Оптимизированное внимание Улучшенный временной граф Поддерживаемый облачным распределением ресурсов на основе сверточной сети IoT для системы мониторинга здоровья студентов

Summary

Этот протокол описывает оптимизированную сверточную сеть с повышенным вниманием временного графа для облачного мониторинга здоровья студентов по Интернету вещей (IoT).

Abstract

Прогресс сенсорных технологий проложил путь для быстрого расширения приложений Интернета вещей (IoT) для создания систем поведенческого и физиологического мониторинга, таких как система мониторинга здравоохранения студентов на базе IoT. Статус наблюдения за здоровьем учащихся необходим, поскольку число студентов, переживающих одиночество, растёт в больших географических районах. В этой исследовательской статье представлен подход под названием оптимизированный внимание с улучшенным временным графом сверточного графа с поддержкой облачного распределения ресурсов в облаке для системы мониторинга здоровья студентов (HMS-AETGCN-NGOA-IoT). Предлагаемый HMS-AETGCN-NGOA-IoT реализуется с использованием MATLAB. Для выявления состояния здоровья учащихся учитываются показатели эффективности, такие как точность, точность, результат F1, воспоминание (чувствительность), специфичность, уровень ошибок, время вычислений и ROC. Подход HMS-AETGCN-NGOA-IoT достигает 19,11%, 24,12% и 28,13% более высокой специфичности; на 24,93%, 23,04% и на 9,51% меньше времени вычислений; на 15,2%, 25,45% и на 13,91% выше значения ROC; и на 8,45%, 20,98% и на 27,55% выше по точности по сравнению с существующей системой мониторинга здоровья на основе нейронной сети передачи сообщений для Интернета вещей (HMS-MPNN-IoT), системой мониторинга здоровья на основе Support Vector Machine for Internet of Things (HMS-SVM-IoT) и системой мониторинга здоровья на основе методов глубокой нейронной сети для Интернета вещей (HMS-DNN-IoT) соответственно.

Introduction

Одна из самых ценных и захватывающих областей исследований — облачные^{вычисления 1}. Эта вычислительная техника приобретает сервисы структуры и программного обеспечения, а также сервисы, запрашиваемые пользователями, через Internet². Число клиентов, включая запросы на облачные вычисления, растёт с каждым днём. В результате повышение скорости и точности облачных вычислений крайне^важно. Облачные вычисления улучшают мониторинг^{пациентов 4}. Облако обеспечивает стабильную основу для сложных и масштабных вычислительных задач, таких как хранение и обработка данных, сервисы устройств и другие задачи по обработке информации⁵. Многие компании и люди предпочитают облачные вычисления из-за необходимости архивировать, анализировать и понимать огромные объёмы данных⁶. Финансовый рынок и научное сообщество в последнее время отдали приоритет сектору здравоохранения. Во многом благодаря потенциалу для исследований, эта отрасль привлекла значительное^{финансирование 7}. Отрасль здравоохранения сталкивается с рядом проблем, таких как нехватка ресурсов, высокие расходы на здравоохранение и неэффективное управление ресурсами больниц⁸. Дополнительные логистические задачи включают ограниченное количество коек, оборудование, медицинских специалистов, а также объём медицинской помощи, необходимый^{пациентам 9}.

Мониторинг пациентов обычно проводится пассивно, то есть медицинские команды контролируют медицину в зависимости от изменений состояния здоровья^{пациента 10}. Состояние пациента может ухудшаться в экстренных ситуациях; Поэтому время отклика крайне важно. IoT предлагает широкий спектр возможностей в секторе электронного^{здравоохранения 11}. Эта технология способна развивать различные области и улучшать медицинские^{услуги 12}. IoT играет ключевую роль в медицинских услугах и служит отраслевым акселератором. Сети сенсоров тела (BSN) анализируют физиологические характеристики и симптомы, передавая критические сигналы для врача, чтобы выявить необычные и неожиданные^{события 13}. В результате для предотвращения опасных для жизни ситуаций могут назначаться экстренные^{препараты 14}.

Используя умные технологии в рамках IoT, прогресс в медицинской помощи упростил процесс и улучшил сферу^{здравоохранения 15}. IoT предлагает платформу для достижения целей, таких как повышение качества жизни больных или инвалидов и облегчение их^{повседневной жизни 16}. Это облегчило оказание помощи тем, кто не может физически находиться рядом^{с пациентами 17}. При правильном использовании отрасль исследований, известный как электронное здравоохранение, приносит обществу ряд^{преимуществ.} Кроме того, это позволяет удалённо хранить данные в облачных системах и позволяет авторизованным пользователям, включая внешних специалистов и внутреннюю команду,^{сотрудничать 19}. Это также идеальная платформа для мобильных, планшетных и PDA медицинских^{приложений 20}.

Использование смартфонов открывает множество перспектив для развития эффективных медицинских услуг и^{решений 21}. Кроме того, большинство существующих систем по-прежнему имеют значительные ограничения, такие как офлайн-сбор, обработка и анализ данных, а также сосредоточены исключительно на диагностике хронических заболеваний, таких как сердечно-сосудистые заболевания и диабет, без использования предиктивных^{методологий 22}. Из-за этих ограничений разработанный метод наблюдения за здоровьем студентов зависит от отчёта о функциях здоровья в IoT-следах, а также от биологических и поведенческих маркеров^{одновременно 23}. Предлагаемая платформа включает биологические сенсоры и инструменты медицинского сестринского дела для сбора и хранения медицинских данных^{студентов 24} года. Полученные данные затем используются алгоритмами глубокого обучения для отслеживания общего состояния функций здоровья^{студента 25}. Основные достижения исследовательской работы приведены ниже.

В этом исследовании предлагается HMS-AETGCN-NGOA-IoT (рисунок 1). Мониторинг состояния здоровья ученика осуществляется путем оценки двух типов параметров состояния: поведенческих и биологических изменений. Для достижения оптимального прогнозирования была использована техника Attention Enhanced Temporal Graph Convolutional Network (AETGCN) для определения состояния здоровья студентов. Метод HMS-AETGCN-NGOA-IoT реализуется в MATLAB, а эффективность оценивается с помощью нескольких показателей эффективности (см. рисунок 2). Эффективность предлагаемого метода анализируется с помощью существующих методов HMS-MPNN-IoT, HMS-SVM-IoT и HMS-DNN-IoT.

Protocol

Все необходимые материалы, программное обеспечение и оборудование, использованные в этом исследовании, указаны в Таблице материалов.

Сбор и подготовка данных

Набор данных, использованный в этой работе, — это набор данных по психическому здоровью студентов, полученный из общедоступного репозитория^{Kaggle 26}. Набор данных содержит вопросы и ответы, собранные от студентов университета, охватывающие демографическую информацию, академический стресс, режим сна и показатели, связанные с психическим здоровьем. Данные включают как чувствительные, так и нечувствительные состояния здоровья с сбалансированным распределением, что подходит для обучения под надзором и оценки эффективности. Этот набор данных делится на две категории: чувствительные и нечувствительные события. Чувствительные события — это состояния, угрожающие здоровью студентов, такие как сильный академический стресс, длительное недосыпание, высокий уровень тревожности или симптомов депрессии, а также нездоровые привычки, такие как чрезмерное курение и употребление алкоголя, тогда как нечувствительные события связаны с нормальным или стабильным психическим здоровьем. Этот набор данных разделён на обучающие и тестовые наборы, выделяя 70% образцов для обучения и 30% — для тестирования модели. Реализовать десятикратную кросс-валидацию для оценки модели.

Предварительная обработка данных с использованием двусторонней рекурсивной фильтрации (TWRF)

Примените TWRF для удаления шума из входного набора^{данных 27}. Реализуйте процесс фильтрации с помощью математической формулировки: для входной строки X со значением x_i в узле i примените рекурсивный фильтр.

y_i = a₁y_i-1 + a₂y_i-2 + ... + a_ky_i-k + b₀x_i + b₁x_i-1 + ... + b_kx_i-k

где a представляет отрицательные коэффициенты, а b — текущие значения данных. Вычислите значение с помощью функции узла:

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

где параметр 255 представляет максимальное значение фильтрации. Вычислите вектор произведения узла и определите желаемое значение фильтрации. Выполнить весь процесс TWRF для генерации чистых, предварительно обработанных данных с использованием финального уравнения фильтрации.

Извлечение признаков с помощью адаптивного синхронизвирующего преобразования (AST)

Примените AST для извлечения признаков из предварительно обработанных^{данных 28}. Выделите 12 числовых признаков: возраст, вес, сердцебиение, часы сна, уровень сахара натощак, холестерин, ЛПВП, ЛПНП, триглицериды, ТТГ, Т4 и Т3. Вышеуказанные характеристики выбраны из-за их высокой клинической значимости для оценки физических и психических^{состояний 22}. Например, сердцебиение и часы сна отражают стресс и усталость, тогда как уровень сахара в крови и липидов (холестерин, ЛПВП, ЛПНП, триглицериды) — метаболическое здоровье, а гормоны щитовидной железы (ТТГ, Т3, Т4) — настроение и психическое здоровье. Выделите 5 номинальных признаков, таких как пол, температура тела, давление тела, потребление сигарет и употребление алкоголя. Эти особенности выделены потому, что они определяют важные демографические, физиологические и образ жизни переменные, влияющие на состояние здоровья. Используйте метод идентификации гребневой кривой в AST с использованием временно-частотного представления:

AST_x(t,ξ) = SET_x(t,ξ)δ(ξ - ξ_x(t))

Примените адаптивный алгоритм экстракции по гребню для снижения интерференционных элементов и извлечения оптимальных признаков.

Реализация и оптимизация модели

Настройте сверточную сеть временного графа с повышенным вниманием (AETGCN) для определения состояния здоровья²⁹с использованием графовой свёртки

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

где h_i — признак узла i, W — функция веса, а c_ij — нормализующий член.

Реализовать назначение блоков AT-GCN с использованием механизмов затвора и выходных состояний. Включайте механизмы пространственного и временного внимания:

Пространственная: e_ij = LeakyReLU(^{a T}[Wh_i∥_{Wh j}])

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

Рассчитайте нормализованные показатели значимости и реализуйте временное внимание для взвешивания важности кадров.

Реализация алгоритма оптимизации Northern Goshawk (NGOA)

Инициализуйте NGOA для оптимизации параметров^{AETGCN 30} с помощью матрицы популяции:

X = [X₁,_{X 2}, ..., X_n]^T

Оцените целевую функцию для каждого члена популяции. Реализуйте фазу разведки для идентификации добычи:

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

Выполните фазу эксплуатации для оптимизации параметров:

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

Итеративно оптимизируйте параметры веса до достижения критериев завершения.

Обучение и оценка моделей

Обучить оптимизированную модель AETGCN с использованием обработанных признаков. Производительность предлагаемой модели измерялась с помощью матрицы пути расчёта истинно положительных (TP), истинно отрицательных (TN), ложноположительных (FP) и ложноотрицательных (FN) значений для чувствительных и нечувствительных случаев здоровья. Используя эти значения, были рассчитаны показатели эффективности, такие как точность, точность, воспоминание, оценка F1, специфичность, уровень ошибок и ROC для оценки способности к классификации предлагаемой модели. Результаты сравнивались с моделями HMS-MPNN-IoT, HMS-SVM-IoT и HMS-DNN-IoT, используя одну и ту же экспериментальную среду, а вычислительная сложность измерялась по времени выполнения, затраченному на обработку.

Results

Репрезентативные результаты подтверждают эффективность предлагаемого подхода HMS-AETGCN-NGOA-IoT в выявлении чувствительных и нечувствительных проблем со здоровьем студентов. Повышенная точность и значения F1 подтверждают эффективность механизма внимания в сверточной сети временного графа при выявлении временных закономерностей и взаимосвязей между признаками здоровья. Высокая специфичность и кривые ROC обеспечивают точную идентификацию с меньшим количеством ложных тревог, а меньшее врем...

Discussion

Предлагаемая модель HMS-AETGCN-NGOA-IoT демонстрирует значительный прогресс в автоматизированном мониторинге здоровья учащихся, эффективно интегрируя сбор данных IoT с современной системой глубокого обучения. Ядро успеха этой модели заключается в Attention Enhanced Temporal Graph Convolutional Network (AETGCN), специально разработанной для работы с сложной, реляционной и зависящей от времени природы медицинских данных. Моделируя студентов и их физиологические/поведенческие параметры в ви...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
MATLAB	MathWorks		R2023a или более позднее
Операционная система	Windows 10
Персональный компьютер	Н/Д		Память 8 ГБ оперативной памяти
Процессор	Intel, Core i5
Набор данных по психическому здоровью студентов	Каггл		https://www.kaggle.com/datasets/shariful07/student-mental-health