基于心理-生理適應的熱舒適投票預測*

西安建筑科技大學 林宇凡 楊 柳 柴 茜

0 引言

獲得舒適的室內熱環境有2個途徑：一個是以人體換熱平衡為基礎，基于人工氣候室實驗結果的PMV模型；另一個是基于人體熱舒適的熱適應模型，認為熱舒適是人體自我調節系統的一部分，考慮人的行為、生理、心理調節，從而使熱舒適成為一個動態系統過程。研究表明，由熱適應模型得到的預測結果更符合人體實際熱感覺。基于人體熱舒適的熱適應模型的研究方法有現場研究和實驗室研究2類，都是以客觀觀察和統計數據為基礎，在真實建筑環境或人工氣候室模擬建筑環境，受試者填寫主觀問卷，獲取受試者的熱舒適投票等主觀感受數據和行為調節數據，并測試獲得生理指標和環境參數數據，通過數理統計分析適應性熱舒適機理。

線性回歸分析在適應性熱舒適研究中被普遍采用，其思路是通過回歸擬合獲得熱感覺投票與環境參數或皮膚溫度指標的關系，建立擬合模型，以期發現熱中性溫度和熱可接受度，或發現哪些部位皮膚溫度能夠較好地預測熱感覺。例如，Tomonori等人發現頭部局部熱不舒適依賴于局部皮膚溫度和局部的顯熱損失，而腳部局部冷不舒適與局部皮膚溫度有關[1]。Garcia-Souto等人發現四肢對房間溫度變化更敏感，額頭和鼻子保持較高溫度，軀干敏感度小[2]。Arens等人認為在冷環境中，腳部比人體其他部位都冷，它是冷環境不舒適的根源；胸部熱感覺不敏感，但背部上下區域敏感性差異較大[3]。Schellen等人發現不同通風制冷模式下，人體局部皮膚溫度和局部熱感覺會影響全身的熱舒適[4]。Marins等人認為可以利用皮膚溫度建立不同人群的熱模式標準[5]。在熱舒適預測方面：Satoru等人提出利用基于平均皮膚溫度的多元回歸方程預測瞬態熱感覺[6]；Choi等人認為在非均勻環境中，手腕皮膚溫度可以作為評價熱舒適的指標[7]；Wang等人認為前額溫度梯度是更敏感的熱感覺指標[8]；Zhang等人認為冷環境下，手指溫度是評價熱舒適的敏感指標[9]。劉蔚巍等人提出將平均皮膚溫度作為熱舒適客觀評價指標，并采用馬氏距離判別法確定平均皮膚溫度對熱舒適等級的評價[10-11]。

線性回歸分析方法能夠清晰地發現熱感覺與主要環境參數或皮膚溫度指標的內在規律和特性，但存在一定的局限性。首先，文獻[12-13]發現，因實驗工況不同，環境參數與熱感覺擬合曲線可能是折線，線性回歸擬合可能會有偏差。其次，線性回歸分析屬于經驗模型，是以客觀觀察和統計數據為基礎，無法全面解釋模型自變量和因變量的內在機理，即受試者每次填寫熱舒適投票，是對當下建筑環境的生理、心理、行為適應共同影響的一個反饋，該模型無法解釋受試者的生理、心理、行為適應如何影響熱舒適投票。因此，這是黑箱或灰箱的研究思路。最后，有時回歸擬合時，R2偏低，表明可能有多種因素影響熱舒適投票。

筆者在人工氣候室進行了心理(主觀感受)-生理適應性實驗研究，在實驗數據的基礎上，量化分析了心理-生理多維指標對熱舒適投票的影響(因為實驗條件限制了受試者的服裝熱阻和行為(要求采用靜坐的姿勢)，所以行為適應這個因素未考慮)，采用多元線性回歸擬合，發現方差檢驗P>0.05，不符合統計學意義。查閱文獻[14-17]，發現神經網絡用于建筑環境的舒適度評價和建筑節能模擬分析等方面是可行的。

因此，本文通過相關分析和主成分分析提取心理(主觀感受)指標和生理反應指標作為輸入層變量，熱舒適投票作為輸出量，建立可適應冷環境和熱環境的人工神經網絡模型，用實驗獲得的部分數據訓練該模型，留下部分實驗數據進行自我對比驗證。本文研究對揭示心理-生理指標影響熱舒適投票的內在機理進行了一定探索。

1 實驗介紹

1.1 受試者

通過文獻梳理發現：生理實驗的受試者遴選人數多在10～30人之間；少部分針對生理參數、數學模型和環境工況的研究，受試者人數少于10人；不同熱經歷、不同地區的受試者適應差異研究，受試者遴選人數約在20～30人之間[4-11]。因此，參考上述文獻，并結合統計學對樣本數量要求，最終確定受試者32人。

參考生理學文獻，發現人體體溫調節波動受性別影響：女性代謝率比男性低5%～10%，體脂肪較多，散熱能力比男性差，體溫平均比男性高0.3 ℃；此外，女性的生理周期也會影響體溫調節[18]。考慮到受試者性別因素會影響組內差異，以及控制實驗前提條件，因此受試者全部為男性。

依據秦嶺淮河地理分界線，分別遴選16名北方組受試者和16名南方組受試者。本文關注南北方健康青年男性群體，因此，北方組招募長期生活在中國北方(18年以上)，有冬季集中供暖經歷和夏季短暫空調經歷的青年健康男性(簡稱北方受試者)；南方組招募長期生活在中國南方(18年以上)，無冬季集中供暖經歷和有夏季短暫空調經歷的青年健康男性(簡稱南方受試者)，目前已在西安生活學習2個半月，尚未適應北方氣候環境。北方受試者原生活地區為陜西、河南、山東；南方受試者原生活地區為貴州、江蘇、浙江、湖南、重慶、安徽等。受試者身體測量數據見表1。

表1 受試者統計

實驗對受試者的要求為：身體健康；身體狀況和精神狀態良好；保持皮膚清潔，避免干擾生理指標數據；測試前，對受試者進行動員，包括閱讀實驗說明書和主觀問卷調查；按照ASHRAE標準[19]，冷工況實驗要求受試者服裝為內衣褲(0.04 clo)、普通秋衣秋褲(0.2 clo+0.15 clo)、長袖襯衣(0.22 clo)、春秋季節穿的外衣和外褲(0.22 clo+0.28 clo)、普通短襪(0.03 clo)、單鞋(0.04 clo)，熱工況實驗要求受試者服裝為內衣褲(0.04 clo)、短袖T恤(0.08 clo)、單褲(0.24 clo)、單鞋(0.04 clo)；受試者需衣著寬松，禁止穿緊身衣服。

1.2 實驗方案設計和實驗流程

南北方受試者的氣候適應背景有差異，導致其可適應溫度區的邊界線(A點、D點)位置不同，出現了冷熱適應閾值區(A區和D區)，見圖1[20]。此外，在舒適溫度區邊界線(B點、C點)與可適應溫度區邊界線(A點、D點)之間，存在可適應冷熱溫度區，見圖1。參考現場熱舒適研究文獻[21]，通過人工控制模擬處于中性的建筑環境(實驗設計為環境溫度24 ℃)進入冷/熱適應閾值區的建筑環境(實驗設計為環境溫度16、14 ℃/29、31 ℃)，以及通過人工控制模擬處于中性的建筑環境(實驗設計為環境溫度24 ℃)進入可適應冷/熱溫度區的建筑環境(實驗設計為環境溫度20、17、14 ℃/27、29、31 ℃)，室內相對濕度和風速因實驗條件所限，設計為35%和0.02 m/s，實驗歷時約2.5 h。

圖1 環境溫度對人體生理影響示意圖

冷適應閾值區實驗流程如下：

受試者進入A房間(4.2 m×3.0 m×3.3 m(長×寬×高))，通過人工控制使房間處于中性環境(環境溫度24 ℃)，受試者適應20 min后，更換服裝，佩戴生理參數檢測儀，按下按鍵，開始記錄心率、心率變異性、呼吸率指標，直至實驗結束。隨后，填寫主觀問卷1次，測試14點皮膚溫度，測試指尖脈搏血容量(BVP)1次和肌電量(EMG)1次，全程30 min，測試結束后，受試者進入B房間。

B房間(4.2 m×2.6 m×3.3 m(長×寬×高))通過人工控制室內溫度(實驗設計為16 ℃)，受試者每10 min填寫主觀問卷1次，每10 min測試14點皮膚溫度，測試BVP 1次，全程40 min。

隨后，調節B房間室內溫度(實驗設計為14 ℃)，受試者再次每10 min填寫主觀問卷1次，每10 min測試14點皮膚溫度，測試BVP和EMG各1次，全程40 min，實驗結束。

熱適應閾值區實驗流程同上，不同之處有3點：一是B房間的室內溫度(實驗設計為29 ℃和31 ℃)；二是測試8點皮膚溫度；三是不測試EMG。

可適應冷溫度區實驗流程如下：

受試者進入A房間，通過人工控制使房間處于中性環境(環境溫度24 ℃)，受試者適應20 min后，更換服裝，佩戴生理參數檢測儀，按下按鍵，開始記錄心率、心率變異性、呼吸率指標，直至實驗結束。隨后，填寫主觀問卷1次，測試14點皮膚溫度，測試BVP和EMG，全程30 min，測試結束后，受試者進入B房間。

B房間通過人工控制室內溫度(實驗設計為20 ℃)，受試者每10 min填寫主觀問卷1次，每10 min測試14點皮膚溫度，測試BVP 1次，全程20 min。

隨后，調節B房間室內溫度(實驗設計為17 ℃)，受試者每10 min填寫主觀問卷1次，每10 min測試14點皮膚溫度，測試BVP 1次，全程20 min。

最后，調節B房間室內溫度(實驗設計為14 ℃)，受試者再次每10 min填寫主觀問卷1次，每10 min測試14點皮膚溫度，測試BVP和EMG各1次，全程20 min，實驗結束。

可適應熱溫度區實驗流程同上，不同之處有3點：一是B房間的室內溫度(實驗設計為27、29、31 ℃)；二是測試8點皮膚溫度；三是不測試EMG。

1.3 實驗測試指標和測試儀器

在實驗過程中測試熱環境參數(室內空氣溫度、相對濕度、黑球溫度、風速)。溫濕度記錄儀(RT-72ui，自記錄，精度±0.3 ℃、±5%)測量溫度和相對濕度；微風儀(SWA03，手持式，精度±0.03 m/s)測量風速；黑球溫度儀(HQZY-1，精度±0.3 ℃)測量黑球溫度。所有設備在實驗前均進行了校準。

依據文獻[18]，選取皮膚溫度指標觀察皮膚溫度變化；選取心率、心率變異性(HRV)(頻域分析法)觀察交感神經和迷走神經的變化；選取BVP觀察皮膚血管的舒張狀態；選取EMG觀察骨骼肌放電情況。皮膚溫度均由熱電偶(精度為±0.1 ℃)測得。

1.4 主觀問卷

4個實驗工況實驗過程中均需填寫主觀問卷，問卷內容包括：熱感覺投票(TSV)、熱舒適投票(TCV)、氣流感投票、潮濕感投票采用7級標尺；可接受程度投票采用4級斷裂標尺，分別為1完全可接受、0.01剛剛可接受、-0.01剛剛不可接受、-1完全不接受；期望溫度的3個選項分別為希望環境1暖一些、0保持不變和-1涼一些。

2 輸入變量特征提取

實驗受試者32人，共進行4個實驗，共有受試者樣本128份，每份樣本包括全套的主觀感受投票數據和生理指標測試數據。具體的數據量為皮膚溫度數據14 874份；主觀感受投票數據12 096份；生理指標數據(LFNU(低頻歸一)、HFNU(高頻歸一)、心率、LFNU/HFNU、EMG、BVP)16 918份。基于實驗數據分析，揭示了南北方受試者心理(主觀感受)和生理反應的差異[22-23]，并建立了心理(主觀感受)-生理適應和對熱舒適投票作用框架圖，見圖2。

圖2 可適應冷/熱環境下生理適應和主觀感受對熱舒適作用框架圖

由圖2可知，多個生理-心理指標對熱舒適投票有影響。心理適應方面，除熱感覺指標外，受試者的室內外熱經歷因素會影響其熱舒適投票，而氣流感、潮濕感、可接受程度、熱偏好和不舒適原因等指標均會受室內外熱經歷影響，因此，通過相關分析，提取有顯著相關性的指標作為主觀感受輸入變量。

通過相關分析發現，生理指標(LFNU、HFNU、LFNU/HFNU、心率、EMG、BVP)無顯著相關性，而人體皮膚溫度指標影響熱舒適投票。本實驗涉及的人體皮膚溫度指標除了平均皮膚溫度，還有各測點皮膚溫度(可適應冷環境14個測點，可適應熱環境8個測點)，在這些指標中，可能存在一定程度的線性依存關系，稱為多重共線性，因此，采用主成分分析法，把所有測點皮膚溫度指標降維為幾個互不相關的綜合指標，作為生理指標的輸入變量。

3 結果與討論

3.1 相關分析法提取主觀感受輸入變量結果

通過相關分析發現，南北方受試者的TSV指標和可接受程度指標與熱舒適投票相關性較高，見表2。

表2 主觀感受指標與熱舒適相關性分析結果

3.2 主成分分析法提取皮膚溫度輸入變量結果

主成分分析(principal components analysis， PCA)是一種降維分析方法，本質是因為原始變量之間存在較強的相關性，將多個原始變量進行線性變換，轉換成新的綜合指標，其數學模型如下。

設l個原始變量為x1、x2、…、xl，新的指標(也稱主成分)為y1、y2、…、yl，主成分與原始變量的關系式為

(1)

式中u為權重系數。

求解主成分的步驟分為以下4步：1) 根據原始變量求出協方差矩陣；2) 求協方差矩陣的特征根和特征向量，并確定主成分；3) 求出主成分表達式的系數，并計算主成分得分；4) 根據主成分得分，對各主成分進行解釋。

利用SPSS 22.0軟件進行主成分分析。通過KMO檢驗，目的是看數據是否適合進行主成分分析，結果發現，冷環境下KMO值為0.881，熱環境下KMO值為0.792，基本符合0.8的合適標準，表明可以使用主成分分析法進行分析。通過Bartlett 的球形檢驗，顯著性差異為0，說明數據符合正態分布，適合進一步分析。

除了找到主成分，還要了解每一個主成分所代表的意義，因此對相關系數矩陣進行主成分旋轉，使得每一個皮膚溫度指標只在一個主成分上具有較大的載荷，而在其他主成分上的載荷較小，以便于主成分的分析，隨后求解貢獻率，貢獻率越大，說明該主成分所保留的原始變量信息越多。

表3、4分別給出了可適應冷、熱環境的總方差解釋及主成分提取分析。根據累計貢獻率確定主成分的個數，分別在可適應冷環境和可適應熱環境中提取4個、3個主成分。通過成分得分系數矩陣，可以得到皮膚溫度主成分構成。

表3 總方差解釋及主成分提取分析結果(可適應冷環境)

表4 總方差解釋及主成分提取分析結果(可適應熱環境)

通過以上量化分析，提取影響熱舒適投票的輸入層變量，見表5。

可適應冷環境下皮膚溫度主成分公式：

表5 輸入層變量匯總

Fc1=0.113Tp+0.21Te-0.62Tj-0.206Tzj+0.012Tzx-0.146Tsb-0.05Txb-0.042Ts-

0.184Tf-0.096Ty+0.262Tqd+0.222Thd+0.241Tqx+0.286Thx+0.368Tzf

(2)

Fc2=0.033Tp+0.303Te+0.339Tj+0.277Tzj+0.356Tzx+0.136Tsb+0.072Txb-0.2Ts-

0.03Tf-0.09Ty-0.109Tqd-0.192Thd+0.024Tqx+0.026Thx+0.118Tzf

(3)

Fc3=0.021Tp-0.25Te-0.057Tj-0.075Tzj-0.033Tzx+0.097Tsb-0.047Txb-0.029Ts+

0.457Tf+0.469Ty+0.13Tqd+0.362Thd-0.045Tqx-0.043Thx-0.187Tzf

(4)

Fc4=0.137Tp-0.216Te-0.077Tj+0.246Tzj-0.284Tzx+0.204Tsb+0.333Txb+0.643Ts+

0.065Tf+0.019Ty-0.118Tqd-0.267Thd-0.028Tqx-0.101Thx+0.043Tzf

(5)

式(2)～(5)中Fc1～Fc4為可適應冷環境下4個皮膚溫度主成分；Tp為平均皮膚溫度；Te為前額皮膚溫度；Tj為頸部皮膚溫度；Tzj為左肩胛皮膚溫度；Tzx為左上胸皮膚溫度；Tsb為左上臂皮膚溫度；Txb為左下臂皮膚溫度；Ts為左手皮膚溫度；Tf為左腹皮膚溫度；Ty為左腰皮膚溫度；Tqd為左前大腿皮膚溫度；Thd為左后大腿皮膚溫度；Tqx為左前小腿皮膚溫度；Thx為左后小腿皮膚溫度；Tzf為左腳面皮膚溫度。

可適應熱環境下皮膚溫度主成分公式：

Fh1=0.104Tp+0.427Te+0.365Tzj+0.365Tzx+0.09Tsb-0.039Txb-

0.134Ts-0.172Tqd-0.103Thx

(6)

Fh2=0.13Tp-0.05Te-0.154Tzj-0.088Tzx-0.02Tsb+0.299Txb+

0.451Ts-0.224Tqd-0.528Thx

(7)

Fh3=0.152Tp-0.284Te+0.034Tzj-0.034Tzx+0.269Tsb+0.071Txb-

0.1Ts+0.813Tqd-0.299Thx

(8)

式(6)～(8)中Fh1～Fh3為可適應熱環境下3個皮膚溫度主成分。

3.3 基于BP算法的人工神經網絡預測熱舒適投票結果

BP網絡分2個階段進行學習[24]：其一是從測量樣本中提取學習樣本，設定BP神經網絡的結構及第一次迭代的權重和閾值，從輸入層開始逐層計算各層輸出節點的輸出；其二是將各層輸出節點期望輸出與實際輸出的均方誤差反向傳播到輸入層，根據均方誤差對前一次迭代設置的權重和閾值的梯度變化，逐層修改權重和閾值，從而使得均方誤差滿足要求。

為預測熱舒適投票，將BP網絡的輸入層設為影響熱舒適的因素，包括熱感覺、可接受程度、主成分分析法提取的皮膚溫度主成分，見表5。輸出層為熱舒適投票，根據輸入層、輸出層神經元的個數，暫定隱層層數1，選擇雙曲正切函數為本網絡的隱層激活函數，輸出層的激活函數為線性函數。

選定實驗中獲取的數據為訓練樣本，通過訓練神經網絡，使網絡輸出值與目標值之間的誤差達到設定要求，調整隱層神經元數、學習率和學習次數，使用改進算法來改善訓練時間，得出能在較短時間內達到設定誤差的網絡，為避免網絡訓練出現訓練過度而降低網絡的泛化性，有必要對網絡進行適當的驗證。因此，實驗數據中應預留部分樣本測試用，比較網絡的輸出值與實測值，觀察測試誤差[15]。

可適應冷環境的實驗數據共3 648份，隨機選取5次，每次隨機選取3 000份實驗數據作為訓練樣本，預留648份實驗數據作為驗證樣本。可適應熱環境的樣本數據共3 440份，隨機選取5次，每次隨機選取3 000份實驗數據作為訓練樣本，預留440份實驗數據作為驗證樣本。借助MATLAB神經網絡工具箱的函數編制網絡的訓練程序和測試程序，得到熱舒適投票預測結果，分別與預留的驗證樣本進行比較驗證，預測準確率為可適應冷環境65%，可適應熱環境61%。

3.4 討論

基于心理-生理適應的熱舒適投票預測結果準確率分別為65%和61%，預測結果較好。與傳統回歸分析對比驗證，僅有少數模型得到驗證。Kim等人發現，PMV模型預測精度為51%[14]。大部分回歸模型未進行準確百分率驗證[2-9]，預測結果是數值，不是準確百分率，無法驗證。如果要進行對比驗證，可將一部分數據用于回歸分析，一部分數據保留作為對比驗證，得出預測準確率。

4 結語與展望

以不同熱經歷背景的南北方人群中的青年健康群體(簡稱為南北方受試者)為研究對象，基于實驗數據，建立了受試者心理(主觀感受)-生理適應對熱舒適投票的影響框架圖，通過相關分析法和主成分分析法，提取輸入層變量，通過人工神經網絡建立模型，量化多維指標對熱舒適投票的影響，預測準確率為可適應冷環境65%，可適應熱環境61%。

本文的局限性與展望為：

1) 后續的研究工作需要繼續擴大數據量；

2) 熱舒適投票受多種因素的影響，當影響因素較多時，神經網絡會更復雜，可以考慮改進機器學習算法，提升模型精度；

3) 改進數據獲取的方便性，推進模型使用的實用性，仍需進一步探索。