激光光声高纯痕量级气体分析仪

加州圣何塞（2010年8月26日）&ndash 全球科学服务领域的领导者赛默飞世尔科技，开发了一种全新方法，可灵敏、准确且可重复地定量分析母乳中低浓度的全氟化合物（PFCs）。利用超高效液相色谱-质谱（UHPLC/MS）平台上的选择反应监测（SRM）和高选择性反应监测（H-SRM）模式，能够可靠而稳定地检测母乳中ppt级的PFCs。新方法详见题为&ldquo 利用LC/MS/MS的选择反应监测模式灵敏而准确地定量分析母乳中的全氟化合物&rdquo 的应用文档。下载地址为：http://www.thermoscientific.com/pfc. 五十多年来，PFCs被广泛用于各种工业以及消费品领域。由于许多合成化合物无法被降解，而一些实验室研究表明PFCs可能产生发育、生殖和全身毒性，因此这些化合物成为了环境污染物。人们尝试控制PFCs，并想要开发一种能够可靠地定量分析痕量级全氟化合物的方法，从而确定暴露途径和健康结果。液相色谱-串联质谱（LC/MS/MS）早已成为PFCs的分析方法，但是由于背景的PFC污染和基质干扰，定量精度受到了一定限制。UHPLC/MS是一种可监测一系列人体基质中低浓度PFCs的强大的分析方法，可提供高灵敏度、高选择性、精确且可重复的测量。在人血清和母乳中可检测到多种PFCs，它甚至存在于新生儿的血液中，这可能是来自母亲的哺乳。通过使用Thermo Scientific Accela UHPLC，PAL自动进样器和TSQ Vantage三重四极杆质谱仪联合系统的SRM和H-SRM模式，可以快速、准确而稳定地定量分析母乳中的6种PFCs。利用不含PFC的Accela泵和预清洁的无PFC的脱气机，消除了PFC污染，同时利用PEEK管代替了特氟龙管。TSQ Vantage系统的SRM模式可获得优异的灵敏度和选择性，因而无需修改LC配置。这是一个明显优于其他商业平台的优势，因为它不需要使用在线的被污染的阱或者切换柱的方法来分析PFC。 利用集成的UHPLC/MS平台，在9分钟内分离了人类母乳基质中的6种PFC分析物。主要的基质干扰物在死体积期间就被洗脱，3.64min时第一个化合物被洗脱，证实了这是一个强大的定量分析方法。检测器响应具有良好的线性，同时H-SRM消除了基质干扰，而且无需牺牲任何灵敏度。 Accela系统结合1.9 &mu m颗粒的色谱柱以及业界最高压力的四元泵，可在一系列流速和压力下快速而有效地进行色谱分离。与已有的三重四极杆质谱系统相比，TSQ Vantage的信噪比提高了10倍，可极其灵敏地定量分析复杂的基质样品，并保持很高的分析精度。该仪器能够以极高的分辨率选择母离子，使得H-SRM模式能够获得更高的分析选择性和精度。 更多有关Thermo Scientific UHPLC/MS解决方案的信息或者需要浏览更多应用文档，电邮 analyze@thermofisher.com 或访问www.thermoscientific.com/accela 关于赛默飞世尔科技（Thermo Fisher Scientific） 赛默飞世尔科技有限公司（Thermo Fisher Scientific Inc.）（纽约证交所代码：TMO）是全球科学服务领域的领导者，致力于帮助客户使世界变得更健康、更清洁、更安全。公司年度营收达到100亿美元，拥有员工35,000多人，为350,000多家客户提供服务。这些客户包括：医药和生物技术公司、医院和临床诊断实验室、大学、研究院和政府机构以及环境与工业过程控制装备制造商等。该公司借助于 Thermo Scientific 和 Fisher Scientific 这两个主要品牌，帮助客户解决从常规测试到复杂的研发项目中所面临的各种分析方面的挑战。Thermo Scientific 能够为客户提供一整套包括高端分析仪器、实验室装备、软件、服务、耗材和试剂在内的实验室工作流程综合解决方案。Fisher Scientific 则提供了一系列用于卫生保健，科学研究，以及安全和教育领域的实验室装备、化学药品以及其他用品和服务。赛默飞世尔科技将努力为客户提供最为便捷的采购方案，为科研的飞速发展不断地改进工艺技术，并提升客户价值，帮助股东提高收益，为员工创造良好的发展空间。欲获取更多信息，请登陆：www.thermofisher.com（英文）， www.thermo.com.cn（中文）。

激光痕量气体监测仪的新进展：性能和噪音分析（Recent progress in laser?based trace gas instruments: performance and noise analysis ，J. B. McManus M. S. Zahniser D. D. Nelson J. H. Shorter S. C. Herndon D. Jervis M. Agnese R. McGovern T. I. Yacovitch J. R. Roscioli， Appl. Phys. B (2015) 119:203–218）摘要我们用一些近来的数据回顾了使用中红外量子级联激光器，带间级联激光器和锑化二极管激光器的发展。这种监测仪主要用于高精度和高灵敏度测量大气中的痕量气体。在高性能软件的控制下，利用吸收光谱进行快速扫描，集成和高精度拟合。通过中红外波段，实现了出色的灵敏度。Aerodyne监测仪证明了在自然情况下痕量气体的测量精度达到1012级别，可实时测量CO2，CO，CH4，N2O和H2O的同位素。我们还描述信号处理方法，以识别和降低测量噪音。光谱信息分析的原理是将光谱加载到数组中并利用滤波片，傅立叶分析，多元拟合和成分分析进行处理。我们提供一个仪器噪音分析的实例，噪音是由电子信号与光干涉条纹混合形成。引言随着各种中红外单片固态激光器的问世，使用基于中红外激光仪器，对大气痕量气体的高精度测量已经成为常规，包括量子级联激光器（QCL），带间级联激光器（ICL）和基于锑化物的二极管激光器（TDL）。在3μm附近的波长范围内有缺口，但现在，设计人员有更多选择，在3μm附近的波长区域频率使用混合技术。在本文中，我们回顾Aerodyne Research，Inc.（下称ARI）公司使用中红外激光监测仪测量不同的痕量气体，并达到高灵敏度和/或高精度水平。这些仪器基于快速扫描和精确光谱拟合的直接吸收光谱，在高性能软件的控制下，在中红外波段，利用长光程，在减压情况下，通过热电冷却的激光和探测器实现出色的灵敏度。这里介绍了两种仪器：单激光仪器，光程长度最大为76 米；双激光仪器，光程长度最大为210 米。通过仔细选择波长，我们可以用单激光器同时测量多种气体。根据吸收率来说，仪器噪音在1 s的平均值为?5×106，可以测量1012级别大气中的气体]。这些仪器可以在多种环境中使用，包括实验室，偏远现场和移动平台（如卡车，轮船和飞机）。ARI公司仪器介绍及其性能一般来说，对于高浓度气体，几毫米的测量光程可能就足够了；但对于痕量气体来说，则需要数百米光程。Aerodyne气体监测仪仪器使用中红外快速频率扫描，直接吸收光谱并进行精确光谱拟合。仪器在减压池中利用较长吸收光程的新型红外激光源，对多种气态分子提供灵活而直接的高精度测量。光谱仪的基本配置比较简单：首先是激光源，然后是多反腔，最后是探测器。图1显示了这种装置。多反腔有确定的路径长度，符合标准的激光可以传输到检测器，对样品气体的测量基于比尔-兰伯特定律。在许多情况下，激光扫描气体出现多个吸收峰，从而测量多个不同气体。让两道或更多激光通过吸收室，或者使用单个检测器时分复用，可以测量更多的气体。Aerodyne监测仪尽可能使用反射光学元件，光学系统几乎没有色散。通过选择不同波段激光和激光驱动，选择峰值灵敏度不同的检测器来匹配，测量给定单一气体或一组气体。对于不同的测量目的，选择不同的吸收光程。一般多反腔的光程为7–76 米，一般使用宽带透镜；对于浓度非常低的气体，210米光程的窄带高反射率透镜可以提高灵敏度。仪器的优化在过去的几年中，我们持续对仪器进行了改进，比如使用了新型的电流驱动器，它提供了QCL高顺从电压情况下的低噪音电流。我们还设计了低噪音激光驱动和其他电子设备，降低整个系统的噪音。使得平均1s采样情况下，吸收噪音为?5×106，在均时100 s具有更高的精度，这相当于约5×10-7的最终吸收噪音。很多因素使得噪音超过检测器限度，特别是窄带电子噪音和光学干涉条纹。中红外激光微量气体仪器由Aerodyne Research，Inc.生产的操作软件“ TDLWintel”控制，让每条激光可以设置为时分复用。TDLWintel可控制监测仪的操作并实时处理数据。两种激光电流斜率由TDLWintel定义，然后对检测到的信号采样（16位A / D在?1-1.5 MHz下运行），同步求平均，基于HITRAN参数以及测得的温度和压力的曲线，与计算出的吸收值拟合，可以对多达16种气体混合比实时记录。数据可以以10 Hz采样频率记录，最大有效数据率由泵抽速和吸收池的大小决定。实验过程中一些情况，比如阀门开关或背景消减，也可由TDLWintel软件控制。我们展示了单激光（76米光程）和双激光监测仪（76米或者210米光程）的气体测量噪音结果（平均1s），分别在表1和表2中，测量噪音为以空气中的混合比表示，同时提供了噪音的不确定性。根据不同的吸收路径和测量情况，吸收噪音最佳的结果在1s内约为?5×106。仪器适用在各种环境中，无论是在实验室还是在野外实验中。野外现场包括偏远位置或在移动平台（例如轮船，卡车和飞机）上。我们在最近20年在许多野外现场使用过这些仪器。在过去的几年中，Aerodyne “移动实验室”已配备了多种气相仪器（单激光和双激光监测仪）以及测量颗粒物和较重的有机化合物配套仪器。如测量天然气中的甲烷排放，或者测量两种气体示踪物（例如，亚硝酸盐氧化物和乙炔），移动实验室可以直接开到附近，测量示踪气体以及甲烷。另外，通过测量乙烷（常见天然气的成分），我们可以区分来自天然气设施的甲烷和来自生物来源的甲烷。仪器的噪音分析 了解测量噪音源对于保持仪器性能水平至关重要，通常将重点放在最终的噪音源分析和讨论上，例如探测器噪音，激光噪音或散射噪音。其他噪音源，统称为“技术噪音”，可能来自光学和电子方面，并可能是噪音的主要来源。而在在短时间尺度上的噪音可能是更长的时间范围的漂移。不同的噪音源可能表现出不同的功率谱密度（PSD），例如检测器噪音，而Johnson噪音通常具有平坦的PSD（即白噪音），而激光噪音会表现出闪烁噪音（1 / f PSD）。噪音可能会在频谱中产生随机波动，或者它可能具有窄带频率。另一个复杂因素是信号处理算法对噪音信号的响应。对于Aerodyne，混合比噪音是对噪音信号，以及压力和温度变量中多元拟合的结果。了解和减少噪音的第一步是使用Allan–Werle方差工具分析混合比噪音图（方差作为平均时间的函数）以及功率谱，并将噪音划分类型。Allan-Werle方差工具是一种通用工具，可以评估短时噪音和平均时间极限。按类型划分噪音有助于指示其来源。三种常用噪音包括是暗噪音，轻噪音和成比例噪音。 “暗噪音”（即，在检测器被堵塞的情况下报告的混合比）包括检测器噪音，基本电子（Johnson）噪音以及其他多余的电子噪音。“轻噪音”（正常光照水平但吸收深度很小）包括所有暗噪音加激光噪音（1/f，即闪烁噪音和散射噪音），激光驱动电流噪音（产生幅度波动）和干涉条纹的变化。 “比例噪音”（吸收深度较大时看到的多余噪音）包括激光驱动电流噪音，压力和温度噪音以及峰值位置运动结合调谐率误差。频谱数组处理将频谱分解为许多部分，并显示出较多变量。通常应用于频谱数组的处理工具包括减去偏移量，平均值，拟合度，统计量度，变量[p]，[q]或这两者的傅立叶变换，相关性，和主成分分析。尽管有很多处理的实例，但是很难提出一个通用的分析方法，帮助我们了解所看到的一切。即使我们“解剖”光谱并找到大的干涉条纹，这不一定意味着干涉条纹是多余噪音的来源，比如干涉条纹不动或它们的频率太高而无法影响拟合。为了确定，我们需要确定导致多余的噪音因素，该因素的短期波动应与混合比的波动匹配。我们通过一个噪音分析的例子说明了分析过程。结果表明，多余噪音是由两种波的混合，即光学干涉条纹和电子信号混合导致的，产生的低频成分，明显影响混合比的测定，而任一单一波则对结果几乎没有影响。结论 我们对当前Aerodyne Research，Inc.生产的微量气体激光测量仪器进行了综述。提供了一组气体，以及同位素比的测量结果。仪器在性能上的改进包括降低了电源和激光驱动噪音。另外，制造工序变得更加精简。目前吸收噪音在1s内达到?5×106。然而，为获得最佳性能，仍然需要对噪音做进一步的探索。本文中的实例显示，多余噪音是由两种波的混合，由光学干涉条纹和电子信号混合导致。仪器的相关优势1. 持续对仪器的改进及噪音的分析，测量痕量气体的精度更高，测量气体达到ppt级别，甚至在10Hz的频率仍然保持极高的精度；2. 一次同时测量多种气体，消除了多台仪器测量时气体产生的系统误差并大大提高效率；3. 仪器适用于多种环境，满足实验室测量，野外远程测量和移动测量需求。 欲了解该产品的更多特点，欢迎咨询联系澳作生态仪器有限公司

今天七月，Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy (SAA)期刊上发表了一个来自安徽大学周胜副教授课题组的研究成果《Optimized adaptive Savitzky-Golay filtering algorithm based on deep learning network for absorption spectroscopy》。此项工作将深度学习应用在激光光谱气体分析技术上的Savitzky-Golay（简称S-G）滤波抗噪算法，并通过仿真和实验证实该方法能够提升痕量NO2气体分析中光谱信号的信噪比，有助于实现更高灵敏度的气体分析。激光光谱分析是一个很强大的气体分析技术，能够实现非接触式、高精度、高灵敏度、高选择性的痕量气体分析（ppm或ppb量级）。然而，实际操作中所测得的吸收光谱会受到噪声的干扰，导致不准确的测量结果。过去的研究工作中提出了一些抑制噪声的算法，其中S-G滤波算法由于速度快、无需提供过多的参数、且能较好的保留原始光谱的形状和高度，成为近年来较受关注的方法，并且已经在某些应用场景（例如连续血糖监测）证明其面对各类噪声的有效性。S-G滤波算法的性能决定于两个参数：多项式阶数（k）和平均计算的窗口大小（b）。但是，噪声源和吸收光谱在实际应用中是未知的，因此难以获得固定的参数值使得滤波效果达到优。为了解决这个问题，研究人员提出了一种优化的自适应S-G算法，将深度学习网络与传统的S-G 滤波相结合，以提高测量系统的性能。深度学习网路以其非线性映射和建模能力对数据的规律性进行研究，并实现出色的“自我调整”和“跟踪反馈”。相较于传统的S-G算法，经过优化的算法可以调整滤波参数以实现光谱的佳信噪比。图一展示了用于训练S-G滤波算法参数的深度学习网络。这个具有多层感知器的人工智能网络提供了设计上的弹性，可以通过调整层数、神经元数量、和一些优化指标以达到所需的性能。用庞大的数据集进行高效训练后，相应的网络模型将达到最状态。接着，经过训练的网络模型将使用变量数据输入找到好的 k 和 b。 与此同时，输入数据集也将按传统方式计算以获得佳参数k 和 b。通过比较模型预测和人机计算的结果，由人工决定出佳的网络参数。图一 用于计算S-G滤波算法参数的深度学习网络 研究组以NO2为目标气体，选取波数位于1630.1至1630.42 cm-1的吸收谱线，进行了软件仿真和实验测量作为新方法（adaptive S–G filtering, 以下称ASGF）的验证，同时与另一常用的multi-signal averaging filtering（MAF）方法作比较。MAF计算时间长且主要用于白噪声的抑制。仿真结果显示在白噪声干扰的条件下（图二），MAF将信噪比从原始的6.58 dB提升至12.62 dB，新的ASGF算法则能提升至15.51 dB。图三则显示了非白噪声的背景噪声干扰，MAF方法将信噪比从原始的7.14 dB提升至13.22 dB，新的ASGF算法则提升至了更高的17.37dB。 图二 仿真验证ASFG算法在白噪声干扰下的性能表现 图三 仿真验证ASFG算法在其他背景噪声干扰下的性能表现 图四展示了实际实验的设置，它由一个光源、一个带压强控制器的多通气体吸收池、一系列反射镜、一个碲镉汞光电探测器和一台计算机组成。昕虹光电为此项研究工作提供的激光源为Q-Qube型量子级联激光发射头，这是一款热电冷却，空气制冷型，内准直输出的连续波CW室温分布反馈型量子级联激光（DFB-QCL）源，最峰值输出功率为 30 mW，由QC750-Touch型一体化激光驱动器，集温度控制器和低噪声恒流电流控制器驱动于一身，使光源系统发出6.2 μm波长的激光。极低的光学噪声和驱动器稳定性为此实验奠定了高质量信号基础。激光通过多通池由热电致冷型的碲镉汞光电探测器接收，信号传输至电脑后进行数据处理与分析。 图四 用于验证ASGF算法用于痕量NO2气体分析的实验设置 实验设置在压力0.1 atm和温度296 K的氮气中对4 ppm NO2的测量。其测量和过滤后的吸收光谱如图五(a)所示，原始数据测吸收特性淹没在噪声中，而经ASGF算法过滤后的频谱已显着平滑，使识别更容易。研究组对吸收光谱数据与理论Voigt 函数拟合，图五(b)结果表明拟合的R平方值高达0.99934，表明滤波后的吸收光谱与理论形状吻合良好。 图五 实测NO2的吸收光谱和经ASFG算法后的吸收光谱，可以看到滤波后的吸收光谱与理论形状吻合良好 结合了深度学习的神经网络技术，研究组提出的自适应S-G滤波算法表现出显着的滤波效果，在激光光谱气体分析领域中能够大幅改善光谱信号的信噪比。面对大气环境中具有挑战性的痕量气体分子检测，将能提供更优异的灵敏度和可靠性。