盐酸左西替利嗪片的近红外漫反射光谱定量分析

利用近红外光谱结合偏最小二乘法实现对不同品牌盐酸左西替利嗪片剂有效成分的定量分析。经内部交叉验证,确定最佳波数范围和光谱预处理方法,以及最佳主成分数,建立最优PLS校正模型。对验证集样品浓度进行预测,得到均方根误差RMSECV、决定系数R2分别为0.276和0.974。该方法能够用于不同厂家盐酸左西替利嗪片的快速定量分析,是一种有效的药品快速检验技术。     

基于近红外光谱的生药醇提物抗氧化性预测

应用近红外光谱技术,以偏最小二乘算法,计算预测了37种生药药材甲醇提取物的抗氧化活性。以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,考察、比较了光谱预处理方法对模型效果的影响,以预测误差均方根(RMSEP)和相对分析误差(RPD)考核了样本的预测效果,采用1,1-二苯基-2-苦肼基(DPPH)法进行了验证。研究表明,采用一阶导数+矢量归一化预处理法和筛选的近红外波段建模,预测性能最优,校正模型的R2为0.896 0,RMSECV为4.35%;预测样本的RMSEP为3.62%,RPD为2.38。近红外光谱分析技术便捷快速,可信度较高,可以用于生药抗氧化性质的整体评价。     

利用Far-IR和THz-TDS光谱法测定大米中西维因

利用太赫兹时域光谱（THz-TDS）和傅里叶变换远红外光谱（FT-Far-IR）技术研究了大米中西维因在太赫兹频段的吸收光谱特征,并结合化学计量学方法对大米中西维因进行了测定。样品的制备采取待测农药西维因与大米粉末混合压片的方法模拟真实检测情景,无需样品的分离富集。分别将样品在1.8～6.3 THz特征波段内的Far-IR吸收光谱数据和在0.5～1.5 THz特征波段内的THz-TDS吸收光谱数据随机划分为训练集和验证集。采用偏最小二乘回归（PLSR）方法建立定量分析模型,将校正均方根误差（RMSECV）、预测均方根误差（RMSEP）、预测相关系数（R_v）作为模型性能评判的依据,RMSECV,RMSEP越小,R_v越大,则所建立的模型越好。两种检测技术均得到较好的结果。其中,运用Far-IR技术所得数据建立的定量分析模型预测相关系数(R_v)为0.99,校正均方根误差（RMSECV）为0.007 7, 预测均方根误差（RMSEP）为0.008 6; 运用THz-TDS技术所得数据建立的定量分析模型预测相关系数为0.98,校正均方根误差（RMSECV）为0.002 5、预测均方根误差（RMSEP）为0.004 4。该研究为定量检测粮食中的农残提供了一种新方法。     

近红外光谱在快速测定蛹虫草有效成分含量中的应用

采用偏最小二乘法(PLS)建立测定蛹虫草菌丝体中多糖、蛋白、虫草酸和腺苷含量的近红外光谱定量分析模型.选择了原始光谱建立蛹虫草菌丝体中腺苷和多糖含量的PLS定量分析模型,选择卷积光滑预处理后的光谱建立蛹虫草菌丝体中蛋白和虫草酸含量的PIS定量分析模型.测定蛹虫草菌丝体中多糖、蛋白、虫草酸和腺苷含量的最优PLS定量分析模型的交叉验证均方根误差(RMSECV)分别为0.0091.0.0222,0.0088和0.6520,预测均方根误差(RMSEP)分别为0.0079,0.0196,0.0087和0.5780.结果表明,测定蛹虫草菌丝体四种有效成分含量的定量分析模型稳健性好和预测精度高,在中药有效成分定量分析方面有很大的应用前景.     

药品近红外光谱通用性定量模型评价参数的选择

为寻找药品近红外通用性定量模型在建立过程中用于确立最优模型的关键评价参数组合,收集整理了目前各种商品化化学计量学软件及文献中的13个常用于评价近红外定量模型的统计学参数,结合人用药品注册技术要求国际协调会对于药品定量分析方法验证基本要求,对92个药品近红外通用性定量分析模型的这些参数进行了计算和分析。通过对各个参数之间相互关系的研究,确定了适合于药品近红外通用性定量分析模型评价的参数组合,并统计出了这些参数的数值范围：用于模型准确性评价的关键参数为交叉验证均方根误差/预测均方根误差、平均相对偏差和相对分析误差;大部分交叉验证均方根误差/预测均方根误差结果在3%以内,其中交叉验证均方根误差在数值上与平均绝对偏差相当,大部分相对分析误差值大于2,而平均相对偏差的数值与所建模型的类型(剂型、样品的包装形式)和待测成分含量的分布有关。模型线性评价关键参数为决定系数;大部分模型的决定系数在80%～100%之间。模型耐用性关键评价参数为预测均方根误差与交叉验证均方根误差的比值,大部分模型该参数在1.5以内。精密度评价关键参数为重复测定结果的标准差;该参数对于规范近红外的操作,以及考核模型能否在不同仪器间传递具有重要的意义,但目前药品近红外通用性定量模型对于分析精密度的关注较少,无法估计出具体数值范围。该研究不仅为药品近红外通用性模型的建立者和使用者提供了评价模型优劣的依据,也为完善药品近红外光谱通用性定量分析模型的参数评价体系提供了基础数据。     

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化; PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差; MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23; VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。     

近红外光谱检测蜂蜜中可溶性固形物含量和水分的应用研究

提出了一种利用近红外光谱技术定量分析蜂蜜中可溶性同形物含量(SSC)的新方法,同时对蜂蜜中的水分也进行了研究.在不同光谱范围内,通过对原始光谱的不同预处理,用偏最小二乘法分别建立了SSC和水分的近红外透反射光谱校正模型,所有模型都有高的的预测精度和水分的最优模型都为在全谱范围内,光谱预处理采用Norris平滑+一阶微分+多元信号校正,SSC模型的交互验证决定系数(RCV2)、交互验证误差均方根(RMSECV)、验证集决定系数(RP2)、验证误差均方根(RMSEP).SSC模型分别为0.998 6,0.190,0.998 5和0.127,水分模型分别为0.998 4,0.187.0.998 6和0.125.近红外光谱能实现蜂蜜中SSC和水分的准确测定.水分模型预测结果略好于相关文献的报道.     

近红外光谱法快速测定新疆薰衣草精油主要组分

为建立快速测定新疆薰衣草精油中芳樟醇(linalool)、乙酸芳樟酯(linalyl acetate)含量的定量分析模型,采用近红外吸收光谱法(NIR)测定了165个精油样品,通过对近红外光谱吸收峰分析,在7 100～4 500 cm-1波数范围内化学信息量比较丰富且噪音低,可选择此波数段为分析区间。剔除8个异常样本后,通过聚类方法划分为105个校正集样本和52个验证集样本,结合气相色谱质谱(GC-MS)法测定的薰衣草精油linalool和linalyl acetate的含量,建立原始数据矩阵。对比不同的预处理方法对原始近红外光谱的过滤作用,其中正交信号变换(OSC)方法效果明显,对两种化合物的预测均方根误差(RMSEP) 分别为0.226和0.558,再用向前间隔偏最小二乘法(FiPLS)剔除与待测成分无关或呈非线性关系的波长点,最终得到8个间隔区间共160个波长点的数据子集。使用OSC-FiPLS优化处理的数据子集结合偏最小二乘法(PLS)建立新疆薰衣草精油中linalool和linalyl acetate的快速定量分析模型,在模型中二成分的隐变量数都为8。交互验证均方根误差(RMSECV)分别为0.170和0.416;预测均方根误差(RMSEP)分别为0.188和0.364。结果表明,经OSC和FiPLS预处理建立的PLS-NIR定量分析模型稳健性好,测定精度高,能快速测定薰衣草精油中linalool和linalyl acetate含量,并且具有良好的预测能力。可为新疆薰衣草精油主要成分的快速定量分析提供一种新的有效方法。     

一种基于近红外光谱的天然产物抗氧化活性预测评价方法

提出了一种基于近红外(NIR)光谱的黄酮类提取物抗氧化活性计算预测新方法。采用1,1-二苯-2-苦肼基(DPPH)法测定28种黄酮类中药材提取物的抗氧化活性,并在4 000～10 000 cm-1范围扫描样品的红外光谱,采用偏最小二乘(PLS)算法建立了黄酮类组分近红外光谱与抗氧化活性之间的校正模型。建模过程中,以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,确定了用于建模的最优近红外波段和光谱预处理方法。校正模型的RSECV为9.50%,R2为 0.901 7,预测误差均方根(RMSEP)为14.8%。该方法快速无损、操作简便,可用于中药及天然产物提取物抗氧化活性的快速评价。     

基于径向基神经网络的测定抗结核药物主成分质量分数的近红外光谱定量分析模型

建立了同时测定利福平片、异烟肼片、吡嗪酰胺片、异福片和异福酰胺片5种抗结核药物中的利福平(RMP)、异烟肼(INH)和吡嗪酰胺(PZA)含量的新方法,应用径向基神经网络(RBFNN)建立5种抗结核片剂药物样品的近红外光谱(NIRS)与其中RMP、INH和PZA含量间相关模型.模型以交互验证均方根误差(RMSECV)为评价标准,选择最有效光谱区域、对网络结构参数和扩展常数进行优化,得到最优定量分析模型.最优模型的RMSECV分别为0.0127、0.0104、0.0078,应用最优模型对预测集样品中RMP、INH和PZA含量进行预测,预测均方根误差(RMSEP)分别为0.0125、0.0109、0.0103.内部交互验证和外部验证均表明,该方法具有较高的准确度,能够满足5 种抗结核药物生产中RMP、INH和PZA的同时检测精度要求.     

小麦品质近红外检测系统的设计与试验研究

为实现快速无损地检测小麦品质设计了基于光栅技术的近红外检测系统,测试了该系统的准确性、重复性和稳定性,选取MPA光谱仪为参比仪器,分别采集56份小麦样品的光谱,建立偏最小二乘回归模型并验证。该系统的四个模型的决定系数R2分别为92.38%,93.48%,93.16%,94.44%,交叉验证标准差RESECV为0.405,0.374,0.383,0.346,相对分析误差RPD为3.62,3.39,3.82,4.24;预测集验证模型的R2为96.97%,94.22%,96.62%,96.34%,预测标准差RMSEP为0.221,0.305,0.233,0.243。MPA光谱仪的建模结果R2 为95.99%,RESECV 为0.293,RDP为5;预测集验证模型的R2为98.31%,RMSEP为0.165。实验表明：小麦品质近红外检测系统所得模型具有良好的预测性,稳定性和重复性;所得光谱波长与吸光度具有重现性;其模型对平均光谱的预测效果优于单张光谱;该系统工作稳定,性能优良,可应用于小麦品质质量检测。     

近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究

为了建立近红外光谱测定茶叶中茶多酚和茶多糖的模型,应用了人工神经网络方法,选择了7 432.3～6 155.7 cm-1和5 484.6～4 192.5 cm-1特征光谱范围,以网络结构参数的输入层、隐层、输出层神经元数目分别为(8,4,1)和(7,5,1)来建立茶多酚和茶多糖的测定模型,模型的结果表明建模的茶多酚和茶多糖的ｒ,RMSECV,RSECV分别为0.984 7,0.460,0.123和0.947 0,0.136,0.224;预测集的ｒ,RMSEP,RSEP则分别为0.980 4,0.529,0.017和0.968 2,0.111,0.030。由此说明建立的近红外光谱-人工神经网络模型可用于预测茶叶中茶多酚和茶多糖的含量。     

苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究

可溶性固形物和糖酸比是苹果内部品质主要评价指标之一。为此进行苹果糖酸比和可溶性固形物可见/近红外漫反射和漫透射对比检测研究。180个冰糖心和红富士样品被分成建模集和预测集(136∶44),分别用于建立偏最小二乘模型和验证模型的预测能力。在运动速度5个/秒时,采集了冰糖心和红富士两种样品的可见近红外光谱。漫反射和漫透射可见近红外光谱经多元散射校正、标准正态变量变换、基线校正等预处理后,建立了偏最小二乘回归模型。未参与建模的44个样品用于评价模型的预测能力,经比较,漫透射检测方式优于漫反射检测方式,主要因为漫透射检测方式能更有效地克服杂散光。可溶性固形物模型预测相关系数达到0.936,预测均方根误差为0.476°Brix;糖酸比模型预测相关系数达到0.785,预测均方根误差为10.94。研究结果表明： 应用可见/近红外漫透射光谱技术,可实现苹果可溶性固形物和糖酸比在线检测。为大宗水果内部品质分选提供了技术支持和参考依据。     

一种基于SCARS策略的近红外特征波长选择方法及其应用

针对近红外光谱数据的内在特点,提出了一种基于稳定性竞争自适应重加权采样(stability competitive adaptive reweighted sampling, SCARS)策略的近红外特征波长优选方法。该方法以PLS模型回归系数的稳定性作为变量选择的依据,其过程包含多次循环迭代,每次循环均首先计算相应变量的稳定性,而后通过强制变量筛选以及自适应重加权采样技术(ARS)进行变量筛选;最后对每次循环后所得变量子集建立PLS模型并计算交互验证均方根误差(RMSECV),将RMSECV值最小的集合作为最优变量子集。利用饲料蛋白固态发酵过程近红外光谱数据集对所提方法进行了验证,并与基于PLS的蒙特卡罗无信息变量消除法(MC-UVE)和竞争自适应重加权采样(CARS)方法所得结果进行了比较。试验结果显示： 建立在SCARS方法优选的21个特征波长变量基础上的PLS模型预测效果更好,其预测均方根误差(RMSEP)和相关系数(R_p)分别为0.054 3和0.990 8;该优选策略能有效地增强固态发酵光谱数据特征波长变量选择的准确性和稳定性,提高了模型的预测精度,具有一定的应用价值。     

应用近红外光谱法建立伤疖膏制备过程中黄芩苷含量模型

建立一种伤疖膏制备过程提取液中黄芩苷动态含量快速测定的近红外光谱分析方法,近红外透射光谱法扫描得到65组伤疖膏制备过程中提取液的近红外光谱图,以提取液中黄芩苷的HPLC测量值作为对照值,采用偏最小二乘回归算法(PLSR)建立NIR光谱与对照值的校正模型。校正模型主成分数为8,交叉验证均方根差(RMSECV)为0.006 8,相关系数(r)为0.999 1。应用校正模型对预测集的30组样品进行黄芩苷含量预测,所得预测均方根差(RMSEP)为0.009 2,r为0.998 7。结果表明,该方法快速、准确,为复方膏剂制备过程中化学成分快速定量和质量控制提供了方法和依据。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。