近红外光谱法快速测定溶剂型木器涂料中甲苯、乙苯和二甲苯

建立了使用近红外光谱法(NIR)快速测定溶剂型木器涂料中甲苯、乙苯和二甲苯的方法。收集涂料样品,使用气相色谱法(GC)测定苯系物含量。采用聚乙烯密实袋封装聚氨酯类、硝基类或醇酸类涂料,应用积分球透漫射采样方式采集清漆和漫射采样方式采集色漆的近红外光谱。采用偏最小二乘法,分别建立清漆和色漆的近红外光谱与苯系物线性关系模型。校正集均方差在0.43%~1.32%之间、相关系数R在0.9046~0.9766之间。验证集均方差在0.591%~1.73%之间。对未知样品预测,清漆样品预测值相对偏差<15%;色漆样品预测值相对偏差<20%。两个定量模型预测效果良好。该2个NIR定量方法适用于对溶剂型木器涂料中甲苯、乙苯和二甲苯含量进行快速测定。     

近红外光谱法同时测定通天口服液中天麻素和芍药苷的含量

本文应用近红外光谱结合偏最小二乘法建立了同时测定通天口服液中天麻素与芍药苷含量的方法。以高效液相色谱(HPLC)法测定通天口服液样品中天麻素和芍药苷的化学参考值,随机抽取60个样本作校正集,20个样本作预测集。用偏最小二乘法(PLS)将校正集样本的近红外光谱与相应样本的天麻素和芍药苷含量分别相关联建立模型。结果表明,天麻素和芍药苷校正模型的决定系数分别为96.28%、94.55%,模型的交叉验证均方差分别为0.0336、0.00908,预测集的决定系数分别为94.23%、92.86%,预测集均方差分别为0.0453、0.00839。同时还做了模型的精密度实验,该方法能用于大批量样品的快速分析。     

基于拉曼光谱法所建的多元校正模型预测烟草中绿原酸和芸香苷的含量北大核心CSCD

为了满足现场批量检测的需求,基于拉曼光谱建立了多元校正模型,实现了烟草中绿原酸和芸香苷含量的预测。120个烟草样品(包含90个校正集样品和30个验证集样品)用50%(体积分数)甲醇溶液萃取后注入拉曼光谱液体池中,在325 nm激发波长下采集800~2000 cm^(-1)内的拉曼光谱,采用Savitzky-Golay卷积平滑法预处理所得原始拉曼光谱,用Monte-Carlo交互检验法选择隐变量数目,并在1555.8~1652.9 cm^(-1)波段内建立偏最小二乘法(PLS)多元校正模型,以避免绿原酸和芸香苷拉曼光谱在1600 cm^(-1)附近的光谱重叠干扰。结果显示,所建绿原酸和芸香苷模型的预测均方根误差(RMSEP)分别为0.88和0.67,预测集决定系数(R_(p)^(2))分别为0.948和0.970,说明基于拉曼光谱和PLS所建模型,可以对烟草中多酚类化合物绿原酸和芸香苷含量实现准确可靠的预测。     

近红外光谱法快速测定柴胡提取过程中的药效成分

利用近红外光谱(NIRS)技术对柴胡提取过程中的药效成分进行快速定量分析。共收集126个柴胡提取液样品,采用紫外-可见分光光度法测定总黄酮和多糖的含量,高效液相色谱法(HPLC)测定柴胡皂苷A及柴胡皂苷D的含量,以透射模式采集提取液的近红外光谱,运用偏最小二乘法(PLS)分别建立了近红外光谱与4种药效指标参考值之间的定量校正模型,并采用不同的预处理方法、光谱波段和主因子数对模型进行优化。结果表明,总黄酮、多糖、柴胡皂苷A和柴胡皂苷D 4种定量模型的近红外预测值与参考值之间的拟合性良好,模型预测精度较高,其中预测集相关系数(RP)均大于0.9;预测集误差均方根(RMSEP)分别为3.46 μg/mL、0.743 mg/mL、1.53 μg/mL、0.406 μg/mL;预测集相对偏差(RSEP)分别为1.65%、8.28%、5.74%、7.52%。该研究证实了NIRS结合PLS可成功应用于监测柴胡提取液中药效成分的含量变化,且方法具有快速、准确、无损和环保的特点。     

基于近红外漫反射光谱法所建的模型快速预测甜叶菊中甜菊糖苷、绿原酸及水分的含量北大核心CSCD

基于近红外漫反射光谱法,结合偏最小二乘法建立了甜叶菊中甜菊糖苷总量(TSG)、瑞鲍迪苷A(RA)、甜菊苷(STV)、绿原酸总量及水分的定量分析模型。选取不同地区的500个甜叶菊样品,以高效液相色谱法(TSG、RA、STV、绿原酸总量)和烘干法(水分)所得数据为参比,结合样品的近红外光谱图,按照以下条件进行建模:(1) TSG模型,校正集385,验证集97,光谱预处理采用多元散射校正(MSC)+一阶导数(1st)+Norris derivative滤波平滑(ND),光谱范围4 090.76~7 085.37 cm^(-1),主因子数8;(2) RA模型,校正集381,验证集94,光谱预处理采用MSC+二阶导数(2nd)+ND,光谱范围4 060.38~6 221.23 cm^(-1)、6 769.51~7 401.24 cm^(-1),主因子数7;(3) STV模型,校正集386,验证集96,光谱预处理采用MSC+1st+ND,光谱范围4 017.86~4 224.39 cm^(-1)、4 370.17~5 172.15 cm^(-1)、5 414.95~9 106.22 cm^(-1),主因子数5;(4)绿原酸总量模型,校正集376,验证集95,光谱预处理采用标准正态变量变换(SNV)+1st+Savitzky-Golay卷积平滑(SG),光谱范围4 000.21~5 300.00 cm^(-1)、5 624.00~6 246.90 cm^(-1)、8 746.50~9 373.80 cm^(-1),主因子数12;(5)水分模型,校正集389,验证集96,光谱预处理采用MSC+1st+ND,光谱范围4 072.53~7 553.09 cm^(-1),主因子数8。结果显示:TSG、RA、STV、绿原酸总量和水分模型的校正相关系数、预测相关系数、交叉验证相关系数均大于0.800 0,校正均方根误差、预测均方根误差、交叉验证均方根误差均小于0.500;对各模型进行外部验证,TSG、RA、STV、绿原酸总量和水分的预测值与实测值的拟合相关系数均大于0.880 0;利用模型对甜叶菊样品中TSG、RA、STV、绿原酸总量和水分进行分析,日内精密度(n=6)为0.54%~2.7%,日间精密度(n=6)为1.1%~4.7%。模型用于某试验基地不同生长批次甜叶菊中TSG、RA、绿原酸总量的测定,TSG质量分数为10.40%~13.32%,RA质量分数为4.99%~7.61%,绿原酸质量分数为2.73%~4.07%,测定值的相对标准偏差(n=12)均小于7.0%。     

拉曼光谱法测定芳烃物料的馏程

应用拉曼光谱法测定了芳烃物料的馏程.采用芳烃样品60个,其中50个为校正样品集,10个为预测样品集,在拉曼光谱位移为400 ～1 800 cm~(-1)范围内进行光谱预处理,并应用偏最小二乘回归法(PLS)建立了各馏程的校正模型,其相关系数(r~2)分别为0.87、 0.89、0.98、0.97、0.94、0.89、0.88(相应蒸馏回收百分数分别为5%、10%、30%、50%、70%、90%、95%).在置信水平99.5%,α为0.005时,各馏程t值均小于3.69(临界值),表明拉曼光谱法预测结果与常压蒸馏法的测定结果无显著性差别.采用拉曼光谱技术可以快速测定芳烃物料的馏程.     

川贝母中浙贝母掺入量的快速检测方法研究

外观相似、化学成分相近的中药材,很难进行有效的质量控制.本文应用近红外漫反射光谱技术和化学计量学手段,建立了快速检测川贝母中浙贝母掺入量的新方法.以含不同川贝母和浙贝母比例的41个样本建立校正集,通过偏最小二乘法得到最佳校正模型.对6个预测集样本进行预测分析,得到近红外光谱预测值与真值的相关系数r=0.9997,样品回收率为97.96%～100.86%,RSD为0.8l%.本方法具有快速方便、结果准确的特点,可以应用于中药材的品质分析和质量控制中.     

校正集样品特性对鼠药中毒鼠强近红外光谱分析的影响

根据市售鼠药样品成分各异且相对复杂,建立6种不同成分体系和9个不同样本容量的校正集,运用小波变换压缩鼠药的近红外透射光谱数据,结合BP反向神经网络算法对压缩的数据进行建模,考察校正集样品特性对模型预测能力的影响。试验结果表明:采用BP神经网络算法建立定量模型时,只要校正集样品中包含了与预测样品性质相似的样本,就能准确地对复杂样品进行近红外定量分析。当校正集容量分别为72和84时,模型预测结果趋于平稳。当校正集数量为96时,模型的最大相关系数为0.959 8,预测最小标准差和平均相对误差分别为1.893%和1.92%。     

化学计量学方法应用于近红外光谱法测定混合炸药中TNT含量

为构建样品中的被测组分(TNT)的含量与其红外光谱之间的数学模型,从生产线上采集以及按相同方法制备了共计155个样品并采集了它们的红外光谱,根据计算所得光谱残留F值判别并剔除异常光谱。随机选取63个样品的光谱作为校正集,其余92个样品的光谱作为验证集。另外采用常规的溶剂提取-红外光谱法测定了这些样品中TNT的含量作为建模参考值。在最优模型波段(cm-1)为:9 114.1～8 331.2,7 671.6～7 189.5,6 514.5～5 666,5 102.8～4 929.3,4 744.14～4 728.71的条件下,根据校正集的光谱数据,用偏最小二乘法建立数字模型。通过交叉检验均方根误差,RMSECV-维数曲线的理想程度以及光谱主成分分析结果选取了最优模型。采用χ2检验法,以及根据预测标准差和Bias值,结合验证集样品的光谱和数据,评估了方法的精确度和准确度。从TNT含量在36.68%～46.95%内的8个样品的测定结果得出其预测值的Bias值为0.078%,SEP%为0.514%。说明方法的准确度和精密度良好,且无需使用有机试剂。     

应用激光拉曼光谱法检查核桃油的掺假

应用激光拉曼光谱法对掺入其它植物油(如大豆油、花生油、玉米油、棕榈油或棉籽油)的核桃油进行检测。从上述6种纯植物油的拉曼光谱图中取6个主峰的相对拉曼光谱强度为变量进行主成分分析,从所得的二维散点图可知核桃油与其它5种油均分处于图的不同区域;对掺杂不同比例(质量分数)其它油品的核桃油,在其散点图中也可见两者分处不同区域,据此可对掺杂其它油品的核桃油作出定性鉴别。利用波数为1 256cm-1处拉曼光谱相对强度与掺杂油品的含量(w%)之间的线性关系及其所建立的线性回归方程,对掺杂的样品进行了定量分析。在纯核桃油中分别掺入质量分数从8%~95%的棕榈油制备了10份试样,按上述方法进行定量分析,结果表明预测值与已知值的相对误差在1.01%~2.35%之间。     

基于非接触式拉曼光谱分析人血与犬血的PCA-LDA鉴别方法

将拉曼光谱分析法与数理统计方法有机结合,构建人血与犬血种属判别模型,实现了不同种属血液样本的高效无损鉴别.采用拉曼光谱的无损测试模式对血液样本进行测试,考察了抗凝管管材、聚焦位置及曝光时间等对血液样本拉曼光谱的影响,在激发波长为632.8 nm,光谱扫描范围为200~1800 cm-1,功率衰减率50%,曝光时间5 s及累加次数为2次的优化条件下,获得了无损检测条件下的血液样本拉曼光谱图.针对血液样本组分复杂、拉曼光谱信号基底背景高等问题,提出了基于小波变换去噪,进行分段多项式基线校正的预处理方法,有效解决了血液样本拉曼光谱谱图的高噪音和基线漂移问题.实验选择30例正常人血和33例比格犬血为样本训练集,5例正常人血和5例比格犬血为测试集,基于主成分分析法(PCA)联合线性判别法(LDA)模型,训练集分类正确率达到95.23%,盲测集分类正确率达90.00%.这种基于非接触式血液样本拉曼光谱和PCA-LDA判断模型的测试方法在进出口检验检疫等涉及血液无损鉴别的领域具有广泛的应用价值和前景.     

近红外光谱法测定尼莫地平片剂尼莫地平含量的4个分析模型所给出的预测值的准确性的比较

用仪器所附的积分球分析模块采集了尼莫地平片剂的片状和将片剂粉碎后的粉末样品的漫反射近红外光谱图。另用所附片剂分析模块采集了尼莫地平片剂的反射和透射近红外光谱图。分别将上述4种近红外光谱(NIRS)图用TQ Analyst 9.0软件建立了4个定量分析的模型(模型1,2,3,4)。另从3个批次各取5个样品,用《中华人民共和国药典(2015版)》中的高效液相色谱法(HPLC)测定其中尼莫地平的含量作为对上述4种模型的预测值的外部验证。根据内部验证和交叉验证所得到的4种模型的各项参数及其性能指数,可见模型2为其中的最优模型。将上述15个样品的NIRS图分别引入4种模型,获得其中尼莫地平含量的预测值;经与HPLC测定值比较,可知4种模型的预测值与HPLC测定值之间的相对误差依次为-2.41%～2.68%,-0.81%～1.18%,-5.03%～4.55%和-5.99%～5.56%。其中以模型2的相对误差最小,模型1稍大,模型3和4最大,但较接近。根据t检验法(α=0.05)的结果,4种模型所得的预测值与HPLC测定值之间无显著差异,因而4种模型均可用于尼莫地平的检测。模型2预测值的相对误差较小,但测定时需要样品前处理,使整个分析时间延长,可考虑应用于均匀性较差或形状有差异的样品的测定。其余3个模型预测值的相对误差较大,但不需要对片剂进行前处理,分析时间较短,可根据不同需要选择应用这4种模型。特别是用模型3和模型4可同时获得样品的反射和透射近红外光谱定量的信息,可对测定结果进行对照试验。     

葡萄籽多酚大孔树脂纯化过程的近红外光谱快速检测

采用近红外光谱透射法,对葡萄籽提取液大孔树脂层析过程多酚含量进行快速无损测定.以FolinCiocalteus比色法为对照方法,运用偏最小二乘法(PLS)建立定量校正模型,测定大孔树脂洗脱过程葡萄籽多酚浓度变化.该模型相关系数R2达到0.9995,校正集误差均方根(RMSEC)和预测集误差均方根(RMSEP)分别为0.713和2.67,校正集相对偏差(RSEC)和预测集相对偏差(RSEP)分别为2.39％和8.48％.本方法快速、有效、无损,可用于葡萄籽多酚柱层析纯化过程检测和质量控制.     

最小二乘支持向量机结合红外光谱法测定润滑油酸值

在润滑油酸值进行红外光谱法测定中,采用最小二乘支持向量机(LS-SVM)建立了酸值的定量预测模型。用Kennard-Stone方法将30个样本划分为训练集(24个样本)和验证集(6个样本),进行定量预测,并与偏最小二乘法和径向基函数神经网络所建模型的预测进行比较。结果表明:LS-SVM所建模型的预测标准偏差(SEP)最小,仅为0.002;预测值的相对误差为1.3%~5.3%。由此认为LS-SVM所建模型的训练和预测结果均优于其余两种方法所建模型。对5个未知样品的分析结果表明:LS-SVM模型的预测值与化学法实测值之间的相对误差(1.2%~3.1%)也较少。     

拉曼光谱结合背景扣除化学计量学方法用于汽油中MTBE含量的快速测定研究

应用便携式拉曼光谱仪测量了汽油样本的拉曼光谱,以自适应迭代惩罚最小二乘方法(airPLS)对光谱进行了背景扣除和平滑处理,并选取特征峰区间利用偏最小二乘方法(PLS)建立了预测甲基叔丁基醚(MT-BE)的校正模型。以训练集相关系数和拟合误差及测试集相关系数和预测误差作为判定依据,确定了最佳建模条件。最终训练集相关系数为0.996 0,拟合误差为0.316 1,测试集相关系数为0.996 6,预测误差为0.490 1。结果表明采用便携式拉曼光谱结合化学计量学方法处理,可以满足对汽油中MTBE含量快速检测的要求。     

近红外光谱测定溶液中甲醇的含量

测量了含微量甲醇(体积分数为0.04%～0.24%)的系列乙醇水溶液的近红外光谱,利用近红外光谱分析建立了预测甲醇含量的定量分析模型。比较了用外部检验法(Test Set-Validation)和交叉检验法(Cross-Validaton)建立的数学模型,研究了使用外部检验法时,校正集和检验集样品数的改变对模型预测结果的影响。结果发现,当校正集样品数为15检验集样品数为6(总样品数为21)时,使用外部检验法建立的数学模型预测结果较好,其校正集的均方根误差和检验集的预测均方根误差(分别为RMSEE和RMSEP)均较小(分别为0.0115和0.0105),而且很接近。结果表明,近红外光谱方法简单,准确而且实用。     

银镜增强的近红外漫反射光谱法测定血清尿素

针对近红外漫反射光谱(NIRDRS)技术灵敏度低或检出限高的缺点,采用银镜作为吸附基底以改善其灵敏度.银镜的强反射能力不仅能够降低光谱的背景干扰,还能增强光谱的响应信号.研究了NIRDRS技术结合银镜基质用于快速定量分析血清尿素含量的可行性.直接采集富集了血清的银镜基质的NIRDRS光谱,结合光谱预处理和变量选择方法,采用偏最小二乘回归建立了定量校正模型并进行快速预测.结果表明,采用银镜基质结合NIRDRS技术可以准确地测定含量为2.8~26.1 mmol/L的血清尿素,预测值与参考值的相关系数(R2p)为0.9823,样品回收率为86.0%~117.0%,且预测得到的最大误差值低至1.45 mmol/L.     

声光可调滤光器-近红外光谱法快速测定苗药水冬瓜根皮药材中总黄酮和浸出物的含量

取48批次水冬瓜根皮鲜药材于50℃分别烘干后粉碎至通过孔径0.23mm的样筛。混匀后装于样品瓶中制备成48个样品,编号为G1～G48,其中42个样品(G1～G42)作为校正集,6个样品(G43～G48)为验证集。应用声光可调滤光器(AOTF)-近红外光谱仪(NIR)采集每个样品的原始光谱。确定NIR光谱预处理方式为一阶微分导数,在1 100～2 200nm波段构建该药材中总黄酮及浸出物含量快速测定的分析模型。采用化学计量学分析软件将校准集样品的光谱信息和上述两测定项目的参考值作数据关联,分别建立该药材中总黄酮和浸出物快速测定的分析模型。用G1样品重复采集其NIR光谱6次,按上述方法作预处理及测定,结果获得总黄酮及浸出物测定值的相对标准偏差(n=6)分别为3.9%,2.8%。仍取G1样品于12h内先后采集其红外光谱8次,按上述相同方法分析,两项测定结果的相对标准偏差分别为2.1%,2.3%,说明12h内样品的稳定性良好。最后将6个验证样品的原始光谱经预处理所得的数据导入化学计量学分析软件作模型预测,两项目的预测值与参考值的相对误差分别在1.6%～6.3%和0.60%～4.3%之间。表明所建模型验证效果良好,应用此方法分析单个样品只需2～5s。     

近红外光谱技术定量分析连作滁菊土壤中的阿魏酸含量

应用近红外光谱(NIRS)技术定量分析连作滁菊土壤样品中阿魏酸的含量.通过标准杠杆值、学生残差和马氏距离判断异常光谱,经二阶导数和Norris平滑滤噪预处理后,在6000~4000 cm-1范围,最佳因子数为7,采用偏最小二乘法(PLS)构建数学模型.结果表明,模型校正集和验证集与高效液相色谱仪(HPLC)测定的参考值之间均呈现良好相关关系,校正相关系数Rc为0.9914,交叉验证相关系数Rcv为0.9935,校正集误差均方根(RMSEC)为0.484,预测误差均方根(RMSEP)为0.539,交叉验证误差均方根(RMSECV)为0.615.研究结果表明,NIRS分析技术能够实现连作土壤中阿魏酸的快速检测,结果准确可靠.     

近红外光谱法分析盐酸雷尼替丁胶囊

应用化学计量学与近红外光谱方法相结合,分析了盐酸雷尼替丁胶囊。以交叉验证均方根误差(RMSECV)、预测均方根误差(RMSEP)和决定系数为评价指标,分别建立了上述药物的定性和定量分析的模型。在定性判别分析方面,当采用多元散射校正(MSC)和一阶导数法对NIRS谱图进行预处理,并确定样品判别模型的主成分数为6,波长范围在波数为9 090.92~4 008.81cm~(-1)之间时误判数为0;在定量分析方面,选定的建模条件为:光谱的预处理方法为一阶导数法,建模波段在9 090.92~4 008.81cm~(-1)波数之间,主因子数为5。对13批次样品进行验证,测定值与预测值的相对偏差在-4.20%~4.04%之间。