基于電子鼻和人工神經(jīng)網(wǎng)絡(luò)的沉香與沉香曲鑒別

李志遠(yuǎn)，舒涵，靳夢(mèng)亞，張媛*

1.北京積水潭醫(yī)院，北京 100035；2.北京中醫(yī)藥大學(xué)，北京 100029；3.北京中醫(yī)藥大學(xué) 東方醫(yī)院 藥學(xué)部，北京 100078

沉香來(lái)源于瑞香科植物白木香Aquilariasinensis(Lour.) Gilg含樹(shù)脂的木材，具有行氣止痛、溫中止嘔、納氣平喘等功效，主要用于治療胸腹脹悶、胃寒嘔吐、腎虛氣逆[1]，是產(chǎn)于中國(guó)及東南亞國(guó)家的傳統(tǒng)名貴藥材和天然香料。沉香曲為中藥復(fù)方制劑，由沉香、木香、姜厚樸、豆蔻等20余種藥物組成，具有疏表化滯、舒肝和胃的功效[2]，在臨床上較為常用。

沉香在臨床使用中常粉碎為沉香粉。而完整的沉香曲雖為黃棕色小塊，但其質(zhì)脆，受外力碾壓或久儲(chǔ)于藥斗內(nèi)易破碎為與沉香粉外觀相似的黃棕色粉末。兩者除氣味不同外，其余性狀極為相似。目前對(duì)沉香曲的研究很少，只有許紅莉等[3]對(duì)沉香曲中部分成分的含量進(jìn)行測(cè)定。除此之外未見(jiàn)到對(duì)沉香曲所含化學(xué)成分的研究或進(jìn)行性狀、顯微和理化鑒別分析的報(bào)道。

電子鼻技術(shù)是采用多級(jí)氣味傳感器陣列模擬生物體嗅覺(jué)細(xì)胞功能的仿生技術(shù)[4]，近年在中藥鑒定領(lǐng)域得到越來(lái)越廣泛的應(yīng)用[5-7]。其預(yù)處理簡(jiǎn)單、靈敏度高且具有獲取樣品氣味整體信息的能力，在鑒別如沉香曲這類氣味獨(dú)特但組成復(fù)雜、物質(zhì)基礎(chǔ)研究薄弱的藥物時(shí)，較傳統(tǒng)的顯微和理化等方法具有獨(dú)特優(yōu)勢(shì)。人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks)是模仿人大腦神經(jīng)網(wǎng)絡(luò)建立的一類數(shù)學(xué)模型，廣泛應(yīng)用于模式識(shí)別、預(yù)測(cè)估計(jì)等問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)常作為模式識(shí)別方法，與電子鼻配合工作。并且不同的神經(jīng)網(wǎng)絡(luò)也對(duì)電子鼻的性能有不同的影響[8]。

本研究采用電子鼻技術(shù)檢測(cè)沉香和沉香曲的氣味，并利用徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network，GRNN)和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural networks，PNN)3種人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)電子鼻檢測(cè)數(shù)據(jù)進(jìn)行識(shí)別和判斷，利用沉香和沉香曲氣味的不同對(duì)兩者進(jìn)行快速有效的區(qū)分，同時(shí)為日后通過(guò)氣味鑒別沉香、沉香曲及其各自偽劣品(如使用偽品沉香制作的沉香曲等)提供參考。

1 材料

在不同地區(qū)收集沉香樣品共8份，經(jīng)北京中醫(yī)藥大學(xué)張媛教授鑒定均為瑞香科植物白木香Aquilariasinensis(Lour.) Gilg含樹(shù)脂的木材。收集5個(gè)不同批次沉香曲(杭州胡慶余堂藥業(yè)有限公司)樣品共9份。在沉香和沉香曲樣品中分別隨機(jī)選取1～2份樣品作為驗(yàn)證組，其余樣品為訓(xùn)練組。沉香樣品、沉香曲樣品及分組信息見(jiàn)表1～2。

FOX 3000型電子鼻(法國(guó)阿爾法莫斯儀器公司)；頂空進(jìn)樣瓶(10 mL)；藥典篩(二～四號(hào))；BSI10S型電子天平(北京賽多利斯儀器有限公司)；銅舂等；SPSS 20軟件(美國(guó)IBM公司)；Matlab 2019a軟件(美國(guó)MathWorks公司)。

表1 沉香樣品信息

表2 沉香曲樣品信息

2 方法與結(jié)果

2.1 電子鼻檢測(cè)方法建立

對(duì)進(jìn)樣量和孵化時(shí)間進(jìn)行單因素考察。根據(jù)FOX 3000型電子鼻適宜的響應(yīng)值范圍，確定進(jìn)樣量和孵化時(shí)間分別為500 μL和300 s。

在單因素考察的基礎(chǔ)上，以沉香電子鼻檢測(cè)的最大響應(yīng)值為指標(biāo)，對(duì)樣品粉碎后過(guò)篩篩號(hào)(A)、檢測(cè)樣品量(B)、孵化溫度(C)進(jìn)行正交試驗(yàn)考察，建立3因素3水平正交試驗(yàn)因素水平表，見(jiàn)表3。

表3 電子鼻正交試驗(yàn)因素水平

使用SPSS 20軟件對(duì)正交試驗(yàn)結(jié)果進(jìn)行分析。對(duì)所有電子鼻傳感器，沉香氣味檢測(cè)顯著因素的主次順序均為C、A、B，沉香氣味電子鼻最佳檢測(cè)條件為A1B3C3，結(jié)果見(jiàn)表4。

在穩(wěn)定性試驗(yàn)中，發(fā)現(xiàn)電子鼻響應(yīng)值在樣品封入頂空進(jìn)樣瓶后4 h內(nèi)保持穩(wěn)定，超過(guò)4 h后電子鼻響應(yīng)值及RSD均增大。

表4 正交實(shí)驗(yàn)結(jié)果分析

最終確立的檢測(cè)方法為沉香與沉香曲樣品經(jīng)粉碎后過(guò)二號(hào)藥典篩；樣品量為0.150 g。電子鼻參數(shù)為數(shù)據(jù)采集周期：1 s；數(shù)據(jù)采集時(shí)間：120 s；進(jìn)樣量500 μL；攪拌速度：250 r·min-1；孵化時(shí)間300 s；孵化溫度65 ℃。檢測(cè)應(yīng)在樣品封入頂空進(jìn)樣瓶后4 h 內(nèi)完成。每份樣品重復(fù)操作3次。沉香氣味電子鼻響應(yīng)曲線以樣品C3為例，見(jiàn)圖1，沉香曲味電子鼻響應(yīng)曲線以樣品Q2為例，見(jiàn)圖2。

圖1 沉香氣味電子鼻特征圖譜

圖2 沉香曲氣味電子鼻特征圖譜

2.2 電子鼻數(shù)據(jù)預(yù)處理方式及模式識(shí)別方法篩選

取所有12根電子鼻傳感器各自的最大響應(yīng)值作為原始數(shù)據(jù)，利用Matlab 2019a軟件對(duì)訓(xùn)練組和驗(yàn)證組數(shù)據(jù)進(jìn)行[-1，1]的歸一化處理。

RBF是一種由輸入層，隱含層和輸出層構(gòu)成的3層前饋型神經(jīng)網(wǎng)絡(luò)。其基本思想是在隱含層對(duì)輸入信號(hào)進(jìn)行變換，將低維的輸入數(shù)據(jù)變換到高維空間中，使在低維空間內(nèi)線性不可分的問(wèn)題在高維空間中線性可分。RBF網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練簡(jiǎn)潔的特點(diǎn)使其廣泛應(yīng)用于模式識(shí)別，圖形處理等領(lǐng)域。

GRNN是一種由輸入層、模式層、求和層和輸出層等4層構(gòu)成的徑向基神經(jīng)網(wǎng)絡(luò)。GRNN神經(jīng)網(wǎng)絡(luò)高度的容錯(cuò)性和魯棒性使其非常適于解決非線性問(wèn)題，同時(shí)其在訓(xùn)練組樣本量較少時(shí)也能收到較好的預(yù)測(cè)效果。

PNN也是一種基于RBF網(wǎng)絡(luò)，由輸入層、模式層、求和層和輸出層4層構(gòu)成的前向神經(jīng)網(wǎng)絡(luò)。其理論基礎(chǔ)是貝葉斯決策理論。與傳統(tǒng)的前向神經(jīng)網(wǎng)絡(luò)相比，PNN神經(jīng)網(wǎng)絡(luò)更專注于解決模式分類問(wèn)題。

使用Matlab 2019a軟件分別利用訓(xùn)練組的原始數(shù)據(jù)、歸一化數(shù)據(jù)，以多個(gè)不同的擴(kuò)展系數(shù)(SPREAD)值訓(xùn)練建立RBF、GRNN和PNN。之后利用訓(xùn)練好的相應(yīng)神經(jīng)網(wǎng)絡(luò)對(duì)驗(yàn)證組的原始數(shù)據(jù)、歸一化數(shù)據(jù)進(jìn)行驗(yàn)證。結(jié)果見(jiàn)表5。

3種神經(jīng)網(wǎng)絡(luò)經(jīng)參數(shù)優(yōu)化后均可成功識(shí)別驗(yàn)證組，最佳正確率均達(dá)100%。其中GRNN在不同數(shù)據(jù)預(yù)處理方式和不同參數(shù)條件下對(duì)驗(yàn)證組的正確率均達(dá)100%。

3 討論

數(shù)據(jù)歸一化是訓(xùn)練建立人工神經(jīng)網(wǎng)絡(luò)時(shí)常用的一種數(shù)據(jù)預(yù)處理方法。其目的是消除各維數(shù)據(jù)間的數(shù)據(jù)級(jí)差別，避免因數(shù)據(jù)級(jí)差別較大而造成的誤差。但在本研究的3種人工神經(jīng)網(wǎng)絡(luò)中，絕大多數(shù)參數(shù)條件下原始數(shù)據(jù)的正確率均高于或不低于歸一化數(shù)據(jù)，其原因?yàn)槌料闩c沉香曲氣味的電子鼻原始數(shù)據(jù)均在-1～1，無(wú)需再利用歸一化方法來(lái)使各變量無(wú)量綱化并縮小到一定范圍。在這種情況下進(jìn)行歸一化反而容易使原始數(shù)據(jù)中的信息丟失，造成對(duì)驗(yàn)證組分類正確率下降。

GRNN和PNN均為基于RBF改進(jìn)而來(lái)。PNN專注于解決模式分類問(wèn)題。GRNN也在逼近能力和學(xué)習(xí)速度上較RBF更具優(yōu)勢(shì)。兩者在絕大多數(shù)參數(shù)條件下對(duì)驗(yàn)證組的識(shí)別正確率均高于或等于RBF，體現(xiàn)了兩者相對(duì)于RBF的優(yōu)勢(shì)。GRNN在不同數(shù)據(jù)預(yù)處理方式和不同參數(shù)條件下對(duì)驗(yàn)證組的正確率均達(dá)100%，體現(xiàn)了其在訓(xùn)練組樣本量相對(duì)較少時(shí)較強(qiáng)的分類能力。

表5 人工神經(jīng)網(wǎng)絡(luò)驗(yàn)證組正確率 %

使用Matlab 2019a軟件建立RBF、GRNN和PNN 3種人工神經(jīng)網(wǎng)絡(luò)時(shí)均只需要對(duì)其擴(kuò)展系數(shù)進(jìn)行調(diào)整，其值應(yīng)足夠大，但太大的擴(kuò)展系數(shù)又會(huì)導(dǎo)致數(shù)值計(jì)算上的困難[9]。所以在應(yīng)用時(shí)可使用電子鼻原始數(shù)據(jù)，以默認(rèn)擴(kuò)展系數(shù)1.0建立GRNN對(duì)沉香和沉香曲進(jìn)行鑒別。

本研究利用電子鼻技術(shù)直接對(duì)沉香與沉香曲的氣味進(jìn)行鑒別，具有準(zhǔn)確率高、快速、客觀性強(qiáng)等優(yōu)點(diǎn)。同時(shí)為沉香與沉香曲的鑒別提供了一個(gè)有別于傳統(tǒng)顯微、理化鑒定的新方法，為通過(guò)氣味鑒別沉香、沉香曲及其各自偽劣品，如使用偽品沉香或未使用沉香制作的沉香曲等提供了參考，并為鑒別其他物質(zhì)基礎(chǔ)研究薄弱的中藥提供了一種新思路。