JP2013524237A - レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法 - Google Patents
レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法 Download PDFInfo
- Publication number
- JP2013524237A JP2013524237A JP2013503756A JP2013503756A JP2013524237A JP 2013524237 A JP2013524237 A JP 2013524237A JP 2013503756 A JP2013503756 A JP 2013503756A JP 2013503756 A JP2013503756 A JP 2013503756A JP 2013524237 A JP2013524237 A JP 2013524237A
- Authority
- JP
- Japan
- Prior art keywords
- data set
- model
- spectral data
- recognition algorithm
- identification model
- 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.)
- Granted
Links
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003595 spectral effect Effects 0.000 claims abstract description 106
- 238000001228 spectrum Methods 0.000 claims abstract description 101
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 239000000126 substance Substances 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 239000011364 vaporized material Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 2
- 239000006200 vaporizer Substances 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 14
- 239000006161 blood agar Substances 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 239000002360 explosive Substances 0.000 description 5
- 244000052769 pathogen Species 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 239000002609 medium Substances 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 241000894007 species Species 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000588724 Escherichia coli Species 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 244000000010 microbial pathogen Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- SPSSULHKWOKEEL-UHFFFAOYSA-N 2,4,6-trinitrotoluene Chemical compound CC1=C([N+]([O-])=O)C=C([N+]([O-])=O)C=C1[N+]([O-])=O SPSSULHKWOKEEL-UHFFFAOYSA-N 0.000 description 1
- 241000588626 Acinetobacter baumannii Species 0.000 description 1
- 229920001817 Agar Polymers 0.000 description 1
- 244000063299 Bacillus subtilis Species 0.000 description 1
- 235000014469 Bacillus subtilis Nutrition 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 1
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 1
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000588747 Klebsiella pneumoniae Species 0.000 description 1
- 239000006137 Luria-Bertani broth Substances 0.000 description 1
- 241000589517 Pseudomonas aeruginosa Species 0.000 description 1
- 241000191967 Staphylococcus aureus Species 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000008272 agar Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000010249 in-situ analysis Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
- STCOOQWBFONSKY-UHFFFAOYSA-N tributyl phosphate Chemical compound CCCCOP(=O)(OCCCC)OCCCC STCOOQWBFONSKY-UHFFFAOYSA-N 0.000 description 1
- 239000000015 trinitrotoluene Substances 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/443—Emission spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Plasma & Fusion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
１つの実施態様において、レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法は、物質に対応する複数のスペクトルデータ集合から最も数学的に異なるデータ集合を決定するステップ、前記スペクトルデータ集合をモデル構築データ集合と性能評価データ集合に分離するステップ、前記モデル構築データ集合のうちの１つを第１のスペクトルを識別する第１の識別モデルにプロセッサを用いて自動的に変換するステップ、前記モデル構築データ集合から前記第１のスペクトルを除去して構築データ集合の部分集合を生成するステップ、前記スペクトルデータ集合から次に最も数学的に異なるスペクトルデータ集合を決定するステップ、前記構築データ集合の部分集合を第２のスペクトルを識別する第２の識別モデルに変換するステップ、及び、前記第１の識別モデルと前記第２の識別モデルを結合してレーザ誘起ブレークダウン分光のための前記認識アルゴリズムを形成するステップを含むことができる。
【選択図】図２
【選択図】図２
Description
本願は、２０１０年４月５日に出願された「計量化学的データ分析と組み合わせたレーザ誘起ブレークダウン分光による金属、化学物質、病原体、及び爆発物等の物質の識別のためのデータ分析アルゴリズムの構築方法」と題する米国仮出願番号６１／３２０，９９２の利益を主張するものである。
本明細書は、概して、認識アルゴリズムを形成するための方法に関し、より具体的には、レーザ誘起ブレークダウン分光（ｌａｓｅｒ−ｉｎｄｕｃｅｄ ｂｒｅａｋｄｏｗｎ ｓｐｅｃｔｒｏｓｃｏｐｙ：ＬＩＢＳ）により物質を同定するための認識アルゴリズムを形成するための方法に関する。
ＬＩＢＳは、レーザパルスがナノグラムからマイクログラムの分量の物質を気化させ、その気化された物質を熱的に短寿命プラズマ（〜８０００Ｋ）に励起する分光分析手法である。プラズマ中の原子、イオン、及び単分子から放射された光が、集められて分析される。ＬＩＢＳは、指紋スペクトルの特徴的な成分によって、即ち、サンプルからの放射光の、個々の成分に対応する固有な放射スペクトル線の特性を観測することによって、目標物質の組成を判別する基礎的な分析のために利用されることができる。
ＬＩＢＳは、個々の成分の同定から金属、化学物質、病原体、及び爆発物等の物質の同定へと適用範囲を拡大することができる。これらの場合には、個々の基本スペクトル線とは対照的に、ＬＩＢＳのスペクトルデータの形状が、物質の同定のために用いられることができる。このスペクトルデータには、通常、観測する波長領域にわたって、多数の基本放射とバックグラウンド放射とが含まれる。スペクトルデータは、ＬＩＢＳ測定装置から集められて、同定のためのアルゴリズムへ入力されることができる。しかしながら、そのようなアルゴリズムは、スペクトルから抽出された情報の派生データが含まれ得る比較的複雑なスペクトルデータを区別しなければならないため、構築することが困難である。
したがって、ＬＩＢＳを用いて物質を同定するための認識アルゴリズムを形成するための代替的方法に対する必要性が存在する。
１つの実施態様において、レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法は、物質に対応する複数のスペクトルデータ集合から最も数学的に異なるデータ集合を決定するステップ、前記スペクトルデータ集合をモデル構築データ集合と性能評価データ集合に分離するステップ、前記モデル構築データ集合のうちの１つを第１のスペクトルを識別する第１の識別モデルにプロセッサを用いて自動的に変換するステップ、前記モデル構築データ集合から前記第１のスペクトルを除去して構築データ集合の部分集合を生成するステップ、前記スペクトルデータ集合から次に最も数学的に異なるスペクトルデータ集合を決定するステップ、前記構築データ集合の部分集合を第２のスペクトルを識別する第２の識別モデルに変換するステップ、及び、前記第１の識別モデルと前記第２の識別モデルを結合してレーザ誘起ブレークダウン分光のための前記認識アルゴリズムを形成するステップを含むことができる。前記最も数学的に異なるデータ集合には、第１の気化物質からの放射光を示す第１のスペクトルが含まれることができる。前記モデル構築データ集合と前記性能評価データ集合には、前記第１のスペクトルが含まれることができる。前記次に最も数学的に異なるスペクトルデータ集合には、第２の気化物質からの放射光を示す第２のスペクトルが含まれることができる。
別の実施態様において、レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法は、レーザ誘起ブレークダウン分光装置を用いて物質に対応するスペクトルデータ集合を収集するステップ、前記スペクトルデータ集合をモデル構築データ集合と性能評価データ集合に分離するステップ、前記モデル構築データ集合を総合識別モデルにプロセッサを用いて自動的に変換するステップ、前記スペクトルデータ集合を前記総合識別モデルに従って数学的に異なる程度が最大のものから最小のものへ順位付けするステップ、最も数学的に異なるスペクトルデータ集合を識別する個別識別モデルを生成するステップ、及び、レーザ誘起ブレークダウン分光のための前記認識アルゴリズムを形成するステップを含むことができる。前記スペクトルデータ集合のそれぞれには、前記物質のうちの１つからの放射光を示すスペクトルが含まれることができる。前記総合識別モデルは、前記物質のそれぞれを同定することができる。前記認識アルゴリズムには、前記個別識別モデルが含まれることができる。
更に別の実施態様において、レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法は、レーザ誘起ブレークダウン分光装置を用いて物質に対応するスペクトルデータ集合を収集するステップ、前記スペクトルデータ集合を個別識別モデルにプロセッサを用いて自動的に変換するステップ、及び、レーザ誘起ブレークダウン分光のための前記認識アルゴリズムを形成するステップを含むことができる。前記スペクトルデータ集合のそれぞれには、前記物質のうちの１つからの放射光を示すスペクトルが含まれることができる。前記個別識別モデルのそれぞれは、前記スペクトルデータ集合のうちの１つを識別することができる。前記認識アルゴリズムには、最高識別能力から最低識別能力へ配列された前記個別識別モデルが含まれることができる。前記認識アルゴリズムは、前記個別識別モデルを順序どおりに呼び出すことができる。
本明細書において説明される実施態様によって提供されるこれらの及び更なる特徴は、以下の詳細な説明を図面と共に検討することによってより完全に理解されるだろう。
図面に示された実施態様は、本質的に説明的且つ例示的なものであり、特許請求の範囲によって定められる対象を制限することを意図されてはいない。そのような説明的な実施態様に関する以下の詳細な説明は、以下の図面と共同して解釈することによって理解されることが可能である。図面において、同様の構造は同様の符号により示されている。
本明細書において説明される実施態様は、概して、レーザ誘起ブレークダウン分光（以下、ＬＩＢＳ）により物質を同定するためのアルゴリズムを形成するための方法に関する。概略的に、認識アルゴリズムは、機械読み取り可能命令を実行するプロセッサにスペクトルデータ集合を入力し、その入力を認識アルゴリズムに変換することによって形成される。認識アルゴリズムを形成するための方法の様々な実施態様が、本明細書においてより詳細に説明される。
ここで図１を参照すると、ＬＩＢＳにより物質を同定するための認識アルゴリズムを形成するための方法１０の実施態様が、図式的に表されている。この方法は、機械読み取り可能命令２０を実行するプロセッサ４０にスペクトルデータを入力し、分析に対する結果を出力するステップ３０と、その分析結果を受け取り、それを認識アルゴリズムに変換するステップ５０とを含む。
機械読み取り可能命令２０を実行するプロセッサ４０にスペクトルデータを入力するステップ３０には、スペクトルデータを受け取るステップ又はスペクトルデータを収集するステップが含まれることができる。ＬＩＢＳ装置１００のスペクトルデータ特性における変動を捕捉するために、（単独の形、又は１つの母材の形の）それぞれの物質に対して十分な数（例えば１００）の個々のスペクトルが収集されることが可能である。収集されたスペクトルは、後述されるように、１つ又は複数の機械読み取り可能媒体、又はスペクトルデータを記憶する能力を有した他のデバイスへ（捕捉又は収集処理の間に、又はその後に）送信され、そこに記憶される。こうして、スペクトルデータは、プロセッサ４０の外部にある任意のタイプのデバイス若しくは通信インターフェースからプロセッサ４０へ入力されることができ、又は、スペクトルデータは、プロセッサ４０によって生成、例えば測定されたパラメータから計算されることができる。本明細書において用いられるように、「プロセッサ」という用語は、集積回路、マイクロチップ、コンピュータ、又は機械読み取り可能命令２０を実行する能力を有した任意の他のコンピューティングデバイスを意味する。図１には示されていないが、プロセッサ４０は、電子データを記憶するための機械読み取り可能媒体に通信可能に接続されることができる。機械読み取り可能媒体は、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ハードドライブ、又は機械読み取り可能命令を記憶する能力を有した任意のデバイスであり得る。このように、プロセッサ４０の如何なる入力又は出力も、機械読み取り可能媒体上に記憶されることができる。
その上、「機械読み取り可能命令」、「アルゴリズム」、及び「ソフトウェア」という文言は、例えば、プロセッサによって直接実行されることができる機械語、又は、コンパイル若しくはアセンブルされ機械読み取り可能媒体上に記憶されることができるアセンブリ言語、オブジェクト指向プログラミング（ｏｂｊｅｃｔ−ｏｒｉｅｎｔｅｄ ｐｒｏｇｒａｍｍｉｎｇ：ＯＯＰ）、スクリプト言語、マイクロコード等のような、任意の世代（例えば、１ＧＬ、２ＧＬ、３ＧＬ、４ＧＬ、又は５ＧＬ）の任意のプログラミング言語で書かれた論理を意味するということが特筆される。これに代えて、論理は、ハードウェア記述言語（ｈａｒｄｗａｒｅ ｄｅｓｃｒｉｐｔｉｏｎ ｌａｎｇｕａｇｅ：ＨＤＬ）で書かれることができ、例えば、書き替え可能ゲートアレイ（ｆｉｅｌｄ−ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ：ＦＰＧＡ）構成又は特定用途向けＩＣ（ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ：ＡＳＩＣ）、及びそれらの均等物の何れかによって実装されることができる。
ここで図２を参照すると、スペクトルデータはＬＩＢＳ装置１００を用いて収集されることができるということが特筆される。図２において、スペクトルデータを収集するためのＬＩＢＳ装置１００の一実施態様が図式的に表されている。ＬＩＢＳ装置１００は、物質１２０を気化してプラズマ１２２を生成するためのレーザ１０２と、プラズマ１２２からの放射光１２４を電子的なデータに変換するためのセンサ１１０とを備えている。図示された実施態様において、レーザ１０２とセンサ１１０は、スペクトルデータの収集を統合するためのプロセッサ１１２に通信可能に接続される。
例えば、スペクトルデータは、レーザ１０２からのレーザ光１１４の放射を同期させ、プラズマ１２２による放射光１２４を収集することによって収集されることができる。図２に示された実施態様において、レーザ光１１４は、レーザ１０２によって発生され、物質１２０上に集光してプラズマ１２２を発生するように、集光レンズ１０４を通って伝搬される。本明細書において用いられる「光」という用語は、電磁スペクトルの様々な波長、特に、例えば約２００ｎｍから約１０００ｎｍまでといったように、約１００ｎｍから約１２００ｎｍまでの波長を表すということが特筆される。
図示された実施態様において、光１２４は、プラズマ１２２から反射光学系１０６を通って（光ファイバとして図２に描かれた）光ガイド１０８へと放射される。反射光学系１０６は、図２に描かれたように、２つのミラーから成ることができる。光ガイド１０８には、光を伝送する任意の物体、例えば、限定ではないが、光をその軸に沿って伝送する円筒形形状のガラス又はポリマー材料が含まれることができる。光１２４は、この光１２４をスペクトルデータに変換する能力を有したセンサ１１０へ伝送される。例えば、このセンサ１１０には、例えばエシェル分光計やポリクロメータ等の分光計が含まれることができる。次いで、センサ１１０は、上記スペクトルデータをプロセッサ１１２へ送信する。ＬＩＢＳ装置のある特定の実施態様が上述されたが、ＬＩＢＳ装置は、レーザ誘起されたプラズマ光を、プラズマにより発生した光のスペクトル成分を表す電子的なデータに変換する能力を有した任意のデバイスであり得るということが特筆される。
図２及び３をまとめて参照すると、スペクトル１３０の具体例が、横軸上に波長（ｎｍ）をとり縦軸上に強度（カウント）をとって描かれている。スペクトル１３０は、物質１２０から発生したプラズマ１２２からの放射光１２４の特定の波長における強度の大きさを表している。スペクトル１３０は、基本スペクトル線１３２（即ち局所的な最大）とバックグラウンド放射とから成る。如何なる理論にも束縛されることを意図していないが、基本スペクトル線１３２は、一般に、炭素、窒素、酸素、水素等といった個々の成分からの放射に対応しており、それぞれのスペクトル１３０は、ある特定の物質（即ち、材料から生成されたプラズマ）を表し、またそれに対応している。それぞれのスペクトルは、ＬＩＢＳ装置１００によって検出された個々のデータサンプル、ＬＩＢＳ装置１００によって検出された多数のデータサンプルの蓄積、又はＬＩＢＳ装置１００によって検出された多数のデータサンプルの平均であり得る。例えば、１つの実施態様において、それぞれのスペクトルは、センサ１１０（例えば、センサの取得パラメータ：遅延１μｓ、ウィンドウ２０μｓ、及び露光期間１ｓ）によって収集された１０個のデータサンプルの蓄積（例えば、和又は他の既知のデータ結合手法）を表す。
上述されたＬＩＢＳ装置１００は、例えば、金属、化学物質、病原体、又は爆発物等といったような、純物質としての、又は他の物質の母材中に結合されている、関心のある物質（非限定的な例には、アルミニウム上のリン酸トリブチル、木材上のトリニトロトルエン、ブロッコリ上の大腸菌が含まれる）からのスペクトル１３０を収集するために利用されることができる。このように、本明細書において説明される実施態様は、サンプルの同定、エアロゾル、液体、及び固体中の微量成分検出、爆発物検出、岩石及び土壌の成分分析、並びに金属の選別の何れのためにも、利用されることができる。
図１及び４をまとめて参照すると、機械読み取り可能命令２０には、プロセッサ４０に入力されたスペクトルデータを処理するための論理が含まれることができる。１つの実施態様において、スペクトルデータ集合１５０に含まれるスペクトル１３０は、モデル構築のためのモデル構築データ集合１５２と、モデル性能検証のための性能評価データ集合１５４に分離される。スペクトルデータ集合１５０のそれぞれは、単一の物質又は物質タイプから収集されたスペクトル１３０から成る。例えば、もし認識アルゴリズムが２つの物質を同定するように構築されるとしたら、スペクトルデータ集合１５０のうちの１つは、第１の物質から収集されたスペクトル１３０から成り、スペクトルデータ集合１５０のうちの別の１つは、第２の物質から収集されたスペクトル１３０から成るであろう。スペクトルは、物質の単一サンプル（例えば、金属の一小片）又は１種類の物質の多数のサンプル（例えば、１種類の金属の多数の小片）から収集されることができる。
スペクトルデータ集合１５０は、数多くの方法を用いて分離されることができ、対応するスペクトル測定結果が、２つのデータ集合に分離されるということが特筆される。そうしたデータ集合のうちの１つは、モデル構築のために用いられることができ、また、データ集合のうちの１つは、モデル性能評価のために用いられることができる。具体的には、スペクトルデータ集合１５０は、モデル構築データ集合１５２と性能評価データ集合１５４がそれぞれ、実質的に均衡のとれた強度の測定値（例えば、対応する強度測定値）を含むように、スペクトル１３０の強度の最大値、又はスペクトル１３０の強度曲線より下の面積に従って、分離されることができる。例えば、スペクトル１３０は、モデル構築データ集合１５２に含まれるスペクトルの強度測定値の和が、対応する（即ち同一の物質を表す）性能評価データ集合１５４の強度測定値の和に実質的に等しくなるように、分離されることができる。別の実施態様において、スペクトルデータ集合１５０は、モデル構築データ集合１５２と性能評価データ集合１５４の両方が、同程度に分配された最大強度を有するスペクトル１３０から成るように、分離されることができる。更なる実施態様において、スペクトルデータ集合１５０は、モデル構築データ集合１５２が最も高い強度測定値を有するスペクトル１３０から成り、性能評価データ集合１５４が最も低い強度測定値を有する対応するスペクトル１３０から成るように、分離されることができる。全体の強度は、スペクトル１３０のそれぞれに関する強度曲線より下の面積に基づいて、又は、強度曲線の相対的な大きさを定量化する任意の他の方法に基づいて、決定されることができる。例えば、１００個のスペクトル１３０を含むスペクトルデータ集合１５０は、最も高い最大強度を有する５０個のスペクトル１３０を含むモデル構築データ集合１５２と、最も低い最大強度を有する５０個のスペクトルを含む性能評価データ集合１５４とに、分離されることが可能であり、逆も同じである。
スペクトルデータ集合１５０、モデル構築データ集合１５２、及び性能評価データ集合１５４は、偶数個のスペクトル１３０を含むように図４に描かれているが、偶数個又は奇数個のスペクトル１３０を含むことができるということが特筆される。更にまた、スペクトルデータ集合１５０内のスペクトル１３０の全てが、モデル構築データ集合１５２と性能評価データ集合１５４に含まれてもよいし、含まれなくてもよい。このように、モデル構築データ集合１５２と性能評価データ集合１５４は、等しい数又は等しくない数のスペクトル１３０を含むことができる。例えば、１００個のスペクトル１３０を含むスペクトルデータ集合１５０は、５０個のスペクトル１３０を含むモデル構築データ集合１５２と５０個のスペクトルを含む性能評価データ集合１５４、７０個のスペクトル１３０を含むモデル構築データ集合１５２と３０個のスペクトル１３０を含む性能評価データ集合１５４、又は、５９個のスペクトル１３０を含むモデル構築データ集合１５２と２３個のスペクトル１３０を含む性能評価データ集合１５４（即ち、１８個のスペクトルが除かれている）に、分離されることが可能である。
強度の均衡をとるため、又は望ましくないデータを除外するために、モデル構築データ集合１５２と性能評価データ集合１５４に包含されるものから、スペクトル１３０が除かれることができる。１つの実施態様において、スペクトルデータ集合１５０、モデル構築データ集合１５２、及び性能評価データ集合１５４に含まれるスペクトル１３０は、異常な又は特徴のないスペクトルに関して選別される。当該異常な又は特徴のないスペクトルは、スペクトルデータ集合１５０、モデル構築データ集合１５２、及び性能評価データ集合１５４から取り除かれることが可能である。上記の選別は、発見的方法、例えば標準偏差や分散分析等といった統計論を用いた既知のエラー又は評価に基づいて、行われることができる。
本明細書において説明される実施態様において、スペクトルの規格化がスペクトル１３０に適用されることができる。このような規格化の非限定的な例には、スペクトル１３０に対して、当該スペクトル１３０より下にある面積が１に等しくなるような数値、又は当該スペクトル１３０の最大強度が１に等しくなるような数値を乗じることが含まれる。
１つの実施態様において、計量化学的分析、又は（ニューラルネットワーク分析等の）他の数学的に基づいた識別分析が、適用された分析方法に関してスペクトルデータ集合１５０から最も異なるデータ集合を決定するために、実行される。この識別分析は、選択された分析方法に関して他のスペクトルデータ集合１５０から識別するのが最も容易なスペクトルデータ集合を決定するために、発見的方法により、又はモデルを用いて（例えば、計量化学的分析ソフトウェアを利用して）実行されることができる。例えば、スペクトル１３０の全てを同時に分析するための総合識別モデルが作成されることができる。総合識別モデルを作成した後に、その総合識別モデルの結果を用いて性能評価データ集合１５４が評価されて、識別分析に従ってスペクトルデータ集合が順位付けされることができる。この総合識別モデルにより決定される最も離れたスペクトルデータ集合は、最も分析的に異なるスペクトルデータ集合である。このように、スペクトルデータ集合１５０は、総合識別モデルの結果に従って、最も識別が容易なものから最も識別が困難なものへ順位付けされることができる。これに代えて、スペクトルデータ集合１５０は、発見的方法により順位付けされることもできる。
本明細書において用いられる「識別モデル」という文言は、物質によって生成された入力スペクトルを識別又は同定するように実行される能力を有する、機械読み取り可能命令を意味するということが特筆される。この識別モデルは、判別関数分析、線形相関且つ部分最小二乗回帰による判別分析、多重線形回帰、ニューラルネットワーク分析、主成分分析、正準相関、冗長性分析、多重回帰分析、多変量分散分析、及び、多変量回帰を併用した単変量又は多変量主成分分析、のうちの少なくとも１つから成ることができる。本明細書において説明される実施態様において、識別モデルは、プロセッサにより実行されたソフトウェア（例えば、米国ニュージャージー州ウッドブリッジのカモソフトウェア社（Camo Software Inc.）によるUnscrambler、米国マサチューセッツ州ネイティックのマスワークス社（Mathworks）によるMatlab、及び選択された判別分析の能力を有した任意の他のソフトウェア）によって生成されることができる。更にまた、識別モデルは、特定の物質（例えば、銅）、物質の種類（例えば、金属）、又は発見的に分類された物質（銅と、銅のスペクトルと類似の特性を共有するスペクトルを持つ物質）をそれらのスペクトルに従って認識するように構築されることができるということが特筆される。このように、観測されたスペクトルに基づいて単一の物質又は多数の物質を識別するように、任意の個別的な識別モデルが構築されることができる。
図１及び４をまとめて参照すると、方法１０は、入力を認識アルゴリズムに変換するステップ５０を含む。スペクトルデータ集合１５０が用いられて、結合された場合にＬＩＢＳスペクトル１３０に従ってサンプルを同定する能力を有する、個別識別モデルが生成される。例えば、第１のモデル構築データ集合から、第１の識別モデルが作成されることができる。次いで、この第１の識別モデルの性能が、当該第１のモデル構築データ集合に対応する（即ち、同一のスペクトルデータ集合から分離された、つまり同一の物質に対応する）第１の性能評価データ集合を用いて評価されることができる。この第１の識別モデルに関して十分な識別性能が達成されると、モデル構築データ集合から当該第１のモデル構築データ集合が除去されて、構築データ集合の部分集合が生成される。もしこの構築データ集合の部分集合に十分なモデル構築データ集合が残っていれば、第２のモデル構築データ集合から第２の識別モデルが作成されることができる。次いで、この第２の識別モデルの性能が、当該第２のモデル構築データ集合に対応する（即ち、同一のスペクトルデータ集合から分離された、つまり同一の物質に対応する）第２の性能評価データ集合を用いて評価されることができる。この第２の識別モデルに関して十分な識別性能が達成されると、上記構築データ集合の部分集合から、当該第２のモデル構築データ集合が除去されることができる。この構築データ集合の部分集合に十分なスペクトルが残っていると仮定すると、本明細書において説明されるように、第３のモデル構築データ集合から第３の識別モデルが作成されることができる。
本明細書において説明される実施態様において、個別識別モデルは、上述されたモデル作成、識別、及び除去の処理に従って作成されることが可能である。この処理が反復されるにつれて、次のスペクトルデータ集合が、当該次のスペクトルデータ集合を構築データ集合の部分集合に含まれるスペクトルから識別する次のモデルに変換されることができる。次いで、当該次のスペクトルデータ集合が、上記構築データ集合の部分集合から除去されることができる。この処理は、当該構築データ集合の部分集合がスペクトルデータ集合のうちの１つのみから成るようになるまで、反復されることができる。概略的には、この処理は、関心のある全てのモデル構築データ集合１５２が個々のモデル構築データ集合１５２（即ち、一群のスペクトル１３０及び／又は個々のスペクトル１３０）へと識別されるまで、反復される。次いで、個別識別モデルは、性能評価データ集合１５４によってテストされ、個別識別モデルのそれぞれに関して十分な同定性能が達成される（即ち、当該個別識別モデルが十分な精度で所望の物質を同定する）まで、必要なだけ改良される。
１つの実施態様において、個別識別モデルは、数学的に異なる程度が最大のものから最小のものへ並んだ順序で作成される。例えば、スペクトルデータ集合を数学的に異なる程度が最大のものから最小のものへ順位付けするために、総合識別モデルが利用されることが可能である。次いで、スペクトルデータ集合の順位付けに従って、モデル作成、識別、及び除去の処理が作動することができる。即ち、最も数学的に異なるスペクトルデータ集合に対応する個別識別モデルが最初に作成されることができ、当該最も数学的に異なるスペクトルデータ集合が最初に除去されることができる。数学的に次に最も異なるスペクトルデータ集合に対応する個別識別モデルが２番目に作成されることができ、当該数学的に次に最も異なるスペクトルデータ集合が２番目に除去されることができ、以下同様である。
本明細書において説明される実施態様において、個別識別モデルが直列的に及び／又は互いに並列的に呼び出されるように個別識別モデルを結合することによって、認識アルゴリズムが生成される。個別識別モデルが直列的に呼び出される実施態様において、テストスペクトルが認識アルゴリズムに入力され、個別モデルのそれぞれが連続的に呼び出される。例えば、前述したことを限定することなく、第１の個別識別モデルが、テストスペクトルをある可能な物質の選択の中から識別するために呼び出されることができ、第２の個別識別モデルが、当該テストスペクトルを他の可能な物質の選択の中から更に識別することができる。個別識別モデルが並列的に呼び出される実施態様において、テストスペクトルが認識アルゴリズムに入力され、多数の個別識別モデルが同時に呼び出されることができる。
このように、認識アルゴリズムは、モデルテストフローに従って配列された個別識別モデルを含む。このモデルテストフローは、個別識別モデルの呼び出しを指定するものであり、個別識別モデルの生成に引き続いて定義されることができる。１つの実施態様において、個別識別モデルは、性能評価データ集合１５４（図４）を用いて評価される。例えば、それぞれの個別識別モデルの識別能力は、正確性に従って、即ち、個別識別モデルのそれぞれが、性能評価データ集合１５４に含まれるスペクトルに関係付いている物質を正しく同定する可能性に従って、評価及び順位付けされることができる。次いで、この順位付けは、モデルテストフローを定義するために利用されることができる。具体的には、アルゴリズムの構築において、含まれる全ての物質を識別するのに必要なだけ、個別識別モデルが連続的に適用されることができる。これに代えて、同様に順位付けされた識別モデルが並列的に適用されることができ、又は、個別識別モデルが代替のモデルテストフローによって正しい順序に配列されることができる。更にまた、この識別能力は、実際の使用状況下におけるテスト又は使用を通じて評価される（即ち、正確性及び頑強性が観測され得る）こともできるということが予期される。したがって、個別識別モデルは、最高識別能力から最低識別能力までにわたって適用されることができる。
別の実施態様において、モデルテストフローは、認識アルゴリズムの個別識別モデルが、上述されたとおり総合識別モデルにより定められる如く、数学的に異なる程度が最大のものから最小のものへ配列されるように、定義されることができる。このように、モデルテストフローは、個別識別モデルに対応するスペクトルデータ集合に基づくことができる。
本明細書において説明される実施態様によれば、モデルテストフローは、認識アルゴリズムが定義された後に、更に改良されることができる。認識アルゴリズムの性能を分析するために、性能評価データ集合１５４のような既知のスペクトルが利用されることができる。１つの実施態様において、性能評価データ集合１５４は、規格化されて認識アルゴリズムによって分析される。次いで、スペクトルをそれに関係付いた物質と正しく照合することに基づいて、認識アルゴリズムの正確性が評価されることができる。次いで、認識アルゴリズム全体としての性能、又はその構成要素である個別識別アルゴリズムの性能が、選別パラメータを構築するために利用されることができる。例えば、この選別パラメータは、モデルテストフローに取り込まれて認識アルゴリズムの正確性を改善する統計値（例えば、平均値や標準偏差等）であり得る（即ち、識別モデルの予測結果に関連する標準偏差を用いた公式が生成されることができ、その公式の結果に基づいて、入力スペクトルを識別モデルの結果によって示されるものであるとして同定すべきか否かについての決定がなされることができる）。選別パラメータを取り込むことによって認識アルゴリズムが修正された後に、識別性能を再評価するために、上記の既知のスペクトルが認識アルゴリズムによって再度、評価されることができる。実際の場面における認識アルゴリズムを用いた未知のスペクトルのテストにおいて、選別パラメータが予測結果と組み合わせて用いられて、サンプルのスペクトルデータが当該認識アルゴリズムを用いた認識に対して有効であるかどうかを判定することができる。
認識アルゴリズムが構成されると、その認識アルゴリズムは、例えばスペクトルデータ集合１５０を収集したＬＩＢＳ装置等の、ＬＩＢＳ装置に組み込まれることができる。具体的には、図２を参照すると、認識アルゴリズムは、ＬＩＢＳ装置１００の制御システム（例えば、米国テキサス州オースティンのナショナルインストゥルメンツ社（National Instruments）によるLabVIEW 8.6）と協力することができる。このようにして、認識アルゴリズムは、センサ１１０の出力から直接的に入力されたＬＩＢＳスペクトルの自動化されたリアルタイム分析のために、プロセッサ１１２によって実行されることができる。ユーザによる操作の側面から見ると、ＬＩＢＳ装置１００は、レーザ１０２を発光させるコマンドの送信、プラズマ１２２から放射されたスペクトルの収集、認識アルゴリズムへのスペクトルの入力、及び同定結果の報告のために、単一のボタンが「クリック」されるように構成されることができる。
本明細書において説明されるレーザ誘起ブレークダウン分光により物質を特定するための認識アルゴリズムを形成するための方法の実施態様は、自動化された迅速な物質のその場分析のための認識アルゴリズムを構築するために、利用されることができるということが、ここに至って理解されるべきである。このように、認識アルゴリズムは、ＬＩＢＳの詳しい専門的知識を持たない人による使用のために、携帯型ＬＩＢＳ装置と統合されることができる。例えば、携帯型ＬＩＢＳ装置は、空港において、例えば、密輸品、危険な化学物質や爆発物といったような物質について、手荷物を検査するのに利用されることができる。
本明細書において説明される実施態様がより容易に理解されることができるように、以下の例への言及がなされる。この例は、本開示の実施態様の実例を挙げることを意図しており、本開示の範囲を限定するものではない。
＜例＞
ＬＩＢＳ装置を用いて、１３個の異なる病原体種及び変種からスペクトルデータが取得された。血液寒天培地プレートの表面における病原性微生物の塗抹標本を識別するために、本明細書において説明された実施態様に従って構築された計量化学的モデリングに基づく認識アルゴリズムが、ＬＩＢＳ装置の制御システムと共に利用され展開された。認識アルゴリズムは、５つのありふれた病原性微生物（アシネトバクター・バウマンニ、大腸菌、肺炎桿菌、緑膿菌、及び黄色ブドウ球菌）と、完全なグラム陽性生物である枯草菌を同定した。加えて、８つの特徴のはっきりした臨床実験的な黄色ブドウ球菌の変種が特定された。
ＬＩＢＳ装置を用いて、１３個の異なる病原体種及び変種からスペクトルデータが取得された。血液寒天培地プレートの表面における病原性微生物の塗抹標本を識別するために、本明細書において説明された実施態様に従って構築された計量化学的モデリングに基づく認識アルゴリズムが、ＬＩＢＳ装置の制御システムと共に利用され展開された。認識アルゴリズムは、５つのありふれた病原性微生物（アシネトバクター・バウマンニ、大腸菌、肺炎桿菌、緑膿菌、及び黄色ブドウ球菌）と、完全なグラム陽性生物である枯草菌を同定した。加えて、８つの特徴のはっきりした臨床実験的な黄色ブドウ球菌の変種が特定された。
ＬＩＢＳ分析の準備のために、細菌種又は変種は、新鮮なルリア培地（Ｌｕｒｉａ ｂｒｏｔｈ ａｇａｒ：ＬＢＡ）プレート上に画線され、一晩培養（３７℃、１８時間）された。ＬＢＡプレート上の単一のコロニーが、５％（体積比）のウシ血液寒天培地（ｂｏｖｉｎｅ ｂｌｏｏｄ ａｇａｒ：ＢＡ）プレート上に画線され、一晩培養された。翌朝、ＬＩＢＳデータ収集のためのより広い表面積の細菌性物質を作るために、ＢＡプレート上のコロニーが、エタノール燃焼されたグラスホッケースティックを用いて血液寒天培地プレートの表面全体の上に塗り広げられた。
次いで、（例えば図２に示されたような）ＬＩＢＳ装置を用いて血液寒天培地プレートからＬＩＢＳスペクトルが収集された。具体的には、プラズマ光が軸外放物面ミラーと光ファイバを用いて収集され、次いでデュアルチャネル分光計（Avantes社、AvaSpec-ULS2048-2-USB2）へ導かれた。血液寒天培地の表面の病原体に目標を定めるためにレーザビームの前でサンプルが手動でいろいろな方向に動かされたため、レンズとサンプル間の距離は測定の間変化したということは留意されるべきである。放物面ミラーに開けられたホールにより、レーザパルスの光路と収集される光は、視差を持たず共線となるようにされた。記録されたそれぞれのスペクトルは、１０個のスペクトルの蓄積を示した。総計１３００個の個別のスペクトル（各サンプルに対し１００個のスペクトル）が収集された。
ＬＩＢＳスペクトルデータの計量化学的モデリングに基づく認識アルゴリズムが用いられて、種及び変種を識別することに成功した。当該アルゴリズムが展開されたＬＩＢＳ分析制御システムの性能は、新たなサンプルが検査済みの１３個の異なる種及び変種のうちの１つと一致するかどうかを判定するのに、２分間のサンプリング及び分析で十分であるということを示した。
「実質的に」及び「約」という用語は、如何なる量的な比較、数値、測定、又は他の表現からも生じ得る本来的な不確かさの程度を表現するために、本明細書において使用されることができるということが特筆される。これらの用語はまた、問題となっている対象の基本的な役割に変化をもたらさずに、量的な表現が言及された記述と異なり得る程度を表現するために、本明細書において使用される。
特定の実施態様が本明細書において例示及び説明されてきたが、特許請求の範囲に記載された対象の趣旨及び範囲から逸脱することなく、様々な他の変更及び修正がなされることができるということが理解されるべきである。その上、特許請求の範囲に記載された対象の様々な側面が本明細書において説明されてきたが、そうした側面は、組み合わされて利用される必要はない。したがって、添付された特許請求の範囲は、全てのそのような変更及び修正を包含し、それらは特許請求の範囲に記載された対象の範囲内のものであるということが意図される。
Claims (20)
- レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法であって、
物質に対応する複数のスペクトルデータ集合から最も数学的に異なるデータ集合を決定するステップであって、前記最も数学的に異なるデータ集合は、第１の気化物質からの放射光を示す第１のスペクトルを含む、ステップと、
前記スペクトルデータ集合をモデル構築データ集合と性能評価データ集合に分離するステップであって、前記モデル構築データ集合と前記性能評価データ集合は、前記第１のスペクトルを含む、ステップと、
前記モデル構築データ集合のうちの１つを前記第１のスペクトルを識別する第１の識別モデルにプロセッサを用いて自動的に変換するステップと、
前記モデル構築データ集合から前記第１のスペクトルを除去して構築データ集合の部分集合を生成するステップと、
前記スペクトルデータ集合から次に最も数学的に異なるスペクトルデータ集合を決定するステップであって、前記次に最も数学的に異なるスペクトルデータ集合は、第２の気化物質からの放射光を示す第２のスペクトルを含む、ステップと、
前記構築データ集合の部分集合を前記第２のスペクトルを識別する第２の識別モデルに変換するステップと、
前記第１の識別モデルと前記第２の識別モデルを結合してレーザ誘起ブレークダウン分光のための前記認識アルゴリズムを形成するステップと、
を含む方法。 - レーザ誘起ブレークダウン分光装置により前記スペクトルデータ集合を収集するステップを更に含む、請求項１に記載の方法。
- 前記スペクトルデータ集合から異常なデータを除去するステップを更に含む、請求項１に記載の方法。
- 前記モデル構築データ集合のそれぞれを規格化するステップを更に含む、請求項１に記載の方法。
- 総合識別モデルを作成するステップを更に含み、前記最も数学的に異なるデータ集合は、前記総合識別モデルを用いて決定される、請求項１に記載の方法。
- 識別能力に従って前記第１の識別モデルと前記第２の識別モデルを配列するステップを更に含み、前記第１の識別モデルと前記第２の識別モデルは、最高識別能力から最低識別能力へ配列され、前記認識アルゴリズムは、前記第１の識別モデルと前記第２の識別モデルを順序どおりに呼び出す、請求項１に記載の方法。
- 前記モデル構築データ集合と前記性能評価データ集合は、それぞれ実質的に均衡のとれた強度の測定値を含む、請求項１に記載の方法。
- 前記モデル構築データ集合と前記性能評価データ集合は、それぞれ同程度の最大強度の測定値を含む、請求項１に記載の方法。
- 前記モデル構築データ集合は、前記スペクトルデータ集合のうちの最も高い強度測定値を含み、前記性能評価データ集合は、前記スペクトルデータ集合のうちの最も低い強度測定値を含む、請求項１に記載の方法。
- 前記認識アルゴリズムを用いて前記性能評価データ集合を選別パラメータに変換するステップであって、前記選別パラメータは統計値である、ステップと、
前記選別パラメータに従って前記認識アルゴリズムを修正するステップと、
を更に含む、請求項１に記載の方法。 - 前記第１の識別モデルは、主成分分析、部分最小二乗分析、多重回帰分析、又はニューラルネットワーク分析を使用する、請求項１０に記載の方法。
- レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法であって、
レーザ誘起ブレークダウン分光装置を用いて物質に対応するスペクトルデータ集合を収集するステップであって、前記スペクトルデータ集合のそれぞれは、前記物質のうちの１つからの放射光を示すスペクトルを含む、ステップと、
前記スペクトルデータ集合をモデル構築データ集合と性能評価データ集合に分離するステップと、
前記モデル構築データ集合を総合識別モデルにプロセッサを用いて自動的に変換するステップであって、前記総合識別モデルは、前記物質のそれぞれを同定する、ステップと、
前記スペクトルデータ集合を前記総合識別モデルに従って数学的に異なる程度が最大のものから最小のものへ順位付けするステップと、
最も数学的に異なるスペクトルデータ集合を識別する個別識別モデルを生成するステップと、
レーザ誘起ブレークダウン分光のための前記認識アルゴリズムを形成するステップであって、前記認識アルゴリズムは、前記個別識別モデルを含む、ステップと、
を含む方法。 - 前記最も数学的に異なるスペクトルデータ集合を前記モデル構築データ集合から除去して構築データ集合の部分集合を生成するステップを更に含む、請求項１２に記載の方法。
- （ａ）次のスペクトルデータ集合を、前記次のスペクトルデータ集合を識別する次のモデルに変換するステップと、
（ｂ）前記次のスペクトルデータ集合を前記構築データ集合の部分集合から除去するステップと、
（ｃ）前記構築データ集合の部分集合が前記スペクトルデータ集合のうちの２以上を含む場合に（ａ）と（ｂ）を反復するステップと、
を更に含む、請求項１３に記載の方法。 - 前記次のモデルを前記認識アルゴリズムに追加するステップを更に含み、前記認識アルゴリズムのモデルは、前記モデルに対応する前記スペクトルデータ集合に従って数学的に異なる程度が最大のものから最小のものへ配列され、前記認識アルゴリズムは、前記モデルを順序どおりに呼び出す、請求項１４に記載の方法。
- 前記構築データ集合の部分集合のうちの前記スペクトルデータ集合は、最高識別能力から最低識別能力へ並んだ順序で前記次のモデルに変換される、請求項１４に記載の方法。
- 前記認識アルゴリズムを用いて前記性能評価データ集合を選別パラメータに変換するステップを更に含む、請求項１２に記載の方法。
- 前記選別パラメータに従って前記認識アルゴリズムを修正するステップを更に含む、請求項１７に記載の方法。
- 前記認識アルゴリズムを前記レーザ誘起ブレークダウン分光装置に組み込むステップを更に含む、請求項１２に記載の方法。
- レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法であって、
レーザ誘起ブレークダウン分光装置を用いて物質に対応するスペクトルデータ集合を収集するステップであって、前記スペクトルデータ集合のそれぞれは、前記物質のうちの１つからの放射光を示すスペクトルを含む、ステップと、
前記スペクトルデータ集合を個別識別モデルにプロセッサを用いて自動的に変換するステップであって、前記個別識別モデルのそれぞれは、前記スペクトルデータ集合のうちの１つを識別する、ステップと、
レーザ誘起ブレークダウン分光のための前記認識アルゴリズムを形成するステップであって、前記認識アルゴリズムは、最高識別能力から最低識別能力へ配列された前記個別識別モデルを含み、前記認識アルゴリズムは、前記個別識別モデルを順序どおりに呼び出す、ステップと、
を含む方法。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US32099210P | 2010-04-05 | 2010-04-05 | |
| US61/320,992 | 2010-04-05 | ||
| US12/981,626 US8655807B2 (en) | 2010-04-05 | 2010-12-30 | Methods for forming recognition algorithms for laser-induced breakdown spectroscopy |
| US12/981,626 | 2010-12-30 | ||
| PCT/US2011/028453 WO2011126681A2 (en) | 2010-04-05 | 2011-03-15 | Methods for forming recognition algorithms for laser-induced breakdown spectroscopy |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013524237A true JP2013524237A (ja) | 2013-06-17 |
| JP5852097B2 JP5852097B2 (ja) | 2016-02-03 |
Family
ID=44710658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013503756A Expired - Fee Related JP5852097B2 (ja) | 2010-04-05 | 2011-03-15 | レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US8655807B2 (ja) |
| JP (1) | JP5852097B2 (ja) |
| DE (1) | DE112011100038T8 (ja) |
| GB (1) | GB2491761A (ja) |
| WO (1) | WO2011126681A2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7464284B2 (ja) | 2021-06-01 | 2024-04-09 | 国立研究開発法人国際農林水産業研究センター | プラズマ発光分光分析を用いた土壌診断方法 |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102353658B (zh) * | 2011-07-06 | 2013-03-06 | 中国科学院上海技术物理研究所 | 小型物联网激光诱导击穿光谱医学传感系统及方法 |
| JP5986646B2 (ja) * | 2012-02-07 | 2016-09-06 | マテリアリティクス，エルエルシー | 試料を分析する方法およびシステム |
| US9110001B2 (en) * | 2012-07-02 | 2015-08-18 | Thermo Scientific Portable Analytical Instruments Inc. | Method for tagging reference materials of interest in spectroscopic searching applications |
| WO2014040168A1 (en) * | 2012-09-14 | 2014-03-20 | University Of Windsor | Method of using laser-induced breakdown spectroscopy for the identification and classification of bacteria |
| DE102012217676B4 (de) * | 2012-09-27 | 2016-05-04 | Secopta Gmbh | Verfahren zur Identifikation der Zusammensetzung einer Probe |
| WO2014113824A2 (en) | 2013-01-21 | 2014-07-24 | Sciaps, Inc. | Handheld libs spectrometer |
| US9952100B2 (en) | 2013-01-21 | 2018-04-24 | Sciaps, Inc. | Handheld LIBS spectrometer |
| US9546904B2 (en) | 2013-03-15 | 2017-01-17 | P & P Optica Inc. | Apparatus and method for optimizing data capture and data correction for spectroscopic analysis |
| US20140368819A1 (en) * | 2013-06-12 | 2014-12-18 | Applied Research Associates, Inc. | Methods for Detecting Parasites, Viruses, Bacteria and Drugs in Human and Animal Blood and Cerebral Spinal Fluid, Using Laser-Induced Breakdown Spectroscopy |
| CN103712962B (zh) * | 2013-12-31 | 2015-12-09 | 武汉新瑞达激光工程有限责任公司 | 一种基于气雾化与共振激发的激光探针分析仪 |
| US9651424B2 (en) | 2015-02-26 | 2017-05-16 | Sciaps, Inc. | LIBS analyzer sample presence detection system and method |
| WO2016154509A1 (en) * | 2015-03-26 | 2016-09-29 | Dover Photonics Llc | Preparation of fluid samples for laser induced breakdown spectroscopy and/or imaging analysis |
| US10060777B2 (en) * | 2015-05-05 | 2018-08-28 | Alan B Cain | Apparatus and method for non-intrusive off-body measurements in hypersonic flight experiments |
| US11953427B2 (en) * | 2015-08-03 | 2024-04-09 | Endress+Hauser Optical Analysis, Inc. | Reconstruction of frequency registration for quantitative spectroscopy |
| US10209196B2 (en) | 2015-10-05 | 2019-02-19 | Sciaps, Inc. | LIBS analysis system and method for liquids |
| US9939383B2 (en) | 2016-02-05 | 2018-04-10 | Sciaps, Inc. | Analyzer alignment, sample detection, localization, and focusing method and system |
| US11156556B1 (en) | 2019-02-13 | 2021-10-26 | Creative LIBS Solutions LLC | Method and apparatus for detecting pathogens and chemicals in complex matrices using light emissions from a laser spark |
| CN109900662A (zh) * | 2019-03-07 | 2019-06-18 | 电子科技大学 | 一种高灵敏光微流爆炸物检测仪 |
| CN110824679A (zh) * | 2019-12-06 | 2020-02-21 | 中国工程物理研究院材料研究所 | 一种全反射式同轴libs激发收集系统及其收集方法 |
| US11719727B1 (en) | 2020-02-10 | 2023-08-08 | National Technology & Engineering Solutions Of Sandia, Llc | Systems and methods for screening particle source manufacturing and development test data |
| CN114252430B (zh) * | 2020-09-21 | 2024-02-02 | 中国科学院沈阳自动化研究所 | 一种基于激光诱导击穿光谱技术的矿浆品位在线检测方法 |
| CN113092450A (zh) * | 2021-04-13 | 2021-07-09 | 南京信息工程大学 | 一种大气气溶胶快速检测溯源装置及方法 |
| CN114850658B (zh) * | 2022-05-17 | 2024-05-24 | 北京工业大学 | 基于反射光谱的激光器参数自动调控方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005249624A (ja) * | 2004-03-05 | 2005-09-15 | Japan Science & Technology Agency | 分光スペクトルによるポリマーグループの判別方法 |
| JP2006528782A (ja) * | 2003-02-25 | 2006-12-21 | セイックス・テクノロジーズ・インコーポレーテッド | 化学物質及び生物物質検知装置及び方法 |
| WO2010025216A1 (en) * | 2008-08-27 | 2010-03-04 | H. Lundbeck A/S | System and methods for measuring biomarker profiles |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6124597A (en) | 1997-07-07 | 2000-09-26 | Cedars-Sinai Medical Center | Method and devices for laser induced fluorescence attenuation spectroscopy |
| DE19923811C1 (de) | 1999-05-20 | 2000-12-07 | Robert Koch Inst | Verfahren zur Diagnose TSE-induzierter Veränderungen in Geweben mittels Infrarotspektroskopie |
| US6639665B2 (en) | 2001-02-09 | 2003-10-28 | Institute For Technology Development | Multispectral imaging system for contaminant detection |
| US7945393B2 (en) | 2002-01-10 | 2011-05-17 | Chemimage Corporation | Detection of pathogenic microorganisms using fused sensor data |
| US6985818B1 (en) | 2003-02-06 | 2006-01-10 | The United States Of America As Represented By The Secretary Of The Army | Air sampling method and sensor system for spectroscopic detection and identification of chemical and biological contaminants |
| US20070279629A1 (en) | 2004-01-07 | 2007-12-06 | Jacob Grun | Method and apparatus for identifying a substance using a spectral library database |
| WO2005081981A2 (en) | 2004-02-20 | 2005-09-09 | Systems Planning And Analysis, Inc. | Libs system and method for engine exhaust monitoring |
| WO2005115737A2 (en) | 2004-03-22 | 2005-12-08 | Quantaspec Inc. | System and method for detecting and identifying an analyte |
| US7760354B2 (en) | 2005-01-07 | 2010-07-20 | The United States Of America As Represented By The Secretary Of The Navy | Spectroscopic method and apparatus for identification of a substance using a tunable light source |
| US20090012723A1 (en) | 2005-06-09 | 2009-01-08 | Chemlmage Corporation | Adaptive Method for Outlier Detection and Spectral Library Augmentation |
| WO2007123555A2 (en) | 2005-07-14 | 2007-11-01 | Chemimage Corporation | Time and space resolved standoff hyperspectral ied explosives lidar detector |
| FR2892194B1 (fr) | 2005-10-17 | 2008-04-11 | Commissariat Energie Atomique | Procede d'analyse qualitative et quantitative par spectroscopie d'emission optique |
| US20110237446A1 (en) | 2006-06-09 | 2011-09-29 | Chemlmage Corporation | Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data |
| US7394537B1 (en) * | 2006-12-22 | 2008-07-01 | Oxford Instruments Analytical Oy | Practical laser induced breakdown spectroscopy unit |
| US20100328661A1 (en) * | 2008-02-22 | 2010-12-30 | Photon Etc, Inc. | Apparatus and method for laser induced breakdown spectroscopy using a multiband sensor |
| US8687189B2 (en) * | 2008-03-03 | 2014-04-01 | Ajjer, Llc | Analysis of arrays by laser induced breakdown spectroscopy |
-
2010
- 2010-12-30 US US12/981,626 patent/US8655807B2/en active Active
-
2011
- 2011-03-15 WO PCT/US2011/028453 patent/WO2011126681A2/en active Application Filing
- 2011-03-15 DE DE112011100038T patent/DE112011100038T8/de not_active Expired - Fee Related
- 2011-03-15 JP JP2013503756A patent/JP5852097B2/ja not_active Expired - Fee Related
- 2011-03-15 GB GB1217022.1A patent/GB2491761A/en not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006528782A (ja) * | 2003-02-25 | 2006-12-21 | セイックス・テクノロジーズ・インコーポレーテッド | 化学物質及び生物物質検知装置及び方法 |
| JP2005249624A (ja) * | 2004-03-05 | 2005-09-15 | Japan Science & Technology Agency | 分光スペクトルによるポリマーグループの判別方法 |
| WO2010025216A1 (en) * | 2008-08-27 | 2010-03-04 | H. Lundbeck A/S | System and methods for measuring biomarker profiles |
| JP2012501181A (ja) * | 2008-08-27 | 2012-01-19 | ハー・ルンドベック・アクチエゼルスカベット | バイオマーカー・プロファイルを測定するためのシステムおよび方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7464284B2 (ja) | 2021-06-01 | 2024-04-09 | 国立研究開発法人国際農林水産業研究センター | プラズマ発光分光分析を用いた土壌診断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| GB2491761A (en) | 2012-12-12 |
| JP5852097B2 (ja) | 2016-02-03 |
| DE112011100038T5 (de) | 2012-06-14 |
| US20110246145A1 (en) | 2011-10-06 |
| DE112011100038T8 (de) | 2013-03-21 |
| WO2011126681A2 (en) | 2011-10-13 |
| GB201217022D0 (en) | 2012-11-07 |
| US8655807B2 (en) | 2014-02-18 |
| WO2011126681A3 (en) | 2012-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5852097B2 (ja) | レーザ誘起ブレークダウン分光のための認識アルゴリズムを形成するための方法 | |
| EP2122332B1 (en) | An ensemble method and apparatus for classifying materials and quantifying the composition of mixtures | |
| JP6790215B2 (ja) | フィールド使用分光装置の適応 | |
| Dingari et al. | Incorporation of support vector machines in the LIBS toolbox for sensitive and robust classification amidst unexpected sample and system variability | |
| EP2976620B1 (en) | System for and method of combined libs and ir absorption spectroscopy investigations | |
| Yueh et al. | Preliminary evaluation of laser-induced breakdown spectroscopy for tissue classification | |
| US20230240538A1 (en) | System and Methods for Real Time Raman Spectroscopy for Cancer Detection | |
| US20140368819A1 (en) | Methods for Detecting Parasites, Viruses, Bacteria and Drugs in Human and Animal Blood and Cerebral Spinal Fluid, Using Laser-Induced Breakdown Spectroscopy | |
| EP3290908A1 (en) | Unknown sample determining method, unknown sample determining instrument, and unknown sample determining program | |
| CN112712108A (zh) | 一种拉曼光谱多元数据分析方法 | |
| CN103389294A (zh) | 基于褶合曲线筛选法的假药判别分析装置和方法 | |
| CN116030310A (zh) | 一种基于激光诱导击穿光谱技术的样品分类方法及系统 | |
| Huffman et al. | Laser-induced breakdown spectroscopy spectral feature selection to enhance classification capabilities: A t-test filter approach | |
| EP2366991A1 (en) | Probabilistic scoring for components of a mixture | |
| Larsson et al. | Impact of data reduction on multivariate classification models built on spectral data from bio-samples | |
| Nkansah et al. | Determination of concentration of ACQ wood preservative components by UV-Visible spectroscopy coupled with multivariate data analysis | |
| Green et al. | Performance characterization of a combined material identification and screening algorithm | |
| Anubham et al. | An Approach to Reduce the Sample Consumption for LIBS based Identification of Explosive Materials. | |
| US20220252516A1 (en) | Spectroscopic apparatus and methods for determining components present in a sample | |
| Colón et al. | AI Raman spectroscopy through machine learning | |
| Vyas et al. | Phenotypic profiling based on body fluid traces discovered at the scene of crime: Raman spectroscopy of urine stains for race differentiation | |
| Zhao et al. | Spectra calibration modeling and statistical analysis for cumulative quality interpretation and prediction | |
| Andersson | Classification of spectral signatures in biological aerosols |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130802 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20140228 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140401 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20140701 |
|
| A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20140708 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140924 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150302 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20150602 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150603 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20151104 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151203 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5852097 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |