Zur Rückverfolgung des Ursprunges von Astragalus wurde das Netzwerkmodell CTGAN+1D-CNN+Encoder-Decoder (CCEN) vorgeschlagen. Zunächst wurden durch das bedingte tabellarische generative adversarielle Netzwerk (CTGAN) die Nahinfrarotspektraldaten von Astragalus erweitert, um das Problem der geringen Datenmenge zu lösen. Dann wurde durch das Hinzufügen der Encoder-Decoder-Struktur zum eindimensionalen Faltungsneuronalen Netzwerk (1D-CNN) dem Netzwerk ermöglicht, sowohl globale als auch lokale Beziehungen zwischen den Merkmalen gleichzeitig zu erfassen. Die Versuchsergebnisse zeigten, dass nach der Verstärkung mit CTGAN und Savitzky-Golay die Genauigkeit der partiellen kleinsten Quadrate Diskriminanzanalyse (PLS-DA), des Random Forest (RF), des k-Nearest-Neighbor-Algorithmus (KNN) und von 1D-CNN jeweils auf 0,9733, 0,9533, 0,9600 und 0,9733 anstieg. Nach Hinzufügen des Encoder-Decoders stieg die Genauigkeit von 1D-CNN auf 0,9778. Schließlich erreichte das CCEN-Modell auf dem Astragalus-Datensatz eine Genauigkeit, einen Rückruf und einen F1-Wert von jeweils 0,9867, 0,9872 und 0,9868 und war damit besser als die Vergleichsmodelle. Die Ergebnisse zeigen, dass das CCEN-Modell für komplex strukturierte und stichprobenbegrenzte eindimensionale Signaldaten wie Nahinfrarotspektren geeignet ist und eine neue Methode für die Forschung zur Herkunftserkennung von Astragalus-Medikamenten bietet.

Astragalus; Nahinfrarotspektroskopie; CTGAN; neuronales Netzwerk; Encoder-Decoder