陳思邈 李旭冉 張宇燕 金偉鋒 陶水良 丁志山 陳偉燕

浙江中醫(yī)藥大學 杭州 310053

滌痰湯源于明代《奇效良方》，組分包含膽南星、橘紅、石菖蒲、茯苓、枳實等9味藥[1]，具有滌痰開竅、利氣補虛之功效，能開竅醒神治其標；同時補氣滲濕化痰，使?jié)駸o所聚，痰無所生，以固其本[2]，主治中風、痰迷心竅、舌強不能言。 臨床加減化裁后常用于中風[3]、抑郁[4]、癡呆[5]，以及冠心病[6]、肺部疾病[7-8]等屬于痰涎壅盛的疾病的治療， 均取得了較好的臨床療效。現(xiàn)代臨床用藥通常保留經(jīng)典滌痰湯組方中橘紅、枳實、石菖蒲等組分[9-12]。研究也表明這些延用藥物及其有效成分均具有較強的藥理作用，如橘紅、枳實中的辛弗林、新橙皮苷等能促進脂質(zhì)代謝[13-14]；橙皮苷具有抗病毒、抗菌、消炎、抗氧化等作用[15]，石菖蒲揮發(fā)油中的α-細辛醚、β-細辛醚等能顯著抗栓塞，保護心肌、血管細胞，改善血管功能等[16]。這些活性物質(zhì)在復方療效中起了重要作用，在中藥材、中藥提取物、中藥制劑研究中常作為指標性成分，用于作用機制和質(zhì)量標準的建立控制研究。為深入開展對經(jīng)典名方滌痰湯的開發(fā)研究， 本研究選用方中具有較強生物活性，并作為藥品質(zhì)量控制指標性成分的辛弗林、 橙皮苷、新橙皮苷、α-細辛醚、β-細辛醚的總提取量為評價指標，優(yōu)化滌痰湯提取工藝，為進一步開展古代經(jīng)方中藥復方制劑的制劑工藝和藥效物質(zhì)基礎(chǔ)研究奠定基礎(chǔ)。

響應面設(shè)計在優(yōu)化中藥制劑提取工藝方面廣泛運用，能有效優(yōu)化提取工藝條件，減少實驗次數(shù)，提高效率。 支持向量機（support vector machine，SVM）是建立在統(tǒng)計學基礎(chǔ)上的數(shù)學模型，特別適用于復雜的中小型數(shù)據(jù)集分類，能有效解決非線性及高維模式識別問題。 而最小二乘支持向量機（least squares-support vector machine，LS-SVM）由SVM改進而來[17]，將不等式約束變?yōu)榈仁郊s束， 使算法的復雜度大大減小[18]。本研究采用Box-Behnken響應面設(shè)計實驗，以滌痰湯中5個成分的總提取量為指標， 聯(lián)合LS-SVM數(shù)學模型，以期更有效地優(yōu)化滌痰湯提取工藝。

1 材料和方法

1.1 儀器 Waters e2695高效液相色譜系統(tǒng)和Empower軟件購于美國沃特世公司；FA2104型電子分析天平購于上海舜宇恒平科學儀器有限公司；JP-040超聲波清洗機購于深圳潔盟清洗設(shè)備有限公司；Milli-Q Integral超純水儀購于德國默克密理博公司；Matlab 2015b軟件為美國邁斯沃克軟件公司產(chǎn)品。

1.2 藥物和試劑 姜半夏、麩枳實、茯苓、化橘紅、石菖蒲、黨參、竹茹均購于浙江中醫(yī)藥大學中藥飲片有限公司（批號：200701、200801、200801、200901、200701、200901、200201），甘草、膽南星均購于浙江中醫(yī)藥大學杭州濱江門診部（批號：20201028、20210401），均符合2020年版中國藥典（一部）相應藥材項下的質(zhì)量標準要求；橙皮苷對照品、新橙皮苷對照品均購于上海源葉生物科技有限公司（批號：Z31J6L2067、M03J8S39169）；辛弗林對照品、α-細辛醚對照品、β-細辛醚對照品均購于成都曼思特生物科技有限公司 （批號：MUST-19101716、MUST-20051401、MUST-19112611）； 甲醇（色譜純）、乙腈（色譜純）均購于美國天地有限公司（批號：21075219、21075218）；無水乙醇（分析純）購于杭州雙林化工試劑有限公司（批號：20210915）；磷酸（分析純） 購于深圳西隴科學股份有限公司（批號：1708301）；水為超純水。

1.3 方法

1.3.1 色譜條件 色譜柱為SunFire C18柱 （4.6 mm×250 mm，5 μm）；流動相為乙腈（A）-0.1%磷酸水溶液（B），梯度洗脫（0～5 min，4%A；5～10 min，4%A→20%A；10 ～25 min，20%A →30%A；25 ～40 min，30%A →60%A；40～45 min，60%A→65%A）， 流速1 mL·min-1，進樣量10 μL，柱溫30 ℃，波長220 nm。

1.3.2 溶液制備

1.3.2.1 對照品溶液制備 精密稱取各對照品適量，以甲醇定容至5 mL， 得到質(zhì)量濃度分別為0.800、10.000、10.000、1.200、0.200 mg·mL-1的辛弗林、 橙皮苷、新橙皮苷、β-細辛醚、α-細辛醚儲備液。精密量取上述儲備液，混勻后加甲醇并定容至5 mL，制成質(zhì)量濃度分別為0.096、1.200、1.200、0.144、0.024 mg·mL-1的混合對照品溶液。

1.3.2.2 供試品溶液制備 按滌痰湯處方比例稱取50 g藥材粉末，過40目篩，加10倍80%乙醇，55 ℃超聲提取60 min，0.22 μm微孔濾膜過濾， 得到供試品溶液。

1.3.3 測定方法建立

1.3.3.1 系統(tǒng)適用性試驗 分別吸取1.3.2.1和1.3.2.2項下的混合對照品溶液和供試品溶液適量，按1.3.1項下色譜條件分析。

1.3.3.2 線性關(guān)系考察 分別吸取1.3.2.1項下儲備液，以甲醇梯度稀釋制成辛弗林、橙皮苷、新橙皮苷、β-細辛醚、α-細辛醚5種成分系列梯度的對照品溶液， 然后按1.3.1項下色譜條件分析， 分別對峰面積（Y）和質(zhì)量濃度（X）進行線性回歸，得到回歸方程。

1.3.3.3 精密度試驗 取同一濃度的混合對照品溶液，按1.3.1項下色譜條件連續(xù)6次進樣分析，記錄5個主要成分的峰面積， 計算相對標準偏差（relative standard deviation，RSD）值。

1.3.3.4 重復性試驗 取同一批樣品6份，按1.3.2.2項下方法制備供試品溶液，按1.3.1項下色譜條件進樣分析，記錄5個主要成分的峰面積，計算RSD值。

1.3.3.5 穩(wěn)定性試驗 取樣品適量， 按1.3.2.2項下方法制備供試品溶液，室溫放置，分別于0、1、2、4、6、8、12 h進樣分析，計算5個主要成分峰面積的RSD值。

1.3.3.6 加樣回收試驗 取已知含量的供試品6份，每份50 g，按1.3.2.2項下方法制備供試品溶液，加入含辛弗林、橙皮苷、新橙皮苷、β-細辛醚、α-細辛醚質(zhì)量濃度分別為0.096、1.200、1.200、0.144、0.024 mg·mL-1的混合對照品溶液，分別進樣分析，記錄峰面積并計算5個主要成分的平均加樣回收率及RSD值。

1.3.4 滌痰湯提取工藝的單因素實驗 根據(jù)現(xiàn)代中藥制劑工藝研究要求，制劑制備研究需要根據(jù)其藥效物質(zhì)合理有效制定其質(zhì)量標準，有助于按照國家新藥申報要求開展規(guī)范開發(fā)。 中藥及其復方制劑在制備提取過程中溶劑濃度、液料比、提取時間、提取溫度、提取次數(shù)、pH值等是影響制劑質(zhì)量和藥效的重要因素[19-20]。 其中，溶劑被認為是一個重要參數(shù)，它直接影響有效物質(zhì)的溶解度。 結(jié)合藥品安全性要求和現(xiàn)代制劑工藝制備規(guī)范要求，中藥制劑常以水和不同濃度的乙醇作為溶劑，本研究根據(jù)滌痰湯中各指標成分的理化性質(zhì)特點，根據(jù)相似相溶原理，采用乙醇作為提取溶劑，并結(jié)合文獻[21-23]和預試驗結(jié)果，選取乙醇濃度、液料比、提取時間、提取溫度、提取次數(shù)等影響較大的幾個因素，采用Box-Behnken響應面設(shè)計合理的水平，優(yōu)化滌痰湯的制劑制備工藝。

按照滌痰湯處方比例分別精密稱取每份樣品50 g，過40目篩，固定其他因素不變，以單因素乙醇濃度、液料比、提取時間、提取溫度、提取次數(shù)不同水平的實驗條件下制備各供試品溶液，分別測定滌痰湯中5個主要成分的濃度，并計算提取量（mg·5g-1），考察各影響因素的不同水平對滌痰湯主要成分總提取量的影響。

1.3.5 Box-Behnken響應面設(shè)計優(yōu)化滌痰湯提取工藝 以單因素試驗為基礎(chǔ)，同時考慮到提取次數(shù)對提取率的影響不大，本研究選取乙醇濃度（A）、液料比（B）、提取時間（C）、提取溫度（D）為因素，通過Design-Expert軟件進行Box-Behnken響應面設(shè)計。

1.3.6 LS-SVM優(yōu)化滌痰湯提取工藝

1.3.6.1 模型的仿真及參數(shù)尋優(yōu) 利用LS-SVM，以等式約束替代原來的不等式約束，在保證精度的前提下， 將復雜的非線性問題轉(zhuǎn)化為對線性矩陣的求解[24]。 利用Matlab 2015b軟件，以乙醇濃度（x1）、液料比（x2）、提取時間（x3）、提取溫度（x4）為4個提取工藝數(shù)據(jù)，設(shè)滌痰湯中5種有效成分辛弗林、橙皮苷、新橙皮苷、β-細辛醚、α-細辛醚的總提取量為Y?？紤]數(shù)據(jù)量，本研究采用形式簡單、非線性逼近能力強的徑向基核函數(shù)（radial basis function，RBF）[25]，同時確定核參數(shù)g和懲罰因子C，以使LS-SVM模型最優(yōu)化。 兩者與樣本密切相關(guān)，C值代表了對誤差的寬容度，C值越大，允許的誤差越小，但C值過大會導致過擬合；C值越小則使模型泛化能力增加，同時對誤差的容忍度也越大。核參數(shù)g則與樣本的輸入范圍呈正相關(guān)，范圍越大核參數(shù)g取值就越大，反之則相應減小。

1.3.6.2 條件尋優(yōu)及結(jié)果預測 得到最優(yōu)核參數(shù)和懲罰因子后，重新利用LS-SVM模型，得到主要成分總提取量預測值。 將實際值和預測值進行分析對比， 進一步驗證預測結(jié)果的可信度。 最后根據(jù)Box-Behnken響應面實驗結(jié)果結(jié)合制劑工藝實際，通過Matlab 2015b軟件梯度增設(shè)待預測數(shù)據(jù)集， 利用LS-SVM模型進行最優(yōu)條件的預測。

1.3.6.3 工藝驗證 按照LS-SVM模型預測的最優(yōu)條件進行5次平行試驗，測定5種成分辛弗林、橙皮苷、新橙皮苷、α-細辛醚、β-細辛醚的總提取量平均值以及RSD值，并與預測值相比較，計算相對誤差以驗證其可靠性。

2 結(jié)果

2.1 系統(tǒng)適用性試驗結(jié)果 將混合對照品溶液和供試品溶液進樣后結(jié)果表明，供試品溶液色譜圖中5種主要成分色譜峰的保留時間與混合對照品的保留時間相同，待測成分與其他色譜峰可實現(xiàn)基線分離，分離度＞1.5。 見圖1。

圖1 空白樣品、混合對照品和滌痰湯的HPLC圖Fig.1 HPLC diagram of blank sample， mixed reference and Ditan Decoction

2.2 線性關(guān)系考察結(jié)果 將辛弗林、橙皮苷、新橙皮苷、β-細辛醚、α-細辛醚5種成分系列梯度的對照品溶液進樣分析，分別以質(zhì)量濃度（X）為橫坐標，峰面積（Y）為縱坐標進行線性擬合，得到回歸方程，說明5個對照品在相應濃度范圍內(nèi)線性關(guān)系良好。 見表1。

表1 回歸方程和相關(guān)系數(shù)Tab.1 Regression equation and correlation coefficient

2.3 精密度試驗結(jié)果 取同一濃度的混合對照品溶液， 連續(xù)6次進樣，5個主要成分的峰面積RSD值分別為1.59%、0.48%、0.41%、0.71%和0.69%， 表明儀器精密度良好。

2.4 重復性試驗結(jié)果 取同一批樣品6份，制備供試品溶液后進樣分析， 計算得到5個主要成分的峰面積RSD值分別為1.48%、0.70%、0.51%、0.81%和1.23%，表明方法重復性良好。

2.5 穩(wěn)定性試驗結(jié)果 制備供試品溶液，室溫放置，分別于0、1、2、4、6、8、12 h進樣分析， 結(jié)果5個主要成分峰面積RSD值分別為1.98%、1.53%、0.84%、1.34%和1.66%，表明制備的供試品溶液在12 h內(nèi)較穩(wěn)定。2.6 加樣回收試驗結(jié)果 取已知含量的供試品6份，制備供試品溶液，加入已知質(zhì)量濃度的混合對照品溶液，記錄峰面積，計算得到5個主要成分的平均加樣回收率分別為97.53%、102.47%、99.72%、104.52%和98.09%，RSD值分別為1.79%、1.28%、1.64%、1.90%和1.58%，表明該方法準確性良好。

2.7 單因素實驗結(jié)果

2.7.1 乙醇濃度對提取效果的影響 液料比為10:1（mL·g-1），提取溫度為55 ℃，提取時間為60 min時，分別檢測乙醇濃度35%、50%、65%、80%、95%對主要成分提取量的影響。見圖2a。結(jié)果表明，乙醇濃度為50%時提取效果最好。

2.7.2 液料比對提取效果的影響 乙醇濃度為50%，提取溫度為55 ℃，提取時間為60 min時，分別檢測液料比6:1、8:1、10:1、12:1、14:1（mL·g-1）對主要成分提取量的影響。見圖2b。結(jié)果表明，當液料比為10:1（mL·g-1）時，提取效果最好。

2.7.3 提取時間對提取效果的影響 乙醇濃度為50%，液料比為10:1（mL·g-1），提取溫度為55 ℃時，分別檢測提取時間為45、60、75、90、105 min對主要成分提取量的影響。見圖2c。結(jié)果表明，提取時間為90 min時，提取效果最好。

2.7.4 提取溫度對提取效果的影響 乙醇濃度為50%，液料比為10:1（mL·g-1），提取時間為90 min時，分別檢測提取溫度45、55、65、75、85 ℃對主要成分提取量的影響。見圖2d。結(jié)果表明，提取溫度為65 ℃時，提取效果最好。

2.7.5 提取次數(shù)對提取效果的影響 乙醇濃度為50%，液料比為10:1（mL·g-1），提取溫度為65 ℃，提取時間為90 min時， 分別檢測提取1、2、3、4次對主要成分提取量的影響。見圖2e。結(jié)果表明，隨著提取次數(shù)的增加，提取的主要成分的總含量增加，但當提取次數(shù)大于3次時，增勢變緩。

圖2 不同因變量對5種主要成分總提取量的影響Fig.2 Effects of different dependent variables on the total extraction volume of the five main components

2.8 Box-Behnken響應面設(shè)計結(jié)果 以單因素試驗為基礎(chǔ)，選取乙醇濃度（A）、液料比（B）、提取時間（C）、提取溫度（D）為因素，進行Box-Behnken響應面設(shè)計，按照四因素三水平分別稱取藥材50 g，共運行試驗30次，因素及水平和實驗結(jié)果見表2、3。

表2 Box-Behnken實驗設(shè)計的因素及水平Tab.2 Factors and levels of Box-Behnken experimental design

2.9 LS-SVM優(yōu)化滌痰湯提取工藝結(jié)果

2.9.1 模型的仿真及參數(shù)尋優(yōu)結(jié)果 通過Box-Behnken響應面設(shè)計得到30組實驗數(shù)據(jù)。 以30行4列的輸入變量矩陣和30行1列的輸出變量矩陣替代原本30行5列的數(shù)據(jù)矩陣，導入Matlab 2015b軟件（因素水平值代替輸入變量）。 為了更容易正確收斂得到最優(yōu)解，對樣本數(shù)據(jù)進行歸一化處理，再用Matlab 2015b軟件編程以及LS-SVM建模，同時采用RBF函數(shù)，最后采用交叉驗證方法得到最優(yōu)核參數(shù)g為2.5， 最優(yōu)懲罰因子C為1.5。 見圖3。

圖3 最優(yōu)參數(shù)結(jié)果圖Fig.3 Result graph of optimal parameters

2.9.2 預測結(jié)果及分析 得到最優(yōu)核參數(shù)和懲罰因子 后， 重 新 利 用LS-SVM 模 型， 可 以 得 到30 組Box-Behnken Design分析方案的主要成分總提取量預測值。 見表4。

表4 LS-SVM模型的指標成分總提取量預測值Tab.4 Predicted value of total extraction amount of index components of LS-SVM model （mg·5g-1）

利用均方誤差 （mean-square error，MSE） 評估LS-SVM模型性能，公式如下：

表3 Box-Behnken實驗設(shè)計及結(jié)果Tab.3 Box-Behnken experimental design and results

其中，n表示數(shù)據(jù)集組數(shù)，yi表示LS-SVM預測值，表示實際值。

最后將30組實際值和預測值代入上述公式計算得MSE=23.88，得到實驗數(shù)據(jù)和模型預測數(shù)據(jù)分析對比圖。見圖4。表明30組實際和預測的總提取量都很接近，進一步表明模型仿真成功，擬合接近實際試驗數(shù)據(jù)，預測效果可信。

圖4 實驗數(shù)據(jù)和模型預測數(shù)據(jù)分析對比圖Fig.4 Comparison chart of experimental data and model prediction data analysis

2.9.3 模型的條件尋優(yōu)及結(jié)果預測 根據(jù)Box-Behnken響應面實驗結(jié)果結(jié)合制劑工藝實際， 通過Matlab 2015b軟件梯度增設(shè)88組待預測數(shù)據(jù)集，利用LS-SVM模型進行最優(yōu)條件的預測。 最終得到最優(yōu)的提取條件是：乙醇濃度55%、液料比10:1（mL·g-1）、提取時間88 min、提取溫度65 ℃，在此最優(yōu)條件下預測指標成分總提取量為166 mg·5g-1。

2.9.4 滌痰湯最優(yōu)提取條件的工藝驗證結(jié)果 按照模型預測的最優(yōu)提取工藝進行5次平行試驗，測定5種成分辛弗林、橙皮苷、新橙皮苷、α-細辛醚、β-細辛醚的總提取量平均值為166.958 mg·5g-1（RSD值為0.28%）。見表5。 與預測值166 mg·5g-1比較， 相對誤差為0.57%，說明實驗值與預測值吻合度高，預測的滌痰湯最優(yōu)提取工藝真實、可信。

表5 按照優(yōu)化工藝進行的5次平行試驗結(jié)果Tab.5 Results of 5 parallel tests carried out according to the optimized process （n=5， mg·5g-1）

3 討論

古代經(jīng)方作為中醫(yī)處方的典型代表，是中醫(yī)藥傳承的重要手段，也是中醫(yī)學代代相傳的歷史瑰寶。 近年來，有關(guān)中藥提取工藝的研究逐漸增多，但多以單味藥為主。眾所周知，中藥中多組分配伍、多種有效成分的相互作用才是其發(fā)揮藥效的根本，這使得中藥成分研究與臨床復方用藥實際脫節(jié)，違背了中藥研究的整體性思想[26]。 因此，探索復方的提取工藝優(yōu)化十分有必要。新版的中藥新藥注冊辦法分四類進行注冊申報，分別是中藥創(chuàng)新藥、中藥改良型新藥、古代經(jīng)典名方中藥復方制劑、同名同方藥。 結(jié)合現(xiàn)代中藥制劑工藝申報對質(zhì)量標準建立的規(guī)范性要求，需要根據(jù)藥效指標成分開展中藥復方制劑工藝的全面研究。滌痰湯作為傳統(tǒng)經(jīng)方，現(xiàn)可考其源于溫膽湯和導痰湯，方中半夏、竹茹、枳實、橘紅燥濕降氣化痰、清熱除煩；膽南星善化風痰；石菖蒲具有豁痰開竅、醒神定志之效；茯苓、甘草補氣滲濕，使?jié)駸o所聚，痰無所生，以固其本， 凡痰濁閉阻、 氣機失暢所致的疾病均適用此方[1]。 經(jīng)歷代醫(yī)學名家朱丹溪、汪昂、沈金鰲等的加減應用和演化，擴大了該方臨床應用范圍[27]，但其作用機制及藥效物質(zhì)基礎(chǔ)還未深入研究，迫切需要基于中醫(yī)整體思維明確其療效物質(zhì)，同時對其有效物質(zhì)提取工藝進行優(yōu)化。本研究引用了現(xiàn)代數(shù)學建模的思路方法，可用于滌痰湯以及其他經(jīng)典名方中藥復方制劑的開發(fā)研究，有助于建立制劑質(zhì)量標準。

響應面設(shè)計是一種運用廣泛的試驗設(shè)計優(yōu)化方法，大大減少試驗次數(shù)，直接考察影響因素之間的交互作用[28]。 Box-Behnken響應面設(shè)計在中藥提取方面的應用已較為普遍，能有效優(yōu)化工藝條件，提高生產(chǎn)效益。 但響應面優(yōu)化法也存在其局限性，當變量個數(shù)比較多以及模型存在很強的非線性時，尋找合適的優(yōu)化設(shè)計會非常困難[29]。 所以在使用響應面設(shè)計之前，必須確定合理的影響因素與水平，設(shè)計的實驗點應包括最佳實驗條件，這就對前期數(shù)據(jù)提出較高要求。 本研究考察了乙醇濃度、液料比、提取時間、提取溫度以及提取次數(shù)對有效成分總提取量的影響， 結(jié)果表明乙醇濃度、液料比、提取時間和提取溫度對提取效果的影響更為顯著，同時得到了因素的最優(yōu)水平。以單因素實驗為基礎(chǔ)， 四因素三水平為實驗點， 利用Box-Behnken響應面設(shè)計有效運行實驗30次。

LS-SVM模型能將小數(shù)量樣本、高維度等特征問題有效分類[30]，降低復雜度，增加求解速度，預測能力強、精度高，在回歸估計、模式識別、控制理論以及非線性預測等方面運用廣泛[31]。RBF函數(shù)具有良好的泛化能力和較快的學習收斂能力， 可將多維問題轉(zhuǎn)化為一維問題[32]。 MSE被用來反映估計量與被估計量之間的差異程度，值越小，說明模型擬合的精確度越高。本研究在單因素實驗和Box-Behnken響應面設(shè)計基礎(chǔ)上，將實驗結(jié)果聯(lián)合LS-SVM模型，同時采用RBF函數(shù)， 分析預測滌痰湯的提取工藝。 結(jié)果提示MSE=23.88，表明擬合效果良好，進一步預測最優(yōu)提取條件為：乙醇濃度55%、液料比10:1（mL·g-1）、提取時間88 min、 提取溫度65 ℃，5種指標成分總提取量實驗值與預測值相對誤差為0.57%， 證明該模型真實、可信。

LS-SVM模型因其顯著優(yōu)勢成為繼神經(jīng)網(wǎng)絡(luò)之后的研究熱點，但其在中藥提取方面的運用還有待于進一步研究。 本研究通過Box-Behnken響應面設(shè)計聯(lián)合LS-SVM模型預測，優(yōu)化了滌痰湯的制劑提取工藝，經(jīng)驗證分析其具有較好的擬合預測效果。本研究結(jié)果為滌痰湯的開發(fā)奠定了較好的基礎(chǔ)，有助于深入研究滌痰湯及其制劑的作用機制，同時也證實Box-Behnken響應面設(shè)計聯(lián)合LS-SVM模型在優(yōu)化中藥復方制劑提取工藝上具有較好的有效性、實用性，為中藥新藥開發(fā)、制劑工藝研究提供了創(chuàng)新性方法。

參考文獻：References:

[1] 康蕾，楊仁義，陳思肴，等.《奇效良方》辨治中風病學術(shù)思想探析[J].中國中醫(yī)急癥，2020，29（6）:1095-1097，1117.KANG Lei， YANG Renyi， CHEN Siyao， et al. A brief analysis of the academic thought of differentiating and treating stroke in Miraculous Prescriptions[J].J Emerg Tradit Chin Med，2020，29（6）:1095-1097，1117.

[2] 崔海，王可.滌痰湯治療中風病的研究進展[J].中醫(yī)藥導報，2010，16（6）:131-133.CUI Hai， WANG Ke. Ditan decoction advances in the treatment of stroke[J].Guid J Tradit Chin Med Pharm，2010，16（6）:131-133.

[3] 孟繁霞，王愛雨，王貴卿.滌痰湯加減治療中風病103例[J].山東中醫(yī)雜志，2002，21（9）:531-532.MENG Fanxia， WANG Aiyu， WANG Guiqing. 103 cases of apoplexy treated by Ditan Decoction[J].Shandong J Tradit Chin Med，2002，21（9）:531-532.

[4] 黃侃，陳眉，裘濤，等.滌痰化瘀湯防治急性腦卒中后抑郁的臨床研究[J].上海中醫(yī)藥雜志，2011，45（11）:51-53，59.HUANG Kan， CHEN Mei， QIU Tao， et al. Clinical research on “Ditan Huayu Decoction” in preventing and treating post-stroke depression[J].Shanghai J Tradit Chin Med，2011，45（11）:51-53，59.

[5] 鄭素玉.滌痰湯對血管性癡呆患者認知水平及血同型半胱氨酸的影響[J].按摩與康復醫(yī)學，2020，11（12）:52-54.ZHENG Suyu. Effects of Ditan Decoction on cognitive level and blood homocysteine in patients with vascular dementia[J].Chin Manip Rehabil Med，2020，11（12）:52-54.

[6] 張瑞娟，任勝洪，石燕芳，等.加味滌痰湯治療頸動脈粥樣硬化合并痰瘀互結(jié)型高脂血癥的臨床研究[J].中西醫(yī)結(jié)合心腦血管病雜志，2020，18（11）:1752-1756.ZHANG Ruijuan， REN Shenghong， SHI Yanfang， et al.Clinical study on Jiawei Ditan Decoction in the treatment of carotid atherosclerosis complicated with phlegm and blood stasis type hyperlipidemia[J].Chin J Integr Med Cardio-/Cerebrovasc Dis，2020，18（11）:1752-1756.

[7] 沈海霞，李應宏，郝文婕，等.解毒祛瘀滌痰湯聯(lián)合化療治療非小細胞肺癌患者臨床效果觀察[J].內(nèi)科，2020，15（4）:383-386.SHEN Haixia， LI Yinghong， HAO Wenjie， et al.Observation on the clinical effect of Jiedu Quyu Ditan decoction combined with chemotherapy for treating patients with non-small cell lung cancer[J].Intern Med，2020，15（4）:383-386.

[8] 周倩倩.清熱滌痰湯輔助治療呼吸機相關(guān)性肺炎32例[J].中醫(yī)研究，2020，33（7）:22-24.ZHOU Qianqian. Adjuvant treatment of 32 cases of ventilator-associated pneumonia with Qingre Ditan decoction[J].Tradit Chin Med Res，2020，33（7）:22-24.

[9] 陳芳芳，唐艷，李海峰.滌痰湯加減治療痰濁瘀阻證青年急性缺血性腦卒中的療效及對認知功能的影響[J].中西醫(yī)結(jié)合心腦血管病雜志，2021，19（12）:1980-1983.CHEN Fangfang， TANG Yan， LI Haifeng. Effect of modified Ditan Decoction on acute ischemic stroke in youths with phlegm turbidity and stasis syndrome and its effect on cognitive function[J].Chin J Integr Med Cardio-/Cerebrovasc Dis，2021，19（12）:1980-1983.

[10] 仇衛(wèi)鋒，雒軍強.瓜蔞薤白半夏湯合滌痰湯加減治療痰濁閉阻型冠心病心絞痛的效果及對氧化應激指標、ET-1、NO、cTnI、VWF水平的影響[J].臨床醫(yī)學研究與實踐，2021，6（29）:150-152.QIU Weifeng， LUO Junqiang. Effect of modified Gualou Xiebai Banxia decoction and Ditan decoction on angina pectoris of coronary heart disease with phlegm-turbid obstruction type and its influences on oxidative stress indexes， ET-1， NO， cTnI and vWF levels[J].Clin Res Pract，2021，6（29）:150-152.

[11] 梅鮮鮮，李正富，杜羽，等.范永升教授滌痰開竅法治療系統(tǒng)性紅斑狼瘡腦病[J].浙江中醫(yī)藥大學學報，2020，44（3）:255-258.MEI Xianxian， LI Zhengfu， DU Yu， et al. Professor FAN Yongsheng's treatment of systemic lupus erythematosus encephalopathy with eliminating phlegm and resuscitat[J].J Zhejiang Chin Med Univ，2020，44（3）:255-258.

[12] 倪璐，蔣濤，張聞東，等.滌痰湯加減配合針刺治療卒中后吞咽障礙痰瘀阻絡(luò)證的臨床療效[J]. 中國實驗方劑學雜志，2021，27（18）:101-106.NI Lu， JIANG Tao， ZHANG Wendong， et al. Clinical effect of modified Ditan Tang combined with acupuncture on syndrome of phlegm and blood stasis blocking collaterals of dysphagia after apoplexy[J].Chin J Exp Tradit Med Form，2021，27（18）:101-106.

[13] 陳志遠，田光輝.辛弗林的制備方法及藥理作用研究進展[J].江蘇調(diào)味副食品，2019（1）:14-16.CHEN Zhiyuan， TIAN Guanghui. Preparation methods and pharmacological effects of Synephrine[J].Jiangsu Condi Subs Food，2019（1）:14-16.

[14] 謝琪，吳逸群，雷敏.新橙皮苷的體內(nèi)外糖脂代謝調(diào)節(jié)作用與影響機制分析[J].科學養(yǎng)生，2020，23（1）:282，288.XIE Qi， WU Yiqun， LEI Min. Analysis of the regulatory effect and influence mechanism of Neohesperidin on glucose and lipid metabolism in vitro and in vivo[J].Regimen，2020，23（1）:282，288.

[15] 曹銘希.陳皮中橙皮苷的提取及其藥理活性的研究進展[J].中國醫(yī)藥指南，2012，10（12）:452-454.CAO Mingxi. Research progress on extraction of hesperidin from Pericarpium Citri Reticultae and its pharmacological activity[J].Guid China Med，2012，10（12）:452-454.

[16] 劉家欣，王丹，劉森，等.α-細辛醚和β-細辛醚在心腦血管病中的作用及機制研究進展[J].現(xiàn)代生物醫(yī)學進展，2019，19（9）:1797-1800.LIU Jiaxin， WANG Dan， LIU Sen， et al. Research progress of the effects and mechanisms of alpha-asarone and beta-asarone in cardio-cerebrovascular diseases[J].Prog Mod Biomed，2019，19（9）:1797-1800.

[17] SEHRA S K， BRAR Y S， KAUR N， et al. Software effort estimation using FAHP and weighted kernel LSSVM machine[J].Soft Comput，2019，23（21）:10881-10900.

[18] 邱忠超，張衛(wèi)民，高玄怡，等.基于PSO-LSSVM的疲勞裂紋漏磁定量識別技術(shù)[J].北京理工大學學報，2018，38（11）:1101-1104，1140.QIU Zhongchao， ZHANG Weimin， GAO Xuanyi， et al.Quantitative identification of magnetic flux leakage of fatigue crack based on PSO-LSSVM[J].Trans Beijing Inst Technol，2018，38（11）:1101-1104，1140.

[19] YU P， LI Q， FENG Y M， et al. Extraction and analysis of six effective components in Glycyrrhiza uralensis Fisch by deep eutectic solvents (DES) combined with quantitative analysis of multi-components by single marker(QAMS) method[J].Molecules，2021，26（5）:1310.

[20] 于鳳琳，袁丹，陳宇，等.高效液相色譜法同時測定牡蒿葉中4 個綠原酸類成分含量[J]. 浙江中醫(yī)藥大學學報，2021，45（6）:675-684.YU Fenglin， YUAN Dan， CHEN Yu， et al. Simultaneous determination of four chlorogenic acids in Artemisia Japonica Thunb. leaves by HPLC[J].J Zhejiang Chin Med Univ，2021，45（6）:675-684.

[21] 李紹林，王光明，顏仁梁，等.石菖蒲揮發(fā)油SFE-CO2萃取工藝的優(yōu)化[J].中成藥，2017，39（7）:1518-1521.LI Shaolin， WANG Guangming， YAN Renliang， et al.Optimization of SFE-CO2extraction process for volatile oil of Acorus calamus[J].Chin Tradit Pat Med，2017，39（7）:1518-1521.

[22] 徐坤勇，郭建忠，顏娟，等.響應曲面法優(yōu)化敗毒散提取工藝[J].中國現(xiàn)代中藥，2021，23（11）:1975-1981.XU Kunyong，GUO Jianzhong，YAN Juan， et al. Response surface methodology for optimization of extraction process of Baidu San[J].Mod Chin Med，2021，23（11）:1975-1981.

[23] 張璐，范杰平，曹婧，等.響應面法優(yōu)化枳實中辛弗林的超聲輔助提取工藝[J].食品科學，2011，32（14）:1-5.ZHANG Lu， FAN Jieping， CAO Jing， et al. Optimization of ultrasound -assisted extraction process for synephrine from Citrus aurantium fruit by response surface methodology[J].Food Sci，2011，32（14）:1-5.

[24] 張啟龍，韓耀圖，龔寧，等.基于LS-SVM的渤海油田防砂設(shè)計優(yōu)化方法研究[J].石油機械，2021，49（1）:110-117.ZHANG Qilong， HAN Yaotu， GONG Ning， et al. Optimization of sand control in Bohai oilfield based on LSSVM[J].China Petrol Mach，2021，49（1）:110-117.

[25] 黃昊，胡永峰.基于采樣點局部密度的徑向基函數(shù)核寬度確定方法及其在裝備設(shè)計中的應用范例[J].軍事運籌與系統(tǒng)工程，2016，30（4）:58-64.HUANG Hao， HU Yongfeng. Radial basis function kernel width determination method based on local density of sampling points and its application example in equipment design[J].Military Oper Res Syst Eng，2016，30（4）:58-64.

[26] 劉文龍，趙靖，李原華，等.中藥宏觀質(zhì)量的評價與控制理論體系的建立與應用研究[J].中草藥，2021，52（3）:613-620.LIU Wenlong， ZHAO Jing， LI Yuanhua， et al. Study on establishment and application of evaluation and control theory system of holistic quality of traditional Chinese medicine[J].Chin Tradit Herb Drug，2021，52（3）:613-620.

[27] 丁瑞叢，楊怡然，劉玲，等.滌痰湯源流探析[J].中國中醫(yī)基礎(chǔ)醫(yī)學雜志，2018，24（3）:308-309，314.DING Ruicong， YANG Yiran， LIU Ling， et al. Analysis of the origin of Ditan Decoction[J].J Basic Chin Med，2018，24（3）:308-309，314.

[28] 李莉，張賽，何強，等.響應面法在試驗設(shè)計與優(yōu)化中的應用[J].實驗室研究與探索，2015，34（8）:41-45.LI Li， ZHANG Sai， HE Qiang， et al. Application of response surface methodology in experiment design and optimization[J].Res Explor Lab，2015，34（8）:41-45.

[29] 王永菲，王成國.響應面法的理論與應用[J].中央民族大學學報（自然科學版），2005，14（3）:236-240.WANG Yongfei， WANG Chengguo. Theory and application of response surface method[J].J CUN(Nat Sci Edit)，2005，14（3）:236-240.

[30] 蔡力鋼，李海波，楊聰彬，等.基于改進VMD和自適應BSA優(yōu)化LS-SVM的刀具磨損狀態(tài)監(jiān)測方法[J].北京工業(yè)大學學報，2021，47（1）:10-23.CAI Ligang， LI Haibo， YANG Congbin， et al. Tool wear state recognition model based on modified variational mode decomposition and LS-SVM with the adaptive backtracking search algorithm[J].J Beijing Univ Technol，2021，47（1）:10-23.

[31] 張偉，吳丹，李小奇，等.基于最小二乘支持向量機的大壩應力預測模型[J].水利與建筑工程學報，2011，9（1）:26-29.ZHANG Wei， WU Dan， LI Xiaoqi， et al. Dam's stress prediction model based on LS-SVM method[J].J Water Resour Archit Eng，2011，9（1）:26-29.

[32] 王凱迪，李迪，冷楊松，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的車門結(jié)構(gòu)多目標優(yōu)化[J].山東理工大學學報（自然科學版），2021，35（2）:77-82.WANG Kaidi， LI Di， LENG Yangsong， et al. Multi-objective optimization of door structure based on RBF neural network model[J].J Shandong Univ Technol(Nat Sci Edit)，2021，35（2）:77-82.