基于近红外漫反射光谱和PCA-SVM算法快速鉴别炉甘石

目的:利用主成分分析(PCA)和支持向量机(SVM)算法,建立炉甘石生品、伪品及炮制品的近红外漫反射光谱(NIRS)鉴别模型。方法:采集炉甘石生品、伪品及炮制品的NIRS,选取特征谱段,优选光谱预处理方法及最佳主成分数,建立PCA-SVM鉴别模型。结果:在7 500～4 000 cm-1谱段,以一阶导数法(FD)为最佳光谱预处理方法,PCA提取的光谱前5个主成分为最佳主成分,并经网格搜索算法确定惩罚因子c=0. 25,核函数参数g=8为最佳SVM内部参数,建立炉甘石PCA-SVM鉴别模型。该模型五折交叉验证准确率100%,且模型对训练集和测试集样品预测正确率亦均达100%。结论:基于PCASVM算法所建立的炉甘石NIRS鉴别模型预测准确率高,结合固体粉末漫反射技术无损、快速的优点,该模型可用于炉甘石生品、伪品及炮制品的无损、快速鉴别。     

基于NIRS和PCA-SVM算法快速鉴别4种含铁矿物药

目的基于NIRS和PCA-SVM算法快速鉴别磁石、自然铜、蛇含石、赭石。方法采集各样品的近红外光谱(NIRS),分别采用不同方法进行光谱预处理及PCA降维,通过网格搜索法寻优建立SVM模式识别模型。对比不同预处理方法及所建PCA-SVM模型的预测准确率,确定最佳预处理方法和最佳主成分,建立4种含铁矿物药快速鉴别模型。结果光谱最佳预处理方法为矢量归一化法(VN),最佳主成分为PC1和PC2。所建模型对训练集和验证集样品预测准确率均达到100%,模型五折交叉验证准确率亦达100%。结论所建的4种含铁矿物药NIRS的PCA-SVM鉴别模型预测能力强,可用于上述4种含铁矿物药的快速鉴别。     

近红外光谱结合主成分分析和聚类分析鉴别炉甘石生品、伪品和炮制品

目的:利用主成分判别分析和聚类分析建立炉甘石生品、伪品和炮制品的近红外光谱鉴别模型。方法:采集炉甘石生品、伪品和炮制品的近红外光谱,每类样品随机划分为训练集和测试集。对光谱预处理方法和建模谱段进行筛选,分别建立主成分判别分析模型及聚类分析模型。结果:光谱经一阶导数预处理,主成分判别分析模型的特征谱段为4 800~4 000 cm~(-1),聚类模型的特征谱段为7 300~7 000,4 800~4 000 cm~(-1)。在主成分判别分析模型中,预测准确率94.34%;在聚类模型中,模型的预测准确率96.23%。结论:所建立的近红外主成分判别分析模型和聚类分析模型均可用于炉甘石生品、伪品和炮制品的鉴别。     

近红外光谱技术快速鉴别山药硫熏情况模型的建立

目的采用近红外光谱技术(NIRS)建立山药是否硫熏的定性分析模型。方法采集不同硫熏程度山药的NIRS图,采用Discriminant analysis进行相似性判别。通过Constant预处理后建立模型,并进行模型内验证和模型外验证。结果4 000~10 000 cm~(-1)山药硫熏情况能够较好地区分,内部验证的准确率达100%,外部验证准确率达到93. 33%。结论采用近红外光谱技术对山药硫熏情况的鉴定是可行的。     

近红外光谱法快速测定天南星药材中水分

目的:应用近红外光谱技术(NIR)建立快速测定天南星药材中水分的方法。方法:采用烘干法测定样品中的水分,运用偏最小二乘法(PLS)建立该含量与NIR光谱之间的多元校正模型,采用相关系数(R),校正均方根误差(RMSEC),内部交叉验证均方根误差(RMSECV)和外部预测均方根误差(RMSEP)对校正模型进行优化和评价。利用校正模型对未知样品的水分进行预测,检验模型的准确度。结果:采用二阶导数法对光谱进行预处理,在4 774~9 845 cm~(-1)波段,选择前6个主成分建立最优校正模型,所建模型的R为0.990 6,RMSEC为0.16,RMSECV为0.38。经外部验证,校正模型的RMSEP和平均回收率分别为0.298和99.8%。结论:该方法具有简便快速、结果准确、无损样品的特点,可以应用于天南星中水分的快速测定。     

三七近红外多指标快速质量评价

目的对三七Panax notoginseng(Burk.) F. H. Chen进行近红外(NIRS)多指标快速质量评价。方法以HPLC作为参比分析方法测定皂苷含有量,利用偏最小二乘法(PLS)建立皂苷定量模型,并且建立三七所有部位主成分判别分析模型,对15批三七主根粉末伪品的鉴定。结果皂苷含有量NIRS模型的最佳波段为4 100 cm~(-1)～7 250 cm~(-1),内部交叉验证均方差和相关系数分别为0.278和0.919 1,验证集均方差和相关系数分别为0.134 0和0.988 4。近红外主成分判别分析模型的最佳建模波段为3 807.15 cm~(-1)～6 500.00 cm~(-1),鉴别正确率为98.71%。当三七主根粉中分别掺杂不少于10%绒根、45%筋条和60%剪口时,模型的鉴别正确率均达到100%。结论 NIRS可实现三七药材的皂苷含有量质控指标的快速检测,并能定性鉴别三七药材所有部位,可用于三七药材的整体质量快速评价。     

基于XRD,NIR及拉曼光谱技术快速鉴别白矾、枯矾真伪

目的:分析白矾、枯矾及其伪品的X射线衍射(X-ray diffraction,XRD),拉曼和近红外(Near Infrared,NIR)光谱特征与差异,建立快速鉴别白矾、枯矾和常见伪品的新方法。方法:从不同药材市场购得白矾9批,枯矾5批,自制枯矾2批。采集以上样品的XRD,NIR和拉曼光谱,归纳其光谱特征,分析光谱明显差异。结果:明矾和其伪品铵明矾的XRD,NIR及拉曼光谱具有明显差异。在XRD图谱中,铵明矾在2θ=14.56°处有1小峰,正品白矾没有此峰;在NIR光谱中,铵明矾在4 650 cm~(-1)处有1特征峰,而正品白矾无此峰;在拉曼光谱中,正品白矾在990 cm~(-1)处的最强峰发生分裂,974 cm~(-1)处产生1中等强度尖峰,而铵明矾无974 cm~(-1)峰,以上差异可用于二者快速鉴别。此外,正品枯矾XRD图谱具有9个明显特征峰(2θ=11.18°,21.88°,24.58°,31.42°,33.76°,38.25°,39.94°,50.24°,50.99°),NIR光谱在7 000 cm~(-1)和5 150 cm~(-1)处有2个较为平缓的吸收峰,可作为鉴别枯矾真伪的特征峰。结论:XRD,NIR和拉曼光谱特征可共同用于白矾、枯矾及其伪品的准确鉴别;NIR结合拉曼光谱技术能够为白矾及其炮制品的质控和快检提供快速准确的新方法。     

基于近红外光谱和对比梯度提升决策树建立当归药材及伪品的定性判别模型＊

目的 建立NIRS技术快速无损鉴别当归药材及其伪品的方法。方法 采集当归及伪品断面的近红外光谱，结合模式识别法分析药材，用主成分分析（Principal component analysis，PCA）进行定性分析；对比梯度提升决策树（Gradient Boosting Decision Tree，GBDT）、支持向量机（Support Vector Machine，SVM）、人工神经网络（Artificial Neural Network；ANN）3种当归真伪判别模型的分类效果；利用RF筛选特征波长优化所建模型。结果 PCA无法有效区别当归及其伪品；与ANN、SVM相比，GBDT具有更高的准确性，训练集与预测集的总体准确率分别为94.39%和90.38%；而后以RF选取出20个特征波长，建立的近红外特征光谱判别模型训练集和预测集的总体准确率也达到了91.59%和86.54%。结论 近红外光谱技术结合GBDT鉴别当归药材真伪鉴别是可行的，为当归药材真伪快速无损鉴别提供了一种新方法。     

红外光谱结合化学计量学鉴别獐牙菜属植物

目的:采用傅里叶变换红外光谱(FTIR)结合化学计量学实现獐牙菜属植物快速、准确鉴别。方法:采集川东獐牙菜、青叶胆、紫红獐牙菜、狭叶獐牙菜和西南獐牙菜不同部位(根、茎、叶) 543份样品红外光谱信息,原始数据经标准正态变量(SNV),多元散射校正(MSC),平滑(SG),一阶导数(1D),二阶导数(2D),三阶导数(3D)等处理后删减4 000～3 700,2 799～1 800 cm~(-1)和682～653 cm~(-1)波段,建立偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。结果:5种獐牙菜属植物相同部位平均光谱较为相似,无法区分,同一物种不同部位光谱特征峰有差异,复杂程度为叶茎根;根、茎和叶3个部位PLS-DA和SVM模型均能准确鉴别5种獐牙菜属植物,且MSC+SG+2D预处理效果最佳。PLS-DA模型R~2Y 0. 8,RMSEP RMSECV,所建模型稳定,效果好,Q~2超过0. 6,预测集正确率达到100%,所有预测集样品分类正确,模型预测能力强。根、茎和叶SVM模型最优惩罚参数c分别为22. 627 4,2和1. 414 2,均在正常范围内,预测集正确率均为100%,分类准确率高。结论:FTIR结合PLS-DA和SVM模型能准确区分不同獐牙菜属植物,模型预测效果好,为其他植物鉴别提供一定的参考依据。     

基于近红外光谱技术快速定性鉴别广陈皮模型的建立

目的采用近红外光谱技术(NIRS)建立广陈皮的定性分析模型,以建立快速鉴别广陈皮药材的方法。方法采集广陈皮与川陈皮的NIRS图,通过标准正交变量变换(SNV)预处理后采用聚类分析方法建立广陈皮与川陈皮鉴别模型,并进行模型内验证和模型外验证,建立了广陈皮定性分析模型。结果在4 000~10 000 cm-1广陈皮和川陈皮能够较好地区分,内部验证的准确率高达100%,外部验证准确率达到90.91%。结论采用近红外光谱技术对广陈皮样品进行鉴别是可行的。     

不同产地麦冬1H-NMR模式识别研究

目的 建立一种基于氢核磁共振-模式识别的不同产地麦冬鉴别新方法 .方法 以1H-NMR技术测定样品的全成分信息,并转化成数据矩阵,采用模式识别法中的主成分分析(PCA)、偏最小二乘法-N别分析(PLS-DA)以及聚类分析(HCA)进行识别分析.结果 氢核磁共振-模式识别法能有效地鉴别不同产地的麦冬样本.结论 氢核磁共振-模式识别法是一种有效的药材分类鉴别方法 ,可作为药材质量控制的手段之一.     

红外光谱结合化学计量学鉴别美洲大蠊及其他虫类药材研究

目的基于红外光谱法结合化学计量学建立美洲大蠊及其他虫类药材(全蝎、水蛭)粉末的鉴别方法,为美洲大蠊的鉴别提供一定的依据。方法运用傅里叶变换红外光谱仪采集3种虫药药粉的红外光谱数据,对已得光谱数据二阶求导后运用纵坐标归一化法、标准化法等预处理方法对光谱进行优化,采用化学计量学,包括系统聚类分析(hierarchicalcluster analysis,HCA)、主成分分析(principal component analysis,PCA)以及偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)进一步对光谱数据进行分析。结果美洲大蠊与全蝎、水蛭的红外指纹图谱有差异。美洲大蠊在1 711、1 410、712 cm-1处吸收峰明显,全蝎在1 753、1 400、1 168、717 cm-1处吸收峰明显,水蛭在1 558、1 457、1 400、669 cm-1处吸收峰明显,且水蛭在1 753～1 711cm-1处明显无吸收峰。3种虫类药材在1 800～1 700 cm-1处峰形差异明显较大。二阶导数图谱中,主要峰的位置相同,但共有峰的强度不同。运用HCA分析方法发现3种虫类药材能够被快速区分,运用PCA与PLS-DA分析方法发现3种虫类药材分布在不同区域。结论本研究能够简便、快速的鉴别美洲大蠊与全蝎、水蛭等虫类药材,为美洲大蠊的质量控制及评价提供参考。     

常见矿物药近红外漫反射光谱特征归纳与分析

结合前期研究工作,对51种不同阴离子类型的常见矿物药的近红外漫反射光谱(near infrared diffuse reflectance spectrometry,NIR)特征谱段进行归纳和解析,并参考矿物学和地质学文献,确定矿物类中药NIR特征谱段的归属,为其NIR快速鉴别提供理论依据。结果表明,矿物药的NIR特征主要在8 000~4 000 cm-1,归属于矿物药中所含的水、羟基(-OH)及碳酸根[CO2-3]等基团。水峰具有一定的规律性:一般结构水与-OH基团在7 000 cm-1附近有组合峰,尖锐而强,结晶水在7 000,5 100 cm-1附近有2个强峰,吸附水只在5 100 cm-1附近有宽峰。不同类型矿物药中水的存在形式不同,含量不同,水峰特征不同,据此可用于矿物药的鉴别。硫酸盐类矿物药多含结晶水,硅酸盐类多含结构水,而碳酸盐类中以吸附水为主,因此,以阴离子类型对矿物药进行分类在NIR分析中具有合理性。此外,由于某些矿物药所含的阳离子类型、杂质种类以及结晶性和晶型存在差异,在4 600~4 000 cm-1谱段存在专属性的NIR特征,主要可归属于Al-OH,Mg-OH,Fe-OH,Si-OH,[CO2-3]等基团的特征吸收。煅制过的矿物药常伴随水分和主要成分的改变,其NIR特征亦发生变化,可用于其炮制过程的监测。该文对NIR技术在矿物药分析中的适用性和局限性进行讨论:绝大部分矿物药具有明显的NIR特征谱段,可用NIR作为系统分析的主要方法,少数矿物药的NIR特征峰不明显,如紫石英、朱砂、雄黄等,可尝试应用拉曼光谱进行补充。这将为矿物药质量控制提供参考。     

基于1H-NMR和主成分分析法分类鉴别秦艽药材

目的:以多基原药材秦艽为研究对象,应用核磁共振氢谱(1H-NMR)和主成分分析方法(PCA)鉴别不同来源秦艽药材。方法:将5种不同秦艽药材在相同条件下进行溶剂提取,采用核磁共振波谱仪进行检测,图谱进行数据处理、聚类分析和PCA。结果:通过聚类分析可很好地区分5种秦艽药材;在PCA中提取了6个主成分,累计贡献率达98.9%,前2个主成分累积贡献率达76.9%,能解释原变量信息的76.9%,在以主成分1和主成分2为横纵坐标的得分散点图上实现了不同基原秦艽药材的区分。结论:1H-NMR结合PCA是一种有效的药材资源鉴别研究方法,能全面反映不同基原药材的全成分且前处理方便,可作为分类鉴别不同来源药材的手段之一。     

近红外光谱法鉴别常见海洋贝壳类中药饮片的研究

该研究以《中国药典》收载的5种海洋贝壳类中药饮片为研究对象,采用近红外光谱技术并结合主成分分析法研究该类饮片的鉴别。结果表明,该法能很好地区分牡蛎、石决明、珍珠母,但蛤壳与瓦楞子没有得到区分;牡蛎与其他样品在第一主成分上有明显区别,其中4 236,5 263,7 142 cm^-1等处载荷系数较大,提示第一主成分可能与药材中碳酸钙、水分含量等有关;蛤壳及瓦楞子与其他样品在第二主成分上有较大差异,其中5 000⁴ 430 cm^-1等处载荷对此贡献较大,提示第二主成分可能与药材中含NH,CH基团的蛋白质等有机物密切相关。分析贝壳类药材的功效与其在近红外光谱PCA分析图中分布的相关性,发现两者较为一致。蛤壳与瓦楞子均为化痰止咳药,在PCA分析图中位于相同区域;牡蛎、石决明和珍珠母同为平肝潜阳药,但石决明与珍珠母均能明目,在PCA分析图中相距较近;牡蛎具软坚散结之功,在PCA分析图中与前两者有较大差距。以上结果提示,有机质小分子是海洋贝壳类中药不可忽略的重要药效物质基础。     

在线近红外光谱监测桂枝茯苓胶囊流化床干燥过程水分的方法研究

目的采用在线近红外光谱(NIRS)技术,建立桂枝茯苓胶囊流化床干燥过程水分实时监测模型。方法通过NIRS漫反射探头采集16个生产批次共176个样本进行建模,优选移动窗口平滑法进行光谱预处理,采用间隔偏最小二乘法(si PLS)结合移动窗口偏最小二乘法(mw PLS)筛选特征变量为4 759.45～5 338.00 cm-1、5 503.84～6 101.67 cm-1、8 512.25～8 809.24cm-1,采用偏最小二乘(PLS)法建立水分含量多变量校正模型。结果水分预测的交叉验证均方根误差(RMSECV)为0.243%,性能偏差比(RPD)值为13.384,预测相对偏差(RSEP)为0.270%。以8个生产批次对在线监控方法的可靠性进行持续验证,结果 40个样本的相对预测误差均小于4.7%。干燥过程水分实时监测趋势图显示可准确判断干燥终点,终点样本水分含量位于控制限内。结论在线NIRS结合PLS建立的定量模型,可应用于生产规模桂枝茯苓胶囊流化床干燥过程水分含量在线监控且预测性能稳健、准确。     

基于红外光谱结合化学计量学的青叶胆及其近缘种亲缘关系研究

目的 傅里叶变换红外光谱（fourier transform infrared spectroscopy,FTIR）结合化学计量学分析青叶胆及其同属近缘种的亲缘关系,为青叶胆药用植物资源的开发利用提供理论依据。方法 采集青叶胆及近缘种共39份样品的红外光谱信息,对光谱数据进行自动基线校正、自动平滑、纵坐标归一化、二阶求导等预处理,结合化学计量学分析光谱数据。结果 青叶胆及其近缘种红外光谱主要吸收区域为900~400、1 310~900、1 500~1 310、1 800~1 500、2 800~3 000、3 000~3 500 cm^-1附近。二阶导数图谱在400~1 000 cm^-1指纹区吸收峰差异明显,物种之间吸收峰的峰数、峰强、峰形差异较大。对预处理后的红外光谱数据进行主成分分析（PCA）以及偏最小二乘判别分析（PLS-DA）发现,6种獐牙菜的PCA分析优于PLS-DA分析,系统聚类分析表明青叶胆与圈纹獐牙菜、显脉獐牙菜亲缘关系较近。结论 FTIR结合化学计量学方法,能够快速鉴别不同种类獐牙菜属植物,明确青叶胆及其近缘种之间的亲缘关系,为獐牙菜属植物亲缘关系研究提供一种快速、有效的方法。     

基于形态和红外光谱分析的云南重楼及近似种的快速鉴别

目的基于形态和红外光谱法建立云南重楼及近似种的鉴别方法,并进一步分析其亲缘关系,为资源开发利用提供依据。方法对云南重楼及其近似种进行了原植物形态比较,并对光谱数据进行自动基线校正、自动平滑、纵坐标归一化、二阶求导等预处理,采用主成分分析(principalcomponentanalysis,PCA)、偏最小二乘判别分析(partialleastsquares discriminantanalysis,PLS-DA)及系统聚类分析(hierarchicalclusteranalysis,HCA)分析光谱数据。结果云南重楼与近似种在植株大小、叶片、叶脉、萼片、花瓣、花亭和雄蕊等形态特征上存在典型的鉴别特征,可为其提供形态鉴别依据。6种重楼的二阶导数在3 000～2 000 cm-1和指纹区1 800～500 cm-1波段内差异明显,HCA和PLS-DA均能较好地区分云南重楼及近似种,可为其提供红外光谱鉴别证据。HCA结果表明云南重楼、七叶一枝花、狭叶重楼、矮重楼和多叶重楼亲缘关系较近。结论傅里叶变换红外光谱(FTIR)结合原植物形态鉴定能够快速鉴别云南重楼及其近似种,为指导重楼栽培、临床应用和资源开发提供科学依据。