Die Gehalte an Mineralstoffen in 255 Chargen von Langzeitgetrockneter Chenpi aus Xinhui und Guangxi wurden mittels induktiv gekoppelter Plasma-Massenspektrometrie bestimmt. Mittels orthogonaler partieller kleinster Quadrate Diskriminanzanalyse wurden die unterschiedlichen Elemente in Chenpi aus verschiedenen Herkunftsregionen untersucht. Es wurden vier Datenvorverarbeitungsmethoden angewendet: Z-Score-Normierung, Min-Max-Normalisierung, Mittelwertnormalisierung und Skalierung nach dem maximalen Absolutwert. Kombiniert mit Random Forest, Entscheidungsbaum, Support Vector Machine und Gradient Boosting wurden Modelle zur Herkunftserkennung von Chenpi erstellt. Die Ergebnisse zeigten, dass von 41 Mineralstoffelementen Na, Sn, Y, Ba, Er, Ho, Yb, Dy, Ni, Li, Gd, Tb, Sm, Nd und Rb die Hauptunterscheidungselemente zwischen Chenpi aus Xinhui und Guangxi sind. Unter den vier Machine-Learning-Modellen lieferte das Support Vector Machine-Modell die besten Vorhersagen. In diesem Modell weisen Trainings- und Testdaten bei den drei Datenbehandlungsarten Z-Score, Min-Max-Normalisierung und Mittelwertnormalisierung dieselbe Genauigkeit von 100 % und 96 % auf, mit einem F1-Wert von 0,96, was auf eine hohe Modellgenauigkeit hinweist. Die Studie basiert auf Mineralstoffgehalten in Kombination mit Machine Learning und bietet eine hohe Genauigkeit und Zuverlässigkeit bei der Herkunftserkennung von Chenpi. Sie liefert technische Unterstützung für die Qualitätskontrolle von Chenpi und kann auch als Referenz für die Herkunftsrückverfolgung von traditionellen chinesischen Medizinrohstoffen dienen.

Mineralstoffe; Machine Learning; Chenpi; Herkunftserkennung