基于近红外光谱的测定小柴胡颗粒水分的方法

技术领域

本发明涉及一种基于近红外光谱的测定小柴胡颗粒水分的方法，属于药物检测技术领域。

背景技术

小柴胡颗粒具有解表散热、舒肝和胃的功效，被广泛的用于寒热往来、胸胁苦满、食欲不振、心烦喜吐、口苦咽干等病症的治疗，由7味中药材（柴胡、黄芩、姜半夏、党参、生姜、甘草和大枣）煎煮，提取，浓缩后加入其它辅料造粒干燥制成。作为中药颗粒制剂，小柴胡颗粒水分含量是其重要的质量指标。费休氏法、烘干法、减压干燥法和甲苯法是《中国药典》（2020版）收录的中药颗粒质量水分含量测定方法。上述测定方法具有测量稳定准确等优势，但也存在前处理复杂和测定费时，无法应用于小柴胡颗粒快速质量监测的不足。

近年来，随着中药制剂加工水平的提升，过程质量监测和成品质量检测已成为进一步提升中药制剂质量的重要途径。作为一种绿色、快速、无损同时可实现定性及定量检测在线分析方法，近红外光谱分析被广泛的应用于中药制剂加工过程中质量监测。采用近红外光谱测定中药制剂加工过程及成品水分含量亦有相关文献报道。近红外校正模型的准确性和稳定性决定了该技术的推广应用价值。校正模型的准确性和稳定性由仪器固件、光谱采集方法、基础数据测定方法、建模及模型评价方法和样本数量等因素共同决定。模型的适用范围由校正集或训练集样本的代表性决定。因中药材产地分布广泛和炮制加工工艺差异，不同批次中药材近红外光谱信息的差异性会影响中药制剂近红外校正模型的适用性。

采用近红外光谱信息建立小柴胡颗粒水分含量校正模型时，如何有效降低因中药材产地不同，炮制加工工艺差异等“背景”无关信息对校正模型的干扰，直接提取与水分含量相关的吸光度信息均可提高模型的稳定性、准确性和适用范围。

发明内容

本发明提供了一种稳定性好、准确率高的基于近红外光谱的测定小柴胡颗粒水分的方法，该方法基于不同批次原料小柴胡颗粒近红外光谱，采用EPO算法校正7500cm

本发明基于近红外光谱的EPO-PLS测定小柴胡颗粒水分的方法步骤如下：

1、收集含水率为1.8-2.8%范围内的小柴胡颗粒，并测定小柴胡颗粒的含水率，获得含水率数据；

2、采用近红外光谱仪采集含水率为1.8-2.8%范围内的小柴胡颗粒的近红外光谱；

3、对步骤2采集的近红外光谱进行多元散射校正、Norris平滑、二阶求导的预处理，选择预处理后的近红外光谱的波长在4000-7500cm

4、采用EPO算法对校正集光谱数据进行校正，并将其与其相对应的含水率数据组合，获得校正集数据；

5、基于校正集数据采用偏最小二乘法构建小柴胡颗粒水分4000-7500cm

6、将通过EPO算法校正后的外部验证集光谱数据导入小柴胡颗粒水分4000-7500cm

采用EPO算法对光谱数据进行校正具体是：

1、将含水率在1.8%-2.8%范围内m个不同含水率的小柴胡颗粒的近红外光谱构成的的矩阵X进行分解为含水率相关矩阵X1、含水率不相关矩阵X2、残差矩阵X3，其中X1=XO，X2=XQ，矩阵X维数为m×n，n为近红外光谱波长点数吸光度的个数，O为含水率相关矩阵的投影矩阵，Q为含水率不相关矩阵的投影矩阵；

X=X1+X2+X3 （1）

X=XO+XQ+X3 （2）；

2、计算含水率在1.8%-2.8%范围内m个不同含水率的小柴胡颗粒的近红外光谱的差异矩阵D，D=X

3、对步骤2中的差异矩阵D进行主成分分析，即按D=TP

4、选择主成分分析对矩阵数据的提取率大于99%的主成分数C，计算主成分数C的载荷矩阵P

5、通过P

6、采用m×n单位矩阵减去步骤（5）中X1含水率相关矩阵的投影矩阵得到新的含水率相关投影矩阵，C=I-Q，I为m×n单位矩阵；

7、基于步骤6获得的新的含水率相关投影矩阵对原矩阵进行变换，即X1=XC。

本发明优点和技术效果：

1、本发明方法中使用的EPO校正可显著提升模型的稳定性和准确性，EPO+波长（7500cm

2、本发明方法提高了近红外光谱法测定多批次小柴胡颗粒水分的准确性和稳定性，本发明方法简单、高效，具有推广应用价值。

附图说明

图1为420个小柴胡颗粒水分含量统计分析结果；

图2为小柴胡颗粒原始（a）和处理后（b）的近红外光谱；

图3为不同c和主成分数下RMSECV；

图4为预处理后校正集样品光谱主成分分析第1、2主成分得分；

图5为EPO校正后校正集样品光谱主成分分析第1、2主成分得分；

图6为水分特征光谱（4980-5140cm

图7为EPO校正水分特征光谱的主成分分析第1、2主成分得分；

图8为不同主成分数下模型交互验证均方根误差RMSECV结果图；

图9为未校正的7500～4000 cm

图10为EPO校正后7500～4000 cm

图11为未校正的水分特征吸收波段的近红外光谱构建的PLS模型；

图12为EPO校正后的水分特征吸收波段的近红外光谱构建的PLS模型。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步的说明，但本发明的保护范围并不限于此，实施例中方法如无特殊说明的，均为常规方法；

实施例中使用的仪器： AUW220分析天平（Shimadzu，日本）；FED400多功能热风循环烘箱（BINDER，德国））；近红外光谱仪：Nicolet Antaris Ⅱ型包括带InGaAs检测器的积分球漫反射分析模块、旋转器、5cm石英杯等采样附件和RESULT

实施例1：收集2021年4月-12月间云南白药股份有限公司生产的70批次小胡颗粒（国药准字Z53021588），取样量为6个/批次，共计取样420个；

1、小柴胡颗粒水分的测定

参照《中国药典》（2020版）第四部通则中0832水分测定法第二法（烘干法）测定上述小柴胡颗粒水分含量；测定结果如图1所示，由图1可知，420个小柴胡颗粒的水分含量平均值为2.23%，最大值和最小值分别为1.49%、3.34%，绝大多数小柴胡颗粒水分含量在1.70%-2.76%之间。

2、近红外光谱的采集

采用Nicolet AntarisⅡ型近红外光谱仪，仪器主要参数为光谱扫描范围10000～4000 cm

3、光谱预处理和建模波段的选择

采用TQ Analyst 9.3（Thermo Fisher Scientific, USA）对步骤2采集的近红外光谱进行多元散射校正、Norris平滑、二阶求导的预处理，多元散射校正（MultiplicativeScatter Correction，MSC）可消除样品颗粒大小及分布不均匀产生的散射影响；Norris平滑和二阶求导（Second derivative，SD）过滤噪声，可消除基线漂移，其中Norris平滑窗口宽度11，窗口间隔3；选择预处理后的近红外光谱的波长在4000-7500cm

预处理后的近红外光谱见图2b，由图2b可知，采用MSC+Norris+SD对样品光谱进行预处理，不同样品在吸收峰位置的吸光度差异较原始光谱图变大，且9000-1000cm

同时以小柴胡颗粒近红外光谱水分特征吸收峰5154 cm

4、采用EPO算法对校正集光谱数据进行校正，并将其与其相对应的含水率数据组合，获得校正集数据，采用R4.1软件中的“rchemo”软件包进行光谱EPO校正；

采用含水率为1.7%、1.8%、1.9%、2.0%、2.1%、2.2%、2.3%、2.4%、2.5%、2.6%、2.69%的样品的近红外光谱矩阵作为EPO分析矩阵；近红外光谱矩阵X（m×n），m=11；

EPO算法是将11个含水率小柴胡颗粒的近红外光谱构成的矩阵X（m×n）进行分解为：含水率相关矩阵X1、含水率不相关矩阵X2、残差矩阵X3，其中X1=XO，X2=XQ，矩阵X为m×n，n为近红外光谱波长点数吸光度的个数，O为含水率相关矩阵的投影矩阵，Q为含水率不相关矩阵的投影矩阵；

X=X1+X2+X3 ；

X=XO+XQ+X3 ；

采用模型的“留一法”交叉验证均方根误差RMSECV最小值来优化EPO最优因子数C和PLS回归模型最优的主成分数，结果见图3，EPO校正全波段（4000-7500cm

EPO算法的目的在于求解含水率相关矩阵P，矩阵P的求解步骤包括：

（1）计算含水率在1.8%-2.8%范围内m个不同含水率的小柴胡颗粒的近红外光谱的差异矩阵D，D=X

（2）对步骤（1）中的差异矩阵D进行主成分分析，即按D=TP

（3）选择主成分分析对矩阵数据的提取率大于99%的主成分数C，计算主成分数C的载荷矩阵P

（4）通过P

（5）采用m×n单位矩阵减去步骤（5）中X1含水率相关矩阵的投影矩阵得到新的含水率相关投影矩阵，C=I-Q，I为m×n单位矩阵；

（6）基于步骤（5）获得的含水率相关投影矩阵对原矩阵进行变换，即X1=XC；

结果见图4、5、6、7，由图5-7可知，与不经过校正光谱相比，经EPO校正后光谱矩阵在第1、2主成分得分空间分布的均匀性有所提升，样品主成分得分分布均匀对提升校正模型的稳定性有益；

5、EPO校正前后小柴胡颗粒水分含量校正模型的建立及评价

采样偏最小二乘法（PLS）建立EPO校正前后全波段和水分特征吸收波段的近红外校正模型；

近红外校正模型准确性和稳定性的评价：（1）模型参数：决定系数（R

采用模型交互验证优化最优的PLS主成分数，4种模型RMSECV随着主成分数变化如图8所示；由图8可知，EPO校正前后全波段PLS模型的最优主成分数均为8，EPO校正前后水分特征光谱的最优主成分数分别为11和9；

模型参数和60个外部验证样品验证结果分别如表1和表2所示，所建立的模型如图9至图12所示；

表1不同建模输入变量条件下建立的小柴胡颗粒水分含量近红外校正模型参数

由表1可知，EPO校正在一定程度上提升了全波段和水分特征光谱校正模型的稳定性和准确性，全波段PLS模型稳定性和准确性均优于水分特征波段PLS模型；EPO校正全波段建立的PLS模型稳定性和准确性在4种模型中最优，其决定系数为0.938、最优主因子数为8、均方估计残差RMSEC 和交互验证均方差RMSECV分别为0.0429和0.0476。

表2不同建模输入变量条件下建立的小柴胡颗粒水分含量近红外校正模型外部验证结果

由表2可知，4种模型外部验证结果表明：EPO校正的全波段模型预测平均相对误差PMRE最小为1.92%，水分特征光谱最大为3.24%。60个样品的预测值和实测值的配对t检验结果表明，在α=0.05水平，两者的值均无显著差异。基于模型参数和外部验证结果，EPO校正的全波段模型小柴胡颗粒水分含量近红外PLS校正模型最优。

综上，利用MSC+Norris(11,3)+SD对小柴胡颗粒近红外光谱进行预处理，基于不同水分含量小柴胡颗粒近红外光谱矩阵采用EPO对原始光谱矩阵进行校正后建立PLS模型，结果表明EPO校正能明显对提升小柴胡颗粒水分近红外校正模型的稳定性和准确性，本研究对快速实现小柴胡颗粒水分含量的快速准确测定提供了有益的技术参考。