基于物联网与机器学习的非侵入式健康监测：环境因素对心血管指标的影响研究

本文创新性地构建了物联网（IoT）测试床，通过环境传感器数据（温度、湿度、气压、空气质量、噪音、光照）结合机器学习（ML）算法，实现了对心率（HR）和皮肤电阻（SR）的非接触式估计，并能将室内环境按心血管风险分为低、中、高三类。随机森林（RF）模型分类准确率达86.5%，HR和SR估计的平均绝对误差（MAE）分别为1.86和0.36，展现了环境智能在无感健康监测中的巨大潜力。

　　

主要发现 (Highlight)

环境风险分类的结果见表3。我们汇总了三种算法针对每个类别的精确度、召回率和F1分数，以及一个整体的跨类别准确率分数。随机森林 (RF) 在所有使用的指标上都优于其他模型，除了低风险类别的精确度，在该项上XGBoost以微弱优势胜出。86.5%的整体准确率是一个令人鼓舞的分数，然而，如果我们考虑将低风险和高风险类别合并，可能会获得更好的结果，因为模型在处理中等风险类别时表现稍弱。这种合并将问题转化为二元分类，准确率达到了91.8%。

讨论 (Discussions)

这项研究证明了利用易于获取的环境传感器数据，通过机器学习模型进行处理，能够根据潜在的心血管风险对室内环境进行分类，并以非侵入方式估算个体生理指标的潜力。我们的发现为环境智能和无感健康监控这一不断发展的领域做出了贡献。

使用随机森林 (RF) 的环境风险分类达到了86.5%的总体准确率，表明环境传感器数据可以有效地用于评估环境对心血管健康的潜在影响。同样，使用随机森林回归器估计心率 (HR) 和皮肤电阻 (SR) 也取得了有希望的结果，平均绝对误差 (MAE) 分别为1.86 BPM 和 0.36 kΩ。这些结果支持了我们的核心假设，即环境条件和生理反应之间存在可量化的关系，机器学习可以捕捉这些关系。

结论 (Conclusion)

在本研究中，我们探索了物联网 (IoT) 和机器学习 (ML) 在基于环境数据的健康监测领域的交叉应用。我们的目标是利用环境数据来估算心率 (HR) 和皮肤电阻 (SR)，并根据环境对心血管健康的影响对其进行分类。我们发现随机森林 (RF) 算法能够有效捕捉环境条件与健康指标之间的关系。我们的模型在以86.5%的准确率将环境分为心血管低、中、高风险类别方面表现成功。此外，回归模型能够仅从环境数据中估算心率 (HR) 和皮肤电阻 (SR)，其误差水平在连续健康监测应用中具有实际意义。