面向社区老年人日间照料中心多模态热舒适度评估与预测的时空深度学习

《ENERGY AND BUILDINGS》：Spatiotemporal deep learning for multimodal thermal comfort assessment and prediction in community elderly day-care centers

　　

• 多模态传感器预测老年人日间照料热舒适性
• ST-CLM 融合环境与生理时序数据
• 元学习在有限使用者数据下提升适应性能
• 空间分析将房间使用与适老热条件关联

引言

随着人口老龄化和老年人白天在自家居所外度过更多时间，社区日间照料中心日益成为养老服务的常规组成部分[1]、[2]、[3]。这类设施面临的热环境问题与办公场所或普通住宅并不相同。使用者通常久坐，可能存在慢性疾病或药物相关的热调节功能障碍，且往往在单一功能区域内停留较长时间。因此，室内热控制不仅影响热舒适感，更关系到健康防护[4]、[5]、[6]。

该问题的规模正迅速扩大。全球60岁及以上人口预计到2050年将超过21亿，中国2023年报告的老年人口已超过2.8亿。因此，社区化照护已成为政策优先事项，但针对日间照料中心的环境设计指导仍相对粗略。一个典型中心通常每天接待30至80名老年使用者，时长4至8小时，其活动包括娱乐、康复锻炼、休息和集体用餐等低代谢活动。这些活动特征与许多面向工作场所的舒适数据集和标准中所内嵌的代谢及行为假设存在差异[7]、[8]。

预计平均投票（PMV）模型[9]和适应性舒适理论[10]仍是建筑热评估的主要参考依据。然而，其校准背景对老年使用者群体留下了重要缺口。血管运动反应减弱、出汗反应改变、基础代谢率降低以及热感知延迟，均可能使中性温度和不适阈值发生偏移[1]、[2]、[4]。因此，现场证据表明，老年人热舒适性应被视为一种群体特异性现象，而非对一般成人舒适指标的简单修正。

数据驱动的热舒适预测为表征这些非线性及群体特异性响应提供了一种途径。支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）以及更近期的深度学习模型均已用于将环境与生理输入与主观热感联系起来[11]、[12]、[13]、[14]、[15]。当传感器读数同时具有空间结构和时间记忆时，卷积神经网络（CNN）和长短期记忆（LSTM）网络尤为相关[16]、[17]、[18]、[19]。然而，现有的大多数研究仍来自办公室、教室或其他以成年人为主要对象的环境，因此不能假设模型可直接迁移至老年人日间照料中心[20]、[21]。

个性化引入了另一约束：每位使用者的标注响应数量较少。老年人可能不定期参加，疲劳限制了重复调查，且伦理现场方案限制了测量负担。在此条件下，模型无关元学习（MAML）颇具吸引力，因为它能够学习一种初始化方式，使得仅凭少量支持集即可适应新任务[22]、[23]；相关的数据高效热舒适迁移工作提供了相关的应用背景[24]。然而，对于热舒适领域，MAML很少与同时编码建筑分区和传感器历史的空间时序表示相结合。

日间照料中心的建筑布局也表明单点预测不足以应对需求。活动室、休息区、用餐空间、走廊和入口大堂可能仅相距几米，却经历不同的气流、日照、开门频率、人员密度以及暖通空调（HVAC）覆盖范围。因此，有用的预测模型不仅应输出参与者级别的标签，还应提供空间解析的舒适信息，以指导分区设定和针对性改造。

红外热成像可在不将传感器佩戴于老年参与者的情况下提供此类模型的生理部分。额头、手腕和手背等裸露皮肤温度已被证实与热状态和主观感知相关[25]、[26]、[27]。非接触式采集在养老环境中尤为适用，因为它降低了参与负担、避免了可穿戴设备的依从性问题，且可在不存储可识别图像的情况下处理为数值温度特征[28]、[29]。

三个未解决的问题促使开展本研究。第一，社区老年人日间照料中心缺乏专门的融合了环境传感、红外生理数据、空间坐标和老年人热感投票的多模态现场数据集。第二，现有的热舒适模型未联合应对针对该群体的空间分区、时间动态和小样本个体适应问题。第三，传感器部署指导仍显薄弱，因为环境与生理预测变量的相对重要性尚未在纯老年样本中得到检验。

本研究通过评估一个整合的、面向应用的时空 CNN-LSTM-MAML（ST-CLM）框架来应对这些问题，所用数据来自中国郑州三个社区日间照料中心的周年监测。该框架结合了成熟的 CNN、LSTM、坐标嵌入和 MAML 组件，而非引入新的学习算法。每个中心监测了五个功能区域。环境变量、三个身体部位的红外皮肤温度、三维坐标以及修正的七点热感投票（TSV）在十五分钟间隔上对齐，产生了 13,500 个有效多模态样本。贡献如下：

• 针对老年人日间照料环境，特征化了一个四季多模态现场数据集，将环境监控、非接触式红外生理测量、空间编码和年龄分层主观评估联系起来。
• 评估了一个面向应用的时空框架，整合了基于 CNN 的特征提取、LSTM 时序建模、坐标嵌入和基于 MAML 的个体适应。
• 采用夏普利加性解释（SHAP）分析识别出一组紧凑的预测变量，包括空气温度、额头皮肤温度和二氧化碳（CO?），为降低成本传感器配置提供了证据。
• 生成了分区解析的舒适图，将模型输出转化为社区养老设施暖通空调（HVAC）和适老设计决策。

片段摘录

热舒适标准与评估方法

两类模型主导热舒适评估。预计平均投票（PMV）和预计不满意百分比（PPD）指数通过环境、衣物和代谢变量表达热平衡，并正式化于国际标准化组织（ISO）7730 和美国暖通制冷空调工程师学会（ASHRAE）第55号标准[7]、[8]、[9]。相比之下，适应性舒适模型利用室内舒适与……

元学习公式

此处引入元学习作为数据稀缺个性化场景下的训练策略[22]、[24]。不是为每位参与者拟合一个独立模型，而是模型在相关参与者级别任务之间学习一种初始化，并利用少量支持集将该初始化适应至此前未见过的参与者。区域和日期保持为每位参与者序列窗口内的上下文属性，而非定义独立的任务身份。支持窗口取自……

环境与生理参数特征化

图5展示了中心A在十二个月监测周期内五个功能区域的室内环境参数月度均值曲线；观测级别范围和峰值汇总如下。空气温度（T?）表现出显著的季节性变化，供暖期范围在16.2°C至19.8°C之间，夏季制冷期在24.5°C至29.3°C之间。在供暖期内，活动室的温度最为稳定（标准……

老年人热感知与标准模型为何存在分歧

PMV 对比提供了一种直接检验标准热平衡指数是否适用于本群体的方法。对于80岁及以上的参与者，PMV 预测值与实测 TSV 值之间的平均绝对偏差达到1.23，表明模型偏差足够大，足以影响运行决策。这一分歧与已报道的与年龄相关的血管运动反应、出汗和代谢产热变化一致[1]、[2]、[3]、[4]、[6]、[35]、[36]、[37]。

结论

本研究评估了一个面向社区老年人日间照料中心多模态热舒适评估与预测的整合型、应用导向型时空 CNN-LSTM-MAML（ST-CLM）框架。主要发现和贡献总结如下：

1. 表征了一个针对该群体和设施场景、由三个老年人日间照料中心周年监测收集的 13,500 个样本的专用多模态数据集。
2. ST-CLM 模型达到了 91.3% 的准确率（F1 =……

作者贡献声明

Quan Wen：概念化、方法学、软件、验证、正式分析、调查、资源、数据管理、撰写——初稿、撰写——审阅与编辑、可视化、项目管理、资金获取。Mazran Ismail：监督、撰写——审阅与编辑。Muhammad Hafeez Abdul Nasir（ORCID：0000-0002-7057-3475）：验证、资源、撰写——审阅与编辑。Yanting Wu：调查、数据管理、资源、撰写——审阅与编辑。

数据可用性

支持本研究结果的数据可向通讯作者提出合理请求后获取。

资金

作者声明，本研究和/或本文的发表获得了资金支持。本研究由河南省社会科学界联合会和河南省经济团体联合会研究项目"基于层次分析法对河南省老旧小区室外环境适老化改造设计的研究"（项目编号：SKL2022608）资助。本文是上述……的阶段性研究成果。

伦理批准与参与同意

本研究遵循《赫尔辛基宣言》。本研究方案经河南工贸职业学院伦理委员会批准（批准号：HNGM-2024-EC-012）。在入组前，已获取每位参与者或其法定授权代表的书面知情同意。

作者贡献声明

Quan Wen：撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、资源、项目管理、方法学、调查、资金获取、正式分析、数据管理、概念化。Mazran Ismail：撰写——审阅与编辑、监督。Muhammad Hafeez Abdul Nasir：撰写——审阅与编辑、验证、资源。Yanting Wu：撰写——审阅与编辑、资源、调查、数据管理。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

Quan Wen | Mazran Ismail | Muhammad Hafeez Abdul Nasir | Yanting Wu