学校环境中的建筑相关症状：利用机器学习方法进行预测

建筑相关症状（BRS）的预测研究整合了测量数据、建筑特征和用户反馈投诉，采用机器学习模型分析三者对症状发生率的影响。结果表明，仅依赖测量数据（R2<50%）预测效果不佳，而结合建筑特征和IEQ投诉后准确率显著提升至95%。SHAP分析显示，室内空气质量问题（如粉尘、异味、干燥空气）是影响症状的主要因素，占预测贡献的15%以上。研究提出，融合多源数据可增强BRS预测的可靠性和实用性，为学校建筑管理系统提供优化方向。

　　
### 研究背景与意义
建筑相关症状（BRS）是学生在教室中常见的健康问题，包括头痛、疲劳、咳嗽和皮肤干燥等，可能直接影响学业表现和整体健康。尽管现有室内环境质量（IEQ）监测数据显示环境条件基本达标，但学生仍普遍感到不适，这表明仅依赖客观测量数据不足以全面评估健康风险。本研究通过整合客观测量数据、建筑固有特征和学生的主观反馈，利用机器学习（ML）模型预测BRS的患病率，旨在建立一种更全面的评估框架，为学校建筑管理提供科学依据。

### 研究方法
1. **数据来源**
- **客观测量数据**：在挪威某中学的三个教室部署低成本传感器，实时监测二氧化碳浓度、温湿度、挥发性有机化合物（VOCs）和光照强度。同时，通过国家气象数据库获取室外温湿度、辐射等数据。
- **建筑特征**：记录教室的方位（东/西向）、墙体与地板面积比、窗户面积占比等参数，分析建筑结构对室内环境的影响。
- **主观反馈**：开发在线平台收集学生关于室内空气质量（如异味、灰尘、干燥空气）、 thermal环境（冷热感、通风效率）和视觉环境（光线过强或不足）的投诉，以及症状（头痛、疲劳、咳嗽、皮肤干燥）的感知频率。

2. **数据分析流程**
- **预处理与变量筛选**：通过单因素方差分析（ANOVA）和卡方检验筛选显著影响症状的变量。例如，CO?浓度、温湿度、VOCs等与症状呈显著相关（p<0.05），而部分建筑参数（如教室面积）对症状影响较小。
- **机器学习模型构建**：采用随机森林（RF）等集成学习方法，对比仅依赖测量数据与整合测量数据、建筑特征和主观反馈的模型性能。SHAP（可解释人工智能）分析被用于量化各输入变量对预测结果的贡献。
- **模型验证**：通过训练集与测试集的划分（80/20），评估模型在预测BRS患病率（如头痛、咳嗽等）的准确性和稳定性。

### 关键发现
1. **模型性能提升**
- **单一数据源**：仅使用测量数据时，模型的决定系数（R2）普遍低于50%，表明客观环境参数单独不足以准确预测症状。
- **整合多源数据**：加入建筑特征和主观反馈后，R2提升至80%-90%，RMSE（均方根误差）显著降低。例如，当模型整合测量数据、建筑参数（如东/西向窗户面积）和IEQ投诉（如“灰尘多”“空气闷”）时，预测精度最高。

2. **主观反馈的显著作用**
- **IEQ投诉的主导性**：SHAP分析显示，室内空气质量（IAQ）相关的投诉（如“异味”“空气闷”“干燥”）对症状预测的贡献最大，其中“灰尘多”与咳嗽症状的关联性最强（贡献率约15%）。
- **建筑特征的辅助作用**：教室方位（如西向窗户受阳光直射）、墙体与地板面积比等建筑参数通过调节室内环境间接影响症状发生。例如，东向教室因自然光照不足，学生更易报告“光线暗”和疲劳。

3. **模型解释性增强**
- **SHAP分析的应用**：通过SHAP值量化输入变量对输出的贡献。例如，“空气闷”投诉的SHAP值对咳嗽症状的预测贡献率达30%，而测量数据（如VOCs浓度）的贡献降低至4%以下，表明主观反馈更能捕捉复杂环境与症状的关联。
- **多因素交互作用**：模型显示，IAQ投诉与建筑特征的组合（如高VOCs浓度+西向窗户）会显著加剧头痛和疲劳症状，而单独的测量数据无法反映此类交互效应。

### 理论贡献与实践启示
1. **填补环境监测与健康管理的空白**
- 传统IEQ监测依赖传感器数据，但本研究证明，结合学生主观反馈（如“灰尘多”“空气闷”）可显著提升模型预测能力，验证了“人本感知”在环境健康评估中的价值。
- 例如，当模型整合“空气闷”投诉与测量数据（如VOCs浓度）时，对咳嗽症状的预测准确率从56%提升至63%。

2. **推动智能建筑管理系统（BMS）发展**
- 研究提出了一种BMS框架：通过实时收集学生反馈（如在线平台），结合传感器数据和建筑参数，ML模型可预测教室内的BRS患病率，为管理人员提供干预依据。
- **典型应用场景**：若模型检测到某教室“灰尘多”投诉频次上升，可自动触发空气净化或清洁流程，同时调整通风系统以改善空气质量。

3. **揭示环境与症状的复杂关联**
- **温湿度与皮肤症状**：低温环境（如冷地板）与低湿度（如“干燥空气”投诉）共同导致皮肤干燥症状。
- **光线与神经症状**：过度强光（如直射阳光）与头痛症状存在关联，提示视觉环境需纳入BMS优化范围。
- **建筑结构的非线性影响**：西向教室因窗户面积大，自然光照更强，但夏季可能因辐射过热引发“闷热”投诉，需动态调整遮阳或通风策略。

### 局限性与未来方向
1. **研究局限性**
- **样本单一性**：研究仅针对挪威某中学的三个教室，建筑类型和气候条件（如冬季寒冷）可能限制模型普适性。
- **健康混淆因素**：未控制学生个体差异（如过敏体质、慢性疾病），可能导致症状与环境的因果关系被高估。
- **数据缺口**：未监测室内颗粒物（PM2.5）和声压级，可能影响模型对呼吸道疾病和听力疲劳的预测。

2. **未来研究方向**
- **多建筑验证**：扩大数据集至不同气候、建筑类型的学校，验证模型的泛化能力。
- **动态健康数据整合**：结合学生健康档案（如过敏史）和实时症状反馈，构建个性化预警系统。
- **跨学科研究**：探索建筑参数（如墙体隔热性能）与IAQ投诉的长期交互效应，优化建筑设计与运维策略。

### 结论
本研究首次系统性地整合了测量数据、建筑特征和主观反馈，构建了预测BRS患病率的机器学习模型。结果表明，单纯依赖传感器数据无法捕捉环境与症状的复杂关系，而学生投诉（尤其是IAQ相关）能显著提升预测精度。这一框架为学校建筑管理提供了新工具，通过实时监测和反馈优化环境，降低学生健康风险。未来需结合更多多源数据（如健康监测设备）和跨区域研究，推动智能建筑与公共健康的深度融合。