融合拉曼光谱与机器学习：精准检测牛奶非蛋白氮掺假物的创新策略及其在食品安全中的应用

本研究创新性地结合拉曼光谱技术与机器学习算法，开发了一种高效检测牛奶中非蛋白氮（NPN）掺假物（包括三聚氰胺、尿素和硫酸铵）的新方法。通过多模态预处理（SNV、Savitzky-Golay、ALS）优化光谱质量，利用UMAP降维与KNN分类实现96%的二元分类准确率，并采用SVR回归模型达成R2>0.96的高精度定量分析，为乳制品行业提供了快速、无损的实时质量监控解决方案。

　　

Highlight

研究亮点：通过机器学习驱动的拉曼光谱技术实现对牛奶中氮基掺假物的高精度检测与定量分析，为乳制品安全监管提供创新性解决方案。

Sample preparation and experimental design

样本制备与实验设计：为探究牛奶掺假现象，我们设计了两类样本——单一掺假混合物（SingleMix）与多元掺假混合物（MultiMix）。所有样本均在严格控制条件下通过拉曼光谱进行测量，以确保数据的一致性与可重复性。我们选用了三种常见于经济驱动型掺假行为的富氮化合物：三聚氰胺、硫酸铵和尿素。这些化学品均购自Sigma-Aldrich，认证纯度达99%。以脱脂牛奶为基质，通过精确称量与混合制备不同浓度梯度的掺假样本。

Results

结果：为建立掺假物识别的光谱基线，我们首先分析了纯化合物（包括三聚氰胺、硫酸铵、尿素及全脂牛奶）的拉曼光谱。每种化合物均展现出独特的振动特征峰：例如硫酸铵在980 cm^?1处存在强峰，三聚氰胺在678 cm^?1处具有明显信号，而尿素在1008 cm^?1处显示尖锐特征峰。这些特征峰为后续混合物分析提供了关键参考标识。

Discussion

讨论：从拉曼光谱中提取有意义的化学信息需依赖有效的预处理技术，尤其在处理如牛奶这类复杂混合物时更为关键。图2展示了光谱数据从原始信号到预处理完成的全流程转化。首幅面板中的原始光谱既包含拉曼信号，也存在显著荧光干扰与噪声，且强度波动较大。

Conclusion

结论：本研究成功将拉曼光谱与机器学习相结合，实现了对牛奶中三聚氰胺、硫酸铵和尿素等氮基掺假物的检测与定量分析。支持向量回归（SVR）和偏最小二乘回归（PLSR）等关键模型表现出极高的预测精度，且对各掺假物的检测限（LOD）极低。通过不对称最小二乘（ALS）基线校正与标准正态变换（SNV）等预处理技术的应用，有效提升了光谱质量与模型稳健性。