최적화된 주의력, 향상된 시간 그래프, 합성곱 네트워크 기반 클라우드 자원 할당 지원 IoT 학생 건강 모니터링 시스템

Summary

이 프로토콜은 클라우드 기반 사물인터넷(IoT) 학생 건강 모니터링을 위한 최적화된 주의력 강화 시간 그래프 컨볼루션 네트워크를 설명합니다.

Abstract

센서 기술의 발전은 사물인터넷(IoT) 애플리케이션의 빠른 확장을 가능하게 하여 IoT 기반 학생 의료 모니터링 시스템과 같은 행동 및 생리학적 모니터링 시스템을 구축하는 데 기여했습니다. 학생 건강 관찰의 지위는 외로움을 견디는 학생 수가 넓은 지역에서 증가하고 있기 때문에 필요합니다. 이 연구 논문은 학생 건강 모니터링 시스템을 위한 최적화된 주의력 강화 시간 그래프 컨볼루션 네트워크 기반 클라우드 자원 할당 지원 사물인터넷(HMS-AETGCN-NGOA-IoT)이라는 접근법을 제시합니다. 제안된 HMS-AETGCN-NGOA-IoT는 MATLAB을 사용하여 구현됩니다. 학생들의 건강 상태를 감지하기 위해 정밀도, 정확성, F1 점수, 회상(민감도), 특이도, 오류율, 계산 시간, ROC와 같은 성과 지표를 고려합니다. HMS-AETGCN-NGOA-IoT 접근법은 19.11%, 24.12%, 28.13% 더 높은 특이도를 달성합니다; 24.93%, 23.04%, 9.51% 더 낮은 계산 시간; 15.2%, 25.45%, 13.91% 상승; 그리고 기존 사물인터넷용 메시지 전달 신경망(HMS-MPNN-IoT), 사물인터넷용 지원 벡터 기계 기반 건강 모니터링 시스템(HMS-SVM-IoT), 심부 신경망 기반 건강 모니터링 시스템(HMS-DNN-IoT) 대비 각각 8.45%, 20.98%, 27.55% 더 높은 정확도를 기록했습니다.

Introduction

가장 가치 있고 흥미로운 연구 분야 중 하나는 클라우드 컴퓨팅^입니다. 이 컴퓨팅 기법은 인터넷²에서 구조 및 소프트웨어 서비스, 사용자 요청 서비스를 구매합니다. 클라우드 컴퓨팅 수요를 포함한 수많은 고객이 날로 증가하고 있습니다. 따라서 클라우드 컴퓨팅의 속도와 정밀도를 향상시키는^{것이 매우 중요합니다}. 클라우드 컴퓨팅은 환자 모니터링을 향상시킵니다⁴. 클라우드는 데이터 저장 및 처리, 장치 서비스, 기타 정보 처리 활동과 같은 하드 컴퓨팅과 대규모 컴퓨팅 작업에 안정적인 기반을 제공합니다^. 많은 기업과 개인들이 방대한 양의 데이터를 보관, 분석, 이해해야 한다는 요구 때문에 클라우드 컴퓨팅을 선호합니다^. 금융 시장과 학계는 최근 의료 서비스 부문에 우선순위를 두었습니다. 연구 잠재력 덕분에 이 산업은 많은 자금 조달을 유치해^{왔습니다.} 의료 산업은 자원 부족, 높은 의료비, 비효율적인 병원^{자원 관리 등} 여러 문제에 직면해 있습니다. 추가적인 물류 업무로는 제한된 병상, 장비, 의료 전문가, 그리고 환자^{들이 필요로} 했던 의료 서비스의 양이 포함됩니다.

환자 모니터링은 일반적으로 수동적으로 이루어지며, 의료진이 환자의 건강 상태 변화에 따라 약물을 통제합니다^. 응급 상황에서 환자의 상태가 악화될 수 있습니다; 따라서 반응 속도가 매우 중요합니다. IoT는 전자건강 분야에서 다양한 기회를^{제공합니다.} 이 기술은 다양한 분야를 발전시키고 의료 서비스를 향상시킬 수 있습니다^. IoT는 의료 서비스에 매우 중요하며 산업 가속화 역할을 합니다. 신체 센서 네트워크(BSN)는 생리학적 특성과 증상을 분석하면서 의사가 비정상적이고 예상치 못^{한 사건을} 발견하기 위해 중요한 신호를 전송합니다. 따라서 생명을 위협하는 상황을 피하기 위해 응급 약물이 투여될 수 있습니다.

IoT를 통한 스마트 기술을 활용해 의료 서비스가 편리해지고 향상된 의료 서비스¹⁵. IoT는 아프거나 장애가 있는 사람들의 삶의 질 향상과 일상생활^{을 더 편}리하게 만드는 등의 목표를 달성할 수 있는 플랫폼을 제공합니다. 이 덕분에 환자와 직접 함께할 수 없는 분들이 돌봄을 제공하는 것이 더 쉬워졌습니다¹⁷. 적절히 활용된다면, 전자건강으로 알려진 학문 분야는 사회에 여러 가지 이점을^{제공합니다.} 또한, 클라우드 기반 시스템에서 원격 데이터 저장을 허용하며, 외부 전문가와 내부 팀을 포함한 권한 있는 사용자들이 협업할 수^{있습니다.} 또한 모바일/태블릿/PDA 기반 건강 애플리케이션에 이상적인 플랫폼입니다²⁰.

스마트폰의 사용은 효과적인 의료 서비스와 솔루션 개발에 여러 가능성을 열어줍니다²¹. 더불어, 대부분의 기존 시스템은 오프라인 데이터 수집, 처리 및 분석과 같은 심각한 한계를 가지고 있으며, 예측 방법론 없이 심혈관 질환 및 당뇨병과 같은 만성 질환 진단에만 집중하고 있습니다²². 이러한 제약으로 인해 개발된 학생 건강 관찰 방법은 IoT 트레일의 건강 기능 보고서와 동시에 생물학적 및 행동 지표에 의존^합니다. 제안된 플랫폼에는 학생들의 건강 데이터를 수집하고 저장할 수 있는 생물학적 센서와 건강 간호 도구가 포함되어^{있습니다.} 획득된 데이터는 딥러닝 알고리즘에 의해 학생의 전반적인 건강^{기능 상태를 추적}하는 데 사용됩니다. 연구 작업의 주요 기여는 아래에 요약되어 있습니다.

본 연구에서는 HMS-AETGCN-NGOA-IoT가 제안되었습니다(그림 1). 학생의 건강 상태를 모니터링할 때는 행동 및 생물학적 변화 매개변수 두 가지 유형의 건강 상태를 평가하여 이루어집니다. 최적의 예측을 위해 주의력 향상 시간 그래프 합성곱 네트워크(AETGCN) 기법을 사용하여 학생들의 건강 기능 상태를 탐지하였습니다. HMS-AETGCN-NGOA-IoT 방법은 MATLAB에 구현되었으며, 여러 성능 지표를 사용하여 효과성을 평가합니다(그림 2). 제안된 방법의 효율성은 기존의 HMS-MPNN-IoT, HMS-SVM-IoT, HMS-DNN-IoT 방법과 함께 분석됩니다.

Protocol

이 연구에 사용되는 모든 필수 재료, 소프트웨어 및 장비 는 재료표에 명시되어 있습니다.

데이터 수집 및 준비

이 연구에 사용된 데이터 세트는 공개된 Kaggle 저장소²⁶에서 얻은 학생 정신 건강 데이터셋입니다. 이 데이터셋은 대학생들이 수집한 자기보고된 질문과 답변을 포함하며, 인구통계학적 정보, 학업 스트레스, 수면 패턴, 정신 건강 관련 지표를 포함합니다. 데이터에는 민감성 및 비민감성 건강 상태를 균형 있게 분포하여 감독 학습과 성과 평가에 적합합니다. 이 데이터셋은 민감 사건과 비민감 사건 두 가지 범주로 나뉩니다. 민감한 사건은 극심한 학업 스트레스, 장기간 수면 부족, 높은 수준의 불안 또는 우울 증상, 과도한 흡연과 음주와 같은 건강하지 않은 생활습관과 같이 학생들의 건강을 위협하는 상태이며, 비민감한 사건은 정상적이거나 안정적인 정신 건강과 연관되어 있습니다. 이 데이터 세트는 훈련 세트와 테스트 세트로 나뉘며, 샘플의 70%는 훈련용, 30%는 모델 테스트용으로 할당됩니다. 모델 평가를 위한 10배 교차 검증을 구현하세요.

양방향 재귀 필터링(TWRF)을 이용한 데이터 전처리

입력 데이터셋에서 잡음을 제거하기 위해 TWRF를 적용하세요²⁷. 수학적 공식화를 사용하여 필터링 과정을 구현합니다: 노드 i에서 값 x_i 인 입력 행 X에 대해 재귀 필터를 적용합니다.

y_i = a₁y_i-1 + a₂y_i-2 + ... + a_ky_i-k + b₀x_i + b₁x_i-1 + ... + b_{k xi-k}

여기서 a는 음의 계수를, b는 현재 데이터 값을 나타냅니다. 노드 함수를 사용하여 값을 계산합니다:

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

여기서 매개변수 255는 최대 필터링 값을 나타냅니다. 노드 곱 벡터를 계산하고 원하는 필터링 값을 결정합니다. 최종 필터링 방정식을 사용하여 깨끗한 사전 처리된 데이터를 생성하기 위해 완전한 TWRF 프로세스를 실행합니다.

적응형 동시 추출 변환(AST)을 이용한 특징 추출

AST를 적용하여 사전 처리 데이터에서 특징을 추출하세요²⁸. 12가지 수치 특징을 추출합니다: 나이, 체중, 심박수, 수면 시간, 공복 혈당, 콜레스테롤, HDL, LDL, 중성지방, TSH, T4, T3. 위의 특징들은 신체적·정신적 건강 상태 평가에 강한 임상적 관련성을 가지고 있기 때문에 선택되었습니다²². 예를 들어, 심장 박동과 수면 시간은 스트레스와 피로를 나타내고, 혈당과 지질 수치(콜레스테롤, HDL, LDL, 중성지방)는 대사 건강을, 갑상선 호르몬(TSH, T3, T4)은 기분과 정신 건강을 나타냅니다. 성별, 체온, 체압, 담배 섭취, 음주 등 5가지 명목적 특징을 추출합니다. 이러한 특징들은 건강 상태에 영향을 미치는 중요한 인구통계학적, 생리적, 생활 습관 변수를 정의하기 때문에 추출됩니다. AST 내에서 시간 -주파수 표현을 사용하여 능선 곡선 식별 방법을 활용하세요:

AST_x(t,ξ) = SET_x(t,ξ)δ(ξ - ξ_x(t))

적응형 능선 추출 알고리즘을 적용하여 간섭 항목을 줄이고 최적의 특징을 추출합니다.

모델 구현 및 최적화

주의 강화 시간 그래프 컨볼루션 네트워크(AETGCN)를 그래프 컨볼루션을 사용하여 건강 상태 감지²⁹를 구성합니다

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

여기서 h_i 는 노드 i의 특징, W는 가중치 함수, c_ij 는 정규화 항입니다.

게이트 메커니즘과 출력 상태를 사용하여 AT-GCN 유닛의 목적을 구현합니다. 공간적, 시간적 주의 메커니즘을 통합하세요:

공간: e_ij = LeakyReLU(a^T[wh_i∥Wh_j])

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

정규화된 유의성 점수를 계산하고 프레임 중요도 가중치를 위한 시간적 주의를 구현합니다.

북부 매 최적화 알고리즘(NGOA) 구현

인구 행렬을 사용하여 AETGCN 매개변수³⁰ 최적화를 위해 NGOA를 초기화합니다:

X = [X₁,_{X 2}, ..., X_n]^T

각 모집단의 목적 함수를 평가합니다. 먹이 식별을 위한 탐색 단계 구현:

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

X_i^뉴, P¹ = {X_i + r(P_i - IX_i), FP_{i <} F_iX_{i i +} r(X_i - P_i), FP_{i ≥} F_i

매개변수 최적화를 위한 활용 단계 실행:

X_i^new, P² = {X_i + R(0,1) × (P_i - I×X_i), FP_{i < F i}X_{i +} R(0,1) × (X_i - P_i), FP_{i ≥} F_i

종료 기준이 충족될 때까지 무게 매개변수를 반복적으로 최적화합니다.

모델 훈련 및 평가

처리된 특징을 사용하여 최적화된 AETGCN 모델을 학습합니다. 제안된 모델의 성능은 혼동 행렬을 사용하여 민감 및 비민감 건강 사건에 대해 진양성(TP), 진음성(TN), 거짓 양성(FP), 거짓음성(FN) 값을 계산하여 측정했습니다. 이 값들을 사용하여 정확도, 정밀도, 회상율, F1 점수, 특이성, 오류율, ROC와 같은 성능 지표를 계산하여 제안된 모델의 분류 능력을 측정했습니다. 결과는 동일한 실험 환경에서 HMS-MPNN-IoT, HMS-SVM-IoT, HMS-DNN-IoT 모델과 비교되었으며, 처리 시 소요되는 실행 시간을 기준으로 계산 복잡도를 측정하였습니다.

Results

대표 결과는 제안된 HMS-AETGCN-NGOA-IoT 접근법이 학생들의 민감 및 비민감 건강 문제를 식별하는 데 효과적임을 입증합니다. 향상된 정확도와 F1 점수 값은 시간 그래프 합성곱 네트워크의 주의 메커니즘이 건강 특징의 시간 패턴과 관계를 식별하는 데 효과적임을 입증합니다. 높은 특이도와 ROC 곡선은 오경보가 적고 정확한 식별을 보장하며, 더 짧은 계산 시간은 NGOA 최적화 접근법의 효율성을 입증합니다.

시뮬레이션은 Intel Core i5, 2.50GHz CPU, 8GB RAM, Windows 7이 탑재된 PC를 사용하여 MATLAB에서 학생 건강 관리 데이터셋을 사용해 활성화됩니다. 제안된 HMS-AETGCN-NGOA-IoT 접근법의 얻은 결과는 HMS-MPNN-IoT²¹, HMS-SVM-IoT²², HMS-DNN-Io...

Discussion

제안된 HMS-AETGCN-NGOA-IoT 모델은 IoT 데이터 수집과 정교한 딥러닝 프레임워크를 효과적으로 통합하여 자동화된 학생 건강 모니터링의 중요한 진전을 보여줍니다. 이 모델의 성공의 핵심은 복잡하고 관계적이며 시간에 의존하는 건강 데이터를 처리하도록 특별히 설계된 주의력 향상 시간 그래프 컨볼루션 네트워크(AETGCN)에 있습니다. 학생들과 그들의 생리적/행동적 매개변수를 동적 그래프로 모델링함으로써, AETGNN은 전통적인 순차 모델이 놓칠 수 있는 복잡한 공간적 관계와 시간적 패턴을 포착할 수 있습니다. 공간적·시간적 주의 메커니즘의 도입은 다양한 건강 특징과 시점의 중요성을 동적으로 저울질하여 이 과정을 더욱 정교하게 만들어, 모델이 민감한 건강 사건의 가장 중요한 지표에 집중할 수 있게 합니다. 이러한 아키텍처적 우수성은 모델이 평가된 모든 지표에서 견고한 성능을 보이는 주된 이유입니다.

AETGCN ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	수학 작품		R2023a 이후
운영 체제	윈도우 10
개인용 컴퓨터	해당 없음		메모리 8GB RAM
프로세서	인텔, Core i5
학생 정신 건강 데이터셋	캐글		https://www.kaggle.com/datasets/shariful07/student-mental-health