本發明涉及藥材檢測領域，具體設計黃芪藥材的質量檢測方法。

背景技術：

黃芪作為一種功效顯著的中藥材，被廣泛應用于各類疾病的臨床治療中。硫磺熏蒸藥材是一種傳統的中藥加工技術，用硫磺熏蒸后的中藥材、中藥飲片外觀漂亮、色澤鮮艷，而且可以防蟲蛀、防腐，在中藥材及飲片的加工和貯藏過程中應用較為普遍。隨著近年來人們健康意識的提高，硫磺熏蒸過后藥材帶來的副作用逐漸得到重視。同時，大量的實驗研究表明，硫熏對中藥材的化學成分和藥理作用均有較大的影響。因此，有必要對黃芪藥材的含硫量進行檢測。

中國藥典2015版二氧化硫殘留量測定法系用酸堿滴定法、氣相色譜法、離子色譜法分別作為第一法、第二法、第三法測定經硫黃熏蒸處理過的藥材或飲片中二氧化硫的殘留量。其中酸堿滴定法耗時長，且需專門的全玻璃蒸餾儀器，不適合大批量檢測，通氮氣價格較昂貴且不便于控制。氣相色譜法和離子色譜法需要相應的設備及填充柱等，操作復雜，檢測成本高。

因此，有必要建立一種經濟、便捷的檢測黃芪藥材含硫量的方法。

同時，黃芪的產地也對黃芪的質量有著重要的影響，也有必要建立一種鑒別黃芪產地的方法。

技術實現要素：

為解決上述問題，本發明一種黃芪藥材的質量檢測方法

一種黃芪藥材的質量檢測方法，它包括下述步驟：

(1)以已知質量信息的黃芪藥材樣品作為建模樣品，測定其紫外-可見光-短波近紅外漫反射光譜，采集其光譜數據；

(2)對步驟(1)得到的光譜數據進行光譜預處理，波長篩選，建立黃芪藥材的質量檢測模型；

(3)以步驟(2)的黃芪質量檢測模型檢測待測黃芪藥材的質量；

其中，所述質量檢測包括含硫量檢測、產地檢測中的任一種或多種；所述預處理的方法選自標準正態變換法、多元散射校正法、卷積滑法、一階導數-卷積平滑法或二階導數-卷積平滑法，波長篩選的方法選自變量消除法。

進一步地，所述步驟(1)的測定中，紫外-可見光-短波近紅外漫反射光譜的波長范圍為200nm-1100nm。

進一步地，所述步驟(1)的測定中，以白板作參比，曝光時間為448ms，采樣間隔為1ms，平均次數為30次；每個樣品測定3次，每次測定三個值，取3次測定的平均值作為樣品的光譜數據。

進一步地，步驟(1)中，所述建模樣品包括含硫量0～4500mg/kg的黃芪藥材。

進一步地，步驟(1)中，所述建模樣品包括四川黃芪、甘肅黃芪和山西黃芪。

進一步地，當質量檢測為產地檢測和硫磺熏蒸程度檢測時，步驟(2)中所述質量檢測模型是主成分分析判別模型。

進一步地，所述主成分分析判別模型是以主成分分析下的前3或4個主成分建立的。

進一步地，當質量檢測為含硫量檢測時，步驟(2)中所述質量檢測模型是線性回歸分析預測模型。

本發明測定藥材的紫外-可見光-短波近紅外漫反射光譜法，是一種處理簡單、分析速度快、無損的質量檢測方法。然而，紫外-可見光-短波近紅外漫反射光譜除了自身信息外，常含有大量噪音和背景信息，且分析結果易受到測量異常值和冗余波長的負面影響。如何從復雜、重迭的光譜中提取微弱的化學成分信息，提高測量精度，進而建立高質量的數學模型是該分析技術的一個難點。要解決這個難點，光譜處理技術是一個關鍵的因素。

在光譜處理技術中，光譜預處理方法對建立預測能力強、穩健性好的分析模型至關重要，甚至起著決定性的作用。正如前所述，光譜除包括與樣品組成有關的信息外，還包含了其他無關信息，如電噪音、樣品背景和雜散光等。這些無關信息會對光譜信息產生干擾，從而影響數學模型的建立以及對未知樣本組成和性質的預測。其中，光譜預處理的方法眾多，包括數據增強變換、平滑、求導、標準正態變量變換、多元散射校正、小波變換以及正交信號校正等。然而，由于這些算法自身固有的缺陷，當對光譜的原始數據進行預處理后，其對數學模型的優化效果具有極大的偶然性。因此，當研究者針對一個全新的檢測對象和分析目標時，都需要研究者通過大量預處理方法的篩選，來確認哪些預處理方法能對模型起著優化效果，而且發現一個能顯著優化模型的光譜預處理方法是相當困難的。

另一個方面，在光譜處理技術中，包含大量的波長數據點，而其中一些波長與研究的性質是不相關的，有效的變量篩選，例如波長篩選、波段篩選，可以改善模型的預測能力和減少模型的復雜程度。就波長篩選而言，其也包括眾多方法，例如遺傳算法(GA)、無信息變量消除方法(UVE)、間隔偏最小二乘法(iPLs)、連續投影算法(SPA)、蒙特-卡洛結合無信息變量消除方法(MC-UVE)等等。與前述光譜預處理方法類似，這些算法也各自有著自身固有的優缺點，其對數學模型的優化效果也同樣具有極大的偶然性，其結果難以預知。

為了找到適合于本發明黃芪藥材的質量檢測方法，發明人根據建模樣品的質量信息和光譜數據，通過大量的篩選試驗偶然發現，當光譜預處理方法選自標準正態變換法、多元散射校正法、卷積滑法、一階導數卷積平滑法或二階導數卷積平滑法時，且波長篩選的方法選自變量消除法，可以顯著優化模型。進而以此為基礎，建立模型來準確檢測黃芪藥材的含硫量和產地，從而建立了一套方便、快捷、經濟、準確檢測黃芪藥材質量的方法。

本發明涉及的幾種方法如下：

a.相關系數法(CC)

相關系數法是將校正集光譜陣中的每個波長對應的吸光度向量xi與濃度陣中的待測組分濃度向量yi進行相關性計算,得到波長-相關系數r圖。對應相關系數越大的波長其信息應越多,因此,可結合已知的化學知識給定一閾值,選取相關系數大于該閾值的波長參與模型建立。

b.間隔偏最小二乘法(iPLS)

iPLS是Norgaard提出的一種波長區間選擇方法，它是將全譜波段分成等長的多個子區間，分別建立PLS模型，以SEC評價出最優的一個區間，即比較子區間建立的模型和全譜建立的模型的結果，選擇交叉驗證均方根殘差(RMSECV)比全局模型低的波段作為最優波段。該方法的一個顯著優點是根據已建立的一系列回歸模型能夠非常直觀地觀察到全譜數據中有用信息分布的情況^[12]。此外，與該方法相似的波段選擇還有窗口移動PLS法。

c.偏最小二乘法(PLS)

PLS(partial least squares)是近年來開始在化學計量及其它許多領域得到普遍應用的一種建模方法。它是將因子分析和回歸分析結合的方法。PLS通過因子分析將高維的光譜數據壓縮為較低維空間數據，并將原光譜分解為多種主成分光譜，通過對主成分數的合理選取，讓有用的主成分參與模型回歸。PCR法消除噪音信息只是通過對光譜矩陣X進行分解。同樣，濃度矩陣y也含有無用信息，亦應作同樣的處理，且在分解光譜矩陣X時應考慮濃度矩陣y的影響。

d主成分分析法(PCA)

Principal component analysis(PCA)主成分分析法是一種數學變換的方法,它把給定的一組相關變量通過線性變換轉成另一組不相關的變量，這些新的變量按照方差依次遞減的順序排列。在數學變換中保持變量的總方差不變，使第一變量具有最大的方差，稱為第一主成分，第二變量的方差次大，并且和第一變量不相關，稱為第二主成分。依次類推，I個變量就有I個主成分。

顯然，根據本發明的上述內容，按照本領域的普通技術知識和慣用手段，在不脫離本發明上述基本技術思想前提下，還可以做出其它多種形式的修改、替換或變更。

以下通過實施例形式的具體實施方式，對本發明的上述內容再作進一步的詳細說明。但不應將此理解為本發明上述主題的范圍僅限于以下的實例。凡基于本發明上述內容所實現的技術均屬于本發明的范圍。

附圖說明

圖1為甘肅黃芪。

圖2為山西黃芪。

圖3為四川黃芪。

圖4為S3000光纖光譜儀系統。

圖5為樣品紫外-可見-短波近紅外漫反射原始光譜，其中黑色代表四川黃芪、紅色線代表山西黃芪、藍色代表甘肅黃芪。

圖6向后(a)、向前(b)移動窗口相關系數法

1)四川；2)山西；3)甘肅；4)類間平均

圖7為三種不同產地黃芪的主成分分析三維投影圖。

圖8、9依次為校正集二氧化硫測量值與考參考值關系圖，驗證集二氧化硫測量值與參考值關系圖。

具體實施方式

實施例1

一、實驗材料：

1.三種不同產地的黃芪：甘肅黃芪、山西黃芪和四川黃芪樣品購于荷花池中藥材市場，均經成都中醫藥大學劉薇老師鑒定為正品。如圖1-3所示。

2.升華硫AR(含量≥99.5％；游離酸≤0.05％；灼燒殘渣≤0.03％；砷≤0.002％；水分≤0.1％)——成都市科龍化工試劑廠

3.蒸餾水——四川大學試劑科。

4. 30％過氧化氫AR(含量≥30％；酸度mmol/100g≤0.1)——成都市科龍化工試劑廠。

5.甲基紅——成都市科龍化工試劑廠。

6.無水乙醇AR——成都海興化工試劑廠。

7.氫氧化鈉AR(含量≥96％；雜質碳酸鹽1.5％)——成都市科龍化工試劑廠。

8.鹽酸AR(含量36％～38％)——成都市科龍化工試劑廠。

二、實驗試劑配制：

1. 3％過氧化氫溶液的配制

取30％過氧化氫2mL，加入20mL蒸餾水稀釋，配制得3％過氧化氫溶液。

2. 0.1mol/L NaOH標準溶液的配制

稱取120g固體NaOH，加100mL水溶解冷卻轉人聚乙烯塑料瓶中密封放置數日使之有晶體析出成為澄清的飽和溶液。吸取飽和NaOH溶液上層清液5.4mL，用無二氧化碳蒸餾水定容至1000mL混勻，貼上標簽待標定。

3.甲基紅乙醇溶液指示劑(2.5mg/mL)的配制

電子天平稱取甲基紅粉末125mg，放置于150mL容量瓶中，用無水乙醇定容至150mL處。

三、儀器：

電子天平；自制熏硫裝置；通風干燥箱；粉碎機；80目篩；電熱套；磁力攪拌器；S3000光纖光譜儀(圖4)，其波長范圍為200～1100nm，最小曝光時間為3.8ms,波長重復誤差<0.3nm，波長絕對誤差<0.3nm。

四、建模樣品的制備及測定

1、測定紫外-可見光-短波近紅外漫反射光譜

(1)三個產地(甘肅、山西、四川)的黃芪樣品購于荷花池中藥材市場，均經成都中醫藥大學劉薇老師鑒定為正品。將三種不同地區黃芪分為五批，每一批不同藥材分別稱取150g，150g,150g,100g,100g，每次分別噴水40mL，潤濕12h。按藥材重量，設置5個硫磺熏蒸水平：0％,0.75％,1.5％,2.5％,3.5％。用自制熏硫裝置根據不同的硫熏水平稱量硫磺，燃燒熏蒸黃芪，制成不同含硫量的黃芪，結果見表1。將所有黃芪飲片以粉碎機粉碎為粉末，用80目篩過篩，得黃芪粉末。

(2)每個粉末樣稱取200mg，填充于樣品池，按壓至表面平整，光纖探頭垂直置于粉末試樣上表面，如圖4b所示。采用自行搭建紫外可見漫反射光譜測量系統，如圖4a所示，在200nm-1100nm波長范圍內，以白板為空白，智能曝光時間為448ms，采樣間隔1ms,平均次數30次，采集樣品光譜數據，每個樣品重新壓平測定3次，每次待其穩定測定三個值，以3次測定的平均值作為樣品光譜數據。

樣品紫外-可見-短波近紅外漫反射原始光譜如圖5所示。

2.PCA法定性鑒別三種產地黃芪

向后、向前漸進窗口相關系數法被用來選擇主成分分析的特征波長范圍。計算每種產地黃芪的類內相關系數和每兩種產地黃芪的類間相關系數。結果見圖6(a)和圖6(b)。

圖6(a)顯示，在全譜范圍內，向后漸進窗口相關系數法的平均類間相關系數(曲線4)高于四川黃芪的類內相關系數。不能提供有效分類的波長選擇。

圖6(b)顯示，在全光譜范圍，向前漸進窗口相關系數均大于0.97，并且在213-530nm范圍，類間的相關系數小于類內相關系數。這為三種產地黃芪的分類提供了根據。因此，分別嘗試在213-1090nm、213-590nm、213nm-510nm、320-510nm、213nm-350nm、213-310nm、240-310nm、213-530nm的各范圍之內，進行PCA建模分析。

在PAC建模工程中，計算前N個主成分的累積方差與總方差的百分比。在214-1090nm全譜范圍內進行主成分分析，第一主成分的方差的百分比為60％，前兩個主成分的積累方差的百分比為86％，前三個主成分的積累方差的百分比為94.5％。而在213-310nm范圍進行主成分分析，得到了最好的結果：第一累積方差的百分比為72.5％，第二積累方差的百分比為95％、第三積累方差的百分比為99％。利用213-310nm范圍內的光譜進行主成分分析的三維投影如圖7所示，這表明黃芪產地鑒別的效果很好。三個產地完全被分開，產地的鑒別不受這些樣品的含硫量(是否熏過硫)的影響。

3黃芪含硫量的快速分析

3.1原始光譜的PLSR建模效果

使用原始全光譜進行PLSR(偏最小二乘回歸法)建模，結果如表1第一行所示，預測集的決定系數為0.8526。故進行優化(波長選擇、數據預處理)，以便提高建模預測效果。

3.2波長選擇優化

考察了相關系數法(CC)和分段偏最小二乘法(iPLS)選擇波長后建模的效果，發現分兩段的偏最小二乘法(2-iPLS)所選波段(213.8-691nm)的建模效果得到改善，預測集(驗證集)的R2提高到0.8711(表1第二行)。

3.2光譜預處理方法的優化及其異常值剔除

經波長選擇(213.8-691nm波段)后經各種預處理及其組合(共19種，表1中)后的PLS建模效果與無預處理的建模效果(表1第一行)比較，可知，經SG平滑處理后的建模效果改善最大，故選擇SG平滑作為最佳的預處理方法。隨后再經異常值的剔除(剔除21個異常值)，可將PLS的建模效果提高到，校正集R²cal＝0.9238，交叉驗證R²cv＝0.9014，建模效果比較好。

表1經波長選擇-預處理后建立的PLSR模型預測結果

3.3黃芪含硫量的快速分析

用優化后的數據分別作校正集(選取50批黃芪的數據作為校正集)二氧化硫測量值，和驗證集(隨機抽取15批黃芪的數據作為驗證集)二氧化硫預測值與參考值關系的散點圖，如圖8、圖9所示，說明可以定量預測黃芪的含硫量。將上述經優化的PLS模型應用于預測集(剩下10批黃芪數據作為預測集)的樣品的光譜數據上，預測其二氧化硫的殘留量。得到R²test＝0.9322，結果較好。

綜上所述，本發明方法通過測定藥材的其紫外-可見光-短波近紅外漫反射光譜來檢測黃芪藥材的質量，包括黃芪藥材的產地檢測以及含硫量檢測，是一種方便、快捷、經濟、準確的黃芪藥材質量檢測方法。