ในปัจจุบันอุปกรณ์ทางการแพทย์สำหรับตรวจวินิจฉัย โดยเฉพาะเครื่องตรวจสัญญาณชีวการแพทย์ (Biomedical signals) เช่น คลื่นไฟฟ้าสมอง (Electroencephalography: EEG) คลื่นไฟฟ้าหัวใจ (Electrocardiography: ECG) รวมถึงสัญญาณชีวภาพจากอุปกรณ์ตรวจวัดทางการแพทย์และอุปกรณ์สวมใส่ (wearable devices) ถือ เป็นอุปกรณ์พื้นฐานที่ช่วยสนับสนุนการวินิจฉัยของแพทย์ได้เป็นอย่างดี แต่ก็ตามมาด้วยปริมาณข้อมูลทางการแพทย์ขนาดใหญ่ และมีปริมาณเพิ่มขึ้นอย่างต่อเนื่อง ข้อมูลดังกล่าวมักอยู่ในรูปแบบข้อมูลเชิงเวลา (time-series data) ที่มีความซับซ้อน และต้องอาศัยเทคนิคเฉพาะในการเตรียมและจัดการข้อมูล เพื่อให้สามารถนำไปใช้ประโยชน์ในการวิจัยและการดูแลผู้ป่วยได้อย่างมีประสิทธิภาพ การประมวลผลสัญญาณชีวการแพทย์ (Biomedical Signal Processing) เป็นขั้นตอนสำคัญที่ช่วยให้สามารถจัดเตรียมข้อมูลสัญญาณให้อยู่ในรูปแบบที่เหมาะสมสำหรับการวิเคราะห์ เช่น การกรองสัญญาณ (filtering) การกำจัดสัญญาณรบกวน (artifact removal) และการแบ่งช่วงข้อมูล (segmentation) นอกจากนี้ การสกัดคุณลักษณะของสัญญาณ (feature extraction) เป็นกระบวนการที่นำองค์ความรู้ทางคณิตศาสตร์และสถิติมาใช้ในการตีความลักษณะสำคัญของข้อมูล เพื่อให้สามารถนำข้อมูลไปใช้ในการสร้างแบบจำลองทางสถิติ หรือแบบจำลองการเรียนรู้ของเครื่อง (Machine Learning) และการเรียนรู้เชิงลึก (Deep Learning) สำหรับการจำแนกประเภท การพยากรณ์ และการตรวจจับความผิดปกติของสัญญาณชีวการแพทย์ ในปัจจุบันเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) และปัญญาประดิษฐ์ (Artificial Intelligence) ได้เข้ามามีบทบาทสำคัญในการวิเคราะห์ข้อมูลทางการแพทย์ โดยเฉพาะข้อมูลสัญญาณชีวการแพทย์ ซึ่งสามารถช่วยให้เกิดการค้นพบรูปแบบของข้อมูลที่มีความซับซ้อน และสนับสนุนการตัดสินใจทางคลินิก เช่น การตรวจจับภาวะผิดปกติของคลื่นไฟฟ้าหัวใจ การวิเคราะห์สัญญาณสมอง หรือการพัฒนาเครื่องมือช่วยวินิจฉัยโรค ภาควิชาระบาดวิทยาคลินิกและชีวสถิติ คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี เล็งเห็นถึงความสำคัญของการประยุกต์ใช้เทคนิคการประมวลผลสัญญาณชีวการแพทย์ร่วมกับการเรียนรู้ของเครื่องในการวิจัยทางการแพทย์ จึงได้จัดการอบรมเชิงปฏิบัติการ (Workshop) ในหัวข้อ Biomedical Signal Processing ระหว่างวันที่ 9 – 10 กันยายน พ.ศ. 2569 เพื่อให้ผู้เข้าร่วมอบรมได้เรียนรู้ทั้งแนวคิดพื้นฐานและการประยุกต์ใช้เครื่องมือทางคอมพิวเตอร์ เช่น ภาษา Python ในการประมวลผลสัญญาณชีวการแพทย์ การสกัดคุณลักษณะของสัญญาณ และการพัฒนาแบบจำลอง Machine learning สำหรับการจำแนกประเภท การพยากรณ์ และการตรวจจับความผิดปกติของสัญญาณชีวการแพทย์ได้อย่างมีประสิทธิภาพ