CN112161965B - 检测中药药性的方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种检测中药药性的方法、装置、计算机设备和存储介质。所述方法通过基于代谢组学方法采集待检测中药的待测样本，对待检测中药的待测样本进行拉曼光谱检测，以获取待检测中药的拉曼光谱数据，并采用中药药性分类检测模型识别拉曼光谱数据，从而得到待检测中药的药性类别，以实现采用统一的标准对中药药性进行准确的鉴别。

Description

检测中药药性的方法、装置、计算机设备和存储介质

技术领域

本申请涉及中药检测技术领域，特别是涉及一种检测中药药性的方法、装置、计算机设备和存储介质。

背景技术

随着中医科学化、中西医结合的发展趋势，对中药进行科学的药性鉴别显得格外重要。中药的药性包含寒、热、温、凉、平五种不同的药性，是依据药物作用于人体产生的效应归纳出来的，能够反映药物作用人体之阴阳相长，寒热趋衡的功效倾向。

传统技术中，中药药性的确定大多以古代医学典籍论著、专家学者的共识以及长期传承下来的临床治疗经验为依据。而目前对中药药性的研究大都集中于寒性和热性，很多学者将温性药归于热性药中，将凉性药归于寒性药中，对于平性药的研究也相对较少。又由于中药成分复杂，很难通过测定某一种组分来判断其药性，而且中药的作用途径多样，其药性是对多靶点或多器官发挥整体综合调节作用的结果，对单一指标的检测难以对中药药性进行合理分类，传统技术中尚无统一的标准对中药药性进行准确的鉴别。

发明内容

基于此，有必要针对上述传统技术中尚无统一的标准对中药药性进行准确鉴别的问题，提供一种能够统一对中药药性进行准确鉴别的检测中药药性的方法、装置、计算机设备和存储介质。

一种检测中药药性的方法，所述方法包括：

基于代谢组学方法采集待检测中药的待测样本；

对所述待检测中药的待测样本进行拉曼光谱检测，获取所述待检测中药的拉曼光谱数据；

采用中药药性分类检测模型识别所述拉曼光谱数据，得到所述待检测中药的药性类别，所述药性类别包括寒性、热性、温性、凉性以及平性中的任一种。

在其中一个实施例中，中药药性分类检测模型的构建方法包括：基于代谢组学方法采集每一种药性类别下第一中药样品的检测样本集，所述检测样本集中包括同一种药性类别下多个第一中药样品的检测样本；对所述检测样本集中每一个检测样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本数据；获取每一种药性类别下第一中药样品的检测样本集对应的拉曼光谱样本数据集；根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到所述中药药性分类检测模型。

在其中一个实施例中，根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到所述中药药性分类检测模型，包括：对每一种药性类别下对应的拉曼光谱样本数据集进行标准化处理，得到对应的标准正态分布曲线；基于每一种药性类别下对应的拉曼光谱样本数据集以及标准正态分布曲线，训练深度学习分类模型，得到所述中药药性分类检测模型。

在其中一个实施例中，根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型之后，所述方法还包括：采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，得到验证结果；根据所述验证结果更新训练后的深度学习分类模型的模型参数，得到所述中药药性分类检测模型。

在其中一个实施例中，采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，包括：根据每一种药性类别下对应的拉曼光谱样本数据集，确定每一种药性类别下对应的拉曼光谱样本数据验证集；基于每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在其中一个实施例中，采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，包括：基于代谢组学方法采集每一种药性类别下第二中药样品的验证样本集，所述验证样本集中包括同一种药性类别下多个第二中药样品的验证样本，所述第二中药样品与所述第一中药样品不同；对所述验证样本集中每一个验证样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本验证数据；获取每一种药性类别下第二中药样品的验证样本集对应的拉曼光谱样本数据验证集；根据每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在其中一个实施例中，对所述待检测中药的待测样本进行拉曼光谱检测，包括：在设定的拉曼光谱检测环境下对所述待检测中药的待测样本进行拉曼光谱检测，所述设定的拉曼光谱检测环境包括设定的激光波长、激光功率、光谱分辨率、积分时间以及积分次数。

一种检测中药药性的装置，所述装置包括：

待测样本采集模块，用于基于代谢组学方法采集待检测中药的待测样本；

拉曼光谱检测模块，用于对所述待检测中药的待测样本进行拉曼光谱检测，获取所述待检测中药的拉曼光谱数据；

药性分类模块，用于采用中药药性分类检测模型识别所述拉曼光谱数据，得到所述待检测中药的药性类别，所述药性类别包括寒性、热性、温性、凉性以及平性中的任一种。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。

上述检测中药药性的方法、装置、计算机设备和存储介质，通过基于代谢组学方法采集待检测中药的待测样本，对待检测中药的待测样本进行拉曼光谱检测，以获取待检测中药的拉曼光谱数据，并采用中药药性分类检测模型识别拉曼光谱数据，从而得到待检测中药的药性类别，以实现采用统一的标准对中药药性进行准确的鉴别。

附图说明

图1为一个实施例中检测中药药性的方法的流程示意图；

图2为一个实施例中中药药性分类检测模型的构建步骤的流程示意图；

图3为一个实施例中采集检测样本的流程示意图；

图4A为一个实施例中基于随机森林构建的中药药性分类检测模型的结构示意图；

图4B为一个实施例中基于梯度提升树构建的中药药性分类检测模型的结构示意图；

图5为一个实施例中检测中药药性的装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种检测中药药性的方法，包括以下步骤：

步骤102，基于代谢组学方法采集待检测中药的待测样本。

其中，代谢组学方法是效仿基因组学和蛋白质组学的研究思想，对生物体内所有代谢物进行定量分析，并寻找代谢物与生理病理变化的相对关系的研究方式，是系统生物学的组成部分。待测样本则是基于待检测中药得到的生物体的代谢物，代谢物亦称中间代谢物，是指生物体基于待检测中药并通过代谢过程产生或消耗的物质，例如，可以是生物体基于待检测中药并通过代谢过程产生的体液。在本实施例中，当需要对待检测中药的药性进行检测时，则基于代谢组学方法采集待检测中药的待测样本，并通过后续步骤对待检测样本进行处理，从而得到对应待检测中药的药性。

步骤104，对待检测中药的待测样本进行拉曼光谱检测，获取待检测中药的拉曼光谱数据。

其中，拉曼光谱(Raman spectra)是一种散射光谱。拉曼光谱分析法是基于印度科学家C.V.拉曼(Raman)所发现的拉曼散射效应，对与入射光频率不同的散射光谱进行分析以得到分子振动、转动方面信息，并应用于分子结构研究的一种分析方法。拉曼光谱数据是对待检测中药的待测样本进行拉曼光谱检测后得到的检测结果。在本实施例中，通过对待检测中药的待测样本进行拉曼光谱检测，从而获取待检测中药的拉曼光谱数据。

步骤106，采用中药药性分类检测模型识别拉曼光谱数据，得到待检测中药的药性类别。

其中，药性类别包括寒性、热性、温性、凉性以及平性中的任一种。中药药性分类检测模型是基于对深度学习分类模型进行训练后得到的，具体地，该深度学习分类模型可以是基于Scikit-learn(针对Python编程语言的软件机器学习库)实现的。在本实施例中，通过将上述获取的待检测中药的拉曼光谱数据输入预先训练好的中药药性分类检测模型，从而得到该待检测中药的药性类别。

上述检测中药药性的方法，通过基于代谢组学方法采集待检测中药的待测样本，对待检测中药的待测样本进行拉曼光谱检测，以获取待检测中药的拉曼光谱数据，并采用中药药性分类检测模型识别拉曼光谱数据，从而得到待检测中药的药性类别，以实现采用统一的标准对中药药性进行准确的鉴别。

在一个实施例中，如图2所示，中药药性分类检测模型的构建方法具体可以包括如下步骤：

步骤202，基于代谢组学方法采集每一种药性类别下第一中药样品的检测样本集。

其中，每一种药性类别下第一中药样品，是指上述寒性、热性、温性、凉性以及平性类别下分别对应的中药样品。检测样本集中包括同一种药性类别下多个第一中药样品的检测样本，具体地，检测样本是基于第一中药样品得到的生物体的代谢物。在本实施例中，基于同一种药性类别下多个第一中药样品的检测样本可以得到对应药性类别的检测样本集，因此，对于每一种药性类别，可以得到对应药性类别的检测样本集。

步骤204，对检测样本集中每一个检测样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本数据。

其中，拉曼光谱样本数据是对检测样本进行拉曼光谱检测后得到的检测结果。在本实施例中，通过对检测样本集中每一个检测样本分别进行拉曼光谱检测，从而得到对应的拉曼光谱样本数据。

步骤206，获取每一种药性类别下第一中药样品的检测样本集对应的拉曼光谱样本数据集。

在本实施例中，通过对每一种药性类别的检测样本集中每一个检测样本分别进行拉曼光谱检测，从而得到每一种药性类别下第一中药样品的检测样本集对应的拉曼光谱样本数据集。

步骤208，根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到中药药性分类检测模型。

在本实施例中，通过每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，从而得到中药药性分类检测模型。具体地，还可以对每一种药性类别下对应的拉曼光谱样本数据集进行标准化处理，从而得到对应的标准正态分布曲线，进而基于每一种药性类别下对应的拉曼光谱样本数据集以及标准正态分布曲线，训练深度学习分类模型，从而得到中药药性分类检测模型。

在一个实施例中，在根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型之后，所述方法还包括：采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，得到验证结果；根据验证结果更新训练后的深度学习分类模型的模型参数，得到中药药性分类检测模型。其中，拉曼光谱样本数据验证集包括每一种药性类别下多个中药样品的验证样本，其用于对模型进行验证，而验证样本是基于中药样品得到的生物体的代谢物。模型参数是模型内部的配置变量，其是机器学习算法的关键，它们通常由训练数据中总结得出。模型在进行预测时需要它们，它们的值定义了可使用的模型。

以下结合具体的实施方式进一步说明本申请的技术方案：

1、构建中药药性分类检测模型的准备工作

1.1所采用的实验药物：选自2015年版《中华人民共和国药典》一部所刊载的药物，皆为临床公认，药性明确的药物。其中热性中药五种:仙茅、肉桂、附子、吴茱萸、干姜；温性中药五种：杜仲、陈皮、红参、锁阳、当归；平性中药五种：青风藤、牛膝、仙鹤草、大血藤、甘草；凉性中药五种：柴胡、升麻、薄荷、蔓荆子、川贝母；寒性中药五种：知母、百合、栀子、板蓝根、金银花。需要说明的是，对于实验中药的具体选择不限于此，也可以是选择其他的同药性的中药，本申请并不对此进行限定。

1.2所采用的实验动物：通过选取8周龄SPF(Sun Protection Factor，防晒因子)级Balb/C(白变种实验室老鼠)雄性小鼠，体重20±3g，共128只，购自上海杰思捷实验动物有限公司，实验动物生产许可证号SCXK(沪)2018-0004。饲养于复旦大学SPF级动物实验室，实验动物使用许可证号SYXK(沪)2014-0029。实验室条件：IVC(individual ventilatedcages)独立通风系统，温度20-26℃，湿度40％-70％，光照强度150lux-300lux，光照周期为7:00-19:00，使用Co60辐照灭菌饲料和酸化水饲养小鼠。

1.3灌胃药剂配置：根据2015年版《中华人民共和国药典》成人每天最大剂量计算每味药物的小鼠标准剂量。其中人体重按70kg计算，小鼠体重按20g计算，根据2010年版《药理实验方法学》中的体表面积计算公式折算小鼠标准剂量。本实验的给药剂量为五倍标准剂量，称取定量中药(上述1.1中所示出的中药)饮片颗粒溶于去离子水中，制备成灌胃液。具体可参考下述表1：

2、采集检测样本

从上述1.2中的128只小鼠中随机选取3只作为对照组，剩余125只随机分为25组，每5只一组，得到实验组：仙茅组，肉桂组，附子组，吴茱萸组，干姜组，杜仲组，陈皮组，红参组，锁阳组，当归组，青风藤组，牛膝组，仙鹤草组，大血藤组，甘草组，柴胡组，升麻组，薄荷组，蔓荆子组，川贝母组，知母组，百合组，栀子组，板蓝根组，金银花组。

灌胃、取样流程如图3所示，适应性喂养7天开始灌胃给药，每日给药一次，实验组每只小鼠灌胃0.3ml对应药液，对照组每只小鼠灌胃0.3ml生理盐水。第8日开始，在灌胃前用提尾挤压反射法获取小鼠尿液，即以左手拇指和示指捏住小鼠尾部1/2处，将其提起，并以中指和无名指夹住小鼠下腹部，下起腹股沟区，上至鼠尾根部，自下而上缓慢挤压，重复上述过程，直至尿液流出，右手持离心管接取尿液(即检测样本)，-80℃保存。灌胃至第16日结束，取样于第17日结束，共取样10天。在检测前30分钟将检测样本取出，置于室温下(25℃)解冻。

3、拉曼光谱检测

开启拉曼系统，选择波长为785nm^-1的激发光作为激发光源，用硅片进行系统校正。校正完毕后设置测量参数：激光波长785nm^-1，激光功率50mW，积分时间0.8s，积分次数4次。收集的拉曼光谱范围从600cm^-1-1800cm^-1，光谱分辨率为1cm^-1。吸取7ul的检测样本，滴入表面覆有100nm金镀层的石英样本池中，将样本池放入仪器中进行检测，进行荧光背景扣除后将结果(即对应的拉曼光谱样本数据)输出至计算机。每一个检测样本的检测工作结束后将样本池中的样本吸出后统一清洗，更换样本池进行下一个检测样本的检测，从而得到所有检测样本分别对应的拉曼光谱样本数据，并获取每一种药性类别下检测样本集对应的拉曼光谱样本数据集。

4、模型训练

本实验共取样10天，即每只小鼠取样10次，理论上每个实验组取样数为50个，对照组取样数为30个。因为受小鼠情绪、饮食、排泄状态等影响，部分尿液样本没有取得。总共获得实验组标本1222个，取样成功率97.8％。对照组标本30个，取样成功率100％。每个样本进行4次测量，得到热性药物拉曼光谱964张，温性药物拉曼光谱964张，平性药物拉曼光谱992张，凉性药物组拉曼光谱976张，寒性药物组拉曼光谱992张，实验组拉曼光谱总计4888张，对照组拉曼光谱120张，具体如下表2所示：

基于实验组拉曼光谱图(即拉曼光谱样本数据)4888张，随机选取80％共3910张光谱作为训练集，20％共978张光谱作为验证集以验证模型准确性。利用下列指标对模型进行评价，验证数为选入验证集的该类属性(即药性类别)光谱数量，精确率是真实为该属性的光谱数与所有被识别为该属性的光谱数的比值，召回率是真实为该属性的光谱中被正确识别的比例，FI指数＝(2×精确率×召回率)/(精确率+召回率)，准确率是该模型正确识别光谱数所占比例。

本申请中模型建立部分在Python3.7环境下运行，主要运行框架Scikit-learn，将上述所得到的每一种药性类别下检测样本集对应的拉曼光谱样本数据集利用StandardScaler算法标准化后(经过标准化处理后的数据符合标准正态分布，即均值为0，标准差为1的标准正态分布)，并运用机器学习方法构建中药药性分类检测模型。以下分别以机器学习方法为随机森林(Random Forest，简称RF)算法、梯度提升树(ExtremeGradient Boosting，简称XGboost)算法、支持向量机(Support Vector Machine,简称SVM)算法、逻辑回归(Logistic Regression，简称LR)的L1正则算法以及逻辑回归的L2正则算法为例进行说明。

其中，随机森林是一种基于集成学习bagging思想的分类模型，体现在其整合训练多个基决策树分类模型，规避单个模型或者单组特征造成的过拟合问题。该算法通过贝叶斯调参得到最优参数，例如若设定决策树的数量(n_estimators)从500到3000以250为step递增，树的最大深度(max_depth)从10到40以5为step递增，通过使用训练集对模型进行训练，并使用贝叶斯调参的方法调节参数，得到最优的参数n_estimators＝1750，max_depth＝30，即得到1750个深度为30的基决策树模型。而每个决策树可以取训练数据的一个子集，从600cm^-1-1800cm^-1各拉曼位移处的散射光强度随机选取一定数量作为特征，并训练决策树模型，模型结构如图4A所示。随机森林的每一棵决策树之间没有关联，每棵决策树都是一个单独的分类器，对于一个输入样本(即一个检测样本的拉曼光谱样本数据，即图中的训练数据1、训练数据2或训练数据n)，每棵树有各自的分类结果(即每个训练数据基于分类器得到对应的分类结果)，随机森林集成了所有树的分类结果的投票结果，并将投票次数最多的类别指定为最终的输出结果。随机森林能够处理很高维度(分类特征多)的数据，可以在训练过程中评估这些分类特征的重要性，从而得到这些分类特征的效能，即生成对应的中药药性分类检测模型。

对于梯度提升树XGboost分类器模型，其是一种集成学习的方法，采用Boosting的思想。Boosting思想就是将决策树串联起来，不断进行特征分裂，向其中加入特征树使效果得到提升，每棵树相当于一个弱分类器，只对上一棵树的残差进行拟合，其模型结构如图4B所示。本实验采用了10个深度为8的弱分类器进行训练迭代，最后加总所有弱分类器的结果(即图中的权重)，从而实现一个强分类器的作用。在本实施例中需要优化的参数及参数空间为n_estimators：决策树的数量，从2到16以2为step递增；max_depth：树的最大深度，从2到16以2为step递增。因为XGboost是boosting的方法，通过减小偏差的方法逼近最优的分类器，不同于随机森林多个分类器投票的方法，因而不需要过多过深的基决策树。通过使用训练集对模型进行训练，确定模型的最优参数为n_estimator＝10，max_depth＝8，即得到对应的中药药性分类检测模型。

对于支持向量机SVM分类器模型，其是一种定义在特征空间上的间隔最大的线性分类器。其基本思想是通过适当的核函数变换将数据映射到高维特征空间中，使其在高维空间中可以找到线性最优分类面，从而解决了低维空间线性不可分的问题，本实验采用线性核函数，首先尝试了不同核函数类型，发现线性核函数对于数据分类效果较好，于是将kernel设置为linear。需要调节的参数及参数空间为C：惩罚因子，从0.1到100000以10倍递增，通过使用训练集对模型进行训练，最终确定最优参数为1e4，即得到对应的中药药性分类检测模型。

逻辑回归是一种广义的线性回归分析模型，通过sigmoid函数将回归结果映射到0-1之间，再选取合适的阈值来做分类。对于多分类问题，该算法采用一对多的方法处理，即每次都做一次和其他类的二分类，再整合所有结果给出中药药性五分类的结果。本实验逻辑回归模型采用了L1和L2两种正则化的方法惩罚冗余的特征，以减少过拟合。两种正则化的方法的差异在于损失函数的正则项，L1正则倾向于将冗余特征惩罚为0，而L2正则倾向于减小冗余特征的参数值。

因此，对于L1正则逻辑回归分类器模型，需要调节的参数及参数空间为C：惩罚因子，从0.01到10000以10倍递增；solver：求解器，在liblinear和saga中选择。其中每一次的模型损失进行5折的交叉验证并取均值。通过使用训练集对模型进行训练，得到模型的最优参数为C＝1e2，solver＝‘liblinear’，从而得到对应的中药药性分类检测模型。

对于逻辑回归L2正则逻辑回归分类器模型，需要调节的参数及参数空间为C：惩罚因子，从0.1到100000以10倍递增；solver：求解器，在newton-cg、lbfgs、sag、saga中选择。通过使用训练集对模型进行训练，得到模型的最优参数为C＝1e5，solver＝newton-cg，从而得到对应的中药药性分类检测模型。

在利用上述步骤得到对应的中药药性分类检测模型后，还可以采用验证集(即从上述实验组拉曼光谱图中选取的20％的拉曼光谱)对上述模型进行验证。在本实施例中，通过将验证集的数据分别输入上述通过不同方法建立的中药药性分类检测模型，从而可以得到对应模型的评估结果。

具体地，以下表3为采用上述随机森林算法构建的中药药性分类检测模型对验证集的数据进行分类后的性能评估结果，其总体准确率达到92％：

以下表4为采用XGboost算法构建的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率达到87％：

以下表5为采用SVM算法得到的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率为83％：

以下表6为采用L1正则逻辑回归算法得到的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率达到75％：

以下表7为采用L2正则逻辑回归算法得到的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率达到89％：

由上述实验结果可知，五种不同方法建立的中药药性分类检测模型，其识别寒、凉、平性药物的召回率均较高，多个模型识别平性药物的召回率达到100％，识别寒性药物的召回率也均达到90％以上，识别凉性药物的召回率近似等于总准确率，各模型识别上述三类药物的F1指数均较高，说明模型拟合度强。

由于上述验证集与训练集的数据类型相同，即对应的拉曼光谱样本数据均来自于相同的药物，因此，采用验证集对模型验证的准确性较高。在本实施例中，为了提高模型的鲁棒性，使得对模型的验证具有更高的可信度，还可以采用“箱外数据”(即验证集的数据所使用的药物与训练集不同)对上述构建的模型进行验证。

其中，验证集的实验药物选取：选自2015年版《中华人民共和国药典》一部所刊载的药物，皆为临床公认，药性明确的药物。每种药性的药物各选取两种，热性中药:荜茇、高良姜，温性中药：山楂、补骨脂，平性中药：苏木、阿胶，凉性中药：灯心草、决明子，寒性中药：黄连、大黄。

验证集的实验动物选取：8周龄SPF级Balb/C雄性小鼠，体重20±3g，共30只，购自上海杰思捷实验动物有限公司，实验动物生产许可证号SCXK(沪)2018-0004。

验证样本的采集以及拉曼光谱的检测过程可以参考上述部分，此处不再进行赘述。在本实施例中，根据每一种药性类别下对应的拉曼光谱样本数据验证集，对上述模型进行验证。即通过将上述得到的验证集的数据分别输入上述通过不同方法建立的中药药性分类检测模型，从而可以得到对应模型的评估结果。

具体地，以下表8为采用上述随机森林算法构建的中药药性分类检测模型对验证集的数据进行分类后的性能评估结果，其总体准确率达到66％：

以下表9为采用XGboost算法构建的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率达到67％：

以下表10为采用L1正则逻辑回归算法得到的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率达到81％：

以下表11为采用L2正则逻辑回归算法得到的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率达到96％：

以下表12为采用SVM算法得到的中药药性分类检测模型对验证集的数据进行分类的性能评估结果，总体准确率为96％：

由此可知，上述两种决策树分类器模型：随机森林和XGboost的准确率均在66％左右，对随机森林分类器模型的各药物识别结果进行分析，可以发现该模型识别平性药物、寒性药物和温性药物的召回率较高，F1指数较高，模型拟合度好。但是该模型识别热性药物和凉性药物的效能低，尤其识别热性药物荜茇的召回率只有25％左右，识别凉性中药决明子的召回率只有6％。在另一决策树分类器模型XGboost上也能发现类似现象，该模型识别凉性药物灯心草和决明子的效能低，对其他药物的识别能力相对较好。说明决策树分类器模型受药物影响较大，对于一些药物能够准确识别，但是对个别药物识别效能不高，此结果可能同该类模型的算法有关。由于这两种建模方式都是通过构建决策树对药物属性进行判断，在建模过程中规定了训练集的数据分属于五种不同的类别，这五种类别对于模型而言是完全独立的，模型会选出几个明显的特征对不同属性的药物进行识别，又由于这部分数据同训练集中的数据不同，部分药物可能差别较大，因此准确率不高，但是仍然可以通过扩大样本量，覆盖更多药物以提高分类器模型的效能。

而对于三种线性分类器模型：L1正则逻辑回归、L2正则逻辑回归、XVM的准确率均较高，L1正则逻辑回归的准确率达到81％，L2正则逻辑回归和XVM的准确率达到96％。除L1正则逻辑回归分类器模型识别热性药物的效能较低外，其他模型的识别效能均比较理想。在线性分类器模型中，五类属性药物是连续分布的，算法选出最适合的分割点将药物分类开，对于新加入的药物，只要药物的某些特征符合特定区间即可被正确分类，因此准确率较高，但是仍然可以通过扩大样本量，覆盖更多药物以提高分类器模型的效能。

基于此，采用本申请的方法对中药的药性进行检测，其结果稳定，准确率较高，且覆盖范围广，从而具有较高的临床应用价值。

应该理解的是，虽然图1-图4B的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图4B中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种检测中药药性的装置，包括：待测样本采集模块501、拉曼光谱检测模块502和药性分类模块503，其中：

待测样本采集模块501，用于基于代谢组学方法采集待检测中药的待测样本；

拉曼光谱检测模块502，用于对所述待检测中药的待测样本进行拉曼光谱检测，获取所述待检测中药的拉曼光谱数据；

药性分类模块503，用于采用中药药性分类检测模型识别所述拉曼光谱数据，得到所述待检测中药的药性类别，所述药性类别包括寒性、热性、温性、凉性以及平性中的任一种。

在一个实施例中，中药药性分类检测模型包括：检测样本集采集单元，用于基于代谢组学方法采集每一种药性类别下第一中药样品的检测样本集，所述检测样本集中包括同一种药性类别下多个第一中药样品的检测样本；拉曼光谱检测单元，用于对所述检测样本集中每一个检测样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本数据；拉曼光谱样本数据集获取单元，用于获取每一种药性类别下第一中药样品的检测样本集对应的拉曼光谱样本数据集；模型训练单元，用于根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到所述中药药性分类检测模型。

在一个实施例中，模型训练单元具体用于：对每一种药性类别下对应的拉曼光谱样本数据集进行标准化处理，得到对应的标准正态分布曲线；基于每一种药性类别下对应的拉曼光谱样本数据集以及标准正态分布曲线，训练深度学习分类模型，得到所述中药药性分类检测模型。

在一个实施例中，中药药性分类检测模型还包括：模型验证单元，用于采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，得到验证结果；根据所述验证结果更新训练后的深度学习分类模型的模型参数，得到所述中药药性分类检测模型。

在一个实施例中，模型验证单元具体用于：根据每一种药性类别下对应的拉曼光谱样本数据集，确定每一种药性类别下对应的拉曼光谱样本数据验证集；基于每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在一个实施例中，模型验证单元具体用于：基于代谢组学方法采集每一种药性类别下第二中药样品的验证样本集，所述验证样本集中包括同一种药性类别下多个第二中药样品的验证样本，所述第二中药样品与所述第一中药样品不同；对所述验证样本集中每一个验证样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本验证数据；获取每一种药性类别下第二中药样品的验证样本集对应的拉曼光谱样本数据验证集；根据每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在一个实施例中，拉曼光谱检测模块具体用于：在设定的拉曼光谱检测环境下对所述待检测中药的待测样本进行拉曼光谱检测，所述设定的拉曼光谱检测环境包括设定的激光波长、激光功率、光谱分辨率、积分时间以及积分次数。

关于检测中药药性的装置的具体限定可以参见上文中对于检测中药药性的方法的限定，在此不再赘述。上述检测中药药性的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种检测中药药性的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

基于代谢组学方法采集待检测中药的待测样本；

对所述待检测中药的待测样本进行拉曼光谱检测，获取所述待检测中药的拉曼光谱数据；

采用中药药性分类检测模型识别所述拉曼光谱数据，得到所述待检测中药的药性类别，所述药性类别包括寒性、热性、温性、凉性以及平性中的任一种。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于代谢组学方法采集每一种药性类别下第一中药样品的检测样本集，所述检测样本集中包括同一种药性类别下多个第一中药样品的检测样本；对所述检测样本集中每一个检测样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本数据；获取每一种药性类别下第一中药样品的检测样本集对应的拉曼光谱样本数据集；根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到所述中药药性分类检测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对每一种药性类别下对应的拉曼光谱样本数据集进行标准化处理，得到对应的标准正态分布曲线；基于每一种药性类别下对应的拉曼光谱样本数据集以及标准正态分布曲线，训练深度学习分类模型，得到所述中药药性分类检测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，得到验证结果；根据所述验证结果更新训练后的深度学习分类模型的模型参数，得到所述中药药性分类检测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据每一种药性类别下对应的拉曼光谱样本数据集，确定每一种药性类别下对应的拉曼光谱样本数据验证集；基于每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于代谢组学方法采集每一种药性类别下第二中药样品的验证样本集，所述验证样本集中包括同一种药性类别下多个第二中药样品的验证样本，所述第二中药样品与所述第一中药样品不同；对所述验证样本集中每一个验证样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本验证数据；获取每一种药性类别下第二中药样品的验证样本集对应的拉曼光谱样本数据验证集；根据每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：在设定的拉曼光谱检测环境下对所述待检测中药的待测样本进行拉曼光谱检测，所述设定的拉曼光谱检测环境包括设定的激光波长、激光功率、光谱分辨率、积分时间以及积分次数。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

基于代谢组学方法采集待检测中药的待测样本；

对所述待检测中药的待测样本进行拉曼光谱检测，获取所述待检测中药的拉曼光谱数据；

采用中药药性分类检测模型识别所述拉曼光谱数据，得到所述待检测中药的药性类别，所述药性类别包括寒性、热性、温性、凉性以及平性中的任一种。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于代谢组学方法采集每一种药性类别下第一中药样品的检测样本集，所述检测样本集中包括同一种药性类别下多个第一中药样品的检测样本；对所述检测样本集中每一个检测样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本数据；获取每一种药性类别下第一中药样品的检测样本集对应的拉曼光谱样本数据集；根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到所述中药药性分类检测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对每一种药性类别下对应的拉曼光谱样本数据集进行标准化处理，得到对应的标准正态分布曲线；基于每一种药性类别下对应的拉曼光谱样本数据集以及标准正态分布曲线，训练深度学习分类模型，得到所述中药药性分类检测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，得到验证结果；根据所述验证结果更新训练后的深度学习分类模型的模型参数，得到所述中药药性分类检测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据每一种药性类别下对应的拉曼光谱样本数据集，确定每一种药性类别下对应的拉曼光谱样本数据验证集；基于每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于代谢组学方法采集每一种药性类别下第二中药样品的验证样本集，所述验证样本集中包括同一种药性类别下多个第二中药样品的验证样本，所述第二中药样品与所述第一中药样品不同；对所述验证样本集中每一个验证样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本验证数据；获取每一种药性类别下第二中药样品的验证样本集对应的拉曼光谱样本数据验证集；根据每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在设定的拉曼光谱检测环境下对所述待检测中药的待测样本进行拉曼光谱检测，所述设定的拉曼光谱检测环境包括设定的激光波长、激光功率、光谱分辨率、积分时间以及积分次数。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种检测中药药性的方法，其特征在于，所述方法包括：

基于代谢组学方法采集待检测中药的待测样本，所述待测样本是基于待检测中药得到的生物体的代谢物；

对所述待检测中药的待测样本进行拉曼光谱检测，获取所述待检测中药的拉曼光谱数据；

采用中药药性分类检测模型识别所述拉曼光谱数据，得到所述待检测中药的药性类别，所述药性类别包括寒性、热性、温性、凉性以及平性中的任一种，所述中药药性分类检测模型是基于每一种药性类别下中药样品的检测样本集对应的拉曼光谱样本数据集对深度学习分类模型进行训练后得到的，所述检测样本集是基于同一种药性类别下的多个中药样品分别得到的生物体的代谢物的集合。

2.根据权利要求1所述的方法，其特征在于，所述中药药性分类检测模型的构建方法包括：

基于代谢组学方法采集每一种药性类别下第一中药样品的检测样本集，所述检测样本集中包括同一种药性类别下多个第一中药样品的检测样本；

对所述检测样本集中每一个检测样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本数据；

获取每一种药性类别下第一中药样品的检测样本集对应的拉曼光谱样本数据集；

根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到所述中药药性分类检测模型。

3.根据权利要求2所述的方法，其特征在于，所述根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型，得到所述中药药性分类检测模型，包括：

对每一种药性类别下对应的拉曼光谱样本数据集进行标准化处理，得到对应的标准正态分布曲线；

基于每一种药性类别下对应的拉曼光谱样本数据集以及标准正态分布曲线，训练深度学习分类模型，得到所述中药药性分类检测模型。

4.根据权利要求2所述的方法，其特征在于，所述根据每一种药性类别下对应的拉曼光谱样本数据集训练深度学习分类模型之后，所述方法还包括：

采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，得到验证结果；

根据所述验证结果更新训练后的深度学习分类模型的模型参数，得到所述中药药性分类检测模型。

5.根据权利要求4所述的方法，其特征在于，所述采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，包括：

根据每一种药性类别下对应的拉曼光谱样本数据集，确定每一种药性类别下对应的拉曼光谱样本数据验证集；

基于每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

6.根据权利要求4所述的方法，其特征在于，所述采用拉曼光谱样本数据验证集对训练后的深度学习分类模型进行验证，包括：

基于代谢组学方法采集每一种药性类别下第二中药样品的验证样本集，所述验证样本集中包括同一种药性类别下多个第二中药样品的验证样本，所述第二中药样品与所述第一中药样品不同；

对所述验证样本集中每一个验证样本分别进行拉曼光谱检测，得到对应的拉曼光谱样本验证数据；

获取每一种药性类别下第二中药样品的验证样本集对应的拉曼光谱样本数据验证集；

根据每一种药性类别下对应的拉曼光谱样本数据验证集，对训练后的深度学习分类模型进行验证。

7.根据权利要求1所述的方法，其特征在于，所述对所述待检测中药的待测样本进行拉曼光谱检测，包括：

在设定的拉曼光谱检测环境下对所述待检测中药的待测样本进行拉曼光谱检测，所述设定的拉曼光谱检测环境包括设定的激光波长、激光功率、光谱分辨率、积分时间以及积分次数。

8.一种检测中药药性的装置，其特征在于，所述装置包括：

待测样本采集模块，用于基于代谢组学方法采集待检测中药的待测样本，所述待测样本是基于待检测中药得到的生物体的代谢物；

拉曼光谱检测模块，用于对所述待检测中药的待测样本进行拉曼光谱检测，获取所述待检测中药的拉曼光谱数据；

药性分类模块，用于采用中药药性分类检测模型识别所述拉曼光谱数据，得到所述待检测中药的药性类别，所述药性类别包括寒性、热性、温性、凉性以及平性中的任一种，所述中药药性分类检测模型是基于每一种药性类别下中药样品的检测样本集对应的拉曼光谱样本数据集对深度学习分类模型进行训练后得到的，所述检测样本集是基于同一种药性类别下的多个中药样品分别得到的生物体的代谢物的集合。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images