MAMILS：面向实时嵌入式 EEG 抑郁症诊断的内存感知多目标调度器

基于摘要分析。该研究针对可穿戴 EEG 抑郁症检测中板载 AI 模型计算需求较高、嵌入式多核处理器资源受限的问题，提出 Memory-Aware Multi-Objective Iterative Local Search（MAMILS）算法，通过优化任务调度提升模型部署效率。其贡献重点是部署与资源调度优化，而非摘要已明确验证的新型抑郁症分类模型。 技术机制方面，MAMILS 将内存感知与多目标迭代局部搜索用于任务调度，以应对不同 AI 模型结构带来的资源分配复杂性。摘要涉及总能耗（TEC）、任务总完成时间（Makespan）和吞吐量（Throughput）三个性能指标，但内存约束的表示方式、任务依赖结构、目标权衡、搜索邻域及停止条件尚未验证；也无法确认调度在离线还是运行时执行。 作者报告，在七个 AI 模型的实验中，TEC 平均降低 47.57%，Makespan 平均降低 48.75%，Throughput 平均提高 198.37%，同时维持 ML 与 DL 模型的分类表现。上述数字对应摘要中的跨模型平均结果，但比较基线、硬件配置、工作负载与平均方式未明确，不能据此直接推断其他设备上的收益。作者另报告，板载部署的 EEGNeX 达到 Accuracy 93.4%、Sensitivity 91.6%、Specificity 95.8%；数据集、被试数、数据划分及被试内或跨被试协议尚未验证，因此这些指标不足以确认临床泛化能力。 复现时应核对处理器与内存配置、模型版本、任务映射、能耗测量边界、实时延迟要求及调度开销，并确认分类性能与调度收益是否在一致的测试条件下获得。实验协议、消融及统计信息尚未验证，代码与实现可得性亦尚未验证。作者认为该策略有望支持低功耗实时抑郁症检测系统，但摘要中的工程性能结果不等同于临床有效性验证。