ホーム > 特許ランキング > ＮＩＳＳＨＡ株式会社
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-09-14
(45)【発行日】2023-09-25
(54)【発明の名称】判定装置、判定方法、学習済みモデル及び分類器の製造方法
(51)【国際特許分類】
G01N 30/86 20060101AFI20230915BHJP
G01N 30/02 20060101ALI20230915BHJP
【ＦＩ】
G01N30/86 G
G01N30/02 Z
【請求項の数】
11
(21)【出願番号】P 2019183593
(22)【出願日】2019-10-04
(65)【公開番号】P2020064058
(43)【公開日】2020-04-23
【審査請求日】2022-08-26
(31)【優先権主張番号】P 2018192814
(32)【優先日】2018-10-11
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】000231361
【氏名又は名称】ＮＩＳＳＨＡ株式会社
(74)【代理人】
【識別番号】100158610
【弁理士】
【氏名又は名称】吉田 新吾
(72)【発明者】
【氏名】丸山 潤
【審査官】倉持 俊輔
(56)【参考文献】
【文献】特開２０１２－１６３４７５（ＪＰ，Ａ）
【文献】特開２００５－０７７１４４（ＪＰ，Ａ）
【文献】特開２００３－２５４９５６（ＪＰ，Ａ）
【文献】米国特許出願公開第２００５／０１６０７９０（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０１Ｎ ３０／０２，３０／８６，
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
特定現象で発生する第１ガス成分の保持時間が第１保持時間となるように設定されているガスクロマトグラフの分離カラムと、前記第１ガス成分を検出し、前記第１ガス成分の成分量に応じた信号強度の検出信号を出力するように構成されているガスクロマトグラフの検出器と、
前記検出器が出力する信号強度を使った演算によって、前記特定現象に関係する所定判定の判定結果を出力するコンピュータと、
を備え、
前記コンピュータは、前記第１保持時間よりも短く且つ前記第１ガス成分のピークが検出されている期間内の特定時間までに前記検出器が出力する信号強度を使って前記第１保持時間よりも短い時間で前記判定結果を出力するように構成されている、判定装置。
【請求項2】
特定現象で発生する第１ガス成分の保持時間が第１保持時間に設定され且つ、前記特定現象で前記第１ガス成分とともに発生する第２ガス成分の保持時間が前記第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムと、前記第１ガス成分及び前記第２ガス成分を検出し、前記第１ガス成分及び前記第２ガス成分の成分量に応じた信号強度の検出信号を出力するように構成されているガスクロマトグラフの検出器と、
前記検出器が出力する信号強度を使った演算によって、前記特定現象に関係する所定判定の判定結果を出力するコンピュータと、
を備え、
前記特定現象で発生する前記第１ガス成分のピークの面積と前記第２ガス成分のピークの面積の相関係数が０．６以上であり、
前記コンピュータは、前記第１保持時間よりも短く且つ前記第２ガス成分のピークが検出されている期間内の特定時間までに前記検出器が出力する信号強度を使って前記第１保持時間よりも短い時間で前記判定結果を出力するように構成されている、判定装置。
【請求項3】
前記コンピュータは、前記判定結果を出力する分類器を有し、前記分類器は、前記特定時間までの信号強度を含み且つ前記特定時間から後の信号強度を含まない訓練用入力データと、前記訓練用入力データに対応する前記判定結果を示す訓練用出力データとを含む訓練用データセットを使って機械学習した学習済みモデルを持ち、前記特定時間までに前記検出器が出力する信号強度を入力データに変換して前記学習済みモデルに入力することにより、前記判定結果を前記第１保持時間よりも短い時間で前記学習済みモデルから出力させるように構成されている、
請求項１または請求項２に記載の判定装置。
【請求項4】
前記学習済みモデルは、ニューラルネットワークまたは多項ロジスティック回帰を用いて生成されたものである、請求項３に記載の判定装置。
【請求項5】
（ａ）特定現象で発生する第１ガス成分の保持時間が第１保持時間に設定されているガスクロマトグラフの分離カラムに、前記特定現象で発生するサンプルガスを導入するステップと、（ｂ）前記分離カラムを通過したサンプルガスを、前記第１ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して前記第１ガス成分の一部を検出するステップと、
（ｃ）前記第１保持時間よりも短く且つ前記第１ガス成分のピークが検出されている期間内の特定時間までに前記検出器が出力する信号強度を使ってコンピュータにより演算を行い、前記特定現象に関係する所定判定の判定結果を前記第１保持時間よりも短い時間で出力するステップと、
を備える、判定方法。
【請求項6】
（ａ）特定現象で発生する第１ガス成分の保持時間が第１保持時間に設定され且つ前記特定現象で前記第１ガス成分とともに発生する第２ガス成分の保持時間が前記第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムに、前記特定現象で発生するサンプルガスを導入するステップと、（ｂ）前記分離カラムを通過したサンプルガスを、前記第１ガス成分及び前記第２ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して少なくとも前記第２ガス成分の一部を検出するステップと、
（ｃ）前記第１保持時間よりも短く且つ前記第２ガス成分のピークが検出されている期間内の特定時間までに前記検出器が出力する信号強度を使ってコンピュータにより演算を行い、前記特定現象に関係する所定判定の判定結果を前記第１保持時間よりも短い時間で出力するステップと、
を備え、
前記特定現象で発生する前記第１ガス成分のピークの面積と前記第２ガス成分のピークの面積の相関係数が０．６以上である、判定方法。
【請求項7】
前記コンピュータは、前記検出器が出力する信号強度についての入力データと、前記入力データに対応する前記判定結果についての出力データの関係を機械学習可能な分類器を有し、前記（ａ）ステップの前に、前記特定時間までの信号強度を含み且つ前記特定時間から後の信号強度を含まない訓練用入力データと、前記訓練用入力データに対応する前記判定結果を示す訓練用出力データとを含む訓練用データセットを使って機械学習を行って前記分類器において学習済みモデルを生成するステップを備える、
請求項５または請求項６に記載の判定方法。
【請求項8】
特定現象で発生する第１ガス成分についてガスクロマトグラフによって測定される少なくとも前記第１ガス成分の検出信号がコンピュータに入力された際に、前記特定現象に関係する所定判定を行うように前記コンピュータを機能させるための学習済みモデルであって、前記第１ガス成分の保持時間が第１保持時間に設定されているガスクロマトグラフの分離カラムに、前記特定現象で発生するサンプルガスを導入し、前記分離カラムを通過したサンプルガスを、前記第１ガス成分の成分量に応じた信号強度の前記検出信号を出力するガスクロマトグラフの検出器に通して得られる入力データを加工した加工後入力データと、
前記加工後入力データに対応する、前記検出器が出力する信号強度を使った演算によって得られた前記所定判定についての判定結果の出力データと
からつくられた訓練用データセットを使って機械学習を行うことにより構成され、
前記加工後入力データが、前記第１保持時間よりも短く且つ前記第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ前記特定時間から後の信号強度を含まないものであることを特徴とする、学習済みモデル。
【請求項9】
特定現象で発生する第１ガス成分及び第２ガス成分についてガスクロマトグラフによって測定される少なくとも前記第１ガス成分及び前記第２ガス成分の検出信号がコンピュータに入力された際に、前記特定現象に関係する所定判定を行うように前記コンピュータを機能させるための学習済みモデルであって、前記第１ガス成分の保持時間が第１保持時間に設定され且つ前記第２ガス成分の保持時間が前記第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムに、前記特定現象で発生するサンプルガスを導入し、前記分離カラムを通過したサンプルガスを、前記第１ガス成分及び前記第２ガス成分の成分量に応じた信号強度の前記検出信号を出力するガスクロマトグラフの検出器に通して得られる入力データを加工した加工後入力データと、
前記加工後入力データに対応する、前記検出器が出力する信号強度を使った演算によって得られた前記所定判定についての判定結果の出力データと
からつくられた訓練用データセットを使って機械学習を行うことにより構成され、
前記特定現象で発生する前記第１ガス成分のピークの面積と前記第２ガス成分のピークの面積の相関係数が０．６以上であり、
前記加工後入力データが、前記第１保持時間よりも短く且つ前記第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ前記特定時間から後の信号強度を含まないものであることを特徴とする、学習済みモデル。
【請求項10】
特定現象で発生する第１ガス成分についてガスクロマトグラフによって測定される少なくとも前記第１ガス成分の検出信号がコンピュータに入力された際に、前記特定現象に関係する所定判定を行うように前記コンピュータを機能させるための学習済みモデルで構成される分類器の製造方法であって、前記第１ガス成分の保持時間が第１保持時間に設定されているガスクロマトグラフの分離カラムに、前記特定現象で発生するサンプルガスを導入し、前記分離カラムを通過したサンプルガスを、前記第１ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して得られる加工前入力データを生成するステップと、
前記加工前入力データに対応する、前記検出器が出力する信号強度を使った演算によって、前記所定判定についての判定結果の出力データを生成するステップと、
前記加工前入力データから前記第１保持時間よりも短く且つ前記第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ前記特定時間から後の信号強度を含まないように加工された加工後入力データを生成するステップと、
前記加工後入力データと前記出力データとからつくられた訓練用データセットを使って機械学習を行うことにより前記学習済みモデルを生成するステップと
を備える、分類器の製造方法。
【請求項11】
特定現象で発生する第１ガス成分及び第２ガス成分についてガスクロマトグラフによって測定される少なくとも前記第１ガス成分及び前記第２ガス成分の検出信号がコンピュータに入力された際に、前記特定現象に関係する所定判定を行うように前記コンピュータを機能させるための学習済みモデルで構成されている分類器の製造方法であって、前記第１ガス成分の保持時間が第１保持時間に設定され且つ前記第２ガス成分の保持時間が前記第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムに、前記特定現象で発生するサンプルガスを導入し、前記分離カラムを通過したサンプルガスを、前記第１ガス成分及び前記第２ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して得られる加工前入力データを生成するステップと、
前記加工前入力データに対応する、前記検出器が出力する信号強度を使った演算によって、前記所定判定についての判定結果の出力データを生成するステップと、
前記加工前入力データから前記第１保持時間よりも短く且つ前記第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ前記特定時間から後の信号強度を含まないように加工された加工後入力データを生成するステップと、
前記加工後入力データと前記出力データとからつくられた訓練用データセットを使って機械学習を行うことにより前記学習済みモデルを生成するステップと
を備え、
前記特定現象で発生する前記第１ガス成分のピークの面積と前記第２ガス成分のピークの面積の相関係数が０．６以上である、分類器の製造方法。
【発明の詳細な説明】
【技術分野】
【0001】
ガスクロマトグラフの分離カラムを用いる判定装置及び判定方法、ガスクロマトグラフを用いて得られたデータを使った機械学習によって生成される学習済みモデル、並びにその学習済みモデルによって構成される分類器の製造方法に関する。
【背景技術】
【0002】
従来のガスクロマトグラフを用いた特定現象に関する判定では、特許文献１（特開２００３－２５４９５６号公報）に記載されているように、例えば、特定現象である呼吸により発生する呼気をガスクロマトグラフの分離カラムで複数のガス成分に分離して、ガス成分の分析が行われる。そして、呼気に含まれているガス成分の濃度を測定した後に、分析対象のガス成分の濃度に基づいて口臭の有無などの判定が行われる。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２００３－２５４９５６号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１に記載されているようなガスクロマトグラフを用いた判定装置では、分離カラムにおける保持時間が長いガス成分が分析対象のガス成分として含まれている場合に、ガスクロマトグラフの測定時間が掛かり、その結果、判定結果を得るまでに長い時間が掛かる。
学術的な判定及び医学的な判定などでは、正確性が重視されるため、測定時間が長くなることが許容される傾向がある。しかしながら、例えば、口臭のチェックは、日常生活でも行われており、日常的に行われる口臭のチェックでは、正確さを多少犠牲にしても、判定までの時間を短縮することが重視される場合がある。例えば、外出する前に、判定者自身の口臭の程度を簡単にチェックする場合などである。また、集団健康診断での簡易聴力検査等のように、正確性を多少犠牲にしても迅速に健常者をスクリーニングする検査が行われることもある。
学術的な判定及び医学的な判定などでは、正確性が重視されるため、測定時間が長くなることが許容される傾向がある。しかしながら、例えば、口臭のチェックは、日常生活でも行われており、日常的に行われる口臭のチェックでは、正確さを多少犠牲にしても、判定までの時間を短縮することが重視される場合がある。例えば、外出する前に、判定者自身の口臭の程度を簡単にチェックする場合などである。また、集団健康診断での簡易聴力検査等のように、正確性を多少犠牲にしても迅速に健常者をスクリーニングする検査が行われることもある。
【0005】
このように、ガスクロマトグラフの分離カラムを使用する判定装置及び判定方法においては、判定結果を出力するまでに掛かる時間を短縮するという課題がある。
【課題を解決するための手段】
【0006】
以下に、課題を解決するための手段として複数の態様を説明する。これら態様は、必要に応じて任意に組み合せることができる。
一見地に係る判定装置は、特定現象で発生する第１ガス成分の保持時間が第１保持時間となるように設定されているガスクロマトグラフの分離カラムと、第１ガス成分を検出し、第１ガス成分の成分量に応じた信号強度の検出信号を出力するように構成されているガスクロマトグラフの検出器と、検出器が出力する信号強度を使った演算によって、特定現象に関係するものであって且つ少なくとも第１ガス成分の濃度を入力変数として判定する所定判定の判定結果を出力するコンピュータと、を備え、コンピュータは、第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するように構成されている。
このように構成された判定装置では、第１保持時間より短く且つ第１ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定装置に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
一見地に係る判定装置は、特定現象で発生する第１ガス成分の保持時間が第１保持時間となるように設定されているガスクロマトグラフの分離カラムと、第１ガス成分を検出し、第１ガス成分の成分量に応じた信号強度の検出信号を出力するように構成されているガスクロマトグラフの検出器と、検出器が出力する信号強度を使った演算によって、特定現象に関係するものであって且つ少なくとも第１ガス成分の濃度を入力変数として判定する所定判定の判定結果を出力するコンピュータと、を備え、コンピュータは、第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するように構成されている。
このように構成された判定装置では、第１保持時間より短く且つ第１ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定装置に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
【0007】
他の見地に係る判定装置は、特定現象で発生する第１ガス成分の保持時間が第１保持時間に設定され且つ、特定現象で第１ガス成分とともに発生する第２ガス成分の保持時間が第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムと、第１ガス成分及び第２ガス成分を検出し、第１ガス成分及び第２ガス成分の成分量に応じた信号強度の検出信号を出力するように構成されているガスクロマトグラフの検出器と、検出器が出力する信号強度を使った演算によって、特定現象に関係するものであって且つ少なくとも第１ガス成分及び第２ガス成分の濃度を入力変数として判定する所定判定の判定結果を出力するコンピュータと、を備え、コンピュータは、第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するように構成されている。
このように構成された判定装置では、第１保持時間より短く且つ第２ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定装置に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
このように構成された判定装置では、第１保持時間より短く且つ第２ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定装置に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
【0008】
上述の判定装置において、コンピュータは、判定結果を出力する分類器を有し、分類器は、特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用入力データと、訓練用入力データに対応する判定結果を示す訓練用出力データとを含む訓練用データセットを使って機械学習した学習済みモデルを持ち、特定時間までに検出器が出力する信号強度を入力データに変換して学習済みモデルに入力することにより、判定結果を第１保持時間よりも短い時間で学習済みモデルから出力させるように構成することができる。このように構成された判定装置では、特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用データセットで機械学習した学習済みモデルから判定結果を出力させるので、判定結果の信頼性を向上させることができる。
上述の判定装置において、学習済みモデルは、ニューラルネットワークまたは多項ロジスティック回帰を用いて生成することができる。このように構成された判定装置では、ニューラルネットワークまたは多項ロジスティック回帰を用いて学習済みモデルが生成された場合に判定結果に高い信頼性を得られることが確認できており、性能の良い判定装置を実現することができる。
上述の判定装置において、学習済みモデルは、ニューラルネットワークまたは多項ロジスティック回帰を用いて生成することができる。このように構成された判定装置では、ニューラルネットワークまたは多項ロジスティック回帰を用いて学習済みモデルが生成された場合に判定結果に高い信頼性を得られることが確認できており、性能の良い判定装置を実現することができる。
【0009】
一見地に係る判定方法は、（ａ）特定現象で発生する第１ガス成分の保持時間が第１保持時間に設定されているガスクロマトグラフの分離カラムに、特定現象で発生するサンプルガスを導入するステップと、（ｂ）分離カラムを通過したサンプルガスを、第１ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して第１ガス成分を検出するステップと、（ｃ）第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までに検出器が出力する信号強度を使ってコンピュータにより演算を行い、特定現象に関係するものであって且つ少なくとも第１ガス成分の濃度を入力変数として判定する所定判定の判定結果を第１保持時間よりも短い時間で出力するステップと、を備える。
このように構成された判定方法では、第１保持時間より短く且つ第１ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定方法に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
このように構成された判定方法では、第１保持時間より短く且つ第１ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定方法に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
【0010】
他の見地に係る判定方法は、（ａ）特定現象で発生する第１ガス成分の保持時間が第１保持時間に設定され且つ特定現象で第１ガス成分とともに発生する第２ガス成分の保持時間が第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムに、特定現象で発生するサンプルガスを導入するステップと、（ｂ）分離カラムを通過したサンプルガスを、第１ガス成分及び第２ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して少なくとも第２ガス成分の一部を検出するステップと、（ｃ）第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までに検出器が出力する信号強度を使ってコンピュータにより演算を行い、特定現象に関係するものであって且つ少なくとも第１ガス成分及び第２ガス成分の濃度を入力変数として判定する所定判定の判定結果を第１保持時間よりも短い時間で出力するステップとを備える。
このように構成された判定方法では、第１保持時間より短く且つ第２ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定方法に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
このように構成された判定方法では、第１保持時間より短く且つ第２ガス成分のピークが発生している期間内の特定時間までに検出器が出力する信号強度を使って第１保持時間よりも短い時間で判定結果を出力するので、第１保持時間よりも長い時間で判定結果を出力する従来の判定方法に比べて、判定時間を出力するまでに掛かる時間を短縮することができる。
【0011】
上述の判定方法において、コンピュータは、検出器が出力する信号強度についての入力データと、入力データに対応する判定結果についての出力データの関係を機械学習可能な分類器を有し、（ａ）ステップの前に、特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用入力データと、訓練用入力データに対応する判定結果を示す訓練用出力データとを含む訓練用データセットを使って機械学習を行って分類器において学習済みモデルを生成するステップを備えるように構成できる。このように構成された判定方法では、特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用入力データを含む訓練用データセットで学習した学習済みモデルから判定結果を出力させるので、判定結果の信頼性を向上させることができる。
【0012】
一見地に係る学習済みモデルは、特定現象で発生する第１ガス成分についてガスクロマトグラフによって測定される少なくとも第１ガス成分の濃度を入力変数として判定するものであって且つ特定現象に関係する所定判定を行うようにコンピュータを機能させるための学習済みモデルであって、第１ガス成分の保持時間が第１保持時間に設定されているガスクロマトグラフの分離カラムに、特定現象で発生するサンプルガスを導入し、分離カラムを通過したサンプルガスを、第１ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して得られる入力データと、入力データに対応する、検出器が出力する信号強度を使った演算によって得られた所定判定についての判定結果の出力データとからつくられた訓練用データセットを使って機械学習を行うことにより構成され、入力データが、第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないものであることを特徴とする。
このように構成された学習済みモデルでは、第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用データセットで機械学習しているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
このように構成された学習済みモデルでは、第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用データセットで機械学習しているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
【0013】
他の見地に係る学習済みモデルは、特定現象で発生する第１ガス成分及び第２ガス成分についてガスクロマトグラフによって測定される少なくとも第１ガス成分及び第２ガス成分の濃度を入力変数として判定するものであって且つ特定現象に関係する所定判定を行うようにコンピュータを機能させるための学習済みモデルであって、第１ガス成分の保持時間が第１保持時間に設定され且つ第２ガス成分の保持時間が第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムに、特定現象で発生するサンプルガスを導入し、分離カラムを通過したサンプルガスを、第１ガス成分及び第２ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して得られる入力データと、入力データに対応する、検出器が出力する信号強度を使った演算によって得られた所定判定についての判定結果の出力データとからつくられた訓練用データセットを使って機械学習を行うことにより構成され、入力データが、第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないものであることを特徴とする。
このように構成された学習済みモデルでは、第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用入力データで機械学習しているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
このように構成された学習済みモデルでは、第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まない訓練用入力データで機械学習しているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
【0014】
一見地に係る分類器の製造方法は、特定現象で発生する第１ガス成分についてガスクロマトグラフによって測定される少なくとも第１ガス成分の濃度を入力変数として判定するものであって且つ特定現象に関係する所定判定を行うようにコンピュータを機能させるための学習済みモデルで構成される分類器の製造方法であって、第１ガス成分の保持時間が第１保持時間に設定されているガスクロマトグラフの分離カラムに、特定現象で発生するサンプルガスを導入し、分離カラムを通過したサンプルガスを、第１ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して得られる加工前入力データを生成するステップと、加工前入力データに対応する、検出器が出力する信号強度を使った演算によって、所定判定についての判定結果の出力データを生成するステップと、加工前入力データから第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないように加工された加工後入力データを生成するステップと、加工後入力データと出力データとからつくられた訓練用データセットを使って機械学習を行うことにより学習済みモデルを生成するステップとを備える。
このように構成された分類器の製造方法では、学習済みモデルが、第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないように加工された加工後入力データと出力データとからつくられた訓練用データセットを使って機械学習を行うことにより生成されているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
このように構成された分類器の製造方法では、学習済みモデルが、第１保持時間よりも短く且つ第１ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないように加工された加工後入力データと出力データとからつくられた訓練用データセットを使って機械学習を行うことにより生成されているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
【0015】
他の一見地に係る分類器の製造方法は、特定現象で発生する第１ガス成分及び第２ガス成分についてガスクロマトグラフによって測定される少なくとも第１ガス成分及び第２ガス成分の濃度を入力変数として判定するものであって且つ特定現象に関係する所定判定を行うようにコンピュータを機能させるための学習済みモデルで構成されている分類器の製造方法であって、第１ガス成分の保持時間が第１保持時間に設定され且つ第２ガス成分の保持時間が第１保持時間よりも短い第２保持時間に設定されているガスクロマトグラフの分離カラムに、特定現象で発生するサンプルガスを導入し、分離カラムを通過したサンプルガスを、第１ガス成分及び第２ガス成分の成分量に応じた信号強度の検出信号を出力するガスクロマトグラフの検出器に通して得られる加工前入力データを生成するステップと、加工前入力データに対応する、検出器が出力する信号強度を使った演算によって、所定判定についての判定結果の出力データを生成するステップと、加工前入力データから第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないように加工された加工後入力データを生成するステップと、加工後入力データと出力データとからつくられた訓練用データセットを使って機械学習を行うことにより学習済みモデルを生成するステップとを備える。
このように構成された分類器の製造方法では、学習済みモデルが、第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないように加工された加工後入力データと出力データとからつくられた訓練用データセットを使って機械学習を行うことにより生成されているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
上述の判定装置、上述の判定方法、上述の学習済みモデル、または上述の分類器の製造方法において、訓練用データセットには、第１ガス成分のピークに隣接し且つ所定判定とは無関係なガス成分のピークに関する情報を含むものを用いることができる。このように構成された判定装置、上述の判定方法、上述の学習済みモデル、または上述の分類器の製造方法では、無関係なガス成分のピークが判定結果に及ぼす影響を抑制することができる。
このように構成された分類器の製造方法では、学習済みモデルが、第１保持時間よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間までの信号強度を含み且つ特定時間から後の信号強度を含まないように加工された加工後入力データと出力データとからつくられた訓練用データセットを使って機械学習を行うことにより生成されているので、第１保持時間よりも短い時間で出力される判定結果の信頼性を向上させることができる。
上述の判定装置、上述の判定方法、上述の学習済みモデル、または上述の分類器の製造方法において、訓練用データセットには、第１ガス成分のピークに隣接し且つ所定判定とは無関係なガス成分のピークに関する情報を含むものを用いることができる。このように構成された判定装置、上述の判定方法、上述の学習済みモデル、または上述の分類器の製造方法では、無関係なガス成分のピークが判定結果に及ぼす影響を抑制することができる。
【発明の効果】
【0016】
上述の判定装置、上述の判定方法、上述の学習済みモデル、または上述の分類器の製造方法により製造された分類器を用いれば、ガスクロマトグラフの分離カラムを使用する判定装置及び判定方法においては、判定結果を出力するまでに掛かる時間を短縮する。
【図面の簡単な説明】
【0017】
【図1】第１及び第２実施形態に係る判定装置の構成例の概要を示す模式図。
【図2】検出器から出力される第１ガス成分の出力電圧を説明するためのグラフ。
【図3】特定時間を説明するためのグラフ。
【図4】第１実施形態に係る判定方法の概要を示すフローチャート。
【図5】第１及び第２実施形態に係る機械学習を説明するためのブロック図。
【図7】コンピュータの構成例の概要を示すブロック図。
【図8】隠れ層が１層の多層パーセプトロンを説明するための概念図。
【図9】検出器から出力される第１ガス成分及び第２ガス成分の出力電圧を説明するためのグラフ。
【図10】第２実施形態に係る判定方法の概要を示すフローチャート。
【図11】学習ステップ数と正解率の関係の一例を示すグラフ。
【図12】学習ステップ数と正解率の関係の一例を示すグラフ。
【図13】シグモイド関数を説明するためのグラフ。
【発明を実施するための形態】
【0018】
＜第１実施形態＞
（１）判定装置１の概要
図１には、判定装置１の一構成例の概要が示されている。判定装置１は、ガスクロマトグラフ１０の分離カラム１５と、ガスクロマトグラフ１０の検出器１６と、所定判定についての判定結果を出力するコンピュータ３０とを備えている。また、図２には、１回の測定で、検出器１６から出力される出力信号の一例が示されている。特定現象で第１ガス成分が発生している場合には、検出器１６から出力される検出信号には、第１ガス成分のピークＰ１が現れる。また、図２には、第１ガス成分についての第１保持時間ｔ１と特定時間ｓｔ１とが記載されている。特定時間ｓｔ１は、第１ガス成分のピークＰ１が検出されている期間内の時間である。言い換えると、特定時間ｓｔ１は、経過時間０秒からピークＰ１の傾斜部分が現れている期間内のいずれかの時点に達するまでの時間である。経過時間０秒とは、サンプルガスを分離カラム１５に導入した時点である。図３に示されているように、ピークＰが検出された期間ｔｐは、ピークＰの頂点ＰＰの出力電圧Ｖｐの２分の１の出力電圧Ｖｐ／２の点を通り、ピークＰの出力電圧Ｖｐ／２の点の傾きを持つ直線Ｌ１，Ｌ２と出力電圧０Ｖの軸とが交わる点の間の期間で定義する。第１実施形態では、例えば、出力電圧Ｖｐの８割よりも低い出力電圧が現れるまでの時間を特定時間ｓｔ１とすることが好ましい。特定時間ｓｔ１が短い方が判定結果を出力するまでの時間を短くできるからである。
分離カラム１５は、特定現象で発生する第１ガス成分の保持時間が第１保持時間ｔ１となるように設定されている。見方を変えると、第１ガス成分からなるガスを分離カラム１５に導入した時間からピークＰの頂点ＰＰが測定される時間を、ガスクロマトグラフ１０で測定すれば、第１保持時間ｔ１を特定することができる。
（１）判定装置１の概要
図１には、判定装置１の一構成例の概要が示されている。判定装置１は、ガスクロマトグラフ１０の分離カラム１５と、ガスクロマトグラフ１０の検出器１６と、所定判定についての判定結果を出力するコンピュータ３０とを備えている。また、図２には、１回の測定で、検出器１６から出力される出力信号の一例が示されている。特定現象で第１ガス成分が発生している場合には、検出器１６から出力される検出信号には、第１ガス成分のピークＰ１が現れる。また、図２には、第１ガス成分についての第１保持時間ｔ１と特定時間ｓｔ１とが記載されている。特定時間ｓｔ１は、第１ガス成分のピークＰ１が検出されている期間内の時間である。言い換えると、特定時間ｓｔ１は、経過時間０秒からピークＰ１の傾斜部分が現れている期間内のいずれかの時点に達するまでの時間である。経過時間０秒とは、サンプルガスを分離カラム１５に導入した時点である。図３に示されているように、ピークＰが検出された期間ｔｐは、ピークＰの頂点ＰＰの出力電圧Ｖｐの２分の１の出力電圧Ｖｐ／２の点を通り、ピークＰの出力電圧Ｖｐ／２の点の傾きを持つ直線Ｌ１，Ｌ２と出力電圧０Ｖの軸とが交わる点の間の期間で定義する。第１実施形態では、例えば、出力電圧Ｖｐの８割よりも低い出力電圧が現れるまでの時間を特定時間ｓｔ１とすることが好ましい。特定時間ｓｔ１が短い方が判定結果を出力するまでの時間を短くできるからである。
分離カラム１５は、特定現象で発生する第１ガス成分の保持時間が第１保持時間ｔ１となるように設定されている。見方を変えると、第１ガス成分からなるガスを分離カラム１５に導入した時間からピークＰの頂点ＰＰが測定される時間を、ガスクロマトグラフ１０で測定すれば、第１保持時間ｔ１を特定することができる。
【0019】
検出器１６は、第１ガス成分を検出できるように構成されている。また、検出器１６は、第１ガス成分の成分量に応じた信号強度の検出信号を出力するように構成されている。図２に示されている例では、検出信号の信号強度が出力電圧に対応する。
コンピュータ３０は、検出器１６が出力する出力電圧（信号強度）を使った演算によって特定現象に関係する所定判定についての判定結果を出力するように構成されている。所定判定は、少なくとも第１ガス成分の濃度を入力変数として判定するものである。
また、コンピュータ３０は、第１保持時間ｔ１よりも短く且つ第１ガス成分のピークＰ１が検出されている期間内の特定時間ｓｔ１までに検出器１６が出力する信号強度を使って第１保持時間ｔ１よりも短い時間で判定結果を出力するように構成されている。
なお、図２に示されているピークＰ０は、雑ガスのピークである。雑ガスも特定現象で発生する。しかし、雑ガスのピークＰ０は、所定判定とは相関の無いものであり、雑ガスの信号強度は所定判定の入力変数には含まれていない。
なお、従来の判定方法及び判定装置においては、雑ガスなどの判定に無関係なピークＰ０と判定に係わるピークＰ１が特に隣接している場合、ピークＰ０がピークＰ１に影響を及ぼすことがあるため、ピークＰ０に係る値を元にピークＰ１に係る値を補正することが一般に行われている。このような従来の補正処理の課題として、ピークＰ０がピークＰ１より大きい場合などにおいて、補正後のピークＰ１のガス成分の濃度が負の値となるなどの異常が発生し、所望の判定ができないことがある。
一方、判定に無関係なピークＰ０の部分も訓練用入力データに含める分類器では、上述のようなピークに関する補正処理をすることなく、ピークＰ０の影響を加味した学習を行うことができるため、判定に無関係なピークＰ０と判定に係わるピークＰ１が隣接しており且つ、判定に無関係なピークＰ０が判定に係わるピークＰ１より大きい場合でも正解率の高い判定が可能になる。なお、ここで、判定に係わるピークＰ１とは、所定判定の入力変数の濃度を与えるピークと言い換えることができる。
コンピュータ３０は、検出器１６が出力する出力電圧（信号強度）を使った演算によって特定現象に関係する所定判定についての判定結果を出力するように構成されている。所定判定は、少なくとも第１ガス成分の濃度を入力変数として判定するものである。
また、コンピュータ３０は、第１保持時間ｔ１よりも短く且つ第１ガス成分のピークＰ１が検出されている期間内の特定時間ｓｔ１までに検出器１６が出力する信号強度を使って第１保持時間ｔ１よりも短い時間で判定結果を出力するように構成されている。
なお、図２に示されているピークＰ０は、雑ガスのピークである。雑ガスも特定現象で発生する。しかし、雑ガスのピークＰ０は、所定判定とは相関の無いものであり、雑ガスの信号強度は所定判定の入力変数には含まれていない。
なお、従来の判定方法及び判定装置においては、雑ガスなどの判定に無関係なピークＰ０と判定に係わるピークＰ１が特に隣接している場合、ピークＰ０がピークＰ１に影響を及ぼすことがあるため、ピークＰ０に係る値を元にピークＰ１に係る値を補正することが一般に行われている。このような従来の補正処理の課題として、ピークＰ０がピークＰ１より大きい場合などにおいて、補正後のピークＰ１のガス成分の濃度が負の値となるなどの異常が発生し、所望の判定ができないことがある。
一方、判定に無関係なピークＰ０の部分も訓練用入力データに含める分類器では、上述のようなピークに関する補正処理をすることなく、ピークＰ０の影響を加味した学習を行うことができるため、判定に無関係なピークＰ０と判定に係わるピークＰ１が隣接しており且つ、判定に無関係なピークＰ０が判定に係わるピークＰ１より大きい場合でも正解率の高い判定が可能になる。なお、ここで、判定に係わるピークＰ１とは、所定判定の入力変数の濃度を与えるピークと言い換えることができる。
【0020】
（２）判定方法の概要
第１実施形態の判定装置１を用いて行われる判定方法は、図４に示されているフローで行われる。
まず、ステップＳ１では、上述のガスクロマトグラフ１０の分離カラム１５に、特定現象で発生するサンプルガスを導入する。
ステップＳ２では、分離カラム１５を通過したサンプルガスを、上述のガスクロマトグラフ１０の検出器１６に通して前記第１ガス成分を検出する。
ステップＳ３では、第１保持時間ｔ１よりも短く且つ第１ガス成分のピークＰ１が検出されている期間内の特定時間ｓｔ１までに検出器１６が出力する信号強度を使ってコンピュータ３０により演算を行い、上述の所定判定についての判定結果を第１保持時間ｔ１よりも短い時間で出力する。
第１実施形態の判定装置１を用いて行われる判定方法は、図４に示されているフローで行われる。
まず、ステップＳ１では、上述のガスクロマトグラフ１０の分離カラム１５に、特定現象で発生するサンプルガスを導入する。
ステップＳ２では、分離カラム１５を通過したサンプルガスを、上述のガスクロマトグラフ１０の検出器１６に通して前記第１ガス成分を検出する。
ステップＳ３では、第１保持時間ｔ１よりも短く且つ第１ガス成分のピークＰ１が検出されている期間内の特定時間ｓｔ１までに検出器１６が出力する信号強度を使ってコンピュータ３０により演算を行い、上述の所定判定についての判定結果を第１保持時間ｔ１よりも短い時間で出力する。
【0021】
（３）コンピュータ３０の構成の概要
図１に示されているように、コンピュータ３０は、分類器３１を有している。ここで、分類器３１は、所定のモデルを有し、学習によって所定のモデルのモデルパラメータを最適化する機能を持つ機器である。分類器３１は、特定現象に属する個々の現象を、その種類、性質、系統などに分類する機器と見ることもできる。学習後の所定のモデルを学習済みモデルという。学習済みモデルは、例えば、多項ロジスティック回帰またはニューラルネットワークを利用して生成される。判定装置１の分類器３１は、学習済みモデル３２を含んでいる。ニューラルネットワークを利用する場合には、例えば、図８に示されているように、隠れ層を持つ多層パーセプトロンを用いることができる。図８に示されている多層パーセプトロンは、１層の隠れ層を持つタイプである。この第１実施形態及び後述の第２実施形態において、学習済みモデル３２は、１または複数の入力変数に対して判定結果としての出力値または出力ベクトルを与える関数と言い換えることができる。図８においては、ニューロン３６と入力信号と出力信号が一部省略して示されている。
（３－１）学習済みモデル３２によって構成された分類器３１の製造方法
分類器３１の製造方法の中核となるステップは、学習済みモデル３２の生成に関するステップである。図５に、学習済みモデル３２を生成するフローが模式的に示されている。この図５には、学習フェーズＰｈ１と判定フェーズＰｈ２とが示されている。
図１に示されているように、コンピュータ３０は、分類器３１を有している。ここで、分類器３１は、所定のモデルを有し、学習によって所定のモデルのモデルパラメータを最適化する機能を持つ機器である。分類器３１は、特定現象に属する個々の現象を、その種類、性質、系統などに分類する機器と見ることもできる。学習後の所定のモデルを学習済みモデルという。学習済みモデルは、例えば、多項ロジスティック回帰またはニューラルネットワークを利用して生成される。判定装置１の分類器３１は、学習済みモデル３２を含んでいる。ニューラルネットワークを利用する場合には、例えば、図８に示されているように、隠れ層を持つ多層パーセプトロンを用いることができる。図８に示されている多層パーセプトロンは、１層の隠れ層を持つタイプである。この第１実施形態及び後述の第２実施形態において、学習済みモデル３２は、１または複数の入力変数に対して判定結果としての出力値または出力ベクトルを与える関数と言い換えることができる。図８においては、ニューロン３６と入力信号と出力信号が一部省略して示されている。
（３－１）学習済みモデル３２によって構成された分類器３１の製造方法
分類器３１の製造方法の中核となるステップは、学習済みモデル３２の生成に関するステップである。図５に、学習済みモデル３２を生成するフローが模式的に示されている。この図５には、学習フェーズＰｈ１と判定フェーズＰｈ２とが示されている。
【0022】
（３－１－１）学習フェーズＰｈ１
学習フェーズＰｈ１では、まず、ステップＳ１１で、ガスクロマトグラフ１０に特定現象で発生するサンプルガスを導入して、特定現象で発生するガス成分の測定を行う。そして、検出器１６が時間の経過にともなって出力する信号強度についての入力データを複数のケースについて取得する。また、各入力データに対応する判定結果も出力データとして各ケースについて取得する。前述の複数組みの入力データと出力データが生データの集合４１になる。
ステップＳ１２で、生データの集合、言い換えると複数組みの入力データと出力データが、分類器３１に入力できるようにデータ変換される。このステップＳ１２では、入力データが、特定時間ｓｔ１までに検出器１６が出力する信号強度だけを残すように加工される。言い換えると、入力データから特定時間ｓｔ１の後のデータが削除される。このような加工がされた入力データを加工後入力データという。特定時間ｓｔ１までの入力データが変換されて、訓練用入力データが作成される。入力データは、例えば予め決められた要素数（例えば１０００個）の１次元配列のデータに変換される。出力データは、データ変換されることによって訓練用出力データになる。なお、出力データは、データ変換しなくても分類器３１の学習に使用できる場合があり、そのような場合には、出力データがそのまま訓練用出力データになる。これら複数組みの訓練用入力データと訓練用出力データが訓練用データセット４２になる。
分類器３１は、訓練用入力データと訓練用出力データの関係を学習できる分類器である。ステップＳ１３では、分類器３１は、訓練用データセット４２を使って機械学習を行い、学習済みモデル３２を生成する。言い換えると、学習済みモデル３２で構成された分類器３１が、ステップＳ１１からステップＳ１３を経て製造される。ステップＳ１３で行われるのは、教師あり学習である。
学習フェーズＰｈ１では、まず、ステップＳ１１で、ガスクロマトグラフ１０に特定現象で発生するサンプルガスを導入して、特定現象で発生するガス成分の測定を行う。そして、検出器１６が時間の経過にともなって出力する信号強度についての入力データを複数のケースについて取得する。また、各入力データに対応する判定結果も出力データとして各ケースについて取得する。前述の複数組みの入力データと出力データが生データの集合４１になる。
ステップＳ１２で、生データの集合、言い換えると複数組みの入力データと出力データが、分類器３１に入力できるようにデータ変換される。このステップＳ１２では、入力データが、特定時間ｓｔ１までに検出器１６が出力する信号強度だけを残すように加工される。言い換えると、入力データから特定時間ｓｔ１の後のデータが削除される。このような加工がされた入力データを加工後入力データという。特定時間ｓｔ１までの入力データが変換されて、訓練用入力データが作成される。入力データは、例えば予め決められた要素数（例えば１０００個）の１次元配列のデータに変換される。出力データは、データ変換されることによって訓練用出力データになる。なお、出力データは、データ変換しなくても分類器３１の学習に使用できる場合があり、そのような場合には、出力データがそのまま訓練用出力データになる。これら複数組みの訓練用入力データと訓練用出力データが訓練用データセット４２になる。
分類器３１は、訓練用入力データと訓練用出力データの関係を学習できる分類器である。ステップＳ１３では、分類器３１は、訓練用データセット４２を使って機械学習を行い、学習済みモデル３２を生成する。言い換えると、学習済みモデル３２で構成された分類器３１が、ステップＳ１１からステップＳ１３を経て製造される。ステップＳ１３で行われるのは、教師あり学習である。
【0023】
（３－１－２）判定フェーズＰｈ２
判定装置１は、学習フェーズＰｈ１で生成された学習済みモデル３２で構成された分類器３１を用いて製造される。従って、判定装置１のコンピュータ３０は、学習済みモデル３２で構成された分類器３１を備えている。
１回の判定では、特定現象で発生したサンプルガス５１がガスクロマトグラフ１０に導入される。ガスクロマトグラフ１０は、サンプルガスの測定を行って、検出信号５２をコンピュータ３０に出力する。検出信号５２は、例えば、時間の経過にともなって信号強度である出力電圧が変化するアナログ信号である。コンピュータ３０は、検出信号５２を、コンピュータ３０のデータ変換部３３で、予め決められた要素数の１次元配列の変換後データ３４に変換する。変換後データ３４の要素数は、訓練用入力データの要素数と同じであることが好ましい。
分類器３１に変換後データ５３が入力されると、学習済みモデル３２が変換後データ５３を入力として、判定結果５４を出力する。
判定装置１は、学習フェーズＰｈ１で生成された学習済みモデル３２で構成された分類器３１を用いて製造される。従って、判定装置１のコンピュータ３０は、学習済みモデル３２で構成された分類器３１を備えている。
１回の判定では、特定現象で発生したサンプルガス５１がガスクロマトグラフ１０に導入される。ガスクロマトグラフ１０は、サンプルガスの測定を行って、検出信号５２をコンピュータ３０に出力する。検出信号５２は、例えば、時間の経過にともなって信号強度である出力電圧が変化するアナログ信号である。コンピュータ３０は、検出信号５２を、コンピュータ３０のデータ変換部３３で、予め決められた要素数の１次元配列の変換後データ３４に変換する。変換後データ３４の要素数は、訓練用入力データの要素数と同じであることが好ましい。
分類器３１に変換後データ５３が入力されると、学習済みモデル３２が変換後データ５３を入力として、判定結果５４を出力する。
【0024】
（３－２）コンピュータ３０のハードウェア
図７は、コンピュータ３０の一例の概要を示すブロック図である。例えば、コンピュータ３０は、プログラム命令を実行するための中央演算処理装置（ＣＰＵ）６１を備えている。ＣＰＵ６１は、コンピュータ３０のモジュール間で、データや制御情報などをやり取りするためのバス６９に接続されている。ＲＯＭ６２及びＲＡＭ６３は、プログラムを記憶させる場所及びデータを記憶させる場所を有する。これらＲＯＭ６２及びＲＡＭ６３は、バス６９を介してＣＰＵ６１に接続されている。コンピュータ３０は、通信ネットワーク（図示せず）を介してプログラミング及びデータを受信し得るが、例えば、ＲＯＭ６２及びＲＡＭ６３により処理及び／または通信される。また、ＣＰＵ６１は、入出力ポート６４を介して、例えば入力装置であるタッチスクリーン６５及び補助記憶装置であるＵＳＢフラッシュドライブ６６などの周辺機器に接続されている。なお、コンピュータ３０を構成するＣＰＵ６１などのハードウェア要素、及びコンピュータ３０を動作させるためのプログラムなどのソフトウェア要素には、従来から知られているものを用いることができる。
なお、コンピュータ３０が、メモリに格納された実行可能なプログラム及びデータをＣＰＵによって解釈実行することで制御を行う場合について説明した。このプログラム及びデータは、記録媒体を介してメモリ内に導入されてもよいし、記録媒体上から直接実行されてもよい。また、記録媒体からメモリへのプログラム及びデータの導入は、電話回線や搬送路等を介して行ってもよい。しかし、コンピュータ３０は、ＣＰＵとメモリを用いて行うのと同様の制御を行うことができる集積回路（ＩＣ）を用いて構成されてもよい。ここでいうＩＣには、ＬＳＩ（large-scale integrated circuit）、ＡＳＩＣ（application-specific integrated circuit）、ゲートアレイ、ＦＰＧＡ（field programmable gate array）等が含まれる。
図７は、コンピュータ３０の一例の概要を示すブロック図である。例えば、コンピュータ３０は、プログラム命令を実行するための中央演算処理装置（ＣＰＵ）６１を備えている。ＣＰＵ６１は、コンピュータ３０のモジュール間で、データや制御情報などをやり取りするためのバス６９に接続されている。ＲＯＭ６２及びＲＡＭ６３は、プログラムを記憶させる場所及びデータを記憶させる場所を有する。これらＲＯＭ６２及びＲＡＭ６３は、バス６９を介してＣＰＵ６１に接続されている。コンピュータ３０は、通信ネットワーク（図示せず）を介してプログラミング及びデータを受信し得るが、例えば、ＲＯＭ６２及びＲＡＭ６３により処理及び／または通信される。また、ＣＰＵ６１は、入出力ポート６４を介して、例えば入力装置であるタッチスクリーン６５及び補助記憶装置であるＵＳＢフラッシュドライブ６６などの周辺機器に接続されている。なお、コンピュータ３０を構成するＣＰＵ６１などのハードウェア要素、及びコンピュータ３０を動作させるためのプログラムなどのソフトウェア要素には、従来から知られているものを用いることができる。
なお、コンピュータ３０が、メモリに格納された実行可能なプログラム及びデータをＣＰＵによって解釈実行することで制御を行う場合について説明した。このプログラム及びデータは、記録媒体を介してメモリ内に導入されてもよいし、記録媒体上から直接実行されてもよい。また、記録媒体からメモリへのプログラム及びデータの導入は、電話回線や搬送路等を介して行ってもよい。しかし、コンピュータ３０は、ＣＰＵとメモリを用いて行うのと同様の制御を行うことができる集積回路（ＩＣ）を用いて構成されてもよい。ここでいうＩＣには、ＬＳＩ（large-scale integrated circuit）、ＡＳＩＣ（application-specific integrated circuit）、ゲートアレイ、ＦＰＧＡ（field programmable gate array）等が含まれる。
【0025】
（４）ガスクロマトグラフ１０
図１に示されているように、ガスクロマトグラフ１０は、エアポンプ１１とガス浄化装置１２と流量調整器１３と流量センサ１４と分離カラム１５と検出器１６とカラムヒータ２０とを備えている。
分離カラム１５は、例えば、円筒状の樹脂成形品と、樹脂成形品の外面を覆う金属被覆を有している。なお、ここでは、分離カラム１５が充填カラムである場合について説明するが、分離カラム１５にキャピラリーカラムを使用してもよい。樹脂成形品は、例えばポリフッ化エチレン樹脂で形成される。金属被覆は、例えば銅管又は銅箔を用いて形成される。円筒状の樹脂成形品の内部には、固定相を形成する充填材が充填されている。充填材は、例えば珪藻土、モレキュラシーブ、ポーラスポリマー、又はアルミナである。また、固定相を形成するために、充填材には液相がコーティングされていてもよい。分離カラム１５の上流側には、サンプルガスを導入するためのサンプルガス導入部１７が設けられている。
分離カラム１５は、例えば所定のカラム温度でサンプルガスの分離を行う。分離カラム１５を所定のカラム温度にするために、分離カラム１５にはカラムヒータ２０が取り付けられている。カラムヒータ２０は、例えば、面状発熱体であるラバーヒータであり、分離カラム１５の上に巻きつけられている。さらに、カラムヒータ２０の上に保温材（図示せず）が巻きつけられている。分離カラム１５には、サーミスタなどの温度センサ（図示せず）が取り付けられている。コンピュータ３０は、温度センサで分離カラム１５の温度を測定しながら、カラムヒータ２０で分離カラム１５の温度が適切なカラム温度に保持されるように制御する。
図１に示されているように、ガスクロマトグラフ１０は、エアポンプ１１とガス浄化装置１２と流量調整器１３と流量センサ１４と分離カラム１５と検出器１６とカラムヒータ２０とを備えている。
分離カラム１５は、例えば、円筒状の樹脂成形品と、樹脂成形品の外面を覆う金属被覆を有している。なお、ここでは、分離カラム１５が充填カラムである場合について説明するが、分離カラム１５にキャピラリーカラムを使用してもよい。樹脂成形品は、例えばポリフッ化エチレン樹脂で形成される。金属被覆は、例えば銅管又は銅箔を用いて形成される。円筒状の樹脂成形品の内部には、固定相を形成する充填材が充填されている。充填材は、例えば珪藻土、モレキュラシーブ、ポーラスポリマー、又はアルミナである。また、固定相を形成するために、充填材には液相がコーティングされていてもよい。分離カラム１５の上流側には、サンプルガスを導入するためのサンプルガス導入部１７が設けられている。
分離カラム１５は、例えば所定のカラム温度でサンプルガスの分離を行う。分離カラム１５を所定のカラム温度にするために、分離カラム１５にはカラムヒータ２０が取り付けられている。カラムヒータ２０は、例えば、面状発熱体であるラバーヒータであり、分離カラム１５の上に巻きつけられている。さらに、カラムヒータ２０の上に保温材（図示せず）が巻きつけられている。分離カラム１５には、サーミスタなどの温度センサ（図示せず）が取り付けられている。コンピュータ３０は、温度センサで分離カラム１５の温度を測定しながら、カラムヒータ２０で分離カラム１５の温度が適切なカラム温度に保持されるように制御する。
【0026】
ガスクロマトグラフ１０のキャリアガスは、例えば、空気である。エアポンプ１１は、空気などのキャリアガスをガスクロマトグラフ１０に流す装置である。ガス浄化装置１２は、キャリアガスを浄化する装置であり、キャリアガスを浄化するために例えばガス吸着剤やガス分解触媒を備えている。ガス吸着剤は、例えば活性炭やシリカゲルである。また、ガス分解触媒は、例えば酸化触媒である。
流量調整器１３は、分離カラム１５に送られるキャリアガスの流量が一定量になるように調整する。流量調整器１３には、例えば所定の範囲で流量が弁開度に比例する特性を有するリニアバルブが用いられる。流量センサ１４は、分離カラム１５に送られるキャリアガスの流量を測定する。
検出器１６は、分離カラム１５の下流側に配置され、分離カラム１５を通過してきたサンプルガスの成分を検出する。検出器１６は、例えば、後述するような半導体ガスセンサである。
流量調整器１３は、分離カラム１５に送られるキャリアガスの流量が一定量になるように調整する。流量調整器１３には、例えば所定の範囲で流量が弁開度に比例する特性を有するリニアバルブが用いられる。流量センサ１４は、分離カラム１５に送られるキャリアガスの流量を測定する。
検出器１６は、分離カラム１５の下流側に配置され、分離カラム１５を通過してきたサンプルガスの成分を検出する。検出器１６は、例えば、後述するような半導体ガスセンサである。
【0027】
図６は、図１のガスクロマトグラフ１０で用いられる検出器１６の一例を示す概念図である。検出器１６は、半導体ガスセンサであって、金属酸化物半導体を主成分とする感ガス体１６ａと、感ガス体１６ａ中に埋設したコイル状のヒータ兼用電極１６ｂと、ヒータ兼用電極１６ｂのコイルの中心又はその近傍を貫通するように感ガス体１６ａ中に埋設した半導体抵抗検出用電極１６ｃと、電極パッド１６ｄ，１６ｅとを備えている。ヒータ兼用電極１６ｂの両端が、２つの電極パッド１６ｄに接続されている。また、半導体抵抗検出用電極１６ｃが、電極パッド１６ｅに接続されている。電極パッド１６ｄ，１６ｅが、ヒータ兼用電極１６ｂと半導体抵抗検出用電極１６ｃとの間の抵抗値の変化を取り出すために用いられる。コンピュータ３０は、この抵抗値の変化を出力電圧の変化として検出器１６から入力する。
【0028】
（５）口臭判定装置への適用
（５－１）口臭判定装置の概要
判定装置１は、例えば、口臭を判定する口臭判定装置に適用することができる。判定装置１を口臭判定装置に適用する場合、特定現象は、人の呼気の発生になる。サンプルガスは、人の呼気になる。口臭は、例えば、人の呼気に含まれる硫化水素ガスの濃度と、メチルメルカプタンガスの濃度とが両方ともそれぞれに設定された第１閾値と第２閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果になるものとしている。
検出器１６は、例えば図６に示された半導体ガスセンサである場合、感ガス体１６ａの抵抗値の変化に基づいて検知対象のガス成分を検出し、検出結果を出力電圧としてコンピュータ３０に出力する。検知対象のガス成分としては、例えば口臭の要因となる揮発性硫化物（ＶＳＣ：Volatile Sulphur Compounds）があり、ＶＳＣとしては例えば、硫化水素、メチルメルカプタン、エチルメルカプタン及びジメチルサルファイドがある。感ガス体１６ａを形成する金属酸化物としては、例えば、ＳｎＯ２、Ｉｎ２Ｏ３、ＺｎＯ、ＷＯ３が挙げられる。
（５－１）口臭判定装置の概要
判定装置１は、例えば、口臭を判定する口臭判定装置に適用することができる。判定装置１を口臭判定装置に適用する場合、特定現象は、人の呼気の発生になる。サンプルガスは、人の呼気になる。口臭は、例えば、人の呼気に含まれる硫化水素ガスの濃度と、メチルメルカプタンガスの濃度とが両方ともそれぞれに設定された第１閾値と第２閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果になるものとしている。
検出器１６は、例えば図６に示された半導体ガスセンサである場合、感ガス体１６ａの抵抗値の変化に基づいて検知対象のガス成分を検出し、検出結果を出力電圧としてコンピュータ３０に出力する。検知対象のガス成分としては、例えば口臭の要因となる揮発性硫化物（ＶＳＣ：Volatile Sulphur Compounds）があり、ＶＳＣとしては例えば、硫化水素、メチルメルカプタン、エチルメルカプタン及びジメチルサルファイドがある。感ガス体１６ａを形成する金属酸化物としては、例えば、ＳｎＯ２、Ｉｎ２Ｏ３、ＺｎＯ、ＷＯ３が挙げられる。
【0029】
ガスクロマトグラフ１０の分離カラム１５において、硫化水素ガスの保持時間が６０秒程度に設定され、メチルメルカプタンガスの保持時間が１４５秒に設定されているものとする。
第１実施形態では、硫化水素ガスが第１ガス成分であり、硫化水素ガスの保持時間が第１保持時間ｔ１である。
このような場合、口臭判定装置としては、１４５秒までの検出器１６の検出信号５２を使い、コンピュータによって、硫化水素ガスの濃度とメチルメルカプタンガスの濃度を算出し、硫化水素ガスの濃度が第２閾値を超え且つメチルメルカプタンガスの濃度が第１閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果を出力するように構成することができる。
第１実施形態では、硫化水素ガスが第１ガス成分であり、硫化水素ガスの保持時間が第１保持時間ｔ１である。
このような場合、口臭判定装置としては、１４５秒までの検出器１６の検出信号５２を使い、コンピュータによって、硫化水素ガスの濃度とメチルメルカプタンガスの濃度を算出し、硫化水素ガスの濃度が第２閾値を超え且つメチルメルカプタンガスの濃度が第１閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果を出力するように構成することができる。
【0030】
これら、第１閾値及び第２閾値を定めるには、例えば、まず、多数の人々の息を測定者が実際に嗅いで、測定者が「明確な不快感が生じる口臭」であるか否かの分類を行う。例えば、分類された測定結果を硫化水素ガスの濃度の順に並べて境界線を適切に引いて第２閾値を決め、また、分類された測定結果をメチルメルカプタンガスの濃度の順に並べて境界線を適切に引いて第１閾値を決める。なお、ここでは、説明を簡単にするために、第１閾値及び第２閾値の値をそれぞれに決めたが、硫化水素ガスの濃度とメチルメルカプタンガスの濃度の２つの変数を持つ式で、境界線を決めてもよい。さらには、後述する学習では、閾値を決めずに、ガスクロマトグラフ１０による測定結果と測定者による明確な不快感が生じる口臭」であるか否かの分類の結果とを直接用いて学習を行ってもよい。
上述のような１４５秒以上の時間を掛ける精度の良い判定方法に対し、判定装置１は、第１ガス成分の第１保持時間ｔ１である６０秒よりも短い時間で、「明確な不快感が生じる口臭」があるか否かの判定結果を出力するように構成される。このように時間を短縮するために、コンピュータ３０は、６０秒（第１保持時間ｔ１）よりも短い４５秒（特定時間ｓｔ１）までに検出器１６が出力する出力電圧を使って判定結果を出力する。具体的には、コンピュータ３０が、４５秒（特定時間ｓｔ１）までの検出器１６の出力電圧を示す検出信号５２をデータ変換部３３（図５参照）で変換して、変換後データ５３を分類器３１の学習済みモデル３２に与える。学習済みモデル３２は、４５秒までの検出器１６の出力電圧から、「明確な不快感が生じる口臭」があるか否かの判定結果を出力する。コンピュータ３０が学習済みモデル３２を用いて非常に短い時間で計算するので、コンピュータ３０は、第１保持時間ｔ１である６０秒よりも短い時間で判定結果を出力することができる。
上述のような１４５秒以上の時間を掛ける精度の良い判定方法に対し、判定装置１は、第１ガス成分の第１保持時間ｔ１である６０秒よりも短い時間で、「明確な不快感が生じる口臭」があるか否かの判定結果を出力するように構成される。このように時間を短縮するために、コンピュータ３０は、６０秒（第１保持時間ｔ１）よりも短い４５秒（特定時間ｓｔ１）までに検出器１６が出力する出力電圧を使って判定結果を出力する。具体的には、コンピュータ３０が、４５秒（特定時間ｓｔ１）までの検出器１６の出力電圧を示す検出信号５２をデータ変換部３３（図５参照）で変換して、変換後データ５３を分類器３１の学習済みモデル３２に与える。学習済みモデル３２は、４５秒までの検出器１６の出力電圧から、「明確な不快感が生じる口臭」があるか否かの判定結果を出力する。コンピュータ３０が学習済みモデル３２を用いて非常に短い時間で計算するので、コンピュータ３０は、第１保持時間ｔ１である６０秒よりも短い時間で判定結果を出力することができる。
【0031】
（５－２）口臭判定装置のための分類器３１の製造方法
口臭判定装置のための分類器３１の製造方法において重要なステップは、図５に示されている学習済みモデル３２の生成ステップである。
学習フェーズＰｈ１では、まず、ステップＳ１１で、人体の活動及び人体に寄生する種々の生物の活動で発生するサンプルガスをガスクロマトグラフ１０に導入して、硫化水素ガス（第１ガス成分）などの測定を行う。この場合、特定現象は、人体の活動及び人体に寄生する種々の生物の活動であるが、さらに詳細には、口腔内の嫌気性菌の代謝である。嫌気性菌が、代謝の過程で硫化水素及びメチルメルカプタンなどの口臭の原因となるガス成分を生産する。
コンピュータ３０は、検出器１６が時間の経過にともなって出力する出力電圧についての入力データを複数のケースについて取得する。例えば、複数の人物についての息及び、同一人物であっても異なる状況で吐き出す息を、判定装置１で測定する。また、各入力データに対応する判定結果も出力データとして各ケースについて取得する。例えば、複数の人物についての息及び、同一人物であっても異なる状況で吐き出す息を、測定者が嗅いで、「明確な不快感が生じる口臭」があるか否かの判定を行う。息の測定結果である入力データと測定者が行った判断結果である出力データとの複数組みの生データの集合４１が準備される。
口臭判定装置のための分類器３１の製造方法において重要なステップは、図５に示されている学習済みモデル３２の生成ステップである。
学習フェーズＰｈ１では、まず、ステップＳ１１で、人体の活動及び人体に寄生する種々の生物の活動で発生するサンプルガスをガスクロマトグラフ１０に導入して、硫化水素ガス（第１ガス成分）などの測定を行う。この場合、特定現象は、人体の活動及び人体に寄生する種々の生物の活動であるが、さらに詳細には、口腔内の嫌気性菌の代謝である。嫌気性菌が、代謝の過程で硫化水素及びメチルメルカプタンなどの口臭の原因となるガス成分を生産する。
コンピュータ３０は、検出器１６が時間の経過にともなって出力する出力電圧についての入力データを複数のケースについて取得する。例えば、複数の人物についての息及び、同一人物であっても異なる状況で吐き出す息を、判定装置１で測定する。また、各入力データに対応する判定結果も出力データとして各ケースについて取得する。例えば、複数の人物についての息及び、同一人物であっても異なる状況で吐き出す息を、測定者が嗅いで、「明確な不快感が生じる口臭」があるか否かの判定を行う。息の測定結果である入力データと測定者が行った判断結果である出力データとの複数組みの生データの集合４１が準備される。
【0032】
ステップＳ１２で、生データの集合、言い換えると複数組みの入力データと出力データが、分類器３１に入力できるようにデータ変換される。このステップＳ１２では、入力データが、４５秒までに検出器１６が出力する出力電圧（信号強度）だけを残すように加工される。言い換えると、入力データから４５秒よりも後のデータが削除される。そして、４５秒までの入力データが変換されて、訓練用入力データが作成される。入力データは、例えば予め決められた要素数（例えば１０００個）の１次元配列のデータに変換される。出力データは、データ変換されることによって訓練用出力データになる。これら複数組みの訓練用入力データと訓練用出力データが訓練用データセット４２になる。分類器３１は、訓練用入力データと訓練用出力データの関係を、例えば多層ロジスティック回帰またはニューラルネットワークを用いて学習できる分類器である。例えば、約１６０人の口臭についての訓練用データセット４２を用いて、隠れ層が１層の多層パーセプトロンを利用して教師あり学習を行なった。
ステップＳ１３では、分類器３１は、訓練用データセット４２を使って機械学習を行い、学習済みモデル３２を生成する。言い換えると、学習済みモデル３２で構成された分類器３１が、ステップＳ１１からステップＳ１３を経て製造される。
ステップＳ１３では、分類器３１は、訓練用データセット４２を使って機械学習を行い、学習済みモデル３２を生成する。言い換えると、学習済みモデル３２で構成された分類器３１が、ステップＳ１１からステップＳ１３を経て製造される。
【0033】
上述のようにして製造された学習済みモデル３２で構成された分類器３１を備える判定装置１を用いれば、「明確な不快感が生じる口臭」があるか否かの判定を行うことができる。例えば、前述の約１６０人以外の約１３０人の人物の口臭について、判定装置１で判定を行うと、約８５％の正解率で判定を行うことができた。なお、この約１３０人の人物の口臭のうち、約７０％の人物に「明確な不快感が生じる口臭」があった。なお、この結果をもたらした学習済みモデル３２は、上述の訓練用データセット４２で、２００回繰り返し学習させたものである。このような学習を５回試行して、５回の正解率の平均値が上述の正解率である。
なお、学習済みモデル３２で構成された分類器３１がコンピュータ３０の中で生成されれば、データの遣り取りだけで、同一内容の学習済みモデル３２で構成された分類器３１を備える他のコンピュータ３０を製造することができる。例えば、学習済みモデル３２に関するデータを、ＵＳＢフラッシュドライブ６６などの補助記憶装置に記憶させて、他のコンピュータ３０にその学習済みモデル３２に関するデータを読み込ませることで、他のコンピュータ３０の分類器３１の中にも同一の学習済みモデル３２を構築することができる。また、分類器３１は、例えば、半導体集積回路チップの形態でコンピュータ３０に組み込むことができる。
なお、学習済みモデル３２で構成された分類器３１がコンピュータ３０の中で生成されれば、データの遣り取りだけで、同一内容の学習済みモデル３２で構成された分類器３１を備える他のコンピュータ３０を製造することができる。例えば、学習済みモデル３２に関するデータを、ＵＳＢフラッシュドライブ６６などの補助記憶装置に記憶させて、他のコンピュータ３０にその学習済みモデル３２に関するデータを読み込ませることで、他のコンピュータ３０の分類器３１の中にも同一の学習済みモデル３２を構築することができる。また、分類器３１は、例えば、半導体集積回路チップの形態でコンピュータ３０に組み込むことができる。
【0034】
（６）判定装置１及び判定方法の特徴
（６－１）
ガスクロマトグラフ１０における測定において、第１ガス成分の濃度は、ピークＰ１の面積になる。そこで、第１ガス成分の濃度を精度良く測定するために、一般的に、ピークＰ１の全体の出力電圧が得られる時間ｔｆ１まで測定する。従って、第１ガス成分の濃度を入力変数とする所定判定の判定結果を得るには、時間ｔｆ１よりも長い時間を要するのが通常である。あるいは、もう少し簡便には、ピークＰ１の最大値が得られる第１保持時間ｔ１まで測定して、第１保持時間ｔ１までに得られる第１ガス成分の信号強度からピークＰ１の面積を推定する場合もある。
それに対して、第１実施形態のような判定装置１及び判定方法では、第１保持時間ｔ１よりも短く且つ第１ガス成分のピークＰ１が検出されている期間内の特定時間ｓｔ１までに検出器１６が出力する出力電圧を使って第１保持時間ｔ１よりも短い時間でコンピュータ３０が判定結果を出力する。その結果、判定装置１及び判定方法は、時間ｔｆ１までの検出器１６の信号強度を使っていた場合あるいは時間ｔ１までの検出器１６の出力電圧を使っていた場合に比べて、判定結果を出力するまでの時間を短縮することができる。
（６－１）
ガスクロマトグラフ１０における測定において、第１ガス成分の濃度は、ピークＰ１の面積になる。そこで、第１ガス成分の濃度を精度良く測定するために、一般的に、ピークＰ１の全体の出力電圧が得られる時間ｔｆ１まで測定する。従って、第１ガス成分の濃度を入力変数とする所定判定の判定結果を得るには、時間ｔｆ１よりも長い時間を要するのが通常である。あるいは、もう少し簡便には、ピークＰ１の最大値が得られる第１保持時間ｔ１まで測定して、第１保持時間ｔ１までに得られる第１ガス成分の信号強度からピークＰ１の面積を推定する場合もある。
それに対して、第１実施形態のような判定装置１及び判定方法では、第１保持時間ｔ１よりも短く且つ第１ガス成分のピークＰ１が検出されている期間内の特定時間ｓｔ１までに検出器１６が出力する出力電圧を使って第１保持時間ｔ１よりも短い時間でコンピュータ３０が判定結果を出力する。その結果、判定装置１及び判定方法は、時間ｔｆ１までの検出器１６の信号強度を使っていた場合あるいは時間ｔ１までの検出器１６の出力電圧を使っていた場合に比べて、判定結果を出力するまでの時間を短縮することができる。
【0035】
（６－２）
第１実施形態の判定装置１及び判定方法において、コンピュータ３０は、判定結果を出力する分類器３１を有している。この分類器３１は、学習済みモデル３２を持っている。この学習済みモデル３２は、特定時間ｓｔ１までの信号強度である出力電圧を含み且つ特定時間ｓｔ１から後の信号強度である出力電圧を含まない訓練用入力データと、訓練用入力データに対応する判定結果を示す訓練用出力データとして機械学習したものである。
そして、第１実施形態の判定装置１または判定方法では、特定時間ｓｔ１までに検出器１６が出力する出力電圧を入力データに変換して学習済みモデル３２に入力することにより、判定結果を第１保持時間ｔ１よりも短い時間で学習済みモデル３２から出力させることができる。従って、第１実施形態の判定装置１または判定方法では、適切な機械学習によって高い信頼性が確認された学習済みモデル３２を用いることができるので、判定結果の信頼性を向上させることができる。
第１実施形態の判定装置１及び判定方法において、コンピュータ３０は、判定結果を出力する分類器３１を有している。この分類器３１は、学習済みモデル３２を持っている。この学習済みモデル３２は、特定時間ｓｔ１までの信号強度である出力電圧を含み且つ特定時間ｓｔ１から後の信号強度である出力電圧を含まない訓練用入力データと、訓練用入力データに対応する判定結果を示す訓練用出力データとして機械学習したものである。
そして、第１実施形態の判定装置１または判定方法では、特定時間ｓｔ１までに検出器１６が出力する出力電圧を入力データに変換して学習済みモデル３２に入力することにより、判定結果を第１保持時間ｔ１よりも短い時間で学習済みモデル３２から出力させることができる。従って、第１実施形態の判定装置１または判定方法では、適切な機械学習によって高い信頼性が確認された学習済みモデル３２を用いることができるので、判定結果の信頼性を向上させることができる。
【0036】
（６－３）
第１実施形態の判定装置１または判定方法において、学習済みモデル３２は、ニューラルネットワークまたは多項ロジスティック回帰を用いて生成することができる。このような学習済みモデル３２によって構成された判定装置１では、ニューラルネットワークまたは多項ロジスティック回帰を用いて学習済みモデル３２が生成された場合に判定結果に高い信頼性を得られることが確認できており、性能の良い判定装置１を実現することができる。
第１実施形態の判定装置１または判定方法において、学習済みモデル３２は、ニューラルネットワークまたは多項ロジスティック回帰を用いて生成することができる。このような学習済みモデル３２によって構成された判定装置１では、ニューラルネットワークまたは多項ロジスティック回帰を用いて学習済みモデル３２が生成された場合に判定結果に高い信頼性を得られることが確認できており、性能の良い判定装置１を実現することができる。
【0037】
＜第２実施形態＞
（７）判定装置１の概要
上記第１実施形態では、特定現象で発生する第１ガス成分だけに着目して、所定判定が第１ガス成分の濃度を入力変数として判定するものである場合について説明した。しかし、特定現象で発生するガス成分が複数あり、所定判定が、複数のガス成分の濃度を入力変数として判定するものである場合についても、判定装置１で行う判定の判定時間の短縮を行うことができる。
第２実施形態で用いる判定装置１の構成は、第１実施形態の判定装置１と同様に構成でき、例えば図１に示されている構成を第２実施形態で用いる判定装置１でも用いることができる。
図９には、１回の測定で、検出器１６から出力される出力信号の一例が示されている。特定現象で第１ガス成分及び第２ガス成分が発生している場合には、検出器１６から出力される検出信号には、第１ガス成分のピークＰ１１及び第２ガス成分のピークＰ１２が現れる。また、図９には、第１ガス成分についての第１保持時間ｔ１１と第２ガス成分についての第２保持時間ｔ１２と特定時間ｓｔ２とが記載されている。特定時間ｓｔ２は、第２ガス成分のピークＰ１２が検出されている期間内の時間である。言い換えると、特定時間ｓｔ２は、ピークＰ１２の傾斜部分または頂点が現れる時間である。
分離カラム１５は、特定現象で発生する第１ガス成分の保持時間が第１保持時間ｔ１１となるように設定され且つ、特定現象で第１ガス成分とともに発生する第２ガス成分の保持時間が第１保持時間ｔ１１よりも短い第２保持時間ｔ１２に設定されている。
（７）判定装置１の概要
上記第１実施形態では、特定現象で発生する第１ガス成分だけに着目して、所定判定が第１ガス成分の濃度を入力変数として判定するものである場合について説明した。しかし、特定現象で発生するガス成分が複数あり、所定判定が、複数のガス成分の濃度を入力変数として判定するものである場合についても、判定装置１で行う判定の判定時間の短縮を行うことができる。
第２実施形態で用いる判定装置１の構成は、第１実施形態の判定装置１と同様に構成でき、例えば図１に示されている構成を第２実施形態で用いる判定装置１でも用いることができる。
図９には、１回の測定で、検出器１６から出力される出力信号の一例が示されている。特定現象で第１ガス成分及び第２ガス成分が発生している場合には、検出器１６から出力される検出信号には、第１ガス成分のピークＰ１１及び第２ガス成分のピークＰ１２が現れる。また、図９には、第１ガス成分についての第１保持時間ｔ１１と第２ガス成分についての第２保持時間ｔ１２と特定時間ｓｔ２とが記載されている。特定時間ｓｔ２は、第２ガス成分のピークＰ１２が検出されている期間内の時間である。言い換えると、特定時間ｓｔ２は、ピークＰ１２の傾斜部分または頂点が現れる時間である。
分離カラム１５は、特定現象で発生する第１ガス成分の保持時間が第１保持時間ｔ１１となるように設定され且つ、特定現象で第１ガス成分とともに発生する第２ガス成分の保持時間が第１保持時間ｔ１１よりも短い第２保持時間ｔ１２に設定されている。
【0038】
検出器１６は、第１ガス成分及び前記第２ガス成分を検出できるように構成されている。また、検出器１６は、第１ガス成分及び前記第２ガス成分の成分量に応じた信号強度の検出信号を出力するように構成されている。図９に示されている例では、検出信号の信号強度が出力電圧に対応する。
コンピュータ３０は、検出器１６が出力する出力電圧を使った演算によって特定現象に関係する所定判定についての判定結果を出力するように構成されている。所定判定は、少なくとも第１ガス成分の濃度及び第２ガス成分の濃度を入力変数として判定するものである。
また、コンピュータ３０は、第１保持時間ｔ１１よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間ｓｔ２までに検出器１６が出力する出力電圧を使って第１保持時間ｔ１１よりも短い時間で判定結果を出力するように構成されている。
図９に示されている例では、特定時間ｓｔ２が第２保持時間ｔ１２と同じになるように構成されている。しかし、特定時間ｓｔ２は、第２保持時間ｔ１２よりも大きく設定されてもよく、また小さく設定することもできる。
なお、図９に示されているピークＰ０は雑ガスのピークであり、ピークＰ１０，Ｐ２０は、他のガス成分のピークである。雑ガスも他のガス成分も特定現象で発生する。しかし、雑ガスのピークＰ０及びピークＰ１０，Ｐ２０は、所定判定とは相関の無いものであり、雑ガス及び他のガス成分の出力電圧は所定判定の入力変数には含まれていない。また、特定現象で発生する第１ガス成分の濃度と第２ガス成分の濃度とは互いに正の相関がある。例えば、特定現象で発生する第１ガス成分の濃度と第２ガス成分の濃度の相関係数が０．６以上である。
コンピュータ３０は、検出器１６が出力する出力電圧を使った演算によって特定現象に関係する所定判定についての判定結果を出力するように構成されている。所定判定は、少なくとも第１ガス成分の濃度及び第２ガス成分の濃度を入力変数として判定するものである。
また、コンピュータ３０は、第１保持時間ｔ１１よりも短く且つ第２ガス成分のピークが検出されている期間内の特定時間ｓｔ２までに検出器１６が出力する出力電圧を使って第１保持時間ｔ１１よりも短い時間で判定結果を出力するように構成されている。
図９に示されている例では、特定時間ｓｔ２が第２保持時間ｔ１２と同じになるように構成されている。しかし、特定時間ｓｔ２は、第２保持時間ｔ１２よりも大きく設定されてもよく、また小さく設定することもできる。
なお、図９に示されているピークＰ０は雑ガスのピークであり、ピークＰ１０，Ｐ２０は、他のガス成分のピークである。雑ガスも他のガス成分も特定現象で発生する。しかし、雑ガスのピークＰ０及びピークＰ１０，Ｐ２０は、所定判定とは相関の無いものであり、雑ガス及び他のガス成分の出力電圧は所定判定の入力変数には含まれていない。また、特定現象で発生する第１ガス成分の濃度と第２ガス成分の濃度とは互いに正の相関がある。例えば、特定現象で発生する第１ガス成分の濃度と第２ガス成分の濃度の相関係数が０．６以上である。
【0039】
（８）判定方法の概要
第２実施形態の判定装置１を用いて行われる判定方法は、図１０に示されているフローで行われる。
まず、ステップＳ２１では、ガスクロマトグラフ１０の分離カラム１５に、特定現象で発生するサンプルガスを導入する。
ステップＳ２２では、分離カラム１５を通過したサンプルガスを、ガスクロマトグラフ１０の検出器１６に通して第１ガス成分及び第２ガス成分を検出する。図１０に示されているように、第１ガス成分のピークがピークＰ１１であり、第２ガス成分のピークがピークＰ１２である。第２ガス成分のピークＰ１２が、第１ガス成分のピークＰ１１よりも先に現れる。
ステップＳ２３では、第１保持時間ｔ１１よりも短く且つ第２ガス成分のピークＰ１２が検出されている期間内の特定時間ｓｔ２までに検出器１６が出力する出力電圧を使ってコンピュータ３０により演算を行い、第１保持時間ｔ１１よりも短い時間で判定結果を出力する。
第２実施形態の判定装置１を用いて行われる判定方法は、図１０に示されているフローで行われる。
まず、ステップＳ２１では、ガスクロマトグラフ１０の分離カラム１５に、特定現象で発生するサンプルガスを導入する。
ステップＳ２２では、分離カラム１５を通過したサンプルガスを、ガスクロマトグラフ１０の検出器１６に通して第１ガス成分及び第２ガス成分を検出する。図１０に示されているように、第１ガス成分のピークがピークＰ１１であり、第２ガス成分のピークがピークＰ１２である。第２ガス成分のピークＰ１２が、第１ガス成分のピークＰ１１よりも先に現れる。
ステップＳ２３では、第１保持時間ｔ１１よりも短く且つ第２ガス成分のピークＰ１２が検出されている期間内の特定時間ｓｔ２までに検出器１６が出力する出力電圧を使ってコンピュータ３０により演算を行い、第１保持時間ｔ１１よりも短い時間で判定結果を出力する。
【0040】
（９）口臭判定装置への適用
（９－１）口臭判定装置の概要
判定装置１は、例えば、口臭を判定する口臭判定装置に適用することができる。口臭は、例えば、人の呼気に含まれる硫化水素ガスの濃度と、メチルメルカプタンガスの濃度とが両方ともそれぞれに設定された第１閾値と第２閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果になるものとする。第１実施形態の判定装置１と同様に、第２実施形態の判定装置１でも、検出器１６は、例えば図６に示された半導体ガスセンサであって、感ガス体１６ａの抵抗値の変化に基づいて検知対象のガス成分を検出し、検出結果を出力電圧としてコンピュータ３０に出力する。そして、ガスクロマトグラフ１０の分離カラム１５において、硫化水素ガスの保持時間が６０秒程度に設定され、メチルメルカプタンガスの保持時間が１４５秒に設定されている。
第２実施形態では、メチルメルカプタンガスが第１ガス成分であり、メチルメルカプタンガスの保持時間が第１保持時間ｔ１１であり、硫化水素ガスが第２ガス成分であり、硫化水素ガスの保持時間が第２保持時間ｔ１２である。
第２実施形態でも、第１実施形態と同様に、口臭判定装置としては、１４５秒までの検出器１６の検出信号を使い、コンピュータによって、硫化水素ガスの濃度とメチルメルカプタンガスの濃度を算出し、硫化水素ガスの濃度が第１閾値を超え且つメチルメルカプタンガスの濃度が第２閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果を出力する構成を考える。
（９－１）口臭判定装置の概要
判定装置１は、例えば、口臭を判定する口臭判定装置に適用することができる。口臭は、例えば、人の呼気に含まれる硫化水素ガスの濃度と、メチルメルカプタンガスの濃度とが両方ともそれぞれに設定された第１閾値と第２閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果になるものとする。第１実施形態の判定装置１と同様に、第２実施形態の判定装置１でも、検出器１６は、例えば図６に示された半導体ガスセンサであって、感ガス体１６ａの抵抗値の変化に基づいて検知対象のガス成分を検出し、検出結果を出力電圧としてコンピュータ３０に出力する。そして、ガスクロマトグラフ１０の分離カラム１５において、硫化水素ガスの保持時間が６０秒程度に設定され、メチルメルカプタンガスの保持時間が１４５秒に設定されている。
第２実施形態では、メチルメルカプタンガスが第１ガス成分であり、メチルメルカプタンガスの保持時間が第１保持時間ｔ１１であり、硫化水素ガスが第２ガス成分であり、硫化水素ガスの保持時間が第２保持時間ｔ１２である。
第２実施形態でも、第１実施形態と同様に、口臭判定装置としては、１４５秒までの検出器１６の検出信号を使い、コンピュータによって、硫化水素ガスの濃度とメチルメルカプタンガスの濃度を算出し、硫化水素ガスの濃度が第１閾値を超え且つメチルメルカプタンガスの濃度が第２閾値を超えた場合に、「明確な不快感が生じる口臭」があるという判定結果を出力する構成を考える。
【0041】
上述のような１４５秒以上の時間を掛ける精度の良い判定方法に対し、判定装置１は、第１ガス成分の第１保持時間ｔ１１である１４５秒よりも短い時間で、「明確な不快感が生じる口臭」があるか否かの判定結果を出力するように構成される。このように時間を短縮するために、コンピュータ３０は、１４５秒（第１保持時間ｔ１１）よりも短い６０秒（特定時間ｓｔ２）までに検出器１６が出力する出力電圧を使って判定結果を出力する。具体的には、コンピュータ３０が、６０秒（特定時間ｓｔ２）までの検出器１６の出力電圧をデータ変換部３３（図５参照）で変換して、変換後データ５３を分類器３１の学習済みモデル３２に与える。学習済みモデル３２は、６０秒までの検出器１６の出力電圧から、「明確な不快感が生じる口臭」があるか否かの判定結果を出力する。コンピュータ３０が学習済みモデル３２を用いて非常に短い時間で計算するので、コンピュータ３０は、第１保持時間ｔ１１である１４５秒よりも短い時間で判定結果を出力することができる。このように非常に短い時間で口臭のチェックができると、例えば、通勤前の僅かの時間で口臭のチェックができて便利である。
【0042】
（９－２）口臭判定装置のための分類器３１の製造方法
口臭判定装置のための分類器３１の製造方法において重要なステップは、図５に示されている学習済みモデル３２の生成ステップである。
学習フェーズＰｈ１では、まず、ステップＳ１１では、人体の活動及び人体に寄生する種々の生物の活動で発生するサンプルガスをガスクロマトグラフ１０に導入して、メチルメルカプタンガス（第１ガス成分）及び硫化水素ガス（第２ガス成分）などの測定を行う。
第２実施形態のコンピュータ３０において、複数組みの生データの集合４１を得る方法は、第１実施形態の場合と同様に行える。
ステップＳ１２で、複数組みの入力データと出力データが、分類器３１に入力できるようにデータ変換される。このステップＳ１２では、入力データが、６０秒までに検出器１６が出力する出力電圧（信号強度）だけを残すように加工される。言い換えると、入力データから６０秒よりも後のデータが削除される。そして、６０秒までの入力データが変換されて、訓練用入力データが作成される。入力データは、例えば予め決められた要素数（例えば１０００個）の１次元配列のデータに変換される。出力データは、データ変換されることによって訓練用出力データになる。これら複数組みの訓練用入力データと訓練用出力データが訓練用データセット４２になる。例えば、約１６０人の口臭についての訓練用データセット４２を用いて、隠れ層が１層の多層パーセプトロンを利用して教師あり学習を行なった。
ステップＳ１３では、分類器３１は、訓練用データセット４２を使って機械学習を行い、学習済みモデル３２を生成する。言い換えると、第２実施形態においても、学習済みモデル３２で構成された分類器３１が、ステップＳ１１からステップＳ１３を経て製造される。
口臭判定装置のための分類器３１の製造方法において重要なステップは、図５に示されている学習済みモデル３２の生成ステップである。
学習フェーズＰｈ１では、まず、ステップＳ１１では、人体の活動及び人体に寄生する種々の生物の活動で発生するサンプルガスをガスクロマトグラフ１０に導入して、メチルメルカプタンガス（第１ガス成分）及び硫化水素ガス（第２ガス成分）などの測定を行う。
第２実施形態のコンピュータ３０において、複数組みの生データの集合４１を得る方法は、第１実施形態の場合と同様に行える。
ステップＳ１２で、複数組みの入力データと出力データが、分類器３１に入力できるようにデータ変換される。このステップＳ１２では、入力データが、６０秒までに検出器１６が出力する出力電圧（信号強度）だけを残すように加工される。言い換えると、入力データから６０秒よりも後のデータが削除される。そして、６０秒までの入力データが変換されて、訓練用入力データが作成される。入力データは、例えば予め決められた要素数（例えば１０００個）の１次元配列のデータに変換される。出力データは、データ変換されることによって訓練用出力データになる。これら複数組みの訓練用入力データと訓練用出力データが訓練用データセット４２になる。例えば、約１６０人の口臭についての訓練用データセット４２を用いて、隠れ層が１層の多層パーセプトロンを利用して教師あり学習を行なった。
ステップＳ１３では、分類器３１は、訓練用データセット４２を使って機械学習を行い、学習済みモデル３２を生成する。言い換えると、第２実施形態においても、学習済みモデル３２で構成された分類器３１が、ステップＳ１１からステップＳ１３を経て製造される。
【0043】
第２実施形態のようにして製造された学習済みモデル３２で構成された分類器３１を備える判定装置１を用いれば、「明確な不快感が生じる口臭」があるか否かの判定を行うことができる。例えば、前述の約１６０人以外の約１３０人の人物の口臭について、判定装置１で判定を行うと、約９３％の正解率で判定を行うことができた。なお、この約１３０人の人物の口臭のうち、約７０％の人物に「明確な不快感が生じる口臭」があった。なお、この結果をもたらした学習済みモデル３２は、第２実施形態の訓練用データセット４２で、２００回繰り返し学習させたものである。このような学習を５回試行して、５回の正解率の平均値が上述の正解率である。なお、訓練用データセット４２のデータ数を半分にして同様の機械学習を行った場合には、約８９％の正解率であった。このことから、訓練用データセット４２のデータ数を増やすことで、正解率を向上させることができる可能性があり、このような可能性は第１実施形態についても同様のことが言える。なお、図１１には、多層パーセプトロンを利用して学習済みモデル３２を生成した場合の学習ステップ数と正解率の関係が示されている。図１１に示されているのは、隠れ層が１層の層パーセプトロンである。図１２には、多項ロジスティック回路を利用して学習済みモデル３２を生成した場合の学習ステップ数と正解率の関係が示されている。
なお、第２実施形態においても、第１実施形態と同様に、学習済みモデル３２で構成された分類器３１がコンピュータ３０の中で生成されれば、データの遣り取りだけで、同一内容の学習済みモデル３２で構成された分類器３１を備える他のコンピュータ３０を製造することができる。分類器３１は、例えば、半導体集積回路チップの形態でコンピュータ３０に組み込むことができる。
なお、第２実施形態においても、第１実施形態と同様に、学習済みモデル３２で構成された分類器３１がコンピュータ３０の中で生成されれば、データの遣り取りだけで、同一内容の学習済みモデル３２で構成された分類器３１を備える他のコンピュータ３０を製造することができる。分類器３１は、例えば、半導体集積回路チップの形態でコンピュータ３０に組み込むことができる。
【0044】
（１０）判定装置１及び判定方法の特徴
（１０－１）
ガスクロマトグラフ１０における測定において、第１ガス成分の濃度がピークＰ１１の面積になる。そこで、第１ガス成分の濃度を精度良く測定するために、一般的に、ピークＰ１１の全体の出力電圧が得られる時間ｔｆ２まで測定する。従って、第１ガス成分の濃度を出力変数とする所定判定の判定結果を得るには、時間ｔｆ２よりも長い時間を要するのが通常である。あるいは、もう少し簡便には、ピークＰ１１の最大値が得られる第１保持時間ｔ１１まで測定して、第１保持時間ｔ１１までに得られる第１ガス成分の信号強度からピークＰ１１の面積を推定する場合もある。
それに対して、第２実施形態のような判定装置１及び判定方法では、第１保持時間ｔ１１よりも短く且つ第２ガス成分のピークＰ１２が検出されている期間内の特定時間ｓｔ２までに検出器１６が出力する出力電圧を使って第１保持時間ｔ１１よりも短い時間でコンピュータ３０が判定結果を出力する。その結果、判定装置１及び判定方法は、時間ｔｆ２までの検出器１６の出力電圧を使っていた場合あるいは時間ｔ１１までの検出器１６の信号強度を使っていた場合に比べて、判定結果を出力するまでの時間を短縮することができる。
（１０－１）
ガスクロマトグラフ１０における測定において、第１ガス成分の濃度がピークＰ１１の面積になる。そこで、第１ガス成分の濃度を精度良く測定するために、一般的に、ピークＰ１１の全体の出力電圧が得られる時間ｔｆ２まで測定する。従って、第１ガス成分の濃度を出力変数とする所定判定の判定結果を得るには、時間ｔｆ２よりも長い時間を要するのが通常である。あるいは、もう少し簡便には、ピークＰ１１の最大値が得られる第１保持時間ｔ１１まで測定して、第１保持時間ｔ１１までに得られる第１ガス成分の信号強度からピークＰ１１の面積を推定する場合もある。
それに対して、第２実施形態のような判定装置１及び判定方法では、第１保持時間ｔ１１よりも短く且つ第２ガス成分のピークＰ１２が検出されている期間内の特定時間ｓｔ２までに検出器１６が出力する出力電圧を使って第１保持時間ｔ１１よりも短い時間でコンピュータ３０が判定結果を出力する。その結果、判定装置１及び判定方法は、時間ｔｆ２までの検出器１６の出力電圧を使っていた場合あるいは時間ｔ１１までの検出器１６の信号強度を使っていた場合に比べて、判定結果を出力するまでの時間を短縮することができる。
【0045】
（１０－２）
第２実施形態の判定装置１及び判定方法において、コンピュータ３０は、判定結果を出力する分類器３１を有している。この分類器３１は、学習済みモデル３２を持っている。この学習済みモデル３２は、特定時間ｓｔ２までの信号強度である出力電圧を含み且つ特定時間ｓｔ２から後の信号強度である出力電圧を含まない訓練用入力データと、訓練用入力データに対応する判定結果を訓練用出力データとして機械学習したものである。
そして、第２実施形態の判定装置１または判定方法では、特定時間ｓｔ２までに検出器１６が出力する出力電圧を入力データに変換して学習済みモデル３２に入力することにより、判定結果を第１保持時間ｔ１１よりも短い時間で学習済みモデル３２から出力させることができる。従って、第２実施形態の判定装置１または判定方法では、適切な機械学習によって高い信頼性が確認された学習済みモデル３２を用いることができるので、判定結果の信頼性を向上させることができる。
第２実施形態の判定装置１及び判定方法において、コンピュータ３０は、判定結果を出力する分類器３１を有している。この分類器３１は、学習済みモデル３２を持っている。この学習済みモデル３２は、特定時間ｓｔ２までの信号強度である出力電圧を含み且つ特定時間ｓｔ２から後の信号強度である出力電圧を含まない訓練用入力データと、訓練用入力データに対応する判定結果を訓練用出力データとして機械学習したものである。
そして、第２実施形態の判定装置１または判定方法では、特定時間ｓｔ２までに検出器１６が出力する出力電圧を入力データに変換して学習済みモデル３２に入力することにより、判定結果を第１保持時間ｔ１１よりも短い時間で学習済みモデル３２から出力させることができる。従って、第２実施形態の判定装置１または判定方法では、適切な機械学習によって高い信頼性が確認された学習済みモデル３２を用いることができるので、判定結果の信頼性を向上させることができる。
【0046】
（１０－３）
第２実施形態の判定装置１または判定方法において、学習済みモデル３２は、ニューラルネットワークまたは多項ロジスティック回帰を用いて生成することができる。このような学習済みモデル３２によって構成された判定装置１では、ニューラルネットワークまたは多項ロジスティック回帰を用いて学習済みモデル３２が生成された場合に判定結果に高い信頼性を得られることが確認できており、性能の良い判定装置１を実現することができる。
第２実施形態の判定装置１または判定方法において、学習済みモデル３２は、ニューラルネットワークまたは多項ロジスティック回帰を用いて生成することができる。このような学習済みモデル３２によって構成された判定装置１では、ニューラルネットワークまたは多項ロジスティック回帰を用いて学習済みモデル３２が生成された場合に判定結果に高い信頼性を得られることが確認できており、性能の良い判定装置１を実現することができる。
【0047】
（１１）変形例
（１１－１）変形例１Ａ，２Ａ
上記第１実施形態及び第２実施形態では、「明確な不快感が生じる口臭」があるか否かの判定を行う場合について説明したが、判定結果をＹｅｓ，Ｎｏではなく、「明確な不快感が生じる口臭」とされる可能性、例えば０％から１００％までの確率で判定結果を示すように構成することもできる。そのように学習済みモデル３２を生成する場合には、ニューロンの伝達関数にステップ関数の代わりにシグモイド関数やReLU関数などを用いたニューラルネットワークを利用して学習済みモデル３２を生成することができる。シグモイド関数は、例えば図１３に示されている－∞から＋∞の入力値に対して０から１の間の出力値を与えるような１つの変曲点を持つ単調増加連続関数である。
（１１－１）変形例１Ａ，２Ａ
上記第１実施形態及び第２実施形態では、「明確な不快感が生じる口臭」があるか否かの判定を行う場合について説明したが、判定結果をＹｅｓ，Ｎｏではなく、「明確な不快感が生じる口臭」とされる可能性、例えば０％から１００％までの確率で判定結果を示すように構成することもできる。そのように学習済みモデル３２を生成する場合には、ニューロンの伝達関数にステップ関数の代わりにシグモイド関数やReLU関数などを用いたニューラルネットワークを利用して学習済みモデル３２を生成することができる。シグモイド関数は、例えば図１３に示されている－∞から＋∞の入力値に対して０から１の間の出力値を与えるような１つの変曲点を持つ単調増加連続関数である。
【0048】
（１１－２）変形例１Ｂ，２Ｂ
また、第１実施形態では、特定現象から第１ガス成分が発生する場合について説明したが、第２ガス成分などさらに多くのガス成分が特定現象から発生する場合についても第１実施形態の技術を適用することができる。
また、第２実施形態では、特定現象から第１ガス成分と第２ガス成分が発生する場合について説明したが、第３ガス成分などさらに多くのガス成分が特定現象から発生する場合についても第２実施形態の技術を適用することができる。
第２実施形態のようにそれぞれのガス成分の濃度に相関関係がある場合には測定時間を大きく短縮できることが期待できるが、それぞれのガス成分の濃度に相関関係が無い場合も、測定時間をある程度は短縮することが期待できる。例えばＮ個のガス成分を用いて特定現象に関係する所定判定を行う場合で、Ｎ番目(一番最後)に現われるガスの保持時間よりも短くＮ番目のガスのピーク波形の裾野辺りまでの期間に加工された訓練用入力データを含む訓練用データセットを使って機械学習をすれば、測定時間を短縮することができる。
また、第１実施形態では、特定現象から第１ガス成分が発生する場合について説明したが、第２ガス成分などさらに多くのガス成分が特定現象から発生する場合についても第１実施形態の技術を適用することができる。
また、第２実施形態では、特定現象から第１ガス成分と第２ガス成分が発生する場合について説明したが、第３ガス成分などさらに多くのガス成分が特定現象から発生する場合についても第２実施形態の技術を適用することができる。
第２実施形態のようにそれぞれのガス成分の濃度に相関関係がある場合には測定時間を大きく短縮できることが期待できるが、それぞれのガス成分の濃度に相関関係が無い場合も、測定時間をある程度は短縮することが期待できる。例えばＮ個のガス成分を用いて特定現象に関係する所定判定を行う場合で、Ｎ番目(一番最後)に現われるガスの保持時間よりも短くＮ番目のガスのピーク波形の裾野辺りまでの期間に加工された訓練用入力データを含む訓練用データセットを使って機械学習をすれば、測定時間を短縮することができる。
【0049】
（１１－３）変形例１Ｃ，２Ｃ
第１実施形態及び第２実施形態では、検出器１６に半導体ガスセンサを用いる場合を例に挙げて説明したが、検出器１６は、半導体ガスセンサには限られない。また、検出器１６の信号強度も出力電圧に限られるものではない。
（１１－４）変形例１Ｄ，２Ｄ
上記第１実施形態及び第２実施形態では、機械学習に、教師あり学習を用いる場合について説明したが、機械学習には、例えば半教師あり学習を用いることもできる。
第１実施形態及び第２実施形態では、検出器１６に半導体ガスセンサを用いる場合を例に挙げて説明したが、検出器１６は、半導体ガスセンサには限られない。また、検出器１６の信号強度も出力電圧に限られるものではない。
（１１－４）変形例１Ｄ，２Ｄ
上記第１実施形態及び第２実施形態では、機械学習に、教師あり学習を用いる場合について説明したが、機械学習には、例えば半教師あり学習を用いることもできる。
【0050】
（１１－５）変形例１Ｅ，２Ｅ
上記第１実施形態及び第２実施形態では、機械学習に、多項ロジスティック回帰またはニューラルネットワークを用いる場合について説明したが、機械学習はこれらに限られるものではない。機械学習には、例えば、単純パーセプトロン、畳み込みニューラルネットワーク、既存のニューラルネットモデルを用いた転移学習を用いることができる。畳み込みニューラルネットワークの中でも、特に、２次元畳み込みニューラルネットワークを用いた場合、正解率の向上が期待できる。なお、機械学習に、単純パーセプトロン、畳み込みニューラルネットワーク、既存のニューラルネットモデルを用いた転移学習を用いた場合には、正解率が９０％程度に達することが確認されている。
また、機械学習には、例えば、教師なし学習である再帰型ニューラルネットワーク（ＲＮＮ）または強化学習のDQN(Deep Q-Network)を用いることもできる。
（１１－６）変形例１Ｆ，２Ｆ
上記第１実施形態及び第２実施形態では、所定判定が、第１ガス成分及び第２ガス成分の濃度が、それぞれの閾値を超えるか否かで判定している。しかし、所定判定の方法は、例えば、第１ガス成分及び第２ガス成分の濃度が特定の関係を満たすか否かで判定してもよく、このように閾値を超えるか否かで判定する方法には限られない。
（１１－７）変形例１Ｇ，２Ｇ
上記第１実施形態及び第２実施形態では、特定現象として口臭の発生、言い換えると嫌気性菌の代謝でガス成分を発生する場合を例に挙げて説明したが、特定現象は口臭の発生には限られない。特定現象は、例えば、工業製品の製造時などにガス成分（またはガス成分の元になる成分）を発生する化学反応、癌などの疾病に関連してガス成分（またはガス成分の元になる成分）を生じる現象、または遺伝子型の相違によって異なるガス成分（またはガス成分の元になる異なる成分）を生じる現象、ガス成分（またはガス成分の元になる成分）を発生するガス漏れ事故もしくは火災などの不作為的な事態であってもよい。
（１１－８）変形例１Ｈ，２Ｈ
上記第１実施形態及び第２実施形態では、コンピュータ３０の分類器３１を製造するまでに機械学習をする場合を例に挙げて説明した。しかし、分類器３１を製造した後にも機械学習を続けられるように構成してもよく、そのような判定装置でも第１実施形態または第２実施形態と同様の効果を奏する。
上記第１実施形態及び第２実施形態では、機械学習に、多項ロジスティック回帰またはニューラルネットワークを用いる場合について説明したが、機械学習はこれらに限られるものではない。機械学習には、例えば、単純パーセプトロン、畳み込みニューラルネットワーク、既存のニューラルネットモデルを用いた転移学習を用いることができる。畳み込みニューラルネットワークの中でも、特に、２次元畳み込みニューラルネットワークを用いた場合、正解率の向上が期待できる。なお、機械学習に、単純パーセプトロン、畳み込みニューラルネットワーク、既存のニューラルネットモデルを用いた転移学習を用いた場合には、正解率が９０％程度に達することが確認されている。
また、機械学習には、例えば、教師なし学習である再帰型ニューラルネットワーク（ＲＮＮ）または強化学習のDQN(Deep Q-Network)を用いることもできる。
（１１－６）変形例１Ｆ，２Ｆ
上記第１実施形態及び第２実施形態では、所定判定が、第１ガス成分及び第２ガス成分の濃度が、それぞれの閾値を超えるか否かで判定している。しかし、所定判定の方法は、例えば、第１ガス成分及び第２ガス成分の濃度が特定の関係を満たすか否かで判定してもよく、このように閾値を超えるか否かで判定する方法には限られない。
（１１－７）変形例１Ｇ，２Ｇ
上記第１実施形態及び第２実施形態では、特定現象として口臭の発生、言い換えると嫌気性菌の代謝でガス成分を発生する場合を例に挙げて説明したが、特定現象は口臭の発生には限られない。特定現象は、例えば、工業製品の製造時などにガス成分（またはガス成分の元になる成分）を発生する化学反応、癌などの疾病に関連してガス成分（またはガス成分の元になる成分）を生じる現象、または遺伝子型の相違によって異なるガス成分（またはガス成分の元になる異なる成分）を生じる現象、ガス成分（またはガス成分の元になる成分）を発生するガス漏れ事故もしくは火災などの不作為的な事態であってもよい。
（１１－８）変形例１Ｈ，２Ｈ
上記第１実施形態及び第２実施形態では、コンピュータ３０の分類器３１を製造するまでに機械学習をする場合を例に挙げて説明した。しかし、分類器３１を製造した後にも機械学習を続けられるように構成してもよく、そのような判定装置でも第１実施形態または第２実施形態と同様の効果を奏する。
【0051】
以上、実施形態及びその変形例について説明したが、本開示の技術の適用は上記実施形態及び変形例に限定されるものではなく、本開示の要旨を逸脱しない範囲で種々の変更が可能である。特に、本明細書に書かれた複数の実施形態及び変形例は必要に応じて任意に組み合せ可能である。
【符号の説明】
【0052】
１ 判定装置
１０ ガスクロマトグラフ
１５ 分離カラム
１６ 検出器
３０ コンピュータ
３２ 学習済みモデル
４２ 訓練用データセット
ｓｔ，ｓｔ１，ｓｔ２ 特定時間
ｔ１，ｔ１１ 第１保持時間
ｔ１２ 第２保持時間
１０ ガスクロマトグラフ
１５ 分離カラム
１６ 検出器
３０ コンピュータ
３２ 学習済みモデル
４２ 訓練用データセット
ｓｔ，ｓｔ１，ｓｔ２ 特定時間
ｔ１，ｔ１１ 第１保持時間
ｔ１２ 第２保持時間
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】