楊 坤 徐漫禁 陳月明

(安徽醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院 安徽 合肥 230032)

0 引 言

人體熱舒適是一種“心理狀態(tài),表現(xiàn)為對熱環(huán)境的滿意度,是一種主觀評估”[1]。其既可以通過主觀意愿表達(dá),也可以通過生命體征參數(shù)反映出來。人體在不同的熱舒適狀態(tài)下,心電、腦電、脈搏、血氧、人體表皮的電阻抗和溫度等各項生理指標(biāo)會發(fā)生相應(yīng)的變化[2-4]。神經(jīng)系統(tǒng)負(fù)責(zé)調(diào)節(jié)人體的體溫,其中下丘腦扮演著“控制者”的角色。下丘腦接收到熱感受器的輸入后便開始溫度調(diào)節(jié)的進(jìn)程。在寒冷環(huán)境下,人會通過顫動、加強(qiáng)肌肉活動來增加產(chǎn)熱;在炎熱條件下,人會通過血管擴(kuò)張、排汗等方式降低皮膚溫度。在不同熱舒適狀態(tài)下,下丘腦的體溫調(diào)節(jié)機(jī)制是不同的。因此,通過監(jiān)測生理信號變化的方法來實時預(yù)測人的熱舒適狀態(tài)是可行的[5-6]。

目前國內(nèi)針對人體熱舒適性的研究還比較少,把人體熱舒適狀態(tài)與環(huán)境溫度聯(lián)系到一起是一種普遍的做法,即通過監(jiān)測室內(nèi)溫度來制定溫度調(diào)控策略[7-8]。根據(jù)此方法制定的溫度調(diào)控策略往往存在一定的弊端,并不能根據(jù)人體真正的熱舒適需求來制定溫度調(diào)控策略。事實上,人在不同季節(jié),每天的不同時刻以及不同情境對于熱舒適性的需求都是不同的,并且性別、年齡甚至穿衣方式都會對這種主觀感覺產(chǎn)生影響[9-10]。因此這種恒溫的調(diào)控策略并不能滿足人們個性化熱舒適需求,并且這種沒有根據(jù)人體實時的熱舒適需求變化制定的普適的溫度調(diào)控策略極易對人體造成損傷。

國外已經(jīng)開始研究生命體征參數(shù)和人體的熱舒適性之間的聯(lián)系,日本青山學(xué)院大學(xué)研究分析不同溫度條件下心電信號的心率變異性,提取信號的時域、頻域、非線性等多個特征,并使用支持向量機(jī)等傳統(tǒng)的機(jī)器學(xué)習(xí)方法分類,能夠識別人體的熱舒適狀態(tài),進(jìn)而采取不同的溫度調(diào)節(jié)策略,提高了受試者的熱舒適體驗[11-13]。新加坡南洋理工大學(xué)有研究證明可以通過腦電信號預(yù)測人體的實時熱舒適狀態(tài)[14],通過采集不同室內(nèi)溫度下受試者的腦電信號形成數(shù)據(jù)集,并且比較了不同機(jī)器學(xué)習(xí)方法在腦電信號分類的性能,實驗證明了人體不同熱舒適狀態(tài)下的腦電信號存在差異,使用熱舒適性設(shè)定的時變點來驅(qū)動空調(diào)設(shè)備能顯著降低建筑能源消耗。王夢飛等[15]通過采集高溫高濕和舒適兩種環(huán)境下光電容積脈搏波(Photo PlethysmoGraphy,PPG)信號,使用小波降噪結(jié)合殘差神經(jīng)網(wǎng)絡(luò)這種端到端的機(jī)器學(xué)習(xí)方法,成功識別到兩種環(huán)境下人體PPG信號的差異,獲得了較高的分類準(zhǔn)確率,進(jìn)而對人體是否處于高溫高濕環(huán)境預(yù)警,證明了人體PPG信號會隨著周邊環(huán)境溫度變化而產(chǎn)生差異,并且這種差異是可以被神經(jīng)網(wǎng)絡(luò)識別的。但該研究僅限于極端的環(huán)境狀況,并不適用于人們?nèi)粘５纳瞽h(huán)境。

盡管心電、腦電都被應(yīng)用到人體熱舒適性檢測,并且實驗結(jié)果都做到了較高的分類準(zhǔn)確率,但是信號的采集方式都較為復(fù)雜。心電和腦電的采集過程都會嚴(yán)重影響到使用者的日常生活和工作,因此很難在實際中投入使用。除此之外,動態(tài)心電監(jiān)測過程受到干擾較多,濾波計算復(fù)雜。腦電信號極易受外界環(huán)境干擾,并不適用于日常生活中復(fù)雜的使用環(huán)境。因此使用PPG信號來分析人體的熱舒適性更加具有現(xiàn)實意義,PPG信號采集原理簡單、裝置緊湊并且適用于日常攜帶。相比較于心電和腦電的多通道數(shù)據(jù),PPG信號是一維數(shù)據(jù),信號處理的計算量會大大減少。

工作主要如下：首先設(shè)計了一套基于可編程嵌入式片上系統(tǒng)(PSOC)可穿戴式PPG信號采集系統(tǒng);其次通過低通濾波消除PPG信號的高頻干擾,使用經(jīng)驗?zāi)B(tài)分解對PPG信號重構(gòu),完成脈搏波信號的采集和預(yù)處理。然后使用門控循環(huán)單元(Gated Recurrent Unit,Inception&GRU)并行模型[16]對不同溫度條件下的PPG信號建模。最后對基于神經(jīng)網(wǎng)絡(luò)的人體熱舒適模型進(jìn)行評估。

1 PPG信號采集系統(tǒng)設(shè)計

為了便于用戶日常佩戴使用,必須保證采集裝置體積小、低功耗。使用SFH7050反射式脈搏血氧傳感器和PSOC5LP單片機(jī)恰好能滿足本裝置設(shè)計要求,SFH7050裝置體積僅僅為4.7 mm×2.5 mm×0.9 mm,功耗3×3.4 mW。而PSOC5LP片內(nèi)成了豐富的模擬外設(shè)和數(shù)字外設(shè),無須添加外設(shè),因此裝置體積能夠極大地得到減小。

1) SFH7050是一款反射式脈搏血氧傳感器,其內(nèi)部原理圖如圖1(a)所示,SFH7050擁有紅光、近紅外光、綠光三個發(fā)光二極管和一個光電二極管,具有靈敏度高、體積小、低功耗、響應(yīng)速度快的特點,適用于可穿戴設(shè)備長時間監(jiān)測。

(a) SFH7050原理圖

2) 由于血液對紅光的吸收系數(shù)范圍變化比較大,因此本系統(tǒng)使用紅光作為光源。光束發(fā)射經(jīng)過手指中血液和肌肉會吸收而衰減,反射的光束被光電二極管接收產(chǎn)生電流。在一個脈搏周期內(nèi),由于動脈的脈動造成血液容量的變化,會導(dǎo)致光吸收量發(fā)生變化。光電二極管中電流變化的交流成分能夠反映脈搏信號。

3) PSOC5LP是一款可編程嵌入式片上系統(tǒng),擁有豐富的可配置模擬和數(shù)字外設(shè)。內(nèi)部集成了模數(shù)轉(zhuǎn)換器、數(shù)字濾波器和運算放大器等常用外設(shè)。通過參數(shù)配置和簡單的外部電路與引腳相連便可以實現(xiàn)PPG信號采集。硬件模塊設(shè)計如圖1(b)所示。電流電壓轉(zhuǎn)換和信號放大都是由內(nèi)部可配置的運算放大器實現(xiàn)。通過內(nèi)部集成的模數(shù)轉(zhuǎn)換器和數(shù)字濾波器可以完成模數(shù)轉(zhuǎn)換和低通濾波。

2 PPG信號采集與預(yù)處理

2.1 脈搏波采集方法

實驗時間2020年8月17日下午14時至17時,天氣預(yù)報溫度為32 ℃,相對濕度52%。實驗在配有空調(diào)的兩個密閉房間中進(jìn)行,編號為A、B房間。兩個房間的初始溫度均設(shè)置為24 ℃,房間相對濕度均保證在52±5%?？照{(diào)出風(fēng)口距離受試者同等距離,確保相近的空氣流速。受試對象由8名對象(4男4女)組成,年齡段為23至26歲,衣著均為短袖。確保實驗人員在實驗前兩小時無飲酒、飲食、藥物治療等情況,并且生理狀態(tài)良好。實驗流程主要如下,實驗開始前,首先將室內(nèi)環(huán)境設(shè)置到指定溫度。受試者首先進(jìn)入A房間,進(jìn)入房間后靜坐在椅子上3 min后開始采集數(shù)據(jù),實驗開始時緩慢提高室內(nèi)的溫度直至32 ℃,記錄受試者的熱舒適狀態(tài)由舒適狀態(tài)轉(zhuǎn)換為熱狀態(tài)變化的時間點Ts-h。完成數(shù)據(jù)采集后到室外休息5 min,確保受試者在進(jìn)入每個房間的初始的熱舒適狀態(tài)是相同的。然后進(jìn)入B房間,同樣靜坐在椅子上3 min后開始采集數(shù)據(jù),實驗開始時緩慢降低室內(nèi)的溫度直至18 ℃,記錄受試者的熱舒適狀態(tài)由舒適狀態(tài)轉(zhuǎn)換為冷狀態(tài)變化的時間點Ts-c。實驗時長為60 min。實驗過程如圖2所示。

(a) 數(shù)據(jù)采集

2.2 數(shù)據(jù)預(yù)處理

通過PSOC5LP模數(shù)轉(zhuǎn)換后得到的PPG信號存在很多噪聲,主要是由于運動、呼吸、背景光和工頻造成的干擾。因為運動呼吸和脈搏波的頻率均屬于低頻成分,因此使用傳統(tǒng)的傅里葉變換無法得到有效去除,高階濾波器才能夠?qū)崿F(xiàn)較窄的過渡帶,計算量比較大。較寬的過渡帶會導(dǎo)致部分噪聲不能得到很好抑制。為了分離出PPG信號中的不同成分,使用經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)對脈搏波進(jìn)行平穩(wěn)化處理,使得真實存在的不同尺度的波動或者趨勢從高頻到低頻逐級分解開來,產(chǎn)生一系列具有不同特征尺度的分量。通過對每個分量的頻譜分析,選擇合適的分量可以重建降噪后的脈搏波信號。

1) 低通濾波： 脈搏波信號的頻率集中在0.4 Hz到10 Hz之間,使用截止頻率為10 Hz的2階零相位巴特沃斯低通濾波器對PPG信號進(jìn)行濾波,處理后的信號如圖3(a)所示。

(a) 低通濾波后的PPG信號

2) 去除基線漂移、運動呼吸干擾： 使用EMD對PPG信號進(jìn)行分解,設(shè)置步長為0.01,連續(xù)兩次迭代的處理得到結(jié)果之間的標(biāo)準(zhǔn)差取0.2到0.3之間為宜,此時可以保證IMF分量的線性和穩(wěn)定性,使得IMF分量具有物理意義。EMD分解的PPG信號得到的分量如圖3(b)所示,通過對IMF分量的Hilbert譜分析,IMF1-3包含脈搏信號。其他分量為呼吸造成的干擾和運動偽跡,使用含有脈搏波的IMF分量重構(gòu)脈搏波信號,得到如圖3(c)所示的脈搏波信號。IMF分量重構(gòu)脈搏波信號方法如式(1)所示。

(1)

式中：s、m分別代表起始和終止分量序號;x表示EMD分量重建的脈搏信號。

3) 數(shù)據(jù)歸一化：對每一受試者的數(shù)據(jù)進(jìn)行單獨歸一化,能夠保留更多的受試者信息。歸一化后PPG信號使得數(shù)據(jù)均服從高斯分布,能夠加快神經(jīng)網(wǎng)絡(luò)模型收斂,提高模型準(zhǔn)確率。使用Z-score方法將脈搏波號歸一化,歸一化方法如式(2)所示,歸一化后的脈搏波信號方差為1,均值為0。歸一化后的信號如圖3(d)所示。

(2)

式中：μ表示均值;σ表示標(biāo)準(zhǔn)差;x*代表歸一化后的脈搏信號。

2.3 數(shù)據(jù)集劃分

由于傳感器的遲滯和設(shè)備初始化的原因,初始采集脈搏波數(shù)據(jù)和真實數(shù)據(jù)存在較大差距,因此將每位受試者前3秒脈搏波數(shù)據(jù)舍棄。Ts-h和Ts-c是熱舒適狀態(tài)轉(zhuǎn)換點,受試者可能對熱舒適狀態(tài)模糊不清,因此,故將其前后1 min數(shù)據(jù)舍棄。每個樣本至少包含兩個以上的完整脈搏波形,而脈搏通常為60～100次/min。因此將500個采樣點作為一個樣本,時間為2.5 s。通過reshape函數(shù)將每個樣本從一維拓展為(25,20)的二維矩陣。通過滑動窗口的方法可以增加樣本數(shù)量,設(shè)置滑動步長為1 s和2 s。除此之外滑動窗口能夠?qū)崿F(xiàn)數(shù)據(jù)增強(qiáng),增加樣本中的噪聲,同時可以提高模型的魯棒性和泛化性能。去除濾波器抽頭和不合的數(shù)據(jù)后,得到有效樣本的數(shù)量為14 904組,將整個數(shù)據(jù)集打亂后劃分為訓(xùn)練集和驗證集,其中：訓(xùn)練集數(shù)量為11 178組,驗證集3 726組。樣本標(biāo)簽使用one-hot編碼、冷環(huán)境、舒適環(huán)境、熱環(huán)境分別編碼為[1,0,0]、[0,1,0]、[0,0,1]。

3 神經(jīng)網(wǎng)絡(luò)搭建以及訓(xùn)練

3.1 神經(jīng)網(wǎng)絡(luò)模型

為了避免特征選擇的復(fù)雜過程,使用一種端到端的監(jiān)督式機(jī)器學(xué)習(xí)方法,神經(jīng)網(wǎng)絡(luò)模型的設(shè)計需要結(jié)合數(shù)據(jù)的內(nèi)在特征,脈搏波的時序特征和局部特征正是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的重點。Inception &GRU并行模型的主要作用是主動學(xué)習(xí)不同熱舒適狀態(tài)下脈搏波信號的特征,進(jìn)而預(yù)測出受試者的熱舒適狀態(tài)。神經(jīng)網(wǎng)絡(luò)部分模型主要包含三個部分,Inception網(wǎng)絡(luò)模型主要用于提取脈搏波信號的局部特征,GRU網(wǎng)絡(luò)層提取并保留脈搏波信號的時序特征,最后經(jīng)過全連接層和Softmax得到三個類別的預(yù)測概率。通過神經(jīng)網(wǎng)絡(luò)模型可以建立脈搏波信號和人體熱舒適性之間的映射關(guān)系,網(wǎng)絡(luò)模型如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)模型

3.2 Inception網(wǎng)絡(luò)

Inception是一種并行的卷積網(wǎng)絡(luò),基本卷積原理如圖5所示,使用不同的卷積核提取信號的局部特征,為了提取脈搏信號不同區(qū)域的特征,Inception網(wǎng)絡(luò)設(shè)置了多個大小不同的卷積核,一個Inception網(wǎng)絡(luò)中包括多個并行大小不同卷積核和池化層。如此可以得到多個特征映射,通過拼接方式作為輸出特征的映射。為了提高計算的效率和減少參數(shù)的數(shù)量,Inception模塊在卷積之前和池化之后均加入卷積核為1的卷積層來減少特征映射的深度,除此之外還可以減少輸入特征映射之間存在的冗余信息。

圖5 卷積示意圖

3.3 GRU網(wǎng)絡(luò)

脈搏信號的一種有規(guī)律的時序信號,模型中引入的GRU網(wǎng)絡(luò)可以有效地提取和保留脈搏信號的時序特征,GRU神經(jīng)元內(nèi)部參數(shù)更新原理如圖6所示,相比較長短時記憶網(wǎng)絡(luò)而言,GRU網(wǎng)絡(luò)更加簡單,GRU網(wǎng)絡(luò)不引入額外的記憶單元,而是增加了一個更新門來控制當(dāng)前狀態(tài)需要從歷史狀態(tài)中保留多少信息以及從候選狀態(tài)中接受多少信息。

圖6 GRU神經(jīng)元

rt=σ(Wrxt+Urht-1+br)

(3)

zt=σ(Wzxt+Uzht-1+bz)

(4)

(5)

(6)

式中：W、U表示可訓(xùn)練的參數(shù)向量;b表示偏置向量。

3.4 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

ReLU(x) = max(0,x)

(7)

優(yōu)化函數(shù)：Adam優(yōu)化函數(shù)是一種基于隨機(jī)估計的一階矩和二階矩的隨機(jī)梯度下降方法,該方法計算效率高,幾乎沒有存儲需求,非常適用于大規(guī)模數(shù)據(jù)訓(xùn)練。

損失函數(shù)：使用交叉熵作為損失函數(shù)。在給定P的條件下,q和p越接近,H越小,p和q距離越遠(yuǎn),H越大。損失函數(shù)的計算公式如下：

H(p,q)=-∑p(x)logq(x)

(8)

式中：p為預(yù)測值,q為真實值。

神經(jīng)網(wǎng)絡(luò)模型的搭建基于TensorFlow 2.4,使用Kaggle提供的免費機(jī)器學(xué)習(xí)服務(wù)器訓(xùn)練模型,為了避免過擬合,Inception網(wǎng)絡(luò)和GRU網(wǎng)絡(luò)輸出之前先經(jīng)過BatchNormalization層,并且在拼接網(wǎng)絡(luò)層后加入了一個Dropout層,將丟棄概率設(shè)置為0.4。神經(jīng)網(wǎng)絡(luò)各模塊具體的參數(shù)如表1所示。

表1 神經(jīng)網(wǎng)絡(luò)模型參數(shù)

3.5 訓(xùn)練方法

預(yù)先設(shè)置神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為1 000,批大小設(shè)置為128。由于神經(jīng)網(wǎng)絡(luò)的擬合能力很強(qiáng),很容易出現(xiàn)過擬合的現(xiàn)象,因此使用提前停止的方法進(jìn)行訓(xùn)練,即使用一個和訓(xùn)練集合獨立的樣本集合作為驗證集,用驗證集的期望錯誤來替代期望錯誤,當(dāng)驗證集的錯誤率不再下降時,就停止迭代,自動保存該模型相關(guān)參數(shù)為最優(yōu)模型。

4 模型評估

4.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中,迭代次數(shù)和訓(xùn)練集、驗證集的準(zhǔn)確率和交叉熵?fù)p失值的變化如圖7(a)和圖7(b)所示。其中訓(xùn)練集準(zhǔn)確率達(dá)到99.92%,驗證集準(zhǔn)確率達(dá)到97.26%。并行的Inception&GRU模型在訓(xùn)練集和驗證集均表現(xiàn)出較好的分類準(zhǔn)確性。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中,經(jīng)過約32次迭代模型開始收斂。在訓(xùn)練過程,訓(xùn)練集損失值為0.021 1,驗證集損失值為0.156 7。

(a) 訓(xùn)練過程中準(zhǔn)確率變化

把原始的數(shù)據(jù)平均分為8個不重復(fù)的子集,每次使用其中的7個子集作為訓(xùn)練集,剩余的一個子集為驗證集。設(shè)置迭代次數(shù)為100,批大小設(shè)置為64,經(jīng)過 8次訓(xùn)練后,可以得到8個模型,分別計算每個模型在驗證集、訓(xùn)練集和全部數(shù)據(jù)集上面的準(zhǔn)確率均值和方差,得到如圖7(c)所示的箱線圖。K折交叉驗證在驗集上平均準(zhǔn)確率96.71%,標(biāo)準(zhǔn)差為0.895 3。模型在訓(xùn)練集、驗證集、全部數(shù)據(jù)集上均表現(xiàn)出較好的準(zhǔn)確率和穩(wěn)定性。

4.2 混淆矩陣分析

混淆矩陣分析能夠分析每個類別的誤分類樣本數(shù)、數(shù)量和比重。使用最佳模型對全部樣本進(jìn)行預(yù)測,統(tǒng)計得到3個類別的真正例TP、假負(fù)例FN、假正例FP和真負(fù)例TN的樣本數(shù)。根據(jù)統(tǒng)計結(jié)果計算出精準(zhǔn)率P、召回率R和F值(β=1)。由表2可知,精準(zhǔn)率、召回率和F值都接近于1,因為可以認(rèn)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的模型可以準(zhǔn)確地識別出人體的熱舒適狀態(tài)。P、R、F值的計算方式如式(9)-式(10)所示。計算結(jié)果如表2所示。

表2 模型評估參數(shù)

(9)

(10)

(11)

4.3 模型對比

由于從數(shù)據(jù)集中劃分樣本時并未對樣本的起點或者終點有所要求,因此可以使用不同的滑動窗口大小來形成全新的樣本。具體方法如下：從數(shù)據(jù)集中任意選擇若干個起點,截取數(shù)據(jù)長度為500作為一個樣本。如此選擇10 000個樣本組成測試集。分別計算不同模型在測試集上的準(zhǔn)確率和預(yù)測時間。

比較方法包括傳統(tǒng)的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法,支持向量機(jī)(Support Vector Machine,SVM)和隨機(jī)森林(Random Forest,RF)是經(jīng)典的機(jī)器學(xué)習(xí)算法,提取脈搏波信號的心率變異性的時域、頻域、非線性特征作為分類器的輸入,選擇的特征如表3所示。而在深度學(xué)習(xí)算法中,選擇了殘差神經(jīng)網(wǎng)絡(luò)和雙向長短時記憶網(wǎng)絡(luò)作為對比。將重建后歸一化的脈搏波信號輸入殘差神經(jīng)網(wǎng)絡(luò)(Resnet)和長短時記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)進(jìn)行分類,比較結(jié)果如表4所示。

表3 脈搏波信號的特征

表4 不同模型對比

經(jīng)過手動提取并選擇特征后,隨機(jī)森林取得了比較好的分類效果。即使不提取特征,依靠神經(jīng)網(wǎng)絡(luò)主動學(xué)習(xí)數(shù)據(jù)特征,Inception&GRU并行模型也取得了最好的分類效果,比單一的LSTM準(zhǔn)確率高4.03百分點,比Resnet準(zhǔn)確率高5.01百分點。

為了實時預(yù)測熱舒適狀態(tài),必須評估該模型的復(fù)雜程度,由于可穿戴設(shè)備低功耗、性能弱的特性,因此使用模型預(yù)測測試集的所需的時間來評估模型的復(fù)雜程度。

在提取特征后,RF樣本預(yù)測所需的時間最短,但R點提取和特征提取也需要一定的計算時間。在神經(jīng)網(wǎng)絡(luò)模型中,Inception&GRU網(wǎng)絡(luò)預(yù)測時間和LSTM網(wǎng)絡(luò)預(yù)測時間相近。GRU網(wǎng)絡(luò)參數(shù)相對于LSTM更少,而Inception模塊相對于Resnet的卷積核數(shù)量更少,網(wǎng)絡(luò)更淺,因此基于Inception&GRU模型所需的時間更少。基于Inception&GRU的熱舒適模型既可以避免特征提取的繁瑣工作,在準(zhǔn)確率和模型復(fù)雜程度上也具有一定性能優(yōu)勢。

5 結(jié) 語

1) 通過經(jīng)驗?zāi)B(tài)分解的方法重構(gòu)有效脈搏波分量能夠有效地去除PPG信號中的基線漂移和呼吸干擾,使用預(yù)處理后的脈搏波信號作為神經(jīng)網(wǎng)絡(luò)輸入不僅提高了模型訓(xùn)練的準(zhǔn)確率,還加快了模型收斂速度。

2) Inception&GRU并行模型能夠有效地提取脈搏波信號中局部特征和時域特征,避免了傳統(tǒng)機(jī)器學(xué)習(xí)繁雜的特征提取和特征選擇工作?；谏窠?jīng)網(wǎng)絡(luò)的熱舒適模型在訓(xùn)練集達(dá)到了99.92%的準(zhǔn)確率,在驗證集達(dá)到了97.26%的準(zhǔn)確率。

3) 本文的研究成果能夠為集中供熱系統(tǒng)和可穿戴降溫(升溫)設(shè)備提供策略支持,實時為人體提供最佳的熱舒適環(huán)境。目前對人體熱舒適的研究尚處于初始階段,對熱舒適狀態(tài)預(yù)測的精度尚不足,模型相對比較復(fù)雜,未來我們會進(jìn)一步提升人體熱舒適狀態(tài)模型的結(jié)果精度并降低模型的復(fù)雜程度。