$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Vooruitgang in sensortechnologie heeft de weg vrijgemaakt voor de snelle uitbreiding van Internet of Things (IoT)-toepassingen om gedrags- en fysiologische monitoringsystemen te bouwen, zoals een IoT-gebaseerd studentenzorgmonitoringsysteem. De status van de gezondheidsobservatie van studenten is noodzakelijk omdat het aantal studenten dat eenzaamheid overleeft in grote geografische gebieden toeneemt. Dit onderzoeksartikel presenteert een aanpak genaamd geoptimaliseerde aandacht verbeterde temporele grafiek convolutioneel netwerkgebaseerd cloudbronnentoewijzing ondersteund Internet of Things voor het gezondheidsmonitoringsysteem van studenten (HMS-AETGCN-NGOA-IoT). Het voorgestelde HMS-AETGCN-NGOA-IoT is geïmplementeerd met behulp van MATLAB. Om de gezondheidstoestand van studenten te detecteren, worden prestatie-indicatoren zoals precisie, nauwkeurigheid, F1-score, herinnering (gevoeligheid), specificiteit, foutpercentage, rekentijd en ROC meegenomen. De HMS-AETGCN-NGOA-IoT-benadering bereikt 19,11%, 24,12% en 28,13% hogere specificiteit; 24,93%, 23,04% en 9,51% lagere rekentijd; 15,2%, 25,45% en 13,91% hogere ROC-waarden; en respectievelijk 8,45%, 20,98% en 27,55% hogere nauwkeurigheid vergeleken met het bestaande Health Monitoring System gebaseerd op Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), Health Monitoring System gebaseerd op Support Vector Machine for Internet of Things (HMS-SVM-IoT) en Health Monitoring System gebaseerd op Deep Neural Network for Internet of Things (HMS-DNN-IoT) methoden.