楊天歌，倪詩(shī)婷，高旭華，潘福璐，陶歐

（北京中醫(yī)藥大學(xué)中藥學(xué)院，北京 102488）

金銀花為忍冬科植物忍冬（Lonicera japonica Thunb）的干燥花蕾或初開(kāi)的花[1]，含精油、酚酸、黃酮類、三萜皂苷類、環(huán)烯醚萜類、揮發(fā)油以及微量元素等成分[2,3]，味甘，性寒，具有清熱解毒、疏散風(fēng)熱的功效[1]。

金銀花是一種常用的藥食兩用藥材，被廣泛用于臨床和保健產(chǎn)品的開(kāi)發(fā)，如金銀花茶、飲料等[4]。然而，劉安成、章曉驊等[5,6]在研究中發(fā)現(xiàn)完全開(kāi)放的金銀花，其綠原酸含量低于花蕾的含量，即花蕾質(zhì)量?jī)?yōu)于完全開(kāi)放的花朵，而且韓赟、鄭國(guó)成等[7,8]研究也發(fā)現(xiàn)不同采收時(shí)間、不同花期的金銀花中活性成分含量也存在較大差異，這就容易造成在生產(chǎn)過(guò)程中將不同采收時(shí)間或者不同花期的金銀花混合后使用，從而影響產(chǎn)品質(zhì)量[9-14]，如何能及時(shí)控制原料的質(zhì)量，是自動(dòng)化生產(chǎn)中必須解決的關(guān)鍵問(wèn)題之一。目前以金銀花為原料的制劑研究主要集中于利用薄層法和高效液相指紋圖譜鑒別粉碎前后成分和功能的變化[15-18]，尚不能滿足生產(chǎn)過(guò)程中快速、靈活、便捷的檢測(cè)要求。隨著信息技術(shù)的快速發(fā)展，仿生設(shè)備電子眼和電子舌被越來(lái)越多地應(yīng)用于藥品、食品生產(chǎn)過(guò)程中的質(zhì)量控制[19-21]，仿生設(shè)備具有分析迅速、操作簡(jiǎn)單和結(jié)果量化等特點(diǎn)，因此，研究如何建立一套借助仿生設(shè)備來(lái)模擬人感官功能，從外觀、氣和味等直觀、快速、準(zhǔn)確地評(píng)價(jià)混合后的金銀花質(zhì)量的方法，將是提高生產(chǎn)過(guò)程中金銀花原料質(zhì)量控制的有效途徑。

Astree II電子舌是一種新型味覺(jué)分析儀器，使用味覺(jué)傳感器陣列模擬生物味覺(jué)系統(tǒng)中的味蕾實(shí)現(xiàn)對(duì)不同味道的測(cè)量[22]被廣泛用于中藥產(chǎn)地、不同炮制品和中藥粉中摻偽品的鑒別[23-26]中，但多停留在主成分分析后以散點(diǎn)圖的形式展示，沒(méi)有探索其他模型或形成量化結(jié)果。機(jī)器學(xué)習(xí)是人工智能技術(shù)的一種，利用計(jì)算機(jī)對(duì)數(shù)據(jù)的計(jì)算擬合實(shí)現(xiàn)對(duì)數(shù)據(jù)的分類。為實(shí)現(xiàn)對(duì)混合金銀花的區(qū)分鑒別，本研究利用掃描儀及電子舌來(lái)獲取視覺(jué)和味覺(jué)感官特征，將人的主觀因素與特征結(jié)果分離，并考察機(jī)器學(xué)習(xí)模型對(duì)數(shù)據(jù)的區(qū)分效能，嘗試將人工智能技術(shù)與中藥區(qū)分鑒別活動(dòng)相結(jié)合，使結(jié)果客觀化，同時(shí)也為中藥產(chǎn)地、真?zhèn)伪孀R(shí)等研究提供新的思路。

1 材料

金銀花樣品來(lái)自山東臨沂，經(jīng)北京中醫(yī)藥大學(xué)劉勇教授鑒定為忍冬科植物忍冬（L.japonica）的干燥未完全開(kāi)花和干燥完全開(kāi)花。

儀器：Astree II電子舌（Alpha MOS公司），自動(dòng)進(jìn)樣器（Alpha MOS公司），HP Scanjet G4050掃描儀（中國(guó)惠普有限公司）。

電子舌包括7根傳感器陣列，每根傳感器有不同的專屬敏感味覺(jué)，其對(duì)應(yīng)關(guān)系，見(jiàn)表1。

表1 電子舌傳感器敏感味覺(jué)對(duì)應(yīng)表Table 1 Electronic tongue sensors for sensitive tastes

2 方法

2.1 供試品制備

金銀花完全開(kāi)花與未開(kāi)花按不同比例混合出11組樣品，粉碎后，過(guò)4號(hào)篩，各組樣品，見(jiàn)表2。

表2 金銀花待測(cè)混合樣品Table 2 Honeysuckle mixed samples to be tested

電子舌供試品制備：參照藥典規(guī)定測(cè)量有效成分的方法，稱取粉末樣品各0.5 g，置于具塞錐形瓶中，加入50%的甲醇50 mL，稱定重量，超聲處理（功率250 W，頻率35 kHz）30 min，放冷，再稱定重量，用50%的甲醇補(bǔ)足減失的重量，搖勻，離心，因甲醇濃度較高，為防止電子舌傳感器損壞，取上清液5 mL，置于50 mL棕色容量瓶中，加入超純水至刻度，搖勻，即得電子舌待測(cè)液。

2.2 數(shù)據(jù)采集

2.2.1 混合金銀花的視覺(jué)數(shù)據(jù)采集 使用掃描儀獲取每個(gè)組別樣品的圖像。掃描分辨率為1 200 dpi，觀察可發(fā)現(xiàn)組0至組10的顏色逐漸加深且具有一定的規(guī)律性，見(jiàn)圖1。將圖像裁剪成400像素400像素大小的正方形。提取每個(gè)像素點(diǎn)的紅、綠、藍(lán)三通道數(shù)值，計(jì)算平均值作為視覺(jué)特征集。

圖1 不同組金銀花粉碎后圖像Fig.1 Pictures with different levels

2.2.2 電子舌數(shù)據(jù)采集 將不同組別樣品的電子舌待測(cè)液分別倒入專用燒杯中（25 mL），放入自動(dòng)進(jìn)樣器，每個(gè)樣品之間放置1杯超純水用于清洗傳感器，以免造成交叉污染。每個(gè)樣品檢測(cè)10次，取后6次的數(shù)據(jù)作為味覺(jué)特征集用于后續(xù)分析。電子舌的測(cè)量參數(shù)，見(jiàn)表3。

表3 電子舌測(cè)量參數(shù)Table 3 Parameters of electronic tongue

3 結(jié)果與討論

3.1 混合金銀花的視覺(jué)、味覺(jué)特征及主成分分析結(jié)果

混合金銀花每11組不同配比為一個(gè)批次，采集視覺(jué)、味覺(jué)特征，實(shí)驗(yàn)重復(fù)3次。進(jìn)行主成分分析，其中視覺(jué)特征為（紅，綠，藍(lán)）三維特征向量，前3主成分貢獻(xiàn)率為100%，味覺(jué)特征為7個(gè)傳感器的七維特征向量，前3個(gè)主成分貢獻(xiàn)率均＞90%；視覺(jué)特征與味覺(jué)特征合并，組成共10個(gè)特征的十維特征向量，并進(jìn)行主成分分析，前3個(gè)主成分貢獻(xiàn)率＞90%。

味覺(jué)特征、視覺(jué)特征和視覺(jué)-味覺(jué)特征的主成分分析結(jié)果，見(jiàn)圖2。

圖2 主成分分析結(jié)果Fig.2 Principal component analysis results

由圖2可知，味覺(jué)特征的主成分分析結(jié)果僅可以區(qū)分幾組樣品；視覺(jué)特征并不能有效區(qū)分各組樣品，且樣品分布離散；視覺(jué)-味覺(jué)融合特征保留了味覺(jué)特征的區(qū)分能力，同時(shí)也繼承了視覺(jué)特征的特點(diǎn)，使樣品分布趨于離散，因此味覺(jué)特征區(qū)分效果優(yōu)于視覺(jué)-味覺(jué)融合特征結(jié)果，優(yōu)于視覺(jué)特征結(jié)果。電子舌有7根傳感器，因此味覺(jué)特征有7個(gè)屬性用于區(qū)分混合金銀花，而視覺(jué)特征只有紅、綠、藍(lán)3個(gè)屬性，因此造成混合金銀花區(qū)分性效果不佳。而視覺(jué)-味覺(jué)融合特征主成分分析結(jié)果并未優(yōu)于味覺(jué)特征，可能是視覺(jué)特征干優(yōu)造成，由此可知數(shù)據(jù)本身的可區(qū)分性以及數(shù)據(jù)融合的方式都會(huì)對(duì)區(qū)分鑒別結(jié)果造成影響。

3.2 混合金銀花的區(qū)分鑒別模型

本研究考察了k-最近鄰分析（k-nearest neighbor analysis,knn）、決策樹(shù)（Decision tree,dt）、支持向量機(jī)（Support Vector Machine,svm）、隨機(jī)森林（Random-Forest,rfc）和梯度提升樹(shù)（Gradient Boosting,gbdt）等5種機(jī)器學(xué)習(xí)模型對(duì)視覺(jué)特征、味覺(jué)特征和視覺(jué)-味覺(jué)融合特征的混合金銀花區(qū)分鑒別效能。

為了確定各模型的最佳參數(shù)，本研究采用網(wǎng)格搜索的方法進(jìn)行參數(shù)篩選。網(wǎng)格搜索方法可將待訓(xùn)練模型的所有合理候選參數(shù)進(jìn)行逐一測(cè)試，以選出其中的最佳參數(shù)。同時(shí)，為提高數(shù)據(jù)的利用率并減小隨機(jī)性帶來(lái)的誤差，采用3折交叉驗(yàn)證方法對(duì)所選參數(shù)的效能進(jìn)行評(píng)價(jià)，從而最終確定參數(shù)的最優(yōu)取值。

從采集得到的11個(gè)組別數(shù)據(jù)中隨機(jī)選出4/5作為訓(xùn)練集并平均分成3份，其余1/5作為測(cè)試集，見(jiàn)圖3。

圖3 數(shù)據(jù)分割方法Fig.3 Data segmentation methods

對(duì)視覺(jué)特征、味覺(jué)特征和視覺(jué)-味覺(jué)融合特征的數(shù)據(jù)進(jìn)行歸一化處理，以消除視覺(jué)特征值與味覺(jué)特征值數(shù)量級(jí)不同的影響。5種機(jī)器學(xué)習(xí)模型在不同特征集的驗(yàn)證集數(shù)據(jù)上的正確率均值，見(jiàn)圖4。

圖4 5種機(jī)器學(xué)習(xí)模型的正確率Fig.4 The correct rate of five machine learning models

圖4 中ET組為味覺(jué)特征集，COLOR組為視覺(jué)特征集，ET&COLOR為視覺(jué)-味覺(jué)融合特征集。由圖4可知，在每個(gè)特征集上5個(gè)機(jī)器學(xué)習(xí)模型的正確率均為svm＞dt＞=rfc＞knn＞gbdt。svm模型展現(xiàn)了良好的區(qū)分效能，svm在不同特征集上的正確率分別是味覺(jué)特征集＞視覺(jué)-味覺(jué)融合特征集＞視覺(jué)特征集，最高為88%。視覺(jué)特征集的不同機(jī)器學(xué)習(xí)模型正確率均處于最低，可能與其屬性數(shù)量較少且各屬性值比較接近，本身缺乏區(qū)分度有關(guān)，而融合特征受視覺(jué)特征干擾，未能得出比味覺(jué)特征更優(yōu)秀的結(jié)果。rfc和gbdt模型為集成學(xué)習(xí)模型，受限于本次實(shí)驗(yàn)數(shù)據(jù)集規(guī)模較小，未能展現(xiàn)出更優(yōu)秀的結(jié)果，且模型區(qū)分效能受參數(shù)影響較大，而調(diào)參是一個(gè)十分復(fù)雜且耗時(shí)的過(guò)程，因此參數(shù)的調(diào)諧也是影響模型正確率的一個(gè)原因。

3.3 討論

隨著信息技術(shù)的發(fā)展，感官仿生儀器逐漸應(yīng)用于藥品、食品生產(chǎn)過(guò)程中的質(zhì)量控制，將人體感官仿真儀器用于中藥的區(qū)分鑒別可以提高結(jié)果的客觀性和準(zhǔn)確性。本研究以不同混合比例的開(kāi)花與未開(kāi)花金銀花為例，驗(yàn)證了基于掃描儀采集的視覺(jué)特征、電子舌采集的味覺(jué)特征及視覺(jué)-味覺(jué)融合特征的區(qū)分鑒別可能性。結(jié)果表明，主成分分析不能區(qū)分混合金銀花，效果不佳。采用knn、dt、svm、rfc和gbdt等機(jī)器學(xué)習(xí)模型區(qū)分鑒別混合金銀花具有可行性，其中svm方法在3種特征集上正確率最高。本研究未將電子舌傳感器與人口嘗味對(duì)應(yīng)，而是作為描述樣品特征的屬性值直接使用，構(gòu)成味覺(jué)向量，省去了數(shù)值與味道對(duì)應(yīng)過(guò)程中的人為口嘗過(guò)程與潛在的主觀因素的影響。綜上所述，掃描儀和電子舌的使用使得中藥感官特征表述客觀化，機(jī)器學(xué)習(xí)模型的應(yīng)用使判斷結(jié)果客觀化，兩者相結(jié)合使鑒別結(jié)果更加客觀、準(zhǔn)確和快速，驗(yàn)證了機(jī)器學(xué)習(xí)模型用于區(qū)分鑒別中藥的可行性，為其他需要分類鑒別的如中藥道地性研究、中藥真?zhèn)蝺?yōu)劣判斷提供了新思路。但本研究存在實(shí)驗(yàn)樣本小，難以形成大數(shù)據(jù)分析和條件有限不能考察更多其他機(jī)器學(xué)習(xí)模型鑒別效能的不足，需要在后續(xù)的實(shí)驗(yàn)中改進(jìn)。