目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares ...目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、K-最近邻(k-nearest neighbor,kNN)和支持向量机(Support vector machine,SVM)建立蒲黄炭炮制程度的判别分析模型,以准确度(Accuracy,ACC)和错误率(Error rate,ER)对不同类型判别模型的判别效果进行评价。然后采用偏最小二乘(Partial least squares,PLS)建立蒲黄炭中原儿茶酸、3-羟基苯甲酸、4-羟基苯甲酸、壬二酸、槲皮素、槲皮素-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、山柰酚、山柰酚-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、异鼠李素、香蒲新苷、异鼠李素-3-O-新橙皮糖苷和柚皮素的定量分析模型,计算校正集和验证集相关系数(r_(cal)、r_(pre))、校正集误差均方根(Root mean square error of calibration,RMSEC)、验证集误差均方根(Root mean square error of prediction,RMSEP)和性能偏差比(The ratio of prediction to deviation,RPD)对PLS模型预测性能进行评价。结果与PLS-DA和KNN模型相比,SVM模型对不同炮制程度蒲黄炭判别效果最优,校正集和验证集的ACC分别为90.08%和93.44%,ER分别为9.08%和5.21%。蒲黄炭中12种化学成分的PLS模型r_(cal)和r_(pre)均大于0.9,RPD均大于2.3。结论本文采用NIR光谱并结合化学计量学建立蒲黄炭炮制程度判别分析和多成分定量分析的快速检测方法,该方法快速、无损、准确,为快速判断蒲黄炭炮制程度和分析化学成分变化,保证蒲黄炭炮制工艺的稳定性和饮片质量的可控性提供科学依据和方法支撑。展开更多
文摘探讨4种不同运动时间和间歇模式的大强度间歇运动(HIIT)诱发愉悦情绪和享受感的效果差异。方法:将75名大学生随机分配至运动30 s间歇30 s组、运动1 min间歇1 min组、运动30 s间歇1min组和运动1 min间歇2 min组,分别于运动前、运动后即刻和20 min测量其享受感,并对运动中的疲劳感、愉悦情绪和享受感进行测试。结果:1)运动30 s间歇1 min HIIT相比运动1 min间歇2 min,运动30 s间歇30 s HIIT相比运动1 min间歇1 min HIIT均可诱发更积极的愉悦情绪。运动30 s间歇1 min HIIT诱发的愉悦情绪最高,运动1 min间歇1 min HIIT诱发的愉悦情绪最低。2)1:1间歇模式HIIT诱发的享受感水平低于1:2间歇模式,并且与运动30 s间歇30 s、运动1 min间歇1 min HIIT相比,运动1min间歇2 min HIIT诱发的享受感水平更高。3)运动30 s间歇1 min HIIT诱发的享受感水平显著高于运动1 min间歇1 min,相同间歇模式HIIT诱发的享受感水平没有显著差异。结论:1)运动时间和间歇时间等量时,运动时间越长,愉悦情绪越低,运动时间小于间歇时间的HIIT诱发的愉悦情绪更高。2)间歇期长的HIIT诱发的享受感水平更高,相同间歇模式的运动时间长短不影响运动后产生的享受感。3)短时间多组数HIIT是诱发愉悦情绪的最佳方案,长时间的间歇期HIIT是诱发享受感的最佳方案。
文摘目的建立蒲黄炭炮制程度判别和多成分定量的近红外(Near infrared,NIR)快速分析方法。方法制备“不及”“适中”“太过”3种炮制规格的蒲黄炭样品186批,采集不同规格蒲黄炭的NIR光谱,分别采用偏最小二乘判别分析(Partial least squares discriminant analysis,PLS-DA)、K-最近邻(k-nearest neighbor,kNN)和支持向量机(Support vector machine,SVM)建立蒲黄炭炮制程度的判别分析模型,以准确度(Accuracy,ACC)和错误率(Error rate,ER)对不同类型判别模型的判别效果进行评价。然后采用偏最小二乘(Partial least squares,PLS)建立蒲黄炭中原儿茶酸、3-羟基苯甲酸、4-羟基苯甲酸、壬二酸、槲皮素、槲皮素-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、山柰酚、山柰酚-3-O-(2G-α-L-鼠李糖基)-芸香糖苷、异鼠李素、香蒲新苷、异鼠李素-3-O-新橙皮糖苷和柚皮素的定量分析模型,计算校正集和验证集相关系数(r_(cal)、r_(pre))、校正集误差均方根(Root mean square error of calibration,RMSEC)、验证集误差均方根(Root mean square error of prediction,RMSEP)和性能偏差比(The ratio of prediction to deviation,RPD)对PLS模型预测性能进行评价。结果与PLS-DA和KNN模型相比,SVM模型对不同炮制程度蒲黄炭判别效果最优,校正集和验证集的ACC分别为90.08%和93.44%,ER分别为9.08%和5.21%。蒲黄炭中12种化学成分的PLS模型r_(cal)和r_(pre)均大于0.9,RPD均大于2.3。结论本文采用NIR光谱并结合化学计量学建立蒲黄炭炮制程度判别分析和多成分定量分析的快速检测方法,该方法快速、无损、准确,为快速判断蒲黄炭炮制程度和分析化学成分变化,保证蒲黄炭炮制工艺的稳定性和饮片质量的可控性提供科学依据和方法支撑。
