Research Article

Optymalizacja uwagi, wzmocniony graf czasowy, konwolucyjne sieciowe przydzielanie zasobów chmurowych wspierane dla systemu monitorowania zdrowia uczniów

DOI:

10.3791/69389

⸱

January 30th, 2026

 ,  ,  ,  ,  , 
1Department of Electronics and Communication Engineering, Gayatri Vidya Parishad College of Engineering (A), 2Department of Computer Science and Engineering, MVGR College of Engineering (A), 3Department of Computer Science and Engineering, CVR College of Engineering, 4Department of Computer Science and Engineering, Malla Reddy College of Engineering and Technology, 5Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, 6Department of Electronics and Communication Engineering, MVGR College of Engineering

In This Article

Erratum Notice

Important: There has been an erratum issued for this article. View Erratum Notice

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Protokół ten opisuje zoptymalizowaną, zwiększaną uwagę sieć splotową grafów czasowych do monitorowania zdrowia studentów w chmurze opartej na Internecie Rzeczy (IoT).

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Postęp technologiczny sensorów utorował drogę do szybkiego rozwoju aplikacji Internetu Rzeczy (IoT) do budowy systemów monitorowania zachowań i fizjologicznych, takich jak system monitorowania opieki zdrowotnej studentów oparty na IoT. Status obserwacji zdrowia uczniów jest konieczny, ponieważ liczba studentów, którzy przetrwali samotność, rośnie na dużych obszarach geograficznych. Niniejszy artykuł naukowy przedstawia podejście nazwane zoptymalizowanym zoptymalizowanym uwagą zwiększonym grafem temporalnym o wspólnej sieci wspieranej przez Internet rzeczy wspierany przez Internet rzeczy dla systemu monitorowania zdrowia uczniów (HMS-AETGCN-NGOA-IoT). Proponowany system HMS-AETGCN-NGOA-IoT jest realizowany przy użyciu MATLAB. Aby wykryć stan zdrowia uczniów, brane są pod uwagę wskaźniki wydajności takie jak precyzja, dokładność, wynik F1, Przypomnienie (wrażliwość), Specyficzność, Wskaźnik błędów, czas obliczeń oraz ROC. Podejście HMS-AETGCN-NGOA-IoT osiąga o 19,11%, 24,12% i 28,13% wyższą specyficzność; 24,93%, 23,04% i 9,51% krótszy czas obliczeń; 15,2%, 25,45% i 13,91% wyższe wartości ROC; oraz o 8,45%, 20,98% i o 27,55% wyższa dokładność w porównaniu z istniejącym systemem monitorowania zdrowia opartym odpowiednio na Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), System monitorowania zdrowia opartym na maszynie wektorowej wspierającej Internet rzeczy (HMS-SVM-IoT) oraz systemie monitorowania zdrowia opartym na metodach Deep Neural Network for Internet of Things (HMS-DNN-IoT).

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Jednym z najbardziej wartościowych i ekscytujących obszarów badawczych jest chmura obliczeniowa1. Ta technika obliczeniowa polega na zakupie usług strukturalnych i programowych oraz usług zamawianych przez użytkowników z Internet2. Liczba klientów, w tym zapotrzebowanie na chmurę obliczeniową, rośnie z dnia na dzień. W związku z tym poprawa szybkości i precyzji przetwarzania w chmurze jest kluczowa3. Chmura obliczeniowa poprawia monitorowanie pacjentów4. Chmura zapewnia stabilną podstawę dla trudnych i masowych zadań obliczeniowych, takich jak przechowywanie i przetwarzanie danych, usługi urządzeń oraz inne działania związane z przetwarzaniem informacji5. Wiele firm i osób preferuje chmurę obliczeniową ze względu na wymóg archiwizowania, analizowania i rozumienia ogromnych ilości danych6. Rynek finansowy i środowisko naukowe ostatnio przyznały sektorowi usług zdrowotnych priorytet. W dużej mierze dzięki potencjałowi badawczemu ta branża przyciągnęła znaczne środki finansowe7. Branża opieki zdrowotnej boryka się z wieloma problemami, takimi jak brak zasobów, wysokie wydatki na opiekę zdrowotną oraz nieefektywne zarządzanie zasobami szpitalnymi8. Dodatkowe zadania logistyczne obejmują ograniczoną liczbę łóżek, sprzętu, specjalistów medycznych oraz ilość opieki medycznej potrzebnej pacjentom9.

Monitorowanie pacjentów jest zazwyczaj prowadzone pasywnie, co oznacza, że zespoły medyczne kontrolują leki na podstawie zmian w stanie zdrowia pacjenta10. Stan pacjenta może się pogorszyć w sytuacjach nagłych; dlatego czas reakcji jest kluczowy. IoT oferuje szeroki zakres możliwości w sektorze e-zdrowia11. Ta technologia ma potencjał rozwoju różnych dziedzin i ulepszania usług zdrowotnych12. IoT jest kluczowe dla usług zdrowotnych i pełni rolę akceleratora branży. Sieci czujników ciała (BSN) analizują cechy fizjologiczne i objawy, przekazując jednocześnie kluczowe sygnały, aby lekarz mógł je zbadać w celu wykrycia nietypowych i nieoczekiwanych zdarzeń13. W związku z tym można podać leki doraźne, aby uniknąć sytuacji zagrażających życiu14.

Dzięki inteligentnym technologiom w ramach IoT, postęp w opiece zdrowotnej ułatwił to i rozwinąłjakość usług zdrowotnych. IoT oferuje platformę do realizacji celów takich jak poprawa jakości życia osób chorych lub niepełnosprawnych oraz ułatwianie im codziennego życia16. Ułatwiło to osobom, które nie mogą fizycznie być przy pacjentach, zapewnienie opieki17. Jeśli jest właściwie stosowana, dziedzina znana jako e-zdrowie niesie ze sobą szereg korzyścidla społeczeństwa. Ponadto umożliwia zdalne przechowywanie danych w systemach chmurowych oraz umożliwia współpracę upoważnionym użytkownikom, w tym zewnętrznym specjalistom i zespołowi wewnętrznym. Jest to także idealna platforma dla aplikacji zdrowotnych opartych na urządzeniach mobilnych/tabletowych/PDA20.

Wykorzystanie smartfonów otwiera wiele perspektyw rozwoju skutecznych usług i rozwiązań medycznych21. Ponadto większość istniejących systemów nadal ma istotne ograniczenia, takie jak offline, przetwarzanie i analiza danych, a także skupianie się wyłącznie na diagnozowaniu chorób przewlekłych, takich jak choroby sercowo-naczyniowe i cukrzyca, bez stosowania metodologii predykcyjnych22. Ze względu na te ograniczenia, opracowana metoda obserwacji zdrowia uczniów opiera się na raporcie funkcji zdrowia w ścieżkach IoT, a także na markerach biologicznych i behawioralnychw tym samym czasie. Proponowana platforma zawiera biologiczne sensory oraz narzędzia pielęgniarskie do zbierania i przechowywania danych zdrowotnych od uczniów24 lat. Zebrane dane są następnie wykorzystywane przez algorytmy uczenia głębokiego do śledzenia ogólnego stanu zdrowia ucznia25. Główne osiągnięcia badań są podsumowane poniżej.

W tych badaniach proponowano HMS-AETGCN-NGOA-IoT (Rysunek 1). Monitorowanie stanu zdrowia ucznia polega na ocenie dwóch typów parametrów schorzenia: behawioralnych i biologicznych. Aby osiągnąć optymalną prognozę, zastosowano technikę Attention Enhanced Temporal Graph Convolutional Network (AETGCN) do wykrywania stanu funkcji zdrowotnych uczniów. Metoda HMS-AETGCN-NGOA-IoT jest implementowana w MATLAB, a skuteczność oceniana jest za pomocą kilku wskaźników wydajności (Rysunek 2). Efektywność proponowanej metody jest analizowana za pomocą istniejących metod HMS-MPNN-IoT, HMS-SVM-IoT oraz HMS-DNN-IoT.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wszystkie wymagane materiały, oprogramowanie i sprzęt użyte w tym badaniu są wymienione w Tabeli Materiałów.

Pozyskiwanie i przygotowanie danych

Zbiorem danych używanym w tej pracy jest Student Mental Health Dataset, który został pozyskany z publicznie dostępnego repozytorium Kaggle26. Zbiór danych zawiera samodzielnie opisane pytania i odpowiedzi zebrane od studentów uniwersytetów, obejmujące dane demograficzne, stres akademicki, wzorce snu oraz wskaźniki związane ze zdrowiem psychicznym. Dane obejmują zarówno wrażliwe, jak i niewrażliwe schorzenia o zrównoważonym rozkładzie, co nadaje się do uczenia się pod nadzorem i oceny wydajności. Ten zbiór danych dzieli się na dwie kategorie: zdarzenia wrażliwe i niewrażliwe. Wrażliwe zdarzenia to schorzenia zagrażające zdrowiu studentów, takie jak ekstremalny stres akademicki, długotrwały brak snu, wysoki poziom lęku lub objawów depresji oraz niezdrowe nawyki życia, takie jak nadmierne palenie i picie alkoholu, podczas gdy zdarzenia niewrażliwe wiążą się z normalnym lub stabilnym zdrowiem psychicznym. Zbiór danych jest podzielony na zestawy treningowe i testowe, przydzielając 70% próbek do treningu, a 30% do testowania modelu. Wprowadź dziesięciokrotną walidację krzyżową dla oceny modelu.

Wstępne przetwarzanie danych za pomocą dwukierunkowego filtrowania rekurencyjnego (TWRF)

Zastosuj TWRF, aby usunąć szumy z wejściowego zbioru danych27. Zaimplementuj proces filtrowania za pomocą matematycznej formuły: Dla wiersza wejściowego X o wartości xi w węźle i zastosuj filtr rekurencyjny.

yi =a 1yi-1 + a2yi-2 + ... + akyi-k + b0xi + b1xi-1 + ... + bkxi-k

gdzie a oznacza ujemne współczynniki, a b oznacza aktualne wartości danych. Oblicz wartość za pomocą funkcji węzła:

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

gdzie parametr 255 oznacza maksymalną wartość filtrowania. Oblicz wektor iloczynu węzła i określ pożądaną wartość filtrowania. Wykonaj cały proces TWRF, aby wygenerować czyste, wstępnie przetworzone dane przy użyciu końcowego równania filtrowania.

Ekstrakcja cech z wykorzystaniem adaptacyjnej transformacji synchroekstrakcyjnej (AST)

Zastosowanie AST do wyodrębnienia cech z danych wstępnie przetworzonych28. Wyodrębnimy 12 cech liczbowych: wiek, waga, tętno, godziny snu, poziom cukru na czo, cholesterol, HDL, LDL, trójgliceryd, TSH, T4 i T3. Powyższe cechy zostały wybrane ze względu na ich silne znaczenie kliniczne w ocenie zaburzeń zdrowia fizycznego i psychicznego22. Na przykład tętno i godziny snu oznaczają stres i zmęczenie, podczas gdy poziom cukru we krwi i wartości lipidów (cholesterol, HDL, LDL, trójglicerydy) reprezentują zdrowie metaboliczne, a hormony tarczycy (TSH, T3, T4) nastrój i zdrowie psychiczne. Wyodrębnijmy 5 nominalnych cech, takich jak płeć, temperatura ciała, ciśnienie ciała, spożycie papierosów i alkohol. Cechy te są wyodrębniane, ponieważ definiują ważne zmienne demograficzne, fizjologiczne i stylowe wpływające na stan zdrowia. Wykorzystaj metodę identyfikacji krzywej grzbietowej w AST z wykorzystaniem reprezentacji czasowo-częstotliwościowej:

ASTx(t,ξ) = SETx(t,ξ)δ(ξ - ξx(t))

Zastosuj algorytm adaptacyjnej ekstrakcji grzbietów do redukcji elementów interferencyjnych i wyodrębnienia optymalnych cech.

Implementacja i optymalizacja modelu

Konfiguruj sieć splotową grafów temporalnych z wzmocnioną uwagą (AETGCN) do wykrywania stanu zdrowia29za pomocą splotu grafu

hi(I+1) = σ(∑j∈N(i) 1/cij W(I) hj(I))

gdzie hi to cecha węzła i, W to funkcja wagowa, a cij to wyraz normalizujący.

Implementować cele jednostek AT-GCN za pomocą mechanizmów bramek i stanów wyjściowych. Włącz mechanizmy uwagi przestrzennej i czasowej:

Przestrzenny: eij = LeakyReLU(aT[Whi∥Whj])

Czasowe: βi = qT tanh (Whh i + Wxxi + bh)

Oblicz znormalizowane oceny istotności i wprowadź uwagę czasową do ważenia ramy.

Implementacja algorytmu optymalizacji Północnego Jastrzębia (NGOA)

Inicjalizuj NGOA do optymalizacji parametrów AETGCN30 z macierzą populacji:

X = [X1, X2, ..., Xn]T

Oceń funkcję celu dla każdego członka populacji. Wprowadź fazę eksploracji do identyfikacji ofiary:

Pi = Xk, i = 1,2,...,N, k = 1,2,...,i-1,i+1,...,N

Xinew, P1 = {Xi + r(Pi - IXi), FPi < FiXi + r(Xi - Pi), FPi ≥ Fi

Wykonaj fazę eksploatacji do optymalizacji parametrów:

Xinew, P2 = {Xi + R(0,1) × (Pi - I×Xi), FPi < FiXi + R(0,1) × (Xi - Pi), FPi ≥ Fi

Iteracyjne optymalizowanie parametrów wag, aż spełnione zostaną kryteria zakończenia.

Trening i ocena modelu

Wytrenuj zoptymalizowany model AETGCN z wykorzystaniem przetworzonych funkcji. Wydajność proponowanego modelu była mierzona za pomocą macierzy pomyłek poprzez obliczenie wartości prawdziwie pozytywnych (TP), prawdziwie negatywnych (TN), fałszywie pozytywnych (FP) oraz fałszywie negatywnych (FN) dla wrażliwych i nieczułych zdarzeń zdrowotnych. Na podstawie tych wartości obliczono metryki wydajności takie jak dokładność, precyzja, przypomnienie, wynik F1, specyficzność, wskaźnik błędów oraz ROC, aby zmierzyć zdolność klasyfikacji proponowanego modelu. Wyniki porównano z modelami HMS-MPNN-IoT, HMS-SVM-IoT i HMS-DNN-IoT w tym samym środowisku eksperymentalnym, a złożoność obliczeniowa mierzono na podstawie czasu wykonania potrzebnego na przetwarzanie.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reprezentatywne wyniki potwierdzają skuteczność proponowanego podejścia HMS-AETGCN-NGOA-IoT w identyfikacji wrażliwych i niewrażliwych problemów zdrowotnych studentów. Zwiększona dokładność i wartości F1 potwierdzają skuteczność mechanizmu uwagi w sieci splotowej grafu czasowego w identyfikacji wzorców czasowych i zależności cech zdrowotnych. Wysoka swoistość i krzywe ROC zapewniają dokładną identyfikację przy mniejszej liczbie fałszywych alarmów, a krótszy czas obliczeń dowodzi efektywności podejścia zoptymalizowanego p...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Proponowany model HMS-AETGCN-NGOA-IoT pokazuje znaczący postęp w automatycznym monitorowaniu zdrowia uczniów poprzez skuteczną integrację pozyskiwania danych IoT z zaawansowanymi ramami deep learning. Sednem sukcesu tego modelu jest Attention Enhanced Temporal Graph Convolutional Network (AETGCN), który został specjalnie zaprojektowany do obsługi złożonego, relacyjnego i czasowego charakteru danych zdrowotnych. Modelując uczniów i ich parametry fizjologiczne/behawioralne jako dynamiczny graf, AETGCN może uchwycić złożone...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają żadnych podziękowań.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLABMathWorksR2023a lub nowszy
System operacyjnyWindows 10
Komputer osobistyNie maPamięć 8 GB RAM
ProcesorIntel, Core i5
Zbiór danych o zdrowiu psychicznym uczniówKagglehttps://www.kaggle.com/datasets/shariful07/student-mental-health

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Kondaka, L. S., Thenmozhi, M., Vijayakumar, K., Kohli, R. An intensive healthcare monitoring paradigm by using IoT-based machine learning strategies. Multimedia Tools Appl. 81 (26), 36891-36905 (2022).
  2. Malarvizhi Kumar, P., Hong, C. S., Chandra Babu, G., Selvaraj, J., Gandhi, U. D. RETRACTED ARTICLE: Cloud-and IoT-based deep learning technique-incorporated secured health monitoring system for dead diseases. Soft Comput. 25 (18), 12159-12174 (2021).
  3. RajanJeyaraj, P., Nadar, E. R. S. Smart-monitor: Patient monitoring system for IoT-based healthcare system using deep learning. IETE J Res. 68 (2), 1435-1442 (2022).
  4. Balakrishnan, S., Suresh Kumar, K., Ramanathan, L., Muthusundar, S. K. IoT for health monitoring system based on machine learning algorithm. Wireless Personal Comm. , 1-17 (2022).
  5. Juyal, S., Sharma, S., Shukla, A. S. Smart skin health monitoring using AI-enabled cloud-based IoT. Mater Today Proc. 46, 10539-10545 (2021).
  6. Nagarajan, S. M., Deverajan, G. G., Chatterjee, P., Alnumay, W., Ghosh, U. Effective task scheduling algorithm with deep learning for Internet of Health Things (IoHT) in sustainable smart cities. Sustain Cities Soc. 71, 102945(2021).
  7. Chakraborty, C., Kishor, A. Real-time cloud-based patient-centric monitoring using computational health systems. IEEE Trans Comp Social Sys. 9 (6), 1613-1623 (2022).
  8. Wang, C., et al. A smart municipal waste management system based on deep-learning and Internet of Things. Waste Manag. 135, 20-29 (2021).
  9. Awotunde, J. B., Folorunso, S. O., Bhoi, A. K., Adebayo, P. O., Ijaz, M. F. Disease diagnosis system for IoT-based wearable body sensors with machine learning algorithm. Hybrid Artif Intell IoT Healthcare. , 201-222 (2021).
  10. Cakir, M., Guvenc, M. A., Mistikoglu, S. The experimental application of popular machine learning algorithms on predictive maintenance and the design of IIoT based condition monitoring system. Comp Industrial Eng. 151, 106948(2021).
  11. Desai, F., et al. HealthCloud: A system for monitoring health status of heart patients using machine learning and cloud computing. Internet Things. 17, 100485(2022).
  12. Iyer, S., et al. Structural health monitoring of railway tracks using IoT-based multi-robot system. Neural Comp Appl. 33, 5897-5915 (2021).
  13. Bhardwaj, V., Joshi, R., Gaur, A. M. IoT-based smart health monitoring system for COVID-19. SN Comp Sci. 3 (2), 137(2022).
  14. Gupta, L., et al. Cybersecurity of multi-cloud healthcare systems: A hierarchical deep learning approach. Appl Soft Comp. 118, 108439(2022).
  15. Lakhan, A., et al. Deep neural network-based application partitioning and scheduling for hospitals and medical enterprises using IoT assisted mobile fog cloud. Enterprise Info Sys. 16 (7), 1883122(2022).
  16. Qi, W., Su, H. A cybertwin-based multimodal network for ECG patterns monitoring using deep learning. IEEE Trans Industrial Info. 18 (10), 6663-6670 (2022).
  17. Qureshi, M. A., et al. Deep learning-based ambient assisted living for self-management of cardiovascular conditions. Neural Comp Appl. , 1-19 (2021).
  18. Nasser, N., et al. A smart healthcare framework for detection and monitoring of COVID-19 using IoT and cloud computing. Neural Comp Appl. , 1-15 (2021).
  19. Sarangi, A. K., Mohapatra, A. G., Mishra, T. C., Keswani, B. Healthcare 4.0: A voyage of fog computing with iot, cloud computing, big data, and machine learning. Fog Comp Healthcare Environ Technical Societal Future Implicat. , 177-210 (2021).
  20. Tran, M. Q., et al. Reliable deep learning and IoT-based monitoring system for secure computer numerical control machines against cyber-attacks with experimental verification. IEEE Access. 10, 23186-23197 (2022).
  21. Souri, A., et al. A new machine learning-based healthcare monitoring model for student's condition diagnosis in Internet of Things environment. Soft Comp. 24 (22), 17111-17121 (2020).
  22. Hong-Tan, L. I., Cui-Hua, K., Muthu, B., Sivaparthipan, C. B. Big data and ambient intelligence in IoT-based wireless student health monitoring system. Aggress Violent Behav. , 101601(2021).
  23. Wu, X., Liu, C., Wang, L., Bilal, M. Internet of things-enabled real-time health monitoring system using deep learning. Neural Comp Appl. , 1-12 (2021).
  24. Iranpak, S., Shahbahrami, A., Shakeri, H. Remote patient monitoring and classifying using the internet of things platform combined with cloud computing. J Big Data. 8, 1-22 (2021).
  25. Dang, H. V., Tatipamula, M., Nguyen, H. X. Cloud-based digital twinning for structural health monitoring using deep learning. IEEE Trans Ind Info. 18 (6), 3820-3830 (2021).
  26. Student Mental Health Dataset. , https://www.kaggle.com/datasets/shariful07/student-mental-health (2023).
  27. Tu, W. C., Chien, S. Y. Two-Way Recursive Filtering. IEEE Trans Circuits Sys Video Technol. 31 (11), 4255-4268 (2021).
  28. Yan, Z., Xu, Y., Zhang, K., Hu, A., Yu, G. Adaptive synchroextracting transform and its application in bearing fault diagnosis. ISA Trans. 137, 574-589 (2023).
  29. Sheng, W., Li, X. Multi-task learning for gait-based identity recognition and emotion recognition using attention-enhanced temporal graph convolutional network. Pattern Recognit. 114, 107868(2021).
  30. El-Dabah, M. A., El-Sehiemy, R. A., Hasanien, H. M., Saad, B. Photovoltaic model parameters identification using Northern Goshawk Optimization algorithm. Energy. 262, 125522(2023).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Erratum

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Formal Correction: Erratum: Optimized Attention Enhanced Temporal Graph Convolutional Network-based Cloud Resource Allocation Supported IoT for Students' Health Monitoring System
Posted by JoVE Editors on 3/27/2026. Citeable Link.

This corrects the article 10.3791/69389

Tags

IoT Health MonitoringCloud Resource AllocationTemporal Graph ConvolutionStudent Health MonitoringSensor TechnologyAttention MechanismMATLAB ImplementationPerformance MetricsBehavioral MonitoringPhysiological Monitoring

Related Articles