中药的电子鼻鉴别方法研究

中药的电子鼻鉴别方法研究

论文摘要

研究目的1.初步考察电子鼻方法在含挥发性成分中药鉴别中应用的范围与程度,为今后将电子鼻方法更深入地应用于中药鉴别领域奠定基础。2.指出电子鼻方法用于鉴别含挥发性成分中药样品时存在的具体问题并提出相关解决办法。研究内容1.对象根据区分难易程度的不同,区分所达目的的不同选取了以下几组具有香气或特殊气味的中药样品(全部为原药材及仅经过简单切制的药材饮片,不包括炮制品),进行电子鼻分析。(1)防风组。本组药材样品包括防风的药典收载品种(正品防风)及其地方习用品——云防风、甘肃小防风、河南水防风。(2)柴胡组。本组药材样品包括柴胡的药典收载品种北柴胡及柴胡地方习用品——小叶黑柴胡、阿尔泰柴胡、三岛柴胡、海拉尔柴胡。(3)人参组。本组药材样品包括作为两种药材被药典收载的人参与两洋参。(4)当归组。本组药材样品主要包括甘肃、云南两大产区的当归药典收载品种。(5)掺伪药材粉末组。本组样品为不同比例的西洋参与人参混合粉术。伞形科植物来源的药材样品气味浓度较大,人参属植物来源的药材样品气味比较特殊。防风组药材样品的原植物同科不同属;柴胡组、人参组药材样品的原植物同属不同种;当归组药材样品植物来源相同、产地不同。原植物亲缘关系远近不同的药材品种区分,同种药材的产地区分,掺伪药材粉末与正品药材的区分,在区分难度上层层递进。2.方法(1)药材样品的收集和鉴定:广泛收集药材样品,结合性状、理化鉴别方法对收集样品进行品种鉴定。(2)对样品进行预处理:将药材样品粉碎,取40-60目之间粉末,密封,备用。(3)对各组药材样品分别建立电子鼻方法:①设置电子鼻检测相关参数。②考察样品重现性。(4)采用传感器响应极值作为第一种特征提取方法,采用传感器响应极值与其相互间比值相结合作为第二种特征提取方法,对电子鼻原始采集数据分别进行特征提取,建立数据库。(5)采用PCA、SIMCA、DFA等多元统计方法,进行数据分析与模式识别。(6)比较不同特征提取方法下,电子鼻对各组中药样品的区分、识别效果。(7)采用HPLC方法分别对①正品防风及其地方习用品,②北柴胡及柴胡地方习用品,进行了分析比较。结合HPLC与电子鼻分析结果,比较两种中药鉴别方法。3.结果(1)防风组采用传感器响应极值与其相互间比值相结合的特征提取方法。电子鼻可以很好地区分正品防风与河南水防风、云防风;但无法区分正品防风与甘肃小防风。以正品防风为目标组,三种防风地方习用品为非目标组,经过传感器优化,建立SIMCA模型。河南水防风、云防风样品全部被正确识别在正品防风可接受区域外部;但甘肃小防风样品被错误地识别进入正品防风可接受区域内。(2)柴胡组采用传感器响应极值与其相互间比值相结合的特征提取方法,电子鼻可以区分北柴胡与几种柴胡地方习用品。以北柴胡为目标组,四种柴胡地方习用品为非目标组,经过传感器优化,可以建立有效的SIMCA模型,并对未知样品是否为北柴胡给予较准确判定。(3)人参组采用传感器响应极值与其相互问比值相结合的特征提取方法,经过传感器优化,电子鼻可以对西洋参与人参建立有效的DFA判别模型,并对未知样品属于西洋参还是人参给予较准确判别。(4)当归组采用传感器响应极值与其相互间比值相结合的特征提取方法,电子鼻可以将甘肃当归与云南当归很好地区分。以甘肃(道地产区)产当归为目标组,云南产当归为非目标组,经过传感器优化,可以建立有效的SIMCA模型,并对未知当归样品的产地是否为甘肃给予较准确判定。(5)掺伪药材粉末组.①设定西洋参为正品,人参为伪品。以正品药材为目标组,建立有效的SIMCA模型。通过该模型,电子鼻可将达到一定掺伪比例的未知掺伪药材粉末样品判定为非正品药材。②采用传感器响应极值与其相互间比值相结合的特征提取方法,以不同比例混掺了人参的两洋参粉末样品建立PLS感官得分模型,对未知样品掺伪程度进行预测,有一定可行性。(6)采用不同的特征提取方法,电子鼻对中药样品的区分识别效果有较大差异。与采用传感器响应极值作为特征提取方法相比,采用传感器响应极值与其相互间比值相结合的特征提取方法可以明显改善电子鼻对各组中药样品的区分识别效果。(7)对于防风组样品,采用HPLC方法容易将云防风、甘肃小防风与正品防风区分,较难将河南水防风与正品防风区分:采用电子鼻方法容易将河南水防风、云防风与正品防风区分,很难将甘肃小防风与正品防风区分。对于柴胡组样品,采用HPLC方法很难将几种柴胡地方习用品与北柴胡区分;采用电子鼻方法可以较好地将几种柴胡地方习用品与北柴胡区分开。结论1.采用电子鼻方法可以鉴别大部分含有挥发性成分的中药样品;对不同品种中药样品、不同产地中药样品、掺伪药材粉末与正品药材进行区分识别有可行性。2.对于个别含有挥发性成分的中药样品,采用电子鼻方法很难进行准确地鉴别。电子鼻金属氧化物传感器具有部分选择性,只对有限类别的嗅敏物质产生响应。嗅敏物质可能是中药样品的主要挥发性成分,也可能仅是微量或痕量挥发性成分。在传感器数量有限的情况下,电子鼻方法很难反映出中药样品的全部挥发性成分信息,当不同类别中药样品具有区别性的挥发性成分非嗅敏物质,其电子鼻表现可能会高度相似。3.电子鼻方法与HPLC方法应用于中药鉴别时有互补性。4.贮存、产地、生物样品个体差异性等因素对中药样品气味特征有显著影响,致使同种、同产地中药样品电子鼻表现的稳定性较差,非常不利于电子鼻对中药样品品种、产地的区分识别。5.根据中药样品自身特点,采用电子鼻方法对含挥发性成分中药进行鉴别时,适合选用将传感器响应极值与其相互间比值结合的特征提取方法。本实验研究发现,影响因素带来的中药样品电子鼻表现的不稳定性主要体现在电子鼻各传感器的响应极值上,在各传感器响应极值的相互关系上中药样品表现得相对稳定。采用传感器响应曲线极值作为特征提取方法,电子鼻无法较好地对中药样品进行品种区分与产地区分。采用传感器响应极值与其相互间比值相结合的特征提取方法,可以明显缩小各影响因素带来的相同品种、相同产地中药样品组内差异,突出其稳定特征,进而提高电子鼻对不同品种、不同产地中药样品的区分能力,对掺伪药材粉末样品的识别能力。6.电子鼻方法不需要对中药样品进行复杂的预处理,样品制备简单、便捷,检测过程无损、实时。采用适当的特征提取方法、适宜的模式识别方式,把电子鼻方法作为一种简便、快速、实时的中药鉴别方法,将有着很高的实际应用价值。

论文目录

  • 中文摘要
  • ABSTRACT
  • 前言
  • 第一章 文献综述
  • 1.1 中药鉴定方法的发展
  • 1.1.1 传统中药鉴定方法
  • 1.1.2 现代中药鉴定方法
  • 1.2 电子鼻技术的研究
  • 1.2.1 电子鼻技术的诞生
  • 1.2.2 电子鼻技术的原理
  • 1.2.3 电子鼻技术的应用现状
  • 1.2.4 电子鼻技术的发展方向
  • 第二章 研究目的及立题依据
  • 2.1 研究目的
  • 2.2 立题依据
  • 2.2.1 感官评定中药气味特征的缺陷
  • 2.2.2 GC-MS 技术评定中药气味特征的缺陷
  • 2.2.3 电子鼻的原理和优点
  • 第三章 研究方案
  • 3.1 研究对象
  • 3.2 研究技术路线
  • 3.3 电子鼻数据分析
  • 3.3.1 特征提取
  • 3.3.2 基于统计理论的模式识别
  • 第四章 实验研究
  • 4.1 防风组
  • 4.1.1 药材样品的收集与鉴定
  • 4.1.2 电子鼻方法分析防风组样品
  • 4.1.3 HPLC 法比较正品防风及其地方习用品
  • 4.1.4 电子鼻方法与 HPLC 方法的比较
  • 4.2 柴胡组
  • 4.2.1 药材样品的收集与鉴定
  • 4.2.2 电子鼻方法分析柴胡组样品
  • 4.2.3 HPLC 法比较北柴胡及柴胡地方习用品
  • 4.2.4 电子鼻方法与 HPLC 方法的比较
  • 4.3 人参组
  • 4.3.1 药材样品的收集与鉴定
  • 4.3.2 建立电子鼻方法
  • 4.3.3 数据分析
  • 4.4 当归组
  • 4.4.1 药材样品的收集与鉴定
  • 4.4.2 建立电子鼻方法
  • 4.4.3 数据分析
  • 4.5 掺伪药材粉末组
  • 4.5.1 研究方案
  • 4.5.2 实验内容
  • 第五章 总结
  • 5.1 结论
  • 5.2 讨论
  • 5.2.1 电子鼻方法的建立
  • 5.2.2 电子鼻方法在中药鉴别中的应用
  • 5.2.3 电子鼻技术在中药相关领域的应用前景
  • 参考文献
  • 附图
  • 附图 A
  • 附图 B
  • 附表:样品重现性考察表
  • 致谢
  • 个人简历
  • 相关论文文献

    • [1].沙化土地地理信息多维结构特征提取仿真[J]. 计算机仿真 2019(11)
    • [2].基于卷积神经网络特征提取的轻量级包装袋分类模型[J]. 塑料科技 2020(08)
    • [3].图片特征提取[J]. 中小企业管理与科技(中旬刊) 2017(03)
    • [4].六种常用的网络流量特征提取工具[J]. 计算机与网络 2017(06)
    • [5].浅议车牌识别中字符的特征提取方法[J]. 科技传播 2009(05)
    • [6].基于分级特征提取的货物分拣机器人目标自动识别系统设计[J]. 自动化与仪器仪表 2020(05)
    • [7].多模态生物特征提取及相关性评价综述[J]. 中国图象图形学报 2020(08)
    • [8].多传感器数据融合在船舶特征提取中的应用[J]. 舰船科学技术 2016(18)
    • [9].溯洄从之,一波三折——关于特征提取的教学实例与策略[J]. 中国信息技术教育 2020(07)
    • [10].基于局部加权的非线性特征提取方法[J]. 华中科技大学学报(自然科学版) 2013(S1)
    • [11].基于多特征提取的识别算法数学建模优化研究[J]. 哈尔滨师范大学自然科学学报 2013(04)
    • [12].一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用[J]. 计算机科学 2014(03)
    • [13].一种基于特征提取的简答题阅卷算法[J]. 湖南工程学院学报(自然科学版) 2010(01)
    • [14].基于改进符号序列熵的岸桥齿轮箱退化特征提取研究[J]. 机电工程 2020(02)
    • [15].基于自编码的特征提取方法在生物医学领域中的应用进展[J]. 中国卫生统计 2020(02)
    • [16].基于时变三维坐标重构的空间锥体目标微动特征提取方法[J]. 空军工程大学学报(自然科学版) 2020(02)
    • [17].基于特征提取和随机森林的风机故障诊断[J]. 科学技术创新 2020(26)
    • [18].互联网+嵌入式移动4G教学终端——农业病虫害特征提取系统的研究[J]. 电子技术与软件工程 2019(21)
    • [19].恶意流量特征提取综述[J]. 信息网络安全 2018(09)
    • [20].基于特征提取的图像相似度研究[J]. 信息系统工程 2016(01)
    • [21].基于敏感分量融合的液压泵退化特征提取方法[J]. 仪器仪表学报 2016(06)
    • [22].几种藏文字特征提取方法比较研究[J]. 信息与电脑(理论版) 2014(08)
    • [23].基于层次特征提取的文本分类研究[J]. 计算机应用与软件 2020(02)
    • [24].基于关联规则特征提取的心理大数据评估方法[J]. 周口师范学院学报 2020(02)
    • [25].基于三角函数迭代的视频数据特征提取[J]. 图学学报 2020(04)
    • [26].光纤安防监测信号的特征提取与识别研究综述[J]. 计算机工程与应用 2019(03)
    • [27].基于特征提取的绘本阅读机器人设计方案[J]. 电子制作 2019(15)
    • [28].基于特征提取及聚类算法的增量图片筛选系统[J]. 电视技术 2017(Z3)
    • [29].一种新颖的通信辐射源个体细微特征提取方法[J]. 电波科学学报 2016(01)
    • [30].一种基于链码的线特征提取方法[J]. 测绘科学 2014(09)

    标签:;  ;  ;  ;  ;  

    中药的电子鼻鉴别方法研究
    下载Doc文档

    猜你喜欢