《Building and Environment》：A Controlled Chamber Study of Sensor Placement and Personalized Modeling for Breathing-Zone CO
2 and Particle Detection in Offices
编辑推荐：
本研究在模拟办公室环境的受控气候舱内，同步测量了受试者呼吸区（breathing zone, BZ）及五个候选传感器位置处的CO?、PM?.?和PM??浓度。实验覆盖三种热环境（cool/neutral/warm）与两种室内空气质量（indoor air
本研究在模拟办公室环境的受控气候舱内，同步测量了受试者呼吸区（breathing zone, BZ）及五个候选传感器位置处的CO?、PM?.?和PM??浓度。实验覆盖三种热环境（cool/neutral/warm）与两种室内空气质量（indoor air quality, IAQ）条件（good/poor），共招募18名健康成年受试者参与36次实验 session。研究人员通过相关性分析、LASSO稳定性选择（LASSO stability selection）与SHAP（Shapley Additive exPlanations）特征重要性评估，结合贪婪前向选择（greedy forward selection）与消融分析（ablation analysis），为每种污染物确定最优的固定传感器配置。结果表明，CO?的最佳放置位置为笔记本电脑上方的一个桌面级传感器；而PM?.?和PM??则需结合房间中心传感器与桌面侧边传感器进行可靠估计。在此基础上，研究人员构建了一个两阶段个性化建模框架：第一阶段采用弹性网络回归（elastic net regression）训练全局模型，以捕捉跨受试者与环境一致的关系；第二阶段利用高斯过程回归（Gaussian process regression, GPR）对全局模型残差进行个性化校正，该校准窗口对PM为30分钟、对CO?为60分钟。个性化校正后，CO?的中位均方根误差（root mean squared error, RMSE）进一步降低37.7%，PM?.?降低5.1%，PM??降低10.5%；与单独使用房间中心传感器作为代理相比，所选传感器配置使整体呼吸区估计误差分别降低约14%（CO?）、17%（PM?.?）和3%（PM??）。研究表明，结合污染物特定的传感器放置策略与全局/个性化两级建模框架，可在不依赖 occupant 元数据的前提下，实现办公室环境中实用且较准确的呼吸区暴露估计。
**论文解读文章：**
**一、研究背景与问题**
室内空气污染已被公认为人类健康的主要环境威胁之一。由于现代人约90%的时间在室内度过，吸入暴露与死亡率及预期寿命密切相关。短期和长期暴露于颗粒物（particulate matter, PM）均与心血管及呼吸系统疾病相关，而室内CO?浓度升高则与认知表现下降及生产力降低存在关联。现有办公建筑室内空气质量（indoor air quality, IAQ）监测实践通常依据标准规范，采用壁挂式传感器进行房间级测量，其前提是假定室内空气充分混合。然而在实践中，该假设在办公室内往往不成立——污染物浓度在空间和时间上均存在显著差异，远离 occupant 的固定传感器读数难以真实反映个人吸入暴露水平。即使采用ASHRAE定义的呼吸区（breathing zone, BZ）空间平均浓度，也可能无法捕捉 occupant 周围的实际浓度。已有研究证实了“个人云效应”（personal cloud effect）的存在，即呼吸区污染物浓度高于房间平均水平。为精确评估个人暴露，部分研究尝试在呼吸区直接采样，但推荐的采样位置（如距口鼻5毫米以内）具有侵入性，难以在实际办公环境中部署。另一些计算研究采用CFD或优化算法确定传感器位置，但其优化目标多为房间尺度的可观测性或污染源检测，而非 occupant 的真实呼吸区浓度，且未经过实验验证。实验研究虽提供了传感器放置的经验证据，但多聚焦于房间级监测或占用推断，样本量小、环境变化有限，且缺乏对真实呼吸区测量的严格验证。此外，多数研究简单地将选定位置的测量值直接视为呼吸区浓度的替代指标，忽视了个体呼吸区污染物输运由人体自由对流、房间通风流和呼吸诱导流耦合作用所决定，这一关系随时间与个体而变化。因此，需同时解决传感器放置优化与个性化建模两个关键问题。
**二、研究目标与研究内容**
针对上述空白，本研究旨在：(1) 识别能够最小化传感冗余并保持预测精度的近体固定传感器位置，用于呼吸区CO?、PM?.?与PM??浓度估计；(2) 开发一个个性化建模框架，利用选定位置的测量值估计呼吸区浓度，以改善个体水平估计精度。研究聚焦于机械通风、过滤送风、无室外颗粒物渗透的舱室共享办公室中的久坐办公场景。通过受控人体实验，系统考察热环境、通风率、受试者差异和传感器位置的影响，为实际办公环境中的传感器部署提供实验证据。
**三、关键技术方法**
研究在瑞士洛桑联邦理工学院（EPFL）弗里堡校区的气候舱内开展，涉及18名健康成人（8男10女，年龄19–40岁，BMI 18.5–24.9 kg/m2），实验分两个周期（2024年5月；2024年12月–2025年1月），共36次实验 session。舱室面积25 m2，体积62.3 m3，配备独立HVAC系统，送风为经F7、F9和HEPA过滤的100%室外空气。实验设计为受试者内因子设计，结合三种热条件（20°C/24°C/28°C，对应PMV值-0.75/0.21/1.20）和两种IAQ条件（ACH 4±0.1/h和0.2/h），相对湿度50±5%。受试者穿着标准化冬季制服（0.649 clo），在空腹状态下到达并食用统一餐食以控制代谢率。主要技术方法包括：(1) 传感器选择工作流——先进行两两Pearson相关分析识别冗余传感器，再从线性和非线性两个角度进行特征选择：线性视角采用LASSO结合稳定性选择（重复100次，70%受试者-条件随机子采样），非线性视角采用XGBoost梯度提升树结合SHAP特征重要性，最后通过贪婪前向选择与消融分析（性能变化阈值2%）精简传感器配置；(2) 两阶段个性化建模框架——第一阶段使用弹性网络回归在所有受试者和条件下训练全局模型，第二阶段采用高斯过程回归（GPR）对全局模型残差进行个性化建模，核函数针对PM与CO?不同时间特征分别设计，校准窗口长度通过nRMSE曲线确定（PM为30分钟，CO?为60分钟），个性化模型仅依赖选定传感器实时测量和时间作为输入；(3) 模型评估采用留一受试者交叉验证（LOPO）和留一条件交叉验证（LOCO），评估指标包括RMSE、相对RMSE改善、回归斜率偏差、滞后1自相关一致性以及预测不确定性覆盖率。
**四、研究结果**
**4.1 个人云效应与空间变异性**
通过比较呼吸区与候选传感器位置的浓度分布，研究发现CO?和PM均存在明显的个人云效应。CO?呼吸区浓度始终高于房间中心，六种实验条件下中位差值为87–357 ppm，均差为163–751 ppm，与既有文献报告的200–500 ppm（舱室实验）和32–120 ppm（现场测量）一致。PM?.?和PM??的呼吸区-房间中心差值较小（PM?.?中位差0.11–0.30 μg/m3，PM??中位差0.62–1.38 μg/m3），低于前人报告的1.6–13 μg/m3（PM??舱室实验）和4–9 μg/m3（现场办公环境），这归因于受试者久坐且活动量极低。与CO?不同，部分工作台传感器浓度高于呼吸区，原因在于PM由全身皮肤和衣物脱落与再悬浮产生，而CO?仅从呼吸区局部释放。热条件对个人云效应无明显系统影响。
**4.2 传感器位置选择与全局模型性能**
相关性分析显示，CO?各位置间相关性较强，多对传感器超过冗余阈值（|r|≥0.95），而PM?.?和PM??各位置间相关性普遍较低。LASSO稳定性分析与XGBoost+SHAP特征重要性分析表明：PM?.?满足标准的位置为房间中心和桌面左侧；PM??为房间中心；CO?为笔记本电脑上方和桌面边缘。腕部传感器在三种污染物中均表现不佳，提示腕戴式传感器在久坐办公环境中可能不适宜作为呼吸区暴露的可靠代理。经贪婪前向选择和消融后，最终配置确定为：PM?.?和PM??均为桌面左侧+房间中心；CO?仅为笔记本电脑上方单一传感器。使用最终配置，弹性网络在LOPO和LOCO验证下与XGBoost性能相当，且计算更简单、可解释性更强，故被选为全局模型。与单独使用房间中心测量相比，选定传感器配置使CO?的RMSE降低约14%，PM?.?降低约17%，PM??降低约3%。
**4.3 个性化GPR建模的性能与鲁棒性**
校准窗口长度分析显示，PM在约30分钟后nRMSE趋于平台，而CO?在60–70分钟内持续改善，故分别选取30分钟（PM）和60分钟（CO?）作为校准窗口。个性化建模后，CO?的中位RMSE降低37.7%，PM?.?降低5.1%，PM??降低10.5%；大多数受试者（CO?为86.7%，PM?.?为83.3%，PM??为91.7%）均获得RMSE改善。个性化还减少了预测与观测回归斜率偏差及滞后1自相关差距，但短时波动在超出校准窗口后仍无法完全复现。经验95%覆盖率分别为CO? 96.4%，PM?.? 86.8%，PM?? 90.6%。将个性化模型从热中性/劣质IAQ条件迁移至其他环境条件时，未观察到系统性性能退化，表明模型在测试环境范围内具有良好的鲁棒性。
**4.4 局限性与展望**
研究需在以下方面审慎解释：受控舱室环境限制了向真实办公环境的直接推广；PM参考测量位置距口部0.15 m而非直接位于吸入开口；候选传感器位置仅为预定义的实用部署位置，不保证全局最优；个性化带来的改善在受试者间存在异质性；个性化框架需要初始校准周期，在实际部署中仍具侵入性。未来需在真实占用办公室中进行现场验证，评估不同通风系统、布局、人员行为与颗粒物源特征下的适用性。
**五、讨论与结论**
讨论部分指出，研究结果表明固定传感系统可以通过实用、低侵入性的传感器放置来估计呼吸区CO?、PM?.?和PM??浓度，但最优配置强烈依赖于污染物种类。在测试的舱室配置下，CO?仅需笔记本电脑上方一个桌面级传感器即可提供稳健估计；而PM?.?和PM??需要房间中心与桌面侧边近体测量相结合。这一差异反映了颗粒物在人体周围环境中具有更大的空间异质性和局部输运特征。研究进一步表明，呼吸区暴露估计应被视为一个传感与建模相结合的综合问题：传感器选择工作流识别出最小但稳健的配置，全局模型提供跨个体与环境可泛化的基线估计，个性化GPR残差校正则有效捕获了个体特异性时间偏差。研究发现CO?在空间相关性、时间稳定性和个性化收益方面均优于PM，表明未来的暴露监测系统可能需要针对污染物特定组合的传感器布局、校准策略和模型结构，而非采用统一方案。结论部分可翻译为：本研究开发了一套基于受控舱室的工作流，用于识别办公室环境中估算呼吸区CO?、PM?.?和PM??浓度的实用传感器位置和个性化建模策略。实验在机械通风的共享办公室舱室中进行，采用过滤送风、无室外颗粒物渗透和正常久坐活动，系统考察了受试者差异、热条件和通风条件的影响。结果表明，在测试的舱室配置下，呼吸区CO?可通过笔记本电脑上方的单个桌面级传感器进行合理估计，而呼吸区PM?.?和PM??则受益于房间中心与桌面左侧测量相结合。与常规房间级传感相比，选定传感器配置使整体呼吸区估计误差降低约14%（CO?）、17%（PM?.?）和3%（PM??）。个性化在全局模型基础上进一步提高了个体水平精度，分别约38%（CO?）、5%（PM?.?）和11%（PM??）。这些额外收益在大多数受试者中均可观察到，但CO?的改善比PM?.?和PM??更为一致。总体而言，研究提供了受控实验证据，表明污染物特异的传感器放置结合全局与个性化建模可支持办公室环境中的实用暴露估计。然而，所选择的配置和训练的模型不应被解释为普遍可迁移的，需要在具有多样布局、通风系统、室外颗粒物渗透、活动模式和污染源动态的真实占用办公室中进行现场验证，才能实现更广泛的部署或扩展至IAQ控制应用。
