CN102288572A - 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 - Google Patents

Abstract

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。

Description

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

一、技术领域

本发明涉及医药领域，特别是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。

二、背景技术

中药是我们中华民族的瑰宝，但由于其品种繁多，药材不同来源、产地、生长年限、采收季节、炮制加工方法尤其是人为制假、掺化学药等都影响着中药质量品质，使市场上流通的原药材有着真伪、优劣的不同；常规的质量评价方法样品处理过程复杂、检验过程繁琐、成本高、效率低，不能适应中药制药现代化发展的需要，且往往用单一指标成分来控制中药的质量，不能体现中药成分的复杂性和其整体内在质量；且现有检测手段多为离线检测，在生产中有滞后的缺点。这些都导致我国中药制药行业技术水平不高，生产过程缺乏可行的质量控制方法。

三、发明内容

针对上述情况，本发明之目的就是提供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，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(NIR)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。

四、具体实施方式

以下对本发明的具体实施方式作详细说明。

本发明是由以下步骤实现的，首先建立校正模型，校正模型经检验完善后，利用该模型来预测未知样本，具体是：

1)收集样本：即收集不同产地、不同品种、不同采收时间的有代表性的中药材样本。

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，采集所有中药材样本的近红外光谱，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，方法是用常用的平滑方法将各数据点的值按一定的权重在自身和临近点重新分配，得到较光滑的曲线，常用的平滑方法主要有：平均窗口(Moving Averages)平滑方法、中位值平滑方法、Savitsky-Golay平滑方法等。

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等对光谱的影响，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，导数法可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，一阶导数法可以消除光谱基线的平移，二阶导数法可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，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常用的一种方法；

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。方法是首先测定一个本底光谱(样本室中不放任何样品)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，可以算出T_未知，继而与校正步骤中存储的B求出U，由存储的Q，即可求出C_未知；

5)检验集样本，评价模型，扫描检验集样本近红外图谱，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：

$R^2=1-\frac{\mathrm{\Σ}{(\mathrm{Ci}-{\mathrm{Ci}}^{\′})}^2}{\mathrm{\Σ}{(\mathrm{Ci}-\mathrm{Cm})}^2}$

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(Root mean square error of cross validation)，RMSECV，表示为：

$\mathrm{RMSECV}=\sqrt{\frac{\mathrm{\Σ}{({\mathrm{Ci}}^{\′}-\mathrm{Ci})}^2}{n-p}}$

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(Root mean square error of prediction)，RMSEP，表示为：

$\mathrm{RMSEP}=\sqrt{\frac{\mathrm{\Σ}{({\mathrm{Ci}}^{\′}-\mathrm{Ci})}^2}{m}}$

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(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。

实施例1：

所说的中药药材为黄芩，其近红外光谱技术对黄芩指标性成分的含量测定由以下步骤实现：

(一)黄芩药材的近红外光谱采集

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，对选自不同产地、不同品种、不同采收季节的113份黄芩药材作为样本，进行扫描，得光谱数据，方法是：

将113份黄芩药材烘干后，粉碎过100目筛，取5g样本粉末放入石英样本旋转杯中，混合均匀，轻轻压平，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：40％～50％，采集每个样本的近红外光谱，每个样本平均取两份，每份重复扫描三次，取平均值为吸收值，得光谱数据；

(二)模型的建立与检验

1)、黄芩药材水分定量分析模型的建立与检验

A、波段的选择及预处理

通过TQ数据处理软件，用光谱预处理的多元散射校正+一阶导数法，对光谱进行波长优选，确定波长区间为8863.04～5393.21cm^-1；

B、水分含量的测定

采用《中国药典》一部附录IX H水分测定法中第一法(烘干法)进行测定。取黄芩药材粉末约2g，平铺于干燥至恒重的扁形称量瓶中，厚度不超过5mm，精密称定，打开瓶盖在105℃干燥5小时，将瓶盖盖好，移置干燥器中，冷却30分钟，精密称定，再在上述温度干燥1小时，冷却，称重，至连续两次称重的差异不超过5mg为止，根据减失的重量，计算供试品中含水量(％)。

C、建立黄芩药材水分定量分析模型：

选择113份黄芩样本中的100份样本作为校正集样本，将烘干法测得的水分含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立定量分析模型，确定最佳主成份数为8，经校正样本集进行内部交叉验证得RMSECV＝1.55，R²＝0.94；

D、模型的检验：

将113份黄芩样本中的13份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建黄芩药材水分定量分析模型，得到预测值，与用烘干法测得的值相比较，计算得RMSEP＝1.46；

2)、黄芩药材中黄芩素定量分析模型的建立与检验：

A、波段的选择及预处理

通过TQ数据处理软件对光谱进行波长(删除-进行)优选，确定波长区间为8232.80～4070.38cm^-1；光谱预处理方法为多元散射校正+二阶导数法。

B、黄芩素、汉黄芩素含量的测定

采用《中国药典》中记载的高效液相色谱法同时测定黄芩药材中黄芩素、汉黄芩素的含量：

色谱条件：Dikma-C18色谱柱(4.60mm×200mm，5μm)，柱温30℃，进样体积10μl，检测波长为277nm，以MeOH-0.4％H₃PO₄-CH₃CN溶剂系统梯度洗脱，梯度洗脱时间程序见表1：

表1  流动相梯度洗脱程序

对照品溶液的制备：分别称取黄芩素、汉黄芩素对照品，分别加甲醇制成每1ml溶液含黄芩素、汉黄芩素为250μg、120μg的溶液；吸取1ml置10ml容量瓶中，分别用甲醇配制成浓度为25μg/ml、12μg/ml的对照品溶液；

供试品溶液的制备：取样本细粉0.3g，加入甲醇50ml，功率250W、频率50kHz超声处理60分钟，放冷，滤过，滤液置100ml量瓶中，用少量甲醇分次洗涤容器和残渣，洗液滤入同一量瓶中，加甲醇至100ml刻度，摇匀，即得；

C、建立黄芩药材黄芩素定量分析模型：

选择113份黄芩样本中的100份样本作为校正集样本，将高效液相色谱法测得的黄芩素含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立定量分析模型，确定最佳主成份数为10，经校正样本集进行内部交叉验证得RMSECV＝0.26，R²＝0.93；

D、模型的检验：

将113份黄芩样本中的13份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建黄芩药材黄芩素定量分析模型，得到预测值，与用高效液相色谱法测得的值相比较，计算得RMSEP＝0.34；

3)、黄芩药材中汉黄芩素定量分析模型的建立与检验：

A、波段的选择及预处理

通过TQ数据处理软件对光谱波长优选，确定波长区间为9497.18～4099.92cm^-1；光谱预处理方法为多元散射校正+二阶导数法。

B、建立黄芩药材汉黄芩素定量分析模型：

选择113份黄芩样本中的100份样本作为校正集样本，将上述采用《中国药典》中记载的高效液相色谱法测得的汉黄芩素含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立定量分析模型，确定最佳主成份数为9，经校正样本集进行内部交叉验证得RMSECV＝0.35，R²＝0.95；

C、模型的检验：

将113份黄芩样本中的13份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建黄芩药材汉黄芩素定量分析模型，得到预测值，与用高效液相色谱法测得的值相比较，计算得RMSEP＝0.43。

实施例2：

所说的中药药材为连翘，其指标性成分含量近红外光谱法测定由以下步骤实现的：

(一)连翘药材的近红外光谱采集

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，来自全国不同产地、不同品种、不同采收季节的100份连翘药材作为样本，进行扫描，得光谱数据，方法是：

将100份连翘药材烘干后，粉碎过24目筛，取5g样本粉末放入石英样本旋转杯中，混合均匀，轻轻压平，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：35％，采集每个样本的近红外光谱，每个样本平均取两份，每份重复扫描三次，取平均值为吸收值，得光谱数据；

(二)连翘药材浸出物定量分析模型的建立与检验

1)、建模波段的选择及预处理

通过TQ数据处理软件，用光谱预处理的一阶导数法对光谱图进行波长优选，确定波长区间为4516.19-7058.19cm^-1；

2)、浸出物的含量测定

采用《中国药典》收载的冷浸法测定连翘药材中醇溶性浸出物含量，将连翘样本粉碎，取粉末4g，置250ml的锥形瓶中，加入质量浓度为65％乙醇100ml，密塞，冷浸，前6小时内时时振摇，再静置18小时，用干燥滤器迅速滤过，吸取滤液20ml，置已干燥的蒸发皿中，在水浴上蒸干后，于105℃干燥3小时，移至干燥器中，冷却30分钟，迅速称定重量，计算连翘样本中醇溶性浸出物的百分数；

3)、建立连翘药材浸出物定量分析模型：

选择100份连翘样本中的78份样本作为校正集样本，将冷浸法测得的醇溶性浸出物含量数据同其近红外光谱数据相结合，用偏最小二乘(PLS)回归方法建立定量分析模型，确定最佳主成份数为7，经校正样本集进行内部交叉验证得RMSECV＝1.78，R²＝0.96；

4)、模型的检验：

将100份连翘样本中的22份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建连翘药材浸出物定量分析模型，得到预测值，与用冷浸法测得的值相比较，来评价该定量分析模型；用检验集样本进行外部验证，得近红外光谱法预测值与冷浸法测定值之间的相关系数为0.97，RMSEP＝1.65；

实施例3：

所说的中药药材为山药，其近红外光谱技术对山药指标性成分的含量测定由以下步骤实现：

(一)山药药材的近红外光谱的采集：

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，收集来自不同品种、不同产地、不同采收季节的115份山药药材作为样本，进行扫描，得光谱数据，方法是：

将115份山药药材烘干后，粉碎过100目筛，取5g样本粉末放入石英样本旋转杯中，混合均匀，平铺2～5cm厚度的药材粉末，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：35％，采集每个样本的近红外光谱，每个样本平均取两份，每份重复扫描三次，取平均值为吸收值，得光谱数据。

(二)山药药材水分定量分析模型的建立与检验

1)、波段的选择及预处理：

通过TQ数据处理软件，用光谱预处理的一阶导数法+Savitsky-Golay平滑法，对光谱图进行波长选择，确定波长区间为7513.8～5597.8cm^-1；

2)、水分含量的测定

采用《中国药典》一部附录IX H水分测定法中第一法(烘干法)进行测定。取山药药材粉末约2g，平铺于干燥至恒重的扁形称量瓶中，厚度不超过5mm，精密称定，打开瓶盖在105℃干燥5小时，将瓶盖盖好，移置干燥器中，冷却30分钟，精密称定，再在上述温度干燥1小时，冷却，称重，至连续两次称重的差异不超过5mg为止，根据减失的重量，计算供试品中含水量(％)。

3)、建立山药药材水分定量分析模型：

选择115份山药样本中的105份样本作为校正集样本，将烘干法测得的水分含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立山药药材水分定量分析模型，确定最佳主成份数为6，经校正样本集进行内部交叉验证得RMSECV＝1.38，R²＝0.94；

4)、模型的检验：

将115份山药样本中的10份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建山药药材水分定量分析模型，经检验集样本进行外部验证，得近红外预测值与烘干法测定值之间的相关系数为0.92，RMSEP＝1.27。

实施例4：

所说的中药药材为金银花，其近红外光谱技术对金银花指标性成分含量测定由以下步骤实现：

(一)金银花药材的近红外光谱的采集：

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，收集来自不同品种、不同产地、不同采收季节的113份金银花药材作为样本，进行扫描，得光谱数据，方法是：

将113份金银花药材烘干后，粉碎过80目筛，取6g样本粉末放入石英样本旋转杯中，混合均匀，平铺2～5cm厚度的药材粉末，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：45％，采集每个样本的近红外光谱，每个样本平均取两份，每份重复扫描三次，取平均值为吸收值，得光谱数据；

(二)金银花药材水分定量分析模型的建立与检验

1)、波段的选择及预处理：

通过TQ数据处理软件，用光谱预处理的一阶导数法，对光谱图进行波长选择，确定波长区间为7513.9～4597.8cm^-1；

2)、水分含量的测定

采用《中国药典》一部附录IX H水分测定法中第二法(甲苯法)进行测定。取金银花粉末样品15g，精密称定，装入水分测定仪的圆底烧瓶中，加甲苯200ml，加入几块干燥、洁净的沸石，将仪器各部分连接，自冷凝管顶端加入甲苯，至充水分测定管的狭细部分。将圆底烧瓶置电热套中缓缓加热，待甲苯开始沸腾时，调节温度，使每秒钟馏出2滴。待水分完全馏出，即测定管刻度部分的水量不再增加时，将冷凝管内部先用甲苯冲洗，再用饱蘸甲苯的长刷或其他适宜的方法，将管壁上附着的水滴推下，继续蒸馏5min，放冷至室温，拆卸装置，如有水粘附在水分测定管的管壁上，用蘸甲苯的铜丝推下，放置，使水分与甲苯完全分离。检读水量，并计算各金银花样品中的含水量(％)，每个样品的测定结果为2次测定平均值。

3)、建立金银花药材水分定量分析模型：

选择113份金银花样本中的103份样本作为校正集样本，将甲苯法测得的水分含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立金银花药材水分定量分析模型，确定最佳主成份数为7，经校正样本集进行内部交叉验证得RMSECV＝0.38，R²＝0.93；

4)、模型的检验：

将113份金银花样本中的10份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建金银花药材水分定量分析模型，经检验集样本进行外部验证，得近红外预测值与甲苯法测定值之间的相关系数为0.94，RMSEP＝0.46。

上述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，在不同时间经反复多次(12次以上)实验，均取得了相同和相似的结果，说明该方法稳定可靠，并对来自不同产地的二十批不同的中药材进行快速检测，均达到了满意的效果，有效防止了伪劣产品的使用，保证了药品的质量，而且检测方法简单，成本低，可节约成本50％以上，检测效率至少提高5倍以上，有效满足了现代化对中药质量的检测的需要。

本发明，经以上研究结果表明，通过建立多元校正模型，NIR光谱分析方法可以对中药材中的指标性成分含量进行有效检测，近红外光(NIR)是指波长在780～2526nm范围内的电磁波，记录的主要是含氢基团X-H(X＝C、N、O)振动的倍频和合频吸收，不同基团或同一基团在不同化学环境中的吸收波长与强度都有明显差别，中药材中的有效部位几乎在此区域都有吸收，因此，NIR非常适合于中药材的质量检测，该方法只需要简单的样品处理，同标准方法相比，可以节省大量的分析时间和花费，适用于大部分中药材指标性成分含量的快速检测，是一种方便、快速、无损的绿色分析技术，经济和社会效益巨大。

Claims (5)

1.一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：

$R^2=1-\frac{\mathrm{\Σ}{(\mathrm{Ci}-{\mathrm{Ci}}^{\′})}^2}{\mathrm{\Σ}{(\mathrm{Ci}-\mathrm{Cm})}^2}$

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：

$\mathrm{RMSECV}=\sqrt{\frac{\mathrm{\Σ}{({\mathrm{Ci}}^{\′}-\mathrm{Ci})}^2}{n-p}}$

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：

$\mathrm{RMSEP}=\sqrt{\frac{\mathrm{\Σ}{({\mathrm{Ci}}^{\′}-\mathrm{Ci})}^2}{m}}$

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。

2.根据权利要求1所述的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，所说的中药药材为黄芩，其指标性成分含量的近红外光谱法测定由以下步骤实现：

(一)黄芩药材的近红外光谱采集

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，对选自不同产地、不同品种、不同采收季节的113份黄芩药材作为样本，进行扫描，得光谱数据，方法是：

将113份黄芩药材烘干后，粉碎过100目筛，取5g样本粉末放入石英样本旋转杯中，混合均匀，轻轻压平，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：40％～50％，采集每个样本的近红外光谱，每个样本平均取两份，每份重复扫描三次，取平均值为吸收值，得光谱数据；

(二)模型的建立与检验

1)、黄芩药材水分定量分析模型的建立与检验

A、波段的选择及预处理

通过TQ数据处理软件，用光谱预处理的多元散射校正+一阶导数法，对光谱进行波长优选，确定波长区间为8863.04～5393.21cm^-1；

B、水分含量的测定

采用《中国药典》一部附录IX H水分测定法中的烘干法进行测定，取黄芩药材粉末约2g，平铺于干燥至恒重的扁形称量瓶中，厚度不超过5mm，精密称定，打开瓶盖在105℃干燥5小时，将瓶盖盖好，移置干燥器中，冷却30分钟，精密称定，再在上述温度干燥1小时，冷却，称重，至连续两次称重的差异不超过5mg为止，根据减失的重量，计算供试品中含水量(％)；

C、建立黄芩药材水分定量分析模型：

选择113份黄芩样本中的100份样本作为校正集样本，将烘干法测得的水分含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立定量分析模型，确定最佳主成份数为8，经校正样本集进行内部交叉验证得RMSECV＝1.55，R²＝0.94；

D、模型的检验：

将113份黄芩样本中的13份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建黄芩药材水分定量分析模型，得到预测值，与用烘干法测得的值相比较，计算得RMSEP＝1.46；

2)、黄芩药材中黄芩素定量分析模型的建立与检验：

A、波段的选择及预处理

通过TQ数据处理软件，用光谱预处理的多元散射校正+二阶导数法，对光谱波长优选，确定波长区间为8232.80～4070.38cm^-1；

B、黄芩素、汉黄芩素含量的测定

采用《中国药典》中记载的高效液相色谱法同时测定黄芩药材中黄芩素、汉黄芩素的含量：

色谱条件：Dikma-C18色谱柱4.60mm×200mm，5μm，柱温30℃，进样体积10μl，检测波长为277nm，以MeOH-0.4％H₃PO₄-CH₃CN溶剂系统梯度洗脱；

对照品溶液的制备：分别称取黄芩素、汉黄芩素对照品，分别加甲醇制成每1ml溶液含黄芩素、汉黄芩素为250μg、120μg的溶液；吸取1ml置10ml容量瓶中，分别用甲醇配制成浓度为25μg/ml、12μg/ml的对照品溶液；

供试品溶液的制备：取样本细粉0.3g，加入甲醇50ml，功率250W，频率50kHz超声60分钟，放冷，滤过，滤液置100ml量瓶中，用少量甲醇分次洗涤容器和残渣，洗液滤入同一量瓶中，加甲醇至100ml刻度，摇匀，即得；

C、建立黄芩药材黄芩素定量分析模型：

选113份黄芩样本中的100份样本作为校正集样本，将高效液相色谱法测得的黄芩素含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立定量分析模型，确定最佳主成份数为10，经校正样本集进行内部交叉验证得RMSECV＝0.26，R²＝0.93；

D、模型的检验：

将113份黄芩样本中的13份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建黄芩药材黄芩素定量分析模型，得到预测值，与用高效液相色谱法测得的值相比较，计算得RMSEP＝0.34；

3)、黄芩药材中汉黄芩素定量分析模型的建立与检验：

A、波段的选择及预处理

通过TQ数据处理软件，用光谱预处理的多元散射校正+二阶导数法，对光谱波长优选，确定波长区间为9497.18～4099.92cm^-1；

B、建立黄芩药材汉黄芩素定量分析模型：

选择113份黄芩样本中的100份样本作为校正集样本，将上述采用《中国药典》中记载的高效液相色谱法测得的汉黄芩素含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立定量分析模型，确定最佳主成份数为9，经校正样本集进行内部交叉验证得RMSECV＝0.35，R²＝0.95；

C、模型的检验：

将113份黄芩样本中的13份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建黄芩药材汉黄芩素定量分析模型，得到预测值，与用高效液相色谱法测得的值相比较，计算得RMSEP＝0.43。

3.根据权利要求1所述的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，所说的中药药材为连翘，其指标性成分含量的近红外光谱法测定由以下步骤实现：

(一)连翘药材的近红外光谱采集

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，对采自不同产地、不同品种、不同采收季节的100份连翘药材作为样本，进行扫描，得光谱数据，方法是：

将100份连翘药材烘干后，粉碎过24目筛，取5g样本粉末放入石英样本旋转杯中，混合均匀，轻轻压平，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：35％，采集每个样本的近红外光谱，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，得光谱数据；

(二)连翘药材浸出物定量分析模型的建立与检验：

1)、建模波段的选择及预处理，通过TQ数据处理软件，用光谱预处理的一阶导数法对光谱图进行波长优选，确定波长区间为4516.19-7058.19cm^-1；

2)、浸出物的含量测定，采用《中国药典》收载的冷浸法测定连翘药材中醇溶性浸出物含量，将连翘样本粉碎，取粉末4g，置250ml的锥形瓶中，加入质量浓度为65％乙醇100ml，密塞，冷浸，前6小时内时时振摇，再静置18小时，用干燥滤器迅速滤过，吸取滤液20ml，置已干燥的蒸发皿中，在水浴上蒸干后，于105℃干燥3小时，移至干燥器中，冷却30分钟，迅速称定重量，计算连翘样本中醇溶性浸出物的百分数；

3)、建立连翘药材浸出物定量分析模型：

选择100份连翘样本中的78份样本作为校正集样本，将冷浸法测得的醇溶性浸出物含量数据同其近红外光谱数据相结合，用偏最小二乘PLS回归方法建立定量分析模型，确定主成份数为7，经校正样本集进行内部交叉验证得RMSECV＝1.78，R²＝0.96；

4)、模型的检验：

将100份连翘样本中的22份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建连翘药材浸出物定量分析模型，得到预测值，与用冷浸法测得的值相比较，来评价该定量分析模型；用检验集样本进行外部验证，得近红外光谱法预测值与冷浸法测定值之间的相关系数为0.97，RMSEP＝1.65；

4.根据权利要求1所述的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，所说的中药药材为山药，其指标性成分含量的近红外光谱法测定由以下步骤实现：

(一)山药药材的近红外光谱的采集：

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，收集来自不同品种、不同产地、不同采收季节的115份山药药材作为样本，进行扫描，得光谱数据，方法是：

将115份山药药材烘干后，粉碎过100目筛，取5g样本粉末放入石英样本旋转杯中，混合均匀，平铺2～5cm厚度的药材粉末，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：35％，采集每个样本的近红外光谱，每个样本平均取两份，每份重复扫描三次，取平均值为吸收值，得光谱数据；

(二)山药药材水分定量分析模型的建立与检验：

1)、波段的选择及预处理：

通过TQ数据处理软件，用光谱预处理的一阶导数法+Savitsky-Golay平滑法，对光谱图进行波长选择，确定波长区间为7513.8～5597.8cm^-1；

2)、水分含量的测定

采用《中国药典》一部附录IX H水分测定法中第一法(烘干法)进行测定。取山药药材粉末约2g，平铺于干燥至恒重的扁形称量瓶中，厚度不超过5mm，精密称定，打开瓶盖在105℃干燥5小时，将瓶盖盖好，移置干燥器中，冷却30分钟，精密称定，再在上述温度干燥1小时，冷却，称重，至连续两次称重的差异不超过5mg为止，根据减失的重量，计算供试品中含水量(％)；

3)、建立山药药材水分定量分析模型：

选择115份山药样本中的105份样本作为校正集样本，将烘干法测得的水分含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立山药药材水分定量分析模型，确定最佳主成份数为6，经校正样本集进行内部交叉验证得RMSECV＝1.38，R²＝0.94；

4)、模型的检验：

将115份山药样本中的10份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建山药药材水分定量分析模型，经检验集样本进行外部验证，得近红外预测值与烘干法测定值之间的相关系数为0.92，RMSEP＝1.27。

5.根据权利要求1所述的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，所说的中药药材为金银花，其指标性成分含量的近红外光谱法测定由以下步骤实现：

(一)金银花药材的近红外光谱的采集：

由Nicolet 6700型近红外光谱仪，配有InGaAs检测器、外接积分球、样本旋转器及OMNIC光谱信号采集软件及TQ数据处理软件，收集来自不同品种、不同产地、不同采收季节的113份金银花药材作为样本，进行扫描，得光谱数据，方法是：

将113份金银花药材烘干后，粉碎过80目筛，取6g样本粉末放入石英样本旋转杯中，混合均匀，平铺2～5cm厚度的药材粉末，使用积分球漫反射和OMNIC光谱信号采集软件，在室温进行扫描，相对湿度：45％，采集每个样本的近红外光谱，每个样本平均取两份，每份重复扫描三次，取平均值为吸收值，得光谱数据；

(二)金银花药材水分定量分析模型的建立与检验

1)、波段的选择及预处理，通过TQ数据处理软件，用光谱预处理的一阶导数法，对光谱图进行波长选择，确定波长区间为7513.9～4597.8cm^-1；

2)、水分含量的测定，采用《中国药典》一部附录IX H水分测定法中第二法(甲苯法)进行测定。取金银花粉末样品15g，精密称定，装入水分测定仪的圆底烧瓶中，加甲苯200ml，加入几块干燥、洁净的沸石，将仪器各部分连接，自冷凝管顶端加入甲苯，至充水分测定管的狭细部分。将圆底烧瓶置电热套中缓缓加热，待甲苯开始沸腾时，调节温度，使每秒钟馏出2滴。待水分完全馏出，即测定管刻度部分的水量不再增加时，将冷凝管内部先用甲苯冲洗，再用饱蘸甲苯的长刷或其他适宜的方法，将管壁上附着的水滴推下，继续蒸馏5min，放冷至室温，拆卸装置，如有水粘附在水分测定管的管壁上，用蘸甲苯的铜丝推下，放置，使水分与甲苯完全分离，检读水量，并计算各金银花样品中的含水量(％)，每个样品的测定结果为2次测定平均值；

3)、建立金银花药材水分定量分析模型：

选择113份金银花样本中的103份样本作为校正集样本，将甲苯法测得的水分含量数据同其近红外光谱数据相结合，用偏最小二乘回归方法建立金银花药材水分定量分析模型，确定最佳主成份数为7，经校正样本集进行内部交叉验证得RMSECV＝0.38，R²＝0.93；

4)、模型的检验：

将113份金银花样本中的10份样本作为检验集样本，扫描检验集样本的近红外光谱，将光谱输入所建金银花药材水分定量分析模型，经检验集样本进行外部验证，得近红外预测值与甲苯法测定值之间的相关系数为0.94，RMSEP＝0.46。