JP5815534B2 - センサーにより測定されたデータから候補を見つける方法および装置 - Google Patents

Description

本発明は、ＤＩＭＳなどのセンサーから得られたデータにより、センサーの測定対象となった候補を見つけることに関するものである。

空気中の物質を検出するセンサーとして、非対称電界イオン移動度スペクトロメータ（ＦＡＩＭＳ）または微分型電気移動度スペクトロメータ（ＤＭＳ）が知られている。この種のスペクトロメータ（センサー、以降においては総称してＤＭＳ）は、高圧−低圧に変化する非対称電界に、イオン化した流体サンプル（例えば、ガス、液体又は蒸気）を入力し、イオンの電界移動度に基づいてそれらをフィルタリングした結果を出力する。

特表２００８−５０８６９３号公報（国際公開ＷＯ２００６／０１３３９６、文献１）には、物質毎のイオン移動度の差に起因する物理的現象を測定する装置が開示されている。この文献１には、特に、複数の電極を有する少なくとも１つのイオンチャネルの形状のイオンフィルタを有するイオン移動度分光計について記載されている。このイオン移動度分光計は、導電層に印加される時間変化する電位により、充填剤はイオン種を選択的に入れることができる。電位は、駆動電界成分および横電界成分を有し、好ましい実施形態において、電極のそれぞれは、駆動電界および横電界の両方の成分を生成するのに関与する。デバイスは、ドリフトガスフローがなくても用いることができる。特許文献１には、また、分光計の種々の用途であるようなマイクロスケール分光計を製作するための微細加工技術について記載されている。

特表２００７−５１３３４０号公報（国際公開ＷＯ２００５／０５２５４６、文献２）には、一般に、サンプル分析のためのイオン移動度ベースのシステム、方法及び装置に関する技術が開示されている。例えば、分散特性、サンプル解離、及び／又は、限定はされないがフロー・チャンネル／フィルタ電界状態中の変動のようなサンプル処理における変動を使って、サンプル収集、フィルタ、検知、測定、識別及び／又は分析を改善する幾つかの事項が開示されている。このような条件に、以下に限定はされないが、圧力、温度、湿度、電界の強さおよびデューティサイクル及び／又は周波数、電界電圧振幅および周波数及び／又はデューティサイクル、検知器バイアス電圧大きさ及び／又は極性、及び／又はフィルタ電界補償電圧の大きさ及び／又は極性を含めることが記載されている。

ＤＭＳにおいては、電界電圧Ｖｒｆに対して補償電圧Ｖｃ（Ｖｃｏｍｐ）を変化させることにより２次元のスペクトルが得られ、さらに、電界電圧Ｖｒｆを変化させることにより３次元のスペクトルが得られることが知られている。この２次元および／または３次元のスペクトルには、ＤＭＳの測定対象となったイオン化した流体サンプル（以降ではガスと総称する）の情報が含まれ、スペクトルを解析することによりガス成分が特定されるはずである。文献２においては、複数の既知の種についてのスペクトル・シグネチャのライブラリを提供し、未知の種のスペクトル・シグネチャの少なくとも一部を、ライブラリ中に保存された一つ以上のスペクトル・シグネチャの少なくとも一部と対比することによって、未知の種を識別しようとしている。

また、文献２には、スペクトル・シグネチャにはスペクトル・ピーク振幅、スペクトル・ピーク幅およびスペクトル・ピーク勾配、スペクトル・ピーク間隔、スペクトル・ピークの数、処理条件の変化によるスペクトル・ピークの相対的位置シフト、スペクトル不連続点、Ｖｒｆ対Ｖｃｏｍｐ特性、又は前記条件の他の任意の特性を他の任意の一つ以上の前記条件に対してプロットしたものを含むことが記載されている。

これらの情報には、測定対象のガスまたはその成分に特有のイオン移動度の情報が含まれる。しかしながら、イオン移動度の情報の出現は圧力、温度、湿度などにより変化することも知られている。

また、情報の出現は装置に依存して変化することも知られており、文献２には複数データの各々を使い、これらの種を識別している固有の内在的移動度特性によって、検知された種の確実な識別を得ることが開示されている。一つの形態によれば、対象となる装置に特有の参照ライブラリと対比することができる。また、装置に依存しない共通的なデータセットと対比することもできる。さらに、文献２には、システムをサンプル分析に使用される前に校正することが記載されている。具体的には、特定のＶｃｏｍｐ及びＶｒｆにおける既知のイオン種に対するイオン強度のライブラリを作成し、メモリに保存する。一つの形態によれば、いったんシステムを校正すれば、さらなる校正の必要なく連続してこれを使用できるとしている。例えば、反応物イオンピーク（ＲＩＰ）又はドーパントのピークを使ってシステムを校正することが記載されている。

さらに、文献２には、データ・オブジェクト（参照ベクトル）Ｐと測定値ベクトルＰ’との整合性の程度を判定するために、例えば、Ｐ及びＰ’のエレメント（Ｖｃｏｍｐ、ａ）がユークリッド幾何空間中のデータ・ポイントであると見なせる場合には距離を計算し、最小のユークリッド距離との対比を、最善の整合として選定することが記載されている。また、他の知られたパターン認識アルゴリズム、ニューラル・ネットワーク、又は人工知能技法を用いてＰ’に対する最善の整合を見出す可能性が記載されている。

ＤＭＳについてこれらの方法が開示されているにも関わらず、ＤＭＳによりガスまたはその成分を特定する技術が広く利用されているとは認め難い。

本発明の一態様は、第１のセンサーにより測定された第１の測定済みのデータセットおよび第１の測定済みのデータセットの測定環境を示す第１の環境情報を受け取るインターフェイスと、データベースから既存の複数のデータセットを第１の環境情報により制御された条件で変換して複数の仮想データセットを生成する生成ユニットと、複数の仮想データセットを含む暫定的な集合の中から第１の測定済みのデータセットに近い少なくとも１つの候補を選択して出力する出力ユニットとを有する装置である。

本発明の他の態様の１つは、第１のセンサーにより測定されたデータを処理装置が処理する方法であり以下のステップを含む。
・第１のセンサーにより測定された第１の測定済みのデータセットを受け取ること。
・既存の複数のデータセットを第１の環境情報により制御された条件で変換して複数の仮想データセットを生成すること。
・複数の仮想データセットを含む暫定的な集合の中から第１の測定済みのデータセットに近い少なくとも１つの候補を選択すること。

ＤＭＳなどの第１のセンサーにより得られるデータセットにおいて測定対象物（ガスおよびそれらの成分）の特徴の出現パターンは様々な要素の影響を受ける。したがって、既存のデータセットにそれらの要素の影響を受けた、そのもののデータセットが含まれている確率は小さい。さらに、既存のデータセットに含まれる測定対象を示すデータセットが、様々な要素の影響を受けた測定済みのデータセットに非常に近い条件で測定されたデータセットである可能性も低い。したがって、この方法においては、仮想データセットを生成することにより、測定済みのデータセットに近いデータセットを強制的に増やし、結果的に探索空間のサイズを減らし、測定されたデータより検索あるいは選択される候補が望むものである可能性を向上させる。

仮想データセットを生成する１つの方法は、既存の複数のデータセットを第１の環境情報をパラメータとするモデルにより変換することである。モデルの一例は環境情報に含まれる複数の要素をパラメータとする関数モデルである。

仮想データセットを生成する他の方法の１つは、既存の複数のデータセットを確率的に組み合わせることである。既存のデータセットに含まれる測定対象を示すデータセットの各要素による出現パターンを予想したり推定することが難しい場合や、出現パターンに影響を与えるすべての要素が事前に得られない場合や、出現パターンに影響を与える全ての要素と、それらの要素による影響が全て判明していない場合であっても、確率的に仮想データセットを生成することは可能である。

本発明の一態様の方法においては、既存の複数のデータセットを確率的に組み合わせることにより仮想的に探索対象（探索空間）を広げ、測定済みのデータセットに近い仮想（仮装）データセットを確率的に増やし、測定済みのデータセットの近くに測定対象物またはそれに近い仮想データセットが配置されるようにしている。そして、そのような探索空間を探索することにより、出現パターンに影響を与えるすべての要素が事前に得られなくても、また、出現パターンに影響を与える全ての要素と、それらの要素による影響が全て判明していなくても、測定対象物またはそれに近い候補が得られる可能性があり、測定対象物の推定確率を向上できる。

さらに、この方法においては、第１の測定済みのデータセットの測定環境を示す第１の環境情報を受け取るステップを設け、複数の仮想データセットを生成する工程は、既存の複数のデータセットを第１の環境情報により制御された確率で組み合わせて複数の仮想データセットを生成することを含むことが望ましい。第１の環境情報により仮装データセットの生成される範囲を限定できる可能性があるので、探索空間を狭くできる。

システムの概略を示すブロック図である。 図２（ａ）および（ｂ）は測定データが変わる様子を示す。 システムの他の例を示すブロック図である。 推定する方法の概略を示すフローチャートである。

空気中あるいは気体中に含まれるガス成分のイオン移動度を測定するＤＭＳの１つであるＦＡＩＭＳにより得られたデータからガス成分（測定対象、オブジェクト）を推定するシステムを例に本発明をさらに説明する。

図１にＦＡＩＭＳから得られたデータを解析する処理装置（システム）の概略構成を示している。この処理装置１０は、センサー（ＦＡＩＭＳ）１またはセンサー１を搭載した端末に適当な通信手段、たとえば、インターネット９により接続されたサーバーにより実現されていてもよく、端末に内蔵されていてもよく、ソフトウェア（プログラム、プログラム製品）により実現されていてもよく、ＬＳＩあるいはＡＳＩＣなどのハードウェア（半導体処理装置、処理装置）により一部あるいは全部が実現されていてもよい。

ＦＡＩＭＳ１は、目標化学物質（測定対象、オブジェクト）をイオン化するイオン化ユニット１ａと、イオン化された測定対象に電場の影響を与えながら移動させるドリフトチェンバー１ｂと、ドリフトチェンバー１ｂを通過したイオン化された測定対象（測定対象の電荷）を検出する検出器１ｃとを含む。ドリフトチェンバー１ｂにおいては、電極１ｅにより生成されるソフトウェア制御された電界が特定の周期でプラス・マイナスに変動し、その電界のフィルタリング効果により、検出目標の化学物質がフィルタリングされ、短期間、たとえば、ｍｓｅｃレベルで検出器１ｃに衝突し、電流として測定される。

逆に、非測定対象の化学物質は、ドリフトチェンバー１ｂ内の電界のパラメータをソフトウェアで変化させて、検出器１ｃに送らないようなフィルタリング処理が可能である。つまり、ＦＡＩＭＳ１により、短時間での集中した検出・分析（チェック）が可能となる。また、ＦＡＩＭＳ１のスキャンをある測定レンジで実行することで、広範囲の化学物質分析が可能となる。特に、ＦＡＩＭＳ１は、最近のＭＥＭＳ技術の進歩により、微細化が進み、最新のＬＣ（液体クロマトグラフィ）／ＭＳ（質量スペクトロメータ）分析装置のプリ・プロセッシング部分に、実装されるようになっている。今後、ソフトウェア技術と並列処理技術を組み合わせる事により、分析装置の小型化が相当進むものと期待され、様々な産業分野・医療分野・一般家庭へと広く応用されて行くはずである。

ＦＡＩＭＳ１の一例はオウルストーン（Ｏｗｌｓｔｏｎｅ）社製のセンサーであり、イオン化ユニット１ａには、Ｎｉ６３（５５５ＭＢｑのβ線源、０．１μＳｖ／ｈｒ）を使用している。このイオン化ユニット１ａによりイオン化可能な化学物質は、イオン化結合エネルギーが６７ＫｅＶ以下であるが、広い範囲の化学物質を検出・分析可能である。イオン化ユニット１ａとしては、ＵＶ（紫外線）を用いたもの、コロナ放電を用いたものなどが検討されている。

ＦＡＩＭＳ１は、爆発物や危険物の検出、脅威検出、化学物質の検出・分析、ターゲットの変化する環境化学物質をリアルタイムで検出する製品開発のプラットフォームとして最適である。特に、ｐｐｍ／ｐｐｂ／ｐｐｔレベルでの微量物質の検出に優れた性能を示す。ターゲット物質が明確で、ターゲットの数が１００種類以下であれば、原理的に１〜２秒での特定が可能である。しかしながら、環境条件によって、測定容易性が変化するのでバック・グラウンド条件を確認する必要がある。したがって、ＦＡＩＭＳ１を実アプリケーション用に展開する際に重要な点の１つは、ターゲット（オブジェクト、化学物質）の検出と分析を、様々な環境変数の違いや状況によって変化するバックグラウンド・ノイズ等に対し、安定して行い、精度を向上させ、さらに、リアルタイムあるいはそれに近い速度で行うことである。

図２（ａ）および（ｂ）にＦＡＩＭＳ１の測定結果の例を示している。同一サンプルでありながら、ＦＡＩＭＳ１の測定結果としては、測定環境により、一見違った挙動を示すことがある。図１に示す処理装置１０は、この問題をＳＷ（ソフトウェア）処理技術により、リアルタイムあるいはそれに近い速度でデータ処理を行い解決しようというものである。処理装置１０の機能は、たとえば、１または複数の半導体集積回路により提供できる。この処理装置１０は、ＯＬＰ（ＯＬｆａｃｔｉｏｎ Ｐｒｏｃｅｓｓｏｒ）と称されており、リアルタイムでの化学物質の検出や分析、データベース登録を実現するテクノロジーのプラットフォームとして本出願人が開発している。このＯＬＰは、今後、拡大する新しい市場へ投入されることが期待される各社の製品開発を短期間・高効率・高品質で実現可能なプラットフォームとして期待されるものである。ＦＡＩＭＳ１を含む様々なシステム９９およびサービスを展開することができる。

ＯＬＰ１０は、ＦＡＩＭＳ（センサー）１に測定条件５５をセットしてセンサー１から測定済みのデータセット（第１の測定済みのデータセット、以降ではＩＭＳデータ）５１を取得するインターフェイス１３と、ドライバ１１とを含む。センサー１には、ＯＬＰ１０のドライバ１１からインターフェイス１３を介して測定条件５５が送られる。インターフェイス１３は、無線であっても有線であってもよく、デジタルであってもアナログであってもよい。センサー１が自律的に測定条件５５を設定し、ＯＬＰ１０がインターフェイス１３を介して自動的にＩＭＳデータ５１を取得できる環境であってもよい。

測定条件５５には、電界電圧Ｖｆ（以降では電圧Ｖｆ）と、補償電圧Ｖｃとが含まれる。ＩＭＳデータ５１の一例は、特定の電圧Ｖｆにおける補償電圧Ｖｃの変動に対応して変化する電流（検出装置１ｃにより検出される電流）Ｉにより表わされるスペクトルである。ＩＭＳデータ５１は、上記のスペクトルの特徴点をサンプリング（抽出）したデータであってもよく、複数の電圧Ｖｆのスペクトルを含むものであってもよい。通信速度に依存するが、特徴点を抽出することによりスペクトルに含まれるデータ量が減る可能性があるので、ＯＬＰ１０が取得するＩＭＳデータ５１は、センサー１が取得したスペクトルがＡＤ変換されたデータであることが望ましい。

ＯＬＰ１０は、さらに、取得したＩＭＳデータ５１を予備的に解析するユニット１００と、ネットワーク９などを介してデータベース８０から既存の複数のデータセット８１を取得し、複数の仮想（仮装）データセット７１を生成する生成ユニット２００と、既存のデータセット８１の中から適当な実データセット７６を論理的に選択する選択ユニット４０と、仮想データセット７１および実データセット７６を含む候補データベース７９の中の候補データセット７５の中からＩＭＳデータ５１に近い１つまたは複数の候補データセット７５を選択する出力ユニット３０と、測定済みのＩＭＳデータ５１を既存のデータセット８１としてデータベース８０に登録する登録ユニット３００とを有する。

既存のデータセット（既知のデータセット、既得のデータセット）８１のそれぞれは、過去の幾つかのタイプのＩＭＳ（イオン移動度センサー、イオン移動度スペクトロメータ）により、各成分および／また各製品（商品）を測定した結果（データ）、既存の化学データベース（化学物質データベース）からイオン移動度が計算された結果などを含み、測定に用いられるセンサー１（本例ではＦＡＩＭＳ）の測定結果（測定済みデータセット、ＩＭＳデータ）５１と比較することができる既存のデータを示す。既存のデータセット８１は、スペクトル情報８２、特定の化学物質の特徴を示す識別情報８３、変動情報８４を含む。スペクトル情報８２は、センサー１から得られるＩＭＳデータ５１に対比するスペクトル（特定の電圧Ｖｆにおいて補償電圧Ｖｃの変動により表わされるスペクトル）を生成するための情報であり、イオン移動度、典型的なセンサータイプの代表的な電圧Ｖｆにおけるスペクトルサンプルなどを含む。識別情報８３は、主な名称、化学的な情報（ＣＡＳ登録番号、ＰＵＢＣＨＥＭ、ＲＴＥＣＳ番号、化学式、モル質量、密度、その他の物性など）、製品に含まれる可能性および割合、製品であればそれに含まれる成分およびその割合などを含む。変動情報８４は、ＩＭＳデータ５１として出現する際の環境情報（温度、湿度、圧力、流量、電界強度、センサータイプなど）に対する理論的および／または実験的な依存性を示す情報を含む。

ＯＬＰ１０は、セットされたセンサーなどから、ＩＭＳデータ５１が得られた測定環境を示す環境情報（第１の環境情報）６０を受信する。環境情報６０には、温度、湿度、圧力、流量などの物理的な情報６１と、アプリケーション情報６２とを含む。アプリケーション情報６２は、アプリケーションを提供しているアプリケーションサービスサーバ６２ｓや、ＦＡＩＭＳ１が搭載されている端末などから取得できる。アプリケーション情報６２には、位置情報６３と、画像情報６４と、ユーザー入力情報６５とが含まれる。なお、ＯＬＰ１０が取得する環境情報６０は、これらの情報の一部または全部が含まれていてもよい。

物理的な情報６１は、ＦＡＩＭＳ１の近傍あるいはＦＡＩＭＳ１が搭載された端末にセットされたセンサー群６９から取得できる。センサー群（第２のセンサー）６９には、温度、湿度、圧力、流量などの物理量を測定するのに適したセンサーが含まれる。位置情報６３などのアプリケーション情報６２からＦＡＩＭＳ１の周囲の環境情報６０を、温度、湿度などを定点観測している他のシステムから間接的に取得することも可能である。さらに、環境情報６０に日時が含まれていれば、日時よりある程度の温度の範囲を推定して物理的な情報６１として利用することも可能である。

生成ユニット２００は、モデルを用いて仮想データセット７１を生成するシミュレータ２１０と、確率的に仮想データセット７１を生成する確率的生成ユニット２２０とを含む。以降においては、シミュレータ２１０により仮想データセット７１を生成する場合を主に説明する。

ドライバ１１を介して取得されたＩＭＳデータ５１は、まず、予備解析ユニット１００において予備解析される。予備解析ユニット１００は、ＩＭＳデータ５１のスペクトルに含まれるバックグランドノイズを除去したり、複数のピークを分離したり、それぞれのピークを特徴づけるパラメータを取得するなどの処理を行う前処理ユニット１０１を含む。予備解析ユニット１００は、さらに、前処理ユニット１０１により得られたデータの中で、ＩＭＳデータ５１を特徴づける幾つかのポイントを抽出する特徴点抽出ユニット１０２と、抽出された特徴点からＩＭＳデータ５１の発生源（候補）となる化学物質の特徴と思われるプロファイルを選択する特徴選択ユニット１０３と、ＩＭＳデータ５１のバックグラウンドプロファイルを補助情報として保存するバックグラウンドプロファイリングユニット１０４とを含む。

特徴点抽出ユニット１０２は、分離されたピークの位置（電界電圧Ｖｆ、補償電圧Ｖｃとの関係）、強度、順番などを特徴点として抽出する。特徴選択ユニット１０３は、幾つかの特徴点から、理論的に、実験的に、さらに経験的（学習的）にＩＭＳデータ５１の発生源（候補）となる化学物質の特徴と思われるプロファイルを選択する。バックグラウンドプロファイリングユニット１０４は、ＩＭＳデータ５１の特徴として選択されたプロファイルをＩＭＳ５１から除いたバックグラウンドプロファイルを、候補のバリエーションを拡張したり変更したりするための補助情報として保存する。

シミュレータ２１０は、予備解析ユニット１００で得られた特徴点情報１９に基づき既存のデータベース８０を参照し、既存のデータセット８１の中から特徴点などが共通する複数のデータセットを選択する参照ユニット２１１と、予備解析ユニット１００で得られた特徴点情報１９および環境情報６０から予測モデルで使用するパラメータを生成するプロファイリングユニット２１２と、生成されたパラメータと予測モデルとを用いて仮想データセット７１を生成するシミュレータコア２１３とを含む。

このＯＬＰ１０は、特徴点情報１９により既存データベース８０から特徴点が共通する実データセット７６を選択するユニット４０を含む。実データセット７６のみを比較する場合、実データセット同士の差が小さいときに別の特徴点を追加してデータ数を増やしたり、ＩＭＳデータ５１と実データセット７６とのユーグリッド距離が大きいときにそれを縮めることができない。さらに、類似性が高い化学物質でも、濃度や温度、電界強度を変更することで、イオンモビリティの差が変化することは上述した通りである。

シミュレータ２１０は、環境変数（環境条件）６０を用いて既存のデータセット８１を積極的に変化させることにより、ＩＭＳデータ５１の元（候補）となる化学物質を特定するためのデータベース７９を構築する。

シミュレータコア２１３で採用される予測モデルは、イオン移動度が各化学物質の断面積や分子構造に依存することが知られている。したがって、特徴点情報１９により化学物質が属する基（ファンクショングループ）が判断できると、予測モデルの精度が向上し、探索空間を大幅に削減できる可能性がある。その他、予測モデルは、化学物質の断面積、分子量、イオン化量、濃度、温度、湿度、バックグランド物質等をパラメータとして持つことが望ましい。これらのパラメータに対し、イオンモビリティは非線形挙動を示すことが多い。したがって、予測モデルは、線形補間や外挿・内挿を含むものであってもよいが、収束の速い非線形の関数モデルを利用することが好ましい。また、予測モデルとして利用するためには、実測データとのズレを吸収しやすいものであることが望ましい。関数モデルの１つの候補は、スプライン関数を用いたものである。関数モデルは、環境条件をパラメータとするその他の非線形級数（関数）であってもよい。また、シミュレータコア２１３がリグレッション収束機能を備えていてもよい。また、予測モデルは、インターネット９に存在する複数の既存データベース８０に含まれるデータに対して収束しうるものであることが望ましい。

このようにして、ＯＬＰ１０においては、生成ユニット２００により生成された複数の仮想データセット７１と、選択ユニット４０により論理的に生成された１または複数の実データセット７６との集合である複数の候補データセット７５が生成され候補データベース７９が作られる。生成ユニット２００により生成された複数の仮想データセット７１は、実データセット７６よりも、ＩＭＳデータ５１とのユーグリッド距離が短い可能性がある。したがって、ＩＭＳデータ５１の発生源の化学物質をいっそう精度よく特定できる可能性がある。なお、確率的生成ユニット２２０については、以下において詳述する。

出力ユニット３０は、ＩＭＳデータ５１の発生源（オブジェクト）であるとある程度の確率で推定される１または複数の候補データセット７５を選択する候補選択ユニット３１と、センサー１の測定条件を再設定するセンサー制御ユニット３２と、過去に選択された候補の履歴を保存するデータベースまたはキャッシュ３９と、履歴を参照して複数の候補の中から最も確率の高いと想定される候補を選択する履歴検索ユニット３８と、選択された候補データセット７５を成分名または製品名に変換してユーザーの端末２に送信する表示変換ユニット３３とを含む。

候補選択ユニット３１は、ＩＭＳデータ５１と、候補データベース７９の各候補データセット７５との距離を、特徴点情報１９よりもさらに多くの点で判断し、ＩＭＳデータ５１のオブジェクトであるとある程度の確率で推定される１または複数の候補データセット７５を選択する。センサー制御ユニット３２は、同等の確率（ランク）の複数の候補データセット７５のランキングを変えることができるセンサー１の測定条件がある場合は、その条件５５をドライバ１１に戻してセンサー１に再測定させ、複数の候補から最適な候補が選択されるＩＭＳデータ５１が取得できるようにする。

履歴検索ユニット３８は、キャッシュ３９に記録された履歴に含まれる複数の候補データセット７５の中から、直近または連続して取得されたＩＭＳデータ５１に対して選択された共通の候補データセット７５を選択して出力する。履歴検索ユニット３８は、たとえば、第１のＩＭＳデータ５１と第１の環境情報６０とから選択された複数の候補データセット７５と、第２のＩＭＳデータ５１と第２の環境情報６０とから選択された複数の候補データセット７５とに共通の候補データセット７５を最も確からしい候補データセット７５として出力する。

表示変換ユニット３３は、候補データセット７５に組み合わされた既存のデータセット８１の識別情報８３から、成分名または製品名を含むコンテンツを選択または生成し、ＩＭＳデータ５１に近い候補データセット７５をコンテンツとしてユーザーの端末２に提供する。表示変換ユニット３３は、候補データセット７５を端末２の表示装置２ｄに表示できる情報として端末２に提供する。表示変換ユニット３３は、候補データセット７５が香水のレシピなどとして、著作権、特許権あるいはその他の権利により保護されている場合は、成分名ではなく製品名で表示装置２ｄに表示させる。

ＯＬＰ１０は、さらに、ＩＭＳデータ５１を既存のデータベース８０に登録する登録ユニット３００を含む。登録ユニット３００は、ＩＭＳデータ５１の元（ソース）の化学物質が未登録であると判断するユニット３０１を含む。このユニット３０１は、出力ユニット３０においてＩＭＳデータ５１と候補データベース７９に含まれるデータとのユーグリッド距離が所定の範囲に入らないときに、ＩＭＳデータ５１を与える既存のデータセット８１がデータベース８０に含まれていないと判断する。未登録と判断されたＩＭＳデータ５１は、ユーグリッド距離が近い幾つかの候補データセット７１および７６とともに既存のデータベース８０に登録され、後日、既存のデータベース８０のデータ量が増加したり、シミュレータ２１０の予測モデルが改善されることにより解決される機会を待つ。

登録ユニット３００は、さらに、ＩＭＳデータ５１を特徴点データ１９と関連付けしてデータベース８０に登録するユニット３０２と、ＩＭＳデータ５１を実モデルとしてデータベース８０に登録するユニット３０３と、ＩＭＳデータ５１をバックグラウンドモデルとして登録するユニット３０４とを含む。実モデルとして登録するユニット３０３は、ＩＭＳデータ５１を、ＩＭＳデータ５１から特定された化学物質、成分あるいは製品の代表的なデータ（実モデル）としてデータベース８０に登録する。バックグランドモデルとして登録するユニット３０４は、ＩＭＳデータ５１を、ＩＭＳデータ５１から特定された化学物質、成分あるいは製品の補助的なデータとしてデータベース８０に登録する。

図１に示したＦＡＩＭＳ１およびＯＬＰ１０は、たとえば、ネットワーク９に接続された移動観測システム、定点観測システムあるいは遠隔観測システムである。表示変換ユニット３３は、パーソナルコンピュータなどの端末２に対してネットワーク９を介してＩＭＳデータ５１を画像２ａとして表示させ、キャッシュ３９のデータを画像２ｂとして表示させ、さらに、コンテンツ２ｃを表示させる機能を含む。コンテンツ２ｃは、複数の候補データセット７５に対応してネットワーク９にオープンされている複数の情報２ｘと、最も確からしい候補の情報２ｙと、確からしい候補の情報２ｙに関連する情報２ｚを含む。

ＯＬＰ１０としての機能は、既存のデータベース８０のサービスを行うサーバー４００に搭載することも可能であり、サーバー４００がネットワーク９を介して端末２に対してコンテンツ２ｃを提供することも可能である。

図３に端末２にセンサー（ＦＡＩＭＳ）１が搭載されたシステム９９の概要を示している。ＦＡＩＭＳ１のデータを解析する装置（システム）であるＯＬＰ１０は、センサー１を搭載した端末２に適当な通信手段、たとえば、インターネット９により接続されたサーバーにより実現されていてもよく、端末２に内蔵されていてもよい。

端末２は、センサー１の測定条件５５がＯＬＰ１０のドライバ１１からインターフェイス１３を介して与えられるリモートセンシングできる環境であってもよい。また、端末２が自律的に測定条件５５を設定し、インターフェイス１３を介して自動的にＯＬＰ１０がＩＭＳデータ５１および測定条件５５を取得できる環境であってもよい。

ＯＬＰ１０は、上述したように、予備解析ユニット１００と、生成ユニット２００と、選択ユニット４０と、登録ユニット３００とを含む。生成ユニット２００は、シミュレータ２１０と、ネットワーク９などを介してデータベース８０から既存の複数のデータセット８１を取得し、複数の仮想（仮装）データセット７１を確率的に生成する確率的生成ユニット２２０を含む。以降では、確率的に仮想データセット７１を生成する例を中心に説明する。

ＯＬＰ１０は、端末２またはその周囲にセットされたセンサーなどから、ＩＭＳデータ５１が得られた測定環境を示す環境情報（第１の環境情報）６０を受信する。環境情報６０の、温度、湿度、圧力、流量などの物理的な情報６１は、端末２に搭載されたセンサー（第２のセンサー、センサー群）６９から取得できる。上記と同様に、物理的な情報６１を、端末２の位置情報６３に基づき、温度、湿度などを定点観測している他のシステムから間接的に取得してもよい。

アプリケーション情報６２は、センサー１が測定しているオブジェクトの探索範囲を狭めるために用いられる情報である。位置情報６３は、端末２に搭載されているＧＰＳ（第３のセンサー）６８、基地局情報などから得られる。得られた位置情報６３に基づき、センサー１により測定される可能性が高いオブジェクト（化学物質）を推定し、探索範囲を狭めることができる。画像情報６４は典型的には端末２に搭載されているカメラ６７から得ることができる。あるいは位置情報６３から端末２の位置の周囲を示す画像を定点モニタから得ることも可能である。画像情報６４はセンサー１により測定される可能性が高いオブジェクトの範囲を推定するために用いられる。

ユーザー入力情報６５は、端末２のユーザインターフェイス（外部入力インターフェイス）６６や、ネット上（クラウド）にあるユーザー情報などから取得できる。ユーザー入力情報６５には、ユーザーが欲している情報の分野、たとえば、健康、食品、飲み物、動物などの情報を含む、様々なグレードの情報が含まれ、それらの情報を総合することにより、センサー１の測定対象となっている可能性の高いオブジェクトの範囲を推定することができる。

生成ユニット２００の確率的生成ユニット２２０は、確率的処理ユニット２０と、処理ユニット２０により参照される関数、モデル、初期値などが格納されたライブラリ２９と、処理ユニット２０の作業エリアである仮候補データベース７３とを含む。処理ユニット２０は、確率的結合エンジン２１と、反復アルゴリズムエンジン２２とを含む。確率的生成ユニット２２０の処理ユニット２０は、データベース８０から得られる既存のデータセット８１を確率的に組み合わせて仮想データセット７１を生成する。この例では、処理ユニット２０は、仮想データセット７１を２段階で生成する。まず、確率的結合エンジン２１が、複数の既存のデータセット８１を環境情報６０に基づき確率的に結合して反復アルゴリズムエンジン２２で使用する複数の仮候補データセット７２を含む仮候補データベース７３を生成する。確率的結合エンジン２１は、さらに、仮候補データセット７２を組み合わせる１または複数の関数（初期関数）２５と、１または複数の初期条件２６とを生成する。

次に、反復アルゴリズムエンジン２２が、予備解析ユニット１００により得られたＩＭＳデータ５１の特徴点情報１９をターゲットとしてメタヒューリスティクスな方法によりＩＭＳデータ５１に近い１または複数の仮想データセット７１を確率的に発見する。メタヒューリスティクスな反復アルゴリズムには、シミュレーテッドアニーリング法、平均場アニーリング法、遺伝的アルゴリズム法などが含まれる。

確率的結合エンジン２１は、後続の処理における探索範囲を狭めるために、環境情報６０により制御された確率で既存のデータセット８１を組み合わせる。具体的には、確率的結合エンジン２１は、環境情報６０、特に、温度などの物理的な情報６１に基づき、既存のデータセット８１を理論的および／または実験的に変化させて複数の仮候補データセット（第１の変換済みのデータセット）７２を生成する。確率的結合エンジン２１は、物理的な情報６１に基づき、既存のデータセット８１を理論的および／または実験的に変化させるため、既存のデータセット８１の変動情報８４を利用できる。

各分子のイオンの平均移動速度ｖｄは理論的には電場の強さＥに比例し以下の式（１）で与えられる。
ｖｄ＝Ｋ×Ｅ・・・（１）

イオン移動度を与える移動係数Ｋの理論式の一例は運動量移行理論により以下のものである。
Ｋ＝（３ｅ／１６Ｎ）
×（２π／μ・ｋ・Ｔeff）^1/2（（１＋α）／Ωｄ（Ｔeff））・・・（２）
ここでｅはイオンの電荷、Ｎは緩衝気体の密度、ｋはボルツマン定数、μはイオンと緩衝気体分子の換算質量、Ｔeffは緩衝気体のドリフトチューブ中の実効温度であり、αは補正項で通常は１より非常に小さい。Ωｄは衝突断面積（衝突積分）であり以下の式（３）で与えられる。
Ωｄ＝πｒ²Ω（１，１）×Ｔ・・・（３）
ここでｒは分子半径であり、Ω（１，１）は分子固有の値であり、さらに、湿度、温度、緩衝気体（キャリアガス、ドリフトガス）などにより変化する。

したがって、確率的結合エンジン２１は、これらの理論式、および多数の実験結果を上記の理論式に基づいて解析した結果を利用して、既存のデータセット８１を環境情報６０により変化させることができる。

確率的結合エンジン２１は、環境情報６０、特に、アプリケーション情報６２に基づき、既存のデータセット８１の中から複数のデータセットを相対的に確率が高くなるように組み合わせて複数の仮候補データセット（第２の変換済みデータセット）７２を生成することも可能である。アプリケーション情報６２により既存のデータセット８１を組み合わせるため、既存のデータセット８１の識別情報８３を利用できる。さらに、この確率的結合エンジン２１は、ＩＭＳデータ５１の特徴点情報１９を初期値などに組み込むことにより確率的に推定される範囲をＩＭＳデータ５１の近くに収めるようにしている。

この処理ユニット２０においては、確率的結合エンジン２１により、主にアプリケーション情報６２に基づき既存のデータセット８１を確率的に組み合わせて仮候補データセット７２を生成する。次に、物理的な情報６１に基づき反復アルゴリズムエンジン２２において使用する初期関数２５および初期条件２６を生成する。さらに、反復アルゴリズムエンジン２２により、仮候補データセット７２を理論的および／または実験的パラメータを介して組み合わせてＩＭＳデータ５１に近い複数の仮想データセット７１を確率的に発見するようにしている。

確率的結合エンジン２１は１または複数の結合エンジンを含む。この例では、確率的結合エンジン２１は、ベイズ結合エンジン２３と、ヒューリスティック結合エンジン２４とを含み、これらを個々にまたは結合して使用する。ヒューリスティック結合エンジン２４は、ヒューリスティック探索手法を用いて非線形結合で任意の要素を結合するエンジンである。この例では、ヒューリスティック結合エンジン２４は、論理的な規則および／または発見的な規則の任意な（確率的な）組み合わせを用いて、既存のデータセット８１を組み合わせる。ヒューリスティック探索手法を用いた結合エンジンは、たとえば、国際公開ＷＯ２００２／０８７２５９などに記載されている。国際公開ＷＯ２００２／０８７２５９では遺伝的アルゴリズムを用いた方法が開示されている。

ベイズ結合エンジン２３は、ベイズの定理（ベイジアンネットワーク）を用いて既存のデータセット８１を組み合わせる。ベイジアンネットワークを用いて確率的に要素を組み合わせる方法は公知であり、たとえば、国際公開ＷＯ００／０７５８６３、ＷＯ２００１／０５８１４５などに開示されている。

ベイズ結合エンジン２３において用いられてよい推論、ヒューリスティック結合エンジン２４において使われてよい規則などはライブラリ２９に蓄積されている。ライブラリ２９の内容は、反復アルゴリズムエンジン２２の収束状況によりこれらのエンジン２３および２４により使用される優先度が更新される。

したがって、処理ユニット２０においては、環境情報６０と、ＩＭＳデータ５１の特徴点情報１９とに基づき、ＩＭＳデータ５１が測定された環境またはそれに近い条件で、ＩＭＳデータ５１に近い複数の仮想データセット７１が生成される。そして、仮想データセット７１は確率的な要素を加えて生成されているので、論理的または実験的に予測されるデータセットに対して不確定な、あるいは揺らぎを持った仮想データセット７１となる。したがって、論理的または実験的に予測されるデータセットに対して、ＩＭＳデータ５１にいっそう近い仮想データセット７１を用意できる。

さらに、処理ユニット２０では、確率的および発見的な要素を加えて仮想データセット７１を生成しているので、オブジェクトの出現パターンが予測できないとき、環境情報６０が変化したとき、環境情報６０の変化として表れない変化があったとき、ＯＬＰ１０が得られる環境情報６０に限りがあるとき、さらには、予測できない変化があったときであっても、ＩＭＳデータ５１に近い仮想データセット７１を生成できる可能性が高い。したがって、ＩＭＳデータ５１のオブジェクトをいっそう高い確率で推定することが可能となる。

反復アルゴリズムエンジン２２は、ＩＭＳデータ５１の特徴点情報１９をターゲットとて仮想データセット７１を生成する。特徴点情報１９は、ＩＭＳデータ５１のスペクトルに含まれる主要なピークの位置、形状（半値幅、高さ、分散、角度など）、ピークの間隔などを含めることが可能であり、反復アルゴリズムエンジン２２に採用されるターゲットしての情報量を制御することが可能である。したがって、確率的に生成される複数の初期関数２５および初期値２６と、ターゲットとなる特徴点情報１９の情報量とにより、幾つかの仮想データセット７１を生成することができる。すなわち、反復アルゴリズムエンジン２２では、確率的結合エンジン２１により生成された初期関数２５および初期条件２６を用い、特徴点情報１９をターゲットとして反復アルゴリズムにより複数の仮候補データセット７２および／または既存のデータセット８１を組み合わせて仮想データセット７１を生成する。したがって、ＩＭＳデータ５１に近い複数の仮想データセット７１を確率的に見出すことができる。

反復アルゴリズムエンジン２２においては、反復アルゴリズムを繰り返し用いて仮想データセット７１を増やすことも可能である。すなわち、情報量の少ない特徴点情報１９をターゲットとして反復アルゴリズム（シミュレーテッドアニーリング法、平均場アニーリング、遺伝的アルゴリズムなど）により幾つかの仮想データセット７１が生成されるが、反復アルゴリズムエンジン２２は、さらに、その仮想データセット７１を初期値として、情報量の比較的多い特徴点情報１９をターゲットとして再度、同じまたは異なる反復アルゴリズムを用いて仮想データセット７１を生成してもよい。

このようにして、ＯＬＰ１０においては、処理ユニット２０により確率的に生成された複数の仮想データセット７１と、選択ユニット４０により論理的に生成された１または複数の実データセット７６との集合である複数の候補データセット７５が生成され、候補データベース７９が作られる。したがって、候補データベース７９にはＩＭＳデータ５１とのユーグリッド距離の近い仮想データセット７１が含まれる可能性が高い。このため、出力ユニット３０は、ＩＭＳデータ５１と、候補データベース７９の各候補データセット７５との距離を、特徴点情報１９よりもさらに多くの要素、たとえば、スペクトルそのものの類似性やバックグランドプロファイルなども加えて判断できる。このため、ＩＭＳデータ５１のオブジェクトとなる１または複数の候補データセット７５をさらに高い確率で推定できる。出力ユニット３０の構成は、図１に示した装置と共通する。

候補データベース７９に含まれる複数の仮想データセット７１は、反復アルゴリズムエンジン２２により、特徴点情報１９をターゲットとしてある程度エントロピーの低い状態で安定したデータセットであり、特徴点情報１９との距離（ユーグリッド的な距離）が非常に遠いデータセットは含まれていない。しかしながら、ＩＭＳデータ５１に近いといっても距離のグレードが様々なデータセットが含まれる暫定的な集合である。また、データ間の距離は、比較する対象が増えたり、比較する対象が異なれば変わる情報である。したがって、特徴点情報１９の範囲ではＩＭＳデータ５１に非常に近い仮想データセット７１であっても、特徴点情報１９には含まれていない、あるいは幾つかの仮想データセット７１を確率的に生成するためにあえて特徴点情報１９には含めない微小なピークや、ノイズに近いその他のスペクトルの特徴を加味してＩＭＳデータ５１との距離を再評価した場合、仮想データセット７１を含む候補データセット７５のＩＭＳデータ５１に対する距離（ランキング）は変化する可能性がある。選択ユニット３１は、このような再評価する機能を含んでもよい。

また、ＯＬＰ１０は、ＩＭＳデータ５１および環境情報６０を、センサー１の測定インターバル（サンプリングインタバール）で次々と取得することができる。複数のセンサー１がインターフェイス１３に接続されている場合は、さらに短いインターバルで複数のＩＭＳデータ５１をＯＬＰ１０は取得できる。選択ユニット３１は、これらの次々と取得できるＩＭＳデータ５１とそれに対応する仮想データセット７１とから、さらに、オブジェクトに近い仮想データセット７１をオンザフライで選択する機能を含む。

選択ユニット３１で選択された１または複数の候補データセット７５はキャッシュ３９に格納され、履歴検索ユニット３８が最も確からしい候補データセット７５を選択する。キャッシュ３９の情報は選択ユニット３１にフィードバックされてもよい。すなわち、ＯＬＰ１０は、インターフェイス１３からセンサー（第１のセンサー）１により測定された第２の測定済みのデータセット（第２のＩＭＳデータ）５１およびその第２のＩＭＳデータ５１の測定環境を示す第２の環境情報６０を受け取り、処理ユニット２０により仮想データセット７１を生成する。選択ユニット３１は、直前または直前までのＩＭＳデータ５１に近いと判断された仮想データセット７１の履歴を加味し、新たに得られたＩＭＳデータ５１に近い仮想データセット７１を選択するか、あるいは新たに得られたＩＭＳデータ５１に対する仮想データセット７１のランキングを生成する。

典型的には、直前または直前までに得られたＩＭＳデータ５１に近い仮想データセット７１の成分または製品（候補）と、新たに得られたＩＭＳデータ５１に近い仮想データセット７１の成分または製品（候補）とが共通する仮想データセット７１の候補を、オブジェクトに近い高順位にランキングする。センサー１が閉鎖的な環境に置かれている場合、ＯＬＰ１０が次々と取得するＩＭＳデータ５１は同じオブジェクトの測定済みのデータセットである可能性が高い。したがって、直前または直前までに得られたＩＭＳデータ５１に近い仮想データセット７１の共通性はオブジェクトを選択するために重要な情報である。

一方、センサー１がオープンな環境に置かれている場合、ＯＬＰ１０が次々と取得するＩＭＳデータ５１が全く同じオブジェクトの測定済みデータセットである可能性はほとんどない。このＯＬＰ１０においては、確率的処理ユニット２０が確率的な要素を含めて仮想データセット７１を生成する。したがって、仮想データセット７１には、オープンな環境で含まれる可能性がある成分が含まれているデータセットが候補として含まれている可能性が高い。このため、オープンな環境にセンサー１が設置されている場合でも、直前または直前までに得られたＩＭＳデータ５１に近い仮想データセット７１の共通性はオブジェクトを選択するために重要な情報になる。

センサー制御ユニット３２は、ＯＬＰ１０により能動的にセンサー１を制御してオブジェクトの推定精度を向上する機能を含んでいてもよい。たとえば、選択ユニット３１により、オブジェクトに対して同じ程度のランク（順位）として選択された候補データセット７５が複数ある場合、候補データセット７５を組み当てている既存のデータセット８１のスペクトル情報８２をサーチすることによりそれらの候補データセット７５を分離するために好適な電圧Ｖｆを１または複数選択できる可能性がある。センサー制御ユニット３２は、複数の候補データセット７５のランキングを変えるのに適した電圧Ｖｆを測定条件５５としてドライバ１１にフィードバックし、後続のＩＭＳデータ５１を候補データセット７５のランキングをさらに明確に特定するために有用なデータに変えることができる。

このように、このＯＬＰ１０においては予測モデルにより、および／または確率的な要素を加えて仮想データセット７１を生成し、それにより探索の対象となるデータセット７１を増やし探索空間を広げる。仮想データセット７１を増やすことにより、予測モデルおよび環境情報６０により確率的および発見的な論理を組み込んでセンサー１のオブジェクトに近い仮想データセット７１を生成することによりＩＭＳデータ５１に近い仮想データセット７１を増やし、それとともに、探索空間が無限に広がるような事態を防止している。したがって、結果的には、ＩＭＳデータ５１に近い仮想データセット７１が増加し、実質的に探索すべき空間は大幅に縮まり、適当な時間内でオブジェクトに近い１または複数の成分または製品を選択することができ、それらをランキング表示させることができる。

図４に、センサー１により測定されたオブジェクトを推定する方法の一例をフローチャートにより示している。ステップ１０１において、センサー１の測定条件５５をセットする。ＦＡＩＭＳセンサーの場合、電界電圧Ｖｆおよびデューティーなどのセンサーの基本的な動作を決めるパラメータを設定し、補償電圧Ｖｃの変動範囲を設定することにより、正電荷のイオンおよび負電荷のイオンの測定強度を示すスペクトルが測定結果として得られる。

測定済みのデータセット（ＩＭＳデータ）５１の一例は、ある電圧Ｖｆにおけるスペクトルである。ＩＭＳデータ５１は、複数の電圧Ｖｆにおいて得られる複数のスペクトルの組み合わせであってもよく、スペクトルの特徴がデジタルデータに変換された情報であってもよい。センサー１の測定条件５５のセットは、ＯＬＰ１０が行ってもよく、端末２が自動的に適当な測定条件５５をセットしてもよい。

ステップ１０２において、ＯＬＰ１０は、端末２からセンサー１の測定済みのデータセットであるＩＭＳデータ５１と、環境情報６０とを受信する。ＯＬＰ１０が端末２に内蔵されていてもよいことは上述した通りである。環境情報６０には、上述した物理的な情報６１およびアプリケーション情報６２に含まれる数多くの種類の情報が含まれていることが望ましい。しかしながら、この方法１００およびＯＬＰ１０においては、予測モデルを用いて仮想データセット７１を生成するのに加え、確率的な手段で仮想データセット７１を生成することを含む。このため、環境情報６０に含まれている情報量が限られている場合、あるいは環境情報６０がほとんど得られない場合であっても、センサー１が測定している環境条件にマッチした仮想データセット７１を生成できる可能性がある。

まず、確率的生成ユニット２２０が、ステップ１０３において、得られた環境情報６０と、既存のデータセット８１とから、確率的に仮候補データセット７２、初期関数２５および初期値２６を生成する。生成ユニット２２０は、端末２がセンサー群６９のいずれも搭載しておらず、物理的な情報６１が得られない状況であっても、アプリケーション情報６２に含まれる位置情報、日時の情報などから、できる限りの物理的な情報６１を推定することができる。また、ＯＬＰ１０は、端末２のユーザーに対して「暑い、寒い」、「何度程度」、「天候」「蒸し暑い」などの質問を行うことにより、精度は低いが物理的な情報６１を得ることが可能である。

確率的生成ユニット２２０は、さらに、ステップ１０４において、仮想データセット７５をメタヒューリックな反復アルゴリズムを用いて確率的および発見的に生成する。反復アルゴリズムには、シミュレーテッドアニーリング法、平均場アニーリング、遺伝的アルゴリズム、免疫的アルゴリズムなどが含まれ、これらのいずれかあるいは複数を組み合わせて用いてもよい。

ステップ１０３および１０４は、確率的生成ユニット２２０が仮想データセット７５を確率的に求める一例である。ステップ１０３において、既存の複数のデータセット８１の中から第１の環境情報６０に適する複数のデータセットを相対的に高い確率で組み合わせて複数の第２の変換済みのデータセット（仮候補データセット）７２を生成し、ステップ１０４において、複数の第２の変換済みのデータセット７２を理論的および／または実験的パラメータを介して組み合わせて第１の測定済みのデータセット（ＩＭＳデータ）に近い特徴点情報１９をターゲットに複数の仮想データセット７１を確率的に発見している。

確率的に求める工程の他の例は、
・既存の複数のデータセット８１を第１の環境情報６０に基づき理論的および／または実験的に変化させた複数の第１の変換済みのデータセットを生成することと、
・複数の第１の変換済みのデータセットを確率的に組み合わせて複数の仮想データセット７１を生成することとを含むものである。複数の仮想データセット７１を生成する工程は、複数の第１の変換済みのデータセットを組み合わせて第１の測定済みのデータセットに近い複数の仮想データセット７１を確率的に発見することを含んでもよい。

確率的に求める工程の他の例は、既存の複数のデータセット８１の中から第１の環境情報６０に適する複数のデータセットを相対的に高い確率で組み合わせて複数の仮想データセット７１を生成することを含むものである。

ＯＬＰ１０では、さらに、シミュレータ２１０が、ステップ１０５において、既存の複数のデータセット８１を第１の環境情報６０をパラメータとするモデルにより変換して複数の仮想データセット７１を生成する。このステップ１０５においては、特徴点情報１９により、既存の複数のデータセット８１の中から適当な１または複数のデータセットを単独で、または組み合わせて予測モデルにより変換して仮想データセット７１を生成してもよい。

ステップ１０３および１０４の確率的に仮想データセット７１を生成するプロセスと、ステップ１０５の予測モデルにより仮想データセット７１を生成するプロセスとは並列して実行してもよく、いずれか一方のプロセスを選択して仮想データセット７１を生成してもよい。

ＯＬＰ１０は、さらにステップ１０６において、出力ユニット３０を用いて、仮想データセット７１を含む１または複数の候補データセット７５をオブジェクトに近い順番にランキングして表示できるようにする。ステップ１０５では、複数の候補データセット７５を、それらが導かれる過程、たとえば、反復アルゴリズムエンジン２２における収束度などの情報に基づきランキングしてもよく、新たに、特徴点だけではなく、生のあるいは生に近いＩＭＳデータ５１と候補データセット７５との距離を再計算してランキング表示してもよい。

この推定方法１００においては、センサー１により測定されたＩＭＳデータ５１を受け取り（ステップ１０２）、既得の複数のデータセット８１を確率的に組み合わせて複数の仮想データセットを生成し（ステップ１０３および１０４）、複数の仮想データセット７５を含む暫定的な集合の中からＩＭＳデータ５１に近い少なくとも１つの候補を選択する（ステップ１０５）ことを含む。

ＤＭＳなどのイオン移動度に基づく物理量を測定するセンサーに限定されないが、センサーにより得られるデータセットにおいて測定対象物の特徴の出現パターンは様々な要素の影響を受ける。したがって、既存のデータセットにそれらの要素の影響を受けたデータセットが含まれている確率は小さい。さらに、既存のデータセットに含まれる測定対象を示すデータセットが、様々な要素の影響を受けた測定済みのデータセットに最も近い可能性は低い。既存のデータセットに含まれる測定対象を示すデータセットの各要素による出現パターンを予想したり推定することは可能かもしれない。しかしながら、出現パターンに影響を与えるすべての要素が事前に得られることは少ない。また、出現パターンに影響を与える全ての要素と、それらの要素による影響が全て判明していることは少ない。

この推定方法１００においては、既存の複数のデータセットを確率的に組み合わせることにより仮想的に探索対象（探索空間）を広げ、測定済みのデータセットに近い仮想（仮装）データセットを確率的に増やし、測定済みのデータセットの近くに測定対象物またはそれに近い仮想データセットが配置されるようにしている。そして、そのような探索空間を探索することにより、出現パターンに影響を与えるすべての要素が事前に得られなくても、また、出現パターンに影響を与える全ての要素と、それらの要素による影響が全て判明していなくても、測定対象物またはそれに近い候補が得られる可能性があり、測定対象物（オブジェクト）の推定確率を向上できる。

さらに、この方法においては、測定済みのデータセットの測定環境を示す環境情報６０を受け取るステップを設け、複数の仮想データセットを生成する工程は、既得の複数のデータセット８１を環境情報６０により制御された確率で組み合わせて複数の仮想データセット７１を生成することを含む。環境情報６０により仮想（仮装）データセット７１の生成される範囲を限定できる可能性があるので、探索空間を狭くでき、オブジェクトの推定に要する時間を短縮できる。

上記に示した処理装置１０および推定方法１００はＦＡＩＭＳをセンサーとしたときの一例であり、センサーはＦＡＩＭＳに限定されず、ＤＭＳあるいはＴＯＦ（飛行時間型）ＩＭＳなどの他の方式のＩＭＳに対しても適用できる。さらに、幾つかの要素および／または要因が複雑に関連した系の出力を測定することの多いセンサーの測定および測定対象を推定することを要するシステムに広く適用できる。

また、処理装置１０は、ネットワーク上に存在してもよく、センサー１とともに端末２などの装置に搭載されていてもよく、また、処理装置１０は既存のデータセット８１を含むデータベース８０を搭載していてもよい。また、推定方法１００および処理装置１０は、ハードウェア論理としてＬＳＩなどのハードウェアに実装することが可能である。推定方法１００および処理装置１０は、さらに、ソフトウェア（プログラム、プログラム製品）として適当なハードウェア資源を有するコンピュータで実行されるように適当な記録媒体に記録して、あるいはネットワークを介して提供することも可能である。

この処理装置１０および方法１００（以降ではＯＬＰ）は、環境パラメータ（温度、湿度、圧力、フローレートなど）の変動に対して高い探索能力を持つ。したがって、セキュリティ、工程管理・監視を含む様々なアプリケーションに適用可能である。また、ＯＬＰは、新しい化学物質の登録・管理を含むデータベース管理システムも提供する。さらに、ＯＬＰは、解析・検索エンジンモジュールとしての機能を含み、常時モニタリングの異物検出などを容易に行うためのＧＵＩベースの解析・検索エンジンを提供する。また、ＯＬＰは、検出対象物質に最適となるようにデータサンプリングポイントをカスタマイズする機能を備えたデータ収集モジュールとしての機能を含む。さらに、ＯＬＰは、プリプロセス・解析処理用の多様なアルゴリズムに対応するＡＰＩを提供する。したがって、今後開発されるまたはユーザーが用意する解析アルゴリズムによる機能拡張が可能になる。さらに、ＯＬＰは、クラウドコンピューティングに向けたＡＰＩを提供することも可能であり、インターネットを利用したサーバ・クライアントシステムの構築を可能にする。

ＯＬＰが適用できる分野は様々であり、リアルタイム分析や検知、脅威検出、匂い香り分析、微量化学物質の特定等には好適である。食品加工・プロセス監視、セキュリティ、匂い香りビジネス、医用・医療分野、嗅覚処理の研究分野、水処理分野、エンターテイメントのコンテンツ開発が含まれる。たとえば、飲料・食品品質管理、医薬品の品質管理の分野においては、食品にとって危険な物質や安全性上の問題のある化学物質の検出や特定が重要であり、ＯＬＰを適用することによる解決が望まれている。

セキュリティの分野では、ある程度のスピード処理とそれ以上に確実な検出が重要であり、ＯＬＰを適用することにより誤動作を少なくして、検出確度と精度を向上できる可能性がある。また、テロ対策のような爆発物質や危険物質検出は、常時最新情報に対するＤＢ更新やＤＢ化することにより、短時間で効率良く、登録・管理する機能が要求される。ＯＬＰは、実際のアプリケーション現場からのフィードバックを含めて柔軟性が高く、これらの要望に答えられる可能性がある。

健康管理市場、室内空調機モニタの分野、たとえば、ブレス・モニタリングでは特定の疾病や難病と生体反応の結果としての呼気との因果関係が指摘されており、ＯＬＰを適用することによりモニタリング機能を簡単に提供できる可能性がある。その他のコンシューマアプリケーションの分野では、ＯＬＰは半導体デバイス技術をベースにした製品展開およびビジネス展開が可能であり、様々なユーザーに対して手軽に利用できる分析技術を提供できる。

Claims (23)

1. 第１のセンサーにより測定された第１の測定済みのデータセットおよび前記第１の測定済みのデータセットの測定環境を示す第１の環境情報を受け取るインターフェイスと、
   データベースから既存の複数のデータセットを前記第１の環境情報により制御された条件で変換して複数の仮想データセットを生成する生成ユニットと、
   前記複数の仮想データセットを含む暫定的な集合の中から前記第１の測定済みのデータセットに近い少なくとも１つの候補を選択して出力する出力ユニットとを有し、
   前記第１のセンサーは化学物質のイオン移動度に基づく物理量を測定するイオン移動度スペクトロメータであり、
   前記生成ユニットは、
   前記既存の複数のデータセットを、前記第１のセンサーとは異なるセンサーであって、温度、湿度、圧力、流量の少なくともいずれかを測定するセンサーにより取得される複数の異なる情報を含む前記第１の環境情報をパラメータとするモデルであって、前記既存の複数のデータセットそれぞれの化学物質のイオン移動度のモデルを用いて変換して前記複数の仮想データセットを生成するシミュレータを含む、装置。
2. 請求項１において、前記生成ユニットは、前記データベースから取得された前記既存の複数のデータセットを前記第１の環境情報により制御された確率で組み合わせて前記複数の仮想データセットを生成するユニットを含む、装置。
3. 請求項１または２において、前記生成ユニットは、
   前記既存の複数のデータセットを前記第１の環境情報に基づき理論的および／または実験的に変化させた複数の第１の変換済みのデータセットを生成するユニットと、
   前記複数の第１の変換済みのデータセットを組み合わせて前記第１の測定済みのデータセットに近い前記複数の仮想データセットを確率的に見出すユニットとを含む、装置。
4. 請求項１ないし３のいずれかにおいて、前記生成ユニットは、
   前記既存の複数のデータセットの中から前記第１の環境情報に適する複数のデータセットを相対的に高い確率で組み合わせて前記複数の仮想データセットを生成するユニットを含む、装置。
5. 請求項１ないし４のいずれかにおいて、前記生成ユニットは、
   前記既存の複数のデータセットの中から前記第１の環境情報に適する複数のデータセットを相対的に高い確率で組み合わせて複数の第２の変換済みのデータセットを生成するユニットと、
   前記複数の第２の変換済みのデータセットを理論的および／または実験的パラメータを介して組み合わせて前記第１の測定済みのデータセットに近い前記複数の仮想データセットを確率的に見出すユニットとを含む、装置。
6. 請求項１において、前記シミュレータは、
   前記既存の複数のデータセットの中の前記第１の環境情報に適する複数のデータセットを前記モデルにより変換するために選択するユニットを含む、装置。
7. 請求項１または７において、さらに
   前記第１の測定済みのデータセットの特徴点を抽出するユニットを有し、
   前記シミュレータは、前記既存の複数のデータセットの中の前記特徴点が共通する複数のデータセットを前記モデルにより変換するために選択するユニットとを含む、装置。
8. 請求項１ないし５、７および８のいずれかにおいて、前記出力ユニットは、前記インターフェイスから前記第１のセンサーにより測定された第２の測定済みのデータセットおよび前記第２の測定済みのデータセットの測定環境を示す第２の環境情報により選択された前記第２の測定済みのデータセットに近い少なくとも１つの候補および前記第１の測定済みのデータセットに近い少なくとも１つの候補に共通する候補を出力するユニットを含む、装置。
9. 請求項１ないし５および７ないし９のいずれかにおいて、前記第１の環境情報は、第２のセンサーにより測定された、前記第１のセンサーの測定環境を示すデータ、第３のセンサーにより測定された位置情報、カメラまたは外部入力インターフェイスを介して入力されたアプリケーション情報の少なくともいずれかを含む、装置。
10. 請求項１ないし５および７ないし１０のいずれかにおいて、前記第１のセンサーに対し測定条件を出力するセンサー制御ユニットを有する、装置。
11. 請求項１ないし５および７ないし１１のいずれかにおいて、前記第１のセンサーを有する装置。
12. 請求項１ないし５および７ないし１２のいずれかにおいて、前記データベースを有する装置。
13. 請求項１ないし５および７ないし１３のいずれかにおいて、前記出力ユニットは、前記候補の製品名を出力する、装置。
14. 請求項１ないし５および７ないし１４のいずれかに記載の装置としてコンピュータを機能させるプログラム。
15. 第１のセンサーにより測定されたデータを処理装置が処理する方法であって、
    前記処理装置が前記第１のセンサーにより測定された第１の測定済みのデータセットを受け取ることと、
    前記処理装置が前記第１の測定済みのデータセットの測定環境を示す第１の環境情報を受け取ることと、
    前記処理装置が既存の複数のデータセットを前記第１の環境情報により制御された条件で変換して複数の仮想データセットを生成することと、
    前記処理装置が前記複数の仮想データセットを含む暫定的な集合の中から前記第１の測定済みのデータセットに近い少なくとも１つの候補を選択することとを有し、
    前記第１のセンサーは化学物質のイオン移動度に基づく物理量を測定するイオン移動度スペクトロメータであり、
    前記処理装置は、前記既存の複数のデータセットをそれぞれの化学物質のイオン移動度のモデルを用いて変換して前記複数の仮想データセットを生成するシミュレータを含み、
    前記生成することは、前記第１のセンサーとは異なるセンサーであって、温度、湿度、圧力、流量の少なくともいずれかを測定するセンサーにより取得される複数の異なる情報を含む前記第１の環境情報をパラメータとして、前記既存の複数のデータセットを前記シミュレータにより変換して前記複数の仮想データセットを生成することを含む、方法。
16. 請求項１６において、
    前記複数の仮想データセットを生成することは、前記既存の複数のデータセットを前記第１の環境情報により制御された確率で組み合わせて前記複数の仮想データセットを生成することを含む、方法。
17. 請求項１６または１７において、前記複数の仮想データセットを生成することは、
    前記既存の複数のデータセットを前記第１の環境情報に基づき理論的および／または実験的に変化させた複数の第１の変換済みのデータセットを生成することと、
    前記複数の第１の変換済みのデータセットを確率的に組み合わせて前記複数の仮想データセットを生成することとを含む、方法。
18. 請求項１８において、前記複数の仮想データセットを生成することは、前記複数の第１の変換済みのデータセットを組み合わせて前記第１の測定済みのデータセットに近い前記複数の仮想データセットを確率的に見出すことを含む、方法。
19. 請求項１６ないし１９のいずれかにおいて、前記複数の仮想データセットを生成することは、前記既存の複数のデータセットの中から前記第１の環境情報に適する複数のデータセットを相対的に高い確率で組み合わせて前記複数の仮想データセットを生成することを含む、方法。
20. 請求項１６ないし２０のいずれかにおいて、前記複数の仮想データセットを生成することは、
    前記既存の複数のデータセットの中から前記第１の環境情報に適する複数のデータセットを相対的に高い確率で組み合わせて複数の第２の変換済みのデータセットを生成することと、
    前記複数の第２の変換済みのデータセットを理論的および／または実験的パラメータを介して組み合わせて前記第１の測定済みのデータセットに近い前記複数の仮想データセットを確率的に見出すこととを含む、方法。
21. 請求項１６において、前記モデルにより変換して複数の仮想データセットを生成することは、
    前記既存の複数のデータセットの中の前記第１の環境情報に適する複数のデータセットを前記モデルにより変換して前記複数の仮想データセットを生成することを含む、方法。
22. 請求項１６または２３において、前記モデルにより変換して複数の仮想データセットを生成することは、
    前記第１の測定済みのデータセットの特徴点を抽出することと、
    前記既存の複数のデータセットの中の前記特徴点が共通する複数のデータセットを前記モデルにより変換して前記複数の仮想データセットを生成することとを含む、方法。
23. 請求項１６ないし２１、２３および２４のいずれかにおいて、前記第１のセンサーにより測定された第２の測定済みのデータセットを受け取ることと、
    前記第２の測定済みのデータセットの測定環境を示す第２の環境情報を受け取ることと、
    既存の複数のデータセットを前記第２の環境情報により制御された条件で変換して複数の仮想データセットを生成することと、
    前記複数の仮想データセットを含む暫定的な集合の中から前記第２の測定済みのデータセットに近い少なくとも１つの候補を選択することと、
    前記第１の測定済みのデータセットに近い少なくとも１つの候補および前記第２の測定済みのデータセットに近い少なくとも１つの候補に共通する候補を選択することとを有する、方法。

Images