CN115349089A - 基本气味选定方法、通过基本气味的组合来表现、提示或合成气味的方法及装置 - Google Patents
基本气味选定方法、通过基本气味的组合来表现、提示或合成气味的方法及装置 Download PDFInfo
- Publication number
- CN115349089A CN115349089A CN202180023970.1A CN202180023970A CN115349089A CN 115349089 A CN115349089 A CN 115349089A CN 202180023970 A CN202180023970 A CN 202180023970A CN 115349089 A CN115349089 A CN 115349089A
- Authority
- CN
- China
- Prior art keywords
- basic
- odor
- smell
- smells
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000035943 smell Effects 0.000 title claims description 146
- 238000010187 selection method Methods 0.000 title claims description 13
- 230000002194 synthesizing effect Effects 0.000 title claims description 6
- 235000019645 odor Nutrition 0.000 claims abstract description 249
- 239000003086 colorant Substances 0.000 claims abstract description 52
- 238000002156 mixing Methods 0.000 claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 10
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 67
- 238000001514 detection method Methods 0.000 claims description 31
- 230000010365 information processing Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 abstract description 9
- 239000007789 gas Substances 0.000 description 71
- 239000000523 sample Substances 0.000 description 57
- 230000004044 response Effects 0.000 description 56
- 241000251468 Actinopterygii Species 0.000 description 18
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 239000000463 material Substances 0.000 description 16
- 235000015067 sauces Nutrition 0.000 description 16
- 238000005259 measurement Methods 0.000 description 15
- 238000000576 coating method Methods 0.000 description 13
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 12
- 239000011248 coating agent Substances 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 235000021168 barbecue Nutrition 0.000 description 9
- 239000002131 composite material Substances 0.000 description 9
- 239000007788 liquid Substances 0.000 description 9
- 239000002105 nanoparticle Substances 0.000 description 9
- 235000013555 soy sauce Nutrition 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- -1 aminopropyl groups Chemical group 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 235000011194 food seasoning agent Nutrition 0.000 description 7
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 239000000377 silicon dioxide Substances 0.000 description 6
- 239000004408 titanium dioxide Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 239000012159 carrier gas Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000008786 sensory perception of smell Effects 0.000 description 4
- 238000001179 sorption measurement Methods 0.000 description 4
- 235000002568 Capsicum frutescens Nutrition 0.000 description 3
- 241000237502 Ostreidae Species 0.000 description 3
- 241000981595 Zoysia japonica Species 0.000 description 3
- RLGQACBPNDBWTB-UHFFFAOYSA-N cetyltrimethylammonium ion Chemical compound CCCCCCCCCCCCCCCC[N+](C)(C)C RLGQACBPNDBWTB-UHFFFAOYSA-N 0.000 description 3
- 239000011246 composite particle Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 235000020636 oyster Nutrition 0.000 description 3
- 239000008213 purified water Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 235000005979 Citrus limon Nutrition 0.000 description 2
- 244000131522 Citrus pyriformis Species 0.000 description 2
- 239000004278 EU approved seasoning Substances 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003795 desorption Methods 0.000 description 2
- 238000010195 expression analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 235000010746 mayonnaise Nutrition 0.000 description 2
- 239000008268 mayonnaise Substances 0.000 description 2
- 230000005693 optoelectronics Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000019465 surimi Nutrition 0.000 description 2
- 235000021419 vinegar Nutrition 0.000 description 2
- 239000000052 vinegar Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000009300 Ehretia acuminata Nutrition 0.000 description 1
- 244000046038 Ehretia acuminata Species 0.000 description 1
- GVGLGOZIDCSQPN-PVHGPHFFSA-N Heroin Chemical compound O([C@H]1[C@H](C=C[C@H]23)OC(C)=O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4OC(C)=O GVGLGOZIDCSQPN-PVHGPHFFSA-N 0.000 description 1
- 241000227653 Lycopersicon Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229960002069 diamorphine Drugs 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008960 ketchup Nutrition 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000004926 polymethyl methacrylate Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006557 surface reaction Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 210000001138 tear Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 235000015041 whisky Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明与将颜色分解为三原色同样地能够将任意气味分解为相对较少的气味的组合来表现以及合成。由于相当于原色的“基本气味”尚不明确,因此,在本发明中提供方法及装置,通过从由多个气味构成的集合中选定能通过混合尽可能近似其他气味的气味子集来代替预先设定固定的基本气味,从而能够进行上述分解、合成等。
Description
技术领域
本发明涉及从由多种气味构成的气味集合中选定由相对较少的气味构成的子集,该子集是通过它们的组合至少近似地表现气味集合中的任意气味时的上述气味集合的子集(以下,将该子集中的各气味称为基本气味)。另外,本发明还涉及通过这样选定的基本气味的组合至少近似地表现、提示或合成多种气味。进一步,本发明还涉及以例如颜色等能够被除嗅觉以外的感觉感知的形式来表现或提示多种气味。进一步,本发明还涉及用于此的装置。
背景技术
众所周知,任意的颜色均能够分解为三原色并通过这些原色各个的权重来表现。进一步,通过将各原色的光以与其对应的权重的强度进行混合,在原理上仅准备三种颜色,就能够以在人的视觉上复原的方式合成任意颜色,来代替准备所有颜色的发光源、着色剂。作为这种颜色的原色分解和合成的类推,只要能够将任意气味分解为相对较少的气味、即相当于原色的“基本气味”,并且通过加权将这种基本气味混合来合成任意气味,就能够期待非常多的应用。
另外,此处关于基本气味要注意的是,将气味分解为基本气味或者通过一些基本气味的混合来合成气味并不意味着气味在成分组成的意义上的分解、合成。需要注意的是,基本气味是指通过将它们混合能够合成在嗅觉(人或其他动物的嗅觉,更一般而言是各种气味传感器的响应)意义上相同或非常相似的任意气味的作为基础的气味。例如,即使能够通过基本气味A和基本气味B混合来合成含有乙酸的某气体的气味X,基本气味A、B中的任一种并不一定含有乙酸,只是意味着以某比例将这些基本气味混合而得到的气体被感知为与气味X相同或非常相似的气味。
进一步,通过对气味进行基本气味分解,只要将气味转换为能够通过除嗅觉以外的种类的感觉来识别的形式,也能够更容易判断地表现气味。例如,尝试考虑能够用颜色表现气味时的应用。如果能给气味附上颜色,则在漫画和电影中就能够使用“气味”的效果。另外,如果能够用颜色表示香水、化妆品、威士忌、葡萄酒等,则通过将该颜色用于商品包装,就能够从视觉上理解商品的气味,能够为销量做出贡献。由于颜色具有影响人的心理的效果,只要能够用颜色表示气味,应用就是无限的。进一步,由于目前还没有建立表现气味本身的方法,因此,通过将气味表示为颜色,从而能够比以往更客观地表现气味,从而有望使气味的记忆、学习、理解变得容易。
然而,如上所述的基于基本气味分解来表现气味、基于混合来合成与生成气味以及气味向其他感觉能够识别的形式的转换等通常很难。这是由于与光的三原色、味道的四原味(也有五原味、六原味或者六原味以上的想法)对应的嗅觉中的基本气味没有被科学地确定。尝试定义基本气味的研究由来已久,由海宁(Henning)提出的花香(Flowery)、果香(Fruity)、腐臭(Putrid)、辛辣(Spicy)、树脂味(Resinous)、烧焦味(Burnt)六种为基本气味的海宁(Henning)嗅觉三棱体等是有名的。但是,即使收集了被认为是基本气味的样品,也不能用这些基本气味的混合气味来表示所有的气味,并不是像光或味道那样只要准备作为基准的样品就能够再现其他任意的光或味道。例如,在想用单一的颜色来表现气味的情况下,只要找出与光的三原色对应的气味的三个基本气味即可,但基于上述理由,实际上无法确定这一点。
另一方面,近年来,使用传感器阵列的人工嗅觉系统的发展惊人。通过利用该人工嗅觉系统,逐渐能够用数值表示气味。并且,利用传感器阵列的气味的可视化研究也通过各种方法进行,通常将气味表示为多个颜色的集合。其中,以使用光电子鼻(optoelectronicnose)为主流。在该方法中,准备多种染料或颜料等因气味成分接触而颜色会发生变化的材料,检测对它们喷吹作为目标的气味时的颜色变化。然而,这些策略没有进行基本气味的搜索,也不能用单一的颜色来表示气味。
例如,非专利文献1中公开了将与预先规定的多种基准气体的比较结果数值化并将其表现在雷达图上等的“绝对值表现分析”,这种数值化及其雷达图表现的例子在非专利文献2中示出。但是,在此处说明的绝对值表现中,需要测定系统的提供者或使用者预先设定作为基准的气味(基准气体),但对是否能够通过这些基准气体的组合良好地近似作为测定对象的气味并没有研究。因此,此处公开的绝对值表现分析并没有针对上述基于基本气味分解来表现气味、基于混合来合成与生成气味以及气味向其他感觉能够识别的形式的转换等给出启示。
发明内容
发明要解决的问题
本发明所解决的课题是从气味集合中系统地选定基本气味。另外,使用选定的基本气味进行任意气味的分解、合成与生成。另外,使用选定的基本气味用单一的颜色来表现或提示气味。另外,制作能够将气味实时转换为颜色的设备。
用于解决问题的手段
根据本发明的一个方面,提供一种基本气味选定方法,其检测气味集合中的各气味,基于所述各气味的检测结果,选定由所述气味集合中的气味的基本气味构成的子集。
此处,所述各气味的检测包括:求出由根据传感器对所述各气味的输出信号得到的多个特征构成的与所述各气味对应的特征矢量,由所述基本气味构成的子集的选定可以包括:根据通过含所述特征矢量的特征空间内的端点检测而选定的所述特征矢量的子集,从与所述气味集合中的各气味对应的所述特征矢量的集合中选定所述基本气味。
另外,也可以对通过将与所述各气味对应地求出的特征矢量作为纵矢量而构成的特征矩阵的各行进行标度转换。
另外,也可以对成为在所述特征空间的任意方向位于端部的点即端点的次数进行计数,按照该次数从多到少的顺序从所述特征矢量的集合中取出特征矢量,从而得到所述特征矢量的子集。
另外,所述传感器可以为表面应力传感器。
所述传感器是具有多个传感器元件的传感器阵列,所述输出信号可以包括来自所述多个传感器元件中的每一个的单独输出信号。
根据本发明的另一方面,提供一种基本气味选定装置,其设有传感器、交替地向传感器供给具有所述各气味的试样气体和基准气体的气体供给机构以及输入来自所述气味传感器的输出信号的信息处理装置,将与通过所述任一种基本气味选定方法由所述信息处理装置得到的所述特征矢量的所述子集的各要素对应的试样气体的气味选定为基本气味。
根据本发明的又一方面,提供一种气味合成方法,基于通过所述任一种基本气味选定方法选定的多个基本气味,将给定的气味以将所述选定的各基本气味混合而成的气味的形式合成。
根据本发明的又一方面,提供一种气味合成装置,其设有将与由所述基本气味选定装置选定的基本气味中的各气味对应的所述试样气体混合的机构。
根据本发明的又一方面,提供一种气味表现方法,其基于通过所述任一种基本气味选定方法选定的多个基本气味,将给定的气味表现为所述选定的各基本气味的组合。
此处,所述基本气味的组合也可以用所述基本气味的特征矢量的线性组合来表示。
根据本发明的又一方面,提供一种气味表现装置,其设有传感器、交替地向传感器供给具有所述各气味的试样气体和基准气体的气体供给机构以及输入来自所述气味传感器的输出信号的信息处理装置,并且设有存储或向外部提供通过所述任一种气味表现方法由所述信息处理装置得到的气味表现结果的机构。
根据本发明的又一方面,提供一种气味提示方法,以能够通过除嗅觉以外的感觉识别的形式来提示所述基本气味的组合。
此处,所述以能够通过除嗅觉以外的感觉识别的形式的提示可以将不同颜色与所述基本气味中的各气味建立对应关系,并通过将所述不同颜色混合的结果来提示气味。
另外,与所述基本气味中的各气味建立对应关系的不同颜色可以是三原色。
根据本发明的又一方面,提供一种气味提示装置,其设有传感器、交替地向传感器供给具有所述各气味的试样气体和基准气体的气体供给机构、输入来自所述气味传感器的输出信号的信息处理装置以及将通过所述任一种气味提示方法由所述信息处理装置得到的气味提示结果输出的输出装置。
发明的效果
根据本发明,对有可能含有多种化学物质的试样气体、即气味(提供的试样为液体或固体时由其产生的气体)进行分析,在其中选定作为基本气味的试样即气味。通过利用如此选定的基本气味,能够通过基本气味的组合来表现任意的气味。该表现可以是颜色等通过人类的感觉能够识别的表现(例如,使用通过除嗅觉以外的感觉能够识别的形式进行提示)。另外,也能够至少近似地合成任意气味。
附图说明
图1是能够应用本发明的测定装置的概念图。
图2是表示由膜型表面压力传感器(在本申请中简称为MSS)测定的响应信号的例子的图。横轴为时刻(单位为秒),纵轴为输出(单位为mV)。A、B、C以及D是在用特征量表示响应信号时使用的。
图3是表示端点检测(endpoint detection)中的重复步骤的一个例子。在本例子的情况下,将以圆形标记包围的两个点分别增加一分的端点评分。
图4A是表示从MSS传感器阵列的12种通道中的通道1~6分别得到的响应信号的图。横轴为时刻(单位为秒),纵轴为输出(单位为mV)。示出了以12种调味料为试样的结果。
图4B是表示从MSS传感器阵列的12种通道中的通道7~12分别得到的响应信号的图。横轴为时刻(单位为秒),纵轴为输出(单位为mV)。示出了以12种调味料为试样的结果。
图5表示通过实施例得到的调味料的色图(color map)。括号中表示RGB值。示出了通过端点检测而选择鱼酱、日本酒以及纯水作为三个基本气味,并将各基本气味的颜色分配给红、绿和蓝的结果。
图6A是在实施例中针对烤肉酱将MSS传感器阵列的通道1~6中测定的原始响应信号与使用系数(w1,w2,w3)将鱼酱、日本酒以及纯水的响应信号叠加而制成的混合信号进行比较的图。横轴为时刻(单位为秒),纵轴为输出(单位为mV)。
图6B是在实施例中针对烤肉酱将MSS传感器阵列的通道7~12中测定的原始响应信号与使用系数(w1,w2,w3)将鱼酱、日本酒以及纯水的响应信号叠加而制成的混合信号进行比较的图。横轴为时刻(单位为秒),纵轴为输出(单位为mV)。
图6C是在实施例中针对酱油将MSS传感器阵列的通道1~6中测定的原始响应信号与使用系数(w1,w2,w3)将鱼酱、日本酒以及纯水的响应信号叠加而制成的混合信号进行比较的图。横轴为时刻(单位为秒),纵轴为输出(单位为mV)。
图6D是在实施例中针对酱油将MSS传感器阵列的通道7~12中测定的原始响应信号与使用系数(w1,w2,w3)将鱼酱、日本酒以及纯水的响应信号叠加而制成的混合信号进行比较的图。横轴为时刻(单位为秒),纵轴为输出(单位为mV)。
图7A是表示实施例中实时输出的气味的颜色的例子的图。
图7B是表示实施例中实时输出的气味的颜色的例子和RGB值的时间依赖性的图。横轴为时间(单位为秒),纵轴为RGB值。
具体实施方式
在本发明的一个方式中,使用纳米机械传感器和机器学习从多个试样气体(以下,也经常将试样气体称为“气味”)的集合中选定这些气味的子集(当提供的试样为液体或者固体时,将由其产生的气体称为试样气体)。在本申请中,也将如此选定的气味的子集中的各气味称为基本气味。此处应该注意的是,从以上说明可知,基本气味并不是事先(apriori)提供的(即,并不是本发明在应用前预先提供的),而是本发明的实施过程中动态确定的点。当然,在最初的测定中从多个气味中选定作为其子集的基本气味,在其后的测定中,能够再次使用最初选定的基本气味来代替每次选定基本气味等,暂时选定的基本气味也能够再利用。如此地,通过确定基本气味,能够以作为基本气味的气味的组合来表现提供的气味的集合中的任意气味。任意气味的基于基本气味的表现可以为单纯的数据(例如,基本气味1、基本气味2……基本气味n分别为c1、c2……cn%等的数据),或者也能够转换为能以除嗅觉以外的其他感觉识别气味以更直观地表现气味。例如,能够将不同的颜色分别分配给各基本气味,并将气味表现为将这些分配给基本气味的颜色混合而成的颜色。典型地,能够选定三个基本气味,并将三原色分配给这些基本气味。进一步,不仅能够将气味表现为基本气味的组合,还能够通过将这些基本气味混合来合成与能够通过基本气味的组合表现的气味相同或类似的气味。
换言之,在本发明中,提供了新颖且实用的技术思想,其并不是以所有气味(传感器对所有气味的响应)这样的几乎无限的信息整体为对象,而是从其中切取能够计算的一部分范围,即使在该范围中未发现逻辑上规定基本气味的“真正的基本气味”的现状下也能够实现上述技术思想。而且,即使能够确定真正的基本气味,赋予它的基本气味物质也不一定容易得到和处理并且对生物体安全。另外,基本气味的种类也有可能极多。因此,也认为实际情况是基于真正的基本气味对气味进行基本气味分解无法成为现实性解决方案。本发明也充分适用于那样的情况。
更具体地说明本发明的一个实施方式,首先,为了将气味转换成能够以数值处理的响应信号,使用对各种气味显示不同响应性的多个传感器。作为这种传感器,例如存在检测其规定表面上的物理参数变化的纳米机械传感器。表面应力传感器是纳米机械传感器之一。在表面应力传感器中,在该表面上设置吸附气体等检测体的膜(感应膜),因吸附而在感应膜中引起的膨胀和收缩表现为该表面的表面应力的变化。由于通过测定对象物质和感应膜的材料(感应膜材料)的组合来测定各种图案的表面应力变化,因此,通过向一个或多个表面应力传感器供给试样并测定其响应,能够对试样中的各种物质进行定性或定量的分析。
提出并制作了用于检测气味的各种传感器,以下,作为这样的传感器,使用被称为MSS(专利文献1、非专利文献3)的纳米机械传感器为例,所述纳米机械传感器采用基于压电电阻的电读取。报告了该传感器与以往的悬臂式纳米机械传感器相比具有一些优点,实现了高灵敏度、紧凑系统和高稳定性。另外,能够简单地准备传感器通道的尺寸小于1mm、且涂布了不同的感应膜材料的多个通道。由此,能够一次性获取气味的大量信息,并且能够收集被看作是气味样品的“指纹”的可靠的响应信号。存在利用从该响应信号中提取的特征量(以下,将由多个特征量定义的矢量称为特征矢量)进行气味的定量分析或气味识别的实际应用。当然,也能够使用其他类型的传感器。
为了发现气味的基本气味,首先,收集气味样品,通过使用各种感应膜的多个MSS来分别转换为响应信号。然后,根据物理化学知识从响应信号中提取高维特征矢量。然后,通过在高维特征空间中执行使用机器学习的端点检测(endpoint detection),对所有收集到的气味样品计算作为基本气味候选的排序。确定作为基本气味应选定的气味数(基本气味数),从排序上位开始依次选定基本气味数的气味。其他气味是这些基本气味的混合物,如果能够用这些基本气味的特征矢量的线性组合来表现或近似目标气味,则该线性组合的系数例如能够通过二次规划法来计算。如此地,能够将任意气味表现(近似)为少数基本气味混合而成的气味。
此处,对上面提到的“端点检测”进行一般说明。本申请中所说的端点检测是指选择在特征空间中位于端部的样品的任意数据分析方法。提出了各种这样的机器学习算法(例如,非专利文献4)。在本申请中,作为这样的方法的例子,以下说明了应用非专利文献5的方法,找出在特征空间的各种方向位于端部的点,对每个点的出现次数进行计数,按照次数从多到少的顺序选择点,将与这些点建立了对应关系的气味选定为基本气味的方法。
另外,在机器学习领域中,“端”被称为端点(endpoint)或端元(endmember)。因此,在本申请中,将位于特征空间的端部的点定义为端点,将检测端点的数据分析方法称为端点检测。如上所述,存在各种各样的检测端点的数据分析方法,并且本申请中将下面说明的特定方法作为一个例子举出。然而,需要注意的是,端点检测不限于该特定方法,能够使用通常检测端点的任意数据分析方法。
需要说明的是,除了动态确定选定哪个气味作为基本气味之外,基本气味数也可以动态设定。例如,代替将基本气味数设为预先设定的固定个数,在选定了某个数的基本气味时所合成的基本气味以外的气味的近似度低于期待的值的情况下,也能够通过将上述排序中残留的气味的上位的气味依次追加到基本气味中来实现近似精度的提高。即,通过对每个基本气味确定其强度(权重)并混合,能够(在大多数情况下近似地)合成除基本气味以外的气味。这种合成能够通过实际上根据上述权重的比例将基本气味混合来实现。或者,代替实际合成气味,也能够将除基本气味以外的气味在数据上表现为选定的基本气味的组合。这种表现例如能够通过将作为近似对象的气味的特征矢量以基本气味的特征矢量的线性组合的形式重建等在数值上近似为基本气味的线性组合来实现。如此合成和近似的气味与合成和近似的对象即目标气味的近似度可以通过感应试验来判定,或者也可以计算两种气味的特征矢量之间的差、传感器的响应信号本身的差。
基本气味数能够根据基本气味的使用目的来任意设定。例如,在将气味与颜色建立对应关系来显示气味的情况下,将排序的前三位的样品设为3个基本气味。它们分别被分配给红、绿、蓝三原色。但是,作为分别与基本气味建立了对应关系的颜色,并不必须使用三原色,也能够将任意的三色作为三个基本气味的颜色来分配。在这种情况下,计算目标气味在色度坐标上的位置,根据色度坐标上的位置获取目标气味的颜色。用于实时以单一颜色输出气味的装置例如能够使用MSS、安装有机器学习方法的紧凑型计算机、LED灯等来制作。
以下说明选定基本气味的具体方法。
[从响应信号中提取特征量]
用作为感应膜分别涂布有不同感应膜材料的MSS(以下,各MSS也称为通道)的集合体即传感器阵列来测定气味。在MSS等表面应力传感器中,以规定周期交替地向传感器供给作为测定对象的试样和作为基准的流体(气味测定时为基准气体。将作为测定对象的气味提供给传感器时,气味中的成分会吸附于感应膜,但在流通基准气体的过程中吸附的成分会被解吸,因此在这一意义上也称为吹扫气体。在实施例中使用氮气(N2)),从而得到基于在感应膜中发生的周期性吸附和解吸的响应信号。
将用于进行这种测定的测定装置的构成的一个例子的概念图示于图1。此处,从图的左侧向两个系统的气体流路分别供给基准气体。在各流路中分别插入有进行交替动作(即,相互反相地进行气体的送出动作)、在动作期间向下游侧送出规定流量的气体的MFC(质量流量控制器)。由此,在上侧的气体流路用MFC的动作期间,在上侧的气体流路中,基准气体直接被供给至右侧的小瓶。在下侧的气体流路中,来自MFC的基准气体被供给至上游侧的小瓶的顶部空间,将从收纳于该小瓶中的试样(此处假定液体试样)蒸发而积存于顶部空间的试样气体经由气体流路向下游送出。因此,在下侧的流路用MFC的动作期间,用基准气体稀释的试样气体被送入处于下游侧的前述小瓶。由此,向图中所示的MSS(包括多个MSS的传感器阵列)交替地供给基准气体和试样气体。响应于此,来自传感器阵列中的各MSS的响应信号被送入信息处理装置,接受后述的各种处理。需要说明的是,为了进行多个试样的测定,需要适当更换进入小瓶的试样。该试样更换可以手动进行,或者自动地将试样投入至小瓶并进行去除。另外,也可以事先准备收纳有各试样的气味发生容器,手动或者自动地进行更换。另外,也能够在设置的多个气体流路中将上述气味发生容器全部连接,通过MFC的动作、阀的控制等切换流路来依次选择气味发生容器,由此进行一系列的气味测定。在供给有如此得到的多个气味的测定结果的信息处理装置中,进行基本气味选定、基于选定的基本气味的气味表现、气味提示等。在信息处理装置中能够设置将选定的基本气味、由基本气味表现的气味的信息进行存储或者供给至其他装置时能够使用的各种存储装置或接口。另外,也能够设置用于以任意形式向使用者提示气味的显示装置等输出装置。另外,使用基本气味的气味合成例如能够通过信息处理装置适当切换与上述多个气味发生容器分别连接的气体流路并将由此得到的各试样气体混合来进行。当然,图1所示的构成仅仅是示例,能够根据需要施加各种改变。
更具体地说明这种信息处理,首先,从涂布有不同感应膜材料的各通道获得如图2所示的响应信号。在各响应信号中,每隔上述规定周期出现峰,此处,认为各峰是独立的。而且,针对各峰提取表示峰形状的以下四个参数。需要说明的是,特征量的提取方法当然也无需限定于此。
参数1:由图2所示的从基准气体向试样气体(气味)切换的时刻所对应的点A与通过持续供给气味而使响应信号接近饱和值的点B之间的梯度来定义。这与气味的吸附工艺有关。作为点B的具体确定方法,可以将从点A起经过了规定时间的时刻的响应信号上的点设为点B。作为另一确定方法,也可以将响应信号的值增大并达到响应信号的最小值+(最大值-最小值)×规定比率(例如95%)的点设为点B等。
·参数2:由点B与将供给的气体从试样气体(气味)切换为基准气体的时刻所对应的点C之间的梯度来定义。其包括准平衡状态的信息。
·参数3:由作为试样气体(气味)的解吸工艺的起点的点C与通过持续供给基准气体而使响应信号的值接近响应信号的值的最小值的点D之间的梯度来定义。作为点D的具体确定方法,与点B的情况同样地,能够将从点C经过规定时间的时刻的响应信号上的点设为点D。或者,也可以将响应信号的值减小并达到响应信号的最小值+(最大值-最小值)×规定比率(例如5%)的点设为点D。
·参数4:由峰的高度定义。其包括各感应膜材料的吸附能力的信息。在图2所示的峰形状中,点C的高度为参数4。然而,通常,在供给试样的过程中,输出信号的大小不一定单调地增加。有时,有在点B与点C之间达到最大值、即峰的高度而输出信号从该最大值的点向前减少等情况。
需要说明的是,上述峰的形状实际上并不恒定,有时在试样气体(气味)与基准气体的交替供给开始后立即逐渐发生变化。因此,作为提取上述参数的峰,有时优选适当地选择例如从交替供给开始起反复交替供给足够次数之后出现的峰。
另外,各试样气体(气味)可以从最初就是气体,或者气味产生源是液体或固体,但也可以将由其蒸发的气体设为测定对象。需要说明的是,实施例中以气味产生源为液体进行说明,但该说明并不失去普遍性。
[用于选定基本气味的端点检测方法]
为了从收集到的气味样品中确定一组基本气味,对通过使用MSS的测定而得到的气味的高维特征矢量执行以下所示的端点检测方法。当然,如上所述,以下所示的端点检测方法仅是一例,当然能够采用其他任意的方法。以下为了简化说明,设定基本气味数=3,另外,从各气味样品中提取的特征量是从涂布有不同感应膜的12个通道分别获得的参照图2在上面说明的参数1~4。因此,对每个气味样品提供12×4=48个特征量,特征矢量为48维。此外,如此地将基本气味数及特征量的个数作为特定的值进行的说明当然并不失去普遍性。
将N设为气味样品数,将Xi设为第i个气味样品的包含48维特征的纵矢量。此时,如下定义特征矩阵X。
X=(x1,x2,…,xN)
将该特征矩阵X的各行标准化为平均和标准偏差分别为0和1。
如果用数学式表现上述标准化,其为针对上述特征矩阵的各行的值xj1,xj2,……,xji,……,xjN,将xji转换为(xji-μ)/σ的处理。此处,下标i和j以及常数μ和σ分别如下。
·i:特征矩阵X的列的索引(index),如上所述,其为各气味样品的编号1~N。
·j:特征矩阵X的行的索引,与用于测定该值的MSS的编号以及由该MSS的响应信号得到的参数的编号建立了对应关系。例如,如上述例子那样使用12个MSS(MSS1~MSS12),并且从各MSS中提取4个参数(参数1~参数4)时,可以设为j=(MSS编号-1)×4+参数编号。
·μ:xj1,xj2,……,xji,……,xjN的算术平均值。
·σ:xj1,xj2,……,xji,……,xjN的标准偏差。
该标准化是指通过将特征矩阵的各行的平均设为0,从而在特征空间内使各特征矢量平行移动以分布在特征空间的原点的周围。另外,使各行的标准偏差为1是指通过使得使用的MSS和来自这些MSS的一些特征量(参数)的大小以及偏差一致,从而使各MSS、参数的“效用”即它们在基本气味选定时发挥作用的程度统一。
此外,在上述标准化中将各行的平均设为0本质上不影响端点检测。在机器学习领域中经常进行将平均设为0并且将标准偏差设为1的标准化(也称为z-score),因此,此处也采用该标准化。当然,也能够使用将各行归一化后的值或者直接使用各行来代替标准化,不一定需要进行标准化。此处,标准化是指将方差设为1且将平均设为0,归一化是指以将最大设为1且将最小设为0的方式转换各行。需要说明的是,关于作为数据的前处理的一部分的标度转换,并不一定限定为标准化或归一化,能够适当应用任意的标度转换的处理。当然,也需要注意的是,这样的标度转换并不是必须的。
首先,在端点检测方法中,设定尽可能大的值K(虽然也取决于所要求的基本气味选定的精度等,但例如优选为特征量数的200倍以上),生成K个随机的单位矢量的集合{Sk}k=1,...,K。
此处,“随机”是指对于特征空间(此处是48维矢量空间)内的方向具有相同的随机性。各单位矢量sk的维度与特征矢量的维度相同,在该情况下为48维。
另外,准备矢量n={ni=0}i=1,2,...,N。
该矢量用于保存被称为端点评分的与端点有关的评分。
在该端点检测方法中,重复K次以下步骤。
(1)将标准化后的全部气味数据的特征矢量Xi投影到各单位矢量Sk。即,计算以标准化后的各气味的特征矢量Xi(i=1~N)与给定的单位矢量Sk的内积为要素的矢量y=XTsk。其是指各气味样品1~N的特征矢量在单位矢量Sk方向的坐标(注意特征矢量以特征空间的原点为起点)。
(2)如下地获取矢量y中的要素(坐标)中最小和最大的要素的索引I-以及I+。
(3)对于选择的要素的索引I-以及I+,如下地更新矢量n的成分。即,将具有选择的索引的要素的端点评分增加1。
nI-→nI_+1,
nI+→nI++1.
将该重复步骤的一个例子示于图3。K足够大时,认为具有较大端点评分ni的气味样品配置于高维特征空间(特征矢量空间)的端部。因此,ni较大的气味样品被看作是气味样品中位于最端部的样品,认为ni从大到小的顺序是作为基本气味候选的排序。将此处前三位的样品设为三个基本气味,将这些基本气味的索引分别定义为e1、e2和e3。在以颜色表现其他气味时,将这些基本气味分配给色度三角形的顶点。
[使用基本气味的任意气味的表现方法]
在上述[用于选定基本气味的端点检测方法]中说明了从气味样品中选定多个基本气味(以上说明中例举三个基本气味。以下,也将基本气味设为三个基本气味来说明)的方法。为了通过基本气味的组合来表现其他气味,用三个基本气味的特征矢量的线性组合来表示其他气味的特征矢量。此时,搜索尽可能实现目标气味的特征矢量的线性组合。将(w1,w2,w3)设为表示三个基本气味的标准化特征矢量Xe1、Xe2和Xe3的线性组合的系数。此外,以下说明了将颜色的三原色之一分别与三个基本气味中的各基本气味建立对应关系并由此将任意气味表现为三原色的混合色,这当然也不会失去普遍性。
通过执行二次规划法来求出表示上述线性组合的系数。即,将目标气味的标准化特征矢量设为X时,求出由下式定义的差Δ为最小时的系数(w1,w2,w3)。
其中,设定以下的两个条件。
wj≥0
该前者的条件是将目标气味表示为三个基本气味的正混合所必需的。这是由于不能以负浓度将基本气味混合。另一方面,后者的条件是使wi与使基本气味混合的浓度对应所需要的条件。当用颜色表现其他气味时,以下提供目标气味的色度三角形的位置。
用与该位置对应的色度三角形中的颜色来确定与目标气味建立对应关系的颜色。需要说明的是,虽然此处确定了基本气味的混合浓度以近似标准化的特征矢量,但是近似对象并不限定于此,也可以对归一化的特征矢量、未标准化的特征矢量或直接响应信号进行处理。
而且,将作为基本气味候选的前三位样品看作是三个基本气味,将其像颜色的三原色那样作为颜色三角形的顶点使用,从而用颜色表现所有的气味。作为试样的例子,在实施例中使用调味料。但是,根据以下说明,这些试样或测定对象仅是示例,显然能够任意选择其他各种各样的试样或化学物质。进一步,显然也能够应用于产生气味的液体或固体的试样。
实施例
[来自响应信号的特征提取和使用感应膜材料]
提取了以上参照图2说明的参数1~4。此处,将试样(气味)和基准气体的供给的重复周期设为10秒,将点A与点B之间的时间差确定为0.5秒。同样地,点C与D之间的时间差也设为0.5秒。
此处,作为12种感应膜材料,准备已进行了各种表面功能化的二氧化硅/二氧化钛复合纳米粒子、各种聚合物、SiO2-C16TAC(二氧化硅/十六烷基三甲基铵复合粒子)。将它们通过一些涂布方法涂布于MSS表面。涂布于各通道的材料以及涂布方法如后述的[实施例的细节-涂布有各种材料的MSS芯片的制作]所示。
如上所述,一个气味样品用48个参数表现(4个特征与12个通道的乘积)。这是针对各气味样品的高维特征量,即特征矢量。
[来自调味料的气味的基本气味选定]
为了示出例子,利用MSS和机器学习从调味料的气味中选定基本气味。此处,准备了12种调味料。具体而言,为纯水、番茄酱、蛋黄酱、柠檬汁、蚝油酱、辣酱油、日本酒、蘸面汁(めんつゆ)、烤肉酱、醋、酱油、鱼酱。将这些液体样品放入小瓶,通过MSS测定小瓶内的顶部空间内积存的气体。在本实施例中,作为用于将顶部空间内积存的气体(气味)挤出并送入MSS的载气,使用与基准气体相同的N2气体。将响应信号的感应膜材料依赖性示于图4A和图4B。除了涂布有用氨基丙基修饰的二氧化硅/二氧化钛复合纳米粒子的通道5,信号的形状在各通道中变化不大。另一方面,峰的高度因样品的不同而不同,日本酒总是呈现最大峰,鱼酱为最小峰。因此,从原始响应信号的观点出发,认为日本酒和鱼酱是基本气味的候选。另一方面,关于除此之外的气味样品,难以仅通过观察原始响应信号选出基本气味候选。需要说明的是,各通道中得到的响应信号的强度对每个通道而言是不同的,在图4A和图4B中,通过使各通道中的响应信号的峰值为几乎相同的高度来提高一览性。
从由MSS得到的响应信号中提取48维特征,执行端点检测,从准备的气味数据中选定三个基本气味。作为端点检测方法,使用了在[用于选定基本气味的端点检测方法]中说明的例子。此处,端点检测中使用的参数设定为K=10000,合计的端点评分为20000。下表显示了端点评分的排序。此处,前三位的样品是鱼酱、日本酒、纯水。合计的端点评分的一半以上集中在前两位气味,认为鱼酱和日本酒在准备的调味料中确实位于端点。这与由原始响应信号确认的事实一致。另一方面,与这两种气味相比,位于第三位的纯水的端点评分为比较小的值,在这种情况下,难以通过目视或特征矢量之间的简单比较等直接找出该顺序。本发明具有通过进行端点检测也能够应对这种情况的特征。进一步,可知在实施例的数据中,由于烤肉酱、蚝油酱、辣酱油的端点评分相当小,因此这些气味在48维特征空间中位于特征矢量分布的区域内侧较深的位置。如此地,通过执行端点检测,能够发现准备好的气味之间在特征空间内的相对位置。根据端点检测的结果,在准备的调味料的数据集中,基本气味能够确定为鱼酱、日本酒、纯水。
[气味的颜色表现]
为了将目标气味转换为颜色,通过二次规划法计算系数(w1,w2,w3)(详细情况如上述[使用基本气味的任意气味的表现方法]所示)。这些系数是表示从响应信号中提取的三个基本气味的标准化特征矢量Xe1、Xe2和Xe3的线性组合的系数。此处,作为三个基本气味,如上所选定,利用鱼酱、日本酒以及纯水。下表中示出了通过二次规划法求出这些系数的结果。另外,线性组合与目标气味的标准化特征矢量的差Δ也示于表中。
表1
调味料样品 | 端点评分 | (w1,w2,w3) | Δ |
鱼酱 | 6275 | (1.000,0.000,0.000) | 0.000 |
日本酒 | 5825 | (0.000,1.000,0.000) | 0.000 |
纯水 | 1917 | (0.000,0.000,1.000) | 0.000 |
蘸面汁 | 1494 | (0.181,0.819,0.000) | 12.654 |
酱油 | 1196 | (0.501,0.499,0.000) | 16.692 |
醋 | 1049 | (0.273,0.210,0.517) | 17.248 |
柠檬汁 | 854 | (0.219,0.121,0.660) | 18.699 |
番茄酱 | 588 | (0.254,0.160,0.586) | 20.868 |
蛋黄酱 | 568 | (0.509,0.176,0.315) | 17.270 |
烤肉酱 | 132 | (0.414,0.205,0.380) | 10.388 |
蚝油酱 | 80 | (0.303,0.088,0.609) | 14.293 |
辣酱油 | 22 | (0.438,0.097,0.465) | 6.384 |
该Δ值是用三个基本气味的特征矢量表示目标气味样品时的精度。因此,辣酱油、烤肉酱等Δ值小的样品能够通过三个基本气味的混合来较准确地表示。另一方面,确认了当使用除鱼酱、日本酒、纯水以外的气味作为基本气味时,Δ的平均值变大。这一事实意味着端点检测有效地发挥作用以实现更好的颜色表现。进一步,使用这些系数,将各气味样品的颜色以及这些各颜色在色度三角形中的位置、各气味的RGB值汇总在图5中。但是,在原来的色图中将鱼酱、日本酒以及纯水的颜色分配给作为颜色的三原色的红、绿和蓝,图5是将其转换为黑白附图的图。
在该色图中,示出了酱油以及蘸面汁的气味中不含纯水的成分,这些以鱼酱和日本酒的混合物的形式表示。此处,注意在上述表现中颜色本身没有意义。这是因为将与原始气味样品无关的颜色分配给三个基本气味,因而其他气味样品因使用这些颜色的相对评价而转换为颜色。另一方面,通过准备的数据集也能够将液体样品自身的颜色或适合人类感觉的颜色应用于三个基本气味,通过该颜色的混合来制作色度三角形,从而也能够使颜色自身具有意义。
此外,在图6A~图6D中,作为例子,使用针对酱油和烤肉酱所得到的系数(w1,w2,w3),将鱼酱、日本酒、纯水的响应信号叠加而制成的混合信号与从实际的烤肉酱和酱油得到的响应信号进行比较。如此地,可知这些峰在所有通道中均很一致。这表示像能够将提供的颜色分解为三原色那样,使用获取的系数(w1,w2,w3)能够将目标气味的原始响应信号近似地分解为三个基本气味的响应信号。换言之,这也表明,像以上说明那样,仅使用48维特征估算了用于气味的线性组合的系数,但从原始响应信号的观点出发,即使将得到的系数视作混合基本气味时的浓度,也会成为良好的近似。因此,该信息在由三个基本气味制作新的气味时也有帮助。需要说明的是,各通道中得到的响应信号的强度对每个通道而言是不同的,但是,如上述关于图4A和图4B所述,在图6A~图6D中,通过使各通道中的响应信号的峰值具有几乎相同的高度来提高一览性。
[实时对气味进行颜色转换的装置]
在事先已确定三个基本气味的情况下,仅通过执行二次规划法,就能够将各种气味立即转换为颜色等能够用除嗅觉以外的感觉识别的形式。因此,能够实时输出例如目标气味的颜色(如上所述地将气味转换为颜色而得到)。因此,使用MSS、作为安装了机器学习的信息处理装置的紧凑型计算机以及LED灯,制作实时显示气味的颜色的装置。此处,使用LED灯作为用于输出颜色的器件,当然也可以是任何输出装置。此处,作为例子,使用鱼酱、日本酒、纯水作为三个基本气味。另外,将基本气味的各颜色设为红、绿、蓝。此处,由于使用N2气体作为测定基本气味的响应信号时的基准气体和载气,因此,在测定目标气味时也使用N2气体作为基准气体和载气。但是,也能够使用空气作为基准气体和载气。
将实时的测定结果示于图7A和图7B。图7A所示的测定的前半部分是实时依次测定鱼酱、日本酒、纯水、烤肉酱、酱油的结果。另外,在图7B中,汇总了LED灯输出的颜色和RGB值的时间依赖性。在制作的设备中,在切换样品时,由于进行将装有测定结束的样品的小瓶从气体流路中暂时取下,将装有接下来要测定的样品的小瓶连接到气体流路中的操作,因此,周围的空气会进入小瓶中,与样品的气味混合。由于这种影响,在切换样品时系数发生很大的变动,输出的颜色与目标气味应表示的颜色不同。接着,确认当响应信号达到平衡时,输出与图5所示的目标气味应表示的颜色接近的颜色(图7B的下侧示出了其一例))。另外,在该测定的后半部分,测定了以某种浓度混合了鱼酱和日本酒的三种混合物的气味。准备了各样品浓度为4:1、2:1、1:1的混合样品。确认了输出的颜色是鱼酱与日本酒之间的颜色,也就是红和绿的混合颜色。
[实施例的细节-涂布有各种材料的MSS芯片的制作]
本实施例中使用的MSS芯片总共搭载有12个通道(以下也称为Ch),涂布于各通道的材料和涂布条件如下所示。
Ch1:氨基丙基修饰二氧化硅/二氧化钛复合纳米粒子(喷涂);
Ch2:十八烷基修饰二氧化硅/二氧化钛复合纳米粒子(喷墨涂布、1g/L、400次);
Ch3:苯基修饰二氧化硅/二氧化钛复合纳米粒子(喷墨涂布、1g/L、200次);
Ch4:聚甲基丙烯酸甲酯(喷墨涂布、1g/L、300次);
Ch5:氨基丙基修饰二氧化硅/二氧化钛复合纳米粒子(喷墨涂布、1g/L、600次);
Ch6:十八烷基修饰二氧化硅/二氧化钛复合纳米粒子(喷墨涂布、1g/L、800次);
Ch7:苯基修饰二氧化硅/二氧化钛复合纳米粒子(喷墨涂布、1g/L、500次);
Ch8:二氧化硅/十六烷基三甲基铵复合粒子(喷墨涂布、1g/L、1000次);
Ch9:TenaxTA(20/35目)(喷墨涂布、1g/L、300次、载物台温度100℃);
Ch10:TenaxTA(20/35目)(喷墨涂布、1g/L、300次、载物台温度20℃);
Ch11:TenaxTA(60/80目)(喷墨涂布、1g/L、300次、载物台温度100℃);
Ch12:TenaxTA(60/80目)(喷墨涂布、1g/L、300次、载物台温度20℃)。
涂布于Ch1、2、3、5、6和7的各种二氧化硅/二氧化钛复合纳米粒子按照非专利文献6和7中记载的本领域技术人员公知的方法合成。涂布于Ch8的二氧化硅/十六烷基三甲基铵复合粒子按照非专利文献8中记载的也是本领域技术人员公知的方法合成。涂布于Ch4、9、10、11及12的材料均为市售,购买的产品未进行纯化等而直接使用。
各种材料在MSS芯片上的涂布如下所示地实施。Ch1通过喷雾涂布,除此之外通过喷墨涂布。这些涂布方法是本领域技术人员公知的,根据需要,关于喷涂的详细情况请参照非专利文献7,关于喷墨涂布的详细情况请参照非专利文献9。需要说明的是,Ch2~12的任一种材料均制备浓度为1g/L的分散液或溶液来用于涂布,需要注意的是,次数、载物台温度等条件针对每个通道而不同。
工业实用性
本发明的应用领域不限于气味,只要是从所有气体、液体和固体样品中选定作为基础的样品即基本气味有用的领域,均能够利用。例如,能够通过相对少量的基本气味来表现、提示或合成任意气味。另外,作为应用例,从任意的呼气、汗、唾液、眼泪、其他任意的体液或从身体发出的气体、气味等各种样品中选定作为基础的样品(基本气味),作为测定对象的任意样品的气味作为个人如此选定的基本气味的组合,并且能够以用其他感觉能够识别形式例如颜色来表现所述组合。另外,在食品的制造、商品设计、娱乐、保管、流通和警备或者药剂领域等产生气味或气体的各个领域中,期待本发明被广泛利用。
现有技术文献
专利文献
专利文献1:国际公开2011/148774号公报;
非专利文献
非专利文献1:https://www.an.shimadzu.co.jp/prt/ff/ff2020-2.htm;
非专利文献2:https://www.an.shimadzu.co.jp/prt/ff/ff2020-1.htm;
非专利文献3:G.Yoshikawa,T.Akiyama,S.Gautsch,P.Vettiger,and H.Rohrer,“Nanomechanical Membrane-type Surface Stress Sensor”Nano Letters 11,1044-1048(2011);
非专利文献4:https://ieeexplore.ieee.org/document/1411995;
非专利文献5:https://ieeexplore.ieee.org/abstract/document/1576691;
非专利文献6:K.Shiba,T.Sugiyama,T.Takei and G.Yoshikawa,Chem.Commun.,2015,51,15854-15857.;
非专利文献7:K.Shiba,R.Tamura,G.Imamura and G.Yoshikawa,Sci.Rep.,2017,7,3661.;
非专利文献8:K.Kambara,N.Shimura and M.Ogawa,J.Ceram.Soc.Jpn.,2007,115,315-318.;
非专利文献9:K.Shiba,R.Tamura,T.Sugiyama,Y.Kameyama,K.Koda,E.Sakon,K.Minami,H.T.Ngo,G.Imamura,K.Tsuda and G.Yoshikawa,ACS Sensors,2018,3,1592-1600。
Claims (16)
1.一种基本气味选定方法,其中,
其检测气味集合中的各气味,
基于所述各气味的检测结果,选定由所述气味集合中的气味的基本气味构成的子集。
2.如权利要求1所述的基本气味选定方法,其中,
所述各气味的检测包括:求出由根据传感器对所述各气味的输出信号得到的多个特征构成的与所述各气味对应的特征矢量,
由所述基本气味构成的子集的选定包括:根据通过含所述特征矢量的特征空间内的端点检测而选定的所述特征矢量的子集,从与所述气味集合中的各气味对应的所述特征矢量的集合中选定所述基本气味。
3.如权利要求2所述的基本气味选定方法,其中,对通过将与所述各气味对应地求出的特征矢量作为纵矢量而构成的特征矩阵的各行进行标度转换。
4.如权利要求2或3所述的基本气味选定方法,其中,对成为在所述特征空间的任意方向位于端部的点即端点的次数进行计数,按照该次数从多到少的顺序从所述特征矢量的集合中取出特征矢量,从而得到所述特征矢量的子集。
5.如权利要求2~4中任一项所述的基本气味选定方法,其中,所述传感器为表面应力传感器。
6.如权利要求2~5中任一项所述的基本气味选定方法,其中,
所述传感器是具有多个传感器元件的传感器阵列,
所述输出信号包括来自所述多个传感器元件中的每一个的单独输出信号。
7.一种基本气味选定装置,其中,
其设有:传感器;
交替地向传感器供给具有所述各气味的试样气体和基准气体的气体供给机构;以及
输入来自所述气味传感器的输出信号的信息处理装置,
将与通过权利要求1~6中任一项所述的基本气味选定方法由所述信息处理装置得到的所述特征矢量的所述子集的各要素对应的试样气体的气味选定为基本气味。
8.一种气味合成方法,其中,基于通过权利要求1~6中任一项所述的基本气味选定方法选定的多个基本气味,将给定的气味以将所述选定的各基本气味混合而成的气味的形式合成。
9.一种气味合成装置,其中,其设有将与由权利要求7所述的基本气味选定装置选定的基本气味中的各气味对应的所述试样气体混合的机构。
10.一种气味表现方法,其中,基于通过权利要求1~6中任一项所述的基本气味选定方法选定的多个基本气味,将给定的气味表现为所述选定的各基本气味的组合。
11.如权利要求10所述的气味表现方法,其中,所述基本气味的组合用所述基本气味的特征矢量的线性组合来表示。
12.一种气味表现装置,其中,
其设有:传感器;
交替地向传感器供给具有所述各气味的试样气体和基准气体的气体供给机构;以及
输入来自所述气味传感器的输出信号的信息处理装置,
并且设有:存储或向外部提供通过权利要求10或11所述的气味表现方法由所述信息处理装置得到的气味表现结果的机构。
13.一种气味提示方法,其中,以能够通过除嗅觉以外的感觉识别的形式来提示权利要求10或11所述的基本气味的组合。
14.如权利要求13所述的气味提示方法,其中,所述以能够通过除嗅觉以外的感觉识别的形式的提示将不同颜色与所述基本气味中的各气味建立对应关系,并通过将所述不同颜色混合的结果来提示气味。
15.如权利要求14所述的气味提示方法,其中,与所述基本气味中的各气味建立对应关系的不同颜色是三原色。
16.一种气味提示装置,其中,
其设有:传感器;
交替地向传感器供给具有所述各气味的试样气体和基准气体的气体供给机构;
输入来自所述气味传感器的输出信号的信息处理装置;以及
将通过权利要求13~15中任一项所述的气味提示方法由所述信息处理装置得到的气味提示结果输出的输出装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020051050 | 2020-03-23 | ||
JP2020-051050 | 2020-03-23 | ||
PCT/JP2021/008633 WO2021192915A1 (ja) | 2020-03-23 | 2021-03-05 | 原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115349089A true CN115349089A (zh) | 2022-11-15 |
Family
ID=77891317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180023970.1A Pending CN115349089A (zh) | 2020-03-23 | 2021-03-05 | 基本气味选定方法、通过基本气味的组合来表现、提示或合成气味的方法及装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230090065A1 (zh) |
EP (1) | EP4130735A4 (zh) |
JP (1) | JP7371981B2 (zh) |
CN (1) | CN115349089A (zh) |
WO (1) | WO2021192915A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023163214A1 (ja) * | 2022-02-28 | 2023-08-31 | 株式会社香味醗酵 | 情報処理装置、カートリッジ、放出装置、n次元コード、制御方法、コンピュータプログラム |
JP7462813B2 (ja) | 2023-03-28 | 2024-04-05 | 花王株式会社 | 体臭表現システム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL126167A0 (en) * | 1998-09-10 | 1999-05-09 | Aromix Technologies Ltd | Methods and apparatus for odor transmission |
IL126168A0 (en) * | 1998-09-10 | 1999-05-09 | Aromix Technologies Ltd | Methods and apparatus for odor reproduction |
KR101451697B1 (ko) | 2010-05-24 | 2014-10-16 | 도쿠리츠교세이호징 붓시쯔 자이료 겐큐키코 | 표면 응력 센서 |
JP2013124953A (ja) * | 2011-12-15 | 2013-06-24 | National Institute For Materials Science | センサーアレイを用いた測定結果可視化装置 |
EP3044582A1 (en) * | 2013-09-12 | 2016-07-20 | Yeda Research and Development Co., Ltd. | Method and electronic nose for comparing odors |
WO2016031080A1 (ja) | 2014-08-29 | 2016-03-03 | 株式会社アロマビット | 嗅覚システム、匂い識別装置、匂い識別方法 |
CN110573853B (zh) | 2017-05-17 | 2022-09-30 | 株式会社而摩比特 | 气味图像的基础数据生成方法 |
US11215585B2 (en) * | 2017-05-31 | 2022-01-04 | National Institute For Materials Science | Nanomechanical sensor receptor made of low-hygroscopic material and nanomechanical sensor using the same as receptor |
JP7365339B2 (ja) * | 2017-12-08 | 2023-10-19 | イェダ リサーチ アンド ディベロップメント カンパニー リミテッド | 電子ノーズに基づく臭気物質の分析の利用 |
-
2021
- 2021-03-05 WO PCT/JP2021/008633 patent/WO2021192915A1/ja unknown
- 2021-03-05 CN CN202180023970.1A patent/CN115349089A/zh active Pending
- 2021-03-05 US US17/800,386 patent/US20230090065A1/en active Pending
- 2021-03-05 JP JP2022509487A patent/JP7371981B2/ja active Active
- 2021-03-05 EP EP21776633.6A patent/EP4130735A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP7371981B2 (ja) | 2023-10-31 |
JPWO2021192915A1 (zh) | 2021-09-30 |
EP4130735A1 (en) | 2023-02-08 |
EP4130735A4 (en) | 2024-04-17 |
US20230090065A1 (en) | 2023-03-23 |
WO2021192915A1 (ja) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115349089A (zh) | 基本气味选定方法、通过基本气味的组合来表现、提示或合成气味的方法及装置 | |
JP7365339B2 (ja) | 電子ノーズに基づく臭気物質の分析の利用 | |
US11796520B2 (en) | System and method for scent perception measurements and for construction ofa scent database | |
Boeker | On ‘electronic nose’methodology | |
Gan et al. | Characterisation of vegetable oils by surface acoustic wave sensing electronic nose | |
Davide et al. | 12 Virtual olfactory interfaces: electronic noses and olfactory displays | |
CN109923397A (zh) | 推断与试样相应的推断对象值的方法和装置 | |
Xing et al. | Development of novel electronic nose applied for strawberry freshness detection during storage | |
Harel et al. | Towards an odor communication system | |
EP1337836B1 (en) | System and method for gas discharge spectroscopy | |
WO2019117099A1 (ja) | 香り品質特定システム、高機能携帯端末及びプログラム | |
Jamal et al. | Artificial neural network based e-nose and their analytical applications in various field | |
CN108981800A (zh) | 一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法 | |
JPWO2021192915A5 (zh) | ||
JP2004508570A (ja) | スペクトル標識に基づいたにおい識別 | |
Brugger et al. | Extraction of important molecular features of musk compounds using pattern recognition techniques | |
Zeng et al. | A single cataluminescence sensor based on spectral array and its use in the identification of vinegars | |
JP6637370B2 (ja) | 質量分析装置および画像生成方法 | |
JP2002350312A (ja) | におい識別装置 | |
KR102480439B1 (ko) | 청주 및 사케의 품질 및 등급 판별 장치 | |
Delpha et al. | Discrimination of Forane 134a and carbon dioxide concentrations in an air conditioned atmosphere with an electronic nose: influence of the relative humidity | |
JP2022507893A (ja) | 生物学的製品を識別するための天然存在比安定同位体とdnaジェノタイピングの使用 | |
Nimsuk | Neural network based electronic nose for discrimination of fish sauces | |
Young | Maybe We Don't Smell Molecular Structure | |
Fernandez Jr et al. | Development of an Electronic Nose for Olfactory System Modelling using Artificial Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |