CN113624874A - 一种鉴别鹅不食草的方法 - Google Patents

Abstract

本申请提供了一种鉴别鹅不食草的方法，采用高效液相色谱和反向传播神经网络，通过合理选择色谱条件，合理设置反向传播神经网络的函数和参数，建立一种能够全面地从化学成分的角度对鹅不食草的真伪进行鉴别的方法，能够快速、准确、可信地鉴别鹅不食草的真伪，鉴别出鹅不食草、其伪品及其掺伪品，从而保证鹅不食草临床用药的安全性和有效性。

Description

一种鉴别鹅不食草的方法

技术领域

本申请涉及中药鉴别技术领域，特别是涉及一种鉴别鹅不食草的方法。

背景技术

中药鹅不食草为菊科石胡荽属植物鹅不食草(Centipeda minima(L.)A.Br.etAschers.)的一年生草本植物，广泛分布于于中国及亚洲热带东部地区，其全草常用于治疗感冒、鼻过敏、腹泻、疟疾、哮喘等，临床常用其粉末做吸入剂治疗鼻炎。鹅不食草多以粉末入药，其中药材制剂、配伍颗粒等无法从外观性状进行辨认，有些地区将鹅不食草与外形相似的药材如蚤缀、苡芭菊等伪品视为一物混用，或是掺伪使用，掺伪品中含有一定量的正品，易与正品混淆，给中药材的真伪鉴别增加了难度，而假劣饮片的充斥，严重制约了鹅不食草临床用药的安全性和有效性。因此需要建立一种鉴别鹅不食草的方法，以能够快速、准确地鉴别鹅不食草的真伪，从而保证鹅不食草临床用药的安全性和有效性。

发明内容

本申请的目的在于提供一种鉴别鹅不食草的方法，以快速、准确的鉴别鹅不食草的真伪。具体技术方案如下：

本申请提供了一种鉴别鹅不食草的方法，其包括以下步骤：

(1)建立鹅不食草的鉴别检测模型：

取R份鹅不食草、S份伪品，以体积分数为70-100％的甲醇为溶剂，分别进行超声提取，得到R份鹅不食草、S份伪品的供试品溶液，其中，R≥30，S≥20；

采用高效液相色谱法检测所述供试品溶液，得到R份鹅不食草、S份伪品的色谱图；对各色谱图进行分析，根据色谱峰的保留时间，确定各份鹅不食草的色谱图中的共有峰和各份伪品的色谱图中的共有峰，并获得各共有峰的峰面积和保留时间；根据所述各共有峰的峰面积，采用反向传播神经网络，得到鹅不食草的鉴别检测模型；

其中，高效液相色谱法的色谱条件包括：

色谱柱：十八烷基硅烷键合硅胶色谱柱；

流动相：A相为体积分数为0.1-0.5％的甲酸水溶液，B相为乙腈；采用体积分数0-95％A相，5-100％B相，梯度洗脱；流速：0.8-1.2mL/min；柱温：35-45℃；进样体积：8-12μL；

(2)待测鹅不食草样品的鉴别：

取待测鹅不食草样品，以体积分数为70-100％的甲醇为溶剂，进行超声提取，得到待测样品溶液，在相同的色谱条件下获得所述待测样品溶液的色谱图，根据步骤(1)所述各共有峰的保留时间确定所述待测样品溶液的色谱图的共有峰并获得其峰面积，采用所述鉴别检测模型，鉴别得到待测鹅不食草样品的真伪。

本申请提供的一种鉴别鹅不食草的方法，采用高效液相色谱和反向传播神经网络，通过合理选择色谱条件，合理设置反向传播神经网络的函数和参数，建立一种能够全面地从化学成分的角度对鹅不食草的真伪进行鉴别的方法，能够快速、准确、可信地鉴别鹅不食草的真伪，鉴别出鹅不食草、其伪品及其掺伪品，从而保证鹅不食草临床用药的安全性和有效性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。

图1为鹅不食草、蚤缀、掺伪品的色谱图；其中a为批次10的鹅不食草的色谱图，b为批次28的蚤缀的色谱图，c为批次40的掺伪品的色谱图。

图2为建立鹅不食草的鉴别检测模型的训练过程。

图3为鹅不食草和蚤缀经鹅不食草的鉴别检测模型验证的结果。

图4为掺伪品经鹅不食草的鉴别检测模型验证的结果。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供了一种鉴别鹅不食草的方法，其包括以下步骤：

(1)建立鹅不食草的鉴别检测模型：

取R份鹅不食草、S份伪品，以体积分数为70-100％的甲醇为溶剂，分别进行超声提取，得到R份鹅不食草、S份伪品的供试品溶液，其中，R≥30，S≥20；

采用高效液相色谱法检测所述供试品溶液，得到R份鹅不食草、S份伪品的色谱图；对各色谱图进行分析，根据色谱峰的保留时间，确定各份鹅不食草的色谱图中的共有峰和各份伪品的色谱图中的共有峰，并获得各共有峰的峰面积和保留时间；根据所述各共有峰的峰面积，采用反向传播神经网络，得到鹅不食草的鉴别检测模型；

其中，高效液相色谱法的色谱条件包括：

色谱柱：十八烷基硅烷键合硅胶色谱柱；

流动相：A相为体积分数为0.1-0.5％的甲酸水溶液，B相为乙腈；采用体积分数0-95％A相，5-100％B相，梯度洗脱；流速：0.8-1.2mL/min；柱温：35-45℃；进样体积：8-12μL；

(2)待测鹅不食草样品的鉴别：

取待测鹅不食草样品，以体积分数为70-100％的甲醇为溶剂，进行超声提取，得到待测样品溶液，在相同的色谱条件下获得所述待测样品溶液的色谱图，根据步骤(1)所述各共有峰的保留时间确定所述待测样品溶液的色谱图的共有峰并获得其峰面积，采用所述鉴别检测模型，鉴别得到待测鹅不食草样品的真伪。

在本申请中，所述“体积分数为70-100％的甲醇”，是指体积分数≥70％的甲醇水溶液或甲醇。

本申请中，所述“对各色谱图进行分析，根据色谱峰的保留时间，确定各份鹅不食草的色谱图中的共有峰和各份伪品的色谱图中的共有峰”，是指通过对各鹅不食草的色谱图中色谱峰的保留时间进行比较和对各伪品的色谱图中色谱峰的保留时间进行比较，所有鹅不食草色谱图中均存在的保留时间相同的色谱峰，即为各份鹅不食草的色谱图中的共有峰；所有伪品色谱图中均存在的保留时间相同的色谱峰，即为各份伪品的色谱图中的共有峰。其中，所述保留时间相同的色谱峰，是指保留时间的偏差≤0.05分钟的色谱峰。其中，对各份鹅不食草或伪品的色谱图分析，可以是通过将多份色谱图进行叠加对比分析，也可以采用软件进行分析，示例性地，可以采用中药色谱指纹图谱相似度评价软件进行分析，从而确定各份鹅不食草或伪品的色谱图中的共有峰。

在步骤(2)中，“根据步骤(1)所述各共有峰的保留时间确定所述待测样品溶液的色谱图的共有峰”，是根据步骤(1)得到的鹅不食草中的共有峰的保留时间和伪品中的共有峰的保留时间，以鹅不食草和伪品的共有峰的并集作为待测样品溶液的色谱图的共有峰。

通过本申请的方法，采用高效液相色谱和反向传播神经网络，实现了鹅不食草的鉴别检测模型的建立，用于检测鹅不食草的真伪，具有快速、准确、可信、全面等优势，从而保证鹅不食草临床用药的安全性和有效性。

在本申请的一些实施方式中，步骤(1)中，鹅不食草的质量与溶剂体积的比值为1:(15-25)g/mL；伪品的质量与溶剂体积的比值为1:(15-25)g/mL。

在本申请的一些实施方式中，步骤(1)中，超声提取的时间为30-50min，提取功率为300-500W，提取温度为20-30℃。

本申请中，步骤(1)中所述取R份鹅不食草、S份伪品，可以是取R批次不同产地不同来源的鹅不食草、S批次不同产地不同来源的伪品，每批次取1份；也可以是取多批次的不同产地不同来源的鹅不食草、伪品，每批次分别取多份，总数为R份鹅不食草、S份伪品。优选地，在本申请的一些实施方式中，所述取R份鹅不食草，是取M批次鹅不食草，每批次取N份，以体积分数为70-100％的甲醇为溶剂，分别进行超声提取，得到R＝M×N份鹅不食草的供试品溶液，其中，M≥15，N≥2；所述取S份伪品，是取P批次伪品，每批次取Q份，以体积分数为70-100％的甲醇为溶剂，分别进行超声提取，得到S＝P×Q份伪品的供试品溶液，其中P≥10，Q≥2。

发明人在研究中发现，采用本申请的梯度洗脱，能够使鹅不食草及其伪品中的各化学成分获得更好的分离效果，优选地，在本申请的一些实施方式中，所述梯度洗脱具体为：0-5min，5-8％B；5-18min，8-18％B；18-25min，18-33％B；25-33min，33-45％B；33-43min，45-70％B；43-60min，70-100％B。

通过采用本申请供试品溶液的制备方法，结合本申请的色谱条件，有利于获得更多的共有峰，能够更全面地从化学成分的角度建立鹅不食草的鉴别检测模型，从而能够准确、全面、可信地检测鹅不食草的真伪。

在本申请的一些实施方式中，步骤(1)中，高效液相色谱法的检测条件包括：检测波长：253-255nm。

在本申请的一些实施方式中，步骤(1)中，所述反向传播神经网络包括输入层、隐含层和输出层；在输入层中输入一份样品中各共有峰的峰面积；输出层中输出2个类别；隐含层为4层，节点数为4；

输入层到隐含层的传递函数为logsig，隐含层到输出层的传递函数为purelin，反向传播神经网络的训练函数为traingdx，性能函数为mse。

在本申请中，所述输出层中输出的2个类别，其中类别1为伪品或掺伪品，类别2为正品。

在本申请的一些实施方式中，步骤(1)中，所述反向传播神经网络的参数包括：最大训练次数为400-500，学习率为0.005-0.015，训练精度≤0.01。

通过采用本申请反向传播神经网络的函数和参数，建立一种准确的鹅不食草的鉴别检测模型，能够准确鉴别鹅不食草的真伪，从而保证鹅不食草临床用药的安全性和有效性。

采用本申请的方法对未知真伪的鹅不食草进行鉴别，具体的，可以通过以下方法进行鉴别：采用本申请的方法获得鹅不食草的鉴别检测模型；根据鹅不食草中的共有峰的保留时间和伪品中的共有峰的保留时间，确定鹅不食草和伪品有相同的共有峰的个数，以鹅不食草和伪品的共有峰的并集作为未知真伪的鹅不食草的共有峰；对未知真伪的鹅不食草，按本申请的方法制备其供试品溶液，并按本申请的色谱条件检测供试品溶液，得到未知鹅不食草的色谱图，根据色谱峰的保留时间，确定色谱图的共有峰并获得其峰面积，采用鹅不食草的鉴别检测模型，从而鉴别得到未知鹅不食草的真伪。进一步地，鹅不食草常以粉末入药，在采用鹅不食草入药时，根据粉末并不能判断所用鹅不食草的真伪，而采用本申请的方法能够准确检测所用鹅不食草粉末的真伪，从而保证鹅不食草临床用药的安全性和有效性。

在本申请中，鹅不食草中的共有峰的保留时间如表1所示。

表1

在本申请的一些实施方式中，所述伪品选自蚤缀、苡芭菊或白鳞莎草。

在本申请中，当伪品为蚤缀时，所述未知真伪的鹅不食草的共有峰的保留时间如表2所示。

表2

下面对本申请所用的仪器、试剂和材料进行说明。

仪器：FA2004A万分之一天平：上海精天电子仪器厂；XO-4200DT超声波清洗机：南京先欧仪器制造有限公司；Sartorius BT125D十万分之一天平：赛多利斯科学仪器有限公司；Agilent1260高效液相色谱仪：安捷伦公司。

试剂：色谱甲醇、乙腈：美国Sigma公司；色谱甲酸：天津科密欧化学试剂有限公司；蒸馏水：屈臣氏。

材料：27个批次鹅不食草、10个批次蚤缀、5个批次掺伪品的产地信息如表3所示，其中批次38-42的掺伪品中，鹅不食草均取自批次10，蚤缀均取自批次28。

表3

以下实施例中所涉及的试剂与药材如无特殊说明均可来源于市售或按照本领域公知方法取得。

实施例1

(1)建立鹅不食草的鉴别检测模型：

取表3中批次1的鹅不食草粉末，过3号筛，精密称定0.1g，置具塞锥形瓶中，精密加入2mL甲醇，超声提取40min，提取功率为400W，频率为40kHz，温度为25℃，超声后摇匀，8000r/min离心5min，取上清液，0.22μm微孔滤膜过滤，取续滤液，即得供试品溶液。平行制备2份。

分别取表3中批次2-27的鹅不食草粉末，同法制得批次2-27的鹅不食草的供试品溶液，每批次平行制备2份。

分别取表3中批次28-37的蚤缀粉末，同法制得批次28-37的蚤缀的供试品溶液，每批次平行制备2份。

分别取表3中批次38-42的掺伪品粉末，同法制得批次38-42的掺伪品的供试品溶液，每批次平行制备3份。

色谱条件：

C18(4.6×150mm，5μm)；流动相：A相为体积分数为0.3％的甲酸水溶液，B相为乙腈；洗脱梯度：0-5min，5-8％B；5-18min，8-18％B；18-25min，18-33％B；25-33min，33-45％B；33-43min，45-70％B；43-60min，70-100％B；流速：1.0mL/min；柱温：40℃；进样体积：10μL；检测波长：254nm。

采用上述色谱条件检测各供试品溶液，分别得到批次1-27的共54份鹅不食草的色谱图，批次28-37的共20份蚤缀的色谱图，和批次38-42的共15份掺伪品的色谱图。其中，批次10的鹅不食草的色谱图如图1中的a所示，批次28的蚤缀的色谱图如图1中的b所示，批次40的掺伪品的色谱图如图1中的c所示。

对得到的共54份鹅不食草的色谱图进行分析，采用中药色谱指纹图谱相似度评价软件分析，根据色谱峰的保留时间，确定各份鹅不食草的色谱图中有35个共有峰，并获得每份鹅不食草中各共有峰的峰面积和保留时间，以每份鹅不食草中35个共有峰的峰面积为1个样本，共计54个样本。

对得到的共20份蚤缀的色谱图进行分析，采用中药色谱指纹图谱相似度评价软件分析，根据色谱峰的保留时间，确定各份蚤缀的色谱图中有31个共有峰，并获得每份蚤缀中各共有峰的峰面积和保留时间，以每份蚤缀中31个共有峰的峰面积为1个样本，共计20个样本。

根据鹅不食草中的共有峰的保留时间和蚤缀中的共有峰的保留时间，确定鹅不食草和蚤缀有相同的共有峰13个，以鹅不食草和蚤缀的共有峰的并集为掺伪品的共有峰，分析并获得每份掺伪品中共53个共有峰的峰面积和保留时间，以每份掺伪品中53个共有峰的峰面积为1个样本，共计15个样本。

随机抽取48个鹅不食草的样本和16个蚤缀的样本作为训练样本，建立鹅不食草的鉴别检测模型：采用Matlab 2018b中BP-ANN工具箱(MathWorks,Natick,MA,USA)进行反向传播神经网络(BP神经网络)模型的建立，以得到鹅不食草的鉴别检测模型。其中，反向传播神经网络包括输入层、隐含层和输出层；在输入层中输入1个训练样本(即一份鹅不食草样品中各共有峰的峰面积或一份蚤缀样品中各共有峰的峰面积)；输出层中输出2个类别，类别1为蚤缀，类别2为鹅不食草；隐含层使用4层，隐含层的节点数为4；输入层到隐含层的传递函数为logsig(即单极性S函数)，隐含层到输出层的传递函数为purelin，反向传播神经网络的训练函数为traingdx，性能函数为mse；BP神经网络的参数包括：最大训练次数为500，训练精度为0.01，学习率为0.01；训练过程如图2所示。根据图2可知，通过267次的训练，得到鹅不食草的鉴别检测模型，其中在第267次训练时，BP神经网络的均方误差(MSE)为0.0099279，相关系数(R)＝0.97975。

(2)待测鹅不食草样品的鉴别

取步骤(1)中除训练样本以外的6个鹅不食草的样本、4个蚤缀的样本、15个掺伪品的样本作为测试样本，验证鹅不食草的鉴别检测模型的准确度，其中掺伪品所对应的类别也归于类别1。

采用步骤(1)得到的鹅不食草的鉴别检测模型，在输入层中输入1个测试样本，输出层输出其类别，鹅不食草和蚤缀的类别测试结果如图3所示，掺伪品的类别测试结果如图4所示。由图3可以看出，对鹅不食草和蚤缀样品，经鹅不食草的鉴别检测模型检测所得到的测试结果，与各测试样本所对应的类别的预测结果能够很好地拟合，准确率为100％。由图4可以看出，采用本申请的鉴别检测模型，对掺有不同含量蚤缀的鹅不食草的掺伪品检测所所得到的测试结果，与各掺伪品的测试样本的预测结果能够很好地拟合，准确率为100％。该模型预测结果如表4所示，结果表明采用本申请的方法获得的鹅不食草的鉴别检测模型的准确度较高，正品预测率、伪品预测率均达到100％，掺伪品的比例预测限达到10％，即当掺伪品所掺有的伪品含量≥10％时，能够被准确预测其为非正品，预测率为100％。

表4鹅不食草的鉴别检测模型预测结果

正品预测率	伪品预测率	掺伪比例预测限
			100％	100％	10％

方法学验证

1、精密度试验

分别取表3中批次18的鹅不食草粉末、批次28的蚤缀粉末，按实施例1的方法分别制备供试品溶液，并按实施例1的色谱条件检测各供试品溶液，分别连续进样6次，得到包括35个共有峰的鹅不食草的色谱图和包括31个共有峰的蚤缀的色谱图，其中鹅不食草的35个共有峰依次编号，以22号共有峰为参照峰，各共有峰的相对保留时间如表5所示，各共有峰的相对峰面积如表6所示；蚤缀的31个共有峰依次编号，以14号共有峰为参照峰，各共有峰的相对保留时间如表7所示，各共有峰的相对峰面积如表8所示。根据表5、表7可知，鹅不食草各共有峰和蚤缀各共有峰的相对保留时间的相对标准偏差(RSD)均小于2％，根据表6、表8可知，鹅不食草各共有峰的相对峰面积和蚤缀各共有峰的相对峰面积的RSD均小于5％。

表明仪器精密度良好。

表5鹅不食草的共有峰的相对保留时间

表6鹅不食草的共有峰的相对峰面积

表7蚤缀的共有峰的相对保留时间

表8蚤缀的共有峰的相对峰面积

2、重复性试验

分别取表3中批次18的鹅不食草粉末、批次28的蚤缀粉末，按实施例1的方法分别制备供试品溶液，均平行制备6份，并按实施例1的色谱条件检测各供试品溶液，分别得到包括35个共有峰的鹅不食草的色谱图和包括31个共有峰的蚤缀的色谱图，其中鹅不食草的35个共有峰依次编号，以22号共有峰为参照峰，各共有峰的相对保留时间如表9所示，各共有峰的相对峰面积如表10所示；蚤缀的31个共有峰依次编号，以14号共有峰为参照峰，各共有峰的相对保留时间如表11所示，各共有峰的相对峰面积如表12所示。根据表9、表11可知，鹅不食草各共有峰和蚤缀各共有峰的相对保留时间的RSD均小于2％，根据表10、表12可知，鹅不食草各共有峰的相对峰面积和蚤缀各共有峰的相对峰面积的RSD均小于5％。表明该方法重复性良好。

表9鹅不食草的共有峰的相对保留时间

表10鹅不食草的共有峰的相对峰面积

表11蚤缀的共有峰的相对保留时间

表12蚤缀的共有峰的相对峰面积

3、稳定性试验

分别取实施例1中批次18的鹅不食草的供试品溶液、批次28的蚤缀的供试品溶液，分别于0、2、4、8、12、24h按实施例1的色谱条件进样检测，分别得到包括35个共有峰的鹅不食草的色谱图和包括31个共有峰的蚤缀的色谱图，其中鹅不食草的35个共有峰依次编号，以22号共有峰为参照峰，各共有峰的相对保留时间如表13所示，各共有峰的相对峰面积如表14所示；蚤缀的31个共有峰依次编号，以14号共有峰为参照峰，各共有峰的相对保留时间如表15所示，各共有峰的相对峰面积如表16所示。根据表13、表15可知，鹅不食草各共有峰和蚤缀各共有峰的相对保留时间的RSD均小于2％，根据表14、表16可知，鹅不食草各共有峰的相对峰面积和蚤缀各共有峰的相对峰面积的RSD均小于5％。表明鹅不食草的供试品溶液和蚤缀的供试品溶液在24h内均稳定。

表13鹅不食草的共有峰的相对保留时间

表14鹅不食草的共有峰的相对峰面积

表15蚤缀的共有峰的相对保留时间

表16蚤缀的共有峰的相对峰面积

本申请中，建立鹅不食草的鉴别检测模型时可采用任一本申请所述的伪品，例如蚤缀、苡芭菊或白鳞莎草，其中得到输出层的类别1为伪品，类别2为正品，需要说明的是，采用本申请的模型鉴别待测鹅不食草时，鹅不食草中所掺杂的伪品并不限于建立模型时所采用的伪品，例如采用一种伪品建立的鹅不食草的鉴别检测模型，也可以用于检测含有另一种伪品的待测鹅不食草的真伪鉴别，此时，伪品或掺伪品的鉴别结果输出层的类别为类别1，正品的鉴别结果输出层的类别为类别2。

本申请提供的一种鉴别鹅不食草的方法，采用高效液相色谱和反向传播神经网络，通过合理选择色谱条件，合理设置反向传播神经网络的函数和参数，建立一种能够全面地从化学成分的角度对鹅不食草的真伪进行鉴别的方法，能够快速、准确、可信地鉴别鹅不食草的真伪，鉴别出鹅不食草、其伪品及其掺伪品，从而保证鹅不食草临床用药的安全性和有效性。

以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (9)

1.一种鉴别鹅不食草的方法，其包括以下步骤：

(1)建立鹅不食草的鉴别检测模型：

取R份鹅不食草、S份伪品，以体积分数为70-100％的甲醇为溶剂，分别进行超声提取，得到R份鹅不食草、S份伪品的供试品溶液，其中，R≥30，S≥20；

采用高效液相色谱法检测所述供试品溶液，得到R份鹅不食草、S份伪品的色谱图；对各色谱图进行分析，根据色谱峰的保留时间，确定各份鹅不食草的色谱图中的共有峰和各份伪品的色谱图中的共有峰，并获得各共有峰的峰面积和保留时间；根据所述各共有峰的峰面积，采用反向传播神经网络，得到鹅不食草的鉴别检测模型；

其中，高效液相色谱法的色谱条件包括：

色谱柱：十八烷基硅烷键合硅胶色谱柱；

流动相：A相为体积分数为0.1-0.5％的甲酸水溶液，B相为乙腈；采用体积分数0-95％A相，5-100％B相，梯度洗脱；流速：0.8-1.2mL/min；柱温：35-45℃；进样体积：8-12μL；

(2)待测鹅不食草样品的鉴别：

取待测鹅不食草样品，以体积分数为70-100％的甲醇为溶剂，进行超声提取，得到待测样品溶液，在相同的色谱条件下获得所述待测样品溶液的色谱图，根据步骤(1)所述各共有峰的保留时间确定所述待测样品溶液的色谱图的共有峰并获得其峰面积，采用所述鉴别检测模型，鉴别得到待测鹅不食草样品的真伪。

2.根据权利要求1所述的方法，其中，步骤(1)中，鹅不食草的质量与溶剂体积的比值为1:(15-25)g/mL；伪品的质量与溶剂体积的比值为1:(15-25)g/mL。

3.根据权利要求1所述的方法，其中，步骤(1)中，超声提取的时间为30-50min，提取功率为300-500W，提取温度为20-30℃。

4.根据权利要求1所述的方法，其中，步骤(1)中，所述取R份鹅不食草，是取M批次鹅不食草，每批次取N份，以体积分数为70-100％的甲醇为溶剂，分别进行超声提取，得到R＝M×N份鹅不食草的供试品溶液，其中，M≥15，N≥2；所述取S份伪品，是取P批次伪品，每批次取Q份，以体积分数为70-100％的甲醇为溶剂，分别进行超声提取，得到S＝P×Q份伪品的供试品溶液，其中P≥10，Q≥2。

5.根据权利要求1所述的方法，其中，步骤(1)中，所述梯度洗脱具体为：0-5min，5-8％B；5-18min，8-18％B；18-25min，18-33％B；25-33min，33-45％B；33-43min，45-70％B；43-60min，70-100％B。

6.根据权利要求1所述的方法，其中，步骤(1)中，高效液相色谱法的检测条件包括：检测波长：253-255nm。

7.根据权利要求1所述的方法，其中，步骤(1)中，所述反向传播神经网络包括输入层、隐含层和输出层；在输入层中输入一份样品中各共有峰的峰面积；输出层中输出2个类别；隐含层为4层，节点数为4；

输入层到隐含层的传递函数为logsig，隐含层到输出层的传递函数为purelin，反向传播神经网络的训练函数为traingdx，性能函数为mse。

8.根据权利要求1所述的方法，其中，步骤(1)中，所述反向传播神经网络的参数包括：最大训练次数为400-500，学习率为0.005-0.015，训练精度≤0.01。

9.根据权利要求1-8中任一项所述的方法，其中，所述伪品选自蚤缀、苡芭菊或白鳞莎草。

Images