食品中致病菌污染的早期监测与快速筛查对公共卫生安全和食品加工过程控制具有重要意义，但传统检测方法虽然准确可靠，往往存在检测周期长、成本较高、前处理步骤繁琐等问题，难以满足快速生产环境下及时决策的需求。近红外光谱作为一种无损、快速且具有在线应用潜力的检测手段，能够反映细菌细胞内蛋白质、脂肪酸、碳水化合物、核酸及脂多糖等多种生物分子的综合特征，因此在微生物识别中具有较好前景。然而，细菌近红外光谱通常存在峰重叠严重、背景基质干扰明显、特征信息复杂等问题，仅依赖传统化学计量学方法往往难以实现稳定而精确的分类。基于此，本研究将FT-NIR与机器学习相结合，并通过脱水处理尽量降低基质效应，系统比较不同预处理、特征选择和分类算法的表现，旨在建立一种具有方法学稳健性的基础流程，为后续拓展到复杂食品基质和工业化现场应用提供必要依据，因此具有明显的研究必要性和应用价值。

研究围绕一个关键问题展开：如何把近红外和机器学习组合成一套真正可用的快速识别流程。为此，作者没有直接在复杂食品样品中建模，而是先搭建受控的标准化体系，选取沙门氏菌、大肠杆菌O157:H7和单增李斯特菌3类重要食源性致病菌共6个菌株，经逐级乙醇处理和真空干燥后，将菌体固定在96孔板滤纸表面，再用FT-NIR逐孔采集光谱，以尽量削弱水分和基质效应干扰，确保后续分析建立在稳定、可比的信号基础上（图1）。

图1  FT-NIR检测系统及脱水菌体样品的接触式漫反射测量示意图

在获得光谱后，文章进一步回答了另一个关键问题：原始光谱能否直接用于分类。作者指出，细菌FT-NIR信号虽然包含蛋白质、脂质、多糖和核酸等生化信息，但这些信息往往以峰重叠、基线漂移和背景噪声交织的形式存在，难以被直接利用，因此必须先进行预处理和特征优化。通过系统比较多种预处理方法，研究发现Savitzky-Golay一阶导数预处理整体表现最好，能够更有效地放大菌株之间的细微差异，因此被确定为后续分析的统一方案（图2，表1）。

图2  SG1预处理后细菌细胞FT-NIR代表性光谱图

表1  不同光谱预处理方法在全光谱输入条件下的细菌菌株分类准确率比较表

在此基础上，作者继续比较了全光谱、PCA降维和随机森林筛选特征三种特征策略，并在此前PLS-DA分析基础上，进一步比较了SVM、RF、ANN和CNN等模型的分类表现。结果表明，对于这类信息分散、重叠明显的细菌近红外信号，保留完整光谱信息往往优于过早降维或过度删减变量，而非线性模型整体上优于线性模型。其中，SG1预处理后的全光谱结合SVM取得了最佳分类效果，测试集准确率为94.60%，说明真正有效的判别信息并不集中在少数峰位，而是更多体现在全谱范围内的联合变化（表2）。

表2  基于5折交叉验证的特征选择方法评价表

为了证明这一结果并非偶然，作者还给出了最佳模型的学习曲线。图3显示，随着训练样本增加，验证集和测试集准确率持续提升，说明模型并非只是在记忆训练数据，而是在逐步学习具有泛化能力的判别特征。虽然曲线尚未完全进入平台期，但这恰恰表明该方法仍有继续提升空间。进一步引入under-sampling与boosting后，模型性能还能继续增强，其中SVM模型准确率由94.60%进一步提升至95.27%，说明这套流程不仅有效，而且具备持续优化潜力。

图3  基于SG1预处理全光谱的SVM模型学习准确率曲线

总的来说，本研究建立了一条从样品标准化、光谱预处理、特征选择到模型优化的完整技术路线；并且证明了：在受控脱水表面条件下，FT-NIR结合机器学习可以形成一套具有可重复性和应用潜力的快速识别流程，并为后续走向复杂食品基质和工业现场应用提供了必要的方法学基础。

原文链接：https://doi.org/10.1016/j.foodres.2026.118485