KR20220149498A - 분광 정량화를 위한 감소된 오긍정 식별 - Google Patents

분광 정량화를 위한 감소된 오긍정 식별 Download PDF

Info

Publication number
KR20220149498A
KR20220149498A KR1020220139482A KR20220139482A KR20220149498A KR 20220149498 A KR20220149498 A KR 20220149498A KR 1020220139482 A KR1020220139482 A KR 1020220139482A KR 20220139482 A KR20220139482 A KR 20220139482A KR 20220149498 A KR20220149498 A KR 20220149498A
Authority
KR
South Korea
Prior art keywords
quantification
model
control device
classification model
models
Prior art date
Application number
KR1020220139482A
Other languages
English (en)
Inventor
챵멩 슝
Original Assignee
비아비 솔루션즈 아이엔씨.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 비아비 솔루션즈 아이엔씨. filed Critical 비아비 솔루션즈 아이엔씨.
Publication of KR20220149498A publication Critical patent/KR20220149498A/ko

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • 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
    • G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • 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
    • G01N2021/1748—Comparative step being essential in the method
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Debugging And Monitoring (AREA)

Abstract

장치는 미지의 샘플에 수행된 분광 측정의 결과를 식별하는 정보를 수신할 수 있다. 상기 장치는, 정량화 모델의 제1 복수의 트레이닝 세트 샘플이 판정 경계 내에 있고 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플이 상기 판정 경계 내에 있지 않도록 구성 가능한 파라미터에 기초하여 상기 정량화 모델의 판정 경계를 결정할 수 있다. 상기 장치는 상기 판정 경계에 대해 상기 미지의 샘플에 수행된 분광 측정의 거리 메트릭을 결정할 수 있다. 상기 장치는 상기 판정 경계에 대해 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플의 복수의 거리 메트릭을 결정할 수 있다. 상기 장치는 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 수 있다.

Description

분광 정량화를 위한 감소된 오긍정 식별{REDUCED FALSE POSITIVE IDENTIFICATION FOR SPECTROSCOPIC QUANTIFICATION}
본 발명은 분광 정량화를 위한 감소된 오긍정(false positive) 식별에 관한 것이다.
의약품의 품질 관리를 위해 원재료를 식별하는 것이 이용될 수 있다. 예를 들어, 의료 물질의 구성 성분이 의료 물질과 연관된 포장 라벨에 대응하는지 여부를 결정하기 위해 의료 물질의 원재료를 식별하는 일이 수행될 수 있다. 유사하게, 특정 샘플의 특정 성분의 농도를 결정하기 위해 원재료를 정량화하는 일이 수행될 수 있다. 예를 들어, 의약 내 활성 성분의 농도를 결정하기 위해 원재료를 정량화하는 일이 수행될 수 있다. 분광법은 다른 화학 분석 기술에 비해 감소된 준비 및 데이터 취득 시간으로 비 파괴적인 원재료 식별 및/또는 정량화를 가능하게 할 수 있다.
일부 가능한 제1 구현예에 따르면, 장치는 하나 이상의 프로세서에 통신 가능하게 결합된 하나 이상의 메모리를 포함할 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 미지의 샘플에 수행된 분광 측정의 결과를 식별하는 정보를 수신하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는, 정량화 모델의 제1 복수의 트레이닝 세트(training set) 샘플이 판정 경계(decision boundary) 내에 있고 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플이 상기 판정 경계 내에 있지 않도록, 구성 가능 파라미터에 기초하여 상기 정량화 모델의 판정 경계를 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 판정 경계에 대해 상기 미지의 샘플에 수행된 분광 측정값의 거리 메트릭(distance metric)을 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 판정 경계에 대해 상기 정량화 모델의 상기 제2 복수의 트레이닝 세트 샘플의 복수의 거리 메트릭을 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 분광 측정값의 거리 메트릭 및 상기 제2 복수의 트레이닝 세트 샘플의 복수의 거리 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정값이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성될 수 있다. 상기 하나 이상의 메모리 및 상기 하나 이상의 프로세서는 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공하도록 구성될 수 있다.
보다 구체적으로, 추가적인 실시형태에 있어서, 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 분광 측정이 상기 정량화 모델에 대응하지 않는다고 결정하도록 구성되고; 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 상기 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 때, 상기 분광 측정이 상기 정량화 모델에 대응하지 않는 것을 나타내는 정보를 제공하도록 구성된다. 또한 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 분광 측정이 상기 정량화 모델에 대응한다고 결정하도록 구성되고; 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 상기 분광 측정이 상기 정량화 모델에 대응하는지 여부를 나타내는 정보를 제공할 때, 상기 분광 측정이 상기 정량화 모델에 대응하는 것을 나타내는 정보를 제공하도록 구성된다. 또한 상기 하나 이상의 프로세서는, 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 복수의 거리 메트릭에 대해 상기 거리 메트릭의 통계 메트릭을 결정하고; 상기 통계 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성된다. 또한 상기 통계 메트릭은 로그-정규 표준 편차이고; 상기 하나 이상의 프로세서는, 상기 통계 메트릭에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정할 때, 상기 로그-정규 표준 편차가 임계값을 만족한다고 결정하고; 상기 로그-정규 표준 편차가 상기 임계값을 만족하는 것으로 결정한 것에 기초하여 상기 미지의 샘플에 수행된 분광 측정이 상기 정량화 모델에 대응하는지 여부를 결정하도록 구성된다. 또한 상기 정량화 모델은 단일 클래스 지원 벡터 머신(single class support vector machine)(SC-SVM) 분류기와 연관된다. 또한 상기 하나 이상의 프로세서는, 상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플과 관련된 복수의 분광 측정값을 수신하고; 상기 복수의 분광 측정값에 기초하여 상기 정량화 모델을 결정하고; 복수의 검증 세트 샘플의 다른 복수의 분광 측정값에 기초하여 상기 정량화 모델을 검증하고; 상기 정량화 모델을 저장하도록 더 구성되고, 상기 하나 이상의 프로세서는, 상기 판정 경계를 결정할 때, 저장 매체로부터 상기 정량화 모델을 얻고; 상기 저장 매체로부터 상기 정량화 모델을 얻은 후에 상기 판정 경계를 결정하도록 구성된다.
일부 가능한 제2 구현예에 따르면, 비-일시적인 컴퓨터 판독 가능 매체는 하나 이상의 명령을 저장할 수 있다. 상기 하나 이상의 명령은, 하나 이상의 프로세서에 의해 실행될 때, 특정 유형의 관심 대상 물질과 관련된 정량화 모델을 획득하게 할 수 있다. 상기 정량화 모델은 상기 특정 유형의 관심 대상 물질의 샘플에서 특정 성분의 농도를 결정하도록 구성될 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 미지의 샘플에 수행된 특정 분광 측정의 결과를 식별하는 정보를 수신하게 할 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 정량화 모델의 트레이닝 세트 샘플의 다른 분광 측정값을 상기 정량화 모델의 단일 클래스(class)로 집계(aggregate)하게 할 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 트레이닝 세트 샘플의 다른 분광 측정값을 제1 그룹 및 제2 그룹으로 세분하게 할 수 있다. 상기 다른 분광 측정값의 제1 그룹은 판정 경계 내에 있을 수 있다. 상기 다른 분광 측정값의 제2 그룹은 상기 판정 경계 내에 있지 않을 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 다른 분광 측정값의 제2 그룹의 대응하는 메트릭에 대해 상기 미지의 샘플에 수행된 특정 분광 측정값의 메트릭이 임계값을 만족한다고 결정하게 할 수 있다. 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가 상기 미지의 샘플이 상기 특정 유형의 관심 대상 물질이 아닌 것을 나타내는 정보를 제공하게 할 수 있다.
보다 구체적으로, 추가적인 실시예에 있어서, 상기 미지의 샘플은 상기 특정 유형의 관심 대상 물질과 상이한 유형의 물질이다. 또한 상기 미지의 샘플은 상기 특정 유형의 관심 대상 물질이고, 부정확하게 얻어진 측정값이다. 상기 메트릭 및 상기 대응하는 메트릭은 판정값이다. 또한 상기 임계값은 상기 대응하는 메트릭의 평균으로부터의 상기 메트릭의 표준 편차의 임계량이다. 또한 상기 메트릭 및 상기 대응하는 메트릭은 단일 클래스 지원 벡터 머신 기술을 사용하여 결정된다. 또한 상기 정량화 모델은 국부 모델이고, 상기 하나 이상의 명령은, 상기 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서가, 상기 특정 유형의 관심 대상 물질과 관련된 전역 모델을 사용하여 상기 미지의 샘플의 특정 분광 측정값과 관련된 제1 결정을 수행하는 동작; 및 상기 제1 결정의 특정 결과에 기초하여 및 상기 원-위치(in-situ) 국부 모델링 기술을 사용하여 상기 국부 모델을 생성하는 동작을 더 수행하게 하고; 상기 하나 이상의 프로세서가 상기 정량화 모델을 얻게 하는 상기 하나 이상의 명령은, 하나 이상의 프로세서가, 상기 국부 모델을 생성한 것에 기초하여 상기 정량화 모형을 얻게 한다.
일부 가능한 제3 구현예에 따르면, 방법은 미지의 샘플에 수행된 근적외선(NIR) 분광 측정의 결과를 식별하는 정보를 장치에 의해 수신하는 단계를 포함할 수 있다. 상기 방법은 상기 장치에 의해 정량화 모델의 판정 경계를 결정하는 단계를 포함할 수 있고, 여기서 상기 판정 경계는 상기 정량화 모델의 단일 클래스를, 상기 판정 경계 내에 있는 상기 정량화 모델의 제1 복수의 트레이닝 세트 샘플 및 상기 판정 경계 내에 있지 않은 상기 정량화 모델의 제2 복수의 트레이닝 세트 샘플로 분할한다. 상기 방법은, 상기 미지의 샘플에 수행된 상기 NIR 분광 측정값의 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 임계값을 만족하는 것으로 상기 장치에 의해 결정하는 단계를 포함할 수 있다. 상기 방법은, 상기 미지의 샘플에 수행된 상기 NIR 분광 측정값의 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 임계값을 만족하는 것으로 결정한 것에 기초하여, 상기 미지의 샘플에 수행된 상기 NIR 분광 측정값이 상기 정량화 모델에 대응하지 않는 것을 나타내는 정보를 상기 장치에 의해 제공하는 단계를 포함할 수 있다.
보다 구체적으로, 추가적인 실시예에 있어서, 분류 모델을 사용하여 상기 NIR 분광 측정값에 기초하여 및 상기 미지의 샘플에 수행된 특정 거리 메트릭이 상기 제2 복수의 트레이닝 세트 샘플의 다른 거리 메트릭에 대한 상기 임계값을 만족하는 것으로 결정한 것에 기초하여 상기 미지의 샘플의 유형을 결정하는 단계; 및 상기 미지의 샘플의 유형을 식별하는 정보를 제공하는 단계를 더 포함한다. 또한 커널 함수에 기초하여 상기 판정 경계를 결정하는 단계를 더 포함한다. 또한 상기 커널 함수는, 방사형 기저 함수, 다항식 함수, 선형 함수, 또는 지수 함수 중 적어도 하나이다. 또한 상기 임계값은, 1개의 표준 편차, 2개의 표준 편차, 또는 3개의 표준 편차 중 적어도 하나를 초과한다. 또한 상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플은 성분의 농도의 세트와 연관되고, 상기 성분의 농도의 세트 중 상기 성분의 각각의 농도는 상기 제1 복수의 트레이닝 세트 샘플 및 상기 제2 복수의 트레이닝 세트 샘플의 트레이닝 세트 샘플의 임계량과 연관된다.
도 1a 및 도 1b는 본 명세서에서 설명된 예시적인 구현예의 개략도;
도 2는 본 명세서에 설명된 시스템 및/또는 방법이 구현될 수 있는 예시적인 환경을 나타내는 도면;
도 3은 도 2의 하나 이상의 장치의 예시적인 구성 요소를 나타내는 도면;
도 4는 분광 정량화를 위한 정량화 모델을 생성하는 예시적인 프로세스의 흐름도;
도 5는 도 4에 도시된 예시적인 프로세스에 관한 예시적인 구현예를 도시하는 도면;
도 6은 분광 정량화 동안 오긍정 식별을 회피하는 예시적인 프로세스의 흐름도; 및
도 7a 및 도 7b는 도 6에 도시된 예시적인 프로세스에 관한 예시적인 구현예를 도시하는 도면.
예시적인 구현예의 이하 상세한 설명은 첨부된 도면을 참조한다. 상이한 도면에서 동일한 참조 번호는 동일하거나 유사한 요소를 나타낼 수 있다.
원재료 식별(raw material identification: RMID)은 식별, 확인 등을 위해 특정 샘플의 성분(예를 들어, 구성 성분)을 식별하는 데 사용되는 기술이다. 예를 들어, RMID는 의약 물질의 구성 성분이 라벨에 식별된 구성 성분의 세트에 대응하는지를 확인하는 데 이용될 수 있다. 유사하게, 원재료 정량화는, 특정 샘플에 정량 분석을 수행하기 위해, 예를 들어, 특정 샘플에서 특정 성분 물질의 농도를 결정하기 위해 이용되는 기술이다. 분광기(spectrometer)는 샘플의 성분, 샘플의 성분의 농도 등을 결정하기 위해 샘플(예를 들어, 의약 물질)에 분광을 수행하는데 이용될 수 있다. 분광기는 샘플의 측정값의 세트를 결정할 수 있으며, 분광 결정을 위해 측정값의 세트를 제공할 수 있다. 분광 분류 기술(예를 들어, 분류기(classifier))은 샘플의 측정값의 세트에 기초하여 샘플의 성분 또는 샘플의 성분의 농도를 결정하는 것을 가능하게 할 수 있다.
그러나, 분광 정량화를 받는 일부 미지의 샘플은 정량화 모델이 정량화되도록 구성된 물질의 클래스에 실제로 포함되지는 않는다. 예를 들어, 물고기(fish) 샘플에서 특정 유형의 단백질의 농도를 결정하도록 트레이닝된 정량화 모델의 경우, 사용자는 의도치 않게 정량화를 위해 쇠고기(beef) 샘플을 제공할 수 있다. 이 경우, 제어 장치는 쇠고기 샘플의 분광 정량화를 수행할 수 있으며, 쇠고기 샘플을 특정 유형의 단백질의 특정 농도를 갖는 것으로 식별하는 것으로 제공할 수 있다. 그러나, 쇠고기와 물고기 사이 및 그 단백질 사이의 분광 특성(signature)의 차이 때문에, 식별이 부정확할 수 있으며, 이는 오긍정 식별이라고 불릴 수 있다.
또 다른 예로서, 정량화 모델은 상이한 유형의 당(sugar)(예를 들어, 글루코스, 락토스, 갈락토스 등) 및 미지의 샘플의 상대 농도를 정량화하기 위해 트레이닝될 수 있다. 그러나 분광기와 제어 장치의 사용자는 측정을 수행하기 위해 분광기를 부정확하게 사용한 것에 기초하여 당의 미지의 샘플을 분류하려고 의도치 않게 시도할 수 있다. 예를 들어, 사용자는 미지의 샘플과의 거리가 부정확한 상태에서, 분광이 정량화 모델을 트레이닝시키기 위해 수행된 교정 조건과는 다른 환경 조건에서, 및/또는 부정확하게 얻어진 측정값을 초래하는 다른 조건에서 분광기를 동작시킬 수 있다. 이 경우에, 제어 장치는 미지의 샘플에 대해 부정확한 스펙트럼을 수신할 수 있고, 이는 미지의 샘플이 실제로 제2 농도의 제2 유형의 당을 포함할 때, 미지의 샘플을 제1 농도의 제1 유형의 당을 갖는 것으로 오긍정 식별하는 것을 초래할 수 있다.
본 명세서에 설명된 일부 구현예는 단일 클래스 지원 벡터 머신(SC-SVM) 기술을 사용하여 분광 정량화 시에 오긍정 식별할 가능성을 감소시킬 수 있다. 예를 들어, 미지의 샘플의 분광 측정값을 수신하는 제어 장치는 미지의 샘플의 분광 측정값이 분광 모델이 정량화하도록 구성된 물질의 클래스에 대응하는지 여부를 결정할 수 있다. 일부 구현예에서, 제어 장치는 분광 모델이 정량화하도록 구성된 물질의 클래스와 미지의 샘플이 연관이 없는 것으로 결정할 수 있으며, 미지의 샘플이 물질의 클래스와 연관이 없는 것을 나타내는 정보를 제공함으로써, 미지의 샘플을 오긍정 식별하는 것을 회피할 수 있다. 대안적으로, 분광 모델이 정량화하도록 구성된 물질의 클래스와 미지의 샘플이 연관된 것으로 결정한 것에 기초하여, 제어 장치는 미지의 샘플의 스펙트럼을 분석하여 예를 들어 농도, 분류 등에 분광 결정을 제공할 수 있다. 또한, 제어 장치는 오긍정 식별을 필터링하기 위해 확률 추정, 판정값 등과 같은 신뢰도 메트릭을 이용할 수 있다.
이러한 방식으로, 잠재적인 에러 샘플(예를 들어, 분광 모델이 구성되지 않은 물질의 클래스와 연관된 샘플, 또는 분광 측정값이 부정확하게 얻어진 샘플) 및/또는 신뢰도 메트릭의 식별 없이 수행된 분광에 비해 분광의 정확도가 개선된다. 더욱이, 분광 모델이 구성되는 클래스와 물질이 연관되는지 여부의 결정은 알려진 분광 샘플의 트레이닝 세트에 기초하여 정량화 모델을 생성할 때 사용될 수 있다. 예를 들어, 제어 장치는 트레이닝 세트의 샘플이 (예를 들어, 부정확한 샘플이 트레이닝 세트에 도입되게 하는 인간 에러에 기초하여) 트레이닝 세트의 나머지 샘플에 대응하는 유형이 아닌 것으로 결정할 수 있으며, 정량화 모델을 생성할 때 샘플에 관한 데이터를 포함하지 않는 것으로 결정할 수 있다. 이러한 방식으로, 제어 장치는 분광을 위한 정량화 모델의 정확도를 향상시킨다.
도 1a 및 도 1b는 본 명세서에서 설명된 예시적인 구현예(100)의 개략도이다. 도 1a에 도시된 바와 같이, 예시적인 구현예(100)는 제어 장치 및 분광기를 포함할 수 있다.
도 1a에 더 도시된 바와 같이, 제어 장치는 분광기가 트레이닝 세트 및 검증 세트(validation set)(예를 들어, 분류 모델의 트레이닝 및 검증을 위해 이용되는 알려진 샘플 세트)에 일련의 분광 측정을 수행하게 할 수 있다. 트레이닝 세트 및 검증 세트는 정량화 모델이 트레이닝될 성분에 대한 샘플의 임계량을 포함하도록 선택될 수 있다. 성분이 발생할 수 있고 정량화 모델을 트레이닝하는 데 사용될 수 있는 물질은 관심 대상 물질이라고 지칭될 수 있다. 이러한 경우, 트레이닝 세트 및 검증 세트는 미지의 샘플에서 관심 대상 물질의 농도를 식별하기 위해 정량화 모델의 트레이닝을 가능하게 하기 위해 예를 들어 관심 대상 물질의 제1 농도를 나타내는 제1 샘플 그룹, 관심 대상 물질의 제2 농도를 나타내는 제2 샘플 그룹 등을 포함할 수 있다.
도 1a에 더 도시된 바와 같이, 분광기는 제어 장치로부터 명령을 수신한 것에 기초하여 트레이닝 세트 및 검증 세트에 일련의 분광 측정을 수행할 수 있다. 예를 들어, 분광기는 제어 장치가 미지의 샘플을 정량화 모델의 관심 대상 물질들 중 하나로서 분류하기 위해 클래스의 세트를 생성할 수 있도록 트레이닝 세트 및 검증 세트의 각 샘플에 대해 스펙트럼을 결정할 수 있다.
분광기는 분광 측정값의 세트를 제어 장치에 제공할 수 있다. 제어 장치는 특정 결정 기술을 사용하여 및 분광 측정값의 세트에 기초하여 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치는 단일 클래스 SVM(SC-SVM) 기술과 같은 지원 벡터 머신(SVM) 기술(예를 들어, 정보 결정을 위한 기계 학습 기술)을 사용하여 정량화 모델을 생성할 수 있다. 정량화 모델은 관심 대상 물질의 성분의 특정 농도(예를 들어, 관심 대상 물질에서 성분의 특정 농도 레벨)에 특정 스펙트럼을 할당하는 것과 연관된 정보를 포함할 수 있다. 이러한 방식으로, 제어 장치는 미지의 샘플의 스펙트럼을 특정 농도에 대응하는 정량화 모델의 특정 농도 클래스에 할당한 것에 기초하여 미지의 샘플에서 성분의 농도를 식별하는 정보를 제공할 수 있다.
도 1b에 도시된 바와 같이, 제어 장치는 (예를 들어, 저장 구성 요소로부터, 정량화 모델을 생성한 다른 제어 장치 등으로부터) 정량화 모델을 수신할 수 있다. 제어 장치는 분광기가 미지의 샘플(예를 들어, 분류 또는 정량화가 수행될 미지의 샘플)에 일련의 분광 측정을 수행하게 할 수 있다. 분광기는 제어 장치로부터 명령을 수신한 것에 기초하여 일련의 분광 측정을 수행할 수 있다. 예를 들어, 분광기는 미지의 샘플에 대해 스펙트럼을 결정할 수 있다. 분광기는 분광 측정값의 세트를 제어 장치에 제공할 수 있다. 제어 장치는 정량화 모델에 기초하여 미지의 샘플을 정량화하려고 (예를 들어, 미지의 샘플을, 미지의 샘플에서 특정 성분의 특정 농도 또는 특정 양과 연관된 특정 클래스로 분류하려고) 시도할 수 있다. 예를 들어, 제어 장치는 미지의 샘플(예를 들어, 알약) 내 이부프로펜의 특정 농도, 미지의 샘플(예를 들어, 당 기반 제품) 내 글루코스의 특정 단위량 등을 결정하려고 시도할 수 있다.
도 1b와 관련하여, 제어 장치는 미지의 샘플이 정량화 모델에 대응하는지 여부를 결정하려고 시도할 수 있다. 예를 들어, 제어 장치는 미지의 샘플이 (예를 들어, 정량화 모델이 트레이닝 세트 및 검증 세트를 사용하여 구성되는 농도 세트 중 임의의 농도의) 관심 대상 물질에 속할 가능성에 대응하는 신뢰도 메트릭을 결정할 수 있다. 일례로서, 이부프로펜 알약의 샘플 내 이부프로펜의 농도를 식별하도록 구성된 정량화 모델의 경우, 제어 장치는 미지의 샘플이 (아세트아미노펜 알약, 아세틸살리실산 알약 등과 같은 다른 유형의 알약이 아닌) 이부프로펜 알약인지 여부를 결정할 수 있다. 또 다른 예로서, 물고기 어육에서 소금의 농도를 식별하도록 구성된 정량화 모델의 경우, 제어 장치는 미지의 샘플이 (닭고기, 쇠고기, 돼지고기 등이 아닌) 물고기 어육인지 여부를 결정할 수 있다.
이 경우, 제어 장치가 확률 추정, 지원 벡터 머신의 판정값 출력 등과 같은 신뢰도 메트릭이 임계값(예를 들어, 본 명세서에 설명된 표준 편차 임계값)을 만족하는 것으로 결정한 것에 기초하여, 제어 장치는 미지의 샘플이 관심 대상 물질이 아닌 것(예를 들어, 미지의 샘플이 다른 물질인 것, 미지의 샘플의 분광 측정이 부정확하게 수행된 것 등에 대응할 수 있는 것)으로 결정할 수 있다. 이 경우, 제어 장치는 정량화 모델을 사용하여 미지의 샘플이 정확하게 정량화될 수 없는 것을 보고함으로써, 이에 의해 미지의 샘플을 관심 대상 물질에서 성분의 특정 농도에 속하는 것으로 미지의 샘플이 오긍정 식별될 가능성을 감소시킬 수 있다.
이러한 방식으로, 제어 장치는 미지의 샘플이 관심 대상 물질에서 성분의 특정 농도인 것으로 오긍정 식별되어 보고될 가능성을 감소시키는 것에 기초하여 다른 정량화 모델에 비해 향상된 정확도로 미지의 샘플에 분광을 수행할 수 있게 한다.
상기한 바와 같이, 도 1a 및 도 1b는 단지 예시로서 제공된다. 다른 예도 가능하고 도 1a 및 도 1b와 관련하여 설명된 것과 다를 수 있다.
도 2는 본 명세서에 설명된 시스템 및/또는 방법이 구현될 수 있는 예시적인 환경(200)을 나타내는 도면이다. 도 2에 도시된 바와 같이, 환경(200)은 제어 장치(210), 분광기(220) 및 네트워크(230)를 포함할 수 있다. 환경(200)의 장치는 유선 연결, 무선 연결, 또는 유선 연결과 무선 연결의 조합을 통해 상호 연결될 수 있다.
제어 장치(210)는 분광 정량화와 연관된 정보를 저장, 처리 및/또는 라우팅할 수 있는 하나 이상의 장치를 포함한다. 예를 들어, 제어 장치(210)는, 트레이닝 세트의 측정값의 세트에 기초하여 정량화 모델을 생성하고, 검증 세트의 측정값 세트에 기초하여 정량화 모델을 검증하고, 그리고/또는 미지의 샘플의 측정값 세트에 기초하여 분광 정량화를 수행하기 위해 정량화 모델을 이용하는, 서버, 컴퓨터, 웨어러블 장치, 클라우드 컴퓨팅 장치 등을 포함할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플의 분광 측정값이 본 명세서에 설명된 바와 같이 정량화 모델의 관심 대상 물질에 대응하지 않는 것으로 분류되어야 하는지 여부를 결정하기 위해 기계 학습 기술을 이용할 수 있다. 일부 구현예에서, 제어 장치(210)는 특정 분광기(220)와 연관될 수 있다. 일부 구현예에서, 제어 장치(210)는 다수의 분광기(220)와 연관될 수 있다. 일부 구현예에서, 제어 장치(210)는 분광기(220)와 같은, 환경(200) 내의 다른 장치로부터 정보를 수신하고/하거나 정보를 다른 장치로 전송할 수 있다.
분광기(220)는 샘플에 분광 측정을 수행할 수 있는 하나 이상의 장치를 포함한다. 예를 들어, 분광기(220)는 분광(진동 분광, 예를 들어, 근적외선(NIR) 분광, 중간 적외선 분광(mid-IR), 라만(Raman) 분광 등)을 수행하는 분광기 장치를 포함할 수 있다. 일부 구현예에서, 분광기(220)는 웨어러블 분광기 등과 같은 웨어러블 장치에 통합될 수 있다. 일부 구현예에서, 분광기(220)는 제어 장치(210)와 같은, 환경(200) 내의 다른 장치로부터 정보를 수신하고/하거나 정보를 다른 장치로 전송할 수 있다.
네트워크(230)는 하나 이상의 유선 네트워크 및/또는 무선 네트워크를 포함할 수 있다. 예를 들어, 네트워크(230)는 셀룰러 네트워크(예를 들어, LTE(long-term evolution) 네트워크, 3G 네트워크, 코드 분할 다중 액세스(CDMA) 네트워크 등), 공중 지상 모바일 네트워크(PLMN: public land mobile network), 근거리 네트워크(LAN), 광역 네트워크(WAN), 대도시 네트워크(MAN: Metropolitan Area Network), 전화망(예를 들어, 공중 교환 전화망(PSTN: Public Switched Telephone Network)), 사설 네트워크, 애드혹(ad hoc) 네트워크, 인트라넷, 인터넷, 광섬유-기반 네트워크, 클라우드 컴퓨팅 네트워크 등, 및/또는 이들 또는 다른 유형의 네트워크의 조합을 포함할 수 있다.
도 2에 도시된 장치 및 네트워크의 수 및 배열은 단지 일례로서 제공된다. 실제로, 도 2에 도시된 것에 비해 추가적인 장치 및/또는 네트워크, 더 적은 수의 장치 및/또는 네트워크, 상이한 장치 및/또는 네트워크, 또는 다르게 배열된 장치 및/또는 네트워크가 있을 수 있다. 또한, 도 2에 도시된 2개 이상의 장치는 단일 장치 내에 구현될 수 있고, 또는 도 2에 도시된 단일 장치는 다수의 분산된 장치로서 구현될 수 있다. 예를 들어, 제어 장치(210) 및 분광기(220)는 본 명세서에서 2개의 별개의 장치로서 설명되지만, 제어 장치(210) 및 분광기(220)는 단일 장치 내에 구현될 수 있다. 추가적으로 또는 대안적으로, 환경(200)의 장치 세트(예를 들어, 하나 이상의 장치)는 환경(200)의 또 다른 장치 세트에 의해 수행되는 것으로 설명된 하나 이상의 기능을 수행할 수 있다.
도 3은 장치(300)의 예시적인 구성 요소를 도시하는 도면이다. 장치(300)는 제어 장치(210) 및/또는 분광기(220)에 대응할 수 있다. 일부 구현예에서, 제어 장치(210) 및/또는 분광기(220)는 하나 이상의 장치(300) 및/또는 장치(300)의 하나 이상의 구성 요소를 포함할 수 있다. 도 3에 도시된 바와 같이, 장치(300)는 버스(310), 프로세서(320), 메모리(330), 저장 구성 요소(340), 입력 구성 요소(350), 출력 구성 요소(360) 및 통신 인터페이스(370)를 포함할 수 있다.
버스(310)는 장치(300)의 구성 요소들 간의 통신을 허용하는 구성 요소를 포함한다. 프로세서(320)는 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현된다. 프로세서(320)는 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 가속 처리 장치(APU), 마이크로프로세서, 마이크로컨트롤러, 디지털 신호 프로세서(DSP), 전계 프로그래밍 가능 게이트 어레이(FPGA), 주문형 집적 회로(ASIC), 또는 다른 유형의 처리 구성 요소이다. 일부 구현예에서, 프로세서(320)는 기능을 수행하도록 프로그래밍될 수 있는 하나 이상의 프로세서를 포함한다. 메모리(330)는 프로세서(320)에 의한 사용을 위한 정보 및/또는 명령을 저장하는, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 및/또는 다른 유형의 동적 또는 정적 저장 장치(예를 들어, 플래시 메모리, 자기 메모리 및/또는 광학 메모리)를 포함한다.
저장 구성 요소(340)는 장치(300)의 동작 및 사용과 관련된 정보 및/또는 소프트웨어를 저장한다. 예를 들어, 저장 구성 요소(340)는 대응하는 드라이브와 함께 하드 디스크(예를 들어, 자기 디스크, 광학 디스크, 광자기 디스크 및/또는 솔리드-스테이트 디스크), 콤팩트 디스크(CD), 디지털 다용도 디스크(DVD: digital versatile disc), 플로피 디스크, 카트리지, 자기 테이프, 및/또는 다른 유형의 비-일시적인 컴퓨터 판독 가능 매체를 포함할 수 있다.
입력 구성 요소(350)는 장치(300)가 예를 들어 사용자 입력(예를 들어, 터치 스크린 디스플레이, 키보드, 키패드, 마우스, 버튼, 스위치 및/또는 마이크로폰)을 통해 정보를 수신하는 것을 허용하는 구성 요소를 포함한다. 추가적으로 또는 대안적으로, 입력 구성 요소(350)는 정보(예를 들어, GPS(global positioning system) 구성 요소, 가속도계, 자이로스코프 및/또는 액추에이터)를 감지하기 위한 센서를 포함할 수 있다. 출력 구성 요소(360)는 장치(300)(예를 들어, 디스플레이, 스피커 및/또는 하나 이상의 발광 다이오드(LED))로부터의 출력 정보를 제공하는 구성 요소를 포함한다.
통신 인터페이스(370)는 장치(300)가 예를 들어 유선 연결, 무선 연결 또는 유선 연결과 무선 연결의 조합을 통해 다른 장치와 통신할 수 있게 하는 트랜시버형 구성 요소(예를 들어, 트랜시버 및/또는 별개의 수신기 및 송신기)를 포함한다. 통신 인터페이스(370)는 장치(300)가 다른 장치로부터 정보를 수신하고/하거나 다른 장치에 정보를 제공하게 할 수 있다. 예를 들어, 통신 인터페이스(370)는 이더넷 인터페이스, 광 인터페이스, 동축 인터페이스, 적외선 인터페이스, 무선 주파수(RF) 인터페이스, 범용 직렬 버스(USB) 인터페이스, 무선 근거리 네트워크 인터페이스, 셀룰러 네트워크 인터페이스 등을 포함할 수 있다.
장치(300)는 본 명세서에 설명된 하나 이상의 프로세스를 수행할 수 있다. 장치(300)는 메모리(330) 및/또는 저장 구성 요소(340)와 같은 비-일시적인 컴퓨터 판독 가능 매체에 의해 저장된 소프트웨어 명령을 실행하는 프로세서(320)에 기초하여 이들 프로세스를 수행할 수 있다. 컴퓨터 판독 가능 매체는 본 명세서에서 비-일시적인 메모리 장치로 정의된다. 메모리 장치는 단일 물리적 저장 장치 내의 메모리 공간을 포함하거나 또는 다수의 물리적 저장 장치에 걸쳐 분산된 메모리 공간을 포함한다.
소프트웨어 명령은 또 다른 컴퓨터 판독 가능 매체로부터 또는 통신 인터페이스(370)를 통해 다른 장치로부터 메모리(330) 및/또는 저장 구성 요소(340)로 판독될 수 있다. 실행 시, 메모리(330) 및/또는 저장 구성 요소(340)에 저장된 소프트웨어 명령은 프로세서(320)가 본 명세서에 설명된 하나 이상의 프로세스를 수행하게 할 수 있다. 추가적으로 또는 대안적으로, 본 명세서에서 설명된 하나 이상의 프로세스를 수행하기 위해 소프트웨어 명령 대신에 또는 소프트웨어 명령과 함께 하드와이어드 회로(hardwired circuitry)가 사용될 수 있다. 따라서, 본 명세서에 설명된 구현예는 하드웨어 회로 및 소프트웨어의 임의의 특정 조합으로 제한되지 않는다.
도 3에 도시된 구성 요소의 수 및 배열은 일례로서 제공된다. 실제로, 장치(300)는 도 3에 도시된 것에 비해 추가적인 구성 요소, 보다 적은 수의 구성 요소, 상이한 구성 요소 또는 다르게 배열된 구성 요소를 포함할 수 있다. 추가적으로 또는 대안적으로, 장치(300)의 구성 요소 세트(예를 들어, 하나 이상의 구성 요소)는 장치(300)의 다른 구성 요소 세트에 의해 수행되는 것으로 설명된 하나 이상의 기능을 수행할 수 있다.
도 4는 분광 정량화를 위한 정량화 모델을 생성하는 예시적인 프로세스(400)의 흐름도이다. 일부 구현예에서, 도 4의 하나 이상의 프로세스 블록은 제어 장치(210)에 의해 수행될 수 있다. 일부 구현예에서, 도 4의 하나 이상의 프로세스 블록은 분광기(220)와 같은, 제어 장치(210)와는 다르거나 또는 이 제어 장치를 포함하는 다른 장치 또는 장치 그룹에 의해 수행될 수 있다.
도 4에 도시된 바와 같이, 프로세스(400)는 트레이닝 세트 및/또는 검증 세트에 일련의 분광 측정을 수행하는 단계를 포함할 수 있다(블록 410). 예를 들어, 제어 장치(210)는 분광기(220)가 (예를 들어, 프로세서(320), 통신 인터페이스(370) 등을 사용하여) 트레이닝 세트 및/또는 검증 세트의 각 샘플에 대한 스펙트럼을 결정하기 위해 샘플의 트레이닝 세트 및/또는 검증 세트에 일련의 분광 측정을 수행하게 할 수 있다. 트레이닝 세트는 성분에 대한 정량화 모델을 생성하는 데 이용되는, 성분의 농도의 세트를 갖는 하나 이상의 알려진 물질의 샘플 세트를 나타낼 수 있다. 유사하게, 검증 세트는 정량화 모델의 정확도를 검증하는 데 이용되는, 성분의 농도의 세트를 갖는 하나 이상의 알려진 물질의 샘플 세트를 나타낼 수 있다. 예를 들어, 트레이닝 세트 및/또는 검증 세트는 상이한 농도의 세트로 특정 물질의 하나 이상의 버전(예를 들어, 제조 상의 차이를 제어하기 위해 상이한 제조자에 의해 제조된 하나 이상의 버전)을 포함할 수 있다.
일부 구현예에서, 트레이닝 세트 및/또는 검증 세트는 정량화 모델을 사용하여 분광 정량화가 수행될 예상 관심 대상 물질 세트에 기초하여 선택될 수 있다. 예를 들어, 의약 물질의 특정 성분의 농도를 결정하기 위해 의약 물질에 분광 정량화가 수행될 것으로 예상되는 경우, 트레이닝 세트 및/또는 검증 세트는 특정 성분이 존재하는지에 대해 테스트될 의약 물질의 세트에 상이한 가능한 농도의 세트로 특정 성분의 샘플의 세트를 포함할 수 있다.
일부 구현예에서, 트레이닝 세트 및/또는 검증 세트는 물질의 각각의 농도에 대한 샘플의 특정 양을 포함하도록 선택될 수 있다. 예를 들어, 트레이닝 세트 및/또는 검증 세트는 특정 농도의 다수의 샘플(예를 들어, 5개의 샘플, 10개의 샘플, 15개의 샘플, 50개의 샘플 등)을 포함하도록 선택될 수 있다. 이러한 방식으로, 제어 장치(210)는 특정 유형의 물질과 연관된 스펙트럼의 임계량을 포함하여, (예를 들어, 성분의 특정 농도를 갖는 미지의 샘플에 기초하여) 미지의 샘플이 정확하게 할당될 수 있는 정량화 모델의 클래스(예를 들어, 성분의 특정 농도에 대응하는 샘플 그룹)를 생성 및/또는 검증할 수 있게 한다.
일부 구현예에서, 제어 장치(210)는 하나 이상의 물리적 조건을 설명하기 위해 다수의 분광기(220)가 일련의 분광 측정을 수행하게 할 수 있다. 예를 들어, 제어 장치(210)는 제1 분광기(220) 및 제2 분광기(220)가 NIR 분광법을 사용하여 일련의 진동 분광 측정을 수행하게 할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는 다수의 시간에, 다수의 위치에서, 다수의 상이한 실험 조건 하, 등에서 일련의 분광 측정을 수행하게 할 수 있다. 이러한 방식으로, 제어 장치(210)는 단일 분광기(220)에 의해 일련의 분광 측정을 수행하게 하는 것과 관련하여 물리적 조건의 결과로서 분광 측정이 부정확하게 될 가능성을 감소시킨다.
이러한 방식으로, 제어 장치(210)는 트레이닝 세트 및/또는 검증 세트에 일련의 분광 측정이 수행되게 한다.
도 4에 더 도시된 바와 같이, 프로세스(400)는 분광 측정값 세트의 결과를 식별하는 정보를 수신하는 단계를 포함할 수 있다(블록 420). 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 통신 인터페이스(370) 등을 사용하여) 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 트레이닝 세트 및/또는 검증 세트의 샘플에 대응하는 스펙트럼 세트를 식별하는 정보를 수신할 수 있다. 예를 들어, 제어 장치(210)는 분광기(220)가 트레이닝 세트에 분광을 수행할 때 관찰되는 특정 스펙트럼을 식별하는 정보를 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 트레이닝 세트 샘플 및 검증 세트 샘플의 스펙트럼을 식별하는 정보를 동시에 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 트레이닝 세트 샘플의 스펙트럼을 식별하는 정보를 수신할 수 있으며, 정량화 모델을 생성할 수 있으며, 정량화 모델의 테스트를 가능하게 하기 위해 정량화 모델을 생성한 후에 검증 세트 샘플의 스펙트럼을 식별하는 정보를 수신할 수 있다.
일부 구현예에서, 제어 장치(210)는 다수의 분광기(220)로부터 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 예를 들어, 제어 장치(210)는, 다수의 분광기(220)에 의해 수행된, 다수의 상이한 시간에서 수행된, 다수의 상이한 위치에서 수행된 및/또는 등에서 수행된 분광 측정값을 수신함으로써 다수의 분광기(220) 사이의 차이, 실험 조건에서의 가능한 차이 및/또는 등과 같은 물리적 조건을 제어할 수 있다.
일부 구현예에서, 제어 장치(210)는 정량화 모델을 생성할 때 이용되는 것으로부터 하나 이상의 스펙트럼을 제거할 수 있다. 예를 들어, 제어 장치(210)는 분광 정량화를 수행할 수 있고, 정량화 모델이 정량화하도록 구성된 물질의 유형에 스펙트럼이 대응하지 않는다고 결정할 수 있으며, 스펙트럼에 대응하는 샘플이 의도치 않게 (예를 들어, 분광을 올바르게 수행할 때 사람의 에러, 트레이닝 세트의 스펙트럼을 식별하는 정보의 에러 등에 기초하여) 관심 대상이 아닌 물질이었다고 결정할 수 있다. 이 경우에, 제어 장치(210)는 트레이닝 세트로부터 스펙트럼을 제거할 것을 결정할 수 있다. 이러한 방식으로, 제어 장치(210)는 트레이닝 세트 또는 검증 세트에 관해 올바르지 않거나 부정확한 정보를 사용하여 정량화 모델이 생성될 가능성을 감소시킴으로써 정량화 모델의 정확도를 향상시킬 수 있다.
이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과를 식별하는 정보를 수신한다.
도 4에 더 도시된 바와 같이, 프로세스(400)는 분광 측정값 세트의 결과를 식별하는 정보에 기초하여 정량화 모델을 생성하는 단계(블록 430)를 포함할 수 있다. 예를 들어, 제어 장치(210)는 분광 측정값 세트의 결과를 식별하는 정보에 기초하여 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340) 등을 사용하여) SVM 분류기 기술과 연관된 정량화 모델을 생성할 수 있다.
SVM은 패턴 인식을 수행하고 정량화를 위한 신뢰도 메트릭을 사용하는 감독 학습 모델을 지칭할 수 있다. 일부 구현예에서, 제어 장치(210)는 SVM 기술을 사용하여 정량화 모델을 생성할 때 2개 이상의 입력(예를 들어, 스펙트럼)의 유사성을 결정하기 위해 특정 유형의 커널 함수(kernel function)를 이용할 수 있다. 예를 들어, 제어 장치(210)는 스펙트럼 x 및 y에 대해 k(x,y) = exp(-||x-y||^2)로 표현될 수 있는 방사형 기저 함수(radial basis function; RBF)(예를 들어, SVM-rbf로 지칭됨) 유형의 커널 함수; k(x,y) = 〈x·y〉로 표현될 수 있는 (예를 들어, SVM-선형이라고 칭하고, 예를 들어, 다단계 결정 기술에 이용될 때, hier-SVM-선형이라고 칭하는) 선형 함수 유형의 커널 함수; 커널 함수의 시그모이드(sigmoid) 함수 유형; 다항식 함수 유형의 커널 함수; 지수 함수형 커널 함수 등을 이용할 수 있다. 일부 구현예에서, 제어 장치(210)는 단일 클래스 SVM(SC-SVM) 분류기 기술을 사용하여 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치(210)는 정량화 모델을 나타내는 단일 클래스를 생성하기 위해 트레이닝 세트 내 성분의 다수의 농도에 대응하는 다수의 클래스를 집계할 수 있다. 이 경우에, 제어 장치(210)는 본 명세서에 설명된 바와 같이, 미지의 샘플이 정량화 모델이 분석하도록 구성된 유형일 가능성을 결정하기 위해 신뢰도 메트릭을 이용할 수 있다.
일부 구현예에서, 제어 장치(210)는 확률 값 기반 SVM(예를 들어, 샘플이 (가능한 농도의) 클래스의 세트의 (농도의) 클래스의 멤버일 확률을 결정한 것에 기초한 결정), 판정값 기반 SVM(예를 들어, 클래스 세트의 클래스를 샘플이 멤버인 클래스인 것으로 투표하기 위해 판정 함수를 이용한 결정) 등과 같은 SVM의 특정 유형의 신뢰도 메트릭을 이용할 수 있다. 예를 들어, 판정값 기반 SVM으로 정량화 모델을 사용하는 동안, 제어 장치(210)는 미지의 샘플의 스펙트럼을 작도(plotting)한 것에 기초하여 미지의 샘플이 구성 성분 클래스(예를 들어, 미지의 샘플의 성분의 특정 양 또는 농도)의 경계 내에 위치되는지 여부를 결정할 수 있고, 미지의 샘플이 구성 성분 클래스의 경계 내에 위치되는지 여부에 기초하여 클래스에 샘플을 할당할 수 있다. 이러한 방식으로, 제어 장치(210)는 정량화를 위한 특정 클래스에 미지의 스펙트럼을 할당할지 여부를 결정할 수 있다.
본 명세서에 설명된 일부 구현예는 기계 학습 기술의 특정 세트로 설명되지만, 물질 등의 분류와 같은 미지의 스펙트럼에 관한 정보를 결정하기 위한 다른 기술도 가능하다.
일부 구현예에서, 제어 장치(210)는 일련의 정량화 기술로부터 정량화 모델을 생성하기 위해 이용될 특정 분류기를 선택할 수 있다. 예를 들어, 제어 장치(210)는 다수의 분류기에 대응하는 다수의 정량화 모델을 생성할 수 있고, 예를 들어, 각 모델의 전용 가능성(transferability)(예를 들어, 제1 분광기(220)에서 수행된 분광 측정값에 기초하여 생성된 정량화 모델이 제2 분광기(220)에서 수행된 분광 측정값에 적용될 때 정확한 정도), 대규모 결정 정확도(예를 들어, 임계 값을 만족시키는 샘플의 양에 대한 농도를 동시에 식별하기 위해 정량화 모델이 이용될 수 있는 정확도) 등을 결정하는 것에 의해 다수의 정량화 모델을 테스트할 수 있다. 이러한 경우, 제어 장치(210)는 분류기가 다른 분류기에 비해 우수한 전용 가능성 및/또는 대규모 결정 정확도와 연관된 것으로 결정한 것에 기초하여 SVM 분류기(예를 들어, hier-SVM 선형 분류기, SC-SVM 분류기 및/또는 등)와 같은 분류기를 선택할 수 있다.
일부 구현예에서, 제어 장치(210)는 트레이닝 세트의 샘플을 식별하는 정보에 기초하여 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치(210)는 트레이닝 세트의 샘플에 의해 표현되는 물질의 유형 또는 농도를 식별하는 정보를 이용하여 물질의 유형 또는 농도를 갖는 스펙트럼 클래스를 식별할 수 있다. 일부 구현예에서, 제어 장치(210)는 정량화 모델을 생성할 때 정량화 모델을 트레이닝할 수 있다. 예를 들어, 제어 장치(210)는 정량화 모델이 분광 측정값 세트(예를 들어, 트레이닝 세트와 관련된 측정값)의 일부를 사용하여 트레이닝되게 할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는 정량화 모델의 평가를 수행할 수 있다. 예를 들어, 제어 장치(210)는 분광 측정값 세트의 다른 부분(예를 들어, 검증 세트)을 이용하여 (예를 들어, 예측 강도에 대해) 정량화 모델을 검증할 수 있다.
일부 구현예에서, 제어 장치(210)는 다단계 결정 기술을 사용하여 정량화 모델을 검증할 수 있다. 예를 들어, 원-위치(in-situ) 국부 모델링 기반 정량화(local modeling based quantification)의 경우, 제어 장치(210)는 하나 이상의 국부 정량화 모델과 연관하여 이용될 때 정량화 모델이 정확하다고 결정할 수 있다. 이러한 방식으로, 제어 장치(210)는, 예를 들어, 제어 장치(210)에 의해, 다른 분광기(220)와 연관된 다른 제어 장치(210)에 의해, 및/또는 등에 의해 이용하기 위해 정량화 모델을 제공하기 전에 정량화 모델이 임계 정확도로 생성된 것을 보장한다.
일부 구현예에서, 제어 장치(210)는 정량화 모델을 생성한 후에 다른 분광기(220)와 연관된 다른 제어 장치(210)에 정량화 모델을 제공할 수 있다. 예를 들어, 제1 제어 장치(210)는 정량화 모델을 생성할 수 있고, 이용을 위해 제2 제어 장치(210)에 정량화 모델을 제공할 수 있다. 이러한 경우, 원-위치 국부 모델링 기반 정량화의 경우, 제2 제어 장치(210)는 정량화 모델(예를 들어, 전역 정량화 모델(global quantification model))을 저장할 수 있고, 미지의 세트의 하나 이상의 샘플에서 물질의 성분의 농도를 결정하기 위해 하나 이상의 원-위치 국부 정량화 모델을 생성할 때 정량화 모델을 이용할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는, 정량화를 수행할 때, (예를 들어, 원-위치 국부 모델링 기반 정량화의 경우) 하나 이상의 국부 정량화 모델을 생성할 때 등에서, 제어 장치(210)에 의해 이용하기 위해 정량화 모델을 저장할 수 있다. 이러한 방식으로, 제어 장치(210)는 미지의 샘플의 분광 정량화에 이용하기 위해 정량화 모델을 제공한다.
이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과를 식별하는 정보에 기초하여 정량화 모델을 생성한다.
도 4는 프로세스(400)의 예시적인 블록을 도시하지만, 일부 구현예에서, 프로세스(400)는 도 4에 도시된 것에 비해 추가적인 블록, 더 적은 수의 블록, 다른 블록, 또는 다르게 배열된 블록을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로세스(400)의 블록 중 2개 이상의 블록은 병렬로 수행될 수 있다.
도 5는 도 4에 도시된 예시적인 프로세스(400)에 관한 예시적인 구현예(500)를 도시하는 도면이다. 도 5는 정량화 모델을 생성하는 일례를 도시한다.
도 5에 및 참조 번호(505)로 도시된 바와 같이, 제어 장치(210-1)는 분광기(220-1)에 정보를 전송하여 분광기(220-1)가 트레이닝 세트 및 검증 세트(510)에 일련의 분광 측정을 수행하게 명령한다. 트레이닝 세트 및 검증 세트(510)는 트레이닝 샘플의 제1 세트(예를 들어, 트레이닝 샘플의 측정값은 정량화 모델을 트레이닝하는데 이용된다) 및 검증 샘플의 제2 세트(예를 들어, 검증 샘플의 측정값은 정량화 모델의 정확도를 검증하는데 이용된다)를 포함한다고 가정한다. 참조 번호(515)로 도시된 바와 같이, 분광기(220-1)는 명령을 수신한 것에 기초하여 일련의 분광 측정을 수행한다. 참조 번호(520)로 도시된 바와 같이, 제어 장치(210-1)는 트레이닝 샘플의 스펙트럼의 제1 세트 및 검증 샘플의 스펙트럼의 제2 세트를 수신한다. 이러한 경우, 트레이닝 샘플과 검증 샘플은 정량화를 위해 관심 대상 물질 그룹에서 성분의 다수의 농도의 샘플을 포함할 수 있다. 예를 들어, 제어 장치(210-1)는 전역 모델 및 (국부 분류 모델 또는 정량화 모델과 같은 국부 모델을 생성하기 위해) 원-위치 국부 모델링 기술을 사용하여 고기의 유형을 식별하기 위해 전역 모델(예를 들어, 전역 분류 모델 또는 정량화 모델)을 생성하고, 고기의 유형에서 특정 단백질의 농도를 정량화한 것에 관한 스펙트럼을 수신할 수 있다. 이러한 경우, 제어 장치(210-1)는 다수의 국부 정량화 모델(예를 들어, 원-위치 국부 모델링을 사용하여 식별된 제1 유형의 고기에서 특정 단백질의 농도를 결정하기 위한 제1 정량화 모델, 원-위치 국부 모델링을 사용하여 식별된 제2 유형의 고기에서 특정 단백질의 농도를 결정하기 위한 제2 정량화 모델 등)을 생성하도록 구성될 수 있다. 제어 장치(210-1)는 트레이닝 세트 및 검증 세트(510)의 각 샘플을 식별하는 정보를 저장한다고 가정한다.
도 5와 관련하여, 제어 장치(210-1)는 분류 모델을 생성하기 위해 hier-SVM 선형 분류기를 이용하고 다수의 정량화 모델을 위해 SC-SVM 분류기를 이용할 것을 선택한 것으로 가정한다. 참조 번호(525)로 도시된 바와 같이, 제어 장치(210-1)는 hier-SVM 선형 분류기 및 제1 세트의 스펙트럼을 사용하여 전역 분류 모델을 트레이닝하고, hier-SVM 선형 분류기 및 제2 세트의 스펙트럼을 사용하여 전역 분류 모델을 확인한다. 또한, 제어 장치(210-1)는 다수의 국부 정량화 모델(예를 들어, 전역 분류 모델의 각 클래스 및/또는 전역 분류 모델에 기초하여 생성된 국부 분류 모델의 각 클래스에 대응하는 국부 정량화 모델)을 트레이닝하고 확인한다. 제어 장치(210-1)는 정량화 모델이 검증 임계값을 만족하는 것으로 (예를 들어, 검증 임계 값을 초과하는 정확도를 갖는 것으로) 결정하는 것으로 가정한다. 참조 번호(530)로 도시된 바와 같이, 제어 장치(210-1)는 (예를 들어, 분광기(220-2)에 의해 수행된 분광 측정값에 정량화를 수행할 때 이용하기 위해) 제어 장치(210-2)에 정량화 모델을 제공하고 (예를 들어, 분광기(220-3)에 의해 수행된 분광 측정값에 정량화를 수행할 때 이용하기 위해) 제어 장치(210-3)에 정량화 모델을 제공한다.
전술한 바와 같이, 도 5는 단지 예시로서 제공된다. 다른 예도 가능하고, 도 5와 관련하여 설명된 것과 다를 수 있다.
이러한 방식으로, 제어 장치(210)는 선택된 (예를 들어, 모델의 전용 가능성, 대규모 정량화 정확도 등에 기초하여 선택된) 분류 기술에 기초하여 정량화 모델을 생성하고 하나 이상의 분광기(220)와 연관된 하나 이상의 다른 제어 장치(210)에 의해 이용하기 위해 정량화 모델을 분배하는 것을 가능하게 한다.
도 6은 원재료를 정량화하는 동안 오긍정 식별을 회피하기 위한 예시적인 프로세스(600)의 흐름도이다. 일부 구현예에서, 도 6의 하나 이상의 프로세스 블록은 제어 장치(210)에 의해 수행될 수 있다. 일부 구현예에서, 도 6의 하나 이상의 프로세스 블록은 분광기(220)와 같은, 제어 장치(210)와는 다르거나 또는 이 제어 장치를 포함하는 다른 장치 또는 장치 그룹에 의해 수행될 수 있다.
도 6에 도시된 바와 같이, 프로세스(600)는 미지의 샘플에 수행된 분광 측정값 세트의 결과를 식별하는 정보를 수신하는 단계를 포함할 수 있다(블록 610). 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 통신 인터페이스(370) 등을 사용하여) 미지의 샘플에 수행된 NIR 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 세트(예를 들어, 다수의 샘플)에 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있다. 미지의 세트는 결정(예를 들어, 분광 정량화)이 수행될 샘플(예를 들어, 미지의 샘플) 세트를 포함할 수 있다. 예를 들어, 제어 장치(210)는 분광기(220)가 미지의 샘플의 세트에 일련의 분광 측정을 수행하게 할 수 있으며, 미지의 샘플의 세트에 대응하는 스펙트럼 세트를 식별하는 정보를 수신할 수 있다.
일부 구현예에서, 제어 장치(210)는 다수의 분광기(220)로부터의 결과를 식별하는 정보를 수신할 수 있다. 예를 들어, 제어 장치(210)는 다수의 분광기(220)가 미지의 세트(예를 들어, 동일한 샘플 세트)에 일련의 분광 측정을 수행하게 할 수 있고, 미지의 세트의 샘플에 대응하는 스펙트럼 세트를 식별하는 정보를 수신할 수 있다. 추가적으로 또는 대안적으로, 제어 장치(210)는 다수의 시간에, 다수의 위치에서, 및/또는 등에서 수행된 분광 측정값 세트의 결과를 식별하는 정보를 수신할 수 있고, 다수의 시간에, 다수의 위치에서, 및/또는 등에서 수행된 분광 측정값의 세트에 기초하여 (예를 들어, 분광 측정값의 세트를 평균낸 것에 기초하여 또는 다른 기술에 기초하여) 특정 샘플을 정량화할 수 있다. 이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과에 영향을 미칠 수 있는 물리적 조건을 설명할 수 있다.
추가적으로 또는 대안적으로, 제어 장치(210)는 제1 분광기(220)가 미지의 세트의 제1 부분에 분광 측정값 세트의 제1 부분을 수행하게 할 수 있고, 제2 분광기(220)가 미지의 세트의 제2 부분에 분광 측정값 세트의 제2 부분을 수행하게 할 수 있다. 이러한 방식으로, 제어 장치(210)는 모든 분광 측정을 단일 분광기(220)에 의해 수행하게 하는 것과 관련하여 일련의 분광 측정을 수행하는데 드는 시간의 양을 감소시킬 수 있다.
이러한 방식으로, 제어 장치(210)는 미지의 샘플에 수행된 분광 측정값 세트의 결과를 식별하는 정보를 수신한다.
도 6에 더 도시된 바와 같이, 프로세스(600)는 미지의 샘플이 정량화 모델에 대응하는지 여부를 결정하는 단계(블록 620)를 포함할 수 있다. 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340) 등을 사용하여) 미지의 샘플이 정량화 모델이 정량화하도록 구성된 물질인지 여부 및/또는 미지의 샘플이 정량화 모델이 정량화하도록 구성된 성분을 물질 내에 포함하는지 여부를 결정하려고 시도할 수 있다.
일부 구현예에서, 제어 장치(210)는 SC-SVM 분류기 기술을 사용하여 미지의 스펙트럼이 정량화 모델에 대응하는지 여부를 결정할 수 있다. 예를 들어, 제어 장치(210)는 SC-SVM 기술을 사용하기 위해 구성 가능한 파라미터 값(nu)을 결정할 수 있다. 파라미터 값은 SC-SVM 기술의 판정 경계 내에 있지 않은 것으로 결정된 트레이닝 세트 샘플에 대해 이 판정 경계 내에 있는 것으로 결정된 트레이닝 세트 샘플의 비율에 대응할 수 있다. 일부 구현예에서, 제어 장치(210)는 파라미터 값에 기초하여 판정 경계를 결정할 수 있다. 일부 구현예에서, 제어 장치(210)는 교차 검증 절차를 사용하여 다수의 가능한 판정 경계를 설정할 수 있고, (예를 들어, 평균화를 통해) 다수의 가능한 판정 경계를 사용한 결과를 결합하여 미지의 스펙트럼이 정량화 모델에 대응하는지 여부를 결정할 수 있다.
일부 구현예에서, 파라미터 값(예를 들어, 트레이닝 세트의 측정값의 절반이 판정 경계 내에 위치되고 트레이닝 세트의 측정값의 절반이 판정 경계 외부에 위치되도록 판정값을 설정하는 0.5의 파라미터 값)을 만족시키도록 판정 경계를 설정한 것에 기초하여, 제어 장치(210)는 측정값으로부터 판정 경계까지의 거리 메트릭에 대응할 수 있는 판정값을 결정할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플의 스펙트럼의 축들의 세트 상에서 위치를 결정할 수 있고, 이 위치와 판정 경계의 가장 가까운 점 사이의 거리를 결정할 수 있다. 본 명세서에 설명된 일부 구현예는 그래프 또는 축들의 세트로 설명되지만, 본 명세서에 설명된 구현예는 예를 들어 미지의 스펙트럼과 관련된 데이터의 다른 표현을 이용하여 그래프 또는 축들의 세트를 사용하지 않고 결정될 수 있다.
일부 구현예에서, 제어 장치(210)는 미지의 스펙트럼의 판정값을 결정할 수 있다. 예를 들어, 제어 장치(210)는 미지의 스펙트럼으로부터 판정 경계까지의 거리를 결정할 수 있다. 일부 구현예에서, 제어 장치(210)는 판정 경계 외부에 위치된 다른 측정값의 판정값을 결정할 수 있다. 이러한 경우, 제어 장치(210)는 판정 경계 외부의 다른 측정값의 판정값에 대해 미지의 스펙트럼의 판정값의 표준 편차의 양을 나타내기 위해 통계적 메트릭을 결정할 수 있다. 예를 들어, 제어 장치(210)는 로그-정규 분포(log-normal distribution)에 기초하여 로그-정규 표준 편차(log-normal standard deviation)를 결정할 수 있고, 표준 편차가 임계값(예를 들어, 1개의 표준 편차, 2개의 표준 편차, 3개의 표준 편차 등)을 만족시키는지 여부를 결정할 수 있다. 이러한 경우, 미지의 샘플의 스펙트럼의 측정값이 판정 경계 외부의 다른 측정값에 대해 판정 경계로부터의 표준 편차의 임계량(예를 들어, 판정 경계로부터의 3개의 표준 편차)보다 더 큰 것에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응하지 않는다고 결정할 수 있다(블록 620 - 아니오). 대안적으로, 측정값이 판정 경계로부터의 임계량 표준 편차보다 더 적은 것에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응한다고 결정할 수 있다(블록 620 - 예). 본 명세서는 특정 통계 기술 및/또는 표준 편차의 특정 임계량으로 설명되지만, 다른 통계 기술 및/또는 임계값이 사용될 수 있다.
이러한 방식으로, 제어 장치(210)는 미지의 샘플과 유사한 (예를 들어, 또한 관심 대상 물질의 트레이닝 세트 샘플로부터 임계량만큼 상이한) 샘플을 사용하여 정량화 모델을 트레이닝함이 없이 정량화 모델로부터 임계량만큼 상이한 미지의 스펙트럼을 식별할 수 있게 한다. 또한, 제어 장치(210)는 정량화 모델을 생성하기 위해 수집될 샘플의 양을 감소시킴으로써, 이에 의해 관심 대상 물질 및/또는 그 농도로부터 임계량만큼 상이한 샘플을 정확히 식별하는 것을 보장하기 위해 다른 샘플을 획득, 저장 및 처리하는 것에 대해 비용, 시간, 및 컴퓨팅 자원 이용(예를 들어, 처리 자원 및 메모리 자원)을 절감한다.
이러한 방식으로, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응하는지 여부를 결정한다.
도 6에 더 도시된 바와 같이, 미지의 샘플이 정량화 모델에 대응하는 것으로 결정한 것(블록 620 - 예)에 기초하여 프로세스(600)는 분광 측정값 세트의 결과에 기초하여 하나 이상의 분광 결정을 수행하는 단계를 포함할 수 있다(블록 630). 예를 들어, 제어 장치(210)는 분광 측정값 세트의 결과에 기초하여 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340) 등을 사용하여) 하나 이상의 분광 결정을 수행할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플을 (예를 들어, 관심 대상 물질에서 성분의 농도의 세트의 특정 농도를 나타내는) 특정 클래스에 할당할 수 있다.
일부 구현예에서, 제어 장치(210)는 신뢰도 메트릭에 기초하여 특정 샘플을 할당할 수 있다. 예를 들어, 제어 장치(210)는, 정량화 모델에 기초하여, 특정 스펙트럼이 정량화 모델의 각 클래스(예를 들어, 각 후보 농도)와 연관될 확률을 결정할 수 있다. 이러한 경우, 제어 장치(210)는 클래스의 특정 확률이 클래스와 연관된 다른 확률을 초과하는 것에 기초하여 미지의 샘플을 클래스(예를 들어, 특정 농도)에 할당할 수 있다. 이러한 방식으로, 제어 장치(210)는 샘플이 연관된 관심 대상 물질에서 성분의 농도를 결정함으로써, 샘플을 정량화한다.
일부 구현예에서, 예를 들어, 정량화 모델이 클래스의 임계량을 초과하는 경우 원-위치 국부 모델링을 수행하기 위해, 제어 장치(210)는 제1 결정에 기초하여 국부 정량화 모델을 생성할 수 있다. 국부 정량화 모델은 제1 결정과 연관된 신뢰도 메트릭에 기초하여 SVM 결정 기술(예를 들어, SVM-rbf, SVM-선형 등의 커널 함수; 확률 값 기반 SVM, 판정값 기반 SVM 등)을 사용하여 생성된 원-위치 정량화 모델을 지칭할 수 있다.
일부 구현예에서, 제어 장치(210)는 전역 분류 모델을 사용하여 제1 결정을 수행한 것에 기초하여 국부 정량화 모델을 생성할 수 있다. 예를 들어, 제어 장치(210)가 미지의 샘플에서 성분의 농도를 결정하는데 이용되고, 다수의 미지의 샘플이 성분의 농도를 결정하기 위해 상이한 정량화 모델과 연관된 경우, 제어 장치(210)는 제1 결정을 이용하여 미지의 샘플의 국부 클래스로서 클래스의 서브세트를 생성하고, 미지의 샘플의 국부 클래스와 연관된 국부 정량화 모델을 생성할 수 있다. 이러한 방식으로, 제어 장치(210)는 분광 분류를 향상시키기 위해 계층적 결정 및 정량화 모델을 이용한다. 이러한 경우, 제어 장치(210)는 국부 정량화 모델의 다른 측정값의 서브세트에 대해 미지의 샘플의 거리 메트릭을 결정한 것에 기초하여 미지의 샘플이 국부 정량화 모델에 대응하는지 여부를 결정할 수 있다.
일례로서, 식물(plant) 물질이 다수의 정량화 모델과 연관이 있는 (예를 들어, 식물이 실내에서 재배되는지 또는 실외에서 재배되는지, 겨울철에 재배되는지 또는 여름철에 재배되는지 등 여부와 관련하여) 식물 물질에서 특정 화학 물질의 농도를 결정하기 위해 원재료의 식별을 수행하는 경우, 제어 장치(210)는 일련의 분류 결정을 수행하여 특정 정량화 모델을 식별할 수 있다. 이러한 경우, 제어 장치(210)는 일련의 결정을 수행한 것에 기초하여 식물이 겨울철에 실내에서 자라고 있다고 결정하고, 특정 화학 물질의 농도를 결정하기 위해 식물이 겨울철에 실내에서 자라고 있는 것과 관련한 정량화 모델을 선택할 수 있다. 정량화 모델을 선택한 것에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응한다고 결정할 수 있고, 정량화 모델을 사용하여 미지의 샘플을 정량화할 수 있다.
일부 구현예에서, 제어 장치(210)는 정량화 모델을 사용하여 미지의 샘플을 정량화하지 못할 수 있다. 예를 들어, 임계값을 만족시키지 못하는 하나 이상의 판정값 또는 다른 신뢰도 메트릭에 기초하여, 제어 장치(210)는 미지의 샘플이 정량화 모델을 사용하여 정확하게 정량화될 수 없다고 결정할 수 있다(블록 630 - A). 대안적으로, 제어 장치(210)는 하나 이상의 판정값 또는 다른 신뢰도 메트릭이 임계 값을 만족하는 것에 기초하여 미지의 샘플을 성공적으로 정량화할 수 있다(블록 630 - B).
이러한 방식으로, 제어 장치(210)는 분광 측정값 세트의 결과에 기초하여 하나 이상의 분광 결정을 수행한다.
도 6에 더 도시된 바와 같이, 미지의 샘플이 정량화 모델에 대응하지 않는 것으로 결정한 것에 기초하여(블록 620 - 아니오) 또는 하나 이상의 분광 결정을 수행할 때 실패 결정한 것에 기초하여(블록 630 - A), 프로세스(600)는 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 출력을 제공하는 단계를 포함할 수 있다(블록 640). 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340), 통신 인터페이스(370) 등을 사용하여) 예를 들어 사용자 인터페이스를 통해 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플을 식별하는 것과 연관된 정보를 제공할 수 있다. 예를 들어, 특정 식물에서 특정 화학 물질의 양을 정량화하는 시도에 기초하여, 및 미지의 샘플이 특정 식물이 아니라고 (그러나 대신 예를 들어 인간의 에러에 기초하여 다른 식물이라고) 결정한 것에 기초하여, 제어 장치(210)는 다른 식물을 식별하는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 또 다른 정량화 모델을 획득할 수 있고, 미지의 샘플이 정량화 모델에 대응하지 않는 것으로 결정한 것에 기초하여 미지의 샘플을 식별하기 위해 다른 정량화 모델을 사용할 수 있다.
이러한 방식으로, 제어 장치(210)는 미지의 샘플의 오긍정 식별에 기초하여 부정확한 정보를 제공할 가능성을 감소시키고, 미지의 샘플이 예를 들어 특정 식물이 아닌 다른 식물인 것으로 결정하는 데 도움이 되는 정보를 제공함으로써 기술자에 의해 에러를 정정할 수 있게 한다.
이러한 방식으로, 제어 장치(210)는 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 출력을 제공한다.
도 6에 더 도시된 바와 같이, 하나 이상의 분광 결정을 수행할 때 분류 성공(블록 630 - B)에 기초하여, 프로세스(600)는 미지의 샘플에 관한 분류를 식별하는 정보를 제공하는 단계(블록 650)를 포함할 수 있다. 예를 들어, 제어 장치(210)는 (예를 들어, 프로세서(320), 메모리(330), 저장 구성 요소(340), 통신 인터페이스(370) 등을 사용하여) 미지의 샘플에 관한 정량화를 식별하는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 미지의 샘플의 특정 클래스를 식별하는 정보를 제공할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플과 연관된 특정 스펙트럼이 관심 대상 물질에서 성분의 특정 농도에 대응하는 특정 클래스와 연관된 것으로 결정된 것을 나타내는 정보를 제공함으로써 미지의 샘플을 식별할 수 있다.
일부 구현예에서, 제어 장치(210)는 미지의 샘플을 특정 클래스에 할당하는 것과 연관된 신뢰도 메트릭을 나타내는 정보를 제공할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플이 특정 클래스 등과 연관될 확률을 식별하는 정보를 제공할 수 있다. 이러한 방식으로, 제어 장치(210)는 특정 스펙트럼이 특정 클래스에 정확히 할당된 가능성을 나타내는 정보를 제공한다.
일부 구현예에서, 제어 장치(210)는 일련의 분류를 수행한 것에 기초하여 정량화를 제공할 수 있다. 예를 들어, 미지의 샘플의 클래스와 관련된 국부 정량화 모델을 식별한 것에 기초하여, 제어 장치(210)는 미지의 샘플에서 물질종의 농도를 식별하는 정보를 제공할 수 있다. 일부 구현예에서, 제어 장치(210)는 일련의 정량화를 수행한 것에 기초하여 정량화 모델을 업데이트할 수 있다. 예를 들어, 제어 장치(210)는 미지의 샘플을 관심 대상 물질에서 성분의 특정 농도로 정량화 결정한 것에 기초하여 미지의 샘플을 포함하는 새로운 정량화 모델을 트레이닝 세트의 샘플로서 생성할 수 있다.
이러한 방식으로, 제어 장치(210)는 미지의 샘플을 식별하는 정보를 제공한다.
도 6은 프로세스(600)의 예시적인 블록을 도시하지만, 일부 구현예에서, 프로세스(600)는 도 6에 도시된 것에 비해 추가적인 블록, 더 적은 수의 블록, 다른 블록, 또는 다르게 배열된 블록을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로세스(600)의 블록들 중 2개 이상은 병렬로 수행될 수 있다.
도 7a 및 도 7b는 도 6에 도시된 예시적인 프로세스(600)와 연관된 예측 성공률에 관한 예시적인 구현예(700)를 나타내는 도면이다. 도 7a 및 도 7b는 계층적 지원 벡터 머신(hier-SVM-선형) 기반 기술을 사용하여 원재료를 식별한 예시적인 결과를 도시한다.
도 7a에 및 참조 번호(705)로 도시된 바와 같이, 제어 장치(210)는 분광기(220)가 일련의 분광 측정을 수행하게 할 수 있다. 예를 들어, 제어 장치(210)는 분광기(220)가 미지의 샘플에서 성분의 농도를 결정하기 위해 미지의 샘플의 스펙트럼을 획득하게 하는 명령을 제공할 수 있다. 참조 번호(710) 및 참조 번호(715)로 도시된 바와 같이, 분광기(220)는 미지의 샘플을 수령할 수 있고, 미지의 샘플에 일련의 분광 측정을 수행할 수 있다. 참조 번호(720)로 도시된 바와 같이, 제어 장치(210)는 미지의 샘플에 일련의 분광 측정을 수행한 미지의 샘플 기반 분광기(220)의 스펙트럼을 수신할 수 있다.
도 7b에 도시된 바와 같이, 제어 장치(210)는 정량화 모델(725)을 사용하여 분광 정량화를 수행할 수 있다. 정량화 모델(725)은, 단일 클래스(730)의 판정 경계가 판정 경계 내에 있지 않은 트레이닝 세트의 샘플에 대해 판정 경계 내에 있는 트레이닝 세트의 샘플의 임계 비율을 초래하도록, 파라미터 값(nu)에 기초하여 결정된 단일 클래스(730)를 포함한다. 이러한 경우, 정량화 모델(725)은 트레이닝 세트의 샘플에서 성분의 다수의 상이한 농도에 대응하는 다수의 서브-클래스와 연관될 수 있다. 참조 번호(735) 및 참조 번호(740)로 도시된 바와 같이, 미지의 샘플의 스펙트럼은 임계값(예를 들어, 3)을 만족시키는 판정 경계까지의 샘플의 거리에 대한 표준 편차 값(예를 들어, σ = 3.2)에 기초한 정량화 모델에 대응하지 않는 것으로 결정된다. 참조 번호(745)로 도시된 바와 같이, 제어 장치(210)는, 미지의 샘플의 오긍정 식별을 관심 대상 물질에서 성분의 특정 농도로 제공하는 것이 아니라, 미지의 샘플이 정량화 모델에 대응하지 않는 것을 나타내는 출력을 클라이언트 장치(750)에 제공한다.
전술한 바와 같이, 도 7a 및 도 7b는 단지 예시로서 제공된다. 다른 예도 가능하고 도 7a 및 도 7b와 관련하여 설명된 것과 다를 수 있다.
이러한 방식으로, 제어 장치(210)는 정량화 모델이 식별하도록 트레이닝된 관심 대상 물질에서 미지의 샘플을 성분의 특정 농도인 것으로 오긍정 식별할 가능성을 피하는 것에 기초하여 부정확한 분광 결과를 제공할 가능성을 감소시킨다.
전술한 내용은 예시 및 설명을 제공하지만, 개시된 정확한 형태로 구현을 제한하거나 모든 실시예를 전부 제시하려고 의도된 것은 아니다. 변경 및 변형은 상기 내용에 비추어 가능하거나, 구현을 실시하는 것으로부터 얻어질 수 있을 것이다.
일부 구현예는 임계값과 관련하여 본 명세서에 설명된다. 본 명세서에 사용된 바와 같이, 임계값을 만족한다는 것은 값이 임계값보다 더 크거나, 임계값보다 더 많거나, 임계값보다 더 높거나, 임계값 이상이거나, 임계값보다 더 적거나, 임계값보다 더 작거나, 임계값보다 더 낮거나, 임계값 이하이거나, 임계값과 같은 것을 나타낼 수 있다.
본 명세서에 설명된 시스템 및/또는 방법은 여러 형태의 하드웨어, 펌웨어, 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것은 자명하다. 이러한 시스템 및/또는 방법을 구현하는 데 사용되는 실제 전문 제어 하드웨어 또는 소프트웨어 코드는 본 발명을 구현하는 것을 제한하는 것이 아니다. 따라서, 시스템 및/또는 방법의 동작 및 거동은 특정 소프트웨어 코드를 참조하지 않고 본 명세서에서 설명되었으며, 여기서 소프트웨어 및 하드웨어는 본 명세서의 설명에 기초하여 시스템 및/또는 방법을 구현하도록 설계될 수 있는 것으로 이해된다.
특징들의 특정 조합이 청구 범위에 기재되어 있고/있거나 명세서에 개시되어 있지만, 이들 조합은 가능한 구현의 개시를 제한하려고 의도된 것이 아니다. 실제, 이들 특징 중 다수는 구체적으로 청구범위에 기재되어 있고/있거나 명세서에 개시되어 있지 않은 방식으로 결합될 수 있다. 아래에 열거된 각각의 종속 청구항은 하나의 청구항만을 직접 종속할 수 있지만, 가능한 구현의 내용은 각각의 종속 청구항이 청구범위 내 모든 다른 청구항을 인용하는 것을 포함한다.
본 명세서에 사용된 요소, 동작 또는 명령은 그 어느 것도 명시적으로 그러한 것으로서 설명되지 않는 한, 본 발명에 결정적이라거나 필수적인 것이라고 해석되어서는 안 된다. 또한, 본 명세서에 사용된 단수는 하나 이상 항목을 포함하는 것으로 의도되고, "하나 이상"과 상호 교환 가능하게 사용될 수 있다. 또한, 본 명세서에서 사용된 "일련의" 및 "세트"라는 용어는 하나 이상의 항목(예를 들어, 관련 항목, 비관련 항목, 및 관련 항목과 비관련 항목의 조합 등)을 포함하도록 의도되고, "하나 이상"과 상호 호환 가능하게 사용될 수 있다. 단 하나의 항목만이 의도된 경우 "하나의"라는 용어 또는 이와 유사한 언어가 사용된다. 또한, 본 명세서에 사용된 "갖는다", "갖고", "갖는" 등의 용어는 개방형 용어인 것으로 의도된다. 또한, "~에 기초하여"이라는 어구는 명시적으로 달리 언급되지 않는 한, "적어도 부분적으로 ~에 기초하여"를 의미하는 것으로 의도된다.

Claims (20)

  1. 방법으로서,
    장치가 분광기로 하나 이상의 분광 측정을 수행하기 위한 명령을 제공하는 단계;
    상기 장치가 하나 이상의 분광 측정을 수행하기 위한 상기 명령을 제공하는 것에 기초하여 상기 분광기로부터 스펙트럼 세트를 수신하는 단계;
    상기 장치가 계층 지원 벡터 머신(hier-support vector machine: hier-SVM) 선형 분류기 및 상기 스펙트럼 세트의 제1 스펙트럼 세트를 이용하여 전역 분류 모델을 트레이닝하는 단계;
    상기 장치가 상기 hier-SVM 선형 분류기 및 상기 스펙트럼 세트의 제2 스펙트럼 세트를 이용하여 상기 전역 분류 모델을 검증하는 단계; 및
    상기 장치가 상기 전역 분류 모델을 검증한 후 하나 이상의 정량화 모델을 제공하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 하나 이상의 정량화 모델을 제공하는 단계는,
    제1 상이한 분광기와 연관된 제1 상이한 장치 및 제2 상이한 분광기와 연관된 제2 상이한 장치에 상기 하나 이상의 정량화 모델을 제공하는 단계를 포함하는, 방법.
  3. 제1항에 있어서,
    상기 전역 분류 모델과 연관된 다수의 국부 정량화 모델을 트레이닝 및 검증하는 단계를 더 포함하고,
    상기 다수의 국부 정량화 모델은 상기 하나 이상의 정량화 모델을 포함하는, 방법.
  4. 제1항에 있어서, 상기 하나 이상의 정량화 모델은,
    상기 전역 분류 모델의 제1 클래스에 대응하는 제1 정량화 모델; 및
    상기 전역 분류 모델의 제2 클래스에 대응하는 제2 정량화 모델을 포함하는, 방법.
  5. 제1항에 있어서, 상기 하나 이상의 정량화 모델은,
    상기 전역 분류 모델에 기초하여 생성된 국부 분류 모델의 제1 클래스에 대응하는 제1 정량화 모델; 및
    상기 국부 분류 모델의 제2 클래스에 대응하는 제2 정량화 모델을 포함하는, 방법.
  6. 제1항에 있어서, 상기 하나 이상의 분광 측정을 수행하기 위한 명령은 트레이닝 세트 및 검증 세트에 대해 하나 이상의 분광 측정을 수행하기 위한 명령을 포함하는, 방법.
  7. 제1항에 있어서, 상기 하나 이상의 정량화 모델은,
    원-위치(in-situ) 국부 모델링을 사용하여 식별된 제1 유형의 고기에서 특정 단백질의 농도를 결정하기 위한 제1 정량화 모델; 및
    원-위치 국부 모델링을 사용하여 식별된 제2 유형의 고기에서 상기 특정 단백질의 농도를 결정하기 위한 제2 정량화 모델을 포함하는, 방법.
  8. 장치로서,
    하나 이상의 메모리; 및
    상기 하나 이상의 메모리에 결합된 하나 이상의 프로세서를 포함하되,
    상기 하나 이상의 프로세서는,
    분광기로부터 하나 이상의 분광 측정과 연관된 스펙트럼 세트를 수신하고;
    계층 지원 벡터 머신(hier-SVM) 선형 분류기 및 상기 스펙트럼 세트의 제1 스펙트럼 세트를 이용하여 전역 분류 모델을 트레이닝하고;
    상기 hier-SVM 선형 분류기 및 상기 스펙트럼 세트의 제2 스펙트럼 세트를 이용하여 상기 전역 분류 모델을 검증하고; 그리고
    상기 전역 분류 모델을 검증한 후 하나 이상의 정량화 모델을 제공하도록 구성된, 장치.
  9. 제8항에 있어서, 상기 하나 이상의 정량화 모델을 제공하는 상기 하나 이상의 프로세서는,
    제1 상이한 분광기와 연관된 제1 상이한 장치 및 제2 상이한 분광기와 연관된 제2 상이한 장치에 상기 하나 이상의 정량화 모델을 제공하도록 구성된, 장치.
  10. 제8항에 있어서, 상기 하나 이상의 프로세서는,
    상기 전역 분류 모델과 연관된 다수의 국부 정량화 모델을 트레이닝하도록 구성되고,
    상기 다수의 국부 정량화 모델은 상기 하나 이상의 정량화 모델을 포함하는, 장치.
  11. 제8항에 있어서, 상기 하나 이상의 정량화 모델은,
    상기 전역 분류 모델의 제1 클래스에 대응하는 제1 정량화 모델; 및
    상기 전역 분류 모델의 제2 클래스에 대응하는 제2 정량화 모델을 포함하는, 장치.
  12. 제8항에 있어서, 상기 하나 이상의 정량화 모델은,
    상기 전역 분류 모델에 기초하여 생성된 국부 분류 모델의 제1 클래스에 대응하는 제1 정량화 모델; 및
    상기 국부 분류 모델의 제2 클래스에 대응하는 제2 정량화 모델을 포함하는, 장치.
  13. 제8항에 있어서, 상기 하나 이상의 정량화 모델은,
    원-위치 국부 모델링을 사용하여 식별된 제1 유형의 고기에서 특정 단백질의 농도를 결정하기 위한 제1 정량화 모델; 및
    원-위치 국부 모델링을 사용하여 식별된 제2 유형의 고기에서 상기 특정 단백질의 농도를 결정하기 위한 제2 정량화 모델을 포함하는, 장치.
  14. 명령의 세트를 저장하는 비-일시적인 컴퓨터 판독 가능 매체로서, 상기 명령의 세트는,
    장치의 하나 이상의 프로세서에 의해 실행될 때, 상기 장치가,
    분광기로 하나 이상의 분광 측정을 수행하기 위한 명령을 제공하는 동작;
    하나 이상의 분광 측정을 수행하기 위한 상기 명령을 제공하는 것에 기초하여 상기 분광기로부터 스펙트럼 세트를 수신하는 동작;
    계층 지원 벡터 머신(hier-SVM) 선형 분류기 및 상기 스펙트럼 세트의 제1 스펙트럼 세트를 이용하여 전역 분류 모델을 트레이닝하는 동작;
    상기 hier-SVM 선형 분류기 및 상기 스펙트럼 세트의 제2 스펙트럼 세트를 이용하여 상기 전역 분류 모델을 검증하는 동작; 및
    상기 전역 분류 모델을 검증한 후 하나 이상의 정량화 모델을 제공하는 동작을 수행하게 하는 하나 이상의 명령을 포함하는, 비-일시적인 컴퓨터 판독 가능 매체.
  15. 제14항에 있어서, 상기 장치가 상기 하나 이상의 정량화 모델을 제공하게 하는 상기 하나 이상의 명령은, 상기 장치가,
    제1 상이한 분광기와 연관된 제1 상이한 장치 및 제2 상이한 분광기와 연관된 제2 상이한 장치에 상기 하나 이상의 정량화 모델을 제공하게 하는, 비-일시적인 컴퓨터 판독 가능 매체.
  16. 제14항에 있어서, 상기 하나 이상의 명령은, 상기 장치가,
    상기 전역 분류 모델과 연관된 다수의 국부 정량화 모델을 검증하게 하고,
    상기 다수의 국부 정량화 모델은 상기 하나 이상의 정량화 모델을 포함하는, 비-일시적인 컴퓨터 판독 가능 매체.
  17. 제14항에 있어서, 상기 하나 이상의 정량화 모델은,
    상기 전역 분류 모델의 제1 클래스에 대응하는 제1 정량화 모델; 및
    상기 전역 분류 모델의 제2 클래스에 대응하는 제2 정량화 모델을 포함하는, 비-일시적인 컴퓨터 판독 가능 매체.
  18. 제14항에 있어서, 상기 하나 이상의 정량화 모델은,
    상기 전역 분류 모델에 기초하여 생성된 국부 분류 모델의 제1 클래스에 대응하는 제1 정량화 모델; 및
    상기 국부 분류 모델의 제2 클래스에 대응하는 제2 정량화 모델을 포함하는, 비-일시적인 컴퓨터 판독 가능 매체.
  19. 제14항에 있어서, 상기 하나 이상의 분광 측정을 수행하기 위한 명령은 트레이닝 세트 및 검증 세트에 대해 하나 이상의 분광 측정을 수행하기 위한 명령을 포함하는, 비-일시적인 컴퓨터 판독 가능 매체.
  20. 제14항에 있어서, 상기 하나 이상의 정량화 모델은,
    원-위치 국부 모델링을 사용하여 식별된 제1 유형의 고기에서 특정 단백질의 농도를 결정하기 위한 제1 정량화 모델; 및
    원-위치 국부 모델링을 사용하여 식별된 제2 유형의 고기에서 상기 특정 단백질의 농도를 결정하기 위한 제2 정량화 모델을 포함하는, 비-일시적인 컴퓨터 판독 가능 매체.
KR1020220139482A 2018-01-26 2022-10-26 분광 정량화를 위한 감소된 오긍정 식별 KR20220149498A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862622641P 2018-01-26 2018-01-26
US62/622,641 2018-01-26
US16/034,901 2018-07-13
US16/034,901 US11009452B2 (en) 2018-01-26 2018-07-13 Reduced false positive identification for spectroscopic quantification
KR1020190009907A KR102461384B1 (ko) 2018-01-26 2019-01-25 분광 정량화를 위한 감소된 오긍정 식별

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020190009907A Division KR102461384B1 (ko) 2018-01-26 2019-01-25 분광 정량화를 위한 감소된 오긍정 식별

Publications (1)

Publication Number Publication Date
KR20220149498A true KR20220149498A (ko) 2022-11-08

Family

ID=65003247

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020190009907A KR102461384B1 (ko) 2018-01-26 2019-01-25 분광 정량화를 위한 감소된 오긍정 식별
KR1020220139482A KR20220149498A (ko) 2018-01-26 2022-10-26 분광 정량화를 위한 감소된 오긍정 식별

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020190009907A KR102461384B1 (ko) 2018-01-26 2019-01-25 분광 정량화를 위한 감소된 오긍정 식별

Country Status (8)

Country Link
US (3) US11009452B2 (ko)
EP (1) EP3517931A1 (ko)
JP (2) JP7242311B2 (ko)
KR (2) KR102461384B1 (ko)
CN (2) CN110084262B (ko)
CA (1) CA3029739A1 (ko)
MX (2) MX2019000496A (ko)
TW (2) TWI759577B (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10810408B2 (en) 2018-01-26 2020-10-20 Viavi Solutions Inc. Reduced false positive identification for spectroscopic classification
US11656174B2 (en) 2018-01-26 2023-05-23 Viavi Solutions Inc. Outlier detection for spectroscopic classification
US11009452B2 (en) 2018-01-26 2021-05-18 Viavi Solutions Inc. Reduced false positive identification for spectroscopic quantification
JP7226230B2 (ja) * 2019-09-27 2023-02-21 豊田合成株式会社 熱抵抗予測方法及び特性検査機
JP7353940B2 (ja) * 2019-11-26 2023-10-02 株式会社日立製作所 転移可能性判定装置、転移可能性判定方法、及び転移可能性判定プログラム
EP4300086A1 (en) * 2021-02-26 2024-01-03 Hitachi, Ltd. Material identification assistance device, method, and program
US20230038984A1 (en) * 2021-07-30 2023-02-09 Viavi Solutions Inc. Utilizing prediction thresholds to facilitate spectroscopic classification
WO2023126996A1 (ja) * 2021-12-27 2023-07-06 日本たばこ産業株式会社 植物が含有する所定の成分の量を予測する方法、システム及びプログラム

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2566543B1 (fr) 1984-06-20 1988-02-26 Commissariat Energie Atomique Dispositif optique a rendement de collection eleve et cytofluorimetre en faisant application
JP2922110B2 (ja) * 1994-02-22 1999-07-19 株式会社エヌ・ティ・ティ・データ 物品同定システム
US6785638B2 (en) 2001-08-06 2004-08-31 Timbre Technologies, Inc. Method and system of dynamic learning through a regression-based library generation process
EP1499231A4 (en) * 2002-03-08 2007-09-26 Sensys Medical Inc COMPACT DEVICE FOR NONINVASIVE MEASUREMENT OF GLUCOSE BY NEAR-INFRARED SPECTROSCOPY
US7376456B2 (en) 2002-08-05 2008-05-20 Infraredx, Inc. Near-infrared spectroscopic analysis of blood vessel walls
US7218395B2 (en) 2003-04-16 2007-05-15 Optopo Inc. Rapid pharmaceutical identification and verification system
US7514268B2 (en) * 2003-11-24 2009-04-07 The Boeing Company Method for identifying contaminants
CA2589176A1 (en) 2004-11-29 2006-06-01 Scientific Analytics Systems Pty Ltd Modelling a phenomenon that has spectral data
EP1902356A4 (en) 2005-06-09 2009-08-19 Chemimage Corp CRIMINOLOGICAL INTEGRATED SEARCH TECHNOLOGY
US20070148697A1 (en) * 2005-12-27 2007-06-28 Boston Scientific Scimed, Inc. Methods and system for high throughput screening of polymer materials for medical devices
TW200741192A (en) * 2006-03-10 2007-11-01 Koninkl Philips Electronics Nv Methods and systems for identification of DNA patterns through spectral analysis
US20110237446A1 (en) 2006-06-09 2011-09-29 Chemlmage Corporation Detection of Pathogenic Microorganisms Using Fused Raman, SWIR and LIBS Sensor Data
US7990532B2 (en) 2007-01-16 2011-08-02 Chemimage Corporation Method and apparatus for multimodal detection
EP1992939A1 (en) 2007-05-16 2008-11-19 National University of Ireland, Galway A kernel-based method and apparatus for classifying materials or chemicals and for quantifying the properties of materials or chemicals in mixtures using spectroscopic data.
WO2009082418A2 (en) 2007-10-12 2009-07-02 Real-Time Analyzers, Inc. Method and apparatus for determining properties of fuels
CN101504363A (zh) * 2009-03-18 2009-08-12 哈尔滨商业大学 一种基于近红外光谱分析的食用油脂酸价检测方法
WO2011077765A1 (ja) 2009-12-25 2011-06-30 古河電気工業株式会社 検体識別分取装置および検体識別分取方法
JP5663089B2 (ja) * 2010-08-05 2015-02-04 アボット ポイント オブ ケア インコーポレイテッド 顕微鏡画像からの自動全血試料分析のための方法および装置
US8859969B2 (en) * 2012-03-27 2014-10-14 Innovative Science Tools, Inc. Optical analyzer for identification of materials using reflectance spectroscopy
NL2009015C2 (en) 2012-04-10 2013-10-15 Biosparq B V Method for classification of a sample on the basis of spectral data, method for creating a database and method for using this database, and corresponding computer program, data storage medium and system.
CN103364359A (zh) 2012-04-11 2013-10-23 天士力制药集团股份有限公司 Simca模式识别法在近红外光谱识别大黄药材中的应用
US20130311136A1 (en) 2012-05-18 2013-11-21 Mustard Tree Instruments, Llc Rule-Based Sample Verification and Chemical Monitoring Methodology
WO2014165331A1 (en) * 2013-03-21 2014-10-09 Jds Uniphase Corporation Spectroscopic characterization of seafood
AU2014318499B2 (en) 2013-09-16 2019-05-16 Biodesix, Inc Classifier generation method using combination of mini-classifiers with regularization and uses thereof
JP5850205B2 (ja) * 2013-11-27 2016-02-03 大日本印刷株式会社 培地情報登録システム、コロニー検出装置、プログラム及び衛生管理システム
JP6284643B2 (ja) 2013-12-02 2018-02-28 キューベース リミテッド ライアビリティ カンパニー 非構造化テキストにおける特徴の曖昧性除去方法
EP3201812B1 (en) 2014-10-02 2021-02-17 Biodesix, Inc. Predictive test for aggressiveness or indolence of prostate cancer from mass spectrometry of blood-based sample
JP6547275B2 (ja) 2014-10-29 2019-07-24 株式会社リコー 情報処理システム、情報処理装置、情報処理方法、及びプログラム
US9824434B2 (en) 2015-08-18 2017-11-21 Industrial Technology Research Institute System and method for object recognition
EP3136270B1 (en) 2015-08-26 2021-02-24 Viavi Solutions Inc. Raw material identification using spectroscopy
JP6952056B2 (ja) 2016-01-22 2021-10-20 オートレイシーズ, インク.Otraces, Inc. 疾患診断を改善するシステム及び方法
SG11201808401QA (en) 2016-04-04 2018-10-30 Boehringer Ingelheim Rcv Gmbh Real time monitoring of product purification
EP3258285B1 (en) 2016-06-14 2020-10-21 Bruker BioSpin GmbH Method for predicting chemical shift values of nmr spin systems in a sample of a fluid class, in particular in a sample of a biofluid
US10936921B2 (en) * 2017-06-15 2021-03-02 Spynsite Llc Machine learning and/or image processing for spectral object classification
CN107561024B (zh) * 2017-07-17 2020-03-17 核工业北京地质研究院 一种适用于盐湖富铀水体的高光谱遥感识别方法
US10810408B2 (en) 2018-01-26 2020-10-20 Viavi Solutions Inc. Reduced false positive identification for spectroscopic classification
US11656174B2 (en) 2018-01-26 2023-05-23 Viavi Solutions Inc. Outlier detection for spectroscopic classification
US11009452B2 (en) 2018-01-26 2021-05-18 Viavi Solutions Inc. Reduced false positive identification for spectroscopic quantification

Also Published As

Publication number Publication date
US11009452B2 (en) 2021-05-18
TW202223750A (zh) 2022-06-16
CN110084262A (zh) 2019-08-02
TWI784887B (zh) 2022-11-21
US20230385383A1 (en) 2023-11-30
CN110084262B (zh) 2022-07-05
MX2022005667A (es) 2022-06-16
TW201935316A (zh) 2019-09-01
KR20190091219A (ko) 2019-08-05
KR102461384B1 (ko) 2022-11-01
US11775616B2 (en) 2023-10-03
CN115293233A (zh) 2022-11-04
US20210215597A1 (en) 2021-07-15
CA3029739A1 (en) 2019-07-26
JP2019148583A (ja) 2019-09-05
EP3517931A1 (en) 2019-07-31
US20190234866A1 (en) 2019-08-01
MX2019000496A (es) 2019-07-29
JP2023041065A (ja) 2023-03-23
JP7242311B2 (ja) 2023-03-20
TWI759577B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
KR102461384B1 (ko) 분광 정량화를 위한 감소된 오긍정 식별
JP7238056B2 (ja) 誤検知を減少させた分光学的分類のための識別
CN106483083B (zh) 使用光谱学的识别
US11656174B2 (en) Outlier detection for spectroscopic classification
EP4033419A1 (en) Outlier detection for spectroscopic classification

Legal Events

Date Code Title Description
A107 Divisional application of patent