JP7099623B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Description

本発明はにおいセンサを用いた分析技術に関する。

ガスをセンサで測定することにより、ガスに関する情報を得る技術が開発されている。下記特許文献１は、ナノメカニカルセンサで試料ガスを測定することで得られるシグナル（検出値の時系列データ）を利用して、試料ガスの種類を判別する技術を開示している。具体的には、センサの受容体に対する試料ガスの拡散時定数が、受容体の種類と試料ガスの種類の組み合わせによって決まるため、信号から得られる拡散時定数と、受容体の種類とに基づいて、試料ガスの種類を判別できることが開示されている。

特開２０１７－１５６２５４号公報

特許文献１の技術では、センサの出力データから得られる特徴量を用いてガスの種類の分析が行われている。しかしながら、においを検知するセンサの出力データ（出力波形）は本質的に高次元な特徴量であり、分析を高精度に行うことは難しい。低次元化された特徴量としてにおいセンサの動特性をうまく抽出できれば、においセンサを用いた分析を高精度に行うことが容易となる。

本発明は、上記の課題に鑑みてなされたものである。本発明の目的の一つは、においセンサを用いた分析の精度を向上させる技術を提供することである。

本発明の情報処理装置は、
測定対象のにおい成分を含むガスの入力動作を制御する入力データと、前記ガスを前記入力データに基づいてにおいセンサに入力することによって得られる出力データと、を用いて、前記においセンサのＡＲＸ（Auto-Regressive with eXogenous input）モデルを生成するモデル生成手段と、
前記ＡＲＸモデルをＺ変換することによって、前記におい成分に関する前記においセンサの伝達関数を算出し、さらに、前記伝達関数を部分分数分解することによって、前記におい成分に関する前記においセンサの１次遅れ伝達関数特徴量を算出する特徴量算出手段と、
を備える。

本発明の情報処理方法は、
コンピュータが、
測定対象のにおい成分を含むガスの入力動作を制御する入力データと、前記ガスを前記入力データに基づいてにおいセンサに入力することによって得られる出力データと、を用いて、前記においセンサのＡＲＸ（Auto-Regressive with eXogenous input）モデルを生成し、
前記ＡＲＸモデルをＺ変換することによって、前記におい成分に関する前記においセンサの伝達関数を算出し、さらに、前記伝達関数を部分分数分解することによって、前記におい成分に関する前記においセンサの１次遅れ伝達関数特徴量を算出する、
ことを含む。

本発明のプログラムは、コンピュータに、上述の情報処理方法を実行させる。

本発明によれば、においセンサを用いた分析で扱いやすい特徴量を生成する技術が提供される。

上述した目的、およびその他の目的、特徴および利点は、以下に述べる好適な実施の形態、およびそれに付随する以下の図面によってさらに明らかになる。

第１実施形態の情報処理装置の機能構成を例示する図である。 においデータを得るためのセンサを例示する図である。 情報処理装置を実現するための計算機を例示する図である。 第１実施形態の情報処理装置により実行される処理の流れを例示する図である。 複数の窓を用いて、複数の部分入力データおよび複数の部分出力データを抽出する例を示す図である。 第２実施形態の情報処理装置により実行される処理の流れを例示する図である。 におい成分を含むサンプルガスを異なる環境下で複数回測定して得られた「ｂｉＫ／ｂｉＬ」の結果を例示する図である。 第３実施形態における情報処理装置の機能構成を例示する図である。 第３実施形態で構築されるデータベースの一例を示す図である。 出力部が表示装置に情報を出力する流れを例示する図である。 出力部が表示装置に情報を出力する流れを例示する図である。 出力部が表示装置に情報を出力する流れを例示する図である。 出力部が表示装置に情報を出力する流れを例示する図である。 出力部が表示装置に情報を出力する流れを例示する図である。 出力部が表示装置に情報を出力する流れを例示する図である。 出力部が表示装置に情報を出力する流れを例示する図である。 第４実施形態における情報処理装置の機能構成を例示する図である。 第４実施形態の情報処理装置により実行される処理の流れを例示する図である。 第５実施形態における情報処理装置の機能構成を例示する図である。 第５実施形態の情報処理装置により実行される処理の流れを例示する図である。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また、特に説明する場合を除き、各ブロック図において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。また、図中の矢印の向きは、情報の流れを分かり易くするためのものであり、特に説明のない限り通信の方向（一方向通信／双方向通信）を限定しない。

［第１実施形態］
＜機能構成＞
図１は、第１実施形態の情報処理装置２０の機能構成を例示する図である。情報処理装置２０は、センサ１０に対する入力信号１２と当該入力信号１２に対応してセンサ１０から出力される出力信号１４とを用いて、当該センサ１０の動特性を示す情報を算出する。

ここで、センサ１０は、図２に示すように、測定対象のガスに含まれる分子（におい成分）が付着する受容体を有し、その受容体における分子の付着と離脱に応じて検出値（出力）が変化するセンサである。図２は、においデータを得るためのセンサ１０を例示する図である。センサ１０は、例えば、膜型表面応力センサ（Membrane-type Surface stress Sensor; ＭＳＳ）である。ＭＳＳは、受容体として、分子が付着する官能膜を有している。そして、官能膜に対する分子の付着と離脱によって、その官能膜の支持部材に生じる応力が変化する。ＭＳＳは、この応力の変化に基づく検出値を出力する。なお、センサ１０は、ＭＳＳには限定されない。センサ１０は、受容体に対する分子の付着と離脱に応じて生じる、センサ１０の部材の粘弾性や動力学特性（質量や慣性モーメントなど）に関連する物理量の変化に基づいて検出値を出力するものであればよい。例えば、カンチレバー式、膜型、光学式、ピエゾ、振動応答などの様々なタイプのセンサをセンサ１０として採用することができる。

センサ１０の検出値（出力信号１４）は、測定対象のガスをセンサ１０に曝す動作（以下、これを「サンプリング動作」とも表記）および測定対象のガスをセンサ１０から取り除く動作（以下、これを「パージ動作」とも表記）によって変化する。例えば、入力信号１２の立ち上り期間（信号レベルがＨｉｇｈである期間）に、図示しないポンプ機構が測定対象のガスを吸引する（サンプリング動作）。また、入力信号１２の立ち下り期間（信号レベルがＬｏｗである期間）に、図示しないポンプ機構が夾雑ガス（空気等）などを用いて測定対象のガスをセンサ１０から取り除く（パージ動作）。入力信号１２の値に応じてサンプリング動作またはパージ動作が制御されることで、センサ１０の検出値（出力信号１４）が変動する。すなわち、センサ１０という系において、サンプリング動作とパージ動作とを制御するための入力信号が、センサ１０に対する入力に相当すると言える。以下の説明において、必要に応じ、入力信号１２および出力信号１４を、それぞれ、ＵおよびＹとも表記する。また、入力信号１２の時刻ｔの値および出力信号１４の時刻ｔの値を、それぞれ、ｕ（ｔ）およびｙ（ｔ）とも表記する。Ｕは、ｕ（ｔ）が列挙された行列となる。Ｙは、ｙ（ｔ）が列挙された行列となる。

図１に戻り、情報処理装置２０の機能構成について説明する。図示されるように、本実施形態の情報処理装置２０は、モデル生成部２１０および特徴量算出部２２０を備える。

モデル生成部２１０は、センサ１０の入力データおよびセンサ１０の出力データを用いてセンサ１０の入出力関係を学習し、当該センサ１０の入出力関係を示すＡＲＸ（Auto-Regressive with eXogenous input）モデルを生成する。ここで、センサ１０の入力データは、測定対象のにおい成分を含むガスの入力動作（サンプリング動作／パージ動作）を制御するデータである。図２の例で言えば、入力信号１２が入力データに相当する。また、センサ１０の出力データは、入力データに基づいてセンサ１０にガスを入力して得られるデータである。図２の例で言えば、出力信号１４が出力データに相当する。

ここで、センサ１０のＡＲＸモデルは、以下の式（１）で表される。式（１）において、ｙ（ｔ）は時刻ｔにおけるセンサ１０の出力、ｕ（ｔ）は時刻ｔにおけるセンサ１０に対する入力、ａ_ｉ（下線付き）は自己回帰係数、ｂ_ｉ（下線付き）は外生入力係数である。モデル生成部２１０は、例えば図２に示されるような入力データ１２および出力データ１４から、下記式（１）で示されるＡＲＸモデルとしてセンサ１０の入出力関係を学習（生成）することができる。

次に、特徴量算出部２２０は、モデル生成部２１０により生成されたＡＲＸモデルを用いて、センサの特性を示す特徴量を生成する。まず、特徴量算出部２２０は、モデル生成部２１０により生成されたＡＲＸモデルに対してＺ変換を行う。さらに、特徴量算出部２２０は、ＡＲＸモデルをＺ変換した結果を部分分数分解することによって、１次遅れ系の伝達関数を算出する。

特徴量算出部２２０は、まず、式（１）で示されるＡＲＸモデルをｚ変換することによって、以下の式（２）を得る。以下の式（２）において、Ｙ（ｚ）／Ｕ（ｚ）は、センサの入力Ｕに対する出力ＹのＺ変換の比（すなわち、Ｚ領域における伝達関数）である。

さらに、特徴量算出部２２０は、式（２）の右辺を部分分数分解することによって、以下の式を得る。

式（３）において、ａ_ｉはにおい成分ｉの脱離率に関する特徴量を示し、ｂ_ｉ（チルダ付）はにおい成分ｉの吸着率に関する特徴量を示す。なお、以下の説明において、このチルダ付きのｂ_ｉを、単に「ｂ_ｉ」とも表記する。特徴量算出部２２０は、以下の式（４）に示すように、このａ_ｉおよびｂ_ｉの組を、１次遅れ伝達関数特徴量として得る。

なお、上記の式（４）において、α_ｉはにおい成分ｉの吸着率を、β_ｉはにおい成分ｉの脱離率を、γ_ｉはにおい成分ｉに関する分子のセンサ受容体への付着数とそれにより生じるセンサ出力との比例定数を、ρ_ｉはにおい成分ｉの密度を、Δｔは離散時間系での時間間隔をそれぞれ示す。上記の式（４）で表される１次遅れ伝達関数特徴量は、センサ１０にセットされた官能膜とにおい成分ｉとの組み合わせを表す特徴量として利用できる。また、上述のａ_ｉおよびｂ_ｉの関係式から、センサ１０のダイナミクスを、におい成分ｉ毎に物理的に解釈可能となる。

本実施形態により得られる１次遅れ伝達関数特徴量は、センサ１０の出力データよりも低次元な特徴量である。このように低次元化された１次遅れ伝達関数特徴量を用いることによって、判別分析や回帰分析の精度を向上させることができる。

＜情報処理装置２０のハードウエア構成＞
情報処理装置２０の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、情報処理装置２０の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

図３は、情報処理装置２０を実現するための計算機１０００を例示する図である。計算機１０００は任意の計算機である。例えば計算機１０００は、Personal Computer（ＰＣ）やサーバマシンなどの据え置き型の計算機である。その他にも例えば、計算機１０００は、スマートフォンやタブレット端末などの可搬型の計算機である。計算機１０００は、情報処理装置２０を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。

計算機１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０４０などを互いに接続する方法は、バス接続に限定されない。

プロセッサ１０４０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、FPGA（Field-Programmable Gate Array）などの種々のプロセッサである。メモリ１０６０は、ＲＡＭ（Random Access Memory）などを用いて実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、ＳＳＤ（Solid State Drive）、メモリカード、又はＲＯＭ（Read Only Memory）などを用いて実現される補助記憶装置である。

入出力インタフェース１１００は、計算機１０００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース１１００には、キーボードやタッチパネルなどの入力装置や、ディスプレイやスピーカーなどの出力装置が接続される。

ネットワークインタフェース１１２０は、計算機１０００を通信網に接続するためのインタフェースである。この通信網は、例えばＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）である。ネットワークインタフェース１１２０が通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。

ストレージデバイス１０８０は、情報処理装置２０の各機能構成部（モデル生成部２１０、特徴量算出部２２０など）を実現するプログラムモジュールを記憶している。プロセッサ１０４０は、これら各プログラムモジュールをメモリ１０６０に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。

＜処理の流れ＞
図４は、第１実施形態の情報処理装置２０により実行される処理の流れを例示する図である。図４の例では、センサ１０は、２つの官能膜（官能膜Ｋおよび官能膜Ｌ）を有している。また、図４の例では、におい成分ｉを有するサンプルガスが、ランダムなサンプル周期の入力信号Ｕ（例えば、Ｍ系列信号）に応じてセンサ１０に入力される。この場合のセンサ１０の出力Ｙは、官能膜Ｋの出力および官能膜Ｌの出力の和となる。

まず、モデル生成部２１０は、官能膜毎の入出力データを取得する（Ｓ１０２）。例えば、モデル生成部２１０は、センサ１０に対する入力データＵと官能膜Ｋの出力データＹ_Ｋとを、官能膜Ｋの入出力データとして取得する。また、モデル生成部２１０は、センサ１０に対する入力データＵと官能膜Ｌの出力データＹ_Ｌとを、官能膜Ｌの入出力データとして取得する。そして、モデル生成部２１０は、官能膜毎の入出力データに基づいて、官能膜毎にＡＲＸモデルを生成する（Ｓ１０４）。例えば、モデル生成部２１０は、センサに対する入力データＵと官能膜Ｋの出力データＹ_Ｋとに基づいて、官能膜ＫについてのＡＲＸモデルを生成する。また、モデル生成部２１０は、センサに対する入力データＵと官能膜Ｌの出力データＹ_Ｌとに基づいて、官能膜ＬについてのＡＲＸモデルを生成する。そして、特徴量算出部２２０は、官能膜毎に生成されたＡＲＸモデルに対してＺ変換を行う（Ｓ１０６）。そして、特徴量算出部２２０は、各ＡＲＸモデルをＺ変換した結果をそれぞれ部分分数分解し、官能膜毎に１次遅れ伝達関数特徴量を算出する（Ｓ１０８）。

＜変形例＞
モデル生成部２１０は、複数の窓を用いて、複数の部分入力データおよび複数の部分出力データを抽出し、複数のＡＲＸモデルを生成するように構成されていてもよい。

図５は、複数の窓を用いて、複数の部分入力データおよび複数の部分出力データを抽出する例を示す図である。図５に示される例では、複数の窓Ｗ１～Ｗｎを用いて、入力データｕ（ｔ）および出力データｙ（ｔ）から、部分入力データおよび部分出力データの組みがｎ個抽出される。１つの窓の幅は、所定の基準以上の周波数成分が入力データｕ（ｔ）に含まれるような幅として設定される。例えば、モデル生成部２１０は、入力データｕ（ｔ）をフーリエ変換することによって基準以上の周波数成分がカバーされる連続時間領域を特定し、その領域の幅を１つの窓の幅として決定することができる。なお、図５に示されるように、モデル生成部２１０は、隣り合う２つの窓（例：Ｗ１およびＷ２）が部分的に重なるように、各窓の位置を決定してもよい。

モデル生成部２１０は、窓毎に抽出された一組の部分入力データと部分出力データを、上述の入力データおよび出力データとして用いて、ＡＲＸモデルを生成する。すなわち、モデル生成部２１０は、複数の窓を用いて抽出された、複数の部分入力データおよび複数の部分出力データを用いて、複数のＡＲＸモデルを生成する。

そして、特徴量算出部２２０は、複数のＡＲＸモデルをそれぞれＺ変換並びに部分分数分解することによって、複数の１次遅れ伝達関数特徴量を算出する。そして、特徴量算出部２２０は、算出した複数の１次遅れ伝達関数特徴量を学習データとして用いて機械学習を実行し、センサ１０の１次遅れ伝達関数特徴量を決定する。また、特徴量算出部２２０は、算出した複数の１次遅れ伝達関数特徴量に対して異常値除去などの統計処理を行った上で、センサ１０の１次遅れ伝達関数特徴量を決定するように構成されていてもよい。

本変形例の構成によれば、１つのＡＲＸモデルを用いて１次遅れ伝達関数特徴量（センサ１０の動特性を示す特徴量）を算出する場合と比較して、より精度の高い１次遅れ伝達関数特徴量を得ることができる。

［第２実施形態］
本実施形態では、１次遅れ伝達関数特徴量の用途の一例について説明する。それぞれ互いに種類の異なる２つ以上の官能膜がセンサ１０にセットされている場合、情報処理装置２０は、官能膜毎の１次遅れ伝達関数特徴量を用いて、測定環境の変化にロバストな特徴量を生成することができる。

図６は、第２実施形態の情報処理装置２０により実行される処理の流れを例示する図である。図６の例では、センサ１０は、互いに種類の異なる２つの官能膜（官能膜Ｋおよび官能膜Ｌ）を有している。また、図６の例では、におい成分ｉを有するサンプルガスが、ランダムなサンプル周期の入力信号Ｕ（例えば、Ｍ系列信号）に応じてセンサ１０に入力される。この場合のセンサ１０の出力Ｙは、官能膜Ｋの出力および官能膜Ｌの出力の和となる。

まず、におい成分ｉを含むサンプルガスの測定に応じて、モデル生成部２１０は、官能膜毎の入出力データを取得する（Ｓ２０２）。そして、モデル生成部２１０は、官能膜毎の入出力データに基づいて、官能膜毎のＡＲＸモデルを生成する（Ｓ２０４）。そして、特徴量算出部２２０は、官能膜毎のＡＲＸモデルをＺ変換する（Ｓ２０６）。さらに、特徴量算出部２２０は、ＡＲＸモデルをＺ変換した結果を部分分数分解することによって、１次遅れ伝達関数特徴量（ａ_ｉ，ｂ_ｉ）を官能膜毎に算出する（Ｓ２０８）。Ｓ２０２～Ｓ２０８の処理は、図４のＳ１０２～Ｓ１０８の処理と同様である。そして、特徴量算出部２２０は、官能膜Ｋおよび官能膜Ｌについて、におい成分ｉの吸着率に関連する１次遅れ伝達関数特徴量ｂ_ｉの比を算出する（Ｓ２１０）。なお、以下の説明において、１次遅れ伝達関数特徴量ｂ_ｉＫと１次遅れ伝達関数特徴量ｂ_ｉＬとの比を、「ｂ_ｉＫ／ｂ_ｉＬ」とも表記する。

ここで、センサ１０の出力は、測定対象のにおい成分の種類のほか、当該におい成分を測定する環境（例えば、測定時の温度や湿度など）に応じて変動し得る。なお、センサ１０の出力は、図２を用いて説明したように、当該センサ１０にセットされた官能膜に付着しているにおい成分によって支持部材に生じる応力の変化に依存して変動する。つまり、「センサ１０の出力が測定環境によって変化している」ということは、「センサ１０にセットされた官能膜の吸着率が測定環境の変化に応じて変動している」と考えることができる。さらに、官能膜の吸着率について、測定環境に依存して変動するパラメータと、官能膜の種類毎に固有のパラメータとの積によって表現できるものと仮定する。この仮定に基づくと、Ｓ２０２の処理（におい成分の吸着率に関連する１次遅れ伝達関数特徴量の比を算出する処理）を行うことによって、測定環境の変化に依存するパラメータ部分が相殺される。すなわち、官能膜Ｋについて得られた１次遅れ伝達関数特徴量と官能膜Ｌについて得られた１次遅れ伝達関数特徴量の比（ｂ_ｉＫ／ｂ_ｉＬ）は、測定環境の変化にロバストな特徴量として、におい成分ｉの分析に活用できる。

なお、上記の仮定では、官能膜の種類毎の固有パラメータが測定環境に関係なく常に一定値であることを理想としている。しかしながら、現実的には、膜種毎の固有パラメータが、測定環境の変化による影響を全く受けないとは言い切れない。そこで、情報処理装置２０は、以下のような処理を行うように構成されていてもよい。

まず、センサ１０が、におい成分ｉを含むサンプルガスを、それぞれ異なる環境下で複数回測定する。１回の測定毎に、モデル生成部２１０は、官能膜Ｋに関するＡＲＸモデルおよび官能膜Ｌに関するＡＲＸモデルをそれぞれ生成し、特徴量算出部２２０は、官能膜Ｋおよび官能膜ＬのＡＲＸモデルを基に、におい成分ｉの吸着率に関連する１次遅れ伝達関数特徴量「ｂ_ｉＫ」および「ｂ_ｉＬ」をそれぞれ算出する。また、特徴量算出部２２０は、１次遅れ伝達関数特徴量「ｂ_ｉＫ」および「ｂ_ｉＬ」の比「ｂ_ｉＫ／ｂ_ｉＬ」を１回の測定毎に得る。そして、特徴量算出部２２０は、複数回の測定によって得られた複数の「ｂ_ｉＫ／ｂ_ｉＬ」に基づいて、「ｂ_ｉＫ／ｂ_ｉＬ」が一定（傾きが０）となる測定環境の範囲を特定する。そして、特徴量算出部２２０は、特定した測定環境の範囲を示す情報を、におい成分の種類を示す情報、および、官能膜の種類（官能膜の組み合わせ）を示す情報と対応付けて、ストレージデバイス１０８０などの記憶領域に記憶する。

例えば、官能膜Ｋおよび官能膜Ｌを有するセンサ１０が、におい成分ｉを含むサンプルガスを異なる環境下で複数回測定した場合に、「ｂ_ｉＫ／ｂ_ｉＬ」について図７に示されるような結果が得られたとする。図７は、におい成分ｉを含むサンプルガスを異なる環境下で複数回測定して得られた「ｂ_ｉＫ／ｂ_ｉＬ」の結果を例示する図である。図７において、横軸は「測定環境（温度）」を示し、縦軸は「１次遅れ伝達関数特徴量ｂ_ｉＬを基準としたときの１次遅れ伝達関数特徴量ｂ_ｉＫの比（ｂ_ｉＫ／ｂ_ｉＬ）」を示している。

図７の例において、「ｂ_ｉＫ／ｂ_ｉＬ」は、Ｔ１～Ｔ２の温度範囲で一定であり、その他の範囲では測定環境の変化に応じて値が変動している。この場合、特徴量算出部２２０は、「ｂ_ｉＫ／ｂ_ｉＬ」の値が一定（すなわち、傾きが０）となっているＴ１～Ｔ２の温度範囲を特定する。なお、特徴量算出部２２０は、傾きが所定の基準（例えば、－０．０５以上０．０５以下など）を満たす範囲を特定するように構成されていてもよい。そして、特徴量算出部２２０は、Ｔ１～Ｔ２の温度範囲を示す情報を、におい成分ｉを示す情報、および、官能膜Ｋおよび官能膜Ｌの組み合わせを示す情報と対応付けて、ストレージデバイス１０８０などの記憶領域に記憶する。ここでストレージデバイス１０８０に記憶される情報は、測定環境の変化に対してロバストな特徴量が得られる条件を示す情報となる。

本実施形態の構成によれば、測定環境の変化に対してロバストな特徴量が得られる条件（におい成分の種類、官能膜の種類、測定環境の組み合わせ）を蓄積するデータベースを生成することができる。このデータベースは、例えば、第３実施形態で説明するように活用できる。

［第３実施形態］
＜機能構成＞
図８は、第３実施形態における情報処理装置２０の機能構成を例示する図である。本実施形態の情報処理装置２０は、第２実施形態においてストレージデバイス１０８０等の記憶領域に蓄積された情報を活用する処理部（出力部２３０）を更に含むように構成される。

一例として、出力部２３０は、センサ１０の構成（センサ１０にセットされている官能膜の種類）を示す情報を入力として、推奨される測定環境をにおい成分の種類別に示す情報を出力することができる。具体的な例として、図９に示されるような情報が記憶領域に記憶されている状態で、官能膜Ｋおよび官能膜Ｌの組み合わせを示す入力情報を出力部２３０が取得したとする。図９は、第３実施形態で構築されるデータベースの一例を示す図である。この場合、出力部２３０は、入力情報に基づいて、「におい成分ｉ」および「Ｔ１～Ｔ２の温度範囲」を示す情報、並びに、「におい成分ｊ」および「Ｔ５～Ｔ６の温度範囲」を示す情報を図９に示される情報の中から特定する。そして、出力部２３０は、特定した情報（推奨される測定環境をにおい成分の種類別に示す情報）を、情報処理装置２０に接続された表示装置に出力する（例：図１０）。図１０は、出力部２３０が表示装置に情報を出力する流れを例示する図である。

本例においては、センサ１０の構成が決まっている場合に、当該センサ１０の構成を示す情報を入力することで、推奨される測定環境を示す情報がにおい成分の種類毎に出力される。このような情報により、構成が決まっているセンサ１０をどのように利用すべきか（どのような環境下でどのようなにおい成分を対象として測定を行うか）を、センサ１０のユーザが容易に判断することができる。

他の一例として、出力部２３０は、におい成分の測定環境（センサ１０を設置する環境）を示す情報を入力として、推奨されるセンサ１０の構成（官能膜の組み合わせ）をにおい成分の種類別に示す情報を出力することができる。具体的な例として、図９に示されるような情報が記憶領域に記憶されている状態で、測定環境の温度がＴ１～Ｔ２の範囲であること示す入力情報を出力部２３０が取得したとする。この場合、出力部２３０は、入力情報に基づいて、「におい成分ｉ」および「官能膜Ｋと官能膜Ｌとの組み合わせ」を示す情報、並びに、「におい成分ｊ」および「官能膜Ｎと官能膜Ｏとの組み合わせ」を示す情報を図９に示される情報の中から特定する。そして、出力部２３０は、特定した情報（推奨されるセンサ１０の構成をにおい成分の種類別に示す情報）を、情報処理装置２０に接続された表示装置に出力する（例：図１１）。図１１は、出力部２３０が表示装置に情報を出力する流れを例示する図である。

本例においては、測定環境（センサ１０を設置する環境）が決まっている場合に、その情報を入力することで、推奨されるセンサ１０の構成を示す情報がにおい成分の種類毎に出力される。このような情報により、決められた測定環境においてどのようなにおいに対してどのような構成のセンサを使えば安定した測定が可能であるかを、ユーザに通知することができる。

他の一例として、出力部２３０は、測定対象のにおい成分の種類を示す情報を入力として、推奨されるセンサ１０の構成（官能膜の組み合わせ）と、推奨される測定環境（温度や湿度の範囲など）を示す情報を出力することができる。具体的な例として、図９に示されるような情報が記憶領域に記憶されている状態で、測定対象のにおい成分の情報として「におい成分ｉ」示す入力情報を出力部２３０が取得したとする。この場合、出力部２３０は、入力情報に基づいて、「官能膜Ｋと官能膜Ｌとの組み合わせ」および「Ｔ１～Ｔ２の温度範囲」を示す情報、並びに、「官能膜Ｋと官能膜Ｍとの組み合わせ」および「Ｔ３～Ｔ４の温度範囲」を示す情報を図９に示される情報の中から特定する。そして、出力部２３０は、特定した情報（推奨されるセンサ１０の構成および推奨される測定環境を示す情報）を、情報処理装置２０に接続された表示装置等に出力する（例：図１２）。図１２は、出力部２３０が表示装置に情報を出力する流れを例示する図である。

本例においては、測定対象とするにおい成分が決まっている場合に、その情報を入力することで、当該におい成分の測定に適したセンサ１０の構成および測定環境を示す情報が出力される。このような情報により、「対象のにおい成分の判別分析を精度よく行うために、どのような構成のにおいセンサを準備し、かつ、どのような環境下でそのにおいセンサを動作させるか」をユーザが容易に判断可能となる。

他の一例として、出力部２３０は、センサ１０の構成（官能膜の組み合わせ）および測定対象のにおい成分の種類を示す情報とを入力として、推奨される測定環境（温度や湿度の範囲など）を示す情報を出力することができる。具体的な例として、図９に示されるような情報が記憶領域に記憶されている状態で、官能膜Ｋおよび官能膜Ｌの組み合わせおよびにおい成分ｉを示す入力情報を出力部２３０が取得したとする。この場合、出力部２３０は、入力情報に基づいて、「Ｔ１～Ｔ２の温度範囲」を示す情報を図９に示される情報の中から特定する。そして、出力部２３０は、特定した情報（推奨される測定環境を示す情報）を、情報処理装置２０に接続された表示装置等に出力する（例：図１３）。図１３は、出力部２３０が表示装置に情報を出力する流れを例示する図である。

本例においては、においセンサの構成およびそのにおいセンサで測定すべきにおい成分が決まっている場合に、それらの情報を入力することで、推奨される測定環境を示す情報が出力される。このような情報により、センサ１０のユーザが、安定した精度で測定を行うことができる環境を容易に把握することができる。

他の一例として、出力部２３０は、センサ１０の構成（官能膜の組み合わせ）を示す情報と、におい成分の測定環境（センサ１０を設置する環境）を示す情報とを入力として、測定対象として推奨されるにおい成分の種類を示す情報を出力することができる。具体的な例として、図９に示されるような情報が記憶領域に記憶されている状態で、官能膜Ｋと官能膜Ｌの組み合わせおよびＴ１～Ｔ２の温度範囲を示す入力情報を出力部２３０が取得したとする。この場合、出力部２３０は、「におい成分ｉ」を示す情報を、入力情報に基づいて特定する。そして、出力部２３０は、特定したにおい成分の種類（におい成分ｉ）を示す情報を、情報処理装置２０に接続された表示装置等に出力する（例：図１４）。図１４は、出力部２３０が表示装置に情報を出力する流れを例示する図である。

本例においては、においセンサの構成および当該においセンサを設置する環境が既知である場合に、それらの情報を入力することで、測定対象として推奨されるにおい成分を示す情報が出力される。このような情報により、測定に適したにおい成分をセンサ１０のユーザが容易に把握できる。

他の一例として、出力部２３０は、測定対象のにおい成分の種類および当該におい成分の測定環境（センサ１０を設置する環境）を示す情報とを入力として、推奨されるセンサ１０の構成（官能膜の組み合わせ）を示す情報を出力することができる。具体的な例として、図９に示されるような情報が記憶領域に記憶されている状態で、におい成分ｉおよびＴ１～Ｔ２の温度範囲を示す入力情報を出力部２３０が取得したとする。この場合、出力部２３０は、入力情報に基づいて、「官能膜Ｋおよび官能膜Ｌの組み合わせ」を示す情報を、図９に示される情報の中から特定する。そして、出力部２３０は、特定した情報（推奨されるセンサ１０の構成を示す情報）を、情報処理装置２０に接続された表示装置等に出力する（例：図１５）。図１５は、出力部２３０が表示装置に情報を出力する流れを例示する図である。

本例においては、測定対象とするにおい成分および当該におい成分を測定する環境が既知である場合、それらの情報を入力することで、推奨されるセンサ１０の構成（官能膜の組み合わせ）を示す情報が出力される。このような情報により、経験の浅い人物であっても、センサ１０にセットすべき官能膜を容易に判断できる。

また、測定環境を示す情報と共に、複数の測定対象のにおい成分を示す情報が入力として得られた場合、出力部２３０は、第３実施形態で得られたデータベースの情報に基づいて、センサ１０の構成の優先順位を決定することもできる。具体的には、入力情報が示す測定環境の範囲において、入力情報が示す全てのにおい成分について１次遅れ伝達関数特徴量の比が一定（傾きが０）となる官能膜の組み合わせＡと、少なくとも一部のにおい成分について１次遅れ伝達関数特徴量の比が一定（傾きが０）とならない官能膜の組み合わせＢとが存在したとする。この場合、出力部２３０は、全てのにおい成分について安定した精度で分析が可能な組み合わせＡの優先順位を、組み合わせＢよりも高く設定する。そして、出力部２３０は、組み合わせ毎の優先順位を示す情報を、情報処理装置２０に接続された表示装置等に出力する（例：図１６）。図１６は、出力部２３０が表示装置に情報を出力する流れを例示する図である。図１６の例において、出力部２３０は、優先順位を示す数字Ｎをセンサ１０の構成毎に対応付けて出力している。このような情報により、ユーザは、測定に最も適したセンサ１０の構成を容易に判断できる。

［第４実施形態］
本実施形態では、１次遅れ伝達関数特徴量の用途の他の一例について説明する。２つ以上の同種の官能膜がセンサ１０にセットされている場合、情報処理装置２０は、官能膜毎の１次遅れ伝達関数特徴量を用いて、官能膜の性能を検査することができる。

＜機能構成＞
図１７は、第４実施形態における情報処理装置２０の機能構成を例示する図である。図１７に示されるように、本実施形態の情報処理装置２０は、製品判定部２４０を更に有する。製品判定部２４０は、検査対象の官能膜（第１の官能膜）の１次遅れ伝達関数特徴量と基準となる官能膜（第２の官能膜）の１次遅れ伝達関数特徴量との比を用いて、第１の官能膜が合格品か否かを判定する。

＜処理の流れ＞
図１８は、第４実施形態の情報処理装置２０により実行される処理の流れを例示する図である。図１８の例では、センサ１０は、同じ種類の２つの官能膜（官能膜Ｋおよび官能膜Ｌ）を有している。官能膜Ｋは検査対象の官能膜であり、官能膜Ｌは基準となる性能を有する官能膜である。また、図１８の例では、におい成分ｉを有するサンプルガスが、ランダムなサンプル周期の入力信号Ｕ（例えば、Ｍ系列信号）に応じてセンサ１０に入力される。この場合のセンサ１０の出力Ｙは、官能膜Ｋの出力および官能膜Ｌの出力の和となる。

まず、におい成分ｉを含むサンプルガスの測定に応じて、モデル生成部２１０は、官能膜毎の入出力データを取得する（Ｓ３０２）。そして、モデル生成部２１０は、官能膜毎の入出力データに基づいて、官能膜毎のＡＲＸモデルを生成する（Ｓ３０４）。そして、特徴量算出部２２０は、官能膜毎のＡＲＸモデルをＺ変換する（Ｓ３０６）。さらに、特徴量算出部２２０は、ＡＲＸモデルをＺ変換した結果を部分分数分解することによって、１次遅れ伝達関数特徴量（ａ_ｉ，ｂ_ｉ）を官能膜毎に算出する（Ｓ３０８）。Ｓ３０２～Ｓ３０８の処理は、図４のＳ１０２～Ｓ１０８の処理と同様である。

そして、特徴量算出部２２０は、官能膜Ｋおよび官能膜Ｌについて、におい成分ｉの吸着率に関連する１次遅れ伝達関数特徴量ｂ_ｉの比（ｂ_ｉＫ／ｂ_ｉＬ）を算出する（Ｓ３１０）。ここで、官能膜Ｋおよび官能膜Ｌが同じ性能であれば、これらの官能膜毎の１次遅れ伝達関数特徴量は等しくなる。この場合、ｂ_ｉＫ／ｂ_ｉＬの値は１となる。よって、製品判定部２４０は、ｂ_ｉＫ／ｂ_ｉＬが所定の基準を満たす（ｂ_ｉＫ／ｂ_ｉＬが１或いは１に近い値となる）か否かを判定する（Ｓ３１２）。ｂ_ｉＫ／ｂ_ｉＬが所定の基準を満たす場合（Ｓ３１２：ＹＥＳ）、製品判定部２４０は、検査対象の官能膜Ｋを「基準品である官能膜Ｌと同等の性能を有する合格品」と判断する（Ｓ３１４）。一方、ｂ_ｉＫ／ｂ_ｉＬが所定の基準を満たさない場合（Ｓ３１２：ＮＯ）、製品判定部２４０は、検査対象の官能膜Ｋを「基準品である官能膜Ｌと同等の性能を有していない不合格品」と判断する（Ｓ３１６）。

以上、本実施形態では、第１実施形態で説明した手法により得られた１次遅れ伝達関数特徴量を使って、官能膜の性能の良／不良を判別することが可能となる。

［第５実施形態］
本実施形態では、１次遅れ伝達関数特徴量の用途の他の一例について説明する。２つ以上の同種の官能膜がセンサ１０にセットされている場合、情報処理装置２０は、官能膜毎の１次遅れ伝達関数特徴量を用いて、官能膜間の個体差（出力性能の誤差）を修正することができる。

＜機能構成＞
図１９は、第５実施形態における情報処理装置２０の機能構成を例示する図である。図１９に示されるように、本実施形態の情報処理装置２０は、個体差修正部２５０を更に有する。個体差修正部２５０は、同種の２つの官能膜の１次遅れ伝達関数特徴量の比を用いて、当該２つの官能膜の間の個体差を修正する。

＜処理の流れ＞
図２０は、第５実施形態の情報処理装置２０により実行される処理の流れを例示する図である。図２０の例では、センサ１０は、同じ種類の２つの官能膜（官能膜Ｋおよび官能膜Ｌ）を有している。また、図２０の例では、におい成分ｉを有するサンプルガスが、ランダムなサンプル周期の入力信号Ｕ（例えば、Ｍ系列信号）に応じてセンサ１０に入力される。この場合のセンサ１０の出力Ｙは、官能膜Ｋの出力および官能膜Ｌの出力の和となる。

まず、におい成分ｉを含むサンプルガスの測定に応じて、モデル生成部２１０は、官能膜毎の入出力データを取得する（Ｓ４０２）。そして、モデル生成部２１０は、官能膜毎の入出力データに基づいて、官能膜毎のＡＲＸモデルを生成する（Ｓ４０４）。そして、特徴量算出部２２０は、官能膜毎のＡＲＸモデルをＺ変換する（Ｓ４０６）。さらに、特徴量算出部２２０は、ＡＲＸモデルをＺ変換した結果を部分分数分解することによって、１次遅れ伝達関数特徴量（ａ_ｉ，ｂ_ｉ）を官能膜毎に算出する（Ｓ４０８）。Ｓ４０２～Ｓ４０８の処理は、図４のＳ１０２～Ｓ１０８の処理と同様である。

そして、特徴量算出部２２０は、官能膜Ｋおよび官能膜Ｌについて、におい成分ｉの吸着率に関連する１次遅れ伝達関数特徴量ｂ_ｉの比（ｂ_ｉＫ／ｂ_ｉＬ）を算出する（Ｓ４１０）。個体差修正部２５０は、Ｓ４１０の処理で得られた、１次遅れ伝達関数特徴量ｂ_ｉＫと１次遅れ伝達関数特徴量ｂ_ｉＬの比（ｂ_ｉＫ／ｂ_ｉＬ）に基づいて、官能膜Ｋおよび官能膜Ｌのいずれか一方の出力値を補正するための補正係数を決定する（Ｓ４１２）。具体的には、個体差修正部２５０は、ｂ_ｉＫ／ｂ_ｉＬの逆数を官能膜Ｋの出力値に対する補正係数として決定し、メモリ１０６０などに記憶する。代わりに、個体差修正部２５０は、ｂ_ｉＫ／ｂ_ｉＬを官能膜Ｌの出力値に対する補正係数として決定し、メモリ１０６０などに記憶してもよい。そして、個体差修正部２５０は、Ｓ４１２で決定した補正係数を使って、官能膜Ｋまたは官能膜Ｌの出力値を補正する（Ｓ４１４）。

本実施形態では、官能膜毎の個体差がソフトウエア的に補正される。各官能膜の性能が均一化されることによって、センサ１０の分析の精度がばらつくことを防止できる。

以上、図面を参照して本発明の実施の形態について述べたが、本発明はこれらに限定されて解釈されるべきものではなく、本発明の要旨を逸脱しない限りにおいて、当業者の知識に基づいて、種々の変更、改良等を行うことができる。実施形態に開示されている複数の構成要素は、適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素からいくつかの構成要素を削除してもよいし、異なる実施形態の構成要素を適宜組み合わせてもよい。また、各実施形態では、図示される処理（工程）の順番を内容的に支障のない範囲で変更することができる。

Claims (9)

1. 測定対象のにおい成分を含むガスの入力動作を制御する入力データと、前記ガスを前記入力データに基づいてにおいセンサに入力することによって得られる出力データと、を用いて、前記においセンサのＡＲＸ（Auto-Regressive with eXogenous input）モデルを生成するモデル生成手段と、
   前記ＡＲＸモデルをＺ変換することによって、前記におい成分に関する前記においセンサの伝達関数を算出し、さらに、前記伝達関数を部分分数分解することによって、前記におい成分に関する前記においセンサの１次遅れ伝達関数特徴量を算出する特徴量算出手段と、
   を備える情報処理装置。
2. 前記モデル生成手段は、
   複数の窓を用いて、前記入力データおよび前記出力データから、複数の部分入力データおよび複数の部分出力データを抽出し、
   前記複数の部分入力データと前記複数の部分出力データとを用いて、複数のＡＲＸモデルを生成し、
   前記特徴量算出手段は、
   前記複数のＡＲＸモデルを用いて、複数の前記１次遅れ伝達関数特徴量を算出する、
   請求項１に記載の情報処理装置。
3. 前記においセンサは第１の官能膜および第２の官能膜を有しており、
   前記モデル生成手段は、
   前記ガスを複数の測定環境で測定したときの前記入力データおよび前記官能膜毎の出力データを取得し、
   前記入力データおよび前記官能膜毎の出力データを用いて、前記官能膜毎のＡＲＸモデルを複数生成し、
   前記特徴量算出手段は、
   前記複数の測定環境それぞれについて生成された前記官能膜毎のＡＲＸモデルを用いて、複数の前記１次遅れ伝達関数特徴量を前記官能膜毎に算出し、
   前記官能膜毎に算出された前記複数の１次遅れ伝達関数特徴量の比が基準を満たす測定環境を特定し、
   前記特定した測定環境を示す情報を記憶領域に記憶する、
   請求項１または２に記載の情報処理装置。
4. 前記においセンサは検査対象の第１の官能膜および基準となる第２の官能膜を有しており、
   前記モデル生成手段は、前記官能膜毎の前記入力データおよび前記出力データを用いて、前記官能膜毎のＡＲＸモデルを生成し、
   前記特徴量算出手段は、
   前記官能膜毎のＡＲＸモデルを用いて、前記１次遅れ伝達関数特徴量を前記官能膜毎に算出し、
   前記情報処理装置は、
   前記官能膜毎に算出された前記１次遅れ伝達関数特徴量の比が基準を満たすか否かによって、前記第１の官能膜が合格品か否かを判定する判定手段を更に備える、
   請求項１または２に記載の情報処理装置。
5. コンピュータが、
   測定対象のにおい成分を含むガスの入力動作を制御する入力データと、前記ガスを前記入力データに基づいてにおいセンサに入力することによって得られる出力データと、を用いて、前記においセンサのＡＲＸ（Auto-Regressive with eXogenous input）モデルを生成し、
   前記ＡＲＸモデルをＺ変換することによって、前記におい成分に関する前記においセンサの伝達関数を算出し、さらに、前記伝達関数を部分分数分解することによって、前記におい成分に関する前記においセンサの１次遅れ伝達関数特徴量を算出する、
   ことを含む情報処理方法。
6. 前記コンピュータが、
   複数の窓を用いて、前記入力データおよび前記出力データから、複数の部分入力データおよび複数の部分出力データを抽出し、
   前記複数の部分入力データと前記複数の部分出力データとを用いて、複数のＡＲＸモデルを生成し、
   前記複数のＡＲＸモデルを用いて、複数の前記１次遅れ伝達関数特徴量を算出する、
   ことを更に含む請求項５に記載の情報処理方法。
7. 前記においセンサは第１の官能膜および第２の官能膜を有しており、
   前記コンピュータが、
   前記ガスを複数の測定環境で測定したときの前記入力データおよび前記官能膜毎の出力データを取得し、
   前記入力データおよび前記官能膜毎の出力データを用いて、前記官能膜毎のＡＲＸモデルを複数生成し、
   前記複数の測定環境それぞれについて生成された前記官能膜毎のＡＲＸモデルを用いて、複数の前記１次遅れ伝達関数特徴量を前記官能膜毎に算出し、
   前記官能膜毎に算出された前記複数の１次遅れ伝達関数特徴量の比が基準を満たす測定環境を特定し、
   前記特定した測定環境を示す情報を記憶領域に記憶する、
   ことを含む請求項５または６に記載の情報処理方法。
8. 前記においセンサは検査対象の第１の官能膜および基準となる第２の官能膜を有しており、
   前記コンピュータが、
   前記官能膜毎の前記入力データおよび前記出力データを用いて、前記官能膜毎のＡＲＸモデルを生成し、
   前記官能膜毎のＡＲＸモデルを用いて、前記１次遅れ伝達関数特徴量を前記官能膜毎に算出し、
   前記官能膜毎に算出された前記１次遅れ伝達関数特徴量の比が基準を満たすか否かによって、前記第１の官能膜が合格品か否かを判定する、
   ことを含む請求項５または６に記載の情報処理方法。
9. コンピュータに、請求項５から８のいずれか１項に記載の情報処理方法を実行させるプログラム。

Images