Système de surveillance de la santé des étudiants avec une attention optimisée et un graphe temporel amélioré

Summary

Ce protocole décrit un réseau convolutionnel de graphes temporels optimisé et axé sur l’attention améliorée pour la surveillance de la santé des élèves basée sur l’Internet des objets (IoT).

Abstract

Les avancées technologiques des capteurs ont ouvert la voie à l’expansion rapide des applications de l’Internet des objets (IoT) pour construire des systèmes de surveillance comportementale et physiologique, tels qu’un système de surveillance des soins de santé étudiants basé sur l’IoT. Le statut d’observation de la santé des élèves est nécessaire car le nombre d’élèves survivant à la solitude augmente dans de vastes zones géographiques. Cet article de recherche présente une approche appelée Optimis Attention Enhanced Temporal Graph Enhanced Resource Allocation Network-Based Cloud, supportée Internet of Things for students' Health Monitoring System (HMS-AETGCN-NGOA-IoT). Le HMS-AETGCN-NGOA-IoT proposé est mis en œuvre via MATLAB. Pour détecter l’état de santé des élèves, des indicateurs de performance tels que la précision, la précision, le score F1, la sensibilité (rappel), la spécificité, le taux d’erreur, le temps de calcul et le ROC sont pris en compte. L’approche HMS-AETGCN-NGOA-IoT atteint une spécificité supérieure de 19,11 %, 24,12 % et 28,13 % ; 24,93 %, 23,04 %, et 9,51 % de temps de calcul réduit ; 15,2 %, 25,45 % et 13,91 % de valeurs ROC plus élevées ; et 8,45 %, 20,98 % et 27,55 % de précision supérieure par rapport au système de surveillance de la santé existant basé sur le réseau de neurones de transmission de messages pour l’Internet des objets (HMS-MPNN-IoT), le système de surveillance de la santé basé sur la machine à vecteurs de support pour l’Internet des objets (HMS-SVM-IoT) et le système de surveillance de la santé basé sur les méthodes Deep Neural Network for Internet of Things (HMS-DNN-IoT).

Introduction

L’un des domaines de recherche les plus précieux et passionnants est l’informatique^{en nuage 1}. Cette technique informatique achète des services de structure et logiciels, ainsi que des services demandés par les utilisateurs à Internet². De nombreux clients, y compris les demandes en cloud computing, augmentent de jour en jour. Par conséquent, améliorer la rapidité et la précision de l’informatique en nuage est^{essentiel 3}. L’informatique en nuage améliore la surveillance des^{patients 4}. Le cloud offre une base stable pour des tâches informatiques dures et massives, telles que le stockage et le traitement des données, les services d’appareils et d’autres activités de traitement de^{l’information 5}. De nombreuses entreprises et particuliers privilégient l’informatique en nuage en raison de la nécessité d’archiver, d’analyser et de comprendre d’énormes quantités de^{données 6}. Le marché financier et la communauté scientifique ont récemment donné la priorité au secteur des services de santé. En grande partie grâce à son potentiel de recherche, cette industrie a attiré un important financement⁷. Le secteur de la santé fait face à plusieurs problèmes, tels qu’un manque de ressources, des dépenses de santé élevées et une gestion inefficace des ressources^{hospitalières 8}. Les tâches logistiques supplémentaires incluent le nombre limité de lits, d’équipement, de spécialistes de santé, ainsi que le volume de soins médicaux dont les patients avaient^{besoin 9}.

La surveillance du patient se fait généralement de manière passive, ce qui signifie que les équipes médicales contrôlent la médecine en fonction des changements de l’état de santé du^{patient 10}. L’état du patient pouvait se détériorer en situation d’urgence ; Par conséquent, le temps de réponse est crucial. L’IoT offre un large éventail d’opportunités dans le secteur de la e-santé¹¹. Cette technologie a la capacité de faire progresser divers domaines et d’améliorer les services de santé¹². L’IoT est essentiel aux services de santé et sert d’accélérateur industriel. Les réseaux de capteurs corporels (BSN) analysent les caractéristiques physiologiques et les symptômes tout en transmettant des signaux critiques à examiner par un médecin afin de détecter des événements inhabituels^{et inattendus 13}. Par conséquent, des médicaments d’urgence peuvent être administrés pour éviter des situations mettant la vie^{en danger 14}.

Grâce aux technologies intelligentes de l’IoT, les progrès en matière de soins médicaux ont facilité les choses et amélioré les services^{de santé 15}. L’IoT offre une plateforme pour atteindre des objectifs tels que l’amélioration de la qualité de vie des personnes malades ou handicapées et la facilitation de leur vie quotidienne¹⁶. Cela a facilité la tâche pour ceux qui ne peuvent pas être physiquement avec les patients afin de fournir^{des soins 17}. Si elle est correctement utilisée, la branche d’étude appelée e-santé présente de nombreux avantages pour la^{société 18}. De plus, il permet le stockage de données à distance sur des systèmes cloud et permet aux utilisateurs autorisés, y compris des spécialistes externes et de l’équipe interne, de^{collaborer 19}. C’est également une plateforme idéale pour les applications de santé mobiles/tablettes/^{PDA 20}.

L’utilisation des smartphones ouvre plusieurs perspectives pour le développement de services et solutions de santé^{efficaces 21}. De plus, la plupart des systèmes existants présentent encore des limites importantes, telles que la collecte, le traitement et l’analyse hors ligne des données, ainsi que le fait de se concentrer uniquement sur le diagnostic de maladies chroniques telles que les maladies cardiovasculaires et le diabète sans utiliser de méthodologies^{prédictives 22}. En raison de ces contraintes, la méthode d’observation de la santé des élèves dépend du rapport de fonction de santé dans les pistes IoT, ainsi que des marqueurs biologiques et comportementaux simultanément²³. La plateforme suggérée inclut des capteurs biologiques et des outils de soins infirmiers pour collecter et stocker les données de santé des étudiants^{de 24} ans. Les données acquises sont ensuite utilisées par des algorithmes d’apprentissage profond pour suivre l’état de santé global de l’élève²⁵. Les principales contributions de ce travail de recherche sont résumées ci-dessous.

Dans cette recherche, HMS-AETGCN-NGOA-IoT est proposé (Figure 1). Le suivi de l’état de santé d’un élève se fait en évaluant deux types de paramètres de l’état de santé : les paramètres comportementaux et les paramètres de changement biologique. Pour obtenir une prédiction optimale, la technique Attention Enhanced Temporal Graph Convolutional Network (AETGCN) a été utilisée pour détecter l’état de santé des étudiants. La méthode HMS-AETGCN-NGOA-IoT est implémentée dans MATLAB, et l’efficacité est évaluée à l’aide de plusieurs indicateurs de performance (Figure 2). L’efficacité de la méthode suggérée est analysée avec les méthodes existantes HMS-MPNN-IoT, HMS-SVM-IoT et HMS-DNN-IoT.

Protocol

Tous les matériaux, logiciels et équipements nécessaires utilisés dans cette étude sont mentionnés dans le tableau des matériaux.

Acquisition et préparation des données

L’ensemble de données utilisé dans ce travail est le Student Mental Health Dataset, obtenu à partir du dépôt Kaggle²⁶, accessible au public. Le jeu de données contient des questions et réponses auto-déclarées recueillies auprès d’étudiants universitaires, couvrant des informations démographiques, le stress scolaire, les habitudes de sommeil et des indicateurs liés à la santé mentale. Les données incluent à la fois des conditions de santé sensibles et non sensibles avec une répartition équilibrée, adaptées à l’apprentissage supervisé et à l’évaluation de la performance. Cet ensemble de données est divisé en deux catégories : événements sensibles et événements non sensibles. Les événements sensibles sont les conditions qui menacent la santé des étudiants, comme un stress scolaire extrême, un manque prolongé de sommeil, des niveaux élevés d’anxiété ou de dépression, ainsi que des habitudes de vie malsaines comme le tabagisme et l’alcool excessifs, tandis que les événements non sensibles sont associés à une santé mentale normale ou stable. Cet ensemble de données est divisé en ensembles d’entraînement et de test, allouant 70 % des échantillons à l’entraînement et 30 % aux tests du modèle. Implémentez une validation croisée dix fois plus grande pour l’évaluation du modèle.

Prétraitement des données utilisant un filtrage récursif bidirectionnel (TWRF)

Appliquez TWRF pour éliminer le bruit du jeu de données^{d’entrée 27}. Implémenter le processus de filtrage en utilisant la formulation mathématique : Pour une ligne d’entrée X de valeur_{x i} au nœud i, appliquez le filtre récursif.

y_i = a₁y_i-1 + a₂y_i-2 + ... + a_ky_i-k + b_{0x i} + b₁x_i-1 + ... + b_kx_i-k

où a représente les coefficients négatifs et b les valeurs actuelles des données. Calculez la valeur à l’aide de la fonction nœud :

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

où le paramètre 255 représente la valeur maximale de filtrage. Calculez le vecteur produit du nœud et déterminez la valeur de filtrage souhaitée. Exécutez le processus complet du TWRF pour générer des données propres et prétraitées en utilisant l’équation finale de filtrage.

Extraction de caractéristiques utilisant la transformation d’extraction synchrone adaptative (AST)

Appliquez AST pour extraire des caractéristiques des données^{prétraitées 28}. Extrait 12 caractéristiques numériques : âge, poids, battement du cœur, heures de sommeil, glycémie à jeun, cholestérol, HDL, LDL, triglycérides, TSH, T4 et T3. Les caractéristiques ci-dessus sont sélectionnées en raison de leur forte pertinence clinique dans l’évaluation des troubles de santé physique^{et mentale 22.} Par exemple, le rythme cardiaque et les heures de sommeil représentent le stress et la fatigue, tandis que les valeurs de sucre et de lipides dans le sang (cholestérol, HDL, LDL, triglycérides) représentent la santé métabolique, et les hormones thyroïdiennes (TSH, T3, T4) représentent l’humeur et la santé mentale. Extraire 5 caractéristiques nominales telles que le sexe, la température corporelle, la pression corporelle, la consommation de cigarettes et la consommation d’alcool. Ces caractéristiques sont extraites car elles définissent des variables démographiques, physiologiques et de mode de vie importantes qui influencent l’état de santé. Utilisez la méthode d’identification des courbes de crête dans l’AST en utilisant la représentation temps-fréquence :

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

Appliquer l’algorithme d’extraction de crête adaptative pour réduire les éléments d’interférence et extraire des caractéristiques optimales.

Implémentation et optimisation du modèle

Configurez le réseau convolutionnel de graphes temporels amélioré à l’attention (AETGCN) pour la détection de l’état^{de santé 29}en utilisant la convolution de graphe

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

où h_i est la caractéristique du nœud i, W est la fonction de poids, et c_ij est le terme de normalisation.

Mettre en œuvre l’objectif des unités AT-GCN en utilisant les mécanismes de grilles et les états de sortie. Intégrer des mécanismes d’attention spatiale et temporelle :

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

Temporel : β_i = q^T tanh(W_{hh i} + W_xx_{x i} + b_h)

Calculer les scores de signification normalisés et implémenter l’attention temporelle pour la pondération de l’importance des images.

Implémentation de l’algorithme d’optimisation du Northern Goshawk (NGOA)

Initialiser NGOA pour optimiser les paramètres^{AETGCN 30} avec une matrice de population :

X = [X₁, X₂, ..., X_n]^T

Évaluer la fonction objectif pour chaque membre de la population. Mettre en œuvre la phase d’exploration pour l’identification des proies :

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

Exécutez la phase d’exploitation pour optimiser les paramètres :

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

Optimisez itérattivement les paramètres de poids jusqu’à ce que les critères de terminaison soient remplis.

Entraînement et évaluation du modèle

Entraînez le modèle AETGCN optimisé en utilisant les fonctionnalités traitées. La performance du modèle proposé a été mesurée à l’aide d’une matrice de confusion en calculant les valeurs de vrai positif (TP), de vrai négatif (TN), de faux positif (FP) et de faux négatif (FN) pour les événements de santé sensibles et non sensibles. À partir de ces valeurs, des indicateurs de performance tels que la précision, la précision, le rappel, le score F1, la spécificité, le taux d’erreur et le ROC ont été calculés pour mesurer la capacité de classification du modèle proposé. Les résultats ont été comparés aux modèles HMS-MPNN-IoT, HMS-SVM-IoT et HMS-DNN-IoT utilisant le même environnement expérimental, et la complexité de calcul a été mesurée en utilisant le temps d’exécution nécessaire pour le traitement.

Results

Les résultats représentatifs valident l’efficacité de l’approche HMS-AETGCN-NGOA-IoT proposée pour identifier les problèmes de santé sensibles et non sensibles des étudiants. Une précision accrue et des valeurs de score F1 prouvent l’efficacité du mécanisme d’attention dans le réseau convolutionnel des graphes temporels pour identifier les schémas temporels et les relations des caractéristiques de santé. Les courbes de haute spécificité et ROC garantissent une identification précise avec...

Discussion

Le modèle proposé HMS-AETGCN-NGOA-IoT démontre une avancée significative dans la surveillance automatisée de la santé des élèves en intégrant efficacement l’acquisition de données IoT avec un cadre sophistiqué d’apprentissage profond. Le cœur du succès de ce modèle réside dans le Réseau Convolutionnel de Graphes Temporels Amélioré par l’Attention (AETGCN), spécifiquement conçu pour gérer la nature complexe, relationnelle et dépendante du temps des données de santé. En modélisant les élèv...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	MathWorks		R2023a ou plus
Système d’exploitation	Windows 10
Ordinateur personnel	N/A		Mémoire : 8 Go de RAM
Processeur	Intel, Core i5
Ensemble de données sur la santé mentale des étudiants	Kaggle		https://www.kaggle.com/datasets/shariful07/student-mental-health