Research Article

优化注意力增强时序图卷积网络云资源分配支持物联网，用于学生健康监测系统

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

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

该协议描述了一种优化的注意力增强时序图卷积网络，用于基于云的物联网（IoT）学生健康监测。

Abstract

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

传感器技术的发展为物联网（IoT）应用的快速扩展铺平了道路，这些应用构建了行为和生理监测系统，如基于物联网的学生医疗监控系统。学生健康观察的地位是必要的，因为在大范围内，能够幸存孤独的学生人数正在增加。本研究文章提出了一种名为优化注意力增强时序图卷积网络云资源分配支持学生健康监测系统物联网的方法（HMS-AETGCN-NGOA-IoT）。拟议的HMS-AETGCN-NGOA-IoT是通过MATLAB实现的。为了检测学生的健康状况，会考虑表现指标，如精度、准确性、F1分数、回忆（灵敏度）、特异性、错误率、计算时间和ROC。HMS-AETGCN-NGOA-IoT 方法的特异性分别提升了19.11%、24.12%和28.13%;计算时间减少了24.93%、23.04%和9.51%;升值15.2%、25.45%和13.91%的ROC;以及与现有基于物联网消息传递神经网络（HMS-MPNN-IoT）、基于支持向量机的物联网健康监测系统（HMS-SVM-IoT）和基于深度神经网络的健康监测系统（HMS-DNN-IoT）相比，准确率分别提升了8.45%、20.98%和27.55%。

Introduction

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

云计算是最有价值且令人兴奋的研究领域之一。这种计算技术从互联网2购买结构和软件服务，以及用户请求的服务。包括云计算需求在内的客户数量日益增加。因此，提升云计算的速度和精度至关重要3.云计算提升患者监测4.云为硬计算和大规模计算任务提供了稳定的基础，如数据存储和处理、设备服务及其他信息处理活动5。许多企业和个人偏好云计算，因为需要归档、分析和理解海量数据6.金融市场和学术界最近将医疗服务部门置于优先位置。由于其研究潜力，该行业吸引了大量资金。医疗行业正面临诸多问题，如资源短缺、高额医疗支出以及医院资源管理效率低下。额外的后勤任务包括有限的床位、设备、医疗专家，以及患者所需的医疗服务量。

患者监测通常是被动进行的，这意味着医疗团队根据患者健康状况的变化来控制用药。患者在紧急情况下状况可能恶化;因此，响应时间至关重要。物联网在电子健康领域提供了....

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

Protocol

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

本研究中使用的所有必需材料、软件和设备均列于 材料表中。

数据采集与准备

本研究所用数据集是学生心理健康数据集，该数据集来自公开的Kaggle仓库26。该数据集包含了大学生自报的问题和回答，涵盖人口统计信息、学业压力、睡眠模式以及心理健康相关指标。数据涵盖敏感和非敏感健康状况，分布均衡，适合监督学习和绩效评估。该数据集分为两类：敏感事件和非敏感事件。敏感事件是指威胁学生健康的状况，如极度的学业压力、长期缺觉、严重的焦虑或抑郁症状，以及过度吸烟和饮酒等不健康的生活方式，而非敏感事件则与正常或稳定的心理健康相关。该数据集分为训练集和测试集，70%的样本用于训练，30%用于测试模型。实现十重交叉验证以进行模型评估。

使用双路递归过滤（TWRF）进行数据预处理

应用TWRF去除输入数据集中的噪声27。利用数学公式实现过滤过程：对于节点i处值 为x的输入行X，应用递归滤波器。

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

Results

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

代表性结果验证了所提议的HMS-AETGCN-NGOA-IoT方法在识别学生敏感和非敏感健康问题方面的有效性。更高的准确率和F1评分值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和关系方面的有效性。高特异性和ROC曲线确保了准确的识别和更少的误报，更短的计算时间证明了NGOA优化方法的高效。

模拟在MATLAB中启动，使用配备Intel Core i5、2.50 GHz CPU、8GB内存、Windows 7的电脑，使用学生医疗数据集。拟议的HMS-AETGCN-NGOA-IoT方法所得结果与现有系统（包括HMS-MPNN-IoT21、HMS-SVM-IoT22和HMS-DNN-IoT23）进行了分析。性能指标通过混淆矩阵分析，计算真阴性（TN）、真阳性（TP）、假阳性（FP）和假阴性（FN）。拟议的HMS-AETGCN-NGOA-IoT在敏感方面比现有方法提升.......

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

Discussion

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

拟议的HMS-AETGCN-NGOA-IoT模型通过有效整合物联网数据采集与先进的深度学习框架，展示了自动化学生健康监测的重大进展。该模型成功的核心在于注意力增强时序图卷积网络（AETGCN），该网络专门设计用于处理健康数据的复杂、关系性和时间依赖性。通过将学生及其生理/行为参数建模为动态图，AETGNN能够捕捉传统顺序模型可能忽略的复杂空间关系和时间模式。空间和时间注意力机制的引入进一步优化了这一过程，通过动态权衡不同健康特征和时间点的重要性，使模型能够聚焦于敏感健康事件的最关键指标。这种架构优越性是模型在所有评估指标上表现稳健的主要原因。

利用北方苍鹰优化算法（NGOA）优化AETGCN分类器是实现高精度和准确性的关键因素。结果证实NGOA有效调整了模型权重参数，带来了更高效的收敛和更优的决策边界。这种优化配置直接促进了特异性提升19.11%至28.13%，计算时间减少24.93%至9.51%。高特异性在医疗环境中尤为关键，因为它最大限度地减少了误报（误报），确保资源不浪费在调查非危急病例上，减少护理人员的报警.......

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

Disclosures

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

作者没有什么可透露的。

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLAB数学作品R2023a或更高版本
操作系统Windows 10
个人计算机无内存 8 GB 内存
处理器英特尔，Core i5
学生心理健康数据集卡格尔https://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

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