Attenzione ottimizzata con grafici temporali ottimizzati, allocazione delle risorse cloud basate su rete, supportata IoT per il monitoraggio della salute degli studenti

Summary

Questo protocollo descrive una rete convoluzionale temporale ottimizzata per l'attenzione potenziata per il monitoraggio della salute degli studenti tramite Internet delle Cose (IoT) basato su cloud.

Abstract

I progressi tecnologici dei sensori hanno aperto la strada alla rapida espansione delle applicazioni dell'Internet delle Cose (IoT) per costruire sistemi di monitoraggio comportamentale e fisiologico, come un sistema di monitoraggio della salute degli studenti basato sull'IoT. Lo status di osservazione sanitaria degli studenti è necessario perché il numero di studenti che sopravvivono alla solitudine sta aumentando in vaste aree geografiche. Questo articolo di ricerca presenta un approccio chiamato Optimized Attention Enhanced Time-Graph Convolutional Resource Allocation supportata per Internet of Things for students' health monitoring system (HMS-AETGCN-NGOA-IoT). Il proposto HMS-AETGCN-NGOA-IoT è implementato utilizzando MATLAB. Per rilevare lo stato di salute degli studenti, vengono considerate metriche di performance come precisione, accuratezza, punteggio F1, richiamo (sensibilità), specificità, tasso di errore, tempo di calcolo e ROC. L'approccio HMS-AETGCN-NGOA-IoT raggiunge una specificità superiore del 19,11%, 24,12% e del 28,13% in più; 24,93%, 23,04% e un tempo di calcolo inferiore del 9,51%; valori ROC del 15,2%, 25,45% e 13,91% superiori; e 8,45%, 20,98% e 27,55% di accuratezza superiore rispetto al sistema di monitoraggio della salute esistente basato su Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), il Health Monitoring System basato su Support Vector Machine for Internet of Things (HMS-SVM-IoT) e il Health Monitoring System basato su metodi Deep Neural Network for Internet of Things (HMS-DNN-IoT).

Introduction

Uno degli ambiti di ricerca più preziosi ed entusiasmanti è il cloud^{computing 1}. Questa tecnica informatica acquista servizi di struttura e software, e servizi richiesti dagli utenti da Internet². Numerosi clienti, comprese le richieste di cloud computing, stanno aumentando giorno dopo giorno. Di conseguenza, migliorare la velocità e la precisione del cloud computing è^{fondamentale 3}. Il cloud computing migliora il monitoraggio dei^{pazienti 4}. Il cloud offre una base stabile per compiti di calcolo duro e di grande porte, come l'archiviazione e l'elaborazione dati, i servizi dei dispositivi e altre attività di elaborazione delle^{informazioni 5}. Molte aziende e persone preferiscono il cloud computing a causa della necessità di archiviare, analizzare e comprendere enormi quantità di^{dati 6}. Il mercato finanziario e la comunità accademica hanno recentemente dato priorità al settore dei servizi sanitari. In gran parte grazie al suo potenziale per la ricerca, questo settore ha attirato un grande^{finanziamento 7}. Il settore sanitario sta affrontando numerosi problemi, come la mancanza di risorse, elevate spese sanitarie e una gestione inefficiente delle risorse^ospedaliere. Ulteriori compiti logistici includono il numero limitato di posti letto, attrezzature, specialisti sanitari, nonché il volume di cure mediche di cui i pazienti avevano^{bisogno 9}.

Il monitoraggio del paziente avviene tipicamente in modo passivo, il che significa che i team medici controllano la medicina in base ai cambiamenti nello stato di salute del^{paziente 10}. Le condizioni del paziente potrebbero peggiorare in situazioni di emergenza; perciò, il tempo di risposta è cruciale. L'IoT offre una vasta gamma di opportunità nel settore della e-health¹¹. Questa tecnologia ha la capacità di far progredire vari settori e migliorare i servizi^{sanitari 12}. L'IoT è fondamentale per i servizi sanitari e funge da acceleratore per il settore. Le reti di sensori corporei (BSN) analizzano le caratteristiche fisiologiche e i sintomi mentre trasmettono segnali critici da un medico da esaminare per individuare eventi insoliti e^{inaspettati 13}. Di conseguenza, potrebbero essere somministrati farmaci d'emergenza per evitare situazioni di pericolo di vita¹⁴.

Utilizzando tecnologie intelligenti nell'ambito dell'IoT, i progressi nell'assistenza medica hanno reso tutto più semplice e migliorato^{i servizi sanitari 15}. L'IoT offre una piattaforma per raggiungere obiettivi come migliorare la qualità della vita di chi è malato o disabile e rendere la loro vita quotidiana più facile¹⁶. Ha reso più semplice per chi non può essere fisicamente con i pazienti fornire assistenza¹⁷. Se correttamente utilizzato, il ramo di studio noto come e-health presenta numerosi vantaggi per la società¹⁸. Inoltre, consente l'archiviazione remota dei dati su sistemi cloud e consente agli utenti autorizzati, inclusi specialisti esterni e il team interno, di^{collaborare 19}. È anche una piattaforma ideale per applicazioni sanitarie basate su dispositivi mobili/tablet/^{PDA 20}.

L'uso degli smartphone apre diverse prospettive per lo sviluppo di servizi e soluzioni sanitarie^{efficaci 21}. Inoltre, la maggior parte dei sistemi esistenti presenta ancora limitazioni significative, come la raccolta, l'elaborazione e l'analisi offline dei dati, oltre a concentrarsi esclusivamente sulla diagnosi di condizioni croniche come malattie cardiovascolari e diabete senza impiegare metodologie^{predittive 22}. A causa di questi vincoli, il metodo di osservazione della salute degli studenti sviluppato si basa sul rapporto di funzionalità sanitaria nei percorsi IoT, insieme a marcatori biologici e comportamentali^{contemporaneamente 23}. La piattaforma suggerita include sensori biologici e strumenti per l'infermieristica sanitaria per raccogliere e memorizzare dati sanitari da studenti²⁴. I dati acquisiti vengono poi utilizzati dagli algoritmi di deep learning per monitorare lo stato di salute complessivo dello^{studente 25}. I principali contributi del lavoro di ricerca sono riassunti di seguito.

In questa ricerca viene proposto HMS-AETGCN-NGOA-IoT (Figura 1). Il monitoraggio dello stato di salute di uno studente avviene valutando due tipi di parametri della condizione di salute: parametri comportamentali e parametri di cambiamento biologico. Per ottenere una previsione ottimale, è stata utilizzata la tecnica Attention Enhanced Temporal Graph Convolutional Network (AETGCN) per rilevare lo stato di salute degli studenti. Il metodo HMS-AETGCN-NGOA-IoT è implementato in MATLAB e l'efficacia viene valutata utilizzando diverse metriche di prestazione (Figura 2). L'efficienza del metodo suggerito viene analizzata con i metodi esistenti HMS-MPNN-IoT, HMS-SVM-IoT e HMS-DNN-IoT.

Protocol

Tutti i materiali, software e attrezzature necessari utilizzati in questo studio sono menzionati nella Tabella dei Materiali.

Acquisizione e preparazione dei dati

Il Data Set utilizzato in questo lavoro è il Dataset sulla Salute Mentale degli Studenti, ottenuto dal repository Kaggle²⁶ disponibile pubblicamente. Il dataset contiene domande e risposte auto-segnalate raccolte dagli studenti universitari, coprendo informazioni demografiche, stress accademico, schemi di sonno e indicatori legati alla salute mentale. I dati includono sia condizioni di salute sensibili che non sensibili con una distribuzione bilanciata, adatta all'apprendimento supervisionato e alla valutazione delle prestazioni. Questo dataset è suddiviso in due categorie: eventi sensibili e non sensibili. Gli eventi sensibili sono le condizioni che minacciano la salute degli studenti, come lo stress accademico estremo, la mancanza prolungata di sonno, alti livelli di sintomi di ansia o depressione e abitudini di vita malsane come fumo e alcol eccessivo, mentre eventi non sensibili sono associati a una salute mentale normale o stabile. Questo set di dati è suddiviso in set di addestramento e di test, assegnando il 70% dei campioni per l'addestramento e il 30% per il test del modello. Implementa la validazione incrociata dieci volte per la valutazione del modello.

Preprocessing dei dati tramite filtraggio ricorsivo bidirezionale (TWRF)

Applica TWRF per rimuovere il rumore dal dataset^{di input 27}. Implementare il processo di filtraggio usando la formulazione matematica: Per una riga di input X con valore_{x i} al nodo i, applicare il filtro ricorsivo.

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

dove a rappresenta i coefficienti negativi e b rappresenta i valori attuali dei dati. Calcola il valore usando la funzione nodo:

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

dove il parametro 255 rappresenta il valore massimo di filtraggio. Calcola il vettore prodotto nodo e determina il valore di filtraggio desiderato. Esegui l'intero processo TWRF per generare dati puliti e preprocessati utilizzando l'equazione finale di filtraggio.

Estrazione delle caratteristiche tramite trasformata di estrazione sincronizzativa adattiva (AST)

Applica AST per estrarre le funzionalità dai dati^{preprocessati 28}. Estratto 12 caratteristiche numeriche: età, peso, battito cardiaco, ore di sonno, zucchero nel sangue a digiuno, colesterolo, HDL, LDL, trigliceridi, TSH, T4 e T3. Le caratteristiche sopra elencate sono selezionate per la loro forte rilevanza clinica nella valutazione delle condizioni di salute fisica^{e mentale 22.} Ad esempio, il battito cardiaco e le ore di sonno rappresentano stress e stanchezza, mentre i valori di zucchero nel sangue e lipidi (colesterolo, HDL, LDL, trigliceridi) rappresentano la salute metabolica, e gli ormoni tiroidei (TSH, T3, T4) rappresentano l'umore e la salute mentale. Estrae 5 caratteristiche nominali come sesso, temperatura corporea, pressione corporea, consumo di sigarette e consumo di alcol. Queste caratteristiche vengono estratte perché definiscono importanti variabili demografiche, fisiologiche e dello stile di vita che influenzano lo stato di salute. Utilizzare il metodo di identificazione della curva di cresta all'interno di AST usando la rappresentazione tempo-frequenza:

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

Applicare l'algoritmo adattivo di estrazione della cresta per ridurre gli elementi di interferenza ed estrarre le caratteristiche ottimali.

Implementazione e ottimizzazione del modello

Configura la rete convoluzionale temporale a grafo potenziato con attenzione (AETGCN) per il rilevamento dello stato di salute²⁹usando la convoluzione del grafo

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

dove h_i è la caratteristica del nodo i, W è la funzione di peso e c_ij è il termine di normalizzazione.

Implementare lo scopo delle unità AT-GCN utilizzando i meccanismi di gate e gli stati di uscita. Incorporare meccanismi di attenzione spaziale e temporale:

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

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

Calcolare i punteggi di significatività normalizzati e implementare l'attenzione temporale per la ponderazione dell'importanza del frame.

Implementazione dell'algoritmo di ottimizzazione del Northern Goshawk (NGOA)

Inizializzare NGOA per ottimizzare i parametri^{AETGCN 30} con matrice di popolazione:

X = [X₁, X₂, ..., X_n]^T

Valuta la funzione obiettivo per ogni membro della popolazione. Implementa la fase di esplorazione per l'identificazione delle prede:

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

Esegui la fase di sfruttamento per l'ottimizzazione dei parametri:

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

Ottimizza iterativamente i parametri del peso fino a quando non vengono soddisfatti i criteri di terminazione.

Addestramento e valutazione del modello

Addestra il modello AETGCN ottimizzato utilizzando le funzionalità elaborate. Le prestazioni del modello proposto sono state misurate utilizzando una matrice di confusione calcolando i valori di veri positivi (TP), veri negativi (TN), falsi positivi (FP) e falsi negativi (FN) per eventi di salute sensibili e non sensibili. Utilizzando questi valori, sono state calcolate metriche di performance come accuratezza, precisione, richiamo, punteggio F1, specificità, tasso di errore e ROC per misurare la capacità di classificazione del modello proposto. I risultati sono stati confrontati con i modelli HMS-MPNN-IOT, HMS-SVM-IoT e HMS-DNN-IoT utilizzando lo stesso ambiente sperimentale, e la complessità computazionale è stata misurata utilizzando il tempo di esecuzione impiegato per l'elaborazione.

Results

I risultati rappresentativi convalidano l'efficacia dell'approccio proposto HMS-AETGCN-NGOA-IoT nell'identificare questioni di salute sensibili e non sensibili degli studenti. Una maggiore accuratezza e i valori di punteggio F1 dimostrano l'efficacia del meccanismo di attenzione nella rete convoluzionale dei grafi temporali nell'identificare i modelli temporali e le relazioni tra le caratteristiche di salute. Le curve ad alta specificità e ROC garantiscono un'identificazione accurata con...

Discussion

Il modello proposto HMS-AETGCN-NGOA-IoT dimostra un significativo progresso nel monitoraggio automatizzato della salute degli studenti, integrando efficacemente l'acquisizione di dati IoT con un sofisticato framework di deep learning. Il nucleo del successo di questo modello risiede nell'Attention Enhanced Temporal Graph Convolutional Network (AETGCN), progettata specificamente per gestire la natura complessa, relazionale e dipendente dal tempo dei dati sanitari. Modellando gli studenti ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	MathWorks		R2023a o successivamente
Sistema operativo	Windows 10
Personal Computer	N/A		Memoria 8 GB RAM
Processore	Intel, Core i5
Dataset sulla salute mentale degli studenti	Kaggle		https://www.kaggle.com/datasets/shariful07/student-mental-health