基于生理参数的个人热舒适预测模型：系统综述

作者与出版信息 本文《Physiological-based personal thermal comfort models: A review of sensing systems, data preprocessing, and modeling approaches》由新加坡国立大学设计与工程学院建筑环境系的Huanxiang Gao和Ali Ghahramani（通讯作者）共同撰写，发表于能源与建筑领域的权威期刊《Energy & Buildings》的第351卷（2026年）。该文章于2025年6月18日收稿，历经修订后于2025年11月5日被接受，并于同年11月8日在线发表。

论文主题与核心问题 本文是一篇系统性综述文章，其核心主题是梳理和分析基于生理参数的个人热舒适预测模型 的研发全流程、各环节的关键影响因素、存在的误差来源以及未来的研究方向。个人热舒适模型旨在通过监测个体生理信号来实时、自动地预测其热舒适状态，从而为个性化的室内环境调控和建筑节能提供依据。然而，尽管这一领域潜力巨大，但当前模型的预测误差较高，阻碍了其实际部署和应用。过往的综述多聚焦于单个或某类影响因素，而本文的创新之处在于提出了一个结构化的评估框架，首次系统性地审视从“传感系统”、“数据预处理”到“模型建立”这三大开发阶段的各个环节是如何共同影响最终预测精度的。该综述旨在填补这一空白，为研究者提供一个全面的路线图，指出当前研究的关键挑战与未来发展方向。

论文主要观点阐述

观点一：传感系统是模型构建的基础，其选择与部署直接影响数据质量，但现有研究对传感器精度和部署问题的关注不足。

该部分指出，可靠的生理信号采集是模型成功的基石。综述首先分析了常用的生物信号，皮肤温度 是应用最广泛的信号（占比约50%），因为它能直接反映人体热调节系统的响应。其次是皮肤电导率、心率和心率变异性等。在传感器技术方面，可穿戴设备、热电偶和红外（IR）热成像相机 是三种主流工具。可穿戴设备因其便利性常用于手腕部位测量多种信号；热电偶精度高、成本低，常用于躯干和四肢的皮肤温度测量；红外相机则以其非接触式测量优势，主要用于面部皮肤温度的获取。 然而，本综述发现，许多研究忽视了传感环节固有的精度问题。例如，可穿戴设备可能存在热积聚和信号延迟；热电偶的测量易受汗液影响；而红外相机则普遍存在传感器漂移 问题，即在输入恒定时读数发生变化。本文作者还通过一个小实验直观展示了两种市售红外相机在测量人脸温度时的显著漂移现象，强调了这一问题的重要性。尽管存在已知的解决方案（如使用已知温度的参考物进行背景校准），但仅有约20%的研究提及了传感相关的挑战，更少有研究采取具体的校正措施。此外，身体测量部位的选择也至关重要，例如面部（特别是鼻子和脸颊）对热刺激反应敏感，而前额则相对稳定，不同区域的信号蕴含不同信息，但许多研究在选择测量点时并未充分考虑其生理学意义。

观点二：数据预处理环节对于提升模型性能至关重要，但多数研究对此报告不足或处理方式简单，且特征提取的策略有待深化。

该部分强调，原始生理数据通常包含噪声、异常值和漂移，必须经过预处理才能用于建模。数据预处理主要包括数据清洗和特征提取。数据清洗又分为异常值处理和归一化。令人惊讶的是，在综述分析的28篇研究中，只有不到三分之一明确报告了数据清洗方法（如使用汉佩尔滤波器、萨维茨基-戈尔滤波器等），且归一化的应用同样不普遍。这表明预处理这一关键步骤未得到足够重视。 另一方面，超过一半的研究进行了特征提取，即从原始信号中推导出更具信息量的新特征。最常见的特征是皮肤温度的时序梯度（例如温度随时间的变化率），其次是描述性统计量（如均值、标准差）以及不同身体部位间的温差。作者指出，时序梯度的广泛应用恰恰暗示了时间性热感觉异常（Temporal Thermal Alliesthesia） 这一现象的重要性——即在瞬态环境中，生理状态与主观感受之间存在时间差。然而，很少有研究将这一生理学现象明确地与模型特征设计联系起来。此外，综述通过分析发现，当模型输入特征数量超过5个时，预测精度的提升变得有限，甚至可能下降，这提示数据中可能存在信息冗余，而未来研究应考虑采用主成分分析或自编码器等降维技术。

观点三：在模型建立阶段，当前研究过于依赖有监督分类模型，且实验场景过于简化，未能充分应对真实世界的复杂性和瞬态热舒适预测的挑战。

该部分详细剖析了建模流程的各个环节。首先，在预测目标的选择上，最常用的是热感觉投票（Thermal Sensation Vote, TSV），其次是热舒适投票（Thermal Comfort Vote, TCV）和热偏好（Thermal Preference），多采用3点或7点离散量表。其次，在模型选择上，决策树类模型（特别是随机森林）和神经网络类模型（尤其是人工神经网络ANN）占据主导地位，因为它们具备强大的非线性映射能力。支持向量机（SVM）和K近邻（KNN）也较常见。然而，无监督学习模型（如隐马尔可夫模型）应用极少，尽管它们有潜力减少对用户主观反馈的依赖（缓解调查疲劳）。性能评估指标以分类准确率为主，辅以精确率和召回率。 综述揭示了当前研究在建模环节的几个关键局限： 1. 场景过于简单化：大多数研究在稳态、坐姿、单一季节的环境下进行，缺乏对真实环境中常见的瞬态场景（如温度快速变化）的考量。 2. 忽略时序依赖性：热舒适感知具有历史依赖性，但只有少数研究将历史生理数据作为特征，能处理时间序列的模型（如循环神经网络RNN）应用不足。 3. 超参数调优方法单一：对于进行超参数调优的研究，主要采用网格搜索等直接搜索方法，对于复杂模型，更先进的基于概率或梯度的调优方法应用不足。 4. 对“热感知错位”现象关注不够：尽管部分研究通过引入时序梯度特征间接捕捉了“时间性热感觉异常”，但几乎没有研究在建模中主动、明确地将这一重要生理心理现象纳入考量。这被认为是瞬态场景下模型预测误差高的重要原因之一。

观点四：误差来源贯穿整个模型开发链条，未来的研究需系统性地识别并解决各阶段的瓶颈，以实现模型的稳健性和可扩展性。

本文基于对现有文献局限性的分析，系统地总结了误差来源，并分为两个主要阶段： * 传感与预处理阶段：主要误差源包括实验场景单一（无法代表瞬态情况）、传感器精度不足、传感器部署不当（如受汗液、毛发干扰）、以及红外图像数据处理困难（依赖手动标注或RGB辅助）。 * 模型建立阶段：主要误差源源于对瞬态场景和特殊生理现象（如时间性热感觉异常）的建模能力不足、数据量小导致模型泛化性差、以及用户隐私和公开数据集缺乏等阻碍研究进展的非技术性问题。 针对这些误差，综述提出了相应的未来研究方向。例如，针对传感器漂移，建议采用背景校准法；针对瞬态场景预测差，建议开发更先进的时序模型（如长短期记忆网络LSTM或Transformer）；针对数据稀缺，呼吁建立并共享公开的生理热舒适数据集。本文强调，必须将热舒适预测视为一个系统工程，任何一个环节的疏漏都可能导致性能最佳的模型在现实世界中失效。

论文的意义与价值 本文的学术价值和实践指导意义重大。首先，它提出了一个全面、结构化的框架，首次将个人热舒适模型的开发分解为三个相互关联的阶段进行系统性评估，为领域内的研究者提供了清晰的“检视清单”和问题定位工具。其次，通过详尽的文献分析，它不仅总结了当前的技术现状和主流做法，更重要的是精准地指出了各阶段被忽视的关键问题（如传感器漂移、数据清洗缺失、对热感觉异常的忽视等）和潜在的性能瓶颈。最后，它基于对误差源的分析，指明了具有高度操作性的未来研究方向，包括关注传感器精度校正、深化特征工程与生理机理的联系、开发适用于瞬态场景的复杂模型、以及推动数据开源等。因此，这篇综述不仅是过去研究的总结，更是推动基于生理参数的个人热舒适预测技术从实验室走向实际、鲁棒部署的重要路标，对于促进个性化室内环境控制和建筑智慧节能具有重要的理论指导和应用参考价值。