该论文提出了一种名为“生物特征传感器网络”(Biometric Sensor Network, BSN) 的系统，旨在实现 STEM 课堂环境中学生个体参与度(Student Engagement)的实时测量与持续追踪。传统的学生参与度评估方法往往依赖人工观察、自我报告或侵入式设备，难以在真实课堂中大规模、非干扰地应用。本文设计的 BSN 通过分布式感知节点“学生处理单元”(Student Processing Units, SPUs) 捕获行为、情感和认知三类参与度指标，核心设计目标包括非侵入性、非侵犯性、非污名化、实时性、自动性，同时严格保护学生数据安全和隐私。每个 SPU 支持两种工作模式：数据集采集模式和分析模式。在采集模式下，系统临时记录原始视频以构建私有学生参与度数据集，用于模型训练和验证；在分析模式下，SPU 仅对 10 秒视频片段进行端侧实时推理，不存储或传输原始画面。所有视觉处理——包括人脸检测、视线估计和情感分析——均在设备本地完成，确保可识别的视频数据不离开设备。此外，系统还包含安全的后端基础设施，负责设备认证、会话编排和加密数据接入。整体架构综合了硬件设计、计算机视觉流水线、无线网络、安全协议和会话级数据管理。该研究的主要贡献在于提出了一种完整可部署的隐私保护型实时参与度测量系统方案，解决了现有方法在实用性、隐私和实时性之间的平衡问题。适合研究教育技术、情感计算、边缘 AI 和隐私保护计算机视觉的研究人员阅读。由于本文仅为摘要，尚未提供实验验证细节，因此只能作为概念性研究参考。