第33卷第6期2012年6月
仪器仪表学报
Chinese Journal of Scientific Instrument
Vol. 33No. 6Jun．2012
西洋参原材料近红外光谱精选研究
1
戚淑叶，单
22
婕，Ting Wong ，凌
21雷，韩东海
（1中国农业大学食品科学与营养工程学院
2Afexa 生命科学公司
摘
埃德蒙顿
北京100083
加拿大）
中国；
T6N1G1
要：为确保药物成品质量的稳定均一，作为原材料的西洋参应保证纯正。采用近红外积分球漫反射光谱，首先对西洋参、
squares regression ，MWPLS ）选择特征波段，人参原样光谱运用移动窗口偏最小二乘法（moving window partial least-建立最小二乘squares support vector machine ，LS-SVM ）种类鉴别模型挑选出西洋参样品，支持向量机（least-判别正确率为100%。然后将样品
－1
10%、15%、20%掺入西洋参粉末，粉碎，人参以5%、为增加样品代表性借助线性加和模拟光谱手段于4000 7000cm 建立
DA ）掺杂判别模型，主成分判别分析（principal component analysis discriminant analysis ，PCA-预测判别正确率由97．2%上升至100%，区分出少量人参掺杂的西洋参样品，最终精选出西洋参原材料纯品。关键词：西洋参；原材料；近红外光谱；精选中图分类号：TG115．3
文献标识码：A
国家标准学科分类代码：150．2520
Research on sifting of American ginseng as raw
material with near infrared spectroscopy
Qi Shuye 1，Shan Jacqueline j 2，Ting Wong 2，Ling Lei 2，Han Donghai 1
（1College of Food Science and Nutritional Engineering ，China Agricultural University ，Beijing 100083，China ；
2Afexa Life Sciences Inc．，Edmonton T6N1G1，Canada ）
Abstract ：To maintain the stability of drug products ，it is necessary to ensure that American ginseng is pure as raw material．The near infrared integrating sphere diffuse reflective spectra are used．Firstly ，moving window partial least-squares regression （MWPLS ）is used to pick out the characteristic wavebands in the spectra of intact American ginseng and Panax ginseng．Then ，the least-squares support vector machine （LS-SVM ）model is built in the appointed wave-bands to differentiate American ginseng from Panax ginseng with 100%accurate rate．Afterwards ，all the samples are comminuted ，and American ginseng powders are mixed with 5%，10%，15%and 20%Panax ginseng powders ，re-spectively．To improve the representativeness of the samples ，a principal component analysis discriminant analysis （PCA-DA ）model is built with linear additive analog spectrum method at 4000 7000cm －1；and the adulterant American ginseng is distinguished and the accurate rate is improved from 97．2%to 100%．As a result ，the samples with a little Panax ginseng mixed are distinguished ，and the pure American ginseng is sifted as raw material．Key words ：American ginseng ；raw material ；near infrared spectroscopy ；sifting
原材料。根据药品生产质量管理规范，为了确保最终产品的质量稳定均一，首先应对采购和使用的原材料进行有效地质量控制，其中中药材作为原料的定性鉴别一直是生药学的一项主要研究工作。西洋参和人参同属不同种，形态特征和化学组分很相似，肉眼难辨，但两者价格各异（价差
1引言
目前，我国西洋参用量居世界第一，产量居世界第二，
因其清补、健体、祛病等诸多功效，被广泛选作中药制剂的
09收稿日期：2011-Received Date ：2011-09
1436仪器仪表学报第33卷
［1-2］
可达40元/公斤）、临床效果不同，常有意、无意造成西
掺杂假冒的问题。洋参和人参种类混淆、［6］
对光谱进行预处理以削弱这方面的影响，以提高信噪
［7］
突显测量样品的吸收变化量。同时，建模波长的选比，
近红外光谱分析技术客观、无损、快速，区别于传统药物鉴定方法需要依靠专家主观经验或者烦琐化学实
［3］
不消耗样品、没有化学污染，已大量应用于同属药验，
［4］物鉴别、药物原辅料组成测定、天然物产地判别等定性分析，体现其优越性和可行性。然而近红外光谱对西洋
简化模型，并剔除不择是提取光谱特征信息的有效途径，
相关或非线性的变量，提高模型运算速度，改善模型的预
［8-9］
。测能力和稳健性
本研究中，未粉碎西洋参和人参纯品光谱采用移动窗
尤其是对少量人参（m /m≤参的评价研究相对较少，
20%）掺杂的西洋参样品，因其与纯西洋参光谱重叠性Rb1、Rf 等归属波段对鉴别分析的特征皂苷F11、高、
作用减弱，给近红外判别掺杂样品造成困难。本文对获得的西洋参及人参原材料进行光谱采集，通过有效波段选择结合模式判别方法进行种类鉴别。另鉴于西洋参和人参纯样获取数量有限、粉末掺杂样制备难，特别是西洋参纯品与少量掺杂样品间线性相关性高，在选定掺杂光谱最优预处理方式基础上，依据近红外漫反射光谱可线性加和原理，借助模拟光谱参与建模，有效以期建立一套实用可行的西洋参原提高掺杂判别精度，
材料纯品精选的解决方案。
［5］
口偏最小二乘法（MWPLS ）选取有效建模波段，进一步采
建立种类鉴别模型。此外，从图1用MSC 和一阶导处理，
4000 易见西洋参纯品和少量掺杂西洋参样品光谱接近，
7000cm －1波段掺杂样的吸光度值略高于纯品西洋参，此O —H 和N —H 键的倍频与合区域主要是西洋参中C —H 、
－1
频吸收；而7000 10000cm 波段两者吸光度差异很小，
［10］
此区域主要为上述基团的二倍频和三倍频吸收，且该范
－1
围芳香物质有吸收，故采用4000 7000cm 波段建立掺
杂判别模型，预处理方式采用一阶导与Norris 平滑处理
。
2
2．1
材料和方法
实验材料
实验所用的140个样品由加拿大Afexa 生命科学公
其中含80个来自中国（北京、山东、东北）司提供并鉴定，
BC ）的西洋参纯品，60个来自中国的和加拿大（Ontario 、
人参纯品，样品状态均包括主根、须根和支根。首先将西洋参和人参原样采集的光谱分为建模集（94个，含54个
40个人参）和预测集（46个，20含26个西洋参、西洋参、
个人参）用于种类鉴别模型。然后将全部样品粉碎取
200目筛下物，10%、随机选择人参粉末按质量比5%、15%、20%掺入西洋参粉末，每个浓度制备30个，共120个掺杂标准样。将80个西洋参粉末和120个掺杂样基S 样品分类法分为建模集和预测集，于马氏距离的K-其
掺杂样80个；预测集西洋中建模集西洋参粉末为48个，参粉末32个，掺杂样40个。
原样和粉末态样品均使用ANTARIS 傅里叶变换近红
外光谱仪（Thermo Nicolet Co．，USA ）的积分球漫反射方式其中原样直接置于积分球附件上（确保没有光采集光谱，
透过即可），粉末样置于自动旋转样品杯（直径32mm ，厚度15mm ）附件中。光谱采集范围4000 10000cm ，
－1
分辨率8cm ，扫描次数32，增益2倍。每个样取3次平均光谱作为该样品的原始光谱。2．2
光谱处理和数据分析
近红外光谱仪所采集的光谱除样品有效信息外，常
如电噪音、样品背景和杂散光等，常需含其他噪音信息，
－1
图1纯品与掺杂的西洋参平均光谱
American ginseng
Fig．1Average spectra of pure and adulterated
实验数据采用TQ Analyst V7．2（Thermo Nicolet ，
USA ）和MATLAB7．0（The Mathworks Inc．，Natick ，MA ）软件进行处理和分析。
3
3．1
实验结果与讨论
种类鉴别建模波长选择
3．1．1
西洋参和人参光谱重叠性高，难以直接从原始谱图
Rc 、Rd 、Re 和Rg1为西上获取特征吸收波段。皂苷Rb1、
洋参中含量较高的皂苷，占皂苷总量的70%以上。而奥
克梯隆醇型皂苷拟人参皂苷F11为西洋参所特有；Rf 为在西洋参中基本检测不到。鉴于上述皂人参特征皂苷，
苷基本机构均如图2所示（a ）或（b ），区别仅在于基团R1和R2，为不同葡萄糖基、烯酸单独或串联构成，光谱信息集中于甲基、亚甲基、烯烃C —H 和O —H 键的倍频、合频吸收波段，可通过建模波长优选提高判别精度。
第6期戚淑叶等：西洋参原材料近红外光谱精选研究
表1
LS-SVM 模型判别统计结果
1437
Table 1Discriminating result for LS-SVM model
类别人参西洋参
样品数4054
建模集
误判判别总判别样品数00
率（%）率（%）100
100
100
数2026
预测集
误判判别总判别数00
率（%）率（%）100
100
100
图2原人参二醇型皂苷（a ）与原人参三醇型皂苷（b ）
3．23．2．1
掺杂判别
主成分判别预处理方式选择
DA ）在不丢失主要光谱信息的主成分判别分析（PCA-
Fig．2Protopanaxadiol and protopanaxatriol ginsenosides
移动窗口偏最小二乘（MWPLS ）是Jiang J．H．等人
［11］
提出的一种建模波长优选的方法，关注窗口大小w
解决前提下选择为数较少的新变量来代替原来高维变量，
［15］
了近红外谱带重叠而无法分析的困难。但西洋参纯品需有效的预处理和少量人参掺杂的西洋参光谱十分接近，
手段消除干扰，分辨重叠峰，以提高模型的有效性。DA 分析结果的影表2为不同预处理方法对PCA-响。从中可以看出，光谱经MSC 和SNV 处理后，建模效果一致提高，主要由建模波段样品颗粒散射被部分消除引起。而光谱经过导数处理效果偏差，主要由于导数提且二阶导高频噪声强于高分辨率同时会产生高频噪声，
既能提高分辨峰，又一阶导。导数加Norris 平滑处理后，
削弱高频噪声，结果显著改善。然而导数与平滑处理前
添加MSC 或者SNV 结果并没有改善，可能与200目筛下DA 粉末颗粒均匀度相对较好有关。综上所述，在PCA-判别分析方法中，一阶导附加Norris 平滑处理效果最优，建模集有3个样品误判，判别正确率为97．7%；预测集有2个样品误判，判别正确率为97．2%。建模集与预测集而误判的5个样品掺杂比例西洋参纯品均能正确识别，均为5%，与实际掺杂量越小越难区分的情况相符。图4DA 模型判别结果散点图。为上述最优预处理下的PCA-表2
DA 判别结果的影响不同光谱预处理对PCA-Table 2The effect of spectral pretreatment
on the results of PCA-DA
N 2=80）建模集（N 1=48，
预处理原始光谱MSC SNV 一阶导数二阶导数一阶导数+Norris 平滑二阶导数+Norris 平滑
纯品误判700340000
掺杂误判666573444
判别率（%）89．895．395．393．891．497．796．996．996．9
N 2=40）预测集（N 1=32，纯品
误判200230000
掺杂误判244352333
判别率（%）94．494．494．493．188．997．295．895．895．8
的选择。本研究将建模集人参样品设定为化学值向量1，而－1代表西洋参样品，窗口大小初设定为20 180，间隔为10，最大因子数为10
［12］
。对整个光谱区间进行
MWPLS ，SSR 关系图中残差平方和（sums of 根据w-squared residues ，SSR ）最小选定窗口大小w 为100，且当
－1－1
窗口位于5112 5496cm 和6664 7200cm 时SSR
最小，将该两区间作为鉴别分析的输入数据。3．1．2最小二乘支持向量机判别分析
由图3可见西洋参和人参光谱变量存在非线性、数据维度较高，简单的定性模型很难满足判别要求。最小SVM ）是Suykens J．A．等人［13］对二乘支持向量机（LS-Vapnik 等提的SVM ［14］的一种改进和拓展，求解一组线性方程，简化计算，但仍能较好地解决非线性和高维数等实际问题，训练得到的结果通常也是全局最优解。
－1－1
本研究将5112 5496cm 和6664 7200cm 两
波段数据进行MSC 和一阶导处理后利用MATLAB7．0软
SVM 工具包，件中LS-提取累计贡献率为99．98%的前10个主成分，选取径向基核函数（radial basis function ，
RBF ），search ）获得最佳通过交叉验证的网格搜索（Grid-γ和σ组合值为0．13和23．42，训练后建模集和预测集均判别正确（见表1）
。
2
图3西洋参和人参光谱与
皂苷真值之间的相关系数
Fig．3Correlation coefficients between ginsenoside values and spectra of American ginsengand Panax ginseng
SNV +一阶导数+
Norris 平滑SNV +二阶导数+Norris 平滑
1438仪器仪表学报第33
卷
图4DA 模型判别结果最优的PCA-图6
模拟与实际西洋参掺杂样品的
主成分得分图
Fig．4Discriminating result for the optimal PCA-DA model
3．2．2模拟光谱辅助判别分析
Fig．6PC plot of simulated and practical
adulterated American ginsengs
对于少量掺杂人参（m /m≤20%）的西洋参样品而言，其化学成分，甚至物理性质比人参纯品更接近西洋参，使得参与建模样品间线性相关性升高，即上述128个建模集样品无法很好地反映所有样品信息
［16］
，导致误
以达到判。为在样品量有限基础上提高建模集代表性，构造线性加和模拟光谱，缓解样品投产应用的实际效用，代表性受限难题。
西洋参掺杂光谱数学模拟过程如图5所示，将所得差谱矩阵乘以一定系数m 进行信息扩充，再将扩充后的差谱矩阵加到原西洋参光谱矩阵中即得到西洋参掺杂人
参的模拟光谱。m ＜1和m ＞1的取值范围分别为［0．50，1．00）和（1．00，1．50］，间隔0．05各取一值与m =1随机组合光谱。通过多次试验，当选取系数m 分1．00和1．30时，模拟光谱与实际掺杂光谱主别为0．80、
成分得分最为接近，光谱匹配度高，在图6标记范围内任意选取240条掺杂模拟光谱（其中120条光谱等同于实际掺杂光谱）用于建模
。
S 方法分为建模集150个将240个模拟光谱按照K-与预测集90个；西洋参纯品分集同上，即建模集48个，
验证集32个。
依据前文研究结果，光谱采用一阶导与Norris 平滑
DA 进行预处理，在TQ Analyst V8．0软件中，沿用PCA-－1
在4000 7000cm 区域建模，判别结果如图7所示，易知建模集与预测集样品均正确识别，判别正确率均上升
为100%。可以看出，采用模拟光谱的方法不仅省去了制备掺杂样品和采集光谱的步骤，而且有效提升样品代表性，改善取样难的问题，甚至降低粉末样品混合不均、压实度不等对近红外光谱分析带来的影响，有效提高模型的预测精度
。
图7PCA-DA 判别结果散点图
Fig．7Scatter diagram of the discriminating result for the optimal PCA-DA model
4
图5
光谱模拟示意图
Fig．5Schematic diagram of spectral
simulation
结论
本研究基于近红外光谱分析技术，结合几种模式判
第6期戚淑叶等：西洋参原材料近红外光谱精选研究
178-181．
1439
别方法，建立了一套西洋参原材料纯品精选的快速无损
即先将获得的原材料进行西洋参和人参的种鉴别流程，
然后将最终投产前的西洋参粉末进行掺杂判别，类区分，
确保西洋参原材料的纯正。该研究依据特征皂苷结构相似，在谱图上集中反映于某些波段，采用MWPLS 选择完
SVM 种类鉴别模型，整样品的特征建模区域，建立LS-以降低非线性及高维数据对分析光谱的影响，得建模集和
预测集的正确判别率均为100%。另外，粉末态样品采为提高掺杂样品代表性并用一阶导与Norris 平滑处理，
借助线性加和模拟光谱在4000 大大减少制备消耗，
7000cm －1波段建立PCA-DA 掺杂判别模型，建模集与预测集的正确判别率由97．7%和97．2%均上升至100%。
本实验涉及的样品产地广泛、数量较多，样品代表性较强，该方法可实际应用于制药行业实时、快速地精选出西洋参原材料，减少缺陷原料流通中物资的徒劳损耗和制药后期次品的回炉或舍弃。
WU J ZH ，LI H ，WANG K D ，et al．Applied research of the spectra pretreatment in the near-infrared model of ag-ricultural products ［J ］．Agriculture Mechanization Re-search ，2011（3）：178-181．
［7］占细雄，林君，周志恒，等．近红外光谱仪中的微弱信
．仪器仪表学报，2002，23（增刊1）：号检测技术［J ］29-31．
ZHAN X X ，LIN J ，ZHOU ZH H．The technique of ac-．Chinese quiring weak signal in NIR spectrometer ［J ］Journal of Scientific Instrument ，2002，23（Suppl．1）：29-31．
［8］柳艳云，胡昌勤．近红外分析中光谱波长选择方法进
J ］．药物分析杂志，2010，30（5）：968-975．展与应用［
LIU Y Y ，HU CH Q．Progress and application of spectral wavelength selection methods in NIR analytical technique ［J ］．Chinese Journal of Pharmaceutical Analysis ，2010，30（5）：968-975．
［9］洪明坚，温志渝，张小洪．基于稀疏优化的近红外光谱
．仪器仪表学报，2011，32（5）：波长选择方法［J ］1114-1118．
HONG M J ，WEN ZH Y ，ZHANG X H．New NIR wave-length selection algorithm based on sparse optimization ［J ］．Chinese Journal of Scientific Instrument ，2011，32（5）：1114-1118．
［10］李民赞．光谱分析技术及其应用［M ］．北京：科学出版
2006．社，
．Bei-LI M Z．Spectral analysis and its application ［M ］2006．jing ：Science Press ，
［11］JIANG J H ，BERRY R J ，OZAKI Y ，et al．Wavelength
interval selection in multi-component spectral analysis by moving window partial least-squares regression with appli-cations to mid-infrared and near-Infrared spectroscopic J ］．Anal．Chem ，2002，74：3555-3565．data ［
［12］黄亚伟，王加华，李晓云，等．基于近红外光谱的人参
．光谱学与光谱分析，与西洋参的快速鉴别研究［J ］2010，30（11）：2954-2957．
HUANG Y W ，WANG J H ，LI X Y ，et al．Research on fast discrimination between panax ginseng and panax quinquefolium based on near infrared spectroscopy ［J ］．Spectroscopy and Spectral Analysis ，2010，30（11）：2954-2957．
［13］SUYKENS J A ，VANDEWALLE J．Least squares sup-port vector machine classifiers ［J ］．Neural Processing Letters ，1999，9：293-300．
［14］刘涛，王华．传感器非线性校正的遗传支持向量机方
J ］．电子测量与仪器学报，2011，25（1）：56-60．法［
LIU T ，WANG H．Nonlinear correction of sensor using
参考文献
［1］雷锋杰，张爱华，张连学，等．人参、西洋参化感作用研
J ］．中国中药杂志，2010，35（17）：2221-2226．究进展［
LEI F J ，ZHANG AI H ，ZHANG L X ，et al．The re-search progress of allelopathy for ginseng and American ．China Journal of Chinese Materia Medica ，ginseng ［J ］
2010，35（17）：2221-2226．
［2］黄亚伟，王加华，韩东海，等．近红外光谱测定人参与
J ］．分析化学，2011，39：377-西洋参的主要皂甙总量［381．
HUANG Y W ，WANG J H ，HAN D H ，et al．Determi-nation of some main ginsenosides of ginseng and Ameri-．Chinese can ginseng by near infrared spectroscopy ［J ］2011，39：377-381．Journal of Analytical Chemistry ，
［3］吉海彦．近红外光谱仪器及其在农业中的应用［J ］．仪
2001，22（增刊1）：355-356．器仪表学报，
JI H Y．Near-infrared spectroscopy instrument and its ap-plications in agriculture ［J ］．Chinese Journal of Scientific 2001，22（Suppl．1）：355-356．Instrument ，
［4］李长滨．近红外光谱技术在药物品质评价中的应用
［D ］．郑州：郑州大学，2011．
LI CH B．Quantitative and qualitative analysis of drugs ．Zheng-by near infrared spectroscopy technology ［D ］zhou ：Zhengzhou University ，2011．
［5］SCHLAG E M ，MCINTOSH M S．Ginsenoside content
and variation among and within American ginseng （Panax quinquefoliusL．）
populations ［J ］．
Phytochemistry ，
2006，67：1510-1519．
［6］吴静珠，李慧，王克栋，等．光谱预处理在农产品近红
J ］．农机化研究，2011（3）：外模型优化中的应用研究［
1440仪器仪表学报第33卷
单婕，1992年于加拿大阿伯塔大学获现为中国农业大得生理学荣誉博士学位，
学客座教授，主要研究方向为多分子组合天然药物。
E-mail ：jshan@afexa．com
Shan Jacqueline j received her Ph．D．in
genetic algorithm and support vector machine ［J ］．Jour-nal of Electronic Measurement and Instrument ，2011，25（1）：56-60．
［15］何勇，李晓丽．用近红外光谱鉴别杨梅种类的研究
［J ］．红外与毫米波学报，2006，25（3）：192-194，212．HE Y ，LI X L．Discriminating varieties of waxberry using near infrared spectra ［J ］．Journal of Infrared and 2006，25（3）：192-194，212．Millimeter Waves ，
［16］秦冲，陈雯雯，何雄奎，等．近红外光谱分析中建模校
J ］．光谱学与光谱分析，2009，29（10）：正集的选择［2661-2664．
CHEN W W ，HE X K ，et al．Study on a meth-QIN CH ，
od of selecting calibration samples in NIR spectral analy-sis ［J ］．Spectroscopy and Spectral Analysis ，2009，29（10）：2661-2664．
physiology from University of Alberta ，Canada in 1992．Now Dr．and Shan is a visiting professor at Chinese Agriculture University ，her research direstion is natural medicians by multi-molecular
combination．
韩东海（通讯作者），现为中国农业大主要研究方学食品与营养工程学院教授，向食品质量无损检测。E-mail ：handh@cau．edu．cn
Han Donghai （Corresponding author ）is a professor in China Agricultural University
now ，and his research direction is nondestructive detection of ag-ro-food quality．
作者简介
2010年于浙江工业大学获戚淑叶，
得学士学位，现为中国农业大学在读硕士研究生，主要研究方向为食品质量无损检测。
E-mail ：qsy_ok@126．com
Qi Shuye got bachelor degree from Zhe-jiang University of Technology in 2010；now she is a master student in China Agricultural University ；her research direction is nondestructive detection of agro-food
quality．
第33卷第6期2012年6月
仪器仪表学报
Chinese Journal of Scientific Instrument
Vol. 33No. 6Jun．2012
西洋参原材料近红外光谱精选研究
1
戚淑叶，单
22
婕，Ting Wong ，凌
21雷，韩东海
（1中国农业大学食品科学与营养工程学院
2Afexa 生命科学公司
摘
埃德蒙顿
北京100083
加拿大）
中国；
T6N1G1
要：为确保药物成品质量的稳定均一，作为原材料的西洋参应保证纯正。采用近红外积分球漫反射光谱，首先对西洋参、
squares regression ，MWPLS ）选择特征波段，人参原样光谱运用移动窗口偏最小二乘法（moving window partial least-建立最小二乘squares support vector machine ，LS-SVM ）种类鉴别模型挑选出西洋参样品，支持向量机（least-判别正确率为100%。然后将样品
－1
10%、15%、20%掺入西洋参粉末，粉碎，人参以5%、为增加样品代表性借助线性加和模拟光谱手段于4000 7000cm 建立
DA ）掺杂判别模型，主成分判别分析（principal component analysis discriminant analysis ，PCA-预测判别正确率由97．2%上升至100%，区分出少量人参掺杂的西洋参样品，最终精选出西洋参原材料纯品。关键词：西洋参；原材料；近红外光谱；精选中图分类号：TG115．3
文献标识码：A
国家标准学科分类代码：150．2520
Research on sifting of American ginseng as raw
material with near infrared spectroscopy
Qi Shuye 1，Shan Jacqueline j 2，Ting Wong 2，Ling Lei 2，Han Donghai 1
（1College of Food Science and Nutritional Engineering ，China Agricultural University ，Beijing 100083，China ；
2Afexa Life Sciences Inc．，Edmonton T6N1G1，Canada ）
Abstract ：To maintain the stability of drug products ，it is necessary to ensure that American ginseng is pure as raw material．The near infrared integrating sphere diffuse reflective spectra are used．Firstly ，moving window partial least-squares regression （MWPLS ）is used to pick out the characteristic wavebands in the spectra of intact American ginseng and Panax ginseng．Then ，the least-squares support vector machine （LS-SVM ）model is built in the appointed wave-bands to differentiate American ginseng from Panax ginseng with 100%accurate rate．Afterwards ，all the samples are comminuted ，and American ginseng powders are mixed with 5%，10%，15%and 20%Panax ginseng powders ，re-spectively．To improve the representativeness of the samples ，a principal component analysis discriminant analysis （PCA-DA ）model is built with linear additive analog spectrum method at 4000 7000cm －1；and the adulterant American ginseng is distinguished and the accurate rate is improved from 97．2%to 100%．As a result ，the samples with a little Panax ginseng mixed are distinguished ，and the pure American ginseng is sifted as raw material．Key words ：American ginseng ；raw material ；near infrared spectroscopy ；sifting
原材料。根据药品生产质量管理规范，为了确保最终产品的质量稳定均一，首先应对采购和使用的原材料进行有效地质量控制，其中中药材作为原料的定性鉴别一直是生药学的一项主要研究工作。西洋参和人参同属不同种，形态特征和化学组分很相似，肉眼难辨，但两者价格各异（价差
1引言
目前，我国西洋参用量居世界第一，产量居世界第二，
因其清补、健体、祛病等诸多功效，被广泛选作中药制剂的
09收稿日期：2011-Received Date ：2011-09
1436仪器仪表学报第33卷
［1-2］
可达40元/公斤）、临床效果不同，常有意、无意造成西
掺杂假冒的问题。洋参和人参种类混淆、［6］
对光谱进行预处理以削弱这方面的影响，以提高信噪
［7］
突显测量样品的吸收变化量。同时，建模波长的选比，
近红外光谱分析技术客观、无损、快速，区别于传统药物鉴定方法需要依靠专家主观经验或者烦琐化学实
［3］
不消耗样品、没有化学污染，已大量应用于同属药验，
［4］物鉴别、药物原辅料组成测定、天然物产地判别等定性分析，体现其优越性和可行性。然而近红外光谱对西洋
简化模型，并剔除不择是提取光谱特征信息的有效途径，
相关或非线性的变量，提高模型运算速度，改善模型的预
［8-9］
。测能力和稳健性
本研究中，未粉碎西洋参和人参纯品光谱采用移动窗
尤其是对少量人参（m /m≤参的评价研究相对较少，
20%）掺杂的西洋参样品，因其与纯西洋参光谱重叠性Rb1、Rf 等归属波段对鉴别分析的特征皂苷F11、高、
作用减弱，给近红外判别掺杂样品造成困难。本文对获得的西洋参及人参原材料进行光谱采集，通过有效波段选择结合模式判别方法进行种类鉴别。另鉴于西洋参和人参纯样获取数量有限、粉末掺杂样制备难，特别是西洋参纯品与少量掺杂样品间线性相关性高，在选定掺杂光谱最优预处理方式基础上，依据近红外漫反射光谱可线性加和原理，借助模拟光谱参与建模，有效以期建立一套实用可行的西洋参原提高掺杂判别精度，
材料纯品精选的解决方案。
［5］
口偏最小二乘法（MWPLS ）选取有效建模波段，进一步采
建立种类鉴别模型。此外，从图1用MSC 和一阶导处理，
4000 易见西洋参纯品和少量掺杂西洋参样品光谱接近，
7000cm －1波段掺杂样的吸光度值略高于纯品西洋参，此O —H 和N —H 键的倍频与合区域主要是西洋参中C —H 、
－1
频吸收；而7000 10000cm 波段两者吸光度差异很小，
［10］
此区域主要为上述基团的二倍频和三倍频吸收，且该范
－1
围芳香物质有吸收，故采用4000 7000cm 波段建立掺
杂判别模型，预处理方式采用一阶导与Norris 平滑处理
。
2
2．1
材料和方法
实验材料
实验所用的140个样品由加拿大Afexa 生命科学公
其中含80个来自中国（北京、山东、东北）司提供并鉴定，
BC ）的西洋参纯品，60个来自中国的和加拿大（Ontario 、
人参纯品，样品状态均包括主根、须根和支根。首先将西洋参和人参原样采集的光谱分为建模集（94个，含54个
40个人参）和预测集（46个，20含26个西洋参、西洋参、
个人参）用于种类鉴别模型。然后将全部样品粉碎取
200目筛下物，10%、随机选择人参粉末按质量比5%、15%、20%掺入西洋参粉末，每个浓度制备30个，共120个掺杂标准样。将80个西洋参粉末和120个掺杂样基S 样品分类法分为建模集和预测集，于马氏距离的K-其
掺杂样80个；预测集西洋中建模集西洋参粉末为48个，参粉末32个，掺杂样40个。
原样和粉末态样品均使用ANTARIS 傅里叶变换近红
外光谱仪（Thermo Nicolet Co．，USA ）的积分球漫反射方式其中原样直接置于积分球附件上（确保没有光采集光谱，
透过即可），粉末样置于自动旋转样品杯（直径32mm ，厚度15mm ）附件中。光谱采集范围4000 10000cm ，
－1
分辨率8cm ，扫描次数32，增益2倍。每个样取3次平均光谱作为该样品的原始光谱。2．2
光谱处理和数据分析
近红外光谱仪所采集的光谱除样品有效信息外，常
如电噪音、样品背景和杂散光等，常需含其他噪音信息，
－1
图1纯品与掺杂的西洋参平均光谱
American ginseng
Fig．1Average spectra of pure and adulterated
实验数据采用TQ Analyst V7．2（Thermo Nicolet ，
USA ）和MATLAB7．0（The Mathworks Inc．，Natick ，MA ）软件进行处理和分析。
3
3．1
实验结果与讨论
种类鉴别建模波长选择
3．1．1
西洋参和人参光谱重叠性高，难以直接从原始谱图
Rc 、Rd 、Re 和Rg1为西上获取特征吸收波段。皂苷Rb1、
洋参中含量较高的皂苷，占皂苷总量的70%以上。而奥
克梯隆醇型皂苷拟人参皂苷F11为西洋参所特有；Rf 为在西洋参中基本检测不到。鉴于上述皂人参特征皂苷，
苷基本机构均如图2所示（a ）或（b ），区别仅在于基团R1和R2，为不同葡萄糖基、烯酸单独或串联构成，光谱信息集中于甲基、亚甲基、烯烃C —H 和O —H 键的倍频、合频吸收波段，可通过建模波长优选提高判别精度。
第6期戚淑叶等：西洋参原材料近红外光谱精选研究
表1
LS-SVM 模型判别统计结果
1437
Table 1Discriminating result for LS-SVM model
类别人参西洋参
样品数4054
建模集
误判判别总判别样品数00
率（%）率（%）100
100
100
数2026
预测集
误判判别总判别数00
率（%）率（%）100
100
100
图2原人参二醇型皂苷（a ）与原人参三醇型皂苷（b ）
3．23．2．1
掺杂判别
主成分判别预处理方式选择
DA ）在不丢失主要光谱信息的主成分判别分析（PCA-
Fig．2Protopanaxadiol and protopanaxatriol ginsenosides
移动窗口偏最小二乘（MWPLS ）是Jiang J．H．等人
［11］
提出的一种建模波长优选的方法，关注窗口大小w
解决前提下选择为数较少的新变量来代替原来高维变量，
［15］
了近红外谱带重叠而无法分析的困难。但西洋参纯品需有效的预处理和少量人参掺杂的西洋参光谱十分接近，
手段消除干扰，分辨重叠峰，以提高模型的有效性。DA 分析结果的影表2为不同预处理方法对PCA-响。从中可以看出，光谱经MSC 和SNV 处理后，建模效果一致提高，主要由建模波段样品颗粒散射被部分消除引起。而光谱经过导数处理效果偏差，主要由于导数提且二阶导高频噪声强于高分辨率同时会产生高频噪声，
既能提高分辨峰，又一阶导。导数加Norris 平滑处理后，
削弱高频噪声，结果显著改善。然而导数与平滑处理前
添加MSC 或者SNV 结果并没有改善，可能与200目筛下DA 粉末颗粒均匀度相对较好有关。综上所述，在PCA-判别分析方法中，一阶导附加Norris 平滑处理效果最优，建模集有3个样品误判，判别正确率为97．7%；预测集有2个样品误判，判别正确率为97．2%。建模集与预测集而误判的5个样品掺杂比例西洋参纯品均能正确识别，均为5%，与实际掺杂量越小越难区分的情况相符。图4DA 模型判别结果散点图。为上述最优预处理下的PCA-表2
DA 判别结果的影响不同光谱预处理对PCA-Table 2The effect of spectral pretreatment
on the results of PCA-DA
N 2=80）建模集（N 1=48，
预处理原始光谱MSC SNV 一阶导数二阶导数一阶导数+Norris 平滑二阶导数+Norris 平滑
纯品误判700340000
掺杂误判666573444
判别率（%）89．895．395．393．891．497．796．996．996．9
N 2=40）预测集（N 1=32，纯品
误判200230000
掺杂误判244352333
判别率（%）94．494．494．493．188．997．295．895．895．8
的选择。本研究将建模集人参样品设定为化学值向量1，而－1代表西洋参样品，窗口大小初设定为20 180，间隔为10，最大因子数为10
［12］
。对整个光谱区间进行
MWPLS ，SSR 关系图中残差平方和（sums of 根据w-squared residues ，SSR ）最小选定窗口大小w 为100，且当
－1－1
窗口位于5112 5496cm 和6664 7200cm 时SSR
最小，将该两区间作为鉴别分析的输入数据。3．1．2最小二乘支持向量机判别分析
由图3可见西洋参和人参光谱变量存在非线性、数据维度较高，简单的定性模型很难满足判别要求。最小SVM ）是Suykens J．A．等人［13］对二乘支持向量机（LS-Vapnik 等提的SVM ［14］的一种改进和拓展，求解一组线性方程，简化计算，但仍能较好地解决非线性和高维数等实际问题，训练得到的结果通常也是全局最优解。
－1－1
本研究将5112 5496cm 和6664 7200cm 两
波段数据进行MSC 和一阶导处理后利用MATLAB7．0软
SVM 工具包，件中LS-提取累计贡献率为99．98%的前10个主成分，选取径向基核函数（radial basis function ，
RBF ），search ）获得最佳通过交叉验证的网格搜索（Grid-γ和σ组合值为0．13和23．42，训练后建模集和预测集均判别正确（见表1）
。
2
图3西洋参和人参光谱与
皂苷真值之间的相关系数
Fig．3Correlation coefficients between ginsenoside values and spectra of American ginsengand Panax ginseng
SNV +一阶导数+
Norris 平滑SNV +二阶导数+Norris 平滑
1438仪器仪表学报第33
卷
图4DA 模型判别结果最优的PCA-图6
模拟与实际西洋参掺杂样品的
主成分得分图
Fig．4Discriminating result for the optimal PCA-DA model
3．2．2模拟光谱辅助判别分析
Fig．6PC plot of simulated and practical
adulterated American ginsengs
对于少量掺杂人参（m /m≤20%）的西洋参样品而言，其化学成分，甚至物理性质比人参纯品更接近西洋参，使得参与建模样品间线性相关性升高，即上述128个建模集样品无法很好地反映所有样品信息
［16］
，导致误
以达到判。为在样品量有限基础上提高建模集代表性，构造线性加和模拟光谱，缓解样品投产应用的实际效用，代表性受限难题。
西洋参掺杂光谱数学模拟过程如图5所示，将所得差谱矩阵乘以一定系数m 进行信息扩充，再将扩充后的差谱矩阵加到原西洋参光谱矩阵中即得到西洋参掺杂人
参的模拟光谱。m ＜1和m ＞1的取值范围分别为［0．50，1．00）和（1．00，1．50］，间隔0．05各取一值与m =1随机组合光谱。通过多次试验，当选取系数m 分1．00和1．30时，模拟光谱与实际掺杂光谱主别为0．80、
成分得分最为接近，光谱匹配度高，在图6标记范围内任意选取240条掺杂模拟光谱（其中120条光谱等同于实际掺杂光谱）用于建模
。
S 方法分为建模集150个将240个模拟光谱按照K-与预测集90个；西洋参纯品分集同上，即建模集48个，
验证集32个。
依据前文研究结果，光谱采用一阶导与Norris 平滑
DA 进行预处理，在TQ Analyst V8．0软件中，沿用PCA-－1
在4000 7000cm 区域建模，判别结果如图7所示，易知建模集与预测集样品均正确识别，判别正确率均上升
为100%。可以看出，采用模拟光谱的方法不仅省去了制备掺杂样品和采集光谱的步骤，而且有效提升样品代表性，改善取样难的问题，甚至降低粉末样品混合不均、压实度不等对近红外光谱分析带来的影响，有效提高模型的预测精度
。
图7PCA-DA 判别结果散点图
Fig．7Scatter diagram of the discriminating result for the optimal PCA-DA model
4
图5
光谱模拟示意图
Fig．5Schematic diagram of spectral
simulation
结论
本研究基于近红外光谱分析技术，结合几种模式判
第6期戚淑叶等：西洋参原材料近红外光谱精选研究
178-181．
1439
别方法，建立了一套西洋参原材料纯品精选的快速无损
即先将获得的原材料进行西洋参和人参的种鉴别流程，
然后将最终投产前的西洋参粉末进行掺杂判别，类区分，
确保西洋参原材料的纯正。该研究依据特征皂苷结构相似，在谱图上集中反映于某些波段，采用MWPLS 选择完
SVM 种类鉴别模型，整样品的特征建模区域，建立LS-以降低非线性及高维数据对分析光谱的影响，得建模集和
预测集的正确判别率均为100%。另外，粉末态样品采为提高掺杂样品代表性并用一阶导与Norris 平滑处理，
借助线性加和模拟光谱在4000 大大减少制备消耗，
7000cm －1波段建立PCA-DA 掺杂判别模型，建模集与预测集的正确判别率由97．7%和97．2%均上升至100%。
本实验涉及的样品产地广泛、数量较多，样品代表性较强，该方法可实际应用于制药行业实时、快速地精选出西洋参原材料，减少缺陷原料流通中物资的徒劳损耗和制药后期次品的回炉或舍弃。
WU J ZH ，LI H ，WANG K D ，et al．Applied research of the spectra pretreatment in the near-infrared model of ag-ricultural products ［J ］．Agriculture Mechanization Re-search ，2011（3）：178-181．
［7］占细雄，林君，周志恒，等．近红外光谱仪中的微弱信
．仪器仪表学报，2002，23（增刊1）：号检测技术［J ］29-31．
ZHAN X X ，LIN J ，ZHOU ZH H．The technique of ac-．Chinese quiring weak signal in NIR spectrometer ［J ］Journal of Scientific Instrument ，2002，23（Suppl．1）：29-31．
［8］柳艳云，胡昌勤．近红外分析中光谱波长选择方法进
J ］．药物分析杂志，2010，30（5）：968-975．展与应用［
LIU Y Y ，HU CH Q．Progress and application of spectral wavelength selection methods in NIR analytical technique ［J ］．Chinese Journal of Pharmaceutical Analysis ，2010，30（5）：968-975．
［9］洪明坚，温志渝，张小洪．基于稀疏优化的近红外光谱
．仪器仪表学报，2011，32（5）：波长选择方法［J ］1114-1118．
HONG M J ，WEN ZH Y ，ZHANG X H．New NIR wave-length selection algorithm based on sparse optimization ［J ］．Chinese Journal of Scientific Instrument ，2011，32（5）：1114-1118．
［10］李民赞．光谱分析技术及其应用［M ］．北京：科学出版
2006．社，
．Bei-LI M Z．Spectral analysis and its application ［M ］2006．jing ：Science Press ，
［11］JIANG J H ，BERRY R J ，OZAKI Y ，et al．Wavelength
interval selection in multi-component spectral analysis by moving window partial least-squares regression with appli-cations to mid-infrared and near-Infrared spectroscopic J ］．Anal．Chem ，2002，74：3555-3565．data ［
［12］黄亚伟，王加华，李晓云，等．基于近红外光谱的人参
．光谱学与光谱分析，与西洋参的快速鉴别研究［J ］2010，30（11）：2954-2957．
HUANG Y W ，WANG J H ，LI X Y ，et al．Research on fast discrimination between panax ginseng and panax quinquefolium based on near infrared spectroscopy ［J ］．Spectroscopy and Spectral Analysis ，2010，30（11）：2954-2957．
［13］SUYKENS J A ，VANDEWALLE J．Least squares sup-port vector machine classifiers ［J ］．Neural Processing Letters ，1999，9：293-300．
［14］刘涛，王华．传感器非线性校正的遗传支持向量机方
J ］．电子测量与仪器学报，2011，25（1）：56-60．法［
LIU T ，WANG H．Nonlinear correction of sensor using
参考文献
［1］雷锋杰，张爱华，张连学，等．人参、西洋参化感作用研
J ］．中国中药杂志，2010，35（17）：2221-2226．究进展［
LEI F J ，ZHANG AI H ，ZHANG L X ，et al．The re-search progress of allelopathy for ginseng and American ．China Journal of Chinese Materia Medica ，ginseng ［J ］
2010，35（17）：2221-2226．
［2］黄亚伟，王加华，韩东海，等．近红外光谱测定人参与
J ］．分析化学，2011，39：377-西洋参的主要皂甙总量［381．
HUANG Y W ，WANG J H ，HAN D H ，et al．Determi-nation of some main ginsenosides of ginseng and Ameri-．Chinese can ginseng by near infrared spectroscopy ［J ］2011，39：377-381．Journal of Analytical Chemistry ，
［3］吉海彦．近红外光谱仪器及其在农业中的应用［J ］．仪
2001，22（增刊1）：355-356．器仪表学报，
JI H Y．Near-infrared spectroscopy instrument and its ap-plications in agriculture ［J ］．Chinese Journal of Scientific 2001，22（Suppl．1）：355-356．Instrument ，
［4］李长滨．近红外光谱技术在药物品质评价中的应用
［D ］．郑州：郑州大学，2011．
LI CH B．Quantitative and qualitative analysis of drugs ．Zheng-by near infrared spectroscopy technology ［D ］zhou ：Zhengzhou University ，2011．
［5］SCHLAG E M ，MCINTOSH M S．Ginsenoside content
and variation among and within American ginseng （Panax quinquefoliusL．）
populations ［J ］．
Phytochemistry ，
2006，67：1510-1519．
［6］吴静珠，李慧，王克栋，等．光谱预处理在农产品近红
J ］．农机化研究，2011（3）：外模型优化中的应用研究［
1440仪器仪表学报第33卷
单婕，1992年于加拿大阿伯塔大学获现为中国农业大得生理学荣誉博士学位，
学客座教授，主要研究方向为多分子组合天然药物。
E-mail ：jshan@afexa．com
Shan Jacqueline j received her Ph．D．in
genetic algorithm and support vector machine ［J ］．Jour-nal of Electronic Measurement and Instrument ，2011，25（1）：56-60．
［15］何勇，李晓丽．用近红外光谱鉴别杨梅种类的研究
［J ］．红外与毫米波学报，2006，25（3）：192-194，212．HE Y ，LI X L．Discriminating varieties of waxberry using near infrared spectra ［J ］．Journal of Infrared and 2006，25（3）：192-194，212．Millimeter Waves ，
［16］秦冲，陈雯雯，何雄奎，等．近红外光谱分析中建模校
J ］．光谱学与光谱分析，2009，29（10）：正集的选择［2661-2664．
CHEN W W ，HE X K ，et al．Study on a meth-QIN CH ，
od of selecting calibration samples in NIR spectral analy-sis ［J ］．Spectroscopy and Spectral Analysis ，2009，29（10）：2661-2664．
physiology from University of Alberta ，Canada in 1992．Now Dr．and Shan is a visiting professor at Chinese Agriculture University ，her research direstion is natural medicians by multi-molecular
combination．
韩东海（通讯作者），现为中国农业大主要研究方学食品与营养工程学院教授，向食品质量无损检测。E-mail ：handh@cau．edu．cn
Han Donghai （Corresponding author ）is a professor in China Agricultural University
now ，and his research direction is nondestructive detection of ag-ro-food quality．
作者简介
2010年于浙江工业大学获戚淑叶，
得学士学位，现为中国农业大学在读硕士研究生，主要研究方向为食品质量无损检测。
E-mail ：qsy_ok@126．com
Qi Shuye got bachelor degree from Zhe-jiang University of Technology in 2010；now she is a master student in China Agricultural University ；her research direction is nondestructive detection of agro-food
quality．