一种基于生理信号的室内环境热舒适评价热感觉模型

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's 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，如新陈代谢率、服装等，这些因素不一定反映实际的人体热舒适度。因此，随着电子传感器设备的广泛使用，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。我们进行气候室实验，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，我们基于生理信号的 TS 模型的性能比 PMV 模型好得多，平均 RMSE 分别为 0.75 对 1.07（越低越好）和 R² 0.77 对 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、心电图和脑电图，按降序排列）的重要性进行了排序，以便根据不同应用场景中信号采集的可行性有选择地采用它们。本研究证明了生理信号在 TS 预测中的作用，并激发了对更广泛的场景的进一步深入研究，例如年龄、健康状况、静态/运动/运动行为等。

1. 引言

1.1. 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觉 （TS）。如今，用于此类预测的模型大多是静态的，Fanger 的预测平均投票 （PMV） 模型 [1] 被广泛使用。它已被 ASHRAE 55 [2] 和 ISO 7730 [3] 国际标准采用，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状况，例如衣服的绝缘和新陈代谢率。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查阅的代表性值。因此，很难实时使用 PMV。

随着电子传感器变得很容易获得，现在可以实时测量人体的生理信号并将其用于精确的 HVAC 控制。因此，我们建议开发一个热感觉模型，除了环境参数外，还采用居住者的实时生理信号作为他们身体状态的指标。我们进行了一项气候室实验，以收集受试者在不同热条件下的生理信号和 TS。测量有五个生理信号，ECG、EEG、EMG、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。我们通过 19 个提取的生理特征和 3 个环境特征对 TS 进行建模。通过提出的建模过程检查了 TS 预测与生理信号之间的关系。对生理信号进行排序以显示它们对 TS 预测的贡献程度。最后，我们将把我们提出的模型与 PMV 模型进行比较。

1.2. 研究现状

热舒适与人类的福祉密切相关。不舒适的环境可能会导致工作效率下降和居住者的身体不适。HVAC 系统被发明并广泛用于建筑物。商业建筑中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]。

HVAC 系统的新研究不仅从能源效率的角度关注，还关注它们如何与居住者的热舒适度发生关系。Xie 等[6]研究了室内辐射供暖系统的设计因素，发现散热器内的水温会严重影响热舒适度。Oh 等[7]研究了喷雾系统的影响，并证明这些系统会导致空气温度降低和炎热天气下热舒适度增加。Zhang 等 [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，而热感觉模型是预测乘员对热环境的反应的仿真模型。热感觉模型的先驱研究是 Fanger's PMV 模型 [1]。PMV 的概念是关于热平衡的。PMV 公式包括四个环境参数（空气温度、空气速度、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），以估计居住者的平均 TS。PMV 作为一种广泛使用的 TS 指数，已被纳入多个室内环境标准中，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度以及乘员的衣服绝缘和代谢率来预测可接受温度、空速和相对湿度的范围。

由于对热环境的更严格控制不一定会导致更舒适的热环境 [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查阅的代表性值。Nicol 和 Humphreys [5] 提到，PMV 在现场研究中的表现并不优于简单的指标，例如气温，非实时调整可能会降低居住者的热舒适度。

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大的误差。ASHRAE 的温度范围表明，自 1940 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改变。

乘员的适应会降低 PMV 模型的准确性。在实验中，居住者可能会习惯实验区域并导致 TS 中的反应不同。De Dear 和 Brager [10] 提出了一个适应性模型，并指出一个人的 TS 会受到长期户外气候的影响。Wu 等 [11] 发现，自适应模型在热接受度方面比 PMV 模型表现得更好，因此在夏季减少空调运行，从而降低能耗。Albatayneh 等[12]记录了自由运行的室内环境变化，并计算了等效的必要交流作，发现自适应模型显著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，温暖气候的居民更容易忍受更高的温度。它表明热感觉可能受个人特征的影响，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，而自适应模型在自由运行的建筑物中表现更好 [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，另一种方法是使用可以说明一个人身体状态的生理信号对 TS 进行建模。Li 等[15]首先通过腕带测量的生理信号（即皮肤温度和心率）模拟了乘员的热感觉。然后根据热感觉模型构建 HVAC 控制系统，达到更舒适的环境条件，减少 13.8% 的日常能源消耗 [16]。Mohammad 等 [17] 使用腕带获得实时代谢率并增强 PMV 计算。邓和陈[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，只有不到 5% 的居住者在系统下感到不适。限制是腕带只能测量心率和手腕温度。

热感觉是体温调节和认知之间复杂相互作用的结果。Takahashi 等[19]表明体温调节包括几种生理活动，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个 TS 模型，该模型可以通过使用生理信号实时反映居住者的生理状态来预测 TS。为了开发目标模型，我们进行了腔室实验以收集所需的数据：不同环境条件下的环境和生理信号。然后使用收集到的环境和生理信号来推断每个受试者的热感。实验在面向任务的环境可控房间中进行。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。

2.1. 实验场

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）。两个房间都约为 26.5 m²。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。为了让受试者在实验过程中感到放松，使用了木纹墙纸和地板，并选择了日光色照明，遵循 Zhang 等[20]。桌子和受试者的座位位置在房间的中央。空调在墙壁上和桌子前约 3 m 高，其风向向下，以避免直接影响受试者。房间没有窗户，只有一扇门与外面相连。房间附近最近的窗户距离房间入口约 20 米;因此，可以认为太阳辐射最小，对实验没有直接影响。

图 1. 实验室。

2.2. 实验辅助工具

实验辅助工具（如图 2 所示）旨在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） 环境测量系统，用于记录受试者所暴露的环境条件，例如空气温度、风速和相对湿度，（2） 环境控制系统，供工作人员轻松控制空调系统，包括空调和吊扇，以及 （3） 生理信号测量系统，用于同时记录所有生理信号。将 （1） 和 （2） 的信息集成到 GUI 中，因此实验环境的控制和测量可以同步。

图 2. 实验辅助工具。

2.3. 不同环境条件下生理信号测量实验

实验如图 3a 所示。实验前由工作人员调整环境。在前 5 分钟（设置阶段），向受试者解释实验程序，并在受试者身上安装了生理信号传感器。接下来的 15 分钟是准备阶段，受试者在准备室休息以达到基线生理状态。在 15 min 实验阶段之后，在实验室进行生理信号测量。由于 Ji 等人 [21] 表明，环境变化后 10 分钟内皮肤温度会稳定到相对稳定的状态，因此我们为这个阶段分配了 15 分钟。从记录的最后 5 min 中提取生理特征。在实验阶段，受试者被要求观看一段平静的教育视频，以模拟办公室场景并避免情绪刺激。在该过程结束时，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。

图 3. 实验设置：（a） 实验程序，（b） 环境设置，以及 （c） 测量信号及其身体部分。

在实验的每次试验中，实验室被设置为不同的环境条件，而制备室保持相同。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，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。实验室有八种不同的环境设置，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）形成，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他们自己方便的时间段。

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 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，参比电极位于左肋骨的下缘。
• 脑电图：测量部位是前额叶，电极位于国际 10-20 系统的 FP2 和 FP20，参比电极位于右耳后面。
• 肌电图：从左小腿的腓肠肌测量，并将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 [22] 发现，肢体温度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，以表示核心和四肢体温。

2.5. 主题

我们选择了 20 名健康的年轻人，年龄 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都吃了一顿饭。禁止喝咖啡、茶和酒精饮料，以避免复杂的生理影响。

2.6. IRB

该测量由高雄医学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过程并签署参与者同意书，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过程中穿着短袖衬衫和短裤，并且没有额外的保暖衣物，如夹克。

2.7. 数据质量过滤

一些收集到的生理信号太嘈杂而无法使用。对收集到的信号进行分析，以消除低质量样品，以确保后续步骤的可靠性。

我们去除了噪声严重的样品。实验得到的样品总数为 160 个，去除受损样品后可使用的样品数量为 90 个。删除大量样本的主要原因是，在相应的房间条件下，一个受损的信号（例如 EEG）会使受试者的所有样本数据无效。

2.8. 特征提取

然后，我们从 5 个测量的生理信号和 3 个环境特征中提取 19 个生理特征进行回归分析。 表 1 显示了提取的特征及其解释。

Table 1. Extracted features and explanations.

Type	Source Signal	Feature	Explanation
Physiological	ECG	ECG_HR	Heart rate
		ECG_SDNN	The deviation of heart beat RR interval
		ECG_TP	ECG total power
		ECG_LF	ECG low-frequency band (0.04~0.15 Hz) relative power
		ECG_HF	ECG high-frequency band (0.15~0.4 Hz) relative power
		ECG_LF/HF	Ratio of ECG_LF and ECG_HF
	EMG	EMG_IEMG	Integration of EMG signal
		EMG_MAV	Mean absolute value of EMG
		EMG_RMS	Root mean square of EMG signal
		EMG_SSI	Simple square integration of EMG signal
	EEG	EEG_alpha	Alpha band average of EEG
		EEG_beta	Beta band average of EEG
		EEG_AVG	Average of EEG signal
		EEG_alpha_power	Relative power of EEG alpha band
		EEG_beta_power	Relative power of EEG beta band
	GSR	GSR_avg5 hz	Average of noise removed GSR signal (<5 hz)
	Body Temp.	T1 (Chest)	Average body temperature from chest
		T2 (Forearm)	Average body temperature from forearm
		T3 (Calf)	Average body temperature from calf
Environmental	Air Temp.	EnvTemp	Average air temperature
	Airspeed	EnvWind	Average air velocity
	Humidity	EnvRH	Average relative humidity

ECG: electrocardiography, EMG: electromyography, EEG: electroencephalography, GSR: galvanic skin response, Temp: temperature.

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 Regression Learner 作为信号处理平台进行建模。

由于提取的特征数量众多，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。前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。如果添加的特征有助于模型性能，则会保留该特征，反之亦然。向后消除从所有特征的组合开始，根据每个特征的相关性一次删除一个特征。如果删除有利于模型性能，则所选特征将从组合中消除。这些方法不考虑组合对性能没有贡献的特征的效果。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删除，如图 4 所示。在特征递增过程中，如图 4a 所示，我们首先将整体最佳组合 S_best 和时间最佳组合 T_best 设置为空集。在每一轮中，我们在未选择的特征集 S_uc to T _中最好地添加一个特征，以形成一个新的组合 T。所有可能的 T 形式的集合 C_new.然后，我们为 C_new 构建一组 TS 模型 M（C_new），并评估其性能 P（M（C_new））。T_best 将更新为最佳 T，并将性能与当前 S_best 进行比较。如果 T_best 的性能优于 S_best，则 S_best 将更新为 T_best 并开始新一轮的特征增量。一旦 T_best 的性能比 S_best 差，特征递增过程将结束。然后，S _最佳值将被传递到冗余特征删除过程中，如图 4b 所示。一开始，我们将 T_best 设置为 _{S best}，通过逐一去除 T_best 中的每个特征来形成 C_new。与特征增量过程类似，我们对 M（C_new） 进行建模，评估性能 P（M（C_new））， _最好地更新 T，并比较 P（M（T_best）） 和 P（M（S_best））。如果 P（M（T_best）） 优于 P（M（S_best）），则 S_best 将更新为 T_best。 如果 T_best 性能比 S_best 差，则自上次更新 S_best 以来最差 T_best 的计数，即 _{Time worse}（在 S_best 更新后）将递增。如果不是第一次 T_best 性能比 S_best 差，则冗余特征删除过程将结束。否则，另一轮冗余特征去除从基于当前 T_best 形成新的 C_new 开始。S_best 及其型号 M（S_best） 的结果是最终的答案。

图 4. 建模算法工作流程。（a） 第 1 阶段：特征增量。（b） 第 2 阶段：删除冗余特征。符号的含义如下：S_best：表现最好的模型的特征组合。T_best：逐步执行最佳模型的特征组合。S_uc：所有未选中特征的集合。f：特征的元件。C_new：每个步骤中所有特征组合的集合。M （combinations）：组合的模型。P （model）：模型的性能。 _更差时间（S _最佳更新后）：新模型的性能比当前记录中的最佳模型更差的时间。

2.10. 统计分析

为了初步估计测得的生理信号与 TS 之间的关系，我们对每个特征与 TS 之间的 Pearson 相关性进行了分析。使用统计软件 SPSS 对选定的 90 个样本进行分析，包括 50 个男性样本和 40 个女性样本。

3. 结果

3.1. 热感觉 （TS） 的相关性分析

相关性分析的结果如表 2 所示。在所有 19 个特征中，有 13 个特征，标有 * 或 **，显示统计显著性 （p < 0.05） 和中度至弱相关系数 （0.558 到 0.168）。

表 2. 热感觉与每个特征之间的相关系数。

类型	特征	相关系数 （r）	显著性（p 值）
生理	ECG_HR	0.148	0.057
	ECG_SDNN *	−0.168	0.03
	ECG_TP	0.031	0.688
	ECG_LF	−0.006	0.941
	ECG_HF	0.029	0.704
	ECG_LF/高频	−0.049	0.53
	EMG_IEMG **	−0.215	0.005
	EMG_MAV **	−0.214	0.006
	EMG_RMS **	−0.216	0.005
	EMG_SSI **	−0.217	0.005
	EEG_alpha	0.055	0.475
	EEG_beta **	0.411	0
	EEG_AVG **	0.393	0
	EEG_alpha_power	−0.112	0.147
	EEG_beta_power	−0.112	0.147
	GSR_avg5 赫兹 **	−0.285	0
	T1 （胸部） **	0.55	0
	T2 （前臂） **	0.388	0
	T3 （小腿） **	0.558	0
环境的	环境温度 **	0.496	0
	环境风 *	0.187	0.016
	环境	−0.149	0.55

*.相关性在 0.05 水平（2 尾）显著;**.相关性在 0.01 水平（2 尾）显著。

结果显示，最突出的特征是 EMG 特征 （EMG_IEMG、 EMG_MAV、EMG_RMS 和 EMG_SSI） 和体温。另一方面，脑电图的 β 波和平均值也很突出。

至于环境特征，室温和风速都很重要。在典型的空调房间条件下可测量的相对湿度并不显著。

3.2. 建模结果

3.2.1. 最佳模型

所提出的特征选择算法探索了 92 种特征组合。最好的模型使用了高斯过程回归 （GPR）。

最佳模型中使用的特征如表 3 所示。最佳特征组合的模型性能可以达到 RMSE 0.807 和 R² 0.75。在建模过程中，发现 RH 对性能没有帮助。也许实验中的 RH 设定点是台湾居民的典型特征，RH 设定点之间的差异不足以影响 TS。

表 3. 表现最好的生理特征组合。

生理信号	特征	型号 RMSE	型号 R2
EMG	EMG_MAV、EMG_IEMG EMG_RMS	0.807	0.75
ECG	ECG_LF/HF、ECG_SDNN
EEG	EEG_beta_power、EEG_beta
体温	T3 （小腿）， T2 （胸部）

ECG：心电图，EMG：肌电图，EEG：脑电图，温度：温度，RMSE：均方根误差，R²：R 平方。

最好的特征组合来自四个生理信号，EMG、ECG、EEG、体温。我们发现 EMG 的效果特别强，并且所有 EMG 特征都包含在模型中。这与 Yao 等[22]和 Sollers 等[23]的发现相吻合;他们提到心电图和脑电图与热舒适度有关。我们进一步进行了实验以量化这些关系。另一方面，体温作为温血动物的一个重要特征，在建模的特征选择序列中显示出其重要性。

3.2.2. 与 PMV 的比较

为了评估所选特征组合在评估 TS 方面的性能，使用 PMV 作为比较对象。PMV 数据是根据美国加州大学伯克利分校提供的 CBE 热舒适工具 [24] 计算得出的。测量数据用于空气温度、湿度和风速，而辐射温度则假设等于参考 Matzarakis 和 Amelung [25] 的空气温度，因为实验室被认为是均匀的。个人因素有两个组成部分，即人类新陈代谢率和衣着。我们遵循 ASHRAE-55 标准为各种活动提供的合规表，以座位 1.0 满足，短袖衬衫和短裤达到 0.5 clo 作为设定参数。为避免训练数据和测试数据之间的重叠，我们随机抽样了 72 个数据作为训练集，其余 18 个数据作为测试集。共进行了 3 次试验测试，每次对测试集和训练集进行重新采样。每次，都使用最佳特征组合和高斯过程回归模型对模型进行重新训练。

结果如表 4 所示。在 3 个随机的 18 个数据中，使用生理信号的模型的 R² 可以达到 0.7 以上。三次建模试验的结果表明，与 PMV 相比，R² 至少增加了 0.13，RMSE 降低了至少 25.7%，这表明我们提出的模型具有更高的可解释性和更低的误差，优于 PMV 模型。这一结果证明了使用生理信号来辅助评估热舒适性的可行性。

Table 4. Comparisons between the proposed model and PMV model.

	Proposed Model Performance		PMV Model Performance
Trial Number	RMSE	R2	RMSE	R2
1	0.82	0.77	1.26	0.1
2	0.65	0.81	0.9	0.68
3	0.78	0.72	1.05	0.52
Average	0.75	0.77	1.07	0.43

RMSE: root-mean-square error, lower is better; R²: R-squared, higher is better.

3.2.3. 性别审查

为了评估性别是否会影响所提出的模型的性能，我们检查了男性和女性受试者的 TS 预测误差。我们随机选择 40 个男性样本和 32 个女性样本作为训练集，其余 10 个男性样本和 8 个女性样本作为测试集。我们打算使原始样本集、训练集和测试集中的男性与女性的比例相同。使用训练集对模型进行重新训练，然后检查模型在测试集上的 TS 预测误差。我们进行了独立样本 t 检验和 Mann-Whitney U 检验，以检查测试集中男性样本和女性样本之间 TS 预测误差的统计差异。独立样本 t 检验通常用于两个独立组，以确定是否有任何统计证据表明两个组的均值在统计上存在差异。Mann-Whitney U 检验与 t 检验非常相似，但它检查两组的中位数，并且特定于非参数统计。TS 预测误差在整个测试集、男性样本和女性样本上的 RMSE 分别为 1.065、1.092 和 1.03。独立样本 t 检验和 Mann-Whitney U 检验应用于每个性别的 TS 预测误差。t 检验和 Mann-Whitney U 检验的结果如表 5 和表 6 所示。两项检验的 p 值均小于 0.05，表明男性受试者和女性受试者的模型误差在统计学上彼此之间没有统计学显著差异。这表明我们的模型适用于男性和女性。

Table 5. Result of independent sample t-test.

	Mean (SD)	t	p-Value (2-Tailed)
Male	−0.21 (1.13)	−1.19	0.251
Female	0.40 (1.02)

SD: standard deviation.

Table 6. Result of Mann–Whitney U test.

	Median (Q1–Q3)	Z	p-Value (2-Tailed)
Male	−0.35 (−0.97–0.71)	−1.07	0.286
Female	0.31 (−0.52–1.33)

Q1: first quartile, Q3: third quartile.

3.2.4. 生理信号排序

在多样化的现实世界中，并非所有生理信号都可用;他们的测量成本不同。因此，我们想对生理信号在评估 TS 中的重要性进行排序。

对生理信号重要性进行排名的过程类似于建模算法的第一阶段，但对信号特征集进行作。信号特征集包含最佳特征组合中来自单个生理信号的所有特征。它从仅具有环境特征的组合开始。在每一轮中，都会添加一个性能最佳的特征集，直到尝试所有信号方面的特征集。生理信号添加的顺序如 表 7 所示。由于体温是一种更容易测量的生理信号，因此我们将这种组合纳入表中。

表 7. 排序生理信号的顺序。

生理信号数	信号列表	RMSE	R2
0	环境信号	1.03	0.58
1	环境信号、体温	0.97	0.63
1	环境信号，肌电图	0.91	0.68
2	环境信号、肌电图、体温	0.87	0.7
3	环境信号、肌电图、体温、心电图	0.84	0.73
4	环境信号、肌电图、体温、心电图、脑电图	0.807	0.75

ECG：心电图，EMG：肌电图，EEG：脑电图;RMSE：均方根误差，越低越好，R²：R 平方，越高越好。

如果只能选择一个生理信号，最简单的信号就是体温。这很简单，但确实提高了性能。然而，更好的是 EMG，它的性能比体温更好。如果可以考虑两个信号，则可以选择 EMG 和体温。如果可以考虑三个信号，则可以包括 ECG。最后，如果可以考虑四个信号，那么也可以包括 EEG，从而获得最佳性能 （RMSE = 0.807，R² = 0.75）。该顺序可以作为不同应用场景下选择生理信号类型的参考。

4. 讨论

本研究试图包括可能与体温调节有关的生理信号。除了广泛使用的体温外，结果显示 EMG、EEG 和 ECG 也能够促进 TS 预测。这证明了从生理信号中获得个人感觉的可能性。所提出的 TS 模型通过使用环境和生理信号来预测 TS，并且可以提供对居住者需求的实时预测。相比之下，大多数早期的 TS 模型需要事先估计乘员的状况，例如活动水平和衣服绝缘性，并且使他们无法实时响应乘员的身体状态。

所提出的模型优于 PMV 模型。在我们的研究案例中，所提出的模型给出的平均 RMSE 为 0.75，R² 为 0.76，而广泛使用的 PMV 模型的 RMSE 分别为 1.07 和 0.43。Koelblen 等 [26] 从以前的研究中收集了数据来验证几个 TS 模型，PMV 的验证结果显示数据库的 TS 预测 RMSE 范围为 0.2 到 1，隐含地表明不同的测量场景会导致 PMV 模型的不同预测误差。RMSE 不同的一个可能原因是缺乏对长期气候变化的考虑。Humphreys 和 Nicol [5] 表明 PMV 可能会根据平均室外空气温度而不是每日最高或最低温度来产生偏差。RMSE 差异的另一个原因可能是由我们的辐射温度假设引起的。为了减轻数据采集的负担，我们假设辐射温度等于室内空气温度。两个温度之间的差异会导致 PMV 模型的性能变差。从信息收集的角度来看，结果仍然表明，在缺乏辐射温度的情况下，所提模型的性能优于 PMV 模型。除了与 PMV 模型进行比较外，我们的建模程序仍然可以发现生理特征对 TS 预测的影响。在手术过程中，同时具有生理和环境特征的模型优于仅具有环境特征的模型。

在所提出的模型采用的信号中，它表明小腿的 EMG 是最重要的因素。肌电图研究表明，肌电图的活性会受到暴露温度的影响。Bell [27] 研究了不同暴露温度下 EMG 振幅与股直肌力之间的关系，发现在给定固定力的情况下，EMG 振幅增加，而暴露温度降低。Bell 等[28]记录了在长时间暴露于寒冷环境下来自六个肌肉群的颤抖 EMG 信号，发现颤抖下中枢和外周肌肉的 EMG 均增加。我们的建模结果还表明，肌电图可能是估计环境影响的一个重要因素。一个可能的原因是本研究中的实验条件使受试者容易感到凉爽或寒冷，导致受试者做出更多小的动作，例如颤抖、姿势调整或敲击脚。静态场景中的 EMG，例如，不同温度之间久坐 EMG 的差异，可以在未来得到验证。

体温是次要的。在以前的研究中，身体的每个部位对环境温度的变化表现出不同的波动。身体部位的热敏感性也不同。有一些研究描述了身体多个部位的温度与 TS 之间的关系。Yao 等 [22] 分析了热舒适度与体温之间的关系，发现局部和平均皮肤温度都对环境温度敏感。Zhang 等[29]在以下研究中使用局部体温作为热感觉建模的指标，并使用获得的热感觉来模拟热舒适度[30]。我们的模型包括胸部和小腿的温度。胸部的温度代表核心温度，它比身体其他部位的温度波动小，可能代表受试者的每日体温。犊牛的体温表示易受影响的肢体温度。也许穿短裤的暴露水平使胸部和小腿的温度组合表现最好。

第三个和第四个重要信号是来自前额的 EEG 和来自胸部的 ECG。额头的脑电图可以判断被摄体是放松还是专注。结果显示 EEG 的 β 波段对 TS 的影响最大。beta 乐队的力量可以用来给一个人的注意力水平打分。这可能是因为足够低的温度有助于在短时间内集中注意力 [31]。心电图采用的特征是心率变异性 （HRV） 特征，即 SDNN 和 LF/HF。HRV 与交感神经系统和副交感神经系统的活动有关[32,33]，可用作身体调节的指标。Choi 等[34]验证了在不同活动水平和环境温度下热舒适模型的潜在心率及其变化作为指标。结果表明，心率的变化比心率本身更具代表性。我们的模型也显示了类似的结果。ECG 特征在所提出的模型中不是很重要的原因可能是因为 HRV 特征和 TS 之间的关系呈 “微笑曲线” 的形状。当 TS 处于中性时，LF/HF 为低电平，当 TS 为热或冷时，LF/HF 为高电平 [22]。在实验中环境温度不同的情况下，Zhu 等 [35] 在 LF/HF 与 TS 曲线上也发现了类似的结果。我们模型的线性 GRP 方法无法响应非线性关系。将来，可以采用更复杂的模型（例如深度学习）进行 TS 建模。

在这项工作中，GSR 在 TS 建模中没有表现出重要性，可以被视为久坐情景的结果。在 Gerrett 等 [36] 和 Xu 等 [37] 的结果中，GSR 与运动场景中的 TS 高度相关。对于 TS 模型的通用性，应考虑运动场景，并在未来的工作中进一步讨论 GSR。

性别是影响一个人的热感觉的一个因素。为了评估性别对所提出的模型的影响，我们使用 t 检验和 Mann-Whitney U 检验来检验男性和女性群体的热感觉预测误差。TS 预测误差在整个测试集、男性样本和女性样本上的 RMSE 分别为 1.065、1.092 和 1.03。尽管两种性别的 RMSE 彼此之间略有不同，但两种测试的结果都显示两种性别在 TS 预测误差上没有统计学上的显著差异。一个可能的原因是生理信号已经包含有关性别的信息;因此，所提出的模型适用于男性和女性。PMV 模型也包含类似的特征。虽然 PMV 模型不包括性别，但它采用可能受性别影响的代谢率作为输入，因此不需要额外考虑性别。Al-Mallah 等[38]发现，男性的新陈代谢率高于中年女性。Sabounchi 等[39]还表明，性别是巴塞尔代谢率预测的一个重要因素。另一个可能的原因是性别对热感觉可能没有预期的那么有效。Wang 等 [14] 对热舒适性研究进行了回顾，发现关于性别功效没有一致的结论。未来可能会对性别与热感觉之间的关系进行进一步研究。

热历史的差异可能导致与本研究不同的结果。这项工作的实验是在台湾高雄进行的，所有受试者都是台湾的健康居民。根据 Gautam 等[40]的研究，热历史会影响一个人的热偏好。Chen 等[41]发现，生活在严寒地区的人们对从“微凉”到“热”的热感感到舒适。由于热史、体型和文化差异，来自其他国家的受试者可能会得出不同的结论。

我们工作中所选信号以外的生理信号也可能对热感觉评估产生影响。Oi 等[42]试图将脑功能磁共振成像图像作为 TS 估计的参考。fMRI 图像包含更多大脑活动的空间信息，而我们使用的单点 EEG 信号包含更多的时间信息。对于长期应用，与 fMRI 相比，EEG 因其便利性而成为更合适的目标。Arens 等[43]通过整合身体部位的 TS，提出了一种 TS 模型。可以使用不同的模型对不同身体部位的 TS 进行建模，并合并到整体 TS 中;每个模型都可以通过采用不同的生理信号来建模。Kingma 等[44]提出了一种利用神经传导引起的变化来评估 TS 的方法。在这项研究中，通过用历史记录验证，神经生理学显示了它在 TS 预测中的有效性。经过仔细考虑，神经生理学方法也可以在未来的研究中采用。

环境条件的波动可能会给本研究带来误差。由于消费级空调系统的限制，环境条件并不像预期的那样稳定。因此，环境的统一性可能与预期不符。Green [45] 和 Fang 等 [46] 指出，总体 TS 可能受到身体部位 TS 的影响，而 TS 可能会因不均匀环境的影响而变化。然而，Arens 等[43,47] 显示总体 TS 的敏感性低于身体部位的 TS。尽管均匀性误差可能会导致身体部位 TS 的波动，但它可能不会过度偏倚整体 TS。环境控制误差的影响可以在未来的研究中进一步讨论，同时可以研究实验和田间研究之间的差异。

环境控制点的分辨率可能会影响所建议模型的准确性。由于实验能力的限制，我们在每个环境条件下选择了两个设定点，总共形成了八个环境设置。可以选择较少的环境条件，例如空气温度和空气速度，这些条件在本研究中显示出它们的重要性，并增加每个条件的设定点。这可以提高条件分辨率并验证 TS 与环境条件之间的线性关系是否持续存在。

问卷的设计和受试者对它的理解可能会引入错误。本研究中的问卷采用 ASHRAE 7 点 TS 量表。Humphreys 等[48]指出，根据对每个量表描述的不同理解，来自不同受试者的相同 TS 值可能是不等价的。这可能会导致线性回归中的错误。将来，可以进一步研究它是否会导致模型性能下降，或者可能会考虑使用非线性建模方法作为替代品。

5. 结论

本研究提出了一种利用生理和环境特征的热感觉 （TS） 预测模型。通过采用生理特征作为身体状态的指标，TS 预测变得更加准确，并且可以实时测量对居住者个人感受的反应。结果表明，我们基于生理信号的 TS 模型优于 PMV 模型，平均 RMSE 分别为 0.75 对 1.07 （越低越好） 和 R² 0.77 对 0.43 （越高越好），表明我们的模型预测具有更高的准确性和更好的可解释性。我们还根据其 TS 预测的功效对采用的生理信号的重要性进行降序排序，如下所示：EMG、体温、ECG 和 EEG。在实际应用中，由于并非所有生理信号都可用或预算有限，因此可以从我们建议的排名列表中选择适当的生理信号子集。我们采用的生理信号可以通过可穿戴传感设备轻松测量，使其在广泛的应用场景中可行。所提出的模型不仅可以用于空调，还可以用于评估非语言受试者（如婴儿或卧床不起的患者）的 TS 需求，作为环境调整的指南。

未来的研究可以扩展和探索几个点：（1） 降低测量噪声以产生更多可用样本，（2） 应用更多不同活动的环境设定点和场景以增加模型的适用性，（3） 对不同组的受试者进行测量并研究它们的 TS 相似性和差异性，（4） 生理信号与 TS 之间的关系可能是非线性的， 因此可以使用更复杂的深度学习模型进行建模和预测，以及 （5） 将生理信号纳入未来的智能交流控制系统。