引言

膏方又称膏滋、煎膏剂，是将中药饮片加水多次煎煮，去渣取汁，经蒸发浓缩后加阿胶等动物胶质及黄酒、炼蜜或炼糖制成的半流体状制剂。膏方制备遵循个体化用药原则，随证加减，具有体积小、含药量高、药效持久、口味润滑、服用方便等特点，在临床诊疗及日常养生保健实践中的应用十分广泛。

随着产业向现代化迈进，传统膏方的生产模式正面临严峻的质量一致性挑战。长期以来，膏方制备多依赖药师经验控制。收膏终点的判定直接决定膏方的药效与保质期，当收膏不充分时，膏滋偏稀薄，说明水分含量过高，既影响感官评定，同时在后期贮藏时易发生霉变；当收膏过度时，易发生焦化，影响膏滋得率等问题。但传统收膏工艺以药液“起鱼眼泡”“扯拉成旗”“滴水成珠”等药师感官指标判定终点，这种缺乏客观量化数据支撑的生产方式，已难以满足现代制药工业对产品均一性、稳定性及安全性的严苛标准。刘宇等在回顾中国近红外光谱分析技术三十年发展历程时指出，将先进的光谱分析引入工业制造，实现从经验制造向数字智造的范式转变，是破解中药复杂体系分析难题的必然路径。近红外光谱技术（Near-Infrared Spectroscopy, NIRS）凭借无损、快速的优势，已广泛应用于制药过程。然而，膏方极复杂的基质效应，使得单一光谱背景干扰异常严重。本文以中药膏方的智能制造为导向，系统梳理了关键质量属性（CQA）在复杂流体基质下的光谱响应机制与监控瓶颈；重点剖析了从经典机器学习到深度学习等人工智能算法在克服非线性干扰中的核心优势；并探讨了多源数据融合技术在全方位质量评价中的应用，为传统膏方质控的数字化与智能化转型提供坚实的理论支撑。

1 膏方生产过程的关键质量属性与监控瓶颈

《江苏中医膏方临床应用专家共识（2021）》从处方、工艺、质控等层面对膏方的制备流程进行了规范，但“一人一方”的个性化特点导致膏方生产过程波动性大，质量稳定性面临挑战。面向智能制造的中药混合单元，CQA辨识是实现工艺一致性评价的核心。因此，要实现膏方生产的智能化，首要任务是确立其工艺CQA。目前，膏方质控的核心难点集中于收膏终点的精准判定及安全性指标监控。

1.1物理质量的核心指标相对密度

相对密度是衡量膏方浓缩程度、水分含量及流变学特性的核心物理指标。《中华人民共和国药典》（2020版）将收膏密度（约1.40）设定为重要质量控制参数。相对密度作为膏方质量的核心物理指标，具有双重关联性特征：一方面，其数值与膏方成品质量呈显著正相关性；另一方面，与体系含水量呈负相关。但在实际生产过程中，常规的收膏终点相对密度检测方法面临离线滞后性问题。尽管刘奇等验证了折光率法快速检测的可行性，但需注意不同组方因成分极性、糖分类型等差异，其折光率与相对密度的线性相关性存在显著批次波动，需建立品种专属的数学模型。基于相对密度的量值标准化不仅是质量风险评估的关键节点，更是实现传统膏方现代化生产质量控制的核心技术突破口。然而，常规检测相对密度的方法存在一定的局限性，导致检测时间长、分析效率低、样品被破坏，难以满足智能制造的发展需求。因此，开发准确、快速且能实时监测相对密度的检测方法对于确保膏方质量稳定性至关重要。

1.2 安全性与工艺的双重指标5-羟甲基糠醛

5-羟甲基糠醛（5-hydroxymethyl furfural，5-HMF）是糖类在酸性或高温条件下脱水生成的呋喃类化合物，其作为糖类辅料（如蜂蜜、红糖等）加热降解及美拉德反应产生的新成分，广泛存在于中药复方中。龙佳等在探讨大蜜丸炼蜜单元制造测量技术时指出，富含糖类与氨基酸的物料在高温阶段极易诱导高浓度5-HMF生成，且生成量受加热时间正向影响显著。5-HMF具有“双刃剑”特性：低剂量可改善药效成分吸收，超过一定剂量的5-HMF能够对人的眼睛、黏膜、皮肤等产生刺激，摄入过多会引起中毒，导致横纹肌麻痹和内脏损伤，甚至引发癌症。欧盟等国际组织已将5-HMF纳入食品安全重点监控指标，但在中药膏方领域缺乏相关标准。欧洲食品安全委员会推荐5-HMF的最大限量为1.6 mg/人/d。药食同源物质蜂蜜在国际贸易中，5-HMF属于强制性检测指标，参考标准GH/T18796-2012规定蜂蜜二级品中其含量应≤40 mg/kg，而在2020版《中华人民共和国药典》中，蜂蜜中的5-HMF不得超过0.004%。陈国宝等曾采用高效液相色谱法，成功测定了清补平衡膏方中5-HMF的含量波动显著（10.76~537.9 μg/mL），其产生与蜂蜜炼制温度、糖类辅料种类密切相关。然而，传统高效液相色谱（HPLC法）检测5-HMF需复杂前处理，依赖实验室离线检测，无法满足智能制造对实时监控的需求。因此，开发准确、快速和实时监测5-HMF的检测方法对于确保膏方长期食用安全性至关重要。

2近红外光谱技术原理及其在膏方体系中的响应机制

针对膏方这一特殊体系，其响应机制并非单一的化学键振动，更交织着复杂的物理光学效应。邓妍等认为，复杂溶液体系在浓缩过程中，水分子氢键网络会发生剧烈重构，导致光谱特征峰出现显著偏移。这为相对密度与水分的定量预测提供了直接的物理化学依据。徐少华等提出中药相态与药效密切相关，膏体黏度的剧增会改变光子在介质中的散射路径，从而产生强烈的散射效应。唐慰祖等在黄酒等高糖基质体系中，通过解析其近红外光谱特征，成功实现了酒精度及密度的快速无损检测。对于微量的5-HMF，其醛基与呋喃环在长波近红外区域具有特征吸收。郑连姬等基于近红外光谱结合偏最小二乘算法，采用一阶导数与Norris平滑滤波进行预处理，成功克服了蜂蜜高糖背景的掩蔽干扰。其构建的定量预测模型表现优异，充分证明了从强背景噪声中解析微量呋喃类化合物指纹特征在机制上是完全可行的。

3 克服非线性干扰的近红外光谱人工智能建模策略

面对中药膏方高噪声和强非线性的光谱特征，直接针对该复杂流体体系的近红外光谱建模研究尚处于起步阶段。因此，系统梳理当前中药制药领域中先进的人工智能前沿算法，筛选出能够有效克服复杂基质干扰的建模策略，对于破解膏方光谱解析瓶颈具有重要的借鉴价值。

3.1经典机器学习算法在特征明确体系中的应用

支持向量机（SVM）与人工神经网络（ANN）等经典机器学习算法，能够有效处理非线性映射，在变量特征相对明确的光谱体系中表现优异。张露文等利用近红外光谱结合极限学习机模型，对当归及其易混淆品进行了鉴别分析。结果表明，该非线性模型在准确率等指标上表现最佳，预测集准确率达到100%，明显优于传统线性判别方法。这为膏方复杂基质下物质基础的定性辨识提供了非线性建模的参考。然而，机器学习模型极易受无关变量干扰。Jiang等通过采集白术饮片的近红外光谱比对多种分类器性能，发现经过正交信号校正等预处理后的非线性模型，能够更准确地鉴别不同基原的物料。这提示将其应用于含有强水峰干扰的中药膏方时，必须引入高效的光谱预处理与降维技术，以防止全谱输入引发的过拟合。

3.2 集成学习算法在高维强背景干扰下的优势

集成学习通过组合多个弱分类器构建强分类器，显著提升了模型在极端基质下的泛化与抗干扰能力。谢文涌等针对单一模型鉴别精度有限的痛点，提出了一种融合多种基础分类器的Stacking集成学习模型，成功应用于马兜铃酸及其类似物的鉴别。与单一模型相比，该策略大幅提升了对微量成分识别的灵敏度与准确率，这为膏方体系中受高糖背景掩蔽的微量伴生危害物（如5-HMF）的在线监控提供了极佳的解决思路。贾文玉等在监测热毒宁注射液生产过程时，引入竞争自适应重加权采样筛选特征变量后构建TreeNet模型。结果显示，该集成算法表现出卓越的抗背景噪声干扰能力，证明了特征优选与集成学习的结合是过滤流体加工过程中动态背景噪声的有效手段。宋航等利用连续小波变换对黄芪的红外光谱进行精细化降噪处理，随后输入集成神经网络中训练，最终实现了极高的光谱特征提取精度。

3.3 深度学习算法在复杂端到端特征提取中的突破

当样本基质复杂度极高且数据量充足时，深度学习在自动挖掘深层映射关系方面展现出了巨大优势。Peng等提出了一种融合卷积神经网络与门控循环单元（CNN-GRU）的架构，直接从原始近红外光谱中自动提取了中药提取物的端到端非线性时间序列特征。这一成果对于追踪膏方浓缩过程中因水分挥发和流变学改变而产生的连续动态变化具有高度的契合性。针对模型训练依赖海量数据的问题，周玉将预训练的深度网络引入红外光谱分类研究，借助迁移学习策略，不仅有效克服了光谱基线漂移带来的掩蔽效应，还在小样本数据集上取得了令人满意的分类精度。这为解决膏方生产周期长、大批量样本收集成本高的现实难题开辟了可行路径。胡晓燕等基于深度学习构建的滇黄精鉴别模型，进一步证实了该类算法对水分干扰具有更强的容错率，这直击膏方收膏阶段强水峰干扰的核心痛点。

算法类型	代表算法	核心优势	局限性	适用场景	文献
线性回归	PLS, MLR	计算效率高，模型内部权重解释性强	无法处理严重的非线性映射关系，易受基线漂移影响	基质相对简单、成分单一的稀溶液体系	[17]
经典机器学习	SVM, RF	具备较强的非线性拟合与高维空间映射能力	强依赖人工特征工程，全谱输入极易陷入过拟合	经预处理与降维后的特征明确体系	[19]
集成学习	Stacking, Boosting	鲁棒性极强，抗噪声与异常值干扰能力优异	运算时间成本高，多模型融合参数调优困难	高糖高黏等背景干扰强烈的流体及微量危害物监控	[20,21]
深度学习	1D-CNN, LSTM	端到端自动特征提取，容忍光谱平移与强基质掩蔽	模型“黑匣子”，缺乏物理解释，需海量训练样本	工业大数据支持下的复杂生产线全谱段实时解析	[23]

4 多源数据融合技术在中药智能化评价中的应用

中药膏方在浓缩和收膏过程中的物理流变学特性与化学物质基础变化剧烈，单一维度的光谱分析往往难以全面表征其整体质量属性。引入多源数据融合技术，实现多模态信息的交叉验证与优势互补，能为膏方的CQA在线检测提供更广阔的思路。

4.1 多源数据融合的层次与架构优势

多源数据融合通过不同层级的信息整合，能够有效降低单一传感器的测量误差。Wan等基于深度集成学习算法构建了多源数据融合模型并用于中药复方颗粒的质量评价。结果表明，采用融合数据构建的模型在理化性质预测上明显优于使用单一数据的模型，显著提高了检测的鲁棒性。关欢欢在复方丹参颗粒的研究中同样发现，利用多源数据与人工智能算法相结合，能够精准构建涵盖外观物理属性与内在化学组分的复杂非线性关系模型。这为膏方相对密度与有效成分含量的同步量化提供了理论支撑。Yang等针对乌头类毒性中药建立了基于NIRS、电子鼻及高分辨质谱的协同评价体系。其研究框架（见图1）详细展示了从多维异构数据采集到低、中、高三级融合策略的演进逻辑，结果表明多模态融合能有效消除单一传感器的信息冗余，显著增强了对复杂基质中微量毒性物质的鉴别性能。这为膏方体系中美拉德反应微量伴生物的监控提供了多层级融合的架构参考。

4.2 光谱与仿生感官及理化指标的深度融合应用

将近红外光谱与代表物理、感官特性的多源数据进行深度融合，是实现传统中药工艺数字化表征的前沿趋势。吴鑫雨等基于色差仪、电子鼻与近红外光谱获取了香附的多模态信息。结果显示，融合模型对香附不同炮制阶段的判别准确率及终点量化精度远高于单一信息模型，这为膏方传统“滴水成珠”等感官收膏经验的客观数字化提供了直接的方法学参考。丁羽等在酒当归的质控研究中，引入色度值、气味指纹与近红外光谱的多模态特征，借助OPLS-DA模型成功锁定了炮制过程中药材颜色、气味与成分演变的内在逻辑。与单一光谱相比，该融合模型实现了对炮制终点的客观量化，为膏方“火候”的数字化表征及收膏终点的精准判断奠定了坚实的技术基础。在多光谱与多效应信息的深度互补方面，Cao等采用近红外与紫外光谱的高层级数据融合策略，成功实现了复杂注射剂中多组分化学浓度与生物效应的同步精准预测。此外，余代鑫等将近红外光谱与多维化学定量数据（如姜辣素类）进行特征级深度整合，显著增强了模型对干姜内在品质差异的捕捉能力。在膏方过程分析中，可以将近红外光谱特征与美拉德反应关键标志物（如5-HMF）的定向定量数据相融合，以大幅提升模型对伴生危害物的特异性识别能力。

5结语

近红外光谱结合人工智能多模态融合技术，正逐步揭开中药膏方传统制造经验化与“黑箱化”的瓶颈。面对膏方体系中极具挑战性的高糖、高黏及复杂相态干扰，单一技术已难以满足现代智能制造的需求。

基于当前技术发展趋势，针对膏方收膏终点的自主判断与动态监控，建议采用“近红外光谱+机器视觉/黏度传感数据+深度学习算法（如CNN-GRU/LSTM）”的决策级融合策略。通过深度学习网络自动提取光谱中因水分变化和美拉德反应引起的非线性时序特征，并与流变学或仿生视觉数据进行交叉验证，能够实现对相对密度的精准量化及收膏终点的智能判定。同时，针对5-HMF等微量伴生危害物的监控，建议引入Stacking集成学习策略，利用其强大的抗噪和抗背景掩蔽能力，从高糖基质的强背景信号中精准剥离出呋喃类化合物的特征信息，保障膏方用药安全性。

伴随算法架构的持续演进，中药膏方的评价模式正由经验判断向“模型驱动”的数字化智造跨越。未来，随着跨仪器、跨产线的模型转移关键技术的攻克，以及更多维度的PAT的引入，复杂的工艺参数与CQA之间的深层逻辑映射将被彻底打通。这些前沿智能算法在中药精深加工全生命周期中的垂直应用，必将全面赋能传统中医药产业的数智化升级与高质量发展。

参考文献：

1. [1] 孙传菊.中医膏方的沿革、制备工艺及其临床应用研究[J].中华中医药杂志,2020,35(06):3163-3165.
2. [2] 路继刚,吕福杰,任学明,等.中药膏滋制备要点和工艺参数的探讨[J].世界中医药,2018,13(03):739-742.
3. [3] 刘宇,陈瀑,李敬岩,等.中国近红外光谱分析技术30年——回顾、述评与展望[J].分析测试学报,2025,44(10):2001-2016.
4. [4] 黄亚博,霍介格,罗兴洪.江苏中医膏方临床应用专家共识(2021)[J].江苏中医药,2022,54(01):1-13.
5. [5] 马世威,李楠,赵小军,等.面向智能制造的中药混合单元关键质量属性辨识与一致性评价研究[J/OL].中国中药杂志,1-9[2026-03-10].
6. [6] 国家药典委员会.中华人民共和国药典:一部[M].北京:中国医药科技出版社,2020.
7. [7] 袁加才,高骁君,周琴妹.煎膏剂质量控制指标考察[J].中国实验方剂学杂志,2013,19(01):51-53.
8. [8] 刘奇,胡云莉,姜艳,等.判定中药膏滋收膏终点的实用方法研究[J].浙江中医杂志,2022,57(11):849-851.
9. [9] 王梅,王越欣,武英茹,等.5-羟甲基糠醛在中药加工过程中的变化及药理作用研究概况[J].药物评价研究,2020,43(11):2319-2327.
10. [10] 龙佳,李楠,田晋茹,等.大蜜丸炼蜜单元5-HMF的中药制造测量技术进展[J].中国中药杂志,2025,50(21):5987-5998.
11. [11] Farag M R, Alagawany M, Bin-Jumah M, et al. The toxicological aspects of the heat-Borne toxicant5-hydroxymethylfurfural in animals: a review[J]. Molecules,2020,25(08):1941.
12. [12] 刘云杰,张梦,李雯婷,等.中药材及其制剂中毒性成分质量控制检测技术与限量安全风险评估研究进展[J].中国中药杂志,2025,50(17):4717-4728.
13. [13] 陈国宝,宋桂萍,柳佳,等.HPLC法测定清补平衡膏方中没食子酸、5-HMF和芍药苷的含量[J].中华中医药学刊,2016,34(02):463-465.
14. [14] 邓妍,刘晓凤,叶萌,等.近红外光谱技术在中药研究中的应用缺陷及对策[J].成都大学学报(自然科学版),2023,42(03):225-229.
15. [15] 徐少华,许晚霞,刘月涛,等.中药相态与药效:“一物多效”中药质量标志物研究策略[J].药学学报,2026,61(04):1072-1084.
16. [16] 唐慰祖,李丽,张辉.近红外光谱法快速检测黄酒酒精度及密度的研究[J].酿酒科技,2023(04):121-125.
17. [17] 郑连姬,冯璨,杜渝,等.蜂蜜中羟甲基糠醛的近红外光谱快速测定方法[J].食品工业科技,2012,33(16):89-91.
18. [18] 刘雨.基于近红外光谱和化学计量学的当归鉴别与定量研究[D].天津工业大学,2025.
19. [19] Jiang Z, Jin K, Zhong L, et al. Near-infrared spectroscopy combined with machine learning for rapid identification of Atractylodis rhizoma decoction pieces[J]. Industrial Crops & Products,2023(197):116579.
20. [20] 谢文涌,柴琴琴,林旎,等.基于Stacking集成学习的马兜铃酸及其类似物鉴别[J].江苏农业学报,2021,37(02):503-508.
21. [21] 贾文玉,童枫,刘恒旭,等.近红外光谱技术结合多种机器学习算法的热毒宁注射液批次潜在风险预测模型[J].中国中药杂志,2025,50(02):430-438.
22. [22] 宋航.基于连续小波变换和集成神经网络的黄芪产地分析研究[D].甘肃中医药大学,2025.
23. [23] Peng C, Zhang M, Kong M, et al. Integrating deep learning and near-infrared spectroscopy for quality control of traditional Chinese medicine extracts[J]. Microchemical Journal,2024(205):111310.
24. [24] 周玉.基于卷积神经网络与迁移学习的红外光谱分类研究[D].甘肃中医药大学,2024.
25. [25] 胡晓燕,苏俊宇,沈涛,等.基于近红外光谱技术结合深度学习快速鉴别滇黄精干燥方法和产地[J].中草药,2025,56(18):6761-6772.
26. [26] 解文欣,张紫萱,刘越,等.人工智能在中药质量中的应用及研究进展[J].中草药,2025,56(15):5616-5631.
27. [27] Wan X, Luo X, Yang M, et al. An accurate prediction of the physicochemical properties of traditional Chinese medicine granules using a multi-source data model fusion strategy based on deep ensemble learning algorithms[J]. Microchemical Journal,2025(209):112790.
28. [28] 关欢欢.基于多源数据与人工智能算法的复方丹参颗粒质量评价研究[D].南京中医药大学,2025.
29. [29] Yang N, Dai S, Wu D, et al. Data fusion and multivariate analysis based on near infrared spectroscopy, electronic noses, and high resolution mass spectrometry: A synergetic approach to boost performance on the authenticity analysis of toxic herbs for Aconitum[J]. Journal of Pharmaceutical and Biomedical Analysis,2025(270):117312.
30. [30] 吴鑫雨,邱丽媛,王又迪,等.基于智能感官与多源信息融合技术的香附炮制程度快速辨识方法研究[J].中草药,2023,54(21):7007-7016.
31. [31] 丁羽,戴慧莲,姜德利,等.基于智能感官和近红外光谱技术结合化学计量学的酒当归炮制程度快速辨识研究[J].中草药,2025,56(01):68-78.
32. [32] Cao L, Zhao Y, Chen X, et al. Integrated quality evaluation of traditional Chinese medicine based on chemical composition and biological effects using high-level data fusion of near-infrared and ultraviolet spectroscopy combined with machine learning[J]. Measurement,2026(258):118972.
33. [33] 余代鑫,郭盛,张霞,等.近红外光谱技术结合化学计量学和机器学习算法的干姜产地溯源研究[J].中国中药杂志,2022,47(17):4583-4592.