材料与方法
1.1 试验仪器
AB204-N型电子分析天平（德国梅特勒公司）、电热恒温鼓风干燥箱（DHG-9070A，上海齐欣科学仪器有限公司）、通用环境实验箱（MLR-352H-PC，Panasonic公司）、MPA近红外光谱仪（德国布鲁克公司，OPUS工作站）。
1.2 样品的来源及分类
共收集大悟、确山、江西、周口、亳州5个产地共10批次的白花蛇舌草种子样品，并将所有种子依次过60目、80目标准筛，除去未过筛的样品中的植物残体、土石等，再过100目筛，筛掉灰尘及干瘪的种子，得到80目到100目之间的种子，样品信息见表1。
2 结果与分析
2.1 近红外光谱采集参数及光谱扫描
取白花蛇舌草种子，装填在近红外标准测样瓶中，样品堆积高度约0.5 cm，然后将测样瓶放置于近红外光谱仪漫反射测量窗口。扫描波长间隔8 cm-1，扫描累积次数32次，扫描区间12 500～4 000 cm-1，每批次样品测量前扣减背景光谱。每个样品扫描3次，取平均光谱（图1）。
2.2 白花蛇舌草種子水分含量的测定
为了有效扩展建模样品的水分分布区间，更准确地模拟种子样品的实际水分值，试验中对已有样品进行干燥和加湿两种加速试验[11]。
1）干燥加速试验。精密称取1～5号样品，分别置已干燥恒重的称量瓶中，均匀铺开，装填厚度大约0.5 cm，连同称量瓶一起置近红外仪器样品检测窗口，分别测定每批次种子样品的近红外光谱。然后将5组样品同时置烘箱中干燥，60 ℃下，每间隔一段时间，取出后置干燥器中冷却30 min，然后称重，同时测定近红外光谱。共干燥加速8次，加上原始重量，共得到9组数据，最后将烘箱温度调整到105 ℃，干燥至减失重量小于0.5 mg为止（表中标识为“恒重”），得到干燥完全的样品重量。根据减失重量，计算每批次样品含水量，结果见表2。
2）加湿加速部分。精密称取6～10号样品，分别置于已干燥恒重的称量瓶中，均匀铺开，装填厚度大约0.5 cm，连同称量瓶一起放置于近红外光谱仪样品检测窗口，分别测定每批次种子样品的近红外光谱。然后将5组样品放置于温度为25 ℃、相对湿度为90%的通用环境试验箱内，放置不同时间（1.5、4、9、15 h）后，分别称重，记录加湿后种子的质量，同时测定每次加湿后样品的近红外光谱。最后将样品在105 ℃，干燥至减失重量小于0.5 mg为止（表中标识为“恒重”），得到干燥完全的样品重量，计算每批次加湿样品的含水量，结果见表3。
通过加速试验，有效地扩展近红外建模样品的水分分布区间，增加样品的代表性，也能更广泛地涵盖实际样品中的水分值，从而保证模型预测结果的准确性和稳定性。从表2和表3中可以看出，加速试验后白花蛇舌草种子的水分含量分布在0.00%～11.96%范围内。
2.3 白花蛇舌草种子近红外光谱特征分析
采用OPUS软件中“一致性检验”的方法分析水分和近红外光谱之间的关系，以水分中OH基团的特征吸收为主要依据，综合考虑相关性的波数区域，在4 200～7 500 cm-1波长区域范围内进行作图分析，结果见图2。
从图2可以看出，根据加速时间的不同，干燥加速试验和加湿加速试验，均呈现良好的线性变化趋势，表明水分的含量和此特征谱段有明显的相关性，此特征谱段可作为建立定量模型建立的参考。
2.4 白花蛇舌草种子水分定量模型的建立
采用OPUS软件中定量建模的算法，建立白花蛇舌草种子中水分含量的定量模型，以相关系数和交叉验证均方根为指标，对建模谱段进一步优化，选择4 200～5 200 cm-1、6 800～7 500 cm-1波长区域，综合评判模型的预测能力和稳定性，结果见表4。
单独的矢量归一化、多元散射校正或求导等预处理方法分析并不能显著改善模型的线性和预测偏差，一阶导数+多元散射校正的预处理方法最佳，相关系数和交叉验证均方根误差均较小，预测结果的偏差更小。
综合以上分析，特征谱段选择4 200～5 200 cm-1、6 800～7 500 cm-1波长区域，预处理方法选择一阶导数+多元散射校正，平滑点选择17，采用偏最小二乘法，建立了白花蛇舌草种子定量分析模型。在内部交叉验证情况下，模型的相关系数0.991，结果见图3;偏差值与测量值之间的关系见图4。
2.5 模型精密度考察
选择同一份白花蛇舌草样品（样品编号为5），重复测量近红外光谱6次，代入建立的模型预测水分值，结果分别为7.96%、7.88%、7.92%、7.94%、8.04%、7.90%，预测结果的RSD为0.7%，精密度良好。
2.6 模型准确性考察
为了验证模型的有效性，采用外部验证的方法，对建立的模型进行准确性验证，试验中从市场上收集10批次白花蛇舌草样品，筛去其中的植物残体、土石和灰尘等，测定其近红外光谱，然后按照2015版《中国药典》烘干法测定每批次白花蛇舌草样品水分，结果见表5。从表5中可以看出，模型预测结果基本和仪器测定结果一致，偏差主要分布在0.5%以内，最大偏差为0.9%。建立的近红外光谱水分模型，能较准确地反映实际样品中水分的含量。
3 讨论
白花蛇舌草水分测定结果与样品的净度有一定的关联，市场上购买的白花蛇舌草药材，需要进行筛选得到种子，以去除残留的茎叶、灰尘和泥土等，试验中按照统一的筛分方法进行处理，得到净度大于80%的样品。模型的预测也主要是针对净度在80%的样品。
试验中收集的白花蛇舌草种子，水分含量涵盖的范围有限，为了更准确地预测样品中的水分值，模拟实际情况，进行了干燥加速试验和加湿加速试验，有效地扩展了样品中水分的分布范围，也很好地证明了建立的模型有很好的适用性[11]。
参考文献：
[1] 吴孔松，张 坤，谭桂山，等.白花蛇舌草化学成分的研究[J].中国中药杂志，2005，39（11）：817-818.
[2] 李 超.治疗恶性肿瘤方剂中解毒类药物的配伍规律研究[D].南京：南京中医药大学，2013.
[3] 郭巧生，吴传万，刘 俊，等.白花蛇舌草种子萌发特性[J].中药材，2001，24（8）：548-550.
[4] 国家食品药品监督管理总局.中国药典[Z].四部.2015.
[5] 李淑娴，高莹莹，李运红，等.种子含水量的测定方法及展望[J].种子，2010，29（10）：57-59，61.
[6] 李隆云，彭 锐，李红莉，等.中药材种子种苗的发展策略[J].重庆中草药研究，2011，35（1）：247-252.
[7] 郭利建，王惠娟，杨 宁.近红外光谱分析技术及其应用[J].河北化工，2008，31（8）：31-32，45.
[8] 陆婉珍.现代近红外光谱技术[M].第二版.北京：中国石化出版社，2007.
[9] 康月琼，郝 风.傅里叶变换近红外光谱法检测种子水分和生活力的研究[J].种子，2004，23（7）：10-12，16.
[10] 余 驰，姜 红，刘爱萍.近红外漫反射光谱法建立厚朴药材的定性模型[J].药物分析杂志，2009，29（4）：656-658.
[11] 戴常军，李 辉，李 宛，等.人工提高大豆水分近红外活度研究[J].大豆科学，2009，28（4）：702-705.