老年人的温度感知：确定最佳测量方法并建立CatBoost-HHO预测模型

《Building and Environment》：Elderly thermal sensation: Determination of the optimal measurement method and establishment of a CatBoost-HHO prediction model

　　• 比较了7点量表、视觉模拟量表（VAS）和色温量表在老年人中的适用性。• 色温量表最适合用于老年人的热感觉测量。• 老年人在热感觉评估中表现出极端的回避倾向。• 与离散量表相比，连续量表可以减少老年人的评估偏差。• CatBoost-HHO模型预测老年人的热感觉温度（TSV）的R2值为0.725，RMSE值为0.243，MAE值为0.176。

引言
随着全球人口老龄化进程的加快，老年人生活在建筑环境中的健康和舒适问题受到了越来越多的关注。随着年龄的增长，老年人的体温调节能力和热敏感性下降[1]。这些变化使他们更容易受到不舒适热环境的影响。老年人通常至少有90%的时间待在室内[2]。热环境的质量不仅影响他们的主观舒适度，还与其健康状况密切相关。因此，创造一个适宜的室内热环境对于提高老年人的生活质量至关重要。准确测量老年人的主观热感觉是建立这样一个适宜环境的前提。主观热感觉是人类对热环境反应的直接指标。准确测量和预测热感觉为构建适合老年人的室内环境提供了重要支持。最近的研究强调了对于稳健的热舒适理论、评估方法和实用工具的日益增长的需求[3]。因此，准确捕捉老年人的主观热感觉对于科学评估热舒适度至关重要，并且是实现室内环境精确调节的重要前提。

热感觉测量方法对热舒适研究至关重要。量表的结构设计直接影响到主观感知数据的可靠性和准确性。在老年人热舒适研究中使用了多种热感觉量表。这些量表在结构、认知要求以及对老年人的适用性方面有所不同。表1总结了在老年人研究中使用的量表。如表1所示，选项较少的量表可以减轻认知负担，但可能会忽略感知细节；而选项较多的量表可以捕捉到更细微的变化，但会增加老年人的认知负担。7点量表是最广泛使用的量表，但其最初是为年轻人开发的[7]。每种量表都有其优缺点，确定适合老年人的最佳测量方法的必要性被强调。Kusmaryono等人[8]指出，反应偏差可能会影响李克特量表的有效性和可靠性。Schweiker等人[9]表明，大多数人并不认为热感觉量表的类别是等距的。他们还指出，量表的类型（分类式 vs. 连续式）显著影响了观察到的温度-感觉关系。Mishra等人[10]认为将热感觉投票（TSV）视为连续数据违反了其序数性质，并建议不要假设类别之间的距离相等。这些离散量表的问题可能导致细微感知信息的丢失和有偏解释，特别是在分析老年人的热反应时。最近的实地研究也证明了动态统计评估方法在评估家庭热感觉方面的价值，强调了需要考虑居住者反应和情境敏感的热舒适评估框架[11]。

为了解决由离散级别引起的信息截断问题，心理学家提倡使用视觉模拟量表（VAS）来评估主观情感反应[12]。Leon等人[13]使用VAS来评估热感觉，并指出该量表不强迫个体根据固定数字或类别进行评分，可以更准确地表达主观感受。Lee等人[4]进一步比较了9点分类量表、VAS及其组合量表的性能，发现组合量表与室内空气温度的相关性更强，对热感觉的区分能力更优。为了进一步提高量表的直观性，一些研究尝试将颜色元素整合到热感觉问卷中。Arens等人[5]和Yu等人[14]设计了一种结合7点量表和色卡的热感觉问卷，用于分析不同环境下的参与者热舒适度，结果显示组合问卷提高了参与者的理解能力。适当的方法可以准确捕捉老年人的主观热感觉。然而，获取此类数据依赖于实时调查，这种方法不可避免地会在环境变化和主观反馈之间引入时间延迟。对于体温调节能力下降且对环境调整反应较慢的老年人来说，这种延迟可能导致热不适或健康风险。因此，及时准确地预测他们的热感觉可以克服这种评估延迟，并为根据老年人的需求动态调节室内热环境提供理论基础。

关于老年人热感觉预测的研究可以分为两类：（1）传统热舒适模型；（2）机器学习方法。在传统模型中，预测平均投票（PMV）模型被广泛使用。该模型通过包括空气温度、相对湿度、平均辐射温度、空气流速、代谢率和衣物隔热层在内的六个参数来预测热感觉[15]。然而，该模型是基于年轻人的数据开发的，主要适用于年轻人的群体平均热反应。因此，PMV模型不能直接应用于老年人来预测他们的热感觉[16]。Jiao等人[17]发现PMV模型显著高估了老年人在夏季的热感觉。一些改进的PMV模型引入了年龄或习惯轨迹等参数，以更好地反映老年人的特点[18,19]。然而，这些传统模型在捕捉老年人的非线性和个性化热感知方面仍存在局限性。

近年来，由于机器学习方法在捕捉自变量和因变量之间的非线性关系方面的优势[20]，它们逐渐被应用于TSV预测。Wang等人[21]使用随机森林（RF）基于环境参数、个人信息和健康状况开发了预测模型。基于实地数据的模型预测准确性比PMV模型高24.9%。Martins等人[22]采用深度学习模型，以环境参数和个人参数作为输入，为老年人建立了个体热舒适模型。与转换后的PMVc模型相比，预测性能显著提高，预测准确性达到了74%。除了环境参数外，还引入了生理指标以提高预测准确性。He等人[23]使用梯度提升决策树（GBDT）、自适应提升（AdaBoost）和极端梯度提升（XGBoost）基于环境参数和身体涡量来预测老年人在温暖环境中的热舒适度。结果表明XGBoost的表现最好，R2值为0.81。Yu等人[24]收集了皮肤温度、心率和血压等生理数据，然后使用SVM、RF和KNN开发了TSV模型。优化的KNN达到了83.6%的准确率。Zheng等人[25]收集了老年人的环境参数和生理参数，并应用逻辑回归建立了TSV预测模型，模型的准确率为70%。

响应偏差（也称为响应风格）是指个体系统性地使用与实际测量内容无关的评分量表的倾向。它主要分为四种类型：顺从型、反对型、中点型和极端响应型[26]。Stone等人[27]表明，响应风格与年龄相关，并显著改变了与年龄相关的健康和幸福结果模式。然而，人们很少关注老化研究中偏差的来源。Jamieson和Spots[28]比较了老年人和非老年人的极端响应模式，发现老年人更有可能表现出极端响应行为。然而，这种倾向的程度在不同量表中有所不同。Schneider等人[29]强调了在老年人研究中检测响应偏差的重要性。

上述研究存在一些不足：（1）尚未确定适合老年人生理特征的热感觉测量方法。在现有研究中，主要使用7点量表来收集老年人的主观热感觉。尽管偶尔也使用了连续量表，但其对老年人的适用性并未得到系统评估。因此，尚未确定最适合老年人生理特征的测量方法。（2）现有的TSV预测模型中很少应用自适应超参数优化。基本的机器学习模型无法完全捕捉环境/生理参数与TSV之间的复杂关系。有限的样本量和测量噪声进一步加剧了它们的拟合缺陷，从而限制了预测性能和泛化能力。（3）很少探讨老年人在热感觉评估中的响应偏差特征。由于缺乏对这种响应偏差的定量分析，不同测量方法如何影响他们的反应模式仍然不清楚。这一限制使得难以充分揭示老年人主观热反应的固有规律。

为了解决上述问题，本研究旨在实现三个目标。首先，确定最适合老年人的热感觉测量方法，系统比较了三种TSV量的预测性能。其次，为了解决自适应超参数优化缺失的问题，建立了由Harris Hawks Optimization（HHO）算法优化的分类提升（CatBoost）模型，以实现高精度的热感觉预测。第三，分析老年人在热感觉评估中的响应偏差特征，定量分析了他们的极端回避倾向和中心趋势偏差。本研究为科学评估和精确调节室内热环境提供了理论基础。

研究过程
本研究的结构如下：第2部分描述了实验设计和方法。第3部分展示了研究结果。第4部分讨论了结果。过程图示见图1。

实验地点和参与者
实地实验于2025年7月至8月在中国河北省保定市的四家养老院所进行。保定是中国北方典型的地级市，具有夏季炎热的大陆性季风气候特征。

潜在变量数量的选择
潜在变量（LV）的数量是PLSR的一个重要参数，其值直接影响模型的复杂性、预测能力和泛化性能。数量过少可能导致对变量间相关性的解释不足，而数量过多则可能增加过拟合的风险[47]。为了确定最佳的LV数量，采用了10折交叉验证来系统分析不同LV数量下的模型性能。

不同热感觉量表的响应偏差分析
图8显示了7点TSV量表与两种连续量表之间的配对响应分布。如图8所示，老年人在7点TSV量表上的投票集中在中性值0附近，而VAS和CTS对应的TSV则明显偏向寒冷和炎热端。此外，两种连续量表的分布特征相对接近。这些结果表明，连续量表可以捕捉到更细微的热变化。

结论
本研究系统地研究了热感觉测量方法的选择、TSV预测模型的建立以及夏季室内条件下老年人响应偏差特征的分析。首先，使用PLSR比较了7点TSV量表、VAS和CTS的预测性能，从而确定了最适合老年人的热感觉测量方法。其次，研究了环境参数和生理因素对热感觉的影响。

作者贡献声明
郑国忠：概念化、形式分析、资金获取、方法论、资源提供、监督、验证。
李子叶：数据整理、形式分析、调查、方法论、软件开发、初稿撰写。
杨朗：写作 – 审稿与编辑。

数据可用性
数据可应要求提供。