Research Article

Optymalizacja uwagi, wzmocniony graf czasowy, konwolucyjne sieciowe przydzielanie zasobów chmurowych wspierane dla systemu monitorowania zdrowia uczniów

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

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

Protokół ten opisuje zoptymalizowaną, zwiększaną uwagę sieć splotową grafów czasowych do monitorowania zdrowia studentów w chmurze opartej na Internecie Rzeczy (IoT).

Abstract

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

Postęp technologiczny sensorów utorował drogę do szybkiego rozwoju aplikacji Internetu Rzeczy (IoT) do budowy systemów monitorowania zachowań i fizjologicznych, takich jak system monitorowania opieki zdrowotnej studentów oparty na IoT. Status obserwacji zdrowia uczniów jest konieczny, ponieważ liczba studentów, którzy przetrwali samotność, rośnie na dużych obszarach geograficznych. Niniejszy artykuł naukowy przedstawia podejście nazwane zoptymalizowanym zoptymalizowanym uwagą zwiększonym grafem temporalnym o wspólnej sieci wspieranej przez Internet rzeczy wspierany przez Internet rzeczy dla systemu monitorowania zdrowia uczniów (HMS-AETGCN-NGOA-IoT). Proponowany system HMS-AETGCN-NGOA-IoT jest realizowany przy użyciu MATLAB. Aby wykryć stan zdrowia uczniów, brane są pod uwagę wskaźniki wydajności takie jak precyzja, dokładność, wynik F1, Przypomnienie (wrażliwość), Specyficzność, Wskaźnik błędów, czas obliczeń oraz ROC. Podejście HMS-AETGCN-NGOA-IoT osiąga o 19,11%, 24,12% i 28,13% wyższą specyficzność; 24,93%, 23,04% i 9,51% krótszy czas obliczeń; 15,2%, 25,45% i 13,91% wyższe wartości ROC; oraz o 8,45%, 20,98% i o 27,55% wyższa dokładność w porównaniu z istniejącym systemem monitorowania zdrowia opartym odpowiednio na Message Passing Neural Network for Internet of Things (HMS-MPNN-IoT), System monitorowania zdrowia opartym na maszynie wektorowej wspierającej Internet rzeczy (HMS-SVM-IoT) oraz systemie monitorowania zdrowia opartym na metodach Deep Neural Network for Internet of Things (HMS-DNN-IoT).

Introduction

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

Jednym z najbardziej wartościowych i ekscytujących obszarów badawczych jest chmura obliczeniowa1. Ta technika obliczeniowa polega na zakupie usług strukturalnych i programowych oraz usług zamawianych przez użytkowników z Internet2. Liczba klientów, w tym zapotrzebowanie na chmurę obliczeniową, rośnie z dnia na dzień. W związku z tym poprawa szybkości i precyzji przetwarzania w chmurze jest kluczowa3. Chmura obliczeniowa poprawia monitorowanie pacjentów4. Chmura zapewnia stabilną podstawę dla trudnych i masowych zadań obliczeniowych, takich jak przechowywanie i przetwarzanie....

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

Protocol

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

Wszystkie wymagane materiały, oprogramowanie i sprzęt użyte w tym badaniu są wymienione w Tabeli Materiałów.

Pozyskiwanie i przygotowanie danych

Zbiorem danych używanym w tej pracy jest Student Mental Health Dataset, który został pozyskany z publicznie dostępnego repozytorium Kaggle26. Zbiór danych zawiera samodzielnie opisane pytania i odpowiedzi zebrane od studentów uniwersytetów, obejmujące dane demograficzne, stres akademicki, wzorce snu oraz wskaźniki związane ze zdrowiem psychicznym. Dane obejmują zarówno wrażliwe, jak i niewrażliwe schorzenia o zrów....

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

Results

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

Reprezentatywne wyniki potwierdzają skuteczność proponowanego podejścia HMS-AETGCN-NGOA-IoT w identyfikacji wrażliwych i niewrażliwych problemów zdrowotnych studentów. Zwiększona dokładność i wartości F1 potwierdzają skuteczność mechanizmu uwagi w sieci splotowej grafu czasowego w identyfikacji wzorców czasowych i zależności cech zdrowotnych. Wysoka swoistość i krzywe ROC zapewniają dokładną identyfikację przy mniejszej liczbie fałszywych alarmów, a krótszy czas obliczeń dowodzi efektywności podejścia zoptymalizowanego p.......

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

Discussion

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

Proponowany model HMS-AETGCN-NGOA-IoT pokazuje znaczący postęp w automatycznym monitorowaniu zdrowia uczniów poprzez skuteczną integrację pozyskiwania danych IoT z zaawansowanymi ramami deep learning. Sednem sukcesu tego modelu jest Attention Enhanced Temporal Graph Convolutional Network (AETGCN), który został specjalnie zaprojektowany do obsługi złożonego, relacyjnego i czasowego charakteru danych zdrowotnych. Modelując uczniów i ich parametry fizjologiczne/behawioralne jako dynamiczny graf, AETGCN może uchwycić złożone.......

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

Disclosures

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

Autorzy nie mają nic do ujawnienia.

Acknowledgements

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

Autorzy nie mają żadnych podziękowań.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLABMathWorksR2023a lub nowszy
System operacyjnyWindows 10
Komputer osobistyNie maPamięć 8 GB RAM
ProcesorIntel, Core i5
Zbiór danych o zdrowiu psychicznym uczniówKagglehttps://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