JP7424595B2 - 識別器の生成方法及び装置 - Google Patents
識別器の生成方法及び装置 Download PDFInfo
- Publication number
- JP7424595B2 JP7424595B2 JP2022531651A JP2022531651A JP7424595B2 JP 7424595 B2 JP7424595 B2 JP 7424595B2 JP 2022531651 A JP2022531651 A JP 2022531651A JP 2022531651 A JP2022531651 A JP 2022531651A JP 7424595 B2 JP7424595 B2 JP 7424595B2
- Authority
- JP
- Japan
- Prior art keywords
- peak
- waveform
- discriminator
- signal waveform
- data
- 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
- 238000000034 method Methods 0.000 title claims description 50
- 230000006870 function Effects 0.000 claims description 51
- 238000009826 distribution Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 28
- 238000001514 detection method Methods 0.000 description 27
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 24
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 7
- 230000014759 maintenance of location Effects 0.000 description 6
- 238000004587 chromatography analysis Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004451 qualitative analysis Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000012472 biological sample Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000002207 metabolite Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001294 liquid chromatography-tandem mass spectrometry Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 1
- 229930010796 primary metabolite Natural products 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8631—Peaks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8693—Models, e.g. prediction of retention times, method development and validation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N2030/022—Column chromatography characterised by the kind of separation mechanism
- G01N2030/027—Liquid chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/62—Detectors specially adapted therefor
- G01N30/72—Mass spectrometers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Description
分析装置を用い複数の試料を測定することにより複数の信号波形を得るステップと、
前記複数の信号波形からそれぞれに含まれる単一ピークを抽出し、その単一ピークの形状を特徴付ける予め決められた形状パラメータを求めるステップと、
前記形状パラメータを入力とし、生成モデルと識別モデルという互いに敵対する二つのモデルを用いた敵対的学習を実行することにより、ピーク波形を近似するモデル関数とその関数のパラメータの分布とを含む生成モデルを得るステップと、
前記生成モデルを用いて、複数のピークの重なり及び/又はノイズを含む模擬的な信号波形を生成するステップと、
前記模擬的な信号波形を訓練用又は評価用のデータとした機械学習により、試料を測定して得られた信号波形において観測されるピークを検出するための識別器を作成するステップと、
を含む。
分析装置を用い複数の試料を測定することにより得られた複数の信号波形からそれぞれに含まれる単一ピークを抽出し、その単一ピークの形状を特徴付ける予め決められた形状パラメータを求めるパラメータ情報取得部と、
前記形状パラメータを入力とし、生成モデルと識別モデルという互いに敵対する二つのモデルを用いた敵対的学習を実行することにより、ピーク波形を近似するモデル関数とその関数のパラメータの分布とを含む生成モデルを得る生成モデル取得部と、
前記生成モデルを用いて、複数のピークの重なり及び/又はノイズを含む模擬的な信号波形を生成する模擬波形生成部と、
前記模擬的な信号波形を訓練用又は評価用のデータとした機械学習により、試料を測定して得られた信号波形において観測されるピークを検出するための識別器を作成する識別器取得部と、
を備える。
以下の例では、解析対象の信号波形はクロマトグラム波形であり、データ解析によって、クロマトグラム上で観測されるピークを検出するとともに、該ピークのピークトップの位置(保持時間)及びピーク面積値(又は高さ値)を求めるものとする。
図1は、本発明に係るデータ生成装置を利用したLC装置の一実施形態の全体構成図である。
本実施形態のLC装置では、解析対象であるクロマトグラムに現れているピークを検出しその特徴値としてのピーク面積値を得るために、機械学習によって生成された識別モデルを利用する。
図4は、識別モデルを作成するために用いられる学習装置のブロック構成図である。
次に、生成器502の作成方法について説明する。
クロマトグラムにおいて試料中の成分に対応するピーク波形は、形状パラメータZと保持時間tとを引数にとる関数f(t,Z)で表すことができる。ここで、形状パラメータZは例えば、ピークの幅やテーリングの度合いなどである。一般的には、クロマトグラムにおいて観測されるピーク波形に対するモデル関数としてはEMG関数などが用いられる。従って、EMG関数をモデル関数として、その関数の形状パラメータの分布を学習することも可能である。但し、ここでは、こうした明示的なモデル関数を用いること無く、ピーク波形を表す関数自体とその関数が持ちうる形状の分布(形状パラメータの分布)とを同時に学習する手法を用いて、クロマトグラフ装置やその分析の適用分野の特性等に合わせたモデル関数とその形状パラメータの分布とを求める場合を例として挙げる。
また、釣り鐘状関数の裾が重いなどの、強度に対して略一様に掛かる歪みがある場合も考えられる。その場合には、強度補正ニューラルネットワーク関数i(y)を使用し、生成器41としてi(Gauss(s(t,Z))を用いることも有用である。
上述した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。
前記識別器を作成するための機械学習を行う目的の分野に絞って収集された複数の信号波形から、その信号波形の形状を特徴付ける予め決められた形状パラメータの頻度情報を求めるパラメータ頻度情報取得ステップと、
前記形状パラメータの頻度情報を利用して、複数のピークの重なり及びノイズを含み得る模擬的な信号波形を生成する模擬波形生成ステップと、
を実行し、前記模擬的な信号波形を機械学習の訓練用又は評価用のデータとして提供する。
前記識別器を作成するための機械学習を行う目的の分野に絞って収集された複数の信号波形から、その信号波形の形状を特徴付ける予め決められた形状パラメータの頻度情報を求めるパラメータ頻度情報取得部と、
前記形状パラメータの頻度情報を利用して、複数のピークの重なり及びノイズを含み得る模擬的な信号波形を生成する模擬波形生成部と、
を備え、前記模擬的な信号波形を機械学習の訓練用又は評価用のデータとして提供する。
11…移動相容器
12…ポンプ
13…インジェクタ
14…カラム
15…検出器
2…ピーク検出処理部
20…データ解析部
21…データ収集部
22…ピーク検出処理部
221…識別モデル記憶部
222…ピーク決定部
23…定性・定量解析部
24…入力部
25…表示部
30…実測データ入力部
31…ピーク波形抽出部
32…敵対的学習実行部
33…生成モデル決定部
40…ランダムノイズ発生部
41…生成器
42…データ選択部
43…識別器
44…判定部
45…更新処理部
50…教師データ生成部
501…ランダムノイズ発生部
502…生成器
503…ノイズ加算部
51…学習実行部
52…識別モデル構築部
Claims (12)
- 分析装置を用い複数の試料を測定することにより複数の信号波形を得るステップと、
前記複数の信号波形からそれぞれに含まれる単一ピークを抽出し、その単一ピークの形状を特徴付ける予め決められた形状パラメータを求めるステップと、
前記形状パラメータを入力とし、生成モデルと識別モデルという互いに敵対する二つのモデルを用いた敵対的学習を実行することにより、ピーク波形を近似するモデル関数とその関数のパラメータの分布とを含む生成モデルを得るステップと、
前記生成モデルを用いて、複数のピークの重なり及び/又はノイズを含む模擬的な信号波形を生成するステップと、
前記模擬的な信号波形を訓練用又は評価用のデータとした機械学習により、試料を測定して得られた信号波形において観測されるピークを検出するための識別器を作成するステップと、
を含む識別器の生成方法。 - 前記形状パラメータを求めるステップでは、信号波形から、孤立したピークで且つSN比が基準値以上である単一ピークを抽出して該ピークに関する形状パラメータを求める、請求項1に記載の識別器の生成方法。
- 前記形状パラメータは、ピーク高さ、ピーク幅、ピークのテーリング度合い、のいずれか1つを含む、請求項2に記載の識別器の生成方法。
- 前記形状パラメータは、ピーク数、隣接するピーク間の距離、及び、信号波形の中央付近にあるピークの位置、を含み、前記模擬的な信号波形を生成するステップでは、これらの形状パラメータの分布により模擬的な信号波形におけるピーク位置を決定する、請求項1に記載の識別器の生成方法。
- 前記模擬的な信号波形を生成するステップでは、前記生成モデルを用いて生成された1又は複数のピークを含む波形にノイズを加算することによって模擬的な信号波形を生成する、請求項1に記載の識別器の生成方法。
- 前記複数の信号波形は、特定の種類の試料に対する分析により得られたクロマトグラム波形又はスペクトル波形である、請求項1に記載の識別器の生成方法。
- 分析装置を用い複数の試料を測定することにより得られた複数の信号波形からそれぞれに含まれる単一ピークを抽出し、その単一ピークの形状を特徴付ける予め決められた形状パラメータを求めるパラメータ情報取得部と、
前記形状パラメータを入力とし、生成モデルと識別モデルという互いに敵対する二つのモデルを用いた敵対的学習を実行することにより、ピーク波形を近似するモデル関数とその関数のパラメータの分布とを含む生成モデルを得る生成モデル取得部と、
前記生成モデルを用いて、複数のピークの重なり及び/又はノイズを含む模擬的な信号波形を生成する模擬波形生成部と、
前記模擬的な信号波形を訓練用又は評価用のデータとした機械学習により、試料を測定して得られた信号波形において観測されるピークを検出するための識別器を作成する識別器取得部と、
を備える識別器生成装置。 - 前記パラメータ情報取得部は、信号波形から、孤立したピークで且つSN比が基準値以上である単一ピークを抽出して該ピークに関する形状パラメータを求める、請求項7に記載の識別器生成装置。
- 前記形状パラメータは、ピーク高さ、ピーク幅、ピークのテーリング度合い、のいずれか1つを含む、請求項8に記載の識別器生成装置。
- 前記形状パラメータは、ピーク数、隣接するピーク間の距離、及び、信号波形の中央付近にあるピークの位置、を含み、前記模擬波形生成部は、これらの形状パラメータの分布により模擬的な信号波形におけるピーク位置を決定する、請求項7に記載の識別器生成装置。
- 前記模擬波形生成部は、前記生成モデルを用いて生成された1又は複数のピークを含む波形にノイズを加算することによって模擬的な信号波形を生成する、請求項7に記載の識別器生成装置。
- 前記複数の信号波形は、特定の種類の試料に対する分析により得られたクロマトグラム波形又はスペクトル波形である、請求項7に記載の識別器生成装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020107606 | 2020-06-23 | ||
JP2020107606 | 2020-06-23 | ||
PCT/JP2021/021184 WO2021261202A1 (ja) | 2020-06-23 | 2021-06-03 | データ生成方法及び装置、並びに、識別器の生成方法及び装置 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021261202A1 JPWO2021261202A1 (ja) | 2021-12-30 |
JPWO2021261202A5 JPWO2021261202A5 (ja) | 2023-02-27 |
JP7424595B2 true JP7424595B2 (ja) | 2024-01-30 |
Family
ID=79282579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022531651A Active JP7424595B2 (ja) | 2020-06-23 | 2021-06-03 | 識別器の生成方法及び装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230280317A1 (ja) |
JP (1) | JP7424595B2 (ja) |
CN (1) | CN115997219A (ja) |
WO (1) | WO2021261202A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326783B (zh) * | 2022-10-13 | 2023-01-17 | 南方科技大学 | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011058930A (ja) | 2009-09-09 | 2011-03-24 | Shimadzu Corp | クロマトグラフ用データ処理装置 |
JP2019086475A (ja) | 2017-11-09 | 2019-06-06 | 富士通株式会社 | 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 |
WO2020045236A1 (ja) | 2018-08-27 | 2020-03-05 | 日本電信電話株式会社 | 拡張装置、拡張方法及び拡張プログラム |
WO2020105566A1 (ja) | 2018-11-19 | 2020-05-28 | キヤノン株式会社 | 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 |
-
2021
- 2021-06-03 US US18/010,963 patent/US20230280317A1/en active Pending
- 2021-06-03 JP JP2022531651A patent/JP7424595B2/ja active Active
- 2021-06-03 CN CN202180043989.2A patent/CN115997219A/zh active Pending
- 2021-06-03 WO PCT/JP2021/021184 patent/WO2021261202A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011058930A (ja) | 2009-09-09 | 2011-03-24 | Shimadzu Corp | クロマトグラフ用データ処理装置 |
JP2019086475A (ja) | 2017-11-09 | 2019-06-06 | 富士通株式会社 | 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置 |
WO2020045236A1 (ja) | 2018-08-27 | 2020-03-05 | 日本電信電話株式会社 | 拡張装置、拡張方法及び拡張プログラム |
WO2020105566A1 (ja) | 2018-11-19 | 2020-05-28 | キヤノン株式会社 | 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021261202A1 (ja) | 2021-12-30 |
US20230280317A1 (en) | 2023-09-07 |
CN115997219A (zh) | 2023-04-21 |
JPWO2021261202A1 (ja) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6729455B2 (ja) | 分析データ解析装置及び分析データ解析方法 | |
US8428889B2 (en) | Methods of automated spectral peak detection and quantification having learning mode | |
JP6760380B2 (ja) | 分析データ処理方法及び分析データ処理装置 | |
US20200279408A1 (en) | Waveform analyzer | |
US20100100336A1 (en) | Methods of automated spectral peak detection and quantification without user input | |
JP2005291715A (ja) | におい測定装置 | |
CN103134850A (zh) | 一种基于特征香气的茶叶品质快速检测装置及检测方法 | |
JP7483367B2 (ja) | 情報処理装置、情報処理装置の制御方法、及びプログラム | |
WO2020105566A1 (ja) | 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 | |
JP7424595B2 (ja) | 識別器の生成方法及び装置 | |
TWI493168B (zh) | 分析質譜的方法、電腦程式及系統 | |
JP2021076602A (ja) | 情報処理装置、及び情報処理装置の制御方法 | |
CN116467860A (zh) | 一种基于评估指标的仿真试验设计方法 | |
JPWO2020044435A1 (ja) | データ解析方法、データ解析装置、及びデータ解析用の学習モデル作成方法 | |
JP7414125B2 (ja) | 波形情報推定方法及び装置、並びに、ピーク波形処理方法及び装置 | |
JP7334788B2 (ja) | 波形解析方法及び波形解析装置 | |
CN115171790A (zh) | 质谱的数据序列在质量评估中的分析方法、装置和存储介质 | |
US20230280316A1 (en) | Learning data producing method, waveform analysis device, waveform analysis method, and recording medium | |
JPWO2021261202A5 (ja) | 識別器の生成方法及び装置 | |
Zhang et al. | Application of a target-guided data processing approach in saturated peak correction of GC× GC analysis | |
US20230280318A1 (en) | Learning data producing method, waveform analysis device, waveform analysis method, and recording medium | |
US20230296572A1 (en) | Training Method | |
US20230243789A1 (en) | Analysis device and analysis method | |
Baccolo | Chemometrics approaches for the automatic analysis of metabolomics GC-MS data | |
JP4234685B2 (ja) | 核磁気共鳴計測方法およびシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221124 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221124 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20230113 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20230113 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230926 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231124 |
|
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: 20231226 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240110 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7424595 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |