《Knowledge-Based Systems》：Task Prioritization and Distributed Deep Reinforcement Learning for Healthcare Management in Cloud-Edge Environments
编辑推荐：
Kumaran K|Saranya G|Siva Priya M S|M. VidhyaLakshmi印度泰米尔纳德邦金奈校区，Vellore科学技术学院计算机科学与工程学院摘要在云-边缘环境中，基于任务卸载的医疗管理是一种变革性方法，它能够动态地在物联网设备、边缘服务器和集中式
Kumaran K|Saranya G|Siva Priya M S|M. VidhyaLakshmi
印度泰米尔纳德邦金奈校区，Vellore科学技术学院计算机科学与工程学院
摘要
在云-边缘环境中，基于任务卸载的医疗管理是一种变革性方法，它能够动态地在物联网设备、边缘服务器和集中式云基础设施之间分配计算任务。在这项研究中，提出了一种基于任务优先级的分布式堆叠深度强化学习策略，用于云-边缘环境中的任务卸载管理。生理数据从物联网支持的医疗设备中持续收集，并传输到边缘层进行预处理，以提高数据质量。通过结合基于Transformer的注意力机制和双向长短期记忆网络，实现了混合时态-上下文融合模块，以捕捉生理信号中的时态依赖性和上下文关系。分析健康严重指数以评估患者风险等级，并根据提取的特征动态优先处理医疗任务。云层中的不确定性感知优先级驱动的分布式堆叠深度强化学习模型负责解决设备、边缘和云资源之间的最佳任务卸载决策。堆叠卷积神经网络用于学习系统状态的紧凑表示，Q值用于评估卸载动作。该技术通过集成不确定性感知学习机制和多目标奖励函数来提高决策的可靠性。与之前的方法相比，本文提出的方法实现了最小的170毫秒延迟和84%的资源利用率，表明在云-边缘环境中的基于任务卸载的医疗管理方面显著提升了能源效率和整体性能。
部分摘录
引言
在现代时代，医疗管理日益依赖数字技术，以确保医疗服务的及时有效提供[1]。随着连接医疗设备（包括电子健康记录EHRs和实时患者监控系统）数量的指数级增长，产生的医疗数据量急剧增加[2]。这种快速数字化需要强大的计算基础设施来处理这些数据。
文献综述
近期研究探讨了云-边缘平台中各种医疗管理任务卸载方法。下面将讨论这些先前技术的相关工作。
系统模型
本文介绍了用于云-边缘医疗环境中高效任务卸载的TP-DSDRL方法的系统架构和数学公式。该系统的主要目标是使基于物联网的医疗设备能够优化生成任务卸载决策，从而最小化延迟、降低能耗，并可靠地管理医疗监控。
提出的方法
提出了一种TP-DSDRL框架，用于云边缘计算环境中的智能医疗任务卸载。该方法包含三个层次：设备层、边缘层和云层。血压、血氧饱和度、心率和ECG信号是从基于医疗物联网的设备中持续收集的生理数据。收集到的数据被传输到边缘层进行预处理。
实验评估结果
本节描述了实验验证结果，包括仿真设置、参数设置和评估指标。然后通过结果分析来评估TP-DSDRL方法的有效性。
结论
本研究提出了一种新颖的TP-DSDRL策略，用于云-边缘医疗管理系统中的智能任务卸载。该框架包含设备层、边缘层和云层三个层次，生理数据从基于物联网的医疗设备中收集。在边缘层，收集到的数据经过预处理操作（包括噪声去除、归一化和缺失值处理）后进行分析。
人类和动物权利
本文不包含任何作者进行的涉及人类或动物的研究。
数据可用性声明
支持本研究发现的数据可向相应作者提出合理请求后获得。
作者贡献
Kumaran K：概念构建、数据整理、形式分析。
Saranya G：资金获取、调研、方法论。
Siva Priya M S：项目管理、资源协调、软件开发、撰写及审稿编辑。
M. VidhyaLakshmi：指导监督、结果验证、可视化设计、初稿撰写。
CRediT作者贡献声明
Kumaran K：形式分析、数据整理、概念构建。Saranya G：方法论设计、调研、资金获取。Siva Priya M S：撰写及审稿编辑、软件开发、资源协调、项目管理。M. VidhyaLakshmi：初稿撰写、可视化设计、结果验证、指导监督。
作者声明没有已知的可能会影响本文报告工作的财务利益或个人关系。
