劉亞雄，劉叢叢，莊玥，羅卓雅

(廣東省藥品檢驗所，廣州 510180)

中藥渣是指在藥材生產、飲片加工、中藥提取物制備等過程中未被開發(fā)利用的生物組織器官，我國中藥渣產生量巨大，且呈逐年升高的趨勢。國家明文禁止中藥渣以摻偽等形式再次流入中藥市場，為防止此類犯罪，可通過多種現代化中藥質量控制手段進行檢測，包括色譜指紋圖譜[1-7]、光譜指紋圖譜[8-15]、DNA指紋圖譜[16]、氣味指紋圖譜[17]、化學模式識別[18]。但2017年1月中央電視臺曝光的天津市獨流鎮(zhèn)調味料制假售假窩點案表明利用藥食兩用中藥渣摻偽調味料是中藥渣違法使用的新方向。因此有必要建立有效的中藥渣摻偽調味料的檢測方法，為打擊該類犯罪提供有力技術支撐。

電子鼻利用氣體傳感器陣列的響應曲線來識別氣味，它可獲得樣品中揮發(fā)成分的整體信息，即“指紋”數據，從而對樣品來源進行判斷。本研究以八角、花椒、肉桂3種藥食兩用中藥材為代表，利用電子鼻對其藥渣摻偽調味料進行整體檢測，利用線性判別式(LDA)與多層感知器(MLP)建立判別模型，實現對藥食兩用中藥渣摻偽調味料的鑒別，為餐飲、食品行業(yè)調味料摻偽檢測提供方法依據。

1 材料與方法

1.1 實驗材料

八角、花椒、小茴香、肉桂、丁香、砂仁、高良姜、木香、肉豆蔻、草豆蔻、陳皮、山柰、干姜均為市購，并各自打粉后用于樣品的制備。

1.2 實驗設備

PEN3電子鼻(帶Win Muster智能識別軟件系統(tǒng)) 德國Airsense公司；SPSS modeler 18.0軟件 The SPSS Inc. Chicago，USA。

1.3 實驗原理及方法

1.3.1 實驗原理

樣品經過電子鼻檢測后，用系統(tǒng)自帶Win Muster軟件及SPSS Modeler 18.0軟件建立調味料數據模型，用模型對樣品進行區(qū)分，從而確定電子鼻對中藥渣摻偽調味料的鑒別能力。

1.3.2 十三香調味料及中藥渣不同比例摻偽十三香調味料的制備

1.3.2.1 十三香調味料制備

八角350 g，花椒、小茴香各100 g，肉桂90 g，丁香、砂仁各80 g，高良姜50 g，木香、肉豆蔻各40 g，草豆蔻、陳皮、山柰各20 g，干姜10 g，打粉再充分混勻。

1.3.2.2 中藥渣的制備

八角、花椒、肉桂分別在100 ℃水中煮1 h，80 ℃烘干，打粉。

1.3.2.3 中藥渣不同比例摻偽十三香調味料制備

八角渣、花椒渣、肉桂渣的摻偽比例為各自配比的0%，10%，30%，50%，70%，90%共6個濃度添加水平；當中藥渣添加比例為0%時，為純的調味料，見表1。

每個制備好的樣品稱取10 g，裝在離心管內密封備用。

表1 摻偽不同比例中藥渣的調味料的制備Table 1 Preparation of seasonings adulterated by traditional Chinese medicine residues %

1.3.3 氣體采集方法

每次測量前，傳感器都利用零空氣進行清洗和標準化，清洗時間120 s，保證電子鼻測量數據的穩(wěn)定性和精確度。電子鼻采用動態(tài)頂空法采集氣體，即在吸入檢測氣體的同時，樣品上部的氣體是連續(xù)流動的，由流動氣體將樣品的揮發(fā)成分不斷吹掃出來，由微型真空泵將待檢氣體吸入檢測室，氣體進樣速率400 mL/min，檢測每個樣品采集時間為300 s，每個樣品重復測定30次。

1.3.4 信號檢測方法

PEN3電子鼻系統(tǒng)是由1個進樣系統(tǒng)、1個包含10個金屬氧化物傳感器的探測系統(tǒng)和1個用于數據記錄和分析的模式識別軟件組成。每個傳感器通常對不同的揮發(fā)性物質敏感，包含W1C(芳香苯類)、W5S(氨氧化物)、W3C(氨類)、W6S(氫氣)、W5C(烷烴)、W1S(甲烷)、W1W(硫化氫)、W2S(乙醇)、W2W(硫化氫類)和W3S(芳香烷烴)10個金屬氧化物傳感器陣列。傳感器的響應信號即為傳感器接觸到樣品揮發(fā)性物質后的電導率G與傳感器在經過標準活性炭過濾氣體后的電導率G0的比值。記錄10個不同選擇性的傳感器G/G0比值，作為進一步統(tǒng)計分析的數據。

1.3.5 數據分析方法

1.3.5.1 LDA法

LDA是一種常用的分類方法，為降維處理，輸入帶標簽的數據后，經投影處理形成按類別分類的效果，即相同類別的點更加接近，從而達到組間距離最遠，組內距離最近的目的。它能夠保證投影后模式樣本在新的空間中有最小的類內距離和最大的類間距離，即模式在該空間中有最佳的可分離性。

1.3.5.2 MLP法

MLP即多層感知器網絡，是人工神經網絡常見的算法之一。MLP屬于多層前向神經網絡，能解決非線性不可分問題，包括輸入層、隱含層和輸出層，其中隱含層可以為一層或多層，MLP是非常好的二分類在線算法，優(yōu)點是不需要對種類樣品的統(tǒng)計性質做任何假設，屬于確定性方法。

2 結果與討論

2.1 電子鼻對不同樣品的響應

不同調味料的電子鼻響應信號見圖1。

圖1 電子鼻傳感器對不同樣品的傳感響應曲線。Fig.1 Sensory response curves of electronic nose sensor to different samples

注：A為八角與八角渣；B為花椒與花渣；C為肉桂與肉桂渣；D為十三香。

由圖1可知，各中藥及其藥渣的響應值差異較大，藥渣由于有效成分被提取，其電子鼻響應值相應降低，其中花椒及其藥渣響應差異最大，肉桂及其藥渣響應差異次之，八角及其藥渣響應差異再次之。因此可以推斷，純調味料與藥渣摻偽調味料之間電子鼻信號存在差異。

2.2 LDA分析

圖2 調味料中藥渣摻偽的LDA分析。Fig.2 LDA plot of seasonings adulterated by traditional Chinese medicine residues

注：A為八角渣；B為花椒渣；C為肉桂渣。

圖2中A表明，LDA分析判別式1與判別式2的貢獻率分別為66.62%和22.13%，累計貢獻率達到88.75%。純調味料與各比例八角渣的摻偽數據分布相距較遠，能明顯區(qū)分。比例為50%與70%的摻偽相互有部分重疊區(qū)域，比例為70%與90%的摻偽相互有部分重疊區(qū)域。

圖2中B表明，LDA分析判別式1與判別式2的貢獻率分別為90.28%和7.73%，累計貢獻率達到98.01%。純調味料與各比例花椒渣的摻偽數據分布相距較遠，能明顯區(qū)分。比例為50%的摻偽分別與70%及90%的摻偽相互有部分重疊區(qū)域。

圖2中C表明， LDA分析判別式1與判別式2的貢獻率分別為69.56%和16.90%，累計貢獻率達到86.46%。除比例為10%的肉桂渣摻偽外，純調味料與其他各比例肉桂渣的摻偽數據分布相距較遠，能明顯區(qū)分。各摻偽相互之間無重疊區(qū)域。

2.3 MLP分析

LDA方法能夠對已知檢測樣品進行分類，但是對于未知樣品的預測卻無能為力。為了進一步驗證電子鼻系統(tǒng)對于調味料中摻偽中藥渣的檢測能力，實現對未知樣品更加精確的預測，本研究采用MLP對電子鼻響應數據進行分析，以期得到最佳的檢測模型。

本研究制備的18種不同比例中藥渣摻偽調味料，每種調味料重復測試30次，共得到480組數據。按照隨機抽樣的原則，從每種調味料重復測試30次的數據中隨機抽取70%的樣品數據(共336組)作為訓練集，用于對神經網絡的訓練；30%的樣品數據(共144組)作為測試集，用于對神經網絡的仿真測試。利用SPSS Modeler 18.0構建標準多層感知器，基于全部傳感器輸入層為10，自動計算隱藏層為10。該網絡的準確率見表2。

表2 MLP判別結果Table 2 Identification results of MLP

由表2可知，訓練集的分組正確率為100%，預測集的分組正確率為98.6%。

3 結論

PEN3型便攜式電子鼻系統(tǒng)能快速、有效識別摻偽有不同比例八角渣、花椒渣、肉桂渣的十三香調味料，LDA與MLP判別模型均能較好地區(qū)分各樣品。采用LDA分析，達到86%以上的區(qū)分；采用MLP分析，訓練集可達到100%以上的判別，預測集可達到98.6%的判別。相較于LDA方法，MLP方法更加有效、區(qū)分效果更好，并可對未知樣品進行預測。該技術可為打擊調味料中藥渣摻偽犯罪行為提供有力的技術支撐。

[1]黃天來，洪馨，王寧生.生姜揮發(fā)油成分氣相色譜指紋圖譜研究(iv)[J].中藥新藥與臨床藥理，2003，14(2):123-124.

[2]王躍飛，文紅梅，程建明.金銀花藥材HPLC指紋圖譜研究[J].南京中醫(yī)藥大學學報，2006，22(2):128-130.

[3]曾建紅，徐剛標，何川.色譜指紋圖譜在中藥材質量控制中的應用進展[J].時珍國醫(yī)國藥，2012，23(6):1501-1502.

[4]張麗艷，羅君，李健，等.吳茱萸藥材薄層色譜指紋圖譜研究[J].中國實驗方劑學雜志，2011，17(12):72.

[5]蘭作平，曲中堂.試論中藥指紋圖譜的研究現狀及其研究過程的標準化[J].西部藥學，2006，3(2):71.

[6]谷巍，巢建國，劉訓紅，等.安徽道地藥材牡丹皮高效毛細管電泳指紋圖譜研究[J].中國實驗方劑學雜志,2011(17):58.

[7]謝彥，曾和平，李紅，等.色譜指紋圖譜在中藥質量控制中的應用研究[J].現代食品與藥品雜志,2007,17(1):6-10.

[8]王樂，李素霞，陳晶.中藥指紋圖譜在中藥質量控制中的應用[J].河北化工,2010,33(1):71-73.

[9]馬曉青，蔡皓，劉曉，等.近紅外光譜在中藥鑒別和質量控制中的應用[J].中國藥房,2012,23(7):661-663.

[10]丁念亞，黎薇，朱仲良.近紅外漫反射光譜在中藥分類及真?zhèn)舞b別中的應用[J].計算機與應用化學,2008,25(4):499.

[11]王剛力，聶黎行，梁錫猛，等.應用近紅外光譜技術鑒別紅參藥材[J].中草藥,2008,29(3):438.

[12]王平，陳澤琴，蔡鐸昌.不同產地中藥材的近紅外光譜初步研究[J].西華師范大學學報,2004,25(1):92.

[13]蘇松柏，張永萍，張麗麗,等.拉曼光譜在中藥質量控制中的應用[J].中國實驗方劑學雜志，2011,17(8):284-286.

[14]林文碩，陳榮.山藥近紅外拉曼光譜分析[J].光譜學與光譜分析，2008，28(5):1095.

[15]周殿鳳.拉曼光譜在中藥注射劑鑒定中的應用初探[J].光學儀器,2008,30(6):42.

[16]黃蕓，秦民堅，楊光，等.RAPD法鑒定射干類中藥[J].中草藥,2002,33(10):936-937.

[17]許舜軍，楊柳，謝培山，等.中藥氣味鑒別的研究現狀與展望[J].中藥新藥與臨床藥理，2011，22(2):228-230.

[18]戴云，葉艷青，馮偉博，等.化學模式識別在中藥質量控制中的應用[J].云南民族大學學報(自然科學版),2007,16(4):334-337.