Advanced Data Integration, Knowledge Extraction, and Application in Energy-Efficient Telehealth IoT Systems
Notice bibliographique
Résumé
This paper further studies the previously proposed energy-efficient telehealth Internet of Things (IoT) model that focuses on data integration, knowledge extraction, and application in fog-cloud hybrid architecture. Our current study concentrates on how the system uses adaptive machine learning and data mining to optimize the system operation for increased real-time data analysis and reduced energy use, thus providing more effective patient monitoring in telehealth. The simulation designed for the patients in both a fog-enabled model and a cloud-only model applies various workloads sent from patients. In this fog-enabled model, data from IoT devices is preprocessed at fog nodes by investigating anomalies, trends, or other relevant machine learning algorithms, and then this data is transmitted to the cloud. It compares key performance metrics-energy, latency, speed of processing data, and prediction accuracy—in both a fog-enabled and a cloud-only model. Results show that the fog-enabled model reduces energy consumption by 20% and latency by 50%, compared to a cloud-only configuration. This indicates the distinct advantages of localized processing. Compared to the existing system, higher speed in processing data and improved accuracy in detecting statistical anomalies, thereby demonstrating the possibility that the system offers for real-time and scalable telehealth capabilities. Meanwhile, this work presents a comprehensive model for the sustainability and scalability of telehealth infrastructures, supported by simulation data and analysis evidencing the effectiveness of the model. Received: 2 December 2024 | Revised: 4 September 2025 | Accepted: 16 October 2025 Conflicts of Interest The authors declare that they have no conflicts of interest to this work. Data Availability Statement Data are available from the corresponding author upon reasonable request. Author Contribution Statement Nathan Guo: Conceptualization, Investigation, Resources, Writing — original draft, Visualization. Yunyong Guo: Methodology, Validation, Writing — review & editing, Supervision, Project administration. Bryan Guo: Software, Formal analysis, Data curation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».