基于拉曼光谱与高斯加权k近邻回归的掺假羊奶中牛奶定量检测研究

针对羊奶掺假牛奶难以快速检测的问题，研究人员创新性地结合拉曼光谱技术与高斯加权k近邻回归模型（Gk-NNR），通过分层Kennard-Stone（SKS）样本划分策略，建立了高精度定量检测方法。该模型MSE低至0.005，R2达0.962，显著优于传统色谱和机器学习方法，为乳制品安全监管提供了高效无损的分析工具。

　　

随着消费者对羊奶营养价值的认可度提升，其市场需求的激增也带来了掺假乱象。作为“奶中之王”，羊奶因富含脂肪、蛋白质和矿物质而价格高昂，但这也使其成为不法商贩掺入廉价牛奶的主要目标。传统检测方法如高效液相色谱（HPLC）和聚合酶链反应（PCR）虽准确，却存在设备昂贵、耗时长等缺陷。如何实现快速、低成本的掺假定量检测，成为食品安全领域的迫切需求。

中国某研究团队在《Microchemical Journal》发表的研究中，首次将拉曼光谱与高斯加权k近邻回归（Gaussian-weighted k-Nearest Neighbor Regression, Gk-NNR）相结合，开发了一种新型羊奶掺假检测系统。研究人员从杭州多批次市售乳制品中采集样本，按0%-100%梯度掺入牛奶，利用拉曼光谱获取150-2750 cm^?1范围内的分子振动特征。通过创新的分层Kennard-Stone（SKS）数据分割法确保模型训练均衡性，并改进传统k近邻算法，赋予邻近样本高斯分布权重，最终实现掺假比例的精准预测。

关键技术包括：1）拉曼光谱采集与预处理；2）基于SKS算法的样本分层划分；3）Gk-NNR模型构建（引入高斯核函数优化距离权重）；4）对比七种主流回归模型（如PLS、SVR等）的性能验证。

样本制备
研究采用蒙牛集团牛奶与蒙羊乳业羊奶，按0%-100%十级梯度配制掺假样本，消除单一批次偏差。

拉曼光谱分析
尽管纯羊奶与牛奶光谱峰高度重叠（150-2750 cm^?1），但经多元散射校正（MSC）和标准正态变换（SNV）预处理后，主成分分析（PCA）显示不同掺假比例样本呈梯度分布，证实光谱差异的可挖掘性。

结论
Gk-NNR模型以MSE 0.005、R² 0.962的优异性能碾压对比模型（如SVR的MSE 0.012），且无需复杂前处理。该方法不仅解决了传统技术成本高、水基质干扰大的痛点，更开创了光谱-机器学习联用的乳品快检新范式。作者Yinsheng Zhang等强调，该技术可扩展至其他食品掺假检测，为构建智能化食品安全监控体系提供关键技术支撑。