The growing interest in antioxidant-rich foods is driven by their potential to reduce the risk of chronic diseases such as cancer, cardiovascular conditions, and cellular degeneration. Ginger (Zingiber officinale), banana inflorescence (Musa paradisiaca L.), and roselle (Hibiscus sabdariffa L.) are herbal plants known for their high phenolic content, a crucial component in antioxidant activity. However, the bioactive compounds in these plants are often unstable when exposed to light, temperature, and oxygen, leading to a reduction in their efficacy. This study aims to investigate the optimal ratio of ginger, banana inflorescence, and roselle for encapsulation in liposomes—a technique designed to enhance the stability of bioactive compounds and improve their delivery efficacy. The research evaluates the antioxidant activity of the extracts using DPPH, ABTS, and FRAP methods, alongside total phenolic content (TPC) measurement. The most effective ratio for antioxidant activity will be selected for liposomal encapsulation, employing phospholipids as key structural components. The encapsulation efficiency (EE%) will be calculated to assess the effectiveness of the liposomal delivery system. The findings are expected to identify the optimal combination of ginger, banana inflorescence, and roselle that maximizes antioxidant potency and enhances the stability of bioactive compounds through liposomal encapsulation. This approach offers a promising strategy for developing herbal health supplements that maintain their biological properties over time.
การเสื่อมสภาพของเซลล์จากอนุมูลอิสระเป็นสาเหตุหลักที่นำไปสู่การเกิดโรคเรื้อรังต่าง ๆ เช่น โรคมะเร็ง โรคหัวใจ และการเสื่อมสภาพของเซลล์ในระบบต่าง ๆ ของร่างกาย ดังนั้นการใช้สารต้านอนุมูลอิสระจากธรรมชาติจึงเป็นวิธีหนึ่งในการลดความเสี่ยงจากการเกิดโรคเหล่านี้ ขิง ปลีกล้วย และกระเจี๊ยบ เป็นพืชที่มีสารต้านอนุมูลอิสระและสารฟีนอลิกที่มีคุณสมบัติในการป้องกันความเสื่อมของเซลล์ อย่างไรก็ตาม สารเหล่านี้อาจสูญเสียประสิทธิภาพเมื่อสัมผัสกับปัจจัยภายนอก เช่น แสง ความร้อน และออกซิเจน ดังนั้นการใช้เทคนิคการห่อหุ้มสารด้วยวิธีลิโพโซม จึงช่วยเพิ่มความเสถียรของสารสำคัญและเพิ่มประสิทธิภาพในการนำส่งสารไปยังจุดเป้าหมายจึงเป็นสิ่งสำคัญ
คณะเทคโนโลยีการเกษตร
This research investigates the traditional knowledge, biological characteristics, and bioactive compounds of Melaleuca cajuputi Powell, with a focus on its conservation and sustainable utilization. The study encompasses its applications in agriculture, healthcare, and bioenergy.
คณะวิทยาศาสตร์
Currently, climate change and human activities are causing rapid deterioration of coral reefs worldwide. Monitoring coral health is essential for marine ecosystem conservation. This project focuses on developing an Artificial Intelligence (AI) model to classify coral health into four categories: Healthy, Bleached, Pale, and Dead using Deep Learning techniques. With pre-trained convolutional neural network (CNN) for image classification. To improve accuracy and mitigate overfitting, 5-fold Cross-Validation is employed during training, and the best-performing model is saved. The results of this project can be applied to monitor coral reef conditions and assist marine scientists in analyzing coral health more efficiently and accurately. This contributes to better conservation planning for marine ecosystems in the future.
คณะวิศวกรรมศาสตร์
Currently, lithium batteries are widely used in electronic devices and electric vehicles, making the estimation of their State of Health (SOH) crucial. Accurate SOH estimation helps extend battery lifespan, reduce maintenance costs, and prevent safety issues such as overheating or explosions. This project aims to study and analyze mathematical models of batteries and develop SOH estimation techniques using Neural Networks to enhance accuracy and evaluation speed. The experiment involved collecting charge and discharge data from three lithium battery cells under controlled temperature conditions while maintaining a constant current. The current, voltage, and time data were recorded and analyzed to determine the battery capacity for each cycle. These data were then used to train a Neural Network model. The results demonstrated an effective method for predicting battery health status. The outcomes of this project can contribute to the development of a Battery Management System (BMS) that improves battery efficiency and longevity. Additionally, it provides a foundation for applying artificial intelligence techniques in the energy sector effectively.