本发明涉及一种鉴别中药品质优劣的分析技术，尤其是区分麦冬药材是否经过硫熏的方法。
背景技术：
：：硫磺熏蒸(简称硫熏)中药材是一种传统的药材处理方法，具有防虫蛀、防腐、防霉变、灭菌等作用，同时能够使中药材色泽洁白，利于销售。然而，过度使用硫磺熏蒸同时会造成中药材的化学成分及含量的改变，并导致二氧化硫残留超标，进而对人体肝、肾等脏器造成严重的危害，同时影响中药材出口。2005年版中国药典即已删除了所有中药材的硫熏的内容，国家食品药品监督管理局也于2011年组织制定了中药材及其饮片的二氧化硫残留限量标准。麦冬是一味传统中药材，生产和使用量大，目前在麦冬药材的生产中，干燥过程经常用到硫熏，从而使麦冬变得更白更透亮。通常的麦冬鉴别方法包括性状鉴别、组织学鉴别、薄层鉴别、特征图谱鉴别，多用以区别不同产地、不同品种的麦冬，或者用于区别麦冬及其伪品。而对于硫熏中药材的检测方法，则多采用化学法，例如古蔡氏法或经过改良的古蔡氏法(郝延军等，硫熏中药材的快速检测方法研究，中国中药杂志，2012年)，通过对中药材的硫化铅斑点与标准斑点的比对，来确定是否含有硫化物及硫化物的含量范围，进而确定药材是否经过硫熏及硫熏的程度。但该方法需要用到多种试剂，操作繁琐，费时费力。因此，需要一种能够简单、准确地判定麦冬药材是否经过硫熏的方法。技术实现要素：本发明的目的在于提供一种用于区分麦冬药材是否经过硫熏的方法。该方法操作简单，判断准确，能够有效控制麦冬药材的质量。本发明的目的是通过如下技术方案实现的：本发明提供一种区分麦冬是否经过硫熏的方法，所述方法包括如下步骤：(1)采集非硫熏麦冬的原始近红外光谱，并依次采用S-G平滑和二阶导数法进行预处理，从而得到第一近红外光谱数据；采集硫熏麦冬的原始近红外光谱，并依次采用S-G平滑和二阶导数法进行预处理，从而得到第二近红外光谱数据；(2)分别将第一近红外光谱数据和第二近红外光谱数据采用偏最小二乘判别分析PLS-DA或正交偏最小二乘判别分析OPLS-DA建模，得到PLS-DA模型或OPLS-DA模型，并分别得到非硫熏麦冬的置信水平在90％以上的第一置信区间和硫熏麦冬的置信水平在90％以上的第二置信区间；(3)采集待检测麦冬的原始近红外光谱，并依次采用S-G平滑和二阶导数法进行预处理，从而得到第三近红外光谱数据；将第三近红外光谱数据作为自变量增加到步骤(2)的第一近红外光谱数据和第二近红外光谱数据中，并采用PLS-DA或OPLS-DA建模，通过所述待检测麦冬落入第一置信区间或第二置信区间，从而判断所述待检测麦冬是否经过硫熏。根据本发明的方法，优选地，步骤(1)中，第一近红外光谱数据和第二近红外光谱数据的扫描范围包含5076cm-1～5051cm-1。根据本发明的方法，优选地，步骤(1)中，第一近红外光谱数据和第二近红外光谱数据的扫描范围为10000cm-1～4000cm-1。根据本发明的方法，优选地，步骤(1)中，第一近红外光谱数据和第二近红外光谱数据的扫描范围为4900cm-1～5200cm-1。根据本发明的方法，优选地，所述的硫熏麦冬的样品数量为8～50份，所述的非硫熏麦冬的样品数量为8～50份。根据本发明的方法，优选地，所述的硫熏麦冬的样品数量为10～30份，所述的非硫熏麦冬的样品数量为10～30份。根据本发明的方法，优选地，步骤(1)中，所述的非硫熏麦冬和所述的硫熏麦冬均为粉状，且粒度均为20～50目。根据本发明的方法，优选地，步骤(2)中，分别得到非硫熏麦冬的置信水平在95％以上的第一置信区间和硫熏麦冬的置信水平在95％以上的第二置信区间。根据本发明的方法，优选地，步骤(2)中，所述的PLS-DA模型或OPLS-DA模型是以波数为模型样本参数、以第一近红外光谱数据和第二近红外光谱数据作为自变量、并以麦冬类别作为因变量而建立的；步骤(3)中，所述的采用PLS-DA或OPLS-DA建模是波数为模型样本参数、以第一近红外光谱数据、第二近红外光谱数据和第三红外光谱数据作为自变量、并以麦冬类别作为因变量而建立的。根据本发明的方法，优选地，步骤(2)中，所述的第一近红外光谱数据和第二近红外光谱数据包括峰面积、峰高和/或光谱形状；步骤(3)中，所述的第一近红外光谱数据、第二近红外光谱数据和第三红外光谱数据包括峰面积、峰高和/或光谱形状。本发明通过近红外光谱扫描区分麦冬是否经过硫熏，简单高效，并能够快速、准确地判断。根据本发明的优选方法，能够大大减少扫描时间，从而更加高效地判断麦冬是否经过硫熏处理。附图说明图1为10000cm-1～4000cm-1的波数范围内的非硫熏麦冬的原始近红外光谱图。图2为10000cm-1～4000cm-1的波数范围内的硫熏麦冬的原始近红外光谱图。图3为10000cm-1～4000cm-1的波数范围内的非硫熏麦冬的预处理后的近红外光谱图。图4为10000cm-1～4000cm-1的波数范围内的硫熏麦冬的预处理后的近红外光谱图。图5为实施例1的PLS-DA模型图。图6为实施例2的OPLS-DA模型图。图7为实施例1的PLS-DA模型验证图。图8为实施例2的OPLS-DA模型验证图。图9为4900cm-1～5200cm-1的波数范围内的非硫熏麦冬的原始近红外光谱图。图10为4900cm-1～5200cm-1的波数范围内的硫熏麦冬的原始近红外光谱图。图11为4900cm-1～5200cm-1的波数范围内的非硫熏麦冬的预处理后的近红外光谱图。图12为4900cm-1～5200cm-1的波数范围内的硫熏麦冬的预处理后的近红外光谱图。图13为实施例3的OPLS-DA模型图。图14为实施例3的OPLS-DA模型验证图。附图标记说明如下：11为PLS-DA模型中非硫熏麦冬的95％置信区间；21为PLS-DA模型中硫熏麦冬的95％置信区间；31为OPLS-DA模型中非硫熏麦冬的95％置信区间；41为OPLS-DA模型中硫熏麦冬的95％置信区间；12为再次建模的PLS-DA模型中非硫熏麦冬的95％置信区间；22为再次建模的PLS-DA模型中硫熏麦冬的95％置信区间；51为再次建模的PLS-DA模型中待检测的非硫熏麦冬样本；61为再次建模的PLS-DA模型中待检测的硫熏麦冬样本；32为再次建模的OPLS-DA模型中非硫熏麦冬的95％置信区间；42为再次建模的OPLS-DA模型中硫熏麦冬的95％置信区间；52为再次建模的OPLS-DA模型中待检测的非硫熏麦冬样本；62为再次建模的OPLS-DA模型中待检测的硫熏麦冬样本；110为OPLS-DA模型中非硫熏麦冬的95％置信区间；210为OPLS-DA模型中硫熏麦冬的95％置信区间；120为再次建模的OPLS-DA模型中非硫熏麦冬的95％置信区间；220为再次建模的OPLS-DA模型中硫熏麦冬的95％置信区间；510为再次建模的OPLS-DA模型中待检测的非硫熏麦冬样本；610为再次建模的OPLS-DA模型中待检测的硫熏麦冬样本。具体实施方式下面结合具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。本发明的步骤(1)为采集非硫熏麦冬的原始近红外光谱，并依次采用S-G平滑和二阶导数法进行预处理，从而得到第一近红外光谱数据；采集硫熏麦冬的原始近红外光谱，并依次采用S-G平滑和二阶导数法进行预处理，从而得到第二近红外光谱数据。为了使麦冬的样本具有广泛的代表性，所述的非硫熏麦冬可以来源于全国不同的产地，然后针对各个产地的非硫熏麦冬分别取一部分进行硫熏处理，得到硫熏麦冬。分别对非硫熏麦冬和硫熏麦冬进行粉碎。优选地，粉碎至20～50目，更优选为30目，以利于采集近红外光谱数据。本发明中，所述的非硫熏麦冬和硫熏麦冬的样品数量越多，结果越可靠。本发明中，优选地，所述的非硫熏麦冬和硫熏麦冬的样本数分别为8～50份，更优选为10～30份，再优选为12～20份。当采用上述的样本数量时，即可准确判断麦冬是否硫熏。本发明中，采集近红外光谱数据时，近红外光谱扫描范围包含5076cm-1～5051cm-1。优选地，近红外光谱扫描范围为10000cm-1～4000cm-1，更优选10000cm-1～5000cm-1。根据本发明一个优选的实施方式，所述的近红外光谱扫描范围为4900cm-1～5200cm-1，更优选为5076cm-1～5051cm-1。根据本发明的另一种优选的实施方式，所述的近红外光谱扫描范围为9114cm-1～9704cm-1。采用本发明的方法，麦冬的近红外光谱的硫熏特征主要体现在上述优选波段中，所述两个优选波段中的任一个的特征即能够将非硫熏麦冬和硫熏麦冬分开。仅采集非硫熏麦冬和硫熏麦冬的上述两个优选波段中的至少一个的近红外光谱数据，能够大幅节约时间，提高处理效率。对非硫熏麦冬和硫熏麦冬的原始近红外光谱进行预处理的方法较多，而各种预处理的方法的叠加组合的选择则更多。相对于其他众多预处理方法及叠加方法，首先对样本的原始近红外光谱进行S-G平滑处理，然后进行二阶导数处理，能够有效剔除麦冬的原始近红外光谱中的无效信息，降低噪音，并有效凸显出与硫熏相关的差异信息，从而使建立的分析判别模型更优，判别更准确。S-G平滑处理(Savitzky-GolaySmoothing)也称之为移动窗口最小二乘多项式平滑，是本领域已知的数据处理方法，这里不再赘述。二阶导数处理是将原函数进行二次求导，这里不再赘述。本发明的步骤(2)为分别将第一近红外光谱数据和第二近红外光谱数据采用偏最小二乘判别分析PLS-DA或正交偏最小二乘判别分析OPLS-DA建模，得到PLS-DA模型或OPLS-DA模型，并分别得到非硫熏麦冬的置信水平在90％以上的第一置信区间和硫熏麦冬的置信水平在90％以上的第二置信区间。将模型决定系数R2值或模型预测决定系数Q2值作为评价指标，进而分别得到硫熏麦冬和非硫熏麦冬的一定置信水平的置信区间。该置信水平可以为90％以上，更优选为95％以上，再优选为99％以上。相对于其他模型(例如PCA分析模型)，采用PLS-DA模型或OPLS-DA模型，能够将硫熏麦冬样本和非硫熏麦冬样本有效区分开来。优选地，所述的PLS-DA模型或OPLS-DA模型是以波数为模型样本参数、以第一近红外光谱数据和第二近红外光谱数据作为自变量、并以麦冬类别作为因变量而建立的。本发明中，所述的第一近红外光谱数据和第二近红外光谱数据包括峰面积、峰高和/或光谱形状。本发明的步骤(3)为采集待检测麦冬的原始近红外光谱，并依次采用S-G平滑和二阶导数法进行预处理，从而得到第三近红外光谱数据；将第三近红外光谱数据作为自变量增加到步骤(2)的第一近红外光谱数据和第二近红外光谱数据中，并采用PLS-DA或OPLS-DA建模，通过所述待检测麦冬落入第一置信区间或第二置信区间，从而判断所述待检测麦冬是否经过硫熏。优选地，步骤(3)中，所述的采用PLS-DA或OPLS-DA建模是波数为模型样本参数、以第一近红外光谱数据、第二近红外光谱数据和第三红外光谱数据作为自变量、并以麦冬类别作为因变量而建立的。步骤(3)中，所述的第一近红外光谱数据、第二近红外光谱数据和第三红外光谱数据包括峰面积、峰高和/或光谱形状。本发明可以将第三近红外光谱数据作为变量代入第一近红外光谱数据和第二近红外光谱数据中，尤其是9114cm-1～9704cm-1或4900cm-1～5200cm-1(例如5076cm-1～5051cm-1)的第三近红外光谱数据代入第一近红外光谱数据和第二近红外光谱数据中，可以快速准确地判断待检测麦冬是否经过硫熏。以下通过实施例来具体说明本发明的方法，但实施例并不意欲限制本发明的保护范围。本发明中，所述的模型决定系数R2值或模型预测决定系数Q2值的计算方法可参考《湿法制粒和压片的制药工艺的多元统计建模》(Multivariatestatisticalmodelingofthepharmaceuticalprocessofwetgranulationandtableting，D.A.Doornbos和C.F.Lerk，ISBN90-3670797-8，1966年)中记载的方法。以下实施例中的麦冬药材为来自全国13个不同产地的26批次的麦冬药材，其中13批未经硫熏，另外13批进行硫熏，分别作为非硫熏麦冬和硫熏麦冬。以下实施例中采用的近红外光谱仪为美国的尼高力仪器公司(ThermoNicoletCorporation)的NICOLETANATARIS，扫描次数32次，分辨率8cm-1，增益2×。实施例1取13个批次的非硫熏麦冬和13个批次的硫熏麦冬，分别粉碎至30目，然后进行如下处理：(1)在10000cm-1～4000cm-1的波数范围内进行扫描，分别采集非硫熏麦冬和硫熏麦冬的原始近红外光谱，见图1和图2。(2)对上述的原始近红外光谱依次采用S-G平滑和二阶导数法进行预处理，分别得到非硫熏麦冬和硫熏麦冬预处理后的近红外光谱，见图3和图4。(3)以上述的预处理后的近红外光谱数据为自变量(x)，以非硫熏麦冬和硫熏麦冬的类别为因变量(y)，建立PLS-DA模型(见图5)。其中R2(x)＝0.405，R2(y)＝0.998，Q2＝0.804。(4)获取待检测是否经过硫熏的麦冬样品(一份硫熏麦冬、一份非硫熏麦冬)的原始近红外光谱图，经预处理后得到的近红外光谱图加入步骤(3)中硫熏麦冬和非硫熏麦冬的预处理后的近红外光谱，再次采用PLS-DA建模，结果见图7。可见，待检测的非硫熏麦冬和硫熏麦冬分别落入了模型中非硫熏麦冬的95％置信区间和硫熏麦冬的95％置信区间内。实施例2取13个批次的非硫熏麦冬和13个批次的硫熏麦冬，分别粉碎至30目，然后进行如下处理：(1)在10000cm-1～4000cm-1的波数范围内进行扫描，分别采集非硫熏麦冬和硫熏麦冬的原始近红外光谱，见图1和图2。(2)对上述的原始近红外光谱依次采用S-G平滑和二阶导数法进行预处理，分别得到非硫熏麦冬和硫熏麦冬预处理后的近红外光谱，见图3和图4。(3)以上述的预处理后的近红外光谱数据为自变量(x)，以非硫熏麦冬和硫熏麦冬的类别为因变量(y)，建立OPLS-DA模型(见图6)。其中R2(x)＝0.405，R2(y)＝0.998，Q2＝0.239。(4)获取待检测是否经过硫熏的麦冬样品(一份硫熏麦冬、一份非硫熏麦冬)的原始近红外光谱图，经预处理后得到的近红外光谱图加入步骤(3)中非硫熏麦冬和硫熏麦冬的预处理后的近红外光谱，再次采用OPLS-DA建模，结果见图8。可见，待检测的非硫熏麦冬和硫熏麦冬分别落入了模型中非硫熏麦冬的95％置信区间和硫熏麦冬的95％置信区间内。实施例3取13个批次的非硫熏麦冬和13个批次的硫熏麦冬，分别粉碎至30目，然后进行如下处理：(1)在4900～5200cm-1的波数范围内进行扫描，分别采集非硫熏麦冬和硫熏麦冬的原始近红外光谱，分别见图9和图10。(2)对上述的原始近红外光谱依次采用S-G平滑和二阶导数法进行预处理，分别得到非硫熏麦冬和硫熏麦冬预处理后的近红外光谱，分别见图11和图12。(3)以上述的预处理后的近红外光谱数据为自变量(x)，以非硫熏麦冬和硫熏麦冬的类别为因变量(y)，建立OPLS-DA模型，见图13。其中R2(x)＝0.686，R2(y)＝0.903，Q2＝0.657。(4)获取待检测是否经过硫熏的麦冬样品(一份硫熏麦冬、一份非硫熏麦冬)的原始近红外光谱图，经预处理后得到的近红外光谱图加入步骤(3)中非硫熏麦冬和硫熏麦冬的预处理后的近红外光谱，再次采用OPLS-DA建模。结果见图14。可见，待检测的硫熏麦冬和非硫熏麦冬分别落入了模型中硫熏麦冬的95％置信区间和非硫熏麦冬的95％置信区间内。本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员可以想到的任何变形、改进、替换均落入本发明的范围。当前第1页1 2 3 当前第1页1 2 3