中藥材貝母鑒別中太赫茲光譜技術(shù)的應(yīng)用,SCI醫(yī)學(xué)論文

中藥材貝母鑒別中太赫茲光譜技術(shù)的應(yīng)用,SCI醫(yī)學(xué)論文摘要：貝母是廣泛應(yīng)用于臨床實踐的中藥材，華而不實川貝母尤為貴重，存在摻假及偽冒現(xiàn)象，偽劣貝母會對用藥者的健康產(chǎn)生不良影響。太赫茲時域光譜(Terahertztimedomainspectroscopy)具有瞬態(tài)性、寬帶性、安全性和穿透性等很多優(yōu)越特性，近年來在藥食無損檢測領(lǐng)域特別活潑踴躍。以四種常見貝母(川貝母、平貝母、伊貝母、浙貝母)為研究對象，探究利用太赫茲時域光譜技術(shù)鑒別貝母品種的可行性。利用TAS7500TS太赫茲光譜系統(tǒng)采集貝母樣品在0.6～3.0THz范圍內(nèi)的光譜，并結(jié)合化學(xué)計量學(xué)方式方法進行預(yù)處理與建立分類模型。當(dāng)分類數(shù)量為二時，稱為二分類問題，當(dāng)分類數(shù)量超過二時稱為多分類問題。利用偏最小二乘判別分析(PLS-DA)建立四種貝母的二分類模型；使用Savitzky-Golay(S-G)平滑、多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(SNV)、移動平均、基線偏移校正(Baselineoffset)對原始光譜進行預(yù)處理，再采用主成分分析(PCA)對預(yù)處理后的數(shù)據(jù)進行降維，以減少數(shù)據(jù)運算量、簡化運算，最后建立隨機森林(RF)、支持向量機(SVM)、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)多分類模型。結(jié)果顯示：川-伊貝母二分類鑒別模型正確率為93.333%,平-浙貝母二分類鑒別模型正確率為98.333%,其他四種二分類鑒別模型正確率均為100%。對建立的多分類模型進行比照分析發(fā)現(xiàn)SVM結(jié)合SNV建模效果最好，華而不實川貝母正確率為95.349%,伊貝母正確率為96.552%,平貝母與浙貝母正確率均為100%,整體正確率高達97.490%。研究結(jié)果表示清楚利用太赫茲時域光譜技術(shù)鑒別不同品種貝母是可行的，并建立了分類效果較好的SNV-SVM多分類模型，為把控中藥材質(zhì)量提供一種新的手段，對維護中藥材市場的正常運轉(zhuǎn)具有重要的意義。本文關(guān)鍵詞語:太赫茲光譜技術(shù);母;二分類;多分類;Abstract：FritillaryiswidelyusedinclinicalpracticeofChinesemedicinalmaterials,especiallyFritillariacirrhosaDon.Thereareadulterationandfakephenomenon,fakefritillarywillhaveanegativeimpactonthehealthofthedrugusers.TerahertzTime-Domainspectroscopyhasmanyadvantagesoftransient,broadband,safety,penetration,etc.Inrecentyears,TerahertzTime-Domainspectroscopyisveryactiveindrugandfoodnon-destructivedetection.Inthisexperiment,fourcommonfritillariaspecies(FritillariacirrhosaDon,FritillariaussuriensisMaxim,FritillariapallidifloraSchrenk,andFritillariathunbergii)weretakenastheresearchobjectstoexplorethefeasibilityofusingterahertztime-domainspectroscopytoidentifyfritillariaspecies.Inthisexperiment,theTAS7500TSTerahertzspectrumsystemwasusedtocollectthespectraoffritillatesamplesintherangeof0.6～3.0THz,andthestoichiometricmethodwascombinedforpretreatmentandclassificationmodelestablishment.Whenthenumberofcategoriesis2,itiscalledBinaryclassification;whenthenumberofcategoriesexceeds2,itiscalledMultipleclassifications.FourkindsoffritillarywereestablishedbyPartialLeastSquaresDiscriminantAnalysis(PLS-DA).InitialspectraaretreatedwithSavitzky-Golay(S-G)smoothing,MultiplicativeScatter(MSC)Correction,StandardNormalVariableTransformations,movingaverages,orBaseline.PrincipalComponentAnalysisisperformed.PCAcanreducethedimensionalityofthepreprocesseddatatoreducetheamountofdatacomputationandsimplifytheoperation.Finally,amulti-classificationmodelofRandomForest(RF),SupportVectorMachine(SVM)andBackPropagationNeuralNetwork(BPNN)canbeestablished.Thediscriminantaccuracyrateofthemodelwas93.333%forFritillariacirrhosaDon-FritillariapallidifloraSchrenk,98.333%forFritillariacirrhosaDon-Fritillariathunbergii,and100%foralltheotherfourbiocalcificationmodels.Theaccuracyoftheotherfourdichotomieswas100%.Bycomparingandanalyzingtheestablishedmulti-classificationmodels,itwasfoundthattheSVMcombiningSNVmodelingeffectisbest,theFritillariacirrhosaDonaccuracyis95.349%,theFritillariapallidifloraSchrenkaccuracyis96.552%,theaccuracyrateofFritillariaussuriensisMaximandFritillariathunbergiiwas100%.Theoverallaccuracyratewasupto97.490%.ThisresearchshowsthatitisfeasibletouseTerahertzTime-Domainspectroscopytoidentifydifferentfritillariavarieties,andaSNV-SVMmulti-classificationmodelwithgoodclassificationeffectisestablished,whichprovidesanewmeanstocontrolthequalityoftraditionalChinesemedicineandisofgreatsignificancetomaintainthenormaloperationofthetraditionalChinesemedicinemarket.Keyword：Terahertzspectroscopy;Fritillaria;Binaryclassification;Multipleclassification;引言貝母為多年生草本植物，其鱗莖部分常作藥用。(本草經(jīng)集注〕講：“形似聚貝子〞,名為貝母，主治止咳化痰、清熱散結(jié)等。常將貝母類藥材分為：川貝母、浙貝母、平貝母、伊貝母、土貝母等，貝母品種不同藥效也略有差異，且極易混淆。川貝母是貝母中的珍品，藥用效果相對較高，生存環(huán)境脆弱，生長周期漫長，產(chǎn)量相對較低，市場需求較高，價格極高，易被冒充[1]。廣大群眾鑒別易混淆中草藥多基于傳統(tǒng)“一看、二聞、三嘗〞的經(jīng)歷體驗鑒別，此方式方法需要積累豐富的經(jīng)歷體驗，且極易出錯、難以鑒別高仿。近年來基于理化分析的高效液相色譜法(highPerforManceliquidchromatography,HPLC)、薄層色譜法(thinlayerchromatography,TLC)、氣相色譜法(gaschromatography,GC)、質(zhì)譜法(massspectrometry,MS)以及聯(lián)用技術(shù)等方式方法也被廣泛應(yīng)用于測定中草藥的主要成分及鑒別種類[2,3]。但此類檢測手段需要復(fù)雜的樣品處理，以及專業(yè)人員的操作，費時費力[4]。因而有必要開發(fā)探尋求索一種新的檢測手段來彌補傳統(tǒng)方式方法的缺陷。太赫茲波頻率處于0.1～10THz之間，具有能量低、頻譜寬、穿透強與吸收強的特征，基于太赫茲光譜的鑒別檢測技術(shù)具有辨別率高、耗時短、操作簡單等優(yōu)勢，是一種新穎的檢測手段。太赫茲光譜獨特的優(yōu)勢，使其近些年在食品、生物、化工、材料和醫(yī)藥檢測等領(lǐng)域得到廣泛應(yīng)用。中草藥的藥用成分構(gòu)造復(fù)雜，其有機分子之間的弱互相作用和振動躍遷以及晶體中的低頻振動和吸收頻率大多數(shù)處于太赫茲波段范圍內(nèi)。這些振動充分反映了中草藥的分子構(gòu)造及相關(guān)信息，因而使得太赫茲光譜技術(shù)對中藥材檢測鑒別成為可能。馬品等[5]使用太赫茲光譜檢測技術(shù)對天麻含水量進行檢測，表示清楚太赫茲能夠在測定中藥飲片含水量中得到應(yīng)用。徐哲等[6]為對五種不同產(chǎn)地、不同批次的雞血藤和大血藤進行鑒別，采用太赫茲光譜技術(shù)結(jié)合光譜角算法對雞血藤與大血藤進行分類，效果較為理想，兩類中藥樣品總計100組數(shù)據(jù)的分類正確率到達95%。Zhang等[7]先后對中藥中的添加劑、易混淆中草藥、有毒中草藥進行鑒別研究，效果均較為理想。李辰等[8]對正品與偽劣冬蟲夏草進行鑒別，發(fā)現(xiàn)冬蟲夏草正品存在1.01THz和1.13THz特征吸收峰，根據(jù)吸收峰實現(xiàn)對正偽冬蟲夏草的鑒別。楊少壯等[9]對陳皮的THz圖譜進行分析以判定儲存年份，建立了基于主成分分析-支持向量機(PCA-SVM)的高效陳皮儲存年限預(yù)測模型，其年限預(yù)測準(zhǔn)確度可達94%以上。上述研究利用太赫茲光譜技術(shù)從不同的角度對中藥材的品質(zhì)進行把控，為后續(xù)研究者提供了經(jīng)歷體驗借鑒。本研究將太赫茲光譜技術(shù)與多種化學(xué)計量學(xué)方式方法結(jié)合，對川貝母、平貝母、伊貝母、浙貝母四種不同品種的貝母進行定性鑒別，試圖探尋求索一種快速無損的貝母品種鑒別方式方法。1、實驗部分1.1、儀器實驗所用的THz-TDS系統(tǒng)由日本Advantest公司研制，系統(tǒng)使用兩個超短脈沖激光器(1.55μm)分別作為偏置輸出(太赫茲波產(chǎn)生)和信號輸入(太赫茲波探測)的光源。飛秒激光脈沖輸出功率20mW,中心波長1550nm,脈寬50fs,重復(fù)頻率50MHz。由于太赫茲波對水分比擬敏感，為減少實驗誤差，將太赫茲電磁輻射通過的光路封閉在枯燥箱內(nèi)，并通入枯燥空氣，在實驗經(jīng)過中，濕度保持在10%的恒定值，溫度25℃。圖1為實驗所用設(shè)備的原理圖。圖1太赫茲設(shè)備原理圖Fig.1SchematicdiagramofTerahertzequipment1.2、樣品制備實驗所用4種貝母均采購于中藥房，首先將四種貝母樣品放入枯燥箱中50℃,枯燥2h,磨成粉末再過200目篩，密封保存。每種樣品均根據(jù)同一比例(62.5%)參加高密度聚乙烯，用渦旋振蕩器震蕩3min,以確保聚乙烯與樣品粉末充分混勻。壓片時每次稱取(0.1±0.005)g,設(shè)置壓力16MPa,壓片控制時長2min,使每個樣品片厚度維持在0.8mm左右，放入密封袋保存。四種樣品各壓制25個待測樣品片，共計100個。每個樣品采集5個點，每個點采集2次。為保證采集環(huán)境的穩(wěn)定性，將樣品放入樣品倉后，等待3min后開場采集光譜，每類貝母的太赫茲時域光譜各250條，共采集到1000條光譜。1.3、數(shù)據(jù)采集所有測量均采用圖1所示的THz-TDS系統(tǒng)進行。根據(jù)Dorney等[10]和Dragoman等[11]提出的光學(xué)參數(shù)提取方式方法提取所需的光譜信息，參數(shù)包括透射率、折射率、吸收系數(shù)等，此類參數(shù)對具有厚度均勻且兩面平行固體樣品，在透射形式下的太赫茲光譜吸收特性進行描繪敘述。實驗記錄參考太赫茲時域信號Eref(t)和樣本的太赫茲時域信號Esam(t),利用快速傅里葉變換(fastFouriertransform,FFT)算法能夠得到光譜。根據(jù)菲涅耳公式，大多數(shù)低損耗材料的THz振幅透射率T能夠表示為T(ω)=Esam(ω)Eref(ω)=Aexp(?iφ)≈4n(1+n)2exp[iω(N?1)dc]??(1)式(1)中，Eref(ω)和Esam(ω)分別為入射和透射的THz頻域譜；A和φ分別為基準(zhǔn)信號和樣本信號的幅值比和相位差；N=N+ik為樣品的復(fù)折射率，k為消光系數(shù)；d為試樣厚度；ω是角頻率，c是真空中的光速。由式(2)和式(3)得到折射率n(ω)和吸收系數(shù)α(ω)。n(ω)=φ(ω)cωd+2)α(ω)=2k(ω)ωc=2d=ln4n(ω)A(φ)(n(ω)+1)2??(3)1.4、數(shù)據(jù)處理流程獲取到的太赫茲光譜除包含其本身的物理化學(xué)信息外，還夾雜其他干擾信息，因而在使用化學(xué)計量學(xué)方式方法建模前，需要對原始光譜進行預(yù)處理，去除噪聲。同時由于樣品光譜數(shù)據(jù)量較大，還需要進行降維處理。采用K-S算法將光譜數(shù)據(jù)按3∶1隨機分為建模集和預(yù)測集，分別建立二分類和多分類模型。圖2為實驗詳細(xì)經(jīng)過圖。圖2貝母分類流程圖Fig.2Flowchartoffritillaryclassification1.5、算法介紹預(yù)處理：實驗為尋求對貝母樣品光譜最優(yōu)的預(yù)處理方式方法，主要用到移動平滑、S-G平滑、多元散射校正(multiplicativescattercorrection,MSC)、標(biāo)準(zhǔn)正態(tài)變量變換(standardnormalvariabletransformations,SNV)和基線偏移校正(Baselineoffset)五種預(yù)處理方式方法，進行光譜預(yù)處理是為了消除光譜的冗余信息，提高模型穩(wěn)定性與準(zhǔn)確性。主成分分析(principalcomponentanalysis,PCA)是常用在光譜分析中進行數(shù)據(jù)降維，以減少數(shù)據(jù)運算量，其基本原理是通過正交變換將相關(guān)變量轉(zhuǎn)換為線性不相關(guān)的變量，經(jīng)過變換之后得到原始光譜的主成分，同時這些主成分基本能夠代替原始光譜的信息[12]。累計方差奉獻率決定主成分的個數(shù)，當(dāng)累計方差奉獻率能夠提供原始變量的絕大部分信息時，即根據(jù)方差奉獻率與主成分?jǐn)?shù)關(guān)系圖確定所需的主成分?jǐn)?shù)。偏最小二乘判別分析(partialleastsquares-discriminantanalysis,PLS-DA)是一種基于偏最小二乘(PLS)的多變量分析方式方法，該方式方法將主成分分析與相關(guān)性分析結(jié)合，對光譜數(shù)據(jù)與分類變量進行線性擬合[13]。隨機森林(randomforest,RF)是基于決策樹的一種機器學(xué)習(xí)方式方法，其與自然界中由樹組成森林的概念類似，以決策樹作為基本組成單元，決策樹之間相互獨立。根據(jù)若干個有差異性的樣本子集建立決策樹，再采用投票機制得到最終判定。由于其具有優(yōu)秀的預(yù)測精度和較小的運算量，隨機森林當(dāng)前已經(jīng)得到廣泛的關(guān)注[14]。支持向量機(supportvectormachine,SVM)是一種基于構(gòu)造風(fēng)險最小化準(zhǔn)則的形式辨別方式方法，該方式方法對小樣本、非線性和高維度問題中優(yōu)勢顯著。本實驗主要采用高斯核函數(shù)的SVM分類，此方式方法需要尋求懲罰因子C和核函數(shù)g兩個參數(shù)的最佳優(yōu)化值，兩個參數(shù)對分類效果有著重要影響。反向誤差傳輸神經(jīng)網(wǎng)絡(luò)(backpropagationneuralnetwork,BPNN)是一種前饋多層神經(jīng)網(wǎng)絡(luò)，由非線性變換神經(jīng)單元組成，能夠?qū)崿F(xiàn)輸入和輸出間的任意非線性映射，非線性映射逼近能力和泛化能力強大，在建立大樣本的非線性校正模型中被廣泛應(yīng)用[15]。2、結(jié)果與討論2.1、各類貝母的THz光譜圖3為四種貝母在0.6～3.0THz波段的平均吸收曲線，未對光譜做任何預(yù)處理。能夠看出四種樣品的光譜曲線趨勢較為類似，均無明顯的吸收峰，在低頻區(qū)域四種樣品的平均光譜曲線重疊較為嚴(yán)重：在高頻區(qū)域川貝母的吸收系數(shù)明顯低于其他三類貝母，且平貝母、伊貝母、浙貝母區(qū)分不夠明顯，這可能是由于四種貝母某些藥用成分含量不同造成的。2.2、建模與分析2.2.1、貝母樣品的二分類鑒別根據(jù)采集到的樣品原始光譜，建立PLS-DA定性分析模型對川貝母與其他三類貝母進行鑒別區(qū)分。每兩種樣品光譜數(shù)據(jù)各250組，共計500組樣品數(shù)據(jù)，隨機選取120組作為驗證集，380組光譜數(shù)據(jù)為建模集。表1為二分類PLS-DA判別模型正確率。圖3四種貝母的平均吸收光譜Fig.3Meanabsorptionspectraofthefourfritillariaspecies表1PLS-DA模型分類正確率共建立了6個二分類模型，華而不實川貝母-平貝母、川貝母-浙貝母、平貝母-伊貝母、伊貝母-浙貝母4個二分類模型正確率均為100%。川貝母-伊貝母二分類模型的整體正確率為93.333%,華而不實川貝母的正確分類率為91.667%,伊貝母的正確分類率為95%。平貝母-浙貝母二分類模型的整體正確率為98.333%,華而不實平貝母的正確分類率為96.923%,浙貝母的正確分類率為100%。二分類模型整體分類效果較好。根據(jù)原始光譜數(shù)據(jù)建立PLS-DA模型進行預(yù)測時，華而不實川貝母-伊貝母鑒別時，5個川貝母被錯誤辨別成伊貝母，3個伊貝母被錯誤辨別成川貝母。進行平貝母-浙貝母鑒別時，2個平貝母被錯誤辨別成浙貝母，其他貝母均無錯分現(xiàn)象，整體效果較好。圖4為各種PLS-DA二分類模型。2.2.2、貝母樣品的多分類鑒別當(dāng)多種貝母摻雜在一起時，采用PLS-DA鑒別，結(jié)果精度較差，為尋求最佳解決貝母的多分類問題，在采用多種預(yù)處理方式方法多光譜數(shù)據(jù)進行預(yù)處理之后，利用主成分分析提取數(shù)據(jù)的主要特征，降低光譜數(shù)據(jù)的維度。圖5為四種貝母樣品的太赫茲光譜經(jīng)過SNV預(yù)處理之后的主成分?jǐn)?shù)與方差奉獻率關(guān)系圖，圖6為前三個主成分評分圖。當(dāng)主成分大于13時，隨著主成分?jǐn)?shù)的增加，方差奉獻率增幅趨于0,累積方差奉獻率到達95%。圖4六種PLS-DA二分類模型Fig.4PLS-DAdichotomymodelof6categories圖5主成分?jǐn)?shù)與方差奉獻率關(guān)系圖Fig.5Relationshipbetweenprincipalcomponentnumberandvariancecontributionrate圖6四種貝母的前3個主成分三維得分圖Fig.6Three-dimensionalscoresoffirstthreeprincipalcomponentsoffourfritillariaspecies由于貝母成分復(fù)雜，特征吸收峰不明顯，無法通過直接觀察進行分類，需借助機器學(xué)習(xí)算法，故在對主成分分析之后的數(shù)據(jù)分別建立RF,SVM和BPNN多分類模型。表2為各模型鑒別四種貝母產(chǎn)地的詳細(xì)正確率。表2貝母多分類結(jié)果比照華而不實BPNN類模型的效果最差，盡管結(jié)合多種預(yù)處理方式方法，但整體正確率均未超過80%?？赡苁怯捎贐PNN能夠?qū)Υ罅繑?shù)據(jù)進行模型訓(xùn)練，但其極易陷入模型訓(xùn)練速度較慢的狀態(tài)。RF結(jié)合SNV建模時，效果較好，正確率為95.417%,共計11個貝母樣品被錯誤分類。綜合三類模型，SVM結(jié)合SNV建模效果最好，整體正確率高達97.490%,預(yù)測集剔除一個異常點之后共計239個樣本，被錯誤分類6列，華而不實川貝母4例，正確率為97.490%,浙貝母1例，正確率為96.552%,平貝母與伊貝母均無出錯。3、結(jié)論以川貝母、平貝母、伊貝母、浙貝母四種貝母為例，介紹太赫茲時域光譜技術(shù)結(jié)合化學(xué)計量學(xué)方式方法在中藥材定性鑒別中的應(yīng)用。對原始光譜預(yù)處理之后，采用主成分分析(PCA)提取主要特征，再建立二分類判別模型，華而不實川貝母-伊貝母二分類模型正確率為93.333%,平貝母-浙貝母二分類模型正確率為98.333%,其他二分類模型正確率均為100%,表示清楚PLS-DA能夠?qū)崿F(xiàn)貝母的兩兩準(zhǔn)確分類；最后分別建立隨機森林(RF)、支持向量機(SVM)、反向誤差神經(jīng)網(wǎng)絡(luò)(BPNN)建立多分類模型并進行比照，SVM結(jié)合SNV預(yù)處理建模效果最好，整體正確率高達97.490%。這表示清楚四種貝母樣品的太赫茲吸收光譜雖均無明顯的吸收峰，但經(jīng)過光譜預(yù)處理結(jié)合合理的分類模型，能夠?qū)崿F(xiàn)類似貝母的準(zhǔn)確區(qū)分。本研究對維護中藥材的安全以及中國傳統(tǒng)醫(yī)藥市場秩序具有重要的意義，也為后期利用太赫茲時域光譜技術(shù)對中藥材更深層次的研究提供理論借鑒。以下為參考文獻[1]YANGJian,LIJing.XUEWei-na,etal(楊健,李靖，薛維娜，等).ChineseTraditionalPatentMedicine(中成藥),202042(5):1262.[2]WANGHong-wel,FANGBo,ZHANGLei,eta(王宏偉,方波,張磊,等)ChineseTraditionalPatentMedicine(中成藥),2020.42(4):986.[3]LIRan,LIJing.TONGQiao-zhen,etal(李然,李靜，童巧珍,等).JournalofGuangdongPharmaceuticalUniversity(廣東藥科大學(xué)學(xué)報),2022,35(5):624.[4]LiRong.ZengCanbiao,LiJunni,etal.Analyti