一种快速实时检测蒲黄炭炮制的近红外质控方法与流程

wunan 88 0
一种快速实时检测蒲黄炭炮制的近红外质控方法与流程

[0001]
本发明属于饮片检测技术领域;具体涉及一种运用梯度辨别法快速实时检测蒲黄炭炮制的近红外质控方法。


背景技术:

[0002]
蒲黄为香蒲科植物水烛香蒲、东方香蒲或同属植物的干燥花粉。主要产自浙江、江苏、山东、安徽、湖北。夏季采收蒲棒上部的黄色雄花序,晒干后经辗轧,筛取花粉。蒲黄味甘性平,具化瘀止血通淋之功效,临床用于心血管疾病、妇科疾病、眼底出血、皮肤疾病以及泌尿系统疾病等。蒲黄主要含黄酮类成分、有机酸类成分、甾体类成分、多糖类成分等,有调节血液系统、保护心脑血管系统、免疫调节、抗炎、镇痛和对子宫及肾脏的影响等作用。
[0003]
蒲黄生品化瘀力强,炒炭后保留有一定化瘀能力,同时止血功效显著增强。蒲黄炭味微苦性涩,偏于凉血止血,用于各种血证。
[0004]
炭药炮制是中药的一大特色,中医药理论认为炒炭须存性。目前对蒲黄炭的质量控制仅限定颜色为棕褐色或黑褐色,浸出物不少于11.0%;文献调研发现多以hplc指纹图谱法对蒲黄炭进行质量评价。存在受主观因素影响较大,不同药工对颜色认识不同;需要使用各种仪器和化学试剂对药物材料进行破坏性的预处理,昂贵耗时的问题且以上各方法均为终端检测,不能实时监测炮制的进程。近红外光谱法结合化学计量学技术具有简单,无污染,无损及可实时在线质量控制的优点。有文献报道使用近红外法预测蒲黄不同炮制品中香蒲新苷和异鼠李素-3-o-葡萄糖苷的含量,为在线评估蒲黄炭质量的实现提供可能。但此方法仅检测蒲黄生品指标性成分香蒲新苷和蒲黄炭中含量较低成分异鼠李素-3-o-葡萄糖苷,并不能准确表明蒲黄炭的质量。
[0005]
中国专利申请cn 111487202 a中公开一种药饮片的炮制工艺及其质量控制领域,涉及一种蒲黄炮制过程在线控制的方法,具体涉及以颜色数据作为重要指标作为来控制蒲黄饮片炮制程度的一种判别方法。该方法利用分光测色仪分别测定蒲黄的颜色参数l*、a*、b*值,并以各类饮片的颜色参数、各样品的总色值以及与蒲黄生品标准颜色参数间的色差值、或以判别函数的方法判定蒲黄炮制品的质量。但该方法的准确率和测试效率还有待进一步提高。


技术实现要素:

[0006]
为克服以上技术问题,本发明提供了一种基于梯度辨别法的快速实时检测蒲黄炭炮制的近红外质控方法,该方法的准确率较高。与传统鉴别方法相比,这种实时快速检测方法能客观、迅速、无损、数字化评价中药质量。
[0007]
为实现以上目的,本发明提供的技术方案如下:
[0008]
一种快速实时检测蒲黄炭炮制的近红外质控方法,包括如下步骤:
[0009]
(1)样品制备:取生蒲黄,炒炭,制得标准炭样品,炒炭不及样品,炒过炭样品;
[0010]
(2)光谱数据采集:分别以两种方法采集三种蒲黄炭样品的近红外光谱数据;
[0011]
(3)对光谱数据进行近红外数据标准化预处理,确定特征谱段;光谱数据预处理公式为:
[0012][0013]
sd
i
表示第i个数据,y
i
表示第i个预处理光谱数据,sd
min
和sd
max
表示光谱数据中最小值和最大值;
[0014]
(4)采用梯度辨别法建立定性鉴别模型;具体步骤为:
[0015]
a:特征向量提取:将预处理后的近红外光谱分成多个频段,步幅s表示每个频带的间距;运用中值滤波技术平滑频带,计算每个频带的过滤器中值:令y'
j
为第j个频带的过滤器中值,则y'
j
可按下述公式计算:
[0016][0017]
以过滤器中值y'
j
计算变化梯度为特征向量,令f
j
为第j个特征;
[0018]
f
j
=y'
j+1-y'
j
ꢀꢀ
(ⅲ)
[0019]
b:特征值选取:积分球法所得光谱在上述处理后差异的特征值主要集中于前50%区域;手持光纤法所得光谱在数据处理后,差异特征值集中于前60%区域;因此选取前50%区域和前60%区域分别作为上述两种方法的代表特征值;
[0020]
c:以代表特征值为特征向量,用支持向量机学习样本类型,采用libsvm软件包进行模型训练,构建定性预测模型;提取新测试样本的特征值后,利用预测模型即可判定预测结果类型。
[0021]
优选地,步骤(1)中近红外光谱采集的方法为采用thermo公司antarisⅱ型傅里叶变换近红外光谱仪,以积分球漫反射和光纤探头两种方式采集光谱;扫描次数为32次,分辨率为8cm-1
,光谱范围12000-4000cm-1
,在22-27℃,60%湿度的环境下检测,每份样品重复测定三次,取平均光谱为样品光谱。
[0022]
优选地,步骤(2)中,所述近红外光谱数据采集时,各批次样品量为5g,以空气为背景。
[0023]
优选地,步骤(2)及步骤(4)中,所述的两种方法为积分球漫反射法和光纤探头法。分别以积分球漫反射法或光纤探头法两种模式采集近红外光谱数据。
[0024]
优选地,步骤(1)中,所述炒炭,符合中国药典规定的炒炭方法,制得蒲黄炭样品(标准炭样品),炒炭不及样品,炒过炭样品。
[0025]
本发明通过分析相邻波长间光谱值的波动情况来提取有效的分类特征。
[0026]
本发明步骤(2)之后,随机选取同类型样品中3个光谱图,比较发现光谱为均匀波动,某些波段光谱会拟合,虽然部分波段不吻合,但其变化趋势一致;而后对比不同类型样品谱图发现,某些波段曲线不拟合,且变化梯度具有明显差异;由于相同类型样本变化梯度相似并且不同类型样本变化梯度不同,因此,选择变化梯度为特征。
[0027]
与现有技术比,本发明的技术优势在于:
[0028]
1、相较于传统经验鉴别以及指标成分含量测定,本发明可实时、迅速、无损地评判蒲黄炭炮制的品质。
lda)进行比较。训练集占80%,测试集占20%,以train-test重复运行算法100次,结果表明本发明中开发的算法相比其他三种算法有更高的准确性。如图5所示,浅灰色表示积分球漫反射法,深灰色表示光纤探头法。从100次训练结果中随机选择一个实验结果进行内部验证和外部验证。内部验证表明本发明中算法可识别出所有训练集样本,精度为100%。外部验证结果表明,本算法可比其他算法识别出更多样品,拥有更高的准确性。
[0046]
表1四种算法内部验证和外部验证结果
[0047][0048]
4、确定漫反射法近红外光谱特征谱段
[0049]
三种蒲黄炭炮制品的近红外光谱经过数据预处理后,光谱之间的差异被进一步放大,以圆圈标出差异较大的谱段,如图6所示。其中浅灰表示炒炭不及样品,黑色表示蒲黄炭样品,灰色表示过炭样品。差异谱段集中在前50%谱段,因此将前50%谱段选为特征谱段。
[0050]
5、确定光纤探头法近红外光谱特征谱段
[0051]
处理方法同上述步骤4,如图7所示。差异谱段集中在前60%谱段,因此将前60%谱段选为特征谱段。
[0052]
6、建立定性鉴别模型:以代表特征值为特征向量,使用支持向量机学习样本类型,采用libsvm软件包进行模型训练,构建定性模型。对于新测试样本,其特征值被提取后,预测模型即可判定预测结果类型。
[0053]
7、训练集规模对预测准确性的影响:训练集的规模会影响最终预测的准确性,分别以训练集样本量的10%,20%,30%,40%,50%,60%,70%,80%,90%,用train-test程序重复训练100次。如图8所示,结果表明,训练集规模改变时,本发明中所建方法是可靠的,均可以准确判别样本炮制程度。
[0054]
上述详细说明是针对本发明其中之一可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本发明技术方案的范围内。

标签: #测量装置的制造及其应用技术