基于物联网技术的室内环境COVID-19感染风险预测算法开发与验证

本研究针对COVID-19等空气传播疾病在室内环境中的传播风险，通过部署物联网(IoT)传感器网络监测温度、湿度、CO2、PM10/PM2.5等关键参数，开发出新型感染风险预测算法APRI。研究证实颗粒物浓度与病毒传播存在显著关联，为公共场所风险管理提供了实时监测解决方案。

　　

随着COVID-19全球大流行的爆发，室内环境与空气传播疾病的关联性成为科学界关注焦点。人们90%时间在室内活动，而通风不良、高密度人群等环境因素显著增加病毒传播风险。尤其令人担忧的是，世界卫生组织数据显示空气污染每年导致700万人过早死亡，而欧洲环境署更发现意大利仅PM_2.5暴露就造成6万例超额死亡。这些数据揭示了一个严峻现实：室内空气质量(IAQ)不仅是舒适度问题，更是关乎公共卫生安全的重要指标。

意大利莱切大学(University of Salento)的研究团队在《Scientific Reports》发表了一项突破性研究。他们开发了名为APRI的预测算法，通过物联网传感器实时监测多项环境参数，成功建立了COVID-19室内传播风险模型。这项研究首次系统论证了PM₁₀/PM_2.5浓度与病毒感染风险的直接关联——当PM浓度低于5μg/m³时风险最低，而中高浓度会协同温度、湿度等因素显著提升传播概率。

研究团队采用三项关键技术：1) 部署支持WiFi/NB-IoT的立方体传感器网络，以5分钟间隔采集35,000组环境数据；2) 基于K-means聚类建立温度(18-24°C)、湿度(40-60%)、CO₂(<800ppm)的三级风险阈值；3) 应用随机森林回归算法(R²=0.97)实现实时风险评估。

【数据工作流】部分显示，传感器通过两阶段校准确保数据可靠性：先用高精度仪器标定基准值，再通过共置观测校正传感器间差异。

【标记数据集】环节创新性地将无监督学习与医学标准结合：参考Di Gilio等人研究的CO₂阈值，通过K-means聚类将数据划分为低中高三类风险等级，并发现PM浓度与聚类结果存在隐含关联。

【应用ML技术】部分对比了四种算法，随机森林以MAE=0.029的优异表现胜出。特征重要性分析揭示PM参数成为最强预测因子，尽管这些指标未参与初始聚类。

研究结论指出，APRI算法实现了三大突破：1) 首次量化PM与COVID-19传播的剂量-效应关系；2) 验证CO₂浓度可作为通风效率的替代指标；3) 开发出可集成到HVAC系统的实时预警方案。讨论部分强调，虽然PM可能通过吸附病毒颗粒延长其空气存活时间，但更可能是反映了通风不足、人流量大等潜在风险因素。未来研究将纳入 occupancy density（人员密度）等行为参数以提升模型精度。

这项研究为"智能建筑"防疫提供了关键技术支撑，其价值在后续疫情中将持续放大。正如作者团队所述，将环境监测与传染病预警结合，代表了公共卫生干预从被动应对到主动预防的范式转变。随着算法在医疗机构、公共交通等场景的推广应用，APRI有望成为后疫情时代室内环境管理的标准配置。