Research Article

Optimize edilmiş Dikkat Gelişmiş Zamansal Grafik Devrimsel Ağ Tabanlı Bulut Kaynak Tahsisi Destekli IoT Öğrencilerin Sağlık İzleme Sistemi İçin

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. View Erratum Notice

Summary

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

Bu protokol, bulut tabanlı Nesnelerin İnterneti (IoT) öğrenci sağlığı izleme için optimize edilmiş dikkat artırılmış zamansal grafik konvolüsyon ağı tanımlar.

Abstract

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

Sensör teknolojisindeki gelişmeler, Nesnelerin İnterneti (IoT) uygulamalarının IoT tabanlı öğrenci sağlık izleme sistemi gibi davranışsal ve fizyolojik izleme sistemleri oluşturmak için hızlı bir şekilde yayılmasının yolunu açtı. Öğrenci sağlık gözleminin durumu, yalnızlıktan kurtulan öğrenci sayısının geniş coğrafi alanlarda artması nedeniyle gereklidir. Bu araştırma makalesi, öğrencilerin sağlık izleme sistemi (HMS-AETGCN-NGOA-IoT) için optimize edilmiş dikkat, geliştirilmiş zamansal grafik, konvolüsyon ağ tabanlı bulut kaynak ayırımı destekli Nesnelerin İnterneti adlı bir yaklaşımı sunmaktadır. Önerilen HMS-AETGCN-NGOA-IoT, MATLAB kullanılarak uygulanmaktadır. Öğrencilerin sağlık durumunu tespit etmek için hassasiyet, doğruluk, F1 puanı, Hatırlama (Hassasiyet), Spesifiklik, Hata oranı, Hesaplama süresi ve ROC gibi performans ölçütleri dikkate alınır. HMS-AETGCN-NGOA-IoT yaklaşımı %19,11, %24,12 ve %28,13 daha yüksek özgüllük sağlar; %24,93, %23,04 ve %9,51 daha düşük hesaplama süresi; %15,2, %25,45 ve %13,91 daha yüksek ROC değerleri; ve sırasıyla Nesnelerin İnterneti için Mesaj Geçirici Sinir Ağına (HMS-MPNN-IoT), Eşyaların İnterneti için Destek Vektör Makinesine dayalı Sağlık İzleme Sistemi (HMS-SVM-IoT) ve Nesnelerin İnterneti için Derin Sinir Ağına (HMS-DNN-IoT) dayalı Sağlık İzleme Sistemi ile karşılaştırıldığında %8,45, %20,98 ve %27,55 daha yüksek doğruluk.

Introduction

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

En değerli ve heyecan verici araştırma alanlarından biri bulut bilişim1. Bu bilişim tekniği, yapı ve yazılım hizmetlerini, ayrıca Internet2'den kullanıcı tarafından talep edilen hizmetleri satın alır. Bulut bilişim talepleriyle birlikte birçok müşteri sayısı gün geçtikçe artıyor. Sonuç olarak, bulut bilişimin hızını ve hassasiyetini artırmak kritiköneme sahiptir 3. Bulut bilişim, hasta izlemesiniiyileştirir 4. Bulut, veri depolama ve işleme, cihaz hizmetleri ve diğer bilgi işleme faaliyetleri gibi zorlu ve büyük hesaplama görevleri için istikrarlı bir temelsunar 5. Birçok işletme ve insan, büyük miktarda veriyi arşivleme, analiz etme ve anlama gereksinimi nedeniyle bulut bilişimi terciheder 6. Finans piyasası ve akademik çevre, son zamanlarda sağlık hizmetleri sektörüne öncelik verdi. Araştırma potansiyeli nedeniyle, bu sektör büyük ölçüde büyük miktarda finansmançekmiştir 7. Sağlık sektörü, kaynak eksikliği, yüksek sağlık harcamaları ve verimsiz hastane kaynak yönetimi gibi birçok sorunlakarşı karşıyadır. Ek lojistik görevler arasında sınırlı yatak, ekipman, sağlık uzmanları ve hastaların ihtiyaç duyduğu tıbbi bakımmiktarı yer alır 9.

Hasta izleme genellikle pasif olarak yapılır, bu da tıbbi ekiplerin hastanın sağlık durumundaki değişikliklere göre ilaçları kontrol etmesinisağlar 10. Acil durumlarda hastanın durumu kötüleşebilir; Bu nedenle, tepki süresi çok önemlidir. IoT, e-sağlık sektöründe çok çeşitli fırsatlar sunar11. Bu teknoloji, çeşitli alanları ilerletme ve sağlık hizmetlerini geliştirmeyeteneğine sahiptir 12. IoT, sağlık hizmetleri için kritik öneme sahiptir ve sektörde bir hızlandırıcı işlevi görür. Vücut sensör ağları (BSN'ler), fizyolojik özellikleri ve semptomları analiz ederken kritik sinyalleri ileterek doktorun inceleyeceği ve olağanüstü ve beklenmedik olayları tespit etmesiiçin iletmektedir 13. Sonuç olarak, hayati tehlike oluşturan durumlardan kaçınmak için acil ilaçlarverilebilir 14.

IoT kapsamında akıllı teknolojiler kullanılarak, tıbbi hizmetlerde ilerleme kolaylaştı ve sağlık hizmetlerinigeliştirdi. IoT, hasta veya engelli olanların yaşam kalitesini artırmak ve günlük hayatlarını kolaylaştırmak gibi hedeflere ulaşmak için bir platform sunuyor16. Fiziksel olarak hastalarla birlikte olamayanlar için bakım sunmayıkolaylaştırmıştır 17. Doğru şekilde kullanılırsa, e-sağlık olarak bilinen bu çalışma dalı toplum için bir dizi avantaj sunar18. Ayrıca, bulut tabanlı sistemlerde uzaktan veri depolamasına izin verir ve yetkili kullanıcıların, dış uzmanlar ve iç ekip dahil olanların iş birliği yapmasınaolanak tanır 19. Ayrıca mobil/tablet/PDA tabanlı sağlık uygulamaları için idealbir platformdur 20.

Akıllı telefonların kullanımı, etkili sağlık hizmetleri ve çözümlerinin geliştirilmesi için çeşitli fırsatlar ortayaçıkar 21. Ayrıca, mevcut sistemlerin çoğunda çevrimdışı veri toplama, işleme ve analiz gibi önemli sınırlamalar vardır; ayrıca sadece kardiyovasküler hastalık ve diyabet gibi kronik hastalıkların teşhisine odaklanmak ve öngörücü metodolojilerkullanılmamaktadır 22. Bu kısıtlamalar nedeniyle, geliştirilen öğrenci sağlık gözlem yöntemi, IoT izlerindeki sağlık fonksiyonu raporuna ve aynı zamanda biyolojik ve davranışsal belirteçleredayanır. 23. Önerilen platform,24 öğrencilerden sağlık verilerini toplamak ve depolamak için biyolojik sensörler ve sağlık hemşireliği araçlarını içeriyor. Elde edilen veriler, derin öğrenme algoritmaları tarafından öğrencinin genel sağlık fonksiyon durumunutakip etmek için kullanılır 25. Araştırma çalışmalarının başlıca katkıları aşağıda özetlenmiştir.

Bu araştırmada, HMS-AETGCN-NGOA-IoT önerilmiştir (Şekil 1). Bir öğrencinin sağlık durumunu izlemek, iki tür sağlık durumu parametresi değerlendirilerek yapılır: davranışsal ve biyolojik değişim parametreleri. Optimal tahmini sağlamak için, öğrencilerin sağlık fonksiyon durumunu tespit etmek için Dikkat Artırılmış Zamansal Grafik Konvolüsyon Ağ (AETGCN) tekniği kullanıldı. HMS-AETGCN-NGOA-IoT yöntemi MATLAB'da uygulanmakta olup, etkinliği çeşitli performans ölçütleriyle değerlendirilir (Şekil 2). Önerilen yöntemin verimliliği mevcut HMS-MPNN-IoT, HMS-SVM-IoT ve HMS-DNN-IoT yöntemleriyle analiz edilmiştir.

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

Protocol

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

Bu çalışmada kullanılan tüm gerekli materyaller, yazılımlar ve ekipmanlar Materyaller Tablosu'nda belirtilmiştir.

Veri toplama ve hazırlama

Bu çalışmada kullanılan Veri Seti, kamuya açık Kaggledeposu 26'dan elde edilen Öğrenci Ruh Sağlığı Veri Setidir. Veri seti, üniversite öğrencilerinden toplanan kendi raporlu sorular ve yanıtları içerir; demografik bilgiler, akademik stres, uyku düzenleri ve ruh sağlığıyla ilgili göstergeler içerir. Veriler, denetimli öğrenme ve performans değerlendirmesi için uygun dengeli bir dağılımla hem hassas hem de hassas olmayan sağlık durumlarını içerir. Bu veri seti iki kategoriye ayrılır: hassas ve hassas olmayan olaylar. Hassas olaylar, aşırı akademik stres, uzun süreli uyku eksikliği, yüksek kaygı veya depresyon belirtileri ve aşırı sigara içme ve alkol gibi sağlıksız yaşam tarzı alışkanlıkları gibi öğrencilerin sağlığını tehdit eden durumlardır; hassas olmayan olaylar ise normal veya istikrarlı ruh sağlığıyla ilişkilidir. Bu veri seti, eğitim ve test setlerine ayrılır; örneklerin %70'i eğitim için, %30'u modelin test edilmesi için ayrılır. Model değerlendirmesi için on kat çapraz doğrulama uygulayın.

İki yönlü özyinelemeli filtreleme (TWRF) kullanılarak veri ön işleme

Giriş veriseti 27'den gürültüyü kaldırmak için TWRF uygulayın. Matematiksel formülasyonla filtreleme sürecini uygulayın: Düğüm i noktasında xi değeri olan bir giriş satırı X için, özyinelemeli filtre uygulanır.

yi = a1yi-1 + a2yi-2 + ... + akyi-k + b0xi + b1xi-1 + ... + bkxi-k

burada a negatif katsayıları, b ise mevcut veri değerlerini temsil eder. Düğüm fonksiyonu kullanılarak değeri hesaplayın:

f(i) = min(255, max(0, tur(yi)))

burada parametre 255 maksimum filtreleme değerini temsil eder. Düğüm çarpım vektörünü hesaplayın ve istenen filtreleme değerini belirleyin. Nihai filtreleme denklemini kullanarak temiz, önceden işlenmiş veri oluşturmak için tüm TWRF sürecini yürütün.

Uyarlanabilir senkron çıkarma dönüşümü (AST) ile özellik çıkarma

AST'yi uygulayarak önceden işlenmiş veriden özellikleri çıkar28. 12 sayısal özelliği çıkar: yaş, kilo, kalp atışı, uyku saatleri, açlık kan şekeri, kolesterol, HDL, LDL, Trigliserid, TSH, T4 ve T3. Yukarıdaki özellikler, fiziksel ve zihinsel sağlık durumlarının değerlendirilmesinde güçlü klinik önemleri nedeniyleseçilmiştir 22. Örneğin, kalp atışı ve uyku saatleri stres ve yorgunluğu temsil ederken, kan şekeri ve lipid değerleri (kolesterol, HDL, LDL, trigliseridler) metabolik sağlığı, tiroid hormonları (TSH, T3, T4) ise ruh hali ve ruh sağlığını temsil eder. Cinsiyet, vücut ısı, vücut basıncı, sigara tüketimi ve alkol tüketimi gibi 5 nominal özelliği çıkarın. Bu özellikler, sağlık durumunu etkileyen önemli demografik, fizyolojik ve yaşam tarzı değişkenlerini tanımladıkları için çıkarılmıştır. AST içinde zaman-frekans temsili kullanılarak sırt eğrisi tanımlama yöntemini kullanın:

ASTx(t,ξ) = SETx(t,ξ)δ(ξ - ξx(t))

Parazit öğelerini azaltmak ve optimal özellikleri çıkarmak için adaptif sırt çıkarma algoritmasını uygulayın.

Model uygulaması ve optimizasyonu

Dikkat artırılmış zamansal grafik konvolüsyon ağını (AETGCN) sağlık durumutespiti 29için graf konvolüsyonu kullanarak yapılandırın

hi(I+1) = σ(∑j∈N(i) 1/cij W(I) hj(I))

burada hi , düğüm i'nin özelliği, W ağırlık fonksiyonu ve cij normalizasyon terimidir.

AT-GCN birimlerinin amacını kapı mekanizmaları ve çıkış durumları kullanarak uygular. Mekânsal ve zamansal dikkat mekanizmalarını dahil edin:

Mekansal: eij = LeakyReLU(a T[Whi∥Whj])

Zamansal: βi = qT tanh(Whhi + Wxx i + bh)

Normalleştirilmiş anlamlılık puanlarını hesaplayın ve çerçeve önemi ağırlıklandırması için zamansal dikkat uygulayın.

Kuzey Goshawk optimizasyon algoritması (NGOA) uygulaması

AETGCNparametreleri 30'u popülasyon matrisi ile optimize etmek için NGOA'yı başlatın:

X = [X1, X2, ..., Xn]T

Her popülasyon üyesi için hedef fonksiyonu değerlendirin. Av tanıma için keşif aşamasını uygulayın:

Pi = Xk, i = 1,2,...,N, k = 1,2,...,i-1,i+1,...,N

Xiyeni, P1 = {Xi + r(Pi - IXi), FPi < F iXi + r(Xi - Pi), FPi ≥ Fi

Parametre optimizasyonu için istismar aşamasını yürütün:

Xiyeni, P2 = {Xi + R(0,1) × (Pi - I×Xi), FPi < F iXi + R(0,1) × (Xi - Pi), FPi ≥ Fi

Ağırlık parametrelerini sonlandırma kriterleri karşılanana kadar yinelemeli olarak optimize edin.

Model eğitimi ve değerlendirmesi

İşlenen özelliklerle optimize edilmiş AETGCN modelini eğitin. Önerilen modelin performansı, hassas ve hassas olmayan sağlık olayları için gerçek pozitif (TP), gerçek negatif (TN), yanlış pozitif (FP) ve yanlış negatif (FN) değerleri hesaplanarak bir karışıklık matrisi kullanılarak ölçüldü. Bu değerler kullanılarak, doğruluk, hassasiyet, hatırlama, F1-puan, özgüllük, hata oranı ve ROC gibi performans metrikleri önerilen modelin sınıflandırma yeteneğini ölçmek için hesaplandı. Sonuçlar, aynı deneysel ortamda kullanılan HMS-MPNN-IoT, HMS-SVM-IoT ve HMS-DNN-IoT modelleriyle karşılaştırıldı ve hesaplama karmaşıklığı, işlem süresi kullanılarak ölçüldü.

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

Results

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

Temsilci sonuçlar, önerilen HMS-AETGCN-NGOA-IoT yaklaşımının öğrencilerin hassas ve duyarsız sağlık sorunlarını belirlemedeki etkinliğini doğrulamaktadır. Gelişmiş doğruluk ve F1-puan değerleri, zaman grafik konvolüsyon ağındaki dikkat mekanizmasının sağlık özelliklerinin zamansal desenlerini ve ilişkilerini belirlemedeki etkinliğini kanıtlamaktadır. Yüksek özgüllük ve ROC eğrileri, daha az yanlış alarmla doğru tanımlama sağlar ve daha düşük hesaplama süresi, STK için optimize edilmiş ya...

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

Discussion

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

Önerilen HMS-AETGCN-NGOA-IoT modeli, IoT veri edinimini gelişmiş bir derin öğrenme çerçevesiyle etkili şekilde entegre ederek otomatik öğrenci sağlığı izlemede önemli bir ilerleme göstermektedir. Bu modelin başarısının merkezi, sağlık verilerinin karmaşık, ilişkisel ve zamana bağlı doğasını yönetmek için özel olarak tasarlanmış Dikkat Artırılmış Zamansal Grafik Konvolüsyon Ağı (AETGCN)'de yatmaktadır. Öğrencileri ve fizyolojik/davranışsal parametrelerini dinamik bir grafik olarak modelle...

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

Disclosures

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

Yazarların açıklayacak hiçbir şeyi yok.

Acknowledgements

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

Yazarların herhangi bir teşekkürü yoktur.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLABMathWorksR2023a veya daha sonrası
İşletim sistemiWindows 10
Kişisel BilgisayarYokBellek 8 GB RAM
İşlemciIntel, Core i5
Öğrenci Ruh Sağlığı Veri SetiKagglehttps://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. RETRACTED ARTICLE: Cloud-and IoT-based deep learning technique-incorporated secured health monitoring system for dead diseases. Soft Comput. 25 (18), 12159-12174 (2021).
  3. RajanJeyaraj, P., Nadar, E. R. S. Smart-monitor: Patient monitoring system for IoT-based healthcare system using deep learning. IETE J Res. 68 (2), 1435-1442 (2022).
  4. Balakrishnan, S., Suresh Kumar, K., Ramanathan, L., Muthusundar, S. K. IoT for health monitoring system based on machine learning algorithm. Wireless Personal Comm. , 1-17 (2022).
  5. Juyal, S., Sharma, S., Shukla, A. S. Smart skin health monitoring using AI-enabled cloud-based IoT. Mater Today Proc. 46, 10539-10545 (2021).
  6. Nagarajan, S. M., Deverajan, G. G., Chatterjee, P., Alnumay, W., Ghosh, U. Effective task scheduling algorithm with deep learning for Internet of Health Things (IoHT) in sustainable smart cities. Sustain Cities Soc. 71, 102945(2021).
  7. Chakraborty, C., Kishor, A. Real-time cloud-based patient-centric monitoring using computational health systems. IEEE Trans Comp Social Sys. 9 (6), 1613-1623 (2022).
  8. Wang, C., et al. A smart municipal waste management system based on deep-learning and Internet of Things. Waste Manag. 135, 20-29 (2021).
  9. Awotunde, J. B., Folorunso, S. O., Bhoi, A. K., Adebayo, P. O., Ijaz, M. F. Disease diagnosis system for IoT-based wearable body sensors with machine learning algorithm. Hybrid Artif Intell IoT Healthcare. , 201-222 (2021).
  10. Cakir, M., Guvenc, M. A., Mistikoglu, S. The experimental application of popular machine learning algorithms on predictive maintenance and the design of IIoT based condition monitoring system. Comp Industrial Eng. 151, 106948(2021).
  11. Desai, F., et al. HealthCloud: A system for monitoring health status of heart patients using machine learning and cloud computing. Internet Things. 17, 100485(2022).
  12. Iyer, S., et al. Structural health monitoring of railway tracks using IoT-based multi-robot system. Neural Comp Appl. 33, 5897-5915 (2021).
  13. Bhardwaj, V., Joshi, R., Gaur, A. M. IoT-based smart health monitoring system for COVID-19. SN Comp Sci. 3 (2), 137(2022).
  14. Gupta, L., et al. Cybersecurity of multi-cloud healthcare systems: A hierarchical deep learning approach. Appl Soft Comp. 118, 108439(2022).
  15. Lakhan, A., et al. Deep neural network-based application partitioning and scheduling for hospitals and medical enterprises using IoT assisted mobile fog cloud. Enterprise Info Sys. 16 (7), 1883122(2022).
  16. Qi, W., Su, H. A cybertwin-based multimodal network for ECG patterns monitoring using deep learning. IEEE Trans Industrial Info. 18 (10), 6663-6670 (2022).
  17. Qureshi, M. A., et al. Deep learning-based ambient assisted living for self-management of cardiovascular conditions. Neural Comp Appl. , 1-19 (2021).
  18. Nasser, N., et al. A smart healthcare framework for detection and monitoring of COVID-19 using IoT and cloud computing. Neural Comp Appl. , 1-15 (2021).
  19. Sarangi, A. K., Mohapatra, A. G., Mishra, T. C., Keswani, B. Healthcare 4.0: A voyage of fog computing with iot, cloud computing, big data, and machine learning. Fog Comp Healthcare Environ Technical Societal Future Implicat. , 177-210 (2021).
  20. Tran, M. Q., et al. Reliable deep learning and IoT-based monitoring system for secure computer numerical control machines against cyber-attacks with experimental verification. IEEE Access. 10, 23186-23197 (2022).
  21. Souri, A., et al. A new machine learning-based healthcare monitoring model for student's condition diagnosis in Internet of Things environment. Soft Comp. 24 (22), 17111-17121 (2020).
  22. Hong-Tan, L. I., Cui-Hua, K., Muthu, B., Sivaparthipan, C. B. Big data and ambient intelligence in IoT-based wireless student health monitoring system. Aggress Violent Behav. , 101601(2021).
  23. Wu, X., Liu, C., Wang, L., Bilal, M. Internet of things-enabled real-time health monitoring system using deep learning. Neural Comp Appl. , 1-12 (2021).
  24. Iranpak, S., Shahbahrami, A., Shakeri, H. Remote patient monitoring and classifying using the internet of things platform combined with cloud computing. J Big Data. 8, 1-22 (2021).
  25. Dang, H. V., Tatipamula, M., Nguyen, H. X. Cloud-based digital twinning for structural health monitoring using deep learning. IEEE Trans Ind Info. 18 (6), 3820-3830 (2021).
  26. Student Mental Health Dataset. , https://www.kaggle.com/datasets/shariful07/student-mental-health (2023).
  27. Tu, W. C., Chien, S. Y. Two-Way Recursive Filtering. IEEE Trans Circuits Sys Video Technol. 31 (11), 4255-4268 (2021).
  28. Yan, Z., Xu, Y., Zhang, K., Hu, A., Yu, G. Adaptive synchroextracting transform and its application in bearing fault diagnosis. ISA Trans. 137, 574-589 (2023).
  29. Sheng, W., Li, X. Multi-task learning for gait-based identity recognition and emotion recognition using attention-enhanced temporal graph convolutional network. Pattern Recognit. 114, 107868(2021).
  30. El-Dabah, M. A., El-Sehiemy, R. A., Hasanien, H. M., Saad, B. Photovoltaic model parameters identification using Northern Goshawk Optimization algorithm. Energy. 262, 125522(2023).

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

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

Tags

IoT Health MonitoringCloud Resource AllocationTemporal Graph ConvolutionStudent Health MonitoringSensor TechnologyAttention MechanismMATLAB ImplementationPerformance MetricsBehavioral MonitoringPhysiological Monitoring

Related Articles