JP6700226B2 - 分析物を特徴付ける方法及びデバイス - Google Patents

Description

本発明は、製品とその標準参照との比較に関する製品品質コントロールに関する。

化学成分の検出は、化学成分の種類及び／又は品質の識別を示す。化学検出の一般分野では、分析物は、化学測定で特に関心がある物質又は成分を示す。トランスデューサは、センサからの情報をセンサによる物質又は成分の検出を表す物理的信号（例えば、電気強度）に変化する要素である。感度とは、小量の成分であっても検出するセンサの能力を表す。選択性とは、センサにより検出された成分を精密に特定する能力を示す。

多数の生化学的センサが存在する。例えば、ガスクロマトグラフィの本質は、ガス成分をカラム中に通すことにある。カラム内の静的相の組成が明白な場合、各タイプの成分は、滞留時間と呼ばれるカラムを渡るための特定の持続時間により特徴付けられる。通常のガスクロマトグラフィシステムでは、検出器がカラムの端部に配置され、検出器は、随時、カラムを出る成分の数量を表す値を出力する。したがって、ガスクロマトグラフで処理される流体中において高濃度で存在する成分は、その成分を特徴付ける滞留時間の周囲に強度ピークを生成する。ガスクロマトグラフィピークの分析及び１組の分析物の参照値との比較は、流体中に存在する成分の種類及び数量を特定する広く使用されている方法である。

しかし、ガスクロマトグラフィセンサの選択性は、幾つかの成分が同等の滞留時間を有する場合、又はカラム端部におけるセンサの時間分解能が、２つの異なる分析物により生成されるピークの曖昧さをなくすのに十分に高くない場合、制限され得る。

ＣＭＯＳガスセンサ、例えば、金属酸化膜ガスセンサは、ガス中の成分を検出する別の群の生化学的センサを形成する。金属酸化膜ガスセンサは、ガス中の幾つかの成分の濃度並びに検知層の化学的組成及び層の表面温度等のセンサに固有のパラメータに従って、電気構成要素の感度を変更する。金属酸化膜センサによっては、表面組成及び温度に関して、単一の分析物を精密に検出するように設計されるものがある。他方、金属酸化膜センサによっては、様々な温度で測定を生成するように設計されるものもあり、センサの表面の温度に伴って変化する各分析物に起因して感度が変わる。しかし、分析物候補が多数であること及び多くの分析物が同じ温度でセンサの感度を変える可能性に起因して、多数の分析物へのそのようなセンサの選択性は低いままである。そのような欠点は、ＣＭＯＳセンサの２Ｄアレイを使用することにより軽減し得、アレイ内の各センサは、ガス中の異なる分析物に対して高感度を有する。また、欧州特許第２７１８７０５号明細書の下で公開された本願の出願人に譲渡された欧州特許出願に開示される等のＣＭＯＳセンサの３Ｄ積層を使用して、センサ構成の選択性を増大させることができる。分析の特定は一般に、実際の測定とライブラリから得られた参照値との比較に基づく。例えば、ガスクロマトグラフィでは、ピークの滞留時間を同じガスクロマトグラフィカラム内の異なる分析物の１組の理論上の滞留時間と比較することにより、分析物を識別することができる。しかし、分析物の種類を特定するには、この分析物の信頼できるソースからの理論値が既に存在している必要がある。したがって、分析物候補数が多いことに起因して、可能な限り多数のソースからの理論データを使用することが望ましい。

ガスクロマトグラフィでは、コヴァッツインデックスは、カラムの種類についての化合物の滞留時間の一般化であり、カラムの種類は、カラムの静的相により特定される。各ピークの滞留時間の値は、カラム長、温度等のパラメータに従ってコヴァッツインデックスに変換することができ、コヴァッツインデックスはカラムの種類のみに依存し、したがって、同じ静的相を有する異なるカラムを比較できるようにし、大規模データベースの協働的な作成を可能にする。

個々の分析物候補のそれぞれの参照データを含む大規模データベースを想像することは可能であるが、そのような手法は、特徴付けるべき試料分析物が、単純な個々の参照分析物に対応すると仮定する。多くの現実世界の状況では、分析物は、それぞれが特定の参照分析物により大きい程度又は小さい程度で対応し得、幾つかはデータベースで全く未知であり得る成分の複雑な混合物を含む。

この種のシステムの既知の一用途は、分析物が特定の品質基準を満たすか否かを判断することである。上記技法に基づいて、従来の手法では、試料分析物に対して実行された測定と参照データセットとの統計学的比較を実行する。

この統計学的比較は、ｋ−ＮＮ（ｋ最近傍法）、ＣＡ（クラスタ分析）、ＤＦＡ（判別関数分析）、ＰＣＡ（主成分分析）、ＰＣＲ（主成分回帰）、多重線形回帰（ＭＬＲ）、階層クラスタ分析（ＨＣＡ）等の多変量分析技法により実行し得る。この手法の問題は、これらの比較が、品質問題を示唆する特徴的なばらつきと、関心が殆どない他のランダムな試料のばらつきとを有効に区別することができないことである。したがって、これらの従来の技法は、全ての試料を許容可能と評価しがちであるか、又は非常に厳しい基準が設定される場合、検出されたばらつきが品質の問題に対応しないという事実にもかかわらず、多くの分析物を不合格と評価しがちである。

欧州特許第２７１８７０５号明細書

欧州特許第１８４５４７９号明細書は、これらの問題のうちの特定の問題への部分的な解決策を表す。それにもかかわらず、そのような化学的分析の結果に基づいて、新しい製品試料が、その製品の参照試料からの逸脱を示すか否か及び任意のそのような逸脱に鑑みて、製品がなお、品質基準を満たすと見なすことができるか否かを判断するより高速で効率的なメカニズムを提供することが望ましい。特に、許容可能な試料の拒絶発生を増大させずに、品質基準を満たしていない試料の大部分を確実に検出することが可能なメカニズムを提供することが望ましい。

本発明によれば、第１の態様において、指定されるカテゴリの分析物を特徴づける方法であって、
・物理的パラメータの第１のシリーズの測定をセンサから受信するステップと、
・上記第１のシリーズの上記測定のそれぞれを上記指定されるカテゴリに定義される第２のシリーズ内の対応する最小値及び上記指定されるカテゴリに定義される第３のシリーズ内の対応する最大値と比較するステップと、
・上記対応する最大値を超える任意の隣接する上記測定又は上記対応する最小値未満である任意の隣接する上記測定をグループ化するステップと、
・上記グループをそれぞれ異常としてフラグ付けるステップと
を含む方法が提供される。

第１の態様の発展によれば、特徴付けることは、分析物が品質基準を満たすか否かの指示を含み、本方法は、グループが、品質基準からの逸脱を反映するか否かを判断する更なるステップを含む。

第１の態様の発展によれば、本方法は、特定の分析物の代表であることが分かっている１つ又は複数の試料に対して実行された１つ又は複数の組の測定に基づいて、第２のシリーズ及び第３のシリーズを定義する更なるステップを含む。

第１の態様の発展によれば、本方法は、第２のシリーズ及び第３のシリーズに対して第１のシリーズを進めるか、又は遅らせて、可能な限り最良の位置合わせを得る更なるステップを含む。

第１の態様の発展によれば、本方法は、任意の測定が対応する最大値を超える場合、上記対応する最大値を超えるその測定のそれぞれに、上記測定が上記対応する最大値を上回る程度を反映する相違インデックスが計算され、任意の測定が対応する最小値未満である場合、上記対応する最小値未満のその測定のそれぞれに、上記測定が上記対応する最小値を下回る程度を反映する相違インデックスを計算するような更なるステップを含む

第１の態様の発展によれば、本方法は、予め定義される組の分類から選択される各分類に各グループを分類する更なるステップを含み、予め定義される組の分類内の各分類は、各グループを構成する測定の形態と、代表的な分析物の２つ以上の組の測定が実行される組の測定にわたる平均値を表す第２のシリーズ、第３のシリーズ、又は第４のシリーズの対応する値の形態とを記述する。

第１の態様の発展によれば、分類のうちの少なくとも１つは、
各グループが極値を定義し、第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値も極値を定義する状況、又は
各グループが極値を定義し、第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値が、極値を定義しない状況、又は
各グループは極値を定義せず、第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値が極値を定義する状況、又は
各グループも第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値も極値を定義せず、各グループ内の測定の値が、第２のシリーズ内の対応する値を超える状況、又は
各グループも第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値も極値を定義せず、各グループ内の測定の値が、上記第３のシリーズ内の対応する値未満である状況
に対応する。

第１の態様の発展によれば、本方法は、１つ又は複数のグループ内の測定を１組の追加の参照データセットと比較する更なるステップと、
グループ内の測定に最も密に対応する、１組の追加の参照セット内の参照データを識別する更なるステップと、
対応する参照データセットの特徴を分析物に関連付ける更なるステップと
を含む。

第１の態様の発展によれば、各グループ内の測定を１組の追加の参照データセットと比較するステップ及び測定に最も密に対応する参照データセットを識別するステップは、分類に関して実行される。

第１の態様の発展によれば、センサは、分析物に露出された場合、時間の経過に伴って進化する値を生成する任意のセンサであり、ある範囲の値内で単調に変化する第１のシリーズの測定は、測定期間にわたり得られる一連の測定に対応する。

第１の態様の発展によれば、センサはＭＯＳセンサ又はガスクロマトグラフである。

第２の態様の発展によれば、指定されるカテゴリの分析物を特徴づける装置であって、物理的パラメータの第１のシリーズの測定をセンサから受信することと、第１のシリーズの測定のそれぞれを指定されるカテゴリに定義される第２のシリーズ内の対応する最小値及び指定されるカテゴリに定義される第３のシリーズ内の対応する最大値と比較することと、対応する最大値を超える任意の隣接する測定又は対応する最小値未満である任意の隣接する測定をグループ化することと、グループをそれぞれ異常としてフラグ付けることとを行うように構成される、装置が提供される。

第３の態様によれば、第１の態様を実施するように構成される装置が提供される。

第４の態様によれば、第１の態様を実施するように構成されるコンピュータプログラムが提供される。

幾つかの例示的な実施形態の以下の説明及びその添付図から、本発明はよりよく理解され、本発明の様々な特徴及び利点が現れる。

本発明の実施形態と互換性を有するセンサの測定の例示的な出力を表す。 実施形態による方法を示す。 図２の実施形態による例示的な第１のシリーズの測定の表現を示す。 図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。 第１のシリーズが横軸での再位置合わせを受けた状態の図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。 第１のシリーズの測定と比較した、図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。 第４のシリーズを参照して定義される図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。 図６の例示的な第２及び第３のシリーズの値に基づくグループ化の表現を示す。 異常グループと参照データセットとの比較の表現を示す。 本発明の実施形態を実施するように構成可能な汎用計算システムを示す。 実施形態を構成するように構成可能なスマートフォンデバイスを示す。 実施形態を構成するように構成可能なハンドスキャナデバイスを示す。 実施形態を構成するように構成可能なデスクトップコンピュータデバイスを示す。

ガスクロマトグラム（ＧＣ）又はガスセンサ（ＧＳ）のような測定機器を使用して、製品を分析する場合、１組の時間依存データが生成される。クロマトグラムの幾つかの部分はピークに関連付けられる。各ピークは一般に、分析される複雑な製品を形成する１つ又は複数の分析物に対応する。ＧＳの場合、上昇部分、最大、及び下降部分を含む３つの部分をデータに考慮し得る。

提供される完全な組の値から選択された測定のみが一般に、データ処理に使用されるライブラリの構築に考慮される。例えば、ＧＣの場合での幾つかのピークの表面及びＧＳの場合でのセンサ応答の最大。これに関して、ライブラリはデータテーブルであり得、各ラインは分析された製品に関連付けられ、各列は変数に関連付けられる。ＧＳの場合、各変数は、センサガス感度の最適を表す。ＧＣの場合、各変数は、少なくとも、分析された１つの製品で観測された少なくとも１つのピークに含まれる滞留時間の間隔を表す。

本明細書では、本発明は、ＧＣ及びＣＭＯＳセンサに関連する例として説明される。しかし、本発明はこれらのセンサに限定されず、第１の物理的パラメータの値の変化が、分析物の少なくとも濃度を表す第２の物理的パラメータの値の変化を暗示する任意のセンサに適用することができる。

図１は、本発明の実施形態と互換性を有するセンサの測定の例示的な出力を表す。

図１は、ガスクロマトグラフィカラムの測定の出力に対応し得る。

曲線１００は、単一の分析物を含むガス化合物に対してガスクロマトグラフィセンサを使用する検知手順の出力を表す。滞留時間は横軸に表され、滞留時間にカラムを出る粒子量を表す測定強度は、縦軸に表される。強度１０１、１０２、１０３のピークは明らかに、カラム上の分析物を特徴付ける連続滞留時間に出現する。この例では、ピーク１０１、１０２、１０３の滞留時間は異なる。ＧＣカラムでのピークの滞留時間の分析又はＧＣカラム型でのピークのコヴァッツインデックスは、分析物の種類の指示であり、一方、ピークの強度は、対応する分析物の相対量の指示である。コヴァッツインデックスは正規化された測定であり、参照コヴァッツインデックスの大規模データベース、例えば、ＮＩＳＴデータベースが存在する。測定されたコヴァッツインデックスをデータベース内の参照インデックスと比較することにより、分析物候補を識別することができる。しかし、複数の異なる分析物が非常に類似する滞留時間を有し得る。したがって、ピークを観測して、複数の中から１つのピークを識別することは困難なことがある。

金属酸化膜センサによる測定の結果として、同様の出力が出力され得る。

ＭＯＳガスセンサは一般に、金属酸化膜センサ材料の加熱されたプレートで作られる。特にセンサの構造、プレートの材料、及び動作温度を含むパラメータに従って、センサは、プレートの感度のばらつきを生み出す分析物を吸収する。プレートの感度の測定により、分析物を検出することができる。ＭＯＳガスセンサによっては、非常に選択性が高く、精密な分析物に反応するものがある。他のタイプのＭＯＳセンサは複数の分析物を検出することが可能であり、分析物に接触する感度の変動は、プレートの温度、プレートを照明するＵＶパルスの波長、及びセンサを偏極させる電流の強度等の物理的パラメータに従って変化する。

データベースは通常、既知の分析物に対してセンサを用いて測定を捕捉することにより構築される。データベースは、ガスクロマトグラフィのＮＩＳＴデータベースのような公開データベースであってもよく、又はエンティティの内部で構築される私設データベースであってもよい。データベースは、特定のセンサに関連する参照値、例えば、製造業者からのＧＣカラムの滞留時間を含み得るか、又はセンサタイプに適用される正規化値、例えば、分析物及びＧＣカラムタイプでの参照コヴァッツインデックスを含み得る。

図２は、実施形態による方法を示す。

図２に示されるように、指定されるカテゴリの分析物を特徴付ける方法が提供される。

本明細書で参照される特徴付けは、分析物が特定の品質基準を満たすか否かの判断を構成し得る。

使用されるセンサに応じて、実施形態は、流体中の分析物の特徴付けに関連し得る。流体という用語は、本説明全体を通して使用される場合、最も広義の意味で理解されるべきであり、すなわち、測定を行い得る温度範囲及び圧力範囲で流れることが可能な任意の媒質であると理解されるべきである。したがって、流体は、液体、気体、プラズマ、細粉又は粉体の粘性固体又は塊を含み得る。流体は、エマルジョン、エアロゾル、気体キャリア内に分散した固体又は流体の粒子等の同種又は異種であり得るそのような物質の組合せを含むこともできる。これは、１つのみの分子を含む流体又は幾つか若しくは全てが特徴付けられるべき試料に対応し得、一方、他が不活性であり得るか、若しくは単にキャリアとして機能し、特徴付けられるべきではない複数の異なる分子を含む流体を含み得る。

試料がセンサと反応すると予期される相がこの相であるという点で、試料の物質の相が重要であることも念頭に置かれたい。ガスセンサから離れたシステムの部分で、試料が別の形態で存在し得ることが完全に可能である。

図２に示されるように、方法はステップ２００において開始され、それから、ステップ２０５に進み、物理的パラメータの第１のシリーズの測定が、センサから受信される。

特に、センサは、分析物に露出された場合、時間の経過に伴って進化する値を生成する任意のセンサであり得、したがって、第１のシリーズの測定は、測定期間にわたり取得された一連の測定に対応し得る。

例として、センサは、上述したように、ＭＯＳセンサ又はガスクロマトグラフであり得る。

第１のシリーズの測定は、一連のサンプル値の形態でとり得る。これらは、所定の間隔でのセンサの出力又は所定の間隔にわたる平均出力等を表し得る。所定の間隔は、一定の等しい持続時間であってもよく、予め定義されるプログラムに従って試料毎に異なってもよく、又は例えば、出力値の検出される変化率に応じて動的に決定されてもよい。センサの出力が連続アナログ信号である場合、ある時点で、信号をサンプリングして、第１のシリーズの測定を取得し得る。

図３は、図２の実施形態による例示的な第１のシリーズの測定の表現を示す。

図３は、上述したような図１と同じレイアウトに従い、強度は縦軸に描かれ、時間は横軸に描かれる。本例では、図３の曲線３１０が、図１に示される曲線と同じタイプの試料での測定結果であると仮定し得る。したがって、図１及び図３の曲線が同一であるべきであるが、上述した理由により、実際には、テスト試料が対応する参照試料とぴったり一致することは希であることを予期し得、これらの逸脱を克服又は特徴付けることが特定の実施形態の目的である。したがって、示されるように、曲線３１０は、第１のピーク３１１、第２のピーク３１２、及び第３のピーク３１３を含む。図１及び図３の曲線が連続曲線として表されるが、上述したステップ２０５によれば、実際には、一連の離散値又は離散測定を含むことに更に留意し得る。本例では、測定数が、曲線が平滑で連続しているように見えるほど十分に多いと仮定する。他の場合、これが該当する必要はない。

ステップ２０５に関して留意されるように、１組の測定３１０は、指定されるカテゴリに対応する。１組の測定のカテゴリは、本発明に関して適し得るように、任意の程度の粒度の分類に従って定義し得る。

好ましくは、指定されるカテゴリは、特徴付けるべき試料のタイプに可能な限り密に対応する。指定されるカテゴリは、特徴付けられる試料のタイプについて利用可能な任意の情報に基づいて選択し得る。これは、試料について利用可能な任意の情報を提供するユーザ入力を含み得る−例えば、ユーザは、試料が特定の製品であるか、又は製品のタイプであることを指定し得、次にこれは、指定されるカテゴリを選択するベースを提供し得る。代替的には、システムは、他のデバイスと通信して、関連情報を取得し得る−例えば、接続された冷蔵庫が、冷蔵庫の内容物についての情報を提供することが可能であり得、又は製品のパッケージが、指定されるカテゴリの最適な選択をサポートする追加情報の検索に使用することができるバーコード、ＲＦＩＤタグ、若しくは他の識別子を有し得る。幾つかの場合、温度、圧力、及び湿度等の周囲状況の読み取り値に応じて、異なるカテゴリが適用可能であり得る。

カテゴリは、階層構造で定義し得、例えば、階層内の各レベルは、研究中の試料のタイプの異なるサブカテゴリに対応する。例えば、試料カテゴリが「コーヒー」である場合、指定されるカテゴリは、様々な異なるサブカテゴリ（種、産地、状態、味のプロファイル、品質等）について提供し得る。

特定の実施形態、特に、実行される特徴付けが、分析物が特定の品質基準を満たすか否かの判断を構成する実施形態では、カテゴリは単に、製品自体の参照試料を示し得、それにより、特徴付けは、分析物が、更に後述するような特定の許容差内で、試料製品の参照試料を満たすか否かの指示を含むことができる。

図４は、図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。

図４は、上述したような図１と同じレイアウトに従い、強度は縦軸に描かれ、時間は横軸に描かれる。図３に示される第１のシリーズの測定３１０は、図４と同一に描かれる。さらに、第２のシリーズの最小値４２０に対応する曲線及び第３のシリーズの最大値４３０に対応する曲線も示される。曲線４２０及び４３０の形が、図１を参照して説明した曲線１００の形に対応することに留意し得る。具体的には、曲線４２０は、ピーク１０１、１０２、及び１０３に対応するピーク４２１、４２２、及び４２３を有し、曲線４３０は、ピーク１０１、１０２、及び１０３に対応するピーク４３１、４３２、及び４３３を有する。これは、最大値及び最小値が、選択されるカテゴリの１つ又は複数の代表的な試料に対して実行される幾つかの組の測定の蓄積により定義されるという概念を反映しており、図１の曲線は、選択されるカテゴリの代表的な試料に対して実行される１つのそのような組の測定を表すものと解釈される。

図４に示されるように、第１の曲線３１０と第２の曲線４２０及び第３の曲線４３０との時間軸上の位置合わせが不良であることを観測し得る。特定の実施態様では、これは、較正の問題であるか、又は試料間の基本的な差に対応しないばらつきを表し得る。したがって、第２及び第３のシリーズに対して第１のシリーズを進めるか、又は遅らせて、可能な限り最良の位置合わせを得るという任意選択的なステップを提供し得る。

図５は、第１のシリーズが横軸での再位置合わせを受けた状態の図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。

図５は、上述したような図１と同じレイアウトに従い、強度は縦軸に描かれ、時間は横軸に描かれる。図５に示される第１のシリーズの測定５１０は、図３及び図４の曲線３１０と同様に描かれるが、ピーク５１１がピーク４３１及び４２１と位置合わせされ、ピーク５１２がピーク４３２及び４２２と位置合わせされるように、横軸で再位置合わせされている。

第１のシリーズの測定が、図５を参照して説明されたように再位置合わせされるか否かに関係なく、方法は次にステップ２１０に進み、第１のシリーズ内の各測定は、指定されるカテゴリに定義される第２のシリーズ内の対応する最小値と比較される。

第２のシリーズ、第３のシリーズ、及び妥当な場合には第４のシリーズは、図７に関して更に説明するように、一連の試料の測定から取得し得る。参照試料のｎ組も測定が利用可能な場合、ｉ番目の試料にｍ個の測定のベクトルＳ（ｉ，ｊ）を関連付け得る。Ｓ（ｉ，ｊ）は、ｊ＝１〜ｍのベクトルの総称であり、強度は時刻ｊにおいて記録される。

各時刻ｊ、ｎ個１組の測定｛Ｓ（ｉ，ｊ），ｉ＝１〜ｎ｝で、以下を上述したように定義し得る。
Ｍａｘ（ｊ）＝Ｍａｘｉｍｕｍ（｛Ｓ（ｉ，ｊ），ｉ＝１〜ｎ｝）（第３のシリーズ）
Ｍｉｎ（ｊ）＝Ｍｉｎｉｍｕｍ（｛Ｓ（ｉ，ｊ），ｉ＝１〜ｎ｝）（第２のシリーズ）
Ｍｅａｎ（ｊ）＝Ｍｅａｎ（｛Ｓ（ｉ，ｊ），ｉ＝１〜ｎ｝）（第４のシリーズ）

柔軟なモデルを有するために、スケーリング係数アルファ及びベータを用いて新しい限度を定義し得る。
ＭａｘＮｅｗ（ｊ）＝アルファ^＊Ｍａｘｉｍｕｍ（｛Ｓ（ｉ，ｊ），ｉ＝１〜ｎ｝）、アルファ≧１
ＭｉｎＮｅｗ（ｊ）＝ベータ^＊Ｍｉｎｉｍｕｍ（｛Ｓ（ｉ，ｊ），ｉ＝１〜ｎ｝）、０＜ベータ≦１

アルファ及びベータは、例えば、図７を参照して考察されるように、学習段階中に特定される、問題となっている製品カテゴリの許容可能な試料間の変動の典型的な程度に基づいて定義し得る。

その一方で、第１のシリーズはＭ（ｊ）、ｊ＝１〜ｍを含み、これは、未知の試料が分析される場合に生成される１組の測定である。各ｊについて、値Ｍ（ｊ）は、
Ｍ（ｊ）＞ＭａｘＮｅｗ（ｊ）又は、Ｍ（ｊ）＜ＭｉｎＮｅｗ（ｊ）
である場合、異常値として見なされ得る。

図６は、第１のシリーズの測定と比較した、図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。

示されるように、例として、測定プロセスでの時刻ｔ１に対応する第１のシリーズ内の特定の測定６１４は、指定されたカテゴリに定義される第２のシリーズ内の対応する（すなわち、同じ時間間隔ｔ１に定義される）最小値６２４と比較される。

この比較は、第１のシリーズ内の各値に対して実行される。

次に、方法はステップ２１５に進み、第１のシリーズ内の各測定は、指定されたカテゴリに定義される第３のシリーズ内の対応する最大値と比較される。

示されるように、例として、測定プロセスでの時刻ｔ１に対応する第１のシリーズ内の特定の測定６１４は、指定されたカテゴリに定義される第３のシリーズ内の対応する（すなわち、同じ時間間隔ｔ１に定義される）最大値６３４と比較される。

この比較は、第１のシリーズ内の各値に対して実行される。

順次記載されるが、ステップ２１０及び２１５を第１のシリーズ内の各値に対して並列して実行することも可能なことが理解される。

なおさらに、上記説明が、第１のシリーズの全ての測定が受信されてから、次に第２及び第３のシリーズの値とまとめて比較されることに基づいて進むが、これらのステップが測定単位で実行されることもでき、それにより、新しい各測定が、受信されると、第１の完全なシリーズが利用可能になる前に、第２及び第３のシリーズ内の対応する値と比較されることが理解される。

第１及び第２のシリーズは、別個の各値として、又は他の方法で記憶し得る。例えば、第２又は第３のシリーズ内の各値と第４のシリーズ内の対応する値との差を示す逸脱値と共に、第４のシリーズ内の単一の参照値として記憶し得る。

図７は、第４のシリーズを参照して定義される図２の実施形態による例示的な第２及び第３のシリーズの値の表現を示す。

図７は、上述したような図１と同じレイアウトに従い、強度は縦軸に描かれ、時間は横軸に描かれる。第４のシリーズの値７４０は、曲線４２０及び４３０と同様に描かれ、ピーク７４１がピーク４３１及び４２１と位置合わせされ、ピーク７４２がピーク４３２及び４２２と位置合わせされ、ピーク７４３がピーク４３３及び４２３と位置合わせされるような、生成された全ての学習値間の瞬間平均を表す。

特定の実施形態では、第４のシリーズは、学習プロセスを通して取得し得、それにより、１つ又は複数の組の測定が、特定の分析物の代表であることが分かっている１つ又は複数の試料に対して実行される。例えば、実行される特徴付けが、分析物が特定の品質基準を満たすか否かの判断を構成する実施形態では、第４のシリーズは、１つ又は複数の組の測定をその分析物の代表であることが分かっている１つ又は複数の試料に対して実行することにより取得し得る。次に、第４のシリーズは、代表的な分析物の２つ以上の組の測定が実行される組の測定にわたる平均値を表し得、第２及び第３のシリーズは、それらの組の測定にわたって遭遇した最大値及び最小値をそれぞれ表し得る。この手法に従う場合、最大値及び最小値はそれぞれ、追加の許容差マージンにより乗算し得る（上述したように、最大値は所定の割合アルファだけ増大され、最小値は所定の割合値ベータだけ低減される）。許容差マージンは、絶対値の割合であってもよく、又は平均からの瞬間偏差の割合であってもよい。割合は一定であってもよく、又は試料の性質（所与の製品カテゴリでは、特定のばらつきが他の製品カテゴリよりも許容可能であり得る）、使用されるセンサのタイプ（特定のセンサは、異なる成分への感度がより高いか、若しくは低いことがあり、したがって、測定シリーズの特定の領域に異常値をより生成しやすい）、又は測定セットの統計学的特徴（例えば、試料間のより大きなばらつきが観測される領域では、許容差マージンを広げることが望ましいことがある）に基づいて可変であってもよい。他の実施形態、特に１つのみの代表的な測定セットが得られる実施形態では、第２及び第３のシリーズは、第４のシリーズ（測定セット自体に対応する）の予め定義される割合として直接設定し得る。

第２及び第３のシリーズが定義されるか、又は記憶される様式に関係なく、方法は次に、ステップ２２０に進み、対応する最大値を超える任意の隣接する測定又は対応する最小値未満の任意の隣接する測定は、グループ化される。

これに基づいて、値は、全ての異常点のインデックスセットで「アウト」として記され得る。

任意選択的に、例えば、

により、相違インデックスを定義し得る。

この相違インデックスが０よりも大きく、１００よりも小さいことを見て取ることができる。異常値毎に、値Ｍ（ｊ）がＭｉｎＮｅｗ（ｊ）又はＭａｘＮｅｗ（ｊ）から異なる量が大きいほど、相違値は１００に近くなる。

したがって、任意の測定が対応する最大値を超える場合、対応する最大値を超えるその各測定に相違インデックスが計算され、この相違インデックスは、対応する最大値が超える程度を反映し、任意の測定が対応する最小値未満である場合、対応する最小値を下回るその各測定に相違インデックスが計算され、相違インデックスは、測定が対応する最小値を下回る程度を反映するような追加のステップを提供し得る。

より具体的には、グループ化プロセスは以下のように実施し得る。
ステップ０：「アウト」基準に対応する測定は、昇順でソートされる。
ステップｉ：「アウト（ｋ＋１）−アウト（ｋ）＞シグマ」であるようなインデックス「ｋ」を識別する。ここで、シグマは、ユーザにより定義し得る「パラメータ数」である。ｉ番目のグループは、

により定義される。

グループ（ｉ）を「アウト」から抽出する。新しい「アウト」が空ではない場合、次のステップ「ステップ（ｉ＋１）」に進む。

終了時、ｐ個のグループの区分を有する。

図８は、図６の例示的な第２及び第３のシリーズの値に基づくグループ化の表現を示す。

示されるように、図８の曲線５１０、４２０、４３０は、横軸において７つのセクションに分割される。セクション８０２、８０４、及び８０６は、曲線４３０により定義される最大値と曲線４２０により定義される最小値との間に入る隣接測定の組に対応する。セクション８０１及び８０３は、第３のシリーズ４３０により定義される最大値を超える隣接測定の組に対応する。セクション８０５及び８０７は、第２のシリーズ４３０により定義される最小値未満の隣接測定の組に対応する。したがって、セクション８０１、８０３、８０５、及び８０７内の隣接測定は、ステップ２２０において、各グループにグループ化される。

最後に、ステップ２２５において、ステップ２２０において最大値又は最小値外にあるものとして識別されたグループは、異常としてフラグ付けられる。このフラグ付けは、測定値へのメタデータの明示的な追加を含んでもよく、又は例えば、グループ化された値が別個に記憶されることに繋がる場合に実行されるグループ化において暗示的であり得る。

このように異常値をフラグ付けることは、特徴付けのベースを提供する−異常グループ又は所定数の異常グループを有する任意の分析物は、品質基準を満たしていないものとして特徴付け得る。

相違値の任意選択的な計算は、特徴付けの更なるベースを提供する−所定の閾値を超える全体相違を示す任意の分析物は、品質基準を満たしていないものとして特徴付け得る。

特定の実施形態では、方法は、異常グループのフラグ付けを超えて進み、異常の原因を特定しようと試み得る。特定の実施形態では、これは、各グループ内の測定を１組の参照データセットと比較し、グループ内の測定に最も密に対応する参照データセットと識別することを含み得る。これらの参照データセット又はライブラリは、例えば、図１又は図７に関して説明したが、測定のシリーズに定義される選択されるカテゴリ以外のカテゴリに対応するようなデータセットを含み得る。これらの参照データセット内で表されるカテゴリは、一般的であり、任意の異物を識別できるようにしてもよく、又は選択されたるカテゴリに一般的又は既知の異物に対応するように予め定義してもよい。例えば、選択されるカテゴリが「コーヒー」である場合、異物の識別に保持される追加の参照データセットは、他の農産物、他の食料品、及びコーヒーに影響することが分かっている寄生虫を含み得る。

特定の実施形態によれば、ステップ２２０において識別された各グループを予め定義される分類の組から選択される各分類に分類する更なるステップを提供し得、各分類は、各グループを構成する測定の形態と、第２のシリーズ、第３のシリーズ、又は第４のシリーズの対応する値の形態とを記述する。例えば、形態は、上昇エリア、下降エリア、平坦エリア、ピーク、トラフ等であり得る。したがって、追加の参照データセットが見つかる場合、分析物は、対応する参照データセットの特徴を組み込むことにより更に特徴付け得る。

特に、特定の実施形態によれば、１つ又は複数のカテゴリは、
１．グループが極値を定義し、第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値も極値を定義する状況、又は
２．グループが極値を定義せず、第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値が極値を定義する状況、又は
３．グループが極値を定義し、第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値が極値を定義しない状況、又は
４．グループも第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値も極値を定義せず、そのグループ内の測定の値が、第３のシリーズ内の対応する値を超える状況、又は
５．グループも第２のシリーズ、第３のシリーズ、若しくは第４のシリーズ内の対応する値も極値を定義せず、各グループ内の測定の値が、第２のシリーズ内の対応する値未満である状況、
に対応して定義し得る。

これは、欧州特許第１８４５４７９号明細書に記載される方法に基づいて達成し得る。

一方では、参照データセット（ターゲット）を表す第２、第３、又は第４のシリーズのピークを考慮し得、他方では、分析物（未知）を表す第１のシリーズを考慮し、

に従って分類し得る。

これに基づいて、グループ８０１はカテゴリ４に入り、グループ８０３はカテゴリ２に入り、グループ８０５はカテゴリ１に入り、グループ８０７はカテゴリ３に入る。

これに基づいて、全ての異常値をカバーする、上記定義されたグループタイプＰ＝｛Ｐ（１），Ｐ（２），Ｐ（３），Ｐ（４），Ｐ（５）｝に対応する５つのクラスの新しい区分を特定することができる。各ｊ、ｊ＝１〜５について、クラス「Ｐ（ｊ）」はタイプｊの全てのグループを含む。各タイプは、未知のサンプルとターゲットとの特定の差を表す。上述した相違値を使用して、この差を定量化し得る。

各クラス「Ｐ（ｊ）」、ｊ＝１〜５について、全ての「Ｐ（ｊ）」要素の全ての相違値を含むクラス「ＰＤｉｓｓ（ｊ）」を関連付ける。

上記提示された５つのグループタイプの適用可能性はある程度、測定を提供するセンサにより生成される典型的な曲線に依存する。上記提示された５つのグループタイプは、例えば、ガスクロマトグラフにより生成される曲線に対して上手く機能するが、例えば、ＭＯＳセンサにより生成される曲線には適用可能性がより低いことがあり、その理由は、ＭＯＳセンサが一連の離散値を生成せず、正確な連続形を生成し得るためである。これが当てはまる場合、上記提示された５つのグループタイプのサブセットを使用し得る。例えば、特定のセンサが離散ピークを生成しない場合、グループタイプ１、２、及び３を省き得る。さらに、幾つかの実施形態では、例えば、曲線の変化率に関連する更なるグループタイプで１組のグループタイプを拡張し得る。

次に、各「ＰＤｉｓｓ（ｊ）」セットを昇順にソートし得る。「パラメータ部分」の平均、例えば、「ＰＤｉｓｓ（ｊ）」の最後の高要素の最後の１０％に等しい値「Ｃｒｉｔｅｒ（ｊ）」に留意し得る。

分析物は、「Ｃｒｉｔｅｒ（ｊ）」がユーザにより選択される「パラメータ閾値」よりも大きい場合、クラス「Ｐ（ｊ）」に従ってターゲットと異なると見なされる。

分析物を参照データセットと比較する全体的最終基準。これを行うために、全ての「ＰＤｉｓｓ（ｊ）」をセット「Ｄｉｓｓ」内のクラスに再グループ化し得る。昇順に最後をソートした後、「Ｄｉｓｓ」の最後の高要素の「パラメータ部分」（例えば、最後の１０％）の平均が計算される。

分析物は、「Ｃｒｉｔｅｒ」が所定の閾値よりも大きい場合、参照データセットと全体的に異なると見なされ得る。

グループの任意選択的なカテゴリ化は、特徴付けの更なるベースを提供し、例えば、特定のカテゴリは、他よりも品質問題をより示すものであると見なされ得る。例えば、第１のシリーズ内にピークが存在し、第４のシリーズにピークが存在しないことは、予期されるように発生するが、予期されるよりも大きいか、又は小さいピークよりも大きな問題であり得る汚染を示し得る。

これらの問題は、グループ毎に相違を計算することにより、上記提示された相違計算と組み合わせた場合、更に改善し、異なる相違閾値は、各グループタイプの相対的重要度を反映して、グループタイプに応じて設定し得る。

特徴付けは、分析物が品質基準を満たすか否かの判断を超え得、任意の検出された異常の原因の識別を含み得る。

グループ内の１組の値の形態は一般に、第２、第３、又は第４のシリーズにより定義されるモデル値と、測定値とのずれの原因の根源を示唆する。例えば、余分なピークは一般に、汚染の存在を示唆し、一方、予期されないトラフは、品質のばらつき又は成分の不在を示唆し得る。したがって、次に、各グループ内の測定を１組の参照データセットと比較するステップ及び測定に最も密に対応する参照データセットを識別するステップをこれらの分類に関して実行し得る。

更なる特徴付けは、異常グループを追加の参照データセットと比較することにより実行し得る。

図９は、異常グループと参照データセットとの比較の表現を示す。

示されるように、図９は２組の軸を提示する。第１の組の軸は図８と同一であり、特に、異常グループ８０１、８０３、８０５、及び８０７を示す。特定の実施形態によれば、１組の参照データセットは、異常グループのうちの１つ又は複数に対応する特徴を有するそれらの追加の参照データセット内の特徴を識別することを目的として、これらの異常グループのそれぞれと比較される。

第２の組の軸は、第１の組の軸と同じレイアウトに従い、強度が縦軸に描かれ、時間が横軸に描かれる。追加の参照データセットに対応する第５のシリーズの値９５０が、曲線４２０及び４３０と同様に描かれる。この参照データセット９５０は多くの考慮されるデータセットの１つであり得るが、曲線９５０が、第１のシリーズの測定値内の幾つかの異常に高い隣接値を構成するグループ８０３に対応することに留意し得る。選択されたカテゴリの平均曲線７４１とこの曲線９５０とを組み合わせて、グループ８０３内の測定の密に一致する値の組を提供し、それにより、特定の実施形態によれば、曲線９５０が対応する物質が何であれ、その物質で汚染された可能性があるものとして測定の結果を注釈付け得る。

特定の実施形態によれば、例えば、ガスクロマトグラフ又はＭＯＳセンサ等のセンサを使用して、参照試料と比較して製品試料を特徴付ける方法又は装置が提供される。この特徴付けは、製品試料が品質基準に準拠しているか否かの指示を含み得る。製品試料のセンサ出力測定の比較は、参照試料の測定から導出し得る最大値曲線及び最小値曲線と比較され、それにより、これらの最大値及び最小値により定義されるエンベロープ外の隣接試料は一緒にグループ化される。異常値の相違インデックスを全体として又はグループ毎に特定し得る。グループは、グループが記述する形状、特にピークの有無及びそれに対応してエンベロープの対応する部分の形状に応じて分類し得る。次に、これらの特定は、準拠指示のベースとして使用し得るとともに、任意の異常の場合の識別を試みるため、特に異物の識別のベースにも使用し得る。

開示される方法は、全体的にハードウェアの実施形態（例えば、ＦＰＧＡ）、全体的にソフトウェアの実施形態（例えば、本発明によりシステムを制御するため）、又はハードウェア要素とソフトウェア要素との両方を含む実施形態の形態をとることができる。ソフトウェア実施形態は、ファームウェア、常駐ソフトウェア、マイクロコード等を含むが、これらに限定されない。本発明は、コンピュータ又は命令実行システムにより使用されるか、又は併せて使用されるプログラムコードを提供するコンピュータ使用可能媒体又はコンピュータ可読媒体からアクセス可能なコンピュータプログラム製品の形態をとることができる。コンピュータ使用可能媒体又はコンピュータ可読媒体は、命令実行システム、装置、又はデバイスにより使用されるか、又は併せて使用されるプログラムの包含、記憶、通信、伝搬、又は輸送を行うことができる任意の装置であることができる。媒体は、電子、磁気、光学、電磁、赤外線、若しくは半導体システム（若しくは装置若しくはデバイス）又は伝搬媒体であることができる。

特に、指定されたカテゴリの分析物を特徴付ける装置であって、
センサから物理的パラメータの第１のシリーズの測定を受信することであって、前記測定は、ある範囲の値内で単調に変化する、受信することと、
第１のシリーズ内の各測定を、指定されたカテゴリに定義される第２のシリーズ内の対応する最小値及び指定されたカテゴリに定義される第３のシリーズ内の対応する最大値と比較することと、
対応する最大値を超えるグループ内の隣接する測定又は対応する最小値未満のグループ内の隣接する測定をグループ化することと、
グループを異常としてフラグ付けすることと
を行うように構成される装置が提供される。

これらの方法及びプロセスは、コンピュータアプリケーションプログラム又はサービス、アプリケーションプログラミングインタフェース（ＡＰＩ）、ライブラリ、及び／又は他のコンピュータプログラム製品、又はそのようなエンティティの任意の組合せにより実施し得る。

図１０は、本発明の実施形態を実施するように構成可能な汎用計算システムを示す。

示されるように、図１０では、システムは、論理デバイス１００２及び記憶装置１００３を含む。システムは任意選択的に、ディスプレイサブシステム１０１８、入／出力サブシステム１０１０、通信サブシステム１０１１、及び／又は示されていない他の構成要素を含み得る。

論理デバイス１００２は、命令を実行するように構成される１つ又は複数の物理的デバイスを含む。例えば、論理デバイス１００２は、１つ又は複数のアプリケーション、サービス、プログラム、ルーチン、ライブラリ、オブジェクト、コンポーネント、データ構造、又は他の論理構造の部分である命令を実行するように構成し得る。そのような命令は実施されて、タスクを実行し、データタイプを実施し、１つ又は複数のコンポーネントの状態を変換し、技術的効果を達成し、又は他の方法で所望の結果に到達し得る。

論理デバイス１００２は、ソフトウェア命令を実行するように構成される１つ又は複数のプロセッサを含み得る。追加又は代替として、論理デバイスは、ハードウェア命令又はソフトウェア命令を実行するように構成される１つ又は複数のハードウェア又はファームウェア論理デバイスを含み得る。論理デバイスのプロセッサは、シングルコア又はマルチコアであり得、実行される命令は、順次処理、並列処理、及び／又は分散処理に向けて構成し得る。論理デバイス１００２の個々の構成要素は任意選択的に、２つ以上の別個のデバイス間に分散し得、２つ以上の別個のデバイスはリモートに配置されてもよく、及び／又は調整された処理に向けて構成されてもよい。論理デバイス１００２の態様は、クラウド計算構成で構成された、リモートからアクセス可能なネットワーク接続された計算デバイスにより仮想化し実行し得る。

記憶装置１００３は、論理デバイスにより実行可能であり、本明細書に記載される方法及びプロセスを実施する命令を保持するように構成される１つ又は複数の物理的デバイスを含む。そのような方法及びプロセスが実施されると、記憶装置１００３の状態は、例えば、異なるデータを保持するように変換し得る。

記憶装置１００３は、リムーバブル及び／又は内蔵デバイスを含み得る。記憶装置１００３は、特に光学メモリ（例えば、ＣＤ、ＤＶＤ、ＨＤ−ＤＶＤ、ブルーレイディスク等）、半導体メモリ（例えば、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等）、及び／又は磁気メモリ（例えば、ハードディスクドライブ、フロッピーディスクドライブ、テープドライブ、ＭＲＡＭ等）を含め、１つ又は複数のタイプの記憶装置を含み得る。記憶装置は、揮発性、不揮発性、ダイナミック、スタティック、読み取り／書き込み、読み取り専用、ランダムアクセス、順次アクセス、ロケーションアドレス指定可能、ファイルアドレス指定可能、及び／又は内容アドレス指定可能なデバイスを含み得る。

特定の構成では、システムは、論理デバイス１００２と更なるシステム構成要素、特に上述したように分析物の第１のシリーズの測定を提供するセンサ１０００との間の通信をサポートするように構成されるインタフェース１０１０を備え得る。

例えば、追加のシステム構成要素は、リムーバブル及び／又は内蔵拡張記憶装置を備え得る。拡張記憶装置は、特に光学メモリ１０３２（例えば、ＣＤ、ＤＶＤ、ＨＤ−ＤＶＤ、ブルーレイディスク等）、半導体メモリ１０３３（例えば、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュ等）、及び／又は磁気メモリ１０３１（例えば、ハードディスクドライブ、フロッピーディスクドライブ、テープドライブ、ＭＲＡＭ等）を含め、１つ又は複数のタイプの記憶装置を含み得る。そのような拡張記憶装置は、揮発性、不揮発性、ダイナミック、スタティック、読み取り／書き込み、読み取り専用、ランダムアクセス、順次アクセス、ロケーションアドレス指定可能、ファイルアドレス指定可能、及び／又は内容アドレス指定可能なデバイスを含み得る。

記憶装置が１つ又は複数の物理的デバイスを含み、伝搬信号自体を除外することが理解される。しかし、本明細書に記載される命令の態様は代替的に、記憶装置に記憶されるのとは対照的に、通信媒体（例えば、電磁信号、光信号等）により伝搬し得る。

論理デバイス１００２及び記憶装置１００３の態様は、１つ又は複数のハードウェア論理構成要素に一緒に統合し得る。そのようなハードウェア論理構成要素は、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定プログラム及び特定用途向け集積回路（ＰＡＳＩＣ／ＡＳＩＣ）、特定プログラム及び特定用途向け標準製品（ＰＳＳＰ／ＡＳＳＰ）、システムオンチップ（ＳＯＣ）、及び複雑プログラマブル論理デバイス（ＣＰＬＤ）を含み得る。

「プログラム」という用語は、特定の機能を実行するように実施される計算システムの態様を記述するのに使用し得る。幾つかの場合、プログラムは、記憶装置により保持される機械可読命令を実行する論理デバイスを介してインスタント化し得る。異なるモジュールを同じアプリケーション、サービス、コードブロック、オブジェクト、ライブラリ、ルーチン、ＡＰＩ、関数等からインスタンス化し得ることが理解される。同様に、同じプログラムは、異なるアプリケーション、サービス、コードブロック、オブジェクト、ルーチン、ＡＰＩ、関数等によりインスタンス化し得る。「プログラム」という用語は、実行可能ファイル、データファイル、ライブラリ、ドライバ、スクリプト、データベース記録等の個々又はグループを包含し得る。

特に、図１１のシステムは、本発明の実施形態を実施するのに使用し得る。

例えば、図２に関して説明されたステップを実施するプログラム等のプログラムは、記憶装置１００３により記憶され、論理デバイス１００２により実行し得る。さらに、上述したように特徴付けライブラリの生成を実施するプログラム等のプログラムは、記憶装置１００３に記憶し、論理デバイス１００２により実行し得る。通信インタフェース１０１１は、第２、第３、又は第４のシリーズ、参照データセット等をサーバ１０３０から受信し、試料タイプ情報又は試料特徴付けデータを上述したようにアップロードし得る。論理デバイス１００２は、第１のシリーズの分析物測定を受信して編成し、任意の追加の処理を実行し、第１のシリーズの分析物測定を第２、第３、又は第４のシリーズ、参照データセット等と比較し、ディスプレイ１０１８を介して結果をユーザに報告し得る。動作の様々な段階において、例えば、試料タイプに関する更なる入力を、ディスプレイ１０１８を介してプロンプトし、ユーザ入力インタフェースデバイス１０１６、１０１５、１０１４、１０１３、１０１２を介して回復し得るか、又はこれらのプロセスの幾つか又は全てを実行するように構成された内部又は外部専用システムとインタフェースし得る。

したがって、本発明は、コンピュータプログラムの形態で実施し得る。「サービス」が、本明細書で使用される場合、複数のユーザセッションにわたり実行可能なアプリケーションプログラムであることが理解される。サービスは、１つ又は複数のシステム構成要素、プログラム、及び／又は他のサービスが利用可能であり得る。幾つかの実施態様では、サービスは、１つ又は複数のサーバ計算デバイスで実行し得る。

ディスプレイサブシステム１０１８は、含まれる場合、記憶装置により保持されるデータの視覚的表現、特に第１、第２、第３、若しくは第４のシリーズ、参照データセット等、又はこれらの任意の組合せの表現を提示するのに使用し得る。この視覚的表現は、グラフィカルユーザインタフェース（ＧＵＩ）の形態をとり得る。本明細書に記載される場合、方法及びプロセスは、記憶装置１００３により保持されるデータを変更し、したがって、記憶装置１００３の状態を変換し、ディスプレイサブシステム１０１８の状態も同様に、土台をなすデータの変更を視覚的に表現するように変換し得る。ディスプレイサブシステム１０１８は、略あらゆるタイプの技術を利用する１つ又は複数のディスプレイデバイスを含み得る。そのようなディスプレイデバイスは、共有エンクロージャ内で論理デバイス及び／又は記憶装置と組合せてもよく、又はそのようなディスプレイデバイスは周辺ディスプレイデバイスであってもよい。

入力／出力サブシステム１０１０は、含まれる場合、キーボード１０１２、マウス１０１３、スピーカ１０１４、マイクロホン１０１５、カメラ１０１６、プリンタ１０１７、ディスプレイ又はタッチスクリーン１０１８、近距離通信インタフェース１０２１、又はゲームコントローラ（図示せず）等の１つ又は複数のユーザ入力デバイスを備えるか、又はそれ（ら）とインタフェースし得る。幾つかの実施形態では、入力サブシステムは、選択される自然ユーザ入力（ＮＵＩ）構成要素を含むか、又はそれとインタフェースし得る。そのような構成要素は、統合されてもよく、又は周辺であってもよく、入力動作の変換及び／又は処理は、オンボード又はオフボードで扱い得る。ＮＵＩ構成要素例としては、発話及び／又は音声認識用のマイクロホン、マシンビジョン及び／又はジェスチャ認識用の赤外線カメラ、カラーカメラ、立体カメラ、及び／又は深度カメラ、動き検出及び／又は意図認識用の頭部追跡器、目追跡器、加速度計、及び／又はジャイロスコープ、並びに脳活動を評価するための電場検知構成要素を挙げ得る。

通信サブシステム１０１１は、含まれる場合、計算システムを１つ又は複数の他の計算デバイスと通信可能に結合するように構成し得る。例えば、通信モジュールは、例えば、パーソナルエリアネットワーク、ローカルエリアネットワーク、広域ネットワーク、又はインターネットを含む任意のサイズのネットワークを介して、例えば、リモートサーバ１０３０でホストされるリモートサービスに計算デバイスを通信可能に結合し得る。通信サブシステムは、１つ又は複数の異なる通信プロトコルと互換性を有する有線及び／又は無線通信デバイスを含み得る。非限定的な例として、通信サブシステムは、無線電話ネットワーク１０７４又は有線若しくは無線ローカルエリアネットワーク若しくは広域ネットワークを介して通信するように構成し得る。幾つかの実施形態では、通信サブシステムは、計算システムがインターネット１０２０等のネットワークを介して他のデバイスとメッセージを送信及び／又は受信できるようにし得る。通信サブシステムは、受動デバイス（ＮＦＣ、ＲＦＩＤ等）との短距離誘導通信１０２１を更にサポートし得る。

図１０のシステムは、広範囲の異なるタイプの情報処理システムを反映することが意図される。図１０に関して説明されるサブシステム及び特徴の多くが、本発明の実施に必要とされず、一般的なシステムをより現実的に反映するために含まれていることが理解される。システムアーキテクチャが広く様々であり、図１０の異なるサブシステムの関係が単なる図式であり、現実のシステムでのレイアウト及び役割の分布に関して様々である可能性が高いことが理解される。実際には、システムが、図１０に関して説明される様々な特徴及びサブシステムの異なるサブセットを組み込む可能性が高いことが理解される。図１１、図１２、及び図１３は、幾つかの一般的なデバイス例を更に詳細に考察している。

図１１は、実施形態を構成するように構成可能なスマートフォンデバイスを示す。図１１に示されるように、スマートフォンデバイスは、上述したような要素１００２、１００３、１０１１、１０００、１０１６、１０１５、１０１４、１０１８、１０２１、及び１０３３を組み込む。スマートフォンデバイスは、ネットワーク１０２０を介して電話ネットワーク１０７４及びサーバ１０３０と通信する。

図１２は、実施形態を構成するように構成可能なハンドスキャナデバイスを示す。図１２に示されるように、ハンドスキャナデバイスは、上述したような要素１００２、１００３、１０１０、１０００、１０１８、１０１１、１０１４、１０３３、１０２０、及び１０３０を組み込む。ハンドスキャナデバイスは、ネットワーク１０２０を介してサーバ１０３０と通信する。

図１３は、実施形態を構成するように構成可能なデスクトップコンピュータデバイスを示す。図１３に示されるように、デスクトップコンピュータデバイスは、上述したような要素１００２、１００３、１０１０、１０１８、１０１１、１０１７、１０１６、１０１５、１０１４、１０１３、１０１２、１０３１、及び１０３２を組み込む。デスクトップコンピュータデバイスは、ネットワーク１０２０を介して周辺デバイスとしての要素１０１７、１０１２、１０１３、及び１０００並びにサーバ１０３０と通信する。

本明細書に記載される構成及び／又は手法が例示的な性質のものであり、多くの変形が可能であるため、これらの特定の実施形態又は例が、限定の意味で考慮されるべきではないことが理解される。本明細書に記載される特定のルーチン又は方法は、任意の数の処理戦略の１つ又は複数を表し得る。したがって、示され、及び／又は説明される様々な動作は、示され、及び／又は説明される順序で、他の順序で、並列に実行してもよく、又は省かれてもよい。同様に、上記プロセスの順序は変更し得る。

本開示の趣旨は、本明細書に開示される様々なプロセス、システム及び構成、及び他の特徴、機能、動作、及び／又は属性、並びにそれらのありとあらゆる均等物の全ての新規及び非自明の組合せ及び下位組合せを含む。

上述された例は、本発明の実施形態の例示として与えられる。上述された例は、本発明の範囲を決して制限せず、本発明の範囲は以下の特許請求の範囲により規定される。

１００、３１０ 曲線
１０１、１０２、１０３ ピーク
３１１ 第１のピーク
３１２ 第２のピーク
３１３ 第３のピーク
４２０ 第２のシリーズの最小値
４２１、４２２、４２３、４３１、４３２、４３３、５１１、５１２、７４１、７４２、７４３ ピーク
４３０ 第３のシリーズの最大値
５１０ 第１のシリーズの測定
６１４ 測定
６２４ 最小値
６３４ 最大値
７４０ 第４のシリーズの値
７４１ 平均曲線
８０１、８０２、８０３、８０４、８０５、８０６、８０７ セクション
９５０ 第５のシリーズの値
１０００ センサ
１００２ 論理デバイス
１０１０ 入／出力サブシステム
１０１１ 通信サブシステム
１０１２ キーボード
１０１３ マウス
１０１４ スピーカ
１０１５ マイクロホン
１０１６ カメラ
１０１７ プリンタ
１０１８ ディスプレイサブシステム
１０２０ インターネット
１０２１ 近距離通信
１０３０ リモートサーバ
１０３１ 磁気メモリ
１０３２ 光学メモリ
１０３３ 半導体メモリ
１０７４ 電話ネットワーク

Claims (14)

1. 指定されるカテゴリの分析物を特徴づける方法であって、
   所定の測定間隔に対応する、物理的パラメータの第１のシリーズの測定をセンサから受信するステップと、
   前記第１のシリーズの前記測定のそれぞれを前記指定されるカテゴリに定義される第２のシリーズ内の対応する最小値及び前記指定されるカテゴリに定義される第３のシリーズ内の対応する最大値と比較するステップと、
   前記対応する最大値を超える任意の隣接する前記測定又は前記対応する最小値未満である任意の隣接する前記測定をグループ化するステップと、
   前記グループをそれぞれ異常としてフラグ付けるステップと
   を含む方法。
2. 前記特徴付けることは、前記分析物が品質基準を満たすか否かの指示を含み、前記方法は、前記グループが、前記品質基準からの逸脱を反映するか否かを判断する更なるステップを含む、請求項１に記載の方法。
3. 特定の分析物の代表であることが分かっている１つ又は複数の試料に対して実行された１つ又は複数の組の測定に基づいて、前記第２のシリーズ及び前記第３のシリーズを定義する更なるステップを含む、請求項１又は２に記載の方法。
4. 前記第２のシリーズ及び前記第３のシリーズに対して前記第１のシリーズを進めるか、又は遅らせて、可能な限り最良の位置合わせを得る更なるステップを含む、請求項１〜３のいずれか一項に記載の方法。
5. 任意の前記測定が前記対応する最大値を超える場合、前記対応する最大値を超えるその測定のそれぞれに、前記測定が前記対応する最大値を上回る程度を反映する相違インデックスが計算され、任意の前記測定が前記対応する最小値未満である場合、前記対応する最小値未満のその測定のそれぞれに、前記測定が前記対応する最小値を下回る程度を反映する前記相違インデックスを計算するような更なるステップを含む、請求項１〜４のいずれか一項に記載の方法。
6. 予め定義される組の分類から選択される各分類に前記グループのそれぞれを分類する更なるステップを含み、前記予め定義される組の分類内の前記分類のそれぞれは、前記グループのそれぞれを構成する前記測定の形態と、特定の分析物の代表であることが分かっている前記１つ又は複数の試料の２つ以上の組の測定が実行される組の測定にわたる平均値を表す前記第２のシリーズ、前記第３のシリーズ、又は第４のシリーズの対応する値の形態とを記述する、請求項３に記載の方法。
7. 前記分類のうちの少なくとも１つは、
   前記グループのそれぞれが極値を定義し、前記第２のシリーズ、前記第３のシリーズ、若しくは前記第４のシリーズ内の前記対応する値も極値を定義する状況、又は
   前記グループのそれぞれが極値を定義し、前記第２のシリーズ、前記第３のシリーズ、若しくは前記第４のシリーズ内の前記対応する値が、極値を定義しない状況、又は
   前記グループのそれぞれは極値を定義せず、前記第２のシリーズ、前記第３のシリーズ、若しくは前記第４のシリーズ内の前記対応する値が極値を定義する状況、又は
   前記グループのそれぞれも前記第２のシリーズ、前記第３のシリーズ、若しくは前記第４のシリーズ内の前記対応する値も極値を定義せず、前記グループのそれぞれ内の前記測定の前記値が、前記第２のシリーズ内の前記対応する値を超える状況、又は
   前記グループのそれぞれも前記第２のシリーズ、前記第３のシリーズ、若しくは前記第４のシリーズ内の前記対応する値も極値を定義せず、前記グループのそれぞれ内の前記測定の前記値が、前記第３のシリーズ内の前記対応する値未満である状況
   に対応する、請求項６に記載の方法。
8. １つ又は複数の前記グループ内の前記測定を１組の追加の参照データセットと比較する更なるステップと、
   前記グループ内の前記測定に最も密に対応する、前記１組の追加の参照セット内の参照データを識別する更なるステップと、
   前記対応する参照データセットの特徴を前記分析物に関連付ける更なるステップと
   を含む、請求項１〜７のいずれか一項に記載の方法。
9. 前記グループのそれぞれ内の前記測定を１組の追加の参照データセットと比較するステップ及び前記測定に最も密に対応する前記参照データセットを識別するステップは、前記分類に関して実行される、請求項６または７に従属する請求項８に記載の方法。
10. 前記センサは、分析物に露出された場合、時間の経過に伴って進化する値を生成する任意のセンサであり、ある範囲の値内で単調に変化する前記第１のシリーズの測定は、測定期間にわたり得られる一連の測定に対応する、請求項１〜９のいずれか一項に記載の方法。
11. 前記センサはＭＯＳセンサ又はガスクロマトグラフである、請求項１０に記載の方法。
12. 指定されるカテゴリの分析物を特徴づける装置であって、
    所定の測定間隔に対応する、物理的パラメータの第１のシリーズの測定をセンサから受信することと、
    前記第１のシリーズの前記測定のそれぞれを前記指定されるカテゴリに定義される第２のシリーズ内の対応する最小値及び前記指定されるカテゴリに定義される第３のシリーズ内の対応する最大値と比較することと、
    前記対応する最大値を超える任意の隣接する前記測定又は前記対応する最小値未満である任意の隣接する前記測定をグループ化することと、
    前記グループをそれぞれ異常としてフラグ付けることと
    を行うように構成される、装置。
13. 請求項１〜１１のいずれか一項に記載の方法のステップを実施するように構成される装置。
14. 請求項１〜１１のいずれか一項に記載の方法を実施するように構成されるコンピュータプログラム。

Images