Интерфейсы «мозг-компьютер» (ИМК) открывают большие перспективы для восстановления коммуникации у людей с тяжёлыми двигательными или речевыми нарушениями. Воображаемое письмо, как форма двигательного воображения, предлагает интуитивную парадигму для нейронного декодирования на уровне символов. Хотя инвазивные методы, такие как электрокортикография (ЭКоГ), обеспечивают высокую точность декодирования, их хирургические требования создают клинические риски и затрудняют масштабируемость. Неинвазивные альтернативы, такие как электроэнцефалография (ЭЭГ), более безопасны и доступны, но страдают от низкого отношения сигнал/шум и пространственного разрешения, что ограничивает их эффективность при декодировании с высоким разрешением. Передовое машинное обучение в сочетании с извлечением информативных признаков может преодолеть эти ограничения, обеспечивая производительность декодирования на основе ЭЭГ, приближающуюся к инвазивным методам, при этом поддерживая вывод в реальном времени на периферийных устройствах. Была представлена первая, работающая в реальном времени, высокоточная система для декодирования воображаемого текста из неинвазивных сигналов ЭЭГ. Данные ЭЭГ были собраны у 15 участников с использованием 32-канального головного шлема и предварительно обработаны с помощью полосовой фильтрации и реконструкции подпространства артефактов (ASR). Мы извлекли 85 признаков временной области, частотной области и графических признаков, затем применили выбор признаков на основе коэффициента корреляции Пирсона для уменьшения задержки при сохранении точности. Мы разработали гибридную архитектуру EEdGeNet, которая объединяет временную сверточную сеть (TCN) с многослойным персептроном (MLP), обученную на извлеченных признаках и развернутую на NVIDIA Jetson TX2 для вывода в режиме реального времени. Система достигла признаков, модель продемонстрировала минимальную потерю точности < 1%, при этом достигнув 4,51-кратного снижения точности (89,83% ± 0,19%) с задержкой вывода 914,18 мс на символ. Выбор только десяти ключевых значений привел к задержке вывода (202,62 мс) по сравнению с полным набором из 85 признаков. Эти результаты показывают, что неинвазивная ЭЭГ в сочетании с эффективным дизайном признаков и моделей может обеспечить точное нейронное декодирование в режиме реального времени на маломощных периферийных устройствах, открывая путь для создания практичных портативных интерфейсов BCI.