データサイエンス × フードサイエンス（味・感性・嗜好の計算）
Data science x food science
食品科学分野では，2010年代中ごろから時系列官能評価法(Temporal Dominance of Sensations法)が盛んに用いられるようになりました ．
官能評価は，口中で生じる複雑な現象の体験を忠実に評価する方法として，化学分析と同様に重宝されています．
時系列官能評価法は，複数種類の味（テクスチャ・嗅覚・味覚情報を含む）の経時的変化を記録するための唯一の方法です．
われわれの研究チームは，多次元時系列データのための統計学習・機械学習を駆使し，
食品化学分野の官能評価とデータサイエンスの融合を図っています．
例えば，味の経時変化から嗜好の経時変化を推定する手法を世界で初めて開発しました．
In the field of food science, the Temporal Dominance of Sensations (TDS) method has been widely adopted since the mid-2010s
as a time-series sensory evaluation technique. The TDS method remains the only technique capable of recording the temporal
changes of multiple sensations (including texture, olfactory, and taste information) over time.
Our research team leverages statistical and machine learning approaches for multidimensional time-series data, aiming
to integrate sensory evaluation with data science in the field of food science.
For example, we have developed the world’s first method to estimate temporal changes in preferences (liking) from temporal
changes in taste.
• Related publications:
[English 1]
[English 2]
[English 3]
[English 4]
[Japanese 1]
[English 5]
[日本語 1]
[English 6]
[English 7]
[English 8]
[English 9]
• Awards:
SI2023 優秀講演賞
味覚と嗜好のダイナミクス: 時間変化する味覚・嗜好の動的因果関係モデリング
Affective dynamics: Dynamic causality modeling for temporally evolving sensory responses and preferences
人の感性および知覚的応答は，刺激を体験した直後から目まぐるしく変化します．
このような変化を捉えるための官能評価手法として，TDS法やTCATA法があります．
これらの方法から多次元時系列データが得られますが，それらの特性を調べたり，適した分析手法を開発しています．
例えば，図はいちごを食した際の味覚，嗅覚，食感，感性，嗜好の時系列データから，それらの因果関係を図示した例です．
人の体験が時系列でどのように変化するかだけでなく，なぜ変化するのかを解き明かすための分析技術です．
Our sensory and affective/emotional experiences temporarily evolve after exposure to stimuli.
The TDS and TCATA methods are potent approaches to record such multiple time-variant subjective responses.
We are developing mathematical methods to analyze these time-series data. For example, the figure shows temporal
causalities among the sensory and affective responses when eating strawberries. It helps comprehend
how and why human experiences temporarily change.
• Related publication:
[日本語]
[English]
• Awards:
SI2018 優秀講演賞
Bootstrap リサンプルされたTDSカーブへのデータサイエンス・アプローチ
Data-scientific approach for bootstrap-resampled TDS curves
時系列官能評価法であるTDS法は，食品科学分野を中心に普及しており，他分野への適用も進んでいます．
TDS法の中心的な出力結果であるTDSカーブへのデータサイエンス・アプローチは大きな期待が持てますが，
カーブのサンプル数が小さいという問題が障壁となっています．
われわれは，
Bootstrapリサンプルの手法によってTDSカーブを大量に生成することによって，この問題を解決しつつあります．
同手法は，TDSカーブの分析において今後，重要な役割を果たしていくとともに，本研究チームがその先導役を果たしていきます．
The TDS method, a promising time-series sensory evaluation, has been increasingly used in many industries.
Data-scientific approaches are expected to be applied on the major outputs of this method, TDS curves; however,
the small sample size of the curves deter the application of many analyses.
We are solving such problems by using the bootstrap resampling of TDS curves.
Our approach will be playing an important role in the analyses of TDS curves, and we are leading the analysis
techniques.
• Related publication:
[English 1]
[English 2]
[English 3]
[English 4]
[English 5]
[English 6]
• Awards:
日本官能評価学会 2021年度 学会優秀発表賞
主動作分析を用いたTDS/TCATAデータの時系列解析
Principal motion analysis of TDS/TCATA data
時系列官能評価法であるTDS/TCATA法から得られるデータの多次元時系列特性を活かした解析手法を開発しています．
多くの手法は，時系列データから平均，最大値などの特徴量を算出し，それらを分析対象としますが，その過程で時間の情報が失われてしまうという懸念があります．
われわれの手法では，経時的な情報を保ったままの分析が可能です．
下図左と中央は，梅干しから得られたTDSカーブの第一，第二主動作であり，カーブの連動性を示します．
右は，これらの主動作の大きさに基づいて，10種類の梅干しの特性分布を示します．
従来の官能評価法よりもはるかに製品を弁別する能力が高くなります．
TDS/TCATA methods provide time-series profiles of sensory and affective responses to stimuli.
Principal motion analysis (PMA) can extract common patterns out of such data. Principal motions include the
multidimentional and temporal information of original data and allow us to analyze how human responses
temporally develop. The left two figures show the 1st and 2nd principal motions while eating plum pickles.
The right figure indicates how ten types of plum pickles differ from each other.
• Related publication:
[日本語]
[English]
味覚・嗜好とデータサイエンスの融合