湯彥豐　王紹茹　王志寶等

摘要：采用傅里葉紅外光譜法（FTIR）掃描42份紫花地?。╒iola philippica Car.）樣品紅外圖譜，利用人工神經(jīng)網(wǎng)絡(luò)誤差反向傳播算法（BP-ANN）對紅外數(shù)據(jù)進行處理，建立了中藥紫花地丁的紅外指紋圖譜，為中藥紫花地丁的鑒定提供了理論依據(jù)和實用方法。結(jié)果可以有效地鑒別野生紫花地丁和栽培紫花地丁，準確率達到92.86%。所建的模型合理、實用。

關(guān)鍵詞：紫花地丁（Viola philippica Car.）；紅外光譜；鑒別

中圖分類號：R931.5 文獻標識碼：A 文章編號：0439-8114（2013）07-1656-03

紫花地?。╒iola philippica Car.）為堇菜科植物紫花地丁的干燥全草，又名地丁草、獨行虎、紫地丁，系早春開花的多年生草本。全草入藥，性苦、辛、寒，入心、肝經(jīng)，具有清熱解毒、消癰散結(jié)之功效。可用于治療癰腫疔瘡、乳癰腸癰、丹毒腫痛、毒蛇咬傷等癥[1]。紫花地丁是中國民間應(yīng)用較早的中藥之一， 主要分布在遼寧、河北、河南、山東、安徽、江蘇、浙江、福建、江西、湖南、湖北等地[2]。《本草綱目》記載：“紫花地丁，處處有之”。目前全國各地使用的地丁主要有紫花地丁（堇菜科）、甜地?。ǘ箍疲?、苦地?。ɡ浰诳疲?、龍膽地丁（龍膽科）、竹葉地?。ㄟh志科）等。堇菜屬多種植物均當紫花地丁入藥，不同地區(qū)藥材來源各異，商品藥材混亂。

本研究利用紅外光譜法和人工神經(jīng)網(wǎng)絡(luò)對42份不同批次、不同產(chǎn)地的紫花地丁樣品進行了測試和鑒別，結(jié)果可以區(qū)分其中的野生紫花地丁和栽培紫花地丁。此鑒別方法與常規(guī)的鑒別方法[3-6]相比具有更直接、快速、不破壞樣品等特點，是一種科學鑒別中藥材的方法。

1 材料與方法

1.1 材料

1.1.1 儀器與測試條件 PE1730型傅里葉變換紅外光譜儀，DTGS檢測器，光譜分辨率4 cm-1。測量范圍1 800-400 cm-1。溫度控制在22 ℃。

1.1.2 樣品 選用的42份紫花地丁樣品為不同品種和不同批次的樣品，均采購于張家口藥店。

1.2 方法

1.2.1 藥材預(yù)處理 藥材經(jīng)烘箱烘干，機器粉碎，過60目篩，備用。

1.2.2 樣品測定 取1～2 mg紫花地丁樣品，研細，加入100～200 mg的溴化鉀，在壓片機上壓成厚度為0.1 mm透明薄片后用傅里葉變換紅外光譜儀進行測定。

2 結(jié)果與分析

2.1 方法學考察

2.1.1 精密度試驗結(jié)果 同一樣品供試片連續(xù)測定5次，譜圖完全一致。

2.1.2 重復(fù)性試驗結(jié)果 同一份樣品分別取樣5次進行測定，譜圖基本一致，相對標準偏差為0.1%。

2.1.3 穩(wěn)定性試驗結(jié)果 取同一樣品片放入干燥器內(nèi)保存，分別放置0、1、2、3、4、6、8、24 h后測定，圖譜完全一致。

2.2 數(shù)據(jù)的采集和處理

樣品光譜測定前需要做背景掃描，以消除壓片混合物在光譜上的干擾，還有利于扣除空氣中的二氧化碳和水蒸氣的紅外信號。中紅外光譜作為一種常用的光譜分析方法常用于鑒別中草藥[7-10]，本研究使用誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)（BP-ANN）建立了紫花地丁樣品的分類模型。神經(jīng)網(wǎng)絡(luò)的輸入層單元為44，輸出層單元為1個，以1.0代表野生紫花地丁，0.0代表栽培紫花地丁。對隱含層單元進行優(yōu)化選擇。

首先對紫花地丁的紅外光譜利用小波變換進行壓縮，然后進行網(wǎng)絡(luò)訓練和建模。為了驗證神經(jīng)網(wǎng)絡(luò)建立的分類模型，采用交叉驗證方法。使用隨機方法選取檢驗樣本，即每次選取一個樣本作為檢驗樣本，其余樣本作為訓練樣本。預(yù)測結(jié)果的判定閾值設(shè)為0.5，即當輸出值大于0.5判為野生紫花地丁，當輸出值小于0.5判為栽培紫花地丁。

2.3 紫花地丁的紅外光譜分析

掃描獲得不同的紫花地丁樣品紅外光譜圖（圖1），發(fā)現(xiàn)紫花地丁樣品的紅外光譜非常相似，很難進行區(qū)別。由于光譜變量多、分析速度慢，因此選擇小波變換技術(shù)對光譜進行壓縮。

小波變換是一個時間和頻域的局域變換因而能有效地從信號中提取信息，通過伸縮和平移等運算功能對函數(shù)或信號進行多尺度細化分析，解決了傅立葉變換不能解決的問題。利用小波變換方法對光譜進行壓縮，經(jīng)小波壓縮后的光譜變量點由原來的700個減少為44個，然后進行歸一化處理，含44個變量的紫花地丁紅外光譜作為神經(jīng)網(wǎng)絡(luò)的輸入信號，避免了由于被測樣品量的大小對吸收峰強弱的影響，繪制出來的紅外光譜圖能夠更好的反映出不同產(chǎn)地不同年限的紫花地丁的光譜差別。

2.4 隱含層結(jié)點的影響

隱含層的結(jié)點數(shù)決定著BP網(wǎng)絡(luò)的復(fù)雜性。若數(shù)目太少，網(wǎng)絡(luò)所能獲得的信息就會太少，不利于分析鑒別；而數(shù)目太多，不僅增加了訓練時間，而且目標存在一定的誤差，同時容錯性變差，測試誤差增大。因此需要選擇一個最適合的隱含層結(jié)點數(shù)。隨著隱含層結(jié)點數(shù)的變化，BP網(wǎng)絡(luò)的識別正確率也在變化。當隱含層結(jié)點數(shù)為4時，識別正確率最高，達到92.86%（圖2）。

2.5 動量因子的影響

動量因子和識別速率是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓練速率和收斂度的兩個重要因素，其中識別速率一項是由函數(shù)Trainbpx自行調(diào)整。因此，在試驗中只需要選擇合適的動量因子。傳統(tǒng)的算法中一般動量因子為0.9。適當改變動量因子，不僅沒有降低網(wǎng)絡(luò)的收斂和訓練速度，而且測試誤差減小，有利于分析鑒別。把動量因子從0.1到0.9逐個比較，確定最合適的動量因子為0.6（圖3）。

2.6 神經(jīng)網(wǎng)絡(luò)分析鑒別

在這項試驗中，通過神經(jīng)網(wǎng)絡(luò)鑒別紫花地丁樣品，野生紫花地丁的期望輸出值為1.0，栽培紫花地丁的期望輸出值為0.0。BP-ANN網(wǎng)絡(luò)對樣紫花地丁樣品的識別中有3份紫花地丁樣品識別錯誤，其他39份樣品的鑒別是正確的（圖4）。從總體來看，使用BP網(wǎng)絡(luò)鑒別紫花地丁樣品識別準確率達到了92.86%。

3 小結(jié)與討論

利用紅外光譜對紫花地丁樣品掃描，可以檢測紫花地丁樣品中的各種官能團，不同的峰位置與形狀說明樣品中所含成分的差異。從整體上看，不同品種的紫花地丁的紅外光譜有許多共同特征，說明紫花地丁樣品含有一些相同的有效成分。不同種藥材或不同產(chǎn)地的藥材，紅外的指紋譜圖存在差異，說明其中一些化學成分或者各化學成分的含量存在差異，這樣借助藥材指紋譜圖的差異建立相關(guān)的模式識別法實現(xiàn)譜圖的辨認和藥材的快速鑒別在理論上是可行的。但研究中發(fā)現(xiàn)這種差異性不太明顯，簡單的相似度方法進行比較很難區(qū)分。

通過對42份紫花地丁樣品的測試和鑒別可以看出，紫花地丁樣品紅外譜圖比較相似，根據(jù)譜圖的差異并通過BP-ANN網(wǎng)絡(luò)可以識別野生紫花地丁和栽培紫花地丁。利用人工神經(jīng)網(wǎng)絡(luò)與之相結(jié)合可以對藥材進行真?zhèn)舞b別。作為藥用的紫花地丁品種較多，尚沒有統(tǒng)一的質(zhì)量標準，對于紫花地丁的藥用開發(fā)是一大制約。因此制定相應(yīng)的質(zhì)量標準可為紫花地丁的合理應(yīng)用提供理論依據(jù)，同時也為紫花地丁的藥用拓展更大的空間。

參考文獻：

[1] 林艷芝，楊立柱.紫花地丁的栽培與應(yīng)用[J].河北農(nóng)業(yè)科學，2009， 13（4）：75-83.

[2] 王慶瑞.中國植物志（第51卷）[M].北京：科學出版社，1991.

[3] 張永耀，侯惠嬋，楊潔瑜.紫花地丁及其常見混偽品的比較鑒別[J].中國現(xiàn)代中藥，2010（7）：25-27.

[4] 李連方，尹祖棠.華北地區(qū)堇菜屬植物的果實和種子形態(tài)學研究[J].中國農(nóng)業(yè)大學學報，1999（3）：35-38.

[5] 王旭紅，秦民堅，梁之桃.南京地區(qū)6種堇菜屬植物根和根莖的顯微鑒定[J].中藥材，2003（6）：401-403.

[6] 王旭紅，秦民堅，吳永強.南京地區(qū)6種堇菜屬植物葉表皮的顯微結(jié)構(gòu)比較[J].中藥材，2003（10）：706-709.

[7] 鄧月娥，孫素琴，牛立元. 不同產(chǎn)地金釵石斛紅外光譜解析[J]. 河南科技學院學報（自然科學版），2007（2）：37-40.

[8] 姚 霞，孫素琴，許利嘉，等. 紅外光譜法對野生和栽培枸杞子的鑒別與分析[J].醫(yī)藥導報，2010（8）：1065-1068.

[9] 孫靜蕓.桑白皮與易混淆品種紅外光譜指紋譜的分析[J].中草藥，2002（4）：355-358.

[10] 周紅濤，胡世林，馮學鋒，等.不同產(chǎn)地赤芍的FTIR指紋圖譜對比分析[J].中草藥，2002（9）：834-837.