CN117242345A - 分析装置及分析装置用波形处理程序 - Google Patents

分析装置及分析装置用波形处理程序 Download PDF

Info

Publication number
CN117242345A
CN117242345A CN202180097598.9A CN202180097598A CN117242345A CN 117242345 A CN117242345 A CN 117242345A CN 202180097598 A CN202180097598 A CN 202180097598A CN 117242345 A CN117242345 A CN 117242345A
Authority
CN
China
Prior art keywords
waveform
peak
unit
signal
signal intensity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180097598.9A
Other languages
English (en)
Inventor
安田弘之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Publication of CN117242345A publication Critical patent/CN117242345A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8631—Peaks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8603—Signal analysis with integration or differentiation
    • G01N30/8613—Dividing or multiplying by a constant
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N2030/022—Column chromatography characterised by the kind of separation mechanism
    • G01N2030/027—Liquid chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8641—Baseline
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8693—Models, e.g. prediction of retention times, method development and validation

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明的分析装置具备：波形变形部(112)，将由分析得到的示出与规定的参数的值的变化对应的信号强度的变化的目标的信号波形在信号强度轴的方向放大或缩小至N倍(其中N为0及1以外的正值)，及/或在规定的参数轴的方向放大或缩小至M倍(其中M为0及1以外的正值，可以与N为相同的值)；峰检测部(113)，使用学习完毕模型将由波形变形部变形后的信号波形作为输入，将峰的起点及终点作为检测结果输出，该模型通过将信号波形和作为正解的峰的起点及终点作为教师数据进行机器学习而预先生成；波形逆变形部(114)，将峰检测部的输出即峰的起点及终点的信息以与由波形变形部变形时相反的倍率缩小或放大，求出关于目标的信号波形的峰检测结果。

Description

分析装置及分析装置用波形处理程序
技术领域
本发明涉及一种分析装置及将通过分析得到的信号波形在计算机上处理的程序。
背景技术
在液相色谱仪(LC)装置或气相色谱仪(GC)装置中，将试样导入色谱柱，在该试样通过色谱柱的期间将该试样所包含的各种成分在时间方向上分离，通过设置在色谱柱的出口的检测器检测该成分。在基于通过检测器得到的检测信号生成的色谱波形中出现与试样中的各种成分相对应的峰。由于观测到峰的时间(保留时间)与成分的种类相对应，因此能够根据峰的保留时间来确定成分，即能够进行定性分析。此外，由于峰的高度或面积与该成分的浓度或含量相对应，因此能够根据峰的高度值或面积值求出该成分的浓度或含量，即能够进行定量分析。
为了进行定性分析或定量分析，需要在色谱波形上准确检测出峰，确定峰的起点及终点的位置(保留时间)。在通过分析得到的色谱波形中，各种噪声重叠，或者基线变动，或者源自多种成分的峰重合。因此，根据色谱波形准确检测出峰未必容易，以往，为了使用计算机来检测峰而使用了各种算法。作为这样的峰检测方法之一，近年来，利用以深度学习为代表的AI(人工智能)技术的方法被实用化(参照非专利文献1)。
非专利文献1中所记载的峰检测方法是利用通过所谓的监督式机器学习生成的学习完毕模型来进行峰检测的方法。在这样的学习完毕模型的生成时、即模型的学习执行时，通常使用将由实际的分析装置收集到的色谱波形和由熟练者对该波形检测出的峰的信息(起点及终点)作为组的大量教师数据。使用了这样的AI技术的峰检测方法的较大的优点之一是与其他许多峰检测方法不同，不需要由操作者事先设定麻烦的检测条件(参数)或由操作者在峰检测过程中进行判断。
现有技术文献
非专利文献
非专利文献1：“面向PeakintelligenceTM Ver.2 LabSolutions InsightTM波形处理选项软件”，[在线]，[2021年4月7日检索]，株式会社岛津制作所，因特网<URL：https://www.an.shimadzu.co.jp/lcms/m_package/peakintelligence.htm>
发明内容
发明要解决的技术问题
为提高在以深度学习为代表的监督式机器学习中生成的学习完毕模型的精度，有效的方法是在学习中尽可能多地使用网罗检测对象的特征的偏差(变动)的教师数据。但是，教师数据的收集非常耗费工夫与时间。此外，随着教师数据的量变多，用于生成学习完毕模型的处理的工夫也急剧增加，因此其所需的成本也增加。由此，准备的教师数据的量有限，在使用基于这样的教师数据生成的学习完毕模型实施了峰检测时，有时会产生在实际的色谱波形中观测到的、本来应该成为检测对象的峰未被检测出而遗漏的问题。
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及分析装置用波形处理程序，使用现有的学习完毕模型，就能够良好地检测出以往容易检测遗漏的峰。
用于解决上述技术问题的方案
为解决上述技术问题而完成的本发明的分析装置的一方案具备：
波形变形部，将通过分析得到的、示出与规定的参数的值的变化相对应的信号强度的变化的目标的信号波形在信号强度轴的方向上放大或缩小至N倍(其中，N为0及1以外的正值)，及/或在所述规定的参数轴的方向上放大或缩小至M倍(其中，M为0及1以外的正值，可以与N为相同的值)；
峰检测部，使用学习完毕模型，将由所述波形变形部变形后的信号波形作为输入，将峰的起点及终点作为检测结果输出，所述学习完毕模型是通过将信号波形以及作为正解的峰的起点及终点作为教师数据进行机器学习而预先生成的；
波形逆变形部，将所述峰检测部的输出即峰的起点及终点的信息以与由所述波形变形部进行的变形时相反的倍率缩小或放大，求出关于所述目标的信号波形的峰检测结果。
此外，为解决上述技术问题而完成的本发明的分析装置用波形处理程序的一方案是用于将通过分析得到的、示出与规定的参数的值的变化相对应的信号强度的变化的目标的信号波形在计算机上进行处理的程序，使该计算机执行：
波形变形步骤，将所述目标的信号波形在信号强度轴的方向上放大或缩小至N倍(其中，N为0及1以外的正值)，及/或在所述规定的参数轴的方向上放大或缩小至M倍(其中，M为0及1以外的正值，可以与N为相同的值)；
峰检测步骤，使用学习完毕模型，将所述波形变形步骤中的变形后的信号波形作为输入，将峰的起点及终点作为检测结果输出，所述学习完毕模型是通过将信号波形以及作为正解的峰的起点及终点作为教师数据进行机器学习而预先生成的；
波形逆变形步骤，将所述峰检测步骤的输出即峰的起点及终点的信息以与所述波形变形步骤中的变形时相反的倍率缩小或放大，求出关于所述目标的信号波形的峰检测结果。
发明效果
根据本发明的分析装置及分析装置用波形处理程序的上述方案，使用现有的学习完毕模型，就能够良好地检测出例如在色谱波形等信号波形中由于峰的信号强度低而以往有可能检测遗漏的峰波形。由此，不必重新生成学习完毕模型，能够提高峰的检测精度。
附图说明
图1是本发明的一实施方式的LC装置的概略构成图。
图2是生成图1所示的LC装置所使用的学习完毕模型的模型生成装置的概略构成图。
图3是示出色谱波形的一例的图。
图4是本实施方式的LC装置中的峰检测处理的步骤的说明图。
图5是以往的LC装置中的峰检测处理的步骤的说明图。
具体实施方式
本发明的分析装置例如能够包括：包括液相色谱仪质量分析装置的液相色谱仪(LC)装置、包括气相色谱仪质量分析装置的气相色谱仪(GC)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)等。
此外，本发明的分析装置用波形处理程序例如能够设为存储在CD-ROM、DVD-ROM、存储卡、USB存储器(加密狗)等计算机可读取的非暂态记录介质中而提供给用户。此外，上述程序也能够设为以经由互联网等通信线路的数据传输的形式提供给用户。进而，上述程序也能够在用户购买系统的时间点预装在作为系统的一部分的计算机上(严格地说是作为计算机的一部分的存储装置)。
此外，在本发明中，机器学习只要是监督式机器学习，其种类便没有特别限定，一般能够使用深度学习。
以下，参照附图对本发明的分析装置的一实施方式的LC装置进行说明。
[本实施方式的装置的构成]
图1是本实施方式的LC装置的概略构成图。图2是生成图1所示的LC装置所使用的学习完毕模型的学习完毕模型生成装置的概略构成图。
如图1所示，本实施方式的LC装置1具备：LC测量部10、数据解析部11、输入部12及显示部13。虽然未图示，但LC测量部10包括流动相容器、送液泵、注射器、色谱柱、柱温箱、检测器等，对被提供的试样执行LC分析，输出示出由检测器得到的信号强度的时间变化的色谱数据。检测器的种类或方式没有特别限定，例如能够使用质量分析装置、光电二极管阵列(PDA)检测器、荧光检测器等。
数据解析部11包括数据收集部110、波形选择部111、波形放大部112、峰检测部113、波形缩小部115、定性与定量解析部116及结果显示处理部117等功能块。峰检测部113包括学习完毕模型存储部114，其保存有通过预先进行学习生成的学习完毕模型。该学习完毕模型实质上是识别峰波形的峰识别器。
数据解析部11的实体是安装有规定的软件的个人计算机或性能更高的工作站，或者为包括经由通信线路与上述计算机连接的高性能计算机的计算机系统。即，数据解析部11中所包括的各功能块的功能能够通过执行搭载在计算机单体或包括多个计算机的计算机系统中的软件来达成，并能够通过使用了存储在该计算机或计算机系统中的各种数据进行的处理来实现。当然，通过将数据解析部11的功能的一部分替换为数字信号处理器等专用的硬件电路，也能够实现处理的高速化。
如图2所示，与LC装置1分开设置的模型生成装置2包括教师数据输入部20、学习执行部21及模型构建部22作为功能块。在该模型生成装置2中生成的学习完毕模型被存储在LC装置1的数据解析部11中的学习完毕模型存储部114。
模型生成装置2的实体是安装有规定的软件的高性能的计算机。众所周知，一般来说基于深度学习等中的机器学习算法的模型的学习需要庞大量的计算，因此使用能够高速运算的高性能的计算机。因此，在多数情况下，使模型学习的作业由LC装置1的厂家或进行软件开发的公司等实施。在该情况下，模型生成装置2本身被放置在那样的厂家或公司。当然，如果可能的话，也可以使LC装置1的数据解析部11具有那样的使模型学习的功能。
[生成学习完毕模型的步骤]
首先，对在模型生成装置2中生成学习完毕模型时的动作进行说明。
在生成学习完毕模型时，准备大量的多种多样的色谱波形数据，并且预先正确求出该各色谱波形中出现的一个或多个峰的起点及终点的保留时间。此处所说的多种多样的色谱波形数据是指实际实施峰检测时有可能出现在色谱波形中的、包括各种噪声的混入、基线的变动(漂移)、多个峰的重合或峰形状的变形等要素的色谱波形。
图3是由LC装置获取的色谱波形的一例。在该例中，观测到起点及终点为(ts1、te1)、(ts2、te2)、(ts3、te3)的三个峰。教师数据输入部20读入大量以这样的色谱波形数据和包括峰起点及终点的准确的峰信息为组的教师数据。另外，色谱波形也可以不是图3所示那样的从测量开始时间点到结束时间点的整个波形，而是选择图3中由点划线示出的部分峰的波形。
学习执行部21例如将色谱波形数据图像化，使基于规定的方法的模型学习该图像与作为正解的峰信息。模型构建部22基于该学习结果，构建用于推定色谱波形上的峰的起点及终点的学习模型。众所周知，机器学习具有各种算法，此处使用了作为图像识别中的一般物体检测算法之一的深度学习，但能够使用的机器学习的方法不限于此。
模型构建部22将通过使用了大量的教师数据的学习而生成的学习完毕模型临时保存。在模型生成装置2中如上所述生成的学习完毕模型例如经由通信线路或经由存储媒介传输并存储于LC装置1中的学习完毕模型存储部114。
[对于实测波形的峰检测处理]
接着，参照图4对LC装置1中的峰检测处理的动作进行说明。
LC测量部10对目标试样实施LC分析。在数据解析部11中，数据收集部110获取由LC测量部10得到的色谱数据并将其临时存储。此处，假设通过LC分析得到了图4的(a)所示的色谱波形。
若从输入部12发出执行峰检测处理的内容的指示，则波形选择部111从数据收集部110接收处理对象的色谱数据。然后，波形选择部111按照规定的基准决定进行波形放大的对象的保留时间范围。
具体来说，例如计算出在处理对象的色谱数据中最小的信号强度与最大的信号强度之差，在该差为规定的阈值以下的情况下，能够将该整个色谱(即整个保留时间范围)作为波形放大对象。此外，也可以以时间轴方向上信号强度变化小的位置(例如图4的(a)中的位置U)为边界将色谱沿时间轴方向分割为多个，对该分割出的每个波形按照上述那样的基准判定是否为波形放大对象的保留时间范围。
在波形选择部111中判定进行波形放大的对象的保留时间范围是为了仅对因峰的信号强度小而有可能被遗漏的保留时间范围放大波形，对由于峰的信号强度大而不可能被遗漏的保留时间范围则不放大波形。只要能够与该目的相对应地进行波形形状的判定，则该方法不限于上述记载的内容。此外，在峰的信号强度大的情况下，即便通过放大波形使得信号强度进一步变大，在实质上不会产生问题的情况下，也可以省略波形选择部111，而是将全部保留时间范围作为波形放大的对象。
在图4的(a)的例子中，假设将整个色谱波形作为波形放大对象。接着，如图4的(b)所示，波形放大部112对于被设为波形放大对象的保留时间范围内所包含的波形，进行将信号强度变为N倍(此处N为大于1的值)(纵轴方向上N倍)的放大处理。原色谱波形上存在的二个峰(但是，在该时间点它们没有被检测为峰)P1、P2在放大的色谱波形上分别与峰P10、P20相对应。另外，N的值可以是预先决定的值，也可以设为能够由用户适当选择。
峰检测部113通过将如上所述信号强度被放大的色谱波形输入存储在学习完毕模型存储部114的学习完毕模型，接收包括峰的起点及终点的峰信息作为输出。该峰信息是在输入的色谱波形中由峰识别器自动地检测出的峰的信息。图4的(c)是示出对于图4的(b)所示的色谱波形自动地检测出的峰起点及终点的位置、与用直线连接成为配对的峰起点及终点而得的虚线的图。此处，二个P10、P20被准确地检测出。
像这样进行峰检测后，波形缩小部115执行与波形放大部112相反的处理。即，波形缩小部115对于被设为波形放大对象的保留时间范围所包含的色谱波形，进行将信号强度变为1/N倍(纵轴方向上变为1/N)的缩小处理。由此，与如图4的(c)所示的被放大的色谱波形中的峰检测结果即峰起点及终点相对应的信号强度如图4的(d)所示，与色谱波形一起减小。其结果为，能够得到与对图4的(a)所示的原色谱波形实施峰检测的情况实质上相同的峰检测结果。
图5是在峰检测部113中对未进行波形放大的色谱波形实施峰的自动检测的情况下的处理的说明图。这相当于以往的LC装置中的峰检测处理。
在该情况下，色谱波形上的峰P2的信号强度比峰P1小得多。一般来说，在深度学习等机器学习中，在模型学习时，若没有适当地提供带有标签的教师数据以将这样的信号强度小的峰识别为峰，则生成的学习完毕模型不具有识别信号强度小的峰的能力。因此，如图5的(b)所示，虽然信号强度大的峰P1被检测出，但信号强度小的峰P2成为检测遗漏。
如上所述，在准备教师数据时，虽然设想了可能发生的峰波形的变形或偏差等，但由于教师数据的量越多，用于生成学习完毕模型的成本或时间越增大，因此由于成本或时间的制约，需要限制教师数据的量的情况较多。此外，由于使用LC装置的用户的要求是多种多样的，因此有时也存在具有也想要检测出在学习完毕模型的生成时未设想那样的、信号强度小的峰的要求的用户。在后者的情况下，虽然能够通过添加新的教师数据重新生成学习完毕模型进行应对，但为此的作业相当庞大，成本负担大。
与此相对，在本实施方式的LC装置1中，无需变更学习完毕模型，即，使用不具有识别信号强度小的峰的能力的现有的学习完毕模型，就能够检测出至今为止成为检测遗漏那样的信号强度小的峰。在数据解析部11中追加波形选择部111、波形放大部112及波形缩小部115的功能，具体来说，追加用于实现这样的功能的程序与使用新的教师数据重新构建学习完毕模型的情况相比特别容易，也无需成本或时间。像这样，通过本实施方式的LC装置1，能够在节约成本或时间的同时，提高峰检测的精度。
在数据解析部11中，定性与定量解析部116基于从峰检测部113提供的峰信息，鉴定与各峰相对应的成分(化合物)。或者计算出峰高度值或峰面积值，根据该值计算出作为各成分的浓度或含量的定量值。结果显示处理部117接受各成分的鉴定结果或定量结果，将它们以规定的形式显示在显示部13。此外，结果显示处理部117也可以设为将如图4的(d)所示那样的包括峰检测结果的色谱波形显示在显示部13。
[变形例]
在上述实施方式的LC装置1中，波形放大部112及波形缩小部115仅在信号强度轴方向上放大与缩小色谱波形，但也可以设为在时间轴方向上放大与缩小色谱波形。若仅在信号强度轴方向上放大色谱波形，则峰形状变为纵长。即，半峰宽/峰高度的值变小。通过模型学习时的使用教师数据的学习方法，有可能存在无法适当地检测出以半峰宽/峰高度的值变小的方式变形的峰的情况。因此，根据使用的学习完毕模型的特性，可以在信号强度轴方向上放大与缩小色谱波形，并且在时间轴方向上也放大与缩小该波形。
在该情况下，信号强度轴方向的放大的倍率与时间轴方向的放大的倍率可以不必相同。即，只要在峰检测前将色谱波形在信号强度轴方向上放大至N倍，在时间轴方向上放大至M倍(其中，M为大于1的值，可以N＝M)，在峰检测后将色谱波形在信号强度轴方向上缩小至1/N倍，在时间轴方向上缩小至1/M倍即可。
此外，波形放大部112及波形缩小部115也可以设为不在信号强度轴方向上放大与缩小色谱波形，而是仅在时间轴方向上放大与缩小色谱波形。这在例如由于实际的LC分析中的流动相的速度快等从而LC分离条件与设想的状态不同，因此色谱波形在时间轴方向上被压缩那样的状况下是有用的。
此外，在上述实施方式的LC装置1中，在峰检测前放大色谱波形，在峰检测后缩小色谱波形，但根据使用的学习完毕模型的特性，也可以设为在峰检测前缩小色谱波形，在峰检测后放大色谱波形从而返回到原色谱波形。与上述说明相反，这在比起模型学习时设想的峰的信号强度的偏差的范围，实际想要处理的波形中的峰的信号强度过大的状况下是有用的。此外，在由于实际的LC分析中的流动相的速度慢等从而LC分离条件与设想的状态不同，因此色谱波形在时间轴方向上被伸长那样的状况下是有用的。
此外，在上述实施方式的LC装置1中，设为根据对于色谱波形的1次峰检测处理来检测多个峰，但也能够如下所述设为通过反复进行数次峰检测处理而尽可能无遗漏地检测出信号强度大不相同的峰。
即，例如对于如图4的(a)所示那样的处理对象的色谱波形，第1次峰检测处理不进行波形放大与缩小，而是与以往相同地进行峰检测。在该情况下，如使用图5说明的那样，虽然峰P1被检测出，但峰P2有可能成为检测遗漏。接着，去除在第1次峰检测处理中检测出的峰(例如将图5的(b)中的峰P1的起点与终点之间用直线连结)，之后实施上述那样的伴随波形放大与缩小的峰检测作为第2次峰检测处理。在该情况下，由于图4的(b)中的峰P10不存在，因此仅检测出剩余的峰P20。此时，由于峰P20的信号强度大，因此没有遗漏地被检测出。像这样，如果通过汇总在多次峰检测处理中分别检测出的峰信息，生成最终的峰检测结果，则能够实现遗漏较少的峰检测。
当然，也能够设为通过进一步多阶段地改变放大与缩小的倍率，此外，通过在信号强度轴方向和时间轴方向上分别进行不同的倍率的放大与缩小，从而反复进行3次以上的峰检测处理。
此外，上述实施方式为LC装置，本发明除了LC装置也能够应用于GC装置，进一步地，也能够应用于这些以外的各种分析装置。
例如，在由质量分析装置得到的质谱、由吸光分光光度计或荧光分光光度计等各种分光分析装置得到的光学光谱、由离子迁移率分析装置得到的离子迁移率谱、由X射线分析装置得到的X射线光谱等频谱波形上进行峰检测的情况下，显然也能够应用本发明。
进一步地，不限于上述实施方式或变形例，在本发明的主旨的范围内进行适当变形、修正、追加等，显然也包含在本申请权利要求的范围内。
[各种方案]
本领域技术人员能够理解上述示例性的实施方式及变形例是以下方案的具体例。
(第1项)本发明的分析装置的一方案具备：
波形变形部，将通过分析得到的、示出与规定的参数的值的变化相对应的信号强度的变化的目标的信号波形在信号强度轴的方向上放大或缩小至N倍(其中，N为0及1以外的正值)，及/或在所述规定的参数轴的方向上放大或缩小至M倍(其中，M为0及1以外的正值，可以与N为相同的值)；
峰检测部，使用学习完毕模型，将由所述波形变形部变形后的信号波形作为输入，将峰的起点及终点作为检测结果输出，所述学习完毕模型是通过将信号波形以及作为正解的峰的起点及终点作为教师数据进行机器学习而预先生成的；
波形逆变形部，将所述峰检测部的输出即峰的起点及终点的信息以与由所述波形变形部进行的变形时相反的倍率缩小或放大，求出关于所述目标的信号波形的峰检测结果。
(第6项)本发明的分析装置用波形处理程序的一方案是用于将通过分析得到的、示出与规定的参数的值的变化相对应的信号强度的变化的目标的信号波形在计算机上进行处理的程序，使该计算机执行：
波形变形步骤，将所述目标的信号波形在信号强度轴的方向上放大或缩小至N倍(其中，N为0及1以外的正值)，及/或在所述规定的参数轴的方向上放大或缩小至M倍(其中，M为0及1以外的正值，可以与N为相同的值)；
峰检测步骤，使用学习完毕模型，将所述波形变形步骤中的变形后的信号波形作为输入，将峰的起点及终点作为检测结果输出，所述学习完毕模型是通过将信号波形以及作为正解的峰的起点及终点作为教师数据进行机器学习而预先生成的；
波形逆变形步骤，将所述峰检测步骤的输出即峰的起点及终点的信息以与所述波形变形步骤中的变形时相反的倍率缩小或放大，求出关于所述目标的信号波形的峰检测结果。
根据第1项所述的分析装置及第6项所述的分析装置用波形处理程序，使用现有的学习完毕模型，就能够良好地检测出例如在色谱波形等信号波形中由于峰的信号强度低而以往有可能检测遗漏的峰波形。由此，不必重新生成学习完毕模型，能够提高峰的检测精度。
(第2项)在第1项所述的分析装置中，能够设为，所述规定的参数为时间，所述信号波形为色谱波形。
特别是在由LC装置得到的色谱波形中，容易产生基线的漂移或多个成分的分离不完全而导致的多个峰的重合等，因此使用特定的一个算法检测全部的峰较困难，参数的调整或设定也容易变得麻烦。与此相对，根据第2项所述的分析装置，能够简化麻烦的参数的调整或设定，并且以高精度检测出峰。
(第3项)在第1项或第2项所述的分析装置中，能够设为，所述机器学习为深度学习。
在机器学习中有各种各样的方法，其中，深度学习特别是在模型学习时呈如下倾向：难以充分得到针对具有教师数据所不包含的特征的数据的性能。与此相对，根据第3项所述的分析装置，使用现有的学习完毕模型，就能够以高精度检测出峰。
(第4项)在第1项～第3项的任一项所述的分析装置中，能够设为，所述峰信息包括峰的起点及终点。
根据第4项所述的分析装置，通过确定峰的起点与终点，能够正确计算出峰的面积值，能够以高精度进行定量分析。
(第5项)在第1项～第4项的任一项所述的分析装置中，能够设为，还具备判定部，所述判定部判定所述目标的信号波形中的信号强度水平的变动的大小，所述波形变形部对于由所述判定部判定为信号强度水平的变动小于或大于规定值的参数值的范围，进行放大或缩小信号波形的处理。
在第5项所述的分析装置中，能够仅对例如信号强度特别小或特别大那样的一部分信号波形实施放大或缩小的处理，而不是对通过分析获取的与全部的参数值范围相对应的信号波形实施处理。由此，能够缩小峰的信号强度的范围，即使在使用了关于信号强度的变动的容许范围比较窄那样的学习完毕模型的情况下，也能够高精度地进行峰检测。
附图标记说明
1 LC装置
10 LC测量部
11数据解析部
110数据收集部
111 波形选择部
112波形放大部
113峰检测部
114学习完毕模型存储部
115波形缩小部
116定性与定量解析部
117结果显示处理部
12输入部
13显示部
2模型生成装置
20教师数据输入部
21 学习执行部
22模型构建部。

Claims (6)

1.一种分析装置，其特征在于，具备：
波形变形部，将通过分析得到的、示出与规定的参数的值的变化相对应的信号强度的变化的目标的信号波形在信号强度轴的方向上放大或缩小至N倍，及/或在所述规定的参数轴的方向上放大或缩小至M倍，其中，N为0及1以外的正值，M为0及1以外的正值，可以与N为相同的值；
峰检测部，使用学习完毕模型，将由所述波形变形部变形后的信号波形作为输入，将峰的起点及终点作为检测结果输出，所述学习完毕模型是通过将信号波形以及作为正解的峰的起点及终点作为教师数据进行机器学习而预先生成的；
波形逆变形部，将所述峰检测部的输出即峰的起点及终点的信息与由所述波形变形部进行的变形时相反地，在信号强度轴的方向上缩小或放大至1/N倍，及/或在所述规定的参数轴的方向上缩小或放大至1/M倍，求出关于所述目标的信号波形的峰检测结果。
2.如权利要求1所述的分析装置，其特征在于，所述规定的参数为时间，所述信号波形为色谱波形。
3.如权利要求1所述的分析装置，其特征在于，所述机器学习为深度学习。
4.如权利要求1所述的分析装置，其特征在于，所述峰信息包括峰的起点及终点。
5.如权利要求1所述的分析装置，其特征在于，还具备判定部，所述判定部判定所述目标的信号波形中的信号强度水平的变动的大小，所述波形变形部对于由所述判定部判定为信号强度水平的变动小于或大于规定值的参数值的范围，进行放大或缩小信号波形的处理。
6.一种分析装置用波形处理程序，是用于将示出与规定的参数的值的变化相对应的信号强度的变化的目标的信号波形在计算机上进行处理的程序，其特征在于，使该计算机执行：
波形变形步骤，将所述目标的信号波形在信号强度轴的方向上放大或缩小至N倍，及/或在所述规定的参数轴的方向上放大或缩小至M倍，其中，N为0及1以外的正值，M为0及1以外的正值，可以与N为相同的值；
峰检测步骤，使用学习完毕模型，将所述波形变形步骤中的变形后的信号波形作为输入，将峰的起点及终点作为检测结果输出，所述学习完毕模型是通过将信号波形以及作为正解的峰的起点及终点作为教师数据进行机器学习而预先生成的；
波形逆变形步骤，将所述峰检测步骤的输出即峰的起点及终点的信息以与所述波形变形步骤中的变形时相反的倍率缩小或放大，求出关于所述目标的信号波形的峰检测结果。
CN202180097598.9A 2021-04-30 2021-04-30 分析装置及分析装置用波形处理程序 Pending CN117242345A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/017153 WO2022230162A1 (ja) 2021-04-30 2021-04-30 分析装置及び分析装置用波形処理プログラム

Publications (1)

Publication Number Publication Date
CN117242345A true CN117242345A (zh) 2023-12-15

Family

ID=83848158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180097598.9A Pending CN117242345A (zh) 2021-04-30 2021-04-30 分析装置及分析装置用波形处理程序

Country Status (5)

Country Link
US (1) US20240219360A1 (zh)
EP (1) EP4332567A4 (zh)
JP (1) JPWO2022230162A1 (zh)
CN (1) CN117242345A (zh)
WO (1) WO2022230162A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0395481A3 (en) * 1989-04-25 1991-03-20 Spectra-Physics, Inc. Method and apparatus for estimation of parameters describing chromatographic peaks
JP3130139B2 (ja) * 1992-09-17 2001-01-31 株式会社日立製作所 クロマトグラム解析方法及びクロマトグラフ装置
JP2001165923A (ja) * 1999-12-06 2001-06-22 Shimadzu Corp 分析装置
JP5092971B2 (ja) * 2008-07-28 2012-12-05 株式会社島津製作所 機器分析データ処理装置
JP2019086473A (ja) * 2017-11-09 2019-06-06 富士通株式会社 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置
WO2019092836A1 (ja) * 2017-11-09 2019-05-16 富士通株式会社 波形解析装置
JP2019086475A (ja) * 2017-11-09 2019-06-06 富士通株式会社 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置

Also Published As

Publication number Publication date
US20240219360A1 (en) 2024-07-04
JPWO2022230162A1 (zh) 2022-11-03
EP4332567A1 (en) 2024-03-06
WO2022230162A1 (ja) 2022-11-03
EP4332567A4 (en) 2024-06-26

Similar Documents

Publication Publication Date Title
JP5804070B2 (ja) クロマトグラムデータ処理装置及び処理方法
JP6872034B2 (ja) 波形解析装置
JP6573028B2 (ja) データ処理装置
JP6132073B2 (ja) 包括的２次元クロマトグラフ用データ処理装置
WO2016166861A1 (ja) クロマトグラムデータ処理装置及びプログラム
CN113711031B (zh) 分析装置
JP5962845B2 (ja) クロマトグラムデータ処理装置及び処理方法
CN117242345A (zh) 分析装置及分析装置用波形处理程序
JP2023159214A (ja) 波形解析方法及び波形解析装置
JP2008232654A (ja) 機器分析用制御装置及び制御プログラム
JP2011257206A (ja) ピーク検出方法及び装置
JP2019148455A (ja) 測定データ処理方法、測定データ処理装置、及び測定データ処理用プログラム
JP5206544B2 (ja) クロマトグラフ用データ処理装置
JP3648883B2 (ja) クロマトグラフ用データ処理装置
JP2017191002A (ja) データ処理装置
WO2020075850A1 (ja) 解析方法、解析装置、解析プログラム、及び標準シェイプの生成方法
Pérez-López et al. SigSel: A MATLAB package for the pre and post-treatment of high-resolution mass spectrometry signals using the ROIMCR methodology
JP2009031177A (ja) 液体クロマトグラフ装置
CN118795074A (zh) 波形分析方法、波形分析装置以及分析装置
JP5707706B2 (ja) データ処理装置及びデータ処理プログラム
JP2006058110A (ja) クロマトグラフ用データ処理装置
JP2024152037A (ja) 波形解析方法、波形解析装置、及び分析装置
JP2023056214A (ja) 複数試料分析方法
JP2022098024A (ja) 波形処理支援装置および波形処理支援方法
CN118795075A (zh) 波形分析方法、波形分析装置以及分析装置

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