《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:Beyond conventional sensing: Simultaneous synergy of artificial intelligence and nanomaterial enhanced electrochemical sensing for next generation monitoring of food quality and safety: A review
编辑推荐:
Muhammad Waseem|Muhammad Ammar Khan|Md Mehedi Hassan|Yilei Huang|Xiuqi Xia|Xiaomei Chen中国厦门市集美大学海洋食品与生物工程学院,邮编361021摘要背景由于食物危害和疾病爆发,食品安全问题日益
Muhammad Waseem|Muhammad Ammar Khan|Md Mehedi Hassan|Yilei Huang|Xiuqi Xia|Xiaomei Chen
中国厦门市集美大学海洋食品与生物工程学院,邮编361021
摘要
背景
由于食物危害和疾病爆发,食品安全问题日益严重,这迫切需要可靠、准确且快速的检测方法。传统的电化学传感器存在灵敏度有限、信号漂移、基质效应以及背景干扰等问题。人工智能具有变革性潜力,可通过智能预测、模式识别、信号解读和数据增强等方式克服这些难题,从而提升检测的可靠性、准确性和速度。然而,目前尚未实现人工智能、纳米材料与电化学传感技术在三方面的协同应用,以有效监测食品的质量与安全。本综述充分挖掘了人工智能与纳米材料增强型电化学传感器结合的潜力,填补了这一空白。
研究范围与方法
本综述详细研究了集成人工智能的纳米材料增强型电化学传感器的工作原理及制造方法,同时探讨了机器学习与深度学习技术,如随机森林、支持向量机、K近邻算法、人工神经网络和卷积神经网络。文中还介绍了人工智能驱动的纳米材料增强型电化学传感器在检测生物分子、掺假物质、病原体、农药、抗生素、金属及微塑料等食品相关物质方面的最新应用,这些应用有助于保障食品质量与安全。此外,还分析了这类传感器在食品监测中的应用面临的挑战及未来发展趋势。
主要发现与结论
在集成到纳米材料基电化学传感器中的机器学习与深度学习方法中,支持向量机、卷积神经网络和人工神经网络在监测食品质量与安全方面表现出最高的准确率(超过95%)、灵敏度(超过93%)、检测限(低至0.58 pg/mL)以及R2值(超过0.96)。人工智能、纳米材料与电化学传感技术的协同应用为精准、可靠的食品质量与安全监测带来了新的可能,展现出广阔的发展前景。
引言
由于食物危害对公共健康构成威胁,食品安全已成为全球性的重要问题(Deng等人,2025年)。全球每年有6亿人患上食源性疾病,其中42万人死于大肠杆菌和金黄色葡萄球菌的感染(Hosseinikebria等人,2025年;Cossettini等人,2022年)。食品中的农药、抗生素、染料、重金属及微塑料进一步加剧了食品安全隐患,可能导致食物中毒、神经系统疾病、肾功能衰竭、生殖问题、癌症甚至死亡(Hassan、Xu等人,2025年)。
传统的光谱分析、色谱法、聚合酶链反应和酶联免疫吸附试验虽然有效,但已显过时,且操作繁琐、试剂成本高,还需要复杂的预处理步骤(Priyadharshini等人,2026年)。同样,基于人工智能的智能传感器,如表面增强拉曼散射传感器、荧光传感器和光电化学传感器,也被广泛用于食品安全监测,但这些传感器也存在预处理时间长、成本高以及稳定性差的问题。相比之下,电化学传感器由于预处理要求低、检测限低、灵敏度高且响应速度快,成为更理想的替代方案(Veerapandi等人,2025年)。不过,传统电化学传感器也存在电极污染、选择性差、信号干扰、重复性不足以及对复杂样品的检测能力有限等问题(Priyadharshini等人,2026年)。纳米材料及识别元件可通过提高电子转移效率、增大表面积以及增强信号放大能力,提升电化学传感器的灵敏度、特异性及检测能力(Baranwal等人,2022年)。因此,亟需开发超灵敏且基于数据的传感平台,以实现有效的食品监测。
人工智能,尤其是机器学习和深度学习技术,已被视为具有变革意义的科技,能够为解决相关问题提供可行方案(Pervaiz等人,2025年)。它们可协助进行特征提取、信号处理和模式识别,便于在现场开展检测工作(Dong等人,2024年)。将人工智能与纳米材料增强的电化学传感技术相结合,能够构建出更为智能且高效的传感系统,实现更精准的数据分析、目标物检测、噪声降低以及准确预测(Zhu等人,2023年),还能帮助检测潜在的异常模式(Hassan、Xu等人,2025年),处理复杂且非线性的数据(Zhao等人,2024年),并将普通传感器转变为智能传感器(Mostajabodavati等人,2024年)。此前的研究多聚焦于单独的纳米材料或电化学传感器,或是仅探讨人工智能在食品、生物医学和环境监测中的应用。例如,Baranwal等人(2022年)研究了用于食品、农业、生物医学和环境监测的纳米材料增强型电化学传感器,但他们仅关注电化学传感器本身,未涉及人工智能技术,也未重点阐述其在食品质量与安全领域的应用。同样,Zhang等人(2023年)介绍了3D电化学传感器在监测病原菌、添加剂、新兴污染物及食品生物分子方面的优势与局限性。尽管该综述内容丰富,但仍未涉及人工智能技术在食品质量与安全监测中的应用。此外,Zhao等人(2025年)研究了机器学习与深度学习技术在通过信号处理、材料优化及传感器设计来提升电化学传感器性能方面的应用潜力,但该综述仅涵盖了沙门氏菌、金黄色葡萄球菌和大肠杆菌这几种微生物。Hu等人(2025年)则提出了基于纳米通道的电化学传感器,可用于敏感检测病原菌、霉菌毒素、农药、重金属及抗生素,但他们并未整合人工智能或机器学习技术,同时也提到了信号解读及背景干扰方面的难题。Tao、Su等人(2025年)以及Ameen等人(2025年)强调了柔性及可穿戴电化学传感器的作用,但他们也没有将人工智能技术应用于食品与健康监测领域。
现有的综述大多要么仅讨论传统电化学传感器,要么研究结合纳米材料但未使用人工智能的传感器,要么研究应用了人工智能但未采用纳米材料的传感器,且研究领域也并非完全聚焦于食品质量与安全。尽管近年来已有不少相关研究发表(见图1A和1B),但目前仍没有综述全面总结人工智能、纳米材料与电化学传感器协同整合在食品质量与安全监测方面的最新进展,这凸显出这一领域还存在明显的研究缺口。因此,本综述不仅阐述了电化学传感器、纳米材料及识别元件的基本原理以及传感器的制造方法,还介绍了人工智能、纳米材料与电化学传感器协同技术在检测食品生物分子、掺假物质、病原体、着色剂、农药、抗生素、重金属及微塑料等方面的最新应用(见图2)。最后,本文还总结了当前面临的主要挑战、可能的解决方案以及未来的发展前景。
章节要点
电化学传感原理与转换机制
由于电化学传感器应用广泛,了解其工作原理具有重要意义。电化学传感器包括电位计、循环伏安仪、差分脉冲伏安仪、电化学阻抗谱仪以及方波伏安仪(Shan等人,2026年;Liang等人,2025年;Nashruddin等人,2024年)。简而言之,安培型电化学传感器是通过检测电极上电活性物质发生还原或氧化反应所产生的稳态电流来工作的。
用于电化学传感器的纳米材料
纳米材料是指尺寸在1-100纳米之间的纳米级物质(Revathy等人,2023年)。这类材料是通过利用原子结构的特性及纳米技术原理制备而成的。作为活性组分,当纳米材料被集成到电化学传感器中后,能够显著提升传感器的稳定性,即使在少量样本的情况下也能实现信号放大,还能减少信号漂移,助力传感器微型化,并实现对食品的多维度监测。
人工智能概述
人工智能是一种计算机技术,能够模拟、提升并运用人类的认知能力。它借助多种技术手段实现数据处理、特征提取、真实信号识别以及模式识别,从而以更高的准确性、可靠性及灵敏度解决传感器检测中的各类问题(Arya等人,2023年),进而实现快速、可靠的食品质量与安全监测(Deng等人,2025年)。本节将详细介绍基于人工智能的机器学习与深度学习技术(详见补充表1)。
人工智能集成纳米材料基电化学传感器在食品质量与安全监测中的最新应用
食品是人类获取能量和必需营养素的重要来源,但其中也可能含有有害的病原体、农药、抗生素、重金属及微塑料,这些物质可能导致激素失衡、过敏反应、炎症甚至死亡等健康问题(Pervaiz等人,2025年)。因此,迫切需要采用先进的人工智能驱动的敏感传感平台,实现快速、可靠的检测,为保障食品安全提供新的解决方案。以下章节将介绍这类传感器在相关领域的最新应用。
面临的挑战与未来发展趋势
近十年来,人工智能、纳米材料与电化学传感技术的协同整合在食品质量与安全监测领域展现出巨大潜力。尽管在试点阶段已经取得了一定成果,但这种新型的集成传感系统仍然面临诸多挑战。以下章节将具体分析人工智能驱动的纳米材料增强型电化学传感技术所面临的挑战,包括多模态人工智能驱动的多病原体检测、无需预处理的检测方法、实际工程应用问题、监管与标准化难题以及环境因素带来的影响等。
结论
人工智能技术已发展成为一种强大且具有变革意义的科技。人工智能、纳米材料与电化学传感技术的协同应用,为快速检测、可靠处理数据以及实时监测食品中的生物分子、掺假物质、病原体、农药、重金属、抗生素及微塑料提供了有力支撑,其中支持向量机、主成分分析法和人工神经网络在各类电化学传感器中表现最为稳定。不过,电极污染、纳米材料制备成本高等问题也依然存在。
未引用参考文献
Aliev等人,2024年;Hassan等人,2025年;Hassan等人,2025年;Hu等人,2025年;Li等人,2023年;Sun等人,2024年;Tao等人,2025年;Zhang等人,2025年;Zhang等人,2024年。
作者贡献
Muhammad Waseem:实验研究、撰写初稿、参与论文修改与润色;Muhammad Ammar Khan:实验研究、数据整理与可视化处理;Md Mehedi Hassan:结果验证、可视化制作及软件应用;Yilei Huang:结果验证、资源协调及软件使用;Xiuqi Xia:结果验证、数据整理与数据管理;Xiaomei Chen:概念构思、项目监督及整体项目管理。
利益冲突声明
我们声明不存在任何可能影响本研究结果的利益冲突。
利益冲突声明
? 作者声明不存在任何已知的财务利益关联或可能影响本研究结果的个人关系。
致谢
本研究得到了中国国家自然科学基金(项目编号:32572703)、福建省自然科学基金(项目编号:2024J010030)以及福建省财政科研项目(项目编号:B2025375)的资助。