硅含量红外光谱仪

[size=18px] 尾氯吸收，是氯碱工业中非常重要的一环，而吸收液中氢氧化钠含量的变化，则是企业较为关注的点之一。 目前，氯碱工业控制吸收液中碱含量的方式，基本以取样，离线化验为主，不仅时效性低，且需要工作人员频繁进入生产现场，增加了安全隐患。 笔者，近日采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]，对尾氯吸收液中的有效氯和游离碱进行了测量验证，结果如下： 下图是笔者采集十个样品的图谱，从图谱中，可以看出随着游离碱和有效氯浓度的变化，谱图变化也非常明显。 [img=,690,296]https://ng1.17img.cn/bbsfiles/images/2023/11/202311031531353310_9539_3542978_3.jpg!w690x296.jpg[/img] 建模后，用额外收集的两个已知浓度的吸收液进行验证，结果如下： [img=,690,134]https://ng1.17img.cn/bbsfiles/images/2023/11/202311031532167613_9500_3542978_3.jpg!w690x134.jpg[/img] 结论： 1、[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]，对尾氯吸收液中有效氯和游离碱的含量，检测结果符合预期。 2、实地建模，配合在线[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]，可以对尾氯吸收及次钠生产工艺较好的进行监测，准确判断有效氯和游离碱的含量变化。[/size]

HJ 637-2018 红外光谱仪测定水中油含量方法中，遇到一些问题，请各位大佬指教：1、当取样体积为500mL，萃取液体积为50mL，那么水样和萃取液的体积比例要求为10:1吗？[img=,690,113]https://ng1.17img.cn/bbsfiles/images/2022/04/202204200848061697_2819_5040696_3.png!w690x113.jpg[/img][img=,690,113]https://ng1.17img.cn/bbsfiles/images/2022/04/202204200848060964_3442_5040696_3.png!w690x113.jpg[/img]2、振荡吸附法制备石油类试样时用到的硅酸镁是加入蒸馏水配比后的硅酸镁吗，还是硅酸镁用马弗炉加热后冷却至室温可直接使用？硅酸镁作用是吸附什么？3、无水硫酸钠的作用是什么，油类试样制备时需用无水硫酸钠过滤，那么石油类试样制备时需要用无水硫酸钠过滤吗？4、水样及空白加标回收实验中，是在萃取之前加标还是在萃取液中加标？

Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]用于蛋白含量测定的可行性研究摘要：Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]与AntarisⅡ傅里叶变换[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]相比具有体积小、质量轻、便携的特点，更适合用于生产现场检测。本文采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url] 1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对蛋白含量进行检测，对其用于蛋白含量测定的可行性进行分析。通过相关系数法选出更合理的波段，提高模型的预测能力，从而建立了用于人血白蛋白原液蛋白含量快速检测的定量模型。关键词：微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]；蛋白含量测定；定量分析模型1材料1.1 试剂49个不同蛋白含量的样品：采用半微量凯氏定氮法进行蛋白含量的测定，测定得到17个样品的蛋白含量。用生理盐水稀释样品，共得到49个不同蛋白质含量的样品。1.2 仪器和软件Micro[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（JDSU公司，美国）； MATLAB 2015a处理软件（Mathworks，美国）；PLS_Toolbox工具箱（Eigenvector Research，美国）。2方法2.1样品光谱的采集采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]进行蛋白光谱的采集，采样方式为透射采样，波长范围908.1-1676.0 nm，积分时间为28000 μs，扫描次数为50次。用1 mm光程比色皿进行采样，每个蛋白样品采集3次，求其平均光谱作为样品光谱。每张[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]光谱由125个变量点组成。2.2校正集和验证集的划分样品集的划分采取SPXY分类算法，以1:1的比例进行校正集、验证集的划分，最终25个样品集被划分为校正集，24个样品被划分为验证集。分析样品的PCA得分图评价分类结果。2.3 预处理方法的选择采用标准化（Auto scale）、均值中心化（Mean Center）、一阶导数（First Derivative，FD）SG5点平滑、二阶导数（Second Derivative，SD）SG5点平滑等预处理方法进行了考察，以模型的RMSEP为指标，选择最佳的预处理方法。通过留一交互验证法，以RMSECV的值选择最佳主因子数。2.4光谱区间的选择采用Reverse iPLS方法、相关系数方法进行光谱区间的选择，优化光谱区间，以建立较优的模型。3 实验结果3.1近红外原始光谱图分析图1为Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]透射采样得到的原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]光谱图。从原始光谱图中无法得知有关蛋白含量的信息，因此本研究中需用化学计量学知识对样品的原始光谱进行处理。[align=center] [img=,475,213]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151936_01_1626619_3.png[/img][/align][align=center]图1原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]图[/align]3.2校正集和验证集的划分本研究选择SPXY算法，以1:1的比例进行校正集、验证集的划分，最终25个样品集被划分为校正集，24个样品被划分为验证集。图2为样品集的划分结果。图2为49个蛋白样品的前两个主成分的得分散点图，其中红色为验证集，灰色为校正集，从图中可知校正集样品和验证集的样品分散较好，这表明校正集、验证集划分较合理。[align=center] [img=,460,204]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151937_02_1626619_3.png[/img][/align][align=center]图2 样品主成分得分图[/align]3.3 光谱预处理结果本研究中，分别比较了Mean Center、Auto scale、平滑和导数以及不同处理方法组合的预处理方法对建模结果的影响，并以RMSEP作为模型的评价指标。表1为经不同预处理后的PLSR建模结果，由表中结果可知，经过二阶导数、SG5点平滑和Auto scale预处理后模型的Rp2提高， RMSEP明显下降，说明经过二阶导数、SG5点平滑和Auto scale预处理能够提高模型的有效性。图3为经预处理后较优模型的结果，模型结果为Rc2=0.993，Rp2=0.953，RMSEC=0.2143%，RMSEP=0.5354%，RMSECV=0.3382%。[align=center]表1不同预处理后各模型参数[/align][align=center][img=,638,223]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151938_01_1626619_3.png[/img][/align][align=center][img=,489,211]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151939_01_1626619_3.png[/img][/align] [align=center]图3二阶导数+SG平滑+Autoscale[/align]3.4 光谱区间选择结果分别采用Reverse iPLS方法、相关系数方法对模型的光谱区间进行优化，消除无关变量对模型的影响。以RMSEP值为指标来评价模型，其中RMSEP值越小模型结果越好。3.4.1Reverse iPLS选择波段本研究采用Reverse iPLS方法选择波段，考察50个变量间隔的选择结果。从图4可知，绿色部分为建模采用的波段，红色部分为舍弃波段范围。图5为采用Reverse iPLS方法选择的波段范围建立的模型的预测结果。其中RMSEP值有所降低，表明模型的预测误差降低。表明此区间包含的有效信息可提高模型的预测能力。[align=center][img=,532,234]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151940_01_1626619_3.png[/img][/align][align=center]图4 Reserve iPLS 选波段结果图[/align][align=center][img=,497,224]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151940_02_1626619_3.png[/img][/align][align=center]图5 Reserve iPLS法预测结果图[/align]3.4.2相关系数法选择光谱变量采用相关系数法求得光谱中各变量与蛋白浓度之间的相关系数图，相关系数越大，区间内包含的有效信息越多。图6为求得的相关系数图。[align=center][img=,483,211]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151942_01_1626619_3.png[/img][/align][align=center] 图6 相关系数图[/align]选择相关系数绝对值大于0.4的光谱区间建立近红外定量模型，选择建立模型的变量数为25个。图7为变量选择的结果图。[align=center][img=,520,229]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151943_01_1626619_3.png[/img][/align][align=center]图7 相关系数法变量选择图[/align]使用相关系数法选择的25个变量建立PLSR模型，建模结果见图8中所示。与全波段建模结果相比，模型的RMSEP值降低，表明模型的外部预测误差有所减小，从而提高了模型的准确性。[align=center][img=,474,209]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151945_01_1626619_3.png[/img][/align][align=center] 图8 建模结果图[/align]3.5 确定最佳定量分析模型采用二阶导数、SG5点平滑和Auto scale预处理后，使用Reverse iPLS方法和相关系数方法选择光谱的有效波段。两种变量选择方法建立的模型结果见表2所示。[align=center]表2不同变量建模结果比较[/align][align=center][img=,604,171]http://ng1.17img.cn/bbsfiles/images/2017/09/201709151946_01_1626619_3.png[/img][/align]经过比较，其中相关系数法选择25个变量建立的PLSR定量模型的预测均方根误差结果最小，说明建立模型的预测能力更佳。所以本研究采用二阶导数、SG5点平滑和Auto scale预处理后选择相关系数法确定25个变量建立最佳定量分析模型。模型结果为Rc2=0.977，Rp2=0.958，RMSEC=0.3983%，RMSECV=0.5653%，RMSEP=0.5334%。4结论和讨论本研究用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对建立的人血白蛋白原液蛋白含量定量分析模型的可行性进行分析。采用Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]对49个样品进行光谱采集，然后选择不同的光谱预处理方法进行预处理，经过结果比较选择二阶导数、SG5点平滑和Auto scale进行光谱预处理；采用Reverse iPLS方法和相关系数方法，对光谱的有效区间进行选择，最终使用相关系数法选择25个变量建立蛋白含量的最佳定量分析模型。所建立的模型结果为Rc2 =0.977，Rp2=0.958，RMSEC=0.3983%，RMSECV=0.5653%，RMSEP=0.5334%。此研究结果表明，Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]所建立的模型用于人血白蛋白原液中蛋白含量的检测是可行的，同时Micro [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]NIR[/color][/url]1700型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]以其质量轻、体积小以及成本低的优势，在蛋白快速检测方面将有广阔的应用前景。参考文献吴清, 周法根. 脑梗死治疗中白蛋白应用价值的探讨 . 心脑血管病防治, 2005, 5(2): 49-50.王华平, 米宇俊. 人血白蛋白治疗肾综合征出血热低血压休克患者疗效观察 . 医师进修杂志, 2001, 24(8):20-21.郑红光, 杨志藩, 关欣. 静脉输注人血白蛋白对肾病综合征的正负临窗效应观察 . 中国实用内科杂志, 2003, 23(1):25-27.刘丽萍. 人血白蛋白在肝硬化资料中的应用 . 中国医院用药评价与分析, 2013, 13(5):388-390.常花蕾, 史涛. 人血白蛋白临床不合理应用及改进措施 . 中国药物应用与监测, 2014, 11(1): 52-54.孙世光, 余明莲, 王建民, 张国辉. 人血白蛋白的临床应用误区及其对策 .解放军药学学报, 2009, 25(4):366-368.

[align=center][b]基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]法快速测定乳痛安口服液中主要成分含量[/b][/align][align=center]邰晓鹏[sup]1[/sup]，臧恒昌[sup]*[/sup][/align][b]摘要目的:[/b]本研究就医院内部自制乳痛安口服液为研究对象，针对现有乳痛安口服[url=https://insevent.instrument.com.cn/t/Yp][color=#3333ff]液质[/color][/url]量标准中检查项缺乏主要成分含量鉴别的问题，拟通过[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术测定样品中主要成分含量，以提升现有质量标准。[b]方法：[/b]利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术建立乳痛安口服液中三种主要成分咖啡酸、迷迭香酸、连翘苷等含量测定的PLS模型，以建立的高效液相方法测定的医院内部自制制剂乳痛安口服液的含量为一级数据，通过校正集与验证集的划分、光谱预处理，建模区间的选择、利用参数评价等各种方法，最终建立的医院内部自制制剂乳痛安口服液的定量分析模型。[b]结果：[/b]最终得到用于分析乳痛安口服液定量分析模型评价参数分别为：咖啡酸RMESC=0.873 μg/ml，RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852，R[sub]P[/sub]=0.9899；迷迭香酸 RMSEC=2.40 μg/ml，RMSEP=2.87 μg/ml，Rc=0.9810， R[sub]P[/sub]=0.9839；连翘苷RMSEC=0.00528mg/ml，RMSEP=0.00697mg/ml，R[sub]C[/sub]=0.9856，R[sub]P[/sub]=0.9823，得到的模型预测能力较好，能够用于乳痛安口服液中三种主要成分含量快速测定。[b]结论：[/b]本研究利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术建立的定量分析模型，可用于医院内部自制乳痛安口服液主要成分的快速测定，为医院内部自制乳痛安口服[url=https://insevent.instrument.com.cn/t/Yp][color=#3333ff]液质[/color][/url]量标准的提升提供了一定的参考。[b]关键词：[/b]乳痛安口服液；含量测定；[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术[align=center]RapidDetermination of Main Components in Rutongan Oral Liquid by Near InfraredSpectroscopy[/align][align=center]Xiao-pengtai[sup]1[/sup]，Zang-hengchang[sup]1*[/sup][/align][b]Abstract Objective[/b]: In this study, the hospital's internal self-made Ru Tonganoral liquid as the research object, aiming at the lack of identification ofmain components in the existing quality standards of the milk-Qian'an oralliquid, it is intended to determine the content of the main components in thesample by near-infrared spectroscopy. To improve the existing qualitystandards.[b]Methods:[/b]The near-infraredspectroscopy technique was used to establish a PLS model for determining thecontents of caffeic acid, rosmarinic acid, and forsythin in the three maincomponents of Ru Tong'an Oral Liquid. The level of hospitalized self-preparedpreparations of Rutongan oral liquid measured by the established HPLC methodwas first-class data. Through a variety of methods such as the division ofcalibration set and verification set, spectral preprocessing, selection ofmodeling intervals, and evaluation of parameters, a quantitative analysis modelof the hospital's self-prepared formulation, Rutongan oral liquid, was finallyestablished. [b]Results: [/b]The finalevaluation parameters used in the quantitative analysis model for analysis ofRu Tongan Oral Solution were: caffeic acid RMESC = 0.873 μg/ml, RMESP = 0.686μg/ml, RC = 0.9852, RP = 0.9899 rosemary acid RMSEC = 2.40 μg /ml, RMSEP =2.87 μg/ml, Rc = 0.9810, RP = 0.9839 Forsythin RMSEC = 0.00528 mg/ml, RMSEP =0.00697 mg/ml, RC = 0.9856, RP = 0.9823, the obtained model has better predictionability and can be used to quickly determine the contents of the three maincomponents in Ru Tong'an Oral Liquid. [b]Conclusion:[/b]Inthis study, the quantitative analysis model established by near-infraredspectroscopy analysis technology can be used to quickly determine the maincomponents of the self-made milk pain oral liquid in the hospital, whichprovides a certain reference for the improvement of the quality standard of theinternal homemade milk pain relief oral liquid.[b]Keywords: [/b]Rutongan Oral Liquid ContentDetermination Near Infrared Spectroscopy Technology[b]1 [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术简介[/b][url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的区域是可见光谱区与中红外之间的780 nm~2526 nm之间，近红外光反应含氢基团倍频与合频的吸收，由于含氢基团的有机化合物的种类非常多，因此[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术在很多的行业中具有广泛应用，几乎可以分析所有的有机化合物和混合物[sup][/sup]。在利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的过程中常应用化学计量学的方法寻找并确定被测物性质与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]间的函数关系，后经过校正得到模型，从而实现[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的应用[sup][/sup]。由于中药中有机物质成分较多，因此常利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术进行中药的定性和定量分析，吴利敏[sup][/sup]等人用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术快速鉴别五味子产地的研究，所建立的模型评价参数均较好，具有可应用性。胡甜[sup][/sup]等人采用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术对参枝苓口服液的生产过程进行了研究，为实现了参枝苓口服液生产过程的实时监控的；陈厚柳[sup][/sup]等人利用[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术结合移动窗口标准偏差法对银杏叶提取和层析过程进行了研究，达到在线控制的目的 倪开岭[sup][/sup]等人采用PLS结合[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]技术建立疏血通注射液浸提过程中总固体含量的快速测定，可用于指导生产。[b]2 材料和仪器2.1样品和试剂[/b]选取不同批次已经过原标准检验合格的医院内部自制乳痛安口服液，由山东省泰安市中心医院制剂室提供。[b]2.2仪器和软件[/b]日本岛津高效液相色谱仪（LC-10A）；Agilent 1200型高校液相色谱仪；MicroNIR 1700微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析仪（美国Viavi Solutions公司）；石英比色皿（绍兴市安德光学化学元件厂）；TQ Analyst软件用于光谱预处理与定量模型的建立[b]3 方法3.1 样品收集与处理[/b]收集四批（生产批号分别为150922、151013、151015、151018）共70个医院内部自制制剂乳痛安口服液样品。[b]3.2 [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]采集[/b]利用MicroNIR 1700微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]（配有透射采样附件）采集70个医院内部自制制剂乳痛安口服液样品的原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]，光谱扫描范围900~1700 nm，光程5 mm，积分次数：50，积分时间32000μs，以空白光路作为100%校正。[b]3.3 乳痛安口服液三种主要成分定量分析模型的建立[/b]通过对采集的医院内部自制制剂乳痛安口服液的校正集与验证集的划分，光谱预处理方法的依次选择，建模波段的不断优化，利用PLS将医院内部自制乳痛安口服液主要成分液相一级数据与[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]相关联，建立医院内部自制乳痛安口服液三种主要成分含量的定量分析模型，以R、RMSEC、RMSECV、RMSEP评价所建立的定分分析模型的性能。[b]3.3.1一级数据的获取[/b]收集70份已经做过液相色谱的医院内部自制制剂乳痛安口服液，按确定好的液相色谱条件进样，记录峰面积，利用所建立的相应线性关系计算三者的含量，作为[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]模型建立的一级数据。[b]3.3.2校正集、验证集样品的划分[/b]本研究采用随机划分的方法，将70个医院内部自制制剂乳痛安口服液按随机划分的方法将其划分为校正集与验证集，校正集用来使用于定量分析模型的建立，验证集用来使用于验证下一步所建立的模型的预测能力。[b]3.3.3光谱预处理方法的选择[/b]本研究中应用的TQ软件中光谱预处理方法包括S-G卷积求导和Norris求导两种方法。本研究中选用的光谱预处理方法包括导数、平滑方法对原始光谱进行预处理，从而建立医院内部自制乳痛安口服液中连翘苷含量的PLS定量分析模型。[b]3.3.4光谱最优区间的选择[/b]在[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]建模过程中，特征变量或特征波长的选择能够剔除无关变量，降低模型的复杂程度，使建立的模型更加稳健、提高模型预测能力。本研究选择全波段（900-1700 nm）和TQ推荐建模波段建立医院内部自制乳痛安口服液中三种主要成分含量的PLS模型。[b]3.3.5定量分析模型的建立与评价[/b]本文采用的校正方法是偏最小二乘回归法，PLS不仅对光谱矩阵进行分解，消除无用信息，同时对浓度矩阵做同样的处理，并且PLS在分解的过程中考虑了光谱矩阵和浓度矩阵的对应关系，使建立的模型更加可靠。本研究利用医院内部制剂乳痛安口服液校正集样品建立PLS模型。[b]4 结果与讨论4.1 样品[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url][/b]采集的70个医院内部自制制剂乳痛安口服液样品的原始[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]如图4-1所示[align=center][img=,505,272]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241434459369_3289_3237657_3.jpg!w505x272.jpg[/img][/align][align=left]从原始光谱中可以看出光谱重叠严重，不同样品光谱相似性极高，需要利用化学计量学方法对医院内部自制制剂乳痛安口服液的原始光谱进行下一步的预处理。[/align][b][/b][align=left][b]4.2 咖啡酸定量分析模型的建立[/b][/align][align=left][b]4.2.1 HPLC测定咖啡酸含量结果[/b][/align][align=left]HPLC法测定不同批号的乳痛安口服液中咖啡酸含量如表4-1所示[/align][align=center][img=,600,331]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241436156398_2033_3237657_3.jpg!w600x331.jpg[/img][/align][align=center][img=,575,480]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241436297142_8877_3237657_3.jpg!w575x480.jpg[/img][/align][align=left][b]4.2.2异常样本的剔除[/b]样本中异常值的存在会在一定程度对建模的效果有干扰，本研究中选用马氏距离方法判别异常点的存在，该方法是浓度异常样本判别的一种方法，异常样本判断结果如图4-2所示，从图中可以看出1号和66号样本可作为异常值剔除。[/align][align=center][img=,598,233]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241437210907_5659_3237657_3.jpg!w598x233.jpg[/img][/align][align=left][b]4.2.3样品集划分结果[/b]医院内部自制制剂乳痛安口服液的校正集与验证集划分结果如表4-2所示，从下面的表中可以看出医院内部自制制剂乳痛安口服液的验证集浓度范围包含于其校正集浓度范围之中，并且校正集与验证集的浓度均值也很相近，从图4-3可看出，医院内部自制制剂乳痛安口服液的验证集均匀地分布于校正集之中，证明样品集采用的划分方法合理。[/align][align=center][img=,639,385]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241438126579_7623_3237657_3.jpg!w639x385.jpg[/img][/align][align=left][b]4.2.4光谱预处理结果[/b][/align][align=center][b][img=,601,265]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241439168323_8720_3237657_3.jpg!w601x265.jpg[/img][/b][/align][align=center][b][img=,567,271]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241439284191_2107_3237657_3.jpg!w567x271.jpg[/img][/b][/align][align=left][b]结果如表4-3所示，从表中可以看出医院内部自制制剂乳痛安口服液的原始光谱建模结果较差，需要通过预处理提取建模有效信息，经MSC或SNV预处理后，模型参数提升，经过得到的结果对比决定最终选择二阶导数+Norris（7点平滑+3点差分宽度）+MSC为最佳预处理方法，其RMESC与RMSEP值较其他预处理方法偏小，模型相关系数较其他方法较高，接近于1，具体参数为RMESC=0.873 μg/ml，RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852，R[sub]P[/sub]=0.9899, 预处理后光谱图如图4-4所示。[/b][/align][align=center][b][img=,555,355]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241440211414_4355_3237657_3.jpg!w555x355.jpg[/img][/b][/align][align=left][b][b][/b][/b][/align][b][/b][align=left][b]4.2.5 光谱区间选择结果[/b][/align][align=left]本研究比较全波段光谱建模效果与TQ推荐波段建模效果，结果见表4-4，TQ推荐波段为1548-1598 nm与1549-1442 nm，从表中可知，TQ推荐波段建模效果不如全波段建模，可能是推荐波段丢失有效信息较多。[/align][align=center][img=,609,182]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241441540560_2843_3237657_3.jpg!w609x182.jpg[/img][/align][align=center][img=,599,539]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241442070720_8723_3237657_3.jpg!w599x539.jpg[/img][/align][align=center][img=,600,249]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241442196256_190_3237657_3.jpg!w600x249.jpg[/img][/align][align=left][b]4.2.6 主因子数的选择[/b]主因子数的选择对建模结果也有较大影响，主因子数过多可能存在过多噪音，影响模型结果，如选取的主因子数过少，则会丢失较多有效信息，拟合不充分，本研究在最佳预处理方法与最佳建模波段的基础上选用交互验证方法，以预测残差平方和（PRESS）为依据，见图4-6，比较主因子数为6、7、8时对建模结果的影响，如表4-5所示，经比较主因子数为8时建模效果最优，模型如图4-7所示。[/align][align=center][img=,594,391]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241443420245_7203_3237657_3.jpg!w594x391.jpg[/img][/align][align=center][img=,448,646]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241444225425_8834_3237657_3.jpg!w448x646.jpg[/img][/align][align=center]图4-7 不同主因子数建模结果（A主因子为6，B为7,C为8）[/align][align=left][b]4.2.7 咖啡酸定量分析模型的建立与评价[/b]综上所述，本研究以马氏距离为依据，剔除1号和66号异常样本样本数据，以二阶导数+Norris（7点平滑+3点差分宽度）+MSC为最佳预处理方法，全波段建模时建立乳痛安口服液中咖啡酸含量最佳PLS模型，模型RMESC=0.873 μg/ml，RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852，R[sub]P[/sub]=0.9899, 建模结果如图4-8所示。[/align][align=center][img=,547,252]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241445326325_663_3237657_3.jpg!w547x252.jpg[/img][/align][align=left][b]4.3 迷迭香酸定量分析模型的建立4.3.1 HPLC测定迷迭香酸含量结果[/b] HPLC法测定不同批号的乳痛安口服液中迷迭香酸含量如表4-6所示[/align][align=center][img=,598,575]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241446384611_6293_3237657_3.jpg!w598x575.jpg[/img][/align][align=center][img=,586,235]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241446539287_4900_3237657_3.jpg!w586x235.jpg[/img][/align][align=left][b]4.3.2异常样本的剔除[/b]同样以马氏距离方法判断，如图4-9所示，从图中可以看出1号和66号样本可作为异常值剔除。[/align][align=center][img=,566,242]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241447518631_7790_3237657_3.jpg!w566x242.jpg[/img][/align][align=left][b]4.3.3校正集验证集样本划分结果[/b]本研究利用TQ随机划分校正集与验证集，其中校正集52个样品，验证集16个样品，校正集与验证集划分结果如表4-7所示，校正集浓度范围包含验证集浓度范围，且校正集与验证集浓度均值相近，从图4-10校正集与验证集主成分得分图中可以明显看出样品集的划分合理。[/align][align=center][img=,597,119]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241448558611_3305_3237657_3.jpg!w597x119.jpg[/img][/align][align=center][img=,589,287]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241449107893_2292_3237657_3.jpg!w589x287.jpg[/img][/align][align=left][b]4.3.4光谱预处理结果[/b]本研究通过对比原始光谱经无预处理、一阶导数、二阶导数、SG平滑四种预处理方法单独或组合应用对建模结果的影响，如表4-8所示，因此本研究最终确定的最佳光谱预处理方法为一阶导数+SG5点平滑+MSC，如图4-11所示，模型参数如下：RMSEC=2.40 μg/ml，RMSEP=2.87 μg/ml，R[sub]C[/sub]=0.9811，R[sub]P[/sub]=0.9839。[/align][align=center][img=,586,317]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241450058648_6602_3237657_3.jpg!w586x317.jpg[/img][/align][align=center][img=,564,306]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241450194541_595_3237657_3.jpg!w564x306.jpg[/img][/align][align=left][b]4.3.5光谱区间选择结果[/b]TQ 推荐最佳光谱区间为1066-1177 nm、1004-1040 nm，分别利用推荐波段与组合运用建立模型，与全波段建模结果对比如表4-9 所示，从表中可以看出，全波段建模效果最优，分析TQ推荐波段丢失了部分有效信息，从而使建模结果较差。[/align][align=center][img=,590,195]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241452477360_7764_3237657_3.jpg!w590x195.jpg[/img][/align][align=left][b]4.3.6迷迭香酸定量分析模型的建立与评价[/b]综上所述，本研究选择二阶导数SG5点平滑为预处理方法，主成分数为10时，全波段建模所得模型为医院自制乳痛安口服液迷迭香酸含量定量分析模型。模型校正集相关参数RMSEC=2.40 μg/ml，R[sub]C[/sub]=0.981，验证集相关参数为RMSEP=2.87 μg/ml，R[sub]P[/sub]=0.9839, 所建模型预测能力较好。[b]4.4连翘苷定量分析模型的建立4.4.1 HPLC测定连翘苷含量结果[/b]HPLC法测定乳痛安口服液中连翘苷含量如表4-10所示。[/align][align=center][img=,562,663]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241454410144_9553_3237657_3.jpg!w562x663.jpg[/img][/align][align=center][img=,601,131]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241455019691_5499_3237657_3.jpg!w601x131.jpg[/img][/align][align=left][b]4.4.2校正集验证集样本划分结果 [/b]根据对医院内部自制制剂乳痛安口服液样本的随机划分结果，校正集与验证集浓度范围如表4-11所示，从划分结果可知医院内部自制制剂乳痛安口服液的校正集样品浓度范围包含验证集样品浓度范围，且校正集与验证集浓度均值相近，样品集划分合理。[/align][align=center][img=,590,105]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241455521481_4380_3237657_3.jpg!w590x105.jpg[/img][/align][align=left][b]4.4.3光谱预处理结果[/b]对比无预处理、一阶导数、二阶导数、SG平滑四种预处理方法对建模结果的影响，如表4-12所示，从表中可以看出原始光谱经过预处理后基线漂移现象消除，经过对比发现原始光谱经二阶导数SG7点平滑处理后，所建立的连翘苷含量定量分析模型评价参数与其他方法相比较优，R[sub]C[/sub]=0.9890，R[sub]P[/sub]=0.9834，RMSEC=0.0046 mg/ml，RMSEP=0.00802 mg/ml，模型的预测能力还是比较理想，预处理后光谱如图4-13所示。[/align][align=center][img=,586,321]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241457188331_515_3237657_3.jpg!w586x321.jpg[/img][/align][align=center][img=,491,307]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241457575960_3810_3237657_3.jpg!w491x307.jpg[/img][/align][align=left][b]4.4.4光谱区间选择结果[/b]本研究中TQ建议波段为1201.89-1047.00nm，比较建议波段建模结果与全波段建模结果如表4-13所示。[/align][align=center][img=,591,137]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241459094801_8900_3237657_3.jpg!w591x137.jpg[/img][/align][align=left]从上表中可以看出全波段建模结果与建议波段建模结果相近，但与全波段建模相比，建议波段的RMSECV与RMSEP值差异较小，且全波段建模模型的主因子数10，选取的主因子过多，可能存在过拟合的现象，而推荐波段建模主因子数为5，认为选择较合理，留一法交互验证PRESS结果图如图4-14所示。[/align][align=center][img=,376,236]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241459532781_5909_3237657_3.jpg!w376x236.jpg[/img][/align][align=left][b]4.4.5连翘苷定量分析模型的建立与评价[/b]综上所述，本研究选择二阶导数SG7点平滑为预处理方法，光谱区间为1047-1202 nm，主成分数为5时建立所建模型为最佳连翘苷含量定量分析模型，模型校正集与验证集相关系数在0.98以上，模型预测能力较高，可用于乳痛安口服液中连翘苷含量的快速分析，建模结果见图4-15。[/align][align=center][img=,616,325]http://ng1.17img.cn/bbsfiles/images/2018/07/201807241500363169_2920_3237657_3.jpg!w616x325.jpg[/img][/align][align=left][b]5 结论与讨论[/b]本研究建立了微型[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱仪[/color][/url]用于快速测定医院内部自制制剂乳痛安口服液中蒲公英主要成分咖啡酸、夏枯草主要成分迷迭香酸、连翘中主要成分连翘苷的定量分析模型。通过对比几种预处理方法对医院内部自制制剂乳痛安口服液的建模结果影响，结果表明医院内部自制制剂乳痛安口服液中咖啡酸最佳预处理方法为二阶导数+Norris（7点平滑+3点差分宽度）+MSC为最佳预处理方法，全波段建模时建立医院内部自制制剂乳痛安口服液中咖啡酸含量最佳PLS模型，结果表明主因子数为8时模型最优，相关参数为RMESC=0.873 μg/ml，RMESP=0.686 μg/ml, R[sub]C[/sub]=0.9852，R[sub]P[/sub]=0.9899；乳痛安口服液中迷迭香酸最佳预处理方法为二阶导数SG5点平滑，主成分数为10时，全波段建模所得模型为最佳模型，模型校正集相关参数RMSEC=2.40 μg/ml，R[sub]C[/sub]=0.981，验证集相关参数为RMSEP=2.87μg/ml，R[sub]P[/sub]=0.9839；乳痛安口服液中连翘苷最佳预处理方法为二阶导数+S-G7点平滑，在最佳预处理方法的基础上对比全波段与TQ推荐波段建模参数的差异翘苷最佳建模波段为1047-1202 nm，所建模型R[sub]C[/sub]=0.9856，R[sub]P[/sub]=0.9823，RMSEC=0.00528mg/ml，RMSEP=0.00697 mg/ml。从所建立的模型可以直观地看出乳痛安口服液中咖啡酸、迷迭香酸、连翘苷含量差异较大，且迷迭香酸与连翘苷含量分布不均匀，说明产品一致性有待改善提高。[b]参考文献[/b] 董芹. 基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术的透明质酸分子量及含量快速检测研究. 山东大学,2011. 熊英. [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的原理及应用. 中山大学研究生学刊(自然科学.医学版),2013,34(02):16-30. 吴利敏. [url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]法快速检测某些中药及中成药品质的应用研究. 西南大学,2013. 胡甜. 参枝苓口服液生产过程[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]分析技术过程控制应用研究. 山东大学,2016. 陈厚柳. 银杏叶提取和层析过程在线质量控制方法研究. 浙江大学,2015. 倪开岭,吴春艳,刘雪松. 基于[url=https://insevent.instrument.com.cn/t/1p][color=#3333ff]近红外光谱[/color][/url]的疏血通注射液浸提过程总固体含量分析. 中国现代应用药学,2015,32(08):970-975.[/align][align=left][b][/b][/align]