在动态环境中提高热感觉预测的跨个体泛化能力：整合生理、情绪和环境因素

《BUILDING AND ENVIRONMENT》：Enhancing cross-individual generalizability of thermal sensation prediction in dynamic environments: integrating physiological, emotional, and environmental features

情绪-温度耦合关系及性别差异对热感知预测模型的影响，通过八种机器学习算法验证了环境温度、温度变化方向及情绪状态（尤其是价值维度）对跨个体泛化性的提升作用，提出仅需五个关键特征即可保持高精度泛化。

　　

魏颖格|韩云松|张启慧|崔宏基|陶彪青|崔茜兰

哈尔滨工业大学建筑与设计学院，哈尔滨，150001，中国

摘要

热感知预测对于以使用者为中心的热环境控制至关重要。然而，当前的热感知模型更注重个体层面的准确性，而忽视了个体间的普遍性，这限制了它们在经常更换使用者的空间中的适用性。本研究探讨了情绪与热感受之间的耦合关系，并利用八种机器学习（ML）算法为已知和未知的个体开发了个性化及泛化的热感受预测模型。值得注意的是，本研究首次揭示了性别在情绪主导性方面的显著差异：在寒冷和炎热的热环境中，男性表现出比女性更强的控制感。在动态热环境中，热感受与生理信号的相关性较弱，而与情绪状态的相关性则较为稳定。预测热感受在动态条件下的难度大于稳态条件，尤其是对于未知的个体而言。尽管如此，环境温度、考虑温度变化方向（TC-TCD）的热条件以及情绪状态显著提高了模型的跨个体普遍性。个性化模型的准确率分别为男性94.97%、女性96.49%；泛化模型的准确率从男性58.75%提高到81.31%，女性从71.15%提高到85.61%。情绪状态是热感受的关键预测因素，其中情感效价（valence）与热感受评分（TSV）之间存在明显的U形关系。最后，仅使用五个特征即可实现较高的泛化能力，泛化模型的准确率男性下降0.67%，女性下降0.59%。通过整合环境和情绪信息，本研究显著提升了热感受预测的跨个体普遍性。

引言

国际能源署报告称，建筑运营占全球能源相关排放量的26%，其中18%来自电力和热力生产的间接排放[1]。这些能源的很大一部分用于维持室内热环境。由于大多数人80%到90%的时间都在室内度过[2]，因此优化建筑热环境对于减少碳排放、改善健康、舒适度、生产力和幸福感至关重要[[3],[4],[5],[6]]。暖通空调（HVAC）系统是调节室内热环境的主要手段，但它们消耗了超过70%的建筑总能源，同时往往无法提供令人满意的舒适度[7,8]。这一限制源于使用者在热感知上的差异[9]，而传统的HVAC控制策略忽视了这种个体差异，导致能源过度使用和频繁出现热不适[10,11]。因此，尽管能源消耗巨大，但使用者热舒适度不足仍然是一个关键问题。

为了解决使用者热舒适度不足的问题，并更好地考虑个体在热感知上的差异，许多研究提出了在个体层面预测热感知的方法。红外热成像技术已被广泛用于热感知预测[[12],[13],[14]]。例如，一项研究利用红外热成像技术在夏季和冬季的预测准确率分别达到了95.83%和95.28%[15]。另一项研究将服装隔热性、代谢率、时间变量和环境参数整合到一个简化的机器学习模型中，用于预测老年人的热舒适度，平均绝对误差为0.048[16]。类似地，结合皮肤温度传感器、面部红外成像和心率以及气象数据的研究在预测热感受方面的准确率达到了83.9%[17]。还有研究将使用者的 demographic 特征作为热感受的预测因子，准确率在83%到99%之间[18]。其他研究利用基于Wi-Fi信号的信道状态信息来识别使用者的热适应行为[19]。还有研究基于观察到的行为开发了一个热不适行为指数，并将其与生理和环境数据结合以预测热舒适度[20]。虽然这些模型有效，但它们主要针对特定人群，因此具有高度个性化。它们没有解决模型对未知个体的泛化问题。此外，尽管先前的研究报道了性别在热感知上的差异[21,22]，但只有少数研究开发了针对性别的模型。因此，关于性别特定模型以及提高模型跨个体普遍性的策略的研究仍然有限。

除了生理数据和热不适行为外，最近的研究进一步强调了情绪状态与热感知之间的关系。例如，感到快乐可以增加感知到的温暖[23]。热敏感度的准确性也与抑郁和焦虑的症状有关，这突显了情绪对热敏感度的调节作用[24]。一项研究发现，压力、焦虑和抑郁等心理状态与主观热感受显著相关[25]。另一项调查发现，当参与者处于非常悲观或非常乐观的情绪状态时，他们的实际热感受比传统模型预测的平均值更高[26]。基于脑电波的实验进一步表明，热刺激可以引发可测量的情绪反应[27]。研究人员甚至提出了“情绪温度”的概念，认为不同情绪可能有不同的热特征[28]。在现实世界环境中，积极情绪在夏季访问绿地时能够提升热舒适度[29]。另一项研究表明，不适的热条件会加剧个体的情绪体验[30]。最近的研究强调了心理调节的重要性，并确认情绪状态可以影响人们的热舒适度[31]。对热变化的生理反应通常存在时间滞后[32,33]。相比之下，对极端寒冷或炎热的环境的心理反应通常是负面的，方向一致，且个体间差异相对较小[34]。因此，结合情绪状态可能是提高热感知预测模型泛化能力的一种有前景的方法。

自我评估假人（SAM）量表提供了一种量化情绪状态的实际方法[35]。SAM量表解决了热感受量表的一个关键缺陷，即缺乏愉悦等情感信息[36]。情感效价-唤醒（Valence-Arousal）空间是定义情绪状态最常用的框架[37]。情感效价维度代表对引发情绪的刺激的正面或负面主观感受或态度[38]。唤醒维度基于生理学，可以客观测量为交感神经系统的激活，或由受访者主观报告。这两个维度被一致认为是所有情感状态的基本组成部分[39]。情感主导性（Dominance）指的是个体对某种情境的感知控制或权力程度[40]。它涵盖了情感效价和唤醒之外的方面，如对人际或环境控制的感知[41]。情感主导性已被应用于评估复杂的人机交互以及环境心理学中，以评估颜色、温度、照明和声音等因素如何影响主观反应[41,42]。

热感受预测模型的另一个挑战是它们依赖于大量的输入特征。例如，一项研究使用25个面部区域的温度来预测热感受，需要广泛的局部面部温度测量[43]。另一项研究结合了空气温度、相对湿度（RH）、七个面部区域、六个手部区域、人员ID和服装隔热性来预测热感受[44]。该方法使用了室内空气温度、RH、皮肤温度和服装表面温度等传感数据来进行热感受预测，但仍需要多个数据源，增加了模型的复杂性和传感器成本[45]。一项基于皮肤温度和热图像特征开发早期预警模型的研究需要10点皮肤温度和上半身热图像作为输入[46]。这些模型依赖于多样且复杂的输入，在成本效益的部署方面面临重大挑战。因此，迫切需要低维特征集，以保持高泛化能力，从而降低实际应用中的部署成本。

总结来说，现有的热感知预测模型主要关注特定个体，使其高度个性化。尽管在使用者频繁变化的公共空间中，它们的跨个体普遍性受到较少关注。此外，尽管一些研究表明热感知和情绪状态之间存在关联，但大多数当前模型仍然主要依赖生理数据，很少探索将情绪状态与生理信号结合如何提高预测性能。此外，热感知预测通常依赖于大量的输入特征，增加了部署成本和系统复杂性。为了解决这些不足，本研究旨在探讨热感受与情绪维度之间的关系，并将关键的情绪状态信息整合到热感知预测中。它还提出了提高跨个体普遍性的策略，并开发了一个高度代表性的低维特征集，以支持未来的特征选择。

基于这些不足，本研究调查了在稳态和动态热环境中使用者的热感知、生理反应和情绪状态。研究目标包括：（1）探讨热感受与情绪维度之间的耦合关系，并识别这些关系中的性别差异；（2）为特定个体和之前未见过的个体开发个性化及泛化的热感受预测模型；（3）提出策略以提高动态条件下的预测模型跨个体普遍性；（4）开发并验证一个减少特征的模型，该模型整合了最少的生理、情绪和环境数据，旨在平衡智能建筑应用中的预测准确性和部署成本。

方法部分

本研究的流程图包括三个部分：数据收集、数据分析和模型构建，如图1所示。数据收集部分详细描述了获取实验数据的程序。数据分析部分包括两个组成部分：平均皮肤温度（MST）计算和性别差异分析。模型构建部分包括数据集构建、模型开发、模型评估和模型比较。

热感受

如图B.1所示，热感受不仅受环境温度的影响，还受热条件类型的影响。在25°C的稳态条件下，经过30分钟的适应期后，25%的参与者报告感到“温暖”或“稍暖”。当温度升至25°C时，这一比例增加到50%。相反，当温度降至25°C时，报告“凉爽”或“稍凉”的比例显著上升至65%。在阶跃变化情况下

性别差异

本研究首次发现了情绪主导性维度上的显著性别差异：在寒冷和炎热的热环境中，男性比女性表现出更强的控制感。一项功能性磁共振成像（fMRI）研究表明，男性能够更有效地调节情绪，所需的认知资源更少，表现为前额叶皮层活动较低，表明其调节策略更为自动化；相比之下，女性倾向于通过更多方式来对抗负面情绪

结论

本研究探讨了热感知与情绪维度之间的关联，并比较了不同热条件下热感受、生理和情绪之间的相关性。此外，应用了八种机器学习算法来开发针对性别的个性化及泛化的热感受预测模型。还确定了提高动态热环境下预测模型跨个体普遍性的策略。主要发现

实验伦理声明

本研究遵循《赫尔辛基宣言》中规定的伦理原则进行。研究获得了哈尔滨工业大学伦理委员会的批准（批准编号HIT-2024096）。

CRediT作者贡献声明

魏颖格：撰写——原始草稿、方法论、调查、数据分析、概念化。韩云松：撰写——审阅与编辑、资源管理、项目协调、资金获取。张启慧：概念化、调查。崔宏基：数据管理、可视化、软件开发。陶彪青：数据分析、撰写——审阅与编辑。崔茜兰：概念化、方法论。

数据可用性

支持本研究发现的数据可应合理要求提供。

CRediT作者贡献声明

魏颖格：撰写——原始草稿、方法论、调查、数据分析、概念化。韩云松：撰写——审阅与编辑、资源管理、项目协调、资金获取。张启慧：调查、概念化。崔宏基：可视化、软件开发、数据管理。陶彪青：撰写——审阅与编辑、数据分析。崔茜兰：方法论、概念化。