JP2021139914A - におい判定システム、および、におい判定プログラム - Google Patents

Abstract

【課題】 判定可能なにおいの質を従来より増やすことができる、におい判定システム、および、におい判定プログラムを提供する。【解決手段】 におい判定システム１０は、カラム１５と、ＰＩＤセンサー１６、半導体ガスセンサー１７および１８と、ＰＩＤセンサー１６、半導体ガスセンサー１７および１８のそれぞれの検知結果に基づいたＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムを生成し、におい質ニューラルネットワークを用いて、ＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムに基づいて、においの質を判定するコンピューター２０とを備え、コンピューター２０は、基になったクロマトグラムがＰＩＤクロマトグラムである全ての波形において、ピーク値以外の全ての値をゼロにするように、波形の形状を単純化したクロマトグラムをにおい質ニューラルネットワークに入力することを特徴とする。【選択図】 図８

Description

本発明は、においを判定する、におい判定システム、および、におい判定プログラムに関する。

従来の、におい判定システムとして、複数のガスセンサーを入力として、ニューラルネットワークを組み、機械学習をさせることによって、においの質および強度を判定するものが知られている（例えば、非特許文献１参照。）。非特許文献１に記載された、におい判定システムが判定することができる、においの質としては、飲みすぎや疲労の蓄積で体内のアンモニアが解毒されず汗で放出されたり、放置した汗が菌に分解されたりすることで発生する「汗臭」と、エクリン腺から出る汗に含まれる乳酸が、皮膚上の菌によって分解されることで生じるジアセチルのにおいに、皮脂腺から出る中鎖脂肪酸のにおいが合わさることで発生する「ミドル脂臭」と、皮膚の潤いを保つための皮脂を分泌する皮脂腺の中のパルミトオレイン酸と、過酸化脂質とが加齢によって増え、これらが分解・酸化することで発生する「加齢臭」とが存在する。

コニカミノルタ株式会社、"Kunkun body PRODUCT"、［online］、［平成２９年９月１１日検索］、インターネット＜URL：https://kunkunbody.konicaminolta.jp/product/＞

しかしながら、従来のにおい判定システムにおいては、判定可能なにおいの質が少ないという問題がある。

そこで、本発明は、判定可能なにおいの質を従来より増やすことができる、におい判定システム、および、におい判定プログラムを提供することを目的とする。

本発明のにおい判定システムは、気体の成分を分離するカラムと、前記カラムによって成分が分離された気体を検知する複数種類のガスセンサーと、前記ガスセンサーの検知結果に基づいたクロマトグラムを前記ガスセンサー毎に生成するクロマトグラム生成手段と、前記クロマトグラムにおける時間毎の値を説明変数とし、においの質を少なくとも目的変数とするニューラルネットワークとしての、におい質ニューラルネットワークを用いて、においの質を判定する、におい判定手段とを備え、前記におい判定手段は、前記クロマトグラム生成手段によって生成された、前記複数種類のガスセンサーのそれぞれの検知結果に基づいた前記クロマトグラムからなる、複数のクロマトグラムに基づいて、においの質を判定することを特徴とする。

この構成により、本発明のにおい判定システムは、カラムによって成分が分離された気体に対する、複数種類のガスセンサーのそれぞれの検知結果に基づいた複数のクロマトグラムに基づいて、においの質を判定するので、判定可能なにおいの質を従来より増やすことができる。

本発明のにおい判定システムにおいて、前記におい判定手段は、前記クロマトグラムにおける時間毎の前記値を説明変数とし、においの強度を目的変数とするニューラルネットワークとしての、におい強度ニューラルネットワークを用いて、前記複数のクロマトグラムに基づいて、においの強度を判定しても良い。

この構成により、本発明のにおい判定システムは、においの質、強度を、それぞれ、におい質ニューラルネットワーク、におい強度ニューラルネットワークを用いて判定するので、においの質および強度の両方を目的変数とするニューラルネットワークを用いて、においの質および強度の両方を判定する構成と比較して、少ない学習データであっても、においの質および強度のそれぞれの判定の精度を向上することができる。

本発明のにおい判定システムにおいて、前記におい判定手段は、時間帯毎に前記複数のクロマトグラムにおける波形のいずれか１つを組み合わせて集約した１つのクロマトグラムを前記ニューラルネットワークに入力しても良い。

この構成により、本発明のにおい判定システムは、時間帯毎に複数のクロマトグラムのいずれか１つの波形を組み合わせて集約した１つのクロマトグラムをニューラルネットワークの入力にするので、複数のクロマトグラムの全てをニューラルネットワークの入力にする構成と比較して、ニューラルネットワークに入力される説明変数を減少させることができ、その結果、必要な学習データを減少させることができる。したがって、本発明のにおい判定システムは、少ない学習データであっても、においの判定の精度を向上することができる。

本発明のにおい判定システムにおいて、前記１つのクロマトグラムは、時間帯毎に前記複数のクロマトグラムにおける波形の中で最もピーク値が高い波形を組み合わせて集約したクロマトグラムであっても良い。

この構成により、本発明のにおい判定システムは、時間帯毎に複数のクロマトグラムにおける波形の中で最もピーク値が高い波形、すなわち、特徴的な波形を組み合わせて集約した１つのクロマトグラムをニューラルネットワークに入力するので、少ない学習データであっても、においの判定の精度を向上することができる。

本発明のにおい判定システムにおいて、前記におい判定手段は、基になった前記クロマトグラム毎に波形を区別する区別情報を付加した前記１つのクロマトグラムを前記ニューラルネットワークに入力しても良い。

この構成により、本発明のにおい判定システムは、基になったクロマトグラム毎に波形を区別する区別情報を、ニューラルネットワークに入力するクロマトグラムに付加することによって、複数のクロマトグラムにおける特徴を、ニューラルネットワークに入力するクロマトグラムに付加するので、少ない学習データであっても、においの判定の精度を向上することができる。

本発明のにおい判定システムにおいて、前記におい判定手段は、前記クロマトグラムにおける複数の波形の少なくとも１つにおいて、ピーク値以外の少なくとも１つの値をゼロにするように、前記波形の形状を単純化した前記クロマトグラムを前記ニューラルネットワークに入力しても良い。

この構成により、本発明のにおい判定システムは、クロマトグラムにおける複数の波形の少なくとも１つにおいて、ピーク値以外の少なくとも１つの値をゼロにするように、波形の形状を単純化したクロマトグラムをニューラルネットワークに入力するので、ニューラルネットワークに入力される説明変数のうち、ゼロ以外の値、すなわち、有効な説明変数を減少させることができ、その結果、必要な学習データを減少させることができる。したがって、本発明のにおい判定システムは、少ない学習データであっても、においの判定の精度を向上することができる。

本発明のにおい判定システムにおいて、前記におい判定手段は、前記複数のクロマトグラムに基づいた、前記ニューラルネットワークに入力する前記クロマトグラムを、指示に応じて変更可能であり、前記複数のクロマトグラムと、前記ニューラルネットワークに入力される前記クロマトグラムとを同時に含む画面を生成しても良い。

この構成により、本発明のにおい判定システムは、複数種類のガスセンサーのそれぞれの検知結果に基づいた複数のクロマトグラムと、ニューラルネットワークに入力されるクロマトグラムとを同時に含む画面を生成するので、ニューラルネットワークに入力されるクロマトグラムの変更を利用者が指示する場合の利便性を向上することができる。

本発明のにおい判定システムは、前記カラムによって分離された成分の質量を検出する質量分析計を備えなくても良い。

この構成により、本発明のにおい判定システムは、質量分析計の構成要素である、大きなヘリウムガスボンベ、および、大きな真空ポンプを備える必要がないので、小型化することができ、小型化によって可搬性を向上することができる。そのため、本発明のにおい判定システムは、においが発生している現場に移動させられて、においを現場で判定することを容易化することができる。したがって、本発明のにおい判定システムは、においを発生させている気体が運搬のために容器に入れられる場合に、においが容器に吸着してしまうときや、においを発生させている気体が運搬されている間に経時変化、化学変化などによって、においの成分が変化してしまう場合などであっても、においが発生している現場から、におい判定システムまで、においを発生させている気体が運搬されることなく、におい判定システム自体が現場に移動させられることによって、においを高精度に判定することができる。

本発明のにおい判定プログラムは、気体の成分を分離するカラムによって成分が分離された気体を検知する複数種類のガスセンサーの検知結果に基づいたクロマトグラムを前記ガスセンサー毎に生成するクロマトグラム生成手段と、前記クロマトグラムにおける時間毎の値を説明変数とし、においの質を少なくとも目的変数とするニューラルネットワークとしての、におい質ニューラルネットワークを用いて、においの質を判定する、におい判定手段とをコンピューターに実現させ、前記におい判定手段は、前記クロマトグラム生成手段によって生成された、前記複数種類のガスセンサーのそれぞれの検知結果に基づいた前記クロマトグラムからなる、複数のクロマトグラムに基づいて、においの質を判定することを特徴とする。

この構成により、本発明のにおい判定プログラムを実行するコンピューターは、カラムによって成分が分離された気体に対する、複数種類のガスセンサーのそれぞれの検知結果に基づいた複数のクロマトグラムに基づいて、においの質を判定するので、判定可能なにおいの質を従来より増やすことができる。

本発明のにおい判定システム、および、におい判定プログラムは、判定可能なにおいの質を従来より増やすことができる。

本発明の一実施の形態に係る、におい判定システムの構成図である。 図１に示すコンピューターのブロック図である。 図２に示すクロマトグラム生成手段によって生成されるクロマトグラムの一例を示す図である。 （ａ）図１に示す、におい判定システムで使用される、におい質ニューラルネットワークの一例を示す図である。 （ｂ）図１に示す、におい判定システムで使用される、におい強度ニューラルネットワークの一例を示す図である。 図２に示す学習データ用データの構成を示す図である。 図３に示すＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムに基づいて生成される判定モード１用クロマトグラムの一例を示す図である。 図３に示すＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムに基づいて生成される判定モード２用クロマトグラムの一例を示す図である。 図３に示すＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムに基づいて生成される判定モード３用クロマトグラムの一例を示す図である。 図１に示す、におい判定システムを使用した学習データ用データの生成方法のフローチャートである。 図１に示す、におい判定システムを使用したニューラルネットワークの検証方法のフローチャートである。 判定モード１用のニューラルネットワークに関して図１０に示す検証方法において出力される検証結果画面の一例を示す図である。 図１に示す、におい判定システムを使用した、においの判定方法のフローチャートである。 においのカテゴリー、判定モードとして、それぞれ、コーヒーの香り、判定モード３が指定された場合に図１２に示す判定方法において出力される判定結果画面の一例を示す図である。

以下、本発明の一実施の形態について、図面を用いて説明する。

まず、本実施の形態に係る、におい判定システムの構成について説明する。

図１は、本実施の形態に係る、におい判定システム１０の構成図である。

図１に示すように、におい判定システム１０は、においの判定の対象の気体（以下「サンプルガス」という。）が注入されるサンプルガス注入部１１と、キャリアーガスとしての空気を周囲から取り込んで送り出すポンプ１２と、ポンプ１２によって送り出されたキャリアーガスから揮発性有機化合物（ＶＯＣ：Ｖｏｌａｔｉｌｅ Ｏｒｇａｎｉｃ Ｃｏｍｐｏｕｎｄｓ）を除去するＶＯＣフィルター１３と、サンプルガス注入部１１から注入されたサンプルガス、および、ポンプ１２によって送り出されてＶＯＣフィルター１３を通過したキャリアーガスが混合される混合部１４と、混合部１４でキャリアーガスと混合されてキャリアーガスによって移動させられたサンプルガスの成分を分離するカラム１５と、カラム１５によって成分が分離された気体を検知するガスセンサーとしてのＰＩＤ（Ｐｈｏｔｏ Ｉｏｎｉｚａｔｉｏｎ Ｄｅｔｅｃｔｏｒ）センサー１６、半導体ガスセンサー１７および半導体ガスセンサー１８と、サンプルガスのにおいの質および強度を表示するためのコンピューター２０とを備えている。すなわち、におい判定システム１０は、サンプルガスのにおいの質および強度をガスクロマトグラフィーを利用して判定するシステムである。

カラム１５としては、パックドカラムおよびキャピラリーカラムのいずれが採用されても良いが、気体の成分を分離する性能が高いキャピラリーカラムが採用されることが好ましい。

半導体ガスセンサー１７および半導体ガスセンサー１８は、共に半導体ガスセンサーであるが、気体の検知の性能、すなわち、検知可能な気体の種類が互いに異なるガスセンサーである。ＰＩＤセンサー１６は、半導体ガスセンサー１７および半導体ガスセンサー１８のいずれとも、気体の検知の性能が異なる。すなわち、ＰＩＤセンサー１６、半導体ガスセンサー１７および半導体ガスセンサー１８は、種類が異なるガスセンサーである。例えば、ＰＩＤセンサー１６は、ＶＯＣガスの検知の性能が高く、半導体ガスセンサー１７は、酢酸系の気体の検知の性能が高く、半導体ガスセンサー１８は、硫黄系の気体の検知の性能が高い。

図２は、コンピューター２０のブロック図である。

図２に示すように、コンピューター２０は、種々の操作が入力されるキーボード、マウスなどの入力デバイスである操作部２１と、種々の情報を表示するＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）などの表示デバイスである表示部２２と、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどのネットワーク経由で、または、ネットワークを介さずに有線または無線によって直接に、外部の装置と通信を行う通信デバイスである通信部２３と、各種の情報を記憶する半導体メモリー、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの不揮発性の記憶デバイスである記憶部２４と、コンピューター２０全体を制御する制御部２５とを備えている。コンピューター２０は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）である。

記憶部２４は、においを判定するための、におい判定プログラム２４ａを記憶している。におい判定プログラム２４ａは、例えば、コンピューター２０の製造段階でコンピューター２０にインストールされていても良いし、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリー、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）などの外部の記憶媒体からコンピューター２０に追加でインストールされても良いし、ネットワーク上からコンピューター２０に追加でインストールされても良い。

記憶部２４は、ニューラルネットワーク２４ｂを記憶可能である。また、記憶部２４は、ニューラルネットワーク２４ｂと同様な構成のニューラルネットワークを、ニューラルネットワーク２４ｂ以外にも少なくとも１つ記憶可能である。記憶部２４は、病臭、口臭、コーヒーの香り、ワインの香り、養鶏場の臭い、ごみ処理場の臭い、家庭臭など、においのカテゴリー毎に、後述する判定モード１用の、においの質を判定するためのニューラルネットワークである、におい質ニューラルネットワークと、判定モード１用の、においの強度を判定するためのニューラルネットワークである、におい強度ニューラルネットワークと、後述する判定モード２用のにおい質ニューラルネットワークと、判定モード２用のにおい強度ニューラルネットワークと、後述する判定モード３用のにおい質ニューラルネットワークと、判定モード３用のにおい強度ニューラルネットワークとを記憶可能である。

記憶部２４は、ニューラルネットワークの学習データのためのデータ（以下「学習データ用データ」という。）２４ｃを記憶可能である。また、記憶部２４は、学習データ用データ２４ｃと同様な構成の学習データ用データを、学習データ用データ２４ｃ以外にも少なくとも１つ複数記憶可能である。記憶部２４は、ニューラルネットワークと同様に、においのカテゴリー毎に、複数の学習データ用データを記憶可能である。

制御部２５は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、プログラムおよび各種のデータを記憶しているＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、ＣＰＵの作業領域として用いられるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）とを備えている。ＣＰＵは、ＲＯＭまたは記憶部２４に記憶されているプログラムを実行する。

制御部２５は、におい判定プログラム２４ａを実行することによって、ガスセンサーの検知結果に基づいたクロマトグラムをガスセンサー毎に生成するクロマトグラム生成手段２５ａと、においの質および強度をニューラルネットワークを用いて判定する、におい判定手段２５ｂとを実現する。

クロマトグラム生成手段２５ａは、サンプルガス注入部１１からのサンプルガスの注入が完了した後の特定のタイミングからＰＩＤセンサー１６、半導体ガスセンサー１７および半導体ガスセンサー１８のそれぞれの検知値（ＡＤ値）の取り込みを開始する。検知値の取り込みを開始したタイミングを０秒とすると、クロマトグラム生成手段２５ａは、１秒毎に２９９９秒まで検知値を取り込む。すなわち、クロマトグラム生成手段２５ａは、ＰＩＤセンサー１６の検知結果に基づいた、３０００個の検知値からなるクロマトグラム（以下「ＰＩＤクロマトグラム」という。）と、半導体ガスセンサー１７の検知結果に基づいた、３０００個の検知値からなるクロマトグラム（以下「半導体Ａクロマトグラム」という。）と、半導体ガスセンサー１８の検知結果に基づいた、３０００個の検知値からなるクロマトグラム（以下「半導体Ｂクロマトグラム」という。）との３つのクロマトグラムを、サンプルガスの測定毎に生成する。

図３は、クロマトグラム生成手段２５ａによって生成されるクロマトグラムの一例を示す図である。

図３において、「ＰＩＤ」、「半導体Ａ」、「半導体Ｂ」とは、それぞれ、ＰＩＤセンサー１６、半導体ガスセンサー１７、半導体ガスセンサー１８を意味している。

図３には、ＰＩＤクロマトグラムと、半導体Ａクロマトグラムと、半導体Ｂクロマトグラムとが重ねて示されている。

図４（ａ）は、におい判定システム１０で使用される、におい質ニューラルネットワーク７１の一例を示す図である。図４（ｂ）は、におい判定システム１０で使用される、におい強度ニューラルネットワーク７２の一例を示す図である。

図４（ａ）に示す、におい質ニューラルネットワーク７１は、コーヒーの香りの質を判定するためのニューラルネットワークの一例である。図４（ｂ）に示す、におい強度ニューラルネットワーク７２は、コーヒーの香りの強度を判定するためのニューラルネットワークの一例である。

におい質ニューラルネットワーク７１は、クロマトグラムにおける時間毎の値を説明変数とし、例えば、モカの香り、コナの香り、キリマンジャロの香りなど、においの質を目的変数とするニューラルネットワークである。におい質ニューラルネットワーク７１の設定項目は、入力側のノード、すなわち、説明変数の数を示す入力ノード数と、隠れ層の層数と、隠れ層の各層のノードの数と、出力側のノード、すなわち、目的変数の数を示す出力ノード数と、活性化関数に何を使用するかということと、最適化として何を使用するかということと、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎの使用の有無と、Ｗｅｉｇｈｔ ｄｅｃａｙの使用の有無と、Ｄｒｏｐｏｕｔの使用の有無と、学習データ毎の教師有り学習の繰り返しの回数を示す教師学習繰返し回数とである。図４（ｂ）に示す、におい質ニューラルネットワーク７１は、入力ノード数がクロマトグラムにおける時間毎の値の個数と同一の３０００個であり、隠れ層の１層目のノードの数を示す隠れノード１数が３００個であり、隠れ層の２層目のノードの数を示す隠れノード２数が２００個であり、出力ノード数がモカの香り、コナの香り、キリマンジャロの香りなどの５０個であり、活性化関数がＲｅＬＵであり、最適化がＡｄａｍであり、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを使用し、Ｗｅｉｇｈｔ ｄｅｃａｙを使用し、Ｄｒｏｐｏｕｔを使用し、教師学習繰返し回数が１００００回である。

におい強度ニューラルネットワーク７２は、クロマトグラムにおける時間毎の値を説明変数とし、例えば、強度１〜強度６など、においの強度を目的変数とするニューラルネットワークである。におい強度ニューラルネットワーク７２の設定項目は、におい質ニューラルネットワーク７１の設定項目と同様である。図４（ｂ）に示す、におい強度ニューラルネットワーク７２は、入力ノード数がクロマトグラムにおける時間毎の値の個数と同一の３０００個であり、隠れノード１数が５０個であり、出力ノード数が強度１〜強度６の６個であり、活性化関数がＲｅＬＵであり、最適化がＡｄａｍであり、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを使用し、Ｗｅｉｇｈｔ ｄｅｃａｙを使用し、Ｄｒｏｐｏｕｔを使用し、教師学習繰返し回数が３０００回である。

図５は、学習データ用データ２４ｃの構成を示す図である。

図５に示すように、学習データ用データ２４ｃは、サンプルガスの測定によってクロマトグラム生成手段２５ａによって生成されたオリジナルデータ３０と、判定モード１のためのデータ（以下「判定モード１用データ」という。）４０と、判定モード２のためのデータ（以下「判定モード２用データ」という。）５０と、判定モード３のためのデータ（以下「判定モード３用データ」という。）６０とを含んでいる。

オリジナルデータ３０は、同一のサンプルガスの測定によってクロマトグラム生成手段２５ａによって生成された、ＰＩＤクロマトグラムのデータ（以下「ＰＩＤクロマトグラムデータ」という。）３１と、半導体Ａクロマトグラムのデータ（以下「半導体Ａクロマトグラムデータ」という。）３２と、半導体Ｂクロマトグラムのデータ（以下「半導体Ｂクロマトグラムデータ」という。）３３とを含んでいる。

判定モード１用データ４０は、基本情報データ４１と、ＰＩＤクロマトグラムデータ３１、半導体Ａクロマトグラムデータ３２および半導体Ｂクロマトグラムデータ３３に基づいて生成された、３０００個の値からなる、１つのクロマトグラム（以下「判定モード１用クロマトグラム」という。）のデータ（以下「判定モード１用クロマトグラムデータ」という。）４２と、においの質の判定用のデータ（以下「質判定用データ」という。）４３と、においの強度の判定用のデータ（以下「強度判定用データ」という。）４４とを含んでいる。

基本情報データ４１は、学習データ用データ２４ｃの生成の基になった、サンプルガスの測定の識別情報である測定ＩＤ４１ａと、この測定が行われた年月日を示す測定年月日４１ｂと、この測定が行われた時刻を示す測定時刻４１ｃと、この測定の測定モード４１ｄと、この測定の測定者の識別情報である測定者ＩＤ４１ｅと、測定者によるコメント４１ｆとを含んでいる。なお、測定者は、臭気判定士の資格者であることが好ましい。

におい判定システム１０は、測定の総時間、サンプルガスをカラム１５に注入する流量、カラム１５の温度変化の設定など、測定の方法をパターン化した測定モードを幾つか採用することができる。測定モード４１ｄは、におい判定システム１０が採用している測定モードのうち、学習データ用データ２４ｃの生成の基になった、サンプルガスの測定で実行されたものである。

コメント４１ｆは、測定者によって自由に記載されるものである。例えば、コメント４１ｆは、「きのこのにおい」など、測定に関して測定者が感じた内容が記載される。

質判定用データ４３は、測定者によって判定された、においの質４３ａと、判定の成否を示す成否情報４３ｂと、判定が失敗した場合の正しい質が示される修正情報４３ｃと、質４３ａを教師データとして使用する場合に立てて、質４３ａを教師データとして使用しない場合に倒す教師データフラグ４３ｄとを含んでいる。教師データフラグ４３ｄが立てられている場合、説明変数としての判定モード１用クロマトグラムデータ４２と、教師データとしての質４３ａとの組み合わせが、判定モード１用のにおい質ニューラルネットワークの学習データになる。

強度判定用データ４４は、測定者によって判定された、においの強度４４ａと、判定の成否を示す成否情報４４ｂと、判定が失敗した場合の正しい強度が示される修正情報４４ｃと、強度４４ａを教師データとして使用する場合に立てて、強度４４ａを教師データとして使用しない場合に倒す教師データフラグ４４ｄとを含んでいる。教師データフラグ４４ｄが立てられている場合、説明変数としての判定モード１用クロマトグラムデータ４２と、教師データとしての強度４４ａとの組み合わせが、判定モード１用のにおい強度ニューラルネットワークの学習データになる。

判定モード２用データ５０は、基本情報データ５１と、ＰＩＤクロマトグラムデータ３１、半導体Ａクロマトグラムデータ３２および半導体Ｂクロマトグラムデータ３３に基づいて生成された、３０００個の値からなる、１つのクロマトグラム（以下「判定モード２用クロマトグラム」という。）のデータ（以下「判定モード２用クロマトグラムデータ」という。）５２と、質判定用データ５３と、強度判定用データ５４とを含んでいる。

基本情報データ５１は、基本情報データ４１と同一内容の情報である。

質判定用データ５３は、測定者によって判定された、においの質５３ａと、判定の成否を示す成否情報５３ｂと、判定が失敗した場合の正しい質が示される修正情報５３ｃと、質５３ａを教師データとして使用する場合に立てて、質５３ａを教師データとして使用しない場合に倒す教師データフラグ５３ｄとを含んでいる。質５３ａは、質４３ａと同一内容の情報である。教師データフラグ５３ｄが立てられている場合、説明変数としての判定モード２用クロマトグラムデータ５２と、教師データとしての質５３ａとの組み合わせが、判定モード２用のにおい質ニューラルネットワークの学習データになる。

強度判定用データ５４は、測定者によって判定された、においの強度５４ａと、判定の成否を示す成否情報５４ｂと、判定が失敗した場合の正しい強度が示される修正情報５４ｃと、強度５４ａを教師データとして使用する場合に立てて、強度５４ａを教師データとして使用しない場合に倒す教師データフラグ５４ｄとを含んでいる。強度５４ａは、強度４４ａと同一内容の情報である。教師データフラグ５４ｄが立てられている場合、説明変数としての判定モード２用クロマトグラムデータ５２と、教師データとしての強度５４ａとの組み合わせが、判定モード２用のにおい強度ニューラルネットワークの学習データになる。

判定モード３用データ６０は、基本情報データ６１と、ＰＩＤクロマトグラムデータ３１、半導体Ａクロマトグラムデータ３２および半導体Ｂクロマトグラムデータ３３に基づいて生成された、３０００個の値からなる、１つのクロマトグラム（以下「判定モード３用クロマトグラム」という。）のデータ（以下「判定モード３用クロマトグラムデータ」という。）６２と、質判定用データ６３と、強度判定用データ６４とを含んでいる。

基本情報データ６１は、基本情報データ４１と同一内容の情報である。

質判定用データ６３は、測定者によって判定された、においの質６３ａと、判定の成否を示す成否情報６３ｂと、判定が失敗した場合の正しい質が示される修正情報６３ｃと、質６３ａを教師データとして使用する場合に立てて、質６３ａを教師データとして使用しない場合に倒す教師データフラグ６３ｄとを含んでいる。質６３ａは、質４３ａと同一内容の情報である。教師データフラグ６３ｄが立てられている場合、説明変数としての判定モード３用クロマトグラムデータ６２と、教師データとしての質６３ａとの組み合わせが、判定モード３用のにおい質ニューラルネットワークの学習データになる。

強度判定用データ６４は、測定者によって判定された、においの強度６４ａと、判定の成否を示す成否情報６４ｂと、判定が失敗した場合の正しい強度が示される修正情報６４ｃと、強度６４ａを教師データとして使用する場合に立てて、強度６４ａを教師データとして使用しない場合に倒す教師データフラグ６４ｄとを含んでいる。強度６４ａは、強度４４ａと同一内容の情報である。教師データフラグ６４ｄが立てられている場合、説明変数としての判定モード３用クロマトグラムデータ６２と、教師データとしての強度６４ａとの組み合わせが、判定モード３用のにおい強度ニューラルネットワークの学習データになる。

次に、におい判定システム１０における、においの判定のモードについて説明する。

におい判定システム１０には、においの判定のモードとして、判定モード１、判定モード２および判定モード３が存在する。

判定モード１は、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムにおける波形の中で最もピーク値が高い波形を組み合わせて集約した１つのクロマトグラム、すなわち、判定モード１用クロマトグラムを生成し、におい質ニューラルネットワーク、および、におい強度ニューラルネットワークのそれぞれに判定モード１用クロマトグラムを入力するモードである。

例えば、ＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムが図３に示すクロマトグラムである場合、判定モード１用クロマトグラムは、例えば、図６に示すようになる。図６において、「ＰＩＤ」、「半導体Ａ」、「半導体Ｂ」とは、それぞれ、ＰＩＤセンサー１６、半導体ガスセンサー１７、半導体ガスセンサー１８を意味している。図６においては、波形８１ａが半導体Ａクロマトグラムにおける波形であり、波形８１ｂが半導体Ｂクロマトグラムにおける波形であり、波形８１ａおよび波形８１ｂ以外の波形である波形８１ｃがＰＩＤクロマトグラムにおける波形である。

判定モード２は、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムにおける波形の中で最もピーク値が高い波形を組み合わせて集約し、基になったＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラム毎に波形を区別する区別情報を付加した１つのクロマトグラム、すなわち、判定モード２用クロマトグラムを生成し、におい質ニューラルネットワーク、および、におい強度ニューラルネットワークのそれぞれに判定モード２用クロマトグラムを入力するモードである。すなわち、判定モード２用クロマトグラムは、判定モード１用クロマトグラムに、基になったＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラム毎に波形を区別する区別情報を付加したクロマトグラムである。ここで、区別情報は、波形の形状である。すなわち、判定モード２用クロマトグラムにおいては、基になったクロマトグラムがＰＩＤクロマトグラムである波形は元のままの形状が維持され、基になったクロマトグラムが半導体Ａクロマトグラムである波形は特定の幅のパルス波に変更され、基になったクロマトグラムが半導体Ｂクロマトグラムである波形は、基になったクロマトグラムが半導体Ａクロマトグラムである波形の幅より短い特定の幅のパルス波に変更される。

例えば、ＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムが図３に示すクロマトグラムである場合、判定モード２用クロマトグラムは、例えば、図７に示すようになる。図７において、「ＰＩＤ」、「半導体Ａ」、「半導体Ｂ」とは、それぞれ、ＰＩＤセンサー１６、半導体ガスセンサー１７、半導体ガスセンサー１８を意味している。図７において、波形８２ａは、図６に示す波形８１ａを、特定の幅のパルス波に変更したものであり、波形８２ｂは、図６に示す波形８１ｂを、波形８２ａの幅より短い特定の幅のパルス波に変更したものである。

判定モード３は、判定モード２用クロマトグラムに対して、基になったクロマトグラムがＰＩＤクロマトグラムである全ての波形において、ピーク値以外の全ての値をゼロにするように、波形の形状を単純化したクロマトグラム、すなわち、判定モード３用クロマトグラムを生成し、におい質ニューラルネットワーク、および、におい強度ニューラルネットワークのそれぞれに判定モード３用クロマトグラムを入力するモードである。

例えば、ＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムが図３に示すクロマトグラムである場合、判定モード３用クロマトグラムは、例えば、図８に示すようになる。図８において、「ＰＩＤ」、「半導体Ａ」、「半導体Ｂ」とは、それぞれ、ＰＩＤセンサー１６、半導体ガスセンサー１７、半導体ガスセンサー１８を意味している。図８において、波形８２ｃは、図７に示す波形８１ｃを、波形８２ｂの幅より短い特定の幅、例えば、最小の幅である１秒分の幅のパルス波に変更したものである。

次に、におい判定システム１０を使用した学習データ用データの生成方法について説明する。

図９は、におい判定システム１０を使用した学習データ用データの生成方法のフローチャートである。

図９に示すように、測定者は、サンプルガスを入れるためのサンプルバッグに一定量のサンプルガスを入れる（Ｓ１０１）。例えば、測定者は、容量が１リットルであるサンプルバッグに、サンプルガスを充満させる。

次いで、測定者は、Ｓ１０１においてサンプルバッグに入れたサンプルガスのにおいを嗅ぎ、サンプルガスのにおいの質がサンプルガスのカテゴリーの、におい質ニューラルネットワークにおいて定められた目的変数のいずれに該当するかということと、サンプルガスのにおいの強度がサンプルガスのカテゴリーの、におい強度ニューラルネットワークにおいて定められた目的変数のいずれに該当するかということとを判定する（Ｓ１０２）。

次いで、測定者は、今回のサンプルガスに対応する学習データ用データにおいて、基本情報データと、質判定用データにおける質と、強度判定用データにおける強度とを操作部２１から登録する（Ｓ１０３）。ここで、測定者は、質判定用データにおける質として、Ｓ１０２において判定した、においの質を登録し、強度判定用データにおける強度として、Ｓ１０２において判定した、においの強度を登録する。

次いで、測定者は、Ｓ１０１においてサンプルガスを入れたサンプルバッグをサンプルガス注入部１１にセットした後、予め定められた測定条件に応じた測定を、操作部２１を介してコンピューター２０に指示する（Ｓ１０４）。ここで、測定者は、Ｓ１０４の指示において、今回のサンプルガスのカテゴリーを指定する。

したがって、コンピューター２０のクロマトグラム生成手段２５ａは、予め定められた測定条件に応じた測定を実行してＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムを生成し、Ｓ１０４における指示において指定されたカテゴリーにおいて、それぞれ、今回のサンプルガスに対応する学習データ用データにおいてＰＩＤクロマトグラムデータ、半導体Ａクロマトグラムデータおよび半導体Ｂクロマトグラムデータとして登録する（Ｓ１０５）。

次いで、コンピューター２０の、におい判定手段２５ｂは、Ｓ１０５において生成されたＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムに基づいて、判定モード１用クロマトグラム、判定モード２用クロマトグラムおよび判定モード３用クロマトグラムを生成し、それぞれ、今回のサンプルガスに対応する学習データ用データにおいて判定モード１用クロマトグラムデータ、判定モード２用クロマトグラムデータおよび判定モード３用クロマトグラムデータとして登録する（Ｓ１０６）。

次いで、におい判定手段２５ｂは、今回のサンプルガスに対応する学習データ用データにおける全ての教師データフラグを立てることによって、各ニューラルネットワークに、各クロマトグラムデータを学習させる（Ｓ１０７）。すなわち、におい判定手段２５ｂは、判定モード１用のにおい質ニューラルネットワークに判定モード１用クロマトグラムデータを学習させ、判定モード１用のにおい強度ニューラルネットワークに判定モード１用クロマトグラムデータを学習させ、判定モード２用のにおい質ニューラルネットワークに判定モード２用クロマトグラムデータを学習させ、判定モード２用のにおい強度ニューラルネットワークに判定モード２用クロマトグラムデータを学習させ、判定モード３用のにおい質ニューラルネットワークに判定モード３用クロマトグラムデータを学習させ、判定モード３用のにおい強度ニューラルネットワークに判定モード３用クロマトグラムデータを学習させる。

図９に示す方法は、Ｓ１０７の工程の後、終了する。

図９に示す方法が繰り返されて多数の測定者のそれぞれの学習データ用データが生成されることによって、各ニューラルネットワークにおける判定の精度が向上する。

次に、におい判定システム１０を使用したニューラルネットワークの検証方法について説明する。

図１０は、におい判定システム１０を使用したニューラルネットワークの検証方法のフローチャートである。

図１０に示すように、作業者は、特定のカテゴリーのニューラルネットワークの検証を希望する場合、特定のカテゴリーのニューラルネットワークの検証を操作部２１を介してコンピューター２０に指示する（Ｓ１２１）。

コンピューター２０のにおい判定手段２５ｂは、特定のカテゴリーのニューラルネットワークの検証が指示されると、指定されたカテゴリーの各ニューラルネットワークに各ニューラルネットワーク用のクロマトグラムを入力することによって、各ニューラルネットワークに判定を実行させる（Ｓ１２２）。すなわち、におい判定手段２５ｂは、判定モード１用のにおい質ニューラルネットワークに全ての判定モード１用クロマトグラムデータのそれぞれに基づいて、においの質を判定させ、判定モード１用のにおい強度ニューラルネットワークに全ての判定モード１用クロマトグラムデータのそれぞれに基づいて、においの強度を判定させ、判定モード２用のにおい質ニューラルネットワークに全ての判定モード２用クロマトグラムデータのそれぞれに基づいて、においの質を判定させ、判定モード２用のにおい強度ニューラルネットワークに全ての判定モード２用クロマトグラムデータのそれぞれに基づいて、においの強度を判定させ、判定モード３用のにおい質ニューラルネットワークに全ての判定モード３用クロマトグラムデータのそれぞれに基づいて、においの質を判定させ、判定モード３用のにおい強度ニューラルネットワークに全ての判定モード３用クロマトグラムデータのそれぞれに基づいて、においの強度を判定させる。

次いで、におい判定手段２５ｂは、Ｓ１２２における判定の結果と、各ニューラルネットワーク用のクロマトグラムに対応付けられた、測定者による判定の結果とを照合して、Ｓ１２２における判定の成否を判断し、判断結果を成否情報に登録する（Ｓ１２３）。例えば、におい判定手段２５ｂは、判定モード１用のにおい質ニューラルネットワークに特定の判定モード１用クロマトグラムデータに基づいて、においの質を判定させた場合に、この判定の結果と、この判定モード１用クロマトグラムデータに対応付けられた質判定用データの質とが一致するとき、この判定モード１用クロマトグラムデータに対応付けられた質判定用データの成否情報に「正解」と登録し、一致しないとき、この成否情報に「不正解」と登録する。なお、におい判定手段２５ｂは、成否情報に「不正解」と登録する場合、この成否情報に対応する修正情報に、判定モード１用クロマトグラムデータに基づいて判定した質を登録しても良い。

次いで、におい判定手段２５ｂは、Ｓ１２３における判断結果に基づいて、検証の結果を表示部２２に出力する（Ｓ１２４）。

図１０に示す方法は、Ｓ１２４の工程の後、終了する。

図１１は、判定モード１用のニューラルネットワークに関してＳ１２４において出力される検証結果画面の一例を示す図である。

図１１に示す検証結果画面によれば、においの質に関して、におい質ニューラルネットワークの判定は、２００個の判定モード１用クロマトグラムデータのうち、１８７個が正解であり、１３個が不正解であり、正解率が９３．５％であることが分かる。同様に、においの強度に関して、におい質ニューラルネットワークの判定は、２００個の判定モード１用クロマトグラムデータのうち、１４５個が正解であり、５５個が不正解であり、正解率が７２．５％であることが分かる。また、図１１に示す検証結果画面には、不正解であった判定モード１用クロマトグラムデータの測定ＩＤのリストが、においの質および強度のそれぞれに関して示されている。

図１１に示す検証結果は、判定モード１用のニューラルネットワークに関するものである。作業者は、判定モード２用のニューラルネットワークに関する検証結果と、判定モード３用のニューラルネットワークに関する検証結果とについても、操作部２１を介してコンピューター２０に指示することによって、表示部２２に出力することができる。

作業者は、図１０に示す方法によって、任意のカテゴリーのニューラルネットワークの検証を実行することができる。

作業者は、図１０に示す方法によるニューラルネットワークの検証の結果、判定の正解率が低いと判断した場合、ニューラルネットワークの設定項目、すなわち、入力ノード数、隠れ層の層数、隠れ層の各層のノードの数、出力ノード数、活性化関数に何を使用するかということ、最適化として何を使用するかということ、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎの使用の有無、Ｗｅｉｇｈｔ ｄｅｃａｙの使用の有無、Ｄｒｏｐｏｕｔの使用の有無、および、教師学習繰返し回数を変更した後、再度、図１０に示す方法によってニューラルネットワークの検証を実行することができる。

また、作業者は、学習データ用データにおける教師データフラグを倒すことによって、学習データ用データにおける質および強度の少なくとも１つを教師データから外すことができる。例えば、作業者は、基本情報データにおける測定者ＩＤで示される特定の測定者による判定の結果が明らかに適切ではないと判断した場合、この測定者による判定の結果を教師データから外すことができる。また、作業者は、基本情報データにおける測定年月日で示される特定の期間の測定による判定の結果が明らかに適切ではないと判断した場合、この期間の測定による判定の結果を教師データから外すことができる。

次に、におい判定システム１０を使用した、においの判定方法について説明する。

図１２は、におい判定システム１０を使用した、においの判定方法のフローチャートである。

図１２に示すように、作業者は、サンプルガスを入れるためのサンプルバッグに一定量のサンプルガスを入れる（Ｓ１４１）。

次いで、作業者は、Ｓ１４１においてサンプルガスを入れたサンプルバッグをサンプルガス注入部１１にセットした後、予め定められた測定条件に応じた判定を、操作部２１を介してコンピューター２０に指示する（Ｓ１４２）。ここで、作業者は、Ｓ１４２の指示において、今回のサンプルガスのカテゴリーと、判定モード１〜３のいずれかとを指定する。

したがって、コンピューター２０のクロマトグラム生成手段２５ａは、予め定められた測定条件に応じた測定を実行してＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムを生成する（Ｓ１４３）。

次いで、コンピューター２０の、におい判定手段２５ｂは、Ｓ１４３において生成されたＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムに基づいて、判定モード１用クロマトグラム、判定モード２用クロマトグラムおよび判定モード３用クロマトグラムを生成する（Ｓ１４４）。

次いで、におい判定手段２５ｂは、Ｓ１４２における指示において指定されたカテゴリーの、Ｓ１４２における指示において指定された判定モードに対応する、におい質ニューラルネットワーク、および、におい強度ニューラルネットワークのそれぞれに、Ｓ１４４において生成した判定モード１用クロマトグラム、判定モード２用クロマトグラムおよび判定モード３用クロマトグラムのうち、Ｓ１４２における指示において指定された判定モードに対応するクロマトグラムを入力することによって、ニューラルネットワークに判定を実行させる（Ｓ１４５）。

次いで、におい判定手段２５ｂは、Ｓ１４５における判定の結果を表示部２２に出力する（Ｓ１４６）。

図１２に示す方法は、Ｓ１４６の工程の後、終了する。

図１３は、においのカテゴリー、判定モードとして、それぞれ、コーヒーの香り、判定モード３が指定された場合にＳ１４６において出力される判定結果画面の一例を示す図である。

図１３において、「ＰＩＤ」、「半導体Ａ」、「半導体Ｂ」とは、それぞれ、ＰＩＤセンサー１６、半導体ガスセンサー１７、半導体ガスセンサー１８を意味している。

図１３に示す判定結果画面によれば、サンプルガスのにおいの質、強度は、それぞれ、キリマンジャロ、強度３である。図１３に示す判定結果画面は、Ｓ１４３において生成されたＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムを、全センサー波形として含む。また、図１３に示す判定結果画面は、Ｓ１４５においてニューラルネットワークに入力されたクロマトグラムを、判定波形として含む。

なお、作業者は、判定結果画面が表示されている場合に、現在の判定モードから、判定モード１〜３のうち、現在の判定モード以外のいずれかの判定モードへの変更を指示することによって、ニューラルネットワークに入力されるクロマトグラムを、におい判定手段２５ｂに変更させることができる。におい判定手段２５ｂは、判定モードの変更が指示されると、指定された判定モードに対応する、におい質ニューラルネットワーク、および、におい強度ニューラルネットワークのそれぞれに、Ｓ１４４において生成した判定モード１用クロマトグラム、判定モード２用クロマトグラムおよび判定モード３用クロマトグラムのうち、指定された判定モードに対応するクロマトグラムを入力することによって、ニューラルネットワークに判定を実行させる。そして、におい判定手段２５ｂは、図１３に示す判定結果画面と同様に、判定の結果を表示部２２に出力する。

以上に説明したように、におい判定システム１０は、カラム１５によって成分が分離されたサンプルガスに対する、ＰＩＤセンサー１６、半導体ガスセンサー１７および半導体ガスセンサー１８のそれぞれの検知結果に基づいたＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムに基づいて、においの質を判定するので、判定可能なにおいの質を従来より増やすことができる。

におい判定システム１０は、においの質、強度を、それぞれ、におい質ニューラルネットワーク、におい強度ニューラルネットワークを用いて判定するので、においの質および強度の両方を目的変数とするニューラルネットワークを用いて、においの質および強度の両方を判定する構成と比較して、少ない学習データであっても、においの質および強度のそれぞれの判定の精度を向上することができる。

なお、におい判定システム１０は、においの質および強度の両方を目的変数とするニューラルネットワークを用いて、においの質および強度の両方を判定する構成であっても良い。

におい判定システム１０は、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムのいずれか１つの波形を組み合わせて集約した１つのクロマトグラム、すなわち、判定モード１用クロマトグラム、判定モード２用クロマトグラムまたは判定モード３用クロマトグラムをニューラルネットワークの入力にするので、ニューラルネットワークに入力される説明変数を減少させることができ、その結果、必要な学習データを減少させることができる。したがって、におい判定システム１０は、少ない学習データであっても、においの判定の精度を向上することができる。

なお、におい判定システム１０は、ＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムの全てをニューラルネットワークの入力にする構成であっても良い。例えば、におい判定システム１０は、ピーク値以外の少なくとも１つの値をゼロにするように、波形の形状を単純化した、ＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムの全てをニューラルネットワークの入力にする判定モードを備えても良い。

におい判定システム１０は、判定モードが判定モード１、判定モード２および判定モード３のいずれかである場合、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムにおける波形の中で最もピーク値が高い波形、すなわち、特徴的な波形を組み合わせて集約した１つのクロマトグラムを、ニューラルネットワークに入力するので、少ない学習データであっても、においの判定の精度を向上することができる。

なお、におい判定システム１０は、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムのいずれか１つの波形を組み合わせて集約した１つのクロマトグラムであって、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムにおける波形の中で最もピーク値が高い波形を組み合わせて集約した１つのクロマトグラムではない、クロマトグラムを、ニューラルネットワークに入力する構成であっても良い。例えば、におい判定システム１０は、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムのいずれか１つの波形を組み合わせて集約し、基になったＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラム毎に波形を区別する区別情報を付加した１つのクロマトグラムを、ニューラルネットワークの入力にする判定モードを備えても良い。また、におい判定システム１０は、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムのいずれか１つの波形を組み合わせて集約し、基になったＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラム毎に波形を区別する区別情報を付加し、ピーク値以外の少なくとも１つの値をゼロにするように、波形の形状を単純化した１つのクロマトグラムを、ニューラルネットワークの入力にする判定モードを備えても良い。

におい判定システム１０は、判定モードが判定モード２および判定モード３のいずれかである場合、基になったクロマトグラム毎に波形を区別する区別情報、すなわち、波形の形状を、ニューラルネットワークに入力するクロマトグラム、すなわち、判定モード２用クロマトグラムおよび判定モード３用クロマトグラムに付加することによって、ＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムにおける特徴を、判定モード２用クロマトグラムおよび判定モード３用クロマトグラムに付加するので、少ない学習データであっても、においの判定の精度を向上することができる。

なお、におい判定システム１０は、基になったクロマトグラム毎に波形を区別する区別情報を、ニューラルネットワークに入力するクロマトグラムに付加しない構成であっても良い。例えば、におい判定システム１０は、時間帯毎にＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムのいずれか１つの波形を組み合わせて集約し、ピーク値以外の少なくとも１つの値をゼロにするように、波形の形状を単純化した１つのクロマトグラムを、ニューラルネットワークの入力にする判定モードを備えても良い。

におい判定システム１０は、区別情報の付加の方法として、本実施の形態において示した方法以外の方法を採用しても良い。例えば、におい判定システム１０は、波形の形状として、上述したパルス波以外に、三角波、正弦波など、他の形状を採用しても良い。

におい判定システム１０は、判定モードが判定モード２および判定モード３のいずれかである場合、クロマトグラムにおける複数の波形の少なくとも１つにおいて、ピーク値以外の少なくとも１つの値をゼロにするように、波形の形状を単純化したクロマトグラムをニューラルネットワークに入力するので、ニューラルネットワークに入力される説明変数のうち、ゼロ以外の値、すなわち、有効な説明変数を減少させることができ、その結果、必要な学習データを減少させることができる。したがって、におい判定システム１０は、少ない学習データであっても、においの判定の精度を向上することができる。

特に、におい判定システム１０は、判定モードが判定モード３である場合、判定モード３用クロマトグラムにおいて、波形のリテンションタイムおよびピーク値と、基になったクロマトグラム毎に波形を区別する区別情報としてのパルス幅とのみに特徴が絞られるので、少ない学習データであっても、においの判定の精度を向上することができる。

におい判定システム１０は、少ない学習データであっても、においの判定の精度を向上することができるので、例えば、自然界に存在する稀な、においを採取した場合など、貴重で少量の、においを採取した場合であっても、必要な学習データを生成することができ、その結果、貴重で少量の、においを高精度に判定することができるようになる。

におい判定システム１０は、ＰＩＤセンサー１６、半導体ガスセンサー１７および半導体ガスセンサー１８のそれぞれの検知結果に基づいたＰＩＤクロマトグラム、半導体Ａクロマトグラムおよび半導体Ｂクロマトグラムと、ニューラルネットワークに入力されるクロマトグラムとを同時に含む判定結果画面（図１３参照。）を生成するので、ニューラルネットワークに入力されるクロマトグラムの変更を利用者が指示する場合の利便性を向上することができる。

におい判定システム１０は、本実施の形態において、カラム１５によって分離された成分の質量を検出する質量分析計を備えていない。しかしながら、におい判定システム１０は、質量分析計を備えることによって、サンプルガスのにおいの質および強度を、ガスクロマトグラフィー−質量分析法（ＧＣＭＳ）を利用して判定するシステムに変更することも可能である。におい判定システム１０は、ＧＣＭＳを利用する場合、ガスクロマトグラフィーのみを利用する場合と比較して、気体の成分を更に分離したクロマトグラムを得ることができるので、においの判定の精度を向上することができる。

一方、におい判定システム１０は、質量分析計を備えない場合、質量分析計の構成要素である、大きなヘリウムガスボンベ、および、大きな真空ポンプを備える必要がないので、小型化することができ、小型化によって可搬性を向上することができる。そのため、におい判定システム１０は、においが発生している現場に移動させられて、においを現場で判定することを容易化することができる。したがって、におい判定システム１０は、においを発生させている気体が運搬のために容器に入れられる場合に、においが容器に吸着してしまうときや、においを発生させている気体が運搬されている間に経時変化、化学変化などによって、においの成分が変化してしまう場合などであっても、においが発生している現場から、におい判定システム１０まで、においを発生させている気体が運搬されることなく、におい判定システム１０自体が現場に移動させられることによって、においを高精度に判定することができる。

なお、におい判定システム１０は、キャリアーガスとして空気を周囲から取り込んで利用するので、可搬性を向上することができる。

におい判定システム１０は、ＧＣＭＳを利用する場合には、ガスクロマトグラフィーのみを利用する場合と異なり、一般的に２４時間以上、真空ポンプを稼働した後、３０分程度のウォームアップが必要である。更に、におい判定システム１０は、ＧＣＭＳを利用する場合には、ガスクロマトグラフィーのみを利用する場合と比較して、測定時間が長く必要である。したがって、におい判定システム１０は、ＧＣＭＳを利用する場合には、ガスクロマトグラフィーのみを利用する場合と比較して、においの質および強度を適切に判定するために必要な数の学習データを作成するために非常に多くの時間が必要になる。一方、におい判定システム１０は、ガスクロマトグラフィーのみを利用する場合には、ＧＣＭＳを利用する場合と比較して、短時間で、においの質および強度を適切に判定することができるようになる。

におい判定システム１０は、本実施の形態において、複数種類のガスセンサーとして、ＰＩＤセンサー１６、半導体ガスセンサー１７および半導体ガスセンサー１８を備えている。しかしながら、におい判定システム１０は、複数種類のガスセンサーとして、ＰＩＤセンサー１６、半導体ガスセンサー１７および半導体ガスセンサー１８の組み合わせ以外の組み合わせを備えていても良い。例えば、におい判定システム１０は、半導体ガスセンサーが１００個以上並んだ半導体センサーアレイを、複数種類のガスセンサーとして備えても良い。

なお、本実施の形態においてコンピューター２０が実現している機能の一部は、例えばクラウドサービスなど、コンピューター２０の外部のシステムによって実現されても良い。同様に、本実施の形態においてコンピューター２０が記憶しているデータの少なくとも一部は、コンピューター２０の外部のシステムによって記憶されても良い。

１０ におい判定システム
１５ カラム
１６ ＰＩＤセンサー（ガスセンサー）
１７ 半導体ガスセンサー（ガスセンサー）
１８ 半導体ガスセンサー（ガスセンサー）
２４ａ におい判定プログラム
２５ａ クロマトグラム生成手段
２５ｂ におい判定手段
７１ におい質ニューラルネットワーク
７２ におい強度ニューラルネットワーク
８１ａ〜８１ｃ、８２ａ〜８２ｃ 波形

Claims (8)

1. 気体の成分を分離するカラムと、
   前記カラムによって成分が分離された気体を検知する複数種類のガスセンサーと、
   前記ガスセンサーの検知結果に基づいたクロマトグラムを前記ガスセンサー毎に生成するクロマトグラム生成手段と、
   前記クロマトグラムにおける時間毎の値を説明変数とし、においの質を少なくとも目的変数とするニューラルネットワークとしての、におい質ニューラルネットワークを用いて、においの質を判定する、におい判定手段と
   を備え、
   前記におい判定手段は、前記クロマトグラム生成手段によって生成された、前記複数種類のガスセンサーのそれぞれの検知結果に基づいた前記クロマトグラムからなる、複数のクロマトグラムに基づいて、においの質を判定し、
   前記におい判定手段は、前記クロマトグラムにおける複数の波形の少なくとも１つにおいて、ピーク値以外の全ての値をゼロにするように、前記波形の形状を単純化した前記クロマトグラムを前記ニューラルネットワークに入力することを特徴とする、におい判定システム。
2. 前記におい判定手段は、前記クロマトグラムにおける時間毎の前記値を説明変数とし、においの強度を目的変数とするニューラルネットワークとしての、におい強度ニューラルネットワークを用いて、前記複数のクロマトグラムに基づいて、においの強度を判定することを特徴とする請求項１に記載の、におい判定システム。
3. 前記におい判定手段は、時間帯毎に前記複数のクロマトグラムにおける波形のいずれか１つを組み合わせて集約した１つのクロマトグラムを前記ニューラルネットワークに入力することを特徴とする請求項１または請求項２に記載の、におい判定システム。
4. 前記１つのクロマトグラムは、時間帯毎に前記複数のクロマトグラムにおける波形の中で最もピーク値が高い波形を組み合わせて集約したクロマトグラムであることを特徴とする請求項３に記載の、におい判定システム。
5. 前記におい判定手段は、基になった前記クロマトグラム毎に波形を区別する区別情報を付加した前記１つのクロマトグラムを前記ニューラルネットワークに入力することを特徴とする請求項３または請求項４に記載の、におい判定システム。
6. 前記におい判定手段は、前記複数のクロマトグラムに基づいた、前記ニューラルネットワークに入力する前記クロマトグラムを、指示に応じて変更可能であり、前記複数のクロマトグラムと、前記ニューラルネットワークに入力される前記クロマトグラムとを同時に含む画面を生成することを特徴とする請求項１から請求項５までのいずれかに記載の、におい判定システム。
7. 前記カラムによって分離された成分の質量を検出する質量分析計を備えないことを特徴とする請求項１から請求項６までのいずれかに記載の、におい判定システム。
8. 気体の成分を分離するカラムによって成分が分離された気体を検知する複数種類のガスセンサーの検知結果に基づいたクロマトグラムを前記ガスセンサー毎に生成するクロマトグラム生成手段と、
   前記クロマトグラムにおける時間毎の値を説明変数とし、においの質を少なくとも目的変数とするニューラルネットワークとしての、におい質ニューラルネットワークを用いて、においの質を判定する、におい判定手段と
   をコンピューターに実現させ、
   前記におい判定手段は、前記クロマトグラム生成手段によって生成された、前記複数種類のガスセンサーのそれぞれの検知結果に基づいた前記クロマトグラムからなる、複数のクロマトグラムに基づいて、においの質を判定し、
   前記におい判定手段は、前記クロマトグラムにおける複数の波形の少なくとも１つにおいて、ピーク値以外の全ての値をゼロにするように、前記波形の形状を単純化した前記クロマトグラムを前記ニューラルネットワークに入力することを特徴とする、におい判定プログラム。

Images