近红外漫反射光谱法用于西红花总灰分快速无损检测

1、 研究背景

传统总灰分检测需要高温灼烧、恒重称量，检测周期长、样品被破坏、试剂能耗消耗大，大批量进口样本检测时，检验时效与成本压力突出。

近红外漫反射光谱技术具备快速、无损、绿色的优势，广泛用于中药质量快检。目前西红花近红外研究多集中真伪鉴别、活性成分测定，针对总灰分的定量模型鲜有报道，亟需建立适配进口药材的快速检测方法，支撑口岸现场质量筛查。

2、系统搭建

使用如海的制冷型近红外光谱仪NIR mini可以做此类应用。

3. 研究内容

3.1总灰分测定结果

根据中国药典2020年版对西红花总灰分的测 定数据，校正集(n=200)与测试集(n=20)的总灰分范围分别为3.60%~5.36%与4.30%~5.00%，平均值分别为4.55%与4.66%，数据分布集中且具有良好的一致性，见表1和图1，所有样品的总灰分均<7.5%，符合中国药典对西红花总灰分的控制要求。西红花校正集范围较广、具有适宜的离散程度，有利于建立稳健的预测模型，而测试集数据的合理偏移可有效检验模型的泛化能力。

近红外漫反射光谱法用于西红花总灰分快速无损检测

图 1 西红花样本中总灰分的分布范围

3.2 西红花的近红外原始光谱

200批西红花的光谱见图2，从图中可以看出，在1400 nm附近存在较强的吸收峰，主要对应于O-H键的第1次倍频振动，其吸收强度可间接反映总灰分水平；在1900 nm附近同样有较强的吸收峰，归因于O-H键的合频振动，该区域的吸收强度可作为灰分预测的关键变量；在1700 nm 和2100 nm附近有中等强度的吸收峰，主要对应于C-H键的第1次倍频和合频振动(如甲基、亚甲基)。西红花中的有机成分富含C-H键，这些吸收峰反映了有机物的存在，由于有机成分在燃烧后会影响灰分残留，推测这些区域的吸收强度对灰分模型有一定的贡献。此外，在1200 nm附近也 有较弱吸收，与O-H键的第2次倍频相关，但强度较低，对模型影响较小。整体光谱在1600~ 1800 nm和2000~2200 nm内显示连续吸收，表明C-H和O-H键的复杂相互作用。

3.3特征光谱变量的选择

采用全光谱建模会包含大量信息，难免引入与待测组分无关或冗余的光谱变量，这些变量可能导致模型过拟合，并降低其稳健性。因此，进行波长选择以剔除不相关变量，对于简化模型、增强其预测能力及稳定性至关重要。基于对西红花光谱特征的分析发现，两端波段(2400 nm)信噪比较低且有效信息量少，针对中药材这类复杂体系，其化学成分相互干扰，光谱特征往往宽泛且重叠，关键信息未必集中于若干孤立峰位，而可能蕴含于整体谱形或背景变化之中。为尽可能保持光谱数据的完整性，避免因过度筛选而损失有效信息，本研究最终选定1050~2400 nm的光谱范围进行后续建模分析。

3.4光谱数据预处理

经过2轮迭代剔除，共计移除了18个异常样本，剩余182个样本进入最终校正集，剔除样本数占总样本数的比例为9%，这一比例确保了建模基础数据的可靠性，且未损失过多的有效信息。另外，在近红外光谱分析中，固体漫反射样品常因颗粒分布与表面特性而引入散射效应、基线漂移及随机噪声，影响定量模型的精度与稳健性。为优选出适用于本研究特定固体样品的预处理方法，对3个预处理组合方法进行考察。方法3(Savitzky-Golay平滑+Savitzky-Golay导数+均值中心化)旨在消除高频噪声与基线漂移，在此基础上，方法1(SNV+DT+Savitzky-Golay平滑+Savitzky Golay导数+均值中心化)与方法2(MSC+Savitzky Golay平滑+Savitzky-Golay导数+均值中心化)分别引入了光谱预处理中2种广泛使用且校正原理不同的散射处理方法：MSC和SNV+DT组合。通过与基础组合对比，评估针对本研究样品进行散射校正是否必要；其次，通过比较2种散射校正方法，进一步甄别何种散射校正方法更有效。采用上述3种组合方法处理光谱数据后，所建定量校正模型的预测效果见表2。

表2 不同预处理方法后建立的PLS模型效果

由表2可知，总灰分近红外定量校正模型的最优光谱预处理方法为方法2(MSC+Savitzky Golay平滑+Savitzky-Golay导数+均值中心化)，其中校正集的Rc为0.92，SEC值为0.2414，SECV值为0.2679。该方法所建立的模型RPD为2.2062，表明模型的预测效果较好，同时决定系数(coefficient of determination，R2，R2=1–1/RPD2)达0.80，且SECV未超过SEC的1.2倍，进一步验证了模型的稳健性和预测准确性。作为比较，方法1(SNV+DT+Savitzky-Golay平滑+Savitzky-Golay 导数+均值中心化)所建立的模型与方法2非常接近，Rc值为0.92，SEC值为0.2420，SECV值为0.2679，RPD值为2.2062。方法1和方法2所建立的预测模型主成分数均为6，因此，均可视为较优的预处理方案。将原始光谱分别采用方法1、方法2、方法3预处理后建立PLS定量校正模型，其中样品经较优预处理方法(如：方法2)处理后的光谱模型效果见图3。

图 3 西红花样品的校正处理后近红外光谱图

3.5 模型的验证和评价

为考察所建近红外定量校正模型的外部预测性能，采用20个独立样品进行验证。西红花总灰分的预测值与实测值之间具有高度的线性相关性，线性相关系数为0.9661，见表3和图4。为进一步评估预测结果的准确性，进行了配对t检验。在95%的置信水平下，P值为0.6262>0.05，表明模型的预测值与实测值之间不存在显著的系统性偏差。预测均方根误差为0.05%，表明模型具有较好的预测精度。综合以上结果可知，所建模型对西红花中总灰分含量具有良好的预测能力，可用于实际检测。

表3 20批次西红花测试集样品总灰分真实值与近红外光谱预测值比较

图4 总灰分的预测值与真实值的相关性

4、研究结论

在中药质量控制与研究中，测定中药的灰分是一项至关重要的检测项目，不仅有助于确保中药材及其制剂的质量稳定、安全有效，还能客观反映药材加工炮制过程中去除非药用部位及清洗的工艺水平，是保障中药纯净、真实与安全的基础性控制手段。利用近红外漫反射光谱技术结合光谱预处理方法建立西红花中总灰分的PLS定量校正模型，能够用于快速、无损地测定西红花含量。本研究中比较了3种预处理方法对模型性能 的提升效果，其中，SNV+DT+Savitzky-Golay平滑+Savitzky-Golay导数+均值中心化与MSC+Savitzky-Golay平滑+Savitzky-Golay导数+均值中心化模型效果相当，均为较优的预处理方法。采用最优预处理方法使得模型的Rc值均>0.90，结果表明，2种预处理方法可以有效提升模型的预测准确性与稳健性，基于上述2种方法建立的西红花模型为进一步建立西红花质量快速评价体系提供技术支撑。尽管本研究建立的近红外模型对西红花总灰分表现出良好的预测性能，但仍存在一定局限性。该模型基于特定产地的样本构建，对其他产地的适用性尚待验证；此外，样本总灰分含量分布相对集中，可能影响模型在极端条件下的外推能力。未来可通过扩大样本多样性及优化预处理 策略进一步提升模型的实用性与稳健性。