Research Article

קשב אופטימלי עם גרף זמני משופר הקצאת משאבי ענן מבוססת רשת התמיכה ב-IoT למערכת ניטור בריאות הסטודנטים

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. Read More ...

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

Summary

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

פרוטוקול זה מתאר רשת קונבולוציה גרפית זמנית מותאמת על ידי שיפור קשב לניטור בריאות התלמידים מבוסס ענן באינטרנט של הדברים (IoT).

Abstract

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

התקדמות טכנולוגית חיישנים סללה את הדרך להתרחבות המהירה של יישומי האינטרנט של הדברים (IoT) לבניית מערכות ניטור התנהגותיות ופיזיולוגיות, כמו מערכת ניטור בריאות סטודנטים מבוססת IoT. המעמד של תצפית על בריאות הסטודנטים הוא הכרחי כי מספר הסטודנטים ששורדים בדידות הולך וגדל באזורים גאוגרפיים נרחבים. מאמר מחקר זה מציג גישה שנקראת מערכת ניטור הבריאות של הסטודנטים (HMS-AETGCN-NGOA-IoT) בגרף זמני מופרז של קשב קשב זמני בגרף קונבולוציוני מבוסס רשת קונבולוציונית מבוססת רשת ענן (אינטרנט של הדברים) (HMS-AETGCN-NGOA-IoT). ה-HMS-AETGCN-NGOA-IoT המוצע מיושם באמצעות MATLAB. כדי לזהות את מצב הבריאות של התלמידים, נלקחים בחשבון מדדי ביצועים כמו דיוק, דיוק, ציון F1, זיכרון (רגישות), ספציפיות, שיעור שגיאות, זמן חישוב ו-ROC. הגישה של HMS-AETGCN-NGOA-IoT משיגה ספציפיות גבוהה ב-19.11%, 24.12% ו-28.13% ספציפיות; 24.93%, 23.04%, ו-9.51% ירידה בזמן חישוב; ערכי ROC גבוהים ב-15.2%, 25.45% ו-13.91% גבוהים; ודיוק גבוה יותר של 8.45%, 20.98% ו-27.55% לעומת מערכת ניטור בריאות קיימת המבוססת על רשת עצבית העברת הודעות לאינטרנט של הדברים (HMS-MPNN-IoT), מערכת ניטור בריאות המבוססת על מכונת תמיכה וקטורית לאינטרנט של הדברים (HMS-SVM-IoT) ומערכת ניטור בריאות המבוססת על רשת עצבית עמוקה לשיטות אינטרנט של הדברים (HMS-DNN-IoT), בהתאמה.

Introduction

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

אחד מתחומי המחקר היקרים והמרגשים ביותר הוא מחשובענן. טכניקת מחשוב זו רוכשת שירותי מבנה ותוכנה, ושירותים מבוקשים על ידי המשתמש מאינטרנט2. מספר לקוחות, כולל בקשות למחשוב ענן, עולים מיום ליום. כתוצאה מכך, שיפור המהירות והדיוק של מחשוב ענן הוא קריטי3. מחשוב ענן משפר ניטור מטופלים4. הענן מספק בסיס יציב למשימות מחשוב קשות וגדולות, כגון אחסון ועיבוד נתונים, שירותי מכשיריםופעילויות עיבוד מידע נוספות. עסקים ואנשים רבים מעדיפים מחשוב ענן בגלל הצורך לאחסון, לנתח ולהבין כמויות עצומותשל נתונים. שוק הפיננסי....

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

Protocol

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

כל החומרים, התוכנה והציוד הנדרשים במחקר זה מצוינים בטבלת החומרים.

איסוף והכנת נתונים

מערך הנתונים המשמש בעבודה זו הוא מאגר נתוני בריאות הנפש של הסטודנטים, שהושג ממאגר קגלהזמין לציבור מספר 26. מאגר הנתונים כולל שאלות ותשובות שדווחו בעצמם שנאספו מסטודנטים באוניברסיטה, הכוללים מידע דמוגרפי, לחץ אקדמי, דפוסי שינה ומדדים הקשורים לבריאות הנפש. הנתונים כוללים מצבים בריאותיים רגישים ולא רגישים עם התפלגות מאוזנת, המתאימה ללמידה מפוקחת והערכת ביצועים. מאגר נתונים זה מחולק לשתי קטגוריות: אירועים רגישים ולא רגישים. אירועים רגישים הם ה....

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

Results

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

התוצאות המייצגות מאשרות את יעילות הגישה המוצעת HMS-AETGCN-NGOA-IoT בזיהוי בעיות בריאות רגישות ולא רגישות של תלמידים. דיוק משופר וערכי ציון F1 מוכיחים את יעילות מנגנון הקשב ברשת הקונבולוציה של הגרף הזמני בזיהוי דפוסי הזמן והקשרים של תכונות הבריאות. עקומות הספציפיות וה-ROC הגבוהות מבטיחות זיהוי מדויק עם פחות אזעקות שווא, וזמן החישוב הנמוך יותר מוכיח את יעילות הגישה המותאמת ל-NGOA.

הסימולציה מופעלת ב-MATLAB באמצעות מחשב אישי עם Intel Core i5, מעבד 2.50 GHz, זיכרו.......

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

Discussion

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

המודל המוצע HMS-AETGCN-NGOA-IoT מדגים התקדמות משמעותית בניטור בריאות תלמידים אוטומטי על ידי שילוב יעיל של רכישת נתוני IoT עם מסגרת למידה עמוקה מתקדמת. ליבת הצלחת המודל הזה טמונה ברשת הקונבולוציונית של גרפים זמניים משופרים בתשומת לב (AETGCN), שנועדה במיוחד להתמודד עם הטבע המורכב, היחסי והתלוי זמן של נתוני הבריאות. על ידי מידול התלמידים והפרמטרים הפיזיולוגיים/התנהגותיים שלהם כגרף דינמי, ה-AETGCN יכול ללכוד יחסים מרחביים מורכבים ודפוסים זמניים שמודלים סדרתיים מסורתיים עלולים לפספס. שילוב מנ.......

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

Disclosures

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

למחברים אין מה לחשוף.

Acknowledgements

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

לכותבים אין הכרות.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLABMathWorksR2023a או מאוחר יותר
מערכת הפעלהWindows 10
מחשב אישילא זמיןזיכרון: 8 GB זיכרון RAM
מעבדאינטל, Core i5
מאגר נתונים לבריאות הנפש של סטודנטיםקגלhttps://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

Tags

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

Related Articles