摘要：采用傅里叶红外光谱法（FTIR）扫描42份紫花地丁（Viola philippica Car.）样品红外图谱，利用人工神经网络误差反向传播算法（BP-ANN）对红外数据进行处理，建立了中药紫花地丁的红外指纹图谱，为中药紫花地丁的鉴定提供了理论依据和实用方法。结果可以有效地鉴别野生紫花地丁和栽培紫花地丁，准确率达到92.86%。所建的模型合理、实用。
关键词：紫花地丁（Viola philippica Car.）；红外光谱；鉴别
中图分类号：R931.5 文献标识码：A 文章编号：0439-8114（2013）07-1656-03
紫花地丁（Viola philippica Car.）为堇菜科植物紫花地丁的干燥全草，又名地丁草、独行虎、紫地丁，系早春开花的多年生草本。全草入药，性苦、辛、寒，入心、肝经，具有清热解毒、消痈散结之功效。可用于治疗痈肿疔疮、乳痈肠痈、丹毒肿痛、毒蛇咬伤等症[1]。紫花地丁是中国民间应用较早的中药之一， 主要分布在辽宁、河北、河南、山东、安徽、江苏、浙江、福建、江西、湖南、湖北等地[2]。《本草纲目》记载：“紫花地丁，处处有之”。目前全国各地使用的地丁主要有紫花地丁（堇菜科）、甜地丁（豆科）、苦地丁（罂粟科）、龙胆地丁（龙胆科）、竹叶地丁（远志科）等。堇菜属多种植物均当紫花地丁入药，不同地区药材来源各异，商品药材混乱。
本研究利用红外光谱法和人工神经网络对42份不同批次、不同产地的紫花地丁样品进行了测试和鉴别，结果可以区分其中的野生紫花地丁和栽培紫花地丁。此鉴别方法与常规的鉴别方法[3-6]相比具有更直接、快速、不破坏样品等特点，是一种科学鉴别中药材的方法。
1 材料与方法
1.1 材料
1.1.1 仪器与测试条件 PE1730型傅里叶变换红外光谱仪，DTGS检测器，光谱分辨率4 cm-1。测量范围1 800-400 cm-1。温度控制在22 ℃。
1.1.2 样品 选用的42份紫花地丁样品为不同品种和不同批次的样品，均采购于张家口药店。
1.2 方法
1.2.1 药材预处理 药材经烘箱烘干，机器粉碎，过60目筛，备用。
1.2.2 样品测定 取1～2 mg紫花地丁样品，研细，加入100～200 mg的溴化钾，在压片机上压成厚度为0.1 mm透明薄片后用傅里叶变换红外光谱仪进行测定。
2 结果与分析
2.1 方法学考察
2.1.1 精密度试验结果 同一样品供试片连续测定5次，谱图完全一致。
2.1.2 重复性试验结果 同一份样品分别取样5次进行测定，谱图基本一致，相对标准偏差为0.1%。
2.1.3 稳定性试验结果 取同一样品片放入干燥器内保存，分别放置0、1、2、3、4、6、8、24 h后测定，图谱完全一致。
2.2 数据的采集和处理
样品光谱测定前需要做背景扫描，以消除压片混合物在光谱上的干扰，还有利于扣除空气中的二氧化碳和水蒸气的红外信号。中红外光谱作为一种常用的光谱分析方法常用于鉴别中草药[7-10]，本研究使用误差反向传播算法的神经网络（BP-ANN）建立了紫花地丁样品的分类模型。神经网络的输入层单元为44，输出层单元为1个，以1.0代表野生紫花地丁，0.0代表栽培紫花地丁。对隐含层单元进行优化选择。
首先对紫花地丁的红外光谱利用小波变换进行压缩，然后进行网络训练和建模。为了验证神经网络建立的分类模型，采用交叉验证方法。使用随机方法选取检验样本，即每次选取一个样本作为检验样本，其余样本作为训练样本。预测结果的判定阈值设为0.5，即当输出值大于0.5判为野生紫花地丁，当输出值小于0.5判为栽培紫花地丁。
2.3 紫花地丁的红外光谱分析
扫描获得不同的紫花地丁样品红外光谱图（图1），发现紫花地丁样品的红外光谱非常相似，很难进行区别。由于光谱变量多、分析速度慢，因此选择小波变换技术对光谱进行压缩。
小波变换是一个时间和频域的局域变换因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅立叶变换不能解决的问题。利用小波变换方法对光谱进行压缩，经小波压缩后的光谱变量点由原来的700个减少为44个，然后进行归一化处理，含44个变量的紫花地丁红外光谱作为神经网络的输入信号，避免了由于被测样品量的大小对吸收峰强弱的影响，绘制出来的红外光谱图能够更好的反映出不同产地不同年限的紫花地丁的光谱差别。
2.4 隐含层结点的影响
隐含层的结点数决定着BP网络的复杂性。若数目太少，网络所能获得的信息就会太少，不利于分析鉴别；而数目太多，不仅增加了训练时间，而且目标存在一定的误差，同时容错性变差，测试误差增大。因此需要选择一个最适合的隐含层结点数。随着隐含层结点数的变化，BP网络的识别正确率也在变化。当隐含层结点数为4时，识别正确率最高，达到92.86%（图2）。
2.5 动量因子的影响
动量因子和识别速率是影响BP神经网络训练速率和收敛度的两个重要因素，其中识别速率一项是由函数Trainbpx自行调整。因此，在试验中只需要选择合适的动量因子。传统的算法中一般动量因子为0.9。适当改变动量因子，不仅没有降低网络的收敛和训练速度，而且测试误差减小，有利于分析鉴别。把动量因子从0.1到0.9逐个比较，确定最合适的动量因子为0.6（图3）。
2.6 神经网络分析鉴别
在这项试验中，通过神经网络鉴别紫花地丁样品，野生紫花地丁的期望输出值为1.0，栽培紫花地丁的期望输出值为0.0。BP-ANN网络对样紫花地丁样品的识别中有3份紫花地丁样品识别错误，其他39份样品的鉴别是正确的（图4）。从总体来看，使用BP网络鉴别紫花地丁样品识别准确率达到了92.86%。
3 小结与讨论
利用红外光谱对紫花地丁样品扫描，可以检测紫花地丁样品中的各种官能团，不同的峰位置与形状说明样品中所含成分的差异。从整体上看，不同品种的紫花地丁的红外光谱有许多共同特征，说明紫花地丁样品含有一些相同的有效成分。不同种药材或不同产地的药材，红外的指纹谱图存在差异，说明其中一些化学成分或者各化学成分的含量存在差异，这样借助药材指纹谱图的差异建立相关的模式识别法实现谱图的辨认和药材的快速鉴别在理论上是可行的。但研究中发现这种差异性不太明显，简单的相似度方法进行比较很难区分。
通过对42份紫花地丁样品的测试和鉴别可以看出，紫花地丁样品红外谱图比较相似，根据谱图的差异并通过BP-ANN网络可以识别野生紫花地丁和栽培紫花地丁。利用人工神经网络与之相结合可以对药材进行真伪鉴别。作为药用的紫花地丁品种较多，尚没有统一的质量标准，对于紫花地丁的药用开发是一大制约。因此制定相应的质量标准可为紫花地丁的合理应用提供理论依据，同时也为紫花地丁的药用拓展更大的空间。
参考文献：
[1] 林艳芝，杨立柱.紫花地丁的栽培与应用[J].河北农业科学，2009， 13（4）：75-83.
[2] 王庆瑞.中国植物志（第51卷）[M].北京：科学出版社，1991.
[3] 张永耀，侯惠婵，杨洁瑜.紫花地丁及其常见混伪品的比较鉴别[J].中国现代中药，2010（7）：25-27.
[4] 李连方，尹祖棠.华北地区堇菜属植物的果实和种子形态学研究[J].中国农业大学学报，1999（3）：35-38.
[5] 王旭红，秦民坚，梁之桃.南京地区6种堇菜属植物根和根茎的显微鉴定[J].中药材，2003（6）：401-403.
[6] 王旭红，秦民坚，吴永强.南京地区6种堇菜属植物叶表皮的显微结构比较[J].中药材，2003（10）：706-709.
[7] 邓月娥，孙素琴，牛立元. 不同产地金钗石斛红外光谱解析[J]. 河南科技学院学报（自然科学版），2007（2）：37-40.
[8] 姚 霞，孙素琴，许利嘉，等. 红外光谱法对野生和栽培枸杞子的鉴别与分析[J].医药导报，2010（8）：1065-1068.
[9] 孙静芸.桑白皮与易混淆品种红外光谱指纹谱的分析[J].中草药，2002（4）：355-358.
[10] 周红涛，胡世林，冯学锋，等.不同产地赤芍的FTIR指纹图谱对比分析[J].中草药，2002（9）：834-837.