基于心理-生理适应的热舒适投票预测*

西安建筑科技大学 林宇凡 杨 柳 柴 茜

0 引言

获得舒适的室内热环境有2个途径：一个是以人体换热平衡为基础，基于人工气候室实验结果的PMV模型；另一个是基于人体热舒适的热适应模型，认为热舒适是人体自我调节系统的一部分，考虑人的行为、生理、心理调节，从而使热舒适成为一个动态系统过程。研究表明，由热适应模型得到的预测结果更符合人体实际热感觉。基于人体热舒适的热适应模型的研究方法有现场研究和实验室研究2类，都是以客观观察和统计数据为基础，在真实建筑环境或人工气候室模拟建筑环境，受试者填写主观问卷，获取受试者的热舒适投票等主观感受数据和行为调节数据，并测试获得生理指标和环境参数数据，通过数理统计分析适应性热舒适机理。

线性回归分析在适应性热舒适研究中被普遍采用，其思路是通过回归拟合获得热感觉投票与环境参数或皮肤温度指标的关系，建立拟合模型，以期发现热中性温度和热可接受度，或发现哪些部位皮肤温度能够较好地预测热感觉。例如，Tomonori等人发现头部局部热不舒适依赖于局部皮肤温度和局部的显热损失，而脚部局部冷不舒适与局部皮肤温度有关[1]。Garcia-Souto等人发现四肢对房间温度变化更敏感，额头和鼻子保持较高温度，躯干敏感度小[2]。Arens等人认为在冷环境中，脚部比人体其他部位都冷，它是冷环境不舒适的根源；胸部热感觉不敏感，但背部上下区域敏感性差异较大[3]。Schellen等人发现不同通风制冷模式下，人体局部皮肤温度和局部热感觉会影响全身的热舒适[4]。Marins等人认为可以利用皮肤温度建立不同人群的热模式标准[5]。在热舒适预测方面：Satoru等人提出利用基于平均皮肤温度的多元回归方程预测瞬态热感觉[6]；Choi等人认为在非均匀环境中，手腕皮肤温度可以作为评价热舒适的指标[7]；Wang等人认为前额温度梯度是更敏感的热感觉指标[8]；Zhang等人认为冷环境下，手指温度是评价热舒适的敏感指标[9]。刘蔚巍等人提出将平均皮肤温度作为热舒适客观评价指标，并采用马氏距离判别法确定平均皮肤温度对热舒适等级的评价[10-11]。

线性回归分析方法能够清晰地发现热感觉与主要环境参数或皮肤温度指标的内在规律和特性，但存在一定的局限性。首先，文献[12-13]发现，因实验工况不同，环境参数与热感觉拟合曲线可能是折线，线性回归拟合可能会有偏差。其次，线性回归分析属于经验模型，是以客观观察和统计数据为基础，无法全面解释模型自变量和因变量的内在机理，即受试者每次填写热舒适投票，是对当下建筑环境的生理、心理、行为适应共同影响的一个反馈，该模型无法解释受试者的生理、心理、行为适应如何影响热舒适投票。因此，这是黑箱或灰箱的研究思路。最后，有时回归拟合时，R2偏低，表明可能有多种因素影响热舒适投票。

笔者在人工气候室进行了心理(主观感受)-生理适应性实验研究，在实验数据的基础上，量化分析了心理-生理多维指标对热舒适投票的影响(因为实验条件限制了受试者的服装热阻和行为(要求采用静坐的姿势)，所以行为适应这个因素未考虑)，采用多元线性回归拟合，发现方差检验P>0.05，不符合统计学意义。查阅文献[14-17]，发现神经网络用于建筑环境的舒适度评价和建筑节能模拟分析等方面是可行的。

因此，本文通过相关分析和主成分分析提取心理(主观感受)指标和生理反应指标作为输入层变量，热舒适投票作为输出量，建立可适应冷环境和热环境的人工神经网络模型，用实验获得的部分数据训练该模型，留下部分实验数据进行自我对比验证。本文研究对揭示心理-生理指标影响热舒适投票的内在机理进行了一定探索。

1 实验介绍

1.1 受试者

通过文献梳理发现：生理实验的受试者遴选人数多在10～30人之间；少部分针对生理参数、数学模型和环境工况的研究，受试者人数少于10人；不同热经历、不同地区的受试者适应差异研究，受试者遴选人数约在20～30人之间[4-11]。因此，参考上述文献，并结合统计学对样本数量要求，最终确定受试者32人。

参考生理学文献，发现人体体温调节波动受性别影响：女性代谢率比男性低5%～10%，体脂肪较多，散热能力比男性差，体温平均比男性高0.3 ℃；此外，女性的生理周期也会影响体温调节[18]。考虑到受试者性别因素会影响组内差异，以及控制实验前提条件，因此受试者全部为男性。

依据秦岭淮河地理分界线，分别遴选16名北方组受试者和16名南方组受试者。本文关注南北方健康青年男性群体，因此，北方组招募长期生活在中国北方(18年以上)，有冬季集中供暖经历和夏季短暂空调经历的青年健康男性(简称北方受试者)；南方组招募长期生活在中国南方(18年以上)，无冬季集中供暖经历和有夏季短暂空调经历的青年健康男性(简称南方受试者)，目前已在西安生活学习2个半月，尚未适应北方气候环境。北方受试者原生活地区为陕西、河南、山东；南方受试者原生活地区为贵州、江苏、浙江、湖南、重庆、安徽等。受试者身体测量数据见表1。

表1 受试者统计

实验对受试者的要求为：身体健康；身体状况和精神状态良好；保持皮肤清洁，避免干扰生理指标数据；测试前，对受试者进行动员，包括阅读实验说明书和主观问卷调查；按照ASHRAE标准[19]，冷工况实验要求受试者服装为内衣裤(0.04 clo)、普通秋衣秋裤(0.2 clo+0.15 clo)、长袖衬衣(0.22 clo)、春秋季节穿的外衣和外裤(0.22 clo+0.28 clo)、普通短袜(0.03 clo)、单鞋(0.04 clo)，热工况实验要求受试者服装为内衣裤(0.04 clo)、短袖T恤(0.08 clo)、单裤(0.24 clo)、单鞋(0.04 clo)；受试者需衣着宽松，禁止穿紧身衣服。

1.2 实验方案设计和实验流程

南北方受试者的气候适应背景有差异，导致其可适应温度区的边界线(A点、D点)位置不同，出现了冷热适应阈值区(A区和D区)，见图1[20]。此外，在舒适温度区边界线(B点、C点)与可适应温度区边界线(A点、D点)之间，存在可适应冷热温度区，见图1。参考现场热舒适研究文献[21]，通过人工控制模拟处于中性的建筑环境(实验设计为环境温度24 ℃)进入冷/热适应阈值区的建筑环境(实验设计为环境温度16、14 ℃/29、31 ℃)，以及通过人工控制模拟处于中性的建筑环境(实验设计为环境温度24 ℃)进入可适应冷/热温度区的建筑环境(实验设计为环境温度20、17、14 ℃/27、29、31 ℃)，室内相对湿度和风速因实验条件所限，设计为35%和0.02 m/s，实验历时约2.5 h。

图1 环境温度对人体生理影响示意图

冷适应阈值区实验流程如下：

受试者进入A房间(4.2 m×3.0 m×3.3 m(长×宽×高))，通过人工控制使房间处于中性环境(环境温度24 ℃)，受试者适应20 min后，更换服装，佩戴生理参数检测仪，按下按键，开始记录心率、心率变异性、呼吸率指标，直至实验结束。随后，填写主观问卷1次，测试14点皮肤温度，测试指尖脉搏血容量(BVP)1次和肌电量(EMG)1次，全程30 min，测试结束后，受试者进入B房间。

B房间(4.2 m×2.6 m×3.3 m(长×宽×高))通过人工控制室内温度(实验设计为16 ℃)，受试者每10 min填写主观问卷1次，每10 min测试14点皮肤温度，测试BVP 1次，全程40 min。

随后，调节B房间室内温度(实验设计为14 ℃)，受试者再次每10 min填写主观问卷1次，每10 min测试14点皮肤温度，测试BVP和EMG各1次，全程40 min，实验结束。

热适应阈值区实验流程同上，不同之处有3点：一是B房间的室内温度(实验设计为29 ℃和31 ℃)；二是测试8点皮肤温度；三是不测试EMG。

可适应冷温度区实验流程如下：

受试者进入A房间，通过人工控制使房间处于中性环境(环境温度24 ℃)，受试者适应20 min后，更换服装，佩戴生理参数检测仪，按下按键，开始记录心率、心率变异性、呼吸率指标，直至实验结束。随后，填写主观问卷1次，测试14点皮肤温度，测试BVP和EMG，全程30 min，测试结束后，受试者进入B房间。

B房间通过人工控制室内温度(实验设计为20 ℃)，受试者每10 min填写主观问卷1次，每10 min测试14点皮肤温度，测试BVP 1次，全程20 min。

随后，调节B房间室内温度(实验设计为17 ℃)，受试者每10 min填写主观问卷1次，每10 min测试14点皮肤温度，测试BVP 1次，全程20 min。

最后，调节B房间室内温度(实验设计为14 ℃)，受试者再次每10 min填写主观问卷1次，每10 min测试14点皮肤温度，测试BVP和EMG各1次，全程20 min，实验结束。

可适应热温度区实验流程同上，不同之处有3点：一是B房间的室内温度(实验设计为27、29、31 ℃)；二是测试8点皮肤温度；三是不测试EMG。

1.3 实验测试指标和测试仪器

在实验过程中测试热环境参数(室内空气温度、相对湿度、黑球温度、风速)。温湿度记录仪(RT-72ui，自记录，精度±0.3 ℃、±5%)测量温度和相对湿度；微风仪(SWA03，手持式，精度±0.03 m/s)测量风速；黑球温度仪(HQZY-1，精度±0.3 ℃)测量黑球温度。所有设备在实验前均进行了校准。

依据文献[18]，选取皮肤温度指标观察皮肤温度变化；选取心率、心率变异性(HRV)(频域分析法)观察交感神经和迷走神经的变化；选取BVP观察皮肤血管的舒张状态；选取EMG观察骨骼肌放电情况。皮肤温度均由热电偶(精度为±0.1 ℃)测得。

1.4 主观问卷

4个实验工况实验过程中均需填写主观问卷，问卷内容包括：热感觉投票(TSV)、热舒适投票(TCV)、气流感投票、潮湿感投票采用7级标尺；可接受程度投票采用4级断裂标尺，分别为1完全可接受、0.01刚刚可接受、-0.01刚刚不可接受、-1完全不接受；期望温度的3个选项分别为希望环境1暖一些、0保持不变和-1凉一些。

2 输入变量特征提取

实验受试者32人，共进行4个实验，共有受试者样本128份，每份样本包括全套的主观感受投票数据和生理指标测试数据。具体的数据量为皮肤温度数据14 874份；主观感受投票数据12 096份；生理指标数据(LFNU(低频归一)、HFNU(高频归一)、心率、LFNU/HFNU、EMG、BVP)16 918份。基于实验数据分析，揭示了南北方受试者心理(主观感受)和生理反应的差异[22-23]，并建立了心理(主观感受)-生理适应和对热舒适投票作用框架图，见图2。

图2 可适应冷/热环境下生理适应和主观感受对热舒适作用框架图

由图2可知，多个生理-心理指标对热舒适投票有影响。心理适应方面，除热感觉指标外，受试者的室内外热经历因素会影响其热舒适投票，而气流感、潮湿感、可接受程度、热偏好和不舒适原因等指标均会受室内外热经历影响，因此，通过相关分析，提取有显著相关性的指标作为主观感受输入变量。

通过相关分析发现，生理指标(LFNU、HFNU、LFNU/HFNU、心率、EMG、BVP)无显著相关性，而人体皮肤温度指标影响热舒适投票。本实验涉及的人体皮肤温度指标除了平均皮肤温度，还有各测点皮肤温度(可适应冷环境14个测点，可适应热环境8个测点)，在这些指标中，可能存在一定程度的线性依存关系，称为多重共线性，因此，采用主成分分析法，把所有测点皮肤温度指标降维为几个互不相关的综合指标，作为生理指标的输入变量。

3 结果与讨论

3.1 相关分析法提取主观感受输入变量结果

通过相关分析发现，南北方受试者的TSV指标和可接受程度指标与热舒适投票相关性较高，见表2。

表2 主观感受指标与热舒适相关性分析结果

3.2 主成分分析法提取皮肤温度输入变量结果

主成分分析(principal components analysis， PCA)是一种降维分析方法，本质是因为原始变量之间存在较强的相关性，将多个原始变量进行线性变换，转换成新的综合指标，其数学模型如下。

设l个原始变量为x1、x2、…、xl，新的指标(也称主成分)为y1、y2、…、yl，主成分与原始变量的关系式为

(1)

式中u为权重系数。

求解主成分的步骤分为以下4步：1) 根据原始变量求出协方差矩阵；2) 求协方差矩阵的特征根和特征向量，并确定主成分；3) 求出主成分表达式的系数，并计算主成分得分；4) 根据主成分得分，对各主成分进行解释。

利用SPSS 22.0软件进行主成分分析。通过KMO检验，目的是看数据是否适合进行主成分分析，结果发现，冷环境下KMO值为0.881，热环境下KMO值为0.792，基本符合0.8的合适标准，表明可以使用主成分分析法进行分析。通过Bartlett 的球形检验，显著性差异为0，说明数据符合正态分布，适合进一步分析。

除了找到主成分，还要了解每一个主成分所代表的意义，因此对相关系数矩阵进行主成分旋转，使得每一个皮肤温度指标只在一个主成分上具有较大的载荷，而在其他主成分上的载荷较小，以便于主成分的分析，随后求解贡献率，贡献率越大，说明该主成分所保留的原始变量信息越多。

表3、4分别给出了可适应冷、热环境的总方差解释及主成分提取分析。根据累计贡献率确定主成分的个数，分别在可适应冷环境和可适应热环境中提取4个、3个主成分。通过成分得分系数矩阵，可以得到皮肤温度主成分构成。

表3 总方差解释及主成分提取分析结果(可适应冷环境)

表4 总方差解释及主成分提取分析结果(可适应热环境)

通过以上量化分析，提取影响热舒适投票的输入层变量，见表5。

可适应冷环境下皮肤温度主成分公式：

表5 输入层变量汇总

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为可适应冷环境下4个皮肤温度主成分；Tp为平均皮肤温度；Te为前额皮肤温度；Tj为颈部皮肤温度；Tzj为左肩胛皮肤温度；Tzx为左上胸皮肤温度；Tsb为左上臂皮肤温度；Txb为左下臂皮肤温度；Ts为左手皮肤温度；Tf为左腹皮肤温度；Ty为左腰皮肤温度；Tqd为左前大腿皮肤温度；Thd为左后大腿皮肤温度；Tqx为左前小腿皮肤温度；Thx为左后小腿皮肤温度；Tzf为左脚面皮肤温度。

可适应热环境下皮肤温度主成分公式：

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为可适应热环境下3个皮肤温度主成分。

3.3 基于BP算法的人工神经网络预测热舒适投票结果

BP网络分2个阶段进行学习[24]：其一是从测量样本中提取学习样本，设定BP神经网络的结构及第一次迭代的权重和阈值，从输入层开始逐层计算各层输出节点的输出；其二是将各层输出节点期望输出与实际输出的均方误差反向传播到输入层，根据均方误差对前一次迭代设置的权重和阈值的梯度变化，逐层修改权重和阈值，从而使得均方误差满足要求。

为预测热舒适投票，将BP网络的输入层设为影响热舒适的因素，包括热感觉、可接受程度、主成分分析法提取的皮肤温度主成分，见表5。输出层为热舒适投票，根据输入层、输出层神经元的个数，暂定隐层层数1，选择双曲正切函数为本网络的隐层激活函数，输出层的激活函数为线性函数。

选定实验中获取的数据为训练样本，通过训练神经网络，使网络输出值与目标值之间的误差达到设定要求，调整隐层神经元数、学习率和学习次数，使用改进算法来改善训练时间，得出能在较短时间内达到设定误差的网络，为避免网络训练出现训练过度而降低网络的泛化性，有必要对网络进行适当的验证。因此，实验数据中应预留部分样本测试用，比较网络的输出值与实测值，观察测试误差[15]。

可适应冷环境的实验数据共3 648份，随机选取5次，每次随机选取3 000份实验数据作为训练样本，预留648份实验数据作为验证样本。可适应热环境的样本数据共3 440份，随机选取5次，每次随机选取3 000份实验数据作为训练样本，预留440份实验数据作为验证样本。借助MATLAB神经网络工具箱的函数编制网络的训练程序和测试程序，得到热舒适投票预测结果，分别与预留的验证样本进行比较验证，预测准确率为可适应冷环境65%，可适应热环境61%。

3.4 讨论

基于心理-生理适应的热舒适投票预测结果准确率分别为65%和61%，预测结果较好。与传统回归分析对比验证，仅有少数模型得到验证。Kim等人发现，PMV模型预测精度为51%[14]。大部分回归模型未进行准确百分率验证[2-9]，预测结果是数值，不是准确百分率，无法验证。如果要进行对比验证，可将一部分数据用于回归分析，一部分数据保留作为对比验证，得出预测准确率。

4 结语与展望

以不同热经历背景的南北方人群中的青年健康群体(简称为南北方受试者)为研究对象，基于实验数据，建立了受试者心理(主观感受)-生理适应对热舒适投票的影响框架图，通过相关分析法和主成分分析法，提取输入层变量，通过人工神经网络建立模型，量化多维指标对热舒适投票的影响，预测准确率为可适应冷环境65%，可适应热环境61%。

本文的局限性与展望为：

1) 后续的研究工作需要继续扩大数据量；

2) 热舒适投票受多种因素的影响，当影响因素较多时，神经网络会更复杂，可以考虑改进机器学习算法，提升模型精度；

3) 改进数据获取的方便性，推进模型使用的实用性，仍需进一步探索。