นิสิตและอาจารย์ภาควิชาวิศวกรรมไฟฟ้า พร้อมด้วยคณาจารย์จากมหาวิทยาลัยมหิดลและราชวิทยาลัย จุฬาภรณ์ ได้รับรางวัล Best Paper Award จากผลงานเรื่อง A Comparative Analysis of SVM Approaches for Binary Snore Detection Using MFCC Features ในงานประชุมวิชาการนานาชาติ The 22nd International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON 2025) จัดโดยสมาคมวิชาการไฟฟ้า อิเล็กทรอนิกส์ คอมพิวเตอร์ โทรคมนาคม และสารสนเทศ แห่งประเทศไทย (ECTI Thailand) ร่วมกับจุฬาลงกรณ์มหาวิทยาลัย ระหว่างวันที่ 20-23 พฤษภาคม 2568 โดยมี ผศ.ดร.พันศักดิ์ เทียนวิบูลย์ อาจารย์ภาควิชาวิศวกรรมไฟฟ้า เป็นผู้แทนขึ้นรับรางวัลดังกล่าวจาก ศ.ดร.บุญชัย เตชะอำนาจ ประธานคณะกรรมการทางวิชาการงานประชุมวิชาการนานาชาติ ECTI-CON 2025 ในพิธีมอบรางวัล ที่จัดขึ้น ณ โรงแรมมณเฑียร สุรวงศ์ กรุงเทพฯ
ผู้ได้รับรางวัล ประกอบด้วย นายสิทธิพร ทองเพ็ญ นิสิตระดับปริญญาโท, นายสรอรรถ อินทรวิเชียร นิสิตระดับปริญญาเอก, ผศ.ดร.พันศักดิ์ เทียนวิบูลย์ ภาควิชาวิศวกรรมไฟฟ้า อาจารย์ที่ปรึกษาและผู้ประพันธ์บรรณกิจ (Corresponding Author), ดร. นพ.วิทยา สังขรัตน์ คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล และคณะเทคโนโลยีวิทยาศาสตร์สุขภาพ ราชวิทยาลัยจุฬาภรณ์ และ ศ. พญ.จิรพร เหล่าธรรมทัศน์ คณะเทคโนโลยีวิทยาศาสตร์สุขภาพ ราชวิทยาลัยจุฬาภรณ์
ผลงานเรื่อง A Comparative Analysis of SVM Approaches for Binary Snore Detection Using MFCC Features เป็นงานวิจัยเกี่ยวกับการพัฒนาและเปรียบเทียบวิธีตรวจจับเสียงกรน โดยใช้เทคนิค Support Vector Machine (SVM) ที่มีศักยภาพในการอธิบายผลลัพธ์ได้ดีกว่าการใช้โมเดลแบบ Deep Learning ที่มีความซับซ้อน เนื่องจากเสียงกรนอาจบ่งบอกถึงความผิดปกติของการนอน เช่น ภาวะหยุดหายใจขณะหลับ ดังนั้น การตรวจจับและจำแนกเสียงกรนได้แม่นยำจึงมีความสำคัญ และการตรวจจับได้เร็วและแม่นยำจะช่วยให้วินิจฉัยและรักษาได้ทันท่วงที ซึ่งผลการวิจัยชี้ให้เห็นว่า เทคนิค SVM ที่ใช้กับคุณลักษณะ MFCC (Mel-Frequency Cepstral Coefficients) มีความแม่นยำ (Accuracy) ในการจำแนกเสียงกรนได้ถึง 93.5% – 98.0% และมีข้อดีคือ มีวิธีการคำนวณที่ไม่ซับซ้อน ไม่จำเป็นต้องใช้ฐานข้อมูลขนาดใหญ่ในการฝึกสอน และสามารถคำนวณผลลัพธ์การตรวจจับเสียงกรนได้อย่างรวดเร็ว
