CN112414967B - 一种快速实时检测蒲黄炭炮制的近红外质控方法 - Google Patents
一种快速实时检测蒲黄炭炮制的近红外质控方法 Download PDFInfo
- Publication number
- CN112414967B CN112414967B CN202011286107.9A CN202011286107A CN112414967B CN 112414967 B CN112414967 B CN 112414967B CN 202011286107 A CN202011286107 A CN 202011286107A CN 112414967 B CN112414967 B CN 112414967B
- Authority
- CN
- China
- Prior art keywords
- charcoal
- near infrared
- sample
- cattail pollen
- quality control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003610 charcoal Substances 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000003908 quality control method Methods 0.000 title claims abstract description 16
- 240000001398 Typha domingensis Species 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 241000233948 Typha Species 0.000 claims abstract description 29
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 239000000523 sample Substances 0.000 claims description 53
- 238000002329 infrared spectrum Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 239000013307 optical fiber Substances 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001028 reflection method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 8
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 208000032843 Hemorrhage Diseases 0.000 description 3
- 241001518821 Typha orientalis Species 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- NRSUOHVIKLCXEE-UHFFFAOYSA-N Isorhamnetin 3-O-beta-D-glucopyranoside Natural products CCC1OC(OC2=C(Oc3cc(O)cc(O)c3C2=O)c4ccc(O)c(OC)c4)C(O)C(O)C1O NRSUOHVIKLCXEE-UHFFFAOYSA-N 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000012043 crude product Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 229930182470 glycoside Natural products 0.000 description 2
- 150000002338 glycosides Chemical class 0.000 description 2
- CQLRUIIRRZYHHS-LFXZADKFSA-N isorhamnetin 3-O-beta-D-glucopyranoside Chemical compound C1=C(O)C(OC)=CC(C2=C(C(=O)C3=C(O)C=C(O)C=C3O2)O[C@H]2[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O2)O)=C1 CQLRUIIRRZYHHS-LFXZADKFSA-N 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007873 sieving Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 229940126680 traditional chinese medicines Drugs 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 244000208060 Lawsonia inermis Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 240000000260 Typha latifolia Species 0.000 description 1
- 235000005324 Typha latifolia Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229930003935 flavonoid Natural products 0.000 description 1
- 150000002215 flavonoids Chemical class 0.000 description 1
- 235000017173 flavonoids Nutrition 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002439 hemostatic effect Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 229940079913 intestinal absorbents charcoal preparations Drugs 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003333 near-infrared imaging Methods 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 150000003431 steroids Chemical class 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 208000014001 urinary system disease Diseases 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/10—Biofuels, e.g. bio-diesel
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于饮片检测技术领域；具体涉及一种运用梯度辨别法快速实时检测蒲黄炭炮制的近红外质控方法。包括以下步骤：(1)样品制备和收集以及两种方式对样品光谱数据的采集；(2)对光谱数据进行预处理，确定不同采集方式的特征谱段；(3)采用梯度辨别法建立定性鉴别模型。本发明首次利用基于梯度辨别法的近红外分析的方法对蒲黄炭炮制品质进行客观、迅速、简便以及数字化地评价；为蒲黄炭饮片的生产及质量监管提供依据。
Description
技术领域
本发明属于饮片检测技术领域；具体涉及一种运用梯度辨别法快速实时检测蒲黄炭炮制的近红外质控方法。
背景技术
蒲黄为香蒲科植物水烛香蒲、东方香蒲或同属植物的干燥花粉。主要产自浙江、江苏、山东、安徽、湖北。夏季采收蒲棒上部的黄色雄花序，晒干后经辗轧，筛取花粉。蒲黄味甘性平，具化瘀止血通淋之功效，临床用于心血管疾病、妇科疾病、眼底出血、皮肤疾病以及泌尿系统疾病等。蒲黄主要含黄酮类成分、有机酸类成分、甾体类成分、多糖类成分等，有调节血液系统、保护心脑血管系统、免疫调节、抗炎、镇痛和对子宫及肾脏的影响等作用。
蒲黄生品化瘀力强，炒炭后保留有一定化瘀能力，同时止血功效显著增强。蒲黄炭味微苦性涩，偏于凉血止血，用于各种血证。
炭药炮制是中药的一大特色，中医药理论认为炒炭须存性。目前对蒲黄炭的质量控制仅限定颜色为棕褐色或黑褐色，浸出物不少于11.0％；文献调研发现多以HPLC指纹图谱法对蒲黄炭进行质量评价。存在受主观因素影响较大，不同药工对颜色认识不同；需要使用各种仪器和化学试剂对药物材料进行破坏性的预处理，昂贵耗时的问题且以上各方法均为终端检测，不能实时监测炮制的进程。近红外光谱法结合化学计量学技术具有简单，无污染，无损及可实时在线质量控制的优点。有文献报道使用近红外法预测蒲黄不同炮制品中香蒲新苷和异鼠李素-3-O-葡萄糖苷的含量，为在线评估蒲黄炭质量的实现提供可能。但此方法仅检测蒲黄生品指标性成分香蒲新苷和蒲黄炭中含量较低成分异鼠李素-3-O-葡萄糖苷，并不能准确表明蒲黄炭的质量。
中国专利申请CN 111487202 A中公开一种药饮片的炮制工艺及其质量控制领域，涉及一种蒲黄炮制过程在线控制的方法，具体涉及以颜色数据作为重要指标作为来控制蒲黄饮片炮制程度的一种判别方法。该方法利用分光测色仪分别测定蒲黄的颜色参数L*、a*、b*值，并以各类饮片的颜色参数、各样品的总色值以及与蒲黄生品标准颜色参数间的色差值、或以判别函数的方法判定蒲黄炮制品的质量。但该方法的准确率和测试效率还有待进一步提高。
发明内容
为克服以上技术问题，本发明提供了一种基于梯度辨别法的快速实时检测蒲黄炭炮制的近红外质控方法，该方法的准确率较高。与传统鉴别方法相比，这种实时快速检测方法能客观、迅速、无损、数字化评价中药质量。
为实现以上目的，本发明提供的技术方案如下：
一种快速实时检测蒲黄炭炮制的近红外质控方法，包括如下步骤：
(1)样品制备：取生蒲黄，炒炭，制得标准炭样品，炒炭不及样品，炒过炭样品；
(2)光谱数据采集：分别以两种方法采集三种蒲黄炭样品的近红外光谱数据；
(3)对光谱数据进行近红外数据标准化预处理，确定特征谱段；光谱数据预处理公式为：
sdi表示第i个数据，yi表示第i个预处理光谱数据，sdmin和sdmax表示光谱数据中最小值和最大值；
(4)采用梯度辨别法建立定性鉴别模型；具体步骤为：
A：特征向量提取：将预处理后的近红外光谱分成多个频段，步幅s表示每个频带的间距；运用中值滤波技术平滑频带，计算每个频带的过滤器中值：令y'j为第j个频带的过滤器中值，则y'j可按下述公式计算：
以过滤器中值y'j计算变化梯度为特征向量，令fj为第j个特征；
fj＝y'j+1-y'j (Ⅲ)
B：特征值选取：积分球法所得光谱在上述处理后差异的特征值主要集中于前50％区域；手持光纤法所得光谱在数据处理后，差异特征值集中于前60％区域；因此选取前50％区域和前60％区域分别作为上述两种方法的代表特征值；
C：以代表特征值为特征向量，用支持向量机学习样本类型，采用LibSVM软件包进行模型训练，构建定性预测模型；提取新测试样本的特征值后，利用预测模型即可判定预测结果类型。
优选地，步骤(1)中近红外光谱采集的方法为采用Thermo公司AntarisⅡ型傅里叶变换近红外光谱仪，以积分球漫反射和光纤探头两种方式采集光谱；扫描次数为32次，分辨率为8cm-1，光谱范围12000-4000cm-1，在22-27℃，60％湿度的环境下检测，每份样品重复测定三次，取平均光谱为样品光谱。
优选地，步骤(2)中，所述近红外光谱数据采集时，各批次样品量为5g，以空气为背景。
优选地，步骤(2)及步骤(4)中，所述的两种方法为积分球漫反射法和光纤探头法。分别以积分球漫反射法或光纤探头法两种模式采集近红外光谱数据。
优选地，步骤(1)中，所述炒炭，符合中国药典规定的炒炭方法，制得蒲黄炭样品(标准炭样品)，炒炭不及样品，炒过炭样品。
本发明通过分析相邻波长间光谱值的波动情况来提取有效的分类特征。
本发明步骤(2)之后，随机选取同类型样品中3个光谱图，比较发现光谱为均匀波动，某些波段光谱会拟合，虽然部分波段不吻合，但其变化趋势一致；而后对比不同类型样品谱图发现，某些波段曲线不拟合，且变化梯度具有明显差异；由于相同类型样本变化梯度相似并且不同类型样本变化梯度不同，因此，选择变化梯度为特征。
与现有技术比，本发明的技术优势在于：
1、相较于传统经验鉴别以及指标成分含量测定，本发明可实时、迅速、无损地评判蒲黄炭炮制的品质。
2、本发明为蒲黄炭炮制生产质量控制提供新的实时质控方法，对市场蒲黄炮制品的质量监管提供依据，具有广阔的应用前景。
3、对比本梯度辨别法与深度学习方法CNN、经典的机器学习方法LDA以及SNV-LDA进行性能对比，该方法的识别准确率最高。同时，稳定性测试结果表明本发明所提出方法在测试集比例发生变化时依旧能够提供较高准确率的分类结果，方法能够满足实际应用中对稳定性的需求。
附图说明
图1：实施例的数据处理流程图。
图2：实施例的193个蒲黄炮制品以积分球漫反射法采集的傅里叶变换近红外光谱图。
图3：实施例的炒炭不及样品中随机抽取的三个样品近红外光谱图比较分析。
图4：实施例的三种类型炮制品随机抽取的各一个近红外光谱图比较分析。
图5：实施例中本方法与已有三种算法的准确度比较图。
图6：实施例的积分球漫反射法特征提取图。
图7：实施例的光纤探头法特征提取图。
图8：实施例的训练集规模对准确度的影响图。
现结合附图和实施例对本发明作进一步说明：
具体实施方式
下面通过具体实施例对本发明进行说明，以使本发明技术方案更易于理解、掌握，但本发明并不局限于此。下述实施例中所述实验方法，如无特殊说明，均为常规方法；所述试剂和材料，如无特殊说明，均可从商业途径获得。
本发明所使用仪器：AntarisⅡ型傅里叶变换近红外光谱仪(Thermo公司，美国)，配有漫反射积分球，样品旋转器，石英样品杯，手持光纤探头；七号筛(新乡市金禾机械有限公司，河南)；电磁炉(美的集团股份有限公司，广东)；分析天平(Sartorius公司，瑞士)。
实施例
1、炮制品制备和收集：生蒲黄购自南通通州，批号为20180820，经南京中医药大学药学院鉴定为东方香蒲(Typha orientalis Presl)的花粉。在资深炮制专家指导下和前期炮制工艺研究基础上，制备45批炒炭不及样品，82批蒲黄炭，66批蒲黄过炭样品，合计193批蒲黄炭炮制品。
2、采集样品的傅里叶变换近红外光谱图：取193批蒲黄炮制品5g(过七号筛)，于石英样品杯中，扫描次数为32次，分辨率为8cm-1，光谱范围12000～4000cm-1，在22～27℃，60％湿度的环境下检测，每份样品重复测定三次，取平均光谱为样品光谱。如图2所示。以光纤探头法用同样参数再采集193批蒲黄炮制品的傅里叶近红外光谱，用来比较两种采集光谱方式的区别。
3、确定光谱处理方法：将上述新开发的算法与已有的三种常用算法：卷积神经网络(Convolutional Neural Network,CNN)、线性判别分析(Linear DiscriminantAnalysis,LDA)和标准正态变量校正线性判别分析(Standard Normal Variate-LDA,SNV-LDA)进行比较。训练集占80％，测试集占20％，以train-test重复运行算法100次，结果表明本发明中开发的算法相比其他三种算法有更高的准确性。如图5所示，浅灰色表示积分球漫反射法，深灰色表示光纤探头法。从100次训练结果中随机选择一个实验结果进行内部验证和外部验证。内部验证表明本发明中算法可识别出所有训练集样本，精度为100％。外部验证结果表明，本算法可比其他算法识别出更多样品，拥有更高的准确性。
表1四种算法内部验证和外部验证结果
4、确定漫反射法近红外光谱特征谱段
三种蒲黄炭炮制品的近红外光谱经过数据预处理后，光谱之间的差异被进一步放大，以圆圈标出差异较大的谱段，如图6所示。其中浅灰表示炒炭不及样品，黑色表示蒲黄炭样品，灰色表示过炭样品。差异谱段集中在前50％谱段，因此将前50％谱段选为特征谱段。
5、确定光纤探头法近红外光谱特征谱段
处理方法同上述步骤4，如图7所示。差异谱段集中在前60％谱段，因此将前60％谱段选为特征谱段。
6、建立定性鉴别模型：以代表特征值为特征向量，使用支持向量机学习样本类型，采用LibSVM软件包进行模型训练，构建定性模型。对于新测试样本，其特征值被提取后，预测模型即可判定预测结果类型。
7、训练集规模对预测准确性的影响：训练集的规模会影响最终预测的准确性，分别以训练集样本量的10％，20％，30％，40％，50％，60％，70％，80％，90％，用train-test程序重复训练100次。如图8所示，结果表明，训练集规模改变时，本发明中所建方法是可靠的，均可以准确判别样本炮制程度。
上述详细说明是针对本发明其中之一可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本发明技术方案的范围内。
Claims (5)
1.一种快速实时检测蒲黄炭炮制的近红外质控方法，包括如下步骤：
(1)样品制备：取生蒲黄，炒炭，制得标准炭样品，炒炭不及样品，炒过炭样品；
(2)光谱数据采集：分别以两种方法采集三种蒲黄炭样品的近红外光谱数据；
(3)对光谱数据进行近红外数据标准化预处理，确定特征谱段；光谱数据预处理公式为：
sdi表示第i个数据，yi表示第i个预处理光谱数据，sdmin和sdmax表示光谱数据中最小值和最大值；
(4)采用梯度辨别法建立定性鉴别模型；具体步骤为：
A：特征向量提取：将预处理后的近红外光谱分成多个频段，步幅s表示每个频带的间距；运用中值滤波技术平滑频带，计算每个频带的过滤器中值：令y'j为第j个频带的过滤器中值，则y'j可按下述公式计算：
以过滤器中值y'j计算变化梯度为特征向量，令fj为第j个特征；
fj＝y'j+1-y'j (Ⅲ)
B：特征值选取：选取前50％区域和前60％区域分别作为两种方法的代表特征值；
C：以代表特征值为特征向量，用支持向量机学习样本类型，采用LibSVM软件包进行模型训练，构建定性预测模型；提取新测试样本的特征值后，利用预测模型即可判定预测结果类型。
2.根据权利要求1所述的快速实时检测蒲黄炭炮制的近红外质控方法，其特征在于，步骤(1)中近红外光谱数据采集的方法为：采用傅里叶变换近红外光谱仪，以积分球漫反射和光纤探头两种方式采集光谱；扫描次数为32次，分辨率为8cm-1，光谱范围12000-4000cm-1，在22-27℃，60％湿度的环境下检测，每份样品重复测定三次，取平均光谱数据为样品的光谱数据。
3.根据权利要求1所述的快速实时检测蒲黄炭炮制的近红外质控方法，其特征在于，步骤(2)中，所述近红外光谱数据采集时，各批次样品量为5g，以空气为背景。
4.根据权利要求1所述的快速实时检测蒲黄炭炮制的近红外质控方法，其特征在于，步骤(2)及步骤(4)中，所述的两种方法为积分球漫反射法和光纤探头法。
5.根据权利要求1所述的快速实时检测蒲黄炭炮制的近红外质控方法，其特征在于，步骤(1)中，所述炒炭，符合中国药典规定的炒炭方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011286107.9A CN112414967B (zh) | 2020-11-17 | 2020-11-17 | 一种快速实时检测蒲黄炭炮制的近红外质控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011286107.9A CN112414967B (zh) | 2020-11-17 | 2020-11-17 | 一种快速实时检测蒲黄炭炮制的近红外质控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112414967A CN112414967A (zh) | 2021-02-26 |
| CN112414967B true CN112414967B (zh) | 2023-08-18 |
Family
ID=74831468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011286107.9A Active CN112414967B (zh) | 2020-11-17 | 2020-11-17 | 一种快速实时检测蒲黄炭炮制的近红外质控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112414967B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112834456A (zh) * | 2021-02-27 | 2021-05-25 | 南京海源中药饮片有限公司 | 一种白芍的近红外在线质量检测方法 |
| CN113376117A (zh) * | 2021-02-27 | 2021-09-10 | 南京海源中药饮片有限公司 | 一种当归的近红外在线质量检测方法 |
| CN113376116A (zh) * | 2021-02-27 | 2021-09-10 | 南京海源中药饮片有限公司 | 一种地黄的近红外在线质量检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1943611A (zh) * | 2006-10-23 | 2007-04-11 | 河南中医学院 | 金银花炭的炮制及质量控制方法 |
| CN105241996A (zh) * | 2015-11-10 | 2016-01-13 | 广东一方制药有限公司 | 一种炭药炮制品的薄层色谱鉴别方法 |
| CN107449753A (zh) * | 2017-07-20 | 2017-12-08 | 广东药科大学 | 近红外光谱快速测定槐花炮制品中芦丁含量的方法 |
| CN109557269A (zh) * | 2018-12-11 | 2019-04-02 | 漳州卫生职业学院 | 一种土炒中药饮片的质量评价方法 |
| CN111487202A (zh) * | 2019-01-29 | 2020-08-04 | 沈阳药科大学 | 一种蒲黄炮制过程在线控制的方法 |
-
2020
- 2020-11-17 CN CN202011286107.9A patent/CN112414967B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1943611A (zh) * | 2006-10-23 | 2007-04-11 | 河南中医学院 | 金银花炭的炮制及质量控制方法 |
| CN105241996A (zh) * | 2015-11-10 | 2016-01-13 | 广东一方制药有限公司 | 一种炭药炮制品的薄层色谱鉴别方法 |
| CN107449753A (zh) * | 2017-07-20 | 2017-12-08 | 广东药科大学 | 近红外光谱快速测定槐花炮制品中芦丁含量的方法 |
| CN109557269A (zh) * | 2018-12-11 | 2019-04-02 | 漳州卫生职业学院 | 一种土炒中药饮片的质量评价方法 |
| CN111487202A (zh) * | 2019-01-29 | 2020-08-04 | 沈阳药科大学 | 一种蒲黄炮制过程在线控制的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 近红外光谱法应用于蒲黄总灰分的定量预测研究;刘薇 等;《药物分析杂志》;31(10);第1941-1946页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112414967A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112414967B (zh) | 一种快速实时检测蒲黄炭炮制的近红外质控方法 | |
| CN104237060A (zh) | 一种金银花药材多指标快速检测方法 | |
| CN106092950A (zh) | 一种基于近红外光谱鉴别铁皮石斛药材的方法 | |
| CN103411906A (zh) | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 | |
| CN103115892A (zh) | 应用近红外光谱分析技术制备银杏叶提取物的方法 | |
| CN112595692A (zh) | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 | |
| CN105138834A (zh) | 基于近红外光谱波数k均值聚类的烟草化学值定量方法 | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| CN103712948A (zh) | 生鲜羊肉中挥发性盐基氮含量的快速无损检测方法 | |
| CN108827907A (zh) | 一种基于近红外光谱对彩棉色度的快速测定方法 | |
| CN106226267B (zh) | 一种辣椒干色价的近红外测定方法 | |
| CN108562556A (zh) | 一种桔梗药材的近红外光谱检测方法 | |
| CN116008245A (zh) | 桑叶拉曼光谱指纹图谱的建立结合机器学习算法在桑叶属地来源鉴定中的应用 | |
| CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
| CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
| CN110231305A (zh) | 一种测定奇亚籽中dpph自由基清除能力的方法 | |
| CN113176227A (zh) | 一种快速预测河南石斛掺伪霍山石斛的方法 | |
| CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
| CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
| CN103335960A (zh) | 一种华蟾素提取浓缩过程关键指标的快速检测方法 | |
| CN108760679A (zh) | 一种基于近红外光谱技术的乌天麻鉴别方 | |
| CN116559106A (zh) | 一种中药材炮制工艺过程的近红外在线监测方法 | |
| CN114486798B (zh) | 一种快速预测蕨菜中总黄酮含量的方法 | |
| CN110231300A (zh) | 一种无损快速鉴别真假阿克苏红富士苹果的方法 | |
| CN106568740A (zh) | 一种近红外光谱快速判定茶鲜叶品种的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |