Ārstniecisko tēju analīze izmantojot PCA un hierarhiskās klasterizācijas metodes

Abstract

Ārstniecisko tēju analīze izmantojot PCA un hierarhiskās klasterizācijas metodes. Maģistra darbs uzrakstīts latviešu valodā, tā apjoms ir 69 lapaspuses. Darbs satur 6 tabulas, 38 attēlus, 4 pielikumus un tajā izmantoti 52 literatūras avoti. Maģistra darba literatūras apskatā sniegta informācija par ārstniecisko augu un to infūziju elementsastāva un organiskā sastāva analīzes metodēm, hierarhisko klasterizāciju un metodēm ar kuru palīdzību klasteri tiek veidoti. Sniegta arī informācija par lineārām un nelineārām datu dimensionalitātes samazināšanas metodēm. Literatūras apskatā izmantota zinātniskā literatūra laika periodā no 1992. līdz 2020. gadam. Eksperimentālajā daļā ir veikta pelašķu, bērza pumpuru, kumelīšu, klinģerīšu, liepziedu un karkādes tēju Furjē transformācijas infrasarkanās spektroskopijas analīze. Daļai tēju ir veikta arī AEŠH-MS analīze. Dati apstrādāti izmantojot principiālo komponentu analīzi un hierarhisko klasterizāciju. Apkopojot un izvērtējot iegūtos rezultātus, ir aprakstīts iepriekšminēto metožu pielietojums ārstniecisko tēju identificēšanai.

Analysis of medicinal teas using PCA and hierarchical clustering methods. The master’s thesis is written in Latvian, it consists of 69 pages. It contains 6 tables, 38 pictures, 4 attachments and 52 references. The theoretical part of the master’s thesis contains information about analytical methods for determining the elemental and organic composition of medicinal herbs and their infusions, hierarchical clustering and methods by which clustering is done. It also contains information about linear and non-linear data dimensionality reduction methods. Theoretical part contains scientific information from year 1992 to 2020. In the experimental part, yarrow, birch bud, camomile, marigold, linden flower and hibiscus teas were analysed using Fourier-transform infrared spectroscopy. Some of the teas were also analysed with HPLC-MS. Data was processed using principal component analysis and hierarchical clustering. After summarising and evaluating the results, the use of previously mentioned methods for medicinal tea identification was described.