Geoptimaliseerde aandacht Verbeterde Temporele Grafiek Convolutioneel Netwerkgebaseerd Cloud Resource Allocation Ondersteund IoT voor Gezondheidsmonitoringsysteem van studenten

Summary

Dit protocol beschrijft een geoptimaliseerd, aandachtsversterkt temporeel graaf convolutioneel netwerk voor cloudgebaseerde Internet of Things (IoT) studentengezondheidsmonitoring.

Abstract

Vooruitgang in sensortechnologie heeft de weg vrijgemaakt voor de snelle uitbreiding van Internet of Things (IoT)-toepassingen om gedrags- en fysiologische monitoringsystemen te bouwen, zoals een IoT-gebaseerd studentenzorgmonitoringsysteem. De status van de gezondheidsobservatie van studenten is noodzakelijk omdat het aantal studenten dat eenzaamheid overleeft in grote geografische gebieden toeneemt. Dit onderzoeksartikel presenteert een aanpak genaamd geoptimaliseerde aandacht verbeterde temporele grafiek convolutioneel netwerkgebaseerd cloudbronnentoewijzing ondersteund Internet of Things voor het gezondheidsmonitoringsysteem van studenten (HMS-AETGCN-NGOA-IoT). Het voorgestelde HMS-AETGCN-NGOA-IoT is geïmplementeerd met behulp van MATLAB. Om de gezondheidstoestand van studenten te detecteren, worden prestatie-indicatoren zoals precisie, nauwkeurigheid, F1-score, herinnering (gevoeligheid), specificiteit, foutpercentage, rekentijd en ROC meegenomen. De HMS-AETGCN-NGOA-IoT-benadering bereikt 19,11%, 24,12% en 28,13% hogere specificiteit; 24,93%, 23,04% en 9,51% lagere rekentijd; 15,2%, 25,45% en 13,91% hogere ROC-waarden; en respectievelijk 8,45%, 20,98% en 27,55% hogere nauwkeurigheid vergeleken met het bestaande Health Monitoring System gebaseerd op Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), Health Monitoring System gebaseerd op Support Vector Machine for Internet of Things (HMS-SVM-IoT) en Health Monitoring System gebaseerd op Deep Neural Network for Internet of Things (HMS-DNN-IoT) methoden.

Introduction

Een van de meest waardevolle en spannende onderzoeksgebieden is cloud computing¹. Deze computertechniek koopt structuur- en softwarediensten, en door gebruikers gevraagde diensten van Internet². Een aantal klanten, waaronder cloudcomputing-verzoeken, neemt dag na dag toe. Daarom is het verbeteren van de snelheid en precisie van cloud computing cruciaal³. Cloud computing verbetert patiëntmonitoring⁴. De cloud biedt een stabiele basis voor zware en grootschalige rekentaken, zoals gegevensopslag en -verwerking, apparaatservices en andere informatieverwerkingsactiviteiten⁵. Veel bedrijven en mensen geven de voorkeur aan cloud computing vanwege de noodzaak om enorme hoeveelheden data te archiveren, analyseren en begrijpen⁶. De financiële markt en de wetenschappelijke gemeenschap hebben de zorgsector recentelijk prioriteit gegeven. Grotendeels dankzij het potentieel voor onderzoek heeft deze sector^{veel financiering} aangetrokken. De gezondheidszorgsector kampt met een aantal problemen, zoals een gebrek aan middelen, hoge zorguitgaven en inefficiënt beheer van ziekenhuismiddelen⁸. Aanvullende logistieke taken omvatten het beperkte aantal bedden, apparatuur, zorgspecialisten en het volume medische zorg dat patiënten nodig hadden⁹.

Patiëntmonitoring gebeurt doorgaans passief, wat betekent dat medische teams de medicatie aansturen op basis van veranderingen in de gezondheidstoestand van de patiënt¹⁰. De toestand van de patiënt kan verslechteren in noodsituaties; Daarom is de reactietijd cruciaal. IoT biedt een breed scala aan kansen in de e-healthsector¹¹. Deze technologie heeft het vermogen om verschillende vakgebieden te ontwikkelen en de gezondheidszorg te verbeteren¹². IoT is cruciaal voor gezondheidszorgdiensten en fungeert als een accelerator voor de industrie. Lichaamssensornetwerken (BSN's) analyseren fysiologische kenmerken en symptomen terwijl ze kritieke signalen uitzenden die een arts kan onderzoeken om ongebruikelijke en onverwachte gebeurtenissen te signaleren¹³. Daarom kan noodmedicatie worden gegeven om levensbedreigende situaties^{te voorkomen 14}.

Met behulp van slimme technologieën onder IoT heeft de vooruitgang in de medische zorg het gemakkelijk gemaakt en de^{gezondheidsdiensten} verbeterd. IoT biedt een platform om doelstellingen te bereiken zoals het verbeteren van de levenskwaliteit van zieken of gehandicapten en het gemakkelijker maken van hun dagelijks leven¹⁶. Het heeft het eenvoudiger gemaakt voor degenen die niet fysiek bij de patiënten kunnen zijn om zorg te verlenen¹⁷. Als het op de juiste manier wordt toegepast, biedt de vakgebied dat e-health heet een aantal voordelen voor de samenleving¹⁸. Bovendien maakt het externe gegevensopslag mogelijk op cloudgebaseerde systemen en kan geautoriseerde gebruikers, waaronder externe specialisten en het interne team, samenwerken¹⁹. Het is ook een ideaal platform voor mobiele/tablet/PDA-gebaseerde gezondheidsapplicaties²⁰.

Het gebruik van smartphones opent verschillende mogelijkheden voor de ontwikkeling van effectieve gezondheidszorgdiensten en -oplossingen²¹. Bovendien hebben de meeste bestaande systemen nog steeds aanzienlijke beperkingen, zoals offline gegevensverzameling, verwerking en analyse, en het uitsluitend focussen op het diagnosticeren van chronische aandoeningen zoals hart- en vaatziekten en diabetes zonder gebruik te maken van voorspellende methoden²². Door deze beperkingen is de ontwikkelde gezondheidsobservatiemethode voor studenten afhankelijk van het gezondheidsfunctierapport in IoT-sporen, samen met biologische en gedragsmatige markers tegelijk. Het voorgestelde platform bevat biologische sensoren en hulpmiddelen voor gezondheidsverpleegkundigen voor het verzamelen en opslaan van gezondheidsgegevens van studenten²⁴. De verkregen gegevens worden vervolgens gebruikt door deep learning-algoritmen om de algehele gezondheidsfunctiestatus van de student^te volgen. De belangrijkste bijdragen van het onderzoekswerk worden hieronder samengevat.

In dit onderzoek wordt HMS-AETGCN-NGOA-IoT voorgesteld (Figuur 1). Het monitoren van de gezondheidstoestand van een student gebeurt door twee soorten parameters van gezondheidsproblemen te beoordelen: gedrags- en biologische veranderingsparameters. Om optimale voorspelling te bereiken, werd de Attention Enhanced Temporal Graph Convolutional Network (AETGCN)-techniek gebruikt om de gezondheidsfunctie van studenten te detecteren. DE HMS-AETGCN-NGOA-IoT-methode wordt geïmplementeerd in MATLAB en de effectiviteit wordt beoordeeld met behulp van verschillende prestatie-indicatoren (Figuur 2). De efficiëntie van de voorgestelde methode wordt geanalyseerd met de bestaande HMS-MPNN-IoT, HMS-SVM-IoT en HMS-DNN-IoT methoden.

Protocol

Alle benodigde materialen, software en apparatuur die in deze studie zijn gebruikt, worden vermeld in de Materiaaltafel.

Gegevensverzameling en voorbereiding

De dataset die in dit werk wordt gebruikt is de Student Mental Health Dataset, die is verkregen uit de openbaar beschikbare Kaggle-repository²⁶. De dataset bevat zelfgerapporteerde vragen en antwoorden verzameld van universiteitsstudenten, met demografische informatie, academische stress, slaappatronen en indicatoren gerelateerd aan mentale gezondheid. De gegevens omvatten zowel gevoelige als niet-gevoelige gezondheidsproblemen met een evenwichtige verdeling, wat geschikt is voor begeleid leren en prestatiebeoordeling. Deze dataset is onderverdeeld in twee categorieën: gevoelige en niet-gevoelige gebeurtenissen. Gevoelige gebeurtenissen zijn de aandoeningen die de gezondheid van studenten bedreigen, zoals extreme academische stress, langdurig slaapgebrek, hoge niveaus van angst- of depressiesymptomen, en ongezonde leefgewoonten zoals overmatig roken en drinken, terwijl niet-gevoelige gebeurtenissen geassocieerd worden met een normale of stabiele mentale gezondheid. Deze dataset is opgesplitst in trainings- en testsets, waarbij 70% van de steekproeven wordt toegewezen aan training en 30% aan het testen van het model. Voer tienvoudige kruisvalidatie uit voor modelevaluatie.

Datapreprocessing met behulp van tweeweg-recursieve filtering (TWRF)

Pas TWRF toe om ruis uit de invoerdataset²⁷ te verwijderen. Implementeer het filterproces met behulp van de wiskundige formulering: Voor een invoerrij X met waarde x_i op knooppunt i, pas je het recursieve filter toe.

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

waarbij a negatieve coëfficiënten voorstelt en b de huidige datawaarden. Bereken de waarde met behulp van de nodefunctie:

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

waarbij parameter 255 de maximale filterwaarde vertegenwoordigt. Bereken de knoopproductvector en bepaal de gewenste filterwaarde. Voer het volledige TWRF-proces uit om schone, voorbewerkte data te genereren met behulp van de uiteindelijke filtervergelijking.

Feature-extractie met adaptieve synchroextractingtransformatie (AST)

Pas AST toe om features te extraheren uit de voorbewerkte data²⁸. Extract van 12 numerieke kenmerken: leeftijd, gewicht, hartslag, slaapuren, nuchtere bloedsuiker, cholesterol, HDL, LDL, triglyceride, TSH, T4 en T3. De bovenstaande kenmerken zijn geselecteerd vanwege hun sterke klinische relevantie bij het beoordelen van fysieke en geestelijke gezondheidsproblemen²². Zo vertegenwoordigen hartslag en slaaptijden stress en vermoeidheid, terwijl bloedsuiker- en lipidenwaarden (cholesterol, HDL, LDL, triglyceriden) de metabole gezondheid vertegenwoordigen en schildklierhormonen (TSH, T3, T4) stemming en mentale gezondheid weergeven. Haal 5 nominale kenmerken uit zoals geslacht, lichaamstemperatuur, lichaamsdruk, sigarettengebruik en alcoholgebruik. Deze kenmerken worden geëxtraheerd omdat ze belangrijke demografische variabelen, fysiologische en leefstijlvariabelen definiëren die de gezondheidstoestand beïnvloeden. Gebruik de methode voor de identificatie van de richelcurve binnen AST met behulp van de tijd-frequentierepresentatie:

AST_x(t,ξ) = SET_x(t,ξ)δ(ξ - ξ_x(t))

Pas het adaptieve richelextractie-algoritme toe om interferentie-items te verminderen en optimale kenmerken te extraheren.

Modelimplementatie en optimalisatie

Configureer het aandachtsversterkte temporele graf convolutioneel netwerk (AETGCN) voor gezondheidsstatusdetectie²⁹met behulp van graafconvolutie

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

waarbij h_i het kenmerk is van knooppunt i, W de gewichtsfunctie en c_ij de normaliserende term.

Het doel van AT-GCN-eenheden implementeren met behulp van de poortmechanismen en uitvoertoestanden. Integreer ruimtelijke en temporele aandachtsmechanismen:

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

Temporaal: β_i = q^T tanh(W_hh_i + W_xx_i + b_h)

Bereken genormaliseerde significantiescores en implementeer temporele aandacht voor het wegen van framebelang.

Implementatie van het optimalisatiealgoritme van het Noordelijke Havik (NGOA)

Initialiseer NGOA voor het optimaliseren van AETGCN-parameters³⁰ met populatiematrix:

X = [X₁, X₂, ..., X_n]^T

Evalueer de doelstelling voor elk populatielid. Voer de exploratiefase uit voor prooiidentificatie:

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

X_i^nieuw, P¹ = {X_i + r(P_i - IX_i), FP_i < F_iX_i + r(X_i - P_i), FP_i ≥ F_i

Voer de exploitatiefase uit voor parameteroptimalisatie:

X_i^nieuw, 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

Optimaliseer iteratief de gewichtsparameters totdat aan de beëindigingscriteria is voldaan.

Modeltraining en evaluatie

Train het geoptimaliseerde AETGCN-model met behulp van de verwerkte kenmerken. De prestaties van het voorgestelde model werden gemeten met behulp van een verwarringsmatrix door de true positive (TP), true negative (TN), false positive (FP) en false negative (FN) waarden te berekenen voor gevoelige en niet-gevoelige gezondheidsgebeurtenissen. Met deze waarden werden prestatie-indicatoren zoals nauwkeurigheid, precisie, herinnering, F1-score, specificiteit, foutpercentage en ROC berekend om de classificatiecapaciteit van het voorgestelde model te meten. De resultaten werden vergeleken met HMS-MPNN-IoT, HMS-SVM-IoT en HMS-DNN-IoT modellen die dezelfde experimentele omgeving gebruikten, en de rekencomplexiteit werd gemeten aan de hand van de uitvoeringstijd die nodig was voor de verwerking.

Results

De representatieve resultaten bevestigen de effectiviteit van de voorgestelde HMS-AETGCN-NGOA-IoT-aanpak bij het identificeren van gevoelige en niet-gevoelige gezondheidsproblemen van studenten. Verbeterde nauwkeurigheid en F1-scorewaarden bewijzen de effectiviteit van het aandachtsmechanisme in het convolutioneel netwerk van de temporele grafiek bij het identificeren van de temporele patronen en relaties van de gezondheidskenmerken. De hoge specificiteit en ROC-curves zorgen voor nauwke...

Discussion

Het voorgestelde HMS-AETGCN-NGOA-IoT-model toont een aanzienlijke vooruitgang in geautomatiseerde monitoring van de gezondheid van studenten door IoT-gegevensacquisitie effectief te integreren met een geavanceerd deep learning-framework. De kern van het succes van dit model ligt in het Attention Enhanced Temporal Graph Convolutional Network (AETGCN), dat specifiek is ontworpen om de complexe, relationele en tijdsafhankelijke aard van gezondheidsdata te verwerken. Door studenten en hun fy...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	MathWorks		R2023a of nieuwer
Besturingssysteem	Windows 10
Persoonlijke computer	N/A		Geheugen 8 GB RAM
Processor	Intel, Core i5
Student Mental Health Dataset	Kaggle		https://www.kaggle.com/datasets/shariful07/student-mental-health