WO2015087892A1

WO2015087892A1 - 混合物試料に由来する電磁波信号を処理する方法及び混合物試料の属性を識別する方法

Info

Publication number: WO2015087892A1
Application number: PCT/JP2014/082616
Authority: WO
Inventors: 小池　薫; 慶子平川; 曜吉大野; 森山　剛; 森川　秀行; 秀樹村木
Original assignee: 国立大学法人京都大学; 学校法人日本医科大学; 学校法人東京工芸大学; 株式会社ユニフローズ
Priority date: 2013-12-10
Filing date: 2014-12-10
Publication date: 2015-06-18
Also published as: JP2015114157A; JP6281973B2

Abstract

　本発明は、混合物試料（特に、複雑・不均質な混合物試料）について、従来は利用できなかった及び／又は利用されていなかった情報を用いて当該混合物試料の分析（特性評価、属性識別など）を行うことを可能とする。本発明の一態様である、混合物試料に由来する電磁波信号を処理する方法は、前記電磁波信号から可聴域データ又は可視域データを生成すること、及び、前記可聴域データ又は前記可視域データを音又は色に変換し、変換された音又は色を前記混合物試料の特性を示す情報として出力すること、を含む。

Description

混合物試料に由来する電磁波信号を処理する方法及び混合物試料の属性を識別する方法

　本発明は、混合物試料を分析（解析）する技術に関し、特に混合物試料に由来する電磁波信号を処理する方法及び混合物試料の属性を識別する方法に関する。

　混合物は、「単純な混合物」と「複雑・不均質な混合物」とに大別される。「単純な混合物」とは、同定可能な比較的少数の物質が組み合わされたものをいう。「複雑・不均質な混合物」とは、（１）数多くの物質が多様な濃度で混在し、（２）未知の成分を含み、（３）物質間相互作用を示す、ものをいう。

　ここで、前記数多くの物質には、低分子～高分子の化合物、単体（単一の元素からなる物質）などが含まれる。また、前記物質間相互作用の多くは、分子間に働く分子間力により生じる分子間相互作用であるとされている。そして、この分子間相互作用によって「複雑・不均質な混合物」中の化合物・単体は超分子的に集合・複合化し、これにより、「複雑・不均質な混合物」全体の構造・機能が決定されて、「複雑・不均質な混合物」は、全体として固有の特性を示す。

　なお、ここでの詳細な説明は省略するが、前記分子間相互作用の本質である分子間力には、クーロン力、配向力、誘起力、分散力、電荷移動力、交換斥力などがあり、実際に観測される分子間相互作用には、静電的相互作用、ファン・デル・ワールス相互作用、電荷移動相互作用などがある。

　「複雑・不均質な混合物」としては、例えば、化石燃料（石炭・石油など）、合成高分子、及び生物サンプルが該当する。もちろん、これらに限られるものではなく、「複雑・不均質な混合物」には、水汚染物質や悪臭物質など多数・多種類の混合物が含まれる。

　石炭は、常温で固体の炭化水素化合物（分子量数百～数千）を多数含む、組成が極めて複雑な混合物であり、発電燃料やコークス原料として利用されている。石炭全体の化学構造（石炭構造）には未だ分からない点が多く、このことが石炭の効率的・クリーンな利用を可能とする技術開発を遅らせる原因となっている。近年、分子間相互作用による石炭構造の解明及びそれに基づく高効率・高選択的な革新的石炭利用プロセスの設計・開発が進められている。

　石油は、常温で液体の炭化水素化合物（分子量数百以下）を多数含む、非常に複雑な構造を持つ混合物であり、輸送用燃料や化学原料として利用されている。これまで石油については平均的な構造式や一般性状を拠り所にした精製処理が行われてきたが、近年、原油や石油製品を分子の集合体として捉え、その詳細な組成と化学構造に基づいて物性や反応性を解析・予測するペトロリオミクス技術の開発が盛んとなっている。

　合成高分子は、一般に、多数の重合同族体からなる複雑な混合物であり、エレクトロニクス分野、バイオメディカル分野、及び航空宇宙分野をはじめとする様々な分野における先端的な材料として用いられている。合成高分子材料の要求特性は高度化しており、それに伴って合成高分子の化学構造も複雑化している。現在の分子特性解析技術（モレキュラー・キャラクタリゼーション）は、このような合成高分子の開発スピードに充分に対応できていないのが実情である。合成高分子の特性解析においては、合成された高分子毎の平均の分子量などの構造パラメータの平均値だけではなく、それらの分布や連鎖の測定に基づく物性の理解が重要になっている。

　生物サンプルは、血液、血漿、血清、唾液、胸水、鼻腔液、細胞内液、細胞間液、リンパ液、脳脊髄液、胆汁酸、滑液、心のう液、腹水、糞便、眼内液、喀痰、尿、細胞、組織、臓器などである。また、生物サンプルには、アミノ酸、アミン、ヌクレオチド、糖、脂質などの低分子量代謝物質に加えて、核酸・たんぱく質などの生体高分子や細胞膜、さらにはそれらの分解物や断片なども含まれる。生物サンプルを構成する個々の物質の物理化学的性質は、極性、電離度（イオンの電荷）、沸点、分子量などにおいて多様であり、物質間相互作用は複雑である。

　ここで、核酸を対象にしたゲノミクス、たんぱく質を対象としたプロテオミクス、低分子量代謝物質を対象にしたメタボロミクスは、それぞれ生物サンプル中に含まれる核酸、たんぱく質、低分子量代謝物質を網羅的に同定・定量することを目的とした分析技術であり、これらは、オミクス技術として遺伝学的研究や代謝学的研究に用いられている。

　混合物中の特定の物質を分析する場合には、通常、濾過、抽出、分離などの前処理を行って、分析対象以外の物質を可能な限り除去し、その後に、機器分析（質量分析、電磁波分析、電気分析など）や抗原抗体反応などを利用した手法を用いて、特定の物質を同定・定量する。前記オミクス技術によって混合物中に含まれる物質を分析する場合も、各物質を可能な限り分離・精製し、その後に、上述の混合物中の特定の物質を分析する場合に準じて個々の物質の同定・定量を行う場合がほとんどである。

　さて、今日、電磁波分析や質量分析などは、対象物を定性・定量するため又は対象物の物性等を調べる目的で広く用いられている。そのうちの電磁波分析は、物理的観測量の強度を、周波数・エネルギー・時間などの関数として示すことで、対象物の定性・定量あるいは物性を調べる手法であり、機器分析の中でもっとも広く利用されている。電磁波分析は、当初、単体あるいは単一の化合物の化学的情報を得ることを主たる目的として発展したので、混合物の定性・定量を行う場合には、成分ごとの分離や抽出などの前処理を必要としてきた。

　電磁波分析の一つであるＮＭＲスペクトル法は、ラジオ波領域の電磁波を用いた分析手法である。このＮＭＲスペクトル法は、単一の化合物の化学情報を得ることを目的に開発され、スペクトル上のピークから原子数や分子構造などの化学的情報を得る技術である。ＮＭＲスペクトル法は、非破壊的で、定性・定量性・再現性に優れているため、分析・解析の適用範囲が混合物にまで拡げられている。「単純な混合物」を対象とする場合には、定量核磁気共鳴法（定量ＮＭＲ法：quantitative Nuclear Magnetic Resonance）やＤＯＳＹ法（Three Dimensional-Diffusion-Ordered NMR Spectroscopy）などの手法を用いることによって一定の成果が得られている。

　定量ＮＭＲ（ｑＮＭＲ）法は、ＮＭＲスペクトル上の測定対象物質由来の信号と内標準物質由来の信号の積分値を比較することで分析を行う。分子量が既知である基準物質が上位標準として用意されれば、溶液１ＨＮＭＲ（プロトン核磁気共鳴）を用いることにより、同時に測定された同一溶液内の他の化合物の純度を調べることも可能である。現在、定量ＮＭＲは、食品添加物公定書や生薬薬局方の参考情報に記載される信頼性の高い試験法となっている。

　ＤＯＳＹ法は、複数の化合物で構成される混合試料を各分子種の自己拡散係数の差を利用してスペクトルを分離する手法であり、分離・抽出等の前処理を行わずに混合試料中の各化合物のスペクトルが得られる。

　ＮＭＲスペクトル法は、現在、生物サンプルにもその応用範囲を拡げており、多くの場合、生物サンプルを構成する物質の同定・定量を目的とした分析に応用されている。ＮＭＲスペクトル法はメタボロミクスにも応用されている。例えば、サンプル中の運動性の高い低分子物質のみを選択的に検出できるスピンエコー法の一種であるパルス系列のＣＰＭＧ法（Carr-Purcell Meiboom-Gill sequence）を用いた１ＨＮＭＲスペクトル法は、メタボロミクスの主要な分析技術の一つとなっている。なお、スピンエコー法及びＣＰＭＧ法について簡単に説明すると以下のようである。

　サンプル中の可動性の小さな高分子由来のプロトンは、交差緩和（cross relaxation：近くの分子中の磁性をもつ原子核にエネルギー放出）によってＴ１緩和時間（縦緩和時間）、Ｔ２緩和時間（横緩和時間）が共に短くなる。ＮＭＲスペクトル上のピーク幅はＴ２緩和時間に反比例するので、高分子化合物の（高分子由来のプロトンに帰属される）ピークは幅広となる。このため、高分子化合物は、それ自体の解析が容易でなく、また、そのピークが、同定・定量を容易に行える可動性の大きい低分子量の化合物のピーク（一般にＴ２緩和時間が長く、鋭いピークとなる）と重なり合うことによって、低分子量の化合物の解析をも困難とする。このような点を解決した測定法がスピンエコー法である。スピンエコー法は、プロトンを励起させた後に少し時間をあけて信号を取得するので、タンパク質のようなＴ２緩和時間の短い高分子化合物由来のプロトンは検出されず、Ｔ２緩和時間の長い低分子のピークだけが明瞭に検出される。但し、この測定法では、条件によって一部のシグナルが逆さになることがある。そこで、考案されたのが、ある特殊なパルスを用いて励起するＣＰＭＧ法である。

特表２００２－５４３３９２号公報特表２０１２－５００３９１号公報

Psychogios N, Hau DD, Peng J, Guo AC, Mandal R, et al. (2011) The Human Serum Metabolome. PLoS ONE 6(2): e16957. doi:10.1371/journal.pone.0016957

　ここで、混合物試料を分析する場合、特に、生物サンプルのような「複雑・不均質な混合物」を電磁波分析や質量分析などを行う場合における従来技術の問題点について検討する。まず、混合物試料の分析において一般的に実施される＜前処理＞及び＜含有物質の同定・定量＞のそれぞれの問題点について検討する。

＜前処理＞
（１）混合物の分析のための前処理としては、濾過、抽出、分離などがある。
（２）前処理は、元来、特定の物質あるいは物質群を選択的に精製するために開発された技術である。そのため、「複雑・不均質な混合物」に対して前処理を行うと、「複雑・不均質な混合物」に含まれるいくつかの物質が除去されることとなる。当然、前処理の過程で除去された物質の同定・定量は不可能となり、また、「複雑・不均質な混合物」全体の特性も失われる。よって、「複雑・不均質な混合物」の分析のために前処理を実施することは妥当でない。

＜含有物質の同定・定量＞
（１）濾過、抽出、分離などの前処理なしで同定・定量を行える分光分析法の種類は、ＮＭＲスペクトル法などに限られる。前処理なしにＮＭＲスペクトル法を用いた同定・定量を行う場合、基本的に、既知の化合物単体のＮＭＲスペクトルや「単純な混合物」中の既知の化合物のＮＭＲスペクトルに関する先見知識に基づく解析が行われる。ＮＭＲスペクトル法では、観測核（例えばプロトン）の測定環境下における磁場環境の変化による観測核の共鳴周波数のずれ（ケミカルシフト値）を根拠に物質の分子構造を決定する。
（２－１）「複雑・不均質な混合物」では、各化合物が物質間相互作用（分子間相互作用）により不均質に集合・複合化しており、測定環境下の磁場は「複雑・不均質な混合物」固有の分布を示す。そのため、上述のような先見知識のみで「複雑・不均質な混合物」中の各化合物を正確に同定・定量することは困難である。
（２－２）「複雑・不均質な混合物」中における分子間相互作用の結果として発生する電磁波信号は、当該「複雑・不均質な混合物」固有の特性を示すＮＭＲスペクトル情報となり得るものではあるが、このようなＮＭＲスペクトル情報に着目した分析はこれまで行われていない。
（２－３）ＮＭＲスペクトル法は、上述のように、前処理なしで混合物中の成分の同定・定量を行う場合にも利用されてはいるが、下記（ａ）～（ｃ）に示すような問題がある。
（ａ）定量ＮＭＲ（ｑＮＭＲ）では、「複雑・不均質な混合物」はその適用外である。
（ｂ）ＤＯＳＹ法は、その適用範囲が同種かつ数種類の化合物からなる混合物に限られており、定量性が乏しい。
（ｃ）ＣＰＭＧ法は、運動性の高いプロトン由来のピークに関して定量性があり、メタボロミクスにおける低分子代謝物の分析に広く適用されている。しかし、「複雑・不均質な混合物」中では物質間相互作用等により磁場環境が不均質に変化しているため、化合物単体から得られた化合物ピークのケミカルシフト値を根拠にして物質を同定・定量した結果の信頼性は低い。
（２－４）「複雑・不均質な混合物」中の未知の成分に関する情報は得られない。例えば、特許文献１に記載の技術は、「複雑・不均質な混合物」である血清などのＮＭＲスペクトル解析に関するものであり、複雑なピークパターンを示すグルコース及び高分子化合物（リポタンパク）に由来するピークの解析には適していると言える。しかし、特定の物質のみに注目した同定・定量分析であり、未知の成分に関する情報は得られないし、「複雑・不均一な混合物」全体の持つ情報は利用されない。

　このように、生物サンプルなどの「複雑・不均質な混合物」を分析する場合には、前処理を実施することは妥当ではなく、また、含有物質の同定・定量を行う方法では、「複雑・不均質な混合物」全体の特性を精度よく把握することは困難である。

　一方、含有物質の同定を行うことなく混合物を分析する技術も知られている。しかし、現状では、同定・定量を目的とした分析手法と同様の分析手法が利用されているため、混合物全体の特性を正確に把握するには限界がある。例えば、特許文献２に記載の技術は、ｘ－ｙトレースとして出力されたＮＭＲスペクトルを用いている。このため、血清などの高分子化合物が高濃度に存在する生物サンプルを対象とした場合、高分子化合物由来の運動性の低いプロトンによるブロードピークが広帯域に分布して、低分子化合物あるいは高分子化合物中の運動性の高いプロトンに由来する微小なピークの情報は得られない。

　従来技術における「複雑・不均質な混合物」の分光分析の大半は、「混合物は純物質（単体及び化合物）の集合体である」という仮定のもとで、含有純物質単体がもつ電磁波特性を利用して含有純物質を同定・定量する。このため、「複雑・不均質な混合物」に含まれる検出・同定が困難な物質（既知物質、未知物質）についての情報が取り扱われることはなかった。また、含有純物質の同定を行わない場合においては、「複雑・不均質な混合物」での分子間相互作用による電磁波信号の変化（例えば、時間変動）について考慮されていなかった。さらに、従来の混合物の分析は、化学的専門知識を必要としており、簡易性や迅速性の面などにおいても課題を有していた。

　そこで、本発明は、従来の混合物の分析技術における上述のような課題の少なくとも一つを解決することを目的とする。

　本発明の一側面によると、混合物試料に由来する電磁波信号を処理する方法が提供される。この方法は、前記電磁波信号から可聴域データ又は可視域データを生成すること、及び、前記可聴域データ又は前記可視域データを音又は色に変換し、変換された音又は色を前記混合物試料の特性を示す情報として出力すること、を含む。

　本発明の他の側面によると、混合物試料に由来する電磁波信号を処理する他の方法が提供される。この方法は、前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出すること、及び、前記スペクトログラムに基づいて前記混合物試料の特性を示す情報を作成して出力すること、を含む。

　ここで、前記混合物試料の特性を示す前記情報は、例えば、スペクトログラム画像及び前記スペクトログラムの数値列データの少なくとも一方とすることができる。また、前記方法は、前記スペクトログラムの各周波数成分の減衰特性値を算出することをさらに含んでもよく、この場合、前記混合物試料の特性を示す情報は、例えば、前記各周波数成分の前記減衰特性値を示す周波数成分／減衰特性値グラフ及び前記各周波数成分の前記減衰特性値の数値列データの少なくも一方とすることができる。

　本発明の他の側面によると、混合物試料の属性を識別する方法が提供される。この方法は、（ａ）属性が不明な被検混合物試料に由来する電磁波信号を取得すること、（ｂ）前記電磁波信号から前記被検混合物試料についての可聴域データ又は可視域データを生成すること、（ｃ）前記被検混合物試料についての前記可聴域データと、前記被検混合物試料と同種で属性が決定されている少なくとも一つの既知混合物試料に基づいて生成された属性識別用音データとを音に変換して出力し、又は、前記被検混合物試料についての前記可視域データと、少なくとも一つの前記既知混合物試料に基づいて生成された属性識別用色データとを色に変換して出力すること、及び、（ｄ）前記被検混合物試料についての前記可聴域データに基づく音と前記属性識別用音データに基づく音とを比較し、又は、前記被検混合物試料についての前記可視域データに基づく色と前記属性識別用色データに基づく色とを比較して、前記被検混合物試料の属性を識別すること、を含む。

　ここで、前記属性識別用音データは、前記被検混合物試料についての前記可聴域データと同様にして生成された少なくとも一つの前記既知混合物試料についての可聴域データを含むことができる。また、前記属性識別用色データは、前記被検混合物試料についての前記可視域データと同様にして生成された少なくとも一つの前記既知混合物試料について可視域データを含むことができる。

　本発明の他の側面によると、混合物試料の属性を識別する他の方法が提供される。この方法は、（ａ）属性が不明な被検混合物試料に由来する電磁波信号を取得すること、（ｂ）前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出すること、（ｃ）前記スペクトログラムに基づいて前記被検混合物試料の特性を示す情報を作成すること、及び、（ｄ）前記被検混合物試料の特性を示す前記情報と、前記被検混合物試料と同種で属性が決定されている少なくとも一つの既知混合物試料に基づいて作成された属性識別用情報とを比較して、前記被検混合物試料の属性を識別すること、を含む。

　ここで、前記被検混合物試料の特性を示す前記情報は、例えば、前記スペクトログラムに基づく前記被検混合物試料についてのスペクトログラム画像とすることができ、前記属性識別用情報は、前記被検混合物試料についての前記スペクトログラム画像と同様にして作成された少なくとも一つの前記既知混合物試料についてのスペクトログラム画像を含むことができる。また、前記スペクトログラムの各周波数成分の減衰特性値を算出することをさらに含んでもよく、この場合、前記被検混合物試料の特性を示す前記情報は、例えば、前記各周波数成分の前記減衰特性値を示す前記被検混合物試料についての周波数成分／減衰特性値グラフとすることができ、前記属性識別用情報は、前記被検混合物試料についての前記周波数成分／減衰特性値グラフと同様にして作成された少なくとも一つの前記既知混合物試料についての周波数成分／減衰特性値グラフを含むことができる。

　あるいは、前記被検混合物試料の特性を示す前記情報は、例えば、前記スペクトログラムの数値列データを用いて算出される前記被検混合物試料ついての特徴量とすることができ、前記属性識別用情報は、前記被検混合物試料についての特徴量と同様にして算出された複数の前記既知混合物試料についての特徴量のうち属性毎にグループ化された前記既知混合物試料の特徴量に基づいて属性毎に設定された属性識別用指標とすることができる。また、前記方法は、前記スペクトログラムの各周波数成分の減衰特性値を算出することをさらに含んでもよく、この場合、前記被検混合物試料の特性を示す前記情報は、例えば、前記各周波数成分の前記減衰特性値の数値列データを用いて算出される前記被検混合物試料についての特徴量とすることができ、前記属性識別用情報は、前記被検混合物試料についての前記特徴量と同様にして算出された複数の前記既知混合物試料についての特徴量のうち属性毎にグループ化された前記既知混合物試料の特徴量に基づいて属性毎に設定された属性識別用指標とすることができる。

　本発明の更に他の側面によると、混合物試料の特性を表現する方法が提供される。かかる方法は、前記混合物試料に由来する電磁波信号を取得すること、前記電磁波信号から可聴域データ又は可視域データを生成すること、及び、前記可聴域データ又は前記可視域データを音又は色に変換し、変換された音又は色によって前記混合物試料の特性を表現すること、を含む。

　本発明の更に他の側面によると、混合物試料の特性を表現する他の方法が提供される。この方法は、前記混合物試料に由来する電磁波信号を取得すること、及び、前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムによって前記混合物試料の特性を表現すること、を含む。

　本発明の更に他の側面によると、混合物試料の特性を評価する方法が提供される。この方法は、前記混合物試料に由来する電磁波信号を取得すること、前記電磁波信号から可聴域データ又は可視域データを生成すること、前記可聴域データ又は前記可視域データを音又は色に変換して出力すること、及び、出力された音又は色に基づいて前記混合物試料の特性を評価すること、を含む。

　本発明の更に他の側面によると、混合物試料の特性を評価する他の方法が提供される。この方法は、前記混合物試料に由来する電磁波信号を取得すること、及び、前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムに基づいて前記混合物試料の特性を評価すること、を含む。ここで、算出されたスペクトログラムの各周波数成分の減衰特性値をさらに算出し、算出された各周波数成分の減衰特性値に基づいて前記混合物試料の特性を評価してもよい。

　本発明の更に他の側面によると、混合物試料に由来する電磁波信号を処理する装置が提供される。この装置は、前記電磁波信号を入力すると共に入力した前記電磁波信号から可聴域データ又は可視域データを作成する処理部と、前記可聴域データ又は前記可視域データを音又は色に変換して、前記混合物試料の特性を示す情報として出力する出力部と、を有する。

　本発明の更に他の側面によると、混合物試料に由来する電磁波信号を処理する他の装置が提供される。この装置は、前記電磁波信号を入力する共に入力した前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出する処理部と、前記処理部で算出された前記スペクトログラムから作成されたスペクトログラム画像及び前記処理部で算出された前記スペクトログラムの数値列データの少なくとも一方を前記混合物試料の特性を示す情報として出力する出力部と、を有する。

　本発明の更に他の側面によると、混合物試料に由来する電磁波信号を処理する他の装置が提供される。この装置は、前記電磁波信号を入力すると共に入力した前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムの各周波数成分の減衰特性値を算出する処理部と、前記処理部で算出された各周波数成分の減衰特性値から作成された周波数成分／減衰特性値グラフ及び前記処理部で算出された各周波数成分の減衰特性値の数値列データの少なくとも一方を前記混合物試料の特性を示す情報として出力する出力部と、を有する。

　本発明の更に他の側面によると、属性が不明な被検混合物試料の属性を識別する装置が提供される。この装置は、前記被検混合物試料に由来する電磁波信号を入力すると共に入力した電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムから前記被検混合物試料についてのスペクトログラム画像を作成して出力する信号処理部と、前記被検混合物試料についてのスペクトログラム画像と前記被検混合物試料と同種で属性が決定されている少なくとも一つの既知混合物試料に基づいて作成された属性識別用画像とを比較して、前記被検混合物試料の属性を識別する属性識別部と、を有する。

　本発明の更に他の側面によると、属性が不明な被検混合物試料の属性を識別する他の装置が提供される。この装置は、前記被検混合物試料に由来する電磁波信号を入力すると共に入力した電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムの数値列データを用いて前記被検混合物試料についての特徴量を算出して出力する信号処理部と、前記被検混合物試料について特徴量と、前記被検混合物試料と同種で属性が決定されている複数の既知混合物試料に基づいて設定された属性識別用指標とを比較して、前記被検混合物試料の属性を識別する属性識別部と、を有する。

　本発明の更に他の側面によると、属性が不明な被検混合物試料の属性を識別する他の装置が提供される。この装置は、前記被検混合物試料に由来する電磁波信号を入力すると共に入力した電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムの各周波数成分の減衰特性値を算出し、算出された各周波数成分の減衰特性値から前記被検混合物試料についての周波数成分／減衰特性値グラフを作成して出力する信号処理部と、前記被検混合物試料についての周波数成分／減衰特性値グラフと、前記被検混合物試料と同種で属性が決定されている少なくとも一つの既知混合物試料に基づいて作成された属性識別用グラフとを比較して、前記被検混合物試料の属性を識別する属性識別部と、を有する。

　本発明の更に他の側面によると、属性が不明な被検混合物試料の属性を識別する他の装置が提供される。この装置は、前記被検混合物試料に由来する電磁波信号を入力すると共に入力した電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムの各周波数成分の減衰特性値を算出し、算出された各周波数成分の減衰特性値を用いて前記被検混合物試料についての特徴量を算出して出力する信号処理部と、前記被検混合物試料について特徴量と、前記被検混合物試料と同種で属性が決定されている複数の既知混合物試料に基づいて設定された属性識別用指標とを比較して、前記被検混合物試料の属性を識別する属性識別部と、を有する。

　本発明の更に他の側面によると、上述の各種方法における各処理をコンピュータに実行させるためのコンピュータプログラム及び当該コンピュータプログラムを格納したコンピュータ読み取り可能な記録媒体が提供される。ここで、前記コンピュータプログラムを格納した前記記録媒体は、非一時的な（non-transitory）記録媒体であってもよい。この非一時的な記録媒体には、ＣＤ－ＲＯＭなどが含まれる。

　混合物試料に由来する電磁波信号を変換等して得られる音や色、混合物試料に由来する電磁波信号から算出されるスペクトログラム（数値列データやスペクトログラム画像）、及び、混合物試料に由来する電磁波信号から算出されるスペクトログラムの各周波数成分の減衰特性値（数値列データ、周波数成分／減衰特性値グラフ）は、それぞれ当該混合物試料の特性を示す情報（すなわち、固有のデータ）となり得ることが確認されている。そして、これらの情報（データ）は、混合物試料に由来する電磁波信号に含まれた各種の情報をほとんど失っておらず、混合物試料中に含まれる成分の種類（未知の成分を含む）や量に関する情報や物質間相互作用の影響に関する情報などをも包含している。また、これらの情報（データ）の解析（比較を含む）は、ヒトの聴覚、ヒトの視覚（色覚）、及び／又は、汎用の画像・音響工学技術などを用いて行うことができ、化学的専門知識（先見知識を含む）をほとんど必要とせず、しかも高精度で行うことができる。さらに、混合物試料に由来する電磁波信号は、当該混合物試料を破壊することなく取得可能である。

　このため、前記混合物試料に由来する電磁波信号を処理する方法によれば、混合物試料に由来する電磁波信号を解析や比較が比較的容易なデータとして出力することができる。これにより、例えば、従来は利用できなかった又は利用されていなかった情報を活用しての混合物試料の分析が可能になる。また、混合物試料（特に、複雑・不均質な混合物）について、従来とは全く異なる方式で、高精度・非破壊的・簡便・迅速にその特性を評価することが可能となる。

　また、前記混合物試料の特性を識別する方法によれば、属性が不明な混合物試料（特に、複雑・不均質な混合物）について、従来とは全く異なる方式で、高精度・非破壊的・簡便・迅速にその属性を識別することが可能となる。

混合物試料に由来する電磁波信号の一例であるＮＭＲ信号を示す図である。第１実施形態における信号処理装置の概略構成を示すブロック図である。第１実施形態における前記信号処理装置が実施する処理の一例を示すフローチャートである。第１実施形態において被検混合物試料の属性を識別する処理の一例を示すフローチャートである。第２実施形態における信号処理装置の概略構成を示すブロック図である。第２実施形態における前記信号処理装置が実施する処理の一例を示すフローチャートである。第２実施形態において被検混合物試料の属性を識別する処理の一例を示すフローチャートである。第３実施形態における信号処理装置（電磁波信号を処理する装置）の概略構成を示すブロック図である。スペクトログラム画像（実際にはカラー画像）の一例を示す図である。第３実施形態における前記信号処理装置が実施する処理の一例を示すフローチャートである。第３実施形態において被検混合物試料の属性を識別する処理の一例を示すフローチャートである。第３実施形態における属性識別装置（被検混合物の属性を識別する装置）の一例を示すブロック図である。第３実施形態において被検混合物試料の属性を識別する処理の他の例を示すフローチャートである。第３実施形態における属性識別装置の他の例を示すブロック図である。第４実施形態における信号処理装置の概略構成を示すブロック図である。第４実施形態における前記信号処理装置が実施する処理の一例を示すフローチャートである。第４実施形態において被検混合物試料の属性を識別する処理の一例を示すフローチャートである。第４実施形態における属性識別装置の一例を示すブロック図である。第４実施形態において被検混合物試料の属性を識別する処理の他の例を示すフローチャートである第４実施形態における属性識別装置の他の例を示すブロック図である。ラット血漿のＮＭＲ信号のスペクトログラム画像の一例を示す図である。ラット血漿のＮＭＲ信号の周波数成分／時定数グラフの一例を示す図である。ラット血漿のＮＭＲ信号のスペクトログラム（数値列データ）に対する主成分分析結果の一例を示す図である。ラット血漿のＮＭＲ信号のスペクトログラム（数値列データ）に対するＰＬＳ判別分析結果の一例を示す図である。ラット血漿のＮＭＲ信号の各周波数成分の時定数（数値列データ）に対する主成分分析結果の一例を示す図である。ラット血漿のＮＭＲ信号の各周波数成分の時定数（数値列データ）に対するＰＬＳ判別分析結果の一例を示す図である。マウス細胞抽出物のＮＭＲ信号のスペクトログラム画像の一例を示す図である。マウス細胞抽出物のＮＭＲ信号の周波数成分／時定数グラフの一例を示す図である。マウス細胞抽出物のＮＭＲ信号のスペクトログラム（数値列データ）に対する主成分分析結果の一例を示す図である。マウス細胞抽出物のＮＭＲ信号のスペクトログラム（数値列データ）に対するＰＬＳ判別分析結果の一例を示す図である。マウス細胞抽出物のＮＭＲ信号の各周波数成分の時定数（数値列データ）に対する主成分分析結果の一例を示す図である。マウス細胞抽出物のＮＭＲ信号の各周波数成分の時定数（数値列データ）に対するＰＬＳ判別分析結果の一例を示す図である。ラット血漿のＮＩＲ信号の色表示の一例を示す図である。ラット血漿のＮＩＲ信号から算出したＲＧＢ値（数値列データ）に対するＳＶＭを用いた識別結果の他の例を示す図である。

　まず、本発明の概要を説明する。本発明の重要な特徴は、混合物を個々の物質の集合体ではなく、混合物全体をひとつの構造単位（統合体）として見做す点にある。本発明においては、混合物試料から当該混合物試料に由来する電磁波信号を取得し、この取得した電磁波信号を、ひとつの構造単位（統合体）を表現する固有の電磁波信号として扱う。すなわち、本発明では、混合物試料に由来する電磁波信号を、当該混合物試料を構成する各成分の合成信号（すなわち、各成分の電磁波信号の集合体）としてではなく、当該混合物試料に固有の一つの電磁波信号（一つのデータ）として取り扱う。混合物試料に由来する電磁波信号をこのように取り扱うことによって、混合物試料中の未知の成分に関する情報や質間相互作用の影響に関する情報をも解析データに含めることが可能となる。

　本発明は、上述の重要な特徴を前提とした上で、混合物試料の特性についての新たな表現方法を提供する。この表現方法は、従来は利用できなかった又は利用されていなかった情報を活用しての混合物の解析を可能とすると共に、例えば化学的専門知識（先見知識を含む）をほとんど有さない者が、混合物試料の特性を評価したり、混合物試料の属性を識別したりすることを可能とする。

　ここにおいて、「混合物試料に由来する電磁波信号」は、混合物試料に電磁波や熱を含む所定のエネルギーや化学反応物質を作用させることによって得られる電磁波信号、混合物試料自体が発する電磁波信号などを含む。例えば、混合物試料を各種の分析装置にかけることによって取得（観測）される電磁波信号（主に時間領域の信号）は、混合物試料に由来する電磁波信号に該当する。また、前記各種の分析装置としては、核磁気共鳴（ＮＭＲ）分析装置、質量分析装置、クロマトグラフ装置、吸光分析装置、及び発光分析装置などがある。

　以下、添付図面を参照して本発明の実施形態及び実施例について説明する。なお、以下の説明においては、混合物試料に由来する電磁波信号が、主にＮＭＲ信号（ＮＭＲのＦＩＤ信号）である場合、すなわち、混合物試料をＮＭＲ分析装置にかけることによって得られる電磁波信号である場合について説明するが、上述のように、これに限るものではないことはもちろんである。

＜第１実施形態＞
　既述したように、従来の混合物の分析は、化学的専門知識を必要としており、また、従来の混合物の分析においては、混合物試料に由来する電磁波信号に含まれる「複雑・不均質な混合物」の構造・機能に関する情報の一部が利用されていないのが実情である。

　第１実施形態では、混合物試料から当該混合物試料に由来する電磁波信号を取得し、取得された電磁波信号から可聴域データを生成（作成を含む。以下同じ）し、生成された可聴域データを音に変換して出力し、この出力された音によって前記混合物試料の特性を表現する。前記可聴域データは、基本的には、取得された前記電磁波信号を可聴域（ヒト可聴域）に周波数変換（例えば周波数シフト）することによって生成される。したがって、ここでは、取得された前記電磁波信号を可聴域に周波数変換して可聴域データを生成する場合について説明する。但し、これに限るものではなく、取得された電磁波信号によっては、当該電磁波信号そのものを前記可聴域データとすることもできる（この場合も混合物試料に由来する電磁波信号から可聴域データを生成することに含まれる）。

　混合物試料に由来する電磁波信号（例えば、ＮＭＲ信号）は、「音」と同様に、振幅、周波数、及び波形によって特徴づけられる。「音の三要素」で考えてみると、「音の大きさ」は「振幅」で決まり、「音の高さ」は「周波数」で決まる。また、「音色」は「波形」、すなわち、「周波数の時間変化」で特徴付けられ、この「音色」によって、さまざまな属性の音（例えばピアノの音とバイオリンの音など）を区別することが可能である。そして、ヒトの聴覚は「音色」を高度に識別する能力を有している。もちろん、機器による音識別も可能である。

　したがって、混合物試料に由来する電磁波信号を音に変換して出力することにより、ヒトの聴覚を利用して、前記混合物試料の特性を評価することが可能となる。このため、化学的専門知識を有さない者であっても、混合物試料（特に、複雑・不均質な混合物）同士に類似性や相違性があることなどを、直感的かつ精度よく認知することが可能になる。例えば、二つの混合物試料の「音」を互いに違う「音」として聞き分けることができれば、両者を容易に識別（区別）することが可能である。

　また、混合物試料に由来する電磁波信号を音に変換して出力するだけであるので、当該電磁波信号に含まれる、混合物試料の各種情報の一部が失われて利用されないおそれも大幅に抑制される。

　さらに、混合物試料に由来する電磁波信号を音として取り扱うことになるので、当該電磁波信号の解析に、汎用の音響工学技術を利用することも可能となる。例えば、前記電磁波信号（又は前記可聴域データ）に不純物や溶媒に由来する信号や外来ノイズが含まれていることが明らかな場合には、これらの除去を容易に行うことができ、混合物試料（特に、複雑・不均質な混合物）の解析精度の向上も期待できる。

　第１実施形態では、例えば、以下の工程にしたがって混合物試料の特性を評価する。
（１）第１の工程（混合物試料に由来する電磁波信号の取得）
　混合物試料に由来する電磁波信号（観測信号）を取得し、そのままの形（すなわち、ＲＡＷ形式）で保存する。例えば、混合物試料を所定の分析装置などにかけることにより、当該混合物試料に由来する電磁波信号（例えば、ＮＭＲやテラヘルツ波のＦＩＤ信号）を取得する。取得された電磁波信号は、何ら処理が加えられることなくそのままの形で保存されており、前記電磁波信号に含まれる前記混合物試料の情報は失われない。なお、図１には、混合物試料に由来する電磁波信号の一例（ＮＭＲ信号）が示されている。

（２）第２の工程（混合物試料に由来する電磁波信号の処理）
　第１の工程で取得（保存）した電磁波信号を可聴域（２０Ｈｚ～２０ｋＨｚ程度）に周波数変換して可聴域データを生成し、生成された可聴域データを音に変換して出力する。但し、上述したように、第１の工程で取得した電磁波信号をそのまま可聴域データとする場合もある。

　本実施形態において、前記電磁波信号の処理（可聴域データの生成及び出力処理）は、信号処理装置１Ａによって実施される。なお、信号処理装置１Ａは、例えば、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。

　図２は、信号処理装置１Ａの概略構成を示すブロック図である。
　図２に示すように、信号処理装置１Ａは、処理部２Ａと、出力部３Ａとを有する。
　処理部２Ａは、前記混合物試料に由来する電磁波信号を入力し、入力された電磁波信号を可聴域に周波数変換して可聴域データを生成する。生成された可聴域データは、非圧縮オーディオフォーマット（例えば、非圧縮ＷＡＶフォーマット）で保存（記録）されて出力部２Ａに出力される。
　出力部２Ａは、処理部２Ａから出力される可聴域データを音に変換して出力する。

　図３は、信号処理装置１Ａが実施する処理の一例を示すフローチャートである。
　図３において、ステップＳ１では、入力された前記電磁波信号を、例えば所定の可聴域変換用係数ベクトルを用いて可聴域に周波数変換して可聴域データを生成する。
　ステップＳ２では、ステップＳ１で生成された可聴域データを非圧縮オーディオフォーマット（例えば、非圧縮ＷＡＶフォーマット）で保存（記録）する。
　ステップＳ３では、前記可聴域データを例えばＤＡ変換して音として出力する。

　ここで、出力部２Ａは、信号処理装置１Ａとは別体で構成されてもよい。この場合、信号処理部１Ａは、ステップＳ１、ステップＳ２の処理を実施し、ステップＳ２において非圧縮オーディオフォーマットで保存（記録）された前記可聴域データを出力する。そして、信号処理装置１Ａとは別体の音声再生装置（出力部２Ａに相当する）が前記可聴域データを入力し、ステップＳ３の処理を実施して前記可聴域データを音に変換して出力する。例えば、コンピュータを前記音声再生装置として使用する場合には、ＤＡ変換のための情報（１サンプル当たりのビット数、サンプリング周波数、チャネル数を含むＷＡＶフォーマットヘッダ情報）をコンピュータに与えることにより、当該コンピュータのＯＳの用意するサウンドライブラリ関数によって、前記可聴域データが当該コンピュータのサウンド出力から音として出力される。

（３）第３の工程（混合物試料の特性評価）
　信号処理装置１Ａから出力される音は、前記混合物試料に関する情報をほとんど失っておらず、前記混合物試料の特性を精度よく示す情報となり得る。したがって、出力される音によって前記混合物試料の特性を評価することが可能である。前記混合物試料の特性評価は、基本的には、ヒトの聴覚を用いて行われる。もちろん、音に変換する前の前記可聴域データを音響工学技術によって処理したり、解析したりすることによって前記混合物試料の特性を評価してもよい。

　信号処理装置１Ａから出力される音及び／又はその解析結果は、混合物試料同士の類似性や相違性などを評価する指標として用いることができる。例えば、その属性区分が未設定である所定の種類の混合物については、該当する複数の混合物試料についての音に基づいてその属性区分を設定することが可能となる。また、その属性区分が所定の分類基準によって設定されている所定の種類の混合物については、新たな属性区分を設定（再設定）することができる。さらに、信号処理装置１Ａから出力される音は、属性が不明な混合物試料の属性を識別するために利用することもできる。このような混合物試料の属性識別について、第４の工程として以下に説明する。

（４）第４の工程（属性が不明な混合物試料の属性識別）
　属性が不明な混合物試料（以下「被検混合物試料」という）の属性の識別は、当該被検混合物試料と同種で属性が決定されている混合物試料（以下「既知混合物試料」という）を用いて行う。具体的には、前記被検混合物試料についての可聴域データに基づく音と、前記既知混合物試料に基づいて生成された属性識別用音データに基づく音とを比較することによって、前記被検混合物試料の属性を識別することができる。なお、前記属性識別用音データは、前記被検混合物試料の属性の識別を行う際に生成されてもよいし、あらかじめ生成されたものであってもよい。

　図４は、前記被検混合物の属性を識別する処理の一例を示すフローチャートである。
　図４において、ステップＳ１１は、前記被検混合物試料及び少なくとも一つの前記既知混合物試料のそれぞれに由来する電磁波信号を取得する。この電磁波信号の取得は、前記第１の工程と同様にして行われる。ここで、前記被検混合物試料に対応する混合物について一つ又は複数の属性が決定済みである場合には、決定済みの各属性に該当する（属する）前記既知混合物試料に由来する電磁波信号を取得するのが好ましい。すなわち、決定されている属性の数と同数又はそれ以上の前記既知混合物試料に由来する電磁波信号を取得することが好ましい。

　ステップＳ１２では、ステップＳ１１で取得された各電磁波信号を可聴域に周波数変換して可聴域データを生成し、生成された各可聴域データを非圧縮音声フォーマットで記録する。このステップＳ１２の処理は、前記第２の工程と同様にして行われる。

　ステップＳ１３では、ステップＳ１２で生成された各可聴域データを音に変換して出力する。具体的には、前記被検混合物試料についての可聴域データに基づく音と、少なくとも一つの前記既知混合物試料についての可聴域データに基づく音とを比較できるように出力する。例えば、前記被検混合物試料についての可聴域データに基づく音と、前記既知混合物試料についての可聴域データに基づく音とを交互に出力する。

　ステップＳ１４では、ステップＳ１３で出力された各音を比較して、前記被検混合物試料の属性を識別する。具体的には、前記被検混合物試料についての可聴域データに基づく音が、少なくとも一つの前記既知混合物試料についての可聴域データに基づく音に類似するか又はいずれに最も類似するかを判断することによって、前記被検混合物試料の属性を識別する。なお、前記被検混合物試料についての可聴域データに基づく音が、少なくとも一つの前記既知混合物試料についての可聴域データに基づく音のいずれにも類似しないと判断される場合には、前記被検混合物試料の属性を不明のままとする。

　ここで、少なくとも一つの前記既知混合物試料についてのステップＳ１１、Ｓ１２の処理は、本フローとは別に実施されてもよい。例えば、少なくとも一つの前記既知混合物試料についての可聴域データの生成及び記録がなされた後に、前記被検混合物試料についてステップＳ１１、Ｓ１２の処理を実施して、ステップＳ１３の処理を経てステップＳ１４において前記被検混合物試料の属性を識別するようにしてもよい。

　また、ステップＳ１４における前記被検混合物試料の属性の識別は、基本的にはヒトの聴覚を用いて行われる。すなわち、ステップＳ１１で取得された各電磁波信号が信号処理装置１Ａに入力され、信号処理装置１Ａから出力される各音を所定の人がその聴覚を用いて比較して前記被検混合物試料の属性を識別する。但し、これに限るものではなく、属性識別装置を製造し、当該属性識別装置がステップＳ１２～Ｓ１４の処理を実施するように構成してもよい。この場合、属性識別装置は、例えば、音響工学的手法を用いて前記被検混合物試料の属性を識別するように構成される。

＜第２実施形態＞
　第２実施形態では、混合物試料から当該混合物試料に由来する電磁波信号を取得し、取得された電磁波信号を可視域（ヒト可視域）に周波数変換して可視域データとし、当該可視域データを色に変換して出力し、この出力された色によって前記混合物試料の特性を表現する。

　このように、混合物試料に由来する電磁波信号を色に変換して出力することにより、ヒトの視覚（色覚）を利用して、前記混合物試料の特性を評価することが可能となる。このため、前記第１実施形態と同様、化学的専門知識を有さない者であっても、「複雑・不均質な混合物」同士に類似性や相違性があることなどを直感的かつ精度よく認知することが可能になる。また、前記電磁波信号を色に変換して出力するだけであるので、前記電磁波信号に含まれる情報の一部が利用されないおそれが大幅に抑制される。さらに、前記混合物試料に由来する電磁波信号の解析に汎用の光工学技術等を利用することも可能となるため、「複雑・不均質な混合物」試料の解析精度の向上も期待できる。

　第２実施形態では、以下の工程にしたがって混合物試料の特性を評価する。
（１）第１の工程（混合物試料に由来する電磁波信号の取得）
　前記第１実施形態における第１の工程と同様である。

（２）第２の工程（混合物試料に由来する電磁波信号の処理）
　第１の工程で取得（保存）した電磁波信号（ＲＡＷ形式）を可視域（４．０×１０^１４Ｈｚ～７．５×１０^１４Ｈｚ程度）に周波数変換（周波数シフトを含む）して可視域データとし、当該可視域データを音に変換して出力する。

　本実施形態において、前記電磁波信号の処理は信号処理装置１Ｂによって実施される。なお、信号処理装置１Ｂは、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。

　図５は、信号処理装置１Ｂの概略構成を示すブロック図である。
　図５に示すように、信号処理装置１Ｂは、処理部２Ｂと、出力部３Ｂとを有する。
　処理部２Ｂは、前記混合物試料に由来する電磁波信号（ＲＡＷ形式）を入力し、入力された電磁波信号を可視域に周波数変換して可視域データを生成する。生成された可視域データは、出力部２Ｂに出力される。
　出力部２Ｂは、処理部２Ｂから出力された可視域データを色に変換して出力する。

　図６は、信号処理装置１Ｂが実施する処理の一例を示すフローチャートである。
　図６において、ステップＳ２１では、入力された前記電磁波信号（ＲＡＷ形式）を、例えば所定の可視域変換用係数ベクトルを用いて可視域に周波数変換して可視域データを生成して記録する。

　ステップＳ２２では、ＲＧＢバンドパスフィルタを用いて、ステップＳ２１で生成された可視域データのＲＧＢ値を算出する。前記ＲＧＢバンドパスフィルタは、赤帯域、緑帯域、青帯域の信号を透過する特性を有する狭帯域通過フィルタである。本実施形態では、前記赤帯域の中心周波数を４．３×１０^１４Ｈｚとし、前記緑帯域の中心周波数を５．５×１０^１４Ｈｚとし、前記青帯域の中心周波数を６．９×１０^１４Ｈｚとしている。

　ステップＳ２２で算出された前記可視域データのＲＧＢ値を他の表色系の値に変換してもよい。例えば、Ｌ^＊ａ^＊ｂ^＊変換テーブルやＨＳＶ変換テーブルを用いて、ステップＳ２２で算出された前記可視域データのＲＧＢ値をＬ^＊ａ^＊ｂ^＊値に変換（Ｌ^＊ａ^＊ｂ^＊変換）やＨＳＶ値に変換（ＨＳＶ変換）してもよい。
　ステップＳ２３では、前記可視域データを色として出力する。

　ここで、出力部２Ｂは、信号処理装置１Ｂとは別体で構成されてもよい。この場合、信号処理部１Ｂは、ステップＳ２１・Ｓ２２の処理を実施して前記可視域データを保存（記録）する。そして、信号処理装置１Ｂとは別体の表示装置（出力部２Ｂに相当する）が、前記可視域データを入力し、ステップＳ２３の処理を実施して前記可視域データを色として出力する。

（３）第３の工程（混合物試料の特性評価）
　信号処理装置１Ｂから出力される色は、前記第１実施形態における音と同様、前記混合物試料の特性を精度よく示す情報となり得る。したがって、出力される色によって前記混合物試料の特性を評価することが可能である。すなわち、信号処理装置１Ｂから出力される色は、例えば、混合物試料同士の類似性や相違性などを評価する指標として用いることができ、混合物の属性区分を設定（又は再設定）することを可能とし、属性が不明な混合物試料の属性を識別するために利用され得る。もちろん、色に変換する前の前記可視域データを処理したり、解析したりすることによって前記混合物試料の特性を評価するようにしてもよい。

（４）第４の工程（属性が不明な混合物試料の属性識別）
　本実施形態においても、前記第１実施形態と同様、属性が不明な被検混合物試料の属性の識別は、当該被検混合物試料と同種で属性が決定されている既知混合物試料を用いて行う。具体的には、前記被検混合物試料についての可視域データに基づく色と、前記既知混合物試料について基づいて生成された属性識別用色データに基づく色とを比較することによって、前記被検混合物試料の属性を識別することができる。なお、前記属性識別用色データは、前記被検混合物試料の属性の識別を行う際に生成されてもよいし、あらかじめ生成されたものであってもよい。

　図７は、前記被検混合物の属性を識別する処理を示すフローチャートである。
　図７において、ステップＳ３１は、図４のステップＳ１１と同様である。すなわち、前記被検混合物試料及び少なくとも一つの前記既知混合物試料のそれぞれに由来する電磁波信号（ＲＡＷ形式）を取得する。

　ステップＳ３２では、ステップＳ３１で取得された各電磁波信号（ＲＡＷ形式）を可視域に周波数変換して可視域データを生成し、生成された各可視域データのＲＧＢ値を算出する。このステップＳ３２の処理は、前記第２の工程と同様にして行われる。

　ステップＳ３３では、前記ＲＧＢ値を用いて各可視域データを色として出力する。具体的には、前記被検混合物試料についての可視域データに基づく色と、少なくとも一つの前記既知混合物試料についての可視域データに基づく色とを対比可能に出力する。例えば、前記被検混合物試料についての可視域データに基づく色と、前記既知混合物試料についての可視域データに基づく色とを一つの表示画面上に同時に表示する。

　ステップＳ３４では、ステップＳ３３で出力された各色を比較して、前記被検混合物試料の属性を識別する。具体的には、前記被検混合物試料についての可視域データに基づく色が、少なくとも一つの前記既知混合物試料についての可視域データに基づく色に類似するか又はいずれに最も類似するかを判断することによって、前記被検混合物試料の属性を識別する。なお、前記被検混合物試料についての可視域データに基づく色が、少なくとも一つの前記既知混合物試料についての可視域データに基づく色のいずれにも類似しないと判断される場合には、前記被検混合物試料の属性を不明のままとする。

　ここで、少なくとも一つの前記既知混合物試料についてのステップＳ３２、Ｓ３３の処理は、本フローとは別に実施されてもよい。例えば、少なくとも一つの前記既知混合物試料についての可視域データを色として出力できる状態にした後に、前記被検混合物試料についてステップＳ３２、Ｓ３３の処理を実施して、ステップＳ３４において前記被検混合物試料の属性を識別するようにしてもよい。

　また、ステップＳ３４における前記被検混合物試料の属性の識別は、基本的にはヒトの視覚（色覚）を用いて行われる。すなわち、ステップＳ３１で取得された各電磁波信号が信号処理装置１Ｂに入力され、信号処理装置１Ｂから出力される各色を所定の人がその視覚（色覚）を用いて比較して前記被検混合物試料の属性を識別する。但し、これに限るものではなく、前記第１実施形態と同様に、属性識別装置を製造し、当該属性識別装置がステップＳ３２～Ｓ３４の処理を実施するように構成してもよい。

　なお、第２実施形態においては、前記ＲＧＢ値の行列データを作成し、多変量解析などを用いてパターン認識による解析を行うことも可能である。この場合には、次に説明する第３実施形態と同様の方法を用いることができる。

＜第３実施形態＞
　例えば、従来のＮＭＲスペクトル法では、混合物試料に由来する電磁波信号に相当するＮＭＲ信号（ＦＩＤ信号）をフーリエ変換した後、周波数スペクトル上での各周波数成分における信号強度分布に着目した解析が行われている。このため、周波数分解能を向上させる目的で時間分解能を犠牲にする（すなわち、時間の情報が失われている）。また、信号強度が低い周波数成分についてはほとんど考慮されない。

　第３実施形態では、運動性の異なる原子核由来のＮＭＲ信号は異なる減衰時間を有するという事実に着目し、ＮＭＲ信号に含まれる周波数並びに時間に伴う信号強度情報をバランスよく活用する。具体的には、第３実施形態では、混合物試料から当該混合物試料に由来する電磁波信号を取得し、取得された電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムによって前記混合物試料の特性を表現する。

　このように、混合物試料に由来する電磁波信号のスペクトログラムによって当該混合物試料の特性を表現することにより、例えばＮＭＲ信号に含まれる、「複雑・不均質な混合物」の構造・機能に関する情報を網羅的に解析することが可能となり、「複雑・不均質な混合物」の特性評価において著しい精度向上が期待できる。そして、このことはＮＭＲ信号に限るものではなく、混合物試料に由来する各種の電磁波信号に共通すると言える。

　第３実施形態では、以下の工程にしたがって混合物試料の特性を評価する。
（１）第１の工程（混合物試料に由来する電磁波信号の取得）
　前記第１、第２実施形態における第１の工程と同様である。

（２）第２の工程（混合物試料に由来する電磁波信号の処理）
　第１の工程で取得（保存）された電磁波信号を短時間周波数解析して当該電磁波信号のスペクトログラム（時間周波数表現）を算出する。短時間周波数解析は、主に「音」や「音声」の解析に用いられている方法であり、信号全体について、その周波数成分の時間変化を知ることができる。スペクトログラムとは、短時間周波数解析によって、すなわち、時間周波数信号などの複合信号を窓関数に通して周波数スペクトルを計算した結果を指すものであり、スペクトログラム画像や数値列データとして出力することが可能である。前記スペクトログラム画像は、例えば２次元グラフ（時間／周波数）上に、明るさ又は色で信号成分の強度（振幅）を表示したものとすることができ、前記数値列データは、例えば２次元配列のデータとすることができる。

　本実施形態において、前記電磁波信号の処理（スペクトログラムの算出処理）は、信号処理装置１Ｃによって実施される。なお、信号処理装置１Ｃは、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。

　図８は、信号処理装置１Ｃの概略構成を示すブロック図である。
　図８に示すように、信号処理装置１Ｃは、処理部２Ｃと、出力部３Ｃとを有する。
　処理部２Ｃは、前記混合物試料に由来する電磁波信号を入力し、入力された電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラム（すなわち、前記混合物試料についてのスペクトログラム）を算出する。前記短時間周波数解析としては、例えば短時間フーリエ変換が該当する。但し、これに限るものではなく、ウェーブレット変換などを用いてもよい。

　出力部３Ｃは、処理部２Ｃで算出されたスペクトログラムの数値列データ及び算出されたスペクトログラムから作成されたスペクトログラム画像の少なくとも一方を出力する。なお、図９には、前記スペクトログラム画像（実際にはカラー画像である）の一例が示されている。

　図１０は、信号処理装置１Ｃが実施する処理（前記スペクトログラムの算出処理）の一例を示すフローチャートである。
　図１０に示すように、信号処理装置１Ｃは、前記電磁波信号を入力すると、窓関数による対象区間の切り出しを行ってその波形のフーリエ変換からパワースペクトルを算出する処理を、前記窓関数を時間軸に沿ってシフトしながら繰り返すことによって、前記電磁波信号全体を処理する。そして、信号処理装置１Ｃは、算出されたスペクトログラムの数値列データ及びスペクトログラム画像の少なくとも一方を出力する。

　具体的には、信号処理装置１Ｃは、前記窓関数として例えばハミング窓（窓長：Ｎ）を用いる場合、前記電磁波信号の「τ_s」サンプル目（初期値は０）を始点にしたＮサンプルの範囲に前記ハミング窓を乗じて得られる波形をフーリエ変換する。ここで、高速フーリエ変換を用いる場合にはＮを２のべき乗とする。信号処理装置ＣＡは、フーリエ変換によって得られた複素フーリエスペクトルの各サンプルのノルムを二乗してパワースペクトルを算出し、算出したパワースペクトルを、保存用の２次元配列の「τ_s／Ｔ_ｄ」列目に代入（格納）する。次に、信号処理装置１Ｃは、「τ_s」にＴ_ｄ（窓シフト長）サンプルを加算して切り出しの始点を更新し、「τ_s」＋Ｎが前記電磁波信号のサンプル数未満である間（波形の終端となるまで）、同様の処理を繰り返す（ステップＳ４１～Ｓ４６）。これにより、前記電磁波信号のスペクトログラム（すなわち、前記混合物試料についてのスペクトログラム）が算出され、各「τ_s／Ｔ_ｄ」におけるパワースペクトルが前記２次元配列に格納される。

　そして、信号処理装置１Ｃは、算出された前記スペクトログラムの数値列データを出力する場合には、例えば、各「τ_s／Ｔ_ｄ」におけるパワースペクトルを格納した前記２次元配列を、バイナリデータやアスキーデータ（例えば、ＣＳＶ形式）として出力する（ステップＳ４７）。一方、信号処理部１Ｃは、算出された前記スペクトログラムを画像（スペクトログラム画像）として出力する場合には、各「τ_s／Ｔ_ｄ」におけるパワースペクトルを格納した２次元配列の各要素をＨＳＶ表色系の値の変換（色相変換）する（ステップＳ４８）。例えば、Ｈ（色相）についてはパワースペクトルの値が０で青（－１２０°）、最大で黄（－６０°）となるように係数をかけて変換し、Ｓ（彩度）についてはパワースペクトルの値にかかわらず定数（一定）とし、Ｖ（明度）についてはパワースペクトルの値に比例する値とする。

（３）第３の工程（混合物試料の特性評価）
　信号処理装置１Ｃから出力される前記スペクトログラムの数値列データや前記スペクトログラム画像は、前記混合物試料に関する情報をほとんど失っておらず、前記混合物試料の特性を精度よく示す情報となり得る。例えば、周波数軸では、混合物試料中に含まれる物質の種類や物質間の相互作用などに関する情報が得られ、時間軸では、混合物試料全体の物性に加えて、物質間の相互作用に関する情報が得られる。また、前記スペクトログラム画像では、各ポイントの信号強度の相違を「色相」で表示することにより、各時間における周波数の信号強度の相違も容易に把握することができる。

　したがって、前記スペクトログラムの数値列データや前記スペクトログラム画像を解析することによって、前記混合物試料の特性を評価することが可能である。前記スペクトルグラムの数値列データや前記スペクトル画像の解析、換言すれば、前記混合物試料の特性評価は、例えば、所定の装置によって公知の統計的手法（多変量解析など）や画像工学的手法を用いて行われ、あるいは、所定の人によって前記統計的手法や視覚（色覚）を用いて行われる。

　前記電磁波信号のスペクトログラム（数値列データやスペクトログラム画像）及び／又はその解析結果は、混合物試料同士の類似性や相違性などを評価する指標として用いることができる。例えば、その属性区分が未設定である所定の種類の混合物については、該当する複数の混合物試料についてのスペクトログラム（数値列データやスペクトログラム画像）を解析することによって、その属性区分を設定することが可能となる。また、その属性区分が所定の分類基準によって設定されている所定の種類の混合物については、新たな属性区分を設定（再設定）することができる。さらに、前記電磁波信号のスペクトログラム（数値列データやスペクトログラム画像）は、属性が不明な混合物試料の属性を識別するために利用することもできる。このような混合物試料の属性識別について、第４の工程として以下に説明する。

（４）第４の工程（属性が不明な混合物試料の属性識別）
　本実施形態においても、前記第１、第２実施形態と同様、属性が不明な被検混合物試料の属性の識別は、当該被検混合物試料と同種で属性が決定されている既知混合物試料を用いて行う。具体的には、前記被検混合物試料についてのスペクトログラムと、前記既知混合物試料についてのスペクトログラム又はこれに基づく指標とを比較することによって、前記被検混合物試料の属性を識別する。なお、前記既知混合物試料についての前記スペクトログラム又はこれに基づく前記指標は、前記被検混合物試料の属性の識別を行う際に生成されてもよいし、あらかじめ生成されたものであってもよい。以下、前記スペクトログラム画像を用いる場合と、前記スペクトログラムの数値列データを用いる場合とに分けて説明する。

（４－１）前記スペクトログラム画像を用いる場合
　図１１は、前記スペクトログラム画像を用いて前記被検混合物試料の属性を識別する処理の一例を示すフローチャートである。
　図１１において、ステップＳ５１は、図４のステップＳ１１と同様である。すなわち、前記被検混合物試料及び少なくとも一つの前記既知混合物試料のそれぞれに由来する電磁波信号を取得する。

　ステップＳ５２では、ステップＳ５１で取得された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによってスペクトログラム（時間周波数表現）を算出し、各電磁波信号のスペクトログラム画像を作成する。すなわち、前記被検混合物試料についてのスペクトログラム画像及び少なくとも一つの前記既知混合物試料についてのスペクトログラム画像を作成する。このスペクトログラム画像の作成は、前記第２の工程と同様にして行われる。

　ステップＳ５３では、ステップＳ５２で作成された各スペクトログラム画像を比較して前記被検混合物試料の属性を識別する。具体的には、前記被検混合物試料についてのスペクトログラム画像が、少なくとも一つの前記既知混合物試料についてのスペクトログラム画像に類似するか又はいずれに最も類似するかを判断し、これによって前記被検混合物試料の属性を識別する。なお、前記被検混合物試料についてのスペクトログラム画像が、少なくとも一つの前記既知混合物試料についてのスペクトログラム画像のいずれにも類似しないと判断される場合には、前記被検混合物試料の属性を不明のままとする。

　ここで、少なくとも一つの前記既知混合物試料に対するステップＳ５１、Ｓ５２の処理は、本フローとは別に実施されてもよい。例えば、少なくとも一つの前記既知混合物試料についてのスペクトログラム画像を作成した後に、前記被検混合物試料に対してステップＳ５１、Ｓ５２の処理を実施して、ステップＳ５３において前記被検混合物試料の属性を識別するようにしてもよい。

　また、ステップＳ５３における前記被検混合物試料の属性の識別は、ヒトの視覚（色覚）又は所定の装置によって行われ得る。ヒトの視覚（色覚）によって行われる場合には、ステップＳ５１で取得された各電磁波信号が信号処理装置１Ｃに入力され、信号処理装置１Ｃから出力される各スペクトログラム画像を、所定の人がその視覚（色覚）を用いて比較して前記被検混合物試料の属性を識別する。

　一方、所定の装置によって行われる場合には、以下のような構成を有する混合物試料の属性を識別する装置（以下「属性識別装置」という）を製造し、当該属性識別装置が図１１のステップＳ５２、Ｓ５３の処理を実施する。

　なお、図１１に示すフローチャートでは、前記被検混合物試料についてのスペクトログラム画像と、少なくとも一つの前記既知混合物試料についてのスペクトログラム画像とを比較しているが、前記少なくとも一つの前記既知混合物試料についてのスペクトログラム画像に代えて、これらに基づいて属性毎に作成された属性識別用画像を用いてもよい。

　図１２は、前記スペクトログラム画像を用いて前記被検混合物試料の属性を識別する属性識別装置１０Ａの概略構成を示すブロック図である。なお、属性識別装置１０Ａは、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。図１２に示すように、属性識別装置１０Ａは、信号処理部１１Ａと、属性識別部１２Ａと、識別結果出力部１３Ａとを有する。

　信号処理部１１Ａは、上述の信号処理装置１Ｃと同様の機能を有し、図１１のステップＳ５２に相当する処理を実施する。すなわち、信号処理部１１Ａは、前記被検混合物試料及び少なくとも一つの前記既知混合物試料のそれぞれに由来する電磁波信号を入力し、入力された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって各電磁波信号のスペクトログラムを算出する。そして、信号処理部１１Ａは、前記被検混合物試料についてのスペクトログラム画像及び少なくとも一つの前記既知混合物試料についてのスペクトログラム画像をそれぞれ作成して属性識別部１２Ａに出力する。

　属性識別部１２Ａは、例えば画像工学的手法を用いて、図１１のステップＳ５３に相当する処理を実施する。すなわち、属性識別部１２Ａは、前記記被検混合物試料についてのスペクトログラム画像と、少なくとも一つの前記既知混合物試料についてのスペクトログラム画像とを比較して前記被検混合物試料の属性を識別し、識別結果を識別結果出力部１３Ａに出力する。前記識別結果には属性不明も含まれる。

　識別結果出力部１３Ａは、属性識別部１２Ａによる前記識別結果を出力する。例えば、識別結果出力部１３Ａは、前記識別結果を図示省略の表示部に表示する。これにより、属性識別装置１０Ａの利用者は前記被検混合物試料の属性を把握することができる。

（４－２）前記スペクトログラムの数値列データを用いる場合
　図１３は、前記スペクトログラムの数値列データを用いて前記被検混合物試料の属性を識別する処理の一例を示すフローチャートである。
　図１３において、ステップＳ６１では、前記被検混合物試料及び複数の前記既知混合物試料のそれぞれに由来する電磁波信号を取得する。この電磁波信号の取得は、前記第１の工程と同様にして行われる。

　ステップＳ６２では、ステップＳ６１で取得された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって各電磁波信号のスペクトログラム（時間周波数表現）を算出する。このスペクトログラムの算出は、前記第２の工程と同様にして行われる。これにより、前記被検混合物試料についてのスペクトログラムの数値列データ、及び、複数の前記既知混合物試料についてのスペクトログラムの数値列データを得る。

　ステップＳ６３では、複数の前記既知混合物試料についてのスペクトログラムの数値列データに対して多変量解析を行い、複数の前記既知混合物試料についてのスペクトログラムの数値列データを、属性毎のデータ群に分離させるための合成変量を作成する。前記多変量解析は、例えば、主成分分析、ＰＬＳ判別分析（ＰＬＳ－ＤＡ）、ＳＩＭＣＡ法、ＳＶＭ（Support Vector Machine）法などである。

　ステップＳ６４では、複数の前記既知混合物試料のそれぞれについての特徴量、すなわち、複数の前記既知混合物試料のそれぞれについての前記スペクトログラムの数値列データの合成変量値（スコア）を算出する。

　ステップＳ６５では、複数の前記既知混合物試料ついての特徴量に基づいて属性識別用指標を設定する。具体的には、ステップＳ６４で算出された複数の前記既知混合物試料のそれぞれについての特徴量（合成変量値）を属性毎にグループ化し、グループ化された属性毎の前記既知混合物試料についての特徴量（合成変量値）に基づいて前記属性識別用指標を設定する。前記属性識別用指標は、属性毎に所定の範囲を有して設定される。前記属性識別用指標のそれぞれには、同じ属性の前記既知混合物試料が有する共通の特徴、すなわち、各属性に対応する特徴及び／又は各属性を代表する特徴が含まれる。ここで、前記属性識別用指標は、数値であってもよいし、図や表で示されたものであってもよい。

　ステップＳ６６では、前記被検混合物試料についての特徴量、すなわち、前記被検混合物試料についての前記スペクトログラムの数値列データの合成変量値を算出する。

　ステップＳ６７では、ステップＳ６６で算出された前記被検混合物試料についての特徴量（合成変量値）と、ステップＳ６５で設定された前記属性識別用指標とを比較して前記被検混合物試料の属性を識別する。具体的には、前記被検混合物試料についての合成変量値が、属性毎に設定された前記属性識別用指標のいずれに該当するか（含まれるか）を判断して前記被検混合物試料の属性を識別する。なお、前記被検混合物試料についての合成変量値が、前記属性識別用指標のいずれにも該当しない（含まれない）場合には、前記被検混合物試料の属性を不明とする。また、このステップＳ６３における前記被検混合物試料の属性の識別は、図１１のステップＳ５３と同様に、所定の人や所定の装置によって行われ得る。

　ここで、複数の前記既知混合物試料に対するステップＳ６１、Ｓ６２の処理及びステップＳ６３～Ｓ６５の処理は、本フローとは別に実施されるものであってもよい。例えば、前記属性識別用指標が設定された後に、前記被検混合物試料についてステップＳ６１、Ｓ６２、及びＳ６６の処理を実施して、ステップＳ６７において前記被検混合物試料の属性を識別するようにしてもよい。

　図１４は、前記スペクトログラムの数値列データを用いて前記被検混合物試料の属性を識別する属性識別装置１０Ｂの概略構成を示すブロック図である。この属性識別装置１０Ｂは、図１３のステップＳ６２～Ｓ６７の処理を実施する。なお、属性識別装置１０Ｂは、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。図１４に示すように、属性識別装置１０Ｂは、信号処理部１１Ｂと、指標設定部２０Ｂと、属性識別部１２Ｂと、識別結果出力部１３Ｂとを有する。

　信号処理部１１Ｂは、上述の信号処理装置１Ｃと同様の機能を有し、図１３のステップＳ６２に相当する処理を実施する。すなわち、信号処理部１１Ｂは、前記被検混合物試料及び複数の前記既知混合物試料のそれぞれに由来する電磁波信号を入力し、入力された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって各電磁波信号のスペクトログラムを算出する。そして、信号処理部１１Ｂは、複数の前記既知混合物試料についてのスペクトログラムの数値列データを指標設定部２０Ｂに出力し、前記被検混合物試料についてのスペクトログラムの数値列データを属性識別部１２Ｂに出力する。

　指標設定部２０Ｂは、図１３のステップＳ６３～Ｓ６５に相当する処理を実施する。すなわち、指標設定部２０Ｂは、入力された複数の前記既知混合物試料についてのスペクトログラムの数値列データに対して多変量解析を行って前記合成変量を作成し、複数の前記既知混合物試料のそれぞれについての特徴量（合成変量値）を算出する。そして、指標設定部２０Ｂは、算出された複数の前記既知混合物試料のそれぞれについての特徴量（合成変量値）を属性毎にグループ化し、グループ化された属性毎の前記既知混合物試料についての特徴量（合成変量値）に基づいて前記属性識別用指標を設定する。指標設定部２０Ｂは、作成された前記合成変量及び設定された前記属性識別用指標を属性識別部１２Ｂに出力する。

　属性識別部１２Ｂは、図１３のステップテップＳ６６及びＳ６７に相当する処理を実施する。すなわち、属性識別部１２Ｂは、前記被検混合物試料についてのスペクトログラムの数値列データの特徴量（合成変量値）を算出し、算出した特徴量（合成変量値）と前記属性識別用指標とを比較して前記被検混合物試料の属性を識別する。そして、属性識別部１２Ｂは、識別結果を識別結果出力部１３Ｂに出力する。なお、前記識別結果には属性不明も含まれる。

　識別結果出力部１３Ｂは、属性識別部１２Ｂによる前記識別結果を出力する。例えば、出力部１３Ｂは、前記識別結果を図示省略の前記表示部に表示する。これにより、属性識別装置１０Ｂの利用者は前記被検混合物試料の属性を把握することができる。

　ここで、指標設定部２０Ｂは、属性識別装置１０Ｂとは別体で構成されてもよい。この場合、属性識別装置１０Ｂ（属性識別部１２Ｂ）は、前記被検混合物試料の属性の識別を実施する際に又は事前に、指標設定部２０Ｂから前記合成変量及び前記属性識別用指標を入力するように構成される。

＜第４実施形態＞
　第４実施形態では、混合物試料から当該混合物試料に由来する電磁波信号を取得し、取得された電磁波信号のスペクトログラムを算出し、算出されたスペクトログラムからその各周波数成分についてその減衰特性を示す時定数をさらに算出し、算出された各周波数成分の時定数に基づいて前記混合物試料の特性を評価する。
　これにより、第４実施形態においても、前記第３実施形態と同様に、混合物試料に由来する電磁波信号に含まれる、「複雑・不均質な混合物」の構造・機能に関する情報を網羅的に解析することができる。また、「複雑・不均質な混合物」の特性評価（特性解析）において著しい精度向上が期待できる。

　第４実施形態では、以下の工程にしたがって混合物試料の特性を評価する。
（１）第１の工程（混合物試料に由来する電磁波信号の取得）
　前記第１～第３実施形態における第１の工程と同様である。

（２）第２の工程（混合物資料に由来する電磁波信号の処理）
　第１の工程で取得（保存）した電磁波信号（ＲＡＷ信号）の全体にわたって短時間周波数解析を繰り返すことによってスペクトログラム（時間周波数表現）を算出する。この点は、前記第３実施形態の第２の工程と同様である。但し、第４実施形態では、算出されたスペクトログラムから各周波数成分についてその減衰特性を示す時定数τをさらに算出する。時定数τは、各周波数成分の信号強度（振幅）の減少の度合いを表すものであり、周波数成分／時定数グラフ（例えば、ヒストグラム）や数値列データ（例えば、１次元配列）として出力することができる。

　本実施形態において、前記電磁波信号の処理（各周波数成分の減衰特性（時定数）の算出処理）は、信号処理装置１Ｄによって実施される。なお、信号処理装置１Ｄは、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。

　図１５は、信号処理装置１Ｄの概略構成を示すブロック図である。
　図１５に示すように、信号処理装置１Ｄは、処理部２Ｄと、出力部３Ｄとを有する。
　処理部２Ｄは、前記混合物試料に由来する電磁波信号を入力し、入力された電磁波信号の全体にわたって短時間周波数解析を繰り返すことにより前記電磁波信号のスペクトログラム（前記混合物試料についてのスペクトログラム）を算出する。さらに、処理部２Ｄは、算出された前記スペクトログラムから各周波数成分についてその減衰特性を示す時定数を算出する。
　出力部３Ｄは、算出された時定数の数値列データ及び算出された時定数から作成された周波数成分／時定数グラフの少なくとも一方を出力する。

　図１６は、信号処理装置１Ｄが実施する処理（前記減衰特性値（時定数τ）の算出処理）の一例を示すフローチャートである。
　信号処理部１Ｄは、図１３のステップＳ６１～Ｓ６６の処理と同様にして、入力された各電磁波信号のスペクトログラムを算出した後、算出された各スペクトログラムの各周波数成分に対して図１６に示す処理を実施する。

　信号の減衰特性は、次式（１）で表される（α：初期振幅、τ：時定数）。
　ｆ（ｔ）＝αｅ^－ｔ／τ・・・（１）
　両辺の対数をとると、次式（２）が得られる。
　ｌｏｇｆ（ｔ）＝－（１／τ）ｔ＋ｌｏｇα・・・（２）
　そこで、信号処理部１Ｄは、前記スペクトログラムの各周波数成分を式（２）の右辺のとおり対数に変換し（ステップＳ７１）、最小二乗法によってその時系列サンプルを最も近似する回帰直線を推定し（ステップＳ７２）、その回帰直線の傾きから時定数τを算出して、保存用の一次元配列に格納する（ステップＳ７３）。

　そして、信号処理装置１Ｄは、算出された各周波数成分の時定数τの数値列データを出力する場合には、時定数τを格納した前記一次元配列をバイナリデータやアスキーデータ（例えば、ＣＳＶ形式）として出力する（ステップＳ７４）。一方、信号処理装置１Ｄは、算出された各周波数成分の時定数τを画像として出力する場合には、周波数成分／時定数グラフ（例えば、ヒストグラム）を作成する（ステップＳ７５）。

（３）第３の工程（混合物試料の特性評価）
　信号処理装置１Ｄから出力される前記スペクトログラムの各周波数成分の時定数τの数値列データや周波数成分／時定数グラフは、前記第３実施形態における前記スペクトログラムの数値列データやスペクトログラム画像と同様、前記混合物試料の特性を精度よく示す情報となり得る。したがって、前記各周波数成分の数値列データや前記周波数成分／時定数グラフを解析することによって、前記第３実施形態と同様、前記混合物試料の特性を評価することが可能である。

　すなわち、前記各周波数成分の時定数τの数値列データや前記周波数成分／時定数グラフは、例えば、混合物試料同士の類似性や相違性などを評価する指標として用いることができ、混合物の属性区分を設定（又は再設定）することを可能とし、属性が不明な混合物試料の属性を識別するために利用され得る。

（４）第４の工程（属性が不明な混合物試料の属性識別）
　本実施形態においても、前記第１～第３実施形態と同様、属性が不明な被検混合物試料の属性を、当該被検混合物試料と同種で属性が決定されている既知混合物試料を用いて識別することができる。具体的には、前記被検混合物試料についてのスペクトログラムから算出される各周波数成分の時定数と、前記既知混合物試料についてのスペクトログラムから算出される各周波数成分の時定数とを比較することによって、前記被検混合物試料の属性を識別することができる。なお、前記既知混合物試料についての前記スペクトログラムからの前記各周波数成分の時定数の算出は、前記被検混合物試料の属性の識別を行う際に行ってもよいし、あらかじめ行ってもよい。以下、前記各周波数成分の時定数を示す前記周波数成分／時定数グラフを用いる場合と、前記各周波数成分の時定数の数値列データを用いる場合とに分けて説明する。

（４－１）前記周波数成分／時定数グラフを用いる場合
　図１７は、前記周波数成分／時定数グラフを用いて前記被検混合物試料の属性を識別する処理の一例を示すフローチャートである。
　図１７において、ステップＳ８１は、図４のステップＳ１１の処理と同様である。
　ステップＳ８２では、ステップＳ８１で取得された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって各電磁波信号のスペクトログラム（時間周波数表現）を算出する。

　ステップＳ８３では、ステップＳ８２で算出された各スペクトログラムについて、その各周波数成分の時定数τ（減衰特性）を算出して周波数成分／時定数グラフを作成する。すなわち、前記被検混合物試料についての周波数成分／時定数グラフ及び少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフを作成する。この周波数成分／時定数フラグの作成は、前記第２の工程と同様にして行われる。

　ステップＳ８４では、ステップＳ８３で作成された各周波数成分／時定数グラフを比較して前記被検混合物試料の属性を識別する。具体的には、前記被検混合物試料についての周波数成分／時定数グラフが、少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフに類似するか又はいずれに最も類似するかを判断して前記被検混合物試料の属性を識別する。前記被検混合物試料についての周波数成分／時定数グラフが、少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフのいずれにも類似しないと判断される場合には、前記被検混合物試料の属性を不明のままとする。

　ここで、少なくとも一つの前記既知混合物試料に対するステップＳ８１～Ｓ８３の処理は、本フローとは別に実施されてもよい。例えば、少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフが作成された後に、前記被検混合物試料についてステップＳ８１～Ｓ８３の処理を実施して、ステップＳ８４において前記被検混合物試料の属性を識別するようにしてもよい。

　また、ステップＳ８４における前記被検混合物試料の属性の識別は、ヒトの視覚（色覚）又は所定の装置によって行われ得る。ヒトの視覚（色覚）又は所定の装置によって行われる。ヒトの視覚（色覚）によって行われる場合には、ステップＳ８１で取得された各電磁波信号が信号処理装置１Ｄに入力され、信号処理装置１Ｄから出力される各周波数成分／時定数グラフを、所定の人がその視覚（色覚）を用いて比較して前記被検混合物試料の属性を識別する。一方、所定の装置によって行われる場合には、以下のような構成を有する属性識別装置を製造し、当該属性識別装置が図１７のステップＳ８２～Ｓ８４の処理を実施する。

　なお、図１７に示すフローチャートでは、前記被検混合物試料についての周波数成分／時定数グラフと、少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフとを比較しているが、前記少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフに代えて、これらに基づいて属性毎に作成された属性識別用グラフを用いてもよい。

　図１８は、前記周波数成分／時定数グラフを用いて前記被検混合物試料の属性を識別する属性識別装置１０Ｃの概略構成を示すブロック図である。なお、属性識別装置１０Ｃは、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。図１８に示すように、属性識別装置１０Ｃは、信号処理部１１Ｃと、属性識別部１２Ｃと、識別結果出力部１３Ｃとを有する。

　信号処理部１１Ｃは、上述の信号処理装置１Ｄと同様の機能を有し、図１７のステップＳ８２及びＳ８３に相当する処理を実施する。すなわち、信号処理部１１Ｃは、前記被検混合物試料及び少なくとも一つの前記既知混合物試料のそれぞれに由来する電磁波信号を入力し、入力された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって当該各電磁波信号のスペクトログラムを算出し、算出された前記スペクトログラムの各周波数成分の時定数（減衰特性）を算出する。そして、信号処理部１１Ｂは、前記被検混合物試料についての周波数成分／時定数グラフ及び少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフを作成して属性識別部１２Ｃに出力する。

　属性識別部１２Ｃは、例えば画像工学的手法を用いて、図１７のステップＳ８４に相当する処理を実施する。すなわち、属性識別部１２Ｃは、前記記被検混合物試料についての周波数成分／時定数グラフと、少なくとも一つの前記既知混合物試料についての周波数成分／時定数グラフとを比較して、前記被検混合物試料の属性を識別し、識別結果を識別結果出力部１３Ｃに出力する。なお、前記識別結果には属性不明も含まれる。

　識別結果出力部１３Ｃは、属性識別部１２Ｃによる識別結果を出力する。例えば、出力部１３Ｂは、前記識別結果を図示省略の表示部に表示する。これにより、属性識別装置１０Ｃの利用者は前記被検混合物試料の属性を把握することができる。

（４－２）前記各周波数成分の時定数の数値列データを用いる場合
　図１９は、前記各周波数成分の時定数の数値列データを用いて前記被検混合物試料の属性を識別する処理の一例を示すフローチャートである。
　図１９において、ステップＳ９１、Ｓ９２は、図１３のステップＳ６１、Ｓ６２の処理と同様である。すなわち、前記被検混合物試料及び複数の前記既知混合物試料のそれぞれに由来する電磁波信号を取得し、取得された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって当該各電磁波信号のスペクトログラム（時間周波数表現）を算出する。

　ステップＳ９３では、ステップＳ９２で算出された各スペクトログラムについて、その各周波数成分の時定数τ（減衰特性）を算出する（前記第２の工程を参照）。これにより、前記被検混合物試料についての前記各周波数成分の時定数の数値列データ、及び、複数の前記既知混合物試料のそれぞれについての前記各周波数成分の時定数の数値列データを得ることができる。

　ステップＳ９４では、複数の前記既知混合物試料についての前記各周波数成分の時定数の数値列データに対して多変量解析を行い、複数の前記既知混合物試料についての前記各周波数成分の時定数の数値列データを、属性毎のデータ群に分離させるための合成変量を作成する。

　ステップＳ９５では、複数の前記既知混合物試料のそれぞれについての特徴量、すなわち、複数の前記既知混合物試料のそれぞれについて、前記各周波数成分の時定数の数値列データの合成変量値（スコア）を算出する。

　ステップＳ９６では、複数の前記既知混合物試料ついての特徴量（合成変量値）に基づいて属性識別用指標を設定する。具体的には、ステップＳ９５で算出された複数の前記既知混合物試料のそれぞれについて特徴量（合成変量値）を属性毎にグループ化し、グループ化された属性毎の前記既知混合物試料についての特徴量（合成変量値）に基づいて前記属性識別用指標を設定する。前記属性識別用指標は、属性毎に所定の範囲を有して設定される。ここで、ステップＳ９６で設定される前記属性識別用指標は、数値であってもよいし、図や表で示されたものであってもよい。

　ステップＳ９７では、前記被検混合物試料についての特徴量、すなわち、前記被検混合物試料について、前記各周波数成分の時定数の数値列データの合成変量値を算出する。

　ステップＳ９８では、ステップＳ９７で算出された前記被検混合物試料についての特徴量（合成変量値）と、ステップＳ９６で設定された前記属性識別用指標とを比較して、前記被検混合物試料の属性を識別する。具体的には、前記被検混合物試料についての合成変量値が、属性毎に設定された前記属性識別用指標のいずれに該当するか（含まれるか）を判断して前記被検混合物試料の属性を識別する。なお、前記被検混合物試料についての合成変量値が、前記属性識別用指標のいずれにも該当しない（含まれない）場合には、前記被検混合物試料の属性を不明とする。また、このステップＳ９８における前記被検混合物試料の属性の識別は、図１７のステップＳ８４と同様に、所定の人や所定の装置によって行われ得る。

　ここで、複数の前記既知混合物試料のそれぞれについてのステップＳ９１～Ｓ９３の処理、及び、ステップＳ９４～Ｓ９６の処理は、本フローとは別に実施されてもよい。例えば、前記属性識別用指標が設定された後に、前記被検混合物試料についてステップＳ９１～Ｓ９３、Ｓ９７の処理を実施して、ステップＳ９８において前記被検混合物試料の属性を識別するようにしてもよい。

　図２０は、前記各周波数成分の時定数の数値列データを用いて前記被検混合物試料の属性を識別する属性識別装置１０Ｄの概略構成を示すブロック図である。この属性識別装置１０Ｄは、図１９のステップＳ９２～Ｓ９８の処理を実施する。なお、属性識別装置１０Ｄは、あらかじめインストールされた所定のプログラムを実行するコンピュータとすることができる。図２０に示すように、属性識別装置１０Ｄは、信号処理部１１Ｄと、指標設定部２０Ｄと、属性識別部１２Ｄと、識別結果出力部１３Ｄとを有する。

　信号処理部１１Ｄは、上述の信号処理装置１Ｄと同様の機能を有し、図１９のステップＳ９２及びＳ９３に相当する処理を実施する。すなわち、信号処理部１１Ｄは、前記被検混合物試料及び複数の前記既知混合物試料のそれぞれに由来する電磁波信号を入力し、入力された各電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって当該各電磁波信号のスペクトログラムを算出し、算出された前記スペクトログラムの各周波数成分の時定数（減衰特性）を算出する。そして、信号処理部１１Ｄは、複数の前記既知混合物試料についての前記各周波数成分の時定数の数値列データを指標設定部２０Ｄに出力する一方、前記被検混合物試料についての前記各周波数成分の時定数の数値列データを属性識別部１２Ｄに出力する。

　指標設定部２０Ｄは、図１９のステップＳ９４～Ｓ９６に相当する処理を実施する。すなわち、指標設定部２０Ｄは、入力された複数の前記既知混合物試料についての前記各周波数成分の時定数の数値列データに対して多変量解析を行って前記合成変量を作成し、複数の前記既知混合物試料のそれぞれについての前記各周波数成分の時定数の数値列データの特徴量（合成変量値）を算出する。そして、指標設定部２０Ｄは、算出された特徴量（合成変量値）を属性毎にグループ化して、グループ化された属性毎の前記既知混合物試料についての特徴量（合成変量値）に基づいて前記属性識別用指標を設定する。指標設定部２０Ｄは、前記合成変量及び前記属性識別用指標を属性識別部１２Ｄに出力する。

　属性識別部１２Ｄは、図１９のステップテップＳ９７及びＳ９８に相当する処理を実施する。すなわち、属性識別部１２Ｄは、前記被検混合物試料についての前記各周波数成分の時定数の数値列データの特徴量（合成変量値）を算出し、算出した特徴量（合成変量値）と前記属性識別用指標とを比較して前記被検混合物試料の属性を識別する。そして、属性識別部１２Ｄは、識別結果を識別結果出力部１３Ｄに出力する。前記識別結果には属性不明も含まれる

　識別結果出力部１３Ｄは、属性識別部１２Ｄによる前記識別結果を出力する。例えば、出力部１３Ｄは、前記識別結果を図示省略の前記表示部に表示する。これにより、属性識別装置１０Ｄの利用者は前記被検混合物試料の属性を把握することができる。

　ここで、指標設定部２０Ｄは、属性識別装置１０Ｄとは別体で構成されてもよい。この場合、属性識別装置１０Ｄ（属性識別部１２Ｄ）は、前記被検混合物試料の属性の識別を実施する際に又は事前に、指標設定部２０Ｄから前記合成変量及び前記属性識別用指標を入力するように構成される。

　また、以上では、信号処理装置１Ｄが、各周波数成分の減衰特性を示す値として時定数τを算出しているが、時定数τに代えて初期振幅αを算出してもよい。この初期振幅αも減衰特性値に相当する。この場合、信号処理装置１Ｄは、各周波数成分の初期振幅αの数値列データ及び／又は周波数成分／初期振幅グラフを出力する。また、前記混合物試料の特性評価（第３の工程）及び属性が不明な混合物試料の属性識別（第４の工程）においては、時定数の数値列データを初期振幅の数値列データと、周波数成分／時定数グラフを周波数成分／初期振幅グラフと読み替えればよい。また、信号処理装置１Ｄが各周波数成分の減衰特性を示す値として時定数τ及び初期振幅αを算出してもよい。

＜実施例＞
（Ａ）ＮＭＲ信号を用いた実施例
　発明者らは、コンピュータ上で稼働して混合物試料に由来するＮＭＲ信号を処理するプログラム及びソフトウエア（以下「ＮＭＲ信号処理ソフトウエア」という）を作成した。このＮＭＲ信号処理ソフトウエアは、混合物試料に由来するＮＭＲ信号を読み込み、（ａ）読み込んだＮＭＲ信号を音として出力すること、（ｂ）読み込んだＮＭＲ信号について短時間周波数解析を行ってスペクトログラムを算出し、スペクトログラム画像及び数値列データとして出力すること、及び、（ｃ）算出されたスペクトログラムから各周波数成分の減衰特性値（時定数τ及び／又は初期振幅α）を算出し、周波数／減衰特性値グラフ（画像）及び数値列データとして出力することが可能である。つまり、前記ＮＭＲ信号処理ソフトウエアは、ＮＭＲ信号を入力し、処理して、音、画像、数値列データとして保存及び出力することができる。データの保存（出力）方式には、音フォーマット（ＲＡＷ形式、ＷＡＶ形式など）、画像フォーマット（ＪＰＥＧ形式、ＴＩＦＦ形式、ＰＮＧ形式など）、及び数値列フォーマット（ＣＳＶ形式など）がある。音フォーマットのデータは、汎用の再生用ソフトウエアで再生して音として聴くことができ、また、汎用の音解析ソフトウエアを用いて音響工学的な解析を行うことができる。画像フォーマットのデータは、ＮＭＲ信号の短時間周波数解析の結果を視覚（色覚）によって比較することを可能とする。
　以下、混合物試料の具体例として、「実施例１　ラット血漿」及び「実施例２　マウスの細胞抽出物」の実験方法と解析結果を記載する。

（実施例１）ラット血漿
［対象と方法］
・動物実験（ラット出血性ショックモデルの作製）
　体重３５０～４００ｇの雄性Sprague-Dawleyラットを使用した。麻酔には、ketamine hydrochloride（６５ｍｇ／ｋｇ）と、xylazine（０．７ｍｇ／ｋｇ）（2-[2,6-dimethylphenylamino]-4H-5,6-dihydrothiazine hydrochloride）との腹腔内投与を行った。体温は、直腸温度計にて測定し、加温ランプを用いて３７．５～３８．５℃に維持した。大腿動静脈には、ヘパリン加生理食塩水（１０単位／ｍＬ）を満たしたポリエチレンチューブ（外径０．９６ｍｍ、内径０．５８ｍｍ）を留置した。動脈に挿入したポリエチレンチューブはトランスデューサーと動脈圧モニターに接続し、持続的に血圧を測定した。その後、ラットをBollman-type resting cageに固定した。ラットの平均動脈圧が１００～１１０ｍｍＨｇに安定した時点で、平均血圧が４０ｍｍＨｇに達するまで、１ｍＬ／ｍｉｎの速度で脱血し、出血性ショック状態を作製した。その後、必要に応じて脱血と返血を繰り返し、血圧レベルが４０ｍｍＨｇで３０分間維持されるように、微調整を行った。

・血漿の採取・保存
　３０分間の出血性ショック状態のラットから採取した動脈血を４℃で遠心分離し、上清を－８０℃で保存した（「ｓｈｏｃｋ血漿」）。
　正常ラットに上記の麻酔を行って動脈血を採取し、遠心分離して得られた血漿を、コントロール血漿（「ｃｏｎｔｒｏｌ血漿」）とした。

・ＮＭＲ測定試料の調整
　血漿５０－１００μＬに、既知量のsodium (3-trimethylsilyl) tetradeuteriopropionate-2,2,3,3-d4 (ＴＭＳＰ)を含む重水５００－５５０μＬを加え、５ｍｍ径のガラス製ＮＭＲ試料管に移し、ＮＭＲ測定試料とした。重水は磁場不均一補正のための重水素ロックシグナル取得の目的で、また、ＴＭＳＰは信号確認の指標として添加した。

・プロトンＮＭＲ信号の取得
　プロトンＮＭＲ信号の取得は、ＥＣＸ　ＮＭＲ装置（プロトン共鳴周波数３００ＭＨｚの超電導マグネット、ＴＨ５プローブ、１６本オートサンプルチェンジャー、Delta^TM NMR processing and control software (version 4.3.2)を装備）にて行った。プロトンＮＭＲシグナルの取得には、Delta^TMシステムに組み込まれた自動測定用のマクロプログラムを用いた。プローブ内温度は２３℃とした。ＮＭＲ信号の観測範囲は４５００Ｈｚとした。測定シークエンスとしては、一次元ＮＭＲ信号取得用のシングルパルスモードを使用し、軽水の信号はホモゲート法とDANTE法により抑制した。データ解析に十分なＳＮ比が得られるように、４００回の積算を行った。取得した各サンプルのＮＭＲ信号データは、そのままの形（ここでは、ＪＤＦ（ＥＣＸ標準）フォーマット）で保存した。

・データ解析（前記ＮＭＲ信号処理ソフトウエアによる処理と処理結果の解析）
（１）ＮＭＲ信号の音出力
　ＪＤＦフォーマットで保存した各ラット血漿のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＪＤＦフォーマットのファイルごとに音として出力（再生）した。その結果、ｃｏｎｔｒｏｌ血漿とｓｈｏｃｋ血漿とは、明らかに異なる音として出力されること、すなわち、ヒトの聴覚によってｃｏｎｔｒｏｌ血漿とｓｈｏｃｋ血漿とを識別できることが確認された。次に、これらのデータを非圧縮ＷＡＶフォーマットで保存し、保存されたファイルが、汎用の再生用ソフトウエアで再生できること及び汎用の音解析ソフトウエアを用いて解析できることも確認された。

（２）スペクトログラムの算出及びスペクトログラム画像の作成
　ＪＤＦフォーマットで保存した各ラット血漿のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについて、信号全体にわたって短時間周波数解析を繰り返し行ってスペクトラムを算出した。算出結果は、前記コンピュータのディスプレイ上にスペクトログラム画像として表示した。なお、各スペクトログラム画像はＰＮＧフォーマットで保存した。

　図２１は、ｃｏｎｔｒｏｌ血漿のスペクトログラム画像の一例と、ｓｈｏｃｋ血漿のスペクトラム画像の一例とを示している。図２１に示すように、ｃｏｎｔｒｏｌ血漿のスペクトログラム画像とｓｈｏｃｋ血漿のスペクトラム画像とは明らかに相違しており、スペクトログラム画像の比較によって両者を識別できることが確認された。

（３）減衰特性値（時定数τ）の算出及び周波数成分／時定数グラフの作成
　ＪＤＦフォーマットで保存した各ラット血漿のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについてスペクトラムを算出し、算出したスペクトログラムから各周波数成分の減衰特性値（時定数τ）を算出した。算出結果は、前記コンピュータのディスプレイ上に周波数成分／時定数グラフとして表示した。なお、各周波数成分／時定数グラフは、ＰＮＧフォーマットで保存した。

　図２２は、ｃｏｎｔｒｏｌ血漿の周波数成分／時定数グラフの一例と、ｓｈｏｃｋ血漿の周波数成分／時定数グラフの一例を示している。図２２に示すように、ｃｏｎｔｒｏｌ血漿の周波数成分／時定数グラフと、ｓｈｏｃｋ血漿の周波数成分／時定数グラフとは明らかに相違しており、周波数成分／時定数グラフの比較によって両者を識別できることが確認された。

（４）スペクトログラムの数値列データの多変量解析による識別
　ＪＤＦフォーマットで保存した各ラット血漿のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについてスペクトラムを算出した。その算出結果である数値列データを出力してＣＳＶフォーマットで保存した。保存した数値列データを汎用の多変量解析ソフトウエアに入力して主成分分析（ＰＣＡ）を行った。その結果を図２３に示す。図２３に示すように、各データから算出した主成分スコアは、スコアプロット上で、主成分１（Ｐｃ１）が、異なる領域に、ｃｏｎｔｒｏｌ群とｓｈｏｃｋ群とにクラスター化して分布した。引き続きＰＬＳ－ＤＡ法によるクラス分類を行ったところ、図２４に示すように、ｃｏｎｔｒｏｌ群とｓｈｏｃｋ群とを精度よく識別できることが確認された。

（５）減衰特性値（時定数τ）の数値列データの多変量解析による識別
　ＪＤＦフォーマットで保存した各ラット血漿のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについてスペクトラムを算出し、算出したスペクトログラムから各周波数成分の減衰特性値（時定数τ）を算出した。その算出結果である数値列データ（τ値）を出力してＣＳＶフォーマットで保存した。保存した数値列データを汎用の多変量解析ソフトウエアに入力して主成分分析（ＰＣＡ）を行った。その結果を図２５に示す。図２５に示すように、各データから算出した主成分スコアは、スコアプロット上で、主成分１（Ｐｃ１）が異なる領域に、ｃｏｎｔｒｏｌ群とｓｈｏｃｋ群にクラスター化して分布することが確認された。引き続きＰＬＳ－ＤＡ法によるクラス分類を行ったところ、図２６に示すように、ｃｏｎｔｒｏｌ群とｓｈｏｃｋ群を精度よく識別できることが確認された。

（実施例２）マウス細胞抽出物
［対象と方法］
・細胞の採取
（１）脂肪組織由来幹細胞（ＡＳＣｓ）
　５週齡オスのマウス（Ｃ５７ＢＬ／６）を用いた。麻酔瓶の中でエーテルを用いて安楽死させたのち、マウスを背臥位で固定し、腹部を横切開し、鼡径部から背部に至る脂肪塊を採取した。脂肪塊をＰＢＳ(Phosphate buffered saline、リン酸緩衝生理食塩水)で洗浄し、付着した血管等は切除した。脂肪塊を細断後、ＰＢＳと共に５０ｍＬの遠心チューブに移し、さらにコラゲナーゼを加えて、０．１５％のコラゲナーゼ溶液とした。この遠心チューブを温浴槽に入れ、３７℃で３０分インキュベートした。遠心チューブ中の脂肪塊が肉眼的に消失した後、ＦＢＳ（Fetal bovine serum、ウシ胎児血清）を加えてコラゲナーゼ活性を停止させ、遠心分離を行った。遠心後の上清を吸引除去した後、１０ｍＬのcontrol medium（培養液）を同チューブにいれ、細胞ペレットを十分に攪拌し、１００ｍＬディッシュ１０枚の各々に１０００μＬずつピペッティングした。各ディッシュを良く振盪し、細胞が均等に広がるのを肉眼で確認後、３７℃でのインキュベートを開始した。１週間に２－３回培地の交換を行った。

　約４日から１週間で１００％コンフルエントとなった後、control mediumをすべて吸引し、ＰＢＳで洗浄した。その後、１００ｍＬディッシュ１枚に対してTrypsin-EDTAを１ｍＬずつ入れ、３７℃で１０分間インキュベートした。培地が肉眼的に黄色に変化した後、顕微鏡で細胞の剥離を確認し、control mediumを２ｍＬ入れて中和した。そして、同溶液０．５－１ｍＬずつを、あらかじめ５ｍＬのcontrol mediumを入れた新しい１００ｍＬディッシュに分注し、３７℃でのインキュベートを開始した。このようにして第二継代培養した細胞を採取し、液体窒素にて急速冷凍後、－８０℃に保存した。

（２）骨髄間葉系幹細胞（ＢＳＣｓ）
　５週齡オスのマウス（Ｃ５７ＢＬ／６）を用いた。麻酔瓶の中でエーテルを用いて安楽死させたのち、大腿骨と脛骨を採取した後、２３ゲージ針をつけた２０ｍＬＰＢＳ入りシリンジを用いて骨髄を洗い出し、５０ｍＬチューブ内に回収した。他の５０ｍＬチューブにセルストレイナーをセッティングし、ここに先ほど回収した骨髄液を移し入れ、遠心分離を行った。細胞のペレットを吸わないように上清を吸引した。マウス３匹分の骨髄に対して１ｍＬのcontrol mediumをチューブに加えて振盪後、細胞を懸濁させた。そして、同溶液１ｍＬずつを、あらかじめ５ｍＬのcontrol mediumを入れた新しい１００ｍＬディッシュに分注し、３７℃でのインキュベートを開始した。このようにして第二継代培養した細胞を採取し、液体窒素にて急速冷凍後、－８０℃に保存した。

・ＮＭＲ測定試料の調整
（１）細胞の破砕・分離抽出
　ＮＭＲ測定用のマウス細胞抽出物を調整するために、吉岡らのプロトコールに従ってneutral extractionを遂行した。本抽出法は基本的にはFolchの方法と同じである。Folchは、動物の組織から脂質成分を抽出するために本法をデザインしたが、吉岡は、本法が、生体から摘出した組織や細胞に特別な処理を加えることなく、また含有物質に化学変化を起こすことなく多数の化学物質を抽出できることに着目して、改良を加えた。特に、極性有機化合物を非極性有機化合物から分離できる点でも有用である。

　まず、凍結保存した細胞を、冷却したクロロホルム・メタノール（２：１）混合液１．５ｍＬ中で十分に撹拌し、細胞を破砕して内容物を振盪抽出後、遠心分離を行った。次に、濾過により不溶成分を除去した抽出液に０．５ｍＬの蒸留水を加え、上記と同じ条件で再度振盪抽出を行った。抽出液を十分に撹拌後、２４時間、４℃で放置し、遠心分離を行って２層の溶液層と不溶残渣として分取した。本実験では、上層の溶液について真空エバポレーターを用いて溶媒を完全に留去し、留去の残渣をＮＭＲ測定試料とした。

（２）ＮＭＲ測定試料液の調整
　上記残渣に重水(Ｄ２Ｏ)を１８０μＬ加えて再溶解し、３ｍｍＮＭＲ試料管に入れた。別に用意した５ｍｍＮＭＲ試料管に、25 μM sodium (3-trimethylsilyl) tetradeuteriopropionate-2,2,3,3-d4 (ＴＭＳＰ)を含む３００μＬの重水を入れ、測定試料の入った前記３ｍｍＮＭＲ試料管を前記５ｍｍＮＭＲ試料管中に入れて固定して、ＮＭＲ測定試料とした。重水は磁場不均一補正のための重水素ロックシグナル取得の目的で、また、ＴＭＳＰは信号確認の内部指標として用いた。

・プロトンＮＭＲ信号の取得
　プロトンＮＭＲ信号の取得は、ＥＣＸ　ＮＭＲ装置（プロトン共鳴周波数３００ＭＨｚの超電導マグネット、ＴＨ５プローブ、１６本オートサンプルチェンジャー、Delta^TM NMR processing and control software (version 4.3.2)を装備）にて行った。プロトンＮＭＲシグナルの取得には、Delta^TMシステムに組み込まれた自動測定用のマクロプログラムを用いた。プローブ内温度は２３℃とした。ＮＭＲ信号の観測範囲は４５００Ｈｚとした。測定シークエンスとしては、一次元ＮＭＲ信号取得用のシングルパルスモードを使用し、軽水の信号はホモゲート法とDANTE法により抑制した。データ解析に十分なＳＮ比が得られるように、８０００回の積算を行った。取得した各サンプルのＮＭＲ信号データは、そのままの形（ここでは、ＪＤＦフォーマット（ＥＣＸ標準フォーマット））で保存した。

・データ解析（前記ＮＭＲ信号処理ソフトウエアによる処理と処理結果の解析）
（１）ＮＭＲ信号の音出力
　ＪＤＦフォーマットで保存した各マウス細胞抽出物のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＪＤＦフォーマットのファイルごとに音として出力（再生）した。ＡＳＣｓ抽出物とＢＳＣｓ抽出物は、明らかに異なる音として出力されることが確認された。次に、これらのデータをＷＡＶフォーマットで保存し、保存されたファイルが、汎用の再生用ソフトウエアで再生できること及び汎用の音解析ソフトウエアを用いて解析できることも確認された。

（２）スペクトログラムの算出及びスペクトログラム画像の作成
　ＪＤＦフォーマットで保存した各マウス細胞抽出物のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについて、信号全体にわたって短時間周波数解析を繰り返し行ってスペクトラムを算出した。算出結果は、前記コンピュータのディスプレイ上にスペクトログラム画像として表示した。なお、各スペクトログラム画像はＰＮＧフォーマットで保存した。

　図２７は、ＡＳＣｓ抽出物のスペクトログラム画像の一例と、ＢＳＣｓ抽出物のスペクトラム画像の一例とを示している（実際にはカラーである）。図２７に示すように、ＡＳＣｓ抽出物のスペクトログラム画像とＢＳＣｓ抽出物のスペクトラム画像とは明らかに相違しており、スペクトログラム画像の比較によって両者を識別できることが確認された。

（３）減衰特性値（時定数τ）の算出及び周波数成分／時定数グラフの作成
　ＪＤＦフォーマットで保存した各マウス細胞抽出物のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについてスペクトラムを算出し、算出したスペクトログラムから各周波数成分の減衰特性値（時定数τ）を算出した。算出結果は、前記コンピュータのディスプレイ上に周波数成分／時定数グラフとして表示した。なお、各周波数成分／時定数グラフは、ＰＮＧフォーマットで保存した。

　図２８は、ＡＳＣｓ抽出物の周波数成分／時定数グラフの一例と、ＢＳＣｓ抽出物の周波数成分／時定数グラフの一例を示している。図２８に示すように、ＡＳＣｓ抽出物の周波数成分／時定数グラフと、ＢＳＣｓ抽出物の周波数成分／時定数グラフとは明らかに相違しており、周波数成分／時定数グラフの比較によって両者を識別できることが確認された。

（４）スペクトログラムの数値列データの多変量解析による識別
　ＪＤＦフォーマットで保存した各マウス細胞抽出物のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについてスペクトラムを算出した。算出結果である数値列データを出力してＣＳＶフォーマットで保存した。保存した数値列データを汎用の多変量解析ソフトウエアに入力して主成分分析（ＰＣＡ）を行った。その結果を図２９に示す。図２９に示すように、各データから算出した主成分スコアは、スコアプロット上で、主成分１（Ｐｃ１）が、異なる領域に、ＡＳＣｓ抽出物群とＢＳＣｓ抽出物群とにクラスター化して分布した。引き続きＰＬＳ－ＤＡ法によるクラス分類を行ったところ、図３０に示すように、ＡＳＣｓ抽出物群とＢＳＣｓ抽出物群とを精度よく識別できることが確認された。

（５）減衰特性値（時定数τ）の数値列データの多変量解析による識別
　ＪＤＦフォーマットで保存した各マウス細胞抽出物のＮＭＲ信号データを前記ＮＭＲ信号処理ソフトウエアに入力し、各ＮＭＲ信号データについてスペクトラムを算出し、算出したスペクトログラムから各周波数成分の減衰特性値（時定数τ）を算出した。その算出結果である数値列データ（τ値）を出力してＣＳＶフォーマットで保存した。保存した数値列データ（τ値）を汎用の多変量解析ソフトウエアに入力して主成分分析（ＰＣＡ）を行った。その結果を図３１に示す。図３１に示すように、各データから算出した主成分スコアは、スコアプロット上で、主成分１（Ｐｃ１）が、異なる領域に、ＡＳＣｓ抽出物群とＢＳＣｓ抽出物群とにクラスター化して分布した。引き続きＰＬＳ－ＤＡ法によるクラス分類を行ったところ、図３２に示すように、ＡＳＣｓ抽出物群とＢＳＣｓ抽出物群とを精度よく識別できることが確認された。

（Ｂ）近赤外線（ＮＩＲ）信号を用いた実施例
　発明者らは、コンピュータ上で稼働して混合物試料に由来する電磁波信号（例えば、ＮＩＲ信号）を処理するプログラム及びソフトウエア（以下「電磁波信号処理ソフトウエア」という）を作成した。この電磁波信号処理ソフトウエアは、混合物試料に由来する電磁波信号を読み込み、読み込んだ電磁波信号を色（色画像）として出力（表示）することが可能である。つまり、前記電磁波信号処理ソフトウエアは、電磁波信号を処理し、色画像として出力することができる。また、前記電磁波信号処理ソフトウエアは、処理後のデータを画像フォーマット（ＰＮＧ形式等）及び数値列フォーマット（ＣＳＶ形式など）で保存し、出力することができる。以下、混合物試料の具体例として、「ラット血漿」の実験方法と解析結果を記載する。

（実施例３）ラット血漿
［対象と方法］
・動物実験（敗血症モデルの作製）
　体重２８０～３３０ｇの雄性Sprague-Dawleyラットに、２ｍｇ／ｋｇ又は１０ｍｇ／ｋｇのlipopolysaccharide（ＬＰＳ、Escherichia coli 0111:B4）を腹腔内投与し、敗血症を惹起させる。投与６時間後に３～５％イソフルラン麻酔下で採取した静脈血を遠心分離し、その上清を－８０℃で保存した（ＬＰＳ血漿１（２ｍｇ／ｋｇ）、ＬＰＳ血漿２（１０ｍｇ／ｋｇ））。
　ＬＰＳの代わりに生理食塩水を投与したラットから同様の処置を行って得られた血漿を、コントロール血漿（ｃｏｎｔｒｏｌ血漿）とした。

・ＮＩＲ測定試料の調整
　血漿試料をガラス製試料管に入れたものをＮＩＲ測定試料とした。

・ＮＩＲ信号の取得
　近赤外線センサーを用いた。
　測定条件は、以下のとおりである。
　波長：９００－１７００ｎｍ、蓄積時間モード：自動、蓄積時間上限：１０２４ｍｓ、ゲイン：GAIN＿LOW、スキャン回数：１０回、計測モード：回数指定計測モード、保存データ：カウント値、吸光度、スペクトル（規格化吸光度）。
　ＮＩＲ測定試料を近赤外線センサープローブの測定口に配置し、各試料についてそれぞれ１０回の計測を行った。各測定データはＣＳＶ形式で出力し保存した。

・データ処理
　前記電磁波信号処理ソフトウエアを用いて以下の処理及び出力を行った。
（１）ＮＩＲ信号の色表示
　取得したＮＩＲ信号の波長のダイナミックレンジ（例：近赤外領域の場合は９００～１７００ｎｍ）を、可視領域（４００～８００ｎｍ）へ線形写像して、可視領域の信号として読み替えた（変換した）。次に、ＲＧＢ感度曲線から決定される、ＲＧＢ三原色の主要な帯域（例：赤は６９０～７１０ｎｍ、緑は５３６～５５６ｎｍ、青は４２５～４４５ｎｍ）のそれぞれにおける強度（平均値）を計算した。

（２）色表示された各混合物のＮＩＲデータの視覚（色覚）評価による識別
　ラット血漿試料ごとのＮＩＲ信号について算出されたＲＧＢ値を用いて、前記コンピュータのディスプレイ上で色表示すると共に、色画像データ（ＰＮＧフォーマット）として保存した。図３３は、ｃｏｎｔｒｏｌ血漿、ＬＰＳ血漿１、及びＬＰＳ血漿２のそれぞれの色（色画像）の一例を示している（実際にはカラーである）。図３３に示すように、ｃｏｎｔｒｏｌ血漿の色、ＬＰＳ血漿１の色、及びＬＰＳ血漿２の色は、それぞれ相違しており、表示された色の比較によって三者を識別できることが確認された。

（３）ＲＧＢデータ（数値列データ）のＳＶＭによる識別（図３４参照）
　複数のｃｏｎｔｒｏｌ血漿、複数のＬＰＳ血漿１および複数のＬＰＳ血漿２のＲＧＢデータを出力し、ＣＳＶフォーマットで保存した。本データを汎用の多変量解析ソフトウエアに読み込み、ｃｏｎｔｒｏｌ血漿（７５データ）、ＬＰＳ血漿１（７７データ）、ＬＰＳ血漿２（７３データ）をトレーニングデータ、残りのｃｏｎｔｒｏｌ血漿（３６データ）、ＬＰＳ血漿１（３６データ）、ＬＰＳ血漿２（３６データ）をテストデータとしてＳＶＭによる識別を行った。トレーニングデータを用いてＳＶＭの学習を行い、セグメントサイズ９のクロスバリデーションによるトレーニングデータについての識別器の性能評価を行なったところ、高い識別率を得た。次にテストデータについて本識別器によるクラス識別を試みたところ、１００％の識別率となり、本識別器が未知のデータにも高い精度で識別能を持つことが確認できた。

　以上、本発明の実施形態及び実施例について説明したが、本発明は、上述の各実施形態や各実施例に限定されるものではなく、本発明の技術的思想に基づいて種々の変形等が可能である。また、本発明は、混合物の特性評価における画期的な技術であり、例えば、属性が不明な混合物試料の属性を、属性が明らかな既知混合物試料に基づき、高精度に、簡便かつ迅速に識別することができる。さらに、本発明は、属性識別に限らず、様々な分野における混合物試料の分析技術として適用可能である。

　通常、医療の現場では、症状が出現してから治療を開始する。しかし、今後は、症状が出現する以前に疾患を予測し、治療的な介入を行って、疾患の発症を防止または遅らせようとする、新しい医療（先制医療）の出現が待ち望まれている。医療分野においては、本発明を利用することで、先制医療における超早期診断、治療方針の決定、治療効果の判定、予後予測をはじめ、新しい臨床検査法・医療機器の開発の可能性がひろがる。

　また、医療分野以外においても、本発明を新しいセンシング技術として応用し、例えば産業用各種モニタリング装置・分析機器・検出器（化学製品製造・食品加工・水処理などにおける異常検出、プロセス監視など）への適用や、食品の検査及び開発、植物の育種、高分子化学などへ適用することが期待される。

　さらに、本発明を用いて「複雑・不均質な混合物」の特性評価（特性解析）を行うことにより、今まで詳細が不明であった「複雑・不均質な混合物」の構造および機能を解明する新しい学問分野が創出されることが期待できる。

　１Ａ，１Ｂ、１Ｃ、１Ｄ…信号処理装置、２Ａ、２Ｂ、２Ｃ、２Ｄ…処理部、３Ａ、３Ｂ、３Ｃ、３Ｄ…出力部、１０Ａ、１０Ｂ、１０Ｃ、１０Ｄ…属性識別装置、１１Ａ、１１Ｂ、１１Ｃ、１１Ｄ…信号処理部、１２Ａ，１２Ｂ，１３Ｃ，１２Ｄ…属性識別部、１３Ａ，１３Ｂ，１３Ｃ，１３Ｄ…部、２０Ａ、２０Ｂ…指標設定部

Claims

　混合物試料に由来する電磁波信号を処理する方法であって、
　前記電磁波信号から可聴域データ又は可視域データを生成すること、及び、
　前記可聴域データ又は前記可視域データを音又は色に変換し、変換された音又は色を前記混合物試料の特性を示す情報として出力すること、
　を含む、方法。
　前記混合物試料は、生物サンプルである、請求項１に記載の方法。
　混合物試料に由来する電磁波信号を処理する方法であって、
　前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出すること、及び、
　前記スペクトログラムに基づいて前記混合物試料の特性を示す情報を作成して出力すること、
　を含む、方法。
　前記混合物試料は、生物サンプルである、請求項３に記載の方法。
　前記混合物試料の特性を示す前記情報は、スペクトログラム画像及び前記スペクトログラムの数値列データの少なくとも一方である、請求項３に記載の方法。
　前記スペクトログラムの各周波数成分の減衰特性値を算出することをさらに含み、
　前記混合物試料の特性を示す情報は、前記各周波数成分の前記減衰特性値を示す周波数成分／減衰特性値グラフ及び前記各周波数成分の前記減衰特性値の数値列データの少なくも一方である、請求項３に記載の方法。
　混合物試料の属性を識別する方法であって、
　属性が不明な被検混合物試料に由来する電磁波信号を取得すること、
　前記電磁波信号から前記被検混合物試料についての可聴域データ又は可視域データを生成すること、
　前記被検混合物試料についての前記可聴域データと、前記被検混合物試料と同種で属性が決定されている少なくとも一つの既知混合物試料に基づいて生成された属性識別用音データとを音に変換して出力し、又は、前記被検混合物試料についての前記可視域データと、少なくとも一つの前記既知混合物試料に基づいて生成された属性識別用色データとを色に変換して出力すること、及び、
　前記被検混合物試料についての前記可聴域データに基づく音と前記属性識別用音データに基づく音とを比較し、又は、前記被検混合物試料についての前記可視域データに基づく色と前記属性識別用色データに基づく色とを比較して、前記被検混合物試料の属性を識別すること、
　を含む、方法。
　前記属性識別用音データは、前記被検混合物試料についての前記可聴域データと同様にして生成された少なくとも一つの前記既知混合物試料についての可聴域データを含み、
　前記属性識別用色データは、前記被検混合物試料についての前記可視域データと同様にして生成された少なくとも一つの前記既知混合物試料について可視域データを含む、
　請求項７に記載の方法。
　混合物試料の属性を識別する方法であって、
　属性が不明な被検混合物試料に由来する電磁波信号を取得すること、
　前記電磁波信号の全体にわたって短時間周波数解析を繰り返すことによって前記電磁波信号のスペクトログラムを算出すること、
　前記スペクトログラムに基づいて前記被検混合物試料の特性を示す情報を作成すること、及び、
　前記被検混合物試料の特性を示す前記情報と、前記被検混合物試料と同種で属性が決定されている少なくとも一つの既知混合物試料に基づいて作成された属性識別用情報とを比較して、前記被検混合物試料の属性を識別すること、
　を含む、方法。
　前記被検混合物試料の特性を示す前記情報は、前記スペクトログラムに基づく前記被検混合物試料についてのスペクトログラム画像であり、
　前記属性識別用情報は、前記被検混合物試料についての前記スペクトログラム画像と同様にして作成された少なくとも一つの前記既知混合物試料についてのスペクトログラム画像を含む、請求項９に記載の方法。
　前記スペクトログラムの各周波数成分の減衰特性値を算出することをさらに含み、
　前記被検混合物試料の特性を示す前記情報は、前記各周波数成分の前記減衰特性値を示す前記被検混合物試料についての周波数成分／減衰特性値グラフであり、
　前記属性識別用情報は、前記被検混合物試料についての前記周波数成分／減衰特性値グラフと同様にして作成された少なくとも一つの前記既知混合物試料についての周波数成分／減衰特性値グラフを含む、請求項９に記載の方法。
　前記被検混合物試料の特性を示す前記情報は、前記スペクトログラムの数値列データを用いて算出される前記被検混合物試料ついての特徴量であり、
　前記属性識別用情報は、前記被検混合物試料についての特徴量と同様にして算出された複数の前記既知混合物試料についての特徴量のうち属性毎にグループ化された前記既知混合物試料の特徴量に基づいて属性毎に設定された属性識別用指標である、請求項９に記載の方法。
　前記特徴量は、前記被検混合物試料についてスペクトログラムと同様にして算出された複数の前記既知混合物試料についてのスペクトログラムの数値列データに対する多変量解析に基づく特徴量である、請求項１２に記載の方法。
　前記スペクトログラムの各周波数成分の減衰特性値を算出することをさらに含み、
　前記被検混合物試料の特性を示す前記情報は、前記各周波数成分の前記減衰特性値の数値列データを用いて算出される前記被検混合物試料についての特徴量であり、
　前記属性識別用情報は、前記被検混合物試料についての前記特徴量と同様にして算出された複数の前記既知混合物試料についての特徴量のうち属性毎にグループ化された前記既知混合物試料の特徴量に基づいて属性毎に設定された属性識別用指標である、請求項９に記載の方法。
　前記特徴量は、前記被検混合物試料についての前記各周波数成分の前記減衰特性値と同様にして算出された複数の前記既知混合物試料についての各周波数成分の減衰特性値の数値列データに対する多変量解析に基づく特徴量である、請求項１４に記載の方法。