心理声学机器学习评估方法用于预测居住者福祉的评价

《Buildings》：Evaluation of Psychoacoustic Machine Learning Assessment Method for Predicting Occupant Well-Being Kuen Wai Ma, Cheuk Ming Mak, Fu-Lai Chung and Hai Ming Wong

　　

在现代建筑中，空调室内环境对居住者的生产力和福祉至关重要，但风扇噪声和气流湍流可能显著损害这些益处。人-环境交互是复杂过程，传统基于能量的声学指标（energy-based acoustic metrics）通常不足以建模。因此，本研究旨在推进建筑声学的多维声品质评估框架（multidimensional sound quality assessment framework）。研究人员评估了三种方法：传统回归方法（Conventional Regression Approach, CRA）、一般预测模型（General Prediction Model, GPM）和心理声学机器学习（Psychoacoustic Machine Learning, PML）评估方法，用于预测三个感知维度（评估、潜力、活动；Evaluation, Potency, Activity, EPA）和负面噪声影响（居住者福祉，O1: 不适（Discomfortable）、O2: 烦扰（Annoying）、O3: 压力（Stressful）、O4: 不可接受（Unacceptable））。基于432次多维声品质评估，涵盖四种常见空调建筑环境，PML在EPA评分预测中取得了最佳拟合优度（调整R² = 0.61），优于CRA（0.32）和GPM（0.15），并有效预测了所有负面噪声影响（调整R² = 0.53–0.61）。PML评估方法通过心理声学热图（psychoacoustic heatmaps）编码建筑环境30秒音轨中的时变心理声学特征（227×227像素），为可持续建筑设计提供了智能可靠的声品质和福祉预测方案。

**论文解读：心理声学机器学习评估方法在空调建筑环境中预测居住者福祉的应用**

**研究背景与问题**
现代建筑越来越多依赖空调系统维持室内环境，但风扇噪声和气流湍流会显著降低居住者的生产力和福祉。传统声学评估方法（如A计权等效连续声压级L_Aeq、噪声标准NC、噪声评价NR等）基于单值能量指标，难以捕捉人-环境交互的复杂心理维度，如感知评价、潜力与活动（EPA）等。世界卫生组织（WHO）2018年更新噪声指南后，日常噪声暴露对健康的影响（如不适、压力、疾病进展）受到更多关注。然而，现有主观评估方法（如语义差异法）在不同研究间存在方法论不一致，限制了跨研究可比性。因此，亟需一种智能、可靠的多维声品质评估框架，以预测空调建筑环境中噪声对居住者福祉的负面影响。

**研究开展与意义**
研究人员在《Buildings》期刊上发表了这项研究，旨在评估三种方法（传统回归方法CRA、一般预测模型GPM、心理声学机器学习PML）在预测EPA评分和四个福祉相关噪声影响（O1不适、O2烦扰、O3压力、O4不可接受）方面的性能。基于432次多维声品质评估，PML方法表现出最佳预测能力，为可持续建筑设计和健康导向的声学设计提供了可靠工具。

**主要关键技术方法（不超过250字）**
研究采用以下关键技术方法：
（1）客观声学特征化：在四种空调建筑环境（图书馆、教室、讲堂、办公室）中采集30秒音轨，使用传统指标（L_Aeq、房间准则RC等）和心理声学指标（总响度N、尖锐度S、粗糙度R、波动强度FS）量化能量、频谱和时间内容。
（2）主观感知响应测量：在消声室中通过听觉测试收集36名参与者（平均年龄24.1岁，69.4%男性）的评估，使用心理声学感知量表（PPS）在7级语义差异尺度上测量EPA维度和福祉影响。
（3）预测模型构建：CRA采用线性回归直接拟合指标与主观响应；GPM是纯客观模型，基于预先建立的方程（源自户外声景）预测EPA和福祉影响；PML利用心理声学热图（227×227像素灰度图，编码N、S、R、FS的0.002秒时间分辨率演化）输入AlexNet深度学习网络进行预测。所有音轨采集自香港理工大学，并进行了独立主观测试。

**研究结果**
**3.1 多维声品质评估的描述性统计**
（1）多维客观声学特征化：Kruskal-Wallis检验显示四种环境在声学能量、频谱和时间内容上存在显著差异（p<0.001）。图书馆环境最安静（L_Aeq中位数45.1 dBA），办公室环境最响（N中位数19.9 sone，R=0.12 asper），教室环境尖锐度最低（S=0.87 acum）。
（2）多维主观感知响应：PPS量表结果显示图书馆环境EPA评分最低（-7.0±4.8），感知最安静、最放松和最愉悦；教室环境活动度评分（A-score）最低（-2.6±4.0），与客观尖锐度低一致。
（3）声品质评估的信度：Cronbach's α系数在所有EPA维度均超过0.80，表明PPS量表内部一致性高。

**3.2 评估方法的性能评价**
（1）使用PML方法预测个体E、P、A评分：PML预测与个体评分的Spearman ρ显著高于传统指标，如E评分ρ=0.77（L_Aeq ρ=0.31，RC ρ=0.56），P评分ρ=0.80，A评分ρ=0.57（S指标ρ=0.21）。
（2）EPA评分预测：PML_EPA的调整R²=0.61（ρ=0.79），优于CRA_EPA（调整R²=0.32，ρ=0.58）和GPM_EPA（调整R²=0.15，ρ=0.40）。PML在讲堂环境拟合最优（调整R²=0.77），在图书馆环境改进达200%（调整R²=0.69 vs CRA 0.23）。传统指标（L_Aeq、RC、N）调整R²均低于0.30。
（3）居住者福祉相关噪声影响预测：PML_EPA在O1不适（调整R²=0.42）、O2烦扰（调整R²=0.40）、O3压力（调整R²=0.41）和O4不可接受（调整R²=0.36）中表现最佳，优于CRA和GPM混合模型。在图书馆环境中，PML表现尤为突出（调整R²=0.53–0.62）。

**讨论与结论**
**讨论部分总结**
研究证实了多维声品质评估框架的价值：传统能量指标无法解释主观感知的复杂性（如办公室虽能量高但P评分低，归因于低频噪声特性）。PML方法的优势在于其心理声学热图能捕捉时变频谱特征，而CRA和GPM依赖静态平均值，无法建模非线性人-环境交互。PML在福祉预测中表现最佳，但混合模型（GPM_O1–4-PML）性能略低于单独PML，表明GPM的户外声景参数与室内环境存在领域不匹配。局限性包括：参与者人口统计范围窄（年轻学生为主），模型仅基于空调噪声训练，未来需扩展数据集并应用可解释AI技术。

**研究结论部分翻译**
本研究全面评估了CRA、GPM和PML在预测空调建筑环境中声品质（EPA评分）和居住者福祉负面噪声影响（O1不适、O2烦扰、O3压力、O4不可接受）方面的性能。PML表现出更优性能，EPA评分预测的Spearman ρ=0.79（调整R²=0.61，n=432），优于CRA（ρ=0.58，调整R²=0.32）和GPM（ρ=0.40，调整R²=0.15）。此外，PML在福祉预测中表现更佳（O1调整R²=0.42，O2调整R²=0.40，O3调整R²=0.41），并在安静图书馆环境中显示出卓越准确性（调整R²=0.53–0.62）。GPM性能差源于户外到室内的领域不匹配，而CRA受限于静态时间平均指标。PML的心理声学热图捕捉了两种替代方法所遗漏的关键时间变化。这种跨方法比较将PML确定为建筑声学设计的最优客观评估工具，无需主观测试即可提供可靠的居住者福祉预测，支持以健康为核心的可持续建筑实践。