ทางเข้าแนะนำตัว
นักวิจัย LiDAR ที่พัฒนาซอฟต์แวร์รอบงานวิจัยเองด้วย
ผมวิจัยการเฝ้าระวังผู้ป่วยด้วย LiDAR และ AI และพัฒนาแพลตฟอร์มสุขภาพสองระบบ
- วันเกิด
- 2 กรกฎาคม 2001
- ต่อเฟรม บน Raspberry Pi 5
- 15.6 ms
- แพลตฟอร์มสุขภาพที่ผมพัฒนา
- 2
- รางวัลสิ่งประดิษฐ์และนวัตกรรม
- 5
- session ของ Claude Code ตั้งแต่ พ.ค. 2026
- ประมาณ 1,000
งานวิจัย
ผมกำลังทำวิทยานิพนธ์ปริญญาโทสองเรื่อง ที่ KMUTT ผมอ่านท่านอนของผู้ป่วยจากจุด LiDAR บน Raspberry Pi 5 ส่วนที่ Kanazawa University ผมประมาณสมบัติของผิวหนังด้วย air-jet และ LiDAR งานเรื่องท่านอนตีพิมพ์แล้วที่ BMEiCON 2026
ซอฟต์แวร์
CLICS ให้คะแนน clinical reasoning ของแพทย์ในโครงการนำร่อง CME ขององค์กรออกใบอนุญาตประกอบวิชาชีพ ส่วน Active Ageing Index เป็นแพลตฟอร์มคัดกรองผู้สูงอายุระดับประเทศที่เจ้าหน้าที่ภาคสนามใช้งานอยู่ ผมพัฒนาทั้งสองระบบ และยังมีแอป macOS แบบ open source กับเว็บแอปอีกสองตัวที่เปิดลองได้จากหน้านี้
วิธีทำงาน
ผมออกแบบ workflow และ context ให้ AI agent ใน Claude Code โดยใช้ jjstack ซึ่งเป็น plugin ที่ผมสร้างเอง jjstack วางแผนงาน แยก session ให้แต่ละ ticket และตรวจ pull request ทุกอันก่อน merge
งานวิจัยวิทยานิพนธ์ปริญญาโท KMUTT (กำลังดำเนินการ)
อ่านท่านอนของผู้ป่วยจากจุด LiDAR โดยไม่ใช้กล้อง
วิเคราะห์ point cloud แบบ real-time ร่วมกับ deep learning เพื่อประเมินท่าทางผู้ป่วยแบบไม่รุกล้ำ และแจ้งเตือนผู้ดูแล
- ต่อเฟรม
- 15.6 ms
- อุปกรณ์ edge ที่ใช้รัน
- Raspberry Pi 5
- iENA 2025 เมือง Nuremberg
- เหรียญเงิน
โจทย์
การป้องกันแผลกดทับในผู้ป่วยติดเตียงเริ่มจากการรู้ว่าผู้ป่วยนอนอยู่ในท่าไหน งานนี้อ่านท่านอนนั้นโดยไม่ต้องติดกล้องในห้อง
สิ่งที่ผมสร้าง
ระบบที่รับ point cloud จาก LiDAR เหนือเตียง จำแนกท่านอนด้วย deep learning แล้วแจ้งเตือนผู้ดูแล สิ่งที่ LiDAR ส่งกลับมาคือจุดในสามมิติ ไม่ใช่ภาพถ่ายของคน
การทำงาน
ระบบวิเคราะห์แบบ real-time บน Raspberry Pi 5 ใช้เวลา 15.6 ms ต่อเฟรม
ความคืบหน้า
วิทยานิพนธ์ยังดำเนินการอยู่ ส่วนที่รันบนอุปกรณ์ edge ตีพิมพ์แล้วที่ BMEiCON 2026 และได้เหรียญเงินจาก iENA 2025 ห้องที่เห็นในหน้านี้เป็นข้อมูลจำลอง
งานวิจัยผลงานตีพิมพ์
จำแนกท่านอนบนอุปกรณ์ edge เพื่อป้องกันแผลกดทับ
บทความประชุมวิชาการว่าด้วยการจำแนกท่านอนของผู้ป่วยติดเตียงจาก point cloud ของ LiDAR โดยประมวลผลบนตัวอุปกรณ์เอง
- เมือง Fukuoka ประเทศญี่ปุ่น
- BMEiCON 2026
- ตีพิมพ์แล้ว
- หน้า 1–5
- ต่อเฟรม บน Raspberry Pi 5
- 15.6 ms
คำถาม
คอมพิวเตอร์ edge เครื่องเล็กจะจำแนกท่านอนของผู้ป่วยจาก point cloud ของ LiDAR ได้ทันแบบ real-time หรือไม่
วิธีการ
บทความจำแนกท่านอนจาก point cloud ด้วยโมเดล PointNet และรันบนคอมพิวเตอร์ edge
อุปกรณ์
Raspberry Pi 5 พร้อม Active Cooler ต่อกับกล้อง LiDAR L515 ด้วยสาย USB 3 กล้องติดอยู่บนขาตั้งเหนือเตียง ระบบประมวลผลหนึ่งเฟรมใน 15.6 ms
ผู้เขียนและงานประชุม
N. Naowarangsee, S. Boonprong และ A. Khantachawana นำเสนอที่ BMEiCON 2026 เมือง Fukuoka ประเทศญี่ปุ่น หน้า 1–5
งานวิจัยวิทยานิพนธ์ปริญญาโท Kanazawa University (กำลังดำเนินการ)
ประมาณสมบัติของผิวหนังด้วย air-jet และ LiDAR
วิธีแบบไม่รุกล้ำที่อ่านการเปลี่ยนรูปของผิวหนังจากการวัดเชิงแสง เพื่อใช้ในการวินิจฉัยด้านการแพทย์
- ความคลาดเคลื่อนของ Young's modulus
- < 10%
- เริ่มเรียนที่ Kanazawa University
- ต.ค. 2024
โจทย์
สมบัติเชิงกลของผิวหนังนำไปใช้ในการวินิจฉัยด้านการแพทย์ได้ งานนี้ประมาณค่าเหล่านั้นแบบไม่รุกล้ำ
วิธีการ
ใช้ air-jet ร่วมกับ LiDAR แล้ววิเคราะห์ว่าผิวหนังเปลี่ยนรูปอย่างไรจากการวัดเชิงแสง จากนั้นจึงประมาณสมบัติของผิวหนังจากข้อมูลนั้น
ผลที่ได้ตอนนี้
ประมาณค่า Young's modulus ได้โดยมีความคลาดเคลื่อนต่ำกว่า 10%
ความคืบหน้า
วิทยานิพนธ์ยังดำเนินการอยู่ ในหลักสูตร Human-Machine Symbiotic Systems ของ Kanazawa University พื้นผิวที่เห็นในหน้านี้เป็นข้อมูลจำลอง
งานวิจัยโครงงานปริญญาตรี KMUTT
อุปกรณ์จำลองระบบไหลเวียนเลือดสำหรับทดสอบ stent retriever
วงจรบนโต๊ะทดลองที่สูบของเหลวแทนเลือดผ่านโมเดลหลอดเลือดสมอง เพื่อทดสอบ stent retriever ต้นแบบก่อนการทดลองในสัตว์
- ปล่อยพัลส์ทุก 0.75 วินาที
- 80 bpm
- ความดันที่วัดได้ในวงจร
- 50.45–121.36 mmHg
- อัตราการไหลเฉลี่ยที่วัดได้
- 329.82 ml/min
- รางวัลในปี 2023
- 3
โจทย์
โรคหลอดเลือดสมองชนิดขาดเลือดเกิดจากลิ่มเลือดอุดตันหลอดเลือดในสมอง และ stent retriever คืออุปกรณ์ที่ใช้ดึงลิ่มเลือดออกมา อุปกรณ์ต้นแบบจึงต้องทดสอบประสิทธิภาพการดึงลิ่มเลือดบนโต๊ะทดลอง ก่อนทดลองในสัตว์และก่อนใช้กับคน
สิ่งที่เราสร้าง
ทีมสามคนสร้างวงจรนี้ขึ้น ถังควบคุมมีฮีตเตอร์ปรับอุณหภูมิของเหลว ปั๊มดันของเหลวเข้าวงจร solenoid valve เปิดปิดเป็นจังหวะเหมือนการเต้นของหัวใจ และวาล์วอีกตัวปรับอัตราการไหล ของเหลวไหลผ่านโมเดลหลอดเลือดสมองแล้ววนกลับ บอร์ด Arduino อ่านค่าจากเซนเซอร์วัดอัตราการไหลและความดัน แล้วแสดงบนจอ LCD ของเหลวที่ใช้คือน้ำ xylitol และ urea ผสมให้ความหนืดใกล้เคียงเลือด
เทียบกับหลอดเลือด M1
เป้าหมายคือสภาวะของหลอดเลือดสมองส่วน M1 ได้แก่ ความดัน 80 ถึง 120 mmHg อุณหภูมิ 37 °C ชีพจร 60 ถึง 100 bpm และอัตราการไหลเฉลี่ย 275.4 ml/min ต้นแบบรุ่นที่สองปล่อยพัลส์ที่ 80 bpm วัดความดันได้ 50.45 ถึง 121.36 mmHg และอัตราการไหลเฉลี่ย 329.82 ml/min ตัวเครื่องปรับชีพจรได้ 60 ถึง 180 bpm และอุ่นของเหลวได้ถึง 50 °C
stent และแผนการทดสอบ
stent retriever ถักจากลวด nickel-titanium 12 เส้น กว้าง 4 มม. ยาว 40 มม. การทดสอบวาง stent ไว้ที่กลางลิ่มเลือดและหลังลิ่มเลือด ดึงได้ไม่เกิน 4 ครั้ง แล้วคิดร้อยละของ recanalization จากน้ำหนักลิ่มเลือดที่ดึงออกได้เทียบกับน้ำหนักที่ใส่เข้าไป
งานวิจัยการศึกษา
เริ่มจากวิศวกรรมเครื่องกล แล้วเรียนปริญญาโทสองใบควบคู่กัน
จบปริญญาตรีที่ KMUTT แล้วเรียนต่อปริญญาโทด้านวิศวกรรมชีวการแพทย์ที่ KMUTT และด้าน Frontier Engineering ที่ Kanazawa University
- ปริญญา กำลังเรียนอยู่สองใบ
- 3
- มหาวิทยาลัย ในไทยและญี่ปุ่น
- 2
- ปีที่เริ่มเรียนที่ KMUTT
- 2019
วิศวกรรมเครื่องกล 2019–2023
ปริญญาตรีที่มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี โครงงานจบคืออุปกรณ์จำลองระบบไหลเวียนเลือดสำหรับทดสอบ stent retriever ซึ่งได้สามรางวัลในปี 2023
วิศวกรรมชีวการแพทย์ 2023–ปัจจุบัน
ปริญญาโทที่ KMUTT วิทยานิพนธ์อ่านท่านอนของผู้ป่วยจากจุด LiDAR ด้วย AI บน Raspberry Pi 5
Frontier Engineering 2024–ปัจจุบัน
ปริญญาโทในหลักสูตร Human-Machine Symbiotic Systems ที่ Kanazawa University วิทยานิพนธ์ประมาณสมบัติของผิวหนังด้วย air-jet และ LiDAR
เครื่องมือที่ใช้
Python และ C++, PyTorch, TensorFlow, OpenCV, Open3D และ Scikit-learn รวมถึง Raspberry Pi และ Intel RealSense SDK
Kanazawa University
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี (KMUTT)
ระบบที่ใช้งานจริงแพลตฟอร์ม AI ด้าน clinical reasoning
CLICS ให้คะแนนวิธีคิดของแพทย์จากบทสนทนากับ AI
สร้างสำหรับโครงการนำร่อง CME ขององค์กรออกใบอนุญาตประกอบวิชาชีพ
- ผู้ใช้พร้อมกันใน load test
- 100
- error ในการทดสอบนั้น
- 0
- เริ่มพัฒนา
- มิ.ย. 2026
โจทย์
โครงการนำร่อง CME ขององค์กรออกใบอนุญาตประกอบวิชาชีพต้องการวิธีให้คะแนน clinical reasoning ของแพทย์
สิ่งที่ผมสร้าง
แพลตฟอร์มที่แพทย์วิเคราะห์เคสผ่านบทสนทนากับ AI แล้วระบบให้คะแนนจากบทสนทนานั้น พัฒนาด้วย Next.js, Supabase และ Claude API
การปกป้องข้อมูล
ระบบลบข้อมูลส่วนบุคคลออกก่อนเรียก Claude ทุกครั้ง
ผลลัพธ์
ใน load test ระบบรองรับผู้ใช้พร้อมกัน 100 คนโดยมี error 0 ครั้ง ปุ่มทดลองที่จุดนี้เล่นซ้ำเคสสมมติจากบูธ CLICS
ระบบที่ใช้งานจริงแพลตฟอร์มคัดกรองผู้สูงอายุระดับประเทศ
ดัชนีเดียวจากเครื่องมือให้คะแนนทางคลินิก 24 ชุด
แพลตฟอร์มคัดกรองผู้สูงอายุระดับประเทศที่เปิดใช้งานจริงแล้ว เจ้าหน้าที่ภาคสนามใช้งานผ่าน LINE
- เครื่องมือให้คะแนนทางคลินิก
- 24
- ดัชนี Active Ageing
- 1
- เริ่มพัฒนา
- มิ.ย. 2026
โจทย์
การคัดกรองผู้สูงอายุใช้เครื่องมือให้คะแนนทางคลินิกหลายชุด และแต่ละชุดให้คะแนนของตัวเอง แพลตฟอร์มนี้รวม 24 ชุดเป็นดัชนีเดียว
สิ่งที่ผมสร้าง
พัฒนาด้วย Next.js, Supabase, FastAPI และ LINE API เจ้าหน้าที่ภาคสนามเข้าใช้จากเมนูใน LINE Official Account ดูโครงการของตัวเอง และกรอกข้อมูลรายเดือนได้ทีละพื้นที่ แบบตาราง หรือจากไฟล์ Excel
สิ่งที่ผู้ดูแลระบบเห็น
dashboard แสดงคะแนน AAI ของทุกโครงการ ณ สามช่วงเวลา
การปกป้องข้อมูล
dashboard ไม่แสดงกลุ่มขนาดเล็กตามหลัก k-anonymity ตัวเลขจึงไม่ชี้ไปที่คนไม่กี่คน
ระบบที่ใช้งานจริงแอป macOS แบบ open source
ClaudePet แสดงการใช้งาน Claude Code บนเดสก์ท็อป จาก log ในเครื่อง
แอป macOS ที่อ่านการใช้งานและ rate limit ของ Claude Code จาก log ในเครื่อง
- release ล่าสุด
- v0.14.0
- limit ที่แสดง: รอบ 5 ชั่วโมงและรายสัปดาห์
- 2
- การเชื่อมต่อเครือข่าย
- ไม่มี
โจทย์
Claude Code มี limit รอบ 5 ชั่วโมงและ limit รายสัปดาห์ ระหว่างทำงานจึงควรเห็นว่าใช้ไปแล้วเท่าไร
สิ่งที่ผมสร้าง
dashboard ที่แสดง limit ทั้งสองแบบและจำนวน token แยกตามโมเดล widget บนเดสก์ท็อปทั้งแบบกว้างและแบบสูง และ mascot ที่อารมณ์เปลี่ยนตามสัดส่วน limit ที่ใช้ไป เขียนด้วย Swift และ SwiftUI
การทำงาน
ข้อมูลทั้งหมดมาจาก log ที่อยู่ในเครื่อง Mac อยู่แล้ว แอปไม่เชื่อมต่อเครือข่าย
สถานะ
เผยแพร่บน GitHub มี CI ทดสอบ และออก release ถึง v0.14.0
ระบบที่ใช้งานจริงเว็บแอปพลิเคชัน
แอปสองตัวที่ติดตั้งได้จากเบราว์เซอร์: บันทึกการออกกำลังกาย และวางแผนโภชนาการ
ทั้งสองเป็น PWA พัฒนาระหว่างเดือนพฤษภาคมถึงกันยายน 2026
- มัดกล้ามเนื้อในแผนที่ 3 มิติ
- 64
- PWA ที่เปิด demo ได้
- 2
- เป้าหมายรายวันในแอปโภชนาการ
- 5
แอปบันทึกการออกกำลังกาย
บันทึกทุกเซตด้วยจำนวนครั้งและน้ำหนัก หน้าประวัติรวม volume ทั้งหมดที่ยกได้ แผนที่กล้ามเนื้อ 3 มิติ 64 มัดเชื่อมกับคลังท่าออกกำลังกาย เลือกท่าแล้วเห็นว่าใช้กล้ามเนื้อมัดไหน
แอปวางแผนโภชนาการ
ตั้งเป้าหมายรายวันของพลังงาน โปรตีน ข้าวและแป้ง ไขมัน และน้ำ ข้อมูลเก็บไว้ในเครื่องของผู้ใช้
เทคโนโลยี
React, TypeScript และ Vite แล้ว deploy บน Vercel
งานอื่นในช่วงเดียวกัน
เว็บไซต์สมาคมที่แก้เนื้อหาได้จากหน้าเว็บโดยตรง และระบบจองคอมพิวเตอร์ของแล็บที่บังคับกฎการอนุมัติใน Postgres
การทำงานร่วมกับ AI agentplugin ของ Claude Code
jjstack: แผนเดียว หนึ่ง session ต่อหนึ่ง ticket และ gate ตรวจทุก pull request
plugin ของ Claude Code ที่ผมสร้างเอง มีทั้ง skill พร้อม Python checker, hook ที่ทดสอบแล้ว และ rule
- skill
- 14
- hook
- 6
- agent ของ gate
- 3
- บทเรียนที่เก็บไว้
- 37
วางแผน
/jjstack:jjflow ถามจนงานชัด แล้วเขียน spec กับ ticket แต่ละ ticket ระบุโมเดลและระดับ effort ของ session ที่จะทำงานนั้น
ลงมือทำ
แต่ละ ticket มี session ของตัวเองใน worktree ของตัวเอง และจบที่ pull request
ตรวจ
/jjstack:doublej รีวิวและตรวจสอบ pull request ทุกอัน และแก้อันที่ไม่ผ่าน อันที่ผ่านจะ merge ตามที่ spec กำหนด
เรียนรู้
บทเรียนจากการแก้แต่ละครั้งถูกเก็บกลับเข้า skill สำหรับรอบถัดไป hook ตรวจคำสั่งก่อนรัน และผมทดสอบใน sandbox ก่อน deploy
การทำงานร่วมกับ AI agentการใช้งานประจำวัน
ประมาณ 1,000 session ของ Claude Code ตั้งแต่ พ.ค. 2026
หนึ่ง session ผ่านอะไรบ้าง ตั้งแต่รับโจทย์จนเปิด pull request
- session
- ประมาณ 1,000
- เริ่มใช้
- พ.ค. 2026
- เครื่องมือ: Claude Code, Codex CLI, MCP
- 3
ก่อนเขียนโค้ด
แผนต้องได้รับอนุมัติก่อน จากนั้น sub-agent หลายตัวอ่านโค้ดพร้อมกัน
ระหว่างทำ
แต่ละงานมี branch และโฟลเดอร์ของตัวเอง และรันเทสต์ก่อนเปิด pull request
ก่อนเปิด pull request
ตรวจหน้าเว็บด้วยเบราว์เซอร์แบบ headless แล้วเก็บหลักฐานไว้ จากนั้นให้โมเดลอีกตัวอ่าน diff
Harness
skills, subagents, hooks และ context engineering โดยมี CI รันทั้งเทสต์และ release
รางวัลรางวัลสิ่งประดิษฐ์
สองรางวัลจาก iENA 2025 ด้วยสิ่งประดิษฐ์ชิ้นเดียว
ระบบ edge LiDAR ป้องกันแผลกดทับได้เหรียญเงินและรางวัลพิเศษที่เมือง Nuremberg
- รางวัลจากสิ่งประดิษฐ์เดียวกัน
- 2
- iENA เมือง Nuremberg ประเทศเยอรมนี
- พ.ย. 2025
- ต่อเฟรม บน Raspberry Pi 5
- 15.6 ms
สิ่งประดิษฐ์
LiDAR เหนือเตียงกับ Raspberry Pi 5 อ่านท่านอนของผู้ป่วยจากจุด โดยไม่ใช้กล้อง แล้วแจ้งเตือนผู้ดูแล
รางวัล
เหรียญเงินจาก iENA 2025 และ Prominent Invention Special Award จาก Taiwan Prominent Inventor League ในงานเดียวกัน
งานวิจัยเบื้องหลัง
เป็นงานจากวิทยานิพนธ์ปริญญาโทของผมที่ KMUTT และส่วนที่รันบนอุปกรณ์ edge ตีพิมพ์แล้วที่ BMEiCON 2026
เกียรติบัตร

เหรียญเงิน, iENA 2025 เมือง Nuremberg ประเทศเยอรมนี

Prominent Invention Special Award, Taiwan Prominent Inventor League ในงาน iENA 2025
รางวัลรางวัลสิ่งประดิษฐ์
สามรางวัลในปี 2023 จากชุดทดสอบ stent retriever
อุปกรณ์จำลองระบบไหลเวียนเลือดจากโครงงานปริญญาตรีของผมได้รางวัลทั้งในไทยและที่ไทเป
- รางวัล
- 3
- NRCT Higher Education Innovation Contest 2023
- เหรียญทอง
- เดือนสิงหาคมและตุลาคม
- 2023
อุปกรณ์
วงจรบนโต๊ะทดลองที่สูบของเหลวแทนเลือดผ่านโมเดลหลอดเลือดสมอง โดยควบคุมจังหวะพัลส์ ความดัน และอุณหภูมิ เพื่อทดสอบ stent retriever ต้นแบบก่อนการทดลองในสัตว์
ในไทย สิงหาคม 2023
เหรียญทองจาก NRCT Higher Education Innovation Contest และรางวัลดีเด่นจาก NRCT Innovation Project Proposal
ที่ไทเป ตุลาคม 2023
เหรียญทองแดงจาก Taiwan Innotech Expo 2023
เกียรติบัตร

เหรียญทอง, NRCT Higher Education Innovation Contest 2023 ประเทศไทย

รางวัลดีเด่น, NRCT Innovation Project Proposal 2023

เหรียญทองแดง, Taiwan Innotech Expo 2023 กรุงไทเป