1.1 仪器

α-FOX3000型电子鼻，法国Alpha M.O.S.公司；FW-135型中草药万能粉碎机，天津泰斯特仪器有限公司；BS-124S型电子分析天平，德国Sartorius公司；3010型紫外可见分光光度计，日本日立公司；ZN-02型小型粉碎机，北京兴时利和科技发展有限公司；CM-5型分光光度计，日本东京柯尼卡美能达控股有限公司；Waters 2695型高效液相色谱仪，美国Waters公司；Zorbax SB-C 18色谱柱（250 mm×4.6 mm，5 μm），美国安捷伦公司；药典筛，绍兴市上虞圣超仪器设备有限公司。

1.2 试剂与样品

苦杏仁苷对照品，批号ST02010120MG，质量分数93.4%，上海诗丹德标准技术服务有限公司；甲醇，分析纯/色谱纯，赛默飞世尔科技（中国）有限公司；去离子水，北京中医药大学中药学院。从内蒙古和河北采集了苦杏仁生品、燀品和炒品，经北京中医药大学中药资源与鉴定系闫永红教授按照《中国药典》2020年版一部[9]有关项下进行鉴定为 蔷薇科杏属植物山杏 Prunus armeniacaL. var. ansu Maxim. 的干燥成熟种子。

2 方法与结果

2.1 不同走油程度苦杏仁样品的准备

取净苦杏仁，置沸水中略烫，至外皮微胀时，捞出，用凉水稍浸，取出搓开种皮，晒干后簸去种皮，取仁制得燀苦杏仁样品。

取燀苦杏仁，置炒制容器内，用文火加热，炒至表面黄色，取出晾凉制得炒苦杏仁样品。

将样品混合均匀，分别采用自然留样法和加速试验法制备不同走油程度苦杏仁样品。自然留样法即将样品放置于北京室温［温度（25±2）℃］、通风环境［相对湿度（60±10）%］中存储，每3个月采样1次；加速试验法即将样品放置于药物稳定性试验箱高温高湿环境（温度40 ℃，相对湿度75%）的存储添加中，每10天采样1次。样品信息见表1。采用传统感官鉴别法对苦杏仁样品的走油程度划分等级[10]。

2.2 不同走油程度样品图的划分结果

按“2.1”项下方法，制备不同走油程度苦杏仁样品，并通过传统感官鉴别划分4个等级。I～IV表示走油程度逐级加深，I为正常苦杏仁样品，IV为重度走油苦杏仁样品。结果见图1。

2.3 不同走油程度苦杏仁颜色测定

2.3.1粉末颜色信息测量将3种炮制品的苦杏仁样品去皮粉碎，过2号筛，混合均匀，取适量粉末装入石英测色皿中。检测条件：起止波长380～780 nm，扫描速度600 nm/min，狭缝宽度1 nm，光源D65，视场10°。

2.3.2剖面颜色信息测量将苦杏仁沿种脊切成两半，用CM-5分光测色仪测定苦杏仁切片的颜色。测量条件：起止波长360～740 nm，光源D65，视场10°，照明系统：SCI反射，测试区域3 mm。

2.4 不同走油程度苦杏仁气味测定

将样品粉碎，过2号筛，准确称定质量0.30 g，放入顶空进样瓶中，用压盖密封。测量条件：孵化时间600 s，孵化温度45 ℃，振荡速度250 r/s，进样量2500 μL，载气为压缩空气，体积流量150 mL/min，数据采集时间120 s，采集周期1 s，吹扫时间600 s。

2.5 苦杏仁苷的测定

2.5.1色谱条件色谱柱为Zorbax SB-C 18柱（250 mm×4.6 mm，5 μm）；流动相为甲醇-水（20∶80）；体积流量为1 mL/min；进样量10 μL；检测波长207 nm。

2.5.2对照品溶液的制备取苦杏仁苷对照品适量，精密称定，置棕色瓶中，加甲醇定容，制成含苦杏仁苷203.2 μg/mL的对照品溶液，并超声处理5 min，过0.22 μm有机滤膜进液相色谱仪样瓶中，待测。

2.5.3供试品溶液的制备取苦杏仁粉末经2号筛过筛约0.25 g，精密称定，置具塞锥形瓶中，精密加入甲醇25 mL，密塞，称定质量，超声处理（功率250 W、频率50 kHz）30 min，放冷，再称定质量，用甲醇补足减失的质量，摇匀，滤过，精密量取续滤液5 mL，置25 mL量瓶中，加50%甲醇稀释至刻度，摇匀，滤过，取续滤液过0.22 μm有机滤膜进液相色谱仪样瓶中，待测。

2.5.4线性关系考察取苦杏仁苷对照品适量，精密称定，制得苦杏仁苷质量浓度分别为1.02、5.08、20.32、30.48、50.80、71.12、101.60、121.92、132.08 μg/mL系列对照品溶液，用“2.5.1”项方法测得峰面积。以峰面积为纵坐标（Y），对照品质量浓度为横坐标（X），绘制标准曲线，得苦 杏仁苷回归方程Y＝10 549 X ＋6 522.7，R2＝0.999 9，苦杏仁苷在1.02～132.08 μg/mL呈良好线性关系。

2.5.5精密度实验取“2.5.2”项下方法制备的苦杏仁苷对照品溶液（43.28 μg/mL），按上述色谱条件进样10 μL测定，分别重复进样6次，测得相对峰面积的RSD为0.354%，表明实验仪器精密性良好。

2.5.6稳定性实验取“2.5.3”项下方法制备的同一供试品溶液（S15）在0、1、2、4、8、12、18、24、36、48 h分别进样10 μL测定，测得苦杏仁苷的相对峰面积RSD为0.66%，表明供试品溶液在48 h内稳定性良好。

2.5.7重复性实验取同一批苦杏仁样品（S15），按照“2.5.3”项下方法操作，平行制备6份供试品溶液，按照上述色谱条件进样10 μL测定，测得苦杏仁苷质量分数的RSD为0.92%，表明该色谱条件下重复性良好。

2.5.8加样回收实验取已测定苦杏仁苷含量的苦杏仁样品（S15）6份，每份约0.12 g，精密称定。分别置于锥形瓶中，各加入苦杏仁苷对照品溶液2 mL（苦杏仁苷质量浓度为827.9 μg/mL），重复以上步骤，计算加样回收率为100.21%，RSD为1.07%，符合要求。

2.5.9 苦杏仁苷含量测定结果按“2.5”项下方法，苦杏仁苷测量结果见表2，结果表明随着苦杏仁走油程度加深，苦杏仁苷含量降低。

2.6 酸值与过氧化值的测定

酸值测定方法参照《中国药典》2020年版通则0713的方法[9]；苦杏仁中过氧化值的测定方法参照《中国药典》2020年版通则2303的方法[9]。

结果表明，酸值和过氧化值测量结果显示，随着苦杏仁样品走油程度的加深，苦杏仁过氧化值和酸值整体趋势为逐渐升高。

2.7 数据处理

2.7.1传感器阵列的优化以α-FOX3000的12根原始传感器阵列为研究对象，基于Kruskal-Wallis H 检验、累积相关系数分析、聚类分析结合典则指标筛选法、逐步判别分析法，摸索并确立了传感器阵列的优化方法[10]。

2.7.2苦杏仁颜色与气味的信息特征级融合

（1）Z-score标准化：将原始数据标准化为Z-score标准化，即标准差标准化。为了不影响模型的精度，需要将采集到的数据进行Z-score标准化，以消除因为数据数量级相差大造成的变量对模型作用差异大[11]。

（2）颜色与气味信息融合：采用SPSS 23.0软件，将粉末颜色特征值和剖面颜色特征值分别与电子鼻传感器最大响应值进行标准化处理，然后用因子分析方法对复杂数据矩阵降维，得到粉末颜色与气味的融合信息[12]。

2.7.3基于融合信息对苦杏仁走油程度的判别采用不同的机器学习算法根据样品粉末颜色与气味融合信息区分苦杏仁的走油程度，并采用十折交叉和外部测试集2种验证方法进行验证[13]，并与单一的粉末颜色和气味信息所建立的走油程度判别模型相比较，验证信息融合所建模型的科学性。

2.7.4颜色气味融合信息的苦杏仁内在质量预测利用SPSS软件分别对苦杏仁的化学成分、酸值、过氧化值与粉末/剖面颜色及气味融合信息进行相关性分析。并且以粉末/剖面颜色及气味融合信息为自变量，分别以苦杏仁苷含量、酸值和过氧化值为因变量，随机选取80%的样本作为训练样本用逐步回归法建立回归方程，同时用另外20%的样本检验方程的拟合程度。

2.8 传感器优化后阵列结果

按“2.7.1”项下数据处理，在检测不同走油程度苦杏仁时根据Kruskal-Wallis H 检验、累积相关系数分析对α-FOX3000气味指纹分析仪进行了传感器的优化，优化后气味处理去除冗余信息只保留7根电子鼻，结果见表3。

2.9颜色与气味信息融合结果

2.9.1粉末颜色与气味信息融合按“2.7.2”项下数据处理，粉末颜色与气味信息经过标准化处理，主成分分析（principal component analysis，PCA）降维后，按照特征值大于1，方差百分比大于5，累积贡献率大于85%原则[14]，从表4可以看出前2个因子的特征值都大于1，前2个因子总贡献率为91.385%，故提取前2个因子（F1-1、F1-2）进行分析。

2.9.2剖面颜色与气味信息融合按“2.7.2”项下 数据处理，剖面颜色与气味信息经过标准化处理，PCA降维后，选取原则同上，从表5可以看出3个因子总贡献率为94.055%，故提取前3因子（F2-1、F2-2、F2-3）进行分析。本实验进一步以主成分的方差贡献率为权重对各个主成分的线性组合的系数进行了加权平均的归一化，并采用PCA法进行权重计算[14]。

2.10 基于融合信息对苦杏仁走油程度的判别结果

2.10.1基于粉末颜色气味融合信息对不同走油程度苦杏仁的判别按“2.8.3”项下数据处理，不同的机器学习算法对苦杏仁走油程度进行判别，结果见表6。结果显示，基于样品粉末颜色和气味融合信息的模型建立中，Logistic、IBK、K-Star、LMT和Random Forest 5种算法所得正判率较高，为较优算法，可完成对不同走油程度苦杏仁的分类鉴别。

2.10.2基于剖面颜色气味融合信息对不同走油程度苦杏仁的判别按“2.8.3”项下数据处理，不同的机器学习算法对苦杏仁走油程度进行判别，结果见表7。结果显示，基于样品剖面颜色和气味融合信息的模型建立中，Logistic和K-Star这2种算法所得正判率较高，为较优算法，可完成对不同走油程度苦杏仁的分类鉴别。

2.11 颜色与气味融合信息的苦杏仁内在质量预测

2.11.1苦杏仁走油的理化指标与信息融合相关性分析

（1）苦杏仁走油理化指标与粉末颜色及气味信息融合相关性分析：按“2.7.4”项下数据处理，采用SPSS 23.0分析软件对粉末颜色及气味信息融合值与苦杏仁走油理化指标（苦杏仁苷含量、酸值、过氧化值）进行相关性分析[15]，结果见表8。

（2）苦杏仁走油理化指标与剖面颜色及气味信息融合相关性分析按“2.7.4”项下数据处理，同法采用SPSS 23.0分析软件对剖面颜色及气味信息融合值与苦杏仁走油理化指标进行相关性分析，结果见表9。

2.11.2苦杏仁走油的理化指标与信息融合回归方程的建立与检验

（1）理化指标与粉末颜色及气味信息融合回归方程的建立与检验：按“2.7.4”项下数据处理，自变量为粉末颜色及气味信息融合综合性指标，因变量分别为走油苦杏仁的理化指标（苦杏仁苷含量、酸值、过氧化值）。

从样品中随机选取53个数据作为训练集用逐步回归法建立回归模型，余下的13个数据作为验证集验证回归模型[16]。通过方程计算不同走油程度苦杏仁中的苦杏仁苷含量、酸值、过氧化值等指标的预测值与测量值之间的相关系数，综合检验方程的显著性系数（P）、拟合优度（R2）、修正自由度后的拟合优度（R2校正），结果见表10。测试样本对苦杏仁苷含量的预测方程和酸值的预测方程进行拟合误差检验，得到回归方程预测结果和真实值散点图。结果见图2、3。

（2）苦杏仁走油理化指标与剖面颜色及气味信息融合回归方程的建立与检验：方法同“2.11.2（1）”项，建立回归模型，结果见表11。测试样本对苦杏仁苷含量的预测方程和酸值的预测方程进行拟合误差检验，得到回归方程预测结果和真实值散点图，结果见图4、5。

3 分析与讨论

3.1 不同走油程度样品图的划分结果分析

经过研究证实，高温高湿是走油的主要影响因素，在相同的存储条件下存放时间越长，其走油程越高。

3.2 不同走油程度苦杏仁机器学习结果判别分析

由表6、7可知，粉末颜色与气味融合信息来判别苦杏仁走油程度的正判率明显高于单一的粉末颜色或气味信息的判别正确率。其中Logistic、IBK、K-Star、LMT和Random Forest算法正判率均高于94%；而剖面颜色及气味融合信息来判别苦杏仁走油程度的正判率虽然低于粉末颜色及气味信息融合的正判率，但比单一的剖面颜色信息和气味信息的正判率高。其中，Logistics算法和K-Star算法的正判率高于82%，都可以很好的实现对各种走油苦杏仁的分类识别。

3.3 苦杏仁走油理化指标与颜色及气味信息融合值相关性分析

由表8、9可知，经显著性检验粉末颜色及气味信息融合值F1-2与苦杏仁化学成分，走油指标具有相关性，其中，苦杏仁苷含量与F1-2显著负相关；而酸值与F1-1成负相关，F1-2显著正相关；过氧化值与F1-2显著正相关。而剖面颜色及气味信息融合值与苦杏仁走油理化指标具有相关性，其中，苦杏仁苷含量与F2-2显著正相关，与F2-3显著负相关；而酸值与F2-2显著负相关，过氧化值与F2-2显著负相关。相关性分析与后来的预测方程结果是保持一致。

3.4 回归方程的建立与检验结果分析

由表10、11可知，不同化学成分的回归模型中，R2＝0.50是可以接受结果的底线，此时随机因素的影响已经有50%，但自变量和因变量的依存关系仍占主导地位[17]。上述建好的6个方程中，过氧 化值与粉末颜色及气味信息融合的预测方程R2校正＝0.412＜0.50；与剖面颜色及气味信息融合的预测方程R2校正＝0.376 1＜0.50，方程不可取。而苦杏仁苷和酸值的回归模型中，方程通过。同时由图2、3，图4、5可知，通过测试样本对苦杏仁苷含量的预测方程和酸值的预测方程进行拟合误差检验，其拟合度均高于50%，方程可行。

3.5 讨论

本实验采用电子鼻和色度仪技术测量不同走油程度苦杏仁的气味和颜色信息，通过特征级融合方式来融合苦杏仁颜色与气味的信息并与苦杏仁走油过程中的内在化学成分的变化规律建立客观的联系，建立了苦杏仁不同走油程度的判别分析和内在质量预测模型，为苦杏仁走油的在线准确监测提供新思路。

本实验采用了12种不同的机器学习方法，对苦杏仁走油程度的判别进行了研究。在基于颜色、气味和融合信息的识别模型中，Naive Bayes、Logistic、Multiple Layer Perception和IBK等方法具有较高的正确性。其他类似的研究也可以将这些算法作为首选。其中也有一些问题值得探讨，目前还没有得到过氧化值变化的预测模型。分析其原因，一方面是因为大多数样品的过氧化值偏低，而采用滴定方法测定的结果存在一定的误差。另外，过氧化物很容易分解为小分子挥发性物质，这也是原因之一。研究发现，反向传播（back propagation，BP）神经网络名为神经网络，构建药向量训练模型，在中药的药性与功效具有明显关联性的基础上，对中药药性的初始量化值进行修正，使中药药性的量化值更精确[18]。鉴于此，课题组其它研究曾经尝试用BP神经网络建立的过氧化值预测模型，结果表现为粉末颜色和气味融合信息的过氧化值拟合度尚佳，可为过氧化值快速检测提供参考。

本实验仅从感官与化学成分角度对苦杏仁的走油进行了研究，建立监测模型，后续试验可增加药理相关研究，从感官、理化、药效3个角度全面地构建出一套完整的中药品质评估体系。由于本项目的建模和验证所使用的样品数量较少，因此在以后的试验中需要更多的样品来进一步完善。

利益冲突所有作者均声明不存在利益冲突

参考文献（略）

来 源：欧阳少琴，陈慧荣，拱健婷，王亚顺，崔 阳，翟恩爱，梁敬妮，邹慧琴，闫永红．基于颜色气味信息融合的苦杏仁走油程度判别分析与质量预测模型建立 [J]. 中草药, 2023, 54(12):3806-3814.返回搜狐，查看更多