Diese Studie verwendet die Nahinfrarotspektroskopie in Kombination mit Methoden des maschinellen Lernens zur Identifizierung von Engelwurz und ihren 4 ähnlichen Arten (Duhuo, Chuanxiong, Baizhi und Baizhi). Insgesamt wurden 191 Proben aus verschiedenen Regionen gesammelt, um deren Nahinfrarotspektraldaten zu erhalten. Zunächst wurde eine Hauptkomponentenanalyse zur unüberwachten visuellen Analyse durchgeführt, und es wurden Identifikationsmodelle mit sechs Methoden des maschinellen Lernens erstellt: unabhängiger weicher Cluster, Partial Least Squares-Discriminant Analysis, Backpropagation-Künstliches-Neuronales-Netzwerk, Random Forest, Convolutional Neural Network und Extreme Learning Machine. Die Modellleistung wurde anhand von Verwechslungsmatrizen, Rückruf, Genauigkeit, F1-Score und Genauigkeit bewertet. Die Ergebnisse zeigten, dass das Hauptkomponentendiagramm die fünf Kräuter nicht effektiv unterscheiden konnte. Unter den sechs Modellen erzielte das Extreme Learning Machine-Modell die besten Werte bei Genauigkeit, Rückruf und F1-Score, mit einer Vorhersagegenauigkeit von 100 %, was deutlich besser war als bei den anderen Modellen. Daher kann die Kombination aus Nahinfrarotspektroskopie und Extreme Learning Machine eine präzise Identifizierung von Engelwurz und seinen 4 ähnlichen Arten ermöglichen.

Engelwurz;Identifikationsanalyse;Nahinfrarotspektroskopie;chemische Mustererkennung;maschinelles Lernen