基于仿生嗅觉的中药材鉴别的实现

【摘要】  目的 运用便携式电子鼻PEN3提取中药材挥发的气味信息来建立气味指纹图谱,达到鉴别不同中药材的目的。方法　采用主成分分析(PCA)法和线性判别分析(LDA)法识别八角、白豆蔻、川芎、丁香、荆芥、肉桂、砂仁等7种中药材。结果　采用PCA和LDA两种方法都能很好地区别以上7种中药材，识别率达到100%;PCA的分析图中每类样品主要呈带状分布、集中度不高，LDA分析中不同种类的中药材样品点的分布高度集中。结论 采用仿生嗅觉系统PEN3能够很好地鉴别不同品种的中药材，具有一定的实际意义和应用价值。

【关键词】  仿生嗅觉;主成分分析;线性判别分析;中药材

Abstract:Objective To differentiate varieties of Chinese herbal medicine based on bionic olfaction (an portable electronic nose PEN 3) from AIRSENSE Analytics GmbH in Germany,which could exploit information on behavior aroma of different Chinese herbal medicine.Methods Principal component analysis (PCA) and linear discriminant analysis (LDA) were used in order to investigate seven kinds of different Chinese herbal medicine such as star aniseseen,white round cardamom,Szechuan lovage rhizome,cloves,fineleaf Schizonepeta herb,cinnamon,amomum fruit,and so on.Results The results obtained proved that the electronic nose PEN 3 could successfully discriminate different Chinese herbal medicine using PCA analysis or LDA analysis. The system could classify all the samples. However,the distribution of concentration ratios of those samples discriminated by PCA analysis was lower than those by LDA analysis. Conclusion The results obtained proved that the electronic nose PEN 3 could successfully discriminate different Chinese herbal medicines. The technology and method showed value in application.

　　Key words:bionic olfaction; principal component analysis (PCA); linear discriminant analysis (LDA); Chinese herbal medicine

　　目前，国内外研究中药材指纹图谱的主要技术包括薄层色谱(TLC)指纹图谱、高效液相色谱(HPLC)指纹图谱、气相色谱(GC)指纹图谱、电泳法(CE)指纹图谱、高效毛细管电泳色谱(HPCE)指纹图谱、红外光谱(IR)指纹图谱、紫外分光光度(UV)指纹图谱、核磁共振(NMR)指纹图谱、质谱(MS)指纹图谱等，联用技术最常用的是液-质联用(LC?MS)和气-质联用(GC?MS)[1-5]。现行的指纹图谱技术大多是建立只对中药材的单个指标成分进行控制，不能有效地全面评价中药材整体内在质量。

　　随着材料科学和电子信息技术的发展，国际上仿生嗅觉系统(俗称“电子鼻”)的开发研制获得快速发展并进入实用阶段。仿生嗅觉技术的长处在于能快速准确地对气味进行定性分析，目前主要应用在环境控制、医疗诊断和食品工业中[6,7]。本文提出采用仿生嗅觉技术对中药材进行气味指纹图谱研究，采用仿生嗅觉技术来模拟动物的嗅觉功能，采用“嗅闻”方法对中药材的气味进行全面整体检测，利用仿生嗅觉的阵列传感检测技术，提取中药材挥发的气味信息来建立气味指纹图谱,达到鉴别不同中药材的目的。

　　1 中药材的仿生嗅觉检测实验

　　仿生嗅觉的气味指纹图谱是新开拓的中药材指纹图谱构建方法，其仪器特点是模拟动物的嗅觉功能，采用“闻”的方法进行气味检测，并运用现代数据分析方法形成气味指纹图谱。仿生嗅觉系统主要是由三大部分组成：传感器阵列、信号预处理电路、计算机模式识别系统。工作原理见图1[8]。

        1.1 实验设备

　　实验中仿生嗅觉系统的检测仪器是由德国AIRSENSE公司制造的PEN3便携式电子鼻(Portable Electronic Nose)(见图2)。PEN3电子鼻是一种用来检测气体和蒸汽的小巧、快捷、高效的检测系统，经过训练后可以很快辨别单一化合物或者混合气体，通过运用不同的模式识别算法，系统可以扩大它的应用范围。

　　PEN3电子鼻系统主要包含下面几个部分：传感器通道、采样通道和计算机，PEN3的测量室体积小巧，内置10个金属氧化气体传感器，组成一个传感器阵列(其功用见表1)。特殊的内置流量调节器确保其能够在恶劣的条件下平稳采样。根据最新技术成果开发的自校正系统使得电子鼻能长时间稳定工作。内置的检测气发生器、传感器的校正功能等在需要时都可以使用。由于其独特的采样策略和采样装置，PEN3既可用于实验室检测，也可进行在线过程控制或者环境检测应用等。表1 PEN3 的传感器及主要用途

　　阵列序号传感器名称性能描述选择性灵敏度/(mg·L-1)s1W1C芳香成分甲苯10s2W5S灵敏度大，对氮氧化合物很灵敏NO21s3W3C氨水，对芳香成分灵敏苯10s4W6S主要对氢气有选择性H2100s5W5C烷烃，芳香成分丙烷1s6W1S对甲烷灵敏CH4100s7W1W对硫化物灵敏H2S1s8W2S对乙醇灵敏乙醇100s9W2W芳香成分，对有机硫化物灵敏H2S1s10W3S对烷烃灵敏CH410

　　1.2 实验过程

　　实验材料：八角、白豆蔻、川芎、丁香、荆芥、肉桂、砂仁等。

　　设置或记录实验参数：实验室温度27.5 ℃，相对湿度82%，样品瓶容量250 mL，顶空生成时间30 min，连续采样12次。

　　将PEN3电子鼻与电脑连接好后，运行其配套软件WinMuster。首先设定电子鼻的各检测参数，如采样及清洗时间等;然后选择保存检测结果的文件夹及路径，并为每个待测的样品按一定规则命名，即可开始检测。样品进气流量均设置为400 mL，采样时间为60 s，传感器漂洗时间为180 s。

　　2 实验分析

　　中药指纹图谱有几个特点：一是通过指纹图谱的特征性，能有效鉴别样品的真伪或产地;二是通过指纹图谱主要特征峰的面积、比例、或特定的模式组合的鉴定，能有效控制产品的质量，确保产品质量的相对一致;三是指纹图谱的稳定性、重现性和再现性，由药材的标准化和图谱采集环境(分析测试手段)两方面决定;四是指纹图谱的有效性，应与中药组效相联系，并且在统计学上其数据有鉴别意义，中药标本选取原则应体现中药材样品科、种、属间差异及道地药材、产地、采收期、炮制品的差异，并具有一定稳定性(应为法定标准或符合GAP)，抽样量应能保证代表该品种的样本总体。建立中药指纹图谱时，要进行严格的样品提取方法。

　　利用仿生嗅觉技术构建的气味指纹图谱，不强调中药材个体的气味绝对唯一性(个体特异性)，而强调同一药材物种群体的相似性，即物种群体内的唯一性(共有特征性)。由于环境因素形成的同品种个体之间的某些差异是正常的，其气味表征当然会有所差别，但这种差别不是本质上的，也就是说同品种的气味指纹图谱应该相似而不是相同。“整体性”和“模糊性”是气味指纹图谱的基本属性，指纹图谱的相似性是通过其基本属性的气味特征体现的[9]。

　　2.1 传感器响应谱

　　通常认为，电子鼻内某一传感器i对气味j的响应为一时变信号Vij(t)。由n个传感器组成的阵列对气味j的响应是n维状态空间的一个矢量Vj，写成向量形式为Vj= (V1,j,V2,j,…,Vn,j)。为了有效地获取PEN3电子鼻系统所测量出来的实验数据(PEN3电子鼻自动生成以.nos为扩展名的数据文件)，作者采用MATLAB7.0软件，编写了一个电子鼻数据读取的函数function[fileinfo,channel,method,sensor_data]=read_NOS_data(path,filename)，通过建立主文件中输入相应的路径与文件名(path,filename)就可以读取该文件下的10个传感器的10列测量数据。利用类似的方法，读取不同样本进行实验所得到的数据并画出传感器的响应图。图3(见封三)分别给出了7种中药材样本的第10次气味指纹图谱和电子鼻各传感器的响应信号曲线变化情况。图中横轴为响应时间，纵轴为各传感器在样品挥发性成分顶空气体中的电导(G)与纯净空气中的电导(G0)的比值G/G0;

　以八角为例的部分代码如下：

　　fid=fopen(′F:/data_20090525八角原料八角原料0010.nos′);

　　path=′F:/data_20090525八角原料′;

　　filename=′八角原料0010.nos′;

　　[fileinfo,channel,method,sensor_data]=read_NOS_data(path,filename);

　　hold on

　　subplot(2,4,1);

　　plot(sensor_data);

　　axis([0 62 0 2.5]);

　　xlabel(′采样时间t′);ylabel(′传感器响应值G/G0′);

　　title(′八角原料0010′);

　　由图3可以看出，传感器s1、s3和s5属于负向型金属氧化物传感器，其G与G0的比值一般均小于1，为便于比较分析，将程序中的这三个传感器的数据进行进一步处理，亦即将这三个传感器的响应值改为G0/G。传感器1至传感器10分别用s1至s10来表示，部分代码如下：

　　s1=1./sensor_data(:,1); %% s1传感器的响应值以G0/G表示

　　s2=sensor_data(:,2); %% s2传感器的响应值以G/G0表示

　　……

　　s10=sensor_data(:,10);%% s2传感器的响应值以G/G0表示

　　效果图如图4(见封三)所示。从图中可以看出，各传感器在前10　s之内，对不同样品响应区别不大;然后随着采样时间推移，响应区别逐渐明显。各传感器的响应是样本中挥发性成分的组成及相应的浓度不同而综合作用的结果。

　　2.2 模式识别

　　2.2.1 模式建立 实验中每种样品都采用连续采样12次。考虑到传感器测量的稳定性(因为每个传感器达到稳定均需要一定的时间，所以前5次采样所得到的数据有可能还没有足够达到稳定状态)，选用第6次至第10次采样得到的5个文件中40～50 s的55个数据向量(由10个传感器的数据构成的10维向量)。

　　2.2.2 特征提取 根据被识别的对象产生出一组基本特征，它可以是计算出来的，也可以是用仪表或传感器测量出来的，这样的特征称为原始特征。原始特征的数量可能很大，甚至会造成“维数灾难”，这种情况下，为提高计算效率，需要在尽量不丢失对分类有用信息的前提下，对原始特征进行合理的选择，产生出对分类识别最有效、数目最少的特征，以降低维数，这就是特征提取的基本任务。在此对电子鼻的响应信号进行分析，生成与中草药气味相关的原始特征空间。假设使用s个传感器，每个传感器的特征变量有q个，那么原始的特征空间的维数为m=sq。在电子鼻各传感器的响应信号中，依据各特征提取与选择方法，找出最合适的特征数，以实现最好的分类结果。PEN3电子鼻采用10个传感器来进行测量，因此全部采用的话会造成数据冗余太多，影响识别的实时性。通过MATLAB7.0软件编写程序，得到10个传感器分别对7类样本第10次采样的响应曲线，由此选出合适数量的传感器，达到既能进行有效识别又能节约运算成本的目的。由图5(见封三)可知，传感器4，8，10的响应曲线基本不变，对各类样品的响应差别非常小，因此对不同样本的区分基本没有贡献，可以去除这三个传感器的数据，达到数据降维的目的。

　　2.2.3 模式分析 对7种不同品种的中药材样品的原始特征参数进行主成分分析(PCA分析)，前2个主成分的累积方差贡献率已经超过85%，达到Variance:99.338%，其中第一个main axis方差贡献率:95.886%，第二个main axis方差贡献率:3.451 8%。根据由前2个主成分的得分值可画出7种不同品种中药材的二维分布图，如图6(见封三)所示，其中每一个点代表一个样本。可见通过PCA分析就能够将所有样品分开，不过图中每类样品主要呈带状分布、集中度不是很高。

　　对7种不同品种的中药材样品的原始特征参数进行线性判别分析(LDA分析)，前2个主成分的累积方差贡献率也超过85%，达到Variance:93.488%，其中第一个main axis方差贡献率:78.761%，第二个main axis方差贡献率:14.726%。根据由前2个主成分的得分值可画出7种不同品种中药材的二维分布图，如图7(见封三)所示，其中每一个点代表一个样本。可见通过LDA分析也同样能够将所有样品分开，并且图中每类样品主要呈点状分布、集中度比PCA方法高很多。

　　3 讨 论

　　本文进行的是不同品种的中药材识别，由于不同品种的气味信息差别比较大，鉴别不同中药材相对比较容易，所以无论采用PCA分析还是采用LDA分析方法，都能很好地区别这7种不同中药材。由于同一品种的不同地域、不同采收期的中药材样品准备比较困难，因此对于同一品种的不同地域、不同采收期的中药材指纹图谱的建立还有待进后进一步的深入研究。

【参考文献】
  　　[1] 韩凤梅,蔡敏,陈勇.中药指纹图谱技术研究现状[J].分析科学学报,2004,20(6): 647-651.

　　[2] 谢培山.中药材制剂色谱指纹图谱(图像)鉴别[J].中成药,2000,22 (6):391-395.

　　[3] 王天松.毛细管电泳法与中草药指纹图谱[J].中成药,2000,22(6):397-399.

　　[4] 杜英峰,张兰桐.现代分离分析技术在中药材研究中的应用[J].河北医科大学学报,2005,26(1):71-73.

　　[5] 严琳,高健,侯莉莉.中药指纹图谱的方法学研究概述[J].泸州医学院学报,2004,27(1):87-89.

　　[6] KELLER P E,KANGAS L J,LIDEN L H,et al. Electronic noses and their applications[C]// Proceedings of the IEEE Technical Applications Conference (TAC′95) at Northcon′95. Portland:Oregon,1995:116-120.

　　[7] SCHALLER E,BOSSET J O,ESCHER F.“Electronic noses” and their application to food: a review[J]. Food Sci Technol Lebensm Wiss Technol,1998,31(4):305-316.

　　[8] 邹宇华.岭南中草药分类鉴别的机器嗅觉实现方法研究[D].广州：广东工业大学，2009.

　　[9] 许广桂.基于仿生嗅觉的中药材气味指纹图谱研究[D].广州：广东工业大学，2008.