利用近紅外光譜分析方法識別藥物的方法與裝置的製作方法
2023-05-18 10:55:16
專利名稱：利用近紅外光譜分析方法識別藥物的方法與裝置的製作方法
技術領域：
本發明涉及一種利用近紅外光譜分析方法識別藥物的方法與裝置。具體而言，涉及一種應用近紅外光譜分析技術、結合化學計量學方法對於藥物是否與其標示名稱一致進行無損識別的方法和裝置。
背景技術：
假藥、劣藥的銷售以及由此帶來的問題是世界性的。假藥的常見形式主要表現為以非藥物冒充藥物，或以低值藥物冒充高價藥物；劣藥則主要表現為藥物有效成分含量等指標達不到藥品質量標準的要求。
現有的藥典通常建議用薄層色譜法(TLC)、液相色譜法、氣相色譜法、紅外光譜法、質譜法、顏色反應等方法對藥物進行鑑別。這些方法的優點是作為法定方法已得到普遍的認同，缺點則是所進行的鑑別需要花費較長的時間。例如，世界衛生組織(WHO)推薦的藥物快檢箱中使用了包括薄層色譜(TLC)、顏色反應等方法，但是由於檢測效果較差導致上述方法使用率不高。除檢測效果差這一不足之外，以上方法亦均存在需對待測藥物進行破壞性處理的缺陷。目前，許多國家的藥物管理部門和藥物生產廠家致力於查禁假、劣藥物，但他們的工作基本停留在對假、劣藥物包裝的識別上。
近十年來，近紅外光譜技術、化學計量學和計算機軟體技術的發展，以及這些技術的有機結合，使得近紅外光譜分析技術在藥物質量分析、檢測等方面的應用發展迅速，並以其測定快速、操作簡便和對檢測樣品無損等特點日益受到重視。也有一些藥物生產廠家將該項技術用於藥物的質量檢測中。
在建立相應的鑑別模型時，用於藥物識別的現有近紅外光譜分析技術，通常需考慮如顆粒度、輔料、生產工藝、溫度、溼度等因素對某一具體藥物的影響。據此建立的識別模型只能夠實現對單一來源藥物的鑑定。因此這類技術主要被藥物生產廠家用於某一具體產品的在線質量監測。
發明內容
經研究，我們發現，使用單一近紅外光譜分析定性識別模型，會出現待識別藥物與識別模型建模樣品中某一品種近紅外譜圖差異較大，但是卻被判別為同一物質的情形，這嚴重限制了近紅外定量模型的準確性，而要解決這一問題，往往需要花費大量人力、物力。
為解決這一問題，經多方思考和反覆研究，發明人驚奇地發現，聯合使用兩個近紅外光譜分析定性模型，例如，本發明的近紅外光譜分析識別模型I(以下簡稱「識別模型I」)和本發明的近紅外光譜分析識別模型II(以下簡稱「識別模型II」)，可以準確判別待識別樣品是否與其標示的藥物一致，進而有效地解決了對假、劣藥物進行準確、快速、無損識別的問題。
因此，本發明提供了一種使用近紅外光譜分析法識別藥物的方法，更具體地說，本發明提供了一種使用近紅外光譜分析法確定待識別樣品是否與其所標示的藥物一致的方法，即，一種使用近紅外光譜分析法確定待識別樣品是否含有其所標示的活性化合物的方法，該方法包括以下步驟a.收集建模樣品；b.依據所述建模樣品建立和調整所述識別模型I；c.依據所述建模樣品建立和調整所述識別模型II；d.分別使用所述識別模型I和II對於所述待識別樣品進行識別；e.比較上述兩種識別模型的識別結果，確定所述待識別樣品。
當上述兩種識別模型的識別結果相同，且與所述待識別樣品標示名稱相同時，判定所述待識別樣品為其所標示的藥物。
當上述兩種識別模型的識別結果不同時，判定所述待識別樣品與其所標示的藥物不同。
本發明所述建模樣品應為符合藥典規範要求的市售藥物，其中包括其所含活性化合物與待識別樣品所標示含有的活性化合物的化學結構相同的藥物，以及其所含活性化合物與待識別樣品標示含有的活性化合物的化學結構不同的藥物。
優選地，所述建模樣品為其所含活性化合物與待識別樣品標示含有的活性化合物的化學結構相同或者結構相近的藥物。例如，頭孢氨苄和頭孢羥氨苄，它們在本發明中被視為結構相近的化合物。
本發明所述建模樣品優選與所述待識別樣品具有相同的工藝特徵和包裝形式。其中，本發明所稱「相同的工藝特徵」是指藥物劑型相同。相同的包裝形式是指藥物外包裝相同。例如，當所述待識別樣品為鋁塑包裝時，與其外包裝相同的建模樣品為鋁塑包裝。
本發明的方法優選的包裝形式為鋁塑包裝。
本發明的方法優選適用的劑型為片劑、膠囊劑、注射用粉針劑、注射液、軟膏、混懸劑、糖衣片劑或配方比例恆定的複方製劑；更優選適用於片劑、注射用粉針劑和膠囊劑藥物的識別和確認。
當所述建模樣品或所述待識別樣品為糖衣片劑時，採集其近紅外光譜數據前應去除其糖衣。
本發明所述建模樣品及待識別樣品中所含活性化合物的濃度均應在近紅外光譜分析法可檢測範圍內。
本發明所述識別模型I應能夠完成對於所述各建模樣品品種間的彼此區分、識別。在需要時，所述識別模型I對於所述建模樣品品種間的彼此區分、識別是通過多層識別方式完成的。
本發明所稱的多層識別是指，在某一近紅外光譜譜段上建立的近紅外光譜分析識別模型，當其不能完成對所有的建模樣品品種間的彼此識別、區分，而只能使其中的一部分彼此識別、區分時，可以選擇另外的近紅外光譜譜段再建立一個識別模型，以區分、識別前一模型不能區分、識別的那部分建模樣品品種。這樣的過程可以重複多次，直至能夠將所有的建模樣品品種都彼此區分、識別。
在使用所述多層識別方式時，本發明所述識別模型I包含為完成前述多層識別所建立的多個識別模型。
本發明所述識別模型I對於所述建模樣品品種間的區分、識別準確率為100％。對於待識別樣品的區分、識別準確率不低於90％，優選不低於95％。
現有技術近紅外光譜分析法中建立與調整近紅外定性分析模型的方法均可用於建立和調整本發明所述識別模型I。
優選基於下述原理建立本發明所述識別模型I
首先使用主成分分析法(Principal Component Analysis，以下簡稱PCA法)對於測得的建模樣品的近紅外光譜數據進行降維處理，然後利用計算原理為模式識別法(Pattern Recognition)，優選PCA判別分析法(PCA Discriminant Analysis)的近紅外光譜分析軟體中的不同數據處理方式建立本發明所述識別模型I。
本發明所述主成分分析法是指，將原變量進行轉換，使數目較少的新變量成為原變量的線性組合的方法，其中，新變量應最大限度地表徵原變量的數據特徵，並且不丟失信息。
本發明所稱的模式識別法是一種多元分析方法，主要用於樣品的分類判別。它揭示的是事物內部規律和隱含性質，藉助數學方法和計算機技術來完成的一種綜合技術。模式識別法對被表徵事物或現象的各種形式的(數值的，文字的和邏輯關係的)信息進行處理和分析，是對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智慧的重要組成部分。
本發明所述PCA判別分析法為模式識別法的一種，是利用所述PCA法對數據降維處理後，對樣品進行分類判別的方法。
本發明識別模型I以所述建模樣品近紅外圖譜至該建模樣品品種的平均近紅外圖譜間的距離為指標，進行聚類分析(ClusterAnalysis)，從而確定所述建模樣品的閾值。
本發明優選使用歐式距離(Euclidian Distance)作為分類基礎進行聚類分析。
本發明所稱的聚類分析是指，根據近紅外圖譜間的相關性或者相似性對所述圖譜進行歸類，把相似的圖譜歸為一類，而與差異大的圖譜區分開來的一種多元分析方法。
本發明所述的近紅外光譜分析軟體包括德國BRUKER公司生產的近紅外光譜儀隨機附帶的定性分析軟體。
優選通過下述步驟建立本發明所述識別模型I採集並提取所述各建模樣品品種近紅外光譜中代表其所含活性化合物的相關近紅外光譜信息，依據這些信息，建立可區分、識別所述建模樣品的所述識別模型I。
當建立本發明所述識別模型I時，所述建模樣品優選含有3個或3個以上不同品種的藥物；5個或5個以上品種更為優選；每個藥物品種優選收集3個或3個以上廠家的產品。
本發明所述識別模型II通過以下步驟建立a.近紅外光譜數據採集使用近紅外光譜儀分別測量、採集所述各建模樣品品種的近紅外光譜信息；b.建立與調整所述識別模型II針對建模樣品各品種，使用現有技術的近紅外光譜分析軟體中不同的數據處理方式建立多個近紅外分析初步模型；選擇這些初步模型中對於各建模樣品品種識別能力最強者作為相應識別模型II的初步模型；依據現有技術近紅外光譜分析法中建立和調整近紅外定性識別模型的方法建立和調整所述識別模型II的初步模型，將所得到的模型作為相應建模樣品品種的識別模型II。
建立本發明識別模型II所使用的模式識別法優選所述的PCA判別分析法。
建立所述識別模型II過程中，本發明所稱的對於建模樣品品種識別能力最強是指，每兩個建模樣品品種(例如品種A與B)的平均近紅外圖譜間距離(DAB)與相應建模樣品品種的閾值(DTA，DTB)之和的差，與使用所述軟體計算所得的兩個相應建模樣品品種近紅外圖譜距相應品種平均近紅外圖譜距離的標準偏差(SDevA，SDevB)之和的商最大，即，下述算式計算所得值最大DAB-(DTA+DTB)SDevA+SDevB]]>優選使用歐式距離作為所述識別模型II的分類基礎進行聚類分析。
本發明所述的兩個建模樣品品種的平均近紅外圖譜間距離是指，兩個建模樣品品種的平均近紅外圖譜間的歐式距離。
本發明所述閾值是指，建模樣品實際近紅外圖譜與相應建立的識別模型平均近紅外圖譜間的最大距離，與標準偏差的一定倍數(做為修正項)之和。
作為本發明的優選方式之一，對於同一建模樣品品種而言，建立所述識別模型II的近紅外光譜譜段應不同於，例如，寬於建立相應的所述識別模型I的譜段。
本發明所述識別模型II的平均近紅外圖譜距離DM和標準偏差SDev的計算方法如下本發明所述平均近紅外圖譜距離DM是指一個建模樣品品種的各建模樣品近紅外圖譜與該品種建模樣品的平均近紅外圖譜的距離的平均值，其計算方法為DM=Din]]>n表示該品種建模樣品近紅外圖譜的個數，i表示該品種第i個建模樣品的近紅外圖譜，i為1，2，3，...n的整數，D表示歐式距離。
不同的建模樣品品種(例如品種A和品種B)的近紅外圖譜間的歐式距離(DAB)按下述方式進行計算DAB=k(ak-bk)2]]>式中，矢量ak為A品種平均近紅外圖譜在第k個數據點的縱坐標，矢量bk為B品種平均近紅外圖譜在第k個數據點的縱坐標，k表示在相應圖譜中採集數據的點數，本計算中對所選全部數據點求和。
SDev表示建模樣品(對於品種A，該值為SDevA)各近紅外圖譜與該品種平均近紅外圖譜的距離的標準偏差，計算方法如下SDev=iDi2n-1]]>其中，i表示該品種第i個原始近紅外圖譜，n表示原始近紅外圖譜的數目；i為1，2，3，...n，Di表示該品種第i個近紅外圖譜距該品種平均近紅外圖譜的歐式距離。
當建立本發明所述識別模型II時，所述建模樣品至少包含待識別藥物所標示的藥物品種；優選地，所述建模樣品包含待識別藥物所標示的藥物品種及其輔料，例如澱粉。
在建立近紅外光譜定性模型時，需要進行閾值的計算。現有技術的計算方法如下DT＝Maximum Hit+0.25SDevDT為閾值；Hit為原始近紅外圖譜距平均近紅外圖譜的距離Maximum Hit表示原始近紅外圖譜距平均近紅外圖譜的最大距離。
需要時，例如當某一品種的建模樣品數目較少時，本發明所述識別模型I的閾值通過下述步驟a-e進行調整，識別模型II的閾值通過下述步驟a進行調整步驟a對建模樣品品種中可實現彼此區分、識別的品種，在不與其它品種混淆的情況下，調整其閾值為DTA＝Mean hitA+3SD(99％置信限)；A代表建模樣品品種中可被區分、識別的任一品種。
DTA為品種A的閾值。
Mean hitA為品種A諸樣品近紅外圖譜至該品種平均近紅外圖譜距離的平均值。
SD表示建模樣品近紅外圖譜距平均近紅外圖譜的距離與該品種所有近紅外圖譜至平均近紅外圖譜距離的平均值之差的標準偏差，計算方法如下SD=i(Xi-Xm)2n-1]]>i表示該品種第i個原始近紅外圖譜，n表示該品種原始近紅外圖譜的數目；i為1，2，3，...n，Xi表示第i個原始近紅外圖譜到平均近紅外圖譜的歐式距離，Xm表示該品種所有近紅外圖譜到該品種平均近紅外圖譜歐式距離的平均值。
步驟b對建模樣品品種中可被彼此區分、識別的品種，例如品種A，當按上述方法調整閾值可能與其它建模樣品品種引起混淆時，保持其它品種建模樣品的閾值不變，將該品種A的閾值調整為DTA＝Mean hitA+2SD(95％置信限)其中，所述各符號含義同步驟a；步驟c對建模樣品品種中可實現彼此區分、識別的品種，例如品種A，如果調整為Mean hitA+2SD後與其它品種引起混淆時，保持其它品種的閾值不變，將品種A的閾值調整為DTA＝Mean hitA+1.65SD(90％置信限)其中，所述各符號含義同步驟a；步驟d如果品種A的閾值調整為Mean hitA+1.65SD後與其它品種仍可能發生混淆，則不再調整其閾值，將該品種A放入下一層識別模型中繼續進行識別。
其中，所述各符號含義同步驟a。
但是，當建模樣品數量少而導致樣品的代表性不足時，採用上述計算方法所獲得的閾值偏低，繼而導致對於待識別樣品的識別率偏低。為了解決這一問題，在建模樣品代表性不足時，本發明按照以下步驟調整所述識別模型I和II的閾值步驟e當某一品種用於建立所述模型的樣品數較少，代表性不足時，將其閾值設定為與其結構相近的品種的閾值。
需要說明的是，在使用本發明所述識別模型時，對所述識別模型I及II的使用順序並無限制。換言之，可以先使用所述識別模型I，再使用所述識別模型II對待識別樣品進行識別，也可以先使用所述識別模型II，然後再使用所述識別模型I對待識別樣品進行識別。
任何近紅外光譜儀，例如，德國BRUKER公司近紅外光譜儀(MATRIX-F)，及其隨機附帶的近紅外分析軟體均可以用於本發明所需的近紅外數據的採集和相應模型的建立。
本發明的再一個目的為，提供一種可以對於藥物進行檢測、識別的儀器，例如近紅外光譜分析儀。所述近紅外光譜分析儀器除具有已有近紅外光譜分析儀的功能外，還安裝有本發明所述用於確定藥物活性化合物的近紅外識別模型I和/或識別模型II。
本發明的又一個目的為，提供一種可以對於藥物活性化合物進行檢測、識別的交通工具，該交通工具上安裝有本發明對於藥物進行檢測、識別的儀器，如本發明所述的近紅外光譜分析儀。
附圖1為本發明具體實施方式
所建立的識別模型I。圖中示出了該識別模型I對於建模樣品的識別順序。
具體實施例方式
根據本發明所公開的技術內容，本領域技術人員可以清楚地得知本發明的其它實施方案，因此，本發明下述實施例僅作為本發明的示例而不是限制。在不違反本發明主旨及範圍的情況下，可對本發明進行各種改變和改進，但所有這些改變和改進，均應在本發明保護範圍之內。
實施例大環內酯類抗生素鋁塑包裝片劑類藥物的識別1.收集建模樣品為建立大環內酯類抗生素鋁塑包裝片劑識別模型I與識別模型II，採集的建模樣品列於下表1表1大環內酯類抗生素鋁塑包裝片劑建模樣品
2.識別模型I的建立採用德國BRUKER公司近紅外光譜儀(MATRIX-F)進行近紅外光譜數據的採集，使用該近紅外光譜儀隨機附帶的定性分析軟體進行計算。
a.建模樣品近紅外光譜數據的採集採用德國BRUKER公司近紅外光譜儀(MATRIX-F)，銦鎵砷(InGaAs)檢測器。
測定條件固體光纖探頭漫反射掃描法；解析度為8cm-1；背景掃描次數64次；樣品掃描次數64次；掃描範圍為12000-4000cm-1。每批建模樣品取6片分別掃描。
b.識別模型I的建立與調整選擇4500～6800cm-1和7300～10000cm-1作為建立鋁塑包裝大環內酯類抗生素識別模型I的建模譜段，然後，在該譜段上，利用前述BRUKER公司近紅外光譜儀所附軟體提供的6種譜圖預處理方法，只改變預處理方法，但不改變其它建模條件建立不同的近紅外定性識別模型，選擇不同建模樣品品種間最不易發生交叉混淆的識別模型作為識別模型I的初步模型，並按照現有技術中所記載的方法對該模型進行調整，使其對於所述鋁塑包裝的大環內酯類建模樣品的整體區分、識別正確率等於100％。
據此建立的識別模型I分為兩層，其對於建模樣品的識別順序參見附圖1。
3.識別模型II的建立a.初步識別模型II的建立根據PCA分析原理，結合OPUS軟體(BRUKER公司為近紅外光譜儀配製的軟體)的具體計算方法，在4200～6000cm-1譜段上建立識別模型II的三種初步方案方案一對於每個品種的建模樣品中的所有樣品譜圖近紅外圖譜和該品種活性化合物的近紅外圖譜進行主成分分析，由上述OPUS軟體拆得兩個主成分，第一主成分代表了該品種活性化合物的主要信息，第二主成分則包括輔料和其它測量誤差的信息，選擇第一主成分用於定性分析。
方案二對於該品種建模樣品中的所有近紅外圖譜和收集到的所有非建模樣品藥物的其他藥物的近紅外圖譜進行主成分分析，其中，將所述其他藥物作為輔料信息。由上述OPUS軟體拆得兩個主成分，第一主成分代表了該品種輔料的主要信息，而第二主成分則包括活性化合物和測量誤差的信息，選擇第二個主成分用於定性分析。
方案三對於該品種建模樣品中的所有樣品近紅外圖譜、該品種活性化合物的近紅外圖譜、以及建模樣品輔料的近紅外圖譜進行主成分分析，由上述OPUS軟體拆得三個主成分，前兩個主成分涵蓋了該品種活性化合物和輔料的大量信息，第三個主成分為測量誤差信息，選擇前兩個主成分用於定性分析。
以羅紅黴素非鋁塑片劑模型為例，分析三套方案的優劣。三個模型均選擇該品種的主要特徵譜段(4200～6000cm-1)作為建模譜段，並採用一階導數(5點平滑)+矢量歸一化的預處理方法。比較各模型中的實際近紅外圖譜距模型平均近紅外圖譜距離的標準偏差(SDev)、平均光譜距離(DM)和閾值等參數(參見表2)。
表2 識別模型II三種建模方案的比較 將不同品種的平均近紅外圖譜作為該品種的近紅外圖譜，在每一確證方案模型中，計算其到羅紅黴素片劑平均近紅外圖譜的距離(參見表3)，發現方案二中氨茶鹼仍可能被誤認為羅紅黴素，並存在其它一些潛在混淆的可能；而方案一與方案三的識別能力相當；實際中可根據具體情況選擇使用。但方案三中用不含活性成分的澱粉近紅外圖譜代替輔料近紅外圖譜，不定因素較多，而方案一中只用到活性化合物的對照品近紅外圖譜，因此選擇方案一作為識別模型II的初步模型，並使用現有技術中的方法對其進行調整，將調整後模型作為識別模型II。
表3 不同初步識別模型II中羅紅黴素片平均近紅外圖譜距其它品種平均近紅外圖譜的距離
4.對於待識別樣品的檢測使用本實施例識別模型I和識別模型II，檢測與建模樣品不同的、10種含有不同活性化合物的藥物(鋁塑包裝片劑形式)。上述識別模型I與II的識別結果相同時，將該識別結果所示化合物作為待識別樣品的活性化合物。將該結果與檢測結果如下表4表4實施例1識別模型對於10種藥物的鑑別結果
注相對於中國國家標準方法的準確率。這些樣品已用中國國家標準方法檢驗。
權利要求
1.一種使用近紅外光譜分析法識別藥物的方法，該方法包括以下步驟a.收集建模樣品；b.依據所述建模樣品建立和調整近紅外光譜分析識別模型I；c.依據所述建模樣品建立和調整近紅外光譜分析識別模型II；d.分別使用所述近紅外光譜分析識別模型I和II對於待識別樣品進行識別；e.比較上述兩種識別模型的識別結果，確定所述待識別樣品。
2.根據權利要求1的方法，其特徵在於，所述識別通過以下方式進行當上述兩種識別模型的識別結果相同，且與所述待識別樣品標示名稱相同時，判定所述待識別樣品為其所標示的藥物；當上述兩種識別模型的識別結果不同時，判定所述待識別樣品與其所標示的藥物不同。
3.根據權利要求1的方法，其特徵在於，所述建模樣品為符合藥典規範要求的市售藥物，其所含活性化合物與待識別樣品標示含有的活性化合物的化學結構相同或相近。
4.根據權利要求1-3之一的方法，其特徵在於，當建立所述識別模型I時，所述建模樣品的藥物品種應為3個或3個以上。
5.根據權利要求4的方法，其特徵在於，當建立所述識別模型I時，所述建模樣品的品種應為5個或5個以上，且每個品種收集3個或3個以上廠家的產品。
6.根據權利要求1-3之一的方法，其特徵在於，所述建模樣品與所述待識別樣品具有相同的劑型和外包裝形式。
7.根據權利要求1-3之一的方法，其特徵在於，當建立所述識別模型II時，所述建模樣品包含待識別樣品所標示的藥物品種及其輔料。
8.根據權利要求1的方法，其特徵在於，所述識別模型I能夠完成對於所述各建模樣品品種間的區分、識別。
9.根據權利要求8的方法，其特徵在於，在需要時，所述識別模型I對於所述建模樣品品種間的區分、識別是通過多層識別方式完成的。
10.根據權利要求1的方法，其特徵在於所述識別模型I對於建模樣品品種間的區分、識別準確率為100％，對於待識別樣品的區分、識別準確率不小於90％。
11.根據權利要求10的方法，其特徵在於所述識別模型I對於待識別樣品的區分、識別準確率不小於95％。
12.根據權利要求1的方法，其特徵在於，依據現有技術近紅外光譜分析法中建立與調整近紅外定性分析模型的方法建立與調整所述識別模型I。
13.根據權利要求11的方法，其特徵在於，所述識別模型I通過下述步驟建立首先使用主成分分析法對於測得的建模樣品的近紅外光譜數據進行降維處理；然後利用計算原理為模式識別法的近紅外光譜分析軟體中的不同數據處理方式建立本發明所述識別模型I。
14.根據權利要求13的方法，其特徵在於，所述模式識別法為PCA判別分析法。
15.根據權利要求14的方法，其特徵在於，所述PCA判別分析法以所述建模樣品近紅外圖譜到該建模樣品品種的平均近紅外圖譜間的距離為指標，進行聚類分析，並進而確定所述建模樣品的閾值。
16.根據權利要求15的方法，其特徵在於，所述聚類分析以歐式距離作為分類基礎。
17.根據權利要求1的方法，其特徵在於，所述近紅外模型II通過以下步驟建立a.近紅外光譜數據採集使用近紅外光譜儀分別測量、採集所述各建模樣品品種的近紅外光譜信息；b.建立與調整所述識別模型II針對建模樣品各品種，使用現有技術的近紅外光譜分析軟體中不同的數據處理方式，建立多個近紅外分析初步模型；選擇這些初步模型中對於各建模樣品品種識別能力最強者，作為相應識別模型II的初步模型；依據現有技術近紅外光譜分析法中建立與調整近紅外定性識別模型的方法，建立和調整所述識別模型II的初步模型，將所得到的模型作為相應建模樣品品種的識別模型II。
18.根據權利要求17的方法，其特徵在於，所述對於建模樣品品種識別能力最強是指，每兩個建模樣品品種的平均近紅外圖譜間距離與相應建模樣品品種的閾值之和的差，與使用所述軟體計算所得的兩個相應建模樣品品種近紅外圖譜距相應品種平均近紅外圖譜距離的標準偏差SDev之和的商最大。
19.根據權利要求18的方法，其特徵在於，所述建模樣品品種的平均近紅外圖譜間距離是指，建模樣品品種的平均近紅外圖譜間的歐式距離。
20.根據權利要求19的方法，其特徵在於，所述識別模型II的平均近紅外圖譜距離DM的計算方法如下DM=Din]]>n表示該品種建模樣品近紅外圖譜的個數，i表示該品種第i個建模樣品的近紅外圖譜，i為1，2，3，...n的整數，D表示所述歐式距離，其中，近紅外圖譜間的歐式距離DAB計算方法如下DAB=k(ak-bk)2]]>式中，矢量ak為A品種平均近紅外圖譜在第k個數據點的縱坐標，矢量bk為B品種平均近紅外圖譜在第k個數據點的縱坐標，k表示在相應圖譜中採集數據的點數，本計算中對所選全部數據點求和；SDev表示建模樣品各近紅外圖譜距該品種平均近紅外圖譜距離的標準偏差，計算方法如下SDev=iDi2n-1]]>i表示該品種第i個原始近紅外圖譜，n表示原始近紅外圖譜的數目；i為1，2，3，...n，Di表示該品種第i個近紅外圖譜距該品種平均近紅外圖譜的歐式距離。
21.根據權利要求17的方法，其特徵在於，對於同一建模樣品品種而言，建立所述識別模型II的近紅外光譜譜段應不同於，例如，應寬於建立相應的所述識別模型I的譜段。
22.根據權利要求1的方法，其特徵在於，所述識別模型I和II可以任意順序使用。
23.根據權利要求1或17的方法，其特徵在於，按照以下步驟a-e調整所述識別模型I的閾值，按照以下步驟a調整所述識別模型II的閾值步驟a對建模樣品品種中可實現彼此區分、識別的品種，在不與其它品種混淆的情況下，調整其閾值為DTA＝Mean hitA+3SD(99％置信限)；A代表建模樣品品種中可被區分、識別的任一品種，DTA為品種A的閾值，Mean hitA為品種A諸樣品近紅外圖譜至該品種平均近紅外圖譜距離的平均值，SD表示建模樣品近紅外圖譜距平均近紅外圖譜的距離與該品種所有近紅外圖譜到平均近紅外圖譜距離的平均值之差的標準偏差，計算方法如下SD=i(Xi-Xm)2n-1]]>i表示該品種第i個原始近紅外圖譜，n表示該品種原始近紅外圖譜的數目；i為1，2，3，...n，Xi表示第i個原始近紅外圖譜到平均近紅外圖譜的歐式距離，Xm表示該品種所有近紅外圖譜到該品種平均近紅外圖譜歐式距離的平均值；步驟b對建模樣品品種中可實現彼此區分、識別的品種，當按上述方法調整閾值可能與其它建模樣品品種引起混淆時，保持其它建模樣品品種的閾值不變，將品種A的閾值調整為DTA＝Mean hitA+2SD(95％置信限)；步驟c對建模樣品品種中可實現彼此區分、識別的品種，如果調整為MeanhitA+2SD後與其它建模樣品品種引起混淆時，保持其它建模樣品品種的閾值不變，將品種A的閾值調整為DTA＝Mean hitA+1.65SD(90％置信限)；步驟d如果品種A的閾值調整為Mean hitA+1.65SD後，與其它建模樣品品種仍可能發生混淆，則不再調整其閾值，將該品种放入下一層識別模型中繼續進行識別；步驟e當某一建模樣品品種用於建立所述模型的樣品數較少、代表性不足時，將其閾值設定為與其結構相近的品種的閾值。
24.根據權利要求1的方法，其特徵在於，所述待識別樣品的劑型為片劑、膠囊劑、注射用粉針劑、注射液、軟膏、混懸劑、糖衣片劑或配方比例恆定的複方製劑。
25.根據權利要求24的方法，其特徵在於，所述待識別樣品的劑型為片劑、注射用粉針劑和膠囊劑。
26.根據權利要求1的方法，其特徵在於，所述片劑為鋁塑包裝。
27.根據權利要求24的方法，其特徵在於，在採集糖衣片劑的近紅外光譜數據前，應去除所述片劑的糖衣。
28.一種識別藥物的儀器，其特徵在於，所述儀器中安裝有權利要求1-27所述的識別模型I和識別模型II。
29.根據權利要求28的儀器，其特徵在於，所述儀器為近紅外光譜儀。
30.一種識別藥物的交通工具，其特徵在於，所述交通工具上安裝有權利要求28所述的儀器。
31.根據權利要求30的交通工具，其特徵在於，所述儀器為近紅外光譜儀。
全文摘要
本發明涉及一種利用近紅外光譜分析方法識別藥物的方法與裝置。具體而言，涉及一種應用近紅外光譜分析技術、結合化學計量學方法對於藥物是否與其標示名稱一致進行無損識別的方法和裝置。
文檔編號G06F19/00GK1847828SQ20061006718
公開日2006年10月18日 申請日期2006年4月5日 優先權日2005年4月5日
發明者胡昌勤, 馮豔春, 尹利輝 申請人:中國藥品生物製品檢定所