$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Los avances en la tecnología de sensores han allanado el camino para la rápida expansión de las aplicaciones del Internet de las Cosas (IoT) para construir sistemas de monitorización conductual y fisiológica, como un sistema de monitorización sanitaria estudiantil basado en IoT. El estatus de la observación de la salud estudiantil es necesario porque el número de estudiantes que sobreviven a la soledad está aumentando en grandes áreas geográficas. Este artículo de investigación presenta un enfoque denominado Asignación de Recursos en la Nube con Soporte para Internet de las Cosas para el sistema de monitorización de salud de estudiantes con atención optimizada con grafos temporales mejorados en grafos temporales (HMS-AETGCN-NGOA-IoT). El HMS-AETGCN-NGOA-IoT propuesto se implementa usando MATLAB. Para detectar el estado de salud de los estudiantes, se consideran métricas de rendimiento como precisión, exactitud, puntuación F1, Recordatorio (Sensibilidad), Especificidad, Tasa de error, Tiempo de cálculo y ROC. El enfoque HMS-AETGCN-NGOA-IoT logra una especificidad del 19,11%, 24,12% y un 28,13% mayor; 24,93%, 23,04% y 9,51% menos tiempo de cálculo; valores ROC 15,2%, 25,45% y 13,91% más altos; y un 8,45%, 20,98% y un 27,55% de mayor precisión en comparación con el Sistema de Monitorización de la Salud existente basado en la Red Neuronal de Paso de Mensajes para Internet de las Cosas (HMS-MPNN-IoT), el Sistema de Monitorización de la Salud basado en la Máquina de Vectores de Soporte para el Internet de las Cosas (HMS-SVM-IoT) y el Sistema de Monitorización de la Salud basado en métodos de Red Neuronal Profunda para Internet de las Cosas (HMS-DNN-IoT), respectivamente.