JP6817243B2 - スペクトル処理装置及び方法 - Google Patents

スペクトル処理装置及び方法 Download PDF

Info

Publication number
JP6817243B2
JP6817243B2 JP2018034052A JP2018034052A JP6817243B2 JP 6817243 B2 JP6817243 B2 JP 6817243B2 JP 2018034052 A JP2018034052 A JP 2018034052A JP 2018034052 A JP2018034052 A JP 2018034052A JP 6817243 B2 JP6817243 B2 JP 6817243B2
Authority
JP
Japan
Prior art keywords
baseline
spectrum
condition
component
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018034052A
Other languages
English (en)
Other versions
JP2019148519A (ja
Inventor
朋喜 中尾
朋喜 中尾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jeol Ltd
Original Assignee
Jeol Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jeol Ltd filed Critical Jeol Ltd
Priority to JP2018034052A priority Critical patent/JP6817243B2/ja
Priority to US16/285,864 priority patent/US10802095B2/en
Publication of JP2019148519A publication Critical patent/JP2019148519A/ja
Application granted granted Critical
Publication of JP6817243B2 publication Critical patent/JP6817243B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/46NMR spectroscopy
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/46NMR spectroscopy
    • G01R33/4625Processing of acquired signals, e.g. elimination of phase errors, baseline fitting, chemometric analysis
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00Arrangements or instruments for measuring magnetic variables
    • G01R33/20Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48NMR imaging systems
    • G01R33/54Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console

Landscapes

  • Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Description

本発明はスペクトル処理装置及び方法に関し、特にベースライン成分の推定に関する。
スペクトル解析の対象となるスペクトルとして、NMR(Nuclear Magnetic Resonance)スペクトル、X線スペクトル、分光スペクトル、マススペクトル等が挙げられる。一般に、スペクトルには、注目波形成分及びベースライン成分が含まれる。注目波形成分は、例えば、1又は複数のピークを含む部分であり、それが本来的な解析対象である。一方、ベースライン成分は、本来的な解析対象ではない成分であって、周波数空間(周波数領域)において広い範囲にわたって存在する成分である。
例えば、NMRスペクトルの観測においては、測定段階で生じるリンキングノイズ、デジタルフィルタ処理後のデータ欠損、分子構造由来の信号成分等がベースライン成分を生じさせる。NMRスペクトル中の底辺に相当する、大きな周期をもった変動、湾曲、傾斜等がベースライン成分であり、あるいは、そのような底辺それ自体がベースライン成分である。
なお、非特許文献1には、IRLS(Iterative Reweighted Least Square)法を利用した非線形残差最小化法が開示されている。
Juliane Sigl, Nonlinear Residual Minimization by Iteratively Reweighted Least Squares, Comput. Optim. Appl.64, 755 (2015).
スペクトル中の注目波形成分の解析精度を高めるため、スペクトル解析に先立って又はスペクトル解析と同時進行で、スペクトル中のベースライン成分が推定され、スペクトルからベースライン成分が除去される。ベースライン成分の推定に際しては、ベースライン成分をモデルでフィッティングすることが行われている。そのモデルを定義する関数として、N次多項式、余弦関数、正弦関数、スプライン関数、区分直線関数、等が知られている。
しかし、モデルを定義する関数を適切に選択した上で、その関数に対して適切なパラメータを与える作業は、通常、ユーザーにとって大きな負担となるものであり、それを適切に行うには経験を要する。そのような作業が適切に行われない場合、ベースライン成分の推定精度が低下し、ひいてはスペクトル解析精度が低下してしまう。なお、上記以外の必要性からベースライン成分が推定されることもある。
本発明の目的は、スペクトルに含まれるベースライン成分を精度良く推定することにある。あるいは、本発明の目的は、ユーザーに大きな負担を生じさせることなく、ベースライン成分を推定し、それをスペクトルから除去することにある。
実施形態に係るスペクトル処理装置は、ベースライン成分を含むスペクトルを受け入れる手段と、複数の基底関数からなる基底関数列に対して複数の重みからなる重み列を作用させてベースラインモデルを生成する手段であって、前記ベースライン成分に対して前記ベースラインモデルをフィッティングさせる第1条件、及び、前記重み列のLpノルム(但しp≦1)を小さくする第2条件に従って、推定ベースライン成分としての最適ベースラインモデルを探索する探索手段と、を含むものである。
上記構成において、ベースラインモデルは、基底関数列に対して重み列を作用させることにより生成されるものである。例えば、第1条件だけに基づいて重み列の探索を行うと、基底関数列を構成する複数の基底関数に対して、広くまんべんなく重みが与えられ易くなり、その結果、行き過ぎたフィッティングが生じ易くなる。これに対して、上記構成によれば、第1条件の他、第2条件が満たされるように重み列が探索される。すなわち、重み列のLpノルムを小さくする条件が満たされるように重み列が探索される。pは1以下であるので、重み列の探索の進行に従って、重み列のスパース(sparse)性が高まることになる。つまり、重み列中において0の重み又は0に近い重みの割合が増大することになる。結果として、広帯域成分としてのベースライン成分の基本的な性質を表す少数の基底関数によってベースラインモデルが構成され易くなるので、行き過ぎたフィッティングという問題を防止又は軽減することが可能となる。
従来において、基底関数の個数を増大させると、解の収束が遅くなる等の問題が生じていたが、上記構成によれば、多数の基底関数を用意しておいても、実際に有意な重みが与えられるのは少数の基底関数となるので、従来法に比べて、解の収束が早まることを期待できる。逆に言えば、上記方法においてはより多くの基底関数を用意しておけるので、特殊なベースライン成分に対しても良好なフィッティング結果を得ることが可能となる。また、従来においては、ユーザーにおける関数選択や次数指定の適切さがフィッティング結果を大きく左右していたが、上記構成によれば、ユーザーにおける格別な負担なく良好なフィッティング結果を得られる。上記構成は従来の関数フィッティング法を発展させた手法であり、その意味においてフィッティングのメカニズムをユーザーにおいて直感的に理解しやすいという利点も得られる。
なお、各基底関数はベースラインモデルを構成する要素に相当するものである。各基底関数の寄与度を規定するものが重みである。第1条件及び第2条件が反映された評価値を用い、それを最小化することにより、ベースラインモデルの最適解が探索されてもよいし、第1条件が一定程度満たされることを前提として、第2条件によってつまりLpノルム最小化条件によって、ベースラインモデルの最適解が探索されてもよい。ここで、最適解は厳密な意味での最適解である必要はなく、演算上において最適解とみなされるものであればよい。例えば、終了条件を満たした時点での解が最適解となる。
実施形態において、前記最適ベースラインモデルの探索過程において前記重み列がスパース化し、前記基底関数列の中の一部により前記最適ベースラインモデルが構成される。Lpノルムに関し、ノルム計算対象のスパース性を高める働きは、pが1以下の場合に認められ、一般にpが小さくなればなるほどその働きが大きくなる。よって、ベースライン成分の内容等に応じて、pの値を変更するようにしてもよい。Pは0以上1.0以下の値として定められるが、pが0の場合(つまりL0ノルムを利用する場合)、状況次第では解が不安定となるので、pを0よりも大きな値とするのが望ましい。
実施形態に係るスペクトル処理装置は、更に、前記スペクトルから前記推定ベースライン成分を減算する減算手段を含む。この減算の結果、ベースライン成分が除外されて、注目波形成分を取り出すことが可能となる。
実施形態において、前記第1条件は、前記ベースライン成分の中の代表部分に対して前記ベースラインモデルの中の対応成分をフィッティングさせる条件である。広帯域成分としてのベースライン成分は、一般に、スペクトルの全体に及んでいるが、フィッティングに際しては、ベースライン成分以外の成分が優位又は支配的になっている部分を避けるのが望ましい。代表部分はベースライン成分を代表する複数の点として、あるいは、1又は複数の区間として指定され得る。代表部分をユーザーが指定してもよいし、代表部分が自動的に決定されてもよい。
実施形態において、前記ベースライン成分と前記ベースラインモデルとから求められる残差のL2ノルムと、前記ベースラインモデルのLpノルムと、によって評価値Jが定義され、前記評価値Jを最小化する条件が前記第1条件及び前記第2条件を構成する。実施形態に係るスペクトル処理装置は、更に、前記スペクトルの中から前記ベースライン成分の中の代表部分を選択する選択手段を含み、前記残差は前記ベースライン成分の中の前記代表部分と前記ベースラインモデルの中の対応部分との間の残差である。
実施形態に係るスペクトル処理方法は、ベースライン成分を含むスペクトルを受け入れる工程と、複数の基底関数からなる基底関数列に対して複数の重みからなる重み列を作用させてベースラインモデルを生成する工程であって、前記ベースライン成分に対して前記ベースラインモデルをフィッティングさせる第1条件、及び、前記重み列のLpノルム(但しp≦1)を小さくする第2条件に従って、推定ベースライン成分としての最適ベースラインモデルを探索する工程と、を含むものである。
上記方法はハードウエアの機能として又はソフトウエアの機能として実現され得る。後者の場合にはスペクトル処理方法を実行するためのプログラムがネットワークを介して又は可搬型記憶媒体を介して情報処理装置にインストールされる。情報処理装置の概念には、NMR測定装置が含まれる。
本発明によれば、スペクトルに含まれるベースライン成分を精度良く推定できる。あるいは、本発明によれば、ユーザーに大きな負担を生じさせることなく、ベースライン成分を推定し、それをスペクトルから除去できる。
実施形態に係るスペクトル処理の流れを示す概念図である。 実施形態に係るスペクトル処理装置が有する機能を示すブロック図である。 スペクトル処理装置として機能する情報処理装置を示すブロック図である。 第1実施例に係るアルゴリズムを示す図である。 第2実施例に係るアルゴリズムを示す図である。 第2実施例に係るスペクトル処理結果(その1)を示す図である。 第2実施例に係るスペクトル処理結果(その2)を示す図である。 第2実施例に係るスペクトル処理結果(その3)を示す図である。 第3実施例に係るアルゴリズムを示す図である。
以下、実施形態を図面に基づいて説明する。
図1には、実施形態に係るスペクトル処理の流れが模式的に示されている。左上に示されたNMRスペクトル(以下、単に「スペクトル」という。)10が処理対象である。横軸は周波数fを示しており、縦軸はパワー又は強度を示している。後の説明ではスペクトル10はyで表現される。スペクトル10は、注目波形成分10aとベースライン成分10bとを含むものである。ベースライン成分は、注目波形成分10a以外の成分であって、概ね広帯域の成分であり、スペクトル10における底辺に相当するものである。スペクトル解析に際してはそのベースライン成分10bを事前に除去しておくことが望まれる。
符号12で示される処理において、スペクトル10の中から、ユーザーにより又は自動的に代表部分14が指定される。後の説明では代表部分14はyIで表現される。図示の例では、代表部分14は、複数の点として指定されている。それらは注目波形成分10aを避けて設定されており、換言すれば、ベースライン成分らしいところに集中的に設定されている。1又は複数の区間を指定することにより、代表部分14が指定されてもよい。
実施形態に係る方法では、ベースライン成分10bを模擬するベースラインモデル16が生成される。後の説明ではベースラインモデル16はAxで表現される。A及びxについては後述する。実際には、ベースライン成分の内の代表部分14に対して、ベースラインモデル中の対応部分がフィッティングされる。後の説明ではフィッティング部分はSAxで表現される。Sについては後述する。
符号18で示された処理においては、第1条件及び第2条件が共に満たされるように、ベースラインモデル16が生成される。後に詳しく説明するように、第1条件は、代表部分14から対応部分を引いた残差のL2ノルムを小さくする条件である。第2条件は、以下に説明する重み列のLpノルムを小さくする条件である。ここで、0≦p≦1であり、解の安定性を求める場合には0<p≦1である。pが1以下の場合、Lpノルムを用いた解の探索過程において解のスパース性が増大することが知られている。実施形態においては、その性質が重み列の探索で利用されている。
実施形態においては、複数の基底関数からなる基底関数列20が用意されており、それに対して重み列22が乗算される。その乗算が符号24で示されている。1つの基底関数に対して1つの重みが与えられる。もっとも、重みの値が0であればそれが乗算される基底関数は事実上、機能しない。複数の基底関数に対して複数の重みを乗算した結果が加算され、これによってベースラインモデル16が生成される。通常、基底関数列20として、様々な次数をもった様々な種類の関数が用意されている。例えば、1から10次のN次対向式、及び、1から20次の余弦関数、等が用意されている。その他の関数が用意されてもよい。多数の基底関数を用意しておいても、過剰フィッティングのような問題が生じにくい。個々の関数は、インデックス(又は基底関数番号)sで識別される。
第1条件及び第2条件が共に満たされるように重み列22が最適化される。その過程において、特に第2条件に従って、重み列22のスパース性が徐々に高まっていく。図1に示した重み列22においては、一部の基底関数だけに対して有意な重みが与えられており、残りの多くの基底関数に対しては0又は0に近い重みが与えられている。基底関数を多くすると、フィッティング自由度が高まる一方、過剰フィッティングの問題が生じやすくなるが、Lpのノルムが発揮する解のスパース性を利用すれば、その問題を回避又は軽減すること可能となる。
重み列の探索結果が終了条件を満たした時点で探索が終了し、その時の重み列に基づいて最適ベースラインモデルが構成される。後の説明ではそれがx’で表現される。符号26で示された処理は、スペクトル10からの最適ベースラインモデルの減算を示している。これにより、ベースライン成分が取り除かれたスペクトル28が得られる。後の説明ではそれがy’で表現される。
図2には、NMR測定システムが示されている。NMR測定システムは、NMR測定装置30とスペクトル処理装置32とにより構成される。NMR測定装置30からスペクトル処理装置32へスペクトルデータが転送される。その転送は、例えば、ネットワークを介して又は記憶媒体を介して行われる。
NMR測定装置30は、図2においてはその詳細が示されていないものの、分光計及び測定部により構成される。測定部は、静磁場発生器、プローブ等により構成される。静磁場発生器は、垂直貫通孔としてのボアを有し、そのボアの内部にプローブの挿入部が挿入される。挿入部のヘッド内にはサンプルからのNMR信号を検出する検出回路が設けられている。分光計は、制御部、送信部、受信部等により構成される。送信部は、送信パルスシーケンスに従って送信信号を生成し、その送信信号がプローブに送られる。これにより、サンプルに対して電磁波が照射される。その後、プローブにおいて、サンプルからのNMR信号が検出される。その検出により生じた受信信号が受信部へ送られる。受信部においては、受信信号に対するFFT演算によりNMRスペクトルが生成される。そのNMRスペクトルが、必要に応じて、スペクトル処理装置32へ送られる。スペクトル処理装置32をNMR測定装置30内に組み込むようにしてもよい。
スペクトル処理装置32は、実施形態において、コンピュータ等の情報処理装置により構成される。図2においては、スペクトル処理装置32が有する複数の代表的機能が複数のブロックによって表現されている。
図2において、観測されたスペクトルyがスペクトル処理装置32に入力される。そのスペクトルyは選択手段として機能する選択部34に与えられる。選択部34は、スペクトル中において、ユーザーにより指定された部分を、ベースライン成分の中の代表部分yとして、選択するものである。一般に、広帯域成分であるベースライン成分は、スペクトルyの全体に及んでいるところ、注目波形成分等のベースライン成分以外の成分がフィッティング対象とならないように、代表部分yが選択される。なお、スペクトルyの内容次第では、代表部分yの選択によらずに、スペクトルyの全体が以下に説明する探索部36に入力されてもよい。
探索部36は探索手段として機能するものである。探索部36は、以下の(1−2)式に示す前提条件(第1条件)、及び、以下の(1−1)式に示す基本条件(第2条件)に従って、重み列xの最適解を探索する。重み列xは複数の重みを要素としたベクトルである。
上記(1−2)式は、ベースライン成分をベースラインモデルでフィッティングすることを示しており、より詳しくは、ベースライン成分中の代表部分yIをベースラインモデルAx中の対応部分SIAxでフィッティングすることを示している。Aは基底関数列を示しており、具体的には、複数の基底関数である複数の基底信号ベクトルを列ベクトルとする行列である。Axは、複数の基底信号ベクトルに対して複数の重みを作用させることにより得られるベースラインモデル(計算上のベースライン成分)である。代表部分yIは、観測点Iに対応するスペクトル要素からなるベクトルであり(例えばIは1から256の値をとる)、SIは観測点Iに対応する標本ベクトルである。そのSIをベースラインモデルAxに作用させることにより、対応部分SIAxが抽出される。
上記(1−1)式は、重み列xのLpノルム(但しp≦1)を最小化する条件を示すものである。pが1以下の場合、Lpノルムは、その最小化問題を解く過程で、ノルム計算対象である解のスパース性を高める働きを発揮する。pの範囲は0≦p≦1であるが、pが0の場合に解が不安定になることもあるので、それを回避するためには、望ましくは0<p≦1である。スペクトル処理装置32は、最終的に求まる重み列がスパース性を有することを前提とし、Lpノルムが解のスパース性を高める性質を活用して、重み列の探索を行うものである。一般に、pは1であるが、重み列のスパース性が高いと予測される場合、pを例えば0.75又は0.5とするようにしてもよい。重み列を構成する要素の個数をNとし、代表部分yIを構成する要素の個数をMとした場合、代表部分yIはM行1列の行列、標本行列SIはM行N列の行列となる。基底関数の個数をKとした場合、基底関数列AはN行K列の行列である。
なお、ノルムに関しては、一般に、以下の(2−1)式で示す表現及び以下の(2−2)式で示す表現が認められる。本願において“Lpノルム”は基本的に以下の(2−2)式で定義されるノルムである。nはベクトルを構成する要素数である。
図2において、符号38は基底関数列Aを模式的に示しており、符号40は重み列xを模式的に示している。符号42は基底関数列A及び重み列xから生成されるベースラインモデルAxを示している。符号44は第1条件及び第2条件が満たされるように重み列xの最適解を探索する部分を示している。最適解の探索に際しては、Iterative Soft Thresholding (IST)法、Iterative Reweighted Least Square (IRLS)法、Spectroscopy by Integration of Frequency and Time domain (SIFT)法、等を利用し得る。p=1の場合には、IST法を利用するのが望ましい。Pが1よりも小さい場合には、IRLS法を用いるのが望ましい。以下の第1実施例はIST法に基づくものである。以下の第2実施例及び第3実施例はIRLS法に基づくものである。
減算部46は、重み列xの最適解x’が求まった段階で、スペクトルyから最適ベースラインモデルAx’を減算する減算手段である。これによりベースライン成分が除外又は低減されたスペクトルy’が得られる。それが解析部48における解析対象となる。
図3には、スペクトル処理装置として機能する情報処理装置の構成例が示されている。情報処理装置は、CPU50、メモリ56、入力器52、表示器54等を有する。メモリ56上には、スペクトル処理プログラム58、及び、スペクトル解析プログラム60が格納されている。スペクトル処理プログラム58は、図1及び図2を用いて説明したスペクトル処理を実施するためのプログラムである。スペクトル解析プログラム60は、前処理後のスペクトルを解析するためのプログラムである。それらのプログラム58,60は、CPU50において実行される。
CPU50は、探索手段、選択手段、減算手段等として機能する。入力器52はキーボード、ポインティングデバイス等によって構成され、入力器52を用いて上記代表部分がユーザーにより指定される。表示器54は例えばLCDによって構成され、そこには処理前のスペクトルが表示される。ユーザーにより、そのスペクトル上において代表部分を構成する範囲又は代表点群が指定されてもよい。
次に、第1実施例を説明する。この実施例ではp=1であり、以下の(3)式に示す評価値Jを最小化する条件に従って、最適解としての重み列が探索される。
上記(3)式中の第1項は、上記第1条件に対応するものであり、ベースライン成分の代表部分yIとベースラインモデルの対応部分SIAxとの間の残差(yI−SIAx)のL2ノルムを計算する部分である。上記(3)式中の第2項は、上記第2条件に対応するものであり、重み列xのL1ノルムを計算する部分である。λは正則化重みである。
一般に、評価値Jの最小化問題を解くためには、評価値Jの計算式の微分が必要となるところ、第1項については微分可能であるが、第2項については微分困難である。そこで、公知のIST(Iterative Soft Thresholding)法に従って上記問題を解くことにする。
図4には、第1実施例に係るアルゴリズムが示されている。S10では、スペクトルy及び代表点群を特定する座標列(観測点)Iが取り込まれる。S12では、標本行列SI及び基底関数列Aが構成される。S14に示される数式は、上記の(1)式及び(3)式に含まれる行列SIAを計算の便宜上、Bと置き換えるものである。S16では、スペクトルy及び座標列Iに基づいて、代表部分yIが構成される。S18では、リプテリッツ係数Lが計算される。それは、Bについての複数の固有値の内の最大値つまり最大固有値である(リプテリッツ係数Lを最大固有値以上としてもよい)。BはBのエルミート転置である。S20では、初期重み列x0が代表部分yIから生成される。Bは行列Bの疑似逆行列である。また、S20ではkが初期化される。
S22では、第1終了条件が判定される。すなわち、演算回数を示すkが最大値kmax以下であるか否かが判断される。k≦kmaxであれば、S24及びS26が実行される。S24に示されている計算式及びS26に示されている計算式は、重み列xを二段階で更新するものである。S24に示されている計算式は上記(3)中の第1項の一階微分により求められるものであり、その計算式は、第1項のL2ノルムを最小化するように、重み列xを更新するものである。S26に示されている計算式は上記(3)式の第2項に相当するものである。第2項が微分困難であるために、ソフト閾値関数soft( )が利用されている。その関数は、S24の計算結果xk+1に基づいて、以下のように、当該xk+1を再構成するものである。
上記ソフト閾値関数soft( )の利用により、L1ノルムを最小化するように、重み列xが更新される。S28ではkがインクリメントされる。上記第1終了条件が満たされた時点での重み列xk+1が最適重み列として出力される。
上記アルゴリズム中に第2終了条件を加えてもよい。例えば、S26の直後において、以下の(5)式で定義される指標eを演算し、指標eが一定値以下になった場合にアルゴリズムを終了させてもよい。
上記(5)式の分母は、更新後の重み列xk+1のL2ノルムであり、上記(5)式の分子は、更新前後の重み列xk,xk+1の差分のL2ノルムである。これ以外の第2終了条件を定めてもよい。
図5には、第2実施例に係るアルゴリズムが示されている。このアルゴリズムはIRLS法に従うものである。評価値Jは(6)式に基づいて定義される。
例えば、pは0.75である。もちろん、pとして1以下の他の数値を与えることも可能である。IRLS法に従って、(6)式中における微分困難な第2項は重み行列Wを利用して以下の(7)式のように表現される。
上記の(7)式における第2項はL2ノルムの計算式となっており、それに対しては一階微分が可能である。
図5において、図4に示した工程と同様の工程には同一符号を付し、その説明を省略する。S10aでは、スペクトルy及び座標列Iが取り込まれ、またpの値が定義される。例えば、上記のようにpに0.75が与えられる。S30においては、0での割り算を防止するための係数ε、及び、正則化重みλに数値が与えられる。その後のS12〜S22の工程については既に説明した。
続くS32では、IRLS法に従って、複数の重み要素wiが定義される。S34では複数の重み要素を対角要素とし、対角要素以外をすべて0とした重み行列Wが定義される。S36に示されている計算式が重み列xの更新式である。それは上記(7)式を一階微分することにより求められるものである。S36に示されている計算式を繰り返し実行することによって、評価値Jを最小化する条件を満たす、重み列xの最適解が求められる。
図6乃至図8を用いて第2実施例の効果を説明する。図6は余弦形状でベースライン成分を模擬した場合における実験結果を示すものである。図7は直線形状でベースライン成分を模擬した場合における実験結果を示すものである。図8はブロードなローレンス信号(0.75Hz付近の成分)でベースライン信号を模擬した場合における実験結果を示すものである。
図6乃至図8において、(A)には人工的に加えられたベースライン成分を含むスペクトルが示されている。(B)には従来法(一般的な最小二乗フィッティング法)によるベースライン成分推定結果が示されている。実線がスペクトルを示しており、破線が推定されたベースライン成分を示している。(C)には従来法によるベースライン成分減算結果が示されている。(D)には従来法での重み列(クロス記号を参照)と第2実施例での重み列(丸記号を参照)が示されている。(E)には第2実施例によるベースライン成分推定結果が示されている。実線がスペクトルを示しており、破線が推定されたベースライン成分を示している。(E)には第2実施例によるベースライン成分減算結果が示されている。
なお、従来法及び第2実施例のいずれにおいても同じ基底関数列が利用されている。具体的には、基底関数列は、1〜10次のN次多項式、1から10次の余弦関数、及び、1から10次の正弦関数からなるものである。観測点の設定は手動で行っている。図6乃至図8において、観察の都合上、ベースライン成分の表示に際してはオフセットが加えられている。
図6乃至図8において、従来法では、(D)に示されるように、基底関数列の全体に対して概してまんべんなく重みが与えられており、その結果、(B)に示されている過剰フィッティングが生じている。特に観測点を設定していない区間に対する過剰なフィッティングが生じている。一方、第2実施例によれば、(D)に示されるように、重み列がスパース化されており、つまり、少数の基底関数によってベースライン成分が推定されている。この結果、(E)に示されるように、ベースライン成分が高い精度で推定されている。第1実施例及び以下に説明する第3実施例においても基本的に同様の良好な結果を得られる。
図9には、第3実施例に係るアルゴリズムが示されている。このアルゴリズムは、劣決定型のIRLS法に基づくものである。その方法は、データ総数Nよりも標本集合の要素数Mが小さい場合に利用可能なものである。例えば、pは0.75である。もちろん、pとして1以下の他の数値を与えることも可能である。
上記(1−1)式及び(1−2)式は、IRLS法に基づき、重み行列Wを用いて、以下の(8−1)式及び(8−2)式のように書き換えられる。(8−2)式は(1−2)式と同じものである。
上記の行列SIAが横長行列(つまり劣決定型)の場合、上記(8−1)式及び(8−2)式は、劣決定型のIRLS法に基づき、以下の等価式(9−1)式及び(9−2)式に書き換えることが可能である。
(9−1)式及び(9−2)式を満たす解は以下の(10)式のように計算される。
図9に示すアルゴリズムは以上のような考え方に基づくものである。なお、図9において、図4及び図5に示した工程と同様の工程には同一符号を付し、その説明を省略する。
S10aにおいてスペクトルy及び座標列Iが入力され、続いてS30aではεに対して所定の値が与える。S12〜S22、S32及びS34については既に説明したとおりである。S38に示されている計算式は重み列xの更新式である。それは上記の(10)式と同じである。
実施形態によれば、多くの基底関数を用意しておけるので、特殊なベースライン成分に対しても良好なフィッティング結果を得ることが可能となる。過剰フィッティングの問題も回避することが可能である。また、従来においては、ユーザーにおける関数選択や次数指定の適切さがフィッティング結果を左右していたが、上記構成によれば、ユーザーに格別な負担をかけることなく安定して良好なフィッティング結果を得られる。上記構成は従来の関数フィッティング法を発展させた手法と位置付けられ、その意味においてフィッティングのメカニズムをユーザーにおいて直感的に理解しやすいという面がある。上記実施形態ではNMRスペクトルが処理されていたが、X線スペクトル、マススペクトル等の他のスペクトルが処理されてもよい。
10 NMRスペクトル、14 代表部分、16 ベースラインモデル、20 基底関数列、22 重み列、32 スペクトル処理装置、34 選択部、36 探索部、46 減算部。

Claims (9)

  1. ベースライン成分を含むスペクトルを受け入れる手段と、
    複数の基底関数からなる基底関数列に対して複数の重みからなる重み列を作用させてベースラインモデルを生成する手段であって、前記ベースライン成分に対して前記ベースラインモデルをフィッティングさせる第1条件、及び、前記重み列のLpノルム(但しp≦1)を小さくする第2条件に従って、推定ベースライン成分としての最適ベースラインモデルを探索する探索手段と、
    を含むことを特徴とするスペクトル処理装置。
  2. 請求項1記載の装置において、
    前記最適ベースラインモデルの探索過程において前記重み列がスパース化し、
    前記基底関数列の中の一部により前記最適ベースラインモデルが構成される、
    ことを特徴とするスペクトル処理装置。
  3. 請求項1記載の装置において、
    更に、前記スペクトルから前記推定ベースライン成分を減算する減算手段を含む、
    ことを特徴とするスペクトル処理装置。
  4. 請求項1記載の装置において、
    前記第1条件は、前記ベースライン成分の中の代表部分に対して前記ベースラインモデルの中の対応成分をフィッティングさせる条件である、
    ことを特徴とするスペクトル処理装置。
  5. 請求項1記載の装置において、
    前記ベースライン成分と前記ベースラインモデルとから求められる残差のL2ノルムと、前記ベースラインモデルのLpノルムと、によって評価値Jが定義され、
    前記評価値Jを最小化する条件が前記第1条件及び前記第2条件を構成する、
    ことを特徴とするスペクトル処理装置。
  6. 請求項5記載の装置において、
    更に、前記スペクトルの中から前記ベースライン成分の中の代表部分を選択する選択手段を含み、
    前記残差は前記ベースライン成分の中の前記代表部分と前記ベースラインモデルの中の対応部分との間の残差である、
    ことを特徴とするスペクトル処理装置。
  7. 請求項1記載の装置において、
    前記スペクトルはNMRスペクトルである、
    ことを特徴とするスペクトル処理装置。
  8. ベースライン成分を含むスペクトルを受け入れる工程と、
    複数の基底関数からなる基底関数列に対して複数の重みからなる重み列を作用させてベースラインモデルを生成する工程であって、前記ベースライン成分に対して前記ベースラインモデルをフィッティングさせる第1条件、及び、前記重み列のLpノルム(但しp≦1)を小さくする第2条件に従って、推定ベースライン成分としての最適ベースラインモデルを探索する工程と、
    を含むことを特徴とするスペクトル処理方法。
  9. 情報処理装置においてスペクトル処理方法を実行するプログラムであって、
    ベースライン成分を含むスペクトルを受け入れる機能と、
    複数の基底関数からなる基底関数列に対して複数の重みからなる重み列を作用させてベースラインモデルを生成する機能であって、前記ベースライン成分に対して前記ベースラインモデルをフィッティングさせる第1条件、及び、前記重み列のLpノルム(但しp≦1)を小さくする第2条件に従って、推定ベースライン成分としての最適ベースラインモデルを探索する機能と、
    を含むことを特徴とするプログラム。
JP2018034052A 2018-02-28 2018-02-28 スペクトル処理装置及び方法 Active JP6817243B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018034052A JP6817243B2 (ja) 2018-02-28 2018-02-28 スペクトル処理装置及び方法
US16/285,864 US10802095B2 (en) 2018-02-28 2019-02-26 Apparatus and method for processing spectrum

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018034052A JP6817243B2 (ja) 2018-02-28 2018-02-28 スペクトル処理装置及び方法

Publications (2)

Publication Number Publication Date
JP2019148519A JP2019148519A (ja) 2019-09-05
JP6817243B2 true JP6817243B2 (ja) 2021-01-20

Family

ID=67685722

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018034052A Active JP6817243B2 (ja) 2018-02-28 2018-02-28 スペクトル処理装置及び方法

Country Status (2)

Country Link
US (1) US10802095B2 (ja)
JP (1) JP6817243B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7390210B2 (ja) * 2020-02-28 2023-12-01 日本電子株式会社 スペクトル処理装置及び方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62124450A (ja) * 1985-11-26 1987-06-05 Jeol Ltd Nmrスペクトルの自動ベースラインコレクション方法
WO2008004324A1 (fr) * 2006-07-07 2008-01-10 Hitachi Medical Corporation Dispositif d'imagerie par résonance magnétique
US8283623B2 (en) * 2007-10-29 2012-10-09 International Business Machines Corporation Robust spectral analyzer for one-dimensional and multi-dimensional data analysis
US8645082B2 (en) * 2010-09-13 2014-02-04 Mks Instruments, Inc. Monitoring, detecting and quantifying chemical compounds in a sample
EP3407061A4 (en) * 2015-11-05 2019-10-23 Shimadzu Corporation METHOD FOR PROCESSING CHROMATOGRAPHIC DATA-MASS SPECTROMETRY AND PROCESSING DEVICE
JP7018297B2 (ja) * 2017-11-16 2022-02-10 日本電子株式会社 スペクトル解析装置及び方法
JP7018321B2 (ja) * 2018-01-12 2022-02-10 日本電子株式会社 スペクトル処理装置及び方法

Also Published As

Publication number Publication date
US10802095B2 (en) 2020-10-13
US20190265318A1 (en) 2019-08-29
JP2019148519A (ja) 2019-09-05

Similar Documents

Publication Publication Date Title
Au Uncertainty law in ambient modal identification—Part I: Theory
Buchel et al. Nonlocal probes of thermalization in holographic quenches with spectral methods
Kilbinger et al. Bayesian model comparison in cosmology with Population Monte Carlo
Schmittfull et al. Fast estimation of gravitational and primordial bispectra in large scale structures
Pascual-Izarra et al. Advanced fitting algorithms for analysing positron annihilation lifetime spectra
Guinness Spectral density estimation for random fields via periodic embeddings
Liland et al. ROSA—a fast extension of partial least squares regression for multiblock data analysis
JP7018297B2 (ja) スペクトル解析装置及び方法
Esmaeili et al. A pseudo-spectral scheme for the approximate solution of a time-fractional diffusion equation
Abroe et al. Frequentist estimation of cosmological parameters from the MAXIMA-1 cosmic microwave background anisotropy data
JP7018321B2 (ja) スペクトル処理装置及び方法
JP6817243B2 (ja) スペクトル処理装置及び方法
Stoll et al. An adaptive method for computing resonance fields for continuous-wave EPR spectra
Maslyaev et al. Data-driven partial differential equations discovery approach for the noised multi-dimensional data
Lifshits et al. Approximation of additive random fields based on standard information: Average case and probabilistic settings
Pilgram et al. Modelling the dynamics of nonlinear time series using canonical variate analysis
WO2021210228A1 (ja) 波形情報推定方法及び装置、並びに、ピーク波形処理方法及び装置
Sprzeczak et al. Calibration of a spectrometer using a genetic algorithm
JP7390210B2 (ja) スペクトル処理装置及び方法
Filip et al. SD-CAS: spin dynamics by computer algebra system
Ukkelberg et al. ANAHESS, a new second order sum of exponentials fit algorithm, compared to the Tikhonov regularization approach, with NMR applications
EP4105672A1 (en) Systems and methods for provisioning training data to enable neural networks to analyze signals in nmr measurements
Castro et al. Bayesian Hierarchical Modeling for Parameter Estimation in Normal Distribution with Aggregated Data
JP2008197873A (ja) スペクトル分布および統計分布解析方法、スペクトル分布および統計分布解析装置、スペクトル分布および統計分布解析プログラム
Papamarkou et al. Geometric adaptive Monte Carlo in random environment

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191107

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200826

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200929

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20201208

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201224

R150 Certificate of patent or registration of utility model

Ref document number: 6817243

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150