CN113711031B - 分析装置 - Google Patents

Abstract

作为本发明的一方案的分析装置使用通过对试样进行规定的分析而得到的色谱或者光谱，进行该试样所包含的目标成分的定性或者定量，具备：峰检测部(120)，利用想要确认有无含有或者想要定量的多个目标成分的信息，在通过对目标试样进行规定的分析而得到的色谱或者光谱上进行与目标成分对应的峰检测，获取各峰的峰信息，并且求出示出该峰检测的准确程度的指标值即准确度信息；显示处理部(140)，将目标成分的至少一部分的列表显示于显示部(13)，显示将在峰检测部中与该列表所包含的目标成分对应检测的峰的准确度信息、或者通过该准确度信息求出的其他的信息与该目标成分对应记载的列表。

Description

分析装置

技术领域

本发明涉及一种分析装置，对通过对试样的分析得到的色谱波形或者光谱波形进行解析，从而进行针对该试样的定性分析或定量分析。本发明的分析装置设为例如包含：包含气相色谱仪质量分析装置的气相色谱仪(GC)装置、包含液相色谱仪质量分析装置的液相色谱仪(LC)装置、质量分析装置、分光分析装置(红外吸光分光光度计、可见紫外分光光度计、荧光分光光度计等)、X射线分析装置(荧光X射线分析装置、X射线衍射分析装置等)。

背景技术

在气相色谱仪装置、液相色谱仪装置中，将包含各种成分的试样导入色谱柱，在该试样通过色谱柱的过程中按时间方向将各种成分分离，并通过设置于色谱柱的出口的检测器检测。在基于通过检测器得到的检测信号创建的色谱中出现与试样中的成分对应的峰。由于观测到该峰的时间(保留时间)与成分的种类对应，因此能够根据该峰的保留时间确定成分，即进行定性分析。此外，由于峰的高度、面积与该成分的浓度或者含量对应，因此能够根据峰的高度值、面积值求出该成分的浓度和含量，即进行定量分析。

为了进行定性分析、定量分析，需要在色谱波形上准确地检测峰，确定峰的起点、终点的位置(时间)。在实际的色谱波形中有各种噪声重叠、或者基线变动、又或者源自多个成分的峰重叠。因此，从色谱波形中准确地检测峰并不容易。因此，为了从色谱波形中检测峰，以往提出了各种算法供实际应用(参照专利文献1、2等)。此外，最近也进行将深度学习(Deep Learning)等AI(人工智能)利用于色谱波形上的峰检测的尝试。

现有技术文献

专利文献

专利文献1：日本特开2009-8582号公报

专利文献2：国际公开第2017/094170号册子

专利文献3：日本特开2015-59782号公报

非专利文献

非专利文献1：Wei Liu等7人、“SSD：单发多盒探测器(SSD：Single Shot MultiboxDetector)”、[在线]、[2019年4月18日检索]、arXiv.org、网址<URL：https://arxiv.org/pdf/1512.02325.pdf>

发明内容

发明要解决的技术问题

如上述那样，峰检测中具有各种方法，但无论使用哪种算法，都未能够始终对各种形状的色谱进行准确的峰检测。因此，一般情况下，进行以下作业：即，操作员在显示画面上确认自动检测的峰的波形形状和它的起点、终点，且操作员根据需要通过手动操作对其进行修正(参照专利文献3)。

然而，在一齐分析多成分中，也存在同时对数量过百的化合物进行测量的情况，在该情况下，在色谱波形中观测到分别与各化合物对应的多个峰。此外，也存在作为测量对象的试样的数量较多，而导致得到的色谱波形的数量变得庞大的情况。在这样的情况下，若操作员进行在通过目视分别确认各个色谱波形上的全部的峰同时发现未进行准确的峰检测的峰而通过手动操作修正起点、终点的作业，则需要庞大的时间。此外，这将加重对操作员的作业负担、成为产生看漏不恰当的峰等作业失误的重要原因。

另外，不只是通过气相色谱仪装置、液相色谱仪装置得到的色谱上的峰检测，在通过质量分析装置得到的质谱上的峰检测、通过分光分析装置得到的吸光或者荧光光谱上的峰检测、通过X射线分析装置得到的X射线强度光谱上的峰检测等中，也产生同样的问题。

本发明是为了解决这样的技术问题而完成的，其目的在于提供一种分析装置，能够减轻操作员所进行的、通过自动的峰检测处理检测到的峰的准确性的判断以及峰的修正作业的负担，高效地进行精度较高的定性分析、定量分析。

用于解决上述技术问题的方案

为了解决上述技术问题而完成的本发明的一方案是一种分析装置，使用通过对试样进行规定的分析而得到的色谱或者光谱，进行该试样所包含的目标成分的定性或者定量，具备：

峰检测部，在通过对所述试样进行规定的分析而得到的色谱或者光谱上，进行与所述目标成分对应的峰检测，获取各峰的峰信息，并且求出作为示出该峰检测的准确程度的指标值的准确度信息；

显示处理部，将所述目标成分的至少一部分的列表显示于显示部，且显示将在所述峰检测部中与该列表所包含的目标成分对应检测的峰的准确度信息、或者通过该准确度信息求出的其他的信息与该目标成分进行关联并记载的列表。

在本发明中，规定的分析是指例如液相色谱仪法、气相色谱仪法等色谱分析、质量分析、离子移动度分析、吸光分光分析、荧光分光分析等分光分析、X射线分析等。此外，试样所包含的成分是指化合物、分子或者元素等。

发明效果

在规定的分析为色谱分析且通过该分析得到色谱的情况下，在作为本发明的一方案的分析装置中，峰检测部例如使用预先确定的多个目标成分的保留时间的信息，在色谱上进行与各目标成分对应的峰检测。峰检测部例如基于检测到的峰的波形形状，求出包含起点以及终点的峰信息，同时求出示出这些信息的推定的正确性的准确度信息。显示处理部接收各峰的准确度信息，创建将全部或者一部分目标成分、和与该目标成分对应的峰的准确度信息或者通过该准确度信息求出的其他的信息进行关联并记载的成分列表，并显示于显示部。

在此，通过峰的准确度信息求出的其他的信息是指，能够设为包含将指标值自身与通过规定的阈值判定的结果的二值信息、指标值或者指标值所包含的值的范围进行关联的作图信息(图标等)等。

在以数值显示峰的准确度信息的情况下，可以是该数值较大时准确度较高，也可以是该数值较低时准确度较高。此外，在将峰准确度信息显示于作图的情况下，示出准确度较高的情况的信息的方式并无特别限定。无论在哪种情况下，只要以操作员即人在观察时能够判断好坏的方案、方式显示即可。

例如，在将峰的准确度信息即指标值较大时确定为准确度较高的情况下，在通过显示处理部而显示于显示部的成分列表中，与上述指标值较高的情况相比，上述指标值较低的情况的峰的起点和终点等峰信息不恰当的可能性较高。因此，操作员能够在显示的成分列表中，依次确认峰的准确度信息或者通过该准确度信息求出的其他的信息，例如只选择准确度的指标值明显低于其他的成分，并确认与该成分对应检测的峰的波形形状。

这样根据本发明的分析装置的一方案，操作员能够高效地确认在自动检测的峰中其信息的可靠性较低的成分，并根据需要修正峰信息。由此，能够减轻一齐分析多成分时的定性分析、定量分析中操作员的作业负担，实现高效的分析。此外，例如在对观测到多个峰的色谱、光谱进行解析时，通过减少操作员应该确认的峰的数量，能够防止确认作业的失误、看漏等。

附图说明

图1是作为本发明的一实施方式的LC系统以及创建用于该系统的学习完毕模型的系统的概略构成图。

图2是示出创建在本实施方式的LC系统中使用的学习完毕模型时的处理的流程的流程图。

图3是示出本实施方式的LC系统中峰检测处理的流程的流程图。

图4是示出在本实施方式的LC系统中使用的、由神经网络实现的学习完毕模型的示意图。

图5是用于说明创建在本实施方式的LC系统中使用的学习完毕模型时的处理的示意图。

图6是用于说明在本实施方式的LC系统中使用了学习完毕模型的峰检测处理的示意图。

图7是示出通过本实施方式的LC系统中峰自动检测处理求出的峰的起点、终点的候选的显示的一例的图。

图8是示出通过本实施方式的LC系统中的峰自动检测处理求出的峰的起点、终点的候选的一例的图。

图9是示出在本实施方式的LC系统中显示的、包含峰检测准确度的信息的化合物列表的一例的图。

图10是示出按照峰检测准确度由小到大的顺序来筛选图9示出的化合物列表时的一例的图。

图11是示出在本实施方式的LC系统中显示的、包含峰检测准确度的信息的化合物列表的另一例的图。

图12是示出在本实施方式的LC系统中显示的、包含峰检测准确度的信息的化合物列表的另一例的图。

图13是示出在本实施方式的LC系统中显示的、包含峰检测准确度的信息的化合物列表的另一例的图。

具体实施方式

以下，参照附图，对作为本发明的分析装置的一实施方式的LC系统进行详细说明。

图1是本实施方式的LC系统以及创建该系统使用的学习完毕模型的系统的概略构成图。

该LC系统1具备LC测量部10、数据解析部11、操作部12以及显示部13。LC测量部10虽未图示，但包含送液泵、进样器、色谱柱、柱温箱、检测器等，执行针对提供的试样的LC分析并获取色谱数据，该色谱数据示出通过检测器得到的信号强度随时间的变化。检测器的种类、方式并无特别限定，例如能够使用质量分析装置、光电二极管阵列(PDA)检测器等。

数据解析部11包含数据收集部110、峰检测处理部120、定性定量解析部130、结果显示处理部140、峰检测结果修正处理部150等功能模块。峰检测处理部120进一步包含图像生成部121、峰位置推定部122、学习完毕模型存储部123、峰决定部124等功能模块。

在数据解析部11中，数据收集部110收集通过LC测量部10得到的色谱数据并将其存储。峰检测处理部120在基于收集到的色谱数据的色谱波形中自动地检测峰，且输出包含检测到的峰的起点以及终点的位置(保留时间)、以及峰检测的准确程度的指标值即检测准确度的峰信息。定性定量解析部130基于由峰检测处理部120提供的峰信息，对与各峰对应的成分(化合物)进行鉴定、或者计算峰高度值、峰面积值并通过该值计算出各成分的浓度或者含量即定量值。结果显示处理部140接收计算出的定量值、各峰的检测准确度的信息，并以规定的形式将它们显示于显示部13。峰检测结果修正处理部150根据经由了操作部12的操作员的操作，修正通过峰检测处理部120检测到的峰的信息。

在图1中，独立于LC系统1设置的模型创建部2包含学习数据输入部20、图像生成部21、学习执行部22以及模型构建部23作为功能模块。在该模型创建部2中创建的学习完毕模型被储存至LC系统1的数据解析部11中的学习完毕模型存储部123。

另外，通常来说，数据解析部11的实体是安装有规定的软件的个人计算机、性能更高的工作站，或者为包含经由通信线路与上述计算机连接的高性能的计算机的计算机系统。即，数据解析部11所包含的各模块的功能能够通过执行搭载于计算机单体或者包含多个计算机的计算机系统中的软件来实施，并能够通过使用了存储至该计算机或者计算机系统中的各种数据的处理来使其具象化。

接下来，对在峰检测处理部120中实施的峰检测处理进行详细说明。

极其概略性地说，在该峰检测处理部120中，在将色谱波形(色谱曲线)转换为二维图像后，通过使用作为检测存在于该图像上的物体的类别和位置的机器学习的一方法的深度学习(Deep Learning)的方法，检测峰的起点以及终点的位置。

[学习完毕模型的创建]

众所周知，在机器学习法中需要使用多个学习数据并预先构建学习完毕模型。如上所述，该学习完毕模型的构建的作业不是在作为LC系统1的一部分的数据解析部11中进行，而是通过由其他的计算机系统构成的模型创建部2来实施，其结果被储存至学习完毕模型存储部123。其原因在于，一般情况下，学习完毕模型的构建作业为了处理大量的数据而计算量庞大，需要相当高性能且可应对图像处理的计算机。图2是示出在模型创建部2中进行的学习完毕模型创建时的处理的流程的流程图。

在创建学习完毕模型时，准备多个各样的色谱波形数据，并且预先准确地求出出现于该各色谱波形中的一个或者多个峰的起点以及终点的保留时间。在此提及的各样的色谱波形数据是指在实际实施峰检测时具有出现于色谱波形的可能性的、包含各种噪声的混入、基线的变动(漂移)、多个峰的重叠、或者峰形状的变形等要素的色谱波形。学习数据输入部20读取该多个色谱波形数据和包含峰起点及终点的准确的峰信息的集合作为学习数据(步骤S1)。

图像生成部21基于作为时间序列信号的色谱波形数据创建色谱，并将示出信号强度伴随着时间经过的变化的色谱波形(色谱曲线)转换为规定像素数的二维图像(步骤S2)。在此作为一例，像素数设为512×512。在该图像转换时，以使在色谱波形上的峰中信号强度最大的峰的峰顶与矩形状的图像的上边一致的方式，将该波形的y方向的尺寸归一化。或者，以使色谱波形的全测量时间范围或者部分测量时间范围(例如，由用户指示的测量时间范围)与矩形状的图像的x方向(横方向)的长度一致(步骤S3)的方式，将该波形的x方向的尺寸归一化。另外，在将x方向的尺寸归一化时，在数据点数不足512像素的情况下，可以适当地升频(Up Sampling)来转换为依照原数据的高分辨率波形。

图像生成部21针对在步骤S1读取的全部色谱波形数据，以同样的方式转换为图像。伴随着色谱波形的归一化的图像化的处理使原本的色谱波形的强度信息和时间信息失去，生成表示波形形状的图像。另外，当然也可以不在步骤S1中读取全部的数据后再执行步骤S2～S3的处理，而是进行步骤S1中的数据的读取的同时针对已经读取的数据进行由步骤S2～S3进行的图像化。

此外，图像生成部21根据上述的图像化时的x方向、y方向的归一化、即色谱波形的伸缩，将与色谱波形数据集合的峰信息转换为图像上的位置信息即x方向以及y方向的像素位置的信息(步骤S4)。

接下来，学习执行部22如上所述，实施使用了作为学习数据的由色谱波形生成的多个图像的机器学习，模型构建部23基于该学习结果，构建用于推定色谱波形上的峰的起点以及终点的学习模型。众所周知，机器学习中具有各种算法，在此使用作为图像识别中的一般物体检测算法之一的深度学习，其中使用特别在图像识别方面优异的SSD法(步骤S5)。

SSD法是使用了深度学习中最被广泛利用的卷积神经网络(CNN)的方法之一，是目前最快速且可实现较高的识别精度的算法。SSD法在非专利文献1中由刘(Liu Wei)等人提出，在非专利文献1等中针对该算法的详细内容进行了详细地说明，因此，在此只对本实施方式中的特征点进行描述。

在一般的SSD法中，为了推测二维图像内存在有物体的部分而使用通过CNN提取的图像特征图(Feature Map)，通过将该特征图一点点地逐渐卷积来利用各种尺寸(像素数)的图像特征图。由此，能够检测各种大小的物体区域候选。与此相对，在此想要检测的是峰的起点以及终点的x方向的位置。因此，以检测存在于x方向的各种大小区间内的峰的起点以及终点的方式来变更算法。

图4是示出由在本实施例中使用的神经网络实现的学习完毕模型的示意图。此外，图5是用于说明创建学习完毕模型时的处理的示意图。如图5所示，在此，设定分段Sg1，该分段Sg1具有在上述步骤S2～S3的处理中生成的图像的x方向的全长的宽度的窗口，接下来，设定将分段Sg1的窗口分割为一半的、窗口宽度为1/2的分段Sg2、Sg3。同样地，设定将分段Sg2、Sg3的窗口分别分割为一半的、窗口宽度为原来的1/4的4个分段Sg4、Sg5、Sg6、Sg7，重复这样的操作,总共确定120个分段Sg1～Sg120。该各分段是利用CNN提取图像特征图的单位，基于作为学习数据的图像，对每个该单位学习由峰的起点以及终点决定的峰范围。

在该学习模型中的神经网络中，如图4所示，分别向设置于输入层的262144个节点输入512×512像素的图像中各像素的像素值。在图4中，pxn示出一张图像中的第n个像素。另外，在图像为彩色或者多颜色的情况下，由于对每个像素例如输入三原色的各颜色的像素值，因此输入层的节点数例如变成3倍。

在学习执行部22中，通过深度学习对基于多个图像的上述那样的输入学习由多个中间层构成的层结构的神经网络，并根据设置于最终的输出层的600个节点分别输出数值信息。根据该600个节点输出的信息是分别针对120个分段Sg1～Sg120算出的五维信息，该五维信息包括峰检测的准确度(confidence)confn、从该分段的窗口的左端到峰起点的x方向的偏移量xsn、从输入图像的下端到峰起点的y方向的偏移量ysn、从该分段的窗口的右端到峰终点的x方向的偏移量xen、从输入图像的下端到峰终点的y方向的偏移量yen。在图5中，示出相对于第1个分段Sg1的上述5维信息作为{conf1,xs1,ys1,xe1,ye1}。在此，峰检测的准确度由峰范围和窗口重叠的长度定义，该值的范围为0～1。

在图5的例子中，色谱波形中存在两个峰。前半的峰的起点的像素位置是(xs_a,ys_a)，终点的像素位置是(xe_a,ye_a)，该峰范围是A。另一方面，后半的峰的起点的像素位置是(xs_b,ys_b)，终点的像素位置是(xe_b,ye_b)，峰范围是B。在该情况下，图6中示出分段Sg1中的xs1、ys1、xe1以及ye1。此外，conf是与Sg1的窗口的宽度和峰范围A的重叠对应的计算值。如上述那样，学习数据中的峰的起点和终点的像素位置、峰范围是已知的，因此以对于多个学习数据使正确答案尽量一致的方式进行学习来计算出各中间层中的网络重叠度，同时构建模型。

这样，模型构建部23暂时保存通过使用这样的多个学习数据进行深度学习而求出的学习模型(步骤S6)。在模型创建部2中如上述那样创建的学习模型例如经由通信线路被传输并储存至LC系统1中的学习完毕模型存储部123。

[对目标试样的峰检测处理]

接下来，对在LC系统1的数据解析部11中执行的、对目标试样得到的色谱波形上的峰的检测处理进行说明。图3是示出在峰检测处理部120中进行的峰检测处理的流程的流程图。

首先，图像生成部121从数据收集部110读取作为处理对象的色谱波形数据(步骤S11)。然后，相对于读取到的数据，通过执行与在模型创建部2的图像生成部21执行的步骤S2～S3进行的色谱波形数据的图像化同样的步骤S12～S13的处理，生成包含色谱曲线的512×512像素的图像。

在预先决定有想要确认是否包含于目标试样中的成分、和在已包含的情况下想要知道其量的成分的情况下，预先知晓这些目标成分的标准的保留时间。因此，在各目标成分的标准的保留时间附近的规定的时间范围中切出色谱波形，根据该切出的色谱波形生成包含色谱曲线的图像即可。由此，能够在色谱上检测与目标成分对应的峰。另一方面，在想要检测标准的保留时间不清楚的未知成分、或者想要一并检测已知的目标成分和未知成分的情况下，不限定时间范围，而对全测量时间范围的色谱波形执行峰检测即可。

另外，在LC测量部10的检测器是质量分析装置的情况下，通常来说，针对预先知晓检测对象的质荷比的已知成分通过选择离子监测(SIM)测量或者多反应监测(MRM)测量来检测，而针对未知成分通过扫描测量来检测。

峰位置推定部122对生成的图像的各像素的像素值应用储存至学习完毕模型存储部123的学习完毕模型，获取120个分段各自的上述五维的信息。即，在图像内同时获取被推测为峰的起点以及终点的像素位置的信息和峰检测准确度(步骤S14)。

图6是示出峰检测结果的一例的图。在此，由于对每个分段求出{confn,xsn,ysn,xen,yen}(其中n为1～120)，因此在较多的情况下，对一个峰在多个分段得到峰检测的准确度不为0的{confn,xsn,ysn,xen,yen}。另外，一般峰检测的准确度confn较低则缺乏可靠性。因此，在该例中，在计算出的confn为规定值(在此为0.5)以下的情况下，将该五维的峰信息视为无用而设为{0，0，0，0，0}，但也可以不进行这样的根据准确度进行的取舍选择而利用全部的结果。

如上述那样，一般对一个峰同时得到多个起点与终点的位置以及峰检测准确度。即，对一个成分存在多个峰的候选。因此，峰决定部124对每个成分，将与该成分对应的多个峰起点及终点中峰检测准确度最高的推定为正确答案，选择该峰的起点及终点的信息作为峰检测结果输出(步骤S15)。

此外，也可以不单基于峰检测准确度的大小来选择被推定为正确答案的峰信息，而是由峰决定部124实施接下来的处理。

现在，在对一个峰存在有多个峰起点及终点的候选的情况下，对每个起点、终点将时间轴上的峰检测准确度的变化理解为准确度分布并进行图表化。该图表可以是线图，也可以是热图等。例如，若对多个点进行适当的拟合并求出准确度分布曲线，则准确度分布曲线并不是在它的点中、峰检测准确度达到最大的点处取极大值，有时准确度分布曲线在该峰检测准确度为最大的点的附近取极大值。在该情况下，认为将取该极大值的位置(时间)设为起点或者终点是妥当的。因此，只要将准确度分布曲线取极大值的位置设为峰起点或者终点即可。或者只要将此时的极大值设为峰检测准确度即可。

定性定量解析部130接收上述峰检测结果，对与各成分对应的每个峰，求出在峰起点以及终点之间的时间范围内信号强度为最大的(即，与峰顶对应的)时间或者与峰重心对应的时间，将其设为该峰的代表性的保留时间(检测RT)。此外，对每个该峰计算峰面积值(或者高度值)。进一步，将计算出的峰面积值与预先获取的校准曲线对照，计算出作为目标成分的浓度或含量的定量值(步骤S16)。也可以将对与各成分对应的每个峰求出的上述检测RT显示于后述的图9～图13示出的化合物列表中。

[化合物列表的显示]

结果显示处理部140基于每个成分的峰检测结果以及每个成分的定量值算出结果，创建化合物列表并显示于显示部13的画面上(步骤S17)。

图9是此时显示的化合物列表的一例。在图9中，“化合物名”是各化合物的名称，“R.T.”是标准的保留时间或者实际测量的保留时间。

在想要确认已知的成分是否包含于目标试样的情况下、或者想要知道已知的成分的含量的情况下，化合物列表是上述那样的已知的成分的列表。在该情况下，对记载于该化合物列表的化合物执行通过对目标试样的实际测量而得到的色谱上的峰检测。另一方面，在进行针对未知成分的定性、定量的情况下(或者在全部成分未知的情况下)，如上所述，针对全测量时间范围实施峰检测，若针对检测到的峰鉴定出成分则赋予化合物名，若成分未被鉴定出则作为“Unknown”的成分，创建化合物列表。在成分为“Unknown”的情况下，除了在化合物列表中的“化合物名”这栏中显示为“Unknown”外，还可以设为空栏、或者显示“*”等。此外，“R.T.”这栏可以设为空栏或者显示“*”等，也可以显示通过定性定量解析部130求出的检测RT。

图9示出的化合物列表中的“定量值”这列是通过定性定量解析部130计算出的定量值。即使峰波形相同，若通过峰检测处理部120求出的起点与终点的位置变化则峰面积也变化，因此定量值当然也会变化。因此，若峰的起点与终点的位置不恰当则定量值也不准确。为了得到准确的定量值，需要对通过峰检测处理部120得到的峰的起点与终点进行恰当地修正。在以往的LC系统中，操作员为了掌握与哪个化合物对应的峰的起点与终点不恰当，该操作员需要在显示画面上逐一确认色谱上的峰波形。因此，若化合物的数量较多，则该作业将非常烦杂且需要时间。

与此相对，在本实施方式的LC系统中，将在峰检测处理的过程中计算出的峰检测的准确度confn的值与化合物列表中的各化合物对应，并记载于“峰检测准确度”这列。在图9的例子中，名称为“Comp C”的化合物的峰检测准确度高至0.9，而名称为“Comp B”的化合物的峰检测准确度相对低至0.64。在此，能够推测该峰检测准确度的数值越低，定量值的可靠性越低。于是，操作员对显示的化合物列表进行确认，判断为与峰检测准确度的数值明显低于其他的成分对应的定量值的可靠性较低。

在图9中，化合物列表中的化合物的排序是按照保留时间的顺序，但通过点击操作峰检测准确度这列的页眉的操作器，能够按照峰检测准确度的降序或者升序来筛选化合物。图10是示出按照峰检测准确度的由小到大的顺序来筛选的结果的图。通过这样筛选，能够容易地提取可靠性较低的化合物。

如上所述，操作员根据化合物列表中的峰检测准确度的数值选择定量值的可靠性较低的化合物，确认针对该化合物检测的峰波形、或者根据需要对该锋信息进行修正。具体而言，若通过操作部12对在化合物列表中想要确认的化合物名或者定量值的栏等进行点击操作，则峰检测结果修正处理部150将针对该化合物检测的色谱上的峰波形显示于另一窗口。图8是对一个化合物的峰波形的显示的一例。

在该例中，针对与一个化合物对应的峰，以圆形标记示出通过峰位置推定部122推定的峰的起点的位置，以三角标记示出终点的位置，并且以全黑示出通过峰决定部124选择(峰检测准确度最大)的起点和终点，以白色中空示出其以外的部分。此外，对话框显示中的括号()内的开头的数值是峰检测准确度(0～1的范围)，其后的数值是峰起点的时间以及强度的信息。在此，以粗体示出比较时最为重要的峰检测准确度的数值，以使其比其他的数值明显。

操作员在显示部13的画面上通过目视确认这样的峰波形和检测出的峰的起点及终点的位置。而且，操作员通过操作部12进行适当地变更峰起点及终点的操作，并指示再解析。峰检测结果修正处理部150接收该指示，基于变更后的起点及终点的位置对峰面积值再计算，进而计算出定量值。

这样，在本实施方式的LC系统中，操作员能够不在显示画面上逐一确认色谱上的峰波形，而是只确认与能够推测为缺乏定量值的可靠性的化合物对应的峰波形，并根据需要修正峰起点及终点。

另外，也可以在化合物列表中进一步添加与各化合物对应的其他的信息。例如，在LC测量部10的检测器为质量分析装置的情况下可以添加对应的m/z，在检测器为PDA检测器的情况下可以添加对应的波长。此外，保留时间也可以显示标准的保留时间和实际测量的保留时间双方。

[化合物列表的显示的变形例]

在上述步骤S17中显示于显示部13的化合物列表能够以以下描述的那样变更为各种方式。

例如，在图9示出的那样的化合物列表中，为了提高峰检测准确度较高的化合物和较低的化合物在视觉上的识别性，可以根据峰检测准确度的数值、或者根据其数值范围，改变文字的字体、文字的颜色、文字的亮度、文字的大小、文字的粗度等。此外，对峰检测准确度的数值低于预先决定的阈值的情况，可以以对话框显示催促峰的修正的文本(例如“要修正”、“要确认”)信息，反之，对峰检测准确度的数值为预先决定的阈值以上的情况，可以以对话框显示示出峰是恰当的文本(例如“适当”、“无需确认”)信息。

此外，在此时显示的化合物列表中，可以不记载作为存在有无的确认对象或者作为定量的对象的全部目标化合物，而是只限定于需要进行峰的修正、确认的、峰检测准确度的数值低于规定的阈值的化合物来记载。图12是具有这样的限定功能的化合物列表的显示例。

在该情况下，在未指定阈值作为限定条件时，与图9同样地，预先记载全部的目标化合物。然后，操作员输入阈值的数值后，从列表中除去峰检测准确度为阈值以上的化合物，只将余下的、即峰检测准确度低于阈值的化合物显示于记载的化合物列表。由此，操作员只针对该列表中存在的化合物确认对应的峰波形即可。

此外，在图9以及图12的例子中，操作员能够掌握峰检测准确度较低的情况，却不知道峰检测准确度较低的理由。因此，也可以通过对话框显示等显示推定为峰检测准确度低于其他的化合物的主要原因的事项。具体而言，只要显示与一个化合物关联的峰的起点或终点的位置的偏差较大、具有与邻接的峰重叠的可能性、基线的倾斜度较大等主要原因的候选即可。这些原因可通过上述的峰检测的过程推定。

此外，在上述实施方式的LC系统中，在一个色谱波形上检测峰，因此，以相对于一个成分峰波形为一个的情况为前提，在LC测量部10的检测器是PDA检测器的情况、是质量分析装置(特别是三重四极型质量分析装置、四极-飞行时间型质量分析装置等串联型质量分析装置)的情况下，一般对一个化合物得到波长彼此不同的、或者质荷比(MRM过渡)彼此不同的多个色谱。因此，对一个化合物的多个色谱分别得到包含峰起点及终点的峰信息和峰检测准确度。

例如，在LC测量部10的检测器为串联型质量分析装置的情况下，由于针对定量离子和一个或者多个确认离子分别得到提取离子色谱(习惯上称为质谱)，因此对一个化合物至少得到两个以上的峰信息。于是，在该情况下，如图11所示，可以使对不同的色谱得到的多个峰检测准确度全部显示。当然，如图11所示，可以并不是从开始就显示多个峰检测准确度，而是只预先显示定量值的算出所使用的峰相关的峰检测准确度，例如通过对该显示栏进行点击操作、或者鼠标移动到该显示栏，来显示其以外的峰的相关的峰检测准确度。

此外，在对一个化合物得到两个以上的峰信息的情况下，可以使用通过该多个峰的相关的峰检测准确度而求出的代表值，例如最大值、最小值、平均值、中央值等统计值作为化合物列表中的峰检测准确度的数值。此外，也可以例如在操作员每次对化合物列表中的峰检测准确度这栏或附加于其旁边的图标等进行点击操作时，按顺序变更显示的数值。

此外，可以显示与数值或数值范围对应的适当的图标等来代替显示峰检测准确度的数值。此外，也可以更简化，通过所谓的二值来显示，即，将峰检测准确度为阈值以上的化合物设为“○”或者“1”，将低于阈值的化合物设为“×”或者“0”。

进一步，如图13所示，也可以通过对话框显示或弹出画面等显示将峰检测准确度的数值与该峰检测准确度对应的概略的峰波形一起显示。由此，操作员能够更简便地确认概略的峰波形。

[其他的变形例]

此外，在上述实施方式的LC系统中，除了化合物列表的显示的方式外，还可进行各种变形。

具体而言，在上述实施方式中使用了深度学习作为峰检测的方法，但也可以使用其以外的机器学习的方法、或机器学习以外的方法。例如，作为机器学习以外的方法，可以考虑赋予对检测到的峰的左右对称性进行评价的对称系数作为峰准确度的信息。重要的是，在峰检测的过程中，可得到示出该峰检测的可靠性的信息。

此外，上述实施方式是在通过对试样进行色谱法分析而得到的色谱上进行峰检测的例子，但本发明也能够应用在气相色谱仪装置、液相色谱仪装置以外的各种分析装置中。

不言自明地，也能够将本发明应用在以下情况：即，例如通过质量分析装置得到的质谱、通过吸光分光光度计、荧光分光光度计等各种分光分析装置得到的光学性光谱、通过离子移动度分析装置得到的离子移动度光谱、进一步通过X射线分析装置得到的X射线光谱等各种光谱波形上进行峰检测，基于检测到的峰对化合物、分子、元素进行鉴定或者定量的情况。

进而并不限于上述实施方式、各种变形例，在本发明的主旨的范围内进行适当变形、修正、追加显然也包含在本申请权利要求的范围内。

[各种方案]

以上，参照附图对本发明的实施方式进行了说明，最后对本发明的各种方案进行说明。

本发明的第1方案是一种分析装置，使用通过对试样进行规定的分析而得到的色谱或者光谱，进行该试样所包含的目标成分的定性或者定量，具备：

峰检测部，在通过对所述试样进行规定的分析而得到的色谱或者光谱上进行与所述目标成分对应的峰检测，获取各峰的峰信息，并且求出示出该峰检测的准确程度的指标值即准确度信息；

显示处理部，将所述目标成分的至少一部分的列表显示于显示部，且显示将在所述峰检测部中与该列表所包含的目标成分对应检测的峰的准确度信息、或者通过该准确度信息求出的其他的信息与该目标成分关联记载的列表。

根据本发明的第1方案，操作员能够在峰检测部中自动检测的峰中，高效地确认该信息的可靠性较低的峰，并根据需要修正峰信息。由此，能够减轻一齐分析多成分时的定性分析、定量分析中操作员的作业负担，实现高效的分析。此外，例如，在对观测到多个峰的色谱、光谱进行解析时，通过减少操作员应该确认的峰的数量，能够防止确认作业的失误、看漏等。

本发明的第2方案是在第1方案中，所述峰检测部能够利用所述目标成分的预先信息进行峰检测。在规定的分析为色谱法分析的情况下，目标成分的预先信息能够设为包含标准保留时间。

根据本发明的第2方案，由于能够限定进行峰检测的范围(例如时间范围)，因此峰检测的精度提高。

本发明的第3方案是在第1或者第2方案中，进一步具备定量分析部，基于通过所述峰检测部得到的峰信息，求出与该峰对应的目标成分的定量值，所述显示处理部能够设为将通过所述定量分析部得到的定量值记载至所述列表中。

根据本发明的第3方案，操作员能够一并确认每个成分的定量值和峰检测准确度的信息。

本发明的第4方案是在第1～第3方案的任一个中，所述显示处理部能够设为将所述峰的准确度信息和规定的阈值比较，对该阈值的大小以可从视觉上识别的方式显示该准确度信息。

根据本发明的第4方案，操作员能够一眼就判断出峰信息的可靠性较低和较高，例如能够容易地只选择可靠性较低的峰的波形并确认。

本发明的第5方案是在第4方案中，可从视觉上识别的方式是指能够显示限定为对准确度低于所述阈值的峰的列表。

根据本发明的第5方案，能够高效地提取应该再确认的数据，因此操作员的作业效率进一步提高。

本发明的第6方案是在第1～第5方案的任一个中，所述显示处理部能够设为可以在所述列表中进行准确度相关的筛选。

根据本发明的第6方案，与第5方案同样地，能够高效地提取应该再确认的数据，因此操作员的作业效率进一步提高。

本发明的第7方案在第1～第6方案的任一个中，能够设为在所述规定的分析中对一个目标成分得到多个色谱，所述峰检测部针对对一个目标成分得到的多个色谱分别检测峰，所述显示处理部显示针对对一个目标成分得到的多个色谱分别检测出的峰的多个峰准确度信息。

此外，本发明的第8方案是在第1～第7方案的任一个中，能够设为在所述规定的分析中对一个目标成分得到多个色谱，所述峰检测部针对对一个目标成分得到的多个色谱分别检测峰，所述显示处理部显示根据针对对一个目标成分得到的多个色谱分别检测出的峰的多个峰准确度信息而求出的代表值。

在第7以及第8方案中，规定的分析典型为使用可以多波长同时检测的光电二极管阵列检测器等作为检测器的色谱仪分析、或者使用串联型质量分析装置作为检测器的色谱仪分析。在这样的分析装置中，根据对一个成分(化合物)得到多个色谱，能够使用其中示出最高的峰检测准确度即可靠性较高的峰，进行该成分的定量。

此外，本发明的第9方案在第1～第8方案的任一个中，能够设为所述峰检测部使用通过使用了峰起点以及终点已知的多个色谱或者光谱的机器学习而预先构建的学习完毕模型，推定包含针对所述试样的色谱或者光谱中出现的一个或者多个峰的起点的位置或者终点的位置的至少一方的峰信息，所述准确度信息是示出该峰信息的推定的准确程度的指标值。

根据本发明的第9方案，能够高效地确认使用学习完毕模型推定的峰的起点和终点的可靠性。

附图标记说明

1 LC系统

10 LC测量部

11 数据解析部

110 数据收集部

120 峰检测处理部

121 图像生成部

122 峰位置推定部

123 学习完毕模型存储部

124 峰决定部

130 定性定量解析部

140 结果显示处理部

150 峰检测结果修正处理部

12 操作部

13 显示部

2 模型创建部

20 学习数据输入部

21 图像生成部

22 学习执行部

23 模型构建部。

Claims (7)

1.一种分析装置，使用通过对试样进行规定的分析而得到的色谱或者光谱，进行该试样所包含的目标成分的定性或者定量，其特征在于，包括：

峰检测部，在通过对所述试样进行规定的分析而得到的色谱或者光谱上进行与所述目标成分对应的峰检测，获取各峰的峰信息，并且求出示出该峰检测的准确程度的指标值即准确度信息；

显示处理部，将所述目标成分的至少一部分的列表显示于显示部，且显示将在所述峰检测部中与该列表所包含的目标成分对应检测出的峰的准确度信息、或者通过该准确度信息求出的其他的信息与该目标成分关联记载，

所述峰检测部使用通过使用了峰起点以及终点为已知的多个色谱或者光谱的机器学习而预先构建的学习完毕模型，推定包含针对所述试样的色谱或者光谱中出现的一个或多个峰的起点的位置或者终点的位置的至少一方的峰信息，所述准确度信息是示出该峰信息的推定的准确程度的指标值。

2.如权利要求1所述的分析装置，其特征在于，

所述峰检测部利用所述目标成分的预先信息进行峰检测。

3.如权利要求1所述的分析装置，其特征在于，

进一步具备定量分析部，基于通过所述峰检测部得到的峰信息，求出与该峰对应的目标成分的定量值，所述显示处理部将通过所述定量分析部得到的定量值记载至所述列表中。

4.如权利要求1所述的分析装置，其特征在于，

所述显示处理部将所述峰的准确度信息和规定的阈值比较，以相对于该阈值的大小能从视觉上识别的方式显示该准确度信息。

5.如权利要求4所述的分析装置，其特征在于，

所述能从视觉上识别的方式是指显示对准确度低于所述阈值进行限定的列表。

6.如权利要求1所述的分析装置，其特征在于，

所述显示处理部能在所述列表中进行准确度相关的筛选。

7.如权利要求1所述的分析装置，其特征在于，

在所述规定的分析中对一个目标成分得到多个色谱，所述峰检测部针对对一个目标成分得到的多个色谱分别检测峰，所述显示处理部显示针对对一个目标成分得到的多个色谱分别检测出的峰的多个峰准确度信息。