EEG Edge AI
脑机接口探索
探索如何实时地读取、理解脑电信号，并据此做出响应。
- Python
- PyQt5
- XGBoost
- 信号处理
- 时间
- 2026
- 状态
- 进行中 · 探索阶段
- 角色
- 研究方案、系统架构与原型
- 平台
- Python · PyQt5
背景
研究中的模型已经能从记录好的脑电数据中识别大脑状态——例如麻醉深度，或癫痫的起始。但一个在离线数据上有效的模型，还不是一个工具。从电极到一条有用的报警之间，隔着通信协议、二进制格式、特征流程，以及一个值得信任的界面。这个项目研究的正是这段距离：如何让已有研究中预训练好的模型，在靠近设备的地方、以低延迟运行在实时脑电数据流上。
挑战
模型本身反而是容易的部分，难的是它周围的一切都必须恰到好处。
原始数据流
设备输出带同步字与 16 位采样值的二进制数据包，必须随到随解。
两种格式
研究使用标准 EDF 文件，实时数据流却不是。两者之间的导联必须一一对应。
在线特征一致
实时计算的特征必须与模型训练时的分布严格一致。
延迟与噪声
解析必须跟上采样速度，断包、坏包也不能引发误报警。
方案
目前正在研究的方案由四个模块组成，原型正在逐个模块地搭建。
01
数据流解析
通过文件监听或 Socket 获取设备数据；依据同步字解包，把 16 位整数实时换算为微伏——速度要远快于采样间隔。
02
双路径数据
离线路径把原始记录封装为标准 EDF 格式供研究使用；通过波形相关性校验导联对应关系。
03
离线到在线
导出训练阶段确定的 PCA 投影矩阵并加载到实时软件中，让 XGBoost 等分类器在线上看到同样的特征空间。
04
安静的界面
在 PyQt5 中，波形刷新与模型计算运行在不同线程；只有连续多个窗口判断一致才触发报警，以减少瞬时伪迹造成的误报。
技术
Python
数据处理、解析与实验。
Socket 与文件监听
持续获取不断增长的设备数据流。
EDF
离线脑电研究的标准数据格式。
PCA · XGBoost
特征投影与分类，从离线延续到在线。
PyQt5
多线程、低延迟的监测界面。
我的工作
- 确定研究问题与系统架构
- 设计解析、存储、推理与界面四个模块
- 逐个模块地搭建并测试原型
反思
应用 AI 最难的部分，往往不是模型本身，而是确保模型在线上看到的，和它在离线时看到的完全一样——同样的导联、同样的特征、同样的假设。这个项目，是我学习这种严谨的方式。