基于電子鼻和人工神經網絡的沉香與沉香曲鑒別

李志遠，舒涵，靳夢亞，張媛*

1.北京積水潭醫院，北京 100035；2.北京中醫藥大學，北京 100029；3.北京中醫藥大學 東方醫院 藥學部，北京 100078

沉香來源于瑞香科植物白木香Aquilariasinensis(Lour.) Gilg含樹脂的木材，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]，是產于中國及東南亞國家的傳統名貴藥材和天然香料。沉香曲為中藥復方制劑，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，但其質脆，受外力碾壓或久儲于藥斗內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。目前對沉香曲的研究很少，只有許紅莉等[3]對沉香曲中部分成分的含量進行測定。除此之外未見到對沉香曲所含化學成分的研究或進行性狀、顯微和理化鑒別分析的報道。

電子鼻技術是采用多級氣味傳感器陣列模擬生物體嗅覺細胞功能的仿生技術[4]，近年在中藥鑒定領域得到越來越廣泛的應用[5-7]。其預處理簡單、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特但組成復雜、物質基礎研究薄弱的藥物時，較傳統的顯微和理化等方法具有獨特優勢。人工神經網絡(artificial neural networks)是模仿人大腦神經網絡建立的一類數學模型，廣泛應用于模式識別、預測估計等問題。人工神經網絡常作為模式識別方法，與電子鼻配合工作。并且不同的神經網絡也對電子鼻的性能有不同的影響[8]。

本研究采用電子鼻技術檢測沉香和沉香曲的氣味，并利用徑向基函數(radial basis function，RBF)神經網絡、廣義回歸神經網絡(generalized regression neural network，GRNN)和概率神經網絡(probabilistic neural networks，PNN)3種人工神經網絡技術對電子鼻檢測數據進行識別和判斷，利用沉香和沉香曲氣味的不同對兩者進行快速有效的區分，同時為日后通過氣味鑒別沉香、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

在不同地區收集沉香樣品共8份，經北京中醫藥大學張媛教授鑒定均為瑞香科植物白木香Aquilariasinensis(Lour.) Gilg含樹脂的木材。收集5個不同批次沉香曲(杭州胡慶余堂藥業有限公司)樣品共9份。在沉香和沉香曲樣品中分別隨機選取1～2份樣品作為驗證組，其余樣品為訓練組。沉香樣品、沉香曲樣品及分組信息見表1～2。

FOX 3000型電子鼻(法國阿爾法莫斯儀器公司)；頂空進樣瓶(10 mL)；藥典篩(二～四號)；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IBM公司)；Matlab 2019a軟件(美國MathWorks公司)。

表1 沉香樣品信息

表2 沉香曲樣品信息

2 方法與結果

2.1 電子鼻檢測方法建立

對進樣量和孵化時間進行單因素考察。根據FOX 3000型電子鼻適宜的響應值范圍，確定進樣量和孵化時間分別為500 μL和300 s。

在單因素考察的基礎上，以沉香電子鼻檢測的最大響應值為指標，對樣品粉碎后過篩篩號(A)、檢測樣品量(B)、孵化溫度(C)進行正交試驗考察，建立3因素3水平正交試驗因素水平表，見表3。

表3 電子鼻正交試驗因素水平

使用SPSS 20軟件對正交試驗結果進行分析。對所有電子鼻傳感器，沉香氣味檢測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條件為A1B3C3，結果見表4。

在穩定性試驗中，發現電子鼻響應值在樣品封入頂空進樣瓶后4 h內保持穩定，超過4 h后電子鼻響應值及RSD均增大。

表4 正交實驗結果分析

最終確立的檢測方法為沉香與沉香曲樣品經粉碎后過二號藥典篩；樣品量為0.150 g。電子鼻參數為數據采集周期：1 s；數據采集時間：120 s；進樣量500 μL；攪拌速度：250 r·min-1；孵化時間300 s；孵化溫度65 ℃。檢測應在樣品封入頂空進樣瓶后4 h 內完成。每份樣品重復操作3次。沉香氣味電子鼻響應曲線以樣品C3為例，見圖1，沉香曲味電子鼻響應曲線以樣品Q2為例，見圖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 電子鼻數據預處理方式及模式識別方法篩選

取所有12根電子鼻傳感器各自的最大響應值作為原始數據，利用Matlab 2019a軟件對訓練組和驗證組數據進行[-1，1]的歸一化處理。

RBF是一種由輸入層，隱含層和輸出層構成的3層前饋型神經網絡。其基本思想是在隱含層對輸入信號進行變換，將低維的輸入數據變換到高維空間中，使在低維空間內線性不可分的問題在高維空間中線性可分。RBF網絡結構簡單，訓練簡潔的特點使其廣泛應用于模式識別，圖形處理等領域。

GRNN是一種由輸入層、模式層、求和層和輸出層等4層構成的徑向基神經網絡。GRNN神經網絡高度的容錯性和魯棒性使其非常適于解決非線性問題，同時其在訓練組樣本量較少時也能收到較好的預測效果。

PNN也是一種基于RBF網絡，由輸入層、模式層、求和層和輸出層4層構成的前向神經網絡。其理論基礎是貝葉斯決策理論。與傳統的前向神經網絡相比，PNN神經網絡更專注于解決模式分類問題。

使用Matlab 2019a軟件分別利用訓練組的原始數據、歸一化數據，以多個不同的擴展系數(SPREAD)值訓練建立RBF、GRNN和PNN。之后利用訓練好的相應神經網絡對驗證組的原始數據、歸一化數據進行驗證。結果見表5。

3種神經網絡經參數優化后均可成功識別驗證組，最佳正確率均達100%。其中GRNN在不同數據預處理方式和不同參數條件下對驗證組的正確率均達100%。

3 討論

數據歸一化是訓練建立人工神經網絡時常用的一種數據預處理方法。其目的是消除各維數據間的數據級差別，避免因數據級差別較大而造成的誤差。但在本研究的3種人工神經網絡中，絕大多數參數條件下原始數據的正確率均高于或不低于歸一化數據，其原因為沉香與沉香曲氣味的電子鼻原始數據均在-1～1，無需再利用歸一化方法來使各變量無量綱化并縮小到一定范圍。在這種情況下進行歸一化反而容易使原始數據中的信息丟失，造成對驗證組分類正確率下降。

GRNN和PNN均為基于RBF改進而來。PNN專注于解決模式分類問題。GRNN也在逼近能力和學習速度上較RBF更具優勢。兩者在絕大多數參數條件下對驗證組的識別正確率均高于或等于RBF，體現了兩者相對于RBF的優勢。GRNN在不同數據預處理方式和不同參數條件下對驗證組的正確率均達100%，體現了其在訓練組樣本量相對較少時較強的分類能力。

表5 人工神經網絡驗證組正確率 %

使用Matlab 2019a軟件建立RBF、GRNN和PNN 3種人工神經網絡時均只需要對其擴展系數進行調整，其值應足夠大，但太大的擴展系數又會導致數值計算上的困難[9]。所以在應用時可使用電子鼻原始數據，以默認擴展系數1.0建立GRNN對沉香和沉香曲進行鑒別。

本研究利用電子鼻技術直接對沉香與沉香曲的氣味進行鑒別，具有準確率高、快速、客觀性強等優點。同時為沉香與沉香曲的鑒別提供了一個有別于傳統顯微、理化鑒定的新方法，為通過氣味鑒別沉香、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，并為鑒別其他物質基礎研究薄弱的中藥提供了一種新思路。