多模态心脏电活动、皮肤电反应与环境信号数据集揭示室内环境对健康的动态影响

为探究室内环境参数对生理健康指标的动态影响，研究人员通过多模态传感技术同步采集了14名受试者的心脏活动(ECG)、皮肤电反应(GSR)及温度、湿度等环境数据，构建了"Health-Spa"数据集。研究利用机器学习算法证实环境参数可准确预测生理指标，为智能环境调控提供了数据基础，推动了无创健康监测技术的发展。

　　

在环境健康领域，世界卫生组织数据显示近1/4死亡与不良环境因素相关。传统生理监测依赖接触式设备，不仅限制活动自由，更难以揭示环境与健康的动态关联。现有研究多聚焦生理信号对情绪、压力的表征，却鲜少逆向探索环境参数如何驱动生理变化。这一认知空白阻碍了主动健康干预策略的发展。

英国西苏格兰大学计算工程与物理科学学院的Cezar Anicai和Muhammad Zeeshan Shakir团队在《Scientific Data》发表研究，构建了首个同步记录心脏电活动(ECG)、皮肤电导(GSR)与7类环境参数的多模态数据集"Health-Spa"。通过极端环境舱精确控制温湿度等变量，采集14名受试者超600分钟数据。研究发现随机森林算法能通过环境参数高精度预测心率(MAE=2.91)和皮肤电阻(MAE=1.44)，环境风险分类准确率达86.5%，证实了无创环境监测的可行性。

关键技术包括：1) 使用Bosch BME680传感器阵列采集温湿度、挥发性有机物(VOCs)等环境数据；2) MAX30001评估套件记录128Hz采样率的ECG原始信号；3) 基于树莓派的异构数据同步系统；4) Z-score法进行数据清洗；5) 采用全因子实验设计构建16种环境场景。

【数据记录】
数据集包含：

• 皮肤电阻(20-345.71kΩ)与光照(82-13192lux)等11类参数
• 颗粒物计数显示直径>0.3μm颗粒(中位数15个)为主要污染物
• 温度波动(20.54-35.06℃)反映设备±1℃的控制精度

【技术验证】

1. 特征相关性分析显示：

• 皮肤电阻与湿度呈弱正相关(r≈0.2)
• 温度与室内空气质量指数(IAQ)强负相关(r=-0.7)

1. 环境风险分类中，压力(1000hPa区域)和温度(25℃区域)为关键判别特征
2. 生理指标估计模型显示：

• 压力对心率预测贡献度达32%
• 湿度对皮肤电阻影响占比28%

这项研究开创了"环境参数→生理响应"的反向预测范式，其重要意义在于：

1. 为智能建筑提供了动态调节光照、通风的量化依据
2. 证实非接触式健康监测的可行性，缓解医疗设备依从性问题
3. 数据集涵盖PM_2.5等新兴环境风险因子，助力公共卫生研究
4. 极端环境舱设计为生态效度研究提供新范式

未来工作可扩展样本多样性，并探索深度学习在跨个体生理预测中的应用。该成果将推动从"被动治疗"到"环境预防"的健康管理转型。