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. View Erratum Notice

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 الحاجة إلى أرشفة وتحليل وفهم كميات هائلة من البيانات6. لقد أعطى السوق المالي والمجتمع العلمي قطاع خدمات الرعاية الصحية أولوية مؤخرا. وبفضل إمكانياتها البحثية، جذبت هذه الصناعة مبلغاكبيرا من التمويل. تتعامل صناعة الرعاية الصحية مع عدد من المشاكل، مثل نقص الموارد، وارتفاع نفقات الرعاية الصحية،وإدارة موارد المستشفيات غير الفعالة. تشمل المهام اللوجستية الإضافية الأسرة المحدودة، المعدات، أخصائيي الرعاية الصحية، بالإضافة إلى حجم الرعاية الطبية التي يحتاجهاالمرضى 9.

عادة ما يتم مراقبة المرضى بشكل سلبي، مما يعني أن الفرق الطبية تتحكم في الطب بناء على التغيراتفي الحالة الصحية للمريض. قد تتدهور حالة المريض في حالات الطوارئ؛ لذا، فإن زمن الاستجابة أمر بالغ الأهمية. يقدم إنترنت الأشياء مجموعة واسعة من الفرص في قطاع الصحة الإلكترونية11. هذه التقنية قادرة على تطوير مجالات مختلفة وتعزيز خدمات الرعاية الصحية12. إنترنت الأشياء ضروري لخدمات الرعاية الصحية ويعمل كمسرع صناعي. تقوم شبكات حساسات الجسم (BSN) بتحليل الخصائص والأعراض الفسيولوجية أثناء نقل إشارات حرجة للطبيب لفحصها من أجل رصد الأحداث غير العادية وغير المتوقعة13. نتيجة لذلك، قد يعطى أدوية طارئة لتجنب المواقف المهددة للحياة14.

باستخدام التقنيات الذكية تحت إنترنت الأشياء، جعل تقدم الرعاية الطبية الأمر سهلا وعزز خدمات الصحة15. يوفر إنترنت الأشياء منصة لتحقيق أهداف مثل تحسين جودة الحياة للمرضى أو ذوي الإعاقة وجعل حياتهم اليومية أسهل16. لقد جعل من السهل على من لا يستطيعون التواجد جسديا مع المرضى تقديم الرعاية17. إذا تم استخدامه بشكل صحيح، فإن فرع الدراسة المعروف بالصحة الإلكترونية يقدم عددا من المزاياللمجتمع. علاوة على ذلك، يسمح بتخزين البيانات عن بعد على الأنظمة السحابية ويسمح للمستخدمين المصرح لهم، بما في ذلك المتخصصون الخارجيين والفريق الداخلي، بالتعاون19. كما أنها منصة مثالية لتطبيقات الصحة المعتمدة على الأجهزة المحمولة/الأجهزة اللوحية/المساعد الرقمي الشخصي20.

استخدام الهواتف الذكية يفتح عدة آفاق لتطوير خدمات وحلول صحية فعالة21. علاوة على ذلك، لا تزال معظم الأنظمة الحالية تعاني من قيود كبيرة، مثل جمع البيانات ومعالجتها وتحليلها دون اتصال، بالإضافة إلى التركيز فقط على تشخيص الحالات المزمنة مثل أمراض القلب والأوعية الدموية والسكري دون استخدام منهجيات تنبؤية22. بسبب هذه القيود، تعتمد طريقة مراقبة صحة الطلاب المطورة على تقرير الوظائف الصحية في سجلات إنترنت الأشياء، إلى جانب العلامات البيولوجية والسلوكية فينفس الوقت. تتضمن المنصة المقترحة أجهزة استشعار بيولوجية وأدوات تمريض صحي لجمع وتخزين بيانات الصحة من طلاب24. ثم تستخدم خوارزميات التعلم العميق البيانات المكتسبة لتتبع الحالة الصحية العامة للطالب25. يتم تلخيص المساهمات الرئيسية للعمل البحثي أدناه.

في هذا البحث، تم اقتراح HMS-AETGCN-NGOA-IoT (الشكل 1). يتم مراقبة حالة صحة الطالب من خلال تقييم نوعين من معايير الحالة الصحية: معايير التغير السلوكي والبيولوجي. لتحقيق التنبؤ الأمثل، تم استخدام تقنية شبكة الالفاف الزمني المعززة بالانتباه (AETGCN) لاكتشاف حالة وظائف الطلاب الصحية. يتم تنفيذ طريقة HMS-AETGCN-NGOA-IoT في MATLAB، ويتم تقييم الفعالية باستخدام عدة مقاييس أداء (الشكل 2). يتم تحليل كفاءة الطريقة المقترحة باستخدام طرق HMS-MPNN-IoT وHMS-SVM-IoT وHMS-DNN-IoT الحالية.

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. تنقسم هذه المجموعة إلى فئتين: الأحداث الحساسة وغير الحساسة. الأحداث الحساسة هي الحالات التي تهدد صحة الطلاب، مثل الضغط الأكاديمي الشديد، وقلة النوم الطويلة، وارتفاع أعراض القلق أو الاكتئاب، وعادات نمط الحياة غير الصحية مثل الإفراط في التدخين والشرب، بينما ترتبط الأحداث غير الحساسة بصحة نفسية طبيعية أو مستقرة. تنقسم هذه المجموعة إلى مجموعات تدريب واختبار، حيث تخصص 70٪ من العينات للتدريب و30٪ لاختبار النموذج. تنفيذ التحقق المتقاطع عشرة أضعاف لتقييم النماذج.

معالجة البيانات المبدئية باستخدام التصفية العودية ثنائية الاتجاه (TWRF)

طبق TWRF لإزالة الضوضاء من مجموعة بيانات الإدخال27. نفذ عملية التصفية باستخدام الصياغة الرياضية: لصف إدخال X بقيمة xi عند العقدة i، طبق المرشح التكراري.

yi = a1yi-1 + a2yi-2 + ... + akyi-k + b0xi + b1xi-1 + ... + bkxi-k

حيث يمثل a معاملات سالبة وb يمثل قيم البيانات الحالية. احسب القيمة باستخدام دالة العقدة:

f(i) = الحد الأدنى(255، الحد الأقصى(0، الدائرة(yi)))

حيث يمثل المعامل 255 قيمة التصفية القصوى. احسب متجه ضرب العقدة وحدد قيمة الترشيح المطلوبة. نفذ عملية TWRF كاملة لتوليد بيانات نظيفة ومعالجة مسبقا باستخدام معادلة التصفية النهائية.

استخراج الميزات باستخدام تحويل الاستخراج المتزامن التكيفي (AST)

تطبيق AST لاستخراج الميزات من البيانات المعالجة مسبقا28. استخرج 12 ميزة رقمية: العمر، الوزن، نبض القلب، ساعات النوم، السكر الصائم، الكوليسترول، HDL، LDL، الدهون الثلاثية، TSH، T4، وT3. تم اختيار الميزات أعلاه بسبب أهميتها السريرية القوية في تقييم الحالات الصحية الجسدية والنفسية22. على سبيل المثال، تمثل ضربات القلب وساعات النوم التوتر والإرهاق، بينما تمثل قيم السكر والدهون في الدم (الكوليسترول، HDL، LDL، الدهون الثلاثية) الصحة الأيضية، وهرمونات الغدة الدرقية (TSH، T3، T4) تمثل المزاج والصحة النفسية. استخرج 5 سمات اسمية مثل الجنس، درجة حرارة الجسم، ضغط الجسم، استهلاك السجائر، واستهلاك الكحول. يتم استخراج هذه السمات لأنها تحدد متغيرات ديموغرافية وفسيولوجية ونمط حياة مهمة تؤثر على الحالة الصحية. استخدم طريقة تحديد منحنى الحافة داخل AST باستخدام تمثيل الزمن والتردد:

ASTx(t,ξ) = مجموعةx(t,ξ)δ(ξ - ξx(t))

تطبيق خوارزمية استخراج الحافة التكيفية لتقليل عناصر التداخل واستخراج الميزات المثلى.

تنفيذ النموذج وتحسينه

تكوين شبكة الالتفاف الزمني للرسم البياني المعزز بالانتباه (AETGCN) لاكتشاف حالة الصحة29باستخدام الالتفاف الرسم البياني

hi(I+1) = σ(∑j∈N(i) 1/cij W(I) hj(I))

حيث hi هي خاصية العقدة i، W هي دالة الوزن، وcij هو مصطلح التطبيع.

تنفيذ هدف وحدات AT-GCN باستخدام آليات البوابة وحالات الإخراج. دمج آليات الانتباه المكاني والزمني:

الفضاء: eij = LeakyReLU(aT[Whi∥Whj])

الزمن: βi = qT tanh(Whh i + Wxx i + bh)

احسب درجات الدلالة المطبعة ونفذ الانتباه الزمني لوزن أهمية الإطار.

تنفيذ خوارزمية تحسين الصقر الشمالي (NGOA)

تهيئة NGOA لتحسين معلمات AETGCN30 باستخدام مصفوفة السكان:

X = [X1, X2, ..., Xn]T

قيم دالة الهدف لكل عضو في السكان. تنفيذ مرحلة الاستكشاف لتحديد الفرائس:

Pi = Xk، i = 1,2,...,N، k = 1,2,...,i-1,i+1,...,N

Xiجديد، P1 = {Xi + r(Pi -IX i)، FPi < Fixi + r(Xi - Pi)، FPi ≥ Fi

نفذ مرحلة الاستغلال لتحسين المعاملات:

Xiجديد، P2 = {Xi + R(0,1) × (Pi - I×Xi)، FPi <F ii + R(0,1) × (Xi - Pi)، FPi ≥ Fi

قم بتحسين معلمات الوزن بشكل تكراري حتى يتم استيفاء معايير الإنهاء.

تدريب وتقييم نماذج

تدريب نموذج AETGCN المحسن باستخدام الميزات المعالجة. تم قياس أداء النموذج المقترح باستخدام مصفوفة الالتباس من خلال حساب القيم الإيجابية الحقيقية (TP)، والسالبة الحقيقية (TN)، والإيجابية الكاذبة (FP)، والسلبية الكاذبة (FN) للأحداث الصحية الحساسة وغير الحساسة. باستخدام هذه القيم، تم حساب مقاييس أداء مثل الدقة، الدقة، الاسترجاع، درجة F1، النوعية، معدل الخطأ، وROC لقياس قدرة التصنيف للنموذج المقترح. تمت مقارنة النتائج مع نماذج HMS-MPNN-IoT وHMS-SVM-IoT وHMS-DNN-IoT باستخدام نفس البيئة التجريبية، وتم قياس تعقيد الحوسبة باستخدام وقت التنفيذ اللازم للمعالجة.

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. RETRACTED ARTICLE: Cloud-and IoT-based deep learning technique-incorporated secured health monitoring system for dead diseases. Soft Comput. 25 (18), 12159-12174 (2021).
  3. RajanJeyaraj, P., Nadar, E. R. S. Smart-monitor: Patient monitoring system for IoT-based healthcare system using deep learning. IETE J Res. 68 (2), 1435-1442 (2022).
  4. Balakrishnan, S., Suresh Kumar, K., Ramanathan, L., Muthusundar, S. K. IoT for health monitoring system based on machine learning algorithm. Wireless Personal Comm. , 1-17 (2022).
  5. Juyal, S., Sharma, S., Shukla, A. S. Smart skin health monitoring using AI-enabled cloud-based IoT. Mater Today Proc. 46, 10539-10545 (2021).
  6. Nagarajan, S. M., Deverajan, G. G., Chatterjee, P., Alnumay, W., Ghosh, U. Effective task scheduling algorithm with deep learning for Internet of Health Things (IoHT) in sustainable smart cities. Sustain Cities Soc. 71, 102945(2021).
  7. Chakraborty, C., Kishor, A. Real-time cloud-based patient-centric monitoring using computational health systems. IEEE Trans Comp Social Sys. 9 (6), 1613-1623 (2022).
  8. Wang, C., et al. A smart municipal waste management system based on deep-learning and Internet of Things. Waste Manag. 135, 20-29 (2021).
  9. Awotunde, J. B., Folorunso, S. O., Bhoi, A. K., Adebayo, P. O., Ijaz, M. F. Disease diagnosis system for IoT-based wearable body sensors with machine learning algorithm. Hybrid Artif Intell IoT Healthcare. , 201-222 (2021).
  10. Cakir, M., Guvenc, M. A., Mistikoglu, S. The experimental application of popular machine learning algorithms on predictive maintenance and the design of IIoT based condition monitoring system. Comp Industrial Eng. 151, 106948(2021).
  11. Desai, F., et al. HealthCloud: A system for monitoring health status of heart patients using machine learning and cloud computing. Internet Things. 17, 100485(2022).
  12. Iyer, S., et al. Structural health monitoring of railway tracks using IoT-based multi-robot system. Neural Comp Appl. 33, 5897-5915 (2021).
  13. Bhardwaj, V., Joshi, R., Gaur, A. M. IoT-based smart health monitoring system for COVID-19. SN Comp Sci. 3 (2), 137(2022).
  14. Gupta, L., et al. Cybersecurity of multi-cloud healthcare systems: A hierarchical deep learning approach. Appl Soft Comp. 118, 108439(2022).
  15. Lakhan, A., et al. Deep neural network-based application partitioning and scheduling for hospitals and medical enterprises using IoT assisted mobile fog cloud. Enterprise Info Sys. 16 (7), 1883122(2022).
  16. Qi, W., Su, H. A cybertwin-based multimodal network for ECG patterns monitoring using deep learning. IEEE Trans Industrial Info. 18 (10), 6663-6670 (2022).
  17. Qureshi, M. A., et al. Deep learning-based ambient assisted living for self-management of cardiovascular conditions. Neural Comp Appl. , 1-19 (2021).
  18. Nasser, N., et al. A smart healthcare framework for detection and monitoring of COVID-19 using IoT and cloud computing. Neural Comp Appl. , 1-15 (2021).
  19. Sarangi, A. K., Mohapatra, A. G., Mishra, T. C., Keswani, B. Healthcare 4.0: A voyage of fog computing with iot, cloud computing, big data, and machine learning. Fog Comp Healthcare Environ Technical Societal Future Implicat. , 177-210 (2021).
  20. Tran, M. Q., et al. Reliable deep learning and IoT-based monitoring system for secure computer numerical control machines against cyber-attacks with experimental verification. IEEE Access. 10, 23186-23197 (2022).
  21. Souri, A., et al. A new machine learning-based healthcare monitoring model for student's condition diagnosis in Internet of Things environment. Soft Comp. 24 (22), 17111-17121 (2020).
  22. Hong-Tan, L. I., Cui-Hua, K., Muthu, B., Sivaparthipan, C. B. Big data and ambient intelligence in IoT-based wireless student health monitoring system. Aggress Violent Behav. , 101601(2021).
  23. Wu, X., Liu, C., Wang, L., Bilal, M. Internet of things-enabled real-time health monitoring system using deep learning. Neural Comp Appl. , 1-12 (2021).
  24. Iranpak, S., Shahbahrami, A., Shakeri, H. Remote patient monitoring and classifying using the internet of things platform combined with cloud computing. J Big Data. 8, 1-22 (2021).
  25. Dang, H. V., Tatipamula, M., Nguyen, H. X. Cloud-based digital twinning for structural health monitoring using deep learning. IEEE Trans Ind Info. 18 (6), 3820-3830 (2021).
  26. Student Mental Health Dataset. , https://www.kaggle.com/datasets/shariful07/student-mental-health (2023).
  27. Tu, W. C., Chien, S. Y. Two-Way Recursive Filtering. IEEE Trans Circuits Sys Video Technol. 31 (11), 4255-4268 (2021).
  28. Yan, Z., Xu, Y., Zhang, K., Hu, A., Yu, G. Adaptive synchroextracting transform and its application in bearing fault diagnosis. ISA Trans. 137, 574-589 (2023).
  29. Sheng, W., Li, X. Multi-task learning for gait-based identity recognition and emotion recognition using attention-enhanced temporal graph convolutional network. Pattern Recognit. 114, 107868(2021).
  30. El-Dabah, M. A., El-Sehiemy, R. A., Hasanien, H. M., Saad, B. Photovoltaic model parameters identification using Northern Goshawk Optimization algorithm. Energy. 262, 125522(2023).

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

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

Tags

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

Related Articles