JP7173354B2 - 検出装置、検出方法およびプログラム - Google Patents

Description

特許法第３０条第２項適用 令和２年２月６日 Ｊａｐａｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｐｈｙｓｉｃｓ，第５９巻，ＳＧＧＨ０４，２０２０年にて公開した。

本発明は、１つ以上のセンサを備える検出装置、検出方法およびプログラムに関する。

近年、化合物または生化学化合物を検出するため、電位差測定センサ（例えば、特許文献１）や、グルコース値を連続的に測定するためグルコースセンサ（例えば、特許文献２）など様々なセンサが開発されている。これらのセンサにおいて共通して問題となるのは、センサの応答成分以外に、センサの変動成分（ドリフト成分）が重畳してセンサからの信号として出力されることである。

そのため、特許文献１では、電位差測定センサであるイオンセンサに重畳している基準電圧のドリフト成分を補正のために、別途電極を設けている。また、特許文献２では、生体系内の分析物濃度センサであるグルコースセンサに重畳しているドリフト成分を校正するために、あらかじめ定常状態の値を測定しておき、その値を用いて校正を行っている。さらに、センサからの信号に含まれるドリフト成分を補正する方法として、ドリフト成分が線形に変化すると近似してセンサからの信号を補正する方法などが知られている。

特開２０１６－１２１９９２号公報 特表２０１８－５３２４４０号公報

しかし、ドリフト成分が線形に変化するとして近似する方法では、センサからの信号に含まれるドリフト成分が非線形な成分である場合、近似の精度が低下し、補正後の対象の検出精度が低下する恐れがあった。また、特許文献１では、電位差測定センサであるイオンセンサに重畳している基準電圧のドリフト成分を補正のために、別途電極を設けるなど追加のハードウェアが必要となり、装置構成が煩雑で、製造コストが増加する問題があった。さらに、特許文献２では、あらかじめ定常状態の値を測定しておき、その値を用いて校正を行っているため、検出の対象が定常状態となるまで待って検出を行う必要があり、検出を完了するまでに時間がかかる問題があった。

そこで、本発明の目的は、別途ハードウェアを追加する必要がなく、対象が定常状態となるまで待つ必要もなく、対象を精度よく検出することができる検出装置、検出方法およびプログラムを提供する。

本発明の一形態に係る検出装置は、センサに基づいて対象を検出する検出装置であって、センサからの信号を測定する測定部と、測定部で測定した信号をセンサの変動成分と応答成分とに分離する演算部と、を備える。演算部は、センサの変動成分の時系列情報により規定された状態方程式と、センサの変動成分とセンサの応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行う状態空間モデル解析部と、状態空間モデル解析部で用いる状態空間モデルに含まれるパラメータを決定するパラメータ決定部と、を含み、パラメータ決定部で決定したパラメータを用いて、応答成分に対応する対象を求め、状態方程式がｘ _ｔ ＝Ｇ（ｘ _ｔ－１ ，ｗ _ｔ ）で、観測方程式がｙ _ｔ ＝Ｆ（ｘ _ｔ ，ｑ _ｔ ，ｖ _ｔ ）であり、ｘ _ｔ がセンサの変動成分、ｙ _ｔ がセンサからの信号、ｑ _ｔ が応答モデル、ｗ _ｔ がシステムノイズ、ｖ _ｔ が観測ノイズをそれぞれ表している。

本発明によれば、演算部が、センサの変動成分の時系列情報により規定された状態方程式と、センサの変動成分とセンサの応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行うので、別途ハードウェアを追加することなく、対象が定常状態となるまで待つこともなく、対象を精度よく検出することができる。

本実施の形態１に係る検出装置の構成を説明するための概略図である。 本実施の形態１に係る演算部の構成を説明するための概略図である。 本実施の形態１に係る学習フェーズのフローチャートである。 本実施の形態１に係る学習フェーズの測定値の変化を示すグラフである。 本実施の形態１に係る学習フェーズの測定値の変化を示す別のグラフである。 本実施の形態１に係る学習フェーズで推定した応答モデルのパラメータを示す図である。 本実施の形態１に係る予測フェーズのフローチャートである。 本実施の形態１に係る予測フェーズの測定値の変化を示すグラフである。 本実施の形態１に係る予測フェーズで算出したタンパク質溶液の濃度を示す図である。 本実施の形態１に係るコンピュータの構成を説明するためのブロック図である。 本実施の形態２に係る検出装置の構成を説明するための概略図である。 本実施の形態２に係る学習フェーズのフローチャートである。 本実施の形態２に係る予測フェーズのフローチャートである。

以下に、本発明の実施の形態に係る検出装置について図面を参照して詳しく説明する。なお、図中同一符号は同一または相当部分を示す。

（実施の形態１）
以下に、本実施の形態１に係る検出装置について図面を参照しながら説明する。図１は、本実施の形態１に係る検出装置の構成を説明するための概略図である。図１に示す検出装置１００は、グラフェンＦＥＴセンサを用いて検出対象であるタンパク質溶液の濃度を検出する。グラフェンＦＥＴセンサは、下地の上に設けられたグラフェン膜を有するＦＥＴセンサである。グラフェン膜は、膜の表面で生じる原子、分子の結合、吸着あるいは近接に対して電気的に大きな特性変化を生じる膜である。そのため、当該グラフェン膜を有するグラフェンＦＥＴセンサは、イオンセンサ、酵素センサ、ＤＮＡセンサ、抗原・抗体センサ、タンパク質センサ、呼気センサ、ガスセンサなどへの応用が期待されている。

グラフェンＦＥＴセンサ（以下、単にセンサともいう）１は、筐体１ａの中に設けられ、上面を緩衝液１ｂで満たしている。緩衝液１ｂには、リン酸緩衝生理食塩水（ＰＢＳ：Phosphate buffered salts）を用いた。検出の対象であるタンパク質溶液は、滴下装置２から緩衝液１ｂに滴下される。滴下装置２は、例えばマイクロピペットである。検出装置１００は、センサ１からの電流値を連続的にモニタリングしながら、滴下装置２から滴下されたタンパク質溶液の濃度を対象として検出する。なお、一例として、タンパク質溶液の濃度を対象とする場合について説明するが、それ以外にも、イオン、酵素、ＤＮＡ、抗原、抗体などの濃度を対象としてもよい。

なお、本実施の形態では、センサ１をグラフェンＦＥＴセンサであるとして説明するが、センサ１はグラフェンＦＥＴセンサに限定されず、Ｓｉ－ＦＥＴセンサ、カーボンナノチューブＦＥＴ、シリコンナノワイヤＦＥＴ、ダイヤモンドＦＥＴなど他の種類のセンサであってもよい。検出装置１００は、センサに変動成分（ドリフト成分）が生じる温度センサ、ガスセンサ、慣性センサなどのセンサに対して適用することができる。

検出装置１００は、センサ１、測定部１０、制御部２０、演算部３０を含む。なお、本実施の形態において検出装置１００は、センサ１を含む装置として説明するが、センサを検出装置の外に設け、センサからの信号に基づいて対象を検出する検出装置でもよい。また、検出装置１００は、制御部２０が滴下装置２を制御して、検出の対象であるタンパク質溶液を緩衝液１ｂに滴下するが、もちろん制御部２０が滴下装置２を制御せずに手動で行ってもよい。そもそも、滴下装置を有しない検出装置でもよい。

測定部１０は、センサ１からの信号を測定し、電流値を連続的にモニタリングしている。測定部１０の構成は、センサ１の構成に合わせて異なり、センサ１の電流値を測定する場合は電流計を含み、センサ１の電圧値を測定する場合は電圧計を含むことになる。

制御部２０は、検出装置１００全体の動作を制御しており、センサ１、滴下装置２、測定部１０、演算部３０などの動作を制御している。図１では、制御部２０が滴下装置２の滴下を制御し、演算部３０での演算を制御していることを一例として図示している。具体的に、制御部２０は、滴下装置２から滴下するタンパク質溶液の滴下タイミング、滴下量などを制御でき、その情報を演算部３０に出力することもできる。また、制御部２０は、滴下装置２から濃度が既知のタンパク質溶液を滴下する場合、既知の濃度情報も演算部３０に出力することもできる。

制御部２０は、演算部３０での演算フェーズを制御することもできる。演算部３０では、状態空間モデルを用いて測定部１０で測定した電流値（信号）からセンサ１の変動成分と応答成分とに分離することができる。そのため、演算部３０は、後術する状態空間モデルのパラメータを決定する学習フェーズ（第１演算フェーズ）と、決定したパラメータに基づいてタンパク質溶液の濃度（対象）を求める予測フェーズ（第２演算フェーズ）とを有している。制御部２０は、演算部３０を学習フェーズで演算させるのか、予測フェーズで演算させるのかを制御している。

図２は、本実施の形態１に係る演算部３０の構成を説明するための概略図である。演算部３０は、状態空間モデル解析部３１と、シミュレーション部３２と、パラメータ決定部と含む。状態空間モデル解析部３１は、センサ１の変動成分の時系列情報により規定された状態方程式と、センサ１の変動成分とセンサ１の応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行う。本実施の形態では、センサ１の変動成分を状態空間モデルの「状態」として扱い、実際に「観測」された結果をセンサ１からの信号として扱っている。

具体的に、状態空間モデルでは、状態方程式と観測方程式という二つの方程式を用いて変動成分（ドリフト成分）を含むセンサ１からの信号を表現することができる。
状態方程式：ｘ_ｔ＝Ｇ（ｘ_ｔ－１，ｗ_ｔ）
観測方程式：ｙ_ｔ＝Ｆ（ｘ_ｔ，ｑ_ｔ，ｖ_ｔ）
ここで、ｘ_ｔがセンサ１の変動成分（ドリフト成分）、ｙ_ｔがセンサ１からの信号（測定部１０で測定した電流値）、ｑ_ｔが検出する対象であるタンパク質溶液の濃度とセンサ１の応答量との関係を表す応答モデルをそれぞれ示している。ｗ_ｔは、システムノイズを、ｖ_ｔは、観測ノイズをそれぞれ表している。なお、方程式中の各変数（例えば、ｘ_ｔおよびｗ_ｔ）は、ベクトル量であってもよい。例えば、上記の状態方程式において、ｘ_ｔ＝（ｘ_ｔ，ｘ_ｔ－１）、ｘ_ｔ－１＝（ｘ_ｔ－１，ｘ_ｔ－２）とすることで、二時刻前までの状態を扱うことも可能になる。

また、システムノイズｗ_ｔおよび観測ノイズｖ_ｔは、必ずしも正規分布である必要はなく、コーシー分布やｔ分布などの他の分布でもよい。さらに、システムノイズｗ_ｔおよび観測ノイズｖ_ｔの分布それぞれのパラメータは、上述した応答モデルｑ_ｔのパラメータと一括して数値計算することが可能であり、あらかじめ固定値を与えておく必要はない。各ノイズの分布および応答モデルｑ_ｔのパラメータは、数値計算での制約を与えるためにあらかじめ分布として決めておいてもよい。

状態空間モデルでは、センサ１の変動成分についての関数があらかじめ分かっていなくても、センサ１の変動成分の時系列情報により規定された状態方程式として表現することができる。具体的に、本実施の形態では、状態方程式および観測方程式を以下のような式で規定する。
状態方程式：ｘ_ｔ－ｘ_ｔ－１＝ｘ_ｔ－１－ｘ_ｔ－２＋ｗ_ｔ ｗ_ｔ～Ｎ（０，σ_ｗ）
観測方程式：ｙ_ｔ＝ｘ_ｔ＋ｑ_ｔ＋ｖ_ｔ ｖ_ｔ～Ｎ（０，σ_ｖ）
上記の状態方程式は二階差分モデルと呼ばれ、緩やかな時系列変化ｘ_ｔを表現することができる。センサ１の変動成分は、少しずつ変動するような緩やかなものであると考えられるため、二階差分モデルはより適切な状態方程式である。観測方程式では、緩やかな変動成分と、タンパク質への応答成分と、観測ノイズとを各々足し合わせたものが信号として得られることをモデル化している。

応答モデルｑ_ｔは、任意のモデルを用いることができ、例えば非線形モデルを用いることができる。具体的に、本実施の形態では、応答モデルｑ_ｔを以下のような式で規定した。
応答モデル：ｑ_ｔ＝（ｃ_ｔ／（１０^ａ＋ｃ_ｔ））・ｂ
ここで、ｃ_ｔは時間ｔでのタンパク質溶液の濃度、ａ，ｂは応答モデルｑ_ｔのパラメータをそれぞれ示している。上記の式は、ラングミュアの吸着等温式と呼ばれる式で、溶液中の溶質が固体表面に吸着する現象をモデル化した式である。本実施の形態では、タンパク質がセンサ１に吸着することで濃度を検出することができるため、上記の式のラングミュアの吸着等温式を応答モデルｑ_ｔに適用した。応答モデルｑ_ｔは、もちろんこれに限定されず、他の非線形関数などでモデル化してもよく、応答モデルｑ_ｔのパラメータの数についても制限されない。

状態空間モデル解析部３１は、上記の状態空間モデルを解析して、センサ１からの信号（測定部１０で測定した電流値）からセンサ１の変動成分（ドリフト成分）を分離して、タンパク質溶液の濃度を求めることができる。しかし、状態空間モデル解析部３１は、状態空間モデルからタンパク質溶液の濃度を求めるためには、パラメータ決定部３３であらかじめ状態空間モデルに含まれるパラメータを決定しておく必要がある。上記の状態空間モデルでは、パラメータ決定部３３で応答モデルｑ_ｔのパラメータａ，ｂを予め決定しておく必要がある。

上記の状態空間モデルには、非線形関数である応答モデルｑ_ｔが含まれるので、状態空間モデル解析部３１は、解析的に解を導出することが難しい。そこで、演算部３０では、シミュレーション部３２を設け、非線形関数である応答モデルｑ_ｔを含む状態空間モデルに対してシミュレーションによる数値計算を行い、解を導出している。シミュレーション部３２では、例えば、マルコフ連鎖モンテカルロ法（ＭＣＭＣ法）を用いて状態空間モデルに対してシミュレーションによる数値計算を行い、解を導出する。もちろん、シミュレーション部３２で行う数値計算は、マルコフ連鎖モンテカルロ法に限定されず、他の数値計算の方法を用いてもよい。さらに、状態空間モデルに非線形関数を含まない場合、状態空間モデルに非線形関数を含んでいても解析的に解を導出できる場合、演算部３０は、シミュレーション部３２を設けずに、解析を行ってもよい。

上記の状態空間モデルでは、観測方程式に応答モデルｑ_ｔを含めると説明したが、状態方程式に応答モデルｑ_ｔを含めたり、あるいは状態方程式を２つ以上に分けて、そのうちのいずれかの式に応答モデルｑ_ｔを含めたりしてもよい。

次に、演算部３０の演算フェーズのうち、学習フェーズ（第１演算フェーズ）について説明する。学習フェーズは、応答モデルｑ_ｔのパラメータａ，ｂを決定する演算フェーズである。具体的に、学習フェーズでは、既知の濃度のタンパク質溶液をセンサ１に滴下して、センサ１からの信号に基づいて応答モデルｑ_ｔのパラメータａ，ｂを決定する。

図３は、本実施の形態１に係る学習フェーズのフローチャートである。まず、演算部３０は、測定部１０からセンサ１で測定した測定値（電流値）を取得する（ステップＳ１０）。次に、演算部３０は、既知のタンパク質溶液の濃度（検出対象濃度）を制御部２０から取得する（ステップＳ１１）。なお、ステップＳ１１において、演算部３０は、制御部２０から既知のタンパク質溶液の濃度を取得するのではなく、使用者が入力した既知のタンパク質溶液の濃度を受付けてもよい。

演算部３０は、上記の状態空間モデルを用いた解析を状態空間モデル解析部３１で行う（ステップＳ１２）。さらに、演算部３０は、シミュレーション部３２で、上記の状態空間モデルに対してシミュレーションによる数値計算を行い応答モデルｑ_ｔのパラメータａ，ｂを決定する（ステップＳ１３）。

次に、学習フェーズの具体例を説明する。図４は、本実施の形態１に係る学習フェーズの測定値の変化を示すグラフである。図４（ａ）では、センサ１からの信号（測定部１０で測定した電流値）ｙと、タンパク質溶液の濃度（検出対象濃度）ｃとの変化を示し、ｙの縦軸は測定値、ｃの縦軸は検出対象濃度、横軸は時間をそれぞれ示している。図４（ｂ）では、センサ１からの信号（測定部１０で測定した電流値）ｙと、センサ１の変動成分（ドリフト成分）ｘと、センサ１の応答成分（応答モデル）ｑとの変化を示し、縦軸は測定値、横軸は時間をそれぞれ示している。

図４に示す測定値は、例えばグラフェンＦＥＴのセンサ１のゲート電極およびドレイン電極のそれぞれに所定の電圧を印加した状態でドレイン電流を連続的にモニタした値である。そして、図４では、時間ｔのタイミングで、緩衝液１ｂに、既知の濃度のタンパク質溶液を滴下した場合の測定値の変化を示している。

図４（ａ）に示すように、実線で示すセンサ１からの信号（測定部１０で測定した電流値）ｙは、既知の濃度のタンパク質溶液を滴下する前の時間でも電流値が非直線的に変化しており、変動成分（ドリフト成分）が重畳している。時間ｔのタイミングで既知の濃度のタンパク質溶液を滴下すると、破線で示すタンパク質溶液の濃度（検出対象濃度）ｃの変化に合わせて、センサ１からの信号ｙも変化する。

演算部３０は、ステップＳ１２で上記の状態空間モデルを用いで解析を行うことで、図４（ｂ）に示すように、センサ１からの信号ｙをセンサ１の変動成分（ドリフト成分）ｘと、センサ１の応答成分（応答モデル）ｑとに分離できる。状態空間モデルを用いた解析では、センサ１の変動成分ｘおよびセンサ１の応答成分ｑを点推定ではなく分布推定を行うことが可能であるが、図４（ｂ）では、分布推定したセンサ１の変動成分ｘおよびセンサ１の応答成分ｑのそれぞれの平均値が図示してある。状態空間モデルを用いてセンサ１の変動成分を解析することで、センサ１の変動成分についての関数があらかじめ分かっていなくても、センサ１の応答成分ｑと分離して、定量的に把握することができる。

図４では、１種類の既知の濃度のタンパク質溶液をセンサ１に対して滴下する場合の測定値の変化を示した。次に、２種類以上の既知の濃度のタンパク質溶液をセンサ１に対して間欠的に滴下する場合の測定値の変化について説明する。図５は、本実施の形態１に係る学習フェーズの測定値の変化を示す別のグラフである。

図５（ａ）では、センサ１からの信号（測定部１０で測定した電流値）ｙと、タンパク質溶液の濃度（検出対象濃度）ｃとの変化を示し、ｙの縦軸は測定値、ｃの縦軸は検出対象濃度、横軸は時間をそれぞれ示している。図５（ｂ）では、センサ１からの信号（測定部１０で測定した電流値）ｙと、センサ１の変動成分（ドリフト成分）ｘと、センサ１の応答成分（応答モデル）ｑとの変化を示し、縦軸は測定値、横軸は時間をそれぞれ示している。

図５では、時間ｔ_１のタイミングで、緩衝液１ｂに、１種類目の既知の濃度のタンパク質溶液を滴下し、時間ｔ_２のタイミングで、緩衝液１ｂに、２種類目の既知の濃度のタンパク質溶液を滴下した場合の測定値の変化を示している。

図５（ａ）に示すように、実線で示すセンサ１からの信号（測定部１０で測定した電流値）ｙは、既知の濃度のタンパク質溶液を滴下する前の時間でも電流値が非直線的に変化しており、変動成分（ドリフト成分）が重畳している。時間ｔ_１のタイミングで１種類目の既知の濃度のタンパク質溶液を滴下すると、破線で示すタンパク質溶液の濃度（検出対象濃度）ｃの変化に合わせて、センサ１からの信号ｙも変化する。時間ｔ_２のタイミングで２種類目の既知の濃度のタンパク質溶液を滴下すると、さらに破線で示すタンパク質溶液の濃度（検出対象濃度）ｃの変化に合わせて、センサ１からの信号ｙも階段状に変化する。

演算部３０は、２種類以上の既知の濃度のタンパク質溶液をセンサ１に対して間欠的に滴下しても、ステップＳ１２で上記の状態空間モデルを用いで解析を行うことで、図５（ｂ）に示すように、センサ１からの信号ｙをセンサ１の変動成分（ドリフト成分）ｘと、センサ１の応答成分（応答モデル）ｑとに分離できる。図５（ｂ）では、分布推定したセンサ１の変動成分ｘおよびセンサ１の応答成分ｑのそれぞれの平均値が図示してある。

さらに、演算部３０は、シミュレーション部３２およびパラメータ決定部３３においてＭＣＭＣ法を用いて応答モデルｑ_ｔのパラメータａ，ｂを推定する。図６は、本実施の形態１に係る学習フェーズで推定した応答モデルｑ_ｔのパラメータａ，ｂを示す図である。図６（ａ）には、推定した応答モデルｑ_ｔのパラメータａの分布を示し、図６（ｂ）には、推定した応答モデルｑ_ｔのパラメータｂの分布を示す。応答モデルｑ_ｔのパラメータａ，ｂを推定することで、センサ１の応答成分（応答モデル）ｑだけでなく、センサ１の特性も評価することができる。図６（ａ）および図６（ｂ）では、横軸をパラメータの値、縦軸を頻度としている。

次に、演算部３０の演算フェーズのうち、予測フェーズ（第２演算フェーズ）について説明する。予測フェーズは、学習フェーズで決定した応答モデルｑ_ｔのパラメータａ，ｂの結果を利用して、未知のタンパク質溶液の濃度を予測する演算フェーズである。具体的に、予測フェーズでは、未知の濃度のタンパク質溶液をセンサ１に滴下して、センサ１からの信号に基づいてタンパク質溶液の濃度を求める。

図７は、本実施の形態１に係る予測フェーズのフローチャートである。まず、演算部３０は、測定部１０からセンサ１で測定した測定値（電流値）を取得する（ステップＳ２０）。次に、演算部３０は、未知のタンパク質溶液をセンサ１に滴下したタイミング（検出タイミング）を制御部２０から取得する（ステップＳ２１）。なお、ステップＳ２１において、演算部３０は、制御部２０から未知のタンパク質溶液をセンサ１に滴下したタイミングを取得するのではなく、使用者が入力した滴下のタイミングを受付けてもよい。

演算部３０は、上記の状態空間モデルに学習フェーズで決定した応答モデルｑ_ｔのパラメータａ，ｂの結果を用いた解析を、状態空間モデル解析部３１で行う（ステップＳ２２）。学習フェーズで決定した応答モデルｑ_ｔのパラメータａ，ｂの結果を状態空間モデルに用いる方法は、平均値や中央値のような代表点を用いても、正規分布などの分布のパラメータに置換えて用いてもよい。さらに、演算部３０は、応答モデルｑ_ｔのパラメータａ，ｂを推定する際に使用したデータの全てを状態空間モデルに用いて解析してもよい。さらに、演算部３０は、応答モデルｑ_ｔからタンパク質溶液の濃度（検出対象濃度）ｃを算出する（ステップＳ２３）。

次に、予測フェーズの具体例を説明する。図８は、本実施の形態１に係る予測フェーズの測定値の変化を示すグラフである。図８（ａ）では、センサ１からの信号（測定部１０で測定した電流値）ｙの変化を示し、縦軸は測定値、横軸は時間をそれぞれ示している。図８（ｂ）では、センサ１からの信号（測定部１０で測定した電流値）ｙと、センサ１の変動成分（ドリフト成分）ｘと、センサ１の応答成分（応答モデル）ｑとの変化を示し、縦軸は測定値、横軸は時間をそれぞれ示している。

図８に示す測定値は、例えばグラフェンＦＥＴのセンサ１のゲート電極およびドレイン電極のそれぞれに所定の電圧を印加した状態でドレイン電流を連続的にモニタした値である。そして、図８では、時間ｔのタイミングで、緩衝液１ｂに、未知の濃度のタンパク質溶液を滴下した場合の測定値の変化を示している。

図８（ａ）に示すように、実線で示すセンサ１からの信号（測定部１０で測定した電流値）ｙは、未知の濃度のタンパク質溶液を滴下する前の時間でも電流値が非直線的に変化しており、変動成分（ドリフト成分）が重畳している。時間ｔのタイミングで未知の濃度のタンパク質溶液を滴下すると、センサ１からの信号ｙの測定値が急激に上昇する。

演算部３０は、ステップＳ２２で上記の状態空間モデルに学習フェーズで決定した応答モデルｑ_ｔのパラメータａ，ｂの結果を用いで解析を行うことで、図８（ｂ）に示すように、センサ１からの信号ｙをセンサ１の変動成分（ドリフト成分）ｘと、センサ１の応答成分（応答モデル）ｑとに分離できる。状態空間モデルを用いた解析では、センサ１の変動成分ｘおよびセンサ１の応答成分ｑを点推定ではなく分布推定を行うことが可能であるが、図８（ｂ）では、分布推定したセンサ１の変動成分ｘおよびセンサ１の応答成分ｑのそれぞれの平均値が図示してある。状態空間モデルを用いてセンサ１の変動成分を解析することで、センサ１の変動成分についての関数があらかじめ分かっていなくても、センサ１の応答成分ｑと分離して、定量的に把握することができる。

さらに、演算部３０は、シミュレーション部３２においてＭＣＭＣ法を用いて応答モデルｑ_ｔからタンパク質溶液の濃度（検出対象濃度）ｃを求める。図９は、本実施の形態１に係る予測フェーズで算出したタンパク質溶液の濃度（検出対象濃度）ｃを示す図である。図９には、算出したタンパク質溶液の濃度（検出対象濃度）ｃの分布を示す。タンパク質溶液の濃度（検出対象濃度）ｃを算出することができることで、未知のタンパク質溶液を評価することができる。図９では、横軸をタンパク質溶液の濃度の値、縦軸を頻度としている。

図４～図６および図８～図９で解析した状態空間モデルは、状態方程式をｘ_ｔ＝Ｇｘ_ｔ－１＋ｗ_ｔ、観測方程式をｙ_ｔ＝Ｆｘ_ｔ＋ｑ_ｔ＋ｖ_ｔとし、応答モデルｑ_ｔのみ非線形関数で、他の項は線形またはガウス分布であるとした。ここで、Ｇは、例えば２行２列の行列で、Ｆは、例えば１行２列の行列である。それぞれの行列の各要素は定数となっている。しかし、状態空間モデルは、これに限定されず状態方程式および観測方程式において応答モデルｑ_ｔ以外に非線形関数を含んでいてもよい。

上記の制御部２０および演算部３０は、例えば、コンピュータ３００により実現することができる。図１０は、本実施の形態１に係るコンピュータ３００の構成を説明するためのブロック図である。コンピュータ３００は、オペレーティングシステム（ＯＳ：Operating System）を含む各種プログラムを実行するＣＰＵ３０１と、ＣＰＵ３０１でのプログラムの実行に必要なデータを一時的に記憶するメモリ部３１２と、ＣＰＵ３０１で実行されるプログラムを不揮発的に記憶するハードディスク部（ＨＤＤ：Hard Disk Drive）３１０とを含む。また、ハードディスク部３１０には、学習フェーズ、予測フェーズにおいて状態空間モデルの解析を実現するためのプログラムなどが予め記憶されており、このようなプログラムは、ＣＤ－ＲＯＭドライブ３１４などによって、それぞれＣＤ－ＲＯＭ（Compact Disk-Read Only Memory）３１４ａなどの記憶媒体から読み取られる。

ＣＰＵ３０１は、キーボードやマウスなどからなる入力部３０８を介してユーザなどからの指示を受取るとともに、プログラムの実行によって分析される分析結果などを、ディスプレイ部３０４へ出力する。各部は、バス３０２を介して互いに接続される。また、インターフェイス部３０６は、測定部１０や滴下装置２などの外部装置と接続するため接続部である。なお、コンピュータ３００と外部装置との接続は、有線で接続されても無線で接続されてもよい。

以上のように、本実施の形態に係る検出装置１００は、センサ１に基づいて対象を検出する検出装置であって、センサ１からの信号を測定する測定部１０と、測定部１０で測定した信号をセンサ１の変動成分と応答成分とに分離する演算部３０と、を備える。演算部３０は、センサ１の変動成分の時系列情報により規定された状態方程式と、センサ１の変動成分とセンサ１の応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行う状態空間モデル解析部３１と、状態空間モデル解析部３１で用いる状態空間モデルに含まれるパラメータを決定するパラメータ決定部３３と、を含み、パラメータ決定部３３で決定したパラメータ（応答モデルｑ_ｔのパラメータａ，ｂ）を用いて、応答成分に対応する対象を求める。

これにより、本実施の形態に係る検出装置１００は、演算部３０が、センサ１の変動成分の時系列情報により規定された状態方程式と、センサ１の変動成分とセンサ１の応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行うので、別途ハードウェアを追加することなく、対象が定常状態となるまで待つこともなく、対象（例えば、タンパク質溶液の濃度ｃ）を精度よく検出することができる。

本実施の形態に係る検出装置１００は、状態空間モデルでセンサ１の変動成分とセンサ１の応答成分とを分けてモデル化し、厳密に定式化できないセンサ１の変動成分を時系列情報により規定された状態方程式とすることで、非線形関数の複雑な応答モデルで表されるセンサ１の特性を推定することができる。

本実施の形態に係る検出装置１００では、センサ１からの信号を一般的な状態空間モデルとして扱うため、カルマンフィルタなどのように前もって決める必要のあった観測ノイズやシステムノイズの分布のパラメータを応答モデルｑ_ｔのパラメータａ，ｂと一括して解析することができる。その結果、応答モデルｑ_ｔのパラメータａ，ｂの推定精度が向上する。本実施の形態に係る検出装置１００は、状態空間モデルというベイズ推定の枠組みを採用しているので、ＡＩＣ，ＢＩＣ，ＷＡＩＣ，ＷＢＩＣなどの情報量基準を用いた適切なモデルを選択できる。さらに、本実施の形態に係る検出装置１００では、あらかじめ考えうる状態空間モデルを複数提案しておき、それぞれに時系列情報を当てはめて情報量基準の比較を行い、最も適切な状態空間モデルを選んでもよい。

本実施の形態に係る検出装置１００では、演算部３０での演算フェーズを制御する制御部２０をさらに備えてもよい。制御部２０において演算部３０での演算フェーズを学習フェーズ（第１演算フェーズ）に制御した場合、パラメータ決定部３３は、既知の対象と、当該既知の対象から得られる応答情報とを状態空間モデルに適用して、対象と応答成分との関係を表す応答モデルｑ_ｔのパラメータａ，ｂを決定する。制御部２０において演算部３０での演算フェーズを予測フェーズ（第２演算フェーズ）に制御した場合、状態空間モデル解析部３１は、測定部１０で測定した信号をセンサ１の変動成分と応答成分とに分離し、学習フェーズで決定した応答モデルｑ_ｔのパラメータａ，ｂを用いて、応答成分に対応する対象（例えば、タンパク質溶液の濃度ｃ）を求める。これにより、本実施の形態に係る検出装置１００では、演算フェーズに応じて応答モデルｑ_ｔのパラメータａ，ｂを決定と、タンパク質溶液の濃度（検出対象濃度）ｃと切替えて演算することができる。

観測方程式は、センサ１の応答成分が非線形の応答モデルｑ_ｔでもよい。これにより、本実施の形態に係る検出装置１００では、対象と応答成分との関係を応答モデルｑ_ｔで最適に表すことができる。

演算部３０は、シミュレーションにより状態空間モデルの数値計算を行うシミュレーション部３２をさらに備えてもよい。シミュレーション部３２は、学習フェーズ（第１演算フェーズ）において応答モデルｑ_ｔのパラメータａ，ｂをシミュレーションにより算出し、予測フェーズ（第２演算フェーズ）において応答モデルｑ_ｔから応答成分に対応する対象（例えば、タンパク質溶液の濃度ｃ）をシミュレーションにより求める。これにより、本実施の形態に係る検出装置１００では、非線形の応答モデルｑ_ｔでもパラメータａ，ｂを推定し、対象を求めることができる。なお、シミュレーション部３２は、マルコフ連鎖モンテカルロ法を用いて状態空間モデルの数値計算を行ってもよい。

本実施の形態に係る検出装置１００の検出方法では、制御部２０において演算部３０での演算フェーズを学習フェーズ（第１演算フェーズ）に制御した場合、パラメータ決定部３３は、既知の対象と、当該既知の対象から得られる応答情報とを状態空間モデルに適用して、対象と応答成分との関係を表す応答モデルｑ_ｔのパラメータａ，ｂを決定するステップ（ステップＳ１０～Ｓ１３）を有している。また、本実施の形態に係る検出装置１００の検出方法では、制御部２０において演算部３０での演算フェーズを予測フェーズ（第２演算フェーズ）に制御した場合、状態空間モデル解析部３１は、測定部１０で測定した信号をセンサ１の変動成分と応答成分とに分離し、学習フェーズで決定した応答モデルｑ_ｔのパラメータａ，ｂを用いて、応答成分に対応する対象（例えば、タンパク質溶液の濃度ｃ）を求めるステップ（ステップＳ２０～Ｓ２３）を有している。

これにより、本実施の形態に係る検出装置１００の検出方法は、演算部３０が、センサ１の変動成分の時系列情報により規定された状態方程式と、センサ１の変動成分とセンサ１の応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行うので、別途ハードウェアを追加することなく、対象が定常状態となるまで待つこともなく、対象（例えば、タンパク質溶液の濃度ｃ）を精度よく検出することができる。

本実施の形態に係る検出装置１００の演算部３０で実行するプログラムでは、制御部２０において演算部３０での演算フェーズを学習フェーズ（第１演算フェーズ）に制御した場合、パラメータ決定部３３は、既知の対象と、当該既知の対象から得られる応答情報とを状態空間モデルに適用して、対象と応答成分との関係を表す応答モデルｑ_ｔのパラメータａ，ｂを決定するステップ（ステップＳ１０～Ｓ１３）を実行する。また、本実施の形態に係る検出装置１００の演算部３０で実行するプログラムでは、制御部２０において演算部３０での演算フェーズを予測フェーズ（第２演算フェーズ）に制御した場合、状態空間モデル解析部３１は、測定部１０で測定した信号をセンサ１の変動成分と応答成分とに分離し、学習フェーズで決定した応答モデルｑ_ｔのパラメータａ，ｂを用いて、応答成分に対応する対象（例えば、タンパク質溶液の濃度ｃ）を求めるステップ（ステップＳ２０～Ｓ２３）を実行する。

これにより、本実施の形態に係る検出装置１００の演算部３０で実行するプログラムは、演算部３０が、センサ１の変動成分の時系列情報により規定された状態方程式と、センサ１の変動成分とセンサ１の応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行うので、別途ハードウェアを追加することなく、対象が定常状態となるまで待つこともなく、対象（例えば、タンパク質溶液の濃度ｃ）を精度よく検出することができる。

（実施の形態２）
実施の形態１では、図１に示すように１つのセンサ１が測定部１０に接続された検出装置１００について説明した。本実施の形態２では、測定部に複数のセンサが接続された検出装置について説明する。図１１は、本実施の形態２に係る検出装置２００の構成を説明するための概略図である。なお、図１１に示す検出装置２００のうち、図１に示す検出装置１００と同じ構成については同じ符号を付して詳しい説明を繰返さない。

図１１に示す検出装置２００では、センサ１が複数のセンサ素子を含むアレイセンサである。アレイセンサでは、１つのセンサ素子が図１に示したセンサ１に対応し、各々のセンサ素子をセンサ１（ｉ）（ｉ＝１～ｎ）と表す。なお、アレイセンサの構成は、マトリクス状にセンサ素子が並んでいる構成に限定されず、独立したセンサを複数並べて構成してもよい。図１１に示すアレイセンサでは、図１のセンサ１を複数並べた構成として図示してある。

図１１に示すアレイセンサは、図１のセンサ１を複数並べた構成であるため、各々のセンサ１に対して滴下装置２が設けられた構成である。しかし、滴下装置２は、各々のセンサ１に対して滴下装置２が設けるのではなく、複数のセンサ１に対して滴下装置２を１つ設ける構成でもよい。

アレイセンサを構成するセンサ１（ｉ）は、それぞれ測定部１０に接続されている。各々のセンサ１（ｉ）からの信号は、演算部３０で、各々のセンサ１（ｉ）に対応する状態空間モデルで解析が行われる。演算部３０は、各々のセンサ１（ｉ）（各々のセンサ素子）で測定した信号を、実施の形態１で説明したようにセンサ１の変動成分と応答成分とにそれぞれ分離する演算を行う。なお、状態空間モデルは、各々のセンサ１（ｉ）を関連づけた一つの状態空間モデルとして解析してもよいし、一つずつ独立して解析してもよい。

次に、演算部３０の演算フェーズのうち、学習フェーズ（第１演算フェーズ）について説明する。学習フェーズは、各々のセンサ１（ｉ）の応答モデルｑ_ｔのパラメータａ，ｂを決定する演算フェーズである。具体的に、学習フェーズでは、既知の濃度のタンパク質溶液を各々のセンサ１（ｉ）に滴下して、各々のセンサ１（ｉ）からの信号に基づいて応答モデルｑ_ｔのパラメータａ，ｂを各々のセンサ１（ｉ）ごとに決定する。

図１２は、本実施の形態２に係る学習フェーズのフローチャートである。なお、図１２に示すフローチャートは、各々のセンサ１（ｉ）を独立して解析する場合として図示してある。まず、演算部３０は、演算を行うセンサ１（ｉ）を特定する（ステップＳ３０）。次に、演算部３０は、測定部１０からセンサ１（ｉ）で測定した測定値（電流値）を取得する（ステップＳ３１）。次に、演算部３０は、既知のタンパク質溶液の濃度（検出対象濃度）を制御部２０から取得する（ステップＳ３２）。なお、ステップＳ３２において、演算部３０は、制御部２０から既知のタンパク質溶液の濃度を取得するのではなく、使用者が入力した既知のタンパク質溶液の濃度を受付けてもよい。

演算部３０は、実施の形態１で説明した状態空間モデルを用いた解析を状態空間モデル解析部３１で行う（ステップＳ３３）。さらに、演算部３０は、シミュレーション部３２で、実施の形態１で説明した状態空間モデルに対してシミュレーションによる数値計算を行い、センサ１（ｉ）の応答モデルｑ_ｔのパラメータａ，ｂを決定する（ステップＳ３４）。

次に、演算部３０は、演算を行うセンサ１（ｉ）をセンサ１（ｉ＝ｉ＋１）に切り替え、切り替えたセンサの番号（ｉ＝ｉ＋１）がｎより大きい番号か否かを判断する（ステップＳ３５）。センサ１の番号が（ｉ＝ｉ＋１）＞ｎでない場合（ステップＳ３５でＮＯ）、演算部３０は、切り替えたセンサ１（ｉ＝ｉ＋１）からの信号に対してステップＳ３１～Ｓ３４までの演算を行う。センサ１の番号が（ｉ＝ｉ＋１）＞ｎである場合（ステップＳ３５でＹＥＳ）、演算部３０は、センサ１（１）～センサ１（ｎ）までの全てのセンサに対して演算を行ったとして処理を終了する。なお、各々のセンサ１（ｉ）の演算は、実施の形態１で説明したセンサ１の演算と同じになるため、詳細な説明は繰り返さない。

次に、演算部３０の演算フェーズのうち、予測フェーズ（第２演算フェーズ）について説明する。予測フェーズは、学習フェーズで決定した各々のセンサ１（ｉ）の応答モデルｑ_ｔのパラメータａ，ｂの結果を利用して、未知のタンパク質溶液の濃度を予測する演算フェーズである。具体的に、予測フェーズでは、未知の濃度のタンパク質溶液を各々のセンサ１（ｉ）のセンサ１に滴下して、各々のセンサ１（ｉ）のからの信号に基づいてタンパク質溶液の濃度を求める。なお、各々のセンサ１（ｉ）に異なるタンパク質溶液を滴下することで、一度の検出処理で多くのタンパク質溶液の濃度を検出することが可能となる。

図１３は、本実施の形態２に係る予測フェーズのフローチャートである。まず、演算部３０は、演算を行うセンサ１（ｉ）を特定する（ステップＳ４０）。次に、演算部３０は、測定部１０からセンサ１（ｉ）で測定した測定値（電流値）を取得する（ステップＳ４１）。次に、演算部３０は、未知のタンパク質溶液をセンサ１（ｉ）に滴下したタイミング（検出タイミング）を制御部２０から取得する（ステップＳ４２）。なお、ステップＳ４２において、演算部３０は、制御部２０から未知のタンパク質溶液をセンサ１（ｉ）に滴下したタイミングを取得するのではなく、使用者が入力した滴下のタイミングを受付けてもよい。

演算部３０は、実施の形態１で説明した状態空間モデルに、学習フェーズで決定したセンサ１（ｉ）の応答モデルｑ_ｔのパラメータａ，ｂの結果を用いた解析を、状態空間モデル解析部３１で行う（ステップＳ４３）。学習フェーズで決定したセンサ１（ｉ）の応答モデルｑ_ｔのパラメータａ，ｂの結果を状態空間モデルに用いる方法は、平均値や中央値のような代表点を用いても、正規分布などの分布のパラメータに置換えて用いてもよい。さらに、演算部３０は、センサ１（ｉ）の応答モデルｑ_ｔのパラメータａ，ｂを推定する際に使用したデータの全てを状態空間モデルに用いて解析してもよい。さらに、演算部３０は、センサ１（ｉ）の応答モデルｑ_ｔからタンパク質溶液の濃度（検出対象濃度）ｃを算出する（ステップＳ４４）。

次に、演算部３０は、演算を行うセンサ１（ｉ）をセンサ１（ｉ＝ｉ＋１）に切り替え、切り替えたセンサの番号（ｉ＝ｉ＋１）がｎより大きい番号か否かを判断する（ステップＳ４５）。センサ１の番号が（ｉ＝ｉ＋１）＞ｎでない場合（ステップＳ４５でＮＯ）、演算部３０は、切り替えたセンサ１（ｉ＝ｉ＋１）からの信号に対してステップＳ４１～Ｓ４４までの演算を行う。センサ１の番号が（ｉ＝ｉ＋１）＞ｎである場合（ステップＳ４５でＹＥＳ）、演算部３０は、センサ１（１）～センサ１（ｎ）までの全てのセンサに対して演算を行ったとして処理を終了する。

なお、各々のセンサ１（ｉ）の演算は、実施の形態１で説明したセンサ１の演算と同じになるため、詳細な説明は繰り返さない。状態空間モデル解析部３１は、各々のセンサ１（ｉ）（各々のセンサ素子）の応答モデルｑ_ｔのパラメータａ，ｂに異なる事前分布を与えてもよい。例えば、センサ１（ｉ）の位置によって応答モデルｑ_ｔのパラメータａ，ｂの値に傾向があれば、その傾向を反映した事前分布を状態空間モデル解析部３１に与えて、学習フェーズ（第１演算フェーズ）の演算を行ってもよい。状態空間モデル解析部３１に与える事前分布は、センサ１（ｉ）ごとにあらかじめ決めてもよいし、または階層ベイズモデルを導入して、センサ１（ｉ）ごとに推定してもよい。

検出装置２００は、各々のセンサ１（ｉ）に異なる種類のタンパク質溶液を滴下して、各々のセンサ１（ｉ）で独立してタンパク質溶液の濃度（検出対象濃度）ｃを求めてもよい。また、検出装置２００は、各々のセンサ１（ｉ）に同じタンパク質溶液を滴下して、各々のセンサ１（ｉ）で一つのタンパク質溶液の濃度（検出対象濃度）ｃを求めてもよい。その場合、検出装置２００は、各々のセンサ１（ｉ）で独立してタンパク質溶液の濃度（検出対象濃度）ｃを求め、その平均値を算出してもよい。また、検出装置２００は、各々のセンサ１（ｉ）を関連づけた一つの状態空間モデルで解析し、各々のセンサ１（ｉ）で一つのタンパク質溶液の濃度（検出対象濃度）ｃを求めてもよい。

本実施の形態２に係る検出装置２００では、複数のセンサ１（ｉ）を用いてタンパク質溶液の濃度を検出することができるので、パラメータ決定部３３で、各々のセンサ１（ｉ）に対して学習フェーズ（第１演算フェーズ）で決定した応答モデルｑ_ｔのパラメータａ，ｂが所定基準内か否かを判定し、状態空間モデル解析部３１で、所定基準外のパラメータのセンサ１（ｉ）に対して予測フェーズ（第２演算フェーズ）の演算を行わないようにしてもよい。なお、所定基準は、あらかじめ決めておく必要がある。所定基準内か否かを判定する方法には、例えば図６で分布として推定した応答モデルｑ_ｔのパラメータａ，ｂの代表値（例えば、平均値、中央値、分散など）を、あらかじめ準備した分布に代入し、その尤度（対数尤度でもよい）が所定基準内か否かで判定する方法がある。また、所定基準内か否かを判定する方法は、ＫＬ情報量などの指標を使ったパラメータの分布と、あらかじめ準備した分布との類似度（例えば、ＫＬ情報量の逆数）を求め、当該類似度が所定基準内か否かを判定する方法などでもよい。

以上のように、本実施の形態２に係る検出装置２００は、センサ１が、複数のセンサ素子を含むアレイセンサである。演算部３０は、各々のセンサ１（ｉ）（各々のセンサ素子）で測定した信号をセンサ１（ｉ）の変動成分と応答成分とにそれぞれ分離する演算を行う。

これにより、本実施の形態に係る検出装置２００は、各々のセンサ１（ｉ）で応答モデルｑ_ｔのパラメータａ，ｂを決定し、当該パラメータａ，ｂを用いて対象を求めるので、センサ素子の特性のばらつきに依存せずに、対象を精度よく検出することができる。

状態空間モデル解析部３１は、各々のセンサ１（ｉ）（各々のセンサ素子）の応答モデルｑ_ｔのパラメータａ，ｂに異なる事前分布を与えてもよい。これにより、検出装置２００は、各々のセンサ１（ｉ）に個体差を反映させて、画一的でない柔軟なパラメータ推定が可能となる。

パラメータ決定部３３は、各々のセンサ１（ｉ）に対して学習フェーズ（第１演算フェーズ）で決定した応答モデルｑ_ｔのパラメータａ，ｂが所定基準内か否かを判定してもよく、状態空間モデル解析部３１は、所定基準外のパラメータのセンサ１（ｉ）に対して予測フェーズ（第２演算フェーズ）の演算を行わないようにしてもよい。これにより、検出装置２００は、対象の検出に利用できないセンサ１（ｉ）の結果を除くことができるので、対象を精度よく検出することができる。

（その他の変形例）
（１）前述の実施の形態おいて、検出装置１００，２００が学習フェーズ（第１演算フェーズ）で応答モデルｑ_ｔのパラメータａ，ｂを決定し、予測フェーズ（第２演算フェーズ）で決定した応答モデルｑ_ｔのパラメータａ，ｂを用いて対象（例えば、タンパク質溶液の濃度ｃ）を求めると説明した。しかし、検出装置１００，２００は、検出処理を行う度に学習フェーズ（第１演算フェーズ）と予測フェーズ（第２演算フェーズ）とを行ってもよいが、１回の学習フェーズ（第１演算フェーズ）を行った後に、複数回予測フェーズ（第２演算フェーズ）を行ってもよい。例えば、検出装置１００，２００は、起動時に学習フェーズ（第１演算フェーズ）を１回行い、その後、予測フェーズ（第２演算フェーズ）のみ行い対象（例えば、タンパク質溶液の濃度ｃ）を求めてもよい。また、学習フェーズ（第１演算フェーズ）と予測フェーズ（第２演算フェーズ）とで、異なる検出装置を用いてもよい。

（２）本実施の形態２に係る検出装置２００では、各々のセンサ１（ｉ）で異なる種類のタンパク質溶液の濃度を検出し、基準の濃度内か否かを各々のセンサ１（ｉ）で個別に判定するようにしてもよい。例えば、検出装置２００を癌マーカの検出に用いる場合、多数の検体から基準の濃度以上の癌マーカを含む検体を自動的に判定することができる。

（３）本実施の形態２に係る検出装置２００では、状態空間モデルにおいて、センサ１（ｉ）（各々のセンサ素子）ごとに異なる応答モデルｑ_ｔを設定してもよい。これにより、検出装置２００は、各々のセンサ１（ｉ）の特性に応じた状態空間モデルの解析を行うことができる。

（４）上記説明した各種処理は、コンピュータ３００のＣＰＵ３０１によって実現されるものとしてあるが、これに限られない。これらの各種機能は、少なくとも１つのプロセッサのような半導体集積回路、少なくとも１つの特定用途向け集積回路ＡＳＩＣ（Application Specific Integrated Circuit）、少なくとも１つのＤＳＰ（Digital Signal Processor）、少なくとも１つのＦＰＧＡ（Field Programmable Gate Array）、および／またはその他の演算機能を有する回路によって実装され得る。

これらの回路は、有形の読取可能な少なくとも１つの媒体から、１以上の命令を読み出すことにより上記の各種処理を実行しうる。

このような媒体は、磁気媒体（たとえば、ハードディスク）、光学媒体（例えば、コンパクトディスク（ＣＤ）、ＤＶＤ）、揮発性メモリ、不揮発性メモリの任意のタイプのメモリなどの形態をとるが、これらの形態に限定されるものではない。

揮発性メモリはＤＲＡＭ（Dynamic Random Access Memory）およびＳＲＡＭ（Static Random Access Memory）を含み得る。不揮発性メモリは、ＲＯＭ、ＮＶＲＡＭを含み得る。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した説明ではなく、請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ センサ、１ａ 筐体、１ｂ 緩衝液、２ 滴下装置、１０ 測定部、２０ 制御部、３０ 演算部、３１ 状態空間モデル解析部、３２ シミュレーション部、３３ パラメータ決定部、１００，２００ 検出装置。

Claims (10)

1. センサに基づいて対象を検出する検出装置であって、
   前記センサからの信号を測定する測定部と、
   前記測定部で測定した信号を前記センサの変動成分と応答成分とに分離する演算部と、を備え、
   前記演算部は、
   前記センサの変動成分の時系列情報により規定された状態方程式と、前記センサの変動成分と前記センサの応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行う状態空間モデル解析部と、
   前記状態空間モデル解析部で用いる前記状態空間モデルに含まれるパラメータを決定するパラメータ決定部と、を含み、
   前記パラメータ決定部で決定したパラメータを用いて、応答成分に対応する対象を求め、
   前記状態方程式がｘ _ｔ ＝Ｇ（ｘ _ｔ－１ ，ｗ _ｔ ）で、
   前記観測方程式がｙ _ｔ ＝Ｆ（ｘ _ｔ ，ｑ _ｔ ，ｖ _ｔ ）であり、
   ｘ _ｔ が前記センサの変動成分、ｙ _ｔ が前記センサからの信号、ｑ _ｔ が応答モデル、ｗ _ｔ がシステムノイズ、ｖ _ｔ が観測ノイズをそれぞれ表している、検出装置。
2. 前記演算部での演算フェーズを制御する制御部をさらに備え、
   前記制御部において前記演算部での演算フェーズを第１演算フェーズに制御した場合、前記パラメータ決定部は、既知の対象と、当該既知の対象から得られる応答情報とを前記状態空間モデルに適用して、対象と応答成分との関係を表す応答モデルのパラメータを決定し、
   前記制御部において前記演算部での演算フェーズを第２演算フェーズに制御した場合、前記状態空間モデル解析部は、前記測定部で測定した信号を前記センサの変動成分と応答成分とに分離し、前記第１演算フェーズで決定した前記応答モデルのパラメータを用いて、応答成分に対応する対象を求める、請求項１に記載の検出装置。
3. 前記観測方程式は、前記センサの応答成分が非線形の前記応答モデルである、請求項２に記載の検出装置。
4. 前記演算部は、シミュレーションにより前記状態空間モデルの数値計算を行うシミュレーション部をさらに備え、
   前記シミュレーション部は、前記第１演算フェーズにおいて前記応答モデルのパラメータをシミュレーションにより算出し、前記第２演算フェーズにおいて前記応答モデルから応答成分に対応する対象をシミュレーションにより求める、請求項３に記載の検出装置。
5. 前記シミュレーション部は、マルコフ連鎖モンテカルロ法を用いて前記状態空間モデルの数値計算を行う、請求項４に記載の検出装置。
6. 前記センサは、複数のセンサ素子を含むアレイセンサで、
   前記演算部は、各々のセンサ素子で測定した信号を前記センサの変動成分と応答成分とにそれぞれ分離する演算を行う、請求項２～請求項５のいずれか１項に記載の検出装置。
7. 前記状態空間モデル解析部は、各々のセンサ素子の前記応答モデルのパラメータに異なる事前分布を与える、請求項６に記載の検出装置。
8. 前記パラメータ決定部は、各々のセンサ素子に対して前記第１演算フェーズで決定した前記応答モデルのパラメータが所定基準内か否かを判定し、
   前記状態空間モデル解析部は、前記所定基準外のパラメータのセンサ素子に対して前記第２演算フェーズの演算を行わない、請求項６または請求項７に記載の検出装置。
9. センサからの信号を測定する測定部と、前記測定部で測定した信号を前記センサの変動成分と応答成分とに分離する演算部と、前記演算部での演算フェーズを制御する制御部と、を備え、前記演算部は、前記センサの変動成分の時系列情報により規定された状態方程式と、前記センサの変動成分と前記センサの応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行う状態空間モデル解析部と、前記状態空間モデル解析部で用いる前記状態空間モデルに含まれるパラメータを決定するパラメータ決定部と、を含む前記センサに基づいて対象を検出する検出装置での検出方法であって、
   前記制御部において前記演算部での演算フェーズを第１演算フェーズに制御した場合、前記パラメータ決定部で、既知の対象と、当該既知の対象から得られる応答情報とを前記状態空間モデルに適用して、対象と応答成分との関係を表す応答モデルのパラメータを決定するステップと、
   前記制御部において前記演算部での演算フェーズを第２演算フェーズに制御した場合、前記状態空間モデル解析部で、前記測定部で測定した信号を前記センサの変動成分と応答成分とに分離し、前記第１演算フェーズで決定した前記応答モデルのパラメータを用いて、応答成分に対応する対象を求めるステップと、を有し、
   前記状態方程式がｘ _ｔ ＝Ｇ（ｘ _ｔ－１ ，ｗ _ｔ ）で、
   前記観測方程式がｙ _ｔ ＝Ｆ（ｘ _ｔ ，ｑ _ｔ ，ｖ _ｔ ）であり、
   ｘ _ｔ が前記センサの変動成分、ｙ _ｔ が前記センサからの信号、ｑ _ｔ が応答モデル、ｗ _ｔ がシステムノイズ、ｖ _ｔ が観測ノイズをそれぞれ表している、検出方法。
10. センサからの信号を測定する測定部と、前記測定部で測定した信号を前記センサの変動成分と応答成分とに分離する演算部と、前記演算部での演算フェーズを制御する制御部と、を備え、前記演算部は、前記センサの変動成分の時系列情報により規定された状態方程式と、前記センサの変動成分と前記センサの応答成分とが分離されて規定される観測方程式とを含む状態空間モデルを用いて解析を行う状態空間モデル解析部と、前記状態空間モデル解析部で用いる前記状態空間モデルに含まれるパラメータを決定するパラメータ決定部と、を含む前記センサに基づいて対象を検出する検出装置の前記演算部で実行するプログラムであって、
    前記制御部において前記演算部での演算フェーズを第１演算フェーズに制御した場合、前記パラメータ決定部で、既知の対象と、当該既知の対象から得られる応答情報とを前記状態空間モデルに適用して、対象と応答成分との関係を表す応答モデルのパラメータを決定するステップと、
    前記制御部において前記演算部での演算フェーズを第２演算フェーズに制御した場合、前記状態空間モデル解析部で、前記測定部で測定した信号を前記センサの変動成分と応答成分とに分離し、前記第１演算フェーズで決定した前記応答モデルのパラメータを用いて、応答成分に対応する対象を求めるステップと、を実行し、
    前記状態方程式がｘ _ｔ ＝Ｇ（ｘ _ｔ－１ ，ｗ _ｔ ）で、
    前記観測方程式がｙ _ｔ ＝Ｆ（ｘ _ｔ ，ｑ _ｔ ，ｖ _ｔ ）であり、
    ｘ _ｔ が前記センサの変動成分、ｙ _ｔ が前記センサからの信号、ｑ _ｔ が応答モデル、ｗ _ｔ がシステムノイズ、ｖ _ｔ が観測ノイズをそれぞれ表している、プログラム。

Images