《Food Chemistry》：An interpretable CNN–grad-CAM framework for detection and quantification of cow milk adulteration in goat milk using excitation–emission matrix fluorescence spectroscopy.
编辑推荐：
•激发-发射矩阵（EEM）指纹图直接输入卷积神经网络（CNN），未经事先分解处理。•在所有七分类指标中，CNN的表现均优于支持向量机（SVM）。•梯度加权类激活映射（Grad-CAM）与并行因子分析（PARAFAC）结果表明，蛋白质荧光部分地影响了CNN的决策过程。•CNN对
- •
激发-发射矩阵（EEM）指纹图直接输入卷积神经网络（CNN），未经事先分解处理。
- •
在所有七分类指标中，CNN的表现均优于支持向量机（SVM）。
- •
梯度加权类激活映射（Grad-CAM）与并行因子分析（PARAFAC）结果表明，蛋白质荧光部分地影响了CNN的决策过程。
- •
CNN对掺假程度进行定量分析，预测均方根误差（RMSEP）为4.84%，决定系数（）为0.91。
引言
山羊奶因其优良的营养成分、良好的消化性以及相比牛奶可能更低的致敏性而受到越来越多的关注，这通常归因于其独特的蛋白质组成和更小的脂肪球（Haenlein, 2004; Park et al., 2007）。因此，消费者对山羊奶及相关乳制品的需求持续稳步增长。然而，由于其产量相对有限且市场价格较高，山羊奶特别容易受到以经济利益为目的的掺假，尤其是添加低成本的牛奶。此类掺假不仅损害产品真实性和消费者信心，还可能对牛奶蛋白敏感或过敏的个体构成潜在健康风险（Shen et al., 2025）。因此，开发快速、可靠的山羊奶鉴定方法对于乳制品质量控制和消费者保护具有重要意义。
检测山羊奶中牛奶掺假的传统方法主要依赖于物种特异性化学标记物、蛋白质标记物或基因标记物，例如高效液相色谱（HPLC）（Han et al., 2023）、质谱（MS）（Fan et al., 2023; Zhang et al., 2024）、聚合酶链反应（PCR）（Giglioti et al., 2022）以及电泳方法（Mayer, 2005）。这些靶向方法通常具有较高的灵敏度和特异性，特别是在确证性分析中，但它们往往涉及复杂的样品前处理、昂贵的仪器设备、耗时的操作流程以及需要熟练的操作人员，这限制了其在快速常规筛查中的实用性。快速光谱技术，如中红外光谱结合化学计量学，因其能够实现快速无损分析而成为有吸引力的替代方案（Du et al., 2025）。然而，在液态奶分析中，水分的强吸收会干扰中红外测量，通常需要样品脱水或冷冻干燥处理。此外，检测山羊奶中的牛奶掺假仍然具有挑战性，因为两种奶的组成和光谱特征高度相似。因此，仍需要开发更快速、无损且信息量更丰富的分析方法来进行山羊奶鉴定和牛奶掺假检测。
激发-发射矩阵（EEM）荧光光谱能够在最少样品前处理的情况下快速获取全面的荧光指纹图，是食品分析领域的一项有前景的技术（Fan et al., 2024）。通过测量多种激发-发射波长组合下的荧光强度，EEM生成二维光谱指纹图，对复杂样品中内源性荧光物质的组成和分子环境具有敏感性。因此，EEM能够提供丰富的组成和结构信息，已成功应用于食品鉴定领域，如菊花产地鉴别（Guo et al., 2025）和巴西松子油掺假检测（Moura et al., 2025）。近期，Wang等（2025）将全同步荧光光谱（TSFS）与CNN结合，用于识别山羊奶中的牛奶掺假。与这项以分类为主的TSFS研究不同，本研究直接处理EEM数据进行分类和掺假程度预测，并将Grad-CAM与PARAFAC相结合进行解释分析。
此外，原始EEM数据包含大量激发-发射波长对及相应的荧光强度，形成高维度且复杂的光谱矩阵。在牛奶体系中，直接解释还受到背景干扰、测量噪声以及多种内源性荧光物质之间的显著光谱重叠等因素的进一步复杂化。为从此类数据中提取有用信息，各种化学计量学方法已应用于EEM分析，包括荧光区域积分法（Chen et al., 2003）、基本向量运算和一阶导数法（Moura et al., 2025），以及张量分解技术，如交替三线性分解（Liu et al., 2022）和并行因子分析（PARAFAC）（Qian et al., 2019）。在这些方法中，PARAFAC因其能够利用EEM数据的三维结构来解析具有化学意义的荧光组分而被广泛应用，便于后续分析。然而，这些基于分解的工作流程通常需要谨慎的模型选择和验证，可能无法完全捕捉真实山羊奶和掺假山羊奶之间在整体相似的荧光轮廓中存在细微的空间分布的掺假相关差异。
为克服这些局限性，深度学习作为一种数据驱动的方法在复杂光谱分析中受到了越来越多的关注。近年来，它被越来越多地应用于食品分析领域，特别是光谱学和成像应用，如产地溯源（Li et al., 2026）和品种鉴定（Huang et al., 2026）。由于EEM可以表示为以激发波长和发射波长为坐标轴、以荧光强度为信号值的类图像矩阵（Xu et al., 2022），卷积神经网络（CNN）尤其适合用于EEM分析。CNN能够从完整的光谱矩阵中自动学习判别性特征，无需大量的人工特征工程，这对于检测高度重叠荧光光谱中微弱的掺假相关变化尤为有价值。然而，尽管CNN具有较强的预测性能，但在分析应用中往往存在可解释性不足的问题。梯度加权类激活映射（Grad-CAM）（Selvaraju et al., 2020）因此可用于可视化对模型预测贡献最大的激发-发射区域，从而增强模型的透明性并便于化学解释。
本研究旨在建立一种基于EEM的、快速、无损且具有可解释性的方法，用于山羊奶中牛奶掺假的定性和定量检测。基于EEM指纹图，开发CNN模型进行二元真伪鉴定、掺假程度区分以及基于回归的牛奶掺假比例预测。采用PARAFAC解析主要荧光组分，同时使用Grad-CAM识别与CNN预测最相关的激发-发射区域。该框架的关键方法创新在于将完整的EEM矩阵直接作为CNN输入而不经事先分解处理，并在统一的工作流程中整合分类、定量分析以及Grad-CAM/PARAFAC辅助解释。
各部分摘要
样品采集与保存
共收集了80个山羊奶样品和65个生牛奶奶样，分别来自西北农林科技大学动物科学教学与实训基地和西安银桥乳业科技有限公司。每个山羊奶样品约取150 mL，每个牛奶奶样约取200 mL，分装至聚乙烯容器中，冷藏运输至实验室后，于?20 °C保存待测。
真实样品与掺假样品的制备
分析前，所有冷冻奶样经解冻处理后
真实样品与掺假山羊奶的EEM荧光轮廓
图3展示了真实样品与掺假山羊奶的平均激发-发射矩阵（EEM）荧光轮廓及其相应的差值EEM。两组样品均呈现出相似的总体荧光轮廓，但在主荧光峰的高强度中心区域可观察到明显的差异。在两组的样品中，主要荧光峰均位于Ex 270–290 nm、Em 320–360 nm范围内，峰最大处约为Ex 280 nm、Em
结论
本研究采用EEM荧光光谱技术对纯山羊奶和掺假山羊奶进行了表征。两组样品的整体EEM轮廓高度相似，但仍存在区域性光谱差异，使得掺假难以通过肉眼观察发现。CNN实现了较强的二元分类能力和良好的七级掺假程度区分能力，展示了其从复杂EEM数据中提取细微的浓度依赖性特征的能力。在可解释性方面，结合Grad-CAM与PARAFAC
生成式人工智能及AI辅助技术在文稿准备过程中的声明
在本文撰写过程中，作者使用DeepSeek工具改善了文稿的语言表达和可读性。使用该工具后，作者对内容进行了审阅和必要的编辑，并对发表文章的最终内容承担全部责任。
CRediT作者贡献声明
杜丽娟： 文稿撰写——审阅与编辑，文稿撰写——原创草稿，可视化，验证，软件，项目管理，方法论，调查研究，经费获取，形式分析，数据整理，概念构思。朱子良： 可视化，形式分析。张硕： 调查研究。闫林峰： 数据整理。童瑶： 数据整理。于莹： 数据整理。胡博： 调查研究。崔光斌： 文稿撰写——审阅与编辑，监督指导，资源提供。
伦理审批
不适用。生山羊奶和生牛奶奶样由研究团队连同指定的现场人员分别在各自的来源牧场采集。采样过程不涉及对活体动物的实验操作，且未涉及人类受试者。
资金支持
本研究受国家自然科学基金资助（项目编号：32402206）。
利益冲突声明
作者声明不存在任何已知的利益冲突或个人关系可能影响本文所报告工作的客观性。
致谢
本研究受国家自然科学基金资助（项目编号：32402206）。作者衷心感谢西北农林科技大学动物科学教学与实训基地提供生山羊奶样品，以及西安银桥乳业科技有限公司提供生牛奶奶样品。
杜丽娟|朱子良|张硕|闫林峰|童瑶|于莹|胡博|崔光斌
