Research Article

Оптимизированное внимание Улучшенный временной граф Поддерживаемый облачным распределением ресурсов на основе сверточной сети IoT для системы мониторинга здоровья студентов

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

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

Этот протокол описывает оптимизированную сверточную сеть с повышенным вниманием временного графа для облачного мониторинга здоровья студентов по Интернету вещей (IoT).

Abstract

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

Прогресс сенсорных технологий проложил путь для быстрого расширения приложений Интернета вещей (IoT) для создания систем поведенческого и физиологического мониторинга, таких как система мониторинга здравоохранения студентов на базе IoT. Статус наблюдения за здоровьем учащихся необходим, поскольку число студентов, переживающих одиночество, растёт в больших географических районах. В этой исследовательской статье представлен подход под названием оптимизированный внимание с улучшенным временным графом сверточного графа с поддержкой облачного распределения ресурсов в облаке для системы мониторинга здоровья студентов (HMS-AETGCN-NGOA-IoT). Предлагаемый HMS-AETGCN-NGOA-IoT реализуется с использованием MATLAB. Для выявления состояния здоровья учащихся учитываются показатели эффективности, такие как точность, точность, результат F1, воспоминание (чувствительность), специфичность, уровень ошибок, время вычислений и ROC. Подход HMS-AETGCN-NGOA-IoT достигает 19,11%, 24,12% и 28,13% более высокой специфичности; на 24,93%, 23,04% и на 9,51% меньше времени вычислений; на 15,2%, 25,45% и на 13,91% выше значения ROC; и на 8,45%, 20,98% и на 27,55% выше по точности по сравнению с существующей системой мониторинга здоровья на основе нейронной сети передачи сообщений для Интернета вещей (HMS-MPNN-IoT), системой мониторинга здоровья на основе Support Vector Machine for Internet of Things (HMS-SVM-IoT) и системой мониторинга здоровья на основе методов глубокой нейронной сети для Интернета вещей (HMS-DNN-IoT) соответственно.

Introduction

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

Одна из самых ценных и захватывающих областей исследований — облачныевычисления 1. Эта вычислительная техника приобретает сервисы структуры и программного обеспечения, а также сервисы, запрашиваемые пользователями, через Internet2. Число клиентов, включая запросы на облачные вычисления, растёт с каждым днём. В результате повышение скорости и точности облачных вычислений крайневажно. Облачные вычисления улучшают мониторингпациентов 4. Облако обеспечивает стабильную основу для сложных и масштабных вычислительных задач, таких как хранение и об....

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

Protocol

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

Все необходимые материалы, программное обеспечение и оборудование, использованные в этом исследовании, указаны в Таблице материалов.

Сбор и подготовка данных

Набор данных, использованный в этой работе, — это набор данных по психическому здоровью студентов, полученный из общедоступного репозиторияKaggle 26. Набор данных содержит вопросы и ответы, собранные от студентов университета, охватывающие демографическую информацию, академический стресс, режим сна и показатели, связанные с психическим здоровьем. Данные включают как ч....

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

Results

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

Репрезентативные результаты подтверждают эффективность предлагаемого подхода HMS-AETGCN-NGOA-IoT в выявлении чувствительных и нечувствительных проблем со здоровьем студентов. Повышенная точность и значения F1 подтверждают эффективность механизма внимания в сверточной сети временного графа при выявлении временных закономерностей и взаимосвязей между признаками здоровья. Высокая специфичность и кривые ROC обеспечивают точную идентификацию с меньшим количеством ложных тревог, а меньшее врем.......

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

Discussion

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

Предлагаемая модель HMS-AETGCN-NGOA-IoT демонстрирует значительный прогресс в автоматизированном мониторинге здоровья учащихся, эффективно интегрируя сбор данных IoT с современной системой глубокого обучения. Ядро успеха этой модели заключается в Attention Enhanced Temporal Graph Convolutional Network (AETGCN), специально разработанной для работы с сложной, реляционной и зависящей от времени природы медицинских данных. Моделируя студентов и их физиологические/поведенческие параметры в ви.......

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

Disclosures

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

Авторам нечего раскрывать.

Acknowledgements

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

Авторы не имеют признаний.

....

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLABMathWorksR2023a или более позднее
Операционная системаWindows 10
Персональный компьютерН/ДПамять 8 ГБ оперативной памяти
ПроцессорIntel, Core i5
Набор данных по психическому здоровью студентовКагглhttps://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