JP2023128342A - 学習用データの作成方法、波形解析装置、波形解析方法、およびコンピュータプログラム - Google Patents

Abstract

【課題】機械学習を用いたピークピッキングの精度を向上するための技術を提供する。【解決手段】解析装置は、推定モデルの学習処理のための学習用データを作成する。より具体的には、解析装置は、所与の種類の装置の複数の参照波形を取得する（ステップＳＰ１）。また、解析装置は、複数の参照波形のそれぞれに対して、所与の種類の装置に対応した基準に従って、ピークに関する情報を特定する（ステップＳＰ３）。そして、解析装置は、複数の参照波形のそれぞれに対して、特定されたピークに関する情報を付与する（ステップＳＰ４）。【選択図】図８

Description

本開示は、クロマトグラムおよびスペクトルの波形の解析のための、学習用データの作成方法、波形解析装置、波形解析方法、およびコンピュータプログラムに関する。

従来より、試料に含まれる成分を同定または定量するためにクロマトグラフが用いられている。クロマトグラフでは、試料中の成分をカラムで分離し、カラムから流出する成分を順に検出する。その後、横軸が時間を表し、縦軸が検出強度を表す、クロマトグラムを作成する。

クロマトグラムからピークの高さおよび面積を求めるためには、クロマトグラムのベースラインから立ち上がるピーク開始点および終了点を特定する必要がある。クロマトグラムのピーク開始点および終了点を特定する作業は、ピークピッキングと呼ばれる。ピーク開始点および終了点が特定されることによって、ピークの高さおよび面積が定まる。ピークの高さおよび面積から、ピークに対応する化合物の濃度などを計算することができる。

近年、機械学習を用いてピークピッキングを自動化する試みが進められている。機械学習の中でもディープラーニングを用いたピークピッキングの手法として、物体検知の技術を利用する手法と、セマンティックセグメンテーションの技術を利用する手法とが知られている（特許文献１、非特許文献１、非特許文献２、および非特許文献３）。

特に、特許文献１には、ピークピッキングの問題を画像認識分野の物体検知として定式化することで、ＳＳＤ（Single Shot Multibox Detector）を用いたピークピッキング結果の確信度を表示する手法が開示されている。ＳＳＤは、ピークピッキングの結果と、その結果に対する確信度とを併せて出力する。非特許文献２には、ピークピッキングの問題をセマンティックセグメンテーションの問題として定式化することによってピークピッキングを実現する手法が開示されている。非特許文献３には、ニューラルネットワークを用いたピークピッキングの手法が開示されている。

国際公開第２０２０／２２５８６４号

「AIで開発したアルゴリズムによるデータ解析支援」、［online］、［2021年9月6日検索］、株式会社島津製作所、インターネット＜URL：https://www.shimadzu.co.jp/news/press/jmsxjkglv6g0snf.html＞ Kanazawa S、ほか10名、Fake metabolomics chromatogram generation for facilitating deep learning of peak-picking neural networks. J Biosci Bioeng. 2021 Feb;131(2):207-212. doi: 10.1016/j.jbiosc.、２０２０年９月１３日、Epub 2020 Oct 10. PMID: 33051155. Olaf Ronneberger、ほか2名、「U-Net: Convolutional Networks for Biomedical Image Segmentation」、［online］、（２０１５年５月１８日提出）arXiv.org、インターネット＜URL: https://arxiv.org/pdf/1505.04597.pdf＞

上述のような機械学習を用いたピークピッキングにおいて、その精度の向上が常に求められている。

本開示の目的は、機械学習を用いたピークピッキングの精度を向上するための技術を提供することである。

本開示のある局面に従う学習用データの作成方法は、所与の種類の装置の複数の参照波形に基づいて対象波形におけるピークに関する情報を出力するようにコンピュータを機能させる、推定モデルを作成するための学習用データを作成する方法であって、複数の参照波形を取得するステップと、複数の参照波形のそれぞれに対して、所与の種類の装置に対応した基準に従って、ピークに関する情報を特定するステップと、複数の参照波形のそれぞれに対して、特定されたピークに関する情報を付与するステップと、を備える。

本開示の他の局面に従う波形解析装置は、所与の種類の装置の対象波形を取得する波形取得部と、学習済の推定モデルに対して対象波形を入力し、対象波形におけるピークに関する情報を取得するピーク情報取得部と、を備え、推定モデルは、対象波形が入力された際に対象波形におけるピークに関する情報を出力するように、所与の種類の装置の複数の参照波形のそれぞれが所与の種類の装置に対応した基準に従って特定されたピークに関する情報を付与されることによって作成された学習用データを用いて学習処理を施されている。

本開示のさらに他の局面に従う波形解析方法は、所与の種類の装置の対象波形を取得するステップと、学習済の推定モデルに対して対象波形を入力し、対象波形におけるピークに関する情報を取得するステップと、を備え、推定モデルは、対象波形が入力された際に対象波形におけるピークに関する情報を出力するように、所与の種類の装置の複数の参照波形のそれぞれが所与の種類の装置に対応した基準に従って特定されたピークに関する情報を付与されることによって作成された学習用データを用いて学習処理を施されている。

本開示のさらに他の局面に従うコンピュータプログラムは、コンピュータの１以上のプロセッサによって実行されることにより、当該コンピュータに上述の波形解析方法を実施させる。

本開示によれば、機械学習を用いたピークピッキングの精度を向上するための技術が提供される。

解析装置１の全体構成を示すブロック図である。 クロマトグラムの一例を示す図である。 クロマトグラムの他の例を示す図である。 学習済みモデルを作成する手順を説明するためのブロック図である。 クロマトグラムの他の例を示す図である。 図５のクロマトグラム４００に対してユーザが選出したピーク領域の候補を模式的に示す図である。 学習用データのデータ構成の具体例を模式的に示す図である。 学習用データを作成する手順を説明するためのフローチャートである。 学習済みモデルを作成する手順を説明するためのフローチャートである。 学習済みモデル（学習済みの推定モデル３００）を用いてクロマトグラムデータを判定する手順を説明するためのフローチャートである。 学習済みモデルの判定結果の一例を示す図である。 判定結果に基づいてラベル付け処理が行われたグラフの一例を示す図である。 判定結果を表示する画像１２０の一例を示す図である。

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰り返さない。

［解析装置の構成］
図１は、解析装置１の全体構成を示すブロック図である。解析装置１は、制御部として機能するプロセッサ１０と、記憶部として機能するメモリ２０と、入出力ポート３０とを備える。入出力ポート３０には、マウス４０、キーボード５０、および表示装置６０が接続される。入出力ポート３０には、質量分析計などを接続してもよい。入出力ポート３０には、インターネットあるいは構内ネットワークなどを通じて１または複数の端末装置を接続してもよい。

解析装置１は、たとえば、パーソナルコンピュータをベースとして構成される。解析装置１は、インターネットなどのネットワークを通じて１または複数の端末装置からアクセスすることが可能なサーバによって構成されてもよい。

入出力ポート３０には、測定データ（クロマトグラムデータ）が入力される。測定データは、解析対象として利用される場合もあれば、推定モデルの学習用データの作成に利用される場合もある。測定データは、入出力ポート３０に接続された質量分析計を通じて、解析装置１に入力されてもよい。質量分析計、質量分析計に接続されるガスクロマトグラフ、および解析装置１によって、ガスクロマトグラフ質量分析システムが構成されてもよい。

メモリ２０には、学習用データ２１０と、測定データ２１３と、機械学習に用いられる推定モデル３００と、解析処理および機械学習の処理を実行するための解析用プログラム２００とが少なくとも格納される。測定データ２１３は、入出力ポート３０に入力され得る。

学習用データ２１０は、複数の学習用サンプルを含む。複数の学習用サンプルは、訓練用データ２１１および検証用データ２１２に分類される。一実現例では、複数の学習用サンプルのうち、８０％が訓練用データ２１１に分類され、２０％が検証用データ２１２に分類される。すなわち、この例では、１４２５０個の学習用サンプル（１セットが４７５個のクロマトグラムより構成されるサンプルセットを３０セット分）が準備された場合、１１４００個の学習用サンプルが訓練用データ２１１に分類され、２８５０個の学習用サンプルが検証用データ２１２に分類される。ただし、訓練用データ２１１と検証用データ２１２の割合は、これに限定されず、適宜設定され得る。

訓練用データ２１１および検証用データ２１２は、各種の成分を含有する試料をクロマトグラフ質量分析装置で測定することにより得られたクロマトグラムの波形のデータを含む。クロマトグラムは、たとえば、ガスクロマトグラフで分離された成分を質量分析計でＭＳスキャン測定し、検出した全ての質量電荷比のイオンの合計強度の時間変化を表すトータルイオンクロマトグラムである。クロマトグラムは、ＳＩＭ測定またはＭＲＭ測定し、特定の質量電荷比のイオンの強度の時間変化を表すマスクロマトグラムであってもよい。

訓練用データ２１１および検証用データ２１２は、正解データとして、ピークに関する情報を含む。ピークに関する情報は、ピークピッキングにより特定される。ピークピッキングは、訓練用データ２１１および検証用データ２１２のそれぞれに含まれるクロマトグラムに対して実施される。ピークに関する情報は、ピークの位置の情報（ピーク開始点の位置、ピークトップの位置、および／または、ピーク終了点の位置）を含んでいてもよい。

訓練用データ２１１および検証用データ２１２のそれぞれに含まれる波形のデータ（クロマトグラム）は、強度値の所定の範囲内（たとえば±１．０）となるように予め規格化されている。規格化により強度スケールが異なる複数のクロマトグラムを共通の強度スケールに統一しておくことで、学習済みモデルの精度を高めることができる。

訓練用データ２１１および検証用データ２１２のそれぞれに含まれるクロマトグラムは、実際の試料の測定により得られたクロマトグラムであってもよいし、シミュレーション（たとえば、非特許文献２参照）により作成されたクロマトグラムであってもよい。

クロマトグラムの波形は、時間軸方向に所定数の部分波形に分割されている。所定数は、たとえば５１２または１０２４などであり、各部分波形の幅（時間軸方向の長さ）が少なくともピーク幅よりも小さくなるように設定される。所定数は、たとえば、ピーク幅の大きさと１つのピークを構成するために必要なデータ点数とに基づいて定められる。

各部分波形データには、部分波形のピークに関する情報（特性情報）が対応付けられている。部分波形に対応付けられる特性情報には、少なくとも、当該部分波形がピーク領域に属するものであるか非ピーク領域に属するものであるかを示す情報が含まれている。

解析用プログラム２００により、分割部２０１、モデル作成部２０２、判定部２０３、計算部２０４、画像処理部２０５、および出力部２０６が構成される。

分割部２０１は、クロマトグラムの波形を予め決められた数の部分波形に分割する。モデル作成部２０２は、学習用データ２１０を用いて、推定モデル３００の機械学習を進め、学習済みの推定モデル３００を作成する。

判定部２０３は、学習済みの推定モデル３００を用いて、クロマトグラムのピークピッキングを行う。以下、学習済みの推定モデル３００を「学習済みモデル」と称する場合がある。

計算部２０４は、判定部２０３の判定結果の確信度を計算する。画像処理部２０５は、判定結果および確信度を含む画像データを作成する。出力部２０６は、画像データを含む表示信号を入出力ポート３０から表示装置６０へ出力する。なお、解析装置１が表示装置６０を備えていてもよい。

［クロマトグラムの一例］
図２は、クロマトグラムの一例を示す図である。ここでは、クロマトグラムから特定される各部の名称を簡単に説明する。クロマトグラムは、ベースラインの部分と、ピーク領域とに分類することができる。ベースラインからの立ち上がり部分は、ピーク開始点およびピーク終了点と称される。ピーク開始点とピーク終了点との間の領域は、ピーク領域と称される。ピーク領域のうち、検出強度が非常に強い部分（最も強い部分）は、ピークトップと称される。

一実現例では、ピーク領域は、単体ピークと未分離ピークとに分けられる。図２には、単体ピークが示される。図３は、クロマトグラムの他の例を示す図である。図３の波形３０では、領域３１，３２として示されるように、ピークトップを頂上とする山状波形が２つ連なっている。これらの２つの山状波形の間の谷に該当する部分の検出強度は、ベースラインに対応する強度まで落ちていない。領域３１を含む山状波形および領域３２を含む山状波形は、いずれも未分離ピークと称される。

［学習済みモデルの作成］
次に、学習済みモデルを作成する手順について説明する。図４は、学習済みモデルを作成する手順を説明するためのブロック図である。

図４に示されるように、解析装置１のモデル作成部２０２は、学習装置として機能する。モデル作成部２０２は、学習用データ２１０に基づいて、推定モデル３００を学習させる。推定モデル３００は、ニューラルネットワークを用いることで、ディープラーニングを行う。推定モデル３００は、ニューラルネットワークによる計算に用いられる重み付け係数などのパラメータを含む。

推定モデル３００を学習させるため、たとえば、教師あり学習のアルゴリズムが用いられる。モデル作成部２０２は、学習用データ２１０を用いた教師あり学習によって、推定モデル３００を学習させる。

推定モデル３００の学習には、セマンティックセグメンテーション（Semantic Segmentation）の技術が用いられる。セマンティックセグメンテーションは、一般に、二次元的に分布する画素データで構成された画像を解析するために用いられる。本実施の形態では、時間軸に沿って一次元的に並ぶデータで構成されるクロマトグラムの波形の解析にセマンティックセグメンテーションを適用する。セマンティックセグメンテーションを実行可能な推定モデルとして、たとえば、Ｕ－Ｎｅｔ、ＳｅＧＮｅｔ、ＰＳＰＮｅｔなどを用いることができる。本実施の形態では、Ｕ－Ｎｅｔを用いる。

図４に示されるように、学習用データ２１０は、クロマトグラムデータと正解データとを含む。より具体的には、学習用データ２１０は学習用サンプルのセットであり、各学習用サンプルはクロマトグラムデータと正解データとを含む。さらに具体的には、本実施形態では、各学習用サンプルは、クロマトグラムデータの部分波形ごとに作成された正解データを含む。

モデル作成部２０２には、クロマトグラムの部分波形と、それに対応する正解データとが入力される。正解データは、たとえば、既に特定されたピークピッキングの結果である。ピークピッキングの結果にピークトップを含めてもよい。

本実施形態では、正解データは、推定モデル３００が解析対象とするクロマトグラムの装置の種類に対応した基準に従って作成される。正解データの作成については、図５および図６を参照して後述される。

モデル作成部２０２は、推定モデル３００に学習用データ２１０の中のクロマトグラムを適用することにより当該クロマトグラムに対するピークピッキングの結果を導出し、導出された結果と正解データとに基づいて推定モデル３００を学習させる。具体的には、モデル作成部２０２は、推定モデル３００によって導出された結果が正解データに近づくように推定モデル３００内のパラメータを調整することにより、推定モデル３００を学習させる。

［正解データの作成］
図５および図６を参照して、正解データの作成について説明する。図５は、クロマトグラムの他の例を示す図である。図５のクロマトグラム４００において、縦軸は検出強度を表し、横軸は保持時間を表し、波形４１は保持時間に対する検出強度の変化を表す。図６は、図５のクロマトグラム４００に対してユーザが選出したピーク領域の候補を模式的に示す図である。図６では、領域Ｃ１～Ｃ１２が付記されている。領域Ｃ１～Ｃ１２のそれぞれは、本実施形態において波形４１に対してユーザにより選択された１２個のピーク領域の候補のそれぞれの少なくとも一部を指し示す。本明細書では、「ピーク領域」を単に「ピーク」と称する場合があり、また、「ピーク領域の候補」を単に「ピークの候補」と称する場合もある。

本実施形態では、上述の通り、正解データは、推定モデル３００が解析対象とするクロマトグラムの装置の種類に対応した基準に従って作成される。

たとえば、推定モデル３００が、解析対象とするクロマトグラムの装置の種類がガスクロマトグラフである場合、正解データは、ガスクロマトグラフに対応した基準に従って作成される。すなわち、推定モデル３００が、ガスクロマトグラフによる分析結果として得られたクロマトグラムに対するピークに関する情報の推定に利用される場合、学習用データ２１０（訓練用データ２１１および検証用データ２１２）に含まれる複数のクロマトグラムのそれぞれに付加される正解データは、ガスクロマトグラフに対応した基準に従って作成される。

ガスクロマトグラフに対応した基準の一例は、ピークピッキングにおいてピークとして特定するためのＳ／Ｎ比の閾値をより小さい値とすることである。より具体的には、主ピークの前後の小さいピークに対して、ピークとして特定するためのＳ／Ｎ比の閾値をより小さい値とすることである。Ｓ／Ｎ比は、ガスクロマトグラムに対して設定されたノイズの強度に対するピークトップの強度である。

一実現例では、解析対象が一般的なクロマトグラフ（たとえば、液体クロマトグラフ）のクロマトグラムである場合には、ピークとして特定するためのＳ／Ｎ比が「１０以上」とされるところ、解析対象がガスクロマトグラフのクロマトグラムである場合には、ピークとして特定するためのＳ／Ｎ比が「５以上」とされてもよい。さらにＳ／Ｎ比が「１０以上」の主ピークと隣接し、分離度が一定値以下の範囲のピークについてはＳ／Ｎ比が「１０より小さい値以上（例えば５以上）」としてもよい。ガスクロマトグラフでは測定対象の試料が誘導体化される。これにより、ガスクロマトグラフのクロマトグラムでは、主ピークの前後に小さなピークが生じる場合が多い。上記のようにＳ／Ｎ比の閾値が調整されることにより、ガスクロマトグラフのクロマトグラムにおいて生じることが想定される、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得る。ピークの候補がピークとして特定されることにより、当該候補のピークに関する情報が正解データとして作成される。ピークの候補がピークとして特定されなければ、当該候補のピークに関する情報は正解データには含まれない。

ガスクロマトグラフのクロマトグラムとは、ガスクロマトグラフによって測定されたクロマトグラムであってもよいし、ガスクロマトグラフの測定結果としてシミュレーションにより作成されたクロマトグラムであってもよい。

「主ピークの前後の小さいピーク」は、たとえば、ピークピッキングにおいて特定された他のピークと隣接しており、当該他のピークとの間で分離度が所与の値を有するピークとして定義される。ここで、「他のピーク」は、「主ピーク」である。「主ピーク」は、一般的なクロマトグラフのクロマトグラムに対するピークピッキングでピークとして特定されるＳ／Ｎ比を有することが想定される。分離度とは、あるピークが隣接する他のピークからどの程度分離しているかを示す指標である（「分離度のはなし＿その１」、株式会社島津製作所、２０２２年１月１２日検索、[online]、<URL:https://www.an.shimadzu.co.jp/hplc/support/lib/lctalk/81/81intro.htm>）。一例では、あるピークに対して隣接する主ピークとの分離度として算出された値が１．５以下である場合に、当該ピークが「主ピークの前後の小さいピーク」として特定される。ただし、ここで利用された分離度の値（１．５）は、単なる一例であり、本開示に係る技術が適用される状況に応じて適宜変更され得る。

「主ピークの前後の小さいピーク」について、より具体的に説明する。たとえば、図６の例において、領域Ｃ４内のピークは、そのＳ／Ｎ比が１０以上であるため「主ピーク」として選択されるが、領域Ｃ５内のピークは、そのＳ／Ｎ比が１０未満であるため「主ピーク」としては選択されない場合を想定する。この場合、領域Ｃ４内のピークと領域Ｃ５内のピークとの分離度が算出される。そして、この分離度が１．５未満であるとき、領域Ｃ５内のピークは、そのＳ／Ｎ比が５以上であれば、ピークピッキングにおいてピークとして特定される。

ガスクロマトグラフに対応した基準の他の例は、主ピークの前後の小さいピークの検出強度が、主ピークの検出強度に対して所与の比率以上であれば、当該小さいピークをピークピッキングにおいてピークとして特定することである。所与の比率は、たとえば１／１０である。

一実現例では、解析対象が一般的なクロマトグラフのクロマトグラムである場合、ピークとして特定するためのＳ／Ｎ比が１０以上とされる場合を想定する。一方、解析対象がガスクロマトグラフのクロマトグラムである場合には、Ｓ／Ｎ比が１０未満のピークであっても、Ｓ／Ｎ比が１０以上の主ピークに隣接し、当該主ピークのピークトップの検出強度の１／１０以上の検出強度を有するピークトップを含む場合には、ピークピッキングにおいてピークとして特定される。このように主ピークのピークトップの検出強度に関する基準でピークが特定されることにより、ガスクロマトグラフのクロマトグラムにおいて生じることが想定される、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得る。

ガスクロマトグラフに対応した基準のさらに他の例は、クロマトグラムにおいてノイズが確認できない場合には、ピークとして特定されるためのＳ／Ｎ比の条件を設けないということである。

一実現例では、解析対象が一般的なクロマトグラフのクロマトグラムである場合、ピークとして特定するためのＳ／Ｎ比が１０以上とされる場合を想定する。一方、解析対象がガスクロマトグラフのクロマトグラムである場合には、クロマトグラムにおいてノイズが見えない場合には、ユーザによって候補として選択された領域Ｃ１～Ｃ１２内のピークの全てが、そのＳ／Ｎ比に拘わらず、ピークピッキングにおいてピークとして特定される。このように、ノイズが見えない場合には、ピークの候補がそのピークトップのＳ／Ｎ比に拘わらずピークとして特定されることにより、クロマトグラムにおいて多数のピークが生じていることによりノイズが見えない場合にも、ピークとして特定されるべき候補が確実にピークとして特定され得る。このような基準は、ガスクロマトグラフによる測定によって得られるクロマトグラムの保持時間の範囲が液体クロマトグラフによる測定によって得られるクロマトグラムよりも一般的に短いことに対応する。ガスクロマトグラフによる測定によって得られるクロマトグラムの保持時間の範囲が短くなることは、ガスクロマトグラフによる測定では液体クロマトグラフによる測定と比較して保持時間のズレが小さくなることに起因する。

ノイズが見える場合の一例は、図２の保持時間９．６～９．８分の範囲の検出強度のように、変化が、一定時間以上一定の範囲内で（たとえば、０．１分以上検出強度５以内に）収まっている状態がである。すなわち、検出強度が一定の範囲内に位置する継続時間が一定時間以上であれば、クロマトグラムにおいてノイズが見えると判断される。一方、ノイズが見えない場合の一例は、図６に示されるように、検出強度の変化が、上記一定時間以上上記一定の範囲内で収まっている部分を持たない状態である。すなわち、検出強度が一定の範囲内に位置する継続時間が一定時間未満であれば、クロマトグラムにおいてノイズが見えないと判断される。

以上、ピーク候補がピークとして特定されるための複数の条件が説明された。これらの条件は、単独で適用されてもよいし、複数で組み合わされて適用されてもよい。

［正解データの具体例］
図７は、学習用データのデータ構成の具体例を模式的に示す図である。図７には、学習用サンプルのデータ構成の一例が示される。図７の例は、１つの学習用サンプルのデータ構成を表す。図７に示された例では、１つのクロマトグラムに含まれる波形が複数の部分波形に分割され、各部分波形に特性情報（正解データ）が付加されている。なお、図７に示されたデータ構成は、単なる一例であって、本実施形態にかかる学習用データでは、１つのクロマトグラムの波形が部分波形に分割されている必要はない。

図７に示されるように、各部分波形には、正解データとして、大分類の特性情報と小分類の特性情報とが付加されている。大分類の特性情報は、部分波形がピーク領域に属するか、非ピーク領域に属するかを表す。小分類の特性情報は、部分波形がピーク領域または非ピーク領域において有する属性を表す。たとえば、部分波形Ａには、大分類の特性情報として「非ピーク領域に属する」が付加され、また、小分類の特性情報として「ベースライン」が付加されている。

正解データに含まれる情報の種類は、図７に示されたような大分類および小分類の特性情報として示された情報の種類に限定されない。正解データは、ピークトップの検出強度などの、他の種類の情報を含んでいても良い。

［処理の流れ（学習用データの作成）］
図８は、学習用データを作成する手順を説明するためのフローチャートである。当該フローチャートに従うと、学習用データを構成する１つの学習用サンプルが作成される。学習用データは、一実現例では、解析装置１は、プロセッサ１０に解析用プログラム２００を実行させることにより、本フローチャートの処理を実施する。

ステップＳＰ１にて、解析装置１は、クロマトグラムデータを読み出す。一実現例では、クロマトグラムデータは、入出力ポート３０を介して入力されて、または、シミュレーションによって作成されて、メモリ２０に格納される。プロセッサ１０は、メモリ２０からクロマトグラフデータを読み出す。ステップＳＰ１において読み出されるクロマトグラムデータは、推定モデル３００の学習処理のために利用されるデータであり、参照波形の一例である。

ステップＳＰ２にて、解析装置１は、クロマトグラムデータに含まれる波形に対してピークを特定する。一実現例では、ユーザは、波形に対してピークの候補を選択し、当該ピークの候補の中から上記基準に従ってピークを特定し、特定されたピークを解析装置１に入力する。解析装置１は、ユーザからの入力に従って、クロマトグラフデータに含まれる波形に対してピークを特定する。なお、解析装置１が、ユーザからの入力を必要とすることなく、クロマトグラムデータから上記基準に従ってピークを特定してもよい。

ステップＳＰ３にて、解析装置１は、ピークに関する情報を特定する。一実現例では、ユーザは、ピークに関する情報（たとえば、図７の特性情報）を特定し、解析装置１に入力する。解析装置１は、ユーザからの入力に従って、ピークに関する情報を特定する。

ステップＳＰ４にて、解析装置１は、ピークに関する情報をクロマトグラムデータに付加する。ステップＳＰ１において読み出されたクロマトグラムデータにピークに関する情報が付加されることにより、１つの学習用サンプルが作成される。作成された学習用サンプルは、訓練用データ２１１または検証用データ２１２として、メモリ２０に格納される。

その後、解析装置１は、図８のフローチャートの処理を終了させる。解析装置１は、各学習用サンプルについて図８の処理を実施することにより、学習用データを作成する。

［処理の流れ（学習済みモデルの作成）］
図９は、学習済みモデルを作成する手順を説明するためのフローチャートである。解析装置１は、プロセッサ１０に解析用プログラム２００を実行させることにより、本フローチャートの処理を実施する。

まず、プロセッサ１０は、推定モデル３００の学習を開始させる操作を検出する（ステップＳ１）。たとえば、ユーザがマウス４０およびキーボード５０を用いて、推定モデル３００の学習を開始させる操作をした場合、その操作がステップＳ１において検出される。

次に、プロセッサ１０は、メモリ２０から学習用データ２１０（訓練用データ２１１および検証用データ２１２）を読み出す（ステップＳ２）。次に、プロセッサ１０は、推定モデル３００に訓練用データ２１１を入力する（ステップＳ３）。次に、推定モデル３００において、ディープラーニングによる学習処理が実行される（ステップＳ４）。本実施の形態において推定モデル３００の学習に用いるＵ－Ｎｅｔでは、部分波形から正しい特性情報が得られるように、ニューラルネットワークの重みづけが調整される。

より具体的には、訓練用データ２１１の部分波形および部分波形に対応付けられた特性情報に基づいて、推定モデル３００のパラメータが調整される。パラメータを調整する過程では、単体ピーク、未分離ピーク、ピーク開始点、ピーク終了点、およびベースラインなどを推定する処理と、推定結果と正解データとを照らし合わせる処理とが実行される。

次に、プロセッサ１０は、ステップＳ４の学習処理の結果に応じて作成された推定モデル３００をメモリ２０に格納する（ステップＳ５）。

次に、プロセッサ１０は、推定モデル３００が検証用データ２１２の部分波形を解析して付与した特性情報の正答率を算出する（ステップＳ６）。

次に、プロセッサ１０は、予め定められた終了条件が成立しているか否かを判定する（ステップＳ７）。たとえば、訓練用データ２１１を用いて繰り返し実施する学習処理の回数が予め決められた回数に達している場合、プロセッサ１０は、終了条件が成立していると判定する。終了条件が成立していない場合、プロセッサ１０は、終了条件が成立するまで、ステップＳ３からステップＳ６の制御を繰り返す。

プロセッサ１０は、終了条件が成立した場合、図９の一連の処理を終了する。
［クロマトグラムの波形の解析］
次に、未解析のクロマトグラムの波形を解析する手順について、フローチャートを参照して説明する。図１０は、学習済みモデル（学習済みの推定モデル３００）を用いてクロマトグラムデータを判定する手順を説明するためのフローチャートである。解析装置１のプロセッサ１０が解析用プログラム２００の一部を実行することにより、本フローチャートの処理が実現される。

はじめに、プロセッサ１０は、クロマトグラムデータ（測定データ）を取得する（ステップＳ１１）。クロマトグラムデータは、入出力ポート３０に接続された質量分析計などの計測機器を通じて、または、入出力ポート３０に接続された端末装置などを通じて、解析装置１に入力される。ステップＳ１１において取得されるデータは、ピークに関する情報の推定対象のデータであり、対象波形の一例である。対象波形を取得するように機能するプロセッサ１０により、波形取得部が構成される。

次に、プロセッサ１０は、取得されたクロマトグラムの波形を予め決められた数の部分波形に分割する（ステップＳ１２）。クロマトグラム波形の分割数は、訓練用データ２１１および検証用データ２１２と同数であってもよく、異なる数であってもよい。

ただし、各部分波形の幅（時間軸方向の長さ）が少なくとも、クロマトグラムに含まれることが予測されるピークの幅よりも小さくなるように、波形の長さ（クロマトグラフ質量分析の実行時間の長さ）に応じて分割数が決定される。たとえば、５１２または１０２４などに分割数を設定することが考えられる。

次に、プロセッサ１０は、学習済みの推定モデル３００（学習済みモデル）に部分波形を入力する（ステップＳ１３）。次に、プロセッサ１０は、学習済みモデルとして、部分波形がピーク領域に属するものであるか否かを判定し、ラベル付け処理を実行する（ステップＳ１４）。より具体的には、部分波形から、ピーク開始点および終了点、ベースライン、単体ピーク、未分離ピーク、ピークトップなどが判定される。また、それぞれの判定結果の重みが算出される。また、ステップＳ１４では、各部分波形に特性情報（ピーク領域に属するものであるか否かの情報）が付加される。ステップＳ１４において推定モデル３００を利用して各部分波形の特性情報を作成するように機能するプロセッサ１０により、ピーク情報取得部が構成される。

次に、プロセッサ１０は、判定結果を示すグラフを作成し、作成されたグラフを表示するための表示信号を表示装置６０へ出力する（ステップＳ１５）。これにより、表示装置６０には、判定結果が表示される。たとえば、表示装置６０の画面には、クロマトグラムの波形上に、ピーク開始点、およびピーク終了点が表示される。

次に、プロセッサ１０は、ピーク開始点および終了点の修正指示を検出したか否かを判定する（ステップＳ１６）。本実施の形態では、表示装置６０の画面上でユーザがピーク開始点および終了点を修正する操作を行うことが可能である。プロセッサ１０は、修正指示が検出された場合、ステップＳ１７へ制御を進め、修正指示が検出されない場合、ステップＳ１８へ制御を進める。

ユーザがマウス４０およびキーボード５０により、ピーク開始点および終了点を修正する操作をした場合、プロセッサ１０は、修正指示に応じて画面上のデータを修正する（ステップＳ１７）。このように、プロセッサ１０は、ユーザの修正指示を受け付けて、ピーク開始点および終了点を修正する。

プロセッサ１０は、データを修正した後、データを確定させる操作を検出したか否かを判定する（ステップＳ１８）。データを確定させる操作が検出されない場合、プロセッサ１０は、ステップＳ１６へ制御を戻す。プロセッサ１０は、データを確定させる操作が検出された場合、判定結果（データが修正された場合には修正後の判定結果）をメモリ２０に格納し（ステップＳ１９）、本フローチャートに基づく処理を終える。

［判定結果の一例］
図１１は、学習済みモデルの判定結果の一例を示す図である。図１１の上のグラフは、入力されたクロマトグラムの波形Ｗ０を示す。図１１の下のグラフは、入力されたクロマトグラムに対する学習済みモデルの判定結果を表す。両グラフの横軸（インデックス）は、時間軸に対応する。図１１の上のグラフの縦軸は検出強度を表す。図１１の下のグラフの縦軸は学習済みモデルにより出力された重みを示す。重みは、０～１の範囲に正規化されている。

学習済みモデルの判定結果として示される波形Ｗ１～Ｗ５は、それぞれ、ベースライン、単体ピーク、未分離ピーク、ピーク開始点、およびピーク終了点に対応する。クロマトグラムの波形Ｗ０と波形Ｗ１～Ｗ５とを対比することにより、たとえば、クロマトグラムの波形Ｗ０のうち、インデックスＩｓの位置において、ピーク開始点に対応する重みが最も高くなることがわかる。同様に、クロマトグラムの波形Ｗ０のうち、インデックスＩｅの位置において、ピーク終了点に対応する重みが最も高くなることがわかる。この場合、たとえば、解析装置１は、クロマトグラムの波形Ｗ０のうち、インデックスＩｓの位置をピーク開始点と判定し、インデックスＩｅの位置をピーク終了点と判定する。

ここでは、判定対象として、ピーク開始点、ピーク終了点、単体ピーク、未分離ピーク、およびベースラインを例に挙げているが、ピークトップなど、他の要素を判定対象に加えることもできる。

プロセッサ１０は、図１１に示されるように、学習済みモデルによって判定されたピーク開始点Ｉｓに対応する重みＷｓと、学習済みモデルによって判定されたピーク終了点Ｉｅに対応する重みＷｅとの平均値を計算することにより、ピークの確信度を特定する。

図１２は、判定結果に基づいてラベル付け処理が行われたグラフの一例を示す図である。図１２の上のグラフは、図１１の下に示したグラフと同一である。図１２の下のグラフは、入力されたクロマトグラムの波形Ｗ０（図１１参照）を、波形Ｗ１～波形Ｗ５に基づいてラベル付けしたグラフである。ラベル０～４は、それぞれ、ベースライン、単体ピーク、未分離ピーク、ピーク開始点、およびピーク終了点に対応する。

たとえば、ラベル付け処理は、次の手順で行われる。すなわち、波形Ｗ１～Ｗ５のうち、あるインデックスＩｘの位置で最も重みが大きい波形を選択し、その選択した波形でインデックスＩｘの値をラベル付けする。ｘをインデックスの初期値から最終値まで変化させて同じ処理を繰り返すことによって、ラベル付け処理が終了する。たとえば、図１２には、インデックス０～Ｉｓまでの区間がベースラインにラベル付け（ラベル＝０）されたグラフが示されている。

［判定結果の表示］
図１３は、判定結果を表示する画像１２０の一例を示す図である。画像１２０は、表示装置６０によって表示される。画像１２０は、解析対象であるクロマトグラムの波形とともに、判定結果に対応するピーク開始点Ｉｓおよびピーク終了点Ｉｅを含む欄１２１を含む。判定結果は、波形１２１に対して取得されたピークに関する情報である。プロセッサ１０は、欄１２１に、ピーク開始点Ｉｓおよびピーク終了点Ｉｅ以外の判定結果を含めてもよく、また、画像１２０に、上述のように算出された確信度を含めてもよい。

プロセッサ１０は、画像１２０の他、図１１に示す態様の２つのグラフを含む画像と、図１２に示す態様の２つのグラフを含む画像と、図１１および図１２に含まれる３つのグラフを縦方向に並べた画像とを選択的に表示装置６０に表示することが可能である。いずれの画像にも、上述のように算出された確信度が併せて表示されてもよい。また、いずれの画像にも、ステップＳ６（図９）で算出されたモデルの正答率が表示されてもよい。ユーザは、マウス４０およびキーボード５０を用いて、いずれの画像を表示するかを示す指示を解析装置１に入力することができる。

プロセッサ１０は、画像１２０に、判定結果の導出に利用された学習済モデルについて、学習用データの作成のために上述された基準を表す情報を含めてもよい。

本実施の形態は、いずれも一例であって、本開示の趣旨に沿って適宜に変更することが可能である。ここではクロマトグラフ質量分析により得られたクロマトグラムの波形を処理する場合を例に説明した。しかし、質量分析計以外の検出器（分光光度計）を有するクロマトグラフ、およびガスクロマトグラフで取得されたクロマトグラムも同様に解析装置１により解析することができる。さらに、解析の対象はクロマトグラムに限定されない。たとえば、分光光度計による測定で取得された分光スペクトル（波長または波数軸に対する検出強度の変化を表した波形）を解析対象としてもよい。ＬＣ、ＧＣ、ＬＣ－ＰＤＡ、ＬＣ／ＭＳ、ＧＣ／ＭＳ、ＬＣ／ＭＳ／ＭＳ、ＧＣ／ＭＳ／ＭＳ、ＬＣ／ＭＳ－ＩＴ－ＴＯＦなどで得られたいずれの波形を解析対象としてもよい。

［態様］
上記した実施の形態およびその変形例は、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）一態様に係る学習用データの作成方法は、所与の種類の装置の複数の参照波形に基づいて対象波形におけるピークに関する情報を出力するようにコンピュータを機能させる、推定モデルを作成するための学習用データを作成する方法であって、前記複数の参照波形を取得するステップと、前記複数の参照波形のそれぞれに対して、前記所与の種類の装置に対応した基準に従って、ピークに関する情報を特定するステップと、前記複数の参照波形のそれぞれに対して、特定された前記ピークに関する情報を付与するステップと、を備えていていもよい。

第１項に記載の学習用データの作成方法によれば、所与の装置の対象波形に対するピークピッキングにおいて、機械学習を用いたピークピッキングの精度を向上するための技術が提供される。

（第２項）第１項に記載の学習用データの作成方法において、前記所与の種類の装置は、ガスクロマトグラフを含んでいてもよい。

第２項に記載の学習用データの作成方法によれば、ガスクロマトグラフを含む所与の装置の対象波形に対するピークピッキングにおいて、機械学習を用いたピークピッキングの精度を向上するための技術が提供される。

（第３項）第１項または第２項に記載の学習用データの作成方法において、前記基準は、各参照波形において、ピーク候補をピークとして特定するために、当該ピーク候補のＳ／Ｎ比が第１の値以上であるという第１の項目に加えて、当該ピーク候補が前記第１の項目に従って特定されたピークに隣接し、かつ、当該ピーク候補のＳ／Ｎ比が前記第１の値より小さい第２の値以上であるという第２の項目を含んでいてもよい。

第３項に記載の学習用データの作成方法によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得る。

（第４項）第３項の学習用データの作成方法において、前記第２の項目は、前記第１の項目に従って特定されたピークとの分離度が所定値以下であることを含んでいてもよい。

第４項に記載の学習用データの作成方法によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてさらに確実に特定され得る。

（第５項）第３項に記載の学習用データの作成方法において、前記第２の項目は、前記ピーク候補をピークとして特定するために、前記ピーク候補の検出強度が、前記第１の項目に従って特定されたピークの検出強度に対して所与の比率以上であることを含んでいてもよい。

第５項に記載の学習用データの作成方法によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得る。

（第６項）第１項～第５項のいずれか１項に記載の学習用データの作成方法において、前記基準は、各参照波形において、所与の強度範囲における信号の継続時間が所与の時間未満である場合には、各参照波形において、ピーク候補を当該ピーク候補のＳ／Ｎ比に拘わらずピークとして特定することを含んでいてもよい。

第６項に記載の学習用データの作成方法によれば、クロマトグラムにおいて多数のピークが生じていることによりノイズが見えない場合にも、ピークとして特定されるべき候補が確実にピークとして特定され得る。

（第７項）一態様に係る波形解析装置は、所与の種類の装置の対象波形を取得する波形取得部と、学習済の推定モデルに対して前記対象波形を入力し、前記対象波形におけるピークに関する情報を取得するピーク情報取得部と、を備え、前記推定モデルは、前記対象波形が入力された際に前記対象波形におけるピークに関する情報を出力するように、前記所与の種類の装置の複数の参照波形のそれぞれが前記所与の種類の装置に対応した基準に従って特定されたピークに関する情報を付与されることによって作成された学習用データを用いて学習処理を施されていてもよい。

第７項に記載の波形解析装置によれば、所与の装置の対象波形に対するピークピッキングにおいて、機械学習を用いたピークピッキングの精度を向上するように学習された推定モデルが利用される。

（第８項）第７項に記載の波形解析装置において、前記所与の種類の装置は、ガスクロマトグラフを含んでいてもよい。

第８項に記載の波形解析装置によれば、ガスクロマトグラフを含む所与の装置の対象波形に対するピークピッキングにおいて、機械学習を用いたピークピッキングの精度を向上するように学習された推定モデルが利用される。

（第９項）第７項または第８項に記載の波形解析装置において、前記基準は、各参照波形において、ピーク候補をピークとして特定するために、当該ピーク候補のＳ／Ｎ比が第１の値以上であるという第１の項目に加えて、当該ピーク候補が前記第１の項目に従って特定されたピークに隣接し、かつ、当該ピーク候補のＳ／Ｎ比が前記第１の値より小さい第２の値以上であるという第２の項目を含んでいてもよい。

第９項に記載の波形解析装置によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得るような学習用データを用いて学習された推定モデルが、ピークピッキングに利用される。

（第１０項）第９項の波形解析装置において、前記第２の項目は、前記第１の項目に従って特定されたピークとの分離度が所定値以下であることを含んでいてもよい。

第１０項に記載の波形解析装置によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてさらに確実に特定され得る。

（第１１項）第９項に記載の波形解析装置において、前記第２の項目は、前記ピーク候補をピークとして特定するために、前記ピーク候補の検出強度が、前記第１の項目に従って特定されたピークの検出強度に対して所与の比率以上であることを含んでいてもよい。

第１１項に記載の波形解析装置によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得るような学習用データを用いて学習された推定モデルが、ピークピッキングに利用される。

（第１２項）第７項～第１１項のいずれか１項に記載の波形解析装置において、前記基準は、各参照波形において、所与の強度範囲における信号の継続時間が所与の時間未満である場合には、各参照波形において、ピーク候補を当該ピーク候補のＳ／Ｎ比に拘わらずピークとして特定することを含んでいてもよい。

第１２項に記載の波形解析装置によれば、クロマトグラムにおいて多数のピークが生じていることによりノイズが見えない場合にも、ピークとして特定されるべき候補が確実にピークとして特定され得るような学習用データを用いて学習された推定モデルが、ピークピッキングに利用される。

（第１３項）一態様に係る波形解析方法は、所与の種類の装置の対象波形を取得するステップと、学習済の推定モデルに対して前記対象波形を入力し、前記対象波形におけるピークに関する情報を取得するステップと、を備え、前記推定モデルは、前記対象波形が入力された際に前記対象波形におけるピークに関する情報を出力するように、前記所与の種類の装置の複数の参照波形のそれぞれが前記所与の種類の装置に対応した基準に従って特定されたピークに関する情報を付与されることによって作成された学習用データを用いて学習処理を施されていてもよい。

第１３項に記載の波形解析方法によれば、所与の装置の対象波形に対するピークピッキングにおいて、機械学習を用いたピークピッキングの精度を向上するように学習された推定モデルが利用される。

（第１４項）第１３項に記載の波形解析方法において、前記所与の種類の装置は、ガスクロマトグラフを含んでいてもよい。

第１４項に記載の波形解析方法によれば、ガスクロマトグラフを含む所与の装置の対象波形に対するピークピッキングにおいて、機械学習を用いたピークピッキングの精度を向上するように学習された推定モデルが利用される。

（第１５項）第１３項または第１４項に記載の波形解析方法において、前記基準は、各参照波形において、ピーク候補をピークとして特定するために、当該ピーク候補のＳ／Ｎ比が第１の値以上であるという第１の項目に加えて、当該ピーク候補が前記第１の項目に従って特定されたピークに隣接し、かつ、当該ピーク候補のＳ／Ｎ比が前記第１の値より小さい第２の値以上であるという第２の項目を含んでいてもよい。

第１５項に記載の波形解析方法によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得るような学習用データを用いて学習された推定モデルが、ピークピッキングに利用される。

（第１６項）第１５項の波形解析方法において、前記第２の項目は、前記第１の項目に従って特定されたピークとの分離度が所定値以下であることを含んでいてもよい。

第１６項に記載の波形解析方法によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてさらに確実に特定され得る。

（第１７項）第１５項に記載の波形解析方法において、前記第２の項目は、前記ピーク候補をピークとして特定するために、前記ピーク候補の検出強度が、前記第１の項目に従って特定されたピークの検出強度に対して所与の比率以上であることを含んでいてもよい。

第１７項に記載の波形解析方法によれば、主ピークの前後の小さいピークが、ピークピッキングにおいてピークとしてより確実に特定され得るような学習用データを用いて学習された推定モデルが、ピークピッキングに利用される。

（第１８項）第１３項～第１７項のいずれか１項に記載の波形解析方法において、前記基準は、各参照波形において、所与の強度範囲における信号の継続時間が所与の時間未満である場合には、各参照波形において、ピーク候補を当該ピーク候補のＳ／Ｎ比に拘わらずピークとして特定することを含んでいてもよい。

第１８項に記載の波形解析方法によれば、クロマトグラムにおいて多数のピークが生じていることによりノイズが見えない場合にも、ピークとして特定されるべき候補が確実にピークとして特定され得るような学習用データを用いて学習された推定モデルが、ピークピッキングに利用される。

（第１９項）一態様に係るコンピュータプログラムは、コンピュータの１以上のプロセッサによって実行されることにより、前記コンピュータに第１３項～第１８項のいずれか１項に記載の波形解析方法を実施させる。

第１９項に記載のコンピュータプログラムによれば、所与の装置の対象波形に対するピークピッキングにおいて、機械学習を用いたピークピッキングの精度を向上するように学習された推定モデルが利用される。

今回開示された実施の形態は、全ての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。

１ 解析装置、１０ プロセッサ、２０ メモリ、３０ 入出力ポート、４０ マウス、４１ 波形、５０ キーボード、６０ 表示装置、６１ 画像、６２ 画像、６５，６６ アイコン、２００ 解析用プログラム、２０１ 分割部、２０２ モデル作成部、２０３ 判定部、２０４ 計算部、２０５ 画像処理部、２０６ 出力部、２１０ 学習用データ、２１１ 訓練用データ、２１２ 検証用データ、２１３ 測定データ、３００ 推定モデル、４００ クロマトグラム、Ｃ１～Ｃ１２ 領域。

Claims (19)

1. 所与の種類の装置の複数の参照波形に基づいて対象波形におけるピークに関する情報を出力するようにコンピュータを機能させる、推定モデルを作成するための学習用データを作成する方法であって、
   前記複数の参照波形を取得するステップと、
   前記複数の参照波形のそれぞれに対して、前記所与の種類の装置に対応した基準に従って、ピークに関する情報を特定するステップと、
   前記複数の参照波形のそれぞれに対して、特定された前記ピークに関する情報を付与するステップと、を備える、学習用データの作成方法。
2. 前記所与の種類の装置は、ガスクロマトグラフを含む、請求項１に記載の学習用データの作成方法。
3. 前記基準は、各参照波形において、ピーク候補をピークとして特定するために、当該ピーク候補のＳ／Ｎ比が第１の値以上であるという第１の項目に加えて、当該ピーク候補が前記第１の項目に従って特定されたピークに隣接し、かつ、当該ピーク候補のＳ／Ｎ比が前記第１の値より小さい第２の値以上であるという第２の項目を含む、請求項１または請求項２に記載の学習用データの作成方法。
4. 前記第２の項目は、前記第１の項目に従って特定されたピークとの分離度が所定値以下であることを含む、請求項３に記載の学習用データの作成方法。
5. 前記第２の項目は、前記ピーク候補をピークとして特定するために、前記ピーク候補の検出強度が、前記第１の項目に従って特定されたピークの検出強度に対して所与の比率以上であることを含む、請求項３に記載の学習用データの作成方法。
6. 前記基準は、各参照波形において、所与の強度範囲における信号の継続時間が所与の時間未満である場合には、各参照波形において、ピーク候補を当該ピーク候補のＳ／Ｎ比に拘わらずピークとして特定することを含む、請求項１～請求項５のいずれか１項に記載の学習用データの作成方法。
7. 所与の種類の装置の対象波形を取得する波形取得部と、
   学習済の推定モデルに対して前記対象波形を入力し、前記対象波形におけるピークに関する情報を取得するピーク情報取得部と、を備え、
   前記推定モデルは、前記対象波形が入力された際に前記対象波形におけるピークに関する情報を出力するように、前記所与の種類の装置の複数の参照波形のそれぞれが前記所与の種類の装置に対応した基準に従って特定されたピークに関する情報を付与されることによって作成された学習用データを用いて学習処理を施されている、波形解析装置。
8. 前記所与の種類の装置は、ガスクロマトグラフを含む、請求項７に記載の波形解析装置。
9. 前記基準は、各参照波形において、ピーク候補をピークとして特定するために、当該ピーク候補のＳ／Ｎ比が第１の値以上であるという第１の項目に加えて、当該ピーク候補が前記第１の項目に従って特定されたピークに隣接し、かつ、当該ピーク候補のＳ／Ｎ比が前記第１の値より小さい第２の値以上であるという第２の項目を含む、請求項７または請求項８に記載の波形解析装置。
10. 前記第２の項目は、前記第１の項目に従って特定されたピークとの分離度が所定値以下であることを含む、請求項９に記載の波形解析装置。
11. 前記第２の項目は、前記ピーク候補をピークとして特定するために、前記ピーク候補の検出強度が、前記第１の項目に従って特定されたピークの検出強度に対して所与の比率以上であることを含む、請求項９に記載の波形解析装置。
12. 前記基準は、各参照波形において、所与の強度範囲における信号の継続時間が所与の時間未満である場合には、各参照波形において、ピーク候補を当該ピーク候補のＳ／Ｎ比に拘わらずピークとして特定することを含む、請求項７～請求項１１のいずれか１項に記載の波形解析装置。
13. 所与の種類の装置の対象波形を取得するステップと、
    学習済の推定モデルに対して前記対象波形を入力し、前記対象波形におけるピークに関する情報を取得するステップと、を備え、
    前記推定モデルは、前記対象波形が入力された際に前記対象波形におけるピークに関する情報を出力するように、前記所与の種類の装置の複数の参照波形のそれぞれが前記所与の種類の装置に対応した基準に従って特定されたピークに関する情報を付与されることによって作成された学習用データを用いて学習処理を施されている、波形解析方法。
14. 前記所与の種類の装置は、ガスクロマトグラフを含む、請求項１３に記載の波形解析方法。
15. 前記基準は、各参照波形において、ピーク候補をピークとして特定するために、当該ピーク候補のＳ／Ｎ比が第１の値以上であるという第１の項目に加えて、当該ピーク候補が前記第１の項目に従って特定されたピークに隣接し、かつ、当該ピーク候補のＳ／Ｎ比が前記第１の値より小さい第２の値以上であるという第２の項目を含む、請求項１３または請求項１４に記載の波形解析方法。
16. 前記第２の項目は、前記第１の項目に従って特定されたピークとの分離度が所定値以下であることを含む、請求項１５に記載の波形解析方法。
17. 前記第２の項目は、前記ピーク候補をピークとして特定するために、前記ピーク候補の検出強度が、前記第１の項目に従って特定されたピークの検出強度に対して所与の比率以上であることを含む、請求項１５に記載の波形解析方法。
18. 前記基準は、各参照波形において、所与の強度範囲における信号の継続時間が所与の時間未満である場合には、各参照波形において、ピーク候補を当該ピーク候補のＳ／Ｎ比に拘わらずピークとして特定することを含む、請求項１３～請求項１７のいずれか１項に記載の波形解析方法。
19. コンピュータの１以上のプロセッサによって実行されることにより、前記コンピュータに請求項１３～請求項１８のいずれか１項に記載の波形解析方法を実施させる、コンピュータプログラム。

Images