Research Article

최적화된 주의력, 향상된 시간 그래프, 합성곱 네트워크 기반 클라우드 자원 할당 지원 IoT 학생 건강 모니터링 시스템

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

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

이 프로토콜은 클라우드 기반 사물인터넷(IoT) 학생 건강 모니터링을 위한 최적화된 주의력 강화 시간 그래프 컨볼루션 네트워크를 설명합니다.

Abstract

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

센서 기술의 발전은 사물인터넷(IoT) 애플리케이션의 빠른 확장을 가능하게 하여 IoT 기반 학생 의료 모니터링 시스템과 같은 행동 및 생리학적 모니터링 시스템을 구축하는 데 기여했습니다. 학생 건강 관찰의 지위는 외로움을 견디는 학생 수가 넓은 지역에서 증가하고 있기 때문에 필요합니다. 이 연구 논문은 학생 건강 모니터링 시스템을 위한 최적화된 주의력 강화 시간 그래프 컨볼루션 네트워크 기반 클라우드 자원 할당 지원 사물인터넷(HMS-AETGCN-NGOA-IoT)이라는 접근법을 제시합니다. 제안된 HMS-AETGCN-NGOA-IoT는 MATLAB을 사용하여 구현됩니다. 학생들의 건강 상태를 감지하기 위해 정밀도, 정확성, F1 점수, 회상(민감도), 특이도, 오류율, 계산 시간, ROC와 같은 성과 지표를 고려합니다. HMS-AETGCN-NGOA-IoT 접근법은 19.11%, 24.12%, 28.13% 더 높은 특이도를 달성합니다; 24.93%, 23.04%, 9.51% 더 낮은 계산 시간; 15.2%, 25.45%, 13.91% 상승; 그리고 기존 사물인터넷용 메시지 전달 신경망(HMS-MPNN-IoT), 사물인터넷용 지원 벡터 기계 기반 건강 모니터링 시스템(HMS-SVM-IoT), 심부 신경망 기반 건강 모니터링 시스템(HMS-DNN-IoT) 대비 각각 8.45%, 20.98%, 27.55% 더 높은 정확도를 기록했습니다.

Introduction

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

가장 가치 있고 흥미로운 연구 분야 중 하나는 클라우드 컴퓨팅입니다. 이 컴퓨팅 기법은 인터넷2에서 구조 및 소프트웨어 서비스, 사용자 요청 서비스를 구매합니다. 클라우드 컴퓨팅 수요를 포함한 수많은 고객이 날로 증가하고 있습니다. 따라서 클라우드 컴퓨팅의 속도와 정밀도를 향상시키는것이 매우 중요합니다. 클라우드 컴퓨팅은 환자 모니터링을 향상시킵니다4. 클라우드는 데이터 저장 및 처리, 장치 서비스, 기타 정보 처리 활동과 같은 하드 컴퓨팅과 대규모 컴퓨팅 작업에 안정적인 기반을 제공합니다. 많은 기업과 개인들이 방대한 양의 데이터를 보관, 분석, 이해해야 한다는 요구 때문에 클라우드 컴퓨팅을 선호합니다. 금융 시장과 학계는 최근 의료 서비스 부문에 우선순위를 두었습니다. 연구 잠재력 덕분에 이 산업은 많은 자금 조달을 유치해왔습니다. 의료 산업은 자원 부족, 높은 의료비, 비효율적인 병원자원 관리 등

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

Protocol

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

이 연구에 사용되는 모든 필수 재료, 소프트웨어 및 장비 는 재료표에 명시되어 있습니다.

데이터 수집 및 준비

이 연구에 사용된 데이터 세트는 공개된 Kaggle 저장소26에서 얻은 학생 정신 건강 데이터셋입니다. 이 데이터셋은 대학생들이 수집한 자기보고된 질문과 답변을 포함하며, 인구통계학적 정보, 학업 스트레스, 수면 패턴, 정신 건강 관련 지표를 포함합니다. 데이터에는 민감성 및 비민감성 건강 상태를 균형 있게 분포하여 감독 학습과 성과 평가에 적합합니다. 이 데이터셋은 민감 사건과 비민감 사건 두 가지 범주로 나뉩니다. 민감한 사건은 극심한 학업 스트레스, 장기간 수면 부족, 높은 수준의 불안 또는 우울 증상, 과도한 흡연과 음주와 같은 건강하지 않은 생활습관과 같이 학생들의 건강을 위협하는 상태이며, 비민감한 사건은 정상적이거나 안정적인 정신 건강과 연관되어 있습니다. 이 데이터 세트는 훈련 세트와 테스트 세트로 나뉘며, 샘플의 70%는 훈련용, 30%는 모델 테스트용으로 할당됩니다. 모델 평가를 위한 10배 교차 검증을 ....

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

Results

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

대표 결과는 제안된 HMS-AETGCN-NGOA-IoT 접근법이 학생들의 민감 및 비민감 건강 문제를 식별하는 데 효과적임을 입증합니다. 향상된 정확도와 F1 점수 값은 시간 그래프 합성곱 네트워크의 주의 메커니즘이 건강 특징의 시간 패턴과 관계를 식별하는 데 효과적임을 입증합니다. 높은 특이도와 ROC 곡선은 오경보가 적고 정확한 식별을 보장하며, 더 짧은 계산 시간은 NGOA 최적화 접근법의 효율성을 입증합니다.

시뮬레이션은 Intel Core i5, 2.50GHz CPU, 8GB RAM, Windows 7이 탑재된 PC를 사용하여 MATLAB에서 학생 건강 관리 데이터셋을 사용해 활성화됩니다. 제안된 HMS-AETGCN-NGOA-IoT 접근법의 얻은 결과는 HMS-MPNN-IoT21, HMS-SVM-IoT22, HMS-DNN-Io.......

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

Discussion

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

제안된 HMS-AETGCN-NGOA-IoT 모델은 IoT 데이터 수집과 정교한 딥러닝 프레임워크를 효과적으로 통합하여 자동화된 학생 건강 모니터링의 중요한 진전을 보여줍니다. 이 모델의 성공의 핵심은 복잡하고 관계적이며 시간에 의존하는 건강 데이터를 처리하도록 특별히 설계된 주의력 향상 시간 그래프 컨볼루션 네트워크(AETGCN)에 있습니다. 학생들과 그들의 생리적/행동적 매개변수를 동적 그래프로 모델링함으로써, AETGNN은 전통적인 순차 모델이 놓칠 수 있는 복잡한 공간적 관계와 시간적 패턴을 포착할 수 있습니다. 공간적·시간적 주의 메커니즘의 도입은 다양한 건강 특징과 시점의 중요성을 동적으로 저울질하여 이 과정을 더욱 정교하게 만들어, 모델이 민감한 건강 사건의 가장 중요한 지표에 집중할 수 있게 합니다. 이러한 아키텍처적 우수성은 모델이 평가된 모든 지표에서 견고한 성능을 보이는 주된 이유입니다.

AETGCN .......

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

Disclosures

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

저자들은 공개할 것이 없습니다.

Acknowledgements

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

저자들은 아무런 인정도 하지 않았다.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLAB수학 작품R2023a 이후
운영 체제윈도우 10
개인용 컴퓨터해당 없음메모리 8GB RAM
프로세서인텔, Core i5
학생 정신 건강 데이터셋캐글https://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