目的应用近红外光谱(near-infrared reflectance spectroscopy,NIRS)与中红外光谱(mid-infrared reflectance spectroscopy,MIRS)技术,对热毒宁注射液(Reduning Injection,RI)制剂过程的投料和二次热处理工序中6种质控指标进行快速检测...目的应用近红外光谱(near-infrared reflectance spectroscopy,NIRS)与中红外光谱(mid-infrared reflectance spectroscopy,MIRS)技术,对热毒宁注射液(Reduning Injection,RI)制剂过程的投料和二次热处理工序中6种质控指标进行快速检测,提高制剂过程的质量控制水平。方法利用NIRS透射技术与MIRS衰减全反射技术,结合偏最小二乘法(partial least squares,PLS),经过光谱预处理方法的优选以及波段筛选,分别建立绿原酸、新绿原酸、隐绿原酸、栀子苷、断氧化马钱子苷和固含量的快速预测模型,以校正集相关系数(rcal)、验证集相关系数(rpre)、校正均方根误差(root mean square error of calibration,RMSEC)、交叉验证均方根误差(root mean square error of cross validation,RMSECV)、预测相对误差(relative standard error of prediction,RSEP)为评价指标,评价模型性能。结果NIRS预测模型的6个质控指标的RMSEC和RMSECV均小于0.3,RSEP小于4.0%;MIRS预测模型的6个质控指标的RMSEC和RMSECV均小于0.4,RSEP均小于5.0%,建立的PLS模型具有模型性能好、预测精度高的优点。结论NIRS及MIRS分析技术,均可用于RI投料和二次热处理工序中6种质控指标的快速检测,模型RSEP在5%以内,方法操作简单,结果可靠。展开更多
该文基于近红外光谱(near-infrared spectroscopy,NIRS)技术、中红外光谱(mid-infrared spectroscopy,MIRS)技术以及光谱融合技术建立快速测定热毒宁注射液(Reduning Injectin,RI)中绿原酸、新绿原酸、隐绿原酸、栀子苷、断氧化马钱子...该文基于近红外光谱(near-infrared spectroscopy,NIRS)技术、中红外光谱(mid-infrared spectroscopy,MIRS)技术以及光谱融合技术建立快速测定热毒宁注射液(Reduning Injectin,RI)中绿原酸、新绿原酸、隐绿原酸、栀子苷、断氧化马钱子苷含量的方法。该研究通过考察6种预处理方法和5种变量筛选方法,选择最佳方法建立2种单一光谱的偏最小二乘(partial least square,PLS)模型。同时对近红外、中红外光谱进行等权融合和特征波段融合,建立PLS模型。对比4种模型对质控成分的预测效果:NIRS>特征波段融合>MIRS>等权融合,5种质控成分NIRS模型的预测相对偏差(relative standard error of prediction,RSEP)均低于2.5%,性能偏差比(ratio of performance to deviation,RPD)均大于9.5。研究表明,NIRS单一光谱模型是较优的定量检测方法,NIRS结合PLS模型可用于对热毒宁注射液的快速检测。展开更多
文摘目的应用近红外光谱(near-infrared reflectance spectroscopy,NIRS)与中红外光谱(mid-infrared reflectance spectroscopy,MIRS)技术,对热毒宁注射液(Reduning Injection,RI)制剂过程的投料和二次热处理工序中6种质控指标进行快速检测,提高制剂过程的质量控制水平。方法利用NIRS透射技术与MIRS衰减全反射技术,结合偏最小二乘法(partial least squares,PLS),经过光谱预处理方法的优选以及波段筛选,分别建立绿原酸、新绿原酸、隐绿原酸、栀子苷、断氧化马钱子苷和固含量的快速预测模型,以校正集相关系数(rcal)、验证集相关系数(rpre)、校正均方根误差(root mean square error of calibration,RMSEC)、交叉验证均方根误差(root mean square error of cross validation,RMSECV)、预测相对误差(relative standard error of prediction,RSEP)为评价指标,评价模型性能。结果NIRS预测模型的6个质控指标的RMSEC和RMSECV均小于0.3,RSEP小于4.0%;MIRS预测模型的6个质控指标的RMSEC和RMSECV均小于0.4,RSEP均小于5.0%,建立的PLS模型具有模型性能好、预测精度高的优点。结论NIRS及MIRS分析技术,均可用于RI投料和二次热处理工序中6种质控指标的快速检测,模型RSEP在5%以内,方法操作简单,结果可靠。
文摘目的 采用近红外光谱(near-infrared spectroscopy,NIRS)技术,结合机器学习算法,实现热毒宁注射液(Reduning Injection,RI)金银花和青蒿(金青)萃取过程中固形物含量(solid content,SC)的在线监测,并基于NIRS技术建立萃取终点判别模型,以提高金青萃取过程的质量控制水平。方法 采用NIRS技术,结合偏最小二乘法(partial least squares,PLS)和多元自适应回归样条(multivariate adaptive regression splines,MARS)算法,模型经过光谱预处理方法的优选及特征变量筛选,建立最佳SC的在线监测模型;采用支持向量机(support vector machine,SVM)算法建立异常光谱判别模型,通过移动块标准偏差法(moving block standard deviation,MBSD)算法建立萃取终点判别模型。结果 PLS和MARS模型性能优异,相较于PLS模型,MARS模型性能有所提升,预测相对误差(relative standard error of prediction,RSEP)由2.87%降低至2.64%,性能偏差比(ratio of performance to deviation,RPD)由15.953 0升至17.376 1,2种算法模型均具有模型性能好、预测精度高的优点;MBSD算法用于萃取终点的判断,可有效提升萃取效率。结论 NIRS技术结合PLS算法和MARS算法,均可用于RI金青萃取过程SC的在线监测,MARS模型性能更佳;采用MBSD方法进行萃取终点判断,方法简便易行,可以满足生产实际需求。
文摘该文基于近红外光谱(near-infrared spectroscopy,NIRS)技术、中红外光谱(mid-infrared spectroscopy,MIRS)技术以及光谱融合技术建立快速测定热毒宁注射液(Reduning Injectin,RI)中绿原酸、新绿原酸、隐绿原酸、栀子苷、断氧化马钱子苷含量的方法。该研究通过考察6种预处理方法和5种变量筛选方法,选择最佳方法建立2种单一光谱的偏最小二乘(partial least square,PLS)模型。同时对近红外、中红外光谱进行等权融合和特征波段融合,建立PLS模型。对比4种模型对质控成分的预测效果:NIRS>特征波段融合>MIRS>等权融合,5种质控成分NIRS模型的预测相对偏差(relative standard error of prediction,RSEP)均低于2.5%,性能偏差比(ratio of performance to deviation,RPD)均大于9.5。研究表明,NIRS单一光谱模型是较优的定量检测方法,NIRS结合PLS模型可用于对热毒宁注射液的快速检测。
