JP6942741B2 - 誤検知を減少させた分光学的分類のための識別 - Google Patents

誤検知を減少させた分光学的分類のための識別 Download PDF

Info

Publication number
JP6942741B2
JP6942741B2 JP2019007899A JP2019007899A JP6942741B2 JP 6942741 B2 JP6942741 B2 JP 6942741B2 JP 2019007899 A JP2019007899 A JP 2019007899A JP 2019007899 A JP2019007899 A JP 2019007899A JP 6942741 B2 JP6942741 B2 JP 6942741B2
Authority
JP
Japan
Prior art keywords
classification model
class
spectroscopic
classification
unknown sample
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
JP2019007899A
Other languages
English (en)
Other versions
JP2019179023A (ja
Inventor
ション チャンメン
ション チャンメン
ジー ピーダーソン クリストファー
ジー ピーダーソン クリストファー
ケー フォン グンテン マーク
ケー フォン グンテン マーク
スン ラン
スン ラン
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.)
Viavi Solutions Inc
Original Assignee
Viavi Solutions Inc
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 Viavi Solutions Inc filed Critical Viavi Solutions Inc
Publication of JP2019179023A publication Critical patent/JP2019179023A/ja
Priority to JP2021146267A priority Critical patent/JP7238056B2/ja
Application granted granted Critical
Publication of JP6942741B2 publication Critical patent/JP6942741B2/ja
Priority to JP2023031287A priority patent/JP2023088913A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/02—Details
    • G01J3/10—Arrangements of light sources specially adapted for spectrometry or colorimetry
    • G01J3/108—Arrangements of light sources specially adapted for spectrometry or colorimetry for measurement in the infrared range
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/251—Colorimeters; Construction thereof
    • G01N21/253—Colorimeters; Construction thereof for batch operation, i.e. multisample apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

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、原料識別は医用材料に実行して、その医用材料の含有成分がその医用材料と関連するパッケージラベルに一致するか否かを判定することができる。同様に、原料の定量化を実行して、特定の試料内の特定の化学物質の濃度を判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および短いデータ収集時間で非破壊原料識別および／または定量化を容易にする。
いくつかの可能な実施形態によれば、装置は一以上のメモリと、一以上のメモリに通信可能に結合された一以上のプロセッサとを含み得る。装置は、既知試料の訓練セットと既知試料の検証セットとの一組の分光測定の結果を識別する情報を受信し得る。装置は、この一組の分光測定の結果を識別する情報に基づいて分類モデルを生成し得る。この場合、分類モデルは、分光学的判定のための対象材料に関連する少なくとも１つのクラスを含み、また、分類モデルは非対象である少なくとも１つの材料のうちの少なくとも１つまたは基準となる分光測定値に関連する非適合クラスを含む。装置は、未知試料の特定の分光測定の特定の結果を識別する情報を受信し得る。装置は、分類モデルを使用して、未知試料が非適合クラスに含まれるか否かを判定することができる。装置は、未知試料が非適合クラスに含まれるか否かを示す出力を提供することができる。
いくつかの可能な実施形態によれば、非一時的なコンピュータ可読媒体は、一以上のプロセッサにより実行されるとき、一以上のプロセッサに、未知試料について実行された分光測定の結果を識別する情報を受信させる一以上の命令を格納することができる。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、一以上のプロセッサに、分類モデルのうちの複数のクラスを集約させて、統合分類モデルを生成させることができる。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、一以上のプロセッサに、分光測定が統合分類モデルを使用して正確に実施されたか否かを判定させることができる。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、一以上のプロセッサに、分光測定が分類モデルを使用して正確に実施されたという判定に基づいて、未知試料が分類モデルの非適合クラスに含まれないと判定させることができる。この場合、非適合クラスは、非対象である材料または基準となる分光測定値に関連する。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、一以上のプロセッサに、未知試料が非適合クラスに含まれないという判定に基づいて、未知試料の分光学的分類を実行させることができる。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、一以上のプロセッサに、未知試料の分光学的分類の実行に基づいて未知試料を識別する情報を提供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、一組の分光測定の結果を取得するステップを含み得る。本方法は、装置によって、一組の分光測定の結果に基づいて、サポートベクトルマシン（ＳＶＭ）ベースの分類モデルを生成するステップを含むことができ、この分類モデルは、分類のために複数の対象材料に対応する複数のクラスを含む。ここで、一組の分光測定は、複数の対象材料の試料の閾量の測定値を含み、分類モデルは分類のために複数の対象材料に対応しない特定のクラスを含み、一組の分光測定は、特定のクラスに関連する試料の閾量未満の測定値を含む。本方法は、装置によって、分類モデルを使用して、特定の試料の特定の分光測定を特定のクラスに分類するステップを含むことができる。本方法は、装置によって、特定の分光測定の分類に基づいて、特定の試料が特定のクラスに割り当てられていることを示す情報を提供するステップを含むことができる。
本明細書に記載の例示的な実施形態の概略図である。 本明細書に記載の例示的な実施形態の概略図である。 本明細書に記載のシステムおよび／または方法を実施することができる例示的な環境の説明図である。 図２の一以上の装置の例示的なコンポーネントの説明図である。 分光学的分類のための分類モデルを生成するための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連する例示的な実施形態の説明図である。 分光学的分類中の識別における誤検知を回避するための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に関連する例示的な実施形態の説明図である。 図６に示す例示的なプロセスに関連する例示的な実施形態の説明図である。
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、同じまた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。同様に、原料の定量化は、特定の試料における特定の材料の濃度を判定する等、特定の試料の定量分析を実行するために利用される技術である。スペクトロメータを使用して、試料（例えば、医薬品）の分光測定を実行し、試料の成分、試料の成分濃度等を判定することができる。スペクトロメータにより、試料の一組の測定を判定し、分光学的判定のための一組の測定結果を提供することができる。分光学的分類技術（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判定を容易にすることができる。
しかしながら、分光学的分類の対象となるいくつかの未知試料は、実際には、分類モデルにより分類するように構成されているクラスに含まれていない。例えば、魚の種類を区別するように訓練された分類モデルについて、ユーザは、分類するために誤って牛肉を提供し得る。この場合、制御装置は特定の材料の分光学的分類を実行して、特定の材料を特定の種類の魚として不正確に識別し誤検知する場合がある。
別の実施例として、分類モデルは、砂糖の種類（例えば、グルコース、フルクトース、ガラクトース等）を分類するように訓練することができ、また、未知試料における各種類の砂糖のそれぞれの濃度を定量化することができる。しかしながら、スペクトロメータおよび制御装置のユーザは、誤って、スペクトロメータを不正確に使用して測定を実施することにより、未知試料である砂糖の分類を試みる可能性がある。例えば、ユーザは、未知試料から不正確な距離にて、また、分類モデルを訓練するために分光法を実行した校正条件とは異なる環境条件等にて、スペクトロメータを操作し得る。この場合、制御装置は、未知試料に対して不正確なスペクトルを受信し、その結果、未知試料が実際には第２の濃度の第２の種類の砂糖であっても、第１の濃度の第１の種類の砂糖として、未知試料の識別を誤検知し得る。
本明細書に記載のいくつかの実施形態では、分類モデルのために非適合クラスを利用して分光法による識別における誤検知を減少させることができる。例えば、未知試料の分光測定結果を受信する制御装置は、未知試料を非適合クラスに割り当てるか否かを判定することができる。いくつかの実施形態では、制御装置により、未知試料が非適合クラスに割り当てられるべきであると判定し、未知試料が非適合クラスに割り当てられたことを示す情報を提供することによって、未知試料の識別における誤検知を回避することができる。あるいは、未知試料が非適合クラスに割り当てられないという判定に基づいて、制御装置により未知試料のスペクトルを分析して、分類、濃度等の分光学的判定を提供することができる。更に、制御装置は、識別における誤検知を除外するために、確率推定値、決定値等の信頼メトリックを利用することができる。
このようにして、非適合クラスおよび／または信頼メトリックを利用しないで実施される分光法と比較して、分光法の精度を改善することができる。更に、既知の分光学的試料の訓練セットに基づいて分類モデルを生成する際に、非適合クラスを利用することができる。例えば、制御装置は、（例えば、人的エラーの結果、不正確な試料が訓練セットに導入されたことによって）訓練セットの試料が残りの訓練セットに一致する種類ではないと判定し、分類モデルの生成時に、その試料に関連するデータを含まないように決定することができる。このようにして、制御装置により、分光法のための分類モデルの精度を改善する。
図１Ａおよび図１Ｂは、本明細書に記載する例示的な実施形態１００の概略図である。図１Ａに示すように、例示的な実施形態１００は、制御装置およびスペクトロメータを含み得る。
図１Ａに更に示すように、制御装置は、スペクトロメータに、訓練セットおよび検証セット（例えば、分類モデルを訓練し、検証するために使用される一組の既知試料）に対して一組の分光測定を実行させ得る。訓練セットおよび検証セットは、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材料群、例えば（医薬分野において）ラクトース素材、フルクトース素材、アセトアミノフェン素材、イブプロフェン素材、アスピリン素材等を指す。分類モデルを訓練するために使用される材料、および分類モデルを使用して原料の識別が実行される材料は、対象材料と称される。
図１Ａに更に示すように、スペクトロメータは、制御装置からの命令の受信に基づいて訓練セットおよび検証セットに対して一組の分光測定を実行することができる。例えば、スペクトロメータは、各試料の訓練セットおよび検証セットのスペクトルを判定することにより、制御装置に、未知試料を分類モデルのための対象材料のうちの一つとして分類するための一組のクラスを生成させることができる。
スペクトロメータは、一組の分光測定結果を制御装置に供給することができる。制御装置は、特定の判定技術を用いて、一組の分光測定結果に基づいて分類モデルを生成することができる。例えば、制御装置は、サポートベクトルマシン（ＳＶＭ）技術（例えば、情報を判定するための機械学習技術）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、特定のスペクトルを特定のクラスの対象材料に割り当てることに関連する情報を含むことができ、かつ特定のクラスに関連する対象材料の種類の識別に関連する情報を含むことができる。このようにして、制御装置は、未知試料のスペクトルを特定のクラスに割り当てることに基づいて、未知試料の材料の種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、制御装置は非適合クラスのための試料に関連するスペクトルを受信し得る。例えば、制御装置は、対象材料のスペクトルに類似していると判定されたスペクトル、対象材料と混同され得る材料に（例えば、視覚的に、化学的に、等）関連するスペクトル、スペクトロメータの不正確な操作に関連するスペクトル（例えば、試料なしで実行された測定のスペクトル、試料とスペクトロメータの光学系との間の距離が不正確な状態で実行された測定のスペクトル等）等を受信し得る。非対象の材料および非適合クラスに含まれ得る材料は、迷惑材料（nuisance materials）または非対象材料と呼ばれ得る。この場合、制御装置は、分類モデルのための非適合クラスを生成し、検証セットに含まれる迷惑材料のためのスペクトルに基づいて、非適合クラスを使用して、識別における誤検知の回避を検証することができる。付加的または代替的に、分類モデルの使用中、制御装置は、迷惑材料を識別する情報を受信し、分類モデルをアップデートして、識別における誤検知（例えば、迷惑材料を対象材料のうちの一つとして識別すること）を回避し得る。
図１Ｂに示すように、制御装置は（例えば、ストレージや、分類モデルを生成した別の制御装置等から）分類モデルを受信することができる。制御装置は、スペクトロメータに、未知試料（例えば、分類または定量化を実行する未知試料）に対して一組の分光測定を実行させることができる。スペクトロメータは、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、スペクトロメータは、未知試料のためのスペクトルを判定することができる。スペクトロメータは、一組の分光測定結果を制御装置に供給することができる。制御装置は、分類モデルに基づいて、例えば多段分類技術を用いて、未知試料に対して分類を試みることができる。
図１Ｂに関して、制御装置は、分類モデルを用いて未知試料が非適合クラスに含まれるか否かの判定を試みることができる。例えば、制御装置は、未知試料が非適合クラスに属する可能性に対応する信頼メトリックを決定し得る。この場合、制御装置により、例えば確率評価やサポートベクトルマシンの決定値出力等の信頼メトリックが閾値を満足すると判定すると、制御装置は未知試料を非適合クラスに割り当てることができる。この場合、制御装置は、分類モデルを使用して未知試料を正確に分類することができないと報告することによって、未知試料の識別時に、未知試料が対象材料のクラスに属するものとして誤検知される可能性を減少させることができる。
いくつかの実施形態では、未知試料が非適合クラスに属さないという第１の判定に基づいて、制御装置により、インサイチュローカルモデリングを使用して、未知セットの特定の試料の判定を実施しようと試みる。例えば、制御装置は、特定の試料およびグローバル分類モデルに関連する一組の信頼メトリックを判定することができる。この場合、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技術およびサブセットのクラスを用いて生成されるインサイチュ分類モデルと言うことができる。インサイチュ分類モデルの生成に基づいて、制御装置は、ローカル分類モデルに基づいて未知試料の分類を実行しようと試みることができる。この場合、閾値を満足するローカル分類モデルに関連する一以上の信頼メトリックに基づいて、制御装置は、未知試料が非適合クラスに属すると判定し、未知試料が分類モデルを使用して分類不能であることを報告することができる。あるいは、制御装置は、未知試料が非適合クラスに属さないという判定をし、未知試料に関連する分類を報告することができる。
こうして、制御装置により、未知試料を対象材料として識別時に誤検知して報告する可能性を減少させることによって、他の分類モデルと比較して、未知試料に対して向上した精度で分光法を実行することが可能となる。
上述したように、図１Ａおよび図１Ｂは、単なる例示である。他の実施例も可能であり、図１Ａおよび図１Ｂに関連して記載した内容とは異なってもよい。
図２は、本明細書に記載するシステムおよび／また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、およびネットワーク２３０を含み得る。環境２００の装置は、有線接続、無線接続、または有線およ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、分光学的分類に関連する情報を格納し、処理し、および／また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、訓練セットの一組の測定値に基づいて分類モデルを生成し、検証セットの一組の測定値に基づいて分類モデルを検証し、および／または、その分類モデルを利用して、未知セットの一組の測定値に基づいて分光学的分類を実行する、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、機械学習技術を利用して、未知試料の分光測定値が非適合クラスに分類可能か否かを判定して、本明細書に記載のように識別時の誤検知の可能性を減少させることができる。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から受信および／またはスペクトロメータ２２０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、ウェアラブルデバイス、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から受信および／または制御装置２１０へ送信してもよい。
ネットワーク２３０は、一以上の有線および／また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および／またはこれらのまた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に示す装置およびネットワークの数および配置は一例として与えられている。実際には、より多くの装置および／またはネットワークにしても、より少数の装置および／またはネットワークにしても、異なる装置および／またはネットワークにしても、図２に示す例と異なる配置の装置および／またはネットワークにしてもよい。更に、図２に示す二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、本明細書では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。付加的または代替的に、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および／またはスペクトロメータ２２０に相当し得る。いくつかの実施形態では、制御装置２１０および／またはスペクトロメータ２２０は、一以上の装置３００および／または装置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、およ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、また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、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）、マイクロプロセッサ、マイクロコントローラ、デジタルシグナルプロセッサ（ＤＳＰ）、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）、または他のタイプの処理コンポーネントを含み得る。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で使用する情報および／また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）、および／または別のタイプのダイナミックまた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、および／または光メモリ）を含み得る。
記憶コンポーネント３４０は、装置３００の動作および使用に関する情報および／また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、および／またはソリッドステートディスク）、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、および／または別のタイプの非一時的コンピュータ可読媒体（対応するドライバと共に）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、および／またはマイクロフォン）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。付加的または代替的に、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、および／またはアクチュエータ）を含んでもよい。出力コンポーネント３６０は、装置３００からの出力情報を提供するコンポーネント（例えば、ディスプレイ、スピーカ、および／または一以上の発光ダイオード（ＬＥＤ））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、また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、トランシーバおよび／または別々の受信機および送信機）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、および／また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、無線ＬＡＮ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および／または記憶コンポーネント３４０等の非一時的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、本明細書では非一時的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また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また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および／または記憶コンポーネント３４０に読み込んでよい。メモリ３３０および／また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。付加的または代替的に、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、また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任意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およ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、より少数のコンポーネント、異なるコンポーネント、または図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。付加的または代替的に、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、分光学的分類のための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、または制御装置を含む別の装置あるいは装置群、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、訓練セットおよび／または検証セットに一組の分光測定を実行するステップを含み得る（ブロック４１０）。例えば、制御装置２１０は、訓練セットおよび／または検証セットの各試料に対してスペクトルを決定するために、（例えば、プロセッサ３２０、通信インタフェース３７０等を使用して）スペクトロメータ２２０に、一組の分光測定を訓練セットおよび／または検証セットの試料に実行させることができる。訓練セットは、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材料の一組の試料ということができる。同様に、検証セットは、分類モデルの精度を検証するために利用される一以上の既知の材料の一組の試料ということができる。例えば、訓練セットおよび／または検証セットは、一組の材料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、訓練セットおよび／または検証セットは、分類モデルを使用して分光学的分類が実行される対象材料の予想セットに基づいて選択され得る。例えば、分光定量が医薬品に対して実行されて、一組の医薬品の特定の成分の存在を判定するとき、訓練セットおよび／または検証セットは、一組の異なる可能な濃度の薬剤有効成分（ＡＰＩ）、賦形剤等の一組の試料を含み得る。
いくつかの実施形態では、訓練セットおよび／または検証セットは、各種の材料に対して特定量の試料を含むように選択することができる。例えば、訓練セットおよび／または検証セットは、特定の材料および／またはその濃度の複数の試料（例えば、５試料、１０試料、１５試料、５０試料等）を含むように選択することができる。いくつかの実施形態では、試料の数は閾値未満とすることができる。例えば、１０試料のうちの５０スペクトル（例えば、分光スキャン）、３試料のうちの１５スペクトル等に基づいて均一な有機化合物のためのクラスを生成することができる。同様に、均一な有機化合物においては、例えば、２０試料のうちの１００スペクトル、１０試料のうちの５０スペクトル等に基づいて、クラスを生成することができる。同様に、４０試料のうちの４００スペクトル、２０試料のうちの２００スペクトル等に基づいて、生物物質または農業資材のためのクラスを生成することができる。いくつかの実施形態では、試料の数量および／または迷惑材料のための非適合クラス用に使用されるスペクトルは、同種の材料（例えば、均一な有機化合物、異種の有機化合物、生物物質または農業資材等）のための非適合クラスではないものとして、同量の、または数量を減少させた試料および／またはスペクトルに関連付けることができる。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、ローカル分類モデル等）または定量化モデルに関連するクラスに割り当てられるスペクトルを定量化するために使用され得る定量化モデルのクラスの生成および／または検証が容易になる。
いくつかの実施形態では、非適合クラスに割り当てられる材料の一以上の試料は、訓練セットおよび／または検証セットに含まれてもよい。例えば、スペクトロメータ２２０は、定量化モデルを使用して定量化される第２の材料と同様のスペクトルに関連する第１の材料の測定値を提供し得る。こうして、制御装置２１０は機械学習を使用して、識別における誤検知の回避を訓練することができる。いくつかの実施形態では、制御装置２１０は、受信した情報に基づいて、非適合クラスのための材料を選択することができる。例えば、制御装置２１０は、分類モデルを生成した特定の濃度の対象材料と同様のスペクトル、外観等を有する迷惑材料を識別する情報を受信することができる。付加的または代替的に、制御装置２１０は、機械学習技術を実行して、特定の対象材料に対する迷惑材料を自動的に識別することができる。例えば、制御装置２１０は機械学習を使用して、パターン認識を実行し、対象材料のスペクトルと同様の迷惑材料のスペクトルを識別して、対象材料に視覚的に類似して見える迷惑材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、基準となる分光測定を実行して非適合クラスのためのスペクトルを識別することができる。例えば、制御装置２１０は、基準となる分光測定として試料が存在しなくとも、不正確な背景や不正確な照明等にて分光測定を実行し、不正確な分光測定値が特定の対象材料として分類されるのではなく、非適合クラスとして確実に分類されるようにすることができる。この場合、制御装置２１０は、スペクトロメータ２２０を自動的に制御し、ユーザインタフェースを使用して情報を提供して、スペクトロメータ２２０のユーザに不正確な測定を実行するよう命令すること等ができる。付加的または代替的に、制御装置２１０は、非適合クラスの生成を可能にするために特定の分光測定が不正確に実施されたことを示す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、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のスペクトロメータ２２０および第２のスペクトロメータ２２０に、ＮＩＲ分光法を用いて一組の振動分光測定を実行させ得る。付加的または代替的に、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。こうして、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、（例えば、プロセッサ３２０、通信インタフェース３７０等を使用して）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、訓練セットおよび／または検証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。例えば、制御装置２１０は、スペクトロメータ２２０が訓練セットに分光法を実行する際に観測される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。いくつかの実施形態では、制御装置２１０は、訓練セットおよび検証セットのためのスペクトルを識別する情報を同時に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、訓練セットのためのスペクトルを識別する情報を受信し、分類モデルを生成し、分類モデルの生成後に、分類モデルのテストを可能とするために検証セットのため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、一組の分光測定の結果として他の情報、例えば、測定が不正確に実施され非適合クラスが生成されたことを示す情報を受信することができる。付加的または代替的に、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２２０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。
いくつかの実施形態では、制御装置２１０は、分類モデルの生成において利用する際に一以上のスペクトルを取り除くことができる。例えば、制御装置２１０は、分光学的分類を実行し、スペクトルを非適合クラスに分類して、（例えば、分光法を正確に実行する上での人的エラー、訓練セットのスペクトルを識別する情報におけるエラー等に基づいて）スペクトルに対応する試料が不注意に迷惑材料であること、または対象外の材料であることを判定することができ、訓練セットからそのスペクトルを除去するよう決定することができる。こうして、制御装置２１０により、分類モデルが、訓練セットまたは検証セットに関する不正確または不精確な情報を使用して生成される可能性を低減させることによって、分類モデルの精度を改善することができる。
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、（例えば、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０等を使用して）一組の分光測定の結果を識別する情報に基づいて、主成分分析（ＰＣＡ）ＳＶＭクラシファイア技術と関連する（例えば、インサイチュローカルモデリング技術において使用するための）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、グローバル分類モデルを生成するために一組の判定を実行し得る。例えば、制御装置２１０は、グローバル分類モデルのための一組のクラスを生成することができ、また、ＳＶＭ技術を使用することによって、一組の分光測定の結果によって識別された一組のスペクトルをローカル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、グローバル分類モデルの使用中、制御装置２１０は、グローバル分類モデルに関連する信頼メトリックを使用して未知スペクトルに対応するローカルクラスの閾量を識別し、ローカルクラスに基づいてローカル分類モデルを生成し、ローカル分類モデルに基づいて未知スペクトルのアイデンティティを判定する。この場合、ローカル分類モデルのための非適合クラスを生成することができる（例えば、グローバル分類モデルからインサイチュで生成されるローカル分類モデルは、非適合クラスを含み得る）。こうして、第１の分類および第２の分類を有するインサイチュローカルモデリングを使用することによって、制御装置２１０は、多数のクラス（例えば、閾値を超える、例えば５０クラス超、１００クラス超、２００クラス超、１０００クラス超等）を分類することができる。いくつかの実施形態では、制御装置２１０は、未知スペクトルを分類するための別のタイプの分類モデルを生成し、および／または分類モデルのために別のタイプのクラシファイアを使用することができる。
ＳＶＭは、分類用のパターン認識を実行し、分類用の信頼メトリックを使用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て、二以上のインプット（例えば、スペクトル）の類似性を判定し得る。例えば、制御装置２１０は、ラジアル基底関数（ＲＢＦ）（例えば、いわゆるＳＶＭ−ｒｂｆ）型のカーネル関数（スペクトルｘおよびｙについてk(x,y)=exp(-||x-y||^2)として示され得る）、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およびいわゆるｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒ）型のカーネル関数（k(x,y)=<x・y>として示され得る）、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、ＳＶＭのための特定のタイプの信頼メトリック、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判定）、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判定）等を利用し得る。例えば、決定値ベースのＳＶＭによる分類モデルの使用中、制御装置２１０は、未知試料が未知試料のスペクトルのプロッティングに基づいて、成分クラスの境界内に位置付けられているか否かを判定し、未知試料が成分クラスの境界内に位置付けられるか否かに基づいて、試料を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、未知スペクトルを特定のクラスや非適合クラス等に割り当てるか否かを判定することができる。
いくつかの実施形態では、制御装置２１０は、決定値を決定するための特定のクラス比較技術を利用することができる。例えば、制御装置２１０は、ｏｎｅ−ｖｅｒｓｕｓ−ａｌｌ法（いわゆるｏｎｅ−ｖｅｒｓｕｓ−ａｌｌ ｏｔｈｅｒｓ法とも称される）を利用することができ、この場合、分類モデルはサブモデルのグループに分割され、各サブモデルは、分類モデルの他のクラスそれぞれと比較したクラスに基づいており、決定値は各サブモデルに基づいて決定される。付加的または代替的に、制御装置２１０は、ａｌｌ−ｐａｉｒｓ法を利用することができ、この場合、分類モデルをそれぞれ可能なペアのクラスに分割して、サブモデルを形成し、そのサブモデルから決定値を決定する。
本明細書に記載のいくつかの実施形態は、特定の機械学習技術のセットについて記載しているが、未知スペクトルに関する情報を決定するのに、例えば材料の分類等の他の技術も可能である。
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のスペクトロメータ２２０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のスペクトロメータ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）、大規模解析精度（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、複数の分類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クラシファイア（例えば、ｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒ）を、そのクラシファイアが他のクラシファイアに比較して優れたトランスフェラビリティおよび／または大規模解析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材料の種類または濃度で識別するために、訓練セットの試料で表される材料の種類または濃度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、分類モデルを生成する際に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（例えば、訓練セットに関連する側定値）を用いてモデルを訓練させることができる。付加的または代替的に、制御装置２１０は、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（例えば、検証セット）を用いて分類モデルを（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分類モデルを検証することができる。例えば、分類に基づくインサイチュローカルモデリングにおいて、制御装置２１０は、グローバル分類モデルが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判定することができる。こうして、制御装置２１０は、例えば、制御装置２１０によって、また他のスペクトロメータ２２０と関連する他の制御装置２１０等によって利用するための分類モデルを供給する前に、分類モデルを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、分類モデルの生成後、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の制御装置２１０は分類モデルを生成し、その分類モデルを第２の制御装置２１０に利用のために供給し得る。この場合、分類に基づくインサイチュローカルモデリングにおいて、第２の制御装置２１０は分類モデル（例えば、グローバル分類モデル）を格納し、未知セットの一以上の試料を分類するために、その分類モデルを一以上のインサイチュローカル分類モデルを生成するのに利用することができる。付加的または代替的に、制御装置２１０は分類モデルを、制御装置２１０で分類を実行し、（例えばインサイチュローカルモデリングベースに分類のための）一以上のローカル分類モデルを生成する際に利用するために、格納してもよい。このように、制御装置２１０は、未知試料の分光学的分類にて利用するための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、より少数のブロック、異なるブロック、または図４に示す例と異なる配置のブロックを含んでもよい。付加的または代替的に、プロセス４００の二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、定量化のための誤検知識別を伴う分類モデルを生成する一例を示す。
図５に示すように、制御装置２１０−１は情報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および検証セット５１０に実行するよう命令する。訓練セットおよび検証セット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。この場合、検証試料は、分類のための複数の対象材料の試料および一以上の迷惑材料の一以上の試料または分類モデルのための非適合クラスを訓練するための不正確な測定値を含むことで、識別時の誤検知を回避する。制御装置２１０−１は、訓練セットおよび検証セット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、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し（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）、これは分類モデルのインサイチュローカルモデリングタイプとすることができる。参照番号５２５で示すように、制御装置２１０−１は、ｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒクラシファイアおよび第１セットのスペクトルを用いて分類モデルを訓練し、ｈｉｅｒ−ＳＶＭ−ｌｉｎｅａｒクラシファイアおよび第２セットのスペクトルを用いて分類モデルを検証する。制御装置２１０−１は、第１セットのスペクトルのサブセットを使用して分類モデルのための非適合クラスを生成し、分類モデルを訓練して、迷惑材料を識別することができ、また、第２セットのスペクトルのサブセットを使用して、迷惑材料の識別における分類モデルの精度を検証することができる。
制御装置２１０−１は、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、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対して分類を実行するとき利用するために）および制御装置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対して分類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）分類技術および一以上のスペクトロメータ２２０と関連する一以上の他の制御装置２１０で利用するための分類モデルの分配に基づく分類モデルの生成を容易にする。更に、制御装置２１０は、迷惑材料の分光測定を含むことによって分類モデルの精度を改善し、識別時の誤検知を回避する。
図６は、原料識別中における誤検知識別を回避するための例示的なプロセス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６の一以上のプロセスブロックは、制御装置２１０とは別の装置または制御装置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、未知試料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、（例えば、プロセッサ３２０、通信インタフェース３７０等を使用して）未知試料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。いくつかの実施形態では、制御装置２１０は、（例えば、複数試料のうちの）未知セットへの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、一組の試料（例えば、未知試料）を含むことができ、その試料のための判定（例えば分光学的分類）を実施することができる。例えば、制御装置２１０は、スペクトロメータ２２０に、一組の未知試料への一組の分光測定を実行させることができ、また、その一組の未知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。付加的または代替的に、制御装置２１０は、複数回、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、複数回、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または別の技術に基づいて）特定の試料を分類および／または定量化することができる。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。
付加的または代替的に、制御装置２１０は第１のスペクトロメータ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で全ての分光測定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、一組の分光測定が正確に実施されたか否かを判定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、（例えば、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０等を使用して）一組の分光測定が正確に実施されたか否かを判定することができる。いくつかの実施形態では、制御装置２１０は、未知試料の分光測定が、（例えば、スペクトロメータ２２０の光コンポーネントと試料との間、スペクトロメータ２２０の光コンポーネントと試料の背景との間等の）校正された距離にて実施されたか否かを判定することができる。付加的または代替的に、制御装置２１０は、未知試料の分光測定が校正された温度にて、校正された圧力にて、校正された湿度にて、校正された背景を使用して、校正されたスペクトロメータを使用して等、実施されたか否かを判定することができる。
例えば校正された距離、校正された温度、校正された圧力、校正された湿度、校正された背景等の校正された条件のための校正された値は、モデルを訓練および／または検証した値を含むことができる。例えば、制御装置２１０は、例えば温度や、未知試料とスペクトロメータ２２０の光コンポーネントとの間の距離等の測定条件のための値を識別するスペクトロメータ２２０から測定データを受信することができ、また、制御装置２１０は、モデルが、値の閾量内に校正された条件のための校正された値に関連する訓練セットおよび／または検証セットを使用して訓練されたことを検証することができる。
付加的または代替的に、制御装置２１０は、単一クラスのＳＶＭ（ＳＣ−ＳＶＭ）クラシファイア技術を使用してサニティーチェックを実行し、未知スペクトルが正確に実行された測定に関連しているか否かを判定することができる。例えば、制御装置２１０は、分類モデルにおける複数のクラスを集約して、単一クラスを有する統合分類モデルを形成し、決定値を有するＳＶＭクラシファイアを使用して、未知試料が外れ試料であるか否かを判定することができる。こうして、未知試料が外れ試料である場合、制御装置２１０は、一組の分光測定が正確に実行されなかったと判定することができ、また、一組の分光測定を再度実行させ、別の一組の分光測定を識別する別の一組の結果を受信することができる(ブロック６２０−いいえ）。こうして、制御装置２１０は、未知試料に類似する試料を使用して分類モデルを訓練させることなく、閾量だけ分類モデルとは異なる（例えば、閾量だけ対象材料の訓練セット試料とも異なる）未知スペクトルの識別を可能にする。更に、制御装置２１０は、分類モデルを生成するために収集される試料の分量を減少させることによって、閾量だけ対象材料とは異なる迷惑材料のための他の試料の取得、格納、および処理に比べて、関連するコスト、時間、および計算資源（例えば、処理資源およびメモリ資源）の利用を減少させることができる。
更に、制御装置２１０は、測定条件が校正された条件に適合するか否かを判定せずに分光法を実行する場合と比較して、分光法の結果が不正確（例えば、不正確な定量化、不正確な判定等）となる可能性を低減させる。更に、未知試料を分類しようとする前に未知試料の測定が正確に実施されたと判定されると、制御装置２１０は、分光法を実行しようと試み、結果的に不正確な測定値として失敗し、別の分光法を実行しようと試みる場合と比較して計算資源の利用を減少させる。
図６に更に示すように、一組の分光測定が正確に実行されたとの判定に基づいて（ブロック６２０−はい）、プロセス６００は、一組の分光測定の結果に基づいて、未知試料が非適合クラスに含まれるか否かを判定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、（例えば、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０等を使用して）未知試料が非適合クラス（例えば、対象外の材料または迷惑材料）に分類すべきか否かの判定を試みることができる。いくつかに実施形態では、制御装置２１０は、未知試料を分類して、未知試料が非適合クラスに含まれるか否かを判定することができる。例えば、制御装置２１０は、モデルのためのＳＶＭ−ｒｂｆカーネル関数またはＳＶＭ−ｌｉｎｅａｒカーネル関数を使用して、未知試料を非適合クラスに分類するための決定値を判定することができる。閾値決定値を満足するこの決定値に基づいて、制御装置２１０は、未知試料が非適合クラスに属することを判定することができる（例えば、未知試料が迷惑材料と判定され、スペクトルが、例えば不正確な測定距離を使用して実行された測定値、不正確な測定背景を使用して実行された測定値、不正確な測定照明を使用して実行された測定値、試料の存在なしに実行された測定値等の基準となる分光測定値に関連すると判定される）。こうして、制御装置２１０は、分光法のための分類モデルが、特定の未知試料のスペクトルと共に使用するために校正されていないと判定し、特定の未知試料の識別における誤検知を回避する。あるいは、制御装置２１０は、未知試料が非適合クラスに属さないと判定することができる。
図６に更に示すように、未知試料が非適合クラスに含まれるとの判定に基づいて（ブロック６３０−はい）、プロセス６００は、未知試料が非適合クラスに含まれることを示す出力を供給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、（例えば、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０、通信インタフェース３７０等を使用して）例えばユーザインタフェースを介して、未知試料が非適合クラスに含まれることを示す情報を供給することができる。いくつかの実施形態では、制御装置２１０は、未知試料の識別に関連する情報を供給することができる。例えば、特定の植物における特定の化学物質の分量の定量化に基づいて、かつ、未知試料が特定の植物ではないとの判定に基づいて、（しかしながら、例えば人的エラーに基づいて別の植物である場合）、制御装置２１０は、別の植物を識別する情報を供給することができる。いくつかの実施形態では、制御装置２１０は、別の分類モデルを取得し、別の分類モデルを使用して、未知スペクトルを分類モデルの非適合クラスに割り当てることによって、未知試料を識別することができる。
こうして、制御装置２１０は、未知試料の識別時の誤検知に基づく不正確な情報を提供する可能性を低減させ、未知試料が特定の植物ではなく他の植物であったとの判定を支援する、技術者による情報の提供によってエラー補正を可能にする。
更に図６に示すように、未知試料が非適合クラスに含まれないという判定に基づいて（ブロック６３０−いいえ）、プロセス６００は、一組の分光測定の結果に基づいて一以上の分光学的判定を実行するステップを含むことができる（ブロック６５０）。例えば、制御装置２１０は、（例えば、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０等を使用して）一組の分光測定の結果に基づいて、一以上の分光学的判定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、未知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て、第１の判定を実行することができる。例えば、制御装置２１０は、特定の試料に関連する特定のスペクトルが、ローカルクラスの材料（例えば、セルロース素材、ラクトース素材、カフェイン素材等）に対応することをグローバル分類モデルに基づいて判定することができる。
いくつかの実施形態では、制御装置２１０は、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、他の、非ローカルクラスと関連する他の確率より大きい特定のローカルクラスに対する特定の確率に基づいて、未知試料を特定のローカル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、試料が関連する材料の種類を決定し、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、未知試料が任意のクラスに関連する閾値を満足させず、かつ、非適合クラスに関連する閾値を満足させないと判定し得る。この場合、制御装置２１０は、未知試料がどのクラスにも含まれず、非適合クラスに関連する閾値に対応する一定レベルの信頼を有する非適合クラスに割り当てることができないことを示す出力を供給する。
いくつかの実施形態では、例えばクラスの閾量よりも高い分類モデルのためにインサイチュローカルモデリングを実行するために、制御装置２１０は、第１の判定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判定技術（例えば、ＳＶＭ−ｒｂｆ、ＳＶＭ−ｌｉｎｅａｒ等のカーネル関数、確率値ベースのＳＶＭ、決定値ベースのＳＶＭ等）を使用して、第１の判定に関連する信頼メトリックに基づいて生成されたインサイチュ分類モデルを示し得る。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。
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使用して第１の判定の実行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。例えば、制御装置２１０を使用して未知試料における物質の濃度を判定し、物質の濃度を判定するために複数の未知試料が異なる定量化モデルに関連する場合、制御装置２１０は第１の判定を利用して、クラスのサブセットを未知試料のためのローカルクラスとして選択し、第１の判定の結果に基づいて未知試料のための定量化モデルを選択することができる。こうして、制御装置２１０は、階層的決定および定量化モデルを利用して、分光学的分類を改善する。
いくつかの実施形態では、制御装置２１０は、結果およびローカル分類モデルに基づいて第２の判定を実行してよい。例えば、制御装置２１０は、ローカル分類モデルおよび特定のスペクトルに基づいて、未知試料をグローバル分類モデルのための対象材料のうちの１つとして分類することができる。いくつかの実施形態では、制御装置２１０は、特定のスペクトルおよびローカル分類モデルに関連する一組の信頼メトリックを判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に関連する可能性を判定し、特定のスペクトル（例えば、特定のスペクトルに関連する未知試料）をローカル分類モデルの他のクラスよりもより高い可能性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、未知試料を識別する。いくつかの実施形態では、制御装置２１０は、ローカル分類モデルのための非適合クラスを判定し、特定のスペクトルをローカル分類モデルのための非適合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、未知試料が分類モデルのクラスのための閾値信頼メトリックを満足させないと判定し、未知試料に対する分類の失敗を判定することができる。こうして、閾値信頼メトリックの使用に基づいて、制御装置２１０は、未知試料の識別における誤検知の可能性を低減させる。
いくつかの実施形態では、制御装置２１０は、第１の判定の実行後（および／または第２の判定の実行後）に定量化を実行してもよい。例えば、制御装置２１０は、一以上の判定の実行に基づいてローカル定量化を選択し、ローカル定量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、植物が屋内または屋外で、冬または夏等に成長するものであるか否かに関する場合）、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、一組の判定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、一以上の分光学的分類を実行したときの分類の失敗に基づいて（ブロック６５０−Ａ）、プロセス６００は、分類の失敗を示す出力を提供するステップと、選択的に分類モデルのクラスをアップデートするステップとを含み得る（ブロック６６０）。例えば、制御装置２１０は、（例えば、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０、通信インタフェース３７０等を使用して）分類の失敗を示す情報を提供することができる。例えば、分類に関連する信頼レベルが閾値信頼レベルを満足させないという判定に基づいて、制御装置２１０は、分類の失敗を示す出力を提供することによって、識別時の誤検知の可能性を低減させることができる。付加的または代替的に、信頼レベルが閾値を満足させないという判定に基づいて、制御装置２１０は、分類を実行するために選択的に分類モデルのクラスをアップデートすることができる。例えば、制御装置２１０は、試料を識別する（例えば、作業者、データベース等からの）追加の情報を取得し、試料がラベル付けされたクラスに属すると判定することができる。この場合、制御装置２１０は、ラベル付けされたクラスをアップデートして、続く分光学的分類を改善することができる。付加的または代替的に、制御装置２１０は、試料がラベル付けされたクラスに属さないと示す情報を取得することができる。この場合、制御装置２１０は、非適合クラスをアップデートして、続く非適合分類を改善することができる。こうして、制御装置２１０により、分光学的分類に対する反復的なモデル強化が可能となる。
図６に更に示すように、一以上の分光学的分類を実行したときの分類の成功に基づいて（ブロック６５０−Ｂ）、プロセス６００は、未知試料に関連する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６７０）。例えば、制御装置２１０は、（例えば、プロセッサ３２０、メモリ３３０、記憶コンポーネント３４０、通信インタフェース３７０等を使用して）未知試料に関連する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、未知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、未知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、それによって未知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、未知試料の特定のクラスへの割り当てに関連する信頼メトリックを示す情報を提供し得る。例えば、制御装置２１０は、未知試料が特定のクラス等と関連する確率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の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。
いくつかの実施形態では、制御装置２１０は、一組の分類の実行に基づく定量化を提供してよい。例えば、未知試料のクラスに関連するローカル定量化モデルの識別に基づいて、制御装置２１０は、未知試料における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、一組の分類の実行に基づいて、分類モデルをアップデートすることができる。例えば、制御装置２１０は、未知試料の分類を対象材料や迷惑材料等として判定することによって、未知試料を訓練セットの試料として含む新しい分類モデルを生成することができる。
図６はプロセス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、より少数のブロック、異なるブロック、または図６とは異なる配置のブロックを含んでよい。付加的または代替的に、プロセス６００の二以上のブロックを並行して実行してもよい。
図７Ａおよび図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および図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７０５で示すように、制御装置２１０は、スペクトロメータ２２０に一組の分光測定を実行させることができる。例えば、制御装置２１０は、スペクトロメータ２２０に、未知試料に対するスペクトルを取得させるよう命令して、未知試料の分類を、識別のために分類モデルを訓練した一組の対象材料のうちの特定の対象材料として判定することができる。参照番号７１０および参照番号７１５によって示すように、スペクトロメータ２２０は未知試料を受信し、未知試料に対して一組の分光測定を実行することができる。参照番号７２０によって示すように、制御装置２１０は、未知試料に対して一組の分光測定を実行する未知試料ベースのスペクトロメータ２２０のスペクトルを受信することができる。
図７Ｂに示すように、制御装置２１０は分類モデル７２５を使用して、分光学的分類を実行することができる。分類モデル７２５は、訓練セットの一組のスペクトル用に識別される一組のクラス７３０を含む。例えば、分類モデル７２５は、潜在的な対象材料のクラス７３０−１〜７３０−６と、迷惑材料（例えば、類似の材料、類似のスペクトル、例えば不正確な照明スペクトル、不正確な距離スペクトル、不正確な背景スペクトル等の不正確に取得されたスペクトル等）の非適合クラス７３０−７とを含む。
図７Ｂに参照番号７３５および７４０によって更に示すように、未知試料のスペクトルは、非適合クラスに割り当てられ、未知試料は迷惑材料（例えば、非適合クラスのメンバー）として識別される。例えば、制御装置２１０は、インサイチュローカルモデリング技術を使用して、グローバルモデル（例えば分類モデル７２５）に基づいてローカルモデルを生成し、ローカルモデルに基づいて未知試料が迷惑材料であるか否かを判定することができる。いくつかの実施形態では、制御装置２１０は、インサイチュ閾値技術を実行して、未知試料が迷惑材料か否かを判定することができる。例えば、クライアント装置２１０は、未知試料の第１の、最も可能性のあるクラスおよび／または試料の二番手のクラス（例えば、第２の、最も可能性のあるクラス）に関連する自己検証または交差検証の決定値であり得、決定値を利用して予測閾値に対する上限および下限を設定することができる。いくつかの実施形態では、クライアント装置２１０は、複数のローカルモデリングストラテジを利用することができる。例えば、クライアント装置２１０は、第１のモデリング技術を利用して勝者のクラスを決定し、第２のモデリング技術を利用して信頼メトリックを決定することができる。いくつかの実施形態では、クライアント装置２１０は、単一クラスＳＶＭ（ＳＣ−ＳＶＭ）技術を利用して、未知試料が迷惑材料か否かを判定することができる。参照番号７４５によって示すように、制御装置２１０は、未知試料を対象材料のうちの一つの特定の濃度として識別する際に誤検知するのではなく、未知試料が迷惑材料であることを示す出力をクライアント装置７５０に提供する。
上述したように、図７Ａおよび図７Ｂは単なる一例にすぎない。他の例も可能であり、図７Ａおよび図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、未知試料を、識別するために分類モデルを訓練した特定の対象材料として識別する際の誤検知を回避することにより、分光法における不正確な結果を供給する可能性を低減させる。
以上の開示は描写およ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修正およ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、閾値より大きいまたは等しい、閾値より小さい、閾値より少ない、閾値より低い、閾値より小さいまたは等しい、閾値に等しい等を意味する。
本明細書に記載のシステムおよび／または方法はハードウェア、ファームウェア、また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。これらのシステムおよび／また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また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、システムおよび／または方法の動作および挙動は、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、これらのシステムおよび／または方法を実施するソフトウェアおよ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および／また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、これらの特徴の多くは請求の範囲および／また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全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、または命令はいずれも、そのように明記されない限り重要なものまたは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」および「ａｎ」は、１つ以上の項目を含むことが意図され、「１つ以上」と交換可能に用いられ得る。更に、本明細書で用いられる、用語「組」は、１つ以上の項目（例えば、関連項目、非関連項目、関連項目および非関連項目の組み合わせ等）を含むことが意図され、「１つ以上」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」また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。更に、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」を意味することが意図される。
（特許請求の範囲）
［請求項１］
一以上のメモリと、
前記一以上のメモリに通信可能に結合された一以上のプロセッサと、
を含み、
既知試料の訓練セットと既知試料の検証セットとの一組の分光測定の結果を識別する情報を受信し、
前記一組の分光測定の結果を識別する情報に基づいて分類モデルを生成し、
前記分類モデルは、分光学的判定のための対象材料に関連する少なくとも１つのクラスを含み、
前記分類モデルは、非対象である少なくとも１つの材料のうちの少なくとも１つまたは基準となる分光測定に関連する非適合クラスを含み、
未知試料の特定の分光測定の特定の結果を識別する情報を受信し、
前記分類モデルを使用して、前記未知試料が前記非適合クラスに含まれるか否かを判定し、
前記未知試料が前記非適合クラスに含まれるか否かを示す出力を提供する、装置。
［請求項２］
前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
前記分類モデルに基づいて、前記未知試料が前記非適合クラスに含まれると判定し、
前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを示す出力を提供するとき、
前記未知試料が前記非適合クラスに含まれることを示す出力を提供する、請求項１に記載の装置。
［請求項３］
前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
前記分類モデルに基づいて、前記未知試料が前記非適合クラスに含まれないと判定し、
前記分類モデルを使用して、前記未知試料が前記非適合クラスに含まれないという判定に基づいて、前記未知試料の分類を判定し、
前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを示す出力を提供するとき、
前記未知試料の分類を識別する出力を提供する、請求項１に記載の装置。
［請求項４］
前記一以上のプロセッサは、前記一組の分光測定の結果を識別する情報を受信するとき、
一組の基準となる分光測定を識別する情報を受信し、
前記一以上のプロセッサは、前記分類モデルを生成するとき、
前記一組の基準となる分光測定に基づいて、前記分類モデルのための非適合クラスを訓練する、請求項１に記載の装置。
［請求項５］
前記一組の基準となる分光測定は、
不正確な測定距離を使用して実行された測定、
不正確な測定背景を使用して実行された測定、
不正確な測定照明を使用して実行された測定、または
試料の存在なしに実行された測定、
の少なくとも一つと関連する、請求項４に記載の装置。
［請求項６］
前記一以上のプロセッサは、前記一組の分光測定の結果を識別する情報を受信するとき、
非対象である少なくとも１つの材料を識別する情報を受信し、
前記一以上のプロセッサは、前記分類モデルを生成するとき、
前記非対象である少なくとも１つの材料を識別する情報に基づいて、前記分類モデルに対する非適合クラスを訓練する、請求項１に記載の装置。
［請求項７］
前記一以上のプロセッサは、前記分類モデルを使用して、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
信頼メトリックに基づくサポートベクトルマシンを使用して、前記未知試料が前記非適合クラスに含まれるか否かを判定する、請求項１に記載の装置。
［請求項８］
前記信頼メトリックは、
確立推定値、または
決定値、
の少なくとも一方である、請求項７に記載の装置。
［請求項９］
前記分類モデルが第１の分類モデルであって、
前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
前記第１の分類モデルを使用して、前記特定の分光測定のための第１の分類を実行して、前記第１の分類モデルの一組のローカルクラスを識別し、
前記一組のローカルクラスに基づいて、第２の分類モデルを生成し、
前記第２の分類モデルは前記非適合クラスを含み、
第２の分類を実行して、前記未知試料が前記非適合クラスに含まれるか否かを判定する、
請求項１に記載の装置。
［請求項１０］
命令を格納する非一時的なコンピュータ可読媒体であって、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、
未知試料に対して実行された分光測定の結果を識別する情報を受信させ、
分類モデルのうちの複数のクラスを集約させて、統合分類モデルを生成させ、
前記分光測定が前記統合分類モデルを使用して正確に実施されたことを判定させ、
前記分光測定が正確に実施されたという判定および前記分類モデルの使用に基づいて、前記未知試料が前記分類モデルの非適合クラスに含まれないことを判定させ、
非適合クラスは、非対象の材料または基準となる分光測定に関連しており、
前記未知試料が前記非適合クラスに含まれないという判定に基づいて、前記未知試料の分光学的分類を実行させ、
前記未知試料の分光学的分類の実施に基づいて、前記未知試料を識別する情報を提供させる、
一以上の命令を含む、非一時的なコンピュータ可読媒体。
［請求項１１］
前記一以上のプロセッサに、前記未知試料が前記非適合クラスに含まれないことを判定させる前記一以上の命令は、前記一以上のプロセッサに、
閾値を満足する前記分類モデルに関連する信頼メトリックに基づいて、前記未知試料が前記非適合クラスに含まれないことを判定させる、請求項１０に記載の非一時的なコンピュータ可読媒体。
［請求項１２］
前記一以上の命令は、前記一以上のプロセッサによって実行されるとき、更に、前記一以上のプロセッサに、
ｏｎｅ−ｖｅｒｓｕｓ−ａｌｌ法またはａｌｌ−ｐａｉｒｓ法を使用して、前記分類モデルを複数のサブモデルに分割することに基づいて前記信頼メトリックを判定させる、請求項１１に記載の非一時的なコンピュータ可読媒体。
［請求項１３］
前記分類モデルは、クラスの閾量よりも高い分類モデルを含んでおり、
前記一以上のプロセッサに前記分光学的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、
前記分類モデルに基づいて前記未知試料の第１の分光学的分類を実行させ、
前記第１の分光学的分類の実行に基づいて、前記分類モデルのクラスのサブセットを使用して別の分類モデルを生成させ、
前記別の分類モデルに基づいて、前記未知試料が前記非適合クラスに含まれないと判定させ、
第２の分類を実行して、前記未知試料を識別させる、
請求項１１に記載の非一時的なコンピュータ可読媒体。
［請求項１４］
装置によって、一組の分光測定の結果を取得するステップと、
前記装置によって、前記一組の分光測定の結果に基づいてサポートベクトルマシン（ＳＶＭ）ベースの分類モデルを生成するステップと、
前記分類モデルは、分類のために複数の対象材料に対応する複数のクラスを含み、
前記一組の分光測定は、前記複数の対象材料の試料の閾量の測定値を含み、
前記分類モデルは、分類のために複数の対象材料に対応しない特定のクラスを含み、
前記一組の分光測定は、前記特定のクラスに関連する試料の閾量未満の測定値を含み、
前記装置によって、前記分類モデルを使用して、特定の試料の特定の分光測定を前記特定のクラスに分類するステップと、
前記装置によって、前記特定の分光測定の分類に基づいて、前記特定の試料が前記特定のクラスに割り当てられることを示す情報を提供するステップと、
を含む、方法。
［請求項１５］
前記特定の分光測定を分類するステップは、
前記分類モデルを複数のサブモデルに分割するステップと、
前記複数のサブモデルのうちの各サブモデルは、前記分類モデルの対応するクラスと、前記分類モデルの他の各クラスとの間の比較に対応しており、
前記複数のサブモデルに対応する複数の決定値を決定するステップと、
前記複数の決定値に基づいて、前記特定の試料のための前記特定のクラスを選択するステップと、
を含む、請求項１４に記載の方法。
［請求項１６］
前記特定の分光測定を分類するステップは、
前記分類モデルを複数のサブモデルに分割するステップと、
前記複数のサブモデルは、前記分類モデルの各クラスの間の比較に対応しており、
前記複数のサブモデルに対応する複数の決定値を判定するステップと、
前記複数の決定値に基づいて前記特定の試料のための前記特定のクラスを選択するステップと、
を含む、請求項１４に記載の方法。
［請求項１７］
前記特定の分光測定を分類するステップは、
ラジアル基底関数型のカーネル関数または線形カーネル型のカーネル関数を使用して特定の分光測定を分類するステップを含む、請求項１４に記載の方法。
［請求項１８］
前記一組の分光測定は、基準となる分光測定および非対象材料の分光測定を含み、
前記基準となる分光測定および前記非対象材料の分光測定は、前記特定のクラスに分類される、請求項１４に記載の方法。
［請求項１９］
前記特定の分光測定を分類するステップは、
前記分類モデルに基づいて生成されたインサイチュローカル分類モデルにおいて使用する前記特定の分光測定を分類するステップを含む、請求項１４に記載の方法。
［請求項２０］
前記特定の分光測定を分類するステップは、
前記分類モデルのクラスを単一のクラスに集約するステップと、
前記単一のクラスに基づいて前記特定の分光測定を分類するステップと、
を含む、請求項１４に記載の方法。

Claims (20)

  1. 一以上のメモリと、
    前記一以上のメモリに通信可能に結合された一以上のプロセッサと、
    を含み、
    既知試料の訓練セットと既知試料の検証セットとの一組の分光測定の結果を識別する情報を受信し、
    前記一組の分光測定の結果を識別する情報に基づいて分類モデルを生成し、
    前記分類モデルは、分光学的判定のための対象材料に関連する少なくとも１つのクラスを含み、
    前記分類モデルは、非適合の基準となる分光測定に関連する非適合クラスを含み、
    未知試料の特定の分光測定の特定の結果を識別する情報を受信し、
    前記分類モデルを使用して、前記未知試料が前記非適合クラスに含まれるか否かを判定し、
    前記未知試料が前記非適合クラスに含まれるか否かを示す出力を提供する、装置。
  2. 前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
    前記分類モデルに基づいて、前記未知試料が前記非適合クラスに含まれると判定し、
    前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを示す出力を提供するとき、
    前記未知試料が前記非適合クラスに含まれることを示す出力を提供する、請求項１に記載の装置。
  3. 前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
    前記分類モデルに基づいて、前記未知試料が前記非適合クラスに含まれないと判定し、
    前記分類モデルを使用して、前記未知試料が前記非適合クラスに含まれないという判定に基づいて、前記未知試料の分類を判定し、
    前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを示す出力を提供するとき、
    前記未知試料の分類を識別する出力を提供する、請求項１に記載の装置。
  4. 前記一以上のプロセッサは、前記一組の分光測定の結果を識別する情報を受信するとき、
    一組の非適合の基準となる分光測定を識別する情報を受信し、
    前記一以上のプロセッサは、前記分類モデルを生成するとき、
    前記一組の非適合の基準となる分光測定に基づいて、前記分類モデルのための非適合クラスを訓練する、請求項１に記載の装置。
  5. 前記一組の非適合の基準となる分光測定は、
    不正確な測定距離を使用して実行された測定、
    不正確な測定背景を使用して実行された測定、
    不正確な測定照明を使用して実行された測定、または
    試料の存在なしに実行された測定、
    の少なくとも一つと関連する、請求項４に記載の装置。
  6. 前記一以上のプロセッサは、前記一組の分光測定の結果を識別する情報を受信するとき、
    非対象である少なくとも１つの材料を識別する情報を受信し、
    前記一以上のプロセッサは、前記分類モデルを生成するとき、
    前記非対象である少なくとも１つの材料を識別する情報に基づいて、前記分類モデルに対する非適合クラスを訓練する、請求項１に記載の装置。
  7. 前記一以上のプロセッサは、前記分類モデルを使用して、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
    信頼メトリックに基づくサポートベクトルマシンを使用して、前記未知試料が前記非適合クラスに含まれるか否かを判定する、請求項１に記載の装置。
  8. 前記信頼メトリックは、
    確立推定値、または
    決定値、
    の少なくとも一方である、請求項７に記載の装置。
  9. 前記分類モデルが第１の分類モデルであって、
    前記一以上のプロセッサは、前記未知試料が前記非適合クラスに含まれるか否かを判定するとき、
    前記第１の分類モデルを使用して、前記特定の分光測定のための第１の分類を実行して、前記第１の分類モデルの一組のローカルクラスを識別し、
    前記一組のローカルクラスに基づいて、第２の分類モデルを生成し、
    前記第２の分類モデルは前記非適合クラスを含み、
    第２の分類を実行して、前記未知試料が前記非適合クラスに含まれるか否かを判定する、
    請求項１に記載の装置。
  10. 命令を格納する非一時的なコンピュータ可読媒体であって、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、
    未知試料に対して実行された分光測定の結果を識別する情報を受信させ、
    分類モデルのうちの複数のクラスを集約させて、統合分類モデルを生成させ、
    前記分光測定が前記統合分類モデルを使用して正確に実施されたことを判定させ、
    前記分光測定が正確に実施されたという判定および前記分類モデルの使用に基づいて、前記未知試料が前記分類モデルの非適合クラスに含まれないことを判定させ、
    非適合クラスは、非適合の基準となる分光測定に関連しており、
    前記未知試料が前記非適合クラスに含まれないという判定に基づいて、前記未知試料の分光学的分類を実行させ、
    前記未知試料の分光学的分類の実施に基づいて、前記未知試料を識別する情報を提供させる、
    一以上の命令を含む、非一時的なコンピュータ可読媒体。
  11. 前記一以上のプロセッサに、前記未知試料が前記非適合クラスに含まれないことを判定させる前記一以上の命令は、前記一以上のプロセッサに、
    閾値を満足する前記分類モデルに関連する信頼メトリックに基づいて、前記未知試料が前記非適合クラスに含まれないことを判定させる、請求項１０に記載の非一時的なコンピュータ可読媒体。
  12. 前記一以上の命令は、前記一以上のプロセッサによって実行されるとき、更に、前記一以上のプロセッサに、
    ｏｎｅ−ｖｅｒｓｕｓ−ａｌｌ法またはａｌｌ−ｐａｉｒｓ法を使用して、前記分類モデルを複数のサブモデルに分割することに基づいて前記信頼メトリックを判定させる、請求項１１に記載の非一時的なコンピュータ可読媒体。
  13. 前記分類モデルは、クラスの閾量よりも高い分類モデルを含んでおり、
    前記一以上のプロセッサに前記分光学的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、
    前記分類モデルに基づいて前記未知試料の第１の分光学的分類を実行させ、
    前記第１の分光学的分類の実行に基づいて、前記分類モデルのクラスのサブセットを使用して別の分類モデルを生成させ、
    前記別の分類モデルに基づいて、前記未知試料が前記非適合クラスに含まれないと判定させ、
    第２の分類を実行して、前記未知試料を識別させる、
    請求項１１に記載の非一時的なコンピュータ可読媒体。
  14. 装置によって、一組の分光測定の結果を取得するステップと、
    前記装置によって、前記一組の分光測定の結果に基づいてサポートベクトルマシン（ＳＶＭ）ベースの分類モデルを生成するステップと、
    前記分類モデルは、分類のために複数の対象材料に対応する複数のクラスを含み、
    前記一組の分光測定は、前記複数の対象材料の試料の閾量の測定値を含み、
    前記分類モデルは、分類のために複数の対象材料に対応しない特定のクラスを含み、
    前記一組の分光測定は、前記特定のクラスに関連する試料の閾量未満の測定値を含み、
    前記装置によって、前記分類モデルを使用して、特定の試料の特定の分光測定を前記特定のクラスに分類するステップと、
    前記装置によって、前記特定の分光測定の分類に基づいて、前記特定の試料が前記特定のクラスに割り当てられることを示す情報を提供するステップと、
    を含む、方法。
  15. 前記特定の分光測定を分類するステップは、
    前記分類モデルを複数のサブモデルに分割するステップと、
    前記複数のサブモデルのうちの各サブモデルは、前記分類モデルの対応するクラスと、前記分類モデルの他の各クラスとの比較に対応しており、
    前記複数のサブモデルに対応する複数の決定値を決定するステップと、
    前記複数の決定値に基づいて、前記特定の試料のための前記特定のクラスを選択するステップと、
    を含む、請求項１４に記載の方法。
  16. 前記特定の分光測定を分類するステップは、
    前記分類モデルを複数のサブモデルに分割するステップと、
    前記複数のサブモデルは、前記分類モデルの各クラスの比較に対応しており、
    前記複数のサブモデルに対応する複数の決定値を判定するステップと、
    前記複数の決定値に基づいて前記特定の試料のための前記特定のクラスを選択するステップと、
    を含む、請求項１４に記載の方法。
  17. 前記特定の分光測定を分類するステップは、
    ラジアル基底関数型のカーネル関数または線形カーネル型のカーネル関数を使用して特定の分光測定を分類するステップを含む、請求項１４に記載の方法。
  18. 前記一組の分光測定は、非適合の基準となる分光測定および非対象材料の分光測定を含み、
    前記非適合の基準となる分光測定および前記非対象材料の分光測定は、前記特定のクラスに分類される、請求項１４に記載の方法。
  19. 前記特定の分光測定を分類するステップは、
    前記分類モデルに基づいて生成されたインサイチュローカル分類モデルにおいて使用する前記特定の分光測定を分類するステップを含む、請求項１４に記載の方法。
  20. 前記特定の分光測定を分類するステップは、
    前記分類モデルのクラスを単一のクラスに集約するステップと、
    前記単一のクラスに基づいて前記特定の分光測定を分類するステップと、
    を含む、請求項１４に記載の方法。
JP2019007899A 2018-01-26 2019-01-21 誤検知を減少させた分光学的分類のための識別 Active JP6942741B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021146267A JP7238056B2 (ja) 2018-01-26 2021-09-08 誤検知を減少させた分光学的分類のための識別
JP2023031287A JP2023088913A (ja) 2018-01-26 2023-03-01 誤検知を減少させた分光学的分類のための識別

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862622637P 2018-01-26 2018-01-26
US62/622,637 2018-01-26
US16/130,732 US10810408B2 (en) 2018-01-26 2018-09-13 Reduced false positive identification for spectroscopic classification
US16/130,732 2018-09-13

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2021146267A Division JP7238056B2 (ja) 2018-01-26 2021-09-08 誤検知を減少させた分光学的分類のための識別

Publications (2)

Publication Number Publication Date
JP2019179023A JP2019179023A (ja) 2019-10-17
JP6942741B2 true JP6942741B2 (ja) 2021-09-29

Family

ID=64949198

Family Applications (3)

Application Number Title Priority Date Filing Date
JP2019007899A Active JP6942741B2 (ja) 2018-01-26 2019-01-21 誤検知を減少させた分光学的分類のための識別
JP2021146267A Active JP7238056B2 (ja) 2018-01-26 2021-09-08 誤検知を減少させた分光学的分類のための識別
JP2023031287A Pending JP2023088913A (ja) 2018-01-26 2023-03-01 誤検知を減少させた分光学的分類のための識別

Family Applications After (2)

Application Number Title Priority Date Filing Date
JP2021146267A Active JP7238056B2 (ja) 2018-01-26 2021-09-08 誤検知を減少させた分光学的分類のための識別
JP2023031287A Pending JP2023088913A (ja) 2018-01-26 2023-03-01 誤検知を減少させた分光学的分類のための識別

Country Status (8)

Country Link
US (3) US10810408B2 (ja)
EP (2) EP4206653A1 (ja)
JP (3) JP6942741B2 (ja)
KR (3) KR102338904B1 (ja)
CN (2) CN113989603A (ja)
CA (1) CA3029507A1 (ja)
MX (2) MX2019000411A (ja)
TW (3) TW202343352A (ja)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11656174B2 (en) 2018-01-26 2023-05-23 Viavi Solutions Inc. Outlier detection for spectroscopic classification
US10810408B2 (en) 2018-01-26 2020-10-20 Viavi Solutions Inc. Reduced false positive identification for spectroscopic classification
US11009452B2 (en) 2018-01-26 2021-05-18 Viavi Solutions Inc. Reduced false positive identification for spectroscopic quantification
US11223638B2 (en) * 2018-12-27 2022-01-11 Rapid7, Inc. Stable network user account classifier
JP6856103B2 (ja) * 2019-09-30 2021-04-07 株式会社三洋物産 遊技機
JP7353940B2 (ja) * 2019-11-26 2023-10-02 株式会社日立製作所 転移可能性判定装置、転移可能性判定方法、及び転移可能性判定プログラム
JP7418200B2 (ja) 2019-12-19 2024-01-19 キヤノン株式会社 識別装置、処理装置、処理方法、およびプログラム
JP7361594B2 (ja) * 2019-12-19 2023-10-16 キヤノン株式会社 識別装置、処理装置、処理方法、およびプログラム
CN113093967A (zh) * 2020-01-08 2021-07-09 富泰华工业（深圳）有限公司 数据生成方法、装置、计算机装置及存储介质
CN111356896B (zh) 2020-02-24 2021-01-12 长江存储科技有限责任公司 用于半导体芯片表面形貌计量的系统和方法
CN111356897B (zh) * 2020-02-24 2021-02-19 长江存储科技有限责任公司 用于半导体芯片表面形貌计量的系统和方法
CN111406198B (zh) 2020-02-24 2021-02-19 长江存储科技有限责任公司 用于半导体芯片表面形貌计量的系统和方法
US11727089B2 (en) * 2020-09-08 2023-08-15 Nasdaq, Inc. Modular machine learning systems and methods
EP4033419A1 (en) * 2021-01-20 2022-07-27 Viavi Solutions Inc. Outlier detection for spectroscopic classification
TWI760206B (zh) * 2021-05-04 2022-04-01 行政院農業委員會農業藥物毒物試驗所 基於光譜圖辨識提供風險值的光學量測方法、光學量測系統、伺服端電腦裝置與客戶端電腦裝置
US20230038984A1 (en) * 2021-07-30 2023-02-09 Viavi Solutions Inc. Utilizing prediction thresholds to facilitate spectroscopic classification
CN114692719B (zh) * 2022-02-24 2023-04-07 电子科技大学 一种基于svm-Tradboost模型迁移的XRF小样本元素分类方法

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2566543B1 (fr) 1984-06-20 1988-02-26 Commissariat Energie Atomique Dispositif optique a rendement de collection eleve et cytofluorimetre en faisant application
JP2922110B2 (ja) 1994-02-22 1999-07-19 株式会社エヌ・ティ・ティ・データ 物品同定システム
US7133710B2 (en) 2002-03-08 2006-11-07 Sensys Medical, Inc. Compact apparatus for noninvasive measurement of glucose through near-infrared spectroscopy
US6785638B2 (en) * 2001-08-06 2004-08-31 Timbre Technologies, Inc. Method and system of dynamic learning through a regression-based library generation process
US7376456B2 (en) 2002-08-05 2008-05-20 Infraredx, Inc. Near-infrared spectroscopic analysis of blood vessel walls
US7218395B2 (en) * 2003-04-16 2007-05-15 Optopo Inc. Rapid pharmaceutical identification and verification system
WO2006056024A1 (en) * 2004-11-29 2006-06-01 Scientific Analytics Systems Pty Ltd Modelling a phenomenon that has spectral data
EP1902356A4 (en) * 2005-06-09 2009-08-19 Chemimage Corp CRIMINOLOGICAL INTEGRATED SEARCH TECHNOLOGY
JP5297207B2 (ja) 2006-03-10 2013-09-25 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ スペクトル分析を介したｄｎａパターンの同定方法及びシステム
US20110237446A1 (en) * 2006-06-09 2011-09-29 Chemlmage Corporation Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data
US7990532B2 (en) * 2007-01-16 2011-08-02 Chemimage Corporation Method and apparatus for multimodal detection
EP1992939A1 (en) * 2007-05-16 2008-11-19 National University of Ireland, Galway A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data.
WO2009082418A2 (en) * 2007-10-12 2009-07-02 Real-Time Analyzers, Inc. Method and apparatus for determining properties of fuels
CN101504363A (zh) 2009-03-18 2009-08-12 哈尔滨商业大学 一种基于近红外光谱分析的食用油脂酸价检测方法
CN102171551B (zh) 2009-12-25 2013-08-21 古河电气工业株式会社 检体识别分取装置及检体识别分取方法
US8859969B2 (en) 2012-03-27 2014-10-14 Innovative Science Tools, Inc. Optical analyzer for identification of materials using reflectance spectroscopy
EP2648133A1 (fr) 2012-04-04 2013-10-09 Biomerieux Identification de microorganismes par spectrometrie et classification structurée
NL2009015C2 (en) * 2012-04-10 2013-10-15 Biosparq B V Method for classification of a sample on the basis of spectral data, method for creating a database and method for using this database, and corresponding computer program, data storage medium and system.
CN103364359A (zh) 2012-04-11 2013-10-23 天士力制药集团股份有限公司 Simca模式识别法在近红外光谱识别大黄药材中的应用
US10043264B2 (en) * 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
US20130311136A1 (en) * 2012-05-18 2013-11-21 Mustard Tree Instruments, Llc Rule-Based Sample Verification and Chemical Monitoring Methodology
TWI629464B (zh) 2013-03-21 2018-07-11 唯亞威方案公司 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
AU2014318499B2 (en) 2013-09-16 2019-05-16 Biodesix, Inc Classifier generation method using combination of mini-classifiers with regularization and uses thereof
WO2015080001A1 (ja) 2013-11-27 2015-06-04 大日本印刷株式会社 培地情報登録システム、コロニー検出装置、プログラム及び衛生管理システム
CN106164890A (zh) * 2013-12-02 2016-11-23 丘贝斯有限责任公司 用于消除非结构化文本中的特征的歧义的方法
EP3201812B1 (en) 2014-10-02 2021-02-17 Biodesix, Inc. Predictive test for aggressiveness or indolence of prostate cancer from mass spectrometry of blood-based sample
JP6547275B2 (ja) * 2014-10-29 2019-07-24 株式会社リコー 情報処理システム、情報処理装置、情報処理方法、及びプログラム
US9824434B2 (en) 2015-08-18 2017-11-21 Industrial Technology Research Institute System and method for object recognition
IL247474B (en) 2015-08-26 2021-09-30 Viavi Solutions Inc Detection by spectroscopy
EP3405896A4 (en) 2016-01-22 2019-09-25 Otraces Inc. SYSTEMS AND METHODS FOR ENHANCING DIAGNOSIS OF DISEASE
CA3019979A1 (en) 2016-04-04 2017-10-12 Boehringer Ingelheim Rcv Gmbh & Co Kg Real time monitoring of product purification
EP3258285B1 (en) 2016-06-14 2020-10-21 Bruker BioSpin GmbH Method for predicting chemical shift values of nmr spin systems in a sample of a fluid class, in particular in a sample of a biofluid
US10444213B2 (en) * 2016-08-25 2019-10-15 Viavi Solutions Inc. Spectroscopic classification of conformance with dietary restrictions
US10936921B2 (en) 2017-06-15 2021-03-02 Spynsite Llc Machine learning and/or image processing for spectral object classification
CN107561024B (zh) 2017-07-17 2020-03-17 核工业北京地质研究院 一种适用于盐湖富铀水体的高光谱遥感识别方法
US11656174B2 (en) 2018-01-26 2023-05-23 Viavi Solutions Inc. Outlier detection for spectroscopic classification
US11009452B2 (en) 2018-01-26 2021-05-18 Viavi Solutions Inc. Reduced false positive identification for spectroscopic quantification
US10810408B2 (en) 2018-01-26 2020-10-20 Viavi Solutions Inc. Reduced false positive identification for spectroscopic classification

Also Published As

Publication number Publication date
TWI776010B (zh) 2022-09-01
CN113989603A (zh) 2022-01-28
US10810408B2 (en) 2020-10-20
JP2019179023A (ja) 2019-10-17
TW202343352A (zh) 2023-11-01
US11656175B2 (en) 2023-05-23
KR102569560B1 (ko) 2023-08-22
EP3518147A1 (en) 2019-07-31
KR20230124871A (ko) 2023-08-28
TW201933261A (zh) 2019-08-16
US20230273122A1 (en) 2023-08-31
JP2021192051A (ja) 2021-12-16
KR20190091205A (ko) 2019-08-05
MX2019000411A (es) 2019-09-10
CA3029507A1 (en) 2019-07-26
CN110084261A (zh) 2019-08-02
TW202244826A (zh) 2022-11-16
US20210034838A1 (en) 2021-02-04
EP4206653A1 (en) 2023-07-05
TWI810013B (zh) 2023-07-21
CN110084261B (zh) 2021-11-02
JP2023088913A (ja) 2023-06-27
MX2022008349A (es) 2022-08-08
US20190236333A1 (en) 2019-08-01
KR102338904B1 (ko) 2021-12-13
JP7238056B2 (ja) 2023-03-13
KR20210153579A (ko) 2021-12-17

Similar Documents

Publication Publication Date Title
JP6942741B2 (ja) 誤検知を減少させた分光学的分類のための識別
JP7242311B2 (ja) 誤検知を減少させた分光学的定量化のための装置、非一時的コンピュータ可読媒体及び方法
JP6605415B2 (ja) 分光法を用いる識別
US11656174B2 (en) Outlier detection for spectroscopic classification
EP4033419A1 (en) Outlier detection for spectroscopic classification

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210219

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210219

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20210311

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210420

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210716

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: 20210810

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210908

R150 Certificate of patent or registration of utility model

Ref document number: 6942741

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150