详情

原文传递一种柴胡药材的质量快速检测方法

专利名称：	一种柴胡药材的质量快速检测方法
摘要：	本发明属于医药检测技术领域，具体涉及一种柴胡药材的质量快速检测方法，包括以下步骤：(1)采集若干批柴胡药材并粉碎；(2)通过传统方法得出柴胡粉末样品中的浸出物含量、柴胡皂苷a含量和柴胡皂苷d含量；(3)采集柴胡药材的近红外原始光谱；(4)采用KS算法划分校正集和验证集；本发明采用近红外光谱技术检测柴胡药材的质控指标，该方法具有操作简单、快速无损和精度高的优势，可节约生产成本，提高经济效益，能够在中药生产源头上实现高效质量控制的目的。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	温州大学
发明人：	杨越;佟海滨;吴明江;连云斐;冯志远;凌思慧;俞沁如;李易航
专利状态：	有效
申请日期：	2019-07-03T00:00:00+0800
发布日期：	2019-08-23T00:00:00+0800
申请号：	CN201910594734.X
公开号：	CN110160987A
代理机构：	北京天盾知识产权代理有限公司
代理人：	刘亚斌
分类号：	G01N21/359(2014.01);G;G01;G01N;G01N21
申请人地址：	325000 浙江省温州市瓯海区东方南路38号温州市国家大学科技园孵化器
主权项：	1.一种柴胡药材的质量快速检测方法，其特征在于：基于网格寻优支持向量机算法快速检测，包括浸出物、柴胡皂苷a和柴胡皂苷d含量测定： A、浸出物含量测定包括如下步骤： (1)采集多批次的柴胡药材，粉碎过筛，得到若干柴胡粉末样品； (2)测定多批次柴胡粉末样品中的浸出物含量； (3)采集步骤(2)中每个柴胡粉末样品的近红外原始光谱； (4)依据步骤(3)中采集的近红外原始光谱，采用KS算法将柴胡粉末样品划分为校正集和验证集； (5)利用校正集构建网格寻优支持向量机模型，利用验证集验证网格寻优支持向量机模型的准确性；网格寻优支持向量机模型建立的具体步骤为：采用网格寻优算法获取惩罚参数C和核参数g的最优值，然后将最优C和g代入网格寻优支持向量机模型建立全部光谱与各组分含量的预测值之间的定量校正模型；网格寻优支持向量机模型的预测性能进行评价的步骤为：评价指标包括校正集相关系数(RC)、预测集相关系数(RP)、校正集均方根误差(RMSEC)、验证集均方根误差(RMSEP)、预测相对偏差(RSEP)，R值接近于1，表明模型的预测性能越好；RMSEC和RMSEP的大小与样品化学值相关，这两个参数越小且越接近，则表明模型性能越佳，预测精度越高；当RSEP值小于10％时，认为定量校正模型适用于柴胡药材的检测； (6)按照上述步骤(3)的方法获取另外一批柴胡粉末样品的近红外光谱，导入步骤(5)建立的定量校正模型获得另外一批柴胡药材样品的浸出物含量值； B、柴胡皂苷a含量测定包括如下步骤： (1)采集多批次的柴胡药材，粉碎过筛，得到若干柴胡粉末样品； (2)测定多批次柴胡粉末样品中的柴胡皂苷a含量； (3)采集步骤(2)中每个柴胡粉末样品的近红外原始光谱； (4)依据步骤(3)中采集的近红外原始光谱，采用KS算法将柴胡粉末样品划分为校正集和验证集； (5)利用校正集构建网格寻优支持向量机模型，利用验证集验证网格寻优支持向量机模型的准确性；网格寻优支持向量机模型建立的具体步骤为：采用网格寻优算法获取惩罚参数C和核参数g的最优值，然后将最优C和g代入网格寻优支持向量机模型建立全部光谱与各组分含量的预测值之间的定量校正模型；网格寻优支持向量机模型的预测性能进行评价的步骤为：评价指标包括校正集相关系数(RC)、预测集相关系数(RP)、校正集均方根误差(RMSEC)、验证集均方根误差(RMSEP)、预测相对偏差(RSEP)，R值接近于1，表明模型的预测性能越好；RMSEC和RMSEP的大小与样品化学值相关，这两个参数越小且越接近，则表明模型性能越佳，预测精度越高；当RSEP值小于10％时，认为定量校正模型适用于柴胡药材的检测； (6)按照上述步骤(3)的方法获取另外一批柴胡粉末样品的近红外光谱，导入步骤(5)建立的定量校正模型获得另外一批柴胡药材样品的柴胡皂苷a含量值； C、柴胡皂苷d含量测定包括如下步骤： (1)采集多批次的柴胡药材，粉碎过筛，得到若干柴胡粉末样品； (2)测定多批次柴胡粉末样品中的柴胡皂苷d含量； (3)采集步骤(2)中每个柴胡粉末样品的近红外原始光谱； (4)依据步骤(3)中采集的近红外原始光谱，采用KS算法将柴胡粉末样品划分为校正集和验证集； (5)利用校正集构建网格寻优支持向量机模型，利用验证集验证网格寻优支持向量机模型的准确性；网格寻优支持向量机模型建立的具体步骤为：采用网格寻优算法获取惩罚参数C和核参数g的最优值，然后将最优C和g代入网格寻优支持向量机模型建立全部光谱与各组分含量的预测值之间的定量校正模型；网格寻优支持向量机模型的预测性能进行评价的步骤为：评价指标包括校正集相关系数(RC)、预测集相关系数(RP)、校正集均方根误差(RMSEC)、验证集均方根误差(RMSEP)、预测相对偏差(RSEP)，R值接近于1，表明模型的预测性能越好；RMSEC和RMSEP的大小与样品化学值相关，这两个参数越小且越接近，则表明模型性能越佳，预测精度越高；当RSEP值小于10％时，认为定量校正模型适用于柴胡药材的检测； (6)按照上述步骤(3)的方法获取另外一批柴胡粉末样品的近红外光谱，导入步骤(5)建立的定量校正模型获得另外一批柴胡药材样品的柴胡皂苷d含量值。 2.根据权利要求1所述的一种柴胡药材的质量快速检测方法，其特征在于：所述浸出物含量测定的步骤(2)中，采用热浸法测定所述柴胡药材中的浸出物含量，所述柴胡皂苷a和柴胡皂苷d含量测定的步骤(2)中，采用高效液相色谱法测定所述柴胡药材中的柴胡皂苷a和柴胡皂苷d含量。 3.根据权利要求1所述的一种柴胡药材的质量快速检测方法，其特征在于，所述浸出物含量测定、所述柴胡皂苷a含量测定和柴胡皂苷d含量测定的所述步骤(3)中，采集柴胡样本的近红外原始光谱具体过程如下：精密称取柴胡药材粉末，置于称量瓶中，采用漫反射法采集近红外原始光谱，以空气为参比；光谱采集条件：扫描范围为4000-12000cm-1，扫描次数为32次，分辨率为8cm-1，每个样品采集3张光谱，计算平均光谱。 4.根据权利要求2所述的一种柴胡药材的质量快速检测方法，其特征在于，所述浸出物含量测定、所述柴胡皂苷a含量和柴胡皂苷d含量测定的所述步骤(4)中，校正集和验证集中样品数之比为4:1。 5.根据权利要求1所述的一种柴胡药材的质量快速检测方法，其特征在于，所述浸出物含量测定的所述步骤(5)中，采用网格寻优算法获取惩罚参数C和核参数g的最优值分别是11.3137和0.00097656，CVMSE值是0.078403；所述柴胡皂苷a含量测定的所述步骤(5)中，采用网格寻优算法获取惩罚参数C和核参数g的最优值分别是2和0.03125，CVMSE值是0.02234；柴胡皂苷d含量测定的所述步骤(5)中，采用网格寻优算法获取惩罚参数C和核参数g的最优值分别是5.6569和0.011049，CVMSE值是0.029307。 6.根据权利要求1所述的一种柴胡药材的质量快速检测方法，其特征在于，所述浸出物含量测定、柴胡皂苷a含量测定以及柴胡皂苷d含量测定的所述步骤(5)中，利用网格寻优方法寻找最优C值和g值时，参数C和g的搜索范围均设置为2-10～210，步长设置为20.5；利用MSECV值作为参数优化的标准，其值最小时的C和g被认为是最优参数值。
所属类别：	发明专利