JP2000111505A - 味覚センサ及びその学習方法 - Google Patents

Abstract

(57)【要約】 【構成】 表面を有機物で修飾した貴金属電極を試料
溶液に浸し、低周波交流を加えて出力電流をフーリエ変
換する。フーリエ変換成分をＮaＣl標準溶液中でのＩ1
成分で正規化し、バックプロパゲーション形のニューラ
ルネットで処理し、味信号とする。 【効果】 単一センサヘッドで、人の味覚を再現でき
る。

Description

【発明の詳細な説明】

【０００１】

【発明の利用分野】この発明はニューラルネットを用い
た味覚センサとの学習方法に関する。

【０００２】

【従来技術】脂質膜と溶液中の味成分との反応によるイ
ンピーダンスの変化を用いた味覚センサが発表されてい
る（都甲他「味覚センサ」朝倉書店）。このセンサでは
複数種の脂質膜を集積化して味覚センサとし、味成分に
対する挙動が脂質膜の種類毎に異なることを用いて、各
種の味毎に複数種の脂質膜の応答パターンを得、このパ
ターンで味を検出する。しかしながらこの味覚センサで
は、多種類の脂質膜が必要である。

【０００３】

【発明の課題】この発明の課題は、単一の電極でも味を
定性できる味覚センサを提供することにある。この発明
の他の課題は、比較的少数の標準試料により味覚センサ
のニューラルネットの学習を可能にすることにある。

【０００４】

【発明の構成】この発明の味覚センサでは、試料溶液に
浸すための電極と、該電極に接続した交流電源とフーリ
エ変換部と、該フーリエ変換部の出力を入力とするニュ
ーラルネットとを設ける。ニューラルネットは例えばバ
ックプロパゲーション形のニューラルネットとし、好ま
しくは３層とする。交流電源には、例えば０.０１Ｈz〜
１０ＫＨz程度の周波数、好ましくは０.０５Ｈz〜１０
０Ｈz程度の周波数を用いる。交流電源の振幅は例えば
１.５Ｖ以下で、好ましくは１Ｖ以下として、試料中の
水の電解が生じない電圧とし、水の電解が生じない範囲
で適宜のバイアスを加えても良い。好ましくは、標準試
料溶液に対する前記フーリエ変換部の出力を記憶するた
めのメモリと、このメモリの記憶値で測定試料に対する
フーリエ変換部の出力を正規化するための正規化手段と
を設ける。標準試料溶液には例えば濃度が既知のＮaＣl
等の味成分を含む水溶液を用い、好ましくはメモリに標
準試料溶液での信号のフーリエ変換成分のＲ1あるいは
Ｉ1成分を記憶させ、この信号との比を求めることによ
り正規化する。また好ましくは、前記電極を貴金属電極
の表面を有機物で修飾したものとし、有機物での修飾に
よりフーリエ変換での高次成分を増して、センサヘッド
（電極を試料溶液に浸した系）からの情報量を増加させ
る。

【０００５】またこの発明では、試料溶液に浸すための
電極と、該電極に接続した交流電源とフーリエ変換部
と、該フーリエ変換部の出力を入力とするニューラルネ
ットとを備えた味覚センサを設け、塩味，酸味，甘味，
苦味，旨味の少なくとも５種の味成分に対して、互いに
直交関係にある複数の標準試料溶液を作製し、ここにｉ
を試料番号、ｊを塩味〜旨味の味成分の１つを表す記号
とし、ａij，ａij'を試料番号ｉの標準試料溶液での味
成分ｊ，ｊ’の濃度に対応する値とし、試料番号ｉに関
する和がＣを定数として式1)を充たすことを直交関係に
あると呼び、 該複数の標準試料溶液を用いて前記ニューラルネットを
学習させる。直交関係は統計学上の概念として用い、ａ
ij，ａij'の値はｊの味物質の濃度やその対数、あるい
は０，１，２等の水準等とし、味覚では濃度よりもその
対数の方が意味のある場合が多いので、例えば濃度の対
数や水準が好ましい。式1)は味成分ｊと味成分ｊ’につ
いて、複数の標準試料溶液について（ａij・ａij'）の
和を求めると、味成分の組み合わせ（ｊ，ｊ’）によら
ない定数Ｃとなることを意味する。特に水準を用いる場
合、２水準として低水準側でａijを−１，高水準側でａ
ijを１とすると、Ｃは０となる。また３水準として、低
水準側でａijを−１，中水準側で０，高水準側で１とし
ても、Ｃは０となる。好ましくは、前記複数の標準試料
溶液を用いて、前記ニューラルネットをバックプロパゲ
ーションにより学習させて、即ち各標準試料溶液に対す
るニューラルネットのあるべき出力を教師信号として入
力して、ニューラルネットの出力側から入力側へ誤差を
伝搬させながら学習させ、該複数の標準試料溶液に対す
るニューラルネットの出力を求め、該出力の分散を、前
記複数の標準試料溶液中の味成分毎の分散に分解するこ
とにより、味覚センサの学習結果、例えば学習後の各味
成分に対する味覚センサの相対的な感度、を評価する。

【０００６】

【発明の作用と効果】この発明の味覚センサでは、試料
溶液に電極を浸して交流を加え、出力電流をフーリエ変
換する。この過程で１つの電極から複数のフーリエ変換
成分が得られ、これをニューラルネットで処理して味を
分析する。このため例えば１電極で味の定性ができる。

【０００７】請求項２の発明では、標準試料溶液での出
力電流をフーリエ変換した値を記憶し、これで測定値を
正規化する。電極の表面状態は様々な要因で変化し、ま
た電極毎に個性があるが、標準試料溶液でのフーリエ変
換成分による正規化で電極状態の変動や電極間誤差を補
償し信頼性を高める。フーリエ変換成分として、Ｒ1〜
Ｒn，Ｉ1〜Ｉn（ｎは自然数で、Ｒはフーリエ変換成分
の実数部を、Ｉは虚数部を示す）を用いるものとする
と、標準試料溶液中でのフーリエ変換成分をＲ1STD〜Ｒ
nSTD，Ｉ1STD〜ＩnSTDとして、Ｒi／ＲiSTD，Ｉi／ＩiS
TDのように正規化しても良い。しかしｉが２以上でＲiS
TDやＩiSTDが実質上０となることがある。またＲiSTDや
ＩiSTD（ｉ＞１）の絶対値はＲ1STDやＩ1STDに比べて小
さく、絶対値が小さな不安定な信号で正規化することは
好ましくない。これを避けるため好ましくはＲ1STDやＩ
1STDで正規化する。

【０００８】この味覚センサでは電極からの情報量を増
すことが重要で、そのためにはフーリエ変換での高調波
成分（高次の成分）を増すことが重要である。そして貴
金属電極の表面を有機物で修飾すると、高調波成分が増
す。貴金属には例えば金，白金，パラジウム，ロジウ
ム，銀あるいはこれらの合金等を用いる。

【０００９】この発明の味覚センサの学習方法では、直
交関係を用いて標準試料溶液の組成を定める。例えば味
覚として、塩味，酸味，甘味，苦味，旨味の５種を考
え、実施例のようにこれらの濃度を３水準に区別するも
のとする。すると全ての濃度の組み合わせを網羅するに
は、３^５ の２４３通りの標準試料溶液が必要で、試料
数が多く学習が困難である。これに対して直交関係を利
用すると、例えば２７種類の標準試料溶液で、しかも標
準試料溶液中での味成分間の濃度の相関のない試料を用
意できる。このため標準試料の作製や学習が簡単にな
る。

【００１０】味覚センサの学習結果から、味覚センサの
性能を評価できる。塩味，酸味，甘味，苦味，旨味等の
各味成分に関して、ニューラルネットの出力の分散を求
める。次にこの分散を標準試料溶液中の味成分毎、即ち
味物質毎の分散に分解する。例えば塩味に関するニュー
ラルネットの出力の分散を、標準試料溶液での塩化ナト
リウム等の塩味物質による分散、酸味物質による分散、
甘味物質による分散等に分解する。ただし分散は最小
限、当該味物質の変化による分散とそれ以外の原因によ
る分散とに分解すればよい。ここで例えば塩味物質によ
る分散は、ニューラルネットの出力を、標準試料溶液中
での塩化ナトリウム等の濃度やその対数、あるいは水準
等毎に分類し、同じ分類内の出力の和の２乗を加算して
求めることができる。ここで標準試料は味物質毎に直交
しているので、分散を求めるに際して、例えば塩化ナト
リウム濃度による分散を求めるのであれば、酢酸やグル
コース等の他の味物質を無視して分散を求めることがで
きる。そして全分散中に対して、対応する味物質による
分散が占める割合が大きいほど、良い味覚センサが得ら
れたことになる。請求項５の発明では、標準試料溶液間
の直交関係を利用して、味覚センサの学習結果を容易に
評価できる。

【００１１】

【実施例】図１〜図１３に実施例とその結果とを示す。
図１に、用いた味覚センサの構造を示すと、２は試料溶
液で、醤油や味噌等の調味料、あるいはスープ，ジュー
ス等、味を測定する対象となるものの溶液であれば任意
であり、４は試料溶液２に浸した電極で、好ましくは図
２に示すように、貴金属電極６の表面に単分子層ないし
多分子層の有機物からなる修飾層８を設けたものとす
る。電極材料には好ましくは金や白金，ロジウム，パラ
ジウム，ロジウム，銀あるいはこれらの合金等の貴金属
を用い、実施例では金電極を用いた。単味の貴金属電極
６でも高次成分をもつ出力電流が得られるが、高次成分
の強度が小さいので、高次成分を増加させて情報量を増
すために貴金属電極６の表面に修飾層８を設ける。修飾
層８は例えば、硫黄原子と貴金属電極６の表面との共有
結合により、有機物を貴金属電極６の表面に固定したも
のを用い、ここでは４アミノ−ベンゼンチオールを金電
極にほぼ単分子層で共有結合させて修飾層８とした。ま
た末端のアミノ基はカルボン酸基等に変えても良く、末
端基の種類を変えることにより、各種の味成分、特に甘
味成分や旨味成分，苦味成分に対する応答を変化させる
ことができる。

【００１２】図１に戻り、１０は交流電源で、ここでは
振幅が０.５Ｖで１Ｈzの電源を用い、１２は電極４を流
れる電流を検出するための電流検出部で、その出力をフ
ーリエ変換部１４でＲ0（直流成分）及びＲ1〜Ｒ6，Ｉ1
〜Ｉ6にフーリエ変換する。ここでは交流を電極４に加
えているので直流成分Ｒ0を用いず、Ｒ1〜Ｒ6と、I1〜
Ｉ6の１２成分により信号を構成する。１６はメモリ
で、標準試料溶液の例えば１０m mol/lのＮaＣl水溶液
でのＩ1成分を記憶し、この信号は味の測定前に測定し
て、電極４の状態の変化や電極毎の個性を補償するため
に用いる。なおＩ1成分に変えてＲ1成分を用いても良
い。１８は除算部で、味を測定する試料からのフーリエ
変換信号に対して、メモリ１６に記憶したＮaＣl標準試
料溶液中での出力電流のＩ1成分との比を求め、これを
バックプロパゲーション形のニューラルネット２０に入
力する。ニューラルネット２０は入力層２２と中間層２
４及び出力層２６の３層からなり、発明者の実験による
と、４層以上の構成ではニューラルネットの興奮が収ま
らなかった。従ってニューラルネット２０は３層のネッ
トが好ましい。入力層２２は、ＮaＣl標準試料溶液中の
Ｉ1で正規化したＲ1〜Ｒ6と、Ｉ1〜Ｉ6を入力するの
で、１２ニューロンで、中間層２４には８ニューロンを
用い、出力層２６には塩味，酸味，甘味，苦味，旨味の
５ニューロンを設けた。また出力層２６には教師入力を
可能とし、バックプロパゲーションにより、ニューロン
間の結合常数を収束させるようにした。

【００１３】図３に実施例での信号の流れを示すと、交
流電源１０は前記のように振幅０.５Ｖで周波数１Ｈzの
信号を電極４に加え、電極４は試料中に浸されているの
で、これに応じて出力電流が流れる。これをフーリエ変
換部１４で実数部Ｒと虚数部Ｉにフーリエ変換し、前記
のように味の測定前に（例えば１時間以内に）ＮaＣl標
準試料溶液中で測定したＩ1成分で正規化し、これをバ
ックプロパゲーション形のニューラルネット２０に入力
する。正規化に用いる標準試料溶液は、ＮaＣl標準試料
溶液に限らず、味成分を含む水溶液で内容が既知のもの
であれば任意である。なお実施例では試料溶液２を恒温
層で２０℃に保持して測定した。

【００１４】教師データ用の味成分として、塩味に対し
てＮaＣl，酸味に対して酢酸，甘味に対してＤ−グルコ
ース，苦味に対してカフェイン，旨味に対してＬ−グル
タミン酸ナトリウムを用い、水溶液として濃度を塩味，
酸味，甘味に対して０，１０，１００m mol/lとし、苦
味に対して０，１，１０m mol/lの水溶液を用い、旨味
に対して０，２，２０m mol/lの水溶液を用いた。そし
て塩味，酸味，甘味，苦味，旨味の５成分に対して、前
記の味物質の単味あるいは混合物の水溶液を教師データ
用の試料とし、各味物質の濃度は前記の通りである。そ
してこれらの水溶液に電極４を浸し、１０m mol/lのＮa
Ｃl中でのＩ1成分による正規化を行い、出力層２６へ試
料溶液の種類を教師入力して学習させた。ここでニュー
ラルネット２０を３層で構成し、中間層２４のニューロ
ン数を８とすると、ニューロン間の結合常数が収束して
興奮が収まった。４層以上のニューラルネットや中間層
２４のニューロン数が８を越える場合、興奮は収まらな
かった。そして教師データに対して１００万回学習させ
ると、教師データと同じデータに対する５つの出力ニュ
ーロンの出力値の２乗平均誤差が５〜６％程度に収束し
た。

【００１５】表１〜表３に、標準試料溶液を用いての学
習結果を示す。表１は標準試料溶液の内容を、０（最低
濃度，水準１），１０（中濃度，水準２），１００（最
高濃度，水準３）の３段階に分類して示し、各水準での
濃度は前記の通りで、０，１０，１００は学習での出力
側教師データでもあり、出力ニューロンのシグモイド関
数型の出力値（０〜１）を０〜１００の表示に変更した
ものである。表１は直交表Ｌ_２７（３^１３）の一部であ
り、この表を用いて２７種の標準試料溶液に対してＮa
Ｃl，酢酸，Ｄ−グルコース，カフェイン，Ｌ−グルタ
ミン酸ナトリウムの濃度を定めた。また直交表 Ｌ_２７
（３^１３）の第１列にＮaＣlを，第２列に酢酸を，第５
列にＤ−グルコースを，第１２列にカフェインを，第１
３列にＬ−グルタミン酸ナトリウムを割り当てた。表か
ら明らかなように、水準１でａijの値を−１，水準２で
０，水準３で１として、ｉを試料番号、ｊを味成分の種
類とすると、任意の２種類の味成分に対して が成立する。

【００１６】

【表１】味覚物質配合水溶液の味覚の理想値（教師データ） 行番号 塩味 酸味 甘味 苦味 旨味 １ ０ ０ ０ ０ ０ ２ ０ ０ １０ １０ １０ ３ ０ ０ １００ １００ １００ ４ ０ １０ ０ １００ １００ ５ ０ １０ １０ ０ ０ ６ ０ １０ １００ １０ １０ ７ ０ １００ ０ １０ １０ ８ ０ １００ １０ １００ １００ ９ ０ １００ １００ ０ ０ １０ １０ ０ ０ １０ １００ １１ １０ ０ １０ １００ ０ １２ １０ ０ １００ ０ １０ １３ １０ １０ ０ ０ １０ １４ １０ １０ １０ １０ １００ １５ １０ １０ １００ １００ ０ １６ １０ １００ ０ １００ ０ １７ １０ １００ １０ ０ １０ １８ １０ １００ １００ １０ １００ １９ １００ ０ ０ １００ １０ ２０ １００ ０ １０ ０ １００ ２１ １００ ０ １００ １０ ０ ２２ １００ １０ ０ １０ ０ ２３ １００ １０ １０ １００ １０ ２４ １００ １０ １００ ０ １００ ２５ １００ １００ ０ ０ １００ ２６ １００ １００ １０ １０ ０ ２７ １００ １００ １００ １００ １０

【００１７】表２に、１００万回の学習後の各標準試料
に対する５つの出力ニューロンの出力値を示す。行番号
１〜２７は２７種の標準試料を、塩味等の５つの列は５
つの出力ニューロンの出力を示す。表１，表２を比較す
ると、行番号３，９，２２，２４，２５，２７でニュー
ラルネットの味覚評価値が教師データに近く、行番号
１，２，１１，１３，１４，１７，２３で味覚評価値の
教師データ差異が大きい。

【００１８】

【表２】味覚物質配合水溶液の味覚認識結果 行番号 塩味 酸味 甘味 苦味 旨味 １ ０ ８．１ ０ ７．１ ４．５ ２ ７．１ ０ ７ ０．１ ０ ３ ０ ０ ９２．５ ９２．６ ９６．５ ４ ０ ０ ０．１ ９２．９ ９２．７ ５ ０ ０．１ １．２ ０．８ ０ ６ ０ １２．１ ９３．９ ０ ０ ７ ０ ９６．７ ０．３ ３．４ ０．２ ８ ０ ９２．３ ０ ９９．９ ９５．６ ９ ０ ９２．６ ９８．１ ０ ０ １０ ６．４ ０ ０．１ ２３．７ ９５．８ １１ ０ ０ ０ ９９．９ ３．７ １２ １３．９ ０ ９９．６ ７．３ １３．９ １３ ０ ０．１ ７．２ ０ １．６ １４ ０ ７．３ ０ ３．４ ９９．９ １５ ０ １３．３ ９５．４ ９９．９ ０ １６ ０ ９２．３ ０．２ ９５．５ ６．５ １７ ０ ９６．５ ０．３ ４．６ ０．２ １８ ０ ９９ ９１．５ １０．６ ９９．９ １９ ９９．９ ０ ０．１ ９９．９ ０ ２０ ９９．９ ０ ０ ３ ９６．８ ２１ ９６．７ ０ ２５．８ ９３．４ ０ ２２ ９９．９ １１．５ ０ ７．６ ０．１ ２３ ９９．９ ０ ０．５ ９９．９ ０ ２４ ９９．７ １１．３ ９９．１ ０ ９９．９ ２５ ９９．９ ９９．１ ０．９ ０ ９８．２ ２６ ９８．１ ９９．７ ５．４ ６．３ ４．３ ２７ ８３．８ ９２．２ ８８．８ ９６．５ １２．５

【００１９】表２の結果を用いて味覚センサの学習結果
を評価するため、分散分析を行った。結果を表３に示
す。表３において、自由度は 試料数−１ の２６とな
り、水準数が３であることから塩化ナトリウム等の個々
の味成分に対して自由度が２となり、塩化ナトリウムと
酢酸の交互作用等の項に対して自由度が４となる。交互
作用の項は塩化ナトリウム，酢酸，Ｄ−グルコースの間
で選んだが、他の選び方をしても良く、あるいは交互作
用の項を全て誤差に含めても良い。

【００２０】

【表３】分散分析表 Ｆ０ 変動因子 自由度 塩味 酸味 甘味 苦味 旨味 F(1%) F(5%) NaCl(A) 2 1793 1.0 1.4 1.0 1.0 18 6.94 酢酸(B) 2 3.2 6535 1.2 1.5 0.5 18 6.94 D-ク゛ルコース(C) 2 0.3 4.3 160 0.6 0.6 18 6.94カフェイン (D) 2 1.8 [9.3] 1.4 68.8 0.2 18 6.94 L-ク゛ルタミン酸 ナトリウム(E) 2 0.3 2.9 1.2 0.9 911 18 6.94 A×B 4 1.0 2.8 1.5 0.7 0.6 16 6.39 B×C 4 0.7 [9.8] 1.2 0.7 0.1 16 6.39 C×A 4 0.9 5.9 1.3 0.9 [11.6] 16 6.39 誤差 4 計 26 ：１％で有意 [ ] ：５％で有意

【００２１】分散分析では、塩味等の各出力ニューロン
の出力値について、２７種の試料に対する全分散を求
め、次に例えば塩味に対して塩化ナトリウム濃度の変化
に伴う分散を求める。全分散は表３の８種類の分散と誤
差項の和となり、各分散（例えば塩味に対する塩化ナト
リウム濃度の変化に伴う分散）と誤差項との比が、表３
での観測Ｆ0値となる。これに対してＦ検定を行い、Ｆ
（１％）は反対仮説の例えば「塩化ナトリウム濃度の差
は塩味に影響していない」を有意水準１％で棄却できる
ためのＦ値を、Ｆ（５％）は同様の反対仮説を有意水準
５％で棄却できるためのＦ値を示す。

【００２２】例えば塩味の項を見ると、塩化ナトリウム
のＦ値はＦ（１％）よりも十分大きく、他の項はＦ（５
％）よりも小さく、塩味には塩化ナトリウム濃度が関与
するが、酢酸等の他の味成分は寄与していないことが分
かる。

【００２３】酸味の項では、酢酸濃度の寄与が圧倒的に
大きいが、カフェイン濃度が酸味に寄与しないとの仮説
を有意水準５％で棄却でき、また酢酸とグルコースの交
互作用が酸味に寄与しないとの仮説も有意水準５％で棄
却できる。味覚センサで検出した酸味には、酢酸濃度の
他に、カフェイン濃度の効果と、酢酸とグルコースとの
交互作用とがわずかであるが寄与している。これ以外
に、甘味と塩味の交互作用が酸味に寄与している可能性
がある。

【００２４】甘味と苦味に対しては、それぞれグルコー
スやカフェイン濃度が影響し、旨味は主としてグルタミ
ン酸ナトリウム濃度で定まるが、塩化ナトリウムとグル
コースの交互作用も旨味として認識されている。

【００２５】直交表を用いて標準試料溶液の組成を決定
すると、５種類３水準に対して２７種の試料で十分で、
比較的少ない試料数で学習を行うことができる。各変動
因子（塩化ナトリウム等）は互いに直交しているので、
変動成分間の濃度の相関が無く、分散分析が簡単にな
る。そして分散分析から味覚センサの能力を把握でき
る。

【００２６】図４〜図１１に、各種試料溶液に対するフ
ーリエ変換成分と、１０m mol/lのＮaＣl標準試料溶液
中でのＩ1成分により正規化した際の相対強度とを示
す。図４，図５には市販の薄口醤油を２％に希釈した際
の結果を示し、図６，図７には濃口醤油を２％に希釈し
た際の結果を示し、図８，図９には市販の煮物用スープ
を６％に希釈した際の結果を示し、図１０，図１１には
市販のうどん用スープを２％に希釈した際の結果を示
す。各図から明らかなように、フーリエ変換成分中で最
も大きな信号はＩ1成分で、Ｒ1成分がこれに次ぐ。一方
Ｒ2やＩ2以上の成分では信号が極めて小さくなることが
ある。そこで標準試料溶液中でのＩ1成分により正規化
することにより、大きな信号で正規化して小さな不安定
な信号による正規化を避け、かつ０で除算するのを避け
ることにした。

【００２７】図１２，図１３に、薄口醤油や濃口醤油，
煮物用スープ，うどん用スープに対するニューラルネッ
トの出力をレーダーチャートで示す。レーダーチャート
の枠は、出力ニューロンの出力が１００％に達した際の
枠を示し、用いた試料は図４〜図１１のものである。図
１２から明らかなように、薄口醤油と濃口醤油とではレ
ーダーチャートのパターンが全く異なり、これらを簡単
に区別できる。また図１３から明らかなように、うどん
用スープと煮物用スープは苦味成分の強弱が全く異な
り、これらからうどん用スープ，煮物用スープを区別で
きる。図１２，図１３には４種類の醤油ベースの味が示
され、味覚センサはこれらを完全に区別できる。類似の
ベースの味を見分けることができるので、ベースの異な
る味であればより簡単に見分けることができる。

【図面の簡単な説明】

【図１】 実施例の味覚センサのブロック図

【図２】 実施例での電極構造を示す図

【図３】 実施例での信号の処理を示す図

【図４】 市販薄口醤油（２％）での信号のフーリエ
変換成分を示す特性図

【図５】 図４のデータをＮaＣl標準溶液でのＩ1成
分により正規化したパターンを示す特性図

【図６】 市販濃口醤油（２％）での信号のフーリエ
変換成分を示す特性図

【図７】 図６のデータをＮaＣl標準溶液でのＩ1成
分により正規化したパターンを示す特性図

【図８】 市販煮物用スープ（６％）での信号のフー
リエ変換成分を示す特性図

【図９】 図８のデータをＮaＣl標準溶液でのＩ1成
分により正規化したパターンを示す特性図

【図１０】 市販うどん用スープ（２％）での信号のフ
ーリエ変換成分を示す特性図

【図１１】 図１０のデータをＮaＣl標準溶液でのＩ1
成分により正規化したパターンを示す特性図

【図１２】 薄口醤油と濃口醤油に関する味覚センサの
出力を示すレーダーチャート

【図１３】 煮物用スープとうどん用スープに関する味
覚センサの出力を示すレーダーチャート

【符号の説明】

２ 試料溶液 ４ 電極 ６ 貴金属電極 ８ 修飾層 １０ 交流電源 １２ 電流検出部 １４ フーリエ変換部 １６ メモリ １８ 除算部 ２０ ニューラルネット ２２ 入力層 ２４ 中間層 ２６ 出力層

───────────────────────────────────────────────────── フロントページの続き (72)発明者 勝矢 良雄 尼崎市塚口町６丁目12番地の４ (72)発明者 井上 守正 姫路市網干区高田314番地 (72)発明者 松下 啓 赤穂市有年1163番地 Ｆターム(参考） 2G060 AA06 AC08 AC10 AD01 AD05 AE40 AF03 AG03 AG15 EA02 FA05 FB02 HE03 JA10 KA07

Claims (5)

【特許請求の範囲】
1. 【請求項１】 試料溶液に浸すための電極と、該電極に
   接続した交流電源とフーリエ変換部と、該フーリエ変換
   部の出力を入力とするニューラルネット、とを備えた味
   覚センサ。
2. 【請求項２】 標準試料溶液に対する前記フーリエ変換
   部の出力を記憶するためのメモリと、該メモリの記憶値
   で測定試料に対するフーリエ変換部の出力を正規化する
   ための正規化手段とを備えたことを特徴とする、請求項
   １の味覚センサ。
3. 【請求項３】 前記電極を貴金属電極の表面を有機物で
   修飾したものとしたことを特徴とする、請求項１または
   ２の味覚センサ。
4. 【請求項４】 試料溶液に浸すための電極と、該電極に
   接続した交流電源とフーリエ変換部と、該フーリエ変換
   部の出力を入力とするニューラルネットとを備えた味覚
   センサを設け、 塩味，酸味，甘味，苦味，旨味の少なくとも５種の味成
   分に対して、互いに直交関係にある複数の標準試料溶液
   を作製し、 ここにｉを試料番号、ｊを塩味〜旨味の味成分の１つを
   表す記号とし、ａij，ａij'を試料番号ｉの標準試料溶
   液での味成分ｊ，ｊ’の濃度に対応する値とし、試料番
   号ｉに関する和がＣを定数として下式を充たすことを直
   交関係にあると呼び、 該複数の標準試料溶液を用いて前記ニューラルネットを
   学習させることを特徴とする、味覚センサの学習方法。
5. 【請求項５】 前記複数の標準試料溶液を用いて、前記
   ニューラルネットをバックプロパゲーションにより学習
   させて、該複数の標準試料溶液に対するニューラルネッ
   トの出力を求め、 該出力の分散を、前記複数の標準試料溶液中の味物質毎
   の分散に分解することにより、味覚センサの学習結果を
   評価することを特徴とする、請求項４の味覚センサの学
   習方法。