目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares ...目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、K-最近邻(k-nearest neighbor,kNN)和支持向量机(Support vector machine,SVM)建立蒲黄炭炮制程度的判别分析模型,以准确度(Accuracy,ACC)和错误率(Error rate,ER)对不同类型判别模型的判别效果进行评价。然后采用偏最小二乘(Partial least squares,PLS)建立蒲黄炭中原儿茶酸、3-羟基苯甲酸、4-羟基苯甲酸、壬二酸、槲皮素、槲皮素-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、山柰酚、山柰酚-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、异鼠李素、香蒲新苷、异鼠李素-3-O-新橙皮糖苷和柚皮素的定量分析模型,计算校正集和验证集相关系数(r_(cal)、r_(pre))、校正集误差均方根(Root mean square error of calibration,RMSEC)、验证集误差均方根(Root mean square error of prediction,RMSEP)和性能偏差比(The ratio of prediction to deviation,RPD)对PLS模型预测性能进行评价。结果与PLS-DA和KNN模型相比,SVM模型对不同炮制程度蒲黄炭判别效果最优,校正集和验证集的ACC分别为90.08%和93.44%,ER分别为9.08%和5.21%。蒲黄炭中12种化学成分的PLS模型r_(cal)和r_(pre)均大于0.9,RPD均大于2.3。结论本文采用NIR光谱并结合化学计量学建立蒲黄炭炮制程度判别分析和多成分定量分析的快速检测方法,该方法快速、无损、准确,为快速判断蒲黄炭炮制程度和分析化学成分变化,保证蒲黄炭炮制工艺的稳定性和饮片质量的可控性提供科学依据和方法支撑。展开更多
文摘目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、K-最近邻(k-nearest neighbor,kNN)和支持向量机(Support vector machine,SVM)建立蒲黄炭炮制程度的判别分析模型,以准确度(Accuracy,ACC)和错误率(Error rate,ER)对不同类型判别模型的判别效果进行评价。然后采用偏最小二乘(Partial least squares,PLS)建立蒲黄炭中原儿茶酸、3-羟基苯甲酸、4-羟基苯甲酸、壬二酸、槲皮素、槲皮素-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、山柰酚、山柰酚-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、异鼠李素、香蒲新苷、异鼠李素-3-O-新橙皮糖苷和柚皮素的定量分析模型,计算校正集和验证集相关系数(r_(cal)、r_(pre))、校正集误差均方根(Root mean square error of calibration,RMSEC)、验证集误差均方根(Root mean square error of prediction,RMSEP)和性能偏差比(The ratio of prediction to deviation,RPD)对PLS模型预测性能进行评价。结果与PLS-DA和KNN模型相比,SVM模型对不同炮制程度蒲黄炭判别效果最优,校正集和验证集的ACC分别为90.08%和93.44%,ER分别为9.08%和5.21%。蒲黄炭中12种化学成分的PLS模型r_(cal)和r_(pre)均大于0.9,RPD均大于2.3。结论本文采用NIR光谱并结合化学计量学建立蒲黄炭炮制程度判别分析和多成分定量分析的快速检测方法,该方法快速、无损、准确,为快速判断蒲黄炭炮制程度和分析化学成分变化,保证蒲黄炭炮制工艺的稳定性和饮片质量的可控性提供科学依据和方法支撑。
