E175–85
边缘 AI 延迟—精度帕累托前沿的形状是否随指令集而变
框架在 MCU 上做量化、剪枝、蒸馏时，延迟与精度的权衡前沿长什么样？换一颗不同指令集的芯片，这条前沿的形状会不会变，还是只是整体平移？
你自己的那一点现有基准（MLPerf Tiny）只给单个工作点，不给帕累托曲线。而"前沿形状是否随 ISA 而变"这个问题无人做过——核查实测 ESP-NN 加速库开关会带来 43 倍差异，说明硬件加速对不同压缩档位的收益很可能不均匀。如果前沿形状确实随 ISA 改变，那么"在 A 芯片上测出的最优压缩配置"就不能迁移到 B 芯片，这是一条有实际工程价值的结论。
擦过的已有工作： MLPerf Tiny 基准；ISEF 2025 的 EBED032（边缘 AI 野火探测，Grand Award） 等多个边缘 AI 应用项目——它们都在用边缘 AI 解决问题，没有一个在刻画权衡前沿本身。
约束条件：可辩护性。 你必须能解释为什么某个算子在某个 ISA 上更快，否则只是跑数据。最便宜的提升方式：选两颗差异明确的芯片（如 ARM Cortex-M 系与 RISC-V 系），预先读懂各自的向量/DSP 扩展，把"形状变化"归因到具体算子。
器材与周期： 总计 < ¥450，3–5 天到货。本类目里采购风险最低的一条。
E272–82
MEMS 传感器长期漂移：厂商为什么对 IMU 避而不谈
框架用 Allan 方差刻画常见 MEMS 传感器的漂移特性。为什么气压计和温湿度计的数据手册给出漂移指标，而 IMU 不给？
你自己的那一点核查发现一个不对称：LSM6DSO 的数据手册完全不给 bias instability 与长期漂移，而 BMP390、SHT4x 却给。 这个不对称本身就是缺口——厂商不给的那个量，正是学生可以测的。用 Allan 方差把 IMU 的漂移特性补齐，并与厂商给出指标的那些传感器对照，说明为什么 IMU 更难标定。
擦过的已有工作： 两届 EBED 零同题（核查确认）。
约束条件：时间。 IEEE Std 952 的 9T 规则意味着要测某时间尺度的漂移，观测时长需达其 9 倍。经典 Allan 方差只需数小时（不构成门槛），但年尺度漂移在 3–4 个月内数学上不可测——课题必须明确限定在秒到小时量级，并诚实声明"长期漂移未评估"。
E369–79
低成本角度编码器的误差预算：参考器自身的不确定度去哪了
框架用 Allan 方差方法给低成本旋转编码器做误差预算，并扣除参考器自身的不确定度。
你自己的那一点核查发现两件事。第一，Allan 方差从未被用于角度编码器（一直用于陀螺仪与时钟）。第二，也是更尖锐的：ISEF 2025 的 SubArc（EBED005, Grand Award，磁式，还进了 STS 2026 决赛，MIT 开源）在比对时从未扣除参考器 AksIM-2 自身的 ±14–72 arcsec 不确定度。也就是说它报告的精度里混着参考器的误差。把参考器的不确定度分离出来，是一个干净且可辩护的贡献。
擦过的已有工作： EBED005（SubArc, 2025 Grand Award） —— 必须主动引用并说明差异。它造了一个更好的编码器；你是在标定这类比对的有效性。
约束条件（这是 go/no-go，不是普通约束）：机械夹具精度。 3D 打印件的公差是 ±100–300 µm，与你要测的自变量同量级——用打印夹具做这个实验，测到的会是夹具的误差而不是编码器的。必须用金工加工的夹具，这一条不解决就不要启动。
器材： 参考器 AksIM-2 整套约 ¥2,200（核查修正了"买不起"的初判），相对被测件有 25–300 倍余量，在预算内。
E467–85
MCU 声音分类器从数据集搬到真实房间会掉多少：跌幅随混响与信噪比怎么变
框架一个在公开音频数据集上训练、跑在 ESP32 上的声音事件分类器，换到真实房间里准确率掉多少？这个跌幅是随混响与信噪比连续退化，还是存在一个断崖？
你自己的那一点把"数据集准确率"和"部署准确率"拆成两个可分别测量的量，并给出跌幅对混响档位与 SNR 的响应面。前作报告的是"可靠"这个定性结论，没有把部署环境当作自变量扫过。混响档位可以在同一间教室内用吸音棉与窗帘人为制造三到四级，每级用同一段扫频信号实测衰减曲线自证档位确实不同。
擦过的已有工作： EBED023（Sensora, 2026 Grand Award + Special Award） 在 ESP32 双核上做实时声音事件分类，摘要写 "trained on a normalized dataset"、"Testing demonstrated consistent real-time detection"，但摘要未报告任何量化的现场准确率，也未报告测试房间的声学条件。EBED039T（Hear It Clear, 2025 Grand Award） 证明 PCEN 在抑制背景噪声上优于 log-mel 与 MFCC，但整个比较只在数据集上完成，摘要中未见任何板上部署。两者之间正好空出"部署环境作为自变量"这一格。
约束条件：可辩护性。 最可能死在"你调的到底是混响还是别的东西"。最便宜的规避方式：不追求绝对 RT60 数值，改用同一房间内的相对档位并逐档实测衰减曲线，把混响当序数变量而不是连续变量报告；SNR 则用可编程的定量干扰声源精确控制。
器材与周期： ESP32-S3 开发板 ×2 + INMP441 I2S 麦克风 ×2 + 声级计 + 吸音棉与支架，总计约 ¥600，5–7 天到货。
E573–91
边缘推理延迟的尾巴：为什么整个类目里只有交换机那条报了 p99
框架同一颗 MCU 跑同一个模型，第 99 百分位的推理延迟是均值的几倍？这条尾巴由什么产生——Wi-Fi 协处理器抢占、cache miss、中断，还是电源管理？
你自己的那一点把延迟从一个数变成一个分布，再把尾部事件归因到具体中断源。做法：用 GPIO 翻转配合逻辑分析仪在推理入口/出口打点（不依赖被测固件自己的时间戳），同时打点中断服务例程做时间对齐。学生贡献的是归因这一步，不是"测出一个更小的延迟"。
擦过的已有工作： EBED029（FPGA Switch for More Efficient Data Centers, 2026 Special Award） 是本类目两届里唯一把 p99 当主指标的项目——摘要明确写 "maintain a fixed p99 latency target"、"p99 latency below 30 ms"，并直接测量延迟分布。与之相对：EBED041（Novel PDM Operators, 2025 Grand Award + Special Award） 报 "4 ms latency"、EBED023（Sensora, 2026 Grand Award） 报 "classify alerts within half a second"、EBED038（Hindsight, 2026 Grand Award + Special Award） 报"平均提前 6.9 秒告警"——这三条摘要都只给单点或均值，未见延迟分布。缺口正好在 MCU 侧。（注：此处只引用 EBED041 的延迟数字，本课题不做波束成形，与淘汰表那条无关。）
约束条件：可辩护性。 测出分布很容易，把尾巴归因到具体原因才是评委会追的地方。最便宜的规避方式：用能单独开关的干扰源（Wi-Fi 关/开、锁频/不锁频、DMA 开/关）做受控消融，每次只动一个变量。
器材与周期： ESP32-S3 与 STM32 Nucleo 各一块 + 24 MHz 8 通道逻辑分析仪（约 ¥150），总计约 ¥450，3–5 天到货。
E665–83
可穿戴设备的续航是算出来的还是测出来的：能量预算表与实测的对账
框架用数据手册电流 × 占空比推算的续航，和把设备真正放电到关机测出来的续航，差多少？差值主要来自峰值电流下的电池内阻压降，还是来自被推算忽略的空闲态泄漏？
你自己的那一点把"续航"这个单一数字拆成一张可逐项核对的能量预算表（每个状态的电流 × 时长），再用实测反推哪一项被系统性低估。学生贡献的是这张预算表与实测的对账，不是造一个更省电的设备。
擦过的已有工作： EBED049（Dream Mornings, 2026 Special Award） 报告 "battery life is around 10 and a half hours"——一个数字，摘要未说明是推算还是实测，也未报告负载条件。反例在同一届同一类目：EBED026（Scalable Electromagnetic Tactile Display, 2026 Grand Award） 把能量拆到了单次动作粒度，"0.03J when raising or lowering the dot"，12×12 阵列平均功耗 3.24 W，并且摘要明确提到测了电压跌落。一条给了能量预算，另一条只给了一个小时数——这个反差就是课题的出发点。
约束条件：可辩护性（电池个体差异）。 最可能死在"你测的是固件功耗还是这块电池的个体差异"。最便宜的规避方式：同型号 LiPo 至少三块轮换，每块先做恒流放电容量标定，把电池实测容量当协变量而不是常数写进模型。
器材与周期： INA226 功率计模块 ×2 + 电子负载（约 ¥300）+ 3.7 V 500 mAh LiPo ×4 + ESP32-S3，总计约 ¥700，5–7 天到货。展台侧：单块电池远低于 100 Wh 上限，但展出电池仍须按规则申报。
E771–89
两块"相同"的地并不相同：土壤湿度传感器的空间散布能不能吞掉节水主张
框架在同一块菜地里插入 8 支同型号电容式土壤湿度传感器，读数的空间散布有多大？这个散布，和一个智能灌溉系统声称的节水百分比相比，谁更大？
你自己的那一点给"两块相同的地做对照"这类实验补上它缺的那块——处理内方差。先量出同一处理内部的位置/传感器散布，再判断跨处理的差值是否超出这个噪声底，并给出达到指定检出力所需的重复数。这是实验设计的活，不是造灌溉器的活。
擦过的已有工作： EBED003（Really Autonomous Irrigation Network, 2025 Grand Award + Special Award） 用 "two identical plant beds" 对照三个月，报告节水 39–71%、均值 56%，并写 "The plant bed watered by RAIN appeared healthier and greener"。摘要中未见交换处理（AB/BA 轮换）、未见重复、也未见对两块地初始条件差异的表征——每个处理只有一块地。你不是要反驳它的结论，而是要量出"一块地"这个样本量下噪声底有多高。
约束条件：时间窗口（季节）。 8 月到 12 月，进入低温期后土壤含水变化变慢、动态范围压缩。最便宜的规避方式：主实验压在 9–10 月完成，并用受控加水量制造可控的湿度阶跃，不依赖自然降雨；11–12 月只做数据分析与补测。
器材与周期： 电容式土壤湿度传感器 ×8（约 ¥80）+ ADS1115 16 位 ADC ×2 + 烘干法标定用电子天平 0.01 g（约 ¥150）+ 种植箱与土，总计约 ¥550，3–5 天到货。
E857–85
"平均 99% 准确"到底是什么意思：同一批数据换四种准确率定义会得到多不一样的结论
框架拿同一批低成本生理传感器与参考仪器的配对读数，分别用"平均百分比准确率"、MAPE、Bland–Altman 一致性界与相关系数来总结，四个结论会分歧到什么程度？在什么样的数据分布下，"平均 99% 准确"能与"一致性界宽达 ±X"同时成立？
你自己的那一点这是一条方法学课题——学生自己用嵌入式硬件采集全部配对数据，然后把指标选择本身当作自变量，量化结论对指标定义的敏感性，产出一个"什么时候百分比准确率会误导"的判据。贡献不是评价任何一台设备的好坏。
擦过的已有工作： 本类目大量获奖项目使用未定义的百分比准确率——EBED022（Vita Seat, 2025 Special Award）："readings for the pulse rate, blood oxygenation and temperature were on average 99% accurate compared to the expecting readings"；EBED011（Novel Mitigation of Decubitus Ulcers, 2025 Grand Award + Special Award）："greater than 99% accuracy in monitoring"；EBED047T（EquaLife, 2026 Special Award）："over 95% accuracy in position detection"。三条摘要都未给出该百分比的计算定义。
约束条件：时间窗口（人体受试审批）。 最可能死在行政流程：涉及人体受试者须走 ISEF Human Participants 流程并取得 SRC 事前批准，这一段要留出至少 4 周，直接吃掉净窗口的四分之一。最便宜的规避方式：把审批材料在 2026-08 第一周就提交，审批等待期同步用非人体的等效信号源（信号发生器驱动的模拟脉搏/温度通道）跑通全套采集与分析流水线。另注：ISEF 规则 7 要求实测数据，本条不能改用公开数据集绕过审批。
器材与周期： MAX30102 心率血氧模块 ×3 + MLX90614/DS18B20 温度 ×3 + 指夹式脉搏血氧仪作参考器（约 ¥180）+ 医用电子体温计，总计约 ¥500，3–5 天到货（器材不是瓶颈，审批才是）。
E971–89
频闪检测器的混叠地图：采样率与光源基频的哪些组合会把安全灯判成危险灯
框架用光电二极管加 ADC 判断光源是否处于危险频闪频段时，采样率与光源基频构成一张二维平面。平面上哪些区域会因混叠把安全的 PWM 调光灯判成危险频闪（假阳），哪些区域会把真正的危险频闪折叠进安全频段（假阴）？
你自己的那一点把假阳/假阴从"偶发 bug"改写成采样定理的确定性推论，画出可预测的混叠地图，并实证滚动平均这类时域低通对混叠无效——混叠发生在采样瞬间，事后滤波无法还原。这个主张既可推导又可实测，双向可辩护。
擦过的已有工作： EBED031（Optical System for Light Attenuation and Detection, 2026 Grand Award） 摘要明确写："Certain LED and fluorescent light readings showed harmonic frequencies, falsely triggering a strobe detection. This was resolved by implementing noise reduction via a rolling average."——它遇到了假阳并用滚动平均处理，但摘要未报告采样率，也未见任何模拟前置抗混叠措施。它把这当噪声问题；你要检验它是不是混叠问题。同项目还报 "reaction time less than 400ms"、"attenuated over 99% of light"。
约束条件：可辩护性（激励源的可信度）。 最可能死在"你以为激励是 120 Hz，其实灯具驱动器自带高频 PWM"。最便宜的规避方式：不用市售灯具当自变量，改用函数信号发生器 + LED 恒流驱动自建可编程光源，并用示波器加高速光电二极管独立确认实际发出的波形——这一路完全独立于被测系统。全程不使用任何激光。
器材与周期： BPW34/OPT101 光电二极管 ×3 + LED 恒流驱动 + 函数信号发生器（约 ¥400）+ STM32 开发板 + 双通道示波器（学校实验室借用；若自购约 ¥1,200），总计约 ¥900（借用示波器）或 ¥2,100（自购），5–7 天到货。
E1063–81
"无显著差异"不等于"一样"：同型号低成本 PM 传感器的单元间散布与等价性检验的功效
框架三台同型号同批次的低成本 PM 光散射传感器并排共置，读数彼此差多少？在这样的单元间散布下，一个"室内与室外无显著差异（95% 置信）"的结论，需要多少样本才真有能力发现一个实际重要的差异？
你自己的那一点把"接受零假设"换成 TOST 等价性检验，并给出功效—样本量曲线。全部输入数据由学生自己用共置实验产生：单元间一致性是传感器互相之间的比较，不需要参考级仪器，也不需要任何标准气体。贡献是"这个统计主张需要多少数据才站得住"的量化答案。
与已淘汰方向的区别（必须写进研究计划）： 淘汰表那条是"廉价气体传感器交叉敏感性标定"，死于标准气体采购周期与 MQ-135 不给绝对 ppm 精度。本课题不做绝对浓度标定、不需标准气体、不使用 MQ 系列，测的是同型号单元之间的相对一致性与统计推断方式。
擦过的已有工作： EBED027（PUREair, 2026 Special Award） 摘要写："the collected data showed that there is no significant difference in the selected indoor values and outdoor values in 95% confident level collected at the same time"——用未拒绝零假设来支持"没有差异"，摘要中未见功效分析，也未见等价界的设定。同项目另报 "In predicting AQI where sensors are not present, the system achieved 95% accuracy"。
约束条件：原创性。 最可能死在"低成本 PM 传感器一致性"在空气质量监测文献里极可能已被密集覆盖。最便宜的规避方式：把主张收窄到统计推断方式而非传感器性能——结论应当是关于检验设计的，不是关于 PMS5003 的；并把这条列为开题前必须补检索的头号目标。
器材与周期： PMS5003 ×3（约 ¥180）+ SHT4x 温湿度 ×3（控制交叉变量）+ ESP32 ×3 + 共置箱，总计约 ¥600，3–5 天到货。
E1172–90
多节点姿态融合的隐藏误差源：MCU 之间不同步的采样时刻等价于多少度角度误差
框架三个各带 IMU 的 MCU 节点绑在身体不同部位做姿态融合时，各节点采样时刻并不对齐。晶振频差（ppm）加上无线传输抖动造成的时间偏差，在给定角速度下等价于多少度的姿态误差？
你自己的那一点给多节点可穿戴系统建一份时间同步误差预算，并把时间误差换算成该系统自己关心的物理量。做法：用一路共享硬件触发脉冲同时打到三个节点的 GPIO，作为独立于被测通信链路的地面真值时基，测出各节点自报时间戳相对真值的偏差与漂移。学生贡献的是"时间误差 → 角度误差"这条换算链。
擦过的已有工作： EBED047T（EquaLife, 2026 Special Award） 用胸部与双大腿的 IMU 做传感器融合算欧拉角，报 "over 95% accuracy in position detection"，摘要中未见节点间时间同步方案。EBED049（Dream Mornings, 2026 Special Award） 明确用两台微计算机经 BLE 协同判决唤醒时机，摘要同样未报告两端时基如何对齐。EBED040（LoRa SAR, 2026 Grand Award + Special Award） 以 5 Hz 在多节点网格间转发遥测，摘要报的是 RSSI 与 SNR，未见时间同步。注意本条与淘汰表那条 LoRa 方向不同：那条比链路预算实测对理论，这条测时基。
约束条件：可辩护性（参考时基自身可信度）。 最可能死在"你的参考脉冲传到三个节点的走线延迟不同"。最便宜的规避方式：用同一台信号发生器加等长杜邦线分发触发脉冲，先用逻辑分析仪实测三路到达差（应在纳秒级，比待测的毫秒级偏差小三个数量级以上），把这个余量作为误差预算的第一行写出来。
器材与周期： ESP32-S3 ×3 + ICM-42688/MPU6050 ×3 + 8 通道逻辑分析仪 + 函数信号发生器 + 步进电机自制可编程转台（约 ¥250），总计约 ¥900，5–7 天到货。
E1264–82
感应线圈的本底噪声决定了它能探多远：75–309 kHz 频段在三类真实环境的噪声谱与检出限
框架一个自绕感应线圈在 75–309 kHz 频段的本底电磁噪声，在实验室、住宅、教学楼里各是多少？据此反推：要维持某个方位角误差指标，目标信号至少需要多大信噪比、对应多远距离？
你自己的那一点把"探测系统能探多远"从一个演示数字变成由本底噪声推出的可预测量。贡献是噪声谱的环境依赖性表征与由此导出的检出限模型，不是造一个更灵敏的探测器。被测源用直流无刷电机加电调在实验台上驱动（无人机动力系统的等价件），全程不涉及任何飞行器。
擦过的已有工作： EBED027T（A Novel Magnetic Field-Based UAV Detection System, 2025 Grand Award + Special Award） 用圆形线圈阵列在 75–309 kHz 五个频段捕捉电机的电磁指纹，报 "azimuth error <0.5%"，并在展望里提到用工业绕线、高分辨 ADC 与铁磁芯提升探测距离。摘要中未见本底电磁噪声的表征，也未见检出限（最小可探测场强）的报告——它给了角度精度，没给距离预算。
约束条件：可行性（低噪声前置放大器的自制难度）。 最可能死在"你测到的是你自己放大器的噪声，不是环境噪声"。最便宜的规避方式：先做一次输入短路的噪声本底测量，确认放大器等效输入噪声显著低于环境噪声；若做不到，就把结论降级为"在本装置噪声本底之上，三类环境呈现如下相对差异"，并诚实标注该限制。展台侧：通电无人机禁止，本课题从设计上不带飞行器，天然规避。
器材与周期： 漆包线与骨架自绕线圈 ×4（约 ¥60）+ 低噪声运放模块 ×2 + 24 bit 音频采集卡（约 ¥300）+ 直流无刷电机与电调（约 ¥180）+ 屏蔽盒，总计约 ¥1,100，7–10 天到货。
E1366–94
同一个模型、同一颗芯片、换一版编译器：MCU 推理结果还是逐位一致的吗
框架把同一份量化后的 TFLite Micro 模型，用不同版本编译器、不同优化等级、开关不同硬件加速后端编译到同一颗 MCU 上，输出张量是否逐位一致？若不一致，有多少比例的样本会因此跨过分类边界而改变标签？
你自己的那一点给"边缘 AI 结果可复现"这个被普遍默认的前提做一次实证检验，并把不一致量化到会改变结论的层面——不是"最后一位不同"，而是"多少个样本被翻转"。产出还包括一份"报告边缘推理性能时必须同时报告哪些工具链信息"的清单。
擦过的已有工作： EBED038（Hindsight, 2026 Grand Award + Special Award） 把多层 2D CNN 完全跑在低功耗 MCU 上；EBED023（Sensora, 2026 Grand Award + Special Award） 在 ESP32 双核上跑板载推理；EBED032（Early Wildfire Detection Using Edge AI, 2025 Grand Award + Special Award） 在边缘设备上带 TPU 做 50 层网络的部署后再训练。这三条摘要都未报告编译器版本、优化等级或推理后端——按摘要给出的信息，第三方无法逐位重现它们的数字。跨类目检索中最接近的是 ROBO040（2024 Third Award，为微控制器优化的对数定点数系统），但 2022–2024 语料只有标题，不能据此断言它做了或没做可复现性检验。
约束条件：意义。 最可能死在"评委觉得这只是软件版本管理问题"。最便宜的规避方式：把结论一路推到分类边界翻转的样本比例，并挑一个后果明确的应用（如告警类分类器的假阴）展示影响；同时交付一份可执行的复现清单作为工程产出。
器材与周期： ESP32-S3 与 STM32 Nucleo 各一块（约 ¥300），其余全部是免费工具链（多版本 GCC / ESP-IDF / CMSIS-NN），纯 CPU 笔记本即可。总计约 ¥300，3–5 天到货。本类目里采购风险最低、时间窗口最宽松的一条。
E1463–81
手调 PID 的散布：同一个人调三次，参数和阶跃响应能差多少
框架对同一套机电装置，同一个人三次独立手调得到的 PID 参数散布有多大？换算到超调量、上升时间、整定时间上分别是多少？用系统辨识（阶跃/扫频求传递函数）加解析整定得到的参数，散布又是多少？
你自己的那一点把"PID 调好了"这个不可复现的说法变成一个有方差的量，做"整定方法 → 闭环性能散布"的对照实验，并给出"报告 PID 控制性能时必须报告哪些量"的结论。这是控制系统课题里少见的、以可复现性为主结论的做法。
擦过的已有工作： EBED002（Spherical Robot: Double-Pendulum Drive & Control, 2025 Grand Award） 摘要写 "PID-based control ensures rapid stabilization after disturbances. Experimental tests confirm the robot's ability to maintain balance"——既未给出整定后的参数，也未给出超调、整定时间等定量指标，更未说明参数是怎么得到的。EBED035T（Hot-Air Balloon Detection And Tracking, 2026 Grand Award + Special Award） 用 PID 驱动双云台跟踪并报了检测精度与召回，但摘要未报告云台闭环的动态指标。EBED033T（BrailleSense, 2025 Grand Award） 用 AS5600 编码器闭环 PID 控制鼓轮位置，称 "reliable and fast transitions"，摘要未见整定方法。
约束条件：可辩护性（被控对象漂移）。 最可能死在"三次实验之间装置本身变了——皮带张力、轴承摩擦、电池电压"。最便宜的规避方式：选机械简单、易复位的对象（直流电机转速环或反作用轮倒立摆），每次实验前先跑一次固定的开环辨识作为对象状态指纹，漂移超阈值就废弃该次数据。
器材与周期： 带编码器直流有刷电机（约 ¥120）+ 电机驱动 + STM32 开发板 + 3D 打印反作用轮件（约 ¥200）+ 直流稳压电源（约 ¥250），总计约 ¥900，5–7 天到货。
E1565–83
贴在身上的天线：人体近场对 BLE 链路的影响会给"实时告警"加多少延迟
框架同一对 BLE 节点，一个放桌面、一个贴在人体等效仿体上，RSSI 与丢包率差多少？在应用层看到的告警端到端延迟分布，尾部会被推高多少？
你自己的那一点把"可穿戴 + 无线 + 实时告警"三者的交互项测出来——量化"人体近场 → 丢包 → 重传 → 告警延迟尾部"这条完整传导链，而不是做天线设计。仿体用密封容器装组织等效盐水，主实验在实验室完成，人体只做少量验证性对照。
擦过的已有工作： EBED049（Dream Mornings, 2026 Special Award） 的可穿戴端戴在手套上，经 BLE 与床边 Raspberry Pi 通信并由后者决定何时响铃——摘要报告了续航，未见链路可靠性或端到端延迟。EBED010（e-Vision, 2026 Special Award） 是佩戴在身上的 Raspberry Pi Zero 2W，紧急功能经 Telegram 向联系人发告警，摘要未见告警送达延迟或成功率。EBED047T（EquaLife, 2026 Special Award） 用网页端实时显示体位与压力风险，同样未见链路指标。本条与淘汰表的 LoRa 方向不同：那条比自由空间路径损耗实测对理论，这条测人体近场失谐/吸收如何经协议栈放大成延迟尾部。
约束条件：可辩护性（混淆变量）。 最可能死在"你测到的是人在动，不是人体近场"。最便宜的规避方式：主实验全部用固定姿态的仿体（可重复、可控），人体活体测量降级为验证性对照；同时记录同时刻周边 2.4 GHz 频段占用作为协变量，把 Wi-Fi 干扰从人体效应里分离出来。展台注意：禁液体——盐水仿体只用于实验阶段，不带到展台。
器材与周期： ESP32-C3 ×4（约 ¥120）+ 逻辑分析仪 + 密封仿体容器与生理盐水（约 ¥80）+ 定位支架与标尺，总计约 ¥450，3–5 天到货。