基於本地 LLM 的邊緣部署 EEG 睡眠分期協作推理框架

教學問題

睡眠品質對學習成效有深遠影響，但傳統的睡眠監測需要昂貴的醫療級設備與專業人員判讀。 如何讓一般學生透過平價的 EEG 裝置，也能獲得準確的睡眠分期分析？ 此外，睡眠數據涉及個人隱私，將數據上傳至雲端進行分析存在隱私風險。

研究方法

本研究提出一套協作推理框架，使用本地部署的大型語言模型進行 EEG 睡眠分期。 系統在邊緣裝置上運行，不需要將敏感的生理數據上傳至雲端， 同時透過多模型協作推理提升分期準確度。

主要發現

• 本地 LLM 可以在邊緣裝置上進行有效的 EEG 睡眠分期
• 協作推理框架提升了單一模型的分期準確度
• 邊緣部署方式保護了使用者的生理數據隱私

對教學的啟示

了解學生的睡眠狀態可以幫助教師更好地理解學生的學習狀況。 邊緣部署的 AI 分析方式，在保護學生隱私的前提下， 讓生理數據的應用更加安全且可及。 這為 Uedu Brain 穿戴裝置的發展提供了重要的技術基礎。