Die qualitative Identifikation von gefälschten Arzneimitteln basierend auf der nahinfrarotspektroskopie erfordert den Einsatz von Computertechnik und Chemometrie, um Merkmalsinformationen aus komplexen, überlappenden und variablen Spektren zu extrahieren und Vorhersagemodelle zu erstellen. Bei solchen Aufgaben kann das Problem der Klassenungleichheit auftreten, wenn bestimmte Klassen relativ wenige Proben aufweisen. Basierend auf der Generierung virtueller Proben und Ensemble-Modellierung kann die Erkennungsgenauigkeit von Modellen, die auf unausgewogenen Trainingsdatensätzen basieren, voraussichtlich verbessert werden. Diese Arbeit betrachtet Azithromycin als Forschungsobjekt, entwarf eine Gruppe experimenteller Proben und verwendete ein Ensemble-Partial-Least-Squares-Discriminant-Analyse-Modell basierend auf der Technik virtueller Proben, um einen Klassifikator zu erstellen, der abgelaufene Medikamente erkennt. Die Leistung von Einzelmodellen und Ensemblemodellen wurde in 10 verschiedenen Spektralbereichen verglichen, und der Einfluss von Ungleichgewichtsverhältnissen, Probenzusammensetzung und Ensemblegröße wurde diskutiert; die Sensitivität des Ensembleklassifikators erhöhte sich durchschnittlich um etwa 9 %. Experimente bestätigten die Vorteile dieser Ensemble-Strategie. Wenn sehr wenige Proben der Minderheitsklasse vorliegen, zeigt der vorgeschlagene Ensemble-Algorithmus größere Vorteile, und die Methode hat Potenzial für andere Datentypen.

virtuelle Proben;Ensemble;Nahinfrarotspektroskopie;Arzneimittel;Erkennung