$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Die Fortschritte in der Sensortechnologie haben den Weg für die rasche Ausweitung von Internet of Things (IoT)-Anwendungen geebnet, um verhaltensbezogene und physiologische Überwachungssysteme zu entwickeln, ähnlich wie ein IoT-basiertes Gesundheitsüberwachungssystem für Studierende. Der Status der Gesundheitsbeobachtung von Studierenden ist notwendig, da die Zahl der Schüler, die Einsamkeit überleben, in großen geografischen Gebieten zunimmt. Dieser Forschungsartikel präsentiert einen Ansatz namens optimierte Aufmerksamkeit verbesserte temporale Graphen konvolutionelle netzwerkbasierte Cloud-Ressourcenallokation unterstütztes Internet der Dinge für das Gesundheitsüberwachungssystem der Studierenden (HMS-AETGCN-NGOA-IoT). Das vorgeschlagene HMS-AETGCN-NGOA-IoT wird mit MATLAB umgesetzt. Um den Gesundheitszustand der Schüler zu erkennen, werden Leistungskennzahlen wie Präzision, Genauigkeit, F1-Wert, Rückruf (Sensibilität), Spezifität, Fehlerrate, Berechnungszeit und ROC berücksichtigt. Der HMS-AETGCN-NGOA-IoT-Ansatz erreicht 19,11 %, 24,12 % und 28,13 % höhere Spezifität; 24,93 %, 23,04 % und 9,51 % geringere Rechenzeit; 15,2 %, 25,45 % und 13,91 % höhere ROC-Werte; sowie 8,45 %, 20,98 % und eine 27,55 % höhere Genauigkeit als das bestehende Health Monitoring System, das auf dem Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), dem Health Monitoring System basiert auf Support Vector Machine for Internet of Things (HMS-SVM-IoT) und dem Health Monitoring System auf Basis des Deep Neural Network for Internet of Things (HMS-DNN-IoT) basiert.