$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Les avancées technologiques des capteurs ont ouvert la voie à l’expansion rapide des applications de l’Internet des objets (IoT) pour construire des systèmes de surveillance comportementale et physiologique, tels qu’un système de surveillance des soins de santé étudiants basé sur l’IoT. Le statut d’observation de la santé des élèves est nécessaire car le nombre d’élèves survivant à la solitude augmente dans de vastes zones géographiques. Cet article de recherche présente une approche appelée Optimis Attention Enhanced Temporal Graph Enhanced Resource Allocation Network-Based Cloud, supportée Internet of Things for students' Health Monitoring System (HMS-AETGCN-NGOA-IoT). Le HMS-AETGCN-NGOA-IoT proposé est mis en œuvre via MATLAB. Pour détecter l’état de santé des élèves, des indicateurs de performance tels que la précision, la précision, le score F1, la sensibilité (rappel), la spécificité, le taux d’erreur, le temps de calcul et le ROC sont pris en compte. L’approche HMS-AETGCN-NGOA-IoT atteint une spécificité supérieure de 19,11 %, 24,12 % et 28,13 % ; 24,93 %, 23,04 %, et 9,51 % de temps de calcul réduit ; 15,2 %, 25,45 % et 13,91 % de valeurs ROC plus élevées ; et 8,45 %, 20,98 % et 27,55 % de précision supérieure par rapport au système de surveillance de la santé existant basé sur le réseau de neurones de transmission de messages pour l’Internet des objets (HMS-MPNN-IoT), le système de surveillance de la santé basé sur la machine à vecteurs de support pour l’Internet des objets (HMS-SVM-IoT) et le système de surveillance de la santé basé sur les méthodes Deep Neural Network for Internet of Things (HMS-DNN-IoT).