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制作方法
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，是一種應用傅立葉變換近紅外光譜分析技術、結合化學計量學方法對于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品冒充藥品，或以低值藥品冒充高價產品；劣藥則主要表現為藥品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鑒別。這些方法的優點是作為法定方法已得到普遍的認同，缺點則是所進行的鑒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，但是由于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，以上方法亦均需對待測藥物進行破壞性處理。目前，有許多國家的藥物管理部門和藥物生產廠家在致力于查禁假、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件技術的發展，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，并以其測定快速、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于藥物的質量檢測中。
在建立相應的鑒別模型時，用于藥物識別的現有技術近紅外光譜分析技術，通常考慮如顆粒度、輔料、生產工藝、溫度、濕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鑒定。這類技術主要被藥物生產廠家用于某一具體產品的在線質量檢測。但是，現有技術的近紅外光譜分析識別模型在對待測物質進行化學結構鑒定時，經常會發生誤判的情況，并由此導致近紅外光譜分析法確定化合物結構的可信度無法達到所希望的要求。
至今為止，還沒有關于將近紅外光譜分析技術用于系統地識別假、劣藥物或用于識別結構相近似的藥物的報道。
發明內容
經研究，我們發現，同時使用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)，可以準確識別待識別藥物是否與其標稱的藥物一致，進而有效地解決了對于假、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藥物是否與其所標稱的藥物一致的方法，即，一種使用近紅外光譜分析法確定待識別藥物是否含有其所標稱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對于所述待識別藥物進行識別；e.比較上述兩種識別模型的識別結果，確定所述待識別藥物。
當上述兩種識別模型的識別結果相同，且與所述待識別藥物標識名稱相同時，判定所述待識別藥物為其所標稱的藥物。
當上述兩種識別模型的識別結果不同時，判定所述待識別藥物為與其所標稱的藥物不同的假藥。
當上述兩種識別模型的識別結果相同，但與所述待識別藥物標識名稱不同時，判定該待識別藥物為與其所標稱的藥物不同的假藥，且將所述識別結果判定為該待識別藥物的真實組成。
本發明所述建模樣品應為符合藥典規范要求的市售藥物，其中包括其所含活性化合物與待識別藥物所標稱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藥物所標稱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藥物所標稱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，頭孢氨芐和頭孢羥氨芐在本發明中被視為結構相近的化合物。
當使用本發明所述識別模型I和II識別藥物時，所述建模樣品優選含有3個或3個以上藥物品種；5個或5個以上品種更為優選；每個品種優選收集3個或3個以上廠家的產品。
本發明所述建模樣品優選與所述待識別藥物具有相同的工藝特征和包裝形式。其中，相同的工藝特征是指藥物劑型相同。相同的包裝形式是指藥物外包裝相同。例如，當所述待識別藥物為鋁塑包裝時，所述建模樣品也應為鋁塑包裝。
本發明的方法優選適用的包裝形式可以是鋁塑包裝。
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恒定的復方制劑；更優選適用于片劑、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藥物為糖衣片劑時，采集其近紅外光譜數據前應去除其糖衣。
為解決本發明所要解決的技術問題，所述建模樣品及待識別藥物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范圍內，例如，固體建模樣品的活性化合物的濃度應在10％以上，液體建模樣品的活性化合物的濃度應在1％以上。
本發明所述識別模型I能夠完成對于所述各建模樣品的彼此區分、識別。在需要時，所述識別模型I對于所述建模樣品的彼此區分、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，當其不能使所有的建模樣品品種彼此識別、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。這樣的過程可以重復多次，直至能夠將所有的建模樣品都彼此區分、識別。
在使用所述多層識別方式時，本發明所述識別模型I包含為完成所述多層識別所建立的多個識別模型。
優選的本發明所述識別模型I對于所述建模樣品的區分、識別準確率不小于95％，對于待識別藥物的區分、識別準確率不小于90％。更為優選地，本發明所述識別模型I對于建模樣品的區分、識別準確率為100％，對于待識別樣品的區分、識別準確率不小于95％。
現有技術近紅外光譜分析法中建立與調整近紅外定性模型的方法均可用于建立和調整本發明所述識別模型I。
優選基于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)對于測得的建模樣品的近紅外光譜數據進行降維處理，然后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件中的各種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，為了將數據降維，以消除眾多信息共存中相互重疊的信息部分，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征原變量的數據特征，并且不丟失信息。
本發明所稱的模式識別法是一種多元分析方法，主要用于樣品的分類判別。它揭示的是事物內部規律和隱含性質，借助數學方法和計算機技術來完成的一種綜合技術。模式識別法對表征事物或現象的各種形式的(數值的，文字的和邏輯關系的)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能的重要組成部分。
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法對數據降維處理后，對樣品進行分類判別的方法。
本發明識別模型I以所述待識別藥物近紅外圖譜到所述建模樣品的平均近紅外圖譜距離為指標，進行聚類分析(Cluster Analysis)，從而確定所述待識別藥物的閾值。
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，根據譜圖間的相關性或者相似性對譜圖進行歸類，把相似的譜圖歸為一類，而把差異大的譜圖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件包括德國BRUKER公司生產的近紅外光譜儀隨機附帶的定性分析軟件。
優選通過下述步驟建立本發明所述識別模型I采集并提取所述各建模樣品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。
但是，單獨使用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，這也是制約近紅外光譜分析定性模型分析結果可信度和使用范圍的一個重要原因。本發明的識別模型II與識別模型I的共同使用，可以有效地解決這一問題。
本發明所述識別模型II通過以下步驟建立a.近紅外光譜數據采集使用近紅外光譜儀分別測量、采集所述各建模樣品的近紅外光譜信息；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件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于相應建模樣品識別能力最強者作為相應建模樣品識別模型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所述識別模型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，本發明所稱的對于建模樣品所含活性化合物識別能力最強是指，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，與使用所述軟件計算所得的兩個相應建模樣品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。
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，再加上標準偏差的一定倍數作為修正項。
優選地，對于同一建模樣品而言，建立所述識別模型II的近紅外光譜譜段應寬于建立相應的所述識別模型I的譜段。
更為優選地，建立所述識別模型II的近紅外光譜譜段為去除了噪音部分的譜段。
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光譜距離DM是指建模樣品近紅外圖譜距平均近紅外圖譜距離的平均值，其計算方法為DM=ΣDin]]>n表示原始近紅外圖譜的個數，i表示第i個原始近紅外圖譜，i為1，2，3，…n，D表示歐式距離。
近紅外圖譜間的距離(D)采用歐式距離表示D=Σk(ak-bk)2]]>式中，矢量ak表征近紅外圖譜A的縱坐標，矢量bk表征近紅外圖譜B的縱坐標，k表示第k個數據點，本計算中對所選全部數據點求和。
SDev表示建模樣品近紅外圖譜距平均近紅外圖譜距離的標準偏差，計算方法如下SDev=ΣiDi2n-1]]>i表示第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，D表示建模樣品近紅外圖譜距平均近紅外圖譜的歐式距離。
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。
但是，當建模樣品數量少而導致樣品的代表性不足時，采用上述計算方法所獲得的閾值偏低，繼而導致對于待識別藥物的識別率偏低。
因此，本發明解決的另一個問題是，在建立近紅外光譜識別模型，尤其是本發明所述的識別模型I和識別模型II時，如果只有少量的建模樣品，如何調整和確定相應的閾值，以保證據其建立的識別模型具有所希望的識別率。
本發明為了解決這一問題，在建模樣品代表性不足時，按照以下步驟調整所述識別模型I和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諸樣品近紅外圖譜距平均近紅外圖譜的平均值。
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=Σi(Xi-Xm)2n-1]]>i表示第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，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，保持其它品種建模樣品的閾值不變，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，例如品種A，如果調整為Mean hitA+2SD后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)；步驟d如果品種A的閾值調整為Mean hitA+1.65SD后與其它品種仍可能發生混淆，則不再調整其閾值，將該品種放入下一層識別模型中繼續進行識別。
步驟e當某一品種用于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。
本發明的再一個目的為，提供一種可以對于藥物進行檢測、識別儀器，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于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，提供一種可以對于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于藥物進行檢測、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對于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范圍的情況下，可對本發明進行各種改變和改進，但所有這些改變和改進，均應在本發明保護范圍之內。
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，采集的建模樣品列于下表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的建立采用德國BRUKER公司近紅外光譜儀(MATRIX-F)進行近紅外光譜數據的采集，使用該近紅外光譜儀隨機附帶的定性分析軟件進行計算。
a.建模樣品近紅外光譜數據的采集采用德國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；分辨率為8cm-1；背景掃描次數64次；樣品掃描次數64次；掃描范圍為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，然后，在該譜段上，利用前述BRUKER公司近紅外光譜儀所附軟件提供的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，并按照現有技術中所記載的方法對該模型進行調整，使其對于所述鋁塑包裝的大環內酯類建模樣品的整體區分、識別正確率大于95％。
據此建立的識別模型I分為兩層，其對于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軟件(BRUKER公司為近紅外光譜儀配制的軟件)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于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軟件拆得兩個主成分，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，選擇第一主成分用于定性分析。
方案二對于該品種建模樣品中的所有近紅外圖譜和收集到的所有假藥的近紅外圖譜進行主成分分析，其中，將假藥作為輔料信息。由上述OPUS軟件拆得兩個主成分，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于定性分析。
方案三對于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、以及收集到的假藥的近紅外圖譜進行主成分分析，由上述OPUS軟件拆得三個主成分，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于定性分析。
以羅紅霉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征譜段(4200～6000cm-1)作為建模譜段，并采用一階導數(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近紅外圖譜，在每一確證方案模型中，計算其到羅紅霉素片劑平均近紅外圖譜的距離(參見表3)，發現方案二中氨茶堿仍可能被誤認為羅紅霉素，并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淀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，并使用現有技術中的方法對其進行調整，將調整后模型作為識別模型II。
表3 不同初步識別模型II中羅紅霉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.對于待識別藥物的檢測使用本實施例識別模型I和識別模型II，檢測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為待識別藥物的活性化合物。將該結果與檢測結果如下表4表4實施例1識別模型對于10種藥物的鑒別結果
注相對于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對于待識別藥物進行識別；e.比較上述兩種識別模型的識別結果，確定所述待識別藥物。
2.根據權利要求1的方法，其特征在于，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，且與所述待識別藥物標識名稱相同時，判定所述待識別藥物為其所標稱的藥物；當上述兩種識別模型的識別結果不同時，判定所述待識別藥物為假藥；當上述兩種識別模型的識別結果相同，但與所述待識別藥物標識名稱不同時，判定該待識別藥物為假藥，且將所述識別結果判定為該待識別藥物的真實組成。
3.根據權利要求1的方法，其特征在于，所述建模樣品為符合藥典規范要求的市售藥物，其所含活性化合物與待識別藥物標稱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，其特征在于，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，其特征在于，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，其特征在于，所述建模樣品與所述待識別藥物具有相同的工藝特征和包裝形式。
7.根據權利要求6的方法，其特征在于，所述相同的工藝特征是指藥物的劑型相同，所述相同的包裝形式是指藥物的產品外包裝相同。
8.根據權利要求1的方法，其特征在于，所述識別模型I能夠完成對于所述各建模樣品的區分、識別。
9.根據權利要求8的方法，其特征在于，在需要時，所述識別模型I對于所述建模樣品的區分、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，其特征在于所述識別模型I對于建模樣品活性成分的區分、識別準確率不小于95％，對于待識別樣品的區分、識別準確率不小于90％。
11.根據權利要求10的方法，其特征在于所述識別模型I對于建模樣品活性成分的區分、識別準確率為100％，對于待識別樣品的區分、識別準確率不小于95％。
12.根據權利要求1的方法，其特征在于，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與調整所述識別模型I。
13.根據權利要求11的方法，其特征在于，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于測得的建模樣品的近紅外光譜數據進行降維處理；然后利用計算原理為模式識別法的近紅外光譜分析軟件中的各種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，其特征在于，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，其特征在于，所述PCA判別分析法以所述待識別藥物近紅外圖譜到所述建模樣品的平均近紅外圖譜距離為指標，進行聚類分析，并進而確定對于所述待識別藥物的閾值。
16.根據權利要求15的方法，其特征在于，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，其特征在于，所述近紅外模型II通過以下步驟建立a.近紅外光譜數據采集使用近紅外光譜儀分別測量、采集所述各建模樣品的近紅外光譜信息；b.建立與調整所述識別模型II針對建模樣品各藥物品種，使用已知的近紅外光譜定性分析軟件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于相應建模樣品識別能力最強者，作為相應建模樣品識別模型II的初步模型；依據已知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所述識別模型II。
18.根據權利要求17的方法，其特征在于，所述對于建模樣品所含活性化合物識別能力最強是指，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，與使用所述軟件計算所得的兩個相應建模樣品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，其特征在于，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，其特征在于，所述識別模型II的平均距離DM的計算方法如下DM=ΣDin]]>n表示原始近紅外圖譜的個數，i表示第i個原始近紅外圖譜，i為1，2，3，...n，D表示所述歐式距離，其中，近紅外圖譜間的歐式距離D計算方法如下D=Σk(ak-bk)2]]>式中，矢量ak表征近紅外圖譜A的縱坐標，矢量bk表征近紅外圖譜B的縱坐標，k表示第k個數據點，本計算中對所選全部數據點求和；SDev表示建模樣品近紅外圖譜距平均近紅外圖譜距離的標準偏差，計算方法如下SDev=ΣiDi2n-1]]>i表示第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，D表示建模樣品近紅外圖譜距平均近紅外圖譜的歐式距離。
21.根據權利要求17的方法，其特征在于，對于同一建模樣品而言，建立所述識別模型II的近紅外光譜譜段，應寬于建立所述識別模型I的譜段。
22.根據權利要求21的方法，其特征在于，建立所述識別模型II的近紅外光譜譜段為去除了噪音部分的譜段。
23.根據權利要求1或17的方法，其特征在于，按照以下步驟調整所述識別模型I和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諸樣品近紅外圖譜距平均近紅外圖譜的平均值。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=Σi(Xi-Xm)2n-1]]>i表示第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，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后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后，與其它建模樣品品種仍可能發生混淆，則不再調整其閾值，將該品種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于建立所述模型的建模樣品數較少、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，其特征在于，所述待識別藥物樣品的劑型為片劑、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恒定的復方制劑。
25.根據權利要求24的方法，其特征在于，所述待識別藥物樣品的劑型為片劑、注射用粉針劑和膠囊劑。
26.根據權利要求1的方法，其特征在于，所述片劑為鋁塑包裝。
27.根據權利要求24的方法，其特征在于，在采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，其特征在于，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，其特征在于，所述儀器為近紅外光譜儀。
30.一種識別藥物的交通工具，其特征在于，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，其特征在于，所述交通工具上安裝有權利要求29所述的近紅外光譜儀。
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，是一種應用傅立葉變換近紅外光譜分析技術、結合化學計量學方法對于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G01N21/35GK1696660SQ200510063070
公開日2005年11月16日 申請日期2005年4月5日 優先權日2005年4月5日
發明者胡昌勤, 馮艷春, 尹利輝 申請人:中國藥品生物制品檢定所