近红外光谱技术结合化学计量学应用于川贝母真伪与规格的快速辨识研究

谢梦迪，田亮玉，桂新景，施钧瀚, 5，王君明，岳佑凇，[]张 璐, 5，王艳丽，姚 静, 5，李学林, , 5，刘瑞新, , 5*

近红外光谱技术结合化学计量学应用于川贝母真伪与规格的快速辨识研究

谢梦迪1，田亮玉1，桂新景2, 3, 4，施钧瀚2, 3, 4, 5，王君明1，岳佑凇1，[1]张 璐2, 3, 4, 5，王艳丽2, 3, 4，姚 静2, 3, 4, 5，李学林1, 2, 3, 4, 5，刘瑞新1, 2, 3, 4, 5*

1. 河南中医药大学，河南 郑州 450008 2. 河南中医药大学第一附属医院 药学部，河南 郑州 450000 3. 河南省中药饮片临床应用现代化工程研究中心，河南 郑州 450000 4. 河南中医药大学 呼吸疾病中医药防治省部共建协同创新中心，河南 郑州 450000 5. 河南省中药临床药学中医药重点实验室（建设单位），河南 郑州 450000

目的 探究近红外光谱技术应用于川贝母快速辨识的可行性。方法 收集80个川贝母待测样品（含炉贝、松贝、青贝及川贝母伪品等），为获取上述样品的真伪和规格信息，首先进行传统人工鉴别（M1法）与《中国药典》法鉴别（M2法），并以M1法和M2法相结合的辨识结果作为标杆信息（）；近红外光谱仪采集待测样品粉末的光谱信息（），结合主成分分析-判别分析（principal component analysis-discriminant analysis，PCA-DA）、偏最小二乘-判别分析（partial least squares discriminant analysis，PLS-DA）、最小二乘支持向量机（least squares support vector machines，LS-SVM）3种化学计量学方法建立并优化真伪及商品规格辨识模型[＝M()]（M3法）。结果 80个样品均参与真伪辨识，经留一法交互验证，结果发现3种真伪辨识模型中均无未分类样品，准确率依次为98.75%、98.75%、97.50%；80个样品中有5个因专家对规格的判定意见难以达成一致或样品本身原因等不参与建模，最终以75个样品参与规格辨识，模型准确率分别为100.00%（无未分类样品）、100.00%（有4个未分类样品）、100.00%（无未分类样品）。结论 真伪辨识均以PCA-DA、PLS-DA为最终辨识模型，商品规格分类以PCA-DA、LS-SVM为最优辨识模型。表明近红外光谱技术在川贝母真伪和规格质量快速辨识方面具有良好应用前景。

近红外光谱技术；川贝母；快速辨识；真伪；规格；主成分分析-判别分析

川贝母为百合科植物川贝母D. Don、暗紫贝母Hsiao et K. C. Hsia、甘肃贝母Maxim.、梭砂贝母Franch．、太白贝母P. Y. Li或瓦布贝母Hsiao et KCHsiavar. Wabuensis (SYTanget SCYue) ZDLiu，SWanget S. C. Chen的干燥鳞茎，按性状不同分别习称“松贝”“青贝”“炉贝”和“栽培品”。川贝母始载于《神农本草经》，列为中品，具有润肺散结、止咳化痰等功效，可用于治疗虚劳咳嗽、吐痰咯血等症，有“止咳圣药”之称[1]。由于川贝母的药用价值高、疗效显著、市场需求量大，过度的滥采滥挖使川贝母濒临灭绝[2]，资源量急剧下降，导致川贝母的价格日益昂贵，市场上出现了许多仿伪品。因此，鉴别川贝母的仿伪品、掺杂状况[3]及商品规格分类对保证中药饮片质量确保临床疗效至关重要。传统的中药质量评价[4]主要为经验鉴别，即根据外观性状特征来判断真伪[5]优劣。但传统人工辨识方法存在个体差异，如感官灵敏度不同、主观性强、易于疲劳等问题，对辨识结果造成影响；随着现代技术发展，出现了越来越多的鉴别方法，比如薄层鉴别[6]、理化鉴别[7]、分子鉴定[8]、荧光鉴别[9-10]、高效液相鉴别[11]等方法，但这些方法存在耗时长，效率低，价格昂贵等缺点。如何快速[12]准确鉴别川贝母规格及真伪是现阶段需解决的问题。

近红外光谱技术（near infrared spectroscopy，NIRS）[13]系通过测定物质在近红外光谱区（按波数计为12 800～4 000 cm−1）的特征光谱并利用化学计量学方法[14]提取相关信息，对物质进行定性、定量分析[15]的一种光谱分析技术，具有快速、准确、对样品无破坏的检测特性。该技术[16]广泛应用于食品微生物检测[17]、肉类新鲜度评估[18]、不同年份大米的产地溯源检测[19]，烟草中总糖、还原糖、总烟碱的含量测定[20]，另外在中药及复杂样品定量分析[21-24]、定性鉴别[25-29]等方面也有较多的应用。已有学者基于便携式声光可调滤光器（AOTF）-近红外光谱技术通过主成分分析法（principal component analysis，PCA）分别对贝母类药材、川贝母类药材及商品“松贝”与伪品进行鉴别[30]，该文献采用近红外技术结合化学计量学[31]对川贝母进行鉴别，具有一定的学术价值及鉴别意义。然而该文献用于分析的部分样品数相对较少，同时仅运用简单无指导的PCA，并且未对川贝母中青贝、炉贝规格进行分类。因此，为了建立更加准确、完善的模型，本研究收集80个川贝母待测样品，拟采用NIRS结合多种有指导的化学计量学方法进行分析，从样品的整体信息进行判别，建立并优化“川贝母”的NIRS真伪及商品规格辨识模型，以实现对川贝母样品的快速、准确鉴别分析，为中药饮片的快速鉴别提供参考。

1 仪器与材料

Nicolet 6700型傅里叶变换近红外光谱仪，配InGaAs检测器，Opus5.5分析软件，TQ analys软件；药典筛（四号筛，0.25 μm孔径，浙江上虞市道墟五四仪器厂）；LC-20A型高效液相色谱仪（日本岛津公司）；2000ES型蒸发光散射检测器（美国奥泰公司）；DM1000型电子显微镜（Leica公司）；电子游标卡尺（精密度0.01 mm，GB/T21389，成都成量工具集团有限公司）；BCA2248-CW型1/1万电子天平（Sartorius公司），CP225D型1/10万电子分析天平（Sartorius公司）；高速万能粉碎机（FW-100，60～180目，北京科伟永兴仪器有限公司）；电热鼓风干燥箱（GZX-9146MBE，上海博迅实业有限公司医疗设备厂）；HK250型超声波清洗器（上海科导超声仪器有限公司）。

对照品贝母素甲（质量分数96.2%，批号110750-201612，中国食品药品检定研究院），贝母素乙（质量分数≥98%，批号B20081，上海源叶生物科技有限公司），平贝母对照药材（批号Y29A9H69015，上海源叶生物有限公司），西贝母碱（质量分数96%，批号110767-201710，中国食品药品检定研究院），二乙胺（批号20121006，天津市永大化学试剂开发中心产品），二氯甲烷（批号20170812，天津市恒兴化学试剂制造有限公司），甲醇（批号20180301，烟台市双双化工有限公司），氨水（批号20161101，烟台市双双化工有限公司），醋酸乙酯（批号20150324，天津市永大化学试剂有限公司），稀甘油（国药准字H20073910，南昌白云药业有限公司），娃哈哈纯净水，色谱级乙腈，三氯甲烷、浓氨水等均为分析纯。实验用80批川贝母待测样品分别购自于郑州中医院、药材市场、医药公司等，产地及批号信息见表1。

表1 川贝母样品购买信息(含20批平贝母样品)

Table 1 Purchase information of Fritillariae Cirrhosae Bulbus samples (contains 20 batches of Fritillariae Ussuriensis Bulbussamples)

编号产地批号购买单位编号产地批号购买单位 1四川1712073河南中医药大学第一附属医院41四川−三七西洋参专卖 2四川1712143河南中医药大学第一附属医院42四川171101郑州市中医院（小包装） 3四川1801201河南中医药大学第一附属医院43四川180201郑州市中医院（散装） 4四川1801211河南中医药大学第一附属医院44四川1712043河中一医药经营有限公司 5四川1803261河南中医药大学第一附属医院45四川1801141河中一医药经营有限公司 6四川180408河中一医药经营有限公司46四川1710273河中一医药经营有限公司 7四川180409河中一医药经营有限公司47四川180110河中一医药经营有限公司 8四川180410河中一医药经营有限公司48四川180111河中一医药经营有限公司 9四川180411河中一医药经营有限公司49四川180112河中一医药经营有限公司 10四川180412河中一医药经营有限公司50四川180113河中一医药经营有限公司 11四川180413河中一医药经营有限公司51四川180114河中一医药经营有限公司 12四川180414河中一医药经营有限公司52四川180115河中一医药经营有限公司 13四川180415河中一医药经营有限公司53四川180116河中一医药经营有限公司 14四川180416河中一医药经营有限公司54四川180117河中一医药经营有限公司 15四川180417河中一医药经营有限公司55四川180118河中一医药经营有限公司 16四川180418河中一医药经营有限公司56四川180119河中一医药经营有限公司 17四川180419河中一医药经营有限公司57四川180120河中一医药经营有限公司 18四川180420河中一医药经营有限公司58四川180121河中一医药经营有限公司 19四川180421河中一医药经营有限公司59四川180122河中一医药经营有限公司 20四川180422河中一医药经营有限公司60四川180123河中一医药经营有限公司 21四川−三七参茸堂61浙江−三七参茸行专卖店 22四川−三七西洋参专卖62四川−三七参茸堂 23四川−郑州市鲲鹏药材行63贵州−三七西洋参专卖 24四川−郑州市鲲鹏药材行64四川−昌盛药材行 25四川1701073河中一医药经营有限公司65四川−昌盛药材行 26四川1707233河中一医药经营有限公司66黑龙江180301河中一医药经营有限公司 27四川1711263河中一医药经营有限公司67黑龙江180302河中一医药经营有限公司 28四川1803051河中一医药经营有限公司68黑龙江180303河中一医药经营有限公司 29四川1712271河中一医药经营有限公司69黑龙江180304河中一医药经营有限公司 30四川180125河中一医药经营有限公司70黑龙江180305河中一医药经营有限公司 31四川180126河中一医药经营有限公司71黑龙江180306河中一医药经营有限公司 32四川180201河中一医药经营有限公司72黑龙江180307河中一医药经营有限公司 33四川180202河中一医药经营有限公司73黑龙江180308河中一医药经营有限公司 34四川180203河中一医药经营有限公司74黑龙江180309河中一医药经营有限公司 35四川180204河中一医药经营有限公司75黑龙江180310河中一医药经营有限公司 36四川180205河中一医药经营有限公司76黑龙江180311河中一医药经营有限公司 37四川180206河中一医药经营有限公司77吉林1710241河中一医药经营有限公司 38四川180207河中一医药经营有限公司78吉林1711261河中一医药经营有限公司 39四川180208河中一医药经营有限公司79黑龙江180313河中一医药经营有限公司 40四川180209河中一医药经营有限公司80黑龙江180312河中一医药经营有限公司

2 方法与结果

2.1 标杆信息的确定

M1法为传统人工鉴别方法，聘请在中药鉴定研究领域具有丰富经验的专家8名，参照《中国药典》2020年版[6]一部质量标准外观性状规定，将样品编号后随机放置，由专家依据气味、颜色、性状、味道、质地等外观指标的差异进行真伪鉴别及规格辨识。M2法为经典的药典方法，参照《中国药典》2020年版一部[6]，其中含量测定方法是基于文献方法[32]改进的高效液相色谱蒸发光散射检测法（HPLC-ELSD），选择3位操作人员进行实验，结果取平均值，色谱条件为Waters XBridge shield RP18色谱柱，流动相乙腈（A）-0.1%二乙胺水溶液（B）梯度洗脱（0～15 min，50%～23% A；15～16 min，23%～50% A；16～28 min，50% A），体积流量1.0 mL/min，柱温25 ℃。ELSD参数为漂移管温度108 ℃，载气体积流量2.8 L/min，进样量10 μL。当M1法与M2法结果出现差别时，将对样品进行复检确定最终结果。若结果仍不统一时，考虑到M2法比M1法更具有客观性和系统性，考虑以药典结果作为最终结果。结果见表2。

表2 川贝母样品信息及2种辨识方法的结果

Table 2 Sample of Fritillariae Cirrhosae Bulbus and two identification results

编号真伪辨识商品规格辨识编号真伪辨识商品规格辨识 M1M2标杆信息YM1M2标杆信息YM1M2标杆信息YM1M2标杆信息Y 111111141−11133 21111114217110101100 31111114318020102200 411111144171204311133 511111145180114111133 611111146171027311133 71111114718011011133 81111114818011111133 91111114918011211133 101111115018011311133 111111115118011411133 121111115218011511133 131111115318011611133 141111115418011711133 151111115518011811133 161111115618011911133 171111115718012011133 181111115818012111133 191111115918012211133 201111116018012311133 2111122261−22244 2211112262−22244 2322200063−22244 2422200064−22244 2511122265−22244 261112226618030122244 271112226718030222244 281112226818030322244 291112226918030422244 301112227018030522244 311112227118030622244 321112227218030722244 331112227318030822244 341112227418030922244 351112227518031022244 361112227618031122244 371802061112277171024122244 381802071112278171126122244 39180208111227918031322200 40180209111228018031222244

真伪鉴别：0-未分类 1-真品 2-伪品；商品规格：0-未分类 1-炉贝 2-松贝 3-青贝 4-平贝 −不可得

Identification of authenticity: 0-unclassified 1-authentic 2-counterfeit; specifications: 0-Unclassified 1-furnace Fritillary 2-pine Fritillary 3-green fritillary 4-flat fritillary −not available

2.2 傅里叶变换近红外光谱信息的采集

将1～80号贝母样品放置于60 ℃烘箱中烘干6 h，粉碎，过筛（四号药典筛），粉末置于提前标记好的自封袋内，置干燥器中，待测。每个样品重复装样置石英样品池中，每次扫描前摇荡石英杯，使样品均匀平整，平行扫描3次，见图1。取平均值作为其近红外光谱基础数据，每个样品导出CSV文件，每个CSV文件包含2列共2076行数据。

图1 近红外采集80个贝母样品光谱图

2.3 真伪模型的建立及优化

结合M1法和M2法所得最终结果作为标杆信息（），如表2所示。利用NIRS对80批川贝母待测样品进行检测，提取其光学数据并借助化学计量学方法建立适宜的辨识模型，模型以近红外采集的2075个色度信息值为自变量矩阵（80×2075），建立和之间的关系＝M()模型。利用MATLAB 2016b软件建模，分别建立80个样品的PCA-DA、PLS-DA、LS-SVM真伪辨识模型（M3法）[33-34]。

2.3.1 PCA-DA辨识模型及交互验证结果 参数设置：变量选择7个，识别模式选择线性，模型最优正判率为98.75%。前3个主成分之和达75%以上，可解释原变量大部分信息。PCA-DA辨识结果示：23个伪品中79号被错分为正品，不存在未分类样品。见图2。

2.3.2 PLS-DA辨识模型及交互验证结果 参数设置：变量选择6、7、8、9、10时正判率最高，识别模式选择线性；模型最优正判率为98.75%。前4个主成分之和达75%以上，可解释原变量大部分信息。PLS-DA辨识结果示，23个伪品中79号被错分为正品，不存在未分类样品。见图3。

图2 PCA-DA模型主成分得分图

图3 PLS-DA模型主成分得分图

2.3.3 LS-SVM辨识模型及交互验证结果 通过LS-SVM R2009b-R2011a载入矩阵（80×2075）、矩阵（80×1），采用3种不同函数代入程序进行运算，结果发现：线性核函数（lin-kernel）正判率为97.50%，径向基核函数（RBF-kernel）正判率为71.25%，多核函数（poly-kernel）正判率为86.25%。因此，以正判率最高的线性核函数为最终运行函数，运行结果：23个伪品有2个被错分为正品，不存在未分类样品，模型整体正判率为97.50%。

提取的酵母菌DNA进行琼脂糖凝胶电泳检测后为单一条带，无拖尾。说明提取的DNA完整无降解，可用于下一步酵母菌28S rDNA的PCR扩增。扩增结束后，使用1.0%琼脂糖凝胶电泳检测，发现在650 bp左右位置有一条明亮清晰的条带，与目的条带相符。将PCR产物进行纯化与T-A克隆，并将阳性克隆送往武汉天一辉远生物科技有限公司进行测序。

2.4 商品规格模型的建立及优化

结合M1法和M2法所得最终结果作为标杆信息（），如表2所示。利用NIRS对75批（剔除5个未分类样品）川贝母待测样品进行检测，提取其光学数据并借助化学计量学方法建立适宜的辨识模型，模型以近红外采集的2075个色度信息值为自变量矩阵（75×2075），标杆信息为因变量矩阵（80×1）建立和之间的关系＝M（）模型。利用MATLAB 2016b软件，分别建立75个样品的PCA-DA、PLS-DA、LS-SVM商品规格辨识模型（M3法），方法同上。

2.4.1 PCA-DA辨识模型及交互验证结果 参数设置：变量选择16、17、18、19、20个时正判率最高，识别模式选择线性；模型最优正判率为100.00%。前3个主成分之和达75%以上，可解释原变量大部分信息。PCA-DA辨识结果显示：20个炉贝、18个松贝、18个青贝、19个平贝样品分类均正确；不存在未分类的样品。见图4。

图4 PCA-DA模型得分图

2.4.2 PLS-DA辨识模型及交互验证结果 参数设置：变量选择9个，识别模式选择线性；模型最优正判率为100.00%。前4个主成分之和达75%以上，可解释原变量大部分信息。PLS-DA辨识结果显示：20个炉贝分类正确；26、46、66、80号未被分类。见图5。

图5 PLS-DA模型主成分得分图

2.4.3 LS-SVM辨识模型及交互验证结果 通过LS-SVM R2009b-R2011a，载入矩阵（80×2075）、矩阵（80×1），同“2.3.2”项的方法一致，结果发现，线性核函数（lin-kernel）正判率为100.00%，径向基核函数（RBF-kernel）正判率为93.33%。因此，最终以线性核函数为最优函数，模型整体正判率为100.00%。

2.5 M3方法最优辨识结果

M3法以正判率最高的模型结果为最终判别结果，真伪辨识模型正判率最高的PLS-DA与PCA-DA分类结果相同，不作分开表述，具体结果见表3。

表3 M3辨识方法的结果

Table 3 M3 identification results

编号真伪辨识商品规格辨识 1～20真品炉贝 21～22真品松贝 23～24伪品 未分类 25～40真品松贝 41真品青贝 42真品 未分类 43伪品 未分类 44真品青贝 45真品青贝 46～59真品青贝 60真品平贝 61～78真品平贝 79真品 未分类 80真品炉贝

2.6 M3法的时效性计算

参照参考文献的方法[34]进行计算，结果发现：M3法耗费的时间远少于M2法（＜0.01）。

2.7 近红外传感器信息值（变量）对模型贡献度分析

真伪与多规格模型分类优选结果：真伪模型选择PLS-DA及PCA-DA辨识模型，多规格模型选择PCA-DA、LS-SVM辨识模型。图6-B、D图中编号仅代表波长对应的序号，因变量数太多不能完整显现出来最优波长数。图7-B图贡献率最大的波长范围是7 960.837～8 045.691 cm−1，D图贡献率最大的波长范围是8 045.691～8 091.975 cm−1。图7-B中编号仅代表波长对应的序号，其对应最优波长范围是8 153.687～8 296.396 cm−1。

3 讨论

3.1 被剔除样品的原因

A-PCA-DA真伪辨识模型变量载荷图 B-PCA-DA真伪辨识模型变量载荷图最优波长放大图 C-PLS-DA真伪辨识模型变量载荷图 D-PLS-DA真伪辨识模型变量载荷图最优波长放大图

A-PCA-DA规格辨识模型变量载荷图 B-PCA-DA规格辨识模型变量载荷图最优波长放大图

3.2 判错样品原因分析

真伪辨识PCA-DA、PLS-DA模型均认为79号为正品，M1法4个专家认为79号既不属于川贝母也不属于平贝母，说明待测样品中含有掺伪样品，使建立的模型准确率较低，导致79号样品判定错误。

3.3 未分类样品分析

PCA-DA、PLS-DA模型是有监督的判别分析方法[35-36]，相对于无监督的PCA，当样本组间差异小时，它也能实现良好的区分。规格辨识PLS-DA模型中正判率为100%，26、46、66、80号样品未被分类，但M1法、M2法均能够明确将其分类，表明PLS-DA模型不是规格辨识的最优模型。

3.4 近红外光谱法的不足之处

本研究运用傅里叶近红外光谱技术结合多种有指导的化学计量学方法，对80个川贝母待测样品分析，优选的模型正判率与药典方法相比无显著性差异（＜0.01），相对于人工鉴别大大缩短了时间，节省大量人力物力，实现了对复杂体系快速[37]、无损定性分析。该技术同时也有不足之处：（1）分析需要建立模型，对模型建立要求较高；（2）模型传递技术尚不成熟，如果能建立成熟的模型传递[38]，使在一台仪器上建立的定性或定量校正模型可靠地移植到其他相同或类似的仪器上使用，就能减少建模所需的时间和费用。当然，随着光谱技术计算机技术与化学计量学相结合，使模型建立难度下降，模型准确度增强、模型传递技术更加成熟。今后，近红外光谱技术在中药质量控制领域将具有更加广阔的前景。

3.5 真伪与多规格分类正判率比较

川贝母真伪模型正判率大小为PLS-DA=PCA-DA＞LS-SVM，最终优选PCA-DA、PLS-DA为真伪最优判别模型；多规格分类模型正判率大小为PCA-DA＝PLS-DA＝LS-SVM，但因PLS-DA模型中未被分类数太多，故最终优选PCA-DA、LS-SVM为最优判别模型。

综合比较，近红外辨识正判率与传统人工经验鉴别无显著性差异，近红外辨识不如传统经验辨识快，但较药典检测时间极显著缩短。综上所述，近红外技术结合多元统计方法快速准确的辨识川贝母真伪和商品规格，可为中药品质评价及质量鉴别提供一种新思路和新技术。

利益冲突 所有作者均声明不存在利益冲突

[1] 李瑞琦, 吴翠, 徐靓, 等. 基于传统性状客观化分析的川贝母质量评价 [J]. 中国药学杂志, 2020, 55(1): 14-18.

[2] 仰铁锤, 谢慧敏, 谢慧淦, 等. 聚合酶链式反应-限制性内切酶多态法检查川贝母的掺伪情况 [J]. 华西药学杂志, 2020, 35(3): 265-269.

[3] Rodionova O Y, Fernández P J A, Baeten V,. Chemometric non-targeted analysis for detection of soybean meal adulteration by near infrared spectroscopy [J]., 2021, 119: 107459.

[4] 崔治家, 马艳珠, 张小荣, 等. 川贝母化学成分和药理作用研究进展及质量标志物的预测分析 [J]. 中草药, 2021, 52(9): 2768-2784.

[5] 兰青阔, 赵新, 陈锐, 等. 基于LAMP的中药材川贝母真伪鉴别方法的建立 [J]. 药物分析杂志, 2019, 39(3): 551-556.

[6] 中国药典[S]. 一部. 2020: 126.

[7] 翟映红, 于国强, 杨永茂, 等. 从川贝母中检出平贝母的理化鉴别方法 [J]. 华西药学杂志, 2017, 32(6): 633-635.

[8] 时圣明, 潘明佳, 王洁, 等. 分子鉴定技术在中药中的应用 [J]. 中草药, 2016, 47(17): 3121-3126.

[9] 罗达龙, 黄林杰, 黄琳. 实时荧光定量PCR对川贝母的鉴别应用 [J]. 中国药师, 2016, 19(6): 1068-1070.

[10] 吴雪莉, 王毅, 赵筱萍. 基于荧光探针的消渴安中DPP-4抑制剂的筛选与鉴定 [J]. 中国中药杂志, 2016, 41(7): 1241-1245.

[11] 刘晶, 王曙, 辛贵忠, 等. HPLC-ELSD测定太白贝母和瓦布贝母中贝母辛的含量 [J]. 中国药学杂志, 2010, 45(13): 1032-1034.

[12] 杨靖雯, 高秀强, 田清存, 等. 10种中药材快速经验鉴别方法总结 [J]. 中药材, 2018, 41(12): 2792-2794.

[13] 中国药典[S]. 四部. 2020: 29.

[14] Arndt M, Drees A, Ahlers C,. Determination of the geographical origin of walnuts (L.) using near-infrared spectroscopy and chemometrics [J]., 2020, 9(12): 1860.

[15] Yan H, Pu Z J, Wang Y J,. Rapid qualitative identification and quantitative analysis ofMume based on Fourier transform near infrared spectroscopy [J]., 2021, 249: 119344.

[16] Mishra P, Herrmann I, Angileri M. Improved prediction of potassium and nitrogen in dried bell pepper leaves with visible and near-infrared spectroscopy utilising wavelength selection techniques [J]., 2021, 225: 121971.

[17] 周冰谷, 花振新, 杨荣, 等. 近红外光谱技术在食品微生物检测中的应用饲料技术 [J]. 广东饲料, 2019, 28(8): 44-46.

[18] 陶瑞, 史智佳, 贡慧, 等. 傅里叶变换近红外光谱技术快速检测金枪鱼新鲜度 [J]. 肉类研究, 2017, 31(4): 43-49.

[19] 宋雪健, 钱丽丽, 张东杰, 等. 基于漫反射傅里叶变换近红外光谱技术对不同年份的大米产地溯源检测 [J]. 食品科学, 2017, 38(18): 286-291.

[20] 蒋宏霖, 刘会杰, 王学杰, 等. 近红外光谱技术在烟叶化学分析中的应用 [J]. 科技与创新, 2019(18): 153-155.

[21] 陈佳乐, 金叶, 陈红英, 等. 川芎药材的近红外多指标快速质量评价 [J]. 中草药, 2016, 47(6): 1004-1009.

[22] 雷晓晴, 李耿, 王秀丽, 等. 基于近红外光谱法快速测定丹参中5种成分模型的建立 [J]. 中草药, 2018, 49(11): 2653-2661.

[23] 战皓, 吴宏伟, 张东, 等. 近红外光谱法测定不同产地黄芪中毛蕊异黄酮葡萄糖苷和黄芪甲苷含量 [J]. 光谱学与光谱分析, 2017, 37(5): 1391-1396.

[24] 马越, 刘永强, 门宇凤, 等. 近红外光谱法快速测定芍药根中芍药苷和芍药内酯苷 [J]. 中草药, 2018, 49(3): 700-707.

[25] 闫珂巍, 王福, 梅国荣, 等. 基于近红外光谱技术快速定性鉴别广陈皮模型的建立 [J]. 中草药, 2015, 46(20): 3096-3099.

[26] 张敏, 韩正洲, 严萍, 等. 基于近红外漫反射光谱的鸡血藤药材定性分析 [J]. 世界科学技术—中医药现代化, 2014, 16(7): 1491-1496.

[27] 徐亚, 李慧, 冯学峰, 等. 基于显微和近红外方法定性鉴别中药材威灵仙不同基原品种的比较研究 [J]. 中国中药杂志, 2015, 40(7): 1278-1282.

[28] 余驰, 姜红, 刘爱萍. 近红外漫反射光谱法建立厚朴药材的定性模型 [J]. 药物分析杂志, 2009, 29(4): 656-658.

[29] 胡钢亮, 陈瑞珍, 程柯, 等. 近红外漫反射光谱快速检测川贝母中浙贝母的掺入量 [J]. 药物分析杂志, 2005, 25(2): 150-152.

[30] 杨复森, 武卫红, 王宁, 等. 基于AOTF-近红外光谱技术的川贝母药材即时快速鉴别研究 [J]. 中成药, 2013, 35(1): 135-140.

[31] Hua H M, Yi Y, Li H L,. Monitoring the extraction process of acidic polysaccharides inby near infrared spectroscopy combined with chemometrics [J]., 2021, 113: 103613.

[32] 雷艳辉, 李会军, 李萍. 川贝母药材生物碱成分HPLC-ELSD特征图谱的研究 [J]. 中成药, 2014, 36(7): 1477-1481.

[33] 应雨棋, 张洋洋, 虞立, 等. 基于LS-SVM模型的丹参有效成分超声提取工艺优化 [J]. 中药材, 2020, 43(4): 936-941.

[34] 刘瑞新, 郝小佳, 张慧杰, 等. 基于电子眼技术的中药川贝母真伪及规格的快速辨识研究[J]. 中国中药杂志, 2020, 45(14): 3441-3451.

[35] Ramírez-Elías M G, Guevara E, Zamora-Pedraza C,. Assessment of mezcal aging combining Raman spectroscopy and multivariate analysis techniques [J]., 2017, 6(1/2): 75-81.

[36] Wong K H, Razmovski-Naumovski V, Li K M,. Differentiatingandusing HPTLC coupled with multivariate classification analyses [J]., 2014, 95: 11-19.

[37] 雷晓晴, 王秀丽, 李耿, 等. 近红外光谱法快速测定当归中7种成分的含量 [J]. 中草药, 2019, 50(16): 3947-3954.

[38] 梁晨. 近红外光谱多元校正模型传递方法的研究 [D]. 北京: 北京化工大学, 2016.

Fast identification of authenticity and specification ofby near infrared spectroscopy combined with chemometrics

XIE Meng-di1, TIAN Liang-yu1, GUI Xin-jing2, 3, 4, SHI Jun-han2, 3, 4, 5, WANG Jun-ming1, YUE You-song1, ZHANG Lu2, 3, 4, 5, WANG Yan-li1, YAO Jing2, 3, 4, 5, LI Xue-lin1,2, 3, 4, 5, LIU Rui-xin1,2, 3, 4, 5

1. Henan University of Traditional Chinese Medicine, Zhengzhou 450008, China 2. Department of Pharmacy, The First Affiliated Hospital of Henan University of Chinese Medicine, Zhengzhou 450000, China 3. Henan Engineering Research Center for Modernization of clinical application of Chinese Herbal Pieces, Zhengzhou 450000, China 4. Collaborative Innovation Center for Prevention and Treatment of Respiratory Diseases with Traditional Chinese Medicine, Henan University of Chinese Medicine, Zhengzhou 450000, China 5. Henan Provincial Key Laboratory of TCM Clinical Pharmacy, Zhengzhou 450000, China

Objective To explore the feasibility of the application of near infrared spectroscopy in the rapid identification of. Methods A total of 80 samples ofwere collected. In order to obtain the authenticity and specification information of the samples, traditional manual identification (M1method) and pharmacopoeia identification (M2method) were carried out, and the identification results combined with M1method and M2method were used as benchmark information (). Near Infrared Spectroscopy to collect spectral information of the sample powder (), combined with principal component analysis, discriminant analysis (PCA-DA), partial least squares discriminant analysis (PLS-DA), the least squares support vector machines (LS-SVM) three chemometrics methods to establish and optimize the authenticity and commodity specification identification model [Y=M ()] (M3) Results All the 80 samples participated in the identification of authenticity and falsification. The results showed that there were no unclassified samples in the three identification models, and the accuracy rates were 98.75%, 98.75% and 83.75%, respectively. Among the 80 samples, five samples did not participate in the modeling due to the difficulty in reaching an agreement on the specification by experts or due to the sample itself. Finally, 75 samples were selected to participate in the specification identification, and the model accuracy rates were 100.00% (no unclassified samples), 100.00% (four unclassified samples) and 100.00% (no unclassified sample), respectively. Conclusion PCA-DA and PLS-DA were used as the final identification models for authenticity identification, and PCA-DA and LS-SVM were used as the optimal identification model for commodity specification classification. Near infrared spectroscopy has a good application prospect in the rapid identification of the authenticity and specification of.

near infrared spectroscopy technology;; fast identification; authenticity; specifications; principal component analysis-discriminant analysis

R286.2

A

0253 - 2670(2022)08 - 2490 - 09

10.7501/j.issn.0253-2670.2022.08.026

2021-11-09

国家自然科学基金面上项目（81773892）；河南省卫生健康中青年学科带头人专项（HNSWJW-2020014）；河南省中医药拔尖人才培养项目（重点项目）（2019ZYBJ07）；河南省高层次人才特殊支持“中原千人计划”—“中原青年拔尖人才”项目（ZYQR201912158）；中管局基地专项（2018JDZX087）

谢梦迪，在读硕士，从事中药饮片临床应用现代化关键技术研究。E-mail: 2082176197@qq.com

刘瑞新，博士，主任药师，从事中药饮片临床应用现代化关键技术研究。Tel: (0371)66233562 E-mail: liuruixin7@163.com

[责任编辑 时圣明]