Optimierte Aufmerksamkeit Verbesserter temporaler Graph Faltungsnetzwerk-basierte Cloud-Ressourcenzuweisung Unterstützt IoT für das Gesundheitsüberwachungssystem der Studierenden

Summary

Dieses Protokoll beschreibt ein optimiertes, aufmerksamkeitsverstärktes temporales Graphen-Konfaltionsnetzwerk für cloudbasierte Internet-of-Things-(IoT)-Gesundheitsüberwachung von Schülern.

Abstract

Die Fortschritte in der Sensortechnologie haben den Weg für die rasche Ausweitung von Internet of Things (IoT)-Anwendungen geebnet, um verhaltensbezogene und physiologische Überwachungssysteme zu entwickeln, ähnlich wie ein IoT-basiertes Gesundheitsüberwachungssystem für Studierende. Der Status der Gesundheitsbeobachtung von Studierenden ist notwendig, da die Zahl der Schüler, die Einsamkeit überleben, in großen geografischen Gebieten zunimmt. Dieser Forschungsartikel präsentiert einen Ansatz namens optimierte Aufmerksamkeit verbesserte temporale Graphen konvolutionelle netzwerkbasierte Cloud-Ressourcenallokation unterstütztes Internet der Dinge für das Gesundheitsüberwachungssystem der Studierenden (HMS-AETGCN-NGOA-IoT). Das vorgeschlagene HMS-AETGCN-NGOA-IoT wird mit MATLAB umgesetzt. Um den Gesundheitszustand der Schüler zu erkennen, werden Leistungskennzahlen wie Präzision, Genauigkeit, F1-Wert, Rückruf (Sensibilität), Spezifität, Fehlerrate, Berechnungszeit und ROC berücksichtigt. Der HMS-AETGCN-NGOA-IoT-Ansatz erreicht 19,11 %, 24,12 % und 28,13 % höhere Spezifität; 24,93 %, 23,04 % und 9,51 % geringere Rechenzeit; 15,2 %, 25,45 % und 13,91 % höhere ROC-Werte; sowie 8,45 %, 20,98 % und eine 27,55 % höhere Genauigkeit als das bestehende Health Monitoring System, das auf dem Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), dem Health Monitoring System basiert auf Support Vector Machine for Internet of Things (HMS-SVM-IoT) und dem Health Monitoring System auf Basis des Deep Neural Network for Internet of Things (HMS-DNN-IoT) basiert.

Introduction

Eines der wertvollsten und spannendsten Forschungsgebiete ist Cloud Computing¹. Diese Rechentechnik kauft Struktur- und Softwaredienste sowie vom Nutzer angeforderte Dienste von Internet². Viele Kunden, einschließlich Cloud-Computing-Anfragen, nehmen täglich zu. Daher ist die Verbesserung der Geschwindigkeit und Präzision des Cloud-Computings entscheidend³. Cloud Computing verbessert die Patientenüberwachung⁴. Die Cloud bietet eine stabile Grundlage für anspruchsvolle und umfangreiche Rechenaufgaben wie Datenspeicherung und -verarbeitung, Gerätedienste und andere Informationsverarbeitungsaktivitäten⁵. Viele Unternehmen und Menschen bevorzugen Cloud-Computing, da es notwendig ist, riesige Datenmengen zu archivieren, zu analysieren und zu verstehen⁶. Der Finanzmarkt und die wissenschaftliche Gemeinschaft haben dem Gesundheitsdienstleistungssektor in letzter Zeit Priorität eingeräumt. Vor allem aufgrund ihres Forschungspotenzials hat diese Branche eine^{große Finanzierung erhalten}. Die Gesundheitsbranche hat mit einer Reihe von Problemen zu kämpfen, wie mangelnde Ressourcen, hohe Gesundheitsausgaben und ineffizientes Management der Krankenhausressourcen⁸. Weitere logistische Aufgaben umfassen die begrenzten Betten, Ausrüstung, medizinische Fachkräfte sowie das medizinische Versorgungsvolumen, das die Patienten benötigen⁹.

Die Patientenüberwachung erfolgt typischerweise passiv, was bedeutet, dass medizinische Teams die Medizin basierend auf Veränderungen im^{Gesundheitszustand des} Patienten kontrollieren. Der Zustand des Patienten kann sich in Notfällen verschlechtern; Daher ist die Reaktionszeit entscheidend. IoT bietet eine breite Palette von Möglichkeiten im E-Health-Sektor¹¹. Diese Technologie hat die Fähigkeit, verschiedene Bereiche voranzubringen und die Gesundheitsversorgung zu verbessern¹². IoT ist für Gesundheitsdienstleistungen von entscheidender Bedeutung und dient als Beschleuniger der Branche. Körpersensornetzwerke (BSNs) analysieren physiologische Eigenschaften und Symptome und senden kritische Signale, die ein Arzt untersuchen kann, um ungewöhnliche und unerwartete Ereignisse zu erkennen¹³. Daher kann Notfallmedikamente verabreicht werden, um lebensbedrohliche Situationen^{zu vermeiden 14}.

Mit intelligenten Technologien unter IoT hat der Fortschritt in der medizinischen Versorgung es erleichtert und die Gesundheitsdienste verbessert¹⁵. IoT bietet eine Plattform zur Erreichung von Zielen wie der Verbesserung der Lebensqualität von Kranken oder Behinderten und der Erleichterung ihres täglichen Lebens¹⁶. Es hat es für diejenigen, die nicht physisch bei den Patienten sein können, die Versorgung¹⁷ erleichtert. Wenn es richtig eingesetzt wird, bietet das Fachgebiet E-Health eine Reihe von Vorteilen für die Gesellschaft¹⁸. Darüber hinaus ermöglicht es die Fernspeicherung von Daten auf cloudbasierten Systemen und ermöglicht autorisierten Nutzern, darunter externe Spezialisten und das interne Team, die Zusammenarbeit¹⁹. Es ist außerdem eine ideale Plattform für^{Gesundheitsanwendungen auf} mobilen, Tablets und PDA.

Die Nutzung von Smartphones eröffnet mehrere Perspektiven für die Entwicklung effektiver Gesundheitsdienstleistungen und -lösungen²¹. Darüber hinaus haben die meisten bestehenden Systeme weiterhin erhebliche Einschränkungen, wie die Offline-Datenerfassung, -verarbeitung und -analyse sowie den Fokus ausschließlich auf die Diagnose chronischer Erkrankungen wie Herz-Kreislauf-Erkrankungen und Diabetes, ohne vorhersagende Methoden^{anzuwenden 22}. Aufgrund dieser Einschränkungen basiert die entwickelte Methode der Schülergesundheitsbeobachtung auf dem Gesundheitsfunktionsbericht in IoT-Trails sowie auf biologische und verhaltensbezogene Marker^{gleichzeitig 23}. Die vorgeschlagene Plattform umfasst biologische Sensoren und Gesundheitspflegetools zur Sammlung und Speicherung von Gesundheitsdaten von^{Studierenden 24}. Die gesammelten Daten werden dann von Deep-Learning-Algorithmen verwendet, um den allgemeinen Gesundheitszustand des Schülers²⁵ zu verfolgen. Die wichtigsten Beiträge der Forschungsarbeit sind im Folgenden zusammengefasst.

In dieser Forschung wird HMS-AETGCN-NGOA-IoT vorgeschlagen (Abbildung 1). Die Überwachung des Gesundheitszustands eines Studierenden erfolgt durch die Bewertung von zwei Arten von Gesundheitsparametern: Verhaltens- und biologische Veränderungsparameter. Um eine optimale Vorhersage zu erreichen, wurde die Attention Enhanced Temporal Graph Convolutional Network (AETGCN)-Technik verwendet, um den Gesundheitszustand der Schüler zu erkennen. Die HMS-AETGCN-NGOA-IoT-Methode wird in MATLAB implementiert, und die Wirksamkeit wird anhand mehrerer Leistungskennzahlen bewertet (Abbildung 2). Die Effizienz der vorgeschlagenen Methode wird mit den bestehenden HMS-MPNN-IoT-, HMS-SVM-IoT- und HMS-DNN-IoT-Methoden analysiert.

Protocol

Alle erforderlichen Materialien, Software und Ausrüstungen, die in dieser Studie verwendet werden, sind in der Materialtabelle aufgeführt.

Datenerfassung und -vorbereitung

Der in dieser Arbeit verwendete Datensatz ist der Student Mental Health Dataset, der aus dem öffentlich verfügbaren Kaggle-Repository²⁶ stammt. Der Datensatz enthält selbstberichtete Fragen und Antworten, die von Universitätsstudenten gesammelt wurden und demografische Informationen, akademischen Stress, Schlafmuster und psychische Gesundheitsindikatoren abdecken. Die Daten umfassen sowohl sensible als auch nicht-sensible Gesundheitszustände mit ausgewogener Verteilung, die für überwachtes Lernen und Leistungsbewertung geeignet ist. Dieser Datensatz ist in zwei Kategorien unterteilt: sensible und nicht-sensible Ereignisse. Sensible Ereignisse sind Zustände, die die Gesundheit der Studierenden bedrohen, wie extremer akademischer Stress, langanhaltender Schlafmangel, hohe Angst- oder Depressionssymptome sowie ungesunde Lebensgewohnheiten wie übermäßiges Rauchen und Trinken, während nicht-sensible Ereignisse mit normaler oder stabiler psychischer Gesundheit verbunden sind. Dieser Datensatz ist in Trainings- und Testsätze aufgeteilt, wobei 70 % der Stichproben für das Training und 30 % für das Testen des Modells zugewiesen werden. Implementiere zehnfache Kreuzvalidierung für die Modellbewertung.

Datenvorverarbeitung mittels zweiseitiger rekursiver Filterung (TWRF)

Wenden Sie TWRF an, um Rauschen aus dem Eingangsdatensatz²⁷ zu entfernen. Implementierung des Filterprozesses mit der mathematischen Formulierung: Für eine Eingabezeile X mit dem Wert x_i am Knoten i wenden Sie den rekursiven Filter an.

y_i = a₁y_i-1 + a₂y_i-2 + ... + a_ky_i-k + b₀x_i + b₁x_i-1 + ... + b_kx_i-k

wobei a negative Koeffizienten und b die aktuellen Datenwerte darstellt. Berechnen Sie den Wert mit der Knotenfunktion:

f(i) = min(255, max(0, rund(y_i)))

wobei Parameter 255 den maximalen Filterwert darstellt. Berechnen Sie den Knotenproduktvektor und bestimmen Sie den gewünschten Filterwert. Führen Sie den vollständigen TWRF-Prozess aus, um saubere, vorverarbeitete Daten mithilfe der finalen Filtergleichung zu erzeugen.

Merkmalsextraktion mittels adaptiver Synchroextraktionstransformation (AST)

Wenden Sie AST an, um Features aus den vorverarbeiteten Daten zu extrahieren²⁸. Extrakt 12 numerische Merkmale: Alter, Gewicht, Herzschlag, Schlafzeiten, Nüchternblutzucker, Cholesterin, HDL, LDL, Triglyzerid, TSH, T4 und T3. Die oben genannten Merkmale werden aufgrund ihrer hohen klinischen Relevanz bei der Bewertung körperlicher und psychischer Gesundheitszustände^{ausgewählt 22}. Zum Beispiel stehen Herzschlag und Schlafzeit für Stress und Müdigkeit, während Blutzucker- und Lipidwerte (Cholesterin, HDL, LDL, Triglyzeride) die Stoffwechselgesundheit darstellen und Schilddrüsenhormone (TSH, T3, T4) Stimmung und psychische Gesundheit darstellen. Extrahiere 5 nominale Merkmale wie Geschlecht, Körpertemperatur, Körperdruck, Zigarettenkonsum und Alkoholkonsum. Diese Merkmale werden extrahiert, weil sie wichtige demographische, physiologische und Lebensstilvariablen definieren, die den Gesundheitszustand beeinflussen. Nutzen Sie die Methode der Erhebung der Gratkurve innerhalb von AST mit der Zeit-Frequenz-Darstellung:

AST_x(t,ξ) = MENGE_x(t,ξ)δ(ξ - ξ_x(t))

Wenden Sie den adaptiven Ridge-Extraction-Algorithmus an, um Interferenzobjekte zu reduzieren und optimale Merkmale zu extrahieren.

Modellimplementierung und Optimierung

Konfigurieren Sie das aufmerksamkeitsverstärkte temporale Graph Convolutional Network (AETGCN) für die Gesundheitsstatuserkennung²⁹mittels Graph Convolution

h_i^(I+1) = σ(∑_j∈N(i) 1/c_ij W^(I) h_j^(I))

wobei h_i das Merkmal des Knotens i ist, W die Gewichtungsfunktion und c_ij der Normierungsterm.

Die Umsetzung des Zwecks der AT-GCN-Einheiten mithilfe der Gate-Mechanismen und Ausgabezustände. Integrieren Sie räumliche und zeitliche Aufmerksamkeitsmechanismen:

Räumlich: e_ij = LeakyReLU(a^T[Wh_i∥Wh_j])

Zeitlich: β_i = q^T tanh(W_hh_i + W_{xx i} + b_h)

Berechnen Sie normalisierte Signifikanzwerte und implementieren Sie zeitliche Aufmerksamkeit für die Gewichtung der Frame-Bedeutung.

Implementierung des Northern Goshawk-Optimierungsalgorithmus (NGOA)

Initialisieren Sie NGOA zur Optimierung der AETGCN-Parameter³⁰ mit Populationsmatrix:

X = [X₁, X₂, ..., X_n]^T

Bewerten Sie die Zielfunktion für jedes Populationsmitglied. Führen Sie die Erkundungsphase zur Beute-Identifikation um:

P_i = X_k, i = 1,2,...,N, k = 1,2,...,i-1,i+1,...,N

X_i^neu, P¹ = {X_i + r(P_i - IX_i), FP_i < F_iX_i + r(X_i - P_i), FP_i ≥ F_i

Führen Sie die Auswertungsphase zur Parameteroptimierung aus:

X_i^neu, P² = {X_i + R(0,1) × (P_i - I×X_i), FP_i < F_iX_i + R(0,1) × (X_i - P_i), FP_i ≥ F_i

Iterativ optimieren Sie die Gewichtsparameter, bis die Abschlusskriterien erfüllt sind.

Modelltraining und -evaluation

Trainieren Sie das optimierte AETGCN-Modell anhand der verarbeiteten Features. Die Leistung des vorgeschlagenen Modells wurde mittels einer Verwirrungsmatrix gemessen, indem die wahren positiven (TP), wahren negativen (TN), falsch-positiven (FP) und falsch-negativen (FN) Werte für sensible und nicht-sensible Gesundheitsereignisse berechnet wurden. Mit diesen Werten wurden Leistungskennzahlen wie Genauigkeit, Präzision, Rückruf, F1-Score, Spezifität, Fehlerrate und ROC berechnet, um die Klassifikationsfähigkeit des vorgeschlagenen Modells zu messen. Die Ergebnisse wurden mit Modellen HMS-MPNN-IoT, HMS-SVM-IoT und HMS-DNN-IoT in derselben experimentellen Umgebung verglichen, wobei die Rechenkomplexität anhand der für die Verarbeitung benötigten Ausführungszeit gemessen wurde.

Results

Die repräsentativen Ergebnisse bestätigen die Wirksamkeit des vorgeschlagenen HMS-AETGCN-NGOA-IoT-Ansatzes bei der Identifizierung sensibler und nicht-sensibler Gesundheitsprobleme von Studierenden. Erhöhte Genauigkeit und F1-Score-Werte beweisen die Wirksamkeit des Aufmerksamkeitsmechanismus im temporalen Graphen-Faltungsnetzwerk bei der Identifizierung der zeitlichen Muster und Beziehungen der Gesundheitsmerkmale. Die hohe Spezifität und ROC-Kurven gewährleisten eine genaue Identifikat...

Discussion

Das vorgeschlagene HMS-AETGCN-NGOA-IoT-Modell zeigt einen bedeutenden Fortschritt in der automatisierten Gesundheitsüberwachung von Studierenden, indem es IoT-Datenerfassung effektiv mit einem ausgefeilten Deep-Learning-Framework integriert. Der Kern des Erfolgs dieses Modells liegt im Attention Enhanced Temporal Graph Convolutional Network (AETGCN), das speziell entwickelt wurde, um die komplexe, relationale und zeitabhängige Natur von Gesundheitsdaten zu bewältigen. Durch die Modellier...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	MathWorks		R2023a oder später
Betriebssystem	Windows 10
Personal Computer	N/A		Speicher: 8 GB RAM
Prozessor	Intel, Core i5
Datensatz für psychische Gesundheit der Studierenden	Kaggle		https://www.kaggle.com/datasets/shariful07/student-mental-health