川貝具有清熱潤肺，化痰止咳，散結(jié)消癰的功效。用于肺熱燥咳，干咳少痰，陰虛勞嗽，痰中帶血，瘰疬，乳癰，肺癰等，為臨床常用中藥，也是業(yè)內(nèi)公認(rèn)的較名貴中藥。對川貝母的傳統(tǒng)人工評價在一定時期起到過重要的作用，但隨著摻偽手段不斷翻新，評價工作日趨困難。川貝母藥典檢測結(jié)果雖精準(zhǔn)可靠，但也存在復(fù)雜耗時的問題。故本文擬通過電子視覺技術(shù)探索建立一種新的質(zhì)量評價方法，兼具上述 2 種方法的優(yōu)點，快速、精準(zhǔn)地實現(xiàn)川貝母藥材真?zhèn)渭耙?guī)格的鑒別。
方法與結(jié)果
辨識方法
傳統(tǒng)經(jīng)驗辨識法( M1 )
聘請 8 位在中藥鑒定研究領(lǐng)域擁有豐富經(jīng)驗的專家( 具有 15 年以上工作經(jīng)驗且一直在醫(yī)藥行業(yè)從事中藥飲片檢驗、鑒定工作) ，參照 2015 年版《中國藥典》一部質(zhì)量標(biāo)準(zhǔn)外觀性狀規(guī)定，將編號后的樣品隨機(jī)放置，由專家依據(jù)顏色、形狀、氣味、質(zhì)地、口感等差異結(jié)合既往經(jīng)驗進(jìn)行鑒定，對川貝母的真?zhèn)渭吧唐芬?guī)格做出鑒定。最后，以評價專家人數(shù)是否≥3 /4 比例原則確定每個樣本的真?zhèn)渭吧唐芬?guī)格。
現(xiàn)代藥典辨識法( M2 )
外觀性狀鑒別、顯微鑒別、薄層鑒別均參照 2015 年版《中國藥典》一部川貝母鑒別檢查項下的方法。
電子眼辨識法( M3 )
利用電子眼對 80 批川貝母待測樣品進(jìn)行檢測，提取其光學(xué)數(shù)據(jù)并借助化學(xué)計量學(xué)方法建立適宜的辨識模型，該模型以電子眼采集的 65 個色度信息值為自變量矩陣 X( 80×65) ，以 M1 和 M2 相結(jié)合的綜合結(jié)果作為標(biāo)準(zhǔn)因變量 Y，建立 X 和 Y 之間的關(guān)系 Y =M( X) 模型，基于該模型實現(xiàn)對未知樣品的辨識。
辨識結(jié)果
傳統(tǒng)經(jīng)驗辨識
真?zhèn)舞b別 23，24，61～80 號樣本為偽品，42，43 號未判出，其余均為真品。商品規(guī)格鑒別 1～20 號為爐貝，21，22，25～40 號為松貝，41，44～60 號為青貝，61～78，80 號為平貝，79 號樣本專家評價結(jié)果分歧較大，且任一種結(jié)果都不滿足≥3 /4比例原則，因而被剔除，見表 1。
現(xiàn)代藥典辨識
外觀性狀不滿足的樣本有23，24，43～46，61～80 號; 顯微結(jié)果顯示樣本 71，74，78 號不含螺紋導(dǎo)管，其余均滿足藥典要求; 薄層結(jié)果顯示樣本 23，24 號中不含貝母素乙，61～80 號與平貝母對照藥材相對應(yīng)的位置顯相同顏色的斑點; 80 個樣本貝母素甲、西貝母堿、貝母素乙 3 種生物堿總量均為 0～0. 05%，判別結(jié)果見表 2。
電子眼顏色信息值
本研究中 80 批川貝母待測樣品的光學(xué)數(shù)據(jù)為 65 種色號，經(jīng)篩選后 65 種色號均是有效信息，均可參與建模。最終，電子眼光學(xué)數(shù)據(jù)為 80×65 的數(shù)據(jù)矩陣。
真?zhèn)文Ｐ湍Ｐ偷慕换ヲ炞C
DA 辨識模型及交互驗證 80 個樣本的測試結(jié)果多元正態(tài)分布檢驗圖見圖 1，橫坐標(biāo)為平方廣義距離，縱坐標(biāo)為卡方上側(cè)分位數(shù)對應(yīng)的檢驗值。樣本分布圖形略呈線性; 約 44%的距離小于卡方分布分位數(shù)表 0. 5 對應(yīng)的檢驗值，說明檢驗值在卡方分布分位數(shù)表 0. 5 對應(yīng)的檢驗值的下側(cè)分布略微集中。
DA 最優(yōu)辨識模型參數(shù)為變量選擇 65 個，識別模式選擇線性。結(jié)果顯示 54 個正品中有 10 個被錯分為偽品，26 個偽品有 4 個被錯分為正品，模型整體正判率為 82. 5%。
LS-SVM 辨識模型及交互驗證
變量選擇65 個，函數(shù)選擇徑向基函數(shù)核。結(jié)果顯示 54 個正品分類全部正確，26 個偽品有 8 個被錯分為正品，模型整體正判率為 90. 0%。
PLS-DA 辨識模型及交互驗證
PLS-DA 最優(yōu)辨識模型參數(shù)為變量選擇 4 個，識別模式選擇線性; 采用留一法交互驗證的模型內(nèi)驗證方法，模型最優(yōu)正判率為 96. 2%。各主成分貢獻(xiàn)百分比見圖 2，前 4 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息。
PLS-DA 辨識結(jié)果顯示，54 個正品中有 1 個被錯判為偽品，26 個偽品有 2 個被錯判為正品，模型整體正判率為 96. 2%。
PCA-DA 辨識模型及交互驗證
變量選擇15 個，識 別 模 式 選 擇 線 性; 模 型 最 優(yōu) 正 判 率 為93. 8%。各主成分貢獻(xiàn)百分比見圖 3，前 3 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息。
PCA-DA 辨識結(jié)果顯示，54 個正品分類均正確，26個偽品有 5 個被錯分為正品，整體正判率為 93. 8%。
商品規(guī)格模型的交互驗證
DA 辨識模型及交互驗證
變量選擇 65 個，識別模式選擇線性，模型見圖 4。
結(jié)果顯示，20 個爐貝樣本中有 1 個被錯判成青貝，2 個被錯判成平貝; 18 個松貝樣本中有 1 個被錯判成平貝; 18 個青貝樣本中有 1 個被錯判成平貝; 19 個平貝樣本中有 3 個錯判成青貝; 不存在未分類的樣本，整體正判率為 89. 3%。
LS-SVM 辨識模型及交互驗證
變量選擇 65 個，函數(shù)選擇徑向基函數(shù)核。結(jié)果顯示，20 個爐貝樣本有 1 個被錯分為青貝，18 個松貝樣本分類全部正確，18 個青貝樣本有 2 個被錯分為平貝，19 個平貝樣本分類全部正確，模型整體正判率為 96. 0%。
PLS-DA 辨識模型及交互驗證
變量選擇 6 個，識別模式選擇線性; 模型最優(yōu)正判率為 90. 7%。前 6 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息，見圖 5。
結(jié)果顯示，20 個爐貝樣本中有 2 個未被分類; 18 個松貝樣本中有 1 個未被分類; 18 個青貝樣本中有 1 個未被分類; 19 個平貝樣本中有2 個未被分類; 其余分類均正確，模型整體正判率為 90. 7%。
PCA-DA 辨識模型及交互驗證
變量選擇14 個，識 別 模 式 選 擇 線 性; 模 型 最 優(yōu) 正 判 率 為97. 3%。前 3 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息，見圖 6。
結(jié)果顯示，20 個爐貝樣本分類均正確; 18 個松貝樣本分類均正確; 18 個青貝樣本中有 1 個被錯判成爐貝; 19 個平貝樣本中有 1 個錯判成爐貝; 不存在未分類的樣本，整體正判率為 97. 3%。
時效性及正判率的比較
通過比較，電子眼辨識與傳統(tǒng)經(jīng)驗辨識正判率無顯著性差異; 電子眼辨識不如傳統(tǒng)經(jīng)驗辨識快( P＜0. 01) ，但較藥典檢測快( P＜0. 01) ，見圖 7。
電子眼各色號( 變量) 對辨識模型的貢獻(xiàn)度
在只考慮變量信息本身、不考慮分類結(jié)果模型的情況下，65 個變量所攜帶變異信息( Wilkslamda) 的柱狀圖見圖 8，Wilkslamda 越小則表示變量攜帶變異信息越多。真?zhèn)伪孀R中 65 個變量在潛變量上的載荷圖，見圖 2，50 號變量在原點附近，說明該特征屬性的波動對于樣本之間的區(qū)別貢獻(xiàn)不大，其余64 個變量整體較為分散，說明這 64 個變量均攜帶有顯著的變異信息。商品規(guī)格辨識中 65 個變量在潛變量上的載荷圖見圖 6。
結(jié)論
真?zhèn)伪孀R模型的正判率從高到底依次為 PLS-DA＞PCA-DA＞LS-SVM＞DA，最終優(yōu)選PLS-DA 模型用于川貝母的真?zhèn)伪孀R; 商品規(guī)格辨識模型的正判率從高到低依次為 PLS-DA＞PCA-DA＞LS-SVM＞DA，最終優(yōu)選PCA-DA 模型用于川貝母的商品規(guī)格辨識。綜合比較，電子眼辨識正判率與傳統(tǒng)人工經(jīng)驗鑒別無顯著性差異，電子眼辨識不如傳統(tǒng)經(jīng)驗辨識快，但較藥典檢測時間極顯著縮短?？傮w而言，該技術(shù)能夠?qū)崿F(xiàn)對中藥飲片質(zhì)量相對快速、準(zhǔn)確地辨識，為中藥飲片的質(zhì)量評價提供了新思路、新技術(shù)，同時為構(gòu)建中藥飲片質(zhì)量快速辨識智能專家系統(tǒng)奠定了基礎(chǔ)。
來源：感官科學(xué)與評定 轉(zhuǎn)載請注明來源。
參考文獻(xiàn)：劉瑞新,郝小佳,張慧杰,張璐,桂新景,林兆洲,羅崇念,田亮玉,王艷麗,馮文豪,姚靜,李學(xué)林.基于電子眼技術(shù)的中藥川貝母真?zhèn)渭耙?guī)格的快速辨識研究[J].中國中藥雜志,2020,45(14):3441-3451.轉(zhuǎn)載請注明來源。
提醒：文章僅供參考，如有不當(dāng)，歡迎留言指正和交流。且讀者不應(yīng)該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動，因此導(dǎo)致的損失，運營方不負(fù)責(zé)。如文章涉及侵權(quán)或不愿我平臺發(fā)布，請聯(lián)系處理。
方法與結(jié)果
辨識方法
傳統(tǒng)經(jīng)驗辨識法( M1 )
聘請 8 位在中藥鑒定研究領(lǐng)域擁有豐富經(jīng)驗的專家( 具有 15 年以上工作經(jīng)驗且一直在醫(yī)藥行業(yè)從事中藥飲片檢驗、鑒定工作) ，參照 2015 年版《中國藥典》一部質(zhì)量標(biāo)準(zhǔn)外觀性狀規(guī)定，將編號后的樣品隨機(jī)放置，由專家依據(jù)顏色、形狀、氣味、質(zhì)地、口感等差異結(jié)合既往經(jīng)驗進(jìn)行鑒定，對川貝母的真?zhèn)渭吧唐芬?guī)格做出鑒定。最后，以評價專家人數(shù)是否≥3 /4 比例原則確定每個樣本的真?zhèn)渭吧唐芬?guī)格。
現(xiàn)代藥典辨識法( M2 )
外觀性狀鑒別、顯微鑒別、薄層鑒別均參照 2015 年版《中國藥典》一部川貝母鑒別檢查項下的方法。
電子眼辨識法( M3 )
利用電子眼對 80 批川貝母待測樣品進(jìn)行檢測，提取其光學(xué)數(shù)據(jù)并借助化學(xué)計量學(xué)方法建立適宜的辨識模型，該模型以電子眼采集的 65 個色度信息值為自變量矩陣 X( 80×65) ，以 M1 和 M2 相結(jié)合的綜合結(jié)果作為標(biāo)準(zhǔn)因變量 Y，建立 X 和 Y 之間的關(guān)系 Y =M( X) 模型，基于該模型實現(xiàn)對未知樣品的辨識。
辨識結(jié)果
傳統(tǒng)經(jīng)驗辨識
真?zhèn)舞b別 23，24，61～80 號樣本為偽品，42，43 號未判出，其余均為真品。商品規(guī)格鑒別 1～20 號為爐貝，21，22，25～40 號為松貝，41，44～60 號為青貝，61～78，80 號為平貝，79 號樣本專家評價結(jié)果分歧較大，且任一種結(jié)果都不滿足≥3 /4比例原則，因而被剔除，見表 1。
外觀性狀不滿足的樣本有23，24，43～46，61～80 號; 顯微結(jié)果顯示樣本 71，74，78 號不含螺紋導(dǎo)管，其余均滿足藥典要求; 薄層結(jié)果顯示樣本 23，24 號中不含貝母素乙，61～80 號與平貝母對照藥材相對應(yīng)的位置顯相同顏色的斑點; 80 個樣本貝母素甲、西貝母堿、貝母素乙 3 種生物堿總量均為 0～0. 05%，判別結(jié)果見表 2。
本研究中 80 批川貝母待測樣品的光學(xué)數(shù)據(jù)為 65 種色號，經(jīng)篩選后 65 種色號均是有效信息，均可參與建模。最終，電子眼光學(xué)數(shù)據(jù)為 80×65 的數(shù)據(jù)矩陣。
真?zhèn)文Ｐ湍Ｐ偷慕换ヲ炞C
DA 辨識模型及交互驗證 80 個樣本的測試結(jié)果多元正態(tài)分布檢驗圖見圖 1，橫坐標(biāo)為平方廣義距離，縱坐標(biāo)為卡方上側(cè)分位數(shù)對應(yīng)的檢驗值。樣本分布圖形略呈線性; 約 44%的距離小于卡方分布分位數(shù)表 0. 5 對應(yīng)的檢驗值，說明檢驗值在卡方分布分位數(shù)表 0. 5 對應(yīng)的檢驗值的下側(cè)分布略微集中。
LS-SVM 辨識模型及交互驗證
變量選擇65 個，函數(shù)選擇徑向基函數(shù)核。結(jié)果顯示 54 個正品分類全部正確，26 個偽品有 8 個被錯分為正品，模型整體正判率為 90. 0%。
PLS-DA 辨識模型及交互驗證
PLS-DA 最優(yōu)辨識模型參數(shù)為變量選擇 4 個，識別模式選擇線性; 采用留一法交互驗證的模型內(nèi)驗證方法，模型最優(yōu)正判率為 96. 2%。各主成分貢獻(xiàn)百分比見圖 2，前 4 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息。
PCA-DA 辨識模型及交互驗證
變量選擇15 個，識 別 模 式 選 擇 線 性; 模 型 最 優(yōu) 正 判 率 為93. 8%。各主成分貢獻(xiàn)百分比見圖 3，前 3 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息。
商品規(guī)格模型的交互驗證
DA 辨識模型及交互驗證
變量選擇 65 個，識別模式選擇線性，模型見圖 4。
LS-SVM 辨識模型及交互驗證
變量選擇 65 個，函數(shù)選擇徑向基函數(shù)核。結(jié)果顯示，20 個爐貝樣本有 1 個被錯分為青貝，18 個松貝樣本分類全部正確，18 個青貝樣本有 2 個被錯分為平貝，19 個平貝樣本分類全部正確，模型整體正判率為 96. 0%。
PLS-DA 辨識模型及交互驗證
變量選擇 6 個，識別模式選擇線性; 模型最優(yōu)正判率為 90. 7%。前 6 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息，見圖 5。
PCA-DA 辨識模型及交互驗證
變量選擇14 個，識 別 模 式 選 擇 線 性; 模 型 最 優(yōu) 正 判 率 為97. 3%。前 3 個主成分之和達(dá) 75%以上，可解釋原變量大部分信息，見圖 6。
結(jié)果顯示，20 個爐貝樣本分類均正確; 18 個松貝樣本分類均正確; 18 個青貝樣本中有 1 個被錯判成爐貝; 19 個平貝樣本中有 1 個錯判成爐貝; 不存在未分類的樣本，整體正判率為 97. 3%。
時效性及正判率的比較
通過比較，電子眼辨識與傳統(tǒng)經(jīng)驗辨識正判率無顯著性差異; 電子眼辨識不如傳統(tǒng)經(jīng)驗辨識快( P＜0. 01) ，但較藥典檢測快( P＜0. 01) ，見圖 7。
在只考慮變量信息本身、不考慮分類結(jié)果模型的情況下，65 個變量所攜帶變異信息( Wilkslamda) 的柱狀圖見圖 8，Wilkslamda 越小則表示變量攜帶變異信息越多。真?zhèn)伪孀R中 65 個變量在潛變量上的載荷圖，見圖 2，50 號變量在原點附近，說明該特征屬性的波動對于樣本之間的區(qū)別貢獻(xiàn)不大，其余64 個變量整體較為分散，說明這 64 個變量均攜帶有顯著的變異信息。商品規(guī)格辨識中 65 個變量在潛變量上的載荷圖見圖 6。
真?zhèn)伪孀R模型的正判率從高到底依次為 PLS-DA＞PCA-DA＞LS-SVM＞DA，最終優(yōu)選PLS-DA 模型用于川貝母的真?zhèn)伪孀R; 商品規(guī)格辨識模型的正判率從高到低依次為 PLS-DA＞PCA-DA＞LS-SVM＞DA，最終優(yōu)選PCA-DA 模型用于川貝母的商品規(guī)格辨識。綜合比較，電子眼辨識正判率與傳統(tǒng)人工經(jīng)驗鑒別無顯著性差異，電子眼辨識不如傳統(tǒng)經(jīng)驗辨識快，但較藥典檢測時間極顯著縮短?？傮w而言，該技術(shù)能夠?qū)崿F(xiàn)對中藥飲片質(zhì)量相對快速、準(zhǔn)確地辨識，為中藥飲片的質(zhì)量評價提供了新思路、新技術(shù)，同時為構(gòu)建中藥飲片質(zhì)量快速辨識智能專家系統(tǒng)奠定了基礎(chǔ)。
來源：感官科學(xué)與評定 轉(zhuǎn)載請注明來源。
參考文獻(xiàn)：劉瑞新,郝小佳,張慧杰,張璐,桂新景,林兆洲,羅崇念,田亮玉,王艷麗,馮文豪,姚靜,李學(xué)林.基于電子眼技術(shù)的中藥川貝母真?zhèn)渭耙?guī)格的快速辨識研究[J].中國中藥雜志,2020,45(14):3441-3451.轉(zhuǎn)載請注明來源。
提醒：文章僅供參考，如有不當(dāng)，歡迎留言指正和交流。且讀者不應(yīng)該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動，因此導(dǎo)致的損失，運營方不負(fù)責(zé)。如文章涉及侵權(quán)或不愿我平臺發(fā)布，請聯(lián)系處理。
