JP2019039773A - 機械学習を用いた未知化合物の分類方法 - Google Patents
機械学習を用いた未知化合物の分類方法 Download PDFInfo
- Publication number
- JP2019039773A JP2019039773A JP2017161341A JP2017161341A JP2019039773A JP 2019039773 A JP2019039773 A JP 2019039773A JP 2017161341 A JP2017161341 A JP 2017161341A JP 2017161341 A JP2017161341 A JP 2017161341A JP 2019039773 A JP2019039773 A JP 2019039773A
- Authority
- JP
- Japan
- Prior art keywords
- spectrum
- unknown
- compound
- spectra
- data
- 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
- 150000001875 compounds Chemical class 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000010801 machine learning Methods 0.000 title claims description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 254
- 238000013528 artificial neural network Methods 0.000 claims abstract description 124
- 230000003595 spectral effect Effects 0.000 claims description 44
- 230000008878 coupling Effects 0.000 claims description 28
- 238000010168 coupling process Methods 0.000 claims description 28
- 238000005859 coupling reaction Methods 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 description 35
- 238000011176 pooling Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 16
- 150000001735 carboxylic acids Chemical class 0.000 description 13
- 238000007781 pre-processing Methods 0.000 description 10
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 9
- 239000004793 Polystyrene Substances 0.000 description 9
- 229920002223 polystyrene Polymers 0.000 description 9
- 125000003178 carboxy group Chemical group [H]OC(*)=O 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010183 spectrum analysis Methods 0.000 description 7
- FERIUCNNQQJTOY-UHFFFAOYSA-N Butyric acid Chemical compound CCCC(O)=O FERIUCNNQQJTOY-UHFFFAOYSA-N 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 239000004952 Polyamide Substances 0.000 description 3
- 150000007942 carboxylates Chemical class 0.000 description 3
- 239000001913 cellulose Substances 0.000 description 3
- 229920002678 cellulose Polymers 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 229920002647 polyamide Polymers 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- POULHZVOKOAJMA-UHFFFAOYSA-N dodecanoic acid Chemical compound CCCCCCCCCCCC(O)=O POULHZVOKOAJMA-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000019253 formic acid Nutrition 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- IPCSVZSSVZVIGE-UHFFFAOYSA-N hexadecanoic acid Chemical compound CCCCCCCCCCCCCCCC(O)=O IPCSVZSSVZVIGE-UHFFFAOYSA-N 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229920000728 polyester Polymers 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- -1 “carboxylic acid” Chemical class 0.000 description 2
- HDTRYLNUVZCQOY-UHFFFAOYSA-N α-D-glucopyranosyl-α-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OC1C(O)C(O)C(O)C(CO)O1 HDTRYLNUVZCQOY-UHFFFAOYSA-N 0.000 description 1
- KXGFMDJXCMQABM-UHFFFAOYSA-N 2-methoxy-6-methylphenol Chemical compound [CH]OC1=CC=CC([CH])=C1O KXGFMDJXCMQABM-UHFFFAOYSA-N 0.000 description 1
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 1
- 239000004593 Epoxy Substances 0.000 description 1
- JOYRKODLDBILNP-UHFFFAOYSA-N Ethyl urethane Chemical compound CCOC(N)=O JOYRKODLDBILNP-UHFFFAOYSA-N 0.000 description 1
- PXGOKWXKJXAPGV-UHFFFAOYSA-N Fluorine Chemical compound FF PXGOKWXKJXAPGV-UHFFFAOYSA-N 0.000 description 1
- 239000005639 Lauric acid Substances 0.000 description 1
- 235000021314 Palmitic acid Nutrition 0.000 description 1
- 239000004721 Polyphenylene oxide Substances 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 1
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- HDTRYLNUVZCQOY-WSWWMNSNSA-N Trehalose Natural products O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@@H]1O[C@@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 HDTRYLNUVZCQOY-WSWWMNSNSA-N 0.000 description 1
- 238000002083 X-ray spectrum Methods 0.000 description 1
- HDTRYLNUVZCQOY-LIZSDCNHSA-N alpha,alpha-trehalose Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@@H]1O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 HDTRYLNUVZCQOY-LIZSDCNHSA-N 0.000 description 1
- 235000014121 butter Nutrition 0.000 description 1
- 125000003262 carboxylic acid ester group Chemical class [H]C([H])([*:2])OC(=O)C([H])([H])[*:1] 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000009975 flexible effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- WQEPLUUGTLDZJY-UHFFFAOYSA-N n-Pentadecanoic acid Natural products CCCCCCCCCCCCCCC(O)=O WQEPLUUGTLDZJY-UHFFFAOYSA-N 0.000 description 1
- 150000002825 nitriles Chemical class 0.000 description 1
- 229920001568 phenolic resin Polymers 0.000 description 1
- 239000005011 phenolic resin Substances 0.000 description 1
- 229920000515 polycarbonate Polymers 0.000 description 1
- 239000004417 polycarbonate Substances 0.000 description 1
- 229920000570 polyether Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920000098 polyolefin Polymers 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 229920002545 silicone oil Polymers 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000454 talc Substances 0.000 description 1
- 229910052623 talc Inorganic materials 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 229920002554 vinyl polymer Polymers 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- 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
- G01N2201/06—Illumination; Optics
- G01N2201/063—Illuminating optical parts
- G01N2201/0636—Reflectors
-
- 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
- G01N2201/06—Illumination; Optics
- G01N2201/064—Stray light conditioning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
【課題】機械学習を利用した未知スペクトルの分類方法であって、単独のニューラルネットワーク（ＮＮ）を用いても適切に分類でき、かつ、実用的な化合物グループへの分類が可能な方法を提供すること。
【解決手段】この分類方法は、（１）経験則に従って、複数の化合物グループを設定するとともに、化合物グループの各々に属する複数の既知化合物のスペクトルデータを既知スペクトルとして準備するステップと、（２）コンピュータ装置上のＮＮが、前記ステップで準備された既知スペクトルおよび化合物グループの情報を読み取って、同一の化合物グループに属する複数の既知スペクトルに共通する特徴を学習するステップと、（３）学習済みのＮＮが、未知化合物のスペクトルデータを未知スペクトルとして読み取って、共通する特徴の有無に基づいて、未知スペクトルが属する化合物グループを回答するステップと、を備える。
【選択図】 図１
【解決手段】この分類方法は、（１）経験則に従って、複数の化合物グループを設定するとともに、化合物グループの各々に属する複数の既知化合物のスペクトルデータを既知スペクトルとして準備するステップと、（２）コンピュータ装置上のＮＮが、前記ステップで準備された既知スペクトルおよび化合物グループの情報を読み取って、同一の化合物グループに属する複数の既知スペクトルに共通する特徴を学習するステップと、（３）学習済みのＮＮが、未知化合物のスペクトルデータを未知スペクトルとして読み取って、共通する特徴の有無に基づいて、未知スペクトルが属する化合物グループを回答するステップと、を備える。
【選択図】 図１
Description
本発明は、ニューラルネットワークの機械学習を用いて、未知化合物のスペクトルデータを、実用的な化合物のグループに分類する方法、つまり、機械学習を用いた未知化合物の分類方法に関する。
ニューラルネットワーク（ＮＮと略すこともある）の機械学習を利用したスペクトル解析の研究が過去に行われている。例えば、特許文献１の「赤外スペクトル同定方法」は、ニューラルネットワーク（ＮＮ）の機械学習を利用して未知化合物を同定する方法であり、まず、ＮＮに既知化合物のスペクトルデータを大量に機械学習させるステップがあり、次に、学習済みＮＮに未知化合物のスペクトルを読み取らせてその化合物名を回答させるステップがある。
特許文献１の図２が示すように、複数のＮＮが、初段ＮＮ、中段ＮＮおよび終段ＮＮと順々に分岐した各階層に配置され、全体として多層構造の複合ＮＮを構成し、各ＮＮが個々に機械学習する。初段ＮＮは、既知化合物のスペクトルから無作為に１０個の代表を選択し、１０個の既知スペクトルが各々異なるカテゴリーに属することを学習する。そして、学習済みの初段ＮＮによって、残りの既知スペクトルがカテゴリーに分類される。さらに、初段ＮＮは、分類された既知スペクトルについても追加的に学習する。つまり、初段ＮＮは、全ての既知スペクトルを学習するとともに、これらの既知スペクトルをカテゴリーに分類する。結果、各カテゴリーには類似した既知スペクトルが集合する。
初段ＮＮにおけるカテゴリーの設定は、既知スペクトルから「無作為に」選択された１０個の代表に基づくものであり、特許文献１で設定されるカテゴリーに特定の意味はない。
初段ＮＮでいずれかのカテゴリーに分類された既知スペクトルの集合は、そのカテゴリーに応じた中段ＮＮに読み取られる。中段ＮＮは、初段ＮＮと同様、読み取った既知スペクトルから無作為に１０個の代表を選択し、１０個の既知スペクトルが各々異なるカテゴリーに属することを学習する。学習済みの中段ＮＮは、残りの既知スペクトルをカテゴリーに分類するとともに、分類された既知スペクトルについても追加的に学習する。結果、中段ＮＮでは、初段ＮＮよりも細かい１０個のカテゴリーに、類似した既知スペクトルが集合する。中段ＮＮでカテゴリーに分類された既知スペクトルは、そのカテゴリーに応じた次段のＮＮに読み取られ、同様に処理される。
最下層にある終段ＮＮは、上層で分類された既知スペクトルを読み取って、既知スペクトルを１つ１つ化合物ごとに識別することを学習する。
学習を終えた複合ＮＮは、未知化合物を次の手順で同定する。複合ＮＮは、未知化合物のスペクトルを未知スペクトルのデータとして読み取り、初段ＮＮおよび中段ＮＮで未知スペクトルを順々に分類する。初段ＮＮ、中段ＮＮと進むに連れて、未知スペクトルは、より小さい集合であるカテゴリーに分類される。最終的に、いずれかの終段ＮＮが選択されて、その終段ＮＮが既知スペクトルの化合物を同定する。
単一のＮＮに対し、一度に全ての既知スペクトルを読み取らせてしまうと、そのＮＮが個々の化合物レベルで識別できるように機械学習を実行するのは難しい。そこで、特許文献１では、初段ＮＮや中段ＮＮからなる多層の分岐構造を採用し、多数の既知スペクトルを初段ＮＮで幾つかの大集合に分類し、さらに、中段ＮＮで幾つかの中集合に分類する。また、初段ＮＮや中段ＮＮにおいて分類された既知スペクトルの集合が、何らかの類似点をもったスペクトルの集合になるように、個々のＮＮを機械学習させている。この結果、終段ＮＮでは少ない数の既知スペクトルを化合物ごとに識別するだけで済むので、個々の化合物レベルの識別能力について何らかの効果があるだろうというものと言える。
しかしながら、特許文献１の複合ＮＮには改善すべき点が認められる。
一点目として、複数のニューラルネットワーク（ＮＮ）からなる多層構造において、前段ＮＮと次段ＮＮの間に分岐点が存在するため、終段ＮＮでの化合物の識別をいくら適正に行わせようとしても、その上流のいずれかのＮＮでの分類に誤りが発生すると、下流のＮＮではその誤りを修正することができず、最終的には間違った答えを導いてしまう、というリスクがある。分岐点を有する多層構造であるため、終段ＮＮの回答が、必ずしも全体の中での最大値に基づく回答とは言えず、限られた範囲での極大値を回答しているに過ぎないからである。
二点目として、発明者らは、ＮＮの機械学習を用いて、未知化合物のスペクトルデータを、実用的な化合物グループに分類できる手法の開発に取り組んできた。例えば、「カルボン酸」という化合物グループには多数の化合物（ギ酸、酢酸、酪酸など）が含まれる。いずれかのサンプルを未知化合物として分析する場合、具体的な化合物名（酪酸）まで識別することも大事ではあるが、状況によっては、ある程度の「ざっくり」としたカテゴリーである化合物グループ（カルボン酸）が判断できればよい、と言うケースもある。
これに関し、特許文献１の複合ＮＮでの処理は、初段ＮＮや中段ＮＮにおいて未知スペクトルを数個のカテゴリーに分類する過程を含んでいる。しかし、これらのカテゴリーには特定の意味が存在しない。なぜなら、初段ＮＮや中段ＮＮでのカテゴリーは、無作為に選ばれた既知スペクトルの代表に基づいて設定されるからである。カテゴリー設定が機械（各ＮＮ）に任されていて、特定の基準を用いたカテゴリーの設定ではない。特許文献１には、初段ＮＮや中段ＮＮによって分類されたカテゴリーには何らかの類似点をもった既知スペクトルが集合する、と説明されているが、そのスペクトルの集合に特定の意味は認められず、とりあえず何らか似たようなスペクトルを集めているに過ぎない。
従って、特許文献１の複合ＮＮの開示内容に基づいても、未知化合物のスペクトルデータを、実用的な化合物グループに分類する手法を得ることは難しい。
本発明の目的は、機械学習を利用した未知スペクトルの分類方法において、単独のＮＮを用いても未知スペクトルを適切に分類できて、また、実用的な化合物グループに分類できる方法を提供することである。
すなわち、本発明に係る機械学習を用いた未知化合物の分類方法は、
経験則に従って、複数の化合物グループを設定するとともに、前記化合物グループの各々に属する複数の既知化合物のスペクトルデータを既知スペクトルとして準備するステップと、
コンピュータ装置上のニューラルネットワークが、前記ステップで準備された前記既知スペクトルおよび前記化合物グループの情報を読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通する特徴を学習するステップと、
学習済みの前記ニューラルネットワークが、未知化合物のスペクトルデータを未知スペクトルとして読み取って、前記共通する特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を備えることを特徴とする。
経験則に従って、複数の化合物グループを設定するとともに、前記化合物グループの各々に属する複数の既知化合物のスペクトルデータを既知スペクトルとして準備するステップと、
コンピュータ装置上のニューラルネットワークが、前記ステップで準備された前記既知スペクトルおよび前記化合物グループの情報を読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通する特徴を学習するステップと、
学習済みの前記ニューラルネットワークが、未知化合物のスペクトルデータを未知スペクトルとして読み取って、前記共通する特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を備えることを特徴とする。
ここで、前記ニューラルネットワークは、少なくとも１層の畳み込み層と、前記畳み込み層に続く全結合層と、を備え、
前記ニューラルネットワークが個々の前記既知スペクトルを学習するステップは、
前記畳み込み層が、前記既知スペクトルに含まれるスペクトル形状の特徴を強調するための畳み込みフィルタを２以上用いて、前記既知スペクトルを前処理するステップと、
前記全結合層が、前処理された２以上の前記既知スペクトルを１セットとして読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通するスペクトル形状の特徴を学習するステップと、を含むことが好ましい。
前記ニューラルネットワークが個々の前記既知スペクトルを学習するステップは、
前記畳み込み層が、前記既知スペクトルに含まれるスペクトル形状の特徴を強調するための畳み込みフィルタを２以上用いて、前記既知スペクトルを前処理するステップと、
前記全結合層が、前処理された２以上の前記既知スペクトルを１セットとして読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通するスペクトル形状の特徴を学習するステップと、を含むことが好ましい。
また、学習済みの前記ニューラルネットワークが化合物グループを回答するステップは、
前記畳み込み層が、２以上の前記畳み込みフィルタを用いて、前記未知スペクトルを前処理するステップと、
前記全結合層が、前処理された２以上の前記未知スペクトルを１セットとして読み取って、共通するスペクトル形状の特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を含むことが好ましい。
前記畳み込み層が、２以上の前記畳み込みフィルタを用いて、前記未知スペクトルを前処理するステップと、
前記全結合層が、前処理された２以上の前記未知スペクトルを１セットとして読み取って、共通するスペクトル形状の特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を含むことが好ましい。
なお、前記既知スペクトルを準備するステップは、
前記既知スペクトルから派生した別の既知スペクトルを形成して、学習に用いる既知スペクトルを拡充させるステップを含むことが好ましい。
前記既知スペクトルから派生した別の既知スペクトルを形成して、学習に用いる既知スペクトルを拡充させるステップを含むことが好ましい。
また、学習済みの前記ニューラルネットワークが化合物グループを回答するステップは、
学習済みの前記ニューラルネットワークが、スペクトル積算途中の前記未知化合物のスペクトルデータを未知スペクトルとして繰返し読み取るステップと、
前記ステップで読み取った積算途中の未知スペクトルに対する前記ニューラルネットワークの出力値が一定レベルに達した段階で化合物グループを回答するステップと、を含むことが好ましい。
学習済みの前記ニューラルネットワークが、スペクトル積算途中の前記未知化合物のスペクトルデータを未知スペクトルとして繰返し読み取るステップと、
前記ステップで読み取った積算途中の未知スペクトルに対する前記ニューラルネットワークの出力値が一定レベルに達した段階で化合物グループを回答するステップと、を含むことが好ましい。
本発明の分類方法で用いるニューラルネットワーク（ＮＮ）は単独であるから、従来のような複数のＮＮの分岐点が存在せず、そのＮＮの出力の最大値を回答することにより、適切な分類結果を提供することができる。
また、本発明の分類方法では、ＮＮの学習段階において、スペクトル分析上で蓄積された経験則に基づく化合物グループが設定される。重要なことは、学習用の既知化合物のスペクトルに対して、その１つ１つに経験則に基づいた適切な化合物グループを割り当てることである。
ここで、スペクトル分析上の経験則とは、ある化合物グループに属することが知られている複数の既知化合物がある場合に、これらのスペクトルデータに共通するスペクトル形状の特徴のことを指す。１点１点は数値データに過ぎないが、コンピュータ装置であれば、このような一連のデータ列（数値の並び）を二次元平面にプロットされた形状的な情報として捉えることも可能である。例えば、特定の波長域に生じる部分的なスペクトル形状のことであってもよいし、２つのピーク間に見られるスペクトル形状の相対的な関係のことであってもよい。既知スペクトルに対してこのようなグループ分けを経験則に基づいて行っておけば、ＮＮが、特徴となるスペクトル形状を画像認識に類似した方法で捉えて学習することができる。
ここで、スペクトル分析上の経験則とは、ある化合物グループに属することが知られている複数の既知化合物がある場合に、これらのスペクトルデータに共通するスペクトル形状の特徴のことを指す。１点１点は数値データに過ぎないが、コンピュータ装置であれば、このような一連のデータ列（数値の並び）を二次元平面にプロットされた形状的な情報として捉えることも可能である。例えば、特定の波長域に生じる部分的なスペクトル形状のことであってもよいし、２つのピーク間に見られるスペクトル形状の相対的な関係のことであってもよい。既知スペクトルに対してこのようなグループ分けを経験則に基づいて行っておけば、ＮＮが、特徴となるスペクトル形状を画像認識に類似した方法で捉えて学習することができる。
ただし、共通するスペクトル形状が存在していれば、どのようなスペクトル形状であっても良いという訳ではなく、優先すべき共通のスペクトル形状と、無視すべき共通のスペクトル形状とがある。例えば、熟練の分析者であれば、あるサンプルのスペクトルデータを見た場合に、そこに含まれている特定のスペクトル形状の存在（または不存在）を確認するだけで、どの化合物グループに属するサンプルであるのか、あるいはどの化合物グループには属さないサンプルであるかを的確に判断することができる。
機械であるニューラルネットワーク（ＮＮ）自身は、特許文献１のように無作為に選んだ代表によってカテゴリーを設定することは得意であるが、特定の意味をもったカテゴリーを設定することは容易にはできない。そこで、本発明の分類方法には、上記のような経験則を用いて、学習用の既知スペクトルの１つ１つに対して予め適切な化合物グループをカテゴリーとして付与する手順が含まれている。そして、ＮＮは、同じ化合物グループに属する複数の既知スペクトルに基づいて、同じグループのスペクトルに共通したスペクトル形状の存在を捉えるとともに、他のグループのスペクトルに共通したスペクトル形状の不存在を捉えて、これらの既知スペクトルが特定の化合物グループに属していることを機械学習する。従って、学習済みのＮＮは、既知化合物のデータベースには含まれていない未知化合物であっても、その未知化合物のスペクトルデータを、ある程度の「ざっくり」とした、実用的な化合物グループに分類することが可能になり、熟練の分析者と同レベルのグループ分けを実行できるようになった。
機械であるニューラルネットワーク（ＮＮ）自身は、特許文献１のように無作為に選んだ代表によってカテゴリーを設定することは得意であるが、特定の意味をもったカテゴリーを設定することは容易にはできない。そこで、本発明の分類方法には、上記のような経験則を用いて、学習用の既知スペクトルの１つ１つに対して予め適切な化合物グループをカテゴリーとして付与する手順が含まれている。そして、ＮＮは、同じ化合物グループに属する複数の既知スペクトルに基づいて、同じグループのスペクトルに共通したスペクトル形状の存在を捉えるとともに、他のグループのスペクトルに共通したスペクトル形状の不存在を捉えて、これらの既知スペクトルが特定の化合物グループに属していることを機械学習する。従って、学習済みのＮＮは、既知化合物のデータベースには含まれていない未知化合物であっても、その未知化合物のスペクトルデータを、ある程度の「ざっくり」とした、実用的な化合物グループに分類することが可能になり、熟練の分析者と同レベルのグループ分けを実行できるようになった。
従って、本発明の分類方法を用いれば、単独のＮＮを用いても未知スペクトルを適切に分類でき、かつ、実用的な化合物グループに分類できる方法を提供することができる。
本発明の一実施形態に係るスペクトル分析装置は、図１（Ａ）に示すようなニューラルネットワーク（ＮＮ）を構築するコンピュータ装置からなる。コンピュータ装置は、分析プログラムを実行し、学習済みＮＮに、未知化合物のスペクトルデータ（以下、未知スペクトル。）を読み取らせ、その未知化合物が属する化合物グループを回答させる。同図（Ａ）参照。
学習済みＮＮは、本発明に特徴的な機械学習を完了した状態のＮＮである。コンピュータ装置は、機械学習プログラムを実行し、ＮＮに既知化合物のスペクトルデータ（以下、既知スペクトル。）を順々に学習させる。図１（Ｂ）の教師データ一覧１００に示すような化合物グループ毎に分類された多数の既知スペクトルデータが、ＮＮの学習対象である。一覧には各化合物グループに属する既知スペクトルのデータ数が示されている。
ＮＮに学習を命じる者は、その準備段階として、スペクトル分類上の経験則に従ってカテゴリーを設定しておく。カテゴリーとは、例えば、「カルボン酸」、「カルボン酸塩」、「タンパク質・ポリアミド」などの化合物グループを指す。また、各々の化合物グループに属することが経験的に認められた既知化合物のサンプルを収集し、そのスペクトルデータを選定しておく。上記の化合物グループ「カルボン酸」には、例えば、ギ酸、酢酸、酪酸などのサンプルから収集した複数の既知スペクトルのデータを準備する。
なお、化合物グループの種類を設定する際は、スペクトル分析の用途を考慮するとよい。例えば、水道水や食品中の異物分析の用途などでは、設定すべき化合物グループの種類が経験的に確立されていることもあるので、それに従って化合物グループを設定してもよい。
コンピュータ装置は、機械学習プログラムを実行して、既知スペクトルおよび該既知化合物が属する化合物グループの各情報をＮＮに読み取らせるとともに、読み取った既知スペクトルおよび化合物グループの各情報をＮＮに機械学習させる。
以降、ニューラルネットワークとして、畳み込みニューラルネットワーク（ＣＮＮ）を用いた場合の機械学習を例示するが、この他の形式のニューラルネットワークにも本発明の分類方法を適用することができる。ＣＮＮの機械学習の手順の一例を図２に示す。ここでのＣＮＮは、１層以上の畳み込み層１０と全結合層２０とを組み合わせたモデルになっている。
既知スペクトルのデータ１０１は、例えば、１ｃｍ‐１毎の測定波数での光強度データのデータ列としてもよい。測定波数帯域が例えば７００〜３８９９ｃｍ‐１であれば、１つの既知スペクトルは、概ね２０００〜４０００個のデータ列になる。
畳み込み層１０には、Ｎ個の畳み込みフィルタ（フィルタ１、２、・・・、Ｎ）が設定されている。Ｎは２以上の自然数とする。これらのフィルタは、既知スペクトルに含まれるスペクトル形状の特徴を強調するためのもので、例えば、「鋭角なピーク形状を抽出するフィルタ」、「スペクトルの変化を円滑にするフィルタ」など様々なフィルタからなる。従って、ＣＮＮは、後段の全結合層２０において、強調されたスペクトル形状の特徴を示すデータと、その既知スペクトルが属する化合物グループとの関連性を学習することになる。
全結合層２０は、入力層、中間層（隠れ層）および出力層の多層構造を有し、入力層のデータ数は、畳み込み層１０からのフィルタ後の１セットの既知スペクトルのデータ数に対応している。中間層のデータ数は適宜定められる。出力層のデータ数は、設定された化合物グループの数に対応している。全結合層２０では、入力層の各データに重み付けパラメータを与えて足し合わせた数値が中間層のデータになる。また、中間層の各データに重み付けパラメータを与えて足し合わせた数値が出力層のデータになる。
コンピュータ装置は、機械学習プログラムを実行して、まず、Ｎ個の畳み込みフィルタ（フィルタ１、２、・・・、Ｎ）を用いて、畳み込み層１０に既知スペクトル１０１を前処理させる。畳み込み層１０には、フィルタ後のＮ個の既知スペクトルのデータが形成される。このような前処理ステップを、学習用スペクトル一覧１００内の全ての既知スペクトルに対して実行する。
次に、コンピュータ装置は、機械学習プログラムを実行して、Ｎ通りに前処理された既知スペクトルのデータの集合、つまり、フィルタ後の１セットの既知スペクトルのデータ２０１を全結合層２０に学習させる。具体的には、入力層に１セットの既知スペクトルのデータ２０１が入力される。そして、出力層からの出力値の中で、当該既知スペクトルの化合物グループに対応づけられた出力値が最大値を示すように、全結合層の重み付けパラメータが調整される。
全ての既知スペクトルについて全結合層２０での学習が実行されることによって、全結合層２０の重み付けパラメータが最適化され、どの既知スペクトルに対しても、それが属している化合物グループを正しく出力できるようになる。最適化された重み付けパラメータは、コンピュータ装置の記憶部に記憶される。
以上のような学習を終えた状態のＣＮＮを用いて、コンピュータ装置が分析プログラムを実行して、未知化合物を分類する手順は、次のようになる。
まず、コンピュータ装置は、Ｎ個の畳み込みフィルタ（フィルタ１、２、・・・、Ｎ）を用いて、畳み込み層１０での未知スペクトルの前処理を実行する。これによって、畳み込み層１０には、フィルタ後のＮ個の未知スペクトルのデータが形成される。
続けて、コンピュータ装置は、全結合層２０の入力層に、フィルタ後の１セットの未知スペクトルを読み取らせる。そして、全結合層２０の出力層からの出力値の中で、最大値を示すものに基づいて、当該未知スペクトルが属する化合物グループを回答する。
まず、コンピュータ装置は、Ｎ個の畳み込みフィルタ（フィルタ１、２、・・・、Ｎ）を用いて、畳み込み層１０での未知スペクトルの前処理を実行する。これによって、畳み込み層１０には、フィルタ後のＮ個の未知スペクトルのデータが形成される。
続けて、コンピュータ装置は、全結合層２０の入力層に、フィルタ後の１セットの未知スペクトルを読み取らせる。そして、全結合層２０の出力層からの出力値の中で、最大値を示すものに基づいて、当該未知スペクトルが属する化合物グループを回答する。
なお、本実施形態の分類方法は、赤外スペクトル、ラマンスペクトル、紫外スペクトル、蛍光Ｘ線スペクトルなどの各種スペクトルデータに適用できる。特に、赤外スペクトルは、測定波数範囲に渡って幅広いピークが重なった状態のスペクトルであることが多く、測定波数範囲の全点の強度データ（フルスペクトル）を有している。スペクトル形状を捉えてグループ分けする本実施形態の方法では、このような赤外スペクトルデータの分類に特に適していると言える。
本実施形態の方法による効果
本実施形態の未知化合物の分類方法によって、分子構造の違いや官能基の有無といった基礎的な情報に基づく化合物の同定方法とは異なり、スペクトル分析上の経験則に基づいた、ある程度「ざっくり」ではあるが実用的な化合物グループへの分類を可能にした。
本実施形態の未知化合物の分類方法によって、分子構造の違いや官能基の有無といった基礎的な情報に基づく化合物の同定方法とは異なり、スペクトル分析上の経験則に基づいた、ある程度「ざっくり」ではあるが実用的な化合物グループへの分類を可能にした。
これを可能にした理由は、まず、学習用の既知スペクトルに対し、その１つ１つにスペクトル分析上の経験則に基づいた化合物グループを割り当てたことにある。化合物グループの割り当ては、同じグループに属する既知スペクトルに共通したスペクトル形状の特徴点に基づいて行われる。次に、ＣＮＮが複数の畳み込みフィルタを用いて、既知スペクトルに含まれるスペクトル形状の特徴点を強調するための前処理を実施するようにしたことにある。
これらの方法によって、ＣＮＮは、同じグループに共通するスペクトル形状の特徴点を使って、既知スペクトルとそれが属する化合物グループとの関連性を効率的に学習することが可能になり、未知化合物を実用的な化合物グループに適切に分類することができるようになった。しかも、既知化合物のデータベースには含まれていない未知化合物であっても、どのグループに属するかの分類が可能であり、ＣＮＮの学習に必要な既知スペクトルの数は、既存のデータベース検索などに比べて、非常に少なくて済む。
また、機械学習させるＣＮＮは単独のニューラルネットワークであり、複数のニューラルネットワークが分岐するような階層構造ではないため、学習ステップおよび分類ステップをスピーディーかつ正確に実行することができる。
また、ユーザーは、ＣＮＮの分類結果に基づいて、未知化合物に関する措置を早急に実行したり、未知化合物をより高いレベルの分析機器に送って分析を継続したり、といった柔軟な対応をとることができる。
化合物グループに属する既知スペクトルの選定について
以下に、具体例を挙げて説明する。
例えば、分析の現場では、熟練者が「ポリスチレン」の化合物グループに入る可能性のあるスペクトル形状を見た際に、「少しカルボキシル基のピークが入っているが、この程度のピーク強度であれば、ポリスチレンに入れるべきだ」と判断するケースがある。逆に、「カルボキシル基のピーク強度が比較的大きいので、ポリスチレンというよりはカルボン酸に入れるべきだ」と判断するケースもある。
以下に、具体例を挙げて説明する。
例えば、分析の現場では、熟練者が「ポリスチレン」の化合物グループに入る可能性のあるスペクトル形状を見た際に、「少しカルボキシル基のピークが入っているが、この程度のピーク強度であれば、ポリスチレンに入れるべきだ」と判断するケースがある。逆に、「カルボキシル基のピーク強度が比較的大きいので、ポリスチレンというよりはカルボン酸に入れるべきだ」と判断するケースもある。
本実施形態の分類方法は、カルボキシル基を示すピークの有無をピンポイントで調べて、判断を下すというものではない。教師データ一覧に含める既知スペクトルの選定において、上記のように、ポリスチレンのスペクトル形状と、カルボキシル基のスペクトル形状（ピーク）と、を併せ持つような既知スペクトルのサンプルを積極的に採用する。両者のスペクトル形状を相対的に見て、ポリスチレンのスペクトル形状に対するカルボキシル基のピークの相対的な大きさが強いサンプルを「カルボン酸」グループに含めて、弱いサンプルを「ポリスチレン」グループに含める、というスペクトル分析上の経験則に従った選別を行うとよい。
このように選別された教師データ一覧を学習することによって、学習済みのＣＮＮは、複数の化合物グループに入る可能性があるサンプルに対しても、熟練者がそのスペクトル形状をみて判断するのと同じように、いずれかのグループへの適切な分類ができるようになる。
なお、ポリマーでないと判断されるサンプルの中から、カルボキシル基のピークの存在が認められる既知スペクトルについては、迷わず「カルボン酸」グループとして学習させればよい。
別の選別方法として、ポリスチレンにも該当し、カルボン酸にも該当するようなサンプルについては、「カルボン酸」グループには入れないで、一律的に「ポリスチレン」グループに入れるようにしてもよい。
また、例えば、カテゴリーに「セルロース・糖」グループを含めて、学習用の既知スペクトルとして砂糖やブトウ糖などのスペクトルデータを準備する。そして、学習済みのＣＮＮは、これらの既知化合物（砂糖・ブドウ糖など）について学習を終えているとする。本実施形態の分類方法であれば、上記のように比較的簡単な構造のスペクトルデータのみが学習対象になっている場合に、学習対象外の、より複雑な構造のトレハロースなどの化合物を、砂糖・ブドウ糖などと同グループであると見分けて正しく分類することができる。
図３に「カルボン酸」グループに属する３つの既知スペクトルのデータを例示する。図３は、横軸に４００〜４０００ｃｍ‐１の波数軸を取り、酢酸（Ａ）、パルミチン酸（Ｂ）およびラウリン酸（Ｃ）の各スペクトルデータを表わしている。
仮に、３つの既知スペクトルが同じグループに属するという情報を与えず、ニューラルネットワーク（ＮＮ）自身が、これらに共通するスペクトル形状を機械的に捉えて、グループ分けを行うとする。例えば、１７００ｃｍ‐１付近の比較的大きなピーク“１”が共通して存在していることを、ＮＮ自体が認識するだろう。しかし、図３（Ｂ），（Ｃ）では、３１００ｃｍ‐１付近の複数のピーク“２”がよく目立っているのに対して、図３（Ａ）にはそのような複数のピークが存在しない。そうすると、ＮＮ自体は、これらの情報を総合判断して、図３（Ｂ），（Ｃ）を同じグループと判断し、図３（Ａ）を別のグループと判断する可能性がある。ＮＮのような機械自身は、１つのスペクトルに含まれる個々のスペクトル形状を分け隔てなく処理するために、上記のような望ましくないグループ分けをする場合が生じるのである。
本実施形態では、カルボキシル基（−ＣＯＯＨ）に含まれる代表的な振動（ＯＨ、Ｃ＝Ｏ、Ｃ−Ｏ）に起因するピーク形状に基づいて、予め、学習用の既知スペクトルをグループに分ける。図３（Ａ）〜（Ｃ）の既知スペクトルでは、例えば、１７００ｃｍ‐１付近（Ｃ＝Ｏ）のピーク“１”、および、１４００ｃｍ‐１付近（Ｃ−Ｏ）のピーク“３”が共通して存在していることから、これら３つを同じグループにする。ピークがシフトしている可能性もあるので、ピーク“１”、“３”の相対的な位置関係や強度関係が共通していれば、同じグループにするとよい。
なお、既存の既知スペクトルのデータから派生した別の既知スペクトルを形成して、学習用の既知スペクトルのデータ数を拡充させすることが好ましい。派生した既知スペクトルの形成方法として以下の手法を採用し得る。
１．既知化合物のサンプルを異なる測定条件でスペクトル測定したものを既知スペクトルにする。例えば、積算回数、分解能、アポダイズ関数、Ｓ／Ｎ、ベースライン、水・ＣＯ２濃度などの測定条件を変更すればよい。
２．既知スペクトルに大気ノイズを付与して別の既知スペクトルにする。
３．コンピューターグラフィックス（ＣＧ）を利用して既知スペクトルを作成する。
４．既知スペクトルの一部波数域の値をゼロにしたり、誤差成分を加算したりする方法で、別の既知スペクトルを作成する。
この手法を用いれば、非常に簡単な方法で、学習用の既知スペクトルのデータ数を実質的に増加させることができ、学習済みＣＮＮの正解率を向上させることができる。
１．既知化合物のサンプルを異なる測定条件でスペクトル測定したものを既知スペクトルにする。例えば、積算回数、分解能、アポダイズ関数、Ｓ／Ｎ、ベースライン、水・ＣＯ２濃度などの測定条件を変更すればよい。
２．既知スペクトルに大気ノイズを付与して別の既知スペクトルにする。
３．コンピューターグラフィックス（ＣＧ）を利用して既知スペクトルを作成する。
４．既知スペクトルの一部波数域の値をゼロにしたり、誤差成分を加算したりする方法で、別の既知スペクトルを作成する。
この手法を用いれば、非常に簡単な方法で、学習用の既知スペクトルのデータ数を実質的に増加させることができ、学習済みＣＮＮの正解率を向上させることができる。
また、未知スペクトルの分類において、学習済みのＣＮＮが、スペクトル積算途中の未知化合物のスペクトルデータを繰返し読み取るとよい。そして、読み取った積算途中の未知スペクトルについて、ＣＮＮの出力値が一定レベルに達したならば、その出力値に応じた化合物グループを回答するとよい。
このような手順を用いれば、未知化合物のスペクトルの積算を進めながら、積算結果が一定レベルに達したと同時に、該当する化合物グループを取得することができる。よって、積算回数を必要最低限に抑えることができて、分析時間の短縮化を図ることができる。
［実施例１］
図４は、実施例１に係る教師データの一覧表、および、正解率を評価するためのテストデータの一覧表である。設定した化合物グループは１３種類（０．カルボン酸塩、１．アクリル、２．タンパク質・ポリアミド、３．ポリエステル系、４．カルボン酸、５．セルロース・糖、６．ＳｉＯ２、７．カルボン酸アルキル、８．カルボン酸エステル、９．ポリオレフィン、１０．シリコンオイル、１１．炭酸塩、１２．ポリスチレン）である。なお、各実施例で用いるＣＮＮは、試験段階のものに過ぎず、設定したグループ数も学習用の既知スペクトルも、まだまだ少ない。グループ毎のデータ数にもバラツキがある。教師データは合計８９１本であり、テストデータは合計８３本である。
図４は、実施例１に係る教師データの一覧表、および、正解率を評価するためのテストデータの一覧表である。設定した化合物グループは１３種類（０．カルボン酸塩、１．アクリル、２．タンパク質・ポリアミド、３．ポリエステル系、４．カルボン酸、５．セルロース・糖、６．ＳｉＯ２、７．カルボン酸アルキル、８．カルボン酸エステル、９．ポリオレフィン、１０．シリコンオイル、１１．炭酸塩、１２．ポリスチレン）である。なお、各実施例で用いるＣＮＮは、試験段階のものに過ぎず、設定したグループ数も学習用の既知スペクトルも、まだまだ少ない。グループ毎のデータ数にもバラツキがある。教師データは合計８９１本であり、テストデータは合計８３本である。
図５は、実施例１で用いるＣＮＮモデルを示す。畳み込み層およびプーリング層からなる第一層と、全結合層と、を組み合わせたＣＮＮモデルを用いる。３２００個の数値のデータ列である１本の既知スペクトルをＣＮＮに学習させる手順を説明しながら、ＣＮＮモデルの構成を説明する。ここで、１本の既知スペクトルのデータ列の３２００個の数値というのは、スペクトルの波数領域（例：７００〜３８９９ｃｍ‐１）を１ｃｍ‐１間隔でサンプリングして得られるスペクトルデータの点数に相当する。
畳み込み層に、幅３００の畳み込みフィルタを３２枚設ける。既知スペクトルを１本毎に、３２通りのフィルタ処理がなされ、スペクトル形状が各フィルタの特性に応じて様々に強調される。１本の既知スペクトルにつき、３２本のフィルタ後のスペクトルデータが形成される。
プーリング層には、スペクトル中の微細な変動をならすための幅１０のプーリングフィルタを設ける。プーリングフィルタは、畳み込み層からの既知スペクトルに対して、フィルタ内の１０個のデータ内の最大値を抽出する。また、プーリングフィルタは、既知スペクトル上を１データずつ移動（ステップ量：１）し、各位置においてそれぞれ最大値のデータを抽出する。このようにして、３２本の既知スペクトルがプーリングされる。
続いて、プーリング層の既知スペクトルをベクトル化して１本の長いデータ列を形成する。データ列の大きさは３２００×３２になる。全結合層の入力層は、このベクトル化されたデータ列を読み取るため、入力層のデータ数を３２００×３２にする。また、全結合層の出力層のデータ数を化合物のグループ数と同じ１３にして、出力層からの１３の出力値に化合物グループを１つずつ割り当てておく。
ＣＮＮの全結合層では、入力層に１本の既知スペクトルのデータ列（３２００×３２）が入力された際に、中間層を経て出力層から得られる出力値（データ数：１３）の中で、当該既知スペクトルの化合物グループを割り当てられている１つの出力値が最大になるように、全結合層の個々の重み付けパラメータを調整する。
以上のような学習を全ての既知スペクトルについて実行することで、全結合層２０の重み付けパラメータが最適化されて、機械学習が完了する。
図６は、実施例１の試験結果である。実施例１では、ＣＮＮに対して、図４の教師データ一覧の既知スペクトルのデータ列に基づいて、機械学習を実行させた。また、学習済みのＣＮＮに対して、図４のテストデータ一覧の未知スペクトルのデータ列を用いて、分類テストを行った。
未知スペクトルは、既知スペクトルと同様に畳み込み層およびプーリング層で各々のフィルタ処理を受けて、ベクトル化されたデータ列として、全結合層の入力層に読み取られる。そして、全結合層２０の出力層からの出力値の中で最大値を示すものに基づいて、その出力値に割り当てられている化合物グループを回答する。
実施例１の学習済みのＣＮＮは、テストデータに対して７４％の正解率が得られた。試験段階であるため教師データの数に制限があったが、限られた教師データの学習だけで良好な正解率が得られた。
［実施例２］
図７は、実施例２に係る教師データの一覧表である。設定した化合物グループを２４種類（０．カルボン酸、１．カルボン酸塩、２．カルボン酸エステル、３．タンパク質・ポリアミド、４．セルロース・糖、５．炭化水素系、６．ポリエステル系、７．アクリル系、８．シリコーン系、９．エポキシ、１０．ポリエーテル系、１１．フッ素系、１２．スチレン系、１３．ポリカーボネート、１４．ニトリル系、１５．ロジン系、１６．フェノール樹脂、１７．ポリビニル、１８．ウレタン、１９炭化水素系ゴム、２０．シリカ系、２１．炭酸塩、２２．タルク、２３．硫酸塩）に増やした。教師データは合計２４２１本である。
図７は、実施例２に係る教師データの一覧表である。設定した化合物グループを２４種類（０．カルボン酸、１．カルボン酸塩、２．カルボン酸エステル、３．タンパク質・ポリアミド、４．セルロース・糖、５．炭化水素系、６．ポリエステル系、７．アクリル系、８．シリコーン系、９．エポキシ、１０．ポリエーテル系、１１．フッ素系、１２．スチレン系、１３．ポリカーボネート、１４．ニトリル系、１５．ロジン系、１６．フェノール樹脂、１７．ポリビニル、１８．ウレタン、１９炭化水素系ゴム、２０．シリカ系、２１．炭酸塩、２２．タルク、２３．硫酸塩）に増やした。教師データは合計２４２１本である。
図８に、実施例２に用いるＣＮＮの構成と、このＣＮＮを用いた試験結果を示す。実施例２で用いるＣＮＮモデルには、畳み込み層およびプーリング層からなる層を３層（第１層から第３層）設けて、これと全結合層とを組み合わせた。
第１層では、畳み込み層に、幅５０のフィルタを１６枚設ける。また、プーリング層に、幅１０のプーリングフィルタを設けて最大値を抽出する。プーリングフィルタのステップ量を１とする。第１層までの前処理によって、１本の既知スペクトルから１６本のデータ列が形成される。
第２層では、畳み込み層に、幅２５のフィルタを３２枚設ける。また、プーリング層に、幅１０のプーリングフィルタを設けて最大値を抽出する。プーリングフィルタのステップ量を２とする。第２層までの前処理によって、１本の既知スペクトルから１６×３２本のデータ列が形成される。
第２層では、畳み込み層に、幅２５のフィルタを３２枚設ける。また、プーリング層に、幅１０のプーリングフィルタを設けて最大値を抽出する。プーリングフィルタのステップ量を２とする。第２層までの前処理によって、１本の既知スペクトルから１６×３２本のデータ列が形成される。
第３層では、畳み込み層に、幅２０のフィルタを３２枚設ける。また、プーリング層に、幅１０のプーリングフィルタを設けて最大値を抽出する。プーリングフィルタのステップ量を４とする。第３層までの前処理によって、１本の既知スペクトルから３２×３２本のデータ列が形成される。
このように３層の前処理を実行することで、１層だけでの前処理では強調し切れなかった既知スペクトルのスペクトル形状についても確実に強調することができる。
このように３層の前処理を実行することで、１層だけでの前処理では強調し切れなかった既知スペクトルのスペクトル形状についても確実に強調することができる。
続いて、第３層のプーリング層の既知スペクトルをベクトル化して１本の長いデータ列を形成する。データ列の大きさは１６００×３２になる。全結合層は、入力層、２段階の中間層、および出力層で構成されている。入力層が読み取ったデータ列（データ数：１６００×３２）は、１段目の中間層（１０２４）、２段目の中間層（５１２）を経て、出力層からの出力されるデータ数は２４になる。出力層の２４の出力値には、化合物グループが１つずつ割り当てられている。
以上の構成のＣＮＮに対して、図７の教師データ一覧の既知スペクトルを学習させることで、全結合層の重み付けパラメータが最適化されて、機械学習が完了する。
以上の構成のＣＮＮに対して、図７の教師データ一覧の既知スペクトルを学習させることで、全結合層の重み付けパラメータが最適化されて、機械学習が完了する。
図８の実施例２では、ＣＮＮに対して、図７の教師データ一覧の既知スペクトルのデータ列に基づいて、機械学習を実行させた。また、学習済みのＣＮＮに対して、未知スペクトルのデータ列をテストデータとして用いて、分類テストを行った。
実施例２の結果、学習済みのＣＮＮは、テストデータに対して約９０％の正解率が得られた。試験段階であるため教師データの数に制限があったが、グループ数を２４種類まで増やしても良好な正解率を確保できることが分かった。
さらに、教師データについては、グループ毎のデータ数にバラツキがある。中には、教師データが数本のものがあるにも関わらず、約９０％の正解率が得られたことは驚きである。
さらに、教師データについては、グループ毎のデータ数にバラツキがある。中には、教師データが数本のものがあるにも関わらず、約９０％の正解率が得られたことは驚きである。
前処理における畳み込みフィルタ適用後のスペクトルデータをモニター表示して可視化したところ、フィルタの中には、ピークを上手く抽出できているものや、全体を平滑化しているものなどがあり、中にはスペクトル情報をなくす（全てゼロ）にしているものがある。これらのことから、各層のフィルタの特性に応じて、スペクトル形状が様々に強調されていることが分かる。なお、実施例２では第１層と第２層との間に際立った差は確認されなかったが、このような段階的にフィルタを適用する際のスペクトルの形状の過程を視覚化させることで、ＣＮＮの設計の最適化を図れる可能性がある。
実施例１および２での化合物グループの設定は、食品中の異物分析や水道水中の異物分析を長年実施してきた実績に基づいている。分析対象の異物は、水に溶けていない状態、つまり、目視（顕微鏡を用いる場合を含む）して認識できる状態であることが好ましい。これらの実施例より、本発明の方法がこれらの異物分析の用途に特に適していることが分かる。
１０ 畳み込み層
２０ 全結合層
１００ 教師データ一覧
２００ フィルタ後の１セットの既知スペクトル
１０１ 既知スペクトルのデータ列（既知化合物のスペクトルデータ）
２０１ 畳み込みフィルタ後の１セットの既知スペクトルのデータ列
２０ 全結合層
１００ 教師データ一覧
２００ フィルタ後の１セットの既知スペクトル
１０１ 既知スペクトルのデータ列（既知化合物のスペクトルデータ）
２０１ 畳み込みフィルタ後の１セットの既知スペクトルのデータ列
すなわち、本発明に係る機械学習を用いた未知化合物の分類方法は、
経験則に従って、複数の化合物グループを設定するとともに、前記化合物グループの各々に属する複数の既知化合物の分光スペクトルデータを既知スペクトルとして準備する準備ステップと、
コンピュータ装置上のニューラルネットワークが、前記ステップで準備された前記既知スペクトルおよび前記化合物グループの情報を読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通するスペクトル形状の特徴を学習する学習ステップと、
学習済みの前記ニューラルネットワークが、未知化合物の分光スペクトルデータを未知スペクトルとして読み取って、前記共通するスペクトル形状の特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答する分類ステップと、を備えることを特徴とする。
経験則に従って、複数の化合物グループを設定するとともに、前記化合物グループの各々に属する複数の既知化合物の分光スペクトルデータを既知スペクトルとして準備する準備ステップと、
コンピュータ装置上のニューラルネットワークが、前記ステップで準備された前記既知スペクトルおよび前記化合物グループの情報を読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通するスペクトル形状の特徴を学習する学習ステップと、
学習済みの前記ニューラルネットワークが、未知化合物の分光スペクトルデータを未知スペクトルとして読み取って、前記共通するスペクトル形状の特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答する分類ステップと、を備えることを特徴とする。
ここで、前記準備ステップでは、複数の前記化合物グループに属し得るそれぞれの前記化合物グループの前記スペクトル形状の特徴を併せ持った分光スペクトルデータに、経験則によりいずれかの前記化合物グループへの属性を定めて、前記既知スペクトルとする。
また、前記ニューラルネットワークは、少なくとも１層の畳み込み層と、前記畳み込み層に続く全結合層と、を備え、
前記学習ステップは、
前記畳み込み層が、個々の前記既知スペクトルに対し、当該既知スペクトルに含まれるスペクトル形状の特徴を強調するための畳み込みフィルタを２以上用いて、前記既知スペクトルを前処理するステップと、
前記全結合層が、前処理された前記既知スペクトルを１セットとして、当該既知スペクトルに対応する前記化合物グループの情報とともに読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通する前記スペクトル形状の特徴を学習するステップと、を含むことが好ましい。
また、前記ニューラルネットワークは、少なくとも１層の畳み込み層と、前記畳み込み層に続く全結合層と、を備え、
前記学習ステップは、
前記畳み込み層が、個々の前記既知スペクトルに対し、当該既知スペクトルに含まれるスペクトル形状の特徴を強調するための畳み込みフィルタを２以上用いて、前記既知スペクトルを前処理するステップと、
前記全結合層が、前処理された前記既知スペクトルを１セットとして、当該既知スペクトルに対応する前記化合物グループの情報とともに読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通する前記スペクトル形状の特徴を学習するステップと、を含むことが好ましい。
また、前記分類ステップは、
前記畳み込み層が、２以上の前記畳み込みフィルタを用いて、前記未知スペクトルを前処理するステップと、
前記全結合層が、前処理された前記未知スペクトルを１セットとして読み取って、共通する前記スペクトル形状の特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を含むことが好ましい。
前記畳み込み層が、２以上の前記畳み込みフィルタを用いて、前記未知スペクトルを前処理するステップと、
前記全結合層が、前処理された前記未知スペクトルを１セットとして読み取って、共通する前記スペクトル形状の特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を含むことが好ましい。
また、前記分類ステップは、
学習済みの前記ニューラルネットワークが、スペクトル積算途中の前記未知化合物のスペクトルデータを未知スペクトルとして繰返し読み取るステップと、
前記ステップで読み取った積算途中の未知スペクトルに対する前記ニューラルネットワークの出力値が一定レベルに達した段階で化合物グループを回答するステップと、を含むことが好ましい。
本発明に係る学習済みのニューラルネットワークの製造方法は、
同じ化合物グループの既知の分光スペクトルデータに共通するスペクトル形状の特徴の有無に基づいて、未知スペクトルをいずれかの化合物グループに分類することができるように学習済みのニューラルネットワークを製造する方法であって、
経験則に従って、複数の化合物グループを設定するとともに、前記化合物グループの各々に属する複数の既知化合物の分光スペクトルデータを既知スペクトルとして準備する準備ステップと、
コンピュータ装置上のニューラルネットワークが、前記ステップで準備された前記既知スペクトルおよび前記化合物グループの情報を読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通するスペクトル形状の特徴を学習する学習ステップと、を含み、
前記準備ステップでは、複数の前記化合物グループに属し得るそれぞれの前記化合物グループの前記スペクトル形状の特徴を併せ持った分光スペクトルデータに、経験則によりいずれかの前記化合物グループへの属性を定めて、前記既知スペクトルとし、
前記学習ステップには、少なくとも１層の畳み込み層と前記畳み込み層に続く全結合層とを有する前記ニューラルネットワークを用いて、
前記畳み込み層が、個々の前記既知スペクトルに対し、当該既知スペクトルに含まれるスペクトル形状の特徴を強調するための畳み込みフィルタを２以上用いて、前記既知スペクトルを前処理するステップと、
前記全結合層が、前処理された前記既知スペクトルを１セットとして、当該既知スペクトルに対応する前記化合物グループの情報とともに読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通する前記スペクトル形状の特徴を学習するステップと、が含まれることを特徴とする。
学習済みの前記ニューラルネットワークが、スペクトル積算途中の前記未知化合物のスペクトルデータを未知スペクトルとして繰返し読み取るステップと、
前記ステップで読み取った積算途中の未知スペクトルに対する前記ニューラルネットワークの出力値が一定レベルに達した段階で化合物グループを回答するステップと、を含むことが好ましい。
本発明に係る学習済みのニューラルネットワークの製造方法は、
同じ化合物グループの既知の分光スペクトルデータに共通するスペクトル形状の特徴の有無に基づいて、未知スペクトルをいずれかの化合物グループに分類することができるように学習済みのニューラルネットワークを製造する方法であって、
経験則に従って、複数の化合物グループを設定するとともに、前記化合物グループの各々に属する複数の既知化合物の分光スペクトルデータを既知スペクトルとして準備する準備ステップと、
コンピュータ装置上のニューラルネットワークが、前記ステップで準備された前記既知スペクトルおよび前記化合物グループの情報を読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通するスペクトル形状の特徴を学習する学習ステップと、を含み、
前記準備ステップでは、複数の前記化合物グループに属し得るそれぞれの前記化合物グループの前記スペクトル形状の特徴を併せ持った分光スペクトルデータに、経験則によりいずれかの前記化合物グループへの属性を定めて、前記既知スペクトルとし、
前記学習ステップには、少なくとも１層の畳み込み層と前記畳み込み層に続く全結合層とを有する前記ニューラルネットワークを用いて、
前記畳み込み層が、個々の前記既知スペクトルに対し、当該既知スペクトルに含まれるスペクトル形状の特徴を強調するための畳み込みフィルタを２以上用いて、前記既知スペクトルを前処理するステップと、
前記全結合層が、前処理された前記既知スペクトルを１セットとして、当該既知スペクトルに対応する前記化合物グループの情報とともに読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通する前記スペクトル形状の特徴を学習するステップと、が含まれることを特徴とする。
Claims (5)
- 経験則に従って、複数の化合物グループを設定するとともに、前記化合物グループの各々に属する複数の既知化合物のスペクトルデータを既知スペクトルとして準備するステップと、
コンピュータ装置上のニューラルネットワークが、前記ステップで準備された前記既知スペクトルおよび前記化合物グループの情報を読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通する特徴を学習するステップと、
学習済みの前記ニューラルネットワークが、未知化合物のスペクトルデータを未知スペクトルとして読み取って、前記共通する特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を備える、
ことを特徴とする機械学習を用いた未知化合物の分類方法。 - 請求項１記載の方法において、
前記ニューラルネットワークは、少なくとも１層の畳み込み層と前記畳み込み層に続く全結合層とを備え、
前記ニューラルネットワークが個々の前記既知スペクトルを学習するステップは、
前記畳み込み層が、前記既知スペクトルに含まれるスペクトル形状の特徴を強調するための畳み込みフィルタを２以上用いて、前記既知スペクトルを前処理するステップと、
前記全結合層が、前処理された２以上の前記既知スペクトルを１セットとして読み取って、同一の前記化合物グループに属する複数の前記既知スペクトルに共通するスペクトル形状の特徴を学習するステップと、を含む、
ことを特徴とする機械学習を用いた未知化合物の分類方法。 - 請求項２記載の方法において、
学習済みの前記ニューラルネットワークが化合物グループを回答するステップは、
前記畳み込み層が、２以上の前記畳み込みフィルタを用いて、前記未知スペクトルを前処理するステップと、
前記全結合層が、前処理された２以上の前記未知スペクトルを１セットとして読み取って、共通するスペクトル形状の特徴の有無に基づいて、前記未知スペクトルが属する化合物グループを回答するステップと、を含む、
ことを特徴とする機械学習を用いた未知化合物の分類方法。 - 請求項１から３のいずれかに記載の方法において、
前記既知スペクトルを準備するステップは、前記既知スペクトルから派生した別の既知スペクトルを形成して、学習に用いる既知スペクトルを拡充させるステップを含む、
ことを特徴とする機械学習を用いた未知化合物の分類方法。 - 請求項１から４のいずれかに記載の方法において、
学習済みの前記ニューラルネットワークが化合物グループを回答するステップは、
学習済みの前記ニューラルネットワークが、スペクトル積算途中の前記未知化合物のスペクトルデータを未知スペクトルとして繰返し読み取るステップと、
前記ステップで読み取った積算途中の未知スペクトルに対する前記ニューラルネットワークの出力値が一定レベルに達した段階で化合物グループを回答するステップと、を含む、
ことを特徴とする機械学習を用いた未知化合物の分類方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017161341A JP6438549B1 (ja) | 2017-08-24 | 2017-08-24 | 機械学習を用いた未知化合物の分類方法 |
| CN201880054678.4A CN111033230A (zh) | 2017-08-24 | 2018-08-10 | 利用光谱的高速分类进行的实时光谱解析 |
| JP2019528587A JP6863625B2 (ja) | 2017-08-24 | 2018-08-10 | スペクトルの高速分類を利用したリアルタイムスペクトル解析 |
| US16/640,757 US11913877B2 (en) | 2017-08-24 | 2018-08-10 | Real-time spectral analysis through high-speed spectral classification |
| PCT/JP2018/030028 WO2019039313A1 (ja) | 2017-08-24 | 2018-08-10 | スペクトルの高速分類を利用したリアルタイムスペクトル解析 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017161341A JP6438549B1 (ja) | 2017-08-24 | 2017-08-24 | 機械学習を用いた未知化合物の分類方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6438549B1 JP6438549B1 (ja) | 2018-12-12 |
| JP2019039773A true JP2019039773A (ja) | 2019-03-14 |
Family
ID=64655889
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017161341A Active JP6438549B1 (ja) | 2017-08-24 | 2017-08-24 | 機械学習を用いた未知化合物の分類方法 |
| JP2019528587A Active JP6863625B2 (ja) | 2017-08-24 | 2018-08-10 | スペクトルの高速分類を利用したリアルタイムスペクトル解析 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019528587A Active JP6863625B2 (ja) | 2017-08-24 | 2018-08-10 | スペクトルの高速分類を利用したリアルタイムスペクトル解析 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11913877B2 (ja) |
| JP (2) | JP6438549B1 (ja) |
| CN (1) | CN111033230A (ja) |
| WO (1) | WO2019039313A1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021047049A (ja) * | 2019-09-17 | 2021-03-25 | 株式会社Ｎｔｔドコモ | 情報処理装置、情報処理方法及び情報処理プログラム |
| JP2021521463A (ja) * | 2018-04-06 | 2021-08-26 | ブラスケム アメリカ インコーポレイテッドＢｒａｓｋｅｍ Ａｍｅｒｉｃａ，Ｉｎｃ． | ラマン分光法、および品質管理のための機械学習 |
| WO2022038852A1 (ja) * | 2020-08-18 | 2022-02-24 | 株式会社島津製作所 | データ解析装置、データ解析方法、学習済みモデルの生成方法、システム、及びプログラム |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7158320B2 (ja) | 2019-03-15 | 2022-10-21 | 浜松ホトニクス株式会社 | 畳み込みニューラルネットワーク判断根拠抽出方法および装置 |
| JP6778451B1 (ja) * | 2020-01-10 | 2020-11-04 | 日本分光株式会社 | 異物分析方法、異物分析プログラムおよび異物分析装置 |
| JP7297348B2 (ja) * | 2020-03-05 | 2023-06-26 | 国立研究開発法人物質・材料研究機構 | スペクトル汎化システム及び方法、並びに物質同定システム及び方法 |
| JP7130267B2 (ja) | 2020-09-03 | 2022-09-05 | 株式会社リガク | 全反射蛍光ｘ線分析装置及び推定方法 |
| EP4239536A1 (en) * | 2020-10-27 | 2023-09-06 | Konica Minolta, Inc. | Information processing device, information processing system, and learned model |
| EP4053556A1 (en) * | 2021-03-05 | 2022-09-07 | Sysmex Corporation | Measurement sample preparation method, analysis method, reagent, and reagent kit |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000003353A (ja) * | 1998-06-12 | 2000-01-07 | Toyo Electric Mfg Co Ltd | 配水量予測方法 |
| JP2003140708A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | 学習制御空調装置の教師データ作成方法 |
| US20030184730A1 (en) * | 2002-01-23 | 2003-10-02 | The Regents Of The University Of California | Fast 3D cytometry for information in tissue engineering |
| JP2008033424A (ja) * | 2006-07-26 | 2008-02-14 | Canon Inc | 画像処理装置、画像処理方法、プログラム及び記憶媒体 |
| JP2015191334A (ja) * | 2014-03-27 | 2015-11-02 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8017910B2 (en) * | 2008-10-20 | 2011-09-13 | Nalco Company | Method for predicting hydrocarbon process stream stability using near infrared spectra |
| WO2013059310A1 (en) * | 2011-10-17 | 2013-04-25 | Thermo Electron Scientific Instruments Llc | Multi -component regression/multi - component analysis of time and/or space series files |
| 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 |
| JP2016528496A (ja) | 2013-08-02 | 2016-09-15 | ベリフード， リミテッドＶｅｒｉｆｏｏｄ， Ｌｔｄ． | 分光器システムおよび方法、分光分析デバイスおよび方法 |
| JP7129909B2 (ja) * | 2016-02-18 | 2022-09-02 | オプトフルイディクス インコーポレイテッド | 流体試料中の粒子を特徴付けるためのシステム及び方法 |
-
2017
- 2017-08-24 JP JP2017161341A patent/JP6438549B1/ja active Active
-
2018
- 2018-08-10 JP JP2019528587A patent/JP6863625B2/ja active Active
- 2018-08-10 US US16/640,757 patent/US11913877B2/en active Active
- 2018-08-10 CN CN201880054678.4A patent/CN111033230A/zh active Pending
- 2018-08-10 WO PCT/JP2018/030028 patent/WO2019039313A1/ja active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000003353A (ja) * | 1998-06-12 | 2000-01-07 | Toyo Electric Mfg Co Ltd | 配水量予測方法 |
| JP2003140708A (ja) * | 2001-11-05 | 2003-05-16 | Denso Corp | 学習制御空調装置の教師データ作成方法 |
| US20030184730A1 (en) * | 2002-01-23 | 2003-10-02 | The Regents Of The University Of California | Fast 3D cytometry for information in tissue engineering |
| JP2008033424A (ja) * | 2006-07-26 | 2008-02-14 | Canon Inc | 画像処理装置、画像処理方法、プログラム及び記憶媒体 |
| JP2015191334A (ja) * | 2014-03-27 | 2015-11-02 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
Non-Patent Citations (3)
| Title |
|---|
| ACQUARELLI J , ET AL: "Convolutional neural networks for vibrational spectroscopic data analysis", ANALYTICA CHIMICA ACTA, vol. 954, JPN6017044297, 27 December 2016 (2016-12-27), pages 22 - 31, XP029879096, ISSN: 0003767547, DOI: 10.1016/j.aca.2016.12.010 * |
| CHEN S S , ET AL: "Convolutional Neural Network for Classification of Solar Radio Spectrum", PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO WORKSHOPS (ICMEW) 2017, vol. 2017, JPN6017044296, 10 July 2017 (2017-07-10), pages 198 - 201, XP033148293, ISSN: 0003767546, DOI: 10.1109/ICMEW.2017.8026227 * |
| LIU J , ET AL.: "Deep Convolutional Neural Networks for Raman Spectrum Recognition : A Unified Solution", ARXIV, vol. arXiv:1708.09022v1, JPN6018010724, 18 August 2017 (2017-08-18), pages 1 - 14, ISSN: 0003767548 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021521463A (ja) * | 2018-04-06 | 2021-08-26 | ブラスケム アメリカ インコーポレイテッドＢｒａｓｋｅｍ Ａｍｅｒｉｃａ，Ｉｎｃ． | ラマン分光法、および品質管理のための機械学習 |
| JP7053946B2 (ja) | 2018-04-06 | 2022-04-12 | ブラスケム アメリカ インコーポレイテッド | ラマン分光法、および品質管理のための機械学習 |
| JP2021047049A (ja) * | 2019-09-17 | 2021-03-25 | 株式会社Ｎｔｔドコモ | 情報処理装置、情報処理方法及び情報処理プログラム |
| JP7264375B2 (ja) | 2019-09-17 | 2023-04-25 | 株式会社Ｎｔｔドコモ | 情報処理装置、情報処理方法及び情報処理プログラム |
| WO2022038852A1 (ja) * | 2020-08-18 | 2022-02-24 | 株式会社島津製作所 | データ解析装置、データ解析方法、学習済みモデルの生成方法、システム、及びプログラム |
| JP7452667B2 (ja) | 2020-08-18 | 2024-03-19 | 株式会社島津製作所 | データ解析装置、データ解析方法、学習済みモデルの生成方法、システム、及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019039313A1 (ja) | 2019-02-28 |
| JP6863625B2 (ja) | 2021-04-21 |
| JPWO2019039313A1 (ja) | 2019-11-07 |
| US11913877B2 (en) | 2024-02-27 |
| US20210055211A1 (en) | 2021-02-25 |
| CN111033230A (zh) | 2020-04-17 |
| JP6438549B1 (ja) | 2018-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6438549B1 (ja) | 機械学習を用いた未知化合物の分類方法 | |
| CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
| Kaur et al. | Quality detection of fruits by using ANN technique | |
| Ma et al. | Automated arrival-time picking using a pixel-level network | |
| CN107563364A (zh) | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 | |
| CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
| CN111134664A (zh) | 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质 | |
| CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
| CN112733884A (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
| CN106372111A (zh) | 局部特征点筛选方法及系统 | |
| CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
| CN111986195A (zh) | 一种外观缺陷检测方法及系统 | |
| CN112674771A (zh) | 基于图像注视差异的抑郁人群鉴别方法及装置 | |
| Nazulan et al. | Detection of sweetness level for fruits (watermelon) with machine learning | |
| CN116434206A (zh) | 一种基于机器视觉技术的棉花质量性状检测方法 | |
| CN113838524B (zh) | S-亚硝基化位点预测方法、模型训练方法及存储介质 | |
| Kähler et al. | Anomaly detection for industrial surface inspection: Application in maintenance of aircraft components | |
| CN109685756A (zh) | 影像特征自动辨识装置、系统及方法 | |
| CN109145685A (zh) | 基于集成学习的果蔬高光谱品质检测方法 | |
| Gajanan et al. | Detection of leaf disease using feature extraction for Android based system | |
| TW201822121A (zh) | 水果成熟度與品質優劣辨識系統及方法 | |
| CN108827925A (zh) | 基于光纤式荧光光谱技术的食用植物油真伪快速检测方法和检测装置 | |
| Kaur et al. | ANN based technique for vegetable quality detection | |
| CN113284563A (zh) | 一种蛋白质质谱定量分析结果的筛选方法及系统 | |
| CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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: 20181106 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181116 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6438549 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |