JP2019086473A - 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 - Google Patents

Abstract

【課題】波形データに含まれる情報を精度よく検出する。【解決手段】実施形態の学習プログラムは、入力データに含まれる波形データの情報を識別する学習器を学習させる学習プログラムであって、入力する処理と、学習を行う処理とをコンピュータに実行させる。入力する処理は、入力データに含まれる波形データのスケール情報と、入力データを変換した変換データとを、学習器のニューラルネットワークに入力する。学習を行う処理は、入力データに対応する、波形データに関する情報を教師データとしてニューラルネットワークの学習を行う。【選択図】図３

Description

本発明の実施形態は、学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置に関する。

従来、クロマトグラフなどの波形データに含まれるピークなどの特徴をニューラルネットワークの学習により検出する手法が知られている。ニューラルネットワークを用いた特徴検出については、空間スペクトルの二次元画像に対して畳み込み処理を行い、ＣＮＮ（畳み込みニューラルネットワーク）を用いて学習させた識別器により音源同定を行う装置が知られている。

特開２０１７−４４９１６号公報 特開平６−２２５８５９号公報 特開平２−２９７０６０号公報

しかしながら、上記の従来技術では、波形データに含まれるノイズもピークとして誤って検出され、波形データに含まれる情報の検出精度が低減する場合がある。

図８は、従来の検出結果を説明する説明図である。図８は、クロマトグラムの波形データＷ２０に含まれるピークの開始（始点）から終了（終点）の範囲の検出結果Ｒ２１〜Ｒ２３の例である。図８に示すように、雨量・株価チャート、道路の交通量、温度・湿度等の変動の範囲が特定のスケールに限られるものと比べ、クロマトグラムの波形データＷ２０は、ピークのスケールが大きく、変動の範囲が大きいデータである。

この波形データＷ２０の二次元画像に対してＣＮＮを用いて学習させた識別器でピークの範囲を検出した場合は、スケールの小さいノイズ部分についても、波形の形状から検出結果Ｒ２２、Ｒ２３として検出されてしまう。

１つの側面では、波形データに含まれる情報を精度よく検出することを可能とする学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置を提供することを目的とする。

第１の案では、入力データに含まれる波形データの情報を識別する学習器を学習させる学習プログラムであって、入力する処理と、学習を行う処理とをコンピュータに実行させる。入力する処理は、入力データに含まれる波形データのスケール情報と、入力データを変換した変換データとを、学習器のニューラルネットワークに入力する。学習を行う処理は、入力データに対応する、波形データに関する情報を教師データとしてニューラルネットワークの学習を行う。

本発明の１実施態様によれば、波形データに含まれる情報を精度よく検出することを可能とする。

図１Ａは、実施形態にかかる学習装置の機能構成を例示するブロック図である。 図１Ｂは、実施形態にかかる検出装置の機能構成を例示するブロック図である。 図２は、学習器のニューラルネットワークを説明する説明図である。 図３は、学習にかかる処理を例示するフローチャートである。 図４は、波形データの入力を説明する説明図である。 図５は、検出にかかる処理を例示するフローチャートである。 図６は、実施形態にかかる検出装置の検出結果を説明する説明図である。 図７は、プログラムを実行するコンピュータの一例である。 図８は、従来の検出結果を説明する説明図である。

以下、図面を参照して、実施形態にかかる学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置を説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明する学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置は、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。

図１Ａは、実施形態にかかる学習装置の機能構成を例示するブロック図である。図１Ｂは、実施形態にかかる検出装置の機能構成を例示するブロック図である。

図１Ａに示すように、学習装置１は、入力部２１および学習部２２を有する。入力部２１は、波形データＷ１と、教師データＴＤとを入力データとして受け付ける。学習部２２は、教師データＴＤによる教師付き学習により、波形データＷ１に含まれる情報を判別するように学習器１０を学習させる。

図１Ｂに示すように、検出装置２は、入力部２１、検出部２３および出力部２４を有する。入力部２１は、検出対象の波形データＷ２を入力データとして受け付ける。検出部２３は、学習装置１での教師付き学習により学習を行わせた学習器１０により、波形データＷ２に含まれる情報を検出する。出力部２４は、検出部２３による検出結果をディスプレイへの表示出力、紙媒体等への印字出力またはファイル出力などを行う。この出力により、ユーザは、波形データＷ２に含まれる情報を確認できる。

本実施形態では、学習器１０を学習させる学習装置１と、学習装置１により学習を行わせた学習器１０を用いて波形データＷ２に含まれる情報を検出する検出装置２とを分離して実現する構成を例示する。なお、学習装置１と、検出装置２とは、分離することなく、学習装置１、検出装置２の機能を統合した情報処理装置として実現してもよい。

また、学習・検出対象の波形データＷ１、Ｗ２は、水平軸または垂直軸に沿って変動データを示すものであればいずれであってもよく、例えば水平軸を時間軸、垂直軸を何らかの物理量として時系列的にデータが変動する時系列グラフなどであってもよい。本実施形態では、学習・検出対象の波形データＷ１、Ｗ２を、水平軸に保持時間、垂直軸に検出された成分の強度を示すクロマトグラムとする。なお、クロマトグラム以外の例としては、雨量グラフ、株価チャート、地震計の振動波形などがある。

また、学習・検出対象の波形データＷ１、Ｗ２より学習器１０が判別する情報は、ピークの始点および終点に関する情報であり、例えばピークの始点・終点の位置および強度、１つのピークにおける始点から終点まで至る距離値などがある。また、学習器１０が判別する情報には、波形の面積に関する情報が含まれていてもよく、例えば１つのピークにおける始点から終点に至るまでの範囲で囲まれた面積値（ピーク面積）などが含まれていてもよい。

例えば、クロマトグラムでは、試料がカラムを通ることで試料に含まれる各成分の分離が達成されることから、ピークの始点は試料に含まれる成分ごとに異なる。また、ピークの始点から終点に至る範囲（ピーク面積）は、ピークに対応する成分の分量に対応する。

よって、検出対象の波形データＷ２について、ピークの始点および終点に関する情報や波形の面積に関する情報を判別することで、試料に含まれる各成分と、その分量を特定することができる。

なお、学習器１０が判別する情報は、上記の例に限定するものではなく、例えばピークの開始から水平軸または垂直軸方向に所定値変位した点であってもよい。例えば、雨量や川の水量のグラフでは、雨量や川の水量が開始から一定量変位したところを判別して警報を出す（または警報解除する）場合がある。したがって、学習・検出対象の波形データＷ１、Ｗ２が雨量や川の水量のグラフである場合は、ピークの開始から水平軸または垂直軸方向に所定値変位した点を判別することで、適切に警報を出す（または警報解除する）ことができる。

学習器１０は、脳のニューロンを模したユニットを階層的に結合したニューラルネットワークを有する。脳には、多数のニューロン（神経細胞）が存在する。各ニューロンは、他のニューロンから信号を受け取り、他のニューロンへ信号を受け渡す。脳は、この信号の流れによって、様々な情報処理を行う。学習器１０におけるニューラルネットワークは、このような脳の機能の特性を計算機上で実現したモデルである。以下では、ニューラルネットワークで伝送されるデータをニューロンデータと呼ぶ。

図２は、学習器１０のニューラルネットワークを説明する説明図である。図２に示すように、学習器１０のニューラルネットワーク１１は、階層構造を持った階層ニューラルネットワークであり、入力層１１ａと出力層１１ｃとの間に複数の中間層１１ｂを有し得る。複数の中間層１１ｂは、例えば、畳み込み層、活性化関数層、プーリング層、全結合層およびソフトマックス層を含む。各層の数及び位置は、要求されるアーキテクチャに応じて随時変更され得る。すなわち、ニューラルネットワーク１１の階層構造や各層の構成は、識別する対象などに応じて、設計者が予め定めることができる。

例えば、本実施形態では、入力データに含まれる波形データＷ１、Ｗ２のスケール情報（詳細は後述する）と、波形データＷ１、Ｗ２を変換した変換データとを入力層１１ａに入力する。具体的には、変換データとして波形データＷ１、Ｗ２を画像化した画像データ（Ｎ×Ｍピクセル（ｐｉｘ）の画像データ）を入力層１１ａに入力する。このため、入力層１１ａについては、スケール情報とともに、Ｎ×Ｍピクセル（ｐｉｘ）の画像データを受け付ける構成となっている。また、中間層１１ｂにおいては、入力された画像データからの特徴抽出を可能とするように、畳み込み層と、プーリング層とを交互に積み重ねたＣＮＮ（畳み込みニューラルネットワーク）としての構成を有している。

また、出力層１１ｃについては、教師データＴＤによる学習により、入力された波形データＷ１、Ｗ２の水平軸および垂直軸における、ピークの始点および終点に関する情報や波形の面積に関する情報を出力する構成となっている。

具体的には、出力層１１ｃは、入力された波形データＷ１、Ｗ２について、水平軸（保持時間）方向の位置ごとの、ピークの始点位置・終点位置であることの有無を出力する。例えば、出力層１１ｃは、水平軸（保持時間）方向の所定位置におけるピークの始点・終点の有無をそれぞれ１次元の出力として、位置ごとの有無（始点の有無、終点の有無）をそれぞれ１０００次元で出力する。

また、出力層１１ｃは、入力された波形データＷ１、Ｗ２について、水平軸（保持時間）方向の位置ごとの、ピークの始点・終点である場合の強度値、始点−終点間の距離値、ピーク面積値などを出力する。例えば、出力層１１ｃは、水平軸（保持時間）方向の所定位置におけるピークの始点・終点の強度値、始点−終点間の距離値、ピーク面積値などをそれぞれ１次元の出力として、位置ごとの値（始点・終点の強度値、距離値、ピーク面積値）をそれぞれ１０００次元で出力する。

このように、出力層１１ｃは、ピークの始点および終点に関する情報や波形の面積に関する情報を、水平軸における位置ごとの多次元のデータとして出力する。

ここで、中間層１１ｂの演算について説明する。畳み込み層では、入力したニューロンデータの畳み込み演算（畳み込み処理）を行い、入力ニューロンデータの特徴を抽出する。例えば、畳み込み層では、Ｎ×Ｍピクセルの画像の各画素の値をそれぞれニューロンデータとして、それぞれパラメータが設定されたｍ×ｍのサイズのフィルタと畳み込み（convolution）を計算することで、次層への出力用のニューロンデータを作成する。

活性化関数層では、畳み込み層で抽出された特徴を強調する。すなわち、活性化関数層では、活性化関数に出力用のニューロンデータを通過させることで、発火（activation）をモデル化する。発火とは、ニューロンから出力される信号の値がある値を超えるときに出力される信号が他のニューロンに伝達される現象をいう。活性化関数としては、非線形な活性化関数を用いることができ、例えば、ＲｅＬＵ（Rectified Linear Unit：ランプ関数）を用いることができる。

プーリング層は、例えば畳み込み層の直後に置かれ、入力したニューロンデータの間引きを行う。これにより、プーリング層では、抽出された特徴の位置感度を低下させる働きがある。例えば、プーリング層では、ｋ×ｋの領域ごとに、最大値を取り出すMax-Poolingにより、間引きを行う。間引きは、その他、何れの手法で行ってもよい。例えば、ｋ×ｋの領域の平均値を取り出すAverage-Poolingで、間引きを行ってもよい。また、プーリング層では、間引きを行うｋ×ｋの領域を一部重複させてもよく、重複させずに隣接させて間引きを行ってもよい。

全結合層では、抽出された特徴を結合して特徴を示す変数を生成する。すなわち、全結合層では、識別を行う対象数に応じて、入力したニューロンデータを全結合した全結合の演算を行う。例えば、Ｎ×Ｍピクセルの画像がニューロンデータとして入力される。全結合層は、Ｎ×Ｍピクセルのニューロンデータ全てを、それぞれ重み（パラメータ）と掛け合わせることで、次層への出力用のニューロンデータを作成する。

ソフトマックス層は、全結合層で生成された変数を確率に変換する。すなわち、ソフトマックス層は、正規化するような活性化関数に出力用のニューロンデータを通過させる演算を行うことで、発火をモデル化する。ソフトマックス層で用いる活性化関数としては、非線形な活性化関数を用いることができ、例えば、Softmax関数を用いることができる。ソフトマックス層による演算結果のニューロンデータは、出力層１１ｃに出力され、出力層１１ｃで識別が行われる。

次に、学習装置１の詳細について説明する。入力部２１は、学習対象の波形データＷ１と、波形データＷ１に含まれる情報（例えばピークの始点および終点、ピーク面積など）を示す正解データである教師データＴＤとの入力を受け付ける。

入力部２１は、受け付けた教師データＴＤを学習部２２に出力する。教師データＴＤについては、波形データＷ１に対応して出力層１１ｃより出力される値の正解データである。例えば、教師データＴＤは、波形データＷ１における水平軸（保持時間）方向の位置ごとの、ピークの始点位置・終点位置であることの有無の正解を含む。また、教師データＴＤは、波形データＷ１における水平軸（保持時間）方向の位置ごとの、ピークの始点・終点である場合の強度値、始点−終点間の距離値、ピーク面積値などの正解を含む。

また、入力部２１は、受け付けた波形データＷ１をもとに学習器１０の入力層１１ａ用のデータに変換し、変換した変換データを入力層１１ａに入力する。具体的には、入力部２１は、波形データＷ１を水平軸（保持時間）方向と、垂直軸（強度）方向とについて最大値が一定となる正規化を行った上で、Ｎ×Ｍピクセル（ｐｉｘ）の画像データに画像化して入力層１１ａに入力する。

また、入力部２１は、受け付けた波形データＷ１の変動幅を解析して、波形データＷ１のスケールを示すスケール情報を取得する。次いで、入力部２１は、取得したスケール情報を変換データとともに入力層１１ａに入力する。

具体的には、スケール情報は、波形データＷ１に含まれるピークのスケールを示す情報であり、例えば波形データＷ１に含まれるピークの最大値（変動幅の最大値）である。なお、ピークのスケールを示す情報であればピークの最大値に限定することなく、ピークの最大値の対数（底を１０とする桁数）、変動幅の最小値と最大値との差分などであってもよい。

学習部２２は、多階層のニューラルネットワーク１１を学習させる誤差逆伝播法などのディープラーニング手法を用いることで、ニューラルネットワーク１１について教師データによる教師あり学習を行う。具体的には、学習部２２は、学習器１０に含まれるニューラルネットワーク１１の出力層１１ｃを、学習部２２より出力された教師データＴＤにより学習を行わせる。これにより、出力層１１ｃの出力からは、波形データＷ１に含まれる情報（例えばピークの始点および終点、ピーク面積など）が識別可能となる。

なお、ディープラーニング手法については、教師あり学習を行うことにより、ニューラルネットワーク１１に自動的に特徴を学習させる公知の手法を用いる。例えば、教師あり学習で一般的に使用される誤差逆伝播法では、学習用の波形データＷ１をニューラルネットワーク１１に順伝播させて認識を行い、出力層１１ｃから得られる認識結果と正解（教師データＴＤ）とを比較して誤差を求める。そして、誤差逆伝播法では、認識結果と正解との誤差を認識時と逆方向にニューラルネットワーク１１に伝播させ、ニューラルネットワーク１１の各階層のパラメータを変更して最適解に近づけていく。

図３は、学習にかかる処理を例示するフローチャートである。図３に示すように、学習フェーズ（Ｓ１）が、学習装置１が行う動作である。

具体的には、学習フェーズ（Ｓ１）が開始されると、入力部２１は、データ（波形データＷ１および教師データＴＤ）の読み込みを行う（Ｓ１１）。次いで、入力部２１は、入力された波形データＷ１を、入力層１１ａへ入力するために画像化し（Ｓ１２）、入力層１１ａに入力する。

図４は、波形データＷ１の入力を説明する説明図である。図４の上段に示すように、入力部２１は、受け付けた波形データＷ１について、学習器１０の入力層１１ａに画像として入力するため、例えば５１２×５１２ｐｉｘの画像データＷ１’に画像化する。このとき、入力部２１は、波形データＷ１について最大値が一定となるように、０〜１で垂直軸（強度）方向のピークを正規化する。同様に、入力部２１は、０〜１で水平軸（保持時間）方向も正規化する。

中間層１１ｂでは、入力された画像データＷ１’について、二次元の畳み込み層により畳み込み処理が行われ（Ｓ１３）、特徴の抽出（特徴量化）が行われる（Ｓ１４）。

また、入力部２１は、入力された波形データＷ１より最大値を算出し、算出した最大値を対数化してスケール情報を取得する（Ｓ１５）。次いで、入力部２１は、取得したスケール情報を入力層１１ａに入力する。

具体的には、図４の下段に示すように、入力部２１は、波形データＷ１における保存時間ごとの強度値の中で最大値（ｍａｘ（ｓｔｒｅｎｇｔｈ））を求める。次いで、入力部２１は、求めた最大値（ｍａｘ（ｓｔｒｅｎｇｔｈ））の対数（ｌｏｇ）を計算することで、スケール情報を取得する。

次いで、中間層１１ｂの全結合層では、抽出された特徴（波形データＷ１’の特徴量とスケール情報）を結合する（Ｓ１６）。次いで、全結合の演算結果により、波形データＷ１に含まれる情報が識別されて出力層１１ｃより出力される。すなわち、波形データＷ１に含まれるピーク検出が行われる（Ｓ１７）。

次いで、学習部２２は、正解（教師データＴＤ）と比較して学習器１０の教師付き学習を行う（Ｓ１８）。具体的には、学習部２２は、学習用の波形データＷ１をニューラルネットワーク１１に順伝播させて認識した波形データＷ１の認識結果を、出力層１１ｃより得る。次いで、学習部２２は、得られた認識結果と、教師データＴＤとを比較して誤差を求める。そして、学習部２２は、認識結果と正解との誤差を認識時と逆方向にニューラルネットワーク１１に伝播させ、ニューラルネットワーク１１の各階層のパラメータを変更して最適解に近づける。

これにより、例えば最大値が８００００の波形データＷ１が入力層１１ａに入力された場合は、教師データＴＤによりピークを検出するようにパラメータ変更が行われて出力層１１ｃの学習が行われる。また、最大値が５０の波形データＷ１が入力層１１ａに入力された場合は、教師データＴＤによりピークの検出が行われないようにパラメータ変更が行われて出力層１１ｃの学習が行われる。

図１Ｂに戻り、検出装置２の詳細について説明する。入力部２１は、検出対象の波形データＷ２の入力を受け付ける。入力部２１は、波形データＷ１と同様に、受け付けた波形データＷ２をもとに学習器１０の入力層１１ａ用のデータを生成する。次いで、入力部２１は、生成したデータを学習器１０の入力層１１ａに入力する。

検出部２３は、学習済の学習器１０の入力層１１ａに波形データＷ２を入力し、出力層１１ｃより得られた出力（波形データＷ２の認識結果）をもとに、波形データＷ２に含まれる情報を検出する。

例えば、検出部２３は、波形データＷ２における水平軸（保持時間）方向の位置ごとの、ピークの始点位置・終点位置であることの有無を検出する。また、検出部２３は、波形データＷ２における水平軸（保持時間）方向の位置ごとの、ピークの始点・終点である場合の強度値、始点−終点間の距離値、ピーク面積値などを検出する。

出力部２４は、検出部２３により検出された波形データＷ２に含まれる情報を、例えばディスプレイへの表示出力などにより出力する。一例として、出力部２４は、波形データＷ２に含まれる情報（ピークの始点位置・終点位置、ピークの始点・終点である場合の強度値、始点−終点間の距離値、ピーク面積値）をもとに、ピークの始点から終点までの領域を網掛け表示などにより識別可能とした波形データＷ２の表示画面を出力する。

図５は、検出にかかる処理を例示するフローチャートである。図５に示すように、検出フェーズ（Ｓ２）が、検出装置２が行う動作である。

具体的には、検出フェーズ（Ｓ２）が開始されると、入力部２１は、データ（波形データＷ２）の読み込みを行う（Ｓ２１）。次いで、入力部２１は、入力された波形データＷ２を、入力層１１ａへ入力するために画像化し（Ｓ２２）、入力層１１ａに入力する。

この波形データＷ２の画像化については、図４の上段に示すように、波形データＷ１の場合と同様、例えば５１２×５１２ｐｉｘの波形データＷ１’に画像化する。次いで、入力部２１は、波形データＷ２について最大値が一定となるように、０〜１で垂直軸（強度）方向のピークを正規化する。同様に、入力部２１は、波形データＷ２についても、０〜１で水平軸（保持時間）方向を正規化する。

中間層１１ｂでは、波形データＷ１の波形データＷ１’について、二次元の畳み込み層により畳み込み処理が行われ（Ｓ２３）、特徴の抽出（特徴量化）が行われる（Ｓ２４）。

また、入力部２１は、入力された波形データＷ２より最大値を算出し、算出した最大値を対数化してスケール情報を取得する（Ｓ２５）。次いで、入力部２１は、取得したスケール情報を入力層１１ａに入力する。

次いで、中間層１１ｂの全結合層では、抽出された特徴（波形データＷ２の波形データＷ１’の特徴量とスケール情報）を結合する（Ｓ２６）。次いで、全結合の演算結果により、波形データＷ２に含まれる情報が識別されて出力層１１ｃより出力される。すなわち、波形データＷ２に含まれるピーク検出が行われる（Ｓ２７）。

図６は、実施形態にかかる検出装置２の検出結果を説明する説明図である。図６に示すように、例えば最大値が２８００００程度の波形データＷ２では、ピーク部分が検出結果Ｒ１として検出される。これに対し、最大値が８０程度の波形データＷ２では、ノイズに対応するピーク部分の検出が行われていない。このように、検出装置２では、抽出された特徴（波形データＷ２の波形データＷ１’の特徴量とスケール情報）により、スケールを考慮して精度よく波形データＷ２に関する情報を検出することができる。

以上のように、学習装置１は、入力データに含まれる波形データＷ１のスケール情報と、入力データを変換した変換データ（波形データＷ１’）とを、学習器１０のニューラルネットワーク１１に入力する入力部２１を有する。また、学習装置１は、入力データに対応する、波形データＷ１に関する情報を教師データＴＤとしてニューラルネットワーク１１の学習を行う学習部２２を有する。このように学習した学習器１０では、入力された波形データについて、スケール情報についても学習を行う結果、波形データに関する情報を精度よく識別することが可能となる。例えば、クロマトグラムのように、検出対象のピークと、ノイズのピークとの大きさのスケールが大きく異るデータでは、スケールを考慮しないとノイズのピークを誤検出する場合がある。これに対し、学習器１０では、スケール情報についても学習が行われることから、ノイズについては検出しないように学習することができる。

検出装置２の入力部２１は、学習装置１により学習を行わせた学習器１０に、検出対象の入力データに含まれる波形データＷ２のスケール情報と、検出対象の入力データを変換した波形データＷ１’とを入力する。また、検出装置２の検出部２３は、学習器１０から得られた出力をもとに、検出対象の入力データに含まれる波形データＷ２の情報を検出する。このように、検出装置２では、学習装置１により学習を行わせた学習器１０を用いることで、スケールを考慮して精度よく波形データＷ２に関する情報を検出することができる。

また、学習器１０に入力する変換データ（波形データＷ１’）は、ニューラルネットワーク１１に入力されるデータの最大値が一定となる正規化が行われたデータである。これにより、学習器１０では、波形データについて、データの最大値が一定となる正規化済のデータと、スケール情報とを分けて学習することができる。

また、ニューラルネットワーク１１の学習を行う波形データＷ１に関する情報（教師データＴＤ）は、波形データＷ１に含まれるピークの始点および終点に関する情報である。これにより、学習器１０では、波形データＷ１に含まれるピークの始点および終点を識別可能とするように、学習することができる。

また、ニューラルネットワーク１１の学習を行う波形データＷ１に関する情報（教師データＴＤ）は、波形データＷ１に含まれるピークの面積に関する情報である。これにより、学習器１０では、波形データＷ１に含まれるピークの面積を識別可能とするように、学習することができる。

また、学習および検出対象の波形データＷ１、Ｗ２は、クロマトグラムであり、検出装置２では、クロマトグラムに含まれる情報（ピークの始点および終点、ピーク面積など）を検出を適切に検出できる。クロマトグラムでは、試料がカラムを通ることで試料に含まれる各成分の分離が達成されることから、ピークの始点は試料に含まれる成分ごとに異なる。また、ピークの始点から終点に至る範囲（ピーク面積）は、ピークに対応する成分の分量に対応する。よって、クロマトグラムに含まれる情報（ピークの始点および終点、ピーク面積など）を検出することで、試料に含まれる各成分と、その分量を特定することができる。

なお、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

学習装置１、検出装置２で行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウエア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。また、学習装置１、検出装置２で行われる各種処理機能は、クラウドコンピューティングにより、複数のコンピュータが協働して実行してもよい。

ところで、上記の実施形態で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータ（ハードウエア）の一例を説明する。図７は、プログラムを実行するコンピュータの一例を示す図である。

図７に示すように、コンピュータ３は、各種演算処理を実行するＣＰＵ１０１と、データ入力を受け付ける入力装置１０２と、モニタ１０３と、スピーカ１０４とを有する。また、コンピュータ３は、記憶媒体からプログラム等を読み取る媒体読取装置１０５と、各種装置と接続するためのインタフェース装置１０６と、有線または無線により外部機器と通信接続するための通信装置１０７とを有する。また、コンピュータ３は、各種情報を一時記憶するＲＡＭ１０８と、ハードディスク装置１０９とを有する。また、コンピュータ３内の各部（１０１〜１０９）は、バス１１０に接続される。

ハードディスク装置１０９には、上記の実施形態で説明した各種の処理を実行するためのプログラム１１１が記憶される。また、ハードディスク装置１０９には、プログラム１１１が参照する各種データ１１２が記憶される。入力装置１０２は、例えば、コンピュータ３の操作者から操作情報の入力を受け付ける。モニタ１０３は、例えば、操作者が操作する各種画面を表示する。インタフェース装置１０６は、例えば印刷装置等が接続される。通信装置１０７は、ＬＡＮ（Local Area Network）等の通信ネットワークと接続され、通信ネットワークを介した外部機器との間で各種情報をやりとりする。

ＣＰＵ１０１は、ハードディスク装置１０９に記憶されたプログラム１１１を読み出して、ＲＡＭ１０８に展開して実行することで、各種の処理を行う。なお、プログラム１１１は、ハードディスク装置１０９に記憶されていなくてもよい。例えば、コンピュータ３が読み取り可能な記憶媒体に記憶されたプログラム１１１を、コンピュータ３が読み出して実行するようにしてもよい。コンピュータ３が読み取り可能な記憶媒体は、例えば、ＣＤ−ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にプログラム１１１を記憶させておき、コンピュータ３がこれらからプログラム１１１を読み出して実行するようにしてもよい。

以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）入力データに含まれる波形データの情報を識別する学習器を学習させる学習プログラムであって、
前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを、前記学習器のニューラルネットワークに入力し、
前記入力データに対応する、波形データに関する情報を教師データとして前記ニューラルネットワークの学習を行う、
処理をコンピュータに実行させることを特徴とする学習プログラム。

（付記２）前記変換データは、前記ニューラルネットワークに入力されるデータの最大値が一定となる正規化が行われたデータである、
ことを特徴とする付記１に記載の学習プログラム。

（付記３）前記波形データに関する情報は、前記波形データに含まれるピークの始点および終点に関する情報である、
ことを特徴とする付記１または２に記載の学習プログラム。

（付記４）前記波形データに関する情報は、前記波形データに含まれるピークの面積に関する情報である、
ことを特徴とする付記１または２に記載の学習プログラム。

（付記５）前記波形データは、クロマトグラフである、
ことを特徴とする付記１乃至４のいずれか一に記載の学習プログラム。

（付記６）前記スケール情報は、前記波形データに含まれるピークの最大値に関する情報である、
ことを特徴とする付記１乃至５のいずれか一に記載の学習プログラム。

（付記７）入力データに含まれる波形データの情報を識別する学習器のニューラルネットワークに、前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを入力し、前記入力データに対応する、波形データに関する情報を教師データとして学習を行わせた前記学習器に、検出対象の入力データに含まれる波形データのスケール情報と、前記検出対象の入力データを変換した変換データとを入力し、
前記学習器から得られた出力をもとに、前記検出対象の入力データに含まれる波形データの情報を検出する、
処理をコンピュータに実行させることを特徴とする検出プログラム。

（付記８）前記変換データは、前記ニューラルネットワークに入力されるデータの最大値が一定となる正規化が行われたデータである、
ことを特徴とする付記７に記載の検出プログラム。

（付記９）前記波形データに関する情報は、前記波形データに含まれるピークの始点および終点に関する情報である、
ことを特徴とする付記７または８に記載の検出プログラム。

（付記１０）前記波形データに関する情報は、前記波形データに含まれるピークの面積に関する情報である、
ことを特徴とする付記７または８に記載の検出プログラム。

（付記１１）前記波形データは、クロマトグラフである、
ことを特徴とする付記７乃至１０のいずれか一に記載の検出プログラム。

（付記１２）前記スケール情報は、前記波形データに含まれるピークの最大値に関する情報である、
ことを特徴とする付記７乃至１１のいずれか一に記載の検出プログラム。

（付記１３）入力データに含まれる波形データの情報を識別する学習器を学習させる学習方法であって、
前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを、前記学習器のニューラルネットワークに入力し、
前記入力データに対応する、波形データに関する情報を教師データとして前記ニューラルネットワークの学習を行う、
処理をコンピュータが実行することを特徴とする学習方法。

（付記１４）前記変換データは、前記ニューラルネットワークに入力されるデータの最大値が一定となる正規化が行われたデータである、
ことを特徴とする付記１３に記載の学習方法。

（付記１５）前記波形データに関する情報は、前記波形データに含まれるピークの始点および終点に関する情報である、
ことを特徴とする付記１３または１４に記載の学習方法。

（付記１６）前記波形データに関する情報は、前記波形データに含まれるピークの面積に関する情報である、
ことを特徴とする付記１３または１４に記載の学習方法。

（付記１７）前記波形データは、クロマトグラフである、
ことを特徴とする付記１３乃至１６のいずれか一に記載の学習方法。

（付記１８）前記スケール情報は、前記波形データに含まれるピークの最大値に関する情報である、
ことを特徴とする付記１３乃至１７のいずれか一に記載の学習方法。

（付記１９）入力データに含まれる波形データの情報を識別する学習器のニューラルネットワークに、前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを入力し、前記入力データに対応する、波形データに関する情報を教師データとして学習を行わせた前記学習器に、検出対象の入力データに含まれる波形データのスケール情報と、前記検出対象の入力データを変換した変換データとを入力し、
前記学習器から得られた出力をもとに、前記検出対象の入力データに含まれる波形データの情報を検出する、
処理をコンピュータが実行することを特徴とする検出方法。

（付記２０）前記変換データは、前記ニューラルネットワークに入力されるデータの最大値が一定となる正規化が行われたデータである、
ことを特徴とする付記１９に記載の検出方法。

（付記２１）前記波形データに関する情報は、前記波形データに含まれるピークの始点および終点に関する情報である、
ことを特徴とする付記１９または２０に記載の検出方法。

（付記２２）前記波形データに関する情報は、前記波形データに含まれるピークの面積に関する情報である、
ことを特徴とする付記１９または２０に記載の検出方法。

（付記２３）前記波形データは、クロマトグラフである、
ことを特徴とする付記１９乃至２２のいずれか一に記載の検出方法。

（付記２４）前記スケール情報は、前記波形データに含まれるピークの最大値に関する情報である、
ことを特徴とする付記１９乃至２３のいずれか一に記載の検出方法。

（付記２５）入力データに含まれる波形データの情報を識別する学習器を学習させる学習装置であって、
前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを、前記学習器のニューラルネットワークに入力する入力部と、
前記入力データに対応する、波形データに関する情報を教師データとして前記ニューラルネットワークの学習を行う学習部と、
を有することを特徴とする学習装置。

（付記２６）前記変換データは、前記ニューラルネットワークに入力されるデータの最大値が一定となる正規化が行われたデータである、
ことを特徴とする付記２５に記載の学習装置。

（付記２７）前記波形データに関する情報は、前記波形データに含まれるピークの始点および終点に関する情報である、
ことを特徴とする付記２５または２６に記載の学習装置。

（付記２８）前記波形データに関する情報は、前記波形データに含まれるピークの面積に関する情報である、
ことを特徴とする付記２５または２６に記載の学習装置。

（付記２９）前記波形データは、クロマトグラフである、
ことを特徴とする付記２５乃至２８のいずれか一に記載の学習装置。

（付記３０）前記スケール情報は、前記波形データに含まれるピークの最大値に関する情報である、
ことを特徴とする付記２５乃至２９のいずれか一に記載の学習装置。

（付記３１）入力データに含まれる波形データの情報を識別する学習器のニューラルネットワークに、前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを入力し、前記入力データに対応する、波形データに関する情報を教師データとして学習を行わせた前記学習器に、検出対象の入力データに含まれる波形データのスケール情報と、前記検出対象の入力データを変換した変換データとを入力する入力部と、
前記学習器から得られた出力をもとに、前記検出対象の入力データに含まれる波形データの情報を検出する検出部と、
を有することを特徴とする検出装置。

（付記３２）前記変換データは、前記ニューラルネットワークに入力されるデータの最大値が一定となる正規化が行われたデータである、
ことを特徴とする付記３１に記載の検出装置。

（付記３３）前記波形データに関する情報は、前記波形データに含まれるピークの始点および終点に関する情報である、
ことを特徴とする付記３１または３２に記載の検出装置。

（付記３４）前記波形データに関する情報は、前記波形データに含まれるピークの面積に関する情報である、
ことを特徴とする付記３１または３２に記載の検出装置。

（付記３５）前記波形データは、クロマトグラフである、
ことを特徴とする付記３１乃至３４のいずれか一に記載の検出装置。

（付記３６）前記スケール情報は、前記波形データに含まれるピークの最大値に関する情報である、
ことを特徴とする付記３１乃至３５のいずれか一に記載の検出装置。

１…学習装置
２…検出装置
３…コンピュータ
１０…学習器
１１…ニューラルネットワーク
１１ａ…入力層
１１ｂ…中間層
１１ｃ…出力層
２０…制御部
２１…入力部
２２…学習部
２３…検出部
２４…出力部
１０１…ＣＰＵ
１０２…入力装置
１０３…モニタ
１０４…スピーカ
１０５…媒体読取装置
１０６…インタフェース装置
１０７…通信装置
１０８…ＲＡＭ
１０９…ハードディスク装置
１１０…バス
１１１…プログラム
１１２…各種データ
Ｒ１、Ｒ２１、Ｒ２２、Ｒ２３…検出結果
ＴＤ…教師データ
Ｗ１、Ｗ２、Ｗ２０…波形データ
Ｗ１’…画像データ

Claims (11)

1. 入力データに含まれる波形データの情報を識別する学習器を学習させる学習プログラムであって、
   前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを、前記学習器のニューラルネットワークに入力し、
   前記入力データに対応する、波形データに関する情報を教師データとして前記ニューラルネットワークの学習を行う、
   処理をコンピュータに実行させることを特徴とする学習プログラム。
2. 前記変換データは、前記ニューラルネットワークに入力されるデータの最大値が一定となる正規化が行われたデータである、
   ことを特徴とする請求項１に記載の学習プログラム。
3. 前記波形データに関する情報は、前記波形データに含まれるピークの始点および終点に関する情報である、
   ことを特徴とする請求項１または２に記載の学習プログラム。
4. 前記波形データに関する情報は、前記波形データに含まれるピークの面積に関する情報である、
   ことを特徴とする請求項１または２に記載の学習プログラム。
5. 前記波形データは、クロマトグラフである、
   ことを特徴とする請求項１乃至４のいずれか一項に記載の学習プログラム。
6. 前記スケール情報は、前記波形データに含まれるピークの最大値に関する情報である、
   ことを特徴とする請求項１乃至５のいずれか一項に記載の学習プログラム。
7. 入力データに含まれる波形データの情報を識別する学習器のニューラルネットワークに、前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを入力し、前記入力データに対応する、波形データに関する情報を教師データとして学習を行わせた前記学習器に、検出対象の入力データに含まれる波形データのスケール情報と、前記検出対象の入力データを変換した変換データとを入力し、
   前記学習器から得られた出力をもとに、前記検出対象の入力データに含まれる波形データの情報を検出する、
   処理をコンピュータに実行させることを特徴とする検出プログラム。
8. 入力データに含まれる波形データの情報を識別する学習器を学習させる学習方法であって、
   前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを、前記学習器のニューラルネットワークに入力し、
   前記入力データに対応する、波形データに関する情報を教師データとして前記ニューラルネットワークの学習を行う、
   処理をコンピュータが実行することを特徴とする学習方法。
9. 入力データに含まれる波形データの情報を識別する学習器のニューラルネットワークに、前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを入力し、前記入力データに対応する、波形データに関する情報を教師データとして学習を行わせた前記学習器に、検出対象の入力データに含まれる波形データのスケール情報と、前記検出対象の入力データを変換した変換データとを入力し、
   前記学習器から得られた出力をもとに、前記検出対象の入力データに含まれる波形データの情報を検出する、
   処理をコンピュータが実行することを特徴とする検出方法。
10. 入力データに含まれる波形データの情報を識別する学習器を学習させる学習装置であって、
    前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを、前記学習器のニューラルネットワークに入力する入力部と、
    前記入力データに対応する、波形データに関する情報を教師データとして前記ニューラルネットワークの学習を行う学習部と、
    を有することを特徴とする学習装置。
11. 入力データに含まれる波形データの情報を識別する学習器のニューラルネットワークに、前記入力データに含まれる波形データのスケール情報と、前記入力データを変換した変換データとを入力し、前記入力データに対応する、波形データに関する情報を教師データとして学習を行わせた前記学習器に、検出対象の入力データに含まれる波形データのスケール情報と、前記検出対象の入力データを変換した変換データとを入力する入力部と、
    前記学習器から得られた出力をもとに、前記検出対象の入力データに含まれる波形データの情報を検出する検出部と、
    を有することを特徴とする検出装置。

Images