开发用于预测禽类产品中重金属含量的模糊逻辑算法

《Science of The Total Environment》：Development of fuzzy logic algorithm for predicting heavy metal content in poultry product

禽类产品重金属污染安全评估的模糊逻辑模型及GUI开发。采用Mamdani模糊系统与三角隶属函数在MATLAB中构建铜、镉、铅、砷检测模型，经25/50/81条规则测试，50条规则模型准确识别是否符合FAO/WHO限值（铅<0.1ppm，镉<0.05ppm），并通过实验室数据验证。开发图形用户界面（GUI）降低使用门槛，非专业人员可快速评估禽类产品安全性，提供低成本、高效益的食品监测方案。

　　

Nidhi Rajesh Mavani|Nur Syazliza Ahmad Syahroni|Jarinah Mohd Ali

马来西亚国立大学工程与建筑环境学院化学工程专业

摘要

禽类产品是全球重要的蛋白质来源，但容易受到铜、镉、铅和砷等有毒金属的污染。过量摄入这些金属会对健康构成风险，因此需要可靠且易于使用的检测方法。本研究使用Mamdani推理系统和三角形隶属函数，在MATLAB R2021b环境中开发了一个模糊逻辑框架，用于检测禽类产品（包括鸡蛋、肉类和肝脏）中的重金属浓度。构建了三个模糊逻辑模型，并测试了包含25条、50条和81条规则的多种规则集。结果表明，50条规则的模型在实现准确分类的同时，还降低了复杂性，正确识别出了符合FAO/WHO允许限量的安全和不安全产品。通过使用已发表的实验室数据进行验证，该模型能够将铅含量超过0.1 ppm和镉含量超过0.05 ppm的样品分类为不安全产品；而像含有0.243 ppm铜、0.033 ppm铅、0.002 ppm镉和0.003 ppm砷的鸡蛋样品则被正确识别为安全产品。本研究的主要创新之处在于将基于模糊逻辑的重金属安全预测模型与用户友好的图形用户界面（GUI）相结合，使得非专业用户无需编程或具备毒理学知识即可快速进行食品安全评估。所提出的系统为实验室检测提供了一种快速、经济且用户友好的替代方案，有助于食品安全监测和公共卫生保护。

引言

由于价格实惠、营养价值高且易于获取，禽类产品（如肉类、肝脏和鸡蛋）在全球范围内被广泛消费。它们是蛋白质、能量和维生素的主要来源，对全球粮食安全和饮食需求具有重要意义（Stangierski和Lesnierowski，2015）。根据世界观察研究所的数据，禽类产品约占全球肉类消费量的74%，约68%的鸡蛋来自禽类，每年屠宰的鸡数量超过600亿只（Taiwo Adekanmi，2022）。这凸显了禽类在营养和全球经济中的关键作用。

尽管禽类产品具有营养价值，但它们容易受到重金属的污染，这些重金属可能通过饲料、水源和环境暴露进入食物链（Hoque等人，2023）。铜和铁等微量元素通常被添加到禽类饲料中以促进生长和维持生理功能。虽然少量这些元素是必需的，但过量摄入可能会引起毒性（Korish和Attia，2020）。铅、镉和砷等非必需金属尤其危险，因为它们的生物降解性低，并且能够在组织中积累（Jannetto和Cowl，2023）。随着时间的推移，这些金属会在食物链中生物放大，导致人类摄入量增加（Ali和Khan，2019）。例如，过量摄入铅与中枢神经系统损伤和肺功能障碍有关，而镉暴露则与肾脏损伤和致癌风险相关（Balali-Mood等人，2021；Jomova等人，2025）。据报道，砷化合物还会导致心血管疾病和癌症（Han等人，2025）。

禽类产品受到重金属污染的主要原因是人类活动，如城市化、工业化和农业废弃物管理不善。排放到水系统的工业废水是主要的污染物来源，估计有62%的铅、铜和镉等重金属来自工业排放（Taiwo Adekanmi，2022）。因此，在受污染环境中饲养的禽类容易积累这些元素，最终通过肉类、肝脏和鸡蛋进入人体（Aljohani，2023；Hoque等人，2023）。最近的研究在禽类组织中检测到了令人担忧的砷、铅、镉、铬和铝的含量，引发了食品安全问题（Islam等人，2023）。联合国粮农组织/世界卫生组织食品添加剂联合专家委员会（JECFA）为禽类产品中的重金属制定了最大允许限量，例如肉类和肝脏中的铅含量不超过0.1 ppm，镉含量不超过0.05 ppm，以降低此类风险（Korish和Attia，2020；Rai等人，2019）。因此，监测禽类产品中的重金属含量对于保护食品安全和公共卫生至关重要。

传统的基于实验室的分析技术，如原子吸收光谱法（AAS）和电感耦合等离子体光学发射光谱法（ICP-OES），被认为是准确量化的黄金标准。然而，这些方法成本高昂，需要熟练的人员，并且分析时间较长（Khatoon等人，2026）。在许多地区，尤其是以禽类为主要蛋白质来源的发展中国家，购买此类设备的资金投入是一个障碍（Korish和Attia，2020）。因此，需要快速、经济且用户友好的替代方案来补充实验室检测，扩大食品安全监测的覆盖范围。

近年来，电化学传感技术在检测生物和环境样本中的污染物方面受到了广泛关注。例如，基于TiO?/PANI的传感电极已被用于检测人体汗液中的乙醇以监测肝脏功能，而聚乙烯醇/铜和镍共掺杂的二氧化钛（PCNT）纳米复合材料则用于检测硝酸根离子（Mahajan等人，2025；Padha等人，2025）。其他值得注意的方法包括将废弃热固塑料转化为活性炭用于检测氨（Dubey等人，2024），用钒（IV）氧化物纳米粒子改性的织物用于检测过氧化氢（Gupta等人，2024），以及用于检测水中镍的电化学传感器（Singh等人，2025）。此外，还合成了MgO改性的电极用于检测酚类（Dubey等人，2025），并且提出了可穿戴的Al掺杂NiO电极用于检测汗液中的乙醇（Singh等人，2023）。尽管这些电化学传感器具有高灵敏度和选择性，但它们通常需要复杂的制造过程、昂贵的仪器和校准。相比之下，本研究采用了一种人工智能方法，将FAO/WHO的允许限量与实验数据相结合，提供了一种易于使用和解释的食品安全评估工具。

人工智能（AI）已成为食品行业中的强大工具，应用于质量评估、过程优化、安全监测和污染检测（Mavani等人，2022）。AI方法如人工神经网络（ANN）、专家系统和模糊逻辑（FL）已被用于预测食品质量和进行感官分析（Varghese和Srivastav，2022；Zhang，2021），以及确定清真状态和检测猪DNA（Mavani等人，2025；Rajesh Mavani等人，2025）。虽然机器学习方法如ANN和支持向量机（SVM）具有预测能力，但它们往往作为黑箱模型，解释性有限。相比之下，模糊逻辑以其计算效率高、解释性强以及适用于处理不确定或不精确数据而受到重视（Mavani等人，2025）。与传统二进制逻辑不同，模糊逻辑允许用“低”、“中”或“高”等语言术语进行推理，这与人类的决策过程非常相似。这使得它在难以定义明确阈值的应用中特别有价值，例如食品安全评估。

先前的研究已经证明了模糊逻辑在解决复杂的食品安全问题方面的多功能性。例如，它已被用于确定加工食品中防腐剂的安全摄入量（Mavani等人，2024；Mavani等人，2021），评估饮料的感官特性（Zhang，2021），以及评估地下水污染风险（Milton-Thompson等人，2021）。模糊逻辑还被用于预测土耳其各种溪流的生物状况梯度（?elekli等人，2024）。在营养科学领域，模糊逻辑已被用于为营养不良人群配制低成本、营养丰富的食品（Varghese和Srivastav，2022）。这些研究突显了其在处理不确定性和复杂性问题时的适应性。然而，其在禽类产品中检测重金属的应用仍然有限，这是一个重要的研究空白。

本研究旨在通过开发一个基于模糊逻辑的框架来预测禽产品的安全性，以解决这一空白。使用铜、镉、铅和砷四个输入变量构建了针对鸡蛋、肉类和肝脏的模糊模型。测试了包含25条、50条和81条规则的规则集，以确定最有效的配置。使用已发表的实验室数据对模型进行了验证，以确保其可靠性和准确性。此外，还开发了一个图形用户界面（GUI），以提高可访问性，使没有编程或毒理学知识的用户能够输入数据并立即获得结果（Arcelus等人，2024；Béjar-Grimalt等人，2024；Li等人，2021）。这种模糊逻辑模型和用户友好的GUI的双重贡献，提供了一种实用、经济且快速的工具，用于监测禽类产品中的重金属。本研究的新颖之处在于应用基于模糊逻辑的框架来预测禽类产品中的重金属安全性，并通过易于使用的图形决策支持界面实现，使非专业用户能够进行实用且可解释的食品安全评估。因此，本研究的目标是：（i）开发一个用于预测禽类产品中重金属含量的模糊逻辑模型；（ii）使用实验室数据验证该模型；（iii）设计一个用户友好的GUI，以便在实际的食品安全监测中应用该模型。

本文的结构如下：引言部分概述了研究的动机和意义；方法论部分详细介绍了模糊逻辑算法和GUI的开发过程；结果和讨论部分将模型输出与已发表的实验室数据进行了比较，以验证该方法的有效性；最后，结论部分总结了主要发现并提出了未来研究的方向。

方法论

本研究采用MATLAB R2021b环境开发的模糊逻辑（FL）框架来预测禽类产品中的重金属污染。该方法包括六个主要阶段：（i）数据收集，（ii）模糊化，（iii）规则库设计，（iv）推理和去模糊化，（v）验证，以及（vi）图形用户界面（GUI）的开发。整个框架如图1所示。

结果与讨论

使用MATLAB R2021b成功开发了三个模糊逻辑（FL）模型，每个模型针对特定的禽类产品（肉类、鸡蛋和肝脏）。FL算法的输出范围是0到1。输出值≤0.4的产品被分类为安全，而输出值>0.4的产品被分类为不安全。

为了开发有效的FL推理系统，需要适当的规则库。因此，测试了包含25条、50条和81条规则的多种规则集，以确定

结论

使用50条规则成功开发了一个模糊逻辑算法，用于根据重金属含量确定禽产品的安全性。在测试的规则集中，50条规则的模型最为有效，用较少的规则实现了准确的分类。该系统正确识别了不安全样本，例如含有0.472 ppm铜、0.12 ppm铅和0.04 ppm镉的肉类，其中铅和镉超过了FAO/WHO的允许限量。

作者贡献声明

Nidhi Rajesh Mavani：撰写——审稿与编辑，撰写——初稿，可视化，方法论。Nur Syazliza Ahmad Syahroni：撰写——审稿与编辑，撰写——初稿，验证，方法论，调查。Jarinah Mohd Ali：撰写——审稿与编辑，监督，方法论，资金获取。

利益冲突声明

作者声明没有利益冲突。

致谢

作者衷心感谢马来西亚国立大学通过大学资助GUP-2023-062项目支持这项研究。