📄 农业

Spectral-Correlation and Random Matrix Theory- Analysis of Raman Spectra for Detection of Milk Adulterants

本研究表明，将光谱相关诊断与随机矩阵理论（特别是通过布罗迪参数）相结合，通过量化拉曼光谱的谱随机化程度，为检测和区分牛奶掺假物（过氧化氢、尿素和甲醛）提供了一个稳健且具有统计学依据的框架。

原作者： Ravinder Tirupati, Manimaran P., Ghanashyam Krishna M., Samrat L. Sabat

发布于 2026-09-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Ravinder Tirupati, Manimaran P., Ghanashyam Krishna M., Samrat L. Sabat

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

食品安全高度依赖于识别天然产品是否被篡改的能力，而牛奶是此类欺骗行为的常见目标。不法卖家有时会向牛奶中添加化学物质，使其看起来更浓稠、在货架上保存时间更长，或通过基础质量检测，尽管这些添加剂可能对人体健康有害。为了捕捉这些诡计，科学家经常使用一种称为拉曼光谱（Raman spectroscopy）的技术，其原理是通过向样品发射激光，并倾听分子在响应过程中产生的独特振动方式。每种物质都有独特的振动特征，就像指纹一样，这使得研究人员能够识别出一杯牛奶中存在的内容。然而，牛奶是一种由蛋白质、脂肪和糖组成的复杂混合物，其天然光谱充满了重叠的信号。当添加了掺杂物时，它们不仅仅是在光谱中增加一条新线；它们还会微妙地扰乱所有现有信号之间的关系，产生一种标准计算机程序难以识别的变化模式，尤其是在添加化学物质量很小或数据存在噪声的情况下。

海得拉巴大学的一个研究小组开发了一种观察此问题的新方法，即将整个光谱视为一个连接的网络，而非仅仅是一组峰值的列表。他们不再问“这个特定峰的高度是多少？”，而是问“光谱的所有不同部分是如何协同运动的？”他们收集了纯牛奶和混合了三种常见掺杂物（过氧化氢、尿素和福尔马林）的牛奶的激光读数。对于每一组样本，他们都构建了一个巨大的图谱，展示了光谱中每一个点与另一个点之间的相关性。随后，他们应用了随机矩阵理论（Random Matrix Theory）这一分支数学方法，该理论通常用于研究原子核或金融市场等复杂系统，以观察这些图谱中的模式是是有序的还是混沌的。这种方法使他们能够高精度地测量每种添加剂引入的“无序度”，从而揭示出不同的化学物质是以截然不同的方式破坏牛奶的天然结构。

研究始于 124 个激光读数的集合。其中 31 个来自纯牛奶，其余样本则是研究人员精心混合了不同含量的过氧化氢、尿시아或福尔马林的样本。团队使用强力激光捕捉了每个样本的振动信号，创建了分子活动的详细图像。随后，他们处理这些数据以去除背景噪声，并为每组样本构建了一个相关矩阵。简单来说，这个矩阵是一个巨大的网格，记录了在所有样本中，光谱的一个部分与另一部分的行为匹配程度。在纯牛奶中，这个网格显示出强大的、有组织的连接块，反映了牛奶中的蛋白质、脂肪和糖自然地同步运动。当研究人员引入掺杂物时，这些有组织的块开始发生变化，但每种化学物质引起变化的方式都是独特的。

过氧化氢引起了非常特定且局部的扰动。研究人员发现，它在过氧化氢分子振动的频率附近造成了明显的连接中断，但其余部分的牛奶光谱保持基本完整且有序。这就像织物中的一根线被剪断了，而周围的编织结构保持不变。相比之下，尿素产生了更强烈且更有结构的扰动。它在自身振动特征附近造成了显著的连接偏移，并且这种影响向外扩散，影响了相邻的部分光谱。这表明尿素不仅仅是停留在牛奶中，而是积极地与周围分子进行相互作用，创造了一种不同于纯牛奶自然流动的新型、刚性行为模式。

福尔马林呈现出的变化最为剧烈。与其他两种产生特定局部变化的化学物质不同，福尔马林导致整个光谱范围内连接的广泛削弱。纯牛奶中看到的有组织块消散成了更加分散、随机的模式。这一结果符合福尔马林的已知化学特性，即福尔马林是一种交联剂，能同时在许多不同位置与蛋白质结合，从而微妙地扰乱整个分子结构，而非仅针对单一位置。为了量化这些观察结果，研究人员使用了一个名为布罗迪参数（Brody parameter）的统计指标，该参数作为一个单一数值来描述系统的随机程度。纯牛奶在该量表上的得分较低，证实了其高度有序的性质。随着研究人员加入掺杂物，得分随之升高，表明无序度增加。福尔马林使得分最接近最大可能的随机值，而尿素和过氧化氢则介于两者之间，从而建立了一个关于每种化学物质对牛奶天然状态干扰程度的清晰数值排名。

这项工作的意义在于，它通过观察数据的结构而非仅仅依靠特定信号的强度来检测掺假。传统方法在添加化学物质量极少或背景噪声较高时往往难以奏效，因为它们依赖于寻找一个突出的特征峰。然而，这种新方法通过检测添加剂如何改变样本中所有分子之间的关系来进行检测。通过将光谱视为一个复杂系统并测量其统计随机性，研究人员证明了他们能够以高灵敏度区分纯牛奶和含有有害添加剂的牛奶。研究表明，这种方法最终可以用于构建更快、更可靠的食品安全筛查工具，能够识别出那些可能被忽视的低水平污染。尽管研究人员指出，仍需进一步测试以确定究竟能检测到多微量的添加剂，但其结果为理解食品质量隐藏的复杂性提供了一个强大的数学视角。

技术摘要：用于检测牛奶掺假物的拉曼光谱谱相关性与随机矩阵理论分析

问题陈述
检测牛奶中的掺假物是食品安全领域面临的一项关键挑战。虽然像拉曼光谱这样的光学光谱技术能提供识别添加剂（如过氧化氢 ( $H_2O_2$ )、尿素 ( $CH_4N_2O$ ) 和甲醛 ( $CH_2O$ )）的独特分子指纹，但传统的分析方法仍面临局限性。标准的化学计量学方法（如 PCA、PLS、SVM、CNN）通常依赖于对峰强度或特定光谱模式的经验学习。这些方法容易受到噪声、荧光背景的影响，并且需要大量的标记训练数据集。此外，它们可能无法捕捉高维光谱数据中由于添加剂引起的、并未表现为明显可分辨峰位偏移的细微协方差结构扰动。作者认为，牛奶掺假本质上是一个相关性结构问题，而不仅仅是峰强度的变化问题，因此需要一个能够区分真实的化学相关性与统计随机性的框架。

研究方法
本研究采用结合谱相关分析与随机矩阵理论（RMT）的框架来分析牛奶的拉曼光谱。

数据采集： 共采集了 124 份拉曼光谱：31 份来自纯牛奶（脂肪含量 4.5%），93 份来自添加了不同浓度 $H_2O_2$ 、尿素和甲醛的牛奶。使用 532 nm 共聚焦拉曼显微镜记录光谱。
预处理： 对原始光谱进行非对称最小二乘法（ALS）基线校正、Savitzky–Golay 平滑处理，并归一化至 [0, 1] 范围。
相关矩阵构建： 为每一类样本（纯牛奶及每种添加剂）计算一个 $700 \times 700$ 的光谱相关矩阵 ( $C$ )，该矩阵由该类 31 个样本的均值中心化及标准化强度数据计算得出。
特征值分解： 对矩阵进行分解以提取特征值和特征向量。通过分析前三个特征向量来识别主要的谱相关模式。通过计算差分特征向量 ( $\Delta v_k$ )——即用掺假样本的特征向量减去纯牛奶的特征向量——来隔离特定添加剂引起的扰动。
RMT 分析：
- 展开（Unfolding）： 使用样条平滑对特征值进行展开，以确保均匀的平均能级密度。
- 间距分布： 将展开后的特征值最近邻间距分布 ( $P(S)$ ) 与维格纳假设（高斯正交系综，GOE）及泊松分布进行比较。
- 布罗迪参数（Brody Parameter）： 通过将经验间距分布拟合到布罗迪分布，获得单个参数 $\beta$ （其中 $\beta=0$ 代表泊松/随机分布， $\beta=1$ 代表维格纳-狄森/完全相关分布）。

关键结果

相关结构： 纯牛奶在其相关矩阵中表现出宽阔、高强度的块状区域，表明存在强烈的、相干的生化协变。
- $H_2O_2$ ： 在 878 cm $^{-1}$ （O–O 伸缩振动）附近诱发了局部的相关性降低，形成了一个狭窄的、化学隔离的扰动，而未破坏全局相干性。
- 尿素： 在 1006 cm $^{-1}$ （C–N 伸缩振动）中心产生了强烈的、结构化的偏差，影响了多个特征模态并延伸至相邻光谱区域。
- 甲醛： 导致整个 500–3200 cm $^{-1}$ 范围内的光谱相关性发生全局性削弱，这与其作为一种弥散性扰动蛋白质振动模式的交联剂的角色一致。
特征值与特征向量分析： 纯牛奶表现出特征值的剧烈衰减，反映了化学均匀性。掺假样本显示出改变的分布：尿素由于具有强的确定性贡献而保持了较高的特征值；而甲醛则产生了分散的光谱且衰减较慢，表明存在随机且广泛的扰动。差分特征向量成功分离了特定添加剂的拉曼位移（例如尿素在 1006 cm $^{-1}$ 处的尖锐峰）。
定量随机性（布罗迪参数）： 布罗迪参数 $\beta$ $β$ 提供了一个连续的度量，用于衡量光谱无序度：
- 纯牛奶： $\beta = 0.749$ （最具结构性/确定性）。
- 尿素掺假： $\beta = 0.801$ （向随机性发生适度偏移）。
- $H_2O_2$ 掺假： $\beta = 0.841$ （中间程度的随机性）。
- 甲醛掺假： $\beta = 0.970$ （接近完全随机化，最接近 GOE 统计特性）。

意义与主张
本文声称是首次将基于相关矩阵和 RMT 的诊断方法全面应用于牛奶拉曼光谱。其主要贡献在于建立了基于 RMT 的光谱相关性分析，作为一种稳健的、针对特定添加剂的诊断框架，该框架作用于光谱的统计结构而非单个峰强度。

主要主张包括：

定量指标： 布罗迪参数作为一个单一的、具有统计学依据的指标，可以对不同添加剂引起的谱相关结构破坏程度进行排序。
无监督能力： 该方法在很大程度上是无监督的，不需要大量的标记训练数据集，解决了机器学习分类器在食品安全领域的关键局限。
可解释性： 不同于“黑盒”模型，该方法通过差分特征向量将扰动定位到特定的、具有化学可识别性的拉曼位移。
对隐藏无序的敏感性： 该方法对协方差结构的变化敏感，因此可能在检测不产生清晰可分辨峰位偏移的低浓度或弱浓度掺假方面提供更好的性能。

作者总结道，该框架通过提供一种基于物理学的、定量的光谱无序度度量，补充了现有的基于拉曼的检测方法，为实现实时、多添加剂的食品认证系统提供了路径。他们指出，虽然该方法对低浓度掺假的敏感性假设是基于其对协方差变化的敏感性，但建立具体的浓度依赖性检测限仍需未来的专门研究。

类似论文