CN106198446A - 近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 - Google Patents
近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 Download PDFInfo
- Publication number
- CN106198446A CN106198446A CN201610463297.4A CN201610463297A CN106198446A CN 106198446 A CN106198446 A CN 106198446A CN 201610463297 A CN201610463297 A CN 201610463297A CN 106198446 A CN106198446 A CN 106198446A
- Authority
- CN
- China
- Prior art keywords
- herba blumeae
- blumeae balsamiferae
- near infrared
- model
- borneol
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- DTGKSKDOIYIVQL-QXFUBDJGSA-N (-)-borneol Chemical compound C1C[C@]2(C)[C@H](O)C[C@H]1C2(C)C DTGKSKDOIYIVQL-QXFUBDJGSA-N 0.000 title claims abstract description 41
- 229930006703 (-)-borneol Natural products 0.000 title claims abstract description 41
- 239000000843 powder Substances 0.000 title claims abstract description 22
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 title claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000003556 assay Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims abstract description 3
- 238000004817 gas chromatography Methods 0.000 claims description 5
- DTGKSKDOIYIVQL-WEDXCCLWSA-N (+)-borneol Chemical compound C1C[C@@]2(C)[C@@H](O)C[C@@H]1C2(C)C DTGKSKDOIYIVQL-WEDXCCLWSA-N 0.000 claims description 4
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 239000004575 stone Substances 0.000 claims 1
- 239000012567 medical material Substances 0.000 abstract description 2
- 238000012372 quality testing Methods 0.000 abstract 1
- XEKOWRVHYACXOJ-UHFFFAOYSA-N Ethyl acetate Chemical compound CCOC(C)=O XEKOWRVHYACXOJ-UHFFFAOYSA-N 0.000 description 15
- 238000002790 cross-validation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000003153 chemical reaction reagent Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 4
- 238000010792 warming Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000013558 reference substance Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 240000000572 Blumea balsamifera Species 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000706 filtrate Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229960001047 methyl salicylate Drugs 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 239000000341 volatile oil Substances 0.000 description 2
- 235000010894 Artemisia argyi Nutrition 0.000 description 1
- 241000208838 Asteraceae Species 0.000 description 1
- 241001252601 Blumea Species 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 230000003064 anti-oxidating effect Effects 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 244000030166 artemisia Species 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000012982 microporous membrane Substances 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 210000003800 pharynx Anatomy 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法。包括如下步骤:S1.原始光谱数据的采集;S2.参考值的测定;S3.校正模型的建立:将步骤S1采集的艾纳香叶粉样品的校正集近红外光谱数据进行导数结合SG平滑预处理,选择最佳潜变量因子数,应用组合的间隔偏最小二乘法确定最佳的校正模型的波长范围,通过模型评价,建立了二阶导数结合SG平滑的光谱预处理的左旋龙脑SiPLS模型;S4.校正模型的验证;S5.未知样品左旋龙脑含量测定。相比目前的气相色谱测定法,本发明方法具有准确、快速、无损等优势,可提高艾纳香药材的质量检测效率。
Description
技术领域
本发明涉及药材指标性成分分析技术领域,具体地,涉及一种近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法。
背景技术
艾纳香(Blumeabalsamifera(L.)DC.)又名大风艾,为菊科多年生草本植物,在我国广泛分布于海南、贵州、广西、云南等省区。艾纳香叶片主要含挥发油(主要成分为左旋龙脑),用作精制中药艾片。具有抑菌、杀虫、抗氧化、抗酪氨酸酶及抗肿瘤等多种药理活性。艾纳香挥发油已被成功应用于“金喉健喷雾剂”、“咽立爽滴丸”等中成药品种。因此,左旋龙脑是艾纳香质量控制的关键指标。
艾纳香叶片中左旋龙脑含量目前主要采用气相色谱(GC)法测定。如夏稷子等(中成药,2011)、刘进涛等(贵阳中医学院学报,2013)、王远辉等(现代食品科技,2014)、于福来等(中国现代中药,2014)均采用气相色谱法建立了艾纳香叶片中左旋龙脑含量的测定方法,但所有的这些方法都存在操作相对繁琐、试验周期较长、需消耗化学试药等缺点,因此有必要建立一种快速、简单、无污染的测定方法。
近红外光谱(NIR)主要是由C-H、N-H和O-H等含氢基团的倍频与组合频的吸收谱带组成。该谱区信号容易提取,信息量相对较丰富,绝大多数的物质在近红外区都有响应。作为一种间接的分析技术其与化学计量学结合可实现对样品的快速、准确、无损的定量分析。
目前尚未有关于应用NIR技术定量测定艾纳香叶粉中左旋龙脑含量的相关报道。
发明内容
针对现有技术的上述不足,本发明提供一种近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法。该方法相比目前的气相色谱(GC)测定法,具有快速、简单、低成本、无污染等优势。
为了实现上述目的,本发明是通过以下技术方案予以实现的:
一种近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法,包括如下步骤:
S1.原始光谱数据的采集:收集特定批次艾纳香叶样品,预处理后采集近红外光谱数据;
S2.参考值的测定:采用气相色谱法测定艾纳香叶粉中左旋龙脑含量;
S3.校正模型的建立:采用Kennard-Stone算法将所有艾纳香叶粉样品分为校正集和验证集,将步骤S1采集的艾纳香叶粉样品的校正集近红外光谱数据进行预处理,选择最佳潜变量因子数,应用组合的间隔偏最小二乘法(SiPLS)确定最佳的校正模型的波长范围为4601~4894-1,5504~6102cm-1,建立左旋龙脑SiPLS模型;
S4.校正模型的验证:利用验证集样品对校正模型进行外部验证,采用适当的模型评价参数对校正模型进行评价,计算预测值和真实值的相关性;
S5.未知样品含量测定:利用验证过的校正模型测定未知艾纳香叶粉的左旋龙脑含量。
优选地,步骤S1所述的近红外光谱采用Antaris傅里叶变换近红外光谱仪,以旋转积分球漫反射方式收集,扫描范围4000~10000cm-1,分辨率8cm-1,扫描次数64次;以仪器内部的空气为背景记录Log(1/R),每个样品扫描1次;所有光谱数据由Thermo ScientificResult软件收集存档。
优选地,步骤S2所述的气相色谱测定左旋龙脑含量的方法为:精密称定艾纳香叶片粉末(过20目筛)约2g,置于50mL具塞三角瓶中,加入乙酸乙酯25mL,称定重量,在40kHz的超声条件下提取30min,放冷,用乙酸乙酯补足减失的重量,摇匀,静置,经0.22μm微孔滤膜过滤,取续滤液待测。在以下色谱条件下进行测定:HP-5石英毛细管色谱柱(0.32mm×30m,0.25μm);以80℃为起始温度,保持2min,然后以5℃/min升温至100℃,再以20℃/min升温至200℃;进样口温度为220℃;FID检测器温度为240℃;进样量0.6μL,分流比为9:1。每个样品测定3次计算平均值;
优选地,步骤S3所述最佳潜变量因子数是通过一交叉验证法(LOO-CV)计算最少预测残差平方和(PRESS)值来预测得到的。
优选地,步骤S4所述校正模型评价依赖于校正均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)、相关系数(R2)、预测均方根误差(RMSEP)等参数。
优选地,采用Kennard-Stone算法按2:1将S1测定的所有艾纳香叶粉样品划分为校正集和验证集;其中校正集72个,验证集36个。
通过留一交叉验证法(LOO-CV)计算最少预测残差平方和(PRESS)值来预测最佳潜变量因子数为6。
与现有技术相比,本发明具有以下有益效果:
本发明采用漫反射NIR方法建立了艾纳香叶粉中左旋龙脑的定量测定模型。该校正模型在组合的间隔偏最小二乘法(SiPLS)的波长选择基础上通过PLS方法构建,通过GC法测定的左旋龙脑值和NIR预测值之间表现出较好的一致性。根据模型的参数,NIR技术可实现对艾纳香中左旋龙脑含量的检测。相比目前的气相色谱测定法,该方法具有快速、简单、低成本、无污染等优势。
附图说明
图1为左旋龙脑对照品和供试品GC色谱图,其中a为对照品,b为供试品;1为左旋龙脑,2为水杨酸甲酯。
图2为不同来源艾纳香NIR原始光谱图。
图3为不同光谱预处理下左旋龙脑PRESS图。
图4为2D+SG(9)预处理的左旋龙脑定量测定模型下采用SiPLS算法的建模区间选择。
图5为SiPLS模型下左旋龙脑实测值和预测值相关性。
具体实施方式
下面结合说明书附图和具体实施例对本发明作出进一步地详细阐述,所述实施例只用于解释本发明,并非用于限定本发明的范围。下述实施例中所使用的试验方法如无特殊说明,均为常规方法;所使用的材料、试剂等,如无特殊说明,为可从商业途径得到的试剂和材料。
实施例1
本发明所用样品共计109份,2013年收集于海南、贵州和广西,由庞玉新研究员鉴定为艾纳香(Blumeabalsamifera(L.)DC.)。
表1 不同来源艾纳香样品信息
本发明涉及的仪器、软件和试药为:NIR分析:Antaris傅里叶变换近红外光谱仪(美国Thermo Nicolet公司)配有InGaAs检测器、积分球漫反射采样***、ThermoScientific Result操作软件;应用Unscrambler 9.7软件(CAMO软件,挪威)进行光谱预处理和模型计算;SiPLS算法工具包由Norgaard等(http://www.models.life.ku.dk/iToolbox)提供;其他方法是在Norgaard等算法基础上由发明人修改编写完成。GC分析:安捷伦7890A气相色谱仪,氢火焰离子化检测器(FID),安捷伦G4513A 16位自动进样器,Sartarius CPA225D电子分析天平,KQ-500DB型超声仪,左旋龙脑对照品(阿法埃莎化学有限公司,纯度>98%),水杨酸甲酯(天津光复精细化工研究所,纯度>99.5%),乙酸乙酯等试剂均为国产分析纯。
原始光谱的采集:艾纳香粉末的NIR光谱采用Antaris傅里叶变换近红外光谱仪,以旋转积分球漫反射方式收集,扫描范围4000~10000cm-1,分辨率8cm-1,扫描次数64次。以仪器内部的空气为背景记录Log(1/R),每个样品扫描1次。所有光谱数据由ThermoScientific Result软件收集并存档。
参考方法的建立及样品左旋龙脑含量统计:精密称定艾纳香叶片粉末(过20目筛)约2g,置于50mL具塞三角瓶中,加入乙酸乙酯25mL,称定重量,在40kHz的超声条件下提取30min,放冷,用乙酸乙酯补足减失的重量,摇匀,静置,经0.22μm微孔滤膜过滤,取续滤液待测。在以下色谱条件下进行测定:HP-5石英毛细管色谱柱(0.32mm×30m,0.25μm);以80℃为起始温度,保持2min,然后以5℃/min升温至100℃,再以20℃/min升温至200℃;进样口温度为220℃;FID检测器温度为240℃;进样量0.6μL,分流比为9:1。每个样品测定3次计算平均值。在样品测定之前进行方法学考察(表2),其数据说明所建立的方法准确、有效。图1给出含有样品和标准品的GC色谱图,样品左旋龙脑保留时间和标准品一致。从表3可看出,所有109份艾纳香样品左旋龙脑含量范围在0~13.8mg/g之间,平均为5.20mg/g,海南产样品左旋龙脑含量略高于贵州产。
表2 GC方法学参数及标准曲线
表3 艾纳香样品左旋龙脑含量统计
NIR光谱特征和离群值选择:所有的109份样品的原始光谱如图2所示。呈现出明显的光谱叠加和基线漂移现象,其中在二级倍频区(FCOT,7100~4900cm-1)和组合频区(CR,4900~4000cm-1)呈现较大的波动。其中有一个样品远离其他光谱,将其作为离群值并剔除。根据Kennard-Stone(KS)算法,按2:1将数据集划分为校正集和验证集,其中校正集72个,验证集36个。
光谱预处理:图2表明平均光谱重叠严重,并伴有随机噪音、基线漂移等干扰因素,需要用合理的光谱预处理方法消除各种噪声和干扰因素,以提取近红外光谱中待测对象的特征信息。本发明比较定量模型几种光谱预处理各种方法的效果,如SNV、SG平滑、MSC以及SG结合光谱导数。表4为不同光谱预处理方法下左旋龙脑PLS模型的主要参数,根据交叉验证的结果选择合适的光谱预处理方法。以导数结合SG平滑法预处理光谱,左旋龙脑PLS模型的RMSEC和RMSECV最小,R2接近1。结果与图3一致,表明通过导数结合SG平滑预处理光谱左旋龙脑模型较好。
表4 不同光谱预处理方法下左旋龙脑PLS模型的主要参数
注:Raw:原始光谱;MSC:多元散射校正法;SNV:标准正态变量;SG:Savitzky–Golay平滑;1D:一阶导数;2D:二阶导数;RMSEC:校正均方根误差;RMSECV:交叉验证均方根误差;R2:相关系数
最佳潜变量因子的确定:通过留一交叉验证法(LOO-CV)计算最少PRESS值来预测最佳潜变量因子数。通常PRESS图上第一个最小值被用作确定为最佳潜变量因子数。图3为不同预处理下的潜变量因子和PRESS值。随着潜变量因子数量增加,PERSS值变小。与其他预处理方法比较,导数组合SG平滑具明显的优势,其PRESS值急剧下降至8个潜变量因子。而其他预处理方法不能够有效的从叠加光谱的分离到有用的信息。
校正模型建模区间的选择:应用组合的间隔偏最小二乘法(SiPLS)选择校正模型的波长范围,将光谱集分为不同的区间,根据最小的均方根误差(RMSE)确定最佳子区间及其组合。SiPLS算法的参数需要优化包括子区数量和组合。发明人先前报道SiPLS算法的最佳参数为20个子区和3个子区的组合。因此,本发明通过6个潜变量因子的3,6和7三个子区组合建立最佳的左旋龙脑预测模型,即波长分布在4601~4894-1,5504~6102cm-1(如图4所示)。
校正模型的建立和验证:最佳模型评价依赖于RMSEC,RMSECV,预测均方差)RMSEP,R2等参数。表5所示,以二阶导数结合SG平滑(2D+SG(9))的光谱预处理的左旋龙脑SiPLS模型最好。通过验证集36份样品对校正模型进行验证,发现验证集的四分位RMSEP0.25,RMSEP0.50,RMSEP0.75,RMSEP1.0,分别为0.0532mg/g,0.0635mg/g,0.0629mg/g和0.0779mg/g,比较接近。验证集的R2为0.9069(见图5)。以上结果表明,左旋龙脑的SiPLS模型具较好的预测性。同时,图5给出SiPLS模型下左旋龙脑实测值和预测值相关性,从图可知预测值和实测值非常接近,呈现出较好的相关性。
表5 不同光谱预处理方法下建立左旋龙脑SiPLS模型的主要参数
注:Raw:原始光谱;MSC:多元散射校正法;SNV:标准正态变量;SG:Savitzky–Golay平滑;1D:一阶导数;2D:二阶导数;RMSEC:校正均方根误差;RMSECV:交叉验证均方根误差;R2:相关系数
本发明采用漫反射NIR方法建立了艾纳香中左旋龙脑的定量测定模型。该校正模型在组合的间隔偏最小二乘法(SiPLS)的波长选择基础上通过PLS方法构建。通过GC法测定的左旋龙脑值和NIR预测值之间表现出较好的一致性。根据模型的参数,NIR技术可实现对艾纳香中左旋龙脑含量的检测。该方法具有快速、简单、低成本、无污染等优势。
Claims (5)
1.一种近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法,其特征在于,包括如下步骤:
S1.原始光谱数据的采集:收集特定批次艾纳香叶样品,预处理后采集近红外光谱数据;
S2.参考值的测定:采用气相色谱法测定艾纳香叶粉中左旋龙脑含量;
S3.校正模型的建立:采用Kennard -Stone法将S1测定的所有艾纳香叶粉样品分为校正集和验证集,将校正集样品的近红外光谱数据进行二阶导数结合SG平滑预处理,选择最佳潜变量因子数,应用组合的间隔偏最小二乘法确定最佳的校正模型的波长范围为4601~4894-1,5504~6102 cm-1,通过模型评价,建立了二阶导数结合SG平滑的光谱预处理的左旋龙脑SiPLS模型;
S4.校正模型的验证:利用验证集样品对校正模型进行外部验证,计算预测值和真实值的相关性;
S5.未知样品含量测定:利用验证过的校正模型测定未知艾纳香叶粉的左旋龙脑含量。
2.根据权利要求1所述的方法,其特征在于,S1所述采集近红外光谱数据的方法为采用Antaris傅里叶变换近红外光谱仪,以旋转积分球漫反射方式收集,扫描范围4000~10000cm-1,分辨率8 cm-1,扫描次数64次;以仪器内部的空气为背景记录Log(1/R),每个样品扫描1次;所有光谱数据由Thermo Scientific Result软件收集存档。
3.根据权利要求1所述的方法,其特征在于,S3所述最佳潜变量因子数是通过一交叉验证法计算最少预测残差平方和PRESS值来预测得到的。
4.根据权利要求1所述的方法,其特征在于,S3所述模型评价时以校正均方根误差、交叉验证均方根误差、相关系数和预测均方根误差为参数。
5.根据权利要求1所述的方法,其特征在于,采用Kennard -Stone算法按2:1将S1测定的所有艾纳香叶粉样品划分为校正集和验证集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610463297.4A CN106198446A (zh) | 2016-06-22 | 2016-06-22 | 近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610463297.4A CN106198446A (zh) | 2016-06-22 | 2016-06-22 | 近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106198446A true CN106198446A (zh) | 2016-12-07 |
Family
ID=57461352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610463297.4A Pending CN106198446A (zh) | 2016-06-22 | 2016-06-22 | 近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106198446A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132198A (zh) * | 2017-04-18 | 2017-09-05 | 浙江中烟工业有限责任公司 | 一种近红外光谱数据预处理方法 |
CN108007898A (zh) * | 2017-09-04 | 2018-05-08 | 无锡济民可信山禾药业股份有限公司 | 一种快速的艾片药材检测方法 |
CN109085136A (zh) * | 2018-08-07 | 2018-12-25 | 山东大学 | 近红外漫反射光谱测定水泥生料氧化物成分含量的方法 |
CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
CN109991206A (zh) * | 2019-04-10 | 2019-07-09 | 西安石油大学 | 一种基于偏最小二乘法对醇类汽油总醇含量测定的方法 |
CN112528806A (zh) * | 2020-12-02 | 2021-03-19 | 广东省农业科学院农产品公共监测中心 | 基于仿生嗅觉的单丛茶香气类型分类方法、装置 |
CN117420095A (zh) * | 2023-12-15 | 2024-01-19 | 乐比(广州)健康产业有限公司 | 一种鼻腔喷雾剂成分检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1657907A (zh) * | 2005-03-23 | 2005-08-24 | 江苏大学 | 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法 |
CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
CN103755527A (zh) * | 2014-02-01 | 2014-04-30 | 闻永举 | 由樟科提取物或艾纳香提取物制备高纯度龙脑的方法 |
CN104076012A (zh) * | 2014-07-24 | 2014-10-01 | 河南中医学院 | 一种近红外光谱法快速检测冰片质量的模型建立方法 |
CN104076010A (zh) * | 2013-03-27 | 2014-10-01 | 北京中医药大学 | 一种炼制过程中对蜂蜜的质量检测方法 |
CN105388222A (zh) * | 2015-10-17 | 2016-03-09 | 贵州大学 | 一种高效液相色谱同时测定龙脑、樟脑、异龙脑含量的方法 |
-
2016
- 2016-06-22 CN CN201610463297.4A patent/CN106198446A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1657907A (zh) * | 2005-03-23 | 2005-08-24 | 江苏大学 | 基于间隔偏最小二乘法的农产品、食品近红外光谱谱区选择方法 |
CN101832909A (zh) * | 2010-03-12 | 2010-09-15 | 江苏大学 | 基于模拟退火-遗传算法近红外光谱特征子区间选择方法 |
CN104076010A (zh) * | 2013-03-27 | 2014-10-01 | 北京中医药大学 | 一种炼制过程中对蜂蜜的质量检测方法 |
CN103755527A (zh) * | 2014-02-01 | 2014-04-30 | 闻永举 | 由樟科提取物或艾纳香提取物制备高纯度龙脑的方法 |
CN104076012A (zh) * | 2014-07-24 | 2014-10-01 | 河南中医学院 | 一种近红外光谱法快速检测冰片质量的模型建立方法 |
CN105388222A (zh) * | 2015-10-17 | 2016-03-09 | 贵州大学 | 一种高效液相色谱同时测定龙脑、樟脑、异龙脑含量的方法 |
Non-Patent Citations (3)
Title |
---|
卫亚丽 等: "不同产地黔艾纳香中左旋龙脑含量测定", 《中华中医药杂志》 * |
方灿 等: "气相色谱法测定艾纳香油中左旋龙脑的含量", 《中国医院药学杂志》 * |
褚小立 等: "《近红外光谱分析技术实用手册》", 31 March 2016 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107132198A (zh) * | 2017-04-18 | 2017-09-05 | 浙江中烟工业有限责任公司 | 一种近红外光谱数据预处理方法 |
CN108007898A (zh) * | 2017-09-04 | 2018-05-08 | 无锡济民可信山禾药业股份有限公司 | 一种快速的艾片药材检测方法 |
CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
CN109085136A (zh) * | 2018-08-07 | 2018-12-25 | 山东大学 | 近红外漫反射光谱测定水泥生料氧化物成分含量的方法 |
CN109991206A (zh) * | 2019-04-10 | 2019-07-09 | 西安石油大学 | 一种基于偏最小二乘法对醇类汽油总醇含量测定的方法 |
CN109991206B (zh) * | 2019-04-10 | 2021-08-27 | 西安石油大学 | 一种基于偏最小二乘法对醇类汽油总醇含量测定的方法 |
CN112528806A (zh) * | 2020-12-02 | 2021-03-19 | 广东省农业科学院农产品公共监测中心 | 基于仿生嗅觉的单丛茶香气类型分类方法、装置 |
CN117420095A (zh) * | 2023-12-15 | 2024-01-19 | 乐比(广州)健康产业有限公司 | 一种鼻腔喷雾剂成分检测方法 |
CN117420095B (zh) * | 2023-12-15 | 2024-03-01 | 乐比(广州)健康产业有限公司 | 一种鼻腔喷雾剂成分检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106198446A (zh) | 近红外光谱快速测定艾纳香叶粉中左旋龙脑含量的方法 | |
Huck | Advances of infrared spectroscopy in natural product research | |
CN103776777B (zh) | 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 | |
Jintao et al. | Rapid and simultaneous analysis of five alkaloids in four parts of Coptidis Rhizoma by near-infrared spectroscopy | |
CN103487395B (zh) | 一种重楼药材多指标快速检测方法 | |
CN104849233B (zh) | 一种检测谷物新陈度的方法及装置 | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
CN102288572A (zh) | 利用近红外光谱技术快速检测中药药材指标性成分含量的方法 | |
CN101231274B (zh) | 近红外光谱快速测定山药中尿囊素含量的方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN103033486B (zh) | 陈皮及广陈皮药材质量的近红外光谱监控方法 | |
CN104237060A (zh) | 一种金银花药材多指标快速检测方法 | |
CN103293118A (zh) | 一种基于近红外光谱分析技术的潲水油鉴别方法 | |
CN104792652A (zh) | 一种黄芪药材多指标快速检测方法 | |
CN104568813A (zh) | 一种山茱萸药材多指标快速检测方法 | |
Wang et al. | Near-infrared spectroscopy for classification of licorice (Glycyrrhizia uralensis Fisch) and prediction of the glycyrrhizic acid (GA) content | |
CN103411895B (zh) | 珍珠粉掺伪的近红外光谱鉴别方法 | |
CN104316489A (zh) | 一种近红外光谱检测灵芝提取物掺假的方法 | |
CN106353275A (zh) | 一种基于紫外光谱快速测定麻黄药材生物碱的方法 | |
Chen et al. | Rapid identification of three varieties of Chrysanthemum with near infrared spectroscopy | |
CN105486663B (zh) | 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法 | |
CN104297201A (zh) | 一种快速、准确定量调和油中各种油份比例的检测方法 | |
CN103792205B (zh) | 片剂杂质和抗张强度的高通量近红外灵敏快速无损分析 | |
CN108663337A (zh) | 一种测定丹参酮类成分的方法及其应用 | |
CN105181637A (zh) | 利用近红外漫反射光谱快速测定红参质量指标含量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |