Otimização da Atenção Otimizada, Alocação de Recursos em Nuvem Baseada em Rede Convolucional Otimizada Otimizada, TIoT Suportado para Sistema de Monitoramento de Saúde dos Estudantes

Summary

Este protocolo descreve uma rede convolucional otimizada com gráficos temporais aprimorados por atenção para monitoramento da saúde estudantil baseada na Internet das Coisas (IoT) baseada em nuvem.

Abstract

As progressões na tecnologia dos sensores abriram caminho para a rápida expansão das aplicações da Internet das Coisas (IoT) para construir sistemas de monitoramento comportamental e fisiológico, como um sistema de monitoramento de saúde estudantil baseado em IoT. O status de observação da saúde dos estudantes é necessário porque o número de estudantes que sobrevivem à solidão está aumentando em grandes áreas geográficas. Este artigo de pesquisa apresenta uma abordagem chamada Internet of Things for Students' Health Monitoring System (HMS-AETGCN-NGOA-IoT) com atenção otimizada aprimorada em grafos temporais aprimorados. O HMS-AETGCN-NGOA-IoT proposto é implementado usando o MATLAB. Para detectar o estado de saúde dos alunos, são consideradas métricas de desempenho como precisão, exatidão, pontuação F1, Recordação (Sensibilidade), Especificidade, Taxa de Erro, Tempo de Computação e ROC. A abordagem HMS-AETGCN-NGOA-IoT alcança 19,11%, 24,12% e 28,13% de especificidade maior; 24,93%, 23,04% e 9,51% menos tempo de computação; 15,2%, 25,45% e 13,91% valores de ROC maiores; e 8,45%, 20,98% e 27,55% mais de precisão em comparação com o Sistema de Monitoramento de Saúde existente baseado em Rede Neural de Passagem de Mensagens para Internet das Coisas (HMS-MPNN-IoT), Sistema de Monitoramento de Saúde baseado em Máquina de Vetores de Suporte para Internet das Coisas (HMS-SVM-IoT) e Sistema de Monitoramento de Saúde baseado em métodos de Rede Neural Profunda para Internet das Coisas (HMS-DNN-IoT), respectivamente.

Introduction

Uma das áreas de pesquisa mais valiosas e empolgantes é a computação^{em nuvem 1}. Esse sistema de computação adquire serviços de estrutura e software, além de serviços solicitados pelos usuários da Internet². Vários clientes, incluindo as solicitações de computação em nuvem, estão crescendo dia após dia. Como resultado, aumentar a velocidade e a precisão da computação em nuvem é fundamental³. A computação em nuvem melhora o monitoramento do paciente⁴. A nuvem oferece uma base estável para tarefas de computação pesada e massiva, como armazenamento e processamento de dados, serviços de dispositivos e outras atividades de processamento^{de informações 5}. Muitas empresas e pessoas preferem a computação em nuvem devido à necessidade de arquivar, analisar e compreender grandes quantidades de^{dados 6}. O mercado financeiro e a comunidade acadêmica têm dado prioridade ao setor de serviços de saúde recentemente. Devido em grande parte ao seu potencial para pesquisa, essa indústria atraiu uma grande quantidade de financiamento⁷. A indústria da saúde está lidando com vários problemas, como falta de recursos, altos gastos com saúde e gestão ineficiente de recursos^{hospitalares.} Tarefas logísticas adicionais incluem o número limitado de leitos, equipamentos, especialistas em saúde, bem como o volume de atendimento médico que os pacientes^{necessitavam.}

O monitoramento do paciente é tipicamente feito de forma passiva, o que significa que as equipes médicas controlam a medicina com base nas mudanças no estado de saúde do^{paciente 10}. A condição do paciente pode se deteriorar em situações de emergência; Por isso, o tempo de resposta é crucial. A IoT oferece uma ampla gama de oportunidades no setor de e-saúde¹¹. Essa tecnologia tem a capacidade de avançar em diversos campos e aprimorar os serviços de saúde¹². A IoT é crucial para os serviços de saúde e serve como um acelerador do setor. Redes sensoriais corporais (BSNs) analisam características e sintomas fisiológicos enquanto transmitem sinais críticos para que um médico examine, a fim de identificar eventos incomuns e^{inesperados 13}. Como resultado, medicamentos de emergência podem ser administrados para evitar situações de risco^{de vida 14}.

Utilizando tecnologias inteligentes sob IoT, o avanço na saúde facilitou e aprimorou os serviços de^{saúde 15}. A IoT oferece uma plataforma para alcançar objetivos como melhorar a qualidade de vida de pessoas doentes ou com deficiência e facilitar suas vidas^{diárias 16}. Isso facilitou para quem não pode estar fisicamente com os pacientes prestar cuidados¹⁷. Se usado corretamente, o ramo de estudo conhecido como e-saúde apresenta várias vantagens para a sociedade¹⁸. Além disso, permite o armazenamento remoto de dados em sistemas baseados em nuvem e permite que usuários autorizados, incluindo especialistas externos e equipe interna,^{colaborem 19}. Também é uma plataforma ideal para aplicativos de saúde baseados em dispositivos móveis/tablets/^{PDA 20}.

O uso de smartphones abre várias perspectivas para o desenvolvimento de serviços e soluções de saúde^{eficazes 21}. Além disso, a maioria dos sistemas existentes ainda apresenta limitações significativas, como a coleta, processamento e análise offline de dados, além de focar exclusivamente no diagnóstico de condições crônicas como doenças cardiovasculares e diabetes, sem empregar metodologias^{preditivas 22}. Devido a essas limitações, o método de observação da saúde dos alunos desenvolvido depende do relatório de função de saúde nas trilhas de IoT, juntamente com marcadores biológicos e comportamentais ao mesmo tempo^. A plataforma sugerida inclui sensores biológicos e ferramentas de enfermagem para coleta e armazenamento de dados de saúde de^{estudantes de 24} anos. Os dados adquiridos são então usados por algoritmos de deep learning para acompanhar o estado geral de saúde do^{estudante 25}. As principais contribuições do trabalho de pesquisa estão resumidas abaixo.

Nesta pesquisa, é proposto HMS-AETGCN-NGOA-IoT (Figura 1). O monitoramento do estado de saúde do aluno é feito avaliando dois tipos de parâmetros da condição de saúde: parâmetros comportamentais e parâmetros de mudança biológica. Para alcançar a previsão ideal, a técnica Attention Enhanced Temporal Graph Convolutional Network (AETGCN) foi usada para detectar o estado de saúde dos estudantes. O MÉTODO HMS-AETGCN-NGOA-IoT é implementado no MATLAB, e a eficácia é avaliada usando várias métricas de desempenho (Figura 2). A eficiência do método sugerido é analisada com os métodos existentes HMS-MPNN-IoT, HMS-SVM-IoT e HMS-DNN-IoT.

Protocol

Todos os materiais, softwares e equipamentos necessários usados neste estudo são mencionados na Tabela de Materiais.

Aquisição e preparação de dados

O conjunto de dados utilizado neste trabalho é o Conjunto de Dados de Saúde Mental Estudantil, que foi obtido do repositório público^{Kaggle 26}. O conjunto de dados contém perguntas e respostas autorrelatadas coletadas de estudantes universitários, abrangendo informações demográficas, estresse acadêmico, padrões de sono e indicadores relacionados à saúde mental. Os dados incluem condições de saúde sensíveis e não sensíveis com distribuição balanceada, adequada para aprendizagem supervisionada e avaliação de desempenho. Este conjunto de dados é dividido em duas categorias: eventos sensíveis e não sensíveis. Eventos sensíveis são condições que ameaçam a saúde dos estudantes, como estresse acadêmico extremo, falta prolongada de sono, altos níveis de sintomas de ansiedade ou depressão, e hábitos de vida pouco saudáveis, como fumo e consumo excessivo de álcool, enquanto eventos não sensíveis estão associados a uma saúde mental normal ou estável. Esse conjunto de dados é dividido em conjuntos de treinamento e teste, alocando 70% das amostras para treinamento e 30% para testes do modelo. Implemente a validação cruzada dez vezes maior para avaliação do modelo.

Pré-processamento de dados usando filtragem recursiva bidirecional (TWRF)

Aplique TWRF para remover ruído do conjunto de dados^{de entrada 27}. Implemente o processo de filtragem usando a formulação matemática: Para uma linha de entrada X com valor_{x i} no nó i, aplique o filtro recursivo.

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

onde a representa coeficientes negativos e b representa os valores atuais dos dados. Calcule o valor usando a função de nó:

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

onde o parâmetro 255 representa o valor máximo de filtragem. Calcule o vetor produto de nós e determine o valor de filtragem desejado. Execute o processo completo do TWRF para gerar dados limpos e pré-processados usando a equação final de filtragem.

Extração de características usando transformada adaptativa de extração sincronizada (AST)

Aplique AST para extrair recursos dos dados^{pré-processados 28}. Extrato 12 características numéricas: idade, peso, batimentos cardíacos, horas de sono, açúcar no sangue em jejum, colesterol, HDL, LDL, triglicerídeos, TSH, T4 e T3. As características acima são selecionadas por sua forte relevância clínica na avaliação de condições de saúde física^{e mental 22.} Por exemplo, batimentos cardíacos e horas de sono representam estresse e fadiga, enquanto valores de açúcar no sangue e lipídios (colesterol, HDL, LDL, triglicerídeos) representam saúde metabólica, e hormônios da tireoide (TSH, T3, T4) representam humor e saúde mental. Extraia 5 características nominais como gênero, temperatura corporal, pressão corporal, consumo de cigarro e consumo de álcool. Essas características são extraídas porque definem variáveis demográficas, fisiológicas e de estilo de vida importantes que afetam o estado de saúde. Utilize o método de identificação de curvas de crista dentro do AST usando a representação tempo-frequência:

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

Aplique o algoritmo de extração adaptativa de crista para reduzir itens de interferência e extrair características ótimas.

Implementação e otimização de modelos

Configure a rede convolucional de grafos temporais aprimorados por atenção (AETGCN) para a detecção de status de saúde²⁹usando convolução de grafos

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

onde h_i é a característica do nó i, W é a função de peso, e c_ij é o termo de normalização.

Implementar o propósito das unidades AT-GCN usando os mecanismos de porta e os estados de saída. Incorpore mecanismos de atenção espacial e temporal:

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

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

Calcule as pontuações de significância normalizadas e implemente atenção temporal para ponderação de importância do quadro.

Implementação do algoritmo de otimização do Northern Goshawk (NGOA)

Inicialize o NGOA para otimizar os parâmetros³⁰ do AETGCN com matriz populacional:

X = [X₁, X₂, ..., X_n]^T

Avalie a função objetivo para cada membro da população. Implemente a fase de exploração para identificação de presas:

P_i =_{X k}, i = 1,2,...,N, k = 1,2,...,i-1,i+1,...,N

X_i^novo, P¹ = {X_i + r(P_i - IX_i), FP_i < F_{iX i} + r(X_i - P_i), FP_i ≥ F_i

Execute a fase de exploração para otimização de parâmetros:

X_i^novo, 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

Otimizar iterativamente os parâmetros de peso até que os critérios de término sejam atendidos.

Treinamento e avaliação de modelos

Treine o modelo otimizado do AETGCN usando os recursos processados. O desempenho do modelo proposto foi medido usando uma matriz de confusão calculando os valores verdadeiros positivos (TP), verdadeiros negativos (TN), falsos positivos (FP) e falsos negativos (FN) para eventos de saúde sensíveis e não sensíveis. Usando esses valores, métricas de desempenho como precisão, exatião, recordação, pontuação F1, especificidade, taxa de erro e ROC foram calculadas para medir a capacidade de classificação do modelo proposto. Os resultados foram comparados com modelos HMS-MPNN-IoT, HMS-SVM-IoT e HMS-DNN-IoT usando o mesmo ambiente experimental, e a complexidade computacional foi medida usando o tempo de execução necessário para o processamento.

Results

Os resultados representativos validam a eficácia da abordagem proposta HMS-AETGCN-NGOA-IoT na identificação de questões sensíveis e não sensíveis de saúde dos estudantes. Maior precisão e valores de pontuação F1 comprovam a eficácia do mecanismo de atenção na rede convolucional de grafos temporais na identificação dos padrões temporais e relações das características de saúde. As curvas de alta especificidade e ROC garantem identificação precisa com menos falsos alarmes, e o menor tempo d...

Discussion

O modelo proposto HMS-AETGCN-NGOA-IoT demonstra um avanço significativo no monitoramento automatizado da saúde dos estudantes ao integrar efetivamente a aquisição de dados de IoT com uma sofisticada estrutura de deep learning. O núcleo do sucesso desse modelo está na Rede Convolucional de Grafos Temporais Aprimorados por Atenção (AETGCN), que foi especificamente projetada para lidar com a natureza complexa, relacional e dependente do tempo dos dados de saúde. Ao modelar os alunos e seus ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	MathWorks		R2023a ou posterior
Sistema operacional	Windows 10
Computador Pessoal	N/A		Memória 8 GB de RAM
Processador	Intel, Core i5
Conjunto de Dados de Saúde Mental Estudantil	Kaggle		https://www.kaggle.com/datasets/shariful07/student-mental-health