
ในโลกของการบริจาคโลหิต มีผู้คนอยู่ 2 ประเภท คือ ผู้บริจาคโลหิตอยู่แล้วและผู้ไม่คิดบริจาค ผู้รณรงค์ส่วนใหญ่มักเน้นย้ำถึงวิธีการโน้มน้าวให้ผู้คนบริจาคโลหิตมากขึ้น และดึงดูดผู้บริจาคโลหิตรายใหม่เข้ามามากขึ้น เราเชื่อว่าแม้ว่าการให้ความสำคัญดังกล่าวจะเป็นสิ่งสำคัญ แต่ยังมีประเด็นสำคัญอื่นๆ อีกหลายประการที่อาจถูกละเลยไป นั่นคือ สำหรับผู้ที่ตัดสินใจบริจาคโลหิตแล้ว พวกเขาจะบริจาคโลหิตได้สำเร็จเมื่อถึงเวลาหรือไม่ จากการศึกษาของเรา พบว่าผู้บริจาคโลหิตที่บริจาคสำเร็จมีเพียงร้อยละ 63 เท่านั้น น่าเสียดายที่อีกร้อยละ 37 ต้องกลับบ้านด้วยความผิดหวังเนื่องจากร่างกายของพวกเขาไม่พร้อมสำหรับเงื่อนไขที่เจ้าหน้าที่ทางการแพทย์ของสภากาชาดกำหนดไว้ที่ศูนย์รับบริจาคโลหิต (ซึ่งรวมถึงการเตรียมตัวขั้นพื้นฐาน เช่น รับประทานอาหารไขมันต่ำและนอนหลับพักผ่อนให้เพียงพอ 8 ชั่วโมงในคืนก่อนหน้า) แคมเปญ "Blood in Need, Buddy Indeed" เน้น 2 ประเด็น ประเด็นแรก เพื่อโน้มน้าวให้ผู้คนบริจาคโลหิตมากขึ้น ประเด็นที่สอง เป็นบริการสำหรับผู้ที่ตัดสินใจมาบริจาคโลหิต เพื่อให้พวกเขามีความพร้อมและประสบความสำเร็จในการบริจาคโลหิตเมื่อถึงวันบริจาค เราจะให้การสนับสนุนที่จำเป็น (ทั้งร่างกายและจิตใจ) ผ่านเครือข่ายระบบ เจ้าหน้าที่ และต้นแบบของแอปพลิเคชันใหม่ ‘Blood D’ แคมเปญของเราครอบคลุมประสบการณ์ "ก่อน/ระหว่าง/หลัง" ของผู้บริจาคโลหิตการสนับสนุนจะรวมถึงการประเมินสภาพร่างกายปัจจุบันของพวกเขาว่าอยู่ในเกณฑ์ที่ธนาคารเลือดของสภากาชาดกำหนดหรือไม่ Blood D จะให้ข้อมูลที่เกี่ยวข้องเกี่ยวกับกิจกรรมการบริจาคโลหิต เช่น สถานที่ และการจองเวลา เมื่อสมัครแล้ว แอปพลิเคชัน Blood D จะส่งคำเตือนที่เป็นมิตรและอินโฟกราฟิกที่ชัดเจนเกี่ยวกับการเตรียมร่างกายของพวกเขาเป็นการแจ้งเตือนรายวันในช่วง 7 วันนับจากนี้ ทั้งนี้เพื่อให้แน่ใจว่าเลือดของผู้ใช้จะ "D" (คำพ้องเสียงกับคำภาษาไทยที่แปลว่า "ดี" และล้อกับคำว่า ‘Buddy’ ในคราวเดียวกัน) หรือเป็น "เลือดที่ดี" ที่สามารถช่วยชีวิตผู้ที่ต้องการได้ หลังจากจัดกิจกรรมบริจาคโลหิต 4 ครั้งทั้งภายในและภายนอก KMITL จำนวนผู้บริจาคโลหิตสำเร็จเพิ่มขึ้นจาก 63% เป็น 78% (ตัวเลขนี้เป็นค่าเฉลี่ยของ 4 กิจกรรม โดยกิจกรรมที่ประสบความสำเร็จสูงสุดคือ 89%) แคมเปญนี้ได้รับรางวัลรองชนะเลิศอันดับ 1 ระดับประเทศในการแข่งขันแคมเปญบริจาคโลหิตเพื่อสภากาชาด คาดว่าเมื่อเปิดตัวแอปพลิเคชัน “Blood D” เต็มรูปแบบ จะช่วยเพิ่มปริมาณเลือดที่รวบรวมได้มากถึง 15% จากจำนวนผู้บริจาคเดิม
ในวิกฤตของการขาดแคลนเลือด เป็นอุปสรรคสำคัญต่อการรักษาผู้ป่วยที่ต้องการเลือด การบริจาคเลือดจึงเป็นสิ่งที่สำคัญอย่างยิ่งในการช่วยชีวิตผู้ป่วยที่ต้องการเลือด แต่ปัจจุบันยังคงมีปัญหาเกี่ยวกับปริมาณเลือดที่ไม่เพียงพอต่อความต้องการของผู้ป่วย ซึ่งมีสาเหตุหลายอย่าง ได้แก่ ความไม่พร้อมของผู้บริจาคเลือด ทั้งในด้านร่างกายและจิตใจ การขาดความรู้เกี่ยวกับการเตรียมความพร้อมก่อนการบริจาคเลือด การละเลยข้อห้ามสำคัญ หรือความกังวล รวมถึงความกลัว และการมีประสบการณ์ที่ไม่ดีจากการบริจาคเลือด ซึ่งสาเหตุต่าง ๆ ที่กล่าวมา ล้วนเป็นอุปสรรคที่ส่งผลให้การบริจาคเลือดไม่เป็นผลสำเร็จ และนำไปสู่ปัญหาของการขาดแคลนเลือด ดังนั้นคณะผู้จัดทำโครงการจึงเล็งเห็นปัญหาที่เป็นอุปสรรคต่อความสำเร็จในการบริจาคเลือด นำไปสู่การออกแบบแอพพลิเคชั่นที่ช่วยเตรียมความพร้อมด้านร่างกายและจิตใจสำหรับผู้ที่ต้องการบริจาคเลือด เพื่อให้ผู้ที่ต้องการบริจาคเลือดมีความพร้อมสำหรับการบริจาคเลือดมากที่สุด ซึ่งไม่เพียงเป็นการช่วยเพิ่มอัตราความสำเร็จให้กับการบริจาคเลือด แต่ยังช่วยสร้างความมั่นใจให้กับผู้ที่ต้องการบริจาคเลือด และส่งเสริมให้เกิดการบริจาคเลือดเพิ่มมากขึ้นอีกด้วย

คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า

คณะอุตสาหกรรมอาหาร
ในการพัฒนาผลิตภัณฑ์ข้าวหอมมะลิโปรตีนสูง มีการใช้สารไฮโดรคอลลอยด์คือ HPMC อยู่ที่ 0, 0.25, 0.5 และ 1% w/v และ MD 10% w/v โดยสารไฮคอลลอยด์นี้มีโปรตีนที่ละลายอยู่ 30% w/v นำไปเคลือบข้าวหอมมะลิดิบ พบว่าปริมาณ HPMC ที่แตกต่างกันส่งผลต่อการยึดเกาะของโปรตีนในข้าว จากนั้นนำสารไฮโดรคอลลอยด์ที่สารมารถยึดเกาะบนได้ดีที่สุดคือ 0.25% w/v นำมาหาหาปริมาณที่เหมาะสมในการเคลือบข้าวที่อัตราส่วน 1:3 และ 1:5 ที่ส่งผลต่อ ปริมาณโปรตีน เนื้อสัมผัส สี การอุ้มน้ำ และการยอมรับทางประสาทสัมผัส

คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-