近紅外光譜技術(shù)快速測定當(dāng)歸中藁本內(nèi)酯含量*

李四海， 陳建國， 任國瑾

(1.甘肅中醫(yī)藥大學(xué) 信息工程學(xué)院，甘肅 蘭州 730000；2.甘肅省高校中(藏)藥化學(xué)與質(zhì)量省級重點(diǎn)實(shí)驗室，甘肅 蘭州 730000)

計算與測試

近紅外光譜技術(shù)快速測定當(dāng)歸中藁本內(nèi)酯含量*

李四海1， 陳建國1， 任國瑾2

(1.甘肅中醫(yī)藥大學(xué)信息工程學(xué)院，甘肅蘭州730000；2.甘肅省高校中(藏)藥化學(xué)與質(zhì)量省級重點(diǎn)實(shí)驗室，甘肅蘭州730000)

基于近紅外光譜技術(shù)，運(yùn)用偏最小二乘回歸(PLSR)方法實(shí)現(xiàn)當(dāng)歸中藁本內(nèi)酯含量的快速、無損檢測。采用高效液相色譜(HPLC)法測定當(dāng)歸中藁本內(nèi)酯含量，一階導(dǎo)數(shù)結(jié)合正交信號校正對原始光譜進(jìn)行預(yù)處理，建立當(dāng)歸近紅外光譜和藁本內(nèi)酯含量之間的最小二乘回歸定量分析模型。結(jié)果表明：模型在校正集上的均方根誤差(RMSEE)、交叉驗證均方根誤差(RMSECV)和決定系數(shù)R2分別為0.199 9, 0.348 9和0.993 2，在預(yù)測集上的預(yù)測均方根誤差(RMSEP)和決定系數(shù)R2分別為0.23和0.994 1。方法具有簡單、快速、不破壞樣品等特點(diǎn)，可用于當(dāng)歸中藁本內(nèi)酯含量的快速檢測。

當(dāng)歸； 近紅外光譜； 藁本內(nèi)酯； 偏最小二乘回歸； 正交信號校正

0 引 言

藁本內(nèi)酯是當(dāng)歸[1]揮發(fā)油的主要成分之一，其含量一般通過高效液相色譜(high performance liquid chromato-graphy,HPLC)法測定[2,3]，但操作流程復(fù)雜，分析時間長，無法實(shí)現(xiàn)樣品的批量檢測。

近紅外光譜技術(shù)是一種綠色新型的分析檢測技術(shù)，具有快速、簡單、無污染、無破壞性等特點(diǎn)，已廣泛用于食品檢測[4]、農(nóng)產(chǎn)品檢測[5,6]、中藥質(zhì)量過程控制[7]等領(lǐng)域。近紅外光譜分析技術(shù)主要包括光譜預(yù)處理、多元校正模型的建立、模型傳遞[8]。由于近紅外光譜譜峰重疊嚴(yán)重，通過數(shù)據(jù)預(yù)處理可以提高信號的信噪比，增強(qiáng)模型的預(yù)測能力。在定量模型的建立方面，目前常用的方法有偏最小二乘回歸(partial least squares regression,PLSR)[9]、最小絕對收縮和選擇算子(least absolute shrinkage and selection operator,LASSO)回歸[10]、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，其中，PLSR能夠有效解決光譜的多重共線性問題，被廣泛用于近紅外光譜的定量分析之中。

本文采用近紅外光譜技術(shù)結(jié)合PLSR方法建立當(dāng)歸中藁本內(nèi)酯含量的定量分析模型，為藁本內(nèi)酯含量的快速、無損、批量檢測提供一種新的方法。

1 儀器與材料

Nicolet—6700型近紅外光譜儀(美國Thermo公司)，Agilent 1200 LC/DAD系統(tǒng)，Thermo ODS HYPERSIL C18色譜柱(250 mm×4.6 mm)，實(shí)驗標(biāo)準(zhǔn)篩(40目，浙江上虞市金鼎標(biāo)準(zhǔn)篩具廠)，BT125D電子天平(萬分之一，賽多利斯科學(xué)儀器北京有限公司)。

當(dāng)歸樣本共76個，采集于甘肅岷縣蒲麻鎮(zhèn)、甘肅渭源縣會川鎮(zhèn);藁本內(nèi)酯對照品(成都曼思特股份有限公司，CHB160428);乙腈為色譜純，試劑為分析純。

2 方 法

2.1 藁本內(nèi)酯含量測定

藁本內(nèi)酯含量采用高效液相色譜法(HPLC)測定。色譜條件為：Thermo ODS HYPERSIL C18色譜柱(250 mm×4.6 mm)；流動相為0.085 %的磷酸水溶液(A)和乙腈(B)，梯度洗脫程序(0 min，5 % B；10 min，35 % B；30 min，70 % B)；流速1.0 mL/min，檢測波長為325 nm，進(jìn)樣量10 μL。方法學(xué)考察精密度、重復(fù)性及穩(wěn)定性良好，藁本內(nèi)酯加樣回收率為99.66 %。

2.2 近紅外光譜采集

將當(dāng)歸樣品粉碎，過100目篩，取當(dāng)歸粉末約5 mg放入研缽，再放入溴化鉀(KBr)粉末約50 mg混勻后研磨至無明顯顆粒，放入壓片模具壓成半透明薄片，將薄片取下用樣品夾固定后放入樣品倉。測樣方式為積分球漫反射，分辨率為4 cm-1，掃描次數(shù)為64次，掃描范圍為4 000～10 000 cm-1，溫度為20 ℃，空氣濕度為70 %RH，數(shù)據(jù)格式為吸光率。每個樣品平行測定2次，取平均光譜。76個當(dāng)歸樣本的近紅外光譜如圖1。

圖1 76份當(dāng)歸樣本近紅外光譜

2.3 藁本內(nèi)酯定量模型的建立

PLSR能有效解決變量之間的多重共線性問題，在近紅外光譜的定量分析中得到廣泛應(yīng)用[11]。

假設(shè)X和Y分別為光譜數(shù)據(jù)矩陣和響應(yīng)變量矩陣，X∈Rn×p，Y∈Rn×q，X和Y的每一列均為零均值且標(biāo)準(zhǔn)差為1。PLSR首先從X和Y中提取投影方差最大的主成分對t1和u1，并且滿足t1和u1之間的相關(guān)性最大化。然后對X和Y殘差矩陣?yán)^續(xù)提取下一個主成分。PLSR算法可以形式化為如下的最優(yōu)化問題

(1)

式中α=(α1,α2,…,αk)為k個投影向量;SXX為樣本的方差矩陣。式(1)的求解步驟如下：

1)自變量X和因變量Y進(jìn)行中心化和單位化處理，得到X和Y。

2)求對稱陣XTYYTX最大特征值對應(yīng)的單位特征向量α1及對稱陣YTXXTY最大特征值對應(yīng)的單位特征向量β1。分別以α1和β1為投影方向，計算第1對主成分

t1=Xα1，u1=Yβ1

3)計算殘差矩陣X1和Y1

4)以X1和Y1分別取代X和Y，重復(fù)步驟(2)和步驟(3)，提取下一個主成分。采用留一交叉驗證法確定最優(yōu)主成分個數(shù)k。取前k對主成分，則回歸方程為

可以證明，t1,t2…,tk之間相互正交，投影方向α1,α2,…,αk之間也相互正交。因此，PLSR方法能夠消除變量之間的多重相關(guān)性。

利用多元變量統(tǒng)計分析軟件SIMCA中的PLSR方法建立當(dāng)歸近紅外光譜和藁本內(nèi)酯含量之間的定量分析模型。將樣本劃分校正集和預(yù)測集，其中,校正集樣本56個，用于建立藁本內(nèi)酯定量模型，其余20個樣本構(gòu)成預(yù)測集用于驗證模型的預(yù)測能力。

3 結(jié)果與分析

3.1 藁本內(nèi)酯含量測定結(jié)果

表1為校正集及預(yù)測集樣本中藁本內(nèi)酯含量的分布情況?？梢钥闯觯盒Ｕ皖A(yù)測集中藁本內(nèi)酯含量的分布范圍較廣，樣本具有較好的代表性，說明樣本劃分合理，所建立的定量分析模型具有較好的適用性。

表1 校正集和預(yù)測集中藁本內(nèi)酯含量分布

3.2 不同預(yù)處理方法比較

近紅外光譜儀所采集的光譜信號除樣品自身的信息外，還包含電噪聲、樣品背景及雜散光等較多的干擾信息，在建立定量模型之前要首先進(jìn)行光譜信號的預(yù)處理。常用的預(yù)處理方法有：平滑、導(dǎo)數(shù)光譜法、多元散射校正(multiplicative scatter correction,MSC)、正交信號校正(orthogonal signal correction,OSC)。其中，多元散射校正能夠消除顆粒分布不均勻及顆粒大小產(chǎn)生的散射影響；正交信號校正能夠濾除與因變量正交的光譜信息，保留有用信息；導(dǎo)數(shù)光譜能有效消除基線和其他背景的干擾，分辨重疊峰，提高分辨率和靈敏度。

表2 不同預(yù)處理方法建立的PLSR模型性能比較

3.3 建立定量分析模型

在SIMCA軟件中使用一階導(dǎo)數(shù)結(jié)合正交信號校正對原始光譜進(jìn)行預(yù)處理，在56個校正集樣本上建立當(dāng)歸近紅外光譜和藁本內(nèi)酯含量的PLSR模型，取前4個主成分。圖2給出了模型對56個校正集樣本的擬合情況。

圖2 模型對校正集樣本擬合效果

圖2中，橫坐標(biāo)表示預(yù)測值，縱坐標(biāo)表示HPLC法實(shí)測值。可以看出，模型在校正集上的決定系數(shù)R2為0.993 2，接近于1，RMSEE、交叉驗證均方根誤差(root mean square error of cross validation,RMSECV)分別為0.199 9,0.348 9，均處于較低水平，說明模型對校正集樣本的擬合情況良好。

3.4 模型驗證

為檢驗?zāi)Ｐ驮谖粗?dú)立樣本上的預(yù)測能力和穩(wěn)健性，使用建立的定量模型對預(yù)測集樣本的藁本內(nèi)酯含量進(jìn)行預(yù)測，結(jié)果如圖3所示。從圖3可知，模型在預(yù)測集樣本上的決定系數(shù)為0.994 1，接近于1，預(yù)測均方根誤差(root mean square error of prediction,RMSEP)為0.23，模型的最大相對誤差為8.82 %，最小相對誤差為0.13 %，平均相對誤差為2.93 %，表明所建模型預(yù)測精度較高，模型穩(wěn)健性較好，能夠?qū)崿F(xiàn)當(dāng)歸中藁本內(nèi)酯含量的快速、準(zhǔn)確檢測。

圖3 模型在預(yù)測樣本上的預(yù)測值和實(shí)測值對比

4 結(jié) 論

利用近紅外光譜技術(shù)結(jié)合PLSR方法建立了當(dāng)歸中藁本內(nèi)酯含量的定量分析模型。研究了不同光譜預(yù)處理方法對模型預(yù)測能力的影響，其中一階導(dǎo)數(shù)結(jié)合正交信號校正光譜預(yù)處理方法對提高模型的預(yù)測能力及穩(wěn)健性的作用顯著。一階導(dǎo)數(shù)光譜能夠消除基線漂移及背景信息的影響，正交信號校正則進(jìn)一步剔除了與藁本內(nèi)酯含量正交的光譜信息，最大程度保留有用信息。本文建立的定量分析模型預(yù)測精度高，模型穩(wěn)健性好，能夠?qū)崿F(xiàn)當(dāng)歸中藁本內(nèi)酯含量的快速、準(zhǔn)確、無損檢測。

[1] 倪竹南,呂圭源,樓招歡,等.當(dāng)歸揮發(fā)油化學(xué)成分和藥理作用研究進(jìn)展[J].中國中醫(yī)藥信息雜志,2007,14(7):93-95.

[2] 王 婕,趙建邦,宋平順.30批當(dāng)歸中阿魏酸、藁本內(nèi)酯含量測定[J].中國實(shí)驗方劑學(xué)雜志,2011,17(16):70-73.

[3] 王祝舉,唐力英,赫北湘,等.HPLC 測定當(dāng)歸中藁本內(nèi)酯的含量[J].中國中藥雜志,2005,30(21):1699-1700.

[4] 劉永峰,李雙紅,庫 婷,等.應(yīng)用近紅外光譜法定量檢測牛奶中尿素氮的研究[J].西北農(nóng)林科技大學(xué)學(xué)報:自然科學(xué)版,2016,44(4):203-210.

[5] 吳靜珠,劉 倩,陳 巖,等.基于近紅外與高光譜技術(shù)的小麥種子多指標(biāo)檢測方法[J].傳感器與微系統(tǒng),2016,35(7):42-44.

[6] 王海龍,楊國國,張 瑜,等.競爭性自適應(yīng)重加權(quán)算法和相關(guān)系數(shù)法提取特征波長檢測番茄葉片真菌病害[J].光譜學(xué)與光譜分析,2017,37(7):2115-2119.

[7] 涂瑤生,柳 俊,張建軍.近紅外光譜技術(shù)在中藥生產(chǎn)過程質(zhì)量控制領(lǐng)域的應(yīng)用[J].中國中藥雜志,2011,36(17):2433-2436.

[8] 褚小立,陸婉珍.近五年我國近紅外光譜分析技術(shù)研究與應(yīng)用進(jìn)展[J].光譜學(xué)與光譜分析,2014,34(10):2595-2605.

[9] Cheng J H,Sun D W.Partial least squares regression(PLSR) applied to NIR and HSI spectral data modeling to predict chemical properties of fish muscle[J].Food Engineering Reviews,2017,9(1):36-49.

[10] Rasmussen M A,Bro R.A tutorial on the Lasso approach to sparse modeling[J].Chemometrics and Intelligent Laboratory Systems,2012,119:21-31.

[11] 張新玉，王穎杰，劉若西，等.近紅外光譜技術(shù)應(yīng)用于玉米單籽粒蛋白質(zhì)含量檢測分析的初步研究[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2017，22(5)：25-31.

Rapiddeterminationofligustilidecontentinangelicasinensisbynearinfraredspectroscopytechnology*

LI Si-hai1, CHEN Jian-guo1, REN Guo-jin2

(1.CollegeofInformationEngineering,GansuUniversityofTraditionalChineseMedicine,Lanzhou730000,China；2.KeyLaboratoryofChemistryandQualityforTraditionalChineseMedicinesoftheCollegeofGansuProvince,Lanzhou730000,China)

Partial least squares regression(PLSR) method is utilized for determination of ligustilide content in angelica sinensis samples based on near infrared(NIR) spectroscopy.Ligustilide contents is determined by high performance liquid chromatography(HPLC).The NIR spectra pretreatments method of first derivative combined with orthogonal signal correction(OSC) is investigated.The quantitative analysis model is built through the PLSR method.The Experimental results show that the root mean square error of estimation(RMSEE),root mean square error of cross validation(RMSECV),coefficient of determinationR2is 0.1999 ,0.348 9 and 0.993 2 in the calibration set,the root mean square error of prediction(RMSEP) andR2is 0.23 and 0.994 1 respectively.The quantitative analysis model established in this study is simple,fast,it can be used for detection of ligustilide content in angelica sinensis.

angelica sinensis; near infrared spectroscopy; ligustilide; partial least squares regression(PLSR); orthogonal signal correction(OSC)

10.13873/J.1000—9787(2017)12—0114—04

R 284.1

A

1000—9787(2017)12—0114—04

2017—10—13

甘肅省自然科學(xué)基金資助項目(1506RJZA046); 甘肅中醫(yī)藥大學(xué)中青年科研基金資助項目(2305016601)

李四海(1972-)，男，碩士，副教授，主要從事機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘，光譜定性及定量分析研究工作， E—mail:lshroom@163.com。