OMAD：面向物质与非物质使用者的设备端精神异常检测

新冠肺炎期间的居家令有助于 flatten the curve（压平曲线），但讽刺的是，它加剧了患有物质使用障碍人群的精神健康问题。利用智能腕表等现成消费级可穿戴设备测量脑电活动信号，并将其实时映射到潜在的心境、行为与情绪变化，在推断精神健康异常方面发挥着显著作用。在本工作中，我们提出实现一个可穿戴的、设备端精神异常检测（OMAD）系统，以检测导致精神健康问题的异常行为与活动，并帮助临床医生设计有效的干预策略。我们提出了一种基于脑电图（EEG）信号的内在伪迹去除模型，以更好地关联细粒度行为变化。我们对伪迹去除与活动识别（主）模块设计了模型压缩技术。我们在卷积神经网络与多层感知机（Multilayer Perceptron）上采用了基于幅度的权重剪枝技术，以在 Nvidia Jetson Nano（最资源受限的可穿戴设备之一）上执行推理阶段。我们使用三种不同的特征提取与伪迹去除组合进行了实验。我们利用来自对照组与治疗组（酒精依赖者）的 EEG 数据，针对不同的物体识别任务，从准确率、F1 分数、内存占用与运行时间方面评估了 OMAD 在剪枝前与压缩后模型上的性能。我们的伪迹去除模型与主活动检测模型分别达到了约 $\approx$ 93% 和 90% 的准确率，且模型大小（70%）与推理时间（31%）显著减少。