基于机器嗅觉结合BP神经网络的砂仁气味鉴别方法*

朱志均 周华英 罗坤豪 吴恺熹



基于机器嗅觉结合BP神经网络的砂仁气味鉴别方法*

朱志均 周华英 罗坤豪 吴恺熹

（广东药科大学医药信息工程学院）

检测和分析4种不同产地砂仁气味信息，探索基于机器嗅觉技术结合BP神经网络的气味鉴别方法。利用电子鼻PEN3采集4种不同产地砂仁的气味信息，构建一个包含三层结构的BP神经网络模型，通过对非线性气味数据进行反复学习和训练，确定各产地砂仁气味特征模型，采用MATLAB 2013实现鉴别仿真。结果表明：不同产地砂仁气味特征信息整体相貌是相似的，但各自的特征指纹峰值有明显差异；建立的BP神经网络模型对不同产地砂仁的训练样本和待测样本均可实现100 %的准确鉴别。该方法稳定、可靠、简便，可为中药材质量控制和真伪鉴别提供参考。

机器嗅觉；BP神经网络；砂仁；气味鉴别

0 引言

砂仁是姜科，豆蔻属多年生草本植物的干燥成熟果实，具有化湿开胃、温脾止泻、理气安胎等功效[1]，主要产于福建、广东、海南、广西及云南等地。由于砂仁产地来源复杂、品质优劣不同等原因，在其推广使用过程中，时常出现伪劣品、以次充好的现象，严重制约了中药材的使用和国际化发展[2-3]。因此，研究砂仁品种真伪、质量优劣，是实现砂仁药材深入发展及推广的关键。纵观砂仁鉴别方法，传统的性状鉴别方法速度快、成本低，无需借助太多设备和工具，但其存在主观性强、可重复性差等缺陷[4-5]；现代的色谱/光谱鉴别等新技术发展迅速，鉴别效果良好，但操作复杂繁琐、耗时，需借助复杂仪器设备才能完成[6-7]。

本研究基于电子鼻检测技术，以不同产地砂仁气味信息作为研究对象，尝试利用BP神经网络构建砂仁分类鉴别模型，探讨基于机器嗅觉的BP神经网络中药材鉴别方法，以期为中药材质量控制提供参考。

1 实验材料与仪器

本研究所用的200批砂仁样本分别从福建省长泰县、广东省阳春市、海南省澄迈县和云南省勐腊县等砂仁主产区的药材市场采集获得。样本经广东药科大学中药学院韩彬教授鉴定均为正品，样本信息见表1。

表1 样本类别及信息

实验仪器包括电子鼻PEN3、分析天平3203和定时恒温器JB-3A。其中电子鼻PEN3由自动进样器、10个MOS传感器组成的传感器阵列和计算机信号处理系统组成。

本实验中，每组样本50批，共4组，其中，160批作为测试样本，40批作为待测样本。首先，使用分析天平3203称取各份样本10 g于150 mL烧杯内密封静置备用；然后，开启定时恒温器JB-3A，设置恒温温度为45℃，每份样本测定前先恒温加热 10 min，使样本气味充分散发于密封烧杯内；最后，每份样本连续采样12次，每次采样持续时间120 s，传感器冲洗时间180 s，同时记录实验室温度27.5 ℃，相对湿度72%。每份样本测试完毕，得到12个数据文件，每个文件为120×10的数据矩阵（120 s内10 个传感器的测量值）；160 批样本全部测试完毕，共获得1920（12×160=1920）个数据文件作为数据集。

电子鼻PEN3检测到的气味数据为非线性且高维。目前国内外常用的分析方法主要有主成分分析法和线性判别分析法[8]。这两种方法存在一个共同的问题：对非线性或线性不可分的数据特征提取效果不佳。于是有人提出人工神经网络、流形学习算法等[9-10]。本文基于气味特征信息非线性特点，采用BP神经网络分析方法鉴别不同产地砂仁。

2 BP神经网络模型构建

BP神经网络设计采用如图1所示的三层BP网络结构。网络分为输入层、隐含层和输出层，其中，输入层神经元节点个；隐含层神经元节点个；输出层神经元节点个。

图1 BP神经网络单元组成结构图

本文以电子鼻PEN3的10个传感器检测数据作为输入，即=10；隐含层神经元数由式(1)确定；输出层=4，依次表示4种不同产地砂仁输出结果：福建砂仁（1000）、广东砂仁（0100）、海南砂仁（0010）和云南砂仁（0001）。

其中，为输入层神经元节点数；为输出层神经元节点数。

输入输出间的阈值函数Sigmoid函数如式(2)[11-12]所示。

BP神经网络的性能指标函数如式(3)所示。

为能够快速获得自学习结果，采用梯度下降法来修正BP神经网络的加权系数。

3 实验结果与分析

3.1 BP神经网络模型训练及分类

本实验BP神经网络模型训练和结果仿真由MATLAB 2013 软件完成，仿真结果如图2所示。

图2 神经网络训练性能曲线

由图2可知，该网络模型在训练次数为0～2000次期间，输出总误差下降明显；2000～4000次期间，输出总误差基本稳定，表明该BP神经网络模型训练完成。同时，由图3分类结果显示，4种不同产地砂仁样本点完全分开，彼此无交叉和重叠。采用机器嗅觉技术结合BP神经网络对不同产地砂仁进行气味特性分类，能达到100%的分类效果。

3.2 不同产地砂仁气味指纹图谱

BP神经网络模型训练后的4种不同产地砂仁气味指纹图谱如图4所示，4种不同产地砂仁的气味指纹图谱曲线变化趋势总体相似，但福建砂仁气味图谱线和其他3种区别最明显，最大波峰值为5.891，波谷值为−0.376；广东砂仁波峰最大值为2.247，波谷值为1.113；海南砂仁波峰最大值为2.048，波谷值为1.036；云南砂仁波峰最大值为2.793，波谷值为0.9071。

图3 BP神经网络训练及分类结果

图4 不同产地砂仁气味指纹图谱

因此，该气味指纹图谱表明，福建砂仁挥发性物质气味特性差别最大，而广东砂仁、海南砂仁和云南砂仁挥发性物质气味特性彼此差别较小。由图3和图4可知，不同产地砂仁气味特性不同，主要是由于不同产地砂仁所含挥发性物质化学成分不同所致。因此，基于机器嗅觉技术结合BP神经网络可以定性鉴别不同产地砂仁气味。

3.3 BP神经网络模型预测性能

为了测试网络模型的预测性能，将训练好的BP神经网络模型鉴别待测样本，利用交叉验证对该模型的预测能力进行评估。在4组不同产地砂仁待测样本中各随机抽取5个样本（共20个样本）作为测试样本，进行鉴别分析，20个测试样本均落在相应的不同分组中，BP神经网络模型预测结果如图5所示。结果表明：该网络模型能对训练集进行100%的正确分类，对测试集的预测能力也达到100%。

图5 BP神经网络模型预测结果

3.4 重复性试验

取同一批广东砂仁样本和海南砂仁样本各10份，分别按上述实验方法进行重复性测试和分析，并与各气味指纹谱图进行比较。所得各共有峰的相对峰面积的RSD均小于1.25%，各共有峰的相对保留时间的RSD均小于1.18%，表明该方法重复性良好。

4 结论

本实验通过机器嗅觉技术，采集和分析不同产地砂仁气味特征信息，构建基于BP神经网络的气味鉴别模型。结果表明：采用三层结构的BP神经网络对不同产地砂仁气味数据进行训练和学习，并将训练好的网络模型进行预测性能对比，图3～图5表明，4种不同产地砂仁的气味信息有明显区别，对训练集和测试集气味特征数据的鉴别都达到了100%的准确区分；同时，对该网络模型进行重复性测试，4种砂仁的气味指纹谱图各共有峰相对峰面积的RSD均小于1.25 %，相对保留时间的RSD均小于1.18 %。因此，基于机器嗅觉结合BP神经网络气味鉴别不同产地砂仁的方法完全可行，且准确性高。

本研究基于机器嗅觉技术初步探讨了砂仁整体气味信息的鉴别方法，该方法简便快速，样本无需磨粉，准确性高。但若研究不同产地砂仁挥发性物质气味的化学成分含量差别，尚需结合其他气相色谱-质谱、色谱/光谱等化学仪器分析方法，以达到对砂仁的全面质量控制，这样基于机器嗅觉的气味指纹图谱才真正实现可行、可控。

[1] 国家药典委员会.中华人民共和国药典一部[M].北京:中国医药科技出版社,2015:253.

[2] 刘梦楚,邹晓红,蓝伦礼,等.基于电子鼻及顶空-气质联用技术结合化学计量学区分不同产地的砂仁[J].中国实验方剂学杂志, 2017,23(6):35-42.

[3] 邹晓红,刘梦楚,蓝伦礼,等.HPLC测定不同产地砂仁中原儿茶酸和香草酸的含量[J].中国实验方剂学杂志,2017,23(8): 62-66.

[4] 周华英,李钟,刘红秀.基于仿生嗅觉的中药材鉴别方法研究现状[J].实用医药杂志, 2016,33(6):551-553.

[5] 王洋,申丽,江坤,等.中药砂仁质量的化学模式识别研究[J].药物分析杂志,2016,36(10):1863-1869.

[6] 吴志远.气相色谱-质谱技术在砂仁挥发油有效成分分析中的应用[J].大家健康(学术版),2014,8(5):48.

[7] 申丽,王洋,江坤,等.阳春砂、绿壳砂与海南砂高效液相色谱指纹图谱比较研究[J].中国药学杂志,2016,51(12): 1039- 1043.

[8] 田维芬,周君,明庭红,等.基于电子鼻和GC—MS的不同品牌橄榄油挥发性风味物质研究[J].食品工业科技,2017,38(7): 285-292.

[9] 潘庆先,董红斌,韩启龙,等.一种基于BP神经网络的属性重要性计算方法[J].中国科学技术大学学报,2017,47(1):18-25.

[10] 杨周,刘盼学,王昊,等.应用BP神经网络分析电主轴频率可靠性灵敏度[J].哈尔滨工业大学学报,2017, 49(1):30-36.

[11] 王俊杰.优化BP神经网络在手写体数字识别中的性能研究[J].电子设计工程,2017,25(6):27-30.

[12] 桑晓丹.PSO-BP神经网络在多元有害气体检测中的应用[J].广东蚕业,2017,51(6):5-6.

Odor Identification of Aromi Fructus Based on Machine Olfactory Combined with BP Neural Network

Zhu Zhijun Zhou Huaying Luo Kunhao Wu Kaixi

(College of Medical Information Engineering, Guangdong Pharmaceutical University)

Four groups of aroma information of Aromi Fructus from different habitats were detected and analyzed, and a new identification method based on machine olfactory combined with BP neural network was put forward to identify Aromi Fructus from different habitats. Odor information of four groups of Aromi Fructus coming from different habitats was collected by an electronic nose (PEN3), and a BP neural network model with three layers was constructed. Through repeated learning and training, models of odor characteristics of Aromi Fructus were determined and the simulation for identification was realized based on MATLAB 2013. The experimental results showed that odor feature information of Aurantii Fructus from different growing areas were similar, but there were significant differences in peaks’ value from each other. The BP neural network model was obtained and the accuracy rates for training set and testing set were all 100%. The method is simple, nondestructive and accurate, providing a reference for the quality control of Chinese herbal medicine.

Machine Olfactory; BP Neural Network; Aromi Fructus; Odor Identification

朱志均，男，1996年生，本科，学士，主要研究方向：计算机应用技术。

周华英（通信作者），女，1974年生，博士研究生，主要研究方向：信息获取与控制。E-mail: 287059250@qq.com

国家自然科学基金（61571140）；全国大学生创新创业项目（201610573009）。