CN103411893B - 一种脑心通胶囊近红外光谱的检测方法 - Google Patents

Abstract

本发明涉及一种脑心通胶囊近红外光谱的检测方法，利用近红外光谱检测技术与SIMCA聚类分析法结合，建立了脑心通完整配方和11种缺味配方（缺动物药、缺黄芪、缺赤芍、缺丹参、缺当归、缺川芎、缺桃仁、缺红花、缺鸡血藤、缺牛膝、缺桂枝）的模式识别模型。每一种配方各选择30个样本作为校正集来建立模型，校正集样本识别正确率均为100%；每一种配方各选择另外30个样本作为验证集来检验模型，验证集样本平均识别正确率在98%以上，每一种配方的识别正确率都不低于93%。上述结果说明，该方法可以准确识别脑心通完整配方和上述11种缺味配方，可以为脑心通制剂的质量检查提供一种快速、准确、客观的检测方法。

Description

一种脑心通胶囊近红外光谱的检测方法

技术领域

本发明涉及一种脑心通胶囊近红外光谱的检测方法，属于医药制剂技术领域。

背景技术

脑心通胶囊（市售产品，质量标准公开于2002年国家药品监督管理局汇编的《国家中成药标准汇编——中成药地方标准上升国家标准部分》的《内科——脑系》分册，标准号：WS-10001（ZD-0001）-2002）是由黄芪66份、赤芍27份、丹参27份、当归27份、川芎27份、红花13份、桃仁27份、乳香（制）13份、没药（制）13份、鸡血藤20份、牛膝27份、桂枝20份、桑枝27份、地龙27份、全蝎13份、水蛭27份等16味药材加工制成的临床常用中药复方制剂，具有益气活血、化瘀通络的功效，用于气虚血滞、脉络瘀阻所致的中风中经络及胸痹心痛、胸闷、心悸、气短，脑梗塞、冠心病心绞痛的治疗。现行脑心通胶囊质量标准的鉴别项下，仅对丹参、黄芪、川芎及牛膝等组成采取了化学方法进行了鉴别，对其余的12味药材未进行有效监测，难以全面评价和控制脑心通胶囊的质量，因此，需要研发出一种能同时鉴别出脑心通胶囊所有药材组成的检测方法。脑心通胶囊的近红外光谱检测方法尚未见报道，值得研究人员深入研究。为了保证脑心通制剂的药效，所有原料药材必须以指定的比例混合；如果缺少了某种原料药材，所生产的制剂就是不合格产品。因此，建立完整配方与缺味配方的快速、准确、客观的识别方法，对于脑心通制剂的质量检查具有重要意义。脑心通配方中包含16种药材，目前难以找到所有药材的独有指标成分并据此判断配方的完整性；退一步说，即便可以找到每一种药材的独有指标成分，要对这些成分进行准确的定性和定量检测也是非常困难而昂贵的。因此，本研究以近红外光谱分析技术和软独立建模聚类分析法（SIMCA）为基础，建立完整配方与缺味配方的模式识别方法。近红外光谱具有测试方法简单直接、仪器设备多样化等特点，因此在产品质量快速检查方面具有广阔的应用前景。

发明内容

本发明目的在于提供一种快捷、准确、稳定、重复性好的脑心通胶囊的检测方法。

本发明技术方案所述的脑心通胶囊的药材组成及重量配比是：黄芪66份、赤芍27份、丹参27份、当归27份、川芎27份、红花13份、桃仁27份、制乳香13份、制没药13份、鸡血藤20份、牛膝27份、桂枝20份、桑枝27份、地龙27份、全蝎13份、水蛭27份；其检测方法按如下步骤操作：

⑴样本的制备：

A取所述脑心通胶囊组成中的16味药材分别碎成粉末，按比例混合均匀，即得脑心通缺味配方样本；

B将脑心通胶囊外壳弃去，收集胶囊填充物粉末，即得脑心通完整配方样本备用；

⑵将⑴中所述的所有样本采用近红外光谱测试，采样附件为近红外漫反射积分球，将样品放入底样品盘，直接进行测试，得出测试数据；

⑶使用软件对⑵中所测得的数据进行处理，每个配方随机选择多个样本作为校正集，其余样本作为验证集，用于验证该方法对未知样品预测结果的可靠性，将未经任何数据处理的原始近红外光谱直接导入软件，选择置信度、得分扩展因子、残差扩展因子；

⑷使用一阶导数和标准正态分布校正对原始光谱进行预处理，不同配方样本近红外光谱的主要差异集中在一定区域内，所以只使用该区域的近红外光谱进行检测；

⑸将验证集数据与校正集比对，即得。

具体的实验步骤组成为：

⑴样本的制备：

A取所述脑心通胶囊组成中的每味药材粉，分别碎成粉末，按比例混合均匀，即得脑心通缺味配方样本；

B将脑心通胶囊外壳弃去，收集胶囊填充物粉末，即得脑心通完整配方样本备用；

⑵将⑴中所述的所有样本采用傅里叶变换近红外光谱仪Frontier FT-IR/NIRSpectrometer，采样附件为外置式近红外漫反射积分球External NIRA，将样品直接放入石英底样品盘，轻轻压实后直接进行测试，测试光谱范围12000-3500cm^-1，分辨率15-17cm^-1，每张光谱累积扫描30-40次，光谱背景为Spectralon^TM聚四氟乙烯参比物，测试后得出各样本数据；

⑶使用AssureID软件，选择SIMCA聚类分析法对⑵中所测得数据进行处理，每个配方随机选择20-40个样本作为校正集，其余样本作为验证集，验证该模型对未知样品预测结果的可靠性，将未经任何数据处理的原始近红外光谱直接导入AssureID软件，选择SIMCA算法，置信度设置为95%-100%，得分扩展因子设置为1-5，残差扩展因子设置为0-5；

⑷使用窗口宽度为10-15点的一阶导数和标准正态分布校正对原始光谱进行预处理，不同配方样本近红外光谱的主要差异集中在7000-3000cm^-1区域内，所以只使用该区域的近红外光谱建立模式识别模型；

⑸将验证集数据与校正集比对，即得。

其中优选的实验步骤为：

⑴样本的制备：

A取所述脑心通胶囊组成中的每味药材粉，分别碎成粉末，按比例混合均匀，即得脑心通缺味配方样本；

B将脑心通胶囊外壳弃去，收集胶囊填充物粉末，即得脑心通完整配方样本备用；

⑵将⑴中所述的所有样本采用傅里叶变换近红外光谱仪Frontier FT-IR/NIRSpectrometer，采样附件为外置式近红外漫反射积分球External NIRA，将样品直接放入石英底样品盘，轻轻压实后直接进行测试，测试光谱范围10000-4000cm^-1，分辨率16cm^-1，每张光谱累积扫描32次，光谱背景为Spectralon^TM聚四氟乙烯参比物，测试后得出各样本数据；

⑶使用AssureID软件，选择SIMCA聚类分析法对⑵中所测得数据进行处理每个配方随机选择30个样本作为校正集，其余样本作为验证集，验证该模型对未知样品预测结果的可靠性，将未经任何数据处理的原始近红外光谱直接导入AssureID软件，选择SIMCA算法，置信度设置为99%，得分扩展因子设置为2，残差扩展因子设置为1；

⑷使用窗口宽度为13点的一阶导数和标准正态分布校正对原始光谱进行预处理，不同配方样本近红外光谱的主要差异集中在6000-4000cm^-1区域内，所以只使用该区域的近红外光谱建立模式识别模型；

⑸将验证集数据与校正集比对，即得。

本发明技术方案检测的是一个有着16味药材组成的药物多成分含量，化学成分非常复杂，各成分极性差异较大，目前难以找到所有药材的独有指标成分并据此判断配方的完整性；退一步说，即便可以找到每一种药材的独有指标成分，要对这些成分进行准确的定性和定量检测也是非常困难而昂贵的。因此，本研究以近红外光谱分析技术和软独立建模聚类分析法（SIMCA）为基础，建立完整配方与缺味配方的模式识别方法，为脑心通制剂的质量检查提供一种快速、准确、客观的检测方法。

有益效果

（1）以往所有的脑心通胶囊检测方法中，只有单一的检测其中单一某味药中的一种或几种指标成分，难以全面鉴别脑心通胶囊的药材组成及质量控制，因此这些检测方法的实用性和精准性有待进一步提高。本研究结合近红外光谱检测技术与SIMCA聚类分析法，建立了脑心通胶囊完整配方和11种缺味配方（缺动物药、缺黄芪、缺赤芍、缺丹参、缺当归、缺川芎、缺桃仁、缺红花、缺鸡血藤、缺牛膝、缺桂枝）的模式识别模型，通过识别模型确立的各项数值范围，利用验证集样本数据与数值范围的比对来确定脑心通胶囊的各种药材组分，并且利用缺味配方的方式来进一步验证这种检测方法对药材组成复杂药物的鉴别准确度。近红外光谱检测法在脑心通胶囊上运用可以实现快速检测、在线分析、制样简单、同时测定多组分、不使用有毒有机试剂破坏样品、无污染、远程分析检测等诸多有利目标。

（2）所有配方样本的近红外光谱放在一起进行主成分分析（PCA）时，很多配方的样本光谱特征比较接近而难以区分。而SIMCA是针对每一种配方样本单独进行PCA分析，因此能够更好地发掘同类样本近红外光谱的相似特征以及非同类样本近红外光谱的差异特征。

（3）在SIMCA算法中，对每一种配方样本单独进行PCA分析时，会确定该类样本在主成分得分投影空间的类中心位置。根据该配方校正集样本与该类中心位置的建模距离与残差距离的统计分析结果，结合预先设置的置信度水平、得分与残差扩展因子，可以确定该配方样本与该类中心位置的建模距离与残差距离的分布范围。对未知样本进行分类判断时，需要先将该未知样本投影到某一种配方的主成分得分空间中，然后根据该未知样本与该配方类中心位置的建模距离与残差距离是否位于相应的边界内，确定该未知样本的归属；

（4）根据上述方法建立的SIMCA模式识别模型对所有校正集和验证集样本的识别结果如下述表2所示，对于校正集来说，每个配方有30个同类样本，另外330个为异类样本（属于另外11种配方）；该模型可以完全正确地识别出所有的同类样本和异类样本。由于校正集是用来建立分类规则的样本，所以对这些样本进行准确识别是模型必须具备的能力（本研究中校正集样本识别正确率均为100%），但是不能确定该模型是否能准确识别其他的未知样本。为了检验该模型预测新的未知样本时的准确度，选择与校正集完全不重复的另外360个样本作为验证集。对于验证集来说，每个配方有30个同类样本，另外330个为异类样本（属于另外11种配方）；该模型可以准确识别出所有的异类样本，对同类样本的平均识别正确率在98%以上，每一种配方的识别正确率都不低于93%。上述结果说明，该方法可以准确识别脑心通完整配方和11种缺味配方，不失为一种简便、快捷、准确、全面的检测方法。

具体实施例

以下是本发明内容的具体实施例，用于阐述本申请文件中所要解决技术问题的技术方案，有助于本领域技术人员理解本发明内容，但本发明技术方案的实现并不限于这些实施例。

实施例1：

（1）样本制备

药材来源：陕西步长制药有限公司：

处理方法：将脑心通胶囊处方中囊括的16种药材粉碎成粉末，备用；脑心通胶囊外壳弃去，收集胶囊填充物粉末，备用。

将16种药材粉末按照表1所示比例混合均匀，即得脑心通完整配方和11种缺味配方样本，每种配方共制备60个样本。

（2）近红外光谱测试

所有样本的近红外光谱测试均使用傅里叶变换近红外光谱仪Frontier FT-IR/NIRSpectrometer(PerkinElmer,MA,USA)，采样附件为外置式近红外漫反射积分球ExternalNIRA(PerkinElmer,MA,USA)。

将样本直接放入石英底样品盘(PerkinElmer,MA,USA)，轻轻压实后直接进行测试。测试光谱范围10000-4000cm^-1，分辨率16cm^-1，每张光谱累积扫描32次。光谱背景为Spectralon^TM聚四氟乙烯参比物(Labsphere,NH,USA)。

（3）识别模型建立

本研究中使用AssureID(version4.2)软件(PerkinElmer,MA,USA)建立SIMCA模式识别模型。

每个配方随机选择30个样本作为校正集，建立模式识别模型；其余样本作为验证集，验证该模型对未知样品预测结果的可靠性。

将未经任何数据处理的原始近红外光谱直接导入AssureID软件，选择SIMCA算法，置信度设置为99%，得分扩展因子设置为2，残差扩展因子设置为1。

不同样本的颗粒尺寸、测试近红外光谱时的颗粒之间紧实程度都可能具有一定的差异，从而导致不同样本近红外光谱的光谱基线具有一定的漂移，而且光谱绝对强度也有一定的变化。为了尽可能消除非化学成分变化导致的光谱差异，使用一阶导数（窗口宽度为13点）和标准正态分布校正（SNV）对原始光谱进行预处理。

不同配方样本近红外光谱的主要差异集中在6000-4000cm^-1区域内，所以只使用该区域的近红外光谱建立模式识别模型。

表1 脑心通完整配方和11种缺味配方中各药材质量比例

表2 所有校正集和验证集样本的识别结果

Claims (3)

1.一种脑心通胶囊近红外光谱的检测方法，所述的脑心通胶囊是由如下重量份的药材组成：黄芪66份、赤芍27份、丹参27份、当归27份、川芎27份、红花13份、桃仁27份、制乳香13份、制没药13份、鸡血藤20份、牛膝27份、桂枝20份、桑枝27份、地龙27份、全蝎13份、水蛭27份，其特征在于所述的检测方法按以下步骤操作：

⑴样本的制备：

A取所述脑心通胶囊组成中的16味药材分别碎成粉末，按比例混合均匀，即得脑心通缺味配方样本；

B将脑心通胶囊外壳弃去，收集胶囊填充物粉末，即得脑心通完整配方样本备用；

⑵将⑴中所述的所有样本采用近红外光谱测试，采样附件为近红外漫反射积分球，将样品放入底样品盘，直接进行测试，得出测试数据；

⑶使用软件对⑵中所测得的数据进行处理，每个配方随机选择多个样本作为校正集，其余样本作为验证集，用于验证该方法对未知样品预测结果的可靠性，将未经任何数据处理的原始近红外光谱直接导入软件，选择置信度、得分扩展因子、残差扩展因子；

⑷使用一阶导数和标准正态分布校正对原始光谱进行预处理，不同配方样本近红外光谱的主要差异集中在一定区域内，所以只使用该区域的近红外光谱进行检测；

⑸将验证集数据与校正集比对，即得。

2.如权利要求1所述的检测方法，其特征在于：

⑴样本的制备：

A取所述脑心通胶囊组成中的每味药材粉，分别碎成粉末，按比例混合均匀，制得脑心通11种缺味配方样本；

B将脑心通胶囊外壳弃去，收集胶囊填充物粉末，即得脑心通完整配方样本备用；

⑵将⑴中所述的所有样本采用傅里叶变换近红外光谱仪Frontier FT-IR/NIRSpectrometer，采样附件为外置式近红外漫反射积分球External NIRA，将样品直接放入石英底样品盘，轻轻压实后直接进行测试，测试光谱范围12000-3500cm^-1，分辨率15-17cm^-1，每张光谱累积扫描30-40次，光谱背景为Spectralon^TM聚四氟乙烯参比物，测试后得出各样本数据；

⑶使用AssureID软件，选择SIMCA聚类分析法对⑵中所测得数据进行处理，每个配方随机选择20-40个样本作为校正集，其余样本作为验证集，验证模型对未知样品预测结果的可靠性，将未经任何数据处理的原始近红外光谱直接导入AssureID软件，选择SIMCA算法，置信度设置为95％-100％，得分扩展因子设置为1-5，残差扩展因子设置为0-5；

⑷使用窗口宽度为10-15点的一阶导数和标准正态分布校正对原始光谱进行预处理，不同配方样本近红外光谱的主要差异集中在7000-3000cm^-1区域内，所以只使用该区域的近红外光谱建立模式识别模型；

⑸将验证集数据与校正集比对，即得。

3.如权利要求2所述的检测方法，其特征在于：

⑴样本的制备：

A取所述脑心通胶囊组成中的每味药材粉，分别碎成粉末，按比例混合均匀，即得脑心通11种缺味配方样本；

B将脑心通胶囊外壳弃去，收集胶囊填充物粉末，即得脑心通完整配方样本备用；

⑵将⑴中所述的所有样本采用傅里叶变换近红外光谱仪Frontier FT-IR/NIRSpectrometer，采样附件为外置式近红外漫反射积分球External NIRA，将样品直接放入石英底样品盘，轻轻压实后直接进行测试，测试光谱范围10000-4000cm^-1，分辨率16cm^-1，每张光谱累积扫描32次，光谱背景为Spectralon^TM聚四氟乙烯参比物，测试后得出各样本数据；

⑶使用AssureID软件，选择SIMCA聚类分析法对⑵中所测得数据进行处理，每个配方随机选择30个样本作为校正集，其余样本作为验证集，验证该模型对未知样品预测结果的可靠性，将未经任何数据处理的原始近红外光谱直接导入AssureID软件，选择SIMCA算法，置信度设置为99％，得分扩展因子设置为2，残差扩展因子设置为1；

⑷使用窗口宽度为13点的一阶导数和标准正态分布校正对原始光谱进行预处理，不同配方样本近红外光谱的主要差异集中在6000-4000cm^-1区域内，所以只使用该区域的近红外光谱建立模式识别模型；

⑸将验证集数据与校正集比对，即得。