豆漿作為富含營養的植物基飲料，其煮沸過程中可溶性蛋白質和總可溶性固形物（TSS）的含量變化直接影響產品質量。傳統檢測方法耗時且難以滿足工業化實時監測需求，而近紅外光譜（NIRS）結合化學計量學技術因快速、無損的優勢，在食品質量監測中展現出巨大潛力。

針對豆漿煮沸過程中成分變化的高效監測問題，該研究采集了不同配液比、不同煮沸溫度下豆漿的近紅外光譜，結合傳統方法測定可溶性蛋白質和 TSS 含量；通過蒙特卡洛交叉驗證（MCCV）排除異常值，采用 DE1-SNV、SNV 等預處理方法優化光譜數據，并利用競爭性自適應重加權采樣（CARS）算法篩選特征波長；進而構建并比較了 PLS、LS-SVM、BP-ANN、LSTM 等回歸預測模型。

研究發現，可溶性蛋白質含量隨煮沸溫度升高呈下降趨勢，而 TSS 含量呈上升趨勢；CARS 算法篩選的特征波長有效簡化了模型，其中可溶性蛋白質的最佳預測模型為 LS-SVM（R²p=0.9678，RPD=3.9734），TSS 的最佳預測模型為 PLS（R²p=0.9732，RPD=4.3525），均表現出優異的預測性能。

該研究證實了近紅外光譜結合化學計量學用于豆漿煮沸過程成分無損監測的可行性，為豆漿工業化生產中的實時質量控制提供了新方法和新思路。

研究團隊采用梯度配液（1:5–1:10 g/mL）+ 分段升溫（30–100℃）策略制備豆漿樣本，經浸泡、研磨、過濾后，按 30–80℃每 10℃、80–100℃每 5℃梯度采集 110 個樣本（11 種配液比 ×10 個溫度點），同步采集近紅外光譜（MASTER10-Pro 光譜儀，12000–4000 cm?¹ 范圍），并通過 Bradford 法、折光儀測定可溶性蛋白和 TSS 的化學參考值。借助蒙特卡洛交叉驗證（MCCV）剔除異常樣本，采用DE1-SNV（可溶性蛋白）、SNV（TSS）預處理優化光譜數據，利用CARS 算法篩選 90 個特征波長（聚焦 O-H、C-H、N-H 等官能團振動區間），構建PLS、LS-SVM、BP-ANN、LSTM四種回歸模型對比分析。

該研究采用MASTER10-Pro傅里葉變換近紅外光譜儀，近紅外光譜揭示，煮沸過程中900–1200 nm 處 O-H 振動峰藍移、吸光度從 2.5255 降至 1.6258，反映水分減少與蛋白構象變化；化學分析顯示，可溶性蛋白 30–80℃緩慢下降（0.8384%→0.8182%），80℃后因熱變性（結構展開、聚集體形成）驟降至0.3454%，而TSS 隨溫度升高持續上升（7.1636°Brix→9.4121°Brix，源于水分蒸發和不溶性成分溶脹）。模型性能上，LS-SVM 對可溶性蛋白預測最優（R²c=0.9949，R²p=0.9678，RPD=3.97），通過核函數捕捉蛋白變性的非線性關聯；PLS 對 TSS 預測最佳（R²c=0.9833，R²p=0.9732，RPD=4.35），高效擬合固形物變化的線性規律，驗證了近紅外光譜結合化學計量學無損監測豆漿煮沸成分的可行性。