Attenzione ottimizzata con grafici temporali ottimizzati, allocazione delle risorse cloud basate su rete, supportata IoT per il monitoraggio della salute degli studenti

Surya Prakasa Rao Reddi; Srinivasa Rao P; S Suguna Mallika; Dileep Pulugu; Mantri Gayatri; Vimala Kumari G

doi:10.3791/69389

Research Article

Attenzione ottimizzata con grafici temporali ottimizzati, allocazione delle risorse cloud basate su rete, supportata IoT per il monitoraggio della salute degli studenti

DOI:

10.3791/69389

⸱

January 30th, 2026

Surya Prakasa Rao Reddi¹ , Srinivasa Rao P² , S Suguna Mallika³ , Dileep Pulugu⁴ , Mantri Gayatri⁵ , Vimala Kumari G⁶

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

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

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

Questo protocollo descrive una rete convoluzionale temporale ottimizzata per l'attenzione potenziata per il monitoraggio della salute degli studenti tramite Internet delle Cose (IoT) basato su cloud.

Abstract

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

I progressi tecnologici dei sensori hanno aperto la strada alla rapida espansione delle applicazioni dell'Internet delle Cose (IoT) per costruire sistemi di monitoraggio comportamentale e fisiologico, come un sistema di monitoraggio della salute degli studenti basato sull'IoT. Lo status di osservazione sanitaria degli studenti è necessario perché il numero di studenti che sopravvivono alla solitudine sta aumentando in vaste aree geografiche. Questo articolo di ricerca presenta un approccio chiamato Optimized Attention Enhanced Time-Graph Convolutional Resource Allocation supportata per Internet of Things for students' health monitoring system (HMS-AETGCN-NGOA-IoT). Il proposto HMS-AETGCN-NGOA-IoT è implementato utilizzando MATLAB. Per rilevare lo stato di salute degli studenti, vengono considerate metriche di performance come precisione, accuratezza, punteggio F1, richiamo (sensibilità), specificità, tasso di errore, tempo di calcolo e ROC. L'approccio HMS-AETGCN-NGOA-IoT raggiunge una specificità superiore del 19,11%, 24,12% e del 28,13% in più; 24,93%, 23,04% e un tempo di calcolo inferiore del 9,51%; valori ROC del 15,2%, 25,45% e 13,91% superiori; e 8,45%, 20,98% e 27,55% di accuratezza superiore rispetto al sistema di monitoraggio della salute esistente basato su Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), il Health Monitoring System basato su Support Vector Machine for Internet of Things (HMS-SVM-IoT) e il Health Monitoring System basato su metodi Deep Neural Network for Internet of Things (HMS-DNN-IoT).

Introduction

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

Uno degli ambiti di ricerca più preziosi ed entusiasmanti è il cloud^{computing 1}. Questa tecnica informatica acquista servizi di struttura e software, e servizi richiesti dagli utenti da Internet². Numerosi clienti, comprese le richieste di cloud computing, stanno aumentando giorno dopo giorno. Di conseguenza, migliorare la velocità e la precisione del cloud computing è^{fondamentale 3}. Il cloud computing migliora il monitoraggio dei^{pazienti 4}. Il cloud offre una base stabile per compiti di calcolo duro e di grande porte, come l'archiviazione ....

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

Protocol

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

Tutti i materiali, software e attrezzature necessari utilizzati in questo studio sono menzionati nella Tabella dei Materiali.

Acquisizione e preparazione dei dati

Il Data Set utilizzato in questo lavoro è il Dataset sulla Salute Mentale degli Studenti, ottenuto dal repository Kaggle²⁶ disponibile pubblicamente. Il dataset contiene domande e risposte auto-segnalate raccolte dagli studenti universitari, coprendo informazioni demografiche, stress accademico, schemi di sonno e indicatori legati alla salute mentale. I dati incl....

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

Results

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

I risultati rappresentativi convalidano l'efficacia dell'approccio proposto HMS-AETGCN-NGOA-IoT nell'identificare questioni di salute sensibili e non sensibili degli studenti. Una maggiore accuratezza e i valori di punteggio F1 dimostrano l'efficacia del meccanismo di attenzione nella rete convoluzionale dei grafi temporali nell'identificare i modelli temporali e le relazioni tra le caratteristiche di salute. Le curve ad alta specificità e ROC garantiscono un'identificazione accurata con.......

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

Discussion

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

Il modello proposto HMS-AETGCN-NGOA-IoT dimostra un significativo progresso nel monitoraggio automatizzato della salute degli studenti, integrando efficacemente l'acquisizione di dati IoT con un sofisticato framework di deep learning. Il nucleo del successo di questo modello risiede nell'Attention Enhanced Temporal Graph Convolutional Network (AETGCN), progettata specificamente per gestire la natura complessa, relazionale e dipendente dal tempo dei dati sanitari. Modellando gli studenti .......

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

Disclosures

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

Gli autori non hanno nulla da rivelare.

Acknowledgements

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

Gli autori non hanno alcun riconoscimento.

....

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

Materials

List of materials used in this article
Name	Company	Comments
MATLAB	MathWorks	R2023a o successivamente
Sistema operativo	Windows 10
Personal Computer	N/A	Memoria 8 GB RAM
Processore	Intel, Core i5
Dataset sulla salute mentale degli studenti	Kaggle	https://www.kaggle.com/datasets/shariful07/student-mental-health

References

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

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).
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

Attenzione ottimizzata con grafici temporali ottimizzati, allocazione delle risorse cloud basate su rete, supportata IoT per il monitoraggio della salute degli studenti

In This Article

Erratum Notice

Erratum

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles