[发明专利]利用近红外光谱技术快速检测中药药材指标性成分含量的方法

摘要

本发明涉及利用近红外光谱技术快速检测中药药材指标性成分含量的方法，可实现中药材综合质量的快速检测问题，其解决的技术方案是，首先建立校正模型，方法是收集中药材样本作为校正集样本，采集样本的近红外漫反射光谱，并对所得光谱进行预处理，然后用常规方法中与样品相对应的检测方法测得其指标性成分含量，将图谱与指标性成分含量相结合，采用适合于中药成分分析的化学计量学方法建立定量分析模型，将待测样品粉碎后扫描其近红外光谱图，将图谱输入定量分析模型，即可测得该中药材中指标性成分的含量，整个过程所需时间短、速度快、准确，可在线测量，提高生产效率，大大节省了人力和物力，能产生巨大经济和社会效益。

主权项

一种利用近红外光谱技术快速检测中药药材指标性成分含量的方法，其特征在于，由以下步骤实现：1)收集样本：即收集不同产地、不同品种、不同采收时间的中药材样本；2)采集样本光谱：将收集到的中药材样本分别干燥、粉碎，过24‑100目筛，取5g过筛后的中药材样本粉末，放入石英样本杯中，混合均匀，轻轻压平，在室温下用Nicolet 6700型近红外光谱仪进行扫描，采集所有样本的近红外光谱，每个样本平均分成两份，每份重复扫描三次，取平均值为吸收值，获得中药材样本集的近红外光谱，其中一大部分样本作为校正集样本，用于建立近红外光谱校正模型，另一部分作为检验集样本，用以检验模型的预测结果；3)样本光谱预处理：A、平滑处理：受各种因素的影响，近红外光谱仪所测得的光谱数据不可避免地伴随着随机误差和噪声，得到往往是一条不光滑的曲线，平滑可以降低高频随机噪声，方法是用平均窗口平滑方法、中位值平滑方法、Savitsky‑Golay平滑方法的一种将各数据点的值按权重在自身和临近点重新分配，得到较光滑的曲线；B、导数处理：对中药材样本扫描时，由于制样条件和仪器参数对光谱的影响，谱图可能发生光谱基线的线性平移、线性倾斜，随着波数的变小差谱值规律上升，以及图谱的其它变形，用导数法消除信号中含有的低频背景和常数项，降低高次项的幂次，从而使高频信号显现出来，其中，一阶导数法以消除光谱基线的线性平移，二阶导数法以消除光谱基线的线性倾斜；C、散射校正法：在近红外漫反射光谱分析中，测量对象的固体颗粒度、晶形等物理性质的不同，也会导致谱图的差异，用多元散射校正MSC消除由于样品表面性质差异和颗粒尺寸大小不同带来的光谱漂移；D、矢量归一化法：近红外光谱仪器的本底光谱的频率‑强度响应曲线应该为矩形曲线，即各频率处的光强都相等，在这种情况下测得的吸收光谱将真实的反映物质的吸收特性，但实际上这是不存在的，因为受各种因素影响，光谱响应曲线远不是一个矩形，因此光谱仪测得的光谱需要进行归一化处理，使测得的各光谱带的相对强度与真实光谱带的相对强度一致，方法是在样本室中不放置任何样本，首先测定一个本底光谱M，再测定样本的光谱N，然后N除以M，得到归一化的样本图；4)模型的建立：首先，用标准分析方法测定样本中指标性成分的含量，然后，将含量数据同其预处理后的近红外光谱相结合，采用偏最小二乘回归PLS方法对光谱进行分析，建立近红外光谱校正模型：方法是：先把浓度矩阵和光谱矩阵分解成载荷矩阵和得分矩阵，然后做主成分分析，滤除光谱矩阵和浓度矩阵中的噪声，最后，利用回归分析求出关联系数矩阵，并将浓度矩阵信息引入光谱矩阵分解过程中，在计算一个新成分之前，将浓度得分矩阵和光谱得分矩阵进行交换，使光谱矩阵主成分和浓度矩阵关联，其关联式为：A＝TP+E，其中A为光谱矩阵主成分吸收值矩阵，T为A矩阵的得分矩阵，P为A矩阵的载荷矩阵，E为系统模型不能解释的随机误差矩阵；各样本中各组分浓度数据构成浓度矩阵C：C＝UQ+F，其中U为C矩阵的得分矩阵，Q为C矩阵的载荷矩阵，F为系统模型不能解释的随机误差矩阵；U＝TB，B为一对角矩阵：C＝TB Q+F，对于未知样本，由未知样本的矩阵A未知利用A＝TP的关系及其在校正步骤中存储的P，算出T未知，继而与校正步骤中存储的B求出U，由存储的Q，求出C未知；5)检验集样本，评价模型，扫描检验集样本的近红外图谱，将该图谱输入所建立的定量分析模型，即可预测出检验集样本的指标性成分含量，与用标准方法测得之值进行比较，来评价模型，评价参数如下：(1)内部交叉验证决定系数R2： R 2 = 1 - Σ ( Ci - Ci ′ ) 2 Σ ( Ci - Cm ) 2 R2越接近1，表示校正模型的预测值与标准对照方法分析值之间的相关性越强；(2)交叉检验误差均方根为： RMSECV = Σ ( Ci ′ - Ci ) 2 n - p 该值表示预测值与实际值间的偏差，RMSECV愈小，模型的预测精度愈高；(3)预测误差均方根RMSEP为： RMSEP = Σ ( Ci ′ - Ci ) 2 m 上述各式中：Ci为标准分析方法测量值；Ci’为通过NIR校正模型的预测值；Cm为Ci均值；n为校正集样本数；p为主成分数，即Rank值；m为检验集样本数；6)分析未知样本：采集未知样本的近红外光谱，用建立的近红外光谱校正模型预测出该未知样本中指标性成分的含量。