JP2020173259A - 分類分析方法、分類分析装置および分類分析用記憶媒体 - Google Patents
分類分析方法、分類分析装置および分類分析用記憶媒体 Download PDFInfo
- Publication number
- JP2020173259A JP2020173259A JP2020100372A JP2020100372A JP2020173259A JP 2020173259 A JP2020173259 A JP 2020173259A JP 2020100372 A JP2020100372 A JP 2020100372A JP 2020100372 A JP2020100372 A JP 2020100372A JP 2020173259 A JP2020173259 A JP 2020173259A
- Authority
- JP
- Japan
- Prior art keywords
- pulse
- waveform
- time
- data
- analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 177
- 238000010224 classification analysis Methods 0.000 title claims abstract description 133
- 238000003860 storage Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 239000012491 analyte Substances 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 173
- 238000004458 analytical method Methods 0.000 claims description 153
- 238000009826 distribution Methods 0.000 claims description 64
- 239000006185 dispersion Substances 0.000 claims description 41
- 239000000126 substance Substances 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 28
- 239000012530 fluid Substances 0.000 claims description 25
- 238000005192 partition Methods 0.000 claims description 24
- 238000013500 data storage Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 239000002245 particle Substances 0.000 description 120
- 230000008569 process Effects 0.000 description 97
- 230000006870 function Effects 0.000 description 72
- 238000005070 sampling Methods 0.000 description 59
- 238000004364 calculation method Methods 0.000 description 54
- 238000012545 processing Methods 0.000 description 48
- 241000588724 Escherichia coli Species 0.000 description 39
- 244000063299 Bacillus subtilis Species 0.000 description 35
- 235000014469 Bacillus subtilis Nutrition 0.000 description 35
- 238000012795 verification Methods 0.000 description 34
- 238000011156 evaluation Methods 0.000 description 30
- 238000005259 measurement Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 27
- 238000007689 inspection Methods 0.000 description 21
- 241000894007 species Species 0.000 description 16
- 241000894006 Bacteria Species 0.000 description 15
- 101100328887 Caenorhabditis elegans col-34 gene Proteins 0.000 description 14
- 239000008151 electrolyte solution Substances 0.000 description 14
- 229940021013 electrolyte solution Drugs 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 150000002500 ions Chemical class 0.000 description 11
- 238000002156 mixing Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 11
- 239000000758 substrate Substances 0.000 description 9
- 239000011324 bead Substances 0.000 description 8
- 239000010408 film Substances 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 229920001971 elastomer Polymers 0.000 description 6
- 239000011148 porous material Substances 0.000 description 6
- 238000007476 Maximum Likelihood Methods 0.000 description 5
- 230000001580 bacterial effect Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 5
- 239000013618 particulate matter Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 3
- 229910004298 SiO 2 Inorganic materials 0.000 description 3
- 241000700605 Viruses Species 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000806 elastomer Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 239000005060 rubber Substances 0.000 description 3
- 239000010980 sapphire Substances 0.000 description 3
- 229910052594 sapphire Inorganic materials 0.000 description 3
- 239000010409 thin film Substances 0.000 description 3
- VLEIUWBSEKKKFX-UHFFFAOYSA-N 2-amino-2-(hydroxymethyl)propane-1,3-diol;2-[2-[bis(carboxymethyl)amino]ethyl-(carboxymethyl)amino]acetic acid Chemical compound OCC(N)(CO)CO.OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O VLEIUWBSEKKKFX-UHFFFAOYSA-N 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 229910021607 Silver chloride Inorganic materials 0.000 description 2
- 238000002306 biochemical method Methods 0.000 description 2
- LOKCTEFSRHRXRJ-UHFFFAOYSA-I dipotassium trisodium dihydrogen phosphate hydrogen phosphate dichloride Chemical compound P(=O)(O)(O)[O-].[K+].P(=O)(O)([O-])[O-].[Na+].[Na+].[Cl-].[K+].[Cl-].[Na+] LOKCTEFSRHRXRJ-UHFFFAOYSA-I 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002953 phosphate buffered saline Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- HKZLPVFGJNLROG-UHFFFAOYSA-M silver monochloride Chemical compound [Cl-].[Ag+] HKZLPVFGJNLROG-UHFFFAOYSA-M 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001039 wet etching Methods 0.000 description 2
- RMCCONIRBZIDTH-UHFFFAOYSA-N 2-(2-methylprop-2-enoyloxy)ethyl 1,3-dioxo-2-benzofuran-5-carboxylate Chemical compound CC(=C)C(=O)OCCOC(=O)C1=CC=C2C(=O)OC(=O)C2=C1 RMCCONIRBZIDTH-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 241001476727 Escherichia coli IS1 Species 0.000 description 1
- 241000288113 Gallirallus australis Species 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 229910004541 SiN Inorganic materials 0.000 description 1
- 101100524639 Toxoplasma gondii ROM3 gene Proteins 0.000 description 1
- RRLHMJHRFMHVNM-BQVXCWBNSA-N [(2s,3r,6r)-6-[5-[5-hydroxy-3-(4-hydroxyphenyl)-4-oxochromen-7-yl]oxypentoxy]-2-methyl-3,6-dihydro-2h-pyran-3-yl] acetate Chemical compound C1=C[C@@H](OC(C)=O)[C@H](C)O[C@H]1OCCCCCOC1=CC(O)=C2C(=O)C(C=3C=CC(O)=CC=3)=COC2=C1 RRLHMJHRFMHVNM-BQVXCWBNSA-N 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 241000933941 bacterium 24 Species 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 210000003495 flagella Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012009 microbiological test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007479 molecular analysis Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
- G01N15/12—Investigating individual particles by measuring electrical or magnetic effects by observing changes in resistance or impedance across apertures when traversed by individual particles, e.g. by using the Coulter principle
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
- C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/48707—Physical analysis of biological material of liquid biological material by electrical means
- G01N33/48721—Investigating individual macromolecules, e.g. by translocation through nanopores
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1012—Calibrating particle analysers; References therefor
- G01N2015/1014—Constitution of reference particles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1029—Particle size
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/103—Particle shape
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Immunology (AREA)
- Biotechnology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Medicinal Chemistry (AREA)
- Microbiology (AREA)
- Genetics & Genomics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Dispersion Chemistry (AREA)
- Nanotechnology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Toxicology (AREA)
- Sustainable Development (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
Description
貫通孔を形成した隔壁と、前記貫通孔を介して前記隔壁の表裏側に配置された電極とを配置し、
粒子状または分子状の分析物を含む流動性物質を前記隔壁の一面側に供給し、
前記分析物が前記貫通孔を通過することにより生ずる電極間の通電変化を検出した検出信号のデータの分類分析をコンピュータ制御プログラムの実行によって行う分類分析方法であって、
前記コンピュータ制御プログラムは、機械学習を用いた分類分析を行う分類分析プログラムを有し、
所定の分析物を含む流動性物質から前記検出信号として得られた分析物通過に対応するパルス状信号の波形形態の特徴を示す特徴量をあらかじめ求め、
あらかじめ求めた特徴量を前記機械学習のための学習データとし、被分析データのパルス状信号から得られる特徴量を変数にして、前記分類分析プログラムを実行することによって、該被分析データにおける前記所定の分析物に関する分類分析を行うことを特徴とする分類分析方法である。
前記特徴量は、
前記パルス状信号の波形の局所的特徴を示す第1類型と、
前記パルス状信号の波形の全体的特徴を示す第2類型のいずれかである分類分析方法である。
前記第1類型の特徴量は、
所定の時間幅内における波形の波高値、
パルス波長ta、
パルス開始からパルスピークに至るまでの時間tbとtaとの比tb/taで表わされるピーク位置比、
該波形の鋭さを表す尖度、
パルス開始からパルスピークに至る傾きを表す俯角、
波形を所定の時間毎に区分した時間区分面積の総和を表す面積、および
パルス開始からパルスピークに至るまでの時間区分面積の和の、全波形面積に対する面積比のいずれかである分類分析方法である。
前記第2類型の特徴量は、
パルス開始時点を中心にして前記時間区分面積を質量に、かつ該中心から前記時間区分面積に至る時間を回転半径に擬制したときに定まる時間慣性モーメント、
前記時間慣性モーメントに対し波高が基準値になるように規格化した場合の規格化された時間慣性モーメント、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値をベクトルの成分とする平均値ベクトル、
前記平均値ベクトルに対し波長が基準値になるように規格化した場合の規格化された平均値ベクトル、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値の差をベクトルの成分とする平均値の差ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅平均値慣性モーメント、
前記波幅平均値慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅平均値慣性モーメント、
波形を波高方向に等分割し、分割単位毎の時刻値から分散を求め、該分散をベクトルの成分とする分散ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅分散慣性モーメント、および
前記波幅分散慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅分散慣性モーメントのいずれかである分類分析方法である。
前記コンピュータ制御プログラムは、
前記検出信号ないしそれに含まれる揺らぎ成分から、分析物通過のないときの基準ラインを抽出する基準ライン抽出手段と、
前記基準ラインを基準にして所定範囲を超える信号データを前記パルス状信号のデータとして抽出するパルス抽出手段と、
抽出した前記パルス状信号のデータから前記特徴量を抽出する特徴量抽出手段と、を含む分類分析方法である。
貫通孔を形成した隔壁と、前記貫通孔を介して前記隔壁の表裏側に配置された電極とを配置し、
粒子状または分子状の分析物を含む流動性物質を前記隔壁の一面側に供給し、
前記分析物が前記貫通孔を通過することにより生ずる電極間の通電変化を検出した検出信号のデータの分類分析をコンピュータ制御プログラムの実行によって行う分類分析装置であって、
前記コンピュータ制御プログラムは、機械学習を用いた分類分析を行う分類分析プログラムを有し、
所定の分析物を含む流動性物質から前記検出信号として得られた分析物通過に対応するパルス状信号の波形形態の特徴を示す特徴量をあらかじめ求め、
あらかじめ求めた特徴量を前記機械学習のための学習データとして記憶する学習データ記憶手段と、
被分析データのパルス状信号から得られる特徴量を変数として記憶する変数記憶手段と、を有し、
前記分類分析プログラムを実行することによって、前記学習データおよび前記変数に基づき前記被分析データにおける前記所定の分析物に関する分類分析を行うことを特徴とする分類分析装置である。
前記特徴量は、
前記パルス状信号の波形の局所的特徴を示す第1類型と、
前記パルス状信号の波形の全体的特徴を示す第2類型のいずれかである分類分析装置である。
前記第1類型の特徴量は、
所定の時間幅内における波形の波高値、
パルス波長ta、
パルス開始からパルスピークに至るまでの時間tbとtaとの比tb/taで表わされるピーク位置比、
該波形の鋭さを表す尖度、
パルス開始からパルスピークに至る傾きを表す俯角、
波形を所定の時間毎に分割した時間区分面積の総和を表す面積、および
パルス開始からパルスピークに至るまでの時間区分面積の和の、全波形面積に対する面積比のいずれかである分類分析装置である。
前記第2類型の特徴量は、
パルス開始時点を中心にして前記時間区分面積を質量に、かつ該中心から前記時間区分面積に至る時間を回転半径に擬制したときに定まる時間慣性モーメント、
前記時間慣性モーメントに対し波高が基準値になるように規格化した場合の規格化された時間慣性モーメント、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値をベクトルの成分とする平均値ベクトル、
前記平均値ベクトルに対し波長が基準値になるように規格化した場合の規格化された平均値ベクトル、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値の差をベクトルの成分とする平均値の差ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅平均値慣性モーメント、
前記波幅平均値慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅平均値慣性モーメント、
波形を波高方向に等分割し、分割単位毎の時刻値から分散を求め、該分散をベクトルの成分とする分散ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅分散慣性モーメント、および
前記波幅分散慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅分散慣性モーメントのいずれかである分類分析装置である。
前記コンピュータ制御プログラムは、
前記検出信号のデータないしそれに含まれる揺らぎ成分から、分析物通過のないときの基準ラインを抽出する基準ライン抽出手段と、
前記基準ラインを基準にして所定範囲を超える信号データを前記パルス状信号のデータとして抽出するパルス抽出手段と、
抽出した前記パルス状信号のデータから前記特徴量を抽出する特徴量抽出手段と、を含む分類分析装置である。
ト化を実現することができる。
前記第1類型の特徴量は、
所定の時間幅内における波形の波高値、
パルス波長ta、
パルス開始からパルスピークに至るまでの時間tbとtaとの比tb/taで表わされるピーク位置比、
該波形の鋭さを表す尖度、
パルス開始からパルスピークに至る傾きを表す俯角、
波形を所定の時間毎に区分した時間区分面積の総和を表す面積、および
パルス開始からパルスピークに至るまでの時間区分面積の和の、全波形面積に対する面積比のいずれかであるので、これらのうち1または2以上の特徴量を使用して機械学習による分類分析を行うことによって、高精度に分類分析することができ、分類分析検査における簡易化および低コスト化に寄与することができる。
前記第2類型の特徴量は、
パルス開始時点を中心にして前記時間区分面積を質量に、かつ該中心から前記時間区分面積に至る時間を回転半径に擬制したときに定まる時間慣性モーメント、
前記時間慣性モーメントに対し波高が基準値になるように規格化した場合の規格化された時間慣性モーメント、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値をベクトルの成分とする平均値ベクトル、
前記平均値ベクトルに対し波長が基準値になるように規格化した場合の規格化された平均値ベクトル、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値の差をベクトルの成分とする平均値ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅平均値慣性モーメント、
前記波幅平均値慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅平均値慣性モーメント、
波形を波高方向に等分割し、分割単位毎の時刻値から分散を求め、該分散をベクトルの成分とする分散ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅分散慣性モーメント、および
前記波幅分散慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅分散慣性モーメントのいずれかであるので、これらのうち1または2以上の特徴量を使用して機械学習による分類分析を行うことによって、高精度に分類分析することができ、分類分析検査における簡易化および低コスト化に寄与することができる。
前記第1類型の特徴量は、
所定の時間幅内における波形の波高値、
パルス波長ta、
パルス開始からパルスピークに至るまでの時間tbとtaとの比tb/taで表わされるピーク位置比、
該波形の鋭さを表す尖度、
パルス開始からパルスピークに至る傾きを表す俯角、
波形を所定の時間毎に区分した時間区分面積の総和を表す面積、および
パルス開始からパルスピークに至るまでの時間区分面積の和の、全波形面積に対する面積比のいずれかであるので、これらのうち1または2以上の特徴量を使用して機械学習による分類分析を行うことによって高精度に分類分析することができ、簡便かつ安価に分類分析を行える分類分析装置を提供することができる。
前記第2類型の特徴量は、
パルス開始時点を中心にして前記時間区分面積を質量に、かつ該中心から前記時間区分面積に至る時間を回転半径に擬制したときに定まる時間慣性モーメント、
前記時間慣性モーメントに対し波高が基準値になるように規格化した場合の規格化された時間慣性モーメント、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値をベクトルの成分とする平均値ベクトル、
前記平均値ベクトルに対し波長が基準値になるように規格化した場合の規格化された平均値ベクトル、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値
の平均値を算出し、同一波高位置の平均値の差をベクトルの成分とする平均値ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅平均値慣性モーメント、
前記波幅平均値慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅平均値慣性モーメント、
波形を波高方向に等分割し、分割単位毎の時刻値から分散を求め、該分散をベクトルの成分とする分散ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅分散慣性モーメント、および
前記波幅分散慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅分散慣性モーメントのいずれかであるので、これらのうち1または2以上の特徴量を使用して機械学習による分類分析を行うことによって、高精度に分類分析することができ、簡便かつ安価に分類分析を行える分類分析装置を提供することができる。
(a)所定の分析物(例えば、大腸菌Ecや枯草菌Bs)を含む流動性物質に対しナノポアデバイス8aによる計測の結果、各種別毎の検出信号として得られた貫通孔8bの分析物通過に対応するパルス状信号De、Dbの波形形態の特徴を示す特徴量をあらかじめ求める。パルス状信号De、Dbは、それぞれ大腸菌Ec、枯草菌Bsの貫通孔8b通過によって得られた信号である。
(b)コンピュータ解析部1aには、機械学習による分類分析を行う分類分析プログラムが内蔵されている。(a)においてあらかじめ求めた特徴量は、大腸菌Ec、枯草菌Bsの既知データから得られた特徴量であり、機械学習のための学習データとしてコンピュータ解析部1aにおいて使用される。
(c)例えば、大腸菌Ecおよび枯草菌Bsの含有比ないし含有数が不明の状態で流動性物質中に混入された混合物を被分類分析物Mbとした場合、(a)の既知データ取得の場合と同様に、ナノポアデバイス8cによる計測を行う。この計測により、被分類分析物Mbの貫通孔8d通過によって被分析データとしてパルス状信号Dmが得られる。
(d)既知データによる特徴量を学習データとし、被分析データのパルス状信号Dmから得られる特徴量を変数にして、分類分析プログラムを実行することによって、該被分析データにおける所定の分析物に関する分類分析を行うことができる。
流れる。電解質溶液24中の細菌等の検体が貫通孔12を通過する際には、一部のイオン電流が検体により阻害されるため、電圧計20によりパルス状のイオン電流減少を計測することができる。したがって、マイクロ・ナノポアデバイス8を用いた粒子検出装置によれば、計測電流の波形変化を検出することにより、検体(例えば、粒子)毎の貫通孔12通過による流動性物質中に含まれる粒子個々の存在を高精度に検出することができる。計測態様には、流動性物質を強制的に流動させながら計測する場合に限らず、流動性物質を非強制的に流動させながら計測する場合を含むことができる。
本実施形態に係る分類分析装置は、個数分析プログラムの実行によって、分析対象として1種または2種以上の粒子(分析物の一例)を含む流動性物質(電解質溶液24)を隔壁11上側の一面側に供給し、粒子が貫通孔12を通過することにより生ずる電極13、14間の通電変化を検出した検出信号のデータ(計測電流データ)に基づいて粒子種別の個数ないし個数分布を分析する個数分析機能を有する。すなわち、PC1は、CPU2の制御によりROM3に格納した個数分析プログラムを実行することにより、データファイル記憶部5に格納、記憶した計測電流データに対する個数分析処理を行うことができる。個数分析処理は、検出信号に含まれ粒子通過に対応するパルス状信号の波形形態の特徴を示す特徴量に基づくデータ群から確率密度推定を行い、粒子種別の個数を導出する個数分析方法に基づいて、粒子種別個数の自動分析を行うことができる。
れた関数を重ね合わせる推定法であり、滑らかな推定値を得るに適する。
<特徴量について>
図4は、実施例の大腸菌と枯草菌につき実測した粒子通過によるパルス波形例を示す。図4の(4−1)〜(4−9)は、大腸菌の実測パルス波形例(9種類)を示し、(4−10)〜(4−18)は、枯草菌の実測パルス波形例(9種類)を示す。両者を外観で比較すると、両者間に波高や波長には差異はあまりないが、ピーク位置や波形尖度等の粒子通過パルス波形形態の属性に顕著な相違がみられる。例えば、大腸菌の場合、ピークが時間経過に伴い前倒し傾向にあり、全体的に波形が尖っている(波形尖度が大きい)。枯草菌の場合、ピークが時間経過に伴い後倒し傾向にあり、波形尖度が小さい。
所定の時間幅内における波形の波高値、
パルス波長ta、
パルス開始からパルスピークに至るまでの時間tbとtaとの比tb/taで表わされるピーク位置比、
該波形の鋭さ(ピーク波形の広がり)を表す尖度、
パルス開始からパルスピークに至る傾きを表す俯角、
波形を所定の時間毎に区分した時間区分面積の総和を表す面積、および
パルス開始からパルスピークに至るまでの時間区分面積の和の、全波形面積に対する面積比のいずれかである。
(2)波高|h|: h=xp−xo(BLのxoを基準にしてパルスピークPPのxpまでのパルス波形の高さ)
(3)ピーク位置比r: r=(tp−ts)/(te−ts)(パルス波長(=Δt)と、パルス開始からパルスピークppに至るまでの時間tb(=tp−ts)との比)
(4)ピーク尖度κ: 波高|h|=1、ts=0、te=1となるように正規化し、パルスピークPPから波高30%の水平線と交差する時刻の時刻集合[T]=[[ti]|i=1,・・・,m]を収集して、下記数1に示すように、時刻集合[T]のデータの分散をパルス波形広がりとしてκが求められる。
パルス開始時点を中心にして時間区分面積を質量に、かつ該中心から時間区分面積に至る時間を回転半径に擬制したときに定まる時間慣性モーメント、
時間慣性モーメントに対し波高が基準値になるように規格化した場合の規格化された時間慣性モーメント、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値をベクトルの成分とする平均値ベクトル、
前記平均値ベクトルに対し波長が基準値になるように規格化した場合の規格化された平均値ベクトル、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値の差をベクトルの成分とする平均値の差ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅平均値慣性モーメント、
波幅平均値慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅平均値慣性モーメント、
波形を波高方向に等分割し、分割単位毎の時刻値から分散を求め、該分散をベクトルの成分とする分散ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅分散慣性モーメント、および
波幅分散慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅分散慣性モーメントのいずれかである。
るベクトル[p]を[pw]と表す。
性モーメントを作成することができる。なお、(10)、(11)の平均値ベクトルは、時刻値の平均値を算出して分割領域の同一波高位置の各平均値を成分としたベクトルであり、dw等分した場合、2dw次元の時刻ベクトルで表わされる。
一般に細菌等は微細に異なる形態を有する微小物体である。例えば、平均的な大腸菌の場合、2〜4μmの体長で外径が0.4〜0.7μmである。平均的な枯草菌の場合、2〜3μmの体長で外径が0.7〜0.8μmである。さらに、大腸菌などには20〜30nmの鞭毛が付随している。
種行列もスカラーであり、[F]=[G]=[H]=[1]とみなすことができる。したがって、時刻tの実際の電流値のベースラインレベル、時刻tで計測された電流、時刻tの観測ノイズをそれぞれ、[xt]、[yt]、[νt]とすると、[xt]および[yt]は図6の(6C)に示すように表される。[xt]、[ut]、[νt]は観測不可能な因子であり、[yt]は観測可能な因子である。イオン電流検出部による計測周波数をf(Hz)とすると時刻データは1/f(秒)刻みとなる。システム制御入力[ut]の影響は実際上非常に小さいものと仮定してベースラインの推定を行うことができる。
合せによるパルス数を示す。(12C)は、m=100000の場合のk値(10、30、50、70、90)、α値(2、3、4、6)の組合せによるパルス数を示す。
<特徴量抽出について>
図13は、特徴量抽出プログラムの実行処理内容の概要を示す。
<確率密度関数の推定について>
同種の粒子であっても計測されるパルス波形が一定とは限らないので、粒子種分布推定のための準備として、テストデータから予め粒子種別のパルス波形の確率密度関数の推定が行われる。確率密度関数の推定により導出される確率密度関数によって各パルスの出現確率を表すことができる。
ルス幅とパルス波高が用いて得られたパルス波形に対する確率密度関数のイメージ図であり、図中の濃淡によりパルスの出現確率を表している。図15の(15A)は1つの波形データに関する第1類型の特徴量の一部を示す。
<最尤法(maxium likelihood estimation:統計学において与えられたデータからそれが従う確率分布の母数を点推定する方法である。)について>
今、実際のパルス推定結果として、データセット[D]=[x1,x2,x3,・・・xN]が得られれているとする。推定されたj番目のパルス波高データが出現する尤度(尤もらしさ)は下記数12で表わされる。
<ラグランジュ未定乗数法(束縛条件のもとで最適化を行う解析学的方法であり、各束縛条件に対して未定乗数を用意し、これらを係数にする線形結合を新しい関数(未定乗数も新たな変数とする)として捉えることによって束縛問題を通常の極値問題として解く方法である。)について>
データセットDが出現する尤度を最大化することは、データセット[D]が出現する対数尤度を最大化することに等しい。下記数14はラグランジュ未定乗数法の適否を調べるための対数尤度を導出する過程を示す。
という制約(下記数15参照)がある。
of normal distributions. Technomerics,8,pp.431−444)に記述されている。
EMアルゴリズムは、命名の由来から明らかなように、確率分布のパラメータを、尤度関数を最大化することで計算する方法、つまり尤度関数である確率分布の期待値(Expectation)を最大化(Maximization)することができるアルゴリズムである。EMアルゴリズムによれば、求めたいパラメータの初期値を設定して、その値から尤度(期待値)を計算して、多くの場合、尤度関数の偏微分が0になる条件を使って、繰り返し計算で最大尤度のパラメータを計算することができる。EMアルゴリズムを使用して行うHasselblad反復法の演算処理は、求めるパラメータの初期値を設定して、その値から尤度(期待値)を計算し、さらに尤度関数の偏微分が0になる条件を使って繰り返し計算を行って最大尤度のパラメータを計算する工程を有する。
<粒子種推定処理について>
図14に示した粒子種推定処理において実行可能な、データファイル作成処理(ステップS1)、確率密度関数の推定処理(ステップS2)、粒子数の推定処理(ステップS3)および推定粒子種分布の算出処理(ステップS4)を以下に詳述する。
。(24C)および(25D)は特徴量としてパルス波高およびパルス尖度を注して粒子数推定処理の実行により得られた粒子種ごとの推定個数データのヒストグラム、分散図を示す。
<特徴量による粒子種個数の分析精度の検証1について>
本発明者らは、上記実施例の大腸菌と枯草菌の計測電流データを用いて下記の評価条件下で粒子種個数の分析性能の検証1を行った。
本発明者らは、上記実施例の大腸菌と枯草菌の計測電流データを用いて、検証1とは別の粒子種個数の分析性能の検証2を行った。検証2においては、検証1とは異なり、第1類型および第2類型の特徴量((1)〜(13)の13種類)を算出して用い、これらの組合せに係る特徴量とサンプリングデータ数との関連性および各組合せの分析性能を検証した。
との推定評価結果は、検証1の(4)と同様に交差検定法により得られた、上側に記載の平均精度と、下側に括弧書きで示した標準偏差を表す。表中の慣性I、慣性I(規格化)、慣性I w、慣性I wv、慣性I w(規格化)、慣性I wv(規格化)は、それぞれ、(8)の時間慣性モーメント、(9)の規格化された時間慣性モーメント、(10)の波幅平均値慣性モーメント、(12)の波幅分散慣性モーメント、(11)の規格化された波幅平均値慣性モーメント、(13)の規格化された波幅分散慣性モーメントの特徴量を示す。
(R1)図47および図50に示すように、全サンプリングデータを使用したときには、上位5種の組合せ、すなわち、波長Δt−慣性I、波長Δt−面積m、ピーク位置比r−慣性I、俯角θ−慣性I、慣性I−慣性I w(規格化)の特徴量の場合、高い個数推定精度を得ることができる。これらの特徴量の組合せによる個数推定精度(重み付き平均相対誤差)は、例えば、波長Δt−慣性Iで250〜1000kHzのサンプリング領域において約9〜10%、波長Δt−面積mで125〜250kHzのサンプリング領域において約9〜10%、、波長Δt−慣性Iで16〜63kHzのサンプリング領域において約13〜15%である。
合せで示せば、波長Δt−面積m、波長Δt−慣性I、俯角θ−面積m、面積m−慣性I
wv(規格化)、ピーク位置比r−面積mの5種である。これらの特徴量の組合せによる個数推定精度(重み付き平均相対誤差)は、波長Δt−慣性Iで250〜1000kHzのサンプリング領域において約9〜10%、波長Δt−面積mで125〜250kHzのサンプリング領域において約9〜10%、、波長Δt−慣性Iで16〜63kHzのサンプリング領域において約13〜16%である。
個数推定には、Hasselblad法による反復計算に要する所要計算時間がかかるので、この所要計算時間とサンプリング周波数との関係について特徴量の比較検討を検証3で検証した。検証3の比較検討例には、図51の(51B)に示した、波長Δt−面積m、波長Δt−慣性I、尖度k−波高|h|、尖度k−ピーク位置比rの4種類の特徴量の組合せを使用した。これらの組合せは、他の組合せと比較して交差検定精度の良い組合せである。個数分析の計算に要する時間には、特徴量作成に要する時間と、Hasselblad法による反復計算に要する計算時間とが含まれるので、特徴量作成に要する計算時間CT1、Hasselblad法による反復計算に要する計算時間CT2およびそれらの合計計算時間CT3(=CT1+CT2)について比較検討を行った。この場合も、それぞれの所要計算時間は、50回の交差検定を行って得られた各計算時間の平均値である。
的な個数分析にとどまらず、例えば、緊急性を要する検疫検査や医療現場において、菌類等の粒子有無や個数の判別処理を迅速に行うことができる。
既知データ記憶用メモリエリアに格納され、特徴量の作成に供される(ステップS100、S101)。
<分類分析処理の処理精度の検証>
上記の分類分析処理の処理精度について、種々の機械学習による分析手法を適用して分類分析を試行して本実施形態による分類分析処理の精度を検証した。
プログラムをインストールして所望のコンピュータに分類分析動作させることができるので、簡便かつ安価に分析分析を行うことができる。本発明の適用可能な記憶媒体には、フレキシブルディスク、磁気ディスク、光ディスク、CD、MO、DVD、ハードディスク、モバイル端末等、コンピュータにより読み取り可能な記憶媒体のいずれかを選択して使用することができる。
2 CPU
3 ROM
4 RAM
5 データファイル記憶部
6 入力手段
7 表示手段
8 マイクロ・ナノポアデバイス
9 チャンバー
10 基板
11 隔壁
12 貫通孔
13 電極
14 電極
15 電源
16 増幅器
17 オペアンプ
18 凹部
19 帰還抵抗
20 電圧計
21 検体
22 大腸菌
23 枯草菌
24 電解質溶液
Claims (9)
- 貫通孔を形成した隔壁と、前記貫通孔を介して前記隔壁の表裏側に配置された電極とを配置し、
粒子状または分子状の分析物を含む流動性物質を前記隔壁の一面側に供給し、
前記分析物が前記貫通孔を通過することにより生ずる電極間の通電変化を検出した検出信号のデータの分類分析をコンピュータ制御プログラムの実行によって行う分類分析方法であって、
前記コンピュータ制御プログラムは、機械学習を用いた分類分析を行う分類分析プログラムを有し、
第1の種類の第1分析物を含む第1流動性物質から前記検出信号として得られた第1パルス状信号の波形形態の特徴を示す第1特徴量と、
第2の種類の第2分析物を含む第2流動性物質から前記検出信号として得られた第2パルス状信号の波形形態の特徴を示す第2特徴量とをあらかじめ求め、
あらかじめ求めた前記第1特徴量と前記第2特徴量を前記機械学習のための学習データとし、
前記第1の種類の第1分析物および前記第2の種類の第2分析物の両方を含む第3流動性物質を被分類分析物とし、前記被分類分析物から前記検出信号として得られた第3パルス状信号の波形形態の特徴を示す第3特徴量を変数にして、前記分類分析プログラムを実行することによって、前記第3流動性物質内に存在する第1分析物と第2分析物の割合を求め、
前記コンピュータ制御プログラムは、
前記検出信号ないしそれに含まれる揺らぎ成分から、分析物通過のないときの基準ラインを抽出する基準ライン抽出手段と、
前記基準ラインを基準にして所定範囲を超える信号データを前記第1パルス状信号、第2パルス状信号または第3パルス状信号のデータとして抽出するパルス抽出手段と、
抽出した前記第1パルス状信号、第2パルス状信号または第3パルス状信号のデータから各々、前記第1特徴量、第2特徴量または第3特徴量を抽出する特徴量抽出手段と、
を含むことを特徴とする分類分析方法。 - 前記特徴量は、
前記パルス状信号の波形の局所的特徴を示す第1類型と、
前記パルス状信号の波形の全体的特徴を示す第2類型のいずれかである請求項1に記載の分類分析方法。 - 前記第1類型の特徴量は、
所定の時間幅内における波形の波高値、
パルス波長ta、
パルス開始からパルスピークに至るまでの時間tbとtaとの比tb/taで表わされるピーク位置比、
該波形の鋭さを表す尖度、
パルス開始からパルスピークに至る傾きを表す俯角、
波形を所定の時間毎に区分した時間区分面積の総和を表す面積、および
パルス開始からパルスピークに至るまでの時間区分面積の和の、全波形面積に対する面積比のいずれかである請求項2に記載の分類分析方法。 - 前記第2類型の特徴量は、
パルス開始時点を中心にして前記時間区分面積を質量に、かつ該中心から前記時間区分面積に至る時間を回転半径に擬制したときに定まる時間慣性モーメント、
前記時間慣性モーメントに対し波高が基準値になるように規格化した場合の規格化され
た時間慣性モーメント、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値をベクトルの成分とする平均値ベクトル、
前記平均値ベクトルに対し波長が基準値になるように規格化した場合の規格化された平均値ベクトル、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値の差をベクトルの成分とする平均値の差ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅平均値慣性モーメント、
前記波幅平均値慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅平均値慣性モーメント、
波形を波高方向に等分割し、分割単位毎の時刻値から分散を求め、該分散をベクトルの成分とする分散ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅分散慣性モーメント、および
前記波幅分散慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅分散慣性モーメントのいずれかである請求項2又は3に記載の分類分析方法。 - 貫通孔を形成した隔壁と、前記貫通孔を介して前記隔壁の表裏側に配置された電極とを配置し、
粒子状または分子状の分析物を含む流動性物質を前記隔壁の一面側に供給し、
前記分析物が前記貫通孔を通過することにより生ずる電極間の通電変化を検出した検出信号のデータの分類分析をコンピュータ制御プログラムの実行によって行う分類分析装置であって、
前記コンピュータ制御プログラムは、機械学習を用いた分類分析を行う分類分析プログラムを有し、
第1の種類の第1分析物を含む第1流動性物質から前記検出信号として得られた第1パルス状信号の波形形態の特徴を示す第1特徴量と、
第2の種類の第2分析物を含む第2流動性物質から前記検出信号として得られた第2パルス状信号の波形形態の特徴を示す第2特徴量とをあらかじめ求め、
あらかじめ求めた前記第1特徴量と前記第2特徴量を前記機械学習のための学習データとして記憶する学習データ記憶手段と、
前記第1の種類の第1分析物および前記第2の種類の第2分析物の両方を含む第3流動性物質を被分類分析物とし、前記被分類分析物から前記検出信号として得られた第3パルス状信号の波形形態の特徴を示す第3特徴量を変数として記憶する変数記憶手段と、を有し、
前記分類分析プログラムを実行することによって、前記学習データおよび前記変数に基づき、前記第3流動性物質内に存在する第1分析物と第2分析物の割合を求め、
前記コンピュータ制御プログラムは、
前記検出信号ないしそれに含まれる揺らぎ成分から、分析物通過のないときの基準ラインを抽出する基準ライン抽出手段と、
前記基準ラインを基準にして所定範囲を超える信号データを前記第1パルス状信号、第2パルス状信号または第3パルス状信号のデータとして抽出するパルス抽出手段と、
抽出した前記第1パルス状信号、第2パルス状信号または第3パルス状信号のデータから各々、前記第1特徴量、第2特徴量または第3特徴量を抽出する特徴量抽出手段と、
を含むことを特徴とする分類分析装置。 - 前記特徴量は、
前記パルス状信号の波形の局所的特徴を示す第1類型と、
前記パルス状信号の波形の全体的特徴を示す第2類型のいずれかである請求項5に記載の分類分析装置。 - 前記第1類型の特徴量は、
所定の時間幅内における波形の波高値、
パルス波長ta、
パルス開始からパルスピークに至るまでの時間tbとtaとの比tb/taで表わされるピーク位置比、
該波形の鋭さを表す尖度、
パルス開始からパルスピークに至る傾きを表す俯角、
波形を所定の時間毎に分割した時間区分面積の総和を表す面積、および
パルス開始からパルスピークに至るまでの時間区分面積の和の、全波形面積に対する面積比のいずれかである請求項6に記載の分類分析装置。 - 前記第2類型の特徴量は、
パルス開始時点を中心にして前記時間区分面積を質量に、かつ該中心から前記時間区分面積に至る時間を回転半径に擬制したときに定まる時間慣性モーメント、
前記時間慣性モーメントに対し波高が基準値になるように規格化した場合の規格化された時間慣性モーメント、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値をベクトルの成分とする平均値ベクトル、
前記平均値ベクトルに対し波長が基準値になるように規格化した場合の規格化された平均値ベクトル、
波形を波高方向に等分割し、パルスピーク前後それぞれにおいて各分割単位毎に時刻値の平均値を算出し、同一波高位置の平均値の差をベクトルの成分とする平均値の差ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅平均値慣性モーメント、
前記波幅平均値慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅平均値慣性モーメント、
波形を波高方向に等分割し、分割単位毎の時刻値から分散を求め、該分散をベクトルの成分とする分散ベクトルを質量分布と擬制して波形裾野の時間軸を回転中心にしたときに定まる波幅分散慣性モーメント、および
前記波幅分散慣性モーメントに対し波長が基準値になるように規格化した場合の規格化された波幅分散慣性モーメントのいずれかである請求項6又は7に記載の分類分析装置。 - 請求項1に記載の前記コンピュータ制御プログラムを記憶したことを特徴とする分類分析用記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015254398 | 2015-12-25 | ||
JP2015254398 | 2015-12-25 | ||
JP2016244326A JP6719773B2 (ja) | 2015-12-25 | 2016-12-16 | 分類分析方法、分類分析装置および分類分析用記憶媒体 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016244326A Division JP6719773B2 (ja) | 2015-12-25 | 2016-12-16 | 分類分析方法、分類分析装置および分類分析用記憶媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020173259A true JP2020173259A (ja) | 2020-10-22 |
JP6971499B2 JP6971499B2 (ja) | 2021-11-24 |
Family
ID=67979611
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016244326A Active JP6719773B2 (ja) | 2015-12-25 | 2016-12-16 | 分類分析方法、分類分析装置および分類分析用記憶媒体 |
JP2017558125A Active JP6621039B2 (ja) | 2015-12-25 | 2016-12-19 | 個数分析方法、個数分析装置および個数分析用記憶媒体 |
JP2020100372A Active JP6971499B2 (ja) | 2015-12-25 | 2020-06-09 | 分類分析方法、分類分析装置および分類分析用記憶媒体 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016244326A Active JP6719773B2 (ja) | 2015-12-25 | 2016-12-16 | 分類分析方法、分類分析装置および分類分析用記憶媒体 |
JP2017558125A Active JP6621039B2 (ja) | 2015-12-25 | 2016-12-19 | 個数分析方法、個数分析装置および個数分析用記憶媒体 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11597898B2 (ja) |
EP (2) | EP3396354B1 (ja) |
JP (3) | JP6719773B2 (ja) |
CN (1) | CN108474726B (ja) |
WO (2) | WO2017110753A1 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11781099B2 (en) * | 2015-12-25 | 2023-10-10 | Aipore Inc. | Number analyzing method, number analyzing device, and storage medium for number analysis |
US11373110B2 (en) * | 2016-10-03 | 2022-06-28 | Mitsubishi Electric Corporation | Apparatus and network construction method for determining the number of elements in an intermediate layer of a neural network |
WO2020017608A1 (ja) * | 2018-07-19 | 2020-01-23 | 国立大学法人大阪大学 | ウイルス計測方法、ウイルス計測装置、ウイルス判定プログラム、ストレス判定方法、およびストレス判定装置 |
JP7082013B2 (ja) | 2018-09-04 | 2022-06-07 | 株式会社アドバンテスト | 微粒子測定システム、計測装置 |
JP7437393B2 (ja) | 2018-10-17 | 2024-02-22 | ベクトン・ディキンソン・アンド・カンパニー | 粒子分析器のための適応ソーティング |
WO2020202446A1 (ja) | 2019-04-01 | 2020-10-08 | アイポア株式会社 | 細孔電気抵抗法による測定対象粒子の細孔通過にともなうイオン電流の過渡変化を計測し、そのパルス波形を解析するための機械学習プログラム、方法、および装置 |
EP3968003A4 (en) | 2019-05-10 | 2022-06-01 | Aipore Inc. | PARTICLE IDENTIFICATION SENSOR AND PARTICLE IDENTIFICATION DEVICE |
JP7315257B2 (ja) | 2019-10-11 | 2023-07-26 | アイポア株式会社 | 粒子の識別を行うためのセンサ、測定器、コンピュータ装置、およびシステム |
CN111999490B (zh) * | 2019-12-19 | 2021-07-30 | 瑞芯智造(深圳)科技有限公司 | 一种检测样品体系中微量蛋白的方法 |
FR3106412A1 (fr) * | 2020-01-17 | 2021-07-23 | Horiba Abx Sas | Dispositif d’analyses médicales à traitement de signaux d’impédance |
JP2021156712A (ja) * | 2020-03-26 | 2021-10-07 | 株式会社アドバンテスト | 微粒子測定システム、計測装置 |
CN111554351B (zh) * | 2020-04-26 | 2021-05-04 | 深圳市儒翰基因科技有限公司 | 病毒识别的方法、终端及存储介质 |
JPWO2022024389A1 (ja) * | 2020-07-31 | 2022-02-03 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61153545A (ja) * | 1984-12-27 | 1986-07-12 | Toshiba Corp | 粒子分析装置 |
WO2013137209A1 (ja) * | 2012-03-13 | 2013-09-19 | 株式会社 東芝 | 一粒子解析装置および解析方法 |
WO2014138253A1 (en) * | 2013-03-05 | 2014-09-12 | Arizona Board Of Regents, Acting For And On Behalf Of Arizona State University | Translocation of a polymer through a nanopore |
WO2016094720A1 (en) * | 2014-12-10 | 2016-06-16 | Neogenomics Laboratories, Inc. | Automated flow cytometry analysis method and system |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3961249A (en) * | 1973-10-15 | 1976-06-01 | Coulter Electronics, Inc. | Particle size distribution analyzation employing trailing edge differentiation |
JPS5841336A (ja) * | 1981-09-04 | 1983-03-10 | Toa Medical Electronics Co Ltd | 粒子分析装置 |
JPS5883234A (ja) * | 1981-11-13 | 1983-05-19 | Toa Medical Electronics Co Ltd | 粒子分析装置 |
JPS58189543A (ja) * | 1982-04-28 | 1983-11-05 | Toa Medical Electronics Co Ltd | 血液分析装置 |
JP2667867B2 (ja) * | 1988-03-30 | 1997-10-27 | 東亜医用電子株式会社 | 粒子解析装置 |
JP3347495B2 (ja) | 1994-11-14 | 2002-11-20 | シスメックス株式会社 | 粒子分析装置 |
US6337564B2 (en) * | 1999-04-13 | 2002-01-08 | Alcoa Inc. | Detecting and classifying hard and soft inclusions in liquid metal |
JP3611771B2 (ja) * | 2000-04-21 | 2005-01-19 | シスメックス株式会社 | 粒子信号処理装置およびそれを用いた粒子測定装置 |
EP2136922B1 (en) * | 2007-03-28 | 2012-12-05 | BioNano Genomics, Inc. | Methods of macromolecular analysis using nanochannel arrays |
US8273532B2 (en) | 2007-10-02 | 2012-09-25 | President And Fellows Of Harvard College | Capture, recapture, and trapping of molecules with a nanopore |
WO2009057525A1 (ja) * | 2007-10-29 | 2009-05-07 | Sysmex Corporation | 細胞分析装置及び細胞分析方法 |
GB201113309D0 (en) * | 2011-08-02 | 2011-09-14 | Izon Science Ltd | Characterisation of particles |
US8702940B2 (en) * | 2012-07-27 | 2014-04-22 | International Business Machines Corporation | Increased molecule capture rate into a nanopore |
JP2015087176A (ja) * | 2013-10-29 | 2015-05-07 | シスメックス株式会社 | 尿検体分析装置および尿検体分析方法 |
WO2015099116A1 (ja) * | 2013-12-27 | 2015-07-02 | 株式会社堀場製作所 | 粒子計数方法および粒子計数装置 |
US9804116B2 (en) * | 2014-12-26 | 2017-10-31 | Kabushiki Kaisha Toshiba | Method and device for detecting sample |
JP7082013B2 (ja) * | 2018-09-04 | 2022-06-07 | 株式会社アドバンテスト | 微粒子測定システム、計測装置 |
-
2016
- 2016-12-16 JP JP2016244326A patent/JP6719773B2/ja active Active
- 2016-12-19 CN CN201680075604.XA patent/CN108474726B/zh active Active
- 2016-12-19 EP EP16878642.4A patent/EP3396354B1/en active Active
- 2016-12-19 JP JP2017558125A patent/JP6621039B2/ja active Active
- 2016-12-19 WO PCT/JP2016/087821 patent/WO2017110753A1/ja active Application Filing
- 2016-12-19 US US16/065,633 patent/US11597898B2/en active Active
-
2017
- 2017-12-12 EP EP17881653.4A patent/EP3557225A4/en not_active Withdrawn
- 2017-12-12 WO PCT/JP2017/044534 patent/WO2018110540A1/ja active Search and Examination
-
2020
- 2020-06-09 JP JP2020100372A patent/JP6971499B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS61153545A (ja) * | 1984-12-27 | 1986-07-12 | Toshiba Corp | 粒子分析装置 |
WO2013137209A1 (ja) * | 2012-03-13 | 2013-09-19 | 株式会社 東芝 | 一粒子解析装置および解析方法 |
WO2014138253A1 (en) * | 2013-03-05 | 2014-09-12 | Arizona Board Of Regents, Acting For And On Behalf Of Arizona State University | Translocation of a polymer through a nanopore |
WO2016094720A1 (en) * | 2014-12-10 | 2016-06-16 | Neogenomics Laboratories, Inc. | Automated flow cytometry analysis method and system |
Also Published As
Publication number | Publication date |
---|---|
WO2018110540A1 (ja) | 2018-06-21 |
US11597898B2 (en) | 2023-03-07 |
EP3557225A1 (en) | 2019-10-23 |
JP6621039B2 (ja) | 2019-12-18 |
EP3396354A1 (en) | 2018-10-31 |
EP3396354A4 (en) | 2019-08-28 |
CN108474726A (zh) | 2018-08-31 |
EP3396354B1 (en) | 2022-08-17 |
CN108474726B (zh) | 2021-10-22 |
US20190257787A1 (en) | 2019-08-22 |
JP6971499B2 (ja) | 2021-11-24 |
JP2017120257A (ja) | 2017-07-06 |
WO2017110753A1 (ja) | 2017-06-29 |
JPWO2017110753A1 (ja) | 2018-10-25 |
EP3557225A4 (en) | 2020-02-26 |
JP6719773B2 (ja) | 2020-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6971499B2 (ja) | 分類分析方法、分類分析装置および分類分析用記憶媒体 | |
JP6807529B2 (ja) | 識別方法、分類分析方法、識別装置、分類分析装置および記憶媒体 | |
CN110178012B (zh) | 分类分析方法、分类分析装置及分类分析用记录介质 | |
JP7086803B2 (ja) | 異常検知装置、異常検知方法及びプログラム | |
JP5403621B2 (ja) | 匂い識別方法 | |
JPWO2003016555A1 (ja) | 細胞診断方法、ならびにそれに用いるデバイスおよび装置 | |
Yamada et al. | Real-time estimation of fault rupture extent using near-source versus far-source classification | |
US11781099B2 (en) | Number analyzing method, number analyzing device, and storage medium for number analysis | |
AU2018204791A1 (en) | Detecting a transient error in a body fluid sample | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
KR101290928B1 (ko) | 음질인자를 이용한 고장 진단 장치 및 방법 | |
JP7140191B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN112424582A (zh) | 血液样本检测的方法、血液样本检测仪和存储介质 | |
Fatema et al. | Correlation Between Capillary Flow and Dry Sieving Test Results of Woven and Nonwoven Geotextiles | |
CN111521600A (zh) | 3d打印金属构件缺陷在线监测与分析装置及其控制方法 | |
CN116881634B (zh) | 用于清洗纳米孔信号数据的方法、设备和存储介质 | |
JP7309227B2 (ja) | 細孔電気抵抗法による測定対象粒子の細孔通過にともなうイオン電流の過渡変化を計測し、そのパルス波形を解析するための機械学習プログラム、方法、および装置 | |
San Millán-Castillo et al. | A practical method for vibration frequency response characterization of handheld probes using Bootstrap in building acoustics | |
JP6678177B2 (ja) | 二項分類に対するエキスパート判断のキャラクタライゼーションおよび再現 | |
JP2009291095A (ja) | 分化活性解析方法および分化活性解析装置 | |
Ommundsen | Bat Research & Conservation www. secemu. org | |
CN111077346A (zh) | 基于微悬臂梁的土壤湿度监测方法、装置、设备及介质 | |
Mastrofini | Curve fitting and compensation for impedance cytometry signals | |
Huang et al. | Dynamic modeling, prediction and analysis of cytotoxicity on microelectronic sensors | |
JPH10260130A (ja) | 分布データ生成装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200610 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20201007 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210330 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210331 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210507 |
|
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: 20211005 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6971499 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |