《Building and Environment》：A Graph Attention-Based Framework for Explainable Thermal Comfort Prediction Using Infrared Facial Landmarks
编辑推荐：
•利用红外面部特征点实现无创且可解释的热舒适度预测。•基于解剖学信息的图注意力网络对面部热空间依赖性进行建模。•混合样本准确率达0.97，留一主体外（LOSO）准确率达0.69，超越PMV（0.43）、XGBoost（0.61）和FC-GNN。•注意力机制与GOLR分析证实鼻
- •
利用红外面部特征点实现无创且可解释的热舒适度预测。
- •
基于解剖学信息的图注意力网络对面部热空间依赖性进行建模。
- •
混合样本准确率达0.97，留一主体外（LOSO）准确率达0.69，超越PMV（0.43）、XGBoost（0.61）和FC-GNN。
- •
注意力机制与GOLR分析证实鼻部在前视状态下占主导地位；颧骨/下颌在姿态偏转时起重要作用。
- •
记录了实验舱、服装及代谢协议，为个性化建筑控制提供支撑。
引言
全球气候变化和极端天气事件频发的加剧，使室内环境热舒适度的重要性日益凸显。智能建筑技术为在降低能耗的同时提升热舒适度提供了机遇，使其成为当前研究的焦点议题之一[1]。传统的热环境控制主要基于群体层面的模型，如预测平均投票（PMV）模型，该模型利用环境温度、相对湿度、风速、辐射、代谢率和服装隔热值等生理和环境参数来估算舒适度[2]。然而，这些模型往往难以捕捉个体热感知差异，因为不同人员之间的生理特征存在显著差异。因此，建筑控制策略正逐步向数据驱动、个性化的热舒适管理方向演进[3,4]。
个性化热舒适管理的一项关键要求是对个体热舒适度进行准确且自动的评估[5]。现有方法大致可分为半侵入式和非侵入式方法[6]。半侵入式方法依赖可穿戴传感器测量皮肤温度、心率等生理信号[7]。尽管这些方法行之有效，但仍面临诸多实际局限，包括佩戴不适、干扰日常活动以及用户依从性低等问题，这限制了其在实际应用中的可扩展性。非侵入式方法，尤其是基于计算机视觉的方法[8]，能够在不干扰用户行为的前提下实现持续监测，因此被认为更适用于实际部署场景[9]。虽然可见光成像被广泛应用，但其对环境光照条件较为敏感，并引发隐私顾虑。因此，热红外成像作为一种可行的替代方案脱颖而出[6]，它能够捕捉热生理信息、在低光照环境下正常工作、测量表面温度并保护用户匿名性。由此，热红外成像已成为无接触热舒适监测的一项有前景的技术[10]。
尽管热红外成像具有上述优势，但要利用其实现准确的个体热舒适度预测仍面临若干关键挑战。首先，热红外图像通常为单通道灰度图像，这使面部检测与特征点识别的难度高于传统的三通道可见光图像[11]。其次，现实中的室内场景往往涉及显著的头部姿态变化，包括三维旋转、部分遮挡和特征错位，这些因素均会降低特征提取的鲁棒性和模型性能[12]。第三，尽管机器学习技术在该领域的应用日益广泛，但其黑箱特性阻碍了对生理特征如何影响预测结果的解释，限制了模型的透明度和实际应用中的可信度[13]。
为克服上述局限，本研究提出了一种基于热红外面部特征点和多头注意力图神经网络的可解释预测框架。该方法具有三大主要优势。第一，它可直接从热红外灰度图像中完成面部检测、特征点提取和温度映射，无需可见光辅助。第二，它将面部特征点组织为具有显式空间关系的图结构数据，并采用基于注意力的图神经网络，在复杂头部姿态下实现自适应且鲁棒的预测。第三，它利用注意力权重分析揭示不同面部区域对整体热舒适度预测的贡献。该方法为智能建筑中无侵入式的个性化热环境控制提供了一条新的途径。
章节摘要
热舒适理论与非接触式热生理感知
热舒适度通常被定义为个体对周围热环境的主观满意程度[14]。早期研究主要采用七点热感觉标度来收集对热感知的**主观**评价。为了更好地理解影响因素，Fanger提出了PMV模型[2]，该模型将热舒适度与关键环境变量（空气温度、相对湿度、风速和平均辐射温度）以及
研究方法
本研究提出了一种基于热红外面部数据的个体热舒适度预测统一框架，整合了特征提取、图注意力建模、预测及可解释性分析（图1）。该框架仅以热红外灰度图像作为输入。首先，对辐射图像应用面部检测和特征点提取技术，获取具有空间结构的面部关键点。然后将温度值映射至每个
热红外面部检测与特征提取结果
为评估所提出预处理流程的可靠性，在不同伪彩色映射方式（原始、彩虹、Inferno、Arctic、Plasma）和特征点检测模型（WFLW、MERLRAV、COFW68、300W Public）下对面部分检测及面部特征点识别进行了评估。结果见表2。结果表明，原始灰度热红外图像取得了最佳的面部检测性能，准确率高达0.89，优于所有伪彩色方案。对于
热红外图像识别与特征提取的环境泛化性
本研究开发了一种仅依赖热红外灰度图像的面部特征点检测和温度提取方法。在无需可见光辅助的情况下，该方法实现了平均面部检测准确率0.89和特征点检测准确率0.78（MERLRAV模型）。值得注意的是，本研究是首批系统量化成像距离和头部偏航角对检测性能耦合影响的研究之一。
相比之下，大多数现有研究采集数据时
结论
本研究提出了一种利用灰度热红外图像和图注意力网络实现个体化热舒适度预测的无创、可解释框架。通过定位面部特征点，在关键点采样辐射温度，并结合节点特征（皮肤温度、温差、空间坐标）与全局特征（头部姿态、个人属性、环境条件）构建图结构。采用多头图注意力网络
CRediT作者贡献声明
刘欣：初稿撰写、可视化、验证、软件、方法论、调查研究、形式化分析、数据整理。苟中华：审阅与编辑、监督、资源、项目管理、概念构思。
刘欣|苟中华
