JP2023183072A - 化学成分判定装置、化学成分判定方法、化学成分判定プログラムおよび記録媒体 - Google Patents
化学成分判定装置、化学成分判定方法、化学成分判定プログラムおよび記録媒体 Download PDFInfo
- Publication number
- JP2023183072A JP2023183072A JP2022096485A JP2022096485A JP2023183072A JP 2023183072 A JP2023183072 A JP 2023183072A JP 2022096485 A JP2022096485 A JP 2022096485A JP 2022096485 A JP2022096485 A JP 2022096485A JP 2023183072 A JP2023183072 A JP 2023183072A
- Authority
- JP
- Japan
- Prior art keywords
- chemical
- sample
- chemical component
- concentration
- sensor
- 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.)
- Pending
Links
- 239000000126 substance Substances 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 12
- 239000007789 gas Substances 0.000 description 69
- 235000019645 odor Nutrition 0.000 description 37
- 238000002474 experimental method Methods 0.000 description 32
- 230000004044 response Effects 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000007423 decrease Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241000894007 species Species 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- -1 ... Substances 0.000 description 1
- 241000005398 Figaro Species 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
Description
本発明は、化学成分判定装置、化学成分判定方法、化学成分判定プログラムおよび記録媒体に関する。
ガスに含まれるニオイを判定する先行技術として、PID(Photo Ionization Detector:光イオン化式検知器)と半導体ガスセンサを検出器に用い、クロマトカラムでニオイ成分を分離しモニタする手法がある(例えば、特許文献1参照)。特許文献1に開示された技術では、得られた波形をニューラルネットワークに入力してニオイを判定している。
特許文献1に開示された技術は、ニオイの質および強度を、それぞれ別個のニューラルネットワークを用いて判定している。すなわちこの技術では、ニオイの質および強度を一度に判定することはできない。さらにここで出力される強度は、段階的(不連続的)な飛び飛びの値であり、濃度のような連続的な値ではない。
本発明はこうした状況に鑑みてなされたものであり、その目的は、化学センサが検出した試料のセンサ信号を用いて、当該試料に含まれる化学成分およびその濃度を一度に判定することにある。
上記課題を解決するために、本発明のある態様の化学成分判定装置は、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号が入力される入力層と、中間層と、基準値y0および試料に関連する化学成分値yt(t=1~n)を機械学習して出力する出力層と、試料に関連する化学成分の濃度st(t=1~n)を計算する濃度計算部と、を含み、
Σi=0 n yi=1
yt / y0=st
である。
Σi=0 n yi=1
yt / y0=st
である。
ある実施の形態では、化学センサはガスセンサであってもよい。
ある実施の形態では、化学センサは試料のニオイを検出してもよい。
ある実施の形態では、化学成分判定装置は、化学センサが検出したセンサ信号値を対数化および/または標準化する前処理部をさらに含んでもよい。
ある実施の形態では、複数の化学センサは、入力層から中間層のノードへの重みの標準偏差がより大きいものとして、化学センサの候補の中から選ばれたものであってもよい。
本発明の別の態様は、化学成分判定方法である。この方法は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて試料の化学成分および化学成分の濃度を判定する方法であって、入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号を入力するステップと、出力層から、基準値y0および試料に関連する化学成分値yt(t=1~n)を機械学習して出力するステップと、濃度計算部を用いて、試料に関連する化学成分の濃度st(t=1~n)を計算するステップと、を含み、
Σi=0 n yi=1
yt / y0=st
である。
Σi=0 n yi=1
yt / y0=st
である。
本発明のさらに別の態様は、化学成分判定プログラムである。このプログラムは、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて試料の化学成分および化学成分の濃度を判定する方法をコンピュータに実行させるプログラムであって、入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号を入力するステップと、出力層から、基準値y0および試料に関連する化学成分値yt(t=1~n)を機械学習して出力するステップと、濃度計算部を用いて、試料に関連する化学成分の濃度st(t=1~n)を計算するステップと、を含み、
Σi=0 n yi=1
yt / y0=st
である方法をコンピュータに実行させる。
Σi=0 n yi=1
yt / y0=st
である方法をコンピュータに実行させる。
本発明のさらに別の態様は、記録媒体である。この記録媒体は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて試料の化学成分および化学成分の濃度を判定する方法をコンピュータに実行させるプログラムを記録した記録媒体であって、入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号を入力するステップと、出力層から、基準値y0および試料に関連する化学成分値yt(t=1~n)を機械学習して出力するステップと、濃度計算部を用いて、試料に関連する化学成分の濃度st(t=1~n)を計算するステップと、を含み、
Σi=0 n yi=1
yt / y0=st
である方法をコンピュータに実行させるプログラムを記録する。
Σi=0 n yi=1
yt / y0=st
である方法をコンピュータに実行させるプログラムを記録する。
なお、以上の構成要素の任意の組合せ、本発明の表現を装置、方法、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。
本発明によれば、化学センサが検出した試料のセンサ信号から、当該試料に含まれる化学成分および当該化学成分の濃度を一度に判定することができる。
以下、本発明を好適な実施の形態をもとに各図面を参照しながら説明する。実施の形態及び変形例では、同一又は同等の構成要素、部材には同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面における部材の寸法は、理解を容易にするために適宜拡大、縮小して示す。また、各図面において実施の形態を説明する上で重要でない部材の一部は省略して表示する。また、第1、第2などの序数を含む用語が多様な構成要素を説明するために用いられるが、こうした用語は一つの構成要素を他の構成要素から区別する目的でのみ用いられ、この用語によって構成要素が限定されるものではない。
[第1の実施の形態]
図1に、第1の実施の形態に係る化学成分判定装置1の機能ブロック図を示す。化学成分判定装置1は、入力層10と、中間層20と、出力層30と、濃度計算部40と、を含む。入力層10、中間層20および出力層30によってニューラルネットワークが形成される。以下では混乱のない限り、ニューラルネットワークでデータを表す記号とノードを表す記号に同じものを用いることもある。例えば同じx1という記号を用いて、データx1と表したり、ノードx1と表したりすることがある。
図1に、第1の実施の形態に係る化学成分判定装置1の機能ブロック図を示す。化学成分判定装置1は、入力層10と、中間層20と、出力層30と、濃度計算部40と、を含む。入力層10、中間層20および出力層30によってニューラルネットワークが形成される。以下では混乱のない限り、ニューラルネットワークでデータを表す記号とノードを表す記号に同じものを用いることもある。例えば同じx1という記号を用いて、データx1と表したり、ノードx1と表したりすることがある。
図1の例では、候補となる化学成分の数がn個の試料を対象とする。化学成分判定装置1には、m個の異なる化学センサ101、102、103、…、10mが接続されている。化学センサ101、102、103、…、10mの各々は、上記の成分1、2、3、…、nに対して一定の感度を持つことが望ましい。
入力層10には、化学センサ101、102、103、…、10mが検出したセンサ信号x1、x2、x3、…、xmが入力される。ただし、図1で入力層10の中にx0で示されるものはバイアスノードである。バイアスノードを除けば、入力層のノード数mは、化学センサの数m(すなわち化学センサからのセンサ信号の数m)に等しい。
入力層10に入力されたセンサ信号x1、x2、x3、…、xmは、中間層20の各ノードb1、b2、b3、…、bkに渡される。中間層20の層の数および各中間層のノードの数(この例ではk)は、機械学習の精度や計算コストに応じて、任意の好適なものを選んでよい。中間層20の各ノードは、ReLUなどの活性化関数を用いて、値b1、b2、b3、…、bkをそれぞれz1、z2、z3、…、zkに変換してもよい。図のz0はバイアスノードである。
出力層30は、入力層10に入力されたセンサ信号x1、x2、x3、…、xmから機械学習された当該試料に関連する化学成分値y1、y2、y3、…、ynおよび基準値y0を出力する。基準値y0については後述する。ここで、出力層のノード数(n+1)は、候補となる化学成分の数nに1を足したものである点に注意する。
濃度計算部40は、当該試料に関連する化学成分の濃度s1、s2、s3、…、snを計算する。ここで、当該試料に関連する化学成分値yt(t=1~n)と濃度st(t=1~n)は以下を満たす。
Σi=0 n yi=1 (1)
yt / y0=st (2)
ここで、y0およびyt(t=1~n)は、(1)および(2)より以下のように求められることに注意する。
y0=1/(1+Σt=1 n st) (3)
yt= st /(1+Σt=1 n st) (4)
Σi=0 n yi=1 (1)
yt / y0=st (2)
ここで、y0およびyt(t=1~n)は、(1)および(2)より以下のように求められることに注意する。
y0=1/(1+Σt=1 n st) (3)
yt= st /(1+Σt=1 n st) (4)
このように化学成分判定装置1は、化学センサ101、102、103、…、10mが検出した試料のセンサ信号x1、x2、x3、…、xmから、当該試料に含まれる化学成分値yt(t=1~n)および当該化学成分の濃度st(t=1~n)を一度に判定する。
本実施の形態の特徴の1つは、出力層に活性化関数を置いて分類・識別を行うだけでなく、回帰も同時に行えるニューラルネットワークである点にある。従来の一般的な回帰モデルでは、教師データとして入力する濃度値が、そのまま出力される濃度値に対応する。この場合、化学成分の種類の識別を行うことはできない。これに対し本実施の形態は、出力層に新たに基準値のノードを設けることにより、化学成分の種類の識別と濃度の予測とを同時に行うことができるという顕著な利点を持つ。
本実施の形態によれば、化学センサが検出した試料のセンサ信号を用いて、当該試料に含まれる化学成分およびその濃度を一度に判定する装置を実現することができる。
[第2の実施の形態]
第2の実施の形態では、試料はガスである。この場合、候補となる化学成分は、例えば候補1がアンモニア、候補2が硫化水素、候補3がLPガス、…、候補nがエタノール、といったようにガス成分である。試料のガスは、これらのガス成分のいずれかを1種類のみを含む純粋なガスであってもよいし、これらのガス成分の複数を含む混合ガスであってもよい。この場合化学センサ101、102、103、…、10mはガスセンサであってもよい。例えばガスセンサは一般的な市販のガスセンサであってもよい。ガスセンサ101、102、103、…、10mの各々は、試料のガス成分1、2、3、…、nに対して、一定の感度を持つことが望ましい。
第2の実施の形態では、試料はガスである。この場合、候補となる化学成分は、例えば候補1がアンモニア、候補2が硫化水素、候補3がLPガス、…、候補nがエタノール、といったようにガス成分である。試料のガスは、これらのガス成分のいずれかを1種類のみを含む純粋なガスであってもよいし、これらのガス成分の複数を含む混合ガスであってもよい。この場合化学センサ101、102、103、…、10mはガスセンサであってもよい。例えばガスセンサは一般的な市販のガスセンサであってもよい。ガスセンサ101、102、103、…、10mの各々は、試料のガス成分1、2、3、…、nに対して、一定の感度を持つことが望ましい。
本実施の形態によれば、ガスセンサが検出した試料ガスのセンサ信号を用いて、当該試料ガスに含まれる成分ガスおよびその濃度を一度に判定することができる。
[第3の実施の形態]
第3の実施の形態では、化学センサは試料のニオイを検出する。例えば第2の実施の形態の例であれば、化学成分判定装置1に接続された化学センサ101、102、103、…、10mの各々は、アンモニア、硫化水素、LPガス、…、エタノールのニオイを検出してもよい。
第3の実施の形態では、化学センサは試料のニオイを検出する。例えば第2の実施の形態の例であれば、化学成分判定装置1に接続された化学センサ101、102、103、…、10mの各々は、アンモニア、硫化水素、LPガス、…、エタノールのニオイを検出してもよい。
本実施の形態は、ニオイの識別が求められる分野、例えば、呼気計測による疾患スクリーニング、におい計測による食品の鮮度評価、室内空気質評価、などに有効に適用することができる。
[第4の実施の形態]
図2に、第4の実施の形態に係る化学成分判定装置2の機能ブロック図を示す。化学成分判定装置2は、入力層10と、中間層20と、出力層30と、濃度計算部40と、前処理部50と、を含む。すなわち化学成分判定装置2は、図1の化学成分判定装置1に対して、前処理部50をさらに含む。化学成分判定装置2のその他の構成は、化学成分判定装置1の構成と共通する。以下、化学成分判定装置1と相違する点について焦点を当てて説明する。
図2に、第4の実施の形態に係る化学成分判定装置2の機能ブロック図を示す。化学成分判定装置2は、入力層10と、中間層20と、出力層30と、濃度計算部40と、前処理部50と、を含む。すなわち化学成分判定装置2は、図1の化学成分判定装置1に対して、前処理部50をさらに含む。化学成分判定装置2のその他の構成は、化学成分判定装置1の構成と共通する。以下、化学成分判定装置1と相違する点について焦点を当てて説明する。
前処理部50は、化学センサ101、102、103、…、10mが検出したセンサ信号値を対数化および/または標準化する。
化学センサ101、102、103、…、10mの中には、一部のデータに対してのみ非常に大きなセンサ応答値を示すものがある。このようなデータをそのまま使うと、計算上の誤差が大きくなる可能性がある。これに対し、例えば10を底として元のデータを対数化することにより、極端に大きな応答値を緩和することができる。
さらに化学センサ101、102、103、…、10mは、センサ毎に平均的な応答の大小が異なる。このとき、得られる出力が、応答の大きいセンサに偏ったものとなる可能性がある。これに対し、例えば元のデータを、平均が0で標準偏差が1の標準化データに変換することにより、極端に大きな応答の偏りを緩和することができる。
このように化学センサから取得したデータを対数化データ、標準化データまたはその両方に変換する処理を行うことにより、機械学習の結果をより正確なものとすることができる。すなわち本実施の形態によれば、試料に含まれる化学成分およびその濃度をより正確に判定することができる。
[第5の実施の形態]
第5の実施の形態では、化学センサを、入力層から中間層のノードへの重みの標準偏差がより大きいものとして化学センサの候補の中から選ばれたものとする。例えば、最初に多数の化学センサの候補を用いてニューラルネットワークを構成した後、各センサデータの入力層から中間層のノードへの重み同士を比較する。その結果、重みの標準偏差がより大きいものを所定の数だけ実際に使用する化学センサとして選び、残りの化学センサは使用しない、といった使い方ができる。この場合、重みの標準偏差が大きいほど、対応する化学センサの寄与が大きいと考えられる。従って、重みの標準偏差が大きいものを実際に使用する化学センサとして選ぶことにより、精度をあまり損なうことなく、化学センサの数を削減することができる。
第5の実施の形態では、化学センサを、入力層から中間層のノードへの重みの標準偏差がより大きいものとして化学センサの候補の中から選ばれたものとする。例えば、最初に多数の化学センサの候補を用いてニューラルネットワークを構成した後、各センサデータの入力層から中間層のノードへの重み同士を比較する。その結果、重みの標準偏差がより大きいものを所定の数だけ実際に使用する化学センサとして選び、残りの化学センサは使用しない、といった使い方ができる。この場合、重みの標準偏差が大きいほど、対応する化学センサの寄与が大きいと考えられる。従って、重みの標準偏差が大きいものを実際に使用する化学センサとして選ぶことにより、精度をあまり損なうことなく、化学センサの数を削減することができる。
本実施の形態によれば、化学センサの数を削減することができるので、構成全体をコンパクトにし、コストを削減することができる。
[第6の実施の形態]
図3に、第6の実施の形態に係る化学成分判定方法の処理フローを示す。この方法は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて、試料の化学成分および前記化学成分の濃度を判定する方法である。この方法は、ステップS10と、ステップS20と、ステップS30と、を含む。
図3に、第6の実施の形態に係る化学成分判定方法の処理フローを示す。この方法は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて、試料の化学成分および前記化学成分の濃度を判定する方法である。この方法は、ステップS10と、ステップS20と、ステップS30と、を含む。
ステップS10で本方法は、入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号x1、x2、x3、…、xmを入力する。
ステップ20で本方法は、ステップS10で入力されたセンサ信号x1、x2、x3、…、xmから機械学習された当該試料に関連する化学成分値y1、y2、y3、…、ynおよび基準値y0を出力層から出力する。
ステップS30で本方法は、濃度計算部を用いて、当該試料に関連する化学成分の濃度s1、s2、s3、…、snを計算する。ここで、当該試料に関連する化学成分値yt(t=1~n)と濃度st(t=1~n)は以下を満たす。
Σi=0 n yi=1
yt / y0=st
y0=1/(1+Σt=1 n st)
ただし、
yt= st /(1+Σt=1 n st)
Σi=0 n yi=1
yt / y0=st
y0=1/(1+Σt=1 n st)
ただし、
yt= st /(1+Σt=1 n st)
本実施の形態によれば、化学成分判定装置を用いて、試料に含まれる化学成分および当該化学成分の濃度を一度に判定する処理を実行することができる。
[第7の実施の形態]
本実施の形態は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて、試料の化学成分および前記化学成分の濃度を判定する方法をコンピュータに実行させる化学成分判定プログラムである。このプログラムは、ステップS10と、ステップS20と、ステップS30と、を含む方法をコンピュータに実行させる。
本実施の形態は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて、試料の化学成分および前記化学成分の濃度を判定する方法をコンピュータに実行させる化学成分判定プログラムである。このプログラムは、ステップS10と、ステップS20と、ステップS30と、を含む方法をコンピュータに実行させる。
ステップS10で当該方法は、入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号x1、x2、x3、…、xmを入力する。
ステップ20で当該方法は、ステップS10で入力されたセンサ信号x1、x2、x3、…、xmから機械学習された当該試料に関連する化学成分値y1、y2、y3、…、ynおよび基準値y0を出力層から出力する。
ステップS30で当該方法は、濃度計算部を用いて、当該試料に関連する化学成分の濃度s1、s2、s3、…、snを計算する。ここで、当該試料に関連する化学成分値yt(t=1~n)と濃度st(t=1~n)は以下を満たす。
Σi=0 n yi=1
yt / y0=st
ただし、
y0=1/(1+Σt=1 n st)
yt= st /(1+Σt=1 n st)
Σi=0 n yi=1
yt / y0=st
ただし、
y0=1/(1+Σt=1 n st)
yt= st /(1+Σt=1 n st)
本実施の形態によれば、試料に含まれる化学成分および当該化学成分の濃度を一度に判定する処理を実行するプログラムをソフトウェアに実装することができる。
[第8の実施の形態]
本実施の形態は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて、試料の化学成分および前記化学成分の濃度を判定する方法をコンピュータに実行させる化学成分判定プログラムを記録した記録媒体である。この記録媒体に記録されたプログラムは、ステップS10と、ステップS20と、ステップS30と、を含む方法をコンピュータに実行させる。
本実施の形態は、入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて、試料の化学成分および前記化学成分の濃度を判定する方法をコンピュータに実行させる化学成分判定プログラムを記録した記録媒体である。この記録媒体に記録されたプログラムは、ステップS10と、ステップS20と、ステップS30と、を含む方法をコンピュータに実行させる。
ステップS10で当該方法は、入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号x1、x2、x3、…、xmを入力する。
ステップ20で当該方法は、ステップS10で入力されたセンサ信号x1、x2、x3、…、xmから機械学習された当該試料に関連する化学成分値y1、y2、y3、…、ynおよび基準値y0を出力層から出力する。
ステップS30で当該方法は、濃度計算部を用いて、当該試料に関連する化学成分の濃度s1、s2、s3、…、snを計算する。ここで、当該試料に関連する化学成分値yt(t=1~n)と濃度st(t=1~n)は以下を満たす。
Σi=0 n yi=1
yt / y0=st
ただし、
y0=1/(1+Σt=1 n st)
yt= st /(1+Σt=1 n st)
Σi=0 n yi=1
yt / y0=st
ただし、
y0=1/(1+Σt=1 n st)
yt= st /(1+Σt=1 n st)
本実施の形態によれば、試料に含まれる化学成分および当該化学成分の濃度を一度に判定する処理を実行するプログラムを実装したソフトウェアを記録媒体に記録することができる。
[検証実験]
本発明者らは、本技術による効果を検証するために以下の5つの実験を行った。図4に、このときの実験系の模式図を示す。本実験では、化学成分判定装置はノートPCで実現している。化学センサにはフィガロ技研社製の8個のガスセンサモジュールを使用した。これらの仕様は表1の通りである。
[実験1]
試料は、表2に示す物質と濃度とを使用した。以下では混乱のない限り、物質1、物質2、…、物質9に代えて、ニオイ1、ニオイ2、…、ニオイ9等と表すこともある。
本実験では、試料に60%RH(水蒸気)を含ませることによって表2の濃度に調整しながら、常に総流量500mL/分で試料ガスを流し、その流路から上記8個のセンサを搭載したガスセンサシステムにて200mL/分を吸引してセンサに暴露した。センサシグナルの抵抗値を5秒毎に取得した。
本発明者らは、本技術による効果を検証するために以下の5つの実験を行った。図4に、このときの実験系の模式図を示す。本実験では、化学成分判定装置はノートPCで実現している。化学センサにはフィガロ技研社製の8個のガスセンサモジュールを使用した。これらの仕様は表1の通りである。
試料は、表2に示す物質と濃度とを使用した。以下では混乱のない限り、物質1、物質2、…、物質9に代えて、ニオイ1、ニオイ2、…、ニオイ9等と表すこともある。
図5に、一例として、ニオイ2に対するセンサ応答を示す。各ガス濃度のフロー区間の最後の1分間の13個のデータを用いてRgとし、各ガス濃度導入直前をRaとして、各ガス濃度当たり13個のセンサ応答値Ra/Rgを取得した。
本実験で用いたニューラルネットワークは以下の通りである。入力層のノード数は8とした(センサの数、ただしバイアスノードを除く)。中間層は2層とし、1層目のノード数は20(バイアスを除く)で活性化関数はReLUとし、2層目のノード数は30(バイアスを除く)で活性化関数は同じくReLUとした。出力層のノード数は10とし(ニオイ成分数に1を足した数)、活性化関数はソフトマックス、エポック数は10000、バッチサイズは100とした。
全データ429点をランダムに8:2に分割し、前者を訓練データ、後者をテストデータとし、訓練データから作成した判別器でテストデータを判定した。
判定の基準として、以下の3つを設定した。
1)出力値の最大濃度のガス種が、本来のガスと一致する。
2)本来とは異なるガス種も共存すると出力されたとしても、その濃度が本来のガス種の1/10以下である。
3)本来のガス種の濃度が、正しい値の±20%以内である。
1)は、ニオイ種が正しいかどうかの判定で、ニオイ種の分類に相当する。以下、1)の該当率を「ガス種判定率」とする。2)は、本来と異なるニオイ種が無視できない濃度値で存在しないかどうかを示す基準である。3)は、本来のニオイ種の濃度値が正しく反映されているかどうかを示す基準である。特に3)の±20%以内は、ガスセンサそのものの精度の指標としてよく使われる値である。
1)出力値の最大濃度のガス種が、本来のガスと一致する。
2)本来とは異なるガス種も共存すると出力されたとしても、その濃度が本来のガス種の1/10以下である。
3)本来のガス種の濃度が、正しい値の±20%以内である。
1)は、ニオイ種が正しいかどうかの判定で、ニオイ種の分類に相当する。以下、1)の該当率を「ガス種判定率」とする。2)は、本来と異なるニオイ種が無視できない濃度値で存在しないかどうかを示す基準である。3)は、本来のニオイ種の濃度値が正しく反映されているかどうかを示す基準である。特に3)の±20%以内は、ガスセンサそのものの精度の指標としてよく使われる値である。
表3に判定結果を示す。
ガス種の分類に相当するガス種判定率は96.5%で、概ね正しく判定できていることが示された。ガス濃度の回帰に相当する濃度予測精度は53.5%であり、これも概ね半数以上はガスセンサの精度の指標を満たしている。なお、ガス種判定率よりも濃度予測精度が低いのは、基準3)を満たさない割合が多いことによる。テストデータの3)を満たすものと満たさないものとで区分し、それぞれ上位と下位合わせて20%のデータを除外した濃度の平均を求めたところ、前者は2.3ppm、後者は0.39ppmであった。一般に、濃度が低くなるとセンサシグナルが小さくなり精度が低下する傾向にあるため、これが影響したものと考えられる。
さらに、各ニオイに関し4種の濃度(ニオイ7を除く)の評価を実施した。次に、各濃度におけるセンサ応答値の中間値に相当する架空のセンサ応答値を作成し、これを中間値の濃度のセンサ応答値と仮定して、判別器に入力して出力された濃度値が中間値の濃度と一致するかどうかを検討した。表4に、一例として、テストデータに用いられたニオイ4の各濃度に対するセンサ応答値x1~x8の平均を示す。
表5に、センサ応答がニオイ4の濃度0.18ppm~0.72ppmの区間で比例関係にあると仮定して、この中間値に相当するニオイ4の濃度とセンサ応答値x1~x8を示す。
表6に、表5の値を判別器に代入して出力されたy値を式(1)~(4)に代入して濃度値に変換した結果を示す。3点ともに、判定の基準1)、2)、3)の全てを満たしていることが分かる。
[実験2]
計測データは実験1と同じだが、ニューラルネットワークの条件の一部を以下のように変更して結果の改善を試みた。
計測データは実験1と同じだが、ニューラルネットワークの条件の一部を以下のように変更して結果の改善を試みた。
入力層のノード数は8(センサの数、ただしバイアスノードを除く)とし、出力層のノード数は10(ニオイ成分数に1を足した数)で活性化関数がソフトマックスとした点は、実験1と同じである。変更したのは中間層の2層で、1層目、2層目ともにノード数64(バイアスノードを除く)とし、エポック数5000、バッチサイズ32とした点である(活性化関数は同じくReLU)。
センサ応答値は、前処理として底10の対数化を行った後に入力層に入力した。
表7に結果を示す。
ガス種の分類に相当するガス種判定率は95.3%(基準1)の該当率)、ガス濃度の回帰に相当する濃度予測精度は41.9%(基準1)、2)、3)の該当率)であった。このように開発したニューラルネットワークの一部条件を変更し、前処理を行ったが、実験1と概ね同等の結果が得られた。また、底10の対数化を行ったことで、計算量の低減ができる。
なお、ガス種判定率よりも濃度予測精度が低いのは、基準3)を満たさない割合が多いことによる。テストデータの基準3)を満たすものと満たさないものとで区分し、それぞれ上位と下位合わせて20%のデータを除外した濃度の平均を求めたところ、前者は2.6ppm、後者は0.51ppmであった。一般に、濃度が低くなるとセンサシグナルが小さくなり精度が低下する傾向にあるため、これが影響したものと考えられる。
さらに、実験2でも、各濃度におけるセンサ応答値の中間値に相当する架空のセンサ応答値を作成し、これを中間値の濃度のセンサ応答値と仮定して、判別器に入力して出力された濃度値が中間値の濃度と一致するかどうかを検討した。ただし本実験では、濃度が1点しかないニオイ7を除く全てのニオイについて検討した。表8に判定結果を示す。
ガス種の分類に相当するガス種判定率は91.7%(基準1)の該当率)、ガス濃度の回帰に相当する濃度予測精度は50.0%(基準1)、2)、3)の該当率)で、表7と概ね同じ結果が得られた。
この場合も、ガス種判定率よりも濃度予測精度が低いのは、基準3)を満たさない割合が多いことによる。基準3)を満たすものと満たさないものとで区分し、それぞれ上位と下位合わせて20%のデータを除外した濃度の平均を求めたところ、前者は2.7ppm、後者は0.52ppmであり、濃度が低くなるとセンサシグナルが小さくなり精度が低下する傾向にあるため、中央値の取得においても影響を受けたものと考えられる。
[実験3]
計測データは実験1と同じで、ニューラルネットワークの条件も実験2と同じである。
計測データは実験1と同じで、ニューラルネットワークの条件も実験2と同じである。
センサ応答値は、前処理として標準化を行った後に入力層に入力した。
表9に結果を示す。
ガス種の分類に相当するガス種判定率は96.5%(基準1)の該当率)、ガス濃度の回帰に相当する濃度予測精度は64.0%(基準1)、2)、3)の該当率)であった。このように開発したニューラルネットワークの一部条件を変更し、前処理を行ったことにより、実験1より結果が改善したことが分かる。
なお、ガス種判定率よりも濃度予測精度が低いのは、基準3)を満たさない割合が多いことによる。テストデータの基準3)を満たすものと満たさないものとで区分し、それぞれ上位と下位合わせて30%のデータを除外した濃度の平均を求めたところ、前者は1.1ppm、後者は0.46ppmであった。一般に、濃度が低くなるとセンサシグナルが小さくなり精度が低下する傾向にあるため、これが影響したものと考えられる。
さらに、実験3でも、各濃度におけるセンサ応答値の中間値に相当する架空のセンサ応答値を作成し、これを中間値の濃度のセンサ応答値と仮定して、判別器に入力して出力された濃度値が中間値の濃度と一致するかどうかを検討した。ただし本実験では、濃度が1点しかないニオイ7を除く全てのニオイについて検討した。表10に判定結果を示す。
ガス種の分類に相当するガス種判定率は100%(基準1)の該当率)、ガス濃度の回帰に相当する濃度予測精度は54.2%(基準1)、2)、3)の該当率)で、表9と概ね同じ結果が得られた。
この場合も、ガス種判定率よりも濃度予測精度が低いのは、基準3)を満たさない割合が多いことによる。基準3)を満たすものと満たさないものとで区分し、それぞれ上位と下位合わせて20%のデータを除外した濃度の平均を求めたところ、前者は2.2ppm、後者は0.42ppmであり、濃度が低くなるとセンサシグナルが小さくなり精度が低下する傾向にあるため、中央値の取得においても影響を受けたものと考えられる。
[実験4]
計測データは実験1と同じだが、ニューラルネットワークの条件の一部を以下のように変更して結果の改善を試みた。
計測データは実験1と同じだが、ニューラルネットワークの条件の一部を以下のように変更して結果の改善を試みた。
入力層のノード数は8(センサの数、ただしバイアスノードを除く)とし、出力層のノード数は10(ニオイ成分数に1を足した数)で活性化関数がソフトマックスとした点は、実験1と同じである。変更したのは中間層の2層で、1層目、2層目ともにノード数64(バイアスノードを除く)とし、エポック数5000、バッチサイズ32とした点である(活性化関数は同じくReLU)。
センサ応答値は、前処理として底10の対数化を行い、さらに標準化を行った後に入力層に入力した。
表11に結果を示す。
ガス種の分類に相当するガス種判定率は100%(基準1)の該当率)、ガス濃度の回帰に相当する濃度予測精度は76.7%(基準1)、2)、3)の該当率)であった。このように開発したニューラルネットワークの一部条件を変更し、前処理を行ったことにより、実験1より結果が改善したことが分かる。
なお、ガス種判定率よりも濃度予測精度が低いのは、基準3)を満たさない割合が多いことによる。テストデータの基準3)を満たすものと満たさないものとで区分し、それぞれ上位と下位合わせて20%のデータを除外した濃度の平均を求めたところ、前者は1.6ppm、後者は0.20ppmであった。一般に、濃度が低くなるとセンサシグナルが小さくなり精度が低下する傾向にあるため、これが影響したものと考えられる。
さらに、実験4でも、各濃度におけるセンサ応答値の中間値に相当する架空のセンサ応答値を作成し、これを中間値の濃度のセンサ応答値と仮定して、判別器に入力して出力された濃度値が中間値の濃度と一致するかどうかを検討した。ただし本実験では、濃度が1点しかないニオイ7を除く全てのニオイについて検討した。表12に判定結果を示す。
ガス種の分類に相当するガス種判定率は100%(基準1)の該当率)、ガス濃度の回帰に相当する濃度予測精度は66.7%(基準1)、2)、3)の該当率)で、表6と概ね同じ結果が得られた。
この場合も、ガス種判定率よりも濃度予測精度が低いのは、基準3)を満たさない割合が多いことによる。基準3)を満たすものと満たさないものとで区分し、それぞれ上位と下位合わせて20%のデータを除外した濃度の平均を求めたところ、前者は1.9ppm、後者は0.34ppmであり、濃度が低くなるとセンサシグナルが小さくなり精度が低下する傾向にあるため、中央値の取得においても影響を受けたものと考えられる。
[実験5]
開発したニューラルネットワークの条件は実験4と同じ、計測データは実験1と同じであるが、8個のセンサの中から5個を選んで実行した点が実験1および4と異なる。
開発したニューラルネットワークの条件は実験4と同じ、計測データは実験1と同じであるが、8個のセンサの中から5個を選んで実行した点が実験1および4と異なる。
選択した5個のセンサは、実験4のニューラルネットワークにおいて、入力層の各ノードから中間層1層の64個のノードへの重みの標準偏差の大きいTGS2600、TGS2602、TGS2603、TGS2620、TGS2444である。表13に判定結果を示す。
ガス種の分類に相当するガス種判定率は96.5%(基準1)の該当率、ガス濃度の回帰に相当する濃度予測精度は74.4%(基準1)、2)、3)の該当率)で、表6の8個のセンサにおける判定結果と遜色のない結果が得られた。
さらに、実験5でも、各濃度におけるセンサ応答値の中間値に相当する架空のセンサ応答値を作成し、これを中間値の濃度のセンサ応答値と仮定して、判別器に入力して出力された濃度値が中間値の濃度と一致するかどうかを検討した。本実験でも、濃度が1点しかないニオイ7を除く全てのニオイについて検討した。表14に判定結果を示す。
ガス種の分類に相当するガス種判定率は100%(基準1)の該当率、ガス濃度の回帰に相当する濃度予測精度は75%(基準1)、2)、3)の該当率)で、表7の8個のセンサにおける判定結果と遜色のない結果が得られた。
以上、本発明の実施例を基に説明した。これらの実施例は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。
化学成分を判定することが必要となる産業分野に広く利用できる。特にニオイの識別にニーズのある分野、例えば、呼気計測による疾患スクリーニング、におい計測による食品の鮮度評価、室内空気質評価、などに有用である。
1・・化学成分判定装置、
2・・化学成分判定装置、
10・・入力層、
20・・中間層、
30・・出力層部、
40・・濃度計算部、
50・・前処理部、
101・・化学センサ、
102・・化学センサ、
103・・化学センサ、
10m・・化学センサ、
S10・・入力層にセンサ信号を入力するステップ、
S20・・基準値および化学成分値を出力層から出力するステップ、
S30・・濃度計算部を用いて化学成分の濃度を計算するステップ。
2・・化学成分判定装置、
10・・入力層、
20・・中間層、
30・・出力層部、
40・・濃度計算部、
50・・前処理部、
101・・化学センサ、
102・・化学センサ、
103・・化学センサ、
10m・・化学センサ、
S10・・入力層にセンサ信号を入力するステップ、
S20・・基準値および化学成分値を出力層から出力するステップ、
S30・・濃度計算部を用いて化学成分の濃度を計算するステップ。
Claims (8)
- 候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号が入力される入力層と、
中間層と、
基準値y0および前記試料に関連する化学成分値yt(t=1~n)を機械学習して出力する出力層と、
前記試料に関連する化学成分の濃度st(t=1~n)を計算する濃度計算部と、
を含み、
Σi=0 n yi=1
yt / y0=st
であることを特徴とする化学成分判定装置。 - 前記化学センサはガスセンサであることを特徴とする請求項1に記載の化学成分判定装置。
- 前記化学センサは前記試料のニオイを検出することを特徴とする請求項2に記載の化学成分判定装置。
- 化学センサが検出したセンサ信号値を対数化および/または標準化する前処理部をさらに含むことを特徴とする請求項1に記載の化学成分判定装置。
- 前記複数の化学センサは、前記入力層から前記中間層のノードへの重みの標準偏差がより大きいものとして、化学センサの候補の中から選ばれたものであることを特徴とする請求項1に記載の化学成分判定装置。
- 入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて試料の化学成分および前記化学成分の濃度を判定する方法であって、
前記入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号を入力するステップと、
前記出力層から、基準値y0および前記試料に関連する化学成分値yt(t=1~n)を機械学習して出力するステップと、
濃度計算部を用いて、前記試料に関連する化学成分の濃度st(t=1~n)を計算するステップと、
を含み、
Σi=0 n yi=1
yt / y0=st
であることを特徴とする化学成分判定方法。 - 入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて試料の化学成分および前記化学成分の濃度を判定する方法をコンピュータに実行させるプログラムであって、
前記方法は、
前記入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号を入力するステップと、
前記出力層から、基準値y0および前記試料に関連する化学成分値yt(t=1~n)を機械学習して出力するステップと、
濃度計算部を用いて、前記試料に関連する化学成分の濃度st(t=1~n)を計算するステップと、
を含み、
Σi=0 n yi=1
yt / y0=st
であることを特徴とする化学成分判定プログラム。 - 入力層と、中間層と、出力層と、濃度計算部と、を含む化学成分判定装置を用いて試料の化学成分および前記化学成分の濃度を判定する方法をコンピュータに実行させるプログラムを記録した記録媒体であって、
前記方法は、
前記入力層に、候補となる化学成分の数がn個の試料から複数の化学センサが検出したセンサ信号を入力するステップと、
前記出力層から、基準値y0および前記試料に関連する化学成分値yt(t=1~n)を機械学習して出力するステップと、
濃度計算部を用いて、前記試料に関連する化学成分の濃度st(t=1~n)を計算するステップと、
を含み、
Σi=0 n yi=1
yt / y0=st
であることを特徴とする記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022096485A JP2023183072A (ja) | 2022-06-15 | 2022-06-15 | 化学成分判定装置、化学成分判定方法、化学成分判定プログラムおよび記録媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022096485A JP2023183072A (ja) | 2022-06-15 | 2022-06-15 | 化学成分判定装置、化学成分判定方法、化学成分判定プログラムおよび記録媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023183072A true JP2023183072A (ja) | 2023-12-27 |
Family
ID=89321095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022096485A Pending JP2023183072A (ja) | 2022-06-15 | 2022-06-15 | 化学成分判定装置、化学成分判定方法、化学成分判定プログラムおよび記録媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023183072A (ja) |
-
2022
- 2022-06-15 JP JP2022096485A patent/JP2023183072A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Heene et al. | Sensitivity of SEM fit indexes with respect to violations of uncorrelated errors | |
CN109239360B (zh) | 一种反应曲线异常检测方法及装置 | |
Olsson et al. | Volatiles for mycological quality grading of barley grains: determinations using gas chromatography–mass spectrometry and electronic nose | |
Steffen et al. | A comparison of data quality control protocols for atmospheric mercury speciation measurements | |
Barr et al. | A survey of laboratory and statistical issues related to farmworker exposure studies | |
Larson et al. | Use of process data to assess chromatographic performance in production‐scale protein purification columns | |
Simonet | Quality control in qualitative analysis | |
CN110059010A (zh) | 基于动态符号执行与模糊测试的缓冲区溢出检测方法 | |
Bietenbeck et al. | Stronger together: aggregated z-values of traditional quality control measurements and patient medians improve detection of biases | |
Bajer et al. | Authentification of fruit spirits using HS-SPME/GC-FID and OPLS methods | |
Thompson et al. | Methodology in internal quality control of chemical analysis | |
CN117538492B (zh) | 建筑空间中污染物的在线检测方法及系统 | |
Dorst et al. | Influence of measurement uncertainty on machine learning results demonstrated for a smart gas sensor | |
Robin et al. | Machine learning based calibration time reduction for gas sensors in temperature cycled operation | |
JP2023183072A (ja) | 化学成分判定装置、化学成分判定方法、化学成分判定プログラムおよび記録媒体 | |
Mohamad et al. | kNN: classification of agarwood types in oil and wooden using e-nose | |
Hutchinson | The stability of post hoc model modifications in confirmatory factor analysis models | |
Seok et al. | Machine learning-based delta check method for detecting misidentification errors in tumor marker tests | |
JP2016017937A (ja) | ガス検出方法およびガス検出装置 | |
Costa et al. | Decision-making in the analysis of unreplicated factorial designs | |
CN114527198A (zh) | 聚合物产品气味检测方法、设备和电子鼻系统 | |
Li et al. | Evaluating sources of technical variability in the mechano-node-pore sensing pipeline and their effect on the reproducibility of single-cell mechanical phenotyping | |
CN101131380A (zh) | 利用色谱仪检测微量物质的方法和装置 | |
Soni et al. | Non‐linear steady‐state data reconciliation: Theoretical perspective and practical scenarios | |
JP4415731B2 (ja) | におい測定装置 |