基于小波包变换的云芝蛋白和多糖的近红外光谱分析
2.2.3含量计算用已经标定好的HCl溶液滴定蒸馏好的云芝菌粉样品。计算云芝蛋白的含量。
2.3云芝多糖含量的测定采用合理的条件进行多糖的热水浸提，多糖的测定过程采用蒽酮硫酸法。
2.4测量条件应用积分球，光谱通带宽度为12 nm，扫描波长范围800~2 500 nm，每个样品进行近红外光谱扫描3次，取平均值作为该样品的近红外光谱。
2.5数据处理方法 采用小波包变换对近红外光谱进行预处理，运用Thermo Nicolet公司Omnic软件的TQ Analyst部分建立云芝菌中蛋白含量定量分析模型。以校正集样品的交叉验证均方根误差(Root Mean Square Error of Cross-Validation, RMSECV) 及模型的回归系数(Regression coefficient, R)为优化模型的参数。 选择最有效的光谱预处理方法，通过留一交叉验证法[9，10]，以预测均方根误差(Root Mean Square Error of Prediction, RMSEP)和预测残差平方和(Predicted Residual Error Sum of Squares, PRESS)为参数,选择最适主因子数。模型的预测能力以模型对预测集样品的预测浓度值与其真实值间的回归系数(Regression coefficient, R)和RMSEP来考核，RMSECV、RMSEP 、PRESS和R 的计算方法见文献[11]。
3结果
3.1 云芝菌粉蛋白和多糖含量测定的结果51个云芝样品的蛋白的测定结果见表1。表151个云芝样品中的蛋白和多糖含量测定结果由表 1进行统计，51个云芝菌粉样品蛋白含量的范围为15.153%~27.738%，平均含量为21.576%，51个云芝菌粉的多糖含量范围为5.483%~20.094%，平均含量为21.387%。
3.2 云芝菌粉的近红外光谱图图2为51个云芝菌粉在800~2 500 nm波段的扫描光谱，从图中可以看出在短波近红外区(800~1 100 nm)样品吸收较弱，峰数少，在此波段主要是X-H的二、三级倍频。在近红外长波区(1 100~2500 nm)主要是X-H的基频和一级倍频，吸收相对比较强[12]，峰数多。图251个云芝样品的近红外原始图谱图
3.3最优分解尺度和PLS模型参数的确定分别以7个低频系数矩阵代替原始光谱，对云芝的蛋白和多糖含量进行偏最小二乘留一交互法验证(LOO)。结果如表2和表3所示。可以看出，当分解层为6时，校正模型最好，较使用原始光谱，使用小波包低频系数进行PLS建模，蛋白和多糖含量的相关系数(Rv)分别从0.340 87，0.351 88提高到0.947 42，0.919 62;交互验证均方根误差RMSECV分别从0.038 69，0.041 36减小到0.012 63，0.016 88。表明使用合适层的小波包低频系数代替原始光谱矩阵参与PLS建模，可以去除原始光谱的噪声，从而改善PLS建模效果，提高模型的预测能力。表2不同尺度提取的信息光谱PLS法建立的云芝蛋白定量分析模型参数的比较表3不同尺度提取的信息光谱PLS法建立的云芝多糖定量分析模型参数的比较
3.4模型检验模型的校正能力是稳定模型很重要的一个方面，同时预测能力在实际应用中是很重要的。使用建好的PLS分析模型，分别对预测集12个云芝样品进行预测检验，结果见表2和表3所示。云芝蛋白和多糖含量的预测均方根误差RMSEP分别从0.028 9，0.037 8减小到0.010 4，0.010 4;而预测集预测值与真实值的相关系数(Rp)分别由0.496 63，0.388 12提高到0.958 56，0.974 28。
4 结论
本文采用正交小波包多尺度变换提取云芝菌粉的近红外光谱信息,并直接利用小波变换的重构信息，分别建立云芝蛋白和多糖含量的定量分析模型, 结果表明该方法中正交小波包多尺度分析对近红外光谱具有较强的去噪和压缩能力，从而使PLS模型更具有代表性和稳健性，同时也提高了建模效率和模型的预测精度。预测精度能满足云芝蛋白和多糖定量分析的要求，且方便快捷、无污染、无破坏性，可实现在线检测，对替代原有繁琐的云芝蛋白多糖含量测定方法具有重要的意义。
【参考文献】
[1]Jong S.C.Richard Donovick:Antitumor and Antiviral Substances form fingi，Adrances in Applied Microbiology.1989,34：183.
[2]宋子贤，梁世文，任学泉，等.云芝糖肽胶囊治疗慢性乙型肝炎临床观察[J].广西医学，2000, 22 (6):1424.
[3]卯晓岚. 中国经济真菌[M].北京：科学出版社, 1998.
[4]JUAN-JOSE G D, CARLOS G P, ISIDRO L G, et al. Lecture notes in computer science, 2005, 3514: 900.
[5]飞思科技产品研发中心.小波分析理论与MATLAB7实现[M].北京：电子工业出版社，2005.
[6] 孟庆繁，张益波，逯家辉，等. 基于正交小波包的异福片近红外光谱分析[J]. 中国药学杂志，2007，42(4): 304.
[7]W. FRED MCCLURE. Review: 204 years of near infrared technology: 1800-2003[J].Near Infrared Spectroscopy, 2003, 11(6): 487.
[8]WANG D J, ZHOU X Y, JIN T M, et al. Application of Near-Infrared Spectroscopy to Agriculture and Food Analysis[J].SPECTROSC SPECT ANAL, 2004, 24(4): 447.
[9]YU K, HU C C, CHENG Y Y. A Novel Method for Fast Determination of Three Active Components in Compound Danshen Dropping Pills by Near Infrared Spectroscopy[J].Chin Pharm J, 2006, 41(3): 226.
[10]QU H B, LIU Q, CHENG Y Y. Determination of the Coptis Extract Alkaloids Using Near-Infrared Diffuse Reflectance Spectroscopy[J].Chinese J. Anal. Chem, 2004, 32(4): 477.
[11]HadjiiskiL, GeladiP, Hopke P. Chemom. Intel. Lab. syst. PLS-regression: a basic pool of chemomefrics[J].1999, 49(1):91.