[发明专利]一种复方丹参片的物质组溶出动力学研究方法

权利要求书

1.一种复方丹参片的物质组溶出动力学研究方法，其特征在于：该复方丹参片的物质组溶出动力学研究方法的具体步骤如下：

S1：利用Kalman滤波算法对物质组的紫外吸收值进行校正，消除测定过程中的噪声误差；

S2：建立物质组溶出动力学模型：将步骤S1中校正后的紫外吸收值代入Matlab软件数学处理，分离并解析出较为精确的评价复方丹参片的体外溶出物质组浓度值，建立物质组溶出动力学模型；

采用传统的紫外分光光度法测定了复方丹参片的不同时间点的溶出样品的吸光度值，计算出累积溶出度并与物质组溶出动力学模型测定的结果比较，进一步验证Kalman滤波法可以在中药复方制剂的体外溶出的评价中应用。

2.根据权利要求1所述的一种复方丹参片的物质组溶出动力学研究方法，其特征在于：所述步骤S1中：Kalman滤波算法有3个基本数学模型：

(1)状态模型

x(k)＝F(k/k-1)x(k-1)+w(k-1)；

x(k)为第k个状态，F(k/k-1)为状态转移矩阵，表示第k-1个状态与第k个状态之间的关系，w(k-1)为状态估计误差；

(2)量测模型

y(k)＝bTx(k)+v(k)；

y(k)为状态x(k)的测量值，bT为系数矩阵，v(k)为测量误差；

(3)预测模型

x(k)＝x(k-1)+k(k)d(k)；

其中k(k)＝p(k-1)b(k)[bT(k)p(k-1)b(k)+r(k)]-1；

d(k)＝y(k)-bT(k)x(k-1)；

k(k)为kalmam增益，表示第k个状态时新息的放大倍数，d(k)为kalman新息，反映新测量值y(k)与前一个估计值x(k-1)的差值，x(k)为第k个状态修正后的估计值，它包括利用前k-1个状态得到的估计值x(k-1)和修正值k(k)d(k)。

3.根据权利要求2所述的一种复方丹参片的物质组溶出动力学研究方法，其特征在于：基于Kalman滤波法的3个基本数学模型，将测定的结果代入Matlab软件处理，利用Kalman滤波算法估算各个样品的物质组浓度；

复方丹参片的完全溶出液作为标准溶液，其物质组浓度设定为1，在其他波长处的紫外吸收度设定为[Y1，Y2，Y3，…，Yn]，样品溶液在同一系列波长处的吸光度为[y1，y2，y3，…yn]，利用kalman滤波法估算各个样品溶液的物质组浓度，算出样品溶液相对于标准溶液的物质组浓度计量值X为样品的物质组浓度；

在时间点T取样，以同样的算法算得物质组浓度X，此时的物质组浓度可视为时间点的累积溶出度Q＝X；

根据Kalman滤波法的数学模型和上述条件参数进行Kalman滤波程序改编，代入Matlab软件，实现Kalman滤波。

4.根据权利要求3所述的一种复方丹参片的物质组溶出动力学研究方法，其特征在于：所述Kalman滤波程序为：

lear；

closeall；

clc；

％％读取数据

data1＝xlsread(total.xlsx')；

i＝8；

Line_Type_Color＝['y-o'，'g-*'，'b-s'，'k-+'，'b-x'，'c-d'，'r-v'，'m-^']；

fori＝1：8

cleardata2

File_Name＝strcat('sample-'，int2str(i)，'.xlsx')；％

％data2＝xlsread('sample-8.xlsx')；

data2＝xlsread(File_Name)；

％％定义系统状态转移矩阵

C1＝data1(：，2)'/1；

C＝data1(：，1)'/1；

a＝find(C＝＝220)；

b＝find(C＝＝360)；

C1＝C1(b：a)；

％A制剂完全释放时的溶液作为标准溶液，其物质组浓度设定为1，即认为标准溶液的浓度为1

％吸光度＝吸收系数*浓度，则标准吸收系数＝吸光度/浓度＝吸光度

％％观测量

Y＝data2(：，2)'；

Y＝Y(b：a)；

％％仿真参数设计

N＝1；％组分数

M＝200；％length(C1)；％测定点数

％％定义观测噪声和系统噪声

R＝0.000001；％噪音方差

Q＝0.0000001；％系统模型方差

％％初始化各参数

Fai＝1；％状态转称矩阵

H＝C1；％观测矩阵

x(1)＝0；％状态量初值

p(1)＝0.5；％估计误差方差矩阵

％这里的矩阵都是1*1维矩阵

％％---------卡尔曼滤波的具体过程--------％％

tic

fork＝2：M

％Kg(k)＝p(k-1)*H(k)/(H(k)*p(k-1)*H(k)+R)；％Kg为KalmanGain，

卡尔曼增益2*1，60组

％x(k)＝x(k-1)+Kg(k)*(Y(k)-H(k)*x(k-1))；

％p(k)＝(1-Kg(k)*H(k))*p(k-1)；

％(1)状态一步预测

xpro＝Fai*x(k-1)；％结果是吸光度

％(2)估计误差方差阵一步预测

Ppro＝Fai*p(k-1)*Fai+Q；

％(3)计算卡尔曼增益

Kalman_Gain＝Ppro*H(k)/(H(k)*Ppro*H(k)+R)；

％(4)计算状态估计值

z1＝Y(k)；

x(k)＝xpro+Kalman_Gain*(z1-H(k)*xpro)；

Kg(k)＝Kalman_Gain；

％(5)估计误差方差阵更新

p(k)＝(eye(N)-Kalman_Gain*H(k))*Ppro；

％ifKg(k)0.5

％AA(i)＝x(k)；

％break；

％end

end

AA(i)＝x(k)；

toc

％％画出组分浓度图

t＝1：length(Kg)；

figure(1)；

maker_idx＝1：20：length(t)；

pp(i)＝plot(t，x，Line_Type_Color(3*i-2：3*i)，'MarkerIndices'，maker_idx，'LineWidth'，1)；％

依次输出理论值

％legend('组分1')；

gridon；holdon

xlabel('测定点数')；

ylabel('组分浓度')；

title('KalmanFilterSimulation')；

set(gca，'FontSize'，12)；

figure(2)；

plot(t，Kg，Line_Type_Color(i)，'MarkerIndices'，maker_idx，'LineWidth'，1)；％依次输出理论

值

％legend('组分1')；

gridon；holdon

xlabel('测定点数')；

ylabel('卡尔曼增益')；

title('KalmanFilterSimulation')；

set(gca，'FontSize'，12)；

end

figure(1)；

h1＝legend(pp(1：4)，'10min'，'20min'，'30min'，'40min')；holdonah＝axes('position'，get(gca，'position')，'visible'，'off')；

h2＝legend(ah，pp(5：8)，'50min'，'60min'，'70min'，'80min')；％set(h1，'Orientation'，'horizon')；

set(h1，'Box'，'off')；

set(h2，'Box'，'off')；

set(gca，'FontSize'，12)。