近红外光谱技术快速测定何首乌中水分的含量*

贾灿潮，卢慧娟，林丹，姬生国

(广东药学院中药学院，广州 510006)

近红外光谱技术快速测定何首乌中水分的含量*

贾灿潮，卢慧娟，林丹，姬生国

(广东药学院中药学院，广州 510006)

目的利用近红外光谱技术快速测定何首乌中水分的含量。方法烘干法测定样品中水分含量，获得含量数据信息，近红外光谱仪采集样品的近红外光谱数据。采用化学计量学方法建立何首乌药材中水分含量测定的近红外光谱分析模型，验证集样品对模型进行验证，获得何首乌近红外光谱水分含量测定模型。结果所建模型的内部交叉验证决定系数为0.984 75，校正均方差为0.161，预测均方差为0.181，内部交叉验证均方差为0.471 64。21批验证集的参考值与预测值的绝对偏差在-0.35%～0.28%，平均回收率为99.87%。结论近红外光谱技术可快速、准确地测定何首乌中的水分含量。

何首乌；光谱技术，近红外；含量，水分

何首乌为蓼科植物何首乌PolygonummultiflorumThumb.的干燥块根，有解毒、消痈、润肠通便、降血脂之功[1]。现代药理研究还表明，它在降脂、抗动脉粥样硬化、抗氧化、抗骨质疏松、抗肿瘤、降血糖、益智抗抑郁及抗菌等方面有一定的作用[2]。中药的功效与质量密切相关，水分含量是中药质量评价的重要指标之一，中药水分含量过高会影响有效成分的含量，甚至引起虫蛀、发霉等。《中华人民共和国药典》2010年版规定：何首乌的水分含量不得高于10.0%。中药材在采收、加工、炮制、贮藏过程中都会引起水分含量的差异，传统的水分测定方法操作繁琐，耗时长，难以用于中药工业生产中在线检测。近红外光谱技术作为一种快速检测技术，已被广泛用于石油炼制与化工[3]、工矿业[4]、烟草[5]、农业[6-7]、食品[8]等行业。在医药领域也有应用[9-12]。本课题组已成功将该技术应用于枇杷叶、广藿香、高良姜等中药材的质量评价中[13-15]。本文介绍就该技术在何首乌药材中水分含量的快速测定方法。

1 仪器与试药

1.1 仪器 傅里叶变换近红外光谱仪，配有漫反射积分球、样品旋转器和石英样品杯、OMNIC光谱采集软件和TQ8.0分析软件(Nicolet 6700型，美国Thermo公司)；Q/ZT153-1 998型电热鼓风恒温干燥器(浙江正泰仪器仪表有限公司)；干燥器(四川蜀牛玻璃仪器厂)；手提式高速中药粉碎机(LK-400型，浙江温岭市创力药材器械厂)；AY120型天平(日本岛津公司，感量：0.01 mg)。

1.2 药材 样品于2014年9月到11月间分别采购于广东德庆、高要、高州、阳春、新兴等中药材种植基地，经广东药学院中药学院姬生国教授鉴定为蓼科植物何首乌PolygonummultiflorumThunb.的干燥块根。105批样品按《中华人民共和国药典》2010年版要求洗净，切片，干燥，粉碎，过筛孔内径0.425 mm筛，保存至密封袋中，置干燥器备用。

2 方法与结果

2.1 烘干法测定水分含量 按《中华人民共和国药典》2015年版规定测定样品中水分含量作为本研究的参考值。水分含量在6.92%～9.99%，平均8.79%，符合《中华人民共和国药典》的规定。

2.2 光谱数据采集 取样品粉末4 g，混合均匀后放入石英样品杯，轻轻振摇使其分散均匀。采用积分球漫反射法测定，分辨率为8 cm-1，扫描64次，扫描范围为12 000～4 000 cm-1，温度(22±0.5) ℃，相对湿度18%～25%。每个样品扫描5次，取平均值。样品的近红外光谱叠加图见图1。

图1 105批何首乌样品的近红外平均光谱叠加图

Fig.1 Overlapping spectra of NIR for 105 batches of samples ofPolygonimultifloriRadix

2.3 光谱预处理 在采集样品的近红外光谱时，样品均匀度、测定条件、药材粉末颜色、颗粒大小等会导致近红外光谱散射和基线漂移，且吸收强度较弱，光谱信噪比低。要开发利用近红外原始光谱，需以化学计量学对光谱进行预处理，以达到提取相关信息的要求[16]。常用消除光谱基线漂移的方法有一阶导数法、二阶导数法，增强光谱平滑的方法有Savitzky-Goly平滑法，校正光谱散射的方法有多元散射矫正法、标准归一化法。近红外光谱分析模型常以内部交叉验证决定系数、校正均方差、预测均方差为等指标综合考察。其中，内部交叉验证决定系数越接近1，校正均方差越小，则参考值与近红外预测值相关性越好；预测均方差越小，且1<预测均方差/校正均方差<1.20，则模型预测结果越精确[17]。本试验用TQ Analyst 8.0分析软件结合化学计量学方法对光谱进行预处理分析，结果见表1。由结果可知，采用多元散射校正法+一阶导数法和标准归一化法+一阶导数法对光谱进行预处理分析，模型的校正均方差最小，但内部交叉验证决定系数和预测均方差并非最优，且预测均方差/校正均方差均>1.20，所建模型将过于拟合。采用二阶导数法对光谱进行预预处理，模型内部交叉验证决定系数最大，校正均方差和预测均方差都对较小，预测均方差/校正均方差=1.12<1.20，所建模型预测性能最佳，故本实验采用该法对光谱进行预处理。

表1 不同预处理方法对模型的影响

Tab.1 Effect of different pretreatment on the parameter of model

光谱预处理方法内部交叉验证决定系数校正均方差预测均方差预测均方差/校正均方差无处理0．943680．3060．2320．75一阶导数法0．880930．4380．3000．68二阶导数法0．984570．1610．1811．12多元散射校正+一阶导数法0．893990．1150．2882．50多元散射校正+二阶导数法0．903000．3980．2840．71多元散射校正法0．935640．3270．3000．92标准归一化+一阶导数法0．894690．1130．2812．49标准归一化+二阶导数法0．902630．3980．2790．70Savitzky⁃Goly平滑法0．941190．3130．2530．80多元散射校正+Savitzky⁃Goly平滑法0．888480．4250．2810．66标准归一化+Savitzky⁃Goly平滑法0．936490．3250．2000．61标准归一化法0．936530．3250．2020．62Savitzky⁃Goly平滑+二阶导数法0．906970．3900．2090．53Savitzky⁃Goly平滑法+一阶导数法0．880950．4380．3000．68

2.4 建模波长的选择 近红外光谱蕴含大量化学成分信息，选择响应特征性强的波段建立模型，不仅消除大量冗余的信息，还增强待测组分光谱特征，使模型预测性能更加稳健，预测结果更加准确。纯水分子-OH伸缩振动的一级倍频(约在6 944 cm-1)、二级倍频(约在10 416 cm-1)及其合频(约在5 155 cm-1)的光谱特性极为明显，其中，以一级倍频和二级倍频的合频处最强[18-20]，两特征谱带包含中药水分主要信息。结合内部交叉验证决定系数越接近1，校正均方差、预测均方差、内部交叉验证均方差越小的综合考察指标考察不同波段对模型的影响(表2)，最终选取4 210～5 230，6 380～7 000 cm-1这两个波段作为建模波段。

2.5 主因子数的选定 最佳主因子数(也称最佳主成分数)是内部交叉验证均方差最小时，所对应的主因子数。在偏最小二乘法中，确定参与回归的最佳主因子数尤为重要。选取主因子数过小，则会丢失过多有用信息，出现欠拟合；选取主因子数过大，则会将测量噪音过多地引入模型，出现过拟合[17]。在光谱预处理和波段选择时，综合得到内部交叉验证均方差最小值为0.471 64，对应最佳主因子数为7。见图2。

表2 不同建模波段对模型的影响

Tab.2 Effect of different wavelength on the parameter of model

建模区间/cm-1内部交叉验证决定系数校正均方差预测均方差预测均方差/校正均方差4230～78900．996860．0730．2543．474500～75610．967940．2330．1900．824210～5230，6380～70000．984570．1610．1811．124164～5205，6195～68600．943070．3470．3450．994310～5370，6586～72370．965630．2410．1540．64

图2 校正集内部交叉验证均方差随主因子数的变化图

Fig.2 Variation curve of the root-mean-square error of cross-validation (RMSECV) versus the numbers of major factors

2.6 模型的建立 运用TQ Analyst 8.0定量分析软件中的偏最小二乘法，以84批样品为校正集，将“2.1”项下测得的水分含量为参考值与经预处理的近红外光谱联合，选取波段为4 210～5 230 和6 380～7 000 cm-1，最佳主因子数为7建立校正模型。所建立的模型，内部交叉验证决定系数=0.984 75，校正均方差=0.161，表明预测值与参考值有良好的相关性；预测均方差=0.181，说明模型有较好预测能力；内部交叉验证均方差=0.471 64，说明模型预测精度较好[21]。模型预测值与参考值的相关结果见图3。

2.7 模型的考究与验证 将21批样品输入所建立的模型进行验证，验证集参考值与预测值的绝对偏差在-0.35%～0.28%，相对偏差在0.29%～3.88%，平均相对偏差为1.52%，平均回收率为99.87%，可见该近红外光谱模型可准确测定出样品中水分的含量，见表3。以21个验证集样品的预测值与参考值进行了配对双边t检验，差异无统计学意义(t=0.33，P>0.05)。综合上述可知，该模型可快速，准确测定何首乌中水分的含量[17]。

图3 校正集样品预测值与参考值的相关图

Fig.3 Correlation diagram between analytical and predictive values of calibration samples

表3 验证集样品的参考值与预测值的对比

Tab.3 Comparison between analytical and predictive values of validation samples %

编号参考值预测值绝对偏差相对偏差19．629．48-0．141．4928．558．690．141．6538．058．140．091．1549．619．800．191．9459．799．60-0．191．9368．308．540．242．8878．818．64-0．171．8888．918．980．070．8199．109．300．202．24109．219．490．283．04119．268．95-0．313．35129．249．14-0．101．08139．138．78-0．353．88149．079．200．131．49159．959．78-0．171．73169．829．72-0．100．97176．986．76-0．223．15186．926．89-0．030．36196．977．030．050．81209．639．60-0．030．29218．718．840．131．54

3 讨论

《中华人民共和国药典》2015年版规定何首乌中水分含量测定的方法采用烘干法，该方法操作繁琐，对测定结果的影响因素较多，特别是在我国南方，由于湿度大，温度较高加大了实验操作的难度。笔者长期从事近红外光谱技术对中药质量评价的研究，已经对多种中药材进行了相关的研究。由于该方法简便、快速、准确，检测时无需对样品进行复杂的预处理，在无损样品的前提下采集近红外光谱(通常只需30 s)，输入所建立的模型，即可实现快速分析，能克服南方气候条件造成的对何首乌水分含量测定所造成的影响，适用于何首乌药材中的水分含量测定。同时，该方法可用于何首乌生产企业在干燥过程中进行实时水分含量监控，确定干燥的时间及温度，节约能源及成本，增加企业效益。该研究仅为何首乌全面质量评价的一个方面，将结合其他的近红外光谱质量评价方法，提供一个全面对何首乌进行质量评价的近红外光谱方法。

[1] 国家药典委员会.中华人民共和国药典(一部)[M].北京：中国医药科技出版社，2015：175-176.

[2] 楼招欢，吕圭源，俞静静.何首乌成分、药理及毒副作用相关的研究进展[J].浙江中医药大学学报，2014，38(4)：495-500.

[3] 白正伟，李怿，崔凌雁.红外光谱法用于加氢生产生物柴油过程的监控研究[J].石油炼制与化工，2015，46(1)：97-100.

[4] 李明，李翠，雷萌.一种煤炭近红外光谱数据预处理方法研究[J].工矿自动化，2015，41(1)：62-66.

[5] 张朝，葛少林，佘世科，等.近红外光谱法快速测定烟草中的常规化学成分含量[J].安徽农业科学，2015，43(2)：286-288.

[6] 薛建新，张淑娟，赵聪慧.基于梨枣轻微损伤的可见近红外光谱判别研究[J].农机化研究，2015，37(5)：212-215.

[7] 史文青，方晓璞，崔诚，等.近红外光谱技术在花生品质分析中的应用[J].粮油加工：电子版，2014，45(6)：30-33.

[8] 於筱岚，徐宁，何勇.近红外分析技术在食品氨基酸检测中应用的研究进展[J].光谱学与光谱分析，2014，34(9)：2377-2381.

[9] 王海波，邓鸣，朱健萍，等.近红外漫反射光谱法测定头孢克肟颗粒含量[J].医药导报，2014，33(4)：490-492.

[10] 贾燕花，胡昌勤，刘皈阳.近红外光谱法测定注射用头孢曲松钠相对结晶度[J].医药导报，2013，32(11)：1513-1514.

[11] 陈蓉，陈伟，吴启南.基于近红外指纹图谱的芡实药材快速分析[J].医药导报，2014，33(5)：653-657.

[12] 余道宏，柳艳云，姜红.近红外光谱法快速分析小儿复方磺胺甲噁唑颗粒的水分含量[J].中国药事，2014，28(3)：263-267.

[13] 林萍，王海霞，姬生国，等.利用近红外光谱分析技术快速测定高良姜中水分含量[J].中国调味品，2014，39(8)：99-103.

[14] 蔡佳良，黄洁燕，姬生国，等.运用近红外光谱法建立广藿香含叶量定量分析模型[J].中国现代应用药学，2013，30(3)：260-263.

[15] 李蕾蕾，林萍，姬生国，等.近红外光谱法快速测定枇杷叶浸出物的含量[J].医药导报，2014，33(2)：231-235.

[16] 严衍禄，赵龙莲，韩东海，等.近红外光谱分析基础与应用[M].北京：中国轻工业出版社，2005：30-39.

[17] 褚小立.化学计量学方法与分子光谱分析技术[M].北京：化学工业出版社，2011：32-119

[18] 姬生国，蔡佳良，周文婷，等.近红外光谱测定藿胆丸中水分含量[J].医药导报，2014，33(5)：660-663.

[19] 蔡佳良，李蕾蕾，姬生国.近红外光谱法快速测定广藿香中水分含量[J].医药导报，2012，31(11)：1468-1470.

[20] 李蕾蕾，王海霞，姬生国，等.近红外光谱技术在枇杷叶水分含量测定中的应用[J].中国实验方剂学杂志，2013，19(19)：104-107.

[21] 王海霞，周文婷，姬生国，等.NIRS在广金钱草水分含量测定中的应用[J].江苏农业科学，2014，42(7)：324-326.

Rapid Determination of Moisture Content in Polygoni multiflori Radix by Near-Infrared Spectroscopy

JIA Canchao, LU Huijuan, LIN Dan, JI Shengguo

(SchoolofTraditionalChineseMedicine,GuangdongPharmaceuticalCollege,Guangzhou510006,China)

Objective To determine the moisture content inPolygonimultifloriRadix rapidly by near-infrared spectroscopy. Methods The moisture content of the samples were determined by oven drying method and the near-infrared spectrum data were collected by near-infrared spectroscopy.The quantitative test model of moisture content inPolygonimultifloriRadix was established by chemometrics methods and was validated with validation samples. Results The correlation coefficients, root-mean-square error of calibration (RMSEC), root-mean-square error of predication (RMSCP) and the root-mean-square error of cross-validation (RMSECV) of the calibration model was 0.984 75, 0.161, 0.181 and 0.471 64, respectively.The absolute deviation of the analytical and predictive values of 21 validation samples was -0.35%-0.28%, and the average recovery was 99.87%. Conclusion Near-infrared spectroscopy can be used to determine the moisture content ofPolygonimultifloriRadix rapidly and accurately.

PolygonimultifloriRadix； Spectroscopy technology, near-infrared； Content，moisture

2015-02-02

2015-03-09

*广东省科技计划项目(2009B030801044)

贾灿潮(1989-)，男，广东云浮人，在读硕士，主要从事中药质量控制研究工作。电话：020-39352327，E-mail：296808156@qq.com。

姬生国(1967-)，男，河南延津人，教授，博士，从事中药资源、中药质量标准及中药新药及分子生药学研究。电话：020-39352327，E-mail：shengguo_ji@163.com。

R282；R927.2

B

1004-0781(2015)12-1633-04

10.3870/j.issn.1004-0781.2015.12.021