学习支援方法与流程

1.本公开内容涉及一种学习支援方法。


背景技术：

2.国际公开第2017/040487号中公开有一种色谱系统。该色谱系统通过使用了推定模型的ai(人工智能：art i f i c i a l i nte l l i gence)检测峰，基于该峰执行试样的定性分析或者定量分析。
3.国际公开第2017/040487中公开有用户能够输入用于学习推定模型的训练数据的技术。具体而言，公开有如下技术：用户对峰未被分离的未分离色谱图进行目视，将用于指定峰的信息作为训练数据而由该用户输入至色谱系统。


技术实现要素：

4.在推定模型的生成中，有时需要大量的训练数据的标注(annotat i on)，并且期望抑制标注的偏差而使推定模型的质量提高。
5.本发明是为了解决这样的技术问题而完成的，其目的在于抑制标注的偏差而使推定模型的质量提高。
6.本公开内容的学习支援方法是使计算机执行对用于检测由分析装置获取的信号波形的峰的推定模型的学习作业进行支援的处理的方法。学习支援方法包括获取由分析装置生成的第1信号波形。学习支援方法包括在显示装置上显示第1信号波形。学习支援方法包括从存储多个标注完毕信号的存储装置中获取与第1信号波形类似度高的第2信号波形与用于确定该第2信号波形的峰的第2峰信息。学习支援方法包括在显示装置上显示第2信号波形与示出第2峰信息的第2峰信息图像。学习支援方法包括接受由用户进行的对用于确定第1信号波形的峰的第1峰信息的输入。学习支援方法包括基于第1信号波形与第1峰信息而学习推定模型。
7.本公开内容的学习支援程序是使计算机执行对用于检测由分析装置获取的信号波形的峰的推定模型的学习作业进行支援的处理的程序。学习支援程序使计算机执行获取由分析装置生成的第1信号波形。学习支援程序使计算机执行将第1信号波形显示在显示装置上。学习支援程序使计算机执行从存储多个标注完毕信号的存储装置中获取与第1信号波形类似度高的第2信号波形与用于确定该第2信号波形的峰的第2峰信息。学习支援程序使计算机执行在显示装置上显示第2信号波形与示出第2峰信息的第2峰信息图像。学习支援程序使计算机执行接受由用户进行的对用于确定第1信号波形的峰的第1峰信息的输入。学习支援程序使计算机执行基于第1信号波形与第1峰信息而学习推定模型。
8.该发明的上述及其它的目的、特征、方案及优点将由结合附图理解的与该发明相关的以下的详细说明来明示。
附图说明
9.图1是示出分析系统的构成例的图。
10.图2是示出对同一色谱图赋予不同的训练数据的例子的图。
11.图3是示出本实施方式的学习支援装置的硬件构成的方框图。
12.图4是学习支援装置的功能模块图。
13.图5是色谱图db的一例。
14.图6是在显示装置中显示的画面的一例。
15.图7是在显示装置中显示的画面的一例。
16.图8是在显示装置中显示的画面的一例。
17.图9是示出学习支援装置的处理的流程图。
18.图10是第2实施方式的学习支援装置的处理的流程图。
19.图11是第3实施方式的学习支援装置的处理的流程图。
20.图12是在显示装置中显示的画面的一例。
具体实施方式
21.以下，参照附图对本发明的实施方式详细地进行说明。另外，对图中相同或相当的部分标注相同附图标记，不再重复对其说明。
22.《第1实施方式》
23.[分析系统]
[0024]
本公开内容涉及对用于检测由分析装置生成的信号波形的峰的推定模型的学习进行支援的技术。分析装置例如为气相色谱(gc：gas chromatograph)装置、液相色谱(lc：l i qu i d chromatography)装置、质量分析装置、分光光度计及x射线分析装置等。
[0025]
例如，信号波形可以是色谱波形或者质谱波形。此外，在分析装置为分光光度计的情况下，信号波形成为吸光光谱波形。在分析装置为x射线分析装置的情况下，信号波形成为x射线光谱波形。
[0026]
此外，推定模型(后述的推定模型121)的学习(学习处理)包括新生成(构建)尚未构建的推定模型的处理与更新已构建的推定模型的处理。“更新推定模型”包括更新推定模型的参数的处理。此外，也将通过学习处理而更新(最优化)的推定模型称为“学习完毕模型”。此外，也将学习前的推定模型及学习完毕的推定模型统称为“推定模型”。
[0027]
在本实施方式中，对采用液相色谱的分析装置进行说明。图1是示出分析系统100的构成例的图。具备分析装置10、数据解析装置25、输入装置61、显示装置62与学习支援装置30。此外，数据解析装置25及学习支援装置30例如由信息处理装置(例如pc(个人计算机：persona l computer))构成。在图1的例子中，数据解析装置25及学习支援装置30单独示出，但也可以一体化。
[0028]
输入装置61例如是键盘或鼠标等定点设备，接受来自用户的指令。显示装置62例如由液晶(lcd：l i qu i d crysta l d i sp l ay(液晶显示器))面板构成。显示装置62显示各种图像。在使用触摸面板作为用户接口的情况下，输入装置61与显示装置62一体地形成。输入装置61与数据解析装置25及学习支援装置30连接。此外，显示装置62与数据解析装置25及学习支援装置30连接。
[0029]
数据解析装置25具有控制部20。控制部20控制分析装置10。分析装置10包括流动相容器11、泵12、注射器13、色谱柱14与检测器15。在流动相容器11中容纳有流动相。泵12抽吸容纳在流动相容器11中的流动相而以大致恒定的流速(或者流量)输送至色谱柱14。
[0030]
注射器13按照与来自控制部20的指示对应的规定的时机，将预先准备的试样液以规定量注入至流动相中。注入的试样液随着流动相的流动而被导入至色谱柱14。试样液中包含的各种成分在通过色谱柱14的期间在时间方向上分离而洗脱。即，色谱柱14根据保留时间分离试样液所包含的成分。
[0031]
检测器15检测从色谱柱14洗脱的洗脱液中的成分。检测器15将与该成分的量对应的强度的检测信号输出至数据解析装置25。检测器15例如使用采用了光电二极管阵列(pda：photod i ode ar ray)检测器等的光学检测器等。
[0032]
数据解析装置25除了具有上述的控制部20之外，还具有数据收集部110、峰检测处理部111与解析部117。
[0033]
数据收集部110以规定时间间隔对从检测器15输出的检测信号进行采样并转换成数字数据。数据收集部110将该数字数据存储在规定的存储区域(未图示)。该数字数据是示出色谱波形的数据(以下也称为“色谱图数据”)。
[0034]
峰检测处理部111利用ai(人工智能：art i f i c i a l i nte l l i gence)推定(导出)基于由数据收集部110收集到的色谱图数据的色谱图的峰。
[0035]
在本实施方式中，峰检测处理部111具有模型存储部114与峰决定部116。此外，模型存储部114中例如存储有通过机器学习生成的推定模型121(神经网络)。该推定模型121例如由规定的函数表现。规定的函数例如是emg(指数修正高斯：exponet i a l l y mod i f i ed gauss i an)函数。
[0036]
此外，峰决定部116将基于由数据收集部110收集到的色谱图数据而得的色谱图输入至推定模型121。推定模型121输出色谱图的峰。如上所述，峰检测处理部111推定基于由数据收集部110收集到的色谱图数据而得的色谱图的峰，输出至解析部117。
[0037]
观测到峰的时间(保留时间)与成分的种类对应。该色谱图被发送至数据解析装置。数据解析装置根据该色谱图中包含的峰的保留时间来确定成分。也将该确定称为“定性分析”。
[0038]
此外，色谱图的峰的高度及峰的面积与试样的成分的浓度或者含量对应。数据解析装置根据该色谱图中包含的峰的高度或者面积值来确定试样的成分的浓度和含量。也将该确定称为“定量分析”。
[0039]
解析部117在从峰决定部116输出的峰中求出该峰的峰顶的位置(时间)与该峰的面积值(或者高度)。解析部117根据色谱图上的各峰的位置的信息来确定成分。此外，解析部117利用预先生成的标准曲线，根据峰面积值(或者高度值)计算各成分的含量。如此，解析部117执行试样中包含的各成分的定性分析及定量分析。解析部117将定性分析结果及定量分析结果显示在显示装置62。
[0040]
[学习支援装置]
[0041]
接着，对学习支援装置30进行说明。如上所述，为了使峰检测处理部111的峰检测的精度提高，学习支援装置30将推定模型121最优化。此外，在本实施方式中，可以在分析系统100的制造阶段由制造者将推定模型121最优化。此外，也可以将分析系统100发货给用户
而由该用户将推定模型121最优化。在该情况下，用户准备用于将推定模型121最优化的学习数据，并由用户自身执行标注处理。因此，用户能够生成该用户所期望的推定模型121。
[0042]
通常，机器学习而得的推定模型121的性能并不完善，以在峰检测中产生一定程度的错误为前提而运用。如此，在本实施方式中，由于用户自身能够学习推定模型121，因此能够使用户的便利性提高。
[0043]
推定模型121的性能一般较大程度地依赖于学习数据的质量。特别地，优选能够全面覆盖各种色谱图，以及能够对色谱图赋予准确的训练标签。
[0044]
在本实施方式中，作为由用户将推定模型121最优化的方法，有两种方法。第1方法是由用户进行通过峰检测处理部111检测出的峰的修正作业这样的方法。具体而言，分析系统100在显示装置62上显示色谱图的色谱图图像及赋予该色谱图的峰信息的峰信息图像。该峰信息图像与后述的“检测峰图像”对应。色谱图图像是示出色谱图的图像。峰信息图像是示出峰信息的图像。该峰信息是用于确定色谱图的峰的信息。分析系统100接受用户对该显示的峰信息的修正。
[0045]
第2方法是由用户对数据收集部110所新收集的色谱图(尚未检测出峰的色谱图)进行峰的指定作业这样的方法。具体而言，分析系统100在显示装置62上显示色谱图图像而不显示峰信息图像。然后，分析系统100对该显示的色谱图图像接受峰信息的输入。此外，该输入的峰信息成为用于将推定模型121最优化的训练标签或者训练数据。
[0046]
如此，在第1方法及第2方法的任一方法中，分析系统100均接受来自用户的峰信息的输入作为训练数据。由用户输入了峰信息的结果为，将所输入的峰及色谱图作为新的学习数据而更新推定模型121的参数。峰检测处理部111能够利用该更新后的推定模型121。但是，存在在用户进行了与既往的标注没有一致性的(产生了偏差的)标注时，推定模型121的精度降低的情况。
[0047]
此外，存在在推定模型121的生成中，需要大量的训练数据的标注的情况。图2是示出对同一色谱图赋予不同的训练数据(执行没有一致性的标注)的例子的图。图2的(a)是示出由用户将色谱图的峰指定得较广的情况的图。图2的(b)是示出由用户将色谱图的峰指定得较窄的情况的图。另外，在图2及后述的示出有色谱图的图中，横轴表示时间，纵轴表示信号强度。此外，在本实施方式中，由用户输入的峰信息(训练数据)成为峰信息92a及峰信息92b。
[0048]
例如对于第1次色谱图，用户输入峰信息92a(参照图2的(a))，对于第2次色谱图，用户输入峰信息92b(参照图2的(b))。在该情况下，对同一色谱图输入不同的峰信息(训练数据)，即产生标注的偏差。如此，若发生标注的偏差，则有时推定模型121的质量降低。
[0049]
在此，本实施方式的学习支援装置30对由用户输入信息进行促进，以抑制标注的偏差(具有与既往的峰信息的一致性)。由此，学习支援装置30能够支援用户对推定模型121的学习。
[0050]
[学习支援装置的硬件构成]
[0051]
图3是示出本实施方式的学习支援装置30的硬件构成的方框图。如图3所示，学习支援装置30具备控制装置51、存储装置52、介质读取装置17、显示器接口18、输入接口26作为主要的硬件元件。
[0052]
如后所述，控制装置51执行推定模型121的学习。控制装置51例如由cpu(中央处理
器：centra l process i ng un it)、fpga(现场可编程门阵列：f i e l d programmab l e gate array)及gpu(图形处理器：graph i cs process i ng un i t)等构成。另外，控制装置51可以由cpu、fpga及gpu中的至少1个构成，也可以由cpu与fpga、fpga与gpu、cpu与gpu或者由cpu、fpga及gpu的全部构成。此外，控制装置51也可以由运算电路(process i ng c i rcu i try)构成。
[0053]
存储装置52包含在控制装置51执行任意程序时临时保存程序代码或工作内存等的易失性的存储区域(例如工作区)。例如，存储装置52由dram(动态随机存储器：dynam i c random access memory)或者sram(静态随机存储器：stat i c random access memory)等易失性存储器件构成。
[0054]
进而，存储装置52包含非易失性的存储区域。例如，存储装置52由硬盘或者ssd(固态硬盘：so l i d state dr i ve)等非易失性存储器件构成。
[0055]
另外，在本实施方式中，示出了在同一存储装置52中包含易失性的存储区域与非易失性的存储区域的例子，但易失性的存储区域与非易失性的存储区域也可以包含在相互不同的存储装置中。例如，也可以是控制装置51包含易失性的存储区域，存储装置52包含非易失性的存储区域。学习支援装置30也可以具备包含控制装置51与存储装置52的微型计算机。
[0056]
存储装置52保存推定模型121、控制程序122与色谱图db(数据库：data base)123。推定模型121包含神经网络与在该神经网络中的处理中使用的参数。推定模型121由卷积神经网络(cnn：convo l ut i on neura l network)等构成。控制程序122是由控制装置51执行的程序。
[0057]
推定模型121包含至少能够进行机器学习的程序，基于学习用数据(训练数据)进行机器学习，从而将参数最优化(调整)。学习支援装置30将最优化的推定模型121发送至数据解析装置25。数据解析装置25将存储在模型存储部114中的推定模型121更新为该发送的推定模型121(最优化的推定模型)。如此，峰检测处理部111使用更新后的推定模型121而推定峰，由此能够使推定精度提高。
[0058]
介质读取装置17接收可移动磁盘等记录介质130，获取保存在记录介质130中的数据。该数据例如是控制程序。此外，控制程序122也可以保存在记录介质130(例如可移动磁盘)中而作为程序产品流通。此外，控制程序122可以作为所谓的能够通过互联网等下载的程序产品而由信息供应商提供。控制装置51读取由记录介质130或者互联网等提供的程序。控制装置51将读取的程序存储在规定的存储区域(存储装置52的存储区域)。控制装置51通过执行该存储的控制程序122而执行后述的学习支援处理。
[0059]
记录介质130不限于dvd-rom(数字多功能磁盘只读存储器：d i g i ta l versat i l e d i sk read on l y memory)、cd-rom(只读光盘存储器：compact d i sc read-on l y memory)、fd(软磁盘：f l ex i b l e d i sk)、硬盘，还可以设为磁带、盒式磁带、光盘(mo(磁光盘：magnet i c opt i ca l d i sc)/md(迷你光盘：m i n i d i sc)/dvd(数字多功能光盘：d i g i ta l versat i l e d i sc))、光卡、掩模rom、eprom(电可编程只读存储器：e l ectron i ca l l y programmab l e read-on l y memory)、eeprom(电可擦可编程只读存储器：e l ectron i ca l l y erasab l e programmab l e read-on l y memory)、闪存rom等半导体存储器等以固定方式承载程序的介质。此外，记录介质130是
可供计算机读取控制程序122等的非暂态介质。
[0060]
显示器接口18是用于连接显示装置62的接口，实现学习支援装置30与显示装置62之间的数据的输入输出。输入接口26是用于连接输入装置61的接口，实现学习支援装置30与输入装置61之间的数据的输入输出。
[0061]
[学习支援装置的功能模块]
[0062]
图4是学习支援装置30的功能模块图。如上所述，学习支援装置30具有控制装置51与存储装置52。控制装置51还具有获取部32、处理部34与输出部36。
[0063]
获取部32获取由用户通过输入装置61输入的信息。该信息例如是上述的峰信息。此外，每当收集色谱图时，数据收集部110将该色谱图数据发送至学习支援装置30。获取部32获取来自数据收集部110的色谱图数据。获取部32获取的信息(峰信息及色谱图数据)被输出至处理部34。
[0064]
处理部34执行与从获取部32输出的信息的类别对应的处理。在通过获取部32输入了峰信息的情况下，基于该峰信息更新推定模型121的参数。此外，在通过获取部32输入了色谱图数据的情况下，更新色谱图db123。处理部34还执行其它各种处理。
[0065]
输出部36输出各种信号或者信息。例如，输出部36对显示装置62发送显示于显示装置62的图像的图像数据。显示装置62显示基于该图像数据的图像。此外，每当更新推定模型121时，输出部36将该更新后的推定模型输出至模型存储部114。模型存储部114存储该更新后的推定模型。
[0066]
[色谱图db]
[0067]
图5是色谱图db123的一例。如上所述，色谱图db123存储于存储装置52。色谱图db123在色谱图i d(i dent i f i cat i on)中将色谱图数据、存储峰信息、由该色谱图数据示出的色谱图的特征量与分析结果相关联。此外，也将色谱图数据与存储峰信息称为“标注完毕信号”。
[0068]
此外，在色谱图db123中存储有s个(s为1以上的整数)色谱图i d。在色谱图db123中，存储有利用分析装置10或者与该分析装置10同等的装置既往所生成的色谱图与该色谱图的特征量、由该色谱图导出的分析结果等。换言之，在色谱图db123中存储有1个以上(或者多个)标注完毕信号。
[0069]
色谱图i d是用于识别色谱图的信息。色谱图数据是示出色谱图的数据，是数据收集部110所收集的数字数据。色谱图数据与本公开内容的“存储信号波形”对应。
[0070]
存储峰信息是用于确定色谱图所包含的峰的数据。峰信息例如由后述的图6等所示的第2峰信息图像253示出。存储峰信息是示出由峰检测处理部111检测出的峰的信息或者由用户输入的峰信息。
[0071]
色谱图特征量是由色谱图数据示出的色谱图的特征量。在图5的例子中，色谱图特征量包含色谱图的峰的数目、2点间梯度及面积值。2点间梯度是指连结峰的开始点及该峰的结束点的线段的梯度。面积值是由形成色谱图的峰的线段与基于2点间梯度的线段包围而成的区域的面积值。此外，由色谱图特征量示出的峰是由存储峰信息示出的峰。
[0072]
此外，2点间梯度及面积值也是峰的特征量(以下也称为“峰特征量”)。峰特征量的存在数目与峰的个数相对应。例如，色谱图i d为c1的色谱图示出有峰数目为3。此外，作为3个峰的2点间梯度，示出有e11、e12、e13。此外，作为3个峰的面积值，示出有m11、m12、m13。
[0073]
分析结果是基于使用现下的推定模型121由峰检测处理部111检测出的峰作为与该分析结果对应的色谱图数据的色谱图的峰而导出的结果。分析结果包含定性分析结果和、定量分析结果中的至少一个。定性分析结果是示出由色谱图确定的成分的结果。定量分析结果是示出该成分的量的结果。另外，作为变形例，分析结果也可以设为包含定性分析结果而不包含定量分析结果。
[0074]
在图5的例子中，与作为c1的色谱图i d对应地将色谱图数据d1、峰数目g1、2点间梯度e1、面积值m1、定性分析结果p1、定量分析结果q1与存储峰信息r1相关联。
[0075]
如此，色谱图db123存储有由分析装置生成的至少1个存储信号波形与用于确定该至少1个存储信号波形各自的峰的至少1个存储峰信息。
[0076]
[学习支援]
[0077]
接着，说明由本实施方式的学习支援装置30对用户进行学习支援的方法。学习支援装置30通过在显示装置62的显示区域62a上显示各种图像来执行对用户的学习支援。图6～图8是示出本实施方式的该各种图像的一例的图。在本实施方式中，先显示图6的图像，之后显示图7的图像，再显示图8的图像。
[0078]
由用户对输入装置61执行规定的操作，由此将分析系统100的模式转移至学习模式。在学习模式中，用户通过输入后述的第1峰信息而执行推定模型121的更新。
[0079]
如图6～图8所示，显示区域62a包括编辑区域131a、与该编辑区域131a相邻的既往结果区域132a。换言之，将编辑区域131a与既往结果区域132a设定在同一画面。在编辑区域131a中，显示分析装置10所导出的色谱图(以下也称为“第1色谱图”)的图像(以下也称为“第1色谱图图像211”)。第1色谱图与本公开内容的“第1信号波形”对应。第1色谱图图像211与本公开内容的“第1波形图像”对应。学习支援装置30获取数据收集部110收集到的色谱图数据后，将该色谱图数据的色谱图的图像作为第1色谱图图像211显示。
[0080]
此外，当获取第1色谱图时，学习支援装置30从色谱图db(图5)中确定与该第1色谱图相同或者类似的第2色谱图(第2信号波形)，获取该确定的第2色谱图。在此，对确定与第1色谱图相同或者类似的第2色谱图的方法例进行说明。
[0081]
学习支援装置30计算存储在色谱图db中的s个存储色谱图数据各自与第1色谱图的第1类似度。即，学习支援装置30计算s个第1类似度。第1类似度示出1个存储色谱图数据与第1色谱图的类似程度。1个存储色谱图数据与第1色谱图越类似，第1类似度成为越大的值。在本实施方式中，第1类似度以％表现。此外，与第1色谱图相同的第2色谱图的第1类似度为100％。
[0082]
根据以下2个观点计算第1类似度。作为第1观点，学习支援装置30基于第1色谱图的特征量(以下也称为“第1特征量”)和存储色谱图的与该特征量(第1特征量)相同类别的特征量(以下也称为“第2特征量”)计算第1类似度。
[0083]
在本实施方式中，第1特征量是基于使用现下的推定模型121由峰检测处理部111检测出的峰作为第1色谱图的峰而导出的特征量。在本实施方式中，是与图5的存储色谱图的第2特征量相同类别的特征量。具体而言，第1特征量及第2特征量是峰的数目、2点间梯度及面积值。另外，只要第1特征量及第2特征量是相同类别，则也可以是其它类别。其它类别可以设为峰的宽度、峰的分离度、峰的前延、峰的拖尾等中的至少1个。
[0084]
作为第2观点，学习支援装置30基于由第1色谱图示出(导出)的分析结果与由存储
色谱图示出的分析结果，计算第1类似度。在此，由存储色谱图示出的分析结果如图5所示，包含与该存储色谱图对应的定性分析结果及定量分析结果。此外，由第1色谱图示出的分析结果是由该第1色谱图示出的定性分析结果及定量分析结果(即，与由存储色谱图示出的分析结果相同类别的分析结果)。
[0085]
例如，学习支援装置30对由第1色谱图示出的定性分析结果和与该存储色谱图对应的定性分析结果进行比较，如果双方的定性分析结果不同，则将第1类似度设为“0”。另一方面，如果双方的定性分析结果相同，则学习支援装置30计算双方的定量分析结果的类似度(以下也称为“第1临时类似度”)。此外，学习支援装置30基于上述的第1特征量与上述的第2特征量，计算第2临时类似度。例如使用相关系数来计算第2临时类似度。此外，第2临时类似度也可以作为第1色谱图的形状与存储色谱图的形状的类似度来计算。
[0086]
然后，学习支援装置30基于第1临时类似度与第2临时类似度而计算第1类似度。如此，学习支援装置30综合通过第1观点计算出的类似度(第1类似度)与通过第2观点计算出的类似度(第1类似度)而计算s个(在色谱图db中存储的色谱图i d的数目)第1类似度。
[0087]
另外，作为变形例，学习支援装置30也可以通过第1观点或者第2观点中的任一个来计算第1类似度。
[0088]
学习支援装置30根据计算出的s个第1类似度而确定第1阈值以上的第1类似度。学习支援装置30将该确定的第1类似度的存储色谱图决定为第2色谱图。在此，第1阈值是预先规定的阈值，例如，第1阈值是70％。即，学习支援装置30能够根据第1特征量及分析结果的观点，决定与第1色谱图的类似度为70％以上的色谱图(第2色谱图)。进而，学习支援装置30通过参照色谱图db123，获取与该第2色谱图的色谱图i d对应的峰信息(第2峰信息)。
[0089]
当学习支援装置30获取第1色谱图、第2色谱图与第2峰信息时，如图6所示，显示该第1色谱图的第1色谱图图像211、该第2色谱图的第2色谱图图像212与该第2峰信息的第2峰信息图像253。在图6的例子中，显示有4个第2色谱图各自的第2色谱图图像212a、212b、212c、212d与该4个第2色谱图图像212各自的第2峰信息图像253。以下，也将4个第2色谱图图像212a、212b、212c、212d称为“第2色谱图图像212”。
[0090]
如上所述，第2色谱图图像212是与第1色谱图的类似度较高(第1阈值以上)的第2色谱图的图像。因此，用户通过视觉辨认与第1色谱图的类似度较高的色谱图的第2峰信息图像253，能够识别该第2色谱图的峰。
[0091]
如图6所示，在显示有第1色谱图图像211的状态下，学习支援装置30从用户处接受对用于确定该第1色谱图图像211所示的第1色谱图的峰的峰信息的输入。该峰信息与本公开内容的“第1峰信息”对应。
[0092]
图7是由用户输入了第1峰信息时的图像。在图7的例子中，示出所输入的第1峰信息的图像作为第1峰信息图像220而显示。学习支援装置30更新推定模型121的参数，使得由峰检测处理部111检测出根据所输入的第1峰信息而确定的峰作为第1色谱图的峰。
[0093]
如此，在本实施方式中，用户能够输入与既往的第2峰信息(在既往结果区域132a中显示的第2峰信息)具有一致性的第1峰信息。即，例如，可抑制尽管是相同的色谱图但输入了不同的峰信息的情况(参照图2)。并且，学习支援装置30能够基于该第1峰信息而更新推定模型121。因此，能够通过使第1信号波形的峰的确定的精度提高这样的观点而使推定模型121的更新的精度提高。
[0094]
此外，学习支援装置30计算第1色谱图与s个存储色谱图各自的第1类似度，将该第1类似度为第1阈值以上的存储色谱图作为第2色谱图而获取。然后，如图6所示，学习支援装置30显示第1色谱图图像211、该获取的第2色谱图的第2色谱图图像212与第2峰信息图像253。
[0095]
然后，如图7所示，学习支援装置30接受第1峰信息的输入。因此，用户能够在视觉辨认与第1色谱图相同或者类似的既往生成的第2色谱图与示出该第2色谱图的峰的第2峰信息图像253的同时，输入第1色谱图的第1峰信息。因此，学习支援装置30能够促进用户输入抑制了标注的偏差的训练数据(第1峰信息)。其结果为，学习支援装置30能够抑制标注的偏差而使推定模型的质量提高。
[0096]
此外，学习支援装置30基于第1色谱图的第1特征量和存储色谱图的与该第1特征量为相同类别的第2特征量，计算第1类似度。因此，学习支援装置30能够通过比较简单的运算来计算第1类似度。
[0097]
此外，学习支援装置30基于由第1色谱图示出的分析结果与由存储色谱图示出的分析结果而计算第1类似度。因此，学习支援装置30能够通过比较简单的运算来计算第1类似度。
[0098]
此外，在图6及图7的例子中，学习支援装置30将第2色谱图的第1类似度与示出该第2色谱图的第2色谱图图像212相关联而进行显示。在图6及图7的例子中，显示有示出该第1类似度的类似度图像271。在图6及图7的例子中，例如，与第2色谱图图像212a相关联地显示“98％”这样的图像作为类似度图像271。因此，用户能够视觉辨认第2色谱图的第1类似度。
[0099]
进而，学习支援装置30在既往结果区域132a中，与第2色谱图图像212相关联地显示第2特征量图像275。在此，第2特征量图像275示出根据第2峰信息图像253所示的第2峰信息而确定的峰的特征量。第2特征量图像275包括示出2点间梯度的图像272与示出面积值的图像273。此外，2点间梯度及面积值是第2色谱图中包含的1个以上的峰各自的特征量。在图6及图7的例子中，在第2色谱图图像212a的色谱图中包含3个峰。与第2色谱图图像212a相关联地显示3个峰各自的2点间梯度即a1、a2、a3，并且显示该3个峰各自的面积值即b1、b2、b3。
[0100]
此外，在本实施方式中，第2色谱图包含高类似色谱图、与第1类似度低于该高类似色谱图的低类似色谱图。例如，在图7的例子中，作为高类似色谱图的一例，显示有第1类似度为98％的色谱图的第2色谱图图像212a。此外，作为低类似色谱图的一例，显示有第1类似度为80％的色谱图的第2色谱图图像212d。进而，在既往结果区域132a中，示出高类似色谱图的第2色谱图图像212a优先于示出低类似色谱图的第2色谱图图像212b而显示。如此，学习支援装置30以与第1类似度相应的优先级显示第2色谱图图像212与第2峰信息图像253。在图6及图7的例子中，高类似色谱图显示在低类似色谱图的上方。
[0101]
由此，比起与第1色谱图的类似度较低的第2色谱图，用户能够更优先地视觉辨认与第1色谱图的类似度较高的第2色谱图。因此，学习支援装置30能够使与第1色谱图的类似度较高的第2色谱图的第2峰信息容易视觉辨认。
[0102]
此外，在图7的例子中，第2峰信息图像253是线形状的图像(以下也称为“线图像”)。此外，第2色谱图图像212与第2峰信息图像253所包围的区域是示出第2色谱图的峰的区域。
[0103]
此外，学习支援装置30在显示第1色谱图图像211、第2色谱图图像212及第2峰信息图像253的状态下，接受由用户进行的对第1点201与第2点202的输入(指定)。在本实施方式中，显示有输入装置61(鼠标)的光标217。用户能够通过将光标217与所期望的位置对准并点击鼠标来指定第1点201。此外，用户能够通过将光标217与其它所期望的位置对准并进行鼠标点击来指定第2点202。若指定了第1点201及第2点202，则学习支援装置30将连结该第1点201及该第2点202的线图像作为第1峰信息图像220进行显示。然后，学习支援装置30将由连结第1点201与第2点202的线和第1色谱图图像211中包含的线包围的区域识别为由第1峰信息图像220的第1峰信息确定的峰的区域(训练数据)。根据这样的构成，能够通过指定第1色谱图图像211的第1点201与第2点202，输入第1峰信息。因此，用户能够直观地输入第1峰信息，因此能够使用户的便利性提高。也将图7的连结该第1点201及该第2点202的线图像称为“峰的基线”。
[0104]
图8是示出由用户输入第1峰信息后的画面的图。如图8所示，当输入第1峰信息时，学习支援装置30计算第1特征量，显示该第1特征量的第1特征量图像231。在此，第1特征量图像231示出根据第1峰信息图像220所示的第1峰信息而确定的峰的特征量。在图8的例子中，第1特征量图像231是示出该峰的2点间梯度与该峰的面积值的图像。在图8的例子中，作为2点间梯度的值显示“x1”，作为面积值显示“y1”。
[0105]
如上所述，如图6～图8所示，学习支援装置30在既往结果区域132a中显示第2特征量图像275。如此，学习支援装置30显示第1特征量图像231与第2特征量图像275。因此，用户在输入了第1峰信息之后，能够通过特征量(在本实施方式中，为2点间梯度和面积值)的观点将由该第1峰信息示出的峰与既往的峰进行比较。
[0106]
此外，第1特征量图像231根据由用户所输入的第1峰信息确定的峰的数目而显示相应数目。例如，在由用户所输入的第1峰信息确定的峰的数目为“3”的情况下，显示该3个峰的各自的第1特征量图像231。
[0107]
[流程图]
[0108]
图9是示出学习支援装置30的处理的流程图。在步骤s2中，学习支援装置30获取第1色谱图。接着，在步骤s4中，学习支援装置30获取第2色谱图与第2峰信息。步骤s4包括：步骤s42、在该步骤s42之后执行的步骤s44、在该步骤s44之后执行的步骤s46、在该步骤s46之后执行的步骤s48与在该步骤s48之后执行的步骤s50。
[0109]
在步骤s42中，学习支援装置30提取第1色谱图的第1特征量与存储色谱图的第2特征量。如上所述，第1特征量及第2特征量是峰的数目、2点间梯度及面积值。
[0110]
在步骤s44中，学习支援装置30提取由第1色谱图示出的第1分析结果与由存储色谱图示出的第2分析结果。第1分析结果及第2分析结果是定性分析结果与定量分析结果。
[0111]
在步骤s46中，学习支援装置30计算第1色谱图与存储色谱图的第1类似度。学习支援装置30基于第1特征量、第2特征量、第1分析结果及第2分析结果，计算第1类似度。
[0112]
在步骤s48中，学习支援装置30参照色谱图db123，将第1类似度为第1阈值以上的存储色谱图作为第2色谱图而获取。
[0113]
在步骤s50中，学习支援装置30参照色谱图db123，将与该第2色谱图对应的存储峰信息作为第2峰信息而获取。
[0114]
若步骤s4的处理结束，则在步骤s6中，学习支援装置30显示在步骤s2中获取的第1
色谱图的第1色谱图图像211。
[0115]
接着，在步骤s8中，学习支援装置30显示第2色谱图图像212与第2峰信息图像253。步骤s8包括步骤s82与在该步骤s82之后执行的步骤s84。
[0116]
在步骤s82中，学习支援装置30以与第1类似度相应的优先级显示第2色谱图图像212与第2峰信息图像253。在步骤s84中，显示类似度图像271与第2特征量图像275。
[0117]
如此，通过执行步骤s2～步骤s8的处理，显示图6所示的图像。
[0118]
接着，在步骤s10中，学习支援装置30判断是否由用户输入了第1峰信息。步骤s10包括步骤s102的处理。在步骤s102中，学习支援装置30判断是否由用户输入了第1点201及第2点202。学习支援装置30反复进行步骤s102的处理直到输入第1点201及第2点202为止。若在步骤s102中判断为“是”，则进入步骤s12。
[0119]
在步骤s12中，学习支援装置30显示在步骤s10中判断为输入的第1峰信息的第1峰信息图像。步骤s12包括步骤s122。在步骤s122中，学习支援装置30显示第1峰信息图像220与第1特征量图像231。另外，在步骤s122中，学习支援装置30对第1峰信息图像220进行显示，由此显示图7所示的图像。此外，在步骤s122中，学习支援装置30对第1特征量图像231进行显示，由此显示图8所示的图像。
[0120]
接着，在步骤s13中，学习支援装置30判断是否由用户执行了结束操作。结束操作是由用户对输入装置61进行的操作。结束操作例如是用户对显示在图6～图8所示的画面上的结束按钮(未图示)的操作。
[0121]
对于第1色谱图图像211，用户能够输入1个以上的第1峰信息。用户在第1峰信息的输入结束时，执行结束操作。在步骤s13中判断为“否”的情况下，处理返回至步骤s102。另一方面，在步骤s13中判断为“是”的情况下，处理进入步骤s14。
[0122]
在步骤s14中，学习支援装置30基于在步骤s2中获取的第1色谱图与在步骤s10中判断为输入的第1峰信息而学习推定模型121。此外，推定模型121也可以将色谱图与峰信息作为组，以多个组进行学习。
[0123]
如图9所示，学习支援装置30在步骤s6与步骤s8之后，接受由用户进行的对第1峰信息的输入。如上所述，步骤s6是将第1色谱图图像211显示于显示装置62的处理。此外，步骤s8是将第2色谱图图像212与第2峰信息图像253显示于显示装置62的处理。
[0124]
如果是图9的构成，则用户能够在视觉辨认与第1色谱图类似且既往生成的第2色谱图与示出该第2色谱图的峰的第2峰信息的同时，输入第1色谱图的第1峰信息。因此，能够针对第1峰信息的输入提高用户的便利性。
[0125]
《第2实施方式》
[0126]
图10是第2实施方式的学习支援装置30的处理的流程图。在图10中，学习支援装置30在步骤s2的处理结束后执行步骤s6的处理。接着，学习支援装置30执行步骤s10的处理。在此，用户在虽然显示有第1色谱图图像211但未显示有第2色谱图图像212及第2峰信息图像253的状态下输入第1峰信息。若执行步骤s10的处理，则执行步骤s12及步骤s13的处理。在步骤s13中判断为“是”。处理进入步骤s4a。步骤s4a与步骤s4的不同点在于，步骤s48被替换为步骤s52与步骤s54。
[0127]
在步骤s52中，学习支援装置30计算在步骤s10中输入的第1峰信息与在色谱图db123中存储的s个存储峰信息r(参照图5)的各个间的s个类似度(以下也称为“第2类似
度”)。第2类似度示出1个存储峰信息与第1峰信息的类似程度。1个存储峰信息和第1峰信息越类似，第2类似度成为越大的值。例如，学习支援装置30计算s个存储峰信息各自与第1峰信息有关的参数(例如相关系数)作为第2类似度。
[0128]
接着，在步骤s54中，学习支援装置30获取第1类似度为第1阈值以上的色谱图且由第2类似度为第2阈值以上的存储峰信息确定峰的存储色谱图作为第2色谱图。此处，第2阈值是预先规定的阈值。即，在步骤s54中，获取第1峰信息及色谱图均类似的第2色谱图。接着，在步骤s50中，获取与在步骤s54中获取的第2色谱图对应的第2峰信息。
[0129]
在图10的例子中，学习支援装置30在步骤s6与步骤s10之后执行步骤s4a的处理。步骤s6是将第1色谱图图像211显示于显示装置62的处理。步骤s10是接受由用户输入的第1峰信息的处理。步骤s4a是从色谱图db123获取第2色谱图与第2峰信息的处理。此外，步骤s4a包括步骤s46、步骤s52与步骤s54。
[0130]
步骤s46是计算第1类似度的处理，步骤s52是计算第2类似度的处理。步骤s56是获取第1类似度为第1阈值以上的色谱图且由第2类似度为第2阈值以上的存储峰信息确定峰的存储色谱图作为第2色谱图的处理。
[0131]
根据第2实施方式，学习支援装置30能够显示第1类似度为第1阈值以上的色谱图且由第2类似度为第2阈值以上的存储峰信息确定峰的存储色谱图作为第2色谱图。因此，用户能够确认这样的第2色谱图。
[0132]
《第3实施方式》
[0133]
图11是第3实施方式的学习支援装置30的处理的流程图。图11在图9的步骤s6的处理之后执行步骤s150的处理。步骤s150的处理是显示检测峰图像的处理。检测峰图像是用于确定使用当前的推定模型121检测到的第1色谱图(在步骤s2中获取的第1色谱图)的峰的峰信息(以下也称为“检测峰信息”)。即，在步骤s2中获取的第1色谱图的临时的峰信息作为检测峰图像而显示。如此，通过执行步骤s6及步骤s150的处理，显示第1色谱图图像与检测峰图像(第1色谱图的临时的峰图像)。然后，执行步骤s8及步骤s10的处理。
[0134]
根据第3实施方式，用户能够在参考检测峰信息图像的同时输入第1峰信息。进而，用户能够在参考检测峰信息图像及第2峰信息图像的同时输入第1峰信息。因此，能够使用户的便利性提高。
[0135]
另外，在步骤s102(步骤s10)中，在用户判断为第1峰信息图像就这样为检测峰图像即可的情况下，用户执行规定操作(例如按下未图示的ob按钮的操作)，由此在该步骤s102中判断为“是”而进入下一步骤s122。此外，在步骤s102(步骤s10)中，在用户想要修正检测峰图像的情况下，新输入第1峰信息(指定第1点201及第2点202)，由此在该步骤s102中判断为“是”而进入下一步骤s122。
[0136]
[变形例]
[0137]
(1)在图11的处理中，学习支援装置30也可以按照步骤s2、步骤s6、步骤s150、步骤s4a(参照图10)、步骤s8、步骤s10、步骤s12的顺序执行处理。在步骤s4a的步骤s52中，计算检测峰信息与s个存储色谱图的各个间的s个第2类似度。因此，在步骤s54中，学习支援装置30获取第1类似度为第1阈值以上的色谱图且由第2类似度为第2阈值以上的存储峰信息确定峰的存储色谱图作为第2色谱图。即，显示色谱图及峰信息与附加了检测峰信息的第1色谱图相同或者类似的第2色谱图图像。学习支援装置30通过显示这样的第2色谱图图像，能
够使用户的便利性提高。
[0138]
(2)在上述的实施方式中，对通过由用户指定第1点201及第2点202而输入第1峰信息的构成进行了说明。但是，第1峰信息的输入方法也可以是其它方法。例如，也可以由用户对所显示的第1色谱图图像211输入用于确定所期望的峰的坐标。
[0139]
(3)在图7的例子中，说明了由用户输入第1点201及第2点202而输入“峰的基线(第1峰信息图像220)”的构成。但是，存在学习支援装置30无法根据基线确定峰的情况。
[0140]
图12是示出学习支援装置30无法根据基线确定峰的情况下的第1色谱图图像211的一例的图。在图12的第1色谱图图像211中，示出了峰pa、峰pb及峰pc。在图12的例子中，峰pb及峰pc相连，峰pb的开始点pb1被显示，但是峰pb的结束点未被显示(参照图12的部位s)。此外，虽然未特别图示，但也有显示对开始点及结束点双方均不进行显示的峰的情况。针对这样的不显示开始点及结束点的至少一方的峰，可以由垂直线来确定。
[0141]
垂直线是与第1色谱图图像211的横轴(时间轴)垂直或者大致垂直的线。在图12的例子中，通过由用户指定第1点201及第2点202，显示作为第1峰信息图像220的垂直线。如此，第1峰信息图像220可以包含图7所示的基线及图12所示的垂直线的至少一方。
[0142]
另外，在图12的例子中，虽然未记载既往结果区域132a的详细情况，但是例如显示类似度图像271、第2特征量图像275及垂直线等第2峰信息图像253等。
[0143]
[方案]
[0144]
本领域技术人员可以理解，上述多个示例性的实施方式是以下的方案的具体例。
[0145]
(第1项)一方案的学习支援方法是使计算机执行对用于检测由分析装置获取的信号波形的峰的推定模型的学习作业进行支援的处理的方法。学习支援方法包括获取由分析装置生成的第1信号波形。学习支援方法包括在显示装置上显示第1信号波形。学习支援方法包括从存储多个标注完毕信号的存储装置中获取与第1信号波形类似度高的第2信号波形与用于确定该第2信号波形的峰的第2峰信息。学习支援方法包括在显示装置上显示第2信号波形与示出第2峰信息的第2峰信息图像。学习支援方法包括接受由用户进行的对用于确定第1信号波形的峰的第1峰信息的输入。学习支援方法包括基于第1信号波形与第1峰信息而学习推定模型。
[0146]
根据该构成，用户能够输入与既往的第2峰信息具有一致性的第1峰信息，且能够基于该第1峰信息更新推定模型。因此，促进用户输入抑制了标注的偏差的训练数据。其结果为，能够抑制标注的偏差而使推定模型的质量提高。
[0147]
(第2项)在第1项所记载的学习支援方法中，从存储装置获取第2信号波形与第2峰信息包括：计算第1信号波形与多个标注完毕信号中包含的多个存储信号波形各自的第1类似度、与将第1类似度为第1阈值以上的存储信号波形作为第2信号波形而获取。此外，在将第1信号波形显示于显示装置、将第2信号波形与第2峰信息图像显示于显示装置之后，接受由用户进行的对第1峰信息的输入。
[0148]
根据这样的构成，用户能够在视觉辨认与第1信号波形类似且既往生成的第2信号波形与示出该第2信号波形的峰的第2峰信息的同时，输入第1色谱图的第1峰信息。因此，能够针对第1峰信息的输入提高用户的便利性。
[0149]
(第3项)在第2项所记载的学习支援方法中，在将所述第1信号波形显示于所述显示装置与接受由用户进行的对所述第1峰信息的输入之后，从所述存储装置获取所述第2信
号波形与所述第2峰信息。从所述存储装置获取所述第2信号波形与所述第2峰信息包括：计算所述第1信号波形与所述多个标注完毕信号中包含的多个存储信号波形各自的第1类似度、计算所述第1峰信息与所述多个标注完毕信号中包含的多个存储峰信息各自的第2类似度、以及获取所述第1类似度为第1阈值以上的信号波形且由所述第2类似度为第2阈值以上的存储峰信息确定峰的存储信号波形作为所述第2信号波形。
[0150]
根据这样的构成，能够显示第1类似度为第1阈值以上的信号波形且由第2类似度为第2阈值以上的存储峰信息确定峰的存储信号波形作为第2信号波形。因此，用户能够确认这样的第2信号波形。
[0151]
(第4项)在第2项或者第3项所记载的学习支援方法中，第2信号波形包含高类似信号波形与第1类似度低于该高类似信号波形的低类似信号波形。将第2信号波形与第2峰信息图像显示于显示装置包括：将示出高类似信号波形的波形图像优先于示出低类似信号波形的波形图像而显示。
[0152]
根据该构成，比起与第1信号波形的类似度较低的第2信号波形，用户能够更优先地视觉辨认与第1信号波形的类似度较高的第2信号波形。
[0153]
(第5项)在第2项～第4项的任一项所记载的学习支援方法中，将第2信号波形与第2峰信息图像显示于显示装置包括：将第2信号波形的第1类似度与示出该第2信号波形的第2信号波形图像相关联地显示。
[0154]
根据这样的构成，用户能够视觉辨认第2信号波形的第1类似度。
[0155]
(第6项)在第2项～第5项的任一项所记载的学习支援方法中，计算第1类似度包括：基于第1信号波形的第1特征量和存储信号波形的与该第1特征量为同一类别的第2特征量计算第1类似度。
[0156]
根据这样的构成，能够通过比较简单的运算来计算第1类似度。
[0157]
(第7项)在第2项～第6项的任一项所记载的学习支援方法中，计算第1类似度包括基于由第1信号波形所示出的分析结果与由存储信号波形所示出的分析结果计算第1类似度。
[0158]
根据这样的构成，能够通过比较简单的运算来计算第1类似度。
[0159]
(第8项)在第1项～第7项的任一项所记载的学习支援方法中，学习支援方法进一步包括将示出第1峰信息的第1峰信息图像显示于显示装置。
[0160]
根据这样的构成，能够在显示装置中识别用户输入的第1峰信息。
[0161]
(第9项)在第8项所记载的学习支援方法中，将第1峰信息图像显示于显示装置包括显示第1特征量图像，所述第1特征量图像示出通过由该第1峰信息图像所示出的第1峰信息而确定的峰的特征量。此外，将第2信号波形与第2峰信息图像显示于显示装置包括显示第2特征量图像，所述第2特征量图像示出通过由该第2峰信息图像所示出的第2峰信息而确定的峰的特征量。
[0162]
根据这样的构成，用户输入第1峰信息后，能够对由该第1峰信息确定的峰的特征量与由第2峰信息确定的峰的特征量进行识别。因此，用户能够确认输入的第1峰信息是否适当。
[0163]
(第10项)在第1项～第9项的任一项所记载的学习支援方法中，学习支援方法进一步包括显示检测峰信息图像，所述检测峰信息图像示出用于确定使用推定模型检测出的第
1信号波形的峰的检测峰信息。在显示了检测峰信息图像与第1信号波形之后，接受由用户进行的对第1峰信息的输入。
[0164]
根据这样的构成，用户能够在参考检测峰信息的同时输入第1峰信息。
[0165]
(第11项)在第1项～第10项的任一项所记载的学习支援方法中，学习支援方法进一步包括在将第1信号波形显示于显示装置的状态下接受由用户进行的对第1点与第2点的输入。第2峰信息图像是线图像。由第2信号波形与线图像包围的区域是示出第2信号波形的峰的区域。由第1峰信息确定的峰的区域是由连结第1点与第2点的线与第1信号波形中包含的线包围而成的区域。
[0166]
根据这样的构成，能够通过指定第1信号波形的第1点与第2点，输入第1峰信息。因此，用户能够较为容易地输入第1峰信息，因此能够使用户的便利性提高。
[0167]
(第12项)一方案的学习支援程序是使计算机执行对用于检测由分析装置获取的信号波形的峰的推定模型的学习作业进行支援的处理的程序。学习支援程序使计算机执行获取由分析装置生成的第1信号波形。学习支援程序使计算机执行将第1信号波形显示在显示装置上。学习支援程序使计算机执行从存储多个标注完毕信号的存储装置中获取与第1信号波形类似度高的第2信号波形与用于确定该第2信号波形的峰的第2峰信息。学习支援程序使计算机执行在显示装置上显示第2信号波形与示出第2峰信息的第2峰信息图像。学习支援程序使计算机执行接受由用户进行的对用于确定第1信号波形的峰的第1峰信息的输入。学习支援程序使计算机执行基于第1信号波形与第1峰信息而学习推定模型。
[0168]
根据该构成，用户能够输入与既往的第2峰信息具有一致性的第1峰信息，且能够基于该第1峰信息更新推定模型。因此，促进用户输入抑制了标注的偏差的训练数据。其结果为，能够抑制标注的偏差而使推定模型的质量提高。
[0169]
另外，对于上述的实施方式及变形例，在不产生不妥或者矛盾的范围内，从申请最初就预定了包括未在说明书中提及的组合在内的、在实施方式中说明的构成的适当组合。
[0170]
以上对本发明的实施方式进行了说明，但应认为此次公开的实施方式在所有方面均为例示而并非限制性的内容。本发明的范围由权利要求书示出，还旨在包括与权利要求书等同的意思及范围内的所有变更。

技术特征：
1.一种学习支援方法，是使计算机执行对用于检测由分析装置获取的信号波形的峰的推定模型的学习作业进行支援的处理的学习支援方法，其特征在于，包括：获取由分析装置生成的第1信号波形；在显示装置上显示所述第1信号波形；从存储多个标注完毕信号的存储装置中获取与所述第1信号波形类似度高的第2信号波形与用于确定该第2信号波形的峰的第2峰信息；在所述显示装置上显示所述第2信号波形与示出所述第2峰信息的第2峰信息图像；接受由用户进行的对用于确定所述第1信号波形的峰的第1峰信息的输入；基于所述第1信号波形与所述第1峰信息而学习所述推定模型。2.如权利要求1所述的学习支援方法，其特征在于，从所述存储装置获取所述第2信号波形与所述第2峰信息包括：计算所述第1信号波形与所述多个标注完毕信号中包含的多个存储信号波形各自的第1类似度、获取所述第1类似度为第1阈值以上的存储信号波形作为所述第2信号波形，在将所述第1信号波形显示于所述显示装置、将所述第2信号波形与所述第2峰信息图像显示于所述显示装置之后，接受由用户进行的对所述第1峰信息的输入。3.如权利要求1所述的学习支援方法，其特征在于，在将所述第1信号波形显示于所述显示装置、接受由用户进行的对所述第1峰信息的输入之后，从所述存储装置获取所述第2信号波形与所述第2峰信息，从所述存储装置获取所述第2信号波形与所述第2峰信息包括：计算所述第1信号波形与所述多个标注完毕信号中包含的多个存储信号波形各自的第1类似度、计算所述第1峰信息与所述多个标注完毕信号中包含的多个存储峰信息各自的第2类似度、获取所述第1类似度为第1阈值以上的信号波形且由所述第2类似度为第2阈值以上的存储峰信息确定峰的存储信号波形作为所述第2信号波形。4.如权利要求2所述的学习支援方法，其特征在于，所述第2信号波形包含高类似信号波形与所述第1类似度低于该高类似信号波形的低类似信号波形，将所述第2信号波形与所述第2峰信息图像显示于所述显示装置包括：将示出所述高类似信号波形的波形图像优先于示出所述低类似信号波形的波形图像而显示。5.如权利要求2所述的学习支援方法，其特征在于，将所述第2信号波形与所述第2峰信息图像显示于所述显示装置包括：将所述第2信号波形的所述第1类似度与示出该第2信号波形的第2信号波形图像相关联地显示。6.如权利要求2所述的学习支援方法，其特征在于，计算所述第1类似度包括：基于所述第1信号波形的第1特征量和所述存储信号波形的与该第1特征量为同一类别的第2特征量计算所述第1类似度。7.如权利要求2所述的学习支援方法，其特征在于，计算所述第1类似度包括：基于由所述第1信号波形所示出的分析结果与由所述存储信号波形所示出的分析结果计算所述第1
类似度。8.如权利要求1所述的学习支援方法，其特征在于，所述学习支援方法进一步包括将示出所述第1峰信息的第1峰信息图像显示于所述显示装置。9.如权利要求8所述的学习支援方法，其特征在于，将所述第1峰信息图像显示于所述显示装置包括显示第1特征量图像，所述第1特征量图像示出通过由该第1峰信息图像所示出的第1峰信息而确定的峰的特征量，将所述第2信号波形与所述第2峰信息图像显示于所述显示装置包括显示第2特征量图像，所述第2特征量图像示出通过由该第2峰信息图像所示出的第2峰信息而确定的峰的特征量。10.如权利要求1所述的学习支援方法，其特征在于，所述学习支援方法进一步包括显示检测峰信息图像，所述检测峰信息图像示出用于确定使用所述推定模型检测出的所述第1信号波形的峰的检测峰信息，在显示了所述检测峰信息图像与所述第1信号波形之后，接受由用户进行的对所述第1峰信息的输入。11.如权利要求1所述的学习支援方法，其特征在于，所述学习支援方法进一步包括在将所述第1信号波形显示于所述显示装置的状态下接受由用户进行的对第1点与第2点的输入，所述第2峰信息图像是线图像，由所述第2信号波形与所述线图像包围的区域是示出所述第2信号波形的峰的区域，由所述第1峰信息确定的峰的区域是由连结所述第1点与所述第2点的线与所述第1信号波形中包含的线包围而成的区域。

技术总结
本发明提供一种学习支援方法，包括：获取第1色谱图(步骤S2)、显示第1色谱图图像(步骤S6)、从色谱图DB中获取与第1色谱图相同或者类似的第2色谱图与用于确定该第2色谱图的峰的第2峰信息(步骤S4)、显示第2色谱图图像与第2峰信息图像(步骤S8)、接受由用户进行的对用于确定第1色谱图的峰的第1峰信息的输入(步骤S10)、基于第1色谱图与第1峰信息而学习推定模型(步骤S14)。型(步骤S14)。型(步骤S14)。


技术研发人员：知野见健太 杉村佳织 金泽慎司
受保护的技术使用者：株式会社岛津制作所
技术研发日：2023.02.15
技术公布日：2023/8/24