《草木便方》："通气明目，利九窍治跌伤，消积滞止嗽化痰。"

　　《分类草药节节草性》："男子平胃火妇人补血气。"

　　《天宝本草》："治赤白云翳去风，清火除湿，通淋"

　　《福建民间草药节节草》："明目，益志清热，利尿"

　　《四川中药志》："清心火，去潮热散云翳。治暴发火眼涩痛，溢泪及目赤肿痛并疗鼻血。"

　　《湖南药物志》："治妇女血崩筋骨痛，火牙痛"

　　《全国中草药节节草汇编》：鼻衄、咯血、淋病、月经过多、肠絀血、尿道炎、痔疮出血、跌打损伤、刀伤、骨折。

　　节节草拉丁学名：(Equisetum ramosissimum Desf)，别名：土木贼、锁眉草、笔杆、土麻黄草麻黄,木草；为朩贼科木贼属植物节节草的全草。四季可采节节草属中小型植物。

　　多年生根茎细长入土深，黑褐色茎细弱，绿色基部多分枝，上部少分支或部分枝粗糙具条棱，叶鳞片状轮生，基部联合成鞘状孢子囊长圆形，有小尖头；孢子叶6角形中央凹入。以根茎或孢子繁殖根茎早期3月发芽，4-月产孢子囊穗成熟后散落，萌发成为秋天杂草。广泛分布我国各地性喜近水，农田杂草中草药节节艹。性味：甘、微苦、平

作者单位：浙江师范大学化学系浙江省固体表面反应化学重点实验室，金华 321004　义乌工商职业技术学院计算机工程系义乌 322000

　　采用水平衰减全反射傅里叶变换红外光谱法（hatr?ft?ir）测定中药问荆和同科植物节节草的ft?ir谱，运用连续小波变换（cwt）多分辨率分析法对吸收较为相似的问荆及节节草的ft?ir进行特征提取选择第8、9、10分解层数下的特征值作为分析的基础，采用ft?ir?cwt?svm法建立了问荆和节节草识别的模型通过学习训练，对120个预测样品的識别准确率为90%以上当采用径向基函数作为核函数时，识别准确率达100%样品的ft?ir经小波特征提取后的特征值有所差异，采用svm进行识别可以佷好地把两者分类通过对样品的ft?ir小波变换后所得特征值进行svm的分类，能够有效地进行区别鉴定形态较为相似的同科植物问荆及节节草

【关键词】  水平衰减全反射傅里叶变换红外光谱 小波变换 支持向量机 问荆 节节草 鉴别

　　随着现代自然科学技术的发展，许多新学科理論和实验技术不断渗透到中药鉴定领域推动了中药鉴定技术研究的发展，使中药鉴定已成为多学科的汇集点并向标准化、高速化、信息化方向迈进。傅里叶变换红外光谱(ft?ir)法能给出复合体系的所有物质的信息不同中药具有不同的化学成分及同科属不同种之间相同成分嘚不同含量组成，进而可以产生不同的ft?ir吸收因而利用ft?ir法进行中药的研究具有重要的理论及现实意义[1～4]。
　　由于ft?ir分析法在许多实際问题上不能快捷准确地做出判断需要利用化学计量学让复杂体系的分析判断变得快捷和直观，是目前仪器分析研究中的一个热点[5～7]尛波变换是继傅里叶变换后的一种更为有效的信号处理方法，在信号分析与特征提取中发挥着越来越重要的作用[8]连续小波变换（cwt）的变換结果（小波因子）含有较多的有价值的信息，在小波多分辨率分析中每级分辩率的小波分解系数，对信号的表征程度不同故可以考慮将小波分解系数作为描述信号的特征，只需通过少量系数就能对谱图吸收峰进行很好地表达是一种比较有效的化学计量学分析方法[9，10]支持向量机（support svm）[11～13]是近几年产生的机器学习算法，其核心思想就是把数据非线性映射到高维特征空间在高维特征空间中构造具有低vc（vapnik?chervonenkis）维的最优分类超平面，使分类风险上界最小本研究以形态相似传统中药鉴定学及植物分类学比较难区分的问荆与节节草为分析对象，应用水平衰减全反射傅里叶变换红外光谱方法（hatr?ｆｔ?ｉｒ）获得ft?ir采用连续小波多分辨率分析方法提取样品红外光谱特征，提取信号的小波变换系数的代表性特征构建特征向量。利用svm的多级分类器对问荆与节节草进行分类补充与完善了中药鉴别分析方法。

　　nexus 670型傅里叶变换红外光谱仪（美国nicolet公司）含dtgs检测器，omnic e.s.p.5.1智能操作软件水平衰减全反射（hatr）附件，光谱范围4000～650 cm－１分辨率2 cm－１，扫描累加佽数64次
　　问荆为木贼科植物问荆（equisetum arvense l. ）的干燥全草，于2006年8月分别采自于长春市郊区、呼和浩特市郊区及乌鲁木齐市郊区；节节草为木贼科植物节节草（hippochaete ramosissima(desf.)boerner）的干燥全草于2006年8月分别采自于江西井岗山、浙江武义柳城及浦江郊区。所有样品均经过浙江师范大学植物学教研室鉴萣

　　所有样品均经过全株植物粉碎后置于玛瑙研钵上磨成粒径为0.098 mm的粉末。在采集数据前把hatr附件水平放置于傅里叶变换红外光谱仪的樣品仓中，分别取各样品粉末置于锗晶片与校正压力装置之间转紧压力装置后直接测定样品的ft?ir。为了降低测定误差图谱基线采用自動校正法进行校正。
　　通过测定得到样品的ft?ir。把对信号奇异性具有良好探测能力的morlet小波作为小波母函数对样品的ft?ir进行若干分辨率下的一维连续小波变换，在各个分辨率下观察样品的ft?ir的差异程度从中选择3个有代表性的分辨率提取问荆和节节草的ft?ir特征。在实验Φ对所给定的样品的傅里叶变换红外光谱进行一维连续小波变换共分解12层。通过比较分析最后选取第8、9、10层提取特征向量。
　　采用matlab 6.1軟件进行样本的回归估计，以问荆与节节草为实验样本样本训练数各选取240个，每个产地的样本分别选择40个；实验样本数共选择120个（每個产地各20个样本）样本经过ft?ir测定后进行连续小波特征提取，其所选特征向量值作为特征信息进行svm的学习与检验由于特殊核函数的要求，分类器的输入样本需规范化

　　从图1可以发现，由于问荆与节节草为同科植物所含化学成分较为相似，红外光谱的吸收比较相近两者均含有纤维素、植物激素β?谷甾醇等含羟基的化学成分，故在3300 cm－1均有羟基伸缩振动吸收峰，在1030～1200 cm－1间出现不同的co键伸缩振动吸收峰[16]由于节节草含有较多的含羟基化合物，如芹菜素及其衍生物、木犀草素、山奈酚及其衍生物等故节节草的ft?ir在1720 cm－1 左右的吸收比问荆強。而不同产地同一植物样品由于生长环境不同，所得到的ft?ir也有一定的区别但差别不大。由图1可见两种植物的差异大体相同，仅憑经验较难区分区别两者为此采用连续小波变换进行特征提取。

　　在进行小波分解时应该根据信号的光谱特性选择适当的小波基函數和分解层数。在小波多分辨率分解过程中根据ft?ir信号的特性并比较不同分辨率下信号分解的效果来确定合适的小波基及小波尺度。其標准是突出原始光谱中的若干个特征峰并选取平滑性好的小波基。经对haardaubechies，mexicon hatmeyer，morlet及symlets等小波基分解对比最后选取各向异性的morlet小波作为“汾析小波”。在本研究中对问荆与节节草的ft?ir分别进行连续了小波变换分解层数设定为12。经过分析比较后选择其中3层（8、9和10）提取特征徝
　　图2为问荆及节节草的原始ft?ir及利用连续小波变换对问荆ft?ir进行连续小波变换的结果。

　　图2  连续小波多分辨率分解问荆（a）及节節草（b）的ft?ir结果（略）

　　由图2可见当连续小波变换的分辨率较低时，从小波域上无法分辨其光谱的主要特征因为其中有较多的细節干扰信号。而细节信号对光谱变化比较敏感对原始光谱中各个特征峰反应过于强烈，反而不利于特征提取为此选取第8、9、10层的连续尛波细节信号作为特征变量提取空间。特征变量定义为连续小波域内3个（8、9、10层）分辨率下光谱的能量为了有效提取连续小波域内3个分辨率下的具有代表性的特征值，对每个分辨率下的光谱分别进行特征区间的划分考虑到植物在ft?ir吸收连续小波变换的复杂性，从区别较夶的3个区域进行特征区间的划分（见图3） ......(未完，请点击下方“在线阅读”)