一种灵敏预测麻黄品质特性的中红外光谱法的制作方法

本发明涉及植物品质特性的预测方法，更具体地说，涉及一种采用中红外光谱技术灵敏预测麻黄品质特性的方法。

背景技术

人类利用麻黄及其次生代谢产物的历史悠久，人们已经认识到麻黄的品质特性受遗传、生态环境和代谢节律等因素的影响。换句话说，麻黄的种类、产地或/和采摘时间不同，其次生代谢产物的组成或/和含量不同，麻黄的价值也就不同。随着植物、土壤等资源的匮乏日益加剧，提高资源的利用率成为当务之急。所以，建立灵敏预测麻黄品质特性的方法，对于研究麻黄品质的变化规律、科学利用麻黄及其次生代谢产物的资源，具有重要意义。

目前，已公开的麻黄品质特性的评价方法主要包括基于显微形态学信息的显微鉴别法(《中国药典》2015年版)和基于化学信息的高效液相色谱(hplc)法(《中国药典》2015年版)。虽然这些分析方法已经在麻黄的定性和定量表征方面均取得了较好的效果，但是它们存在较为主观或样品前处理复杂、样品破坏、耗时、有机溶剂污染环境、难以实现在线检测等缺点。

近红外光谱(nir)法已被用于预测麻黄植物的种类、产地、采摘时间和生物碱含量(fanq，wangy，sunp，etal，discriminationofephedraplantswithdiffusereflectanceft-nirsandmultivariateanalysis[j].talanta，2010，80(3)：1245-1250.；易珍奎，范琦，王丽琼，等.近红外漫反射光谱法结合cp-ann和pls高通量分析草麻黄药材[j].药物分析杂志，2012(8)：1402-1408.)。虽然近红外光谱法克服了色谱法的很多缺点，遗憾的是，近红外光谱主要为含氢基团振动的倍频和合频吸收，因此吸收系数小，检测灵敏度低，不适合表征差异微小的品质特性(例如，对麻黄日内采摘时间的判别存在错误，正判率为93.3％)以及含量低的次生代谢产物(例如，对含量低于0.1％的甲基麻黄碱的定量预测未取得可以接受的效果)。所以，需要建立一种能够灵敏预测麻黄的差异微小的品质特性以及含量低的次生代谢产物的方法。

中红外光谱(ir)主要为分子振动的基频吸收，与近红外光谱相比，吸收系数大，检测灵敏度高。虽然中红外光谱法已被用于预测植物的种类、产地、采收期和次生代谢产物含量，遗憾的是，目前公开的现有技术并没有充分发挥中红外光谱法所具有的高灵敏度特点以克服近红外光谱法的低灵敏度局限。例如，现有中红外光谱法预测植物的采收期时，是针对品质特性差异较大的不同月份采收的植物(申云霞，赵艳丽，张霁，等.不同采收期滇龙胆的红外光谱鉴别研究[j].光谱学与光谱分析，2016，36(5)：1358-1362.)；预测植物次生代谢产物含量时，多是针对含量不低于0.1％的次生代谢产物(詹雪艳，林兆洲，孙杨，等.甘草中甘草苷和甘草酸红外定量模型特征变量的筛选与解析[j].光谱学与光谱分析，2015(9)：2530-2535.)。迄今为止，尚未见采用中红外光谱法灵敏预测植物的差异微小的品质特性以及含量低的次生代谢产物。

技术实现要素：

本发明的目的在于克服现有技术存在的不足，提供一种灵敏预测麻黄品质特性的中红外光谱法，以预测包括差异微小的品质特性(例如，日内采摘时间)以及含量低的次生代谢产物(例如，甲基麻黄碱)在内的麻黄多种品质特性。

经研究，本发明提供如下技术方案：

一种灵敏预测麻黄品质特性的中红外光谱法，所述品质特性为种类、产地、日内采摘时间和次生代谢产物含量中的任一种或多种；其中，

预测麻黄种类的中红外光谱法包括以下步骤：

(1)收集并记录不同种类的麻黄植物样品，干燥，取其草质茎，得麻黄样品；所述麻黄植物的种类为草麻黄(ephedrasinicastapf)、中麻黄(ephedraintermediaschrenketc.a.mey.)或木贼麻黄(ephedraequisetinabge.)；

(2)将麻黄样品粉碎，过筛，得麻黄粉末样品；

(3)将麻黄粉末样品与溴化钾混合，压制，得麻黄粉末溴化钾片，作为供试品，用红外光谱仪在4000～400cm^-1范围内测量供试品的中红外透射光谱，每次扫描供试品前以相同参数扫描并扣除背景；

(4)所得光谱不经预处理或经savitzky-golay平滑即sgs预处理，选取建模光谱范围的波数上限值为3936±64cm^-1即4000～3872cm^-1、波数下限值为464±64cm^-1即528～400cm^-1，采用主成分分析法即pca降维，按照贡献率由高到低的顺序选取前8个主成分，建立预测麻黄种类的判别分析即da模型；

或者，所得光谱经一阶导数即fd预处理后，选取相同的建模光谱范围和相同的主成分，建立预测麻黄种类的对向传播人工神经网络即cp-ann模型；

(5)取未知种类的麻黄样品，按步骤(2)、(3)和(4)所述方法制备供试品、测量中红外透射光谱并进行光谱数据处理，然后应用步骤(4)所建模型预测未知麻黄样品的种类；

预测麻黄产地的中红外光谱法包括以下步骤：

(1)收集并记录不同产地的同种类麻黄植物样品，干燥，取其草质茎，得麻黄样品；所述麻黄植物的产地为山西或内蒙古；

(2)将麻黄样品粉碎，过筛，得麻黄粉末样品；

(3)将麻黄粉末样品与溴化钾混合，压制，得麻黄粉末溴化钾片，作为供试品，用红外光谱仪在4000～400cm^-1范围内测量供试品的中红外透射光谱，每次扫描供试品前以相同参数扫描并扣除背景；

(4)所得光谱不经预处理或经sgs预处理，选取建模光谱范围的波数上限值为3819±181cm^-1即4000～3638cm^-1、波数下限值为581±181cm^-1即762～400cm^-1，采用pca降维，按照贡献率由高到低的顺序选取前6个主成分，建立预测麻黄产地的da模型；

或者，所得光谱不经预处理，选取相同的建模光谱范围和相同的主成分，建立预测麻黄产地的cp-ann模型；

(5)取未知产地的麻黄样品，按步骤(2)、(3)和(4)所述方法制备供试品、测量中红外透射光谱并进行光谱数据处理，然后应用步骤(4)所建模型预测未知麻黄样品的产地；

预测麻黄日内采摘时间的中红外光谱法包括以下步骤：

(1)收集并记录不同日内采摘时间的同种类同产地麻黄植物样品，干燥，取其草质茎，得麻黄样品；所述麻黄植物的采摘时间为同一日的上午或下午；

(2)将麻黄样品粉碎，过筛，得麻黄粉末样品；

(3)将麻黄粉末样品与溴化钾混合，压制，得麻黄粉末溴化钾片，作为供试品，用红外光谱仪在4000～400cm^-1范围内测量供试品的中红外透射光谱，每次扫描供试品前以相同参数扫描并扣除背景；

(4)所得光谱经多元散射校正即msc或标准正态变换即snv预处理，选取建模光谱范围的波数上限值为3815±117cm^-1即3932～3698cm^-1、波数下限值为585±117cm^-1即702～468cm^-1，采用pca降维，按照贡献率由高到低的顺序选取前4个主成分，建立预测麻黄日内采摘时间的da模型；

或者，所得光谱经msc预处理，选取相同的建模光谱范围和相同的主成分，建立预测麻黄日内采摘时间的cp-ann模型；

(5)取未知日内采摘时间的麻黄样品，按步骤(2)、(3)和(4)所述方法制备供试品、测量中红外透射光谱并进行光谱数据处理，然后应用步骤(4)所建模型预测未知麻黄样品的日内采摘时间；

预测麻黄中次生代谢产物含量的中红外光谱法包括以下步骤：

(1)收集并记录不同次生代谢产物含量的同种类麻黄植物样品，干燥，取其草质茎，得麻黄样品；所述次生代谢产物为麻黄碱、伪麻黄碱和甲基麻黄碱中的任一种或多种；

(2)将麻黄样品粉碎，过筛，得麻黄粉末样品；测定麻黄粉末样品中次生代谢产物含量的参比值；

(3)将麻黄粉末样品与溴化钾混合，压制，得麻黄粉末溴化钾片，作为供试品，用红外光谱仪在4000～400cm^-1范围内测量供试品的中红外透射光谱，每次扫描供试品前以相同参数扫描并扣除背景；

(4)建立麻黄中麻黄碱含量的预测模型时，所得光谱经二阶导数即sd和均值中心化即mc预处理，选取建模光谱范围的波数上限值为3986±14cm^-1即4000～3972cm^-1、波数下限值为414±14cm^-1即428～400cm^-1，采用pca降维，按照贡献率由高到低的顺序选取前4个主因子，建立预测麻黄中麻黄碱含量的偏最小二乘回归即pls或反向传播人工神经网络即bp-ann模型；

建立麻黄中伪麻黄碱含量的预测模型时，所得光谱经sd和mc预处理，选取建模光谱范围的波数上限值为3930±70cm^-1即4000～3860cm^-1、波数下限值为470±70cm^-1即540～400cm^-1，采用pca降维，按照贡献率由高到低的顺序选取前4个主因子，建立预测麻黄中伪麻黄碱含量的pls或bp-ann模型；

建立麻黄中甲基麻黄碱含量的预测模型时，所得光谱经fd和mc预处理，选取建模光谱范围的波数上限值为3800±200cm^-1即4000～3600cm^-1、波数下限值为600±200cm^-1即800～400cm^-1，采用pca降维，按照贡献率由高到低的顺序选取前4个主因子，建立预测麻黄中甲基麻黄碱含量的pls或bp-ann模型；

(5)取未知次生代谢产物含量的麻黄样品，按步骤(2)、(3)和(4)所述方法制备供试品、测量中红外透射光谱并进行光谱数据处理，然后应用步骤(4)所建模型预测未知麻黄样品的次生代谢产物含量。

本发明方法可以单独或同时灵敏预测麻黄的多种品质特性：种类(遗传特性)、产地(生态环境特性)、日内采摘时间(代谢节律特性)和次生代谢产物含量。不同种类的麻黄植物，由于遗传因素不同，导致其次生代谢产物的组成或/和含量不同。本发明方法基于次生代谢产物的组成或/和含量的不同，适用于预测不同种类的麻黄，例如，草麻黄、中麻黄和木贼麻黄等。同种类不同产地的麻黄植物，虽然遗传因素相同，但是受不同生态环境的影响其生长发育在一定程度上表现出差异，从而导致其次生代谢产物的组成或/和含量在一定程度上不同。本发明方法基于次生代谢产物的组成或/和含量的不同，适用于预测同种类不同产地的麻黄，例如，内蒙古草麻黄和山西草麻黄等。同种类同产地日内不同时间(上午与下午)采摘的麻黄植物，虽然遗传因素和生态环境都相同，但是受近日节律的影响其生长发育在较小程度上表现出差异，从而导致其次生代谢产物的组成或/和含量在较小程度上不同。本发明方法基于次生代谢产物的组成或/和含量的不同，适用于预测同种类同产地日内不同时间采摘的麻黄，例如，同一日上午与下午采摘的山西草麻黄等。

所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(1)中，将收集的麻黄植物样品进行干燥，其目的在于使麻黄植物样品所含水分降低至其品质特性能够保持相对稳定的水平，干燥的方法可以采用在室温及40％～60％相对湿度条件下放置，或采用其他不影响麻黄植物样品本身品质特性的适宜方法，例如低温烘干、晾晒等。

所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(2)中，将麻黄样品进行粉碎、过筛，其目的在于获得粒度适宜的均匀粉末以利于压制麻黄粉末溴化钾片和测定麻黄次生代谢产物(麻黄碱、伪麻黄碱、甲基麻黄碱)含量。本发明优选麻黄粉末粒度即目数的方法为采用hplc法测定不同目数(≤20、20～40、40～60、60～80、80～100、100～200、＞200目)麻黄粉末样品的次生代谢产物(麻黄碱、伪麻黄碱、甲基麻黄碱)含量，结果发现，麻黄粉末的目数为100～200目时，其次生代谢产物的含量高、粉末样品的量多且易与溴化钾混合压制成片。因此，所述步骤(2)中过筛目数优选为100～200目。

获得样品信息不失真的高灵敏光谱是建立优质预测模型的基础。样品前处理简单、分析操作简便有利于分析方法的应用和推广。所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(3)中，是将麻黄粉末与溴化钾混合并压制成麻黄粉末溴化钾片作为供试品，然后测量其中红外透射光谱。本发明首先对光谱测量模式进行了优选，比较了漫反射测量模式与透射测量模式，虽然漫反射测量模式具有不污染麻黄粉末样品、不需要化学试剂的优点，但由于吸收信号过强，甚至出现全吸收，所以选择通过稀释样品以降低吸收的透射测量模式。其次，本发明对透射测量模式的供试品稀释方法进行了优选，比较了液体稀释法和固体稀释法，由于液体稀释法需要对麻黄粉末样品进行复杂、费时的前处理，所以选择了几乎不需要样品前处理的固体稀释法即溴化钾压片法。

在使用溴化钾进行稀释时，考虑到吸收信号太强(高于定量上限)或太弱(低于检测限/定量下限)都不利于光谱分析和准确预测，本发明对麻黄粉末与溴化钾的混合比例进行了优选，结果发现，当麻黄粉末与溴化钾的混合质量比为1∶150时，吸收信号适中，利于光谱分析和准确预测。因此，所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(3)中，麻黄粉末与溴化钾的混合质量比优选为1∶150。

在压制麻黄粉末溴化钾片时，考虑到该片的完整性、透光性等对光谱有影响，本发明对压片压力和压片时间进行了优选，结果发现，当压片压力为10～30mpa、压片时间为1～2分钟时，压制的麻黄粉末溴化钾片质量最佳。因此，所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(3)中，麻黄粉末溴化钾片的压片压力优选为10～30mpa、压片时间优选为1～2分钟。

本发明进一步对光谱测量的分辨率和扫描次数进行了优选。固定扫描次数为16次，分别以分辨率为2cm^-1、4cm^-1、8cm^-1、16cm^-1、32cm^-1对同一供试品平行测量5次，综合方差的大小及方差光谱的平滑程度得出分辨率为4cm^-1时光谱最佳，因此，所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(3)中，光谱测量的分辨率优选为4cm^-1。固定分辨率为4cm^-1，分别以扫描次数为16、32、64、128次对同一供试品平行测量5次，结果发现，扫描次数为16次时光谱方差较大，扫描次数为32次、64次、128次时方差光谱无明显差异，而扫描次数越多，所耗时间越长，因此，所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(3)中，光谱测量的扫描次数优选为不低于32次。

获得样品信息不失真的高灵敏光谱后，为了提高分析的特异性、灵敏度和准确度，需要进一步创造性地使用化学计量学技术组合挖掘光谱数据中目标特征的有效信息，其中，光谱预处理方案、建模光谱范围和建模变量(主成分或主因子)的选择是本发明技术方案的关键点和难点。使用适当的光谱预处理方案能够提高光谱的信噪比，有利于提高模型的预测性能。但如果光谱预处理方案不恰当，则适得其反，使光谱的信噪比降低。使用适当的建模光谱范围和建模变量能够从复杂的光谱数据中提取目标特征的有效信息，使所建模型具有良好的预测性能。但是，如果所选的建模光谱范围包含太多冗余，则光谱信息的简化和净化不足，所建模型的预测性能下降；如果光谱信息的简化和净化过度，则光谱数据中目标特征的有效信息保留不足，所建模型的预测性能也下降。类似地，如果所选的建模变量太多或太少，模型的预测性能都下降。所述预测麻黄种类、产地、日内采摘时间或/和次生代谢产物含量的中红外光谱法的步骤(4)中，所选择的光谱预处理方案、建模光谱范围和建模变量都是本发明的创造性劳动成果，是保证本发明分析方法的特异性、灵敏度和准确度的关键。

本发明的有益效果在于：本发明方法基于次生代谢产物组成或/和含量的不同，分别测量不同品质特性(种类、产地、日内采摘时间、次生代谢产物含量)的麻黄样品的中红外光谱，结合化学计量学技术，分别建立了预测麻黄种类、产地、日内采摘时间的定性模型，以及预测麻黄次生代谢产物(麻黄碱、伪麻黄碱、甲基麻黄碱)含量的定量模型，能够单独或同时灵敏预测麻黄的多种品质特性(种类、产地、日内采摘时间、次生代谢产物含量)，除具有样品前处理简单、分析操作简便等优点外，更重要的是，与现有技术相比，提高了难以判别的麻黄日内采摘时间的正确判别率，并实现了麻黄中低含量次生代谢产物甲基麻黄碱的准确定量预测。

附图说明

图1为预测麻黄种类的da图：大写字母a，b，c分别代表草麻黄、中麻黄和木贼麻黄的校正集样品，小写字母a，b，c分别代表草麻黄、中麻黄和木贼麻黄的验证集样品。

图2为预测麻黄种类的cp-ann图：白色区域代表草麻黄，灰色区域代表中麻黄，深灰色区域代表木贼麻黄；大写字母a，b，c分别代表草麻黄、中麻黄和木贼麻黄的校正集样品，小写字母a，b，c分别代表草麻黄、中麻黄和木贼麻黄的验证集样品。

图3为预测麻黄产地的da图：大写字母a和b分别代表山西和内蒙古草麻黄的校正集样品，小写字母a和b分别代表山西和内蒙古草麻黄的验证集样品。

图4为预测麻黄产地的cp-ann图：白色区域代表山西草麻黄，灰色区域代表内蒙古草麻黄；大写字母a和b分别代表山西和内蒙古草麻黄的校正集样品，小写字母a和b分别代表山西和内蒙古草麻黄的验证集样品。

图5为预测麻黄日内采摘时间的da图：大写字母a和b分别代表上午采摘和下午采摘山西草麻黄的校正集样品，小写字母a和b分别代表上午采摘和下午采摘山西草麻黄的验证集样品。

图6为预测麻黄日内采摘时间的cp-ann图：白色区域代表上午采摘的山西草麻黄，灰色区域代表下午采摘的山西草麻黄；大写字母a和b分别代表上午采摘和下午采摘山西草麻黄的校正集样品，小写字母a和b分别代表上午采摘和下午采摘山西草麻黄的验证集样品。

图7为麻黄中麻黄碱含量pls模型参考值与预测值的线性相关图。

图8为麻黄中麻黄碱含量bp-ann模型参考值与预测值的线性相关图。

图9为麻黄中伪麻黄碱含量pls模型参考值与预测值的线性相关图。

图10为麻黄中伪麻黄碱含量bp-ann模型参考值与预测值的线性相关图。

图11为麻黄中甲基麻黄碱含量pls模型参考值与预测值的线性相关图。

图12为麻黄中甲基麻黄碱含量bp-ann模型参考值与预测值的线性相关图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的优选实施例进行详细描述。

实施例所涉及的仪器：spectrumone傅立叶变换红外光谱仪(美国perkinelmer公司)，配有dtgskbr检测器和透射采样附件；yp-2压片机(上海山岳科学仪器有限公司)。

实施例1一种灵敏预测麻黄种类的中红外透射光谱法

1.麻黄植物样品的收集

收集并记录不同种类的麻黄植物样品，包括12批草麻黄、3批中麻黄和1批木贼麻黄，在室温及40％～60％相对湿度条件下放置使麻黄植物样品所含水分降低至相对稳定的水平，取其草质茎，得麻黄样品。

2.麻黄粉末样品的制备

在250w的功率下粉碎50秒(每粉碎10秒间隔2秒)，过100～200目筛，得麻黄粉末样品。

3.供试品的制备及中红外光谱的测量

取麻黄粉末样品与溴化钾(光谱纯)，按质量比1∶150在玛瑙研钵中研匀，经压片机在20mpa下压1分钟，制得麻黄粉末溴化钾片，作为供试品。

待傅立叶变换红外光谱仪充分预热并通过校验后，使用随机配备的聚苯乙烯薄膜确认其符合光谱测定要求。以分辨率4cm^-1和扫描次数32次在4000～400cm^-1范围内测定供试品的中红外透射光谱，每次扫描供试品前以相同参数扫描并扣除背景。

4.光谱特征变量的提取与建模

从12批草麻黄、3批中麻黄和1批木贼麻黄中分别选取9批草麻黄、2批中麻黄和1批木贼麻黄作为校正集样品，其余作为验证集样品。

4.1da模型主要建模参数的选择与预测性能

4.1.1光谱预处理方案的选择

在建立预测麻黄种类的da模型时，为了获得模型的最佳预测性能，对不进行预处理即np、msc、snv、fd、sd、sgs、norris平滑即nds等多种光谱预处理技术进行了筛选与组合，见表1。结果表明，所得光谱经np或sgs预处理时，所建da模型的预测性能最优。4.1.2建模光谱范围的选择

采用前述优选的光谱预处理方案，根据被测特性，建模光谱范围在建模软件自动选取的基础上人工优化为波数上限值3936±64cm^-1即4000～3872cm^-1、波数下限值464±64cm^-1即528～400cm^-1时，模型的校正集正判率和验证集正判率均可达到100.0％，所以优化范围内的光谱范围均可以用来建模，如表1中的模型1、13、14和15；而当建模光谱范围不在优化范围内时，模型的校正集正判率或/和验证集正判率未达到100.0％，如表1中的模型16。

4.1.3光谱数据的降维和建模变量(主成分)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主成分建模时，模型的性能存在明显差异，如表1中的模型1、11和12，最终按照贡献率由高到低的顺序选择前8个主成分来建立预测麻黄种类的da模型。

4.1.4模型的建立与验证

使用校正集与验证集光谱数据的主成分得分建立与验证预测麻黄种类的da模型，如图1所示(表1中的模型1)，其校正集正判率和验证集正判率均为100.0％，说明该模型具有良好的预测性能。

表1麻黄种类da模型的主要建模参数与预测性能

4.2cp-ann模型主要建模参数的选择与预测性能

4.2.1光谱预处理方案的选择

在建立预测麻黄种类的cp-ann模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds等多种光谱预处理技术进行了筛选与组合，见表2。结果表明，所得光谱经fd预处理时，所建cp-ann模型的预测性能最优。

4.2.2建模光谱范围的选择

由于建立与验证cp-ann模型时所使用的样品光谱与da模型的相同，且两种模型的预测特性同样为麻黄的种类，即相同光谱中表征相同目标特征的有效信息在相同区域，只是建模算法不同，所以cp-ann模型与da模型所使用的建模光谱范围相同，即表2中的建模光谱范围3936～464cm^-1已经是优化后的建模光谱范围。

表2麻黄种类cp-ann模型的主要建模参数与预测性能

4.2.3光谱数据的降维和建模变量(主成分)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主成分建模时，模型的性能存在明显差异，如表2中的模型4、11和12，最终按照贡献率由高到低的顺序选择前8个主成分来建立预测麻黄种类的cp-ann模型。

4.2.4模型的建立与验证

使用校正集与验证集光谱数据的主成分得分建立与验证预测麻黄种类的cp-ann模型，如图2所示(表2中的模型4)，其校正集正判率、交叉验证正判率和验证集正判率均为100.0％，说明该模型具有良好的预测性能。

由图1和2可见，本实施例所建立的线性da模型和非线性cp-ann模型均能够灵敏、准确地预测麻黄的种类，证明本发明方法获得的麻黄样品高灵敏光谱包含了样品的特征信息。虽然两种模型使用的原始光谱数据预处理方案不同，但使用的建模光谱范围和建模变量相同，且两种模型均具有良好的预测性能，彼此印证了本发明从红外光谱中准确提取和利用了目标特征的有效信息，保证了本发明分析方法的特异性、灵敏度和准确度。

实施例2一种灵敏预测麻黄产地的中红外透射光谱法

本实施例采用与实施例1相同的供试品制备方法、光谱测量条件及方法，与实施例1的区别在于本实施例采用不同产地的麻黄植物样品以优选的建模参数建立麻黄产地的预测模型。

1.麻黄植物样品的收集

收集并记录不同产地的草麻黄植物样品，包括24批山西草麻黄和4批内蒙古草麻黄，在室温及40％～60％相对湿度条件下放置使麻黄植物样品所含水分降低至相对稳定的水平，取其草质茎，得麻黄样品。

2.麻黄粉末样品的制备

同实施例1。

3.供试品的制备及中红外光谱的测量

同实施例1。

4.光谱特征变量的提取与建模

从24批山西草麻黄和4批内蒙古草麻黄中分别选取18批山西草麻黄和3批内蒙古草麻黄作为校正集样品，其余作为验证集样品。

4.1da模型主要建模参数的选择与预测性能

4.1.1光谱预处理方案的选择

在建立预测麻黄产地的da模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds等多种光谱预处理技术进行了筛选与组合，见表3。结果表明，所得光谱经np或sgs预处理时，所建da模型的预测性能最优。

4.1.2建模光谱范围的选择

采用前述优选的光谱预处理方案，根据被测特性，建模光谱范围在建模软件自动选取的基础上人工优化为波数上限值3819±181cm^-1即4000～3638cm^-1、波数下限值581±181cm^-1即762～400cm^-1时，模型的校正集正判率和验证集正判率均可达到100.0％，所以优化范围内的光谱范围均可以用来建模，如表3中的模型1、13、14和15；而当建模光谱范围不在优化范围内时，模型的校正集正判率或/和验证集正判率未达到100.0％，如表3中的模型16。

4.1.3光谱数据的降维和建模变量(主成分)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主成分建模时，模型的性能存在明显差异，如表3中的模型1、11和12，最终按照贡献率由高到低的顺序选择前6个主成分来建立预测麻黄产地的da模型。

表3麻黄产地da模型的主要建模参数与预测性能

4.1.4模型的建立与验证

使用校正集与验证集光谱数据的主成分得分建立与验证预测麻黄产地的da模型，如图3所示(表3中的模型1)，其校正集正判率和验证集正判率均为100.0％，说明该模型具有良好的预测性能。

4.2cp-ann模型主要建模参数的选择与预测性能

4.2.1光谱预处理方案的选择

在建立预测麻黄产地的cp-ann模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds等多种光谱预处理技术进行了筛选与组合，见表4。结果表明，所得光谱经np预处理时，所建cp-ann模型的预测性能最优。

4.2.2建模光谱范围的选择

由于建立与验证cp-ann模型时所使用的样品光谱与da模型的相同，且两种模型的预测特性同样为麻黄的产地，即相同光谱中表征相同目标特征的有效信息在相同区域，只是建模算法不同，所以cp-ann模型与da模型所使用的建模光谱范围相同，即表4中的建模光谱范围3819～581cm^-1已经是优化后的建模光谱范围。

表4麻黄产地cp-ann模型的主要建模参数与预测性能

4.2.3光谱数据的降维和建模变量(主成分)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主成分建模时，模型的性能存在明显差异，如表4中的模型1、11和12，最终按照贡献率由高到低的顺序选择前6个主成分来建立预测麻黄产地的cp-ann模型。

4.2.4模型的建立与验证

使用校正集与验证集光谱数据的主成分得分建立与验证预测麻黄产地的cp-ann模型，如图4所示(表4中的模型1)，其校正集正判率、交叉验证正判率和验证集正判率均为100.0％，说明该模型具有良好的预测性能。

由图3和4可见，本实施例所建立的线性da模型和非线性cp-ann模型均能够灵敏、准确地预测麻黄的产地，证明本发明方法获得的麻黄样品高灵敏光谱包含了样品的特征信息。当光谱预处理方案选择为经np预处理时，两种模型使用的光谱预处理方案、建模光谱范围和建模特征变量均相同，且两种模型均具有较好的预测性能，彼此印证了本发明从红外光谱中准确提取和利用了目标特征的有效信息，保证了本发明分析方法的特异性、灵敏度和准确度。

实施例3一种灵敏预测麻黄日内采摘时间的中红外透射光谱法

本实施例采用与实施例1相同的供试品制备方法、光谱测量条件及方法，与实施例1的区别在于本实施例采用日内不同时间采摘的麻黄植物样品以优选的建模参数建立麻黄日内采摘时间的预测模型。

1.麻黄植物样品的收集

收集并记录日内不同时间采摘的山西草麻黄植物样品，包括8批上午采摘的山西草麻黄和7批下午采摘的山西草麻黄，在室温及40％～60％相对湿度条件下放置使麻黄植物样品所含水分降低至相对稳定的水平，取其草质茎，得麻黄样品。

2.麻黄粉末样品的制备

同实施例1。

3.供试品的制备及中红外光谱的测量

同实施例1。

4.光谱特征变量的提取与建模

从8批上午采摘的山西草麻黄和7批下午采摘的山西草麻黄中分别选取6批上午采摘的山西草麻黄和5批下午采摘的山西草麻黄作为校正集样品，其余作为验证集样品。

4.1da模型主要建模参数的选择与预测性能

4.1.1光谱预处理方案的选择

在建立预测麻黄日内采摘时间的da模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds等多种光谱预处理技术进行了筛选与组合，见表5。结果表明，所得光谱经msc或snv预处理时，所建da模型的预测性能最优。

4.1.2建模光谱范围的选择

采用前述优选的光谱预处理方案，根据被测特性，建模光谱范围在建模软件自动选取的基础上人工优化为波数上限值3815±117cm^-1即3932～3698cm^-1、波数下限值585±117cm^-1即702～468cm^-1时，模型的校正集正判率和验证集正判率均可达到100.0％，所以优化范围内的光谱范围均可以用来建模，如表5中的模型2、14和15；而当建模光谱范围不在优化范围内时，模型的校正集正判率或/和验证集正判率未达到100.0％，如表5中的模型13和16。

表5麻黄日内采摘时间da模型的主要建模参数与预测性能

4.1.3光谱数据的降维和建模变量(主成分)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主成分建模时，模型的性能存在明显差异，如表5中的模型2、11和12，最终按照贡献率由高到低的顺序选择前4个主成分来建立预测麻黄日内采摘时间的da模型。

4.1.4模型的建立与验证

使用校正集与验证集光谱数据的主成分得分建立与验证预测麻黄日内采摘时间的da模型，如图5所示(表5中的模型2)，其校正集正判率和验证集正判率均为100.0％，说明该模型具有良好的预测性能。

4.2cp-ann模型主要建模参数的选择与预测性能

4.2.1光谱预处理方案的选择

在建立预测麻黄日内采摘时间的cp-ann模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds等多种光谱预处理技术进行了筛选与组合，见表6。结果表明，所得光谱经msc预处理时，所建cp-ann模型的预测性能最优。

表6麻黄日内采摘时间cp-ann模型的主要建模参数与预测性能

4.2.2建模光谱范围的选择

由于建立与验证cp-ann模型时所使用的样品光谱与da模型的相同，且两种模型的预测特性同样为麻黄的日内采摘时间，即相同光谱中表征相同目标特征的有效信息在相同区域，只是建模算法不同，所以cp-ann模型与da模型所使用的建模光谱范围相同，即表6中的建模光谱范围3815～585cm^-1已经是优化后的建模光谱范围。

4.2.3光谱数据的降维和建模变量(主成分)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主成分建模时，模型的性能存在明显差异，如表6中的模型2、11和12，最终按照贡献率由高到低的顺序选择前4个主成分来建立预测麻黄日内采摘时间的cp-ann模型。

4.2.4模型的建立与验证

使用校正集与验证集光谱数据的主成分得分建立与验证预测麻黄日内采摘时间的cp-ann模型，如图6所示(表6中的模型2)，其校正集正判率、交叉验证正判率和验证集正判率均为100.0％，说明该模型具有良好的预测性能。

由图5和6可见，本实施例所建立的线性da模型和非线性cp-ann模型均能够灵敏、准确地预测麻黄的日内采摘时间，证明本发明方法获得的麻黄样品高灵敏光谱包含了样品的特征信息。当光谱预处理方案选择为msc时，两种模型使用的光谱预处理方案、建模光谱范围和建模特征变量均相同，且两种模型均具有较好的预测性能，彼此印证了本发明从红外光谱中准确提取和利用了目标特征的有效信息，保证了本发明分析方法的特异性、灵敏度和准确度。

实施例4一种灵敏预测麻黄中麻黄碱含量的中红外透射光谱法

本实施例采用与实施例1相同的供试品制备方法、光谱测量条件及方法，与实施例1的区别在于本实施例采用草麻黄样品及其麻黄碱含量参比值以优选的建模参数建立麻黄中麻黄碱的定量预测模型。

1.麻黄植物样品的收集

收集并记录25批草麻黄植物样品，在室温及40％～60％相对湿度条件下放置使麻黄植物样品所含水分降低至相对稳定的水平，取其草质茎，得麻黄样品。

2.麻黄粉末样品的制备及麻黄碱含量参比值的测定

麻黄粉末样品的制备方法同实施例1。

采用高效液相色谱(hplc)法测定25批麻黄粉末样品中麻黄碱的含量参比值(测定方法参考文献：林凯，范琦，杨成刚，邓开英.rp-hplc法测定麻黄中麻黄碱、伪麻黄碱和甲基麻黄碱[j].中草药.2006，37(2)：282-284.)，结果为0.68～15.39mg/g，即0.068％～1.539％。

3.供试品的制备及中红外光谱的测量

同实施例1。

4.光谱特征变量的提取与建模

从25批草麻黄样品中选取19批作为校正集样品，其余作为验证集样品。

4.1pls模型主要建模参数的选择与预测性能

4.1.1光谱预处理方案的选择

在建立预测麻黄中麻黄碱含量的pls模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds、mc、方差定标即vs等多种光谱预处理技术进行了筛选与组合，见表7。结果表明，所得光谱经sd+mc预处理时，所建pls模型的预测性能最优。

表7麻黄中麻黄碱含量pls模型的主要建模参数与预测性能

4.1.2建模光谱范围的选择

采用前述优选的光谱预处理方案，根据被测特性，建模光谱范围在建模软件自动选取的基础上人工优化为波数上限值3986±14cm^-1即4000～3972cm^-1、波数下限值414±14cm^-1即428～400cm^-1时，模型的rc与rv均可大于0.8，rmsec与rmsev均较小，bias为0mg/g，所以优化范围内的光谱范围均可以用来建模，如表7中的模型12、18、19和20；而当建模光谱范围不在优化范围内时，模型的rc或/和rv小于0.8，rmsec或/和rmsev较大，如表7中模型21。

4.1.3光谱数据的降维和建模变量(主因子)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主因子建模时，模型的性能存在明显差异，如表7中的模型12和13，最终按照贡献率由高到低的顺序选择前4个主因子建立预测麻黄中麻黄碱含量的pls模型。

4.1.4模型的建立与验证

使用校正集与验证集光谱数据的主因子得分及相应的麻黄碱含量参比值建立与验证预测麻黄中麻黄碱含量的pls模型，如图7所示(表7中的模型12)，其校正集与验证集的线性关系均显著、均方根误差均较小，偏差也较小，说明该模型具有良好的预测性能。

4.2bp-ann模型主要建模参数的选择与预测性能

4.2.1光谱预处理方案的选择

在建立预测麻黄中麻黄碱含量的bp-ann模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds、mc、vs等多种光谱预处理技术进行了筛选与组合，见表8。结果表明，所得光谱经sd+mc预处理时，所建bp-ann模型的预测性能最优。

4.2.2建模光谱范围的选择

由于建立与验证bp-ann模型时所使用的样品光谱与pls模型的相同，且两种模型的预测特性同样为麻黄中麻黄碱的含量，即相同光谱中表征相同目标特征的有效信息在相同区域，只是建模算法不同，所以bp-ann模型与pls模型所使用的建模光谱范围相同，即表8中的建模光谱范围3986～414cm^-1已经是优化后的建模光谱范围。

4.2.3光谱数据的降维和建模变量(主因子)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主因子建模时，模型的性能存在明显差异，如表8中的模型12和13，最终按照贡献率由高到低的顺序选择前4个主因子建立预测麻黄中麻黄碱含量的bp-ann模型。

4.2.4模型的建立与验证

使用校正集与验证集光谱数据的主因子得分及相应的麻黄碱含量参比值建立与验证预测麻黄中麻黄碱含量的bp-ann模型，如图8所示(表8中的模型12)，其校正集与验证集的线性关系均显著、均方根误差均较小，说明该模型具有良好的预测性能。

表8麻黄中麻黄碱含量bp-ann模型的主要建模参数与预测性能

由图7和8可见，本实施例所建立的线性pls模型和非线性bp-ann模型均能够灵敏、准确地预测麻黄中麻黄碱的含量，证明本发明方法获得的麻黄样品高灵敏光谱包含了样品的特征信息。由于两种模型使用的光谱预处理方案、建模光谱范围和建模特征变量均相同，且两种模型均具有较好的预测性能，彼此印证了本发明从红外光谱中准确提取和利用了目标特征的有效信息，保证了本发明分析方法的特异性、灵敏度和准确度。

实施例5一种灵敏预测麻黄中伪麻黄碱含量的中红外透射光谱法

本实施例采用与实施例4相同的样品、供试品制备方法、光谱测量条件及方法，与实施例4的区别在于本实施例采用草麻黄样品中伪麻黄碱含量参比值以优选的建模参数建立麻黄中伪麻黄碱的定量预测模型。

1.麻黄植物样品的收集

同实施例4。

2.麻黄粉末样品的制备及伪麻黄碱含量参比值的测定

麻黄粉末样品的制备方法同实施例1。

采用hplc法测定麻黄粉末样品中伪麻黄碱的含量参比值(测定方法参考文献：林凯，范琦，杨成刚，邓开英.rp-hplc法测定麻黄中麻黄碱、伪麻黄碱和甲基麻黄碱[j].中草药.2006，37(2)：282-284.)，结果为0.23～5.07mg/g，即0.023％～0.507％。

3.供试品的制备及中红外光谱的测量

同实施例1。

4.光谱特征变量的提取与建模

从25批草麻黄样品中选取19批作为校正集样品，其余作为验证集样品。

4.1pls模型主要建模参数的选择与预测性能

4.1.1光谱预处理方案的选择

在建立预测麻黄中伪麻黄碱含量的pls模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds、mc、vs等多种光谱预处理技术进行了筛选与组合，见表9。结果表明，所得光谱经sd+mc预处理时，所建pls模型的预测性能最优。

4.1.2建模光谱范围的选择

采用前述优选的光谱预处理方案，根据被测特性，建模光谱范围在建模软件自动选取的基础上人工优化为波数上限值3930±70cm^-1即4000～3860cm^-1、波数下限值470±70cm^-1即540～400cm^-1时，模型的rc与rv均可大于0.8，rmsec与rmsev均较小，bias为0mg/g，所以优化范围内的光谱范围均可以用来建模，如表9中的模型12、18、19和20；而当建模光谱范围不在优化范围内时，模型的rc或/和rv小于0.8，rmsec或/和rmsev较大，如表9中的模型21。

表9麻黄中伪麻黄碱含量pls模型的主要建模参数与预测性能

4.1.3光谱数据的降维和建模变量(主因子)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主因子建模时，模型的性能存在明显差异，如表9中的模型12和13，最终按照贡献率由高到低的顺序选择前4个主因子建立预测麻黄中伪麻黄碱含量的pls模型。

4.1.4模型的建立与验证

使用校正集与验证集光谱数据的主因子得分及相应的伪麻黄碱含量参比值建立与验证预测麻黄中伪麻黄碱含量的pls模型，如图9所示(表9模型12)，其校正集与验证集的线性关系显著、均方根误差均较小，偏差也较小，说明该模型具有良好的预测性能。

4.2bp-ann模型主要建模参数的选择与预测性能

4.2.1光谱预处理方案的选择

在建立预测麻黄中伪麻黄碱含量的bp-ann模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds、mc、vs等多种光谱预处理技术进行了筛选与组合，见表10。结果表明，所得光谱经sd+mc预处理时，所建bp-ann模型的预测性能最优。

表10麻黄中伪麻黄碱含量bp-ann模型的主要建模参数与预测性能

4.2.2建模光谱范围的选择

由于建立与验证bp-ann模型时所使用的样品光谱与pls模型的相同，且两种模型的预测特性同样为麻黄中伪麻黄碱的含量，即相同光谱中表征相同目标特征的有效信息在相同区域，只是建模算法不同，所以bp-ann模型与pls模型所使用的建模光谱范围相同，即表10中的建模光谱范围3930～470cm^-1已经是优化后的建模光谱范围。

4.2.3光谱数据的降维和建模变量(主因子)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主因子建模时，模型的性能存在明显差异，如表10中的模型12和13，最终按照贡献率由高到低的顺序选择前4个主因子建立预测麻黄中伪麻黄碱含量的bp-ann模型。

4.2.4模型的建立与验证

使用校正集与验证集光谱数据的主因子得分及相应的伪麻黄碱含量参比值建立与验证预测麻黄中伪麻黄碱含量的bp-ann模型，如图10所示(表10模型12)，其校正集与验证集的线性关系显著、均方根误差均较小，说明该模型具有良好的预测性能。

由图9和10可见，本实施例所建立的线性pls模型和非线性bp-ann模型均能够灵敏、准确地预测麻黄中伪麻黄碱的含量，证明本发明方法获得的麻黄样品高灵敏光谱包含了样品的特征信息。由于两种模型使用的光谱预处理方案、建模光谱范围和建模特征变量均相同，且两种模型均具有较好的预测性能，彼此印证了本发明从红外光谱中准确提取和利用了目标特征的有效信息，保证了本发明分析方法的特异性、灵敏度和准确度。

实施例6一种灵敏预测麻黄中甲基麻黄碱含量的中红外透射光谱法

本实施例采用与实施例4相同的样品、供试品制备方法、光谱测量条件及方法，与实施例4的区别在于本实施例采用草麻黄样品中甲基麻黄碱含量参比值以优选的建模参数建立麻黄中甲基麻黄碱的定量预测模型。

1.麻黄植物样品的收集

同实施例4。

2.麻黄粉末样品的制备及甲基麻黄碱含量参比值的测定

麻黄粉末样品的制备方法同实施例1。

采用hplc法测定麻黄粉末样品中甲基麻黄碱的含量参比值(测定方法参考文献：林凯，范琦，杨成刚，邓开英.rp-hplc法测定麻黄中麻黄碱、伪麻黄碱和甲基麻黄碱[j].中草药.2006，37(2)：282-284.)，结果为0.082～0.966mg/g，即0.0082％～0.0966％。

3.供试品的制备及中红外光谱的测量

同实施例1。

4.光谱特征变量的提取与建模

从25批草麻黄样品中选取19批作为校正集样品，其余作为验证集样品。

4.1pls模型主要建模参数的选择与预测性能

4.1.1光谱预处理方案的选择

在建立预测麻黄中甲基麻黄碱含量的pls模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds、mc、vs等多种光谱预处理技术进行了筛选与组合，见表11。结果表明，所得光谱经fd+mc预处理时，所建pls模型的预测性能最优。

4.1.2建模光谱范围的选择

采用前述优选的光谱预处理方案，根据被测特性，建模光谱范围在建模软件自动选取的基础上人工优化为波数上限值3800±200cm^-1即4000～3600cm^-1、波数下限值600±200cm^-1即800～400cm^-1时，模型的rc与rv均可大于0.8，rmsec与rmsev均较小，bias为0mg/g，所以优化范围内的光谱范围均可以用来建模，如表11中的模型11、18、19和20；而当建模光谱范围不在优化范围内时，模型的rc或/和rv小于0.8，rmsec或/和rmsev较大，如表11中的模型21。

4.1.3光谱数据的降维与建模变量(主因子)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主因子建模时，模型的性能存在明显差异，如表11中的模型11和12，最终按照贡献率由高到低的顺序选择前4个主因子建立预测麻黄中甲基麻黄碱含量的pls模型。

4.1.4模型的建立与验证

使用校正集与验证集光谱数据的主因子得分及相应的甲基麻黄碱含量参比值建立与验证预测麻黄中甲基麻黄碱含量的pls模型，如图11所示(表11中的模型11)，其校正集与验证集的线性关系显著、均方根误差均较小，偏差也较小，说明该模型具有良好的预测性能。

表11麻黄中甲基麻黄碱含量pls模型的主要建模参数与预测性能

4.2bp-ann模型主要建模参数的选择与预测性能

4.2.1光谱预处理方案的选择

在建立预测麻黄中甲基麻黄碱含量的bp-ann模型时，为了获得模型的最佳预测性能，对np、msc、snv、fd、sd、sgs、nds、mc、vs等多种光谱预处理技术进行了筛选与组合，见表12。结果表明，所得光谱经fd+mc预处理时，所建bp-ann模型的预测性能最优。

表12麻黄中甲基麻黄碱含量bp-ann模型的主要建模参数与预测性能

4.2.2建模光谱范围的选择

由于建立与验证bp-ann模型时所使用的样品光谱与pls模型的相同，且两种模型的预测特性同样为麻黄中甲基麻黄碱的含量，即相同光谱中表征相同目标特征的有效信息在相同区域，只是建模算法不同，所以bp-ann模型与pls模型所使用的建模光谱范围相同，即表12中的建模光谱范围3800～600cm^-1已经是优化后的建模光谱范围。

4.2.3光谱数据的降维与建模变量(主因子)的选择

对所选建模光谱范围内的光谱数据进行pca降维，当使用不同的主因子建模时，模型的性能存在明显差异，如表12中的模型11和12，最终按照贡献率由高到低的顺序选择前4个主因子建立预测麻黄中甲基麻黄碱含量的bp-ann模型。

4.2.4模型的建立与验证

使用校正集与验证集光谱数据的主因子得分及相应的甲基麻黄碱含量参比值建立与验证预测麻黄中甲基麻黄碱含量的bp-ann模型，如图12所示(表12中的模型11)，其校正集与验证集的线性关系显著、均方根误差均较小，说明该模型具有良好的预测性能。

由图11和12可见，本实施例所建立的线性pls模型和非线性bp-ann模型均能够灵敏、准确地预测麻黄中甲基麻黄碱的含量，证明本发明方法获得的麻黄样品高灵敏光谱包含了样品的特征信息。由于两种模型使用的光谱预处理方案、建模光谱范围和建模特征变量均相同，且两种模型均具有较好的预测性能，彼此印证了本发明从红外光谱中准确提取和利用了目标特征的有效信息，保证了本发明分析方法的特异性、灵敏度和准确度。

由上述实验结果可知，本发明所建方法不仅能够灵敏、准确地预测同一日上午或下午采摘的差异微小的麻黄品质特性，也能够灵敏、准确地预测麻黄中含量低至0.0082％的甲基麻黄碱含量。因此，本发明方法能够单独或同时灵敏、准确地预测麻黄的多种品质特性，包括识别微小的差异以及定量预测低含量的次生代谢产物。

最后要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的保护范围。