基于LSTM的安全导向预测方法：在极寒条件下测量登山鞋穿着者大脚趾皮肤温度，以评估鞋子的性能

《Scientific Reports》：LSTM-based safety-oriented prediction of big toe skin temperature in extreme cold conditions for mountaineering footwear evaluation

　　

摘要

本研究提出了一种以安全为导向的框架，用于评估登山鞋在极端寒冷环境中的隔热性能。研究引入了一种新的指标——安全暴露时间（Duration of Safe Exposure，简称DSE），定义为在特定的鞋类隔热性能、环境温度和体力活动条件下，大脚趾皮肤温度达到保守的临界阈值15°C所需的时间。在受控气候室内进行了四次结构化的实验，以研究鞋类热阻、环境温度和体力活动对外周体温调节的影响。选择大脚趾温度作为基准指标，是因为其在寒冷环境中表现出明显的血管收缩反应。整个数据集包含96个时间序列，这些序列来自10种实验方案，每种方案对应于在特定条件下进行的个体测试。研究人员训练了一个基于LSTM（Long Short-Term Memory）的神经网络，该网络能够根据平均皮肤温度和三个操作参数预测大脚趾温度的变化趋势。评估框架明确体现了研究的安全导向目标，并与训练过程中采用的自定义损失函数完全一致，该损失函数同时惩罚轨迹偏差（均方根误差RMSE）和阈值穿越事件预测的错误。除了基于回归的性能指标外，还通过二分类方法评估了模型的性能，即判断模型是否以及何时能够正确预测大脚趾温度达到临界值15°C。根据真实和假阳性的结果，计算了准确率、精确度、召回率和F1分数等分类指标，以量化在预定义的±10分钟容忍窗口内阈值检测的可靠性。为进一步考虑安全问题，引入了一个专门的安全指标——不安全错误率（Unsafe Error Rate，简称UER），用于识别模型预测的安全暴露时间过长（即超出生理观察范围）的情况。结果表明，不安全的预测较为罕见，大多数预测结果都在容忍范围内或较为保守。最后，将训练好的网络与JOS-3体温调节模型结合使用，以探索生理上一致的虚拟场景。这一混合框架提供了一种定量且基于生理学的方法，有助于在受控条件下研究登山鞋的安全相关方面。然而，其适用性仅限于所考虑的特定实验设置和参与者群体，因为实验数据仅来自年轻男性参与者，未经进一步验证，无法推广到其他人群。