CN116010851A

CN116010851A - 一种基于多参数融合的人体热感觉和热舒适预测方法

Info

Publication number: CN116010851A
Application number: CN202310029187.7A
Authority: CN
Inventors: 胡胜楠; 邓斌; 王江; 黄雪林; 杨轶闵
Original assignee: Zhejiang International Institute Of Innovative Design And Intelligent Manufacturing Tianjin University; Tianjin University
Current assignee: Zhejiang International Institute Of Innovative Design And Intelligent Manufacturing Tianjin University; Tianjin University
Priority date: 2023-01-09
Filing date: 2023-01-09
Publication date: 2023-04-25

Abstract

一种基于多参数融合的人体热感觉和热舒适预测方法，包括以下步骤：步骤1)获取不同热环境下的数据集，令身体健康的受试者静坐于热感觉实验室内，采集环境参数数据和受试者的人体体征参数数据；获取受试者每5分钟的热感觉和热舒适量表；步骤2)基于采集的数据，搭建基于时间卷积网络的深度学习模型，训练模型，并用训练完成的模型预测受试者每一时刻的热感觉和热舒适。

Description

一种基于多参数融合的人体热感觉和热舒适预测方法

技术领域

本发明涉及热环境技术领域，特别是一种基于多参数融合的人体热感觉和热舒适预测方法。

背景技术

1936年，Bedford提出了人体热感觉7级评价指标：冷、凉、微凉、中性、微热、暖、热。类似地，人体在室内环境中的热舒适可以从很不舒适到非常舒适划分为7级：很不舒适、不舒适、稍不舒适、中性、稍舒适、很舒适、非常舒适。通过记录受试者关于热感觉和热舒适的主观反馈，获知其热感觉和热舒适程度

人体的热感觉和热舒适状态对人体健康、情绪和工作效率都有重要影响，改善人体的热感觉和热舒适对人体健康水平和工作效率有重要意义。P.O.Fanger在上世纪七十年代首次提出预测平均评价(The Predicted Mean Vote，PMV)方法预测人体热感觉。这一方法认为，人体热舒适取决于空气湿度、相对湿度、风速、平均辐射温度、服装热阻和人体代谢率六个因素，将这六个因素作为输入，预测人体热感觉程度。2002年，P.O.Fanger在PMV模型中考虑了人体的适应能力，引入期望因子e，提出了改进的扩展预测平均评价(ePMV)模型。2009年，Yao等人引入了自适应系数λ，提出了改进的适应预测平均评价(aPMV)模型。时至今日，PMV模型广泛用于热感觉和热舒适预测。但上述模型均是基于环境参数预测人体热感觉和热舒适，与实际人体热感觉和热舒适存在较大误差。

在先研究中我们发现，人体生理参数和环境参数在人体热感觉和热舒适的表征中也具有重要的作用，提供一种新的基于人体生理参数和环境参数多参数融合人体热感觉和热舒适预测方法成为现有技术中亟待解决的问题。

发明内容

本发明的目的在于提供一种基于多参数融合的人体热感觉和热舒适预测方法，能够根据过去一段时间的环境参数和人体生理参数对当前时刻人的热感觉和热舒适程度的客观预测。

为了实现上述目的，本发明提供如下技术方案：

一种基于多参数融合的人体热感觉和热舒适预测方法，包括以下步骤：

步骤1)获取不同热环境下的数据集

令身体健康的受试者静坐于热感觉实验室内，采集环境参数数据和受试者的人体体征参数数据；获取受试者每5分钟的热感觉和热舒适量表；

步骤2)基于采集的数据，搭建基于时间卷积网络的深度学习模型，训练模型，并用训练完成的模型预测受试者每一时刻的热感觉和热舒适。

所述一种基于多参数融合的人体热感觉和热舒适预测方法，进一步的，

步骤1)中，所述热感觉实验室为密闭隔热房，室内环境温度的变化范围为18℃-30℃，相对湿度的范围为15％-60％，风速≤1m/s，受试者统一着装以排除服装对热感觉和热舒适的影响；

所述的环境参数为温度和相对湿度，所述人体体征参数为手腕皮肤温度、胸前皮肤温度、小臂中央皮肤温度、小腿中央皮肤温度、心率和血氧饱和度。

所述的热感觉量表为7级热感觉量表，即分为-3冷、-2凉、-1微凉、0中性、1微热、2暖和3热共七级。

所述的热舒适量表为7级热舒适量表，即分为-3很不舒适、-2不舒适、-1稍不舒适、0中性、1稍舒适、2很舒适和3非常舒适共七级。

所述的基于多参数融合的人体热感觉和热舒适预测方法，所述受试者群体为：年龄段为18-26岁，男女比为1:1，不少于60人，每人次数据不少于300min，数据采样率为1次/min。

在上述基于多参数融合的人体热感觉和热舒适预测方法中，所述的数据采集流程包括：

通过调节室内温度和相对湿度，创造多个温湿度参数组合的热环境；受试者静坐，统一着装，通过环境传感器实时采集人体周围的环境参数，实时采集人体体征参数；每隔5分钟，受试者填写当前时刻的热感觉和热舒适量表，并将此时刻的评分值用于表征过去5分钟受试者的热感觉和热舒适状态；记录环境参数、人体体征参数数据。

在上述基于多参数融合的人体热感觉和热舒适预测方法中，所述的基于时间卷积网络的深度学习模型包括模型输入、隐藏层和模型输出；模型输入为100分钟内作为人体体征参数和环境参数的八种数据，即模型输入维度为8通道*100分钟；模型隐藏层为不少于1个隐藏层，每个隐藏层不少于1个单元；模型输出包含2个输出，每个输出包含7个预测值，分别对应为热感觉和热舒适的7级评分的预测概率值，取概率值最大的评分作为当前时刻热感觉和热舒适评分值。

在上述基于多参数融合的人体热感觉和热舒适预测方法中，所述的模型训练为：将所有输入数据标准化处理，将热感觉和热舒适评分转化为分类标签，其对应形式为：标签(评分)，即0(-3)、1(-2)、2(-1)、3(0)、4(1)、5(2)、6(3)；将处理后的每个人的数据均分为两等份，第一份数据作为训练集，第二份数据作为测试集；训练模型直至损失不再下降，得到训练好的模型。所述标准化处理方法为归一化处理。

本发明提供的一种基于多参数融合的人体热感觉和热舒适预测方法，优化了参数组合，采用了作为环境参数和人体体征参数的八种参数数据，并采用了基于时间卷积网络(TCN)的深度学习模型，经过训练后的模型，在模型在整个测试集上的准确率(Accuracy)分别为：热感觉预测准确率为32.53％，热舒适预测准确率为30.68％。上述准确率均远高于随机预测概率1/7＝14.29％，并且通用模型有良好的泛化能力，能够用于人体热感觉和热舒适预测。

附图说明

图1为本发明实施例提供的一种用于人体热感觉与热舒适预测的基于时间卷积结构的深度学习模型框架示意图；

具体实施方式

下面将参考附图来详细说明本发明。本发明提供了一种基于多参数融合的人体热感觉和热舒适程度预测方法，本发明中涉及的具体方案和结果皆依赖本发明实验中采集的数据集。实际上，本领域的技术人员可以在不脱离本发明精神的情况下，根据所用的数据集调整及拓展深度学习模型的结构，而相应的热感觉和热舒适预测准确率也会依赖于数据集的好坏。例如，如果数据集是一个受试的大量数据，预计热感觉和热舒适预测准确率会远优于本发明中的准确率。

本发明提供的一种基于多参数融合的人体热感觉和热舒适预测方法，其具体实施步骤如下：

步骤1)获取不同热环境下的数据集：

所述的热感觉量表为7级热感觉量表，即分为-3冷、-2凉、-1微凉、0中性、1微热、2暖和3热共七级，

所述热舒适量表为7级热舒适量表，即分为-3很不舒适、-2不舒适、-1稍不舒适、0中性、1稍舒适、2很舒适和3非常舒适共七级

采集的人体体征参数为手腕皮肤温度、胸前皮肤温度、小臂中央皮肤温度、小腿中央皮肤温度、心率和血氧饱和度，数据采样率为1次/min。同时，每5分钟受试填写一次7级热感觉和热舒适量表，作为受试过去5分钟内热感觉和热舒适程度的主观评价。通过空调平滑改变室内温度，环境温度范围为18℃-30℃，通过加湿器改变室内环境相对湿度，相对湿度范围为15％-60％，环境风速稳定在≤1m/s，营造了多个热环境，并采集受试生理参数、获取受试热感觉和热舒适程度的主观评价。实验过程中，受试者统一着装，保持服装热阻的一致性，具体的说，受试者上半身穿着纯棉T恤，下半身穿着普通长款牛仔裤，不能说话，可以进行看书、浏览手机网页等不会对人体情绪产生影响的活动。最终，本发明获得了70人次的数据集。受试群体为在校本科生和研究生，男女各35人，年龄段为18-26岁，身高段为155cm-190cm，体重段为45kg-80kg，每人次数据量≥300分钟。每个受试者的数据被整理成电子表格，其中包括了记录时间及与时间对应的环境参数和人体体征参数。

步骤2)基于采集的数据，搭建基于时间卷积网络的深度学习模型，训练模型，并用训练完成的模型预测受试者每一时刻的热感觉和热舒适：

所述的基于时间卷积网络的深度学习模型，模型输入、隐藏层和模型输出：

模型的输入数据是8维的，分为0-7通道，对应环境参数和人体体征参数的8项数据，即环境温度、环境相对湿度、手腕皮肤温度、胸前皮肤温度、小臂中央皮肤温度、小腿中央皮肤温度、血氧饱和度和心率。每次取100分钟的数据作为网络输入，因此，输入数据格式为8*100。

模型输出包括2个输出，分别用y0，y1表示，每个输出包含7个预测值，分别对应为热感觉和热舒适的7级评分的预测概率值，经过一定变换才能得到预测的热感觉和热舒适评分值，分别用y0’，y1’表示，模型输出格式是2*100*7。

所述隐藏层数量为6个，每个隐藏层有64个隐藏单元，第一层隐藏层的输入为8通道，对应8类输入数据，输出通道为64，卷积核大小为21，中间隐藏层卷积核大小为11，输入输出均为64通道；第六层隐藏层包含一个输出层，有两个输出单元，卷积核大小为1，输入为64通道，输出为7通道，分别对应热感觉或热舒适7分类的预测概率值，整个网络框架如图1所示。

模型训练为：对数据进行预处理，将70人次的8维度输入数据按照数据类型进行归一化处理，将受试热感觉评分y1”和热舒适评分y2”进行平移变换(即评分值+3)，作为分类标签；将预处理完成的数据按照不同受试者均分为两等份，第一份数据作为训练集，第二份数据作为测试集。采用交叉熵损失函数，优化器采用随机梯度下降法，学习率和损失函数根据训练效果调整。当训练集损失基本不再下降时，结束训练，得到训练好的模型。

3.模型表现及解释

模型效果：

模型在整个训练集上的准确率(Accuracy)分别为：热感觉预测准确率为72.95％，热舒适预测准确率为66.32％。在单个受试训练集中热感觉预测准确率最高为94.57％，热舒适预测准确率最高为92.06％。

模型在整个测试集上的准确率(Accuracy)分别为：热感觉预测准确率为32.53％，热舒适预测准确率为30.68％。上述准确率均远高于随机预测概率1/7＝14.29％，并且通用模型有良好的泛化能力。

Claims

1.一种基于多参数融合的人体热感觉和热舒适预测方法，其特征在于包括以下步骤：

步骤1)获取不同热环境下的数据集

2.如权利要求1所述一种基于多参数融合的人体热感觉和热舒适预测方法，其特征在于：

步骤1)中，所述热感觉实验室为密闭隔热房，室内环境温度的变化范围为18℃-30℃，相对湿度的变化范围为15％-60％，风速≤1m/s，受试者统一着装以排除服装对热感觉和热舒适的影响；

3.如权利要求1或2所述的基于多参数融合的人体热感觉和热舒适预测方法，其特征在于所述受试者群体为：年龄段为18-26岁，男女比为1:1，不少于60人，每人次数据不少于300min，数据采样率为1次/min。

4.如权利要求3所述的基于多参数融合的人体热感觉和热舒适预测方法，其特征在于所述的数据采集流程包括：

5.如权利要求4所述基于多参数融合的人体热感觉和热舒适预测方法中，其特征在于所述的基于时间卷积网络的深度学习模型包括模型输入、隐藏层和模型输出；模型输入为100分钟内作为人体体征参数和环境参数的八种数据，即模型输入维度为8通道*100分钟；模型隐藏层为不少于1个隐藏层，每个隐藏层不少于1个单元；模型输出包含2个输出，每个输出包含7个预测值，分别对应为热感觉和热舒适的7级评分的预测概率值，取概率值最大的评分作为当前时刻热感觉和热舒适评分值；所述的模型训练为，将所有输入数据标准化处理，将热感觉和热舒适评分转化为分类标签，其对应形式为标签(评分)，即0(-3)、1(-2)、2(-1)、3(0)、4(1)、5(2)、6(3)；将处理后的每个人的数据均分为两等份，第一份数据作为训练集，第二份数据作为测试集；训练模型直至损失不再下降，得到训练好的模型。