La reconnaissance qualitative des faux médicaments basée sur la spectroscopie proche infrarouge nécessite l'utilisation de l'informatique et de la chimiométrie pour extraire des informations caractéristiques à partir de spectres complexes, chevauchants et variables, et pour construire des modèles prédictifs. Dans ce type de tâche, on peut rencontrer un problème de déséquilibre des classes en raison d'un manque relatif d'échantillons dans certaines catégories. Basé sur la génération d'échantillons virtuels et la modélisation par assemblage, il est possible d'améliorer la précision de reconnaissance des modèles construits sur des ensembles de données d'entraînement déséquilibrés. Cet article prend l'azithromycine comme sujet d'étude, conçoit un ensemble d'échantillons expérimentaux, utilise un modèle d'analyse discriminante partielle par moindres carrés intégrée basé sur la technique des échantillons virtuels pour construire un classificateur destiné à reconnaître si un médicament est périmé ou non. Les performances des modèles individuels et assemblés ont été comparées sur 10 plages spectrales différentes, et les effets du ratio d'équilibre, de la composition des échantillons et de la taille de l'assemblage ont été discutés; la sensibilité du classificateur assemblé a été améliorée en moyenne d'environ 9%. Les expériences ont confirmé l'avantage de cette stratégie d'assemblage ; lorsque les échantillons de la classe minoritaire sont très peu nombreux, l'algorithme d'assemblage proposé montre un avantage accru, et cette méthode a un potentiel d'application à d'autres types de données.

échantillons virtuels;ensemble;spectroscopie proche infrarouge;médicaments;reconnaissance