WO2021192915A1 - 原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置 - Google Patents

原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置 Download PDF

Info

Publication number
WO2021192915A1
WO2021192915A1 PCT/JP2021/008633 JP2021008633W WO2021192915A1 WO 2021192915 A1 WO2021192915 A1 WO 2021192915A1 JP 2021008633 W JP2021008633 W JP 2021008633W WO 2021192915 A1 WO2021192915 A1 WO 2021192915A1
Authority
WO
WIPO (PCT)
Prior art keywords
odor
odors
sensor
raw
undiluted
Prior art date
Application number
PCT/JP2021/008633
Other languages
English (en)
French (fr)
Inventor
田村　亮
含笑 許
孝紀 北井
皓輔 南
牧人 中津
元起 吉川
弘太 柴
宏治 津田
Original Assignee
国立研究開発法人物質・材料研究機構
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 国立研究開発法人物質・材料研究機構 filed Critical 国立研究開発法人物質・材料研究機構
Priority to EP21776633.6A priority Critical patent/EP4130735A4/en
Priority to US17/800,386 priority patent/US20230090065A1/en
Priority to CN202180023970.1A priority patent/CN115349089A/zh
Priority to JP2022509487A priority patent/JP7371981B2/ja
Publication of WO2021192915A1 publication Critical patent/WO2021192915A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means

Definitions

  • the present invention is a subset consisting of a relatively small number of odors from a odor set consisting of a plurality of types of odors, and the combination thereof expresses any odor in the odor set at least approximately. It relates to selecting a subset of the odor set (hereinafter, each odor in this subset is referred to as a raw odor).
  • the present invention also relates to at least approximately representing, presenting, or synthesizing many types of odors by the combination of raw odors thus selected.
  • the present invention further relates to expressing or presenting many types of odors in a form that can be perceived by perceptions other than the sense of smell, such as color.
  • the present invention further relates to a device for that purpose.
  • any color can be decomposed into three primary colors and expressed by the weight of each of these primary colors. Furthermore, by mixing the light of each primary color with the intensity of the corresponding weight, instead of preparing the emission source and colorant of all colors, in principle, by preparing only three kinds of colors, it is optional. Colors can be combined so that they are visually restored. As an analogy of primary color separation / synthesis of such colors, any odor is decomposed into a relatively small number of odors, that is, "primary odors" corresponding to the primary colors, and any odor is weighted. If it can be synthesized by mixing, a great many applications can be expected.
  • decomposing odors into undiluted odors or synthesizing odors by mixing several undiluted odors means decomposition and synthesis in terms of the component composition of odors. It does not mean that.
  • the undiluted odor is the same or similar odor in the sense of smell (the sense of smell of humans or other animals, and more generally, the response of various odor sensors) by mixing them. Note that it means the original odor that can be synthesized.
  • the odor X of a certain gas containing acetic acid can be synthesized by mixing the undiluted odor A and the undiluted odor B, it is not always the case that either the undiluted odor A or B contains acetic acid, and simply these It only means that the gas obtained by mixing the undiluted odors in a certain ratio is perceived as the same or similar odor as odor X.
  • odor can be expressed by color. If the odor can be colored, the effect of "odor" can be used in comics and movies.
  • perfumes, cosmetics, whiskeys, wine, etc. can be represented by colors, by adopting those colors in the product packaging, the odor of the products can be visually understood and it will contribute to sales. Since color has the effect of affecting human psychology, if odor can be expressed by color, there are endless applications. Furthermore, since the method of expressing the odor itself has not been established so far, by expressing the odor as a color, the odor can be expressed more objectively than before, which makes it easier to remember, learn, and understand the odor. It is expected to become.
  • Non-Patent Document 1 discloses "absolute value expression analysis" in which comparison results with several types of reference gases specified in advance are quantified and expressed on a radar chart or the like.
  • An example of quantification and its radar chart representation is shown in Non-Patent Document 2.
  • the absolute value expression described here it is necessary for the provider or user of the measurement system to set the reference odor (reference gas) in advance, and the odor to be measured is defined as these criteria. It has not been examined whether or not it can be approximated well by the combination of gases. Therefore, the absolute value expression analysis disclosed here does not give any suggestion about the above-mentioned expression by decomposition of the unpleasant odor of odor, synthesis / generation by mixing, or conversion to a form that can be recognized by other perceptions. No.
  • each odor in the odor set is detected, and a subset consisting of the original odor of the odor in the odor set is selected based on the detection result of each odor.
  • An odor selection method is given.
  • the detection of each of the odors includes obtaining a feature vector corresponding to each of the odors, which is composed of a plurality of features obtained from the output signals of the sensor for each of the odors, and comprises the undiluted odor.
  • the selection of the subset is based on the subset of the feature vector selected by the end point detection in the feature space including the feature vector from the set of the feature vectors corresponding to each odor in the set of odors. It may include selecting the raw odor.
  • each row of the feature matrix formed by setting the feature vector obtained corresponding to each of the above odors as a vertical vector may be scale-transformed. Further, a subset of the feature vector is obtained by counting the number of times the endpoint is a point located at the end in an arbitrary direction of the feature space and extracting the feature vector from the set of the feature vectors in descending order of the number of times. You may get.
  • the sensor may be a surface stress sensor. Further, the sensor is a sensor array having a plurality of sensor elements, and the output signal may include individual output signals from each of the plurality of sensor elements.
  • the senor the gas supply means for alternately supplying the sample gas and the reference gas having the respective odors to the sensor, and the information processing device for inputting the output signal from the odor sensor.
  • a raw odor selection device for selecting the odor of the sample gas corresponding to each element of the subset of the feature vector obtained by the information processing device by any of the raw odor selection methods is provided. ..
  • a given odor is synthesized as an odor in which each of the selected undiluted odors is mixed, based on a plurality of undiluted odors selected by any of the above undiluted odor selection methods. The odor synthesis method is given.
  • an odor synthesizer provided with means for mixing the sample gas corresponding to each of the raw odors selected by the raw odor selection device.
  • a given odor is expressed as a combination of each of the selected raw odors based on the plurality of raw odors selected by any of the above selected raw odor selection methods.
  • a odor expression method is given.
  • the combination of the unpleasant odors may be represented by a linear combination of the characteristic vectors of the undiluted odors.
  • the senor the gas supply means for alternately supplying the sample gas having each odor and the reference gas to the sensor, and the information processing for inputting the output signal from the odor sensor.
  • an odor expression device provided with a device and a means for storing or providing the odor expression result obtained by the information processing apparatus by any of the odor expression methods to the outside.
  • an odor presenting method that presents the combination of the undiluted odors in a form that can be recognized by perception other than the sense of smell.
  • a different color may be associated with each of the raw odors, and the odor may be presented as a result of mixing the different colors.
  • the different colors associated with each of the primary odors may be three primary colors.
  • An odor presenting device provided with the device and an output device for outputting the odor presenting result obtained by the information processing apparatus by any of the odor presenting methods is provided.
  • a sample gas that may contain a plurality of chemical substances, that is, a odor (a gas generated from a given sample if it is a liquid or a solid) is analyzed, and a sample that becomes a raw odor in the sample gas. That is, select the odor.
  • a odor a gas generated from a given sample if it is a liquid or a solid
  • any odor can be expressed by a combination of undiluted odors.
  • This expression may be something that can be recognized by human perception such as color (for example, presentation in a form that can be recognized by perception other than the sense of smell). It is also possible to synthesize arbitrary odors at least approximately.
  • the conceptual diagram of the measuring apparatus to which this invention is applied The figure which shows the example of the response signal measured by the Membrane-type Surface stress Sensor (abbreviated as MSS in this application).
  • the horizontal axis is time (unit is seconds), and the vertical axis is output (unit is mV).
  • A, B, C and D are used to express the response signal as a feature quantity.
  • the horizontal axis is time (unit is seconds), and the vertical axis is output (unit is mV).
  • the results of using 12 kinds of seasonings as samples are shown.
  • the horizontal axis is time (unit is seconds), and the vertical axis is output (unit is mV).
  • the results of using 12 kinds of seasonings as samples are shown.
  • the figure which shows the color map of the seasoning obtained by an Example. RGB values are shown in parentheses. Nampula, sake and pure water were selected as the three raw odors by end point detection, and the results of assigning the colors of the respective raw odors to red, green and blue were shown.
  • the raw response signals measured on channels 1 to 6 of the MSS sensor array and the coefficients (w 1 , w 2 , w 3 ) are used for nam pla, sake and pure water for the dripping of roasted meat.
  • the horizontal axis is time (unit is seconds), and the vertical axis is output (unit is mV).
  • the raw response signals measured on channels 7-12 of the MSS sensor array and the coefficients (w 1 , w 2 , w 3 ) are used for nam pla, sake and pure water for the dripping of roasted meat.
  • the horizontal axis is time (unit is seconds), and the vertical axis is output (unit is mV).
  • the horizontal axis is time (unit is seconds), and the vertical axis is output (unit is mV).
  • the response of nam pla, sake and pure water to soy sauce using the raw response signals measured on channels 7-12 of the MSS sensor array and the coefficients (w 1 , w 2 , w 3).
  • the horizontal axis is time (unit is seconds), and the vertical axis is output (unit is mV).
  • the figure which shows the example of the color of the odor output in real time in an Example The figure which shows the example of the color of the odor output in real time, and the time dependence of the RGB value in an Example.
  • the horizontal axis is time (unit is seconds), and the vertical axis is RGB values.
  • a subset of these odors is selected (given) from a set of multiple sample gases (hereinafter, the sample gas is often referred to as "odor") using a nanomechanical sensor and machine learning.
  • the sample gas is often referred to as "odor"
  • the sample gas When the sample is a liquid or solid, the gas generated from it is called a sample gas).
  • the individual odors in the subset of odors selected in this way are also referred to as undiluted odors in the present application. It should be noted here that, as is clear from the above description, the undiluted odor is not given a priori (that is, not given in advance before the application of the present invention), but in the process of implementing the present invention. It is a point that is determined dynamically.
  • the raw odor as a subset is selected from multiple odors, and in the subsequent measurements, instead of selecting the raw odor each time, the first selected raw odor is reused. It is also possible to reuse the undiluted odor.
  • any odor in the set of given odors can be expressed by a combination of the unpleasant odors. Represented by the original odor of any odor, just data (e.g.
  • the odor can be transformed so that it can be recognized by a perception other than the sense of smell. This can be expressed as, for example, assigning a different color to each of the original odors and expressing the odor as a mixture of the colors assigned to these original odors. Typically, three primary odors can be selected and three primary colors can be assigned to these primary odors. Further, not only the odor can be expressed as a combination of the undiluted odors, but also the same or similar odor as the odor that can be expressed by the combination of the undiluted odors can be synthesized by mixing these undiluted odors.
  • the present invention does not cover almost the entire information of all odors (sensor responses to all odors), but cuts out a part of the range that can be calculated and within that range. It provides a novel and practical technical idea that can be realized even in the present situation where the "true unpleasant odor" has not been found, which is to logically define the unpleasant odor. Furthermore, even if the true undiluted odor can be identified, the undiluted odor substance that gives it is not always easy to obtain and handle and is not always safe for the living body. There is also the possibility that the types of undiluted odors will be extremely large. Therefore, it is conceivable that decomposing the odor based on the true undiluted odor may not be a realistic solution. The present invention is sufficiently applicable to such cases.
  • a plurality of sensors exhibiting different responsiveness to various odors are used.
  • sensors include, for example, nanomechanical sensors that detect changes in physical parameters on their predetermined surface.
  • a surface stress sensor as one of the nanomechanical sensors.
  • a film (sensitive film) for adsorbing a sample such as gas is provided on the surface, and expansion and contraction caused by the adsorption on the sensitive film appears as a change in the surface stress of the surface.
  • a sample should be supplied to one or more surface stress sensors and the response should be measured. Therefore, qualitative or quantitative analysis of various substances in the sample can be performed.
  • Various sensors for detecting odors have been proposed and manufactured.
  • a nano called MSS Patent Document 1 and Non-Patent Document 3 using electric reading based on piezoresistive effect.
  • a mechanical sensor is used as an example.
  • This sensor has been reported to have several advantages over conventional cantilever nanomechanical sensors, resulting in high sensitivity, compact system and high stability. Further, the size of the sensor channel is smaller than 1 mm, and a plurality of channels coated with different sensitive film materials can be easily prepared. Thereby, a lot of information on the odor can be obtained at one time, and a reliable response signal which is regarded as a "fingerprint" of the odor sample can be collected.
  • We have a track record of quantitative analysis of odors and odor identification using feature quantities extracted from this response signal hereinafter, vectors defined by a plurality of feature quantities are referred to as feature vectors).
  • feature vectors feature vectors
  • other types of sensors can also be used.
  • odor samples are collected and converted into response signals by a plurality of MSSs using various sensitive films. Then, a high-dimensional feature vector is extracted from the response signal by physicochemical knowledge. Next, by executing endpoint detection using machine learning in a high-dimensional feature space, the ranking as a raw odor candidate is calculated for all the collected odor samples. Determine the number of odors to be selected as the undiluted odor (the number of undiluted odors), and select the odors with the number of undiluted odors in order from the top of the ranking.
  • the coefficients of this linear combination should be calculated, for example, by quadratic programming. Can be done. In this way, any odor can be expressed (approximate) as an odor mixed with a small number of undiluted odors.
  • the end point detection referred to in the present application means an arbitrary data analysis method for selecting a sample located at the end in the feature space.
  • Various such machine learning algorithms have been proposed (for example, Non-Patent Document 4).
  • the one of Non-Patent Document 5 is applied to find points located at edges in various directions of the feature space, the number of appearances is counted for each point, and the number of appearances is counted in descending order.
  • the method of selecting points and selecting the odor associated with these points as the undiluted odor is explained below.
  • endpoint detection a point located at the edge of the feature space is defined as an endpoint, and a data analysis method for detecting the endpoint is called endpoint detection.
  • endpoint detection a specific method described below is given as an example.
  • endpoint detection is not limited to the particular method, and generally any data analysis method for detecting endpoints can be used.
  • the number of undiluted odors may also be dynamically set. For example, if the degree of approximation of odors other than the undiluted odors synthesized when a certain number of undiluted odors is selected instead of setting the number of undiluted odors to a preset fixed number is lower than the expected value, the above-mentioned It is also possible to improve the approximation accuracy by sequentially adding the top odors left in the ranking of to the raw odor. That is, by determining the intensity (weight) of each unpleasant odor and mixing them, odors other than the undiluted odor can be synthesized (in many cases, approximately).
  • the degree of approximation between the odor synthesized / approximated in this way and the odor synthesized / approximated, that is, the target odor may be determined by a sensitivity test, or the difference between the feature vectors of both odors or the response signal of the sensor itself. You may calculate the difference between.
  • the number of undiluted odors can be set arbitrarily according to the purpose of use of the undiluted odor. For example, when displaying odors in association with colors, the top three samples in the ranking are set as three undiluted odors. These are assigned to the three primary colors of red, green, and blue, respectively. However, it is not essential to use the three primary colors as the colors corresponding to the primary odors, and any three colors can be assigned as the colors of the three primary odors. In this case, the position of the target odor on the chromaticity coordinates is calculated, and the color of the target odor is obtained from the position on the chromaticity coordinates.
  • a device for outputting odor in a single color in real time can be manufactured by using, for example, MSS, a compact computer equipped with a machine learning method, an LED light, or the like.
  • a value K as large as possible (depending on the required accuracy of selecting the raw odor, for example, 200 times or more the number of features is desirable) is set, and a set of K random unit vectors is set.
  • K random means having randomness that is uniform with respect to the direction in the feature space (here, a 48-dimensional vector space).
  • Each unit vector The dimension of is the same as the dimension of the feature vector, in this case 48 dimensions.
  • vector Prepare This vector is used to store the score for the endpoints, called the endpoint score.
  • index of the selected element I - and with respect to I + vector Update the components of as follows. That is, the endpoint score of the element having the selected index is increased by 1.
  • odor samples with large endpoint score n i is considered as being located at the end of the high-dimensional feature space (feature vector space).
  • n i is greater odor samples is considered a sample endmost in odor sample
  • n i descending order is considered as ranking as raw odor candidate.
  • a sample of top three three original smell defines the index of the original odor and e 1, e 2 and e 3, respectively.
  • these original odors are assigned to the vertices of the chromaticity triangle.
  • the coefficient representing the linear combination is obtained by executing the quadratic programming method. That is, the standardized feature vector of the target odor Then, find the coefficients (w 1 , w 2 , w 3 ) that minimize the difference ⁇ defined by the following equation. However, the following two conditions will be imposed.
  • This former condition is necessary to express the target odor as a positive mixture of the three undiluted odors. This is due to the fact that the undiluted odor cannot be mixed at negative concentrations.
  • the w i is a condition necessary to correspond to the concentration to mix original odor.
  • the color in the chromaticity triangle corresponding to this position determines the color corresponding to the target odor.
  • the mixed concentration of the undiluted odor was determined so as to approximate the standardized feature vector, but the object of approximation is not limited to this, and the normalized feature vector and the non-standardized feature vector are not limited to this. , Or direct response signals may be dealt with.
  • the top three samples that are candidates for the primary odor are regarded as the three primary odors, and by using this as the apex of the color triangle like the three primary colors of the color, all odors are expressed by color.
  • a seasoning is used in the examples.
  • these samples and measurement targets are merely examples, and that various other types of samples and chemical substances can be arbitrarily selected.
  • it can be applied to liquid and solid samples that generate odors.
  • silica / titania composite nanoparticles was performed surface functionalization of various polymers, SiO 2 -C16TAC the (silica / hexadecyltrimethylammonium composite particles) as 12 kinds of sensitive film material. These were applied to the MSS surface by several application methods. The materials applied to each channel and the application method are shown in [Details of Examples-Preparation of MSS Chips Coated with Various Materials] described later.
  • one odor sample is represented by 48 parameters (product of 4 features and 12 channels). This is a high-dimensional feature quantity for each odor sample, that is, a feature vector.
  • the coefficients (w 1 , w 2 , w 3 ) are calculated by the quadratic programming method (details are shown in the above-mentioned [Expression of arbitrary odor using undiluted odor]. ). These coefficients are the standardized feature vectors of the three undiluted odors extracted from the response signal. It is a coefficient representing a linear combination of.
  • the table below shows the results of obtaining these coefficients by the quadratic programming method.
  • the difference ⁇ between the linear combination and the standardized feature vector of the target odor is also shown in the table.
  • This color map shows that the odor of soy sauce and mentsuyu does not contain pure water components, and these are represented as a mixture of nam pla and sake. Note that the color itself has no meaning in the above expression. This is because the three odors were assigned colors unrelated to the original odor sample, and the other odor samples were converted into colors by relative evaluation using these colors. On the other hand, using the prepared data set, the color of the liquid sample itself and the color that matches the human senses are applied to the three primary odors, and the color itself is given meaning by creating a chromaticity triangle by mixing the colors. It is also possible.
  • the response signals of nam pla, sake, and pure water are superimposed using the coefficients (w 1 , w 2 , w 3) obtained for the sauce of soy sauce and grilled meat.
  • the mixed signal created by the above is compared with the response signal obtained from the actual yakiniku sauce and soy sauce.
  • these peaks are well matched on all channels. This way can degrade a given color to the three primary colors, obtained by using the coefficients (w 1, w 2, w 3), the raw response signal of the target odor, the response signal of the 3 original odor It is shown that it can be decomposed approximately.
  • the coefficient used for the linear combination of odors was estimated using only the 48-dimensional features, but from the viewpoint of the raw response signal, the obtained coefficient is used when mixing the unpleasant odors. It shows that it is an approximation that can be regarded as the concentration of. Therefore, this information is also useful when creating a new odor from the three undiluted odors.
  • the intensity of the response signal obtained in each channel is different for each channel, but as described above with respect to FIGS. 4A and 4B, in FIGS. 6A to 6D, the peak value of the response signal in each channel is almost the same height. By making it so that it is easy to see, the list is improved.
  • a device that converts odors in real time When the three types of unpleasant odors are predetermined, various odors can be immediately converted into a form that can be recognized by perception other than the sense of smell, such as color, simply by executing the quadratic programming method. Therefore, for example, the color of the target odor (the odor converted into a color as described above) can be output in real time. Therefore, using MSS, a compact computer as an information processing device equipped with machine learning, and an LED light, a device for displaying the color of odor in real time was produced. Here, the LED light is used as the device used to output the color, but of course, any output device may be used.
  • nam pla, sake, and pure water were used as three kinds of raw odors.
  • the colors of the original odors were red, green, and blue.
  • N 2 gas was used as the reference gas and the carrier gas when measuring the response signal of the undiluted odor
  • the N 2 gas was also used as the reference gas and the carrier gas when measuring the odor of the target.
  • air can also be used as a reference gas and a carrier gas.
  • FIGS. 7A and 7B The real-time measurement results are shown in FIGS. 7A and 7B.
  • the first half of the measurement shown in FIG. 7A is the result of measuring the nam pla, sake, pure water, yakiniku sauce, and soy sauce in order in real time.
  • FIG. 7B summarizes the time dependence of the color output to the LED light and the RGB value.
  • the vial containing the sample that has been measured is temporarily removed from the gas flow path, and the vial containing the next sample to be measured is connected to the gas flow path.
  • the surrounding air gets into the vial and mixes with the odor of the sample. Due to this effect, the coefficient fluctuates greatly when switching samples, and the output color is different from the color that the target odor should indicate.
  • the MSS chip used in this embodiment has a total of 12 channels (hereinafter, also referred to as Ch), and the materials and coating conditions applied to each channel are as shown below.
  • Ch1 Aminopropyl group modified silica / titania composite nanoparticles (spray coating)
  • Ch2 Octadecyl group-modified silica / titania composite nanoparticles (inkjet coating, 1 g / L, 400 shots)
  • Ch3 Phenyl group modified silica / titania composite nanoparticles (inkjet coating, 1 g / L, 200 shots)
  • Ch4 Polymethyl methacrylate (inkjet coating, 1 g / L, 300 shots)
  • Ch5 Aminopropyl group modified silica / titania composite nanoparticles (inkjet coating, 1 g / L, 600 shots)
  • Ch6 Octadecyl group-modified silica / titania composite nanoparticles (inkjet coating, 1 g / L, 800 shots)
  • Ch7 Phenyl group modified silica / titania composite nanoparticles (inkjet coating, 1 g / L, 500 shots)
  • Ch1 was applied by spraying, and the others were applied by inkjet. These coating methods are well known to those skilled in the art, but if necessary, refer to Non-Patent Document 7 for details of spray coating and Non-Patent Document 9 for details of inkjet coating.
  • a dispersion or solution having a concentration of 1 g / L was prepared and used for coating, but it should be noted that the conditions such as the number of shots and the stage temperature differ for each channel.
  • the field of application of the present invention is not limited to odors, and can be used in any field where it is useful to select the original sample, that is, the undiluted odor, from all gas, liquid, and solid samples. Can be done. For example, any odor can be expressed, presented, or synthesized with a relatively small number of undiluted odors.
  • the original sample raw odor
  • the original sample was selected from various samples such as arbitrary exhaled breath, sweat, saliva, tears, other arbitrary body fluids, gas emitted from the body, and odor, and was arbitrarily measured.
  • the odor of the sample i.e., the individual, can be expressed as a combination of the unpleasant odors thus selected, and in other perceptually recognizable forms, such as color. Further, it is expected that the present invention will be widely used in various fields where odors and gases are generated, such as food manufacturing, product design, entertainment, storage, distribution and security, and pharmaceutical fields.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Food Science & Technology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本発明は、色を３原色に分解するのと同様に、任意のニオイを比較的少数のニオイの組み合わせに分解して表現し、また合成することを可能とする。原色に相当する「原臭」はいまだに突き止められていないため、本発明では、そのような固定的な原臭を予め設定する代わりに、複数のニオイからなる集合中から、混合により他のニオイをできるだけよく近似できるニオイの部分集合を選定することで上記分解、合成等を行うことができるようにする、実現可能な手法及び装置を提供する。

Description

原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置
　本発明は、複数種類のニオイからなるニオイ集合のうちから、比較的少数のニオイからなる部分集合であって、それらの組み合わせによりニオイ集合中の任意のニオイを少なくとも近似的に表現するところの上記ニオイ集合の部分集合（以下、この部分集合中の個々のニオイを原臭と称する）を選定することに関する。本発明は、また、このようにして選定された原臭の組み合わせにより、多くの種類のニオイを少なくとも近似的に表現し、提示し、あるいは合成することに関する。本発明は、さらに、多くの種類のニオイを例えば色などの嗅覚以外の知覚によって感知できる形態で表現または提示することに関する。本発明は、さらに、そのための装置に関する。
　周知のとおり、任意の色は３原色に分解してこれら原色毎の重みで表現することができる。さらに、それぞれの原色の光をそれに対応する重みの強度で混合することで、あらゆる色の発光源や色料を準備する代わりに、原理的にはわずか３種類の色を準備することで、任意の色が人間の視覚上で復元されるように合成することができる。このような色の原色分解・合成のアナロジーとして、任意のニオイを比較的少数のニオイ、すなわち原色に相当する「原臭」に分解し、また任意のニオイをこのような原臭を重み付きで混合することで合成できれば非常に多くの応用が期待できる。
　なお、ここで原臭について注意しておくこととして、ニオイを原臭に分解する、あるいはニオイをいくつかの原臭の混合によって合成するということは、ニオイの成分組成の意味での分解、合成を意味するものではないということである。原臭とは、それらを混合することによって任意のニオイを嗅覚（人間、あるいはその他の動物の嗅覚、更に一般的に言えば各種のニオイセンサの応答）の意味で同じ、あるいはよく似たニオイを合成できるという、元になるニオイを意味することに注意されたい。例えば、酢酸を含むあるガスのニオイＸを原臭Ａと原臭Ｂとの混合によって合成できるとしても、原臭Ａ、Ｂの何れかに酢酸が含まれているとは限らず、単にこれらの原臭をある比率で混合することによって得られたガスがニオイＸと同じあるいはよく似たニオイとして知覚されることを意味するだけである。
　さらには、ニオイを原臭分解することで、ニオイを嗅覚以外の種類の知覚によって認識できる形態に変換すれば、ニオイをより判りやすく表現することも可能となる。たとえば、ニオイを色で表現できるとした場合の応用を考えてみよう。ニオイに色をつけられれば、漫画や映画で「ニオイ」という効果が使用できるようになるだろう。また、香水や化粧品、ウィスキー、ワインなどを色で表すことができれば、その色を商品パッケージに採用することで、視覚的に商品のニオイが理解でき、売れ行きに貢献できるだろう。色は人の心理に影響を与える効果があるため、ニオイを色で表すことができれば、応用は無限に存在する。さらに、今のところニオイそのものを表現する方法は確立されていないので、ニオイを色として表すことで、ニオイをこれまでよりも客観的に表現でき、これによってニオイの記憶、学習、理解が容易になることが期待される。
　しかしながら、上述したようなニオイの原臭分解による表現、混合による合成・生成、また他の知覚で認識できる形態への変換などは一般に難しい。それは、光の３原色や味の４原味（５原味や６原味、あるいはそれ以上とする考え方もある）に対応する、嗅覚における原臭が科学的に特定されていないことに由来する。原臭の定義を試みる研究は古くから行われており、Henningによって提唱されたFlowery、 Fruity、 Putrid、Spicy、 Resinous、 Burntの６種類が原臭であるとするHenning’s odor prismなどが有名である。しかし、原臭とされるサンプルを集めたところで、あらゆるニオイをこれらの原臭の混合臭によって表すことはできず、光や味のように、基準とするサンプルを用意すれば他の任意の光や味を再現できるということはない。例えば、ニオイを単一の色で表現したい場合には光の３原色に対応させたニオイの３原臭を探し出せば良いが、上記の理由によりこれを決めることは実質不可能である。
　一方で近年、センサアレイを用いた人工嗅覚システムの発展が目覚ましい。この人工嗅覚システムを利用することで、ニオイを数値的に表すことができるようになりつつある。そして、センサアレイを利用したニオイの可視化研究も様々な手法で行われており、ニオイを複数の色の集合として表すことが一般的である。その中では、optoelectronic noseの使用が主流である。この方法では、複数の染料や顔料など、ニオイ成分が触れることで色が変化する材料を用意し、ターゲットとするニオイをそれらに吹きかけた際の色の変化を検出している。しかしながらこれらの戦略では、原臭の探索は行われておらず、単一の色でニオイを表すこともできない。
　例えば、非特許文献１には、予め規定しておいた数種類の基準ガスとの比較結果を数値化してこれをレーダーチャート上などに表現する「絶対値表現解析」が開示されており、そのような数値化及びそのレーダーチャート表現の例が非特許文献２に示されている。しかしここで説明されている絶対値表現においては、基準となるニオイ（基準ガス）を測定システムの提供者あるいは使用者があらかじめ設定しておく必要があるが、測定対象となるニオイをこれらの基準ガスの組み合わせによって良好に近似できるか否かの検討はなされていない。従ってここに開示されている絶対値表現解析は、上述したところのニオイの原臭分解による表現、混合による合成・生成、また他の知覚で認識できる形態への変換などについての示唆を与えるものではない。
　本発明が解決する課題は、ニオイの集合から原臭をシステマティックに選定することである。また、選定された原臭を用いて、任意のニオイの分解、合成・生成をすることである。また、選定された原臭を用いて、ニオイを単一の色で表現または提示することである。また、ニオイをリアルタイムで色に変換できるデバイスの作製である。
　本発明の一側面によれば、ニオイの集合中のそれぞれのニオイを検知し、前記それぞれのニオイの検知結果に基づいて、前記ニオイの集合中のニオイの原臭からなる部分集合を選定する原臭選定方法が与えられる。
　ここで、前記それぞれのニオイの検知は、前記それぞれのニオイに対するセンサの出力信号から得られる複数の特徴からなるところの前記それぞれのニオイに対応する特徴ベクトルを求めることを含み、前記原臭からなる部分集合の選定は、前記ニオイの集合中のそれぞれのニオイに対応する前記特徴ベクトルの集合から、前記特徴ベクトルを含む特徴空間内における端点検出により選定された前記特徴ベクトルの部分集合に基づいて前記原臭を選定することを含んでよい。
　また、前記それぞれのニオイに対応して求められた特徴ベクトルを縦ベクトルとすることで構成される特徴行列の各行をスケール変換してよい。
　また、前記特徴空間の任意の方向で端に位置する点であるエンドポイントとなる回数をカウントし、その回数が多い順に前記特徴ベクトルの集合中から特徴ベクトルを取り出すことによって前記特徴ベクトルの部分集合を得てよい。
　また、前記センサは表面応力センサであってよい。
　また、前記センサは複数のセンサ素子を有するセンサアレイであり、前記出力信号は前記複数のセンサ素子のそれぞれからの個別の出力信号を含んでよい。
　本発明の他の側面によれば、センサと、前記それぞれのニオイを有する試料ガスと基準ガスとを交互にセンサに供給するガス供給手段と、前記ニオイセンサからの出力信号を入力する情報処理装置とを設け、前記何れかの原臭選定方法により前記情報処理装置が得た前記特徴ベクトルの前記部分集合の各要素に対応する試料ガスのニオイを原臭として選定する原臭選定装置が与えられる。
　本発明のさらに他の側面によれば、前記何れかの原臭選定方法により選定された複数の原臭に基づいて、所与のニオイを前記選定された各々の原臭を混合したニオイとして合成する、ニオイ合成方法が与えられる。
　本発明のさらに他の側面によれば、前記原臭選定装置により選定された原臭のそれぞれに対応する前記試料ガスを混合する手段を設けた、ニオイ合成装置が与えられる。
　本発明のさらに他の側面によれば、前記何れかの原臭選定方法により選定された複数の原臭に基づいて、所与のニオイを前記選定された各々の原臭の組み合わせとして表現する、ニオイ表現方法が与えられる。
　ここで、前記原臭の組み合わせは前記原臭の特徴ベクトルの線形結合で表されてよい。
　本発明のさらに他の側面によれば、センサと、前記それぞれのニオイを有する試料ガスと基準ガスとを交互にセンサに供給するガス供給手段と、前記ニオイセンサからの出力信号を入力する情報処理装置とを設け、前記何れかのニオイ表現方法によって前記情報処理装置が得たニオイ表現結果を記憶しまたは外部へ提供する手段とを設けた、ニオイ表現装置が与えられる。
　本発明のさらに他の側面によれば、前記原臭の組み合わせを嗅覚以外の知覚により認識できる形態で提示する、ニオイ提示方法が与えられる。
　ここで、前記嗅覚以外の知覚により認識できる形態での提示は、前記原臭の各々に異なる色を対応付け、ニオイを前記異なる色を混合した結果により提示してよい。
　また、前記原臭の各々に対応付けられる異なる色は３原色であってよい。
　本発明のさらに他の側面によれば、センサと、前記それぞれのニオイを有する試料ガスと基準ガスとを交互にセンサに供給するガス供給手段と、前記ニオイセンサからの出力信号を入力する情報処理装置と、前記何れかのニオイ提示方法によって前記情報処理装置が得たニオイ提示結果を出力する出力装置と
を設けたニオイ提示装置が与えられる。
　本発明によれば、複数の化学物質を含む可能性のある試料ガス、すなわちニオイ（与えられる試料が液体あるいは固体の場合はそれから発生する気体）を分析して、その中で原臭となる試料、すなわちニオイを選定する。このようにして選定された原臭を利用することで任意のニオイを原臭の組み合わせによって表現することができる。この表現は色などの人間の知覚によって認識できるもの（例えば、嗅覚以外の知覚により認識できる形態による提示）であって良い。また、任意のニオイを少なくとも近似的に合成することもできる。
本発明を適用できる測定装置の概念図。 Membrane-type Surface stress Sensor（本願ではＭＳＳと略称する）で計測される応答信号の例を示す図。横軸は時刻（単位は秒）であり、縦軸は出力（単位はｍＶ）である。Ａ，Ｂ，Ｃ及びＤは応答信号を特徴量で表す際に使用する。 端点検出（endpoint detection）における反復手順の一例を示す図。この例の場合、丸印で囲まれた２つの点にそれぞれ１ポイントの端点スコアが加算される。 ＭＳＳセンサアレイの１２種類のチャンネルのうち、チャンネル１～６からそれぞれ得られた応答信号を示す図。横軸は時刻（単位は秒）であり、縦軸は出力（単位はｍＶ）である。１２種類の調味料を試料とした結果を示している。 ＭＳＳセンサアレイの１２種類のチャンネルのうち、チャンネル７～１２からそれぞれ得られた応答信号を示す図。横軸は時刻（単位は秒）であり、縦軸は出力（単位はｍＶ）である。１２種類の調味料を試料とした結果を示している。 実施例によって得られた調味料のカラーマップを示す図。括弧中にＲＧＢ値を示す。ナンプラー、日本酒及び純水が端点検出により３原臭として選択され、それぞれの原臭の色を赤、緑及び青に割り当てた結果を示した。 実施例において、焼肉のたれに対して、ＭＳＳセンサアレイのチャンネル１～６で測定された生の応答信号と、係数（ｗ１，ｗ２，ｗ３）を使用してナンプラー、日本酒及び純水の応答信号を重ね合わせて作成した混合信号とを比較する図。横軸は時刻（単位は秒）であり、縦軸は出力（単位はｍＶ）である。 実施例において、焼肉のたれに対して、ＭＳＳセンサアレイのチャンネル７～１２で測定された生の応答信号と、係数（ｗ１，ｗ２，ｗ３）を使用してナンプラー、日本酒及び純水の応答信号を重ね合わせて作成した混合信号とを比較する図。横軸は時刻（単位は秒）であり、縦軸は出力（単位はｍＶ）である。 実施例において、醤油に対して、ＭＳＳセンサアレイのチャンネル１～６で測定された生の応答信号と、係数（ｗ１，ｗ２，ｗ３）を使用してナンプラー、日本酒及び純水の応答信号を重ね合わせて作成した混合信号とを比較する図。横軸は時刻（単位は秒）であり、縦軸は出力（単位はｍＶ）である。 実施例において、醤油に対して、ＭＳＳセンサアレイのチャンネル７～１２で測定された生の応答信号と、係数（ｗ１，ｗ２，ｗ３）を使用してナンプラー、日本酒及び純水の応答信号を重ね合わせて作成した混合信号とを比較する図。横軸は時刻（単位は秒）であり、縦軸は出力（単位はｍＶ）である。 実施例において、リアルタイムで出力されるニオイの色の例を示す図。 実施例において、リアルタイムで出力されるニオイの色の例とＲＧＢ値の時間依存性を示す図。横軸は時間（単位は秒）であり、縦軸はＲＧＢ値である。
　本発明の一形態では、複数の試料ガス（以下では、試料ガスをしばしば「ニオイ」とも呼ぶ）の集合から、ナノメカニカルセンサと機械学習を用いてこれらのニオイの部分集合を選定する（与えられる試料が液体あるいは固体である場合にはそれから発生する気体を試料ガスと呼ぶ）。このようにして選定されたニオイの部分集合中の個々のニオイを、本願では原臭とも呼ぶ。ここで注意すべきことは、上の説明から明らかなように原臭はアプリオリに与えられるものではなく（つまり、本発明の適用前に予め与えられるのではなく）、本発明の実施の過程で動的に定まる点である。もちろん、最初の測定では複数のニオイからその部分集合としての原臭を選定し、その後の測定においては毎回原臭を選定する代わりに最初に選定された原臭を再度使用するなどの、一旦選定された原臭の再利用も可能である。このように原臭を定めることにより、与えられたニオイの集合中の任意のニオイを、原臭とされたニオイの組み合わせで表現することができる。任意のニオイの原臭による表現は、単なるデータ（例えば原臭１、原臭２、・・・、原臭ｎがそれぞれｃ１、ｃ２、・・・、ｃｎ％などというデータ）であってもよいし、あるいはニオイをより直感的に表現するために、ニオイを嗅覚以外の別の知覚で認識できるように変換することもできる。これは例えば各原臭にそれぞれ異なる色を割り当て、ニオイをこれら原臭に割り当てられた色を混合したものとして表現することもできる。典型的には、原臭を３つ選定し、これらの原臭に３原色を割り当てることができる。さらに、ニオイを原臭の組み合わせとして表現するだけではなく、原臭の組み合わせにより表現できるニオイと同じあるいは類似したニオイを、これらの原臭を混合することにより合成することもできる。
　言い換えれば、本発明においてはすべてのニオイ（すべてのニオイに対するセンサの応答）というほぼ無限の情報全体を対象とするのではなく、その中から計算可能な一部の範囲を切り出し、その範囲の中で原臭を論理的に規定するという、「真の原臭」が見いだされていない現状でも実現できる斬新かつ実用的な技術思想を提供している。さらには、仮に真の原臭を特定できたとしても、それを与える原臭物質は必ずしも入手や取り扱いが容易でありまた生体に対して安全なものであるとは限らない。また原臭の種類が極めて多数になる可能性もある。従って、真の原臭に基づいてニオイを原臭分解することが現実的な解とはなり得ない事態も考えられる。本発明はそのような場合にも十分適用可能である。
　本発明の実施の一形態をより具体的に説明すれば、まず、ニオイを数値で処理できる応答信号に変換するために、各種のニオイに対して異なる応答性を示す複数のセンサを使用する。このようなセンサとしては、例えばその所定の表面上の物理的なパラメータの変化を検出するナノメカニカルセンサがある。ナノメカニカルセンサの一つとして表面応力センサがある。表面応力センサにおいては、当該表面上に気体などの検体を吸着する膜（感応膜）を設け、吸着によって感応膜に引き起こされる膨張・収縮が当該表面の表面応力の変化として現れる。測定対象物質と感応膜の材料（感応膜材料）との組み合わせにより多様なパターンの表面応力変化が測定されるため、一つまたは複数の表面応力センサに試料を供給してその応答を測定することで、試料中の各種の物質の定性的あるいは定量的な分析を行うことができる。
　ニオイを検出するための多様なセンサが提案されまた作製されているが、以下ではこのようなセンサとしてＭＳＳ（特許文献１、非特許文献３）と呼ばれる、ピエゾ抵抗に基づく電気読み取りを使用したナノメカニカルセンサを例として用いる。このセンサでは、従来のカンチレバー型ナノメカニカルセンサよりもいくつかの利点が報告されており、高感度、コンパクトシステム、高安定性を実現している。また、センサチャンネルのサイズが１ｍｍより小さく、異なる感応膜材料を塗布した複数のチャンネルを簡単に用意できる。それにより、一度にニオイの多くの情報を取得することができ、ニオイサンプルの「指紋」とみなされる信頼できる応答信号を収集可能である。この応答信号から抽出される特徴量（以下、複数の特徴量によって定義されるベクトルを特徴ベクトルと呼ぶ）を利用し、ニオイの定量分析やニオイ識別の実績がある。もちろん他のタイプのセンサを使用することもできる。
　ニオイの原臭を見つけるために、まず、ニオイサンプルを収集し、各種の感応膜を使用した複数個のＭＳＳでそれぞれ応答信号に変換する。そして、応答信号から物理化学的知識によって高次元の特徴ベクトルを抽出する。次に、高次元の特徴空間で機械学習を用いた端点検出（endpoint detection）を実行することにより、すべての収集したニオイサンプルに対して、原臭候補としてのランキングを算出する。原臭として選定すべきニオイの数（原臭数）を決めておき、ランキング上位から順に原臭数のニオイを選定する。他のニオイはこれら原臭の混合物であって、ターゲットのニオイをこれら原臭の特徴ベクトルの線形結合で表現あるいは近似できるとすれば、この線形結合の係数は例えば二次計画法によって計算することができる。このようにして、任意のニオイを少数の原臭が混合されたニオイとして表現（近似）することができる。
　ここで、上で言及した「端点検出」について一般的に説明する。本願で言う端点検出とは特徴空間で端に位置するサンプルを選択する任意のデータ解析手法を意味する。そのような機械学習アルゴリズムは各種のものが提案されている（例えば、非特許文献４）。本願ではそのような手法の例として、非特許文献５のものを応用して、特徴空間の様々な方向で端に位置する点を見つけ、点毎にその出現回数をカウントし、回数が多い順に点を選び、これらの点に対応付けられたニオイを原臭として選定していくという手法を以下で説明している。
　また、機械学習分野において「端」はエンドポイント（endpoint）あるいはエンドメンバー（endmember）と呼ばれる。従って、本願では特徴空間の端に位置する点をエンドポイントと定義し、エンドポイントを検出するデータ解析手法を端点検出と呼ぶ。上述したように、エンドポイントを検出するデータ解析手法は様々あり、本願では以下で説明する特定の手法をその一例として挙げる。しかしながら端点検出は当該特定の手法に限定されるものではなく、一般的にエンドポイントを検出する任意のデータ解析手法を使用することができることをここに注意しておく。
　なお、原臭としてどのニオイを選定するかを動的に定めることに加えて、原臭数も動的に設定するようにしてもよい。例えば、原臭数を予め設定した固定の個数とする代わりに、ある個数の原臭を選定した場合に合成される原臭以外のニオイの近似度が期待した値よりも低い場合には、上述のランキング中に残されたニオイの上位のものを順次原臭に追加することで近似精度の向上を図ることもできる。すなわち、それぞれの原臭毎にその強度（重み）を定めて混合することで、原臭以外のニオイを（多くの場合には近似的に）合成できる。このような合成は、原臭を実際に上記の重みの比に基づいて混合することで実現できる。あるいは、実際にニオイを合成する代わりに、原臭以外のニオイを、選定された原臭の組み合わせとしてデータ上で表現することもできる。このような表現は、例えば近似対象のニオイの特徴ベクトルを、原臭の特徴ベクトルの線形結合として再構成する等の、原臭の線形結合として数値上で近似することで実現できる。このように合成・近似されたニオイと合成・近似対象、つまりターゲットのニオイとの近似度は、感応試験により判定してもよいし、あるいは両ニオイの特徴ベクトル同士の差やセンサの応答信号そのものの差を計算してもよい。
　原臭数は原臭の使用目的に応じて任意に設定できる。例えば、ニオイを色に対応付けて表示する場合には、ランキングの上位３つのサンプルを３原臭とする。これらは、それぞれ赤、緑、青の３原色に割り当てられる。ただし、原臭をそれぞれ対応付ける色として３原色を使用することは必須ではなく、任意の３色を３原臭の色として割り当てることもできる。この場合、ターゲットのニオイの色度座標上の位置を計算し、色度座標上の位置からターゲットのニオイの色を取得する。リアルタイムでニオイを単一の色で出力するための装置は、例えばＭＳＳ、機械学習手法を実装したコンパクトコンピュータ、ＬＥＤライト等を用いて作製できる。
　原臭の選定の具体的な手法を以下で説明する。
[応答信号からの特徴量抽出］
　異なる感応膜材料を感応膜としてそれぞれ塗布したＭＳＳ（それぞれのＭＳＳを以下ではチャンネルとも称する）の集合体であるセンサアレイでニオイを測定する。ＭＳＳ等の表面応力センサでは、センサに測定対象の試料と、基準となる流体（ニオイ測定の場合には基準ガス。測定対象のニオイをセンサに供給すると、ニオイ中の成分が感応膜に吸着するが、基準ガスを流す間に吸着した成分が脱着されるので、この意味でパージガスとも呼ばれる。実施例では窒素ガス（Ｎ２）を使用）とを所定周期で交互に供給して、これにより感応膜で生起する周期的な吸着・脱着に基づく応答信号を得る。
　このような測定を行うための測定装置の構成の一例の概念図を図１に示す。ここにおいて、２系統のガス流路に対してそれぞれ基準ガスが図の左側から供給される。各流路には交互動作して（つまり、互いに逆相でガスの送り出し動作を行って）、動作期間中は所定流量のガスを下流側に向けて送り出すＭＦＣ（マスフローコントローラ）がそれぞれ挿入されている。これによって、上側のガス流路用のＭＦＣの動作期間中は、上側のガス流路には基準ガスがそのまま右側のバイアル瓶に供給される。下側のガス流路においてはＭＦＣからの基準ガスが上流側のバイアル瓶のヘッドスペースに供給され、当該バイアル瓶中に収容された試料（ここでは液体試料を想定）から蒸発してヘッドスペースに溜まっている試料ガスをガス流路経由で下流に向かって送り出す。したがって、下側の流路用のＭＦＣの動作期間中は、基準ガスで希釈された試料ガスが下流側にある前述のバイアル瓶に送り込まれる。これにより、図に示すＭＳＳ（複数のＭＳＳを含むセンサアレイ）に基準ガスと試料ガスとが交互に供給される。これに応答してセンサアレイ中の各ＭＳＳからの応答信号が情報処理装置に送り込まれ、後述する各種の処理を受ける。なお、複数の試料の測定を行うため、バイアル瓶に入った試料を適宜交換する必要がある。この試料交換は手動で行っても良いし、あるいは自動的にバイアル瓶への試料投入、除去を行ってもよい。また、それぞれの試料を収容したニオイ発生容器を準備しておき、これらを手動であるいは自動的に交換してもよい。また、多数設けられたガス流路に上記ニオイ発生容器を全て接続しておき、ＭＦＣの動作やバルブの制御などにより流路を切り替えてニオイ発生容器を順次選択することで、一連のニオイ測定を行うようにすることもできる。このようにして得られた複数のニオイの測定結果を供給された情報処理装置において、原臭選定、選定された原臭に基づくニオイ表現、ニオイ提示などが行われる。情報処理装置には、選定された原臭や原臭によって表現されたニオイの情報を記憶しあるいは他の装置に供給する際に使用できる各種の記憶装置やインターフェースを設置することができる。またニオイを使用者に何らかの形で提示するための表示装置などの出力装置も設置することができる。また、原臭によるニオイ合成は、たとえば上述したような複数のニオイ発生容器にそれぞれ接続されたガス流路を情報処理装置が適宜切り替えてそこから得られるそれぞれの試料ガスを混合することで行うことができる。もちろん、図１に示す構成は単なる例示であり、必要に応じて各種の変更を加えることができる。
　このような情報処理を更に具体的に説明すれば、先ず図２のような応答信号が、異なる感応膜材料が塗布された各チャンネルから得られる。各応答信号には、上記所定周期毎にピークが現れるが、ここでは、各ピークが独立であると考える。そして、各ピークについて、ピークの形状を表す次の４つのパラメータを抽出する。なお、特徴量の抽出法についても当然ながらこれに限定する必要はない。
・パラメータ１：図２に示されている基準ガスから試料ガス（ニオイ）への切り替え時点に対応する点Ａと、ニオイを供給し続けたことで応答信号が飽和値に近づいた点Ｂとの間の勾配によって定義する。これはニオイの吸着プロセスに関連する。点Ｂの具体的な定め方としては、点Ａから所定時間経過した時点における応答信号上の点を点Ｂとしてよい。別の定め方として、応答信号の値が増大していき、応答信号の最小値＋（最大値－最小値）×所定比率（例えば９５％）に到達した点を点Ｂとする、などとしてもよい。
・パラメータ２：点Ｂと、供給するガスを試料ガス（ニオイ）から基準ガスに切り替えた時点に対応する点Ｃとの間の勾配によって定義する。これは準平衡状態の情報を含んでいる。
・パラメータ３：試料ガス（ニオイ）の脱着プロセスの開始点となる点Ｃと、基準ガスを供給し続けたことで応答信号の値が応答信号の値の最小値に接近した点Ｄとの間の勾配によって定義する。点Ｄの具体的な定め方としては、点Ｂの場合と同様、点Ｃから所定時間経過した時点の応答信号上の点を点Ｄとすることができる。あるいは、応答信号の値が減少していき、応答信号の最小値＋（最大値－最小値）×所定比率（例えば５％）に到達した点を点Ｄとする、などとしてもよい。
・パラメータ４：ピークの高さによって定義する。これには各感応膜材料の吸着能力の情報が含まれる。図２に示されるピーク形状では点Ｃの高さがパラメータ４となる。しかし、一般的には、試料の供給中に出力信号の大きさが単調に増加するとは限らず、場合によっては点Ｂと点Ｃとの間に最大値、つまりピークの高さに到達し、出力信号はこの最大値点から先へ向かって減少していく、等の場合がある。
　なお、上記ピークの形状は実際には一定ではなく、試料ガス（ニオイ）と基準ガスとの交互供給開始直後から次第に変化することがある。そのため、上記パラメータを抽出するピークとして、例えば交互供給開始から十分な回数だけ交互供給を繰り返した後に現れるピークを適宜選択するのが好ましい場合がある。
　また、各試料ガス（ニオイ）は最初から気体であってもよいし、あるいはニオイ発生源は液体や固体であるが、それから蒸発する気体を測定対象としてもよい。なお、実施例ではニオイ発生源が液体であるとして説明しているが、この説明は一般性を失うものではない。
［原臭を選定するための端点検出手法］
　集めたニオイサンプルから、一組の原臭を決定するために、ＭＳＳを用いた測定によって得られたニオイの高次元の特徴ベクトルに対して、以下に示す端点検出手法を実行する。もちろん、すでに述べたように以下に示す端点検出手法は一例にすぎず、他の任意の手法を採用できることは言うまでもない。以下では説明を簡単にするため、原臭数＝３とし、また各ニオイサンプルから抽出する特徴量は、異なる感応膜を塗布した１２のチャンネルからそれぞれ与えられるところの、図２を参照して上で説明したパラメータ１～４であるとする。従って、ニオイサンプル毎に１２×４＝４８個の特徴量が与えられ、特徴ベクトルは４８次元となる。なお、このように原臭数及び特徴量の個数を特定の値であるとして行う説明は一般性を失うものではないのは当然である。
　Ｎをニオイサンプル数とし、
Figure JPOXMLDOC01-appb-M000001
 をｉ番目のニオイサンプルの４８次元の特徴を含む縦ベクトルとする。このとき、特徴行列Ｘを次のように定義する。
Figure JPOXMLDOC01-appb-M000002
 この特徴行列Ｘの各行を、平均と標準偏差がそれぞれ０と１になるように標準化する。
　上記標準化を数式で表現すれば、これは上記特徴行列の各行の値、ｘｊ１，ｘｊ２，・・・，ｘｊｉ，・・・，ｘｊＮについて、ｘｊｉを（ｘｊｉ－μ）／σ
へ変換する処理である。ここで、添え字ｉ及びｊ並びに定数μ及びσはそれぞれ以下のとおりである。
・ｉ：特徴行列Ｘの列のインデックスであり、上述の通り、それぞれのニオイサンプルの番号１～Ｎである。
・ｊ：特徴行列Ｘの行のインデックスであり、当該値の測定に使用したＭＳＳの番号及び当該ＭＳＳの応答信号から得られたパラメータの番号に対応付けられている。例えば、上の例のように１２個のＭＳＳ（ＭＳＳ１～ＭＳＳ１２）を使用し、またそれぞれのＭＳＳから４個のパラメータ（パラメータ１～パラメータ４）を抽出する場合、ｊ＝（ＭＳＳ番号－１）×４＋パラメータ番号としてよい。
・μ：ｘｊ１，ｘｊ２，・・・，ｘｊｉ，・・・，ｘｊＮの算術平均。
・σ：ｘｊ１，ｘｊ２，・・・，ｘｊｉ，・・・，ｘｊＮの標準偏差。
　この標準化は、特徴行列の各行の平均を０にすることによって、特徴空間内で各特徴ベクトルを平行移動して特徴空間の原点の周囲に分布させることを意味する。また、各行の標準偏差が１になるようにすることは、使用されるＭＳＳ及びこれらのＭＳＳからのいくつかの特徴量（パラメータ）の大きさ及びばらつきを揃えることにより、個々のＭＳＳやパラメータの「効き具合」、つまりこれらが原臭選定に当たって寄与する程度を統一化することを意味する。
　なお、上記標準化において各行の平均を０とすることは、本質的には端点検出に影響しない。ただし、機械学習分野においては平均を０に、また標準偏差を１とする標準化（z-scoreとも呼ばれる）がしばしば行われるため、ここでもこの標準化を採用している。もちろん、標準化の代わりに、各行を正規化したものを使用する、あるいはそのまま使用することも可能であり、必ずしも標準化をする必要はない。ここにおいて、標準化とは分散を１、平均を０にすることを意味し、正規化とは最大を１、最小を０とするように各行を変換することを意味する。なお、データの前処理の一環としてのスケール変換については必ずしも標準化や正規化に限定する意図はなく、任意のスケール変換の処理を適宜適用することができる。もちろんこのようなスケール変換が必須というわけではないことにも注意されたい。
　まず端点検出手法では、できるだけ大きな値Ｋ（求められている原臭選定の精度などにもよるが、たとえば特徴量数の２００倍以上が望ましい）を設定し、Ｋ個のランダムな単位ベクトルの集合
Figure JPOXMLDOC01-appb-M000003
 を生成する。ここで「ランダム」であるとは、特徴空間（ここでは４８次元のベクトル空間）内における方向について一様であるランダム性を有することを意味する。各単位ベクトル
Figure JPOXMLDOC01-appb-M000004
 の次元は特徴ベクトルの次元と同じとし、この場合は４８次元である。
　また、ベクトル
Figure JPOXMLDOC01-appb-M000005
 を用意する。このベクトルは端点スコアと呼ばれる、端点に関するスコアを保存するために使用する。
　この端点検出手法では、次の手順をＫ回反復する。
(1) 標準化済みのすべてのニオイデータの特徴ベクトル
Figure JPOXMLDOC01-appb-M000006
 を各単位ベクトル
Figure JPOXMLDOC01-appb-M000007
 に射影する。つまり、標準化済みの各ニオイの特徴ベクトル
Figure JPOXMLDOC01-appb-M000008
 （ｉ＝１～Ｎ）と所与の単位ベクトル
Figure JPOXMLDOC01-appb-M000009
 との内積を要素とするベクトル
Figure JPOXMLDOC01-appb-M000010
 を計算する。これは、各ニオイサンプル１～Ｎについての特徴ベクトルの単位ベクトル
Figure JPOXMLDOC01-appb-M000011
 方向における座標を意味する（特徴ベクトルは特徴空間の原点を始点としていることに注意）。
(2) ベクトル
Figure JPOXMLDOC01-appb-M000012
 中の要素（座標）のうちで最小及び最大となる要素のインデックスＩ－及びＩ＋を以下のように取得する。
Figure JPOXMLDOC01-appb-M000013
(3) 選択された要素のインデックスＩ－及びＩ＋に対して、ベクトル
Figure JPOXMLDOC01-appb-M000014
 の成分を以下のように更新する。つまり、選択されたインデックスを有する要素の端点スコアを１だけ増加させる。
Figure JPOXMLDOC01-appb-M000015
　この反復手順の一例を図３に示す。Ｋが十分に大きい場合、大きな端点スコアｎｉを持つニオイサンプルは、高次元の特徴空間（特徴ベクトル空間）の端に配置されていると考えられる。したがって、ｎｉが大きいニオイサンプルは、ニオイサンプルの中で最も端に位置したサンプルとみなされ，ｎｉが大きい順が、原臭候補としてのランキングと考える。ここでは上位３位のサンプルを３原臭とし、これらの原臭のインデックスをそれぞれｅ１、ｅ２及びｅ３と定義する。他のニオイを色表現する際には、これらの原臭を色度三角形の頂点に割り当てる。
［原臭を用いた任意のニオイの表現法］
　ニオイサンプルから複数個の原臭（上の説明では例として３つの原臭。以下でも原臭を３原臭であるとして説明する）を選定する手法を上記［原臭を選定するための端点検出手法］で説明した。その他のニオイを原臭の組み合わせによって表現するために、３原臭の特徴ベクトルの線型結合でその他のニオイの特徴ベクトルを表す。このとき、ターゲットとするニオイの特徴ベクトルが可能な限り実現される線型結合を探索する。（ｗ１，ｗ２，ｗ３）を３原臭の標準化された特徴ベクトル
Figure JPOXMLDOC01-appb-M000016
 の線型結合を表す係数とする。なお、以下では３原臭中の各原臭に色の３原色の一つをそれぞれ対応付け、これによって任意のニオイを３原色の混合色として表現するとして説明するが、これも当然一般性を失うものではない。
　上記線形結合を表す係数を、二次計画法を実行することにより求める。つまり、ターゲットとするニオイの標準化された特徴ベクトルを
Figure JPOXMLDOC01-appb-M000017
 としたとき、次式で定義される差Δが最小になるような係数（ｗ１，ｗ２，ｗ３）を求める。
Figure JPOXMLDOC01-appb-M000018
 ただし、以下の２つの条件を課すこととする。
Figure JPOXMLDOC01-appb-M000019
　この前者の条件は、ターゲットのニオイを３原臭の正の混合として表すために必要となる。これは負の濃度で原臭を混合することはできないことに由来する。一方で後者の条件は、ｗｉを、原臭を混合させる濃度と対応させるために必要な条件である。他のニオイを色表現する際には、ターゲットのニオイの色度三角形の位置は、以下で与えられる。
Figure JPOXMLDOC01-appb-M000020
　この位置に対応する色度三角形中の色でターゲットのニオイに対応付ける色を決定する。なお、ここでは、標準化された特徴ベクトルを近似するように、原臭の混合濃度を決めたが、近似の対象はこれに限定されるものではなく、正規化した特徴ベクトルや、標準化しない特徴ベクトル、あるいは直接応答シグナルを扱っても良い。
　そして、原臭候補となる上位３つのサンプルを３原臭とみなし、これを色の３原色のように、色の三角形の頂点として用いることで、あらゆるニオイを色で表現する。試料の例として、実施例では調味料を使用する。しかしながら、以下の説明から、これらの試料や測定対象は単なる例示であり、他の多様な種類の試料や化学物質を任意に選択できることは自明であろう。さらには、ニオイを発生する液体や固体の試料にも適用可能であることも自明であろう。
[応答信号からの特徴抽出と使用感応膜材料]
　上で図２を参照して説明したパラメータ１～４の抽出を行った。ここで、試料（ニオイ）と基準ガスの供給の繰り返し周期を１０秒とし、点Ａと点Ｂとの間の時間差を０．５秒と決めた。同様に、点ＣとＤとの間の時間差も０．５秒とした。
　ここでは、各種の表面機能化を行ったシリカ／チタニア複合ナノ粒子、各種ポリマー、ＳｉＯ２－Ｃ１６ＴＡＣ（シリカ／ヘキサデシルトリメチルアンモニウム複合粒子）を１２種類の感応膜材料として用意した。これらは、いくつかの塗布手法によってＭＳＳ表面に塗布した。各チャンネルに塗布された材料及び塗布方法は後述の［実施例の細部－各種材料が塗布されたＭＳＳチップの作製］に示す。
　このように、１つのニオイサンプルは４８個のパラメータ（４つの特徴と１２のチャンネルの積）で表現される。これが各ニオイサンプルに対する高次元の特徴量、すなわち特徴ベクトルとなる。
[調味料のニオイからの原臭選定]
　例を示すために、ＭＳＳ及び機械学習を利用し、調味料のニオイから原臭を選定する。ここでは、１２種類の調味料を用意した。具体的には、純水、ケチャップ、マヨネーズ、レモン汁、オイスターソース、ウスターソース、日本酒、めんつゆ、焼肉のたれ、酢、醤油、ナンプラーである。これらの液体サンプルをバイアルに入れ、バイアル内のヘッドスペース内に溜まった気体をＭＳＳによって測定した。本実施例では、ヘッドスペース内に溜まった気体（ニオイ）を押し出してＭＳＳへ送り込むためのキャリアガスとして、基準ガスと同じＮ２ガスを用いた。応答信号の感応膜材料依存性を図４Ａ及び図４Ｂに示す。アミノプロピル基で修飾されたシリカ／チタニア複合ナノ粒子が塗布されているチャンネル５を除き、信号の形状は、各チャンネルであまり変わらない。一方で、ピークの高さはサンプルによって異なり、日本酒は常に最大のピークを示し、ナンプラーは最小のピークとなる。したがって、生の応答信号の観点からは、日本酒とナンプラーは原臭の候補と考えられる。一方、それ以外のニオイサンプルに関しては、生の応答信号を見ているだけでは、原臭候補を選出することは困難である。なお、各チャンネルで得られた応答信号の強度はチャンネル毎に異なるが、図４Ａ及び図４Ｂでは、各チャンネルでの応答信号のピーク値がほぼ同じ高さになるようにすることで、一覧性を高めている。
　ＭＳＳから得られた応答信号から４８次元の特徴を抽出し、端点検出を実行し、用意したニオイデータの中から３つの原臭を選定した。端点検出手法としては、［原臭を選定するための端点検出手法］で説明した例を使用した。ここでは、端点検出で使用するパラメータはＫ＝１０，０００と設定し、合計の端点スコアは２０，０００となる。後掲の表に端点スコアのランキングを示す。ここで、上位３つのサンプルはナンプラー、日本酒、純水である。合計の端点スコアの半分以上が上位２つのニオイに集まっており、ナンプラーと日本酒は準備した調味料の中で端点に確実に位置すると考えられる。このことは、生の応答信号で確認された事実と一致する。一方、これら２つのニオイと比較して、３位に位置する純水の端点スコアは比較的小さな値であり、このような場合には目視や特徴ベクトル同士の単純な比較等によってこの順位を直接見出すのは困難である。本発明においては端点検出を行うことでこのような場合にも対応可能であるという特徴がある。さらに、実施例のデータでは焼肉のたれ、オイスターソース、ウスターソースは、端点スコアがかなり小さいため、これらのニオイは４８次元の特徴空間において特徴ベクトルの分布する領域内側の深いところに位置していることがわかる。このように、端点検出を実行することにより、準備したニオイ間の特徴空間内での相対位置を見出すことができる。端点検出の結果から、準備した調味料のデータセット中では、原臭はナンプラー、日本酒、純水と決めることができる。
[ニオイの色表現]
　ターゲットのニオイを色に変換するために、係数（ｗ１，ｗ２，ｗ３）を二次計画法によって計算する（詳細は上述の［原臭を用いた任意のニオイの表現法］に示す）。これらの係数は、応答信号から抽出された３原臭の標準化された特徴ベクトル
Figure JPOXMLDOC01-appb-M000021
 の線型結合を表す係数である。ここでは３原臭として、上で選定したとおり、ナンプラー、日本酒及び純水を利用する。下表に、これらの係数を二次計画法によって求めた結果を示す。また、線型結合とターゲットのニオイの標準化された特徴ベクトルとの差Δも表中に示す。
Figure JPOXMLDOC01-appb-T000022
　このΔの値は、ターゲットとするニオイサンプルを、３原臭の特徴ベクトルで表す際の精度である。したがって、ウスターソースや焼き肉のたれなど、Δの値が小さいサンプルは、３つの原臭の混合によって比較的正確に表すことができることを意味している。一方で、ナンプラー、日本酒、純水以外のニオイを原臭として使用してしまうと、Δの平均値が大きくなることを確認している。この事実は、より良い色表現を実現するためには、端点検出が効果的に機能していることを意味している。さらに、これらの係数を使用して、各ニオイサンプルの色及びこれら各色の色度三角形中における位置、各ニオイのＲＧＢ値を図５にまとめた。ただし、元のカラーマップにおいてはナンプラー、日本酒及び純水の色を、色の３原色である赤、緑及び青に割り当てているが、図５はそれを白黒図面に変換したものである。
　このカラーマップでは、醤油及びめんつゆのニオイには純水の成分は含まれておらず、これらはナンプラーと日本酒の混合物として表されることを示している。ここで、上記表現においては色そのものに意味はないことに注意されたい。これは、３原臭に元のニオイサンプルとは関係のない色を割り当てたため、他のニオイサンプルがこれらの色を使用した相対評価によって色に変換されたためである。一方、準備したデータセットによって、液体サンプル自体の色や人間の感覚に合わせた色を、３原臭に適用し、その色の混合で色度三角形を作ることで、色自体に意味を持たせることも可能である。
　また、図６Ａ～図６Ｄには、例として、醤油と焼肉のたれについて得られた係数（ｗ１，ｗ２，ｗ３）を使用して、ナンプラー、日本酒、純水の応答信号を重ね合わせて作成した混合信号と、実際の焼肉のたれと醤油から得られた応答信号とを比較している。このように、これらのピークは、すべてのチャンネルでよく一致していることがわかる。これは、与えられた色を３原色に分解できるように、取得した係数（ｗ１，ｗ２，ｗ３）を使用して、ターゲットのニオイの生の応答信号を、３原臭の応答信号に近似的に分解できることを示している。言い換えると、以上で説明したように４８次元の特徴のみを用いてニオイの線型結合に使用する係数を見積もったが、生の応答信号の観点からも、得られた係数が原臭を混ぜ合わせる際の濃度とみなしても良い近似になっていることを示している。従って、この情報は３原臭から新しいニオイを作る際にも役立つ。なお、各チャンネルで得られた応答信号の強度はチャンネル毎に異なるが、図４Ａ及び図４Ｂに関して上述したように、図６Ａ～図６Ｄでは、各チャンネルでの応答信号のピーク値がほぼ同じ高さになるようにすることで、一覧性を高めている。
[リアルタイムでニオイを色変換する装置]
　３種類の原臭が事前に決まっている場合、二次計画法を実行するだけでさまざまなニオイを即座に色等の嗅覚以外の知覚で認識できる形態に変換することができる。したがって、例えばターゲットのニオイの色（ニオイを上述のようにして色に変換したもの）をリアルタイムで出力することができる。そこで、ＭＳＳ、機械学習を実装した情報処理装置としてコンパクトコンピュータ、及びＬＥＤライトを使用して、ニオイの色をリアルタイムで表示する装置を作製した。ここで、色を出力するために使用したデバイスとしてＬＥＤライトを使用したが、もちろん出力装置であればどのようなものでもよい。ここで例として３種類の原臭としてナンプラー、日本酒、純水を用いた。また、原臭のそれぞれの色を赤、緑、青とした。ここで、原臭の応答信号を測定する際の基準ガス及びキャリアガスとしてＮ２ガスを使用したため、ターゲットのニオイを測定する際もＮ２ガスを基準ガス及びキャリアガスとして使用した。ただし、空気を基準ガス及びキャリアガスとして使うこともできる。
　リアルタイムの測定結果を図７Ａ及び図７Ｂに示す。図７Ａに示す測定の前半は、リアルタイムにナンプラー、日本酒、純水、焼肉のたれ、醤油を順に測定した結果である。また、図７Ｂには、ＬＥＤライトに出力される色とＲＧＢ値の時間依存性をまとめている。作製したデバイスではサンプルを切り替える際に、測定が終わったサンプルが入ったバイアルをガス流路から一旦取り外し、次に測定するサンプルが入ったバイアルをガス流路に接続するという操作を行っているため、周囲の空気がバイアルに入ってしまい、サンプルのニオイと混ざってしまう。この影響により、サンプルを切り替える際に係数は大きく変動し、出力される色は対象とするニオイが示すはずの色とは異なる色が出力される。その後、応答信号が平衡に達すると、図５に示してあるターゲットのニオイが示すはずの色に近い色が出力されることが確認された（図７Ｂの下側にその一例を示した。）。また、この測定の後半では、ナンプラーと日本酒をある濃度で混合した３種類の混合物のニオイを測定している。各サンプルの濃度は４：１、２：１、１：１となる混合サンプルを用意した。出力される色は、ナンプラーと日本酒の間の色、つまり赤と緑の混合色となることが確認できた。
［実施例の細部－各種材料が塗布されたＭＳＳチップの作製］
　本実施例中で使用したＭＳＳチップには全部で１２のチャンネル（以下ではＣｈとも称する）が搭載されており、各チャンネルに塗布された材料及び塗布条件は以下に示す通りである。
Ｃｈ１：アミノプロピル基修飾シリカ／チタニア複合ナノ粒子（スプレーコーティング）、
Ｃｈ２：オクタデシル基修飾シリカ／チタニア複合ナノ粒子（インクジェットコーティング、１ｇ／Ｌ、４００ショット）、
Ｃｈ３：フェニル基修飾シリカ／チタニア複合ナノ粒子（インクジェットコーティング、１ｇ／Ｌ、２００ショット）、
　Ｃｈ４：ポリメタクリル酸メチル（インクジェットコーティング、１ｇ／Ｌ、３００ショット）
Ｃｈ５：アミノプロピル基修飾シリカ／チタニア複合ナノ粒子（インクジェットコーティング、１ ｇ／Ｌ、６００ショット）、
Ｃｈ６：オクタデシル基修飾シリカ／チタニア複合ナノ粒子（インクジェットコーティング、１ ｇ／Ｌ、８００ショット）、
Ｃｈ７：フェニル基修飾シリカ／チタニア複合ナノ粒子（インクジェットコーティング、１ ｇ／Ｌ、５００ショット）、
Ｃｈ８：シリカ／ヘキサデシルトリメチルアンモニウム複合粒子（インクジェットコーティング、１ ｇ／Ｌ、１０００ショット）、
Ｃｈ９：Ｔｅｎａｘ ＴＡ（Ｍｅｓｈ：２０／３５）（インクジェットコーティング、１ ｇ／Ｌ、３００ショット、ステージ温度１００ｏＣ）、
Ｃｈ１０：Ｔｅｎａｘ ＴＡ（Ｍｅｓｈ：２０／３５）（インクジェットコーティング、１ｇ／Ｌ、３００ショット、ステージ温度２０ｏＣ）、
Ｃｈ１１：Ｔｅｎａｘ ＴＡ（Ｍｅｓｈ：６０／８０）（インクジェットコーティング、１ ｇ／Ｌ、３００ショット、ステージ温度１００ｏＣ）、
Ｃｈ１２：Ｔｅｎａｘ ＴＡ（Ｍｅｓｈ：６０／８０）（インクジェットコーティング、１ ｇ／Ｌ、３００ショット、ステージ温度２０ｏＣ）。
　Ｃｈ１、２、３、５、６及び７に塗布された各種のシリカ／チタニア複合ナノ粒子は、非特許文献６及び７に記載の当業者に周知の方法にしたがって合成した。Ｃｈ８に塗布されたシリカ／ヘキサデシルトリメチルアンモニウム複合粒子は、非特許文献８に記載のこれも当業者に周知の方法にしたがって合成した。Ｃｈ４、９、１０、１１及び１２に塗布された材料はいずれも市販されており、購入したものを精製など行うことなくそのまま使用した。
　各種材料のＭＳＳチップ上への塗布は次のように実施した。Ｃｈ１はスプレー、それ以外についてはインクジェットにより塗布した。これらの塗布方法は当業者に周知なものであるが、必要に応じて、スプレーコーティングの詳細については非特許文献７を、インクジェットコーティングの詳細については非特許文献９を参照されたい。なお、Ｃｈ２から１２までのいずれの材料も、濃度１ｇ／Ｌの分散液あるいは溶液を調製して塗布に使用したが、ショット数やステージ温度などの条件はチャンネルごとに異なることに注意されたい。
　本発明の適用分野は、ニオイに限定されるものではなく、あらゆる気体、液体、及び固体サンプルから、元となるサンプル、すなわち原臭を選定することが有用である分野であればどこでも利用することができる。例えば、比較的少数の原臭によって任意のニオイを表現し、提示し、あるいは合成することができる。また、応用例としては、任意の呼気、汗、唾液、涙、その他の任意の体液や身体から発する気体、ニオイなどさまざまサンプルから元となるサンプル（原臭）を選定し、測定対象とした任意のサンプルのニオイ、つまり個人をこのようにして選定された原臭の組み合わせとして、またこの組み合わせを他の知覚で認識できる形態、例えば色で表現することができる。また、食品の製造、商品デザイン、エンターテインメント、保管、流通や警備、あるいは薬剤分野など、ニオイや気体が発生する様々な分野で本発明が大いに利用されることが期待される。
国際公開２０１１／１４８７７４号公報
https://www.an.shimadzu.co.jp/prt/ff/ff2020-2.htm https://www.an.shimadzu.co.jp/prt/ff/ff2020-1.htm G. Yoshikawa, T. Akiyama, S. Gautsch, P. Vettiger, and H. Rohrer, "Nanomechanical Membrane-type Surface Stress Sensor" Nano Letters 11, 1044-1048 (2011). https://ieeexplore.ieee.org/document/1411995 https://ieeexplore.ieee.org/abstract/document/1576691 K. Shiba, T. Sugiyama, T. Takei and G. Yoshikawa, Chem. Commun., 2015, 51, 15854-15857. K. Shiba, R. Tamura, G. Imamura and G. Yoshikawa, Sci. Rep., 2017, 7, 3661. K. Kambara, N. Shimura and M. Ogawa, J. Ceram. Soc. Jpn., 2007, 115, 315-318. K. Shiba, R. Tamura, T. Sugiyama, Y. Kameyama, K. Koda, E. Sakon, K. Minami, H. T. Ngo, G. Imamura, K. Tsuda and G. Yoshikawa, ACS Sensors, 2018, 3, 1592-1600.

Claims (16)

  1. 　ニオイの集合中のそれぞれのニオイを検知し、
    　前記それぞれのニオイの検知結果に基づいて、前記ニオイの集合中のニオイの原臭からなる部分集合を選定する
    原臭選定方法。
  2. 　前記それぞれのニオイの検知は、前記それぞれのニオイに対するセンサの出力信号から得られる複数の特徴からなるところの前記それぞれのニオイに対応する特徴ベクトルを求めることを含み、
    　前記原臭からなる部分集合の選定は、前記ニオイの集合中のそれぞれのニオイに対応する前記特徴ベクトルの集合から、前記特徴ベクトルを含む特徴空間内における端点検出により選定された前記特徴ベクトルの部分集合に基づいて前記原臭を選定することを含む
    請求項１に記載の原臭選定方法。
  3. 　前記それぞれのニオイに対応して求められた特徴ベクトルを縦ベクトルとすることで構成される特徴行列の各行をスケール変換する、請求項２に記載の原臭選定方法。
  4. 　前記特徴空間の任意の方向で端に位置する点であるエンドポイントとなる回数をカウントし、その回数が多い順に前記特徴ベクトルの集合中から特徴ベクトルを取り出すことによって前記特徴ベクトルの部分集合を得る、請求項２または３に記載の原臭選定方法。
  5. 　前記センサは表面応力センサである、請求項２から４の何れかに記載の原臭選定方法。
  6. 　前記センサは複数のセンサ素子を有するセンサアレイであり、
    　前記出力信号は前記複数のセンサ素子のそれぞれからの個別の出力信号を含む、
    請求項２から５の何れかに記載の原臭選定方法。
  7. 　センサと、
    　前記それぞれのニオイを有する試料ガスと基準ガスとを交互にセンサに供給するガス供給手段と、
    　前記ニオイセンサからの出力信号を入力する情報処理装置と
    を設け、
    　請求項１から６の何れかに記載の原臭選定方法により前記情報処理装置が得た前記特徴ベクトルの前記部分集合の各要素に対応する試料ガスのニオイを原臭として選定する原臭選定装置。
  8. 　請求項１から６の何れかに記載の原臭選定方法により選定された複数の原臭に基づいて、所与のニオイを前記選定された各々の原臭を混合したニオイとして合成する、ニオイ合成方法。
  9. 　請求項７に記載の原臭選定装置により選定された原臭のそれぞれに対応する前記試料ガスを混合する手段を設けた、ニオイ合成装置。
  10. 　請求項１から６の何れかに記載の原臭選定方法により選定された複数の原臭に基づいて、所与のニオイを前記選定された各々の原臭の組み合わせとして表現する、ニオイ表現方法。
  11. 　前記原臭の組み合わせは前記原臭の特徴ベクトルの線形結合で表される、請求項１０に記載のニオイ表現方法。
  12. 　センサと、
    　前記それぞれのニオイを有する試料ガスと基準ガスとを交互にセンサに供給するガス供給手段と、
    　前記ニオイセンサからの出力信号を入力する情報処理装置と
    を設け、
    　請求項１０または１１に記載のニオイ表現方法によって前記情報処理装置が得たニオイ表現結果を記憶しまたは外部へ提供する手段と
    を設けた、ニオイ表現装置。
  13. 　請求項１０または１１に記載の前記原臭の組み合わせを嗅覚以外の知覚により認識できる形態で提示する、ニオイ提示方法。
  14. 　前記嗅覚以外の知覚により認識できる形態での提示は、前記原臭の各々に異なる色を対応付け、ニオイを前記異なる色を混合した結果により提示する、請求項１３に記載のニオイ提示方法。
  15. 　前記原臭の各々に対応付けられる異なる色は３原色である、請求項１４に記載のニオイ提示方法。
  16. 　センサと、
    　前記それぞれのニオイを有する試料ガスと基準ガスとを交互にセンサに供給するガス供給手段と、
    　前記ニオイセンサからの出力信号を入力する情報処理装置と、
    　請求項１３から１５の何れかのニオイ提示方法によって前記情報処理装置が得たニオイ提示結果を出力する出力装置と
    を設けたニオイ提示装置。
PCT/JP2021/008633 2020-03-23 2021-03-05 原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置 WO2021192915A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21776633.6A EP4130735A4 (en) 2020-03-23 2021-03-05 METHOD FOR SELECTING PRIMARY ODORS, METHOD FOR EXPRESSING, PRESENTING OR SYNTHESIZING AN ODOR FROM A COMBINATION OF PRIMARY ODORS, AND ASSOCIATED DEVICE
US17/800,386 US20230090065A1 (en) 2020-03-23 2021-03-05 Method for selecting primary odors, method for representing, presenting, or synthesizing an odor by combination of primary odors, and apparatus for the same
CN202180023970.1A CN115349089A (zh) 2020-03-23 2021-03-05 基本气味选定方法、通过基本气味的组合来表现、提示或合成气味的方法及装置
JP2022509487A JP7371981B2 (ja) 2020-03-23 2021-03-05 原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020051050 2020-03-23
JP2020-051050 2020-03-23

Publications (1)

Publication Number Publication Date
WO2021192915A1 true WO2021192915A1 (ja) 2021-09-30

Family

ID=77891317

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/008633 WO2021192915A1 (ja) 2020-03-23 2021-03-05 原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置

Country Status (5)

Country Link
US (1) US20230090065A1 (ja)
EP (1) EP4130735A4 (ja)
JP (1) JP7371981B2 (ja)
CN (1) CN115349089A (ja)
WO (1) WO2021192915A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023073355A (ja) * 2023-03-28 2023-05-25 花王株式会社 体臭表現システム
WO2023163214A1 (ja) * 2022-02-28 2023-08-31 株式会社香味醗酵 情報処理装置、カートリッジ、放出装置、ｎ次元コード、制御方法、コンピュータプログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002524206A (ja) * 1998-09-10 2002-08-06 センシート インコーポレイテッド 臭気再生のための方法および装置
JP2002524205A (ja) * 1998-09-10 2002-08-06 センシート インコーポレイテッド 匂い伝送のための方法および装置
WO2011148774A1 (ja) 2010-05-24 2011-12-01 独立行政法人物質・材料研究機構 表面応力センサ
JP2013124953A (ja) * 2011-12-15 2013-06-24 National Institute For Materials Science センサーアレイを用いた測定結果可視化装置
WO2016031080A1 (ja) * 2014-08-29 2016-03-03 株式会社アロマビット 嗅覚システム、匂い識別装置、匂い識別方法
US20160216244A1 (en) * 2013-09-12 2016-07-28 Yeda Research And Development Co. Ltd. Method and electronic nose for comparing odors
WO2018211642A1 (ja) * 2017-05-17 2018-11-22 株式会社アロマビット 匂い画像の基データ作成方法
WO2018221283A1 (ja) * 2017-05-31 2018-12-06 国立研究開発法人物質・材料研究機構 低吸湿性材料からなるナノメカニカルセンサ用受容体及びそれを受容体として使用するナノメカニカルセンサ
WO2019111262A1 (en) * 2017-12-08 2019-06-13 Yeda Research And Development Co. Ltd. Utilization of electronic nose-based analysis of odorants

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3882720B2 (ja) * 2002-02-19 2007-02-21 株式会社島津製作所 におい測定装置
US9400766B2 (en) * 2013-04-26 2016-07-26 International Business Machines Corporation Determining combinations of odors to produce a target olfactory pleasantness
JPWO2017146005A1 (ja) * 2016-02-26 2018-12-20 味の素株式会社 嗅覚の判別方法
WO2019069958A1 (ja) * 2017-10-03 2019-04-11 日本電気株式会社 サーバ装置、ニオイセンサデータ解析方法、及びコンピュータ読み取り可能な記録媒体
WO2019069959A1 (ja) * 2017-10-03 2019-04-11 日本電気株式会社 サーバ装置、ニオイセンサデータ解析方法、及びコンピュータ読み取り可能な記録媒体
US11542182B2 (en) * 2018-08-29 2023-01-03 The Chugoku Electric Power Co., Inc. Hydrogen-containing water generator
WO2020161917A1 (ja) * 2019-02-08 2020-08-13 株式会社アロマビット 匂い探索方法及び匂い探索システム
JP7457963B2 (ja) * 2019-03-13 2024-03-29 パナソニックＩｐマネジメント株式会社 情報提供方法、情報提供システム、香料付与装置、香料検出装置及び情報管理装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002524206A (ja) * 1998-09-10 2002-08-06 センシート インコーポレイテッド 臭気再生のための方法および装置
JP2002524205A (ja) * 1998-09-10 2002-08-06 センシート インコーポレイテッド 匂い伝送のための方法および装置
WO2011148774A1 (ja) 2010-05-24 2011-12-01 独立行政法人物質・材料研究機構 表面応力センサ
JP2013124953A (ja) * 2011-12-15 2013-06-24 National Institute For Materials Science センサーアレイを用いた測定結果可視化装置
US20160216244A1 (en) * 2013-09-12 2016-07-28 Yeda Research And Development Co. Ltd. Method and electronic nose for comparing odors
WO2016031080A1 (ja) * 2014-08-29 2016-03-03 株式会社アロマビット 嗅覚システム、匂い識別装置、匂い識別方法
WO2018211642A1 (ja) * 2017-05-17 2018-11-22 株式会社アロマビット 匂い画像の基データ作成方法
WO2018221283A1 (ja) * 2017-05-31 2018-12-06 国立研究開発法人物質・材料研究機構 低吸湿性材料からなるナノメカニカルセンサ用受容体及びそれを受容体として使用するナノメカニカルセンサ
WO2019111262A1 (en) * 2017-12-08 2019-06-13 Yeda Research And Development Co. Ltd. Utilization of electronic nose-based analysis of odorants

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
G. YOSHIKAWAT. AKIYAMAS. GAUTSCHP. VETTIGERH. ROHRER: "Nanomechanical Membrane-type Surface Stress Sensor", NANO LETTERS, vol. 11, 2011, pages 1044 - 1048
K. KAMBARAN. SHIMURAM. OGAWA, J. CERAM. SOC. JPN., vol. 115, 2007, pages 315 - 318
K. SHIBAR. TAMURAG. IMAMURAG. YOSHIKAWA, SCI. REP., vol. 7, 2017, pages 3661
K. SHIBAR. TAMURAT. SUGIYAMAY. KAMEYAMAK. KODAE. SAKONK. MINAMIH. T. NGOG. IMAMURAK. TSUDA, ACS SENSORS, vol. 3, 2018, pages 1592 - 1600
K. SHIBAT. SUGIYAMAT. TAKEIG. YOSHIKAWA, CHEM. COMMUN., vol. 51, 2015, pages 15854 - 15857
See also references of EP4130735A4
TAKAMICHI NAKAMOTO: "Study of odor sensing and its reproduction", THE JAPANESE JOURNAL OF TASTE AND SMELL RESEARCH, vol. 19, no. 2, 31 July 2012 (2012-07-31), pages 147 - 155, XP009539471, ISSN: 2424-1326, DOI: 10.18965/tasteandsmell.19.2_147 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023163214A1 (ja) * 2022-02-28 2023-08-31 株式会社香味醗酵 情報処理装置、カートリッジ、放出装置、ｎ次元コード、制御方法、コンピュータプログラム
JP2023073355A (ja) * 2023-03-28 2023-05-25 花王株式会社 体臭表現システム
JP7462813B2 (ja) 2023-03-28 2024-04-05 花王株式会社 体臭表現システム

Also Published As

Publication number Publication date
US20230090065A1 (en) 2023-03-23
EP4130735A4 (en) 2024-04-17
CN115349089A (zh) 2022-11-15
EP4130735A1 (en) 2023-02-08
JP7371981B2 (ja) 2023-10-31
JPWO2021192915A1 (ja) 2021-09-30

Similar Documents

Publication Publication Date Title
WO2021192915A1 (ja) 原臭選定方法、原臭の組み合わせによりニオイを表現、提示または合成する方法、及びそのための装置
JP7365339B2 (ja) 電子ノーズに基づく臭気物質の分析の利用
Boeker On ‘electronic nose’methodology
Wilson et al. Applications and advances in electronic-nose technologies
CN104316660B (zh) 快速检测豆瓣酱风味、等级及产品溯源的方法
Xing et al. Development of novel electronic nose applied for strawberry freshness detection during storage
Chastrette Classification of odors and structure-odor relationships
Kim et al. A phage-and colorimetric sensor-based artificial nose model for banana ripening analysis
Harel et al. Towards an odor communication system
CN108981800A (zh) 一种利用神经动力学系统模型进行机器嗅-味联觉效应可视化的方法
Xu et al. Determination of quasi-primary odors by endpoint detection
Prasetyawan et al. Odor Reproduction Technology Using a Small Set of Odor Components
Cano et al. Improving the training and data processing of an electronic olfactory system for the classification of virgin olive oil into quality categories
JPWO2021192915A5 (ja)
JP2004508570A (ja) スペクトル標識に基づいたにおい識別
US11754539B2 (en) System and computer-implemented method for extrapolating calibration spectra
Benedetti et al. Comparison of an electronic nose with the sensory evaluation of food products by “triangle test”
JP2021076458A (ja) 香料開発支援方法、香料開発支援装置、香りのマッピング方法、及びデータ
JP2021071348A (ja) 情報処理装置、情報処理方法及びプログラム
WO2023274850A1 (en) Quality assessment of aroma molecules
KR100601052B1 (ko) 후각 정보 부호화 장치 및 그 방법과 향기 코드 생성 장치및 그 방법
Somboon et al. Realization of recording a wide range of odor by utilizing both of transient and steady-state sensor responses in recording process
Wardencki et al. Instrumental techniques used for assessment of food quality
JP4016611B2 (ja) におい識別装置
CN113588591A (zh) 一种用于蛋氨酸含量快速检验的方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21776633

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022509487

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021776633

Country of ref document: EP

Effective date: 20221024