Research Article

最適化された注意力強化時間グラフ、畳み込みネットワークベースのクラウドリソース割り当て支援、学生の健康モニタリングシステム向けIoT対応

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

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

このプロトコルは、クラウドベースのモノのインターネット(IoT)学生健康モニタリングのための最適化された注意力強化型時間グラフコンボリューションネットワークを記述しています。

Abstract

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

センサー技術の進歩は、IoT(モノのインターネット)アプリケーションが急速に拡大し、IoTベースの学生医療モニタリングシステムのような行動・生理的モニタリングシステムを構築する道を開きました。学生の健康観察の地位は、孤独を生き延びる学生の数が広範囲で増加しているため必要です。本研究論文では、学生の健康モニタリングシステム向け最適化された注意力強化時系列グラフ、卷込み型ネットワークベースのクラウドリソース割り当て支援インターネット・オブ・シングス(HMS-AETGCN-NGOA-IoT)というアプローチを提案しています。提案されているHMS-AETGCN-NGOA-IoTはMATLABを用いて実装されています。生徒の健康状態を検出するためには、精度、正確性、F1スコア、リコール(感度)、特異度、誤差率、計算時間、ROCなどのパフォーマンス指標が考慮されます。HMS-AETGCN-NGOA-IoTアプローチはそれぞれ19.11%、24.12%、28.13%の高い特異性を達成しています。計算時間は24.93%、23.04%、9.51%短縮されました。ROC値が15.2%、25.45%、13.91%上昇;また、既存のIoT向けメッセージパッシングニューラルネットワーク(HMS-MPNN-IoT)、サポートベクターマシンに基づく健康モニタリングシステム(HMS-SVM-IoT)、IoT深層ニューラルネットワーク(HMS-DNN-IoT)手法に基づく健康モニタリングシステムと比較して、それぞれ8.45%、20.98%、27.55%の精度が高くなっています。

Introduction

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

最も価値があり、刺激的な研究分野の一つはクラウドコンピューティングです。この計算技術は、構造やソフトウェアサービス、そしてユーザー要望のサービスをInternet2から購入します。クラウドコンピューティングの需要を含む多くの顧客が日々増加しています。したがって、クラウドコンピューティングの速度と精度の向上は非常に重要です。クラウドコンピューティングは患者モニタリングを改善します4.クラウドは、データの保存・処理、デバイスサービス、その他の情報処理活動などのハードかつ大規模なコンピューティング作業に安定した基盤を提供します5。多くの企業や個人がクラウドコンピューティングを支持しているのは、膨大なデータのアーカイブ、分析、理解が必要だからです。金融市場と学術コミュニティは最近、医療サービス分野を優先しています。研究の可能性により、この産業は多くの資金調達を引き寄せています。医療業界は、資源不足、高い医療費、非効率な病院資源管理など、多くの問題に直面しています。追加の物流業務には、限られたベッ....

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

Protocol

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

本研究で使用されるすべての必要な材料、ソフトウェア、機器は 材料表に記載されています。

データ取得と準備

本研究で使用されるデータセットは、公開されているKaggleリポジトリ26から取得した学生メンタルヘルスデータセットです。このデータセットには、大学生から収集された自己申告の質問と回答が含まれており、人口統計情報、学業ストレス、睡眠パターン、メンタルヘルス関連指標をカバーしています。データは感度の高い健康状態と非感受性の健康状態の両方をバランスの取れた分布で含み、教師あり学習やパフォーマンス評価に適しています。このデータセットは、センシティブイベントと非センシティブイベントの2つのカテゴリーに分かれています。センシティブな出来事は、極度の学業ストレス、長期的な睡眠不足、高いレベルの不安やうつ症状、過度の喫煙や飲酒などの不健康な生活習慣など、学生の健康を脅かす状態を指します。一方、センシティブでない出来事は正常または安定した精神的健康と関連しています。このデータセットはトレーニングセットとテストセットに分かれており、サンプルの70%をトレーニング用、30%をモデルのテストに割り当てています。モデル評価のために10倍クロスバリデーションを実....

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

Results

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

代表的な結果は、提案されたHMS-AETGCN-NGOA-IoTアプローチが学生の敏感および非敏感な健康問題を特定する上で有効であることを検証しています。精度の向上とF1スコア値は、時間グラフ畳み込みネットワークにおける注意メカニズムが健康特徴の時間的パターンと関係を特定する上で有効であることを証明しています。高い特異度とROC曲線により、誤警報の減少で正確な同定が可能となり、計算時間の短縮はNGOA最適化アプローチの効率性を証明しています。

シミュレーションは、Intel Core i5、2.50GHz CPU、8GB RAM、Windows 7を搭載したPCを用いてMATLABで、学生医療データセットを用いて起動されます。提案されたHMS-AETGCN-NGOA-IoTアプローチの得られた成果は、HMS-MPNN-IoT21、HMS-SVM-IoT22、HMS-DNN-IoT23<.......

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

Discussion

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

提案されているHMS-AETGCN-NGOA-IoTモデルは、IoTデータ取得と高度なディープラーニングフレームワークを効果的に統合することで、自動学生健康モニタリングの大きな進歩を示しています。このモデルの成功の核は、複雑で関係性があり時間依存的な健康データの性質を扱うために特別に設計されたAttention Enhanced Temporal Graph Convolutional Network(AETGCN)にあります。学生とその生理学的・行動的パラメータを動的なグラフとしてモデル化することで、AETGCNは従来の逐次モデルでは見落としがちな複雑な空間的関係や時間的パターンを捉えることができます。空間的および時間的注意メカニズムの組み込みにより、異なる健康特徴や時間点の重要性を動的に評価し、モデルは敏感な健康イベントの最も重要な指標に焦点を当てることで、このプロセスをさらに精緻化します。このアーキテクチャ上の優位性こそが、評価されたすべての指標でモデルが堅牢なパフォーマンスを発揮している主な理由です。

AE.......

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

Disclosures

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

著者たちは何も明かすことはありません。

Acknowledgements

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

著者には謝辞はありません。

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLABマスワークスR2023a以降
オペレーティングシステムWindows 10
パーソナルコンピュータ該当なしメモリ 8GB RAM
プロセッサインテル、Core i5
学生メンタルヘルスデータセットカグルhttps://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