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. View Erratum Notice

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 הפיננסים והקהילה האקדמית נתנו לאחרונה עדיפות למגזר שירותי הבריאות. במידה רבה בזכות הפוטנציאל המחקרי שלה, תעשייה זו משכה מימון רב7. תעשיית הבריאות מתמודדת עם מספר בעיות, כגון מחסור במשאבים, הוצאות גבוהות על שירותי בריאות, וניהול משאבי בתי חולים לא יעיל8. משימות לוגיסטיות נוספות כוללות את המיטות המוגבלות, הציוד, מומחי הבריאות, וכן את כמות הטיפול הרפואי שהמטופלים נזקקול-9.

ניטור המטופל נעשה בדרך כלל באופן פסיבי, כלומר צוותים רפואיים שולטים ברפואה בהתבסס עלשינויים במצב הבריאות של המטופל. מצבו של המטופל עלול להידרדר במצבי חירום; לכן, זמן התגובה הוא קריטי. IoT מציע מגוון רחב של הזדמנויותבתחום הבריאות האלקטרונית. לטכנולוגיה זו יש יכולת לקדם תחומים שונים ולשפר את שירותי הבריאות12. IoT הוא חיוני לשירותי בריאות ומשמש כמאיץ בתעשייה. רשתות חיישני גוף (BSNs) מנתחות מאפיינים ותסמינים פיזיולוגיים תוך שידור אותות קריטיים לרופא כדי לזהות אירועים יוצאי דופן ובלתי צפויים13. כתוצאה מכך, ניתן לתת תרופות חירום כדי להימנע ממצבים מסכני חיים14.

באמצעות טכנולוגיות חכמות תחת IoT, ההתקדמות בטיפול הרפואי הפכה את התהליך לקל ושיפרה את שירותי הבריאות. IoT מציע פלטפורמה להשגת מטרות כמו שיפור איכות החיים של חולים או מוגבלים והקלה על חיי היומיום שלהם16. זה הקל על אלו שאינם יכולים להיות פיזית עם המטופלים לספק טיפול17. אם משתמשים בו נכון, ענף הלימוד הידוע כבריאות אלקטרונית מציע מספר יתרונות לחברה18. בנוסף, הוא מאפשר אחסון נתונים מרחוק במערכות מבוססות ענן ומאפשר למשתמשים מורשים, כולל מומחים חיצוניים והצוות הפנימי, לשתף פעולה19. זו גם פלטפורמה אידיאלית ליישומי בריאות מבוססי מובייל/טאבלטים/PDA20.

השימוש בסמארטפונים פותח אפשרויות רבות לפיתוח שירותי בריאות יעיליםופתרונות 21. יתרה מזאת, רוב המערכות הקיימות עדיין סובלות ממגבלות משמעותיות, כגון איסוף, עיבוד וניתוח נתונים לא מקוונים, וכן התמקדות אך ורק באבחון מצבים כרוניים כמו מחלות לב וכלי דם וסוכרת ללא שימוש במתודולוגיות חיזוי22. עקב מגבלות אלו, שיטת הצפייה הבריאותית של הסטודנטים תלויה בדוח תפקוד הבריאות במעקבי IoT, יחד עם סמנים ביולוגיים והתנהגותייםבו-זמנית. הפלטפורמה המוצעת כוללת חיישנים ביולוגיים וכלים לסיעוד בריאות לאיסוף ואחסון נתוני בריאותמסטודנטים 24. הנתונים שנאספו משמשים לאחר מכן על ידי אלגוריתמים ללמידה עמוקה כדי לעקוב אחרי מצב הבריאות הכולל של התלמיד25. התרומות המרכזיות של עבודת המחקר מסוכמות להלן.

במחקר זה מוצע HMS-AETGCN-NGOA-IoT (איור 1). ניטור מצב הבריאות של התלמיד מתבצע על ידי הערכת שני סוגי פרמטרים למצב הבריאות: פרמטרי שינוי התנהגותי וביולוגי. כדי להשיג חיזוי מיטבי, שימשו בטכניקת רשת הקונבלוציה של גרף זמני משופר קשב (AETGCN) לזיהוי מצב תפקוד בריאותי של תלמידים. שיטת HMS-AETGCN-NGOA-IoT מיושמת ב-MATLAB, והיעילות מוערכת באמצעות מספר מדדי ביצועים (איור 2). יעילות השיטה המוצעת מנותחת באמצעות שיטות HMS-MPNN-IoT, HMS-SVM-IoT, ו-HMS-DNN-IoT הקיימות.

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 המצבים המאיימים על בריאות התלמידים, כמו לחץ אקדמי קיצוני, חוסר שינה ממושך, רמות גבוהות של תסמיני חרדה או דיכאון, והרגלי חיים לא בריאים כמו עישון ושתייה מופרזים, בעוד שאירועים לא רגישים קשורים לבריאות נפשית תקינה או יציבה. מערך נתונים זה מחולק לקבוצות אימון ובדיקה, המוקצה 70% מהדגימות לאימון ו-30% לבדיקת המודל. מיישם אימות הדדי עשרה פעמים להערכת מודלים.

עיבוד נתונים באמצעות סינון רקורסיבי דו-כיווני (TWRF)

החלו TWRF כדי להסיר רעש מהנתונים הקלט27. מימוש תהליך הסינון באמצעות הניסוח המתמטי: עבור שורה X עם ערך xi בצומת i, יש להחיל את המסנן הרקורסיבי.

yi = a1yi-1 + a2yi-2 + ... + akyi-k + b0xi + b1xi-1 + ... + bkxi-k

כאשר a מייצג מקדמים שליליים ו-b מייצג את ערכי הנתונים הנוכחיים. חשב את הערך באמצעות פונקציית הצומת:

f(i) = מינימום(255, מקסימום(0, עיגול(yi)))

כאשר פרמטר 255 מייצג את ערך הסינון המקסימלי. חשב את וקטור מכפלת הצומת וקבע את ערך הסינון הרצוי. בצע את תהליך ה-TWRF המלא ליצירת נתונים נקיים ומעובדים מראש באמצעות משוואת הסינון הסופית.

חילוץ תכונות באמצעות טרנספורמציית סינכרואקסטרקציה אדפטיבית (AST)

החלו AST כדי לחלץ תכונות מהנתונים המעובדים מראש28. תמצית 12 מאפיינים מספריים: גיל, משקל, דופק, שעות שינה, רמות סוכר בצום, כולסטרול, HDL, LDL, טריגליצריד, TSH, T4 ו-T3. התכונות הנ״ל נבחרות בשל הרלוונטיות הקלינית החזקה שלהן בהערכת מצבים בריאותיים פיזיים ונפשיים22. לדוגמה, פעימות לב ושעות שינה מייצגות לחץ ועייפות, בעוד שרמות הסוכר בדם וערכי השומן (כולסטרול, HDL, LDL, טריגליצרידים) מייצגים בריאות מטבולית, והורמוני בלוטת התריס (TSH, T3, T4) מייצגים מצב רוח ובריאות נפשית. חלץ 5 תכונות נומינליות כגון מין, טמפרטורת גוף, לחץ גוף, צריכת סיגריות וצריכת אלכוהול. תכונות אלו מופקות משום שהן מגדירות משתנים דמוגרפיים, פיזיולוגיים ואורח חיים חשובים המשפיעים על מצב הבריאות. השתמש בשיטת זיהוי עקומת הרכס בתוך AST באמצעות ייצוג זמן-תדר:

ASTx(t,ξ) =SET x(t,ξ)δ(ξ - ξx(t))

יישם את אלגוריתם חילוץ הרכס האדפטיבי כדי להפחית פריטי הפרעה ולהפיק תכונות אופטימליות.

מימוש ואופטימיזציה של מודלים

הגדר את רשת הגרפים הזמנית (AETGCN) לזיהוי מצב בריאות29באמצעות קונבולוציה גרפית

hi(I+1) = σ(∑j∈N(i) 1/cij W(I) hj(I))

כאשר hi היא תכונת הצומת i, W היא פונקציית המשקל, ו-cij הוא האיבר המנרמל.

ליישם את מטרת יחידות AT-GCN באמצעות מנגנוני השער ומצבי הפלט. שלב מנגנוני קשב מרחבי וזמן:

מרחבי: eij = LeakyReLU(aT[Whi∥Whj])

זמני: βi = qT tanh(Whh i + Wxx i + bh)

חשב ציוני מובהקות מנורמליים ומיישם תשומת לב זמנית לשקילת חשיבות פריים.

מימוש אלגוריתם אופטימיזציה של Northern Goshawk (NGOA)

אתחול NGOA לאופטימיזציה של פרמטרי AETGCN30 עם מטריצת אוכלוסייה:

X = [X1, X2, ..., Xn]T

הערך את פונקציית המטרה עבור כל חבר אוכלוסייה. יישם את שלב החקירה לזיהוי טרף:

Pi = Xk, i = 1,2,...,N, k = 1,2,...,i-1,i+1,...,N

Xiחדש, P1 = {Xi + r(Pi - IXi), FPi < FiXi + r(Xi - Pi), FPi ≥ Fi

בצע את שלב הניצול לאופטימיזציה של הפרמטרים:

Xiחדש, P2 = {Xi + R(0,1) × (Pi - I×Xi), FPi < FiXi + R(0,1) × (Xi - Pi), FPi ≥ Fi

אופטימיזציה איטרטיבית של פרמטרי המשקל עד שקריטריוני הסיום מתקיימים.

הכשרה והערכה למודלים

לאמן את מודל AETGCN האופטימלי באמצעות תכונות מעובדות. ביצועי המודל המוצע נמדדו באמצעות מטריצת בלבול על ידי חישוב ערכי החיובי האמיתי (TP), השלילי האמיתי (TN), החיובי השגוי (FP) והשלילי השגוי (FN) עבור אירועי בריאות רגישים ולא רגישים. באמצעות ערכים אלו, חושבו מדדי ביצועים כגון דיוק, דיוק, שחזור, ציון F1, ספציפיות, שיעור שגיאה ו-ROC כדי למדוד את יכולת הסיווג של המודל המוצע. התוצאות הושוו עם מודלים של HMS-MPNN-IoT, HMS-SVM-IoT, ו-HMS-DNN-IoT באותה סביבה ניסויית, והמורכבות החישובית נמדדה באמצעות זמן הביצוע שלקח לעיבוד.

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. RETRACTED ARTICLE: Cloud-and IoT-based deep learning technique-incorporated secured health monitoring system for dead diseases. Soft Comput. 25 (18), 12159-12174 (2021).
  3. RajanJeyaraj, P., Nadar, E. R. S. Smart-monitor: Patient monitoring system for IoT-based healthcare system using deep learning. IETE J Res. 68 (2), 1435-1442 (2022).
  4. Balakrishnan, S., Suresh Kumar, K., Ramanathan, L., Muthusundar, S. K. IoT for health monitoring system based on machine learning algorithm. Wireless Personal Comm. , 1-17 (2022).
  5. Juyal, S., Sharma, S., Shukla, A. S. Smart skin health monitoring using AI-enabled cloud-based IoT. Mater Today Proc. 46, 10539-10545 (2021).
  6. Nagarajan, S. M., Deverajan, G. G., Chatterjee, P., Alnumay, W., Ghosh, U. Effective task scheduling algorithm with deep learning for Internet of Health Things (IoHT) in sustainable smart cities. Sustain Cities Soc. 71, 102945(2021).
  7. Chakraborty, C., Kishor, A. Real-time cloud-based patient-centric monitoring using computational health systems. IEEE Trans Comp Social Sys. 9 (6), 1613-1623 (2022).
  8. Wang, C., et al. A smart municipal waste management system based on deep-learning and Internet of Things. Waste Manag. 135, 20-29 (2021).
  9. Awotunde, J. B., Folorunso, S. O., Bhoi, A. K., Adebayo, P. O., Ijaz, M. F. Disease diagnosis system for IoT-based wearable body sensors with machine learning algorithm. Hybrid Artif Intell IoT Healthcare. , 201-222 (2021).
  10. Cakir, M., Guvenc, M. A., Mistikoglu, S. The experimental application of popular machine learning algorithms on predictive maintenance and the design of IIoT based condition monitoring system. Comp Industrial Eng. 151, 106948(2021).
  11. Desai, F., et al. HealthCloud: A system for monitoring health status of heart patients using machine learning and cloud computing. Internet Things. 17, 100485(2022).
  12. Iyer, S., et al. Structural health monitoring of railway tracks using IoT-based multi-robot system. Neural Comp Appl. 33, 5897-5915 (2021).
  13. Bhardwaj, V., Joshi, R., Gaur, A. M. IoT-based smart health monitoring system for COVID-19. SN Comp Sci. 3 (2), 137(2022).
  14. Gupta, L., et al. Cybersecurity of multi-cloud healthcare systems: A hierarchical deep learning approach. Appl Soft Comp. 118, 108439(2022).
  15. Lakhan, A., et al. Deep neural network-based application partitioning and scheduling for hospitals and medical enterprises using IoT assisted mobile fog cloud. Enterprise Info Sys. 16 (7), 1883122(2022).
  16. Qi, W., Su, H. A cybertwin-based multimodal network for ECG patterns monitoring using deep learning. IEEE Trans Industrial Info. 18 (10), 6663-6670 (2022).
  17. Qureshi, M. A., et al. Deep learning-based ambient assisted living for self-management of cardiovascular conditions. Neural Comp Appl. , 1-19 (2021).
  18. Nasser, N., et al. A smart healthcare framework for detection and monitoring of COVID-19 using IoT and cloud computing. Neural Comp Appl. , 1-15 (2021).
  19. Sarangi, A. K., Mohapatra, A. G., Mishra, T. C., Keswani, B. Healthcare 4.0: A voyage of fog computing with iot, cloud computing, big data, and machine learning. Fog Comp Healthcare Environ Technical Societal Future Implicat. , 177-210 (2021).
  20. Tran, M. Q., et al. Reliable deep learning and IoT-based monitoring system for secure computer numerical control machines against cyber-attacks with experimental verification. IEEE Access. 10, 23186-23197 (2022).
  21. Souri, A., et al. A new machine learning-based healthcare monitoring model for student's condition diagnosis in Internet of Things environment. Soft Comp. 24 (22), 17111-17121 (2020).
  22. Hong-Tan, L. I., Cui-Hua, K., Muthu, B., Sivaparthipan, C. B. Big data and ambient intelligence in IoT-based wireless student health monitoring system. Aggress Violent Behav. , 101601(2021).
  23. Wu, X., Liu, C., Wang, L., Bilal, M. Internet of things-enabled real-time health monitoring system using deep learning. Neural Comp Appl. , 1-12 (2021).
  24. Iranpak, S., Shahbahrami, A., Shakeri, H. Remote patient monitoring and classifying using the internet of things platform combined with cloud computing. J Big Data. 8, 1-22 (2021).
  25. Dang, H. V., Tatipamula, M., Nguyen, H. X. Cloud-based digital twinning for structural health monitoring using deep learning. IEEE Trans Ind Info. 18 (6), 3820-3830 (2021).
  26. Student Mental Health Dataset. , https://www.kaggle.com/datasets/shariful07/student-mental-health (2023).
  27. Tu, W. C., Chien, S. Y. Two-Way Recursive Filtering. IEEE Trans Circuits Sys Video Technol. 31 (11), 4255-4268 (2021).
  28. Yan, Z., Xu, Y., Zhang, K., Hu, A., Yu, G. Adaptive synchroextracting transform and its application in bearing fault diagnosis. ISA Trans. 137, 574-589 (2023).
  29. Sheng, W., Li, X. Multi-task learning for gait-based identity recognition and emotion recognition using attention-enhanced temporal graph convolutional network. Pattern Recognit. 114, 107868(2021).
  30. El-Dabah, M. A., El-Sehiemy, R. A., Hasanien, H. M., Saad, B. Photovoltaic model parameters identification using Northern Goshawk Optimization algorithm. Energy. 262, 125522(2023).

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