一种形似中药的分类方法

本发明涉及光谱中药材质量检测，具体涉及一种形似中药的分类方法。

背景技术：

1、我国富有中药资源，其是传统医学的发展根基，可推动医疗事业发展。由于中药材的种类繁多，来源渠道广，且贵重中药较为稀有，市场上存在一些相似药材混淆的问题。例如人参和西洋参、白前和白薇、鸡血藤和大血藤、羌活和白活等等都是外形十分相似，但价格差很多的中药。在这些外形相似的中药材中还有一些属于同科属药材，例如白前和白薇同为萝摩科，羌活和白活同为伞型科。它们的外观、性状、显微特征非常相近,很难区别。仅凭一般的性状、显微及理化鉴别很难准确的将他们区分。

2、目前，中药鉴别方法有形态鉴别、显微鉴别、dna分子鉴别、光谱鉴别等，其中光谱鉴别具有稳定、简便、快速的特点，随着光谱技术的发展，紫外光谱、傅立叶变换红外光谱等技术已被广泛应用于植物和中药材的种类鉴别。chen等研究了石斛(dendrobium species)组培材料与野生植株的红外光谱特征，发现二者的化学成分具有明显差异，可通过光谱信息对不同材料进行鉴别，光谱已经广泛应用于材料鉴别。邱璐等采用傅立叶变换红外光谱法实现了9种蔷薇科植物的分类鉴。

3、常用的光谱鉴别方法有紫外检测、荧光检测。其中紫外光谱检测中药的方法有：紫外光谱单一法、导数光谱法、紫外光谱组法、紫外分光光度法。其中，紫外光谱单一法可鉴别中药材的真伪，但是若药材磨成粉末则难以精准区分；导数光谱法器可丰富中药信息，提高鉴别效率，但是较难区分伪品。

技术实现思路

1、为了解决现有技术中对相似药材磨成粉末后难以精准区分，且较难区分伪品的问题，本发明提出了一种形似中药的分类方法，通过bp神经网路对用紫外光谱检测到的数据进行计算后再进行分类，可以精确的对中药材进行分类；能有效的解决上述的技术问题。

2、本发明通过以下的技术方案实现：

3、一种形似中药的分类方法,先将外形相似的中药制备成测试样品；采用紫外可见光光谱技术提取外形相似中药测试样品的吸收光谱和对应数据，对测试样品进行光谱采集；在吸收到的光谱数据的基础上构建bp神经网络分类模型；用bp神经网络对外形相似中药的实验数据进行分类建模，对外形相似中药进行分类；构建bp神经网络分类模型时，训练bp神经网络，具体的操作步骤包括：

4、步骤1：网络初始化；根据系统输入输出序列(x,y)确定网络输入层节点数n、急含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij，ωjk，初始化隐含层阈值a，输出层阈值b，给定学习速率和神经元激励函数；

5、步骤2：隐含层输出计算；根据输入变量x，输入层和隐含层间连接权值ωij以及隐含层阈值a，计算隐含层输出h；

6、

7、式中，l为隐含层节点数；f为隐含层激励函数，该函数有多种表达形式，此处所选函数为：

8、

9、步骤3：输出层输出计算；根据隐含层输出h，连接权值ωjk和阈值b，计算bp神经网络预测输出o；

10、

11、步骤4：误差计算；根据网络预测输出o和期望输出y,计算网络预测误差e：

12、ek＝yk-ok k＝1,2,...,m(1-4)；

13、步骤5：权值更新；根据网络预测误差e更新网络连接权值ωij，ωjk；

14、

15、ωjk＝ωjk+ηhjek j＝1,2,...,l；k＝1,2,...,m(1-6)；

16、式中，η为学习效率；

17、步骤6：阈值更新；根据网络预测误差e更新网络节点阈值a,b；

18、

19、bk＝bk+ek k＝1,2,...,m(1-8)；

20、步骤7：判断算法迭代是否结束，若没有结束，返回步骤2。

21、进一步的，所述的将外形相似的中药制备成测试样品，是取适量外形相似的两种或多种中药，用中药材磨粉机磨成粉末，称取一定量的药材粉末，配成中药样品。

22、进一步的，所述的配成中药样品，具体的操作方式为：将外形相似的两种或多种中药材用中药粉碎机粉碎，过80目筛得到均匀细腻的药材粉末样品；分别准确称取每组药材粉末样品1g粉末，加入100ml水，小火煮5分钟，冷却后过滤，分别加水稀释至0.928mg/ml备用。

23、药材的制备采用先粉碎过筛再进行煎煮，最后冷却过滤的方式来获取备用溶液，粉碎过筛和煎煮更有利于药材有效成分的提取，冷却过滤减少了药物残渣对吸收光谱采集的影响。

24、进一步的，所述的对测试样品进行光谱采集，具体的操作方式为：室温下测定供试品溶液的紫外可见吸收光谱，波长范围200～400，扫描间距1nm，精度为10；取中药样品的备用溶液20ml，每次测定加少量水溶液稀释，在0.1887mg/ml到0.9328mg/ml浓度范围测定吸收光谱，每组中药样品各取80组数据；在特定浓度范围内测定各80组数据，确保了实验的准确度，为后续算法提供足够多的训练集和测试集数据。

25、进一步的，所述的构建bp神经网络分类模型，是每组中药样品在0.1887mg/ml到0.9328mg/ml浓度范围内各取80组数据作为建模数据，选取前80％数据为训练集，用于训练bp神经网络，后20％数据为模型的测试集，用于测试所建立的bp神经网络模型分类精度。

26、进一步的，所述的构建bp神经网络分类模型，具体的操作方式为：将bp神经网络设定为5层，其中隐含层节点数设置为5个，学习率为0.1，目标误差设置为1×10-4，最大迭代次数设置为50。

27、进一步的，所述的训练bp神经网络，在训练结束后对数据进行测试，最后进行bp神经网络分类；随机取所有数据中的一部份作为训练数据训练网络，剩下的数据作为测试数据，测试网络分类能力。

28、进一步的，所述的中药分类，是采集同种中药光谱数据，将所得数据输入已建立的bp神经网络中，实现中药的分类。

29、进一步的，所述的中药分类，具体的操作步骤包括：将训练集样本划分为内部训练集、内部验证集和内部测试集；整个训练集中，每个中药样品的相关系数r分别为0.93466，0.9798，0.93512，0.94403；利用sim函数将训练好的bp神经网络预测函数输出得到实际值和预测值的决定系数。

30、进一步的，所述的实际值和预测值的斜率接近于1。

31、有益效果

32、本发明提出的一种形似中药的分类方法，与现有技术相比较，其具有以下有益效果：

33、(1)本技术方案首先利用紫外可见分光光度计获取两种中药材的波形图像，再进行预处理，建立数据集；然后通过bp神经网路分类算法对数据进行分类处理，最终结果显示，分类准确率达97.2222％，验证了此方法的有效性，相较于现有的中药分类方法，此方法更为精确，所需实验器材简单，消耗药材少。

技术特征：

1.一种形似中药的分类方法,先将外形相似的中药制备成测试样品；其特征在于：采用紫外可见光光谱技术提取外形相似中药测试样品的吸收光谱和对应数据，对测试样品进行光谱采集；在吸收到的光谱数据的基础上构建bp神经网络分类模型；用bp神经网络对外形相似中药的实验数据进行分类建模，对外形相似中药进行分类；构建bp神经网络分类模型时，训练bp神经网络，具体的操作步骤包括：

2.根据权利要求1所述的一种形似中药的分类方法，其特征在于：所述的将外形相似的中药制备成测试样品，是取适量外形相似的两种或多种中药，用中药材磨粉机磨成粉末，称取一定量的药材粉末，配成中药样品。

3.根据权利要求2所述的一种形似中药的分类方法，其特征在于：所述的配成中药样品，具体的操作方式为：将外形相似的两种或多种中药材用中药粉碎机粉碎，过80目筛得到均匀细腻的药材粉末样品；分别准确称取每组药材粉末样品1g粉末，加入100ml水，小火煮5分钟，冷却后过滤，分别加水稀释至0.928mg/ml备用。

4.根据权利要求1所述的一种形似中药的分类方法，其特征在于：所述的对测试样品进行光谱采集，具体的操作方式为：室温下测定供试品溶液的紫外可见吸收光谱，波长范围200～400，扫描间距1nm，精度为10；取中药样品的备用溶液20ml，每次测定加少量水溶液稀释，在0.1887mg/ml到0.9328mg/ml浓度范围测定吸收光谱，每组中药样品各取80组数据。

5.根据权利要求1或4所述的一种形似中药的分类方法，其特征在于：所述的构建bp神经网络分类模型，是每组中药样品在0.1887mg/ml到0.9328mg/ml浓度范围内各取80组数据作为建模数据，选取前80％数据为训练集，用于训练bp神经网络，后20％数据为模型的测试集，用于测试所建立的bp神经网络模型分类精度。

6.根据权利要求51所述的一种形似中药的分类方法，其特征在于：所述的构建bp神经网络分类模型，具体的操作方式为：将bp神经网络设定为5层，其中隐含层节点数设置为5个，学习率为0.1，目标误差设置为1×10-4，最大迭代次数设置为50。

7.根据权利要求1所述的一种形似中药的分类方法，其特征在于：所述的训练bp神经网络，在训练结束后对数据进行测试，最后进行bp神经网络分类；随机取所有数据中的一部份作为训练数据训练网络，剩下的数据作为测试数据，测试网络分类能力。

8.根据权利要求1所述的一种形似中药的分类方法，其特征在于：所述的中药分类，是采集同种中药光谱数据，将所得数据输入已建立的bp神经网络中，实现中药的分类。

9.根据权利要求8所述的一种形似中药的分类方法，其特征在于：所述的中药分类，具体的操作步骤包括：将训练集样本划分为内部训练集、内部验证集和内部测试集；整个训练集中，每个中药样品的相关系数r分别为0.93466，0.9798，0.93512，0.94403；利用sim函数将训练好的bp神经网络预测函数输出得到实际值和预测值的决定系数。

10.根据权利要求9所述的一种形似中药的分类方法，其特征在于：所述的实际值和预测值的斜率接近于1。

技术总结
一种形似中药的分类方法,属于中药材质量检测技术领域，先将外形相似的中药制备成测试样品，采用紫外可见光光谱技术提取外形相似中药的吸收光谱和对应数据，对测试样品进行光谱采集；在吸收到的光谱数据的基础上构建BP神经网络分类模型；用BP神经网络对外形相似中药的实验数据进行分类建模，对外形相似中药进行分类。本发明将BP神经网络分类算法与紫外光谱检测法相结合，实现对中药的准确分类，保证药物使用发挥其应有的效果。

技术研发人员：王晓燕,喻志伟,季仁东,卞海溢,王徐阳,吴丹
受保护的技术使用者：淮阴工学院
技术研发日：
技术公布日：2024/1/11