最適化された注意力強化時間グラフ、畳み込みネットワークベースのクラウドリソース割り当て支援、学生の健康モニタリングシステム向けIoT対応

Summary

このプロトコルは、クラウドベースのモノのインターネット(IoT)学生健康モニタリングのための最適化された注意力強化型時間グラフコンボリューションネットワークを記述しています。

Abstract

センサー技術の進歩は、IoT(モノのインターネット)アプリケーションが急速に拡大し、IoTベースの学生医療モニタリングシステムのような行動・生理的モニタリングシステムを構築する道を開きました。学生の健康観察の地位は、孤独を生き延びる学生の数が広範囲で増加しているため必要です。本研究論文では、学生の健康モニタリングシステム向け最適化された注意力強化時系列グラフ、卷込み型ネットワークベースのクラウドリソース割り当て支援インターネット・オブ・シングス(HMS-AETGCN-NGOA-IoT)というアプローチを提案しています。提案されているHMS-AETGCN-NGOA-IoTはMATLABを用いて実装されています。生徒の健康状態を検出するためには、精度、正確性、F1スコア、リコール(感度)、特異度、誤差率、計算時間、ROCなどのパフォーマンス指標が考慮されます。HMS-AETGCN-NGOA-IoTアプローチはそれぞれ19.11%、24.12%、28.13%の高い特異性を達成しています。計算時間は24.93%、23.04%、9.51%短縮されました。ROC値が15.2%、25.45%、13.91%上昇;また、既存のIoT向けメッセージパッシングニューラルネットワーク(HMS-MPNN-IoT)、サポートベクターマシンに基づく健康モニタリングシステム(HMS-SVM-IoT)、IoT深層ニューラルネットワーク(HMS-DNN-IoT)手法に基づく健康モニタリングシステムと比較して、それぞれ8.45%、20.98%、27.55%の精度が高くなっています。

Introduction

最も価値があり、刺激的な研究分野の一つはクラウドコンピューティング^です。この計算技術は、構造やソフトウェアサービス、そしてユーザー要望のサービスをInternet²から購入します。クラウドコンピューティングの需要を含む多くの顧客が日々増加しています。したがって、クラウドコンピューティングの速度と精度の向上^{は非常に重要です。}クラウドコンピューティングは患者モニタリングを改善します⁴.クラウドは、データの保存・処理、デバイスサービス、その他の情報^{処理活動などの}ハードかつ大規模なコンピューティング作業に安定した基盤を提供します5。多くの企業や個人がクラウドコンピューティングを支持しているのは、膨^{大なデータの}アーカイブ、分析、理解が必要だからです。金融市場と学術コミュニティは最近、医療サービス分野を優先しています。研究の可能性により、この産業は多くの資金調達を引き寄せ^{ています。}医療業界は、資源不足、高い医療費、非効率な病院^{資源管理など}、多くの問題に直面しています。追加の物流業務には、限られたベッド、設備、医療専門家、そして患者が必要とする医療量(⁹)が含まれます。

患者モニタリングは通常受動的に行われ、医療チームは患者の^{健康状態の変化}に基づいて薬を管理します。緊急時に患者の状態が悪化する可能性があり、したがって、応答時間が非常に重要です。IoTはeヘルス分野に幅広い機会^{を提供します。}この技術はさまざまな分野を進歩させ、^{医療サービスを向上させる}力を持っています。IoTは医療サービスに不可欠であり、業界の加速器としても機能しています。ボディセンサーネットワーク(BSN)は、生理学的特徴や症状を解析し、医師が異常かつ予期せぬ事象を検出するために重要な信号を送ります¹³。そのため、緊急薬が命に関わる状況を避けるために投与される^{ことがあります。}

IoTのスマート技術を活用することで、医療の進展はそれを容易にし、医療サービスを向上させました¹⁵。IoTは、病気や障害を持つ人々の生活の質を向上させ、日常生活^{をより楽に}するなどの目標を達成するためのプラットフォームを提供します。これにより、患者と物理的に一緒にいられない方々^がケアを提供しやすくなりました。適切に活用されれば、eヘルスとして知られる学問分野は社会に多くの利点^{をもたらします。}さらに、クラウドベースのシステム上でのリモートデータ保存を可能にし、外部の専門家や内部チームを含む認可ユーザー同士が協力^{できるようにします。}また、モバイル/タブレット/PDAベースの^{健康アプリケーションにも}理想的なプラットフォームです。

スマートフォンの利用は、効果的な医療サービスやソリューションの開発に多くの可能性を開きます²¹。さらに、既存の多くのシステムは依然としてオフラインのデータ収集、処理、分析に重大な制約があり、心血管疾患や糖尿病などの慢性疾患の診断に専念し、予測的手法を用いていません²²。これらの制約により、開発された学生の健康観察方法は、IoTの健康機能報告と同時に生物学的および行動的マーカーに依存し^{ています。}提案されたプラットフォームには^{、学生からの}健康データを収集・保存するための生物学的センサーや健康看護ツールが含まれています。取得されたデータはディープラーニングアルゴリズムによって利用され、学生の全体的な健康^{機能の状態を}追跡します。研究の主な貢献は以下にまとめられています。

本研究では、HMS-AETGCN-NGOA-IoTが提案されています(図1)。学生の健康状態のモニタリングは、行動パラメータと生物学的変化パラメータの2種類のパラメータを評価することで行われます。最適な予測を得るために、注意力強化時間グラフ畳み込みネットワーク(AETGCN)技術を用いて学生の健康機能の状態を検出しました。HMS-AETGCN-NGOA-IoTの手法はMATLABで実装されており、その効果は複数のパフォーマンス指標を用いて評価されます(図2)。提案手法の効率は、既存のHMS-MPNN-IoT、HMS-SVM-IoT、HMS-DNN-IoT手法で分析されています。

Protocol

本研究で使用されるすべての必要な材料、ソフトウェア、機器は 材料表に記載されています。

データ取得と準備

本研究で使用されるデータセットは、公開されているKaggleリポジトリ²⁶から取得した学生メンタルヘルスデータセットです。このデータセットには、大学生から収集された自己申告の質問と回答が含まれており、人口統計情報、学業ストレス、睡眠パターン、メンタルヘルス関連指標をカバーしています。データは感度の高い健康状態と非感受性の健康状態の両方をバランスの取れた分布で含み、教師あり学習やパフォーマンス評価に適しています。このデータセットは、センシティブイベントと非センシティブイベントの2つのカテゴリーに分かれています。センシティブな出来事は、極度の学業ストレス、長期的な睡眠不足、高いレベルの不安やうつ症状、過度の喫煙や飲酒などの不健康な生活習慣など、学生の健康を脅かす状態を指します。一方、センシティブでない出来事は正常または安定した精神的健康と関連しています。このデータセットはトレーニングセットとテストセットに分かれており、サンプルの70%をトレーニング用、30%をモデルのテストに割り当てています。モデル評価のために10倍クロスバリデーションを実装します。

二方向再帰フィルタリング(TWRF)を用いたデータ前処理

入力データセットからノイズを除去するためにTWRFを適用します^。フィルタリングプロセスを数学的な定式化で実装します:ノード_iの入力 行Xに対して、値xiに対して再帰フィルタを適用します。

y_i = a₁y_i-1 + a₂y_i-2 + ... + a_ky_i-k + b₀x_{i + b 1}x_i-1 + ... + b_{k xi-k}

ここでaは負の係数、bは現在のデータ値を表します。ノード関数を使って値を計算します:

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

ここでパラメータ255は最大フィルタリング値を表します。ノード積ベクトルを計算し、望ましいフィルタリング値を決定します。最終フィルタリング方程式を用いてクリーンな前処理データを生成するためにTWRFプロセス全体を実行します。

適応シンクロ抽出変換(AST)を用いた特徴抽出

ASTを適用して、前^{処理データから}特徴を抽出します。年齢、体重、心拍数、睡眠時間、空腹時血糖値、コレステロール、HDL、LDL、トリグリセリド、TSH、T4、T3の12の数値特徴を抽出します。上記の特徴は、身体的および精神^{的健康状態}の評価において強い臨床的関連性があるため選ばれています。例えば、心拍数や睡眠時間はストレスや疲労を表し、血糖値や脂質値(コレステロール、HDL、LDL、トリグリセリド)は代謝の健康、甲状腺ホルモン(TSH、T3、T4)は気分や精神的健康を表します。性別、体温、体圧、タバコ消費、アルコール摂取など5つの名目特徴を抽出します。これらの特徴は、健康状態に影響を与える重要な人口統計学的、生理学的、生活習慣的変数を定義するため抽出されます。AST内でリッジカーブ識別法を利用し、時間-周波数表現を用いてください:

AST_x(t,ξ) = SET_x(t,ξ)δ(ξ - ξ_x(t))

適応リッジ抽出アルゴリズムを適用して干渉項目を減らし、最適な特徴を抽出します。

モデル実装と最適化

注意強化型時間グラフ畳み込みネットワーク(AETGCN)をグラフ巻き込み解析で健康状態検出に設定します²⁹

h_i^(I+1) = σ(∑_j∈N(i) 1/c_{ij W}^(I) h_j^(I))

ここで h_i はノード i の特徴量、W は重み関数、c_ij は正規化項です。

ゲート機構と出力状態を用いてAT-GCNユニットの目的を実装します。空間的および時間的な注意メカニズムを取り入れましょう:

空間的: e_ij = LeakyReLU(a^T[wh_i∥Wh_j])

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

正規化された有意性スコアを計算し、フレーム重要度の重み付けのために時間的注意を実装します。

ノーザンゴソーク最適化アルゴリズム(NGOA)の実装

AETGCNパラメータ³⁰ を母集団行列で最適化するためにNGOAを初期化します:

X = [X₁,_{X 2}, ..., X_n]^T

各母集団のメンバーに対して目的関数を評価します。獲物識別のための探索フェーズを実装する:

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

パラメータ最適化のためのエクスプロイテーションフェーズを実行します:

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

終了条件を満たすまで重量パラメータを反復的に最適化します。

モデルトレーニングと評価

処理済みの特徴量を用いて最適化されたAETGCNモデルを訓練します。提案されたモデルの性能は、感受性および非感度の健康事象に対して真陽性(TP)、真陰性(TN)、偽陽性(FP)、偽陰性(FN)値を計算することで、混乱行列を用いて測定されました。これらの値を用いて、精度、精度、リコール率、F1スコア、特異度、誤差率、ROCなどの性能指標を計算し、提案モデルの分類能力を測定しました。結果は同じ実験環境でHMS-MPNN-IoT、HMS-SVM-IoT、HMS-DNN-IoTモデルと比較され、処理にかかる実行時間を用いて計算複雑度が測定されました。

Results

代表的な結果は、提案されたHMS-AETGCN-NGOA-IoTアプローチが学生の敏感および非敏感な健康問題を特定する上で有効であることを検証しています。精度の向上とF1スコア値は、時間グラフ畳み込みネットワークにおける注意メカニズムが健康特徴の時間的パターンと関係を特定する上で有効であることを証明しています。高い特異度とROC曲線により、誤警報の減少で正確な同定が可能となり、計算時間の短縮はNGOA最適化アプローチの効率性を証明しています。

シミュレーションは、Intel Core i5、2.50GHz CPU、8GB RAM、Windows 7を搭載したPCを用いてMATLABで、学生医療データセットを用いて起動されます。提案されたHMS-AETGCN-NGOA-IoTアプローチの得られた成果は、HMS-MPNN-IoT²¹、HMS-SVM-IoT²²、HMS-DNN-IoT^23<...

Discussion

提案されているHMS-AETGCN-NGOA-IoTモデルは、IoTデータ取得と高度なディープラーニングフレームワークを効果的に統合することで、自動学生健康モニタリングの大きな進歩を示しています。このモデルの成功の核は、複雑で関係性があり時間依存的な健康データの性質を扱うために特別に設計されたAttention Enhanced Temporal Graph Convolutional Network(AETGCN)にあります。学生とその生理学的・行動的パラメータを動的なグラフとしてモデル化することで、AETGCNは従来の逐次モデルでは見落としがちな複雑な空間的関係や時間的パターンを捉えることができます。空間的および時間的注意メカニズムの組み込みにより、異なる健康特徴や時間点の重要性を動的に評価し、モデルは敏感な健康イベントの最も重要な指標に焦点を当てることで、このプロセスをさらに精緻化します。このアーキテクチャ上の優位性こそが、評価されたすべての指標でモデルが堅牢なパフォーマンスを発揮している主な理由です。

AE...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	マスワークス		R2023a以降
オペレーティングシステム	Windows 10
パーソナルコンピュータ	該当なし		メモリ 8GB RAM
プロセッサ	インテル、Core i5
学生メンタルヘルスデータセット	カグル		https://www.kaggle.com/datasets/shariful07/student-mental-health