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

Abstract

【課題】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。
【解決手段】化学成分判定装置１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１０と、中間層２０と、基準値y₀および前記試料に関連する化学成分値ｙ_ｔ（ｔ＝１～ｎ）を機械学習して出力する出力層３０と、前記試料に関連する化学成分の濃度ｓ_ｔ（ｔ＝１～ｎ）を計算する濃度計算部４０と、を含む。このとき以下を満たす。
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
【選択図】図１

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。

特開２０２１－１３９９１４

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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算する濃度計算部と、を含み、
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算するステップと、を含み、
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算するステップと、を含み、
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算するステップと、を含み、
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
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。

第１の実施の形態に係る化学成分判定装置の機能ブロック図である。 第４の実施の形態に係る化学成分判定装置の機能ブロック図である。 第６の実施の形態に係る化学成分判定方法の処理を示すフローチャートである。 検証実験系の模式図である。 実験１のニオイ２に対するセンサ応答を示すグラフである。

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ｘ_１という記号を用いて、データｘ_１と表したり、ノードｘ_１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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍが入力される。ただし、図１で入力層１０の中にｘ_０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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍは、中間層２０の各ノードｂ_１、ｂ_２、ｂ_３、…、ｂ_ｋ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ｂ_１、ｂ_２、ｂ_３、…、ｂ_ｋをそれぞれｚ_１、ｚ_２、ｚ_３、…、ｚ_ｋに変換してもよい。図のｚ_０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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍから機械学習された当該試料に関連する化学成分値ｙ_１、ｙ_２、ｙ_３、…、ｙ_ｎおよび基準値ｙ_０を出力する。基準値ｙ_０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ｓ_１、ｓ_２、ｓ_３、…、ｓ_ｎを計算する。ここで、当該試料に関連する化学成分値ｙ_ｔ（ｔ＝１～ｎ）と濃度ｓ_ｔ（ｔ＝１～ｎ）は以下を満たす。
Σ_i=0 ⁿ y_i=1 （１）
y_t / y₀=s_t （２）
ここで、ｙ_０およびｙ_ｔ（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+Σ_t=1 ⁿ s_t) （３）
y_t= s_t /(1+Σ_t=1 ⁿ s_t) （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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍから、当該試料に含まれる化学成分値ｙ_ｔ（ｔ＝１～ｎ）および当該化学成分の濃度ｓ_ｔ（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。

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。

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。

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。

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。

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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍ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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍから機械学習された当該試料に関連する化学成分値ｙ_１、ｙ_２、ｙ_３、…、ｙ_ｎおよび基準値ｙ_０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ｓ_１、ｓ_２、ｓ_３、…、ｓ_ｎを計算する。ここで、当該試料に関連する化学成分値ｙ_ｔ（ｔ＝１～ｎ）と濃度ｓ_ｔ（ｔ＝１～ｎ）は以下を満たす。
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
y₀=1/(1+Σ_t=1 ⁿ s_t)
ただし、
y_t= s_t /(1+Σ_t=1 ⁿ s_t)

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。

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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍ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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍから機械学習された当該試料に関連する化学成分値ｙ_１、ｙ_２、ｙ_３、…、ｙ_ｎおよび基準値ｙ_０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ｓ_１、ｓ_２、ｓ_３、…、ｓ_ｎを計算する。ここで、当該試料に関連する化学成分値ｙ_ｔ（ｔ＝１～ｎ）と濃度ｓ_ｔ（ｔ＝１～ｎ）は以下を満たす。
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
ただし、
y₀=1/(1+Σ_t=1 ⁿ s_t)
y_t= s_t /(1+Σ_t=1 ⁿ s_t)

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。

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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍ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ｘ_１、ｘ_２、ｘ_３、…、ｘ_ｍから機械学習された当該試料に関連する化学成分値ｙ_１、ｙ_２、ｙ_３、…、ｙ_ｎおよび基準値ｙ_０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ｓ_１、ｓ_２、ｓ_３、…、ｓ_ｎを計算する。ここで、当該試料に関連する化学成分値ｙ_ｔ（ｔ＝１～ｎ）と濃度ｓ_ｔ（ｔ＝１～ｎ）は以下を満たす。
Σ_i=0 ⁿ y_i=1
y_t / y₀=s_t
ただし、
y₀=1/(1+Σ_t=1 ⁿ s_t)
y_t= s_t /(1+Σ_t=1 ⁿ s_t)

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。

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。

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。

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。

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。

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。

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。

Claims (8)

1. 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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算する濃度計算部と、
   を含み、
   Σ_i=0 ⁿ y_i=1
   y_t / y₀=s_t
   であることを特徴とする化学成分判定装置。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算するステップと、
   を含み、
   Σ_i=0 ⁿ y_i=1
   y_t / y₀=s_t
   であることを特徴とする化学成分判定方法。
7. 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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算するステップと、
   を含み、
   Σ_i=0 ⁿ y_i=1
   y_t / y₀=s_t
   であることを特徴とする化学成分判定プログラム。
8. 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ｙ_ｔ（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ｓ_ｔ（ｔ＝１～ｎ）を計算するステップと、
   を含み、
   Σ_i=0 ⁿ y_i=1
   y_t / y₀=s_t
   であることを特徴とする記録媒体。

Images