El reconocimiento cualitativo de medicamentos falsificados basado en espectroscopía de infrarrojo cercano requiere el uso de computación y quimiometría para extraer información característica de espectros complejos, superpuestos y variables, y construir modelos predictivos. En este tipo de tareas, puede encontrarse el problema de desbalance de clases debido a la relativa escasez de muestras en ciertas categorías. Basado en la generación de muestras virtuales y el modelado en ensamblaje, se espera mejorar la precisión del reconocimiento de modelos basados en conjuntos de entrenamiento desbalanceados. Este artículo toma la azitromicina como objeto de estudio, diseña un conjunto de muestras experimentales y utiliza un modelo de análisis discriminante por mínimos cuadrados parciales en ensamblaje basado en la tecnología de muestras virtuales para construir un clasificador que identifique si un medicamento está vencido o no. Se compararon las prestaciones de modelos individuales y ensamblados en 10 diferentes rangos espectrales, y se discutieron los efectos de la tasa de desbalance, la composición de las muestras y la escala del ensamblaje; la sensibilidad del clasificador ensamblado mejoró en promedio en aproximadamente un 9%. Los experimentos confirmaron la ventaja de esta estrategia de ensamblaje, y cuando las muestras de la clase minoritaria son muy pocas, el algoritmo de ensamblaje propuesto muestra mayor beneficio, y el método tiene potencial para aplicarse a otros tipos de datos.

muestras virtuales;ensamblaje;espectroscopía de infrarrojo cercano;medicamentos;reconocimiento