精选环氧乙烷气体对灭菌物品包装材料穿透力的实验研究 doc资料.docx
《精选环氧乙烷气体对灭菌物品包装材料穿透力的实验研究 doc资料.docx》由会员分享，可在线阅读，更多相关《精选环氧乙烷气体对灭菌物品包装材料穿透力的实验研究 doc资料.docx（23页珍藏版）》请在冰豆网上搜索。
精选环氧乙烷气体对灭菌物品包装材料穿透力的实验研究doc资料
环氧乙烷气体对灭菌物品包装材料
穿透力的实验研究
孙 汝 顾 健
摘 要 本研究表明,当环氧乙烷剂量为800mgL,在42℃、相对湿度60%以上、灭菌室气压为-15kPa的条件下,作用8小时,对50层棉布、40层牛皮纸、40层马粪纸、20层瓦楞纸板、50层聚乙烯薄膜、50层聚氯乙烯薄膜全部穿透,对50层玻璃纸仅穿透了11层,而对0108mm厚
的护卡膜（PET・EVA1层也未能穿透。
关键词 环氧乙烷 穿透力 灭菌
EXPERIMENTALSTUDIESONPIERCINGFORCEFORGASOFEPOXYETHANETOPASSTHROUGHPACKINGMATERIALOFSTERILIZATIONTHINGS.SunRu,GuJian.
Whenadosageofepoxyethaneis800mgL,temperatureis40℃,relativehamidityismorethan60%,airpressureinsterilizationroomis-15kPa,andeffecttimeis8hours,itwascarriedoutthatexperimentalstud2iesonpiercingforcein8packingmaterialsforgasofexpoxyethanetopassthroughpackingmaterialofsteril2izationthings.Theresultsshowedthat50stratacottoncloths,40stratabrownpaper,40stratastrawboard,20stratacorrugatedpaper,50stratapolyvinylchloridefilm,50stratapolyethlenefilm,and11strataglassinepaper,havebeenpassed,but1strataPET・EVAhavenotbeenpassed.
KeyWords Epoxyethane Piercingforce Sterilization
环氧乙烷气体穿透力特强,它不仅能穿透微孔的棉毛织品,还能穿透纸张、薄纸板、薄塑料（如聚乙烯、聚氯乙烯等,用环氧乙烷气体能使上述材料包装的内容物达到灭菌[1]。
为详细了解环氧乙烷气体对各种常用的包装材料的穿透力,从而为实际应用提供具体的科学依据,本文进行了实验研究,现将结果报告如下。
1 材料和方法
111 包装材料
按实用和常用的原则,选用棉布、牛皮纸、马粪纸、瓦楞纸板、玻璃纸、聚乙烯薄膜、聚氯乙烯薄膜及护卡膜等8种材料,并分别测量各种包装材料每层的厚度。
江苏省南通市卫生防疫站,南通226006
1997—04—01收稿 1997—04—28修回112 灭菌效果指示剂
11211 化学指示卡 天津大学研制,指示标识由红色变成兰色表示灭菌合格。
11212 生物指示剂 枯草杆菌黑色变种（ATCC9372芽胞菌片（本站微生物检验室制备,每张染菌量为5×105~5×106cfu。
113 包装
将化学指示卡和生物指示菌片各1片分别置于上述各种包装材料的每一层中进行严密包装。
包装层数除瓦楞纸板和护卡膜为20层外,其余材料均达到40层以上。
包装方法因材料而异,棉布用层层压紧包裹法;牛皮纸用大信封逐层套小信封;对马粪纸、瓦楞纸板,是将其切成15×15cm的正方形对齐,按需要的层数紧紧叠压在一起,四周侧面和底面部用铝箔密封数层,并用涤纶胶带粘紧,只留顶部一面让环氧乙烷气体渗透;对玻璃纸、聚乙烯薄膜、聚氯乙烯薄膜、护卡膜几种材料,则用高温层层烫封。
114 灭菌
将各种包装材料密封好的试验包集中到一个打了许多孔隙的大纸箱中,随同其它需要灭菌的一次性使用医疗用品等物品一起放置于环氧乙烷消毒灭菌柜内灭菌（消毒灭菌柜由杭州电达消毒设备厂生产,HDX—10型,10M3。
灭菌按常规程序操作,环氧乙烷剂量为800mgL,灭菌室最高温度为42℃,相对湿度为60~80%,灭菌室气压为-15kPa,灭菌持续8小时。
115 灭菌效果监测及评价
待环氧乙烷气体驱散后,将8种包装材料的试验包分别逐层打开,观察化学指示卡是否变色并作好记录,同时将生物指示菌片做上材料品种和层数记号,送微生物检验室作无菌试验[2]。
凡化学指示卡标识由红色变为兰色,且无菌试验灭菌概率达到9919999%者,即判为灭菌合格,表明该层材料已被环氧乙烷气体所穿透;否则判为不合格,即表明该层材料未被环氧乙烷气体所穿透。
无菌试验均设阴性和阳性对照。
2 结果
经环氧乙烷灭菌后,8种包装材料中,除玻璃纸和护卡膜之外的6种材料,实验包中所有层数里的化学指示卡全部由红色变成兰色,生物指示菌片放营养肉汤管中培养7天以上,全部无菌生长,说明已全部被环氧乙烷气体所穿透;实验50层玻璃纸,被穿透11层;实验20层护卡膜,1层也未穿透。
环氧乙烷气体对8种实验材料穿透的厚度,以瓦楞纸板最大,>140mm,其次为马粪纸、棉布、牛皮纸等,穿透厚度较小的是玻璃纸,为0111mm,护卡膜1层也未穿透（见附表。
附表 环氧乙烷气体对8种包装材料的穿透情况
材料名称实验层数穿透层数每层厚度
（mm
穿透厚度
（mm
棉布50500150>2510牛皮纸40400118>712马粪纸40400183>3312瓦楞纸板2021710>14010玻璃纸501101010113聚乙烯薄膜50500102>110聚氯乙烯薄膜50500102>110护卡膜200010803 讨论
311 环氧乙烷可用于各种物品的熏蒸消毒或灭菌,尤其多用于一次性使用的医疗用品的灭菌与皮毛工业的消毒,也可用于医院对忌热忌湿物品的灭菌与卫生防疫消毒[2],应用范围日趋广泛。
环氧乙烷的蒸气压比较大,对消毒物品的穿透性强,可以穿透微孔而达到物品的深部[3],但是,由于不同的物质致密程度不一样,环氧乙烷气体对它们的穿透力也不一样,所以在选择消毒或灭菌物品的包装材料时,既要考虑到包装的美观、轻便、密封、经济等因素,更重要的是要看它是否能被环氧乙烷气体所穿透,从而使包装内容物达到消毒或灭菌的要求。
本文实验的8种材料,环氧乙烷气体最易穿透的是瓦楞纸板,其次是马粪纸、棉布、牛皮纸,对聚乙烯、聚氯乙烯的穿透力也较好,这些材料都可以单独或者配合起来作为消毒灭菌物品的包装。
312 环氧乙烷气体并非无坚不穿,对某些物质多层叠在一起亦不能一穿到底。
如笔者在实际工作中就遇到一例用护卡膜压封的人造皮肤产品,经环氧乙烷反复灭菌后,产品上仍可检测到细菌,后经多方寻找原因,才发现是包装材料的问题。
目前市售的护卡膜为PET涤纶树脂（聚对苯二甲酸乙二酯和EVA树脂（乙烯—醋酸乙烯共聚物的复合材料,具有光滑透明、低温不裂、耐高温、耐老化、密封性好等优点,但环氧乙烷气体很难穿透。
本文实验用的护卡膜,一层仅0108mm厚,即阻止了环氧乙烷气体的穿透。
如果非用护卡膜作灭菌物品的包装材料不可,则必须先灭菌,而后封口,否则达不到预期效果。
对某些材料,如玻璃纸,包装层数不可无限制的增加,在本文的实验中,玻璃纸在加厚到第12层时,环氧乙烷气体即不能使化学指标卡充分变色。
313 过去认为,用塑料薄膜包装的物品应灭菌后再密封[2],但从本文的实验结果来看,在实际工作中,如使用环氧乙烷灭菌器,对于聚乙烯、聚氯乙烯这样的包装材料,完全可以先密封后灭菌。
另外,如用聚乙烯和聚氯乙烯薄膜作包装材料,在实际中一般不必考虑包装的层数太多会影响消毒灭菌效果。
当然更可不必考虑瓦楞纸板、棉布、马粪纸、牛皮纸等材料的层数太多会对消毒灭菌效果产生影响。
314 作为专门从事环氧乙烷（下转第302页
负相关关系（P<0101,与刺丝泡不发射率呈极显著的正相关关系（P<0101;而与相对体长和分裂相细胞比率之间存在Cu2+剂量增高与反应下降趋势,而相关性差异无显著性（P>0105;随着Cu2+浓度的增高,虫体生长呈现阶梯性抑制。
进一步的分析表明,Cu2+浓度在0~01313mg
L范围内,相对繁殖率与分裂相细胞比率之间的回
归方程为:
Yδ=615741X+211578,r=018175,P<0101
表明两者之间存在极显著的正相关关系。
3 讨论
Tkeshelashvili等[7]研究发现Cu2+
对细胞DNA
有损伤作用;曹阳等[8]报道CuSO4・5H2O的强致毒剂量可导致ΚDNA分子上的某些限制酶Pst靶位点改变;作者最近报道了GSH含量的降低是Cu2+对草履虫急性致死的主要原因之一[6]。
本研究发现
Cu
2+
浓度与草履虫繁殖之间呈明显浓度2反应关系,
与上述研究结果有一致性。
虽然从整体来看,Cu
2+
浓度与分裂相细胞比率之间无明显浓度2反应关系,但在Cu2+浓度为0~01313mgL范围内,分裂相细胞比率与相对繁殖率之间存在明显正相关关系,此现象进一步说明Cu2+对虫体繁殖的影响。
在Cu2+浓度达016250mgL以后,出现散在的分裂相细胞是由于在环境不利的情况下,草履虫表现出接合生殖,以繁衍后代,维持种族的生存。
此外,研究还发现
Cu2+对草履虫的生长抑制虽呈阶梯性,但其相关性
无显著性（P>0105,表明草履虫受Cu2+的生长抑制影响不及繁殖抑制敏感。
本研究还发现Cu
2+
对草履虫繁殖抑制作用的
阈浓度仅为010195mgL,且在该浓度下其生长发育也受到影响。
钟才高等认为Cu2+浓度达到
014mgL时,才会对微生物酶活性及生长速度产生
影响[9];姜礼燔发现Cu2+在011mgL时可对某些经济鱼类的味蕾产生影响,在0107mgL时可使白鲢
产生回避反应[10]。
由此可见,对不同种类的水生物,由于选择的毒作用观察指标不一样,则产生的毒效应的阈浓度也不同。
本研究结果表明草履虫对Cu2+表现出较高的敏感性,是一种对水体卫生质量评价的较理想指示生物,繁殖试验则是评价Cu2+慢性毒性较为敏感的方法。
综上所述,铜对草履虫慢性毒作用机理:
一方面
可能是Cu2+直接作用于虫体的DNA,从而破坏细胞繁殖有关,另一方面Cu2+也可能干扰虫体蛋白质、核酸等生物大分子的合成,使其细胞分裂和生长过程受阻。
（本文承蒙本站毒理科主任诸茂盛付主任医师审阅,在
此表示感谢!
4 参考文献
1 李永祺,丁美丽1海洋污染生物学1第一版1北京:
海
洋出版社,1991128
2 陆超华1海南北部海域水产品的重金属污染及其评价
1海洋环境科学,1995,2（14:
12~18
3 StrattonGW.
Interactioneffectsofmercury2pesticide
conbinationstowardsacyanobcterium.BullEnviron
ContamToxicol,1985,34:
676
~824 JLSlabbert.
Improvedbacterialgrowthtestforrapid
watertoxicityscreening.BullEnvironContamToxicol,1986,37:
565~78
5 陈天乙1草履虫毒性实验方法的研究1动物学杂志,
1984,（3:
15~17
6 石同幸,赵美英,肖斌权1铜离子对草履虫毒性的实验
研究1卫生研究,1996,25（2:
98~100
7 LeilaK.
Tkeshelashvili,TimothyMeBride,Kevin
Spenceetal
.Mutationspectrumofcopper2inducedDNAdamage.JBiolChem,1991,266（10:
6401~6
8 曹阳,曹佳,许莉萍1硫酸铜和亚硫酸氢钠对ΚDNA的
遗传毒性研究1中国环境科学,1993,13（5:
386~9
9 钟才高,朱继佩,戴继森1铜对细菌乳酸脱氢酶活性及
生长速度的影响1环境与健康杂志,1989,6（5:
16~
19
10 姜礼燔1几种重金属对鱼类感受器味蕾的渗透影响1
环境科学,1989,10（3:
29~32
（上接第268页 灭菌器操作的技术人员,不仅要
熟练掌握环氧乙烷灭菌操作程序,熟悉注意事项,还
必须了解环氧乙烷气体对各种包装材料的穿透能力,以便对送来消毒灭菌的物品进行鉴别,一旦发现不恰当的包装材料或包装形式,应及时提出改进意见,以免灭菌失败,甚至由此而引起感染事故的发生。
（本实验研究承蒙南通医学院陆守曾教授指导,谨致谢忱。
4 参考文献
1 顾德鸿,张慧贤1医用消毒学1北京:
北京科学技术出
版社,1991:
334
2 卫生部1消毒技术规范11991,116:
67、69
3 薛广波1实用消毒学1北京:
人民军医出版社,1986,
272
基于主成分分析和BP神经网络的气体识别方法研究①
魏广芬,唐祯安,余隽
（大连理工大学传感技术研究所,辽宁 大连 116023
摘要:
本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析.结果表明,主成分分析能够在保留测试数据最大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性,然后,再将所产生的新的样本空间作为BP网络的输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率.
关键词:
气体传感器阵列,主成分分析（PCA,BP神经网络
1 引 言
自从Zaromb和Stetter[1]提出采用灵敏度部分重叠的气体传感器阵列解决气体传感器的交叉敏和低选择性问题以来,人们对气体传感器阵列的信号处理技术研究表现了极大兴趣.先后研究了变换最小方差法（TLS[2]、局部模型构造法（PMB[3]、主成分分析法（PCA[4]等传统模式识别方法,以及误差反向传播神经网络（BP[5]、自适应共振神经网络（ART[6]、自组织特征映射神经网络（SOFM[7]等人工神经网络方法,在气体传感器阵列信号处理中的应用.
BP网络是一种基于误差反向传播算法的神经网络,在气体传感器阵列信号处理中使用非常广泛[8],但BP网络的训练速率和识别正确率受训练样本的选取、样本间的相关性和网络结构的影响很大[9].主成分分析（PrincipalComponentAnalysis,PCA是一种数据压缩和特征提取的多变量统计分析技术,能够有效去除数据间的相关性.因此,本文将PCA和BP网络结合起来,首先采用主成分分析法对现有的样本空间进行某种正交组合变换产生新的学习样本空间,使得新的学习样本空间维数低、分量间相关性小,并对气体模式进行预分类,然后将新的学习样本空间作为BP网络的输入,实现气体的浓度识别.
2 识别算法的基本原理
2.1 主成分分析法
主成分分析,是在基本保持原变量信息不变的前提下,通过原变量的少数几个线性组合2001年12月 传 感 技 术 学 报 第4期
①来稿日期:
2001204225
项目:
自然科学重大项目二级课题（59995550-5和S863项目的资助
来代替原变量并揭示原变量之间关系的一种数学分析方法.设使用一个由p个不同选择性的气体传感器组成的阵列共测试了n组数据,Rij表示第j个传感器在第i次测试时的电阻值,纯净空气中电阻值记为R0=（R01,R02,…,R0p,为消除气体传感器自身漂移的影响,一般采用传感器电阻值的相对变化xij=Rij-R0j组成样本数据集X=（xijn×p.若记X的协方差阵为2,2的p个特征值为Κ1≥Κ2≥…≥Κp≥0,相应的标准正交化特征向量为V=（l1,l2,…,lp,那么数学上已经证明X的第i主成分为yi=lTiX,其方差为DYi=Κi（i=1,2,…,p.所以求X的主成分就转化为求X的协方差阵的特征值和对应的单位正交特征向量.为了衡量各主成分的贡献,定义Κi∑p
j=1
Κj为主成分yi的贡献率,∑p
i=1
Κi∑p
j=1
Κj为主成分yi,y2,…,yk
的累计贡献率,其中k为选取的主成分的个数.累计贡献率越大,丢失的数据信息就越少,但后续处理计算量大,所以通常k的取值范围以使累计贡献率在70◊~80◊为宜[10,11]. 在实际应用中,取样本（xijn×p的均值x-=（x1-,x2-,…,xp-
、样本协方差阵S=（sijn×p和相关系数矩阵R（rijp×p为样本总体的数学期望、协方差阵和相关系数矩阵的估计量,其计算公式分别为
xj-=
1
n
∑n
i=1
x
ij
sij=
1
n-1∑
n
k=1
（xki-xi-（xkj-xj-rij=
sijsii
sjj
其中:
i,j=1,2,…,p,当i=j时,sij=Ρ2
ii=1n-12
n
k-1
（xki-xi-2,rii=1.样本主成分一般是随着度量单位而变化的,当变量的度量单位不同或单位相同但变化
范围彼此差异很大时,应当考虑变量标准化[10].标准化方法很多,本文采用标准差标准化方
法,即以
xij-xj
-
sjj
代替xij进行计算,这样标准化后的xij的协方差阵即为其相关系数矩阵.
综上所述,主成分分析法的主要计算步骤如下:
（1 原始数据样本集（xijn×p的标准化.
（2 建立相关系数矩阵R,求R的特征值和标准正交特征向量.借助矩阵分析手段,直接对样本集（xijn×p进行奇异值分解,可以得到（xijn×p的奇异值和R的标准正交特征向量V,（xijn×p的奇异值的平方就是R的特征值.
BP网络的计算一般分为模式的前传,期望输出和实际输出的误差计算,误差反向传播和权值修正三个步骤.输出神经元的期望值一般为0,1（或-1,1[5,12],输出神经元的一种编码组合就对应一种气体模式（不同浓度不同种类气体的任一组合对应一种气体模式,若输出神经元数为N,就对应2N种气体模式.这样做的优点是输出模式明确,缺点是当气体模式很多时,训练样本、输出神经元数急剧增大,收敛困难.本文采用三层网络结构,取Sig2
392第4期 魏广芬,唐祯安等:
基于主成分分析和BP神经网络的气体识别方法研究
moid函数为神经元非线性函数,输出层的神经元数代表混合气体的种类数,期望输出值为各气体的浓度值与所用的测试数据集中气体浓度的最大值的比值（为了将其限制在0~1范围内,与Sigmoid函数的值域对应,该最大值相当于我们所使用的传感器的量程.这样可以充分利用神经网络的非线性,输出也不会仅仅限于几种固定的模式,其检测值更接近于实际情况.
3 实验及识别结果
本文分析的信号是一个气体传感器阵列对不同浓度的酒精、汽油以及酒精和汽油的混合气体的响应.该传感器阵列由4个SnO2旁热式烧结型元件构成,其中两个对汽油的灵敏度高,另两个对酒精的灵敏度高.原有数据共四组样本79个[12],从每组样本中任选5~8个数据组成测试样本集（27个,其余数据组成训练样本集（52个.
3.1 主成分分析结果
我们用MATLAB语言编写了PCA计算程序,通过计算得到样本数据集相关系数矩阵
R的特征值和相应特征向量V,Y=X・V即为变换后的新的样本空间,R的特征值及所解释的方差贡献率见表1.
从表1可知,选用第一、第二两个主成分组成新的样本集就能够代表原始数据所能提供的信息的98.68%.使用第一、第二主成分作为横纵坐标值,作出气体模式分类图（见图1,图2.
l1 l2 l3 l4
V=
表1 R的特征值及所解释的方差贡献率
主成分特征值方差贡献率累计方差贡献率
由图1可以看出,主成分分析法将各种气体模式分成了汽油、酒粗、汽油与酒精的混合
气体三类,类间离散度非常大,没有类重合现象.图2是一次测量的一组数据（共18种气体模式的PCA分类图,各点的浓度值标识于图中.结合图1和图2可以看出气体浓度与PCA1,PCA2之间的关系:
PCA1体现了气体浓度的高低,随着PCA1值的增加,气体浓度也逐渐增加:
PCA2体现了气体的分类情况,PCA2>0时汽油占多数,PCA2<0时酒精占多数,并且纯汽油和纯酒精的浓度与PCA1、PCA2呈一定的线性关系.对此的解释为:
PCA1=X・l1,而l1的各分量大小相当,并且都为正,表明PCA1的四个传感器响应的总体反映,实际上传感器对气体的响应是随着气体浓度增加而增大的,故PCA1应当体现气体浓度的高低;PCA2=X・l2,l2前两分量为负,后两分量为正,表明前两个传感器对酒精的选择性高,后两个传感器对汽油的选择性高,与该传感器阵列构成相符,故PCA2体现的是气体的分类情况.由此可以看出,使用主成分分析法可以分析气体传感器的选择性,便于合理设计气体传感器阵列.
492 传 感 技 术 学 报 2001年
图1
使用主成分分析法得到的气体模式分类图
图2 18种气体模式的分类图
3.2 使用BP网络进行浓度识别
综合三个网络,总迭代次数为543000,训练样本的识别正确率为76.92%,测试样本的识别正确率为62.96%.直接使用原始数据建立的BP神经网络（结构为4,8,2型,当误差能量函数值也为0.0005时总训练迭代次数为2724000,训练正确率为80.77%,测试正确率为66.67%.显然,经过PCA预处理后,网络的收敛速度比未经PCA处理时要快得多,而其识别正确率却基本与未处理时持平,继续降低误差能量值,识别正确率将会提高很多.
592第4期 魏广芬,唐祯安等:
基于主成分分析和BP神经网络的气体识别方法研究
表2 BP网络的训练和测试结果
BP网络
训 练
测 试样本数
识别正确数
识别正确率%
样
本数
识别正确数
识别正确率%
训练迭代次数
综合训练识别正确率%
综合测试
识别正确率%
2
17
11
4
132000
图3和图4分别是通过上述方法采用BP网络识别的气体浓度与实际气体浓度的比较
原因有传感器的漂移以及温度、湿度等外界因素对气体传感器的影响以及BP网络训练的总误差能量不够小,BP网络的非线性函数与气体传感器的非线性响应之间的相似性比较差等.降低BP网络训练时的总误差能量,采用与气体传感器非线性响应相似性较高的非线性函数作为BP网络的神经元非线性函数,并且将传感器的漂移、温度和湿度的变化也纳入主
升级会员 