MAMILS：一种基于记忆感知的多目标调度器，用于实时嵌入式脑电图（EEG）抑郁症诊断

《IEEE Transactions on Parallel and Distributed Systems》：MAMILS: A Memory-Aware Multi-Objective Scheduler for Real-Time Embedded EEG Depression Diagnosis

抑郁症检测中基于嵌入式多核处理器的AI模型优化部署方法研究，提出MAMI LS算法实现任务调度与资源分配优化，在7种AI模型测试中总能耗降低47.57%，任务完成时间缩短48.75%，同时保持93.4%准确率的EEGNeX模型在可穿戴设备上的实时诊断性能。

　　

摘要：

利用从可穿戴医疗辅助诊断系统中获取的脑电图（EEG）信号进行抑郁症检测，已成为情感障碍领域中一种成熟的方法。然而，尽管近期取得了进展，但内置的人工智能（AI）模型仍需要大量的计算资源，这对资源有限的可穿戴医疗设备来说是一个重大挑战。嵌入式多核处理器（MPs）为加速这些模型提供了一个有前景的解决方案。然而，嵌入式MPs有限的计算能力，加上AI模型的结构多样性，使得资源分配变得复杂，并增加了相关成本。为了解决这些挑战，我们提出了一种基于内存感知的多目标迭代局部搜索（MAMILS）算法，以优化任务调度，从而提高AI模型在可穿戴EEG设备上的部署效率。在七个AI模型上的实验结果表明，MAMILS方法在关键性能指标上取得了显著改进：总能耗平均降低了47.57%；模型准确率平均提高了48.75%；吞吐量平均提高了198.37%；同时，无论是机器学习（ML）模型还是深度学习（DL）模型，其分类性能都保持令人满意。特别是，当EEGNeX与可穿戴EEG传感器及内置AI模型集成时，该优化策略在促进低功耗、实时抑郁症检测系统的广泛应用方面展现出巨大潜力，其准确率为93.4%，敏感性为91.6%，特异性为95.8%。