基于大數(shù)據(jù)技術(shù)的中藥飲片外觀性狀與內(nèi)在成分?jǐn)?shù)據(jù)的研究與應(yīng)用

譚超群 解達(dá)帥 程小恩 趙姝婷 吳純潔 溫川飆

摘 要 目的：探討大數(shù)據(jù)技術(shù)在中藥飲片外觀性狀與內(nèi)在成分?jǐn)?shù)據(jù)結(jié)合分析（“內(nèi)外結(jié)合”）中的應(yīng)用。方法：總結(jié)現(xiàn)有中藥飲片鑒別中外觀性狀與內(nèi)在成分檢測技術(shù)的不足，就中藥飲片“內(nèi)外結(jié)合”大數(shù)據(jù)庫的研究現(xiàn)狀與應(yīng)用前景進(jìn)行綜述。結(jié)果與結(jié)論：現(xiàn)有的智能感觀技術(shù)存在數(shù)據(jù)不完整、不準(zhǔn)確和對多維數(shù)據(jù)缺乏整合的不足，內(nèi)在成分檢測方法也存在諸多不足。大數(shù)據(jù)分析流程包括前期數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析與處理、數(shù)據(jù)可視化處理以及數(shù)據(jù)應(yīng)用幾個(gè)階段。收集中藥飲片形、色、氣、味外在性狀與內(nèi)在成分?jǐn)?shù)據(jù)以及文獻(xiàn)知識(shí)庫信息，構(gòu)建中藥飲片“內(nèi)外結(jié)合”大數(shù)據(jù)庫，再根據(jù)大數(shù)據(jù)處理流程與算法，可實(shí)現(xiàn)人工智能輔助中藥飲片真?zhèn)蝺?yōu)劣鑒別，實(shí)現(xiàn)對中藥產(chǎn)地的辨別區(qū)分，挖掘影響中藥飲片質(zhì)量的因素，為其質(zhì)量控制提供規(guī)范化標(biāo)準(zhǔn)。大數(shù)據(jù)技術(shù)的應(yīng)用能準(zhǔn)確、高效地處理中藥飲片“內(nèi)外”多維數(shù)據(jù)，可為傳統(tǒng)中藥行業(yè)研究提供新思路，為中藥飲片客觀化發(fā)展提供新動(dòng)力。

關(guān)鍵詞 大數(shù)據(jù)技術(shù)；中藥飲片；外觀性狀；內(nèi)在成分

中圖分類號(hào) R282.5 文獻(xiàn)標(biāo)志碼 A 文章編號(hào) 1001-0408（2018）16-2287-04

傳統(tǒng)中藥鑒別包括基源鑒定、顯微鑒定、性狀鑒定與理化鑒定4種方法。針對中藥的形（形狀）、色（顏色）、氣（氣味）、味（味道）的外觀性狀鑒定是對中藥質(zhì)量進(jìn)行評價(jià)的重要指標(biāo)，從其外觀性狀可以判斷其原生植物（動(dòng)物等）品種、生長年限、品質(zhì)等。然而，目前對于中藥外觀性狀的評價(jià)仍通過肉眼觀察、口嘗、鼻聞等方法來進(jìn)行，不可避免地會(huì)因一些主觀因素對鑒定結(jié)果的客觀性與可靠性產(chǎn)生影響?；谶@種情況，很多學(xué)者提出通過機(jī)器視覺、電子鼻、電子舌等現(xiàn)代技術(shù)對中藥飲片的形、色、氣、味等性狀信息進(jìn)行量化，客觀化表達(dá)人工鑒別的主觀經(jīng)驗(yàn)，用以鑒別中藥飲片[1]。當(dāng)下大數(shù)據(jù)技術(shù)發(fā)展迅速，且已廣泛應(yīng)用于農(nóng)業(yè)、醫(yī)療、教育、能源、國防、金融等諸多領(lǐng)域。引入大數(shù)據(jù)技術(shù)對中藥飲片數(shù)據(jù)采集過程中積累形成的大量外觀性狀數(shù)據(jù)與內(nèi)在成分?jǐn)?shù)據(jù)結(jié)合（以下簡稱為“內(nèi)外結(jié)合”）起來進(jìn)行分析，建立其品質(zhì)與外在信息間的耦合關(guān)系，可對中藥飲片智能識(shí)別分類、產(chǎn)地智能分析推斷的實(shí)現(xiàn)及中藥質(zhì)量標(biāo)準(zhǔn)的建立提供理論依據(jù)。

1 現(xiàn)有技術(shù)方法存在的不足

1.1 智能感官技術(shù)的不足

1.1.1 數(shù)據(jù)缺乏完整性與準(zhǔn)確性 已有研究證明，中藥材的形、色、氣、味與其內(nèi)在成分含量具有一定關(guān)聯(lián)度，但是對其形、色、氣、味對應(yīng)的物質(zhì)基礎(chǔ)研究較少[1]，因此采用智能感官技術(shù)進(jìn)行鑒定缺乏與中藥材或飲片內(nèi)在成分的關(guān)聯(lián)，影響數(shù)據(jù)采集的完整性。智能感官技術(shù)，例如電子鼻、電子舌等，由于儀器自身限制或傳感器限制，對中藥材的敏感度有限，尤其對辨識(shí)度不高的中藥材檢測正確率較低[2]，導(dǎo)致人們對其品質(zhì)評判結(jié)果不能完全相信，從而極大地影響了人們的決策。

1.1.2 對多維數(shù)據(jù)缺乏整合 目前，智能感官技術(shù)在中藥性狀鑒別中的應(yīng)用也越來越廣泛，但大多數(shù)研究人員往往只依靠一兩種技術(shù)對中藥飲片的性狀進(jìn)行判定，多種分析技術(shù)的綜合應(yīng)用較少[3-6]，因此分析結(jié)果缺乏普適性，且各項(xiàng)技術(shù)得到的數(shù)據(jù)比較孤立，導(dǎo)致鑒別數(shù)據(jù)“各自為政”的現(xiàn)狀，積累的大量數(shù)據(jù)分布在各自的“信息孤島”中，未能得到整合與全面分析。而使用薄層色譜、液相色譜、質(zhì)譜等多種方法用于內(nèi)在成分的測定，獲取的數(shù)據(jù)具有一定的復(fù)雜度，與外觀性狀數(shù)據(jù)的相關(guān)性研究較少，因此對多維數(shù)據(jù)的集群整合及數(shù)據(jù)分析存在一定的難度。

1.2 內(nèi)在成分檢測方法的不足

理化鑒別中一般采用光譜、色譜、差熱分析等技術(shù)，即利用中藥分子內(nèi)部一些含氫基團(tuán)振動(dòng)的倍頻和合頻吸收來實(shí)現(xiàn)對中藥的快速鑒別，但其檢測結(jié)果多為定性判定，準(zhǔn)確度有所欠缺；且在實(shí)際操作過程中，針對樣本的測量需要大量有代表性且化學(xué)值已知的樣品建立模型，在這樣的情況下采用上述技術(shù)對小批量樣品進(jìn)行分析就顯得不太實(shí)際。此外，由于儀器狀態(tài)改變或標(biāo)準(zhǔn)樣品發(fā)生變化，所建模型也需要不斷更新，其穩(wěn)定性與適用性均難以估值，加之在試驗(yàn)過程中所用模型并不是通用的，每臺(tái)儀器的模型都不相同，又增加了使用的局限性。

2 中藥飲片“內(nèi)外結(jié)合”大數(shù)據(jù)庫的構(gòu)建

2.1 大數(shù)據(jù)處理流程簡介

大數(shù)據(jù)處理流程包括前期數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)處理與分析、數(shù)據(jù)可視化處理以及數(shù)據(jù)應(yīng)用幾個(gè)階段，即通過對多來源數(shù)據(jù)進(jìn)行整合，結(jié)合計(jì)算機(jī)學(xué)習(xí)算法對數(shù)據(jù)進(jìn)行分析預(yù)測，可得出用于展示交流的可視化圖像或圖形[7-8]，進(jìn)而進(jìn)行應(yīng)用，詳見圖1。

2.2 中藥飲片“內(nèi)外”數(shù)據(jù)采集

中藥飲片“內(nèi)外”數(shù)據(jù)是指外中藥飲片外觀性狀數(shù)據(jù)與內(nèi)在成分?jǐn)?shù)據(jù)，可利用多個(gè)數(shù)據(jù)來源渠道進(jìn)行采集，例如，使用電子鼻、電子舌等設(shè)備可對中藥材及飲片的形、色、氣、味等外觀性狀數(shù)據(jù)進(jìn)行實(shí)時(shí)采集；使用色譜（氣相色譜、薄層色譜、柱色譜、高效液相色譜等）、光譜（紫外、紅外等）、電泳、差熱分析等技術(shù)可確定中藥材及飲片的內(nèi)在成分?jǐn)?shù)據(jù)；還可檢索現(xiàn)有文獻(xiàn)知識(shí)庫中涉及到的相應(yīng)中藥飲片的數(shù)據(jù)記錄等。分析各類數(shù)據(jù)集合的關(guān)聯(lián)度，可構(gòu)建中藥飲片“內(nèi)外結(jié)合”大數(shù)據(jù)庫（如圖2所示），對所有結(jié)構(gòu)化與非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行存儲(chǔ)與管理，以便后續(xù)數(shù)據(jù)的查詢與處理。

2.3 數(shù)據(jù)預(yù)處理、處理與分析

由于不同來源的數(shù)據(jù)相互間易受到數(shù)據(jù)干擾產(chǎn)生噪聲，存在數(shù)據(jù)值缺失、數(shù)據(jù)錯(cuò)誤等問題[9]，因此需要對采集到的大量數(shù)據(jù)集合進(jìn)行預(yù)處理工作，以便為后續(xù)數(shù)據(jù)處理與分析階段提供準(zhǔn)確、無誤、真實(shí)、有效的數(shù)據(jù)，提高數(shù)據(jù)的整體質(zhì)量，保證結(jié)果預(yù)測的準(zhǔn)確性與可行性。具體操作包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)規(guī)約等。數(shù)據(jù)清理是指對于中藥飲片的外觀形、色、氣、味數(shù)據(jù)與內(nèi)在成分含量數(shù)據(jù)及文獻(xiàn)庫提及的所有數(shù)據(jù)進(jìn)行數(shù)據(jù)清理操作，包括數(shù)據(jù)過濾與修正[10-12]（如：對文獻(xiàn)中記載的重復(fù)性數(shù)據(jù)加以過濾）和數(shù)據(jù)的不一致性檢測（如：當(dāng)試驗(yàn)與文獻(xiàn)所得數(shù)據(jù)不完全一致時(shí)，應(yīng)多方求證，確保數(shù)據(jù)的準(zhǔn)確性、真實(shí)性）等。數(shù)據(jù)集成則是將不同來源的數(shù)據(jù)進(jìn)行集成（如：對內(nèi)在成分?jǐn)?shù)據(jù)進(jìn)行統(tǒng)一編碼，統(tǒng)一存儲(chǔ)格式，進(jìn)行歸一化操作等），形成統(tǒng)一的數(shù)據(jù)庫，以提高數(shù)據(jù)的完整性和可用性[13-15]。數(shù)據(jù)規(guī)約用在中藥飲片外觀形、色、氣、味數(shù)據(jù)與內(nèi)在成分含量數(shù)據(jù)處理中[如：使用主成分分析法（PCA）進(jìn)行數(shù)據(jù)降維，提取數(shù)據(jù)主要特征向量，旨在使用少數(shù)向量反映原始數(shù)據(jù)的特征，提高數(shù)據(jù)的價(jià)值密度]，以降低數(shù)據(jù)集規(guī)模。

數(shù)據(jù)分析是大數(shù)據(jù)處理與應(yīng)用的關(guān)鍵環(huán)節(jié)，決定了大數(shù)據(jù)集合的價(jià)值性和可用性，以及分析預(yù)測結(jié)果的準(zhǔn)確性。在數(shù)據(jù)分析環(huán)節(jié)，根據(jù)大數(shù)據(jù)應(yīng)用情境與決策需求選擇合適的數(shù)據(jù)分析技術(shù)，可提高大數(shù)據(jù)分析結(jié)果的可用性。

2.4 數(shù)據(jù)應(yīng)用

2.4.1 人工智能輔助中藥飲片真?zhèn)蝺?yōu)劣鑒別 中藥飲片的質(zhì)量鑒定是對中藥飲片真?zhèn)蝺?yōu)劣的檢驗(yàn)，而通過數(shù)據(jù)挖掘技術(shù)對中藥飲片“內(nèi)外結(jié)合”大數(shù)據(jù)庫進(jìn)行處理分析，結(jié)合神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，即可實(shí)現(xiàn)對其“真?zhèn)蝺?yōu)劣”的鑒別。如熏硫、炒制等傳統(tǒng)中藥炮制工藝[16-17]，對一些含糖量高但不易貯存的中藥飲片的使用和貯存均有一定的積極作用。而以炒制為例，不同炒制程度的中藥飲片具有不同的臨床療效，炒制溫度過低或過高都會(huì)影響有效成分的活性[18]，因此判斷適宜的炒制程度就顯得至關(guān)重要。有研究獲取不同炒制程度下的山楂“L*a*b*”顏色空間三維數(shù)值，其中L表示照度，a表示顏色從深綠色（低亮度值）到灰色（中亮度值）再到亮粉紅色（高亮度值），b表示顏色從亮藍(lán)色（低亮度值）到灰色（中亮度值）再到黃色（高亮度值）。將顏色數(shù)值與內(nèi)在含量變化數(shù)據(jù)進(jìn)行歸一化整合，應(yīng)用PCA法降維，根據(jù)人工神經(jīng)網(wǎng)絡(luò)（ANN）要求預(yù)設(shè)模型參數(shù)與反饋函數(shù)，確定最優(yōu)權(quán)值與輸出，建立外在性狀-內(nèi)在成分-炒制溫度的算法模型。以“性狀”數(shù)據(jù)作為ANN輸入自變量（X），不同炒制程度（生、炒、焦山楂）下內(nèi)在成分（有機(jī)酸、總黃酮、檸檬酸、金絲桃苷和5-羥甲基糠醛）的變化設(shè)為因變量（Y），結(jié)果該模型對3種不同炒制程度山楂的預(yù)測準(zhǔn)確度分別為98.9%、92.5%、98.3%，得出山楂最合適的炒制溫度為（150±5）℃；采用PCA法對上述預(yù)測結(jié)果進(jìn)行驗(yàn)證，結(jié)果得PC1=94.237%，PC2=4.533%，PC3=0.693%[19-20]?？梢?，該算法模型對不同炒制程度下的山楂具有很好的預(yù)測性能，可實(shí)現(xiàn)對炮制火候的控制檢測[30]，具體預(yù)測流程見圖3。

2.4.2 對中藥材產(chǎn)地進(jìn)行分析推斷 道地藥材是指在特定的自然條件和生態(tài)環(huán)境的區(qū)域內(nèi)所產(chǎn)的中藥材，其生產(chǎn)較為集中，具有特定的栽培技術(shù)和采收加工方法，質(zhì)優(yōu)效佳。鑒于不同產(chǎn)地的中藥材其功效可能有所差別，因此采用合理的檢測技術(shù)，并結(jié)合有效的分析方法來分辨中藥材產(chǎn)地顯得尤為重要。

基于大數(shù)據(jù)的中藥材產(chǎn)地判別，指在現(xiàn)有中藥材產(chǎn)地?cái)?shù)據(jù)之上進(jìn)行各種算法的計(jì)算[21]，如機(jī)器學(xué)習(xí)算法K均值（Kmeans）、支持向量機(jī)（SVM）算法、深度學(xué)習(xí)算法等[22-25]，形成不同算法模型，挖掘大數(shù)據(jù)集合中的數(shù)據(jù)關(guān)聯(lián)性，從而得到中藥材產(chǎn)地預(yù)測結(jié)果。陶夢琳等[26]收集多產(chǎn)地黃連樣本，采集“內(nèi)外”數(shù)據(jù)，建立了基于SVM算法的黃連飲片產(chǎn)地區(qū)別模型，實(shí)現(xiàn)了產(chǎn)地的區(qū)分，可用于分析同種藥材不同產(chǎn)地的差異。Yang SL等[27]采用實(shí)驗(yàn)室自助研發(fā)的機(jī)器視覺系統(tǒng)和AlphaMos公司研發(fā)的電子鼻、電子舌，分別獲取貝母樣品的“L*a*b*”顏色數(shù)值、18維氣味特征值與7維味道特征值；采用PCA法對多維數(shù)據(jù)進(jìn)行降維處理，采用SVM算法將不同產(chǎn)地貝母作為輸出變量，建立多層數(shù)學(xué)分析模型，用于判斷貝母飲片的不同產(chǎn)地。該算法通過強(qiáng)化學(xué)習(xí)不斷改變權(quán)值實(shí)現(xiàn)了對貝母“道地性”的鑒別，隨著訓(xùn)練數(shù)據(jù)的積累，預(yù)測的結(jié)果值不斷優(yōu)化，最終該模型的識(shí)別率達(dá)到了92.6%。試驗(yàn)中并分別用電子鼻與電子舌數(shù)據(jù)構(gòu)建PCA鑒別模型對上述結(jié)果進(jìn)行驗(yàn)證，表明該模型的鑒別效果較好[27]。整個(gè)數(shù)據(jù)處理環(huán)節(jié)以Matlab R2012a軟件進(jìn)行操作，具體識(shí)別流程見圖4。

此外，針對混合藥材如不同品種、不同年份或辨識(shí)度低的藥材飲片，也可通過訓(xùn)練海量數(shù)據(jù)與構(gòu)建機(jī)器學(xué)習(xí)模型來提升數(shù)據(jù)分析與預(yù)測的準(zhǔn)確性。

2.4.3 提高中藥飲片質(zhì)量控制標(biāo)準(zhǔn) 運(yùn)用數(shù)據(jù)挖掘工具對中藥飲片“內(nèi)外結(jié)合”大數(shù)據(jù)庫進(jìn)行分析，建立算法預(yù)測模型來分析其各部分?jǐn)?shù)據(jù)間的關(guān)系，有助于挖掘影響中藥飲片質(zhì)量的關(guān)鍵因素，進(jìn)而有助于中藥飲片質(zhì)量標(biāo)準(zhǔn)的規(guī)范化，從而提高對中藥飲片質(zhì)量的監(jiān)控與管理水平。

3 結(jié)語

隨著大數(shù)據(jù)技術(shù)在多個(gè)領(lǐng)域的廣泛應(yīng)用，數(shù)據(jù)挖掘在中藥中的應(yīng)用也越來越多。建立中藥飲片“內(nèi)外結(jié)合”大數(shù)據(jù)庫，可在整合海量數(shù)據(jù)的同時(shí)，結(jié)合機(jī)器學(xué)習(xí)算法挖掘數(shù)據(jù)潛力，并進(jìn)行廣泛應(yīng)用。例如，其可用于中藥真?zhèn)蝺?yōu)劣品質(zhì)的鑒別，實(shí)現(xiàn)人工智能識(shí)藥；對中藥產(chǎn)地進(jìn)行辨別區(qū)分，分析同種藥材不同產(chǎn)地的差異性，為道地藥材的鑒定提供借鑒；挖掘影響中藥飲片質(zhì)量的因素，為其質(zhì)量控制提供規(guī)范化標(biāo)準(zhǔn)，也為中藥飲片質(zhì)量監(jiān)控與管理提供依據(jù)。大數(shù)據(jù)技術(shù)能有效整合多維、多變的數(shù)據(jù)，減少因信息單一而引致的錯(cuò)誤判斷，從而可為中藥行業(yè)的現(xiàn)代化發(fā)展提供有力支撐。

中藥飲片外觀性狀與內(nèi)在成分?jǐn)?shù)據(jù)是對其客觀化評價(jià)的重要衡量標(biāo)準(zhǔn)，然而在其大數(shù)據(jù)技術(shù)研究過程中仍然存在一定問題，例如，數(shù)據(jù)來源的真實(shí)性與完整性難以得到保證，或不同中藥飲片的外觀性狀數(shù)據(jù)未能全部獲得；在飲片多方數(shù)據(jù)缺失嚴(yán)重的情況下，容易造成數(shù)據(jù)轉(zhuǎn)換率折損、利用率較低等情況。隨著當(dāng)前人工智能技術(shù)的普及，引入深度學(xué)習(xí)方法對海量數(shù)據(jù)進(jìn)行處理與分析，構(gòu)建數(shù)學(xué)模型，有助于提高分析精準(zhǔn)度及可靠性。應(yīng)用大數(shù)據(jù)技術(shù)準(zhǔn)確、高效地對中藥飲片“內(nèi)外”數(shù)據(jù)進(jìn)行挖掘，可為傳統(tǒng)中藥行業(yè)研究提供新思路，為中藥飲片客觀化發(fā)展提供新動(dòng)力。

參考文獻(xiàn)

[ 1 ] 趙雷蕾，周洋，黎茂. 基于數(shù)據(jù)化表達(dá)的中藥“形色氣味”研究進(jìn)展及思考[J]. 廣東藥學(xué)院學(xué)報(bào)，2015，31（5）：692-694.

[ 2 ] 黎江華，吳純潔，孫靈根，等. 基于機(jī)器視覺技術(shù)實(shí)現(xiàn)中藥性狀“形色”客觀化表達(dá)的展望[J]. 中成藥，2011，33（10）：1781-1784.

[ 3 ] 吳繼華，劉燕德，歐陽愛國. 基于機(jī)器視覺的種子品種實(shí)時(shí)檢測系統(tǒng)研究[J]. 傳感技術(shù)學(xué)報(bào)，2005，18（4）：742-744.

[ 4 ] 張俊雄，陳濤，于振東，等. 基于計(jì)算機(jī)視覺的新疆棉種顏色分選系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（10）：161-164.

[ 5 ] 常若葵，張偉玉，崔晶，等. 基于機(jī)器視覺的大米外特性評價(jià)[J].農(nóng)機(jī)化研究，2009，31（12）：149-151.

[ 6 ] 夏于芬，梁光平. 大數(shù)據(jù)背景下的中藥現(xiàn)代化[J].亞太傳統(tǒng)醫(yī)藥，2012，11（21）：1-3.

[ 7 ] CUI M， LI HY， HU XQ. Similarities between “big data” and traditional Chinese medicine information[J]. J Tradit Chin Med，2014， 34（4）：518-522.

[ 8 ] YEA SJ， SEONG B， JANG YJ， et al. A data mining approach to selecting herbs with similar efficacy：targeted selection methods based on medical subject headings[J]. J Ethnopharmacol，2016，8：27-34.

[ 9 ] 龍偉，邳馨，向劍，等. 中藥方劑網(wǎng)絡(luò)與中藥化學(xué)空間的構(gòu)建與分析[J]. 北京中醫(yī)藥大學(xué)學(xué)報(bào)，2011，34（11）：729-731.

[10] 陸愛軍，劉冰，劉海波，等. 中藥化學(xué)數(shù)據(jù)庫關(guān)聯(lián)規(guī)則的挖掘[J]. 計(jì)算機(jī)與應(yīng)用化學(xué)，2005，22（2）：108-112.

[11] GUO J， SHANG E，ZHAO J，et al. Data mining and frequency analysis for licorice as a “Two-Face” herbin Chinese formulae based on Chinese formulae database[J]. Phytomedicine，2014，21（11）：1281-1286.

[12] 向楊峰. 基于數(shù)據(jù)挖掘的新藥研發(fā)系統(tǒng)[D]. 北京：北京交通大學(xué)，2010.

[13] 付先軍. 基于數(shù)據(jù)挖掘技術(shù)探討治療肺系疾病方劑中藥物化學(xué)成分類別構(gòu)成及其配伍關(guān)系[J]. 中醫(yī)藥信息學(xué)，2013，20（1）：28-30.

[14] 李振皓，錢忠直，程翼宇. 基于大數(shù)據(jù)科技的中藥質(zhì)量控制技術(shù)創(chuàng)新戰(zhàn)略[J]. 中國中藥雜志，2015，40（17）：3374-3378.

[15] 龔蓓，蘇勵(lì)，董亮，等. 基于大數(shù)據(jù)的風(fēng)濕科常用中藥飲片腎毒性初探[J]. 上海中醫(yī)藥雜志，2015，49（3）：7-9.

[16] 曹婷婷， 孫志蓉， 楊春寧，等. 硫黃熏蒸中藥材的研究現(xiàn)狀分析[J]. 中國現(xiàn)代中藥，2016，18（5）：678-681.

[17] 李鐸. 硫熏中藥材快速檢測裝置設(shè)計(jì)研究[D]. 保定：河北大學(xué)，2016.

[18] 伍敏生. 硫熏對中藥飲片質(zhì)量的影響研究[J].中國中醫(yī)藥現(xiàn)代遠(yuǎn)程教育，2014，12（19）：158-159.

[19] 王洪建. 基于HSV顏色空間的一種車牌定位和分割方法[J]. 儀器儀表學(xué)報(bào)，2005，26（2）：371-373.

[20] XIE DS， PENG W， CHEN JC， et al. A novel method for the discrimination of hawthorn and its processed products using an intelligent sensory system and artificial neural networks[J]. Food Sci Biotechnol，2016，25（6）：1-6.

[21] 曾星翔. 通江銀耳志[M]. 北京：方志出版社，2010：8-15.

[22] 施學(xué)麗，鄧家剛，蔣筱，等. 195 首治療乳腺增生中藥專利復(fù)方的用藥規(guī)律分析[J]. 世界科學(xué)技術(shù)（中醫(yī)藥現(xiàn)代化），2013，15（7）：1544-1550.

[23] YANG M， JIAO LJ， CHEN PQ， et al. Complex systems entropy network and its application in data mining for Chinese medicine tumor clinics[J]. World Science Technology，2012，14（2）：1376-1384.

[24] CHU H， SUN P， YIN J，et al. Integrated network analysis reveals potentially novel molecular mechanisms and therapeutic targets of refractory epilepsies[J]. PloS One，2017，12（4）：e0174964.

[25] TAN C， XIE D， LIU Y， et al. Identification of different bile species and fermentation times of bile arisaema based on an intelligent electronic nose and least squares support vector machine[J]. Anal Chem，2018， 90（5）：3460-3466.

[26] 陶夢琳，顧文濤，侯珂惠，等. 基于支持向量機(jī)的“內(nèi)外結(jié)合”中藥質(zhì)量控制新模式探索[J]. 中國藥房，2016，27（1）：118-121.

[27] YANG SL， XIE SP， XU M， et al. A novel method for rapid discrimination of bulbus of Fritillaria by using electronic nose and electronic tongue technology[J]. Anal Methods，2015， 7（3）：943-952.

（收稿日期：2017-11-05 修回日期：2018-07-05）

（編輯：孫 冰）