WO2022230162A1 - 分析装置及び分析装置用波形処理プログラム - Google Patents

分析装置及び分析装置用波形処理プログラム Download PDF

Info

Publication number
WO2022230162A1
WO2022230162A1 PCT/JP2021/017153 JP2021017153W WO2022230162A1 WO 2022230162 A1 WO2022230162 A1 WO 2022230162A1 JP 2021017153 W JP2021017153 W JP 2021017153W WO 2022230162 A1 WO2022230162 A1 WO 2022230162A1
Authority
WO
WIPO (PCT)
Prior art keywords
waveform
peak
unit
signal
end point
Prior art date
Application number
PCT/JP2021/017153
Other languages
English (en)
French (fr)
Inventor
弘之 安田
Original Assignee
株式会社島津製作所
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 株式会社島津製作所 filed Critical 株式会社島津製作所
Priority to EP21939321.2A priority Critical patent/EP4332567A1/en
Priority to PCT/JP2021/017153 priority patent/WO2022230162A1/ja
Priority to JP2023516990A priority patent/JPWO2022230162A1/ja
Priority to CN202180097598.9A priority patent/CN117242345A/zh
Publication of WO2022230162A1 publication Critical patent/WO2022230162A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8631—Peaks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8603—Signal analysis with integration or differentiation
    • G01N30/8613—Dividing or multiplying by a constant
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8693—Models, e.g. prediction of retention times, method development and validation

Definitions

  • the present invention relates to an analysis device and a program for processing signal waveforms obtained by analysis on a computer.
  • a sample is introduced into a column, and various components contained in the sample are separated in the direction of time while the sample passes through the column.
  • the component is detected by a detector provided at the outlet.
  • a chromatogram waveform created based on the detection signal obtained by the detector shows peaks corresponding to various components in the sample. Since the time at which the peak is observed (retention time) corresponds to the type of component, it is possible to identify the component from the retention time of the peak, that is, perform qualitative analysis.
  • the peak height and area correspond to the concentration or content of the component, the concentration and content of the component can be obtained from the peak height value and area value, that is, quantitative analysis can be performed. .
  • Non-Patent Document 1 In order to perform qualitative and quantitative analysis, it is necessary to accurately detect peaks on the chromatogram waveform and determine the positions (retention times) of the peak start and end points. Various noises are superimposed on the chromatogram waveform obtained by the analysis, the baseline fluctuates, or peaks derived from a plurality of components overlap. Therefore, it is not always easy to accurately detect peaks from chromatogram waveforms, and various algorithms have been used to detect peaks using computers. As one of such peak detection methods, in recent years, a method using AI (artificial intelligence) technology represented by deep learning has been put into practical use (see Non-Patent Document 1).
  • AI artificial intelligence
  • the peak detection method described in Non-Patent Document 1 performs peak detection using a trained model generated by so-called supervised machine learning.
  • a trained model that is, when learning the model, the chromatogram waveform collected by the actual analyzer and the peak information (start point and end point) detected by the expert for the waveform are set.
  • a large number of training data are used.
  • One of the great advantages of the peak detection method using AI technology is that, unlike many other peak detection methods, the operator does not have to set detection conditions (parameters) in advance or make decisions during the peak detection process. is unnecessary.
  • An object of the present invention is to provide an analysis device and a waveform processing program for the analysis device that can detect the
  • the target signal waveform that shows the change in signal intensity according to the change in the value of a predetermined parameter obtained by the analysis is multiplied N times in the direction of the signal intensity axis (where N is a positive value other than 0 and 1).
  • a waveform transforming unit that expands or contracts and/or expands or contracts M times in the direction of the predetermined parameter axis (where M is a positive value other than 0 and 1 and may be equal to N);
  • M is a positive value other than 0 and 1 and may be equal to N
  • the signal waveform after deformation by the waveform deformation unit is input, and the peak start point and end point are used.
  • a waveform inverse transforming unit that reduces or expands the information on the start point and end point of the peak, which is the output of the peak detecting unit, at a scale factor opposite to that at the time of transforming by the waveform transforming unit, and obtains the peak detection result for the target signal waveform.
  • one aspect of the waveform processing program for an analyzer according to the present invention is a A program for processing a signal waveform on a computer, the computer comprising:
  • the target signal waveform is enlarged or reduced N times in the direction of the signal intensity axis (where N is a positive value other than 0 and 1), and/or M times in the direction of the predetermined parameter axis (where , M may be a positive value other than 0 and 1 and may be equal to N);
  • N is a positive value other than 0 and 1 and may be equal to N
  • M may be a positive value other than 0 and 1 and may be equal to N
  • the signal waveform after deformation in the waveform deformation step is input, and the peak start point and end point are used.
  • a waveform inverse transformation step for obtaining the peak detection result for the target signal waveform by reducing or enlarging the information on the start point and end point of the peak, which is the output from the peak detection step, by a magnification opposite to that at the time of transformation in the waveform transformation step.
  • FIG. 1 is a schematic configuration diagram of an LC device that is an embodiment of the present invention
  • FIG. FIG. 2 is a schematic configuration diagram of a model generation device that generates a trained model used in the LC device shown in FIG. 1; The figure which shows an example of a chromatogram waveform.
  • FIG. 4 is an explanatory diagram of the procedure of peak detection processing in the LC apparatus of the present embodiment; Explanatory drawing of the procedure of the peak detection process in the conventional LC apparatus.
  • the analysis apparatus is, for example, a liquid chromatograph (LC) apparatus including a liquid chromatograph mass spectrometer, a gas chromatograph (GC) apparatus including a gas chromatograph mass spectrometer, a spectrophotometer (infrared absorption spectrophotometer, visible-ultraviolet spectrophotometer, fluorescence spectrophotometer, etc.), X-ray analysis equipment (fluorescence X-ray analysis equipment, X-ray diffraction analysis equipment, etc.), and the like.
  • LC liquid chromatograph
  • GC gas chromatograph
  • spectrophotometer infrared absorption spectrophotometer, visible-ultraviolet spectrophotometer, fluorescence spectrophotometer, etc.
  • X-ray analysis equipment fluorescence X-ray analysis equipment, X-ray diffraction analysis equipment, etc.
  • the analyzer waveform processing program according to the present invention is stored in a computer-readable non-temporary recording medium such as a CD-ROM, DVD-ROM, memory card, USB memory (dongle), etc. may be provided to The program can also be provided to the user in the form of data transfer via a communication line such as the Internet. Furthermore, the program can be pre-installed in a computer that is part of the system (strictly speaking, a storage device that is part of the computer) when the user purchases the system.
  • any type of machine learning can be used as long as it is supervised machine learning, but in general, deep learning can be used.
  • FIG. 1 is a schematic configuration diagram of the LC device of this embodiment.
  • FIG. 2 is a schematic configuration diagram of a trained model generating device for generating a trained model used in the LC device shown in FIG.
  • the LC device 1 of this embodiment includes an LC measurement section 10, a data analysis section 11, an input section 12, and a display section 13.
  • the LC measurement unit 10 includes a mobile phase container, a liquid pump, an injector, a column, a column oven, a detector, etc., performs LC analysis on a given sample, and measures the signal intensity obtained by the detector. Outputs chromatogram data showing temporal changes in
  • the type and system of the detector are not particularly limited, but for example, a mass spectrometer, a photodiode array (PDA) detector, a fluorescence detector, or the like can be used.
  • PDA photodiode array
  • the data analysis unit 11 includes functional blocks such as a data acquisition unit 110, a waveform selection unit 111, a waveform expansion unit 112, a peak detection unit 113, a waveform reduction unit 115, a qualitative/quantitative analysis unit 116, and a result display processing unit 117.
  • the peak detection unit 113 includes a trained model storage unit 114 that stores a trained model generated by performing learning in advance. This trained model is effectively a peak classifier that identifies peak waveforms.
  • the substance of the data analysis unit 11 is a personal computer with predetermined software installed, a workstation with higher performance, or a computer system including a high-performance computer connected to such a computer via a communication line. That is, the function of each block included in the data analysis unit 11 is achieved by executing software installed in a computer system including a single computer or a plurality of computers, and is stored in the computer or computer system. It can be embodied by processing using various data. Of course, by replacing part of the functions of the data analysis unit 11 with a dedicated hardware circuit such as a digital signal processor, the processing speed can be increased.
  • the model generation device 2 provided separately from the LC device 1 includes a teacher data input unit 20, a learning execution unit 21, and a model construction unit 22 as functional blocks.
  • a trained model generated by the model generation device 2 is stored in the trained model storage unit 114 in the data analysis unit 11 of the LC device 1 .
  • the substance of the model generation device 2 is a high-performance computer with predetermined software installed.
  • learning a model based on a machine learning algorithm in deep learning or the like generally requires a huge amount of calculation, so a high-performance computer capable of high-speed calculation is used. Therefore, in many cases, the model learning work is carried out by the manufacturer of the LC apparatus 1, the company that develops the software, or the like. In that case, the model generation device 2 itself is placed in such a manufacturer or company.
  • the data analysis section 11 of the LC device 1 may be provided with the function of learning such a model.
  • FIG. 3 is an example of a chromatogram waveform obtained by an LC device.
  • three peaks are observed whose start and end points are (t s1 , t e1 ), (t s2 , t e2 ), and (t s3 , t e3 ).
  • the teacher data input unit 20 reads a large number of teacher data sets of such chromatogram waveform data and accurate peak information including peak start points and end points.
  • the chromatogram waveform may be a waveform obtained by selecting a peak portion indicated by a dashed-dotted line in FIG. 3 instead of the entire waveform from the measurement start point to the end point as shown in FIG.
  • the learning execution unit 21 converts chromatogram waveform data into an image, and makes the image and correct peak information be learned by a model based on a predetermined method. Based on the learning results, the model construction unit 22 constructs a learning model for estimating the start and end points of peaks on the chromatogram waveform.
  • various algorithms for machine learning there are various algorithms for machine learning.
  • deep learning which is one of the general object detection algorithms in image recognition, is used, but the usable machine learning method is not limited to this.
  • the model construction unit 22 temporarily saves a learned model generated by learning using a large amount of teacher data.
  • the learned model generated as described above in the model generation device 2 is transferred and stored in the learned model storage unit 114 via, for example, a communication line or a storage medium.
  • the LC measurement unit 10 performs LC analysis on the target sample.
  • the data collection unit 110 acquires the chromatogram data obtained by the LC measurement unit 10 and temporarily stores it.
  • the chromatogram waveform shown in FIG. 4(a) is obtained by LC analysis.
  • the waveform selection unit 111 receives chromatogram data to be processed from the data acquisition unit 110. Then, the waveform selection unit 111 determines a retention time range for which waveform expansion is performed according to a predetermined standard.
  • the difference between the minimum signal intensity and the maximum signal intensity in the chromatogram data to be processed is calculated, and if the difference is less than a predetermined threshold, the entire chromatogram (that is, the retention time entire range) can be targeted for waveform enlargement. Further, the chromatogram is divided into a plurality of parts in the time axis direction with a position where the change in signal intensity is small in the direction of the time axis (for example, position U in FIG. 4A) as a boundary, and for each divided waveform, the above-mentioned It may be determined whether or not the waveform is within the retention time range for which the waveform is to be enlarged according to such a criterion.
  • the reason why the waveform selection unit 111 determines the holding time range for which waveform expansion is to be performed is that the waveform is expanded only in the holding time range that may be overlooked due to the low signal intensity of the peak, and the signal strength of the peak is large. This is to avoid enlarging the waveform for the holding time range where there is no possibility of missing the data.
  • the method is not limited to the one described above as long as it is possible to determine the waveform shape corresponding to such purpose. Further, when the waveform is expanded when the peak signal intensity is large, even if the signal intensity increases further, if there is no substantial problem, the waveform selection unit 111 is omitted and the entire holding time is set.
  • the range may be the target of waveform enlargement.
  • the waveform enlarging unit 112 multiplies the signal strength of the waveform included in the holding time range that is targeted for waveform enlarging by N times (here, N is greater than 1). value) (multiplied by N in the vertical axis direction). Two peaks P1 and P2 existing on the original chromatogram waveform (however, they are not detected as peaks at this time) correspond to peaks P10 and P20, respectively, on the enlarged chromatogram waveform.
  • the value of N may be a predetermined value, or may be selected by the user as appropriate.
  • the peak detection unit 113 inputs the chromatogram waveform with the signal intensity expanded as described above to the learned model stored in the learned model storage unit 114, thereby obtaining peak information including the start point and end point of the peak. as output.
  • This peak information is information of peaks automatically detected by the peak discriminator in the input chromatogram waveform.
  • FIG. 4(c) shows the position of the peak start point and end point automatically detected with respect to the chromatogram waveform shown in FIG. It is a diagram. Here, two P10 and P20 are accurately detected.
  • the waveform reduction unit 115 performs processing opposite to that of the waveform expansion unit 112 . That is, the waveform reduction unit 115 performs reduction processing of multiplying the signal intensity by 1/N (to 1/N in the vertical axis direction) for the chromatogram waveform included in the retention time range determined to be the waveform expansion target. .
  • the signal intensity corresponding to the peak start point and end point which are the peak detection results in the chromatogram waveform enlarged as shown in FIG. 4(c), decreases along with the chromatogram waveform as shown in FIG. 4(d) do.
  • peak detection results are obtained that are substantially the same as when peak detection is performed on the original chromatogram waveform shown in FIG. 4(a).
  • FIG. 5 is an explanatory diagram of processing when automatic peak detection is performed by the peak detection unit 113 on a chromatogram waveform that is not subjected to waveform enlargement. This corresponds to peak detection processing in conventional LC devices.
  • the signal intensity of peak P2 on the chromatogram waveform is considerably smaller than that of peak P1.
  • the generated trained model does not have the ability to recognize peaks with small signal intensities. Therefore, as shown in FIG. 5B, the peak P1 with a large signal intensity is detected, but the peak P2 with a small signal intensity is not detected.
  • the LC device 1 of the present embodiment without changing the trained model, that is, while using an existing trained model that does not have the ability to recognize peaks with small signal intensities, until now detection It is possible to detect peaks with small signal intensities that may have been leaks.
  • adding the functions of the waveform selection unit 111, the waveform expansion unit 112, and the waveform reduction unit 115, more specifically, adding a program for realizing such functions adds new teacher data. It is much easier than restructuring a trained model using , and does not require cost or time.
  • the qualitative/quantitative analysis unit 116 in the data analysis unit 11 identifies the component (compound) corresponding to each peak based on the peak information given from the peak detection unit 113 . Alternatively, a peak height value or a peak area value is calculated, and a quantitative value, which is the concentration or content of each component, is calculated from the values.
  • the result display processing unit 117 receives the identification result and the quantitative result of each component and displays them on the display unit 13 in a predetermined format. Further, the result display processing unit 117 may display the chromatogram waveform including the peak detection result as shown in FIG. 4D on the display unit 13.
  • FIG. 4D the chromatogram waveform including the peak detection result as shown in FIG. 4D on the display unit 13.
  • the waveform enlarging unit 112 and the waveform reducing unit 115 expand/reduce the chromatogram waveform only in the direction of the signal intensity axis. You may make it If the chromatogram waveform is expanded only in the direction of the signal intensity axis, the peak shape becomes vertically elongated. That is, the value of peak half width/peak height becomes smaller. Depending on the method of learning using teacher data during model learning, it may not be possible to appropriately detect peaks that have been deformed such that the value of peak half-value width/peak height is small. Therefore, depending on the characteristics of the trained model to be used, the chromatogram waveform may be expanded/reduced in the direction of the signal intensity axis and also expanded/reduced in the direction of the time axis.
  • the waveform enlarging unit 112 and the waveform reducing unit 115 may expand/reduce the chromatogram waveform only in the time axis direction without enlarging/reducing the chromatogram waveform in the signal intensity axis direction. This is useful in situations where the chromatogram waveform is compressed in the direction of the time axis because the LC separation conditions differ from those assumed, such as when the velocity of the mobile phase in actual LC analysis is high.
  • the chromatogram waveform is expanded before peak detection, and the chromatogram waveform is reduced after peak detection.
  • the gram waveform may be reduced, and the chromatogram waveform may be expanded and restored after peak detection.
  • this is useful in a situation where the peak signal strength of the waveform to be actually processed is excessively larger than the variation range of the peak signal strength assumed at the time of model learning.
  • it is useful in situations where the chromatogram waveform is stretched in the time axis direction because the LC separation conditions are different from those assumed, such as when the velocity of the mobile phase in actual LC analysis is slow.
  • a plurality of peaks are detected by performing a single peak detection process on the chromatogram waveform. It is also possible to detect peaks with greatly different intensities as thoroughly as possible.
  • the first peak detection process performs peak detection in the same manner as in the past without performing waveform expansion/reduction.
  • peak P1 may be detected, but peak P2 may be overlooked.
  • the peak detected in the first peak detection process is removed (for example, a straight line connects the start point and the end point of the peak P1 in FIG. 5B), and then the second peak detection process is performed as described above.
  • Peak detection is performed with waveform expansion/reduction as described above.
  • peak P10 in FIG. 4(b) does not exist, only the remaining peak P20 is detected.
  • peak P20 has a high signal intensity and is detected without omission. In this way, by summarizing the peak information detected in multiple peak detection processes to create the final peak detection result, it is possible to detect peaks with little omission.
  • peak detection processing is performed three times or more. can be repeated.
  • the present invention can be applied not only to an LC apparatus but also to a GC apparatus, and can also be applied to various analysis apparatuses other than these.
  • mass spectra obtained with mass spectrometers optical spectra obtained with various spectroscopic analyzers such as absorption spectrophotometers and fluorescence spectrophotometers, ion mobility spectra obtained with ion mobility spectrometers, X-ray It is clear that the present invention can also be applied to peak detection on a spectrum waveform such as an X-ray spectrum obtained by an analyzer.
  • the target signal waveform that shows the change in signal intensity according to the change in the value of a predetermined parameter obtained by the analysis is multiplied N times in the direction of the signal intensity axis (where N is a positive value other than 0 and 1).
  • a waveform transforming unit that expands or contracts and/or expands or contracts M times in the direction of the predetermined parameter axis (where M is a positive value other than 0 and 1 and may be equal to N);
  • M is a positive value other than 0 and 1 and may be equal to N
  • the signal waveform after deformation by the waveform deformation unit is input, and the peak start point and end point are used.
  • a waveform inverse transforming unit that reduces or expands the information on the start point and end point of the peak, which is the output of the peak detecting unit, at a scale factor opposite to that at the time of transforming by the waveform transforming unit, and obtains the peak detection result for the target signal waveform.
  • a target signal waveform indicating a change in signal intensity according to a change in the value of a predetermined parameter obtained by analysis is processed on a computer.
  • a program for processing in the computer The target signal waveform is enlarged or reduced N times in the direction of the signal intensity axis (where N is a positive value other than 0 and 1), and/or M times in the direction of the predetermined parameter axis (where , M may be a positive value other than 0 and 1 and may be equal to N);
  • N is a positive value other than 0 and 1
  • M may be a positive value other than 0 and 1 and may be equal to N
  • the signal waveform after deformation in the waveform deformation step is input, and the peak start point and end point are used.
  • a waveform inverse transformation step for obtaining peak detection results for the target signal waveform by reducing or enlarging the information on the start point and end point of the peak, which is the output from the peak detection step, by a scale factor opposite to that at the time of transformation in the waveform transformation step.
  • the peak signal intensity is low in a signal waveform such as a chromatogram waveform. Therefore, it is possible to satisfactorily detect peak waveforms that could have been overlooked in the past. As a result, peak detection accuracy can be improved without regenerating a learned model.
  • the predetermined parameter may be time
  • the signal waveform may be a chromatogram waveform.
  • chromatogram waveforms obtained with an LC apparatus are prone to baseline drift and overlapping of multiple peaks due to incomplete separation of multiple components. It is difficult to detect the peak of , and adjustment and setting of parameters tend to be troublesome.
  • the analyzer described in item 2 it is possible to detect peaks with high accuracy while simplifying the troublesome adjustment and setting of parameters.
  • the machine learning may be deep learning.
  • the peak information may include the start point and end point of the peak.
  • the analyzer according to any one of items 1 to 4, further comprising a determination unit that determines a magnitude of variation in signal strength level in the target signal waveform, wherein the waveform
  • the transforming unit may perform a process of expanding or contracting the signal waveform for the range of parameter values determined by the determination unit that the signal strength level variation is smaller or larger than the specified value.
  • the signal waveform corresponding to the entire parameter value range obtained by the analysis for example, only a partial signal waveform such as a particularly small or particularly large signal strength is expanded or A reduction process can be implemented.
  • the range of peak signal strength can be narrowed down, and peak detection can be performed with high accuracy even when using a trained model with a relatively narrow tolerance for variations in signal strength. .
  • Reference Signs List 1 LC device 10
  • LC measurement unit 11 data analysis unit 110
  • data collection unit 111 waveform selection unit 112 waveform expansion unit 113 peak detection unit 114 learned model storage unit 115 waveform reduction unit 116 qualitative/ Quantitative analysis unit 117
  • Input unit 13 Display unit 2
  • Model generation device 20 Teacher data input unit 21
  • Learning execution unit 22 Model construction unit

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本発明の一態様である分析装置は、分析により得られた、所定のパラメーターの値の変化に応じた信号強度の変化を示す目的の信号波形を、信号強度軸の方向にＮ倍（但し、Ｎは０及び１以外の正値）に拡大又は縮小する、及び／又は、所定のパラメーター軸の方向にＭ倍（但し、Ｍは０及び１以外の正値でＮと同値でもよい）に拡大又は縮小する波形変形部（１１２）と、信号波形並びに正解であるピークの始点及び終点を教師データとして機械学習することにより予め生成された学習済みモデルを用い、波形変形部による変形後の信号波形を入力とし、ピークの始点及び終点を検出結果として出力するピーク検出部（１１３）と、ピーク検出部の出力であるピークの始点及び終点の情報を波形変形部による変形時とは逆の倍率で縮小又は拡大し、目的の信号波形についてのピーク検出結果を求める波形逆変形部（１１４）と、を備える。

Description

分析装置及び分析装置用波形処理プログラム
　本発明は、分析装置、及び、分析により得られた信号波形をコンピューター上で処理するプログラムに関する。
　液体クロマトグラフ（ＬＣ）装置やガスクロマトグラフ（ＧＣ）装置では、試料をカラムに導入し、該試料がカラムを通過する間に該試料に含まれる各種の成分を時間方向に分離して、カラムの出口に設けた検出器によりその成分を検出する。検出器により得られる検出信号に基いて作成されるクロマトグラム波形には、試料中の各種成分に対応するピークが現れる。ピークが観測される時間（保持時間）は成分の種類に対応しているため、ピークの保持時間から成分を特定する、つまりは定性分析を行うことができる。また、ピークの高さや面積はその成分の濃度又は含有量に対応しているため、ピークの高さ値や面積値からその成分の濃度や含有量を求める、つまりは定量分析を行うことができる。
　定性分析や定量分析を行うには、クロマトグラム波形上でピークを的確に検出し、ピークの始点及び終点の位置（保持時間）を確定する必要がある。分析によって得られるクロマトグラム波形には、様々なノイズが重畳していたり、ベースラインが変動していたり、或いは、複数の成分由来のピークが重なっていたりする。そのため、クロマトグラム波形からピークを的確に検出するのは必ずしも容易ではなく、従来、コンピューターを用いてピークを検出するための様々なアルゴリズムが用いられている。そうしたピーク検出方法の一つとして、近年、ディープラーニングを代表とするＡＩ（人工知能）技術を利用した方法が実用化されている（非特許文献１参照）。
　非特許文献１に記載のピーク検出方法は、いわゆる教師あり機械学習によって生成された学習済みのモデルを利用してピーク検出を行うものである。こうした学習済みモデルの生成時つまりモデルの学習実行時には、通常、実際の分析装置で収集されたクロマトグラム波形とその波形に対して熟練者が検出したピークの情報（始点及び終点）とをセットとした多数の教師データが使用される。こうしたＡＩ技術を用いたピーク検出方法の大きな利点の一つは、他の多くのピーク検出方法とは異なり、オペレーターによる面倒な検出条件（パラメーター）の事前の設定やピーク検出過程でのオペレーターの判断が不要であることである。
「PeakintelligenceTM Ver.2　LabSolutions InsightTM向け 波形処理オプションソフトウェア」、［Online］、［2021年4月7日検索］、株式会社島津製作所、インターネット＜URL: https://www.an.shimadzu.co.jp/lcms/m_package/peakintelligence.htm＞
　ディープラーニングと始めとする教師あり機械学習において生成される学習済みモデルの精度を高めるのに有効な方法は、検出対象の特徴のばらつき（変動）を網羅する教師データをできるだけ多く学習に使用することである。しかしながら、教師データの収集には非常に手間と時間が掛かる。また、教師データの量が多くなるに伴って、学習済みモデルを生成するための処理の手間も急激に増大するため、それに要するコストも増大する。こうしたことから、用意される教師データの量が限られたものとなり、そうした教師データに基いて生成された学習済みモデルを用いてピーク検出を実施したときに、実際のクロマトグラム波形において観測される、本来であれば検出対象とされるべきピークが検出されずに見逃されるという問題が生じる場合があった。
　本発明はこうした課題を解決するために成されたものであり、その目的とするところは、既存の学習済みのモデルを使用しながら、従来であれば検出見逃しになりがちであったピークを良好に検出することができる分析装置及び分析装置用波形処理プログラムを提供することである。
　上記課題を解決するために成された本発明に係る分析装置の一態様は、
　分析により得られた、所定のパラメーターの値の変化に応じた信号強度の変化を示す目的の信号波形を、信号強度軸の方向にＮ倍（但し、Ｎは０及び１以外の正値）に拡大又は縮小する、及び／又は、前記所定のパラメーター軸の方向にＭ倍（但し、Ｍは０及び１以外の正値でＮと同値でもよい）に拡大又は縮小する波形変形部と、
　信号波形並びに正解であるピークの始点及び終点を教師データとして機械学習することにより予め生成された学習済みモデルを用い、前記波形変形部による変形後の信号波形を入力とし、ピークの始点及び終点を検出結果として出力するピーク検出部と、
　前記ピーク検出部の出力であるピークの始点及び終点の情報を前記波形変形部による変形時とは逆の倍率で縮小又は拡大し、前記目的の信号波形についてのピーク検出結果を求める波形逆変形部と、
　を備えるものである。
　また上記課題を解決するために成された本発明に係る分析装置用波形処理プログラムの一態様は、分析により得られた、所定のパラメーターの値の変化に応じた信号強度の変化を示す目的の信号波形を、コンピューター上で処理するためのプログラムであって、該コンピューターに、
　前記目的の信号波形を、信号強度軸の方向にＮ倍（但し、Ｎは０及び１以外の正値）に拡大又は縮小する、及び／又は、前記所定のパラメーター軸の方向にＭ倍（但し、Ｍは０及び１以外の正値でＮと同値でもよい）に拡大又は縮小する波形変形ステップと、
　信号波形並びに正解であるピークの始点及び終点を教師データとして機械学習することにより予め生成された学習済みモデルを用い、前記波形変形ステップにおける変形後の信号波形を入力とし、ピークの始点及び終点を検出結果として出力するピーク検出ステップと、
　前記ピーク検出ステップによる出力であるピークの始点及び終点の情報を前記波形変形ステップにおける変形時とは逆の倍率で縮小又は拡大し、前記目的の信号波形についてのピーク検出結果を求める波形逆変形ステップと、
　を実行させるものである。
　本発明に係る分析装置及び分析装置用波形処理プログラムの上記態様によれば、既存の学習済みモデルを用いながら、例えばクロマトグラム波形等の信号波形においてピークの信号強度が低いために従来は検出見逃しとなる可能性があったピーク波形を良好に検出することができる。これにより、学習済みモデルを生成し直すことなく、ピークの検出精度を向上させることができる。
本発明の一実施形態であるＬＣ装置の概略構成図。 図１に示したＬＣ装置で用いられる学習済みモデルを生成するモデル生成装置の概略構成図。 クロマトグラム波形の一例を示す図。 本実施形態のＬＣ装置におけるピーク検出処理の手順の説明図。 従来のＬＣ装置におけるピーク検出処理の手順の説明図。
　本発明に係る分析装置は例えば、液体クロマトグラフ質量分析装置を含む液体クロマトグラフ（ＬＣ）装置、ガスクロマトグラフ質量分析装置を含むガスクロマトグラフ（ＧＣ）装置、分光分析装置（赤外吸光分光光度計、可視紫外分光光度計、蛍光分光光度計など）、Ｘ線分析装置（蛍光Ｘ線分析装置、Ｘ線回折分析装置など）、などを含むものとすることができる。
　また本発明に係る分析装置用波形処理プログラムは、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、メモリーカード、ＵＳＢメモリー（ドングル）などの、コンピューター読み取り可能である非一時的な記録媒体に格納されてユーザーに提供されるものとすることができる。また、上記プログラムは、インターネットなどの通信回線を介したデータ転送の形式で、ユーザーに提供されるようにすることもできる。さらにまた、上記プログラムは、ユーザーがシステムを購入する時点で、予めシステムの一部であるコンピューター（厳密にはコンピューターの一部である記憶装置）にプリインストールしておくこともできる。
　また、本発明において、機械学習は教師あり機械学習であれば特にその種類は問わないが、一般的には、ディープラーニングを用いることができる。
　以下、本発明に係る分析装置の一実施形態であるＬＣ装置について、添付の図面を参照して説明する。
　　［本実施形態の装置の構成］
　図１は、本実施形態のＬＣ装置の概略構成図である。図２は図１中に示したＬＣ装置に用いられる学習済みモデルを生成する学習済みモデル生成装置の概略構成図である。
　図１に示すように、本実施形態のＬＣ装置１は、ＬＣ測定部１０、データ解析部１１、入力部１２、及び表示部１３、を備える。図示しないが、ＬＣ測定部１０は、移動相容器、送液ポンプ、インジェクター、カラム、カラムオーブン、検出器などを含み、与えられた試料についてのＬＣ分析を実行し、検出器で得られる信号強度の時間的な変化を示すクロマトグラムデータを出力する。検出器の種類や方式は特に問わないが、例えば質量分析装置、フォトダイオードアレイ（ＰＤＡ）検出器、蛍光検出器などを用いることができる。
　データ解析部１１は、データ収集部１１０、波形選択部１１１、波形拡大部１１２、ピーク検出部１１３、波形縮小部１１５、定性・定量解析部１１６、及び結果表示処理部１１７などの機能ブロックを含む。ピーク検出部１１３は、予め学習を行うことで生成された学習済みモデルが保存される学習済みモデル記憶部１１４を含む。この学習済みモデルは実質的に、ピーク波形を識別するピーク識別器である。
　データ解析部１１の実体は、所定のソフトウェアがインストールされたパーソナルコンピューターやより性能の高いワークステーション、或いは、そうしたコンピューターと通信回線を介して接続された高性能なコンピューターを含むコンピューターシステムである。即ち、データ解析部１１に含まれる各ブロックの機能は、コンピューター単体又は複数のコンピューターを含むコンピューターシステムに搭載されているソフトウェアを実行することで達成される、該コンピューター又はコンピューターシステムに記憶されている各種データを用いた処理によって具現化されるものとすることができる。もちろん、データ解析部１１の機能の一部を、デジタルシグナルプロセッサー等の専用のハードウェア回路に置き換えることによって、処理の高速化を図ることもできる。
　図２に示すように、ＬＣ装置１とは別に設けられているモデル生成装置２は、教師データ入力部２０、学習実行部２１、及びモデル構築部２２を機能ブロックとして含む。このモデル生成装置２において生成される学習済みモデルが、ＬＣ装置１のデータ解析部１１における学習済みモデル記憶部１１４に格納される。
　モデル生成装置２の実体は、所定のソフトウェアがインストールされた高性能のコンピューターである。よく知られているように、一般に、ディープラーニング等における機械学習アルゴリズムに基くモデルの学習には膨大な量の計算を必要とするため、高速演算が可能である高性能のコンピューターが用いられる。したがって、多くの場合、モデルを学習させる作業は、ＬＣ装置１のメーカーやソフトウェアの開発を行う会社などにおいて実施される。その場合、モデル生成装置２自体はそうしたメーカーや会社に置かれている。もちろん、可能であれば、そうしたモデルを学習させる機能をＬＣ装置１のデータ解析部１１に持たせるようにしてもよい。
　　［学習済みモデルの生成の手順］
　まず、モデル生成装置２において学習済みモデルを生成する際の動作を説明する。
　学習済みモデルを生成する際には、多数の多様なクロマトグラム波形データを用意すると共に、その各クロマトグラム波形に現れている一又は複数のピークの始点及び終点の保持時間を正確に求めておく。ここでいう多様なクロマトグラム波形データとは、実際にピーク検出を実施する際のクロマトグラム波形に現れる可能性がある、様々なノイズの混入、ベースラインの変動（ドリフト）、複数のピークの重なり、或いは、ピーク形状の変形、などの要素を含むクロマトグラム波形である。
　図３は、ＬＣ装置で取得されるクロマトグラム波形の一例である。この例では、始点及び終点が（ｔs1、ｔe1）、（ｔs2、ｔe2）、（ｔs3、ｔe3）である三つのピークが観測されている。教師データ入力部２０は、こうしたクロマトグラム波形データとピーク始点及び終点を含む正確なピーク情報とをセットとした教師データを多数読み込む。なお、クロマトグラム波形は、図３に示したような、測定開始時点から終了時点までの波形全体でなく、図３中に一点鎖線で示したピーク部分を選択した波形でもよい。
　学習実行部２１は、例えばクロマトグラム波形データを画像化し、その画像と正解であるピーク情報とを所定の手法に基くモデルに学習させる。モデル構築部２２はその学習結果に基き、クロマトグラム波形上のピークの始点及び終点を推定するための学習モデルを構築する。周知のように機械学習には様々なアルゴリズムがあるが、ここでは画像認識における一般物体検知アルゴリズムの一つであるディープラーニングを用いるが、使用可能である機械学習の手法はこれに限らない。
　モデル構築部２２は、多数の教師データを用いた学習によって生成された学習済みモデルを一旦保存する。ＬＣ装置１において学習済みモデル記憶部１１４には、モデル生成装置２において上述したように生成された学習済みモデルが例えば通信回線を介して又は記憶媒体を介して転送され格納される。
　　［実測波形に対するピーク検出処理］
　次に、ＬＣ装置１におけるピーク検出処理の動作について図４を参照しつつ説明する。
　ＬＣ測定部１０は目的試料についてＬＣ分析を実施する。データ解析部１１において、データ収集部１１０はＬＣ測定部１０で得られたクロマトグラムデータを取得しこれを一旦記憶する。ここでは、ＬＣ分析によって、図４（ａ）に示すクロマトグラム波形が得られたものとする。
　入力部１２からのピーク検出処理を実行する旨の指示がなされると、波形選択部１１１は、処理対象のクロマトグラムデータをデータ収集部１１０から受け取る。そして、波形選択部１１１は、所定の基準に従って波形拡大を行う対象の保持時間範囲を決定する。
　具体的には例えば、処理対象のクロマトグラムデータにおいて最小の信号強度と最大の信号強度との差を算出し、その差が所定の閾値以下である場合に、そのクロマトグラム全体（つまりは保持時間範囲全体）を波形拡大対象とすることができる。また、時間軸の方向に信号強度の変化が小さい位置（例えば図４（ａ）中の位置Ｕ）を境界としてクロマトグラムを時間軸方向に複数に分割し、その分割された波形毎に、上述したような基準に従って波形拡大対象の保持時間範囲であるか否か判定するようにしてもよい。
　波形選択部１１１において波形拡大を行う対象の保持時間範囲を判定するのは、ピークの信号強度が小さいために見逃しになる可能性がある保持時間範囲のみ波形を拡大し、ピークの信号強度が大きいために見逃しになる可能性がない保持時間範囲に対しては波形を拡大しないようにするためである。こうした目的に対応した波形形状の判定が可能でありさえすれば、その方法は上記記載のものに限らない。また、ピークの信号強度が大きい場合に波形を拡大することで、さらに信号強度が大きくなったとしても、実質的に問題が生じない場合には、波形選択部１１１を省いて、全ての保持時間範囲を波形拡大の対象としても構わない。
　図４（ａ）の例では、クロマトグラム波形全体が波形拡大対象であるものとする。次に、波形拡大部１１２は、図４（ｂ）に示すように、波形拡大対象であるとされた保持時間範囲に含まれる波形について、信号強度をＮ倍（ここではＮは１よりも大きい値）する（縦軸方向にＮ倍する）拡大処理を行う。元のクロマトグラム波形上に存在する二つのピーク（但し、この時点でこれらはピークとして検出されていない）Ｐ１、Ｐ２は、拡大されたクロマトグラム波形上ではそれぞれピークＰ１０、Ｐ２０に対応する。なお、Ｎの値は予め決められた値でもよいし、ユーザーが適宜選択できるようにしてもよい。
　ピーク検出部１１３は、上述のように信号強度が拡大されたクロマトグラム波形を、学習済みモデル記憶部１１４に格納されている学習済みモデルに入力することにより、ピークの始点及び終点を含むピーク情報を出力として受け取る。このピーク情報が、入力したクロマトグラム波形においてピーク識別器によって自動的に検出されたピークの情報である。図４（ｃ）は、図４（ｂ）に示したクロマトグラム波形に対して自動的に検出されたピーク始点及び終点の位置と、ペアとなるピーク始点及び終点を直線で繋いだ点線を示した図である。ここでは、二つのＰ１０、Ｐ２０が的確に検出されている。
　こうしてピーク検出が行われたあと、波形縮小部１１５は、波形拡大部１１２とは逆の処理を実行する。即ち、波形縮小部１１５は、波形拡大対象であるとされた保持時間範囲に含まれるクロマトグラム波形について、信号強度を１／Ｎ倍する（縦軸方向に１／Ｎにする）縮小処理を行う。これにより、図４（ｃ）に示すように拡大されたクロマトグラム波形におけるピーク検出結果であるピーク始点及び終点に対応する信号強度は、図４（ｄ）に示すように、クロマトグラム波形と共に減少する。その結果、図４（ａ）に示した元のクロマトグラム波形に対してピーク検出を実施した場合と実質的に同等の、ピーク検出結果が得られる。
　図５は、波形拡大を行わないクロマトグラム波形に対し、ピーク検出部１１３においてピークの自動検出を実施した場合の処理の説明図である。これは、従来のＬＣ装置におけるピーク検出処理に相当するものである。
　この場合、クロマトグラム波形上のピークＰ２の信号強度はピークＰ１に比べてかなり小さい。一般に、ディープラーニング等の機械学習では、モデル学習の際に、こうした信号強度が小さいピークをピークとして認識するように適切にラベル付けされた教師データが与えられていないと、生成された学習済みモデルは信号強度が小さなピークを認識する能力を有さない。そのため、図５（ｂ）に示すように、信号強度が大きいピークＰ１は検出されるものの、信号強度が小さいピークＰ２は検出漏れとなる。
　上述したように、教師データを用意する際には、起こり得るピーク波形の変形やばらつきなどを想定するものの、教師データの量が多くなるほど学習済みモデルを生成するためのコストや時間が増大するため、コストや時間の制約から教師データの量を制限する必要がある場合が多い。また、ＬＣ装置を使用するユーザーの要望は多様であるため、学習済みモデルの生成時には想定していなかったような、小さな信号強度のピークも検出したいという要望を持つユーザーが存在する場合もある。後者の場合、新たな教師データを加えて学習済みモデルを生成し直すことで対応は可能であるものの、そのための作業はかなり膨大となりコスト負担が大きい。
　これに対し、本実施形態のＬＣ装置１では、学習済みモデルを変更することなく、つまり信号強度が小さなピークを認識する能力を有さない既存の学習済みモデルを使用しながら、これまでは検出漏れとなっていたような信号強度が小さなピークを検出することができる。データ解析部１１において、波形選択部１１１、波形拡大部１１２、及び波形縮小部１１５の機能を追加する、具体的には、そうした機能を実現するためのプログラムを追加することは、新たな教師データを用いて学習済みモデルを構築し直す場合に比べて格段に容易でありコストも時間も要さない。このように、本実施形態のＬＣ装置１によれば、コストや時間を節約しながら、ピーク検出の精度を向上させることができる。
　データ解析部１１において定性・定量解析部１１６は、ピーク検出部１１３から与えられたピーク情報に基いて、各ピークに対応する成分（化合物）を同定する。或いは、ピーク高さ値やピーク面積値を計算し、その値から各成分の濃度又は含有量である定量値を算出する。結果表示処理部１１７は、各成分の同定結果や定量結果を受けて、それらを所定の形式で表示部１３に表示する。また、結果表示処理部１１７は、図４（ｄ）に示したようなピーク検出結果を含むクロマトグラム波形を表示部１３に表示するようにしてもよい。
　　［変形例］
　上記実施形態のＬＣ装置１では、波形拡大部１１２及び波形縮小部１１５は、クロマトグラム波形を信号強度軸方向にのみ拡大・縮小していたが、時間軸方向にもクロマトグラム波形を拡大・縮小するようにしてもよい。クロマトグラム波形を信号強度軸方向にのみ拡大すると、ピーク形状が縦長になる。即ち、ピーク半値幅／ピーク高さの値が小さくなる。モデル学習時における教師データを用いた学習のさせ方によっては、ピーク半値幅／ピーク高さの値が小さくなるように変形したピークを適切に検出できない場合があり得る。そこで、使用する学習済みモデルの特性によっては、クロマトグラム波形を信号強度軸方向に拡大・縮小するとともに、該波形を時間軸方向にも拡大・縮小するようにするとよい。
　その場合、信号強度軸方向の拡大の倍率と時間軸方向の拡大の倍率とは必ずしも同じでなくてもよい。即ち、ピーク検出前にクロマトグラム波形を信号強度軸方向にＮ倍、時間軸方向にＭ倍（但し、Ｍは１よりも大きい値でＮ＝Ｍでもよい）に拡大し、ピーク検出後にはクロマトグラム波形を信号強度軸方向に１／Ｎ倍、時間軸方向に１／Ｍ倍に縮小すればよい。
　また、波形拡大部１１２及び波形縮小部１１５は、クロマトグラム波形を信号強度軸方向には拡大・縮小せず、時間軸方向にのみクロマトグラム波形を拡大・縮小するようにしてもよい。これは、例えば実際のＬＣ分析における移動相の速度が速い等、ＬＣ分離条件が想定した状態と異なるために、クロマトグラム波形が時間軸方向に圧縮されてしまうような状況において有用である。
　また、上記実施形態のＬＣ装置１では、ピーク検出前にクロマトグラム波形を拡大し、ピーク検出後にクロマトグラム波形を縮小していたが、使用する学習済みモデルの特性によっては、ピーク検出前にクロマトグラム波形を縮小し、ピーク検出後にクロマトグラム波形を拡大して元に戻すようにしてもよい。これは、上記説明とは逆に、モデル学習時に想定したピークの信号強度のばらつきの範囲よりも、実際に処理したい波形におけるピークの信号強度が過大である状況において有用である。また、実際のＬＣ分析における移動相の速度が遅い等、ＬＣ分離条件が想定した状態と異なるために、クロマトグラム波形が時間軸方向に伸長されてしまうような状況において有用である。
　また、上記実施形態のＬＣ装置１では、クロマトグラム波形に対する１回のピーク検出処理によって複数のピークを検出するようにしていたが、次のように複数回のピーク検出処理を繰り返し行うことで信号強度が大きく異なるピークをできるだけ漏れなく検出するようにすることもできる。
　即ち、例えば図４（ａ）に示すような処理対象のクロマトグラム波形に対し、１回目のピーク検出処理は波形拡大・縮小を行うことなく、従来と同様にピーク検出を行う。その場合、図５を用いて説明したように、ピークＰ１は検出されるもののピークＰ２は検出漏れとなる可能性がある。次に、１回目のピーク検出処理で検出されたピークを除去し（例えば図５（ｂ）中のピークＰ１の始点と終点の間は直線で結ぶ）、そのあと２回目のピーク検出処理として上述したような波形拡大・縮小を伴うピーク検出を実施する。この場合、図４（ｂ）中のピークＰ１０は存在しないので、残ったピークＰ２０のみを検出することになる。このとき、ピークＰ２０は信号強度が大きいので漏れなく検出される。このようにして、複数回のピーク検出処理においてそれぞれ検出されたピーク情報を集約することで、最終的なピーク検出結果を作成すれば、漏れの少ないピーク検出が可能である。
　当然のことながら、拡大・縮小の倍率をさらに多段階に変えることで、また、信号強度軸方向と時間軸方向とでそれぞれ異なる倍率の拡大・縮小を行うことで、３回以上のピーク検出処理の繰り返しを行うようにすることもできる。
　また、上記実施形態はＬＣ装置であるが、本発明はＬＣ装置でなくＧＣ装置にも適用可能であるし、さらには、それら以外の様々な分析装置に適用することができる。
　例えば、質量分析装置で得られるマススペクトル、吸光分光光度計や蛍光分光光度計などの各種の分光分析装置で得られる光学的なスペクトル、イオン移動度分析装置で得られるイオン移動度スペクトル、Ｘ線分析装置で得られるＸ線スペクトルなどのスペクトル波形上でピーク検出を行う場合においても、本発明を適用できることは明らかである。
　さらにまた、上記実施形態や変形例に限らず、本発明の趣旨の範囲で適宜変形、修正、追加を行っても本願特許請求の範囲に包含されることは明らかである。
　　［種々の態様］
　上述した例示的な実施形態及び変形例は、以下の態様の具体例であることが当業者により理解される。
　（第１項）本発明に係る分析装置の一態様は、
　分析により得られた、所定のパラメーターの値の変化に応じた信号強度の変化を示す目的の信号波形を、信号強度軸の方向にＮ倍（但し、Ｎは０及び１以外の正値）に拡大又は縮小する、及び／又は、前記所定のパラメーター軸の方向にＭ倍（但し、Ｍは０及び１以外の正値でＮと同値でもよい）に拡大又は縮小する波形変形部と、
　信号波形並びに正解であるピークの始点及び終点を教師データとして機械学習することにより予め生成された学習済みモデルを用い、前記波形変形部による変形後の信号波形を入力とし、ピークの始点及び終点を検出結果として出力するピーク検出部と、
　前記ピーク検出部の出力であるピークの始点及び終点の情報を前記波形変形部による変形時とは逆の倍率で縮小又は拡大し、前記目的の信号波形についてのピーク検出結果を求める波形逆変形部と、
　を備えるものである。
　（第６項）本発明に係る分析装置用波形処理プログラムの一態様は、分析により得られた、所定のパラメーターの値の変化に応じた信号強度の変化を示す目的の信号波形を、コンピューター上で処理するためのプログラムであって、該コンピューターに、
　前記目的の信号波形を、信号強度軸の方向にＮ倍（但し、Ｎは０及び１以外の正値）に拡大又は縮小する、及び／又は、前記所定のパラメーター軸の方向にＭ倍（但し、Ｍは０及び１以外の正値でＮと同値でもよい）に拡大又は縮小する波形変形ステップと、
　信号波形並びに正解であるピークの始点及び終点を教師データとして機械学習することにより予め生成された学習済みモデルを用い、前記波形変形ステップにおける変形後の信号波形を入力とし、ピークの始点及び終点を検出結果として出力するピーク検出ステップと、
　前記ピーク検出ステップによる出力であるピークの始点及び終点の情報を前記波形変形ステップにおける変形時とは逆の倍率で縮小又は拡大し、前記目的の信号波形についてのピーク検出結果を求める波形逆変形ステップと、
　を実行させるものである。
　第１項に記載の分析装置、及び第６項に記載の分析装置用波形処理プログラムによれば、既存の学習済みモデルを用いながら、例えばクロマトグラム波形等の信号波形においてピークの信号強度が低いために従来は検出見逃しとなる可能性があったピーク波形を良好に検出することができる。これにより、学習済みモデルを生成し直すことなく、ピークの検出精度を向上させることができる。
　（第２項）第１項に記載の分析装置において、前記所定のパラメーターは時間であり、前記信号波形はクロマトグラム波形であるものとすることができる。
　特にＬＣ装置で得られるクロマトグラム波形では、ベースラインのドリフトや、複数の成分の分離が不完全であることによる複数のピークの重なりなどが生じ易く、そのために特定の一つのアルゴリズムを用いて全てのピークを検出することが難しく、パラメーターの調整や設定も面倒になりがちである。これに対し、第２項に記載の分析装置によれば、面倒なパラメーターの調整や設定を簡略化しつつ、高い精度で以てピークを検出することができる。
　（第３項）第１項又は第２項に記載の分析装置において、前記機械学習はディープラーニングであるものとすることができる。
　機械学習には様々な手法があるが、その中でディープラーニングは特に、モデル学習時に教師データに含まれないような特徴を持つデータに対する性能が十分に得られにくい傾向がある。これに対し、第３項に記載の分析装置によれば、既存の学習済みモデルを使用しながら、高い精度で以てピークを検出することができる。
　（第４項）第１項～第３項のいずれか１項に記載の分析装置において、前記ピーク情報はピークの始点及び終点を含むものとすることができる。
　第４項に記載の分析装置によれば、ピークの始点と終点とを確定することで、ピークの面積値を正確に算出することができ、高い精度での定量分析が行える。
　（第５項）第１項～第４項のいずれか１項に記載の分析装置において、前記目的の信号波形における信号強度レベルの変動の大きさを判定する判定部、をさらに備え、前記波形変形部は、前記判定部により信号強度レベルの変動が規定値よりも小さい又は大きいと判定されたパラメーター値の範囲について信号波形を拡大又は縮小する処理を行うものとすることができる。
　第５項に記載の分析装置では、分析により取得された、全てのパタメーター値範囲に対応する信号波形ではなく、例えば信号強度が特に小さい又は特に大きいような部分的な信号波形についてのみ拡大又は縮小の処理を実施することができる。それにより、ピークの信号強度の範囲を絞ることができ、信号強度に関しての変動の許容幅が比較的狭いような学習済みモデルを用いた場合であっても、精度良くピーク検出を行うことができる。
１…ＬＣ装置
　１０…ＬＣ測定部
　１１…データ解析部
　　１１０…データ収集部
　　１１１…波形選択部
　　１１２…波形拡大部
　　１１３…ピーク検出部
　　１１４…学習済みモデル記憶部
　　１１５…波形縮小部
　　１１６…定性・定量解析部
　　１１７…結果表示処理部
　１２…入力部
　１３…表示部
２…モデル生成装置
　２０…教師データ入力部
　２１…学習実行部
　２２…モデル構築部

Claims (6)

  1. 　分析により得られた、所定のパラメーターの値の変化に応じた信号強度の変化を示す目的の信号波形を、信号強度軸の方向にＮ倍（但し、Ｎは０及び１以外の正値）に拡大又は縮小する、及び／又は、前記所定のパラメーター軸の方向にＭ倍（但し、Ｍは０及び１以外の正値でＮと同値でもよい）に拡大又は縮小する波形変形部と、
    　信号波形並びに正解であるピークの始点及び終点を教師データとして機械学習することにより予め生成された学習済みモデルを用い、前記波形変形部による変形後の信号波形を入力とし、ピークの始点及び終点を検出結果として出力するピーク検出部と、
    　前記ピーク検出部の出力であるピークの始点及び終点の情報を前記波形変形部による変形時とは逆に、信号強度軸の方向に１／Ｎ倍に縮小又は拡大し、及び／又は、前記所定のパラメーター軸の方向に１／Ｍ倍に縮小又は拡大し、前記目的の信号波形についてのピーク検出結果を求める波形逆変形部と、
    　を備える分析装置。
  2. 　前記所定のパラメーターは時間であり、前記信号波形はクロマトグラム波形である、請求項１に記載の分析装置。
  3. 　前記機械学習はディープラーニングである、請求項１に記載の分析装置。
  4. 　前記ピーク情報はピークの始点及び終点を含む、請求項１に記載の分析装置。
  5. 　前記目的の信号波形における信号強度レベルの変動の大きさを判定する判定部、をさらに備え、前記波形変形部は、前記判定部により信号強度レベルの変動が規定値よりも小さい又は大きいと判定されたパラメーター値の範囲について信号波形を拡大又は縮小する処理を行う、請求項１に記載の分析装置。
  6. 　所定のパラメーターの値の変化に応じた信号強度の変化を示す目的の信号波形を、コンピューター上で処理するためのプログラムであって、該コンピューターに、
    　前記目的の信号波形を、信号強度軸の方向にＮ倍（但し、Ｎは０及び１以外の正値）に拡大又は縮小する、及び／又は、前記所定のパラメーター軸の方向にＭ倍（但し、Ｍは０及び１以外の正値でＮと同値でもよい）に拡大又は縮小する波形変形ステップと、
    　信号波形並びに正解であるピークの始点及び終点を教師データとして機械学習することにより予め生成された学習済みモデルを用い、前記波形変形ステップにおける変形後の信号波形を入力とし、ピークの始点及び終点を検出結果として出力するピーク検出ステップと、
    　前記ピーク検出ステップによる出力であるピークの始点及び終点の情報を前記波形変形ステップにおける変形時とは逆の倍率で縮小又は拡大し、前記目的の信号波形についてのピーク検出結果を求める波形逆変形ステップと、
    　を実行させる分析装置用波形処理プログラム。
PCT/JP2021/017153 2021-04-30 2021-04-30 分析装置及び分析装置用波形処理プログラム WO2022230162A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP21939321.2A EP4332567A1 (en) 2021-04-30 2021-04-30 Analysis device and waveform processing program for analysis device
PCT/JP2021/017153 WO2022230162A1 (ja) 2021-04-30 2021-04-30 分析装置及び分析装置用波形処理プログラム
JP2023516990A JPWO2022230162A1 (ja) 2021-04-30 2021-04-30
CN202180097598.9A CN117242345A (zh) 2021-04-30 2021-04-30 分析装置及分析装置用波形处理程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/017153 WO2022230162A1 (ja) 2021-04-30 2021-04-30 分析装置及び分析装置用波形処理プログラム

Publications (1)

Publication Number Publication Date
WO2022230162A1 true WO2022230162A1 (ja) 2022-11-03

Family

ID=83848158

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/017153 WO2022230162A1 (ja) 2021-04-30 2021-04-30 分析装置及び分析装置用波形処理プログラム

Country Status (4)

Country Link
EP (1) EP4332567A1 (ja)
JP (1) JPWO2022230162A1 (ja)
CN (1) CN117242345A (ja)
WO (1) WO2022230162A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0694696A (ja) * 1992-09-17 1994-04-08 Hitachi Ltd クロマトグラム解析方法及びクロマトグラフ装置
JP2001165923A (ja) * 1999-12-06 2001-06-22 Shimadzu Corp 分析装置
JP2010032277A (ja) * 2008-07-28 2010-02-12 Shimadzu Corp 機器分析データ処理装置
WO2019092836A1 (ja) * 2017-11-09 2019-05-16 富士通株式会社 波形解析装置
JP2019086473A (ja) * 2017-11-09 2019-06-06 富士通株式会社 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置
JP2019086475A (ja) * 2017-11-09 2019-06-06 富士通株式会社 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0694696A (ja) * 1992-09-17 1994-04-08 Hitachi Ltd クロマトグラム解析方法及びクロマトグラフ装置
JP2001165923A (ja) * 1999-12-06 2001-06-22 Shimadzu Corp 分析装置
JP2010032277A (ja) * 2008-07-28 2010-02-12 Shimadzu Corp 機器分析データ処理装置
WO2019092836A1 (ja) * 2017-11-09 2019-05-16 富士通株式会社 波形解析装置
JP2019086473A (ja) * 2017-11-09 2019-06-06 富士通株式会社 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置
JP2019086475A (ja) * 2017-11-09 2019-06-06 富士通株式会社 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Waveform Processing Options Software for PeakintelligenceTM Ver.2 LabSolutions Insight", 7 April 2021, SHIMADZU CORPORATION

Also Published As

Publication number Publication date
JPWO2022230162A1 (ja) 2022-11-03
EP4332567A1 (en) 2024-03-06
CN117242345A (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
US11302039B2 (en) Waveform analyzer
JP6872034B2 (ja) 波形解析装置
JPWO2018025361A1 (ja) 分析データ処理方法及び分析データ処理装置
WO2022230162A1 (ja) 分析装置及び分析装置用波形処理プログラム
TWI493168B (zh) 分析質譜的方法、電腦程式及系統
JP2011257206A (ja) ピーク検出方法及び装置
JP7108136B2 (ja) 分析装置
US20170364731A1 (en) Adaptive signal detection and synthesis on trace data
JP2008232654A (ja) 機器分析用制御装置及び制御プログラム
WO2021261202A1 (ja) データ生成方法及び装置、並びに、識別器の生成方法及び装置
JP7334788B2 (ja) 波形解析方法及び波形解析装置
JP2910290B2 (ja) クロマトグラフ用データ処理装置
US20230280316A1 (en) Learning data producing method, waveform analysis device, waveform analysis method, and recording medium
US20230280318A1 (en) Learning data producing method, waveform analysis device, waveform analysis method, and recording medium
JP2008002895A (ja) クロマトグラフ質量分析用データ処理装置
JP7371906B2 (ja) ガス分析システムおよびプログラム
WO2017208304A1 (ja) ピーク検出方法及びデータ処理装置
US20230204548A1 (en) Peak tracking device, peak tracking method and peak tracking program
WO2021210228A1 (ja) 波形情報推定方法及び装置、並びに、ピーク波形処理方法及び装置
US20230243789A1 (en) Analysis device and analysis method
JPWO2022230162A5 (ja)
AU2022231184A1 (en) Methods and systems for raman spectra-based identification of chemical compounds
CN113971264A (zh) 循环测试工况数据处理方法、装置、设备及存储介质
JP2006172167A (ja) 解析装置及びプログラム

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: 21939321

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023516990

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18288350

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202180097598.9

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2021939321

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2021939321

Country of ref document: EP

Effective date: 20231130

NENP Non-entry into the national phase

Ref country code: DE