基于太赫兹时域光谱成像的胶囊鉴别技术的制作方法

本发明涉及一种基于太赫兹时域光谱成像的胶囊检测方法，属于太赫兹时域光谱检测技术领域。

背景技术：

在医学领域，由于某些药物对食道和胃粘膜有强烈刺激性，或口感不好、易于挥发、在口腔中易被唾液分解，便把药装入胶囊，既保护了药物药性不被破坏，也保护了消化器官和呼吸道。

近年来，太赫兹技术发展速度迅猛，在通信、探测、光谱等领域都有着较为广阔的应用前景。太赫兹(THz)脉冲，又称太赫兹射线、太赫兹辐射，是指频率在100GHz-10THz，波长在波长在3mm-30um(1THz＝1012Hz)范围内、介于微波和红外波之间的电磁辐射，又被称为T射线，T波等，在历史上也常常被称为亚毫米波或者远红外波。较之其他波，太赫兹波具有其独特的特性：

1.太赫兹波是一种低能量的波段，不同于X射线，不会对人体造成伤害，因此它的安全系数比较高；2.太赫兹波能够提供物质分子之间作用力，大分子基团等的振动信息，所以为物质鉴别提供了便利；3.太赫兹光谱的检测不会对被检测对象造成破坏，属于无损检测范畴。

现有的对药品检测方法有光谱、色谱、酶抑制等方法，色谱法无法实现在线检测，而且对仪器操作人员的要求很高，酶抑制法又不太精确，错误频发。本发明克服了以上的种种缺点，使用THZ时域光谱装置系统，提供了一种方便快捷高效无损的检测方法，以此来鉴别胶囊类药物的药品成分的真伪与否。

技术实现要素：

本发明的目的是鉴别医用胶囊药物成分的真假与否，保证医学用药的安全可靠性，提出了用太赫兹吸收光谱处理胶囊药物成分的方法。

本发明的技术方案为：

(1)选择诺氟沙星胶囊、氧氟沙星胶囊、甲磺酸培氟沙星胶囊等胶囊类药物的标准样品；

(2)对多个胶囊标准样品以及相应的空气利用太赫兹时域光谱系统进行检测，从而得到太赫兹时域光谱，之后利用Thz光学参数计算模型，得到胶囊的折射率谱与吸收谱和空气(作为参考)的折射率谱与吸收谱；

(3)将得到的胶囊的折射率谱与吸收谱存入到THz在线检测系统后台的数据库当中，建立原始数据的三维特征谱库，并维护每一类物质的描述表征；

(4)选择待测胶囊样品，利用太赫兹时域光谱系统对待测药品进行检测，之后利用Thz光学参数计算模型得到待测药品在太赫兹波段下的吸收谱和折射率谱，并将吸收谱和折射率谱存入到Thz在线检测系统后台的数据库之中进行吸收峰比对，并使用LS-SVM为样品进行分类检测，最后，在THz在线检测系统界面上显示相似概率，并给出分类的结果。

需要说明的是，所述胶囊类药物的胶囊外壳成分为明胶，主要是动物皮、骨和筋腱，经复杂的理化处理制得的无脂肪高蛋白易被人体吸收的高级胶品，利用太赫兹光波对所检测胶囊的整个表面进行覆盖式扫描，区域范围内每一个透射点都对应一个时域光谱图，图2所示为部分透射点。步骤(2)所述太赫兹时域光谱采用透射方法采集。

进一步地，本发明所述实验温度为20℃～22.4℃，相对湿度为0％～3.0％。

进一步地，本发明所述的THz在线检测系统，其特征在于：THz在线检测系统通过Matlab软件与Microsoft Visual C++6.0软件进行混合编程研发而出，是一套基于THz-TDS技术的THz在线检测系统，并与美国Zomega所研发的Model Z-3系列的THz系统相互配合，以实现物质的在线检测分类与识别。

进一步地，本发明所述的使用LS-SVM为样品进行分类检测，其特征在于：最小二乘支持向量机(LS-SVM)是一种遵循结构风险最小化原则的核函数学习机器，其算法是最小二乘法，其原理是结构风险最小化。

附图说明

图1是基于太赫兹时域光谱成像的胶囊检测方法流程图；

图2是胶囊时域光谱图。

具体实施方式

基于太赫兹时域光谱成像的胶囊检测方法的步骤如下：(1)选择诺氟沙星胶囊、氧氟沙星胶囊、甲磺酸培氟沙星胶囊等胶囊类药物的标准样品，并放入干燥箱进行干燥；

(2)对空气以及多个胶囊标准样品利用太赫兹时域光谱系统进行检测，从而得到太赫兹时域光谱，以作参考信号；

(3)将得到的胶囊的折射率谱与吸收谱存入到THz在线检测系统后台的数据库当中，点击检测系统“导入数据文件”按钮，建立原始数据的三维特征谱库，并维护每一类物质的描述表征；

(4)选择待测胶囊样品，这里以诺氟沙星胶囊为例，在实验室温湿度规定条件下，将诺氟沙星胶囊用无色透明胶带固定到仪器箱内支架上，因为水对太赫兹脉冲的吸收尤为强烈，故在实验过程中，THz脉冲辐射的路径环境充满纯氮气，保持干燥环境；

(5)利用太赫兹时域光谱系统对待测药品进行检测，通过实验获取物质的THz时域光谱图，再用分析得到的光学参数模型计算物质的折射率谱、吸收谱以及消光系数等重要光学参数，并保存到记事本，命名为Norfloxacin.txt；

(6)打开Thz在线检测系统，点击“导入数据文件”，选择Norfloxacin.txt文件，下一步点击“分析处理”，最后点击“LS-SVM分类识别”，识别结果将在显示框内显示。