Page 91 - 2019年1月第30卷第2期

0.50 8
7
RMSECV 预测值 6

0.27 5 4 计算模型
验证模型
0 2 4 6 8 10 3 模型修正
交叉模型修正
主因子数
A.总苯乙醇苷 3 8
1.17 测定值
A.相关图
RMSECV 0.8

0.84
偏差值
0 2 4 6 8 10
主因子数 －0.8
B.总环烯醚萜苷 校正集
验证集
图4 主因子数对定量模型性能的影响
3 8
Fig 4 Effects of principal factor number on quantita- 测定值
B.偏差图
tive model performance
图6 总环烯醚萜苷校正集样品NIR模型
析软件结合偏最小二乘法（PLS）法，分别采用最佳光谱
Fig 6 NIR models of total iridoid glycosides in valida-
预处理方法 MSC+FD、SNV+FD，最佳建模光谱范围
tion set
－1
－1
6 703.35～11 065.54 cm 、3 999.63～9 102.36 cm ，最
表9 总苯乙醇苷定量模型验证结果（％％）
佳主因子数 10.7，建立定量分析模型。总苯乙醇苷、总
Tab 9 Results of quantitative model validation of to-
环烯醚萜苷校正集样品NIR模型见图5、图6。
tal phenylethanoid glycoside（％％）
2.4
批号 测定值 预测值 绝对偏差 相对偏差
S8 0.351 0.364 0.013 0.037
预测值 S12 0.354 0.325 －0.029 －0.819
0.769
－0.002
－0.003
S24
0.771
S31 0.322 0.289 －0.033 －0.103
计算模型 S35 0.512 0.470 －0.042 －0.082
验证模型
模型修正
0.1 交叉模型修正 S44 1.625 1.593 －0.032 －0.019
0.1 2.4 S45 0.415 0.408 －0.007 －0.017
测定值
A.相关图 S47 1.629 1.636 0.007 0.004
0.09 S62 1.198 1.192 －0.006 －0.005
S71 0.746 0.726 －0.020 －0.027
S75 0.299 0.268 －0.031 －0.103
偏差值 S77 0.300 0.304 0.004 0.013
S80
0.377
0.377
0.000
0.000
S82 0.451 0.477 －0.004 －0.009
校正集 S90 0.747 0.782 0.035 0.047
验证集
－0.15 S93 1.094 1.110 0.016 0.015
0.1 2.4
测定值 S96 1.018 0.988 －0.030 －0.030
B.偏差图 S102 0.931 0.930 －0.001 －0.001
图5 总苯乙醇苷校正集样品NIR模型 S103 0.779 0.778 －0.001 －0.001
S108 0.421 0.453 0.032 0.076
Fig 5 NIR models of total phenylethanoid glycosides S110 0.722 0.719 －0.003 －0.004
in calibration set S112 0.978 0.970 －0.008 －0.008
S116 0.454 0.438 －0.016 －0.035
由图 5、图 6 可知，预测值与测定值相关性较好，所 S119 0.726 0.781 0.055 0.076
建模型准确性、适用性好。 S122 0.410 0.416 0.006 0.015
2.3.7 定量模型的验证 分别在总苯乙醇苷、总环烯醚 S123 1.236 1.303 0.067 0.054
萜苷的定量分析模型中，将26批总苯乙醇苷验证集样品 由表 9、表 10 可知，NIR 所建模型预测总苯乙醇苷、
和 27 批总环烯醚萜苷验证集样品含量的测定值与预测 总环烯醚萜苷的含量结果与 UV 法的测定结果接近，绝
值进行比较并计算偏差，详见表9、表10[注：绝对偏差＝ 对偏差及相对偏差均较小；经SPSS 19.0统计软件配对t
（预测值－测定值）；相对偏差＝（预测值－测定值）/测定 检验，预测值与测定值比较差异均无统计学意义（P＞
值]。 0.05）。这表明所建模型的预测性能均较好，可用于药材
·230 · China Pharmacy 2019 Vol. 30 No. 2 中国药房 2019年第30卷第2期