特許 7585421 電子ノーズに基づく臭気物質の分析の利用

(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】2024-11-08

(45)【発行日】2024-11-18

(54)【発明の名称】電子ノーズに基づく臭気物質の分析の利用

(51)【国際特許分類】

   G01N 33/00 20060101AFI20241111BHJP

【ＦＩ】

G01N33/00 C

【請求項の数】 23

(21)【出願番号】P 2023174770

(22)【出願日】2023-10-06

(62)【分割の表示】P 2020530335の分割

【原出願日】2018-12-09

(65)【公開番号】P2023175964

(43)【公開日】2023-12-12

【審査請求日】2023-11-03

(31)【優先権主張番号】62/596,140

(32)【優先日】2017-12-08

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】516040109

【氏名又は名称】イェダ リサーチ アンド ディベロップメント カンパニー リミテッド

【氏名又は名称原語表記】ＹＥＤＡ ＲＥＳＥＡＲＣＨ ＡＮＤ ＤＥＶＥＬＯＰＭＥＮＴ ＣＯ．ＬＴＤ．

【住所又は居所原語表記】ａｔ ｔｈｅ Ｗｅｉｚｍａｎｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｃｉｅｎｃｅ， Ｐ．Ｏ．Ｂｏｘ ９５， ７６１０００２ Ｒｅｈｏｖｏｔ， Ｉｓｒａｅｌ

(74)【代理人】

【識別番号】100133503

【弁理士】

【氏名又は名称】関口 一哉

(72)【発明者】

【氏名】ソーベル， ノアム

(72)【発明者】

【氏名】アグロン， シャニ

(72)【発明者】

【氏名】スニッツ， コビ

(72)【発明者】

【氏名】リヴネ， エタン

(72)【発明者】

【氏名】パール， オファー

(72)【発明者】

【氏名】ワイスラー， キネレット

(72)【発明者】

【氏名】ラヴィア， アーロン

(72)【発明者】

【氏名】ホーニヒシュタイン， ダニエル リッカ

(72)【発明者】

【氏名】フィンケル， マヤ

【審査官】小澤 理

(56)【参考文献】

【文献】米国特許出願公開第２０１６／０２１６２４４（ＵＳ，Ａ１）

【文献】特開２００７－３０９７５２（ＪＰ，Ａ）

【文献】特開平０９－２９２８２４（ＪＰ，Ａ）

【文献】特表２００８－５０６９５８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ３３／００

(57)【特許請求の範囲】

【請求項1】

臭気を評価する方法であって、
少なくともｎ個（ｎは１よりも大きい）の化学記述子を抽出することができる測定値を臭気から抽出する電子ノーズを用意することと、
前記電子ノーズを臭気に適用することと、
前記電子ノーズを使用して前記臭気の臭気情報を抽出することと、
前記抽出した臭気情報を、各々の次元が前記ｎ個の化学記述子のうちの該当の１つに関係しているｎ次元のサンプル空間における第１の場所にプロットすることと、
前記第１の場所に基づいて評価を出力することであって、前記評価を出力することは、前記第１の場所上または前記第１の場所の近くに領域を有している１つ以上の臭気保持化学物質の詳細を出力することを含み、前記ｎ次元のサンプル空間は、匂いのｎ個の軸に沿って分子へ適用された物理化学的記述子を含み、ｎは複数の整数であり、前記サンプル空間内の前記分子は、

に従って重み付けされ、ここでｘは、正規化された強度である、出力することと
を含む方法。

【請求項2】

前記電子ノーズから入手することができるｍ個（ｍはｎよりも大きい）の化学記述子から前記ｎ個の化学記述子を選択することを含む、請求項１に記載の方法。

【請求項3】

類似すると識別されたテスト臭気が互いに比較的近くに集まり、異なると識別されたテスト臭気が比較的遠く離れて位置するサンプル空間を構築する前記ｎ個の化学記述子を選択することを含む、請求項２に記載の方法。

【請求項4】

臭気を評価する方法であって、
少なくともｎ個（ｎは１よりも大きい）の化学記述子を抽出することができる測定値を臭気から抽出する電子ノーズを用意することと、
前記電子ノーズを臭気に適用することと、
前記電子ノーズを使用して前記臭気の臭気情報を抽出することと、
前記抽出した臭気情報を、各々の次元が前記ｎ個の化学記述子のうちの該当の１つに関係しているｎ次元のサンプル空間における第１の場所にプロットすることであって、前記サンプル空間は、複数の領域を有している、プロットすることと、
前記サンプル空間のそれぞれの領域を対応する臭気保持化学物質に関連付けることであって、前記ｎ次元のサンプル空間は、匂いのｎ個の軸に沿って分子へ適用された物理化学的記述子を含み、ｎは複数の整数であり、前記サンプル空間内の前記分子は、

に従って重み付けされ、ここでｘは、正規化された強度である、関連付けることと、
前記第１の場所に基づいて評価を出力することと、
所定数の最も一般的に生じる臭気表現用語を選択することであって、前記所定数は、少なくとも５であり、前記サンプル空間上に複数のテストサンプルがプロットされており、各々のサンプルに少なくとも１つの臭気表現用語が関連付けられており、当該方法は、前記第１の場所に最も近い所定の数のテストサンプルを見つけること、または前記第１の場所の所定の半径の範囲内のすべてのテストサンプルを見つけることを含み、前記評価を出力することは、前記見つけたテストサンプルに関連付けられた臭気表現用語を出力することを含む、選択することと
を含む、方法。

【請求項5】

前記サンプル空間は、複数の領域を有しており、
当該方法は、前記サンプル空間のそれぞれの領域を対応する臭気表現用語に関連付けることを含み、
前記評価を出力することは、前記第１の場所に関連付けられた臭気表現用語を出力することを含む、請求項１に記載の方法。

【請求項6】

前記領域は、テスト臭気の前記サンプル空間内の場所であり、前記臭気表現用語は、前記テスト臭気に関連付けられた用語である、請求項５に記載の方法。

【請求項7】

所定数の最も一般的に生じる臭気表現用語を選択することを含む、請求項４に記載の方法。

【請求項8】

前記所定数は、５である、請求項７に記載の方法。

【請求項9】

臭気関連の議論のためのテンプレートを用意し、前記第１の場所に関連付けられた臭気表現用語を前記テンプレートのうちの１つに挿入することを含む、請求項１に記載の方法。

【請求項10】

前記サンプル空間は、複数の領域を有しており、
当該方法は、前記サンプル空間のそれぞれの領域を対応する臭気保持化学物質に関連付けることを含んでおり、
前記評価を出力することは、前記第１の場所上または前記第１の場所の近くに領域を有している１つ以上の臭気保持化学物質の詳細を出力することを含む、請求項１に記載の方法。

【請求項11】

前記詳細に定められた前記臭気保持化学物質を使用して前記臭気を合成することを含む、請求項１０に記載の方法。

【請求項12】

ｎは１８である、請求項１に記載の方法。

【請求項13】

ｎ次元知覚空間を構築することを含む、請求項１に記載の方法。

【請求項14】

前記ｎ次元知覚空間上の臭気間の丁度可知距離を発見することを含み、
前記丁度可知距離は、１群のユーザにおける最小識別可能距離の平均値である、請求項１３に記載の方法。

【請求項15】

前記丁度可知距離に基づいて前記ｎ次元知覚空間をデジタル化することを含む、請求項１４に記載の方法。

【請求項16】

前記デジタル化を使用して入力臭気の測定値を提供することを含む、請求項１５に記載の方法。

【請求項17】

前記デジタル化を使用して異なる臭気の間の比較を提供することを含む、請求項１５に記載の方法。

【請求項18】

丁度可知距離としてデジタル化されており、前記丁度可知距離は、１群のユーザにおける最小識別可能距離の平均値であるｎ次元デジタル化知覚空間であって、ｎは少なくとも５である、ｎ次元デジタル化知覚空間と、
測定対象の臭気の入力と、
前記入力および前記ｎ次元デジタル化知覚空間に接続され、入力された前記臭気を前記ｎ次元デジタル化知覚空間上の第１の場所にマッピングし、前記第１の場所は、前記丁度可知距離に関してデジタル的に表現可能であり、前記ｎ次元デジタル化知覚空間は、匂いのｎ個の軸に沿って分子へ適用された物理化学的記述子を含み、ｎは複数の整数であり、前記ｎ次元デジタル化知覚空間内の前記分子は、

に従って重み付けられ、ここでｘは、正規化された強度である、マッピングユニットと、
前記丁度可知距離に関して表現された前記第１の場所に基づいて、入力された前記臭気のデジタル指標を出力するための出力と
を備えるデジタル電子ノーズ。

【請求項19】

前記ｎ次元デジタル化知覚空間は、電子的に格納される、請求項１８に記載のデジタル電子ノーズ。

【請求項20】

それぞれの丁度可知距離が、前記ｎ次元デジタル化知覚空間上の角度である、請求項１８に記載のデジタル電子ノーズ。

【請求項21】

前記ｎ次元デジタル化知覚空間上の２つの臭気の間の角度は、

であり、
ここで

は、前記２つの臭気を表すそれぞれのベクトルの間のドット積であり、

および

は、それらのユークリッドノルムである、請求項２０に記載のデジタル電子ノーズ。

【請求項22】

臭気を評価する方法であって、
臭気から化学的な特性評価を抽出する電子ノーズを用意することと、
前記電子ノーズを第１および第２の臭気に適用することと、
前記電子ノーズを使用し、前記第１および第２のそれぞれの臭気について、化学的な臭気の特性評価を抽出することと、
知覚空間上の臭気間の丁度可知距離を発見することであって、前記丁度可知距離は、１群のユーザにおける最小識別可能距離の平均値である、発見することと、
前記丁度可知距離に従ってデジタル化されたｎ次元空間における前記第１および第２の臭気のそれぞれの化学的な臭気の特性評価の間の距離を測定することであって、前記ｎ次元空間は、匂いのｎ個の軸に沿って分子へ適用された物理化学的記述子を含み、ｎは複数の整数であり、前記知覚空間内の前記分子は、

に従って重み付けられ、ここでｘは、正規化された強度である、測定することと、
前記距離を前記第１および第２の臭気の間の類似性の指標として出力することと
を含む方法。

【請求項23】

前記距離を丁度可知差異に関してデジタル化することを含む、請求項２２に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、そのいくつかの実施形態において、電子ノーズに基づく臭気物質の分析の利用に関し、より詳細には、これに限られるわけではないが、臭気物質の分析結果を直接的に伝達し、あるいは間接的な伝達または他の目的のために臭気物質を合成する方法に関する。

【背景技術】

【0002】

１９６８年に、Ｄｒａｖｎｉｅｋｓが、悪臭空気の試料を検査し、人間の鼻の介入を必要とせずに臭気の強さおよび質を報告する計測器として、人工鼻または電子ノーズを考えた。以後、ｅノーズの開発が進められてきたが、主として臭気の検出および識別の目的に使用され、臭気の質の報告には使用されていない。

【0003】

ｅノーズの主なコンポーネントは、一般的な化学センサのアレイである。分析対象の臭気が、アレイ内のセンサの多くを刺激し、特徴的な応答パターンを生じさせる。ｅノーズ内のセンサはさまざまな技術で作製されてよいが、いずれの場合も、特定の物理的特性が測定され、一式の信号が生成される。認識プロセスの各段階は、生物学的嗅覚の各段階に似ており、センサは２つ以上の臭気物質に反応し、１つの臭気物質が２つ以上のセンサを作動させる。作動した一式のセンサおよびそれらの信号が、全体として、臭気の特徴を表現し、臭気の指紋と呼ばれることもある。したがって、ｅノーズとガスクロマトグラフなどの分析対象検出器との間の重要な差異は、後者が臭気の原因となる成分の特定を目的としているのに対し、ｅノーズは、臭気を協働して形成する成分の混合物を全体として特定するために使用できることである。嗅覚の代わりとなり得る人工システムの将来性にもかかわらず、検出および識別を超える目的にｅノーズを使用するための努力は、ほとんど行われていない。注目すべき例外は、医療診断用のｅノーズを開発する取り組みである。このような取り組みにおいて、ｅノーズは、疾患に関連する特定の分析対象ではなく、疾患全体を特定するために用いられていた。以前の提案において、本発明の発明者は、ｅノーズによる測定を嗅覚受容体ニューロンにおける嗅覚活動に関連付け、ｅノーズが生物学的受容体に関連する臭気属性を捕捉できることを示唆した。その後に、「Ｐｒｅｄｉｃｔｉｎｇ Ｏｄｏｒ Ｐｌｅａｓａｎｔｎｅｓｓ」という名称の米国特許第８，８８０，４４８号明細書が、ｅノーズによる測定を何らかのやり方で嗅覚に関連付けることができるか否かを尋ねることを企てた。この取り組みは、知覚は刺激の構造だけでなく、経験および学習などの高次の機構によっても支配されるため、ｅノーズの出力を受容体の応答に関連付けるよりも複雑になり得る。

【0004】

同様に、Ｂｕｒｌ ｅｔ ａｌ ２００１が、ｅノーズを用いた知覚的な質の報告を試みている。導電性ポリマー複合検出器のアレイを使用し、「リーブ・ワン・アウト」の仕組みおよび一連の予測アルゴリズムを使用することによって、２０種類の臭気物質の各々について、１７種類の臭気の質を予測している。臭気の質の一部についてかなりの予測率が得られているが、結果は新規な臭気物質には一般化されていない。Ｂｕｒｌら（Ｂｕｒｌ ｅｔ ａｌ．２００１）は、この結果は、用いた臭気物質の数の少なさを反映している可能性があると主張している。

【0005】

Ｂｕｒｌら（Ｂｕｒｌ ｅｔ ａｌ．２００１）は、例えばミントおよびフローラルなど、控え目な知覚特性の予測に注力している。上述の米国特許第８，８８０，４４８号明細書においては、電子ノーズを使用して臭気情報を抽出し、抽出された臭気情報を臭気快適性の軸上の位置にプロットすることを含む解決策が、臭気の電子ノーズ測定に適用されており、軸はニューラルネットワークを使用して形成されている。ニューラルネットワークは、人間のテスターが特定の臭気を評価した実験に従って形成される。

【0006】

上記における問題は、１次元の軸上の数または単語での説明は、臭気に関する情報の伝達についてあまり意味のあるやり方ではなく、所与の臭気の再現を可能にする充分な情報を決してもたらさないことである。一次元の軸は、いわゆる心地よさに基づく臭気の評価を可能にできるが、臭気には、心地よさよりもはるかに多くのものが存在する。

【先行技術文献】

【特許文献】

【0007】

【文献】米国特許第８，８８０，４４８号明細書

【発明の概要】

【課題を解決するための手段】

【0008】

先行技術の問題は、多次元サンプル空間を使用して、電子ノーズによって測定された臭気を表すことによって対処される。多次元サンプリング空間は、電子ノーズによって測定された特徴に基づくことができ、あるいは電子ノーズによって測定された特徴に関して最適化されてよい。
次いで、サンプル空間における測定値の位置、あるいは具体的にはサンプル空間における測定値と既知のサンプルとの近さに基づいて、自然言語テンプレートを選択することにより、説明を提供することができる。

【0009】

同様に、多次元サンプル空間における測定値の場所によって示される化学物質の混合物を使用することによって、臭気の合成を得ることができる。

【0010】

多次元サンプリング空間および／または説明を使用して、丁度可知差異（ＪＮＤ）の問題に匂いの感覚をもたらすことができる。感覚系が検出することができる最小の摂動が、そのＪＮＤである。ＪＮＤは、神経センサおよび回路の最小要件を意味するため、感覚神経生物学にとって重要である。また、ＪＮＤは、デジタル化に関する分解能を決定するため、テクノロジにとって重要である。ＪＮＤは、視覚的および聴覚的な質に関して識別されているが、臭気の質については識別されていない。臭気の質のＪＮＤを定義するために、匂いの再現可能な物理化学的指標を使用することができ、本実施形態は候補を提供することができる。

【0011】

本発明のいくつかの実施形態の一態様によれば、臭気を評価する方法であって、
少なくともｎ個（ｎは１よりも大きい）の化学記述子を抽出することができる測定値を臭気から抽出する電子ノーズを用意することと、
電子ノーズを臭気に適用することと、
電子ノーズを使用して臭気の臭気情報を抽出することと、
抽出した臭気情報を、各々の次元がｎ個の化学記述子のうちの該当の１つに関係しているｎ次元のサンプル空間上の第１の場所にプロットすることと、
第１の場所に基づいて評価を出力することと
を含む方法が提供される。

【0012】

一実施形態は、電子ノーズから入手することができるｍ個（ｍはｎよりも大きい）の化学記述子からｎ個の化学記述子を選択することを含むことができる。

【0013】

一実施形態は、類似すると識別されたテスト臭気が互いに比較的近くに集まり、異なると識別されたテスト臭気が比較的遠く離れて位置するサンプル空間を構築するｎ個の化学記述子を選択することを含むことができる。

【0014】

一実施形態において、サンプル空間は、サンプル空間上にプロットされた複数のテストサンプルを有することができ、各々のサンプルに少なくとも１つの臭気表現用語が関連付けられている。本方法は、第１の場所に最も近い所定数のテストサンプルを見つけることができ、あるいは第１の場所の所定の半径の範囲内のすべてのテストサンプルを見つけることができ、評価の出力は、このようにして見つけたテストサンプルに関連付けられた臭気表現用語を出力することを含むことができる。

【0015】

あるいは、サンプル空間は、複数の領域を有することができ、本方法は、サンプル空間のそれぞれの領域を対応する臭気表現用語に関連付けることを含むことができる。評価の出力は、第１の場所に関連付けられた臭気表現用語を出力することを含むことができる。

【0016】

いくつかの実施形態において、領域は、テスト臭気のサンプル空間における場所であり、用語は、テスト臭気に関連付けられた用語である。

【0017】

いくつかの実施形態は、所定数の最も一般的に生じる臭気表現用語を選択することを含むことができる。

【0018】

所定数は、例えば５であってよい。

【0019】

一実施形態は、臭気関連の議論のためのテンプレートを用意し、第１の場所に関連付けられた臭気表現用語をテンプレートのうちの１つに挿入することを含むことができる。

【0020】

サンプル空間は、複数の領域を有することができ、本方法は、
サンプル空間のそれぞれの領域を対応する臭気保持化学物質に関連付けることを含み、評価の出力は、第１の場所上または第１の場所の近くに領域を有している１つ以上の臭気保持化学物質の詳細を出力することを含む。

【0021】

本方法は、詳細に定義された臭気保持化学物質を使用して臭気を合成することができる。

【0022】

いくつかの実施形態において、ｎは１８である。

【0023】

一実施形態は、知覚空間上の臭気間の丁度可知距離を発見することを含み、丁度可知距離は、１群のユーザにおける最小識別可能距離の平均値である。

【0024】

一実施形態は、丁度可知距離に基づいて知覚空間をデジタル化することを含む。

【0025】

一実施形態は、デジタル化を使用して入力臭気の測定値を提供することを含む。

【0026】

一実施形態は、デジタル化を使用して異なる臭気の間の比較を提供することを含む。

【0027】

本発明の第２の態様によれば、
丁度可知距離に関してデジタル化されており、丁度可知距離は、１群のユーザにおける最小識別可能距離の平均値であるｎ次元デジタル化知覚空間と、
測定対象の臭気の入力と、
入力およびｎ次元デジタル化知覚空間に接続され、入力臭気をデジタル化ｎ次元知覚空間上の第１の場所へマッピングし、第１の場所は、丁度可知距離に関してデジタル的に表現可能であるマッピングユニットと、
丁度可知距離に関して表現された第１の場所に基づいて、入力臭気のデジタル指標を出力するための出力と
を備えるデジタル電子ノーズが提供される。

【0028】

いくつかの実施形態において、ｎ次元知覚空間は電子的に格納される。

【0029】

いくつかの実施形態において、ｎ次元知覚空間は、匂いのｎ本の軸に沿って分子に適用される物理化学的記述子を含み、ここでｎは複数の整数である。

【0030】

いくつかの実施形態において、それぞれの丁度可知距離は、ｎ次元知覚空間上の角度である。

【0031】

いくつかの実施形態において、ｎ次元のデジタル化された知覚空間上の２つの臭気の間の角度は、

であり、ここで

は、２つの臭気をそれぞれ表すベクトルの間のドット積であり、

および

は、それらのユークリッドノルムである。

【0032】

いくつかの実施形態において、知覚空間における分子は、

に従って重み付けされ、ここでｘは、正規化された強度である。

【0033】

本発明の第３の態様によれば、臭気を評価する方法であって、
臭気から化学的な特性評価を抽出する電子ノーズを用意することと、
電子ノーズを第１および第２の臭気に適用することと、
電子ノーズを使用し、第１および第２のそれぞれの臭気について、化学的な臭気の特性評価を抽出することと、
第１および第２の臭気のそれぞれの化学的な臭気の特性評価の間の距離を測定することと、
この距離を第１および第２の臭気の間の類似性の指標として出力することと
を含む方法が提供される。

【0034】

実施形態は、丁度可知差異に関する距離のデジタル化を含むことができる。

【0035】

とくに定義されない限り、本明細書において使用されるすべての技術用語および／または科学用語は、本発明に関係する技術分野の当業者が一般的に理解する意味と同じ意味を有する。本明細書に記載される方法および材料と同様または同等の方法および材料を、本発明の実施形態の実施またはテストに使用することができるが、以下では典型的な方法および／または材料が説明される。矛盾が存在する場合、定義を含む本特許明細書が優先される。さらに、材料、方法、および例は、単なる例示にすぎず、必ずしも限定を意図するものではない。

【0036】

本発明の実施形態の方法および／またはシステムの実装は、選択されたタスクを手動、自動、または両者の組み合わせにて実行または完了することを含むことができる。さらに、本発明の方法および／またはシステムの実施形態の実際の計測器および設備によれば、いくつかの選択されたタスクを、ハードウェア、ソフトウェア、またはファームウェア、あるいはオペレーティングシステムを用いたこれらの組み合わせによって実装することができる。

【0037】

例えば、本発明の実施形態に従って選択されたタスクを実行するためのハードウェアは、チップまたは回路として実装されてよい。ソフトウェアとして、本発明の実施形態による選択されたタスクを、任意の適切なオペレーティングシステムを使用してコンピュータによって実行される複数のソフトウェア命令として実装することもできる。本発明の典型的な実施形態において、本明細書に記載の方法および／またはシステムの典型的な実施形態による１つ以上のタスクを、複数の命令を実行するコンピューティングプラットフォームなどのデータプロセッサによって実行することができる。随意により、データプロセッサは、命令および／またはデータを格納するための揮発性メモリ、ならびに／あるいは命令および／またはデータを格納するための不揮発性ストレージ、例えば磁気ハードディスクおよび／またはリムーバブルメディアを含む。随意により、ネットワーク接続も提供される。ディスプレイならびに／あるいはキーボードまたはマウスなどのユーザ入力デバイスも随意により提供される。

【図面の簡単な説明】

【0038】

本発明のいくつかの実施形態が、あくまでも例として、添付の図面を参照して本明細書において説明される。ここで図面を具体的に詳しく参照すると、示されている詳細は、あくまでも例示であり、本発明の実施形態の実例を議論するためのものであることを、強調しておく。この点で、図面と併せて検討される説明が、本発明の実施形態をどのように実施できるかを、当業者にとって明らかにする。

【0039】

【図1】説明を提供する一方法として、本発明の一実施形態による臭気の検出およびｎ次元サンプル空間へのプロットを示す概略のフローチャートである。

【図2】図１の方法を実行するための装置を示す概略図である。

【図3】本発明の実施形態による臭気のテキスト表現を提供するための方法を示す概略のフローチャートである。

【図4】本実施形態を使用して適用された記述子を、人間であるテスターを使用して適用された記述子と比較して示すグラフである。

【図5】本実施形態による臭気の合成のプロセスを示す概略図である。

【図6】本実施形態による化学サンプル空間における類似の混合物のモデリングを示す概略図である。

【図7】モデル化された結果と化学データとの間の角度距離を示す概略図である。

【図8A】本実施形態に従って測定された匂いの類似性が現実世界の臭気物質混合物の類似性をどのように予測するかを示す概略のグラフである。

【図8B】本実施形態に従って測定された匂いの類似性が現実世界の臭気物質混合物の類似性をどのように予測するかを示す概略のグラフである。

【図8C】本実施形態に従って測定された匂いの類似性が現実世界の臭気物質混合物の類似性をどのように予測するかを示す概略のグラフである。

【図8D】本実施形態に従って測定された匂いの類似性が現実世界の臭気物質混合物の類似性をどのように予測するかを示す概略のグラフである。

【図8E】本実施形態に従って測定された匂いの類似性が現実世界の臭気物質混合物の類似性をどのように予測するかを示す概略のグラフである。

【図8F】本実施形態に従って測定された匂いの類似性が現実世界の臭気物質混合物の類似性をどのように予測するかを示す概略のグラフである。

【図9A】本実施形態による匂いの指標がバラ、スミレ、およびアサフェティダの知覚される類似性をどのように予測するかを示す概略のグラフである。

【図9B】本実施形態による匂いの指標がバラ、スミレ、およびアサフェティダの知覚される類似性をどのように予測するかを示す概略のグラフである。

【図9C】本実施形態による匂いの指標がバラ、スミレ、およびアサフェティダの知覚される類似性をどのように予測するかを示す概略のグラフである。

【図9D】本実施形態による匂いの指標がバラ、スミレ、およびアサフェティダの知覚される類似性をどのように予測するかを示す概略のグラフである。

【図10A】本実施形態による匂いの指標が嗅覚識別タスクにおけるパフォーマンスをどのように予測するかを示す一連のグラフである。

【図10B】本実施形態による匂いの指標が嗅覚識別タスクにおけるパフォーマンスをどのように予測するかを示す一連のグラフである。

【図10C】本実施形態による匂いの指標が嗅覚識別タスクにおけるパフォーマンスをどのように予測するかを示す一連のグラフである。

【図11A】本実施形態による臭気の質のＪＮＤの数字にどのように到達できるのかを示す一連のグラフである。

【図11B】本実施形態による臭気の質のＪＮＤの数字にどのように到達できるのかを示す一連のグラフである。

【図11C】本実施形態による臭気の質のＪＮＤの数字にどのように到達できるのかを示す一連のグラフである。

【図11D】本実施形態による臭気の質のＪＮＤの数字にどのように到達できるのかを示す一連のグラフである。

【図12A】本実施形態において実験を行うために使用した臭気を知覚空間に投影して示したグラフである。

【図12B】本実施形態において実験を行うために使用した臭気を知覚空間に投影して示したグラフである。

【図13A】本実施形態に従って測定された臭気間の角度距離が知覚される類似性にどのように変換されるかを示すグラフである。

【図13B】本実施形態に従って測定された臭気間の角度距離が知覚される類似性にどのように変換されるかを示すグラフである。

【図13C】本実施形態に従って測定された臭気間の角度距離が知覚される類似性にどのように変換されるかを示すグラフである。

【図13D】本実施形態に従って測定された臭気間の角度距離が知覚される類似性にどのように変換されるかを示すグラフである。

【図14】本発明の実施形態によるデジタルｅノーズを示すブロック図である。

【図15】デジタル出力またはアナログ出力のいずれかを生成するために使用することができる本発明の実施形態によるさらなるｅノーズを示すブロック図である。

【発明を実施するための形態】

【0040】

本発明は、そのいくつかの実施形態において、電子ノーズから得ることができる臭気の測定値を利用するやり方に関する。

【0041】

臭気を評価する方法が、少なくともｎ個（ｎは１よりも大きい）の化学記述子を抽出することができる測定値を臭気から抽出する電子ノーズを用意することと、電子ノーズを臭気に適用することと、電子ノーズを使用して臭気の臭気情報を抽出することと、抽出した臭気情報を、各々の次元がｎ個の化学記述子のうちの該当の１つに関係しているか、あるいは特定のｅノーズまたはそのｅノーズによる測定値にその他のやり方で最適化されているｎ次元のサンプル空間上の第１の場所にプロットすることと、プロットの場所に基づいて評価を出力することとを含む。評価は、臭気表現用語に基づく説明であってよく、あるいはその臭気を合成することができる化学物質に関する化学的記述であってよく、したがって臭気を化学的記述に基づいて合成することができる。

【0042】

さらに、本実施形態は、例えばラジアンで表され、任意の２つの臭気物質間の知覚的類似性または差異をそれらの構造のみに基づいて正確に反映する指標の最適化に拡張可能である。試行において、１６６名の参加者が、この指標に沿った距離が体系的に変化する臭気物質混合物を評価する３８，７４４件の試行を実施した。試行において、人間が検出できる臭気の質の最小の差、すなわち嗅覚のＪＮＤが、臭気物質間の０．０１２５ラジアンであることが観察された。神経生物学およびテクノロジへの影響の他に、このフレームワークは、匂いを規定し、したがって特定の匂いについて著作権などの権利を主張する道を開く。

【0043】

本発明の少なくとも１つの実施形態を詳細に説明する前に、本発明が、その適用において、以下の説明において述べられ、さらには／あるいは図面および／または実施例に示されるコンポーネントの構成および配置ならびに／あるいは方法の詳細に必ずしも限られないことを、理解すべきである。本発明について、他の実施形態も可能であり、あるいはさまざまな方法での実施または実行が可能である。

【0044】

ここで図面を参照すると、図１は、電子ノーズ１０を提供する、臭気の評価方法を示している。「電子ノーズ」という用語は、空気または他のガスのサンプルのガス状化学物質含有量を測定するように設計された任意のデバイスを指し、臭気の特定の成分を識別し、その化学成分を分析して臭気を識別するデバイスを含む。電子ノーズを、電子センサのアレイなどの化学的検出のための機構と、ニューラルネットワークなどのパターン認識のための機構とで構成することができる。次いで、臭気の記述子を、センサ自体またはパターン認識から抽出することができる。

【0045】

本実施形態による電子ノーズは、臭気を検出し（１２）、それから記述子が得られる測定値を抽出する（１４）。本実施形態において、測定値は、抽出され得る少なくともｎ個の化学記述子をもたらすために使用され、ここで、ｎは、１より大きい整数である。使用され得る記述子の典型的な数は、１８である。一般に、使用する記述子の数をより少なくすると、結果として意味が少なくなり、より多くの記述子を使用すると、有用な意味はあまり増えずに、処理が遅くなる。１８という数が、特定のノーズから得られた測定に基づき、最適であることが明らかになっている。しかしながら、使用されるノーズに応じて、他の数の記述子が最適である可能性があり、他の考慮事項に応じて、次善の解決策が当業者によって選択されてもよい。

【0046】

ひとたび記述子が利用可能になると、臭気は、ｎ次元のサンプル空間の第１の場所にプロットされ（１６）、ここで各次元は、ｎ個の化学記述子のうちの特定の１つに関連している。次いで、サンプル空間内の場所に基づいて、評価が出力される（１８）。

【0047】

電子ノーズは、一般に、多数の測定値を抽出するが、一部は人間にあまり知覚されない臭気成分に関係し、一部は人間により強く知覚される臭気成分に関係する。さらに、一部の記述子は他の記述子にきわめて類似している可能性があり、したがって省略しても全体的な影響はきわめて少ないかもしれない。いずれにせよ、可能な記述子のすべてが必要なわけではなく、本実施形態は、電子ノーズから入手可能なｍ個の化学記述子からなるより大きなグループから、ｎ個の化学記述子を選択することを含むことができる。以下でより詳細に論じられるように、サンプル空間を、事前に定義された一式の臭気および一群の人間のテスターを使用して最初に構築することができる。人間のテスターが、どの臭気が似ており、どの臭気が似ていないのかを決定し、次いで、ｎ個の記述子のさまざまな組み合わせがテストされ、どの組み合わせが、類似の臭気を互いに集め、異なる臭気を互いに離すうえで最良であるかが調べられる。テスターの評価に最もよく一致するｎ個の記述子の組が、ｎ次元のサンプル空間の基礎として選択される。

【0048】

ひとたびサンプル空間が定義されると、テストサンプルがサンプル空間において定義され、各々のテストサンプルにはいくつかの説明用語が関連付けられる。新たなサンプルが空間にプロットされ、最も近いテストサンプルが発見される。最も近いテストサンプルは、最も近いｋ個のサンプルであってよく、あるいは所与の半径内の任意のサンプルであってよい。発見されたテストサンプルに関連付けられた用語を、現在の臭気を説明するために使用することができる。

【0049】

あるいは、サンプル空間を領域に分割してもよい。領域は、任意であってよく、あるいは例えばテストなどからすでに知られたクラスタリングに基づいてもよい。次に、種々の領域に、臭気を説明する用語が提供され、例えば特定の領域に集まる臭気を表現するとテスターが判断した用語が提供される。所与の領域にいくつかの用語が関連付けられてもよく、同様に、１つの用語がいくつかの領域に関連付けられてもよいことを、強調しておく。次いで、後に測定される臭気の評価出力は、その臭気がプロットされるサンプル空間内の領域に関連付けられた用語に基づくことができる。

【0050】

以下でより詳細に説明されるように、臭気関連議論のテンプレートを用意することができる。これらのテンプレートは、臭気に関する議論に使用される文を含み、実際の臭気を説明する用語のための空白を有している。その場合、評価は、抽出された（１または複数の）用語を適切なテンプレートに挿入することを含むことができる。このようにして、評価が、人間によって生み出されているという印象を与える。

【0051】

以下で説明されるように、代案は、領域を臭気を有する化学物質に関連付けることである。上述のように、単一の領域に２つ以上の化学物質を関連付けることができ、所与の化学物質を２つ以上の領域に関連付けることができる。入力臭気がサンプル空間にプロットされ、次いで入力臭気を、プロットの場所に関連付けられた化学物質またはすぐ近くにある化学物質に関して表現することができる。次いで、表現内の化学物質を使用することによって、入力臭気を合成することができる。

【0052】

図２を参照すると、電子ノーズ２０がサンプルを測定し、測定値２２を生成する。測定値２２は、記述子２４（記述子１、・・・、ｎ）を生成し、記述子２４は、ｎ次元のサンプル空間２６へマッピングされ、次いで、ｎ個の記述子に基づくサンプル空間内の臭気のプロットの場所に基づいて、評価出力がもたらされる（２８）。

【0053】

次に、実施形態をより詳細に説明する。まず、言葉による表現をもたらす実施形態を論じるが、目的は、臭気の説明が実際には機械からもたらされていることを人間が見破ることができないというノーズのチューリング（Ｔｕｒｉｎｇ）テストに合格することである。

【0054】

実施形態の目的は、未知のサンプルを電子ノーズ（ｅノーズ）に提示することである。機械がサンプルを分析し、あたかも人間がもたらしたかのようなフリーテキストでのサンプルの臭気の表現を生成する。機械によって生成された表現は、被験者によってもたらされた表現と区別できないように意図されてよい。結果の確認は、機械がチューリングテストの嗅覚バージョン、いわゆるイミテーションゲームに合格することに相当する。

【0055】

次に図３を参照するが、図３は、表現をもたらすための３ステップのプロセスを説明する簡略図である。第１に、新たなサンプルが与えられ、サンプルがｅノーズで分析され（３０）、関連するｅノーズ特徴が抽出され、既知のサンプルのライブラリに対するサンプルの知覚される類似性が計算される（３２）。第２に、サンプルの既知のライブラリに対する類似性に基づいて、サンプルライブラリについて知られた知覚的な質が組み合わせられ、新たなサンプルについて最も適切な知覚的な質が計算される（３４）。プロセスの第３の部分は、サンプルについて発見された知覚記述子のリストを翻訳し、自然言語で表現することである（３６）。

【0056】

本実施形態をもたらした研究においては、ＡｉｒＳｅｎｓｅのＰＥＮ３という電子ノーズを、ガラスバイアルから臭気物質をサンプリングするためのオートサンプラーに接続した。

【0057】

ＤｒａｖｎｉｅｋｓのＡｔｌａｓ ｏｆ Ｏｄｏｒ ｃｈａｒａｃｔｅｒ ｐｒｏｆｉｌｅｓで使用されたセットから抽出された７７個の単一分子サンプルの集合からもたらされ、本明細書においてデータセットＡと呼ばれる初期データセットを、サンプル空間を設定するために使用した（分子のリストについては追加資料を参照）。この混合物のセットを、ｅノーズにおいて、電子ノーズを通る３５０ｍｌ／分の流速でサンプリングし、サンプルをオートサンプラーによって３０℃に加熱した。ｅノーズの１０個のセンサで７９秒にわたってサンプリングを行い、したがって各々のサンプルについて、１０個の７９秒の時系列で構成されたデータを集めた。各々のサンプルについて、最後の時間段階におけるセンサの読み取り値である１０個の特徴を抽出した。その理由は、その時点で信号が安定しており、その時点のサンプルが最もロバストな特徴を提供するはずだからである。すべてのｅノーズサンプルを、プロピレングリコールで希釈し、シリコーン膜で密閉された専用のガラスバイアル内で調製した。

【0058】

データセットＡはＤｒａｖｎｉｅｋｓのＡｔｌａｓからのサンプルで構成されているため、各々のサンプルについて、１４６個の知覚表現のリスト、およびＤｒａｖｎｉｅｋｓの実験において評価されたそれらの妥当度のレベルが存在する。

【0059】

データセットＡ内の分子の化学的特性を、Ｄｒａｇｏｎ ｖ６と呼ばれる市販のソフトウェアプログラムから取得した。

【0060】

プロジェクトの自然言語部分は、臭気物質のサンプルの数百のフリーテキスト記述子の集合を利用する。テキスト表現を、被験者に対して臭気物質を提示し、それらを自然言語を用いて表現するように求める臭気記述子の意味論に関する研究に関して、本発明の発明者のうちの一名が収集した。これらのテキストは、臭気物質の自然言語表現を生成する本プロセスのテンプレートとして使用される。テキスト表現のセットは、データセットＢと標記される。

【0061】

自然言語表現を生成するプロセスは、嗅覚サンプルの自然言語表現を生成するプロセスを示している図３に関して上述したステップを含む。

【0062】

プロセスの第１の段階は、テストされたサンプルと既知の臭気サンプルのライブラリとの知覚距離のモデリングからなる。データセットＡが、既知の臭気のライブラリとして機能するだけでなく、テストサンプルのソースとしても機能し、各々のサンプルがライブラリの残りの部分を使用してモデル化される（リーブ・ワン・アウト・プロセス）。

【0063】

７７個のサンプルのそれぞれがｅノーズによってサンプリングされ、そのｅノーズ特徴が、ライブラリ内の各サンプル（この場合には、残りの７６個のサンプル）からの知覚距離を計算するために使用される。距離の計算を実行できるさまざまなやり方が存在するが、以下の段階は、この計算を実行するために使用される方法に厳密に依存するわけではない。本方法は、最初にｅノーズ特徴を選択されたＤｒａｇｏｎ化学記述子の化学空間にマッピングする。次に、テストサンプルおよびライブラリサンプルの化学空間表現を使用して、サンプルとライブラリサンプルとの知覚的類似性が計算される。このプロセスは、以下でさらに詳細に説明されるように次元がｅノーズ特徴に基づいて選択された特別に最適化された化学空間を使用する。類似の臭気を最良にクラスタリングし、似ていない臭気を遠く離しておくｎ個の記述子のセットが選択される。

【0064】

プロセスの第２の部分は、臭気サンプルの所与のライブラリへ計算された類似性を使用し、それらからテストサンプルの最も適切な知覚記述子を抽出することからなる。これを行うために、新たなサンプルに最も近い１５個のライブラリサンプルが取得される。１５個のライブラリ臭気サンプルのそれぞれが、サンプルに近いほど重みが大きくなるように、テストサンプルまでの距離で重み付けされる。１５個のライブラリサンプルに計算されたそれぞれの重みを掛け、それらを足し合わせる。得られた合計は、重みおよび構成要素の１５個のライブラリサンプルを反映する知覚特性のベクトルである。この結果としてのベクトルにおいて、特定の特性における係数のサイズは、サンプルとの関連性を反映している。テストサンプルのコンパクトな知覚表現を生成するために、計算された知覚ベクトルの係数が最大である５つの特性が選択される。最終結果は、テストサンプルに関連付けられた５つの最も適切な知覚特性のリストである。

【0065】

本手順のパフォーマンスをテストするために、テストサンプルにおける最も関連性の高い上位５つの知覚特性の選択を、（Ｄｒａｖｎｉｅｋの実験において）被験者によって与えられた実際の評価と比較した。各々のテストサンプルについて、予測される上位５つの知覚特性の実際の順位を調べた。結果が図４に示されており、図４は、７７個の分子について１４６個の言葉による記述子のうちの上位５つの予測結果を示しており、データセットＡ内の臭気サンプルについて予測された上位５つの知覚記述子の順位の位置を示している。

【0066】

図４に見られるように、予測された上位５つの記述子は、記述子の実際の順位の上位付近にランクされている。７７個の分子のうちの６２個の分子について、上位５つの記述子のうちの少なくとも１つが予測されたことが分かった。このような結果が偶然に得られる確率は、ｐ＜ｅ－５０である。さらに、７７個の分子のうちの４７個については、上位５つの記述子のうちの２つ以上が予測され、７７個の分子のうちの３０個については、最上位の記述子を的中させた。一般に、７７個の分子全体で、予測された５つの記述子の平均順位は（可能な１４６のうちの）１１であった。これらの結果の各々の確率は、ｐ＜ｅ－３０である。

【0067】

本プロセスの第３のステップは、計算された上位５つの記述子を使用して、臭気物質の自然言語による表現を生成することである。生成すべきテキストは、すべて同じトピックについてであるため、これを達成する最も簡単なやり方は、被験者によってもたらされた実際の表現のテンプレートを使用することである。このようなテンプレートは、以下のデータセットＢから生成される。

【0068】

本実施形態の困難な部分は、ｅノーズにおいてサンプリングされた臭気物質間の知覚距離の予測である。しかしながら、示されているように、利用可能なデータに対する記述子の選択は非常に正確である。記述子の予測が実際の評価に近いため、人間が、計算された上位５つの記述子を実際の記述子から区別できる可能性は、ほとんどない。その意味で、本アルゴリズムでチューリングテストの難解なバージョンに合格できると期待される。ひとたび上位の予測子がテンプレート（補足資料を参照）に挿入されると、得られた表現は、実際の人間の表現からの区別はさらに難しくなると考えられる。

【0069】

補足情報
１）データセットＡに含まれる分子のＣＩＤのリスト。
２６３
３０７
３２６
３４２
４６０
９５７
１０４９
１１２７
１１４０
１１４６
２７５８
３３１４
４１３３
５１４４
６０５４
６０５４
６１８４
６５０１
６５４４
６６５４
７０５９
７４１０
７５１９
７６００
７６８５
７７１０
７７１４
７７３１
７７４９
７７６２
７７７０
７８８８
７９２１
７９６６
７９９１
８０３０
８１０３
８１１８
８１２９
８１３０
８１４８
８７９７
８８９２
８９１８
９６０９
１０７２２
１０８２１
１０８９０
１１００２
１１５５２
１２１７８
１４２８６
１８８２７
１９３１０
２２２０１
２２３１１
２４９１５
２６３３１
３１２５２
３１２６６
３１２７６
３１２７７
６１０１６
６１１３８
６１１９９
６２３３６
６２４３３
６２４４４
６７２８５
９１４９７
９３００９
４３９５７０
６３７５６３
６３８０１１
１５５０８８４
５２８１５１５
５２８３３４９

【0070】

２）自然言語テンプレートのサンプル。バンクは、形容詞については＿＿として、名詞については＿＿＿としてコード化されている。
この匂いは＿＿すぎるので好みでない。
私にとって＿＿のような匂いがする。
これは＿＿を思い出させる。
これはとても＿＿だ。
これは私の子供時代を思い出させる。
これはとても＿＿であり、＿＿＿に似ている。
何か＿＿だ。
＿＿＿または＿＿＿のような少し＿＿の匂いがする。
これらの＿＿ ＿＿の匂いのうちの１つだ。
＿＿＿と＿＿＿との組み合わせのようだ。
父は＿＿＿をよく食べていたが、それは＿＿＿のような匂いであった。
目を閉じると＿＿＿が見える。
祖母がこのような匂いのする＿＿＿を持っていたので、祖母の家を思い出す。
私はそれが何であるか知っており、それは＿＿＿である。
これは＿＿＿の香りがする。
＿＿＿のように少し＿＿だ。
はっきりしないが、＿＿＿かもしれない。
＿＿＿を思い出させるが、もっと＿＿だ。
理由は不明だが＿＿＿を思い出させる。
クレイジーと言われても、これは＿＿＿だと思う。
それはあなたが店で買う＿＿＿と全く同じだ。
それは私の母がよく持ってきた＿＿＿だ。
私の兄がかつてこのような匂いがする＿＿＿を見せてくれた。
これは＿＿＿に似ているが、より人工的だ。
これは＿＿＿の改良版のようだ。
少し＿＿で＿＿ ＿＿＿の匂いだが＿＿だ。
これは＿＿＿のような匂いがし、私は好きだ。
これは強い＿＿＿のようだ。
これは弱い＿＿＿のようだ。
これは非常にかすかで、少し＿＿だ。
＿＿ ＿＿ ＿＿の匂いだ。
分からないが、多分＿＿＿だ。
これは私が好む何かであり、多分＿＿＿だ。
＿＿＿を思い出す。
多分＿＿＿だ。
これは実際には＿＿な＿＿＿の繊細なバージョンのようだ。
分からないが、多分＿＿＿だ。
認識するのにしばらく時間がかかったが、＿＿＿のようだとかなり確信する。
正確には＿＿＿でなく、＿＿ ＿＿＿の可能性が高い。
ほぼ＿＿＿のようだ。
私にとって本当に＿＿および＿＿の匂いがする。
これは分かるはずで、多分＿＿＿だ。
冬の匂いのようだ。
私の舌先にある。
＿＿＿と＿＿＿との混合物のようだ。
知っているが思い出せない。
職場の辺りでよく使用していた。
少し＿＿だが＿＿だ。
＿＿＿に似ているが、もっと＿＿だ。
＿＿＿に似ているが、あまり＿＿でない。
＿＿＿のような＿＿＿ ＿＿ ＿＿ ＿＿の匂いだ。
＿＿＿を思い出させる＿＿の臭気の＿＿だ。
こんな匂いのボディクリームがある。
＿＿＿だが、それほど＿＿でなく、比較的＿＿だ。
多分＿＿＿だ。
これは＿＿＿ですか？
本当に＿＿だ。
これはまさに＿＿＿のような匂いだ。
＿＿＿の異様な変種だ。
少し＿＿かつ＿＿だ。
こんな匂いの男とデートしたことがある。
１７番のバスの匂いだ。
＿＿＿を＿＿ ＿＿＿と混ぜたようだ。
正確ではないが、＿＿＿の腐敗物のようだ。
以前に嗅いだことがある。
個人的には嫌いだ。
それを嫌いな人もいるかもしれないが、私は好きだ。
これを香水としてつけたくはない。
＿＿＿には＿＿すぎる。
この匂いですぐに＿＿＿を思い出した。

【0071】

本発明の第２の実施形態は、検出された臭気の合成に関する。電子ノーズで分析した所与の臭気物質混合物との区別が不可能であるように意図された臭気物質混合物を合成する方法を開発した。本プロセスは、電子ノーズでサンプリングした未知の臭気物質混合物から始まる。次に、以下で説明されるように、選択された化学空間におけるサンプルの化学的表現がモデル化される。最後に、既知の分子および化学空間におけるそれらの表現の大規模なデータベースが使用される。このデータベースを検索して、サンプリングされた混合物に区別不可能であるほどに充分に近い化学的表現を有する混合物を生成するように組み合わせることができる分子の選択が発見される。

【0072】

先の実施形態と同様に、ＡｉｒＳｅｎｓｅのＰＥＮ３という電子ノーズを使用し、ガラスバイアルから臭気物質をサンプリングするためのオートサンプラーに接続した。２セットのサンプルが関係する。第１のセットは、本明細書においてデータセットＢと呼ばれるＤｒａｖｎｉｅｋｓのＡｔｌａｓ ｏｆ Ｏｄｏｒ ｃｈａｒａｃｔｅｒ ｐｒｏｆｉｌｅｓで使用されたセットから抽出された８６個の単一分子および小混合物サンプルの集合である（分子のリストについては追加資料を参照）。この混合物のセットを、ｅノーズにおいて、電子ノーズを通る３５０ｍｌ／分の流速でサンプリングし、サンプルをオートサンプラーによって３０℃に加熱した。ｅノーズの１０個のセンサで７９秒にわたってサンプリングを行い、したがって各々のサンプルについて、１０個の７９秒の時系列で構成されたデータを集めた。各々のサンプルについて、最後の時間段階におけるセンサの読み取り値である１０個の特徴を抽出した。その理由は、その時点で信号が安定しており、その時点のサンプルが最もロバストな特徴を提供するはずだからである。すべてのｅノーズサンプルを、プロピレングリコールで希釈し、シリコーン膜で密閉された専用のガラスバイアル内で調製した。

【0073】

サンプルの第２のセットは、４～１０個の分子の１４個の混合物で構成される（分子のリストについては追加資料を参照）。これらの混合物は、知覚される類似性を評価する被験者によって直接テストされ、データセットＣと標記される。

【0074】

このプロジェクトで使用される第３のデータセットは、データセットＤと標記される。これは、データセットＣと同様の設計であるが、分子の選択が異なり、データセットＣの混合物とは異なり、これらの混合物の成分は強度が等しくない。データセットＣの混合物の成分のＣＩＤは、補足資料に挙げられる。

【0075】

使用した分子の化学的特性を、Ｄｒａｇｏｎ ｖ６と呼ばれる市販のソフトウェアプログラムから取得した。

【0076】

合成混合物を計算するプロセスは、図５に示すいくつかの段階を含む。図５は、合成混合物を計算するプロセスを説明する簡略化されたフローチャートである。以前の研究において、臭気物質を表現し、化学データから知覚距離をモデル化するために、化学空間を使用した。この研究においては、同様の段階を使用するだけでなく、それらの化学座標をｅノーズ特徴によってモデル化することも望まれる。これを可能にするために、特別な化学空間を発見する。この化学空間は、ｅノーズ特徴から良好にモデル化される化学特性で構成される。

【0077】

出発点は、Ｄｒａｇｏｎによって生成された４８７０個のすべての化学的特性（すべてのサンプルについて一定であったものを除く）の大規模リストである。したがって、データセットＡの各々のサンプルについて４８７０個の化学的特性のリストが存在した。次いで、単純な線形最小二乗法を使用して、ｅノーズ特徴からの各々の化学的特性のモデル化を試みた。しきい値（ｐ＝０．０１）よりも下で有意にモデル化された化学的特徴のみを、モデル化の第２の部分のために保持した。化学的特性のこの初期のスクリーニングにより、各々をｅノーズ特徴から個別に良好にモデル化できる６４８個の化学的特性のセットが得られた。

【0078】

モデル化の第２の段階において、臭気物質混合物の知覚的類似性を予測する一連の記述子が発見される。モデル化は、ｅノーズ特徴によって良好にモデル化された化学的特性に制限される。データセットＣを使用して、この段階のトレーニングおよびテストを行った。まず、データセット内の混合物間の比較のセットをテストセットおよびトレーニングセットに分割した。テストセットは４８個の比較で構成され、トレーニングセットは４７個の比較で構成されている。化学空間としてのパフォーマンスについて、１８個の化学記述子の２００００００個のランダムな選択をテストした。すなわち、これらの２００００００個の選択のそれぞれについて、それらを座標として化学空間を作成し、トレーニングセット内の比較間の角度距離を計算した。パフォーマンスが最も良好であった選択は、角度距離と実際の被験者により評価にされた混合物の類似性との相関が最大であった選択である。結果は１８個の記述子のセットであり、その後に、これらを比較の別個のテストセットにおいてテストした。テストセットにおける角度距離のパフォーマンスは、（ｒ＝－０．６２、ｐ＝１．７９ｅ－６）の相関であった。記述子のこの選択をより厳しいテストにかけるために、記述子が選択されたデータベースＣと共通の混合物を持たないデータベースＤの混合物を使用した。データセットＣとは異なり、混合物成分がすべて同じ強度ではないため、データセットＤのテストはより困難でもあり、テストは異なる条件のセットで実行される。それにもかかわらず、１８個の化学記述子の選択は、データセットＤの臭気物質混合物の知覚的類似性の予測においてきわめて良好なパフォーマンスであった。

【0079】

結果を図６に示す。図６は、やはりｅノーズ特徴によって良好にモデル化される１８個の化学的特性を使用するデータセットＤの１４個の複合混合物の間のすべての比較のモデル化された知覚的類似性を示している（ｒ＝０．７２、ｐ＜１０－１６）。

【0080】

１８個の良好なパフォーマンスの化学記述子のセットを見つけたので、それらを化学空間のパラメータとして固定する（記述子のリストについては、補足資料を参照）。

【0081】

今回の取り組みにおける次の段階は、選択した化学空間における混合物の表現を、それらのｅノーズ特徴からどれだけうまくモデル化できるかを確認することである。結果を図７に示す。図７は、データベースＢの８６個のｅノーズサンプルの最適化された化学空間におけるモデル化された化学表現と実際の化学表現との間の角度距離を示す簡略図である。

【0082】

図２を観察すると、臭気物質の類似性における丁度可知差異が、０．０３３未満の角度距離に対応すると推定できる。元の化学表現に０．０３３よりも近いと予測できた類似性の数は、８６個の分子のうちの６３個であり、７３％である。さらなる７個の分子は、まさに丁度可知差異のレベルであり、したがって合計８１％が検出可能な差異以下である。

【0083】

手元にあるデータから、２つのことを推論することができる。第１に、ｅノーズで新規サンプルをサンプリングし、それらから関連の特徴を抽出し、これらの特徴を使用して化学空間におけるサンプルの表現をモデル化することが可能である。第２に、この化学空間を使用して、被験者によって評価されたサンプルの知覚された類似性をモデル化することが可能である。これらの結果はどちらもきわめて重要であり、さらなるテストのための強固な基盤を提供するはずである。

【0084】

計算の残りの部分は、モデル化されたサンプルを近似する合成混合物を計算することである。図５に示されるように、未知のサンプルが与えられると、それを化学空間においてモデル化することができる。次に、Ｄｒａｇｏｎを使用して、既知の成分およびそれらの１８次元の化学空間における表現のライブラリが生成される。この部分は、ライブラリに含まれる分子の選択以外のさらなる作業を必要としない。このライブラリを使用し、線形代数を使用して、サンプルの化学表現を近似するベクトルを生成すべく組み合わせられるライブラリベクトルの組み合わせが発見される。近似の精度は、実際には、いくつの成分が合成混合物に含まれてよいかに応じて、所望のとおりに高めることができる。さらに、所望の特性を有する合成混合物を得るための検索に、さらなる好みおよび制限を追加することができる。例えば、ＬＤ５０または価格が特定のしきい値を下回る化学物質のみに検索を制限することができる。

【0085】

補足資料
１）データセットＢの単一のＤｒａｖｎｉｋｅｓ分子および小混合物からなる８６個のサンプルのＣＩＤのリスト。
混合物１ ９１４９７
混合物２ １２１７８
混合物３ ２６３
混合物４ ６１８４
混合物５ ８１１８
混合物６ ６２３３６
混合物７ ８１０３
混合物８ ６７２８５
混合物９ ６０５４
混合物１０ ８１２９
混合物１１ ６１０１６
混合物１２ ２６３３１
混合物１３ ２０８５９
混合物１４ ７７７０
混合物１５ ８１０３ ９１４９７
混合物１６ ５１４４ ６１８４
混合物１７ ７８８８ ７７７０
混合物１８ １１２７ ７８８８
混合物１９ ７７６２ ３３１４
混合物２０ ６０５４ ７７７０
混合物２１ １９３１０ ８７９７
混合物２２ ７７６２ ６２３３６ ３３１４
混合物２３ ６１０１６ ４１３３ １０４９
混合物２４ ６７２８５ ８６３５ ２６３
混合物２５ ６２３３６ ６０５４ ４６０
混合物２６ ６１０１６ ６２４４４ ４６０
混合物２７ ８１１８ ６２４４４ ７０５９
混合物２８ ２６３ １０４９ ６１０１６
混合物２９ ３３１４ ６７２８５ ２０８５９ ８７９７
混合物３０ ７７６２ ８７９７ ６２３３６ ３３１４
混合物３１ １５５０８８４ ６２３３６ ８７９７ ４１３３
混合物３２ ２０８５９ ８１３０ ３３１４ ６１０１６
混合物３３ ７７６２ ８７９７ ８６３５ ２６３３１
混合物３４ １０４９ ６７２８５ ６２４４４ １９３１０
混合物３５ ２６３３１ ７７６２ ８１０３ ２４０
混合物３６ ２０８５９ ７７７０ １５５０８８４ ２４０ ６２４３３
混合物３７ ８１１８ １１２７ １９３１０ ６１８４ ７０５９
混合物３８ ２６３３１ ７７７０ ７５１９ １９３１０ １５５０８８４
混合物３９ ３３１４ １０４９ ６１０１６ ７０５９ １５５０８８４
混合物４０ ６１０１６ ８１２９ ７７６２ ３３１４ ８６３５
混合物４１ ６１０１６ １９３１０ １５５０８８４ ８１２９ ３３１４
混合物４２ ８１２９ ２２２０１ ７６８５ ７８８８ ８６３５
混合物４３ ６１１９９
混合物４４ ７４１０
混合物４５ １４２８６
混合物４６ ９８４０３
混合物４７ ６５０１
混合物４８ ７７１０
混合物４９ ３１２６６
混合物５０ ３１２７６
混合物５１ １０８９０
混合物５２ ７６００
混合物５３ ６２４３３
混合物５４ ６３７５６３
混合物５５ ７５１９
混合物５６ ２４０
混合物５７ ９３００９
混合物５８ ２６３
混合物５９ １１００２
混合物６０ ４３９５７０
混合物６１ ５２８１５１５
混合物６２ ３０７
混合物６３ ６３８０１１
混合物６４ ３４２
混合物６５ ８７９７
混合物６６ ７６８５
混合物６７ ７７３１
混合物６８ ３２６
混合物６９ ７９６６
混合物７０ ８１４８
混合物７１ ９６０９
混合物７２ ２４９１５
混合物７３ ２２２０１
混合物７４ ３１２５２
混合物７５ １２２６５
混合物７６ １９３１０
混合物７７ ７７６２
混合物７８ ７７４９
混合物７９ ２６３３１
混合物８０ ２７５８
混合物８１ ３３１４
混合物８２ ４６０
混合物８３ ８１３０
混合物８４ ８１２９
混合物８５ ６１８４
混合物８６ ８８９２

【0086】

２）データセットＣの１４個の混合物で使用される分子のＣＩＤのリスト。
混合物１：３２６ ２６３３１ １１４０ ６５４４
混合物２：７４１０ ２４０ ９３００９ ８６３５
混合物３：７７１０ ６２４３３ ７５１９ ７６８５ ３３１４
混合物４：３１２７６ ８１４８ ７７６２ １８８２７ ７７１４
混合物５：７５１９ ８１４８ ３１２５２ ８１０３ ５２８１１６８ ６５４４
混合物６：７４１０ ３２６ ２７５８ ６２４４４ ７７７０ １１４０
混合物７：２４０ ３０７ ７７３１ ２７５８ １２１７８ ６２３３６ ８６３５
混合物８：３１２７６ ６２４３３ ８１２９ １２１７８ ７５１９ １８８２７ １０７２２
混合物９：７７１０ ９３００９ ８１３０ ８１０３ ５２８１１６８ ７０５９ ８９１８ ７７１４
混合物１０：７４１０ １１００２ ８７９７ ７５１９ ８１２９ ５２８１１６８ ６６５４ ８０３０
混合物１１：６２４３３ ８７９７ ２７５８ ３３１４ ８６３５ ６１１３８ ６５４４ ６０５４ １０７２２
混合物１２：１１００２ ３０７ ７６８５ １２１７８ ４１３３ ７９９１ ６０５４ ７７７０ ７７１４
混合物１３：８７９７ ７７３１ ７９６６ ３３１４ ６２３３６ ７０５９ ７９９１ ６１１３８ ６０５４ ６５４４
混合物１４：２４０ ２７５８ ８１３０ ８１２９ ５２８１１６８ ７０５９ ４１３３ ８９１８ ９５７ ６６５４

【0087】

３）データセットＣの１４個の混合物で使用される分子のＣＩＤのリスト。
混合物１：５２０２９６ ９０１２ ２４８３４ ８１８０
混合物２：６２３５１ ５３６７６９８ ６０５０ ７７６５
混合物３：５３６５０４９ １４１０４ １７０８３３ １５５０４７０ ３１２１９
混合物４：１１０８６ １７１２１ ８１８０ ６１６７０ ７１９４
混合物５：１７０８３３ １７１２１ ２２１４ ６５６０ １０９２５ ２３６４２
混合物６：１２６ ５２０２９６ ５２７３４６７ ６９９７ ７６５７ ２４８３４
混合物７：９０１２ ５５６９４０ ６１６７０ ５２７３４６７ ６１３３１ ７６０１ ７７６５
混合物８：１１０８６ １４１０４ ８０７ ６１３３１ １７０８３３ １８５５４ ３１２１９
混合物９：５３６５０４９ ６０５０ １１９８０ ６５６０ １０９２５ ３２５ ８０７７ ７１９４
混合物１０：６２３５１ ５３６４２３１ ７５９３ ４４４９７２ ８０７ １０９２５ ５６５６９０ １２６
混合物１１：１４１０４ ７５９３ ２２１４ ６９９８ ７７６５ ８９４４０ ２３６４２ ６３７７７６ ３１２１９
混合物１２：５３６４２３１ ５５６９４０ １５５０４７０ ６１７７１ ７７８５７４ ６１２９３ ６３７７７６ ７６５７ ７１９４
混合物１３：７５９３ ６１６７０ ６１７７１ ６９９８ ７６０１ ３２５ ６１２９３ ８９４４０ ６３７７７６ ２３６４２
混合物１４：５３６７６９８ ５２７３４６７ １１９８０ ８０７ ６９９７ ３２５ ７７８５７４ ８０７７ ４４４９７２ ５６５６９０

【0088】

４）本化学空間を定義するために使用される１８個の化学記述子のリスト。
「Ｐ＿ＶＳＡ＿ｅ＿５」：Ｓａｎｄｅｒｓｏｎの電気陰性度のｂｉｎ ５におけるＰ＿ＶＳＡ様の記述子
「Ｅｉｇ０５＿ＥＡ（ｅｄ）」：エッジ度数で重み付けされたエッジ隣接行列からの固有値ｎ．５
「Ｍｏｒ１５ｅ」：信号１５／Ｓａｎｄｅｒｓｏｎの電気陰性度によって重み付け
「ＭＡＴＳ７ｉ」：イオン化ポテンシャルによって重み付けされたラグ７のＭｏｒａｎ自己相関
「Ｌ３ｕ」：第３のコンポーネントサイズの方向性ＷＨＩＭインデックス／重み付けなし
「Ｅｉｇ０２＿ＥＡ（ｅｄ）」：エッジ度数で重み付けされたエッジ隣接行列からの固有値ｎ．２
「Ｈｏ＿Ｇ」：幾何行列からのＨｏｓｏｙａ様のインデックス（対数関数）
「ＳｐＡｂｓ＿Ｂ（ｐ）」：分極率によって重み付けされたＢｕｒｄｅｎ行列からのグラフエネルギ
「ＳｐＡＤ＿ＥＡ（ｂｏ）」：結合次数で重み付けされたエッジ隣接行列からのスペクトル絶対偏差
「ＶＲ１＿Ｂ（ｍ）」：質量で重み付けされたＢｕｒｄｅｎ行列からのＲａｎｄｉｃ様の固有ベクトルに基づくインデックス
「ＷｉＡ＿ＲＧ」：逆二乗幾何行列からの平均Ｗｉｅｎｅｒ様インデックス
「ＣＩＤ」：ＲａｎｄｉｃのＩＤ番号
「Ｍｏｒ２４ｍ」：信号２４／質量で重み付け
「Ｈ０ｅ」：ラグ０のＨ自己相関／Ｓａｎｄｅｒｓｏｎの電気陰性度によって重み付け
「ＳＰ０１」：形状プロファイル番号１
「Ｅｔａ＿ｂｅｔａＳ」：ｅｔａ ｓｉｇｍａ ＶＥＭカウント
「Ｍｏｒ０１ｓ」：信号０１／Ｉステートで重み付け
「Ｒ２ｖ」：ラグ２のＲ自己相関／ファンデルワールスボリュームで重み付け

【0089】

上記のように、測定に基づく異なる匂いの特性評価および区別の方法が提供される。以下の実施形態においては、匂いの指標が、嗅覚に関する丁度可知差異（ＪＮＤ）を定めるために使用される。ＪＮＤに基づいて、匂いの再現可能な測定のためのデジタルシステムを提供することができる。

【0090】

丁度可知差異（ＪＮＤ）は、感覚システムのセンサおよび回路の最小要件を知らせ、視覚および聴覚の感覚神経生物学を調べる実験を形作る。これらのＪＮＤは、例えば、テレビおよび電話などのデジタル化デバイスの設計にとって重要である。色および音色のＪＮＤは、それぞれ波長および周波数の物理的指標に沿って系統的に変化する刺激の識別可能性をテストすることによって特定されているが、臭気の質に関してはどの物理的指標を変化させることが可能だろうか。このような指標の欠如は、Ａｌｅｘａｎｄｅｒ Ｇｒａｈａｍ Ｂｅｌｌによって１００年ほど前に提起された課題において適切に捕らえられているとおり、嗅覚科学に大きな妨げをもたらしている。
「或る種類の匂いと他の種類の匂いとの間の差異を測定することが可能か。スミレおよびバラの臭気からアサフェティダに到るまで、多数のさまざまな種類の匂いが存在することは明らかである。しかしながら、それらの類似点および差異点を測定できるようになるまで、臭気の科学はあり得ない。」

【0091】

この声明に一致して、嗅覚の質のＪＮＤを定義するために、臭気の刺激を変化させるための匂いの指標を手にする必要がある。そのような指標は、この１０年において発表され、その一例を上述した嗅覚の知覚の質の空間のいくつかのおおむね収束するモデルのいずれかに基づくことができる。最も基本的なモデルは、典型的には、臭気物質の構造を臭気の知覚に結び付ける数学的なルールを見つけることに依存する。臭気物質の構造は、典型的には、分子に適用される多数の物理化学的記述子から導き出される。これらの物理化学的記述子は、ほぼ常にＤｒａｇｏｎソフトウェアを使用して取得され、臭気の知覚は、典型的には、臭気物質に適用された多数の言語記述子から導き出される。より単純なモデルは、臭気物質の構造のみ成功裏に使用して、匂いの主要な知覚軸を予測し、嗅覚的白色（ｏｌｆａｃｔｏｒｙ ｗｈｉｔｅ）などの知覚現象を予測し、個々の臭気物質の記述子を予測し、実際に臭気物質の知覚的類似性を臭気物質の構造へ結び付けるメトリックを提供する。このモデルによってＢｅｌｌの課題の解決に近づいたものの、これまでのところ、分子成分が知覚強度に関して等しくされた研究室の臭気物質にのみ当てはまるという限界が存在する。Ｂｅｌｌのバラ、スミレ、およびアサフェティダなどの現実世界の臭気物質は、強度が大きく異なる多数の成分でできているという点で、研究室の臭気物質とは大きく異なる。嗅覚のＪＮＤを明らかにしたい場合、最初にこの限界を克服する必要がある。この目的のために、最初に、さまざまな強度の成分を有する現実世界の臭気物質に適用できる類似性アルゴリズムの生成に着手した。これを達成した後に、この新規な指標を使用して、人間が検出できる臭気の質における最小の差異、または臭気の質のＪＮＤを特定した。

【0092】

匂いの指標は、臭気物質の構造のみから現実世界の臭気物質の知覚的類似性を予測する。

【0093】

補足データ１に詳述されているように、４４個の単分子を選択した。これらの分子は、物理化学的（図８Ａ）および知覚的（図１２Ａ，Ｂ）嗅覚空間の効果的なスパンを提供する。実験１において、２３名の参加者（女性１６名、年齢２７．７±３．３）に、単独の各々の単分子の知覚強度を評価するように依頼した。単分子の知覚強度が幅広い範囲にあること（図８Ｂ）を確認した後で、これらの分子を使用して、成分数が４～１０の範囲である１４個のさまざまな強度の複合混合物を生成した。次いで、実験１ｂにおいて、参加者に、１４個の混合物のすべての間のすべてのペアごとの知覚的類似性（すなわち、混合物＃１と混合物＃２との類似性、混合物＃１と混合物＃３との類似性、など）（各々の臭気物質混合物をそれ自身と比較する４つの事例を含む）を評価するように依頼し、９５個のペアごとの混合物の類似性評価を得た（この原稿におけるすべての類似性評価は、補足データ２で詳しく説明される）。

【0094】

ここで図８Ａを参照すると、実験全体で使用した１４８個の分子が、物理化学的空間の第１および第２の主成分内の４０４６個の分子に重ねられている。図８Ｂは、実験１で使用された４４個の臭気物質について２２名の参加者によって提供された強度評価のヒストグラムである。図８Ｃ～図８Ｆは、各ドットが２つの臭気物質のペアごとの比較である散布図であり、Ｙ軸に参加者（ｎ＝２２、それぞれ２回の繰り返し）によって評価された実際の類似性が与えられ、Ｘ軸にそれらの距離がテスト中のモデルに応じて示されている。図８Ｃは、知覚強度について最初に同等化された臭気物質に適用された元の類似性モデルを示している。図８Ｄは、さまざまな強度の臭気物質による実験１の結果に適用された元の類似性モデルを示している。図８Ｅは、予測された知覚的類似性と実際の知覚的類似性の間の相関の変動を、αおよびβにおける変動の関数として示している。最適パフォーマンスの点が、黒色の十字によって示されている。図８Ｆは、さまざまな強度の臭気物質をもたらす実験１に適用された新規の類似性モデルを示している。データを通る赤色の線は、線形フィットである。

【0095】

以前に行ったように、混合物間の差を計算する。要約すると、混合物を表すベクトルｕと混合物を表すベクトルｖとの間の距離関数を、２１個の物理化学的記述子空間におけるそれらの間の角度として計算した（補足表１）。角度は

によって与えられ、ここで

は、ベクトル間のドット積であり、

および

は、それらのユークリッドノルムである。

【0096】

同じ混合物を、最初にそれらの各成分を同じ知覚強度となるように個別に希釈した後で使用するとき（すなわち、研究室の混合物）、以前の類似性モデルは、研究室の混合物の構造からの予測および実際の知覚的類似性との間にｒ＝－０．５７、ｐ＜２・１０^－９の相関をもたらす（図８Ｃの赤色の線）。しかしながら、この以前のモデルを、同じ成分を含むが強度が異なる現在の混合物（すなわち、現実世界の混合物）について行われた推定に適用すると、相関はｒ＝－０．５７からｒ＝－０．４８、ｐ＜７・１０^－７に低下する（図８Ｄの赤色の線）。とくに、予測および実際の臭気物質の類似性の間のそのような全体的な相関を計算してプロットする２つの方法が存在し、それらは、同一の混合物の間の比較があるか、あるいはないかのいずれかである（各々の手法について議論が存在する）（方法を参照）。上記はそのような比較がある場合であるが、それらを削除した場合、相関は、等強度の研究室混合物を使用したｒ＝－０．５０、５・１０^－７（図８Ｃの色の線）から、さまざまな強度の現実世界の混合物を使用したｒ＝－０．３０、ｐ＝０．００５（図８Ｄの黒色の線）へ変化する。換言すると、モデルのパフォーマンスに対する強度の影響が、さらに大きくなる可能性がある。

【0097】

現実世界の混合物に適用できるようにモデルのパフォーマンスを回復させるために、普遍的な強度係数を開発して適用した。この係数で、混合物の各成分の重みを、その知覚強度を指数関数的に反映するように調整した（方法を参照）。要約すると：混合物におけるベクトルの重み付けの非線形の性質を表すために、シグモイド関数モデルをフィットさせた。単分子の知覚強度を混合物モデルにおけるベクトル長に最良にフィットさせる普遍的なパラメータの特定に着手した。あるいは、換言すると、実験１の結果について、実際の類似性評価と重み付き角度距離との間の相関を最適化するパラメータを求めた。成分の強度をベクトル長に組み込むために、式

においてαおよびβを体系的に変化させた。次いで、各々のパラメータセット（αおよびβ）について、重み付き角度距離と知覚される類似性との間の相関を再計算した。最良の相関（最大の負の値）をもたらしたパラメータのペアを選択した。これらの普遍的なパラメータがα＝－１．３、β＝０．０７（図８Ｅ）であることが明らかになり、これは

をもたらし、ここでｘは、正規化された強度を表す。

【0098】

モデルにおいてこの重み付けを使用すると、そのパフォーマンスが、予測（構造から）と実際の現実世界の混合物の知覚的類似性との間でｒ＝－０．４８からｒ＝－．５９、ｐ＜３・１０^－１０へ回復し（図８Ｆの赤色の線）、以前のモデルを強度を等しくした混合物に適用したときのパフォーマンスレベルに等しいパフォーマンスレベルになった（Ｚ（両側）＝０．２０、ｐ＝０．８４）。これは、さまざまな強度の現実世界の混合物を使用したとき、古いモデルと比較して、新しいモデルによる相関の２３％の改善または説明分散（Ｒ２統計）の５１％の増加を反映している。さらに、同一の混合物のペアごとの比較を無視すると、新たなモデルによってもたらされる改善は、ｒ＝－０．３０、ｐ＝０．００５（図８Ｄの黒色の線）からｒ＝－０．４１、７・１０^－５（図８Ｆの黒色の線）へさらに大きくなり、あるいは予測における３６％の改善、および説明分散の８６％の増加である。

【0099】

開発時のデータと同じデータを使用してモデルをテストしたため、次に、この新しいモデルの新規データへの一般化の検証に着手した。実験２において、実験１の手順を再現したが、これまでに使用したことがない４４個の新しい単分子のセットから１４個の新しい混合物を使用した（図８Ａ、図１２Ａ、図１２Ｂ）。ここで、元の研究室の臭気類似性モデルはｒ＝－０．５８（ｐ＝７・１０^－１０）での構造のみからの知覚的類似性の予測のために提供されているが（図９Ｂの赤色の線）、新しい重み付けされた現実世界の類似性モデルは、構造からの予測と実際の知覚的類似性の間のｒ＝－０．７６、ｐ＜５・１０^－１９のさらに強力な注目すべき相関を提供した（図９Ｃの赤色の線）。これは大幅な改善（Ｚ（両側）＝２．２６、ｐ＝０．０２４）であり、相関の３１％の改善、または説明分散の７０％の改善を反映している。さらに、やはり新しいモデルによってもたらされる改善は、同一の混合物の比較を削除すると、古いモデルを使用したｒ＝－０．３８、３・１０^－４（図９Ｂの黒色の線）から新しいモデルを使用したｒ＝－０．６９、ｐ＜４・１０^－１４（図９Ｃの黒色の線）へさらに大きくなる。これは、相関の圧倒的な８２％の改善と、新しいモデルによる説明分散の３３０％の増加を反映している。

【0100】

ここで図９Ａ～図９Ｄを参照すると、これは、匂いの指標がバラ、スミレ、およびアサフェティダの知覚される類似性をどのように予測するかを示す一連のグラフである。より具体的には、図９Ａは、実験２で使用された４３個の臭気物質（それぞれ３回の繰り返し）について３０名の参加者によって提供された強度評価のヒストグラムである。図９Ｂおよび図９Ｃは散布図であり、各点は２つの臭気物質のペアごとの比較であり、Ｙ軸に参加者（ｎ＝３１、それぞれ２回の繰り返し）によって評価されたそれらの実際の類似性が示され、Ｘ軸にテスト対象のモデルによるそれらの距離が示され、図９Ｂは、さまざまな強度の臭気物質による実験２の結果に適用された元の類似性モデルであり、図９Ｃは、さまざまな強度の臭気物質による実験２の結果に適用された新たな類似性モデルである。図９Ｄは、Ｂｅｌｌの課題の解決を示している。すなわち、実験３におけるバラ、スミレ、およびアサフェティダの予測（水色）対実際（濃い青色）のペアごとの類似性（ｎ＝３０、それぞれ２回の繰り返し）。換言すると、実験１で特定されたパラメータは、構築セットの一部ではない新しいデータに一般化可能であり、そこで今や改善された予測をもたらしている。新しいデータを使用する場合、予測モデルのパフォーマンスが良好にならず、典型的にはパフォーマンスが低下することを考えると、これはうれしい驚きである。実験間の強度係数によってもたらされたパフォーマンス向上の差異は、分子固有の濃度－知覚強度曲線を反映していると推測される。急峻な濃度－強度曲線を有する成分で混合物が構成されている場合、係数の影響は大きくなる。急峻でない濃度－強度曲線を有する成分で混合物が構成されている場合、係数の影響は小さくなる。

【0101】

今や、分子構造と成分強度の評価のみから、さまざまな知覚強度の成分を含んでいる現実世界の臭気物質混合物の知覚的類似性を予測できる手持ちのモデルが得られた。これにより、Ｂｅｌｌの課題を最終的に解決することができるかどうかという問いに着手した。それぞれ１０または１１個の成分を含むバラ、スミレ、およびアサフェティダのための詳細なレシピを、Ｍａｓｔｅｒ Ｐｅｒｆｕｍｅｒから得た（補足表２）。実験３において、最初に参加者は各々の成分の知覚強度を評価した。次いで、モデルを使用して、これらの混合物の知覚的類似性（Ｂｅｌｌの言葉では「類似点および差異点」）を、それらの構造および成分強度のみから予測した。最後に、３１名の異なる参加者が混合物の匂いを嗅ぎ、実際の知覚的類似性を評価した。予測と実際の類似性との間に顕著なフィットが見られた。実験１および２の結果に従って、角度距離を０～１の範囲のスケールで正規化された予測類似性に変換した（補足図２を参照）。
スミレ／バラ予測＝０．７２±０．０６、観測＝０．７９±０．１８、ｔ＝－０．４１、ｐ＝０．６８、
バラ／アサフェティダ予測＝０．１０±０．１３、観察＝０．２１±０．１７、ｔ＝－０．５９、ｐ＝０．５６、
スミレ／アサフェティダ予測＝０．１２±０．１３、観測＝０．２４±０．２０、ｔ＝－０．５８、ｐ＝０．５７）（図９Ｄ）、あるいは換言すると、Ｂｅｌｌの１０４年前の課題が解決されたといえる。これらのアルゴリズムを容易に実装して、任意の２つの臭気物質混合物の間の知覚的類似性または差異を計算することをユーザにとって可能にするウェブベースのプロトタイプが、本実施形態に従って提供される。ユーザは、事前に構築された混合物（例えば、バラ、スミレ、およびアサフェティダ）をテストするか、あるいは最大４，０００個の分子の構築セットからの任意の数の分子の組み合わせを使用して独自の混合物を構築するかを選択することができる。

【0102】

匂いの指標は、臭気物質の識別におけるパフォーマンスを予測する。

【0103】

臭気が互いに類似しているほど識別が困難になるため、類似性を予測する指標は、識別タスクのパフォーマンスも予測するはずである。標準的な識別タスクは、参加者に３つの臭気物質サンプルが提示され、そのうちの２つは同一であり、１つは異なっているトライアングルテストである。タスクは、この片方の臭気物質を識別することである。本指標を、成分数が１０～３０の範囲の混合物について２６名の参加者が２６０回のトライアングル判定を行ったトライアングル実験の大規模セットであるＢｕｓｈｄｉｄデータセットに適用した。本指標による混合物の予測された類似性と参加者の識別能力との間に、ｒ＝０．５６（ｐ＜５Ｅ－２３）の相関を観測した。さらに、混合物中の成分が多いほど、本指標のパフォーマンスは良好になり、３０成分の混合物についてｒ＝０．６８（ｐ＝３Ｅ－１２）に達した（図９Ａ）。３０成分の混合物は１０成分の混合物よりも現実世界の臭気に類似しているため、後者の値は、より現実的なパフォーマンスの反映であると考えられる。

【0104】

ここで図１０Ａ～図１０Ｃを参照すると、匂いの指標が嗅覚識別タスクにおけるパフォーマンスをどのように予測するかが示されている。図１０Ａおよび図１０Ｂは、各ドットが２６名の参加者によって実行されたトライアングルテストである散布図である。Ｙ軸は％精度であり、Ｘ軸は本モデルによる臭気物質の間の距離である。図１０Ａは、３０成分の混合物を使用した角度距離の関数としてのトライアングルタスクにおけるパフォーマンスを示している。赤色の線は線形フィットであり、黒色の線は移動平均値である。図１０Ｂは、すべてのデータを使用した角度距離の関数としてのトライアングルタスクにおけるパフォーマンスを示している。黒色の太い線は移動平均値であり、濃い青色の細い線は最良のパフォーマンスの者であり、水色の細い線は最悪のパフォーマンスの者である。赤色の破線は４１．８％の精度、またはｄ’＝１を示している。

【0105】

図１０Ｃは、臭気物質の比較によってではなく、個々の参加者によって表示されたパフォーマンスであり、パフォーマンスによって並べ替えられている。Ｚ軸および色の両方は、対象者のパフォーマンス精度を符号化している。４１．８％の精度、またはｄ’＝１は、白色に符号化され、赤色はｄ’＜１であり、青色はｄ’＞１である。

【0106】

匂いの指標は、臭気の質の丁度可知差異（ＪＮＤ）を明らかにする。

【0107】

本指標が識別可能性に明らかに関連している（図９Ａ）ことに鑑み、今やタスクの転換点に関連する本指標の値、すなわち人々が最初に確実に区別する臭気間の最小距離を尋ねることが可能である。この値は、実際に、嗅覚の質における丁度可知差異（ＪＮＤ）である。嗅覚においては、臭気の強度にＪＮＤが存在するが、臭気の質にＪＮＤのフレームワークは存在しない。したがって、より現実的な３０成分の混合物に集中して、ＢｕｓｈｄｉｄデータにおけるＪＮＤの特定に着手した。さらに、３０成分の混合物だけでなく、すべての混合物を使用してすべての分析を再現したが、結果に大きな変化は生じない。

【0108】

ＪＮＤは、典型的には、「１」のｄプライム（ｄ’）スコアに起因する。トライアングルテストにおいて、ｄ’＝１は４１．８％の精度にある。Ｂｕｓｈｄｉｄデータにおいて、臭気物質間の角度距離が０．０５１ラジアンであるときに４１．８％の精度が得られることが観測された（図９Ｂ）。換言すると、Ｂｕｓｈｄｉｄのトライアングルデータは、嗅覚の質の空間におけるＪＮＤが０．０５１ラジアンであることを示唆している。この値の変動の可能性を把握するために、このデータにおけるきわめて最良およびきわめて最悪のパフォーマンスの者を反映するパフォーマンス上位５％の者およびパフォーマンス下位５％の者を調べる。最良パフォーマンスの者のＪＮＤは０．０２ラジアン（図１０Ｂ）であり、最悪パフォーマンスの者のＪＮＤは０．１４ラジアン（図１０Ｂ）であった。最悪は無嗅覚であったため、これは実際には２番目に最悪である。これらの両極端の間で、ＪＮＤが参加者全体で比較的安定であることを見て取ることができる（図１０Ｃ）。したがって、このトライアングルデータのＪＮＤは、０．０２という最小値と最大０．１４という最大値との間の範囲にあり、その平均値は０．０５１ラジアンであると結論付けられる。

【0109】

このＪＮＤの見積もりのばらつきを減らすために、分解能の向上を追求した。Ｂｕｓｈｄｉｄデータの強みは、データがまたがる可能性のあるＪＮＤの範囲である。その結果として生じる弱点は、所与のＪＮＤでの相対的な力の欠如である。これを念頭に、追加の個人をテストして、所与の角度距離ごとの対象者の数を増やすことを企てた。実験４において、以下の角度距離、すなわち
０．０１２５、０．０２５、０．０５、０．２、および０．４ラジアン
の各々に１０個ずつ、５０個のペアごとの比較をもたらすように選択された１００個の新しい臭気混合物を設計および生成した。

【0110】

これらの距離は、人間の嗅覚ＪＮＤの初期推定値の近くにあるために選択された。次いで、各々の比較について～２７名の参加者（２７±１０．４）を２回テストし、合計２，７２０個のトライアングル判定をもたらした。この原稿におけるすべての区別結果は、補足データ３に詳述されている。対数角度距離とトライアングルパフォーマンスとの間に明確な心理測定的関係が観測され、４１．８％の精度は０．０２５ラジアンのすぐ下にあった（図１０Ｃ）。

【0111】

換言すると、トライアングル結果は、混合物間の角度距離の関数としてのパフォーマンスに関して比較すると、Ｂｕｓｈｄｉｄのトライアングルの結果にきわめて似ていた。これらの実験においては、刺激が角度距離の対数目盛に沿って設計されているため、対数目盛での報告およびプロットに移行する。

【0112】

次に図１１Ａおよび図１１Ｂを参照すると、各ドットが参加者のグループによって実行されたトライアングルテストである散布図が示されている。Ｙ軸は％精度であり、Ｘ軸は本モデルによる臭気物質の間の距離である。図１１Ａは、実験４においてテストされた混合物につき約２７名の参加者のパフォーマンスを示している。小さな円は、具体的な混合物の組み合わせを反映しており、大きな円は、所与の角度距離における平均値を反映している。青色の実線は移動平均値へのフィットであり、赤色の破線は４１．８％の精度またはｄ’＝１である。図１１Ｂは、角度距離の関数としてのトライアングルタスクにおける組み合わせられた両方の研究（Ｂｕｓｈｄｉｄおよび実験４）からのすべての参加者のパフォーマンスを示している。青色の実線は移動平均値へのフィットであり、赤色の破線は４１．８％の精度またはｄ’＝１である。図１１Ｃは、角度距離の関数としてプロットされた実験５、すなわち同一－別個タスクにおけるパフォーマンスを示している。小さな円は、具体的な混合物の組み合わせを反映しており、大きな円は、所与の角度距離における平均値を反映している。青色の実線は移動平均値へのフィットであり、赤色の破線はｄ’＝１である。図１１Ｄは、臭気物質の比較によってではなく、個々の参加者によって表示された実験５におけるパフォーマンスを、パフォーマンスによって並べ替えて示している。色分けは、対象者のパフォーマンス精度を示しており、ｄ’＝１は白色に色分けされ、赤はｄ’＜１であり、青はｄ’＞１である。

【0113】

判定値を生成するために、両方の研究（本研究およびＢｕｓｈｄｉｄの研究）のすべてのデータを組み合わせ、０．０２６ラジアンというＪＮＤを観測した（図１１Ｂ）。しかしながら、この結論にはいくつかの制限がある。第１に、本実験（Ｂｕｓｈｄｉｄではないが）は、混合物ごとに１つの濃度で行われている。これにより、識別スコアを高め、あるいは識別スコアに影響を及ぼす強度の手掛かりまたは三叉神経性（ｔｒｉｇｅｍｉｎａｌｉｔｙ）が可能になる可能性がある。第２に、より重要なことに、トライアングル実験は、やはり結果に影響を及ぼす可能性がある固有のメモリ成分を有するため、ＪＮＤの決定に関して最適な方法ではない。実際に、色を区別するタスクにおいて、色が同時にではなく連続して提示される場合、パフォーマンスが驚くほど低いレベルに低下するが、嗅覚においては、異なる臭気物質を同時に提示することは不可能である。これらの問題に対処するために、３０名の参加者が２択の同一－別個タスクの合計１２，０００回の試行を行う実験５の実行に着手した。このタスク設計は、対象者にとって実行がより容易であり、より大きな統計的検出力でＪＮＤを導出することができ、その１つの理由は、トライアングルタスクとは異なり、トライアングルタスクでの導出と比較してｄ’のより伝統的な導出を可能にする「正しい拒否」と呼ばれる試行が存在することである。０．０１２５、０．０２５、０．０５、０．１、および０．２ラジアンだけ異なる臭気物質混合物の組を５０組使用し、異なる１０組を各々の値について使用した。さらに、強度の手掛かりを防ぐために、各々の臭気物質を２つの異なる濃度で使用した。各々の実験において、各参加者は、平均して半分が「同一」混合物の組であり、半分が「別個」混合物の組である４００回の試行（８日間に分散）を行った。角度距離が増加するとｄ’が増加することが再び観察され（Ｆ（４，２９）＝１７．０７、ｐ＜０．０００１）（図１１Ｃ）、したがって、さらに別の新しいデータセットにおける本指標および新規なモデルの有効性が再び確認された。さらに、参加者間のばらつきにも関わらず（図１１Ｄ）、新しい同一－別個タスクにおける０．０１２５ラジアンよりも大きいすべての角度距離が、「１」を大幅に上回るｄ’を有するが（すべての平均値＞１．３８、すべてのｔ＞２．５、すべてのｐ＜０．０２）、角度距離＝０．０１２５の場合に、ｄ’は「１」を下回るが「１」との違いは大きくないことが観察された（平均値＝０．９７、ｔ＝０．２９、ｐ＝０．７７）（図１１Ｃ）。総合すると、これらの大量のデータセットが組み合わさって、人間の臭気の質のＪＮＤが、臭気物質の物理化学的空間内で０．０１２５ラジアンの角度距離にあることを示唆している（図１１Ｃ）。

【0114】

したがって、本実施形態は、２つのステップを含む。第１に、現実世界の臭気物質混合物に適用でき、それらの知覚的類似性をそれらの構造のみから予測する匂いの物理化学的指標を開発する。第２に、この指標を使用して、臭気の質のＪＮＤを明らかにする。これら２つのステップの組み合わせは、神経生物学、テクノロジ、および社会に大きな影響を及ぼすことができる。

【0115】

神経生物学に関して、この指標は、嗅覚系を調査するための体系的なフレームワークを提供する。これまでは、そのような調査は、刺激をどのように構築するか、およびそれらをどのように順序付けるかという２つの要因によって制限されていた。第１に、刺激がどのように構築されるかに関して、ほとんどの分野は単分子に対する脳の反応を研究した。単分子は自然界には存在せず、すなわち換言すると、脳が解読するように進化したのではない刺激に対する、脳の反応を調べてきた。脳は臭気物質混合物を解読するように進化し、ここでは、そのような混合物を体系的に生成するためのフレームワークを提供する。第２に、刺激がどのように順序付けられるかに関して、科学者は、多くの場合に、刺激を順序付けるために、炭素鎖長、官能基、などの標準的な化学的分類を使用した。しかしながら、ｌａｔｅ Ｌａｒｒｙ Ｋａｔｚによる講演において述べられたように、「嗅覚システムはＳｉｇｍａ－Ａｌｄｒｉｃｈのカタログを解読するように進化したのではなく」、すなわち換言すると、刺激の順序付けの場合も、脳が解読のために進化したのではない順序について、脳の反応を調べてきた。本フレームワークは、知覚的類似性を反映する物理化学的指標によって臭気物質混合物を順序付け、これにより、（化学的にではなく）生物学的にもっともらしい刺激の順序付けを提供する。したがって、現実的に構築され（混合物）、（類似性によって）現実的に順序付けられた刺激の知覚的にインスパイアされたフレームワークが提供される。上記が指標の神経生物学的影響を反映している一方で、ＪＮＤ自体にも影響が存在する。ＪＮＤは、嗅覚の受容器および回路が有さなければならない最小感度を決定する。これは、嗅覚の実験および神経モデリングの両方に影響を与える。最後に、嗅覚モデルを構築した者が経験した苛立たしい制限は、たとえ誰かが臭気物質の構造の態様を臭気物質の知覚の態様に結び付ける再現可能なルール（この一例は、臭気物質の構造を臭気物質の心地よさに結び付ける多くの収束モデルである）を生み出した場合でも、これらのルールが、それらを生成した小さなコミュニティの外では牽引力を得ることができないことである。これは主に、これらのモデルの実装が、多くの場合に、潜在的なユーザを妨げ得る計算の素養のレベルを必要とするからである。

【0116】

神経生物学の他に、本取り組みは、テクノロジ、とくには匂いのデジタル化という強く求められている目的について、大きな意味を有することができる。明らかになったＪＮＤ（０．０１２５ラジアン）は、人間における匂いの精巧な感覚のさらなる証拠を提供する（１３、２７－３０）。これは、一種の良い知らせと理解することができる一方で、実際には、臭気のデジタル化の取り組みに関して悪い知らせである。そのようなデジタル化は、本実施形態の電子ノーズまたはｅノーズなどの臭気レコーダ、デジタルコード、および臭気エミッタの組み合わせ（現時点において、典型的には嗅覚計と呼ばれる）に依存する。本結果は、嗅覚シーンの忠実な再現を達成するために、レコーダおよびエミッタの両方が少なくとも０．０１２５ラジアンの感度を必要とすることを示唆している。この分解能は、現在の検知テクノロジの到達範囲内であるかもしれないが、さらに近づくことができる臭気エミッタが存在しないことも知られている。したがって、ＪＮＤは、匂いの忠実なデジタル化が、少なくとも記録された臭気から区別することができない放出される臭気という意味で、不可能である可能性を示唆している。次いで、区別不可能性の程度が、まず第１に、デジタル化には高すぎる可能性がある。この仮定の下で、匂いの本指標は、再現された臭気物質とその目標とする臭気との間の知覚距離の推定を可能にする、すなわち臭気物質の比較のためのフレームワークを提供できるため、実際にデジタル化を助けることができる。

【0117】

最後に、嗅覚ＪＮＤは、重要な社会的に意味を有することができる。香水産業は、秘密主義で知られた数十億ドル規模の業界である。

【0118】

成功した香料処方は、感情的な法廷闘争の材料となることも多い企業秘密として厳重に守られてきた。しかしながら、この秘密への依存に、現代の分析手法、とくにはガスクロマトグラフィ質量分析（ＧＣＭＳ）の出現が挑んだ。後者は、匂いの処方について比較的容易なリバースエンジニアリングを可能にした。秘密が失われ、香水業界は、商標、特許、および著作権の法的保護に目を向けている。商標登録が比較的簡単であるのに対し、匂いの特許および著作権の両方には大きな制限が存在する、すなわち処方（特定の比の成分のリスト）の特許または著作権は潜在的には可能であるが、結果としての匂いの特許はどのように可能だろうか。実際、処方の特許または著作権を望む場合、処方を公表しなければならない。これにより、他者が処方を知り、成分を類似の匂いの異なる成分で置き換え、特許または著作権を侵害することなく同じ最終的な匂いを得ることができる。これが実際に妨げとなり、大部分の香水会社は特許／著作権の途を選んでいない。本指標およびＪＮＤは、これをすべて変える可能性がある。今や、新規の臭気組成物を嗅覚空間における位置に関して主張できる可能性があり、質に関してこの位置のＪＮＤの範囲内のあらゆる地点を、その分子の内容に関係なく、特許または著作権に違反していると言うことができる。現状の問題、およびＪＮＤがそれをどのように変えることができるのかを明らかにするケーススタディとして、歴史上最も売れている香水であるＣｈａｎｅｌ Ｎｏ．５（登録商標）という象徴的な臭気を使用することができる。当然ながら、その処方は決して公開されていないが、これまでに存在した多数のテイクオフのうちの１つを使用することができる。１２成分の処方を使用し、Ｉｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５と呼ぶことにする。今や本指標およびＪＮＤを使用して、各成分を異なる成分で置き換え、Ｒａｖｉａ Ｎｏ．５と呼ぶ最終的な混合物がＩｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５の０．０１１９ラジアンの範囲内となるように、これらの置き換え物をバランスさせることができる。したがって、Ｒａｖｉａ Ｎｏ．５は、Ｉｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５との化学的な重なり合いが０％（共通の分子が存在しない）であり、したがって現在の法律の下ではいかなる知的財産も侵害せず、それでいてＩｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５とまさに同じ匂いがするコンピュータで作られた香水である。対照的に、やはり本指標を使用し、Ｉｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５（登録商標）の１つの成分のみの相対比率／強度を変更して、ＬＶ Ｎｏ．５と呼ぶ最終的な混合物がＩｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５の０．２ラジアンとなるようにバランスさせることができる。したがって、ＬＶ Ｎｏ．５は、Ｉｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５との化学的な重なり合いが１００％（すべての分子が共通）であり、したがって現在の法律の下では知的財産の侵害である可能性が高く、それでいて匂いがＩｍｉｔａｔｉｏｎ Ｃｈａｎｅｌ Ｎｏ．５に全く似ていないコンピュータで作られた香水である。この例について、香水以外の同等の例が、化学的な重なり合いはゼロ％であるが、０．０１２５ラジアンの範囲内にあり、実際に同一の（区別できない）匂いを有する混合物の事例である補足データ３の臭気物質＃８６対＃９６の組または＃８８対＃９８の組など、データにすでに存在することに注意すべきである）。この論証は、臭気に関連する知的財産の問題のある現状および臭気の質のＪＮＤがこの現状をどのように変えることができるのかの両方を示している。このように、嗅覚神経生物学および臭気テクノロジへの明らかな影響に加えて、嗅覚ＪＮＤは社会への有意義な影響も得ることができると結論付けられる。

【0119】

ＪＮＤに関する実験の詳細。

【0120】

方法
参加者：１９～４２歳の合計１６６人の参加者（女性１０５人）が、ここで行われた５つの実験に参加した。ここでの実験のデータ収集が約４年間続いたため、複数の種類の実験に参加した者もいる。参加者は全員がおおむね健康で、神経疾患または精神疾患の病歴は報告されておらず、嗅覚障害も、気道に関する慢性または急性の症状もなかった。すべての参加者は、Ｗｅｉｚｍａｎｎ ＩｎｓｔｉｔｕｔｅのＩＲＢ委員会によって承認された手順への書面によるインフォームドコンセントを提供し、すべての参加者は参加に対して支払いを受けた。

【0121】

場所：すべての実験は、Ｗｅｉｚｍａｎｎ ＩｎｓｔｉｔｕｔｅのＯｌｆａｃｔｉｏｎ Ｌａｂの人間の嗅覚実験用に特別に作られた部屋で行われた。これらの部屋は、臭気の経時的付着を防止するためにステンレス鋼で覆われ、湿度および温度の制御ならびにＨＥＰＡおよびカーボンろ過を備える迅速な空気交換を有する。これらすべてが、試行間の汚染を最小限に抑えることを約束する。

【0122】

臭気物質：すべての識別タスクを、臭気物質混合物を使用して行った。３つを除くすべての混合物を、１４８個の単分子成分を使用して、これらの実験のために特別に調製した（補足データ１を参照）。すべての混合物のレシピは、補足データ２にある。バラ、スミレ、およびアサフェティダの臭気を模倣するために３つの混合物を調製した。単分子はＳｉｇｍａ－Ａｌｄｒｉｃｈから購入した。すべての臭気物質を１，２－プロパンジオールまたはミリスチン酸イソプロピル（ＩＰＭ）のいずれかで希釈した。

【0123】

タスク：すべてのタスクにおいて、参加者を実験室に１人にし、隣接する制御室から監視した。すべてのやり取りをコンピュータ制御とし、コンピュータコマンドによって匂いを嗅ぐべき瓶を選択し、視覚アナログスケール（ＶＡＳ）をマークし、あるいは正しい答えを選択するために用いられるコンピュータマウスによって、評価を入力した。強度および類似性の実験を、Ｄｒｏｐａｌでコーディングされた内部Ｗｅｂサイトで実行した。Ｐｓｙｃｈｏｐｈｙｓｉｃｓ Ｔｏｏｌｂｏｘ拡張機能（３５－３７）を使用して、識別実験（トライアングルタスクおよび同一－別個タスク）をコード化し、ＭＡＴＬＡＢ（登録商標）で実行した。すべての実験セッションを、最長で１時間に制限し、数日にわたって続けた。

【0124】

強度評価：各々の試行において、参加者は任意にマークされた匂い瓶を受け取った。参加者は、瓶の匂いを一度だけ嗅ぎ、次いでＶＡＳで知覚強度評価を入力するように指示された。試行間の間隔（ＩＴＩ）を３０秒とした。臭気の順序を無作為とした。

【0125】

類似性評価：各々の試行において、参加者は２つの任意にマークされた匂い瓶を受け取った。参加者に対し、所定の順序（参加者間で相殺される）でそれらの匂いを嗅ぎ、ＶＡＳで知覚された類似性評価を入力するように指示した。ＩＴＩを４０秒とした。

【0126】

トライアングルタスク：各々の試行において、参加者は３つの任意にマークされた匂い瓶を受け取り、２つは同一の臭気物質混合物を含んでおり、１つは異なる臭気物質混合物を含んでいた。参加者に対し、臭気物質ごとに１回のサンプリングのみを許可し、この片方の臭気物質を選択するように指示した。刺激間の間隔は自由にしたが、ＩＴＩは３０秒を超えていた（試行時間を反映する追加のばらつき）。

【0127】

同一－別個タスク：各々の試行において、参加者は、同一の臭気物質混合物または別個の臭気物質混合物のいずれかを含む２つの任意にマークされた匂い瓶を受け取った。参加者に対し、臭気物質の無制限のサンプリングを許可し、ペアが「同一」であるか、あるいは「別個」であるかを判断するように指示した。刺激間の間隔は自由にし、ＩＴＩは３０秒を超えていた。

【0128】

化学記述子の取得：各々の臭気物質について、４，８８５個の物理化学的記述子をＤＲＡＧＯＮソフトウェアを使用して計算した。これらの記述子から、以前に混合物のモデリングに有効であることが示された２１個の記述子（補足表１を参照）を抽出した。記述子は異なるスケールで特性を測定するので、２１個の記述子の各々を、０～１の連続スケールに正規化した。これを以下のように行った。すなわち、値ｖｄのリストを各々の記述子に関して抽出した。各々の記述子についての最小値および最大値を、匂いがあると表現された４，０６４個の分子のリストにおいて発見した。各々の臭気について、その記述子の正規化された値を、

として計算した。

【0129】

したがって、その記述子の臭気の最大値は正確に１であり、最小値は正確に０であり、他の臭気は中間の値であった。このようにして、各々の臭気を、各々の値が０～１の間である長さが２１のベクトルで表した。

【0130】

混合物のモデル化：各々の混合物を、その成分の加重ベクトル和としてモデル化し、各々の混合物の新たな２１次元表現を作成した。各々の単分子の重みを、それらの知覚強度に従って決定した。知覚強度をベクトルの重みに変換する関数を、

の形態の精神測定になると仮定した。

【0131】

そのパラメータを、実験１のデータを使用してフィットさせた。

【0132】

臭気間の距離：混合物

を表すベクトルと混合物

を表すベクトルとの間の距離関数を、２１次元空間におけるそれらの間の角度として計算した。これは、

によって与えられ、ここで

は、ベクトル間のドット積であり、

および

は、それらのユークリッドノルムである。

【0133】

統計分析
すべての統計分析を、米国マサチューセッツ州ネイティックのＭａｔｈＷｏｒｋｓ，Ｉｎｃ．のＭＡＴＬＡＢ（登録商標）リリース２０１７ｂにて行った。

【0134】

密度推定：グラフィックの目的のすべての密度推定を、カーネル法（Ｅｐａｎｅｃｈｎｉｋｏｖカーネル）を使用して実行した。

【0135】

ピアソンの相関係数：この原稿で言及されているすべての相関は、ピアソンの相関係数である。それらから導出されたｐ値は、相関がゼロに等しいというＨ_０仮説に対してテストされる。

【0136】

同一混合物の比較がある場合またはない場合の相関の計算：角度距離からの知覚される類似性の予測の推定において、同一混合物間の比較あり（図中の赤色の線）、または比較なし（図中の黒色の線）のいずれかで相関を計算することができる。どちらの経路にも議論が存在する。すなわち、臭気物質の構造からの知覚される類似性の予測の生成において、人間間の差異および分子間の差異という２つの分散の原因の捕捉が試みられる。同一の混合物間の比較においては、分子に関連する分散が打ち消され、したがってこの相関を考慮すべきではないと主張することができる。これは、人々が同一の混合物の知覚的類似性を常に１００％と評価し、あるいは最低でも同一の混合物の知覚的類似性を常に同じに評価するならば、議論の余地はない。しかしながら、これらの結果はどちらも発生していない。したがって、これらの比較を含めることは、嗅覚の知覚空間の表現を捕捉するうえで有益であると主張することができる。いずれにせよ、本実施形態においては、両方の結果が提示され、とくには実際に新しいアルゴリズムの影響が小さくなる方法を前面に出す。換言すると、実りの少ない方の結果を強調した。

【0137】

トライアングルタスクでのパフォーマンス推定：角度距離の関数としてトライアングルテストにおけるパフォーマンスを推定するために、計算された角度距離に従ってデータを並べ替え、移動平均法を使用して各点でのパフォーマンスを推定した。次いで、連続関数を生成するために３次補間を実行した。トライアングルテストでは、満足できる統計的検出力を達成するために比較的多数の試行が必要なため、点の推定ごとに４７回の試行を使用した。

【0138】

ｄプライムの導出：強制選択実験を分析するために、信号検出理論からの方法を使用した。ｄプライム（ｄ’）は、２つの異なる刺激の識別可能性の標準的な指標である。ｄ’を使用する利点の１つは、異なるパラダイム間で一貫しており、異なる識別タスクの比較を可能にすることである。

【0139】

データの可用性
すべての生の行動データは補足資料として公開されている。使用したすべての臭気物質はデータファイル＃１にあり、すべての行動の類似性結果はデータファイル＃２にあり、すべての行動の識別結果はデータファイル＃３にある。

【0140】

次に図１２Ａおよび図１２Ｂを参照すると、使用した臭気物質が知覚空間に投影されて示されている。図１２Ａは、実験全体で使用した１４８個の分子に関し、それらが物理化学的空間の第１および第２の主成分内の４０４６個の分子に重ねられている。図１２Ｂは、知覚空間の第１および第２の主成分内の分子を示している。背景としての４７０個の分子のみについて、知覚空間データが示されており、これらは使用した１４８個の分子のうち１１５個を含んでいる。本組み合わせは、混合物に使用した臭気物質分子が、物理化学的空間と知覚空間の両方の有効な範囲を提供したことを示唆している。

【0141】

次に図１３Ａ～図１３Ｄを参照すると、角度距離と知覚された類似性との間の相関が示されている。

【0142】

図１３Ａ～図１３Ｃは、各ドットが２つの臭気物質のペアごとの比較である散布図であり、Ｙ軸に参加者によって評価された実際の類似性が示され、Ｘ軸にモデルによるそれらの距離が示されている。図１３Ａは、バラ、スミレ、アサフェティダ、および１１個の追加の臭気物質混合物を含む実験からのデータを示している。バラを含むすべての比較は赤色で表示され、スミレを含むすべての比較は紫色で示され、アサフェティダを含むすべての比較はからし色で表示されている（ｎ＝３０）。

【0143】

図１３Ｂは、この実験におけるバラ、スミレ、およびアサフェティダの比較の間の評価された類似性対角度距離を示している図１３Ｃは、モデル構築に使用された実験１および２からのデータを示している。図１３Ｄは、バラ、スミレ、およびアサフェティダの予測対実際の類似性の最終結果を示している。

【0144】

上記の実験において、角度距離は知覚される類似性に直接関連しているが、この結び付きの正確な変換は、参加者による報告が完全にコンテクスト依存であるため、決定論的に定式化することが不可能である。類推により、光の色における波長と知覚される類似性との間の結び付きが注目される。２つの刺激、すなわち５７５ｎｍ対５９５ｎｍの知覚的類似性を推定したいと仮定する。参加者に光のペアごとの比較を提供する。実験１においては、次の６ペアの刺激（すべて単位はｎｍ）、すなわち５１９－５２０、５７５－５７７、５８０－５８１、５７５－５９５、６００－６０１、６１０－６１２を使用する。この実験の参加者は、５７５－５９５のペアの知覚的類似性を、実験において遭遇する最も似ていないペアであるため、きわめて低いと評価する可能性が高い。対照的に、刺激ペアが５１９－６２０、４７５－５７７、４８０－５８１、５７５－５９５、５００－６０１、５１０－６１２である実験においては、参加者は、５７５－５９５のペアの知覚的類似性を、実験において遭遇する最も類似したペアであるため、きわめて高いと評価する可能性が高い。換言すると、臭気物質のペアについて報告される類似性の間の結び付きは、一方ではそれらの角度距離によって決定されるが、これは実験における臭気物質の他のペアによってスケーリングされる。

【0145】

したがって、角度距離（図１３Ｂ）から、知覚され評価された類似性（図１３Ｄ）へ変換するために、それらが組み合わせられた特定の臭気物質の組を調べる（図１３Ａ）。ここで、これは３段階の計算である。

【0146】

（１）最初に、実験３の３つのペアごとの混合物の比較について、角度距離を計算した。

【0147】

（２）次に、線形モデルを使用して、実験１および２の両方の結果に基づいて、角度距離ごとの知覚強度を予測した（図１３Ｃ）。信頼区間も線形モデル推定から導出した。

【0148】

（３）図１３Ａで得られた３つのペアごとの角度距離に、このモデルを適用した。最後に、これらの評価を実験３で使用した評価のスケールに関連付けるために、実験３で使用した３つの臭気（バラ、スミレ、およびアサフェティダ）を含む比較のための実験全体で得られた最小および最大の類似性の値の間でデータを正規化した（図１３Ａ）。これにより、０～１の間の予測された類似性の値が得られた（図１３Ｄ）。これらすべての結論として、ペアごとの差がバラとスミレの間で０．２７ラジアンであり、バラとアサフェティダとの間で０．８５ラジアンであり、スミレとアサフェティダとの間で０．８３ラジアンであると、モデルは常に予測する。これは決定論的である。しかしながら、これから０～１の範囲の報告された類似性スコアへの変換は、実験における他の臭気物質の関数である。

【0149】

【表1】

【0150】

【表2】

【0151】

【表3】

【0152】

次に図１４を参照すると、本実施形態によるデジタル電子ノーズ４０が示されている。デジタル電子ノーズ４０は、ｎ次元のデジタル化された知覚空間４２を備え、これは、実際には、典型的には臭気物質の知覚に対する臭気物質の構造に基づいて匂いの知覚を格納する任意のモデルであってよい。上述したモデルが適切な例である。このようなモデルは、典型的には、複数の臭気化学物質およびｎ軸の匂いを使用して構築される。次に、結果として生じる知覚空間は、丁度可知距離に関してデジタル化され、丁度可知距離は、ユーザのグループにおける最小識別可能距離の平均値である。

【0153】

ノーズは、測定すべき臭気を感知するための化学センサを含む入力４１を有する。マッピングユニット４４が、入力およびｎ次元のデジタル化された知覚空間に接続され、化学センサの出力を使用して、入力臭気をデジタル化されたｎ次元の知覚空間上の位置へマッピングする。場所は、丁度可知距離に関してデジタル的に表現される。

【0154】

次いで、出力４６が、丁度可知距離に関して表現された場所に基づいて、入力臭気のデジタル化された測定値を出力する。出力は、別のマシンへの出力であってよく、その場合、デジタル表現を直接利用することができ、あるいは出力は、人間への出力であってよく、その場合、臭気の自然言語表現を随意により使用することができる。

【0155】

ｎ次元の知覚空間は、ノーズ内に電子的に格納されてもよい。例えば、ＲＯＭなどに配線されても、ＲＡＭに揮発性の様相で格納されてもよく、あるいはフラッシュメモリに保持されても、任意の他の適切な形態で保持されてもよい。

【0156】

ｎ次元の知覚空間は、匂いのｎ本の軸に沿って分子に適用される物理化学的記述子を含むことができ、ここで、ｎは複数の整数であり、例えば１８または２２である。

【0157】

それぞれの丁度可知距離は、ｎ次元の知覚空間上の角度である。ここで使用される特定の知覚空間の場合、丁度可知距離は、対象者に応じて０．０２ラジアン～０．１４ラジアンの間の範囲であり、平均値、すなわちここで採用される値は、０．０５１ラジアンである。

【0158】

ｎ次元のデジタル化された知覚空間上の２つの臭気の間の角度は、

と定義することができ、ここで

は、これら２つの臭気をそれぞれ表すベクトルの間のドット積であり、

および

は、それらのユークリッドノルムである。

【0159】

知覚空間における分子を、

に従って重み付けることができ、ここでｘは、正規化された強度である。

【0160】

ここで図１５を参照すると、知覚空間またはサンプル空間が使用されていないｅノーズの実施形態５０が示されている。代わりに、サンプルがｅノーズ化学入力センサによって入力５２において検出され、２つの臭気がサンプリングされたときに、それらの間の距離を測定ユニット５４において直接ｅノーズ類似性計算を使用して測定することができ、すなわち類似性は、ｅノーズ入力サンプリングに直接基づく。この実施形態は、第１の実施形態のようにアナログ測定値を生成するために使用されてよく、あるいは指標をデジタル実施形態に従ってデジタル化してもよい。上述のように、出力を測定値として提供することができ、あるいは記述子を使用して提供することができる。

【0161】

この出願から成熟する特許の存続期間中に、多数の関連の電子ノーズおよび他の臭気サンプリング技術が開発されると予想され、電子ノーズおよびｅノーズという用語の範囲は、すべてのそのような新技術を先験的に含むように意図される。

【0162】

「・・・を備える」、「・・・を備えている」、「・・・を含む」、「・・・を含んでいる」、および「・・・を有している」という用語、ならびにこれらの活用形は、「・・・を含むが、・・・に限られない」ことを意味する。

【0163】

「・・・からなる」という用語は、「・・・を含みかつ・・・に限られる」を意味する。

【0164】

本明細書において使用されるとき、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈からそのようでないことが明らかでない限り、対象が複数である場合を含む。

【0165】

分かりやすくするために別個の実施形態の文脈において説明された本発明の特定の特徴を、単一の実施形態に組み合わせて備えてもよいことを、理解できるであろう。反対に、簡潔にするために単一の実施形態の文脈において説明された本発明の種々の特徴を、単独または任意の適切な部分的組み合わせにて備えてもよく、あるいは本発明の任意の他の上述の実施形態に適するように備えてもよい。種々の実施形態の文脈において説明された特定の特徴は、実施形態がそれらの要素を欠いては機能できない場合を除き、それらの実施形態の不可欠な特徴と見なされるべきでない。

【0166】

本発明を本発明の特定の実施形態に関連して説明してきたが、多くの代案、変更、および変種が当業者にとって明らかであることは明白である。したがって、本発明は、添付の特許請求の範囲の精神および広い範囲に含まれるそのようなすべての代案、変更、および変種を包含するように意図される。

【0167】

本明細書において言及されたすべての刊行物、特許、および特許出願は、ここでの言及によって、あたかも各々の個別の刊行物、特許、または特許出願が本明細書に援用されると具体的かつ個別に示された場合と同程度に、その全体が本明細書に援用される。さらに、本出願におけるあらゆる参考文献の引用または特定を、そのような参考文献を本発明の先行技術として利用可能であると認めたものと解釈してはならない。各項の見出しが使用されている限りにおいて、それらを必ずしも限定と解釈してはならない。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8A-F】

【図9A-D】

【図10A-C】

【図11A-D】

【図12A-B】

【図13A-D】

【図14】

【図15】