基于深度学习的EEG、HRV与EDA生物标志物在个体热舒适预测中的对比评估研究

本研究提出一种基于深度学习（DL）的计量学框架，在精确控温条件下系统评估脑电图（EEG）、心率变异性（HRV）和皮肤电活动（EDA）三种生物标志物的预测性能。通过设计专用信号预处理流程与贝叶斯超参数优化的DL架构，研究发现HRV模型以F-measure=0.95的优异表现成为最优单模态解决方案，其计算资源需求最低（内存占用0.78 MB，相对成本0.89），为临床级热舒适预测系统提供了可复现的范式。

　　

Highlight

本研究的创新点在于：

• 开发了基于深度学习（DL）的新型框架，用于系统比较EEG、HRV和EDA生物标志物在热舒适评估中的表现。该框架支持对生理信号预测能力的全面评估。

• 设计了三种经过优化的DL架构，分别处理EEG、HRV或EDA生物标志物。这些架构融合了贝叶斯优化技术，以提升特征提取和分类性能。

• 通过精确的实证评估，我们识别并验证了用于热舒适预测的最有效生物标志物架构。我们的对比分析为生物标志物模态的相对性能特征提供了基于证据的见解。

Related Works and background knowledge

本节系统性地审视了生物标志物指标与个人热舒适之间的关系，着重强调了它们之间复杂的相互依赖性。我们探讨了基于其关键功能的DL机制，这些机制对导致生物标志物变异性的个人热舒适预测系统有所贡献。

Overview of the framework of DL-driven thermal comfort prediction from biomarkers

提出的框架概述了一个将现实环境与计算系统相连接的系统化流程，用于预测个人热舒适。该系统利用DL模型将原始生理信号（EEG、EDA和HRV）转换为热舒适满意度等级。它包含两个核心子流程：(1) 模型开发阶段（虚线红色双箭头），涉及信号感知、预处理，包括迭代优化直至模型学习性能达标。

Materials and methods

本节概述了使用DL对EEG、HRV和EDA生物标志物进行热舒适预测对比评估的方法学。该系统性流程的材料和方法包含四个关键组成部分：1) 受控环境舱设置，2) 生理信号采集，3) 参与者筛选，以及 4) 信号预处理与特征工程。

DL model design and development

DL模型的设计与开发需要将超参数优化作为关键的预配置步骤，以确保模型的最佳性能。此过程涉及微调模型的核心参数——权重（w）和偏置（b）——这些参数在训练期间基于输入数据（x）进行迭代调整，以最小化预测结果与实际结果（h）之间的差异（参见公式(1)）。确定w和b的最佳值本质上是复杂的，因为它们的有效性取决于特定的数据特征和模型架构。

Experimental setup

本实验评估了利用EEG、HRV和EDA生物标志物进行个人热舒适预测的DL模型的性能。实验检验了预测准确性和计算效率，以确定面向实际应用的最佳模型配置。

Conclusions

本研究使用优化的DL框架，系统性地评估了EEG、HRV和EDA生物标志物在个人热舒适预测中的应用。生理信号是在受控热条件下使用医疗级采集系统收集的，确保了数据的可靠性。我们为每种生物标志物模态实施了全面的信号处理：通过韦尔奇方法的功率谱密度（PSD）分析将EEG信号分解为标准频带（δ, θ, α, β, γ）；HRV分析则通过快速傅里叶变换（FFT）频谱估计进行，重点关注低频（LF）与高频（HF）成分的比率（LF/HF）；EDA特征提取利用优化滤波技术来分离皮肤导电水平（SCL）和反应（SCR）特性。