一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法
阅读：1021发布：2020-09-29
专利汇可以提供一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种 近红外 光谱 对不同生长方式人参样品的分析检测方法，涉及园参与林下山参之间，林下山参与野生人参之间，园参、林下山参与野生人参之间的分别的定性 鉴别 以及人参中总皂苷(9种皂苷之和)和 水 分的定量分析，属于中药材检测技术领域。该方法采用 近红外光谱 仪对样品进行光谱采集，然后利用主成分分析- 马 氏距离法分别建立判别模型进行定性分析，偏最小二乘回归法分别建立回归模型进行定量分析。本方法无需对试样进行分离，即可无损地、快速地、不失原本性和配伍性地直接判断所测样品的品种、生长方式和其所含总皂苷和水分的含量。因此可广泛应用于中药材快速简便的定性定量分析。，下面是一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法专利的具体信息内容。
1.一种用近红外技术对不同生长方式的人参样品及其组分的快速检测方法，包括定性和定量分析，其特征是：在定性识别中先采集样品的近红外光谱；然后对光谱进行预处理，并对影响模型的因素进行优化；再建立判别分析模型；最后再对所建立的模型进行验证。
不同的样品组间分别建立模型，以达到识别不同生长方式的人参样品。在定量分析中先采集人参样品组分的近红外光谱并对光谱进行预处理，优化模型影响因素；然后用相关的参考方法对组分进行定量分析；最后建立近红外光谱与相关方法的回归模型，从而达到红外光谱对组分的定量分析。
2.如权利要求1所述的建立判别模型，其特征是：对不同生长方式的人参分别建立模型，暨对园参、林下山参之间，林下山参和野生人参之间，园参、林下山参和野生人参之间分别建立模型。
3.如权利要求2所述的对不同生长方式人参的定性鉴别，对光谱进行预处理，其特征是：光谱的预处理方法可选下列任一种方法或其组合：一阶导数、二阶导数、多元散射校正(MSC)、多项式拟合平滑、适量归一化、直线相减、最小最大归一化、常偏移量消除；影响模型的因素主要是主成分数的优选；模型采用主成分分析或马氏距离法，或结合建立判别分析模型。
4.如权利要求3所述的对园参、林下山参之间定性分析中，其特征是：分别对样品进行-1
光谱采集，选取采集范围为10000-4000cm 的光谱，光谱预处理必须经过MSC处理，模型最佳主成分数为37-40之间，利用主成分分析-马氏距离法建立判别分析模型。
5.如权利要求3所述的林下山参与野生人参之间定性分析中，其特征是：分别对样品-1
进行光谱采集，选取采集范围为10000-4000cm 的光谱，光谱预处理必须经过SGs(SG平滑)才能识别，模型最佳主成分数为15-18之间，利用主成分分析-马氏距离法建立判别分析模型。
6.如权利要求3所述的园参、林下山参、野生人参三者之间定性分析中，其特征是：分-1
别对样品进行光谱采集，选取采集范围为10000-4000cm 的光谱，光谱预处理必须经过MSC和SGs平滑处理才能识别，模型最佳主成分数为29-33之间，利用主成分分析-马氏距离法建立判别分析模型。
7.如权利要求1所述的人参样品组分定量的快速测定方法，其特征是：所述的样品组分包括人参总皂苷和水，相关参考定量分析方法包括高效液相色谱和烘干法。
-1
8.如权利要求7所述，总皂苷的定量快速测定，扫描波段确定为9000-4100cm ，光谱预处理方法选择MSC+derivative进行预处理，该模型由偏最小二乘回归法建立。
-1
9.如权利要求7所述，水分的定量快速测定，扫描波段确定为6000-4500cm ，光谱预处理方法为MSC+NDs+derivative，该模型由偏最小二乘回归法建立。
一种用近红外光谱技术识别不同生长方式人参及对人参中
组分含量测定的方法
背景技术
[0002] 现行人参的定性鉴别，一般是对人参样品进行性状、理化或显微鉴别，也有运用现代的分析方法如分光光度法、薄层色谱法(TLC)、液相色谱法(HPLC)、液相色谱质谱联用法(HPLC-MS)以及一些生物分析的方法。定量分析主要是选择人参某一成分或有效部位进行色谱分析如HPLC、HPLC-MS等。但目前，对于不同生长方式的人参的定性鉴别分析仍局限于传统的性状和显微鉴别，这不仅需要丰富的经验而且易受主观因素的影响，现在的定性定量分析方法虽然有效，但要进行复杂的样品前处理过程、不能做到无损分析、选择许多内标化合物、检测时费时费力、因大量使用化学试剂易造成污染。因此，需要一种快速、有效的检测方法对人参样品进行定性定量分析。
发明内容
[0003] 本发明涉及人参样品的定性定量分析检测方法。该方法的目的在于快速、无损、准确、有效，样品处理简单，操作省时省力。本方法利用化学计量学方法建立了有效的分析模型，以达到对样品的定性定量的分析检测。
[0004] 本发明所述的人参样品涉及园参、林下山参、寄生人参。
[0005] 本发明所述的定量组分包括人参总皂苷(Rg1，Re，Rf，Rg2，Rb1，Rc，Rb2，Rb3，Rd)、水。
[0006] 本发明所述的近红外光谱的测量是用傅里叶变换近红外光谱仪进行。 [0007] 本发明提供的利用近红外光谱仪对不同生长方式的人参样品的分析检测方法，该方法快速、无损、有效，不仅对不同的样品组进行定性鉴别，而且对人参的主要有效成分及水分进行定量分析，其特征是：
[0008] (一)定性鉴别：以达到对园参、林下山参之间，林下山参、野生人参之间，园参、林下山参和野生人参之间的区分鉴别。
[0009] 1.采集样品近红外光谱图：由于人参的生长部位不同，其对土壤成分的吸收与代谢会有所差异，因此应对芦头、主根的不同部位以及须根分别进行采集，并且对扫描波段进行选择。
[0010] 2.对光谱图进行预处理：原始光谱噪音较多，较难实现直接采用原始光谱进行建模，光谱预处理方法较多，包括原始光谱的导数处理(Derivative)，多元散射校正(MSC)，多项式拟合平滑(SGs)，标准正态变换(SNV)，Norris导数平滑(NDs)，矢量归一化，直线相减，最小最大归一化，常偏移量消除中的任意一种，或者将其中任意两者结合起来进行处理，或者将其中任意三者结合起来进行处理。各个组别应分别进行优选。
[0012] 4.对所建立的模型进行验证，以确立最优模型。为保证模型的预测性能，按3∶1的比例将样品随机划分为校正集和验证集。同时为了保证样品的代表性，校正集和验证集中都要包含各类样品，且两个集合中各类样品数目符合各类样品的总数量比。通过误判数，识别率，预测率对模型进行评价。误判数越小，识别率和预测率越高则模型越好。 [0013] 具体实施步骤如下：
[0014] (1)园参、林下山参的定性鉴别
[0015] ①实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0016] ②所选具有代表性的林下山参与园参样品共318个，涉及不同产地和不同生长年限。
[0017] ③优化的光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件。通过选择不同窄的扫描波段，得到的效果并不理想，考虑-1到10000-4000cm 的范围更宽，信息量更全，更有利于定性判别分析。
[0018] 表1园参、林下山参鉴别模型中不同光谱预处理方法的优选
[0019]
[0020] ④优化后的样品采集部位可以是芦头，可以是主根上部，也可以是主根下部。 [0021] ⑤光谱的预处理方法可以是一阶导数，可以是二阶导数，也可以不求导(spectrum)，可以是SGs平滑处理，也可以不经过平滑处理，但必须经过MSC处理，才能识别园参、林下山参。不同光谱预处理方法的优选见表2。
[0022] 表2园参、林下山参鉴别模型中不同光谱预处理方法的优选
[0023]
[0024] ⑥主成分数的优选：以累积贡献率和误判数为指标，选择累积贡献率足够大(此时主成分数所代表的变量信息足够多)且误判数最少时的主成分数。最佳主成分数为37-40之间即可。表3列举了主根上部主 成分数的优选。
[0025] 表3园参、林下山参鉴别模型中主成分数的优选
[0026]
[0027] ⑦模型的建立与验证：林下山参25个和园参56个组成验证集，其余样品作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：误判数小于6，预测率和识别率均达到92％以上。
[0028] (2)林下山参、野生人参的定性鉴别
[0029] ①实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Ahalyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0030] ②所选具有代表性的林下山参与园参样品共124个，涉及不同产地和不同生长年限。
[0031] ③优化的光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件。通过选择不同窄的扫描波段，得到的效果并不理想，考虑到10000-4000cm-1的范围更宽，信息量更全，更有利于定性判别分析。
[0032] ④优化后的样品采集部位可以是芦头，可以是主根上部，也可以是主根下部。 [0033] ⑤光谱的预处理方法可以选择MSC+一阶导数，也可以spectrum(不求导)，但必须经过SGs(SG平滑)才能识别林下山参与野生人参。不同光谱预处理方法的优选见表4。 [0034] 表4林下山参与野生人参鉴别模型中光谱预处理方法的优选
[0035]
[0036] ⑥主成分数的优选：最佳主成分数为15-18之间即可。表5列举了主根上部主成分数的优选。
[0037] 表5林下山参与野生人参鉴别模型中主成分数的优选
[0038]
[0039]
[0040] ⑦模型的建立与验证：校正集选取了93个样品，其中野生人参20个，林下山参73个；验证集31个样品，其中野生人参6个，林下山参25个。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：误判数小于3，预测率和识别率均达到96％以上。
[0041] (3)园参、林下山参、野生人参三者之间的定性鉴别
[0042] ①实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0043] ②所选具有代表性的林下山参、园参、野生人参样品共301个，涉及不同产地和不同生长年限。-1 -1
[0044] ③优化的光谱采集范围为10000-4000cm ，分辨率8cm ，扫描次数32次。以仪器内置背景为参比，采用光纤附件。通过选择不同窄的扫描波段，得到的效果并不理想，考虑-1到10000-4000cm 的范围更宽，信息量更全，更有利于定性判别分析。
[0045] ④优化后的样品采集部位可以是芦头，可以是主根上部，也可以是主根下部。 [0046] ⑤光谱的预处理方法可以求导，也可以不求导(spectrum)，但必须经过MSC和SGs平滑处理，才能识别园参、林下山参、野生人参。不同光谱预处理方法的优选见表6。 [0047] 表6不同生长方式人参鉴别模型中光谱预处理方法的优选
[0048]
[0049] ⑥主成分数的优选：最佳主成分数为29-33之间即可。表7列举了主根上部主成分数的优选。
[0050] 表7不同生长方式人参鉴别模型中主成分数的优选
[0051]
[0052] ⑦模型的建立与验证：结果野生人参6个，林下山参26个，园参45个组成验证集；其余224个样品 作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：误判数小于6，预测率和识别率均达到96％以上。
[0053] (二)定量分析：以达到对9种人参皂苷和水分的含量测定，建立更加准确、稳定的分析模型以利于人参样品组分的含量测定。
[0055] 2.对光谱图进行预处理：原始光谱噪音较多，较难实现直接采用原始光谱进行建模，光谱预处理方法较多，包括原始光谱的导数处理(Derivative)，多元散射校正(MSC)，多项式拟合平滑(SGs)，标准正态变换(SNV)，Norris导数平滑(NDs)，矢量归一化，直线相减，最小最大归一化，常偏移量消除中的任意一种，或者将其中任意两者结合起来进行处理，或者将其中任意三者结合起来进行处理。各个组分应分别进行优选。
[0056] 3.建立回归模型：选取适当的数学模型，如偏最小二乘回归法(PLSR)、主成分回归法(PCR)、多元线性回归(MLR)、神经网络(NNs)方法等。
[0057] 4.对所建立的模型进行验证，以确立最优模型。本研究采用偏最小二乘回归法(PLSR)建立回归模型，以校正均方差(RMSEC)、交叉验证均方差(RMSECV)、预测均方差2 2
(RMSEP)和相关系数(R)等来评价最终PLSR模型的性能，R 越大、RMSECV越小，表明模型结构越合理；RMSEP越小，表明模型的预测性能和推广能力越强。
(RMSEP)和相关系数(R)等来评价最终PLSR模型的性能，R 越大、RMSECV越小，表明模型结构越合理；RMSEP越小，表明模型的预测性能和推广能力越强。
[0058] 具体实施步骤如下：
[0059] ①Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配备InGaAs检测器和积分球附件)。配置Result3.0软件及工作站用于采集近红外光谱，TQ Analyst软件用于光谱模型的建立。
[0060] ②所选具有代表性的园参样品共56个，来自样品不同产地。
[0063] ⑤用相关定量方法对人参组分进行含量测定，其中人参总皂苷用高效液相色谱法测定，水分的测定依照中国药典附录下水分测定中的烘干法。
[0064] ⑥含量测定结果分析：以含量测定得到的人参成分含量的结果为参考值建立测定人参中回归模型。在90％的置信度下使用肖维纳检验以剔除异常样品。
[0065] ⑦扫描波段的优化：从近红外的原始光谱图可以发现，10000-9000cm-1和-14100-4000cm 的波段范围内噪声较大。经过多次试验，确定了用于人参总皂苷和水分回归模型建立的最佳扫描波段。扫描波段的优选 见表8。总皂苷的扫描波段确定为-1 -1
9000-4100cm ，水分的扫描波段确定为6000-4500cm 。
9000-4100cm ，水分的扫描波段确定为6000-4500cm 。
[0066] 表8定量分析模型中人参组分扫描波段的优选
[0067]
[0068] ⑧光谱的预处理方法可以是SGs平滑+求导或不求导处理，也可以是NGs(Norris平滑)+求导处理，但必须经过MSC处理才能实现准确定量。不同光谱预处理方法的优选见表8。
[0069] 表8定量分析模型中预处理方法的优选
[0070]
[0071] ⑨最佳因子数的选择：通过计算交叉验证均方差(RMSECV)和预测残差均方和(PRESS)，在3-5之间选取最佳的因子数。人参样品组分的主成分数优选见表9。 [0072] 表9定量分析模型中不同因子数的PRESS及RMSECV的变化(人参皂苷之和、水分)
[0073]
[0074] ⑩回归模型的建立与评价：本研究采用偏最小二乘回归法(PLSR)建立回归模型，2
结果：校正根均方差(RMSEC)小于0.4、预测根均方差(RMSEP)小于0.2、相关系数(R)达到0.86以上。
结果：校正根均方差(RMSEC)小于0.4、预测根均方差(RMSEP)小于0.2、相关系数(R)达到0.86以上。
[0075] 采用本发明所述的人参样品的定性定量检测方法，将改善对不同中药品种的鉴定并且为中药材的质量控制提供有力的依据。提高中药材质量的有效性和稳定性。该方法具有快速、原位、非破坏的优点，而且成本低、操作简单、适用范围广。再结合化学计量方法建立相关模型可以对样品进行快速有效分析，在分 析测定中具有独特的优越性。 附图说明
[0076] 图1林下山参、园参的近红外原始光谱。
[0077] 图2主根上部累积贡献率随主成分数的变化图。
[0078] 图3林下山参与园参识别模型的判别分析结果(芦头)。
[0079] 图4林下山参与园参识别模型的判别分析结果(主根上部)。
[0080] 图5林下山参与园参识别模型的判别分析结果(主根下部)。
[0081] 图6林下山参、野生人参的近红外原始光谱。
[0082] 图7主根上部累积贡献率随主成分数的变化图。
[0083] 图8野生人参与林下山参识别模型的判别分析结果(OEG.野生人参；MCG.林下山参)。
[0084] 图9野生人参与林下山参识别模型的判别分析结果(OEG.野生人参；MCG.林下山参)。
[0085] 图10野生人参与林下山参识别模型的判别分析结果(OEG.野生人参；MCG.林下山参)。
[0086] 图11野生人参、林下山参和园参的近红外原始光谱。
[0087] 图12主根上部累积贡献率随主成分数的变化图。
[0088] 图13不同生长方式人参的判别分析结果(芦头)。
[0089] 图14不同生长方式人参的判别分析结果(主根上部)。
[0090] 图15不同生长方式人参的判别分析结果(主根下部)。
[0091] 图16人参样品组分的近红外原始光谱。
[0092] 图17MSC处理后的人参样品光谱。
[0093] 图18SNV+SGs+lst derivative处理后的NIR光谱图。
[0094] 图19SNV+SGs+2nd derivative处理后的NIR光谱图。
[0095] 图20人参总皂苷之和模型中，RMSECV随因子数(Factor)的变化曲线。 [0096] 图21人参总皂苷之和模型中，近红外计算值和参考值之间的相关图。 [0097] 图22人参总皂苷之和模型中，近红外计算值和参考值之间的差异分布。 [0098] 图23水分模型中RMSECV随因子数(Factor)的变化曲线。
[0099] 图24水分模型中，近红外计算值和参考值之间的相关图。
[0100] 图25水分模型中，近红外计算值和参考值之间的差异分布。
具体实施方式
[0101] 下面结合附图和实施例对本发明做进一步说明。
[0102] 实施例一：园参、林下山参的定性鉴别
[0103] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result 3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0104] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品芦头部位进行光谱采集。图1为园参、林下山参的近红外原始光谱。
[0105] 3.所选林下山参与园参样品共318个，涉及不同产地和不同生长年限，具体见表10
[0106] 表10林下山参和园参样品来源明细
[0107]
[0108] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别林下山参与园参。
[0109] 5.主成分数的优选：确定最佳主成分数为37。
[0110] 6.模型的建立与验证：林下山参25个与园参54个组成验证集，其余样品作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数2，识别率99.16％；验证集，误判数6，预测率，92.59％。图3为林下山参与园参识别模型的判别分析结果(芦头)。
[0111] 实施例二：园参、林下山参的定性鉴别
[0112] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0113] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品主根上部进行光谱采集。图1为园参、林下山参的近红外原始光谱。
[0114] 3.所选林下山参与园参样品共318个，涉及不同产地和不同生长年限，具体见表1 [0115] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别林下山参与园参。
[0116] 5.图2为主根上部累积贡献率随主成分数的变化图，确定最佳主成分数为38。 [0117] 6.模型的建立与验证：林下山参25个与园参54个组成验证集，其余样品作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数3，识别率98.73％； 验证集，误判数0，预测率，100％。图4为林下山参与园参识别模型的判别分析结果(主根上部)。
[0118] 实施例三：园参、林下山参的定性鉴别
[0119] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Ahalyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0120] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品主根下部进行光谱采集。图1为园参、林下山参的近红外原始光谱。
[0121] 3.所选林下山参与园参样品共318个，涉及不同产地和不同生长年限，具体见表1 [0122] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别林下山参与园参。
[0123] 5.主成分数的优选：确定最佳主成分数为38。
[0124] 6.模型的建立与验证：林下山参25个与园参54个组成验证集，其余样品作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数2，识别率99.16％；验证集，误判数2，预测率，97.53％。图5为林下山参与园参识别模型的判别分析结果(主根下部)。
[0125] 实施例四：林下山参、野生人参的定性鉴别
[0126] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQAnalyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0127] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品芦头部位进行光谱采集。图6为林下山参、野生人参的近红外原始光谱。
[0128] 3.所选林下山参与园参样品共124个，涉及不同产地和不同生长年限，具体见表11
[0129] 表11野生人参和林下山参样品的明细
[0130]
[0131] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别林下山参与野生人参。
[0132] 5.主成分数的优选：确定最佳主成分数为18。
[0133] 6.模型的建立与验证：校正集选取了93个，其中野生人参20个，林下山参73个；验证集31个，其中野生人参6个，林下山参25个。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数3，识别率96.77％；验证集，误判数1，预测率，96.77％。图8为野生人参与林下山参识别模型的判别分析结果(OEG.野生人参；MCG.林下山参)。
[0134] 实施例五：林下山参、野生人参的定性鉴别
[0135] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0136] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品主根上部进行光谱采集。图6为林下山参、野生人参的近红外原始光谱。
[0137] 3.所选林下山参与园参样品共124个，涉及不同产地和不同生长年限，具体见表2 [0138] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别林下山参与野生人参。
[0139] 5.图7为主根上部累积贡献率随主成分数的变化图，确定最佳主成分数为16。 [0140] 6.模型的建立与验证：校正集选取了93个，其中野生人参20个，林下山参73个；验证集31个，其中野生人参6个，林下山参25个。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数0，识别率100％；验证集，误判数
0，预测率，100％。图9为野生人参与林下山参识别模型的判别分析结果(OEG.野生人参；
MCG.林下山参)。
0，预测率，100％。图9为野生人参与林下山参识别模型的判别分析结果(OEG.野生人参；
MCG.林下山参)。
[0141] 实施例六：林下山参、野生人参的定性鉴别
[0142] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Ahalyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0143] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品主根下部进行光谱采集。图6为林下山参、野生人参的近红外原始光谱。
[0144] 3.所选林下山参与园参样品共124个，涉及不同产地和不同生长年限，具体见表2 [0145] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别林下山参与野生人参。
[0146] 5.主成分数的优选：确定最佳主成分数为15。
[0147] 6.模型的建立与验证：校正集选取了93个，其中野生人参20个，林下山参73个；验证集31个，其中野生人参6个，林下山参25个。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数1，识别率98.92％；验证集，误判数0，预测率，100％。图10为野生人参与林下山参识别模型的判别分析结果(OEG.野生人参；MCG.林下山参)。
[0148] 实施例七：园参、林下山参、野生参人参的定性鉴别
[0149] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0150] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品芦头部位进行光谱采集。图11为野生人参、林下山参和园参的近红外原始光谱。
[0151] 3.所选林下山参与园参样品共301个，涉及不同产地和不同生长年限，具体见表12
[0152] 表12野生人参、林下山参和园参样品的明细
[0153]
[0154] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别园参、林下山参、野生人参。
[0155] 5.主成分数的优选：确定最佳主成分数为33。
[0156] 6.模型的建立与验证：结果野生人参6个，林下山参26个，园参45个组成验证集；其余224个样品作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数2，识别率99.11％；验证集，误判数2，预测率，97.40％。
图13为不同生长方式人参的判别分析结果(芦头)。
图13为不同生长方式人参的判别分析结果(芦头)。
[0157] 实施例八：园参、林下山参、野生参人参的定性鉴别
[0158] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0159] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品主根上部进行光谱采集。图11为野生人参、林下山参与园参的近红外原始光谱。
[0160] 3.所选林下山参与园参样品共301个，涉及不同产地和不同生长年限，具体见表3 [0161] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别园参、林下山参、野生人参。
[0162] 5.图12为主根上部累积贡献率随主成分数的变化图，确定最佳主成分数为33。 [0163] 6.模型的建立与验证：结果野生人参6个，林下山参26个，园参45个组成验证集；其余224个样品作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数4，识别率98.21％；验证集，误判数0，预测率，100％。
图14为不同生长方式人参的判别分析结果(主根上部)。
图14为不同生长方式人参的判别分析结果(主根上部)。
[0164] 实施例九：园参、林下山参、野生参人参的定性鉴别
[0165] 1.实验采用Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配有Result3.0软件用于光谱采集，TQ Analyst7.2软件用于光谱分析)，配备InGaAs检测器，光纤附件。
[0166] 2.光谱采集范围为10000-4000cm-1，分辨率8cm-1，扫描次数32次。以仪器内置背景为参比，采用光纤附件，对样品主根下部进行光谱采集。图11为野生人参、林下山参与园参的近红外原始光谱。
[0167] 3.所选林下山参与园参样品共301个，涉及不同产地和不同生长年限，具体见表3 [0168] 4.光谱的预处理：选择MSC+spectrum(不求导)+SGs(SG平滑)的处理方法识别园参、林下山参、野生人参。
[0169] 5.主成分数的优选：确定最佳主成分数为29。
[0170] 6.模型的建立与验证：结果野生人参6个，林下山参26个，园参45个组成验证集；其余224个样品作为校正集。在优选的条件下，利用主成分分析-马氏距离法建立判别分析模型。所得结果为：校正集，误判数3，识别率98.66％；验证集，误判数1，预测率，98.70％。
图15为不同生长方式人参的判别分析结果(主根下部)。
图15为不同生长方式人参的判别分析结果(主根下部)。
[0171] 实施例十：人参总皂苷的定量分析
[0172] 1.Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配备InGaAs检测器和积分球附件)。配置Result3.0软件及工作站用于采集近红外光谱，TQAnalyst软件用于光谱模型的建立。
[0173] 2.收集了56个园参样品用于含量测定，其中29个来自吉林省抚松县，20个来自吉林省集安市，7个来自吉林省通化县。
[0174] 3.光谱采集条件；以仪器内置背景为参比，波数范围4000-10000cm-1，扫描次数64-1 -1次，分辨率8cm ，波长间隔为2cm 。
[0175] 4.样品干燥后，粉碎，过四号筛，将样品粉末装入直径1cm的石英杯，垫实，采用仪器的积分球漫反射采样系统采集定量的近红外光谱。图16为人参样品组分的近红外原始光谱。图17-19为不同处理方法得到的近红外光谱图。
[0176] 5.HPLC测定人参总皂苷含量
[0178] (2)取0.4g样品粉末，精密称定，置100ml圆底烧瓶中，加甲醇50ml，加热回流，提取2次，每次1h，合并提取液，浓缩至干，以甲醇复溶于10mL容量瓶里并稀释至刻度。过0.45μm滤膜，取续滤液10μl进样，检测后记录色谱峰面积，计算人参皂苷总量。 [0179] (3)色谱柱Agilent Zorbax SB-C18(4.6×250mm，5μm理论塔板数不低于1500)。
流速1.0mL/min，检测波长203nm，柱温：30℃。流动相梯度洗脱程序见表13。人参皂苷的回归方程和线性范围见表14。
流速1.0mL/min，检测波长203nm，柱温：30℃。流动相梯度洗脱程序见表13。人参皂苷的回归方程和线性范围见表14。
[0180] 表13梯度洗脱程序
[0181]
[0182] 表149种人参皂苷的线性范围和回归方程
[0183]
[0184] 6.含量测定结果分析：以含量测定得到的人参总皂苷的结果为参考值建立测定人参中回归模型。在90％的置信度下使用肖维纳检验剔除了四个异常样品。 [0185] 7.描波段的优化：从近红外的原始光谱图可以发现，10000-9000cm-1和-14100-4000cm 的波段范围内噪声较大。经过多次试验，确定了用于人参总皂苷回归模型建-1
立的最佳扫描波段为：9000-4100cm
立的最佳扫描波段为：9000-4100cm
[0186] 8.光谱的预处理：选择MSC+derivative进行预处理。
[0187] 9.最佳因子数的选择：确定最佳的因子数为4。图20为人参总皂苷之和模型中，RMSECV随因子数(Factor)的变化曲线。
[0188] 10.回归模型的建立与评价：在优选的条件下，采用偏最小二乘回归法(PLSR)建立回归模型。所得模型的校正根均方差(RMSEC)为0.115，预测根均方差(RMSEP)为0.032，2
相关系数(R)为0.994。图21为人参总皂苷之和模型中，近红外计算值和参考值之间的相关图。图22为人参总皂苷之和模型中，近红外计算值和参考值之间的差异分布。 [0189] 实施例十一：人参中水分的定量分析
相关系数(R)为0.994。图21为人参总皂苷之和模型中，近红外计算值和参考值之间的相关图。图22为人参总皂苷之和模型中，近红外计算值和参考值之间的差异分布。 [0189] 实施例十一：人参中水分的定量分析
[0190] 1.Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司，光源：卤钨灯，配备InGaAs检测器和积分球附件)。配置Result3.0软件及工作站用于采集近红外光谱，TQAnalyst软件用于光谱模型的建立。
[0191] 2.收集了56个园参样品用于含量测定，其中29个来自吉林省抚松县，20个来自吉林省集安市，7个来自吉林省通化县。
[0192] 3.光谱采集条件：以仪器内置背景为参比，波数范围4000-10000cm-1，扫描次数64-1 -1次，分辨率8cm ， 波长间隔为2cm 。
[0193] 4.样品干燥后，粉碎，过四号筛，将样品粉末装入直径1cm的石英杯，垫实，采用仪器的积分球漫反射采样系统采集定量的近红外光谱。图16为人参样品组分的近红外原始光谱。
[0194] 5.人参中水分测定
[0195] 取人参样品粉末适量平铺于干燥至恒重的扁形称瓶中，厚度不超过5mm，精密称定，打开瓶盖，在100-150℃干燥5小时，将瓶盖盖好，移至干燥器中，冷却30分钟，精密称定重量，再在上述温度干燥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人参样品中的含水量(％)。
[0196] 6.含量测定结果分析：以含量测定得到的人参中水分的结果为参考值建立测定人参中回归模型。在90％的置信度下使用肖维纳检验，没有出现常样品。
[0197] 7.扫描波段的优化：从近红外的原始光谱图可以发现，10000-9000cm-1和-14100-4000cm 的波段范围内噪声较大。经过多次试验，确定用于人参中水分回归模型建立-1
的最佳扫描波段为：6000-4500cm 。
的最佳扫描波段为：6000-4500cm 。
[0198] 8.光谱的预处理：选择MSC+NDs+derivative的预处理方法。
[0199] 9.最佳因子数的选择：确定最佳的因子数为4。图23为水分模型中RMSECV随因子数(Factor)的变化曲线。
[0200] 10.回归模型的建立与评价：在优选的条件下，采用偏最小二乘回归法(PLSR)建立回归模型。所得模型的校正均方差(RMSEC)为0.333，预测均方差(RMSEP)为0.183，相2
关系数(R)为0.869。图24为水分模型中，近红外计算值和参考值之间的相关图。图25为水分模型中，近红外计算值和参考值之间的差异分布。
关系数(R)为0.869。图24为水分模型中，近红外计算值和参考值之间的相关图。图25为水分模型中，近红外计算值和参考值之间的差异分布。
[0201] 以上实例只是用于说明本发明，并非限制本发明。本发明也可应用于其它中药材的定性定量分析，包括对某些药材的道地性、不同品种、不同生长条件、不同生长年限等进行定性鉴别，也可以对药材的有效成分、水分进行快速定量分析，以控制其质量。 [0202] 本发明提供的人参样品的快速有效的检测方法。涉及不同生长方式的人参，并对人参的主要有效成分及水分进行定量检测。该方法采用一台傅里叶变换近红外光谱仪，利用主成分分析法、马氏距离法，偏最小二乘回归法分别建立定性定量分析模型对人参样品进行分析检测。本法可用于不同中药材的定性定量分析。
[0203] 无需进一步详细阐述，相信采用前面所公开的内容，本领域技术人员可最大限度的应用本发明。因此，质量指标的各种检测方法及其他类似的变更都属于本发明的范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 中红外扫描系统 | 2020-05-11 | 240 |
| 中试远红外热风定型机 | 2020-05-13 | 88 |
| 应用于中波红外成像的红外滤光片 | 2020-05-11 | 268 |
| 中红外和远红外的紧凑的高亮度光源 | 2020-05-11 | 53 |
| 中红外光谱仪 | 2020-05-11 | 618 |
| 发射率增强的中红外源 | 2020-05-12 | 568 |
| 发射率增强的中红外源 | 2020-05-11 | 586 |
| 一种中波红外成像系统 | 2020-05-12 | 784 |
| 近中红外宽频场理疗仪 | 2020-05-12 | 986 |
| 红外对中仪 | 2020-05-11 | 823 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈