電子鼻結合GC-MS鑒別不同部位的三七粉

李麗霞，張 浩，林宇浩，史 磊，李珊珊，張付杰,*，王 俊

（1.昆明理工大學現代農業工程學院，云南 昆明 650500；2.浙江大學生物系統工程與食品科學學院，浙江 杭州 310058）

三七（Panax notoginseng(Burk.) F.H.Chen），又名文州三七，為五加科（Araliaceae）人參屬（Panax）植物，是臨床常用傳統中藥[1]。三七商品有主根、剪口、側根、須根的劃分，不同部位的藥用成分構成有較大差異，臨床功效也不盡相同[2]。現代藥理學研究表明，三七總皂苷（Panax notoginsengsaponins，PNS）是三七藥效的主要物質基礎[3]。根據GB/T 19086—2008《文山三七地理標志產品》，三七不同部位總皂苷含量從高到低依次為剪口、主根、側根、須根。三七的主要商業價值在于剪口和主根，三七粉是三七的主要消費和商品形式[4]。剪口、主根、側根和須根等形態相對簡單，很容易通過外觀鑒別，但在粉末狀態下，它們的顏色相同，通過肉眼很難對其進行鑒別[5]。所以，市場上一些不良商家會利用三七側根、須根粉假冒主根和剪口粉獲取暴利，這嚴重擾亂市場秩序，影響了三七的品質與藥效。因此，鑒別不同部位的三七粉有利于保證三七的藥效，以及促進該產業的規范化發展。

目前，對于三七粉的檢測研究，主要采用高效液相色譜法和近紅外光譜法。其中，高效液相色譜法雖然精度很高，但是操作復雜，且投入很高，無法達到快速、無損檢測的要求[6]。近紅外光譜技術分析樣品具有方便、快速和成本較低等優點，但其單色光的譜帶較寬，波長分辨率差，且對溫濕度敏感，抗干擾能力差，導致檢測精度不高[7]。已有研究表明，三七揮發性成分眾多，且三七不同部位揮發物有差異[8-10]。因此，可以通過三七粉揮發物的檢測對不同部位三七粉進行鑒別。基于嗅覺仿生技術的電子鼻操作簡單，且成本相對低廉，是一種分析、檢測復雜氣味和大多數揮發性成分的儀器，具有快速、無損等優點[11-12]，是實現中藥揮發物檢測的較佳方法。

迄今為止，電子鼻在農業食品[13-15]、藥材檢測[16-17]、醫療健康[18-19]、環境監控[20-21]等方面已經取得較多應用和研究成果。目前，已經有一些學者通過電子鼻檢測不同頭數三七主根粉揮發物鑒別三七主根的質量等級或者偽品[11,22]，也有學者通過檢測三七主根粉和支根粉的揮發物判別三七主根、支根的產地[23]。然而，利用電子鼻鑒別不同部位三七粉的報道很少。電子鼻可以快速準確地檢測出不同的揮發物類型，通常對一些產品的整體信息提供綜合評估，氣相色譜-質譜（gas chromatography-mass spectrometry，GC-MS）主要用于揮發性物質的定性和半定量[24]，國內外已有許多采用電子鼻結合GC-MS聯用技術研究五加科中藥材揮發性成分的研究[25-28]。因此，本研究采用電子鼻技術結合GC-MS對三七整根粉、剪口粉、主根粉、側根粉和須根粉5 種三七粉揮發性成分進行分析，從而鑒別這5 種三七粉。

電子鼻數據分析主要包括特征提取和模式識別[29]，不同的特征提取方法會影響分類效果，合適的特征提取方法應該在很大程度上反映電子鼻傳感器的變化[30]。模式識別方法眾多，但仍然需要大量的工作選擇合適的算法表征電子鼻傳感器信號。本研究的重點是探究電子鼻結合GC-MS在鑒別不同部位三七粉中的潛在應用。本研究探究利用金屬氧化物半導體傳感器PEN3電子鼻和GC-MS聯用技術鑒別5 種三七粉的可行性，尋找合適的基于電子鼻數據的三七粉特征選擇方法和分類模型，旨在應用于5 種不同三七粉的鑒別分析。

1 材料與方法

1.1 材料與試劑

三七樣品于2017年12月份采自云南文山州。將三七樣品進行清洗，清洗后自然干燥，然后將干燥后的三七樣品分為整根、剪口、主根、側根和須根。最后將樣品用小型粉碎機進行粉碎，粉碎的樣品過60 目篩后裝進密封袋封口，保存于4 ℃冰箱備用。

乙酸辛酯（色譜純）、二氯甲烷（分析純）國藥集團化學試劑有限公司。

1.2 儀器與設備

7890A-5975C GC-MS儀 美國安捷倫公司；德國Airsense公司生產的PEN3型電子鼻系統，該電子鼻的氣體傳感器陣列由10 個金屬氧化物半導體傳感器組成，不同傳感器對不同類型的揮發物靈敏性不同，具體見表1。

表1 PEN3電子鼻傳感器陣列性能特點Table 1 Response characteristics of PEN3 electronic nose sensor arrays

1.3 方法

1.3.1 電子鼻檢測

制作5 種不同部位的三七粉樣本，分別為整根粉、剪口粉、主根粉、側根粉和須根粉，每組24 個樣本，每個樣本為5 g。將各三七粉末樣品分別置于500 mL的燒杯中，立即用保鮮膜密封，在25 ℃室溫靜置60 min，通過頂空進樣的方式進行采樣。采樣完成后，將氮氣泵入電子鼻，對傳感器進行清洗使其恢復到初始狀態。電子鼻的檢測參數為樣品測定間隔時間1 s，清洗傳感器時間180 s，速率600 mL/min，樣品檢測時間120 s，速率400 mL/min。

1.3.2 GC-MS測定

采用頂空固相微萃取對樣品進行萃取，GC-MS進行分離、鑒定和定量揮發性化合物。稱取0.5 g樣品于15 mL頂空瓶中，并加入10 μL 2×10-4μL/mL的乙酸辛酯（溶質）二氯甲烷（溶劑）溶液作為內標物，用封口膜封口，渦旋振蕩30 s，放入80 ℃水浴鍋中平衡30 min，萃取頭（DVB/CAR/PDMS-50/35 μm）吸附30 min，解吸10 min，每組處理設置3 個重復樣品。

GC條件：進樣口溫度為250 ℃，不分流，采用HP-5MS色譜柱（30 m×0.25 mm，0.25 μm），載氣為氦氣，流速2 mL/min。升溫程序：初始溫度50 ℃保持2 min，以8 ℃/min的速率升溫至140 ℃，保持0.1 min，然后以4 ℃/min的速率升溫至240 ℃，最后以8 ℃/min的速率升溫至280 ℃，保持3 min。

MS條件：離子化方式為電子電離，電子能量為70 eV，四極桿溫度為150 ℃，離子源溫度為230 ℃，接口溫度為280 ℃，質量范圍為30～50 u。

1.4 數據處理

1.4.1 電子鼻數據分析

1.4.11 特征提取

檢測模型的精度受氣敏信號特征參量選擇的影響。通過對前人研究分析[31-33]，選擇積分值（integralvalue，INV）、平均微分值（average differential value，ADV）、相對穩態平均值（relative steady-state averagevalue，RSAV）、最值（extreme value，EV）、二項式曲線擬合系數值（binomial curve fitting coefficient value，BFV）（a，b，c）作為三七粉電子鼻信號的特征，5 種特征分述如下：

1）INV：是傳感器響應信號曲線與X軸組成區域的面積，反映了該傳感器對被測對象揮發性成分的總體響應結果，本研究取0～120 s時間區間INV為特征值。其計算公式如下：

式中：i為傳感器的序號；f（xi）為第i根傳感器的響應曲線函數。

2）ADV：反映了傳感器響應曲線變化的快慢程度，直接體現了氣敏傳感器對氣體響應的主流特征信息，取檢測時間為0～120 s，計算公式如下：

式中：i為傳感器的序號；yj為第j秒時第i根電子鼻傳感器的響應值。

3）RSAV：氣敏傳感器響應曲線存在1 個相對穩態區間，可用此區間的平均值表征穩態特征，本研究選取區間為101～120 s，計算公式如下：

式中：i為傳感器的序號；f（xi）為第i根傳感器的響應曲線函數。

4）EV：為每條電子鼻響應曲線的最大值和最小值。

5）BFV：曲線擬合方法采用解析表達式逼近離散數據，擬合參數作為特征進行計算。多項式函數（polynomial function，PF）是常用的具有魯棒性的曲線擬合模型。本研究用二次多項式用擬合第i根傳感器的響應曲線，擬合參數的系數用來作為特征值[34]，計算公式如下：

式中：i為傳感器序號；a、b、c分別為擬合系數。

本研究用以上8 個特征表征單個傳感器信號，10 個傳感器共80 個特征數據，本實驗共有5 種三七粉，每種三七粉有24 個樣本，故特征提取后的數據為120×80的特征矩陣。

1.4.12 特征選擇

競爭性自適應重加權算法[35]（competitive adaptive reweighted sampling，CARS）是一種快速有效的特征選擇方法。采用偏最小二乘回歸（partial least squares regression，PLSR）系數的絕對值作為每個變量重要性的評價指標，通過自適應重加權采樣和指數衰減函數技術進行變量選擇，選出具有最小交互驗證均方根誤差（root mean square error of cross validation，RMSECV）的變量子集作為最優變量集合。

空間變量迭代收縮算法[36]（variable iterative space shrinkage approach，VISSA）基于模型集群分析的思想，通過引入加權二進制采樣方法（weighted binary matrix sampling，WBMS），提取原始數據集中的子集，建立基于變量子集的PLSR模型，在每輪采樣中以RMSECV作為指標對子模型進行排序以獲得最優模型，提取出最優模型及新的子訓練數據集，重復上述過程，直到所有的變量權重恒定為1或者0，最終得出最優模型，選擇出最優的特征變量組合。

迭代保留信息變量算法[37]（iteratively retains informative variables，IRIV）是一種通過隨機組和考慮變量之間可能的交互作用策略，在對特征變量進行篩選時，IRIV將所有特征變量分為強信息變量、弱信息變量、無信息變量和干擾變量，并在每一次迭代中只保留強信息變量和弱信息變量，直到不出現無信息和干擾變量后才停止迭代。

1.4.13 分類模型

支持向量機[38]（support vector machine，SVM）是一種監督式學習的方法，與常用算法相比，SVM通常能夠獲得較好分類性能。SVM在有限的樣本下可以實現準確的狀態識別，廣泛地應用于統計分類以及回歸分析。

最小二乘支持向量機[39-40]（least squares support vector machine，LSSVM）是由SVM變化而來。SVM主要是根據監督學習的方法對兩種不同類型的樣本點進行分類，SVM決策邊界等同于最大的邊距超平面，它的經驗風險值是采用鉸鏈損失函數計算得出，并利用正則化方法進行優化。LSSVM打破了使用鉸鏈損失函數對經驗風險值進行求解，而是將SVM中的不等式約束條件轉換為簡便的等式約束條件，這一改變將使得Lagrange乘子的求解過程變得方便，并將二次規劃求解轉變為求解線性方程組，使得整個算法的計算過程更加簡便。

極限學習機[41]（extreme learning machine，ELM）是一種針對單隱含層前饋神經網絡（single-hidden layer feedforward neural network，SLFN）的算法。與傳統的SLFN訓練算法不同，極限學習機隨機選取輸入層權重和隱藏層偏置，輸出層權重通過最小化由訓練誤差項和輸出層權重范數的正則項構成的損失函數，依據Moore-Penrose（MP）廣義逆矩陣理論計算解析求出。ELM相比傳統的神經網絡可在保證學習精度的情況下具有更快的學習速度。

1.4.14 智能優化算法

灰狼優化算法[42]（grey wolf optimization，GWO）是受到了灰狼捕食獵物活動的啟發而開發的一種優化搜索方法，于2014年被Mirjalili等提出，主要步驟如下：根據優化的問題，設計fitness函數，設置可行域；初始化狼群的個數N，每頭狼的位置Xi（i＝1,2,...,N），并指定α、β、δ狼的位置，以及它們對應的適應度fα、fβ、fδ=inf；依次更新每頭狼的位置Xα、Xβ、Xδ，對于第i頭狼，計算其與α、β、δ狼的距離，并產生向三頭狼移動的趨勢項，不斷重復這一步驟直至α狼群的位置穩定。

1.4.2 揮發物分析

揮發物成分定性和定量方法：揮發物各組分的定性主要通過核對計算機質譜庫（NIST11.0），以及比較相關參考文獻。揮發物各組分的定量采用峰面積歸一法測算[43]，根據已知質量濃度乙酸辛酯的峰面積計算出三七粉樣品中各揮發物質的含量，公式如下：

式中：MX為目標化合物的含量/（μg/kg）；AX和Ai分別為目標化合物的峰面積和內標化合物的峰面積；Ci為內標化合物的質量濃度/（μg/mL）；10為加入標品體積（μL）；0.5為加入樣品質量（g）；分子上1000代表1 kg，分母1000代表1000 μL。

2 結果與分析

2.1 不同部位三七粉揮發物變化

經G C-M S 聯用技術檢測發現，5 種不同部位三七粉揮發物共有31 種，包括萜烯類17 種，占比43.51%～56.21%；芳香族化合物2 種，占比13.75%～25.77%；烷烴類8 種，占比1.06%～3.51%；烯烴、酸類和醇類4 種，占比26.86%～39.23%。采用Duncan法進行多重比較，主要的代表性揮發物見表2。

由表2可知，5 種不同部位三七粉的揮發物在成分和含量上均存在差異（P＜0.05）。5 種三七粉檢測到的揮發物總量相互之間差異顯著（P＜0.05）（參照總量平均值）。側根粉未檢測出中苯乙酮和γ-依蘭油烯成分，主根中未檢測出α-杜松烯成分，其余成分在5 種三七粉中均有分布。5 種三七粉相互之間均存在顯著差異（P＜0.05）的揮發物成分是桉油烯醇和香橙烯，無顯著差異（P＞0.05）的成分是辛酸。其余萜烯類、芳香族化合物和烷烴成分均存在不同程度的差異（P＜0.05）。因此，可以通過電子鼻利用以上化合物含量差異鑒別5 種三七粉。

2.2 不同部位三七粉揮發物變化

從圖1可以看出，電子鼻每個傳感器對5 種三七粉均有響應，且響應值的變化均不相同。其中傳感器S2、S6、S8和S9的響應值變化顯著高于其他傳感器。傳感器S2具有廣譜響應性，揮發物含量越大，其響應值變化越大，萜烯類物質在揮發物中含量占比最高，其對S2響應值的變化貢獻率最高。5 種三七粉的萜烯類物質在成分和含量上均存在顯著差異（P＜0.05），總含量大小依次為整根粉、剪口粉、主根粉、側根粉、須根粉，與S2的響應值變化規律一致。傳感器S6對烷烴化合物靈敏，其響應值的變化從大到小依次為主根粉、剪口粉、整根粉、須根粉、側根粉，GC-MS聯用儀分析的結果（表2）顯示，5 種三七粉烷烴含量高低與S6的響應值變化規律相同。傳感器S8和S9對芳香族化合物靈敏，響應值的變化從大到小依次為整根粉、剪口粉、側根粉、須根粉、主根粉，GC-MS聯用儀分析結果顯示5 種三七粉的芳香族化合物在成分和含量上均存在差異（P＜0.05），且5 種三七粉芳香族化合物在含量上的差異與電子鼻S8、S9的響應值變化差異相同。由以上各樣品的電子鼻傳感器的響應曲線差異分析可以表明，電子鼻在不同部位三七粉的鑒別上具有可行性。

圖1 不同部位三七粉的電子鼻傳感器響應曲線Fig.1 Response curves of electronic nose sensors for five P. notoginseng powders

2.3 特征數據分析

特征變量之間存在高沖突數據會影響特征融合數據的可靠性，繼而會影響分類模型建模結果，而Pearson相關系數在度量數據之間的沖突程度上表現良好[44]。以整根粉10 根傳感器響應值的INV特征數據和整根粉單個傳感器S2響應值的8 個特征數據為例分析特征數據之間的冗余程度。圖2是這兩種不同維度數據各自的Pearson相關矩陣，其中相關系數的絕對值越接近1，說明二者之間的相關性越大；相關系數的大小在圖中用橢圓形球的寬窄和顏色表示，正負用橢圓形球的左偏和右偏表示。由圖2A可知，除S7、S9傳感器外，其余8 個傳感器之間都存在大量冗余信息；由圖2B可知，除了最大值特征T4和BFVb特征T7外，其余6 個特征數據之間存在大量冗余信息。所以，需要對特征數據進行特征降維提高分類模型的精度。

圖2 整根粉兩種不同維度特征數據的Pearson相關系數矩陣圖Fig.2 Pearson correlation coefficient matrix of two different dimensional feature data of the whole root powder

2.4 特征數據選擇

為了降低特征變量之間數據高沖突風險，剔除特征之間的冗余信息，挖掘具有重要價值的特征參數，本研究采用CARS、VISSA和IRIV對80 個三七粉特征變量進行優選，以提高模型的泛化能力和識別準確率，增強模型的魯棒性。

2.4.1 基于CARS的三七粉特征選擇

在CARS的特征選擇過程中，設置蒙特卡羅采樣次數為50，采用5折交叉驗證的方法建立PLSR模型，以RMSECV最小值確定選擇的最優特征組合。三七粉的特征選擇過程如圖3所示。從圖3a可以看出，隨著采樣次數的不斷增加，選擇的特征數量逐漸減少，且減少趨勢逐漸變緩，體現了CARS在特征選擇過程中的“粗選”和“精選”的過程。從圖3b可以看出，隨著采樣次數的增加，RMSECV的值呈現先下降后上升的趨勢，在下降的過程中，表明無用信息或者干擾信息正在被剔除，而在上升的過程中，表明有用信息正在被剔除。圖3c為特征選擇過程中各特征變量回歸系數的趨勢變化，藍色星號豎線表示最佳采樣位置，此時RMSECV值最低，選擇的特征變量組合最優。最終通過CARS篩選出了15 個特征變量。

圖3 三七粉的CARS特征選擇過程Fig.3 CARS feature selection process for P. notoginseng powder

2.4.2 基于VISSA的三七粉特征選擇

在VISSA的特征選擇過程中，設置每輪WBMS生成的變量個數為5000，子模型的數據集占比為0.05，特征變量的初始權重為0.5，采用5折交叉驗證的方法建立PLS模型，根據RMSECV最小值確定最終特征個數。由圖4可知，隨著選擇的特征變量數量的增加，RMSECV的值呈先快速下降再趨于穩定后又上升的趨勢。當特征變量個數小于16時，RMSECV較大，表明這些特征變量無法準確表征三七粉特征，當特征變量個數大于28時，RMSECV增加，表明此時的特征變量組合中存在冗余或干擾信息，不利于建模。最終在RMSECV值最小（圖4箭頭）處選擇28 個特征變量。

圖4 三七粉的VISSA特征選擇過程Fig.4 VISSA feature selection process for P. notoginseng powder

2.4.3 基于IRIV的三七粉特征選擇

在IRIV特征選擇的過程中，采用5折交叉驗證的方法建立PLS模型，然后以RMSECV作為評價指標選擇特征變量。在每次迭代中，IRIV均會剔除一些無用和干擾的特征變量，保留有用的特征。圖5為IRIV選擇特征變量數量的過程，經過10 次迭代后，特征變量個數穩定在16 個，再經過反向消除無關變量和干擾變量后，最終保留了14 個特征。

圖5 三七粉的IRIV特征選擇過程Fig.5 IRIV feature selection process for P. notoginseng powder

2.4.4 3 種算法特征選擇結果分析

采用CARS、VISSA和IRIV對特征進行選擇后分別得到15、28、14 個特征變量。3 種算法選擇后的特征變量分布如圖6所示，其中橫坐標表示10 根電子鼻傳感器響應值的特征變量編號，1～8、101～108分別代表電子鼻傳感器S1～S10響應值的INV、ADV、RSAV、最大值、最小值、BFVa、b、c，8 個特征，縱坐標表示特征選擇算法的類別。CARS選擇的15 個特征中，8 個是BFV特征，占比最大；6 個是EV特征，關于S2、S6、S8、S9四根傳感器的特征有5 個，占比為1/3。VISSA選擇的特征最多，共28 個，其中16 個是BFV特征，占比最大；剩下的主要是相對平均穩態值和最大值，關于S2、S6、S8、S9四根傳感器的特征有14 個，占比為1/2。IRIV選擇的特征最少，共14 個，其中9 個是BFV特征，占比最大；而關于S2、S6、S8、S9四根傳感器的特征也是9 個，占比大于1/2。綜上，3 種特征選擇算法選擇的特征中占比最大的都是傳感器響應曲線的BFV（a，b，c），說明其最能夠表征電子鼻信號；其中VISSA、IRIV選擇的關于S2、S6、S8、S9四根傳感器的特征比例占到了1/2及以上，說明在5 種三七粉的10 根電子鼻響應信號中，這4 根傳感器的差異最大，與2.2節的分析一致。

圖6 3 種特征選擇算法優選后的三七粉特征變量分布Fig.6 Feature variable distribution of P. notoginseng powder optimized by three feature selection algorithms

2.5 三七粉分類模型建立與優化

采用KS（Kennard-Stone）算法對數據進行劃分訓練集和測試集，將每類三七粉的24 個樣本中的16 個作為訓練集，其余8 個作為測試集，該方法的優點是能保證訓練集中的樣本按照空間距離分布均勻，能夠增加模型的泛化能力[45]。分別建立基于特征提取數據和3 種特征選擇數據的SVM、ELM和LSSVM的三七粉電子鼻信號識別模型，并進行對比，探究3 種分類模型對三七粉的識別效果，以及特征選擇算法對降低模型復雜度和提高模型精度的實際效果。其中，SVM和LSSVM的核函數選用徑向基核函數，參數c、g、gam和sig2均設為默認值，ELM的最佳隱含層神經元個數設置為100，激活函數選擇線性整流函數（ReLU）。同時本研究使用測試集的準確率進行模型評價。各建模方法建模結果如表3所示。

表3 不同建模方法的三七粉識別準確率Table 3 Identification accuracy of P. notoginseng powder by different modeling methods

由表3可知，基于原始數據和CARS、VISSA、IRIV 3 種特征選擇算法數據的3 種分類模型的測試集平均準確率分別為72.5%、80%、84.17%和88.33%。基于3 種特征選擇數據模型的平均分類精度都高于原始數據，其中IRIV數據的平均分類精度最高，比原始數據提高了15.83%，這驗證了特征選擇的必要性。對比3 種分類算法，基于原始數據和3 種特征選擇數據的LSSVM模型都表現出了最好的效果，基于IRIV數據的LSSVM模型的測試集準確率最高，達到了90%。由圖6可知，IRIV選擇的關于S2、S6、S8、S9四根傳感器的特征占比最高，大于1/2，而這4 根傳感器檢測的是烷烴、芳香族化合物和揮發物總量，由表2可知，5 種三七粉揮發物總量、烷烴和芳香族化合物均差異顯著，這解釋了IRIV選擇的特征個數最少，但效果最好的原因。綜上所述，本研究采用分類效果最好的IRIV-LSSVM模型作為5 種三七粉分類模型。

LSSVM算法分類精度的高低主要取決于其懲罰因子gam和核參數sig2，因此，為了進一步提高模型的分類精度，本研究引入智能優化算法GWO對LSSVM中的gam和sig2進行優化。GWO的最大迭代次數設置為50，種群大小設置為20，參數gam和sig2的搜索范圍設置為[2-10，210]，經過50 次迭代后，優化模型得出最優解，優化建模結果如表4所示。

表4 基于GWO的IRIV-LSSVM建模結果Table 4 Results of IRIV-LSSVM modeling based on GWO

從表3、4可以看出，優化后分類模型的測試集準確率相較于優化前，提高了7.5%，說明最優懲gam和sig2對提高LSSVM分類精度至關重要。

2.6 基于GWO-IRIV-LSSVM模型的混淆矩陣

如圖7所示，其中整根粉、剪口粉、主根粉、側根粉、須根粉的測試集識別準確率分別為100%、100%、100%、87.5%和100%，平均分級準確率為97.5%；其中，有一個側根粉樣本分錯成了須根粉，由圖1電子鼻響應曲線結果和IRIV選擇的特征結果可以推測是此樣本的S2、S6、S8、S9四根傳感器的響應曲線與須根粉更相似。以上表明，此模型能夠正確地鑒別整根粉、剪口粉、主根粉和須根粉，對市場上用側根粉和須根粉冒充主根粉和剪口粉提供了一種鑒別方法。

圖7 IRIV-GWO-LSSVM的測試集混淆矩陣Fig.7 Test set confusion matrix of IRIV-GWO-LSSVM

3 結論

采用電子鼻和GC-MS對5 種不同部位的三七粉樣品進行分析、鑒別。從5 種樣品中鑒定出了31 種成分，對其中15 種主要成分進行分析，主要成分在種類和含量上都有差異，特別是揮發物總量、烷烴和芳香族化合物差異顯著。通過特征提取和模型優化兩種方法提高了電子鼻對三七粉的識別準確率，IRIV選擇的特征是能夠體現烷烴、芳香族化合物和揮發物總量差異的4 根傳感器響應值的特征。最優的GWO-IRIV-LSSVM模型可對道地產區文山5 種不同部位三七粉進行有效區分，測試集準確率為97.5%。證實了一些重要化合物的含量在5 種樣品中存在顯著差異。該方法可對道地產區文山不同部位三七粉客觀、高效、準確地鑒別，可用于道地產區優質三七粉混入劣質三七粉的檢測。