將各30批八角茴香與莽草樣品的色譜圖，建立以MXT-5色譜柱采集信號為主的八角茴香與莽草樣品氣味色譜瀑布圖，結果篩選出26個分離效果較好且峰面積較大的氣味色譜峰作為主要成分進行后續(xù)分析。詳見圖1和圖2。

圖1 八角茴香與莽草樣品氣味色譜瀑布圖

圖2 八角茴香與莽草樣品快速氣相電子鼻色譜圖對比

本研究中將檢測結果用正構烷烴（nC6-nC16）混合對照品溶液進行校準，將RI與Arochembase數(shù)據(jù)庫信息進行對比，根據(jù)相關指數(shù)篩選八角茴香與莽草的氣味特征成分，確定了26種可能存在的化合物、名稱、感官（氣味）描述信息。詳見表3。結果顯示，所鑒定出的化合物多為烷烴類和醇類，其次為烯烴類和酯類。

由圖1、圖2和表3可見，莽草的氣味色譜峰數(shù)量及峰面積均存在明顯差異。氣味色譜瀑布圖中，八角茴香共檢出18個峰，莽草共檢出24個峰，八角茴香與莽草的共有峰有16個，分別為α-蒎烯、1，3，5-三甲苯、正十烷、對傘花烴、5-乙基壬烷、萜品油烯、芳樟醇、樟腦、壬酸甲酯、2-癸烯醛、2，4-癸二烯醛、茴香腦、甲基丁香酚、丁烯酸辛酯、2-甲基四癸烷、甲基內(nèi)吸磷。八角茴香與莽草間的差異性主要體現(xiàn)在4-乙基辛烷、2-辛醇、氧化檸檬烯、乙酸庚酯、辛烯-8-醇、反式香芹醇、香茅醇、2-丁烯酸己酯、3-甲基十五烷、正十七烷，可作為八角茴香與莽草樣品的氣味差異標志物。在氣味色譜峰峰面積上，八角茴香相較于莽草，對傘花烴、壬酸甲酯、2，4-癸二烯醛、茴香腦4種氣味成分的峰面積顯著提高，可能是八角茴香與莽草的氣味差異標志物；5-乙基壬烷、2-癸烯醛2種氣味成分的峰面積分有所降低，可能是八角茴香與莽草的潛在氣味差異標志物。

表3 八角茴香與莽草樣品中可能存在的氣味化合物與感官（氣味）描述信息

將篩選出的26個色譜峰峰面積進行PCA，結果第一主成分（PC1）的貢獻率為92.657%，第二主成分（PC2）的貢獻率為7.276%，第三主成分（PC3）的貢獻率為0.055%，主成分累計貢獻率為99.988%，該模型能顯示樣品整體的氣味信息。八角茴香與莽草樣品明顯分布于模型中的2個不同區(qū)域，表明二者氣味存在較大差異，PCA模型能快速區(qū)分八角茴香與莽草。詳見圖3。

圖3 八角茴香與莽草樣品的PCA三維圖

樣品進行DFA分析，結果DF1的貢獻率為100.00%，表明DFA模型能充分反映樣品的原始信息。八角茴香與莽草樣品分布于模型中的2個不同區(qū)域，區(qū)分效果顯著，與PCA分析結果一致。詳見圖4。

圖4 八角茴香與莽草樣品的DFA圖

建立八角茴香與莽草的OPLS-DA模型，結果顯示八角茴香與莽草樣品明顯聚為2類，可實現(xiàn)真?zhèn)螀^(qū)分，詳見圖5A；提取3個主要成分，模型解釋率參數(shù)（R²）分別為0.810，0.933，0.943，預測能力參數(shù)（Q²）分別為0.808，0.932，0.941，均高于0.5，表明模型擬合程度較好，具有較高的穩(wěn)定性和預測率，詳見圖5B；進行200次隨機置換檢驗發(fā)現(xiàn)，R²擬合線的縱坐標截距為0.008，Q²擬合線的縱坐標截距為-0.137，右側主成分下的R²和Q²明顯高于左側，表明該模型可靠，且不存在過擬合現(xiàn)象，詳見圖5C。變量權重重要性排序（VIP）>1.0，表明該變量對整體模型的貢獻度較大，對樣本分類的影響具有統(tǒng)計學意義，可作為差異標志物。分析26個色譜峰的VIP，共篩選出14種VIP>1.0的氣味成分。VIP>1.2且明顯高于其他成分的有茴香腦、丁烯酸辛酯、2，4-癸二烯醛，推測這3種氣味成分為鑒別八角茴香與莽草的關鍵氣味差異化合物。詳見圖5D。

圖5 八角茴香與莽草樣品的OPLS-DA模型

本研究中利用BP神經(jīng)網(wǎng)絡模型進一步提高鑒別精度，將180組樣品（八角茴香與莽草各30批，每批平行測定3次）鑒定出的26個氣味成分峰面積數(shù)據(jù)作為神經(jīng)網(wǎng)絡模型輸入層。為防止學習過程中出現(xiàn)局部優(yōu)化現(xiàn)象，訓練開始前需打亂輸入層的峰面積數(shù)據(jù)順序，以排除原始數(shù)據(jù)的規(guī)律性后輸入神經(jīng)網(wǎng)絡，將八角茴香與莽草分為2類作為模型的目標。將樣本原始數(shù)據(jù)集合隨機分為訓練集（70%）和測試集（30%），設置10個隱藏層神經(jīng)元，采用Levenberg-Marquardt算法訓練，以建立BP神經(jīng)網(wǎng)絡模型。

交叉熵（CE）能反映模型的性能及精度，交叉熵越小，表明預測越接近真實分布，模型的性能越好，精度越高。接收者操作特征（ROC）曲線下面積（AUC）越接近1.0，表明模型的性能越好。由圖6A可見，在迭代25次后，驗證集的CE為7.7486×10^-7<1×10^-6，可認為BPANN模型的預測精度較高。由ROC曲線（圖6B）可見，訓練集、驗證集、測試集及全集中2類樣品的AUC均為1.0，表明BP神經(jīng)網(wǎng)絡分類性能良好。

混淆矩陣是一種用來呈現(xiàn)算法性能且具有監(jiān)督學習模式的可視化矩陣。建立的模型在訓練集和測試集的正確率見圖6C和圖6D?？梢?，訓練集八角茴香與莽草各63個樣本均被正確劃分，預測準確率為100.00%；測試集八角茴香與莽草各27個樣本均被正確劃分，預測準確率為100.00%。測試集的準確率更能說明模型的鑒別性能，上述結果表明，BP神經(jīng)網(wǎng)絡判別模型能準確、快速地鑒別八角茴香與莽草。

圖6 反向傳播神經(jīng)網(wǎng)絡模型圖

來源：感官科學與評定，轉載請注明來源。

參考文獻：郝建威,張云飛,于小聰,等.Heracles NEO型超快速氣相電子鼻結合反向傳播神經(jīng)網(wǎng)絡法快速識別八角茴香與莽草[J].中國藥業(yè),2026,35(05):46-53.提醒：文章僅供參考，如有不當，歡迎留言指正和交流。且讀者不應該在缺乏具體的專業(yè)建議的情況下，擅自根據(jù)文章內(nèi)容采取行動，因此導致的損失，此公眾號運營方不負責。如文章涉及侵權或不愿我平臺發(fā)布，請聯(lián)系小編。