JP6294333B2 - 分光装置および分光法 - Google Patents

Description

本発明は分光装置および分光法に関する。それは、ラマンの分光法に特に有用であるが、それは、他の形態の分光法で、例えば、細線フォトルミネッセンス、蛍光発光、陰極線ルミネセンス、紫外可視（ＵＶ Ｖｉｓ）、核磁気共鳴（ＮＭＲ）、中赤外（ｍｉｄ−ＩＲ）、または近赤外（ＮＩＲ）に使用することもできる。

ラマン効果はサンプル（試料）による光の非弾性散乱である。ラマン分光法では、サンプルが単色レーザ光で照射され、次に、散乱光が、例えばモノクロメータの回折格子などの分散デバイスによって分散されて、ラマンスペクトルと呼ばれるスペクトルを発生する。ラマンスペクトルは、電荷結合デバイス（ＣＣＤ）などの検出器で検出される。ラマン分光装置の例は、参照により明細書に組み込まれる特許文献１および特許文献２から分かる。

異なる化合物は異なる特徴的なラマンスペクトルを有する。したがって、ラマン効果を使用して、サンプルに存在する化合物を分析することができる。

検出されたスペクトルは、特に生体試料では、強度がラマンスペクトルよりも桁違いに大きいバックグラウンド信号と一緒に、ラマンスペクトルを含む。このバックグラウンド信号は、一般に、とりわけ、ラマン装置のサンプルを支持する基板、蛍光、および対物レンズが原因である。ラマンスペクトルを分析するには、多くの場合、最初に、バックグラウンド源に起因し得る、検出されたスペクトルのうちの比率を識別することが必要である。

非特許文献１は、多項式フィッティング技法および既知のスペクトル不純物の基準スペクトルを使用してラマン信号からバックグラウンドを除去するのを自動化する方法を開示している。説明されている例では、顕微鏡用スライドガラスが既知の不純物である。

この方法は反復アルゴリズムを含み、まず第一に、バックグラウンド成分の推定値が、検出されたスペクトルとして設定される。初期推定値は既知の不純物の濃度から作成され、推定されたバックグラウンドと、既知の不純物による推定された寄与との間の残余に多項式がフィッティングされる。多項式と、既知の不純物の推定された寄与とは、一緒になって、バックグラウンドの現在の推定値を形成する。バックグラウンドの現在の推定値を前の推定値と比較し、波数ごとに最小値を保持することによって、次の反復のためのバックグラウンドの新しい推定値が決定される。

バックグラウンドの一因となっているスペクトル成分の知見を必要としない、バックグラウンドを自動的に推定するための技法を有することが望ましい。

非特許文献２は、多項式をスペクトルにフィッティングさせることを含む蛍光バックグラウンドを推定する反復法を開示している。第１の反復において、多項式は未処理ラマンスペクトルにフィッティングされる。連続する反復ごとに、多項式は修正されたスペクトルにフィッティングされる。第１の反復において、修正されたスペクトルがピーク除去ステップを使用して形成され、波数ごとに、多項式と値ＤＥＶとの和に等しい値と、未処理データ値とのうちのより低いものが保持される。ＤＥＶは、多項式が未処理ラマンデータから差し引かれたときに残っている残留成分の標準偏差である。後続の反復では、修正されたスペクトルは、多項式と、多項式がフィッティングされた修正されたスペクトルとのうちのより低い値を保持することによって形成される。

多項式がラマンデータに反復してフィッティングされる、蛍光バックグラウンドを推定する他の方法が、非特許文献３および非特許文献４に開示されている。

米国特許第５，４４２，４３８号明細書 米国特許第５，５１０，８９４号明細書

Ｂ． Ｄ． Ｂｅｉｅｒ ａｎｄ Ａ． Ｊ． Ｂｅｒｇｅｒ， Ｔｈｅ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ ｏｆ Ｃｈｅｍｉｓｔｒｙ， ２００９， １３４， １１９８−１２０２ Ａｕｔｏｍａｔｅｄ Ａｕｔｏｆｌｕｏｒｅｓｃｅｎｃｅ Ｂａｃｋｇｒｏｕｎｄ Ｓｕｂｔｒａｃｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｂｉｏｍｅｄｉｃａｌ Ｒａｍａｎ Ｓｐｅｃｔｒｏｓｃｏｐｙ， Ｊｉａｎｈｕａ Ｚｈａｏ， Ｈａｒｖｅｙ Ｌｕｉ， Ｄａｖｉｄ Ｉ． ＭｃＬｅａｎ ａｎｄ Ｈａｉｓｈａｎ Ｚｅｎｇ， Ａｐｐｌｉｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ， Ｖｏｌｕｍｅ ６１， ｎｕｍｂｅｒ １１， ２００７， ｐａｇｅｓ １２２５−１２３２ Ａｕｔｏｍａｔｅｄ Ｍｅｔｈｏｄ ｆｏｒ Ｓｕｂｔｒａｃｔｉｏｎ ｏｆ Ｆｌｕｏｒｅｓｃｅｎｃｅ ｆｒｏｍ Ｂｉｏｌｏｇｉｃａｌ Ｒａｍａｎ Ｓｐｅｃｔｒａ， Ｃｈａｄ Ａ． Ｌｉｅｄｅｒ ａｎｄ Ａｎｉｔａ Ｍａｈａｄｅｖａｎ−Ｊｅｎｓｅｎ， Ａｐｐｌｉｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ， Ｖｏｌｕｍｅ ５７， Ｎｕｍｂｅｒ １１， ２００３， ｐａｇｅｓ １３６３ ｔｏ １３６７ Ｂａｓｅｌｉｎｅ Ｃｏｒｒｅｃｔｉｏｎ Ｂｙ Ｉｍｐｒｏｖｅｄ Ｉｔｅｒａｔｉｖｅ Ｐｏｌｙｎｏｍｉａｌ Ｆｉｔｔｉｎｇ ｗｉｔｈ Ａｕｔｏｍａｔｅｄ Ｔｈｒｅｓｈｏｌｄ， Ｆｅｎｇ Ｇａｎ， Ｇｕｉｈｕａ Ｒｕａｎ， Ｊｉｎｙｕａｎ Ｍｏ， Ｃｈｅｍｏｍｅｔｒｉｃｓ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ Ｌａｂｏｒａｔｏｒｙ Ｓｙｓｔｅｍｓ， ８２ （２００６）， ｐａｇｅｓ ５９−６５

本発明の第１の態様によれば、スペクトルデータのバックグラウンド放射を推定する方法が提供され、この方法は、多項式を基準データに反復してフィッティング（近似）させるステップと、多項式からの基準データの許容偏差を決定するステップと、多項式からの許容偏差を超える基準データまたはスペクトルデータのデータ点をクリップして、終了基準が満たされるまで次の反復に基準データを供給するステップとを含み、基準データは、最初、スペクトルデータに基づいている。

多項式は、サンプルのラマンスペクトルの急なスパイクよりもバックグラウンドのゆっくり変動するスペクトルに非常に密接にフィッティング（近似）される傾向がある。したがって、多項式からの許容偏差を超える基準データまたはスペクトルデータのデータ点をクリップすることにより、なお一層ゆっくり変動するバックグラウンド成分を保持しながら鋭いラマンスペクトルを基準データから除去することができる。このように、バックグラウンドを推定するために不純物について仮定する必要がない可能性がある。最終反復の多項式は、バックグラウンド放射の推定値を形成することができる。しかしながら、さらなる処理ステップを実行して、バックグラウンド放射の最終推定値を得ることができる。

多項式は、スプライン曲線、特に、三次スプラインとすることができる。この方法は、事前定義された数のアンカー点（ノット）を使用してスプライン曲線を基準データにフィッティング（近似）させるステップを含むことができる。この方法はコンピュータで実装され、アンカー点の数はユーザによって事前定義され得る。アンカー点の数は、スペクトルデータまたはラマンピークの予想される幅を得るために使用される分光装置の分解能に基づいて事前定義され得る。

スプライン曲線をフィッティングさせるステップは、アンカーの場所を識別するステップを含むことができる。アンカーの場所の識別は、基準データまたはスペクトルデータに基づくことができる。反復ごとのアンカーの場所は、アルゴリズムを使用して自動的に識別され得る。

許容偏差は、多項式からの基準データまたはスペクトルデータという偏差の尺度に基づくことができる。例えば、偏差の尺度は多項式からの基準データの平均偏差とすることができ、許容偏差は平均偏差のＭ倍とすることができる。好ましくは、尺度は、多項式からの基準データの二乗平均平方根ＲＭＳである。しかしながら、許容偏差は、標準偏差、正の偏差のみの平均、または負の偏差のみの平均などの他の好適な尺度に基づくことができることが理解されよう。

別の実施形態では、許容偏差は、基準データのノイズの推定値に基づく。ノイズは、基板および対物レンズおよび蛍光のスペクトル特徴などのバックグラウンドの他の特徴、およびサンプルのラマンスペクトルと比較して、比較的小さいスペクトルデータの変動である。そのようなノイズは、とりわけ、光検出器および処理回路の電子ノイズによって発生され得る。ノイズの推定値は、スペクトルデータまたは基準データから推定され得る。ノイズは、スペクトルデータもしくは基準データの各点とその最近接の点との間のＲＭＳ変動などの平均変動、またはスペクトルデータもしくは基準データの各局所最小点とその最近接点との間のＲＭＳ変動などの平均変動（ここで、局所最小点とは、その点がその隣りの両方の点よりも小さいという意味での局所最小）から推定され得る。あるいは、ノイズの推定値は、多項式からの基準データの偏差／バックグラウンド放射の推定値に基づくことができる。スペクトルデータに基づいたノイズの推定値は、ラマンピークの存在のためにノイズを過大評価することがある。ラマンピークからの寄与のうちの少なくとも一部は基準データを形成するためにクリップされており、それゆえに、基準データに基づいたノイズの推定値はより正確となり得る。好ましくは、ノイズの最終／真の推定値は、最終反復によって供給される基準データを使用して作成される。

ノイズのこの最終／真の推定値は、スペクトルデータのさらなる分析に、例えば、スペクトルデータに存在する複数のラマンスペクトル／１つのラマンスペクトルを識別するときに使用され得る。例えば、ノイズの推定値は、スペクトルデータへのラマンスペクトルのモデルのフィッティングを評価するときに使用され得る。

したがって、本発明の１つの態様では、スペクトルデータのノイズを推定する方法が提供され、この方法は、ラマンピークに対応するとして識別されたデータ点をスペクトルデータから除去するステップと、残りのデータ点からスペクトルデータのノイズを推定するステップとを含む。

クリップするステップは、基準データまたはスペクトルデータからデータ点を間引くステップ、すなわち、除去するステップを含むことができる。あるいは、クリップするステップは、データ点を多項式からの特定の値、好ましくは、多項式からの値Ｍ×平均偏差に設定するステップを含むことができる。

終了基準は、クリップするステップが反復において行われないときとすることができる。さらに、またはあるいは、終了基準は、反復の最大数とすることができる。

１つの実施形態では、基準データは、最初、スペクトルデータに等しく設定され得る。しかしながら、他の実施形態では、ある程度の前処理がスペクトルデータに対して実行され得る。

この方法は、基準データにフィッティングさせる多項式の次数を決定するステップを含むことができる。

したがって、本発明の第２の態様によれば、スペクトルデータのバックグラウンド放射を推定する方法が提供され、この方法は、スペクトルデータのバックグラウンド放射の推定値を発生させ、各推定値は異なる次数の多項式をスペクトルデータにフィッティングさせることに基づくステップと、バックグラウンド放射を推定するために使用する多項式の次数と、および／または、バックグラウンド放射の推定値のうちの１つを、異なる次数の多項式のフィッティングに適用されるフィッティング基準に基づいて選択するステップとを含む。

この方法は、フィッティング基準に従ってバックグラウンド放射の推定値を発生させるときに使用するための最も好適な次数の多項式を自動的に探索する。このようにして、フィッティング基準に従った「最良の」次数の多項式がバックグラウンドの推定のために使用される。

この方法は、対象のスペクトル成分を除去するようにクリップされたスペクトルデータに対応する基準データに多項式をフィッティングさせるステップであり、フィッティング基準は基準データへの多項式のフィッティングの尺度に対応する、ステップを含むことができる。

この方法は、フィッティング基準が満たされるかまたは満たされなくなるまで、バックグラウンド放射の推定値を発生するステップを含むことができる。選択された多項式の次数および／または推定値は、推定値の発生を終了させた多項式の次数に基づくことができる。

あるいは、推定値の発生を終了するステップはフィッティング基準とは別の基準に基づき、次に、発生された推定値は、バックグラウンド放射を推定するために使用する多項式の次数および／またはバックグラウンド放射の推定値のうち１つを選択するためのフィッティング基準に基づいて探索され得る。

多項式の次数および／または推定値は、フィッティングがフィッティング基準を満たす、推定値を発生するために使用される最大次数の多項式に基づいて選択され得る。

１つの実施形態では、各推定値を発生させる方法は、本発明の第１の態様によるものなどの反復法である。

フィッティング基準は、反復法が終了する前に必要とされる反復の数、典型的には、最大数とすることができる。例えば、異なる次数の多項式がスペクトルデータにフィッティングされて、設定された数の反復内でスペクトルデータにフィッティングされ得る最大次数の多項式を見いだすことができる。これは、フィッティングの安定性の尺度としての役割を果たすことができる。

フィッティング基準は、フィッティングされた多項式の最高次多項式係数の統計的有意性を含むことができる。この方法は、推定値を発生するのに使用される最高次多項式係数の統計的有意性を決定するステップと、決定された統計的有意性に基づいてより高いまたはより低い多項式次数を使用して推定値を生成するステップとを含むことができる。例えば、推定値は、次数ｎの多項式をスペクトルデータにフィッティングさせ、フィッティングされた多項式の最高次項を削除し、最高次項をもつ多項式を推定値へフィッティングした場合と、最高次項をもたない多項式の推定値へフィッティングした場合との間で統計的に有意な差があるかどうかを決定することによって推定値を生成し得る。統計的に有意な差がある場合、推定値は、ｎ＋１などのより高い次数の多項式を使用して発生される。しかしながら、統計的に有意な差がない場合、推定値は、ｎ−１などのより低い次数の多項式を使用して発生される。これらのステップは、多項式の次数を増加するシーケンスまたは減少するシーケンスが終わるまで繰り返され得る（理由は、多項式次数を増加させるシーケンスの場合に最高次項がもはや統計的に有意でないから、または多項式次数を減少するシーケンスの場合に最高次項が統計的に有意となるため）。最高次項の統計的有意性は、スペクトルデータのノイズの推定値に基づいて決定され得る。例えば、最高次項によって引き起こされた大きさの変化がスペクトルデータの推定されたノイズ内にある場合などである。

フィッティング基準は、フィッティングされた多項式に対する推定値の必要とされる分布とすることができる。例えば、フィッティング基準は、推定値とフィッティングされた多項式との間の局所変動と、フィッティングされた多項式に対する推定値の全体的変動との比較に関連し得る。これは、各点での推定値とフィッティングされた多項式との間の差と、データ点のすべてに対する平均変動との比較とすることができ、これが許容閾値内にあるかどうかとすることができる。変動が平均よりも非常に大きい領域、すなわち、２つ以上の連続する点が存在する場合、推定値は、より高い次数の多項式を使用して生成され得る。

本発明の第３の態様によれば、プロセッサを含む装置が提供され、プロセッサは、本発明の第１および／または第２の態様の方法を実行ように配列される。

本発明の第４の態様によれば、プロセッサによって実行されると、プロセッサに本発明の第１および／または第２の態様の方法を実行させる命令をその上に記憶しているデータキャリアが提供される。

データキャリアは、揮発性メモリ、例えばＲＡＭ、不揮発性メモリ、例えばＲＯＭ、フラッシュメモリ、およびハードディスク、光ディスクなどのデータ記憶デバイスなどの非一時データキャリア、または電子もしくは光信号などの一時データキャリアとすることができる。

本発明の第４の態様によれば、スペクトルデータのバックグラウンド放射を推定する方法が提供され、この方法は、反復して、分析曲線を基準データにフィッティングさせるステップと、分析曲線からの基準データの許容偏差を決定するステップと、分析曲線からの許容偏差を超える基準データまたはスペクトルデータのデータ点をクリップして、終了基準が満たされるまで次の反復に基準データを供給するステップとを含み、基準データは、最初、スペクトルデータに基づく。

分析曲線は、スプライン曲線などの多項式、または数学演算を使用して構築され得る他の好適な連続曲線とすることができる。

次に、本発明の実施形態が、添付図面を参照しながら、単に例として、説明される。

本発明の１つの実施形態による装置を示す図である。 本発明の１つの実施形態によるバックグラウンド放射を推定する方法を示す流れ図である。 本発明の１つの実施形態によるバックグラウンド放射を推定するときに使用するための多項式次数を識別する方法を示す流れ図である。 本発明の別の実施形態によるバックグラウンド放射を推定する方法を示す流れ図である。

図１を参照すると、本発明による装置は、メモリ２９へのアクセス権を有するコンピュータ２５に接続されたラマン分光器を含む。

ラマン分光器は、光路に対して４５度で配置されたダイクロイックフィルタ１２によって９０度反射された入力レーザビーム１０を含む。あるいは、ホログラフィックダイクロイックフィルタが、１０度などの小さい入射角で配置され得る。次に、レーザビームは対物レンズ１６に進み、それは、サンプル１８上の焦点１９でそれをスポットに収束する。光はこの照明スポットでサンプルによって散乱され、対物レンズ１６によって捕集され、平行ビームにコリメートされ、それはダイクロイックフィルタ１２に戻る。フィルタ１２は、入力レーザビーム１０と同じ周波数を有するレーリー散乱光を阻止し、ラマン散乱光を通す。次に、ラマン散乱光はラマン分析器２０に進む。

ラマン分析器２０は、回折格子などの分散要素を含む。分析器２０からの光は、レンズ２２によって好適な光検出器上に収束される。光検出器アレイが好ましい。本実施形態では、検出器２４は、画素の２次元アレイからなる電荷結合素子（ＣＣＤ）であり、それはコンピュータ２５に接続され、それは画素の各々からのデータを取得し、必要に応じてそれを分析する。分析器２０は、ＣＣＤ２４に沿う列に広がる、破線２８で示されるような様々な帯域を有するスペクトルを生成する。

サンプル１８はＸ−Ｙテーブルに装着されることが可能であり、その結果、焦点１９は、例えばコンピュータの制御の下で、Ｘ方向およびＹ方向にそれを横切って走査され得る。次に、サンプルごとに１つのスペクトルが捕集される。

コンピュータ２５は、メモリ２９などの好適な媒体上の命令を含むソフトウェアコードによりプログラムされ、命令がコンピュータ２５のプロセッサによって実行されると、コンピュータ２５は以下で説明する分析ルーチンを行う。あるいは、得られた１つのラマンスペクトル／複数のラマンスペクトルのデータが、この分析のためのそのようなソフトウェアを有する別個のコンピュータに転送され得る。いずれの場合も、分析が進むとともに、判定された値は関係するコンピュータに記憶され、１つのサンプル／複数のサンプルの成分の濃度を示すために、さらに処理され、出力または表示され得る。分析がコンピュータ２５によって行われる場合、メモリ２９は、分析に使用される成分基準スペクトルのデータバンクをその上に記憶している。各成分基準スペクトルは、異なる化学成分または化学成分の群の典型的なラマンスペクトル（指紋）である。

スペクトルデータを処理して、存在する１つのラマンスペクトル／複数のラマンスペクトル、すなわち、サンプルに存在する化学成分を決定するために、最初に、バックグラウンド（サンプルのラマンスペクトルでないスペクトル成分）を識別して除去するか、または分析への要因として組み入れる。

図２を参照すると、スペクトルデータのバックグラウンド放射の推定値が、反復プロセスを用いて自動的に作成される。スペクトルデータの受信１０１の後、基準データは、最初、スペクトルデータに等しく設定される１０２。この基準データに対して、ｎ次多項式がフィッティングされる１０３。使用される多項式の次数は事前設定されてもよく、例えば、プロセスは５次多項式となるように事前設定されてもよい。またはあるいは図３を参照して以下で説明するように、バックグラウンドを推定するために使用される多項式の次数は好適なプロセスによって決定しても良い。

ステップ１０４において、基準データの各データ点の多項式からの偏差が決定され、その偏差の二乗平均平方根（ＲＭＳ）値が計算される。次に、基準データは、本実施形態では、多項式からの許容偏差を超える点を間引くことによって修正される。本実施形態では、許容偏差はＭ×ＲＭＳであり、ここで、Ｍは正の実数である。Ｍは、スペクトルデータのノイズに基づいてユーザによって設定され得る。

ステップ１０６において、終了基準が満たされているかどうか判定する。本実施形態では、いずれかの点がステップ１０５において間引かれた点があったかどうかが判定される。点が基準データから除去された場合、方法は次の反復に進み、多項式は修正された基準データにフィッティングされる。反復プロセスは、点がステップ１０５において間引かれなくなるまで続く。ステップ１０８において、最終反復のフィッティングされた多項式が、バックグラウンド放射の推定値として出力される。

バックグラウンド放射の推定値はラマンスペクトルを分析するためのＤＣＬＳなどの技法で使用され得る。

ラマンスペクトルのモデルをスペクトルデータにフィッティングさせる際などのさらなる処理で使用するために、推定値がスペクトルデータのノイズから作成され得る。ノイズは、最終反復によって供給される基準データの各点の間のＲＭＳ変動を計算することによって推定され得る。

別の実施形態では、ステップ１０５において、基準データを間引くのではなく、多項式が次の反復のステップ１０３においてフィッティングされるｉ＋１番目の基準データを形成するために多項式より上のＭ×ＲＭＳを超えるデータ点を除去するようにスペクトルデータが間引かれる。このようにして、前の反復で除去されたスペクトルデータの点が再導入されることがある。そのような方法を実装するために、同じ点が連続的に除去され、次に、再導入される場合などの無限ループを避けるために終了基準を導入することが必要となることがある。１つの実施形態では、ステップ１０６における終了基準は、反復プロセスが、設定された（最大の）数の反復の後終了することである。

図３を参照すると、バックグラウンドを推定する際に使用する多項式の次数を事前設定するのではなく、使用すべき多項式の次数は自動的に決定され得る。

ステップ２０１において、スペクトルデータのバックグラウンド放射の推定値が、ｎ次多項式をスペクトルデータにフィッティングさせることによって決定される。そのような推定値は、図２を参照しながら説明された方法で、または先行技術で説明されているものなどの代替方法で発生され得る。ステップ２０２において、多項式のフィッティングがフィッティング基準を満たしているかどうかに関して決定がなされる。３つのフィッティング基準がより詳細に以下で説明される。フィッティングがフィッティング基準を満たす場合さらなる推定値は、ｎ＋１次多項式を使用して発生される。フィッティングがフィッティング基準を満たさない場合推定値は、ｎ−１次多項式を使用して発生される。このプロセスを繰り返して、フィッティングが決定の結果を逆転するまで、多項式の常に増加するかまたは減少する次数を使用して推定値のシーケンスを発生させる。例えば、多項式の次数の増加を使用して推定値を発生させる場合、フィッティング基準を満たさない多項式をフィッティングさせるによって推定値が発生されたとき、プロセスは終了される。多項式の次数の減少を使用して推定値を発生させる場合、フィッティング基準を満たす多項式をフィッティングさせることによって推定値が発生されたとき、プロセスは終了される。

ステップ２０５において、フィッティングがフィッティング基準を満たす最高次の多項式を使用して発生された推定値が、バックグラウンド放射の推定値として選択される。代替の構成では、図３の方法はスペクトルデータの最初の場合にのみ使用され、次に、選択された推定値を発生させるのに使用された多項式の次数は、他のスペクトルデータの推定値を発生させるのに使用される。これは、サンプルが同じ基板によって支持されており、ラマンスペクトルが同じラマン分光装置を使用して得られるときなどに、異なるサンプルに対してバックグラウンド放射の特質が類似していると予想される状況では適切であり得る。スペクトルデータの組（セット）のバックグラウンドを推定するのに同じ次数の多項式を使用するのは、（サンプルをマッピングするために使用されるスペクトルデータのバッチ、またはある期間にわたってサンプルに関して取られるスペクトルデータのバッチなど）スペクトルデータのバッチに一貫した分析を行うのに、またはすべてデータに同時に適用される多変量技法であって、バックグラウンドの１つの推定値のみが使用され得る多変量技法において有用であり得る。

１つの実施形態では、フィッティング基準は推定値を発生させるのに必要とされる反復の最大数である。これは、フィッティングの安定性の尺度としての役割を果たすことができる。

さらなる実施形態では、フィッティング基準は、フィッティングされた多項式の最高次係数の統計的有意性である。推定値が次数ｎの多項式を使用して生成され、最終の反復でフィッティングされた多項式の最高次項が削除され、この修正（削除）された多項式を推定値にフッティングしたもの（例えば、ステップ１０８における出力）と、修正（削除）されていない多項式に対するフィッティングしたものとの間に統計的に有意な差があるかどうかに関して判定がなされる。統計的に有意な差がある場合、推定値は、ｎ＋１などのより高次の多項式を使用して生成される。しかしながら、統計的に有意な差がない場合、推定値は、ｎ−１などのより低次の多項式を使用して生成される。フィッティング基準の観点から、前に生成された推定値と異なる結果をもたらす推定値が生成されるとき、推定値の生成は終了される。統計的に有意な最高次係数を有する最高次多項式を使用して発生された推定値を使用して、バックグラウンド放射を推定する。

さらなる実施形態では、フィッティング基準は、推定値に対するフィッティングされた多項式の必要とされる分布である。解かれた多項式と推定値との間の局所変動と、解かれた多項式の推定値への全体的変動とが、比較される。これは、データ点のすべての平均変動に対する各点の間の差の比較とすることができる。この比較が許容閾値内にあるかどうかに関して決定がなされる。変動が閾値外である領域、すなわち、２つ以上の連続する点が存在する場合、推定値は、より高次の多項式を使用して発生され得る。

図４を参照すると、スペクトルデータのバックグラウンド放射を推定するための代替的実施形態が示される。本実施形態では、基準データにフィッティングされる多項式はスプライン曲線である。スプライン曲線は、アンカー点（ノットとしても知られている）で接続された複数の多項式セグメント（線分）を含む。本実施形態では、アンカー点の数はユーザによって定義される。

アルゴリズムは、基準スペクトルに基づいて従来の方法を使用してアンカー点の場所を識別し、これらの場所のアンカー点に多項式セグメントをフィッティングさせる。本実施形態では、場所は波数／周波数軸に沿って等しく隔置される。しかしながら、別の実施形態では、この軸に沿ったアンカー点の間隔は別の方法で定義されることが可能であり、例えば、より高い密度のアンカー点が、強度の変動がより大きいスペクトルの区域で使用され得る。

前のように、ステップ３０４において、基準データの各データ点のスプライン曲線からの偏差が決定され、二乗平均平方根（ＲＭＳ）値が偏差に対して計算される。次に、基準データは、本実施形態では、スプライン曲線からの許容偏差を超える点を間引くことによって修正される。本実施形態では、許容偏差はＭ×ＲＭＳであり、ここで、Ｍは正の実数である。Ｍは、ユーザによってスペクトルデータのノイズに基づいて設定され得る。

ステップ３０６において、終了基準が満たされているかどうか、本実施形態では、いずれかの点がステップ３０５において間引かれたかどうかが決定される。点が基準データから除去された場合、方法は次の反復に進み、スプライン曲線は修正された基準データにフィッティングされる。反復プロセスは、点がステップ３０５において間引かれなくなるまで続く。ステップ３０８において、最終反復のフィッティングされたスプライン曲線が、バックグラウンド放射の推定値として出力される。

Claims (20)

1. スペクトルデータのバックグラウンド放射を推定する方法であって、前記方法は、
   反復して、スプライン曲線を基準データにフィッティングさせるステップと、
   前記スプライン曲線からの前記基準データの許容偏差を決定するステップと、
   前記スプライン曲線からの前記許容偏差を超える前記基準データまたは前記スペクトルデータのデータ点を間引いて、終了基準が満たされるまで次の反復に前記基準データを供給するステップと
   を含み、前記基準データが、最初、前記スペクトルデータに基づくことを特徴とする方法。
2. 前記スプライン曲線は三次スプラインであることを特徴とする請求項１に記載の方法。
3. 事前定義された数のアンカー点を使用して前記スプライン曲線を前記基準データにフィッティングさせるステップを含むことを特徴とする請求項１または２に記載の方法。
4. 前記方法はコンピュータで実装され、前記アンカー点の数はユーザによって事前定義されることを特徴とする請求項３に記載の方法。
5. 前記アンカー点の数は、前記スペクトルデータを得るために使用される分光装置の分解能に基づいて事前定義されることを特徴とする請求項３または４に記載の方法。
6. 前記アンカー点の数は、ラマンピークの予想される幅に基づいて事前定義されることを特徴とする請求項３または４に記載の方法。
7. 前記スプライン曲線をフィッティングさせるステップは、前記アンカーの場所を識別するステップを含むことを特徴とする請求項３乃至６のいずれか一項に記載の方法。
8. 反復ごとの前記アンカーの前記場所は、アルゴリズムを使用して自動的に識別されることを特徴とする請求項７に記載の方法。
9. 前記許容偏差は、前記スプライン曲線からの前記基準データの平均偏差に基づくことを特徴とする請求項１乃至８のいずれか一項に記載の方法。
10. 前記許容偏差は、前記スプライン曲線からの前記基準データの二乗平均平方根ＲＭＳに基づくことができることを特徴とする請求項９に記載の方法。
11. 前記許容偏差は平均偏差のＭ倍であることを特徴とする請求項９に記載の方法。
12. 前記許容偏差はノイズの推定値に基づくことを特徴とする請求項１乃至８のいずれか一項に記載の方法。
13. 前記基準データから前記スペクトルデータのノイズを推定するステップを含むことを特徴とする請求項１乃至１２のいずれか一項に記載の方法。
14. 前記ノイズの推定値は、前記基準データの各点の間の平均変動に基づくことを特徴とする請求項１３に記載の方法。
15. 前記ノイズの推定値は、前記スプライン曲線からの前記基準データの偏差／バックグラウンド放射の推定値に基づくことを特徴とする請求項１３に記載の方法。
16. 最終反復によって供給された前記基準データを使用して、ノイズの推定値を作成するステップを含むことを特徴とする１３乃至１５のいずれか一項に記載の方法。
17. 前記終了基準は、前記データ点を間引くことが反復において行われないときに満たされることを特徴とする請求項１乃至１６のいずれか一項に記載の方法。
18. 前記終了基準は、設定された数の反復が実行されたときに満たされることを特徴とする請求項１乃至１６のいずれか一項に記載の方法。
19. 請求項１乃至１８のいずれか一項に記載の方法を行うように配列されたプロセッサを含むことを特徴とする装置。
20. プロセッサによって実行されるとき、前記プロセッサに請求項１乃至１８のいずれか一項に記載の方法を実行させる命令を有することを特徴とするデータキャリア。