JP6605415B2 - 分光法を用いる識別 - Google Patents

Description

原料識別は医薬品の品質制御に利用することができる。例えば、原料識別は合剤に実行してその合剤の含有成分がその合剤と関連するパッケージラベルに一致するかどうかを決定することができる。分光法は他の化学的技法と比較して少ない準備及び短いデータ収集時間で非破壊原料識別を容易にする。

いくつかの可能な実施形態によれば、装置は一以上のプロセッサを含み得る。前記一以上のプロセッサは未知試料の分光測定の結果を識別する情報を受信し得る。前記一以上のプロセッサは前記分光測定の結果及びグローバル分類モデルに基づいて前記未知試料の第１分類を実行し得る。前記グローバル分類モデルはサポートベクトルマシン（ＳＶＭ）クラシフィア技術を利用し得る。前記グローバル分類モデルはグローバルセットのクラスを含み得る。前記一以上のプロセッサは前記第１分類に基づいてローカル分類モデルを生成し得る。前記ローカル分類モデルは前記ＳＶＭ分類技術を利用し得る。前記ローカル分類モデルはグローバルセットのクラスのサブセットを含み得る。一以上のプロセッサは前記分光測定の結果及び前記ローカル分類モデルに基づいて前記未知試料の第２分類を実行し得る。前記一以上のプロセッサは、前記第２分類の実行に基づいて前記未知試料と関連する前記サブセットのうちの一つのクラスを識別する情報を出力し得る。

いくつかの可能な実施形態によれば、コンピュー可読媒体は一以上の命令を格納し、前記一以上の命令は、一以上のプロセッサにより実行されるとき、前記一以上のプロセッサに、未知セットの一組の分光測定の結果を識別する情報を受信させることができる。前記未知セットは一組の未知試料を含み得る。前記一以上の命令は、前記一以上のプロセッサにより実行されるとき、前記一以上のプロセッサに、一組の分光測定の結果及びグローバル分類モデルに基づいて未知試料のセットの第１分類を実行させることができる。前記グローバル分類モデルはサポートベクトルマシン（ＳＶＭ）リニアクラシファイア技術を利用し得る。前記一以上の命令は、前記一以上のプロセッサにより実行されるとき、前記一以上のプロセッサに、前記第１分類に基づいて前記一組の未知試料に対して一組のローカル分類モデルを生成させることができる。前記一組のローカル分類モデルはＳＶＭリニアクラシフィア技術を利用し得る。前記一以上の命令は、前記一以上のプロセッサにより実行されるとき、前記一以上のプロセッサに、前記一組の分光測定の結果及び前記一組のローカル分類モデルに基づいて前記一組の未知試料の第２分類を実行させることができる。前記一以上の命令は、前記一以上のプロセッサにより実行されるとき、前記一以上のプロセッサに、前記第２分類の実行に基づいて前記一組の未知試料の分類を識別する情報を出力させることができる。

いくつかの可能な実施形態によれば、方法は、装置によって、第１スペクトロメータにより実行された未知試料の分光測定結果を識別する情報を受信するステップを含み得る。本方法は、前記装置によって、前記分光測定の結果及びグローバル分類モデルに基づいて前記未知試料の第１分類を実行するステップを含み得る。前記グローバル分類モデルはサポートベクトルマシン（ＳＶＭ）クラシフィア技術と第２スペクトロメータにより実行された一組の分光測定を利用して生成することができる。本方法は、前記装置によって、前記第１分類に基づいてローカル分類モデルを生成するステップを含み得る。前記ローカル分類モデルは前記ＳＶＭクラシフィア技術を利用し得る。前記ローカル分類モデルは前記グローバル分類モデルの一組のクラス（グローバルセット）のサブセットを含み得る。本方法は、前記装置によって、前記分光測定の結果及び前記ローカル分類モデルに基づいて前記未知試料の第２分類を実行するステップを含み得る。本方法は、前記装置によって、前記第２分類の実行に基づいて前記未知試料と関連する前記サブセットの一つのクラスを識別する情報を出力するステップを含み得る。

本明細書に記載する例示的な実施形態の概略図である。 本明細書に記載する例示的な実施形態の概略図である。 本明細書に記載するシステム及び／又は方法を実装し得る例示的な環境を示す図である。 図２の一以上の装置のコンポーネントを例示する図である。 サポートベクトルマシンクラシフィアに基づいて原料識別用のグローバル分類モデルを生成する例示的なプロセスのフローチャートである。 図４に示す例示的なプロセスに関する例示的な実施形態を示す図である。 多段分類技術を用いて原料識別を実行する例示的なプロセスのフローチャートである。 図６に示す例示的なプロセスと関連する予測成功率に関する例示的な実施結果を示す図である。 図６に示す例示的なプロセスと関連する予測成功率に関する例示的な実施結果を示す図である。

以下の例示的な実施形態の詳細な説明は添付図面に関する。異なる図面中の同じ参照番号は同じ又は類似の要素を示す。

原料識別（ＲＭＩＤ）は、識別、検証等のために特定の試料の成分（例えば含有成分）を識別するために使用される技術である。例えば、ＲＭＩＤは、医薬品の含有成分がラベルで確認される一組の含有成分に一致するかを確認するために利用される。試料（例えば、医薬品）の成分を決定するためにスペクトロメータを用いて試料の分光測定を実行することができる。スペクトロメータは試料の一組の測定を実行し、その一組の測定を分類のために出力することができる。計量化学分類技術（例えばクラシファイア）は試料の一組の測定に基づく試料の成分の決定を容易にする。しかしながら、いくつかの計量化学分類技術は他の技術と比較して、低いトラスファビリティ、大規模分類を実行するのに不十分な粒度、などと関連し得る。本明細書に記載する実施形態はＲＭＩＤを容易にするために階層的サポートベクトルマシンクラシファイアを利用することができる。こうして、スペクトロメータの制御装置は他のＲＭＩＤ技術に比べて改善された分類精度を容易にする。

図１Ａ及び図１Ｂは本明細書に記載する例示的な実施形態１００の全体図である。図１Ａに示すように、例示的な実施形態１００は第１制御装置及び第１スペクトロメータを含み得る。第１制御装置は、訓練セット（例えば、分類モデルを訓練するために使用される未知試料のセット）に対して一組の分光測定を第１スペクトロメータに実行させ得る。訓練セットは分類モデルの各クラスに対して閾量の試料を含むように選択され得る。分類モデルのクラスは、一般に一以上の特性を共有する類似の化合物、例えば（医薬分野において）ラクトース化合物、フラクトース化合物、アセトアミノフェン化合物、イブプロフェン化合物、アスピリン化合物等のグループ化を指す。

図１Ａに更に示すように、第１スペクトロメータは第１制御装置からの命令の受信に基づいて訓練セットに一組の分光測定を実行することができる。例えば、第１スペクトロメータは訓練セットの各試料のスペクトルを測定することができる。第１スペクトロメータは一組の分光測定結果を第１制御装置に供給することができる。第１制御装置は特定の分類技術を用い、一組の分光測定結果に基づいて、グローバル分類モデルを生成することができる。例えば、第１制御装置はサポートベクトルマシン（ＳＶＭ）技術（例えば、情報分類のためのマシン学習技術）を用いてグローバル分類モデルを生成することができる。グローバル分類モデルは特定のスペクトルの特定のクラスへの割り当てと関連する情報を含むことができ、且つ特定のクラスと関連する化合物の種類を識別する情報を含むことができる。こうして、制御装置は未知試料のスペクトルの特定クラスへの割り当てに基づいて未知試料の化合物の種類を識別する情報を出力することができる。グローバル分類モデルはデータ構造で格納し、一以上の他の制御装置又は同種の装置に供給することができる。

図１Ｂに示すように、第２制御装置は（例えば、第１制御装置から）グローバル分類モデルを受信し、そのグローバル分類モデルをデータ構造で格納し得る。第２制御装置は、未知セット（例えば、ＲＭＩＤを実行すべき未知試料のセット）に対して一組の分光測定を第２スペクトロメータに実行させることができる。第２スペクトロメータは第２制御装置からの命令の受信に基づいて一組の分光測定を実行することができる。例えば、第２スペクトロメータは未知セットの各試料のスペクトルを測定することができる。第２スペクトロメータは一組の分光測定結果を第２制御装置に供給することができる。第２制御装置は、グローバル分類モデルに基づいて、多段分類技術を用いて、未知セットに対してＲＭＩＤを実行することができる。

図１Ｂに関して、第２制御装置はグローバル分類モデルを用いて未知セットの特定の試料の第１分類を実行し得る。第２制御装置は特定の試料及びグローバル分類モデルと関連する一組の信頼メトリックを決定し得る。信頼メトリックは特定の試料の特定のクラスへの割り当てと関連する信頼性を示す。例えば、第２制御装置は特定の試料及びグローバル分類モデルの各クラスと関連する信頼メトリックを決定し得る。第２制御装置は、一以上のそれぞれの信頼メトリックに基づいてグローバル分類モデルのクラスのサブセットを選択し、そのサブセットのクラスに基づいてローカル分類モデルを生成し得る。ローカル分類モデルはＳＶＭ技術及びサブセットのクラスを用いて生成されるｉｎ ｓｉｔｕ分類モデルと言うことができる。第２制御装置は特定の試料を特定のクラスに割り当てるためにローカル分類モデルに基づいて第２分類を実行することができる。こうして、第２制御装置は、他の分類モデル及び／又は一段分類技術に比べて、ＲＭＩＤを未知セットの特定の試料に対して向上した精度で実行することができる。第２制御装置は未知セットの各試料に対して第１分類及び第２分類を実行して未知セットの各試料を識別することができる。別の例では、第１制御装置はグローバル分類モデル及び第１スペクトロメータにより実行された分光測定に基づくローカル分類モデルを用いて特定の試料を分類してもよい。

図２は、本明細書に記載するシステム及び／又は方法を実施し得る例示的環境２００を示す。図２に示すように、環境２００は制御装置２１０、スペクトロメータ２２０、及びネットワーク２３０を含み得る。環境２００の装置は、有線接続、無線接続、又は有線及び無線接続の組み合わせを介して相互接続し得る。

制御装置２１０はＲＭＩＤと関連する情報を格納し、処理し、及び／又はルーティングし得る一以上の装置を含み得る。例えば、制御装置２１０は、クラシファイア及び訓練セットの一組の測定値に基づいてモデルを生成し、そのモデルを利用し、未知セットの一組の測定に基づいてＲＭＩＤを実行する、サーバ、コンピュータ、ウェアラブルデバイス、クラウドコンピューティングデバイス等を含み得る。いくつかの実施形態では、制御装置２１０は特定のスペクトロメータ２２０と関連し得る。いくつかの実施形態では、制御装置２１０は複数のスペクトロメータ２２０と関連し得る。いくつかの実施形態では、制御装置２１０は情報を環境２００内の別の装置、例えばスペクトロメータ２２０、から受信及び／又はへ送信し得る。

スペクトロメータ２２０は試料に分光測定を実行し得る一以上の装置を含んでよい。例えば、スペクトロメータ２２０は、スペクトロスコピー（例えば、振動スペクトロスコピー、例えば近赤外（ＮＩＲ）スペクトロメータ、中赤外スペクトロスコピー（ｍｉｄ−ＩＲ）、ラマンスペクトロスコピー等）を実行するスペクトロメータ装置を含んでよい。いくつかの実施形態では、スペクトロメータ２２０はウェアラブル装置、例えばウェアラブルスペクトロメータ等に組み込んでよい。いくつかの実施形態では、スペクトロメータ２２０は情報を環境２００内の別の装置、例えば制御装置２１０から受信及び／又はへ送信してもよい。

ネットワーク２３０は一以上の有線及び／又は無線ネットワークを含んでよい。例えば、ネットワーク２３０は、セルラーネットワーク（例えば、ロングタームエボリューション（ＬＴＥ）ネットワーク、３Ｇネットワーク、符号分割多元接続（ＣＤＭＡ）ネットワーク等）、地上波公共移動通信ネットワーク（ＰＬＭＮ）、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、電話網（例えば、公衆交換電話網（ＰＳＴＮ））、プライベートネットワーク、アドホックネットワーク、イントラネット、インターネット。光ファイバネットワーク、クラウドコンピューティングネットワーク等及び／又はこれらの又は他のタイプのネットワークの組み合わせを含んでよい。

図２に示す装置及びネットワークの数及び配置は一例として与えられている。実際には、もっと多くの装置及び／又はネットワークにしても、もっと少数の装置及び／又はネットワークにしても、異なるデバイス及び／又はネットワークにしても、図２に示す例と異なる配置のデバイス及び／又はネットワークにしてもよい。更に、図２に示す２つ以上の装置を単一装置に実装しても、あるいは図２に示す単一装置を複数の分散された装置として実装してもよい。例えば、制御装置２１０とスペクトロメータ２２０はここでは２つの別個の装置として記載されているが、制御装置２１０とスペクトロメータ２２０は単一装置に実装してもよい。加えて、又は代わりに、環境２００の一組の装置（例えば、一以上の装置）は環境２００の別の組の装置により実行される旨記載されている一以上の機能を実行してもよい。

図３は、装置３００の例示的なコンポーネントの図である。装置３００は制御装置２１０及び/又はスペクトロメータ２３０に相当し得る。いくつかの実施形態では、制御装置及び/又はスペクトロメータ２３０は一以上の装置３００及び/又は装置３００の一以上のコンポーネントを含み得る。図３に示すように、装置３００はバス３１０、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、及び通信インタフェース３７０を含み得る。

バス３１０は装置３００のコンポーネントの間の通信を可能にするコンポーネントを含み得る。プロセッサ３２０はハードウェア、ファームウェア、又はハードウェアとソフトウェアの組み合わせで実装される。プロセッサ３２０は、命令を解釈及び/又は実行するプロセッサ（例えば、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、アクセラレーテッド処理装置（ＡＰＵ）等）、マイクロプロセッサ、及び/又は任意の処理コンポーネント（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）等）を含み得る。いくつかの実施形態では、プロセッサ３２０は機能を実行するようにプログラムすることができる一以上のプロセッサを含み得る。メモリ３３０は、プロセッサ３２０で使用する情報及び/又は命令を記憶するランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、及び/又は別のタイプのダイナミック又はスタティック記憶装置（例えば、フラッシュメモリ、磁気メモリ、光メモリ等）を含み得る。

記憶コンポーネント３４０は装置３００の動作及び使用に関する情報及び/又はソフトウェアを記憶し得る。例えば、記憶コンポーネント３４０は、ハードディスク（例えば、磁気ディスク、光ディスク、磁気光学ディスク、ソリッドステートディスク等）、コンパクトディスク（ＣＤ）、ディジタルヴァーサタイルディスク（ＤＶＤ）、フロッピーディスク、カートリッジ、磁気テープ、及び/又は別のタイプのコンピュータ可読媒体（対応するドライバとともに）を含み得る。

入力コンポーネント３５０は、装置３００が例えばユーザ入力（例えば、タッチスクリーンディスプレイ、キーボード、キーパッド、マウス、ボタン、スイッチ、マイクロフォン等）による情報を受信可能にするコンポーネントを含み得る。加えて、又は代わりに、入力コンポーネント３５０は情報を検出するセンサ（例えば、グローバルポジショニングシステム（ＧＰＳ）コンポーネント、加速度計、ジャイロスコープ、アクチュエータ等）を含んでもよい。出力コンポーネント３６０は装置３００からの出力情報を出力するコンポーネント（例えば、ディスプレイ、スピーカ、一以上の発光ダイオード（ＬＥＤ）等）を含んでもよい。

通信インタフェース３７０は、装置３００が他の装置と、例えば有線接続、無線接続又は有線接続と無線接続の組み合わせを介して、通信することを可能にするトランシーバのようなコンポーネント（例えば、トランシーバ、別々の受信機及び送信機等）を含み得る。通信インタフェース３７０は装置３００が別の装置からの情報を受信すること及び/又は別の装置へ情報を送信することを可能にし得る。例えば、通信インタフェース３７０は、イーサネット（登録商標）インタフェース、光インタフェース、同軸インタフェース、赤外インタフェース、無線周波数（ＲＦ）インタフェース、ユニバーサルシリアルバス（ＵＳＢ）インタフェース、Ｗｉ−Ｆｉインタフェース、セルラーネットワークインタフェース等を含み得る。

装置３００は本明細書に記載する一以上のプロセスを実行し得る。装置３００は、メモリ３３０及び/又は記憶コンポーネント３４０等のコンピュータ可読媒体により記憶されたソフトウェア命令を実行するプロセッサ３２０に応答してこれらのプロセスを実行し得る。コンピュータ可読媒体は本明細書では非トランジトリメモリ装置として定義される。メモリ装置は単一の物理記憶装置内のメモリ空間又は複数の物理記憶装置に亘って広がるメモリ空間を含む。

ソフトウェア命令は別のコンピュータ可読媒体又は別の装置から通信インタフェース３７０を介してメモリ３３０及び/又は記憶コンポーネント３４０に読み込んでよい。メモリ３３０及び/又は記憶コンポーネント３４０に記憶されたソフトウェア命令は、実行時に、プロセッサ３２０に本明細書に記載する一以上のプロセスを実行させることができる。加えて、又は代わりに、本明細書に記載する一以上のプロセスを実行するためにソフトウェア命令の代わりに又はそれと組み合わせてハードウェア回路を使用してもよい。従って、本明細書に記載する実施形態はハードウェア回路とソフトウェアの特定の組み合わせに限定されない。

図３に示すコンポーネントの数及び配置は一例にすぎない。実際には、装置３００は、追加のコンポーネント、もっと少数のコンポーネント、異なるコンポーネント、又は図３に示す例と異なる配置のコンポーネントを含んでもよい。加えて、又は代わりに、装置３００の一組のコンポーネント（例えば一以上のコンポーネント）は装置３００の別の組のコンポーネントにより実行される旨記載される一以上の機能を実行してもよい。

図４は、サポートベクトルマシンクラシファイアに基づいて原料分類のためのグローバル分類モデルを生成する例示的プロセス４００のフローチャートである。いくつかの実施形態では、図４の一以上のプロセスブロックは制御装置２１０によって実行され得る。いくつかの実施形態では、図４の一以上のプロセスブロックは、制御装置２１０とは別の装置又は接続装置２１０を含む一群の装置、例えばスペクトロメータ２２０によって実行され得る。

図４に示すように、プロセス４００は一組の分光測定を訓練セットに実行させるステップを含み得る（ブロック４１０）。例えば、制御装置２１０は、訓練セットの各試料に対してペクトルを決定するために、スペクトロメータ２２０に一組の分光測定を訓練セットの試料に実行させることができる。訓練セットはグローバル分類モデルを生成するために利用される一以上の既知の化合物の一組の試料ということができる。例えば、訓練セットは一組の化合物の一以上のバージョン（例えば、製造差を制御するために様々な製造業者により製造される一以上のバージョン）を含み得る。いくつかの実施形態では、訓練セットはＲＭＩＤが実行される化合物の予想セットに基づいて選択され得る。例えば、ＲＭＩＤが医薬品に対して実行されるとき、訓練セットは薬剤有効成分（ＡＰＩ）、添加剤、等の一組の試料を含み得る。いくつかの実施形態では、訓練セットは、各種の化合物に対して特定量の試料を含むように選択されることができる。例えば、訓練セットは、特定の化合物の複数の試料（例えば、５試料、１０試料、１５試料、５０試料等）を含むように選択されることができる。こうして、制御装置２１０に特定の種類の化合物と関連するスペクトルの閾量を与ることができ、それによって未知試料を正確に割り当てることができる分類モデル（例えば、グローバル分類モデル、又はローカル分類モデル等）のクラスの生成が容易になる。

いくつかの実施形態では、制御装置２１０は、一以上の物理的条件を考慮するために複数のスペクトロメータ２２０に一組の分光測定を実行させ得る。例えば、制御装置２１０は、第１スペクトロメータ２２０及び第２スペクトロメータ２２０に、ＮＩＲスペクトロメータを用いて一組の振動分光測定を実行させ得る。加えて、又は代わりに、制御装置２１０は、一組の分光測定を複数回、複数の位置で、複数の異なる実験室条件下等で実行させてもよい。こうすると、制御装置２１０は、一組の分光測定を単一のスペクトロメータ２２０で実行させる場合に比較して、物理的条件の結果として分光測定が不正確になる可能性を低減する。

図４に更に示すように、プロセス４００は一組の分光測定の結果を識別する情報を受信するステップを含み得る（ブロック４２０）。例えば、制御装置２１０は一組の分光測定の結果を識別する情報を受信することができる。いくつかの実施形態では、制御装置２１０は、スペクトロメータ２２０が訓練セットに分光測定を実行したとき観測された特定のスペクトルを識別する情報を受信することができる。加えて、又は代わりに、制御装置２１０は一組の分光測定の結果として他の情報を受信してもよい。例えば、制御装置２１０は、エネルギーの吸収、エネルギーの放出、エネルギーの散乱等の識別と関連する情報を受信してもよい。

いくつかの実施形態では、制御装置２１０は複数のスペクトロメータ２３０からの一組の分光測定の結果を識別する情報を受信し得る。例えば、制御装置２１０は、複数のスペクトロメータ２２０によって複数の異なる時間、異なる位置等で実行された分光測定を受信することによって物理的状態、例えば複数のスペクトロメータ２２０間の差、実験室条件の潜在的な差を制御し得る。

図４に更に示すように、プロセス４００は、一組の分光測定の結果を識別する情報に基づいて特定のクラシファイアと関連するグローバル分類モデルを生成するステップを含み得る（ブロック４３０）。例えば、制御装置２１０は、一組の分光測定の結果を識別する情報に基づいてＳＶＭクラシファイア技術と関連するグローバル分類モデルを生成し得る。いくつかの実施形態では、制御装置２１０は、グローバル識別モデルを生成するために一組の分類を実行し得る。例えば、制御装置２１０は、一組の分光測定の結果により識別された一組のスペクトルをＳＶＭ技術に基づいて一組のクラスに割り当て得る。

ＳＶＭは分類用パターン認識を実行する監視学習モデルを指す。いくつかの実施形態では、制御装置２１０は、ＳＶＭ技術を用いてグローバル分類モデルを生成する際に特定のタイプのカーネル関数を利用し得る。例えば、制御装置２１０は、ラジアル基底関数（ＲＢＦ）型（例えば、いわゆるＳＶＭ−ｒｂｆ）のカーネル関数、線形関数（例えば、多段分類技術に利用される、いわゆるＳＶＭ−ｌｉｎｅａｒ及びいわゆるｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒ）型のカーネル関数、シグモイド関数型のカーネル関数、多項式関数型のカーネル関数、指数関数型のカーネル関数等を利用し得る。いくつかの実施形態では、制御装置２１０は特定のタイプのＳＶＭ、例えば確率値ベースのＳＶＭ（例えば、試料が一組のクラスのあるクラスのメンバーである確率の決定に基づく分類）、決定値ベースのＳＶＭ（例えば、決定関数を利用して試料が一組のクラスのどのクラスのメンバーであるか得票で決定する分類）等を利用し得る。

いくつかの実施形態では、制御装置２１０はグローバル分類モデルを生成するために利用する特定のクラシファイアを一組の分類技術から選択し得る。例えば、制御装置２１０は、複数のクラシファイアに対応する複数の分類モデルを生成し、例えば各モデルのトランスフェラビリティ（例えば、第１スペクトロメータ２０で実行された分光測定に基づいて生成された分類モデルが第２スペクトロメータ２２０で実行された分光測定に適用される際に正確である程度）、大規模分類精度（例えば、閾値を満足する試料の量を同時に分類するために分類モデルを使用できる精度）等を決定することによって、複数の生成モデルを試験することができる。この場合には、制御装置２１０はＳＶＭクラシファイ（例えば、ｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒ）を、そのＳＶＭクラシファイが他のクラシファイに比較して優れたトランスフェラビリティ及び／又は大規模分類精度と関連するという決定に基づいて、選択することができる。

いくつかの実施形態では、制御装置２１０は訓練セットの試料を識別する情報に基づいてグローバル分類モデルを生成し得る。例えば、制御装置２１０は、スペクトルのクラスを化合物の種類で識別するために、訓練セットの試料で表される化合物の種類を識別する情報を利用し得る。いくつかの実施形態では、制御装置２１０はグローバル分類モデルを生成する際にグローバル分類モデルを訓練し得る。例えば、制御装置２１０は一組の分光測定の一部分を用いてモデルを訓練させることができる。加えて、又は代わりに、制御装置２１０はグローバル分類モデルの評価を実行してもよい。例えば、制御装置２１０は一組の分光測定の別の部分を用いてグローバル分類モデルを（例えば、予測強度について）評価することができる。いくつかの実施形態では、制御装置２１０は多段分類技術を用いてグローバル分類モデルを評価することができる。例えば、制御装置２１０はグローバル分類モデルが図６と関連して本明細書に記載される一以上のローカル分類モデルと関連して利用される際に正確であることを決定することができる。こうして、制御装置２１０は、グローバル分類モデルを他のスペクトロメータ２２０と関連する他の制御装置２１０の利用のために供給する前に、閾値精度で生成することができる。

いくつかの実施形態では、制御装置２１０は、グローバル分類モデルの生成後、そのグローバル分類モデルを他のスペクトロメータ２２０と関連する他の制御装置２１０に供給し得る。例えば、第１制御装置２１０はグローバル分類モデルを生成し、そのグローバル分類モデルを第２制御装置２１０に利用のために供給し得る。この場合には、第２制御装置２１０はそのグローバル分類モデルを格納し、そのグローバル分類モデルを、図６に関して本明細書に記載すされるように、一以上のローカル分類モデルを生成し、未知セットの一以上の試料を分類するのに利用することができる。加えて、又は代わりに、制御装置２１０はグローバル分類モデルを、制御装置２１０で一以上のローカル分類モデルを生成し、一以上の試料を分類するために、格納してもよい。このように、制御装置２１０は未知の試料のＲＭＩＤで利用するグローバル分類モデルを提供する。

図４はプロセス４００の例示的ブロックを示し、いくつかの実施形態では、プロセス４００は追加のブロック、もっと少数のブロック、異なるブロック、又は図４に示す例と異なる配置のブロックを含んでもよい。加えて、又は代わりに、プロセス４００の２以上のブロックは並列に実行してもよい。

図５は、図４に示す例示的プロセス４００に関連する例示的な実施形態５００の図である。図５は原料識別のためのグローバル分類モデルをサポートベクトルマシンクラシファイアに基づいて生成する一例を示す。

図５に示すように、制御装置２１０−１は命令をスペクトロメータ２２０−１に送信し、スペクトロメータ２２０−１に一組の分光測定を訓練セット５１０に実行するよう命令する。訓練セット５１０は第１セットの訓練試料（例えば、それらの測定はグローバル分類モデルを訓練するために利用される）と、第２セットの検証試料（例えば、それらの測定はグローバル分類モデルの精度を検証するために利用される）とを含むと仮定する。参照番号５１５で示すように、スペクトロメータ２２０−１は、受信した命令に基づいて、一組の分光測定を訓練セットに実行する。参照番号５２０で示すように、制御装置２１０−１は訓練試料に関する第１セットのスペクトルと、検証試料に関する第２セットのスペクトルとを受信する。制御装置２１０−１は訓練セット５１０の各試料を識別する情報を格納すると仮定する。

図５に関して、制御装置２１０−１はグローバル分類モデルを生成するためにｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒクラシファイアを利用するように選択していると仮定する（例えば、一以上の他のクラシファイアに対するｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒクラシファイアの試験に基づく）。参照番号５２５で示すように、制御装置２１０−１はｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒクラシファイア及び第１セットのスペクトルを用いてグローバル分類モデルを訓練し、ｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒクラシファイア及び第２セットのスペクトルを用いてグローバル分類モデルを検証する。制御装置２１０−１は、グローバル分類モデルが検証閾値を満足する（例えば検証閾値を超える精度を有する）ことを決定すると仮定する。参照番号５３０で示すように、制御装置２１０−１はグローバル分類モデルを制御装置２１０−２に（例えば、スペクトロメータ２２０−２で実行される分光測定にＲＭＩＤを実行するとき利用するために）及び制御装置２１０−３に（例えば、スペクトロメータ２２０−３で実行される分光測定にＲＭＩＤを実行するとき利用するために）供給する。

上述したように、図５は単なる一例にすぎない。他の例も可能であり、図５に関して記載した形態とは異なるものとし得る。

このように、制御装置２１０は、選択された（例えば、モデルトランスフェラビリティ、大規模分類精度等に基づいて選択された）分類技術及び一以上のスペクトロメータ２２０と関連する一以上の制御装置２１０で利用するためのグローバル分類モデルの分配に基づくグローバル分類モデルの生成を容易にする。更に、制御装置２１０はＲＭＩＤを実行する各制御装置２１０でグローバル分類モデルを生成するのに比べてコスト及び時間要件を低減する。

図６は、多段分類技術を用いて原料識別を実行する例示的なプロセス６００のフローチャートである。いくつかの実施形態では、図６の一以上のプロセスブロックは制御装置２１０により実行され得る。いくつかの実施形態では、図の一以上のプロセスブロックは、制御装置２１０とは別の装置又は制御装置２１０を含む一群の装置、例えばスペクトロメータ２２０によって実行されてもよい。

図６に示すように、プロセス６００は、未知セットに実行された一組の分光測定の結果を識別する情報を受信するステップを含み得る（ブロック６１０）。例えば、制御装置２１０はスペクトロメータ２２０によって未知セットに実行された一組の分光測定の結果を識別する情報を受信することができる。未知セットはＲＭＩＤを実行すべき一組の試料（例えば、未知試料）を含み得る。例えば、制御装置２１０はスペクトロメータ２２０に、一組の試料に分光測定を実行させ、一組の試料に対応する一組のスペクトルを識別する情報を受信することができる。いくつかの実施形態では、制御装置２１０は複数のスペクトロメータ２２０からの結果を識別する情報を受信することができる。例えば、制御装置２１０は複数のスペクトロメータ２２０に、未知セット（例えば、同じセットの試料）に一組の分光測定を実行させ、未知セットの試料に対応する一組のスペクトルを識別する情報を受信することができる。加えて、又は代わりに、制御装置２１０は、複数回又は複数の位置等で実行された一組の分光測定の結果を識別する情報を受信し、複数の時間に複数の位置等で実行された一組の分光測定に基づいて（例えば、一組の分光測定の平均化又は別の技術に基づいて）特定の試料を分類することができる。こうして、制御装置２１０は一組の分光測定の結果に影響を与え得る物理的状態を考慮することができる。

加えて、又は代わりに、制御装置２１０は第１スペクトロメータ２２０に、未知セットの第１部分に一組の分光測定の第１部分を実行させ、第２のスペクトロメータ２２０に、未知セットの第２部分に一組の分光測定の第２部分を実行させてもよい。こうすると、制御装置２１０は一組の分光測定を実行するのに要する時間量を単一のスペクトロメータ２２０ですべての分光分析を実行するのに要する時間量に比べて短縮することができる。

図６に更に示すように、プロセス６００は一組の分光測定の結果及びグローバル分類モデルに基づいて第１分類を実行するステップを含み得る（ブロック６２０）。例えば、制御装置２１０は分光測定の結果及びグローバル分類モデルに基づいて第１分類を実行することができる。いくつかの実施形態では、制御装置２１０は第１分類の実行に利用するグローバル分類モデルを受信してもよい。例えば、第１制御装置２１０は、（例えば、図４に関して本明細書に記載したように、ＳＶＭ−ｌｉｎｅａｒクラシファイアを用い、訓練セットに実行された一組の分光測定に基づいて）グローバル分類モデルを生成し、そのグローバル分類モデルを未知セットの第１分類を実行するために第２制御装置２１０に供給することができる。加えて、又は代わりに、制御装置２１０は（例えば、図４に関して本明細書に記載したように、ＳＶＭ−ｌｉｎｅａｒクラシファイアを用い、訓練セットに実行された一組の分光測定に基づいて）グローバル分類モデルを生成し、そのグローバル分類モデルを利用して未知セットの第１分類を実行してもよい。

いくつかの実施形態では、制御装置２１０は、第１分類の実行時に、未知セットの特定の試料をグローバル分類モデルの一組のクラスの特定のクラスに割り当てることができる。例えば、制御装置２１０は、グローバル分類モデルに基づいて、特定の試料と関連する特定のスペクトルが化合物のあるクラス（例えば、セルロース化合物、ラクトース化合物、カフェイン化合等）に対応することを決定し、特定の試料を特定のクラスに割り当てることができる。いくつかの実施形態では、制御装置２１０は信頼メトリックに基づいて特定の試料を割り当てることができる。例えば、制御装置２１０は、グローバル分類モデルに基づいて、特定のスペクトルがグローバル分類モデルの各クラスと関連する確率を決定することができる。この場合には、制御装置２１０は、特定のクラスに対する特定の確率が他のクラスと関連する他の確率より大きいことに基づいて特定の試料を特定のクラスに割り当てることができる。こうして、制御装置２１０は試料が関連する化合物の種類を決定し、試料を識別することができる。

加えて、又は代わりに、制御装置２１０は第１分類と関連する別の信頼メトリックを決定してもよい。例えば、制御装置２１０が第１分類の実行時に特定の試料を特定のクラスに分類するとき、制御装置２１０は、特定の試料が特定のクラスと関連する確率（例えば、最大確率という）と、特定の試料が次に可能性の高いクラスと関連する別の確率（例えば、第２最大確率という）との差を決定することができる。こうすると、制御装置２１０は特定の試料を次に可能性の高いクラスではなく特定のクラスに割り当てるという、割り当てに関する信頼性を高めることができる。最大確率と第２最大確率がともに高く、比較的類似するとき（例えば、最大確率が４８％で、第２最大確率が４７％であり、最大確率が４８％で、第２最大確率が４％でないとき）、制御装置２１０は最大確率と第２最大確率との差を提供することによって割り当て精度のより良い目安を提供する。言い換えれば、最大確率が４８％で第２最大確率が４７％である第１の場合には、最も可能性の高いクラスへの割り当て精度は、最大確率が４８％で第２最大確率が４％である第２の場合よりも、最大確率は両場合で同じであるが、相当低い。最大確率と第２最大確率との差のメトリックを提供することで両場合を区別することができる。

図６に更に示すように、プロセス６００は第１分類に基づいてローカル分類モデルを生成するステップを含み得る（ブロック６３０）。例えば、制御装置２１０は第１分類に基づいてローカル分類モデルを生成することができる。ローカル分類モデルは、ＳＶＭ分類技術（例えば、ＳＶＭ−ｒｂｆ、ＳＶＭ−ｌｉｎｅａｒ等；確率値ベースＳＶＭ、決定値ベースＳＶＭ等；又は同様のもの）を用い、第１分類と関連する信頼メトリックに基づいて生成されるｉｎ−ｓｉｔｕ分類モデルということができる。例えば、ある試料のスペクトルに対して一組の信頼メトリックがグローバル分類モデルに基づいて決定されるとき、制御装置２１０は、そのスペクトルがグローバル分類モデルの各クラスと関連するそれぞれの確率に基づいてグローバル分類モデルのクラスのサブセットを選択することができる。この場合には、制御装置２１０はＳＶＭ分類技術を用い、選択したクラスのサブセットに基づいて、ローカル分類モデルを生成することができる。

いくつかの実施形態では、オートスケーリング前処理プロシージャを実行することができる。例えば、ローカル分類モデルを生成するために、制御装置２１０はローカル分類モデルに対して選択されたグローバル分類モデルのクラスのサブセットと関連するスペクトルに対してオートスケーリング前処理プロシージャを実行することができる。いくつかの実施形態では、オートスケーリング前処理プロシージャは別の分類、例えばグローバル分類モデルを用いる第１分類に対して実行されてもよい。いくつかの実施形態では、別のタイプの前処理プロシージャ、例えばセンタリングプロシージャ、変換プロシージャ等を実行してもよい。

いくつかの実施形態では、クラスのサブセットは最も高いそれぞれの信頼メトリックと関連するクラスの閾値量を含むことができる。例えば、制御装置２１０は、グローバル分類モデルの１０個のクラスを、その１０個のクラスはグローバル分類モデルの他のクラスより高い確率で試料のスペクトルとそれぞれ関連するということに基づいて選択し、その１０個のクラスに基づいてローカルモデルを生成することができる。いくつかの実施形態では、制御装置２１０はクラスのサブセットを、そのクラスのサブセットが閾量を満足することに基づいて選択することができる。例えば、制御装置２１０は閾値を満足する確率と関連する各クラスを選択することができる。加えて、又は代わりに、制御装置２１０は各クラスが閾値を満足する複数のクラスの閾値量を選択してもよい。例えば、制御装置２１０は、１０クラスの各々が最小閾値確率を満足するならば１０クラスまで選択することができる。加えて、又は代わりに、制御装置２１０は別の数のクラス（例えば、２クラス、５クラス、２０クラス等）を選択してもよい。

いくつかの実施形態では、制御装置２１０は複数のローカル分類モデルを生成することができる。例えば、制御装置２１０は未知セットの第１の試料の第１のスペクトルに対して第１のローカル分類モデルを生成し、未知セットの第２の試料の第２のスペクトルに対して第２のローカル分類モデルを生成することができる。こうして、制御装置２１０は複数のローカル分類モデルを用いて複数の未知試料を同時に処理することによって複数の未知試料の同時分類を容易にすることができる。

いくつかの実施形態では、制御装置２１０は、グローバル分類モデルを用いて第１分類を実行することに基づいて定量化モデルを生成することができる。例えば、制御装置２１０が未知試料内の物質の濃度を決定するために利用される場合で、複数の未知試料が物質の濃度を決定するために異なる定量化モデルと関連する場合には、制御装置２１０は未知試料のクラスを選択するために第１分類を利用し、未知試料のクラスと関連するローカル分類モデルを選択することができる。こうして、制御装置２１０は原料識別及び/又はその定量化を向上させるために階層的分類及び量子化モデルを利用することができる。

図６に更に示すように、プロセス６００は一組の分光測定の結果とローカル分類モデルに基づいて第２分類を実行するステップを含み得る（ブロック６４０）。例えば、制御装置２１０は分光測定結果とローカル分類モデルに基づいて第２分類を実行することができる。いくつかの実施形態では、制御装置２１０は特定のスペクトルに対して第２分類を実行することができる。例えば、制御装置２１０はローカル分類モデルに基づいて特定のスペクトルを特定のクラスに割り当てることができる。いくつかの実施形態では、制御装置２１０は特定のスペクトル及びローカル分類モデルと関連する一組の信頼メトリックを決定することができる。例えば、制御装置２１０は特定のスペクトルがローカル分類モデルの各クラスと関連する確率を決定し、特定のスペクトル（例えば、特定のスペクトルと関連する特定の試料）をローカル分類モデルの他のクラスより高い確率を有するクラスに割り当てることができる。こうして、制御装置２１０は未知セットの試料を識別する。

加えて、又は代わりに、制御装置２１０は特定のスペクトル及びローカル分類モデルと関連する別の信頼メトリックを決定してもよい。例えば、第２分類の実行時に制御装置２１０が特定の試料を特定のクラスに割り当てるとき、制御装置２１０は特定の試料が特定のクラスと関連する確率（例えば、最大確率）と特定の試料が次に可能性の高いクラスと関連する別の確率（例えば第２最大確率）との差を決定することができる。こうして、制御装置２１０は、ローカル分類モデルに基づいて第２分類を実行する際に、特定の試料を次に可能性の高いクラスではなく特定のクラスに割り当てるという、割り当てに関する信頼性を高めることができる。

いくつかの実施形態では、制御装置２１０は複数の第２分類を実行してよい。例えば、制御装置２１０は第１試料と関連する第１スペクトルに対する第２分類を第１ローカル分類モデルに基づいて実行し、第２試料と関連する第２スペクトルに対する別の第２分類を第２ローカル分類モデルに基づいて実行してよい。こうして、制御装置２１０は未知セットの複数の試料の同時分類を容易にすることができる。いくつかの実施形態では、制御装置２１０は未知セットの試料の一部分を第２分類から省略してもよい。例えば、制御装置２１０がグローバル分類モデルに基づいて特定の試料を特定のクラスに割り当てるために信頼メトリックを決定する際に、信頼メトリックが閾値を満たすとき、制御装置２１０はこの特定の試料を第２分類から省略してよい。こうすると、制御装置２１０は未知セットのすべての試料に対して第２分類を実行するのと比べてリソース利用を低減することができる。

いくつかの実施形態では、制御装置２１０は第１分類の実行後（及び/又は第２分類の実行後）に定量化を実行してもよい。例えば、制御装置２１０は一以上の分類の実行に基づいてローカル定量化を選択し、ローカル量子化モデルの選択に基づいて特定の試料に関して定量化を実行することができる。一例として、植物材料中の特定の化学物質の濃度を決定するために原料識別を実行するとき、植物材料が複数の定量化モデルと関連する場合（例えば、植物が屋内又は屋外で、冬又は夏等に成長するものであるかどうかに関する場合）、制御装置２１０は特定の定量化モデルを識別するために一組の分類を実行することができる。この場合には、制御装置２１０は一組の分類の実行に基づいて植物は冬に屋内で成長するものであると決定することが可能であり、特定の化学物質の濃度を決定するために、冬に屋内で成長する植物に関する定量化モデルを選択することができる。

図６に更に示すように、プロセス６００は第２分類の実行に基づく未知セットの分類を識別する情報を提供するステップを含み得る（ブロック６５０）。例えば、制御装置２１０は第２分類の実行に基づく未知セットの試料の分類を識別する情報を提供することができる。いくつかの実施形態では、制御装置２１０は特定の試料に対する特定のクラスを識別する情報を提供することができる。例えば、制御装置２１０は、特定の試料と関連する特定のスペクトルが特定のクラスと関連するという決定を示す情報を提供し、それによって試料を識別することができる。いくつかの実施形態では、制御装置２１０は、特定の試料を特定のクラスに割り当てるのと関連して信頼メトリックを示す情報を提供してもよい。例えば、制御装置２１０は、特定の試料が特定のクラスと関連する確率、特定の試料に対する最大確率と第２最大確率との差等を識別する情報を提供することができる。こうすると、制御装置２１０は、特定のスペクトルが特定にクラスに正確に割り当てられた可能性を示す情報を提供することができる。

いくつかの実施形態では、制御装置２１０は複数の試料のクラスを識別する情報を提供する。例えば、制御装置２１０は、未知セットの第１の試料が第１のクラスと関連し、未知セットの第２の試料が第２のクラスと関連することを示す情報を提供することができる。こうして、制御装置２１０は複数試料の同時識別を提供することができる。

いくつかの実施形態では、制御装置２１０は一組の分類と定量化の実行に基づく定量化を提供してよい。例えば、ローカル定量化モデルの識別に基づいて、制御装置２１０は物質の濃度を決定する定量化モデルを選択するために一組の分類が利用された未知試料内の物質の濃度を識別する情報を提供することができる。

いくつかの実施形態では、制御装置２１０は試料のクラスに関する出力を提供することができる。例えば、制御装置２１０は未知試料の分類に関してバイナリ出力（例えば、イエス／ノー）を提供することができる。このバイナリ出力において、未知試料を第１セットのクラス又は第２セットのクラスの一つに分類することに基づいて、第１セットのクラスが第１バイナリ出力（例えばイエス）に対応し、第２セットのクラスが第２バイナリ出力（例えば、ノー）に対応する。一例として、第１セットのクラス（例えば、コーシャミート、例えばコーシャビーフストリップステーキ、コーシャビーフリブ、コーシャチキン腿肉、コーシャチキン胸肉等）及び第２セットのクラス（例えば、非コーシャミート、例えば非コーシャビーフリブ、非コーシャポーク、非コーシャチキン手羽等）に対して、制御装置２１０は未知試料を第１セットのクラス又は第２セットのクラスの特定のクラスに分類するのに基づいてコーシャ又は非コーシャの出力を提供することができる。別の例では、制御装置２１０はハラール又は非ハラールとして分類される食品に関する一組のクラスを用いてもよく、試料がハラール分類に対応するのか非ハラール分類に対応するのか（即ち、ハラール分類の他の基準、例えば宗教的証明、食肉処理中の祈り等が満足されているかどうかにかかわらず、試料が採取された動物はハラール式に食肉処理されているか）を示す出力を提供することができる。こうして、制御装置２１０は、特定のクラスの識別が制御装置２１０のユーザ（肉の種類を決定しようとするよりむしろ肉の品目がコーシャであるかどうかを決定しようとする人）にとって重要でないとき、特定のクラスの識別を提供するよりも高い可能性の正確さを有する分類を提供することができる。

図６はプロセッサ６００の例示的ブロックを示すが、いくつかの実施形態では、プロセス６００は追加のブロック、もっと少数のブロック、異なるブロック、又は図６とは異なる配置のブロックを含んでよい。

図７Ａ及び７Ｂは図６に示す例示的プロセス６００と関連する予測成功率に関する例示的な実施形態７００を示す。図７Ａ及び図７Ｂは階層的サポートベクトルマシン（ｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒ）ベースの技術を用いた原料識別の例示的な結果を示す。

図７Ａに参照番号７１０で示すように、一組の信頼メトリックが未知セットに対して得られる。この未知セットの各試料に対して、制御装置２１０はその試料がグローバル分類モデルの各クラスと関連する確率を決定する。この未知セットの各試料に対して、最大確率が第２最大（次の最大）確率と比較される。参照番号７１２で示すように、この未知セットに対する最大確率は約５％から約２０％の間である。参照番号７１４で示すように、この未知セットに対する第２最大確率は約０％から約５％の間である。参照番号７１６で示すように、制御装置２１０がグローバル分類モデルに基づいて誤って分類したこの未知セットの試料は強調表示されている（例えば、この未知セットの２６４５サンプルのうち８４サンプルが誤って分類されている）。

図７Ａに更に参照番号７２０で示すように、一組の信頼メトリックがこの未知セットに対して得られる。この未知セットの各試料に対して、制御装置２１０はその試料が対応するローカル分類モデルの各クラスと関連する確率を決定する。この未知セットの各試料に対して、最大確率が第２最大（次の最大）確率と比較される。参照番号７２２で示すように、この未知セットに対する最大確率は約５０％から約９８％の間である。参照番号７２４で示すように、この未知セットに対する第２最大確率は約２％から約４５％の間である。更に、この未知セットの各試料に対する最大確率と第２最大確率との差は、一つの試料（その試料の確率の差は約８％であり、それでも正しい分類は行われない）を除いて、約０．３３（３３％）より大きい。一組の分類の実行に基づいて、制御装置は未知セットのすべての試料を正しく分類することができる。

図７Ｂに関して、分類モデル（例えば、グローバル分類モデル、ローカル分類モデル等）の各クラス内の試料の量が閾値を満足しないとき、制御装置２１０は、未知セットの試料をクラスに割り当てる際に、低い信頼メトリック及び関連予測精度を決定してよい。参照番号７３０で示すように、各クラス内の試料の量が閾値を満足しないとき、制御装置２１０は、この未知セットに対してグローバル分類モデルに基づく第１の分類及び一組のローカル分類モデル（例えば、確率ベースＳＶＭクラシファイアローカル分類モデル）に基づく第２の分類を実行した後に、４４５１サンプルのうち１２８サンプルを誤分類する。参照番号７４０で示すように、制御装置２１０がグローバル分類モデルに基づく別の第１分類及び別の一対のローカル分類モデル（例えば、決定値ベースＳＶＭクラシファイアローカル分類モデル）に基づく別の第２分類を実行するとき、制御装置２１０は４４５１サンプルのうち１サンプルを誤分類する。このように、制御装置２１０は決定値ベースＳＶＭクラシファイアを利用することによって、確率ベースＳＶＭクラシファイアを利用する場合に比べて、分類精度を向上させることができる。

上述したように、図７Ａ及び図７Ｂは単なる一例にすぎない。他の例も可能であり、図７Ａ及び図７Ｂに関して記載したものと相違させてもよい。

このように、制御装置２１０はＲＭＩＤを実行するためにグローバル分類モデルと、グローバル分類モデルに基づいて生成されたローカル分類モデルとを利用する。

以上の開示は詳細な説明及び記述を提供するが、網羅的であって、実施形態を開示の正確な形態に限定することを意図するものではない。以上の開示に照らせば多くの修正及び変更が可能であり、実施形態の実施から得ることができる。

いくつかの実施形態が本明細書において閾値と関連して記載されている。本明細書において、閾値を満足するとは、閾値より大きい、閾値より多い、閾値より高い、閾値より大きい又は等しい、閾値より小さい、閾値より少ない、閾値よい低い、閾値より小さい又は等しい、閾値に等しい等を意味する。

本明細書に記載のシステム及び／又は方法はハードウェア、ファームウェア、又はハードウェアとソフトウェアの組み合わせの異なる形態で実装してよい。これらのシステム及び／又は方法を実施するために使用される実際の専用制御ハードウェア又はソフトウェアコードは実施形態を限定するものではない。従って、システム及び／又は方法の動作及び挙動は本明細書においてソフトウェアコードと無関係に記載されているが、これらのシステム及び／又は方法を実施するソフトウェア及びハードウェアは本明細書の記載に基づいて設計することができることは当たり前である。

特徴の特定の組み合わせが請求の範囲及び／又は明細書に記載されているが、これらの組み合わせは可能な実施形態の開示を限定することを意図するものでない。実際上、これらの特徴の多くは請求の範囲及び／又は明細書に明確に記載されない形で組み合わせることができる。以下に列記される各従属請求項は一つの請求項にのみ直接従属するが、可能な実施形態の開示はクレームセットの他のすべての請求項と組み合わせた各従属請求項を含む。

本明細書で用いられる素子、動作、又は命令はいずれも、そのように明記されない限り重要なものとも必須なものと解釈すべきでない。また、本明細書で用いられる、冠詞「a」及び「an」は、１つ又は複数の項目を含むことが意図され、「１つ又は複数」と交換可能に用いられ得る。さらに、本明細書で用いられる、用語「組」は、１つ又は複数の項目（例えば、関連項目、非関連項目、関連項目及び非関連項目の組み合わせ等）を含むことが意図され、「１つ又は複数」と交換可能に用いられ得る。１つの項目のみが意図される場合、用語「１つ」又は同様の文言が用いられる。また、本明細書で用いられる、用語「有する」等は、オープンエンドな用語であることが意図される。さらに、語句「に基づく」は、別段の明記がない限り、「少なくとも部分的に基づく」を意味するとことが意図される。

Claims (19)

1. 一以上のプロセッサを備える装置であって、前記一以上のプロセッサは、
   グローバル分類モデルを第１制御装置から受信し、
   前記グローバル分類モデルは、前記第１制御装置によって生成され、前記装置を含む複数の第２制御装置に分配され、
   前記グローバル分類モデルは、サポートベクトルマシン（ＳＶＭ）リニアクラシファイア技術を利用し、
   前記グローバル分類モデルは、一組のクラスを含み、
   未知試料の分光測定の結果を識別する情報を受信し、
   前記分光測定の結果及び前記グローバル分類モデルに基づいて前記未知試料の第１分類を実行して、前記未知試料のスペクトルを前記クラスに割り当て、
   前記第１分類に基づいてローカル分類モデルを生成し、
   前記ローカル分類モデルは、サポートベクトルマシン（ＳＶＭ）リニアクラシファイア技術を利用し、
   前記ローカル分類モデルは、前記一組のクラスのサブセットを含み、
   前記分光測定の結果及び前記ローカル分類モデルに基づいて前記未知試料の第２分類を実行して、前記未知試料のスペクトルを前記サブセットの一つのクラスに割り当て、
   前記第２分類の実行に基づいて前記未知試料と関連する前記サブセットの一つのクラスを識別する情報を出力する、
   ことを特徴とする装置。
2. 前記一以上のプロセッサは更に、
   前記一組のクラスと関連する一組のそれぞれの確率を決定し、
   前記一組のそれぞれの確率の特定の確率は前記未知試料が前記一組のクラスの特定のクラスと関連する可能性を示し、
   前記一組のそれぞれの確率に基づいて前記一組のクラスの前記サブセットを選択し、
   前記一以上のプロセッサは、前記ローカル分類モデルを生成するとき、
   前記一組のクラスの前記サブセットに基づいて前記ローカル分類モデルを生成する、
   ことを特徴とする請求項１記載の装置。
3. 前記第１制御装置は、第１スペクトロメータと関連し、
   前記グローバル分類モデルは前記第１スペクトロメータにより実行された一以上の分光測定を用いて生成され、
   前記一以上のプロセッサは更に、
   前記分光測定を第２スペクトロメータにより実行させ、
   前記第２スペクトロメータは前記第１スペクトロメータと異なり、
   前記一以上のプロセッサは、前記未知試料の第１分類を実行するとき、
   前記第１スペクトロメータにより実行された前記一以上の分光測定を用いて生成されたグローバル分類モデルと前記第２スペクトロメータにより実行された分光測定の結果に基づいて前記未知試料の第１分類を実行する、
   ことを特徴とする請求項１記載の装置。
4. 前記グローバル分類モデルの一組のクラスは一組の化合物に対応し、前記クラスは前記一組のクラスに含まれ、
   前記一以上のプロセッサは、前記クラスを識別する情報を出力するとき、
   前記一組の化合物の中で前記クラスに対応する化合物を識別する情報を出力する、
   ことを特徴とする請求項１記載の装置。
5. 前記一以上のプロセッサは、前記第２分類を実行するとき、
   前記未知試料と関連するスペクトルが前記クラスと関連することを検出し、
   前記スペクトルは前記分光測定の実行の結果で識別され、
   前記一以上のプロセッサは、前記クラスを識別する情報を出力するとき、
   前記未知試料と関連する前記スペクトルが前記クラスと関連するという決定に基づいて前記クラスを識別する情報を出力する、
   ことを特徴とする請求項１記載の装置。
6. 前記ＳＶＭリニアクラシファイア技術は、
   ラジアル基底関数型のカーネル関数、
   線形関数型のカーネル関数。
   シグモイド関数型のカーネル関数、
   多項関数型のカーネル関数、又は
   指数関数型のカーネル関数、
   の少なくとも一つと関連する、
   ことを特徴とする請求項１記載の装置。
7. 前記一以上のプロセッサは、前記第２分類を実行するとき、
   確率値、又は
   決定値、
   の少なくとも一つに基づいて前記未知試料を前記クラスに割り当てる、
   ことを特徴とする請求項１記載の装置。
8. 命令を格納するコンピュー可読媒体であって、前記命令は、一以上のプロセッサにより実行されるとき、前記一以上のプロセッサに、
   前記グローバル分類モデルを第１制御装置から受信させ、
   前記グローバル分類モデルは、前記第１制御装置によって生成され、前記一以上のプロセッサを含む複数の第２制御装置に分配され、
   前記グローバル分類モデルは、一組のクラスを含み、
   複数の未知試料を含む未知セットの一組の分光測定の結果を識別する情報を受信させ、
   前記一組の分光測定の結果及び前記グローバル分類モデルに基づいて前記複数の未知試料の第１分類を実行させて、前記未知試料のスペクトルを前記クラスに割り当てさせ、
   前記グローバル分類モデルとしてサポートベクトルマシン（ＳＶＭ）リニアクラシファイア技術を利用し、
   前記第１分類に基づいて前記複数の未知試料のために一組のローカル分類モデルを生成させ、
   前記一組のローカル分類モデルとしてＳＶＭリニアクラシフィア技術を利用し、
   前記一組のローカル分類モデルは、前記グローバル分類モデルの前記一組のクラスのサブセットを含み、
   前記一組の分光測定の結果及び前記一組のローカル分類モデルに基づいて前記複数の未知試料の第２分類を実行させて、前記未知試料のスペクトルを前記サブセットの一つのクラスに割り当てさせ、
   前記第２分類の実行に基づいて前記複数の未知試料の分類を識別する情報を出力させる、
   一以上の命令を含む、
   ことを特徴とするコンピュータ可読媒体。
9. 前記グローバル分類モデルは第１スペクトロメータにより実行される一以上の分光測定に基づいて生成され、
   前記一以上のプロセッサに前記一組の分光測定の結果を識別する情報を受信させる前記一以上の命令は、前記一以上のプロセッサに、
   前記一組の分光測定の結果を識別する前記情報を第２スペクトロメータから受信させ、
   前記第２スペクトロメータは前記第１スペクトロメータと異なり、
   前記一以上のプロセッサに前記第１分類を実行させる前記一以上の命令は、前記一以上のプロセッサに、
   前記第２スペクトロメータから受信される前記一組の分光測定の結果及び前記第１スペクトロメータにより実行される一以上の分光測定に基づいて生成される前記グローバル分類モデルを用いて前記第１分類を実行させる、
   ことを特徴とする請求項８記載のコンピュータ可読媒体。
10. 前記一以上のプロセッサに前記一組の分光測定の結果を識別する情報を受信させる前記一以上の命令は、前記一以上のプロセッサに、
    前記複数の未知試料に対応する複数のスペクトルを受信させ、
    前記一以上のプロセッサに前記第１分類を実行させる前記一以上の命令は、前記一以上のプロセッサに、
    前記複数のスペクトルを前記グローバル分類モデルの一以上のクラスに割り当てさせ、
    前記グローバル分類モデルの一以上のクラスは一以上の化合物に対応する、
    ことを特徴とする請求項８記載のコンピュータ可読媒体。
11. 前記一以上の命令は、前記一以上のプロセッサにより実行されるとき、前記一以上のプロセッサに、
    前記一以上のクラスと前記複数のスペクトルの特定のスペクトルに対して一以上の信頼メトリックを決定させ、
    前記一以上の信頼メトリックの一信頼メトリックは、前記特定のスペクトルが前記一以上のクラスのうちの前記一信頼メトリックスに対応する特定のクラスと関連する可能性を示し、
    前記一以上の信頼メトリックに基づいて前記特定のスペクトルを前記特定のクラスに割り当てさせ、
    前記一以上のプロセッサに前記一組のローカル分類モデルを生成させる前記一以上の命令は、前記一以上のプロセッサに、
    前記一以上の信頼メトリックに基づいて前記一以上のクラスのサブセットを選択させ、
    前記一以上のクラスの前記サブセットに基づいて、前記一組のローカル分類モデルのうちの特定のローカル分類モデルを生成させる、
    ことを特徴とする請求項１０記載のコンピュータ可読媒体。
12. 前記一以上のプロセッサに前記一組の分光測定の結果を識別する情報を受信させる前記一以上の命令は、前記一以上のプロセッサに、
    前記複数の未知試料に対応する複数のスペクトルを受信させ、
    前記一以上のプロセッサに前記第２分類を実行させる前記一以上の命令は、前記一以上のプロセッサに、
    前記複数のスペクトルを前記一組のローカル分類モデルの一以上のクラスに割り当てさせ、
    前記一組のローカル分類モデルの前記一以上のクラスは前記一以上の化合物に対応し、
    前記一以上のプロセッサに前記複数の未知試料の分類を識別する情報を出力させる前記一以上の命令は更に、
    前記複数のスペクトルの前記一以上のクラスへの割り当てに基づいて前記複数の未知試料の一未知試料と関連する前記複数のスペクトルの一スペクトルが割り当てられる前記一以上のクラスのうちの一クラスを示す情報を出力させる、
    ことを特徴とする請求項８記載のコンピュータ可読媒体。
13. 前記一以上のプロセッサに前記第２分類を実行させる前記一以上の命令は、前記一以上のプロセッサに、
    前記一組のローカル分類モデルのうちの特定のローカル分類モデルと、前記複数の未知試料のうちの特定の未知試料とに関連する一組の決定値を決定させ、
    前記決定値は前記特定のローカル分類モデル一組のクラスのうちの一クラスに対応し、
    前記一組の決定値に基づいて前記特定の未知試料を前記一組のクラスの前記特定のクラスに割り当てさせる、
    ことを特徴とする請求項８記載のコンピュータ可読媒体。
14. 装置によって、第１制御装置からグローバル分類モデルを受信するステップと、
    前記グローバル分類モデルは、前記第１制御装置によって生成され、前記装置を含む複数の第２制御装置に分配され、
    前記グローバル分類モデルは、一組のクラスを含み、
    前記装置によって、第１スペクトロメータにより実行された未知試料の分光測定の結果を識別する情報を受信するステップと、
    前記装置によって、前記分光測定の結果及び前記グローバル分類モデルに基づいて前記未知試料の第１分類を実行し、前記未知試料のスペクトルを前記クラスに割り当てるステップと、
    前記グローバル分類モデルはサポートベクトルマシン（ＳＶＭ）クラシファイア技術および前記第１制御装置に関連する第２スペクトロメータにより実行された一組の分光測定を利用して生成され、
    前記装置によって、前記第１分類に基づいてローカル分類モデルを生成するステップと、
    前記ローカル分類モデルはＳＶＭクラシファイア技術を利用し、
    前記ローカル分類モデルは前記グローバル分類モデルの前記一組のクラスのサブセットを含み、
    前記装置によって、前記分光測定の結果及び前記ローカル分類モデルに基づいて前記未知試料の第２分類を実行し、前記未知試料のスペクトルを前記サブセットの一つのクラスに割り当てるステップと、
    前記装置によって、前記第２分類の実行に基づいて、前記未知試料と関連する前記サブセットの一つのクラスを識別する情報を出力するステップと、を含む、
    ことを特徴とする方法。
15. 前記ＳＶＭクラシファイア技術と関連するカーネル関数は、
    ラジアル基底関数型のカーネル関数、
    線形関数型のカーネル関数。
    シグモイド関数型のカーネル関数、
    多項関数型のカーネル関数、又は
    指数関数型のカーネル関数、
    の少なくとも一つを含む、
    ことを特徴とする請求項１４記載の方法。
16. 前記第２分類を実行するステップは、
    前記サブセットのクラスと関連する確率値、又は
    前記サブセットのクラスと関連する決定値、
    の少なくとも一つに基づいて前記未知試料を前記サブセットのクラスに割り当てる、
    ことを特徴とする請求項１４記載の方法。
17. 前記第１スペクトロメータは前記第２スペクトロメータと異なる、ことを特徴とする請求項１４記載の方法。
18. 前記グローバル分類モデルをデータ構造で格納するステップ、を含み
    前記第１分類を実行するステップは、
    前記グローバル分類モデルを前記データ構造から取得するステップと
    前記第１分類を前記グローバル分類モデルを用いて実行するステップと、を含む、
    ことを特徴とする請求項１４記載の方法。
19. 前記第２分類と関連する信頼メトリックを識別する情報を供給するステップを更に含み、
    前記信頼メトリックは前記未知試料の前記クラスへの割り当てと関連する信頼の目安を表す、
    ことを特徴とする請求項１４記載の方法。