣＳＩであり、Ｓは送信アンテナの個数である。そして、ｉ番目及びｊ番目の受信アンテナによって測定されるＣＳＩ間のＴＲＲＳは以下のようになる。[この文献は図面を表示できません]
【0294】
平均を取ることにより、より信頼できる類似度測度のために複数の送信アンテナからより大きな有効帯域幅を得られるが、その中でＣＳＩを同期させる必要性を回避できる。
【0295】
時間遅延推定メカニズム：２つのアンテナｉ及びｊが空間的に位置合わせされる正確な時間遅延をピンポイントで特定するために、［Ｈｊ（ｔ−ｌ），・・・，Ｈｊ（ｔ），・・・，Ｈｊ（ｔ＋ｌ）］、と表される２ｌのタイムウィンドウ内で測定されたアンテナｊのものに対する、Ｈｉ（ｔ）と表される時刻ｔにおけるアンテナｉのＣＳＩスナップショット間のローカルマッピングを実行できる。理想的には、たった１つの特定の計測結果Ｈｊ（ｔ＋Δｔ）だけが非常に大きな最大類似度を生み出し、アンテナｉ及びｊが（同じ位置で）同じチャネルをΔｔの時間差で観測することを示す。図３Ａは、ＴＲＲＳトレンド［η（Ｈｉ（ｔ），Ｈｊ（ｔ＋ｋ）），ｋ＝−ｌ，・・・ｌ］トレンドの一例を示す。読み取れるように、最大ＴＲＲＳピークを探すことによって時間遅延を識別できる。形式的には、以下を有しうる。[この文献は図面を表示できません]
【0296】
実際には、時間遅延推定精度を高めるために、２つの技術がさらに採用される。第１に、図３Ａに示されるように、ＴＲＲＳピークエリアの周囲で回帰を行い、より細かい粒度のタイムラグを見つけることができ、これはサンプリングレートによって解像度限界を分解する。第２に、個々の時点を見る代わりに、（図３Ｂに示されるように）時間の経過に伴うＴＲＲＳ行列を検討することができ、ここで、各列は、当該特定の時点についての（図３Ａのような）ＴＲＲＳトレンドを示す。ＴＲＲＳ行列に基づいて、時間にわたって連続したＴＲＲＳのピークをロバストに見つけるために、ダイナミックプログラミングを使用できる。
【0297】
ＡＡはＣＳＩマッピングを含むが、マッピングが過渡ウィンドウで行われるので、事前トレーニングを必要とせず、環境動態に影響されない。さらに、すべてのレコードにわたって最良のマッチを見つける必要があるフィンガープリンティングとは異なり、ＥａｓｉＴｒａｃｋは短いタイムウィンドウにわたる相対的なＴＲＲトレンドにのみ関心があり、これにより、サブセンチメートルレベルでより高い解像度が可能になる（図３Ａ）。
【0298】
実用的な動きの処理：原則として、ＡＡによって距離を推定するために、ターゲットはアンテナアレイ線に沿って移動する必要があり、これは強制するのに実用的ではない。幸いなことに、ＥａｓｉＴｒａｃｋでは制約が緩和されるが、これもまた、絶対ＴＲＲＳ値ではなく相対ＴＲＲＳトレンドが考慮されるからである。図３Ｃは、異なる逸脱角度の下でのＴＲＲＳ行列の一例を示す。ここに見られるように、逸脱角度が小さければ、明白な類似度ピークが依然として存在するが、ピーク値はわずかに減少し、これは距離推定に影響を与えない。開示される実験的測定結果によれば、ＥａｓｉＴｒａｃｋは、隣接するアンテナ分離が４センチメートルである場合に、約１５°までの逸脱に耐えることができる。これは、ロボット、ＡＧＶ、ショッピングカートなどのようなターゲットの現実的な追跡の下に、アンテナアレイ線に厳密に沿って移動することを必要とせずに、ターゲットの移動距離を推定できる実用的な用途にとって決定的な特徴である。
【0299】
自然歩行中にデバイスを携帯し、これを線に沿って移動させることを人に求めることは実際的ではないので、ＡＡは人間の追跡には不適切である。歩行者の移動距離を推定するために、フォーカシングボール効果に基づく最近開発された方法を組み込むことができ、この方法では屋内ＲＦ信号伝播の臨界統計特性が発見され、モデル化される。ＣＳＩで表されるマルチパスプロファイルの空間分布は、空間分離の確定関数に依存する。これは、デバイスが移動するたびに、ＣＳＩの分布から移動距離を逆推測する機会を基礎とする。以下の主要な結果を簡単にレビューし、より詳細は読者に委ねる。
【0300】
Ｈ＿ｉ（ｔ；Ｌ＿０）及びＨ_ｉ(ｔ;Ｌ)と表される２つの位置Ｌ＿０及びＬにおいて同じ受信アンテナｉによって測定される２つのＣＳＩについて、式（２）のＴＲＲＳを検討する。以下となりうる。[この文献は図面を表示できません]
ここで、λは波長であり、ｄはＬ０とＬとの間の距離であり、ｊ０（ｘ）は第１種ゼロ次ベッセル関数である。式（４）から、１つのＣＳＩに対するＴＲＲＳ分布と、受信機上の後続の測定結果とを計算することによって、移動距離を推定できる。
【0301】
ＡＡと比較すると、ＴＲＲＳ測定結果はマルチパス分布の不均一性により実際には理論分布をわずかに逸脱するかもしれないため、距離推定のためのＦＢの精度はより低くなるだろう。ＦＢ方法は、特性が多数の屋内マルチパスの性質から生じるので、移動方向及び位置の独立性において優れている。その結果、これは人間の追跡に好ましく、このためにＥａｓｉＴｒａｃｋにおいて採用される。両方のアプローチの主要な特徴は、追跡のためのマルチパスを解決し、対抗しようとする従来のシステムとは異なり、ＥａｓｉＴｒａｃｋは多数のマルチパスを一緒に特有に利用することである。そこにあるマルチパスが多ければ多いほど、これが達成する性能はより良好である。その結果、位置、方位、環境などを含む多くの要因から独立して距離を推定できる。
【0302】
ＥａｓｉＴｒａｃｋは、移動距離に加えて、ターゲットを連続的に追跡するための移動方向も必要とする。ＥａｓｉＴｒａｃｋはユビキタス慣性センサを利用し、方位情報を導出するために標準動作に従う。特に、現在の進行方向を推測するために、回転角度を測定し測定結果を蓄積するためのジャイロスコープを主に採用できる。２次元の動きを目指して、デバイスのローカル座標系に基づいてジャイロスコープの読み取り値を重力方向に投影できる。重力方向は、デバイスが動き始める前に加速度計から推測されうる。このようにすることにより、デバイスは、任意の位置にあってもよく、水平に置かれる必要がない。
【0303】
慣性センサもまた、動きを検出するために利用され、ターゲットが旋回しているか否かをさらに判断し、これは追跡において後で使用されるだろう。直観的に、位置は、推測航法に類似した方法で、移動距離及び方位の連続した測定結果を積分することによって、直接計算されうる。しかしながら、このアプローチは、慣性センサによって測定された誤った方位に起因する重大な誤差を被る。ＥａｓｉＴｒａｃｋでは、粗い粒度の方位及び距離の観測を用いた正確な追跡を達成するために、屋内地図が組み込まれている。２つの機会が、開示される設計を刺激する。第１に、屋内地図は、ターゲットの動きに効果的な幾何学的制約を課す。第２に、デジタル地図は、今日、ユビキタスに利用可能である。特に、公共の場所のための屋内地図を較正するために産業上の努力が行われてきた。また、研究の進歩により、モバイルクラウドソーシングによるデジタル地図の自動生成も促進されている。
【0304】
道路地図はＧＰＳ誤差を修正するために使用されるが、本教示は軽量でスケーラブルな方法で屋内地図を利用する。具体的には、屋内地図の新規なグラフベース表現に基づくグラフベース粒子フィルタを考案できる。開示されるＧＰＦに深く潜る前のグラフ表現が以下に示される。
【0305】
入力として、プレーン画像の形式で標準屋内地図を取れる。これは、構造化された情報、例えば、地図から得ることが困難な壁、廊下、及び部屋の知識を必要としない。代わりに、位置（画素）がアクセス可能であるか否かを伝えるアクセス情報を単に抽出できる。したがって、地図は例えば、屋内地図の最も典型的な形態で、アクセス不可能な画素を示す特定の色（例えば、黒い壁）を有する単純な画像であってもよい。
【0306】
地図離散化：計算複雑度を低減し、リアルタイム追跡を達成するために、地図を重み付きグラフに変換できる。最初に、各点が頂点になる特定のグリッドサイズｓを有する一様分布した点の集合によって空間（すなわち、地図）をサンプリングしてもよい。すべての頂点は、地図上のその位置（すなわち、画像内のピクセル）に依存して、アクセス可能又はアクセス不可能でありうる。その後、エッジが障害物と交差しないならば、頂点とその隣接する頂点のそれぞれとの間にエッジを追加してもよい。各エッジは、[この文献は図面を表示できません]
によって重み付けされる。このようにすることによって、図４Ａに示すように、重み付きグラフＧ＝（Ｖ，Ｅ）を構築してもよい。サンプリング密度ｓは、グリッド解像度と頂点の数とをトレードオフにする。サブメートルの精度を目標にするには、ｓは１ｍ未満であるべきであり、異なる地図に適応する。図３５Ａ〜３５Ｂは、本発明のいくつかの実施形態による例示的なグラフベースの地図表現を示す。明確にするために、部分的な地図のみが表示される。
【0307】
到達可能性行列：地図を重み付きグラフに変換した後、｜Ｖ｜個の頂点のペア方向到達可能距離を表す到達可能性行列Ｍを生成することによって、固有の幾何学的特性を抽出できる。行列の各要素ｍ＿ｉｊは頂点Ｖ＿ｉとＶ＿ｊとの間の到達可能距離を表し、これは最短経路距離として定義される。ｍ＿ｉｊは、Ｖ＿ｉとＶ＿ｊとの間に障害物のない経路が存在しないならば、無限値になる。図４Ｂは１つの頂点に対する到達可能性の一例を示しており、これは、基本的に、これから始まるすべての最短経路を他のすべての頂点まで示す。
【0308】
到達可能距離はユークリッド距離とは異なるが、むしろ２つの位置間の歩行距離である。実際、２つの位置を結ぶ直線は屋内で頻繁に遮断されるため、到達可能距離は通常ユークリッド距離よりも大きい。追跡エリアが大きい場合にＭが大きくなりすぎることを避けるために、実際には、あまりにも離れた頂点ペアを無視し、Ｍを比較的疎な行列にしてもよい。たとえば、ｍ＿ｉｊ≦１０ｍの要素のみが記憶される。
【0309】
グラフィック地図を利用して拡張粒子フィルタを設計し実施する方法を、前処理された結果とともに以下に示す。３次元同時確率分布を有するＮ個の粒子Ｘ＝（Ｘ（１），Ｘ（２），・・・，Ｘ（Ｎ））を用いてもよい。各粒子はＸ（ｉ）＝（ｘ（ｉ），ｙ（ｉ），θ（ｉ））として表し、ここで、（ｘ（ｉ），ｙ（ｉ））は２次元位置を示し、θ（ｉ）はｉ番目の粒子の方位である。粒子移動：時刻ｔにおける動き測定（Δｄｔ，θｔ）について、ｉ番目の粒子は以下のように更新される。[この文献は図面を表示できません]
ここで、δ（ｉ）及びα（ｉ）は、距離及び方位の測定結果に追加されるガウスランダムノイズである。
【0310】
粒子の重み付け：[この文献は図面を表示できません]
ステップごとに、粒子は２つの重み付け割り当てを受ける。１）移動中にアクセスできない任意のエリア（典型的に、壁）にぶつかる任意の粒子は「死」に、除去される。２）その他のすべての粒子は生き残り、以下に規定されるライブまでの生存距離（ＤＴＬ：distance-to-live）に基づいて重み付けされる。
【0311】
追加の信号源からのいかなる追加の測定結果の助けなしに粒子の重みを決定するための主要なアイデアは、粒子が何らかの障害物にぶつかる前に、より長距離にわたって生き残る可能性がより高いならばより粒子は大きな重みを得るべきであり、そうでない場合にはより小さな重みを得るべきであるということである。この洞察は、ＤＴＬの仕様に直接つながる。
【0312】
図５は、本開示のいくつかの実施形態によるＤＴＬの例を示す。ケース１では、薄い影の粒子は濃い影のものよりも大きなＤＴＬを有する。ケース２では、粒子が右側に向かって移動している場合に、濃い粒子はより大きな重みを得る。ケース３では、両方の粒子が非常に大きなＤＴＬを保持し、したがって、固定されたｍａｘ−ＤＴＬ値に強制される。実行時に、ＤＴＬは、４つの基本方向に沿って予め計算されたＤＴＬから近似される。図５に示されるように、粒子に対するＤＴＬは、粒子移動方向に沿った粒子位置からの最大アクセス可能距離として計算される。非常に長い通路の場合に、過大値を避けるために最大ＤＴＬを設定してもよい（図５のケース３）。
【0313】
原則として、ＤＴＬはすべてのステップですべての粒子について計算される必要があるが、これはコストがかかりすぎる。開示されるＧＰＦでは、効率的な近似を考案してもよい。前処理段階中に、４つの基本方向（すなわち、左、右、上、及び下）におけるＤＴＬを事前にさらに計算してもよい。その後、ある方向θに沿ったＤＴＬはそれに応じて、現在の移動方向に最も近い２つの基本方向（例えば、図５の例では右と上）に沿ったＤＴＬの射影の和として計算されうる。結果として得られるＤＴＬは、定義による正確なＤＴＬに必ずしも等しくないが、実際のシステムではこのような近似が効果的かつ効率的であることを実証してもよい。その背景にある主な理由は、絶対値ではなく粒子重みの相対的ラインキングのみがＧＰＦにおいて重要であることである。上記の演算は正確なＤＴＬと同様の重みランキングを保持するが、実行時の複雑さを大幅に低減する。
【0314】
再サンプリング：開示されるＧＰＦは、再サンプリングのための新規なアプローチを実装する。これは、まず、古典的な逐次重要度再サンプリングアプローチに従うことによって、[この文献は図面を表示できません]
Ｎ＿ｌｉｖｅ個の粒子を再サンプリングする。ここで、Ｎ＿ｌｉｖｅは、現在のステップ中に生き残っている粒子の数を示す。しかしながら、各死んだ（それゆえ除去された）粒子について、再サンプリングの代わりに、サンプル劣化問題（粒子が過度に濃縮されること）を回避するために、新しい粒子を再生することを選択してもよい。
【0315】
図４Ｂに示されるように、再生成のために、ターゲットの現在位置を中心とする特定の隣接エリアを検討してもよい。ターゲットが現在、頂点Ｖ＿ｔに最も近い（ｘ＿ｔ，ｙ＿ｔ）にあると仮定すると、まず到達可能距離ｍ＿ｔｊ≦ｒを有する到達可能な頂点Ｖ＿ｊのすべてを集め、これらのＤＴＬの各々を現在の移動方向に基づいて計算してもよい。その後、重要度分布としてこれらのＤＴＬを使用して、これらの候補位置の中にＮ−Ｎ＿ｌｉｖｅ個の新しい粒子を引き出すために重要度サンプリングを実行してもよい。図４Ｂに示されるように、ターゲットが旋回していることが検出された場合に、再生成半径ｒは動的に増加し（白い円）、それ以外の場合に減少する（緑色の円）。
【0316】
ターゲット位置推定：最終的に、各ステップにおいて、すべての粒子の情報を用いてターゲットの位置を推定してもよい。直感的に、ターゲット位置は、すべての粒子の位置の重み付けされた重心として判定されうる。しかしながら、重心はアクセス不可能な位置かもしれず、又は重心を現在位置と結ぶ線が壁と交差するかもしれない。したがって、ＥａｓｉＴｒａｃｋでは、メドイド（medoid）の同様のコンセプトに頼ってもよい。概して、メドイドは、データセット内のすべてのオブジェクトとの平均非類似度が最小であるデータセット内の代表である。重心と比較して、メドイドを使用することにより、結果として得られるターゲット位置が常に有効であることが保証される。[この文献は図面を表示できません]
その後、一連の位置推定結果が平滑化され、ユーザに表示される。
【0317】
ジャイロスコープは、重大な累積誤差を被ることが知られている。直近の研究で報告されているように、２分間実行すると５０°を超えるまで誤差が累積することがある。開示される実験によれば、これは、単一の９０°自然旋回に対して３０°を超える誤差を生成しうる。すべての粒子が誤った方向に移動するように案内されるので、これらの方位におけるかなりの誤差は、較正されないならば、ＧＰＦでさえ訂正できないかなりの位置誤差をもたらす。
【0318】
累積誤差を排除するために、方位を日和見的に自動的にリセットする技術を考案してもよい。主要な観測は、ターゲットがほぼ真っ直ぐな経路に沿って移動しているが、旋回していない場合に、この非旋回期間中の移動軌跡は現在の進行方向を推論するための有益なヒントを提供するということである。ＥａｓｉＴｒａｃｋはこれらのヒントを利用し、日和見的な移動方向再較正を実行する。具体的には、このような非旋回セグメントが検出されると、直線セグメントの中心線方向を推定することによって、現在の移動方向をリセットしてもよい。一般的な挙動では、ターゲットはほとんどの時間、旋回ではなくまっすぐに動いている。したがって、リセット動作を非常に頻繁に採用できる。連続的な再較正によって、非常に長い動作にわたってさえ、蓄積される方向誤差が効果的に緩和されるだろう。
【0319】
ＥａｓｉＴｒａｃｋは移動距離及び移動方向のみを測定するので、開始するためにグローバル位置を必要とする。技術的には、粒子フィルタは、すべての可能な位置にわたって均一に初期化することによって、初期位置を判定できる。しかしながら、それは、とりわけ非常に多数の粒子でのみ実現可能であり、これは非常に大きな追跡エリアに対して実際には計算上禁止されている。さらに、粒子は長時間後にのみ進行的に収束し、収束しないこともある。
【0320】
実際の用途及びシステムを考慮すると、有望な代替案は、エンドユーザからの手入力を要求するだけでなく、建物の入口のおいて最後に見られたＧＰＳ信号を利用することである。主な目的は開示される距離推定及び地図強化技法を実証することであるため、現在のＥａｓｉＴｒａｃｋシステムでは主にユーザ手入力を使用できる。これらの技術は高精度で初期位置を提供しないかもしれないが、引き起こされる誤差は開示されるＧＰＦによって後で克服されるだろう。実装のために、多くの実装詳細を含むＥａｓｉＴｒａｃｋの完全に機能するリアルタイムシステムを構築できる。
【0321】
ＣＳＩノイズ除去：ＣＯＴＳ ＷｉＦｉで測定されるＣＳＩには、位相ロックループによって生じる初期位相オフセットに加えて、キャリア周波数オフセット（ＣＦＯ）、サンプリング周波数オフセット（ＳＦＯ）、シンボルタイミングオフセット（ＳＴＯ）のような位相オフセットが含まれる。ＥａｓｉＴｒａｃｋは、手動で、例えば式（１）の絶対値をとることによって前もって較正することしかできない煩わしい初期位相歪みを受けない。位相クリーニングアプローチを使用することによって、他の線形オフセットを較正できる。
【0322】
複数の受信アンテナの統合：開示されるＡＡ方法は、アレイとして２つのアンテナを最小で必要としてもよい。開示される実装において、ＷｉＦｉチップセットは、３つのアンテナを有する。これらを十分に利用するために、一様間隔の線形アレイにこれらを配置できる。その後、第１及び第２のアンテナをペアとして扱い、第２及び第３のアンテナを別のペアとして扱い、結果を統合できる。ＦＢ方法は単一アンテナで動作するが、距離推定を容易にするためにすべての受信アンテナのＴＲＲＳを融合することもできる。
【0323】
動き検出：ターゲットが移動しているかどうかを判定するために、慣性センサを使用できる。デバイスが移動していることが検出された場合にのみ、ＥａｓｉＴｒａｃｋは移動距離を推定する。人間の追跡における無関係な動き（例えば、手の動き）の妨害を軽減するために、ユーザが歩いているか否かを、ＩＭＵを使用してステップを検出することによって検出するためのマスクをさらに適用できる。
【0324】
・非常に広いエリアにおける追跡：ＥａｓｉＴｒａｃｋは、顕著なカバレージを有するユビキタス追跡を達成するために単一のＡＰを使用する。技術的には、これはＬＯＳ条件であるかＮＬＯＳ条件であるかにかかわらず、ＡＰによってカバーされる任意の場所で動作する。実際には、１つの単一のＡＰは非常に広い追跡領域を完全にカバーには十分でないかもしれない。このような状況では、完全なカバレージを提供するために複数のＡＰが必要とされる。したがって、ＥａｓｉＴｒａｃｋは追跡のために一度に１つのＡＰのみを使用するが、クライアントが空間をローミングする場合に、異なるＡＰ間のハンドオーバを処理する必要がある。この目的のために、開示される実装において、明快なＲＳＳベースのハンドオーバースキームを使用できる。
【0325】
地図前処理：ＥａｓｉＴｒａｃｋは、屋内フロアプランの通常の画像からアクセス可能なエリア及びアクセス不可能なエリアに関する情報のみを必要とする。この情報は、画素の色によって自動的に認識されうる。例えば、壁は暗い色でマークされてもよく、一方、オープンスペースは白黒である（又はその逆）。しかし、得られた地図画像の品質によっては、自動認識に影響を与える何らかの干渉（例えば、テキスト、寸法など）があるかもしれない。これに対処するために、地図を手動で前処理して、すべての障害物（主に壁）を特定の色で強調してもよい。一実施形態では、フォトショップ（登録商標）の基本的な動作を知っている人が典型的な地図を処理するのに約１０分かかる。
【0326】
ＣＯＴＳ ＷｉＦｉを使用して、現実世界のシナリオで開示されるシステムを評価できる。その後、５つの異なる建物にＥａｓｉＴｒａｃｋを展開して、人間とカートの追跡を評価し、２つの産業界の製造施設を利用してＡＧＶ追跡を試験できる。
【0327】
方法：最初に、開示される距離推定方法ＡＡの精度及び影響因子を評価し、ＦＢと比較できる。そうするために、ＥａｓｉＴｒａｃｋｅｒをカート上に置き、それをほぼ直線に沿って移動させることができる。長さ約１０ｍの種々のトレースを評価し、収集されたＣＳＩに対してそれぞれＡＡ及びＦＢの両方を実行できる。グランドトゥルースの移動距離を捕捉するためにカメラをセットアップできる。
【0328】
全体的な精度：図６は、移動距離推定に関するＡＡ及びＦＢの全体的な性能を比較する。見てとれるように、ＡＡは約０．２５ｍの顕著な中央値の誤差と０．６９ｍの９０パーセンタイルの誤差を達成し、一方、ＦＢはそれぞれ０．７５ｍと１．８２ｍとの誤差をもたらした。ＡＡの性能向上は比較的制約された動きを犠牲にして達成されるが、ＡＡはとりわけＡＧＶ、ショッピングカート、ロボットなどのような機械及びオブジェクトを追跡するための、高精度に起因する広範囲の興奮する機会を開く。ＡＡの性能に影響を及ぼし得るいくつかの要因が研究されている。ＦＢ方法の影響因子は広く研究されてきた。したがって、これをＥａｓｉＴｒａｃｋに組み込む場合に、全体的な追跡性能のみを評価してもよい。
【0329】
サンプリングレート：距離推定において十分な解像度を確保するために、ＥａｓｉＴｒａｃｋによって特定のサンプリングレートが必要とされる。そうでなければ、ピーク解像度（図３Ａを思い出されたい）が制限される。その結果、ＥａｓｉＴｒａｃｋで使用できる２００Ｈｚのサンプリングレートが、２ｍ／ｓまでの通常の速度に対して適切であることが示された。
【0330】
アンテナのダイバシティと分離：図７は、アンテナペアのダイバシティを示す。開示されるデバイス上で利用可能な３つのアンテナの異なる組み合わせを試験するとともに、２つのペアを融合できる。見てとれるように、ＡＡは、異なるアンテナペアを用いて一貫して高性能を生み出し、多重ペアを組み合わせた場合に改善する。また、λ／２、λ、３λ／２〜２λの範囲の異なるアンテナ分離を調べることもできる。図８に示されるように、異なる分離は無視できる程度の差しか見られない。しかし、経験則として、分離はλ／２よりも大きくすべきであり、さもなければ結合効果が作用し始める。
【0331】
方法：ここで、ＥａｓｉＴｒａｃｋシステムの追跡性能を研究できる。典型的なオフィスビルの１つの階にシステムを展開できる。フロアの内側には、乾式壁、コンクリート柱、エレベーターで仕切られた部屋がある。良好なカバレージを提供するために、ＡＰを建物の中央に配置できる。ＡＰは、１５３チャネルで動作してもよい。同じチャネル及び隣接チャネル上には通常のＷｉＦｉトラフィックがある。実験の間、人々は周囲で働いている。
【0332】
ＡＡベースのＥａｓｉＴｒａｃｋ(ＥａｓｉＴｒａｃｋ−ＡＡ）では、デバイスをカート上に置き、それを押し回すことができる。一方、ＦＢベース（ＥａｓｉＴｒａｃｋ−ＦＢ）の場合、デバイスを手に持って自然に歩くように人に頼むことができる。定量的な位置誤差を研究するために、約２メートルごとの密度でチェックポイントの集合をマークできる。グランドトゥルースは、ユーザがチェックポイントを通過したときに記録される。その後、異なるエリアの周りを歩く（又はカートを押す）何人かのユーザを採用できる。ＥａｓｉＴｒａｃｋ−ＡＡをテストしているかＥａｓｉＴｒａｃｋ−ＦＢをテストしているかにかかわらず、複数のユーザを同時に追跡できる。ＥａｓｉＴｒａｃｋはいかなる量もサポートできるが、予算制約のために、３つの追跡キット（それぞれがガリレオＧｅｎ２ボードとサーフェスプロを含む）を構築できる。その後、結果は、２つの方法をそれぞれ評価するために分類される。
【0333】
全体的な性能：図９は、ＥａｓｉＴｒａｃｋ−ＡＡ及びＥａｓｉＴｒａｃｋ−ＦＢの両方がサブメートルの中央値精度を達成することを示す。具体的には、ＥａｓｉＴｒａｃｋ−ＡＡは、カート追跡について、中央値で０．５８ｍであり９０パーセンタイルで１．３３ｍである誤差を生み出した。驚くべきことに、ＥａｓｉＴｒａｃｋ−ＦＢは、約０．７０ｍの中央値誤差、１．９７ｍの９０パーセンタイル誤差という、人の追跡についてわずかに悪い性能を達成する。図６の距離推定精度と比較して、ＥａｓｉＴｒａｃｋ−ＡＡの全体的な追跡精度はわずかに低く、これは主にセンサから生じる方位誤差によって制限される。対照的に、ＥａｓｉＴｒａｃｋ−ＦＢの精度は、地図での位置誤差を効果的に訂正する、開示されるＧＰＦの貢献によって、大幅に改善される。
【0334】
粒子数の影響：ＥａｓｉＴｒａｃｋのユニークな特徴は、グラフベースのモデルのおかげで、少数の粒子を使用して大きな性能を達成することである。粒子量に関して性能がどのように変化するかを調べることができる。よって、粒子数が２０〜８００の範囲で性能を評価できる。ＥａｓｉＴｒａｃｋは、わずか１００の粒子でかなりの性能を実現する。結果は、ＥａｓｉＴｒａｃｋが既存のアプローチよりも数桁少ない粒子しか必要としないことを示している。一実施形態では、特にＥａｓｉＴｒａｃｋ−ＦＢについて、２０個の粒子が少なすぎ、非常に大きなテール誤差をもたらすことがある。実際には、最低５０個の粒子が推奨される。
【0335】
初期位置における誤差の影響：開示される現在の実装は、初期位置のために手入力を使用するので、初期位置における不確実性に対してどれだけ敏感であるかを調べることは興味深い。０．５ｍから２ｍまでのランダム誤差を開始点に加え、誤った最初の位置を有するトレースを評価できる。開示されるＧＰＦはこれらの誤差を敏感に克服し、同様の性能を維持しており、初期位置に２ｍの誤差がある場合に、ＥａｓｉＴｒａｃｋ−ＡＡについて中央値０．７３ｍ及び９０パーセンタイル１．５６ｍの誤差にわずかに低下するだけである。言い換えれば、ＥａｓｉＴｒａｃｋは、開始するための正確な初期位置に依存しない。その代わりに、ユーザ、日和見ＧＰＳ、又は他の利用可能なアンカーによって再び提供されうる、粗い粒度の入力のみを必要とする。
【0336】
方向リセットの利点：方向リセットモジュールの利点を個別に研究できる。そうするために、方向リセット機能を無効にすることによって、すべてのトレースをオフラインで再実行し、結果を比較できる。ＥａｓｉＴｒａｃｋ−ＦＢについて、センサによって引き起こされる大きな蓄積方向誤差を排除する自動方向リセットにより、３．１ｍの９０パーセンタイル誤差が１．７ｍとなるように、大きな誤差が著しく低減されることが分かった。ＥａｓｉＴｒａｃｋ−ＡＡについて、最低限の精度の向上を実現する。その理由は、デバイスをカート上に置いた場合に、人間の歩行よりも方向誤差が著しく少ないからである。方向誤差が累積すると、方向セットが有効になる。
【0337】
カバレッジ：開示されるベンチマーク評価は、３６ｍ×２２ｍの典型的なオフィスにおけるＥａｓｉＴｒａｃｋの追跡カバレッジを実証する。開示されるシステムにカバレッジ限界を示すようにストレスを与えるために、多くのコンクリート壁及び柱を有する約１００ｍ×３５ｍの大型建物で追跡を試験できる。この場合、１つのＡＰではフロア全体をカバーするのに十分ではなく、それによって２つのＡＰ間のハンドオーバで追跡を試験できる。建物の２つの対角コーナーに２つのＡＰを配置することができ、各々は、追跡エリアの半分をおおよそカバーする。結果は、ＥａｓｉＴｒａｃｋが２つのＡＰの間を滑らかにローミングし、重なり合うエリア（中央の廊下）だけでなく、いずれかのＡＰのカバレージの下でも同様の高い精度を達成し、それによって、追加のＡＰをセットアップするだけで非常に大きなエリアで追跡可能にすることを検証する。
【0338】
ＥａｓｉＴｒａｃｋの追跡精度と展開の単純さとを検証するために、人間の追跡とＡＧＶの追跡という２つの異なるシナリオを考慮して、複数の場所で現実世界の展開を実行できる。両方のケースとも良好な追跡性能を示した。ＥａｓｉＴｒａｃｋは、エンドユーザに知覚できる遅延なしにリアルタイムで実行される。異なるモジュール、特に距離推定及びＧＰＦによって導入されるシステムの複雑さに関心があるかもしれない。ＥａｓｉＴｒａｃｋは、小さな組み込みデバイス上でもリアルタイムで実行できることを検証した。
【0339】
図１０は、本発明のいくつかの実施形態による地図拡張追跡方法１０００のフロー図を示す。図１０に示されるように、ＣＳＩ収集１０１０は、例えば無線マルチパスチャネルのＣＳＩ１００１を収集することによって実行される。収集されたＣＳＩは動作１０１２において移動距離を推定するために使用され、これは、上述のように、仮想アンテナ位置合わせ（ＡＡ）方法又は時間反転フォーカシングボール（ＦＢ）方法に基づいてもよい。移動距離推定の結果は、グラフベースの粒子フィルタ１０４０に提供される。
【0340】
さらに、読み取り値は、操作１０２０において、慣性センサ１００２から得られる。方位推定１０２２はこれらの読みに基づいて実行され、方位推定結果はグラフに基づく粒子フィルタ１０４０に提供される。
【0341】
さらに、屋内地図１００３の処理が動作１０３０で実行され、処理された地図情報は地図離散化１０３２を実行するために使用される。その後、到達可能性構築１０３４が実行されて、グラフベースの粒子フィルタ１０４０に提供される結果が生成される。
【0342】
グラフベースの粒子フィルタ１０４０の後、累積方位誤差訂正１０４２が実行され、ターゲット位置推定１０４４が実行されて、ターゲットオブジェクトの位置推定１０５０が生成される。したがって、ターゲットオブジェクトの動きは、地図拡張追跡技術によって追跡又は監視される。様々な実施形態によれば、図１０のいくつかの動作の順序は交換されてもよい。
【0343】
本教示は単一の未知のＡＰを用いてＬＯＳ及びＮＬＯＳの両方のシナリオにおいてサブメートル精度を達成し、大規模な建物及びエンドクライアントに対してほぼゼロのコストでスケールするユビキタス屋内追跡装置を開示する。また、本教示は、屋内地図をＣＳＩベースの距離及びＩＭＵベースの方向情報に融合するグラフベース粒子フィルタに基づく地図拡張確率的追跡アルゴリズムを開示する。
【0344】
本教示は単一のＡＰを用いてサブメートル精度を実現し、コストがほぼ０で多くの建物にスケールする屋内位置特定システムであるＥａｓｉＴｒａｃｋを開示し、ユビキタス屋内追跡のための有望な解決策となる。本教示は、ＣＳＩベースの移動距離推定のためのアプローチと地図拡張追跡アルゴリズムとを開示する。人間及び機械を追跡するために、異なる建物及び施設においてシステムを展開し、検証できる。
【0345】
本開示の様々な実施形態で、無線追跡は以下の項にしたがって実行されてもよい。
【0346】
項Ａ１：無線監視システムの方法／装置／システムであって、現場（venue）の無線マルチパスチャネルを通じて、少なくとも１つの異種ターゲット無線受信機へ、プロセッサ、メモリ及び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一連のプローブ信号を送信することと、前記一連のプローブ信号から、前記少なくとも１つの異種ターゲット無線受信機のそれぞれによって、チャネル情報の少なくとも１つの時系列（ＣＩ時系列）を非同期的に取得することであって、前記チャネル情報（ＣＩ）は前記異種ターゲット無線受信機と前記第１の無線デバイスとの間の前記無線マルチパスチャネルのものである、ことと、個別の異種ターゲット無線受信機によって前記一連のプローブ信号から取得された個別の少なくとも１つのＣＩ時系列に基づいて、個別の地図に対して個別のオブジェクトに関連付けられた個別の動きを反復的に非同期的に監視することと、前記個別の少なくとも１つのＣＩ時系列に基づいて、個別の増分期間（ΔＴ）において、前記個別のオブジェクトによって移動された個別の増分距離（ΔＤ）を反復的に決定することと、個別の現在時刻（Ｔ２）における前記個別のオブジェクトの個別の現在位置、前記個別の増分距離（ΔＤ）及び前記個別の増分期間中の前記個別の動きの個別の方向（シータ）のうちの少なくとも１つに基づいて、前記個別の地図内の個別の次の時刻（Ｔ１）における前記個別のオブジェクトの個別の次の位置を反復的に計算することと、を備える、方法／装置／システム。
【0347】
項Ａ２：項Ａ１の無線監視システムの方法／装置／システムであって、特定のオブジェクトの特定の動きが、２つ以上の異種ターゲット無線受信機によって得られたＣＩ時系列に基づいて監視されている、方法／装置／システム。
【0348】
項Ａ３：項Ａ１の無線監視システムの方法／装置／システムであって、２つ以上の個別のオブジェクトに関連付けられた２つ以上の個別の動きが、特定の地図に対して監視される、方法／装置／システム。
【0349】
項Ａ４：項Ａ１の無線監視システムの方法／装置／システムであって、前記個別の増分時間（ΔＴ）は、前記一連のプローブ信号の２つの個別のプローブ信号の間の時間差である、方法／装置／システム。
【0350】
項Ａ５：項Ａ１の無線監視システムの方法／装置／システムであって、前記個別の増分時間周期中の前記個別の動きの前記個別の方向（シータ）は、前記個別の現在時刻（Ｔ２）における前記個別の動きの前記個別の方向、前記個別の次の時刻（Ｔ１）における前記個別の動きの前記個別の方向、及び別の時刻における前記個別の動きの前記個別の方向のうちの少なくとも１つの個別の機能である、方法／装置／システム。
【0351】
項Ａ６：項Ａ１の無線監視システムの方法／装置／システムであって、粒子フィルタを使用して、前記個別の地図における前記個別の次の時刻における前記個別のオブジェクトの前記個別の次の位置を計算することをさらに含む、方法／装置／システム。
【0352】
項Ａ７：項Ａ１の無線監視システムの方法／装置／システムであって、個別の初期時刻（Ｔ０）において、前記個別のオブジェクトの個別の初期数の個別の初期候補位置を初期化することと、前記現在時刻における前記個別のオブジェクトの第２の動的数（Ｎ２）の個別の第２の候補位置に基づいて、前記次の時刻における前記個別のオブジェクトの第１の動的数（Ｎ１）の個別の第１候補位置を反復的に計算することと、前記個別の次の時刻における前記第１の動的数の個別の第１の候補位置と、前記個別の現在時刻における前記第２の動的数の個別の第２の候補位置とのうちの少なくとも１つに基づいて、前記個別の次の時間における前記個別のオブジェクトの前記個別の次の位置を計算することと、をさらに含む、方法／装置／システム。
【0353】
項Ａ８：項Ａ７の無線監視システムの方法／装置／システムであって、前記個別のオブジェクトは、前記個別の多次元地図によって表される個別の領域内で前記個別の増分期間中に移動し、前記個別の多次元地図は個別の多次元アレイＡとして表され、その結果、前記個別の領域の各位置の到達可能性は、０と１との間の論理値である対応するアレイ要素ａによって表され、前記アレイ要素ａ＝０であるならば前記位置は到達不可能であり禁止されており、ａ＝１であるならば前記位置は完全に到達可能であり、０＜Ａ＜１であるならば前記位置は部分的に到達可能であり、前記個別の次の位置、前記個別の現在位置、前記第１の動的数の個別の第１の候補位置、及び前記第２の動的数の個別の第２の候補位置のそれぞれは、前記個別の領域内の点であり、ａ＞０である対応するアレイ要素ａとして表され、任意の個別の位置における前記個別のオブジェクトの前記個別の動きの前記個別の方向は、複数の許容可能な方向のうちの１つとして局所的に表される、方法／装置／システム。
【0354】
項Ａ９：項Ａ８の無線監視システムの方法／装置／システムであって、個別の第１候補位置にそれぞれ関連付けられた前記第１の動的数（Ｎ１）の重みを計算することであって、各重みは、前記個別の現在位置、前記個別の第１の候補位置、前記個別の第１の候補位置に関連付けられた対応する個別の第２の候補位置、前記個別の動きの前記個別の方向、及び前記個別の方向における前記個別の第１の候補位置と前記第１の到達不能なアレイ要素ａとの間の距離のうちの少なくとも１つの関数である、ことと、前記第１の動的数の個別の第１の候補位置及び前記関連付けられた第１の動的数の重みに基づいて、前記個別のオブジェクトの前記個別の次の位置を計算することと、をさらに備える、方法／装置／システム。
【0355】
項Ａ１０：項Ａ９の無線監視システムの方法／装置／システムであって、各重みは、前記個別の方向における前記個別の第１の候補位置と前記第１の到達不能なアレイ要素ａとの間の前記距離の単調非減少関数である、方法／装置／システム。
【0356】
項Ａ１１：項Ａ９の無線監視システムの方法／装置／システムであって、各重みは、前記個別の方向における前記個別の第１の候補位置と前記第１の到達不能なアレイ要素ａとの間の前記距離の有界関数である、方法／装置／システム。
【0357】
項Ａ１２：項Ａ９の無線監視システムの方法／装置／システムであって、前記個別のオブジェクトの前記個別の次の位置を、前記第１の動的数の第１の候補位置の加重平均として計算することをさらに含む、方法／装置／システム。
【0358】
項Ａ１３：項Ａ９の無線監視システムの方法／装置／システムであって、前記個別のオブジェクトの前記個別の次の位置を、前記個別の第１の候補位置の１つとして計算することをさらに含む、方法／装置／システム。
【0359】
項Ａ１４：項Ａ９の無線監視システムの方法／装置／システムであって、前記重みを正規化することをさらに含む、方法／装置／システム。
【0360】
項Ａ１５：項Ａ９の無線監視システムの方法／装置／システムであって、各個別の第１の候補位置の重み付きコストを、前記第１の動的数の個別の第１の候補位置の残りに対して計算することであって、前記重み付きコストは前記個別の第１の候補位置と前記個別の第１の候補位置の残りのそれぞれとの間のペアワイズ距離の加重和であり、前記重みが正規化される、ことと、前記個別のオブジェクトの前記個別の次の位置を、最小限の重み付きコストを有する前記個別の第１の候補位置として選択することと、をさらに含む、方法／装置／システム。
【0361】
項Ａ１６：項Ａ８の無線監視システムの方法／装置／システムであって、前記多次元地図が２次元であり、前記アレイＡが２次元アレイであり、各アレイ要素ａが２つのインデックスを有する、方法／装置／システム。
【0362】
項Ａ１７：項Ａ８の無線監視システムの方法／装置／システムであって、前記多次元地図が３次元であり、前記アレイＡが３次元アレイであり、各アレイ要素ａが３つのインデックスを有する、方法／装置／システム。
【0363】
項Ａ１８：項Ａ８の無線監視システムの方法／装置／システムであって、前記第２の候補位置、前記個別の増分距離（ΔＤ）、及び前記個別の増分期間（ΔＴ）のうちの少なくとも１つに基づいて、前記個別のオブジェクトの前記第２の候補位置のそれぞれについて予測値を計算することと、前記第２の候補位置の前記予測値が、関連付けられたアレイ要素ａ＝１で十分に到達可能であるならば、前記第２の候補位置の前記予測値に基づいて前記個別のオブジェクトの第１の候補位置を作成ことと、前記第２の候補位置の前記予測値が、関連付けられたアレイ要素ａ＝０で禁止されているならば、第１の候補位置を作成することなく、前記第２の候補位置を「拒絶」とラベル付けすることと、前記第２の候補位置の前記予測値が、関連付けられたアレイ要素０＜ａ＜１で部分的に到達可能であるならば、０と１との間の乱数を生成することと、前記乱数がａより小さいならば、前記第２の候補位置の前記予測値に基づいて前記個別のオブジェクトの第１の候補位置を作成することと、をさらに備える、方法／装置／システム。
【0364】
項Ａ１９：項Ａ１８の無線監視システムの方法／装置／システムであって、第１の候補位置の量が閾値よりも小さいならば、前記予測値に関連付けられた重み、前記第２の候補位置に関連付けられた重み、前記予測値に関連付けられた前記多次元アレイＡのアレイ要素、前記第２の候補位置に関連付けられた前記多次元アレイＡのアレイ要素、及び別の確率分布のうちの少なくとも１つに基づく確率分布を用いて、拒絶されていない第２の候補位置の前記予測値を確率的にとる前記個別のオブジェクトの新しい第１の候補位置を生成することをさらに含む、方法／装置／システム。
【0365】
項Ａ２０：項Ａ１８の無線監視システムの方法／装置／システムであって、第１の候補位置の量が閾値よりも小さいならば、拒絶されていない前記第２の候補位置の前記予測値に関連付けられた重みに基づく確率で、拒絶されていない前記第２の候補位置を確率的にとる前記個別のオブジェクトの新しい第１の候補位置を作成することをさらに含む、方法／装置／システム。
【0366】
項Ａ２１：項Ａ１８の無線監視システムの方法／装置／システムであって、第１の候補位置の量が閾値より小さいならば、前記量の第１の候補位置に基づいて仮の次の位置を計算し、確率分布に基づいて前記仮の次の位置の近傍に前記個別のオブジェクトの新しい第１候補位置を確率的に作成することと、をさらに含む、方法／装置／システム。
【0367】
項Ａ２２：項Ａ１８の無線監視システムの方法／装置／システムであって、第１の候補位置の量が閾値よりも小さいならば、確率分布に基づいて、前記個別の現在位置の近傍でサンプリングされた位置の予測子として、前記個別のオブジェクトの新しい第１候補位置を確率的に作成することをさらに含む、方法／装置／システム。
【0368】
項Ａ２３：項Ａ２２の無線監視システムの方法／装置／システムであって、前記近傍が、拒絶されていない前記第２の候補位置のうちの少なくとも１つを含む、方法／装置／システム。
【0369】
項Ａ２４：項Ａ２２の無線監視システムの方法／装置／システムであって、前記確率分布は、拒絶されていない前記第２の候補位置のうちの１つをそれぞれが中心とする確率密度関数（ｐｄｆ）の集合の加重和である、方法／装置／システム。
【0370】
項Ａ２５：項Ａ２４の無線監視システムの方法／装置／システムであって、ｐｄｆの前記集合の少なくとも２つが一般的なｐｄｆである、方法／装置／システム。
【0371】
項Ａ２６：項Ａ２４の無線監視システムの方法／装置／システムであって、加重和における第２の候補位置に関連付けられた各ｐｄｆの前記重みが、前記第２の候補位置に関連付けられた前記アレイ要素の関数である、方法／装置／システム。
【0372】
項Ａ２７：項Ａ１の無線監視システムの方法／装置／システムであって、任意の時刻で動的数の個別の候補位置を維持することと、少なくとも１つの個別の候補位置を初期化すること、少なくとも１つの個別の候補位置を更新すること、少なくとも１つの個別の候補位置を追加すること、少なくとも１つの個別の候補位置を一時停止すること、少なくとも１つの個別の候補位置を停止すること、少なくとも１つの一時停止された個別の候補位置を再開すること、少なくとも１つの停止された個別の候補位置を再初期化すること、及び少なくとも１つの個別の候補位置を除去することのうちの少なくとも１つによって前記動的数の個別の候補位置を変更することと、前記個別の次の時間における前記動的数の個別の候補位置、及び別の時刻における前記動的数の個別の候補位置のうちの少なくとも１つに基づいて、前記個別の次の時刻における前記個別のオブジェクトの前記個別の次の位置を計算することと、をさらに備える、方法／装置／システム。
【0373】
項Ａ２８：項Ａ２７の無線監視システムの方法／装置／システムであって、孤絶の候補位置の前記動的数は、前記個別の現在時刻における上限によって制限される、方法／装置／システム。
【0374】
項Ａ２９：項Ａ２７の無線監視システムの方法／装置／システムであって、孤絶の候補位置の前記動的数は、ある時刻における下限によって制限されてもよい、方法／装置／システム。
【0375】
項Ａ３０：項Ａ２７の無線監視システムの方法／装置／システムであって、個別の候補位置の前記動的数が下限よりも低いならば、少なくとも１つの候補位置を追加することをさらに含む、方法／装置／システム。
【0376】
項Ａ３１：プロセッサ、前記プロセッサに通信可能に結合されたメモリ、及び前記プロセッサによって実行される前記メモリに格納された命令セットによって実施される方法であって、無線マルチパスチャネルの複数のチャネル情報の時系列（ＴＳＣＩ）を取得することであって、前記複数のＴＳＣＩは、前記無線マルチパスチャネルを通じて第１の無線デバイスから第２の無線デバイスへ送信された無線信号から抽出され、前記複数のＴＳＣＩのそれぞれは、前記第１の無線デバイスのアンテナ及び前記第２の無線デバイスのアンテナに関連付けられ、前記第１の無線デバイス及び前記第２の無線デバイスのうちの１つは静止デバイスであり、前記第１の無線デバイス及び前記第２の無線デバイスのうちの他方はオブジェクトとともに移動する移動デバイスであり、前記移動デバイスは少なくとも２つのアンテナを備える、ことと、前記移動デバイスの第１のアンテナに関連付けられた第１のＴＳＣＩの第１の時刻における第１のチャネル情報（ＣＩ）が、前記移動デバイスの第２のアンテナに関連付けられた第２のＴＳＣＩの第２の時刻における第２のＣＩと一致することを判定することであって、前記第１のＴＳＣＩ及び前記第２のＴＳＣＩの両方は、前記静止デバイスの特定のアンテナに関連付けられる、ことと、前記複数のＴＳＣＩ、前記移動デバイスのアンテナの構成、前記静止デバイスの少なくとも１つのアンテナの構成、前記第１の時刻と前記第２の時刻との間の時間差、及び前記第１のアンテナと前記第２のアンテナとの間の距離のうちの少なくとも１つに基づいて前記移動デバイスの少なくとも１つの移動パラメータを計算することと、前記少なくとも１つの移動パラメータ、前記第１の時間、前記第２の時間、前記移動デバイスのアンテナの前記構成、前記静止デバイスの少なくとも１つのアンテナの前記構成、過去のＳＴＩ、及び過去の移動パラメータのうちの少なくとも１つに基づいて前記移動デバイスの空間時間情報（ＳＴＩ）を計算することであって、前記移動パラメータ及び前記ＳＴＩのうちの少なくとも１つは、前記移動デバイスの現在の移動に関連する、ことと、前記ＳＴＩに基づいて前記オブジェクト及び前記移動デバイスを追跡することと、を備える方法。
【0377】
項Ａ３２：項Ａ３１の方法であって、前記移動パラメータ及び前記ＳＴＩのうちの少なくとも１つは、位置、水平位置、垂直位置、長さ、面積、体積、容量、方向、角度、距離、変位、速さ、速度、加速度、回転速度、回転加速度、歩行サイクル、存在、動きタイプ、動き分類、動き特性、突然の動き、過渡的な動き、周期的な動き、周期的な動きの周期、周期的な動きの周波数、過渡的な動き、時間トレンド、タイミング、タイムスタンプ、期間、タイムウィンドウ、スライディングタイムウィンドウ、履歴、周波数トレンド、空間時間トレンド、空間時間変化、及びイベントのうちの少なくとも１つを含み、前記オブジェクト及び前記移動デバイスを追跡することは、前記オブジェクトの地図位置を判定すること、前記オブジェクトの前記位置を追跡すること、前記オブジェクトの別の動き分析を追跡すること、前記オブジェクトの動きを軌道に沿って誘導すること、障害物を回避するように前記オブジェクトの前記動きを誘導すること、前記オブジェクトの動作を追跡すること、前記オブジェクトの挙動を追跡すること、オブジェクト挙動識別、前記オブジェクトの前記動作を検出すること、前記オブジェクトのバイタルサインを検出すること、前記オブジェクトに関連付けられた周期的動作を検出すること、前記オブジェクトの呼吸を検出すること、前記オブジェクトの心拍を検出すること、現在の動きに関連付けられたイベントを検出すること、前記オブジェクトの転倒動きを検出すること、前記オブジェクトの前記位置を提示すること、前記オブジェクトの前記位置の履歴を提示すること、及び前記オブジェクトの前記位置をグラフィカルに表示することのうちの少なくとも１つを含む、方法。
【0378】
項Ａ３３：項Ａ３１の方法であって、前記移動デバイスの第３のアンテナに関連付けられた第３のＴＳＣＩの第３の時刻における第３のＣＩが、前記移動デバイスの第４のアンテナに関連付けられた第４のＴＳＣＩの第４の時刻における第４のＣＩと一致することを判定することであって、前記第３のＴＳＣＩ及び前記第４のＴＳＣＩの両方が、前記静止デバイスの別の特定のアンテナに関連付けられている、ことと、前記第１のＣＩと前記第２のＣＩとの間の前記一致、前記第３のＣＩと前記第４のＣＩとの間の前記一致、及び別の２つのＣＩの間の別の一致のうちの少なくとも１つに基づいて移動パラメータのための確率モデルを計算することと、前記確率モデル、前記複数のＴＳＣＩ、前記移動デバイスのアンテナの前記構成、前記静止デバイスのアンテナの前記構成、前記第１の時刻と前記第２の時刻との間の時間差、前記第３の時刻と前記第４の時刻との間の時間差、前記第１のアンテナと前記第２のアンテナとの間の距離、及び前記第３のアンテナと前記第４のアンテナとの間の距離のうちの少なくとも１つに基づいて前記移動デバイスの前記少なくとも１つの移動パラメータを確率的に計算することであって、前記移動デバイスの前記ＳＴＩは、前記少なくとも１つの移動パラメータ、前記第１の時間、前記第２の時間、前記第３の時間、前記第４の時間、前記静止デバイスのアンテナの前記構成、前記移動デバイスのアンテナの前記構成、過去のＳＴＩ、及び過去の移動パラメータのうちの少なくとも１つに基づいて計算される、ことと、をさらに備える、方法。
【0379】
項Ａ３４：項Ａ３１の方法であって、前記少なくとも１つの移動パラメータのための確率モデルを計算することと、前記確率モデルに基づいて前記移動デバイスの前記少なくとも１つの移動パラメータを確率的に計算することと、前記少なくとも１つの確率的に計算された移動パラメータに基づいて前記移動デバイスの前記ＳＴＩを確率的に計算することと、をさらに備える、方法。
【0380】
項Ａ３５：項Ａ３１の方法であって、前記少なくとも１つの移動パラメータのための確率モデルを計算することと、前記確率モデルに基づいて前記移動デバイスの前記少なくとも１つの移動パラメータを確率的に計算することと、前記移動デバイスの候補ＳＴＩの数を計算することであって、各候補ＳＴＩは、確率的に計算された移動パラメータに基づいて計算される、ことと、前記候補ＳＴＩの集合に基づいて前記ＳＴＩを計算することと、をさらに備える、方法。
【0381】
例：ストライド長推定
【0382】
ストライド長推定は、歩行者の追跡から個人のヘルスケアに及ぶ様々な用途を有する。しかしながら、これは通常、慣性センシングによって達成され、これは低コストの汎用品センサ上のノイズの多い読み取り値と制約のない人間の歩行とにより、大きな誤差を被る。慣性センサのみを探査する従来の方法とは異なり、本教示は、細粒度のストライド長を推定する融合された無線及び慣性センシング設計を開示する。開示されるアプローチは、無線信号からのセンチメートル精度での歩行距離推定を基礎とするＷｉＦｉセンシングにおける最近の進歩を取り入れる。そして、慣性センサ読み取り値を使用する新規なステップ検出アルゴリズムが開示され、これは、ステップをカウントするだけでなく、検出されたステップごとの時間情報も報告する。そして、本アルゴリズムは、時間注釈付き距離推定結果とステップとを融合して、ストライド長を導出する。大規模なパブリックデータセットに対する評価は、ステップカウントアルゴリズムが３％の誤差を生じることを示す。さらに、８人のユーザでの汎用品ハードウェアに関する実験は、ストライド長推定において約２センチメートルの誤差を示す。
【0383】
慣性センシングは、とりわけ歩行者推測航法（ＰＤＲ）及び歩行分析のような多くのモバイルアプリケーションに対する安価で便利な解決策であった。これは歩行障害、足の引きずり又は歩幅の減少をもたらす可能性がある神経学的又は筋骨格系の疾患を定量化し、治療するための診断をサポートするために使用されている。一方、低コスト慣性測定ユニット（ＩＭＵ）を用いたＰＤＲは、ＧＰＳが利用できない場合に代替測位を提供するために広く研究されてきた。これは、典型的にはステップ数に歩幅を乗算したものとして推定される移動距離と、連続的な位置を提供するための進行方向情報とを統合する。
【0384】
広範な調査にもかかわらず、慣性センシングに依然として残されている最も重要な要素の１つは、歩行分析及びＰＤＲの両方にとって重要なストライドバイストライドパラメータであるストライド長の正確な推定である。ステップ検出のために、ゼロ交差、ピーク検出、及び自己相関のような多くのアルゴリズムが開示されている。しかしながら、ストライド長推定は、安価なセンサ上でのノイズの多い読み取り値、個人間及び経時的な歩行パターンの変化のせいで、より複雑である。初期の解決策では、誤差を受ける過度に単純化された線形／非線形モデルを採用する。従来のアルゴリズムの大部分は時間にわたる加速度の二重積分を実行し、これは、再初期化のためにゼロ速度更新点を必要とし、ノイズの多いセンサデータ及び動き干渉を受けやすい。最近の研究は、ストライド長を学習するための神経回路網を構築するが、これはトレーニングのために大量のデータを必要とする。ストライド長推定のために、カメラシステム、気圧センサなどを含む他の様式も採用される。しかし、これらのシステムは、慣性センサよりも利便性が低く、通常はるかに高価である。
【0385】
今日、ほとんどのモバイルデバイスは、マルチアンテナＷｉ−Ｆｉ無線だけでなく、慣性センサを備えている。本開示はこの機会を利用し、出現しつつある無線センシングを従来の慣性センシングと統合して、正確なストライド長推定を達成することを検討する。本アイデアは、無線信号からの歩行距離を推定する一方で、対応するステップをＩＭＵデータから取ることである。仮想アンテナ位置合わせアプローチを採用し、２つ又は３つのアンテナを備えた汎用品ＷｉＦｉカードを使用して、モバイル環境用にこれを実装できる。ユーザは単に無線機を手に持って自由に歩く必要があり、歩行距離は、受信されたＷｉＦｉ信号の測定された一連のチャンネル状態情報（ＣＳＩ）から推定される。まず、ステップをカウントするだけでなく、検出された各ステップの正確な開始時間及び終了時間も報告する、有限状態機械に基づくステップ検出のための新規な時間領域アルゴリズムを導入できる。多くの既存のアプローチは、このような時間注釈付きステップを得ることができない。そして、移動距離を同じ期間の対応する歩行回数で割ることにより、ストライド長を推定できる。
【0386】
アルゴリズムの有効性を検証するための実験は２つの部分を含んでいる。第１に、大きなパブリックデータセット上のステップ検出を調べることができる。データセットは、歩行中の典型的な制約のない使用においてスマートフォン上で測定されたＩＭＵデータの時系列を含む。このデータセットに関する評価は、ステップカウントアルゴリズムが全トレースの９０％に対して誤り率５％未満の顕著な性能を達成し、９個の異なるアプローチを上回ることを示す。正確なステップカウントに加えて、開示されるアルゴリズムはまた、単一ステップごとの時間情報を出力する。
【0387】
そして、ストライド推定の性能を評価するために、開示されるアルゴリズムを汎用品ハードウェア上で実施し、実験できる。８人のユーザが、デバイスを手に持ちながらいつもどおり歩くように頼まれる。ＣＳＩ及びセンサデータの両方が彼らの歩行中に収集される。特に、ストライド長は、約２センチメートルの中央値誤差で推定される。
【0388】
慣性センサを用いたステップ検出のために開発された多くのアルゴリズムがある。従来の方法は、通常、一連の加速度計の読み取り値が与えられると、どれだけ多くのステップが取られたかをカウントすることに焦点を当てる。正確なストライド長を取得するために、ステップ数だけでなく、各ステップの正確な開始時刻及び終了時刻も必要であってもよく、その結果、後に、無線信号を介して所定のストライド期間中の正確な移動距離を計算できる。
【0389】
正確なタイミング情報でステップ検出を達成するために、本教示は有限状態機械（ＦＳＭ）に基づく時間領域アプローチを開示する。主要な洞察は、通常の人間の歩行サイクルが、個人及び速度にわたって変化するにもかかわらず、慣性データから見た典型的なテンプレートに従うということである。ストライド周期は２つのフェーズ、すなわち、スタンスフェーズ及びスイングフェーズを含み、これらはさらに７つのステージに分解されうる。スタンスフェーズは１本の足の最初のかかと接触から始まり、同じ足のつま先が地面から離れたときに終了する。スイングフェーズは、足が前方にスイングする動作で直ちに続き、次のかかと接触まで続く。直観的には、ストライドサイクルは２つのステップを含み、それに応じてストライド長が規定される。一実施形態では、２つの連続するステップを区別せず、したがって、ステップ長をストライド長として計算し、これは平均して、一般に規定されるストライド長の半分である。理想的には、歩行動作によって誘発される加速度が最初に大きな値に増加し、次に負の値に減少し、最後にほぼゼロに戻る。ステップ中の典型的で理想的な加速度変化が図１１の最初の図によって示され、他の図は、異なる個人、歩行速度、及びセンサ配置にわたってパターンがどのように変化するかを示す。図１１の各図は、性別（Ｍ：男性、Ｆ：女性）、身長（Ｔ：１８０ｃｍ〜１８９ｃｍ、Ｍ：１７０ｃｍ〜１７９ｃｍ、Ｓ：１５０ｃｍ〜１６９ｃｍ）、速度（Ｎ：通常、Ｆ：高速、Ｓ：低速）、配置の形式で命名されている。歩行サイクルの詳細な理解に基づくＦＳＭ設計はステップ検出のための加速度遷移を特徴付けるために、高度なＦＳＭを精緻化できる。図１２に示すように、ＦＳＭは５つの異なる状態を含む。
【0390】
・Ｓ＿ＺＣ：ゼロ交差検出時の初期かつデフォルト状態
【0391】
・Ｓ＿ＰＫ：加速度がピークに到達した状態
【0392】
・Ｓ＿Ｐ２Ｖ：加速度がピークからポテンシャルの谷に減少したときにゼロ交差が発生する状態
【0393】
・Ｓ＿ＶＬ：加速度の谷の状態
【0394】
・Ｓ＿ＤＴ：ステップが要求されている状態
【0395】
状態遷移を判定するために、６つの基本イベントを規定でき、これらはすべて慣性センサデータから識別可能である。
【0396】
・Ｅ＿ＰＫ：ピークが検出される
【0397】
・Ｅ＿ＶＬ：谷が検出される
【0398】
・Ｅ＿ＺＣ：ゼロ交差が観察される
【0399】
・Ｅ＿ＦＰＫ：「遠い」ピークが、前のＥ＿ＰＫイベントの後に、中間イベントなしであるが、しきい値を超える大きな時間差で検出される
【0400】
・Ｅ＿ＦＶＬ：Ｅ＿ＦＰＫと同様に規定される谷
【0401】
・Ｅ＿ＴＩＭＥＯＵＴ：ＦＳＭが１つの状態に長く留まりすぎるならば、タイムアウトイベントがトリガされる
【0402】
最初の３つのイベントは歩行中の加速パターンの主要な特性を特徴づけ、後の３つは、ノイズ及び非歩行動作干渉に対処するために、時刻情報に結合された最初の３つから導出される。
【0403】
デフォルトで、アルゴリズムはイベントが発生するまでその現在の状態にとどまり、イベントの発生に応じて別の状態に移行するか、変更されないままである。それぞれの状態は図１２にマークされているように、特定のイベントでのみ遷移する。デフォルトのＳ＿ＺＣ以外のすべての状態は、タイムアウトイベントに関連付けられる。状態Ｓ＿ＤＴは、新しいデータが到着するとＳ＿ＺＣに戻る。Ｅ＿ＦＰＫ及びＥ＿ＦＶＬは、ノイズの多いセンサ読み取り値及びユーザ動作干渉によって引き起こされる２つの連続したピーク又は谷のケースを処理するために導入される。例えば、後続のピークが以前のものに近すぎるならば、本アルゴリズムは歩行中の歪みとしてそれを扱い、同じ状態を維持し、そうでない場合、それはよりランダム動作に似ており、状態はＳ＿ＺＣにリセットされる。
【0404】
アルゴリズムの設計は多くの強い側面を達成する。検出された各ステップについて、アルゴリズムは、検出されたステップのタイミング情報を出力する。対応するＳ＿ＺＣの時点は開始時刻であり、Ｓ＿ＤＴに入る時刻は終了時刻を意味する。アルゴリズムは効率的であり、少数の状態しかない。これは、絶対加速度に大きく依存しないように、多くの被験者依存パラメータに依存することなく識別されうる、いくつかの本質的なイベントとして比較的ノイズのあるセンサ読み取り値を分解する。
【0405】
センサデータ処理：生のセンサデータは、上記のＦＳＭに対する入力として、一連の関心イベントに処理される。しかしながら、ここでの主要な課題は歩行パターン及びデバイス位置（例えば、手持ち、ポケット内、又はバックパック内等）によって、ステップの理想的な加速パターンが大きく変化することである。さらに、センサデータはノイズが多く、時間にわたってドリフトする可能性がある。図１１は、正常なもの、歪んだもの、又は偏ったものを含む、歩行サイクルのいくつかの異なるパターンを示す。
【0406】
様々なセンサパターンを処理するために、一連の前処理ステップを実行できる。加速度計は、サンプルごとのｘ軸、ｙ軸、ｚ軸に沿った３次元センサ値をａ＝（ａｘ，ａｙ，ａｚ）として報告する。報告された加速度は（地球のフレームではなく）デバイスフレームにあり、動作誘起と重力強制との両方の成分を含む。重力を補償し、加速度を地球の基準フレームに変換する必要があるかもしれない。幸いなことに、現代のＩＭＵは、重力ベクトルｇ＝（ｇｘ，ｇｙ，ｇｚ）を報告する加速度計及びジャイロスコープ又は磁力計に基づいて、融合センサ（通常、重力センサと命名される）としての重力成分を抽出する優れた仕事を行ってきた。したがって、センサの向きのない投影加速度の大きさを以下のように容易に得ることができる。[この文献は図面を表示できません]
【0407】
Ａ＝［ａ（ｔ１），ａ（ｔ２），・・・，ａ（ｔＭ）］として示され、ａ（ｔｉ）は時刻ｔｉにおける読み取り値である加速度の大きさの時系列が与えられると、移 動平均トレンドを除去することによって、重力及び潜在的なセンサのドリフトをさらに除去できる。ストライド長推定のためにオンラインでデータを処理する必要がないので、移動平均を計算するために２秒の比較的長いウィンドウを使用できる。その後、０．２５秒のウィンドウを用いて、トレンド除去されたデータをさらに平滑化できる。
【0408】
その後、ゼロ交差及びピーク検出を実行して、データ系列から関心イベントをすべて識別できる（谷検出は、データに−１を乗算することによってピーク検出と同じ方法で行われる）。処理の結果、Ｅ＝［ｅ（ｔ１），ｅ（ｔ２），・・・，ｅ（ｔＱ）］と表されるイベントの時系列が得られ、ここで、ｅ（ｔｉ）∈｛Ｅ＿ＰＫ，Ｅ＿ＶＬ，Ｅ＿ＺＣ｝は時刻ｔｉにおいてイベントが発生することである。イベントは、典型的には標準的なステップ内に３つのＥ＿ＺＣ、１つのＥ＿ＰＫ、及び１つのＥ＿ＶＬがあるので、時系列Ａにわたって疎である。このイベント系列は その後、ステップ検出のためにＦＳＭに供給される。他の３つのイベント、すなわち、Ｅ＿ＦＰＫ、Ｅ＿ＦＶＬ、Ｅ＿ＴＩＭＥＯＵＴは、それぞれ、２つの連続するＥ＿ＰＫ、Ｅｅ＿ＶＬのタイムスタンプ及び状態自身の期間を調べることによって、ＦＳＭ内で検出される。例えば、Ｅ＿ＦＰＫは、ｅ（ｔｉ−１）＝ｅ（ｔｉ）＝Ｅ＿ＰＫかつ｜ｔｉ−ｔｉ−１｜＞ｔｈｍａｘ＿ｇａｐならば発生し、ここでｔｈｍａｘ＿ｇａｐは、人間の歩行挙動によって決定されうる閾値を示す。
【0409】
絶対加速度閾値ではなく、イベント（すなわち、加速度系列における特定の相対パターン）を含むことによって、開示されるＦＳＭは、より一般化され、異なる歩行パターン及びセンサ位置に対してロバストである。図１３Ａはステップ検出結果の一例を示しており、タイミング情報を用いてステップごとに正確にカウントする。
【0410】
ＷｉＦｉによる歩行距離推定：センチメートルレベルで歩行距離を正確に推定するために、仮想アンテナ位置合わせアプローチのアイデアを利用できる。
【0411】
２アンテナラインアレイを例にとる。アレイがそれらを結ぶ線に沿って動く場合に、もう一方の軌跡に続く１つのアンテナが存在することになる。特定の移動速度は後続のアンテナが他のアンテナが移動した同じ位置に当たり（すなわち、２つのアンテナが仮想的に位置合わせされ）、それによって同じ（類似の）マルチパスプロファイルを観察する時間遅延を判定する。時間遅延は以下によって推定されうる。[この文献は図面を表示できません]
ここで、Ｈｉ（ｔ）は時間ｔにおけるＣＳＩ測定結果であり、ｌはサーチウィンドウ［ｔ−ｌ，ｔ＋ｌ］を指定し、ηは以下のように計算される時間反転共振強度（ＴＲＲＳ）である。[この文献は図面を表示できません]
ここで、（・）Ｈは共役転置を示す。Δｔで、アレイの移動速度は、以下のようにすぐに導出されうる。[この文献は図面を表示できません]
ここで、Δｄは、事前に知られている対応するアンテナ分離である。そして、よって、移動距離が以下のように算出される。[この文献は図面を表示できません]
ここで、Ｔは移動の期間である。
【0412】
ストライド長推定のシナリオを検討すると、歩行中に仮想アンテナ位置合わせの機会を増すために、ユーザはデバイスを手で保持する必要がある。仮想アンテナ位置合わせは、移動中に１５°の逸脱角を許容できる。これは、ハンドヘルドモバイルシナリオに適用可能にする重要な特性である。歩行中であっても、協力的なユーザは、１５°を超える著しい逸脱を生じる機会をほとんど伴わずに、デバイスを比較的安定して保持できる。図１３Ｂ及び図１３Ｃに示されるように、ユーザがＷｉＦｉデバイスを手に持ったままいつも通り歩行している場合に、歩行速度が正確に追跡されうる。
【0413】
図１３は、ＷｉＦｉベースのセンシングによって推定される慣性センシング及び歩行距離（速度）によって検出されるステップの例を示す。図１３Ａにおいて、正方形は検出されたステップを示し、三角形はピーク及び谷を示し、円はゼロ交差点を示す。図１３Ｂは、識別されたアンテナ位置合わせ遅延（線）を有するＴＲＲＳマトリクスを示す。図１３Ｃは推定速度を示す。
【0414】
より一般的に、歩行トレースが与えられると、各ステップｓｉが時刻ｔｉ−１で開始し、時刻ｔｉで終了する一連のＮ個のステップＳ＝［ｓ１，ｓ２，・・・，ｓＮ］を検出し、対応する瞬時速度系列Ｖ＝［ｖ（ｔ），ｔ＝１，２，・・・，Ｔ］を推定したと仮定する。その場合、平均ストライド長Ｌを以下のように導出することは直接的である。[この文献は図面を表示できません]
【0415】
推定は、歩行トレースの様々な長さ及び／又は歩行インスタンス中の様々なストライド長に対してよりロバストになるように改善されうる。特に、最初のｋ個のステップ、ただし、ｋは１〜Ｎの範囲、のみを使用することによって、ストライド長をさらに計算できる。[この文献は図面を表示できません]
【0416】
その後、中央値を推定結果としてとることができる。すなわち、Ｌ＝Ｍｅｄｋ（Ｌｋ）。
【0417】
瞬時速度推定と細粒度ステップ検出により、単なる平均値ではなく、ステップごとのストライド長さも計算できる。具体的に、ｉ番目のステップのストライド長は、[この文献は図面を表示できません]
このようなきめの細かいデータは、歩行の変化を分析するのに有用であろう。
【0418】
融合された無線及び慣性センシング方法は、ストライド長推定問題に対する特有の新規な解決策に寄与する。これは、ノイズの多いセンサの読み取り値、及び二重積分アプローチに付随する累積誤差に影響されない。これは、センサの向きや配置場所には影響されない。そして最も重要なことは、正確なステップ検出機構と細粒度距離推定によって帰する高い精度を達成することである。
【0419】
一実施形態では、人間の歩行は、（ａ）１つの可動肢（例えば、左脚）を動かす（例えば、スイングする）ことと、（ｂ）別の可動肢（例えば、右脚）を動かす（スイングする）こととの２つの交互のステップを伴う（例えば、２つの脚の）スイング動作を伴う。スイング動作は基本的に、いくつかの観測可能なフェーズを有する反復（又は周期的）動作サイクルである。加速度（大きさ）を使用して、ユーザが歩くときに一連のストライドを追跡できる。ストライドは、スタンバイ、最大（正）加速度、ゼロ加速度への遷移、そして最小（負）加速度、及びスタンバイへ戻るという４つの状態で特徴付けられうる。関心のある他の反復動作は、各「サイクル」が観察可能な量のピーク（極大値）及び谷（極小値）を有する周期的動作を含む。動作統計値（例えば、加速度）がゼロ平均を有するならば、最も単純な動作サイクルは、ゼロ、最大値、ゼロ、最小値、及びゼロに戻るシーケンスを有する。あるいは、代替的に、ゼロ、最小値、ゼロ、最大値、ゼロである。動作統計値がゼロ平均を有しないならば（例えば、ゆっくりしたドリフトを伴う加速）、平均を引くことができ、それから、動作サイクルは次の順序、ゼロ、最大値、ゼロ、最小値、ゼロを有しうる。あるいは、非ゼロ動作統計値が平均値、平均値より上の最大値、平均値、平均値より下の最小値、平均値のシーケンスを有しうる。今日、スマートフォンは、加速度を与えることができる慣性測定ユニット（ＩＭＵ）を有する。加速度はデバイスフレーム（すなわち、人間の動作によって地球に対して変化するデバイス座標系）から地球フレーム（すなわち、地球座標系）に、重力に起因する加速度を補正して変換されうる。一実施形態では、アルゴリズムが以下のように説明されてもよい。
【0420】
第１ステップで、慣性センサ入力を用いて有限状態機械（ＦＳＭ）を構築する。これは以下のものを含む。(ａ)ＩＭＵが、デバイスフレーム加速を取得する。(ｂ)ＩＭＵが、重力を補正して、デバイスフレーム加速度を地球フレームの加速度に変換する。(ｃ)デバイスが、地球フレーム加速度を求め、（非常にノイズが多くドリフトの問題がある）加速度の大きさを計算する。(ｄ)デバイスが、ドリフトの課題に対処するために、移動平均を除去する（すなわち、局所平均又は平均を減算する）ことによって、加速の大きさを前処理する。平均除去は２つのステージ、すなわち、移動平均のために２秒タイムウィンドウを使用する第１のステージと、０．２５秒タイムウィンドウを使用する第２のステージとで行われる。２ステージ平均減算は、何らかの１ステージローパスフィルタリングと等価である。(ｅ)デバイスが、「加速度ピーク」、「加速度ゼロ交差」、及び「加速度谷」を見つけるために、加速度の大きさを分析する。「ピーク」を検出するためにピーク検出アルゴリズムが使用され、「谷」を検出するためにネゲートされた信号に再び適用される。典型的に、１つの「ピーク」、１つの「谷」及び３つの「ゼロ」がストライドサイクルにある。「ゼロ」が３回、すなわち状態ａ（スタンバイ）、状態ｃ（ゼロ交差」及び状態ｅ（ストライドサイクルの終了／スタンバイ）において検出されることに留意されたい。（ｆ）時にはエラー状態が発生する可能性がある。よって、「ゼロ」又は「谷」又は「スタンバイ」がなく、以前の「ピーク」の直後に現在の「ピーク」が検出され、現在のピークと以前のピークとの間の時間が閾値よりも大きいならば、「遠くのピーク」状態が検出されることがある。（ｇ）同様に、「ゼロ」又は「ピーク」がなく、以前の「谷」の直後に現在の「谷」が検出され、現在のピークと以前のピークとの間の時間が閾値よりも大きいならば、「遠くの谷」状態が検出される。（ｈ）別のエラー状態は、長時間、状態遷移がないことである。「タイムアウト」は、ＦＳＭが１つの状態に長く留まりすぎることである。（ｉ）その他のエラー状態は、「ゼロ」ありで「ピーク」の後に観察される「谷」である。又は「ゼロ」の後に観察される「ピーク」。又は「スタンバイ」なしに「谷」の後の「ピーク」。
【0421】
第２のステップで、（ａ）初期／スタンバイ状態（「ピーク」が観察されたならば状態ｂに遷移する）、（ｂ）加速度ピーク、（「ゼロ」が観察されたならば状態ｃに遷移し、又はエラーが発生したならば状態ａに遷移する）、（ｃ）加速度の（正から負への）ゼロ交差、（「谷」が観察されたならば状態ｄに遷移し、エラーが発生したならば状態ａに遷移する）、（ｄ）加速度谷又は最小値（「ゼロ」が観察されたならば状態ｅに遷移し、エラーが発生したならば状態ａに遷移する）、（ｅ）完全なストライドサイクルの検出（状態ａに自動的に遷移する）を含む、ＩＭＵデータに基づいてストライドサイクルの４つ又は５つの状態（状態ａ及び状態ｅは本質的に同じ状態である）のそれぞれのタイミングを計算する。
【0422】
第３のステップで、（１）アンテナマッチング、又は（２）フォーカスボール、又は（３)ＷｉＳｐｅｅｄ、又はこれらの組み合わせの方法を使用して距離／速度／加速度を推定するために、ＷｉＦｉ ＣＳＩを使用する。オプションで、角度入力（例えば、ＣＳＩ又はＩＭＵからの入力を使用して計算される）を使用できる。
【0423】
第４のステップで、状態及び状態のタイミングに基づいて、ＩＭＵデータ分析からの状態及び状態のタイミングと、ＷｉＦｉ ＣＳＩ分析からの距離／速度／加速度とに基づいて、瞬時ストライド長を計算する。別の統計値（例えば、平均、中央値、モード、トリミングされた平均、加重平均、時間加重平均、変動性測定、分散、標準偏差、変分測定、絶対変分、総変分、平均変分、二乗変分、平均二乗変分、偏差測定、発散、発散測定、範囲、四分位間範囲、分散、ダイバーション、移動平均、移動中央値、移動モード、履歴ストライド長、長期統計値、短期統計値、ヒストグラムなど）を計算する。
【0424】
項Ｂ１：プロセッサと、前記プロセッサに通信可能に結合されたメモリと、前記メモリに記憶された命令セットとを使用して、現場の無線マルチパスチャネルのチャネル情報（ＣＩ）の時系列を取得することであって、ＣＩの前記時系列（ＴＳＣＩ）は、前記無線マルチパスチャネルを通じて前記現場内のタイプ１異種無線デバイス（無線送信機）とタイプ２異種無線デバイス（無線受信機）との間で送信された無線信号から抽出され、前記無線マルチパスチャネルは、前記現場内のオブジェクトの律動的（rhythmic）動作によって影響を受ける、ことと、前記オブジェクトとともに移動するセンサから取得された感知情報（ＴＳＳＩ）の時系列と前記ＴＳＣＩとに共同で基づいて前記オブジェクトの前記律動的動作を監視することと、前記オブジェクトの前記律動的動作の前記監視に基づいて応答アクションをトリガすることと、を有する方法／装置／システム。
【0425】
項Ｂ２：項Ｂ１の律動的動作監視システムの方法／装置／システムであって、前記律動的動作は、歩行動作、歩行、行進動作、ペーシング動作、走行動作、ギャロップ動作、トロット動作、体動作、脚動作、手動作、指動作、体幹動作、胴動作、頭動作、反復動作、複合反復動作、ロボット動作、機械動作、風誘発動作、カーテン動作、流れ誘発動作、流体動作、振動、地震、揺れ、震え動作、痙攣動作、身震い動作、音楽動作、ダンシング動作、振動、規則的動作、周期動作、呼吸動作、心拍動作、動悸動作、リラックス振動、増加動作、減少動作、拡張動作、収縮動作、拍動動作、ポンピング動作、パウディング動作、落下動作、ズキズキ動作、ハンマー動作、交互動作、協調動作、複数の反復動作の組合せ、変調動作、混合動作、少なくとも１つの基礎となる律動との合成動作、別のオブジェクトの別の律動的動作に結合された動作、律動的詳細を有する過渡的動作、転倒動作、衝突、衝撃、及び律動に結合された動作のうちの少なくとも１つを含む、方法／装置／システム。
【0426】
項Ｂ３：項Ｂ１の律動的動作監視システムの方法／装置／システムであって、感知情報（ＳＩ）は、加速度、３軸加速度、加速度の大きさ、角速度、３軸角速度、傾斜、３軸傾斜、方位、３軸方位、力情報、光情報、熱情報、温度、及び別の感知情報のうちの少なくとも１つを含み、チャネル情報（ＣＩ）は、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、ＣＳＩ、ＣＩＲ及びＣＦＲのうちの少なくとも１つの大きさ、ＣＳＩ、ＣＩＲ及びＣＦＲのうちの少なくとも１つの位相、ＣＳＩ、ＣＩＲ及びＣＦＲのうちの少なくとも１つの成分、信号強度、信号振幅、信号振幅、スペクトル電力測定結果、モデムパラメータ、動的ビームフォーミング情報、伝達関数成分、無線状態、測定可能な変数、感知データ、層の粗粒度情報、層の細粒度情報、及び別のチャネル情報のうちの少なくとも１つを含み、前記層は、物理層、ＭＡＣ層、データリンク層、ネットワーク層、トランスポート層、セッション層、プレゼンテーション層、アプリケーション層、ネットワークインタフェース、インターネット、ＴＣＰ、ＵＤＰ、ＩＰ、イーサネット、及び別の層のうちの少なくとも１つを含む、方法／装置／システム。
【0427】
項Ｂ４：項Ｂ１の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＣＩに基づいて中間量（ＩＱ）の時系列を計算することと、前記ＴＳＳＩに基づいて第２の中間量（ＳＩＱ）の時系列を計算することであって、ＩＱの前記時系列(ＴＳＩＱ)及びＳＩＱの前記時系列(ＴＳＳＩＱ)が非同期である、ことと、前記ＴＳＩＱ及び前記ＴＳＳＩＱに基づいて前記オブジェクトの前記律動的動作を監視することと、をさらに有する、方法／装置／システム。
【0428】
項Ｂ５：項Ｂ４の律動的動作監視システムの方法／装置／システムであって、中間量（ＩＱ）及び第２の中間量（ＳＩＱ）のうちの少なくとも１つが、前記律動動作のサイクルに関連付けられた状態、前記律動動作のサイクルに関連付けられたイベント、前記律動動作のサイクルに関連付けられた有限状態機械（ＦＳＭ）の状態、前記ＦＳＭの状態遷移に関連付けられたイベント、前記律動動作の前記サイクルの律動詳細、前記律動動作の前記サイクルのサイクル内詳細、状態、イベント、律動詳細、及び前記サイクルに関連付けられたサイクル詳細のうちの少なくとも１つのタイミング、タイムスタンプ、開始時刻、終了時刻、タイムコード、タイミング、期間、持続期間、周波数、周期、サイクル、律動、ペース、カウント、インジケータ、発生、状態、集合、距離、変異、方向、速さ、速度、加速度、角距離、角速度、角加速度、位置の変化、方向の変化、速さの変化、加速度の変化、近接、存在、不在、出現、消失、位置、統計値、動作統計値、呼吸統計値、距離統計値、速さ統計値、加速度統計値、メトリック、ｌ＿ｋ距離メトリック、ｌ＿ｌ距離メトリック、ｌ＿１距離メトリック、絶対距離メトリック、ｌ＿２距離メトリック、ユークリッド距離メトリック、ｌ＿無限距離メトリック、パス、ボリューム、質量、表面積、形状、姿勢、エネルギー、トレンド、時系列、ラベル、タグ、クラス、カテゴリ、時間プロファイル、時間量、周波数量、過渡量、増分量、瞬時量、平均量、局所平均量、フィルタされた量、量変化、反復量、イベント、認識されたイベント、認識された動作シーケンス、ジェスチャ、手ジェスチャ、指ジェスチャ、手首ジェスチャ、腕ジェスチャ、腕ジェスチャ、肩ジェスチャ、頭ジェスチャ、顔ジェスチャ、首ジェスチャ、腰ジェスチャ、脚ジェスチャ、足ジェスチャ、最大値、最小値、制約付き最大値、制約付き最小値、極大値、極小値、第１の極大値、第１の極小値、第ｋの極大値、第ｋの極小値、平均、加重平均、百分位数、平均、中間値、モード、トリミングされた平均、条件付き平均、条件付き統計値、順序付き統計値、分散、歪度、尖度、モーメント、高次モーメント、キュムラント、相関、共分散、共歪度、共尖度、１次統計値、２次統計値、３次統計値、高次統計値、ロバスト量、別の量に関連付けられた引数、ＣＩの特徴、ＣＩの複素成分、前記複素成分の大きさ、前記複素成分の位相、前記ＣＩの前記複素成分の関数、前記複素成分の大きさの多項式、前記複素成分の大きさの二乗、ＣＩの前記特徴の時系列、ＣＩの前記特徴の自己相関関数、別の量の関数、及び前記別の量のうちの少なくとも１つを含む、方法／装置／システム。
【0429】
項Ｂ６：項Ｂ４の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＣＩに基づいてタイムスタンプに関連付けられた自己相関機能（ＡＣＦ）を計算することと、前記ＡＣＦに基づいて前記タイムスタンプに関連付けられたＩＱを計算することと、をさらに有する、方法／装置／システム。
【0430】
項Ｂ７：項Ｂ６の律動的動作監視システムの方法／装置／システムであって、前記ＡＣＦの、極大値、第１の極大値、第２の極大値、第３の極大値、極小値、第１の極小値、第２の極小値、第３の極小値、ゼロ交差、第１のゼロ、第２のゼロ、第３のゼロのうちの少なくとも１つに基づいて前記ＩＱを計算することをさらに有する、方法／装置／システム。
【0431】
項Ｂ８：項Ｂ４の律動的動作監視システムの方法／装置／システムであって、第１の時刻における前記ＴＳＣＩの第１のＣＩと第２の時間における前記ＴＳＣＩの第２のＣＩとの間の類似度スコアを計算することと、前記類似度スコアを基準関数と比較することと、特定の引数における前記基準関数の値が前記類似度スコアに等しいと判定することと、前記類似度スコア、前記基準関数、前記特定の引数、及び前記第１の時刻と前記第２の時刻との間の時間差に基づいて前記ＩＱを計算することと、をさらに有する、方法／装置／システム。
【0432】
項Ｂ９：項Ｂ４の律動的動作監視システムの方法／装置／システムであって、前記ＩＱが、前記オブジェクトの前記律動動作の距離、速度、加速度、角変位、及び進行方向のうちの少なくとも１つを含み、前記無線信号が、前記タイプ１デバイスのＭ個のアンテナによって送信され、前記タイプ２デバイスのＮ個のアンテナによって受信されることと、前記無線信号から抽出された前記無線マルチパスチャネルの２つ以上のＴＳＣＩを取得することであって、前記タイプ１デバイスのアンテナ及び前記タイプ２デバイスのアンテナに関連付けられた各ＴＳＣＩであり、前記タイプ１デバイス及び前記タイプ２デバイスのうちの少なくとも１つが静止デバイスであり、前記タイプ１デバイス及び前記タイプ２デバイスのうちの他方が前記オブジェクトとともに移動する移動デバイスである、ことと、前記移動デバイスの第１のアンテナに関連付けられた第１のＴＳＣＩの第１の時刻における第１のＣＩが、前記移動デバイスの第２のアンテナに関連付けられた第２のＴＳＣＩの第２の時刻における第２のＣＩと一致することを判定することであって、前記第１のＴＳＣＩ及び前記第２のＴＳＣＩの両方が前記静止デバイスの同じアンテナに関連付けられる、ことと、前記２つ以上のＴＳＣＩ、前記移動デバイスのアンテナの構成、前記静止デバイスの少なくとも１つのアンテナの構成、前記第１の時刻と前記第２の時刻との間の時間差、及び前記第１のアンテナと前記第２のアンテナとの間の距離のうちの少なくとも１つに基づいて前記ＩＱを計算することと、をさらに有する、方法／装置／システム。
【0433】
項Ｂ１０：項Ｂ４の律動的動作監視システムの方法／装置／システムであって、前記律動的動作に関連付けられた有限状態機械（ＦＳＭ）を判定することであって、前記ＦＳＭは、前記律動的動作に関連付けられた少なくとも２つの状態と、前記律動的動作に関連付けられた少なくとも１つの状態遷移イベントによってそれぞれトリガされる前記少なくとも２つの状態間の状態遷移とを含む、ことと、前記ＦＳＭに関して前記ＴＳＳＩを分析することと、前記ＴＳＳＩの前記分析に基づいて検出されたイベントの時系列を検出することであって、検出された各イベントは、前記ＦＳＭに関連付けられた前記少なくとも１つの状態遷移イベントのうちの１つであり、検出された各イベントは、イベント時刻に関連付けられ、前記ＴＳＳＩＱは、検出されたイベントの前記時系列、前記関連付けられたイベント時刻、及び前記ＦＳＭによる結果の状態のうちの少なくとも１つを含む、ことと、前記ＴＳＳＩＱ、検出されたイベントの前記時系列、前記関連付けられたイベント時刻、及び前記ＦＳＭによる前記結果の状態に基づいて前記オブジェクトの律動的動作を監視することと、をさらに有する、方法／装置／システム。
【0434】
項Ｂ１１：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＳＩの前記分析に基づいて、関連付けられた開始時刻及び終了時刻を伴う前記律動的動作の完全なサイクルを識別することと、前記識別された完全なサイクルに基づいて前記オブジェクトの前記律動的動作を監視することと、をさらに有する、方法／装置／システム。
【0435】
項Ｂ１２：項Ｂ１１の律動的動作監視システムの方法／装置／システムであって、状態遷移の論理シーケンスが、前記オブジェクトの前記律動的動作の前記完全なサイクルに関連付けられることと、前記ＴＳＳＩの前記分析及び検出されたイベントの前記時系列の分析のうちの少なくとも１つに基づいて状態遷移の論理シーケンスを検出することと、前記検出された状態遷移の論理シーケンスに基づいて前記律動的動作の完全なサイクルを識別することと、をさらに有する、方法／装置／システム。
【0436】
項Ｂ１３：項Ｂ１１の律動的動作監視システムの方法／装置／システムであって、状態の論理シーケンスが、前記オブジェクトの前記律動的動作の前記完全なサイクルに関連付けられることと、前記ＴＳＳＩの前記分析及び検出されたイベントの前記時系列の分析のうちの少なくとも１つに基づいて状態の前記論理シーケンスを検出することと、前記検出された状態の論理シーケンスに基づいて前記律動的動作の前記完全なサイクルを識別することと、をさらに有する、方法／装置／システム。
【0437】
項Ｂ１４：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、ＴＳＳＩの分析に基づいて、関連する開始時間及び終了時間を伴う律動的動作の部分サイクルを識別するステップと、識別された部分サイクルに基づいてオブジェクトの律動的動作を監視するステップとをさらに含む、方法／装置／システム。
【0438】
項Ｂ１５：項Ｂ１４の律動的動作監視システムの方法／装置／システムであって、状態遷移の論理シーケンスが、前記オブジェクトの前記律動的動作の前記部分サイクルに関連付けられることと、前記ＴＳＳＩの前記分析及び検出されたイベントの前記時系列の分析のうちの少なくとも１つに基づいて状態遷移の前記論理シーケンスを検出することと、前記検出された状態遷移の論理シーケンスに基づいて前記律動的動作の前記部分サイクルを識別することと、をさらに有する、方法／装置／システム。
【0439】
項Ｂ１６：項Ｂ１４の律動的動作監視システムの方法／装置／システムであって、状態の論理シーケンスが、前記オブジェクトの前記律動的動作の前記部分サイクルに関連付けられることと、前記ＴＳＳＩの前記分析及び検出されたイベントの前記時系列の分析のうちの少なくとも１つに基づいて状態の前記論理シーケンスを検出することと、前記検出された状態の論理シーケンスに基づいて前記律動的動作の前記部分サイクルを識別することと、をさらに有する、方法／装置／システム。
【0440】
項Ｂ１７：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、前記少なくとも２つの状態が、初期、最後、スタンバイ、デフォルト、エラー、リセット、開始、停止、タイムアウト、サイクル開始、サイクル終了、フルサイクル検出、第１の半サイクル検出、第２の半サイクル検出、中間半サイクル検出、第１の四半サイクル検出、第２の四半サイクル検出、第３の四半サイクル検出、第４の四半サイクル検出、部分サイクル検出、極大値（極大値）、正の極大値、高い極大値、中位の極大値、低い極大値、第１の極大値、第２の極大値、第２の極大値、第３の極大値、第Ｎの極大値、極小値、負の極小値、深い極小値、中位の極小値、浅い極小値、第１の極小値、第２の極小値、第３の極小値、第Ｎの極小値、ゼロ交差（ゼロ）、険しいゼロ、中位のゼロ、なだらかなゼロ、初期のゼロ、第１のゼロ、第２のゼロ、第３のゼロ、第Ｎのゼロ、最後のゼロ、正から負へのゼロ、険しい正から負へのゼロ、中位の正から負へのゼロ、なだらかな正から負へのゼロ、負から正へのゼロ、険しい負から正へのゼロ、中位の負から正へのゼロ、なだらかな負から正へのゼロ、平均交差（ミーンＣ）、険しいミーンＣ、中位のミーンＣ、なだらかなミーンＣ、最初のミーンＣ、第１のミーンＣ、第２のミーンＣ、第３のミーンＣ、第ＮのミーンＣ、最後のミーンＣ、正から負へのミーンＣ、険しい正から負へのミーンＣ、中位の正から負へのミーンＣ、なだらかな正から負へのミーンＣ、負から正へのミーンＣ、険しい負から正へのミーンＣ、中位の負から正へのミーンＣ、なだらかな負から正へのミーンＣ、「ピーク」、高いピーク、中位のピーク、低いピーク、第１のピーク、第２のピーク、第３のピーク状態、第Ｎのピーク、「谷」、深い谷、中位の谷、浅い谷、第１の谷、第２の谷、第３の谷、第Ｎの谷、ピークから谷、険しいピークから谷、中位のピークから谷、なだらかなピークから谷、ピークから谷のゼロ、ピークから谷のミーンＣ、谷からピーク、険しい谷からピーク、中位の谷からピーク、なだらかな谷からピーク、谷からピークのゼロ、谷からピークのミーンＣ、加速度ピーク、加速度谷、加速度ピークから谷、加速度谷からピーク、加速度極大値、加速度極小値、加速度ゼロ、加速度正から負のゼロ、加速度負から正のゼロ、加速度ミーンＣ、加速度正から負のミーンＣ、加速度負から正のミーンＣ、ストライド−スタンスフェーズ、ストライド−フットオングランド、二重サポート、初期コンタクト、ローディング応答、単一サポート、中間スタンス、終端スタンス、ストライド−スイングフェーズ、ストライド−フットインエア、プレスイング、初期スイング、中間スイング、終端スタンス、呼吸−呼気、呼吸−排気、呼吸−呼気から排気、心拍−Ｐ波、心拍−Ｑ波・心拍−Ｒ波、心拍−Ｓ波、心拍−Ｔ波、心拍−ＰＲ間隔、心拍−ＱＲＳ複合・心拍−ＳＴ区間、及び別の状態のうちの少なくとも１つを含む、方法／装置／システム。
【0441】
項Ｂ１８：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、前記状態遷移は、開始状態、初期状態、サイクル開始状態、スタンバイ状態、デフォルト状態、停止状態、最終状態、サイクル終了状態、スタンバイ状態、デフォルト状態、エラー状態、リセット状態、タイムアウト状態及び任意の状態のうちの少なくとも１つの終了、同じ状態の残り、通常のサイクルでの少なくとも１つの次の状態への遷移、通常のサイクルにおける、サイクル検出状態、半サイクル検出状態、四半サイクル検出状態、及び部分サイクル検出状態のうちの少なくとも１つへの遷移、エラーのサイクル及び異常なサイクルのうちの少なくとも１つにおける、開始状態、初期状態、サイクル開始状態、スタンバイ状態、デフォルト状態、リセット状態、エラー状態、停止状態、タイムアウト状態、及びサイクル終了状態のうちの少なくとも１つへの遷移のうちの少なくとも１つの動作を含む、方法／装置／システム。
【0442】
項Ｂ１９：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＳＩに基づいて、特徴の時系列（ＴＳＦ）を計算することであって、前記少なくとも１つの状態遷移イベントは、個別のイベント時刻における前記ＴＳＳＩに関連付けられた前記ＴＳＦの極大値（ピーク）の検出、前記極大値のカウント、及び各極大値の大きさの閾値比較に基づく、ピーク検出、高ピーク検出、中ピーク検出、低ピーク検出、第１のピーク検出、第２のピーク検出、第３のピーク検出、及び第Ｎのピーク検出のうちの少なくとも１つ、個別のイベント時刻における前記ＴＳＦの極小値（谷）の検出、前記極小値のカウント、及び各極小値の大きさの閾値比較に基づく、谷検出、深い谷検出、中位の検出、浅い谷検出、第１の谷検出、第２の谷検出、第３の谷検出、及び第Ｎの谷検出のうちの少なくとも１つ、個別のイベント時刻における前記ＴＳＦのゼロ交差（ゼロ）の検出、前記ゼロ交差のカウント、各ゼロ交差における導関数の閾値比較、個別のイベント時刻における平均減算されたＴＳＦの第２のゼロ交差の検出、前記第２のゼロ交差のカウント、及び各第２のゼロ交差における別の導関数の別の閾値比較のうちの少なくとも１つに基づく、ピークから谷の検出、険しいピークから谷の検出、中位のピークから谷の検出、なだらかなピークから谷の検出、ピークから谷−ゼロの検出、及びピークから谷−ミーンＣの検出のうちの少なくとも１つ、個別のイベント時刻における前記ＴＳＦのゼロ交差（ゼロ）の検出、前記ゼロ交差のカウント、各ゼロ交差における導関数の閾値比較、個別のイベント時刻における平均減算されたＴＳＦの第２のゼロ交差の検出、前記第２のゼロ交差のカウント、及び各第２のゼロ交差における別の導関数の別の閾値比較のうちの少なくとも１つに基づく、谷からピークの検出、険しい谷からピークの検出、中位の谷からピークの検出、なだらかな谷からピークの検出、谷からピーク−ゼロの検出、及び谷からピーク−ミーンＣの検出のうちの少なくとも１つ、個別のイベント時刻における前記ＴＳＦの極大値（ピーク）の検出、前記極大値のカウント、及び各極大値における大きさの閾値比較のうちの少なくとも１つに基づく、極大値検出、正の極大値検出、高い極大値検出、中位の極大値検出、低い極大値検出、第１の極大値検出、第２の極大値検出、第３の極大値検出、第Ｎの極大値検出、個別のイベント時刻における前記ＴＳＦの極小値（谷）の検出、前記極小値のカウント、及び各極小値における大きさの閾値比較のうちの少なくとも１つに基づく、極小値検出、負の極小値検出、深い極小値検出、中位の極小値検出、浅い極小値検出、第１の極小値検出、第２の極小値検出、第３の極小値検出、第Ｎの極小値検出、個別のイベント時刻における前記ＴＳＦのゼロ交差（ゼロ）の検出、前記ゼロ交差のカウント、及び各ゼロ交差における導関数の閾値比較のうちの少なくとも１つに基づく、ゼロ交差検出（ゼロ検出）、険しいゼロ検出、中位のゼロ検出、なだらかなゼロ検出、初期のゼロ検出、第１のゼロ検出、第２のゼロ検出、第３のゼロ検出、第Ｎのゼロ検出、最後のゼロ検出、個別のイベント時刻における前記平均減算されたＴＳＦのゼロ交差の検出、前記ゼロ交差のカウント、及び各ゼロ交差における導関数の閾値比較のうちの少なくとも１つに基づく、平均交差検出（ミーンＣ検出）、険しいミーンＣ検出、中位のミーンＣ検出、なだらかなミーンＣ検出、初期のミーンＣ検出、第１のミーンＣ検出、第２のミーンＣ検出、第３のミーンＣ検出、第ＮのミーンＣ検出、最後のミーンＣ検出、状態検出の状態依存閾値比較に基づくタイムアウト検出、エラーの検出に基づくエラー検出、間に谷の検出又はゼロの検出がない第１の閾値を超える時間差を有する２つの連続したピークの検出に基づくピーク−ピーク−エラー検出、間にゼロの検出がない第２の閾値を超える時間差を有するピークの後の谷の検出に基づくピーク−谷−エラー検出、間にピークの検出又は谷の検出がない第３の閾値を超える時間差を有する２つの連続したゼロ交差の検出に基づくゼロ−ゼロ−エラー検出、間に谷の検出又はゼロの検出がない第４の閾値を超える時間差を有するゼロの後のピークの検出に基づくゼロ−ピーク−エラー検出、間にピークの検出又はゼロの検出がない第５の閾値を超える時間差を有するゼロの後の谷の検出に基づくゼロ−谷−エラー検出、間にピークの検出又はゼロの検出がない第６の閾値を超える時間差を有する２つの連続した谷の検出に基づく谷−谷−エラー検出、間にゼロの検出がない第７の閾値を超える時間差を有する谷の後のピークの検出に基づく谷−ピーク−エラー検出、及び別のイベントのうちの少なくとも１つのイベントを含む、ことをさらに有する、方法／装置／システム。
【0443】
項Ｂ２０：項Ｂ１９の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＦの各特徴は、前記ＴＳＳＩの個別のＳＩに基づいて計算される、方法／装置／システム。
【0444】
項Ｂ２１：項Ｂ１９の律動的動作監視システムの方法／装置／システムであって、各ＳＩは、前記オブジェクトとともに移動する前記センサの３軸加速度を含み、前記３軸加速度は前記オブジェクトの前記律動的動作に関連付けられ、前記ＴＳＦの各特徴は個別のＳＩの個別の３軸加速度の大きさに基づいて計算される、方法／装置／システム。
【0445】
項Ｂ２２：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、前記ＦＳＭに従って、検出されたイベントの時系列、前記関連付けられたイベント時刻、及び結果の状態を分析することと、前記分析に基づいて前記オブジェクトの前記律動的動作を監視することと、をさらに有する、方法／装置／システム。
【0446】
項Ｂ２３：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＣＩ、前記ＴＳＳＩ、前記ＴＳＩＱ、前記ＴＳＳＩＱ、検出されたイベントの前記時系列、検出されたイベントに関連付けられたイベント時刻、前記律動的動作の少なくとも１つの完全サイクル、及び前記律動的動作の少なくとも１つの部分サイクルのうちの少なくとも１つに基づいて、前記律動的動作の分析を計算することをさらに有する、方法／装置／システム。
【0447】
項Ｂ２４：項Ｂ２３の律動的動作監視システムの方法／装置／システムであって、前記ＦＳＭ及び前記ＴＳＳＩＱに関連付けられたフルサイクル検出イベントに関連付けられたサイクル終了時刻を識別することと、前記ＦＳＭ及び前記ＴＳＳＩＱに関連付けられた直前のフルサイクル検出イベントに関連付けられたサイクル開始時刻を識別することと、前記ＴＳＩＱのタイムウィンドウに基づいてサイクルごとの分析を計算することであって、前記タイムウィンドウが前記サイクル開始時刻から前記サイクル終了時刻にわたる、ことと、をさらに有する、方法／装置／システム。
【0448】
項Ｂ２５：項Ｂ２３の律動的動作監視システムの方法／装置／システムであって、前記ＦＳＭ及び前記ＦＳＳＩＱに関連付けられたフルサイクル検出イベントに関連付けられたＮサイクル終了時刻を識別することであって、Ｎは０より大きい整数である、ことと、前記ＦＳＭ及び前記ＦＳＳＩＱに関連付けられたＮ個過去のフルサイクル検出イベントに関連付けられたＮサイクル開始時刻を識別することと、前記ＴＳＩＱのタイムウィンドウに基づいてＮサイクルごとの分析を計算することであって、前記タイムウィンドウは、前記Ｎサイクル開始時刻から前記Ｎサイクル終了時刻にわたる、ことと、をさらに有する、方法／装置／システム。
【0449】
項Ｂ２６：項Ｂ２４又は項Ｂ２５の律動的動作監視システムの方法／装置／システムであって、前記タイムウィンドウを、前記ＴＳＣＩ及び前記ＴＳＩＱのうちの少なくとも１つに基づいて計算された置換タイムウィンドウによって置換することであって、前記置換タイムウィンドウの終了時刻は現在時刻である、ことと、前記ＴＳＩＱに関連付けられた自己相関関数（ＡＣＦ）の局所特性に基づいて前記置換タイムウィンドウの期間を計算することであって、前記局所特性は、極大値，極小値、ゼロ交差、ＩＱの導関数の極大値、前記導関数の極小値、及び前記導関数のゼロ交差のうちの少なくとも１つを含む、ことと、前記期間及び前記終了時刻に基づいて前記置換ウィンドウの開始時刻を計算することと、をさらに有する、方法／装置／システム。
【0450】
項Ｂ２７：項Ｂ２６の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＳＩなしで、前記ＴＳＣＩのみに基づいて前記オブジェクトの前記律動的動作を監視することをさらに有する、方法／装置／システム。
【0451】
項Ｂ２８：項Ｂ２３の律動的動作監視システムの方法／装置／システムであって、前記分析は、サイクル、前記律動的動作のサイクル、半サイクル、四半サイクル、部分サイクル、２サイクル、ダブルサイクル、４サイクル、クアッドサイクル、Ｎサイクル、歩行サイクル、ストライド、ステップ、２ステップストライド、４ステップストライド、Ｎステップストライドのうちの少なくとも１つに関連付けられた、特徴、状態、ステータス、イベント、状況、カウント、統計値、位置、場所、領域、空間座標、方位、方向、進行方向、ベアリング、角度、配向、変形、歪み、縮小、拡張、ジェスチャ、表現、提示、兆候、材料、材料特性、形状、テクスチャ、材料、色、電磁特性、視覚パターン、濡れ性、反射率、半透明性、柔軟性、表面、ポーズ、体言語、署名、ジェスチャ、手書き、動作タイプ、動作分類、動作特性、動作属性、アクティビティ、挙動、長さ、幅、高さ、面積、体積、サイズ、スケール、速度、加速度、時間、タイミング、周期、周波数、測定可能量、瞬時量、最近量、過去量、将来量、予測量、サイクル内量、状態間量、及び統計値のうちの少なくとも１つ、上記のもの、前記オブジェクト、前記律動的動作、及び前記オブジェクトの状態に関連付けられた、関数、関数の関数、合成関数、ストライドに関連付けられたストライド的関数、Ｎステップストライドに関連付けられたステップ的関数、偶数インデックスを有する量の関数、奇数インデックスを有する量の関数、任意のインデックスを有する量の関数、Ｎステップストライドにおけるインデックスの第１の波面の量の関数、Ｎステップストライドにおける位相１量（１、Ｎ＋１、２Ｎ＋１、３Ｎ＋１、…）の関数、Ｎステップストライドにおけるインデックスの第２の波面の量（２、Ｎ＋２、２Ｎ＋２、３Ｎ＋２、…）の関数、Ｎステップストライドにおける位相２量の関数、Ｎステップストライドにおけるインデックスの第ｋの波面の量（ｋ、Ｎ＋ｋ、３Ｎ＋ｋ、…）の関数、Ｎステップストライドにおける位相ｋ量の関数、調和比（ＨＲ）、フーリエ変換の奇数調和数の大きさの和に対するフーリエ変換の偶数調和数の大きさの和の比率、変換の偶数調和数の関数と変換の偶数調和数の別の関数との合成関数、調和特徴、偶奇対称性、偶奇非対称性、加算、減算、乗算、除算、微分、積分、合計、変換、変形、フィルタリング、畳み込み、平滑化、分解、射影、平均減算、閾値比較、量子化、ベクトル量子化、正規化、インジケータ関数、時間スケーリング、マッピング、認識、検出、クラスタリング、分類、時刻、タイミング、瞬時値、平均、平均、加重平均、算術平均、幾何平均、調和平均、トリム平均移動平均、移動平均、短期平均、長期平均、履歴平均、中央値、百分位数、モード、ヒストグラム、統計値、カウント、変動性測定、変動測定、規則性測定、類似性測定、範囲、四分位範囲、範囲、拡散、分散、標準偏差、変動性、偏差、発散、分散、全変動、絶対偏差、全偏差、距離、メトリック、ノルム、最大値（ｍａｘ）、最小値（ｍｉｎ）、極大値、第１の最大値、第２の最大値、第Ｎの最大値、極小値、第１の最小値、第２の最小値、第Ｎの最小値、最適化、制約付き最適化、統計値、再帰プロット（ＲＰ）のうちの少なくとも１つ、再帰率、決定論、エントロピー、及びＲＰの平均対角線（ＧＲＰ）のうちの少なくとも１つ、一般化ＲＰ（ＧＲＰ）、ＧＲＰ特徴、履歴、トレンド、加重統計値、トリミングされた統計値、移動統計値、自己相関関数（ＡＣＦ）、自己共分散関数、相互分散、相互共分散、グループ化、カウント、組み合わせ、インジケータ、インデックス、ラベル、属性、関連性、予測、規則性測定、反復可能性、自発性、及び別の量のうちの少なくとも１つ、及び別の分析のうちの少なくとも１つを含む、方法／装置／システム。
【0452】
項Ｂ２９：項Ｂ２３の律動的動作監視システムの方法／装置／システムであって、フィルタリング、線形フィルタリング、ローパス／バンドパス／ハイパスフィルタリング、平均フィルタリング、平均減算、平均除去、ＦＩＲ／ＩＩＲフィルタリング、畳み込み、マッチトフィルタリング、カルマンフィルタリング、ＭＡ／ＡＲＭＡフィルタリング、非線形フィルタリング、中央値フィルタリング、モードフィルタリング、ランクフィルタリング、四分位フィルタリング、百分位数フィルタリング、選択的フィルタリング、適応フィルタリング、ノイズ除去、粒子フィルタリング、多段フィルタリング、非線形マッピング、コンパンディング、フォールディング、グループ化、ソーティング、閾値比較、ソフト閾値比較、ハード閾値比較、クリッピング、ソフトクリッピング、内挿、間引き、サブサンプリング、アップサンプリング、再サンプリング、時間補正、タイムベース補正、位相／振幅補正又はクリーニング、強調、ノイズ除去、平滑化、信号調整、特徴抽出、振幅／位相／エネルギー抽出、スペクトル分析、線形変換、非線形変換、逆変換、周波数変換、フーリエ変換（ＦＴ）、離散時間ＦＴ(ＤＴＦＴ)、離散ＦＴ(ＤＦＴ)、高速ＦＴ（ＦＦＴ）、ウェーブレット変換、コサイン変換、ＤＣＴ、２のべき乗変換、疎変換、グラフベース変換、グラフ信号処理、高速変換、ゼロパディング、分解、射影、直交射影、非直交射影、過剰射影、固有分解、特異値分解（ＳＶＤ）、主成分分析（ＩＣＡ）、独立成分分析（ＩＣＡ）、１次導関数、２次導関数、高次導関数、積分、加算、平均化、最大化、最小化、最小二乗平均誤差、再帰最小二乗、条件付き最小二乗、バッチ最小二乗、絶対最小誤差、最小二乗平均偏差、最小絶対偏差、極大化、極小化、コスト関数の最適化、ニューラルネットワーク、認識、ラベリング、トレーニング、クラスタリング、機械学習、教師あり／教師なし／半教師あり学習、別のＴＳＣＩとの比較、類似度スコア計算、量子化、ベクトル量子化、マッチング追跡、圧縮、暗号化、符号化、格納、送信、正規化、時間的正規化、周波数領域正規化、分類、タグ付け、学習、検出、推定、学習ネットワーク、マッピング、再マッピング、拡張、格納、読み出し、送信、受信、表示、統合、組み合わせ、分離、追跡、監視、内挿、外挿、ヒストグラム推定、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、表示、統合、組み合わせ、分離、スクランブリング、誤り保護、前方誤り訂正、フィードバック決定、何もしないこと、加算、減算、乗算、除算、時変処理、条件付け平均化、加重平均化、算術平均、幾何平均、調和平均、選択された周波数にわたる平均化、アンテナリンクにわたる平均化、論理演算、置換、組み合わせ、ソーティング、ＡＮＤ、ＯＲ、ＸＯＲ、統合、挿入、ベクトル加算、ベクトル減算、ベクトル乗算、ベクトル除算、逆数、ノルム、距離、及び別の動作のうちの少なくとも１つの動作に基づいて前記律動的動作の前記分析を計算することをさらに有する、方法／装置／システム。
【0453】
項Ｂ３０：項Ｂ２３の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＣＩ、前記ＴＳＳＩ、前記ＴＳＩＱ、前記ＴＳＳＩＱ、検出されたイベントの前記時系列、検出されたイベントに関連付けられたイベント時刻、前記律動的動作の完全サイクルと前記律動的動作の少なくとも１つの部分サイクルとのうちの少なくとも１つ、のうちの少なくとも１つに基づいて、前記律動的動作の前記分析の時系列を計算することをさらに含む、方法／装置／システム。
【0454】
項Ｂ３１：項Ｂ３０の律動的動作監視システムの方法／装置／システムであって、特定の時刻における特定の分析を、疑わしい、誤っている、ノイズが多い、エラーを起こしやすい、及び信頼性が低いことのうちの少なくとも１つとして識別することと、時間的に隣接する分析の補間、時間的に隣接するＩＱの補間、及び時間的に隣接するＣＩの補間のうちの少なくとも１つに基づいて、前記特定の時刻における前記特定の分析の代替として、生成された分析を生成することと、をさらに有する、方法／装置／システム。
【0455】
項Ｂ３２：項Ｂ４の律動的動作監視システムの方法／装置／システムであって、前記ＴＳＣＩ、ＴＳＩＱ、ＴＳＳＩ、及びＴＳＳＩＱのうちの少なくとも１つを前処理することであって、前記前処理は、フィルタリング、線形フィルタリング、ローパス／バンドパス／ハイパスフィルタリング、平均フィルタリング、平均減算、平均除去、ＦＩＲ／ＩＩＲフィルタリング、畳み込み、マッチトフィルタリング、カルマンフィルタリング、ＭＡ／ＡＲＭＡフィルタリング、非線形フィルタリング、中央値フィルタリング、モードフィルタリング、ランクフィルタリング、四分位フィルタリング、百分位数フィルタリング、選択的フィルタリング、適応フィルタリング、ノイズ除去、粒子フィルタリング、多段フィルタリング、非線形マッピング、コンパンディング、フォールディング、グループ化、ソーティング、閾値比較、ソフト閾値比較、ハード閾値比較、クリッピング、ソフトクリッピング、内挿、間引き、サブサンプリング、アップサンプリング、再サンプリング、時間補正、タイムベース補正、位相／振幅補正又はクリーニング、強調、ノイズ除去、平滑化、信号調整、特徴抽出、振幅／位相／エネルギー抽出、スペクトル分析、線形変換、非線形変換、逆変換、周波数変換、フーリエ変換（ＦＴ）、離散時間ＦＴ(ＤＴＦＴ)、離散ＦＴ(ＤＦＴ)、高速ＦＴ（ＦＦＴ）、ウェーブレット変換、コサイン変換、ＤＣＴ、２のべき乗変換、疎変換、グラフベース変換、グラフ信号処理、高速変換、ゼロパディング、分解、射影、直交射影、非直交射影、過剰射影、固有分解、特異値分解（ＳＶＤ）、主成分分析（ＩＣＡ）、独立成分分析（ＩＣＡ）、１次導関数、２次導関数、高次導関数、積分、加算、最大化、最小化、最小二乗平均誤差、再帰最小二乗、条件付き最小二乗、バッチ最小二乗、絶対最小誤差、最小二乗平均偏差、最小絶対偏差、極大化、極小化、コスト関数の最適化、ニューラルネットワーク、認識、ラベリング、トレーニング、クラスタリング、機械学習、教師あり／教師なし／半教師あり学習、別のＴＳＣＩとの比較、類似度スコア計算、量子化、ベクトル量子化、マッチング追跡、圧縮、暗号化、符号化、格納、送信、正規化、時間的正規化、周波数領域正規化、分類、クラスタリング、ラベル付け、タグ付け、学習、検出、推定、学習ネットワーク、マッピング、再マッピング、拡張、格納、読み出し、送信、受信、表示、統合、組み合わせ、分離、追跡、監視、内挿、外挿、ヒストグラム推定、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、表示、統合、組み合わせ、分離、スクランブリング、誤り保護、前方誤り訂正、フィードバック決定、何もしないこと、加算、減算、乗算、除算、時変処理、条件付け平均化、加重平均化、算術平均、幾何平均、調和平均、選択された周波数にわたる平均化、アンテナリンクにわたる平均化、論理演算、置換、組み合わせ、ソーティング、ＡＮＤ、ＯＲ、ＸＯＲ、統合、挿入、ベクトル加算、ベクトル減算、ベクトル乗算、ベクトル除算、逆数、ノルム、距離、及び別の動作のうちの少なくとも１つを含む、ことをさらに有する、方法／装置／システム。
【0456】
項Ｂ３３：項Ｂ１の律動的動作監視システムの方法／装置／システムであって、各ＳＩが前記オブジェクトとともに移動する前記センサの３軸加速度を含み、前記３軸加速度が前記オブジェクトの前記律動的動作に関連付けられる、ことと、前記ＴＳＳＩに基づいて特徴の時系列（ＴＳＦ）を計算することであって、各特徴が、個別のＳＩの前記３軸加速度に基づく加速度の大きさである、ことと、前記ＴＳＦに基づいて前記オブジェクトの前記律動的動作を監視することと、をさらに有する、方法／装置／システム。
【0457】
項Ｂ３４：項Ｂ４の律動的動作監視システムの方法／装置／システムであって、各ＳＩが前記オブジェクトとともに移動する前記センサの３軸加速度を含み、前記３軸加速度が前記オブジェクトの前記律動的動作に関連付けられる、ことと、前記ＴＳＳＩに基づいて特徴の時系列（ＴＳＦ）を計算することであって、各特徴が、個別のＳＩの前記３軸加速度に基づく加速度の大きさである、ことと、前記ＴＳＦに基づいて前記ＴＳＳＩＱを計算することと、をさらに有する、方法／装置／システム。
【0458】
項Ｂ３５：項Ｂ１０の律動的動作監視システムの方法／装置／システムであって、各ＳＩが前記オブジェクトとともに移動する前記センサの３軸加速度を含み、前記３軸加速度が前記オブジェクトの前記律動的動作に関連付けられる、ことと、前記ＴＳＳＩに基づいて特徴の時系列（ＴＳＦ）を計算することであって、各特徴が、個別のＳＩの前記３軸加速度に基づく加速度の大きさである、ことと、前記ＴＳＦに基づいて、検出されたイベントの前記系列とを計算することと、をさらに有する、方法／装置／システム。
【0459】
項Ｂ３６：項Ｂ１の律動的動作監視システムの方法／装置／システムであって、前記応答アクションは、前記ＴＳＳＩ及びＴＳＣＩ及び関連付けられたタイムスタンプに基づいて計算された分析を記憶すること、前記分析及び前記関連付けられたタイムスタンプをサーバー及びユーザデバイスのうちの少なくとも１つと通信すること、前記分析に基づいて提示を生成すること、デバイスを制御すること、デバイスをオンすること、デバイスをオフすること、前記デバイスの機能を起動すること、前記デバイス又は前記機能の制御可能なパラメータを調整すること、前記機能をパーソナライズすること、前記デバイスをカスタマイズすること、関連情報をチェックすること、前記関連情報を検索すること、前記関連情報を提示すること、ユーザに通知すること、条件をシグナリングすること、ユーザをナビゲートすること、及び別の動作のうちの少なくとも１つを含む、方法／装置／システム。
【0460】
項Ｂ３７：項Ｂ１の律動的動作監視システムの方法／装置／システムであって、前記現場内の前記オブジェクトの前記律動的動作によって影響を受ける別の無線マルチパスチャネルを通じて別のタイプ１異種無線デバイスと別のタイプ２異種無線デバイスとの間で送信される別の無線信号から抽出される別のＴＳＣＩ、及び前記別のＴＳＣＩに基づいて計算される別の中間量の別の時系列のうちの少なくとも１つに共同で基づいて前記律動的動作を監視する、方法／装置／システム。
【0461】
項Ｂ３８：項Ｂ３７の律動的動作監視システムの方法／装置／システムであって、前記別のタイプ１デバイスが前記タイプ１デバイスであり、前記別の無線信号が前記無線信号である、方法／装置／システム。
【0462】
項Ｂ３９：項Ｂ３７の律動的動作監視システムの方法／装置／システムであって、前記別のタイプ２デバイスが前記タイプ２デバイスである、方法／装置／システム。
【0463】
項Ｂ４０：項Ｂ１の律動的動作監視システムの方法／装置／システムであって、前記タイプ１デバイス及び前記タイプ２デバイスのうちの少なくとも１つは、静止デバイスであり、前記タイプ１デバイス及び前記タイプ２デバイスのうちの他方は、前記オブジェクトとともに移動する移動デバイスである、方法／装置／システム。
【0464】
本開示はオブジェクト運動の多数のパラメータ、すなわち、運動距離、方向、及び回転角度を測定するＲＦベース慣性計測（RF-based Inertial Measurement:ＲＩＭ）システムを開示する。一実施形態では、ＲＩＭシステム又はＲＩＭが追加のインフラストラクチャ又は外部センサからの支援なしに、標準商用オフザシェルフ（standard commercial off-the shelf:ＣＯＴＳ）ＷｉＦｉ無線を精密慣性計測ユニット（Inertial Measurement Units:ＩＭＵｓ）に変えることができる。ＲＩＭは、参照アンカーとして大きな帯域幅、多くの位相アンテナ、又は複数のＡＰを必要とせず、環境の先験的な較正又はフィンガープリンティングも必要としない。ＡＰの位置又は方向を知ることなしに、送信機として任意に配置された単一のＡＰに加えて、ＲＩＭはＣＯＴＳのＷｉＦｉ受信機において利用できる単なるアンテナの最小限の要件を備えている。ＲＩＭからの任意の他の支援なしに、ＲＩＭは、ＡＰによって送信されたパケットのチャネル状態情報（ＣＳＩ）を測定する。見通し外（ＮＬＯＳ）に欠陥がある多くの従来の屋内追跡提案とは対照的に、ＲＩＭは見通し線（ＬＯＳ）又は多数の壁を通ってＡＰ信号が到達する所ならどこでも動作する。
【0465】
一実施形態では、ＲＩＭが純粋にＲＦ信号に基づき慣性計測を可能にし、民生品（COTS）ＷｉＦｉ無線を正確なＩＭＵに変える。具体的には従来のＩＭＵがするように、ＲＩＭは３次元の運動パラメータを測定することを目的としているが、はるかに高精度で、Ａ）運動距離：通常ステップカウントによって加速度計によって粗く検知されるターゲットが運動した変換距離、Ｂ）方向：従来のセンサでは測定が非常に難しく、したがって、磁力計によって報告されるデバイス方向として通常想定される運動方向、及びＣ）回転角度：典型的にジャイロスコープによって測定される角回転の角度を測定することを目的としている。
【0466】
ＲＩＭは仮想アンテナ後退（virtual antenna retracing）と呼ばれる普遍的方式における２次元運動について、これらのパラメータの全てを推定し、超解像仮想アンテナアライメントのための新しいアプローチにより精度を高める。次に、ＲＩＭは、正確でロバストな慣性計測のための包括的なシステムを提供するＲＩＭＣＯＴＳＷｉＦｉを可能にするように努めることができる。
【0467】
ＲＩＭは、ほとんどのスマートハードウェアに存在するＭＩＭＯ ＷｉＦｉ周波数を有する見えない機会を利用する。図１４に示すように、アンテナアレイが運動する時、アンテナ＃１はアンテナ＃２が運動した位置に後退し、仮想アンテナΔｔ時間前にアンテナ＃２が生成した特定の位置に到着する時であり、その時に限り、仮想アンテナと空間的にアライメントされる。したがって、本発明のいくつかの実施形態によれば、運動速度は、ｖ＝Δｄ／Δｔとして推定され得る。
【0468】
一般に、アンテナアレイが運動する時、マイクロ及び過渡的なスケールでアレイの「自己追跡」の可能性を許容して、あるアンテナは他のアンテナの軌跡を遡ることができ、先行アンテナにより運動した位置にそれが到着した時及び時のみ、同じチャネルを観測することができる。この観測は、従来の負担のかかる「アウトサイドイン」追跡ソリューションを妨害し、ユビキタスの「インサイドアウト」システムでの精密な運動計測を可能にする、３つの要素周辺に構造化されたＲＩＭの設計につながる。
【0469】
第１の要素として、時空間仮想アンテナ後退が行われ得る。直感的な例として、図１４に示すような２つのアンテナアレイを取り上げる。アレイが運動すると、各アンテナはあたかもそこに仮想アンテナをセットアップするかのように、その軌跡に沿った各点でチャネルスナップを捕捉する。アンテナは後で運動する（つまり、次のアンテナ、この例ではアンテナ＃１）先行アンテナ（アンテナ＃２）が運動したすべての位置を遡る。後続アンテナは先行アンテナがエミュレートした仮想アンテナと空間的にアライメントされる（すなわち、その位置に到達する）のにかかる時間オフセットから、ＲＩＭは運動距離を時間オフセットで割ることによって運動速度を推定することができる。ここでの運動距離は、それらがどのように動くかに関係なく既知で固定されている、アンテナの分離と同じである。２次元アンテナアレイ（例えば、図１５のような円形アレイ）に拡張すると、異なるペアのアンテナによって指定された多数の方向に沿って速度を追跡することができる。すなわち、２次元アレイを用いて運動距離と方向を測定することができる。しかしながら、主な課題は、２つの仮想アンテナの空間アライメントを高精度で検出することである。
【0470】
第２の要素として、超解像仮想アンテナアライメントが行われ得る。高度に正確なアンテナアライメントの背後にある重要な洞察は、異なる位置で受信された信号が、それぞれの位置（仮想アンテナ）に対して独特のマルチパスプロファイルをもたらす、多様な反射経路及び遅延を受けることである。超解像アライメントを達成することは、１）ＣＯＴＳＷｉＦｉ上のチャネル測定はかなり雑音が多い、２）１つの仮想アンテナに関連付けられた一つの単一の測定のみしかない、３）それはハードウェア異質性を持つ異なるアンテナからの測定に基づいて行われるため、容易ではない。ＲＩＭでは、ＲＩＭは、三つ折りによってサブセンチメートル解像度の仮想アンテナアライメントを達成できる。第１に、ＲＩＭは電磁波における時間反転焦点効果の物理を利用し、位置識別を著しく改善する２つのチャネルスナップを識別するための効果的なメトリックを使用することができる。第２に、単一の測定はロバストな区別になり得ないが、アライメントは、仮想大規模アレイを形成する多数の仮想アンテナを利用することによって高められ得る。合成開口レーダのための仮想アレイを使用した以前の調査の幾つかとは異なるが、仮想アンテナがどのように空間に配置されるかについての任意情報の必要がない。第３に、ＲＩＭはチャネルが変更されそうにない小さな空間（例えば、センチメートル）にわたる短い期間（例えば、０．５秒）内の潜在的なアライメントにだけ焦点を合わせることができる。
【0471】
第３の要素として、正確な運動計算が実行され得る。仮想アンテナの後退及びアライメントに基づいて、ＲＩＭは、１）２つのアンテナが空間的にアライメントされる時、時間遅延を正確かつロバストに正確に特定し、２）とりわけどのペアのアンテナが特定の時間にアライメントされるかを確実に決定し、３）ある場合では運動距離、方向、及び回転角度を出力するように一緒に全ての情報を系統的に統合するような、新規なアルゴリズムを考案することができる。
【0472】
Ａ）時空間仮想アンテナアライメント−仮想アンテナ後退。ＷｉＦｉ無線をＩＭＵに変えるための重要なアイデアは、時空間仮想アンテナ後退（spatial-temporal virtual antenna retracing:ＳＴＡＲ）と呼ばれる、局所運動追跡のための新規な方式にある。それは、ＳＴＡＲがまず１次元（１Ｄ）及び次に２次元（２Ｄ）の場合に、直線及び角運動の測定をどのように可能にするのかが示される。
【0473】
Ａ．１）１次元の場合：図１４に示すように、１次元の場合の２アンテナアレイの最も単純なシナリオを思い出す。２つのアンテナがそれ自体によって形成される線に沿って運動するとき、１つのアンテナは軌跡を導く一方、もう１つはそれの「足跡」にすぐ追従する。どのアンテナがＣＳＩ観測を記録することによってそれが通過した位置のスナップをとるかは、あたかもそこに仮想アンテナをセットアップするかのようだ。２つのアンテナは同じトレースに沿って次々と動いているため、後続アンテナは先頭の仮想幻影に連続的に遭遇する。図１４における時間ｔｋを考慮する時、青色の後続アンテナは、緑色の先頭アンテナがｔ１時に通過した位置に到着する。到着時間差分Δｔ＝ｔｋ−ｔ１を調べることにより、ＲＩＭは、この時間オフセットの間の運動距離が２つのアンテナ間の分離距離Δｄとして先験的に知られている、アンテナアレイの運動速ｖ＝Δｄ／Δｔを導出することができる。次に、後続アンテナを先行アンテナの「足跡」に連続的にアライメントすることにより、ＲＩＭは軌跡全体に沿ったリアルタイム速度を得ることができる。運動方向は、２つのアライメントしたアンテナによって形成される光線の方向である。一言で言えば、運動距離及び方向を推定するための鍵は、（１）２つのアンテナがアライメントしているかどうか、及び（２）アライメントしている場合、遅延時間Δｔが何であるかを決定することである。
【0474】
Ａ．２）２次元の場合：２次元空間で距離及び方向を測定するには、ＲＩＭはアンテナの２次元アレイに頼ることができる。１次元ケースと同様に、アンテナのそれぞれのペアは、それらによって形成される線の２方向についての距離測定を可能にする。したがって、複数のペアは、ＲＩＭは運動距離を測定することができる複数の方向を提供する。図１６Ａ〜図１６Ｃは、アンテナアレイのいくつかの例を示す。図１６Ａに示されるように、２素子アレイ（又は任意の直線アレイ）は、直線において２方向のみを支持する。図１６Ｂに示される三角形に配置された３つのアンテナとともに、ＲＩＭはそれぞれが２つの運動方向を有する３つの線に沿って運動を追跡することができる。図１６Ｃに示される四角形を形成するために１つ以上のアンテナを追加することによって、ＲＩＭは最大で１２の方向を提供する、６つのアンテナペアを得ることができる。
【0475】
理想的には、ｍ個のアンテナはそれぞれが方向解像度２π／（ｍ×（ｍ−１））をもたらす支持された方向ｍ×（ｍ−１）を生み出すアンテナペアに対応する２次元空間内にｍ×（ｍ−１）／２線を形成する。実際には、いくつかのペアが互いに平行であり、対応する方向が同じになり得るので、解像度はより低い。例えば、４個のアンテナの正方形アレイは８方向のみを有するが、理想的には正方形アレイが１２方向を支持する（図１６Ｃ）。幸いにも、それらの平行アンテナペアは距離及び角度の測定を容易にするために、拡張されたアライメントのために利用され得る。
【0476】
角運動に対する回転角は方向から異なる方法で導出される。特定の方向に直線運動の場合、アンテナの数ペア（六角形の場合、せいぜい３）のみがアライメントされる。それとは違って、回転が存在する場合、全ての隣り合うペアは、それらの全てが同じ円に沿って運動するので、同時にアライメントされる。結果として、ＲＩＭは全ての隣接アンテナ間の同時アライメントを検出することにより回転を感知し、更に回転角度を計算することができる。
【0477】
Ａ．３）六角形アレイ：原則として、利用可能なアンテナがあればあるほど、ＲＩＭはより精細な距離及び方向解像度を有することができる。ほとんどのＣＯＴＳＷｉＦｉ無線機が３つのアンテナを備えていることを考慮すると、図１５に示すように、ＲＩＭは２つのＣＯＴＳＷｉＦｉカードから構築された六角形アレイを持つＲＩＭを試作することができる。そのようなアレイは全体で１２の異なる方向を提供し、したがって３０°の方向解像度を提供する。それぞれの可能な方向について、測定をよりロバストにするアライメントされている少なくとも２つのアンテナペアがある。
【0478】
六角形の設計は、多数のアンテナにわたる、又は２つのＷｉＦｉ ＮＩＣｓ（ネットワークインタフェースカード）間の煩わしい位相同期を必要としない。ＲＩＭは異なるアンテナアレイ、特に距離及び方向の両方でより良好な解像度をすぐに提供する、より多くのアンテナ及びより短い波長を有する将来のＷｉＦｉチップセットに適用する。
【0479】
Ｂ）時空間仮想アンテナアライメント−超解像仮想アンテナアライメント：ＳＴＡＲのアイデアを実践するには、サブセンチメートル精度で、二つの仮想アンテナが互いにアライメントされる時空間点を正確に指し示すことを要求する、非常に挑戦的なタスクである。このタスクは、従来のフィンガープリントとは著しく異なる。特に、以前のフィンガープリントは（１）先験的な校正を必要とし、（２）ＣＳＩが空間全体にわたって一意であり、長時間にわたって安定であることを必要とし、（３）通常、多数のトレーニングサンプルを蓄積する。対照的に、ＲＩＭは較正を必要とせず、狭い空間（例えば、数センチメートル）及び過渡期間（例えば、０．５秒以内）におけるチャネル測定のみを消費する。さらに、ＲＩＭは２つの個々のアンテナ及び１つの単一チャネル測定を有するそれぞれをアライメントする必要があり、ミリメートルレベルの解像度で、同じ空間位置の２つのアンテナによって記録された測定によってのみ観測されるように、それらの測定（２つのアンテナが最良にアライメントされている意味）において最大の類似性を予想する。
【0480】
ＲＩＭにおいて、ＲＩＭはサブセンチメートル解像度を達成できるような２つの技術である、１）時間反転焦点効果によってもたらされたチャネルサンプルに対する類似度測定、すなわち時間反転共振強度（Time-reversal Resonating stregth:ＴＲＲＳ）、及び２）アライメントのための仮想大規模アレイとして多数の仮想アンテナを利用するためのアプローチを導入することができる。以下では、時間反転焦点効果、それに続くＴＲＲＳの定義、及び次に仮想大規模アンテナによる強化についてのプライマーが提示される。
【0481】
Ｂ．１）時間反転焦点効果：その時間反転及び共役対応物と組み合わされた時、時間反転は、送信された信号のエネルギーが空間領域及び時間領域の両方に収束される物理現象である。それは、超音波、音響、光及び電磁気の分野で適用され、実験的に検証されている。時間反転は、典型的な室内チャネル測定のみが瞬間的なタイムウィンドウ（例えば０．５秒）内であると考えられるので、両方ともここのシナリオにおいて成立する、チャネル相反性及び定常性の２つの基本的な仮定に依存している。それをＷｉＦｉチャネルの文脈に入れるために、受信されたＣＳＩは、それの時間反転され、かつ共役カウンターパートと組み合わされる時、意図された位置にコヒーレントに加えるが、分析されたような空間的焦点効果を生成する、任意の意図されない位置にインコヒーレントに加える。これは基本的に、なぜマルチパスプロファイルが高解像度の位置識別を支えることができるかを説明する。それにインスパイアされて、本開示は、以下のようにＣＳＩに対する類似性測定として、時間反転焦点効果を定量化するメトリックであるＴＲＲＳを導入する。
【0482】
Ｂ．２）時間反転共振強度：２つのチャネルインパルス応答（Channel Impulse responses:ＣＩＲｓ）ｈ１とｈ２の間のＴＲＲＳは、次のように定義される。[この文献は図面を表示できません]
ここで、＊は線形畳み込みを示し、〈ｘ，ｙ〉はベクトルｘとｙの間の内積であり、[この文献は図面を表示できません]
【0483】
実際には、周波数領域チャネル周波数応答（Channel Frequency response:ＣＦＲ）がより頻繁に使用される。等価的には、式中（１４）のＴＲＲＳは、２つのＣＦＲｓ Ｈ１及びＨ２について、以下のように表わされ得る：[この文献は図面を表示できません]
【0484】
Ｈ１とＨ２が両方とも正規化されている場合、ＴＲＲＳは単にそれらの内積の二乗になる。つまり、[この文献は図面を表示できません]
明らかに、κ（Ｈ１，Ｈ２）∈［０，１］かつκ（Ｈ１，Ｈ２）＝１、もしＨ１＝ｃＨ２の場合にのみ、ｃ≠０の任意の複素スケーリング係数である。以前に、多くのヒューリスティックメトリックがＣＳＩと比較するために使用されていたが、ＴＲＲＳは複雑でない形式で物理的な時間反転焦点効果を利用する。
【0485】
ＣＯＴＳＷｉＦｉ上で測定されたＣＳＩは、位相ロックループによって引き起こされる最初の位相オフセットに加えて、非同期送信機及び受信機による搬送周波数オフセット（ carrier frequency offset:ＣＦＯ）、サンプリング周波数オフセット（sampling frequency offset:ＳＦＯ）、及びシンボルタイミングオフセット（symbol timing offset:ＳＴＯ）を含む位相オフセットを含む。式（１５）から見られるように、以前は手動較正でしか較正され得ない、迷惑な初期位相歪の影響は、絶対値を取ることによって完全に除去される。ＲＩＭは衛生アプローチを使用することによって、他の線形オフセットを較正することができる。
【0486】
時間反転焦点効果は、より大きな帯域幅で強められる。ＴＲＲＳのロバスト性及び一意性を容易にするために、ＲＩＭはより大きな実効帯域幅を得るために、多重送信アンテナに起因する空間ダイバシティを利用することができる。具体的には、ＡＰ上にＮ個のアンテナがあると仮定する。時間ｔにおいてｉ番目の受信アンテナ上で測定されるＣＳＩは、Ｈｉ（ｔ）＝｛Ｈｉ，１（ｔ），Ｈｉ，２（ｔ），・・・，Ｈｉ，Ｎ（ｔ）｝である。ここでＨｉ，ｋ（ｔ）はｉ番目の受信アンテナとｋ番目の送信アンテナとの間のＣＳＩである。次に、ＲＩＭはｉ番目とｊ番目の受信アンテナの平均ＴＲＲＳを次のように取ることができる：[この文献は図面を表示できません]
上記の定義により、ＲＩＭは２つのアンテナの同期の必要を回避することができるが、その代わりに個々に計算されたＴＲＲＳ値の平均をとる。
【0487】
Ｂ．３）仮想大規模アンテナ：主流のＡＰは、式（１６）中の平均ＴＲＲＳの解像度及びロバスト性を測定ノイズに制限して、いくつかのアンテナのみを有する。超解像アライメントを向上させるために、本開示は、大きさがチャネルスナップの数である仮想大規模アンテナアレイを形成する、運動アンテナによって記録されるチャネルスナップのシーケンスによってエミュレートされたいくつかの仮想アンテナを利用するために開示する。図１４に示すように、ＲＩＭは時間ｔにおけるアンテナｉのマルチパスプロファイルを、単一のスナップＨｉ（ｔ）からサンプルのシーケンス[この文献は図面を表示できません]
に拡張することができる、ここで、Ｈｉ（ｔ＋ｋ）は時間ｔ＋ｋにおけるアンテナｉによって設定された仮想アンテナをエミュレートするチャネル測定を示し、Ｖは仮想アンテナの数である。
【0488】
したがって、ＲＩＭは仮想大規模アンテナＶを有するＴＲＲＳを、以下の通り計算することができる。[この文献は図面を表示できません]
ここで、Ｈｉ（ｔｉ−ｋ）とＨｊ（ｔｊ−ｋ）は、時間ｔｉ−ｋとｔｊ−ｋにおけるｉ番目とｊ番目のアンテナによって、ある空間位置に配置されたそれぞれの仮想アンテナを示す。仮想大規模アンテナを使用することにより、ＲＩＭはマルチパスプロファイルの実効帯域幅を大幅に向上させることができ、これにより、時間反転焦点効果又は等価的に高精度のアンテナアライメントを達成することができる。図１７Ａ及び図１７Ｂに示すように、ＴＲＲＳは２つのアンテナが互いに最も接近している（正確にアライメントされている）時にのみ最大に接触し、数ミリメートルで離れている場合であっても低下する。図１７Ａによれば、３つのアンテナが一定速度で運動しており、それ自体に関して各アンテナに対するＴＲＲＳが計算される。見られるように、ＴＲＲＳはアンテナが数ミリメートルについて運動する時、すぐに（最大０．３まで著しく）低下して、約１ｃｍの範囲内で単調に減少する。図１７Ｂによれば、特に仮想大規模アンテナを有するクロスアンテナＴＲＲＳでは、空間的減衰は保持するが、絶対値は減少する。
【0489】
Ｂ．４）ＴＲＲＳ行列：２つのアンテナｉ及びｊが空間的にアライメントされる時、正確な遅延時間を特定するために、ＲＩＭはスライドウィンドウの至る所にアンテナｊのそれらに対するアンテナｉのマルチパスプロファイルを一致させることができる。長さ２Ｗのウィンドウを考えると、ＴＲＲＳベクトルは、Ｇｉｊ（ｔ）＝［κ（Ｐｉ（ｔ），Ｐｊ（ｔ−ｌ）），ｌ＝−Ｗ，・・・，Ｗ］Ｔ として計算される、ここで、ｌはタイムラグを示す。したがって、アンテナがＴの周期で運動する場合、ＲＩＭはＴＲＲＳ行列を得ることができる。[この文献は図面を表示できません]
【0490】
ＲＩＭでは、図１８に示すように、ＲＩＭはアンテナペアごとにそのようなＴＲＲＳ行列を計算することができる。次に、運動パラメータはＴＲＲＳ行列からアライメントされたペアを識別し、時間遅延を連続的に推定し、それに応じた運動速度によって、推定される。図１８によれば、本発明のいくつかの実施形態によれば、六角形アレイのアライメントされたペアは順番に１対３であり、続いて１対６、次に再び３対１、６対１である。上記のうちの１つと平行な他のペアは示されていない。
【0491】
Ｂ．６）偏位後退（Daviated retracing）：上記の考察は、アンテナアレイが少なくとも２つのアンテナが互いに完全にアライメントされる特定の方向に沿って運動していると仮定される。実際にはデバイスが図１９Ａに示されるように、アレイはそれらのアライメントされた方向、すなわち水平線からαの角度それる方向に沿って運動している、厳密にアライメントされた線からわずかにそれた方向に振られ得る。しかし、偏角の場合において正確にアライメントされていない十分に近接している２つのアンテナでは、より弱いにもかかわらず、注目すべきＴＲＲＳピークが依然として存在する。したがって、仮想アンテナアライメントは、ＲＩＭは偏位後退による減少されたＴＲＲＳ値の影響を回避する絶対値の代わりにウィンドウ内の相対的なＴＲＲＳピークのみに焦点を当てることができるので、依然として実現可能である。特に、図１９Ｂに示されるように、ＲＩＭは、６要素円形アレイを有する完全な２次元平面をカバーするのに十分である１５°偏差まで許容することができる。
【0492】
図１９Ａに示すように、偏差の場合、「偏向された」アンテナ間隔Δｄ’＝Δｄｃｏｓαとなる。事前に偏角についての知識はないので、ＲＩＭは距離推定において１／ｃｏｓαの過大評価係数をもたらす、[この文献は図面を表示できません]
をＲＩＭに入れることができる。６要素円形アレイに関しては、運動方向が［０°，３６０°］で均一に分布しており、実際には許容される偏角α＝１５°のときに最悪３．５３％に達すると仮定すると、過大評価された誤差は平均１．２０％である。縮小したＴＲＲＳを完全アライメントの期待値と定量的に比較することにより、偏角は解決され得る。
【0493】
動き測定：ミリメートル解像度のアンテナアライメントは、実際にはセンチメートルの精度において慣性推定を支持する。運動を測定するために、ＲＩＭは最初に、運動が存在するかどうかを調べることができる。運動がある場合、次にＲＩＭは各々のアンテナペアのアライメントされた傾向を得ることを試みることができ、それに応じて、いつ及びどちらのペアが十分にアライメントされているかを決定することができる。アライメントされたアンテナペアから、ＲＩＭはもし何かある場合、距離、方向、及び回転角を導くことができる。
【0494】
運動検出：ＴＲＲＳは任意の位置変更に対して非常に敏感であるので、ＲＩＭは仮想大規模アンテナを有するＴＲＲＳからのアンテナ運動を検出できる。運動検出のために、ＲＩＭはそれ自身の測定に基づいて１つの単一アンテナに対するＴＲＲＳを調べることのみを必要とする。具体的には、ＲＩＭは、運動が生じた場合に位置が少なくともミリメートルで変化する間に保守的な期間として選択されるタイムラグｌｍｖである、現在の測定値とあるｌｍｖ秒前との間のＴＲＲＳであるκ（Ｐｉ（ｔ），Ｐｉ（ｔ−ｌｍｖ））を計算することができる。例えば、アンテナが１ｍ／ｓで運動する場合、０．０１秒のタイムラグは１ｃｍの運動を予測する。図２０は、ＲＩＭが、両方が運動中に３つの瞬間的な停止を検出し損なう加速度計（Ａｃｃ）及びジャイロスコープ（Ｇｙｒ）よりもロバストである、ストップアンドゴートレースの例を示している。明らかに、運動及び非運動についてのＴＲＲＳの間に明らかなギャップが存在する。したがって、ＲＩＭは図２０において水平破線によって示されるように、運動を検出するための閾値を適用することができる。
【0495】
追跡アライメント遅延：アライメント行列を考慮すると、ＲＩＭはアンテナアライメントのタイムラグを示す関心のＴＲＲＳピークを識別する必要がある。理想的な場合には、ＲＩＭはＴＲＲＳ行列の各列における最大値に対応するタイムラグを後退遅延として特定することができる。しかしながら、実際には、最大値が計測雑音、パケットロス、又はワギング運動等による真の遅延から逸脱し、したがって、アプローチはアライメント遅延に対応するピークシーケンスをロバストに追跡することが必要とされる。この目的を達成するために、本開示は、信号処理におけるピッチ追跡問題を解決するために使用されてきた、ダイナミックプログラミングに基づく新規なアルゴリズムを開示する。しかしながら、開示された場合に適用する時、それは依然として精巧な設計を必要とする。
【0496】
明確にするために、ＲＩＭは、時間ｔ１からｔＴまでの２つのアンテナに対するＴＲＲＳ行列Ｇの表記を、Ｑ＝［ｑｉ］、ここでqi=ｑｉｌ，ｉ∈［１，Ｔ］，ｌ∈［１，Ｗ］、として単純化することができる。図２１Ａに示されるように、ここで、ｑｉ → ｑｊとして示される、時点ｔｉから時点ｔｊまでのＴＲＲＳピークの最良の経路を検索したいと仮定する。点ｑｊｎで終了する最適な経路のスコアをＳ（ｑｉ → ｑｊｎ）として定義する。開示されたアプローチは、タイムラグｎ∈［１，Ｗ］で終了する全てのＷ可能な候補経路ｑｉ → ｑｊｎを検索することであり、次に、全ての中から最良な１つを選択することである。ｔｉからｔｋまでの全ての最適な経路が利用可能であると仮定すると、点ｑｋｌ，ｌ∈［１，Ｗ］でそれぞれが終了、ｔｋからｔｊまでの最適な経路、ｑｋｌでそれぞれが開始及びｑｊｎで全て終了、次にＲＩＭは以下を有することができる。[この文献は図面を表示できません]
それは、Ｓ（ｑｉ → ｑｋｌ）及びＳ（ｑｋｌ → ｑｊｎ）はそれぞれの最適経路の両方のスコアなので、ｑｉ → ｑｊからの最適経路のスコアを表す。ｋ＝ｊ−１の時、次の列ｑｋｌ及びｑｊｎとの間のピーク以降のスコアが次のように計算される。[この文献は図面を表示できません]
ここで、ｅｋｌ及びｅｌｎはそれぞれ、ｑｋｌ及びｑｊｎにおけるＴＲＲＳ値である。Ｃ（ｑｋｌ，ｑｊｎ）は、ｑｋｌからｑｊｎまでのステップするためのコストであり、単純に[この文献は図面を表示できません]
として定義される。ωは、コストに対する負の重み係数である。コスト関数の指定は、ジャンプピークを罰する。理論的根拠は一般的な場合、運動速度（したがって、アライメントされた遅延）が連続する測定内であまり変動しないことである。
【0497】
いったん任意のｎ∈［１，Ｗ］で経路ｑｉ→ｑｊｎについてスコアを有すれば、ｑｉからｑｊまでの最良の経路が、[この文献は図面を表示できません]
【0498】
次に、ピークの全体経路は、[この文献は図面を表示できません]
以前のステップをトレースバックすることによって簡単に識別され得る。図２１Ｂは、２つのアライメントの周期を含む往復運動のピーク追跡結果の一例を示している。
【0499】
原則として、上記のピーク追跡は、全てのペアに実行されるべきである。２つのステップが複雑さを最適化するために取られる：（１）非常にアライメントされそうにないアンテナペアがスキップされる；（２）６素子アレイを有する実装では、ＲＩＭは、平行な等長アンテナペア（例えば、図１５のようにアンテナペア（１，４）及び（３，６）、（２，４）及び（３，５））のアライメント行列を平均化することによって、それを容易にすることができ、２つのペアが同じアライメント遅延を有するので、拡張される平均化された行列上でピーク追跡を行うことができる。
【0500】
Ｃ）アライメントされたペアの検出：ロバスト性のために、ＲＩＭは２ステップにおいてアライメントされたアンテナペア、ピーク追跡前の事前チェック及びそれの後の事後チェックを検出することができる。
【0501】
Ｃ．１）事前検出：実際には、ピーク追跡の前にアライメントされていないペアを排除するために、事前検出動作を実行することができる。具体的には、特定の期間で、ＲＩＭは大部分の時間に顕著なピークを経験するアンテナペアのみを予測される候補とみなし、おそらくアライメントされない他のものを除外することができる。次に、ピーク追跡は、選択された候補ペア上でのみ使用される。
【0502】
Ｃ．２）事後検出：ピーク追跡後、ＲＩＭはペアごとに識別されたピークの経路を得ることができる。次いで、ＲＩＭは、最もアライメントされる見込みのあるペアを最終的に確認するために、連続性、ＴＲＲＳ値、滑らかさ、及びそれらが示す方向を占める抽出された経路をさらに調べることができる。
【0503】
Ｄ）全てをまとめること：Δｄｉｊの分離距離とΔｌｉｊ（ｔ）のアライメント遅延を有する、i番目とｊ番目のアンテナが時間ｔでアライメントされていることが検出される。次に、ＲＩＭは以下の結果を測定することができる。
【0504】
Ｄ．１）運動距離：時間ｔにおける運動速度はｖ（ｔ）＝Δｄｉｊ／Δｌｉｊ（ｔ）、として導出される。次いで、運動距離は時間がたつにつれて、すなわち[この文献は図面を表示できません]
に対する瞬間的な速度を積分することによって、単純に導出され得る。
【0505】
Ｄ．２）方向：ＲＩＭはアライメントされたアンテナペアを知ることができる時、運動方向を得ることは簡単である。具体的には、Δｌｉｊ（ｔ）≧０の場合、θ（ｔ）はアンテナｉからアンテナｊまでに指し示す光線の方向として割り当てられる、Δｌｉｊ（ｔ）＜０の場合、反対の方向に割り当てられる。
【0506】
Ｄ．３）回転角度：ある瞬間に、全て隣り合うアンテナペアが同時にアライメントされる場合、次に回転が発生する。非常に短いウィンドウについて、ＲＩＭは回転が原位置で起こると仮定することができる。回転角度は、各アンテナの回転距離からΔθ＝Ｒ／ｒとして推定される、ここでｒは円形アレイの半径を示し、Ｒは回転距離によって推定される弧長である。原位置回転の場合では、ＲＩＭは隣り合うアンテナの各ペアから個々の速度を推定することができる。したがって、ＲＩＭは回転距離計算について平均速度を使用することができる。回転のための有効なアンテナ分離は、一つのアンテナが別のアンテナに到達するために移動する必要がある弧長、[この文献は図面を表示できません]
になる。上記の推定は、全て平滑化され、次に相対運動軌跡を回復するように統合される。
【0507】
パケット同期及び補間：RIMは、アンテナ間の位相同期を必要としない。しかしながら、潜在的なパケット損失のために、それはクロスアンテナマッピング（及び２つの市販のＮＩＣを使用する実装のためにのみ必要とされる）のために、２つのＮＩＣ上でＣＳＩ測定（すなわち、パケット）を同期させることが必要とされる。ＲＩＭでは、ＲＩＭはＡＰに粗い外部クロックとしてそれを使用するパケットをブロードキャストさせることにより、これを達成することができる。特に、それらがＡＰ上の同じブロードキャストパケットからのものであり、したがって同時に受信されるため、わずかな伝播遅延を無視して、同じシーケンス番号を持つ２つのパケットは同期される。パケット損失の場合、ゼロのＣＳＩが挿入される。
【0508】
ＲＩＭのパケット同期は、幾何学的チャネル測定のためにフェーズドアレイアンテナを利用する以前の仕事の正確な位相同期の要件とは完全に異なる。代わりに、ＲＩＭは１つのＮＩＣがより多くのアンテナ、例えば、６０ＧＨｚチップセットを備えるので、近い将来においてスキップされ得るパケットレベル同期を単に必要とするだけである。
【0509】
最小初期運動：ＲＩＭが運動を測定することができない下の初期運動距離又は回転角度に最小限の要件がある。最小運動距離は、直感的には２つのアンテナ間の分離距離Δｄである。開始の時点から、少なくともΔｄの変換後初めて、運動は後続アンテナが先行アンテナに「接触」するのを望む。実際にはこの「ブラインド」期間を返済するために、推定された距離はΔｄによって補償される。Δｄの運動後、ＲＩＭは十分に高いサンプリングレートで無視できる、ＴＲＲＳ行列を計算するために、さらに２Ｗの期間で待機する。
【0510】
このような初期運動に関する最小要件は、ＲＩＭの運動解像度とは異なる。いったん２つのアンテナが最初にアライメントされると、ＲＩＭはその後も継続的にかつ正確に運動を追跡する。
【0511】
ＲＩＭは、システム性能解析及び適用調査を含む、ＲＩＭを評価するための事務所環境で実験することができる。ＲＩＭは、１０００ｍ２以上の実験エリアをカバーするための単一のＡＰを配置することができる。壁を通る測定におけるＲＩＭの利点を実証するために、デフォルトでＡＰがフロアの角である最も遠い位置＃０に配置される。ＲＩＭは、ＡＰから近い及び離れている両方の（４０メートルまで）領域をカバーする間取り図上（ＲＩＭはアクセスできないいくつかの領域を除く）の異なる位置で運動測定を行うことができる。実験中、ＡＰは５ＧＨｚ帯の４０ＭＨｚチャネル上で２００Ｈｚのブロードキャストパケットを保持する。
【0512】
グランドトゥルースを得るために、ＲＩＭはカメラベースの追跡システムを設定することができる。具体的には、ターゲットが高コントラストの色でマークされ、カメラによって追跡されてもよい。運動トレースは、まず画素フレームで計算され、次に２次元世界座標に変換される。出力はターゲットが運動を開始するとき、最初の時点でＲＩＭの推定値と同期され、その後ペアワイズで比較される。評価に好ましくないわずかな時間オフセットがあるかもしれない。
【0513】
マイクロベンチマーク：ＲＩＭはここで、運動距離、方向、及び回転角度を推定する際の総合的な性能を評価し、様々な要因が精度にどのように影響するかを調査することができる。特に指示のない限り、デバイスは約１ｍ／ｓの速さで運動しており、解析のためのトレースの長さは全て１０メートルを超える。
【0514】
運動距離の精度：運動距離推定におけるＲＩＭのセンチメートル精度を完全に理解するために、ＲＩＭはＣＯＴＳＷｉＦｉに存在する３アンテナ直線アレイを使用し、それを２つのシナリオで大まかに線に沿って動かすことができる、１）デスクトップ：ＲＩＭは１ｍ周囲のトレースのために机上でアレイを動かすことができる、２）カート：ＲＩＭはアレイをカートに載せ、別のエリアで１０ｍ以上前方に押し出すことができる。図２２に示すように、より安定した、したがってより良好にアライメントされたデスクトップ運動のために、ＲＩＭは２．３ｃｍの中央値エラーを達成する。制御の少ないカート運動に対して、それは８．４センチメートルの中央値エラーをもたらす。具体的には、それは見通し線シナリオにおいて７．３ｃｍの中央値精度をもたらし、より重要なことには複雑な見通し外条件において８．６ｃｍの同様の精度をもたらす。９０％タイル及び最高の誤差は、それぞれ１５ｃｍ及び２１ｃｍ未満である。加速度計を使用する結果は、数十メートルの誤差を容易に生成するために含まれない。現存するシステムは同様の設定（すなわち、単一の未知のＡＰを使用する広い領域にわたる見通し外）のもとで、同等の性能を達成することができない。
【0515】
方向の精度：ＲＩＭは六角形アレイを多様な方向に動かすことにより、ＲＩＭ方向測定精度を調査できる。特に、ＲＩＭは、それらの反対方向の各々と一緒に、１０°の増加ステップを持つ９０°の範囲を横断することができる。方向ごとに、ＲＩＭは１ｍ程度デバイスを動かし、方向推定誤差を調べることができる。図２３に示すように、ＲＩＭはいくつかの外れ値（例えば、方向−４０°及び方向−２０°）を除いて、それはほとんどの場合に解決することができる最も近い方向を識別する。図２４は、６．１°の全体的平均精度を有し、方向誤差の＞９０％が１０°内にあることを示す、全ての方向についての結果をさらに統合する。ＲＩＭは３０°の整数倍である一組の離散方向を分解するので、推定値の大部分は任意の誤差なし（例えば、良好にアライメントされた方向）又は１０°誤差（例えば、偏向された方向）のどちらも正しい。さらに、ＲＩＭは実際のアプリケーションにおける自由運動に対するＲＩＭの方向推定性能を実証することができる。さらに、磁力計は、それが方向に対処することができないため、比較されない。
【0516】
ＡＰ位置の範囲及び影響：ＲＩＭは、ＡＰ信号が到達できるところならどこでも動作する。ＡＰ位置がそれの性能に影響を及ぼすかどうかを調査するために、ＲＩＭはＡＰを異なる位置に配置し、開放空間の中央において距離測定を実行することができる。ＲＩＭは見通し線として近い、又は複数の壁及び柱を通って遠く離れている、任意のＡＰ位置について、１０ｃｍ未満の一貫して高い中央値精度を達成する。これまでで最高の範囲は、ＷｉＦｉ信号が存在する位置であればどこでもＲＩＭが動作することを可能にする。
【0517】
累積距離の影響：慣性センサは、長い軌跡にわたる累積的誤差に悩まされることが知られている。異なる運動長さに関してＲＩＭがどのように動作するかを調べることは興味深い。したがって、ＲＩＭは約１０ｍの間に何度も運動し、トレース進行中の追跡誤差を計算することができる。図３１に示すように、運動距離における中央値誤差は、必ずしも長距離にわたって累積されない約３ｃｍから１４ｃｍまで変化する。性能利得は時間と共にドリフトしない、速度推定におけるＲＩＭの高精度に起因する。
【0518】
サンプルレートの影響：ＲＩＭにおいて高精度を達成するために、十分なサンプリングレートが必要とされる。したがって、ＲＩＭはＣＳＩを２００Ｈｚから２０Ｈｚまでダウンサンプリングし、距離追跡を再開することができる。結果は図２９に統合される。予想されるように、距離追跡の精度は、サンプリングレートが高いほど高くなる。１ｍ／ｓの運動速度について、サンプルあたり約５ｃｍの変位が生じる２０Ｈｚ又は４０Ｈｚのサンプリングレートは十分ではない。１つのサンプル内でサブセンチメートルの変位を保証するために、１ｍ／ｓの速度に対して少なくとも１００Ｈｚが必要とされる。より高いサンプリングレートは精度をさらに改善させるが、改善は被った計算オーバーヘッドと比較して、わずかである。図２９において、実線は理論上のベッセル関数曲線を示し、他の２つの線は実験によるものである。実験のピーク位置は理論と良く一致する。最初のピークの分離距離は０．６１λであり、小さな分離ではＴＲＲＳ値が大きい。
【0519】
仮想アンテナ数の影響：仮想大規模アンテナを使用することは、ＲＩＭの解像度を向上させる鍵である。このように、ＲＩＭは仮想アンテナの数が精度にどのように影響するかを調査することができる。図３０に示すように、ＲＩＭは仮想アンテナ番号Ｖを１から１００まで増やし、距離誤差を算出することができる。結果はＶが１から５まで増加するとき、中央値精度が約３０ｃｍから１０ｃｍに減少し、Ｖ＝１００のとき、さらに６．６ｃｍに減少することを示す。実際には、２００Ｈｚのサンプリングレートでは３０より大きい数字は十分であり、高いサンプリングレートであればより大きく、低いサンプリングレートであればより小さくなるべきである。
【0520】
動的環境に対するロバスト性：空間マルチパスプロファイルに基づいて、ＲＩＭは一般的な動的環境、例えば歩行中の人に対して影響があるかどうかを調べることは興味深い。実験のためには、環境の周りで通常の活動を行う他の人に加えて、常に少なくとも２人の人が実験を行う。ユーザがデバイスを動かす時（例えば、カートを押す時）、マルチパス分布が変化しながらそれらの身体とカートの両方が受信機に近づいて動いていると想像する。上記の結果はまだ、これらの種類の動力学に対するロバスト性を示す。その理由は２つある。１）屋内には、様々な方向から来る多くのマルチパスがある。歩行中の人は、それらの一部のみを変化させるので、ＲＩＭを支えるＴＲＲＳ挙動は依然として保持する。２）ＲＩＭは、動的環境で変化し得る絶対ＴＲＲＳに依存しない。
【0521】
システムの複雑さ：主な計算負担は、ＴＲＲＳの計算にある。すべてのサンプルについて、ＲＩＭはｍ個のアンテナのアレイについて合計値ｍ×（ｍ−１）×Ｗにつながる２ＷのウィンドウにわたってＴＲＲＳを計算する必要がある。ＭＡＴＬＡＢ（登録商標）コードは速度に最適化されていないため、ＲＩＭはＩｎｔｅｌ Ｃｏｒｅ ｉ７ ４６５０Ｕと８．０ＧのＲＡＭを搭載しているサーフェスプロ上でＣ＋＋システムを測定できる。ＲＩＭのコアモジュールは、ＣＰＵの約６％及び約１０ＭのＲＡＭを使用して、リアルタイムで実行する。
【0522】
ＲＩＭは、室内追跡、手書き、ジェスチャ制御、運動検知、ＶＲヘッドホン追跡、無人追跡等において、潜在的なアプリケーション範囲を有する。ＲＩＭは、次のように３つのアプリケーションシナリオを有するＲＩＭを評価することができる。
【0523】
１）デスクトップ手書き：運動追跡においてRIM精度と一緒に、それはホワイトボード又はデスク上の手書きを支援する。概念実証シナリオを示すために、ＲＩＭは机の表面上にいくつかの文字を自由に書き込むことによって、ユーザにアンテナのアレイを動かすように依頼することができる。カメラシステムによって捕捉されたグランドトゥルースと比較すると、図２５は回収された文字のいくつかの例を示す。見られるように、ＲＩＭは認識可能な文字をもたらして、比較的直線状のセグメントだけでなく、異なる方向に湾曲したストロークも再構成する。現時点でアンテナのアレイが「ペン」として動作するには大きすぎるにも関わらず、ＲＩＭは短波長のより小さなアンテナが近い将来ユビキタスになる時、ＲＩＭは開示された技術が書き込み用に直接それを形成することを実証することができる。
【0524】
２）ジェスチャ認識：ＲＩＭをポインタのようなユニットとして統合することによって、ＲＩＭはジェスチャ制御アプリケーションを実証することができる。それをコンパクトにするために、ＲＩＭは「Ｌ」形状に配置された３つの小さなチップアンテナを有する１つのＷｉＦｉ ＮＩＣを使用することができる。実験は、それらのユーザが左手及び右手で、それぞれ２０回、４つの異なったジェスチャ（左／右／上／下に向かって動かし、その後、戻る）を実行する、３人のユーザを含む。合計で、ＲＩＭは試験のために４８０のアクションを収集することができる。図２６Ａに示すように、異なるジェスチャは、特定のアンテナペア上のアライメント行列において、明確なパターンを生成する。ＲＩＭは、運動方向に依存する特定のアンテナペアから、ユーザの手が向かって運動し、続いて手が後方に動く時の反対方向における速度で動く一方向の速度を観測する。ＲＩＭは、ジェスチャを検出し、識別するために、この情報を使用することができる。図２６Ｂは、それらの左手又は右手について、３人のユーザの検出率の認識結果を示す。全ての検出されたジェスチャは全て正しく認識されるので、ＲＩＭは、検出率のみをプロットすることができる。図示するように、合計４８０回の試験にわたって２３回の誤検出（４．７９％）及び５回の失敗トリガ（１．０４％）を有するので、ＲＩＭは様々なジェスチャ及びユーザに対して９６．２５％の平均検出精度を有する。失敗トリガ率は、失敗トリガが悩ませている間に、ＲＩＭは誤検出のためのジェスチャを単に繰り返すことができるので、実際の場合においても好まれる誤検出率よりも小さい。さらに、性能は、異なるユーザ及び動作、ならびに左手又は右手にわたって一貫して高い。結果は例えば、プレゼンテーションポインタに統合されるような有望なジェスチャ能力を実証する。
【0525】
３）室内追跡：ＲＩＭは室内追跡のためのＲＩＭの能力を広範囲に実証するために、特に２つの異なるケースを実施することができる。追跡試験中、ＡＰは位置＃０に配置される。
【0526】
３．１）純粋なＲＩＭ室内追跡：まず、ＲＩＭは間取り図全体にわたる唯一の追跡システムとして、六角形アレイを有するＲＩＭを配置することができる。アンテナアレイは、異なる具体的なトレースに沿ってユーザによって押されるカートの上に置かれる。産業用無人搬送車（ＡＧＶ）で一般的である側方運動（すなわち、旋回せずに方向を変える）の場合におけるＲＩＭを特に示すために、ＲＩＭはこの実験では、旋回を行う代わりに、カートを直接的に側方へ運動させることができる。軌跡は、広い領域にわたる非常に長いトレースに対してさえ、正確に追跡される。従来の慣性センサ、ジャイロスコープ及び磁力計は、旋回がない、つまり方向は変わっているが、デバイス方向は同じに保たれていることを意味するため、このような方向の変化を捉え損なっている。
【0527】
３．２）慣性センサを有するＲＩＭ：ＲＩＭは、たとえ３つのアンテナのみであっても、運動距離推定において優れた利点を持つ。１つのＮＩＣのみを持つＣＯＴＳＷｉＦｉデバイスの有する可能性を完全に明らかにするために、ＲＩＭはジャイロスコープにより報告された方向情報とＲＩＭの距離測定を統合することにより、リアルタイムシステムを実行することができる。具体的には、ＲＩＭは３つのチップアンテナの１つのＷｉＦｉ ＮＩＣ及びＢＮＯ０５５センサーユニットを備える一つのＧａｌｉｌｅｏ Ｇｅｎ２ボードを使用することができる。ＣＳＩ収集及び前処理はＧａｌｉｌｅｏ Ｇｅｎ２上で実行される、一方、ＲＩＭのアルゴリズムはサーフェスプロ上で実行される。また、ＲＩＭは追跡結果を表示するためにＧＵＩを開発することもできる。
【0528】
モールにおいて顧客がショッピングカートを押し込む又は、スマートホームロボットが動き回ったりするように、デバイスをカート上に置き、それをフロア全体にわたって押すことによって、ＲＩＭは統合追跡システムを試験することができる。ＲＩＭで測定された距離は高精度であるが、慣性センサで得られた方向情報は大きな誤差に悩まされ得る。それを実用的なシステムにするために、慣性センサによって引き起こされる方向誤差を処理するために、デジタル間取り図によって提供される幾何学的制約を利用するために粒子フィルタ（ＰＦ）をさらに実装することができる。粒子フィルタベースの拡張を有する結果は、実軌跡を上品に再構成する。未知の情報を持つ一つの単一のＡＰのみに依存することにより、心強い結果は、多くの調査努力を引き付ける長年の課題である、特にロボット及びオブジェクトのためのユビキタスで正確な室内追跡システムを可能にするＲＩＭの大きな可能性を実証する。
【0529】
正確な慣性計測システムである開示されたＲＩＭは、市販のＷｉＦｉ無線を使用してセンチメートル運動距離、方向、及び回転角度を推定する。それは、追加のインフラストラクチャ又はセンサのサポートなしに、任意に配置される単一の未知のＡＰによってカバーされる位置であればどこでも、広いマルチパスの豊富な領域にわたって機能する。そうすることにより、ＲＩＭは、ロボット監視、ＶＲ追跡、携帯ゲームなど、正確で信頼性のある運動測定を要求する新しいアプリケーションにＷｉＦｉベースの運動感知を広げる。
【0530】
図２７は、本開示のいくつかの実施形態による、オブジェクト運動の多数のパラメータを測定するための方法２７００のフローチャートを示す。図２７に示すように、ＣＳＩ収集２７１０は、例えば無線マルチパスチャネルのＣＳＩ２７０１を収集することによって実行される。次に、操作２７２０において、パケット同期及び補間が実行される。収集されたＣＳＩは、操作２７３０でＴＲＲＳを計算するために使用される。ＴＲＲＳ行列は、操作２７４０で構築される。運動検出２７５０は、ＴＲＲＳ行列に基づいて実行される。次に、操作２７６０において、アライメント遅延追跡が行われ、操作２７７０において、アライメントされたアンテナペア検出が行われる。運動パラメータ２７０２の推定、例えば、運動距離、方向、回転角度等を生成するために、操作２７８０において、運動パラメータが測定又は推定される。そのようなものとして、オブジェクトの検出された運動に関連するパラメータは、仮想アンテナアライメントテクノロジーに基づいて測定され得る。様々な実施形態によれば、図２７のいくつかの動作の順序は交換されてもよい。
【0531】
第１の例では、ＲＦベースの慣性測定は運動速度、方向、及び回転角度を推測するために、仮想アンテナアライメント（ＶＡＡ）の技術を利用することができる。運動速度について高精度が達成されているにも関わらず、運動方向及び回転角度の解像度はまだ最適化されていない。以下では、ＲＩＭは異なるアライメントされたアンテナペアに沿った多重速度推定を利用することにより、運動方向及び回転角度推定の精度を高めることができる。速度推定値をアンテナアレイの既知及び固定された幾何学的関係と組み合わせる時、ＲＩＭは高精度で連続解像度を有する新しい運動方向推定アルゴリズムを設計することができる。図２８に示す簡単な図のように、ＶＡＡを使用して推定され得る速度[この文献は図面を表示できません]
から、アンテナのペアのＡＢ及びＡＣが大まかにアライメントされるように、アンテナアレイの移動方向は、[この文献は図面を表示できません]
の方向に近い。[この文献は図面を表示できません]
幾何学的制約から導出され得る。
【0532】
任意の方向に対してアライメントされたアンテナペアの存在を確保するために、新しい２次元アンテナアレイが設計され得る。時間反転共振強度（ＴＲＲＳ）の空間減衰特性は、２次元アンテナアレイの設計を導くために使用される。ＴＲＲＳの空間減衰曲線に基づいて、回転の前後で互いに近いアンテナペアは、最高のＴＲＲＳ値から推測され得る。次に、アンテナアレイ幾何学によれば、誤差をドリフトさせることなく、原位置の回転角度は高精度で計算され得る。
【0533】
豊富なマルチパスを有する強力な見通し外環境のもとで、忙しい事務所空間のフロアにおける実験は、開示されたアルゴリズムの正確さを検証する。：加速度計の対応物よりも優れている、運動方向推定のための中央値誤差は６．９°である。ジャイロスコープに匹敵し、ドリフト誤差のない長期においてはるかに良い、回転角度推定の平均誤差は１６．６°である。有望な性能及び低コストは、開示された方向発見方法を、正確な方向情報を必要とするアプリケーションに適したものとする。
【0534】
２つのＣＳＩであるＨ１及びＨ２を考慮すると、時間反転共振強度（ＴＲＲ）は次のように定義される。：[この文献は図面を表示できません]
ここで、〈Ｘ，Ｙ〉は複素ベクトルＸ及びＹの内積で、｜・｜は大きさ演算子を示す。ρ（Ｈ１，Ｈ２）∈[０，１]で、それはもしＨ１＝ｃＨ２の場合にのみ１を達成することに留意されたい、ここでｃは非ゼロ複素スケーリング係数である。したがって、ＴＲＲＳは、ＣＳＩ間の類似性メトリックとして使用され得る。
【0535】
分離距離ｄで測定された２つのＣＳＩであるＨ１及びＨ２について、それらのＴＲＲＳは、決定論的関数として近似され得る。：[この文献は図面を表示できません]
ここで、ｊ０（ｘ）は第１種の０次ベッセル関数であり、λは波長である。理論的及び測定されたＴＲＲＳ空間減衰曲線は図２９に示される。ある方向のＭＰＣｓの非対称正規化エネルギー分布のために、実際のＴＲＲＳは、[この文献は図面を表示できません]
及びいくつかの未知の関数の重ね合わせである。それにもかかわらず、減衰パターン（極小及び極大の位置）は、理論的ベッセル関数の結果とよく一致する。したがって、運動速度は、特定された最初のピーク位置を対応するタイムラグで割ることから計算され得る
【0536】
ＴＲＲＳ空間減衰曲線に基づいて、新しい運動方向推定アルゴリズムが開示される。開示されたアルゴリズムをより良く示すために、ＲＩＭはまず、所定の位置（ＣＳＩが既知である）に運動アンテナの最も近い位置を識別するための方法を導入することができる。次に、二次元アンテナアレイは超解像運動方向推定の目的のために設計され、最良のアライメントされたアンテナペアを選択するためのメカニズムが与えられる。最後に、アンテナアレイの幾何学的関係を利用して、開示された高精度室内オブジェクト運動方向推定アルゴリズムは詳細に説明される。
【0537】
１つの追加アンテナが中心にある２次元円形アンテナアレイ及び基準座標系は図３０に示されている。周辺のアンテナの数がｎｐｅｒであることによって、隣接する周辺アンテナ間の周方向角度はα＝１８０°／ｎｐｅｒとなる。
【0538】
運動方向推定の場合は、運動方向を[この文献は図面を表示できません]
として示す。３つのアンテナＡ、Ｂ、Ｃが図示のために取られている、アライメントされたアンテナペアとして示される、トレースが互いに近いアンテナのいくつかのペアがある。
【0539】
時間ｔでＨＡ（ｔ），ＨＢ（ｔ）及びＨＣ（ｔ）として、これらのアンテナによって測定されたＣＳＩに留意する。同時に収集されたＣＳＩに対して、波長の半分として選択されるアンテナＡＢ、及びアンテナＡＣとの間で対応する分離は両方とも半径である。図２９のＴＲＲＳ空間減衰曲線から、ＴＲＲＳ値ρ（ＨＡ（ｔ），ＨＢ（ｔ））及びρ（ＨＡ（ｔ），ＨＣ（ｔ））は小さくなる。一実施形態では、アンテナＡは方向[この文献は図面を表示できません]
に沿って運動し、ＣＳＩsを収集し続ける。ｔ＋δＡＢのとき、アンテナAは、時間ｔでアンテナＢの位置に最も近くなり、したがってρ（ＨＡ（ｔ＋δＡＢ，ＨＢ（ｔ））は大きな値をもたらす。同様に、ＲＩＭはρ（ＨＡ（ｔ＋δＡＣ，ＨＣ（ｔ））について大きな値を得ることができる。大きなＴＲＲＳ値から、ＲＩＭは、運動距離が[この文献は図面を表示できません]
によって示される運動方向に近いと推定することができる。したがって、高ＴＲＲＳ値を有するアンテナペアを識別することにより、大まかな方向は選択されたアンテナペアによって決定される。正しいアンテナペアの発見のために、細部は以下に明らかにされる。
【0540】
さらに、アンテナＡがアンテナＢ及びアンテナＣに最も近い位置に到達するためにかかる時間を利用して、すなわちδＡＢ及びδＡＣ、ＲＩＭは後で説明される２次元アンテナアレイの幾何学的形状と一緒に方向推定を改善することができる。
【0541】
原位置の回転角推定のために、アンテナアレイが時計回りに約α回転すると仮定する。終了位置が開始位置に近いいくつかのアンテナペアがある。アンテナＢ及びＣを例にとると、アンテナＢの終了位置はアンテナＣの開始位置に近く、したがってそれらの間のＴＲＲＳは大きな値を生み出すべきである。様々な回転角度に対して、高ＴＲＲＳ値を有するアンテナペアはそれに応じて変化する。開始時と回転後に収集されたＣＳＩ間のＴＲＲＳ値を計算することにより、回転角度は高いＴＲＲＳ値及びアンテナアレイの幾何学的関係を使用して推定され得る。
【0542】
図３１に示すように、最初の位置がＡである運動アンテナは、トレース[この文献は図面を表示できません]
に沿って運動する。基準位置は、ＣＳＩ ＨＢがあらかじめ別のアンテナによって測定されるＢである。Ａ及びＢとの間の距離はｄであり、角度∠ＢＡＣはθである。ＨＡ（ｔ）は運動するアンテナによって測定されるＣＳＩを示し、時間ｔ＝０はそれが運動を始める瞬間である。
【0543】
幾何学的観点から、基準位置への運動トレース上の最も近い点は、運動トレース上のＢの射影、すなわち点Ｃである。ＣＳＩ測定を使用してこの最も近い位置を識別するために、最も近い位置にあるＣＳＩに最高レベルの類似性、すなわち最大のＴＲＲＳを示させることが最良である。これがその場合、点ＣにおけるＣＳＩである、ＨＣは最大のＴＲＲＳから直接推定され得る。：[この文献は図面を表示できません]
それに応じて、最も近い位置における時間インスタンスはＨＣから抽出され得る。
【0544】
しかしながら、理論的なＴＲＲＳ空間減衰曲線から、最も近い幾何学的位置は、ＣＳＩにおける最高の類似性のレベルを必ずしも暗示するわけではない。このような意味合いを保持させるために、初期の距離ｄ及び角度θに制約がある。原則は、等価的に最も近い距離が０．２６λより小さくなければならないことを意味し、最も近い位置のＴＲＲＳが０．６１λで第１のピークのそれよりも高くなるべきである。：[この文献は図面を表示できません]
ｄ＝λ／２について、θ は３１°より小さくなるべきである。式（２５）は、以下の２次元アンテナアレイを設計する上でのガイダンスとして役に立つ。
【0545】
二次元アンテナアレイを導入する前に、分離距離ｄを持つ二つのアンテナで構成された線形アレイは最初に検討される。図３２に示すように、アレイが、それの方向に対して偏角θ で運動していると仮定する。経路に沿って測定された２つのアンテナのＣＳＩをＨ１（ｔｉ）及びＨ２（ｔｉ）とし、ここで、ｉ＝０，１，２，・・・，ｋはサンプル指標を表す。前の考察から、偏角θ が十分に小さい場合、最大のＴＲＲＳは、基準点に最も近い位置にマッピングするべきである。言い換えれば、基準位置を時間ｔｉにおけるアンテナ２の位置として与えられると、アンテナ１が時間ｔｉから最も近い位置までにかかる時間遅延は、次のように計算される。：[この文献は図面を表示できません]
ここで、Δｔは負の値になり得る（アンテナ２がアンテナ１に向かって運動している場合）。
【0546】
アンテナの分離ｄ及び偏角θ が既知である場合、運動距離ｌは図３１に示されるように、幾何学的関係：ｌ＝ｄｃｏｓ（θ）から導出され得る。対応する時間遅延Δｔを利用して、速度ｖはさらに次で得られる。：[この文献は図面を表示できません]
これは、以下の方向推定にとって重要である。
【0547】
時間遅延Δｔを見つけるために、[この文献は図面を表示できません]
は、ｔｉを中心とする長さ２Ｗ＋１のウィンドウを通して計算される。：[この文献は図面を表示できません]
ここで、Ｔは転置演算子を示す。ウィンドウの長さはアンテナの分離、運動速度及びサンプリングレートによって決められる。速度が遅すぎる場合、ピーク指標はＷ＝５０のウィンドウ長さの外にあり、速度が速すぎる場合、ピーク指標は０になる。一般に、[この文献は図面を表示できません]
ここでｄはアンテナの分離を示す。
【0548】
各時間指標における時間遅延を見つけるために、ＴＲＲＳベクトルを連結することによってＴＲＲＳ行列Ｇが形成される。：[この文献は図面を表示できません]
次に、時間遅延ベクトルｄ（Ｇ）は、次のように計算され得る。：[この文献は図面を表示できません]
ｉｔｈ要素ｄ（Ｇ，ｉ）は時間ｔｉにおけるタイムラグである。
【0549】
図３３は、データは互いにλ／２離れた２つのアンテナを使用して収集される偏角０°、１０°、２０°及び３０°に対するＴＲＲＳ行列を示す。式（２５）から、偏角はＴＲＲＳ行列の各列におけるピークを意味する、最も近い位置において最大のＴＲＲＳを生み出すために、３１°より小さくなるべきである。偏角０°、１０°及び２０°について、時間にわたって明確なピークトレースが存在する。しかしながら、ＭＰＣｓと雑音の非対称なエネルギー配分のために、ピークトレースは見つけることが困難である。
【0550】
理論及び実験の両方の結果に基づいて、２次元アンテナアレイは、高精度、超解像運動方向推定の目的のために設計される。８つのアンテナは波長の半分の半径を持つ円上に均一に配置され、１つのアンテナは中心に配置される、設計されたアンテナアレイは図３０に示されている。
【0551】
隣り合う周辺アンテナ間の円周方向の角度は、α＝２２．５°として表記される。設計の背後の理由は、以下の通りである。１) ［０°，３６０°) における運動方向及び回転角度を測定するために、円形アレイは対称幾何学のために選ばれる。２）高解像のために、図３３で実証されたＴＲＲＳ行列のピークトレース結果に基づいて、八角アレイが使用される。α＝２２．５°の増分で、０°から３６０°であるアレイ内の全てのアンテナペアが形成される方向を考える。図３３に示されるように、約２０°の偏角を持つＴＲＲＳ行列において、明確なピークトレースが観測され得る。したがって、任意の運動方向に対して、α＝２２．５°の高解像を生み出して、最良のアライメントされたアンテナペアが特定され得る。３）超解像及び高精度を目的として、一つの追加のアンテナはアレイの幾何学的関係を利用するために導入される。中心に１つのアンテナを配置することにより、任意の運動方向に対して、異なる方向を形成する、少なくとも２つのアライメントされたアンテナペアを有することが保証される。したがって、運動方向の継続的な解像度は、以下に説明される、アライメントされたペアの速度推定及び幾何学的形状を利用することによって達成され得る。
【0552】
アライメントされたアンテナペアは、方向が運動方向に近いそれらのものである。最良にアライメントされたアンテナペアを正しく検出することにより、最良にアライメントされたアンテナにより形成される方向の近傍において、運動方向は推定され得る。この目的のためにＴＲＲＳ行列は利用される。：ピークトレースがより鮮明であればあるほど、アンテナのアライメントはより良好になる。明確なピークトレースを決定するために、ＴＲＲＳ行列Ｇのピークトレーススコアは、以下のように定義される。：[この文献は図面を表示できません]
ここで、ｅ（Ｇ）はピークトレースの平均化されたエネルギーであり、：[この文献は図面を表示できません]
及びσ（Ｇ）はピークトレースにおけるタイムラグの標準偏差である。：[この文献は図面を表示できません]
[この文献は図面を表示できません]
α＞０はピークトレースのエネルギー及びコヒーレンスの間の重要性を重みづけるスケーリング係数である。
【0553】
スコアｓ（Ｇ）を使用して、最高のスコアを有する最良のアライメントされたアンテナペアが選択される。ＴＲＲＳ行列に対応する方向ａ（Ｇ）として表す。異なるアンテナペアは同じ方向を有し、同じ方向を形成することができ、したがって、ＲＩＭは特定方向φのスコアを最大のものとしてさらに定義することができる：[この文献は図面を表示できません]
【0554】
運動方向の推定は、２つのステップを含む。：１．最良にアライメントされたアンテナペアに基づいて、おおまかな角度範囲を決定する。：２．超解像及び高精度を達成するために、幾何学的関係を使用して範囲内の方向を推定する。
【0555】
角度範囲推定のために、図３４は、例示として使用される。[この文献は図面を表示できません]
は、最良のアライメントされたアンテナペアによって形成される方向θ、すなわち、それらのＴＲＲＳ行列の最高得点を有するアンテナペア：θ ＝ａｒｇ ｍａｘφｓ（φ）を表すと仮定する。真の運動方向は、この方向に近くなるべきである。図に示すように、３つの候補領域は、[θ−２２．５°，θ ]、[θ−１５°，θ＋１５°]及び[θ，θ＋２２．５°]に分割される。[この文献は図面を表示できません]
よりもはるかに高い場合、真の運動方向は[この文献は図面を表示できません]
により近くになるべきであり、逆もまた同様である。ｓ（θ―２２．５°）がｓ（θ＋２２．５°）に類似している場合では、真の方向が中間に位置しそうである。直感を実行に変換すると、以下の比率が計算される：[この文献は図面を表示できません]
【0556】
次に、それらが正の閾値βとそれぞれ比較される。β１＞β，ｓ（θ＋２２．５°）が選択されるには小さすぎる場合、推定される範囲は領域１である。同様に、β２＞βの場合、角度範囲として領域３が選択される。どちらの条件も成立しない場合、真の運動方向は領域２に存在する可能性が最も高い。
【0557】
大まかな範囲推定の後、選択されたＴＲＲＳ行列におけるピークトレースの幾何学的関係及び遅延を利用して、精細な方向推定が達成され得る。２つの場合がある。：（１）図３４の領域１及び３を参照して、対応するＴＲＲＳ行列において、２つの異なる（隣り合う）方向のみが、明確なピークトレース（高スコア）を有している。（２）図３４の領域２のように、ＴＲＲＳ行列において明確なピークトレースを有する３つの異なる（隣接する）方向が見つけられ得る。
【0558】
最初の場合では、図３５に示すように、アンテナペアＡＢ及びＣＤを２つの隣り合った方向に対して最良にアライメントされたペアにする。ＡＢの間の距離をｄ１として、ＣＤの間の距離をｄ２として表す。２２．５°の角度範囲に存在する、運動方向は矢印により指される方向である。したがって、[この文献は図面を表示できません]
からの運動方向からの偏差はγであり、運動方向と[この文献は図面を表示できません]
の間の角度は２２．５°−γである。式（２７）を参照して、ＡＢ及びＣＤを使用して計算された速度は以下である。：[この文献は図面を表示できません]
ここで、Δｔ１及びΔｔ２は、それぞれＡＢ及びＣＤのＴＲＲＳ行列におけるピークトレースの時間遅延である。アンテナアレイのサイズは非常に小さいので、波長（ｆ０＝５．８ＧＨｚでは５．１７ｃｍ）のスケールでは、運動速度はこのような短い距離において大きく変化することができない。：[この文献は図面を表示できません]
次に、γの推定値が以下のように計算される。：[この文献は図面を表示できません]
【0559】
第２の場合では、図３５で説明される意味を有する幾何学的関係が図３６に示されている。第１の場合と同様に、速度はアンテナのそれぞれのペアを使用して推定され得る。：[この文献は図面を表示できません]
推定されたγは以下のように計算される。：[この文献は図面を表示できません]
【0560】
以上の考察をまとめると、詳細な運動方向推定アルゴリズムは、以下のアルゴリズム１に記載される。
【0561】
アルゴリズム１：運動方向推定入力：
｛Ｇ｝：アンテナの全てのペアに対するＴＲＲＳ行列のセット；
ａ（Ｇ）：TRRS行列Ｇを有するアンテナペアの方向；
η：正のスケーリング係数；
β：正の閾値
出力：
θ：推定運動方向
手順：
[この文献は図面を表示できません]
【0562】
運動方向と同様に、ＴＲＲＳ値は、原位置での回転角度を決定するためにも使用され得る。アルゴリズムの背後の理論的根拠は、図３７に示されるように、周辺上のアンテナｉが周辺上のアンテナｊの開始位置に最も近い位置まで回転する場合、それらの２つのＣＳＩ測定値（ｉｅｎｄ，ｊｓｔａｒｔ）の間のＴＲＲＳは、回転角度を推測するために使用され得る、高い値を生み出すことが予想される。
【0563】
より正確には、アンテナｉとｊの両方が周辺にある、Ｈｉ（ｔ１）は時間ｔ１におけるアンテナｊのＣＳＩ測定値を示し、時間ｔ２におけるアンテナｉにより測定されるＣＳＩになるＨｉ（ｔ２）を示す。ｔ１からｔ２までの回転角度を推定するために、ＲＩＭはｔ１及びｔ２の間にアライメントされたアンテナペアを正しく識別するために必要である。周辺の全てのアンテナペアの間のＴＲＲＳ値は、以下のように計算される：[この文献は図面を表示できません]
【0564】
アンテナｉからアンテナｊまでの回転角度を、ａｉｊとして表す。異なるアンテナペアでは、それらは同一の回転角度を有することができることに留意する。例えば、回転角度は全ての隣り合うアンテナペアに対して、２αである。したがって、同じ回転角度を有するアンテナペアに対するＴＲＲＳ値は、以下のように雑音を抑制するように平均化され得る：[この文献は図面を表示できません]
ここで、ρａは回転角度ａに対する平均ＴＲＲＳを表し、ｎはａの回転角度を有するアンテナペアの数を表す。次に式(４３)で、回転角度は最大ＴＲＲＳ値を有する一つとして推定される：[この文献は図面を表示できません]
【0565】
一つの例において、ユーザがＶＲ又はＡＲデバイスを装着している間に、ＷｉＦｉベースの運動感知に基づいてユーザの頭部の運動を追跡するために、開示されたＲＩＭシステムは仮想現実（ＶＲ）デバイス又は拡張現実（ＡＲ）デバイス上で使用され得る。このようにして、ユーザがＶＲ又はＡＲデバイスを介して見る又は体験することができるシナリオは、ユーザの頭の運動に応じて変化する。運動追跡は運動の方向、運動の角速度、及び／又は頭の方向等を推定することを含むことができる。他の例では、携帯ゲームをするユーザの頭、腕、脚、又は手、工場又はレストランで動作するロボット、スマートカーにおけるユーザの頭、腕、脚、又は手、及び／又は被験者に取り付けられた監視デバイスの運動を監視するために、開示されたシステムに基づいて同様の運動追跡が適用され得る。
【0566】
本開示の様々な実施形態において、無線慣性測定は、以下の項にしたがって実行されてもよい。
【0567】
項１：オブジェクト追跡システムの方法／装置／ソフトウェア／システムであって、プロセッサを使用して無線マルチパスチャネルの複数の時系列チャネル情報（ＣＩ）を取得することと、メモリに記憶されたプロセッサ及び命令のセットと一緒に通信可能に結合されたメモリと、送信アンテナ及び受信アンテナペアに関連付けられた各ＣＩ(ＴＳＣＩ)の時系列を含み、複数のＴＳＣＩは無線マルチパスチャネルを介して、少なくとも１つの送信アンテナを有するタイプ１異種無線デバイス（無線送信機）と、少なくとも１つの受信アンテナを有するタイプ２異種無線デバイス（無線受信機）との間で送信される無線信号から抽出され、各ＴＳＣＩはタイプ１デバイスのアンテナ及びタイプ２デバイスのアンテナに関連付けられ、タイプ１デバイス及びタイプ２デバイスの一方は静止しており、他方はオブジェクトと共に運動しており、運動デバイスの運動は、既知の構成及び既知の距離を有する少なくとも２つのアンテナを含み、運動デバイスの第１のアンテナに関連付けられた第１のＴＳＣＩの第１の時間における第１のＣＩが、運動デバイスの第２のアンテナに関連付けられた第２のＴＳＣＩの第２の時間における第２のＣＩに一致することを決定し、第１のＴＳＣＩ及び第２のＴＳＣＩの両方が静止デバイスの特定のアンテナに関連付けられ、複数のＴＳＣＩ、運動デバイスのアンテナの構成、静止デバイスのアンテナの構成、第１の時間及び第２の時間との間の時間差、及び第１のアンテナ及び第２のアンテナとの間の距離のうちの少なくとも１つに基づいて、運動デバイスの少なくとも１つの運動パラメータを計算することと、少なくとも１つの運動パラメータ、第１の時間、第２の時間、静止デバイスのアンテナの構成、運動デバイスのアンテナの構成、過去のＳＴＩ、及び過去の運動パラメータのうちの少なくとも１つに基づいて運動デバイスの時空間情報（ＳＴＩ）を計算することと、運動パラメータ及びＳＴＩのうちの少なくとも１つは、運動デバイスの現在の運動に関連付けられ、位置、水平位置、長さ、面積、長さ、体積、容積、方向、距離、角度、距離、変位、速さ、速度、加速度、回転速度、回転加速度、歩行周期、存在、運動の種類、運動の分類、運動の特徴、突然の運動、過渡的な運動、周期的な運動、周期的な運動の周期、周期的な運動の頻度、過渡的な運動、時間トレンド、タイミング、タイムスタンプ、時間期間、タイムウィンドウ、スライディングタイムウィンドウ、履歴、頻度トレンド、時空間トレンド、時空間変化、及びイベントのうちの少なくとも１つを含み、ＳＴＩに基づきオブジェクト及び運動デバイス追跡をすることと、オブジェクト及び運動デバイスを追跡することは、オブジェクトのマップ位置を決定することと、オブジェクトの位置を追跡することと、オブジェクトの別の運動分析を追跡することと、軌跡に沿ってオブジェクトの運動を誘導することと、障害物を回避するようにオブジェクトの運動を誘導することと、オブジェクトの運動を検出することと、オブジェクトの挙動を追跡することと、オブジェクトの挙動識別、オブジェクトの運動を検出することと、オブジェクトのバイタルサインを検出することと、オブジェクトに関連する周期運動を検出することと、オブジェクトの呼吸を検出することと、オブジェクトの心拍を検出することと、現在の運動に関連するイベントを検出することと、オブジェクトの転倒運動を検出することと、オブジェクトの位置を提示することと、オブジェクトの位置の履歴を提示することと、オブジェクトの位置を図表で表示することと、のうち少なくとも１つ含む。
【0568】
一実施形態では、第１の時間及び第２の時間との間で真っ直ぐに運動するオブジェクト（すなわち、方向変化なし）；第１のＣＩは現在の時間における現在のＣＩであり、第２のＣＩは前の時間における前のＣＩであり、運動パラメータは第１の時間及び第２の時間との間で運動した距離であり、及び／又はアンテナ軸及び運動方向との間の角度である（アンテナ軸は運動デバイスの第１のアンテナ及び第２のアンテナを接続する軸を意味する）。
【0569】
項２：タイプ１デバイスが静止しており、タイプ２デバイスが運動している、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0570】
項３：無線信号が第２のタイプ２異種無線デバイスによって受信され、第２のタイプ２デバイスが運動しており、無線信号から少なくとも１つの第２のＴＳＣＩを抽出するように構成され、それぞれのＴＳＣＩは、タイプ１デバイスのアンテナ及び第２のタイプ２デバイスのアンテナに関連付けられ、少なくとも１つの第２のＴＳＣＩに基づき、第２のタイプ２デバイスのＳＴＩを計算する、項２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0571】
項４：複数のＴＳＣＩ及びタイプ２デバイスに関連するサウンディングレートは、少なくとも１つの第２のＴＳＣＩ及び第２のタイプ２デバイスに関連する第２のサウンディングレートとは異なる、項２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0572】
項５：タイプ２デバイスのＳＴＩが第２のタイプ２デバイスに共有される、項２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0573】
項６：第２のタイプ２デバイスのＳＴＩがタイプ２デバイスに共有される、項２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0574】
項７：タイプ２デバイスの運動及び第２のタイプ２デバイスの運動がアライメントされる、項２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0575】
項８：タイプ２デバイスが静止しており、タイプ１デバイスが運動している、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0576】
項９：第２の無線信号が第２のタイプ１異種無線デバイスによって送信され、第２のタイプ１デバイスが運動し、第１の無線信号に対して非同期に第２の無線信号を送信するように構成され、タイプ２デバイスは第２の無線信号から少なくとも１つの第２のＴＳＣＩを抽出するように構成され、それぞれのＴＳＣＩが第２のタイプ１デバイスのアンテナ及びタイプ２デバイスのアンテナに関連付けられ、少なくとも１つの第２のＴＳＣＩに基づき、第２のタイプ１デバイスの第２のＳＴＩを計算する、項８のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0577】
項１０：無線信号に関連付けられたサウンディングレートが、第２の無線信号に関連する第２のサウンディングレートとは異なる、項９のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0578】
項１１：無線信号に関連付けられたサウンディングレートが、第２の無線信号に関連付けられた第２のサウンディングレートに類似している、項９のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0579】
項１２：タイプ１デバイス及び第２のタイプ１デバイスは、無線信号及び第２の無線信号の送信においてアライメントされる、項９のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0580】
項１３：タイプ１デバイスのＳＴＩが第２のタイプ１デバイスに共有される、項９のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0581】
項１４：第２のタイプ１デバイスのＳＴＩがタイプ１デバイスに共有される、項９のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0582】
項１５：タイプ１デバイスの運動及び第２のタイプ１デバイスの運動がアライメントされる、項９のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0583】
項１６：運動デバイスの少なくとも２つのアンテナのうちのいくつかが、１次元（１−Ｄ）構成、直線、不均一な間隔を有する直線、１つ以上の直線、曲線、１つ以上の曲線、２次元（２−Ｄ）構成、円、三角形、長方形、五角形、六角形、七角形、八角形、多角形、格子、アレイ、２−Ｄ形状、様々なサイズを有する同心２−Ｄ形状、２−Ｄ形状の層、３次元（３−Ｄ）構成、球、立方体、直方体、集団、様々なサイズを有する同心３−Ｄ形状、３−Ｄ形状の層、アライメント可能な構成、及び構成変更時間のうちの少なくとも１つで構成される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0584】
項１７：アンテナが、１−Ｄ構成、２−Ｄ構成、及び３−Ｄ構成のうちの少なくとも１つの中心に配置される、項１６のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0585】
項１８：運動デバイスのいくつかのアンテナは、無線信号の周波数に基づき、間隔を有するように構成される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0586】
項１９：運動デバイスのいくつかのアンテナは、目標運動パラメータに基づき、間隔を有するように構成される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0587】
項２０：第１のＣＩ及び第２のＣＩとの間の類似性スコアが閾値よりも大きく、第２の時間が第１の時間及び運動デバイスのアンテナの構成に関連付けられたタイムウィンドウ内にあり、類似性スコアが第１のＣＩ及びタイムウィンドウ内のＴＳＣＩのいくつかにおける任意のＣＩとの間の類似性スコアよりも小さくない場合、第１の時間における第１のＣＩが第２の時間における第２のＣＩに一致するように決定される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0588】
項２１：第１の時間における第１のＣＩを第２の時間における第２のＣＩに一致するように決定されることは、第１の時間に関連付けられた期間において第１のＣＩ及び第２のＴＳＣＩの複数のＣＩの各々との間の複数の類似性スコアを計算することと、最大の類似性スコアが閾値よりも大きいことを決定することと、最大に関連付けられた第２のＴＳＣＩのＣＩになるように第２のＣＩを識別することと、第２のＣＩに関連付けられた時間になるような第２の時間を識別することと、をさらに含む項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0589】
項２２：最高類似性スコアは、複数の類似性スコアのフィルタリングに基づき決定される、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0590】
項２３：最高類似性スコアは、複数の類似性スコアのフィルタリング及び過去の類似性スコアの履歴に基づき決定される、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0591】
項２４：最高類似性スコアは、複数の類似性スコア及び過去の類似性スコアの履歴にダイナミックプログラミングを適用することによって決定される、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0592】
項２５：運動パラメータは角度を含み、角度は、第１のアンテナ及び第２のアンテナとの間の角度方向に基づく、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0593】
項２６：運動パラメータは角度を含み、角度は、第２のアンテナに対する第１のアンテナの角度方向及び、第１のアンテナに対する第２のアンテナの角度方向のうちの少なくとも１つに基づく、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0594】
項２７：運動パラメータは角度を含み、角度は、可動デバイスのアンテナの構成において２つのアンテナの間の角度方向のうちの少なくとも１つに基づく、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0595】
項２８：運動パラメータは角度を含み、角度は、運動デバイスのアンテナの構成に基づく、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0596】
項２９：運動パラメータは角度を含み、角度は、最高類似性スコアに基づいて計算される、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0597】
項３０：運動パラメータは距離を含み、距離は、最高類似性スコアに基づいて計算される、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0598】
項３１：運動パラメータが角度及び距離を含み、角度は最高類似性スコア、距離、運動デバイスのアンテナの構成、第１の時間及び第２の時間との間の時間差分、及び第１のアンテナ及び第２のアンテナとの間の距離のうちの少なくとも１つに基づき計算され、距離は最高類似性スコア、角度、運動デバイスのアンテナの構成、第１の時間及び第２の時間との間の時間差分、及び第１のアンテナ及び第２のアンテナとの間の距離のうちの少なくとも１つに基づいて計算される、項２１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0599】
項３２：第１のＴＳＣＩの第１の時間における第１のＣＩを第２のＴＳＣＩの第２の時間における第２のＣＩに一致するように決定することは、第２のＴＳＣＩの候補として第１のＴＳＣＩ以外の複数のＴＳＣＩのそれぞれに対して、第１の時間に関連付けられたそれぞれの期間における第１のＣＩ及びそれぞれの第２のＴＳＣＩ候補のそれぞれの複数のＣＩとの間の複数の類似性スコアを計算することと、期間が第２のＴＳＣＩ候補に関連付けられ、複数の類似性スコアに基づいてそれぞれの最高類似性スコアを決定することと、第１のＴＳＣＩ以外の複数のＴＳＣＩに関連付けられた最高類似性スコアのうちの全体の最高類似性スコアを決定することと、全体最高類似性スコアが閾値よりも大きいことを決定することと、全体最高類似スコアに関連付けられた第２のＴＳＣＩ候補になるように第２のＴＳＣＩを識別することと、最高に関連付けられた第２のＴＳＣＩのＣＩになるように第２のＣＩを識別することと、第２のＣＩに関連付けられた時間になるように第２の時間を識別することと、をさらに含む項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0600】
項３３：それぞれの最高類似性スコアは、複数の類似性スコアのフィルタリングに基づいて決定される、項３２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0601】
項３４：それぞれの最高類似性スコアは、複数の類似性スコアのフィルタリング及び過去の類似性スコアの履歴に基づいて決定される、項３２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0602】
項３５：それぞれの最高類似性スコアは、複数の類似性スコア及び過去の類似性スコアの履歴にダイナミックプログラミングを適用することによって決定される、項３２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0603】
項３６：第１のＴＳＣＩ以外の複数のＴＳＣＩをありそうにない第２のＴＳＣＩの候補として決定することと、第１のＣＩに関して類似性スコアがありそうにない第２のＴＳＣＩの候補のいずれのＣＩについて計算されないように、ありそうにない第２のＴＳＣＩの候補を第２のＴＳＣＩの候補としてスキップすることとをさらに含む、項３２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0604】
項３７：第１のＴＳＣＩの第１の時間における第１のＣＩを第２のＴＳＣＩの第２の時間における第２のＣＩに一致されるように決定することは、第１のＴＳＣＩの候補として複数のＴＳＣＩのそれぞれについて、第２のＴＳＣＩの候補として第１のＴＳＣＩの候補以外の複数のＴＳＣＩのそれぞれについて、第１の時間及び第２のＴＳＣＩの候補と関連付けられたそれぞれの期間において、第１の時間における第１のＴＳＣＩの候補のＣＩ及び第２のＴＳＣＩの候補の複数のＣＩのそれぞれとの間の複数の類似性スコアを計算することと、複数の類似性スコアに基づきそれぞれの類似性スコア最高類似性スコアを決定することと、最高類似性スコアに基づき第１のＴＳＣＩの候補に関連付けられた全体最高類似性スコアの候補を決定することと、全体最高類似性スコアの全ての候補の間の全体最高類似性スコアを決定することと、全体最高類似性スコアが閾値よりも大きいことを決定することと、全体最高類似性スコアに関連付けられた他のＴＳＣＩになるように第２のＴＳＣＩを識別することと、最高に関連付けられた第２のＴＳＣＩのＣＩになるように第２のＣＩを識別することと、第２のＣＩに関連付けられた時間になるように第２の時間を識別することと、をさらに含む項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0605】
項３８：それぞれの最高類似性スコアは、複数の類似性スコアのフィルタリングに基づいて決定される、項３７のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0606】
項３９：それぞれの最高類似性スコアは、複数の類似性スコアのフィルタリング及び過去の類似性スコアの履歴に基づいて決定される、項３７のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0607】
項４０：それぞれの最高類似性スコアは、複数の類似性スコア及び過去の類似性スコアの履歴にダイナミックプログラミングを適用することによって決定される、項３７のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0608】
項４１：第１のＴＳＣＩ候補として複数のＴＳＣＩのそれぞれについて、ありそうにない第２のＴＳＣＩの候補として第１のＴＳＣＩの候補以外の複数のＴＳＣＩの数を決定することと、第１の時間における第１のＴＳＣＩの候補のＣＩに関して類似性スコアが、ありそうにない第２のＴＳＣＩの候補のいずれかのＣＩについて計算されないように、ありそうにない第２の候補のＴＳＣＩを第２のＴＳＣＩの候補としてスキップすることと、をさらに含む、項３７のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0609】
項４２：運動デバイスの第３のアンテナに関連付けられた第３のＴＳＣＩの第３の時間における第３のＣＩが、運動デバイスの第４のアンテナに関連付けられた第４のＴＳＣＩの第４の時間において第４のＣＩと一致することを決定することと、第３のＴＳＣＩ及び第４のＴＳＣＩの両方が静止デバイスの別の特定のアンテナに関連付けられ、複数のＴＳＣＩ、運動デバイスのアンテナの構成、静止デバイスのアンテナの構成、第１の時間及び第２の時間との間の時間差、第３の時間及び第４の時間の間の時間差、第１のアンテナ及び第２のアンテナとの間の距離、及び第３のアンテナ及び第４のアンテナとの間の距離のうちの少なくとも１つに基づいて、運動デバイスの少なくとも１つの運動パラメータを計算することと、少なくとも１つの運動パラメータと、第１の時間と、第２の時間と、第３の時間と、第４の時間と、静止デバイスのアンテナの構成、運動デバイスのアンテナの構成、過去のＳＴＩ、及び過去の運動パラメータのうちの少なくとも１つに基づいて運動デバイスの時空間情報（ＳＴＩ）を計算することと、をさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0610】
項４３：第３の時間が第１の時間に等しい、項４２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0611】
項４４：第１のＣＩ及び第２のＣＩの一致に基づいて計算された第１の運動パラメータに基づいて候補ＳＴＩを計算することと、第３のＣＩ及び第４のＣＩの一致に基づいて計算された別の運動パラメータに基づいて別の候補ＳＴＩを計算することと、候補ＳＴＩを集約することによってＳＴＩを計算することと、をさらに含む、項４２のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0612】
項４５：運動デバイスの第３のアンテナに関連付けられた第３のＴＳＣＩの第３の時間における第３のＣＩが、運動デバイスの第４のアンテナに関連付けられた第４のＴＳＣＩの第４の時間において第４のＣＩと一致することを決定することと、第３のＴＳＣＩ及び第４のＴＳＣＩの両方が静止デバイスの別の特定のアンテナに関連付けられ、第１のＣＩ及び第２のＣＩとの間の一致、第３のＣＩ及び第４のＣＩとの間の一致、及び別の２つのＣＩとの間の一致のうちの少なくとも１つに基づいて運動パラメータの確率モデルを計算することと、確率モデルと、複数のＴＳＣＩと、運動デバイスのアンテナの構成と、静止デバイスのアンテナの構成と、第１の時間及び第２の時間との間の時間差と、第３の時間及び第４の時間との間の時間差と、第１のアンテナ及び第２のアンテナとの間の距離と、第３のアンテナ及び第４のアンテナとの間の距離と、のうちの少なくとも１つに基づいて運動デバイスの少なくとも１つの運動パラメータを確率的に計算することと、少なくとも１つの運動パラメータと、第１の時間と、第２の時間と、第３の時間と、第４の時間と、静止デバイスのアンテナの構成と、運動デバイスのアンテナの構成と、過去のＳＴＩと、及び過去の運動パラメータのうちの少なくとも１つに基づいて運動デバイスの時空間情報（ＳＴＩ）を計算することと、をさらに含む項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0613】
項４６：少なくとも１つの運動パラメータの確率モデルを計算することと、確率モデルに基づき運動デバイスの少なくとも１つの運動パラメータを確率的に計算することと、少なくとも１つの確率的に計算された運動パラメータに基づいて運動デバイスのＳＴＩを確率的に計算することと、をさらに含む項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0614】
項４７：少なくとも１つの運動パラメータに対する確率モデルを計算することと、確率モデルに基づいて運動デバイスの少なくとも１つの運動パラメータを確率的に計算することと、確率的に計算された運動デバイスの候補ＳＴＩの数を確率的に計算することと、運動デバイスの複数の候補ＳＴＩを確率的に計算することと、確率的に計算された運動パラメータに基づいて計算されたそれぞれの候補ＳＴＩ、候補ＳＴＩの集合としてＳＴＩを計算することと、をさらに含む項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0615】
項４８：運動パラメータが距離を含み、ＳＴＩが位置を含み、位置が過去の位置及び距離に基づいて計算される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0616】
項４９：ＳＴＩは、運動デバイスに関連付けられたセンサからの入力に基づいて計算される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0617】
項５０：運動パラメータが距離及び角度を含み、ＳＴＩが位置を含み、位置が過去の位置、距離及び角度に基づいて計算される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0618】
項５１：運動パラメータは距離を含み、ＳＴＩは速度を含み、速度は、距離及び第１の時間と第２の時間との間の時間差分に基づいて計算される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0619】
項５２：運動パラメータは距離を含み、速度は距離及び第１の時間と第２の時間との間の時間差分に基づいて計算され、ＳＴＩは加速度を含み、加速度は、速度、時間差分、及び過去の距離及び過去の時間差分に基づいて計算される過去の速度に基づいて計算される、項５１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0620】
項５３：運動パラメータが角度を含み、ＳＴＩが方向を含み、方向が過去の方向及び角度に基づいて計算される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0621】
項５４：軌跡はＳＴＩ及びＳＴＩの履歴に基づいて計算される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0622】
項５５：オブジェクト及び運動デバイスを追跡することは、運動デバイスの軌跡を表示することを含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0623】
項５６：運動デバイスの第１のアンテナ及び第２のアンテナを接続する直線が運動デバイスの第３のアンテナ及び第４のアンテナを接続する直線に平行であることを決定することと、第３のアンテナに関連付けられた第３のＴＳＣＩの第３の時間における第３のＣＩが第４のアンテナに関連付けられた第４のＴＳＣＩの第４の時間における第４のＣＩと一致することを決定することと、第３のＴＳＣＩ及び第４のＴＳＣＩの両方が静止デバイスの別の特定のアンテナに関連付けられ、複数のＴＳＣＩ、運動デバイスのアンテナの構成、静止デバイスのアンテナの構成、第１の時間及び第２の時間との間の時間差、第３の時間及び第４の時間との間の時間差、第１のアンテナ及び第２のアンテナとの間の距離、及び第３のアンテナ及び第４のアンテナとの間の距離のうちの少なくとも１つに基づいて、運動デバイスの少なくとも１つの運動パラメータを計算することと、少なくとも１つの運動パラメータ、第１の時間、第２の時間、第３の時間、第４の時間、静止デバイスのアンテナの構成、運動デバイスのアンテナの構成、過去のＳＴＩ、及び過去の運動パラメータのうちの少なくとも１つに基づく運動デバイスの時空間情報（ＳＴＩ）を計算することと、をさらに含む１項のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0624】
項５７：第１のＣＩ及び第２のＣＩの一致に基づいて計算された運動パラメータに基づいて候補ＳＴＩを計算することと、第３のＣＩ及び第４のＣＩの一致に基づいて計算された別の運動パラメータに基づいて別の候補ＳＴＩを計算することと、候補ＳＴＩを集約することによってＳＴＩを計算することと、をさらに含む、項５６のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0625】
項５８：運動デバイスの第１のアンテナ及び第２のアンテナを接続する直線が運動デバイスの第３のアンテナ及び第４のアンテナを接続する直線に平行であることを決定することと、第１の時間における第１のＣＩが第２の時間における第２のＣＩと一致し、第３のアンテナに関連付けられた第３のＴＳＣＩの第１の時間における第３のＣＩが、第４のアンテナに関連付けられた第４のＴＳＣＩの第４の時間における第４のＣＩと一致することを共同で決定することと、第３のＴＳＣＩ及び第４のＴＳＣＩの両方が静止デバイスの別の特定のアンテナに関連付けられ、複数のＴＳＣＩ、運動デバイスのアンテナの構成、静止デバイスのアンテナの構成、第１の時間及び第２の時間との間の時間差、第１の時間及び第４の時間との間の時間差、第１のアンテナ及び第２のアンテナとの間の距離、及び第３のアンテナ及び第４のアンテナとの間の距離、及び少なくとも１つの運動パラメータ、第１の時間、第２の時間、第４の時間、静止デバイスのアンテナの構成、運動デバイスのアンテナの構成、過去のＳＴＩ、及び過去の運動パラメータのうちの少なくとも１つに基づき、運動デバイスの時空間情報（ＳＴＩ）を計算することと、をさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0626】
項５９：第１のＣＩ及び第２のＣＩの一致に基づいて計算された運動パラメータに基づいて候補ＳＴＩを計算することと、第３のＣＩ及び第４のＣＩの一致に基づいて計算された別の運動パラメータに基づいて別の候補ＳＴＩを計算することと、候補ＳＴＩを集約することによってＳＴＩを計算することと、をさらに含む、項５８のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0627】
項６０：ＴＳＣＩを前処理することをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0628】
項６１：運動パラメータ及びＳＴＩのうちの少なくとも１つをタイプ１デバイスに送信することをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0629】
項６２：運動パラメータ及びＳＴＩのうちの少なくとも１つをサーバに送信することをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0630】
項６３：プロセッサ及びメモリと通信可能に結合されたセンサから、過去のＳＴＩ及び過去の運動パラメータのうちの少なくとも１つを取得することをさらに含み、センサは、ＢＬＥ、ＲＦＩＤ、ＧＰＳ、パッシブ赤外線（ＰＩＲ）センサ、光センサ、レーダベースのセンサ、無線ベースのセンサ、ＷｉＦｉベースのセンサ、ＬＴＥベースのセンサ、５Ｇセンサ、超５Ｇセンサ、光ベースのセンサ、及び別の位置決めセンサのうちの少なくとも１つを含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0631】
項６４：無線信号を有するデジタルデータを送信することをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0632】
項６５：無線マルチパスチャネルにおいて無線ネットワークトラフィックを通信することと、タイプ１デバイス及びタイプ２デバイスとの間の無線信号を並列に送信することとをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0633】
項６６：信号品質メトリックが閾値未満である場合、無線マルチパスチャネルを切り替えることをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0634】
項６７：無線信号を有するメタデータを送信することをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0635】
項６８：無線集積回路（ＩＣ）から複数のＴＳＣＩを取得することをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0636】
項６９：無線集積回路（ＩＣ）から複数のＴＳＣＩを取得することと、別の無線ＩＣを使用してインターネットにアクセスすることとをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0637】
項７０：無線集積回路（ＩＣ）の無線から複数のＴＳＣＩを取得することと、無線ＩＣの別の無線を使用してインターネットにアクセスすることとをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0638】
項７１：チャネル情報は、チャネル状態情報（ＣＳＩ）、受信信号電力、圧縮ＣＳＩ、非圧縮ＣＳＩ、無線状態、モデムパラメータ、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、無線信号上の環境の効果、磁気応答、及び位相応答のうちの少なくとも１つを含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0639】
項７２：信号品質メトリックが閾値未満である場合、ＴＳＣＩのＣＩをスキップすることをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0640】
項７３：無線信号は少なくとも１つの一般的な無線標準にしたがって送信され、一般的な無線標準はＷｉＦｉ、ＬＴＥ、ＬＴＥ−Ａ、ＬＴＥ−Ｕ、２．５Ｇ、３Ｇ、３．５Ｇ、４Ｇ、超４Ｇ、５Ｇ、６Ｇ、７Ｇ、８Ｇ、８０２．１１標準、８０２．１５標準、８０２．１６標準、８０２．１１ａ／ｂ／ｎ／ａｃ／ａｘ／ａｙ／ａｚ、メッシュネットワーク、ジグビー、ワイマックス、ブルートゥース（登録商標）、ＢＬＥ、ＲＦＩＤ、ＵＷＢ、マイクロ波システム、及びシステムのようなレーダのうちの少なくとも１つを含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0641】
項７４：無線信号はＷｉＦｉ標準にしたがって送信され、無線信号はＷｉＦｉ標準によって許容される帯域幅を有するＷｉＦｉチャネルにおいて送信される、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0642】
項７５：タイプ１デバイスが静止であり、タイプ２デバイスが運動しており、位置内に多数のタイプ１デバイスが存在し、タイプ１デバイスに関連付けられた信号品質が閾値未満であると決定することと、別のタイプ１デバイスに関連付けられた信号品質が別の閾値以上であると決定することと、低信号品質を有するタイプ１デバイスから高信号品質を有する別のタイプ１デバイスに切り替え、タイプ１デバイスから無線信号を受信することを中止し、別のタイプ１デバイスから別の無線信号を受信することを開始し、無線信号の代わりに別の無線信号からＣＩを抽出することにより、複数のＴＳＣＩの残りを取得するようにタイプ２デバイスを構成することと、をさらに備える、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0643】
項７６：タイプ１デバイスが運動しており、タイプ２デバイスが静止しており、場所に多数のタイプ２デバイスが存在し、タイプ２デバイスに関連付けられた信号品質が閾値未満であると決定することと、別のタイプ２デバイスに関連付けられた信号品質が別の閾値以上であると決定することと、タイプ１デバイスから無線信号を受信することと、無線信号から複数のＴＳＣＩを抽出することと、第１のＴＳＣＩのＣＩ及び第２のＴＳＣＩのＣＩの一致を決定することと、運動デバイスの少なくとも１つの運動パラメータを計算することと、運動デバイスのＳＴＩを計算することと、タイプ１デバイスから無線信号を受信することと、無線信号から複数のＴＳＣＩの残りを抽出することと、第の１ＴＳＣＩのＣＩ及び第２のＴＳＣＩのＣＩの一致を決定することと、運動デバイスの少なくとも１つの運動パラメータを計算することと、運動デバイスのＳＴＩを計算することとを開始するような別のタイプ２デバイスを構成することとをさらに含む、項１のオブジェクト追跡システムの方法／装置／ソフトウェア／システム。
【0644】
ＲＦ撮像は、進化する無線センシングではまだ達成されていない長年にわたって追求されてきた夢である。しかし、ＷｉＦｉ帯域上の既存のソリューションは、大型アンテナアレイを持つ特殊なハードウェアを必要とするか、帯域幅の基本的な限界、アンテナの数、２．４ＧＨｚ／５ＧＨｚのＷｉＦｉのキャリア周波数のため分解能が悪いという問題がある。本開示は、このような限界を克服する、ますます普及しつつある６０ＧＨｚのＷｉＦｉにおける新たなチャンスを提供する。 一実施形態では、「ｍｍＥｙｅ」と呼ばれる超解像度撮像システムが単一のコモディティである６０ＧＨｚのＷｉＦｉ無線を再利用することによって、ミリ波カメラとして提示される。鍵となる課題は、空間分解能を物理的に制限する極端に小さな開口部（アンテナサイズ、例えばｃｍ）から生じる。本開示はまた、両方のＴｘ／Ｒｘ側で全ての利用可能な情報を活用することによって解像度限界を破る超解像イメージングアルゴリズムを提供する。ＭＵＳＩＣアルゴリズムに基づいて、アンテナアレイの開口を犠牲にしないで、空間分解能を増強するために送信及び受信アレイを併用するために、共同送信機平滑化（joint transmitter smoothing）の新しい技術を提案した。このアルゴリズムに基づいて、コモディティの６０ＧＨｚ ＷｉＦｉチップセット上に機能システムを構築した。ｍｍＥｙｅシステムは、様々な設定のもとで、様々な人及びオブジェクトについて評価されている。 結果は２７．２％の中央値シルエット（形）差分と７．６ｃｍの中央値境界キーポイント精度を達成し、薄い乾式壁（dry wall）を通してさえ人間を撮像できることを示した。視覚上の結果はＫｉｎｅｃｔのような市販製品と同等の質を示し、コモディティの６０ＧＨｚ ＷｉＦｉデバイスで時間超解像画像を利用できるようになった。
【0645】
いくつかの現存するシステムは専用ハードウェア（例えば、ＲＦＩＤリーダ及びＵＷＢ無線）を必要とし、目標物の両側にデバイスを展開する必要があるが、本開示における開示されたシステムはコモディティである６０ＧＨｚのＷｉＦｉを再利用する。既存のカメラベースの解決策の中には、ＫｉｎｅｃｔセンサーやカメラアレイのようなＲＧＢ 深度カメラを必要とし、照明条件に依存し、プライバシーに敏感なものもある。対照的に、本開示の開示されたシステムは、光なしで機能し、プライバシーを保存する、コモディティの利用可能なネットワークデバイスを再利用することによって、深度「カメラ」を可能にすることを目的とする。
【0646】
本開示において、開示された超解像ＲＦ撮像システム（ｍｍＥｙｅ）はその未開拓のレーダ検知能力を有する６０ＧＨｚネットワーク無線を利用することにより、単一のコモディティである６０ＧＨｚ ＷｉＦｉデバイスを用いたミリ波「カメラ」として機能する。それは、様々な姿勢で動いているか静止しているかのどちらかである人間と、様々な形状、サイズ、及び材質のオブジェクトとの両方を撮像することができる。６０ＧＨｚ信号の高減衰にもかかわらず、薄い乾式工法の壁を通して撮像することさえ可能である。
【0647】
しかし、レーダ操作でも、コモディティの６０ＧＨｚのＷｉＦｉ無線で撮像を可能にするには、大きな課題が伴う。例えば、ネットワーク化により、デバイスは、従来のレーダと同様に較正されず、従って、従来のレーダほど安定せず、ゆらぎのある信号応答をもたらす。更に、６０ＧＨｚ信号の固有の高減衰と方向性のために、反射信号はしばしば見逃されるかもしれない。しかし、最も大きな課題は、撮像解像度を決定する鍵となる要素である、小開口の小型６０ＧＨｚアレイで高い撮像精度を達成することである。一般に、レーダシステムの撮像解像度は、解像度∝波長×距離／開口により定まり、１．８ｃｍ ×１．８ｃｍのアンテナアレイサイズの実験デバイスに対して、１ｍ距離で約２８ｃｍである。先行研究は合成アレイレーダ（ＳＡＲ）により実効開口を拡張することを試みているが、それはしかしながら、受信機の動きを必要とし、移動する軌跡のトラッキングエラーに極めてセンシティブである。軌跡のエラーの影響は、エラーが波長より大きい場合に特に顕著になり、これは波長５ｍｍの６０ＧＨｚ信号に対して起こりやすい。
【0648】
異なる点は、開示されたシステムｍｍＥｙｅは超解像アルゴリズムを考案して、物理的開口によって制限された解像度を突破し、コモディティの６０ＧＨｚ無線上での正確な画像を可能にする。提案したアルゴリズムは、新しい共同送信機平滑化技術を通して超解像度を達成した。
【0649】
一実施形態では、オンチップアナログビームフォーミングを使用する代わりに、開示されたシステムは受信信号上でデジタルビームフォーミングを行い、これにより、はるかに高い空間分解能が得られる。無線に組み込まれているアナログビームフォーミングは通常、粗いビーム解像度（例示的なデバイスの場合は１５度の３ｄＢビーム幅など）しか提供しない。開示されたシステムは、ＭＵＳＩＣアルゴリズムを使用することによって、空間分解能を向上させることができる。開示されたシステムは様々な方位角及び仰角のそれぞれの球面にわたって、特定の範囲毎にＭＵＳＩＣを実行することができ、その範囲で目標物から反射された信号の空間スペクトルを推定する。空間スペクトルは６０ＧＨｚ無線によって提供される正確な距離情報と共に、ターゲットの画像を一緒に再構成することになる。信号はそれぞれの球面上で疎であるので、ＭＵＳＩＣを撮像に用いることができる。しかしながら、それはランク（rank）不足の問題に悩まされるので直接的には適用できない、即ち、信号空間の相関行列のランクは実際の入ってくる信号の数よりも小さい。
【0650】
ランク不足問題を克服するために、受信アレイを同じステアリングベクトルを再利用する幾つかの重複サブアレイに分割する技術である２次元空間における空間平滑化を採用することができる。一つ以上のサブアレイを加えることにより、信号の相関行列のランクは確率１で１だけ増加する。空間サブアレイに加えて、開示されたシステムｍｍＥｙｅは、相関行列を推定するために連続する測定値の時間ダイバシティを利用する。合成された空間的及び時間的平滑化はランク不足の問題を効果的に解決し、ＭＵＳＩＣによる空間スペクトル推定の分散値を大幅に低減する。
【0651】
受信アレイ上の空間的平滑化は、小さなアンテナアレイサイズ、すなわち実効開口をさらに減少させ、それによって画像精度を劣化させる。開口における損失なしにランクを増大するために、新しい２次元空間平滑化を、共同送信機平滑化と呼ぶ、送信アレイと受信アレイを共同で再利用することが提案された。具体的には、受信アレイをサブアレイに分割するのではなく、それぞれの送信アンテナについて受信アレイ全体をサブアレイとして再使用することができる。３２Ｔｘ素子の事例が与えられると、乏しい開口を損なわずに保持しながら、疎な反射信号に適した、保証されたランク３２を提供する、３２のサブアレイを即座に得ることができる。サブアレイサイズは受信アレイ全体と同じ大きさであるため、撮像解像度は最大化される。空間分解能の改良に加えて、共同送信機平滑化方式は、送信ダイバシティを利用することにより、目標から反射した信号がミリ波信号の固有の高減衰と方向性のために取り込まれないことがある、ＲＦ撮像のための鏡面問題も緩和する。
【0652】
超解像アルゴリズムに基づいて、バックグラウンドで追加のコンポーネントをｍｍＥｙｅの機能システムに設計して実装し、雑音消去及び適応目標検知などを設計し、実装できる。一実施形態では、追加のアレイが取り付けられたコモディティの６０ＧＨｚネットワーキングチップセット上でｍｍＥｙｅを試作し、異なる被写体、位置、及び姿勢で実験を実行することができる。結果は、ｍｍＥｙｅが２７．２％の中央値シルエット（シェイプ）差分及び１メートルの範囲で７．６センチメートルの中央値バウンダリキーポイント精度で、キネクト深度センサに匹敵する正確な撮像結果を達成することを実証する。単一のネットワーキング・デバイス上での有望な性能により、ミリメートル波のユビキタス「カメラ」に向かう大きな一歩と、コモディティである６０ＧＨｚ ＷｉＦｉ無線のためのネットワーキングとレーダセンシングの２つの役割に向かう第１歩とを、ｍｍＥｙｅが踏み出したと信じることができる。
【0653】
開示されたシステムｍｍＥｙｅは反射信号のスパース性を利用し、新しい共同送信機平滑化技術を用いてＭＵＳＩＣを適用する。これは、ミリ波無線に関する将来のセンシング研究にも利益をもたらし、また触発するあろう。また、本開示は、バックグラウンド及びノイズキャンセル、目標物検知等を含む複数のコンポーネントを有する完全に機能的な撮像システムを提供する。このシステムはより小さな寸法で単一の６０ＧＨｚネットワークデバイスを用いて、キネクトのような市販製品と同等の撮像を達成し、ＶＲゲーム、姿勢推定などの様々な応用に対して、根底にある広範な撮像を実現した。
【0654】
６０ＧＨｚ ＷｉＦｉ技術。 ＩＥＥＥ ８０２．１１ａｄ／ａｙ標準及び低コストの商用チップセットで確立されたWiGigは、高速ネットワーク及び豊富なユーザエクスペリエンスを可能にするための無線デバイスにおける主流になっている。イメージングの基本的な制限に直面する２．４ＧＨｚ／５ＧＨｚ ＷｉＦｉとは異なり、６０ＧＨｚ ＷｉＦｉはＲＦ撮像に独自の利点を提供する。一般の２．４ＧＨｚ 及び ５ＧＨｚ の ＷｉＦｉデバイスには ２ 〜 ３ のアンテナと ２０ＭＨｚ／４０ＭＨｚ の帯域幅しかないが、６０ＧＨｚ の ＷｉＦｉ 無線は６０ＧＨｚの高周波帯域を中心とした大きな帯域幅の小型で複数のアンテナ位相アレイが提供する。これらの特性は、センシングのためのいくつかの優れた特性に変換される。例えば、大きなフェーズドアレイは良好な空間分解能を有する高指向性ビームフォーミングを可能にし、大きな帯域幅は高い測距精度を提供し、高いキャリア周波数はマルチパス効果に影響されない、より予測可能な信号伝播をもたらし、２．４ＧＨｚ／５ＧＨｚのＷｉＦｉに対する巨大な挑戦である。さらに、キャリア波長は５ｍｍで、５ＧＨｚのＷｉＦｉよりも１０以上短い。これは、同じ撮像分解能を達成するために必要なアンテナ開口を１０小さくできることを意味する。
【0655】
さらに、６０ＧＨｚのＷｉＦｉをユビキタスセンシング及び撮像のための魅力的な解決策としてさらに促進する２つの傾向を観察することができる。 第１に、６０ＧＨｚネットワーキングチップセットは全二重無線機のための単に１つの余分なアンテナアレイを除いてハードウェアを変更することなく、レーダのような処理の追加の役割をサポートすることになり、同期された、同じ場所に配置されたＴｘ及びＲｘによる迅速かつ正確な位相測定を可能にする。第２に、コンシューマグレードのルータにすでに使用されている商用６０ＧＨｚ ＷｉＦｉはマーケットの普及が進むにつれて比較的安価になりつつあり、すぐに移動デバイスで利用可能になる。先駆者は６０ＧＨｚ無線の研究を行っており、主に振幅情報を利用し、ビームステアリングをエミュレートするために機械的ホーンアンテナを採用している。操縦可能な位相アレイ及び６０ＧＨｚ ＷｉＦｉのデュアルレーダモードにおける大きなポテンシャルは、大きく未活用のままである。
【0656】
一実施形態では、コモディティのＱｕａｌｃｏｍｍ８０２．１１ａｄチップセットを使用することができる。全二重レーダ動作を可能にするために、追加のアレイがチップセットに取り付けられて、同じ場所に配置され、同期されたＴｘ及びＲｘを形成する。実際には、レーダセンシングは最小限の時間しか必要としないので、時間的な迅速な切り替えによってデュアルネットワーク化とレーダ役割を達成することができる。ネットワーキングモードでは、追加のアレイが単に、追加の空間ダイバシティを提供する。Ｔｘは既知のシーケンスのパルスを送信し、これは周囲のターゲットへの反射の後、Ｒｘ側で受信し、正確な振幅と位相情報でチャネルインパルス応答（ＣＩＲ）を推定するために相関される。
【0657】
Ｔｘアレイ内のNのエレメント及びＲｘアレイ内のMのエレメント要素を仮定する。タイムスロットｔにおけるｎ番目送信アンテナとｍ番目受信アンテナｈｍ，ｎ（τ ）ｔは次の式で表される。[この文献は図面を表示できません]
ここでδ（・）はＤｅｌｔａ関数であり、Lは総ＣＩＲタップの数であり、[この文献は図面を表示できません]
はそれぞれｌ番目タップの複素振幅と伝搬遅延を示すものとして表すことができる。以下の表記を簡単にするために、言及されていない場合には、測定時間 ｔ への依存性を省略することができる。測定されたＣＩＲの時間分解能Δτ は送信信号の帯域幅、すなわち、Δτ ＝１／Ｂ によって決定される。そして、τ ｌはτ ｌ＝τ ０＋（ｌ−１）Δτ として表すことができる。ここで τ ０は１番目のタップの到着時刻を表す。各タイムスロットにおいて、ｍｍＥｙｅは M×N×N複素数値、すなわち、ｈｍ、ｎ（τ ｌ）、ここで ｍ＝１，・・・，M、N=１，・・・，N、及び ｌ＝０，・・・，Ｌ−１.をキャプチャする。したがって、撮像されているターゲットの３次元情報は、これらの測定値から推測することができる。
【0658】
図３８は、本開示のいくつかの実施形態による、無線オブジェクト走査のための例示的なデバイスセットアップ及び座標システム３８００を示す。図３８では、θ及びφは仰角と方位角をそれぞれ示し、ｒ はデバイスから反射器までの領域を示す。図３８に示すように、実験用デバイスはＴｘ及びＲｘ(すなわち、Ｎ＝Ｍ＝３２）の両方に対して６×６の配置で組み立てられた３２個のエレメントを有し、３．５２ＧＨｚ帯域幅で６０ＧＨｚの中心周波数で動作する。アンテナは図３８に示すように、電力ポートのような他の目的のために保存されている４つの位置で欠けている。したがって、測定されたＣＩＲは、４．２６ｃｍの距離分解能に対応するΔτ＝０．２８ｎｓの伝搬遅延分解能を提供する。デバイスがレーダモードに設定されている場合、各ＣＩＲｈｍ，ｎ（τ ）は次のように順次測定される。ｎ番目の送信アンテナはインパルスを送信し、他の送信アンテナはサイレント状態を維持する。ｍ番目の受信アンテナのみが対応するＣＩＲを同時に記録する。これは、全ての送信／受信アンテナが単一のＲＦチェーンを共有するからである。上記のチャネルサウンディング処理は、完全なＣＩＲ記録のために合計で３２×３２＝１０２４回繰り返される。
【0659】
本開示におけるＲＦ撮像は、空間上の反射ＲＦ信号のエネルギー分配がターゲットのシルエットをスケッチするのであろうという観察を利用する。開示されたシステムｍｍＥｙｅは、ターゲットの表面から反射した各々の信号の到来角（Angle of Arrival：ＡｏＡ）及び到着時刻（Time of Arrival：ＴｏＡ）の推定に基づいて、ターゲットの輪郭を再構成しようとする。しかしながら、上述したように、受信アンテナアレイの実効開口が小さいため、空間分解能は大きく制限される。例えば、オンチップアナログ従来型ビームフォーミング（ＣＢＦ）はただ１５度で３ｄＢビーム幅を提供するだけであり、これは、ターゲットをイメージするのに不十分であり、とくにターゲットがデバイスまで遠く離れている場合は不十分である。
【0660】
空間分解能を向上させるために、開示されたシステムｍｍＥｙｅはオンチップアナログビームフォーミングとは対照的に、受信ＣＩＲ上でデジタルビームフォーミングを行い、これは、目標物の近傍部分に放射される信号を区別する際により高い分解能を達成する。ＣＢＦと最小分散無歪応答（ minimum variance distortionless response:ＭＶＤＲ）ビームフォーミング（Ｃａｐｏｎビームフォーマとしても知られる。）はいずれも精度が悪いことが分かると、ＡｏＡ推定のためのアルゴリズムであるＭＵＳＩＣ（Multiple Signal Classification）に基づく超解像アルゴリズムを発明されうる。
【0661】
ＭＵＳＩＣアルゴリズムの基本的アイデアはＣＩＲの共分散行列に対して固有値分解を実行することであり、その結果、目標から反射された信号に対応する雑音部分空間に直交する信号部分空間が得られる。ＭＵＳＩＣは、通常、スパース信号の空間スペクトルの再構成に使用される。イメージングにも適用できる理由は伝播遅延τｌごとに、ターゲットから反射された信号が空間内にまばらに分布するためである。より具体的には反射信号の数は多いが、これらの反射は伝搬遅延の広い範囲（すなわち、幅））にわたって発生し、従って、ある伝搬遅延（すなわち、ある範囲で反射される）を伴う信号の数は少ない。典型的には、τｌ各々に対して４〜６個の有意な反射信号しかない。従って、τｌそれぞれについて、目標撮像のための信号構成はＭＵＳＩＣアルゴリズムの仮定と整合しており、撮像の問題を解決するためにＭＵＳＩＣアルゴリズムを実現可能にしている。これは、細粒度の距離分解能を提供する６０ＧＨｚのＷｉＦｉの大きな帯域幅を利用した結果である。
【0662】
すべての受信アンテナの較正済み複素チャネル利得を伝搬遅延τｌで記録するために、固定送信アンテナｎに与えられた[この文献は図面を表示できません]
を定義する。表記を単純化するために、言及されていない場合、伝搬遅延τｌ 及び送信アンテナインデックスｎへの依存性を省略することができる。そして、伝搬遅延τｌ で受信アンテナアレイに衝突するＤ個の反射信号があると仮定すると、ＣＩＲ ｈは定式化でき、[この文献は図面を表示できません]
ここでｓ（θ１，φ１）はｉ番目反射信号の入射方向に対応する方向（θ１，φ１）を指すステアリングベクトルを示し、ｘｉ はその信号の複素振幅を示し、εｉは加法雑音を表し、これは、異なった受信アンテナに対して、平均が零で独立かつ同一分布（Ｉ．Ｉ．Ｄ．）のガウス確率変数であると仮定される。
【0663】
より具体的には、ステアリングベクトルｓ（θ，φ）は、１にパワー正規化された方向（θ，φ）から来る信号に対するアンテナアレイの位相応答を記録し、これは[この文献は図面を表示できません]
として表される。ここで、Ψθ 及びΩθ，φ は[この文献は図面を表示できません]
として定義された２つの基底関数であり、ｐ及びｑは図３８に示されるアレイ上のアンテナエレメントの行及び列のインデックスを示し、ｋは波数であり、ｄはｙ軸とｚ軸に沿った２つの隣り合うアンテナ間の距離である。
【0664】
アンテナエレメント（図３８と図３９で交差としてマークされている）のないインデックスは、ステアリングベクトルでスキップされる。したがって、式（４６）のより簡潔な行列表現は、[この文献は図面を表示できません]
として表される。ここでＳはステアリングマトリックスとして定義される。なお、静止している目標について、複素振幅ベクトルは決定論的（完全にコヒーレントなソース）であり、したがって、その共分散行列 ｈ は雑音の情報のみを含むことに注意されたい。
【0665】
したがって、その代わりに相関行列が使用され、[この文献は図面を表示できません]
として表される。ここで、Ｒｓ及びＲεは、それぞれ信号成分と雑音に対する相関行列を表し、Ｒの固有値λ１，・・・，λＭ は、Ｍ個の固有ベクトルｅ１，・・・，ｅＭ に関連して非降順にソートされる。本開示では、 ｈは無作為ベクトルとして扱われ、それぞれの実験はその１つの実現例に過ぎないことに留意されたい。ｈの全体平均がゼロに等しいという仮定の下で、すなわち、[この文献は図面を表示できません]
、相関行列は共分散行列と等価である。
【0666】
次に、雑音部分空間は、Ｅε＝［ｅＤ＋１，・・・，ｅＭ］として構築でき、ここでＤはＲｓのランク、又はすなわち信号部分空間のディメンジョンである。任意の方角（θ，φ）に対する疑似の空間スペクトル[この文献は図面を表示できません]
として得られる。
【0667】
空間の特定の部分における空間スペクトルＰ（θ，φ）の大きな値は１つ以上の反射信号の存在を示す可能性が最も高く、Ｐ（θ，φ）の低い値はそのような反射がないことを示す。
【0668】
ＭＵＳＩＣを適用するためのもう一つの重要な課題は、配列に衝突する信号の個数Dを決定することである。開示されたシステムｍｍＥｙｅでは、モデル順序（ｏｒｄｅｒ）選択のための情報理論的アプローチである赤池情報基準（ＡＩＣ）が使用される。ＡＩＣは２つの用語、すなわち、あるＤが与えられたデータの尤度を測定するデータタームと、モデルの複雑さを測定するペナルティタームとから構成される。具体的にＤは、[この文献は図面を表示できません]
として計算される。ここで、λｉは相関行列Ｒのｉ番目に大きい固有値を示す。ＡＩＣ基準は衝突する信号の個数を過大評価する傾向があるので、ＡＩＣはできるだけ弱い反射信号を保持することができ、これは画像化アプリケーションにおいて望ましい。
【0669】
ＭＵＳＩＣアルゴリズムは、入力信号Ｄの個数と同じランクＲｓを要求する。しかしながら、ランクＲｓが１であり、Ｄよりもかなり小さい可能性が高いので、ＭＵＳＩＣアルゴリズムの性能は、大きく劣化するか、または効果的な空間スペクトルを生成するのに完全に失敗するのであろう。この問題を解決するために、ランク不足問題に対して一般的に使用されている技術である空間平滑化が以下のように適用される。
【0670】
図３９は、本開示のいくつかの実施形態による空間平滑化３９００の実例を例示する。空間平滑化のアイデアは、受信アレイを、異なるサブアレイに衝突する反射信号の到来時刻の差分による特定の角度回転を除いて、同じステアリングベクトルを共有する幾つかの重なり合うサブアレイに分割することである。図３９は、元の６×６の受信アンテナアレイから選択されたサブアレイの一例を示す。図に示すように、アレイの特定の位置でのアンテナの欠落の問題のために、５×５のディメンジョンを有するサブアレイは見つけることができず、４×４のアンテナサブアレイのみを確立することができる。正方形のサブアレイは、サブアレイの一例に過ぎず、これは方位角及び仰角の両方に対する空間分解能が同じであるという利点を有する。ｓ［ｋ］（θ，φ）がｋ番目のサブアレイのステアリングベクトルを表すと、[この文献は図面を表示できません]
であり、各サブアレイの相関行列は平均化されて、より高いランクを有する「空間的に平滑化された」[この文献は図面を表示できません]
ここで、Ｒ［ｋ］はｋ番目サブアレイの相関行列を示す。[この文献は図面を表示できません]
は、その最大値に達するまで、平均化における各追加のサブアレイに対して確率１で１だけ増加する。
【0671】
したがって、空間平滑化後に[この文献は図面を表示できません]
を４に復元することができるが、依然としてランク不足のままである。ランク不足問題をさらに解決し、空間スペクトル推定の分散値を低減するために、連続測定の時間ダイバシティを利用する指数平滑化フィルタを相関行列の推定に適用した：[この文献は図面を表示できません]
ここで、βは平滑化係数である。βの値は、システムの応答性と精度との間のトレードオフに基づいて選択される。したがって、各τｌについての空間スペクトルは、式（５０）によって生成することができる。以前の研究とは異なり、開示されたシステムｍｍＥｙｅは、全ての反射信号を識別する必要がある、撮像における２次元空間スムージングとターゲッティングを行う。
【0672】
空間平滑化は高度に相関したソースの下でのＭＵＳＩＣアルゴリズムの性能を改善できるが、アレイの実効開口を減少させ（６×６から４×４へ変化させる）、これは等価的にアレイのビーム幅を増加させ、空間分解能を減少させる。同時にアンテナ開口の損失なしに相関行列のランク不足問題を解決するために、開示されたシステムｍｍＥｙｅはＴｘダイバシティを利用し、それに応じて新しい共同送信機平滑化技術を利用する。
【0673】
図４０は、本開示のいくつかの実施形態による共同送信機平滑化４０００を例示する。各反射信号のＡｏＡは受信アレイに対してのみであるので、各Ｔｘアンテナに対応する各受信アレイは古典的空間平滑化のための上記のセクションの議論と同様に、角回転を除いて、同じセットのステアリングベクトルを共有すべきである。しかし、角度回転はＲｘアレイでのサブアレイのシフトによるものではなく、代わりにＴｘアンテナの位置の小さな差分によって引き起こされる。小さな波長を考慮すると、これらの小さな差分は異なるＴＸアンテナから来る受信アレイによって受信される信号に対して、十分に大きな位相偏移を生成することができ、これにより、異なるＴＸアンテナに関連する受信アレイにわたる空間平滑化が可能になる。従って、各特定のＴＸアンテナに対して受信アンテナアレイ全体をサブアレイとして扱うことが実現可能である。従って、全体として、Nサブアレイは、Ｎ＝３２の場合は図４０に示されるように組み立てられる。
【0674】
ｈｎ（τ ｌ）はｎ番目送信アンテナについてτ ｌで受信されたＣＩＲを示すことを思い出してほしい。各τ ｌについてのそれぞれのチャネル行列をＨ（τ ｌ）＝［ｈ１（τ ｌ），・・・，ｈＮ（τ ｌ）］ と定義する。そうすると、空間平滑化後のτ ｌでの対応する相関行列は、[この文献は図面を表示できません]
【0675】
[この文献は図面を表示できません]
はいまやフルランク行列であり、単一送信アンテナに基づく空間平滑化の場合とは異なり、多重測定は必要とされず、これにより、開示されるシステムｍｍＥｙｅの応答性が大幅に増加する。それにもかかわらず、指数フィルタは空間スペクトル推定のロバスト性を依然として改善することができ、それは式（５０）によって生成することができる。興味深いことに、行列Ｈ（τｌ）ＨＨ（τｌ）は時間反転行列としても知られている。もしＴｘとＲｘが同じアレイを共有できれば、提案した撮像アルゴリズムは、ステアリングベクトルの形成に軽微な修正を伴う時間反転ＭＵＳＩＣ(ＴＲ−ＭＵＳＩＣ）撮像アルゴリズムに関連する。
【0676】
チャンネルの相反性のおかげで、撮像も送信機側で行うことができる。チャネル行列Ｈ（τ ｌ） を単に転置することにより、受信アンテナが送信であり、送信アンテナが受信であれば、ＴｘアンテナとＲｘアンテナの間の別の組のチャネル測定値 ＨＴ（τ ｌ） を得ることができる。同様に、τ ｌでの共同受信機平滑化(ＪＲＳ)の後の対応する相関行列は、[この文献は図面を表示できません]
として得られ、ここで（・）＊ は共役演算を示す。しかし、Ｔｘ側の撮像品質は、Ｒｘ側の撮像品質よりも若干悪い。これは、チャネルサウンディング中、デバイスはまず固定Ｔｘアンテナを使用し、次のＴｘアンテナに切り替える前にすべてのＲｘアンテナをスキャンするから、異なるＴｘアンテナの位相測定をコヒーレントにしないためである。実施形態において、開示されるシステムｍｍＥｙｅは、共同送信機平滑化技術のみを利用する。
【0677】
開示されたシステムｍｍＥｙｅのワークフローは、デバイスを固定位置に置き、秒単位の測定を収集することによってバックグラウンドキャリブレーションを実行することを含み、それから、システムは、視野内に存在する人及びオブジェクトを撮像する準備が整う。ここでは、提案した超解像撮像アルゴリズムに基づいて、機能システムのデザインを提示した。一つは、最終的な撮像の前に、背景と雑音の消去と目標物検知の二つの追加コンポーネントを主に取り入れることができる。
【0678】
関心対象の他に、送信信号は背景オブジェクト、例えば、家具、天井、地面、壁などによって反射されてもよい。さらに、図４１に示すように、中間周波（ＩＦ）ケーブルコネクタには内部信号反射がある。内部雑音と共に背景からのこれらの望ましくない反射は目標物から反射された信号と干渉し、従って、画質を劣化させる。これらの問題に対処するために、以下では、バックグラウンド及びノイズのキャンセル（ＢＡＮＣ）アルゴリズムがバックグラウンド反射及び内部ノイズをフィルタするために提案される。
【0679】
数学的には、ＣＩＲｈｍ、ｎがターゲット関連成分 [この文献は図面を表示できません]
と背景／内部反射関連成分 [この文献は図面を表示できません]
との和としてモデル化することができる。一実施形態では、[この文献は図面を表示できません]
を取得するために、開示されたシステムｍｍＥｙｅは最初に、推定すべきターゲットの存在なしにバックグラウンドのためのＣＩＲの束 [この文献は図面を表示できません]
を収集し、次に、ターゲットの存在と共に新たに測定されたＣＩＲ ｈｍ、ｎ から [この文献は図面を表示できません]
を減算することによって [この文献は図面を表示できません]
を取得する。
【0680】
ターゲットなしで測定されたQ個のＣＩＲのサンプルがあると仮定する。したがって、測定されたバックグラウンドＣＩＲのサンプル平均[この文献は図面を表示できません]
を推定することができる。チップ上の自動利得制御（ＡＧＣ）モジュールにより、ＣＩＲの振幅はフレーム毎に変更する。したがって、ターゲットを用いてＣＩＲからバックグラウンドＣＩＲを直接減算することは実現可能ではない。このようにスケーリング係数αを適用して、得られたバックグラウンドＣＩＲをキャンセルする前にスケーリングする。バックグラウンド及びノイズのキャンセル後のクリーンなＣＩＲ[この文献は図面を表示できません]
は、したがって次のように得られる。[この文献は図面を表示できません]
【0681】
αを選択することに関して、最小平均二乗誤差（ＭＭＳＥ）推定器は、第１のＬ０ＣＩＲタップ、すなわち[この文献は図面を表示できません]
に渡ってエネルギー[この文献は図面を表示できません]
を最小にするαの値を選択に適用される。
【0682】
[この文献は図面を表示できません]
の解析形式は、対応して[この文献は図面を表示できません]
として導出される。ここで、ＸＨ はＸのエルミートを表す。第１のタップＬ０のみを用いてα を推定する直感的真理は、撮像されている目標が通常、特定の視野内で完全に観察されるべきデバイスからある程度離れていることである。
【0683】
したがって、最初の数タップは、ターゲットの存在によって影響されず、ＡＧＣによってのみ影響され、スケーリングファクタのより正確な推定につながる。図４２は、バックグラウンド及びノイズのキャンセル後のＣＩＲ４２００の一例を示す。ＣＩＲタップに対するターゲットの影響は、振幅に関して大幅に拡大されていることが観察され得る。
【0684】
オブジェクト検知の１つの目的は、関心のあるターゲットによって影響される全てのＣＩＲタップをロバストに検知することである。人体部分で反射されたＲＦ信号の全てが受信アンテナアレイで捕捉できるわけではないので、目標物のいくつかの部分で反射された信号のエネルギーは非常に弱くなり得る。弱い反射の「視認性」を高めるために、伝搬遅延ごとに、Ｖｔ（τ）＝Ｖａｒθ [Ｖａｒφ [Ｐｔ（θ，φ，τ）]] として表される 空間スペクトル Ｖｔ（τ）のエネルギー分布の変動を計算することができる。ここで、Ｖａｒθ [・] はパラメータθに対する分散を表す、Ｐｔ（θ，φ，τ） は方向（θ、φ）かつタイムスロットｔで測定された伝搬遅延τ に対する空間スペクトを表す。大きなＶｔ（τ）は、その範囲に対する反射信号のエネルギー分布が非常に不均一であることを意味し、その特定の範囲にターゲットが存在することを示す。一方、ターゲットが存在しない範囲については、反射信号のエネルギーは通常小さく均一に分布している。そして、タイムスロットｔにおける関心範囲（ＲｏＩ）の集合が、ＲｏＩ（ｔ）＝｛τ｜Ｖｔ（τ）＞η、∀τ｝ として形成される。ここで、η（ｔ） は予め設定された閾値である。図４３は、本開示のいくつかの実施形態によるＲｏＩ４３００の例示的な検出を示す。図４３に示すように、時間変化する干渉及び雑音に適応するために、各タイムスロットｔの閾値として、Ｖｔ（τ）中央値の倍数を使用することができ、すなわち、η（ｔ）＝κＭｅｄτ ［Ｖｔ（τ）］ ここでκ は一定の係数を示し、Ｍｅｄτ ［Ｖｔ（τ）］ はτ 上の中央値を示す。閾値を決定するために中央値を使用することができる理由は、特にタップの総数Ｌが多い場合に、Ｖｔ（τ）の中央値がボードの雑音レベルの変動を適応的に捕捉することができるからである。
【0685】
次に、ＲｏＩ集合内の空間スペクトルＰ（θ，φ，τ）にわたって関心点を探索することができる。ミリ波は全般的なオブジェクトを十分に透過することができない、例えば、ミリ波はほとんど人間の皮膚内で吸収されるため、τに関するＰ（θ，φ，τ）の第１の重要な点のみがターゲットの情報を含む。一実施形態では、開示されたシステムｍｍＥｙｅが以下の規則に基づいて、関心点の位置を特定する：それぞれの方向（θ、φ）について空間スペクトルが与えられると、予め設定されたしきい値γを超えるＲｏＩ集合内のτ に沿ったＰ（θ，φ，τ ）の第１の極大値点を見つけようと試みる；失敗した場合、この方向について関心点は見つからない。[この文献は図面を表示できません]
関連する重みは、対応する空間スペクトルの数値、[この文献は図面を表示できません]
【0686】
図４４は、異なる空間方向について得られた空間スペクトルの２つの例を示す。両方の例において、マークされた網点４４１０、４４２０は、それぞれ、重み５．９２ｄＢ及び４．９４ｄＢを有する関心点（ＰｏＩ）を示す。タイムスロットｔにおけるＰｏＩのセットは、[この文献は図面を表示できません]
として表され、[この文献は図面を表示できません]
【0687】
一実施形態では、ＰｏＩを奥行き及び重み付け情報を有するプレーン画像に変換することができる。開示されたシステムｍｍＥｙｅは最初に、簡単な幾何学的変換を適用することによって、[この文献は図面を表示できません]
に変換することができる。次に、全てのＰｏＩは図３８に示すように、深さｘｄを持つ、ｙ−ｚ平面に平行な２次元平面に投影され、ｘｄはこれら２つの平面間の距離として定義される。
【0688】
深さｘｄは重み付けされた最小絶対偏差問題を解くことによって自動的に決定され、[この文献は図面を表示できません]
ＰｏＩと選択された平面との間の距離の[この文献は図面を表示できません]
ここで、γ は目標検知において使用されるのと同じ閾値であり、したがって、重みは常に正である。システムは、投影面の周りのＰｏＩの大部分を保存するように設計されている。ＰｏＩの集合内の外れ値をさらに除去するために、開示されたシステムｍｍＥｙｅは投影面に十分に近い点、例えば、[この文献は図面を表示できません]
を選択する。ここでｗは予め設定されたしきい値である。人のいくつかの得られた画像は、提案された超解像アルゴリズムが従来のアプローチであるＣＢＦ及びＭＶＤＲを著しく上回り、Ｋｉｎｅｃｔと同等の結果を達成することを示した。
【0689】
商品８０２．１１ａｄチップセットを使用して、実際の設定において開示されたシステムｍｍＥｙｅを評価することができ、人間及びオブジェクトの両方、ならびにＬＯＳ及びＮＬＯＳの両方について、撮像品質を研究することができる。また、開示されたシステムｍｍＥｙｅを、現存のビームフォーミング技術ＣＢＦ及びＭＶＤＲと比較することができる。
【0690】
一実施形態では、開示されたシステムｍｍＥｙｅを試作し、Ｑｕａｌｃｏｍｍ８０２．１１ａｄチップセットを使用して現実世界の実験を行うことができる。チップセットには２ つのアンテナアレイが装備されており、どちらも６×６ トポロジに配置された３２個のアンテナを備えている。実験中、デバイスはレーダモードで動作している。すなわち、Ｔｘアンテナは常にパルスを送信し、Ｒｘアンテナは反射信号を受信し、それに従ってＣＩＲを推定する。この実施形態では、実験が机、椅子、コンピュータ、及びテレビが備え付けられた、大きさ２８ｍ×３６ｍの典型的な事務所ビルの１フロアで行われる。システムの典型的な構成を図３８に示す。実験では、人及び日常オブジェクトの両方を試験する。人間の画像のために、４人のボランティア（２人の男性と２人の女性）を募集し、異なる位置及び距離で異なる姿勢でテストすることができる。実験は主に準静的シナリオに焦点を当てることができるが、移動するターゲットについても試験することができる。評価には、単一の人のケースと複数人のケースの両方が含まれる。静止状態の場合、各被験者は１０〜１５の異なった姿勢を自由に実行し、システムは各姿勢について約３０秒のデータを収集することができる。オブジェクト画像化のために、システムは、様々な形状、サイズ、及びデータを有するファン、ヒータ、監視、スーツケースなどの日常オブジェクトで試験することができる。
【0691】
人間の画像を評価するために、目標寸法と形状の手動測定からグランドトゥルース（ground truth）を得ることはできなかった。その代わりに、グランドトゥルースとして役立つように提供されたライブラリによって、キネクトの深度センサから画像を抽出することができる。キネクトのフレームから関心のあるターゲットを検出するために、ある深さを単に探索し、その深さ内のすべての点を抽出することができる。この目的のためにＲＧＢセンサを組み合わせることにより高度なセグメンテーションを行うことができた。なお、キネクト上の測定とターゲット検出には両方ともノイズが含まれているため、我々の評価には有利ではない。開示されたシステムｍｍEye及びキネクトによる結果は、それらの座標が同一の点密度に整列するようにシフトされ、補間される。
【0692】
画像の質を評価するための適切なメトリックを定義することは容易ではないが、人間が視覚的結果から知ることは直感的である。定性的な視覚的比較に加えて、本開示は、２つの定量的メトリックを提案する。第１のメトリックはシルエット差分（ＳＤ）であり、これはｍｍＥｙｅ画像（閾値処理後）とＫｉｎｅｃｔフレームとの間の排他的論理和差分の割合であり、０（エラーなし）から１（完全に異なっている）までの範囲である。第２のメトリックは境界キーポイント精度（boundary key-point precision:ＢＫＰ）であり、これは目標境界上のいくつかのキーポイントの絶対位置エラーである。一実施形態では、自動的に検出することができる評価の最上点、最左点、及び最右点を主に考慮することができる。
【0693】
最初に、人間のターゲットに対するイメージング性能を評価することができる。ＳＤ及びＢＫＰのメトリックを用いて、すべての試験データにわたる精度を定量的に評価することができる。
【0694】
図４５は、本開示のいくつかの実施形態による、人間の画像の例示的なシステム性能４５１０、４５２０を示す。図４５に示すように、開示されたシステムｍｍＥｙｅは被写体がデバイスから約１ｍ離れている場合、ＳＤ４５１０については２７．２％、ＢＫＰ ４５２０については７．６ｃｍの中央値を達成し、一方、被写体が約１．５ｍ離れている場合、ＳＤについては３２．３％、ＢＫＰについては１３．５ｃｍの中央値まで劣化する。これは主に、ターゲットとデバイスの距離を大きくすると、より広いビームとより弱い反射信号もたらされ、両方とも画像に影響するためである。
【0695】
図４６は、ＳＤ４６１０及びＢＫＰ ４６２０それぞれに関する、異なる人物に対する開示されたシステムｍｍＥｙｅの撮像の特性を示している。結果は、異なる被験者に対して一貫して正確な画像を示す。性能のわずかな変動は身体タイプ及び衣服が被験者間で変動し、人体から反射される高周波信号の強度に影響を及ぼし得ることによる。
【0696】
開示されたシステムｍｍＥｙｅの超解像性能を、ＣＢＦ及びＭＶＤＲを含む既存のビームフォーミング技術と比較することによって示すことができる。また、開示されたシステムｍｍＥｙｅの２つの変形、すなわち、開示された空間平滑化（SS）付きシステムｍｍＥｙｅ及び開示された共同送信平滑化付きシステムｍｍＥｙｅ（ＪＴＳ）を実装し、比較して、提案されたＪＴＳアルゴリズムのかなりの利点を示すことができる。異なる方法を用いた２人の被験者のいくつかの視覚的結果はＪＴＳを用いた開示されたシステムｍｍＥｙｅが最良の撮像結果を達成することを示したが、ＳＳを用いた開示されたシステムｍｍＥｙｅは、ＪＴＳを用いた開示されたシステムｍｍＥｙｅに比べて、２番目に優れているにもかかわらず、すでにはるかに悪いことを示した。ＭＶＤＲは人体の一部を見ることができるが、他の多くを見逃すが、ＣＢＦは人体の一部を捕捉せず、人体全体を検出するだけである。
【0697】
図４７は、本開示のいくつかの実施形態による異なるアプローチ、ＳＤ４７１０及びＢＫＰ ４７２０の定量的結果を示す。ＳＤメトリック４７１０に関しては、開示されたシステムｍｍＥｙｅ−ＪＴＳが最良の性能を達成し、開示されたシステムｍｍＥｙｅ−ＳＳが第２位に来る。ＭＶＤＲは、BKPメトリックに関する他の技法よりも良好に機能することに留意されたい。しかしながら、ＢＫＰメトリックは、ＳＤメトリックに関しては性能が不十分である。これはＭＶＤＲの空間スペクトル推定がより保守的であるから、したがって、人体の主要部分のいくつかを見逃し、これは必ずしもＢＫＰのエラーを増大させない（例えば、最上点があまり変化しない）。原則として、両方のメトリックにおいて良好な結果のみが良好な画像を示す。さらに、ＪＴＳとＪＲＳとの間の比較は、Ｒｘアレイ上で得られた画像の品質がＴｘアレイ上で得られたものよりも良好であることを示す。
【0698】
開示されたシステムｍｍＥｙｅは、オブジェクトを撮像することもできる。さまざまな形、大きさ、曲率、面、及びデータの実際のオブジェクトを試験することができる。一実施形態では、選択されたオブジェクトが様々な形状（円柱、正方形、及び円）、材料（プラスティック、木、及び金属）、大きさ（長さ約２０ｃｍ〜１００ｃｍ）を示す。開示されたシステムｍｍEyeは、様々なオブジェクトを正確に撮像することができる。具体的には、開示されたシステムｍｍＥｙｅがオブジェクトの形の推定において８．０センチメートルの中央値精度を達成することを示している。結果は、開示されたシステムｍｍＥｙｅが人間の目標及びオブジェクトの両方について一貫した性能を達成することを示す。
【0699】
開示されたシステムｍｍＥｙｅは、様々なシナリオのもとで実行することができる。複数人を撮像する一実施形態では、グランドトゥルースとして、キネクトオーバーレイを有する２人の被験者の２つの画像例である。両方の人物は、頭、足、腕、及び手が実験で自信を持って認識された状態で、十分に捕捉されている。この結果は、マルチユーザゲーム及びユーザ活動解析のような、開示されたシステムｍｍＥｙｅの様々な応用を支える。
【0700】
共同送信の平滑化のおかげで、開示されたシステムｍｍＥｙｅは単一のスナップショットで画像を達成することができ、連続的な測定を必要としない。したがって、それは、動いているターゲットを効果的に撮像することができる。ユーザが腕を動かしている場合には、歩行運動及び場所の運動の両方をテストし、いくつかの視覚的な画像化結果を示すことができる。開示されたシステムｍｍＥｙｅは静止の身体部分（例えば、胴体、及び脚）を撮像するだけでなく、可動部分（例えば、腕）をうまく追跡する。
【0701】
６０ＧＨｚの信号は典型的にはほとんどの障害物を貫通しないが、開示されたシステムｍｍＥｙｅが薄い乾式壁の背後の目標物を結像できるかどうかを調べることは大きな関心事である。乾式壁を模倣するために、木製スタンドによって支持された大きな木製板を設置し、この設定で開示されたシステム・ミームアイの性能を試験することができる。性能をより良く確認するために、被写体に身体の一部をデバイス（開示されたシステムｍｍＥｙｅ及びキネクト）にさらすように求めることができる。その結果、開示されたシステムｍｍＥｙｅは依然として「ドライウォール」の背後に人間の形を捉えているが、キネクト深度センサは、視覚ベースのセンサとして、大きな木製パネルによって完全に閉塞され、露出した部分（すなわち、両画像における手）のみが見えることが示された。開示されたシステムｍｍＥｙｅが木製パネルを通して見ることができる理由は６０ＧＨｚ信号がパネルを貫通し、その背後の人体から反射することができるからである。反射信号がはるかに弱いにもかかわらず、開示されたシステムｍｍＥｙｅは、依然として、効果的なＢＡＮＣアルゴリズムによってそれらを捕捉することができる。一実施形態では、ＮＬＯＳの場合に性能が低下することを観察することができる。
【0702】
図４８は、本開示のいくつかの実施形態による、無線オブジェクト走査のための例示的な方法４８００のフローチャートを示す。操作４８０２において、無線信号は、場所の無線マルチパスチャネルを介して場所内のオブジェクトに向けて複数のアンテナを使用して送信される。操作４８０４では、無線信号が複数のアンテナで無線マルチパスチャネルを通して受信される。操作４８０６において、受信された無線信号に基づいて、チャネルのチャネルインフォメーション（ＣＩ）の集合が取得される。操作４８０８において、成分に関する（component-wise）空間スペクトルが、ＣＩの集合のそれぞれの成分について計算される。操作４８１０において、１つ以上の成分に関する空間スペクトルを含む空間スペクトルが推定される。
【0703】
操作４８１２では、変分測定がそれぞれの成分に関する空間スペクトルに対して計算される。操作４８１４において、変分測定に基づいて、選択された成分の集合が決定される。操作４８１６において、選択された成分の集合に関連する関心範囲（ＲｏＩ）が決定される。操作４８１８では、空間スペクトルの特徴点が空間方向の集合のそれぞれに対して計算される。操作４８２０では、特徴点が空間方向にあるＲｏＩにおいて、オブジェクトディスタンスが探索される。操作４８２２において、オブジェクトは、オブジェクトディスタンスが発見されたそれぞれの空間方向に走査される。操作４８２４では、スキャンに基づいて、オブジェクトの画像化または視覚的表現が生成される。図４８の動作の順序は、本開示の様々な実施形態において変更することができる。
【0704】
一実施形態では、開示されたシステムを使用して、例えばミリ波信号などのＲＦ信号を使用して、複数のユーザを同時に受動的に追跡及び走査することができる。このシステムは、人数のカウント、人の追跡、ビルの自動化、周辺の安全、作業場の安全などに使用することができる。ビデオベースの人数を計数するソリューションの多くの潜在的な顧客にとっての主要な関心事は、プライバシーである。この一つの懸念はしばしば、ビデオベースの人数のカウントソリューションを配備しないようにする。これとは対照的に、６０ＧＨｚを利用する開示されたシステムはプライバシーの問題なしに、施設内の人数カウントを施設管理者に提供することができる。開示されたシステムは、人数を示す画像又は視覚的表現で、部屋に人がいるかどうか、及び部屋にいる人の数を決定することができるが、人のアイデンティティは示さない。これは、会議室、スマートビル、ホテル、及びそれ以上のものの管理をするようなアプリケーションにとって重要であり得る。例えば、ホテルは、部屋の占有に基づいて、スマートなエネルギー効率の良いスマート照明または温度制御を実施することができる。
【0705】
別の例では、開示されたシステムが移動するオブジェクト、例えば、移動する人物の軌跡または移動経路を決定し、画像または視覚的表現を用いて軌跡を示すことができる。これは、遊園地の迷路のプレイヤーの追跡、家庭、ホテルの警備システムによる侵入者の監視、またはマラソンのような長距離競技の選手を追跡するのに適用することができる。
【0706】
一実施形態では、Ｎ１本のＴｘアンテナを備えたタイプ１デバイスが無線プローブ信号（例えば、６０ＧＨｚ信号、３．５ＧＨｚ帯域幅）を有するオブジェクト（例えば、人、ペット、物、生活物、非生活物）を「照らす」。プローブ信号は、オブジェクトによって変調される（反射、屈折、吸収、減衰、ドップラーエフェクトなど）。Ｎ２本のＲｘアンテナを持つタイプ２デバイスはプローブ信号を受信し、ＣＩ（例えば、チャネル状態情報またはＣＳＩ、圧縮ＣＳＩ、非圧縮ＣＳＩ、チャネルインパルス応答またはＣＩＲ、チャネル周波数応答またはＣＦＲ、ＲＳＳＩなど）の集合（例えば、Ｎ１＊Ｎ２）を得る。各々のＣＩは、ＴｘアンテナとＲｘアンテナとのペアに関連付けられてもよい。オブジェクトの走査（例えば、画像、映像、奥行きマップ、等高線、ジェスチャ認識、筆記、ペインティング、動き、存在、アクション、データ）は、ＣＩの集合に基づいて計算される。
【0707】
無線プローブ信号はプローブ要求、プローブ応答、問い合わせ、受信確認、問い合わせに対する応答、サウンディング信号、ビーコン、パイロット信号などであってもよく、ＣＩはチャネル状態情報（ＣＳＩ）、圧縮ＣＳＩ、非圧縮ＣＳＩ、ＲＳＳＩ、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、大きさ応答、位相応答などであってもよい。タイプ２デバイスは、タイプ１デバイスを含んでいてもよく、またはその逆であってもよい。タイプ２デバイスはタイプ１デバイスであってもよい。
【0708】
タイプ１デバイスは、無線信号を送信するための第１の無線チップ／集積回路／ＩＣを有してもよい。タイプ２デバイスは無線信号を受信するために、第２の無線チップ／集積回路／ＩＣを有してもよい。タイプ１デバイスは、タイプ２デバイスと同じであってもよい。第１のＩＣは、第２のＩＣであってもよい。Ｎ１Ｔｘ アンテナは、Ｎ２ Ｒｘ アンテナを含んでもよく、またはその逆でもよい。Ｎ１はＮ２に等しくてもよい。Ｎ１ Ｔｘ アンテナは、Ｎ２ Ｒｘ アンテナの隣にあってもよい。Ｎ１Ｔｘ アンテナは、Ｎ２ Ｒｘ アンテナでも構わない。Ｎ１ Ｔｘアンテナ（又はＮ２ Ｒｘアンテナ）は、１次元、２次元又は３次元構成及び／又は格子状に配置することができる。１次元、２次元又は３次元格子は、規則的な間隔を有することができる。
【0709】
例えば、１−Ｄ／２−Ｄ／３−Ｄ構成はアンテナを均一に離間させても、不均一に（例えば、擬似ランダムに、又は局所的に均一に）離間させてもよい。例えば、１−Ｄ構成は直線（例えば、均一に離間された、または不均一に離間された）、複数の直線（例えば、２次元または３次元形状の輪郭）、及び／または２−Ｄ空間における１つ以上の曲線（例えば、円、円弧、三角形、平行四辺形、五角形、六角形、多角形、形状の輪郭、ジグザグパターン、形状充填線パターン（a shape-filling line pattern））、及び／または３−Ｄ空間（例えば、螺旋、３次元オブジェクトの表面上の曲線、空間充填線パターン）に配置されたアンテナを有する可能性がある。例えば、２−Ｄ構成は、１つ以上の長方形格子、円形格子、楕円形格子、三角形格子、六角形格子、多角形格子、及び／または他のものに配置されたアンテナを有する可能性がある。２−Ｄ構成はマニホルド、メッシュ、または曲面（例えば、箱、球、オブジェクト、身体、身体の一部、及び／または別のアイテムの表面またはメッシュ上／周囲／近傍／関連する）に配置されたアンテナを有する可能性がある。例えば、３次元格子は、３つの直交する軸を有してもよく、軸のそれぞれに特有な間隔がある。１次元、２次元、または３次元格子のいくつかのノードは、空（占有されていない）であってもよい。
【0710】
一実施形態では、Ｎ１本のＴｘアンテナが第１の２次元矩形アレイ（ｘ方向及びｙ方向に特有な間隔）に配置されてもよい。Ｎ２本のＲｘアンテナは、第２の２次元矩形アレイ内に配置されてもよい。第１の長方形アレイの法線方向（すなわち垂直方向）は、第２の長方形アレイの法線方向と平行であってもよい。第１及び第２の長方形アレイは、同一平面上にあってもよい。Ｔｘアンテナアレイ及びＲｘアンテナアレイは互いに隣り合っていてもよい（例えば、２０ｃｍ未満、または１０ｃｍ未満、または５ｃｍ離れていてもよい）。アレイの大部分の位置は１つまたは複数のアンテナによってそれぞれ占有されるか、または１つまたは複数のアンテナに関連することができるが、アレイの１つまたは複数の位置は占有されていないか、または任意のアンテナに関連付けられていないことがある。矩形アレイの１つは、アレイの「中心」に「軸」（例えば、法線方向の線）を有してもよい。「中心」はアレイの重心またはその近傍であってもよい。アレイが軸をオブジェクトに近づけることによってオブジェクトに「照準」されてもよい。換言すれば、オブジェクトはアレイが「照準」している領域に入ることによってアレイの「監視領域」に入ってもよい。オブジェクトが軸上にあってもよい。または「軸」と、アレイの「中心」とオブジェクトとを結ぶ仮想直線との間の角度が小さくてもよい（例えば、１０度未満、５度未満、または１度、または別の角度）。第１または第２の格子は、長方形または非長方形のアレイであってもよい。それは、局所的に長方形、三角形、または六角形、または円形、または他の格子パターンであってもよい。互いに角度をつけた２つの長方形格子をもつ混成格子であってもよい。
【0711】
一実施形態では、ｍｍＥｙｅの全体アルゴリズムが、（ａ）ＣＩの前処理、（ｂ）ＣＩに基づく空間スペクトル推定、（ｃ）空間スペクトルに基づくオブジェクト検知、及び（ｄ）オブジェクトのスキャニングを含む。
【0712】
一実施形態では、前処理が少なくとも２つのステップ、すなわち（ａ１）バックグラウンドキャンセル及び（ａ２）ノイズキャンセルを含む。バックグラウンドキャンセルは、（１）オブジェクトが存在しない（場所中に存在しない）場合にトレーニングプローブ信号からバックグラウンドＣＩを収集すること、及び（２）ＣＩの集合に対するバックグラウンドＣＩの影響を抑制することを含むことができる。オブジェクトが存在しないので、バックグラウンドＣＩは、バックグラウンドマルチパスチャンネルのためにのみプローブ信号とは異なる。トレーニングプローブ信号はプローブ信号と同じでもよい。
【0713】
一実施形態では、バックグラウンドＣＩの「抑制効果」の可能な方法が開示される。組み合わされた背景ＣＩは平均化（すなわち、平均）、加重平均化（加重平均）、スケーリング後の平均化（加重平均と同様）、トリミングされた平均（例えば、「極端な」または「信頼できない」ものを除去し、次いで、平均化することによる）、中央値などによって計算されてもよい。スケーリングは、チップ上の自動利得制御（ＡＧＣ）モジュール、または異なる利得を有するアンテナを考慮するために使用／適用されてもよい。
【0714】
一実施形態では背景ＣＩの「抑制作用」の別の考えられる方法が開示される。組み合わされた背景ＣＩは背景ＣＩの少なくとも１つの組の加重平均（例えば、等しい又は等しくない重みを有する）、又はそのサブセットに基づいて計算されてもよく、例えば、トリミングされた平均はサブセットに「極端である」又は「信頼できない」ものを含まないことによって得られてもよい。重みは、それぞれの背景ＣＩをスケーリングして、ＡＧＣ（トレーニング中、オブジェクトが存在しないとき）または様々なゲインを有するアンテナを考慮するために使用されてもよい。減算前のスケーリングは、（オブジェクトの走査中に）ＡＧＣを説明するために使用されてもよい。
【0715】
空間スペクトル推定のために、各々の成分（component）は、指標、時間遅延又は距離に関連付けられてもよい。ＣＩが複数タップを有するＣＩＲである場合、タップは成分であってもよい。タップの大きさ（または位相）、またはその機能は、成分であってもよい。ＣＩが複数のサブキャリアを有するＣＦＲである場合、サブキャリア（またはその大きさ、または位相）、及び／またはその機能は、成分であってもよい。計算は、ＭＵＳＩＣアルゴリズム、ＭＵＳＩＣのようなアルゴリズム、及び／または別のアルゴリズムに基づくことができる。
【0716】
空間スペクトル推定は、特定の成分に関連する結合相関行列に基づいて、特定の成分に対して実行され得る。相関行列は共分散行列に置き換えることができる。相関行列または共分散はステアリング行列を含んでもよい（例えば、ステアリング行列の関数であってもよい）。結合相関行列は、特定の成分に関連する少なくとも１つの相関行列の線形組み合わせ、平均、加重平均、及び／または別の組み合わせとすることができる。例えば、少なくとも１つの相関行列は、６×６Ｒｘ(アンテナ）アレイからのいくつかの４×４サブアレイであってもよい。または、少なくとも１つの相関マトリクスが６ｘ６Ｒｘアンテナアレイに関連付けられたいくつかの６ｘ６アレイであってもよい。６×６アレイの各々は、Ｔｘアンテナに関連付けられてもよい。結合相関行列が相関行列であるような、ただ一つの相関行列が存在することがある。
【0717】
放射方向（方位角、仰角）ごとに、空間スペクトルの特徴点（例えば、最初の局所最大値）が見つかることがある。放射方向は、Ｒｘアンテナアレイ又はＴｘアンテナアレイの一点に関するものであってもよい。点は、中心、または重心、またはＲｘ／Ｔｘアンテナのうちの１つ、または別の点であってもよい。オブジェクトはオブジェクトがその半径（放射）方向に見出されるか否かを明らかにすることにより走査され、見出された場合、その距離（受信アンテナに関連する点、例えば、Ｒｘアンテナアレーの重心から）を明らかにする。オブジェクトをスキャンすることは、ＰｏＩの集合を識別することと、すべてのＰｏＩの深さに基づいてオブジェクト深さを計算することとを含むことができる。オブジェクトの深さは、何らかの最適化（例えば、重み付き二乗エラーの最小化、または平面フィッティング）によって計算することができる。
【0718】
バイスタティックセットアップでは、タイプ１（Ｔｘ）及びタイプ２（Ｒｘ）デバイスが場所内の２つの異なる位置に配置された２つの異なるデバイスである。モノスタティック構成（レーダ状）では、タイプ１（Ｔｘ）及びタイプ２（Ｒｘ）デバイスが場所内に並置される（例えば、同じ機械／デバイス／ハウジング／実装／回路／回路基板／モジュール／チップ内の同じ位置または同様の位置に配置される）。一実施形態では、タイプ１（Ｔｘ）デバイスとタイプ２（Ｒｘ）デバイスは同じデバイスである。
【0719】
無線周波（ＲＦ）信号を用いた受動的な人間の場所決めと追跡は１０年以上にわたって研究されてきた。しかしながら、現存の解像度の大部分は帯域幅とアンテナ数によって制限される粗いマルチパス解像度のために、単一の動く被写体を追跡することしかできない。本開示では、新たな６０ＧＨｚ８０２．１１ａｄ無線（またはいくつかのＵＷＢ無線）を活用することによって、限界を打ち破る方法が説明される。「ｍｍＴｒａｃｋ」と呼ばれる提案されたシステムは単一の、コモディティ８０２．１１ａｄラジオ（または何らかのＵＷＢラジオ）を使用して、複数のユーザを同時に受動的にローカライズし、追跡する最初のシステムである。ｍｍＴｒａｃｋのデザインは、３つの重要な成分を含むことができる。第１に、システムは全受信アンテナにわたってデジタルビームフォーミングを行うことにより、小型６０ＧＨｚアレイの小さな開口によって制限される、空間分解能を大幅に改善する。第２に、提案した新しいマルチターゲット検出アプローチは、遠近効果と測定雑音に取り組んだ。最後に、ロバストクラスタリング技法を利用して、複数目標を正確に認識し、それぞれの位置を推定し、そこからそれらの個々の軌跡を連続追跡アルゴリズムによってさらに導出する。コモディティ８０２．１１ａｄデバイス（またはＵＷＢデバイス）にｍｍＴｒａｃｋを実装し、屋内環境でそれを評価することができる。一実施形態では、実験は、ｍｍＴｒａｃｋがそのとき複数のユーザを１人以下のエラーで９７．８％正確に計数し、ダイナミックターゲット及びスタティックターゲットについて、９．９ｃｍ及び１９．７ｃｍのそれぞれの中央位置エラーを達成することを実証する。
【0720】
本開示の一実施形態では、開示されたシステムが新たな６０ＧＨｚ８０２．１１ａｄテクノロジー（別名ウィギグ）におけるチャンスを活用することによって、制限を解消する。開示されたシステムｍｍＴｒａｃｋは、コモディティの６０ＧＨｚミリ波（ミリ波）デバイスを使用して、多くの人の位置確認及び追跡を達成できる最初のシステムである。２．４ＧＨｚ／５ＧＨｚのＷｉＦｉとは異なり、６０ＧＨｚの無線は広い帯域幅のおかげで、小型で大きなフェーズドアレイで高い指向性と正確なタイムオブフライ測定を提供ウする。室内のマルチパスを回避し、複数の人物の正確な位置確認のための根底にある有能な空間と時間分解能を備えている。例えば、本開示において使用されるコモディティデバイスは、６０ＧＨｚを中心とする３．５２ＧＨｚの帯域幅を有する３２素子アレーを有しうる。ｍｍＴｒａｃｋを設計することにより、多人数位置標定のための６０ＧＨｚ無線のこの能力を理解し、可能にすることができる。
【0721】
６０ＧＨｚ(またはＵＷＢまたは他の周波数）を使用して多人数パッシブ追跡を可能にするためには、複数の課題に対処する必要がある。第１に、多くのアンテナにもかかわらず、アンテナアレイの開口が非常に小さいため、空間分解能が制限される。例えば、実験デバイスは１．８ｃｍ１．８ｃｍのアレイ寸法を有し、オンチップアナログの従来のビームフォーミングは１５°の角度分解能しか提供せず、これは近くのターゲットを分離するには不十分であり得る。空間分解能をブーストするために、内蔵アナログビームフォーミングを使用する代わりに、ｍｍＴｒａｃｋは受信したチャネルインパルス応答（ＣＩＲ）上でデジタルビームフォーミングを行い、従来のビームフォーミングと比較して２つの近接角度を区別する際にはるかに高い空間分解能を達成した。具体的には、方位角寸法と仰角寸法の両方に対する方向走査間隔が２°であるノンパラメトリックビーム形成器、すなわち最小分散無歪応答（Minimum Variance Distortionless response:MVDR）ビーム形成器を使用することができ、その結果、空間において、２°（方位角について）×２°（仰角について）×４．２６ｃｍ(レンジについて）の各セルにおけるオブジェクト検出が得られる。
【0722】
第２に、キャリア周波数が高いために、信号は伝播距離にわたって急速に減衰し、遠くのターゲットの位置を特定することが困難になる。測定雑音は、弱い反射信号をさらに悪化させ、大きなカバレッジでの検出を複雑にする。この課題に対処するために、異なる距離での目標の多様な応答に適応する、関心範囲を見つけるために絶対電力に依存しない新規のメトリックに基づく適応目標検知手法が開示される
【0723】
第３に、複数のユーザ及びそれらの身体の異なる部分からの反射が与えられると、特にそれらが互いに近い場合に、個体の位置推定のために占有されたセルをソートすることは、自明ではない。さらに、ユーザをデバイス情報によって区別することができるデバイスベースのローカライゼーションとは異なり、複数のユーザのロケーションを分類し、ユーザの軌跡を回復することは自明ではない。これらの課題を克服するために、ｋ−平均法を使用し、一組のロバストな技法でそれを増強することができる。複数のユーザの連続追跡の問題を、位置エラー、欠落位置、及び動的なユーザ人数などが存在する場合であっても複数のユーザの軌跡を効果的に回復する、重み付け二部グラフマッチング（weighted bipartite graph matching）問題として定式化することができる。
【0724】
ｍｍＴｒａｃｋの原型は、ＣＯＴＳ（commercial off-the-shelf） の６０ＧＨｚ ８０２．１１ａｄデバイスを使用して構築することができる。デバイスは１つのアンテナを介して送信し、送信機と同じ場所に配置された受信機上の３２個のすべてのエレメントから受信する、レーダ様モードで動作するように構成される。複数の動的／静的ユーザを持つ屋内空間で実験を行った。実験結果はｍｍＴｒａｃｋは。動的ターゲットに対して９．９ｃｍの中央位置精度及び２２．５ｃｍの９０％タイル精度を達成し、静的ターゲットに対して１９．７ｃｍの中央位置精度及び３５．６ｃｍの９０％タイル精度を達成することを示す。さらに、ｍｍＴｒａｃｋは複数のユーザを正確に検出し、カウントし、ユーザ数のエラーはなく、１人以下のエラーはそれぞれ７９．０％及び９７．８％である。ｍｍＴｒａｃｋは実用的なマルチパーソンローカライゼーション及び追跡に向けて大きな一歩を踏み出し、８０２．１１ａｄ無線を介してｍｍ波センシング上に光を放つ。
【0725】
開示されたｍｍＴｒａｃｋはデュアル機能レーダ通信システムを備えたＣＯＴＳ６０ＧＨｚ ミリ波無線を活用することにより、多人数のパッシブ位置決め及び追跡を可能にする最初の研究である。ＭＶＤＲに基づくデジタルビームフォーミングにより空間分解能を促進し、遠近効果と計測雑音に取り組むために新しいオブジェクト検出手法を提案した。ユーザの数を正確かつロバストに決定し、ユーザのそれぞれの位置を推定することができるｋ-平均法（k-means clustering）に基づいたロバストアルゴリズムが開示される。そのように、重み付き二部グラフマッチングを用いた新しいアルゴリズムにより、複数の軌跡の連続追跡を達成できる。試作品を作成し、ｍｍＴｒａｃｋを評価し、１６．２４ｃｍの中央値精度で移動ユーザと静止ユーザの位置を特定し、複数のユーザの継続的な軌跡を同時に追跡できることを実証した。
【0726】
一実施形態では、ｍｍＴｒａｃｋがユーザの身体からの高周波信号の反射のみを使用することによって、複数のユーザを正確に位置特定し、追跡することができる無線システムである。多くの既存の研究とは異なり、単一の無線で複数の静的ユーザをローカライズすることができる。
【0727】
ｍｍＴｒａｃｋは、市販の６０ＧＨｚ チップセットで構築できる。ＩＥＥＥ ８０２．１１ａｄ／ａｙ標準が確立された６０ＧＨｚ ＷｉＦｉテクノロジーは、高速ネットワークワーキング及び豊富なユーザ体験を可能にするために、無線デバイスで主流になりつつある。一般的に２〜３のアンテナと２０ＭＨｚ／４０ＭＨｚ／８０ＭＨｚの帯域幅を持つ２．４ＧＨｚ及び５ＧＨｚのＷｉＦｉとは異なり、６０ＧＨｚのＷｉＦｉ無線（またはＵＷＢ無線）は、設計上、コンパクトな形の大きなフェーズドアンテナアレイと、高い周波数帯域を中心とした大きな帯域幅を提供することができる。具体的には、ｍｍＴｒａｃｋが８０２．１１ａｄチップセットを使用して、６０ＧＨｚの中心周波数及び３．５２ＧＨｚの帯域幅で動作することができる。これは、１．８ｃｍ×１．８ｃｍの小さなフォームファクタで送信機と受信機の両方のための標準６×６アンテナアレイ（全体で３２要素）を有する商用の８０２．１１ａｄチップセットを使用することができ、単一の小型デバイス上に取り付けることを可能にする。デバイスは全二重チップであり、これは、同時に送信及び受信するレーダのような動作を可能にする。送信機は既知のシーケンスのパルスを送信し、このパルスは、目標物上の反射の後、ＣＩＲを推定するために受信機側で受信され、相関される。広い帯域幅のおかげで、６０ＧＨｚ無線は４．２６ｃｍの距離分解能を提供し、オンチップビームフォーミングは１５°の３ｄＢビーム幅を提供する。
【0728】
しかしながら、６０ＧＨｚ信号を用いてマルチ位置確認を可能にすることは、小型アンテナアレイの非常に小さな開口による限定された空間分解能、高いキャリア周波数による高速減衰、目標位置をぼやけさせるだけでなくゴーストを生成する測定雑音、及び人の間の干渉を含むいくつかの課題を伴う。
【0729】
図４９は、本開示のいくつかの実施形態による、無線オブジェクト追跡のための例示的なシステム４９００を示す。図４９に図示されるように、ｍｍＴｒａｃｋは、以下の４つの主なコンポーネントにより、これらの課題に取り組む。１）オンチップビーム形成よりもはるかに狭いビーム幅を達成するデジタルビームフォーミングユニット４９１０、２）様々な距離でオブジェクトの存在を適応的に検出するオブジェクト検出ユニット４９２０、３）それぞれの位置とともにターゲットの数を識別するターゲットクラスタリングユニット４９３０、及び４）個人の連続的な軌跡を解決する連続追跡ユニット４９４０。
【0730】
一実施形態では、６０ＧＨｚ無線上の一つのデジタルビームフォーミング及びＣＩＲ ４９０５に基づくオブジェクト検出のために、ｍｍＴｒａｃｋは一定速度Ｆｓでビーコン信号を連続的に送信するために、送信アンテナアレイの１つのエレメントを使用してもよい。ｍ番目のアンテナにより測定されるＣＩＲはｈｍ（τ）としてあらわすことができる。[この文献は図面を表示できません]
ここでＬはＣＩＲタップの数、δ（・） はデルタ関数であり、ａｍ，ｌ及びτｌはｌ番目のタップの複素振幅及び伝搬遅延を示すものとして表すことができる。
【0731】
図５０は本開示のいくつかの実施形態による、例示的な測定チャネルインパルス応答（ＣＩＲ）５０００を示し、ここで、τ０及びΔτは第１の受信経路の伝播遅延及びＣＩＲの時間分解能をそれぞれ表す。測定されたＣＩＲの時間分解能、例えば、図５０において、Δτは、送信された信号の帯域幅Ｂによって決定される。すなわち、Δτ ＝１／Ｂ。各タイムスロットにおいて、ｍｍＴｒａｃｋはＭ×Ｌ個の複素数値、すなわち、ｈｍ（τ ｌ）、ここでｍ＝１、・・・Ｍ 及びｌ＝０、・・・Ｌ−１であり、複数人の位置情報はこれらの測定値から推定されうる。以下の表記を容易にするために、伝搬遅延τｌですべての受信アンテナの複素チャネル利得を記録するためにベクトルｈ（τｌ）＝［ｈ１（τｌ），・・・，ｈＭ（τ ｌ）］Ｔ を定義することができる。
【0732】
一実施形態では、使用されるＣＯＴＳデバイスが２５６タップまでのＣＩＲを報告する。最初の６４タップを用いた実際のＣＩＲ測定の例が図５０に示されている。非同期送信機及び受信機のために、以前の研究で利用されたＣＩＲは不正確であり、範囲を計算するのに十分なほど正確ではない。ｍｍＴｒａｃｋは、６０ＧＨｚネットワーキングデバイス上に実装したレーダ様な動作を介して正確なＣＩＲを抽出する最初のものである。
【0733】
それぞれの伝播遅延τｌについて、図５１に示されるように、異なった方位角φ及び仰角θを有する受信アンテナアレーに衝突する反射信号Ｎ（τｌ）あると仮定する。図５１は本開示のいくつかの実施形態による、例示的座標システム５１００を図示し、ここで、θ及びφは仰角及び方位角をそれぞれ示し、ｒは反射器とデバイスとの間の距離を示す。なお、以下の表記を簡略化するために、特に言及しない場合には、τｌへの依存関係は省略する。するとＣＩＲは、[この文献は図面を表示できません]
として定式化できる。ここで、ｓｉ（θｉ，φｉ）は、第i番目の反射信号の方向に対応する（θｉ，φｉ）を指すステアリングベクトル、すなわち、（θｉ，φｉ）方向から来る信号に対するアンテナアレイの正規化された位相応答を示し、ｘｉはその信号の複素振幅を示し、ｎｉは加法性熱雑音を表す。
【0734】
より簡潔な行列表現を次のように書くことができる。[この文献は図面を表示できません]
【0735】
異なる方向からの反射信号を、異なる重みｗで受信アンテナのチャネル利得を線形に組み合わせることによって識別することができ、これは、ビームフォーミング技術としても知られている。
【0736】
本開示では、ノンパラメトリックビームフォーマ、最小分散無歪応答（ＭＶＤＲ）ビームフォーマ（Ｃａｐｏｎビームフォーマとしても知られる。）を、従来のビームフォーマと比較してその高い空間分解能のために利用することができる。これは、ＭＶＤＲビームフォーマが他の角度からの干渉及びノイズの電力を最小化し、一方、見る方向に向かう無歪応答を保証するためである。さらに、ノンパラメトリックビームフォーマが好ましい理由は、反射信号の構造に関する事前の仮定が必要とされないからである。方向（θ、φ）に対するＭＶＤＲビームフォーマは、[この文献は図面を表示できません]
として定義することができる。ここで、Ｒｈはｈの相関行列を表し、すなわち、[この文献は図面を表示できません]
【0737】
各方向（θ、φ）に対するＭＶＤＲビームフォーマにより取得される空間スペクトルは[この文献は図面を表示できません]
として記される。
【0738】
式（６３）は、測定されたＣＩＲと空間内の受信アンテナアレイに関する反射信号のエネルギー分配との間のリンクを構築する。原理的にはＰ（θ、φ）は送信アンテナとは無関係であるが、実際には異なる送信アンテナが推定の類似した品質を生成することが観察される。したがって、一実施形態では、ｍｍＴｒａｃｋは、ｍｍＴｒａｃｋの複雑さを低減するために、送信アンテナアレイから単一のアンテナのみを選択する。
【0739】
実際には、タイムスロットｔでのＲｈはサンプル相関によって推定される[この文献は図面を表示できません]
ここで、Ｗはウィンドウ長を表す。ウィンドウ長Ｗの選択は、ｍｍＴｒａｃｋの精度と応答性との間の望ましいトレードオフに依存する。
【0740】
以下では、Ｐｔ（θ、φ、τ）がタイムスロットｔ、伝搬遅延τ、及び方向（θ、φ）における空間スペクトルを示すために使用される。実際には、理論的にはセクタを任意に狭くできる一方で、空間スペクトルの計算の計算の複雑さを減らすためにθとφは２°の解像度で量子化される。
【0741】
システムから遠く離れた点ターゲットの位置を検出することを主目的とする従来のレーダシステムとは異なり、ｍｍＴｒａｃｋはデバイスに近い複数のターゲットを検出し、３次元情報、すなわち位置を意味する人体のあらゆる反射点の方位角、仰角、及び範囲、さらには身体シルエットを抽出することを目的とする。マルチターゲット検出には２つの主要な課題がある。
【0742】
第１の課題は、騒音と干渉に関するものである。熱雑音とハードウェア内部干渉のために、得られた空間スペクトルにスプリアススパイクがあり、ターゲットの誤検出を引き起こす可能性がある。
【0743】
第２の課題は、遠近効果に関するものである。主に２つの理由、すなわち、１）近くのターゲットによる閉塞、及び２）近くのターゲットから反射されたＥＭ波のエネルギーと遠くのターゲットから反射されたＥＭ波のエネルギーとの間の不均衡のために、近くのターゲットの存在下で遠くのターゲットを検出することは困難である。
【0744】
以下では、遠近効果に関する測定が提示され、上記の課題を克服する２つの重要な要素、すなわち、距離測定及び３次元情報抽出がｍｍＴｒａｃｋのターゲット検出モジュールに導入される。
【0745】
一実施形態では、異なる位置に存在するターゲットの約６，０００の実際の測定によって、２つの問題を経験的に分析することができる。図５２Ａ〜５２Ｃは、本開示のいくつかの実施形態による、近遠効果及び重み付け再サンプリングの効果の計測結果を示す。図５２Ａは目標範囲に対する反射信号５２１０の電力を示し、それは、１）受信電力が距離にわたって減少すること、２）受信電力はデバイスに対するそれらの相対的位置及び向き、表面状態、及び雑音及び妨害などのさまざまな要因によって、同じ距離で変化することを意味する。さらに、図５２Ｂでは、さまざまな数の反射点５２２０がレンジに関して描かれる。図５２Ｂに示されるように、距離が増加すると、空でない方向の数は急激に落ちる。これは、ターゲット（人体）がより大きな距離におけるデバイスの視点から比較的「小さく」なり、したがって、より少ないセクタを占有する一方で、より近い位置でより多くのセクタを満たすためである。さらに、いくつかの反射信号の方向はデバイスの視野内にないか、または遠くのターゲットに対して受信するには弱すぎる可能性がある。６０ＧＨｚ信号のマルチパスが少ないため、上記の解析は環境に依存しない。
【0746】
測距の目的は、近接したターゲットが存在する場合であっても、遠いターゲットをロバストに検出することである。近いターゲットと比較して、遠いターゲットから反射された信号のエネルギーは、通常、非常に弱い。各特定の範囲（または伝搬遅延）について、遠方のターゲットの「可視性」を増大させるために、空間スペクトルＶｔ（τ ）のエネルギー分布の変動を計算することができ、これは、Ｖｔ（τ ）＝Ｖａｒθ［Ｖａｒφ［Ｐｔ（θ，φ，τ）］］ と定義できる。ここで、Ｖａｒθ［・］ はパラメータθに対する分散を示すものとして定義される。大きな Ｖｔ（τ ）は、その範囲に対する反射信号のエネルギー分布が高度に不均一であることを意味し、その特定の範囲にターゲットが存在することを示している。目標物が存在しない範囲については、反射信号のエネルギーが図５３に例示されるように、通常、小さく均一に分布される。図５３は、本開示のいくつかの実施形態による、２人の被験者がデバイスの前に静止している関心領域（ＲｏＩ）を検知するための例示的なメトリック５３００を示す。
【0747】
そして、タイムスロットｔにおける関心範囲（ＲｏＩ）の集合が、ＲｏＩ（ｔ）＝｛τ｜Ｖｔ（τ）＞η，∀τ｝として形成される。ここでηは現在の閾値である。時間変化する干渉及び雑音に適応するために、各タイムスロットｔの閾値としてＶｔ(τ )の中央値の倍数を使用することができ、すなわち、η（ｔ）＝αＭｅｄτ ［Ｖｔ（τ）］ であり、ここで、αは一定の係数を示し、Ｍｅｄτ ［・］ はτ上の中央値を示す。閾値として中央値を使用することができる理由は、実際にはターゲットが通常、監視エリア内にまばらに分布され、その結果、τにおけるまばらなＶｔ（τ）になるからである。
【0748】
人体部分から反射された全ての高周波信号が受信アンテナアレイによって捕捉されるわけではないため、特別な目標に対するＲｏＩは不連続である。図５４は、図５３と同じデータを用いて検出されたＲｏＩ５４００の一例を示す。理想的には、この例のためのＲｏＩが２つの被験者に対応する２つのサブセットの連続的な範囲を含むべきである。しかしながら、高周波信号の不均一な反射のために、４つのサブセットが検出される。したがって、ターゲットのいくつかの点は不完全なＲｏＩ検出のために失われる可能性があり、すなわち、ターゲットのいくつかの部分が失われる可能性がある。この問題を解決するために、図５４に示すように、連続範囲の任意の２つの隣接するサブセットを、それらの最短距離が閾値γ（τ）よりも小さい限り組み合わせる、未処理のＲｏＩに完了アルゴリズムが適用され、そこでは、完全かつ連続的なＲｏＩを完了するために欠落範囲が含まれる。しきい値γ（τ）は、デバイスにより近いターゲットがレンジのより広い範囲を占有するので、ターゲットのレンジに依存する。そうすることによって、ターゲットはデバイスまでの距離に関して分離され、ＲｏＩのそれぞれのサブセットは少なくとも１つのターゲットに対応しなければならない。
【0749】
一実施形態では、３次元情報のエクストラクションを実行するために、ＲｏＩのそれぞれのサブセットについて、ｍｍＴｒａｃｋはターゲットの存在を検出するために、その視野内の全ての考えられる方向をサーチする。ここで、ある方向に沿った特定の範囲は、空間内のセルとも呼ばれる。具体的には、図５５が１つの被検体のみがサブセット１の範囲内に存在する、ある方向（θ＝０°、φ＝２８°）に対するτに関する空間スペクトル５５００を示す。デバイスの雑音レベルに基づいて、経験的閾値β＝−３１ｄＢを適用して、雑音から信号を識別した。すなわち、ある範囲における空間スペクトルの値がβよりも大きい場合、ターゲットがそのセルを占有する可能性が高く、その結果、検出された点が得られる。検出された点の冗長性を低減するために、各方位に対して、ｍｍＴｒａｃｋは、ＲｏＩの各サブセットに対する代表点として極大値をとるだけである。これはまた、ミリ波が人体を透過することができず、そのエネルギーの大部分が反射され、人体の表面によって吸収されるという事実による。図５５に示されるように、ｍｍＴｒａｃｋは点５５１０として示されるＲｏＩのサブセット１内のターゲットの存在を検出するが、この特定方向についてはサブセット２内でターゲットは検出されない。検出点ごとの距離推定の精度を改善するために、ピークの２つの隣り合うサンプルを用いて、距離ディメンジョン（τ ）に単純なフラクショナルな１−Ｄ内挿を適用した。図５６は、２人のオブジェクトがそれぞれ（ｘ＝１ｍ、ｙ＝１ｍ）及び（ｘ＝３ｍ、ｙ＝０ｍ）に位置する２人または２オブジェクトの場合のオブジェクト検出結果５６００の一例を示す。空間スペクトルから抽出された２つの被験体の３次元情報は、（θ、φ、τ）形式からデバイスの位置をオリジンとするユークリッド空間の３次元位置（ｘ、ｙ、ｚ）へ変換されている。高空間分解能のために、提案したオブジェクト検出は（それらが物理的に分離しているときに）完全な人の姿をほぼ回復する。将来の有望な方向性として撮像におけるこの可能性は残し、本開示における複数人追跡に焦点を当てることができる。
【0750】
一実施形態では、ｍｍＴｒａｃｋシステムが個々のターゲットを識別するために、非監視クラスタリング技法であるｋ−平均法を主に使用することができる。入力はオブジェクト検出器の出力、すなわち、点のセット、Ｏ＝｛ｏｉ，ｉ＝１，・・・，Ｋ｝ であり、ここで、ｏｉ＝（ｘｉ，ｙｉ，ｚｉ，ｗｉ）は反射の大きさｗｉを有する位置（ｘｉ，ｙｉ，ｚｉ）における反射点を示し、Ｋは現フレームに対する検出点の総数である。ここでの目標は、ターゲットの数及び対応する位置を識別することである。しかしながら、クラスタリングのための Ｏ に直接に供給することは、満足のいく結果をもたらさない。したがって、ターゲット・クラスタリングを強化するために、技法のパイプラインを適用することができる。
【0751】
まず、その重みｗｉに応じて、無意味な点（通常は目標の境界上、または計測雑音のためにランダムな位置）を排除することによって、入力をリサンプリングすることができる。この洞察は、人体の異なる部分が同じ距離であっても、信号を異なるように反射することにある。例えば、典型的には、中心胴体が四肢よりも多くのエネルギーを反射し、その結果、反射信号の振幅が大きくなる。しかし、図５２Ａに示されるように、反射電力は距離にわたってかなり減少するので、再サンプリングは注意深く行う必要がある。
【0752】
一実施形態では、点 ｏｉ はその重みが、ｗｉ＜ｗ０である場合に除去される。ここでｗｏはダイナミック閾値である。より大きな電力を有するより多くのセルにわたる信号を反射するより近いターゲットについては、より高いしきい値のための余地を有することができる。離れたターゲットについては、小さな閾値で非常に少ない点の除去しかできない。したがって、ｗｏは、図５２Ａに示されるｄＢにおける電力分布の線形トレンドに続く、範囲ｒの線形関数として定義される。図５２Ｃは、重み付け再サンプリング５２３０の効果の例を示す。
【0753】
ｋ−平均法の鍵はクラスタの数ｋ、すなわち、ｍｍＴｒａｃｋにおけるターゲットの数を決定することである。この目的のためにシルエット分析を採用することができる。シルエット値は、隣接するクラスタまでの離間距離と比較して、点がそれ自体のクラスタにどの程度類似しているかを特徴付ける視覚的測定である。形式的には、ｉ番目のシルエット値は[この文献は図面を表示できません]
として定義される。ここでａｉは、同じクラスタ内のｉ番目の点から他の点までの平均距離であり、ｂｉは、その点から別のクラスタ内の点までの最小平均距離であると定義することができる。大きさ１のクラスタでは、ｓｉは、０と定義される。測定は、−１から＋１の範囲であり、より高い値は、点が隣接するクラスタから遠く離れていることを示す。次に、全てのデータ点にわたる平均ｓｉを用いて、データがどの程度適切にクラスタ化されたかを評価する。適切な範囲でｋを試行し、最高の平均シルエット値
[この文献は図面を表示できません]
を生成する値を選択することができる。
【0754】
ターゲットの数が連続するフレーム内で変動しないことを考慮すると、時間的制約を適用して、ｋ選択のロバスト性をさらに改善することができる。具体的には、ｋが過去のいくつかの推定値内の目標数の大部分と一致しない場合には、時間ｔの間[この文献は図面を表示できません]
を減衰させることができる。[この文献は図面を表示できません]
【0755】
ここで、κは１より小さいペナルティファクタであり、約１秒（１０フレーム）の短いウィンドウにわたるクラスタの個数の大部分である。次に、クラスタの数が[この文献は図面を表示できません]
として選択される。
【0756】
シルエット値は単一のクラスタ（すなわち、ｋ＝１）には適していないので、単一のクラスタが存在する傾向があるかどうかを事前に判定するために、検査者を構築することができる。開示されたアルゴリズムは全ての点Ｏ の大域的重心から始まり、半径εの接円内の点の最小数よりも大きい密度ｐを満たす全ての隣接点に反復的に展開する。プロシージャが終了すると、ｘ−ｙ平面に含まれる点によって囲まれるエリアを計算することができる。面積が十分に小さければ、単一の目標に対する１つのクラスタとしてデータを決定し、ｋ平均法をスキップする。点が見つからない特殊なケースでは、データポイントが別々であり、したがって、全体的な重心の周りに密な点がないので、複数のクラスタがあるはずである。アルゴリズムはｚ次元を伴わずに、ｘとｙ位置のみを含む。単一目標のケースを調べるアイデアは、ノイズ（ＤＢＳＣＡＮ）アルゴリズムによるアプリケーションの密度ベース空間クラスタリングに触発される。しかしながら、（図５２Ｂに示されるように）遠近効果のために異なるターゲットにわたってデータ密度があまりにも大きく変化するので、クラスタリングのためにＤＢＳＣＡＮアルゴリズムを直接使用しないことがある。図５７Ａは、本開示のいくつかの実施形態による単一のクラスタ検出５７１０の実例を示す。
【0757】
しかしながら、ｋ−平均アルゴリズムは、エラークラスタという結果になるかもしれない。典型的なエラーには２つのタイプがある、１）２つのターゲットの点が１つのクラスタとして誤ってマージされる、または２）１つの単一のターゲットの点が複数クラスタに誤って分割される。ロバスト性を改善するために、検出された目標点の幾何学的特性を活用することによって、事後検証技法をさらに実行することができる。最初に、ｋ−平均によって各々のクラスタのメドイドを計算することができる。次に、２次元平面内の２つの距離、すなわち、クラスタ内メドイド距離、すなわち、そのメドイドに対する同じクラスタ内のすべての点の距離、及びクラスタ間メドイド距離、すなわち、２つのクラスタのメドイド間の距離、を計算することができる。エラーの第１のタイプを補正するために、クラスタ内メドイド距離が、上面図における典型的な人間の大きさの最大値を表す所定の最大値を超える点の数を調べることができる。選択した点がクラスタのかなりの部分を形成する場合、それらは新しいクラスタとしてソートされる。図５７Ｂは、パーティション操作５７２０の一例を示す。ここでは、より一般的に使用される重心ではなく、メドイドを使用することが好ましい。幾何学的中心としての重心は、間違って含まれている点によって大きく偏ることになり、したがって、すべての点へのその距離は、平均的に小さくなるのであろう。これとは異なり、メドイドは、常時、真のクラスタの１つ内に制約され、他の真のクラスタ内の点へのより大きな距離を与える。
【0758】
第２のケースでは通常、得られるクラスタは点が同じ目標からのものであるため、互いに極めて近い。したがって、図５７Ｃに示すクラスタマージ５７３０のように、クラスタ間メドイド距離を調べ、これらの近いクラスタを１つとしてマージすることができる。
【0759】
上記のロバストなクラスタリングではいくつかのハイパーパラメータが使用されるが、これらのパラメータは大部分が人体の物理特性に関連しているため、環境に依存せず、一般に適用可能である。
【0760】
クラスタ化した結果を得るとき、対象の位置は、対応するクラスタに属する全ての点の幾何学的メドイドとして直感的に推定されてもよい。データ点毎に３次元座標を持つことができるので、目標の高さ情報は、クラスタ内のすべての点の最大高さとしても利用可能である。
【0761】
継続的な追跡及び計数は、複数の人またはオブジェクトの受動的な位置特定を達成した後に実行されてもよい。特定の時間におけるスナップショットが与えられると、ｍｍＴｒａｃｋは、人数及びそれらのそれぞれの位置推定値を出力することができる。しかしながら、複数ターゲットの軌跡を連続的に追跡することは、依然として課題を伴う。第１に、６０ＧＨｚの信号の視線（ＬＯＳ）制限のために、自由な動きの間、一方の人が他方の人によって完全にブロックされ、隠れた人をデバイスに見えなくすることがある。ミス検出は、明確なＬＯＳビューが存在する場合であっても起こり得る。第２に、測定ノイズによる誤警報がある。第３に、クラスタリング・アルゴリズムは誤ったターゲットの数を出力し、したがって誤った位置推定値を出力する可能性がある。以下に示すように、重み付け二部グラフマッチングを介して継続的な追跡問題を解決することによって、課題を克服することができる。
【0762】
ｑ個の軌跡が存在し、その各々において、最後の位置が時間ｔｉに（ｘｉ，ｙｉ）に現れると仮定する（ｕｉ＝（ｔｉ，ｘｉ，ｙｉ）、ｉ＝１，２，・・・，ｑとして示される。）。時間ｔでのｋ個のターゲットの最新の推定値をｖｊ＝（ｔ，ｘｊ，ｙｊ），ｊ＝１，２、・・・ｋ と示す。継続的な追跡の問題の目的は、最新の推定値のそれぞれを、現存する軌跡または新たに作成された軌跡に関連付けることである。簡単な解決策は、それぞれの新しい推定値を最も近い軌跡に結び合わせることである。しかしながら、このような欲張りな解決策は、頻繁なミスマッチにつながる可能性がある。その代わりに、全てのｋ個のターゲットに対する距離の合計を最小化することによって最適な関連付けを見つけることを試みることができる。
【0763】
このタスクを重み付け二部グラフマッチング問題としてモデル化することができる。図５８は、本開示のいくつかの実施形態による、例示的な重み付け加重二部グラフマッチング５８００を示す。図５８（ａ）に示すように、二部グラフの左側サブセットＵに頂点としてすでに存在するすべてのターゲットの最後の位置を維持することができる。ここでは、最近出現したターゲットのみを考慮することができる。言い換えれば、ある時間消滅したターゲットは離脱したとみなされ、対応する軌跡は単に終了される。右側の他のサブセットＶは、頂点としての最新のｋ個の位置推定値を含む。次に、ｕ∈Ｕ 及びｖ∈Ｖ の頂点のペア毎に方向付けされていない辺を追加することができる。それぞれの辺はｕとｖとの位置の間のユークリッド距離ｄｕ，ｖ として定義される重みを得る。次に、各々のサブセットにおける全ての頂点がマッチングのちょうど１つの辺に入射する、構築されたグラフの完全なマッチングを見つけることによって、新しく到着した推定値を現存する軌跡に関連付ける最適解を得ることができる。重み付け二部グラフに対する完全なマッチングを見つけることは、グラフ理論における古典的な問題であり、Ｋｕｈｎ及びＭｕｎｋｒｅｓ(ＫＭ)アルゴリズムによって解くことができる。
【0764】
完全一致は、各パーティションに等しい数の頂点を持つ二部グラフに対してのみ可能である。しかし、実際には、目標が行き来し、それぞれのサブセットの頂点の数が経時的に変化するかもしれない。この問題を克服し、完全な一致が存在することを確実にするために、より小さいサブセットに対して仮想頂点を使用することができる。具体的には、図５８（ｂ）に示すように、既存のターゲットが離れるか、または欠落している場合に、最新の推定においてより少ない頂点があり、存在しないターゲットとして偽の頂点を追加することができる。同様に、図５８（ｃ）において、新しいターゲットが存在し、Uにより少ない頂点が存在するとき、仮想頂点を挿入することができる。どちらの場合も、仮想頂点に関連するすべてのエッジに同一の重みｄ０を割り当てることができる。そうすることによって、確実な完全なマッチングを有する二部グラフを形成することができる。図５８（ｂ）の場合、仮想頂点に対応するマッチングは単に無視される。一方、図５８（ｃ）では、すべての仮想頂点について新しい軌跡が開始され、最新の推定値内の対応する位置が軌跡の開始位置になる。
【0765】
提案したアルゴリズムは固定数の目標を仮定しない。どれだけの人がいるかについての事前の知識も必要としない。次の推定値を、現存する又は新たに作成された軌跡に連続的に追加することによって、個々のターゲットの連続的な位置を追跡し、人数を確実に数えることができる。最後に、後処理のために軌跡上でスプライン平滑化を行うことができる。
【0766】
一実施形態では、ｍｍＴｒａｃｋをプロトタイプし、Ｑｕａｌｃｏｍｍ８０２．１１ａｄチップセットを使用して実世界の実験を行うことができる。一実施形態では、チップセットが２つのアンテナアレイを備えており、その両方が６×６トポロジに配置された３２個のアンテナを有する。１つの送信アンテナを構成して、既知のシーケンスのパルスを送信し、３２の受信エレメントの全てから信号を受信することができる。実験区域は半径約５メートルの１１０の扇形で、典型的な部屋をカバーするのに十分である。
【0767】
机、椅子、コンピュータ、テレビを備えた典型的な事務所ビルの１階で、２２歳から５７歳までの５人のボランティアを募集して試験を行うことができる。評価は２つのシナリオ、すなわち、ユーザが特定の位置に立っているか又は座って静止している静的な場合と、ユーザが同時に歩いている動的な場合とを含む。それぞれのケースについて、異なる数のユーザについて異なる位置及びトレースを試験することができる。位置エラーは、前にマークされたグランドトゥルーストレースに関して計算される。それぞれの推定値の真のユーザラベルを得ることができないので、推定値を最も近い真の目標に投影して位置エラーを計算することができる。
【0768】
図５９Ａは、動的及び静的シナリオそれぞれにおけるｍｍＴｒａｃｋの全体の追跡精度５９１０を示す。シナリオごとに、１人以上のユーザからの異なったトレースが統合され、結果が導き出される。図５９Ａに示されるように、移動する人物のみを追跡することができる既存の作業の多くとは対照的に、ｍｍＴｒａｃｋは、それぞれ９．９ｃｍ及び１９．７ｃｍの中央値精度、及びそれぞれ２２．５ｃｍ及び３５．６ｃｍの９０％精度で、静的及び動的シナリオの両方において高い精度を達成する。動的ターゲットの精度は静止ユーザよりも高いが、これは動的ユーザが時間ダイバシティを享受するからであり、これは相関行列Rhのより良好な推定に有利であり、従って、位置特定を改善する。
【0769】
位置エラーは、２D X-Y座標軸上で計算される。身長の推定における精度を評価することもできる。図５９Ｂに示すように、ｍｍＴｒａｃｋは、１１．４９ｃｍの中央値精度及び２２．８２ｃｍの９０％精度で目標高さ５９２０を推定する。評価において、地面からのターゲットの最大高さを計算することができる。
【0770】
ｍｍＴｒａｃｋがターゲットの数をどれだけ正確に検出できるかを調べるために、人々のカウントの正確さを評価することができる。結果は、動的及び静的ターゲットの１８Ｋ以上のスナップショットに基づいて得られる。図６０に示すように、ｍｍＴｒａｃｋは、３人未満のユーザがいるときにユーザ数を正確に推定する。しかしながら、より多くの人々が同時に存在する場合、人間の妨害及び同じ場所に配置されたターゲットのために、精度が低下する可能性がある。全般的に、ｍｍＴｒａｃｋは、それぞれ７９．０％及び９７．８％の確率で、エラーなし及びエラー≦１のターゲットの数を検出する。ターゲットは他のユーザから十分に分離されており、他のユーザによってブロックされていない限り、常にｍｍＴｒａｃｋによって検出することができる。図６３Ｇに示すように、ｍｍＴｒａｃｋは異なる位置にいる５人のユーザを正確にカウントし、位置を突き止める。しかし、結果はｍｍＴｒａｃｋがユーザ数をほとんど過大評価しないが、頻繁に過小評価することを示している。主な理由は２つ、ユーザ間の相互シャドウイングとミリ波の支配的な鏡面反射、両方とも、身体部分の欠落またはターゲットの欠落を引き起こす。
【0771】
ユーザ数に関する複数人位置特定のパフォーマンスを評価することもできる。図６１Ａ及び図６１Ｂにおいて実証されるように、ｍｍＴｒａｃｋは、複数のターゲットに対して、動的及び静的ケース６１１０、６１２０の両方において、一貫して高い位置精度を達成する。再び図６０を参照すると、より多くのユーザがより多くのミス検出につながるが、ロケーション精度にあまり影響しないと結論付けることができる。ターゲットが検出されると、ｍｍＴｒａｃｋは著しい精度で位置を推定できる。
【0772】
ｍｍＴｒａｃｋの性能は、目標物からデバイスまでの距離にわたって変化することがある。図６１Ｃに示されるように、レンジの影響を示す６１３０ように、中央値精度は劣化しないが、より大きな距離ではより大きなエラーが生じ、エラーの分散が増加する。例えば、４ｍの距離で９０％エラーは約６０ｃｍに届く、これは１ｍよりも２倍低い。これは、より大きなレンジでは反射信号が弱くなり、反射物のパーツが小さくなるため、予想通りである。
【0773】
ロバストクラスタリングのために提案された技術のゲインを調べることができる。図６２Ｂに示すように、ロバストなクラスタリングがなければ、目標計数性能６２２０は著しく劣化する。しかしながら、これらの計数エラーは図６２Ａに示すように、必ずしも位置エラー６２１０につながるわけではない。その理由は、目標位置推定のためにメドイドを使用することにある。誤ったクラスタのメドイドは依然として真のターゲットの１つに属し、したがって、小さな位置エラーに耐える。
【0774】
図６３における連続的なトレースの追跡のいくつかの例示的な実施例とともに、位置特定及び追跡の精度を評価することができる。図６３Ａ〜６３Ｇは本開示のいくつかの実施形態による例示的な無線追跡結果を示しており、未処理の推定値は「×」でマークされ、平滑化されたトレースがそれらの上に描かれている。グランドトゥルースは破線で示されている。図６３Ａ及び図６３Ｂは、単一のユーザのための文字形のトレース６３１０、６３２０を示す。図６３Ｃは２人のユーザが並んで歩き、２メートル離れているときのトレース６３３０を示し、他のユーザによってブロックされたときには、より遠い目標が検出されず、その軌跡が切断される。図６３Ｄは、２人のユーザについて、妨害がない状態で正確かつ連続的に追跡された位置及びトレース６３４０を示す。図６３Ｅは、３人のユーザについて、妨害がない状態で正確かつ連続的に追跡された位置及びトレース６３５０を示す。図６３Ｆは４人の移動ユーザがいる場合に、より頻繁に発生した欠落検出を伴う位置及びトレース６３６０を示す。５人のユーザの場合６３７０、図６３Ｇは、すべてが移動している場合、ユーザが別のユーザによって頻繁にブロックされる可能性があるため、静的シナリオにおける位置特定を主に評価することができることを示す。
【0775】
図６３Ａ ６３１０及び図６３Ｂ６３２０に見られるように、ｍｍＴｒａｃｋは、トレース形状または位置にかかわらず、単一ユーザに対して正確に移動軌跡を回復する。２人以上のユーザがいる場合、身体の妨害が起こることがある。図６３Ｃ−６３Ｆに示すように、これらの妨害された瞬間を除いて、異なるユーザのトレースが十分に維持され、認識される。しかしながら、図６３Ｃ及び図６３Ｆに示すように、連続的なミス検出は、特定のユーザの移動トレースをセグメントとして切断しうる。
【0776】
図６４は、本開示のいくつかの実施形態による、無線オブジェクト追跡のための例示的な方法６４００のフローチャートを示す。操作６４０２において、無線信号は、場所の無線マルチパスチャネルを介して場所内のオブジェクトに向けて複数のアンテナを使用して送信される。操作６４０４では、無線信号が複数のアンテナを有する無線マルチパスチャネルを通して受信される。操作６４０６において、受信された無線信号に基づいて、チャネルのチャネルインフォメーション（ＣＩ）のセットが取得される。操作６４０８において、ビームフォーミングは、ＣＩのセットに基づいて計算される。操作６４１０において、方向量（directional quantities）のセットが、ＣＩのセット及びビームフォーミングに基づいて計算される。様々な実施形態では、方向量のセットが空間スペクトルであってもよいし、ビーム形成における空間スペクトルの一部であってもよい。
【0777】
操作６４１２において、関心範囲（ＲｏＩ）が、方向量及びＣＩのセットに基づいて計算される。操作６４１４において、伝播遅延値のクラスタを結合及び／または除算することによって、ＲｏＩがリファインされる。動作６４１６において、関心点（ＰｏＩ）のセットが、ＲｏＩに基づいて計算される。関心点（ＰｏＩ）の組は、少なくとも１つのオブジェクトの動きの視覚的表現を形成することができる。視覚的表現は、イメージング、写真、ビデオ、概略表現、または他のプレゼンテーションであってもよい。動作６４１８では、ＰｏＩのセット内の点がリファインされ、クリーンにされる。動作６４２０において、ＰｏＩのセットにおけるクラスタは、メドイド間隔に基づいて検証される。操作６４２２において、オブジェクトの量、オブジェクトの位置、及び／またはオブジェクトの高さが計算される。操作６４２４では、オブジェクトの位置が時間と共に移動するときにそれらの位置を追跡することによって、それぞれのオブジェクトの軌跡が構築される。図６４の動作の順序は、本開示の様々な実施形態において変更することができる。
【0778】
別の実施形態では、無線オブジェクト追跡のための方法が図６４に示される方法と同様であり得、ここで、操作６４１２は方向量及びＣＩのセットに基づいて、関心のある方向（ＤｏＩ）を計算する操作に置き換えられる。ＤｏＩは関心のある方向のセットを含み、オブジェクトの存在についてさらに分析することができる。これに対応して、操作６４１４は、方向のクラスタを結合及び／または分割することによってＤｏＩをリファインする操作と置き換えることができる。次に、動作６４１６は、ＤｏＩに基づいて関心点（ＰｏＩ）のセットを計算するための動作に置き換えられ得る。
【0779】
一実施形態では、開示されたシステムを使用して、例えばミリ波信号などのＲＦ信号を使用して、複数のユーザを同時に受動的に位置決めし、追跡することができる。このシステムは、人数のカウント、人の追跡、ビルの自動化、周辺の安全、作業場の安全などに使用することができる。ビデオベースの人々カウントソリューションの多くの潜在的な顧客にとっての主要な関心事は、プライバシーである。この単一の懸念はしばしば、ビデオベースの人々カウント解決策を配備しないようにする。これとは対照的に、６０ＧＨｚを利用する開示されたシステムはプライバシーの問題なしに、施設内の人数計数情報を施設管理者に提供することができる。開示されたシステムは部屋に人がいるかどうか、及び部屋の人数を、人の数を示す視覚的表現で示し、決定できるが、人のアイデンティティは示さない。これは、会議室、スマートビル、ホテル、及びそれ以上のものの管理のようなアプリケーションにとって重要であり得る。例えば、ホテルは、部屋の占有率に基づいて、スマートなエネルギー効率の良いスマート照明または温度制御を実施することができる。
【0780】
別の例では、開示されたシステムは移動するオブジェクト、例えば、移動する人物の軌跡または移動経路を決定し、視覚的表現を用いて軌跡を示すことができる。これは、遊園地の迷路のプレーヤ、家庭、ホテルの警備システムによる侵入者の監視、またはマラソンのような長距離競技の追跡選手に適用することができる。
【0781】
一実施形態では、Ｎ１本のＴｘアンテナを備えたタイプ１デバイスが無線プローブ信号（例えば、６０ＧＨｚ信号、３．５ＧＨｚ帯域幅）でオブジェクト（例えば、人、ペット、物、生活物、非生活物）を「照らす」。プローブ信号は、オブジェクトによって変調される（反射、屈折、吸収、減衰、ドップラーエフェクトなど）。Ｎ２本のＲｘアンテナを持つタイプ２デバイスはプローブ信号を受信し、ＣＩ（例えば、チャネル状態情報またはＣＳＩ、圧縮ＣＳＩ、非圧縮ＣＳＩ、チャネルインパルス応答またはＣＩＲ、チャネル周波数応答またはＣＦＲ、ＲＳＳＩなど）のセット（例えばＮ１×Ｎ２個）を得る。各々のＣＩは、ＴｘアンテナとＲｘアンテナとのペアに関連付けられてもよい。ＣＩのセットに基づき、少なくとも１つのオブジェクトの追跡は、位置決め、場所監視／行動／活動／ふるまい／トレンド、位置／水平位置／高さ／移動／軌跡／経路／履歴／トレンド／カウント／グルーピング／分布／ヒートマップ／フォーメーション／存在／近接／距離／方向／速度／速さ／加速度／活動／ふるまい／反復行動／周期的運動／呼吸／心臓の鼓動／動作周期／、動作頻度、動作速度、過渡的動作検出、活動監視、活動検出、活動認識、監視、接近、後退検出、ジェスチャ認識、歩容認識、手書き認識、異常活動検出、転倒検出等の少なくとも１つを含む。
【0782】
少なくとも１つのオブジェクトは、１、２、３以上、または未知量のオブジェクトを含んでもよい。少なくとも１つのオブジェクトは人（例えば、成人、高齢者、子供、赤ん坊など）、または動物、またはペット、またはデバイス、または別のオブジェクトを含み得る。無線プローブ信号はプローブ要求、プローブ応答、問い合わせ、受信確認、問い合わせに対する応答、サウンディング信号、ビーコン、パイロット信号などであってもよく、ＣＩはチャネル状態情報（ＣＳＩ）、圧縮ＣＳＩ、非圧縮ＣＳＩ、ＲＳＳＩ、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、大きさ応答、位相応答などであってもよい。タイプ２デバイスは、タイプ１デバイスを含んでいてもよく、またはその逆であってもよい。タイプ２デバイスはタイプ１デバイスであってもよい。
【0783】
タイプ１デバイスは、無線信号を送信するための第１の無線チップ／集積回路／ＩＣを有しうる。タイプ２デバイスは無線信号を受信するための、第２の無線チップ／集積回路／ＩＣを有しうる。タイプ１デバイスは、タイプ２デバイスと同じであってもよい。第１のＩＣは、第２のＩＣであってもよい。Ｎ１Ｔｘ アンテナは、Ｎ２ Ｒｘ アンテナ、またはその逆を含む。Ｎ１はＮ２に等しくてもよい。Ｎ１本のＴｘ アンテナは、Ｎ２本のＲｘ アンテナの隣にあってもよい。Ｎ１Ｔｘ アンテナは、Ｎ２ Ｒｘ アンテナでも構わない。Ｎ１本のＴｘアンテナ（又はＮ２本のＲｘアンテナ）は、１次元、２次元又は３次元構成及び／又は格子状に配置することができる。１次元、２次元又は３次元格子は、規則的な間隔を有することができる。
【0784】
例えば、１−Ｄ／２−Ｄ／３−Ｄ構成はアンテナを均一に離間させても、不均一に（例えば、擬似ランダムに、又は局所的に均一に）離間させてもよい。例えば、１−Ｄ構成は直線（例えば、均一に離間された、または不均一に離間された）、複数の直線（例えば、２次元または３次元形状の輪郭）、及び／または２−Ｄ空間における１つ以上の曲線（例えば、円、円弧、三角形、平行四辺形、五角形、六角形、多角形、形状の輪郭、ジグザグパターン、形状充填線パターン）、及び／または３−Ｄ空間（例えば、螺旋、３次元オブジェクトの表面上の曲線、空間充填線パターン）に配置されたアンテナを有しうる。例えば、２−Ｄ構成は、１つ以上の長方形格子、円形格子、楕円形格子、三角形格子、六角形格子、多角形格子、及び／または他の配置されたアンテナを有しうる。２−Ｄ構成はマニホルド、メッシュ、または曲面（例えば、箱、球、オブジェクト、身体、身体の一部、及び／または別のアイテムの表面またはメッシュ上／周囲／近傍／近傍／関連する）に配置されたアンテナを有しうる。例えば、３次元ラティスは、３つの直交する軸を有してもよく、軸のそれぞれに特徴的な間隔がありうる。１次元、２次元、または３次元格子のいくつかのノードは、空（占有されていない）であってもよい。
【0785】
一実施形態では、ｍｍＴｒａｃｋの全体的なアルゴリズムが以下を含む。
【0786】
ａ)ビームフォーミング（例えば、アナログビームフォーミングよりも優れた空間分解能を達成するデジタルビームフォーミング）及び空間スペクトルの計算を行う。空間スペクトルは、方向（例えば、方位角、仰角など）及び距離（または深さもしくは距離、または関連する伝播遅延）を含む極座標に関して計算されてもよく、極座標の原点は、Ｒｘアンテナ及び／またはＴｘアンテナに関連する点であってもよい。また、空間スペクトルは、Ｒｘアンテナ及び／又はＴｘアンテナに関連した点での原点を伴う、幾つかのｘ、ｙ、及びｚ軸についての直交座標（例えば、幾つかの三つ（ｘ，ｙ，ｚ））に関して計算することができる。空間スペクトルは、１組の点（１組の方向及び１組の範囲／伝搬遅延に関連する）について計算することができる。ある点における空間スペクトルは、その点に関連する伝搬遅延（または範囲／距離／深さ）及び方向に関連する。
【0787】
ｂ)あるオブジェクトの存在について１組の範囲を試験すること、例えば、特定の範囲または伝播遅延について空間分散の分散を計算すること、及び分散が閾値よりも大きい場合に範囲をオブジェクトの存在と関連付けることを含む、ターゲット検出及び範囲発見。一実施形態では、範囲のセット（例えば、伝搬遅延）は各範囲についての変動性測定（例えば、分散）を計算することによって試験される。変動性測定は、いくつかの基準に対して試験される。オブジェクトが特定の範囲に存在する場合、変動性は大きくなる傾向がある。オブジェクトが存在しない場合、変動は小さくなる傾向がある。
【0788】
ｃ)ターゲット検出と距離測定は、オブジェクトの存在に関連する範囲のサブセットを含む、関心範囲（ＲｏＩ）のセットを計算することを含み、セットは範囲のクラスタのセットを含むことができ、（ｉ）同様のクラスタを１つに結合すること、及び／または（ｉｉ）１つのクラスタを２つのクラスタに分割することによって、ＲｏＩのセットをリファインすることができる。一実施形態では、ＲｏＩが試験結果に基づいて計算される。変動性測定が基準（例えば、閾値より大きい）を満たす場合、範囲が選択され、ＲｏＩに加えられる。例えば、変動性は、範囲の複数の値について計算される。特定の範囲についての変動性測定を試験するための閾値はその特定の範囲についてのすべての方向の変動性測定の関数（例えば、平均）に基づいて計算されてもよい。ＲｏＩは、クラスタ間の「距離」をテストし、２つのクラスタが互いに近い場合にはそれらを組み合わせることによってリファインすることができる。２つのクラスタを組み合わせるために、２つのクラスタ間のいくつかの「欠落」範囲をＲｏＩに追加することができる。
【0789】
ｄ) ＲｏＩに基づいて関心点（ＰｏＩ）の集合を計算することを含むターゲット検出及び３次元情報抽出は、空間スペクトル及び試験に基づいて何らかのオブジェクトの存在に関連する点のサブセットを含み、（ｉ）類似の／クラスタを１つに結合すること、及び／または（ｉｉ）１つのクラスタを２つに分割すること、または孤立した／孤立したＰｏＩを排除することによってＰｏＩの集合をリファインすることを含む。一実施形態では、方向（方向角、仰角）ごとに、１以上の連続するクラスタまたは範囲のセルを、ＲｏＩに基づいて識別することができる。典型的な値（すなわち、レンジまたは伝播遅延）または特性値が、クラスタまたはセルに対して選択される。特性値はＰｏＩに加算される。一方向に２つ以上のオブジェクトが存在し得るので、２つ以上のクラスタ及び２つ以上の特性値、例えば、それぞれのクラスタについて１つの特性値が存在し得る。ＰｏＩは欠けている点を追加することによって、及び／またはＰｏＩのクラスタを２つのクラスタに分割することによって、または孤立した「ノイズ様」ＰｏＩを除去することによって、隣接するＰｏＩを結合及び／または接続することによって、リファイン及び／またはクリーニングされてもよい。クラスタは、クラスタが何らかの「リンキング」ＰｏＩまたは「重要でない」ＰｏＩによってリンクされたＰｏＩの２つの密な「サブクラスタ」を含むことを決定するために分析されてもよい。次いで、リンキングＰｏＩを除去することによって、クラスタを２つのサブクラスタに分離することができる。
【0790】
ｅ) ＰｏＩ上でクラスタリングを実行することによって個々のターゲットまたはオブジェクトを識別することを含むターゲットクラスタリングであって、それぞれのオブジェクトがクラスタに対応し得る、ターゲットクラスタリングは、（ｉ）類似の／クラスタを１つに結合すること、及び／または（ｉｉ）１つのクラスタを２つに分割することによってメドイドに基づいてクラスタを検証すること、１つのクラスタを１つのオブジェクトに関連付けること、クラスタをカウントすることによってオブジェクトのカウントを計算すること、関連付けられたクラスタの特徴位置（たとえば、重心または加重平均または投影）を計算することによってオブジェクトの位置（または高さ）を計算することを含む。ＰｏＩは処理されてもよく、例えば、同様のＰｏＩは、クラスタにグループ化されてもよい。オブジェクトの代表的な位置はクラスタの特徴位置（例えば、重心または加重平均）であってもよい。オブジェクトの量またはカウントは、クラスタの数をカウントすることによって決定されてもよい。
【0791】
ｆ)オブジェクトが時間に渡り移動するときにその位置を追跡することによってその軌跡（または追跡）を計算することを含む継続的追跡。
【0792】
一実施形態では、時間ｔ−１において、Ｍ個のオブジェクトに対応するＭ個の軌跡が存在し得る。オブジェクトのカウントはＭ(またはそれ以上） にすることができる。時間ｔにおいて、Ｎ個のオブジェクトが識別されてもよい。Ｎオブジェクトのうちの１つまたは複数は（例えば、何らかの類似性または連続性に基づいて）Ｍ個の存在する軌跡のうちの１つまたは複数に追加され得る。１つのオブジェクトが２つ以上の軌跡に追加される場合、２つ以上の軌跡を１つにマージすることができる。Ｎオブジェクトのうちの１つまたは複数を使用して、新しい軌跡を作成することができる。Ｍ個の存在する軌跡のうちの１つまたは複数は（例えば、時間的にまたは永続的に）中断されてもよい。１つまたは複数のＭ個の既存の軌跡は、２つの軌跡に分割されてもよい。例えば、時間ｔ−１において、２つのオブジェクトがパスを横切り、１つの軌跡に「マージ」された。Ｎオブジェクトの１つ以上は、時間ｔ−１以前に消失した何らかの中断された軌跡に接続されてもよい。オブジェクトのカウントはＮ以上に更新されることがある。
【0793】
一実施形態では、Ｎ１本のＴｘアンテナが第１の２次元長方形アレイ（特性間隔がｘ方向及びｙ方向）に配置されてもよい。Ｎ２本のＲｘアンテナは、第２の２次元長方形アレイ内に配置されてもよい。第１の長方形アレイの法線方向（すなわち垂直方向）は、第２の長方形アレイの法線方向と平行であってもよい。第１及び第２の長方形アレイは、同一平面上にあってもよい。Ｔｘアンテナアレイ及びＲｘアンテナアレイは互いに隣り合っていてもよい（例えば、２０ｃｍ未満、または１０ｃｍ未満、または５ｃｍ離れていてもよい）。アレイの大部分の位置は１つまたは複数のアンテナによってそれぞれ占有されるか、または１つまたは複数のアンテナに関連することができるが、どのアンテナにもよっても占有されていないか、または任意のアンテナに関連付けられていないアレイの１以上の位置がありうる。長方形アレイの１つは、アレイの「中心」に「軸」（例えば、法線方向の線）を有する可能性がある。「中心」はアレイの重心またはその近傍であってもよい。アレイが軸をオブジェクトに近づけることによってオブジェクトに「照準」されてもよい。換言すれば、オブジェクトはアレイが「照準」している領域に入ることによってアレイの「監視領域」に入りうる。オブジェクトが軸上にあってもよい。または「軸」とアレイの「中心」とオブジェクトとを結ぶ仮想直線との間の角度が小さくてもよい（例えば、１０度未満、５度未満、または１度、または別の角度）。第１または第２の格子は、長方形または非長方形のアレイであってもよい。それは、局所的に長方形、三角形、または六角形、または円形、または他の格子パターンであってもよい。互いに角度をつけた２つの長方形格子をもつ混成格子であってもよい。
【0794】
バイスタティック構成では、タイプ１（Ｔｘ）及びタイプ２（Ｒｘ）デバイスが場所内の２つの異なる位置に配置された２つの異なるデバイスである。モノスタティック構成（レーダ状）では、タイプ１（Ｔｘ）及びタイプ２（Ｒｘ）デバイスが場所内に並置される（例えば、同じマシン／デバイス／ハウジング／実装／回路基板／モジュール／チップ内の同じ位置または同様の位置に配置される）。一実施形態では、タイプ１（Ｔｘ）デバイスとタイプ２（Ｒｘ）デバイスは同じデバイスである。
【0795】
以下は、開示された方法及びシステムを適用するいくつかの例を示す。例えば、ピーターは本開示の無線追跡システムを自宅に設置し、自宅の居間及び台所における自分の家族の活動を監視する。システムは、１つ以上のガジェットで動作する。彼は、リビングルーム内の位置に第１の無線送信機（タイプ１デバイス）と無線受信機（タイプ２デバイス）からなるシステムのベースガジェットと、それぞれ送信機（タイプ１デバイス）を含む複数の拡張ガジェットを設置する。インターネットから、ピーターは、無線追跡システムのベースガジェット（送信機と受信機の両方を有する）と、ルータ、メッシュルータ、ＩｏＴデバイス、テレビ、電子レンジ、スピーカ、セットトップボックス、家電、時計、スマートプラグ、スマートスイッチなどの無線追跡システムの追加ガジェット（送信機のみを有する）との多くの選択肢があることを知った。（送信機と受信機の両方を備えた）ベースガジェットは高価になる傾向があり、それぞれが完全な無線追跡システムとして機能できる。拡張ガジェット（送信機のみを有する）はより安価である傾向があり、無線追跡システム内で機能するためにベースガジェットと協働する必要がある。昨年のクリスマスでは、ピーターは無線追跡システム付きのスマートスピーカー（アマゾンエコーやグーグルホームに似ている）であるベースガジェット（送信機と受信機の両方を搭載）を購入した。リビングとキッチンの両方をワイヤレスで監視するためにリビングに設置した。
【0796】
送信機と受信機との間で無線信号を送信し、受信された無線信号からチャネルインフォメーション（ＣＩ）のセットを抽出することによって、システムは、ＣＩのセットに基づいてビームフォーミングを計算する。次に、関心点（ＰｏＩ）のセットを計算し、リビングルーム及び台所内の任意のオブジェクト（及びそれらの軌跡）を追跡する。ベースガジェットはクラウドサーバ（インストール時にＰｅｔｅｒが設定したインターネット接続が必要） と通信する。ピーターは自分のスマートフォンにソフトウェアアプリをインストールし、このアプリを使用してクラウドサーバを介して自分の家のリビングやキッチンを監視した。アプリを使用すると、誰かがいるか、何人いるかを知ることができる。また、システムは、その人物が妻、子供、または他の人物でありうるという表示を彼に与える。また、例えば、画像または関心点（ＰｏＩ）のセットを取得することによって、領域内でのそれらの動きを視覚化することもできる。
【0797】
彼はシステムを愛し、追加のスマートスピーカー（アマゾンエコーミニやグーグルホームミニに似ている）、スマートクロック、スマートライト、スマートプラグなどの安価な拡張機器を購入してシステムを拡大することに決めた。彼は家族の部屋を監視するために、ファミリールームに拡張ガジェットを置く。彼は廊下に前扉と廊下を監視するための拡張ガジェットを設置した。彼はガレージドアとトイレを監視するためにトイレの前に互いを設置した。彼はまた、彼が監視したい各部屋に一つを設置した。拡張ガジェットはそれぞれ、ベースガジェットの受信機に無線信号を送信する。ベースガジェット及び／またはクラウドサーバは、すべての送信機からの無線信号からのＣＩに基づいて、家屋の様々なエリアを監視する。今では、ピーターは仕事中や休暇中に自宅を監視することができる。彼はいくつかのオフィス（例えば会議室）及びいくつかの貯蔵施設を監視するのを助けるために、自分の仕事にいくつかのベースまたは拡張ガジェットをインストールしたいと思っている。
【0798】
８０２．１１ａｄテクノロジーの継続的な発展は、無線センシングにおいて新しい機会を提供する。本開示は、商用の６０ＧＨｚ ＷｉＦｉ上に構築された静止／非静止ユーザを検出し、呼吸速度（ＲＲ）ならびに心拍数（ＨＲ）を推定することができる、較正不要のリモートバイタルサイン監視システムであるＶｉＭｏ（Vital sign Monitoring system）を開示する。ＶｉＭｏのデザインは、２つの重要な成分を含む。まず、静止オブジェクト、静止した被験者及び動いている人間をキャリブレーションなしに識別できる適応オブジェクト検出器をデザインできる。第２に、チャネルインパルスレスポンス（ＣＩＲ）の位相から呼吸信号を除去して、呼吸から高調波の妨害を除去し、ランダムな測定雑音を阻止するダイナミックプログラミング（ＤＰ）を適用して、ロバストなＨＲ推定器を考案することができる。人間とデバイスとの間の距離、ユーザの向きと入射角、妨害物質、身体の動き、及びマルチユーザ分離の状態を含む様々な設定の影響を、広範な実験によって調べた。実験結果は、ＶｉＭｏがＲＲ及びＨＲ推定のために、それぞれ、０．１９呼吸／分（ＢＰＭ）及び０．９２ＢＰＭの中央値エラーで、ユーザのバイタルサインを正確にモニタすることを示す。
【0799】
このシステムでは、市販のルータですでに利用可能である、新しい６０ＧＨｚ ＷｉＦｉ(例えば、８０２．１１ａｄ）におけるチャンスを活用することによって、２．４ＧＨｚ／５ＧＨｚ ＷｉＦｉの制限を壊すことができる。開示されたＶｉＭｏは、インパルスベースのコモディティな６０ＧＨｚミリ波（ミリ波）デバイスを用いて、複数人の静止／非静止検知及びバイタルサイン監視を達成する最初のシステムである。２．４ＧＨｚ／５ＧＨｚ無線とは異なり、６０ＧＨｚ ＷｉＦｉは、ミリ波長のおかげで小さいサイズで大きなフェーズドアレイを有する高い指向性と大きな帯域幅によってもたらされる正確なタイムオブフライ測定とを提供する。６０ＧＨｚラジオの進歩はより高い空間分解能と距離（レンジ）分解能を可能にし、複数の人の呼吸と心拍数を同時に監視することができる。
【0800】
しかし、６０ＧＨｚのＷｉＦｉを使用して複数人のバイタルサイン監視を可能にすることは容易な作業ではない。この目標を達成するためには、複数の課題に対処する必要があるかもしれない。第１に、バイタルサイン推定の前に人間の被験者の位置を突き止めることは簡単ではない。キャリア周波数が高いため、信号は伝搬距離にわたって急激に減衰し、遠方のターゲットの位置を特定することが困難になる。さらに、チップ上の自動利得制御（ＡＧＣ）モジュールは、異なる測定にわたってＣＩＲの振幅を変更させる。この課題に対処するために、各測定に対して、３次元空間内の雑音レベルを適応的に推定するためのレンジ及び角度ディメンジョンの２つのコンスタント誤警報検出器を採用することができ、従って、目標検出のための適応しきい値を提供する。
【0801】
第２に、複数のユーザ及び周囲のオブジェクトからの反射を考えると、静止反射オブジェクト及び静止／非静止ユーザを区別することは依然として困難である。この課題を克服するために、電磁波の進行距離の変化に対するＣＩＲ位相の感度を活用することによって、新しい動き検出器を考案することができ、これは、人間の被験者からの大きな無作為な身体運動（ＲＢＭ）ならびに周期的な呼吸運動、及び静止反射オブジェクト（例えば、壁面、扉、及び家具）からの測定雑音を識別することができる。
【0802】
第３に、人間の胸の動きは呼吸と心臓の鼓動の両方によって誘発され、心臓の鼓動によって引き起こされる距離変化は呼吸信号よりも大きさが弱い。心拍数は通常呼吸数よりも高いが、真の心拍数と呼吸信号のハーモニックを区別するのは困難である。この課題に対処するために、最初に呼吸信号の波形を推定し、次にそれを時間領域で除去することができる。心臓の鼓動信号がランダム測定雑音に容易に覆い隠される問題に更に取り組むために、心拍数の静止特性を利用し、心拍数の正確な推定を得るためにスペクトログラムでダイナミックプログラミング（ＤＰ）アルゴリズムを適用することができる。
【0803】
商用オフザシェルフ（ＣＯＴＳ）６０ＧＨｚ ＷｉＦｉ無線機をレーダ様のデバイスとして再利用することによってＶｉＭｏの試作品を構築し、単一の人及び複数の人のシナリオ、ＬＯＳ及びＮＬＯＳ条件などを含む様々な設定下で性能を評価するための広範な実験を実施した。実験結果はＶｉＭｏが、ＲＲ及びＨＲ推定のために、それぞれ０．１９ＢＰＭ及び０．９２ ＢＰＭの中央値エラーで正確な推定を達成することを示した。さらに、ＶｉＭｏは、９７．８６％の検出率で、複数のユーザを正確に検出する。ＶｉＭｏシステムは、８０２．１１ａｄ無線を介した実用的な複数人バイタルサイン監視に向けて大きな一歩を踏み出している。
【0804】
ＶｉＭｏは人間の被験者を正確に検出し、ユーザの身体からの高周波信号の反射を純粋に使用することによってそのバイタルサインを推定することができる無線システムである。本開示の一実施形態によるＶｉＭｏのプロセスの流れを図６５に示す。
【0805】
６０ＧＨｚ ＷｉＦｉを使用して複数人非接触バイタルサイン監視を可能にすることは、いくつかの課題に直面する。第１に、６０ＧＨｚ高周波信号の速い減衰のために、大きな距離で反射される信号の強度は、短い距離でのそれよりはるかに小さい。したがって、人間の被験者の静止／非静止状態を検出することは言うまでもなく、事前の校正なしに人間の被験者を検出することは困難である。第２に、微小な心臓の鼓動信号は測定雑音によって容易に破壊され、大規模呼吸信号によって隠蔽される。したがって、心拍数を推定する際に、呼吸及び測定雑音からの妨害に抵抗するように専用のシステムを設計すべきである。
【0806】
人間の被験者を様々な距離で検出するために、様々な距離で適応的に雑音レベルを推定し、従って反射オブジェクトの存在を検出する反射オブジェクト検出器を適用することができる。人間の被験者を静的オブジェクトからさらに区別するために、静的オブジェクト、静止した人間の被験者、及び大きな身体運動を有する人間を識別する動き検出器をデザインすることができる。ターゲットクラスタリングモジュールは、人間の被験者の数及びそれらのそれぞれの位置をさらに識別するために実装される。さらに、心拍数のロバストな推定を行うために、最初に、呼吸速度が推定された後の呼吸信号からの妨害を低減するための呼吸信号除去器を考案することができる。除去器は呼吸信号の高調波を除去することができ、呼吸周期がわずかに変更するときに呼吸頻度成分の広がりに対処することができる。ランダム測定ノイズに対処するために、心拍数の静止特性を活用し、ダイナミックプログラミングを適用して、頻度及び時間ダイバシティの両方を利用して心拍数を推定することができる。
【0807】
バイタルサインの影響を伴うＣＩＲモデリング
【0808】
人の胸から反射されたＥＭの伝達距離をｄ（ｔ）とすると、ＴｘアンテナｍとＲｘアンテナｎとの間のＣＩＲは[この文献は図面を表示できません]
と表される。ここでａｍ，ｎ（ｔ）は複素チャネルゲイン、λｃはキャリアの波長を表す。バイタルサイン、すなわち呼吸と鼓動、の変調ために、ｄｍ、ｎ（ｔ）は２つの周期信号の組み合わせであると見えて、これはさらに[この文献は図面を表示できません]
として表される。ここで、ｓｒ（ｔ）とｓｈ（ｔ）は呼吸と心臓の鼓動による距離の変化を表す。ｄ０（ｍ，ｎ）＝ｌＴｓｃ＋Δｄ（ｍ、ｎ） 、ここでＴｓ＝１／Ｂは高速時解像度を表し、Ｂはシステム帯域幅を表す。ここで、反射信号は残差Δ ｄ（ｍ，ｎ）のある測定されたＣＩＲのｌ番目タップに入ると仮定することができ、したがってＣＩＲのｌ番目タップ、ｈｌ（ｔ）＝［ｈ１，１（ｔ），ｈ１，２（ｔ），・・・，ｈＭ，Ｎ（ｔ）］Ｔ は、[この文献は図面を表示できません]
と表すことができる。ここで、ｄ０＝［ｄ０（１，１），ｄ０（１，２），・・・，ｄ０（Ｍ，Ｎ）］Ｔ 、ａ（ｔ）＝［ａ１，１（ｔ），ａ１，２（ｔ），・・・，ａＭ，Ｎ（ｔ）］Ｔ 及びｅはエレメントワイズな積を表す。ａ（ｔ）は、被検体の微小な動きのために時間不変であると仮定することができ、共通の位相シフトは、[この文献は図面を表示できません]
ビームフォーミング後のＣＩＲは[この文献は図面を表示できません]
として表現される。ここでｓ（θ、φ）は、図６６Ａに示されるような方向（θ、φ）を指すステアリングベクトルでありε（ｔ）は、異なるリンクに対して独立かつ同一に分布（Ｉ．Ｉ．Ｄ）する加法性白色ガウス雑音を表す。ＣＩＲ測定の位相は式（６９）に示すように、呼吸と心臓の鼓動の周期的運動により、ゆっくりと周期的に変化することが明らかである。図６６Ｂは、開示されたシステムによって収集されたバイタルサインを含む典型的な位相信号を示す。
【0809】
ターゲット検出
【0810】
様々な室内オブジェクト（例えば、壁面、机など）が電磁波を反射するので、バイタルサインの監視を開始する前に、まず、Ｔｘ及びＲｘの近傍の被験者を検出する必要があり得る。人間の被験者は身体運動を有することがあり、したがって、長期的に自分の位置を変更することになり、ＶｉＭｏは測定の継続時間を複数のブロックに分割し、各ブロックは、Ｗ秒のＣＩＲ測定を含む。２つの隣接するブロックはＷ−Ｗｓ秒だけオーバーラップし、ここで、Ｗｓはスライディングウィンドウの長さである。
【0811】
反射オブジェクトの検出
【0812】
６０ＧＨｚでのＲＦ信号は距離と共に激しく減衰するので、同じオブジェクトからの反射エネルギーは距離と共に変化する。人間の被験者の位置を突き止めるために、最初に、どの空間セルが反射オブジェクトを有するかを識別する必要がある場合がある。
【0813】
反射オブジェクトがない場合とセル（θ、φ、ｌ）で静止反射オブジェクトがある場合のＣＩＲは、それぞれ次のように表すことができる。[この文献は図面を表示できません]
と[この文献は図面を表示できません]
反射オブジェクトがあるときの電力レスポンスは、空のタップよりもはるかに大きいことは明らかである。しかしながら、ターゲット検出のための汎用の所定の閾値を見つけることは不可能である。電磁（ＥＭ）波の伝播法則によれば、同じ反射オブジェクトに対して、より短い距離は、より大きな反射エネルギーに対応する。さらに、自動利得制御（ＡＧＣ）モジュールのために、ＣＩＲの振幅は、異なる測定に対して変化する。
【0814】
各ブロックに対する適応電力しきい値を見つけるために、ＶｉＭｏはターゲット検出のためのコンスタント誤警報率（ＣＦＡＲ）アルゴリズムを利用した。試験中のセル（ＣＵＴ）に対する雑音レベルの電力は、隣接するセルの電力を平均化することによって推定される。さらに、ガードセルは、ＣＵＴ自体からの電力による推定値の破損を回避するために使用される。
【0815】
具体的には、各ブロックについて、ＣＦＡＲ検出器の入力は全てのＣＩＲ測定の時間平均振幅、すなわち、[この文献は図面を表示できません]
であり、ここでＦｓはサンプリング速度である。同じオブジェクトの異なる距離での反射信号強度が異なるのであろう電磁波の減衰特性を考慮すると、図６７Ａに示されるように、反射オブジェクトの範囲を決定するために、１次元−ＣＦＡＲが採用される。セクター（θ、φ）ごとに、ＶｉＭｏはＣＩＲ 測定値 ｈθ，φ（ｌ）をＣＦＡＲ ウィンドウで畳み込み、[この文献は図面を表示できません]
推定雑音レベルをスケーリングするためにスケーリング係数αを適用した。このように、[この文献は図面を表示できません]
反射オブジェクトを伴うタップは図６８に示されるように、振幅が検出閾値を上回るものであるべきである。（θ，φ）方向におけるノイズレベルを決定するために、タップｌのために２次元−ＣＦＡＲをさらに採用することができ、ここで、ノイズレベル[この文献は図面を表示できません]
は図６７Ｂに示されるように、ＣＩＲ測定値ｈｌ（θ，φ）を２次元−ＣＦＡＲウィンドウとコンボリューションすることによって推定される。推定されたノイズレベルをスケーリングするためにスケーリング係数βが適用される。反射オブジェクトは、ＣＩＲ測定値ｈ（θ，φ，ｌ）が[この文献は図面を表示できません]
を同時に超えているセル内にあるべきである。ここで、反射オブジェクト１Ｒ（ｌ，θ，φ） の指標を、[この文献は図面を表示できません]
として定義できる。ここで１｛・｝は指標関数である。
【0816】
ＣＦＡＲ検出器はどのセルが反射オブジェクトによって占有されているかを識別することができるが、反射が人間に由来するか否かを区別することはできない。人間の被験者は静止オブジェクトとは異なった特有な特徴である運動（呼吸またはＲＢＭのいずれかからの）を常時伴い、人間の被験者を識別するための動き検出器をデザインすることができる。さらに、無線バイタルサイン監視システムの大部分は計測中に人間の被験者が１人しか存在せず、ＲＢＭが存在しないことを想定しており、したがって、人間の被験者を見つけるプロシージャは省略され、これは、実際の展開にとって自然でも現実的でもない。したがって、この部分では、ＶｉＭｏが静止反射オブジェクト、静止した人間の被験者、及びＲＢＭを有する人間を識別することを可能にする動き検出器をデザインすることができる。
【0817】
静止した反射オブジェクトの検出
【0818】
静止した被験者が呼吸と心臓の鼓動による動きを導入することができ、呼吸により起きる距離の変化が式６９にしたがう位相変化により識別できるどころか、反射オブジェクト検出器により選択された各候補セル（θ，φ，ｌ）についてのＣＩＲ測定値Ｖｔ（θ，φ，ｌ）の位相の変化は、[この文献は図面を表示できません]
として定義できる。ここでＶａｒｔ｛・｝はパラメータｔにわたる分散、∠ は複素値の位相を表す。式７２に示すように、静止した反射オブジェクトに対して、Ｖｔ（θ，φ，ｌ）は小さくなるが、人の被験者が居るセルについては、呼吸又はＲＢＭが大きなＶｔ（θ，φ，ｌ）を与える。ＶｉＭｏは、所定の閾値ηminを利用して、もしＶｔ（θ，φ，ｌ）＜ηminであれば静止反射オブジェクトを識別する。位相信号及びその分散値は、それぞれ図６９Ａ及び図６９Ｄに示されている。
【0819】
図６９Ａ〜６９Ｆはターゲット検出のための例示的な位相を示し、ここで、静止した被験者の参照ＲＲは、本発明のいくつかの実施形態による１６ＢＰＭである。図６９Ａ−６９Ｃは静止オブジェクト、静止した被検体、及び運動中の人間にそれぞれ対応する位相信号を示し、図６９Ｄは、図６９A−６９Ｃ中の信号の位相分散を示す。図６９Ｅ−６９Ｆは、それぞれ図６９Ｂ及び図６９ＣのＡＣＦを示す。
【0820】
静止した人間の被験者の検出
【0821】
静止の人間の被験者については式（６７）による位相計測において周期的な呼吸信号を観察することができ、図６９Ｂは静止した被験者の位相の例を示す。静止した被験者を有するビンは、Ｖｔ（θ，φ，ｌ）＞ηmin、及びその周波数が[ｂｍｉｎ，ｂｍａｘ]内にある周期的位相信号を有するであろう。
【0822】
周波数分解能は Δｆ＝６０／Ｗ呼吸／分（ＢＰＭ）であり、ここで、ウィンドウ長Ｗは秒である。したがって、呼吸数の許容可能な推定精度を得るために、ウィンドウ長は十分に長くなければならず、これは大きな遅延を引き起こす。開示されたシステムでは、周期性を評価するために、候補ＣＩＲ位相の自己相関関数（ＡＣＦ）を調べることによって、統計的手法を採用することができる。
【0823】
ここでＣＩＲ位相変化測定値の時変部分は、 [この文献は図面を表示できません]
として表される。ここでｎ（ｔ）は雑音によって導入されたランダム位相オフセットであり、ＣＩＲ位相測定の時変部分を、雑音によって導入されたランダム位相オフセットであるように示すことができ、また、時間インスタンスにおいて独立なランダム変数である。したがって、ｙ（ｔ）でのＡＣＦは[この文献は図面を表示できません]
として計算される。式中、τ はタイムラグを示し、Cov[・]はｃｏｎ−共分散演算子を示す。心臓の鼓動Sh(t)によって起きる距離の変化を呼吸Sr(t)によって起きる距離の変化と無相関と仮定すると、ρ（τ）は次のように表される。[この文献は図面を表示できません]
ここで、Var[ｙ（ｔ）]＝Var[Sr(t)]＋Var[Sh(t)]＋Var[ｎ（ｔ）]。ρｒ（τ）、ρｈ（τ）及びρｎ（τ）はそれぞれ呼吸、心臓の鼓動、及び雑音のＡＣＦを表す。Var[Sr(t)]＞＞Var[Sh(t)] 及び、 Var[Sr(t)]＞＞Var[ｎ（ｔ）] 有することができるので、次の近似、[この文献は図面を表示できません]
を有することができる。ＡＣＦは図６９Ｅに示されるように、呼吸周期に対応するある遅延で明確なピークを有する。
【0824】
動き検出
【0825】
ランダムボディモーション（ＲＢＭ）は、無線バイタルサイン監視に対する最も困難な技術的課題の１つであった。心臓の鼓動によって引き起こされるミリメートル規模の胸部運動と比較して、ＲＢＭの規模は数十センチメートルであり得る。ＲＢＭによるＣＩＲ位相測定値の時変部分は、[この文献は図面を表示できません]
としてモデル化できる。ここでSｍ（ｔ）は動きによって生じる距離の変化である。図６９Ｃは、動きを伴う位相の例を示す。ＲＢＭのスケールが呼吸信号よりもはるかに大きい場合、変動はＶａｒ［ｓｍ（ｔ）］＞＞Ｖａｒ［ｓｒ（ｔ）］＞＞Ｖａｒ［ｓｈ（ｔ）］ 、したがって、Ｖｔ（ｌ，θ，φ）＞ηｍａｘ、ここでηｍａｘ は所定の閾値である。被験者が中等度のＲＢＭを有する場合、位相の分散はしきい値内にあり得るが、ＲＢＭはほとんどの場合周期性を欠いているので、図６９Ｆに示すように静止の場合のようにピークρ（τ ）を観察することはできない。したがって、動き指標１Ｍ（・）は、[この文献は図面を表示できません]
として定義される。ここで１（・）は指示関数がどこであり、τｂはＡＣＦρ（τ）の最初のピークであり、Γは所定の閾値である。
【0826】
セルマージ／クラスタリング
【0827】
複数のセルが一人の人の被験者から反射されたＲＦ信号を有するため、ターゲット数及びバイタルサイン監視を決定する前に、ターゲットクラスタリング法を使用すべきである。人体の大きさを考慮すると、これらのセル間の空間距離がしきい値ｄｍｉｎ内であれば、それらを一つのクラスタに併合することができる。静止セルのクラスタ中心は、ヒト胸部を有するセルに対応する、最大のＡＣＦピークを有するセルである。それぞれのクラスタに対するＲＢＭセルの中心は、最大の体の動きを有するセルに対応する、Ｖｔ（θ，φ，ｌ）が最大のセルである。静止している人であっても、胸部から離れた身体部分から身体運動をすることができる。したがって、静止セルとＲＢＭセルとの間の距離が閾値ｄｍｉｎよりも小さい場合、これらのセルは同じ人物に属し、クラスタの中心は静止セルを表すはずである。
【0828】
図７０はセルマージングの例を示しており、グランドトゥルースは、典型的な室内事務所において、被験者がデバイスから１ｍ離れて座っていることである。ＣＦＡＲ検出器で検出した反射オブジェクトを青色の円で示した。動き検出器はさらに、赤ひし形及び緑正方形としてそれぞれ示される、静止被写体及びＲＢＭを有するセルを区別する。ターゲットの代表は、濃い黒いひし形で示されている。
【0829】
心拍数推定
【0830】
ＶｉＭｏは、静止被験者が検出されると、心拍数推定部をイネーブルにする。セルが静止呼吸信号を含むかどうかを判定するためにＡＣＦを用いて周期性を確認できるので、呼吸周期は、ピークの位置ρ（τ）のτｒを見つけることにより容易に決定でき、呼吸速度は、[この文献は図面を表示できません]
呼吸／分（ＢＰＲ）である。
【0831】
図７１Ａ〜７１Ｃは、本開示のいくつかの実施形態による、心拍数のグランドトゥルースが７６ＢＰＭで呼吸妨害除去の例示的な効果を示す。図７１Ａは呼吸信号の平滑化スプライン推定値を示し、図７１Ｂは呼吸信号除去後の残差を示し、図７１Ｃは、元の位相及び残差信号の電力スペクトル密度（ＰＳＤ）を示す。
【0832】
心臓の鼓動は胸部の微小な動きを導くことができ、これは、図７１Ａに示されるように、アンラップされた段階において小さなピークとして検出することができる。これまでの研究は心拍数を推定するために、周波数解析及び帯域フィルタ（ＢＰＦ）を直接的に利用しようと試みてきた。しかしながら、呼吸によって導入される高調波のために、図７１Ｃの青い線で示されるように、推定のために誤ったピークを拾い上げることは容易である。したがって、より高い推定精度を得るために、心拍数推定の前に呼吸信号を最初に除去することができる。したがって、より高い推定精度を得るために、心拍数推定の前に呼吸信号を最初に除去することができる。
【0833】
呼吸の妨害の除去
【0834】
呼吸信号を除去することにより、心臓の鼓動信号の信号対干渉雑音比（ＳＩＮＲ）を改善することができ、したがって推定精度を改善することができる。多項式フィッティングは、呼吸運動を除去するために使用されてきた。しかし、多項式フィッティングの主な欠点の一つは次数選択である。順序が経験的経験によって選択される場合、アンダーフィッティングまたはオーバーフィッティングが、実験設定が変更された場合（例えば、サンプリングレートまたはウィンドウの長さの変更）に容易にトリガーされうる。その上、除去効果も呼吸速度と関連している。言い換えれば、同様の除去効果を達成するために、多項式次数はユーザの呼吸速度に適応しなければならず、これはロバストな日々の配備には実用的ではない。この影響を回避するために、ＶｉＭｏは、呼吸信号を推定するために平滑化スプラインを採用する。
【0835】
現在のウィンドウ内の観測のセットを、｛ｔｉ，ｙ（ｔｉ）：ｉ＝ｔ０，ｔ０＋ＴＳ，・・・ｔ０＋Ｗ｝とし、ここでＴＳ＝１／ＦＳは、２つの隣接するサンプル間の時間間隔であり、ｔ０は観測ウィンドウの初期時間であり、Ｗはウィンドウ長とする。心臓の鼓動信号と比べた、呼吸信号は大きな距離の変化と低い周波数を有し、したがって呼吸信号ｓｒ（ｔ）の推定は、[この文献は図面を表示できません]
の解である。ここでλ≧０は平滑化パラメータである。第２項は、関数の滑らかさを評価する。平滑化パラメータは、データに対する忠実度と関数推定の平滑度との間のトレードオフを制御する。[この文献は図面を表示できません]
として定義される。ここでｆｉ（ｔ）は、スプライン基底関数の集合である。この作業では、スプライン基底としてＢスプラインを使用することができる。
【0836】
式（８１）の最適解を得るために、最初にベクトル、[この文献は図面を表示できません]
を定義することができ、粗さペナルティは、[この文献は図面を表示できません]
を有する。[この文献は図面を表示できません]
と書くことができる。ここで、ｙ＝（ｙ（ｔ０），・・・ｙ（ｔ０＋Ｗ））Ｔである。式８４のミニマイザは、したがって、[この文献は図面を表示できません]
【0837】
呼吸信号の除去後の心臓の鼓動はしたがって、[この文献は図面を表示できません]
ここで、ｆ（ｔ）はスプライン基底関数のベクトル形式である。
【0838】
図７１（ａ）の破線は、呼吸信号の推定を示している。呼吸信号除去後、通過帯域［ｈｍｉｎ，ｈｍａｘ］を有する帯域通過フィルタ（ＢＰＦ）を適用した後の残留信号のスペクトルは、図７１Ｃに黄色の破線で示されている。同じＢＰＦを用いて呼吸信号を除去しない位相のスペクトルを青色実線で示す。呼吸排除後の心臓の鼓動信号の信号対干渉雑音比（ＳＩＮＲ）が高められることは明らかである。具体的には、呼吸信号を排除することにより、１．６５ｄＢから５．６５ｄＢに高められている。
【0839】
スペクトログラムを用いた心拍数推定
【0840】
呼吸信号除去は心臓の鼓動信号のＳＩＮＲを向上させることができ、したがって、心拍数推定の精度を向上させることができる。しかしながら、ランダム測定雑音は、ある時間インスタンスで推定を依然として破壊する可能性がある。推定精度をさらに向上させるために、ＶｉＭｏでは、心拍数の静止特性を活用し、信頼性のある推定のために周波数領域及び時間領域の両方でダイバシティを利用することができる。
【0841】
心拍数は時間と共に滑らかに変化することができ、マルコフプロセスとして心拍数をモデル化することができ、ここで、２つの隣り合う時間ビン間の心拍数の変動は正規分布Ｎ（０，σ２）に従い、確率密度関数（ＰＤＦ）はｐ（ｆ）として示される。呼吸信号除去の後、残差に対して高速フーリエ変換（ＦＦＴ）を実行し、それぞれのウィンドウのＰＳＤを連結して、図７２に示されるようなスペクトログラムを得ることができ、ここで、白線は心電図センサによって測定されたグランドトゥルースを示し、黒色は推定結果である。
【0842】
ＦＦＴの操作は［ｈｍｉｎ，ｈｍａｘ］の範囲の連続周波数を[この文献は図面を表示できません]
心拍数はマルコフ連鎖としてモデル化することができ、[この文献は図面を表示できません]
として定義され、[この文献は図面を表示できません]
は所与の時間における周波数成分を示す写像であり、Ｎは所与のスペクトログラムの全時間インスタンスである。
【0843】
心拍信号は、原則として騒音や他の動きの妨害よりも周期的である。したがって、ほとんどの場合、ピークとして観察される可能性が高い。さらに、人の心拍数が短期間内にあまり変動しないことを考慮すると、心拍数の推定は、周波数電力と時間的な平滑性との間の良好な均衡を達成するトレースを形成することはずである。
【0844】
最も確率の高い心拍数トレースは、[この文献は図面を表示できません]
を解くことによって見出さされる。ここで、κは正規化計数、ｇはトレースとして示される。ここで、[この文献は図面を表示できません]
【0845】
Ｅ（ｇ）はトレースｇの電力であり、[この文献は図面を表示できません]
として定義される。ここで、ε（ｎ，ｑ）は時間ビンｎ、周波数成ｑ分におけるエネルギーを表す。トレースの平滑さは、
[この文献は図面を表示できません]
として定義されるコスト関数Ｃ（ｇ）により評価される。ここで周波数遷移確率Ｐ（ｇ（ｎ−１），ｇ（ｎ））は式（８７）によって計算できる。一般性を失うことなく、均一な事前分布を仮定することができる。すなわち。
[この文献は図面を表示できません]
【0846】
この問題は、ダイナミックプログラミングによって解決することができる。さらに、明確にするために、ビン（ｎ，ｑ）におけるスコアを、最初に、最大の達成可能な正則化されたエネルギーとして定義することができ、すなわち、[この文献は図面を表示できません]
ここで、Ｓ（１、ｑ）＝ε（１，ｑ）＋λｌｏｇＰ（ｇ（１）＝ｑ）。さらに、Ｓ（ｎ，ｑ）は前のトレースの平滑性及び正則化されたエネルギーの両方を考慮するので、スコアを計算するプロセスは、ビン（ｎ，ｑ）を通過する最適なトレースも決定する。最適心拍数トレース全体は、最後のタイムスタンプの最高得点に寄与するビン（Ｎ，ｇ＊（Ｎ））をバックトラッキングすることによって見つけることができる。すなわち、観測ウィンドウ内の残りの心拍数追跡については、すなわち、∀ｎ＝Ｎ−１，Ｎ−２，・・・，１ で[この文献は図面を表示できません]
を得る。
【0847】
式（９３）のバックトラッキングプロシージャは所与のスペクトルに対する最適なトレースｇ＊を与え、これは式（８８）に対する最適な解である。心拍数軌跡推定の結果は図７２に黒線で示されており、ゴールドスタンダードな心電図（ＥＣＧ）センサによって測定された基準が白線としてマークされている。
【0848】
実験評価
【0849】
典型的なオフィスコモディティな８０２．１１ａｄチップセットを使用して、実際の設定でＶｉＭｏを評価することができる。このチップセットは３．５２ＧＨｚの帯域幅で６０ＧＨｚの中心周波数で動作し、４．２６ｃｍの距離分解能を提供した。Ｔｘは、チャネルインパルス応答（ＣＩＲ）推定のために既知のパルスシーケンスを送信する。検査に登録された参加者は８名である。グランドトゥルースは、胸部ストラップを有する市販のＥＣＧセンサによって提供される。
【0850】
開示されたシステムをさらに評価するために、それを、インパルスベースのミリ波無線を使用する最新技術の無線バイタルサイン監視システムであるｍｍＶｉｔａｌと比較することができる。ｍｍＶｉｔａｌはホーンアンテナのペアからのＲＳＳを活用し、最高の大きさのピークと、周波数領域におけるその隣り合うビンとを見つけて、カスタムナローＢＰＦを形成し、次いで、時間領域フィルタリングされた信号のピークをカウントして、呼吸速度及び心拍数を決定する。ＶｉＭｏと同様に、公平な比較を行うために、検出されたセルからのＣＩＲの位相は、ＲＳＳの粗い情報ではなく、ｍｍＶｉｔａｌアルゴリズムの入力として使用される。呼吸と心拍数の両方を推定するために、適応狭帯域ＢＰＦとＩＦＦＴはｍｍＶｉｔａｌに示されているように実行される。ｍｍＶｉｔａｌとＶｉＭｏの両方のウィンドウ長は６０秒に設定され、システムは毎秒出力を与える。ｍｍＶｉｔａｌはタイムウィンドウ内のピークの数（すなわち、推定は整数）に従ってバイタルサインを推定し、その呼吸速度の分解能及び心拍数推定は、１拍／呼吸／分（ＢＰＭ）である。
【0851】
呼吸数（ＲＲ）及び心拍数（ＨＲ）の計測における総合性能。システムの検知率は９７．８６％であり、ＶｉＭｏによるＲＲ及びＨＲの総合中央値エラーはそれぞれ０．１９ＢＰＭ及び０．９２ＢＰＭである。ｍｍＶｉｔａｌは、ＲＲに関して同様の性能を達成するが、ＨＲの中央値エラーは１．６ＢＰＭであり、ＶｉＭｏよりも７３．９１％悪い。実験結果は、ＶｉＭｏが、呼吸信号除去及びＨＲ推定のためのＤＰが心臓の鼓動信号のＳＩＮＲを増大させることができることにより、とりわけ比較的に低いＳＮＲ設定（例えば、より長い距離、ＮＬＯＳなど）において、より正確な推定を提供することができることを示している。
【0852】
さらに、実験結果は、ＶｉＭｏが被験者の静止／非静止状態を効果的に検出することができ、わずかなユーザの動き（例えば、頭部の揺れ）が生じたときに、ＲＲ及びＨＲの両方の正確な推定を行うことができることを示す。ユーザの動きを考慮しないｍｍＶｉｔａｌと比較すると、ＶｉＭｏは、実際の展開に向けて重要な改善を行っている。詳細は、後述されるだろう。
【0853】
距離の影響
【0854】
デバイスと人間の被験者との距離が推定精度に及ぼす影響を調べることができる。図７３Ａ〜７３Ｃは、本発明のいくつかの実施形態による、距離の影響のための実験設定及び結果を示す。図７３Ａは試験セットアップを示し、図７３Ｂは呼吸数の絶対推定エラーのＣＤＦを示し、図７３Ｃは、心拍数の絶対推定エラーのＣＤＦを示す。
【0855】
参加者は図７３Ａに示されるように、デバイスに面する異なる距離に座る。ＲＲ及びＨＲ推定の絶対エラーの経験的累積分布関数（ＣＤＦ）をそれぞれ図７３Ｂ及び図７３Ｃに示す。ここで、ＶｉＭｏ及びｍｍＶｉｔａｌの性能はそれぞれ実線及び破線で示されている。誤検出を考慮するために、ターゲットが見逃されたときに推定値を０ＢＰＭに設定することができる。
【0856】
予想されるように、信号対雑音比（ＳＮＲ）劣化により、性能は遠方で劣化する。ＶｉＭｏのＲＲの中央値エラーは距離が１．５ｍ以内の場合には０．１５ＢＰＭ以内であり、距離が２ｍまで増加する場合には０．２２ ＢＰＭまで増加する。HR推定について、ＶｉＭｏの中央値エラーは、０．５ｍから２ｍに増加すると０．４２ＢＰＭから０．９ ＢＰＭに増加した。さらに、呼吸信号のＳＮＲが高いために、ＲＲ推定の劣化がＨＲ推定よりも小さいことが分かる。
【0857】
ｍｍＶｉｔａｌアルゴリズムを用いたＲＲ推定のＣＤＦは、グランドトゥルースと推定の両方の分解能が１ＢＰＭであるため、段階的である。どちらのアルゴリズムもＲＲ推定と同様の性能を達成することは明らかであるが、ＶｉＭｏはより高い分解能を達成する。さらに、ＨＲ推定のために、ＶｉＭｏは４つの設定すべてに対してｍｍＶｉｔａｌより優れており、性能ギャップは距離の増加と共により大きくなった。主な理由は、呼吸信号除去が心拍数信号のＳＩＮＲの改善に役立つことである。さらに、ＶｉＭｏにおけるＤＰアルゴリズムは推定を行うために周波数ダイバシティの他に時間ダイバシティも活用する。これにより、測定雑音の影響をさらに緩和する。
【0858】
方向性の影響
【0859】
また、推定精度に対する人間の向きの影響を調査することもできる。図７４Ａ〜７４Ｃは、本開示のいくつかの実施形態による、向きの影響のための実験設定及び結果を示す。図７４Ａは実験設定を示し、図７４Ｂは呼吸数の絶対推定エラーのＣＤＦを示し、図７４Ｃは、心拍数の絶対推定エラーのＣＤＦを示す。
【0860】
向きは、図７４Ａに示すように、デバイスに関してユーザの最も近い部分に対応する。ユーザからデバイスまでの距離は１ｍに設定されている。図７４Ｂ及び図７４Ｃは、それぞれＲＲ及びＨＲの推定性能を示す。
【0861】
「前方」設定は最良の性能を達成するが、「後方」設定はＲＲ及びＨＲ推定の両方について最悪の性能を有することが示される。この結果は、異なる向きにおいて呼吸によって引き起こされる反射部の異なった変位量に起因する。変位量が小さいことは呼吸信号のＳＮRが低いことを意味するので、変位量が小さすぎると誤検出が発生する。被験者がデバイスを向いて座っているときの検出率は１００％であり、胸部の左側と右側がデバイスに向いているときに９９．０６％及び９９．３７％に低下する。検出率は、人間の被験者がデバイスに背を向けて座ったとき８３．８３％まで低下する。参加者が、左及び右の向きに座っているときであっても同様の検出率が達成されるが、ＨＲ推定性能は、「左向き」設定が「右向き」設定よりも優れていることに留意されたい。これは人間の生理的構造によるものであり、胸部の左側では心臓の鼓動によって引き起こされる振動が大きくなる。同様に、ＶｉＭｏはｍｍＶｉｔａｌと比較して、ＲＲ推定に関して同等の性能を有するが、図７４Ｃに示されるように、４つの設定すべてについて、ＨＲ推定はるかに良好な性能を有する。
【0862】
入射角の影響
【0863】
また、図７５Aに示すように、人間の被験者が角度［０°，１５°，３０°］で座るように求められ、人間とデバイスとの間の距離が１ｍで、推定性能への入射角の影響を調べることができる。異なる入射角でＲＲ及びＨＲの絶対推定エラーのＣＤＦは、それぞれ図７５Ｂ及び図７５Ｃに示される。
【0864】
ＲＲ及びＨＲ推定の両方について、精度は、入射角の増分と共に減少することが分かる。その理由は反射損失が入射角に依存し、入射角の増加が反射損失を増加させ、反射信号のＳＮRを低下させるからである。しかしながら、呼吸信号のＳＮＲは心拍信号よりはるかに高いので、ＲＲ推定の性能劣化は、ＨＲ推定ほど深刻ではない。さらに、ＶｉＭｏの性能は特に大きな入射角の場合に、ＨＲ推定の点でｍｍＶｉｔａｌと比較してはるかに良好であることが分かる。
【0865】
ＮＬＯＳケース
【0866】
図７６Ａ〜７６Ｃは、本開示のいくつかの実施形態による、妨害の影響のための実験設定及び結果を示す。図７６Ａは試験セットアップを示し、図７６Ｂは呼吸数の絶対推定エラーのＣＤＦを示し、図７６Ｃは、心拍数の絶対推定エラーのＣＤＦを示す。
【0867】
ＲＲ及びＨＲ推定精度は壁を通るケースについて評価され、実験設定は図７６Ａに示される。参加者は、乾式壁の反対側に座るように求められ、デバイスと人間の被験者との間の距離は１ｍである。図７６Ｂ及び図７６Ｃにそれぞれ示されるように、ＲＲ推定の中央値エラーは侵入損失のために０．１５ＢＰＭから０．２５ＢＰＭに増加し、ＨＲ推定の中央値エラーは０．６ＢＰＭから１．４ ＢＰＭに増加する。
【0868】
遮蔽物の材質（異なる侵入損失に対応する）の影響をさらに調査するために、異なる一般的に使用される材質がＬＯＳ経路をブロックするために使用される一連の実験を行うことができる。侵入損失は、異なる材質については明確であるので、性能低下は異なる。ＲＲ及びＨＲ推定の平均絶対エラー（ＭＡＥ）を以下の表１に示す。[この文献は図面を表示できません]
【0869】
体動の影響
【0870】
ユーザが異なる運動状態を持つときのＶｉＭｏの性能を評価した。参加者は、２０秒ごとに頭部（１〜３ｃｍ）を振り、身体（４〜５ｃｍ）を動かすように求められる。デバイスからユーザまでの距離は入射角０°で１ｍである。また、ユーザがヘッドセットで電話に出るときの性能を評価することもできる。ＲＲ及びＨＲのＭＡＥを以下の表２に示す。[この文献は図面を表示できません]
全てのケースは９９．７％を超える検出率を達成し、体を動かす場合には、継続の２７％において、大きな体運動を検出することができ、したがって、バイタルサイン推定部はトリガされない。体動が検出しきい値（静止期間として知られている）内にある時間についてはバイタルサイン推定モジュールがトリガされ、平均ＨＲエラーは体を動かすケースについて３．０６ＢＰＭである（相対エラーは４％である）。しかしながら、人が電話に出る場合、胸部は話すことによって引き起こされるＲＢＭを伴い、全てのテストケースについて最悪の性能をもたらす。
【0871】
複数ユーザケース
【0872】
この部分では、ユーザ間の角度分離の影響を研究することができ、この場合、２人のユーザは異なる分離角度でデバイスから１ｍ離れた距離に座る。分離角度の検出インデックス（ＤＩ）は、検出されたターゲットの数がグランドトゥルースと一致するときのサンプルの数とサンプルの総数との間の比として定義することができる。また、分離角度の誤警報指標（ＦＩ）を、検出されたターゲット数がグランドトゥルースより大きい場合のサンプル数とサンプル総数との比として定義することができる。下記の表３は、両方のユーザについてのＲＲ及びＨＲ推定の中央値エラーを示す。[この文献は図面を表示できません]
【0873】
シングルユーザシナリオと比較して、性能は小さい分離角度（すなわち、３０°）で低下するが、分離角度が十分に大きい（すなわち、４５°より大きい）場合、性能はシングルユーザシナリオと同様である。これは、２つのターゲットの距離が十分に小さい場合、各ユーザとの候補セルの距離を所定の閾値よりも小さくなりうるからである。したがって、２つのクラスタは一緒にマージされ、１つの代表セルのみが残され、結果として誤検出が生じる。また、一方のユーザの高いSNRの信号が大きいセルは、他方のユーザのとマージすることができるため、バイタルサイン推定のための代表セルのＳＮＲが低下し、性能が低下する可能性がある。
【0874】
複数ユーザバイタルサイン推定のためのＶｉＭｏの精度をさらに評価するために、３人のユーザが並列に座るように求められる、制御された実験を実行することができる。ＶｉＭｏはそれぞれの標的の位置を検出し、同時にそれらのバイタルサインを推定する。誤検出が起こると、前述のように、相対誤差を１と定義することができる。図７７は、ＲＲ及びＨＲの平均相対精度ならびに各位置における検出率を示す。３つの位置すべてについて、ＶｉＭｏは、ＲＲ及びＨＲの両方の平均精度が９２．８％を上回ることを達成することが分かる。検出率については、中央位置と他の２つの位置との間隔が十分に大きくなく、中央位置の方が離れているため、中央位置で検出率が低下する。しかしながら、時間の経過に伴う全体的な検出率は、試験中に依然として９２．７％を上回っている。
【0875】
本開示は、単一の商用８０２．１１ａｄデバイスを使用する複数人数バイタルサイン監視システムであるＶｉＭｏを開示する。事前のキャリブレーションなしに人間の目標を位置決めし、計数するために、マルチオブジェクト静止／非静止検出アルゴリズムを考案できる。高精度のＡＣＦを使用する即座の呼吸速度の推定に加えて、呼吸信号の妨害を排除し、次いで、時間及び周波数ダイバシティの両方を活用して心拍数を推定する、ロバストな心拍数推定器をさらにデザインすることができる。無線バイタルサイン監視のための最も困難なシナリオであるＮＬＯＳと動きアーチファクトを含む様々な設定による、ViMoの性能を評価できる。実験結果は、ＶｉＭｏがＲＲ及びＨＲ推定のために、それぞれ、０．１９ＢＰＭ及び０．９２ＢＰＭの中央値エラーで、バイタルサインを正確に監視できることを示す。
【0876】
本開示の様々な実施形態において、呼吸及び／または心臓の鼓動検出のためのアルゴリズムは、以下のように実行されてもよい。
【0877】
ｓ１： 複数の送信（Ｔｘ）アンテナと複数の受信（Ｒｘ）アンテナを用いてＣＳＩをキャプチャする。
【0878】
ｓ２： 方向性ＣＳＩ(ＣＩＲ など） を得るためにビームフォーミングを適用する。
【0879】
ｓ３： それぞれの方向におけるオブジェクト存在オブジェクトを検出することによって、関心方向（ＤｏＩ）を決定する。それぞれの方向について：ｓ３ａ：電力応答を計算する。ｓ３ｂ：電力応答が閾値より大きい場合、オブジェクトが方向に存在する（したがって、方向はＤｏＩである）ことを決定する。しきい値はオブジェクトの距離に対して適応的であってもよい（例えば、指向性ＣＳＩは、多くのタップを有するＣＩＲであってもよい。各タップが距離に関連付けられてもよい。各タップがそれぞれのしきい値でテストされてもよい。「近い」タップに対するしきい値が「遠い」タップに対するしきい値よりも大きくてもよい）。しきい値は試験中のセル（ＣＵＴ）及びガードセルの層（例えば、ガードセルはＣＵＴの周囲のセルの直接の層であってもよく、ガードセルはしきい値を計算するために使用されなくてもよい）の周囲の隣接セル（例えば、各セルは隣接セルが隣接方向を有するような方向に関連付けられてもよい）に基づいて適応的に計算されてもよいしきい値がＣＡ−ＣＦＡＲ（セル平均化一定誤警報率（cell-averaging constant faise alarm rate））に基づいて適応的に計算されてもよい。
【0880】
ｓ４：それぞれのＤｏＩについて（すなわち、オブジェクトの存在が検出される）、ことｓ４ａ〜ｓ４ｄによって、支配的（dominant）な周期的信号（例えば、呼吸速度）の特性（例えば、頻度、周期、強度、時間についての一貫性、変化／ドリフトなど）を計算する。
【0881】
ｓ４ａ：オブジェクトの存在に関連する（例えば、指向性ＣＩＲのタップに関連する）距離を決定する。ＤｏＩ及び距離は、一緒になって点を定義する。
【0882】
ｓ４ｂ：距離に関連する自己相関関数（ＡＣＦ）（例えば、指向性ＣＩＲのタップの位相のＡＣＦ）を計算する。時には、複数タップ／距離がオブジェクトの存在に関連付けられることがある。ＡＣＦは、各タップ／距離について計算することができる。複数ＡＣＦは例えば、加重平均によって組み合わせることができる。それぞれの重みは、それぞれのタップのいくつかの「重要度測定値」に基づいて決定されてもよい。あるいは、ＡＣＦが複数のタップについて一緒に計算されてもよい。あるいは、ドミナントタップを識別し、ＡＣＦをドミナントタップに関連付けることができる。
【0883】
ｓ４ｃ： ・ＡＣＦの有意な特徴点（例えば、極大値／最小、最初の極大値、第２の極大値など）を決定する。時には、複数タップ／距離がオブジェクトの存在に関連付けられることがある。ＡＣＦは、各タップについて計算されてもよい。有意特徴点は、各ＡＣＦについて計算されてもよい。複数タップのＡＣＦの重要な特徴点は例えば、加重平均または中央値フィルタ処理、または最尤法によって組み合わせることができる。
【0884】
ｓ４ｄ：有意な特徴点に基づいて、支配的な周期信号の特性（例えば、呼吸速度）を計算する。
【0885】
ｓ５：それぞれのＤｏＩについて、ｓ５ａ〜ｓ５ｂによって、次に支配的な周期的信号（例えば、心拍）の特性を計算する。
【0886】
ｓ５ａ： 主要な周期信号の影響を除去／抑制して、未処理の信号を処理する（未処理の信号をフィルタする、主要な周期信号を推定し、未処理の信号から差し引くなど）。未処理の信号は、方向性ＣＩＲのタップの位相であってもよい。未処理信号は、ｓ４におけるＡＣＦであってもよい。主要な周期的信号は未処理の信号上の操作（例えば、平滑化、低域フィルタリング、スプライン補間、立方スプライン補間、多項式フィッティング、距離／タップに基づいて適応的に選択された次数による多項式フィッティング、など）によって推定され得る。
【0887】
ｓ５ｂ： 処理された未処理の信号に基づいて、次に支配的な周期信号の特性を計算する。特性は、周波数変換、三角変換、高速フーリエ変換、ウェーブレット変換、ＡＣＦなどに基づいて計算されてもよい。
【0888】
ｓ６：オブジェクトに関連する一組のＤｏＩを決定する。例えば、クラスタリングは、全てのＤｏＩに適用されてもよい。ＤｏＩのセットは、ＤｏＩのクラスタに対応し得る。セット（集合）内のＤｏＩは、支配的な周期的信号及び／または次に支配的な周期的信号の類似または相関特性を有することができる。（例えば、人に関連するＤｏＩの呼吸速度／心拍数は同じであるべきであり、異なるＤｏＩの呼吸の位相／強度は（例えば、位相進み／遅れのために）異なりうるが、相関することがある。セット内のＤｏＩ（及び／または関連する距離／タグ）は、セット内のいくつかの他のＤｏＩに隣接／接続され得る。ＤｏＩのセットは、オブジェクトの形状／シルエット／射影／サイズ／面積／体積／寸法／重み／身体状態／ビュー／アクション／アクティビティ／年齢／アイデンティティを反映することができる。
【0889】
ｓ７：オブジェクトに関連付けられたＤｏＩのセットに関連付けられた支配的な周期的信号の特性を組み合わせることによって、オブジェクト（例えば、人）の支配的な周期的信号（例えば、呼吸速度）の特性を計算する。
【0890】
ｓ８：オブジェクトに関連付けられたＤｏＩのセットに関連付けられた次の支配的な周期的信号の特性を組み合わせることによって、オブジェクトの次の支配的な周期的信号（例えば、心拍数）の特性を計算する。
【0891】
ｓ５（及びｓ８）は追加（例えば、第３、第４など）の主要な周期信号の特性を決定するために再帰的に適用することができる。特性（例えば、呼吸速度及び／または心拍数）を時間にわたって計算することによって、特性を追跡することができる（例えば、軌跡を計算することによって、または規則的な活動／変更／偏差／異常／危険の兆候／医学的状態の徴候を検出することによって）。ｓ３及びｓ４は、１組の関心距離（それぞれの距離が何らかのオブジェクトの存在に関連する）または１組の関心点（ＰｏＩ）を計算することができるという点で、交換することができる。関心のあるそれぞれの距離（及びその関連する指向性ＣＩＲのタグ）について、すべての方向がオブジェクトについて試験されてもよい。
【0892】
本開示の様々な実施形態では、呼吸及び／または心臓の鼓動検出のための別のアルゴリズムが以下のように実行されてもよい。
【0893】
ｓ１： 複数送信（Ｔｘ）アンテナと複数受信（Ｒｘ）アンテナを用いてＣＳＩをキャプチャする。
【0894】
ｓ２： 方向性ＣＳＩ(ＣＩＲ など） を得るためにビームフォーミングを適用する。
【0895】
ｓ３： それぞれの方向におけるオブジェクトの存在を検出することによって、関心方向（ＤｏＩ）を決定する。それぞれの方向について: s３ａ：ＣＳＩの大きさ（例えば、ＣＩＲの｜ｈ（シータ、ファイ、距離）｜）を計算し、次いで、タイムウィンドウにわたってそれを時間平均し、 s３ｂ：時間平均された大きさ応答が閾値Ｔ１（例えば、第１の閾値Ｔ２及び第２の閾値Ｔ３の最大値）より大きい場合、オブジェクトが方向に存在するか（したがって、方向はＤｏＩである）を決定する。第１の閾値Ｔ２は、距離方向における｜ｈ｜の１次元ＣＦＡＲフィルタリングであってもよく、式（７３）中のベータによってさらにスケーリングされてもよい。.第２の閾値Ｔ３は、｜ｈ｜のシータ及びファイ方向の２次元ＣＦＡＲフィルタリングであってもよく、式（７３）中のアルファによってさらにスケーリングされてもよい。
【0896】
ｓ４：それぞれのＤｏＩについて（すなわち、オブジェクトの存在が検出される）、ｓ４ａ〜ｓ４ｅによって、（ａ）静止オブジェクト（例えば、家具）、（ｂ）静止した人（呼吸及び心臓の鼓動を伴う）、（ｃ）無作為な体運動、にオブジェクトを分類することによって、動き検出を実行する。
【0897】
ｓ４a: ＣＳＩの位相（例えば、ｈ（シータ、ファイ、距離）の位相、ｈの大きさであるNOT｜ｈ｜ではない。）の分散Ｖを計算する。
【0898】
ｓ４b: Ｖが閾値Ｔ４未満である場合、動きを「静止オブジェクト」として分類する。
【0899】
ｓ４ｃ：Ｖ＞Ｔ４の場合、ＡＣＦを計算し、有意な特徴点Ｐ１（例えば、第１のピーク）を見つける。
【0900】
ｓ４d: Ｖ＞T６（Ｔ６＞Ｔ４）またはＰ１が閾値Ｔ５未満である場合、運動を「ランダム体動（ＲＢＭ）」として分類する。
【0901】
ｓ４e: Ｖ＞T４及びＰ１＞Ｔ５の場合、動きを「静止した人」として分類する。ｓ４ｃ１、ｓ４ｃ２及びｓ４ｃ３を使用して、Ｐ１に対応する支配的周期信号（例えば、呼吸速度）の仮の特性を計算する。
【0902】
ｓ４ｅ１：距離に関連する自己相関関数(ＡＣＦ)(例えば、指向性ＣＩＲのタップの位相の時間にわたるＡＣＦ）を計算する。時には、複数のタップ／距離がオブジェクトの存在に関連付けられることがある。それらは、（例えば、ｓ６において）マージ／クラスタ化／融合されてもよい。ＡＣＦは、各タップ／距離について計算することができる。複数のＡＣＦは例えば、加重平均によって組み合わせることができる。それぞれの重みは、それぞれのタップのいくつかの「重要度測定値」に基づいて決定されてもよい。あるいは、ＡＣＦが複数のタップについて一緒に計算されてもよい。あるいは、支配的なタップを識別し、ＡＣＦを支配的なタップに関連付けることができる
【0903】
ｓ４ｅ２：ＡＣＦの重要な特徴点（例えば、極大値／最小、最初の極大値、第２の極大値など）を決定する。時には、複数のタップ／距離がオブジェクトの存在に関連付けられることがある。ＡＣＦは、各タップについて計算されてもよい。有意な特徴点は、各ＡＣＦについて計算されてもよい。複数タップのＡＣＦの有意な特徴点は例えば、加重平均または中央値フィルタ処理、または最尤法によって組み合わせることができる。
【0904】
ｓ４ｅ３：有意な特徴点に基づいて、支配的な周期信号の特性（例えば、呼吸速度）を計算する。
【0905】
ｓ５：それぞれのＤｏＩについて、ｓ５ａ〜ｓ５ｂにより、次に支配的な周期的信号（例えば、心拍）の特性を計算する。
【0906】
ｓ５ａ： 支配的な周期信号の影響を除去／抑制して、未処理の信号を処理する（未処理の信号をフィルタする、又は支配的な周期信号を推定して、未処理の信号から差し引くなど）。未処理の信号は、方向性ＣＩＲのタップの位相であってもよい。未処理の信号は、ｓ４におけるＡＣＦであってもよい。主要な周期信号は未処理の信号上の操作（例えば、平滑化、低域フィルタリング、スプライン補間、Ｂスプライン、立方スプライン補間、多項式フィッティング、距離／タップに基づいて適応的に選択された次数を持つ多項式フィッティング、など）によって推定され得る。支配的周期信号（例えば、呼吸信号）の推定は、制約付き最適化（例えば、Ｂスプライン補間、滑らかさの制約のもとでのタイムウィンドウ（例えば、持続Ｗ）における平均二乗エラーの最小化）によって計算されてもよい。推定は一組の予め定義された時間関数（例えば、Ｂスプライン基底関数、他のスプライン基底関数、他の完全または不完全な基底関数）の線形組み合わせであってもよい。線形組み合わせの係数は、ベクトル／行列演算に基づいて計算されてもよい。
【0907】
ｓ５ｂ： 処理された未処理の信号に基づいて、次に支配的な周期信号の特性を計算する。特性は、周波数変換、三角変換、高速フーリエ変換、ウェーブレット変換、ＡＣＦなどに基づいて計算されてもよい。また、特性は制約付き最適化（例えば、滑らかさの制約を受けるエネルギー関数の最小化）によって計算されてもよい。エネルギー関数は周波数のエネルギーであってもよい（例えば、支配的成分除去信号のＦＦＴのエネルギーであってもよく、信号は、融合／クラスタ化された信号であってもよい）。滑らかさの制約は、尤度の対数に基づくことができる。心拍数は、ある状態遷移確率を有するマルコフ連鎖としてモデル化することができる。（例えば、典型的には、最大状態遷移確率が状態変化なしに対応する。） マルコフ連鎖の尤度が初期確率と状態遷移確率の積であり得る。尤度の対数は、個々の項の和であってもよい。
【0908】
ｓ６：オブジェクトに関連する一組のＤｏＩを決定する。例えば、クラスタリングを全てのＤｏＩに適用することができる。ＤｏＩのセットは、ＤｏＩのクラスタに対応し得る。セット内のＤｏＩは、支配的な周期的信号及び／または次に支配的な周期的信号の類似かまたは相関する特性を有することができる。（例えば、人に関連付けられたＤｏＩの呼吸速度／心拍数は同じであるべきであり、異なるＤｏＩの呼吸の位相／強度は（例えば、位相進み／遅れのために）異なるが、相関することがある）。セット内のＤｏＩ（及び／または関連する距離／タグ）は、セット内のいくつかの他のＤｏＩに隣接／結びつけられ得る。ＤｏＩのセットは、オブジェクトの形状／シルエット／射影／サイズ／面積／体積／寸法／重み／身体状態／ビュー／アクション／アクティビティ／年齢／アイデンティティを反映することができる。
【0909】
ｓ７：オブジェクトに関連付けられたＤｏＩのセットに関連付けられた支配的な周期的信号の特性を組み合わせることによって、オブジェクト（例えば、人）の支配的な周期的信号（例えば、呼吸速度）の特性を計算する。
【0910】
ｓ８：オブジェクトに関連付けられたＤｏＩのセットに関連付けられた次の支配的な周期的信号の特性を組み合わせることによって、オブジェクトの次の支配的な周期的信号（例えば、心拍数）の特性を計算する。
【0911】
ｓ５（及びｓ８）は追加（例えば、第３、第４など）の支配的な周期信号の特性を決定するために再帰的に適用することができる。特性（例えば、呼吸数及び／または心拍数）を時間にわたり計算することによって、特性を追跡することができる（例えば、軌跡を計算することによって、または規則的な活動／変更／偏差／異常／危険の兆候／医学的状態の徴候を検出することによって）。ｓ３及びｓ４は、１組の関心距離（それぞれの距離が何らかのオブジェクトの存在に関連する）または１組の関心点（ＰｏＩ）を計算することができるという点で、交換することができる。それぞれの関心のある距離（及びその関連する指向性ＣＩＲのタグ）について、すべての方向がオブジェクトについて試験されてもよい。
【0912】
本開示の様々な実施形態において、呼吸及び／または心臓の鼓動検出は、以下の項に開示されるような方法によって実行されてもよい。
【0913】
項Ｃ１：場所の無線マルチパスチャネルを介してタイプ１デバイスのＮ１本の送信（Ｔｘ）アンテナを使用してタイプ１異種無線デバイスから無線プローブ信号を送信することであって、前記場所内の第１のオブジェクトが第１の反復運動を受けていることと、タイプ２異種デバイスのＮ２本の受信（Ｒｘ）アンテナを使用して前記タイプ２異種無線デバイスによって前記無線プローブ信号を受信することと、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、前記メモリに記憶された命令の組とを使用して、前記受信された無線プローブ信号に基づいて前記無線マルチパスチャネルのチャネル情報（ＣＩ）のいくつかの時系列を取得することであって、ＣＩのそれぞれの時系列（ＴＳＣＩ）は、タイプ１デバイスのＴｘアンテナ及びタイプ２デバイスのＲｘアンテナに関連付けられていることと、ＴＳＣＩの数に基づいて前記第１の反復運動の第１の情報を計算することと、前記第１の情報に基づいて前記第１のオブジェクトの前記第１の反復運動を監視することと、を備える無線監視システムの方法。
【0914】
項Ｃ２：項Ｃ１の無線監視システムの方法であって、前記第１のオブジェクト及び第２のオブジェクトのうちの少なくとも１つが、第２の反復運動を受けていることと、ＴＳＣＩの数及び前記第１の情報のうちの少なくとも１つに基づいて前記第２の反復運動の第２の情報を計算することと、前記第２の情報に基づいて前記第２の反復運動を監視することとをさらに含む方法。
【0915】
項Ｃ３：項Ｃ２の無線監視システムの方法であって、前記第１の情報及び前記第２の情報のうちの少なくとも１つに基づいて少なくとも１つの分析を計算することと、前記第１の情報、前記第２の情報、及び前記少なくとも１つの分析のうちの少なくとも１つを記憶することと、前記第１の情報、前記第２の情報、及び前記少なくとも１つの分析のうちの少なくとも１つを、サーバー及びユーザデバイスのうちの少なくとも１つに通信することと、前記第１の情報、前記第２の情報、及び前記少なくとも１つの分析のうちの少なくとも１つに基づいて表示を生成することとをさらに含む方法。
【0916】
項Ｃ４：項Ｃ１の無線監視システムの方法であって、前記第１のオブジェクト及び第２のオブジェクトのうちの少なくとも１つが、第２の反復運動を受けていることと、前記第１の反復運動及び前記第２の反復運動を、前記ＴＳＣＩの数に基づいて同時に監視することとをさらに含む方法。
【0917】
項Ｃ５：項Ｃ１の無線監視システムの方法であって、前記第１のオブジェクト及び第２のオブジェクトのうちの少なくとも１つが、第２の反復運動を受けていることと、前記第１の反復運動及び前記第２の反復運動を前記ＴＳＣＩの個数に基づいて連続的に監視することとをさらに含む方法。
【0918】
項Ｃ６：項Ｃ１の無線監視システムの方法であって、前記第１のオブジェクト及び第２のオブジェクトのうちの少なくとも１つが、第２の反復運動を受けていることと、前記第１の反復運動の監視に基づいて前記第２の反復運動を監視することとをさらに含む方法。
【0919】
項Ｃ７：項Ｃ１の無線監視システムの方法であって、前記第１のオブジェクト及び第２のオブジェクトのうちの少なくとも１つが、第２の反復運動を受けていることと、前記第１の反復運動の影響の除去に基づいて前記第２の反復運動を監視することとをさらに含む方法。
【0920】
項Ｃ８：項Ｃ７の無線監視システムの方法であって、前記ＴＳＣＩの数と前記第１の反復運動の前記影響の除去とに基づいて前記第２の反復運動の第２の情報を計算し、前記第２の情報に基づいて前記第２の反復運動を監視することとをさらに含む方法。
【0921】
項Ｃ９：項Ｃ７に記載の無線監視システムの方法であって、前記第１の反復運動の前記影響を推定すること、前記第１の反復運動の影響を除去すること、前記第１の反復運動の影響を取り消すこと、前記第１の反復運動の前記影響を抑制すること、前記第１の反復運動の推定値を減算すること、前記第１の反復運動の推定値によって除算すること、フィルタリング、前フィルタリング、後フィルタリング、前処理、後処理、平滑化、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、及び別の処理、のうちの少なくとも１つによって、前記第１の反復運動の影響を除去することをさらに含む方法。
【0922】
項Ｃ１０：項Ｃ９に記載の無線監視システムの方法であって、マージ、クラスタリング、複数の方向に関連する推定値のマージ、前記第１の反復運動に関連する複数の方向のクラスタリング、多項式補間、区分的多項式補間、多項式フィッティング、適応次数を有する多項式フィッティング、及び前記無線プローブ信号のプローブレート、前記受信無線プローブ信号のサンプリングレート、第１のオブジェクトの距離、無線マルチパスチャネルの帯域幅、第１の反復運動の周波数、第２の反復運動の周波数のうちの少なくとも１つに基づいて適応的に選択された順序を有する多項式フィッティング、スプライン補間、３次スプライン補間、Ｂスプライン、最適化、制約付き最適化、滑らかな制約を受ける費用関数の最小化、双線形式制約を受ける補間誤差エネルギー項の最小化、フィルタリング、前フィルタリング、後フィルタリング、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及び平滑化のうちの少なくとも１つに基づいて前記第１の反復運動の前記影響を推定することをさらに含む方法。
【0923】
項Ｃ１１：項Ｃ１の無線監視システムの方法であって、ＴＳＣＩの数に基づいてビームフォーミングを計算することと、前記ビームフォーミングに基づいて方向にそれぞれ関連付けられた少なくとも１つの導出されたＴＳＣＩを計算することとをさらに含む方法。
【0924】
項Ｃ１２：項Ｃ１１の無線監視システムの方法であって、各Ｃ１は各々が伝播遅延に関連する多数の成分を含み、前記ビームフォーミングは、成分的（component-wise1）に計算される方法。
【0925】
項Ｃ１３：項Ｃ１１の無線監視システムの方法であって、ビームフォーミングは成分的な方法で特定の時間に適用され、特定の時間における導出されたＣＩは、特定の時間におけるＴＳＣＩの数のすべてのそれぞれのＣＩに適用されるビームフォーミング上で計算され、すべてのＣＩは同じ数の成分を有し、特定の時間における導出されたＣＩのそれぞれの成分は、ＴＳＣＩの数のすべてのそれぞれのＣＩの対応する成分に基づいて計算される方法。
【0926】
項Ｃ１４：Ｃ１１の無線監視システムの方法であって、ビームフォーミングは、アナログビームフォーミング、デジタルビームフォーミング、非適応的ビームフォーミング、適応的ビームフォーミング、パラメトリックビームフォーミング、ノンパラメトリックビームフォーミング、圧縮センシングベースビームフォーマ、最小分散無歪応答（ＭＶＤＲ）ビームフォーミング、逆問題に対する解法、到来方向推定、トモグラフィック再構成、最尤法、最大エントロピ法、共分散法、離散フーリエ変換のピーク検出、超解像法、パラメータフリー超解像法、ターゲット方向における歪みの制約付き最小化、ターゲット方向以外の方向からの干渉及び雑音のパワーの制約付き最小化、固有値分解、特異値分解（ＳＶＤ）、別の分解、信号部分空間決定、雑音部分空間決定、射影、自己回帰（ＡＲ）モデル、自己回帰移動平均（ＡＲＭＡ）モデル方向に関連するステアリングベクトル、及び信号行列、相関行列、共分散行列、自己相関行列、自己共分散行列、行列の逆行列、及び別の行列を含む行列の分析、複数信号分類（ＭＵＳＩＣ）、ＭＵＳＩＣのような方法、時間反転ＭＵＳＩＣ(ＴＲ−ＭＵＳＩＣ）、Ｃａｐｏｎビームフォーマ、Ｂｕｔｌｅｒ行列、Ｐｉｓａｒｅｎｋｏ高調波分解、反復スパース漸近最小分散（ＳＡＭＶ）、スペクトル推定、赤池情報量基準（ＡＩＣ）、ベイズ情報量基準（ＢＩＣ）、一般化情報基準（ＧＩＣ）、基準の変形、モデル次数選択アルゴリズム、及び別のビーム形成方法、のうちの少なくとも１つに基づいて計算される方法。
【0927】
項Ｃ１５：項Ｃ１の無線監視システムの方法であって、前記ＴＳＣＩの数及びビームフォーミングに基づいて、伝搬遅延のセットに関連する空間スペクトル及び空間スペクトルに対する方向のセットについて計算することと、空間スペクトルに基づいて、少なくとも１つのオブジェクトを監視することとをさらに含み、各方向は、角度、方位角、仰角、座標、ステアリングベクトル、タイプ１デバイスの送信アンテナとタイプ２デバイスの受信アンテナとの間のリンク、前記方向におけるオブジェクトに関連する経路、及び別の方向記述子のうちの少なくとも１つに関連し、各伝搬遅延は、タイムラグ、タイムディレイ、タイムインデックス、伝搬時間、タイムオブフライト、距離、レンジ、及び別の時間記述子に関連する、方法。
【0928】
項Ｃ１６：項Ｃ１の無線監視システムの方法であって、ＴＳＣＩの数とビームフォーミングに基づいて、方向に関連付けられたＤＩの時系列(ＴＳＤＩ)のセットを計算し、前記ＴＳＤＩに基づいて前記第１の反復運動の前記第１の情報を計算し、ここでチャネル情報（ＣＩ）は、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、及びチャネル周波数応答（ＣＦＲ）のうちの少なくとも１つを含み、ＴＳＤＩの方向情報（ＤＩ）は、ＣＩ、チャネル状態情報（ＣＳＩ）、チャネルインパルス応答（ＣＩＲ）、チャネル周波数応答（ＣＦＲ）、方向に関連付けられた方向ＣＩ（ＤＣＩ）、方向ＣＳＩ(ＤＣＳＩ)、方向ＣＩＲ(ＤＣＩＲ)、方向ＣＦＲ(ＤＣＦＲ)、及び距離に関連付けられたＣＩ、ＣＳＩ、ＣＦＲ、ＤＣＳＩ、ＤＣＩＲ、及びＤＣＦＲのうちの少なくとも１つの成分、及びＣＩ、ＣＳＩ、ＣＩＲ、ＤＣＩ、ＤＣＳＩ、ＤＣＩＲ、ＤＣＩＲ、ＤＣＦＲ、及び成分のうちの少なくとも１つの大きさ、ＣＩ、ＣＳＩ、ＣＩＲ、ＤＣＩ、ＤＣＳＩ、ＤＣＩＲ、ＤＣＦＲ及び成分のうちの少なくとも１つの位相、方向への重み、空間スペクトル、場所の空間における反射信号の情報の分布、場所の空間における反射信号のエネルギーの分布、ヒートマップ、及び別の方向情報のうちの少なくとも１つを含む、方法。
【0929】
項Ｃ１７：項Ｃ１６の無線監視システムの方法であって、それぞれの方向におけるオブジェクト存在についてそれぞれのＴＳＤＩを試験することと、オブジェクト存在が検出される方向を含む関心方向（ＤｏＩ）のセットを計算することとをさらに含む、方法。
【0930】
項Ｃ１８：項Ｃ１７の無線監視システムの方法であって、それぞれの方向に関連付けられたそれぞれのＴＳＤＩ、及びそれぞれの隣接方向にそれぞれ関連付けられたＴＳＤＩのセットのうちの少なくとも１つに基づいて、それぞれの試験量を計算することであって、それぞれの試験量は、特定の方向における特定の距離における特定の点に関連付けられ、特定の点は、特定の時点における特定のＴＳＤＩの特定のＤＩの特定の成分に関連付けられる、計算することと、前記それぞれの試験量がそれぞれの閾値よりも大きい場合、前記それぞれの方向におけるオブジェクトの存在を検出することと、をさらに含む方法。
【0931】
それぞれの試験量がそれぞれの閾値未満である場合、それぞれの方向にオブジェクトが存在しないことを検出すること。
【0932】
項Ｃ１９：項Ｃ１７の無線監視システムの方法であって、それぞれの方向及び距離に対するそれぞれのＴＳＤＩに基づいてそれぞれの試験量を計算することと、それぞれの試験量がそれぞれの閾値よりも大きい場合に、それぞれの方向における距離にオブジェクトの存在を検出することとをさらに含む、方法。
【0933】
項Ｃ２０：項Ｃ１９の無線監視システムの方法であって、オブジェクト存在に関連する関心点（ＰｏＩ）を計算することをさらに含み、ここで、ＰｏＩは、オブジェクトの存在が検出された、それぞれの方向及びそれぞれの距離に対応する点である、方法。
【0934】
項Ｃ２１：項Ｃ１９の無線監視システムの方法であって、それぞれの閾値が距離適応閾値であり、それぞれの閾値が距離に適応的に基づく、方法。
【0935】
項Ｃ２２：項Ｃ１８又は項Ｃ１９の無線監視システムの方法であって、それぞれの閾値が方向適応閾値であり、それぞれの閾値が、コンスタント誤警報率（ＣＦＡＲ）、それぞれの方向の隣接方向の値の加重平均、それぞれの方向の直接隣接する方向の保護領域を除く隣接方向の値の加重平均、セル平均のコンスタント誤警報率（ＣＡ−ＣＦＡＲ）、及び別の方向性の方法のうちの少なくとも１つに基づく、方法。
【0936】
項Ｃ２３：項Ｃ１の無線監視システムの方法であって、ＴＳＣＩの数及びビームフォーミングに基づいて、方向に関連する方向情報の時系列（ＴＳＤＩ）を計算することと、オブジェクトの存在に関連するＴＳＤＩのタイムウィンドウを決定することと、ＴＳＤＩのタイムウィンドウに基づいて、前記第１の反復運動の前記第１の情報を計算することとをさらに含む、方法。
【0937】
項Ｃ２４：項Ｃ１の無線監視システムの方法であって、ＴＳＣＩの数とビームフォーミングとに基づいて方向情報の時系列（ＴＳＤＩ）を計算することであって、前記ＴＳＤＩはオブジェクトの存在に関連する方向である、関心方向（direction-of-interest：ＤｏＩ）に関連し、ＴＳＤＩの各方向情報（ＤＩ）が、それぞれ伝播遅延及び距離に関連するいくつかの成分を含む、計算することと、ＤＩの第１の成分がタイムウィンドウ内のオブジェクトの存在に関連すると判定することと、ＴＳＤＩのタイムウィンドウ内の各ＤＩの前記第１の成分に基づいて、第１の反復運動の第１の情報を計算することと、をさらに含む方法。
【0938】
項Ｃ２５：項Ｃ２４の無線監視システムの方法であって、前記ＴＳＤＩの前記タイムウィンドウにおける各ＤＩの前記第１の成分の特徴に基づいて前記第１の反復運動の前記第１の情報を計算することであって、前記特徴は、大きさ、位相、実成分、虚数成分、別の特徴の関数、大きさの二乗、大きさの指数関数、及び別の特徴のうちの少なくとも１つを含む方法。
【0939】
項Ｃ２６：項Ｃ２５の無線監視システムの方法であって、ＴＳＤＩのタイムウィンドウにおいて各ＤＩの前記第１の成分の前記特徴の統計関数を計算することをさらに含み、前記統計関数は、オート関数、自己相関関数（ＡＣＦ）、自己共分散関数、オート関数の関数、オート関数の二乗、オート関数の多項式、オート関数の変換、オート関数の周波数変換、オート関数のフーリ変換、相互相関、相互共分散、ＡＣＦの二乗、ＡＣＦの多項式、ＡＣＦの変換、ＡＣＦのフーリエ変換、電力スペクトル密度、移動平均、スライディング平均、スライディング分散、別の統計関数、及び別の統計関数の関数のうちの少なくとも１つを含む方法。
【0940】
条項Ｃ２７：項Ｃ２６の無線監視システムの方法であって、前記統計関数の少なくとも１つの特徴点を計算することをさらに含み、少なくとも１つの前記特徴点は、ゼロ交差、勾配のゼロ交差、高次微分のゼロ交差、前記統計関数のゼロ交差、最大、勾配の最大、高次微分の最大、前記統計関数の前記関数の最大、最小、勾配の最小、高次微分の最小、前記統計関数の前記関数の最小、極値、勾配の極値、高次微分の極値、前記統計関数の前記関数の極値、全体で最大、局所の最大、制約付き極大、有意な局所の最大、全体で最小、局所の極小、制約付き最小、有意な局所的最小、全体的な極値、極値、制約付き極値、有意な極値、いくつかの最大値、いくつかの連続する最大値、いくつかの最小値、いくつかの連続する最小値、いくつかの最大値及び最小値、連続する最大値及び最小値の数、他の特徴点、のうちの少なくとも１つを含む、計算することと、前記少なくとも１つの特徴点に基づいて前記第１の反復運動の前記第１の情報を計算することと、を含む方法。
【0941】
項Ｃ２８：項Ｃ２５の無線監視システムの方法であって、前記第１のオブジェクト及び第２のオブジェクトのうちの少なくとも１つが、第２の反復運動を受けていることと、前記ＴＳＤＩのタイムウィンドウ内のそれぞれのＤＩの第２の成分の特徴に基づいて、前記第２の反復運動の第２の情報を計算することと、前記第２の情報に基づいて、前記第２の反復運動を監視することとをさらに含む方法。
【0942】
項Ｃ２９：項Ｃ２９の無線監視システムの方法であって、前記第１のオブジェクトが、前記第２の反復運動を受けていることと、前記ＴＳＤＩの前記タイムウィンドウにおけるそれぞれのＤＩの前記第１の成分の特徴に基づいて、前記第１のオブジェクトの前記第２の反復運動の前記第２の情報を計算することと、前記第２の情報に基づいて、前記第１のオブジェクトの前記第２の反復運動を監視することとをさらに含む方法。
【0943】
項Ｃ３０：項Ｃ２９の無線監視システムの方法であって、前記第１の情報に基づいて前記第１のオブジェクトの前記第２の反復運動の前記第２の情報を計算することをさらに含む方法。
【0944】
項Ｃ３１：項Ｃ２９の無線監視システムの方法であって、前記特徴に対する前記第１の反復運動の第１の影響を除去することによって、前記ＴＳＤＩの前記タイムウィンドウにおけるそれぞれのＤＩの前記第１の成分の前記特徴を処理することと、前記処理された特徴に基づいて、前記第１のオブジェクトの前記第２の反復運動の前記第２の情報を計算することとをさらに含む方法。
【0945】
項Ｃ３２：項Ｃ３１の無線監視システムの方法であって、前記特徴に対する他の反復運動の第２の影響を抑制することによって、前記特徴に対する前記第１の反復運動の前記第１の影響の推定値を計算することと、前記ＴＳＤＩの前記タイムウィンドウ内のそれぞれのＤＩの前記第１の成分の前記特徴から前記第１の影響の前記推定値を減算することによって、前記特徴に対する前記第１の反復運動の前記第１の影響を除去することとをさらに含む方法。
【0946】
項Ｃ３３：項Ｃ１６の無線監視システムの方法であって、各関心方向（ＤｏＩ）が前記第１のオブジェクトのオブジェクト存在に関連付けられた方向である複数のＤｏＩを決定することと、各ＤｏＩに対して１つのＴＳＤＩである、複数のＴＳＤＩを計算することと、それぞれのＤｏＩに関連するそれぞれのＴＳＤＩに基づいてそれぞれの仮の第１の情報である、前記第１の反復運動の複数の仮の第１の情報を計算することと、仮の第１の情報の数に基づいて前記第１の情報を計算することとをさらに含む方法。
【0947】
項Ｃ３４：項Ｃ１６の無線監視システムの方法であって、前記仮の第１の情報の個数を結合することによって前記第１の情報を計算することをさらに含む方法。
【0948】
項Ｃ３５：項Ｃ１６の無線監視システムの方法であって、前記第１のオブジェクト及び第２のオブジェクトのうちの少なくとも１つが、第２の反復運動を受けており、各関心方向（ＤｏＩ）がオブジェクトの存在に関連する方向である複数のＤｏＩを決定することと、各ＤｏＩについて１つのＴＳＤＩである、複数のＴＳＤＩを計算することであって、前記第２の反復運動のいくつかの仮の第２の情報を計算し、各仮の第２の情報はそれぞれのＴＳＤＩに基づき、それぞれの仮の第２の情報は前記第１の反復運動のそれぞれの影響の除去がされている、計算することと、前記仮の第２の情報の数に基づいて、前記第２の反復運動の第２の情報を計算することをさらに備える方法。
【0949】
項Ｃ３６：項Ｃ１の無線監視システムの方法であって、前記ＴＳＣＩの数及びＴＳＣＩの数及びビームフォーミングに基づいて計算されたＴＳＤＩのうちの少なくとも１つに基づいて、関心点（points of interest（ＰｏＩ））のセットを計算することであって、それぞれのＰｏＩが、伝播遅延及び方向に関連付けられた場所内の点であることと、ＰｏＩのセットに基づいて第１のオブジェクトを監視することとをさらに備える方法
【0950】
項Ｃ３７：項Ｃ１７の無線監視システムの方法であって、ＴＳＣＩの数及びＴＳＤＩに基づいて、関心のある伝搬遅延（propagation-delay-of-interest：ＰＤｏＩ）を計算することをさらに含み、前記ＰＤｏＩは選択された伝搬遅延のセットを含み、各伝搬遅延はそれぞれの距離に関連付けられ、各選択された伝搬遅延は第１のオブジェクトの存在に関連付けられ、前記ＰＤｏＩに基づいて、ＰｏＩのセットを計算することをさらに方法。
【0951】
項Ｃ３８：項Ｃ１８の無線監視システムの方法であって、伝搬遅延に関連するＴＳＤＩの変動性測定を計算することであって、それぞれの指向性情報がＴＳＣＩの数及びビームフォーミングに基づいて計算され、変動性測定が、標準偏差、分散、分散の測定、拡散の測定、分散の測定、偏差の測定、発散の測定、範囲、四分位範囲、総変動、絶対偏差、及び総偏差のうちの少なくとも１つを含むことと、伝搬遅延を選択することと、変動性測定が閾値よりも大きい場合、伝搬遅延を少なくとも１つのオブジェクトの存在に関連付けることと、選択された伝搬遅延をＰＤｏＩに追加することと、をさらに備える方法。
【0952】
項Ｃ３９：項Ｃ１９の無線監視システムの方法であって、それぞれの伝搬遅延に関連する伝搬遅延のセットに関連する変動制測定のセットを計算することと、変動制定のセットの関数として閾値を計算することとをさらに含み、関数は、平均、中央値、モード、パーセンタイル、加重平均、幾何平均、調和平均、トリム平均、分散、スケーリング、オフセット、線形関数、非線形関数、単調非減少関数、単調非増加関数、及び複合関数のうちの少なくとも１つを含む方法。
【0953】
項Ｃ４０：項Ｃ１８の無線通信システムの方法であって、ＰＤｏＩが少なくとも２つのクラスタの連続伝搬遅延値を含むことと、ＰＤｏＩの２つのクラスタの間の距離を計算することと、距離が閾値未満である場合に、２つのクラスタの間の欠落伝搬遅延値をＰＤｏＩに追加することによってＰＤｏＩを拡張することとをさらに備える方法。
【0954】
条項Ｃ４１：項Ｃ１８の無線監視システムの方法であって、ＰＤｏＩが連続伝搬遅延値の少なくとも１つのばらばらのクラスタを含み、特定の方向におけるＰＤｏＩにおける伝搬遅延に関連する方向量を検査することと、特定の方向における点のセルを識別することであって、点のセルに関連する伝搬遅延値がＰＤｏＩのクラスタのサブセットであり、セル内の各点が、閾値よりも大きい関連する方向情報を有する、検査することと、点のセルにおいて、セルの以下の特性のうちの少なくとも１つを有する伝搬遅延に関連する特徴点を選択することであって、それは、方向量に関する（ｗ．ｒ．ｔ．）最小、最大、中点、平均、重心、方向量に関する平均、方向量に関する加重平均、方向量に関する中央値、方向量に関するモード、方向量に関するパーセンタイル、方向量に関する最小、方向量に関する最大、方向量に関する極小、方向量に関する極大、方向量に関する最小勾配、方向量に関する最大勾配、方向量に関する極小勾配、方向量に関する極大勾配、及び別の特性である選択することと、選択された特徴点をＰｏＩとしてＰｏＩのセットに加えることと、を含む方法。
【0955】
項Ｃ４２：項Ｃ１８の無線監視システムの方法であって、ＰＤｏＩが連続伝搬遅延値の少なくとも１つのばらばらのクラスタを含み、ＰＤｏＩ内の伝搬遅延に関連する方向量を検査することと、場所内の点のセットを識別することであって、ここで前記点のセットに関連する伝搬遅延値はＰＤｏＩの特定のばらばらのクラスタのサブセットであり、前記セル内の各点は第１の基準を満たす関連する方向情報を有する、識別することと、点の前記セットに関連する各方向について、方向における点の前記セットのサブセット及び関連する方向量のうちの少なくとも１つに基づいて、少なくとも１つの特性点を選択することと、少なくとも１つの選択された特性点をＰｏＩのセットにＰｏＩとして追加すること、をさらに含む方法。
【0956】
項Ｃ４３：項Ｃ２３の無線監視システムの方法であって、ＰｏＩ内の点をリファインすることをさらに含み、リファインすることは、平滑化、フィルタ処理、超解像、補間、１次元（１−Ｄ）補間、２−Ｄ補間、３−Ｄ補間、変換、極座標から直交座標への変換、及び別のプロセスのうちの少なくとも１つを含む方法。
【0957】
項Ｃ４４：項Ｃ１７の無線監視システムの方法であって、ＰｏＩのセットを、関連する方向量に基づいて以下の少なくとも１つによってクリーニングすることであって、それは、ＰｏＩのセットを再サンプリングすること、方向量に基づいて重み付けされたリサンプリングすること、ＰｏＩのセットからあるＰｏＩを除去すること、ＰｏＩのセットにＰｏＩを追加すること、ＰｏＩのセットから重要でないＰｏＩを除去すること、重要でない関連する方向情報を有するＰｏＩを除去すること、閾値未満の方向情報に関連するＰｏＩを除去すること、動的閾値未満の方向情報に関連するＰｏＩを除去すること、適応閾値未満の方向情報に関連するＰｏＩを除去することであって、適応閾値は伝搬遅延に関して単調非減少である除去すること、適応閾値未満の方向情報に関連するＰｏＩを除去することであって、適応閾値は伝搬遅延に関連するレンジの区分線形関数である除去すること、フィルタすること、線形フィルタリングすること、非線形フィルタリングすること、及び他のＰｏＩへの操作である、方法。
【0958】
条項Ｃ４５：項Ｃ１７の無線監視システムの方法であって、ＰｏＩのセット及び関連する方向量を処理し、前記処理に基づいて少なくとも１つのオブジェクトを監視することであって、前記処理は少なくとも、クラスタリング、少なくとも１つのクラスタの識別、少なくとも１つのクラスタを少なくとも１つのオブジェクトに関連付けること、ｋ平均クラスタリングすること、再サンプリングすること、重み付けされた再サンプリングすること、形態学的演算を行うこと、閾値化すること、シルエット分析を行うこと、各ＰｏＩに関連するシルエットを計算すること、及びＰｏＩの同じクラスタ内のＰｏＩから他のＰｏＩまでの平均距離、異なるクラスタ内のＰｏＩからＰｏＩまでの最小距離、と前記２つの距離の極大化、のうちの少なくとも１つに基づいてシルエット値を計算すること、シルエット値を最大化すること、ＰｏＩとクラスタ間の類似性スコアを計算すること、類似性スコアを最大化すること、ＰｏＩが、そのＰｏＩの隣接するクラスタとの分離距離（separation distance）と比較して、ＰｏＩのそれ自身のクラスタにどの程度類似しているかに関する特徴付けスコアを計算すること、特徴付けスコアを最大化する。ＰｏＩの集合をタイムスタンプと関連付けること、ＰｏＩのセットを別のタイムスタンプと関連付けられたＰｏＩのセットと一緒に処理すること、ＰｏＩの集合のグローバル重心を計算すること、密度の制約を満たす全ての近傍点に反復的に拡張すること、それぞれが閾値より大きい密度を有する近傍の点のセットに反復的に拡張すること、特定の半径の近傍円内の点の最小数より大きい、密度を有する近傍点のセットに反復的に拡張すること、重心から平面に拡張された点の集合を射影すること、点の集合から射影された面積を計算すること、平面内の面積を計算すること、各クラスタのメドイドを計算すること、クラスタ内のメドイド距離を計算すること、クラスタ内のすべての点からそのメドイドまでの距離を計算すること、２つのクラスタのメドイド間の距離を計算すること、別の処理を行うこと、のうちの少なくとも１つを含む、方法。
【0959】
項Ｃ４６：項Ｃ１７の無線監視システムの方法であって、コスト関数を最適化するクラスタリングアルゴリズムを適用することによって、ＰｏＩの前記セット内の複数のクラスタを決定することをさらに含み、前記クラスタリングアルゴリズムは、連結性ベースのクラスタリング、階層的クラスタリング、重心ベースのクラスタリング、ｋ平均法アルゴリズム、ベクトル量子化、分布ベースのクラスタリング、多変量正規分布ベースのクラスタリング、ガウス混合ベースのクラスタリング、統計的分布フィッティング、最尤推定、期待値最大化アルゴリズム、密度ベースのクラスタリング、ＤＢＳＣＡＮ、ＯＰＴＩＣＳ、密結合領域識別、部分空間ベースのクラスタリング、バイクラスタリング、共（co-）クラスタリング、２モードクラスタリング、グループベースのクラスタリング、モデルレスクラスタリング、グラフベースのクラスタリング、クリーク（clique）ベースのクラスタリング、準クリークベースのクラスタリング、ＨＣＳクラスタリング、符号付きグラフベースのクラスタリング、バランス理論ベースのクラスタリング、分岐グラフベースのクラスタリング、クラスタリング能力公理ベースクラスタリング、ニューラルネットワーク（ＮＮ）ベースのクラスタリング、自己組織化マップベースのクラスタリング、教師なしＮＮベースのクラスタリング、主成分分析、独立成分分析、構成要素解析、ハードクラスタリング、ソフトクラスタリング、ファジィクラスタリング、厳密区分クラスタリング、外れ値付き厳密区分クラスタリング、重複クラスタリング、代替クラスタリング、多視点クラスタリング及び別のクラスタリングのうちの少なくとも１つを含み、コスト関数の最適化は、最大化、制約付き最大化、グローバル最大化、局所的最大化、メドイドに制限される最大化、最小化、制約付き最小化、グローバル最小化、局所的最小化、メドイドに制限される最小化、及び別の最適化に基づいており、コスト関数は、距離、平均距離、クラスタ内距離、クラスタ間距離、クラスタ内のＰｏＩから同じクラスタ内の別のＰｏＩまでの平均距離、クラスタ内のＰｏＩから別のクラスタのＰｏＩへの最小距離、メドイド距離、クラスタ内メドイド距離、クラスタ間メドイド距離、ユークリッド距離、絶対距離、Ｌ−１ノルム、Ｌ−２ノルム、Ｌ−ｋノルム、シルエット値、平均シルエット値、クラスタ内シルエット値クラスタ間シルエット値、距離に基づくシルエット距離、クラスタ内距離及びクラスタ間距離に基づくシルエット値、クラスタ内のＰｏＩから同じクラスタ内の他のＰｏＩまでの平均距離及びクラスタ内のＰｏＩから他のクラスタ内のＰｏＩまでの最小平均距離に基づくシルエット値、類似性スコア、平均類似性スコア、クラスタ内類似性スコア、クラスタ間類似性スコア、距離に基づく類似性スコア、クラスタ内距離及びクラスタ間距離に基づく類似性スコア、クラスタ内のＰｏＩから同一クラスタ内の他のＰｏＩまでの平均距離及びクラスタ内のＰｏＩから別のクラスタ内のＰｏＩへの最小平均距離に基づく類似性スコア、複数の時間的に近接するシルエット値の数に基づく適応シルエット値、複数の過去のシルエット値に基づく適応シルエット値、重み付け関数の適用に基づく適応シルエット値であって、重み付け関数はクラスタの数ｃｌｕｓｔｅｒｒＮｕｍの関数である、適応シルエット値、重み付け関数の適用に基づく適応シルエット値であって、重み付け関数はｃｌｕｓｔｅｒＮｕｍが過去のｃｌｕｓｔｅｒＮｕｍのセットの多数値に等しい場合に最大である
、適応シルエット値に基づくコスト関数、及び別のコスト関数である、方法。
【0960】
項Ｃ４７：項Ｃ２７の無線監視システムの方法であって、メドイド距離に基づいてＰＤｏＩの集合内のクラスタを検証することと、クラスタ内メドイド距離が閾値よりも大きい場合にクラスタを分割することと、クラスタ間メドイド距離が別の閾値よりも小さい場合に２つのクラスタを結合することとをさらに含む方法。
【0961】
項Ｃ４８：項Ｃ２７の無線監視システムの方法であって、クラスタの数を少なくとも１つのオブジェクトに関連付けることと、及び、少なくとも１つのオブジェクトの計数、関連クラスタに属するすべての点の幾何学的メドイドに基づくオブジェクトの位置、及び関連クラスタに属するすべての点に関連する高さの最高値に基づく第１のオブジェクトの高さのうちの少なくとも１つを計算することとをさらに含む方法。
【0962】
条項Ｃ４９：項Ｃ４の無線監視システムの方法であって、アナログビームフォーミング、デジタルビームフォーミング、非適応ビームフォーミング、適応ビームフォーミング、パラメトリックビームフォーミング、ノンパラメトリックビームフォーミング、圧縮センシングベースビームフォーミング、到来方向の推定、トモグラフィック復元、逆問題に対する解法、最尤法、最大エントロピ法、共分散法、信号行列または自己相関行列または共分散行列の固有値解析、固有値分解、特異値分解（ＳＶＤ）、別の分解、投影、離散フーリエ変換のピーク検出、超解像法、パラメータフリー超解像法、自己回帰（ＡＲ）モデル、自己回帰移動平均（ＡＲＭＡ）モデル、相関行列、行列の逆、方向に関連するステアリングベクトル、最小分散ディストーションレスポンス（ＭＶＤＲ）ビームフォーマ、他の方向からの干渉及びノイズの最小パワー、向いている方向へのディストーションレスポンス、Ｃａｐｏｎビームフォーマ、Ｂｕｔｌｅｒ行列、複数信号分類（ＭＵＳＩＣ）、ＭＵＳＩＣのような方法、時間反転ＭＵＳＩＣ(ＴＲ−ＭＵＳＩＣ）、Ｐｉｓａｒｅｎｋｏ高調波分解、反復スパース漸近最小分散（ＳＡＭＶ）、スペクトル推定、赤池情報量基準（ＡＩＣ）、ベイズ情報量基準（ＢＩＣ）、一般化情報量基準（ＧＩＣ）、基準の別形、モデル次数選択アルゴリズム、信号部分空間決定、雑音部分空間決定、投影、及び別のデジタルビームフォーミング方法、のうちの少なくとも１つに基づいて方向に対する方向情報を計算することをさらに含む方法。
【0963】
項Ｃ５０：項Ｃ１の無線監視システムの方法であって、前記タイプ１デバイスの前記Ｎ１本のアンテナは少なくとも１つの第１の特性間隔を有する第１の格子に配置され、前記タイプ２デバイスの前記Ｎ２本のアンテナは少なくとも１つの第２の特性間隔を有する第２の格子に配置される、方法。
【0964】
ここで、タイプ１デバイス及びタイプ２デバイスは場所内の２つの異なった位置に配置されるか、タイプ１デバイス及びタイプ２デバイスは場所内の同じ位置に配置されるか、タイプ１デバイス及びタイプ２デバイスはプローブ信号を送信し、受信されたプローブ信号からＴＳＣＩの数を取得する集積回路（ＩＣ）を備える同じデバイス、の内の少なくとも１つである。
【0965】
項Ｃ５１：項Ｃ１の無線監視システムの方法であって、場所内に２つのペア以上のタイプ１デバイス及びタイプ２デバイスのペアがあり、ペアのそれぞれのタイプ２デバイスが前記ペアの前記それぞれのタイプ１デバイスから非同期にそれぞれの無線信号を受信し、それぞれのＴＳＣＩを非同期に取得し、第１のペアのタイプ１デバイス及びタイプ２デバイスが並置され、第２のペアのタイプ１デバイス及びタイプ２デバイスが、場所内の２つの異なった位置に配置される、方法。
【0966】
項Ｃ５２：項Ｃ１の無線監視システムであって、前記第１の反復運動が、非繰り返し的、反復１回、反復２回、反復複数回数、規則的、不規則的、周期的、疑似周期的、及び一時的に周期的のうちの少なくとも１つである方法。
【0967】
項Ｃ５３：項Ｃ１又は項Ｃ２の無線監視システムの方法であって、第１の情報（ｉｎｆｏ）及び節Ｃ２の無線監視システムの方法であって、第１の情報（ｉｎｆｏ）及び第２の情報は、周期性情報、リズム情報、タイミング情報、強度情報、規則性情報、瞬間的な情報、統計情報、通常から逸脱した情報、状態情報、状態遷移情報、瞬時情報、局所情報、移動情報、スライド情報、重み付け情報、モーション情報、近接情報、存在情報、動作情報、ジェスチャ情報、歩容情報、歩容サイクル情報、行動情報、活動情報、ふるまい情報、日常ルーチン情報、位置情報、ナビゲーション情報、位置決め情報、局在情報、トラッキング情報、座標情報、空間情報、時間情報、トレンド情報、履歴情報、ユーザ情報、識別情報、認識情報、分類情報、場所情報、数量情報、計数情報、イベント情報、安全情報、緊急情報、呼吸情報、心拍情報、スリープ情報、バイオメトリック情報、心肺情報、日常活動情報、慢性疾病情報、医療情報、ヒストグラム、平均、平均化、移動平均、加重平均化、加重平均、トリム平均、分散、標準偏差、相関、相関係数、相関係数、中央値、モード、重み付き中央値、分布、統計、条件付き分析、条件付き統計、条件付き平均、条件付き分散、条件付き中央値、条件付きモード、短期相関、長期相関、自己相関、相互相関、相関指標、短期共分散、長期共分散、自己共分散、相互共分散、共分散指標、変動の尺度、ばらつき、分散、散乱、偏差、ダイバージェンス、レンジ、四分位範囲、全変動、絶対偏差、全偏差、算術平均、幾何平均、調和平均、トリム平均、パーセンタイル、四分位、指標、表示、早期表示、瞬時表示、同時期表示、遅延のある表示、パターン、ワンタイムパターン、繰返しパターン、発展するパターン、時間パターン、相互排他的パターン、関連パターン、相関パターン、典型的パターン、異形パターン、開始、停止、休止、再開、有、無、近接、イベント、正常なイベント、怪しいイベント、危険イベント、アラームイベント、警告、信用、衝突、振幅、強度、強さ、頻度、周期、期間、位相、位相ラグ、サイクル、時間、タイミング、開始時間、終了時間、持続期間、タイムラグ、オフセット、シフト、偏差、分散、変化、変更、調整、適応、方向付け、方向、軸、位置、距離、変位、高さ、速度、加速度、角度、角度距離、角速度、角加速度、半径方向距離、角度変位、変位、急変、徐々に変化、周波数の変化、周期の変化、遷移、生体計測、呼吸数、呼吸周期、呼吸タイミング、呼吸リズム、呼吸パターン、呼吸の強さ、呼吸の振幅、呼吸の深さ、呼吸の変動、呼吸数の変動、心拍数、心拍周期、心拍、心拍タイミング、ハートリズム、ハートビート強度、ハートビート振幅、ハートビート変動、心拍変動（ＨＲＶ）、状態、睡眠状態、急速眼球運動（ＲＥＭ）状態、非急速眼球運動（ＲＥＭ）状態、起きている状態、セキュリティ状態、動作状態、動作強度、動きタイプ、動き分類、静的動作、非静的動作、静止動作、非静止動作、統計パラメータ、解析機能、オブジェクトタイプ、オブジェクト分類、静的オブジェクト、非静的オブジェクト、アクティブオブジェクト、非アクティブオブジェクト、アクティブな非静的オブジェクト、非アクティブ非静的オブジェクト、及び病気、状態、状況、傾向、周期、行動、パターン、傾向、傾斜、原因と影響、相関のうちの少なくとも１つの、示唆、サイン、指示、検証、検出、症状のうち少なくとも１つ、及び他の情報の内の少なくとも１つを含む、方法。
【0968】
項Ｃ５４：項Ｃ１８の無線監視システムの方法であって、それぞれの検査量が、支配的、代表的、特徴的、指標的、典型的、模範的、好例、主要、著名、共通、共有、典型的、プロトタイプ的、平均的、規則的、持続的、通常、標準、非定型的、非通常、異常、及び非代表的のうちの少なくとも１つである、量、ベクトル、行列、データ、データ構造、データセット、特徴、大きさ、位相、CI、CIコンポーネント、方向情報（ＤＩ）及びＤＩ成分の内の少なくとも１つと類似性、類似性尺度、類似性スコア、２つのＣＩ間の類似性、２つのＣＩのベクトル間の類似性、２つのＣＩのウィンドウ間の類似性、異なるウィンドウ長さを持つＣＩの２つのウィンドウ間の類似性、２つのＤＩ間の類似性、ＤＩの２つのベクトル間の類似性、ＤＩの２つのウィンドウ間の類似性、違うウィンドウ長さを持つ２つのＤＩのウィンドウ間の類似性、距離スコア、２つのＣＩ間の距離測定値、ＣＩの２つのベクトル間の距離測定値、ＣＩの２つのウィンドウ間の距離測定値、アラインされてマップされたＣＩの２つのウィンドウ間の距離測定値、ダイナミックタイムワーピング（dynamic time warping （DTW）)を使用してアラインされたＣＩの２つのウィンドウ間の距離測定値、２つのＤＩ間の距離想定値、ＤＩの２つのベクトル間の距離測定値、Ｄｉの２つのウィンドウ間の距離測定値、アラインされてマップされたＤＩの２つのウィンドウ間の距離測定値、ダイナミックタイムワーピング（DTW）を使用してアラインされたＤＩの２つのウィンドウの距離測定値、ユークリッド距離、絶対距離、Ｌ−１距離、Ｌ−２距離、Ｌ−ｋ距離、重み付け距離、グラフ距離、距離メトリック、ノルム、Ｌ−１ノルム、Ｌ−２ノルム、Ｌ−ｋノルム、擬似メトリック、拡張メトリック、、擬似メトリック、メタメトリック、準メトリック、擬似準メトリック、メトリックテンソル、バイリニアフォーム、相関、２つのＣＩの相関、２つのＤＩの相関、相関係数、相関インジケータ、自己相関自己相関関数（ＡＣＦ）、相互相関、内積、ドット積、外積、共分散、自己共分散、相互共分散、識別スコア、大きさ、位相、平均、時間平均、空間平均、重み付け平均、方向平均、半径方向平均、分散、標準偏差、可変性測定値、可変性メトリック、トータル変動、絶対変動、変動の測定値、拡散、散乱、偏差、全偏差、ダイバージェンス、尤度、確率分布関数、サンプル分布、積率母関数、期待値、期待関数、全変化、絶対変化、変化の測定値、ひろがり、偏差、全偏差、ダイバージェンス、レンジ、四分位数範囲、加重平均、トリム平均、算術平均、幾何平均、調和平均、条件平均、中央値、モード、パーセンタイル、線形結合、変換、位置、位置決め、位置座標、位置の変化、ポジション、地図位置、高さ、水平位置、垂直位置、距離、変位、速度、加速度、回転速度、回転加速度、方向、運動角、方位、運動方向回転、通り道、変形、変換、縮小、拡張、位置特性、歩容、歩容サイクル、ジェスチャ、手書き、頭の動き、口の動き、手の動き、脚の動き、体の動き、心臓の動き、内臓の動き、ツールの動き、機械の動き、複雑な動き、複数の動きの組み合わせ、動きの傾向、反復、周期性、疑似周期性、衝動性、突然性、転倒発生、再発、一時的イベント、行動、一時的行動、期間、時間傾向、時間的プロファイル、時間的特性、事件、時間、タイミング、出発時間、開始時間、終了時間、継続時間、履歴、動き分類、動きタイプ、変化、時間変化、周波数変化、CI変化、ＤＩ変化、タイミング変化、歩容周期変化、周波数スペクトル、周波数特性、頻度、存在、不在、近接、接近、後退、オブジェクト識別子、オブジェクト構成、口関連速度、眼関連速度、歩行速度、呼吸速度、心拍数、周期性測定、周期性メトリック、一回呼吸量、呼吸深度、吸い込み時間、吐き出し時間、吸い込み時間と吐き出し時間の比、気流速度、心臓の対心拍間隔、心拍数の変動性、動き検出統計、動き識別統計、動き認識統計、信号統計、信号ダイナミクス、異常、パラメータ、動きの大きさ、動き位相、動き信号変換、動き特徴、オブジェクトの存在、オブジェクトの不在、オブジェクトの入り口、オブジェクトの出口、オブジェクトの変化、動きサイクル、動きカウント、歩容サイクル、動きリズム、変形動き、サイズ、長さ、面積、体積、容量、形状、フォーム、タグ、出発/開始場所、終了場所、出発/開始数量、終了数量、イベント発生、イベント統計、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、組立ラインイベント、メンテナンスイベント、車両関連イベント、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、ウィンドウイベント、ウィンドウオープンイベント、ウィンドウクローズイベント、繰り返し可能なイベント、ワンタイムイベント、消費量、未消費量、状態、物理的状態、ヘルス状態、健康状態、感情状態、精神状態、別のイベント、分析、出力応答、及び別の試験量、の内の少なくとも１つを含む、方法。
【0969】
項Ｃ５５：項Ｃ１８の無線監視システムの方法であって、それぞれの試験量を、ＴＳＤＩのＤＩ、ＤＩに関連する時間、ＤＩの成分のうちの少なくとも１つ、及び、ＤＩの成分に関連するタイムラグ、場所の点、方向、距離、幾何座標及び地図座標の内の少なくとも１つ、及びＤＩ及び時間、ＤＩ、ＤＩ成分、大きさ、ベクトルノルム、ＤＩの大きさ、ＤＩ成分の大きさ、位相、ＤＩ位相、ＤＩ成分位相、共役、実数部分、虚数部分、サイン、正方形、立方体、根、電力、大きさ二乗、大きさ三乗、電力の大きさ、絶対値及び複数の量の集積の内の少なくとも１つに関連する量、及び線形関数、非線形関数、区分線形関数、多項式、三角関数、サイン、コサイン、タンジェント、楕円関数、放物関数、双曲線関数、対数関数、指数関数、代数関数、特殊関数、ゲーム関数、ゼータ関数、ベッセル関数、ベータ関数、ガンマ関数、ガウス関数、誤差関数、相補誤差関数、ポアソン関数、逆関数、超越関数、絶対関数、論理関数の内の少なくとも１つを含む数量の単一の関数、及び時間、方向及び距離の少なくとも１つに関する微分、高次導関数、しきい値処理、ソフトしきい値、ハードしきい値、インジケータ関数、クリッピング、ソフトクリッピング、量子化、マッピング、シフト、スケーリング、ゼロ交差、グループ、セット、コレクション、ユニオン、交差、複合関数、及び関数の関数、及びＤＩの近傍、近傍ＤＩ、ＤＩの時間の時間近傍、時間近傍の時間近傍ＤＩ、ポイントの空間近傍、空間近傍の空間近傍ＤＩ、方向の方向近傍 方向的に近傍のＤＩ、半径方向の距離の近傍、半径方向に隣接するＤＩ、及び幾何学座標及び地図座標、幾何学的に隣接するＤＩのうちの少なくとも１つに関連する幾何学的近傍、近傍ＤＩ、時間的に近傍のＤＩ、空間的に近傍のＤＩ、方向的に近傍のＤＩ、半径方向で近傍のＤＩ、及び幾何学的に近傍のＤＩのうちの少なくとも１つのセット、及び量の多変量関数であって、平均、時間平均、空間平均、平均、分散、標準偏差、総変動、絶対変動、変動の測定値、広がり、分散、偏差、総偏差、発散、範囲、四分位範囲、加重平均、トリム平均、算術平均、幾何平均、調和平均、条件付き平均、中央値、モード、パーセンタイル、線形結合、変換、短期統計、長期統計、自己相関（ACF）、電力スペクトル密度（PSD）、相互相関関数、共分散関数、モーメント生成関数、フィルタリング、畳み込み、線形フィルタリング、区分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、ウィンドウフィルタリング、コンスタント誤警報率（CFAR）ウィンドウフィルタ処理、1D-CFARフィルタ処理、2D-CFARフィルタ処理、3D-CFARフィルタ処理、中央値フィルタ処理、ランクフィルタ処理、マッチドフィルタ処理、粒子フィルタ、適応フィルタ処理、平滑化、一次微分、二次微分、高次導関数、周波数変換、離散時間変換、離散変換、フーリエ変換、DFT、FFT、コサイン変換、DCT、サイン変換、DST、ラプラス変換、アダマール変換、ヒルベルト変換、ウェーブレット変換、三角関数変換、サイン変換、コサイン変換、DCT、整数変換、スパース変換、グラフベースの変換、射影、直交射影、非直交射影、過剰完全射影、固有分解、特異値分解（SVD）、主成分分析（PCA）、独立成分分析（ICA）、最大化、最小化、同期、時間補正、位相補正、大きさ補正、正規化、ベクトル量子化、クラスタリング、マッチング追跡、圧縮センシング、ニューラルネットワーク、機械学習、ディープラーニング、トレーニング、判別トレーニング、検出、推定、分類、識別、スライディング関数、移動関数、確率関数、確定関数、周期関数、繰り返し関数、スパース近似、回帰、平滑化、ゼロ交差、ノイズ除去、拡張、コーディング、暗号化、リサンプリング、アップサンプリング、ダウンサンプリング、ランダムサンプリング、重要度サンプリング、補間、外挿、繰り返し、ゼロパディング、前処理、後処理、グループ、セット、コレクション、ユニオン、インターセクション、論理演算、複合関数、関数の関数、近傍のＤＩのセットの量の多変量関数、近傍のＤＩのセットの量の単一関数の多変量関数、時間的に近傍のＤＩのセットの量の多変量関数、時間的に近傍のＤＩのセットの量の単一関数の多変量関数、空間的に近傍のＤＩのセットの量の多変量関数、空間的に近傍のＤＩのセットの量の単一関数の多変量関数、方向的に近傍のＤＩのセットの量の多変量関数、方向的に近傍のＤＩのセットの量の単一関数の多変量関数、半径方向に近傍のＤＩのセットの量の多変量関数、半径方向に近傍のＤＩのセットの量の単一関数の多変量関数、幾何学的に近傍のＤＩのセットの量の多変量関数、幾何学的に近傍のＤＩのセットの量の単一関数の多変量関数、 そして別のテスト量、のうちの少なくとも１つに基づいて計算する方法。
【0970】
条項Ｃ５６：項Ｃ１８の無線監視システムの方法であって、それぞれの閾値を、それぞれの予め決めたしきい値、それぞれの固定しきい値、それぞれの適応しきい値、しきい値のスケーリング、しきい値の最大値、しきい値の最小値、しきい値の加重平均、ＴＳＤＩのＤＩ、ＤＩに関連付けられた時間、ＤＩのコンポーネント、及びＤＩの成分に関連するタイムラグ、場所の地点、方向、距離、幾何座標、地図座標、及びＤＩの近傍、隣接ＤＩ、ＤＩの時間の時間近傍、時間近傍の時間近傍ＤＩ、点の空間近傍、空間近傍の空間近傍ＤＩ、方向の方向近傍、方向的に近傍のＤＩ、半径方向の距離の近傍、半径方向に近傍のＤＩ、及び幾何学的座標と地図座標、幾何学的に近傍のＤＩとの内の少なくとも１つに関連する幾何近傍、及び隣接ＤＩ、時間的に近傍のＤＩ、空間的に近傍のＤＩ、方向的に近傍のＤＩ、半径方向に近傍のＤＩ、及び幾何学的に近傍のＤＩの内の少なくとも１つのセット、及びＤＩと、時間、ＤＩ、ＤＩ成分、大きさ、ベクトルノルム、ＤＩの大きさ、ＤＩ成分の大きさ、位相、ＤＩ位相、ＤＩ成分位相、共役、実数部、虚数部、サイン、平方、立方体、根、電力、大きさ二乗 、大きさ三乗、電力の大きさ、絶対値、及び複数の量の集積の内の少なくとも１つを含むＤＩの成分と農地の少なくとも１つに関連する量、及び近傍のＤＩのセットに関連する量の処理、時間的に近傍のＤＩのセットに関連する量の処理、空間的に近傍のＤＩのセットに関連する量の処理、方向的に近傍のＤＩのセットに関連する量の処理、半径方向に近傍のＤＩのセットに関連付けられた数量の処理、ＤＩの直接近傍を除く隣接ＤＩに関連する量の加重平均、隣接ＤＩに関連する量の統計、ＤＩの直接近傍を除くＤＩの近傍の関数、ＤＩの近傍を除くＤＩの隣接セルの関数フィルタリング、畳み込み、線形フィルタリング、区分的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、平均化、バンドパスフィルタリング、ハイパスフィルタリング、ウィンドウフィルタリング、コンスタント誤警報率（CFAR）ウィンドウフィルタリング、1D-CFARフィルタリング、2D-CFARフィルタリング、3D-CFARフィルタリング、平均フィルタリング、中央値フィルタリング、ランクフィルタリング、モードフィルタリング、トリム平均フィルタリング、パーセンタイルフィルタリング、マッチドフィルタリング、粒子フィルタ、適応フィルタリング、平滑化、1次微分、2次微分、高次微分、平均、時間平均、空間平均、平均、分散、標準偏差、総変動、絶対変動、変動の測定、広がり、分散、偏差、総偏差、ダイバージェンス、範囲、四分位範囲、加重平均、トリム平均、算術平均、幾何平均、調和平均、条件付き平均、中央値、モード、パーセンタイル、線形結合、変換、短期統計、長期統計、自己相関（ACF）、電力密度（PSD）、相互相関関数、共分散関数、モーメント生成関数、及び他の閾値の内の少なくとも１つに基づいて計算する方法。
【0971】
項Ｃ５７：項Ｃ１８の無線監視システムの方法であって、特定のＴＳＤＩの特定のＤＩの特定の成分に関連する試験量がそれぞれの閾値よりも大きいという決定に基づいて、特定の方向における特定の距離の特定の点における特定の時点における第１のオブジェクトの存在を検出することをさらに含み、特定のＴＳＤＩは特定の方向に関連し、特定のＤＩは特定の時間に関連し、特定の成分は特定の距離時間に関連する、方法。
【0972】
条項Ｃ５８：項Ｃ５７の無線監視システムの方法であって、少なくとも第２の試験量と第３の試験量とのうちの１つをさらに計算することであって、計算は、特定の方向に関連付けられた特定のＴＳＤＩ、特定の方向の隣接方向のセットに関連付けられた方向的に近傍のＴＳＤＩのセット、特定のポイントの近傍の方向のセット内の方向的に近傍のＤＩのセット、方向的に近傍のＴＳＤＩの１つからの各方向的に近傍のＤＩ、特定のポイントの方向的に近傍の方向的に近傍のＤＩのセット、特定の時間に関連付けられた方向的に近傍のＤＩのセット、特定の時間に関連付けられる特定のＴＳＤＩの特定のＤＩ、特定のＤＩの近傍のタイムスタンプのセットに関連付けられている特定のＴＳＤＩの近傍のＤＩのセット、特定のＤＩに関連付けられている特定のＴＳＤＩのＤＩのタイムウィンドウ、特定のＣＩの特定の時間の時間的近傍の時間的に近傍のＤＩのセット、特定のＴＳＤＩの時間的に近傍のＤＩのセット、方向的に近傍のＴＳＤＩの時間的に近傍のＤＩのセット、特定のＴＳＤＩの特定のＤＩの特定の成分、特定の成分に関連付けられた特定のＴＳＤＩの特定のＤＩの隣接成分のセット、特定のコンポーネントの隣接コンポーネントインデックスのセットに関連付けられた特定のＴＳＤＩの特定のＤＩにおける半径方向に近傍のＤＩコンポーネントのセット、特定のコンポーネントに関連付けられた特定のＴＳＤＩの特定のＤＩのコンポーネントのセクション、特定の点の半径方向の近傍にある半径方向に近傍のＤＩのセット、半径方向に近傍のＤＩのセット、特定の点の空間的近傍にある空間的に近傍のＤＩのセット、特定の点の近傍の距離のセットにある空間的に近傍のＤＩのセット、及び特定の点の近傍における隣接ＤＩのセット、のうちの少なくとも１つに基づく計算することと、特定の点において第１のオブジェクトを分類することであって、分類は、第２の試験量及び第３の試験量の少なくとも１つに基づき、第２の試験量と第３の試験量は、静的オブジェクト、非静的オブジェクト、アクティブオブジェクト、非アクティブオブジェクト、アクティブ非静的オブジェクト、非アクティブ非静的オブジェクト、静的動き（非モーション）を持つオブジェクト、非静的動き（非ゼロモーション）を持つオブジェクト、静止した動き（例：呼吸、心拍、規則的な動き、周期的な動き、規則的なランダムな動き、周期的なランダムな動き）を持つオブジェクト、支配的及び次に支配的な少なくとも2つの静止した動きがあるオブジェクト、非静止運動（例：一時的な運動、不規則な運動、不規則なランダム運動、非反復運動、1回の運動）、周期的な運動（例：呼吸、心拍、通常の運動、定常運動、周期的なランダム運動）のあるオブジェクト、支配的及び次に支配的な少なくとも2つの周期的な動きを持つオブジェクト、非周期的な動きのあるオブジェクト、ランダムな動きのあるオブジェクト（例：不規則なランダムな動き、ランダムな体の動き）、非ランダムな動きのあるオブジェクト（たとえば、ランダムな体の動き）、規則的動きのあるオブジェクト（たとえば、呼吸、心拍、規則的動き、静止した動き、周期的なランダムモーション）、不規則な動き（一時的な動き、ランダムな動き、ランダムな体の動き、予測できない動き、衝撃的な動き、不規則なランダムな動き、繰り返しのない動き、1回限りの動き）を持つオブジェクト、別の種類のオブジェクトと別の種類の動きを持つオブジェクトである、分類することと、を含む方法。
【0973】
項Ｃ５９：項Ｃ５８の無線監視システムの方法であって、第２の試験量が第２の閾値Ｔ２未満である場合に、特定の点における第１のオブジェクトを静的オブジェクトとして分類することと、第２の試験量がＴ２より大きい場合に、特定の点における第１のオブジェクトを非静的オブジェクトとして分類することと、第２の試験量がＴ３より大きい場合に、第１のオブジェクトをアクティブ非静的オブジェクトとして分類することと、第２の試験量がＴ２とＴ３との間であり、第３の試験量が第４の閾値Ｔ４より小さい場合に、第１のオブジェクトをアクティブ非静的オブジェクトとして分類することと、第２の試験量がＴ２とＴ３との間であり、第３の試験量が第４の閾値Ｔ４より大きい場合に、第１のオブジェクトを非アクティブ非静的オブジェクトとして分類すること、のうちの少なくとも１つをさらに含む、方法。
【0974】
項Ｃ６０：Ｃ５８の無線監視システムの方法であって、第２の試験量が第２の閾値Ｔ２未満である場合に、特定の点における第１のオブジェクトを静的オブジェクトとして分類することと、第２の試験量がＴ２よりも大きい場合に、特定の点における第１のオブジェクトを非静的オブジェクトとして分類することと、第２の試験量がＴ２よりも大きいが第３の閾値Ｔ３未満であり、第３の試験量が第４の閾値Ｔ４よりも大きい場合に、第１のオブジェクトを非アクティブ非静的オブジェクトとして分類することと、そうでない場合に、第１のオブジェクトをアクティブ非静的オブジェクトとして分類すること、のうちの少なくとも１つをさらに含む、方法。
【0975】
項Ｃ６１：項Ｃ５８に記載の無線監視システムの方法であって、第２の試験量が第２の閾値Ｔ２未満である場合に、特定の点における第１のオブジェクトの動きを静的であると分類することと、第２の試験量がＴ２より大きい場合に、第１のオブジェクトの動きを非静的であると分類することと、第２の試験量が、Ｔ２よりも大きい第３の閾値よりも大きい場合、第１のオブジェクトの動きを非静的及び、非静止、非周期的、不規則、及びランダムのうちの少なくとも１つに分類することと、第２の試験量がＴ２とＴ３との間にあり、第３の試験量が第４の閾値Ｔ４未満である場合に、第１のオブジェクトの動きを非静的及び、非静止、非周期的、不規則、及びランダムの内の少なくとも１つに分類することと、第２の試験量がＴ２とＴ３ｎｏ間で第３の試験量が第４の閾値Ｔ４より大きい場合に、第１のオブジェクトの動きを非静的及び、静止、周期的、規則的、及び非ランダムのうちの少なくとも１つと分類すること、のうちの少なくとも１つをさらに含む方法。
【0976】
項Ｃ６２：項Ｃ５８の無線監視システムの方法であって、第２の試験量が第２の閾値Ｔ２未満である場合に、特定の点における第１のオブジェクトの動きを静的であると分類することと、第２の試験量が第２の閾値Ｔ２よりも大きい場合に、第１のオブジェクトの動きを非静的であると分類することと、第２の試験量がＴ２よりも大きいが第３の閾値Ｔ３よりも小さく、第３の試験量が第４の閾値Ｔ４よりも大きい場合に、静止、第１のオブジェクトの動きを非静的及び、静止、周期的、規則的、及び非ランダムのうちの少なくとも１つに分類することと、そうでなければ第１のオブジェクトの動きを非静的及び、非静止、非周期的、不規則、及びランダムの内の少なくとも１つに分類すること、のうちの少なくとも１つをさらに含む、方法。
【0977】
項Ｃ６３：項Ｃ５８の無線監視システムの方法であって、第３の試験量が第４の閾値Ｔ４より大きい場合に、第１のオブジェクトを非アクティブ非静的オブジェクトとして分類することと、第３の試験量がＴ４未満であり、第２の試験量が第２の閾値Ｔ２より大きい場合に、第１のオブジェクトをアクティブ非静的オブジェクトとして分類することと、第３の試験量がＴ４未満であり、第２の試験量がＴ２未満である場合に、第１のオブジェクトを静的オブジェクトとして分類することと、第２の試験量がＴ２より大きい場合に、第１のオブジェクトを非静的オブジェクトとして分類すること、のうちの少なくとも１つをさらに含む方法。
【0978】
項Ｃ６４：項Ｃ５８の無線監視システムの方法であって、第３の試験量が第４の閾値Ｔ４よりも大きい場合、第１のオブジェクトの動きを非静的及び静止、周期的、規則的、非ランダムのうちの少なくとも１つに分類することと、第３の試験量がＴ４よりも小さく、第２の試験量が第２の閾値Ｔ２よりも大きい場合、第１のオブジェクトの動きを非静的及び、非静止、非周期的、不規則、及びランダムのうちの少なくとも１つに分類することと、第３の試験量がＴ４よりも小さく、第２の試験量が第２の閾値Ｔ２よりも小さい場合、第１のオブジェクトの動きを静的オブジェクトとして分類することと、第３の試験量がＴ４よりも大きく、第２の試験量がＴ２よりも大きい場合、第１のオブジェクトの動きを非静的オブジェクトとして分類すること、のうちの少なくとも１つを含む方法。
【0979】
項Ｃ６５：項Ｃ５８の無線監視システムの方法であって、第２の試験量及び第３の試験量のうちの少なくとも１つは、量、ベクトル、マトリックス、データ、データ構造、データセット、特徴、大きさ、位相、ＣＩ、ＣＩ成分、方向情報（ＤＩ）、及びＤＩ成分のうちの少なくとも１つを含み、これらは、支配的、代表的、特徴的、指標的、典型的、模範的、主要、キー、著名、共通、共有、典型的、プロトタイプ的、平均的、規則的、持続的、通常、正常、非定型的、非日常的、異常、及び非代表的、類似性、類似性測定値、類似性スコア、2つのCI間の類似性、2つのCI間の類似性、CIの2つのベクトル間の類似性、CIの2つのウィンドウ間の類似性、ウィンドウの長さが等しくないCIの2つのウィンドウ間の類似性、2つのＤＩ間の類似性、ＤＩの2つのベクトル間の類似性、ＤＩの2つのウィンドウ間の類似性、ウィンドウの長さが等しくないＤＩの2つのウィンドウ間の類似性、距離スコア、2つのCI間の距離測定値、ＣＩの2つのベクトル間の距離測定値、CIの2つのウィンドウ間の距離測定値、アラインされて及びマッピングされたCIの2つのウィンドウ間の距離測定値、ダイナミックタイムワーピング（DTW）を使用してアラインされたCIの2つのウィンドウ間の距離測定値、2つのＤＩ間の距離測定、ＤＩの2つのベクトル間の距離測定値、ＤＩの2つのウィンドウ間の距離測定値、アライン及びマッピングされたＤＩの2つのウィンドウ間の距離測定値、ダイナミックタイムワーピング（DTW）を使用してアラインされたＤＩの2つのウィンドウ間の距離測定値、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、グラフ距離、距離メトリック、ノルム、L-1ノルム、L-2ノルム、L-kノルム、疑似メトリック、拡張メトリック、準メトリック、メタメトリック、セミメトリック、プレメトリック、疑似準メトリック、メトリックテンソル、双線形形式、相関、2つのCIの相関、2つのＤＩの相関、相関係数、相関インジケータ、自己相関関数（ACF）、フェーズのACF、量のフェーズのACF、ＤＩ（またはCI）の成分のフェーズのACF、特定のＴＳＤＩ（又は特定のＴＳＣＩの特定のＣＩ）の特定のＤＩの特定の成分のフェーズのＡＣＦ、ACFの特徴、ACFの極大、ACFの最初のピーク、極大の大きさ、最初のピークの大きさ、相互相関、内積、ドット積、外積、共分散、自己共分散、相互共分散、判別スコア、大きさ、位相、平均、時間平均、空間平均、平均、加重平均、時間平均、空間平均、方向平均、半径平均、分散、位相の分散、大きさの分散、標準偏差、変動性測定、変動性メトリック、総変動、絶対変動、平均二乗変動、変動の測定値、広がり、分散、偏差、総偏差、平均二乗偏差、ダイバージェンス、空間変動性測定、空間変動性メトリック、空間的分散、時間的分散、時間的標準偏差、時間的変動性測定値、時間的変動性メトリック、時間的総変動、時間的絶対変動、時間的平均二乗変動、時間的変動測定、時間的広がり、時間的分散、時間的偏差、時間的総偏差、時間的平均二乗偏差、時間的ダイバージェンス、尤度、確率分布関数、標本分布、積率母関数、期待値、期待関数、総変動、絶対変動、変動の測定値、広がり、分散、偏差、総偏差、ダイバージェンス、範囲、四分位範囲、加重平均、トリム平均、算術平均、幾何平均、調和平均、条件付き平均、中央値、モード、パーセンタイル、線形結合、変換、位置、ローカリゼーション、位置座標、位置の変化、位置、マップ位置、高さ、水平位置、垂直位置、距離、変位、速度、加速度、回転速度、回転加速度、方向、動きの角度、方位角、動きの方向、回転、パス、変形、変換、縮小、拡大、位置特性、歩容、歩容サイクル、ジェスチャ、手書き、頭の動き、口の動き、手の動き、脚の動き、体の動き、心臓の動き、内臓の動き、ツールの動き、機械の動き、複雑な動き、複数の動きの組み合わせ、動きの傾向、反復、周期性、疑似周期性、衝動性、突発性、転倒発生、再発、一時的イベント、行動、一時的行動、期間、頻度、時間傾向、時間的プロファイル、時間的特性、発生、時間、タイミング、出発時間、開始時間、終了時間、継続時間、履歴、動き分類、動きタイプ、変化、時間的変化、周波数変化、CI変化、ＤＩ変化、タイミング変化、歩容周期変化、周波数スペクトル、周波数特性、周波数、存在、不在、近接、接近、後退、オブジェクト識別子、オブジェクト構成、口関連速度、眼関連速度、歩行速度、呼吸数、心拍数、周期性測定、周期性メトリック、一回呼気量、呼吸深度、吸入時間、吐き出し時間、吸気時間と吐く時間の比率、空気流量、心臓の鼓動対心拍の間隔、心拍数の変動性、動き検出統計、動き識別統計、動き認識統計、信号統計、信号ダイナミクス、異常、パラメータ、動きの大きさ、モーションフェーズ、モーション信号変換、動き特徴、オブジェクトの存在、オブジェクトの不在、オブジェクトの入り口、オブジェクトの出口、オブジェクトの変化、動きサイクル、動き回数、歩容サイクル、動きのリズム、モーションサイズを変更、サイズ、長さ、面積、体積、容量、形状、フォーム、タグ、開始/開始場所、終了場所、開始/開始数量、終了数量、イベント発生、イベント統計、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、組立ラインイベント、メンテナンスイベント、車両関連イベント、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、ウィンドウイベント、ウィンドウオープンイベント、ウィンドウクローズイベント、繰り返し可能なイベント、1回限りのイベント、消費量、未消費量、状態、物理的状態、ヘルス状態、健康状態、感情状態、精神状態、別のイベント、分析、出力応答、及び別の試験量のうちの少なくとも１つであるうる。
【0980】
項C６６：項Ｃ１８の無線監視システムの方法であって、第２の試験量及び第３の試験量のうちの少なくとも１つを計算することをさらに含み、計算は、ＴＳＤＩのＤＩ、ＤＩに関連するタイムスタンプ、ＤＩの成分、及びＤＩの成分に関連するタイムラグ、場所の点、方向、距離、幾何座標及び地図座標のうちの少なくとも１つ、及びＤＩと時間、ＤＩ、ＤＩ成分、大きさ、ベクトルノルム、ＤＩの大きさ、ＤＩ成分の大きさ、フェーズ、ＤＩフェーズ、ＤＩ成分フェーズ、共役、実数部、虚数部、サイン、平方、立方体、根、パワー、大きさの二乗 、大きさの三乗、パワーの大きさ、絶対値、及び複数の量のコレクションのうちの少なくとも１つを含むＤＩの成分とのうちの少なくとも１つに関連する量、及び量（quantity）の単一の関数（unitary function）であって、線形関数、非線形関数、区分線形関数、多項式、三角関数、正弦、余弦、正接、楕円関数、放物関数、双曲線関数、対数関数、指数関数、代数関数、特殊関数、ゲーム関数、ゼータ関数、ベッセル関数、ベータ関数、ガンマ関数、ガウス関数、誤差関数、相補誤差関数、ポアソン関数、逆関数、超越関数、絶対関数、論理関数、時間と方向と距離の少なくとも１つに関する微分、高次導関数、しきい値処理、ソフトしきい値、ハードしきい値、インジケータ関数、クリッピング、ソフトクリッピング、量子化、マッピング、シフト、スケーリング、ゼロクロッシング、グループ化、セット、コレクション、ユニオン、交差、複合関数、及び関数の関数、の内の少なくとの１つを含む単一の関数、及びＤＩの近傍、隣接ＤＩ、ＤＩの時間の時間近傍、時間近傍の時間的近傍ＤＩ、ポイントの空間近傍、空間近傍の空間近傍ＤＩ、方向近傍 方向、方向的に近傍のＤＩ、半径方向の距離の近傍、半径方向に近傍のＤＩ、幾何座標及び地図座標のうちの少なくとも１つに関連する幾何的近傍、幾何的に近傍のＤＩ、及び隣接ＤＩ、時間的に近傍のＤＩ、空間的に近傍のＤＩ、方向的に近傍のＤＩ、半径方向に近傍のＤＩ、及び幾何学的に近傍のＤＩの内の少なくとも１つのセット、及び近傍のＤＩのセットに関連付けられた数量の多変量関数であって、平均、時間平均、空間平均、平均、分散、時間分散、空間分散、標準偏差、総変動、絶対変動、変動の測定値、広がり、分散、偏差、総偏差、ダイバージェンス、範囲、四分位範囲、加重平均、トリム平均、算術平均、幾何平均、調和平均、条件付き平均、中央値、モード、パーセンタイル、線形結合、変換、短期統計、長期統計、自己相関（ACF）、電力スペクトル密度（PSD）、相互相関関数、共分散関数、積率母関数、フィルタリング、畳み込み、線形フィルタリング、区分的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、ウィンドウフィルタリング、コンスタント誤警報率（CFAR）ウィンドウフィルタリング、1D-CFARフィルタリング、2D-CFARフィルタリング、3D-CFAR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、マッチドフィルタリング、粒子フィルタ、適応フィルタリング、平滑化、1次微分、2次微分、高次微分、周波数変換、離散時間変換、離散変換、フーリエ変換、DFT、FFT、コサイン変換、DCT、サイン変換、DST、ラプラス変換、アダマール変換、ヒルベルト変換、ウェーブレット変換、三角関数変換、サイン変換、コサイン変換、DCT、整数変換、スパース変換、グラフベースの変換、射影、直交射影、非直交射影、過剰完全射影、固有値分解、特異値分解（SVD）、主成分分析（PCA）、独立成分分析（ICA）、最大化、最小化、同期、時間補正、位相補正、大きさ補正、正規化、ベクトル量子化、クラスタリング、マッチング追跡、圧縮センシング、ニューラルネットワーク、機械学習、ディープラーニング、トレーニング、判別トレーニング、検出、推定、分類、識別、スライディング関数、移動関数、確率関数、決定的関数、周期関数、繰り返し関数、スパース近似、回帰、平滑化、ゼロクロッシング、ノイズ除去、拡張、コーディング、暗号化、リサンプリング、アップサンプリング、ダウンサンプリング、ランダムサンプリング、重要性サンプリング、補間、外挿、繰り返し、ゼロパディング、前処理、後処理、グループ化、セット、コレクション、ユニオン、インターセクション、論理演算、複合関数、関数の関数、近傍のＤＩのセットの量の多変量関数、近傍のＤＩのセットの量の単一関数の多変量関数、時間的に近傍のＤＩのセットの量の多変量関数、時間的に近傍のＤＩのセットの量の単一関数の多変量関数、空間的に近傍のＤＩのセットの量の多変量関数、空間的に近傍のＤＩのセットの量の単一関数の多変量関数、方向的に近傍のＤＩのセットの量の多変量関数、方向的に近傍のＤＩのセットの量の単一関数の多変量関数、半径方向に近傍のＤＩのセットの量の多変量関数、半径方向に近傍のＤＩのセットの量の単一関数の多変量関数、幾何学的に近傍のＤＩのセットの量の多変量関数、幾何学的に近傍のＤＩのセットの量の単一関数の多変量関数、及び別の試験量のうちの少なくとも１つを含む多変量関数、に基づいて計算される方法。
【0981】
項Ｃ６７：項Ｃ１８の無線監視システムの方法であって、オブジェクトの存在が検出される関心方向（direction-of-interest（ＤｏＩ））のセットを識別することであって、関心点（points of interestＰｏＩ）のセットを識別することをさらに含み、各ＰｏＩがそれぞれのＤｏＩとＤｏＩにおけるそれぞれの距離に関連付けられた場所の点であり、各ＰｏＩは、それぞれのＤＩに関連するそれぞれのＴＳＤＩのそれぞれのＤＩのそれぞれの成分に関連し、オブジェクトの存在は、それぞれのＴＳＤＩのそれぞれのＤＩのそれぞれの成分に関連するそれぞれの試験量がそれぞれの閾値を超えることに基づいてＰｏＩにおいて検出される、識別することと、ＰｏＩとＤｏＩとのセットに基づいて、ＰｏＩのクラスタとＤｏＩのクラスタの少なくとも１つを計算することと、第１のオブジェクトの形状、表面、多様性、スケルトン、シルエット、サイズ、重量、健康状態、健康、中心、中心線、クラスタ中心、場所、移動、動き、活動、ジェスチャ、歩容、手書きの少なくとも１つを計算することであって、計算は、ＰｏＩクラスタ、ＤｏＩクラスタ、及び空間行動、ＰｏＩクラスタ及びＤｏＩクラスタのうちの少なくとも１つの時間行動、時空間行動のうちの少なくとも１つ、及びＰｏＩクラスタ及びＤｏＩクラスタのうちの少なくとも１つの空間行動、及びＰｏＩのクラスタ及びＤｏＩのクラスタのうちの少なくとも１つに関連するＤＩのセット、ＰｏＩのクラスタ及びＤｏＩのクラウスタのうちの少なくとも１つに関連するＤＩのセットに関連するＤＩ成分のセット、それぞれのＰｏＩ及びそれぞれのＤｏＩのうちの少なくとも１つに関連するＴＳＤＩのＤＩ、それぞれのＰｏＩ及びそれぞれのＤｏＩのうちの少なくとも１つに関連するＴＳＤＩのＤＩのＤＩ成分、ＤＩに関連するＣＩ，ＤＩ成分に関連するＣＩ成分、及び空間行動、及びＤＩ、ＤＩ成分、ＣＩ、ＣＩ成分、ＤＩのセット及びＤＩ成分のセットのうちの少なくとも１つの時間的行動と時空間行動、の内の少なくとも１つ、のうちの少なくも１つに基づく、計算すること、を含む方法。
【0982】
項Ｃ６８：項Ｃ６７の無線監視システムの方法であって、２つのＰｏＩ間の距離が閾値未満である場合に、２つのＰｏＩをＰｏＩクラスタに結合することをさらに含む、方法。
【0983】
項Ｃ６９：項Ｃ６７の無線監視システムの方法であって、２つのＤｏＩ間の距離が閾値未満である場合に、２つのＤｏＩをＤｏＩクラスタに結合することをさらに含む、方法。
【0984】
条項Ｃ７０：項Ｃ６７の無線監視システムの方法であって、ＰｏＩクラスタリング及びＤｏＩクラスタリングのうちの少なくとも１つを計算することであって、計算は、接続ベースのクラスタリング、接続モデル、階層クラスタリング、距離接続、単一リンケージクラスタリング、完全リンケージクラスタリング、セントロイドベースのクラスタリング、セントロイドモデル、k-means法アルゴリズム、k-medoids、k-medians、ファジーc-means（FCM）、分布ベースのクラスタリング、分布モデル、統計的分布、正規分布、多変量ガウス分布期待値最大化アルゴリズム、密度ベースのクラスタリング、密度モデル、DBSCAN、 OPTICS、データ空間の接続された密集した領域、部分空間ベースのクラスタリング、部分空間モデル、バイクラスタリング、共クラスタリング、2モードクラスタリング、クラスタメンバ、関連する属性、グループベースのクラスタリング、グループモデル、グループ化情報、グラフベースのクラスタリング、グラフベースのモデル、クリーク、グラフ内のノードのサブセット、エッジで接続されたノード、完全な接続要件の緩和、準クリーク、HCSクラスタリングアルゴリズム、符号付きグラフベースのクラスタリング、符号付きグラフモデル、分岐グラフ、ニューラルネットワーククラスタリング、教師なしニューラルネットワーク、自己組織化マップ、主成分分析、独立成分分析、グリッドベースのクラスタリング、ハードクラスタリング、ソフトクラスタリング、ファジークラスタリング、オーバーラップクラスタリング、代替クラスタリング、及び別のクラスタリングアルゴリズム、のうちの少なくとも１つに基づく、方法。
【0985】
項Ｃ７１：項Ｃ６７の無線監視システムの方法であって、中心、中心線、クラスタの中心、場所のうちの少なくとも１つを、最大周期性測定値、最大周期性メトリック、最大支配的周期信号、最大周期強度、最大自己相関関数（ACF）ピーク、最大振幅ACFピーク、最大位相ACFピーク、最大支配周波数成分、最大繰り返し性、最小衝撃性、最大変動性測定、 最大の変動性メトリック、最大変動強度、最大変動測定値、最大変動メトリック、最大変動強度、最大分散、最大標準偏差、最大振幅分散、最大位相分散、最大広がり、最大分散、最大偏差、最大ダイバージェンス、最大範囲、最大合計変動、最大絶対偏差、最大合計偏差、クラスタの重心、クラスタの重み付き重心、クラスタのスケルトン、クラスタのトポロジースケルトン、クラスタの間引き、トポロジーを維持したクラスタの間引き、クラスタの剪定、トポロジーを維持したクラスタの剪定、クラスタの中間軸変換、クラスタ内のすべての最大ディスクの中心、クラスタ内の二接円の中心、クラスタ内の距離関数の尾根、クラスタの境界からの距離の交点、クラスタの曲線展開、クラスタのレベルセット、クラスタのピーリング、クラスタの対称性セット、クラスタの形態学的スケルトン化、クラスタの直線スケルトン、クラスタのGrassfire変換、及び別の特性、のうちの少なくとも１つに関連するＤｏＩ及びＰｏＩのうちの少なくとも１つとして計算することをさらに含む方法。
【0986】
項Ｃ７２：項Ｃ６７の無線監視システムの方法であって、最大の周期性測定値、最大の周期性メトリック、最大の支配的な周期信号、最大の自己相関関数（ACF）ピーク、最大の支配的な周波数成分、最大の反復性、及び最小の衝動性、のうちの少なくとも１つに関連するＤｏＩ及びＰｏＩのうちの少なくとも１つとして、非アクティブな非静的オブジェクト、静止した動きのあるオブジェクト、周期的な動きのあるオブジェクト、通常の動きのあるオブジェクト、非ランダムな動きのあるオブジェクト、及び非カオス的な動きのあるオブジェクトのうちの少なくとも１つの、中心、クラスタ中心、及び位置の少なくとも１つを計算することをさらに含む方法。
【0987】
項Ｃ７３：項Ｃ６７の無線監視システムの方法であって、最大変動性測定値、最大変動性メトリック、最大変化測定値、最大変化メトリック、最大分散、最大標準偏差、最大振幅分散、最大位相分散、最大広がり、最大分散、最大偏差、最大ダイバージェンス、最大範囲、最大四分位範囲、最大の総変動、最大の絶対偏差、及び最大の総偏差のうちの少なくとも１つを有するＤｏＩ及びＰｏＩのうちの少なくとも１つとして、アクティブな非静的オブジェクト、非静止的動きのオブジェクト、非周期的動きのオブジェクト、不規則な動きのオブジェクト、ランダム動きのオブジェクト、ランダムボディ動き（RBM）のオブジェクト、及びカオス的動きのオブジェクトのうちの少なくとも１つの中心、クラスタ中心及び位置の少なくとも１つを計算することをさらに含む方法。
【0988】
項Ｃ７４：項Ｃ２の無線監視システムの方法であって、ＴＳＣＩの数と、ＴＳＣＩの数に基づいて計算されたＴＳＤＩのセットと、オブジェクトの存在が検出されるＴＳＤＩのサブセットとのうちの少なくとも１つに基づいて、観測可能なものの時系列を計算することと、観測可能なものの時系列から第１の反復運動の影響を除去することと、第１の反復運動の影響が除去された後に、観測可能なものの系列に基づいて、第２の反復運動の第２のインスタンスの系列を計算することであって、それぞれの第２のインスタンスがタイムスタンプに関連付けられ、第２のインスタンスの系列に基づいて、第２の反復運動の第２の情報を計算することと、をさらに含む方法。
【0989】
項Ｃ７５：項Ｃ７４の無線監視システムの方法であって、第１の反復運動の影響が除去される前に、観察可能な時系列に基づいて、第１の反復運動の一連の第１のインスタンスを計算することであって、それぞれの第１のインスタンスがタイムスタンプに関連付けられることと、一連の第１のインスタンスに基づいて、第１の反復運動の第１の情報を計算することとをさらに含む、方法。
【0990】
項Ｃ７６：項Ｃ７４の無線監視システムの方法であって、観察可能なものの時系列を、処理、処理及び後処理することのうちの少なくとも１つさらに含み、これらの処理は、フィルタリング、線形フィルタリング、畳み込み、非線形フィルタリング、折りたたみ、グループ化、エネルギー計算、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、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（ＭＡ）フィルタリング、移動平均（ＭＡ）フィルタリング、自己回帰（ＡＲ）フィルタリング、自己回帰移動平均モデル（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、決定フィードバックフィルタリング、補間、外挿、デシメーション、サブサンプリング、アップサンプリング、再サンプリング、変換、逆変換、特徴抽出、射影、分解、直交射影、非直交射影、過剰完全射影、固有値分解、特異値分解（ＳＶＤ）、主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、時間補正、時間ベース補正、位相補正、大きさ補正、位相クリーニング、大きさのクリーニング、マッチドフィルタ、強化、復元、ノイズ除去、平滑化、信号状態、並べ替え、しきい値処理、ソフトしきい値処理、ハードしきい値処理、クリッピング、ソフトクリッピング、スケーリング、折りたたみ、グループ化、エネルギー計算、一次微分、二次微分、高次微分、乗算、除算、加算、減算、統合、最大化、最小化、最小平均二乗誤差、再帰的最小二乗、制約付き最小二乗、バッチ最小二乗、最小絶対誤差、最小平均二乗偏差、最小絶対偏差、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、認識、ラベリング、トレーニング、クラスタリング、機械学習、教師あり学習、教師なし学習、半教師あり学習、別の時系列との比較、類似性スコア計算、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、保存、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、再マッピング、拡張、保存、取得、送信、受信、表現、マージ、結合、分割、追跡、モニタリング、マッチドフィルタリング、カルマンフィルタリング、粒子フィルタ、ヒストグラム推定、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、表現、マージ、結合、分割、スクランブル、エラー保護、前方エラー訂正、実行なし、時変処理、条件付き平均、加重平均、算術平均、幾何平均、調和平均、選択した周波数での平均、アンテナリンクでの平均、論理演算、順列、組み合わせ、並べ替え、AND、OR、XOR、ユニオン、交差、ベクトル加算、ベクトル減算、ベクトル乗算、ベクトル除算、逆数、ノルム、距離、及び別の演算、のうちの少なくとも１つに基づく、方法。
【0991】
項Ｃ７７：項Ｃ１の無線監視システムの方法であって、ＴＳＣＩの数と、ＴＳＣＩの数に基づいて計算されたＴＳＤＩのセットと、オブジェクトの存在が検出されるＴＳＤＩのサブセットとのうちの少なくとも１つに基づいて、観測可能なものの時系列を計算することと、観測可能なものの時系列に基づいて、第１の反復運動の第１のインスタンスの系列を計算することであって、それぞれの第１のインスタンスがタイムスタンプに関連付けられる、計算することと、第１のインスタンスの系列に基づいて、第１の反復運動の第１の情報を計算すること、をさらに含む、方法。
【0992】
項Ｃ７８：項Ｃ７４，項Ｃ７５、項Ｃ７７の無線監視システムの方法であって、一連のインスタンスのそれぞれのインスタンスをテストすることと、一連のインスタンスのうちの誤ったインスタンスを識別することであって、誤ったインスタンスが誤ったタイムスタンプに関連付けられていること、識別することと、誤ったインスタンス及び誤ったタイムスタンプのうちの少なくとも１つを訂正すること、をさらに含む方法。
【0993】
項Ｃ７９：項Ｃ７８の無線監視システムの方法であって、誤ったインスタンスを訂正されたインスタンスに置き換えることをさらに含む方法。
【0994】
項Ｃ８０：項Ｃ７８の無線監視システムの方法であって、誤ったタイムスタンプを訂正されたタイムスタンプで置き換えることをさらに含む方法。
【0995】
項Ｃ８１：項Ｃ７８の無線監視システムの方法であって、誤ったインスタンスに関連するタイムウィンドウを識別することと、タイムウィンドウの自己相関関数を計算することと、自己相関関数を正規化することと、観測可能なものの時系列のタイムウィンドウのセクションを自己相関関数で置換することと、観測可能なものの時系列に基づいて誤ったインスタンスをタイムウィンドウの置換されたセクションで再計算すること、をさらに含む方法。
【0996】
項Ｃ８２：項Ｃ７８の無線監視システムの方法であって、インスタンスに関連付けられた連続したインスタンスのペアに関連付けられたタイムスタンプ間の差分である少なくとも１つのインスタンス間期間を計算することによって各インスタンスを試験することと、インスタンスに関連付けられた少なくとも１つのインスタンス間期間の関数を計算することと、関数が閾値よりも大きい場合にインスタンスを誤りインスタンスとして識別すること、をさらに含む方法。
【0997】
項Ｃ８３：項Ｃ７８の無線監視システムの方法であって、前記関数は、総和、差分、比、除算、乗算、平均、加重平均、変換、変動性測定、分散、標準偏差、変動、拡散、分散、偏差、発散、範囲、四分位範囲、総変動、絶対偏差、総偏差、外れ値測定、不規則性測定、変化測定、微分、一次微分、二次微分、高次微分、低域フィルタ、帯域通過フィルタ、高域通過フィルタ、及び別の関数のうちの少なくとも１つを含む方法。
【0998】
項Ｃ８４：項Ｃ７８の無線監視システムの方法であって、誤ったインスタンスの総数を計算することと、総数に基づいて、第１の情報及び第２の情報のうちの少なくとも１つを計算すること、をさらに含む方法。
【0999】
項Ｃ８５：項Ｃ７４又は項Ｃ７５又は項Ｃ７６の無線監視システムの方法であって、連続するインスタンスのペアのインスタンス間期間を計算することであって、前記インスタンス間期間は、連続するインスタンスのペアに関連するタイムスタンプ間で異なっている、計算することと、インスタンス間期間に基づいて、第１の情報及び第２の情報のうちの少なくとも１つを計算すること、をさらに含む方法。
【1000】
項Ｃ８６：項Ｃ８５の無線監視システムの方法であって、インスタンスの時系列の連続するインスタンスのペアに基づいてそれぞれ計算された一連のインスタンス間期間の変動性測定値を計算することをさらに含む、項項Ｃ８５に記載の無線監視システム。
【1001】
一例では、開示されたＶｉＭｏシステムが人間、例えば、物理デバイスを着用していないか、または取り付けられていない患者のバイタルサインをモニタするために使用することができる。ＶｉＭｏは患者の身体からのＲＦ信号の反射を純粋に使用することにより、患者のバイタルサイン（例えば、呼吸、心臓の鼓動）を正確に検出できる無線システムである。開示されたシステムは呼吸信号の干渉を除去した後に、時間と周波数の両方のダイバシティを活用して、患者の心拍数を推定することができる。
【1002】
別の例では、開示されたシステムが単一の商用８０２．１１ａｄデバイスを使用して、多数の人及び／または動物のバイタルサインを同時に（例えば、サーカス、動物園、アパート、オフィスビルなどで）監視することができる。開示されたシステムはあらゆる事前の校正なしに、ヒト／動物のターゲットの位置を突き止め、カウントすることができる。開示されたシステムは、ＮＬＯＳ及び運動アーチファクトを含む様々なシナリオでうまく機能することができる。
【1003】
呼吸速度の無線検知は、多くの用途にとって重要である。最新の解決策の大部分は、群衆の数の事前の知見と、自然でも現実的でもない様々なユーザの明確な呼吸速度を仮定して呼吸速度を推定する。しかしながら、人間の被験者を認識するために推定された呼吸速度を活用することができるものはほとんどない（別名、アイデンティティマッチング）。本開示では、市販のＷｉＦｉデバイスの単一ペアのチャネル状態情報を使用して、このような非実用的な仮定なしに多数の人物の呼吸速度を連続的にトレースするための新たなシステムが開示される。開示された解決策は、呼吸信号の信号対雑音比（ＳＮＲ）を高める適応サブキャリア組み合わせ法と、多数のユーザの呼吸速度を連続的にトレースする反復ダイナミックプログラミング及びトレース連結アルゴリズムとを含む。ＣＳＩのスペクトラム及び時間ダイバシティの両方を活用することによって、開示されたシステムは、それらのうちのいくつかが短時間で一緒に併合されたとしても、呼吸速度トレースを正確に抽出することができる。さらに、開示されたシステムは、得られた呼吸トレースを利用することによって、人のカウントと認識を同時に行うことができる。広範な実験は、２つの環境（学内実験室及び自動車）で行われる。この結果は、平均精度８６％が両方の場合について４人までの人々に対して達成され得ることを示している。すべての試験事例のうちの９７．９％に対して、群衆の数の推定値の絶対誤差は１以内である。本システムは、スマートホームケースにおける人物認知のための平均精度８５．７８％を達成する。
【1004】
本開示では、開示された解決策が群衆の数を事前に知ることなく、または様々なユーザの呼吸速度が別個であると仮定することなく、人間の呼吸数を連続的にトレースすることができる。開示されたシステムは異なる時間に推定された呼吸速度を異なるユーザ、すなわち、どの呼吸速度がどの人物に対応するかに一致させることに焦点を当てている。推定された呼吸速度トレースを利用することによって、開示されたシステムは、人数をカウントすると同時に認知を達成することができる。しかしながら、両方の目的のために複数人数の呼吸速度に基づいてアイデンティティマッチングを達成することは、いくつかの固有の課題を伴う。
【1005】
第１に、人間の呼吸によって引き起こされる微妙な変化は、ＷｉＦｉ ＣＳＩにおける測定ノイズによって容易に損なわれ得る。多人数のシナリオでは、状況はさらに悪化する。この課題を克服するために、サブキャリアと多重リンク（アンテナペア）に存在するダイバシティを利用して、呼吸信号をブーストしながら雑音を低減できる。種々のサブキャリア及びリンクを適切に組み合わせることによって、呼吸信号は、任意の個人またはそれらの平均によって達成され得るものよりもかなり良好に向上され得ることを示すことができる。
【1006】
第２に、ある人の呼吸速度は経時的に変化するため、連続した呼吸速度の推定値を対応する人と関連付けることは自明ではない。自分の呼吸速度が短時間内に変動しないことを考慮すると、自然呼吸信号のためのマルコフチェーンモデルを構築し、さらに、反復ダイナミックプログラミングアルゴリズムを使用して、複数の呼吸トレース（すなわち、様々なユーザの呼吸速度のシーケンス）を連続的にトレースすることができる。
【1007】
第３に、ユーザの数は、ユーザが行ったり来たりすることがあるので、関心のある領域に対して固定されないことがある。占有率のリアルタイム推定値を出力するために、本開示は既存のユーザのトレースを維持するためのトレース連結法を開示し、このトレース連結法は、最新の推定値を開示されたトレースと連結して、既存のユーザ、新しく到着したユーザ、及び離脱したユーザを決定する。
【1008】
最後に、人の呼吸数は小さな範囲で変化するが、異なる個人の呼吸パターンは異なっている。この観測に基づいて、呼吸トレースのデータベースを構築し、スマートホームシナリオのために人間の認知を行うために仮説検定を適用することができる。
【1009】
１２人のユーザが評価に関与する、２つの典型的なターゲット環境（すなわち、ラボオフィスと自動車）で、市販品の既製ＷｉＦｉデバイスのペアを用いて、開示されたシステムを試作し、実験を行うことができる。４人までの人数の平均精度は、両方の環境において、８６％よりも高い。すべてのテストケースの９７．９％のうち、群衆数の推定値の絶対誤差は１以内である。開示されたシステムは両方の環境に対して同様の性能を達成し、環境に対する独立性を実証し、これは、トレーニングベースの手法よりも性能が優れている。最後に、４人の家族に対する呼吸トレースを用いて、人の認知の性能を調査することができる。システムは、８５．７８％の精度を達成することができる。本開示は呼吸速度の推定、受動的な人数計算、及び人間認識の観点から、スマートホームアプリケーションに向けて重要な一歩を踏み出す。
【1010】
本研究の主な貢献は以下のとおりである。複数の呼吸信号を強化するためのサブキャリア組み合わせ法、反復ダイナミックプログラミング及びトレース連結アルゴリズムを含む、複数ユーザの呼吸トレースを推定するための新規な技術のパイプラインを考案し、ＣＯＴＳ ＷｉＦｉデバイスのＣＳＩを使用して複数ユーザの逐次的な呼吸速度を連続的にトレースすることができる。抽出された呼吸トレースを用いて群衆数を推定するための非侵入型でトレーニングフリーの方法が開示される。さらに、人間の認知を行うために呼吸トレースを活用するための仮説検定モデルが開示される。ＣＯＴＳ ＷｉＦｉデバイス上の開示されたシステムを試作し、評価することができる。室内空間と車内での結果は、有望な性能を実証した。
【1011】
開示されたシステムの基礎となる計算パイプラインを図７８に示す。特定の時間インスタンスにおける独立した呼吸速度を推定することを目的とする多くの以前の研究とは異なり、この研究はアイデンティティマッチングを行うために、周波数及び時間領域を利用することに焦点を当てている。中核的な考え方は、異なる個人の時間に沿った呼吸速度配列（別名、呼吸速度トレース）を推定することである。さらに、推定された呼吸トレースを利用して、占有率を推定し、観測領域内のユーザ識別を予測することができる。このアイデアは、開示されたシステムの３つの段階、すなわち（１）複数ユーザの呼吸スペクトラム生成、（２）呼吸速度トレース追跡、並びに（３）人のカウント及び認識に即座につながる。
【1012】
第１段階では、開示されたシステムがまず、周期的な呼吸信号を抽出するために、ＣＳＩ測定に対して短期フーリエ変換を実行する。異なる個人の呼吸速度が異なる限り、複数の周波数成分が周波数応答において観察される。抽出された呼吸信号は典型的には単一のサブキャリア上でかなり弱く、これらは新規な適応サブキャリア結合方法によってさらにブーストされる。段階１は、経時的な時間推定呼吸速度のスペクトログラムを出力する。
【1013】
第２段階では、第１段階から得られたスペクトラグラムから呼吸速度トレース（すなわち、呼吸源）を追跡することを目標とする。しかし、呼吸速度と呼吸速度トレースとの間には、２つの理由、すなわち、第１に、異なる個人が互いに重なり合う同じ呼吸速度をもつことがあるため、有意な差がある。第２に、呼吸速度は経時的に変化する。これらの課題に対処するために、自然呼吸におけるダイナミクスを扱うためのマルコフ連鎖モデルを導入した。本開示は、反復ダイナミックプログラミングの新規なアルゴリズムによって、各々の個人の呼吸トレースを１つずつ分解する連続キャンセル方式を開示する。その後、人間のターゲットの到着時刻及び離脱時刻をさらに識別するために、近接するタイムウィンドウ内の識別された呼吸速度のトレースを連結することができる。
【1014】
第３段階では、ステージ２によって与えられた推定された呼吸速度トレースを活用して、人数を数え、認知することができる。時間領域をさらに利用し、新たな疑似バイラテラルフィルタによって推定された呼吸速度トレースの外れ値を除去することによって、システムは群衆数の推定値を与える。次に、仮説検定によって、抽出された呼吸速度トレースに従って人物のアイデンティティ認識を行うことができる。
【1015】
複数ユーザの呼吸スペクトラム生成
【1016】
呼吸のインパクトを伴うＣＳＩモデル
【1017】
チャネル状態情報（ＣＳＩ）は、無線信号が送信機（Ｔｘ）から受信機（Ｒｘ）にどのように伝搬するかを表す。人間の存在下では、信号伝搬の１つ以上の経路が人間の動きによって変更される。複数の無指向性アンテナを持つＴｘとＲｘのペアが与えられたとき、時間ｔと周波数ｆｋにおけるリンクｍのＣＳＩは以下のようにモデル化される。[この文献は図面を表示できません]
ここで、ｋ∈ｖ は使用可能なＳＣのセットｖにおける中心周波数を持つサブキャリア（ＳＣ）インデックスである。Ｌはマルチパス成分の総数（ＭＰＣ）であり、ａｌ（ｔ） 及びｄｌ（ｔ）はＭＰＣｌの複素利得及び伝搬長を示す。ｎ（ｔ，ｆｋ）は加法的白色雑音であり、ｃは光速である。
【1018】
呼吸がある場合、数式（９４）は以下のように表すことができる。[この文献は図面を表示できません]
Ωｄｉは、時間的に変化する複素ゲイン及び遅延をもたらす人間ｉによって散乱されたＭＰＣを表し、Ωｓは、複素利得及び遅延が時間的に変化しない人間の呼吸によって影響を受けないＭＰＣを表す。ΩｄｉにおけるＭＰＣのゲインは以下のようにモデル化される。[この文献は図面を表示できません]
ここで、ａｌ及びｄｌは静的な環境における利得及び経路長としてモデル化することができ、Δｄｌは胸部運動によって引き起こされる伝搬長の差分であり、θは人間の散乱と電磁波との間の角度であり、φは初期位相である。はΨはパスロス係数である。胸部の動きは、経路長よりもはるかに小さく、すなわちΔｄｌ＜＜ｄｌ であり、Ωｓ及びΩｄｉの両方におけるＭＰＣの振幅は時間不変であると仮定することができ、例えば、[この文献は図面を表示できません]
であると仮定される。
【1019】
呼吸信号のＳＮ比の向上
【1020】
それぞれのＭＰＣサブセットΩｄｉについて、遅延は周期的な胸部の動きのために周期的、すなわちｄｌ（ｔ＋Ｔｂｉ）＝ｄｌ（ｔ），∀ｌ∈Ωｄｉである。したがって、周波数領域において測定されたＣＳＩの複数の周波数成分を見ることができ、それぞれが別個の呼吸信号に対応する。
【1021】
呼吸信号は、短期フーリエ変換（ＳＴＦＴ）を適用することによって抽出することができる。具体的には、まず、長さＷのスライディングウィンドウを、各リンクにおける各ＳＣのキャプチャされたＣＳＩ時系列に適用し、次いで、各タイムウィンドウにわたって高速フーリエ変換（ＦＦＴ）を実行することによって周波数スペクトラムを得ることができる。次いで、スペクトラム上の帯域通過フィルタを使用して、人間の呼吸周波数[ｂｍｉｎ，ｂｍａｘ] の正常範囲のみを考慮することができる。ＦＦＴは全てのＮＴｘ×ＮＲｘ×Ｎｓｃ 個のＳＣに対して個々のスペクトラムを得るために全てのＳＣに対して実行され、ここで、ＮＴｘ，ＮＲｘ 及びＮｓｃは各Ｔｘ−Ｒｘリンク上のＴｘアンテナ、Ｒｘアンテナ、及び使用可能なＳＣの数である。
【1022】
図２に示すように、１人の人物からのそれぞれの呼吸信号は、得られたパワースペクトラム密度（ＰＳＤ）の１つの明白なピークに寄与する。異なるＳＣは同一の呼吸運動に対して多様な感度レベルを経験する。以前のアプローチはＳＮＲを改善するために、すべてのＳＣ間のＣＳＩの分散値、振幅またはアンサンブル平均に基づいて最良のＳＣの設定を選択することを試みた。しかしながら、以下の観察は、これらのアプローチの欠点を示す：１）同じ呼吸源に対する異なるＳＣの応答電力が異なる（図７９の列を参照）。２) 同じＳＣの場合、異なる呼吸源に対する応答電力は異なる（図７９の行参照）。３) 異なるリンクの応答電力は異なる（図７９の異なる図）。したがって、すべての呼吸源に対して普遍的な感度を示す単一のＳＣは存在しない。異なった周波数成分に対して同じサブセットのＳＣを使用することは、すべての呼吸信号に対して等しく良好なＳＮ比を生成しないかもしれない。さらに、すべてのリンクに対して普遍的な閾値を使用すると、応答電力の低いリンクからの情報が失われる可能性がある。
【1023】
これらの観測から、まず、新しい適応的なＳＣ合成基準を用いて、それぞれのリンクの呼吸信号のＳＮ比を高めることができる。リンクｍに対して、所与の周波数成分ｑに対する選択されたＳＣは、以下の条件を満たす。[この文献は図面を表示できません]
ここで、Ｑは範囲[ｂｍｉｎ，ｂｍａｘ] 内の周波数成分のセットである。[この文献は図面を表示できません]
は周波数成分ｑにおけるリンクｍにわたるｋ番目のＳＣの電力を表し、[この文献は図面を表示できません]
はすべての周波数成分及びＳＣ上のリンクｍの最大電力を表す。αは、ＳＣ選択のための相対的なしきい値[この文献は図面を表示できません]
を決定するハイパーパラメータである。ｔｈ（ｍ）は、上記の第３の観測によって着想されるように、個々のリンク品質に適応することに留意されたい。したがって、リンクｍにおける周波数成分ｑの強化された電力は以下のように表せる。[この文献は図面を表示できません]
【1024】
多様なリンク品質をさらに組み込むために、各々のリンクに対する電力を正規化し、次いで、それらを一緒に組み合わせて、ＳＮ比をさらに改善することができる：[この文献は図面を表示できません]
[この文献は図面を表示できません]
ここで、Ｅ（ｑ）はリンク組み合わせ後の周波数成分ｑの電力であり、Ｍ＝ＮＴｘ×ＮＲｘ はリンクの総数である。
【1025】
図８０は、いくつかの例示的なリンクに対するＳＣ組み合わせの影響を示す。図に示すように、開示されたＳＣ選択及び組み合わせ方式（青色の曲線で示す）は関心のある周波数成分に対するＳＮ比を著しく改善し、単純な平均方式（赤色の曲線で示す）よりも優れている。図８１は、雑音及び干渉が効果的に抑制されたことを実証する、全９リンクの組み合わせ後のＰＳＤをさらに描写する。呼吸速度のグランドトゥルースは、黒い破線でマークされている。対照的に、全てのＳＣの単純平均は、所望の呼吸信号に対する支配的でないピーク及び偽ピークに悩まされている。
【1026】
呼吸速度トレース追跡
【1027】
呼吸速度から呼吸速度トレースへ
【1028】
以前の研究は、候補呼吸速度の数によって人数を推定した。しかしながら、それらにはいくつかの制限がある。第１に、呼吸速度推定は、単一の時点に対して十分に正確ではない場合がある。第２に、様々なユーザが周波数スペクトラムと区別できない近い呼吸速度を有することがあり、潜在的な過小評価をもたらす。第３に、人々の数は、人々が来たり来たりすることにつれて、時間と共に変化し得る。また、付随する運動も呼吸信号を破壊する。
【1029】
呼吸速度を個人にマッピングし、したがって正確な群衆の数をさらに推定するために、信頼できる推定のために呼吸速度推定の時系列におけるダイバシティを利用することができる。最初に、マルコフプロセスとして動的に呼吸速度をモデリングすることができる。呼吸信号は周期的であり、呼吸頻度は時間の経過とともに滑らかに変化することに注目すると、２つの隣り合う時間ビン間の呼吸速度の変化は、確率密度関数（ＰＤＦ）ｐ（ｆ）で正規分布Ｎ（０、σ２）に従うと仮定される。ＳＴＦＴの動作は[ｂｍｉｎ，ｂｍａｘ]の範囲の連続周波数を｜Ｑ｜個の周波数成分に自動的に離散化し、｜Ｑ｜はＱの基数を意味するため、自然な呼吸はマルコフ連鎖としてモデル化することができ、遷移確率行列は、
[この文献は図面を表示できません]
と表され、以下のように定義される。[この文献は図面を表示できません]
ここで、∀ｑ，ｑ’∈Ｑ 及びｇは所与のタイムスロットにおける呼吸速度の周波数成分を示す、マッピングとして定義される。
【1030】
所与のタイムスロットｔにおける呼吸速度トレースを推定するために、開示されたシステムは[ｔ−Ｗ，ｔ] におけるスペクトラムを活用し、ここでＷはウィンドウ長である。出力はＷｓ 秒毎に生成され、スペクトラムは同時に更新される。したがって、ある時点tでの呼吸トレースを推定するために、スペクトラム[この文献は図面を表示できません]
が活用され、ここでＩ＝Ｗ／Ｗｓである。
【1031】
原則として、呼吸信号は雑音及び他の運動干渉よりも周期的である。したがって、ほとんどの時間においてピークとして観察される可能性が高く、したがって、呼吸信号は図８２に示すように、周波数がわずかに変化する時間に沿って所与のスペクトラム内にトレースを形成する。以下では、最初に、所与のウィンドウ内の連続する呼吸速度のトレースを抽出し、次いで、それらを時間連結することができる。
【1032】
呼吸速度トレースの抽出
【1033】
理論モデル
【1034】
所与のスペクトラムＳについて、呼吸トレースの合理的な推定値は以下によって得られる。[この文献は図面を表示できません]
ここでｇは呼吸トレースを示し、以下のように表される。[この文献は図面を表示できません]
【1035】
ここで、[この文献は図面を表示できません]
は所与の時間におけるトレースの周波数成分を示すマッピングである。E(g) はトレースの電力であり、以下のように定義される。[この文献は図面を表示できません]
ここで、Ｓ（ｉ，ｊ） は時間ビンｉ及び周波数成分ｊにおける電力を表す。
【1036】
自分の呼吸速度が短期間で周波数変動しないことを考慮して、関心のある周波数の突然の変化にペナルティを課すために、正則化期間が追加される。この場合、呼吸トレースは、周波数電力と一時的な滑らかさとの間の良好な均衡を達成する一連の呼吸速度の推定値である。トレースの滑らかさは、コスト関数Ｃ（ｇ） によって評価することができ、以下のように定義される。[この文献は図面を表示できません]
この場合、周波数の遷移確率[この文献は図面を表示できません]
は数式（１０１）によって計算できる。一般性を失うことなく、均一な事前分布、すなわち、[この文献は図面を表示できません]
を仮定することができる。コスト関数Ｃ（ｇ） は、所与のトレースに対する対数尤度の負数である。トレースが滑らかであればあるほど、トレースの確率は大きくなり、トレースにかかるコストは小さくなる。
【1037】
ここで最も確率の高い呼吸トレースは、以下を解くことで見つけることができる。[この文献は図面を表示できません]
ここで、λ は正則化係数である。ここで、表されたＥ（ｇ）−λＣ（ｇ） はトレースｇの正則化されたエネルギーとして示される。ハイパーパラメータλを適切に選択することによって、システムは真の呼吸トレースの正規化されたエネルギーが正であることを保証することができ、一方、観測領域が空であるとき、所与のスペクトラムにおける任意のトレース候補の正規化されたエネルギーは負である。
【1038】
反復ダイナミックプログラミング（Iterative Dynamic Programming）
【1039】
数式(１０６)の問題はダイナミックプログラミングによって解くことができる。しかし、ダイナミックプログラミングは、典型的には最大限に規則化されたエネルギーーを有するトレースしか見つけることができず、複数の呼吸トレースに対応することができない。本開示は、反復ダイナミックプログラミング（ＩＤＰ）の新たな方法を介して、複数のトレースを１つずつ見つけるための逐次キャンセル方式を開示する。
【1040】
ＩＤＰの原理的な考え方は直感的である。所与のスペクトラムＳに対して、最も確率の高い呼吸トレースが、ダイナミックプログラミングによって最初に見つけられる。他の呼吸トレースがあるかどうかをさらに判定するために、識別されたトレースはスペクトラムから消去され、次に、別の候補トレースを見つけるために新しいラウンドのダイナミックプログラミングが実行される。この逐次的なキャンセル手順は、スペクトラムにもはや効果的なトレースがなくなるまで反復的に実行される。
【1041】
明確にするために、（ｉ，ｑ） はタイムスタンプｉ及び周波数成分ｑを有するビンインデックスを示す。[この文献は図面を表示できません]
で表される、タイムスタンプｉからｊの最大の周波数ピークのトレースを求めたい場合がある。点（ｊ，ｎ） で終わるトレース[この文献は図面を表示できません]
の正則化されたエネルギーを[この文献は図面を表示できません]
と定義する。開示された手法は周波数ポイントｎで終わる全ての考えられるトレース[この文献は図面を表示できません]
を探索し、それらの中から最良のものを選択することである。これは、隣り合うタイムスタンプと共に全てのビンに対する最適なトレースを見つけることによって達成することができる。簡単にするために、各ビンにおける正規化されたエネルギーを、所与のビンのスコアとして以下のように得ることができる。[この文献は図面を表示できません]
ここで、[この文献は図面を表示できません]
である。所与のビンのスコアは、得ることができる、最大の達成可能な正規化されたエネルギーである。言い換えれば、ビン（ｉ，ｑ） を通過する最適なパスを判断する。
【1042】
最適な呼吸トレース全体は、最後のタイムスタンプの最大スコア[この文献は図面を表示できません]
に寄与するビンをバックトラッキングすることによって見つけることができる。観察ウィンドウ内、すなわち、∀ｉ＝Ｉ−１，Ｉ−２，・・・，１の残りの呼吸トレースについて、以下が得られる。[この文献は図面を表示できません]
【1043】
数式（１０８）のバックトラッキング手順は、これは数式（１０６）に対する最適な解である、所与のスペクトラムに対する最適なトレースｇ＊ を与える。
【1044】
所与のスペクトラムに他の候補の呼吸信号があるかどうかをさらに検査するために、トレースｇ＊を除去すべきである。理想的な場合には、ｇ＊に沿ってビンを除去するだけでよい。しかしながら、ＦＦＴ点の個数は限られているので、呼吸信号のエネルギーは呼吸トレースの中心の周りに拡散され、これは、図８０に示すように、所与のスペクトラムにおいてエネルギー帯を形成する。したがって、最適なトレースｇ＊に沿ってエネルギーを除去し、数式（１０７）及び数式（１０８）のダイナミックプログラミングを連続的に実行する場合、１つのエネルギー帯の中に一群のトレースが入る。したがって、ＩＤＰは、エネルギーストリップを得るためにＦＦＴの拡散効果をエミュレートするために最適トレースｇ＊にウィンドウモジュールを適用する。最適なエネルギーストリップを消去した後の更新されたスペクトラムは以下である。[この文献は図面を表示できません]
ここで、Ｓ（ｉ） はタイムスタンプｉにおけるスペクトラムのエネルギーを表し、ｗはウィンドウ処理モジュールの周波数応答である。演算子「＊」は畳み込み演算を表し、ＦＦＴの拡散効果によって生じるエネルギーストライプをエミュレートすることができる。
【1045】
複数のトレースを見つけるために、上記のダイナミックプログラミング及びスペクトラムの除去を再帰的に実行することができる。発見されたトレースのスコアが負であり、実効的なトレースがない空のスペクトラムを示すときに、該アルゴリズムは終了する。
【1046】
反復ダイナミックプログラミングの手順を図９３に要約する。図８３Ａ−図８３Ｃはこの発見とその後の消去手順の詳細を示しており、３名が自動車に座って自然呼吸をしており、その平均呼吸速度は［１０ １４ １５］ｂｐｍである。図８３Ａでは、ＤＰによって見つけられたトレースが線によってマークされている。このトレースのエネルギーストライプは、図８３Ｂに示すように除去される。スペクトログラムはＩＤＰが終了すると、図８３Ｃに示され、図中の線は呼吸トレースを示す。完全に除去されていない残留エネルギーは依然としてあるが、非負の正規化エネルギーの制約を満たすトレースがないので、ＩＤＰは適切に終了することが明らかである。
【1047】
空のケースの検出
【1048】
理想的には、監視エリアに人が存在しない場合、スペクトラムは熱雑音の正規分布のためにランダムであるので、呼吸トレースはピックアップされない。しかし実際には、空のケースでは何らかの雑音がブーストされる可能性があるため、誤ったトレースが検出される可能性がある。この影響を回避するために、空のケースを決定するために動き検出を使用することができる。動き（胸部の動きでさえない）が検出されない場合、システムは空であると直接的に主張し、そわない場合、上記のステップは、潜在的な呼吸速度トレースを見つけるために実行される。ここで、動き検出器は、呼吸の動きを検出するのに十分な感度及びロバスト性を有する必要がある。現在の開示では、ほぼ０の誤警報を達成する動き統計を用いることができる。
【1049】
トレース連結
【1050】
反復ダイナミックプログラミングは、タイムウィンドウごとに呼吸速度トレースを提供する。しかし、実際には、継続的なモニタシステムがタイムウィンドウよりもはるかに長時間動作し、トレース抽出を強化するために余分な情報ゲインをもたらす。この部分において、本開示は同じ呼吸信号に属するトレースセグメントを異なったタイムウィンドウに連結するための新たなトレース連結法（図９３）を開示し、これはトレースセグメントを改善するだけでなく、各々のトレースの始まり及び終わり時間（又は同等に、特別なユーザの出入りの時間）の検出を可能にする。
【1051】
明確にするために、すべての開示されたトレースをデータベースに記憶することができる。以前に発見された第ｊのトレースは、[この文献は図面を表示できません]
として表され、ここでｊ＝１，・・・，Ｊ であり、ｔｓｔ 及びｔｅｎｄ はトレースの開始時間及び終了時間を表す。現在のタイムウィンドウ[ｔ−Ｗ，ｔ] において発見された第ｋのトレースは、ｇｋ（ｔ−Ｗ：ｔ）として表され、ｋ＝１，・・・，Ｋ である。さらに、２つのトレース間の類似度はウィンドウ内の重複時間とウィンドウ長との比率として定義され、これは数式で表される。[この文献は図面を表示できません]
ここで、[この文献は図面を表示できません]
である。現在のウィンドウ内のすべてのトレースとデータベース内のものとの間の類似性を示すために、式（１１０）に従って類似性行列[この文献は図面を表示できません]
を計算されることができる。ｇｋ（ｔ−Ｗ：ｔ）に対する前の部分を見つけるためには、Ｆのｋ列目であるｆ（ｋ）の最大限のアイテムを見つけるだけでよい。最大類似度の行インデックスは最大類似度が所定の閾値を上回る場合に、前のトレースのインデックスを示す。
【1052】
類似度が十分に高い以前のトレースが存在する場合、これは、対応する呼吸速度トレースが以前に検出されたことを意味する。次に、対応するトレースのエンドポイントを更新する必要がある。エンドポイントを現時点とし、それに応じて対応する周波数成分を更新することができる。新しいユーザが到着すると、しきい値よりも大きい類似性を有するトレースは存在せず、したがって、対応するタイムスタンプ及び周波数成分を有する新しいトレースが作成される。同様に、以前のトレースと類似している現在のウィンドウ内のトレースが、残っているユーザに対応していないため、トレースは終了する。
【1053】
図８４Ａ〜図８４Ｄ及び図８５は、トレース連結アルゴリズムの効果を示す。４つの隣り合うタイムウィンドウが図８４Ａ〜図８４Ｄに示され、ＩＤＰで検出されたトレースは線でマークされている。スペクトログラムの中央の呼吸トレースは、第２及び第３のウィンドウでは検出されないが（被験者の身体運動及び呼吸速度変化のために）、第４のウィンドウで見つかったトレースは第１のウィンドウで見つかったトレースと依然として高度な類似性を達成するので、図８５に示すように、依然として連結することができることが分かる。
【1054】
人のカウントと認識
【1055】
人のカウント
【1056】
ＩＤＰ及びトレース連結をカウントする人々は呼吸速度トレースの推定値を提供し、トレース数は、占有率の推定値である。ＩＤＰ及びトレースの連結は観察領域内のヒトの呼吸の安定性を考慮してきたが、推定結果は依然として大きなノイズを受け、図８４Ｂ、図８４Ｃに示されるように、リアルタイム出力に対するいくつかの誤警報または過小評価を有し得る。リアルタイムシステムのためにこれらの外れ値を除去／軽減するために、以前の推定値に含まれる情報を探索するための疑似バイラテラルフィルタをデザインすることができる。バイラテラルフィルタと同様に、設計されたフィルタは時間及び推定領域における距離を同時に考慮するが、開示されたシステムに従って、いくつかの改良を行ってもよい。第１に、リアルタイムシステムの場合、フィルタは、過去及び最新の推定結果のみを使用することができる。さらに、連続的な呼吸速度トレースを得るために、時間と周波数を利用するので、予備的な推定は短期間で一貫している。したがって、バイラテラルフィルタを直接的に使用することができる場合、第１の不正確なアウトプットのみが修正される。これらの２つの制約が与えられると、それぞれのセグメントが一貫した予備推定系列であるセグメントベースのフィルタを開発することができる。
【1057】
具体的には、出力が現在の推定及び以前のセグメントによって決定される。セグメントｓの重みをＷｓｅｇ（ｓ） として以下のように表すことができる。[この文献は図面を表示できません]
ここで、ｌｓはセグメントｓの長さであり、τｓはセグメントｓと現在のタイムスタンプとの間の時間差である。ｄｓは、図８６に示すように、現在の推定とセグメントｓとの間の推定差分である。直感的には、セグメントが長ければ長いほど、より大きな重みが割り当てられる。反対に、時間または群衆の数の推定が長ければ長いほど、このセグメントが現在の結果に与える影響は小さくなる。明確にするために、ｉ人の推定された人々を有するセグメントのセットはＳｉとして表され、現在の推定された数はｊとして表される。疑似バイラテラルフィルタの後で現在推定されている人がｉ人であることの重みは、次のように計算される。[この文献は図面を表示できません]
ここで、セグメントの総数はＮであり、推定差分はｄｓ＝｜ｉ−ｊ｜であり、数式（１１１）のＷｓｅｇ（ｓ）は以下のように設計される。[この文献は図面を表示できません]
【1058】
フィルタリング後の最終的な結果は、以下のように表されるｊ’である。[この文献は図面を表示できません]
【1059】
図８６は、疑似バイラテラルフィルタリングの前後の推定結果を示す。明らかに、新しい疑似バイラテラルフィルタは推定の異常値を効果的に除去でき、従って人数カウントシステムの性能を改善する。
【1060】
スマートホームにおける人間の認識
【1061】
このパートでは、開示された呼吸トレース結果を、観測領域における人間のアイデンティティを認識することを望む可能性がある興味深いスマートホームアプリケーションに適用することができる。観察に基づくと、ある場合には異なった人間の呼吸速度は同じであるが、特定の人間にとっては彼または彼女の呼吸速度はある一定の範囲に位置する傾向があり、これは人間／利用者の認識にとって全く独特の特徴である。換言すれば、異なる人々の呼吸分布は異なる傾向がある。この観測によって動機付けられて、得られた呼吸トレースを活用して人間の認知を行うために、仮説検定を利用することができる。
【1062】
各人の確率密度関数（ＰＤＦ）はガウス分布、すなわち[この文献は図面を表示できません]
に従うと仮定され、すなわち、こで、ｋはテスト被験者のラベルを示す。異なる人の呼吸速度の分布を得るために、最初に、トレーニングデータセット内のヒストグラムから大まかなＰＤＦ推定値を得ることができる。このヒストグラムをガウスモデルに適合させ、各テスト被験者のＰＤＦを得る。図８７は、４人の被験者についての例示的な呼吸ＰＤＦを示す。ＰＤＦ分布に基づいて、呼吸トレースｇの所定の観察について、被験者ｋに属するトレースの対数尤度は以下のように計算される。[この文献は図面を表示できません]
ここで、Ｎは所与のトレースの時間インスタンスの数である。予測されたラベルは最大尤度、すなわち以下を達成するものでなければならない。[この文献は図面を表示できません]
【1063】
実験と評価：開示されたアプローチの性能を評価するために広範な実験が行われるべきである。具体的には、最初に実験設定を導入し、次に２つの異なるシナリオに対応する結果を導入することができる。最後に、別個のモジュールの影響に関する議論を開示する。
【1064】
実験における全てのデータは１２人の参加者を含む２ヶ月間にわたり、キャンパス上の実験室及び自動車において収集される。２人のデバイス（ＴｘとＲｘ）があたかも会議に出席しているかのように椅子に座るように、ラウンドデスク参加者の２つの異なった側に置かれる。実験中、参加者は自分の座席をランダムに選択し、わずかな動きが許容される。また、屋内シナリオの極端な場合である自動車で実験を行うこともでき、この場合、空間が限定され、強い反射がある。自動車のシナリオの場合、ＴｘとＲｘはそれぞれ運転者側と乗客側の前面ドアに置かれる。
【1065】
総合パフォーマンス
【1067】
カウントエラーは、テストケースの９８．６％に対して１人以内である。さらに、開示されたシステムは、モニタ領域が占有されているか否かを完全に検出することができる。しかしながら、精度は、より多くの人が存在すると低下する。これは、予想されるように、より多くの人がいるほど、彼らの呼吸トレースが一緒に融合する可能性が高くなり、偶発的な動きが起こる可能性が高くなり、両方とも計数エラーにつながるからである。図８９Ａは自動車における開示されたテスト結果がＬＡＢにおけるものと同等の性能を達成することができることを示し、これは、周囲に対する開示されたシステムの独立性を実証する。
【1068】
開示されたシステムをさらに評価するために、それを、市販のＷｉＦｉを使用して多人数の呼吸速度も推定する最も関連性のあるＴＲ−ＢＲＥＡＴＨと比較することができる。ＴＲ−ＢＲＥＡＴＨは呼吸速度推定のためにルートＭＵＳＩＣを使用し、群衆数を推定するためにアフィニティープロパゲーションアルゴリズムを使用する。公正な対比を行うために、準二者間フィルタを用いて、原稿のＴＲ−ＢＲＥＡＴＨ推定値の外れ値をフィルタする。ＬＡＢ及び車におけるＴＲ−ＢＲＥＡＴＨの推定精度を、それぞれ図８８Ｂ及び図８９Ｂに示す。見られるように、ＴＲ−ＢＲＥＡＴＨは、自動車のテストシナリオにおいて同等の性能を示す。ＬＡＢ環境における性能ははるかに悪く、全体的な精度は７０．６８％である。ここに開示する手法は、適応的なＳＣ組み合わせ、反復ダイナミックプログラミング、トレース連結の３つの中核技術に帰せられる、それぞれＬＡＢ及び自動車テストシナリオによる総合性能を１６．６４％及び３．３２％改善する。
【1069】
図９０は人物認識の混同行列を示し、各個人のＰＤＦが図８７に示されている。被験者が明確な呼吸速度を有する場合、それは高認知率（すなわち、被験者１及び被験者２）に対応することが分かる。しかし、被験者２名の呼吸速度範囲が非常に類似しているケースでは、お互いを区別することは困難であり（被験者３名と被験者４名）、これもシステム数を過小評価している理由である。
【1070】
個々のモジュールの性能ゲイン：各々の独立したモジュールが開示されたシステムの性能をどのように改善するかを以下に説明する。混同行列及び精度とは別に、ここでは、以下のように計算される真の正（ＴＰ）レートをさらに採用することができる：[この文献は図面を表示できません]
【1071】
ＳＮＲブースティングアルゴリズムの影響
【1072】
ここで、ＳＮＲブースティングアルゴリズムを一般的に使用されているものと比較することができる。すなわち、最大エネルギーがある閾値を超えるＳＣを選択することである（以後、これを固定閾値アルゴリズムと呼ぶ）。公平な比較のために、両方の方法の閾値として最大リンクエネルギーの３０％を選択することができる。さらに、それぞれのリンクのエネルギーは、リンク組み合わせの前に正規化され、したがって、両方の方法のための後の処理で使用されるパラメータも同じである。開示されたアルゴリズムは、より良い性能を示すことが分かる。
【1073】
ＩＤＰ推定アルゴリズムの影響
【1074】
この実験では、ＩＤＰの利点を示すことができる。パフォーマンスを、現在のタイムスタンプのみにおけるスペクトラムに基づいて人の数を推定するローカル推定アルゴリズムと比較することができる。公正な比較のために、疑似バイラテラルフィルタを局所推定アルゴリズムにも適用した。結果はＩＤＰが両方のデータセットの性能を大きく改善することを示し、これは、計数における時間ダイバシティを活用することによって寄与されるゲインを実証する。
【1075】
疑似バイラテラルフィルタの影響
【1076】
この実験では、設計した疑似バイラテラルフィルタが人数の計数システムの性能に及ぼす影響を示すことができる。図８８Ｃ及び図８９Ｃはそれぞれ、ＬＡＢ及び車内で収集されたデータセット上でフィルタリングを行わずに、人数計数システムの混同行列を示す。この結果を図８８（ａ）及び図８９（ａ）と比較すると、観測領域の人数が３人よりも多い場合には、ほとんどの場合、疑似バイラテラルフィルタにより性能を向上させることができることが分かる。その理由は、被験者の数が増加すると、より多くの動きの干渉が導入されるからである。さらに、様々な呼吸トレースが併合する可能性がより高い。ＩＤＰによる周波数ダイバシティと同様に時間領域を利用しても、推定エラーは依然として起こり得る。疑似バイラテラルフィルタは、時間領域におけるダイバーシティをさらに利用し、したがって推定外れ値を補正する後処理方法である。
【1077】
人間の被験者の空間的分離及び呼吸速度差分の影響をさらに調査するために、図９１に示すように、３人の参加者が異なった空間的分離で座っている実験を行うことができる。人間の被験者の体積を考慮して、最小距離は７０ｃｍに設定される。ＴｘとＲｘとの間の距離は３．２ｍである。実験中に一定の呼吸速度間隔を確保するために、被験者の各々は、メトロノームに従って制御された呼吸を行う。［０．５，１，１．５，２］ＢＰＭの呼吸速度分離をそれぞれ評価した。図９２は開示されたシステムの性能を示し、ここで、４タプル（＊；＊；＊；＊）は、それぞれ、位置ａ、ｂ、及びｃにおける３人のユーザについての検出精度及び関連する呼吸速度精度を示す。呼吸速度分離は性能に著しい影響を及ぼすが、空間分離の影響は無視できることが分かる。呼吸速度間隔が０．５ ＢＰＭから１ ＢＰＭに増加すると、検知率は３０％以上上昇する。システムは、呼吸速度間隔が１．５ＢＰＭを超えると、１００％の検知率を達成する。さらに、呼吸速度トレースが検出されている限り、開示されたシステムは呼吸速度を正確に推定することができ、呼吸推定精度は、すべてのテストケースについて９４．７％を超える。
【1078】
ランダムなボディモーションは、無線バイタルサインの監視のための最も困難な問題の１つである。わずかな動きの影響に対抗するために、本開示は、適応サブキャリア選択アルゴリズム、ならびに呼吸速度トレースを抽出するための反復動的計画法を開示する。しかしながら、歩行のような継続的な大きな動きが存在する場合、無線センシングの固有の限界のために、呼吸信号を正確に抽出することは困難である。通常、ほとんどの無線監視用途でそうような、継続的な大きな動きがない限り、開示されたシステムは、呼吸速度トレースを正確に拾い上げることができる。
【1079】
実際に、人間が歩いているときにＷｉＦｉシステムのＲＳＳのディップ（dip）イベントを検出し、群衆の数を推定するように設計された専用システムがある。また、人間の認識を行うために、ＷｉＦｉシステムから歩容を抽出することもできる。しかしながら、これらのシステムは、被験者が歩行を続ける必要があるケースのために特別に設計されている。開示されたシステムは被験者が静止しているとき、群衆のカウント及び認知を実行することができる。
【1080】
開示されたシステムが車のエンジンがオンになっているが車が動いていない環境とは無関係であることを確認するために、車で行われた実験を思い出してほしい。
【1081】
開示された呼吸トレース法はエンジンによって導入されるわずかな振動に対して良好な性能を発揮するが、走行中の車両からの振動は微小バイタル信号を圧倒するほど大きいので、走行中の車両ではうまく機能しない場合がある。しかしながら、いったん自動車が静止している、例えば、信号機の前で待機していると、開示されたシステムは、群衆のカウント及び人間の認知のためにトレースな呼吸数をトレースすることができる。運転中の車の振動を扱うことは、ＲＦベースのアプローチだけでなく、視覚ベースのアプローチで、様々なセンシング技術が直面する大きな共通課題である。
【1082】
本開示はまた、新しい呼吸検知及び人数カウントエンジン（Ｂｒｅａｔｈｉｎｇ３）を提案する。このＢｒｅａｔｈｉｎｇ３エンジンは複数のアンテナリンク、例えば、Ｎ１個のリンクがあると仮定する。リンク毎に、時系列のチャネル情報（ＴＳＣＩ）を取得し（例えば、ＣＩは、チャネル状態情報、ＣＳＩであってもよい）、ＣＩ毎にＮ２個の成分を有する。Ｎ１個のＴＳＣＩが存在する。それぞれのＴＳＣＩは、Ｎ２個の成分ＴＳＣＩに分解することができる。したがって、Ｎ１ｘＮ２個の成分ＴＳＣＩが存在する。ＣＩはＮ２個の成分、周波数情報（例えば、ＣＦＲ）または時間情報（例えば、ＣＩＲ）を含むことができる。それぞれのＣＩは、タイムスタンプに関連付けられる。Ｎ２個の成分を有するＣＩに変換を適用して、それをＮ２個の変換済みの成分を有するＣＩに変換することができる。例えば、周波数変換はそれをＮ２個の周波数成分を有するＣＩに変換するために、Ｎ２個の時間成分を有するＣＩに適用されてもよい。同様に、逆周波数変換をＮ２個の周波数成分を有するＣＩに適用して、それをＮ２個の時間成分を有するＣＩに変換することができる。成分ＴＳＣＩはＴＳＣＩ内のすべてのＣＩの特定の成分（例えば、第１成分、または第２成分など）によって形成され得る。したがって、Ｎ１＊Ｎ２個の成分ＴＳＣＩが存在し、それぞれがＮ２個の成分のうちの１つ及びＮ１個のリンクのうちの１つに関連付けられる。
【1083】
Ｂｒｅａｔｈｉｎｇ３は、時間軸を重なり合うタイムウィンドウに分割する。各スライディングタイムウィンドウ及び各ＣＩＣ指数に対して、時間−周波数変換（ＴＦＴ、例えば、短時間フーリエ変換（ＳＴＦＴ）またはウェーブレットなど）を行う。全部でＮ１×Ｎ２個のＴＦＳが、対応するスライディングタイムウィンドウ内の成分ＴＳＣＩ毎に１つずつ、スライディングタイムウィンドウ内で実行される。スライドタイムウィンドウの長さは、長時間にわたって調整することができ、大きな呼吸精度が必要な場合には大きく、通常の精度でよい場合には中程度の大きさであり、低精度で充分な場合には小さくすることができる。場合によっては、ＣＩサンプリング／抽出（例えば、無線ＩＣによって行われる）に不規則な期間を持たせる（すなわち、ＣＩのタイムスタンプが不規則である）ネットワークトラフィック／輻輳のために、サウンディング信号が一時的に遅延することがある。サウンディング信号は、タイプ１デバイスからタイプ２デバイスへの無線信号であってもよく、ある時間周期にわたって規則的な時間間隔で送信されるインパルス／サウンディングパルスのトレーニングであってもよい。したがって、サンプリング時間補正を適用して、ＣＩが規則的な間隔でサンプリングされることを保証することができる。補正は、所望のサンプリング時間のインスタンスで時間補間を実行することによって達成され得る。時には、各ＴＳＣＩが異なるサンプリング周波数でサンプリングされてもよい（例えば、１つは３００Ｈｚでサンプリングされ、もう１つは１５０Ｈｚでサンプリングされ、さらにもう１つは１０５Ｈｚでサンプリングされる）。サンプリング時間補正を適用してもよい。すべてのＴＳＣＩは、すべてが同じサンプリング周波数及びサンプリングインスタンスでサンプリングされるように補正され得る。
【1084】
スライディングタイムウィンドウに対して、Ｂｒｅａｔｈｉｎｇ３は多数の特性中間時間−周波数変換（ＣＩＴＦＴ）を形成し、次にそれらを結合して結合済みの時間−周波数変換（ＣＴＦＴ）とする。ＣＩＴＦＴは、（ＴＦＴの）各時間−周波数インデックス及び各リンク（ＴＸ及びＲＸアンテナのペア間のＮ１個のリンクのうちの１つ）について、ＣＩＴＦＴが時間−周波数インデックス及び任意の成分インデックスを有するそのリンクのＮ２個のＴＦＴ値のうちの第１の特性として計算され得るように、各リンクについて計算され得る。このようなＣＩＴＦＴはＮ１個存在する。（ＴＦＴの）時間−周波数インデックスに対して、ＣＴＦＴは、Ｎ１個のＣＩＴＦＴの第２の特性値である。ＣＩＴＦＴは、（ＴＦＴの）各時間−周波数インデックス及び各成分（各ＣＩのＮ２個の成分のうちの１つ）について、ＣＩＴＦＴが時間−周波数インデックス及び任意の成分インデックスと関連するそのＮ２個のＴＦＴ値のうちの第１の特性として計算され得るように、各成分について計算され得る。このようなＮ２個のＣＩＴＦＴが存在する。（ＴＦＴの）時間−周波数インデックスに対して、ＣＴＦＴは、Ｎ２個のＣＩＴＦＴの第２の特性値である。スライディングタイムウィンドウの長さは、経時的に調整することができる。例えば、スライドタイムウィンドウ長は高い呼吸精度が必要な場合は長く、正常な精度であれば中程度の大きさであり、低精度であれば短い。
【1085】
特性は、最大振幅、最小振幅、平均振幅、パーセンタイル振幅、最大位相、最小位相、平均位相、パーセンタイル位相、平均、中央値、モード、トリム平均、加重平均、または別の特性値を有するＴＦＴ値であってもよい。特性はまた、最大振幅、最小振幅、平均振幅、パーセンタイル振幅、最大の位相、最小の位相、平均の位相、パーセンタイルの位相、平均、中央値、モード、トリム平均、加重平均、又は別の特性であってもよい。特性は、非線形関数がＴＦＴ値に適用された後、最大振幅、最小振幅、平均振幅、パーセンタイル振幅、最大位相、最小位相、平均位相、パーセンタイル位相、平均、中央値、モード、トリム平均、加重平均、または別の特性値を有するＴＦＴ値であってもよい。非線形関数は、対数、指数関数、多項式関数又は別の非線形関数であり得る。また、特性は、最大振幅、最小振幅、平均振幅、パーセンタイル振幅、最大の位相、最小の位相、平均位相、パーセンタイルの位相、平均、中央値、モード、トリム平均、加重平均、又は非線形関数がＴＦＴ値に適用された後の別の特性であってもよい。
【1086】
例えば、各ＣＩは、１２８点ＣＦＲであってもよい。ＴＦＴは、５１２点ＳＴＦＴ(周波数インデックスｉ、０〜１２７）とすることができる。特性は、最大振幅を有する数値であってもよい。Ｎ１＝２ｘ３＝６個のリンクがあると仮定する。次に、各ＳＴＦＴ周波数インデックス（例えば、ｉ＝１）に対して、６つのＳＴＦＴ値（Ｎ１個のリンクの各々に対して１つ）がある。周波数インデックスｉ＝１におけるＣＴＦＴは単に、最大振幅を有するｉ＝１におけるＳＴＦＴである。スライディングタイムウィンドウが十分に短い（例えば、１秒）場合、人間の呼吸はＣＴＦＴにおける支配的なピークに対応する周期的な関数として近似することができ、支配的なピークに関連する周波数または期間は、対応する呼吸周波数または呼吸期間である。このように、Ｂｒｅａｔｈｉｎｇ３では、それぞれのスライドタイムウィンドウについて、ＣＴＦＴの支配的なピークが決定される。複数の呼吸速度（存在する人の数に等しくなければならない）はＣＴＦＴの支配的なピークに関連する時間−周波数指数（例えば、ＳＴＦＴの周波数）に基づいて計算される。また、呼吸速度数から存在する人数を推定した。
【1087】
騒音などにより偽ピークが発生することがある。偽ピークを抑えるためには、真のピーク（つまり、人間の真の呼吸速度）は一度にしか起こらないはずではなく、長期間にわたってピークの「呼吸トレース」を形成することはずであることに注意しなければならない。それぞれのスライドタイムウィンドウを時間ｔ（例えば、その開始時間）に関連付けることができる。また、隣り合うスライディングタイムウィンドウ間の時差分が小さければ、人間の呼吸は急激に変化してはならない。したがって、呼吸トレースは、ゆっくりと変化する（または一貫している）べきである。したがって、Ｂｒｅａｔｈｉｎｇ３では、急激に（または非常に速く）変化する任意の呼吸トレース候補が排除されないとしても抑制される。例えば、呼吸トレースは、速い呼吸速度変化にペナルティを課すコスト関数を用いたダイナミックプログラミングによって得ることができる。
【1088】
Ｂｒｅａｔｈｉｎｇ３では、Ｔ１からＴ２までの試験期間（すなわち、Ｔ１＜＝ｔ＜＝Ｔ２、またはＴ１とＴ２の間の開始時刻でのスライドタイムウィンドウ）における多重スライドタイムウィンドウの支配的なピークが長期の「一貫した」呼吸の探索において一緒に考慮される。多数の呼吸トレースは（例えば、ダイナミックプログラミングを使用して）候補周期内の隣り合う支配的ピーク（各スライドタイムウィンドウから１つのピーク）を接続することによって各々得られる。支配的なピークが複数の呼吸トレースに現れることがある。
【1089】
呼吸トレースがＴＩで開始し、Ｔ２で終了しなければならないという制約を適用することができる。したがって、新たな呼吸トレース（例えば、人が部屋に入ったばかりのとき）及び消失する呼吸トレース（例えば、人が部屋を出たとき）を検出できるように、様々な検査周期を考慮することができる。制約は、呼吸トレースがテスト期間内の任意の時点で開始または終了することができるように緩和されてもよい。
【1090】
コスト関数は急激に変更する又は急速に変更する呼吸速度が高コストであり、一方、スムーズ、継続的又は緩慢に変更する呼吸速度が低コストであるように構成されてもよい。Ｂｒｅａｔｈｉｎｇ３では、多くの人が呼吸トレースの回数と関連している可能性がある。いつでも、瞬間的な人数は、その時点での呼吸トレースの瞬間的な数に関連付けられてもよい。
【1091】
本開示の様々な実施形態では、運転者認証または認識が例えば以下の項に開示されるように、モニタ及び認識のための周波数ホッピング方法に基づいて実行されてもよい。
【1092】
項Ｄ１：チャネルホッピングターゲット認識システムの方法であって、それぞれのトレーニング期間における、場所内の少なくとも１人の既知のターゲットのそれぞれに対して、第１のタイプ１の異種チャネルホッピング無線デバイス（無線送信機）のアンテナによって、個別のトレーニングチャネルホッピング無線信号を、少なくとも１人の第１のタイプ２の異種チャネルホッピング無線デバイス（無線送信機）へ、トレーニング期間における場所内の場所における前記既知のターゲッ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送信することと、ここで、無線マルチパスチャネルはＮ１個のチャネルを含み、Ｎ１は１以上であり、前記個別のトレーニングチャネルホッピング無線信号は前記Ｎ１個のチャネルにわたってホップし、トレーニングチャネルホッピング無線信号に基づいて前記少なくとも１つの第１のタイプ２のデバイスによって、Ｎ１個の時系列のトレーニングチャネル情報（トレーニングＣＩ）を非周期的に受信することであって、各時系列のトレーニングＣＩ（トレーニングＴＳＣＩ）はトレーニング期間において、第１のタイプ２のデバイスと第１のタイプのデバイスとの間の無線マルチパスチャネルのうちのＮ１個のチャネルに関連付けられ、Ｎ１個のトレーニングＴＳＣＩはチャネルホッピングに由来して非同期であり、トレーニングＣＩの結合済みの時系列（結合済みのトレーニングＴＳＣＩ）を形成するためにマージされうる、受信することと、Ｎ１個のトレーニングＴＳＣＩを前処理することと、少なくとも１つの既知のターゲットのそれぞれの個別のＮ１個のトレーニングＴＳＣＩに基づいて、少なくとも１つの既知のターゲットに対して少なくとも１つの分類器をトレーニングすることと、ここで、少なくとも１つの分類器はロジスティック回帰、プロビット回帰、ナイブベイズ分類器、非線形分類器、二次分類器、Ｋ近傍法、決定木、ブースト木、ランダムフォレスト、学習ベクトル量子化、線形判別分析、サポートベクターマシン、ニューラルネットワーク、パーセプトロン、ディープニューラルネットワーク、教師あり学習、教師なし学習、識別法、生成法、強化学習、マルコフ決定プロセス、クラスタリング、次元削減、Ｋ平均、バギング、ブースティング、アダブースト（ＡｄａＢｏｏｓｔ）、確率的勾配降下、及び別の分類器のうちの少なくとも１つを含み、現在の期間における場所の現在のターゲットに対して、第２のタイプ１の異種チャネルホッピング無線デバイスのアンテナによって、少なくとも１つの第２のタイプ２の異種チャネルホッピング無線デバイスへ、現在の期間内の場所内の現在のターゲットによって影響される無線マルチパスチャネルを介して、現在のチャネルホッピング無線信号を送信すること、ここで、現在のチャネルホッピング無線信号はＮ１個のチャネルにわたってホップし、現在のチャネルホッピング無線信号に基づいて、少なくとも１つの第２のタイプ２デバイスのそれぞれによって非同期に、現在のチャネルホッピング無線信号のＮ１時系列（現在のＴＳＣＩ）を取得し、現在の期間中に第２のタイプ２デバイスと第２のタイプ１デバイスとの間の無線マルチパスチャネルのＮ１チャネルのうちの１つに関連付けられた各現在のＴＳＣＩを取得し、Ｎ１個の現在のＴＳＣＩはチャネルホッピングによって非同期であり、現在のＣＩ(結合された現在のＴＳＣＩ）の結合された時系列を形成するようにマージすることができ、Ｎ１個の現在のＴＳＣＩを前処理し、Ｎ１個の現在のＴＳＣＩ、Ｎ１個の現在のＴＳＣＩのうちのいくつか、特定の現在のＴＳＣＩ、特定の現在のＴＳＣＩの一部、特定の現在のＴＳＣＩの一部と追加のＴＳＣＩの異なる一部と組み合わせ、のうちの少なくともいずれかを分類するために、少なくとも１つの分類器を適用することと、現在のターゲットを、少なくとも１つの既知のターゲットのうちの１つと、既知のターゲットの変種、未知のターゲット、及び別のターゲットのうちの少なくとも１つと関連付け、ここで、各ターゲットは、被験者、人間、幼児、高齢者、患者、ペット、犬、猫、物体、特定の材料を含むオブジェクト、機械、デバイス、装置、ツール、部品、成分、液体、流動体、機構、変化、存在、不在、動き、周期的な動き、過渡的な動き、移動、位置、被験者の変化、人間のジェスチャ、人間の歩容、人間の移動、物体の変化、物体の移動、レイアウト、物体の配置、及びイベントのうちの少なくとも１つを含み、ここで、第１のタイプ２デバイスに関連付けられたトレーニングＴＳＣＩと第２のタイプ２デバイスに関連付けられた現在のＴＳＣＩとは、異なる開始時間、異なる持続時間、異なる停止時間、それらのそれぞれの時系列におけるアイテムの異なるカウント、異なるサンプリング周波数、それらのそれぞれの時系列における２つの連続するアイテム間の異なるサンプリング周期、それらのそれぞれの時系列における２つの連続するアイテム間の異なるサンプリング周期、異なるサウンディングレート、異なるサウンディング周期、チャネルホッピングの異なる順序、特定のチャネルに残っている異なる持続時間、異なるタイミング、ホッピングのための異なるチャネル、及び異なる特徴を有するチャネル情報（ＣＩ）のうちの少なくとも１つを有する方法。
【1093】
項Ｄ２：項Ｄ１に記載のチャネルホッピングターゲット認識システムの方法であって、ＴＳＣＩの第１のセットの（第１の持続時間の）第１のセクションと、ＴＳＣＩの第２のセットの（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と、第１のセクションのアイテムと第２のセクションのアイテムとの間のマッピングを決定することとをさらに含み、ＴＳＣＩの第１のセットはＮ１個のチャネルのサブセットに関連付けられ、ＴＳＣＩの第２のセットはＮ１個のチャネルの同一サブセットに関連付けられる方法。
【1094】
項Ｄ３：項Ｄ２に記載のチャネルホッピングターゲット認識システムの方法であって、ＴＳＣＩの第１のセットは第１の操作によって前処理され、ＴＳＣＩの第２のセットは第２の操作によって前処理され、第１の操作及び第２の操作のうちの少なくとも１つは、結合、グループ化、サブサンプリング、リサンプリング、内挿、フィルタリング、変換、特徴抽出、及び前処理のうちの少なくとも１つを含む方法。
【1095】
項Ｄ４：項Ｄ２に記載の方法であって、第１のセクションの第１のアイテムを第２のセクションの第２のアイテムにマッピングすることをさらに含み、少なくとも１つの制約は、ＴＳＣＩの第１のセットの第１のセクションの第１のアイテム、ＴＳＣＩの第１のセットの別のアイテム、ＴＳＣＩの第１の異なるアイテム、第１のアイテムのタイムスタンプ、第１のアイテムの時間差分、第１のアイテムの時間差、第１のアイテムの隣接タイムスタンプ、第１のアイテムに関連付けられた別のタイムスタンプ、ＴＳＣＩの第２のセットの第２のセクションの第２のアイテム、ＴＳＣＩの第２のセットの別のアイテム、第２のアイテムのタイムスタンプ、第２のアイテムの時間差分、第２のアイテムの時間差、第２のアイテムの隣接タイムスタンプ、及び第２のアイテムに関連付けられた別のタイムスタンプのうちの少なくとも１つの少なくとも１つの機能に適用される方法。
【1096】
項Ｄ５：項Ｄ４に記載の方法であって、少なくとも１つの制約は、第１のアイテムのタイムスタンプと第２のアイテムのタイムスタンプとの間の差分が適応上限閾値及び適応下限閾値のうちの少なくとも１つによって制限され、第１のアイテムの時間差と第２のアイテムの時間差との間の差分が適応上限閾値及び適応下限閾値のうちの少なくとも１つによって制限され、第１のアイテムと第１のセクションの別のアイテムとの間の時間差分と、第２のアイテムと第２のセクションの別のアイテムとの間の時間差分との間の差分が適応上限閾値及び適応下限閾値のうちの少なくとも１つによって制限される、のうちの少なくとも１つを含む方法。
【1097】
項Ｄ６：項Ｄ１に記載の方法であって、ＴＳＣＩのセットの（持続時間の）アクティブセクションを適応的に決定することと、アクティブセクションの開始時間及び終了時間を決定することとをさらに含み、アクティブセクションを決定することは、ＴＳＣＩのセットの仮セクションを計算することと、仮セクションの開始非アクティブ部分及び終了非アクティブ部分を除去することによってアクティブセクションを決定することとを含む方法。
【1098】
項Ｄ７：項Ｄ６に記載の方法であって、セクションを決定することは、タイムスタンプが増加する仮セクションのアイテムを現在のアイテムとして反復的に考慮し、現在のタイムスタンプに関連付けられた現在のアイテムと、現在のタイムスタンプよりも大きくないタイムスタンプを有する仮セクションの過去のアイテムと、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仮セクションの将来のアイテムと、のうちの少なくとも１つに関連付けられたアクティビティ尺度を再帰的に計算し、アクティビティ尺度に関連付けられた第１の基準が満たされるときに、仮セクションの開始部分に現在のアイテムを追加することによって、仮セクションの開始部分を決定することと、タイムスタンプが減少する仮セクションのアイテムを現在のアイテムとして反復的に考慮し、現在のタイムスタンプに関連付けられた現在のアイテムと、現在のタイムスタンプよりも大きくないタイムスタンプを有する仮セクションの過去のアイテムと、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仮セクションの将来のアイテムと、のうちの少なくとも１つに関連付けられたアクティブティ尺度を反復的に計算して決定し、少なくとも１つのアクティビティ測度に関連付けられた第２の基準が満たされる場合に、仮セクションの終了部分に現在のアイテムを追加することで、仮セクションの終了部分を決定することと、をさらに含む方法。
【1099】
項Ｄ８：項Ｄ７に記載の方法であって、第１の基準及び第２の基準のうちの少なくとも１つが、アクティビティ尺度は適応上限閾値よりも小さい、アクティビティ尺度は少なくとも所定量の連続タイムスタンプに対して連続的に適応上限閾値よりも小さい、アクティビティ尺度は少なくとも所定量の連続タイムスタンプに対して連続的に適応下限閾値よりも大きい、アクティビティ尺度は少なくとも所定量の連続タイムスタンプに対して連続的に少なくとも所定の割合の適応上限閾値よりも小さい、アクティビティ尺度は少なくとも所定量の連続タイムスタンプに対して連続的に少なくとも所定の割合の適応下限閾値よりも大きい、アクティビティ尺度は少なくとも別の所定量の連続タイムスタンプに対して連続的に少なくとも別の所定の割合の連続タイムスタンプに対して連続的に適応下限閾値よりも大きい、現在のタイムスタンプに関連付けられた別のアクティビティ尺度は別の適応上限閾値よりも小さい、別の適応下限閾値よりも大きい、現在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つのアクティビティ尺度はそれぞれよりも小さい。それぞれの上限閾値よりも小さい、それぞれの下限閾値よりも大きい、現在のタイムスタンプに関連するタイムスタンプのセットにおけるそれぞれの下限閾値よりも大きいアクティビティの割合は閾値を超え、時刻Ｔ１におけるアイテムに関連するアクティビティ測度は時刻Ｔ１におけるアイテムの第１の関数と、時刻Ｔ１−Ｄ１におけるアイテムとのうちの少なくとも１つを含み、ここで、Ｄ１は所定の正の量であり、時刻Ｔ１におけるアイテムの第２の関数と、時刻Ｔ１＋Ｄ１におけるアイテムとの第２の関数と、時刻Ｔ１におけるアイテムの第３の関数と、時刻Ｔ２におけるアイテムとのうちの少なくとも１つと、時刻Ｔ１におけるアイテムの第４の関数と、時刻Ｔ１におけるアイテムの第４の関数と、別のアイテムとを含む、のうちの少なくとも１つを含む：。
【1100】
項Ｄ９：項Ｄ８に記載の方法であって、第１の関数、第２の関数、第３の関数、及び第４の関数のうちの少なくとも１つは、少なくとも２つのスカラ引数ｘ及びｙを有する関数Ｆ１（ｘ、ｙ、．．．）と、少なくとも２つのベクトル引数：Ｘ及びＹを有する関数Ｆ２（Ｘ、Ｙ、．．．）と、少なくとも２つの引数Ｘ１及びＹ１を有する関数Ｆ３（Ｘ１，Ｙ１、．．．）と、のうちの少なくとも１つであり、関数Ｆ１は、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）、及び（（ｘ／ｙ）＾ａ１−ｂ１）、ここで、ａ１及びｂ１は所定の数、ここでＸ及びＹはｎ個の組Ｘ＝（ｘ＿１、ｘ＿２、．．．、ｘ＿Ｎ）及びＹ＝（ｙ＿１、ｙ＿２、．．．、ｙ＿Ｎ）、のうちの少なくとも１つであろ、関数Ｆ２は、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）、及び（（ｘ＿ｉ／ｙ＿ｉ）＾ａ２−ｂ２）のうちの少なくとも１つの関数であり、ここで、１からｎまでの範囲を取るｉはｎ個のタプルＸ及びＹの成分インデックスであり、Ｘ１及びＹ１はＸ１＝（ｘ１＿１、ｘ１＿２、．．．、ｘ１＿Ｎ）及びＹ１＝（ｙ１＿１、ｙ１＿２、．．．、ｙ１＿Ｎ）のような、Ｎ個の成分を含むｎ個のタプルであり、関数Ｆ３は、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）、及び（（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加算を含み、１からＮまで範囲をとるｊはｎ個のタプルＸ１及びＹ１の成分インデックスである方法。
【1101】
項Ｄ１０：項Ｄ２に記載の方法であって、動的タイムワーピング（ＤＴＷ）を使用してマッピングを計算することをさらに含み、ＤＴＷは、マッピング、ＴＳＣＩの第１のセットのアイテム、ＴＳＣＩの第２のセットのアイテム、第１の持続時間、第２の持続時間、第１のセクション、及び第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む方法。
【1102】
項Ｄ１１：項Ｄ１に記載の方法であって、ＴＳＣＩの第１のセットの第１のセクション（第１の持続時間の）とＴＳＣＩの第２のセットの第２のセクション（第２の持続時間の）とを整列させることと、第１のセクションの第１のアイテムと第２のアイテム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、複数のリンクのそれぞれが、第１のタイムスタンプを有する第１のアイテムを第２のタイムスタンプを有する第２のアイテムに関連付ける、計算することと、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不一致コストを計算することと、不一致コストに基づいて少なくとも１つの分類器を適用するステップであって、不一致コストは、内積、内積のような量、相関に基づく量、共分散に基づく量、識別スコアに基づく量、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、重み付き距離、距離のような量、及び第１のベクトルと第２のベクトルとの間の別の類似値、及び第１のＣＩ時系列の第１のセクションの第１のアイテムと、マップのリンクによって第１のアイテムに関連付けられた第２のＣＩ時系列の第２のセクションの第２のアイテムとの間のアイテムごとのコストと、マップのリンクに関連付けられたリンクごとのコストとの関数、のうちの少なくとも１つを含み、整列された第１のセクション及び整列された第２のセクションはそれぞれ、同じベクトル長を有する第１のベクトル及び第２のベクトルとして表され、不一致コストはベクトル長によって正規化される方法。
【1103】
項Ｄ１２：項Ｄ１１に記載の方法であって、少なくとも１つの分類器を、ＴＳＣＩの第１のセットの複数の第１のセクション及びＴＳＣＩの第２のセットの複数のそれぞれの第２のセクションに適用することと、それぞれの仮分類結果がそれぞれの第１のセクション及びそれぞれの第２のセクションに関連付けられている少なくとも１つの仮分類結果を取得することと、既知のターゲット、未知のターゲット、及び別のターゲットのうちの少なくとも１つに関連付けられている少なくとも１つの仮分類結果の最大数に基づいて、現行ターゲットを、既知のターゲット、未知のターゲット、及び別のターゲットのうちの少なくとも１つに関連付けることと、をさらに含む方法。
【1104】
項Ｄ１３：項Ｄ１に記載の方法であって、各既知のターゲットに関連付けられたＮ１個のトレーニングＴＳＣＩに基づく次元縮小法を使用して各ＣＩの射影をトレーニングすることであって、次元縮小法は、主成分分析（ＰＣＡ）、様々なカーネルを有するＰＣＡ、独立成分分析（ＩＣＡ）、フィッシャー線形判別式、ベクトル量子化、教師有り学習、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、及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、トレーニングすることと、各ＣＩに射影を適用することと、各既知のターゲットに関連付けられた射影及びＮ１個のトレーニングＴＳＣＩに基づく少なくとも１つの分類器をトレーニングすることと、少なくとも１つの分類器によって、射影に基づいてＮ１個の現在のＴＳＣＩを分類し、既知のターゲット、既知のターゲットの変種、未知のターゲット、及び別のターゲットのうちの少なくとも１つにＮ１個の現在のＴＳＣＩを関連付けることと、をさらに含む方法。
【1105】
項Ｄ１４：項Ｄ１３に記載の方法であって、再トレーニング前の少なくとも１つの分類器、再トレーニング前の射影、各既知のターゲットに関連付けられたＮ１個のトレーニングＴＳＣＩ、Ｎ１個の現在のＴＳＣＩ、及び追加のＴＳＣＩ、のうちの少なくとも１つに基づいて、次元縮小法及び追加の次元縮小法のうちの少なくとも１つを使用して、投影を再トレーニングすることであって、追加の次元縮小法は、単純化された次元縮小法、主成分解析（ＰＣＡ）、異なるカーネルを有するＰＣＡ、独立成分解析（ＩＣＡ）、フィッシャー線形判別式、ベクトル量子化、教師有り学習、教師なし学習、自己組織化マップ、ニューラルネットワーク、オートエンコーダ、ニューラルネットワーク、及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と、再トレーニングされた射影、各既知のターゲットに関連付けられたＮ１個のトレーニングＴＳＣＩ、少なくとも１つの分類器の適用の結果、及びＮ１個の現在のＴＳＣＩのうちの少なくとも１つに基づいて少なくとも１つの分類器を再トレーニングすることと、の少なくともいずれかを含む再トレーニングすることと、再トレーニングされた射影及び少なくとも１つの再トレーニングされた分類器のうちの少なくとも１つに基づいて、Ｎ１個のチャネルに関連付けられたＮ１個の次のＴＳＣＩを分類することと、をさらに含む方法。
【1106】
項Ｄ１５：項Ｄ１に記載の方法であって、既知のターゲットのそれぞれに関連付けられたＮ１個のトレーニングＴＳＣＩに基づいて次元縮小法を使用して、組み合わせ済みのトレーニングＣＩのセットのそれぞれについて射影をトレーニングすることであって、既知のターゲットの組み合わせ済みＣＩのそれぞれは特定のタイムスタンプに関連付けられ、Ｎ１個のチャネルのそれぞれに関連付けられたＣＩを有するＮ１個のＣＩの組み合わせであり、各ＣＩは、所定のタイムスタンプの周辺の既知のターゲットの対応するトレーニングＴＳＣＩのタイムウィンドウから計算され、次元縮小法は、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式、ベクトル量子化、教師付き学習、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、及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、トレーニングすることと、射影を各組み合わせ済みのＣＩに適用することと、射影と、既知のターゲットのそれぞれの組み合わせ済みのトレーニングＣＩのセットと、既知のターゲットのそれぞれに関連付けられたＮ１個のトレーニングＴＳＣＩと、に基づいて少なくとも１つの分類器をトレーニングすることと、少なくとも１つの分類器によって、投影に基づいてＮ１個の現在のＴＳＣＩを分類することと、をさらに含む方法。
【1107】
項Ｄ１６：項Ｄ１５に記載の方法であって、再トレーニングは、再トレーニング前の投影、既知のターゲットのそれぞれに関連付けられたＮ１個のトレーニングＴＳＣＩ、結合された現在のＴＳＣＩ、Ｎ１個の現在のＴＳＣＩ、及び追加トレーニングＴＳＣＩ、のうちの少なくとも１つに基づいて、次元縮小法及び追加の次元縮小法の少なくともいずれかを用いて投影を再トレーニングすることであって、追加の次元縮小法は、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式、ベクトル量子化、教師付き学習、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、及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と、再トレーニングされた投影、既知のターゲットのそれぞれの結合されたトレーニングＣＩのセット、既知のターゲットのそれぞれに関連付けられたＮ１個のトレーニングＴＳＣＩ、結合された現在のＴＳＣＩ、Ｎ１個の現在のＴＳＣＩ、及び追加のトレーニングＴＳＣＩのうちの少なくとも１つに基づいて少なくとも１つの分類器を再トレーニングすることと、の少なくともいずれかを含む再トレーニングすることと、再トレーニングされた投影及び少なくとも１つの再トレーニングされた分類器のうちの少なくとも１つに基づいてＮ１個のチャネルに関連付けられたＮ１個の次のＴＳＣＩを分類することと、をさらに含む方法。
【1108】
項Ｄ１７：項Ｄ１に記載の方法であって、結合された現在のＴＳＣＩの（第１の持続時間の）少なくとも１つの第１のセクションのそれぞれについて、少なくとも１つの既知のターゲットのそれぞれについて、個別のターゲットの個別の代表的な結合されたトレーニングＴＳＣＩの（個別の第２の持続時間の）個別の第２のセクションを決定し、第１のセクションと個別の第２のセクションとを整列し、整列された第１のセクションと整列された個別の第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つの分類器を適用してミスマッチコストに基づいて第１のセクションの仮分類を取得することと、各第１のセクションの少なくとも１つの仮分類、各第１のセクションの既知のターゲットのそれぞれのミスマッチコスト、結合された現在のＴＳＣＩ、及び結合されたトレーニングＴＳＣＩ、のうちの少なくとも１つに基づいて少なくとも１つの第１セクションの分類を取得し、既知のターゲット、未知のターゲット及び別のターゲットのうちの少なくとも１つに少なくとも１つの第１セクションを関連付けることと、をさらに含む方法。
【1109】
項Ｄ１８：項Ｄ１７に記載の方法であって、既知のターゲットのそれぞれ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と、少なくとも１つの第１のセクションを、ほとんどの回数で最小のミスマッチコストを達成する既知のターゲットと、最小の全体ミスマッチコストを達成する既知のターゲットのうちの少なくとも１つに関連付けることと、をさらに含み、ここで、全体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、別の全体コストに基づいて最小のコストを達成する既知のターゲット、及び未知のターゲットのうちの少なくとも１つに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であり、少なくとも１つの第１のセクションは、少なくとも１つの第１のセクションの充分な割合で第１の閾値Ｔ１よりも低いミスマッチコストを達成するターゲットがない、及び第２の閾値Ｔ２よりも低い全体ミスマッチコストを達成するターゲットがない、状況のうちの少なくとも１つにおいて未知のターゲットに関連付けられる方法。
【1110】
項Ｄ１９：項Ｄ１７に記載の方法であって、既知のターゲットに関連付けられた代表的な結合されたトレーニングＣＩ時系列が、既知のターゲットに関連付けられた結合されたトレーニングＴＳＣＩ及び既知のターゲットに関連付けられた追加の結合されたトレーニングＴＳＣＩに基づいて得られる方法。
【1111】
項Ｄ２０：項Ｄ１７に記載の方法であって、既知のターゲットに関連付けられた代表的な結合されたトレーニングＴＳＣＩは、ＴＳＣＩのトレーニングセットに関して集約ミスマッチを最小化するような、すべての可能な結合されたトレーニングＴＳＣＩのセットの中の特定の結合されたトレーニングＴＳＣＩであり、ＴＳＣＩのトレーニングセットは既知のターゲットに関連付けられた結合されたトレーニングＴＳＣＩと、既知のターゲットに関連付けられた追加の結合されたトレーニングＴＳＣＩとを含み、トレーニングセットに関する特定のＴＳＣＩの集約ミスマッチは特定のＴＳＣＩとＴＳＣＩのトレーニングセットの各ＴＳＣＩ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、ミスマッチコストが計算される前に両方が整列され、関数は平均（Ａｖｅｒａｇｅ）、加重平均、平均（Ｍｅａｎ）、トリム平均、中央値、モード、算術平均、幾何平均、調和平均、トリム平均、一般化平均、強度平均、ｆ平均、四分位間平均、及び別の平均のうちの少なくとも１つを含む、方法。
【1112】
項Ｄ２１：項Ｄ２０に記載の方法であって、特定の結合されたトレーニングＴＳＣＩが、ＴＳＣＩのトレーニングセットにある方法。
【1113】
項Ｄ２２：項Ｄ２０に記載の方法であって、各ＴＳＣＩが持続時間に関連付けられ、それぞれの結合されたトレーニングＴＳＣＩの候補持続時間のセットが決定され、候補持続時間のそれぞれについて、ＴＳＣＩのトレーニングセットに対する集約ミスマッチを最小化する候補持続時間を有するそれぞれの最適な結合されたトレーニングＴＳＣＩが計算され、代表的な結合されたトレーニングＴＳＣＩは、集約ミスマッチを最小化する候補持続時間のセットの中の特定の持続時間を有する特定の最適な結合されたトレーニングＴＳＣＩである、方法。
【1114】
項Ｄ２３：項Ｄ２２に記載の方法であって、高速計算が、特定の持続時間と、特定の持続時間を有する特定の最適な結合されたトレーニングＴＳＣＩとの探索に適用される方法。
【1115】
項Ｄ２４：項Ｄ１に記載の方法であって、少なくとも１つの既知のターゲットについての分類器のトレーニングのために、それぞれのトレーニングＴＳＣＩのそれぞれのタイムウィンドウを決定することをさらに含む方法。
【1116】
項Ｄ２５：項Ｄ１に記載の方法であって、現在のＴＳＣＩ、結合された現在のＴＳＣＩ、以前の現在のＴＳＣＩ、及び以前の結合された現在のＴＳＣＩのうちの少なくとも１つに基づいて、少なくとも１つの既知のターゲットのための分類器を適応的に再トレーニングすることをさらに含む方法。
【1117】
項Ｄ２６：項Ｄ２５に記載の方法であって、少なくとも１つの既知のターゲットに対する分類器の再トレーニングのために、現在のＴＳＣＩ、結合された現在のＴＳＣＩ、以前の現在のＴＳＣＩ、及び以前の結合された現在のＴＳＣＩのうちの少なくとも１つに関連するタイムウィンドウを決定することをさらに含む方法。
【1118】
項Ｄ２７：項Ｄ１に記載の方法であって、場所が車両であり、現在のターゲットが車両内の乗客であり、少なくとも１つの既知のターゲットが車両の多数の既知の乗客を含み、少なくとも１つの分類器が現在のターゲットを既知の乗客に関連付ける方法。
【1119】
項Ｄ２８：項Ｄ２７に記載の方法であって、少なくとも２つの既知のターゲットが車両内の異なる姿勢を有する特定の既知の乗客を含み、異なる姿勢が特定の既知の乗客の身体部分を含み、異なる位置、異なる向き、及び異なる形のうちの少なくとも１つを含み、少なくとも１つの分類器が現行のターゲットを乗客姿勢に関連付ける方法。
【1120】
項Ｄ２９：項Ｄ２７に記載の方法であって、少なくとも２つの既知のターゲットが車両内で異なる動きを行う特定の既知の乗客を含み、異なる動きが、運転者の動き、直進、左旋回、右旋回、アクセルの踏み込み、ブレーキ機構の踏み込み、ギアの交換、ギアの切り替え、信号の調整、フロントガラスワイパーの設定、調整バイザー、ダッシュボードスイッチの調整、ミラーの調整、ウィンドウの調整、背中への到達、コンソールへの到達、中央コンソールへの到達、帽子の着脱、座席の調整、注意深い運転、寝たきりでの運転、乗客の動き、静かに前方を見張る、座る、寝る、通話、電話のチェック、ラップトップでの作業、ストレッチ、ウィンドウの調整、及び別の動きのうちの少なくとも１つを含み、少なくとも１つの分類器が、現在の目標を特定の乗客の動きに関連付ける方法。
【1121】
項Ｄ３０：項Ｄ２７に記載の方法であって、少なくとも２つの既知のターゲットが様々な状態の特定の既知の乗客を含み、状態が感情状態、正常、抑うつ、興奮、生理的状態、眠気、警戒、弛緩、緊張のうちの少なくとも１つを含み、現行のターゲットを特定の乗客状態に関連付けるための少なくとも１つの分類器を含む方法。
【1122】
項Ｄ３１：項Ｄ２７に記載の方法であって、少なくとも２つの既知のターゲットが車両内の様々な場所に座っている特定の既知の乗客を含み、少なくとも１つの分類器が、現行のターゲットを車両内の特定の場所に関連付ける方法。
【1123】
項Ｄ３２：項Ｄ１に記載の方法であって、場所が車両であり、現在のターゲットが車両内の２人の乗客を含み、少なくとも２つの既知のターゲットは、それぞれが車両の単一の既知の乗客を含む「単一の」ターゲットであり、少なくとも１つの分類器現在のターゲットを少なくとも２つの単一のターゲットのうちの２つに関連付ける方法。
【1124】
項Ｄ３３：項Ｄ３２に記載の方法であって、少なくとも２つの既知のターゲットは、それぞれが、異なる姿勢、異なる運動、異なる状態、及び別の差分のうちの少なくとも１つを有する特定の既知の乗客を含む単一のターゲットであり、少なくとも１つの分類器が、現行のターゲットを、乗客の姿勢、乗客の運動、乗客の状態、及び別の特性のうちの少なくとも１つに関連付ける方法。
【1125】
項Ｄ３４：項Ｄ１に記載の方法であって、場所が車両であり、現在のターゲットが車両内の２人の乗客を含み、少なくとも２つの既知のターゲットは、それぞれが車両の２人の既知の乗客を含む「２つの」ターゲットであり、少なくとも１つの分類器が現在のターゲットを二重ターゲットのうちの１つに関連付ける方法。
【1126】
項Ｄ３５：項Ｄ３４に記載の方法であって、少なくとも２つの既知の２つのターゲットが異なる姿勢、異なる動き、異なる状況、及び別の差分のうちの少なくとも１つを有する特定の既知の乗客を含む方法。
【1127】
項Ｄ３６：項Ｄ１に記載の方法であって、場所が車両であり、現在のターゲットが車両内の第１の数の乗客を含み、少なくとも２つの既知のターゲットがそれぞれ車両の第２の数の既知の乗客を含む「複数ターゲット」であり、第２の数が０以上第１の数以下の非負の整数であり、少なくとも１つの分類器が現在のターゲットを少なくとも１つの複数ターゲットに関連付ける方法。
【1128】
項Ｄ３７：項Ｄ３６に記載の方法であって、既知の複数ターゲットの少なくとも２つが、異なる姿勢、異なる動き、異なる状況、及び別の差分のうちの少なくとも１つを有する特定の既知の乗客を含む方法。
【1129】
項Ｄ３８：項Ｄ１に記載の方法であって、場所が車両であり、現在のターゲットが車両内の未知数の乗客を含み、少なくとも２つの既知のターゲットは各々が車両の複数の既知の乗客を含む「複数ターゲット」であり、現在のターゲットを少なくとも１つの複数ターゲットに関連付ける少なくとも１つの分類器と、少なくとも１つの複数ターゲットの各々に関連付けられた既知の乗客の数に基づく未知数の推定値と、を含む方法。
【1130】
項Ｄ３９：項Ｄ１に記載の方法であって、場所が車両であり、現在のターゲットが車両内の未知数の乗客を含み、少なくとも２つの既知のターゲットは各々が車両の複数の既知の乗客を含む「複数ターゲット」であり、少なくとも１つの分類器が現在のターゲットを未知数の推定値に関連付ける方法。
【1131】
項Ｄ４０：項Ｄ２７に記載の方法であって、場所が車両であり、現在のターゲットが車両内の特定の位置にいる乗客であり、少なくとも１つの既知のターゲットが車両内の複数の既知の位置にある車両の複数の既知の乗客を含み、少なくとも１つの分類器が現在のターゲットを車両の特定の位置に関連付ける方法。
【1132】
項Ｄ４１：項Ｄ２７に記載の方法であって、乗客が車両の運転席に座る方法。
【1133】
項Ｄ４２：項Ｄ２７に記載の方法であって、乗客が運転席前扉を開き、車両に入り、車両の運転席に座ることを含む、車両が始動される前に現在の動きが起こる方法。
【1134】
項Ｄ４３：項Ｄ２７に記載の方法であって、車両を停止した後、車両の運転席に座っている乗客が運転席側の前扉を開け、車両を出る方法。
【1135】
項Ｄ４４：項Ｄ２７に記載の方法であって、乗客が乗客側の前扉を開き、車両に入り、車両の運転席の隣の座席に座ることを含む、車両が開始される前に、現在の動きが起こる方法。
【1136】
項Ｄ４５：項Ｄ２７に記載の方法であって、運転席の隣の車両の座席に座っている乗客が乗客側の前扉を開き、車両を出る方法。
【1137】
項Ｄ４６：項Ｄ２７に記載の方法であって、乗客が背もたれを開き、車両に入り、車両の第２の列の座席に座ることを含む、車両が始動される前に、現在の動きが起こる方法。
【1138】
項Ｄ４７：項Ｄ２７に記載の方法であって、乗客が後部扉を開き、車両に入り、車両の第２の列の後ろの位置に座ることを含む、車両が始動される前に現在の動きが起こる方法。
【1139】
項Ｄ４８：項Ｄ２７に記載の方法であって、車両が始動される前に、前扉を開け、乗客が車両に入り、車両の第１の行の後ろの位置に座ることを含む方法。
【1140】
項Ｄ４９：項Ｄ１に記載の方法であって、場所が車両であり、少なくとも１つの分類器が、それぞれが複数の既知の候補車両のうちの１つである複数の既知のターゲットと、それぞれ既知の状態にある車両である複数の既知のターゲット、全てのドア及びウィンドウが閉鎖された車両であるターゲットと、それぞれが全てのドアが閉鎖され、１つのウィンドウが既知の程度に開放された車両である複数の既知のターゲットと、それぞれが全てのドアが閉鎖され、複数のウィンドウがそれぞれ既知の程度に開放された車両である複数の既知のターゲットと、それぞれが車両であり、ドライバドアが既知の程度に開放され、他のドアが閉鎖された車両である複数の既知のターゲットと、それぞれが乗客ドアが既知の程度に開放され、他のドアが閉鎖された車両である複数の既知のターゲットと、それぞれが車両であり、バックドアが既知の程度に開放され、他のドアが閉鎖された車両である複数の既知のターゲットと、それぞれが車両であり、複数のドアがそれぞれ既知の角度に開かれ、他のドアが閉じられた既知の複数のターゲットと、それぞれが車両であり、テールゲートが開かれ、他のドアが閉じられた車両である複数の既知のターゲットと、それぞれ車両であり、既知の位置、角度及び設定に座席を有する車両である複数の既知のターゲットと、それぞれが既知の設定にあるアクセサリを有する車両である複数の既知のターゲットと、それぞれが車両であって乗客が占有する複数の座席を有する車両である複数の既知のターゲットと、各々が複数のかご座席が設置された車両である複数の既知のターゲットと、各々が車両であって複数のチャイルドブースタ座席が設置された車両である複数の既知のターゲットと、のためにトレーニングまたは再トレーニングされる方法。
【1141】
項Ｄ５０：項Ｄ１に記載の方法であって、ここで場所は車両であり、ここで車両がトリップ中でないときに最近得られた車両のＴＳＣＩと、現在のトリップで得られた車両のＴＳＣＩと、最近のトリップで得られた車両のＴＳＣＩと、直前のトリップで得られた車両のＴＳＣＩと、車両が特定の既知の車両であるときに最近のトリップで得られたＴＳＣＩと、車両が特定の状態にあるときに最近のトリップで得られたＴＳＣＩと、特定の既知のドライバが運転中であるときに最近のトリップで得られた車両のＴＳＣＩと、特定の既知の乗客が車両に乗っているときに最近のトリップで得られた車両のＴＳＣＩと、特定の既知の乗客が特定の位置、特定の姿勢、特定の動き、及び車両の中の特定の状態のうちの少なくとも１つにあるときに最近のトリップで得られた車両のＴＳＣＩと、特定のグループの既知の乗客が車両に乗っているときに最近のトリップで得られた車両のＴＳＣＩと、及び特定のグループの座席が車両に占有されているときに最近のトリップで得られた車両のＴＳＣＩと、のうちの少なくとも１つに基づいて、少なくとも１つの分類器がトレーニングまたは再トレーニングされる方法。
【1142】
項Ｄ５１：項Ｄ２７に記載の方法であって、少なくとも１つの分類器は、ドライバドアが開閉される瞬間の周りのタイムウィンドウ内に適用される方法。
【1143】
項Ｄ５２：項Ｄ２７に記載の方法であって、少なくとも１つの分類器が、車両のエンジンが始動される瞬間を中心とするタイムウィンドウ内に適用される方法。
【1144】
項Ｄ５３：項Ｄ２７に記載の方法であって、少なくとも１つの分類器が、車両のエンジンが停止された瞬間前後のタイムウィンドウ内に適用される方法。
【1145】
項Ｄ５４：項Ｄ２７に記載の方法であって、少なくとも１つの分類器が、車両が動いている間に適用される方法。
【1146】
項Ｄ５５：項Ｄ２７に記載の方法であって、少なくとも１つの分類器は、車両のボタンが押されたときに適用される方法。
【1147】
項Ｄ５６：項Ｄ２７に記載の方法であって、少なくとも１つの分類器は、制御信号を受信すると適用される方法。
【1148】
項Ｄ５７：項Ｄ２７に記載の方法であって、既知の乗客に基づいて前記車両の少なくとも１つの成分を調整することをさらに含む方法。
【1149】
項Ｄ５８：項Ｄ２７に記載の方法であって、既知の乗客の好みまたは以前の設定または状態または特性に基づいて車両の少なくとも１つの成分を調整することをさらに含む方法。
【1150】
項Ｄ５９：項Ｄ２７に記載の方法であって、車両の運転席の設定を、好みまたは以前の設定、または既知の乗客に関連付けられた状態または特性に基づいて調整することをさらに含む方法。
【1151】
項Ｄ６０：項Ｄ２７に記載の方法であって、既知の乗客の好みまたは以前の設定、または状態または特性に基づいて車両のシート設定を調整することをさらに含む方法。
【1152】
項Ｄ６１：項Ｄ２７に記載の方法であって、認識された乗客が既知のドライバで既知のドライバの好みまたは以前の設定または条件または特性に基づいて、車両のドライバシートの設定を調整することをさらに含む方法。
【1153】
項Ｄ６２：項Ｄ２７に記載の方法であって、車両の娯楽システム設定を、既知の乗客の好み若しくは以前の設定、又は条件若しくは特性に基づいて調整することを更に含む方法。
【1154】
項Ｄ６３：項Ｄ２７に記載の方法であって、車両の空調システム設定を、既知の乗客の好み若しくは以前の設定、又は条件若しくは特性に基づいて調整することを更に含む方法。
【1155】
項Ｄ６４：項Ｄ２７に記載の方法であって、既知の乗客の好みまたは以前の設定または条件または特性に基づいて、車両の車両サブシステム設定を調整することをさらに含む方法。
【1156】
項Ｄ６５：項Ｄ３２、項Ｄ３３、項Ｄ３４、または項Ｄ３５に記載の方法であって、さらに、 好み、または以前の設定、または２人の乗客の状態もしくは特性に基づいて、車両の車両サブシステム設定を調整することを含む方法。
【1157】
項Ｄ６６：項Ｄ３６または項Ｄ３７に記載の方法であって、第１の複数の乗客の好みもしくは以前の設定または条件もしくは特性に基づいて車両のサブシステム設定を調整するステップをさらに含む方法。
【1158】
項Ｄ６７：項Ｄ１に記載の方法であって、Ｎ１は時間にわたるチャネルホッピングがないように１に等しい方法。
【1159】
項Ｄ６８：項Ｄ１に記載の方法であって、Ｎ１が少なくとも、その期間中にチャネルホッピングが存在しないような期間の間、１に等しい方法。
【1160】
本開示の様々な実施形態において、呼吸のような律動的動きをモニタすることは、以下の項に従って実行されてもよい。
【1161】
項Ｆ１：律動的動き監視システムの方法／ソフトウェア／装置／システムであって、プロセッサ、プロセッサに通信可能に結合されたメモリ、及びメモリに記憶された命令のセットを使用して、場所の無線マルチパスチャネルの時系列チャネル情報（ＣＩ）の数Ｎ１を取得することであって、Ｎ１個のＣＩの時系列（ＴＳＣＩ）は、少なくとも１つのアンテナを有するタイプ１の異種無線デバイス（無線送信機）と、少なくとも１つのアンテナを有するタイプ２の異種無線デバイス（無線受信機）との間で、無線マルチパスチャネルを介して場所内で送信される無線信号から抽出され、Ｎ１個のＴＳＣＩのそれぞれはタイプ１デバイスのアンテナ及びタイプ２デバイスのアンテナに関連付けられ、各ＣＩはＮ２個の成分を有し、各ＴＳＣＩはＮ２個の時系列のＣＩＣ(ＴＳＣＩＣ)に分解することができ、各ＴＳＣＩＣはＴＳＣＩのすべてのＣＩの特定の成分を含み、無線マルチパスチャネルは中のオブジェクトの律動的動きによって影響される、取得することと、Ｎ１＊Ｎ２個のＴＳＣＩＣに基づいてターゲットの律動的動きをモニタし、ターゲットの律動的動きの監視に基づいて応答動作をトリガすることと、を含む方法／ソフトウェア／装置／システム。
【1162】
項Ｆ２：項Ｆ１に記載の律動的動き監視システムの方法／装置／システムであって、各ＣＩがＮ２個の周波数領域成分、及びＮ２個の時間領域成分のうちの少なくとも１つを含み、各ＣＩは、タイムスタンプに関連付けられる、方法／装置／システム。
【1163】
項Ｆ３：項Ｆ２に記載の律動的動き監視システムの方法／装置／システムであって、周波数変換が、Ｎ２個の時間領域成分を有するそれぞれのＣＩに適用され、Ｎ２個の周波数領域成分を有する別のＣＩに変換される、方法／装置／システム。
【1164】
項Ｆ４：項Ｆ２に記載の律動的動き監視システムの方法／装置／システムであって、逆周波数変換が、Ｎ２個の周波数領域成分を有するそれぞれのＣＩに適用され、Ｎ２個の時間領域成分を有する別のＣＩに変換される、方法／装置／システム。
【1165】
項Ｆ５：項Ｆ２に記載の律動的動き監視システムの方法／装置／システムであって、ＣＩが均一にサンプリングされることを確実にするために、ＣＩを再サンプリングすることをさらに含む（タイムスタンプは、経時的に等間隔に配置される）、方法／装置／システム。
【1166】
項Ｆ６：項Ｆ１に記載の律動的動き監視システムの方法／装置／システムであって、各ＴＳＣＩをＣＩのオーバーラップするセグメントにセグメント化することをさらに含み、各オーバーラップするセグメントはスライドタイムウィンドウにおけるタイムスタンプを伴うＣＩを含み、各オーバーラップするセグメントは、タイムスタンプに関連付けられ、各オーバーラップするセグメントにおけるオブジェクトの律動的動きをモニタする、方法／装置／システム。
【1167】
項Ｆ７：項Ｆ１に記載の律動的動き監視システムの方法／装置／システムであって、各ＴＳＣＩＣをＣＩＣの重なり合うセグメントにセグメント化することをさらに含み、各セグメントはスライドタイムウィンドウにおいてタイムスタンプを有するＣＩＣを含み、各重なり合うセグメントにおいてＮ１＊Ｎ２個のＴＳＣＩＣに基づいてオブジェクトの律動的動きを監視することを含む、方法／装置／システム。
【1168】
項Ｆ８：項Ｆ７に記載の律動的動き監視システムの方法／装置／システムであって、各重複セグメントにおけるＮ１＊Ｎ２個のＴＳＣＩＣの短時間変換（ＳＴＴ）を計算することと、各重複セグメントにおけるＮ１×Ｎ２個のＴＳＣＩＣのＳＴＴに基づいて、オブジェクトの律動的な動きを監視することとをさらに含み、ここで、ＳＴＴは自己相関関数、相互相関関数、自己共分散関数、相互共分散関数、限定された期間に適用される線形変換、直交変換、逆変換、２のべき乗変換、疎変換、グラフベース変換、グラフ信号処理、高速変換、ゼロパディングを組み合わせた変換、フーリエ変換、離散フーリエ変換、離散時間フーリエ変換、離散フーリエ変換、ウェーブレット変換、ラプラス（Ｌａｐｌａｃｅ）変換、ヒルバート（Ｈｉｌｂｅｒｔ）変換、アダマール（Ｈａｄａｍａｒｄ）変換、スラント変換、三角変換、サイン変換、コサイン変換、別の変換、スペクトラム、スペクトラム振幅、スペクトラム位相、スペクトラムのゆがみ、多項式ゆがみ、平方根ゆがみ、二乗根ゆがみ、ハーモニック積スペクトラム（ＨＰＳ）、サブハーモニック加算（ＳＨＳ）、サブハーモニック対ハーモニック比（ＳＨＲ）、ハーモニックのふるいわけ（ＨＳ）、平均振幅誤差関数（ＡＭＤＦ）、平均平方根差関数（ＡＳＤＦ）、セプストラム（ＣＥＰ）、平均ピーク対谷の距離（ＡＰＶＤ）、のこぎり波状のピッチ推定器（ＳＷＩＰＥ）、ハーモニック重み、ハーモニック制約、ハーモニック破棄、周波数スケール歪み、周波数的強調、時間スケール歪み、時間的強調、ウィンドウイング、前処理、後処理、操作、オペランド関数、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、低域通過フィルタリング、帯域通過フィルタリング、高域通過フィルタリング、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、パーセントフィルタリング、モードフィルタリング、有限インパルス応答（ＦＩＲ）フィルタリング、無限インパルス応答（ＩＩＲ）フィルタリング、移動平均（ＭＡ）フィルタリング、自己回帰（ＡＲ）フィルタリング、自己回帰的移動平均（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、折りたたみ、グルーピング、エネルギー計算、内挿、間引き、サブサンプリング、アップサンプリング、リサンプリング、サイクリックパディング、パディング、ゼロパディング、ソーティング、閾値、ソフト閾値、ハード閾値、クリッピング、ソフトクリッピング、時間補正、時間ベースの補正、位相補正、振幅補正、位相クリーニング、振幅クリーニング、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、強調、復元、ノイズ除去、平滑化、信号の調整、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、代表化、マージ、結合、分離、スクランブリング、誤り保護、前方誤り訂正、スペクトラム分析、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（Ｌａｐｌａｃｅ）変換、ヒルバート（Ｈｉｌｂｅｒｔ）変換、アダマール（Ｈａｄａｍａｒｄ）変換、三角変換、サイン変換、コサイン変換、２のべき乗変換、疎変換、グラフベース変換、グラフ信号処理、高速変換、ゼロパディングと組み合わされた変換、特徴抽出、ベクトル空間の分析、投影、直交投影、非直交投影、過完備投影、固有値分解、特異値分解（ＳＶＤ）、主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、一次微分、二次微分、高次微分、畳み込み、乗算、割り算、加算、減算、積分、最大化、最小化、局所最大化、局所最小化、コスト関数の最適化、ベクタ加算、ベクタ減算、ベクタ乗算、ベクタ割り算、反転、平均、距離、類似スコア計算、ニューラルネットワーク、認識、ラベリング、トレーニング、クラスタリング、機械学習、教師あり学習、教師なし学習、準教師あり学習、別のＴＳＣＩとの比較、量子化、ベクタ量子化、マッチング追跡、圧縮、暗号化、符号化、記憶、送信、正規化、時間的な正規化、周波数ドメイン正規化、分類、クラスタリング、ラベリング、タグ付け、学習、検出、推定、ネットワークの学習、リマッピング、展開、格納、取得、送信、受信、表現、マージング、結合、分離、トラッキング、監視、時間変化処理、条件付け平均、重みづけ平均、算術平均、幾何平均、ハーモニック平均、重みづけ平均、トリム平均、中央値、モード、選択された周波数にわたる平均、アンテナリンクにわたる平均、論理演算、置換、結合、ソーティング、ＡＮＤ、ＯＲ、ＸＯＲ、統合、交差、別の演算、及び別の変換、のうちの少なくとも１つを含む方法／装置／システム。
【1169】
項Ｆ９：項Ｆ７に記載の律動的動きの監視システムの方法／装置／システムであって、各監視周波数の精度要求に基づいて、オーバーラップするセグメントの長さを時間調整することをさらに含む方法／装置／システム。
【1170】
項Ｆ１０：項Ｆ７に記載の律動的動き監視システムの方法／装置／システムであって、ＣＩ及びＣＩＣが各ＴＳＣＩ内のＣＩのタイムスタンプと各ＴＳＣＩＣ内のＣＩＣとが時間的に均一に離間するように均一にサンプリングされるように、短時間周波数変換の前にＣＩのサンプリング時間を調整することをさらに含む、方法／装置／システム。
【1171】
項Ｆ１１：項Ｆ１０に記載の律動的動き監視システムの方法／装置／システムであって、ＣＩのサンプリング時刻が、ＣＩ及び隣接ＣＩに基づいて、それぞれの再サンプリングされたＣＩを所望のタイムスタンプで補間することによって調整される、方法／装置／システム。
【1172】
項Ｆ１２：項Ｆ１０に記載の律動的動き監視システムの方法／装置／システムであって、ＣＩＣのサンプリング時刻は、ＣＩＣ及び隣接ＣＩＣに基づいて、それぞれの再サンプリングされたＣＩＣを所望のタイムスタンプで補間することによって調整される、方法／装置／システム。
【1173】
項Ｆ１３：項Ｆ１に記載の律動的動き監視システムの方法／装置／システムであって、Ｎ１個のＴＳＣＩ及びＮ１＊Ｎ２個のＴＳＣＩＣのうちの少なくとも１つに基づいて、オブジェクトの律動的動きに関連する少なくとも１つの解析を計算することによって、オブジェクトの律動的動きをモニタすることをさらに含み、少なくとも１つの解析は、周波数、周期、周期性パラメータ、リズム、強度、位相、音符、ピッチ、リズムを伴う表現、音楽リズム、区切られたリズム、ビート、ペース、歩行のリズム、運動のリズム、スポーツのリズム、震動パラメータ、振動パラメータ、拍動パラメータ、リラックスパラメータ、モータパラメータ、インパルスリズム、爆発リズム、支配的なリズム、フォアグラウンドリズム、バックグラウンドリズム、ランダムリズム、カオスリズム、確率リズム、呼吸数、呼吸周期、心拍数、バイタルサイン、呼吸速度の変化、心拍数の変化、バイタルサインの変化、カウント、オブジェクトの律動的動きに関連するカウント、律動的動きのソースのカウント、オブジェクト及び他のオブジェクトのカウント、人のカウント、カウントの変化、タグ、律動的動きに関連付けられたタグ、オブジェクトに関連付けられたタグ、律動的動きに関連付けられたアクティビティ、タグの変化、位置、律動的動きに関連付けられた位置、オブジェクトに関連付けられた位置、位置の変化、時間、タイミング、開始時間／タイミング、停止時間／タイミング、休止時間／タイミング、中断時間／タイミング、繰り返し／時間ごと／日ごと／週ごと／月ごと／年ごとのアクティビティパターン、繰り返しタイミング、移動パターン、繰り返しの傾向、律動的動きに関連付けられた日ごとのアクティビティ、日ごとのアクティビティ、自然に起こるアクティビティ、変動、周波数の変動、ピッチの変動、韻律、周期の変動、リズム変動、強度の変動、位相の変動、パラメータの変動、２つのリズムの関係、２つのリズム間の原因と結果、別のリズムパラメータ、のうちの少なくとも１つを含む方法／装置／システム。
【1174】
項Ｆ１４：項Ｆ１に記載の律動的動き監視システムの方法／装置／システムであって、Ｎ１個のＴＳＣＩ及びＮ１＊Ｎ２個のＴＳＣＩＣのうちの少なくとも１つを処理することに基づいてオブジェクトの律動的動きに関連付けられた少なくとも１つの分析を計算することによってオブジェクトの律動的動きを監視することをさらに含み、処理することは、前処理、後処理、演算、オペランドの関数、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、メディアンフィルタリング、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、有限インパルス応答（ＦＩＲ）フィルタリング、無限インパルス応答（ＩＩＲ）フィルタリング、移動平均（ＭＡ）フィルタリング、自己回帰（ＡＲ）フィルタリング、自己回帰移動平均（ＡＲＭＡ）フィルタリング、選択的フィルタリング、適応フィルタリング、フォールディング、エネルギー計算、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、サイクリックパディング、パディング、ゼロパディング、ソーティング、しきい値処理、ソフトしきい値処理、ハードしきい値処理、クリッピング、ソフトクリッピング、時間補正、時間ベース補正、位相補正、強度補正、位相クリーニング、強度クリーニング、マッチドフィルタリング、カルマン（Ｋａｌｍａｎ）フィルタリング、粒子フィルタリング、強調、復元、ノイズ除去、平滑化、信号の条件付け、イントラポレーション、外挿、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、表現、マージング、結合、分離、スクランブリング、誤り保護、前方誤り訂正、スぺクトル分析、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、グラフ信号処理、高速変換、ゼロパディングと組み合わされた変換、特徴抽出、分解、投影、直交投影、非直交投影、過剰完全投影、固有値分解、特異値分解（ＳＶＤ）、主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、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、局所最大化、局所最小化、コスト関数の最適化、ベクトル加算、ベクトル減算、ベクトル乗算、ベクトル除算、逆数、ノルム、距離、類似スコア計算、ニューラルネットワーク、認識、ラベリング、トレーニング、クラスタリング、機械学習、教師あり学習、教師なし学習、準教師あり学習、他のＴＳＣＩとの比較、量子化、ベクトル量子化、マッチング追跡、圧縮、暗号化、符号化、格納、送信、正規化、時間的正規化、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、再マッピング、展開、格納、送信、受信、表現、マージング、結合、分離、追跡、監視、時間変動処理、条件付け平均、加重平均、算術平均、幾何平均、ハーモニック平均、加重平均、トリム平均、中央値、モード、選択周波数にわたる平均化、アンテナリンクの平均化、論理演算、順列、結合、ソーティング、ＡＮＤ、ＯＲ、ＸＯＲ、ユニオン、交差、何もしない、及び別の操作のうちの少なくとも１つを含む方法／装置／システム。
【1175】
項Ｆ１５：項Ｆ８に記載の律動的動き監視システムの方法／装置／システムであって、Ｎ１＊Ｎ２個のＴＳＣＩＣのＳＴＴに基づいて、オブジェクトの律動的動きに関連付けられた少なくとも１つの分析を計算することによってオブジェクトの律動的動きを監視することをさらに含み、少なくとも１つの解析は、周波数、周期、周期性パラメータ、リズム、強度、位相、音符、ピッチ、リズムを伴う表現、音楽リズム、区切られたリズム、ビート、ペース、歩行リズム、運動リズム、スポーツリズム、震動パラメータ、振動パラメータ、拍動パラメータ、リラックスパラメータ、モータパラメータ、衝撃リズム、爆発リズム、支配的なリズム、前景リズム、背景リズム、ランダムリズム、無秩序なリズム、確率的なリズム、呼吸数、呼吸周期、心拍数、バイタルサイン、呼吸数の変化、心拍数の変化、バイタルサインの変化、カウント、オブジェクトの律動的動きに関連するカウント、律動的動きのソースのカウント、オブジェクト及び他のオブジェクトのカウント、人のカウント、カウントの変化、タグ、律動的動きに関連付けられたタグ、オブジェクトに関連付けられたタグ、律動的動きに関連付けられた活動、タグの変化、位置、律動的動きに関連付けられた位置、オブジェクトに関連付けられた位置、位置の変化、時間、タイミング、開始時間／タイミング、停止時間／タイミング、休止時間／タイミング、中断時間／タイミング、繰り返し／時間ごと／日ごと／週ごと／月ごと／年ごとのアクティビティパターン、繰り返しタイミング、運動パターン、繰り返し傾向、律動的動きに関連付けられた毎日の活動、毎日の活動、自発的な活動、変動、周波数の変動、ピッチの変動、韻律、周期の変動、リズムの変動、強度の変動、位相の変動、パラメータの変動、２つのリズム間の関係、２つのリズム間の因果関係、及び別のリズムパラメータの少なくとも１つを含む方法／装置／システム。
【1176】
項Ｆ１６：項Ｆ１５に記載の律動的動き監視システムの方法／装置／システムであって、Ｎ１＊Ｎ２個の分析の関数として結合された分析を計算することであって、各分析は個別のＴＳＣＩＣに関連付けられ、関数は、スカラ関数、ベクトル関数、離散関数、連続関数、多項式関数、特性、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、微分関数、積分関数、循環関数、他の関数の関数、１対１関数、１対多関数、多対１関数、多対多関数、ゼロ交差、絶対関数、指標関数、平均、モード、中央値、範囲、統計量、変動、算術平均、幾何平均、ハーモニック平均、加重平均、トリム平均、条件付き平均、パーセンタイル、最大値、最小値、二乗、三乗、平方根、べき乗、正弦、余弦、正接、余接、正割、余割、楕円関数、パラボラ関数、双曲線関数、ゲーム関数、ゼータ関数、絶対値、しきい値、制限関数、フロア関数、丸め関数、符号関数、量子化、区分的定数関数、複合関数、関数の関数、演算（例えばフィルタリング）で処理される時間関数、確率関数、確率関数、ランダム関数、エルゴード関数、定常性関数、決定論的関数、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、ヒルバート変換、正弦変換、余弦変換、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、時系列の隣接アイテムの移動ウィンドウの関数、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、固有変換、固有値、特異値分解（ＳＶＤ）、特異値、直交分解、マッチング、スパース変換、スパース推定、任意の分解、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、ネットワーク学習、特徴抽出、ノイズ除去、信号の強調、符号化、暗号化、マッピング、再マッピング、ベクトル量子化、ローパスフィルタリング、ハイパスフィルタリング、バンドパスフィルタリング、マッチングフィルタリング、カルマンフィルタリング、前処理、後処理、粒子フィルタリング、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、一次微分、高次微分、積分、平滑化、メディ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、再サンプリング、ダウンサンプリング、アップサンプリング、内挿、外挿、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、統計、短期統計、長期統計、平均、分散、自己相関関数、相互相関、モーメント生成関数、時間平均化、加重平均化、特殊関数、超越関数、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、積分関数、ガウス関数、ポアソン関数、及び別の関数のうちの少なくとも１つを含む方法／装置／システム。
【1177】
項Ｆ１７：項Ｆ８に記載の律動的動き監視システムの方法／装置／システムであって、Ｎ１＊Ｎ２個のＴＳＣＩＣのＳＴＴに基づいて複数の中間ＳＴＴ(ＩＳＴＴ)を計算することと、複数のＩＳＴＴに基づいてオブジェクトの律動的動きをモニタすることとをさらに含む方法／装置／システム。
【1178】
項Ｆ１８：項Ｆ１７に記載の律動的動き監視システムの方法／装置／システムであって、Ｎ１個のＩＳＴＴを計算することをさらに含み、各ＩＳＴＴはＮ２個のＴＳＣＩＣに基づき、Ｎ１個のＴＳＣＩＣのそれぞれに対して、個別のＴＳＣＩに関連付けられたＩＳＴＴは重複セグメントにおける個別のＮ２個のＴＳＣＩのＳＴＴの関数であり、個別のＮ２個のＴＳＣＩＣの各々はＮ２個のＣＩＣのうちのいずれかに関連付けられ、関数は、ポイントワイズ関数、スライディング関数、局所関数、スライディング局所関数、セクションバイセクション関数、ピッチ推定関数、ハイブリッド関数、スカラ関数、ベクトル関数、離散関数、連続関数、多項式関数、特性、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、関数の導出、関数の統合、環状関数、他の関数の関数、１対１関数、１対多関数、多対１関数、多対多関数、ゼロ交差、絶対関数、指標関数、平均、モード、中央値、範囲、統計、分散、算術平均、幾何平均、調和平均、加重平均、トリム平均、条件付け平均、パーセンタイル、最大、最小、２乗、３乗、平方根、べき乗、サイン、コサイン、タンジェント、コタンジェント、セカント、コゼカント、楕円関数、双曲線関数、ハイパーボリック関数、ゲーム関数、ゼータ関数、絶対値、閾値、限界関数、フロア関数、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、操作（例えばフィルタリング）で処理された時間関数、確率関数、ランダム関数、エルゴード関数、定常性関数、決定論的関数、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、ヒルバート変換、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、投影、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、時系列の隣接アイテムの移動ウィンドウの関数、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、固有変換、固有値、特異値分解（ＳＶＤ）、特異値、直交分解、マッチング、スパース変換、スパース推定、任意の分解、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、ネットワーク学習、特徴抽出、ノイズ除去、信号の強調、符号化、暗号化、マッピング、再マッピング、ベクトル量子化、ローパスフィルタリング、ハイパスフィルタリング、バンドパスフィルタリング、マッチングフィルタリング、カルマンフィルタリング、前処理、後処理、粒子フィルタリング、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、一次微分、高次微分、積分、平滑化、メディ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、再サンプリング、ダウンサンプリング、アップサンプリング、内挿、外挿、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、統計、短期統計、長期統計、平均、分散、自己相関関数、相互相関、モーメント生成関数、時間平均化、加重平均化、特殊関数、超越関数、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、積分関数、ガウス関数、ポアソン関数、及び別の関数のうちの少なくとも１つを含む方法／装置／システム。
【1179】
項Ｆ１９：項Ｆ１７に記載の律動的動き監視システムの方法／装置／システムであって、Ｎ２個のＩＳＴＴを計算することをさらに含み、各ＩＳＴＴはＮ１個のＴＳＣＩＣに基づき、Ｎ２個のＣＩＣのそれぞれに対して、個別のＣＩＣに関連付けられたＩＳＴＴは重複セグメントにおける個別のＮ１個のＴＳＣＩＣのＳＴＴの関数であり、個別のＮ１個のＴＳＣＩＣの各々はＮ１個のＴＳＣＩのうちのいずれかに関連付けられ、関数は、ポイントワイズ関数、スライディング関数、局所関数、スライディング局所関数、セクションバイセクション関数、ピッチ推定関数、ハイブリッド関数、スカラ関数、ベクトル関数、離散関数、連続関数、多項式関数、特性、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、関数の導出、関数の統合、環状関数、他の関数の関数、１対１関数、１対多関数、多対１関数、多対多関数、ゼロ交差、絶対関数、指標関数、平均、モード、中央値、範囲、統計、分散、算術平均、幾何平均、調和平均、加重平均、トリム平均、条件付け平均、パーセンタイル、最大、最小、２乗、３乗、平方根、べき乗、サイン、コサイン、タンジェント、コタンジェント、セカント、コゼカント、楕円関数、双曲線関数、ハイパーボリック関数、ゲーム関数、ゼータ関数、絶対値、閾値、限界関数、フロア関数、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、操作（例えばフィルタリング）で処理された時間関数、確率関数、ランダム関数、エルゴード関数、定常性関数、決定論的関数、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、ヒルバート変換、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、投影、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、時系列の隣接アイテムの移動ウィンドウの関数、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、固有変換、固有値、特異値分解（ＳＶＤ）、特異値、直交分解、マッチング、スパース変換、スパース推定、任意の分解、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、ネットワーク学習、特徴抽出、ノイズ除去、信号の強調、符号化、暗号化、マッピング、再マッピング、ベクトル量子化、ローパスフィルタリング、ハイパスフィルタリング、バンドパスフィルタリング、マッチングフィルタリング、カルマンフィルタリング、前処理、後処理、粒子フィルタリング、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、一次微分、高次微分、積分、平滑化、メディ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、再サンプリング、ダウンサンプリング、アップサンプリング、内挿、外挿、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、統計、短期統計、長期統計、平均、分散、自己相関関数、相互相関、モーメント生成関数、時間平均化、加重平均化、特殊関数、超越関数、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、積分関数、ガウス関数、ポアソン関数、及び別の関数のうちの少なくとも１つを含む方法／装置／システム。
【1180】
項Ｆ２０：項Ｆ１７に記載の律動的動き監視システムの方法／装置／システムであって、ＩＳＴＴの回数に基づいて結合ＳＴＴ(ＣＳＴＴ)を計算するステップと、ＣＳＴＴに基づいてオブジェクトの律動的動きをモニタするステップとをさらに含む方法／装置／システム。
【1181】
項Ｆ２１：項Ｆ１７に記載の律動的動き監視システムの方法／装置／システムであって、ＩＳＴＴの数の関数として結合ＳＴＴ(ＣＳＴＴ)を計算することをさらに含み、関数は、スカラ関数、ベクトル関数、離散関数、連続関数、多項式関数、特性、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、微分関数、積分関数、循環関数、他の関数の関数、１対１関数、１対多関数、多対１関数、多対多関数、ゼロ交差、絶対関数、指標関数、平均、モード、中央値、範囲、統計量、分散、算術平均、幾何平均、ハーモニック平均、加重平均、トリム平均、条件付き平均、パーセンタイル、最大値、最小値、二乗、三乗、平方根、べき乗、正弦、余弦、正接、余接、正割、余割、楕円関数、パラボラ関数、双曲線関数、ゲーム関数、ゼータ関数、絶対値、しきい値、制限関数、フロア関数、丸め関数、符号関数、量子化、区分的定数関数、複合関数、関数の関数、演算（例えばフィルタリング）で処理される時間関数、確率関数、確率関数、ランダム関数、エルゴード関数、定常性関数、決定論的関数、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、ヒルバート変換、正弦変換、余弦変換、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、時系列の隣接アイテムの移動ウィンドウの関数、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、固有変換、固有値、特異値分解（ＳＶＤ）、特異値、直交分解、マッチング、スパース変換、スパース推定、任意の分解、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、ネットワーク学習、特徴抽出、ノイズ除去、信号の強調、符号化、暗号化、マッピング、再マッピング、ベクトル量子化、ローパスフィルタリング、ハイパスフィルタリング、バンドパスフィルタリング、マッチングフィルタリング、カルマンフィルタリング、前処理、後処理、粒子フィルタリング、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、一次微分、高次微分、積分、平滑化、メディ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、再サンプリング、ダウンサンプリング、アップサンプリング、内挿、外挿、重要度サンプリング、モンテカルロサンプリング、圧縮センシング、統計、短期統計、長期統計、平均、分散、自己相関関数、相互相関、モーメント生成関数、時間平均化、加重平均化、特殊関数、超越関数、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、積分関数、ガウス関数、ポアソン関数、及び別の関数のうちの少なくとも１つを含む方法／装置／システム。
【1182】
項Ｆ２２：項Ｆ１７に記載の律動的動き監視システムの方法／装置／システムであって、ＩＳＴＴの数に基づいて少なくとも１つの分析を計算することによってオブジェクトの律動的動きをモニタすることをさらに含む方法／装置／システム。
【1183】
項Ｆ２３：項Ｆ２０に記載の律動的動き監視システムの方法／装置／システムであって、ＣＳＴＴ及びＩＳＴＴの数のうちの少なくとも１つに基づいて少なくとも１つの分析を計算することによってオブジェクトの律動的動きを監視することをさらに含む方法／装置／システム。
【1184】
項Ｆ２４：項Ｆ１３〜項Ｆ２４のうちの１つ（すなわち、１０項の請求項のうちの１つ）の律動的動き監視システムの方法／装置／システムであって、それぞれの分析がタイムスタンプに関連付けられ、タイムウィンドウがタイムスタンプに関連付けられ、Ｎ１個のＴＳＣＩはタイムウィンドウに関連付けられ、Ｎ１＊Ｎ２個のＴＳＣＩＣはタイムウィンドウに関連付けられ、第１のタイムスタンプを有する第１の分析と、第２のタイムスタンプを有する第２の分析とをグループ化するステップであって、第２のタイムスタンプは第１のタイムウィンドウに近接する、方法／装置／システム。
【1185】
項Ｆ２５：項Ｆ２４に記載の律動的動き監視システムの方法／装置／システムであって、第１の分析及び第２の分析に関連付けられたコストに基づいて第１の分析及び第２の分析をグループ化することをさらに含む、方法／装置／システム。
【1186】
項Ｆ２６：項Ｆ２４に記載の律動的動き監視システムの方法／装置／システムであって、第１の分析と第２の分析との間の類似性スコアに基づいて第１の分析及び第２の分析をグループ化することをさらに含む方法／装置／システム。
【1187】
項Ｆ２７：項Ｆ２４に記載の律動的動き監視システムの方法／装置／システムであって、第１の分析と第２の分析との間の類似性スコアと、及び第１の分析に関連付けられた第１の状態と第２の分析に関連付けられた第２の状態との間の状態遷移コストのうちの少なくとも１つに基づいて、第１の分析及び第２の分析をグループ化することをさらに含む方法／装置／分析。
【1188】
項Ｆ２８：項Ｆ２４に記載の律動的動き監視システムの方法／装置／システムであって、異なるタイムスタンプを有するいくつかの分析を分析のタイムトレースにグループ化することをさらに含む方法／装置／システム。
【1189】
項Ｆ２９：項Ｆ２８に記載の律動的動き監視システムの方法／装置／システムであって、分析の既存の時間トレースに以降の分析を反復的に加えることによって、分析の時間トレースに異なるタイムスタンプを有する複数の分析を加えることをさらに含む、方法／装置／システム。
【1190】
項Ｆ３０：項Ｆ２８に記載の律動的動き監視システムの方法／装置／システムであって、コスト関数に基づいて複数の分析を分析のタイムトレースにグループ化することをさらに含む方法／装置／システム。
【1191】
項Ｆ３１：項Ｆ３０に記載の律動的動き監視システムの方法／装置／システムであって、コスト関数及び初期条件に基づいて、複数の分析を分析のタイムトレースにグループ化することをさらに含む方法／装置／システム。
【1192】
項Ｆ３２：項Ｆ３０に記載の律動的動き監視システムの方法／装置／システムであって、コスト関数及び終了条件に基づいて、複数の分析を分析のタイムトレースにグループ化することをさらに含む方法／装置／システム。
【1193】
項Ｆ３３：項Ｆ３０に記載の律動的動き監視システムの方法／装置／システムであって、分析のコスト関数及び境界条件に基づいて複数の分析を分析のタイムトレースにグループ化することをさらに含む方法／装置／システム。
【1194】
項Ｆ３４：項Ｆ２８に記載の律動的動き監視システムの方法／装置／システムであって、コスト関数が、２つの分析間の類似性スコア、第１の分析に関連する第１の状態と第２の分析に関連する第２の状態との間の状態遷移コスト、及び第１の分析に関連する第１の状態と第１の分析に関連する状態履歴とに基づく状態遷移コストのうちの少なくとも１つに基づく方法／装置／システム。
【1195】
項Ｆ３５：項Ｆ２８に記載の律動的動き監視システムの方法／装置／システムであって、コスト関数が大きな類似性を有する連続分析に有利に働き、小さな類似性を有する連続分析にペナルティを課す方法／装置／システム。
【1196】
項Ｆ３６：項Ｆ２８に記載の律動的動き監視システムの方法／装置／システムであって、コスト関数が、状態が変化しない連続分析に有利に働き、状態が変化する連続分析に不利に働く方法／装置／システム。
【1197】
項Ｆ３７：項Ｆ２８に記載の律動的動き監視システムの方法／装置／システムであって、分析の少なくとも１つのタイムトレースを計算することをさらに含む方法／装置／システム。
【1198】
項Ｆ３８：項Ｆ３７に記載の律動的動き監視システムの方法／装置／システムであって、分析の少なくとも１つのタイムトレースに基づいてオブジェクト及び他のオブジェクトの数を計算することをさらに含む方法／装置／システム。
【1199】
項Ｆ３９：項Ｆ３８に記載の律動的動き監視システムの方法／装置／システムであって、分析の少なくとも１つのタイムトレースの数に基づいてオブジェクト及び他のオブジェクトの数を計算することをさらに含む方法／装置／システム。
【1200】
項Ｆ４０：項Ｆ３８に記載の律動的動き監視システムの方法／装置／システムであって、条件を満たす分析の少なくとも１つのタイムトレースの数に基づいて、オブジェクト及び他のオブジェクトの数を計算することをさらに含む方法／装置／システム。
【1201】
項Ｆ４１：項Ｆ３８に記載の律動的動き監視システムの方法／装置／システムであって、分析の少なくとも１つのタイムトレースの数に基づいて数を計算することをさらに含む方法／装置／システム。
【1202】
項Ｆ４２：項Ｆ１に記載の律動的動き監視システムの方法／装置／システムであって、レスポンス動作は、ＴＳＩＣ及びＴＳＣＩＣのうちの少なくとも１つに基づいて計算されたオブジェクトの律動的動きに関連付けられた少なくとも１つの分析を提示することと、オブジェクトの分析を提示することと、オブジェクトの律動的動きに基づいて提示を作成することと、オブジェクトの律動的動きの分析をユーザデバイスに送信することと、メッセージをユーザデバイスに送信することと、のうちの少なくとも１つを含む方法／装置／オブジェクト。
【1203】
本開示の様々な実施形態では、ダイナミック分析トレースの監視及び追跡が以下の項に従って実行することができる。
【1204】
項Ｇ１：分析トレース発見システムの方法／ソフトウェア／装置／システムであって、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セットとを使用して、場所の無線マルチパスチャネルのチャネル情報（ＣＩ）の少なくとも１つの時系列を取得することであって、ＣＩの少なくとも１つの時系列(ＴＳＣＩ)が無線マルチパスチャネルを介して場所内のタイプ１異種無線システム（無線送信機）とタイプ２異種無線デバイス（無線受信機）との間で送信されるシステムから抽出される、取得することと、少なくとも１つのＴＳＣＩに基づいて第１のタイムスタンプに関連付けられた第１の複数の分析を計算することと、少なくとも１つのＴＳＣＩに基づいて、第２のタイムスタンプに関連付けられた第２の複数の分析を計算することと、第１のタイムスタンプを有する第１の分析と第２のタイムスタンプを有する第２の分析とをグループ化することと、グループ化に基づいてレスポンスアクションをトリガすることを含む、方法／ソフトウェア／装置／システム。
【1205】
項Ｇ２：項Ｇ１に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、第１の分析及び第２の分析に関連付けられたコストに基づいて第１の分析及び第２の分析をグループ化することをさらに含む方法／ソフトウェア／装置／システム。
【1206】
項Ｇ３：項Ｇ１に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、第１の分析及び第２の分析に関連する類似性スコアに基づいて第１の分析及び第２の分析をグループ化することをさらに含む方法／ソフトウェア／装置／システム。
【1207】
項Ｇ４：項Ｇ１に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、第１の分析と第２の分析との間の類似性スコアと、第１の分析に関連付けられた第１の状態と第２の分析に関連付けられた第２の状態との間の状態遷移コストと、のうちの少なくとも１つに基づいて、第１の分析及び第２の分析をグループ化することをさらに含む方法／ソフトウェア／装置／システム。
【1208】
項Ｇ５：分析トレース発見システムの方法／ソフトウェア／装置／システムであって、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セットとを使用して、場所の無線マルチパスチャネルのチャネル情報（ＣＩ）の少なくとも１つの時系列を取得することであって、ＣＩの少なくとも１つの時系列(ＴＳＣＩ)は無線マルチパスチャネルを介して場所内のタイプ１異種無線デバイス（無線送信機）とタイプ２異種無線デバイス（無線受信機）との間で送信される無線信号から抽出される、取得することと、一連のタイムスタンプのそれぞれについて、少なくとも１つのＴＳＣＩに基づいてタイムスタンプに対する個別の複数の分析を計算することと、分析に基づいて少なくとも１つの分析トレースを計算することであって、各分析トレースはそれぞれの時間セグメント内の分析の時系列（ＴＳＡ）であり、ＴＳＡは、時間セグメント内の各タイムスタンプについて１つの分析を有する、計算することと、をさらに含む方法／ソフトウェア／装置／システム。
【1209】
項Ｇ６：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、ＴＳＡに関連付けられたコストに基づいてそれぞれの分析トレースを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1210】
項Ｇ７：項Ｇ６に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、コストが、類似性スコア及び状態遷移コストのうちの少なくとも１つを含む方法／ソフトウェア／装置／システム。
【1211】
項Ｇ８：項Ｇ６に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、コストは、２つの分析間の類似性スコア、第１の分析に関連付けられた第１の状態と第２の分析に関連付けられた第２の状態との間の状態遷移コスト、第１の分析に関連付けられた第１の状態に基づく状態遷移コスト、及び第１のシステムに関連付けられた状態履歴のうちの少なくとも１つ、及びそれぞれのタイムセグメントにわたる累積コストのうちの少なくとも１つを含む方法／ソフトウェア／装置／システム。
【1212】
項Ｇ９：項Ｇ６に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、コストは大きな類似性を有する連続分析に有利であり、小さな類似性を有する連続分析にペナルティを課す方法／ソフトウェア／装置／システム。
【1213】
項Ｇ１０：項Ｇ６に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、コストは状態が変化しない連続分析に有利であり、状態が変化する連続分析にペナルティを課す方法／ソフトウェア／装置／システム。
【1214】
項Ｇ１１：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、さらに、初期条件、終了条件、境界条件、及び別の条件のうちの少なくとも１つに基づいて、それぞれの分析トレースを計算することを含む方法／ソフトウェア／装置／システム。
【1215】
項Ｇ１２：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、それぞれの時間セグメントの初期部分に関連付けられた初期条件、それぞれの時間セグメントの終了部分に関連付けられた終了条件、それぞれの時間セグメントの境界に関連付けられた条件、それぞれの時間セグメントの時間に関連付けられた条件、及び別の条件のうちの少なくとも１つに基づいてそれぞれの分析トレースを計算する方法／ソフトウェア／装置／システム。
【1216】
項Ｇ１３：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、現在のＴＳＡに新しい分析を追加することをさらに含み、新しい分析に関連付けられたタイムスタンプは現在のＴＳＡのすべてのタイムスタンプよりも後の方法／ソフトウェア／装置／システム。
【1217】
項Ｇ１４：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、新しい分析に基づいて現在のＴＳＡを更新することをさらに含み、新しい分析に関連付けられたタイムスタンプは現在のＴＳＡのすべてのタイムスタンプよりも後の方法／ソフトウェア／装置／システム。
【1218】
項Ｇ１５：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、タイムスタンプにおける分析が、２つ以上のそれぞれのＴＳＡにある２つ以上の分析トレースに属することを決定することをさらに含む方法／ソフトウェア／装置／システム。
【1219】
項Ｇ１６：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、ブルートフォース探索、高速探索、遺伝的探索、分割統治探索、ダイナミックプログラミング、及び別のアルゴリズムのうちの少なくとも１つに基づいて、少なくとも１つの分析トレースを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1220】
項Ｇ１７：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの候補分析トレースについて少なくとも１つの候補分析トレースについて少なくとも１つのコストを計算することと、すべての候補分析トレース及び関連コストに基づいて少なくとも１つの分析トレースを計算することとをさらに含む方法／ソフトウェア／装置／システム。
【1221】
項Ｇ１８：項Ｇ１７に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、関連する少なくとも１つのコストが少なくとも１つの条件を満たす場合に、候補分析トレースを少なくとも１つの分析トレースのうちの１つとして識別することをさらに含む方法／ソフトウェア／装置／システム。
【1222】
項Ｇ１９：項Ｇ１７に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの条件が、関連するコストが上限閾値よりも小さく、下限閾値よりも大きいこと、関連する少なくとも１つのコストのそれぞれ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こと、関連するコストが極小値であること、組み合わされたコストが最小限であること、及び別の条件のうちの少なくとも１つを含む方法／ソフトウェア／装置／システム。
【1223】
項Ｇ２０：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースに基づいて少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1224】
項Ｇ２１：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースのカウントに基づいて少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1225】
項Ｇ２２：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、条件を満たした少なくとも１つの分析トレースのカウントに基づいて少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1226】
項Ｇ２３：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースに基づいて場所内の人の少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1227】
項Ｇ２４：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースのカウントに基づいて場所内の人の少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1228】
項Ｇ２５：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、条件を満たした少なくとも１つの分析トレースのカウントに基づいて、場所内の人の少なくとも１つのカウントを計算することをさらに含む、方法／ソフトウェア／装置／システム。
【1229】
項Ｇ２６：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースに基づいて場所内のオブジェクトの少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1230】
項Ｇ２７：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースのカウントに基づいて場所内のオブジェクトの少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1231】
項Ｇ２８：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、条件を満たした少なくとも１つの分析トレースのカウントに基づいて場所内のオブジェクトの少なくとも１つのカウントを計算することをさらに含む方法／ソフトウェア／装置／システム。
【1232】
項Ｇ２９：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、周波数、周期、周期性パラメータ、リズム、強度、位相、音符、ピッチ、リズムを伴う表現、音楽リズム、区切られたリズム、ビート、ペース、歩行リズム、運動リズム、スポーツリズム、震動パラメータ、振動パラメータ、拍動パラメータ、リラックスパラメータ、モータパラメータ、衝撃リズム、爆発リズム、支配的なリズム、前景リズム、背景リズム、ランダムリズム、無秩序なリズム、確率的なリズム、動き、律動的動き、呼吸数、呼吸周期、心拍数、バイタルサイン、呼吸数の変化、心拍数の変化、バイタルサインの変化、過渡的な動き、移動、アクティビティ、歩容、ジェスチャ、筆記、パターン、トレース、履歴、危険信号、転倒、人物、人物の情報、オブジェクト、オブジェクトの情報、デバイス、識別子、カウント、律動的動きに関連するカウント、律動的動きのソースのカウント、オブジェクトのカウント、車両のカウント、人のカウント、ペットのカウント、乳児のカウント、幼児のカウント、所定の状態にあるオブジェクトのカウント、所定の状態にあるステーションのカウント、占有されていないブースのカウント、カウントの変化、スカラ、ベクタ、変化、変化の速度、導出、集約、統合、加算、加重平均、トリム平均、移動平均、フィルタリング、統計、分散、相関、共分散、相互相関、相互共分散、自己相関、タグ、動きに関連付けられたタグ、オブジェクトに関連付けられたタグ、律動的動きに関連付けられたアクティビティ、タグの変化、状態、イベント、状態の指示、イベントの指示、ＳＬＥＥＰ、ＮＯＮ−ＳＬＥＥＰ、ＲＥＭ、ＮＲＥＭ、ＡＷＡＫＥ、ＭＯＴＩＯＮ、ＮＯ−ＭＯＴＩＯＮ、ＢＡＴＨＲＯＯＭ−ＶＩＳＩＴ、存在／不在、感情的な状態、移動パラメータ、配置、マップに関連付けられた配置、動きに関連付けられた配置、オブジェクトに関連付けられた配置、配置の変化、距離、転置、速度、速さ、加速、角度、角速度、角加速度、軌跡、時間、タイミング、開始時間／タイミング、停止時間／タイミング、休止時間／タイミング、中断時間／タイミング、繰り返し／時間ごと／日ごと／週ごと／月ごと／年ごとのアクティビティパターン、繰り返しタイミング、運動パターン、繰り返し傾向、律動的動きに関連付けられた毎日のアクティビティ、毎日のアクティビティ、自発的なアクティビティ、変動、周波数の変動、ピッチの変動、韻律、周期の変動、リズムの変動、強度の変動、位相の変動、パラメータの変動、２つのリズム間の関係、２つのリズム間の因果関係、及び別のリズムパラメータのうちの少なくとも１つを含む方法／ソフトウェア／装置／システム。
【1233】
項Ｇ３０：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースに基づいて、イベント、動き、動作、オブジェクトのうちの少なくとも１つを識別することをさらに含む方法／ソフトウェア／装置／システム。
【1234】
項Ｇ３１：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースに基づいてレスポンスアクションをトリガすることをさらに含む方法／ソフトウェア／装置／システム。
【1235】
項Ｇ３２：項Ｇ５に記載の分析トレース発見システムの方法／ソフトウェア／装置／システムであって、少なくとも１つの分析トレースに基づいて少なくとも１つのカウントを計算することと、少なくとも１つの分析トレース及び少なくとも１つのカウントのうちの少なくとも１つに基づいてレスポンス動作をトリガすることとをさらに含む方法／ソフトウェア／装置／システム。
【1236】
一例では、開示されたシステムが例えば、遊園地、病院、部屋、建物、バス、飛行機、クルーズ船、列車等のような、豊富な散乱環境を有する場所内の多数の人々を得るために使用されてもよい。開示されたシステムは、人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チャンネルインフォメーションに基づいて、場所内の人の動き分析の軌跡を見つけることができる。トレースは、時間トレース／時間トレンド、または位置のトレース／軌道とすることができる。例えば、開示されたシステムは、場所内の人々の呼吸数または心拍数のトレースを見つけ、そのトレースに基づいて場所内の人々の数量を決定することができる。
【1237】
別の例では、開示されたシステムを使用して、例えば、扉、門、建物内の監視区域など、散乱が豊富な場所にいる人物のアイデンティティを認識することができる。扉の前にいる複数の候補者の各々について、開示されたシステムはトレーニングデータセットに基づいて候補者の律動的動き（例えば、呼吸、心拍）の速度配分を得ることができる。訪問者が扉にいるとき、開示されたシステムは、訪問者の律動的動きによって影響を受ける無線マルチパスチャネルのチャンネル情報に基づいて、訪問者の運動分析の軌跡を計算することができる。例えば、開示されたシステムは、扉における訪問者の呼吸速度または心臓の鼓動率のトレースを見つけ、それぞれの候補者の律動的動き率分布に基づいて、データベース内のそれぞれの候補者に関連付けられるべきトレースの尤度機能を決定することができる。開示されたシステムは、訪問者が尤度機能を最大化する候補者であることを認識することができる。一実施形態では最大化された尤度が依然としてしきい値未満である場合、開示されたシステムは訪問者が認識されていないと判定する。
【1238】
さらに別の例では、開示されたシステムを使用して、自動車内の人物のアイデンティティ、例えば、その人物がデータベース内の特定の運転者であるかどうかを認識することができる。例えば、運転者が車に入った後、運転者の入力動作は運転者の習慣に関連付けられてもよく、分類器をトレーニングし、運転者を認識するために使用されてもよい。例えば、運転者によっては、かごに入って待機することがある。ドライバによってはハンドルに手を置く場合がある。ドライバの中には、快適な位置に身体を振り回すことができるものもある。運転手によってはコーヒーを入れることがある。運転手によっては、バッグを置くことがある。ドライバによっては、スマートフォン（地図アプリが実行されている）をダッシュボードに搭載する場合がある。ドライバによっては、ダッシュボード上のボタンを押してもよい。いくつかのドライバはミラーをチェックし、調整することができる。運転者によっては、カーキーを挿入することがある。一部のドライバは、地図に目的地を入力するなど、電話機をチェックして機能する場合がある。同様に、運転者の自動車退出アクションは運転者の習慣に関連付けられてもよく、分類器をトレーニングし、運転者を認識するために使用されてもよい。人が自動車に出入りするとき、開示されたシステムは人の動き及び／または姿勢によって影響を受ける無線マルチパスチャネルのチャンネル情報に基づいて人の動き及び／または姿勢を検出し、検出された動き及び／または姿勢が、データベース内に記憶されたドライバの動き及び／または姿勢と一致するかどうかに基づいて、人が自動車のドライバであるかどうかを判定することができる。
【1239】
上記の特徴は、データ記憶システム、少なくとも１つの入力デバイス、及び少なくとも１つの出力装置からデータ及び命令を受信し、それらにデータ及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つまたは複数のコンピュータプログラムで有利に実施することができる。コンピュータプログラムは、特定のアクティビティを実行したり、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される一連の命令である。コンピュータ・プログラムは、コンパイルされた又は解釈された言語を含む任意の形式のプログラミング言語（例えば、Ｃ、Ｊａｖａ）で書かれてもよく、また、スタンドアロン・プログラムとして又はモジュールとして、構成要素、サブルーチン、ブラウザ・ベースのウェブ・アプリケーション、又はコンピューティング環境での使用に適した他のユニットを含む任意の形式で配置されてもよい。
【1240】
命令のプログラムを実行するのに適したプロセッサは、例えば、汎用及び専用マイクロプロセッサ、デジタル信号プロセッサ、ならびに任意の種類のコンピュータの単独のプロセッサまたは複数のプロセッサまたはコアのうちの１つを含む。一般に、プロセッサは、読み出し専用可能メモリ又はランダムアクセスメモリ、あるいはその両方から命令及びデータを受信する。コンピュータの本質的な要素は、命令を実行するためのプロセッサと、命令及びデータを格納するための１つ以上のメモリである。一般に、コンピュータは、データファイルを記憶するための１つまたは複数の大容量記憶装置も含み、またはそれと通信するように動作可能に結合され、そのような装置は、磁気ディスクのような内部ハードディスク及び取外し可能ディスクな光磁気ディスク、及び光ディスクを含む。コンピュータプログラム命令及びデータを具体的に具現化するのに適した記憶装置は、例として、ＥＰＲＯＭ、ＥＥＰＲＯＭ、及びフラッシュメモリデバイスなどの半導体メモリデバイス、内部ハードディスクなどの磁気ディスク、及び光磁気ディスク、ならびにＣＤ−ＲＯＭ及びＤＶＤ−ＲＯＭディスクなどのリムーバブルディスクを含む、すべての形態の不揮発性メモリを含む。プロセッサ及びメモリは、ＡＳＩＣ（特定用途向け集積回路）によって補完されてもよく、またはＡＳＩＣに組み込まれてもよい。
【1241】
本開示は、多くの具体的な実施の詳細を含むが、これらは、本開示の範囲またはクレームされ得るものに対する限定として解釈されるべきではなく、むしろ、本開示の特定の実施形態に特有の特徴の説明として解釈されるべきである。別個の実施形態の文脈で本明細書に記載される特定の特徴は、一の実施形態において組み合わせて実施されてもよい。逆に、一の実施形態の文脈で説明される様々な特徴は、複数の実施形態で別々に、または任意の適切な組合せで実装されてもよい。
【1242】
同様に、動作は、特定の順序で図面に示されているが、これは、望ましい結果を達成するために、そのような動作が、示された特定の順序で、または連続的な順序で実行されること、または示されたすべての動作が実行されることを必要とするものとして理解されるべきではない。特定の状況では、マルチタスキング及び並列処理が有利であり得る。さらに、上記の実施形態における様々なシステム構成要素の分離は、すべての実施形態においてそのような分離を必要とするものとして理解されるべきではなく、説明されるプログラム構成要素及びシステムは、一般に、単一のソフトウェア製品に一緒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。
【1243】
主題の特定の実施形態を説明した。上述の特徴及びアーキテクチャの任意の組合せは、以下の特許請求の範囲内にあることが意図される。他の実施形態もまた、以下の特許請求の範囲内である。場合によっては、特許請求の範囲に記載されたアクションは、異なる順序で実行されてもよく、依然として望ましい結果を達成することができる。さらに、添付の図面に示されるプロセスは、所望の結果を達成するために、必ずしも示される特定の順序、または連続する順序を必要としない。いくつかの実装形態では、マルチタスキング及び並列処理が有利であり得る。
【図1】
[この文献は図面を表示できません]
【図2】
[この文献は図面を表示できません]
【図3A】
[この文献は図面を表示できません]
【図3B】
[この文献は図面を表示できません]
【図3C】
[この文献は図面を表示できません]
【図4A】
[この文献は図面を表示できません]
【図4B】
[この文献は図面を表示できません]
【図5】
[この文献は図面を表示できません]
【図6】
[この文献は図面を表示できません]
【図7】
[この文献は図面を表示できません]
【図8】
[この文献は図面を表示できません]
【図9】
[この文献は図面を表示できません]
【図10】
[この文献は図面を表示できません]
【図11】
[この文献は図面を表示できません]
【図12】
[この文献は図面を表示できません]
【図13A】
[この文献は図面を表示できません]
【図13B】
[この文献は図面を表示できません]
【図13C】
[この文献は図面を表示できません]
【図14】
[この文献は図面を表示できません]
【図15】
[この文献は図面を表示できません]
【図16A】
[この文献は図面を表示できません]
【図16B】
[この文献は図面を表示できません]
【図16C】
[この文献は図面を表示できません]
【図17A】
[この文献は図面を表示できません]
【図17B】
[この文献は図面を表示できません]
【図18】
[この文献は図面を表示できません]
【図19A】
[この文献は図面を表示できません]
【図19B】
[この文献は図面を表示できません]
【図20】
[この文献は図面を表示できません]
【図21A】
[この文献は図面を表示できません]
【図21B】
[この文献は図面を表示できません]
【図22】
[この文献は図面を表示できません]
【図23】
[この文献は図面を表示できません]
【図24】
[この文献は図面を表示できません]
【図25】
[この文献は図面を表示できません]
【図26A】
[この文献は図面を表示できません]
【図26B】
[この文献は図面を表示できません]
【図27】
[この文献は図面を表示できません]
【図28】
[この文献は図面を表示できません]
【図29】
[この文献は図面を表示できません]
【図30】
[この文献は図面を表示できません]
【図31】
[この文献は図面を表示できません]
【図32】
[この文献は図面を表示できません]
【図33】
[この文献は図面を表示できません]
【図34】
[この文献は図面を表示できません]
【図35】
[この文献は図面を表示できません]
【図36】
[この文献は図面を表示できません]
【図37】
[この文献は図面を表示できません]
【図38】
[この文献は図面を表示できません]
【図39】
[この文献は図面を表示できません]
【図40】
[この文献は図面を表示できません]
【図41】
[この文献は図面を表示できません]
【図42】
[この文献は図面を表示できません]
【図43】
[この文献は図面を表示できません]
【図44】
[この文献は図面を表示できません]
【図45】
[この文献は図面を表示できません]
【図46】
[この文献は図面を表示できません]
【図47】
[この文献は図面を表示できません]
【図48】
[この文献は図面を表示できません]
【図49】
[この文献は図面を表示できません]
【図50】
[この文献は図面を表示できません]
【図51】
[この文献は図面を表示できません]
【図52A】
[この文献は図面を表示できません]
【図52B】
[この文献は図面を表示できません]
【図52C】
[この文献は図面を表示できません]
【図53】
[この文献は図面を表示できません]
【図54】
[この文献は図面を表示できません]
【図55】
[この文献は図面を表示できません]
【図56】
[この文献は図面を表示できません]
【図57A】
[この文献は図面を表示できません]
【図57B】
[この文献は図面を表示できません]
【図57C】
[この文献は図面を表示できません]
【図58】
[この文献は図面を表示できません]
【図59A】
[この文献は図面を表示できません]
【図59B】
[この文献は図面を表示できません]
【図60】
[この文献は図面を表示できません]
【図61A】
[この文献は図面を表示できません]
【図61B】
[この文献は図面を表示できません]
【図61C】
[この文献は図面を表示できません]
【図62A】
[この文献は図面を表示できません]
【図62B】
[この文献は図面を表示できません]
【図63A】
[この文献は図面を表示できません]
【図63B】
[この文献は図面を表示できません]
【図63C】
[この文献は図面を表示できません]
【図63D】
[この文献は図面を表示できません]
【図63E】
[この文献は図面を表示できません]
【図63F】
[この文献は図面を表示できません]
【図63G】
[この文献は図面を表示できません]
【図64】
[この文献は図面を表示できません]
【図65】
[この文献は図面を表示できません]
【図66A】
[この文献は図面を表示できません]
【図66B】
[この文献は図面を表示できません]
【図67A】
[この文献は図面を表示できません]
【図67B】
[この文献は図面を表示できません]
【図68】
[この文献は図面を表示できません]
【図69A】
[この文献は図面を表示できません]
【図69B】
[この文献は図面を表示できません]
【図69C】
[この文献は図面を表示できません]
【図69D】
[この文献は図面を表示できません]
【図69E】
[この文献は図面を表示できません]
【図69F】
[この文献は図面を表示できません]
【図70】
[この文献は図面を表示できません]
【図71A】
[この文献は図面を表示できません]
【図71B】
[この文献は図面を表示できません]
【図71C】
[この文献は図面を表示できません]
【図72】
[この文献は図面を表示できません]
【図73A】
[この文献は図面を表示できません]
【図73B】
[この文献は図面を表示できません]
【図73C】
[この文献は図面を表示できません]
【図74A】
[この文献は図面を表示できません]
【図74B】
[この文献は図面を表示できません]
【図74C】
[この文献は図面を表示できません]
【図75A】
[この文献は図面を表示できません]
【図75B】
[この文献は図面を表示できません]
【図75C】
[この文献は図面を表示できません]
【図76A】
[この文献は図面を表示できません]
【図76B】
[この文献は図面を表示できません]
【図76C】
[この文献は図面を表示できません]
【図77】
[この文献は図面を表示できません]
【図78】
[この文献は図面を表示できません]
【図79】
[この文献は図面を表示できません]
【図80】
[この文献は図面を表示できません]
【図81】
[この文献は図面を表示できません]
【図82】
[この文献は図面を表示できません]
【図83A】
[この文献は図面を表示できません]
【図83B】
[この文献は図面を表示できません]
【図83C】
[この文献は図面を表示できません]
【図84A】
[この文献は図面を表示できません]
【図84B】
[この文献は図面を表示できません]
【図84C】
[この文献は図面を表示できません]
【図84D】
[この文献は図面を表示できません]
【図85】
[この文献は図面を表示できません]
【図86】
[この文献は図面を表示できません]
【図87】
[この文献は図面を表示できません]
【図88A】
[この文献は図面を表示できません]
【図88B】
[この文献は図面を表示できません]
【図88C】
[この文献は図面を表示できません]
【図89A】
[この文献は図面を表示できません]
【図89B】
[この文献は図面を表示できません]
【図89C】
[この文献は図面を表示できません]
【図90】
[この文献は図面を表示できません]
【図91】
[この文献は図面を表示できません]
【図92】
[この文献は図面を表示できません]
【図93】
[この文献は図面を表示できません]
【図94】
[この文献は図面を表示できません]
【外国語明細書】