近紅外光譜技術快速測定何首烏中水分的含量*

賈燦潮，盧慧娟，林丹，姬生國

(廣東藥學院中藥學院，廣州 510006)

近紅外光譜技術快速測定何首烏中水分的含量*

賈燦潮，盧慧娟，林丹，姬生國

(廣東藥學院中藥學院，廣州 510006)

目的利用近紅外光譜技術快速測定何首烏中水分的含量。方法烘干法測定樣品中水分含量，獲得含量數據信息，近紅外光譜儀采集樣品的近紅外光譜數據。采用化學計量學方法建立何首烏藥材中水分含量測定的近紅外光譜分析模型，驗證集樣品對模型進行驗證，獲得何首烏近紅外光譜水分含量測定模型。結果所建模型的內部交叉驗證決定系數為0.984 75，校正均方差為0.161，預測均方差為0.181，內部交叉驗證均方差為0.471 64。21批驗證集的參考值與預測值的絕對偏差在-0.35%～0.28%，平均回收率為99.87%。結論近紅外光譜技術可快速、準確地測定何首烏中的水分含量。

何首烏；光譜技術，近紅外；含量，水分

何首烏為蓼科植物何首烏PolygonummultiflorumThumb.的干燥塊根，有解毒、消癰、潤腸通便、降血脂之功[1]。現代藥理研究還表明，它在降脂、抗動脈粥樣硬化、抗氧化、抗骨質疏松、抗腫瘤、降血糖、益智抗抑郁及抗菌等方面有一定的作用[2]。中藥的功效與質量密切相關，水分含量是中藥質量評價的重要指標之一，中藥水分含量過高會影響有效成分的含量，甚至引起蟲蛀、發霉等。《中華人民共和國藥典》2010年版規定：何首烏的水分含量不得高于10.0%。中藥材在采收、加工、炮制、貯藏過程中都會引起水分含量的差異，傳統的水分測定方法操作繁瑣，耗時長，難以用于中藥工業生產中在線檢測。近紅外光譜技術作為一種快速檢測技術，已被廣泛用于石油煉制與化工[3]、工礦業[4]、煙草[5]、農業[6-7]、食品[8]等行業。在醫藥領域也有應用[9-12]。本課題組已成功將該技術應用于枇杷葉、廣藿香、高良姜等中藥材的質量評價中[13-15]。本文介紹就該技術在何首烏藥材中水分含量的快速測定方法。

1 儀器與試藥

1.1 儀器 傅里葉變換近紅外光譜儀，配有漫反射積分球、樣品旋轉器和石英樣品杯、OMNIC光譜采集軟件和TQ8.0分析軟件(Nicolet 6700型，美國Thermo公司)；Q/ZT153-1 998型電熱鼓風恒溫干燥器(浙江正泰儀器儀表有限公司)；干燥器(四川蜀牛玻璃儀器廠)；手提式高速中藥粉碎機(LK-400型，浙江溫嶺市創力藥材器械廠)；AY120型天平(日本島津公司，感量：0.01 mg)。

1.2 藥材 樣品于2014年9月到11月間分別采購于廣東德慶、高要、高州、陽春、新興等中藥材種植基地，經廣東藥學院中藥學院姬生國教授鑒定為蓼科植物何首烏PolygonummultiflorumThunb.的干燥塊根。105批樣品按《中華人民共和國藥典》2010年版要求洗凈，切片，干燥，粉碎，過篩孔內徑0.425 mm篩，保存至密封袋中，置干燥器備用。

2 方法與結果

2.1 烘干法測定水分含量 按《中華人民共和國藥典》2015年版規定測定樣品中水分含量作為本研究的參考值。水分含量在6.92%～9.99%，平均8.79%，符合《中華人民共和國藥典》的規定。

2.2 光譜數據采集 取樣品粉末4 g，混合均勻后放入石英樣品杯，輕輕振搖使其分散均勻。采用積分球漫反射法測定，分辨率為8 cm-1，掃描64次，掃描范圍為12 000～4 000 cm-1，溫度(22±0.5) ℃，相對濕度18%～25%。每個樣品掃描5次，取平均值。樣品的近紅外光譜疊加圖見圖1。

圖1 105批何首烏樣品的近紅外平均光譜疊加圖

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

2.3 光譜預處理 在采集樣品的近紅外光譜時，樣品均勻度、測定條件、藥材粉末顏色、顆粒大小等會導致近紅外光譜散射和基線漂移，且吸收強度較弱，光譜信噪比低。要開發利用近紅外原始光譜，需以化學計量學對光譜進行預處理，以達到提取相關信息的要求[16]。常用消除光譜基線漂移的方法有一階導數法、二階導數法，增強光譜平滑的方法有Savitzky-Goly平滑法，校正光譜散射的方法有多元散射矯正法、標準歸一化法。近紅外光譜分析模型常以內部交叉驗證決定系數、校正均方差、預測均方差為等指標綜合考察。其中，內部交叉驗證決定系數越接近1，校正均方差越小，則參考值與近紅外預測值相關性越好；預測均方差越小，且1<預測均方差/校正均方差<1.20，則模型預測結果越精確[17]。本試驗用TQ Analyst 8.0分析軟件結合化學計量學方法對光譜進行預處理分析，結果見表1。由結果可知，采用多元散射校正法+一階導數法和標準歸一化法+一階導數法對光譜進行預處理分析，模型的校正均方差最小，但內部交叉驗證決定系數和預測均方差并非最優，且預測均方差/校正均方差均>1.20，所建模型將過于擬合。采用二階導數法對光譜進行預預處理，模型內部交叉驗證決定系數最大，校正均方差和預測均方差都對較小，預測均方差/校正均方差=1.12<1.20，所建模型預測性能最佳，故本實驗采用該法對光譜進行預處理。

表1 不同預處理方法對模型的影響

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

光譜預處理方法內部交叉驗證決定系數校正均方差預測均方差預測均方差/校正均方差無處理0．943680．3060．2320．75一階導數法0．880930．4380．3000．68二階導數法0．984570．1610．1811．12多元散射校正+一階導數法0．893990．1150．2882．50多元散射校正+二階導數法0．903000．3980．2840．71多元散射校正法0．935640．3270．3000．92標準歸一化+一階導數法0．894690．1130．2812．49標準歸一化+二階導數法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標準歸一化+Savitzky?Goly平滑法0．936490．3250．2000．61標準歸一化法0．936530．3250．2020．62Savitzky?Goly平滑+二階導數法0．906970．3900．2090．53Savitzky?Goly平滑法+一階導數法0．880950．4380．3000．68

2.4 建模波長的選擇 近紅外光譜蘊含大量化學成分信息，選擇響應特征性強的波段建立模型，不僅消除大量冗余的信息，還增強待測組分光譜特征，使模型預測性能更加穩健，預測結果更加準確。純水分子-OH伸縮振動的一級倍頻(約在6 944 cm-1)、二級倍頻(約在10 416 cm-1)及其合頻(約在5 155 cm-1)的光譜特性極為明顯，其中，以一級倍頻和二級倍頻的合頻處最強[18-20]，兩特征譜帶包含中藥水分主要信息。結合內部交叉驗證決定系數越接近1，校正均方差、預測均方差、內部交叉驗證均方差越小的綜合考察指標考察不同波段對模型的影響(表2)，最終選取4 210～5 230，6 380～7 000 cm-1這兩個波段作為建模波段。

2.5 主因子數的選定 最佳主因子數(也稱最佳主成分數)是內部交叉驗證均方差最小時，所對應的主因子數。在偏最小二乘法中，確定參與回歸的最佳主因子數尤為重要。選取主因子數過小，則會丟失過多有用信息，出現欠擬合；選取主因子數過大，則會將測量噪音過多地引入模型，出現過擬合[17]。在光譜預處理和波段選擇時，綜合得到內部交叉驗證均方差最小值為0.471 64，對應最佳主因子數為7。見圖2。

表2 不同建模波段對模型的影響

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

建模區間/cm-1內部交叉驗證決定系數校正均方差預測均方差預測均方差/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

圖2 校正集內部交叉驗證均方差隨主因子數的變化圖

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 運用TQ Analyst 8.0定量分析軟件中的偏最小二乘法，以84批樣品為校正集，將“2.1”項下測得的水分含量為參考值與經預處理的近紅外光譜聯合，選取波段為4 210～5 230 和6 380～7 000 cm-1，最佳主因子數為7建立校正模型。所建立的模型，內部交叉驗證決定系數=0.984 75，校正均方差=0.161，表明預測值與參考值有良好的相關性；預測均方差=0.181，說明模型有較好預測能力；內部交叉驗證均方差=0.471 64，說明模型預測精度較好[21]。模型預測值與參考值的相關結果見圖3。

2.7 模型的考究與驗證 將21批樣品輸入所建立的模型進行驗證，驗證集參考值與預測值的絕對偏差在-0.35%～0.28%，相對偏差在0.29%～3.88%，平均相對偏差為1.52%，平均回收率為99.87%，可見該近紅外光譜模型可準確測定出樣品中水分的含量，見表3。以21個驗證集樣品的預測值與參考值進行了配對雙邊t檢驗，差異無統計學意義(t=0.33，P>0.05)。綜合上述可知，該模型可快速，準確測定何首烏中水分的含量[17]。

圖3 校正集樣品預測值與參考值的相關圖

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

表3 驗證集樣品的參考值與預測值的對比

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

編號參考值預測值絕對偏差相對偏差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 討論

《中華人民共和國藥典》2015年版規定何首烏中水分含量測定的方法采用烘干法，該方法操作繁瑣，對測定結果的影響因素較多，特別是在我國南方，由于濕度大，溫度較高加大了實驗操作的難度。筆者長期從事近紅外光譜技術對中藥質量評價的研究，已經對多種中藥材進行了相關的研究。由于該方法簡便、快速、準確，檢測時無需對樣品進行復雜的預處理，在無損樣品的前提下采集近紅外光譜(通常只需30 s)，輸入所建立的模型，即可實現快速分析，能克服南方氣候條件造成的對何首烏水分含量測定所造成的影響，適用于何首烏藥材中的水分含量測定。同時，該方法可用于何首烏生產企業在干燥過程中進行實時水分含量監控，確定干燥的時間及溫度，節約能源及成本，增加企業效益。該研究僅為何首烏全面質量評價的一個方面，將結合其他的近紅外光譜質量評價方法，提供一個全面對何首烏進行質量評價的近紅外光譜方法。

[1] 國家藥典委員會.中華人民共和國藥典(一部)[M].北京：中國醫藥科技出版社，2015：175-176.

[2] 樓招歡，呂圭源，俞靜靜.何首烏成分、藥理及毒副作用相關的研究進展[J].浙江中醫藥大學學報，2014，38(4)：495-500.

[3] 白正偉，李懌，崔凌雁.紅外光譜法用于加氫生產生物柴油過程的監控研究[J].石油煉制與化工，2015，46(1)：97-100.

[4] 李明，李翠，雷萌.一種煤炭近紅外光譜數據預處理方法研究[J].工礦自動化，2015，41(1)：62-66.

[5] 張朝，葛少林，佘世科，等.近紅外光譜法快速測定煙草中的常規化學成分含量[J].安徽農業科學，2015，43(2)：286-288.

[6] 薛建新，張淑娟，趙聰慧.基于梨棗輕微損傷的可見近紅外光譜判別研究[J].農機化研究，2015，37(5)：212-215.

[7] 史文青，方曉璞，崔誠，等.近紅外光譜技術在花生品質分析中的應用[J].糧油加工：電子版，2014，45(6)：30-33.

[8] 於筱嵐，徐寧，何勇.近紅外分析技術在食品氨基酸檢測中應用的研究進展[J].光譜學與光譜分析，2014，34(9)：2377-2381.

[9] 王海波，鄧鳴，朱健萍，等.近紅外漫反射光譜法測定頭孢克肟顆粒含量[J].醫藥導報，2014，33(4)：490-492.

[10] 賈燕花，胡昌勤，劉皈陽.近紅外光譜法測定注射用頭孢曲松鈉相對結晶度[J].醫藥導報，2013，32(11)：1513-1514.

[11] 陳蓉，陳偉，吳啟南.基于近紅外指紋圖譜的芡實藥材快速分析[J].醫藥導報，2014，33(5)：653-657.

[12] 余道宏，柳艷云，姜紅.近紅外光譜法快速分析小兒復方磺胺甲噁唑顆粒的水分含量[J].中國藥事，2014，28(3)：263-267.

[13] 林萍，王海霞，姬生國，等.利用近紅外光譜分析技術快速測定高良姜中水分含量[J].中國調味品，2014，39(8)：99-103.

[14] 蔡佳良，黃潔燕，姬生國，等.運用近紅外光譜法建立廣藿香含葉量定量分析模型[J].中國現代應用藥學，2013，30(3)：260-263.

[15] 李蕾蕾，林萍，姬生國，等.近紅外光譜法快速測定枇杷葉浸出物的含量[J].醫藥導報，2014，33(2)：231-235.

[16] 嚴衍祿，趙龍蓮，韓東海，等.近紅外光譜分析基礎與應用[M].北京：中國輕工業出版社，2005：30-39.

[17] 褚小立.化學計量學方法與分子光譜分析技術[M].北京：化學工業出版社，2011：32-119

[18] 姬生國，蔡佳良，周文婷，等.近紅外光譜測定藿膽丸中水分含量[J].醫藥導報，2014，33(5)：660-663.

[19] 蔡佳良，李蕾蕾，姬生國.近紅外光譜法快速測定廣藿香中水分含量[J].醫藥導報，2012，31(11)：1468-1470.

[20] 李蕾蕾，王海霞，姬生國，等.近紅外光譜技術在枇杷葉水分含量測定中的應用[J].中國實驗方劑學雜志，2013，19(19)：104-107.

[21] 王海霞，周文婷，姬生國，等.NIRS在廣金錢草水分含量測定中的應用[J].江蘇農業科學，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

*廣東省科技計劃項目(2009B030801044)

賈燦潮(1989-)，男，廣東云浮人，在讀碩士，主要從事中藥質量控制研究工作。電話：020-39352327，E-mail：296808156@qq.com。

姬生國(1967-)，男，河南延津人，教授，博士，從事中藥資源、中藥質量標準及中藥新藥及分子生藥學研究。電話：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