CN101961379B - 丹参的近红外光谱鉴别方法 - Google Patents

Abstract

本发明公开了一种丹参的近红外光谱鉴别方法，属于中医药研究技术领域。本发明方法包括：a)采集设定批次的正品丹参、设定批次的伪品丹参和待鉴别样品的近红外光谱；b)根据所述正品丹参和伪品丹参的近红外光谱通过马氏距离结合主成分分析的判别分析方法建立鉴别模型；c)将所述待鉴别样品的近红外光谱输入所述鉴别模型得到所述待鉴别样品是否为正品丹参的定性鉴别结果。所述正品丹参包括产自陕西、山东、四川、和河北的丹参各19-50批次。所述伪品丹参包括产自四川的续断、产自中国的牛蒡根、和产自甘肃的甘西鼠尾各5-11批次。本发明方法可用于丹参药材真伪的鉴别，具有操作简便、快速，结果准确且无污染的优点。

Description

丹参的近红外光谱鉴别方法

技术领域

本发明涉及丹参，尤其涉及一种基于近红外光谱技术的丹参鉴别方法。属于中医药研究技术领域。

背景技术

丹参Salvia miltiorrhiza Bge为唇形科(LabiaTae)鼠尾草(Salvia)属植物，是常用中药之一。药用其根，因其根皮赤而肉紫，且形状似参而得名“丹参”。丹参作为传统中药在我国沿用已久，具有祛淤止痛、活血通经、清心除烦之功效。随着丹参制剂的不断研究开发和利用，丹参需求量逐渐增加。近两年来在中药材市场上出现了大量的丹参伪品，且性状与正品极为相似。

目前丹参及其伪品的鉴别主要采用经验鉴别和理化鉴别的方法(杨宏.韩树欣.丹参的鉴别[J].时珍国医国药.2004，15(7)：417；曹珍.谢晓亮.丹参的不同鉴别方法[J].时珍国医国药.2007，18(8)：1861-1863；张军伟.白明.丹参及其伪品的鉴别[J].河南中医学院学报.2004，19(1)：32.)。

经验鉴别方法需要鉴定人员具有丰富的药材知识以及多年的实际鉴别经验，即使知识和技能达到要求，鉴别结果也存在着极大的偶然性和人为因素。

对于理化方法鉴别，不仅耗用时间长、操作复杂，还会用到大量有机试剂，造成环境污染。

发明内容

本发明的目的在于克服现有技术中存在的问题，提供一种基于近红外光谱技术的高效可靠的丹参鉴别方法。

具体来说，本发明方法包括：

a)采集设定批次的正品丹参、设定批次的伪品丹参和待鉴别样品的近红外光谱；

b)根据所述正品丹参和伪品丹参的近红外光谱通过马氏距离结合主成分分析的判别分析方法建立鉴别模型；

在多元统计的判别分析中，常采用马氏距离来判别样本点的类别归属，马氏距离是广义平方距离的一种，以多元正态分布理论为基础，有效地考虑了均值、方差、协方差三个参数，是一个能够全面描述总体多元结构的综合指标；

主成分分析是对多变量数据进行统计处理的一种数据线性投影方法，它在尽可能保留原有信息的基础上将高维空间中的样本映射到较低维的主成分空间中，其基本思路是以一种最优化方法浓缩数据信息，揭示结构特征；

本发明方法通过主成分分析法在降低维数的同时充分提取光谱图中的有效信息，再利用马氏距离法判别样本的类别归属。

c)将所述待鉴别样品的近红外光谱输入所述鉴别模型得到所述待鉴别样品是否为正品丹参的定性鉴别结果。

在本步骤中，所述鉴别模型根据待鉴别样品的近红外光谱提供的信息计算出该未知样品到正品丹参和到伪品丹参间的马氏距离，并将与其马氏距离相对较近的类别判定为未知样品的类别归属。

在本发明方法中，步骤b优选通过TQ Analyst软件以设定的主成分数建立鉴别模型。所述主成分数优选为15-25。

本发明方法优选在上述步骤a之前对所述正品丹参、伪品丹参和待鉴别样品进行预处理，比如，在55-65℃的温度下烘干6-8小时，粉碎后用60目标准药筛筛选。

本发明方法还优选在上述步骤b之前对所述正品丹参、伪品丹参和待鉴别样品的近红外光谱进行预处理，所述预处理为多重散射校正结合一阶微分和Norris平滑处理。

为了更好地建立鉴别模型，本发明方法优选使用包括下列成分的正品丹参：产自陕西的丹参、产自山东的丹参、产自四川的丹参、和产自河北的丹参各19-50批次。本发明方法优选使用包括下列成分的伪品丹参：产自四川的续断、产自中国的牛蒡根、和产自甘肃的甘西鼠尾各5-11批次。本发明方法所称的“批次”是本领域常用的一个技术术语，不同“批次”的药材之间的区别体现在：产地(即生长环境)、采收时间、贮存时间、到货入库时间等。

为了提高模型的稳定性，在本发明方法中，每个批次的正品丹参或伪品丹参均优选包括4-50份，所述正品丹参或伪品丹参的近红外光谱均为所述4-50份丹参的等质量比均匀混合物的近红外光谱，即，在光谱采集前，对同一批次的4-50份丹参作混合处理，混合方法可采用本领域公知的常规方法。

在光谱的采集过程中，本发明方法优选通过近红外光谱仪漫反射光纤附件在下列条件下采集近红外光谱：扫描范围10000-4000cm^-1，扫描次数32次，分辨率8cm^-1。

就本方法而言，其核心要素包括下列几方面：

1.主成分数的选择

主成分数是建立模型过程中最核心的参数之一。主成分分析的中心目的是将数据降维，将原变量进行转换，使少数几个新变量成为原变量的线性组合。同时这些变量要尽可能多地表征原变量的数据特征而不丢失信息。经转换得到的新变量互不相关，可消除相互重叠的信息部分。如果使用的主成分数过多，会包括过多的测量噪音而使模型的预测能力下降；主成分数过少，则会丢失原始光谱中较多的有用信息，降低了模型的预测准确度。

本发明发明人经过研究发现，在本发明的丹参建模过程中，主成分数优选在15-25之间。

2.用于建模的正伪品丹参的批次选择

为了使建成的模型具有广泛的代表性，正伪品丹参批次的选择较为重要。在产地选择方面，应尽可能覆盖全部丹参产地特别是主产区。即使同一产区不同的县、镇，样品性质也会有微小差异，对最终模型的鉴别成功率产生影响。在批次数量选择方面，本发明发明人经过研究发现，根据化学计量学算法的需要，正品丹参每个产地至少收集样品19-50批次，伪品丹参每个产地至少收集样品5-11批次，以保证从样品中所提取的有效信息的代表性。

3.光谱的预处理

由于存在样品不均匀、光散射等干扰以及近红外仪器自身的随机噪音，故应采用合理的光谱预处理方法以消除噪音、降低样品表面不均匀和色差等因素影响，提高模型的预测精度和稳定性。本发明优选多重散射校正(Multiplicative Scatter Calibration，MSC)结合一阶微分(First Derivative)和Norris平滑处理对样品光谱在全谱区范围内进行预处理，可有效地消除基线漂移，能更为细致的反映不同样品之间的信息差异。

和现有技术相比，本发明方法的优势在于：

本发明基于近红外光谱技术鉴别丹参药材真伪的方法操作简便、快速，结果准确且无污染，是对丹参药材及其伪品鉴别方法的有益补充，也是药材分析的一个新的发展方向。漫反射探头作为近红外检测仪的附件，通过开发其药材质量鉴别功能，扩展了近红外技术在中药领域的应用，促进了制药工业的现代化进程。

附图说明

图1是正品丹参的近红外光谱图；

图2是伪品丹参(甘西鼠尾)的近红外光谱图；

图3是伪品丹参(牛蒡根)的近红外光谱图；

图4是伪品丹参(续断)的近红外光谱图；

图5是丹参及其伪品的区分图，其中“□”表示正品丹参，“△”表示伪品丹参。

具体实施方式

下面通过实施例结合附图对本发明作进一步描述。

实施例1

本实施例通过289批次正品丹参及其常见伪品包括续断、牛蒡根和甘西鼠尾的近红外光谱图，结合化学计量学手段，建立了一种新的丹参鉴别模型，经验证，该模型的鉴别效果良好。

1.仪器与材料

1.1仪器

Antaris傅里叶变换近红外光谱仪(美国Thermo Fisher公司)，SabIR漫反射光纤探头附件。软件：Result软件(美国Thermo Fisher公司)用于光谱的采集，TQ Analyst6.2软件(美国Thermo Fisher公司)用于光谱的预处理及算法的计算。

1.2样品来源

实验样品包括陕西等不同产地丹参药材以及续断、牛蒡根和甘西鼠尾等常见丹参伪品，样品来源情况见表1。所有样品均由天士力现代中药资源有限公司质检部鉴定。

表1.实施例1样品构成

2.方法

选取表1中289批样品中的239批次样品(第1-50号、61-110号、121-170号、181-205号、211-230号、236-258号、264-284号)组成校正集建立鉴别模型，其他50批次样品(第51-60号、111-120号、171-180号、206-210号、231-235号、259-263号、285-289号样品)组成验证集验证该模型的鉴别率。

2.1光谱的采集

将原料药材平均分成4份，每份取50克均匀混合，在55℃下烘干6小时，粉碎，过60目标准药筛。然后统一置入50ml标准取样瓶中，垫实，备用。

用Antaris近红外光谱仪的SabIR漫反射光纤附件采集实验样品的近红外光谱。光谱扫描条件：扫描范围10000-4000cm^-1，扫描次数32次，分辨率8cm^-1。

图1-4分别为丹参及其伪品的近红外光谱图。

2.2光谱的预处理

本实施例通过多重散射校正(Multiplicative Scatter Calibration，MSC)结合一阶微分(First Derivative)及Norris平滑处理对样品光谱在全谱区范围内进行预处理，可有效地消除基线漂移，能更为细致的反映不同样品之间的信息差异。

2.3模型的建立

本实施例以15作为主成分数建立鉴别模型。所得到的丹参及其伪品分布图见图5。从图中可以看出，丹参样品分布集中，说明光谱图的有效信息提取充分；而且丹参样品与伪品之间分布边界明确，无交叉重合现象。

2.4模型的验证

选取了第51-60号、111-120号、171-180号、206-210号、231-235号、259-263号、285-289号样品的近红外光谱作为验证集对优化后的校正集模型进行验证，检验模型的预测能力。模型根据光谱提供的信息计算出上述验证样品到正品丹参和到伪品丹参间的马氏距离，并将与其马氏距离相对较近且马氏距离小于3的类别判定为验证样品的类别归属。验证结果见表2。从表中可看出，模型的预测结果与实际结果完全一致，即模型的鉴别率为100％。

表2.实施例1鉴别结果

实施例2

本实施例采用和实施例1相同的仪器和方法建立模型并验证模型的鉴别率，样品的构成也如表1所示。本实施例和实施例1的区别仅在于：

1.本实施例采集光谱时，将原料药材平均分成50份，每份取10克均匀混合，在65℃下烘干8小时，粉碎，过60目标准药筛。然后统一置入50ml标准取样瓶中，垫实，备用。

2.本实施例以25作为主成分数建立鉴别模型。

用验证集验证得到的模型发现，该模型的鉴别率为100％。

实施例3

本实施例采用和实施例1相同的仪器和建模方法，区别仅在于样品的构成。本实施例的校正集中的正品丹参包括第1-50号、61-110号、121-170号样品，不包括样品号为181-205号的河北丹参；伪品丹参包括211-230号、236-258号、264-284号样品，和实施例1相同。验证集中的正品丹参包括第51-60号、111-120号、171-180号、181-210号，包括全部河北丹参样品；伪品丹参包括231-235号、259-263号、285-289号样品，和实施例1相同。

本实施例获得的模型的鉴别结果如表3所示，经计算，模型的鉴别率为96％。

表3.实施例3鉴别结果

实施例4

本实施例采用和实施例1相同的仪器和建模方法，区别仅在于光谱的预处理方法。在本实施例中，对采集的近红外原始光谱图仅进行一阶微分处理。最终获得的模型鉴别结果见表4，其鉴别率仅为88％。

表4.实施例4鉴别结果

实施例5

本实施例采用和实施例1相同的仪器和建模方法，区别仅在于，主成分数为10，模型的验证结果见表5，其鉴别率为94％。

表5.实施例5鉴别结果

Claims (6)

1.一种丹参的近红外光谱鉴别方法，包括：

a)采集设定批次的正品丹参、设定批次的伪品丹参和待鉴别样品的近红外光谱，并对所述正品单参、伪品丹参和待鉴别样品的近红外光谱进行多重散射校正结合一阶微分和Norris平滑处理的预处理；

b)根据所述正品丹参和伪品丹参的近红外光谱通过马氏距离结合主成分分析的判别分析方法建立鉴别模型，其中通过TQ Analyst软件以设定的主成分数建立鉴别模型，主成分数为15-25，所述正品丹参包括产自陕西的丹参、产自山东的丹参、产自四川的丹参各19-50批次；所述伪品丹参包括产自四川的续断、产自中国的牛蒡根、和产自甘肃的甘西鼠尾各5-11批次；

c)将所述待鉴别样品的近红外光谱输入所述鉴别模型得到所述待鉴别样品是否为正品丹参的定性鉴别结果。

2.如权利要求1所述的鉴别方法，其特征在于，在步骤a之前对所述正品丹参、伪品丹参和待鉴别样品进行预处理。

3.如权利要求3所述的鉴别方法，其特征在于，所述预处理包括：在55-65℃的温度下烘干6-8小时，粉碎后用60目标准药筛筛选。

4.如权利要求1所述的鉴别方法，其特征在于，所述正品丹参包括产自陕西的丹参、产自山东的丹参、产自四川的丹参、和产自河北的丹参各19-50批次。

5.如权利要求1所述的鉴别方法，其特征在于，每个批次的正品丹参或伪品丹参均包括4-50份，所述正品丹参或伪品丹参的近红外光谱均为所述4-50份丹参的等质量比均匀混合物的近红外光谱。

6.如权利要求1所述的鉴别方法，其特征在于，步骤a通过近红外光谱仪漫反射光纤附件在下列条件下采集近红外光谱：扫描范围10000-4000cm^-1，扫描次数32次，分辨率8cm^-1。

Images