建立了一步式QuEChERS自动提取和净化技术结合气相色谱-串联质谱同时测定风干牦牛肉中15种N-亚硝胺的分析方法。样品水化后,经乙腈提取,加入4.0 g MgSO_(4)和1.0 g NaCl除水,经十八烷基硅烷(C_(18))和N-丙基乙二胺(PSA)填料净化,采用DB-...建立了一步式QuEChERS自动提取和净化技术结合气相色谱-串联质谱同时测定风干牦牛肉中15种N-亚硝胺的分析方法。样品水化后,经乙腈提取,加入4.0 g MgSO_(4)和1.0 g NaCl除水,经十八烷基硅烷(C_(18))和N-丙基乙二胺(PSA)填料净化,采用DB-HeavyWAX色谱柱(30 m×0.25 mm×0.25μm)分离15种N-亚硝胺,在多重反应监测(MRM)模式下进行测定,外标法定量。结果表明,15种N-亚硝胺分离性能良好,在0.1~200μg/L范围内线性关系良好,相关系数(r^(2))≥0.999 0;检出限(LOD)为0.05~0.20μg/kg,定量限(LOQ)为0.10~0.50μg/kg;在1倍、2倍和10倍LOQ 3个添加水平下的平均回收率分别为79.4%~102.1%、80.6%~109.5%、83.0%~110.6%,相对标准偏差(RSD)为0.8%~16.0%。应用建立的方法检测2种不同加工工艺的市售样品,其中7种N-亚硝胺类化合物(N-亚硝基二甲胺、N-亚硝基二异丁胺、N-亚硝基二正丁胺、N-亚硝基甲基苯胺、N-亚硝基乙基苯胺、N-亚硝基吡咯烷、N-亚硝基二苯胺)均有不同程度检出,平均含量为0.08~20.18μg/kg,且熟制风干牦牛肉中N-亚硝胺的检出率和平均含量均高于传统生制风干牦牛肉。该方法实现了前处理的自动化,相较于其他传统方法,操作简单,实验效率高,人为影响因素小,检测灵敏度高,适用于风干牦牛肉中15种N-亚硝胺的快速测定,为研究肉制品中N-亚硝胺的测定提供了方法支持。展开更多
提出一种基于栈式自动编码器(Stacked Auto Encoder,SAE)和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作...提出一种基于栈式自动编码器(Stacked Auto Encoder,SAE)和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。展开更多
文摘建立了一步式QuEChERS自动提取和净化技术结合气相色谱-串联质谱同时测定风干牦牛肉中15种N-亚硝胺的分析方法。样品水化后,经乙腈提取,加入4.0 g MgSO_(4)和1.0 g NaCl除水,经十八烷基硅烷(C_(18))和N-丙基乙二胺(PSA)填料净化,采用DB-HeavyWAX色谱柱(30 m×0.25 mm×0.25μm)分离15种N-亚硝胺,在多重反应监测(MRM)模式下进行测定,外标法定量。结果表明,15种N-亚硝胺分离性能良好,在0.1~200μg/L范围内线性关系良好,相关系数(r^(2))≥0.999 0;检出限(LOD)为0.05~0.20μg/kg,定量限(LOQ)为0.10~0.50μg/kg;在1倍、2倍和10倍LOQ 3个添加水平下的平均回收率分别为79.4%~102.1%、80.6%~109.5%、83.0%~110.6%,相对标准偏差(RSD)为0.8%~16.0%。应用建立的方法检测2种不同加工工艺的市售样品,其中7种N-亚硝胺类化合物(N-亚硝基二甲胺、N-亚硝基二异丁胺、N-亚硝基二正丁胺、N-亚硝基甲基苯胺、N-亚硝基乙基苯胺、N-亚硝基吡咯烷、N-亚硝基二苯胺)均有不同程度检出,平均含量为0.08~20.18μg/kg,且熟制风干牦牛肉中N-亚硝胺的检出率和平均含量均高于传统生制风干牦牛肉。该方法实现了前处理的自动化,相较于其他传统方法,操作简单,实验效率高,人为影响因素小,检测灵敏度高,适用于风干牦牛肉中15种N-亚硝胺的快速测定,为研究肉制品中N-亚硝胺的测定提供了方法支持。
文摘提出一种基于栈式自动编码器(Stacked Auto Encoder,SAE)和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。
