|
持续时间50-60分钟100-120分钟
图3显示了本研究的实验设置。我们使用了一个尺寸为4.2（宽）×3.0（长）×2.8（高）m3的试验台。试验台配有专用空调机组，用于温度控制。受试者的坐姿不直接暴露于空调气流中。这些实验被设计成具有逐渐的温度变化，以模拟温度变化的现实情景，其中没有考虑到长期的适应时间。在每次实验运行中，我们在试验台上只有一名受试者，以消除其他受试者对热条件和热偏好的影响。对于多个受试者，一个受试者可能会受到他人热舒适感知/偏好的心理影响，并受到他人在场的热影响。
保存图片、插图等的外部文件。
对象名称为sensors-19-03691-g003.jpg
在单独的窗口中打开
图3
热室中的实验装置和热通量传感器在实验中的位置及其潜在使用案例。
热流计（图2）用于以3.0 Hz的采样率测量热流和皮肤温度。我们使用一个DHT-22传感器，与Arduino微处理器相连，以0.5 Hz的频率测量环境温度和湿度。所有受试者在实验期间均未宣布患有与心肺相关的疾病。热舒适投票是通过一个简单的调查界面和一个热偏好量表收集的，该量表的角度为11度−5到5表示从喜欢凉爽的环境（令人不舒服的温暖）到喜欢温暖的环境（令人不舒服的凉爽）的范围。采用的量表有助于我们测量与热投票相关的感知、偏好和强度（有关量表特征的更多详细信息，请参见[53]）。实验程序如下：
(1)
每个参与者在大楼的热室外等待10到15分钟，以确保他们的体温调节达到稳定状态。在实验前考虑了该适应时间，以确保实验前的潜在活动（例如，从室外行走）不会影响实验结果。先前的活动可能会影响参与者的代谢率，因此，他/她的热感觉可能会受到其他因素的影响。
(2)
参与者进入经过调节的热室（环境温度约为20°C），并将热流计连接到皮肤上。
(3)
所有传感器（热流、热电偶和温度/湿度传感器）均已激活并开始数据采集。
(4)
在实验开始时，参与者根据五点热偏好量表报告其热偏好−5（更倾向于凉爽或令人不适的温暖）到5（更倾向于温暖或令人不适的凉爽）。
(5)
然后，环境温度以每5分钟约1°C的速度变化。对于第一个实验，温度升高至约30°C，对于第二个实验，温度升高至30°C，然后降低至约20°C，如表1所述。
(6)
当参与者感觉到他们的热偏好发生变化时，他们被要求报告他们的热偏好。
在实验过程中，为了避免受试者基于历史信息的热投票产生偏差，试验台上的温度值没有向他们透露。他们只知道我们会在实验过程中改变温度。
3.4. 数据后处理分析
在数据收集之后，我们对来自热流、皮肤温度和环境传感器的数据执行了许多后处理步骤，以获得更高的信噪比。处理后的数据用于相关分析和舒适性推理建模，如下小节所示。
热流和皮肤温度数据：如图4所示，我们执行了两个后处理步骤来提取热流数据：（1）Savitzky-Golay滤波和（2）用于特征提取的数据采样。第一步用于信号的降噪。热流数据包括由于室内自然空气运动而产生的高噪声[54]。得益于其在保持原始信号波形形状和高度方面的优势，本研究采用了Savitzky-Golay滤波方法[55]。该方法利用局部最小二乘多项式近似来去除噪声。我们使用一次多项式和3001的窗口大小作为输入参数，这些参数是根据数据处理结果经验选择的。在第二步（即特征提取），我们提取了与每个热偏好投票相关的30秒窗口上的平均热流数据。我们的观察表明去除噪声的多项式近似。我们使用一次多项式和3001的窗口大小作为输入参数，这些参数是根据数据处理结果经验选择的。在第二步（即特征提取），我们提取了与每个热偏好投票相关的30秒窗口上的平均热流数据。我们的观察结果表明，参与者在每次新投票后至少30秒内没有改变他们的热偏好（例如，一名受试者在上午10:40报告+2，并且他/她至少保持30秒）。抽样平均值与热偏好投票相关。两个连续投票之间的采样信号值标记为较早的投票值。例如，如果一名参与者投票为+2（意味着偏好更温暖的环境），则在进行新的投票之前，采样数据都会标记为+2。
保存图片、插图等的外部文件。
对象名称为sensors-19-03691-g004.jpg
在单独的窗口中打开
图4
热流数据的后处理。
环境和皮肤温度数据：如图5所示，与通过热流传感器采集的数据相比，环境数据的表观噪声更小。特征提取的数据采样采用相同的方法。分析中使用了30秒以上的平均值。
保存图片、插图等的外部文件。
对象名称为sensors-19-03691-g005.jpg
在单独的窗口中打开
图5
皮肤温度和环境数据的后处理（示意图）。
3.5. 相关系数分析与热舒适推断
生理反应的变化/关系：作为分析的一部分，我们观察了舒适状态下的个人生理特征。利用后处理数据，我们确定了人体受试者在舒适状态下的生理反应（即热通量和皮肤温度）以及环境数据。此外，我们还调查了热交换率、皮肤温度、空气温度、相对湿度和热偏好之间的相关性，以回答研究问题。由于所有参数都是连续变量或排名变量（只有热偏好数据是排名变量），本研究中使用了皮尔逊相关系数（方程式（2））：
r=∑ni=1（xi−x′）（易−y‘）∑ni=1（xi−x‘）2−−−−−−−−−−−−√∑ni=1（yi−y′）2−−−−−−−−−−−−√
(2)
热舒适性推断：在这部分分析中，我们只使用了在手腕上使用热流传感器的实验数据。在使用ML开发个性化热舒适推断模型时，我们使用了热流、皮肤温度和环境数据，以及参与者的热偏好投票。对于分类分析，我们修改了标签以包括三类：所有令人不舒服的温暖投票（来自−5至−1） 被标记为−1，所有令人不安的冷淡投票都被标记为+1。三级热投票量表是不同研究中使用最广泛的惯例[18,21,22]）。该约定是一种用于控制目的的实用方法，因为已经证明，通过使用三类标签约定，可以获得更准确的结果[14]。如前所述，两次连续热投票之间的所有数据点均标有较早的投票。例如，对于一个在下午1:45投票没有改变，而在下午1:54投票改变为cooler的受试者，这两次投票之间的数据点被标记为没有改变（0）。通过这种方式，我们可以在开发模型和在更加多样化的条件下评估模型时增加数据点的数量。
我们使用了三种最大似然算法：随机森林（RF）、支持向量机（SVM）和多项式逻辑回归（LR），这些算法在以前的研究中将皮肤温度作为输入参数之一，用于舒适性推理建模[17,18,26]。通过使用相同的算法，我们打算展示在个人热舒适推断建模中使用热流数据的潜力。
我们调查了不同的培训和测试场景。各种情景的详细情况见表2。如上所述，我们将参与者暴露在环境温度升高和降低的两种情况下。考虑这些条件是为了深入了解不同操作条件下的个人舒适度模型培训及其对建模性能的影响。此外，我们还使用了不同的特征组合：（1）空气温度，（2）皮肤温度和空气温度，（3）热流率和空气温度，（4）皮肤温度、热流率和空气温度。第一个组合被用作基准，通过仅使用环境变量的乘员投票系统，以及乘员对热舒适性推断的投票，来证明参与式传感的性能。其余的组合用于解决 |
