用于红外热成像筛查中预测核心体温的回归模型

《IPEM-Translation》：Regression model for predicting core body temperature in infrared thermal mass screening

核心体温红外预测模型研究，采用线性回归分析 temple 和 nose 区域温度数据，对比 3M SpotOn 系统的实测值，MAE 0.240°C，SD ±0.285°C，验证非接触式体温筛查有效性。

　　随着新冠疫情的全球蔓延，体温测量成为公共卫生防控中的关键环节之一。发热是新冠病毒感染的典型症状之一，因此，非接触式体温筛查在全球范围内得到了广泛应用。这种筛查方式不仅能够快速评估个体体温状况，还能有效降低医护人员与公众之间交叉感染的风险。然而，目前的非接触式体温测量技术，如红外线（IR）耳温枪和热成像相机，虽然在操作便捷性和安全性方面具有优势，但它们所测得的皮肤表面温度往往与核心体温之间存在一定的偏差。因此，研究如何利用非接触式体温数据准确预测核心体温成为了一个重要的课题。

本研究提出了一种基于热成像图像的回归分析方法，旨在提高非接触式体温测量的准确性。研究团队使用了多种回归模型，包括线性回归、决策树、支持向量机（SVM）、随机森林以及高斯过程回归，对热成像图像中面部不同区域的温度数据进行建模。通过对这些模型的比较，最终确定了线性回归模型在预测核心体温方面的表现最为优异。研究发现，将额头、鼻部和耳部的温度数据作为输入变量，可以实现与已批准的医疗设备——3M? Bair Hugger? 温度监测系统（SpotOn）相当的预测精度。这表明，尽管非接触式设备无法直接测量核心体温，但通过合理的面部区域选择和建模方法，其测量结果仍然可以具备较高的可靠性。

在实验设计方面，研究人员对119名非发热参与者进行了多次体温测量。他们使用了三种不同的设备：红外线热成像相机（FLIR C3）、非接触式红外线额温计（NCIT）以及耳温计（Genius 3）。所有数据的采集均遵循严格的标准化流程，以确保实验结果的可比性和一致性。此外，为了提高预测的准确性，研究团队还考虑了不同面部区域的温度分布情况，包括额头、眼睛、鼻子和整体最高温度区域。通过分析这些区域的温度数据与核心体温之间的相关性，研究人员最终确定了额头和鼻子区域为最优输入变量。

为了验证模型的有效性，研究团队采用了一种统计方法——皮尔逊相关系数，来衡量不同面部区域的温度数据与核心体温之间的相关程度。结果显示，额头、眼睛和鼻子区域的温度数据与核心体温具有较高的相关性，而整体最高温度区域的相关性稍低。进一步的模型训练和测试表明，当使用额头和鼻子的温度数据作为输入时，线性回归模型能够以最小的均方根误差（RMSE）预测核心体温，其误差范围为±0.285°C，均绝对误差（MAE）为0.240°C。这一结果表明，非接触式体温测量在经过适当的建模和校准后，可以达到与接触式医疗设备相当的精度水平。

在实际应用中，非接触式体温测量技术被广泛用于公共场所的快速筛查，例如医院、学校、交通枢纽和办公场所。这些技术的优势在于其无需直接接触被测对象，减少了感染传播的风险，同时还能实现大规模、高效率的体温监测。然而，由于非接触式设备只能测量皮肤表面的温度，因此其测量结果往往受到多种因素的影响，如环境温度、个体活动状态、衣物覆盖情况以及皮肤色素沉着等。这些因素可能会导致温度测量的不一致性和误差，从而影响筛查的准确性。

为了克服这些挑战，研究团队建议采用标准化的测量条件和流程，以确保数据的一致性。例如，在进行非接触式体温测量时，应确保测量环境的温度稳定，避免因环境变化而导致的误差。此外，测量前应让被测者保持安静，以减少因焦虑或其他情绪波动引起的血液循环变化，从而影响面部温度。如果被测者在测量前进行了剧烈运动或处于高温环境中，测量结果可能会受到影响，因此建议在测量前对这些情况进行适当的记录和分析。

在实际操作中，非接触式体温测量设备通常需要进行校准，以确保其测量结果的准确性。校准过程涉及调整设备的温度范围、环境温度补偿以及背景温度的设定。通过这些调整，设备能够更准确地反映被测者的实际体温状况。此外，为了提高预测的可靠性，研究团队建议采用双阶段测量方法：首先使用非接触式设备进行初步筛查，如果结果异常或存在疑问，再使用接触式设备进行进一步确认。这种方法能够在保证效率的同时，提高体温测量的准确性。

本研究的成果对于未来在公共卫生领域推广非接触式体温筛查具有重要意义。它不仅为大规模体温监测提供了一种可行的技术方案，还为相关设备的改进和优化提供了理论依据。通过合理的面部区域选择和回归模型的应用，非接触式体温测量技术可以更有效地用于疫情防控，提高筛查效率，同时减少对个体的干扰和感染风险。此外，该研究还强调了在实际应用中需要注意的各种因素，为设备的使用和管理提供了指导建议。

在实际应用中，非接触式体温测量技术还面临一些挑战。例如，设备的灵敏度和准确性可能受到环境条件的影响，如温度波动、湿度变化以及光线干扰等。因此，在部署此类设备时，需要充分考虑环境因素，并采取相应的措施来减少这些因素对测量结果的影响。此外，个体的生理差异也可能导致测量结果的不一致，因此，研究团队建议在实际应用中结合其他健康指标，如心率和呼吸频率，以提高体温测量的全面性和准确性。

本研究的结果表明，非接触式体温测量技术在经过适当的建模和校准后，可以达到与接触式设备相当的精度水平。这对于在疫情高峰期进行大规模人群体温筛查具有重要的现实意义。然而，研究人员也指出，尽管非接触式技术在精度上有所提升，但在某些特定情况下，如个体体温波动较大或环境条件不稳定时，仍需结合接触式设备进行二次确认。因此，未来的研究可以进一步探索如何优化非接触式设备的性能，以提高其在各种环境和个体条件下的适用性。

此外，研究团队还强调了在实际应用中对数据的管理和分析的重要性。由于非接触式体温测量数据通常涉及大量的图像和温度信息，因此需要开发高效的算法和工具来处理和分析这些数据。通过这些技术手段，可以提高体温测量的自动化程度，减少人为操作的误差，并加快筛查速度。同时，研究人员还建议对测量数据进行长期跟踪和分析，以识别潜在的误差来源并优化测量流程。

综上所述，本研究通过结合热成像技术和回归分析方法，提出了一种有效的非接触式体温预测模型。该模型在准确性方面达到了与现有接触式设备相当的水平，为疫情防控提供了一种新的技术手段。然而，研究团队也指出，在实际应用中仍需注意环境因素和个体差异的影响，并通过标准化的测量流程和校准方法来提高预测的可靠性。未来的研究可以进一步探索如何优化非接触式设备的性能，以实现更高效、更准确的体温测量。