從感測器到果蠅大腦：
仿果蠅電子鼻的全部程式

⬇ 下載全部程式（zip）

1. 安裝 Python 3.11 以上（Windows 安裝時勾選「Add Python to PATH」）。
2. 下載並解壓縮程式，打開終端機（Windows：PowerShell），進到 code 資料夾。
3. 建立虛擬環境並安裝套件：

# macOS / Linux
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# Windows PowerShell
py -m venv .venv
.venv\Scripts\Activate.ps1
pip install -r requirements.txt

4. 確認一切正常：python -m pytest -q，應顯示 25 passed。
5. 還沒有感測器也能練習：先產生模擬資料並跑一次完整流程。

python experiments/make_demo_data.py             # 產生 data/demo_calibration 與 data/demo_banana（模擬）
python experiments/make_features.py data/demo_calibration
python experiments/make_features.py data/demo_banana
python experiments/e2_compare_methods.py data/demo_calibration

第一次設定 M5Stack

1. 用 M5Burner 把 UIFlow 2 韌體燒進 Core2（或 CoreS3），燒錄時填入 WiFi 名稱與密碼。
2. 開啟 UIFlow 2 網頁編輯器（uiflow2.m5stack.com），用裝置上顯示的 API Key 連線。
3. 接線：三個 Unit 用 Grove 分接器一起接到 Port A（紅色）。I²C 位址不衝突：BME688 0x77、SGP30 0x58、SCD40 0x62。
4. 在 Blockly 模式可以從 Unit 的「＋」加入 ENV Pro、TVOC、CO2，選 I2C0／Port A，積木會出現在 Unit 分類下。本研究用 Python 模式，因為要輪流切換加熱溫度，積木寫起來很長。

三個 Unit 在 UIFlow 2 的程式寫法

以下 API 是研究助手直接讀 M5Stack 官方 uiflow-micropython 原始碼（2026-09-18 版）整理的，標「推論」的部分尚未確認。

為什麼 BME688 每 3 秒才讀一次

金屬氧化物感測器在不同加熱溫度下對不同氣體敏感，所以同一顆 BME688 換 5 種溫度，就像有 5 顆不同的感測器。UIFlow 2 的驅動一次只能設一個溫度，而且 2 秒內重讀會回傳上一次的快取，所以程式每 3 秒讀一次、讀完立刻換下一段溫度，15 秒輪完一圈。沒有讀 BME688 的那幾秒，資料行的 step 欄填 -1。

記錄器程式 enose_logger.py

把整份貼進 UIFlow 2 的 Python 編輯器，改最上面的設定（TRANSPORT、LAPTOP_IP、BOARD），按「Run」測試，確定沒問題再按「Download」存進裝置。

上機後第一次檢查

1. 螢幕上 gas0…gas4 輪流出現，而且數字彼此不同（溫度越高電阻通常越低）。如果連續兩次一模一樣，代表讀到快取，把 BME_PERIOD_S 改成 4；之後匯出模型時也要加 --bme-period 4，讓獨立判斷程式用同樣的節奏。
2. 對著盒子哈一口氣或靠近酒精棉片：eth 應該明顯下降（SGP30 的原始訊號在有乙醇時變小），co2 應該上升。
3. 如果 eth 和 h2 反應看起來對調，把 measure_raw() 的兩個變數對調（原始碼的回傳順序是研究助手讀出來的，尚未上機確認）。

資料格式（一行一秒）

D,<ms>,<step>,<heater_c>,<gas_ohm>,<temp_c>,<rh_pct>,<pressure_hpa>,<ethanol_raw>,<h2_raw>,<tvoc_ppb>,<eco2_ppm>,<co2_ppm>
D,63000,1,240,118342.0,25.31,56.20,1011.42,17520,13210,12,410,468

接收程式 record.py

python record.py --list-ports                                   # 找序列埠名稱
python record.py --serial COM3 --monitor                        # 只看即時數值，不存檔
python record.py --serial /dev/tty.usbserial-XXXX --out data/2026-11-03_E1/raw.csv
python record.py --udp 5005 --out data/2026-11-03_E1/raw.csv    # WiFi

程式會問樣本編號，然後帶你走「換氣 120 秒 → 放入樣本按 Enter → 量測 240 秒 → 取出按 Enter → 回復 300 秒」。每一筆資料都會標上 sample_id、phase（purge／sample／recover）和階段內的秒數。等你按 Enter 的時間（開盒、放樣本）不會存，避免把開盒時的空氣算進基準。時間可以用 --purge --sample --recover 調整（E1 量完回復時間後可以縮短）。

每次量測要變成一列「特徵」才能給模型。自己手打一份 labels.csv（每個樣本一列），和 raw.csv 放同一個資料夾：

# E1–E4 校正實驗
sample_id,label,concentration,rh_level,date
C0001,ethanol,1.0,mid,2026-11-03
C0002,acetic_acid,0.5,mid,2026-11-03

# E7 香蕉實驗
sample_id,batch,banana,storage,day,label,brown_pct,brix,ph,weight_loss_pct,inedible_votes
B1-r03-d04,1,B1-r03,room,4,ripe,6.5,,,3.1,0

然後執行 python experiments/make_features.py data/2026-11-03_E1，得到 features.csv。每次量測的 8 個氣味特徵：

用「相對變化量」的原因：金屬氧化物感測器的基準每天會飄，同一瓶酒精今天和明天的原始電阻不同，但相對變化量接近（E1b 就是在驗證這件事）。

三層各做什麼

模型設計重點（可以寫進討論）

我們用連結體的哪一部分

只用嗅覺路徑中的一段：觸角葉投射神經元（PN）→ 蕈狀體 Kenyon 細胞（KC）的突觸。教科書的蕈狀體模型假設「每個 KC 隨機接 7 個 PN」，現在可以換成真實果蠅的接線，看看結果有沒有差別（實驗 E2c）。

取得接線資料的三種方法

專案附的 kc_glomerulus_R.csv 是用方法 C 從 male-cns v1.0 抽出來的。方法 B 的程式已寫好，但還沒有用真的 token 測試過。

# 方法 B 的核心（enose/connectome.py）
from neuprint import Client, NeuronCriteria, fetch_adjacencies
client = Client("neuprint.janelia.org", dataset="male-cns:v1.0", token=token)
neurons, connections = fetch_adjacencies(NeuronCriteria(class_="ALPN"),          # 來源：PN
                                         NeuronCriteria(class_="Kenyon_Cell"),   # 目標：KC
                                         properties=["type", "instance", "class", "somaSide"],
                                         client=client)
# connections 的欄位：bodyId_pre, bodyId_post, roi, weight（突觸數）

真實果蠅的接線長什麼樣

電子鼻的 PN 要對應到哪個嗅小球？

我們的感測器不是果蠅的嗅覺受器，所以「哪個感測通道 = 哪個嗅小球」大部分是工程上的選擇，不是生物事實。程式把對應寫在 channel_map.csv，可以打開來看、也可以改：

• co2+ → V 嗅小球：果蠅的 CO₂ 受器神經元（Gr21a/Gr63a）只送到 V 嗅小球（Suh 等人，2004），這一個有生物根據。
• 其他 15 個 PN → 依「送到 KC 的突觸數」由多到少分配嗅小球。
• 文獻中醋酸會活化 DC4、DP1m、DP1l，乙酸乙酯會活化 DM4、DM1，但我們的感測通道不是單一氣體通道，所以沒有硬套。乙醇在果蠅上找不到明確對應的嗅小球。

真實資料的樣子：右腦 1,891 個 KC 收到 54 個嗅小球的單一嗅小球 PN 輸入，每個 KC 接收的嗅小球數中位數是 5，和「每個 KC 約 5–7 個爪（claw）」的描述一致；V 嗅小球（CO₂）確實有 1,633 個突觸送到 KC，所以 co2+ → V 的生物對應可以成立。只取電子鼻用到的 16 個嗅小球時，有 1,784 個 KC 至少收到其中一個的輸入，平均 2.7 個。

每支程式都可以加 -h 看說明。以下指令在 code/ 資料夾執行。★ 是果蠅核心實驗，全部重用同一份 E1 資料，不必另外量。完整設計見研究計畫的實驗總表。

E1 感測器特性（6 種稀釋）、E1b 漂移、E1c 組合編碼

python record.py --serial COM3 --out data/E1/raw.csv       # 每天量，都附加在同一個檔
# 手打 data/E1/labels.csv：sample_id,label,concentration,rh_level,date
#   concentration 用 0.1 / 0.25 / 0.5 / 1 / 2 / 4；rh_level 用 low / mid / high
python experiments/make_features.py data/E1
python experiments/e1_sensor_characteristics.py data/E1
python experiments/e1b_drift.py data/E1 --gas ethanol --concentration 1.0
python experiments/e1c_receptor_diversity.py data/E1

11 月第 1 週決策點：先量 0.25、1、4 倍各 3 次，就跑 make_features.py 和 e3_concentration.py。如果果蠅模型在 0.25 或 4 倍明顯不行，代表真實感測器的比例會隨濃度改變，要回報並討論是否加 PN 非線性、縮小濃度範圍。

★ E2 標準辨識（非劣性）與 E2b 元件消融

python experiments/e2_compare_methods.py data/E1 --group date
python experiments/e2b_ablation.py data/E1 --group date

E2 看果蠅模型和最好的傳統方法差幾個百分點（H1：≤ 5）。E2b 一次拿掉一個果蠅機制，看哪一項能力掉最多：這是回答「果蠅的每一步有什麼用」的關鍵實驗。

★ E3 濃度外推

python experiments/e3_concentration.py data/E1 --train-concentration 1.0

只用 1 倍濃度訓練，測 0.1–4 倍。圖上同時畫出「傳統方法＋果蠅正規化」：如果它也變好，代表果蠅的原理可以移植，這也是正向結論。

★ E4 提早判斷

python experiments/e4_early_decision.py data/E1 --test-days 2

不用重量：把原始記錄在樣本放入後 30–120 秒截斷，用截斷前 15 秒的平均，看多早就能判斷。若 60 秒就夠，E7 的量測時間可以縮短。模擬中 60 秒時各方法都有 0.83–0.92，果蠅模型沒有專屬優勢，30 秒時反而較差，所以這是「實用目標」而不是果蠅假設。

★ E5 少樣本

python experiments/e5_few_shot.py data/E1 --group date --shots 1 3 5 10

每類只給幾個樣本（從各種濃度抽），測試集也包含各種濃度。所有方法都能用訓練日的無標籤資料做標準化／適應，比較才公平。

python experiments/e6_continual.py data/E7 --group batch --new-class rotten

E7 香蕉腐敗、E7b 相關分析、褐斑面積

python experiments/browning_area.py photos/day04 --out data/E7/browning_day04.csv --preview
# 把 brown_pct 等填進 data/E7/labels.csv
python experiments/make_features.py data/E7
python experiments/e7_banana.py data/E7                     # 果蠅模型＋8 個強度神經元
python experiments/e7_banana.py data/E7 --intensity-pns 0   # 只看比例（H6 的對照）
python experiments/e7b_correlation.py data/E7

腐敗主要是「味道變強」，只看比例的果蠅模型會把強度丟掉，所以判斷熟成要加上強度神經元（H6）。提早天數的定義見研究計畫。

python experiments/connectome_wiring.py
python experiments/e2c_connectome.py data/E1 --group date
python experiments/e8_humidity.py data/E1

1. 在筆電訓練並匯出：python experiments/export_for_m5stack.py data/E7 --intensity-pns 8 --out firmware/enose_model.json（判斷熟成要加強度神經元；辨認氣體種類用 --intensity-pns 0）（約 70–140 KB）。模型檔裡也存了加熱溫度、BME_PERIOD_S、換氣與量測秒數，M5Stack 會照這些設定量，跟訓練資料一致。記錄時若改過，匯出要加 --bme-period、--purge、--sample。
2. 用 UIFlow 2 的檔案管理，把 mb_infer.py、enose_model.json 上傳到裝置，再把 enose_classifier.py 當主程式。
3. 操作：按 A 開始換氣 120 秒 → 放入水果按 A → 量測 240 秒 → 螢幕顯示 FRESH／RIPE／OVERRIPE／ROTTEN 與信心度，同時從序列埠印出 RESULT,...。

執行 python -m pytest -q。每個測試都對應一個研究上的理由：

• 筆電安裝 Python、建立 .venv、pytest 顯示 25 passed
• 用模擬資料把 E1–E6 每支程式跑過一次，看懂每張圖
• M5Burner 燒 UIFlow 2、設定 WiFi、網頁編輯器連線
• 接上三個 Unit，執行 enose_logger.py，螢幕數值正常
• 確認 gas0–gas4 數值彼此不同（沒有讀到快取）
• 確認 SGP30 乙醇與氫氣欄位沒有對調（酒精棉片測試）
• record.py --monitor 用 USB 收到資料
• （選做）改成 UDP，用 WiFi 收到資料
• 用清水跑一次完整 SOP，make_features.py 沒有缺值
• 執行 connectome_wiring.py，讀懂 channel_map.csv 的對應理由
• （選做）申請 neuPrint token，用方法 B 重建接線表並比對
• 拍 5 張香蕉照片，調好 browning_area.py 門檻並固定
• 匯出模型、上傳到 M5Stack，實測獨立判斷的速度與記憶體

勾選狀態只存在這台瀏覽器。