一、技术领域

本发明涉及医药领域，特别是一种利用近红外光谱技术评价中药药材综合 质量的方法。

二、背景技术

中药是我们中华民族的瑰宝，但由于其品种繁多，药材不同来源、产地、 生长年限、采收季节、炮制加工方法尤其是人为制假、掺化学药等都影响着中 药质量品质，使市场上流通的原药材有着真伪、优劣的不同；常规的质量评价 方法样品处理过程复杂、检验过程繁琐、成本高、效率低，不能适应中药制药 现代化发展的需要，且往往用单一指标成分来控制中药的质量，不能体现中药 成分的复杂性和其整体内在质量；且现有检测手段多为离线检测，在生产中有 滞后的缺点。这些都导致我国中药制药行业技术水平不高，生产过程缺乏可行 的质量控制方法。

三、发明内容

针对上述情况，本发明之目的就是提供一种利用近红外光谱技术评价中药 药材综合质量的方法，可实现中药材综合质量的快速检测问题，其解决的技术 方案是，首先建立校正模型，方法是收集中药材样本作为校正集样本，采集样 本的近红外(NIR)漫反射光谱，并对所得光谱进行预处理，然后用常规方法中 与样品相对应的检测方法测得其指标性成分含量，将图谱与指标性成分含量相 结合，应用化学计量学中的偏最小二乘法(PLS法)建立定量分析模型，将待 测样品粉碎后扫描其近红外光谱图，将图谱输入定量分析模型，即可测得该中 药材中指标性成分的含量，整个过程所需时间短、速度快、准确，可在线测量， 提高生产效率，大大节省了人力和物力，能产生巨大经济和社会效益。

四、具体实施方式

以下对本发明的具体实施方式作详细说明。

本发明是由以下步骤实现的，首先建立校正模型，方法是：

1)收集校正集样本：收集不同产地、不同品种、不同采收季节、不同炮制 方法等涵盖各种差异的药材作为校正集样本，实际中还可根据校正模型的适用 范围，其数量可不断的增加，把收集的中药材样品粉碎过筛，备用；

2)采集样本光谱：使用傅立叶变换近红外光谱仪，采集校正集样本的近红 外漫反射光谱，测试方式：积分球漫反射，扫描次数32～128，分辨率4～16cm-1， 增益1～8，吸光度数据格式为：log1/R，光谱扫描范围12000～4000cm-1，得到 光谱数据，并将样本分为校正集与预测集两类；

3)样本光谱预处理：对扫描得到的光谱数据进行预处理，NIR光谱经一阶 或二阶微分、Norris导数滤波、Savitzky-Golay平滑、多元散射校正或标准正 则变换等预处理，并用相关光谱法对光谱图进行波长选择，这些预处理方法可 以单独使用，也可以多个同时使用，以达到最佳的预处理效果，NIR光谱分析中 产生的误差主要来自高频随机噪音、基线飘移、信号本底、样品不均匀、光散 射等，为解决各种因素对光谱产生的干扰，充分从光谱中提取有效特征信息， 必须对光谱进行预处理，预处理方法如下：

1.多元散射校正：在近红外光谱分析中，所测量对象的固体颗粒度、晶形 等物理性质的不同，会导致谱图的差异，这种差异是进入固体内部的近红外光 经过的光程和被吸收程度的不同而引起的，消除该散射效应常用的两种方法是 多元散射校正MSC；

2.导数法：为常用预处理方法，常用到的有一阶导数和二阶导数，一阶导 数可以明显地消除光谱基线的偏移，这对校正光谱的不确定性十分有效，采用 二阶导数则可以消除基线的线性倾斜(也称图谱的旋转)，如原谱中的宽峰经过二 阶导数处理后，会变得很尖锐，这样有利于在复杂的峰形中更好地确定出峰的 准确位置，提高了信噪比；

在近红外光谱全区域中，不同波长处的光谱吸收信息对于最后建立模型的 贡献价值是不同的，在某些波长处，杂质吸收和干扰大大强于目标组分产生的 吸收，且很难通过现有的信息抽提技术对特征信息进行有效提取，因此，删除 这些波长的光谱吸收有助于提高模型的准确度；通过OPUS软件自动对图谱的优 化，用逐步优化法对光谱图进行波长选择；

4)样本指标性成分的测定：用常规方法中与样品相对应的检测方法测得校 正集样本中指标性成分含量；

5)建立定量分析模型：将校正集样本指标性成分含量同其的NIR光谱相结 合，用偏最小二乘回归方法(PLS法)、主成分回归(PCR)或多元线性回归(MLR) 方法建立校正模型，其中，PLS法将因子分析和回归分析相结合，是近红外光谱 分析中使用较多效果较好的一种方法，偏最小二乘法(PLS)法是一种全光谱分 析方法，该方法充分利用了多个波长下的有用信息，不需刻意选择波长，并能 滤去原始数据的噪音，提高信噪比，很适合于NIR中使用，PLS分析的特点是：

1、可以从全部和部分光谱数据提取信息；2、数据矩阵分解和回归交互结 合为一步，得到的特征值向量直接与被测组分或性质相关，而不是与数据矩阵 中变化最大的变量相关；3、如果选择的校正集具有代表性，PLS模型更稳健；4、 可以用于复杂的分析系统；

偏最小二乘法的基本算法步骤是：首先，把浓度矩阵和光谱矩阵分解成载 荷矩阵和得分矩阵，然后做主成分分析，选择适当的主成分数，滤除光谱矩阵 和浓度矩阵中的噪声，最后，利用回归分析求出关联系数矩阵，在实际的计算 机编程中，常常把光谱矩阵和得分矩阵的分解合并为一步，并且将浓度矩阵信 息引入光谱矩阵分解过程中，在计算一个新成分之前，将浓度得分矩阵和光谱 得分矩阵进行交换，使光谱矩阵主成分和浓度矩阵关联，这是偏最小二乘法优 于其它分析法的地方；

其基本理论为：设m个混合物样品，由n个组分构成，若已在L个波长点测得 个样品的吸收值，则可得吸收值矩阵A。按照主成分分析可将矩阵A分为两个矩 阵之乘积：

A＝TP+E

E为系统模型不能解释的随机误差矩阵；

各样品中各组分浓度数据构成浓度矩阵C也可以进行同样的分解：

C＝UQ+F

F为随机误差矩阵，由朗伯-比尔定律可知，A与C存在内部关系，故可以建 立如下线性关系：

U＝TB

B为一对角矩阵，所以有：

C＝TB Q+F

对于未知样品，由未知样品的矩阵A未知利用A＝TP的关系及其在校正步骤 中存储的P，可以算出T未知，继而与校正步骤中存储的B求出U，由存储的Q， 即可求出C未知；

6)预测集(检验集，以下同)样品，评价模型：扫描未知样品的近红外图 谱，将该图谱输入所建立的定量分析模型，即可预测出该未知样本的指标性成 分含量(预测值)，与用标准方法测得之值(实际值)比较，来评价模型，评价 参数如下：

(1)相关系数R2：

$R^2=1-\frac{\Sigma {(C_i-{\hat{C}}_i)}^2}{\Sigma {(C_i-C_m)}^2}$

该值表示预测值和实际值关系的线性程度；

(2)验证误差均方根(RMSEP)；

$\mathrm{PMSEP}=\sqrt{\frac{\Sigma {({\hat{C}}_i-C_i)}^2}{m}}$

该值表示预测值与实际值间的偏差；

(3)预测集相对预测误差(RSEP％)；

$\mathrm{RSE}\%=\sqrt{\frac{\Sigma {({\hat{C}}_i-C_i)}^2}{\Sigma C_i^2}}\times 100$

代表预测集的预测值与实际值间的相对偏差；

(4)交叉验证误差均方根(RMSECV)；

$\mathrm{RMSECV}=\sqrt{\frac{\Sigma {({\hat{C}}_i-C_i)}^2}{n-p}}$

上述各式中：Ci-传统分析方法测量值；-通过NIR测量及数学模型预 测的结果；n-建立模型用的校正集样本数；p-校正模型中采用的主因子数； m-用于检验模型的检验集样本数；

若R2越接近1，则校正模型的预测值与标准对照方法分析值之间的相关性越 强，RMSECV、RMSEP与RSE％值愈小，则模型的预测精度愈高。

实施例1：

所说的中药药材为黄芩，其质量综合评价由以下步骤实现的：

1)黄芩药材的NIR漫反射光谱的采集：

仪器：VECTOR22-NIR型傅立叶变换近红外光谱仪(德国布鲁克公司)，配有 PbS和InGaAs检测器、外接积分球、样品旋转器和固体光纤探头；OPUS信号采 集及数据处理软件；

样品：来自全国不同品种、不同产地、不同采收季节、不同炮制方法的93 份黄芩药材；

将93份黄芩药材烘干后，分别过80目筛，放入旋转杯中，平铺2～5cm厚 度的药材粉末，使用积分球漫反射附件采集，扫描次数64，分辨率8cm-1，吸光 度数据格式为：log1/R，光谱扫描范围12000～4000cm-1，得光谱数据，取其中 83份作为校正集样本，10份样本为预测集，作以验证；

2)黄芩药材中水分定量分析模型的建立

A、波段的选择及预处理

通过OPUS软件自动对图谱的优化，采用逐步优化法对光谱图进行波长选择， 选择7502.2-4246.8cm-1作为建模区间，此区间跟水分在NIR区的显著吸收峰 (5120和6850cm-1)位置相重叠，光谱预处理方法选择多元散射校正法；

B、水分含量的测定

采用《中国药典》——烘干法测得黄芩中水分含量作参照，在NIR光谱分 析后，将旋转杯中的黄芩药材转移到称量瓶中称重，放入105℃的烘箱中5个小 时，在干燥器中冷却至室温(18-25℃)后称量，再在105℃干燥1小时，冷却， 称重，至连续两次称重的差异不超过5mg为止，根据减失的重量，计算黄芩样 品中含有水分的百分数；

C、水分定量分析模型的建立

将烘干法测得的83份校正集样本的水分含量数据同其NIR光谱数据相结 合，用偏最小二乘(PLS)回归方法建立定量分析模型；

D、模型的验证

将10份预测集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用烘干法测得的值(实际值)相比较，来评价该定量分析模型；

用校正样本集进行内部交叉验证RMSECV＝0.458，R2＝0.943，确定最佳主成分 数为10，近红外光谱法预测值与实际值之间的相对误差在±1.1％之间，模型校 正误差和预测误差均较小，所建立的校正模型线性关系显著，此模型预测精度 较高；

3)黄芩药材中醇溶性浸出物定量分析模型的建立

A、波段的选择及预处理

通过OPUS软件自动对图谱的优化以及多个波段对RMSECV和R2的影响的比 较，采用逐步优化法对光谱图进行波长选择，选择11995.9-7498.4cm-1和 5450.2-4246.8cm-1作为建模区间，光谱预处理方法选择矢量归一化法；

B、黄芩药材中醇溶性浸出物含量的测定

采用《中国药典》——热浸法进行测定，将93份黄芩原药材分别取每一份 的黄芩原药材粉末2g左右，置100～250ml的锥形瓶中，加入质量浓度为70％ 的乙醇50ml，称定重量，静置1小时后，连续回流冷凝管，加热至沸腾，并保 持微沸1小时，冷却后，取下锥形瓶，密塞，再称定重量，用质量浓度为70％ 的乙醇补足减失的重量，摇匀，用干燥滤器滤过，量取滤液25ml，置已干燥的 蒸发皿中，在水浴上蒸干后，于105℃干燥3h，置干燥器中冷却30min，迅速称 定重量，以干燥品计算黄芩样品中醇溶性浸出物的含量结果如表3：

表3 93份黄芩药材中醇溶性浸出物

从表3可以看出93批黄芩药材中醇溶性浸出物含量分布较均匀，醇溶性浸 出物含量为34.42％-56.00％，符合近红外建模的基本要求。

C、黄芩药材中醇溶性浸出物定量分析模型的建立

将热浸法测得的83份校正集样本的黄芩药材的醇溶性浸出物含量数据同其 NIR光谱数据相结合，用偏最小二乘(PLS)回归方法建立定量分析模型；

D、模型的验证

将10份检验集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用烘干法测得的值(实际值)相比较，经计算可以得到预测集平均绝对误差为 0.2814，平均相对误差为2.11％。可以看出模型的建立是成功的，预测结果较为 准确；

4)黄芩原药材中黄芩苷定量分析模型的建立

A、波段的选择及预处理

通过OPUS软件自动对图谱的优化以及多个波段对RMSECV和R2的影响的比 较，采用逐步优化法对光谱图进行波长选择，选择7502.2-4246.8cm-1作为建模 区间，光谱预处理方法选择多元散射校正法。

B、黄芩苷含量的测定

用《中国药典》2005年版的高效液相法方法对黄芩药材进行含量测定，色 谱条件与系统适用性试验用十八烷基硅烷键合硅胶为填充剂；甲醇-水-磷酸 (47∶53∶0.2)为流动相；检测波长为280nm，理论板数按黄芩苷峰计算应不低于 2500，对照品(即标准品，这种标准品我们是通过购买得到的，比如说我们要 测黄芩药材中的黄芩苷的含量，就必须先有黄芩苷标准品，我们用高效液相色 谱测定药材中的黄芩苷含量，就必须有配置好的标准品的溶液)溶液的制备是： 称取在60℃减压干燥4小时的黄芩苷对照品适量，加甲醇制成每1ml含60μg 的溶液，即得；黄芩样品溶液的制备是：取黄芩原药材粉末0.3g，加质量浓度 为70％的乙醇40ml，加热回流3小时，放冷，滤过，滤液置100ml容量瓶中， 用质量浓度为70％的乙醇分次洗涤容器和残渣，洗液滤入同一容量瓶中，加质 量浓度为70％的乙醇至100ml，摇匀，量取1ml，置10ml容量瓶中，加甲醇至 10ml，摇匀，即得；测定法是：分别吸取对照品溶液与黄芩样品溶液各10μl， 注入液相色谱仪，测定，即得；测定结果如表5：

表5 93份样品的黄芩苷含量

从表5可以看出93批黄芩原药材中的黄芩苷含量分布较均匀，黄芩苷含量 为3.06％-20.19％，符合近红外建模的基本要求。

C、黄芩苷定量分析模型的建立

将烘干法测得的83份校正集样本的黄芩苷含量数据同其NIR光谱数据相结 合，用偏最小二乘(PLS)回归方法建立定量分析模型；

D、模型的验证

将10份检验集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用烘干法测得的值(实际值)相比较，来评价该定量分析模型，用校正样本集 进行内部交叉验证RMSECV＝1.29，R2＝0.906，确定最佳主成分数为10，近红外光 谱法预测值与实际值之间的相对误差在2.8％-2.2％之间，模型校正误差和预测误 差均较小。

实施例2：

所说的中药药材为连翘，其质量综合评价由以下步骤实现的：

连翘药材的NIR漫反射光谱的采集：

仪器：Nicolet6700型傅立叶变换近红外光谱仪，配有InGaAs检测器、外 接积分球、样品旋转器和固体光纤探头；OMNIC光谱采集软件和TQ7.2分析软件；

样本：来自河南、山西、陕西、河北、湖北、山东等地不同品种、不同采 收季节、不同炮制方法等涵盖各种差异的野生连翘药材样品100份；

将样品晒干，粉碎后分别过24目筛，放入旋转杯中，平铺2-5cm厚度的药 材粉末，使用积分球漫反射附件采集，扫描次数32，分辨率8cm-1，温度：(20 ±0.3)℃，相对湿度：35％，光谱扫描范围12000～4000cm-1；

1)、连翘药材水分定量分析模型的建立

A、波段的选择及预处理

通过TQ数据处理软件对图谱的优化，用逐步优化法对光谱图进行波长选择； 所选择的波长区间为7502.2-5046.8cm-1，该光谱区域的相关值最好，光谱预处 理为MSC(多元散射校正)+First Derivative(一阶导数)法；

B、水分含量的测定采用《中国药典》——甲苯法测得连翘药材中水分含量， 并选择其中65份样本作为校正集样本，22份样本作为预测集样本，取连翘样品 200g，采用蒸馏冷凝器装置，将连翘200g置试瓶中，加甲苯200ml左右，必要 时加入玻璃珠数粒，将仪器各部分连接，自冷凝管顶端加入甲苯，至充满试管 的狭细部分，将A瓶置电热套中或用其他适宜方法缓缓加热，待甲苯开始沸腾时， 调节温度，使每秒钟馏出2滴，待水分完全馏出，将冷凝管内部先用甲苯冲洗， 再用饱蘸甲苯的长刷或其他适宜的方法，将管壁上附着的甲苯推下，继续蒸馏5 分钟，放冷至室温10-30℃，拆卸装置，如有水粘附在B管的管壁上，可用蘸甲 苯的铜丝推下，放置，使水分与甲苯完全分离(可加亚甲蓝粉末少量，使水染 成蓝色，以便分离观察)，检读水量，并计算成连翘样品中含有水分的百分数；

C、水分定量分析模型的建立

将甲苯法测得的水分含量数据同其NIR光谱数据相结合，用偏最小二乘 (PLS)回归方法建立定量分析模型；

D、模型的验证

将22份预测集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用甲苯法测得的值(实际值)相比较，来评价该定量分析模型，用校正样本集 进行内部交叉验证RMSECV＝1.66，R2＝0.92，可以得出，所建立的校正模型线性 关系显著，模型校正误差和预测误差均较小，此模型预测精度较高；

2)、连翘药材浸出物定量分析模型的建立

A、波段的选择及预处理

通过TQ数据处理软件对图谱的优化，用逐步优化法对光谱图进行波长选择， 所选择的波长区间为4516.19-7058.19cm-1，该光谱区域的相关值最好，光谱预 处理为多元散射校正法；

B、连翘药材醇溶性浸出物含量的测定

采用《中国药典》——冷浸法测得连翘药材中醇溶性浸出物含量，并选择其 中70份样本作为校正集样本，24份样本作为预测集样本；

冷浸法：取粉碎后的连翘样品4g，置250-300ml的锥形瓶中，加入质量浓 度为65％乙醇100ml，密塞，冷浸，前6小时内时时振摇，再静置18小时，用 干燥滤器迅速滤过，吸取滤液20ml，置已干燥的蒸发皿中，在水浴上蒸干后， 于105℃干燥3小时，移至干燥器中，冷却30分钟，迅速称定重量，计算连翘 样品中醇溶性浸出物的百分数；

C、连翘药材醇溶性浸出物定量分析模型的建立

将冷浸法测得的醇溶性浸出物含量数据同其NIR光谱数据相结合，用偏最小 二乘(PLS)回归方法建立定量分析模型；

D、模型的验证

将24份检验集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用冷浸法测得的值(实际值)相比较，以NIR预测值与药典法测定结果之间的 比值做为预测回收率，得平均回收率为101.05％(回收率在中药的概念里是在 100％左右的，98-102％之间在此是正常的)，对于给定显著性水平0.05，t(0.05， 23)＝2.069，所得的成对t检验值小于2.069，说明两种方法的分析结果没有显 著性差异，以上结果说明该模型通过验证，可以准确预测其覆盖范围的连翘药 材浸出物含量；

3)、连翘药材连翘苷定量分析模型的建立

A、波段的选择及预处理

通过TQ数据处理软件对图谱的优化，所选择的波长区间为4000-10000cm-1， 该光谱区域的相关值最好，光谱预处理为一阶导数法；

B、连翘苷含量的测定

采用《中国药典》——冷浸法测得连翘药材中连翘苷含量，并选择其中65 份样本作为校正集样本，26份样本作为预测集样本；

色谱条件以十八烷基硅烷键合硅胶为填充剂；流动相为乙腈-水(23∶77)； 流速1.0ml/min；检测波长为277nm；柱温30℃；外标峰面积法定量；

对照品溶液的制备：称取连翘苷对照品适量，加甲醇制成连翘苷质量浓度 为0.2mg/ml的溶液。

连翘样品溶液的制备：取连翘药材粉末1g，置具塞锥形瓶中，加入甲醇15ml， 称定重量，浸渍过夜12-14小时，超声处理25分钟，放冷，再称定重量，用甲 醇补足减失的重量，摇匀，滤过，量取滤液5ml，蒸至近干，加中性氧化铝0.5g 拌匀，加置中性氧化铝柱(100～120目，1g，内径1～1.5cm)上，用质量浓度 为70％的乙醇80ml洗脱，收集洗脱液，浓缩至干，残渣用质量浓度为50％的甲 醇溶解，转移至5ml容量瓶中，并稀释至5ml，摇匀，滤过，取滤液，即得；

测定法：分别吸取对照品溶液和连翘样品溶液各10μl，注入液相色谱仪进 行测定，计算连翘样品中连翘苷的百分数；

C、连翘苷定量分析模型的建立

将冷浸法测得的连翘苷含量数据同其NIR光谱数据相结合，用偏最小二乘 (PLS)回归方法建立定量分析模型；

D、模型的验证

将26份预测集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用冷浸法测得的值(实际值)相比较，以NIR预测值与药典法测定结果之间的 比值做为预测回收率，得平均回收率为104.72％，对于给定显著性水平0.05，t (0.05，25)＝2.060，所得的成对t检验值小于2.060，说明两种方法的分析结 果没有显著性差异，以上结果说明该模型通过验证，可以准确预测其覆盖范围 的连翘药材连翘苷含量。

实施例3：

所说的中药药材为山药，其近红外光谱技术对山药的质量综合评价由以下 步骤实现的：

山药药材的NIR漫反射光谱的采集：

仪器：VECTOR22-NIR型傅立叶变换近红外光谱仪(德国布鲁克公司)，配有 PbS和InGaAs检测器、外接积分球、样品旋转器和固体光纤探头；OPUS信号采 集及数据处理软件；

样品：来自全国不同品种、不同产地、不同采收季节的115份山药药材样 品；

将115份山药药材烘干后，分别粉碎过100目筛，放入旋转杯中，平铺2～ 5cm厚度的药材粉末，使用积分球漫反射附件采集，扫描次数64，分辨率8cm-1， 吸光度数据格式为：log1/R，光谱扫描范围12000～4000cm-1，得光谱数据，取 其中105份作为校正集样本，10份样本为预测集，作以验证；

1)山药药材多糖定量分析模型的建立

A、波段的选择及预处理

通过TQ数据处理软件对图谱的优化，用逐步优化法对光谱图进行波长选择， 所选择的波长区间为7513.8～4597.8cm-1，该光谱区域的相关值最好，光谱预处 理为First Derivative(一阶导数法)+Vector Normalization(矢量归一法)；

B、山药药材多糖含量的测定

取山药粗粉(过二号筛)20g，置索氏提取器中，加入250ml石油醚90℃回 流4h，取出山药粗粉挥干后，加入质量浓度为80％的乙醇200ml(90℃)回流两次 (每次两小时)，以除去单糖、多酚、低聚糖和苷类等小分子物质；将山药粗粉 挥干溶剂后，加入200ml的水，80℃水浴提取两次，每次提取4小时，合并提 取液，用旋转蒸发器真空浓缩至50ml，用sevage法除蛋白后，再次真空浓缩至 20ml，加入95％乙醇，使20ml的浓缩液中的乙醇浓度达到80％，静置过夜12-14 小时，滤过，残渣先后用无水乙醇、乙醚、丙酮依次洗涤，60℃以下干燥；

称取山药多糖10mg，溶于100ml容量瓶中，稀释至100ml，摇匀，吸取上 述溶液适量，置25ml容量瓶中，加蒸馏水至25ml即得山药样品溶液，用甲苯 法测得多糖含量；

C、山药药材多糖定量分析模型的建立

将甲苯法测得的多糖含量数据同其NIR光谱数据相结合，用偏最小二乘 (PLS)回归方法建立定量分析模型；

D、模型的验证

将22份预测集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用甲苯法测得的值(实际值)相比较，来评价该定量分析模型。用校正样本集 进行内部交叉验证RMSECV＝1.18，R2＝0.93，可以得出，所建立的校正模型线性 关系显著，模型校正误差和预测误差均较小，此模型预测精度较高；

2)、山药药材尿囊素定量分析模型的建立

A、波段的选择及预处理

通过TQ数据处理软件对图谱的优化，用逐步优化法对光谱图进行波长选择。 所选择的波长区间为7513.8～6094.4cm-1与5461.8～4242.9cm-1，该光谱区域的 相关值最好，光谱预处理为多元散射校正法；

B、山药药材尿囊素含量的测定

采用高效液相法测得山药药材中尿囊素含量，并选择其中105份样本作为校 正集样本，10份样本作为预测集样本，取过100目筛，60℃以下干燥3h的山药 细粉1g，置磨口锥形瓶中，加质量浓度为50％乙醇50ml，称重，超声提取30min， 放置室温(即18-25℃)后补重，过滤，取滤液25ml于蒸发皿，水浴浓缩尽干， 用水溶解至10ml，取各山药样品溶液适量离心，取上清液分别进样5μl。按上 述色谱条件测定峰面积，用外标法计算样品中尿囊素的含量；

C、山药药材尿囊素定量分析模型的建立

将高效液相色谱法测得的尿囊素含量数据同其NIR光谱数据相结合，用偏最 小二乘(PLS)回归方法建立定量分析模型；

D、模型的验证

将10份预测集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用高效液相色谱法测得的值(实际值)相比较，尿囊素测定值与真实值的相关 系数为0.9598，RMSEP为0.0329。检验集中尿囊素的测定值与真实值之间的绝 对误差在±0.1％之间，真实值比较集中的分布在中心线附近，说明测定值与真实 值比较吻合，可以看出模型的建立较为成功的；

3)、山药药材水浸出物定量分析模型的建立

A、波段的选择及预处理

通过TQ数据处理软件对图谱的优化，用逐步优化法对光谱图进行波长选择， 所选择的波长区间为7513.8～4242.9cm-1，该光谱区域的相关值最好，光谱预处 理为First Derivative(一阶导数法)+Vector Normalization(矢量归一化法)；

B、山药药材水浸出物含量的测定

采用高效液相法测得山药药材中水浸出物含量，并选择其中105份样本作为 校正集样本，10份样本作为预测集样本，采用热浸法：取60℃干燥的山药样品 4g，置250ml的锥形瓶中，加水100ml，密塞，称定重量，静置1小时后，连接 回流冷凝管，加热至沸腾，并保持微沸1小时，冷却后，取下锥形瓶，密塞， 再称定重量，用水补足减失的重量，摇匀，用干燥滤器滤过，量取滤液25ml， 置已干燥的蒸发皿中，在水浴上蒸干后，于105℃干燥3小时，置干燥器中冷却 30分钟，迅速称定重量，以干燥品计算山药样品中水溶性浸出物的含量；

C、山药药材水浸出物定量分析模型的建立

将冷浸法测得的水浸出物含量数据同其NIR光谱数据相结合，用偏最小二乘 (PLS)回归方法建立定量分析模型；

D、模型的验证

将10份预测集样本的NIR光谱数据输入该定量分析模型，得到预测值，与 用冷浸法测得的值(实际值)相比较，来评价该定量分析模型。用校正样本集 进行内部交叉验证RMSECV＝1.23，R2＝0.94，可以得出，所建立的校正模型线性 关系显著，模型校正误差和预测误差均较小，此模型预测精度较高，确定最佳 主成分数为12，近红外光谱法测定值与真实值之间的绝对误差在±3％之间。

本发明，经以上研究结果表明，通过建立多元校正模型，NIR光谱分析方法 可以对中药材中的水分含量进行有效检测，近红外光(NIR)是指波长在780～ 2526nm范围内的电磁波，记录的主要是含氢基团X-H(X＝C、N、O)振 动的倍频和合频吸收，不同基团或同一基团在不同化学环境中的吸收波长与强 度都有明显差别，中药材中有效成分几乎在此区域都有吸收，因此，NIR非常适 合于中药材的质量检测，该方法只需要简单的样品处理，同标准方法相比，可 以节省大量的分析时间和花费，适用于大部分中药材中水分含量的快速检测， 是一种方便、快速、无损的绿色分析技术。