CN113029999B - 一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法 - Google Patents
一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法 Download PDFInfo
- Publication number
- CN113029999B CN113029999B CN202110154200.2A CN202110154200A CN113029999B CN 113029999 B CN113029999 B CN 113029999B CN 202110154200 A CN202110154200 A CN 202110154200A CN 113029999 B CN113029999 B CN 113029999B
- Authority
- CN
- China
- Prior art keywords
- ginger
- near infrared
- infrared spectrum
- spectrum
- identification model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000002245 particle Substances 0.000 title claims abstract description 41
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 239000003814 drug Substances 0.000 title abstract description 6
- 241000234299 Zingiberaceae Species 0.000 title description 5
- 235000006886 Zingiber officinale Nutrition 0.000 claims abstract description 232
- 235000008397 ginger Nutrition 0.000 claims abstract description 232
- 241000234314 Zingiber Species 0.000 claims abstract description 228
- 238000001228 spectrum Methods 0.000 claims abstract description 79
- 239000003610 charcoal Substances 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 239000008187 granular material Substances 0.000 claims abstract description 22
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims description 45
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 12
- 238000010606 normalization Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 6
- 238000010561 standard procedure Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 244000273928 Zingiber officinale Species 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000001841 zingiber officinale Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- JZLXEKNVCWMYHI-UHFFFAOYSA-N gingerol Natural products CCCCC(O)CC(=O)CCC1=CC=C(O)C(OC)=C1 JZLXEKNVCWMYHI-UHFFFAOYSA-N 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000004809 thin layer chromatography Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- AIULWNKTYPZYAN-SFHVURJKSA-N (10)-Gingerol Chemical compound CCCCCCCCC[C@H](O)CC(=O)CCC1=CC=C(O)C(OC)=C1 AIULWNKTYPZYAN-SFHVURJKSA-N 0.000 description 1
- BCIWKKMTBRYQJU-INIZCTEOSA-N (8)-Gingerol Chemical compound CCCCCCC[C@H](O)CC(=O)CCC1=CC=C(O)C(OC)=C1 BCIWKKMTBRYQJU-INIZCTEOSA-N 0.000 description 1
- ZEASWHWETFMWCV-UHFFFAOYSA-N 7-O-(2-O-Acetyl-6-O-Methyl-beta-D-glucuronoside)-4',5,7-Trihydroxyflavone Natural products C=1C(O)=C(O)C2=C(O)C(=O)C=C(C3C(CC4=C(O)C=C(O)C=C4O3)OC(=O)C=3C=C(O)C(O)=C(O)C=3)C=C2C=1C1OC2=CC(O)=CC(O)=C2CC1OC(=O)C1=CC(O)=C(O)C(O)=C1 ZEASWHWETFMWCV-UHFFFAOYSA-N 0.000 description 1
- VSDUZFOSJDMAFZ-UHFFFAOYSA-N 8-gingerol Natural products COC(=O)C(N)CC1=CC=CC=C1 VSDUZFOSJDMAFZ-UHFFFAOYSA-N 0.000 description 1
- AIULWNKTYPZYAN-UHFFFAOYSA-N 810gingerol Natural products CCCCCCCCCC(O)CC(=O)CCC1=CC=C(O)C(OC)=C1 AIULWNKTYPZYAN-UHFFFAOYSA-N 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- NLDDIKRKFXEWBK-AWEZNQCLSA-N gingerol Chemical compound CCCCC[C@H](O)CC(=O)CCC1=CC=C(O)C(OC)=C1 NLDDIKRKFXEWBK-AWEZNQCLSA-N 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005220 pharmaceutical analysis Methods 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000005400 testing for adjacent nuclei with gyration operator Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
- 238000003809 water extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法。包括以下步骤:采集生姜、干姜、炮姜和姜炭配方颗粒的样品的近红外光谱,分为参考光谱集和测试光谱集;在近红外光谱范围,对所述参考光谱集的近红外光谱进行预处理,采用定性分析的基本算法,建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型;对所述鉴别模型进行评价。解决了难以鉴别区分生姜、干姜、炮姜和姜炭配方颗粒的问题,具有高效便捷、结果准确、不破坏样品、无化学试剂污染等优势。
Description
技术领域
本发明涉及药物分析技术领域,特别涉及一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法,具体是涉及生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型构建方法和生姜、干姜、炮姜和姜炭配方颗粒的鉴别方法。
背景技术
生姜为姜科植物姜Zingiber officinale Rosc.的新鲜根茎,干姜为姜的干燥根茎,炮姜、姜炭为干姜的两种炮制加工品。《中华人民共和国药典》(2020版)第一部中,将以上四者分开并分别进行描述。四者在中医临床应用方面有所区别,生姜具有解表散寒,温中止呕,化痰止咳,解鱼蟹毒等功效,干姜具有回阳通脉,温肺化饮等功效。炮姜辛燥之性较干姜弱,作用缓和持久且能止泻止痛,而姜炭更偏向于止血。因此,需要将这四种饮片区分开来。四者气味相近,传统的鉴别方法主要是根据饮片的外观性状来鉴别,例如生姜表面黄褐色或灰棕色,干姜表面灰黄色或浅灰棕色,炮姜表面呈不规则膨胀,表面棕黑色或棕褐色,而姜炭表面呈焦黑色等特征。但是,这四种饮片经过水提、浓缩、干燥制成中药配方颗粒后,失去了原有的外形特征,四者便难以鉴别区分。
现有的薄层色谱法对生姜、干姜、炮姜和姜炭的鉴别效果不明显,(窦欣.薄层色谱法鉴别干姜不同炮制品[J].科技信息,2013,(15):484,492.)。采用高效液相色谱法虽然能指认出6-姜酚、8-姜酚、10-姜酚等色谱峰,但这些峰基本属于共有峰(龙全江,李文涛,张颖,等.不同加工法制得的干姜片及炮制品高效液相色谱指纹图谱比较研究[J].甘肃中医药大学学报,2019,36(2):23-27.),仍然难以准确鉴别四者。而且以上色谱分析方法至少存在以下缺点:制样过程繁复、样品被破坏、分析时间长、化学试剂污染等。因此,有必要建立高效准确的生姜、干姜、炮姜和姜炭配方颗粒的鉴别方法。
发明内容
基于此,本发明提供一种生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型构建方法和生姜、干姜、炮姜和姜炭配方颗粒的鉴别方法。
所述生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型构建方法包括以下步骤:
采集生姜、干姜、炮姜和姜炭配方颗粒的样品的近红外光谱,分为参考光谱集和测试光谱集;
在近红外光谱范围,对所述参考光谱集的近红外光谱进行预处理,采用定性分析的基本算法,建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型;将所述参考光谱集和所述测试光谱集的近红外光谱导入所述鉴别模型,以所述参考光谱集和所述测试光谱集的识别准确率均≥80%为指标,选择所述预处理的方法,选择所述近红外光谱范围,选择所述定性分析的基本算法;
所述近红外光谱范围选自12000.0cm-1~4000.0cm-1中的一段范围;
所述预处理的方法选自矢量归一化(Vector normalization)、一阶导数(Firstderivative)、二阶导数(Second derivative)及平滑处理(Smoothing)中的一种或多种组合;
所述定性分析的基本算法选自欧式距离标准法(Eucliden distance standard)、因子化法(Factorization)、原始光谱因子化法(Original spectras factorization)、相关系数法(Correlation coefficient)、第一范围标定法(Scaling to first range)或重新水平归一化法(Normal to reprolevel);
对所述鉴别模型进行评价。
在其中一个实施例中,所述近红外光谱范围选自12000.0cm-1~4000.0cm-1、11002.4cm-1~4000.0cm-1、11002.4cm-1~8000.0cm-1、11000.0cm-1~4000.0cm-1及9000.0cm-1~6000.0cm-1中的一段;
所述预处理的方法选自矢量归一化、一阶导数、二阶导数、一阶导数和平滑处理的组合及二阶导数和平滑处理的组合中的一种;
所述定性分析的基本算法选自欧式距离标准法或因子化法。
在其中一个实施例中,所述近红外光谱范围为12000.0cm-1~4000.0cm-1,所述预处理的方法为矢量归一化,所述定性分析的基本算法为欧式距离标准法。
在其中一个实施例中,所述近红外光谱范围为11002.4cm-1~4000.0cm-1,所述预处理的方法为一阶导数及一阶导数和平滑处理的组合中的一种,所述定性分析的基本算法为因子化法。
优选地,所述预处理的方法为一阶导数和平滑处理的组合,所述平滑处理的点数为5-9个,所述因子化法的主因子数为3个。
在其中一个实施例中,所述近红外光谱范围为11002.4cm-1~8000.0cm-1,所述预处理的方法为一阶导数和平滑处理的组合,所述定性分析的基本算法为因子化法。
优选地,所述平滑处理的点数为9个,所述因子化法的主因子数为3个。
在其中一个实施例中,所述近红外光谱范围为11000.0cm-1~4000.0cm-1,所述预处理的方法为二阶导数及二阶导数和平滑处理的组合中的一种,所述定性分析的基本算法为因子化法。
优选地,所述预处理的方法为二阶导数和平滑处理的组合,所述平滑处理的点数为5-9个,所述因子化法的主因子数为3个。
在其中一个实施例中,所述近红外光谱范围为9000cm-1~6000.0cm-1,所述预处理的方法为二阶导数和平滑处理的组合,所述定性分析的基本算法为因子化法。
优选地,所述平滑处理的点数为9-13个,所述因子化法的主因子数为3个。
在其中一个实施例中,采集所述生姜、干姜、炮姜和姜炭配方颗粒的样品的近红外光谱之前,还包括对所述生姜、干姜、炮姜和姜炭配方颗粒的样品进行粉碎和过筛的步骤。
可以理解地,所述生姜、干姜、炮姜和姜炭配方颗粒的样品的药材基原均为姜科植物姜Zingiber officinale Rosc.
可以理解地,采集近红外光谱的测量仪器可为但不限于傅立叶变换近红外光谱仪;所用计算机软件可为但不限于TANGO软件、OPUS软件;光谱测量模式可为但不限于漫反射模式;测量参数可为但不限于光谱扫描范围、扫描次数、分辨率和样品测量次数。
可以理解地,近红外光谱范围的选择方式可为但不限于软件自动选择、人工选择、软件自动选择与人工选择相结合。
在其中一个实施例中,对所述鉴别模型进行评价的参数为选择性S值。
所述生姜、干姜、炮姜和姜炭配方颗粒的鉴别方法包括以下步骤:
获取上述的生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型;
采集待测样品的近红外光谱,将所述待测样品的近红外光谱的数据导入所述鉴别模型,获得判别结果。
可以理解地,采集待测样品的近红外光谱的方法与上述采集生姜、干姜、炮姜和姜炭配方颗粒的样品的近红外光谱的方法相同。
与现有方案相比,本发明具有以下有益效果:
本发明采用近红外光谱技术(Near infrared spectroscopy),利用近红外谱区包含的有效信息,依靠计算机软硬件技术对生姜、干姜、炮姜和姜炭配方颗粒进行快速定性分析,解决了难以鉴别区分生姜、干姜、炮姜和姜炭配方颗粒的问题,具有高效便捷、结果准确、不破坏样品、无化学试剂污染等优势。
附图说明
图1为生姜配方颗粒近红外光谱图;
图2为干姜配方颗粒近红外光谱图;
图3为炮姜配方颗粒近红外光谱图;
图4为姜炭配方颗粒近红外光谱图;
图5为鉴别模型6的三维空间分布图;
图6为鉴别模型11的三维空间分布图。
具体实施方式
以下结合具体实施例对本发明作进一步详细的说明。本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明公开内容理解更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1鉴别模型的构建
1仪器与材料
1.1仪器
TANGO-R傅立叶变换近红外光谱仪(德国BRUKER公司),配置积分球漫反射检测器,控制软件为TANGO 7.5,分析处理软件为OPUS 7.5。PL203千分之一电子天平(梅特勒-托利多仪器有限公司)。
1.2材料
生姜、干姜、炮姜和姜炭配方颗粒均由广东一方制药有限公司提供,生产日期包括2018年~2020年,药材产地包括云南省和四川省。
2方法与结果
2.1近红外光谱的采集
分别取各批次生姜、干姜、炮姜和姜炭配方颗粒样品约5.0g,研细,过80目筛,装入具塞玻璃样品瓶中,用积分球漫反射采集近红外光谱。采集条件:以仪器内置背景为参比,扫描范围12000~4000cm-1,分辨率8cm-1,扫描次数32次。每批样品重复装载和测量2次,120批样品共得240张光谱,见图1~图4。
2.2参考光谱集与测试光谱集样品光谱的选择
随机选取各个批数的生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱,分为参考光谱集和测试光谱集,并使其每个批数中,参考光谱集的近红外光谱批数和测试光谱集的近红外光谱批数的比例接近2:1,见表1。每批样品的2张光谱均用于模型的建立,以增加所建模型的耐用性。
表1生姜、干姜、炮姜和姜炭配方颗粒参考光谱集和测试光谱集
2.3定性鉴别模型的建立与评价
2.3.1光谱预处理方法的选择
从无处理(Nopreprocessing)、矢量归一化(Vector normalization)中选择光谱预处理方法。采用矢量归一化处理能消除固体颗粒大小、表面散射对近红外漫反射光的影响,降低同一样品若干次测量之间的差距。
2.3.2建模光谱范围的选择
选择近红外光谱范围12000.0~4000.0cm-1。
2.3.3模型的建立与验证
欧式距离标准法(Eucliden distance standard)是通过计算测试光谱与参考光谱的欧氏距离,反映光谱之间差异或相似度的大小。采用欧式距离标准法建立定性鉴别模型。
在近红外光谱范围12000.0~4000.0cm-1,不对参考光谱集的近红外光谱进行预处理,采用欧式距离标准法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型1。
在近红外光谱范围12000.0~4000.0cm-1,对参考光谱集的近红外光谱进行矢量归一化处理,采用欧式距离标准法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型2。鉴别模型2中,生姜、干姜、炮姜和姜炭配方颗粒之间均能被两两区分开。
将参考光谱集的近红外光谱和测试光谱集的近红外光谱分别导入模型1和模型2,计算参考光谱集(Reference spectra)的识别准确率和测试光谱集(Test spectra)的识别准确率。结果如表2所示。
表2定性鉴别模型及其性能
由表2可知,选择近红外光谱范围12000.0~4000.0cm-1,预处理方法为矢量归一化,定性分析的基本算法为欧式距离标准法时,所构建的定性鉴别模型2的参考光谱集识别准确率和测试光谱集识别准确率均可以达到80%以上。说明该模型可以用于鉴别生姜、干姜、炮姜和姜炭配方颗粒。
2.3.4模型性能的评价
选择性S值(Selectivity)是用来评价定性模型性能的重要指标,它能反应出不同物质之间的选择性。计算公式为:S=D/(T1+T2),其中D为两类物质平均光谱之间的距离,T1和T2为两类物质的阈值。当S<1时,表示两类物质不能被该模型区分开;当S≥1时,表示两类物质能被区分开。根据上述鉴别模型2,在软件中导出相应的S值,见表3。生姜、干姜、炮姜和姜炭配方颗粒两两之间的S值均大于1,表明四者之间都能被相互区分开,说明该模型具有较好的选择性。
表3各组配方颗粒之间的S值
3.3定性鉴别模型的建立与评价
3.3.1光谱预处理方法的选择
从一阶导数(First derivative)、平滑处理(Smoothing)及其组合中选择光谱预处理方法,以降低干扰,增强样品信号,提高所建定性鉴别模型的性能。平滑处理可以改善光谱形状、提高信噪比、降低随机误差和仪器噪声。
3.3.2建模光谱范围的选择
利用OPUS软件去除末端吸收高噪音部分,得到近红外光谱范围11002.4~8000.0cm-1和11002.4~4000.0cm-1,经一阶导数处理后,能放大吸收峰信号,凸显出不同品种之间的差异。
3.3.3模型的建立与验证
定性分析的基本算法为因子化法。因子化法(Factorization)能压缩光谱数据,降低噪声。
在近红外光谱范围11002.4~4000.0cm-1,对参考光谱集的近红外光谱进行一阶导数处理,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型3,光谱经因子化处理后,建模范围11002.4~4000.0cm-1得到3个主因子(Principal factors),3个主因子全部参与建模过程。
在近红外光谱范围11002.4~4000.0cm-1,对参考光谱集的近红外光谱进行一阶导数和平滑处理的组合处理,平滑处理的点数为5个,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型4,光谱经因子化处理后,建模范围11002.4~4000.0cm-1得到3个主因子,3个主因子全部参与建模过程。
在近红外光谱范围11002.4~4000.0cm-1,对参考光谱集的近红外光谱进行一阶导数和平滑处理的组合处理,平滑处理的点数为9个,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型5,光谱经因子化处理后,建模范围11002.4~4000.0cm-1得到3个主因子,3个主因子全部参与建模过程。
在近红外光谱范围11002.4~8000.0cm-1,对参考光谱集的近红外光谱进行一阶导数和平滑处理的组合处理,平滑处理的点数为9个,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的表征较优的近红外光谱鉴别模型6,光谱经因子化处理后,建模范围11002.4~8000.0cm-1得到3个主因子,3个主因子全部参与建模过程。该鉴别模型6得分在三维空间的分布见图5,生姜、干姜、炮姜和姜炭配方颗粒之间均能被两两区分开。
将参考光谱集的近红外光谱和测试光谱集的近红外光谱分别导入模型3-模型6,计算参考光谱集的识别准确率和测试光谱集的识别准确率。结果如表4所示。
表4定性鉴别模型及其性能
由表4可知,选择近红外光谱范围11002.4~4000.0cm-1,预处理方法为一阶导数,定性分析的基本算法为因子化法,所构建的定性鉴别模型3的参考光谱集识别准确率和测试光谱集识别准确率达到80%以上,说明该模型可以用于鉴别生姜、干姜、炮姜和姜炭配方颗粒。
预处理方法为一阶导数和平滑处理的组合后,结合9点平滑处理,所构建的定性鉴别模型5的参考光谱集识别准确率和测试光谱集识别准确率达到90%以上。
选择近红外光谱范围11002.4~8000.0cm-1,预处理方法为一阶导数和平滑处理的组合,结合9点平滑处理,所构建的定性鉴别模型6的参考光谱集识别准确率和测试光谱集识别准确率可达到100%。说明该模型能够准确鉴别区分鉴别生姜、干姜、炮姜和姜炭配方颗粒。
3.3.4模型性能的评价
根据上述鉴定模型6,在软件中导出相应的S值,见表5。生姜、干姜、炮姜和姜炭配方颗粒两两之间的S值均大于1,表明四者之间都能被相互区分开,说明该模型具有较好的选择性。
表5各组配方颗粒之间的S值
4.3定性鉴别模型的建立与评价
4.3.1光谱预处理方法的选择
从二阶导数(Second derivative)、平滑处理(Smoothing)及其组合中选择光谱预处理方法,以降低干扰,增强样品信号,提高所建鉴别模型的性能。平滑处理可以改善光谱形状、提高信噪比、降低随机误差和仪器噪声。
4.3.2建模光谱范围的选择
利用OPUS软件去除末端吸收高噪音部分,得到近红外光谱范围9000.0~6000.0cm-1和11000.0~4000.0cm-1。
4.3.3模型的建立与验证
定性分析的基本算法为因子化法。
在近红外光谱范围11000.0~4000.0cm-1,对参考光谱集的近红外光谱进行二阶导数处理,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型7,光谱经因子化处理后,建模范围11000.0~4000.0cm-1得到3个主因子,3个主因子全部参与建模过程。
在近红外光谱范围11000.0~4000.0cm-1,对参考光谱集的近红外光谱进行二阶导数和平滑处理的组合处理,平滑处理的点数为5个,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型8,光谱经因子化处理后,建模范围11000.0~4000.0cm-1得到3个主因子,3个主因子全部参与建模过程。
在近红外光谱范围11000.0~4000.0cm-1,对参考光谱集的近红外光谱进行二阶导数和平滑处理的组合处理,平滑处理的点数为9个,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型9,光谱经因子化处理后,建模范围11000.0~4000.0cm-1得到3个主因子,3个主因子全部参与建模过程。
在近红外光谱范围9000.0~6000.0cm-1,对参考光谱集的近红外光谱进行二阶导数和平滑处理的组合处理,平滑处理的点数为9个,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型10,光谱经因子化处理后,建模范围9000.0~6000.0cm-1得到3个主因子,3个主因子全部参与建模过程。
在近红外光谱范围9000.0~6000.0cm-1,对参考光谱集的近红外光谱进行二阶导数和平滑处理的组合处理,平滑处理的点数为13个,采用因子化法建立生姜、干姜、炮姜和姜炭配方颗粒的表征较优的近红外光谱鉴别模型11,光谱经因子化法处理后,建模范围9000.0~6000.0cm-1得到3个主因子,3个主因子全部参与建模过程。该鉴别模型11得分在三维空间的分布见图6,生姜、干姜、炮姜和姜炭配方颗粒之间均能被两两区分开。
将参考光谱集的近红外光谱和测试光谱集的近红外光谱分别导入模型7-模型11,计算参考光谱集的识别准确率和测试光谱集的识别准确率。结果如表6所示。
表6定性鉴别模型及其性能
由表6可知,选择近红外光谱范围11000.0~4000.0cm-1,预处理方法为二阶导数,定性分析的基本算法为因子化法,所构建的定性鉴别模型7的参考光谱集识别准确率和测试光谱集识别准确率达到80%以上。
预处理方法为二阶导数和平滑处理的组合后,结合5-9点平滑处理,所构建的定性鉴别模型8和鉴别模型9的参考光谱集识别准确率和测试光谱集识别准确率均可以达到90%以上。
选择近红外光谱范围9000.0~6000.0cm-1,预处理方法为二阶导数和平滑处理的组合后,经过二阶导数处理结合9-13点平滑处理,所构建的定性鉴别模型10和鉴别模型11的参考光谱集识别准确率可达到100%,尤其是鉴别模型11的测试光谱集识别准确率也能达到100%。说明该鉴别模型11能够准确鉴别区分生姜、干姜、炮姜和姜炭配方颗粒。
4.3.4模型性能的评价
根据鉴别模型11,在软件中导出相应的S值,见表7。生姜、干姜、炮姜和姜炭配方颗粒两两之间的S值均大于1,表明四者之间都能被相互区分开,说明该模型具有较好的选择性。
表7各组配方颗粒之间的S值
实施例2生姜、干姜、炮姜和姜炭配方颗粒的鉴别
取待测生姜、干姜、炮姜和姜炭配方颗粒,参照实施例1中项2.1下的方法,采集其近红外光谱,导入上述鉴别模型11中,获取判别结果。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型构建方法,其特征在于,包括以下步骤:
采集生姜、干姜、炮姜和姜炭配方颗粒的样品的近红外光谱,分为参考光谱集和测试光谱集;
在近红外光谱范围,对所述参考光谱集的近红外光谱进行预处理,采用定性分析的基本算法,建立生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型;将所述参考光谱集和所述测试光谱集的近红外光谱导入所述鉴别模型,以所述参考光谱集和所述测试光谱集的识别准确率均≥95%为指标,选择所述预处理的方法,选择所述近红外光谱范围,选择所述定性分析的基本算法;
所述近红外光谱范围为11002.4cm-1~8000.0cm-1,所述预处理的方法为一阶导数和平滑处理的组合,所述定性分析的基本算法为因子化法;所述平滑处理的点数为9个,所述因子化法的主因子数为3个;或
所述近红外光谱范围为9000cm-1~6000.0cm-1,所述预处理的方法为二阶导数和平滑处理的组合,所述定性分析的基本算法为因子化法;所述平滑处理的点数为9-13个,所述因子化法的主因子数为3个;
对所述鉴别模型进行评价。
2.根据权利要求1所述的近红外光谱鉴别模型构建方法,其特征在于,采集所述生姜、干姜、炮姜和姜炭配方颗粒的样品的近红外光谱之前,还包括对所述生姜、干姜、炮姜和姜炭配方颗粒的样品进行粉碎和过筛的步骤。
3.根据权利要求1-2任一项所述的近红外光谱鉴别模型构建方法,其特征在于,对所述鉴别模型进行评价的参数为选择性S值。
4.一种生姜、干姜、炮姜和姜炭配方颗粒的鉴别方法,其特征在于,包括以下步骤:
获取根据权利要求1-3任一项所述的近红外光谱鉴别模型构建方法得到的生姜、干姜、炮姜和姜炭配方颗粒的近红外光谱鉴别模型;
采集待测样品的近红外光谱,将所述待测样品的近红外光谱的数据导入所述鉴别模型,获得判别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154200.2A CN113029999B (zh) | 2021-02-04 | 2021-02-04 | 一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154200.2A CN113029999B (zh) | 2021-02-04 | 2021-02-04 | 一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113029999A CN113029999A (zh) | 2021-06-25 |
CN113029999B true CN113029999B (zh) | 2022-11-15 |
Family
ID=76459915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110154200.2A Active CN113029999B (zh) | 2021-02-04 | 2021-02-04 | 一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113029999B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114199817B (zh) * | 2021-12-02 | 2024-05-14 | 广东一方制药有限公司 | 苍耳子药材的近红外鉴别模型的构建方法及其近红外鉴别方法 |
CN114199818B (zh) * | 2021-12-02 | 2024-05-14 | 广东一方制药有限公司 | 苍耳子中药配方颗粒的近红外定量检测模型的构建方法及其定量检测方法 |
CN116793990B (zh) * | 2023-07-13 | 2024-03-26 | 黄冈职业技术学院 | 植物类中药的五味量化表征方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411906B (zh) * | 2013-08-23 | 2015-10-14 | 中国检验检疫科学研究院 | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 |
CN109738391B (zh) * | 2019-02-20 | 2021-06-22 | 南京中医药大学 | 一种基于近红外光谱技术的干姜药材质量评价方法 |
-
2021
- 2021-02-04 CN CN202110154200.2A patent/CN113029999B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113029999A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113029999B (zh) | 一种姜科中药配方颗粒的近红外光谱鉴别模型构建方法和鉴别方法 | |
Li et al. | Quality control of Lonicerae Japonicae Flos using near infrared spectroscopy and chemometrics | |
WO2021056814A1 (zh) | 一种基于药效信息建立评价中药质量的化学模式识别方法 | |
Pan et al. | Rapid On-site identification of geographical origin and storage age of tangerine peel by Near-infrared spectroscopy | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
Li et al. | Multi-information based on ATR-FTIR and FT-NIR for identification and evaluation for different parts and harvest time of Dendrobium officinale with chemometrics | |
CN112414967B (zh) | 一种快速实时检测蒲黄炭炮制的近红外质控方法 | |
Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
CN103364359A (zh) | Simca模式识别法在近红外光谱识别大黄药材中的应用 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
Zhuang et al. | Rapid determination of green tea origins by near-infrared spectroscopy and multi-wavelength statistical discriminant analysis | |
Fan et al. | Geographical-origin discrimination and volatile oil quantitative analysis of Zanthoxylum bungeanum Maxim. with a portable near-infrared spectrometer | |
Chen et al. | Qualitative identification of tea by near infrared spectroscopy based on soft independent modelling of class analogy pattern recognition | |
CN113176227A (zh) | 一种快速预测河南石斛掺伪霍山石斛的方法 | |
CN105334183A (zh) | 一种基于近红外光谱鉴别法定麻黄药材的方法 | |
CN103076300A (zh) | 专属性模式识别模型判别分析中药材资源指纹信息的方法 | |
CN116559106A (zh) | 一种中药材炮制工艺过程的近红外在线监测方法 | |
CN111380832A (zh) | 复方甘草片有效成分含量测定校正模型构建、检测方法 | |
CN114550843B (zh) | 中药多糖中单糖组成及含量的预测模型及其构建方法和应用 | |
CN114486798B (zh) | 一种快速预测蕨菜中总黄酮含量的方法 | |
CN114295751A (zh) | 一种基于多波长指纹图谱的山里黄根质量评价方法 | |
CN110320286B (zh) | 小柴胡颗粒有效成分的含量测定方法 | |
CN112684023A (zh) | 一种厚朴药材质量的快速检测方法和厚朴药材的筛选方法 | |
CN107389598B (zh) | 一种鉴定槐花品质的近红外光谱分析方法 | |
CN114199817A (zh) | 苍耳子药材的近红外鉴别模型的构建方法及其近红外鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |