CN116665848A - 一种中药配比设备及其中药配比方法 - Google Patents

一种中药配比设备及其中药配比方法 Download PDF

Info

Publication number
CN116665848A
CN116665848A CN202310322246.XA CN202310322246A CN116665848A CN 116665848 A CN116665848 A CN 116665848A CN 202310322246 A CN202310322246 A CN 202310322246A CN 116665848 A CN116665848 A CN 116665848A
Authority
CN
China
Prior art keywords
chinese medicine
traditional chinese
sample
data
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202310322246.XA
Other languages
English (en)
Inventor
谭荣
张石宇
汤瑾
唐东昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Affiliated Hospital of Guizhou University of Traditional Chinese Medicine
Original Assignee
First Affiliated Hospital of Guizhou University of Traditional Chinese Medicine
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First Affiliated Hospital of Guizhou University of Traditional Chinese Medicine filed Critical First Affiliated Hospital of Guizhou University of Traditional Chinese Medicine
Priority to CN202310322246.XA priority Critical patent/CN116665848A/zh
Publication of CN116665848A publication Critical patent/CN116665848A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

本发明属于中药配比技术领域，公开了一种中药配比设备及其中药配比方法，所述中药配比设备包括：中药信息采集模块、主控模块、中药识别模块、中药质量评价模块、中药清洁模块、中药称量模块、中药配比模块、显示模块。本发明通过中药识别模块可以准确对中药药材识别；同时，通过中药质量评价模块对目标中药材数据进行系统整理、归纳、分析，通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息四位一体对药材质量进行综合评价，可直观判断出目标中药材质量等级，评价更加准确。本发明通过对药材进行溯源方法免去了采用传统化学计量法分析建库时所需的化学制剂及繁琐步骤。

Description

一种中药配比设备及其中药配比方法
技术领域
本发明属于中药配比技术领域，尤其涉及一种中药配比设备及其中药配比方法。
背景技术
中药就是指在中医理论指导下，用于预防、治疗、诊断疾病并具有康复与保健作用的物质。中药主要来源于天然药及其加工品，包括植物药、动物药、矿物药及部分化学、生物制品类药物。由于中药以植物药居多，故有“诸药以草为本”的说法。中药在治疗疾病等方面发挥着重要作用。目前，对于中药开展了各种研究，包括中药的采集、炮制、制剂、作用机制、临床应用等方面。中药配制和质量一直作为中药研究的重点，虽然近年来取得了一定的进展。然而，现有中药配比设备对中药药材识别不准确；同时，对于目标中药材的质量评价，没有统一快速有效的评价标准，通常通过人工的方式进行评价，主观因素大，导致评价结果不准确。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有中药配比设备对中药药材识别不准确。
(2)对于目标中药材的质量评价，没有统一快速有效的评价标准，通常通过人工的方式进行评价，主观因素大，导致评价结果不准确。
(3)现有技术对中药药材溯源繁琐。
发明内容
针对现有技术存在的问题，本发明提供了一种中药配比设备及其中药配比方法。
本发明是这样实现的，一种中药配比设备包括：
中药信息采集模块、主控模块、中药识别模块、中药质量评价模块、中药清洁模块、中药称量模块、中药配比模块、显示模块；
中药信息采集模块，与主控模块连接，用于采集中药药材信息，并对药材进行溯源；
所述对药材进行溯源方法：
利用预先训练好的预测模型对待测药材的原产地进行检测，得到所述待测药材的产地信息；所述预测模型的创建过程包括：利用近红外光谱分析技术采集不同产地、相同类型目标药材的原始光谱数据，并对所述原始光谱数据进行预处理，得到预处理光谱数据；
其中，所述目标药材包括与所述待测药材同类型的药材；提取所述预处理光谱数据中的地理位置信息，并根据所述地理位置信息对所述预处理光谱数据设置相对应的产地标签，得到重建光谱数据；从所述重建光谱数据中选取训练集数据和测试集数据；
基于分类算法对所述训练集数据进行训练，得到训练模型；利用所述测试集数据对所述训练模型进行测试，以判断所述训练模型是否存在过拟合；若否，则判断所述预测模型是否存在欠拟合；若否，则将所述训练模型判定为所述预测模型；
主控模块，与中药信息采集模块、中药识别模块、中药质量评价模块、中药清洁模块、中药称量模块、中药配比模块、显示模块连接，用于控制各个模块正常工作；
所述主控模块通过数据总线连接各个模块，并通过数据总线调度各个模块数据，对各个模块进行控制；
中药识别模块，与主控模块连接，用于对中药药材进行识别；
中药质量评价模块，与主控模块连接，用于对中药药材质量进行评价；
中药清洁模块，与主控模块连接，用于对中药药材进行清洁；
所述中药清洁模块清洗方法：
对中药材去杂，通过清洗机对中药材进行清洗；
清洗后，进行晾干；
中药称量模块，与主控模块连接，用于对中药药材进行称量；
所述中药称量模块称量方法：
配置称量器参数，通过称量器对中药药材用量进行称量操作；
中药配比模块，与主控模块连接，用于对中药药材进行配比；
所述中药配比模块配比方法：
通过采用多相多溶剂同步分离技术和其它现代中药提取技术，分离中药，提取有效成分；
通过药效学实验和中药有效成分提取物的指纹图谱，建立谱效结合的中药有效成分质量标准和数据库；
通过医生或药师将处方输入计算机中；通过文字识别程序识别药方中各个药材用量数据；
根据药材用量数据称取对应用量药材，从而对药材进行配比处理；
显示模块，与主控模块连接，用于显示中药药材信息、识别结果。
一种中药配比方法包括以下步骤：
步骤一，通过中药信息采集模块采集中药药材信息，并对药材进行溯源；
所述对药材进行溯源方法：
利用预先训练好的预测模型对待测药材的原产地进行检测，得到所述待测药材的产地信息；所述预测模型的创建过程包括：利用近红外光谱分析技术采集不同产地、相同类型目标药材的原始光谱数据，并对所述原始光谱数据进行预处理，得到预处理光谱数据；、
其中，所述目标药材包括与所述待测药材同类型的药材；提取所述预处理光谱数据中的地理位置信息，并根据所述地理位置信息对所述预处理光谱数据设置相对应的产地标签，得到重建光谱数据；从所述重建光谱数据中选取训练集数据和测试集数据；
基于分类算法对所述训练集数据进行训练，得到训练模型；利用所述测试集数据对所述训练模型进行测试，以判断所述训练模型是否存在过拟合；若否，则判断所述预测模型是否存在欠拟合；若否，则将所述训练模型判定为所述预测模型；
步骤二，主控模块通过中药识别模块对中药药材进行识别；
步骤三，通过中药质量评价模块对中药药材质量进行评价；通过中药清洁模块对中药药材进行清洁；通过中药称量模块对中药药材进行称量；
步骤四，通过中药配比模块对中药药材进行配比；通过显示模块显示中药药材信息、识别结果。
进一步，所述中药识别模块识别方法如下：
(1)中药药材色谱-质谱高维图像数据库的建立；对中药药材色谱-质谱高维图像图像增强处理；
获取与处理已知中药药材样本的原始色谱-质谱X-MS数据：使用色谱和质谱获取已知中药药材样本的原始X-MS数据，将已知中药药材样本原始X-MS数据导入峰提取软件中对色谱-质谱联用原始X-MS数据进行数据处理；
生成已知中药药材样本的高维数据与图像：获取样本中每个化合物的m/z、t、I、m、z值，产生高维数据矩阵，生成已知中药药材样本色谱-质谱联用高维数据；将高维数据导入图像生成软件生成图像，使高维数据中的每个离子与构成图像中的点一一对应，每个点拥有自己的坐标信息t，m/z，m，m与z，每个点的强度由点的大小或/和亮度的强弱表示，高维数据图像中的点与高维数据一一对应；高维数据矩阵为m/z-t-I矩阵、m-z-t-I矩阵或m-t-I矩阵；
建立已知中药药材样本的色谱-质谱高维图像数据库：将获得的1类或2类以上已知中药药材样本高维数据图像作为中药药材色谱-质谱高维图像数据库，类别数≧1，每类已知中药药材样本中的样本数为1个或2个以上；中药药材色谱-质谱高维图像数据库，包括已知中药药材样本的样本信息、原始X-MS数据信息、高维数据信息、高维图像数据信息；数据库类型包括文件夹数据集、网页数据库、基于商业化工作站或基于用户自研发工作站的数据库；
(2)中药药材色谱-质谱高维图像数据库的应用；
未知样本高维图像数据的获取：针对待分析的未知样本进行分析，获取未知样本原始X-MS数据和高维数据；利用图像生成软件将X-MS数据得到未知样本的X-MS高维图像；
未知样本的识别：
A、利用机器学习中的图像分割工具，或聚类工具，将未知样本X-MS高维图像中的点分割为n个点簇，n为大于等于1的整数；聚类工具为K-Means，DBSCAN或Fanny中的一种或二种以上；
点簇指的是在空间上距离接近的点的集合，点簇内点的个数n≥3；
每个点簇有自己的中心点，点簇的形状为任意形状；
B、将提取点簇后的未知样本X-MS高维图像与中药药材X-MS高维图像数据库中的已知中药药材样本X-MS高维图像逐一进行分别扫描和匹配；
扫描时，将两个X-MS高维图像的原点，m/z轴和m轴两者之一，t轴对齐；
扫描时，点簇作为一个整体，移动的范围为0-Tk，Tk为已知中药药材样本对应的最大分析时间；
扫描时，未知样本的每个点簇保留其m/z或m轴的位置和几何形状，沿时间轴进行扫描；
通过扫描，寻找未知样本点簇与已知中药药材样本X-MS高维图像中能够在t轴，m/z轴和m轴两者之一能够准确匹配的共同点；扫描过程中，在未知样本中的一个点簇中的点与已知中药药材样本X-MS高维图像中的点进行匹配时，每个点允许的t绝对偏移值为≥T，T等于未知样本X-MS数据采集时色谱仪允许的保留时间平均偏移值与已知中药药材样本X-MS数据采集时色谱仪允许的保留时间平均偏移值之和，其中保留时间平均偏移值为绝对值表示，用1个或1个以上标准物质，或某样本中的1个或1个以上化合物的多次重复测定计算；
扫描过程中，在未知样本中的一个点簇中的点与已知中药药材样本X-MS高维图像中的点进行匹配时，每个点允许的m/z或m绝对测定误差≥A，A等于未知和已知中药药材样本X-MS数据采集时质谱仪扫描时允许的质量平均偏差之和；质量平均偏差为绝对值表示，由仪器所用的校正液多次重复测定；
当未知样本点簇内一个点与已知中药药材样本的某个点满足t偏差，m/z偏差和m偏差两者之一时，认为该点符合匹配要求；
扫描时，点簇沿时间轴扫描的步长≤T，0s＜T＜10000s；
C、当一个点簇移动到已知中药药材样本X-MS高维图像的t轴的每一个位置时，记录匹配点的个数、每个匹配点的坐标和点簇几何中心点的坐标；
D、计算每一个位置时，未知样本一个点簇i，i为≥1的整数，此点簇与该已知中药药材样本X-MS高维图像之间的匹配度Si，匹配度的大小利用统计工具计算点簇i与已知中药药材样本X-MS高维图像所匹配的点数、或相似度、或相关度中的一种或二种以上进行计算；
三种方法得到的匹配度分别由点数或点数的函数、相似度或相关度表示；
点簇匹配度大小，与点簇匹配的点数、坐标位置t,m/z和强度这四个变量呈线性或非线性相关；计算点数或点数的函数、相似度或相关度的基础是基于四个变量的关系变换；
选用不同的匹配度计算方法分别计算点簇和已知中药药材样本X-MS高维图像的整体匹配度；
匹配点的个数指的是点簇符合匹配条件点的个数；基于上述步骤，对未知样本X-MS高维图像中每一个点簇的最大匹配度Si进行数学加权处理，得到未知样本X-MS高维图像与已知中药药材样本X-MS高维图像的整体匹配度Sc；
E、重复上述步骤，逐一分析未知样本X-MS高维图像与其它已知中药药材样本X-MS高维图像之间的匹配度，得到其与每一个已知中药药材样本的整体匹配度Sc；
F、未知样本的所属类别可不借助阈值或借助阈值进行判定；
当不借助阈值时，利用上述步骤，将未知样本与已知中药药材样本进行匹配，对匹配度从大到小进行排序，若未知样本与某一已知中药药材样本的匹配度排名越靠前，表明未知样本为与该样本的可能性越大，反之越小；
或，当借助阈值时，设定阈值γ，用于判断不同来源未知样本与同类已知中药药材样本匹配的可信范围；
阈值根据统计学的方法设定：选取2个以上同类别的已知中药药材样本作为某一类样本的训练样本，进行分析，获取X-MS原始数据；利用图像生成软件将X-MS原始数据或多维信息文本转化为X-MS高维图像，得到该类样本的训练X-MS高维图像集；利用训练X-MS高维图像集，与同类已知中药药材样本X-MS高维图像进行匹配，通过统计学的方法发现匹配度分布区间，选定分布区间中匹配度的下限作为该类样本的阈值γ；
将未知样本与已知中药药材样本进行匹配，匹配度按照从大到小进行排序，若未知样本与某类已知中药药材样本的匹配度排名越靠前，且Sc大于由该类已知中药药材样本测定所得的阈值γ，表明未知样本为该类样本的可能性越大，反之越小；
3)未知样本识别结果的验证：
将与未知样本匹配的已知中药药材样本按匹配度排名排列，在未知样品的原始X-MS数据信息和/或高维数据信息中按上述匹配度排名依次检索对应已知中药药材样本的标志性化合物，标志性化合物数目≧1，未知样本中检索到标志性化合物时即接受未知样本是该已知中药药材样本，停止检索；若第一排名已知中药药材样本在未知样本中未搜索到，接下来在未知样本中检索第二排名已知样本标志性化合物，以此类推，一直到检索到标志性化合物为止；
若所有匹配到的已知样本中的标志性化合物在未知样本中都没有检索到，即认为已建立的数据库中没有包含该未知样本；识别过程中样品是制备方法采用超声提取10min，15000转/分钟高速离心10min取上清液，色谱方法中色谱柱的柱温为60℃，进样量为2uL；质谱方法中数据采集范围m/z 100-3200。
进一步，所述获得标准品样本的高维数据；将标志性化合物高维数据与未知样本高维数据匹配，寻找未知样本中与标志性化合物保留时间t和m/z均满足阈值窗口的离子；
或B，不具有标准品的标志性化合物的检索：搜索未知样本中标志性化合物的m/z值，寻找未知样本中与已知中药药材样本中标志性化合物保留时间t和m/z均满足阈值窗口的离子。
进一步，所述已知中药药材样本为类别信息明确的样本,类别信息为样本的种属、产地、部位、炮制方式中的一种或二种以上；未知样本为类别信息待明确的样本；
可使用的已知中药药材样本包括中药药材原药材、饮片、粉末中的一种或二种以上，同时包含中药药材的不同部位以及它们的各种加工品中的一种或二种以上；
可使用的未知样本为中药药材原药材、饮片、粉末、制剂中的一种或二种以上，同时包含中药药材的不同部位以及它们的各种加工品中的一种或二种以上，制剂为中药药材颗粒、中药药材注射液中的一种或二种以上。
进一步，所述中药质量评价模块评价方法如下：
1)构建中药材数据库；将获取的中药数据存入中药材数据库；获取目标中药材数据，包括目标中药材的种植环境信息；根据所述目标中药材的种植环境信息进行分类，得到分类结果，所述分类结果包括家种药材数据和野生药材数据；
2)根据所述分类结果，根据预设规则对所述药材的质量进行评价，得到评价结果，所述预设规则包括第一预设规则和第二预设规则：
当所述分类结果为家种药材数据，根据所述第一预设规则对所述家种药材的质量进行评价，得到评价结果，所述第一预设规则根据家种药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息获得；
当所述分类结果为野生药材数据，根据所述第二预设规则对所述野生药材的质量进行评价，得到评价结果，所述第二预设规则根据野生药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息获得；
3)根据所述评价结果，得到对所述目标中药材的质量评价分数。
进一步，所述根据所述评价结果，得到对所述目标中药材的质量评价分数具体为：
根据预设权重分配规则对所述评价结果进行权重分配，得到分配结果，所述评价结果中包括品牌类指标评价结果、物理规格类指标评价结果、药典类指标评价结果和专家综合评价类指标评价结果；
根据所述分配结果，得到对所述目标中药材的质量评价分数。
进一步，所述品牌类指标信息包括目标中药材生长的自然条件信息和生态环境信息，不同自然条件和生态环境对应不同的评价标准。
进一步，所述物理规格类指标信息包括目标中药材的形状特征、大小尺寸、炮制方法、干湿度、碎屑和虫蛀霉变信息，不同的物理规格信息对应不同的评价标准。
进一步，所述药典类指标信息包括目标中药材中的农残、重金属、有效成分含量、黄曲霉素、水分、灰分和浸出物信息，不同的药典类指标信息对应不同的评价标准。
结合上述的技术方案和解决的技术问题，从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过中药识别模块可以准确对中药药材识别；同时，通过中药质量评价模块对目标中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息四位一体对药材质量进行综合评价，可直观判断出目标中药材质量等级，评价更加准确，更加正。
本发明通过对药材进行溯源方法不仅可以有利于捕捉近红外短波区的微弱特征信号，而且，也免去了采用传统化学计量法分析建库时所需的化学制剂及繁琐步骤，由此就可以显著降低在对药材产地进行溯源检测时所需要的检测成本与检测时间。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过中药识别模块可以准确对中药药材识别；同时，通过中药质量评价模块对目标中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息四位一体对药材质量进行综合评价，可直观判断出目标中药材质量等级，评价更加准确，更加正。
附图说明
图1是本发明实施例提供的中药配比方法流程图。
图2是本发明实施例提供的中药配比设备结构框图。
图3是本发明实施例提供的中药识别模块识别方法流程图。
图4是本发明实施例提供的中药质量评价模块评价方法流程图。
图2中：1、中药信息采集模块；2、主控模块；3、中药识别模块；4、中药质量评价模块；5、中药清洁模块；6、中药称量模块；7、中药配比模块；8、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明提供的中药配比方法包括以下步骤：
S101，通过中药信息采集模块采集中药药材信息，并对药材进行溯源；
所述对药材进行溯源方法：
利用预先训练好的预测模型对待测药材的原产地进行检测，得到所述待测药材的产地信息；所述预测模型的创建过程包括：利用近红外光谱分析技术采集不同产地、相同类型目标药材的原始光谱数据，并对所述原始光谱数据进行预处理，得到预处理光谱数据；、
其中，所述目标药材包括与所述待测药材同类型的药材；提取所述预处理光谱数据中的地理位置信息，并根据所述地理位置信息对所述预处理光谱数据设置相对应的产地标签，得到重建光谱数据；从所述重建光谱数据中选取训练集数据和测试集数据；
基于分类算法对所述训练集数据进行训练，得到训练模型；利用所述测试集数据对所述训练模型进行测试，以判断所述训练模型是否存在过拟合；若否，则判断所述预测模型是否存在欠拟合；若否，则将所述训练模型判定为所述预测模型；
S102，主控模块通过中药识别模块对中药药材进行识别；
S103，通过中药质量评价模块对中药药材质量进行评价；通过中药清洁模块对中药药材进行清洁；通过中药称量模块对中药药材进行称量；
S104，通过中药配比模块对中药药材进行配比；通过显示模块显示中药药材信息、识别结果。
如图2所示，本发明实施例提供的中药配比设备包括：中药信息采集模块1、主控模块2、中药识别模块3、中药质量评价模块4、中药清洁模块5、中药称量模块6、中药配比模块7、显示模块8。
中药信息采集模块1，与主控模块2连接，用于采集中药药材信息，并对药材进行溯源；
所述对药材进行溯源方法：
利用预先训练好的预测模型对待测药材的原产地进行检测，得到所述待测药材的产地信息；所述预测模型的创建过程包括：利用近红外光谱分析技术采集不同产地、相同类型目标药材的原始光谱数据，并对所述原始光谱数据进行预处理，得到预处理光谱数据；
其中，所述目标药材包括与所述待测药材同类型的药材；提取所述预处理光谱数据中的地理位置信息，并根据所述地理位置信息对所述预处理光谱数据设置相对应的产地标签，得到重建光谱数据；从所述重建光谱数据中选取训练集数据和测试集数据；
基于分类算法对所述训练集数据进行训练，得到训练模型；利用所述测试集数据对所述训练模型进行测试，以判断所述训练模型是否存在过拟合；若否，则判断所述预测模型是否存在欠拟合；若否，则将所述训练模型判定为所述预测模型；
主控模块2，与中药信息采集模块1、中药识别模块3、中药质量评价模块4、中药清洁模块5、中药称量模块6、中药配比模块7、显示模块8连接，用于控制各个模块正常工作；
所述主控模块通过数据总线连接各个模块，并通过数据总线调度各个模块数据，对各个模块进行控制；
中药识别模块3，与主控模块2连接，用于对中药药材进行识别；
中药质量评价模块4，与主控模块2连接，用于对中药药材质量进行评价；
中药清洁模块5，与主控模块2连接，用于对中药药材进行清洁；
所述中药清洁模块清洗方法：
对中药材去杂，通过清洗机对中药材进行清洗；
清洗后，进行晾干；
中药称量模块6，与主控模块2连接，用于对中药药材进行称量；
所述中药称量模块称量方法：
配置称量器参数，通过称量器对中药药材用量进行称量操作；
中药配比模块7，与主控模块2连接，用于对中药药材进行配比；
所述中药配比模块配比方法：
通过采用多相多溶剂同步分离技术和其它现代中药提取技术，分离中药，提取有效成分；
通过药效学实验和中药有效成分提取物的指纹图谱，建立谱效结合的中药有效成分质量标准和数据库；
通过医生或药师将处方输入计算机中；通过文字识别程序识别药方中各个药材用量数据；
根据药材用量数据称取对应用量药材，从而对药材进行配比处理；
显示模块8，与主控模块2连接，用于显示中药药材信息、识别结果。
如图3所示，本发明提供的中药识别模块3识别方法如下：
S201，中药药材色谱-质谱高维图像数据库的建立；对中药药材色谱-质谱高维图像图像增强处理；
获取与处理已知中药药材样本的原始色谱-质谱X-MS数据：使用色谱和质谱获取已知中药药材样本的原始X-MS数据，将已知中药药材样本原始X-MS数据导入峰提取软件中对色谱-质谱联用原始X-MS数据进行数据处理；
生成已知中药药材样本的高维数据与图像：获取样本中每个化合物的m/z、t、I、m、z值，产生高维数据矩阵，生成已知中药药材样本色谱-质谱联用高维数据；将高维数据导入图像生成软件生成图像，使高维数据中的每个离子与构成图像中的点一一对应，每个点拥有自己的坐标信息t，m/z，m，m与z，每个点的强度由点的大小或/和亮度的强弱表示，高维数据图像中的点与高维数据一一对应；高维数据矩阵为m/z-t-I矩阵、m-z-t-I矩阵或m-t-I矩阵；
建立已知中药药材样本的色谱-质谱高维图像数据库：将获得的1类或2类以上已知中药药材样本高维数据图像作为中药药材色谱-质谱高维图像数据库，类别数≧1，每类已知中药药材样本中的样本数为1个或2个以上；中药药材色谱-质谱高维图像数据库，包括已知中药药材样本的样本信息、原始X-MS数据信息、高维数据信息、高维图像数据信息；数据库类型包括文件夹数据集、网页数据库、基于商业化工作站或基于用户自研发工作站的数据库；
S202，中药药材色谱-质谱高维图像数据库的应用；
未知样本高维图像数据的获取：针对待分析的未知样本进行分析，获取未知样本原始X-MS数据和高维数据；利用图像生成软件将X-MS数据得到未知样本的X-MS高维图像；
未知样本的识别：
A、利用机器学习中的图像分割工具，或聚类工具，将未知样本X-MS高维图像中的点分割为n个点簇，n为大于等于1的整数；聚类工具为K-Means，DBSCAN或Fanny中的一种或二种以上；
点簇指的是在空间上距离接近的点的集合，点簇内点的个数n≥3；
每个点簇有自己的中心点，点簇的形状为任意形状；
B、将提取点簇后的未知样本X-MS高维图像与中药药材X-MS高维图像数据库中的已知中药药材样本X-MS高维图像逐一进行分别扫描和匹配；
扫描时，将两个X-MS高维图像的原点，m/z轴和m轴两者之一，t轴对齐；
扫描时，点簇作为一个整体，移动的范围为0-Tk，Tk为已知中药药材样本对应的最大分析时间；
扫描时，未知样本的每个点簇保留其m/z或m轴的位置和几何形状，沿时间轴进行扫描；
通过扫描，寻找未知样本点簇与已知中药药材样本X-MS高维图像中能够在t轴，m/z轴和m轴两者之一能够准确匹配的共同点；扫描过程中，在未知样本中的一个点簇中的点与已知中药药材样本X-MS高维图像中的点进行匹配时，每个点允许的t绝对偏移值为≥T，T等于未知样本X-MS数据采集时色谱仪允许的保留时间平均偏移值与已知中药药材样本X-MS数据采集时色谱仪允许的保留时间平均偏移值之和，其中保留时间平均偏移值为绝对值表示，用1个或1个以上标准物质，或某样本中的1个或1个以上化合物的多次重复测定计算；
扫描过程中，在未知样本中的一个点簇中的点与已知中药药材样本X-MS高维图像中的点进行匹配时，每个点允许的m/z或m绝对测定误差≥A，A等于未知和已知中药药材样本X-MS数据采集时质谱仪扫描时允许的质量平均偏差之和；质量平均偏差为绝对值表示，由仪器所用的校正液多次重复测定；
当未知样本点簇内一个点与已知中药药材样本的某个点满足t偏差，m/z偏差和m偏差两者之一时，认为该点符合匹配要求；
扫描时，点簇沿时间轴扫描的步长≤T，0s＜T＜10000s；
C、当一个点簇移动到已知中药药材样本X-MS高维图像的t轴的每一个位置时，记录匹配点的个数、每个匹配点的坐标和点簇几何中心点的坐标；
D、计算每一个位置时，未知样本一个点簇i，i为≥1的整数，此点簇与该已知中药药材样本X-MS高维图像之间的匹配度Si，匹配度的大小利用统计工具计算点簇i与已知中药药材样本X-MS高维图像所匹配的点数、或相似度、或相关度中的一种或二种以上进行计算；
三种方法得到的匹配度分别由点数或点数的函数、相似度或相关度表示；
点簇匹配度大小，与点簇匹配的点数、坐标位置t,m/z和强度这四个变量呈线性或非线性相关；计算点数或点数的函数、相似度或相关度的基础是基于四个变量的关系变换；
选用不同的匹配度计算方法分别计算点簇和已知中药药材样本X-MS高维图像的整体匹配度；
匹配点的个数指的是点簇符合匹配条件点的个数；基于上述步骤，对未知样本X-MS高维图像中每一个点簇的最大匹配度Si进行数学加权处理，得到未知样本X-MS高维图像与已知中药药材样本X-MS高维图像的整体匹配度Sc；
E、重复上述步骤，逐一分析未知样本X-MS高维图像与其它已知中药药材样本X-MS高维图像之间的匹配度，得到其与每一个已知中药药材样本的整体匹配度Sc；
F、未知样本的所属类别可不借助阈值或借助阈值进行判定；
当不借助阈值时，利用上述步骤，将未知样本与已知中药药材样本进行匹配，对匹配度从大到小进行排序，若未知样本与某一已知中药药材样本的匹配度排名越靠前，表明未知样本为与该样本的可能性越大，反之越小；
或，当借助阈值时，设定阈值γ，用于判断不同来源未知样本与同类已知中药药材样本匹配的可信范围；
阈值根据统计学的方法设定：选取2个以上同类别的已知中药药材样本作为某一类样本的训练样本，进行分析，获取X-MS原始数据；利用图像生成软件将X-MS原始数据或多维信息文本转化为X-MS高维图像，得到该类样本的训练X-MS高维图像集；利用训练X-MS高维图像集，与同类已知中药药材样本X-MS高维图像进行匹配，通过统计学的方法发现匹配度分布区间，选定分布区间中匹配度的下限作为该类样本的阈值γ；
将未知样本与已知中药药材样本进行匹配，匹配度按照从大到小进行排序，若未知样本与某类已知中药药材样本的匹配度排名越靠前，且Sc大于由该类已知中药药材样本测定所得的阈值γ，表明未知样本为该类样本的可能性越大，反之越小；
未知样本识别结果的验证：
将与未知样本匹配的已知中药药材样本按匹配度排名排列，在未知样品的原始X-MS数据信息和/或高维数据信息中按上述匹配度排名依次检索对应已知中药药材样本的标志性化合物，标志性化合物数目≧1，未知样本中检索到标志性化合物时即接受未知样本是该已知中药药材样本，停止检索；若第一排名已知中药药材样本在未知样本中未搜索到，接下来在未知样本中检索第二排名已知样本标志性化合物，以此类推，一直到检索到标志性化合物为止；
若所有匹配到的已知样本中的标志性化合物在未知样本中都没有检索到，即认为已建立的数据库中没有包含该未知样本；识别过程中样品是制备方法采用超声提取10min，15000转/分钟高速离心10min取上清液，色谱方法中色谱柱的柱温为60℃，进样量为2uL；质谱方法中数据采集范围m/z 100-3200。
本发明提供的获得标准品样本的高维数据；将标志性化合物高维数据与未知样本高维数据匹配，寻找未知样本中与标志性化合物保留时间t和m/z均满足阈值窗口的离子；
或B，不具有标准品的标志性化合物的检索：搜索未知样本中标志性化合物的m/z值，寻找未知样本中与已知中药药材样本中标志性化合物保留时间t和m/z均满足阈值窗口的离子。
本发明提供的已知中药药材样本为类别信息明确的样本,类别信息为样本的种属、产地、部位、炮制方式中的一种或二种以上；未知样本为类别信息待明确的样本；
可使用的已知中药药材样本包括中药药材原药材、饮片、粉末中的一种或二种以上，同时包含中药药材的不同部位以及它们的各种加工品中的一种或二种以上；
可使用的未知样本为中药药材原药材、饮片、粉末、制剂中的一种或二种以上，同时包含中药药材的不同部位以及它们的各种加工品中的一种或二种以上，制剂为中药药材颗粒、中药药材注射液中的一种或二种以上。
如图4所示，本发明提供的中药质量评价模块4评价方法如下：
S301，构建中药材数据库；将获取的中药数据存入中药材数据库；获取目标中药材数据，包括目标中药材的种植环境信息；根据所述目标中药材的种植环境信息进行分类，得到分类结果，所述分类结果包括家种药材数据和野生药材数据；
S302，根据所述分类结果，根据预设规则对所述药材的质量进行评价，得到评价结果，所述预设规则包括第一预设规则和第二预设规则：
当所述分类结果为家种药材数据，根据所述第一预设规则对所述家种药材的质量进行评价，得到评价结果，所述第一预设规则根据家种药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息获得；
当所述分类结果为野生药材数据，根据所述第二预设规则对所述野生药材的质量进行评价，得到评价结果，所述第二预设规则根据野生药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息获得；
S303，根据所述评价结果，得到对所述目标中药材的质量评价分数。
本发明提供的根据所述评价结果，得到对所述目标中药材的质量评价分数具体为：
根据预设权重分配规则对所述评价结果进行权重分配，得到分配结果，所述评价结果中包括品牌类指标评价结果、物理规格类指标评价结果、药典类指标评价结果和专家综合评价类指标评价结果；
根据所述分配结果，得到对所述目标中药材的质量评价分数。
本发明提供的品牌类指标信息包括目标中药材生长的自然条件信息和生态环境信息，不同自然条件和生态环境对应不同的评价标准。
本发明提供的物理规格类指标信息包括目标中药材的形状特征、大小尺寸、炮制方法、干湿度、碎屑和虫蛀霉变信息，不同的物理规格信息对应不同的评价标准。
本发明提供的药典类指标信息包括目标中药材中的农残、重金属、有效成分含量、黄曲霉素、水分、灰分和浸出物信息，不同的药典类指标信息对应不同的评价标准。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明通过中药识别模块可以准确对中药药材识别；同时，通过中药质量评价模块对目标中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息四位一体对药材质量进行综合评价，可直观判断出目标中药材质量等级，评价更加准确，更加正。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
本发明通过中药识别模块可以准确对中药药材识别；同时，通过中药质量评价模块对目标中药材数据进行系统整理、归纳、分析,通过品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息四位一体对药材质量进行综合评价，可直观判断出目标中药材质量等级，评价更加准确，更加正。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种中药配比设备，其特征在于，所述中药配比设备包括：
中药信息采集模块、主控模块、中药识别模块、中药质量评价模块、中药清洁模块、中药称量模块、中药配比模块、显示模块；
中药信息采集模块，与主控模块连接，用于采集中药药材信息，并对药材进行溯源；
所述对药材进行溯源方法：
利用预先训练好的预测模型对待测药材的原产地进行检测，得到所述待测药材的产地信息；所述预测模型的创建过程包括：利用近红外光谱分析技术采集不同产地、相同类型目标药材的原始光谱数据，并对所述原始光谱数据进行预处理，得到预处理光谱数据；
其中，所述目标药材包括与所述待测药材同类型的药材；提取所述预处理光谱数据中的地理位置信息，并根据所述地理位置信息对所述预处理光谱数据设置相对应的产地标签，得到重建光谱数据；从所述重建光谱数据中选取训练集数据和测试集数据；
基于分类算法对所述训练集数据进行训练，得到训练模型；利用所述测试集数据对所述训练模型进行测试，以判断所述训练模型是否存在过拟合；若否，则判断所述预测模型是否存在欠拟合；若否，则将所述训练模型判定为所述预测模型；
主控模块，与中药信息采集模块、中药识别模块、中药质量评价模块、中药清洁模块、中药称量模块、中药配比模块、显示模块连接，用于控制各个模块正常工作；
所述主控模块通过数据总线连接各个模块，并通过数据总线调度各个模块数据，对各个模块进行控制；
中药识别模块，与主控模块连接，用于对中药药材进行识别；
中药质量评价模块，与主控模块连接，用于对中药药材质量进行评价；
中药清洁模块，与主控模块连接，用于对中药药材进行清洁；
所述中药清洁模块清洗方法：
对中药材去杂，通过清洗机对中药材进行清洗；
清洗后，进行晾干；
中药称量模块，与主控模块连接，用于对中药药材进行称量；
所述中药称量模块称量方法：
配置称量器参数，通过称量器对中药药材用量进行称量操作；
中药配比模块，与主控模块连接，用于对中药药材进行配比；
所述中药配比模块配比方法：
通过采用多相多溶剂同步分离技术和其它现代中药提取技术，分离中药，提取有效成分；
通过药效学实验和中药有效成分提取物的指纹图谱，建立谱效结合的中药有效成分质量标准和数据库；
通过医生或药师将处方输入计算机中；通过文字识别程序识别药方中各个药材用量数据；
根据药材用量数据称取对应用量药材，从而对药材进行配比处理；
显示模块，与主控模块连接，用于显示中药药材信息、识别结果。
2.一种如权利要求1所述的中药配比方法，其特征在于，所述中药配比方法包括以下步骤：
步骤一，通过中药信息采集模块采集中药药材信息，并对药材进行溯源；
步骤二，主控模块通过中药识别模块对中药药材进行识别；
步骤三，通过中药质量评价模块对中药药材质量进行评价；通过中药清洁模块对中药药材进行清洁；通过中药称量模块对中药药材进行称量；
步骤四，通过中药配比模块对中药药材进行配比；通过显示模块显示中药药材信息、识别结果。
3.如权利要求1所述中药配比设备，其特征在于，所述中药识别模块识别方法如下：
(1)中药药材色谱-质谱高维图像数据库的建立；对中药药材色谱-质谱高维图像图像增强处理；
获取与处理已知中药药材样本的原始色谱-质谱X-MS数据：使用色谱和质谱获取已知中药药材样本的原始X-MS数据，将已知中药药材样本原始X-MS数据导入峰提取软件中对色谱-质谱联用原始X-MS数据进行数据处理；
生成已知中药药材样本的高维数据与图像：获取样本中每个化合物的m/z、t、I、m、z值，产生高维数据矩阵，生成已知中药药材样本色谱-质谱联用高维数据；将高维数据导入图像生成软件生成图像，使高维数据中的每个离子与构成图像中的点一一对应，每个点拥有自己的坐标信息t，m/z，m，m与z，每个点的强度由点的大小或/和亮度的强弱表示，高维数据图像中的点与高维数据一一对应；高维数据矩阵为m/z-t-I矩阵、m-z-t-I矩阵或m-t-I矩阵；
建立已知中药药材样本的色谱-质谱高维图像数据库：将获得的1类或2类以上已知中药药材样本高维数据图像作为中药药材色谱-质谱高维图像数据库，类别数≧1，每类已知中药药材样本中的样本数为1个或2个以上；中药药材色谱-质谱高维图像数据库，包括已知中药药材样本的样本信息、原始X-MS数据信息、高维数据信息、高维图像数据信息；数据库类型包括文件夹数据集、网页数据库、基于商业化工作站或基于用户自研发工作站的数据库；
(2)中药药材色谱-质谱高维图像数据库的应用；
未知样本高维图像数据的获取：针对待分析的未知样本进行分析，获取未知样本原始X-MS数据和高维数据；利用图像生成软件将X-MS数据得到未知样本的X-MS高维图像；
未知样本的识别：
A、利用机器学习中的图像分割工具，或聚类工具，将未知样本X-MS高维图像中的点分割为n个点簇，n为大于等于1的整数；聚类工具为K-Means，DBSCAN或Fanny中的一种或二种以上；
点簇指的是在空间上距离接近的点的集合，点簇内点的个数n≥3；
每个点簇有自己的中心点，点簇的形状为任意形状；
B、将提取点簇后的未知样本X-MS高维图像与中药药材X-MS高维图像数据库中的已知中药药材样本X-MS高维图像逐一进行分别扫描和匹配；
扫描时，将两个X-MS高维图像的原点，m/z轴和m轴两者之一，t轴对齐；
扫描时，点簇作为一个整体，移动的范围为0-Tk，Tk为已知中药药材样本对应的最大分析时间；
扫描时，未知样本的每个点簇保留其m/z或m轴的位置和几何形状，沿时间轴进行扫描；
通过扫描，寻找未知样本点簇与已知中药药材样本X-MS高维图像中能够在t轴，m/z轴和m轴两者之一能够准确匹配的共同点；扫描过程中，在未知样本中的一个点簇中的点与已知中药药材样本X-MS高维图像中的点进行匹配时，每个点允许的t绝对偏移值为≥T，T等于未知样本X-MS数据采集时色谱仪允许的保留时间平均偏移值与已知中药药材样本X-MS数据采集时色谱仪允许的保留时间平均偏移值之和，其中保留时间平均偏移值为绝对值表示，用1个或1个以上标准物质，或某样本中的1个或1个以上化合物的多次重复测定计算；
扫描过程中，在未知样本中的一个点簇中的点与已知中药药材样本X-MS高维图像中的点进行匹配时，每个点允许的m/z或m绝对测定误差≥A，A等于未知和已知中药药材样本X-MS数据采集时质谱仪扫描时允许的质量平均偏差之和；质量平均偏差为绝对值表示，由仪器所用的校正液多次重复测定；
当未知样本点簇内一个点与已知中药药材样本的某个点满足t偏差，m/z偏差和m偏差两者之一时，认为该点符合匹配要求；
扫描时，点簇沿时间轴扫描的步长≤T，0s＜T＜10000s；
C、当一个点簇移动到已知中药药材样本X-MS高维图像的t轴的每一个位置时，记录匹配点的个数、每个匹配点的坐标和点簇几何中心点的坐标；
D、计算每一个位置时，未知样本一个点簇i，i为≥1的整数，此点簇与该已知中药药材样本X-MS高维图像之间的匹配度Si，匹配度的大小利用统计工具计算点簇i与已知中药药材样本X-MS高维图像所匹配的点数、或相似度、或相关度中的一种或二种以上进行计算；
三种方法得到的匹配度分别由点数或点数的函数、相似度或相关度表示；
点簇匹配度大小，与点簇匹配的点数、坐标位置t,m/z和强度这四个变量呈线性或非线性相关；计算点数或点数的函数、相似度或相关度的基础是基于四个变量的关系变换；
选用不同的匹配度计算方法分别计算点簇和已知中药药材样本X-MS高维图像的整体匹配度；
匹配点的个数指的是点簇符合匹配条件点的个数；基于上述步骤，对未知样本X-MS高维图像中每一个点簇的最大匹配度Si进行数学加权处理，得到未知样本X-MS高维图像与已知中药药材样本X-MS高维图像的整体匹配度Sc；
E、重复上述步骤，逐一分析未知样本X-MS高维图像与其它已知中药药材样本X-MS高维图像之间的匹配度，得到其与每一个已知中药药材样本的整体匹配度Sc；
F、未知样本的所属类别可不借助阈值或借助阈值进行判定；
当不借助阈值时，利用上述步骤，将未知样本与已知中药药材样本进行匹配，对匹配度从大到小进行排序，若未知样本与某一已知中药药材样本的匹配度排名越靠前，表明未知样本为与该样本的可能性越大，反之越小；
或，当借助阈值时，设定阈值γ，用于判断不同来源未知样本与同类已知中药药材样本匹配的可信范围；
阈值根据统计学的方法设定：选取2个以上同类别的已知中药药材样本作为某一类样本的训练样本，进行分析，获取X-MS原始数据；利用图像生成软件将X-MS原始数据或多维信息文本转化为X-MS高维图像，得到该类样本的训练X-MS高维图像集；利用训练X-MS高维图像集，与同类已知中药药材样本X-MS高维图像进行匹配，通过统计学的方法发现匹配度分布区间，选定分布区间中匹配度的下限作为该类样本的阈值γ；
将未知样本与已知中药药材样本进行匹配，匹配度按照从大到小进行排序，若未知样本与某类已知中药药材样本的匹配度排名越靠前，且Sc大于由该类已知中药药材样本测定所得的阈值γ，表明未知样本为该类样本的可能性越大，反之越小；
3)未知样本识别结果的验证：
将与未知样本匹配的已知中药药材样本按匹配度排名排列，在未知样品的原始X-MS数据信息和/或高维数据信息中按上述匹配度排名依次检索对应已知中药药材样本的标志性化合物，标志性化合物数目≧1，未知样本中检索到标志性化合物时即接受未知样本是该已知中药药材样本，停止检索；若第一排名已知中药药材样本在未知样本中未搜索到，接下来在未知样本中检索第二排名已知样本标志性化合物，以此类推，一直到检索到标志性化合物为止；
若所有匹配到的已知样本中的标志性化合物在未知样本中都没有检索到，即认为已建立的数据库中没有包含该未知样本；识别过程中样品是制备方法采用超声提取10min，15000转/分钟高速离心10min取上清液，色谱方法中色谱柱的柱温为60℃，进样量为2uL；质谱方法中数据采集范围m/z 100-3200。
4.如权利要求3所述中药配比设备，其特征在于，所述获得标准品样本的高维数据；将标志性化合物高维数据与未知样本高维数据匹配，寻找未知样本中与标志性化合物保留时间t和m/z均满足阈值窗口的离子；
或B，不具有标准品的标志性化合物的检索：搜索未知样本中标志性化合物的m/z值，寻找未知样本中与已知中药药材样本中标志性化合物保留时间t和m/z均满足阈值窗口的离子。
5.如权利要求3所述中药配比设备，其特征在于，所述已知中药药材样本为类别信息明确的样本,类别信息为样本的种属、产地、部位、炮制方式中的一种或二种以上；未知样本为类别信息待明确的样本；
可使用的已知中药药材样本包括中药药材原药材、饮片、粉末中的一种或二种以上，同时包含中药药材的不同部位以及它们的各种加工品中的一种或二种以上；
可使用的未知样本为中药药材原药材、饮片、粉末、制剂中的一种或二种以上，同时包含中药药材的不同部位以及它们的各种加工品中的一种或二种以上，制剂为中药药材颗粒、中药药材注射液中的一种或二种以上。
6.如权利要求1所述中药配比设备，其特征在于，所述中药质量评价模块评价方法如下：
1)构建中药材数据库；将获取的中药数据存入中药材数据库；获取目标中药材数据，包括目标中药材的种植环境信息；根据所述目标中药材的种植环境信息进行分类，得到分类结果，所述分类结果包括家种药材数据和野生药材数据；
2)根据所述分类结果，根据预设规则对所述药材的质量进行评价，得到评价结果，所述预设规则包括第一预设规则和第二预设规则：
当所述分类结果为家种药材数据，根据所述第一预设规则对所述家种药材的质量进行评价，得到评价结果，所述第一预设规则根据家种药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息获得；
当所述分类结果为野生药材数据，根据所述第二预设规则对所述野生药材的质量进行评价，得到评价结果，所述第二预设规则根据野生药材的品牌类指标信息、物理规格类指标信息、药典类指标信息和专家综合评价类指标信息获得；
3)根据所述评价结果，得到对所述目标中药材的质量评价分数。
7.如权利要求6所述中药配比设备，其特征在于，所述根据所述评价结果，得到对所述目标中药材的质量评价分数具体为：
根据预设权重分配规则对所述评价结果进行权重分配，得到分配结果，所述评价结果中包括品牌类指标评价结果、物理规格类指标评价结果、药典类指标评价结果和专家综合评价类指标评价结果；
根据所述分配结果，得到对所述目标中药材的质量评价分数。
8.如权利要求6所述中药配比设备，其特征在于，所述品牌类指标信息包括目标中药材生长的自然条件信息和生态环境信息，不同自然条件和生态环境对应不同的评价标准。
9.如权利要求6所述中药配比设备，其特征在于，所述物理规格类指标信息包括目标中药材的形状特征、大小尺寸、炮制方法、干湿度、碎屑和虫蛀霉变信息，不同的物理规格信息对应不同的评价标准。
10.如权利要求6所述中药配比设备，其特征在于，所述药典类指标信息包括目标中药材中的农残、重金属、有效成分含量、黄曲霉素、水分、灰分和浸出物信息，不同的药典类指标信息对应不同的评价标准。
CN202310322246.XA 2023-03-29 2023-03-29 一种中药配比设备及其中药配比方法 Withdrawn CN116665848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310322246.XA CN116665848A (zh) 2023-03-29 2023-03-29 一种中药配比设备及其中药配比方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310322246.XA CN116665848A (zh) 2023-03-29 2023-03-29 一种中药配比设备及其中药配比方法

Publications (1)

Publication Number Publication Date
CN116665848A true CN116665848A (zh) 2023-08-29

Family

ID=87717809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310322246.XA Withdrawn CN116665848A (zh) 2023-03-29 2023-03-29 一种中药配比设备及其中药配比方法

Country Status (1)

Country Link
CN (1) CN116665848A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422480A (zh) * 2023-12-18 2024-01-19 山东康源堂药业股份有限公司 一种中药材提取过程溯源方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422480A (zh) * 2023-12-18 2024-01-19 山东康源堂药业股份有限公司 一种中药材提取过程溯源方法及系统
CN117422480B (zh) * 2023-12-18 2024-03-08 山东康源堂药业股份有限公司 一种中药材提取过程溯源方法及系统

Similar Documents

Publication Publication Date Title
Weng et al. Hyperspectral imaging for accurate determination of rice variety using a deep learning network with multi-feature fusion
Kettenring The practice of cluster analysis
Yu et al. apLCMS—adaptive processing of high-resolution LC/MS data
Cordella et al. Honey characterization and adulteration detection by pattern recognition applied on HPAEC-PAD profiles. 1. Honey floral species characterization
Cao et al. Classification and identification of Rhodobryum roseum Limpr. and its adulterants based on fourier-transform infrared spectroscopy (FTIR) and chemometrics
Esteki et al. Classification and authentication of Iranian walnuts according to their geographical origin based on gas chromatographic fatty acid fingerprint analysis using pattern recognition methods
CN105574474A (zh) 一种基于质谱信息的生物特征图像识别方法
Di Rosa et al. Botanical origin identification of Sicilian honeys based on artificial senses and multi-sensor data fusion
Pan et al. Rapid On-site identification of geographical origin and storage age of tangerine peel by Near-infrared spectroscopy
CN116665848A (zh) 一种中药配比设备及其中药配比方法
Yin et al. Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques
CN115937670A (zh) 一种基于高光谱成像的麝香智能鉴别方法及应用
CN109870533B (zh) 一种基于分子地图的生物样本快速智能识别方法
Fu et al. Rapid Recognition of Geoherbalism and Authenticity of a Chinese Herb by Data Fusion of Near‐Infrared Spectroscopy (NIR) and Mid‐Infrared (MIR) Spectroscopy Combined with Chemometrics
Reyrolle et al. Volatile fingerprint of food products with untargeted SIFT-MS data coupled with mixOmics methods for profile discrimination: Application case on cheese
Ju et al. Identification of rice varieties and adulteration using gas chromatography-ion mobility spectrometry
Frizzarin et al. Classification of cow diet based on milk Mid Infrared Spectra: A data analysis competition at the “International Workshop on Spectroscopy and Chemometrics 2022”
Tian et al. Multi-classification identification of PLS in rice spectra with different pre-treatments and K/S optimisation
CN112382342A (zh) 一种基于集成特征选择的癌症甲基化数据分类方法
Anzanello et al. Wavelength selection framework for classifying food and pharmaceutical samples into multiple classes
Hiraoka et al. Identification of Rhus succedanea L. cultivars using elliptic Fourier descriptors based on fruit shape
Dumancas et al. Comprehensive examination and comparison of machine learning techniques for the quantitative determination of adulterants in honey using Fourier infrared spectroscopy with attenuated total reflectance accessory
Erny et al. Algorithm for comprehensive analysis of datasets from hyphenated high resolution mass spectrometric techniques using single ion profiles and cluster analysis
Fu et al. Moving window partial least-squares discriminant analysis for identification of different kinds of bezoar samples by near infrared spectroscopy and comparison of different pattern recognition methods
Marcheafave et al. 1H NMR Mixture Design–Fingerprints and ASCA Analysis in Ilex paraguariensis: Model Stability in Search of a Global Metabolome

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230829

WW01 Invention patent application withdrawn after publication