近红外光谱技术快速测定西洋参饮片中水分的含量

吕亚新，左春芳，陈文举，罗蔓菲

西洋参为五加科植物西洋参Panax quinquefolium L.的干燥根，性凉、味甘、微苦，具有滋阴补气、宁神益智及清热生津、降火消暑的双重功效，在保护心脑血管、增强神经系统功能、调节胰岛素分泌及增强免疫力方面也有很好的效果。水分含量是影响饮片质量的重要因素，适宜的水分含量，既可以保证药材的药效又对药材的储藏有利［1，2］，因此控制西洋参饮片的水分含量是控制西洋参饮片质量的必要因素。

传统判断中药饮片中水分含量的方法为“以手摸之干燥”这一感性的标准来判断，远远达不到控制药材质量的目的。《中国药典》中虽然也规定了准确测定西洋参饮片中水分含量的方法——烘干法［3］，但该方法过程烦琐，不适合快速分析大量样品，因此需要一种简单快速的方法来测定饮片中的水分含量。近红外光谱技术是一种投资及操作费用低、样品前处理简单、不用试剂、不污染环境、测定速度快且准确，既可定性也可定量的分析方法。因此该研究采用近红外光谱技术对西洋参中的水分含量进行定量测定，以达到对西洋参进行质量控制的目的［4-6］。

1 仪器与试药

1.1 仪器近红外光谱分析仪： 美国Thermo Nicolet 公司Nicolet 6700 型；分析软件：TQ 8.0；分析天平：XS105 梅特勒-托利多；粉碎机：浙江温岭市大海药材器械厂RT-01 型；电热鼓风干燥箱：南京实验仪器厂DGF30/4-ⅡA。

1.2 试药西洋参为不同批次的西洋参饮片87份，记为S1、S2、S3、S4、S5、S6、S7、S8、S9、S10、S11…… S83、S84、S85、S86、S87，购自不同的药店。经相关专家鉴定为五加科人参属西洋参。

2 结果

2.1 西洋参饮片中水分含量的测定根据2015 版《中国药典》第四部通则0832 水分测定法中“烘干法”对西洋参中水分进行测定。具体方法：取供试品3 g，平铺于干燥至恒重的称量瓶中，精密称定，样品厚度不超过5 mm，在105 ℃条件下干燥5 h，将称量瓶盖好瓶盖放于干燥器中放冷30 min，然后精密称定，再在上述温度下干燥1 h，放冷，称重，直至连续两次称量的差异不超过5 mg。根据减失的重量，计算水分含量。结果见表1。

2.2 西洋参中水分的近红外定量模型的建立及其验证

2.2.1 近红外光谱的采集 将87 批样品粉碎，过四号筛，每批取约5 g，混合均匀，然后放入石英杯中，轻轻摊平，按下述实验条件采集光谱。采样方式：积分球漫反射；采集光谱范围4000～12000 cm-1；分辨率8 cm-1；扫描次数32 次；温度（25±2）℃，相对湿度45%～55%。每份样品扫描3 次，87 份西洋参饮片的NIR 光谱见图1。

图1 见封三。

图1 87 批西洋参饮片的近红外光谱叠加图

2.2.2 校正集和验证集的选择 将表1 中的测定结果输入TQ8.0 分析软件进行数据处理，随机选择70 份作为建立模型的校正集、17 份作为验证集，同时保证验证集样品的含量在校正集含量的范围内。具体分布见表2。

2.2.3 光谱预处理方法的选择 对光谱进行预处理，可以消除外部环境、仪器状态等对模型的影响。结合偏最小二乘法（PLS）建立校正模型，对不同光谱预处理方法建模得到的内部交叉验证均方差（RMSECV）、决定系数（R2）进行比较，其中RMSECV 越小，R2越接近1 说明效果越好，详见表3。从表3 可知，采用一阶导数法对光谱进行预处理后效果最好。

表1 西洋参水分的测定结果

表2 校正集和验证集中水分的含量分布

表3 不同预处理方法对模型性能的影响

2.2.4 模型波段的选择 通过比较不同的波段建模的R2和RMSECV 值，可以看出5601.22～9541.87 cm-1为最佳波段，详见表4。

表4 建模区间的选择对模型性能的影响

2.2.5 主因子数的选择 主因子数对PLS 定量分析模型的RMSECV 的影响见图2。从图2 可以看出，RMSECV（0.06877）最小时的主因子数8 为最佳因子数。

图2 校正集RMSECV 与Factor 之间相关图

2.2.6 校正模型的建立 运用TQ 8.0 定量分析软件，选择一阶导数法对光谱预处理、波段在5601.22～9541.87 cm-1、主因子数为8，结合PLS 法建立校正模型。70 份校正集样品NIR 预测值与参考值的相关图和偏差图见图3、图4。由图可知校正集样品的预测值均匀地分布在回归线的两侧，预测值接近参考值，该模型成功建立。

2.2.7 水分定量模型的验证 将17 批验证集样品的NIR 图谱输入定量模型中，将得到的NIR 预测值与参考值进行比较，计算回收率，得平均回收率为100.52%，结果见表5。对预测值和实参考值进行t检验，t=-1.048，P=0.310>0.05，认为预测值和参考值之间的差异无统计学意义，证明该模型可以预测西洋参饮片中水分的含量。

图3 水分的预测值与参考值之间相关图

图4 水分的预测值与参考值之间的偏差图

3 讨论

近红外光谱技术是根据合适的化学计量方法把样品的近红外光谱与样品的参考值关联起来建立的校正模型，是一种间接的测定方法［7］。该方法需要收集足够多的有代表性的样品并获得准确的样品参考值，来建立准确可靠的模型，该研究收集了不同批次的西洋参饮片并按照药典规定的烘干法进行测定，通过验证证明该模型可以用于所收集批次的西洋参中水分的测定。

近红外光谱技术定量模型建立常用分析方法有主成分分析法（PCA）、多元线性回归法（MLR）和偏最小二乘法（PLS），而PLS 兼具MLR 和PCA 的优点，所以是一种非常常用的校正方法［8］。因此该研究选择PLS 法作为定量分析模型的校正方法。

近红外光谱数据，除含有样品本身的信息外，还掺杂了好多不需要的干扰信号，为了消除无关信息和噪声，提高数据分析的准确性，必须对光谱进行预处理，常见的预处理方法有多元散射校正（MSC）、标准归一化（SNV）和一阶导数法等，不同光谱预处理方法得到的RMSECV 越小、R2越接近1，说明效果越好；另外合适的波段可以提取有效的图谱信息，降低噪声，减少干扰信息，提高灵敏度。该研究选择R2为0.99189 和RMSECV 为0.06877 对应的一阶导数法和波段 （5601.22～9541.87 cm-1）为最优预处理方法和最佳波段。

表5 预测值与参考值结果比较

主因子数的选择对所建模型有非常大的影响，主因子数多，噪声等影响因素会增多，从而影响模型的预测能力，主因子数少，模型包含的信息又太少，也会影响模型的准确性。该研究选择RMSECV（0.06877）最小时的主因子数8 为最佳因子数。

该研究采用决定系数（R2）、内部交叉验证均方差（RMSECV）对模型建立的精确度和准确度进行验证评价，R2代表模型预测值与参考值之间的相关性，R2越接近1 说明模型建的越成功，RMSECV 为模型的校正标准偏差，RMSECV 越小，预测值越接近参考值［9］。

综上所述，该方法简单、安全无污染、预测结果准确，可以用于西洋参中水分的含量测定。