Com base no espectro ultravioleta combinado com algoritmos de aprendizado de máquina, foi estabelecido um modelo qualitativo de triagem rápida para quatro medicamentos anti-infecciosos proibidos comuns (metronidazol, cetoconazol, cloranfenicol e norfloxacino) em cosméticos para acne. O estudo coletou espectros ultravioleta de 167 lotes de cosméticos para acne e utilizou espectroscopia correlacional bidimensional (2D-COS) para selecionar as bandas características do espectro ultravioleta. Comparando 22 métodos de pré-processamento espectral, 3 algoritmos de aprendizado de máquina e 3 proporções de divisão de conjuntos de dados, foram estabelecidos cinco modelos qualitativos de classificação para amostras positivas e negativas contendo metronidazol, cetoconazol, cloranfenicol e norfloxacino. Os resultados mostraram que ao selecionar o espectro ultravioleta de 190 a 360 nm, com transformação de variável padrão normal (SNV) e suavização por convolução de Savitzky-Golay (SG) combinadas, utilizando uma proporção de divisão 7:3 para conjuntos de treinamento e previsão, e aplicando uma rede neural de retropropagação de erro (BP), o modelo alcançou precisão de 96,58% e 98,00% nos conjuntos de treinamento e previsão, respectivamente, demonstrando boa capacidade de previsão e generalização. Este método pode detectar de forma eficaz, rápida e precisa quatro medicamentos anti-infecciosos proibidos em cosméticos, economizando custos e tempo de detecção, melhorando a eficiência, fornecendo um novo meio inteligente para detectar substâncias proibidas adicionadas ilegalmente em cosméticos, e oferecendo novas ideias e soluções para triagem rápida em constante atualização de substâncias proibidas, além de auxiliar em testes rápidos no local.

espectroscopia ultravioleta; cosméticos; rede neural de retropropagação de erro; floresta aleatória; máquina de vetor de suporte; espectroscopia correlacional bidimensional