JP7123866B2 - 分光モデルのクロスバリデーションベース較正 - Google Patents
分光モデルのクロスバリデーションベース較正 Download PDFInfo
- Publication number
- JP7123866B2 JP7123866B2 JP2019120431A JP2019120431A JP7123866B2 JP 7123866 B2 JP7123866 B2 JP 7123866B2 JP 2019120431 A JP2019120431 A JP 2019120431A JP 2019120431 A JP2019120431 A JP 2019120431A JP 7123866 B2 JP7123866 B2 JP 7123866B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- data set
- spectral
- spectrometer
- dataset
- 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
Links
- 230000003595 spectral effect Effects 0.000 title claims description 134
- 238000002790 cross-validation Methods 0.000 title claims description 21
- 238000000034 method Methods 0.000 claims description 82
- 238000005259 measurement Methods 0.000 claims description 55
- 238000010200 validation analysis Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 34
- 238000011002 quantification Methods 0.000 claims description 20
- 238000012628 principal component regression Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 55
- 238000003860 storage Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 26
- 239000000523 sample Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 9
- 238000004611 spectroscopical analysis Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 239000004615 ingredient Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000012567 medical material Substances 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- HEFNNWSXXWATRW-UHFFFAOYSA-N Ibuprofen Chemical compound CC(C)CC1=CC=C(C(C)C(O)=O)C=C1 HEFNNWSXXWATRW-UHFFFAOYSA-N 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229960001680 ibuprofen Drugs 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 229960005489 paracetamol Drugs 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002460 vibrational spectroscopy Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- 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
- G01J3/0275—Details making use of sensor-related data, e.g. for identification of sensor parts or optical elements
-
- 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
- G01J3/28—Investigating the spectrum
-
- 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
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0118—Apparatus with remote processing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Description
［関連出願］
本願は、米国特許法第１１９条の下で、２０１８年６月２９日に出願された「近赤外（ＮＩＲ）スペクトルに基づく較正モデルの更新（UPDATING CALIBRATION MODELS BASED ON NEAR-INFRARED (NIR) SPECTRA）」と題する米国仮特許出願第６２／６９２，２４８号の優先権を主張し、その内容の全体を参照により本明細書に援用する。
本願は、米国特許法第１１９条の下で、２０１８年６月２９日に出願された「近赤外（ＮＩＲ）スペクトルに基づく較正モデルの更新（UPDATING CALIBRATION MODELS BASED ON NEAR-INFRARED (NIR) SPECTRA）」と題する米国仮特許出願第６２／６９２，２４８号の優先権を主張し、その内容の全体を参照により本明細書に援用する。
原料識別は、医薬品の品質管理に利用することができる。例えば、原料識別を医療材料で実行して、その医療材料の含有成分（component ingredients）がその医療材料に関連する包装ラベルに対応するか否かを判定することができる。同様に、原料定量化を実行して、特定の試料中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、他のケモメトリックス手法に比べて少ない準備及び短いデータ収集時間で非破壊的な原料識別及び／又は定量化を容易にすることができる。
いくつかの実施形態によれば、装置は、１つ又は複数のメモリと、１つ又は複数のメモリに通信可能に結合された１つ又は複数のプロセッサであり、第１分光モデルのマスターデータセットを受信し、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し、マスターデータセットとターゲットデータセットからの第１データとを含むトレーニングデータセットを生成し、ターゲットデータセットからの第２データを含みマスターデータセットを含まないバリデーションデータセットを生成し、クロスバリデーションを用いると共にトレーニングデータセット及びバリデーションデータセットを用いて、第１分光モデルの更新である第２分光モデルを生成し、且つ第２分光モデルを提供するよう構成された、プロセッサとを含み得る。
いくつかの実施形態によれば、方法は、装置により第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信するステップと、装置によりターゲットデータセットの受信に基づき第１分光モデルのマスターデータセットを取得するステップと、装置によりクロスバリデーションを用いて最適部分最小二乗（ＰＬＳ）因子を求めるステップであり、最適ＰＬＳ因子は、それぞれがターゲットデータセットの各部分及びマスターデータセットの全部を含む複数のトレーニングデータセットと、それぞれがターゲットデータセットの各部分を含みマスターデータセットのデータを含まない複数のバリデーションデータセットとに基づき求められるステップと、装置によりターゲットデータセット及びマスターデータセットをマージしてマージ済みデータセットを生成するステップと、装置により、マージ済みデータセット及び最適ＰＬＳ因子を用いて第２分光モデルを生成するステップであり、第２分光モデルは、第１分光モデルの更新であるステップと、装置により第２分光モデルを提供して第１分光モデルと置き換えるステップとを含み得る。
いくつかの実施形態によれば、非一時的なコンピュータ可読媒体が、１つ又は複数の命令を記憶し得る。１つ又は複数の命令は、装置の１つ又は複数のプロセッサにより実行されると、１つ又は複数のプロセッサに、第１分光モデルのマスターデータセットを受信させ、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信させて第１分光モデルを更新させ、マスターデータセット及びターゲットデータセットに基づき複数のトレーニングデータセットを生成させ、ターゲットデータセットに基づきマスターデータセットのデータを含まない複数のバリデーションデータセットを生成させ、複数のトレーニングデータセット及び複数のバリデーションデータセットに基づき且つクロスバリデーションを用いてモデル設定を求めさせ、モデル設定、ターゲットデータセット、及びマスターデータセットに基づき第２分光モデルを生成させ、且つ第２分光モデルを提供させることができる。
以下の実施例の詳細な説明では、添付図面を参照する。異なる図において同一の参照符号は、同一又は同様の要素を示し得る。以下の説明では、分光計を例として用いるが、本明細書に記載の較正原理、手順、及び方法は、限定はされないが他の光センサ及び分光センサを含む、任意のセンサと共に用いることができる。
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）を識別するために利用される手法である。例えば、ＲＭＩＤを利用して、医薬品材料の含有成分がラベルで確認される一組の含有成分に対応することを検証することができる。同様に、原材料定量化は、特定の試料中の特定の材料の濃度の判定等、特定の試料で定量分析を実行するために利用される手法である。分光計を利用して試料（例えば、医薬品材料）で分光法を実行し、試料の成分、試料の成分の濃度等を判定することができる。分光計は、試料の測定値セットを求めることができ、その測定値セットを分光判定（spectroscopic determination）のために提供することができる。分光分類手法（例えば、クラシファイア）は、試料の測定値セットに基づく試料の成分の判定を容易にすることができる。
分光分類又は定量化を実行するために、分光モデルを用いて未知試料の１つ又は複数の測定値を評価することができる。例えば、制御装置が、未知試料の１つ又は複数の測定値を分光モデルの特定のクラス、分光モデルに関連する特定のレベル及び／又は量等に対応するものとして分類することを試みることができる。しかしながら、原材料が経時変化し得る結果として、分光モデルが不正確になり得る。例えば、農産物に適用される分光分類に関しては、収穫年及びそれに関連する収穫量が異なればスペクトルも異なり得る。結果として、マスターデータセット(例えば、初期時点の初期母集団の初期分光測定セット)でトレーニングした分光モデルは、ターゲットデータセット（例えば、後続時点の後続母集団の後続分光測定セット）に適用した場合に不正確であり得る。
別の場合では、分光計毎のマスターデータセットを用いて分光計毎の分光モデルをトレーニングするのは非現実的であり得る。結果として、制御装置は、マスターデータセットで単一の分光モデルをトレーニングし、多くの異なる分光計で用いるためにその単一の分光モデルを展開し得る。しかしながら、分光計が異なれば、関連する較正及び／又は動作の環境条件が異なり得る。結果として、第１分光計により実行された分光測定のマスターデータセットを用いてトレーニングされた分光モデルは、第２分光計により実行された分光測定のターゲットデータセットに適用された場合に不正確であり得る。
本明細書に記載のいくつかの実施形態は、クロスバリデーション手法を用いた分光モデルの較正更新及び較正移行を可能にする。例えば、ターゲットデータセットからのデータをマスターデータセットからのデータとマージして、新たな分光モデルの生成を可能にすることができる。この場合、マスターデータセットからのデータは、分光モデルのトレーニング用のトレーニングセットに用いられ、ターゲットデータセットからのデータは、トレーニングセット及び分光モデルのバリデーション用のバリデーションセットの両方に用いられる。このように、モデル生成及び／又はモデル更新のための他の手法に比べて、分光モデルの精度が改善される。さらに、移行された分光モデルの精度の改善に基づき、分光計毎にマスターデータセットを取得する必要が減ることにより、分光計の展開に関連する費用が減る。
図１Ａ～図１Ｅは、本明細書に記載の例示的な実施形態１００の図である。図１Ａに示すように、例示的な実施形態１００は、第１分光計１０２及び第１制御装置１０４を含む。
図１Ａに参照符号１５０でさらに示すように、第１制御装置１０４は、第１分光計１２０に命令を送信して第１分光計１２０にマスター母集団１５２で分光測定セットを実行させることができる。例えば、第１制御装置１０４は、分類モデルを用いて分類すべき各クラス、定量化モデルを用いて定量化すべき各量等について、第１分光計１２０に試料の測定を実行させることができる。分類モデルのクラスは、（薬学関連で）ラクトース物質、フルクトース物質、アセトアミノフェン物質、イブプロフェン物質、アスピリン物質等、１つ又は複数の特徴を共有する類似材料のグループ化を指し得る。分類モデルのトレーニングに用いられる材料であって、分類モデルを用いて原料識別を実行すべき材料は、関心材料（materials of interest）と称され得る。
図１Ａに参照符号１５４及び１５６でさらに示すように、第１分光計１０２は、分光測定セットを実行することができると共に、処理のために分光測定値セットを第１制御装置１０４に提供することができる。例えば、第１分光計１０２は、マスター母集団１５２の各試料のスペクトルを求め、第１制御装置１０４が未知試料を定量化モデル用の関心材料の１つとして又は定量化モデルに関して特定の量を有するものとして分類するためのクラスのセットを生成することを可能にし得る。
図１Ａに参照符号１５８でさらに示すように、第１制御装置１０４は、マスターデータセットに基づき第１分光モデルを生成することができる。例えば、第１制御装置１０４は、特定の判定手法を用いて、分光測定値セットに基づき、第１分光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、第１制御装置１０４は、サポートベクターマシン（ＳＶＭ）手法（例えば、情報判定に関する機械学習手法）を用いて定量化モデルを生成することができる。追加として又は代替として、第１制御装置１０４は、別のタイプの定量化手法を用いて定量化モデルを生成することができる。
定量化モデルは、特定のスペクトルを関心材料の特定の量クラスに割り当てることに関連する情報を含み得る。いくつかの実施形態では、定量化モデルは、特定の量クラスに関連する関心材料のタイプの識別に関連する情報を含み得る。このように、第１制御装置１０４は、未知試料のスペクトルを定量化モデルの特定の量クラスに割り当てることに基づき、分光法の出力として未知試料の材料の量を識別する情報を提供することができる。
図１Ｂに参照符号１６０で示すように、第２制御装置１０４が、第１分光モデルに関連する情報を受信することができる。例えば、第２制御装置１０４は、第１分光モデル、マスターデータセット等を受信することができる。いくつかの実施形態では、第２制御装置１０４は、第１制御装置１０４とは異なる分光計に関連し得る。例えば、較正移行の場合、第２制御装置１０４は、第２分光計１０２（例えば、ターゲット分光計）に関連して用いることができると共に、第１分光モデルに関連する情報を受信して第１分光計１０２（例えば、マスター分光計）から第２分光計１０２への較正移行を可能にすることができる。この場合、本明細書でより詳細に説明するように、第２制御装置１０４及び第２分光計１０２は、ターゲット母集団の測定を実行して第２分光モデルを生成することができる。代替的に、較正更新の場合、本明細書でより詳細に説明するように、第１分光モデルを第２制御装置１０４に移行させるのではなく、第１制御装置１０４及び第１分光計１０２がターゲット母集団の測定を実行して第２分光モデルを生成し得る。
図１Ｂに参照符号１６２でさらに示すように、第２制御装置１０４は、第２分光計１０２に命令を送信して第２分光計１２０にターゲット母集団１６４の分光測定セットを実行させることができる。例えば、第２制御装置１０４は、第１分光モデルの受信に基づき第２分光計１０２にターゲット母集団１６４の分光測定を実行させることができる。いくつかの実施形態では、第２制御装置１０４は、第１分光モデルの更新又は較正を決定することができると共に、分光測定セットを実行するよう第２分光計１０２をトリガすることができる。この場合、第２制御装置１０４は、第２分光モデルの生成を可能にするために第１制御装置１０４と通信してマスターデータセットを識別する情報を取得することができる。
いくつかの実施形態では、ターゲット母集団１６４は、マスター母集団１５２に対応し得る。例えば、ターゲット母集団１６４は、マスター母集団１５２に含まれるのと同じクラスの追加試料であり得る。この場合、ターゲット母集団１６４は、試料を収集又は測定した時間、場所、環境条件等に関してマスター母集団１５２とは異なり得る。追加として又は代替として、ターゲット母集団１６４は、異なる分光計を用いて測定されること（例えば、マスター母集団１５２のように第１分光計１０２ではなく第２分光計１０２により測定されること）に基づき、マスター母集団１５２とは異なり得る。
図１Ｂに参照符号１６６及び１６８でさらに示すように、第２分光計１０２は、分光測定セットを実行することができると共に、分光測定セットを識別する情報を第２制御装置１０４に提供することができる。例えば、第２分光計１０２は、ターゲット母集団１６４の分光測定を実行することができると共に、（例えば、ターゲットデータセットとして）分光測定を識別する情報を処理のために第２制御装置１０４に提供することができる。
図１Ｃに参照符号１７０で示すように、第２制御装置１０４は、総合性能メトリック（total performance metric）を求めることができる。例えば、第２制御装置１０４は、データを複数フォールドに分割し、その複数フォールドに関する複数の性能メトリックを求め、その複数の性能メトリックを集約して二乗平均誤差（ＲＭＳＥ）値を求め、且つＲＭＳＥ値を最小化するよう部分最小二乗（ＰＬＳ）因子を最適化（最適ＰＬＳ因子と称され得る）ことに基づき、総合性能メトリックを求めることができる。フォールドは、候補モデルを生成するためのトレーニングセットと予測データにおける候補モデルの精度を評価するためのバリデーションセットとを含むクロスバリデーション用のデータのサブグループを指し得る。別の例では、第２制御装置１０４は、主成分回帰（ＰＣＲ）因子、サポートベクター回帰（ＳＶＲ）因子等に関するモデル設定等の別のタイプの最適化されたモデル設定を求めることができる。いくつかの実施形態では、第２制御装置１０４は、前処理最適化を実行することができる。例えば、第２制御装置１０４は、モデル設定の一部として最適化された前処理パラメータを求めることができる。
いくつかの実施形態では、第２制御装置１０４は、フォールド毎にデータをトレーニングセット又はバリデーションセットに割り当てることができる。例えば、第２制御装置１０４は、Ｎ個のフォールドについて複数のトレーニングセット１～Ｎと、Ｎ個のフォールドについて複数の対応するバリデーションセット１～Ｎとを求めることができる。いくつかの実施形態では、トレーニングセットは、マスターデータセット及びターゲットデータセットをマージすることにより生成されるマージ済みデータを含み得る。例えば、トレーニングセット（例えば、トレーニングセット１）が、マスターデータセットからの全データ（例えば、ＭＤＳ）とターゲットデータセットからのデータの一部（例えば、ＴＤＳ１，ＴＳ）とを含み得る。この場合、対応するバリデーションセットは、ターゲットデータセットからのデータの対応部分（例えば、ＴＤＳ１，ＴＳ）を含み、マスターデータセットからのデータを含まない。対応するバリデーションセットは、トレーニングセットに含まれるのと同じ物理的試料の反復走査から得られたデータを省くことができる。
データを複数のフォールドに割り当てることに基づき、第２制御装置１０４は、フォールド毎の性能メトリックを求めることができる。例えば、第２制御装置１０４は、フォールド毎の性能メトリックを集約して総合性能メトリックを求めることができる。例えば、第２制御装置１０４は、フォールド毎にＰＬＳ因子を求めることができると共に、フォールド毎のＰＬＳ因子毎にＲＭＳＥを求めることができる。フォールド毎のＰＬＳ因子毎にＲＭＳＥ値を求めることに基づき、第２制御装置１０４は、総ＲＭＳＥ値を求めることができる。例えば、第２制御装置１０４は、全部のフォールドの全部のＰＬＳ因子の関数としてＲＭＳＥ値を求めることができる。この場合、総ＲＭＳＥ値を求めることに基づき、第２制御装置１０４は、最低ＲＭＳＥ値を有するＰＬＳ因子であり得る最適ＰＬＳ因子を求めることができる。
この場合、クロスバリデーション中のＮフォールドトレーニングセットにマスターデータセット及びターゲットデータセットを含むが対応するバリデーションセットにはターゲットデータセットしか含まないことに基づき、他の手法に比べて第２分光モデルの精度が高まる。例えば、このような手法では、更新なしで第１分光モデルを用いること、ターゲットデータセットのみを用いてＰＬＳ性能メトリックを求めること、ターゲットデータセットの全データ及びマスターデータセットの全データをマージしてマージ済みデータセットを生成し、トレーニングセット及びバリデーションセットの両方でマージ済みデータセットの分割を用いること等に比べて、精度の向上を得ることができる。
図１Ｄに参照符号１７２で示すように、第２制御装置１０４は、第２分光モデルを生成することができる。例えば、第２制御装置１０４は、マスターデータセット（ＭＤＳ）、ターゲットデータセット（ＴＤＳ）、及び最適ＰＬＳ因子を用いて第２分光モデルを生成することができる。このように、第２制御装置１０４は、較正分光モデル、更新分光モデル、移行分光モデル等の生成を可能にし得る。
いくつかの実施形態では、第２制御装置１０４は、マスターデータセット及びターゲットデータセットをマージしてマージ済みデータセット(例えば、第２分光モデルのトレーニング用の最終トレーニングセット)を生成することができる。例えば、第２制御装置１０４は、マスターデータセット及びターゲットデータセットを集約してマージ済みデータセットを生成することができる。マージ済みデータセットの生成に基づき、第２制御装置１０４は、マージ済みデータセット及び最適ＰＬＳ因子（例えば、最低ＲＭＳＥ値を有する）を用いて第２分光モデルを生成することができる。例えば、第２制御装置１０４は、定量化モデル生成手法を用いて、マージ済みデータセット（例えば、第２分光モデルのトレーニングセットであり得る）及び最適ＰＬＳ因子に関連して第２分光モデルを生成することができる。このように、マージ済みデータセットを用いずに最適ＰＬＳ因子を求めてから最適ＰＬＳ因子をマージ済みデータセットと結合することにより、制御装置１０４は、他の手法よりも正確な分光モデルを得る。
いくつかの実施形態では、第２制御装置１０４は、第２分光モデルの生成に基づき第２分光モデルを提供することができる。例えば、第２制御装置１０４は、データ構造を介した記憶、１つ又は複数の他の分光計での展開等のために第２分光モデルを提供することができる。追加として又は代替として、第２制御装置１０４は、第２分光モデルの生成に基づき第２分光モデルに関する出力を提供することができる。例えば、本明細書でより詳細に説明するように、第２制御装置１０４は、未知試料を分析するために第２分光モデルの使用に基づき未知試料を定量する情報を提供することができる。
図１Ｅに参照符号１７４で示すように、第２制御装置１０４は、第２分光計１０２に命令を送信して第２分光計１０２に未知試料１７６で分光測定セットを実行させることができる。例えば、第２制御装置１０４は、第２分光モデルの生成後に、第２分光計１０４に未知試料１７６で分光測定を実行させることができる。
図１Ｅに参照符号１７８及び１８０でさらに示すように、第２分光計１０２は、分光測定セットを実行することができると共に、分光測定セットを識別する情報を第２制御装置１０４に提供することができる。例えば、第２分光計１０２は、未知試料１７６のスペクトルを求めることができると共に、分類及び／又は定量化のためにスペクトルを識別する情報を第２制御装置１０４に提供することができる。
図１Ｅに参照符号１８２でさらに示すように、第２制御装置１０４は、第２分光モデルを用いて分光測定セットの分光分析を実行することができる。例えば、第２制御装置１０４は、第２分光モデルを用いて未知試料１７６の分類及び／又は未知試料１７６の定量化を判定することができる。この場合、第２制御装置１０４は、分類及び／又は定量化を識別する出力を提供することができる。このように、第２制御装置１０４は、第２分光モデルの生成に基づき第２分光モデルを用いる。
上記のように、図１Ａ～図１Ｅは、１つ又は複数の例として提供されているにすぎない。他の例は、図１Ａ～図１Ｅに関して説明したものとは異なり得る。
図２は、本明細書に記載のシステム及び／又は方法を実施し得る例示的環境２００の図である。図２に示すように、環境２００は、制御装置２１０、分光計２２０、ネットワーク２３０等を含み得る。環境２００の装置は、有線接続、無線接続、又は有線及び無線接続の組み合わせを介して相互接続し得る。
制御装置２１０は、分光分類に関連する情報の記憶、処理、及び／又はルーティングが可能な１つ又は複数の装置を含む。例えば、制御装置２１０は、トレーニングセットの測定セットに基づき分光モデル（例えば、分類モデル又は定量化モデル）を生成し、バリデーションセットの測定セットに基づき分光モデルを検証し、且つ／又は分光モデルを利用して未知試料の測定セットに基づき分光分析を実行する、サーバ、コンピュータ、ウェアラブルデバイス、クラウドコンピューティングデバイス等を含み得る。いくつかの実施形態では、制御装置２１０は、特定の分光計２２０と関連し得る。いくつかの実施形態では、制御装置２１０は、複数の分光計２２０と関連し得る。いくつかの実施形態では、制御装置２１０は、分光計２２０等の環境２００内の別の装置から情報を受信し且つ／又はこれに情報を送信し得る。
分光計２２０は、試料で分光測定を実行することが可能な１つ又は複数の装置を含む。例えば、分光計２２０は、分光法（例えば、近赤外（ＮＩＲ）分光法、中赤外分光（ｍｉｄ－ＩＲ）、ラマン分光法等の振動分光法）を実行する分光装置を含み得る。いくつかの実施形態では、分光計２２０は、ウェアラブル分光計等のウェアラブルデバイスに組み込むことができる。いくつかの実施形態では、分光計２２０は、制御装置２１０等の環境２００内の別の装置から情報を受信し且つ／又はこれに情報を送信することができる。
ネットワーク２３０は、１つ又は複数の有線及び／又は無線ネットワークを含む。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、符号分割多重アクセス（ＣＤＭＡ）ネットワーク等）、公衆陸上移動体ネットワーク（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（fiber optic-based network）、クラウドコンピューティングネットワーク等、及び／又はこれら若しくは他のタイプのネットワークの組み合わせを含み得る。
図２に示す装置及びネットワークの数及び配置は、１つ又は複数の例として挙げたものである。実際には、図２に示すものに比べて追加の装置及び／又はネットワーク、より少ない装置及び／又はネットワーク、異なる装置及び／又はネットワーク、又は異なる配置の装置及び／又はネットワークがあってもよい。さらに、図２に示す２つ以上の装置を単一の装置内で実施してもよく、又は図２に示す単一の装置を複数の分散した装置として実施してもよい。追加として又は代替として、環境２００の装置セット（例えば、１つ又は複数の装置）が、環境２００の別の装置セットにより実行されると記載されている１つ又は複数の機能を実行してもよい。
図３は、装置３００の例示的なコンポーネントの図である。装置３００は、制御装置２１０及び／又は分光計２２０に対応し得る。いくつかの実施形態では、制御装置２１０及び／又は分光計２２０が、１つ又は複数の装置３００及び／又は装置３００の１つ又は複数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、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、及び通信インタフェース３７０を含み得る。
バス３１０は、装置３００の複数のコンポーネント間の通信を可能にするコンポーネントを含む。プロセッサ３２０は、ハードウェア、ファームウェア、及び／又はハードウェア及び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、セントラルプロセッシングユニット（ＣＰＵ）、グラフィックスプロセッシングユニット（ＧＰＵ）、アクセラレーテッドプロセッシングユニット（ＡＰＵ）、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（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）、又は別のタイプの処理コンポーネントである。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プログラム可能な１つ又は複数のプロセッサを含む。メモリ３３０は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、及び／又はプロセッサ３２０が使用するための情報及び／又は命令を記憶する別のタイプのダイナミック又はスタティックストレージデバイス（例えば、フラッシュメモリ、磁気メモリ、及び／又は光メモリ）を含む。
ストレージコンポーネント３４０は、装置３００の動作及び使用に関する情報及び／又はソフトウェアを記憶する。例えば、ストレージコンポーネント３４０は、ハードディスク(例えば、磁気ディスク、光ディスク、及び／又は光磁気ディスク)、ソリッドステートドライブ（ＳＳＤ）、コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）、フロッピーディスク、カートリッジ、磁気テープ、及び／又は別のタイプの非一時的なコンピュータ可読媒体を、対応するドライブと共に含み得る。
入力コンポーネント３５０は、装置３００がユーザ入力(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、及び／又はマイクロフォン)等を介して情報を受信することを可能にするコンポーネントを含む。追加として又は代替として、入力コンポーネント３５０は、場所を判定するコンポーネント（例えば、全地球測位システム（ＧＰＳ）コンポーネント）及び／又はセンサ（例えば、加速度計、ジャイロスコープ、アクチュエータ、別のタイプの位置又は環境センサ等）を含み得る。出力コンポーネント３６０は、装置３００からの出力情報を（例えば、ディスプレイ、スピーカ、触覚フィードバックコンポーネント、聴覚又は視覚インジケータ等を介して）提供するコンポーネントを含む。
通信インタフェース３７０は、装置３００が有線接続、無線接続、又は有線及び無線接続の組み合わせ等を介して他の装置と通信することを可能にする送受信機のようなコンポーネント（例えば、送受信機、別個の受信器、別個の送信器等）を含む。通信インタフェース３７０は、装置３００が別の装置から情報を受信し且つ／又は別の装置に情報を提供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、赤外線インタフェース、無線周波数（ＲＦ）インタフェース、ユニバーサルシリアルバス（ＵＳＢ）インタフェース、Ｗｉ－Ｆｉインタフェース、セルラーネットワークインタフェース等を含み得る。
装置３００は、本明細書に記載の１つ又は複数のプロセスを実行し得る。装置３００は、プロセッサ３２０がメモリ３３０及び／又はストレージコンポーネント３４０等の非一時的な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ことに基づき、これらのプロセスを実行し得る。本明細書において、「コンピュータ可読媒体」という用語は、非一時的なメモリデバイスを指す。メモリデバイスは、単一の物理ストレージデバイス内のメモリ空間又は複数の物理ストレージデバイスに広がるメモリ空間を含む。
ソフトウェア命令は、別のコンピュータ可読媒体又は別の装置から通信インタフェース３７０を介して入力メモリ３３０及び／又はストレージコンポーネント３４０に読み込むことができる。実行されると、メモリ３３０及び／又はストレージコンポーネント３４０に記憶されたソフトウェア命令は、プロセッサ３２０に本明細書に記載の１つ又は複数のプロセスを実行させることができる。追加として又は代替として、ハードウェア回路をソフトウェア命令の代わりに又はソフトウェア命令と組み合わせて用いて、本明細書に記載の１つ又は複数のプロセスを実行してもよい。したがって、本明細書に記載の実施形態は、ハードウェア回路及びソフトウェアのいかなる特定の組み合わせにも限定されない。
図３に示すコンポーネントの数及び配置は、一例として挙げたものである。実際には、装置３００は、図３に示すものに比べて追加のコンポーネント、より少ないコンポーネント、異なるコンポーネント、又は異なる配置のコンポーネントを含んでいてもよい。追加として又は代替として、装置３００のコンポーネントのセット（例えば、１つ又は複数のコンポーネント）が、装置３００の別のコンポーネントのセットにより実行されると記載されている１つ又は複数の機能を実行してもよい。
図４は、分光モデルのクロスバリデーションベース較正の例示的なプロセス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１つ又は複数のブロックが制御装置（例えば、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４の１つ又は複数のブロックが、制御装置とは別個の又は制御装置を含む、分光計（例えば、分光計２２０）等の別の装置又は装置群により実行され得る。
図４に示すように、プロセス４００は、第１分光モデルのマスターデータセットを受信するステップを含み得る（ブロック４１０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルのマスターデータセットを受信し得る。
図４にさらに示すように、プロセス４００は、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新するステップを含み得る（ブロック４２０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し得る。
図４にさらに示すように、プロセス４００は、マスターデータセットとターゲットデータセットからの第１データとを含むトレーニングデータセットを生成するステップを含み得る（ブロック４３０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、マスターデータセットとターゲットデータセットからの第１データとを含むトレーニングデータセットを生成し得る。
図４にさらに示すように、プロセス４００は、ターゲットデータセットからの第２データを含みマスターデータセットを含まないバリデーションデータセットを生成するステップを含み得る（ブロック４４０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデータセットからの第２データを含みマスターデータセットを含まないバリデーションデータセットを生成し得る。
図４にさらに示すように、プロセス４００は、クロスバリデーションを用いると共にトレーニングデータセット及びバリデーションデータセットを用いて、第１分光モデルの更新である第２分光モデルを生成するステップを含み得る（ブロック４５０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、クロスバリデーションを用いると共にトレーニングデータセット及びバリデーションデータセットを用いて、第１分光モデルの更新である第２分光モデルを生成し得る。
図４にさらに示すように、プロセス４００は、第２分光モデルを提供するステップを含み得る（ブロック４６０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第２分光モデルを提供し得る。
プロセス４００は、以下に記載され且つ／又は本明細書の他の箇所に記載の１つ又は複数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み合わせ等の、さらなる実施形態を含み得る。
第１実施形態では、プロセス４００は、分光測定値を受信するステップと、第２分光モデルを用いて分光判定を実行するステップと、分光判定を識別する出力を提供するステップとを含む。
単独の又は第１実施形態と組み合わせた第２実施形態では、トレーニングデータセットは複数のトレーニングデータセットであり、バリデーションデータセットは複数のバリデーションデータセットであり、プロセス４００は、複数のトレーニングデータセット及び複数のバリデーションデータセットに基づき複数の性能メトリックを生成するステップと、複数の性能メトリックに基づき総合性能メトリックを求めるステップと、総合性能メトリックに基づき最適部分最小二乗（ＰＬＳ）因子を求めるステップと、最適ＰＬＳ因子及びマージ済みデータセットに基づき第２分光モデルを求めるステップとを含み、マージ済みデータセットは、マスターデータセット及びターゲットデータセットを含む。
単独の又は第１及び第２実施形態の一方又は両方と組み合わせた第３実施形態では、第１分光モデル及び第２分光モデルは定量化モデルである。
単独の又は第１～第３実施形態の１つ又は複数と組み合わせた第４実施形態では、マスターデータセットは、マスター分光計により実行された第１分光測定セットに基づき、ターゲットデータセットは、マスター分光計とは異なるターゲット分光計により実行された第２分光測定セットに基づく。
単独の又は第１～第４実施形態の１つ又は複数と組み合わせた第５実施形態では、マスターデータセットは、特定の分光計により実行された第１分光測定セットに基づき、ターゲットデータセットは、特定の分光計により実行された第２分光測定セットに基づく。
図４は、プロセス４００の例示的なブロックを示しているが、いくつかの実施形態では、プロセス４００は、図４に示すものに比べて追加のブロック、より少ないブロック、異なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替として、プロセス４００のブロックのうち２つ以上を並行して実行してもよい。
図５は、分光モデルのクロスバリデーションベース較正の例示的なプロセス５００のフローチャートである。いくつかの実施形態では、図５の１つ又は複数のプロセスブロックが制御装置（例えば、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５の１つ又は複数のブロックプロセスが、制御装置とは別個の又は制御装置を含む、分光計（例えば、分光計２２０）等の別の装置又は装置群により実行され得る。
図５に示すように、プロセス５００は、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信するステップを含み得る（ブロック５１０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信し得る。
図５にさらに示すように、プロセス５００は、ターゲットデータセットの受信に基づき第１分光モデルのマスターデータセットを取得するステップを含み得る（ブロック５２０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデータセットの受信に基づき第１分光モデルのマスターデータセットを取得し得る。
図５にさらに示すように、プロセス５００は、クロスバリデーションを用いて最適部分最小二乗（ＰＬＳ）因子を求めるステップであり、最適ＰＬＳ因子は、それぞれがターゲットデータセットの各部分及びマスターデータセットの全部を含む複数のトレーニングデータセットと、それぞれがターゲットデータセットの各部分を含みマスターデータセットのデータを含まない複数のバリデーションデータセットとに基づき求められるステップを含み得る（ブロック５３０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、クロスバリデーションを用いて最適部分最小二乗（ＰＬＳ）因子を求め得る。いくつかの態様では、最適ＰＬＳ因子は、それぞれがターゲットデータセットの各部分及びマスターデータセットの全部を含む複数のトレーニングデータセットと、それぞれがターゲットデータセットの各部分を含みマスターデータセットのデータを含まない複数のバリデーションデータセットとに基づき求められる。
図５にさらに示すように、プロセス５００は、ターゲットデータセット及びマスターデータセットをマージしてマージ済みデータセットを生成するステップを含み得る（ブロック５４０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデータセット及びマスターデータセットをマージしてマージ済みデータセットを生成し得る。
図５にさらに示すように、プロセス５００は、マージ済みデータセット及び最適ＰＬＳ因子を用いて、第１分光モデルの更新である第２分光モデルを生成するステップを含み得る（ブロック５５０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、マージ済みデータセット及び最適ＰＬＳ因子を用いて第２分光モデルを生成し得る。いくつかの態様では、第２分光モデルは第１分光モデルの更新である。
図５にさらに示すように、プロセス５００は、第２分光モデルを提供して第１分光モデルと置き換えるステップを含み得る（ブロック５６０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第２分光モデルを提供して第１分光と置き換え得る。
プロセス５００は、以下に記載され且つ／又は本明細書の他の箇所に記載の１つ又は複数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み合わせ等の、さらなる実施形態を含み得る。
第１実施形態では、最適化ＰＬＳ因子を求めるステップは、複数のトレーニングデータセットのそれぞれ及び複数のバリデーションデータセットのそれぞれについて部分最小二乗（ＰＬＳ）性能メトリックを求めるステップと、ＰＬＳ性能メトリックに基づき総合ＰＬＳ性能メトリックを求めるステップと、総合ＰＬＳ性能メトリックに基づき第２分光モデルのＰＬＳ因子を最適化するステップとを含む。
単独の又は第１実施形態と組み合わせた第２実施形態では、総合ＰＬＳ性能メトリックは、二乗平均誤差（ＲＭＳＥ）値に関連し、ＰＬＳ因子を最適化するステップは、ＲＭＳＥ値を最小化するようＰＬＳ因子を最適化するステップを含む。
単独の又は第１及び第２実施形態の一方又は両方と組み合わせた第３実施形態では、複数のバリデーションデータセットは、複数のトレーニングデータセットとは異なるターゲットデータセットのデータを含む。
単独の又は第１～第３実施形態の１つ又は複数と組み合わせた第４実施形態では、総合ＰＬＳ性能メトリックを求めるステップは、ＰＬＳ性能メトリックを集約するステップを含む。
単独の又は第１～第４実施形態の１つ又は複数と組み合わせた第５実施形態では、ターゲットデータセットは、マスターデータセットに関連する測定後に実行されたターゲット母集団の測定セットに関連する。
単独の又は第１～第５実施形態の１つ又は複数と組み合わせた第６実施形態では、第２分光モデルは、第１分光モデルの較正更新モデルである。
単独の又は第１～第６実施形態の１つ又は複数と組み合わせた第７実施形態では、ターゲットデータセットは、マスターデータセットに関連する測定を実行した１つ又は複数の分光計とは異なる特定の分光計により実行された測定セットに関連する。
単独の又は第１～第７実施形態の１つ又は複数と組み合わせた第８実施形態では、第２分光モデルは、第１分光モデルの較正移行モデルである。
単独の又は第１～第８実施形態の１つ又は複数と組み合わせた第９実施形態では、第２分光モデルを提供するステップは、特定の分光計による後続の測定に関連して用いるための第２分光モデルを提供するステップを含む。
図５は、プロセス５００の例示的なブロックを示しているが、いくつかの実施形態では、プロセス５００は、図５に示すものに比べて追加のブロック、より少ないブロック、異なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替として、プロセス５００のブロックのうち２つ以上を並行して実行してもよい。
図６は、分光モデルのクロスバリデーションベース較正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１つ又は複数プロセスブロックが制御装置（例えば、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１つ又は複数のプロセスブロックが、制御装置とは別個の又は制御装置を含む、分光計（例えば、分光計２２０）等の別の装置又は装置群により実行され得る。
図６に示すように、プロセス６００は、第１分光モデルのマスターデータセットを受信するステップと、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新するステップと、マスターデータセット及びターゲットデータセットに基づき複数のトレーニングデータセットを生成するステップと、ターゲットデータセットに基づきマスターデータセットのデータを含まない複数のバリデーションデータセットを生成するステップとを含み得る（ブロック６１０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルのマスターデータセットを受信し、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し、マスターデータセット及びターゲットデータセットに基づき複数のトレーニングデータセットを生成し、ターゲットデータセットに基づきマスターデータセットのデータを含まない複数のバリデーションデータセットを生成し得る。いくつかの態様では、複数のバリデーションデータセットはマスターデータセットのデータを含まない。
図６に示すように、プロセス６００は、第１分光モデルのマスターデータセットを受信するステップを含み得る（ブロック６１０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルのマスターデータセットを受信し得る。
図６に示すように、プロセス６００は、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新するステップを含み得る（ブロック６２０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して第１分光モデルを更新し得る。
図６に示すように、プロセス６００は、マスターデータセット及びターゲットデータセットに基づき複数のトレーニングデータセットを生成するステップを含み得る（ブロック６３０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、マスターデータセット及びターゲットデータセットに基づき複数のトレーニングデータセットを生成し得る。
図６に示すように、プロセス６００は、ターゲットデータセットに基づきマスターデータセットのデータを含まない複数のバリデーションデータセットを生成するステップを含み得る（ブロック６４０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、ターゲットデータセットに基づき複数のバリデーションデータセットを生成し得る。いくつかの態様では、複数のバリデーションデータセットはマスターデータセットのデータを含まない。
図６にさらに示すように、プロセス６００は、複数のトレーニングデータセット及び複数のバリデーションデータセットに基づき且つクロスバリデーションを用いてモデル設定を求めるステップを含み得る（ブロック６５０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、複数のトレーニングデータセット及び複数のバリデーションデータセットに基づきモデル設定を求め得る。
図６にさらに示すように、プロセスは、モデル設定、ターゲットデータセット、及びマスターデータセットに基づき第２分光モデルを生成するステップを含み得る(ブロック６６０)。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、モデル設定、ターゲットデータセット、及びマスターデータセットに基づき第２分光モデルを生成し得る。
図６にさらに示すように、プロセス６００は、第２分光モデルを提供するステップを含み得る（ブロック６７０）。例えば、上述のように、制御装置は（例えば、プロセッサ３２０、メモリ３３０、ストレージコンポーネント３４０、入力コンポーネント３５０、出力コンポーネント３６０、通信インタフェース３７０等を用いて）、第２分光モデルを提供し得る。
プロセス６００は、以下に記載され且つ／又は本明細書の他の箇所に記載の１つ又は複数の他のプロセスに関連して記載された任意の単一の実施形態又は実施形態の任意の組み合わせ等の、さらなる実施形態を含み得る。
第１実施形態では、モデル設定は、ＰＬＳモデルの部分最小二乗（ＰＬＳ）因子、主成分回帰（ＰＣＲ）モデルの成分の量、サポートベクター回帰（ＳＶＲ）モデルのＳＶＲパラメータ、又は前処理設定の少なくとも１つである。
単独の又は第１実施形態と組み合わせた第２実施形態では、プロセス６００は、複数のトレーニングデータセットのそれぞれ及び複数のバリデーションデータセットの対応するバリデーションデータセットについて複数の部分性能メトリックを生成するステップと、複数の部分性能メトリックを集約して総合性能メトリックを生成するステップと、総合性能メトリックの誤差値を最小化するモデル設定を求めるステップとを含む。
単独の又は第１実施形態及び第２実施形態の一方又は両方と組み合わせた第３実施形態では、プロセス６００は、測定に基づき且つ第２分光モデルを用いて分光判定を実行するステップと、分光判定を識別する出力を提供するステップとを含む。
図６は、プロセス６００の例示的なブロックを示しているが、いくつかの実施形態では、プロセス６００は、図６に示すものに比べて追加のブロック、より少ないブロック、異なるブロック、又は異なる配置のブロックを含んでいてもよい。追加として又は代替として、プロセス６００のブロックのうち２つ以上を並行して実行してもよい。
上記開示により図解及び説明を行ったが、これは、網羅的であることも実施形態を開示された形態そのものに限定することも意図されない。変更及び変形は、上記開示に照らして可能であるか、又は実施形態の実施から得ることができる。
本明細書において、「コンポーネント」という用語は、ハードウェア、ファームウェア、又はハードウェア及びソフトウェアの組み合わせと広義に解釈されることを意図したものである。
本明細書において、閾値を満たすことは、文脈に応じて、値が閾値を超えること、閾値より大きいこと、閾値より高いこと、閾値以上であること、閾値未満であること、閾値より少ないこと、閾値より低いこと、閾値以下であること、閾値と等しいこと等を指し得る。
本明細書に記載のシステム及び／又は方法が、異なる形態のハードウェア、ファームウェア、及び／又はハードウェア及びソフトウェアの組み合わせで実施され得ることが明らかであろう。これらのシステム及び／又は方法の実施に用いられる実際の特殊制御ハードウェア又はソフトウェアコードは、実施形態を制限するものではない。したがって、システム及び／又は方法の動作及び挙動は、本明細書の記載では特定のソフトウェアコードに関係なく、ソフトウェアハードウェアが本明細書の記載に基づくシステム及び／又は方法を実施するよう設計され得ることが理解される。
特定の特徴の組み合わせが特許請求の範囲に記載され且つ／又は本明細書に開示されているが、これらの組み合わせが可能な実施形態の開示を限定することは意図されない。実際には、これらの特徴の多くを、具体的に特許請求の範囲に記載且つ／又は本明細書に開示されていない方法で組み合わせることができる。添付の各従属請求項は、１つの請求項のみに直接従属している場合があるが、種々の実施形態の開示には、各従属請求項をその請求項セットの他の全ての請求項と組み合わせたものが含まれる。
本明細書で使用される要素、行為、又は指示はいずれも、そのように明記されない限りは重要であるとも必須であるとも解釈されないものとする。また、本明細書において、不定冠詞「ａ」及び「ａｎ」は１つ又は複数の事項を含むことが意図され、「１つ又は複数の」と交換可能に用いることができる。さらに、本明細書において、「セット」という用語は、１つ又は複数の事項（例えば、関連事項、非関連事項、関連事項及び非関連事項の組み合わせ等）を含むことが意図され、「１つ又は複数の」と交換可能に用いることができる。１つの事項のみを意図する場合、「１つのみ」という語句又は同様の文言が用いられる。また、本明細書において、「有する」（"has," "have," "having"）という用語又はそれに類する用語はオープンエンドな用語であることが意図される。さらに、「基づく」という語句は、別段に明記されない限り「少なくとも一部基づく」を意味することが意図される。また、本明細書において、「又は」という用語は、羅列において用いられる場合は包括的であることが意図され、別段に明記されない限り（例えば、「いずれか」又は「のうちの１つのみ」と組み合わせて用いられる場合）「及び／又は」と交換可能に用いることができる。
Claims (20)
- 装置であって、
１つ又は複数のメモリと、
前記１つ又は複数のメモリに通信可能に結合された１つ又は複数のプロセッサであり、
第１制御装置により生成された第１分光モデルのマスターデータセットを受信し、
前記装置は、前記第１制御装置と異なる第２制御装置であり、
前記マスターデータセットは、第１分光計により実行された第１分光測定セットに基づき、
前記第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信して前記第１分光モデルを更新し、
前記ターゲットデータセットは、前記第１分光計とは異なる第２分光計により実行された第２分光測定セットに基づき、
前記マスターデータセットと前記ターゲットデータセットからの第１データとを含むトレーニングデータセットを生成し、
前記ターゲットデータセットからの第２データを含み前記マスターデータセットを含まないバリデーションデータセットを生成し、
クロスバリデーションを用いると共に前記トレーニングデータセット及び前記バリデーションデータセットを用いて、前記第１分光モデルの更新である第２分光モデルを生成し、
前記第２分光計に関連する前記第２分光モデルを用いるときの精度は、前記第１分光モデルを用いる場合と比較して向上し、
前記第２分光モデルを提供する
よう構成されたプロセッサと
を備えた装置。 - 請求項１に記載の装置において、前記１つ又は複数のプロセッサは、
分光測定値を受信し、
前記第２分光モデルを用いて分光判定を実行し、且つ
前記分光判定を識別する出力を提供する
よう構成される装置。 - 請求項１に記載の装置において、前記トレーニングデータセットは複数のトレーニングデータセットであり、前記バリデーションデータセットは複数のバリデーションデータセットであり、
前記１つ又は複数のプロセッサは、前記第２分光モデルの生成時に、
前記複数のトレーニングデータセット及び前記複数のバリデーションデータセットに基づき複数の性能メトリックを生成し、
前記複数の性能メトリックに基づき総合性能メトリックを求め、
前記総合性能メトリックに基づき最適部分最小二乗（ＰＬＳ）因子を求め、且つ
前記最適ＰＬＳ因子及びマージ済みデータセットに基づき前記第２分光モデルを求める
よう構成され、前記マージ済みデータセットは前記マスターデータセット及び前記ターゲットデータセットを含む装置。 - 請求項１に記載の装置において、前記第１分光モデル及び前記第２分光モデルは定量化モデルである装置。
- 請求項１に記載の装置において、前記第１分光計は、マスター分光計であり、前記第２分光計は、ターゲット分光計である装置。
- 第２分光モデルを提供して第１分光モデルと置き換える方法であって、
第１制御装置により生成された前記第１分光モデルに関連するターゲット母集団のターゲットデータセットを装置により受信するステップであり、
前記装置は、前記第１制御装置と異なる第２制御装置であるステップと、
前記装置により前記第１分光モデルのマスターデータセットを取得するステップであり、
前記マスターデータセットは、第１分光計により実行された第１測定セットに基づき、
前記ターゲットデータセットは、前記第１分光計とは異なる第２分光計により実行された第２測定セットに基づくステップと、
前記装置によりクロスバリデーションを用いて最適部分最小二乗（ＰＬＳ）因子を求めるステップであり、
前記最適ＰＬＳ因子は、それぞれが前記ターゲットデータセットの各部分及び前記マスターデータセットの全部を含む複数のトレーニングデータセットと、それぞれが前記ターゲットデータセットの各部分を含み前記マスターデータセットのデータを含まない複数のバリデーションデータセットとに基づき求められるステップと、
前記装置により前記ターゲットデータセット及び前記マスターデータセットをマージしてマージ済みデータセットを生成するステップと、
前記装置により前記マージ済みデータセット及び前記最適ＰＬＳ因子を用いて前記第２分光モデルを生成するステップであり、
前記第２分光モデルは、前記第１分光モデルの更新であり、
前記第２分光計に関連する前記第２分光モデルを用いるときの精度は、前記第１分光モデルを用いる場合と比較して向上するステップと、
前記装置により前記第２分光モデルを提供して前記第１分光モデルと置き換えるステップと
を含む方法。 - 請求項６に記載の方法において、前記最適ＰＬＳ因子を求めるステップは、
前記複数のトレーニングデータセットのそれぞれ及び前記複数のバリデーションデータセットのそれぞれについて部分最小二乗（ＰＬＳ）性能メトリックを求めるステップと、
前記ＰＬＳ性能メトリックに基づき総合ＰＬＳ性能メトリックを求めるステップと、
前記総合ＰＬＳ性能メトリックに基づき前記第２分光モデルの前記最適ＰＬＳ因子を求めるようＰＬＳ因子を最適化するステップと
を含む方法。 - 請求項７に記載の方法において、前記総合ＰＬＳ性能メトリックは、二乗平均誤差（ＲＭＳＥ）値に関連し、
前記ＰＬＳ因子を最適化するステップは、
前記ＲＭＳＥ値を最小化するよう前記ＰＬＳ因子を最適化するステップ
を含む方法。 - 請求項７に記載の方法において、前記複数のバリデーションデータセットは、前記複数のトレーニングデータセットとは異なる前記ターゲットデータセットのデータを含む方法。
- 請求項７に記載の方法において、前記総合ＰＬＳ性能メトリックを求めるステップは、
前記ＰＬＳ性能メトリックを集約するステップ
を含む方法。 - 請求項６に記載の方法において、前記第２測定セットは、前記第１測定セットの後に実行される方法。
- 請求項６に記載の方法において、前記第２分光モデルは前記第１分光モデルの較正移行モデルである方法。
- 請求項６に記載の方法において、前記第２分光モデルを提供するステップは、
前記第２分光計による後続の測定に関連して用いるための前記第２分光モデルを提供するステップ
を含む方法。 - 命令を記憶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、
１つ又は複数のプロセッサにより実行されると、該１つ又は複数のプロセッサに
第１制御装置により生成された第１分光モデルのマスターデータセットを受信させ、
前記１つ又は複数のプロセッサは、前記第１制御装置と異なる第２制御装置にあり、
前記マスターデータセットは、第１分光計により実行された第１分光測定セットに基づき、
前記第１分光モデルに関連するターゲット母集団のターゲットデータセットを受信させて前記第１分光モデルを更新させ、
前記ターゲットデータセットは、前記第１分光計とは異なる第２分光計により実行された第２分光測定セットに基づき、
前記マスターデータセット及び前記ターゲットデータセットに基づき複数のトレーニングデータセットを生成させ、
前記ターゲットデータセットに基づき前記マスターデータセットのデータを含まない複数のバリデーションデータセットを生成させ、
前記複数のトレーニングデータセット及び複数のバリデーションデータセットに基づき且つクロスバリデーションを用いてモデル設定を求めさせ、
前記モデル設定、前記ターゲットデータセット、及び前記マスターデータセットに基づき第２分光モデルを生成させ、
前記第２分光計に関連する前記第２分光モデルを用いるときの精度は、前記第１分光モデルを用いる場合と比較して向上し、
前記第２分光モデルを提供させる
１つ又は複数の命令を含む非一時的なコンピュータ可読媒体。 - 請求項１４に記載の非一時的なコンピュータ可読媒体において、前記モデル設定は、
ＰＬＳモデルの部分最小二乗（ＰＬＳ）因子、
主成分回帰（ＰＣＲ）モデルの成分の量、
サポートベクター回帰（ＳＶＲ）モデルのＳＶＲパラメータ、又は
前処理設定
の少なくとも１つである非一時的なコンピュータ可読媒体。 - 請求項１４に記載の非一時的なコンピュータ可読媒体において、前記１つ又は複数のプロセッサに前記モデル設定を求めさせる前記１つ又は複数の命令は、前記１つ又は複数のプロセッサに
前記複数のトレーニングデータセットのそれぞれ及び前記複数のバリデーションデータセットの対応するバリデーションデータセットについて複数の部分性能メトリックを生成させ、
前記複数の部分性能メトリックを集約して総合性能メトリックを生成させ、且つ
前記総合性能メトリックの誤差値を最小化する前記モデル設定を求めさせる
非一時的なコンピュータ可読媒体。 - 請求項１４に記載の非一時的なコンピュータ可読媒体において、前記１つ又は複数の命令は、前記１つ又は複数のプロセッサにより実行されると、該１つ又は複数のプロセッサに
測定値を受信させ、
前記測定値に基づき且つ前記第２分光モデルを用いて分光判定を実行させ、且つ
前記分光判定を識別する出力を提供させる
非一時的なコンピュータ可読媒体。 - 請求項１４に記載の非一時的なコンピュータ可読媒体において、前記第１分光モデル及び前記第２分光モデルは定量化モデルである非一時的なコンピュータ可読媒体。
- 請求項１４に記載の非一時的なコンピュータ可読媒体において、前記１つ又は複数のプロセッサに前記第２分光モデルを提供させる前記１つ又は複数の命令は、該１つ又は複数のプロセッサに
前記第２分光計による後続の測定に関連して用いるための前記第２分光モデルを提供させる
非一時的なコンピュータ可読媒体。 - 請求項１４に記載の非一時的なコンピュータ可読媒体において、前記１つ又は複数のプロセッサに前記ターゲットデータセットを受信させる前記１つ又は複数の命令は、該１つ又は複数のプロセッサに
前記第２分光計から前記ターゲットデータセットを受信させる
非一時的なコンピュータ可読媒体。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022128108A JP7387832B2 (ja) | 2018-06-29 | 2022-08-10 | 分光モデルのクロスバリデーションベース較正 |
| JP2023194386A JP2024035237A (ja) | 2018-06-29 | 2023-11-15 | 分光モデルのクロスバリデーションベース較正 |
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862692248P | 2018-06-29 | 2018-06-29 | |
| US62/692,248 | 2018-06-29 | ||
| US16/448,914 US10928309B2 (en) | 2018-06-29 | 2019-06-21 | Cross-validation based calibration of a spectroscopic model |
| US16/448,914 | 2019-06-21 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022128108A Division JP7387832B2 (ja) | 2018-06-29 | 2022-08-10 | 分光モデルのクロスバリデーションベース較正 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2020020785A JP2020020785A (ja) | 2020-02-06 |
| JP2020020785A5 JP2020020785A5 (ja) | 2022-02-21 |
| JP7123866B2 true JP7123866B2 (ja) | 2022-08-23 |
Family
ID=67137548
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019120431A Active JP7123866B2 (ja) | 2018-06-29 | 2019-06-27 | 分光モデルのクロスバリデーションベース較正 |
| JP2022128108A Active JP7387832B2 (ja) | 2018-06-29 | 2022-08-10 | 分光モデルのクロスバリデーションベース較正 |
| JP2023194386A Pending JP2024035237A (ja) | 2018-06-29 | 2023-11-15 | 分光モデルのクロスバリデーションベース較正 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022128108A Active JP7387832B2 (ja) | 2018-06-29 | 2022-08-10 | 分光モデルのクロスバリデーションベース較正 |
| JP2023194386A Pending JP2024035237A (ja) | 2018-06-29 | 2023-11-15 | 分光モデルのクロスバリデーションベース較正 |
Country Status (6)
| Country | Link |
|---|---|
| US (3) | US10928309B2 (ja) |
| EP (2) | EP3588060B1 (ja) |
| JP (3) | JP7123866B2 (ja) |
| KR (2) | KR102494073B1 (ja) |
| CN (2) | CN110657890B (ja) |
| TW (2) | TWI783159B (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10928309B2 (en) | 2018-06-29 | 2021-02-23 | Viavi Solutions Inc. | Cross-validation based calibration of a spectroscopic model |
| US10969331B2 (en) * | 2018-07-11 | 2021-04-06 | Viavi Solutions Inc. | Focusing linear model correction and linear model correction for multivariate calibration model maintenance |
| CN112629659A (zh) * | 2019-10-08 | 2021-04-09 | 中强光电股份有限公司 | 用于训练用于不同的光谱仪的管线的自动化模型训练装置和自动化模型训练方法 |
| WO2021199227A1 (ja) * | 2020-03-31 | 2021-10-07 | 株式会社日立ハイテク | エラー要因の推定装置及び推定方法 |
| CN112161965B (zh) * | 2020-09-22 | 2022-08-05 | 复旦大学附属妇产科医院 | 检测中药药性的方法、装置、计算机设备和存储介质 |
| WO2023183499A1 (en) * | 2022-03-23 | 2023-09-28 | Si-Ware Systems | Generalized artificial intelligence modeler for ultra-wide-scale deployment of spectral devices |
| JP7168118B1 (ja) * | 2022-06-23 | 2022-11-09 | 横河電機株式会社 | 検量装置、検量方法および検量プログラム |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140012504A1 (en) | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
| JP2015526135A (ja) | 2012-07-02 | 2015-09-10 | ナショナル ユニヴァーシティー オブ シンガポール | 光ファイバーラマン分光法を利用する内視鏡検査でのリアルタイム癌診断に関連する方法 |
| US20160141193A1 (en) | 2014-11-19 | 2016-05-19 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
| JP2017004509A (ja) | 2015-06-04 | 2017-01-05 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | 機械学習のための高度解析インフラストラクチャ |
| JP2018059900A (ja) | 2016-07-29 | 2018-04-12 | ビアビ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． | スパース転送セットを使用する較正モデルの転送 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100288215B1 (ko) * | 1998-12-30 | 2001-11-02 | 이계안 | 자동차 글라스 장착 시스템 |
| US6341257B1 (en) * | 1999-03-04 | 2002-01-22 | Sandia Corporation | Hybrid least squares multivariate spectral analysis methods |
| KR100545730B1 (ko) * | 2004-02-03 | 2006-01-24 | 재단법인서울대학교산학협력재단 | 라만 분광법을 이용한 소변 성분 분석 시스템 및 그 방법 |
| US7277810B2 (en) * | 2005-07-05 | 2007-10-02 | The United States Of America As Represented By The Secretary Of The Navy | Method and apparatus for automating calibration of test instruments |
| US20110045598A1 (en) * | 2007-10-17 | 2011-02-24 | Baylor University | Methods for determining enantiomeric purity with improved chiral selectors |
| WO2011035391A1 (en) * | 2009-09-24 | 2011-03-31 | Commonwealth Scientific And Industrial Research Organisation | Method of contaminant prediction |
| CN103528990B (zh) * | 2013-10-31 | 2017-07-28 | 天津工业大学 | 一种近红外光谱的多模型建模方法 |
| GB201405223D0 (en) * | 2014-03-24 | 2014-05-07 | Inst Of Food Res | Spectroscopy method and system |
| CN105117734B (zh) * | 2015-07-28 | 2018-04-13 | 江南大学 | 基于模型在线更新的玉米种子高光谱图像分类识别方法 |
| CN105203498A (zh) * | 2015-09-11 | 2015-12-30 | 天津工业大学 | 一种基于lasso的近红外光谱变量选择方法 |
| US10928309B2 (en) | 2018-06-29 | 2021-02-23 | Viavi Solutions Inc. | Cross-validation based calibration of a spectroscopic model |
-
2019
- 2019-06-21 US US16/448,914 patent/US10928309B2/en active Active
- 2019-06-26 TW TW108122370A patent/TWI783159B/zh active
- 2019-06-26 TW TW111139085A patent/TW202305327A/zh unknown
- 2019-06-27 EP EP19183083.5A patent/EP3588060B1/en active Active
- 2019-06-27 JP JP2019120431A patent/JP7123866B2/ja active Active
- 2019-06-27 EP EP22168542.3A patent/EP4063831A1/en active Pending
- 2019-06-28 CN CN201910576094.XA patent/CN110657890B/zh active Active
- 2019-06-28 CN CN202210794546.3A patent/CN115266604A/zh active Pending
- 2019-06-28 KR KR1020190078269A patent/KR102494073B1/ko active IP Right Grant
-
2021
- 2021-02-11 US US17/248,867 patent/US11719628B2/en active Active
-
2022
- 2022-08-10 JP JP2022128108A patent/JP7387832B2/ja active Active
-
2023
- 2023-01-26 KR KR1020230010250A patent/KR20230022897A/ko active Application Filing
- 2023-06-30 US US18/345,585 patent/US20230349818A1/en active Pending
- 2023-11-15 JP JP2023194386A patent/JP2024035237A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140012504A1 (en) | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
| JP2015526135A (ja) | 2012-07-02 | 2015-09-10 | ナショナル ユニヴァーシティー オブ シンガポール | 光ファイバーラマン分光法を利用する内視鏡検査でのリアルタイム癌診断に関連する方法 |
| US20160141193A1 (en) | 2014-11-19 | 2016-05-19 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
| JP2017004509A (ja) | 2015-06-04 | 2017-01-05 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | 機械学習のための高度解析インフラストラクチャ |
| JP2018059900A (ja) | 2016-07-29 | 2018-04-12 | ビアビ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． | スパース転送セットを使用する較正モデルの転送 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7387832B2 (ja) | 2023-11-28 |
| US10928309B2 (en) | 2021-02-23 |
| CN115266604A (zh) | 2022-11-01 |
| US11719628B2 (en) | 2023-08-08 |
| JP2024035237A (ja) | 2024-03-13 |
| TW202305327A (zh) | 2023-02-01 |
| CN110657890B (zh) | 2022-07-05 |
| EP3588060B1 (en) | 2022-05-11 |
| TWI783159B (zh) | 2022-11-11 |
| TW202018260A (zh) | 2020-05-16 |
| KR20200002694A (ko) | 2020-01-08 |
| KR20230022897A (ko) | 2023-02-16 |
| EP3588060A1 (en) | 2020-01-01 |
| CN110657890A (zh) | 2020-01-07 |
| EP4063831A1 (en) | 2022-09-28 |
| JP2020020785A (ja) | 2020-02-06 |
| US20200003679A1 (en) | 2020-01-02 |
| US20230349818A1 (en) | 2023-11-02 |
| KR102494073B1 (ko) | 2023-01-31 |
| JP2022172139A (ja) | 2022-11-15 |
| US20210164891A1 (en) | 2021-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7123866B2 (ja) | 分光モデルのクロスバリデーションベース較正 | |
| JP7238056B2 (ja) | 誤検知を減少させた分光学的分類のための識別 | |
| CN110084262B (zh) | 用于光谱量化的减少的误报识别 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190719 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220210 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220210 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220210 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220405 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220629 |
|
| 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: 20220712 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220810 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7123866 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |