CN103245629A

CN103245629A - 一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法

Info

Publication number: CN103245629A
Application number: CN2013101565226A
Authority: CN
Inventors: 张龙; 赵鹂; 梁巧玲
Original assignee: Lishui University
Current assignee: Lishui University
Priority date: 2013-04-27
Filing date: 2013-04-27
Publication date: 2013-08-14

Abstract

本发明公开了提供了一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法，通过如下步骤，一、样品处理，二、光谱采集，三、光谱数据预处理，四、建立鉴别模型，五、预测，对市场上的水草枫斗、铁皮枫斗、紫皮枫斗进行鉴别。本发明是一种简单有效的水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法，鉴别准确率100%。

Description

一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法

技术领域

本发明涉及一种药材的鉴别方法，尤其涉及一种水草枫斗、铁皮枫斗和紫皮枫斗的的鉴别方法。

背景技术

正宗铁皮枫斗加工后的干品称为铁皮枫斗，其药效成分主要是枫斗多糖、枫斗碱和总氨基酸等。能提高人体免疫能力，增强记忆力，补五脏虚劳，抗衰老，抑制肿瘤，改善糖尿病症状，抗缺氧，对放化疗以及夜生活、烟酒过度者有显著效果。我国第一部药学专著《神农本草经》，称枫斗为上品，认为它是滋补佳品，且适宜于久服，“补五脏虚劳羸瘦”，李时珍在《本草纲目》中，强调了枫斗“强阴益精，厚肠胃，补内绝不足，轻身延年”功效。清代著名药学著作《本草思辨录》，认为枫斗的功用十分广泛：“为肾药，为肺药，为肠胃药”。现代的临床应用和药理研究证实，枫斗具有神奇功效，适宜于治疗多种病症。铁皮枫斗自古以来都是达官显贵的养生补品，一般民众根本不可能消费。

目前，人工栽培成功的在全国屈指可数，纯正铁皮枫斗国内市场供应价在30000元/公斤以上。国际市场则在5000美元以上，市场上几百、几千元就可以买1公斤的枫斗，只是枫斗类其它品种，决非“铁皮”枫斗。他们利用了药用枫斗的神奇的保健功效和人们对“铁皮”枫斗的不了解，用枫斗类中的“紫皮”，“黄草”等其它品种制成的枫斗，打着“铁皮”枫斗的名义对消费者进行了不负责任的欺骗性销售，因此对枫斗的鉴别就十分重要，但现有技术中未见此类技术的报道。

发明内容

为了解决现有技术中的枫斗难以鉴别的不足，本发明的目的是提供一种水草枫斗、铁皮枫斗和紫皮枫斗的的鉴别方法。

为达到上述目的，本发明所采用的技术手段是：一种水草枫斗、铁皮枫斗和紫皮枫斗的的鉴别方法，包括如下步骤：

一、样品处理：将水草枫斗、铁皮枫斗、紫皮枫斗置于烘箱中60℃烘干多余水分至恒重，在室内相对湿度低于40%的环境下，将水草枫斗、铁皮枫斗、紫皮枫斗在粉碎机中粉碎，然后将粉末过100目筛，取过筛后粉末以备光谱检测之用；

二、光谱采集：设定环境温度20±2℃，相对湿度小于40%，光谱扫描范围4000～9000cm^-1，分辨率4cm^-1，扫描次数32次，将样品粉末置于光谱采集杯底部石英片上方、压实，将采集杯置于近红外光谱采集孔正上方，采集光谱；

三、光谱数据预处理：为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠，在Matlab软件中采用一阶导数或二阶导数进行预处理：①一阶导数公式：y=(x(i+Δ)-x(i))/Δ；②二阶导数公式：y=(x(i+Δ)-2x(i)+x(i-Δ))/Δ²

其中：Δ为光谱间距，x为求导前的光谱吸光度，y为求导后的光谱吸光度；

四、建立鉴别模型：首先，指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3，利用Matlab软件，以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量，以指定的类别值为因变量，建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型，然后，分别预测校正集和验证集中枫斗的种类；根据判别依据：当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗；通过校正集和验证集的决定系数R²、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价；五、预测：采集测试集样本光谱值、进行光谱预处理，再将测试集预处理后光谱值输入预测模型，得到预测值，根据判别依据：当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗。

本发明的有益效果在于：提供了一种简单有效的铁皮枫斗的鉴别方法，鉴别准确率100%。

附图说明

下面结合附图对本发明的技术方案进行说明。

图1是本发明的一阶导数光谱预处理偏最小二乘判别模型预测值；

图2是本发明的二阶导数光谱预处理偏最小二乘判别模型预测值；

图3是本发明的一阶导数光谱预处理径向基人工神经网络模型预测值；

图4是本发明的二阶导数光谱预处理径向基人工神经网络模型预测值；

图5是本发明的工艺流程图。

具体实施方式

结合图5所示，本发明提供一种水草枫斗、铁皮枫斗和紫皮枫斗的鉴别方法，包括步骤如下：

三、光谱数据预处理：为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠，在Matlab软件中采用一阶导数或二阶导数进行预处理：①一阶导数公式：y=(x(i+Δ)-x(i))/Δ；②二阶导数公式：y=(x(i+Δ)-2x(i) +x(i-Δ))/Δ²

四、建立鉴别模型：首先，指定水草枫斗、铁皮枫斗和紫皮枫斗类别值分别为1、2和3，利用Matlab软件，以水草枫斗、铁皮枫斗和紫皮枫斗预处理后光谱值为模型自变量，以指定的类别值为因变量，建立水草枫斗、铁皮枫斗和紫皮枫斗的预测模型，然后，分别预测校正集和验证集中枫斗的种类；根据判别依据：当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗；通过校正集和验证集的决定系数R²、均方根误差RMSE、相关误差RM和判别率指标对模型性能进行评价；

五、预测：采集测试集样本光谱值、进行光谱预处理，再将测试集预处理后光谱值输入预测模型，得到预测值，根据判别依据：当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗。

预测模型可以为偏最小二乘回归判别模型，其首先指定模型哑变量水草枫斗、铁皮枫斗和紫皮枫斗为1、2和3，然后建立近红外光光谱数据和枫斗哑变量的偏最小二乘回归判别预测模型；

预测模型也可以为径向基人工神经网络鉴别模型，该模型为前向网络，第一层为输入层，其数据为光谱导数值，第二层为隐含层，隐含层神经元个数由光谱预处理方法决定，第三层为输出层，输出样品类型值。

偏最小二乘回归判别模型和径向基人工神经网络鉴别模型分析通过决定系数R²，均方根误差RMSE和相关误差RM判断；决定系数R²、均方根误差RMSE和相关误差RM计算公式如下：

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}}{Σ_{i = 1}^{n} {({\bar{y}}_{i} - y_{i})}^{2}},

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}},

RM = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} \frac{| {\hat{y}}_{i} - y_{i} |}{y_{i}}}

上式中y_i是参考值、

是预测值、是平均参考值、n是校正集样品数。

下面四个实施例中步骤一样品处理、步骤二光谱采集与上述内容相同，故仅阐述步骤三、四、五。

实施例1

三、光谱数据预处理：每条光谱选择多个数据点，为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠，采用导数公式为：①一阶导数公式：y=(x(i+Δ)-x(i))/Δ；

预测模型为偏最小二乘回归判别模型，其首先指定模型哑变量水草枫斗、铁皮枫斗和紫皮枫斗为1、2和3，然后建立近红外光光谱数据和枫斗哑变量的偏最小二乘回归判别预测模型；

性能评价通过决定系数R²，均方根误差RMSE和相关误差RM判断；决定系数R²、均方根误差RMSE和相关误差RM计算公式如下，数据见表一

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}}{Σ_{i = 1}^{n} {({\bar{y}}_{i} - y_{i})}^{2}},

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}},

RM = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} \frac{| {\hat{y}}_{i} - y_{i} |}{y_{i}}}

上式中y_i是参考值、

是预测值、

是平均参考值、n是校正集样品数。

表1模型性能评价表

五、预测：采集测试集样本光谱值13个，进行光谱预处理，其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个，再将测试集预处理后光谱值输入偏最小二乘回归判别模型预测，得到预测值如图1和表2数据，根据判别依据：当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗。

表2

实施例2

三、光谱数据预处理：每条光谱选择多个数据点，为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠，采用导数公式为：二阶导数公式：y=(x(i+Δ)-2x(i)+x(i-Δ))/Δ²

性能评价通过决定系数R²，均方根误差RMSE和相关误差RM判断；决定系数R²、均方根误差RMSE和相关误差RM计算公式如下，数据见表一。

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}}{Σ_{i = 1}^{n} {({\bar{y}}_{i} - y_{i})}^{2}},

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}},

RM = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} \frac{| {\hat{y}}_{i} - y_{i} |}{y_{i}}}

上式中y_i是参考值、

是预测值、

是平均参考值、n是校正集样品数。

表3

五、预测：采集测试集样本光谱值13个，进行光谱预处理，其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个，再将测试集预处理后光谱值输入偏最小二乘回归判别模型预测，得到预测值如图2和表3数据，当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗。

实施例3

三、光谱数据预处理：每条光谱选择多个数据点，为消除光谱基线漂移和光谱弯曲以及样品所含有不同成分之间的相互干扰而导致的近红外吸收光谱重叠，采用导数公式为：一阶导数公式：y=(x(i+Δ)-x(i))/Δ；

预测模型为径向基人工神经网络鉴别模型，该模型为前向网络，第一层为输入层，输入一阶导数值，第二层为隐含层，隐含层神经元个数为35个，第三层为输出层，输出样品类型

表4值。

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}}{Σ_{i = 1}^{n} {({\bar{y}}_{i} - y_{i})}^{2}},

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}},

RM = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} \frac{| {\hat{y}}_{i} - y_{i} |}{y_{i}}}

上式中y_i是参考值、

是预测值、是平均参考值、n是校正集样品数。

五、预测：采集测试集样本光谱值13个，进行光谱预处理，其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个，再将测试集预处理后光谱值输入径向基人工神经网络鉴别模型预测，得到预测值如图3和表4数据；根据判别依据：当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗。

实施例4

预测模型为径向基人工神经网络鉴别模型，该模型为前向网络，第一层为输入层，输入二阶导数值，第二层为隐含层，隐含层神经元个数为38个，第三层为输出层，输出样品类型

R^{2} = 1 - \frac{Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}}{Σ_{i = 1}^{n} {({\bar{y}}_{i} - y_{i})}^{2}},

RMSE = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} {({\hat{y}}_{i} - y_{i})}^{2}},

RM = \sqrt{\frac{1}{n} Σ_{i = 1}^{n} \frac{| {\hat{y}}_{i} - y_{i} |}{y_{i}}}

上式中y_i是参考值、

是预测值、

是平均参考值、n是校正集样品数。

五、预测：采集测试集样本光谱值13个，进行光谱预处理，其中水草枫斗、铁皮枫斗和紫皮枫斗分别为3、5和5个，再将测试集预处理后光谱值输入径向基人工神经网络鉴别模型预测，得到预测值如图4和表5数据；根据判别依据：当预测值大于0、小于1.5为水草枫斗，当预测值大于1.5、小于2.5为铁皮枫斗，当预测值大于2.5、小于3.5为紫皮枫斗。

表5

本发明的实施例所表述的，并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。