[发明专利]一种素片干燥过程的定性分析方法

说明书

技术领域

本发明属于药物制剂领域，具体涉及一种素片干燥过程的定性分析方法。

背景技术

直接压制而成的片剂，若其药物性质不稳定、有不良气味、对胃有刺激，或易被胃液破坏等，通常还需要在其表面上包一层辅料，使片内药物与外界隔离，从而进一步保证片剂质量。在药物制剂领域中，通常将未覆盖包衣层的片剂称为素片。

素片的含水量是影响片剂质量的重要因素之一。对于糖衣片，如果素片含水量过高，则水分容易渗入到粉衣层，糖衣片由内向外逐步渗透吸湿，糖衣层潮解易造成隔离作用减弱，甚至发生吸潮霉变或胀片爆裂的现象。如果素片水分过少，则素片的硬度会较差，在滚转时易引起素片的破碎或片粉的脱落。如果素片的水分分布不均匀，则会造成糖衣层的局部隔离层潮解，进而导致出现花斑现象。

因此，在素片干燥过程中及时监测其含水量是十分必要的。目前，素片水分测定的药典方法为干燥失重法，该方法的分析时间较长，且具有破坏性，不适用于工业现场的在线分析。而近红外光谱技术能够无损快速地测定素片的含水量，可用于快速检测。曾有文献报道过，运用近红外光谱技术来控制样本水分取得了较满意的结果。

但是，现有技术并没有提供关于工业现场在线分析素片含水量的任何方法，也没有提供关于在素片干燥过程中在线监测和/或反馈其含水量是否合格的任何方法。

发明内容

发明目的

为了解决上述技术问题，并实现在素片干燥过程中在线监测和/或反馈其含水量是否合格的目的，本发明提供了一种素片干燥过程的定性分析方法。

技术方案

为了实现上述目的，本发明提供了一种素片干燥过程的定性分析方法，该方法包括以下步骤：

(1)采集光谱：提供素片含水量合格与不合格的批量样本，采集各样本的近红外光谱数据，其中所述近红外光谱数据均为全波长数据，即NIR光谱扫描范围为4,000～10,000cm^-1；

(2)变量筛选：使用主成分分析法对全部样本的近红外光谱数据进行波段的选择，筛选出与素片水分相关性大的波段；

(3)光谱预处理：对步骤(2)中所选出波段的光谱数据进行预处理，以增强有效信号并提高信噪比；

(4)选取训练集样本：使用KS法选取步骤(3)中所有近红外光谱数据中的一部分作为训练集样本，将上述数据中的另一部分作为预测集样本；

(5)建立并评价定性模型：使用步骤(4)中训练集样本的数据通过支持向量机(SVM)法建立定性模型，然后使用上述定性模型对步骤(4)中的预测集样本进行含水量监测，以此评价所建的定性模型；和

(6)使用上述定性模型对其它素片样本的含水量进行监测。

具体地，在上述变量筛选步骤(步骤(2))中，使用主成分分析法进行光谱波段的选择。主成分分析法是将原始指标重新组合成一组新的互相无关的综合指标(主成分)来代替原始指标，同时根据实际需要从中选取几个尽可能保留原始指标的信息、且互不相关的主成分的过程。确定主成分的个数是其中的关键环节。本发明提供的方法采用交叉验证准确率来考察模型性能。随着主成分个数的增加，模型的交叉验证准确率增大，当主成分个数达到一定数值时，模型的交叉验证准确率达到最大值。选择与这些主成分相关的波段作为建模波段，不仅可以剔除不相关的波段，并且可以大大简化模型，从而实现压缩变量的目的，并提高模型的学习精度与预测能力。

在该步骤中，选择波段的依据是：NIR谱图上既包括有用信息也包括干扰信息，全谱建模由于干扰信息的存在不仅使运算时间增加，同时还会使定性模型的预测精度降低。优选的波段就是那些包含大量丰富的有用信息，而噪音等干扰信息影响较小的波段。主成分分析法的原理是对全谱建立主成分模型，选出特征信息量最丰富且对两组样本的区分度最大的波段。

在上述光谱预处理步骤(步骤(3))中，对不同的预处理方法进行了优化组合，并对预测结果进行比较，最终确定预处理方法选自标准化法、均值中心化法、多元散射校正法及其组合中。例如，可以是其中的一种或者两种及两种以上的组合。优选为标准化法与多元散射校正法的组合。