本发明属于药物分析
技术领域：
，特别涉及一种近红外光谱快速无损测定醒脑静口服制剂中麝香酮含量的方法。二、
背景技术：
：“醒脑静口服制剂”是由栀子、郁金、冰片和麝香四味药物组成，作为脑血管意外、中枢神经系统感染引起的昏迷抽痉、中毒性脑病，颅脑外伤引起的脑水肿，颅内压升高引起的昏迷等症治疗的药物，在临床上具有广泛的应用，具有广泛的临床用药基础，且疗效显著。近红外(NIR)光谱技术作为一种快速无损的绿色分析技术，具有快速分析、样品处理简单、无需消耗试剂等特点。近年来，近红外光谱技术已经越来越多的被应用于中药研究，包括药材产地鉴别、有效组分含量测定和制药过程的在线检测和监控。近红外光谱技术的引入为解决复杂中药体系蒸馏过程的质量快速评价及在线检测提供了可能。目前醒脑静口服制剂中麝香酮的含量为气相色谱法，该方法样品前处理复杂，过程繁琐、耗时长、费用高、污染环境，不能满足快速无损在线分析的需要。因此，我们引入近红外的检测方法对中间产品进行控制。三、技术实现要素：针对以上醒脑静口服制剂分析技术现状，本发明提供的近红外光谱快速无损测定麝香酮含量的方法，不需进行样品前处理，可以实现高通量、在线无损分析，结果准确可靠，误差小于5％，解决了现有麝香酮检测操作繁琐费时，检测样品不能再次利用等问题。本发明的技术解决方案如下：利用醒脑静口服制剂中间产品近红外光谱中包含的主要成分及待测量的信息，以近红外光谱扫描样品，就能取得其中有效成分以及它们的背景信息，利用化学计量学中多元校正的方法实现了从样品中无损测定有效成分麝香酮的含量。本发明选择适合的谱区以及何时光谱预处理方法，同化学计算学多元校正的方法建立样品的近红外光谱特征和带测量之间的数学模型，利用该数学模型子要无损测定样品中麝香酮的含量。本发明中采用的化学计量学多元校正，对连续波长近红外光谱的算法为偏最小二乘法和人工神经网络算法。对光谱的预处理方法包括一阶导数、二阶导数、傅立叶变换、卷积光滑和小波变换。为此，本发明提供一种快速检测醒脑静口服制剂中麝香含量的方法，所述方法包括以下步骤：步骤1，采集多个批次的合格的已知含量的醒脑静口服制剂；步骤2，用近红外光谱仪对其进行扫描，得到光谱图，经过处理得到标准的醒脑静口服制剂近红外光谱图以及标准麝香酮含量曲线；步骤3，对生产出的未经检测的醒脑静口服制剂，采用步骤2同样的方法用近红外光谱仪对其进行扫描，根据扫描得到的近红外光谱图，将所得近红外光谱图和标准的醒脑静口服制剂近红外光谱图进行对照计算，即可得到样品中麝香酮含量。其中，步骤1所述含有麝香酮的样品为颗粒，片剂或胶囊剂。其中，步骤2中所述近红外光谱仪，光谱条件如下：积分球漫反射，分辨率为8cm-1，扫描次数为32次，扫描光谱范围4000～10000cm-1。其中，步骤3所述的计算，其方法是，采用经过校正的近红外光谱图和麝香酮含量之间的数学模型。其中所述的数学模型，建立方法如下：a.获取样品集：选取醒脑静口服制剂各n批次，n不小于10，每批次选取样品数不小于6；b.样品近红外光谱测定：将样品直接嵌入空白板中央，以BaSO4作为空白，置于近红外检测仪积分球样品槽，通过近红外光扫描得到麝香酮吸收光谱图，记录各样品在近红外光谱区的吸收光谱；c.样品有效成分测定：对样品按气相色谱法测定麝香酮含量。具体方法如下：色谱条件：以(50％-苯基)-甲基聚硅氧烷为固定相的毛细管柱(柱长为30m，内径0.32mm，膜厚度0.5Fm)；柱温为程序升温；初始温度100℃，以每分钟10℃的速率升温至200℃，保持20分钟。理论板数按麝香酮峰计算应不低于20000。样品制备：取样品适量，研细，取约1.5g，精密称定，置具塞锥形瓶中，精密加入乙酸乙酯5ml，称定重量，超声30分钟，放置至室温，用乙酸乙酯补足减失的重量，摇匀，离心，取上清液，滤过，即得。测定：分别精密吸取对照品溶液和供试品溶液，注人气相色谱仪，测定，即得。d.建立校正模型：对样品集中每一个样品利用近红外光谱仪进行数据采集，得到麝香酮含量的原始数据，经过光谱预处理与谱区选择，得到麝香酮含量特征光谱信息，与气相色谱法中测定中得到的样品麝香酮含量相对应，采用多元校正法建立校正模型；e.模型的验证：取通过气相测定法得到已知含量的醒脑静口服制剂样品，相同条件下测定近红外光谱，根据已建立的校正模型计算样品含量，判定样品集是否有界外点，正确认定以后，加入界外点重新按校正模型建立步骤重新建立校正模型，如此步骤，对校正模型不断完善直至误差＜5％；f.待测样品分析：待测样品扫描近红外光谱，提取特征光谱，输入校正模型即能计算出样品中麝香酮的含量。其中，标准样品光谱的测定条件为：积分球漫反射，分辨率为8cm-1，扫描次数为32次，扫描范围为4000～10000cm-1；利用近红外光谱仪对样品进行数据采集，每个样品重复采集3次，取平均光谱，采用opus/quant-2定量分析软件，对光谱进行预处理和谱区选择，去掉高频噪音对信号的干扰，消除散射效应，扣除仪器背景或漂移对信号的影响，得到样品中麝香酮含量特征光谱信息，采用多元校正法进行数学模型建立。其中，计算机演算是利用化学计量学的多元校正方法。采用的化学计量学多元校正包括对连续波长近红外光谱为偏最小二乘法或主成分回归算法，光谱预处理方法包括一阶导数、二阶导数、傅立叶变换、卷积光滑和小波变换。优选的，本发明所述的方法，步骤如下：取含有醒脑静口服制剂适量，约0.5～3g，样品无需处理即为待测物；直接平铺在石英样品杯中，混合均匀，轻轻压平，以近红外光谱仪进行扫描。每个样品重复扫描3次，求平均光谱。光谱条件如下：积分球漫反射，分辨率为8cm-1，扫描次数为32次，扫描范围为4000～10000cm-1。以光谱预处理方法提取特征光谱信息。将所获得的特征光谱信息输入校正模型，计算得样品中麝香酮含量。和现有类似方法相比，本发明的优点：1、本发明将近红外在线分析技术用于麝香酮含量测定，首次用于醒脑静口服制剂主要有效成分的含量监控，从而保证了药品的有效性。2、该方法通过以上数学模型的建立，找到了一种简单有效，精确灵敏的测定样品中麝香酮含量的方法。3、解决了现有技术中样品处理复杂，过程繁琐、耗时长、费用高、污染环境，不能满足快速无损在线分析的需要的缺陷。四、附图说明：图1麝香酮含量PLS校正模型参考值和预测值相关关系图五、具体实施方式通过以下实施例进一步描述本发明，并不以任何方式限制本发明，在不背离本发明的技术解决方案的前提下，对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。实施例1步骤1收集醒脑静口服制剂颗粒15批次，每批次采集20个样品，共300个样品作为建模样品，无需对样品进行处理，可直接作为待测样品。步骤2取约0.5～3g直接放入石英样品杯，混合均匀，轻轻压平，以BaSO4作为空白，置于近红外检测仪积分球样品槽，通过近红外光扫描得到麝香酮吸收光谱图，测样方式：积分球漫反射，分辨率为8cm-1，扫描次数为32次，扫描范围为4000～10000cm-1，室温：18-25℃，每个样品重复扫描3次，记录各样品在近红外光谱区的吸收光谱，选择Firstderivative+Vectornormalization进行光谱预处理(表1)，提取特征光谱信息。使用气相测定此300个样品的麝香酮含量。利用偏最小二乘法，建立样品中麝香酮含量与特征光谱数据相对应的数学校正模型。通过不断验证和完善校正模型，确定建模的最佳波段范围(表2)为：5600-8000cm-1。说明麝香酮近红外光谱与其麝香酮含量之间存在较好的相关性。表1不同光谱预处理方法对校正模型的影响表2不同谱区范围对校正模型的影响波段/cm-1R2RMSECV4200-56000.95360.04215600-80000.97240.04096100-100000.94390.0454模型的验证：根据校正样品集有代表性样品的选择，除建立校正样品集之外的50份样品，在相同条件下测定其近红外区的吸收光谱，根据已建立的偏最小二乘法校正模型计算样品中麝香酮含量，得到的NIR预测值与其含量真值的相关系数为0.9812，RMSEP＝0.0190。步骤3预测未知含量样品中麝香酮含量：按上述条件扫描其近红外光谱图，经过相应光谱预处理和谱区选择，将提取的特征光谱输入校正模型，计算出样品中麝香酮含量。所测的含量与实际含量的偏差为1.32％。实施例2步骤1收集醒脑静口服片剂15批次，每批次采集20个样品，共300个样品作为建模样品，样品无需处理即为待测物步骤2将样品直接放置光纤探头前端，以BaSO4作为空白，置于近红外检测仪积分球样品槽，通过近红外光扫描得到麝香酮吸收光谱图，测样方式：积分球漫反射，分辨率为8cm-1，扫描次数为32次，扫描范围为4000～10000cm-1，室温：18-25℃，每个样品重复扫描3次，记录各样品在近红外光谱区的吸收光谱，选择Firstderivative+Vectornormalization进行光谱预处理(表1)，提取特征光谱信息。使用气相法测定此300个样品的麝香酮含量。利用偏最小二乘法，建立样品中麝香酮含量与特征光谱数据相对应的数学校正模型。通过不断验证和完善校正模型，确定建模的最佳波段范围(表2)为：5600-8000cm-1。说明麝香酮近红外光谱与其麝香酮含量之间存在较好的相关性。模型的验证：根据校正样品集有代表性样品的选择，除建立校正样品集之外的50份样品，在相同条件下测定其近红外区的吸收光谱，根据已建立的偏最小二乘法校正模型计算样品中麝香酮含量，得到的NIR预测值与其含量真值的相关系数为0.9921，RMSEP＝0.0185。步骤3预测未知含量样品中麝香酮含量：按上述条件扫描其近红外光谱图，经过相应光谱预处理和谱区选择，将提取的特征光谱输入校正模型，计算出样品中麝香酮含量。所测的含量与实际含量的偏差为1.22％。实施例3步骤1收集醒脑静口服胶囊15批次，每批次采集20个样品，共300个样品作为建模样品，无需对样品进行处理，可直接作为待测样品。步骤2胶囊样品直接放置光纤探头前端，以BaSO4作为空白，置于近红外检测仪积分球样品槽，通过近红外光扫描得到麝香酮吸收光谱图，测样方式：积分球漫反射，分辨率为8cm-1，扫描次数为32次，扫描范围为4000～10000cm-1，室温：18-25℃，每个样品重复扫描3次，记录各样品在近红外光谱区的吸收光谱，选择Firstderivative+Vectornormalization进行光谱预处理(表1)，提取特征光谱信息。使用气相法测定此300个样品的麝香酮含量。利用偏最小二乘法，建立样品中麝香酮含量与特征光谱数据相对应的数学校正模型。通过不断验证和完善校正模型，确定建模的最佳波段范围(表2)为：5600-8000cm-1。说明麝香酮近红外光谱与其麝香酮含量之间存在较好的相关性。模型的验证：根据校正样品集有代表性样品的选择，除建立校正样品集之外的50份样品，在相同条件下测定其近红外区的吸收光谱，根据已建立的偏最小二乘法校正模型计算样品中麝香酮含量，得到的NIR预测值与其含量真值的相关系数为0.9895，RMSEP＝0.0119。步骤3预测未知含量样品中麝香酮含量：按上述条件扫描其近红外光谱图，经过相应光谱预处理和谱区选择，将提取的特征光谱输入校正模型，计算出样品中麝香酮含量。所测的含量与实际含量的偏差为1.03％。计算方法如下：数学模型的评价参数：R2，RMSECV，RMSEP的具体计算公式：1、R2：相关系数R2越近1，校正模型预测值与真实值越接近；R2＝1，预测值与真实值完全拟合；R2为负数，拟合效果差。2、RMSECV:交叉验证误差均方根RMSECV越小，模型预测精度越高3、RMSEP：预测误差均方根评估所建模型的预测性能，RMSEP越小，模型预测精度越高。各式中:Ci——传统分析方法测量值；Ci’——通过校正模型预测值；Cm-Ci的平均值；n——建立校正模型的样本数；m——检验模型的样本数。当前第1页1 2 3