CN102928379A - 一种近红外光谱技术快速检测增健口服液多糖含量的方法 - Google Patents

Abstract

本发明公开了一种基于近红外光谱技术快速检测增健口服液多糖含量的方法，含以下步骤：(1)收集具有代表性的增健口服液样品；(2)采用实验室常规检测方法检测样品的多糖含量；(3)采用近红外光谱仪采集样品的近红外光谱数据；(4)将采集的光谱数据和多糖含量进行关联，建立光谱数据-增健口服液样品多糖含量的定量模型；(5)采集待测样品的近红外光谱数据，利用建立的光谱数据-增健口服液样品多糖含量的定量模型进行分析，得出待测样品的多糖含量。该方法稳定、快速、成本低，能缩短增健口服液的检测周期，为生产过程质量监控提供支持。

Description

一种近红外光谱技术快速检测增健口服液多糖含量的方法

技术领域

本发明属于多糖含量检测技术领域，具体涉及一种近红外光谱技术快速检测增健口服液多糖含量的方法。 

背景技术

增健口服液是无限极（中国）有限公司根据传统中医理论，运用现代研究成果及实践经验，从多种天然植物中提取免疫调节剂--复合多糖，再配以多种补益类及清热解毒、药食两用的天然植物等精制而成。有效调节、增强人体免疫力，提高机体抵抗力、防止疾病的侵袭，增强并改善体质。 

多糖含量是增健口服液的功效指标，多糖含量测定方法目前没有统一的国家标准，测定方法较多，对同一个产品，不同地区、不同文献采用的方法不同，得出的结果就不同，因而制定的质量标准和控制的指标值不一样，使得含多糖原料与产品的质量控制很难掌握，目前国内只能进行粗多糖的控制。粗多糖含量检测常采用的方法有高锰酸钾滴定法、硫酸苯酚法、硫酸蒽酮法，各方法主要的差距来自于前处理方法的不同，其显色方法对同一样品测定的结果差距并不是很大。硫酸苯酚法主要用来测定所有单糖和各类多糖，在进行多糖测定时要先沉淀多糖，去除单糖的干扰。硫酸蒽酮法主要用于测定己糖和含己糖的多糖，如果呈蓝色，则为己糖，呈绿色，则为其他糖。直接滴定法测定结果偏高，淀粉等多糖对其有干扰作用。目前无论哪种化学测定法，均需要对样品进行预处理，需要消耗大量化学试剂，对环境也造成一定污染，而由于预处理操作步骤多，时间长，人为误差对最终的检测结果影响较大，导致最终产品的多糖含量测定结果波动较大，检测周期长（1-2天），不利于增健口服液产品检测及生产过程快速质量监控。 

发明内容

本发明所要解决的技术问题是提供一种近红外光谱技术快速检测增健口服液多糖含量的方法，该方法稳定、快速、成本低，能缩短增健口服液的检测周期。 

本发明的上述技术问题是通过如下技术方案来实现的：一种近红外光谱技术快速检测增健口服液多糖含量的方法，含以下步骤： 

(1)收集具有代表性的增健口服液样品； 

(2)采用实验室常规检测方法检测步骤(1)中的增健口服液样品的多糖含量； 

(3)采用近红外光谱仪采集步骤(1)中的增健口服液样品的近红外光谱数据； 

(4)将步骤(3)中采集的光谱数据和步骤(2)中获得的多糖含量进行关联，建立光谱数据-增健口服液样品多糖含量的定量模型； 

(5)采集待测样品的近红外光谱数据，利用步骤(4)中建立的光谱数据-增健口服液样品多糖含量的定量模型进行分析，得出待测样品的多糖含量。 

本发明步骤(2)中所述的实验室常规检测方法包括高锰酸钾滴定法。 

本发明步骤(3)中将近红外光谱仪的探头深入到增健口服液样品中，采集样品的图谱。 

本发明步骤(3)中近红外光谱仪的波长优选为1000～2526nm，仪器分辨率优选为8cm-1。 

本发明步骤(4)中采用偏最小二乘法将采集的光谱数据和获得的多糖含量进行关联，建立光谱数据-增健口服液样品多糖含量的定量模型，并运用化学计量学的方法对建模光谱进行一阶微分和Norris平滑预处理。 

本发明步骤(4)中优选将红外光谱采集的数据作为因变量，将多糖的参考数据作为自变量，用偏最小二乘法建立红外光谱采集的数据与增健口服液样品中的多糖含量之间的定量模型。 

本发明具有如下优点： 

(1)现有技术中大多采用化学法如高锰酸钾法、硫酸苯酚法和硫酸蒽酮法，检测步骤复杂，需要对样品进行预处理，需要消耗大量的化学试剂（如乙醇、浓硫酸等），而采用本发明方法不需要对样品进行预处理，可以直接对样品进行检测，经济环保； 

(2)现有技术中的方法检测时间长，通常需要1～2天的时间，本发明方法仅需要15～30s即可； 

(3)采用现有技术中的方法检测费用高，检测过程耗材大约为5万年/年，而采用本发明中的方法基本无耗材； 

(4)采用本发明中的方法可以为生产过程质量监控提供支持。 

附图说明

图1是本发明实施例2增健口服液近红外光谱原始图谱； 

图2是本发明实施例2中增健口服液近红外检测多糖定量模型图； 

图3是本发明实施例3增健口服液近红外光谱原始图谱； 

图4是本发明实施例3中增健口服液近红外检测多糖定量模型图； 

图5是本发明实施例4增健口服液近红外光谱原始图谱； 

图6是本发明实施例4中增健口服液近红外检测多糖定量模型图。 

具体实施方式

以下结合附图对本发明作进一步的说明。 

实施例1 

本实施例提供的基于近红外光谱技术快速检测增健口服液多糖含量的方法，具体可以含以下步骤： 

（一）收集正常生产的不同批次的具有代表性的增健口服液样品 

先收集不同批次的增健口服液样品，采用常规检测方法检测多糖含量，作为参考数据，再采用赛默飞世尔科技近红外光谱仪Nicolet Antaris II扫描采集图谱，分析处理，建立模型，最后进行模型验证。具体实施如下： 

（二）增健口服液中多糖含量的测定 

2.1建模时增健口服液中多糖含量的测定参考《食品中还原糖的测定》-GB/T5009.7-2008第一法高锰酸钾滴定法； 

2.2检测原理：经除去蛋白质后，“样品中的多糖经过酸解为还原糖”，还原糖把铜盐还原为氧化亚铜加硫酸铁铵后，氧化亚铜被氧化成铜盐，以高锰酸钾溶液滴定氧化作用后生成的亚铁盐，根据高锰酸钾消耗量，计算氧化亚铜含量，再查表得还原糖量，最后折算成多糖含量。 

2.3试剂 

费林氏液甲：称取34.91g分析纯CuSO₄·5H₂O于煮沸过的水中，稀释至500mL； 

费林氏液乙：称取173g分析纯酒石酸钾钠及50g分析纯氢氧化钠于煮沸过的水中，稀释至500ml； 

硫酸溶液（2mol/L）：量取浓硫酸112mL，在不断搅拌下缓缓加入适量水中，冷却后用水稀释到1000ml； 

盐酸溶液（25%，质量百分含量）：量取浓盐酸675.7mL，加水稀释至1000mL； 

硫酸铁铵溶液:称取135g硫酸铁铵于适量水中，并稀释到1000mL； 

高锰酸钾标准滴定液（0.1N）：称取3.3gKMnO₄于1000mL水中，缓缓煮沸20～30分钟，冷却后于暗处密闭保存数日，用耐酸滤过漏斗过滤，保存于棕色瓶中。 

标定：精密称取经105℃干燥至恒重的基准草酸钠0.2g，溶于250mL新煮沸的冷水和浓硫酸10mL，自滴定管中迅速加入本液约25mL，待褪色后，加热至65℃（注意不要超过90℃，否则草酸钠会分解），乘热滴定至溶液呈微红色，并保持30S不褪色，同时作空白试验。当滴定终了时，溶液温度应不低于55℃。 

计算公式： 

$N\≡\frac{m}{(V-V_0)\×0.06700}$

式中：N-高锰酸钾标准溶液的当量浓度，N； 

V-标定时消耗高猛酸钾体积，mL 

V₀-空白时消耗高锰酸钾体积，mL 

0.067-草酸钠的毫克当量； 

m-草酸钠的质量，g 

2.4样品处理 

a)称量：精确量取25mL增健口服液置于离心杯中； 

b)酒沉：加入三倍于所取口服液重量的95%乙醇(分析纯，体积百分含量)使口服液中的多糖沉淀； 

c)分离：将离心杯移至离心机进行离心(3000r/min，10min)，把上清液去掉,再用75%（体积百分含量）乙醇10mL洗涤离心杯中的沉淀物，再次离心并把上清液弃去，然后用50mL水把沉淀物洗入250mL平底烧瓶中； 

d)水解：加入25%盐酸15mL，在沸水浴中回流水解2.5小时； 

e)定容：将水解液过滤到100mL容量瓶中，烧瓶和滤纸各用少量蒸馏水冲洗三次，定容至刻度； 

2.5、多糖含量的测定 

1)各吸取费林氏液甲、乙25mL，置于250mL三角瓶中，准确加入样品水解液10mL，再加入40mL蒸馏水使总容积调整到100+1mL；另外吸取50mL水，各加25mL的费林氏液甲液及乙液，做空白样； 

2)加热样品液，控制在4分钟内煮沸，再保持沸腾2分钟(加热时间必须严格遵守，允许有+15秒误差)； 

3)样品液乘热用G4耐酸漏斗抽滤到抽滤瓶中，并用60℃热水100mL分数次洗涤三角瓶及沉淀，将抽滤瓶中滤液弃去，洗净； 

4)取硫酸铁铵溶液50mL，分数次将漏斗中红色沉淀物溶解，并将溶液抽至抽滤瓶中，再用60℃热水50mL分数次洗涤漏斗(3-4次)； 

5)合并滤液,并加入2mol/L硫酸20mL，用0.1N的高锰酸钾标准滴定液滴定至微红色并保持30S不褪色为终点； 

（三）采集增健口服液红外光谱数据以及建立增健口服液近红外光谱模型 

3.1光谱采集 

采取光纤探头透反射模式测试，直接将探头伸入到上述选取的具有代表性的增健口服液样品中，采集波长为1000-2526nm，仪器分辨率为8cm^-1，每个样品采集三次图谱。 

3.2光谱预处理 

3.2.1偏最小二乘法（PLS）处理数据 

采用对变量X和Y都进行分解的方法，从变量X和Y中同时提取成分(通常称为因子)，再将因子按照它们之间的相关性从大到小排列；要建立一个模型，只要决定选择几个因子参与建模就行，目前该方法在建模中最通用。 

本发明中，X为增健口服液的近红外光谱强度信息（A），Y为增健口服液的多糖含量。首先将光谱信息A分解为吸光度得分矩阵T和光谱载荷矩阵P乘积，把质量指标分解为浓度得分矩阵U和浓度载矩阵Q的乘积，即A_（n×m）=T_(n×d)P_(d×m)、Y_(n×1)=U_(n×d)Q_(d×1)；然后U和T进行线性回归，U_(n×d)=T_(n×d)P_(d×d)，建立质量指标Y与光谱之间的关系模型：Y_(n×1)=T_(n×d)P_(d×d)Q_(d×1)。 

在实际的建模过程中，建模参数有A和P的变量数d（主因子数）。原始光谱有一定的噪音和背景漂移，需要进行预处理；不同区间的吸光度反应物质不同的结构信息，对Y的响应不同，需要优选波长区间。主因子数越多，表示引入的变量过多，会提高分析精度。但随着主因子数增多，一些与Y无关的信号也会引入，从而导致分析精度下降，因此，主因子数也需要优选。最优的光谱范围和光谱预处理方法通过交互验证过程中的校正标准偏差（SEC）来选择，光谱预处理方法包括均值中心化、标准化、平滑、一阶微分、二阶微分、多元散射校正（MSC）、标准正态变量变换（SNV）和正交信号校正（OSC）等。SEC越小说明所建的模型越优秀。载荷矩阵P所用的变量数（主因子数）对建模结果影响很大，需要通过留一法的交互验证过程得到的预测残差平方和（PRESS）值选取。留一法的交互验证过程如下：对某一主因子数，从校正样品中选取一个样品用于预测，用余下的样品建立校正模型，来预测这个样品的测定值，然后，将这一样品放回校正集，再从校正样品中选取另外一个作为预测，重复上述的过程。经反复建模及预 测，直至所有校正样品均被预测一次且只被预测一次，则得到对应这一因子数的PRESS值： 

其中y_i为第i样本的实际测定值或类别值，y_i’为第i样本交互验证过程得到的预测值，n为校正集的样品数。 

3.2.2一阶微分和Norris平滑预处理 

3.2.3通过实验室测的增健口服液中多糖含量数值同近红外光谱图关联，运用化学计量学的相关算法，优化处理后，建立多糖含量模型。 

（四）采集待测样品的近红外光谱 

采集待测样品的近红外光谱，通过步骤3.2.3建立的含量模型进行分析计算，得出待测样品的近红外光谱检测值。 

实施例2 

本实施例提供的基于近红外光谱技术快速检测增健口服液多糖含量的方法，具体可以含以下步骤： 

（一）收集正常生产的增健口服液29批（个）； 

（二）对29批增健口服样品用实验室常规检测方法检测多糖含量，作为参考数据，具体检测方法同实施例1，多糖含量范围为：382.89-611.05（mg/100mL）； 

（三）随机选取22个样品用于建模，7个样品作为待测样品，采用赛默飞世尔科技近红外光谱仪NicoletAntaris II采集22批样品的光谱数据，原始图谱见图1； 

（四）采用偏最小二乘法（PLS）处理数据，并对建模光谱进行一阶微分和Norris平滑预处理，通过化学计量学的方法将所采集的光谱数据和对应参考数据进行关联，建立多糖的定量模型，所得模型见图2。 

具体建模过程如下：将光谱信息A分解为吸光度得分矩阵T和光谱载荷矩阵P乘积，把质量指标分解为浓度得分矩阵U和浓度载矩阵Q的乘积，即A_（n×m）=T_(n×d)P_(d×m)、Y_(n×1)=U_(n×d)Q_(d×1)；然后U和T进行线性回归，U_(n×d)=T_(n×d)P_(d×d)，建立质量指标Y与光谱之间的关系模型：Y_(n×1)=T_(n×d)P_(d×d)Q_(d×1)。 

对于未知样品，其吸光度矩阵为A_unk，则由A_unk=T_unkP公式可以求出T_unk，则待测物质量指标可以计算求出：Y_unk=T_unkPQ 

验证模型：测定验证集样品近红外光谱，并经过相同的预处理、选用相同区间的吸光度A_unk,在相同的主因子数下进行PLS分解，即由A_unk=T_unkP关系可以求出T_unk。然后利用校正集确定的P和Q，从而测定待测样品的多糖含量：Y_unk=T_unkPQ，并与真实值进 行比较。采用相关系数R、校正集分析偏差（SEC）、校正集相对分析偏差（RSEC）来评价模型的性能。要求R越高越好，SEC、RSEC越低越好，低于或接近于标准方法再现性要求。R、SEC、RSEC的计算公式如下： 

$R=\sqrt{1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-y_i^{\text{'}})}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}$

$\mathrm{SEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{pred}}^{\mathrm{cal}}-y_{i,\mathrm{real}}^{\mathrm{cal}})}^2}{n-1}}$

$\mathrm{RSEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\frac{|y_{i,\mathrm{pred}}^{\mathrm{cal}}-y_{i,\mathrm{real}}^{\mathrm{cal}}|}{y_{i,\mathrm{real}}^{\mathrm{cal}}}\×100\%)}^2}{n-1}}$

其中，y_i为第i个样品的多糖含量， 为平均值，y’为拟合值，n为校正集样品数目， 

为校正集第i个样品的y模型预测结果， 

为校正集第i个样品的y标准方法测定值，即为实际值； 

（五）采集7个待测样品的近红外光谱，通过已建立好的定量模型进行分析，得出待测样品的多糖含量的近红外光谱技术检测值；预测结果如下： 

表17个样品的多糖含量预测结果 

样品编号	实验值%	预测值%	绝对偏差	RSD%
					51	567.72	565.92	-1.8	0.22
57	430.56	433.2	2.64	0.43
					64	406.14	399.09	-7.05	1.24
67	413.17	434.76	21.59	3.60
					69	396.52	389.74	-6.78	1.22
70	407.69	392.36	-15.33	2.71
					75	417.97	425.01	7.04	1.18
最小值	--------	--------	-1.8	0.22
					最大值	--------	--------	21.59	3.60
平均值	--------	--------	8.89	1.52

所建立的模型相关系数（Corr.Coeff.）为0.9952，校正均方差（RMSEC）为6.8；模 型对7个待测样品的预测结果最大绝对偏差为21.59，实验值与预测值最大RSD值为3.60%，最小RSD值为0.22%，平均RSD值为1.52%。我司标准要求多糖含量检测方法RSD值≤5.0%时，测试数据是可信的、是可取的。所以，近红外光谱法采用该模型，在多糖含量范围为396.52～567.72（mg/100ml）之间所测得的结果是可信的、可取的。 

实施例3 

本实施例提供的基于近红外光谱技术快速检测增健口服液多糖含量的方法，具体可以含以下步骤： 

（一）收集正常生产的增健口服液40批； 

（二）对40批增健口服样品用实验室常规检测方法检测多糖含量，作为参考数据，多糖含量范围为：572.61-684.51（mg/100mL）； 

（三）随机选取30个样品用于建模，10个样品作为待测样品，采用赛默飞世尔科技近红外光谱仪Nicolet Antaris II采集30批样品的光谱数据，所得原始图谱见图3； 

（四）采用偏最小二乘法（PLS）处理数据，并对建模光谱进行一阶微分和Norris平滑预处理，通过化学计量学的方法将所采集的光谱数据和对应参考数据进行关联，建立多糖的定量模型，所得模型见图4。 

具体建模过程如下：将光谱信息A分解为吸光度得分矩阵T和光谱载荷矩阵P乘积，把质量指标分解为浓度得分矩阵U和浓度载矩阵Q的乘积，即A_（n×m)=T_(n×d)P_(d×m)、Y_(n×1)=U_(n×d)Q_(d×1)；然后U和T进行线性回归，U_(n×d)=T_(n×d)P_(d×d)，建立质量指标Y与光谱之间的关系模型：Y_(n×1)=T_(n×d)P_(d×d)Q_(d×1)。 

对于未知样品，其吸光度矩阵为A_unk，则由A_unk=T_unkP公式可以求出T_unk，则待测物质量指标可以计算求出：Y_unk=T_unkPQ 

验证模型：测定验证集样品近红外光谱，并经过相同的预处理、选用相同区间的吸光度A_unk,在相同的主因子数下进行PLS分解，即由A_unk=T_unkP关系可以求出T_unk。然后利用校正集确定的P和Q，从而测定待测样品的多糖含量：Y_unk=T_unkPQ，并与真实值进行比较。采用相关系数R、校正集分析偏差（SEC）、校正集相对分析偏差（RSEC）来评价模型的性能。要求R越高越好，SEC、RSEC越低越好，低于或接近于标准方法再现性要求。R、SEC、RSEC的计算公式如下： 

$\mathrm{SEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{pred}}^{\mathrm{cal}}-y_{i,\mathrm{real}}^{\mathrm{cal}})}^2}{n-1}}$

$\mathrm{RSEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\frac{|y_{i,\mathrm{pred}}^{\mathrm{cal}}-y_{i,\mathrm{real}}^{\mathrm{cal}}}{y_{i,\mathrm{real}}^{\mathrm{cal}}}\×100\%)}^2}{n-1}}$

其中，y_i为第i个样品的多糖含量， 

为平均值，y’为拟合值，n为校正集样品数目， 

为校正集第i个样品的y模型预测结果， 

为校正集第i个样品的y标准方法测定值，即为实际值； 

（五）采集10个待测样品的近红外光谱，通过已建立好的定量模型进行分析，得出待测样品的多糖含量的近红外光谱技术检测值。预测结果如下： 

表1本实施例10个样品的多糖含量预测结果 

所建立的模型相关系数（Corr.Coeff.）为0.9968，校正均方差（RMSEC）为2.87。模型对10个盲样的预测结果最大绝对偏差为32.59，平均绝对偏差为3.61；最大RSD为3.86%，平均RSD为1.70%，我司标准要求多糖含量检测方法RSD值≤5.0%时，测试数据 是可信的、是可取的。所以，近红外光谱法采用该模型，在多糖含量范围为572.61～652.02（mg/100mL）之间所测得的结果是可信的、可取的。 

实施例4 

本实施例提供的基于近红外光谱技术快速检测增健口服液多糖含量的方法，具体可以含以下步骤： 

（一）取增健口服液正常生产批次127批； 

（二）对127批增健口服样品用实验室常规检测方法检测多糖含量，作为参考数据。多糖含量为：491.39-605.27（100mg/mL）； 

（三）随机选取87批样品用于建模，40批样品作为待测样品，采用赛默飞世尔科技近红外光谱仪Nicolet Antaris II采集87批样品的光谱数据，所得原始图谱见图5； 

（四）采用偏最小二乘法，通过化学计量学的方法将所采集的光谱数据和对应参考数据进行关联，建立多糖的定量模型，所得模型见图6。 

具体建模过程如下：将光谱信息A分解为吸光度得分矩阵T和光谱载荷矩阵P乘积，把质量指标分解为浓度得分矩阵U和浓度载矩阵Q的乘积，即A_（n×m)=T_(n×d)P_(d×m)、Y_(n×1)＝U_(n×d)Q_(d×1)；然后U和T进行线性回归，U_(n×d)=T_(n×d)P_(d×d)，建立质量指标Y与光谱之间的关系模型：Y_(n×1)=T_(n×d)P_(d×d)Q_(d×1)。 

对于未知样品，其吸光度矩阵为A_unk，则由A_unk=T_unkP公式可以求出T_unk，则待测物质量指标可以计算求出：Y_unk=T_unkPQ 

验证模型：测定验证集样品近红外光谱，并经过相同的预处理、选用相同区间的吸光度A_unk,在相同的主因子数下进行PLS分解，即由A_unk=T_unkP关系可以求出T_unk。然后利用校正集确定的P和Q，从而测定待测样品的多糖含量：Y_unk=T_unkPQ，并与真实值进行比较。采用相关系数R、校正集分析偏差（SEC）、校正集相对分析偏差（RSEC）来评价模型的性能。要求R越高越好，SEC、RSEC越低越好，低于或接近于标准方法再现性要求。R、SEC、RSEC的计算公式如下： 

$R=\sqrt{1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-y_i^{\text{'}})}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}$

$\mathrm{SEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_{i,\mathrm{pred}}^{\mathrm{cal}}-y_{i,\mathrm{real}}^{\mathrm{cal}})}^2}{n-1}}$

$\mathrm{RSEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\frac{|y_{i,\mathrm{pred}}^{\mathrm{cal}}-y_{i,\mathrm{real}}^{\mathrm{cal}}|}{y_{i,\mathrm{real}}^{\mathrm{cak}}}\×100\%)}^2}{n-1}}$

其中，y_i为第i个样品的多糖含量， 

为平均值，y’为拟合值，n为校正集样品数目， 

为校正集第i个样品的y模型预测结果， 

为校正集第i个样品的y标准方法测定值，即为实际值； 

（五）采集40批待测样品的近红外光谱，通过已建立好的定量模型进行分析，得出待测样品的多糖含量的近红外光谱技术检测值。预测结果如下： 

表3本实施例40个样品的多糖含量预测结果 

上述多糖的定量模型相关系数（Corr.Coeff.）为0.9942，校正均方差（RMSEC）为2.25，模型对40个盲样的预测结果最大绝对偏差为-32.53，平均绝对偏差为6.82；最大RSD为4.24%，平均RSD为1.98%，我司标准要求多糖含量检测方法RSD值≤5.0%时，测试数据是可信的、是可取的。所以，近红外光谱法采用该模型，在多糖含量范围为518.90～565.51（mg/100mL）之间所测得的结果是可信的、可取的。 

实施例5 

以上实施例1-4是在建立模型初期针对未知多糖含量范围的增健口服液多糖含量的测试方法，其中每个实施例采用的定量模型不同，尽管与现有技术相比，减少了前期试验的成本和繁琐，但这样仍然存在前期试验较多的问题，实际上，对于企业来讲，增健口服液中多糖的含量通常在一个范围内波动，是符合一定的质量标准的，通常，增健口服液中多糖的含量在300-700（mg/100mL）之内，所以可以根据前期采用实验室常规方法获得的大量的多糖含量的数据，与其近红外光谱数据建立光谱数据-增健口服液样品多糖含量的定量模型，从而可以检测生产线上几乎所有的增健口服液样品多糖的含量，具体过程如下： 

本实施例提供的基于近红外光谱技术快速检测增健口服液多糖含量的方法，具体可以含以下步骤： 

(一)收集具有代表性的增健口服液样品； 

(二)采用实验室常规检测方法检测步骤(一)中的增健口服液样品的多糖含量； 

(三)采用近红外光谱仪采集步骤(一)中的增健口服液样品的近红外光谱数据； 

(四)将步骤(三)中采集的光谱数据和步骤(二)中获得的多糖含量进行关联，建立光谱数据-增健口服液样品多糖含量的定量模型； 

(五)采集待测样品的近红外光谱数据，利用步骤(四)中建立的光谱数据-增健口服液样品多糖含量的定量模型进行分析，得出待测样品的多糖含量。 

其中： 

步骤(2)中所述的实验室常规检测方法包括高锰酸钾滴定法。 

步骤(3)中将近红外光谱仪的探头深入到增健口服液样品中，采集样品的图谱。 

步骤(3)中近红外光谱仪的波长为1000～2526nm，仪器分辨率为8cm^-1。 

步骤(4)中采用偏最小二乘法将采集的光谱数据和获得的多糖含量进行关联，建立光谱数据-增健口服液样品多糖含量的定量模型，并运用化学计量学的方法对建模光谱进行一阶微分和Norris平滑预处理。 

步骤(4)中将红外光谱采集的数据作为因变量，将多糖的参考数据作为自变量，用偏最小二乘法建立红外光谱采集的数据与增健口服液样品中的多糖含量之间的定量模型。 

总体来说，采用近红外光谱技术检测增健口服液的多糖含量与实验室检测值误差很小，均在标准允许范围内。由此可见，近红外光谱技术能快速准确检测增健口服液多糖指标。 

以上列举具体实施例对本发明进行说明。需要指出的是，以上实施例只用于对本发明作进一步说明，不代表本发明的保护范围，其他人根据本发明的提示做出的非本质的修改和调整，仍属于本发明的保护范围。 

Claims (6)

1.一种近红外光谱技术快速检测增健口服液多糖含量的方法，其特征是含以下步骤：

(1)收集具有代表性的增健口服液样品；

(2)采用实验室常规检测方法检测步骤(1)中的增健口服液样品的多糖含量；

(3)采用近红外光谱仪采集步骤(1)中的增健口服液样品的近红外光谱数据；

(4)将步骤(3)中采集的光谱数据和步骤(2)中获得的多糖含量进行关联，建立光谱数据-增健口服液样品多糖含量的定量模型；

(5)采集待测样品的近红外光谱数据，利用步骤(4)中建立的光谱数据-增健口服液样品多糖含量的定量模型进行分析，得出待测样品的多糖含量。

2.根据权利要求1所述的近红外光谱技术快速检测增健口服液多糖含量的方法，其特征是：步骤(2)中所述的实验室常规检测方法包括高锰酸钾滴定法。

3.根据权利要求1所述的近红外光谱技术快速检测增健口服液多糖含量的方法，其特征是：步骤(3)中将近红外光谱仪的探头深入到增健口服液样品中，采集样品的图谱。

4.根据权利要求1所述的近红外光谱技术快速检测增健口服液多糖含量的方法，其特征是：步骤(3)中近红外光谱仪的波长为1000～2526nm，仪器分辨率为8cm^-1。

5.根据权利要求1所述的近红外光谱技术快速检测增健口服液多糖含量的方法，其特征是：步骤(4)中采用偏最小二乘法将采集的光谱数据和获得的多糖含量进行关联，建立光谱数据-增健口服液样品多糖含量的定量模型，并运用化学计量学的方法对建模光谱进行一阶微分和Norris平滑预处理。

6.根据权利要求1所述的近红外光谱技术快速检测增健口服液多糖含量的方法，其特征是：步骤(4)中将红外光谱采集的数据作为因变量，将多糖的参考数据作为自变量，用偏最小二乘法建立红外光谱采集的数据与增健口服液样品中的多糖含量之间的定量模型。 

Images