Sistema de Monitorización de la Salud de Estudiantes con Asignación de Recursos en la Nube Optimizado con Atención Optimizada Mejorada por Grafos Temporales Mejorados

Summary

Este protocolo describe una red convolucional optimizada con grafos temporales mejorados por atención para la monitorización de la salud estudiantil basada en Internet de las Cosas (IoT) en la nube.

Abstract

Los avances en la tecnología de sensores han allanado el camino para la rápida expansión de las aplicaciones del Internet de las Cosas (IoT) para construir sistemas de monitorización conductual y fisiológica, como un sistema de monitorización sanitaria estudiantil basado en IoT. El estatus de la observación de la salud estudiantil es necesario porque el número de estudiantes que sobreviven a la soledad está aumentando en grandes áreas geográficas. Este artículo de investigación presenta un enfoque denominado Asignación de Recursos en la Nube con Soporte para Internet de las Cosas para el sistema de monitorización de salud de estudiantes con atención optimizada con grafos temporales mejorados en grafos temporales (HMS-AETGCN-NGOA-IoT). El HMS-AETGCN-NGOA-IoT propuesto se implementa usando MATLAB. Para detectar el estado de salud de los estudiantes, se consideran métricas de rendimiento como precisión, exactitud, puntuación F1, Recordatorio (Sensibilidad), Especificidad, Tasa de error, Tiempo de cálculo y ROC. El enfoque HMS-AETGCN-NGOA-IoT logra una especificidad del 19,11%, 24,12% y un 28,13% mayor; 24,93%, 23,04% y 9,51% menos tiempo de cálculo; valores ROC 15,2%, 25,45% y 13,91% más altos; y un 8,45%, 20,98% y un 27,55% de mayor precisión en comparación con el Sistema de Monitorización de la Salud existente basado en la Red Neuronal de Paso de Mensajes para Internet de las Cosas (HMS-MPNN-IoT), el Sistema de Monitorización de la Salud basado en la Máquina de Vectores de Soporte para el Internet de las Cosas (HMS-SVM-IoT) y el Sistema de Monitorización de la Salud basado en métodos de Red Neuronal Profunda para Internet de las Cosas (HMS-DNN-IoT), respectivamente.

Introduction

Una de las áreas de investigación más valiosas y emocionantes es la computación^{en la nube 1}. Este sistema informático compra servicios de estructura y software, así como servicios solicitados por los usuarios a Internet². Varios clientes, incluidas las solicitudes de computación en la nube, están aumentando día tras día. Como resultado, mejorar la velocidad y precisión de la computación en la nube es^{fundamental 3}. La computación en la nube mejora la monitorización de pacientes⁴. La nube ofrece una base estable para tareas informáticas duras y masivas, como el almacenamiento y procesamiento de datos, servicios de dispositivos y otras actividades de procesamiento^{de información 5}. Muchas empresas y personas prefieren la computación en la nube debido a la necesidad de archivar, analizar y comprender grandes cantidades de^{datos 6}. El mercado financiero y la comunidad académica han dado prioridad al sector sanitario recientemente. Debido en gran parte a su potencial para la investigación, esta industria ha atraído una gran cantidad de^{financiación 7}. El sector sanitario está lidiando con varios problemas, como la falta de recursos, altos gastos sanitarios y una gestión ineficiente de los recursos^{hospitalarios 8}. Las tareas logísticas adicionales incluyen la limitada cama, el equipamiento, los especialistas sanitarios, así como el volumen de atención médica que los pacientes^necesitaban.

El seguimiento del paciente suele realizarse de forma pasiva, lo que significa que los equipos médicos controlan la medicina en función de los cambios en el estado de salud del^{paciente 10}. El estado del paciente podía deteriorarse en situaciones de emergencia; Por tanto, el tiempo de respuesta es crucial. El IoT ofrece una amplia gama de oportunidades en el sector de la e-salud¹¹. Esta tecnología tiene la capacidad de avanzar en diversos campos y mejorar los servicios^{sanitarios 12}. El IoT es fundamental para los servicios sanitarios y actúa como acelerador industrial. Las redes de sensores corporales (BSN) analizan características y síntomas fisiológicos mientras transmiten señales críticas para que un médico las examine y así detectar eventos inusuales^{e inesperados 13}. Como resultado, se puede administrar medicación de urgencia para evitar situaciones que pongan en peligro la vida¹⁴.

Utilizando tecnologías inteligentes bajo el IoT, el progreso en la atención médica lo ha facilitado y ha mejorado los servicios de salud¹⁵. El IoT ofrece una plataforma para alcanzar objetivos como mejorar la calidad de vida de quienes están enfermos o discapacitados y facilitar su vida diaria¹⁶. Esto ha facilitado que quienes no pueden estar físicamente con los pacientes puedan prestar atención¹⁷. Si se utiliza correctamente, la rama de estudio conocida como e-salud presenta varias ventajas para la^sociedad. Además, permite el almacenamiento remoto de datos en sistemas en la nube y permite que usuarios autorizados, incluidos especialistas externos y el equipo interno,^{colaboren 19}. También es una plataforma ideal para aplicaciones sanitarias basadas en móviles, tabletas o^PDA.

El uso de smartphones abre varias perspectivas para el desarrollo de servicios y soluciones sanitarias^{eficaces 21}. Además, la mayoría de los sistemas existentes aún presentan limitaciones significativas, como la recopilación, procesamiento y análisis de datos fuera de línea, así como el enfoque exclusivo en el diagnóstico de enfermedades crónicas como enfermedades cardiovasculares y diabetes sin emplear metodologías^{predictivas 22}. Debido a estas limitaciones, el método de observación de la salud estudiantil desarrollado depende del informe de función de salud en los senderos IoT, junto con marcadores biológicos y conductuales al^{mismo tiempo 23}. La plataforma sugerida incluye sensores biológicos y herramientas de enfermería sanitaria para recopilar y almacenar datos de salud de estudiantes^{de 24} años. Los datos adquiridos son luego utilizados por algoritmos de aprendizaje profundo para rastrear el estado general de salud del^{estudiante 25}. Las principales contribuciones del trabajo de investigación se resumen a continuación.

En esta investigación se propone HMS-AETGCN-NGOA-IoT (Figura 1). El seguimiento del estado de salud de un estudiante se realiza evaluando dos tipos de parámetros de la condición de salud: parámetros de cambio conductuales y parámetros de cambio biológico. Para lograr una predicción óptima, se utilizó la técnica de Red Convolucional de Grafos Temporales Mejorados por Atención (AETGCN) para detectar el estado de salud de los estudiantes. El método HMS-AETGCN-NGOA-IoT está implementado en MATLAB, y su efectividad se evalúa utilizando varias métricas de rendimiento (Figura 2). La eficiencia del método sugerido se analiza con los métodos existentes HMS-MPNN-IoT, HMS-SVM-IoT y HMS-DNN-IoT.

Protocol

Todos los materiales, software y equipos necesarios utilizados en este estudio se mencionan en la Tabla de Materiales.

Adquisición y preparación de datos

El conjunto de datos utilizado en este trabajo es el Conjunto de Datos de Salud Mental Estudiantil, que se obtuvo del repositorio público^{de Kaggle 26}. El conjunto de datos contiene preguntas y respuestas autoinformadas recogidas de estudiantes universitarios, cubriendo información demográfica, estrés académico, patrones de sueño e indicadores relacionados con la salud mental. Los datos incluyen tanto condiciones de salud sensibles como no sensibles con una distribución equilibrada, lo cual es adecuado para el aprendizaje supervisado y la evaluación del rendimiento. Este conjunto de datos se divide en dos categorías: eventos sensibles y no sensibles. Los eventos sensibles son las condiciones que amenazan la salud de los estudiantes, como el estrés académico extremo, la falta prolongada de sueño, altos niveles de ansiedad o depresión, y hábitos de vida poco saludables como fumar y beber en exceso, mientras que los eventos no sensibles se asocian con una salud mental normal o estable. Este conjunto de datos se divide en conjuntos de entrenamiento y de prueba, asignando el 70% de las muestras para entrenamiento y el 30% para probar el modelo. Implementa una validación cruzada diez veces mayor para la evaluación del modelo.

Preprocesamiento de datos usando filtrado recursivo bidireccional (TWRF)

Aplica TWRF para eliminar ruido del conjunto de datos^{de entrada 27}. Implementa el proceso de filtrado usando la formulación matemática: Para una fila de entrada X con valor_{x i} en el nodo i, aplica el filtro recursivo.

y_i = a₁y_i-1 + a₂y_i-2 + ... + a_{ky i-k} + b_{0x i} + b₁x_i-1 + ... + b_{kx i-k}

donde a representa coeficientes negativos y b representa los valores actuales de los datos. Calcula el valor usando la función nodo:

f(i) = min(255, max(0, round(_{y i})))

donde el parámetro 255 representa el valor máximo de filtrado. Calcular el vector producto nodo y determinar el valor de filtrado deseado. Ejecuta el proceso completo de TWRF para generar datos limpios y preprocesados usando la ecuación final de filtrado.

Extracción de características mediante transformada adaptativa de sincronización de extracción (AST)

Aplica AST para extraer características de los datos^{preprocesados 28}. Extrae 12 características numéricas: edad, peso, latido, horas de sueño, glucosa en ayunas, colesterol, HDL, LDL, triglicéridos, TSH, T4 y T3. Las características anteriores se seleccionan por su gran relevancia clínica en la evaluación de condiciones de salud física^{y mental 22.} Por ejemplo, el latido cardíaco y las horas de sueño representan estrés y fatiga, mientras que los valores de azúcar y lípidos en sangre (colesterol, HDL, LDL, triglicéridos) representan la salud metabólica, y las hormonas tiroideas (TSH, T3, T4) representan el estado de ánimo y la salud mental. Extrae 5 características nominales como el sexo, la temperatura corporal, la presión corporal, el consumo de cigarrillos y el consumo de alcohol. Estas características se extraen porque definen variables demográficas, fisiológicas y de estilo de vida importantes que afectan al estado de salud. Utiliza el método de identificación de curvas de cresta dentro de AST usando la representación tiempo-frecuencia:

AST_x(t,ξ) = SET_x(t,ξ)δ(ξ -_{ξ x}(t))

Aplicar el algoritmo de extracción de crestas adaptativas para reducir los elementos de interferencia y extraer características óptimas.

Implementación y optimización del modelo

Configura la red convolucional de grafos temporales mejorados por atención (AETGCN) para la detección del estado de salud²⁹usando la convolución de grafos

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

donde h_i es la característica del nodo i, W es la función de peso y c_ij es el término normalizador.

Implementar el propósito de las unidades AT-GCN usando los mecanismos de compuerta y los estados de salida. Incorpora mecanismos de atención espacial y temporal:

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

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

Calcular puntuaciones de significancia normalizadas e implementar atención temporal para ponderar la importancia del marco.

Implementación del algoritmo de optimización del Halcón del Norte (NGOA)

Inicializar NGOA para optimizar los parámetros^{AETGCN 30} con matriz de población:

X = [X₁, X₂, ..., X_n]^T

Evalúa la función objetivo para cada miembro de la población. Implementa la fase de exploración para la identificación de presas:

P_i =_{X k}, i = 1,2,...,N, k = 1,2,...,i-1,i+1,...,N

X_i^new, P¹ = {X_i + r(P_i - IX_i), FP_i < F_{iX i} + r(X_i - P_i), FP_i ≥ F_i

Ejecuta la fase de explotación para optimizar los parámetros:

X_i^new, 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

Optimiza iterativamente los parámetros de peso hasta que se cumplen los criterios de terminación.

Entrenamiento y evaluación de modelos

Entrena el modelo AETGCN optimizado usando las características procesadas. El rendimiento del modelo propuesto se midió utilizando una matriz de confusión calculando los valores de verdadero positivo (TP), verdadero negativo (TN), falso positivo (FP) y falso negativo (FN) para eventos de salud sensibles y no sensibles. Utilizando estos valores, se calcularon métricas de rendimiento como precisión, precisión, recuerdo, puntuación F1, especificidad, tasa de error y ROC para medir la capacidad de clasificación del modelo propuesto. Los resultados se compararon con modelos HMS-MPNN-IoT, HMS-SVM-IoT y HMS-DNN-IoT utilizando el mismo entorno experimental, y la complejidad computacional se midió usando el tiempo de ejecución que tardó en procesar.

Results

Los resultados representativos validan la eficacia del enfoque propuesto HMS-AETGCN-NGOA-IoT para identificar cuestiones de salud sensibles y no sensibles de los estudiantes. La mayor precisión y los valores de puntuación F1 demuestran la eficacia del mecanismo de atención en la red convolucional de grafos temporales para identificar los patrones temporales y las relaciones de las características de salud. Las curvas de alta especificidad y ROC aseguran una identificación precisa con men...

Discussion

El modelo propuesto HMS-AETGCN-NGOA-IoT demuestra un avance significativo en la monitorización automatizada de la salud estudiantil al integrar eficazmente la adquisición de datos IoT con un sofisticado marco de aprendizaje profundo. El núcleo del éxito de este modelo reside en la Red Convolucional de Grafos Temporales Mejorados por la Atención (AETGCN), diseñada específicamente para manejar la naturaleza compleja, relacional y dependiente del tiempo de los datos de salud. Al modelar a l...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	MathWorks		R2023a o posterior
Sistema operativo	Windows 10
Ordenador personal	N/A		Memoria: 8 GB de RAM
Procesador	Intel, Core i5
Conjunto de datos de salud mental estudiantil	Kaggle		https://www.kaggle.com/datasets/shariful07/student-mental-health