Research Article

تحسين الانتباه والرسم الزمني المحسن تخصيص موارد السحابة المدعوم بنظام المراقبة الصحية للطلاب

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. Read More ...

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

Summary

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

يصف هذا البروتوكول شبكة التفافية زمنية محسنة للرسوم البيانية الزمنية المعززة بالانتباه لمراقبة صحة الطلاب عبر الإنترنت السحابي (IoT).

Abstract

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

لقد مهدت تطورات تكنولوجيا المستشعرات الطريق للتوسع السريع في تطبيقات إنترنت الأشياء (IoT) لبناء أنظمة مراقبة سلوكية وفسيولوجية، مثل نظام مراقبة الرعاية الصحية للطلاب القائم على إنترنت الأشياء. يعتبر وضع مراقبة صحة الطلاب ضروريا لأن عدد الطلاب الذين ينجون من الوحدة يزداد في مناطق جغرافية واسعة. تقدم هذه المقالة البحثية نهجا يسمى الانتباه المحسن، المخطط الزمني المحسن، الالتفاف الالتوبي، الاعتماد على الشبكة الاللغوية السحابية، مدعوم بإنترنت الأشياء لنظام مراقبة صحة الطلاب (HMS-AETGCN-NGOA-IoT). يتم تنفيذ برنامج HMS-AETGCN-NGOA-IoT المقترح باستخدام MATLAB. لاكتشاف الحالة الصحية للطلاب، يتم النظر في مقاييس الأداء مثل الدقة، الدقة، درجة F1، الاستدعاء (الحساسية)، النوعية، معدل الخطأ، وقت الحساب، وROC. يحقق نهج HMS-AETGCN-NGOA-IoT خصوصية أعلى بنسبة 19.11٪، 24.12٪، و28.13٪؛ 24.93٪، 23.04٪، وانخفاض 9.51٪ في وقت الحوسبة؛ 15.2٪، 25.45٪، و13.91٪ أعلى من قيم ROC؛ ودقة أعلى بنسبة 8.45٪، 20.98٪، و27.55٪ مقارنة بنظام مراقبة الصحة الحالي القائم على شبكة عصبية تمرير الرسائل لإنترنت الأشياء (HMS-MPNN-IoT)، ونظام مراقبة الصحة المعتمد على آلة ناقل الدعم لإنترنت الأشياء (HMS-SVM-IoT)، ونظام مراقبة الصحة المعتمد على الشبكة العصبية العميقة لإنترنت الأشياء (HMS-DNN-IoT) على التوالي.

Introduction

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

واحدة من أكثر مجالات البحث قيمة وإثارة هي الحوسبة السحابية.1. تشتري هذه التقنية الحسابية الهيكل وخدمات البرمجيات، والخدمات التي طلبها المستخدم من الإنترنت2. عدد من العملاء، بما في ذلك طلبات الحوسبة السحابية، في تزايد يوميا. وبالتالي، فإن تعزيز سرعة ودقة الحوسبة السحابية أمر بالغ الأهمية3. الحوسبة السحابية تحسن مراقبة المرضى4. توفر السحابة أساسا مستقرا للمهام الحوسبة الصعبة والضخمة، مثل تخزين البيانات ومعالجتها، وخدمات الأجهزة، وأنشطة معالجة المعلومات الأخرى5. يفضل العديد من الشركات والأشخاص الحوسبة السحابية بسبب الحا....

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

Protocol

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

جميع المواد والبرمجيات والمعدات المطلوبة المستخدمة في هذه الدراسة مذكورة في جدول المواد.

جمع البيانات وتحضيرها

مجموعة البيانات المستخدمة في هذا العمل هي مجموعة بيانات الصحة النفسية للطلاب، والتي تم الحصول عليها من مستودع كاجلالمتاح للجمهور رقم 26. تحتوي مجموعة البيانات على أسئلة وأجوبة تم الإبلاغ عنها ذاتيا من طلاب الجامعات، وتشمل معلومات ديموغرافية، والضغط الأكاديمي، وأنماط النوم، والمؤشرات المتعلقة بالصحة النفسية. تشمل البيانات الحالات الصحية الحساسة وغير الحساسة مع توزيع متوازن، وهو مناسب للتعلم المراقب وتقييم الأداء. ت....

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

Results

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

تؤكد النتائج الممثلة فعالية النهج المقترح HMS-AETGCN-NGOA-IoT في تحديد القضايا الصحية الحساسة وغير الحساسة لدى الطلاب. تثبت الدقة المحسنة وقيم درجة F1 فعالية آلية الانتباه في شبكة الالتفاف الرسم الزمني في تحديد الأنماط الزمنية والعلاقات بين السمات الصحية. تضمن منحنيات الخصوصية العالية وROC التعرف بدقة مع إنذارات كاذبة أقل، كما أن وقت الحوسبة الأقل يثبت كفاءة النهج المحسن من قبل NGOA.

يتم تفعيل المحاكاة في MATLAB باستخدام جهاز كمبيوتر مزود بمعالج Intel Core i5،.......

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

Discussion

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

يظهر نموذج HMS-AETGCN-NGOA-IoT المقترح تقدما كبيرا في المراقبة الآلية لصحة الطلاب من خلال دمج جمع بيانات إنترنت الأشياء بفعالية مع إطار تعلم عميق متطور. تكمن جوهر نجاح هذا النموذج في شبكة الالتفاف الترابي الزمني المعززة بالانتباه (AETGCN)، والتي صممت خصيصا للتعامل مع الطبيعة المعقدة والعلائقية والمعتمدة على الوقت لبيانات الصحة. من خلال نمذجة الطلاب ومعاملاتهم الفسيولوجية/السلوكية كرسم بياني ديناميكي، يمكن ل AETGCN التقاط العلاقات المكانية المعقدة والأنماط الزمنية التي قد تغفل عنها النماذ.......

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

Disclosures

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

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

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

المؤلفون لا يحصلون على أي اعترافات.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
ماتلابماث ووركسR2023a أو ما بعده
نظام التشغيلويندوز 10
الحاسوب الشخصيلا يوجدذاكرة 8 جيجابايت رام
المعالجإنتل، كور i5
مجموعة بيانات الصحة النفسية للطلابكاجلhttps://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.

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

Tags

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

Related Articles