CN104062259A - 一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法 - Google Patents

Abstract

本发明公开了一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，属于中医药研究技术领域。本发明方法通过浓缩稀释配制不同浓度的复方阿胶浆样本，与成品样本共同组成样本集，采集样本集的近红外光谱图，首先进行异常样本剔除和样本集的划分，然后选择合适的光谱波段、预处理方法得到复方阿胶浆样本特征光谱信息，以香草醛-高氯酸比色法测得复方阿胶浆样本的总皂苷含量为参考值，应用化学计量学技术，构建复方阿胶浆近红外光谱与其总皂苷含量之间关系的定量校正模型，对未知含量的复方阿胶浆样本采集其近红外光谱，利用构建的定量校正模型快速计算其总皂苷含量。本发明方法有利于提高复方阿胶浆的质量控制水平，保证成品质量稳定、可靠。

Description

一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法

技术领域

本发明涉及一种测定复方阿胶浆中总皂苷的方法，更具体地说涉及一种用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，本发明属于中医药研究技术领域。

背景技术

药品成品检验是药品在进入市场前必经的最后一道质量控制程序，直接关系到消费者的用药安全。目前中药药品的检测方法多为色谱法，这类方法需要在分析前经过复杂的样本预处理，分析时间也较长，而且传统测定方法一次只能测定一个指标，延长了批生产过程的总耗时。

复方阿胶浆是东阿阿胶股份有限公司独家生产的中药保护品种，它是根据明代医家张介宾《景岳全书》中的两仪膏（熟地黄、人参），加阿胶、党参等中药制成，主要用于气血两虚引起的头晕目眩、心悸失眠、食欲不振、贫血、白细胞减少症及放化疗的增效减毒。

2010版《中国药典》中对于复方阿胶浆的含量测定仅有总氮量一项，不足以反映复方阿胶浆成品中有效成分的整体状况，难以满足对复方阿胶浆成品进行含量分析与监控的要求。因此，迫切需要建立复方阿胶浆成品中指标成分含量的简捷快速测定方法，以满足生产企业对成品指标含量进行快速测定的需求。

近红外光谱（Near Infrared Spectroscopy,NIRS）是可见光与中红外光谱之间波长范围为780至2500nm的光谱区。该光谱区主要是含氢基团(C-H、N-H、O-H)的倍频与合频吸收，通过扫描样本的近红外光谱，可以得到样本中有机分子含氢基团的特征信息。近红外光谱用于中药质量分析能从整体上反映其化学组成信息，具有样本无需或仅需极少的预处理、操作简便、不消耗化学试剂以及可实现在线过程控制等优势。该技术需要与化学计量学结合，其中常用的化学计量学技术主要有多元线性回归、主成分回归和偏最小二乘回归等。近年来，近红外光谱已被广泛应用于中药领域，在定性和定量测定中都显示了巨大的潜力。

但由于中成药成分复杂，有效成分含量偏低且其近红外光谱中吸收重叠现象严重等问题，有关中药成方制剂的近红外光谱研究报导尚较少。

发明内容

本发明的目的在于提供一种近红外光谱快速测定复方阿胶浆成品中的总皂苷含量的方法，为复方阿胶浆成品的快速定量分析提供了一种新方法，可减轻成品检验的工作量，缩短批生产过程的总耗时；另一方面也可适当提高抽检比例，以增强成品检验结果的可靠性。

本发明的目的是通过如下技术方案实现：

一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，其特征在于，通过以下步骤实现：

（1）样本的收集：实验室通过浓缩稀释配制不同浓度的复方阿胶浆样本，与成品样本共同组成样本集；

（2）样本总皂苷含量的测定：以香草醛-高氯酸比色法测得样本集中各样本（复方阿胶浆成品样本及浓缩稀释样本）中总皂苷的含量；

（3）样本近红外光谱采集：使用近红外光谱仪采集样本集中各样本（复方阿胶浆成品样本及浓缩稀释样本）的近红外光谱，首先进行异常样本剔除和样本集的划分，然后选择合适的光谱波段和预处理方法，提取光谱特征信息；

（4）校正模型的建立：使用偏最小二乘法构建校正集样本总皂苷含量与近红外特征光谱之间的定量校正模型，用于未知样本中总皂苷含量的预测；

（5）校正模型的应用：根据上述所建立的校正模型，对待测的复方阿胶浆样本进行分析，得出待测样本中总皂苷的含量。

在本发明中，样本的收集是通过实验室浓缩稀释配制不同浓度的复方阿胶浆样本与成品样本共同组成样本集后得到的，其目的是增加样本集的代表性。

在本发明中，优选的，光谱的采集方式及采集条件为：使用透反射模式采集近红外光谱，光谱采集相关参数为：分辨率4cm^-1，扫描次数128次，扫描光谱波数范围4000-10000cm^-1。

在本发明中，优选的，采用Chauvenet检验法和杠杆值与学生化残差值相结合的方法进行异常样本的剔除，采用SPXY法对样本集进行划分，光谱预处理方法包含多元散射校正、标准正则变换、导数和平滑及其组合，波段优化包含4429-4900cm^-1、6469-7377cm^-1、7377-8000cm^-1、4429-8000cm^-1及其组合的选择。

在本发明中，优选的，步骤（4）模型优化性能评价指标为：相关系数R、校正集均方根偏差RMSEC、交叉验证均方根偏差RMSECV及预测均方根偏差RMSEP，当R值接近于1，RMSEC和RMSEP值较小且相互接近时，认为模型的拟合效果和预测能力良好。

在本发明中，优选的，步骤（2）中样本总皂苷含量的测定，是按照以下步骤进行：

（1）对照品溶液的制备：精密称取人参皂苷Re10mg，置10ml容量瓶中，加入少量甲醇使溶解，并加甲醇稀释至刻度，摇匀，即得。

（2）标准曲线的制备：精密吸取对照品溶液0,60,120,180,240,300μL,分别置10mL具塞试管中，置水浴中挥尽溶剂，立即取出，精密加入新配制的5%香草醛冰醋酸溶液0.2mL和高氯酸溶液0.8mL，摇匀，置60℃水浴中，加热15min。取出，立即置冰水浴中冷却5min。精密加入冰醋酸5ml，摇匀，放置10min，按照分光光度法在545nm波长处测定吸光度，以吸光度为纵坐标，浓度为横坐标，绘制标准曲线。

（3）供试品溶液的测定：取0.4mL复方阿胶浆成品样本（或自配样本）以5mL水稀释，加入水饱和正丁醇萃取3次，每次20mL，合并正丁醇液，水洗2次，置水浴中挥尽正丁醇后，按照与对照品相同的方法进行测定前的处理，然后根据步骤（2）所建立的标准曲线计算样本集中各样本的总皂苷含量。

在本发明中，应用化学计量学技术，建立总皂苷含量的定量校正模型。在建立校正模型之前，首先需要鉴别并剔除异常样本并对样本集进行划分，以获得代表性强的校正集样本。本发明采用Chauvenet检验法和杠杆值与学生化残差值相结合的方法进行异常样本的剔除，兼顾了化学值和光谱数据的异常，有助于提高模型的预测效果。

Chauvenet检验法首先计算所有样本光谱的平均光谱，然后计算每个样本光谱与平均光谱之间的马氏距离，将距离值从小到大的顺序排列，根据Chauvenet判别准则判定距离值最大的样本光谱是否为异常，若是则继续判别距离值第二大的样本光谱是否为异常，以此类推，直至某一样本光谱被判定为正常。本发明中软件根据准则自动判断光谱是否为异常。Chauvenet判别准则公式如下：

$|x_1-\stackrel{\‾}{x}|>Z_c\mathrm{\σ}$

式中，x为所有样本马氏距离的平均值,Zc为一个与样本个数有关的常数,可查表得,σ为均方差。

杠杆值的计算公式为：

$h_i=\frac{1}{n}+t_i^T{\left(T^{T}T\right)}^{-1}{t}_i$

式中，h_i为杠杆值，n为样本数，t_i为第i个预测样本的回归因子向量,T为校正样本的回归因子得分矩阵。

学生残差r_i的计算公式为：

$r_i=\frac{f_i}{\sqrt{\mathrm{RMSE}(1-h_i)}}$

式中，f_i为第i个样本的残差值，RMSE为校正集均方根偏差。

在建模过程中，杠杆值衡量的是一个校正集样本对模型的影响程度，学生残差值则表示预测能力的好坏。通常含量值处于校正集均值处的样本，其杠杆值较小，若某个样本的杠杆值较大，则可能是光谱扫描或者其他分析方法在测定时引入误差；若一个样本的学生残差值较高，那么说明校正集模型对此样本的预测能力较差。当一个样本的杠杆值或学生残差值比较高时，则将该样本暂列为异常样本。

如何挑选具有代表性的样本建立模型是近红外分析技术的关键问题之一。有代表性的校正集样本不但可以减少建模的工作量，而且直接影响所建模型的适用性和准确性。常用的样本集划分的方法有随机抽样（Random Sampling,RS）法、含量梯度法、Kennard-Stone（KS）法、Duplex法和Sample set Partitioning based on joint x-ydistance（SPXY）法等，不同的划分方法的特点如下：

（1）随机抽样法：即随机选取一定数量的样本组成校正集。校正集组成方法简单，不需要进行数据挑选，但每次组成校正集的样本可能差异很大，不能保证所选样本代表性以及模型的外推能力。

（2）含量梯度法：是一种常规选择方法，是将样本集中按某个组分的含量值顺序（由大到小或反之）排列，然后从中按序抽取样本组成校正集或是验证集。这种方法简单直观，但是校正集样本的代表性差。

（3）KS法：是把所有的样本都看作校正集候选样本，依次从中挑选部分样本进入校正集。首先，选择欧氏距离最远的两个样本向量对进入校正集。定义d_ij为从第i个样本向量到j样本向量的欧氏距离，假设已有k(k<n)个样本向量被选进训练集，针对第v个待选样本向量，定义最小距离：D_kv=min(d_1v,d_2v,…,d_kv)。拥有D_kv最大值的那个待选样本进入训练集。如此循环，直至达到预先设定的样本数。该法在一定程度上避免了校正集样本分布的不均匀，缺点是需要进行数据转换和计算样本两两空间距离，计算量较大。

（4）Duplex法：此算法是在KS法的设计试验方法上发展而来的。该法与KS法同样都是通过光谱差异来挑选校正集样本，都没有考虑浓度矩阵y，所以上述两种方法不能保证所选择的样本都能够按照空间距离分布均匀。

（5）SPXY法：此算法同样是在KS法的基础上发展而来，实验证明SPXY法能够有效地用于近红外定量模型的建立。SPXY法的逐步选择的过程和KS（Kennard-Stone）法相似：Kennard-Stone法是把所有的样本都看作校正集候选样本，首先选择欧氏距离最远的两个向量对进入校正集，在后续迭代过程中拥有最小距离中最大值的待选样本被选入校正集，以此类推，直至达到预设样本数，该法缺点是在计算时只考虑X变量（光谱数据）；而SPXY法则是在样本间距离计算时将X变量（光谱数据）和y变量（化学值）同时考虑在内，首先分别计算样本p和q在X和Y空间内的距离,其公式如下：

$d_x(p,q)=\sqrt{\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{[x_p\left(j\right)-x_q\left(j\right)]}^2};p,q\&Element;[1,N]$

$d_y(p,q)=\sqrt{{(y_p-y_q)}^2};p,q\&Element;[1,N]$

式中，d_x(p,q)和d_y(p,q)分别为样本p和q在X和Y空间内的距离，j为变量。

为保证样本在X空间和y空间具有相同的权重，分别除以它们在数据集中的最大值，其公式如下:

$d_{\mathrm{xy}}(p,q)=\frac{d_x(p,q)}{\max d_x(p,q)}+\frac{d_y(p,q)}{\max d_y(p,q)};p,q\&Element;[1,N]$

SPXY法优点在于能够有效地覆盖多维向量空间，从而改善所建模型的预测能力。

确定校正集和验证集样本后对其光谱进行波段选择和预处理，得到复方阿胶浆的特征光谱信息。通过对光谱波段进行筛选，可以避免引入过多冗余信息，改善模型性能。而采取不同预处理方法对光谱进行预处理可以去掉高频噪音对信号的干扰，消除散射效应的影响及光谱中平直的基线漂移。选择合适的建模波段和预处理方法后，采用偏最小二乘回归法建立近红外数据与总皂苷含量之间的定量校正模型，并通过各模型评价指标考察模型性能。

上述校正模型在实际应用时可以在校正集和验证集中加入新的样本，扩充模型的适用范围，对模型进行不断的更新与完善，操作步骤同前。

在本发明中，未知样本中总皂苷含量的快速测定按照以下步骤进行：

取待测的复方阿胶浆成品，按照与校正集样本相同的光谱采集参数采集近红外光谱，将特征光谱输入校正模型，便可快速计算得到未知样本中总皂苷含量值。

本发明通过实验室配制不同浓度的复方阿胶浆样本，与成品样本共同组成样本集，扫描得到样本集的近红外光谱图，首先进行异常样本剔除和样本集的划分，然后选择合适的光谱波段、预处理方法得到复方阿胶浆特征光谱信息，以香草醛-高氯酸比色法测得的样本集总皂苷含量为参照值，建立复方阿胶浆近红外特征光谱与其总皂苷含量之间的定量校正模型。将未知总皂苷含量的复方阿胶浆成品按同样的方法采集其近红外光谱，利用所构建的校正模型即可快速计算得到其总皂苷含量。

本发明将近红外光谱技术引入中药成方制剂的质控中，以复方阿胶浆为例，采用近红外光谱结合化学计量学方法实现对复方阿胶浆中总皂苷含量的快速测定。与传统的检测方法相比，大大缩短测定时间，不需要大量的反应试剂，节省了大量的人力和物力。本发明有利于提高复方阿胶浆的质量控制水平，保证成品质量稳定、可靠，可在中药制剂的成品检验环节中推广应用。

附图说明

附图1为复方阿胶浆近红外光谱图;

附图2为异常样本剔除中的Chauvenet检验结果图;

附图3为异常样本剔除中的杠杆值与学生化残差分布图;

附图4为复方阿胶浆中总皂苷偏最小二乘回归模型的预测值与参考值的相关关系图。

具体实施方式

下面通过实验并结合实施例对本发明做进一步说明，应该理解的是，这些实施例仅用于例证的目的，决不限制本发明的保护范围。本领域普通技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效变更，但都将落入本发明的保护范围内。

实施例1：复方阿胶浆中总皂苷含量的测定

1.样本的收集：

将60批复方阿胶浆成品样本等分为两份。其中30批成品直接进行含量测定；剩余30批成品随机分组合并,每5批成品合并为1份，共得到6份样本，每份样本体积为100mL。将这6份样本在70℃下减压浓缩至体积减少为50mL，再用超纯水进行逐级稀释，每次加入15mL超纯水，第1份和第3份加9次水，共获得18份样本；其余4份分别加10次水，共获得40份样本，6份浓缩液按上述操作共获得58份样本。将稀释样本与成品样本共同组成样本集，共88份样本。其中5份样本在制样过程中污染故将其剔除，剩下83份样本可用于建模。

2.样本总皂苷含量的测定：

以香草醛-高氯酸比色法测定样本集中复方阿胶浆样本中的总皂苷含量（作为参考值），具体按照以下步骤进行：

（1）对照品溶液的制备：精密称取人参皂苷Re10mg，置10ml容量瓶中，加入少量甲醇使溶解，并加甲醇稀释至容量瓶刻度，摇匀，即得。

（2）标准曲线的制备：精密吸取对照品溶液0,60,120,180,240,300μL,分别置10mL具塞试管中，置水浴中挥发尽溶剂，立即取出，精密加入新配制的5%香草醛冰醋酸溶液0.2mL和高氯酸溶液0.8mL，摇匀，置60℃水浴中，加热15min。取出，立即置冰水浴中冷却5min。精密加入冰醋酸5ml，摇匀，放置10min，按照分光光度法在545nm波长处测定吸光度，以吸光度为纵坐标，浓度为横坐标，绘制标准曲线。

（3）供试品溶液的测定：分别取0.4mL复方阿胶浆各成品样本（包括稀释样本与成品样本）以5mL水稀释，加入水饱和正丁醇萃取3次，每次20mL，合并正丁醇液，水洗2次，置水浴中挥尽正丁醇后，按照与对照品相同的方法进行测定前的处理，按照分光光度法在545nm波长处测定吸光度，并根据步骤（2）制备得到的标准曲线计算复方阿胶浆样本集中各样本的总皂苷含量。

测得的样本集中各样本的总皂苷含量的分布范围是0.096-0.499mg·mL^-1。

3.样本近红外光谱数据采集：

使用ANTARISⅡ傅立叶变换近红外光谱仪（美国Thermo Fisher公司）采集样本集中各样本的近红外光谱。采样模式为透反射光谱采集模式。采集相关参数为：以仪器内置背景为参比，分辨率4cm^-1，扫描次数128次，光谱采集波长范围4000-10000cm^-1。采集到的复方阿胶浆原始近红外光谱图如图1。

4.校正模型的建立：

（1）异常样本的剔除：

采用Chauvenet检验法和杠杆值与学生化残差值相结合的方法进行异常样本的剔除。经Chauvenet检验，编号为22和68的样本与样本集所有样本的平均光谱差异显著，因此将其作为异常样本进行剔除。Chauvenet检验结果如图2。

Chauvenet判别准则公式如下：

$|x_1-\stackrel{\&OverBar;}{x}|>Z_c\mathrm{\&sigma;}$

式中，为所有样本马氏距离的平均值,Z_c为一个与样本个数有关的常数,可查表得,σ为均方差。

杠杆值的计算公式为：

$h_i=\frac{1}{n}+t_i^T{\left(T^{T}T\right)}^{-1}{t}_i$

式中，h_i为杠杆值，n为样本数，t_i为第i个预测样本的回归因子向量,T为校正样本的回归因子得分矩阵。

学生残差r_i的计算公式为：

$r_i=\frac{f_i}{\sqrt{\mathrm{RMSE}(1-h_i)}}$

式中，f_i为第i个样本的残差值，RMSE为校正集均方根偏差。

杠杆值反映了样本对模型的重要程度，学生化残差值则反映了样本浓度值的预测偏差。当一个样本的杠杆值和学生残差值都比较高时，则将该样本暂列为异常样本。编号为36，64和29的样本的杠杆值较大，编号为45和46的样本的学生化残差值较大，因此将这些样本暂列为异常样本。所有样本的杠杆值与学生化残差分布图如图3。

如果直接剔除上述所列的异常样本，则有可能将非异常样本误当做异常样本剔除掉。为避免发生这样的错误，需要对被判定为异常的样本进行逐一回收，根据回收后的模型性能确定样本的去留，这样在很大程度上避免了异常样本的误判，从而更加稳定和具有代表性。采用通过将异常样本逐一回收，建立模型，比较未剔除、全部剔除和逐个回收多种情况下的模型结果，从中选出最优的模型以确定所要剔除的浓度异常样本。结果见表1。由于尚未进行样本集划分，所有的样本均用作校正集样本，采用偏最小二乘回归结合原始光谱进行建模，采用r_c、r_cv、RMSEC和RMSECV作为模型稳健性的判定依据。结果表明，回收样本29、36、45和46使模型性能不同程度下降，因而将这些样本定为异常样本并将其从样本集中剔除。回收样本64后模型性能略有改善，因此将这些样本重新归入样本集。

表1逐个回收剔除样本后的模型性能

（2）样本集的划分：

有代表性的校正集样本不但可以减少建模的工作量，而且直接影响所建模型的适用性和准确性。采用SPXY法对样本集进行划分，以建立稳健的近红外光谱分析模型。SPXY算法函数于Matlab软件中编写。经过异常样本剔除后剩余的77份样本中，58份被选入校正集，另外19份样本组成验证集。校正集与验证集样本中总皂苷含量的浓度范围分别为0.094-0.494mg/mL和0.115-0.307mg/mL，可见校正集样本的含量覆盖了验证集样本的含量范围。

SPXY法的逐步选择的过程和KS（Kennard-Stone）法相似：Kennard-Stone法是把所有的样本都看作校正集候选样本，首先选择欧氏距离最远的两个向量对进入校正集，在后续迭代过程中拥有最小距离中最大值的待选样本被选入校正集，以此类推，直至达到预设样本数，该法缺点是在计算时只考虑X变量（光谱数据）；而SPXY法则是在样本间距离计算时将X变量（光谱数据）和y变量（化学值）同时考虑在内，首先分别计算样本p和q在X和Y空间内的距离，其公式如下：

$d_x(p,q)=\sqrt{\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{[x_p\left(j\right)-x_q\left(j\right)]}^2};p,q\&Element;[1,N]$

$d_y(p,q)=\sqrt{{(y_p-y_q)}^2};p,q\&Element;[1,N]$

式中，d_x(p,q)和d_y(p,q)分别为样本p和q在X和Y空间内的距离，j为变量。

为保证样本在X空间和y空间具有相同的权重，分别除以它们在数据集中的最大值，其公式如下:

$d_{\mathrm{xy}}(p,q)=\frac{d_x(p,q)}{\max d_x(p,q)}+\frac{d_y(p,q)}{\max d_y(p,q)};p,q\&Element;[1,N]$

（3）波段范围建模优化：

分别以4429-4900cm^-1、6469-7377cm^-1、7377-8000cm^-1、4429-8000cm^-1及其组合建模，结果见表2。结果表明：7377-8000cm^-1波段所建模型性能最优，相关系数较高，且RMSEC和RMSECV值都较小。6469-7377cm^-1及组合波段采用了较多的主成分而模型的性能却未能提高，说明部分主成分体现的主要是误差的信息，建模效果较差。综合比较各波段所建模型的性能，选择7377-8000cm^-1波段进行建模。

表2不同波段范围PLS法建模优化结果

（4）光谱预处理方法建模优化：

对原始光谱分别进行了多元散射校正（MSC）、标准正则变换（SNV）、一阶导数、二阶导数、Savitsky-Golay滤波平滑（SG）和Norris导数滤波平滑等预处理方法，并以所建模型的各种性能参数作为判定依据进行优选。结果见表3。结果表明：相比原始光谱模型，MSC和SNV校正模型校正集和交叉验证相关系数均增大，RMSEC和RMSECV均减小，说明模型性能有所提高。经过导数和平滑处理后的光谱建立的模型各项参数均有不同程度的下降，其中经过SNV+Norris+2^ndD和MSC+SG+1^stD处理后的模型交叉验证相关系数明显减小，RMSECV显著增大，表明模型预测能力降低明显。综上分析，选择MSC对原始光谱进行预处理。

表3不同光谱预处理方法PLS法建模优化结果

其中：Raw Spectra：原始光谱；MSC：多元散射校正；SNV：标准正则变换；SG：SG滤波平滑；Norris：Norris平滑；1^stD：一阶导数光谱；2^ndD：二阶导数光谱。

（5）校正模型建立：

经过异常样本鉴别剔除6个异常样本并采用SPXY法将样本集划分为校正集和验证集后，对波段范围为7377-8000cm^-1的样本集近红外光谱数据进行多元散射校正预处理，运用偏最小二乘回归法建立复方阿胶浆样本特征光谱和总皂苷含量之间的校正模型。其中偏最小二乘回归算法以及建模波段和预处理方法的优选均通过TQanalyst软件（版本8.5.25,Thermo Fisher,Madson,Wisconsin,USA）实现。模型的校正集相关系数为0.9797，RMSEC为0.0161mg/mL；交叉验证相关系数为0.9641，RMSECV为0.0214mg/mL；验证集相关系数为0.9660，RMSEP为0.0176mg/mL。模型的相关系数较高，表明复方阿胶浆特征光谱与总皂苷含量之间存在良好的相关性。模型的校正和验证结果相近，具有较好的预测能力和模型稳定性。图4为总皂苷近红外预测值和参考值之间的相关图，相关图同样表明所建回归模型具有较好的拟合效果及预测能力。

5.未知样本中总皂苷含量的快速测定：

取待测的复方阿胶浆成品，按照与校正集样本相同的光谱采集参数采集近红外光谱，将特征光谱输入校正模型，便可快速计算得到未知样本中总皂苷含量值。

实验结果证明，通过本发明的方法测得的未知样本中总皂苷含量值与通过本实施例第2部分（样本总皂苷含量的测定）中所述的方法进行测定的结果一致。而且本发明方法与该检测方法相比，大大缩短测定时间，不需要大量的反应试剂，节省了大量的人力和物力。因此，本发明有利于提高复方阿胶浆的质量控制水平，保证成品质量稳定、可靠，可在中药制剂的成品检验环节中推广应用。

Claims (5)

1.一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，其特征在于，包括以下步骤：

（1）样本的收集：实验室浓缩稀释配制不同浓度的复方阿胶浆样本，与成品样本共同组成样本集；

（2）样本总皂苷含量的测定：以香草醛-高氯酸比色法测得样本集中各样本中总皂苷的含量；

（3）样本近红外光谱采集：使用近红外光谱仪采集样本集中各样本的近红外光谱，首先进行异常样本剔除和样本集的划分，然后选择合适的光谱波段和预处理方法，提取光谱特征信息；

（4）校正模型的建立：使用偏最小二乘法构建校正集样本总皂苷含量与近红外特征光谱之间的定量校正模型，用于未知样本中总皂苷含量的预测；

（5）校正模型的应用：根据上述所建立的校正模型，对待测的复方阿胶浆样本进行分析，得出待测样本中总皂苷的含量。

2.根据权利要求1所述的一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，其特征在于，光谱的采集方式及采集条件为：使用透反射模式采集近红外光谱，光谱采集相关参数为：分辨率4cm^-1，扫描次数128次，扫描光谱波数范围4000-10000cm^-1。

3.根据权利要求1所述的一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，其特征在于，采用Chauvenet检验法和杠杆值与学生化残差值相结合的方法进行异常样本的剔除，采用SPXY法对样本集进行划分，光谱预处理方法包含多元散射校正、标准正则变换、导数和平滑及其组合，波段包含4429-4900cm^-1、6469-7377cm^-1、7377-8000cm^-1、4429-8000cm^-1及其组合的选择。

4.根据权利要求1所述的一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，其特征在于，步骤（4）模型优化性能评价指标为：相关系数R、校正集均方根偏差RMSEC、交叉验证均方根偏差RMSECV及预测均方根偏差RMSEP，当R值接近于1，RMSEC和RMSEP值较小且相互接近时，认为模型的拟合效果和预测能力良好。

5.根据权利要求1所述的一种采用近红外光谱快速测定复方阿胶浆中总皂苷含量的方法，其特征在于，步骤（4）中还包括对建立的模型进行优化，模型优化性能评价指标为：相关系数R、校正集均方根偏差RMSEC、交叉验证均方根偏差RMSECV及预测集均方根偏差RMSEP，当R值接近于1，RMSEC和RMSEP值较小且相互接近时，评价模型的稳定性好、预测精度高。