研究で扱う生体信号（EEG/PPG）を、ブラウザやスマホアプリから送ると「集中度」「ストレス度」を返すAPIを学習用に実装したリポジトリです。

このリポジトリは、以下のスキルを1つにまとめて学べる構成になっています。

• FastAPIでの非同期API設計
• 前処理と推論パイプラインの組み立て
• PostgreSQLへのログ保存
• Dockerでの再現可能な環境構築

• 生体信号の受信 → 前処理 → 推論 → 保存 という一連の流れを体験する
• 研究コードを「サービスとして提供できる形」に変換する力を身につける
• 面接で説明できる、実用的な設計・実装を作る

docker compose up --build

curl -X POST http://localhost:8000/api/v1/predict -H "Content-Type: application/json" -d '{ "user_id": "user-001", "device_id": "device-abc", "signal_type": "EEG", "sampling_rate": 256, "values": [0.1, 0.2, 0.15, 0.05, 0.0, -0.1, -0.05] }'

• 入力: 生体信号の時系列データとメタ情報
• 出力: 集中度・ストレス度・モデルバージョン・ログID

例:

{
  "focus_score": 0.58,
  "stress_score": 0.42,
  "model_version": "stub-0.1.0",
  "log_id": 1
}

.
├── app/
│   ├── api/           # APIエンドポイント
│   ├── core/          # 設定読み込み
│   ├── db/            # DB接続と初期化
│   ├── models/        # DBテーブル定義
│   ├── schemas/       # 入出力の型定義
│   └── services/      # 前処理・推論・ログ保存
├── ml_engine/         # 前処理と推論の実装
├── docker/            # Dockerfile
├── tests/             # テスト（雛形）
└── docker-compose.yml

1. クライアントが生体信号データを送信
2. APIがデータを検証し、前処理に渡す
3. 推論（今はスタブ）でスコアを出す
4. 推論結果をPostgreSQLに保存
5. 結果をレスポンスとして返す

• app/main.py: FastAPIの起動設定とルーティング登録
• app/api/v1/predict.py: 予測APIの本体。前処理→推論→保存をまとめて実行
• app/core/config.py: DB接続設定を環境変数から読み込む
• app/db/session.py: 非同期DBセッションの作成
• app/db/init_db.py: 起動時にテーブル作成
• app/models/analysis_log.py: 解析ログのテーブル定義
• app/schemas/predict.py: リクエスト/レスポンスの型定義
• app/services/preprocess.py: 前処理の入口（本格処理はここに実装）
• app/services/inference.py: 推論フローの統合
• app/services/logger.py: DB保存処理
• ml_engine/preprocess.py: 最小限の特徴量抽出
• ml_engine/model_stub.py: 学習済みモデルの代わりの疑似推論
• docker-compose.yml: APIとDBを一括起動
• docker/app.Dockerfile: API用コンテナのビルド定義

• Mamba/U-Mambaモデルを組み込み、推論部分を置き換える
• 特徴量抽出をMNEやNeuroKitで本格化
• ユーザーごとの平均スコア集計APIを追加
• Alembicでマイグレーション管理
• 認証やレート制限を追加して商用に近づける