WO2020090336A1 - スペクトル分析装置およびスペクトル分析方法 - Google Patents
スペクトル分析装置およびスペクトル分析方法 Download PDFInfo
- Publication number
- WO2020090336A1 WO2020090336A1 PCT/JP2019/039003 JP2019039003W WO2020090336A1 WO 2020090336 A1 WO2020090336 A1 WO 2020090336A1 JP 2019039003 W JP2019039003 W JP 2019039003W WO 2020090336 A1 WO2020090336 A1 WO 2020090336A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- spectrum
- analysis
- neural network
- data
- recursive neural
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Definitions
- the present disclosure relates to an apparatus and a method for analyzing an analyte based on a spectrum of light generated by the analyte.
- the spectrum of light generated by the analyte has a shape according to the type or ratio of the components contained in the analyte. Therefore, the analysis target can be analyzed based on the spectrum of the light generated in the analysis target.
- the spectrum of light generated by the analysis target includes light generated by the analysis target according to light irradiation on the analysis target (for example, reflected light, transmitted light, scattered light, fluorescence, non-linear optical phenomenon (for example, Raman scattering, etc.).
- the spectrum of the light generated by the above) is included, and the spectrum of the chemiluminescence generated by the chemical reaction in the analyte is included.
- the spectrum of light includes a spectrum of a refractive index or an absorption coefficient obtained from transmitted light or reflected light.
- the light here is not limited to ultraviolet light, visible light, and infrared light, and includes, for example, terahertz waves and the like.
- Patent Document 1 suggests that spectrum analysis is performed using a deep neural network. Since it is possible to perform highly efficient and highly accurate image recognition and the like by using a deep neural network (see Non-Patent Document 1), if spectrum analysis can be performed using a deep neural network, it is possible to compare with multivariate analysis. It is expected that high efficiency and high precision analysis will be possible.
- Patent Document 1 does not describe any specific procedure when performing spectrum analysis using a deep neural network. Further, Non-Patent Document 1 does not suggest that spectrum analysis is performed using a deep neural network.
- An object of the present invention is to provide an apparatus and method capable of performing highly efficient and highly accurate spectrum analysis.
- the embodiment of the present invention is a spectrum analyzer.
- the spectrum analyzer is an apparatus for analyzing an analysis target based on a spectrum of light generated in the analysis target containing one or more reference standards out of a plurality of standards, (1) Equivalently, a processing unit having a recurrent neural network represented by a model in which a plurality of cells are connected in a chain, and (2) Inputting one spectrum data of light to each cell of the recurrent neural network.
- the analysis target is analyzed based on the input unit and (3) the data of the spectrum of light generated in the analysis target based on the data output from the recursive neural network when the data is input to the recursive neural network by the input unit. And an analysis unit.
- the embodiment of the present invention is a spectrum analysis method.
- the spectral analysis method is a method of analyzing an analyte based on a spectrum of light generated by the analyte including any one or two or more of the plurality of reference materials, which is (1) An input step of inputting light spectrum data one by one to each cell of a recursive neural network represented by a model in which a plurality of cells are equivalently connected in a chain, and (2) occurred in the analysis target. An analysis step of analyzing the analysis target based on the data output from the recursive neural network when the light spectrum data is input to the recursive neural network in the input step.
- FIG. 1 is a diagram showing the configuration of the spectrum analyzer.
- FIG. 2 is a diagram showing an example of a Raman spectrum of each amino acid powder as a standard.
- FIG. 3 is a diagram showing an example of a Raman spectrum of alanine as an analysis target.
- FIG. 4 is a diagram showing an example of an LSTM model.
- FIG. 5 is a diagram showing a confusion matrix representing the classification result of the first embodiment.
- FIG. 6 is a diagram showing a confusion matrix representing the classification result of the first comparative example.
- FIG. 7 is a diagram showing an example of a Raman spectrum of a mixture of glutamine and glutamic acid.
- FIG. 8 is a diagram showing an example of a Stacked LSTM model.
- FIG. 9 is a diagram showing the quantitative results of the second embodiment.
- FIG. 10 is a diagram showing a quantitative result of the second comparative example.
- FIG. 11 is a diagram showing a confusion matrix representing the classification result of the third embodiment.
- FIG. 1 is a diagram showing the configuration of the spectrum analyzer 1.
- the spectrum analyzer 1 is an apparatus for analyzing an analysis target based on a spectrum of light generated in the analysis target including one or more reference standards out of a plurality of standards, and a processing unit.
- An input unit 20, a learning unit 30, and an analysis unit 40 are provided.
- the processing unit 10 has a recursive neural network (RNN: Recurrent Neural Network), which is a type of deep neural network.
- RNN Recurrent Neural Network
- the RNN is for recursively inputting a part of the output of a cell into the cell, and is equivalently represented by a model in which a plurality of cells are connected in a chain.
- the processing unit 10 preferably has an LSTM (Long Short-Term Memory) network, which is a type of RNN. Hereinafter, this is simply referred to as "LSTM". It is also preferable that the processing unit 10 has a Stacked LSTM which is a type of LSTM.
- the processing unit 10 may perform the processing in the RNN by a CPU (Central Processing Unit), but it is preferable to perform the processing by a DSP (Digital Signal Processor) or a GPU (Graphics Processing Unit) capable of faster processing.
- LSTM Long Short-Term Memory
- DSP Digital Signal Processor
- GPU Graphics Processing Unit
- the input unit 20 causes each cell of the RNN to input the data of the spectrum of the light generated in the reference substance or the analysis target one by one.
- a spectrum is a set of a plurality of data having wavelength, wave number or frequency as parameters. It is preferable that the input unit 20 standardizes the spectrum so that the peak intensity of the spectrum becomes a predetermined value, and inputs the standardized spectrum data to the RNN.
- the learning unit 30 causes the input unit 20 to input the data of the spectrum of the light generated in each of the plurality of reference objects to the RNN as learning data, and learns the RNN. Further, the learning unit 30 causes the input unit 20 to input the data of the spectrum of the light generated in the mixture including any one or two or more reference substances among the plurality of reference substances and the mixing ratio of which is known to the RNN as the learning data. Input and train the RNN using a known mix ratio. Learning of such a deep neural network is called deep learning.
- the analysis unit 40 analyzes the analysis target based on the data output from the RNN when the data of the spectrum of the light generated in the analysis target is input to the RNN by the input unit 20.
- the analysis unit 40 classifies the analysis target object into any one of the plurality of reference objects based on the data output from the RNN. Further, the analysis unit 40 obtains the mixing ratio of the reference substance contained in the analysis target based on the data output from the RNN.
- RNNs including LSTM and Stacked LSTM have been used for processing time series data and voice data.
- vector data was input to each cell of the RNN.
- the input data is voice data
- the voice spectrum (vector data) at a certain time is input to each cell of the RNN.
- the input unit 20 causes each cell of the RNN to input scalar data.
- the spectrum of the light measured by the spectroscope is composed of N pieces of data D (1) to D (N), and that the nth data D (n) is the data of the nth channel.
- the n-th cell among a plurality of cells connected in a chain is represented as C (n).
- the input unit 20 inputs the nth data D (n) to the nth cell C (n), for example.
- the input unit 20 may perform thinning out of spectrum data, trimming, compensation of an arbitrary value, and the like.
- the input unit 20 uses the interpolation method (spline interpolation, Lagrange interpolation, Akima interpolation, etc.) used in the field of numerical analysis or the compression method (Wavelet transform, discrete cosine transform, etc.) used in the field of image processing, It is also preferable that the analysis target data have the same number.
- the input unit 20 may generally input the nth data D (n) to the (n + ⁇ ) th cell C (n + ⁇ ).
- ⁇ is 0 or a positive or negative integer.
- ⁇ may be a fixed value in both the learning step by the learning unit 30 and the analysis step by the analysis unit 40.
- ⁇ may be a fixed value in the learning step, and may change every time the analysis target data is input in the analysis step.
- the spectrum analyzer 1 may include an input device that accepts selection of a spectrum to be analyzed, an instruction to start analysis, selection of analysis conditions, and the like.
- the input device is, for example, a keyboard or a mouse.
- the spectrum analyzer 1 may include a display device that displays the analysis result and the like.
- the display device is, for example, a liquid crystal display.
- the spectrum analyzer 1 may include a storage device that stores a spectrum to be analyzed, an analysis result, and the like.
- the spectrum analyzer 1 can be configured to include a computer.
- a spectrum analysis method using such a spectrum analyzer 1 includes an input step by the input unit 20, a learning step by the learning unit 30, and an analysis step by the analysis unit 40. That is, in the input step, each of the cells of the RNN is made to input the data of the spectrum of the light generated in the reference substance or the analysis target one by one.
- the learning step the spectrum data of the light generated in each of the plurality of reference objects is input to the RNN as learning data, and the RNN is learned.
- the analysis step the data of the spectrum of light generated in the analysis target is input to the RNN as the analysis target data, and the analysis target is analyzed based on the data output from the RNN.
- the analysis step can be repeated after that, so there is no need to perform the learning step each time the analysis step is performed. For the same reason, if the RNN has been learned, the learning unit 30 is unnecessary.
- a standard and an object to be analyzed were irradiated with laser light having a central wavelength of 785 nm, and the intensity of Raman scattered light generated at that time was measured at each value of Raman shift amount (wave number) to obtain a Raman spectrum.
- Each Raman spectrum was standardized so that the peak intensity had a predetermined value, and the standardized Raman spectrum data was input to the RNN.
- the nth data D (n) which is the data of the nth channel of the Raman spectrum, is used as the nth cell C (n) of the plurality of cells connected in a chain in the RNN model. I input it.
- the LSTM was used as the RNN, and the analysis target was classified into any one of the 20 types of reference products.
- the Raman spectrum data of an amino acid powder consisting of alanine alone is input to the LSTM, the learning label of alanine is set to a value of 1, and the learning labels of other amino acid powders are set to a value of 0 to learn the LSTM.
- Raman spectra were used as the analysis target data for each amino acid powder as the analysis target.
- Explaining alanine for example, four types of Raman spectra of amino acid powder consisting of alanine having different SNs were prepared, the data of each Raman spectrum was input to the LSTM, and the output label was output from the LSTM.
- FIG. 2 is a diagram showing an example of a Raman spectrum of each amino acid powder as a standard.
- FIG. 3 is a diagram showing an example of a Raman spectrum of alanine as an analysis target.
- FIG. 3 shows four Raman spectra having different SN ratios.
- FIG. 4 is a diagram showing an example of an LSTM model. This figure shows that the nth data D (n) of the Raman spectrum measured when the analysis target is alanine is input to the nth cell C (n) of the LSTM model. This figure also shows that the output labels output from LSTM are alanine (Ala) of 0.85, arginine (Arg) of 0.05, and asparagine (Asn) of 0.01. ing. In the example of this figure, the value of the output label of alanine is the largest among the output labels of each amino acid powder output from the LSTM, so the analysis target is classified as alanine.
- the analysis target was classified into any one of the 20 kinds of reference substances by the multivariate analysis as follows. That is, a pattern classifier of 20 classes was configured by a support vector machine (SVM: Support Vector Machine) based on the result of applying principal component analysis (PCA: Principal Component Analysis) to the learning data. The number of main components of PCA was 18, and the contribution rate of PCA was 0.79.
- SVM Support Vector Machine
- PCA Principal Component Analysis
- FIG. 5 is a diagram showing a confusion matrix representing the classification result of the first embodiment.
- FIG. 6 is a diagram showing a confusion matrix representing the classification result of the first comparative example.
- the correct answer rate was 98.5%.
- the correct answer rate was 98.125%. Similar classification accuracy was obtained between the first example and the first comparative example.
- the Raman spectrum of a mixture consisting of glutamine (Gln) and / or glutamic acid (Glu) with a known mixing ratio was used as learning data.
- the mixing ratio (mol ratio) of glutamine and glutamic acid was set to x: (1-x), and x was set in the range of 0 to 1 in 0.1 steps to prepare Raman spectra of mixtures having 11 mixing ratios.
- Fifty Raman spectra were used as learning data for each mixing ratio.
- the data of these Raman spectra were input to the Stacked LSTM, and the Stacked LSTM was trained with the learning label as a value according to the mixing ratio.
- the Raman spectrum of a mixture of glutamine and / or glutamic acid was used as the data to be analyzed.
- FIG. 7 is a diagram showing an example of Raman spectrum of a mixture of glutamine and glutamic acid. This figure shows a Raman spectrum as learning data prepared for each mixing ratio.
- FIG. 8 is a diagram showing an example of a Stacked LSTM model.
- the Stacked LSTM model is a multi-stage configuration of each cell of the LSTM model.
- This figure shows a mixture of glutamine (Gln) and glutamic acid (Glu) at a mixing ratio of 0.60: 0.40 as an analysis target, and the n-th data D (n) of the Raman spectrum of the analysis target. This indicates inputting to the nth cell C (n) of the Stacked LSTM model.
- the output labels output from Stacked LSTM are glutamine (Gln) 0.65 and glutamic acid (Glu) 0.35.
- the mixing ratio of the analytes is determined to be 0.65: 0.35.
- the mixing ratio of the standard contained in the analysis target was obtained by the multivariate analysis as follows. That is, a calibration curve was created by the multiple regression method (MLR: Multivariate Linear Regression) based on the result of applying PCA to the learning data, and the quantification was performed using this calibration curve.
- MLR Multivariate Linear Regression
- the number of main components of PCA was 54, and the contribution rate of PCA was 0.864.
- FIG. 9 is a diagram showing the quantitative results of the second embodiment.
- FIG. 10 is a diagram showing a quantitative result of the second comparative example.
- These figures show the relationship between the true mixing ratio (horizontal axis) and the mixing ratio of the quantification result (vertical axis).
- square plots show the quantification results of the learning data
- white circle plots show the quantification results of the analysis target data.
- the straight line having a slope of 1 shown in these figures is a theoretical straight line. If learning is done correctly, the plots will be on the theoretical line.
- the difference between the true mixing ratio and the mixing ratio of the quantitative results was evaluated by the root mean square error, it was 0.623 in the second example and 0.696 in the second comparative example. The same degree of quantification accuracy was obtained in the second example and the second comparative example.
- the analysis target was classified into any one of the 20 types of reference products using a general RNN.
- the learning step and the analysis step were performed in the same manner as in the first example, using the same learning data and analysis target data as in the first example.
- FIG. 11 is a diagram showing a confusion matrix representing the classification result of the third embodiment.
- the correct answer rate in the classification of the third embodiment was 99.125%, which was about the same as the correct answer rate (98.5%) in the classification of the first embodiment.
- the LSTM was used as the RNN, and the analysis target was classified into any one of the 20 types of reference substances.
- the learning step and the analysis step were performed in the same manner as in the first example, using the same learning data and analysis target data as in the first example.
- the n-th data D (n) of the Raman spectrum is input to the n-th cell C (n) of the LSTM model in the learning step, and the n-th data D (( n) was input to the (n + ⁇ ) th cell C (n + ⁇ ) of the LSTM model, and the shift amount ⁇ was set to 0 or each positive integer value.
- the analysis target was classified into any one of 20 kinds of reference substances by the multivariate analysis in the same manner as in the first comparative example.
- the same shift amount ⁇ as that in the fourth example was given at the time of analysis as compared with the case of the pattern classifier configuration.
- the wave number difference per one channel in the vicinity of wave number 330 cm -1 is 2.31Cm -1 wavenumber difference of one channel per the wavenumber of around 1900 cm -1 was 1.24Cm -1 .
- the correct answer rate decreased as the shift amount ⁇ increased.
- the reduction in correct answer rate was smaller in the fourth example than in the fourth comparative example.
- the shift amount ⁇ was 5 or less, a sufficiently high correct answer rate was obtained. This means that even if the spectrum is measured with the wavelength calibration incomplete, a high correct answer rate can be obtained by performing the spectrum analysis by the RNN.
- the spectrum analyzing apparatus and the spectrum analyzing method according to the present invention are not limited to the above embodiments and configuration examples, and various modifications can be made.
- the spectrum analyzer is an apparatus for analyzing an analysis target based on a spectrum of light generated in the analysis target including one or two or more references among the plurality of references.
- a processing unit having a recursive neural network represented by a model in which a plurality of cells are equivalently connected in a chain, and (2) 1 spectrum data of light is stored in each cell of the recursive neural network.
- An analysis unit for analyzing an object is provided.
- the processing unit may have an LSTM network as a recurrent neural network.
- the input unit may be configured to standardize the spectrum so that the peak intensity of the spectrum becomes a predetermined value, and input the normalized spectrum data to the recurrent neural network. ..
- the analyzing apparatus having the above-described configuration may further include a learning unit that causes the input unit to input the data of the spectrum of light generated in each of the plurality of reference objects to the recursive neural network to learn the recursive neural network.
- the learning unit causes the input unit to input the data of the spectrum of the light generated in the mixture containing any one or more of the plurality of reference substances and the mixing ratios of which are known to the recursive neural network. Then, the recurrent neural network may be learned by using the mixture ratio.
- the analysis unit may be configured to classify the analysis target object into any one of the plurality of reference objects based on the data output from the recursive neural network. Further, in the analyzing apparatus having the above configuration, the analyzing unit may be configured to obtain the mixing ratio of the reference substances contained in the analysis target based on the data output from the recursive neural network.
- the spectral analysis method is a method for analyzing an analyte based on a spectrum of light generated in the analyte including any one or two or more of the multiple references. , (1) an input step of inputting light spectrum data one by one to each cell of a recurrent neural network represented by a model in which a plurality of cells are equivalently connected in a chain, and (2) an analysis target The analysis step of analyzing the analysis target based on the data output from the recursive neural network when the data of the light spectrum generated in the object is input to the recursive neural network in the input step. ..
- an LSTM network may be used as the recurrent neural network.
- the spectrum in the input step, the spectrum may be standardized so that the peak intensity of the spectrum has a predetermined value, and the standardized spectrum data may be input to the recursive neural network. ..
- the analysis method with the above configuration may be configured to further include a learning step of inputting the data of the light spectrum generated in each of the plurality of reference objects to the recursive neural network in the input step to learn the recursive neural network.
- the learning step the data of the spectrum of the light generated in the mixture containing any one or more of the plurality of reference objects and the mixing ratios of which are known is input to the recursive neural network in the input step. Then, the recurrent neural network may be learned by using the mixture ratio.
- the analysis target in the analysis step, may be classified into any one of the plurality of reference products based on the data output from the recurrent neural network. Further, in the analysis method having the above configuration, in the analysis step, the mixing ratio of the reference substances contained in the analysis target may be obtained based on the data output from the recursive neural network.
- the present invention can be used as an apparatus and method capable of performing highly efficient and highly accurate spectrum analysis.
- 1 ... Spectrum analysis device, 10 ... Processing unit, 20 ... Input unit, 30 ... Learning unit, 40 ... Analysis unit.
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
スペクトル分析装置1は、複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、処理部10、入力部20、学習部30および分析部40を備える。処理部10は、再帰型ニューラルネットワーク(RNN)を有する。入力部20は、RNNの各セルに、基準物または分析対象物で生じた光のスペクトルのデータを1つずつ入力させる。これにより、高効率で高精度のスペクトル分析を行うことができる装置および方法が実現される。
Description
本開示は、分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置および方法に関するものである。
分析対象物で生じる光のスペクトルは、分析対象物に含まれる成分の種類または割合に応じた形状を有する。したがって、分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析することができる。分析対象物で生じる光のスペクトルには、分析対象物への光照射に応じて該分析対象物で生じる光(例えば、反射光、透過光、散乱光、蛍光、非線形光学現象(例えばラマン散乱等)により生じる光)のスペクトルが含まれ、また、分析対象物における化学反応により生じる化学発光のスペクトルが含まれる。さらに、光のスペクトルには、透過光または反射光から得られる屈折率または吸収係数のスペクトルも含まれる。ここでいう光は、紫外光、可視光、赤外光に限られるものではなく、例えばテラヘルツ波等をも含む。
従来では、このようなスペクトル分析を行う際に多変量解析が用いられてきた。多変量解析として、主成分分析、分類器、回帰分析等が用いられ、これらを組み合わせた解析手法も知られている。また、特許文献1には、深層ニューラルネットワーク(Deep Neural Network)を用いてスペクトル分析を行う旨の示唆がある。深層ニューラルネットワークを用いれば高効率で高精度の画像認識等が可能であるので(非特許文献1参照)、深層ニューラルネットワークを用いてスペクトル分析を行うことができれば、多変量解析を用いる場合と比べて高効率で高精度の分析が可能になると期待される。
O. Russakovsky et al., "ImageNet Large Scale Visual Recognition Challenge", Int. J. Comput. Vis. 115, pp.211-252 (2015)
しかし、特許文献1には、深層ニューラルネットワークを用いてスペクトル分析を行う際の具体的な手順について何ら記載がない。また、非特許文献1には、深層ニューラルネットワークを用いてスペクトル分析を行う旨の示唆はない。
本発明は、高効率で高精度のスペクトル分析を行うことができる装置および方法を提供することを目的とする。
本発明の実施形態は、スペクトル分析装置である。スペクトル分析装置は、複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、(1)等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークを有する処理部と、(2)再帰型ニューラルネットワークの各セルに光のスペクトルのデータを1つずつ入力させる入力部と、(3)分析対象物で生じた光のスペクトルのデータを入力部により再帰型ニューラルネットワークに入力させたときに再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を分析する分析部と、を備える。
本発明の実施形態は、スペクトル分析方法である。スペクトル分析方法は、複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する方法であって、(1)等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークの各セルに光のスペクトルのデータを1つずつ入力させる入力ステップと、(2)分析対象物で生じた光のスペクトルのデータを入力ステップにおいて再帰型ニューラルネットワークに入力させたときに再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を分析する分析ステップと、を備える。
本発明の実施形態によれば、高効率で高精度のスペクトル分析を行うことができる。
以下、添付図面を参照して、本発明を実施するための形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。本発明は、これらの例示に限定されるものではない。
図1は、スペクトル分析装置1の構成を示す図である。スペクトル分析装置1は、複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、処理部10、入力部20、学習部30および分析部40を備える。
処理部10は、深層ニューラルネットワークの一種である再帰型ニューラルネットワーク(RNN: Recurrent Neural Network)を有する。RNNは、セルの出力の一部を該セルに再帰的に入力させるものであり、等価的には複数のセルが鎖状に接続されたモデルで表される。
処理部10は、RNNの一種であるLSTM(Long Short-Term Memory)ネットワークを有するのが好適である。以下では、これを単に「LSTM」という。また、処理部10は、LSTMの一種であるStacked LSTMを有するのも好適である。処理部10は、RNNにおける処理をCPU(Central Processing Unit)により行ってもよいが、より高速な処理が可能なDSP(Digital Signal Processor)またはGPU(Graphics Processing Unit)により行うのが好適である。
入力部20は、RNNの各セルに、基準物または分析対象物で生じた光のスペクトルのデータを1つずつ入力させる。スペクトルは、波長、波数または周波数をパラメータとする複数のデータの集合である。入力部20は、スペクトルのピーク強度が所定値となるようにスペクトルを規格化して、当該規格化後のスペクトルのデータをRNNに入力させるのが好適である。
学習部30は、複数の基準物それぞれで生じた光のスペクトルのデータを学習用データとして入力部20によりRNNに入力させて、RNNを学習させる。また、学習部30は、複数の基準物のうちの何れか1または2以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを学習用データとして入力部20によりRNNに入力させて、既知の混合割合を用いてRNNを学習させる。このような深層ニューラルネットワークの学習は深層学習(Deep Learning)と呼ばれる。
分析部40は、分析対象物で生じた光のスペクトルのデータを入力部20によりRNNに入力させたときにRNNから出力されるデータに基づいて分析対象物を分析する。分析部40は、RNNから出力されるデータに基づいて分析対象物を複数の基準物のうちの何れか一つに分類する。また、分析部40は、RNNから出力されるデータに基づいて分析対象物に含まれる基準物の混合割合を求める。
LSTMおよびStacked LSTMを含むRNNは、これまでにも時系列データおよび音声データ等の処理に用いられている。従来では、RNNの各セルにはベクトルデータが入力されていた。例えば、入力データが音声データである場合、RNNの各セルには或る時刻の音声スペクトル(ベクトルデータ)が入力されていた。
これに対して、本実施形態では、入力部20は、RNNの各セルにスカラーデータを入力させる。具体的には、分光器により測定された光のスペクトルがN個のデータD(1)~D(N)からなるとし、そのうちの第nデータD(n)が第nチャネルのデータであるとする。また、RNNのモデルにおいて鎖状に接続された複数のセルのうち第nセルをC(n)と表す。このとき、入力部20は、例えば、第nデータD(n)を第nセルC(n)に入力させる。また、入力部20は、スペクトルのデータの間引き、トリミング、任意の値の補填などを行ってもよい。入力部20は、数値解析の分野で用いられる補間方法(スプライン補間,ラグランジュ補間,Akima補間など)または画像処理の分野で用いられる圧縮方法(Wavelet変換,離散コサイン変換など)により、学習用データおよび分析対象データを互いに同じ個数とするのも好ましい。
入力部20は、一般に第nデータD(n)を第(n+δ)セルC(n+δ)に入力させてもよい。δは0または正負の整数である。δは、学習部30による学習ステップおよび分析部40による分析ステップの双方において固定値としてもよい。δは、学習ステップにおいて固定値とし、分析ステップにおいては分析対象データの入力の度に変化してもよい。
スペクトル分析装置1は、分析対象のスペクトルの選択、分析開始の指示および分析条件の選択等を受け付ける入力装置を備えていてもよい。入力装置は例えばキーボードまたはマウス等である。また、スペクトル分析装置1は、分析結果等を表示する表示装置を備えていてもよい。表示装置は例えば液晶ディスプレイ等である。スペクトル分析装置1は、分析対象のスペクトルおよび分析結果等を記憶する記憶装置を備えていてもよい。スペクトル分析装置1は、コンピュータを含む構成とすることができる。
このようなスペクトル分析装置1を用いたスペクトル分析方法は、入力部20による入力ステップ、学習部30による学習ステップ、および、分析部40による分析ステップを備える。すなわち、入力ステップにおいて、RNNの各セルに、基準物または分析対象物で生じた光のスペクトルのデータを1つずつ入力させる。学習ステップにおいて、複数の基準物それぞれで生じた光のスペクトルのデータを学習用データとしてRNNに入力させて、RNNを学習させる。分析ステップにおいて、分析対象物で生じた光のスペクトルのデータを分析対象データとしてRNNに入力させて、RNNから出力されるデータに基づいて分析対象物を分析する。
学習ステップにおいてRNNの学習を一度行っておけば以降は分析ステップを繰り返して行うことができるので、分析ステップを行う度に学習ステップを行う必要はない。同様の理由で、RNNが学習済みであれば学習部30は不要である。
本実施形態では、スペクトルのデータをRNNに入力させてスペクトル分析を行うので、複雑な分類を行う場合、および、大量のスペクトルの分類を行う場合などであっても、高効率で高精度のスペクトル分析を安定して行うことができる。また、本実施形態では、RNNを用いて定量分析を行うことができる。
次に、第1~第4の実施例について説明する。各実施例では、基準物として以下の20種類のアミノ酸粉末を用いた。分析対象物として、これら20種類のアミノ酸粉末のうちの何れか1種類または2種類のアミノ酸粉末を含むものを用いた。
アラニン(Ala)、アルギニン(Arg)、アスパラギン(Asn)、アスパラギン酸(Asp)
システイン(Cys)、グルタミン(Gln)、グルタミン酸(Glu)、グリシン(Gly)
ヒスチジン(His)、ソロイシン(Ile)、ロイシン(Leu)、リシン(Lys)
メチオニン(Met)、フェニルアラニン(Phe)、プロリン(Pro)、セリン(Ser)
トレオニン(Thr)、トリプトファン(Trp)、チロシン(Tyr)、バリン(Val)
アラニン(Ala)、アルギニン(Arg)、アスパラギン(Asn)、アスパラギン酸(Asp)
システイン(Cys)、グルタミン(Gln)、グルタミン酸(Glu)、グリシン(Gly)
ヒスチジン(His)、ソロイシン(Ile)、ロイシン(Leu)、リシン(Lys)
メチオニン(Met)、フェニルアラニン(Phe)、プロリン(Pro)、セリン(Ser)
トレオニン(Thr)、トリプトファン(Trp)、チロシン(Tyr)、バリン(Val)
基準物および分析対象物に中心波長785nmのレーザ光を照射し、そのときに生じたラマン散乱光の強度をラマンシフト量(波数)の各値において測定して、ラマンスペクトルを求めた。各ラマンスペクトルについてピーク強度が所定値となるように規格化を行い、その規格化後のラマンスペクトルのデータをRNNに入力させた。RNNへのデータ入力に際しては、ラマンスペクトルの第nチャネルのデータである第nデータD(n)を、RNNのモデルにおいて鎖状に接続された複数のセルのうちの第nセルC(n)に入力させた。
第1実施例では、RNNとしてLSTMを用いて、分析対象物を20種類の基準物のうちの何れか一つに分類した。
学習ステップにおいて、基準物としての各アミノ酸粉末について50個のラマンスペクトルを学習用データとして用いた。学習用データの総数は1000(=50×20種類)であった。学習用データとして用いたラマンスペクトルは、信号雑音比(SN: signal-to-noise ratio)が高いものであった。例えばアラニンについて説明すると、アラニンのみからなるアミノ酸粉末のラマンスペクトルのデータをLSTMに入力させ、アラニンの学習用ラベルを値1とするとともに、他のアミノ酸粉末の学習ラベルを値0として、LSTMを学習させた。
分析ステップにおいて、分析対象物としての各アミノ酸粉末について40個のラマンスペクトルを分析対象データとして用いた。分析対象データの総数は800(=40×20種類)であった。例えばアラニンについて説明すると、アラニンのみからなるアミノ酸粉末のラマンスペクトルをSNが異なる4種類用意し、各ラマンスペクトルのデータをLSTMに入力させて、LSTMから出力ラベルを出力させた。
図2は、基準物としての各アミノ酸粉末のラマンスペクトルの例を示す図である。図3は、分析対象物としてのアラニンのラマンスペクトルの例を示す図である。この図3は、SN比が異なる4つのラマンスペクトルを示している。
図4は、LSTMのモデルの例を示す図である。この図は、分析対象物をアラニンとしたときに測定されたラマンスペクトルの第nデータD(n)をLSTMのモデルの第nセルC(n)に入力させることを示している。また、この図は、LSTMから出力される出力ラベルは、アラニン(Ala)が0.85であり、アルギニン(Arg)が0.05であり、アスパラギン(Asn)が0.01であることを示している。この図の例では、LSTMから出力される各アミノ酸粉末の出力ラベルのうちアラニンの出力ラベルの値が最も大きいので、分析対象物がアラニンであると分類される。
第1実施例と比較するための第1比較例では、以下のようにして、多変量解析により分析対象物を20種類の基準物のうちの何れか一つに分類した。すなわち、学習用データに主成分分析(PCA: Principal Component Analysis)を施した結果に基づいて、サポートベクターマシン(SVM: Support Vector Machine)により20クラスのパターン識別器を構成した。PCAの主成分数は18であり、PCAの寄与率は0.79であった。SVMによるパターン識別器に分析対象データを入力させた。
図5は、第1実施例の分類結果を表す混同行列を示す図である。図6は、第1比較例の分類結果を表す混同行列を示す図である。第1実施例の分類では正答率は98.5%であった。第1比較例の分類では正答率は98.125%であった。第1実施例と第1比較例とは同程度の分類精度が得られた。
第2実施例では、RNNとしてStacked LSTMを用いて、分析対象物に含まれる基準物の混合割合を求めた。
学習ステップにおいて、グルタミン(Gln)およびグルタミン酸(Glu)の双方または一方からなり混合割合が既知である混合物のラマンスペクトルを学習用データとして用いた。グルタミンとグルタミン酸との混合割合(mol比)をx:(1-x)とし、xを0~1の範囲で0.1刻みとして、11とおりの混合割合を有する混合物のラマンスペクトルを用意した。なお、x=1の場合はグルタミンが100%であり、x=0の場合はグルタミン酸が100%であるが、便宜上ここでは混合物という。各混合割合について50個のラマンスペクトルを学習用データとして用いた。学習用データの総数は550(=50×11種類)であった。これらのラマンスペクトルのデータをStacked LSTMに入力させ、学習用ラベルを混合割合に応じた値として、Stacked LSTMを学習させた。
分析ステップにおいて、グルタミンおよびグルタミン酸の双方または一方からなる混合物のラマンスペクトルを分析対象データとして用いた。グルタミンとグルタミン酸との混合割合を同様に11とおりとした。各混合割合について25個のラマンスペクトルを分析対象データとして用いた。分析対象データの総数は275(=25×11種類)であった。
図7は、グルタミンとグルタミン酸との混合物のラマンスペクトルの例を示す図である。この図は、各混合割合について用意した学習データとしてのラマンスペクトルを示す。
図8は、Stacked LSTMのモデルの例を示す図である。Stacked LSTMのモデルは、LSTMのモデルの各セルを多段構成したものである。この図は、グルタミン(Gln)とグルタミン酸(Glu)との混合割合が0.60:0.40である混合物を分析対象物として、その分析対象物のラマンスペクトルの第nデータD(n)をStacked LSTMのモデルの第nセルC(n)に入力させることを示している。また、この図は、Stacked LSTMから出力される出力ラベルは、グルタミン(Gln)が0.65であり、グルタミン酸(Glu)が0.35であることを示している。この図の例では、分析対象物の混合割合が0.65:0.35であると求められる。
第2実施例と比較するための第2比較例では、以下のようにして、多変量解析により分析対象物に含まれる基準物の混合割合を求めた。すなわち、学習用データにPCAを施した結果に基づいて重回帰法(MLR: Multivariate Linear Regression)により検量線を作成し、この検量線を用いて定量を行った。PCAの主成分数は54であり、PCAの寄与率は0.864であった。
図9は、第2実施例の定量結果を示す図である。図10は、第2比較例の定量結果を示す図である。これらの図は、真の混合割合(横軸)と定量結果の混合割合(縦軸)との関係を示している。これらの図において、四角のプロットは学習用データの定量結果を示し、白丸のプロットは分析対象データの定量結果を示している。また、これらの図に示された傾きが1の直線は理論直線である。学習が正しく行われていれば、プロットは理論直線上に集まる。真の混合割合と定量結果の混合割合との差を二乗平均平方根誤差で評価したところ、第2実施例では0.623であり、第2比較例では0.696であった。第2実施例と第2比較例とは同程度の定量精度が得られた。
第3実施例では、一般的なRNNを用いて、分析対象物を20種類の基準物のうちの何れか一つに分類した。第3実施例では、第1実施例の場合と同じ学習用データおよび分析対象データを用いて、第1実施例の場合と同様にして学習ステップおよび分析ステップを行った。図11は、第3実施例の分類結果を表す混同行列を示す図である。第3実施例の分類では正答率は、99.125%であり、第1実施例の分類の正答率(98.5%)と同程度であった。
第4実施例では、RNNとしてLSTMを用いて、分析対象物を20種類の基準物のうちの何れか一つに分類した。第4実施例では、第1実施例の場合と同じ学習用データおよび分析対象データを用いて、第1実施例の場合と同様にして学習ステップおよび分析ステップを行った。ただし、第4実施例では、学習ステップにおいてはラマンスペクトルの第nデータD(n)をLSTMのモデルの第nセルC(n)に入力させ、分析ステップにおいてはラマンスペクトルの第nデータD(n)をLSTMのモデルの第(n+δ)セルC(n+δ)に入力させ、シフト量δを0または正の各整数値とした。
第4実施例と比較するための第4比較例では、第1比較例の場合と同様にして、多変量解析により分析対象物を20種類の基準物のうちの何れか一つに分類した。ただし、第4比較例では、パターン識別器構成時に対して第4実施例と同様のシフト量δを分析時において与えた。
ここで用いたラマンスペクトルは、波数330cm-1付近において1チャネル当たりの波数差が2.31cm-1であり、波数1900cm-1付近において1チャネル当たりの波数差が1.24cm-1であった。
第4実施例および第4比較例の何れにおいても、シフト量δが大きくなるに従って正答率が低くなった。第4比較例より第4実施例の方が正答率の低下が小さかった。第4実施例においてシフト量δが5以下であれば十分に高い正答率が得られた。このことは、波長較正が不完全な状態でスペクトルが測定されても、RNNによりスペクトル分析を行うことにより高い正答率が得られることを意味している。
本発明によるスペクトル分析装置およびスペクトル分析方法は、上記実施形態及び構成例に限定されるものではなく、種々の変形が可能である。
上記実施形態によるスペクトル分析装置は、複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、(1)等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークを有する処理部と、(2)再帰型ニューラルネットワークの各セルに光のスペクトルのデータを1つずつ入力させる入力部と、(3)分析対象物で生じた光のスペクトルのデータを入力部により再帰型ニューラルネットワークに入力させたときに再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を分析する分析部と、を備える構成としている。
上記構成の分析装置では、処理部は、再帰型ニューラルネットワークとしてLSTMネットワークを有する構成としても良い。また、上記構成の分析装置では、入力部は、スペクトルのピーク強度が所定値となるようにスペクトルを規格化して、当該規格化後のスペクトルのデータを再帰型ニューラルネットワークに入力させる構成としても良い。
上記構成の分析装置は、複数の基準物それぞれで生じた光のスペクトルのデータを入力部により再帰型ニューラルネットワークに入力させて、再帰型ニューラルネットワークを学習させる学習部を更に備える構成としても良い。この場合、学習部は、複数の基準物のうちの何れか1または2以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを入力部により再帰型ニューラルネットワークに入力させて、混合割合を用いて再帰型ニューラルネットワークを学習させる構成としても良い。
上記構成の分析装置では、分析部は、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を複数の基準物のうちの何れか一つに分類する構成としても良い。また、上記構成の分析装置では、分析部は、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物に含まれる基準物の混合割合を求める構成としても良い。
上記実施形態によるスペクトル分析方法は、複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する方法であって、(1)等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークの各セルに光のスペクトルのデータを1つずつ入力させる入力ステップと、(2)分析対象物で生じた光のスペクトルのデータを入力ステップにおいて再帰型ニューラルネットワークに入力させたときに再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を分析する分析ステップと、を備える構成としている。
上記構成の分析方法では、再帰型ニューラルネットワークとしてLSTMネットワークを用いる構成としても良い。また、上記構成の分析方法では、入力ステップにおいて、スペクトルのピーク強度が所定値となるようにスペクトルを規格化して、当該規格化後のスペクトルのデータを再帰型ニューラルネットワークに入力させる構成としても良い。
上記構成の分析方法は、複数の基準物それぞれで生じた光のスペクトルのデータを入力ステップにおいて再帰型ニューラルネットワークに入力させて、再帰型ニューラルネットワークを学習させる学習ステップを更に備える構成としても良い。この場合、学習ステップにおいて、複数の基準物のうちの何れか1または2以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを入力ステップにおいて再帰型ニューラルネットワークに入力させて、混合割合を用いて再帰型ニューラルネットワークを学習させる構成としても良い。
上記構成の分析方法では、分析ステップにおいて、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物を複数の基準物のうちの何れか一つに分類する構成としても良い。また、上記構成の分析方法では、分析ステップにおいて、再帰型ニューラルネットワークから出力されるデータに基づいて分析対象物に含まれる基準物の混合割合を求める構成としても良い。
本発明は、高効率で高精度のスペクトル分析を行うことができる装置および方法として利用可能である。
1…スペクトル分析装置、10…処理部、20…入力部、30…学習部、40…分析部。
Claims (14)
- 複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、
等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークを有する処理部と、
前記再帰型ニューラルネットワークの各セルに光のスペクトルのデータを1つずつ入力させる入力部と、
前記分析対象物で生じた光のスペクトルのデータを前記入力部により前記再帰型ニューラルネットワークに入力させたときに前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を分析する分析部と、
を備える、スペクトル分析装置。 - 前記処理部は、前記再帰型ニューラルネットワークとしてLSTMネットワークを有する、請求項1に記載のスペクトル分析装置。
- 前記入力部は、前記スペクトルのピーク強度が所定値となるように前記スペクトルを規格化して、当該規格化後のスペクトルのデータを前記再帰型ニューラルネットワークに入力させる、請求項1または2に記載のスペクトル分析装置。
- 前記複数の基準物それぞれで生じた光のスペクトルのデータを前記入力部により前記再帰型ニューラルネットワークに入力させて、前記再帰型ニューラルネットワークを学習させる学習部を更に備える、請求項1~3の何れか1項に記載のスペクトル分析装置。
- 前記学習部は、前記複数の基準物のうちの何れか1または2以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを前記入力部により前記再帰型ニューラルネットワークに入力させて、前記混合割合を用いて前記再帰型ニューラルネットワークを学習させる、請求項4に記載のスペクトル分析装置。
- 前記分析部は、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を前記複数の基準物のうちの何れか一つに分類する、請求項1~5の何れか1項に記載のスペクトル分析装置。
- 前記分析部は、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物に含まれる前記基準物の混合割合を求める、請求項1~5の何れか1項に記載のスペクトル分析装置。
- 複数の基準物のうちの何れか1または2以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する方法であって、
等価的に複数のセルが鎖状に接続されたモデルで表される再帰型ニューラルネットワークの各セルに光のスペクトルのデータを1つずつ入力させる入力ステップと、
前記分析対象物で生じた光のスペクトルのデータを前記入力ステップにおいて前記再帰型ニューラルネットワークに入力させたときに前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を分析する分析ステップと、
を備える、スペクトル分析方法。 - 前記再帰型ニューラルネットワークとしてLSTMネットワークを用いる、請求項8に記載のスペクトル分析方法。
- 前記入力ステップにおいて、前記スペクトルのピーク強度が所定値となるように前記スペクトルを規格化して、当該規格化後のスペクトルのデータを前記再帰型ニューラルネットワークに入力させる、請求項8または9に記載のスペクトル分析方法。
- 前記複数の基準物それぞれで生じた光のスペクトルのデータを前記入力ステップにおいて前記再帰型ニューラルネットワークに入力させて、前記再帰型ニューラルネットワークを学習させる学習ステップを更に備える、請求項8~10の何れか1項に記載のスペクトル分析方法。
- 前記学習ステップにおいて、前記複数の基準物のうちの何れか1または2以上の基準物を含み混合割合が既知である混合物で生じる光のスペクトルのデータを前記入力ステップにおいて前記再帰型ニューラルネットワークに入力させて、前記混合割合を用いて前記再帰型ニューラルネットワークを学習させる、請求項11に記載のスペクトル分析方法。
- 前記分析ステップにおいて、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物を前記複数の基準物のうちの何れか一つに分類する、請求項8~12の何れか1項に記載のスペクトル分析方法。
- 前記分析ステップにおいて、前記再帰型ニューラルネットワークから出力されるデータに基づいて前記分析対象物に含まれる前記基準物の混合割合を求める、請求項8~12の何れか1項に記載のスペクトル分析方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018206465A JP7239300B2 (ja) | 2018-11-01 | 2018-11-01 | スペクトル分析装置およびスペクトル分析方法 |
JP2018-206465 | 2018-11-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020090336A1 true WO2020090336A1 (ja) | 2020-05-07 |
Family
ID=70463993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2019/039003 WO2020090336A1 (ja) | 2018-11-01 | 2019-10-02 | スペクトル分析装置およびスペクトル分析方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7239300B2 (ja) |
TW (1) | TWI818101B (ja) |
WO (1) | WO2020090336A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015211A (zh) * | 2021-03-05 | 2022-09-06 | 希森美康株式会社 | 受试物质的分析方法、分析装置、训练方法、分析***、及分析程序 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017090130A (ja) * | 2015-11-05 | 2017-05-25 | 株式会社Zmp | モニタリングシステム |
WO2017106638A1 (en) * | 2015-12-16 | 2017-06-22 | Gritstone Oncology, Inc. | Neoantigen identification, manufacture, and use |
JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
JP2018101317A (ja) * | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 異常監視システム |
JP2018147235A (ja) * | 2017-03-06 | 2018-09-20 | ヤフー株式会社 | 情報処理システム、情報処理方法、およびプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI386858B (zh) * | 2008-10-28 | 2013-02-21 | Univ Taipei Chengshih Science | The method of neural network identification of fruit grading |
-
2018
- 2018-11-01 JP JP2018206465A patent/JP7239300B2/ja active Active
-
2019
- 2019-10-02 WO PCT/JP2019/039003 patent/WO2020090336A1/ja active Application Filing
- 2019-10-22 TW TW108137990A patent/TWI818101B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017090130A (ja) * | 2015-11-05 | 2017-05-25 | 株式会社Zmp | モニタリングシステム |
WO2017106638A1 (en) * | 2015-12-16 | 2017-06-22 | Gritstone Oncology, Inc. | Neoantigen identification, manufacture, and use |
JP2018018354A (ja) * | 2016-07-28 | 2018-02-01 | 高砂香料工業株式会社 | ディープラーニングを用いた飲食品の品質予測方法及び飲食品 |
JP2018101317A (ja) * | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 異常監視システム |
JP2018147235A (ja) * | 2017-03-06 | 2018-09-20 | ヤフー株式会社 | 情報処理システム、情報処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
TW202035972A (zh) | 2020-10-01 |
JP7239300B2 (ja) | 2023-03-14 |
TWI818101B (zh) | 2023-10-11 |
JP2020071166A (ja) | 2020-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Agelet et al. | A tutorial on near infrared spectroscopy and its calibration | |
Burgasser | The SpeX Prism Library: 1000+ low-resolution, near-infrared spectra of ultracool M, L, T and Y dwarfs | |
Ciurczak et al. | Pharmaceutical and medical applications of near-infrared spectroscopy | |
Vandenabeele | Practical Raman spectroscopy: an introduction | |
Hayes et al. | ATR-FTIR spectroscopy and quantitative multivariate analysis of paints and coating materials | |
US11609181B2 (en) | Spectral analysis apparatus and spectral analysis method | |
Zou et al. | Support vector regression for determination of component of compound oxytetracycline powder on near-infrared spectroscopy | |
WO2020090336A1 (ja) | スペクトル分析装置およびスペクトル分析方法 | |
EP2366991A1 (en) | Probabilistic scoring for components of a mixture | |
Yan et al. | Handheld near-infrared spectroscopy: State-of-the-art instrumentation and applications in material identification, food authentication, and environmental investigations | |
US6820013B1 (en) | Method and device for the online analysis of solvent mixtures | |
Weyer | Utilizing zero crossover points in the near infrared reflectance analysis of industrial polymers | |
Zhao et al. | Rapid detection of benzoyl peroxide in wheat flour by using Raman scattering spectroscopy | |
Checa et al. | Preliminary study of the relation between the content of cadmium and the hyperspectral signature of organic cocoa beans | |
Sun et al. | Visible-NIR spectroscopy and least square support vector machines regression for determination of vitamin C of mandarin fruit | |
Burger | Hyperspectral NIR image analysis | |
Lasch et al. | Data acquisition and analysis in biomedical vibrational spectroscopy | |
Mejía-Correal et al. | Total Soluble Solids in Grape Must Estimation Using VIS-NIR-SWIR Reflectance Measured in Fresh Berries | |
Pillay et al. | Evaluation of the data quality from a round-robin test of hyperspectral imaging systems | |
Grüger et al. | Applications for a broadband NIR spectrometer with scanning mirror device | |
US20240210426A1 (en) | Portable multimodal optical sensing system | |
Zenteno et al. | Automatic Selection of Reference Lines for Spectrometer Calibration with Recurrent Neural Networks | |
Mark et al. | Classical Least Squares (CLS), Part 3: Expanding the Analysis to Include Concentration Information on Principal Component Regression (PCR) and Partial Least Squares (PLS) Algorithms | |
Dai | Simulations-guided design of process analytical sensor using molecular factor computing | |
Chen et al. | Low-cost monochromatic uniform illumination HSI system for detection and classification of apple bruise |
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: 19878977 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19878977 Country of ref document: EP Kind code of ref document: A1 |