The rapid progress in digitalization and automation have led to an accelerated growth in healthcare, generating novel models that are creating new channels for rendering treatment at reduced cost. The Metaverse is an emerging technology in the digital space which has huge potential in healthcare, enabling realistic experiences to the patients as well as the medical practitioners. The Metaverse is a confluence of multiple enabling technologies such as artificial intelligence, virtual reality, augmented reality, internet of medical devices, robotics, quantum computing, etc. through which new directions for providing quality healthcare treatment and services can be explored. The amalgamation of these technologies ensures immersive, intimate and personalized patient care. It also provides adaptive intelligent solutions that eliminates the barriers between healthcare providers and receivers. This article provides a comprehensive review of the Metaverse for healthcare, emphasizing on the state of the art, the enabling technologies to adopt the Metaverse for healthcare, the potential applications, and the related projects. The issues in the adaptation of the Metaverse for healthcare applications are also identified and the plausible solutions are highlighted as part of future research directions.

MANETs have unique characteristics like dynamic topology, wireless radio medium, limited resources and lack of centralized administration, as a result, they are vulnerable to different types of attacks in different layers of protocol stack. Each node in a MANET is capable of acting as a router. Routing is one of the aspects having various security concerns. In this paper, we will present survey of common Denial-of-Service (DoS) attacks on network layer namely Wormhole attack, Black hole attack and Gray hole attack which are serious threats for MANETs. We will also discuss some proposed solutions to detect and prevent these attacks. As MANETs are widely used in many vital applications, lots of research work has to be done to find efficient solutions against these DoS attacks that can work for different routing protocols.

We introduce the AI-Generated Optimal Decision (AIGOD) algorithm and the Deep Diffusion Soft Actor-Critic (DDSAC) framework, marking a significant advancement in integrating Human Digital Twins (HDTs) with AI-Generated Content (AIGC) within IoMT-based smart homes. Our innovative AI-Generated Content-as-a-Service (AIGCaaS) architecture, optimized for IoMT environments, leverages network edge servers to enhance the selection of AI-Generated Content Service Providers (AISPs) tailored to the unique characteristics of individual HDTs. Extensive experiments demonstrate DDSAC's HDT-centric approach outperforms traditional Deep Reinforcement Learning algorithms, offering optimal AIGC services for diverse healthcare needs. Specifically, DDSAC achieved a 20% improvement in task completion rates and a 15% increase in overall utility compared to existing methods. These findings highlight the potential of HDTs in personalized healthcare by simulating and predicting patient-specific medical outcomes, leading to proactive and timely interventions. This integration facilitates personalized healthcare, establishing a new standard for patient-centric care in smart home environments. By leveraging cutting-edge AI techniques, our research significantly contributes to the fields of IoMT and AIGC, paving the way for smarter and more responsive healthcare services.

ABSTRACT Methodology Human activity recognition (HAR) has emerged as a fundamental capability in various disciplines, including ambient assisted living, healthcare, human‐computer interaction, etc. This study proposes a novel approach for activity recognition by integrating IoT technologies with Artificial Intelligence and Edge Computing. This work presents a fusion HAR approach that combines data readings from wearable sensors such as accelerometer and gyroscope sensors and Images captured by vision‐based sensors such as cameras incorporating the capabilities of Long Short‐Term Memory (LSTM) and Convolutional Neural Network (CNN) models. The aim of fusing these models is to capture and extract the temporal and spatial information, improving the accuracy and resilience of activity identification systems. The work uses the CNN model to find spatial features from the images that represent the contextual information of the activities and the LSTM model for processing sequential accelerometer and gyroscope sensor data to extract the temporal dynamics from the human activities. Results The performance of our fusion approach is evaluated through different experiments using varying parameters and applies the best‐suited parameters for our model. The results demonstrate that the fusion of LSTM and CNN models outperforms standalone models and traditional fusion methods, achieving an accuracy of 98%, which is almost 9% higher than standalone models. Conclusion The fusion of LSTM and CNN models enables the integration of complementary information from both data sources, leading to improved performance. The computation tasks are performed at the local edge device resulting to enhanced privacy and reduced latency. Our approach greatly impacts real‐world applications where accurate and reliable HAR systems are essential for enhancing human‐machine interaction and monitoring human activities in various domains.