本方案描述了一种针对基于云的物联网（IoT）学生健康监测优化的注意力增强型时序图卷积网络。
研究文章
本方案描述了一种针对基于云的物联网（IoT）学生健康监测优化的注意力增强型时序图卷积网络。
传感器技术的进步为物联网（IoT）应用的快速扩展铺平了道路，可用于构建行为与生理监测系统，例如基于物联网的学生健康监护系统。由于在广阔地理区域内独自生活的学生人数不断增加，开展学生健康状况监测显得尤为必要。本文提出了一种名为“基于优化注意力增强时序图卷积网络与云资源分配支持的物联网学生健康监测系统”（HMS-AETGCN-NGOA-IoT）的方法。所提出的HMS-AETGCN-NGOA-IoT方法在MATLAB平台上实现。为检测学生的健康状态，采用了精确率、准确率、F1分数、召回率（灵敏度）、特异性、错误率、计算时间及ROC值等性能指标。与现有的基于消息传递神经网络的物联网健康监测系统（HMS-MPNN-IoT）、基于支持向量机的物联网健康监测系统（HMS-SVM-IoT）以及基于深度神经网络的物联网健康监测系统（HMS-DNN-IoT）方法相比，HMS-AETGCN-NGOA-IoT方法分别实现了19.11%、24.12%和28.13%更高的特异性；计算时间分别降低了24.93%、23.04%和9.51%；ROC值分别提高了15.2%、25.45%和13.91%；准确率分别提高了8.45%、20.98%和27.55%。
云计算是当前最具价值且最令人振奋的研究领域之一1。这种计算技术通过互联网获取架构和软件服务，并按用户需求提供相应服务2。随着越来越多的用户提出云计算需求，相关客户端数量与日俱增。因此，提升云计算的速度与精度至关重要3。云计算有助于改善患者监护效果4。云平台为复杂且大规模的计算任务提供了稳定的基础，例如数据存储与处理、设备服务以及其他信息处理活动5。由于需要存档、分析并理解海量数据，许多企业和个人都倾向于采用云计算6。近年来，金融界和学术界均将医疗保健服务领域列为重点发展方向。很大程度上得益于其在科研方面的潜力，该行业已吸引了大量资金投入7。医疗行业正面临诸多挑战，如资源短缺、医疗成本高昂以及医院资源管理效率低下8。其他后勤问题还包括病床、设备、医疗专业人员的不足，以及患者所需医疗服务量的增加9。
患者监测通常以被动方式进行，这意味着医疗团队根据患者的健康状况变化来调控药物使用10。在紧急情况下，患者的病情可能迅速恶化，因此响应时间至关重要。物联网（IoT）在电子健康领域提供了广泛的应用前景11。该技术有能力推动多个领域的发展并提升医疗服务水平12。物联网对医疗服务至关重要，并作为行业的加速器。体域传感器网络（BSNs）可分析生理特征和症状，同时传输关键信号供医生评估，以识别异常和突发情况13。因此，可及时给予急救药物，以避免危及生命的情况发生14。
在物联网（IoT）支持下，智能技术的应用使医疗护理进程变得更加便捷，并提升了健康服务水平15。物联网为实现改善患病或残疾人群生活质量、简化其日常生活等目标提供了平台支持16。它还使得无法亲自照护患者的人员能够更方便地提供护理服务17。若得到合理利用，电子健康（e-health）这一研究领域将为社会带来诸多益处18。此外，它支持将数据远程存储于基于云的系统中，并允许授权用户（包括外部专家和内部团队）进行协作19。它同时也是移动设备/平板电脑/个人数字助理（PDA）健康应用程序的理想平台20。
智能手机的使用为开发高效的医疗保健服务和解决方案开辟了多种前景21。然而，大多数现有系统仍存在显著局限性，例如数据采集、处理与分析依赖离线模式，且仅专注于诊断心血管疾病和糖尿病等慢性疾病，未采用预测性方法22。由于这些限制，所开发的学生健康监测方法同时依赖于物联网轨迹中的健康功能报告以及生物学和行为学标志物23。该建议的平台包含生物传感器和健康护理工具，用于采集和存储学生的健康数据24。所获取的数据随后由深度学习算法用于追踪学生整体健康功能状态25。本研究工作的主要贡献总结如下。
本研究提出了HMS-AETGCN-NGOA-IoT方法（图1）。通过评估两类健康状况参数——行为参数和生物变化参数，实现对学生健康状态的监测。 为实现最优预测，采用注意力增强时序图卷积网络（Attention Enhanced Temporal Graph Convolutional Network, AETGCN）技术来检测学生的健康功能状态。HMS-AETGCN-NGOA-IoT方法在MATLAB中实现，并通过多个性能指标评估其有效性（图2）。本文还将所提出的方法与现有的HMS-MPNN-IoT、HMS-SVM-IoT和HMS-DNN-IoT方法进行了效率对比分析。
访问受限。请登录或开始试用以查看此内容。
本研究中使用的所有必需材料、软件和设备均列在材料表中。
数据采集与准备
本研究所使用的数据集为学生心理健康数据集，该数据集来源于公开的 Kaggle 仓库26。该数据集包含大学生自报告的问卷问题与回答，涵盖人口统计学信息、学业压力、睡眠模式以及与心理健康相关的指标。数据中既包括敏感性健康状况，也包括非敏感性健康状况，且分布均衡，适用于监督学习与模型性能评估。该数据集被划分为两类：敏感性事件与非敏感性事件。敏感性事件指可能威胁学生健康的情况，例如极端的学业压力、长期睡眠不足、高水平的焦虑或抑郁症状，以及过度吸烟和饮酒等不健康的生活习惯；而非敏感性事件则与正常或稳定的心理健康状态相关。该数据集被划分为训练集和测试集，其中70%的样本用于模型训练，30%用于模型测试。采用十折交叉验证进行模型评估。
使用双向递归滤波（TWRF）进行数据预处理
应用 TWRF 以从输入数据集中去除噪声27。使用以下数学公式实现滤波过程：对于在节点 i 处取值为 xi 的输入行 X，应用递归滤波器。
yi = a1yi-1 + a2yi-2 + ... + akyi-k + b0xi + b1xi-1 + ... + bkxi-k
其中 a 表示负系数，b 表示当前数据值。使用节点函数计算该值：
f(i) = min(255, max(0, round(yi)))
其中参数 255 表示最大滤波值。计算节点乘积向量，并确定所需的滤波值。执行完整的 TWRF 过程，利用最终的滤波方程生成干净的预处理数据。
使用自适应同步提取变换（AST）进行特征提取
应用 AST 从预处理后的数据中提取特征28。提取 12 个数值型特征：age、weight、heartbeat、sleep hours、fasting blood sugar、Cholesterol、HDL、LDL、Triglyceride、TSH、T4 和 T3。选择上述特征的原因在于它们在评估身体和心理健康状况方面具有重要的临床相关性22。例如，Heartbeat 和 sleep hours 反映了压力与疲劳状态，而血糖和血脂指标（cholesterol、HDL、LDL、triglycerides）反映了代谢健康状况，甲状腺激素（TSH、T3、T4）则反映了情绪和心理健康状况。提取 5 个类别型特征，包括 gender、body temperature、body pressure、cigarette consumption 和 alcohol consumption。这些特征的提取是因为它们定义了影响健康状况的重要人口统计学、生理学和生活方式变量。在 AST 中利用基于时频表示的 ridge 曲线识别方法：
ASTx(t,ξ) = SETx(t,ξ)δ(ξ - ξx(t))
应用自适应脊线提取算法以减少干扰项并提取最优特征。
模型实现与优化
使用图卷积配置注意力增强型时序图卷积网络（AETGCN）以实现健康状态检测29
hi(I+1) = σ(∑j∈N(i) 1/cij W(I) hj(I))
其中 hi 是节点 i 的特征，W 是权重函数，cij 是归一化项。
利用门控机制和输出状态实现AT-GCN单元的功能。融合空间和时间注意力机制：
空间：eij = LeakyReLU(aT[Whi∥Whj])
时间维度：βi = qT tanh(Whhi + Wxxi + bh)
计算归一化的显著性分数，并实施时间注意力机制以对帧的重要性进行加权。
北雀鹰优化算法（NGOA）实现
使用种群矩阵初始化 NGOA，以优化 AETGCN 参数30：
X = [X1, X2, ..., Xn]T
评估每个种群成员的目标函数。实施探索阶段以识别猎物：
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
执行参数优化的优化阶段：
Xinew, P2 = {Xi + R(0,1) × (Pi - I×Xi), FPi < FiXi + R(0,1) × (Xi - Pi), FPi ≥ Fi
反复优化权重参数，直至满足终止条件。
模型训练与评估
使用处理后的特征训练优化的 AETGCN 模型。通过计算敏感与非敏感健康事件的真正例（TP）、真反例（TN）、假正例（FP）和假反例（FN）值，构建混淆矩阵以评估所提出模型的性能。基于这些值，计算准确率、精确率、召回率、F1 分数、特异性、错误率和 ROC 等性能指标，以衡量模型的分类能力。在相同的实验环境下，将本模型的结果与 HMS-MPNN-IoT、HMS-SVM-IoT 和 HMS-DNN-IoT 模型进行比较，并通过处理所需的执行时间来评估计算复杂度。
访问受限。请登录或开始试用以查看此内容。
代表性结果验证了所提出的HMS-AETGCN-NGOA-IoT方法在识别学生敏感与非敏感健康问题方面的有效性。提升的准确率和F1分数证明了时间图卷积网络中注意力机制在识别健康特征的时间模式与关联关系方面的有效性。较高的特异性及ROC曲线确保了准确识别并减少了误报，而较短的计算时间则证明了经NGOA优化方法的高效性。
使用配备 Intel Core i5、2.50 GHz CPU、8GB 内存、Windows 7 操作系统的 PC，在 MATLAB 中启动仿真，并采用学生医疗数据集（Student Healthcare Dataset）。将所提出的 HMS-AETGCN-NGOA-IoT 方法的实验结果与现有系统进行对比分析，包括 HMS-MPNN-IoT21、HMS-SVM-IoT22 和 HMS-DNN-IoT23。通过混淆矩阵分析性能指标，计算真阴性（TN）、真阳性（TP）、假阳性（FP）和假阴性（FN）。与现有方法相比，所提出的方法在...
访问受限。请登录或开始试用以查看此内容。
所提出的HMS-AETGCN-NGOA-IoT模型通过有效整合物联网数据采集与复杂的深度学习框架，在自动化学生健康监测方面实现了显著进步。该模型成功的核心在于注意力增强型时序图卷积网络（AETGCN），其专为处理健康数据的复杂性、关联性以及时序依赖特性而设计。通过将学生及其生理/行为参数建模为动态图，AETGCN能够捕捉传统序列模型可能遗漏的复杂空间关系以及时序模式。引入空间与时间注意力机制进一步优化了这一过程，通过动态调整不同健康特征和时间点的重要性权重，使模型能够聚焦于敏感健康事件最关键的指标。这种架构上的优势是该模型在所有评估指标上均表现出强大性能的主要原因。
采用北方苍鹰优化算法（NGOA）对AETGCN分类器进行优化是实现高精度和高准确率的关键因素。结果表明，NGOA能够有效调节模型的权重参数，从而实现更高效的收敛和更优的决策边界。这种优化配置直接带来了特异性较现有方法提升19.11%至28.13%，同时计算时间减少9.51%至24.93%。在医疗保健背景下，高特异性尤为重要，因为它可最大限度地减少误报（假阳性），确保不会将资源浪费在非关键病例的排查上，并减轻护理人员的警...
访问受限。请登录或开始试用以查看此内容。
作者无任何利益冲突需要披露。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| MATLAB | MathWorks | R2023a 或更高版本 | |
| 操作系统 | Windows 10 | ||
| 个人计算机 | 不适用 | 内存 8 GB RAM | |
| 处理器 | Intel Core i5 | ||
| 学生心理健康数据集 | Kaggle | https://www.kaggle.com/datasets/shariful07/student-mental-health |
访问受限。请登录或开始试用以查看此内容。
申请许可以重复使用本 JoVE 文章的文本或图表
申请许可This corrects the article 10.3791/69389