下面是小编为大家整理的基于生理信号室内环境热舒适性评估热感受模型（完整文档）,供大家参考。
基于生理信号的室内环境热舒适性评估热感受模型
抽象
传统的供暖、通风和空调（HVAC）控制系统主要依靠静态模型，例如 Fanger 的预测平均投票（PMV）来预测室内环境中的人体热舒适度。此类模型考虑了环境参数，如室温、湿度等，以及间接的人为因素，如代谢率、服装等，这些因素并不一定反映实际的人体热舒适度。因此，随着电子传感器器件的广泛应用，我们建议开发一种热感觉（TS）模型，该模型除了考虑环境参数外，还考虑了人类的生理信号。我们进行气候箱实验，以收集不同环境下的生理信号和个人 TS。收集的生理信号是心电图，脑电图，肌电图，GSR 和体温。作为初步研究，我们通过控制室温，风扇速度和湿度，对静态行为下的年轻受试者进行了实验。结果表明，基于生理信号的 TS 模型比 PMV 模型表现好得多，平均 RMSE 为 0.75 vs. 1.07（越低越好），R 2 分别为 0.77 与 0.43（越高越好），这意味着我们的模型预测具有更高的准确性和更好的可解释性。实验还对生理信号（如肌电图、体温、心电图、脑电图、脑电图等）的重要性进行了排序，以便根据信号采集在不同应用场景下的可行性，有选择地采用。本研究证明了生理信号在 TS 预测中的有用性，并促使对更广泛的场景（如年龄，健康状况，静态/运动/运动行为等）进行进一步的深入研究。
关键字：
热感; 热舒适性;PMV （预测平均投票）; 感觉建模; 个性化的热舒适策略; 肌电图; 心电图; 脑电图;GSR; 体温 1. 引言
动机和目标
供暖、通风和空调 （HVAC）
系统的目的是为居住者提供舒适的热环境。关键问题是预测乘员的热感（TS）。如今，这种预测的模型大多是静态的，Fanger 的预测平均投票（PMV）模型[1]是一个广泛使用的模型。它已被 ASHRAE 55 [2]和 ISO 7730 [3]国际标准用于评估室内 TS。
PMV 模型根据环境参数（如温度，风速，湿度等）预测热舒适性。此外，PMV 还考虑了乘员的个人条件，例如衣服的绝缘性和代谢率。然而，很难实时获得一个人的实际代谢率，因此，经常使用从代谢率数据库中咨询的代表性值。因此，很难实时使用 PMV。
随着电子传感器变得容易获得，现在可以实时测量人体的生理信号，并将它们用于精确的 HVAC 控制。因此，我们建议开发一种热感觉模型，该模型除了环境参数外，还采用居住者的实时生理信号作为其身体状态的指示。我们进行了气候室实验，以收集受试者在不同热条件下的生理信号和 TS。有五种生理信号，心电图，脑电图，肌电图，GSR 和体温，测量。作为初步研究，我们通过控制室温，风扇速度和湿度，对静态行为下的年轻受试者进行了实验。我们通过 19 个提取的生理特征和 3 个环境特征来模拟 TS。采用建模方法研究了 TS 预测与生理信号的关系.对生理信号进行排名，以显示它们对 TS 预测的贡献程度。最后，我们将我们提出的模型与 PMV 模型进行比较。
研究的现状
热舒适性与人类的福祉密切相关。不舒服的环境可能会导致工作效率下降和居住者的身体不适。HVAC 系统被发明并在建筑物中大量使用。商业建筑中用于热调节的能耗约占总能耗的 50%[4]。环境的热舒适性不仅影响居住者的工作质量，还影响建筑物的可持续性[5]。
对 HVAC 系统的新颖研究不仅关注能源效率，还关注它们如何与居住者的热舒适性一起发挥作用。Xie 等人[6]研究了室内辐射采暖系统的设计因素，发现散热器内的水温严重影响热舒适度。Oh 等人[7]研究了喷雾系统的影响，并证明该系统在炎热天气下导致空气温度降低和热舒适度增加。Zhang 等人[8]发现太阳辐射对室内环境的影响与窗户的特性相关。
热感觉是乘员对热环境的感知反应，热感觉模型是预测乘员对热环境的反应的模拟模型。热感觉模型的先驱研究是 Fanger的 PMV 模型[1]。PMV 的概念是关于热平衡的。PMV 公式中包括四个环境参数（空气温度，空气流速，平均辐射温度和相对湿度）和两个与身体相关的参数（衣服和新陈代谢率），以估计乘员的平均 TS。PMV 作为一种广泛使用的 TS 指数已被列为几个室内环境标准中的室内环境质量指标，例如 ISO 7730 [3]和 ASHRAE 标准 55 [2]。在现场应用中，PMV 模型通过考虑目标热舒适水平以及居住者的服装隔热性和代谢率来预测可接受的温度，空速和相对湿度的范围。
由于对热环境的更严格控制并不一定能带来更舒适的热环境[9]，因此 TS 预测的准确性在 HVAC 控制中至关重要。PMV不适合实时操作，因为很难实时获得一个人的实际代谢率，因此，经常使用从代谢率数据库中咨询的代表性值。Nicol 和Humphreys[5]提到 PMV 的表现并不优于简单的指标，例如现场研究中的空气温度，而非实时调整可能会降低乘员的热舒适度。
作为根据实验数据随时间变化的统计结果的指标，PMV 有时会随着时间的推移产生越来越多的误差。ASHRAE 的温度范围表明，自 20 世纪 40 年代以来，冬季舒适区逐年上升[9]。它显示了人类的习惯随着气候，文化和技术的变化而变化。
乘员的适应性会降低 PMV 模型的准确性。在实验中，居住者可能会习惯实验场，并导致 TS 中不同的反应。De Dear 和Brager[10]提出了一个适应性模型，并指出一个人的 TS 将受到长期户外气候的影响。Wu 等人[11]发现，自适应模型在热接受度方面比 PMV 模型工作得更好，从而降低了夏季的能耗，减少了 AC 操作。Albatayneh 等人[12]记录了自由运行的室内环境变化并计算了等效的必要 AC 操作，发现自适应模型显着减少了加热和冷却所需的时间。Soebarto 和 Bennetts[13]发现，与生活在寒冷气候中的居民相比，温暖的气候居民更容易忍受更高的温度。这表明热感觉可能受到个人特征的影响，例如感冒综合征、日常生活、残疾和健康状况[14]。
应该注意的是，热感觉模型受到其对环境假设的限制，例如，PMV 在交流环境中表现更好，自适应模型在自由运行的建筑物中受到限制[12]。无论是在不同场景下重建 TS 模型，还是开发调整现有 TS 模型的方法，都需要做大量的工作。为了避免事先对历史区域气候和居住者行为进行大量调查，另一种方法是使用生理信号对 TS 进行建模，这些信号可以陈述一个人的身体状态。Li 等人[15]首先通过生理信号（即皮肤温度和心率）模拟乘员的热感觉，通过腕带测量。然后根据热感觉模型构建了 HVAC控制系统，实现了更舒适的环境调节，并降低了 13.8%的日能耗[16]。Mohammad 等人[17]使用腕带获得实时代谢率并增强 PMV计算。Deng 和 Chen [18]开发了一种基于腕带测量的生理特征的 HVAC 控制系统，即皮肤温度，皮肤湿度和心率。结果显示，不到 5%的乘员在系统下感到不适。局限性在于腕带仅测量心率和腕部温度。
热感觉是体温调节和认知之间复杂相互作用的结果。Takahashi 等人[19]表明体温调节包括几种生理活动，例如血管舒张，血管收缩，颤抖和出汗;因此，相关的生理信号可能是 TS 的证据。
2. 建议的方法
本研究的目的是开发一种 TS 模型，该模型可以通过利用生理信号实时反映居住者的生理状态来做出 TS 预测。为了开发目标模型，我们进行了一个室内实验来收集所需的数据：不同环境条件下的环境和生理信号。然后，收集的环境和生理信号用于推断每个受试者的热感。实验在面向任务的环境可控房间内进行。为了使实验顺利进行，我们开发了实验辅助工具来处理环境控制和监测以及生理信号传感。实验结束后，根据获得的信息，选择几个回归模型进行 TS 建模。
实验领域
我们准备了两个房间，准备室和实验室，作为实验地点（如图 1 所示）。两个房间大约 26.5 米 2 .准备室用于将受试者的生理状态恢复到基线值。两个房间的设备和装饰是一样的。为了使受试者在实验过程中感到放松，使用了木纹墙纸和地板，并选择了日光颜色照明，遵循 Zhang 等人[20]。桌子和受试者的座位位置位于房间的中心。空调在墙上和桌子前面高约 3 米，其风向向下，以避免直接撞击受试者。房间没有窗户，只有一扇门作为通往外面的连接。房间附近最近的窗户距离房间入口约 20米。因此，太阳辐射可以被认为是最小的，对实验没有直接影响。
2.2. 实验辅助工具
实验辅助工具（如图 2 所示）的构建是为了帮助工作人员控制设备并集成从各种传感器收集的数据。实验辅助工具由三个子系统组成，即（1）记录受试者暴露的环境条件的环境条件的环境测量系统，如空气温度，空气速度和相对湿度，（2）环境
控制系统，供工作人员轻松控制交流系统，包括交流电和吊扇，以及（3）同时记录所有生理信号的生理信号测量系统。（1）和（2）的信息被集成到一个 GUI 中，因此实验环境的控制与测量可以同步。
2.3. 不同环境条件下生理信号测量的实验
实验如图 3a 所示。实验前由工作人员对环境进行调整。在第一个 5 分钟（设置阶段），向受试者解释实验程序，并在受试者上安装生理信号传感器。接下来的 15 分钟是制备阶段，受试者在制备室中休息以达到基线生理状态。在 15 分钟的实验阶段之后，在实验室中进行生理信号测量。由于 Ji 等人[21]表明皮肤温度将在环境变化后在 10 分钟内稳定到相对稳定的状态，因此我们为此阶段分配了 15 分钟。从记录的最后 5 分钟中提取生理特征。在实验阶段，受试者被要求观看一个和平的教育视频，以模拟办公室场景并避免情绪刺激。在过程结束时，受试者被要求填写一份热舒适问卷，以记录他们当时的 TS 和舒适度。
在实验的每次试验中，实验室被设置为不同的环境条件，而准备室保持不变。具有相似成长地点的受试者具有相似的热感知[9]。由于受试者是健康的台湾居民，因此对于典型的台湾居民来说，实验环境被设置为冷或热。我们将准备室设置为 25°C，70%相对湿度（RH）和中速吊扇。实验室有 8 种不同的环境设置，分别由两种温度（23°C 和 27°C）、两种 RH（60%和 80%）和两种风速（吊扇的微风和强风）组成，如图 3b 所示。
环境设置的顺序尽可能随机化;受试者从我们的实验时间表中选择自己方便的时间段。
2.4. 测量信号
我们测量了脑电图（EEG），心电图（ECG），体温，肌电图（EMG）和皮肤电反应（GSR）。图 图 3c 显示了测量信号的位置：
心电图：在整个胸部测量单个导联信号，参比电极放置在左肋骨的下边缘。
脑电图：测量部位为前额叶，电极置于国际 10-20 系统的 FP1 和 FP2 处，参比电极置于右耳后面。
肌电图：从左小腿的腓肠肌开始测量，参比电极放在膝盖上。
GSR：从左手的食指和中指测量。
体温：Yao 等人[22]发现，四肢体温比核心体温更容易受到环境影响。从左臂、左胸部和左小腿测量体温，作为核心和肢体温度的表示。
2.5. 主题
我们选择了 20 名健康的年轻人，年龄在 24.1±3.6 岁，身高 167.7±8.7 厘米，体重 69.3±20.1 公斤。这 20 名受试者的男女比例为 9：11。每个受试者在实验前吃了一顿饭。禁止咖啡，茶和酒精饮料，以避免复杂的生理影响。
2.6. IRB
该测量由高雄医科大学机构审查委员会（IRB）监管，编号为 KMHIRB-E（I）-20200266。每个受试者都被告知整个测试程序，并签署了参与者同意书，并同意实验中测量的数据可用于研究目的。在着装方面，我们要求受试者在实验期间穿短袖衬衫和短裤，不要穿额外的保暖衣物，如夹克。
2.7. 数据的质量过滤
一些收集的生理信号太吵，无法使用。对采集到的信号进行分析，剔除低质量的样品，保证后续步骤的可靠性。
我们移除了噪音严重的样本。从实验中获得的样品总数为 160 个，取出受损样品后可以使用的样品数量为 90 个。移除大量样本的主要原因是，一个受损信号，例如 EEG，会在相应的房间条件下使受试者的所有样本数据失效。
2.8. 特征提取
然后，我们从 5 个测量的生理信号中提取 19 个生理特征和 3 个环境特征进行回归分析。
表 1 显示了提取的特征及其说明。
2.9. 建模
我们使用的建模方法是线性回归，高斯过程回归，SVM 回归和决策树。我们使用 MATLAB R2020b 及其应用程序回归学习器作为信号处理平台进行建模。
由于提取的特征数量较多，即 22 个生理和环境特征，由于时间限制，无法尝试所有特征组合进行建模。正向选择和后向消除算法通常用于多特征建模。正向选择从空集开始，并根据特征的相关性一次添加一个特征。如果添加的功能有助于模型性能，则会保留该功能，反之亦然。向后消除从所有特征的组合开始，并根据每个特征的相关性一次删除一个特征。如果移除有利于模型性能，则从组合中消除所选特征。这些方法不考虑组合对性能没有贡献的功能的效果。我们使用启发式算法来选择模型中使用的特征。
所提出的特征选择算法包含两个阶段：特征增量和冗余特征去除，如图 4 所示。在特征增量过程中，如图 4a 所示，我们从设置整体最佳组合 S 开始 最好 和时间最佳组合 T 最好 作为空集。在每一轮中，我们在未选定的功能集 S 中添加一个功能 uc 到 T 最好 形成新的组合 T 我 .收集所有可能的T 我 表格 C 新增功能 .然后，我们构建一组 TS 模型 M（C 新增功能 ）
对于 C 新增功能 ，并评估其性能 P（M（C 新增功能 )).T 最好 将更新为最佳 T 我 并将性能与当前 S 进行比较 最好 .如果 T 最好 性能优于 S 最好 ，然后 S 最好 将更新为 T 最好 并开始新一轮的功能增量。一旦 T 最好 性能比 S 差 最好 ，特征增量过程将结束。然后，S 最好 将传递到冗余功能删除过程中，如图 4b 所示。在开始时，我们设置 T 最好 作为 S 最好 和形式 C 新增功能 通过删除 T 中的每个特征 最好 一个接一个。与特征增量过程类似，我们对 M（C）
新增功能 ），评估性能 P（M（C）
新增功能 ）），更新 T 最好 ，并比较 P（M（T 最好 ））
和 P（M（S 最好 )).如果 P（M（T 最好 ））
优于 P（M（S 最好 ）），然后 S 最好 将更新为 T 最好 .如果 T 最好 性能比 S 差 最好 ，则计数更差 T 最好 自上次 S 以来 最好 已更新，时间更 糟...
推荐访问:基于生理信号室内环境热舒适性评估热感受模型 舒适性 室内环境 生理