CN114280180B - 一种实时精确检测中成药品中成分种类与含量的方法 - Google Patents
一种实时精确检测中成药品中成分种类与含量的方法 Download PDFInfo
- Publication number
- CN114280180B CN114280180B CN202111586131.9A CN202111586131A CN114280180B CN 114280180 B CN114280180 B CN 114280180B CN 202111586131 A CN202111586131 A CN 202111586131A CN 114280180 B CN114280180 B CN 114280180B
- Authority
- CN
- China
- Prior art keywords
- data
- medicine
- spectrum
- chinese patent
- components
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 45
- 229940079593 drug Drugs 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000002835 absorbance Methods 0.000 claims abstract description 10
- 238000013499 data model Methods 0.000 claims abstract description 10
- 125000000524 functional group Chemical group 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000010521 absorption reaction Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004128 high performance liquid chromatography Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000001291 vacuum drying Methods 0.000 abstract description 4
- 238000000227 grinding Methods 0.000 abstract description 2
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 12
- 150000004676 glycans Chemical class 0.000 description 12
- 239000002777 nucleoside Substances 0.000 description 12
- 229920001282 polysaccharide Polymers 0.000 description 12
- 239000005017 polysaccharide Substances 0.000 description 12
- 150000003833 nucleoside derivatives Chemical class 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- NYHBQMYGNKIUIF-UUOKFMHZSA-N Guanosine Chemical compound C1=NC=2C(=O)NC(N)=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O NYHBQMYGNKIUIF-UUOKFMHZSA-N 0.000 description 4
- ISAKRJDGNUQOIC-UHFFFAOYSA-N Uracil Chemical compound O=C1C=CNC(=O)N1 ISAKRJDGNUQOIC-UHFFFAOYSA-N 0.000 description 4
- DRTQHJPVMGBUCF-XVFCMESISA-N Uridine Chemical compound O[C@@H]1[C@H](O)[C@@H](CO)O[C@H]1N1C(=O)NC(=O)C=C1 DRTQHJPVMGBUCF-XVFCMESISA-N 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000825 pharmaceutical preparation Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- LRFVTYWOQMYALW-UHFFFAOYSA-N 9H-xanthine Chemical compound O=C1NC(=O)NC2=C1NC=N2 LRFVTYWOQMYALW-UHFFFAOYSA-N 0.000 description 2
- MIKUYHXYGGJMLM-GIMIYPNGSA-N Crotonoside Natural products C1=NC2=C(N)NC(=O)N=C2N1[C@H]1O[C@@H](CO)[C@H](O)[C@@H]1O MIKUYHXYGGJMLM-GIMIYPNGSA-N 0.000 description 2
- NYHBQMYGNKIUIF-UHFFFAOYSA-N D-guanosine Natural products C1=2NC(N)=NC(=O)C=2N=CN1C1OC(CO)C(O)C1O NYHBQMYGNKIUIF-UHFFFAOYSA-N 0.000 description 2
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 2
- DRTQHJPVMGBUCF-PSQAKQOGSA-N beta-L-uridine Natural products O[C@H]1[C@@H](O)[C@H](CO)O[C@@H]1N1C(=O)NC(=O)C=C1 DRTQHJPVMGBUCF-PSQAKQOGSA-N 0.000 description 2
- 229940029575 guanosine Drugs 0.000 description 2
- FDGQSTZJBFJUBT-UHFFFAOYSA-N hypoxanthine Chemical compound O=C1NC=NC2=C1NC=N2 FDGQSTZJBFJUBT-UHFFFAOYSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 125000003835 nucleoside group Chemical group 0.000 description 2
- 229940127557 pharmaceutical product Drugs 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229940035893 uracil Drugs 0.000 description 2
- DRTQHJPVMGBUCF-UHFFFAOYSA-N uracil arabinoside Natural products OC1C(O)C(CO)OC1N1C(=O)NC(=O)C=C1 DRTQHJPVMGBUCF-UHFFFAOYSA-N 0.000 description 2
- 229940045145 uridine Drugs 0.000 description 2
- 229930024421 Adenine Natural products 0.000 description 1
- GFFGJBXGBJISGV-UHFFFAOYSA-N Adenine Chemical compound NC1=NC=NC2=C1N=CN2 GFFGJBXGBJISGV-UHFFFAOYSA-N 0.000 description 1
- USFZMSVCRYTOJT-UHFFFAOYSA-N Ammonium acetate Chemical compound N.CC(O)=O USFZMSVCRYTOJT-UHFFFAOYSA-N 0.000 description 1
- 239000005695 Ammonium acetate Substances 0.000 description 1
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- UGQMRVRMYYASKQ-UHFFFAOYSA-N Hypoxanthine nucleoside Natural products OC1C(O)C(CO)OC1N1C(NC=NC2=O)=C2N=C1 UGQMRVRMYYASKQ-UHFFFAOYSA-N 0.000 description 1
- 229930010555 Inosine Natural products 0.000 description 1
- UGQMRVRMYYASKQ-KQYNXXCUSA-N Inosine Chemical compound O[C@@H]1[C@H](O)[C@@H](CO)O[C@H]1N1C2=NC=NC(O)=C2N=C1 UGQMRVRMYYASKQ-KQYNXXCUSA-N 0.000 description 1
- 229960000643 adenine Drugs 0.000 description 1
- 229960005305 adenosine Drugs 0.000 description 1
- 229940043376 ammonium acetate Drugs 0.000 description 1
- 235000019257 ammonium acetate Nutrition 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 229940126534 drug product Drugs 0.000 description 1
- 238000010828 elution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229960003786 inosine Drugs 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 238000004007 reversed phase HPLC Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002137 ultrasound extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229940075420 xanthine Drugs 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及中成药品成分检测领域,公开了一种实时精确检测中成药品中成分种类与含量的方法。首先进行中成药品均匀研磨,真空干燥预处理,红外数据采集,再将红外光谱数据进行基线矫正,光谱归一化,生成直线数据处理技术,采用光谱数据傅里叶变换自卷积和二阶导数光谱数据与标准成分数据库在官能团区和指纹区处的收带位置,形状和强度进行机器学习神经网络特征匹配,得出中成药品中的成分种类。再利用对应成分标准的工作曲线结合神经网络算法可快速建立数据模型,得出成分质量和吸光度的关系,从而测出中成药品中成分的种类的含量。与高效液相色谱法相比,此方法可在不破样品完整性情况下,实时同时在线检测药品中成分的种类和含量。
Description
技术领域
本发明涉及中成药品成分检测领域,具体为一种实时精确检测中成药品中成分种类与含量的方法。
背景技术
目前,中成药在生产过程中,尤其是针对药品中多种成分的检测与定量分析是工业化生产中必不可少的环节。缺少对中成药品中某些成分的定性和定量分析将无法科学有效地保证中药产品质量的稳定。现有技术中难以以一种便捷又有效的方法去检测不同的中成药品里包含的多种成分的种类。大都数采用的方法是利用高效液相色谱法(HPLC)测定药品中的某些成分,如核苷与多糖,具体实现采用0.1%氨水超声提取中成药品中尿嘧啶、次黄嘌呤、黄嘌呤、尿苷、肌苷、鸟苷,并应用反相高效液相色谱法测定其含量;色谱条件:采用Gemini C18色谱柱,以5mmol·L-1乙酸铵溶液和甲醇为流动相,梯度洗脱,流速为1.0mL·min-1,检测波长254nm,柱温30℃。由此可见,采用高效液相色谱法测量中成药品中的种类及含量时,需要将药品颗粒溶于液体,破坏了样品。同时需要精确控制流速,常常由于控制不当,产生涡流扩散现象,造成有的部位结块或装直紧密则流速就慢,多条流路有快有慢,就使区带变宽,色柱效率低。在进行对照品溶液的配制和供试品溶液的配制时需要多次使用不同浓度的甲醇溶液配比,再将药品溶液中的甲醇放置在水浴锅上蒸馏出甲醇,此方法技术繁琐,温度控制要求严格,步骤复杂,耗时长,破坏了样品完整性导致样品中多种成分的质量转移的缺点,不利于样品中成分的实时在线定量分析。
红外光谱技术作为一种高新分析技术,具有分析速度快、测量重复性好、分析成本低、不破坏样本、样本预处理简单、方便实施在线分析等特点,可以真正实现对生产过程药品中多种成分的检测。然而,检测结果需要复杂的信息提取过程。仅用红外光谱技术,难以实现实时在线检测功能。针对目前中成药成分分析的技术,本专利采用基于傅里叶变换的红外光谱技术,全面探讨了红外光谱技术结合化学计量学数学建模的方法利用机器学习神经网络特征匹配在中药生产过程药品成分的检测,提出一种基于机器学习的红外光谱技术在中成药品的多种成分同时检测的方法。利用在线检测,快速判断,达到药品实时在线检测的目的。同时也可用于医院调配中药后的检测,海关药品检查,药品产地鉴别、药品打假等领域。
发明内容
针对现有高效液相色谱法(HPLC)在测量中成药品成分时制作流程复杂且耗时长,破坏样品完整性以及药品中成分检测质量准确率不高且无法在在线生产工程中进行实时检测等问题,本发明提供了一种实时精确检测中成药品中成分种类与含量的方法。
为了达到上述目的,本发明采用了下列技术方案:
本发明提供一种实时精确检测中成药品中成分种类与含量的方法,包括以下步骤:
步骤S1:待测中成药品样品预处理;
步骤S2:对预处理后的中成药样品进行红外光谱检测;
步骤S3:对步骤S2红外光谱检测得到的红外光谱数据进行预处理,得到标准的红外光谱;
步骤S4:通过步骤S1-S3建立标准药品成分红外数据库;
步骤S5:建立红外光谱的定性鉴别模型并进行定性鉴别;
步骤S6:将经过步骤S5的光谱数据通过药品定量分析模型,采用神经网络算法与药品成分标准工作曲线结合的方法测量成分的含量。
进一步,所述步骤S1中对待测中成药品样品进行预处理具体为:根据中成药品的类别,制作相应的标签数据集{text1、text2、…},然后将其打磨成颗粒尺寸小于2.5μm,再进行真空干燥。
进一步,所述步骤S2对预处理后的中成药样品进行红外光谱检测的具体过程为:将标记好待测的药品数据集依次通过傅里叶变换光谱仪,以固体检测方式得出样品以吸光度为纵坐标的近红外光谱数据。
进一步,所述步骤S3中对红外光谱数据进行预处理包括:
步骤S31:对药品的光谱图进行基线校正,将光谱图中倾斜或漂移的基线和干涉条纹进行逐点矫正;
步骤S32:药品的光谱图进行基线矫正后,进行光谱归一化处理,将光谱中最大吸收峰的吸光度归化为1,再将光谱的基线归化为0;
步骤S33:将归一化后的光谱数据进行生成数据直线处理,得到标准的中成药品的红外光谱。
进一步,所述步骤S4中建立的红外数据库3500-1500(cm-1)为官能团区,1000-500(cm-1)为指纹区。
进一步,所述步骤S5中红外光谱的定性鉴别的具体过程为:对步骤S3得到的标准的红外光谱进行二阶导数光谱数据处理、傅里叶自卷积处理,结合数据模型特征匹配算法在二阶导数光谱数据基础上验证药品的光谱数据的傅里叶自卷积处理的效果,若傅里叶自卷积处理的效果较好,则将步骤S3的数据与步骤S4中标准品的标准数据库进行神经网络训练后的特征匹配,快速找出在相同波数下出现的该成分的种类并输出结果。
进一步,所述数据模型特征匹配算法是采用神经网络特征匹配算法,将待测药品的光谱数据与建立的标准药品的光谱数据库进行在特征吸收带位置,形状和强度的数据特征匹配。
进一步,所述结合数据模型特征匹配算法在二阶导数光谱数据基础上验证药品的光谱数据的傅里叶自卷积处理效果的具体过程为:将药品数据的傅里叶自卷积处理光谱与其二阶导数光谱相比较,判别两个光谱峰个数、峰位是否基本相同,若两个光谱峰个数、峰位基本相同,则光谱数据的傅里叶自卷积效果较好;若两个光谱峰个数、峰位不相同,则表明光谱数据的傅里叶自卷积效果差,需要调整并优化数据模型特征匹配算法,之后再重新进行判别。
与现有技术相比本发明具有以下优点:
1、本发明在药品的定性鉴别模型中引入红外光谱波段在官能团与指纹区的吸收峰位置、形状和强度划分,再结合药品中某些成分的标准红外光谱数据库进行神经网络特征匹配,可得出药品中成分种类。定量分析模型采用药品中成分建立标准工作曲线结合神经网络算法确定药品中相应成分的含量,如高纯度核苷与多糖。经过与相同中成药品的在高效液相仪器下对比如下图7所示,可知本发明采用红外光谱技术与数据模型结合在检测中成药品的核苷与多糖种类时与高效色谱法结果几乎一致。与高效液相色谱法相比,此方法可在不破样品完整性情况下,不仅同样可靠,准确的检测药品中多种成分的种类和含量,还可以同时、实时在线的检测其成分和含量。
2、本发明采用近红外光谱测量时无需破坏样品只对近红外光谱数据处理,可以方便快捷准确同时地检测出多种成分种类与含量。
3、本发明结合机器学习,通过神经网络的卷积层和采样层构成特征提取器能够从药品复杂的红外光谱数据中自主的提取有效特征进行学习,并不断地训练、学习,使模型参数达到最优,最后通过池化层和全连接层可以实现药品的实时准确检测目的。
4、本发明结合机器学习算法,降低了传统数学建模的参数量和减小了化学计量的复杂度,相比高效液相色谱法(HPLC)操作过程简单,网络学习效率高,可快速特征匹配且同时检测多种成分的种类,结合标准工作曲线与神经网络结合的方法进行其含量的评估,从而可以快捷准确地检测出多种药品成分的种类与含量。
附图说明
图1为本发明中成药品真空干燥后的红外光谱图。
图2为本发明中进行光谱数据基线矫正,光谱归一化红外光谱图。
图3为红外光谱数据的峰值。
图4为药品各种检测成分建立的样品标准数据库。
图5为本发明整体系统框架。
图6为本发明细节框架展示。
图7为本发明仿真结果展示。
具体实施方式
下面结合本发明实施例和附图,对本发明实施例中的技术方案进行具体、详细的说明。应当指出,对于本领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干变型和改进,这些也应视为属于本发明的保护范围。
本实施例进行预测中成药品中多糖和核苷的种类与含量。
利用红外光谱与数学模型和神经网络建立预测中成药品中多糖和核苷的种类与含量模型。
步骤S1:选取不同类别的中成药品,标记种类后,送入HX-500A型高速中药粉碎机中打磨成的颗粒尺寸2.5μm以下,再将药品颗粒放入真空干燥机中进行真空干燥。图1为真空干燥后的红外光谱图。
步骤S2:获得中成药品粉末样本送入傅里叶红外光谱仪器,本发明在进行药品样品红外光谱测量时,选用的近红外光分析的参数为:仪器型号:Thermo ScientificNicolet iS50 FT-IR Spectromete,扫描范围5000-400(cm-1),分辨率为4cm-1,扫描次数2,最终格式是吸光度,自动大气背景扣除和以固体方式进行检测。
步骤S3:将得到的红外光谱数据预处理,这里是以吸光度为纵坐标,波数为横坐标。
步骤S31:对药品的光谱图进行基线校正,将光谱图中倾斜或漂移的基线和干涉条纹进行逐点矫正;
步骤S32:药品的光谱图进行基线矫正后,进行光谱归一化处理-将光谱中最大吸收峰的吸光度归化为1,再将光谱的基线归化为0;
步骤S33:将归一化后的光谱数据进行生成数据直线处理,这里就会得到标准的中成药品的红外光谱。
图2为进行光谱数据基线矫正,光谱归一化红外光谱图。
步骤S4:将纯度高达98%的尿嘧啶,腺嘌呤,腺苷,鸟苷,尿苷和纯度为98%的果胶,纤维素;通过步骤S1-S3建立标准核苷与多糖的红外数据库,这里建立3500-1500(cm-1)为官能团区,1000-500(cm-1)为指纹区,选取吸收带位置,形状和强度建立核苷和多糖样品标准数据库。
步骤S5:建立中成药品的定性鉴别模型。
步骤S51:对S3中光谱数据预处理后的数据再进行傅里叶自卷积处理就是将实测光谱重新变成干涉图然后选择合适的且值函数与干涉图相乘再进行傅里叶变换。
步骤S52:影响傅里叶自卷积结果的参数有谱带宽度和分辨率增强因子,可通过自卷积窗口不断的调节两个参数以达到最佳效果。
步骤S53:判断效果可将药品数据的傅里叶自卷积光谱与其二阶导数光谱相比较,判别两个光谱峰个数,峰位是否基本相同?
步骤S54:两个光谱峰个数,峰位基本相同,则光谱数据的傅里叶自卷积效果较好。
步骤S55:两个光谱峰个数,峰位不相同,则表明光谱数据的傅里叶自卷积效果差,需要返回步骤S52进行参数调整之后再回到步骤S53进行判别。
步骤S56:建立机器学习神经网络模型,将步骤S4高纯度的各种成分得出红外光谱,在图中进行官能团区,指纹区,吸收峰位置,形状和强度进行特征标记。将标记好的图像送入神经网络中进行特征提取和训练。通过不断的权重优化可记录出归一化后不同成分之间所对应的在官能团区(Fga)和指纹区(Fa)的吸收峰的位置(P),形状(S)和强度(I)的数据。
步骤S57:将步骤S56中成药品中不同成分之间光谱图进行线性叠加,在送入神经网络中进行特征提取与训练,可得出不同成分间的相互叠加在一起的特征模型。网络结构见下表1
步骤S58:将步骤S54中的数据与步骤S57中进行神经网络在对应的在官能团区和指纹区的吸收峰的位置,形状和强度的数据特征匹配处理,找出药品中对应的某种成分如核苷种类与多糖种类出现的横坐标对应的波数和纵坐标对应的吸光度存入预测数据集。{predict1,predict2,}
步骤S6:根据步骤S58可检测出药品中的核苷与多糖的种类
步骤S7:将步骤S6送入药品定量分析模型中。
步骤S71:建立标准成分质量关系库,将各种纯组分物质(A,B,C…)划分不同质量得出标准红外光谱图,分别建立在相同成分,不同质量和不同成分,相同质量下划分的官能团区,指纹区,吸收峰位置,形状和强度的两组数据关系。
步骤S72:将步骤S71得出两组数据送入机器视觉-神经网络模型训练,不断优化参数得出不同成分间以官能团区(Fga)和指纹区(Fa)的吸收峰的位置(P),形状(S)和强度(I)数据间的差异性。通过分析不同成分间吸收峰数据的差异,建立以纯组分的质量为函数值,相对应的吸收峰的位置(P),形状(S)和强度(I)为自变量的函数关系。就可以得到不同成分间的标准关系表2。
步骤S73:同一成分下的标准红外光谱的吸收峰不止一个,其位置(P),形状(S)和强度(I)更是复杂多样,步骤S72得出的不同成分间的吸收峰的差异数据冗余,通过对其数据特征标记,通过改变神经网络参数,找出不同成分间互相不干扰,且唯一一个吸收峰。可建立该吸收峰的面积为横坐标,质量为纵坐标的标准工作曲线。
步骤S74:由步骤S6确定待测中成药品成分的种类时,可得出不同成分间对应的吸收峰的位置(P),形状(S)和强度(I)的数据,即可建立药品成分(A,B,C…)与其吸收峰的数据间的关系曲线F(A,B,C.....)=F(P,S,I)。同一成分的吸收峰不止一个,在多个吸收峰通过神经网络算法找出成分某一个吸收峰,不受其它成分吸收峰的影响,从而建立吸收峰的位置,形状,大小的数据与独立峰之间的关系F(Ipeak)=F(P,S,I),则可推出药品成分F(A,B,C.....)与其独立峰F(Ipeak)间的关系。由步骤S72确定的不同成分间独立峰面积与不同质量间的关系可预测测试样品与建模样品的定量结果。
步骤S8:输出中成药品中含有的核苷与多糖的含量。
由图7实验结果可知,采用机器学习的红外光谱技术(即本发明方法)测量中成药品中成分时,与高效液相色谱法对比,没有其繁多,复杂的实验条件同样可以准确的测量药品中成分的种类和含量,而且可以实时在线的检测药品成分。
上述实施例以检测中成药品中核苷与多糖成分与含量为例,但是本发明方法的使用不限于上述实施例,将测其它成分时按上述核苷与多糖的操作步骤实施即可。
Claims (5)
1.一种实时精确检测中成药品中成分种类与含量的方法,其特征在于,包括以下步骤:
步骤S1:待测中成药品样品预处理;
步骤S2:对预处理后的中成药样品进行红外光谱检测;
步骤S3:对步骤S2红外光谱检测得到的红外光谱数据进行预处理,得到标准的红外光谱;
步骤S4:通过步骤S1-S3建立标准药品成分红外数据库;
步骤S5:建立红外光谱的定性鉴别模型并进行定性鉴别;
步骤S6:将经过步骤S5的光谱数据通过药品定量分析模型,采用神经网络算法与药品成分标准工作曲线结合的方法测量药品中成分的含量;
所述步骤S5中红外光谱的定性鉴别的具体过程为:对步骤S3得到的标准的红外光谱进行二阶导数光谱数据处理和傅里叶自卷积处理,结合数据模型特征匹配算法在二阶导数光谱数据基础上验证药品的光谱数据的傅里叶自卷积处理的效果,若傅里叶自卷积处理的效果较好,则将步骤S3的数据与步骤S4中标准品的标准数据库进行神经网络训练后的特征匹配,快速找出在相同波数下出现的该成分的种类并输出结果;
所述数据模型特征匹配算法是采用神经网络特征匹配算法,将待测药品的光谱数据与建立的标准药品的光谱数据库进行在特征吸收带位置,形状和强度的数据特征匹配;
所述结合数据模型特征匹配算法在二阶导数光谱数据基础上验证药品的光谱数据的傅里叶自卷积处理效果的具体过程为:将药品数据的傅里叶自卷积处理光谱与其二阶导数光谱相比较,判别两个光谱峰个数、峰位是否基本相同,若两个光谱峰个数、峰位基本相同,则光谱数据的傅里叶自卷积效果较好;若两个光谱峰个数、峰位不相同,则表明光谱数据的傅里叶自卷积效果差,需要调整并优化数据模型特征匹配算法,之后再重新进行判别。
2.根据权利要求1所述的一种实时精确检测中成药品中成分种类与含量的方法,其特征在于,所述步骤S1中对待测中成药品样品进行预处理具体为:根据中成药品的类别,制作相应的标签数据集{text1、text2、…},然后将其打磨成颗粒尺寸小于2.5μm,再进行真空干燥。
3.根据权利要求1所述的一种实时精确检测中成药品中成分种类与含量的方法,其特征在于,所述步骤S2对预处理后的中成药样品进行红外光谱检测的具体过程为:将标记好待测的药品数据集依次通过傅里叶变换光谱仪,以固体检测方式得出样品以吸光度为纵坐标的近红外光谱数据。
4.根据权利要求1所述的一种实时精确检测中成药品中成分种类与含量的方法,其特征在于,所述步骤S3中对红外光谱数据进行预处理包括:
步骤S31:对药品的光谱图进行基线校正,将光谱图中倾斜或漂移的基线和干涉条纹进行逐点矫正;
步骤S32:药品的光谱图进行基线矫正后,进行光谱归一化处理,将光谱中最大吸收峰的吸光度归化为1,再将光谱的基线归化为0;
步骤S33:将归一化后的光谱数据进行生成数据直线处理,得到标准的中成药品的红外光谱。
5.根据权利要求1所述的一种实时精确检测中成药品中成分种类与含量的方法,其特征在于,所述步骤S4中建立的红外数据库3500-1500cm-1为官能团区,1000-500cm-1为指纹区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586131.9A CN114280180B (zh) | 2021-12-21 | 2021-12-21 | 一种实时精确检测中成药品中成分种类与含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111586131.9A CN114280180B (zh) | 2021-12-21 | 2021-12-21 | 一种实时精确检测中成药品中成分种类与含量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114280180A CN114280180A (zh) | 2022-04-05 |
CN114280180B true CN114280180B (zh) | 2023-11-14 |
Family
ID=80874141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111586131.9A Active CN114280180B (zh) | 2021-12-21 | 2021-12-21 | 一种实时精确检测中成药品中成分种类与含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114280180B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303393A (zh) * | 2018-01-31 | 2018-07-20 | 长安大学 | 一种测量sbs改性沥青中sbs改性剂含量的方法 |
CN108693140A (zh) * | 2018-06-29 | 2018-10-23 | 无锡济民可信山禾药业股份有限公司 | 一种快速检测醒脑静口服制剂中麝香酮含量的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7436511B2 (en) * | 1999-01-22 | 2008-10-14 | Sensys Medical, Inc. | Analyte filter method and apparatus |
CN108509997A (zh) * | 2018-04-03 | 2018-09-07 | 深圳市药品检验研究院(深圳市医疗器械检测中心) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 |
-
2021
- 2021-12-21 CN CN202111586131.9A patent/CN114280180B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303393A (zh) * | 2018-01-31 | 2018-07-20 | 长安大学 | 一种测量sbs改性沥青中sbs改性剂含量的方法 |
CN108693140A (zh) * | 2018-06-29 | 2018-10-23 | 无锡济民可信山禾药业股份有限公司 | 一种快速检测醒脑静口服制剂中麝香酮含量的方法 |
Non-Patent Citations (5)
Title |
---|
On automatic recommender algorithm with regularized convolutional neural network and IR technology in the self-regulated learning process;Zhaoli Zhang 等;Infrared Physics & Technology;第105卷;1-9 * |
傅里叶自解卷积红外光谱定量分析法测定阿奇霉素的研究;程存归;中国抗生素杂志(07);399-402 * |
基于径向基神经网络的斯普林注射液紫外光谱定量分析;李辰;刘鹤松;孟庆繁;郭伟良;滕乐生;滕利荣;;时珍国医国药(11);2648-2650 * |
径向基神经网络结合近红外光谱技术分析安络小皮伞发酵组分的研究;宋佳;李臣亮;邢高杨;孟庆繁;逯家辉;曹家铭;周毓麟;王迪;滕利荣;;光学学报(12);328-333 * |
淀粉的红外光谱及其二维相关红外光谱的分析鉴定;任静;刘刚;欧全宏;赵帅群;徐娟;马殿旭;;中国农学通报(17);58-64 * |
Also Published As
Publication number | Publication date |
---|---|
CN114280180A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach | |
CN108072626B (zh) | 一种沥青品牌识别方法 | |
CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
CN112098358B (zh) | 基于四元数卷积神经网络的近红外光谱并行融合定量检测方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
Zhou et al. | Identification of the variety of maize seeds based on hyperspectral images coupled with convolutional neural networks and subregional voting | |
Sun et al. | Identification of moisture content in tobacco plant leaves using outlier sample eliminating algorithms and hyperspectral data | |
CN109738413A (zh) | 基于稀疏非负最小二乘的混合物拉曼光谱定性分析方法 | |
CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
JPH0694696A (ja) | クロマトグラム解析方法及びクロマトグラフ装置 | |
Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
CN109784390B (zh) | 一种人工智能嗅觉动态响应图谱气体检测识别方法 | |
CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN106770607B (zh) | 一种利用hs‐imr‐ms鉴别卷烟真伪的方法 | |
CN110376153B (zh) | 一种atr-ftir结合rbf神经网络对市售西红花产地溯源的方法 | |
Wulandari et al. | Determination of total flavonoid content in medicinal plant leaves powder using infrared spectroscopy and chemometrics | |
CN114280180B (zh) | 一种实时精确检测中成药品中成分种类与含量的方法 | |
Chen et al. | Monitoring green tea fixation quality by intelligent sensors: comparison of image and spectral information | |
CN113406037B (zh) | 一种基于序列前向选择的红外光谱在线快速识别分析方法 | |
CN111289451A (zh) | 复杂光谱组分浓度定量计算的方法 | |
CN107884360B (zh) | 一种卷烟纸助燃剂检测方法 | |
CN114112985A (zh) | 一种近红外光谱仪及近红外在线检测方法 | |
CN112801173A (zh) | 一种qr模糊鉴别分析的生菜近红外光谱分类方法 | |
CN113252624A (zh) | 一种基于荧光光谱的苹果黄酮含量无损检测方法 | |
CN111595802A (zh) | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 |
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 |