一种非侵入式人体热舒适度多元预测系统及方法

1.本发明涉及一种非侵入式人体热舒适度多元预测方法，属于人体热舒适度预测与计算机视觉技术领域。


背景技术：

2.人体热舒适状态的实时预测对于提高建筑环境舒适度和建筑能源使用效率具有重要的现实意义和实际应用价值。采用非侵入方式实时判定人的热舒适状态，从而调节暖通空调系统的设定参数，不仅能够更好满足使用者的热舒适度，并且对于节省建筑运行能耗具有重要作用。
3.现有的热舒适预测方法主要分为预测投票模型法和传感器测量方法等。预测投票模型法(比如pmv模型)主要通过表征人体热反应的评价指标，评价同一环境下绝大多数人的感觉，不考虑个体差异，也不考虑个体的实时感受。该类模型对人群的热舒适度评估有参考意义，但与个体实际情况存在偏差；传感器测量方法又分为侵入式和非侵入式两种。侵入式方法主要通过测量人体实时的心率、脑电图和皮肤温度等生理数据与人体实际热舒适感觉建立预测模型。该方法需要人员皮肤接触传感器，数据采集不方便且对热舒适评价有主观影响；非侵入式方法引入计算机视觉等非侵入式测量技术，利用远程采集设备记录表征人体热适应的行为特征，并与热舒适感觉建立相关预测模型。中国专利号cn112303861a公开了一种基于人体热适应性行为的热舒适度预测方法。该方法通过监控人体行为姿态预测个人的热状态水平，虽然通过非侵入式方法解决了皮肤接触导致的数据采集不方便、主观影响大等问题，但人体热适应性动作并不能完全反映实际个人热舒适状态，导致热舒适预测精度难以保证；中国专利号cn114627539a公开了一种基于人脸红外热图像的热舒适度预测方法。该方法远程识别人脸热力图像，运用数据驱动模型，通过人脸热力图像预测人体热舒适度。然而，人体面部温度受心理和情绪等多重因素影响，仅依据面部的温度数据无法完全反映人体热舒适状态，预测精度同样无法保证。


技术实现要素：

4.针对上述现有技术在实际预测中存在的不足，本发明提出了一种非侵入式人体热舒适度多元预测方法及系统。该方法依据反映人体热舒适状态的多元信息，通过信息加权的方式预测人体热舒适度，与目前方法比较，该方法特点在于：1.集成三种反映人体热舒适度的预测方法，即预测投票法(pmv模型)、热适应动作预测法以及面部温度预测法。利用投票的方式建立热适应动作及面部温度与人体热舒适度之间的映射关系，并通过加权系数法获得人体的综合热舒适度评价，预测精度高；2.该方法中的动作采集和面部温度采集均无需人体接触，属于非侵入式预测方法。具有数据采集便利、对热舒适度的主观影响小等特点，适用场景广泛，实际应用价值大。
5.本发明系统采用如下技术方案：一种非侵入式人体热舒适度多元预测系统，包括基于热适应性动作的热舒适度预测模块、基于人体面部多区域温度的热舒适度预测模块、
环境温度主导的pmv评价模块以及多元人体舒适度概率模型；
6.所述基于热适应性动作的热舒适度预测模块通过采集人体热适应性动作实现热舒适度评价；
7.所述基于人体面部多区域温度的热舒适度预测模块通过采集人体面部的热图像实现热舒适度评价；
8.所述环境温度主导的pmv评价模块通过采集人体周边环境温度实现热舒适度评价；
9.所述多元人体舒适度概率模型将上述三种模块进行多元融合实现热舒适度评价。
10.本发明的一种非侵入式人体热舒适度多元预测方法的技术方案包括以下步骤：通过基于热适应性动作的热舒适度预测模块采集人体热适应性动作实现热舒适度评价，通过基于人体面部多区域温度的热舒适度预测模块采集人体面部的热图像实现热舒适度评价，通过环境温度主导的pmv评价模块采集人体周边环境温度实现热舒适度评价，最后将多元人体舒适度概率模型和上述三种模块多元融合实现热舒适度评价。
11.进一步，基于热适应性动作的热舒适度预测模块的建立流程包括以下步骤：
12.3.1定义人体热适应性动作类别；
13.3.2利用深度相机采集热适应性动作的骨骼轨迹数据，建立热适应性动作数据库；
14.3.3建立热适应性动作识别模型；
15.3.4采用调查问卷方式将热适应性动作映射到主观热感觉等级上；调查问卷的具体内容为询问受试者对热适应性动作的主观热感觉；具体按热/冷适应性动作分为“舒适”、“有点暖”、“有点凉”、“暖”、“凉”、“热”、“冷”共七个热感觉等级；问卷可采用线上形式，采集不小于200份；通过采集的问卷结果获得每类动作的对应热感等级，以及每一类动作对应热感的投票概率p
thermal1
；
16.3.5输出基于热适应性动作的热感预测结果及概率；将实时采集的动作样本输入步骤3.3所述热适应性动作识别模型中，获得动作类别的预测结果及概率p
action
，再依据步骤3.4中调查问卷中该动作对应的热感投票等级，输出此动作相应的热感等级预测值l1及热感预测概率p
action
×
p
thermal1
。
17.进一步，人体热适应性动作类别具体包括：动作1擦汗、动作2用物体扇风、动作3抖动衣领、动作4脱外套、动作5穿外套、动作6环保双臂、动作7搓手、动作8对手哈气。
18.进一步，所述动作数据库不少于30人次
×
8个动作，从相机面对人员的三种角度(0
°
、-45
°
、45
°
)和三种距离(1.5m、2.5m、3.5m)采集上述动作的骨骼数据集，单个动作的时长为3～9秒，帧数范围为90～270帧，每一帧内包含25个骨骼点的三维坐标值。
19.进一步，建立热适应性动作识别模型主要步骤包括：
20.1)骨骼数据预处理：将关节点的三维坐标数据转化为以脊椎底部为中心；对骨节长度进行标准化处理，统一样本内每一根骨节长度；遍历每一帧内锁骨中心和脊椎底部之间的距离，设立阈值t1对每一个样本中的异常帧进行剔除；
21.2)关键帧提取：计算左肩膀5、左手肘6、左手腕7、右肩膀9、右手肘10、右手腕11这6个关节点随着帧数递增在空间内所变化距离的累计值之和sum，设立阈值t2，每当sum》t2时重置sum值，并且将累计到此刻的帧数保留，从而提取出所有关键帧；
22.3)时空特征提取：在每一帧中分别计算如步骤2)中所述的6个关节点到脊椎底部
的距离值s＝[s5,s6,s7,s9,s
10
,s
11
]，引入样本中头部到脊椎底部距离值s0来消除身高因素造成的数据差异，计算公式为：
[0023][0024]
通过计算获取标准距离值的集合：计算上述6个关节点在前后两帧变化的时序向量：
[0025][0026]
从而构建出一帧中的时序向量集合[β5，β6β7，β9，β
10
，β
11
]；将上述两部分集合融合可以获得每一帧的特征集合最终生成时空特征矩阵f＝{f1,f2…fn-1
,fn}，n表示关键帧的数量；
[0027]
4)构建热适应性动作识别模型：识别模型采用双向长短记忆神经网络(bi-lstm)，利用步骤3.2获得的数据集按比例划分，80％作为训练集，20％作为测试集，用以模型训练和参数调节，从而构建热适应性动作识别模型。
[0028]
进一步，基于人体面部多区域温度的热舒适度预测模块的建立流程包括以下步骤：
[0029]
7.1设置相机位置和面部采集区域，架设热成像相机位置：应正对人员面部(-45
°
～45
°
)，距离约1.5m～3m。选择人体面部多个温度采集区域：包括额头、左眼、右眼、左脸颊、右脸颊、嘴巴、鼻子和下巴共8个区域；
[0030]
7.2面部多区域温度数据集采样，按步骤7.1设置相机位置和采集区域；从以2℃为间隔逐次调节室温，使人员依次经历热不适状态-舒适状态-冷不适状态；每次调温后，人员先静坐15～20分钟以达到身体稳态，之后利用热成像相机拍摄面部5张静态热成像图并保存。数据集至少需要20人以上的面部温度数据；
[0031]
7.3面部温度数据预处理，分别提取5张热成像图中面部8个区域的温度数值，计算其算术均值作为面部8个区域的温度值。对8个数值作归一化处理，映射到(-1，1)中，构成特征向量t＝[t1,t2,t3,t4,t5,t6,t7,t8]；
[0032]
7.4采用调查问卷将面部温度关联到主观热感觉等级上，调查问卷与步骤7.2所述面部温度数据采集同时进行，问卷填写的内容包括：人员的姓名、性别、身高、体重及年龄，当下室温下人员实际热感觉以及对应的等级；根据问卷的结果可以得到不同面部温度对应的热感觉等级及其投票概率p
thermal2
；
[0033]
7.5建立面部多区域温度的热舒适度预测模型；
[0034]
7.6输出基于面部温度的热感预测结果及概率，将实时采集的面部温度数据输入步骤7.5所述svm模型，得到基于面部温度的热感预测结果为l2及热感预测概率p
face
×
p
thermal2
，模型的预测精度为p
face
。
[0035]
进一步，所述面部多区域温度的热舒适度预测模型采用支持向量机svm模型，模型输入为步骤3.3所述向量t，输出为步骤3.4所述热感觉等级投票结果，面部温度数据经预处理后进行训练集划分：80％作为训练集，20％作为测试集，训练svm模型并对关键参数进行调节，包括：惩罚因子、核函数、gamma值，将测试集数据输入到上述svm预测模型中，得到模型的预测精度为p
face
。
[0036]
进一步，环境温度主导的pmv评价模块建立步骤包括：
[0037]
9.1利用温度传感器实时获取室内环境温度值；
[0038]
9.2利用pmv公式对室内热舒适度进行估计，公式如下：
[0039]
pmv＝[0.303exp(-0.036m)+0.028]tl
ꢀꢀꢀꢀ
(3)
[0040]
其中pmv为基于pmv评价模块得到的热感等级预测值l3，tl定义为人体产热量与人体向外界三处的热量之间的差值，tl的计算公式为：
[0041]
tl＝m-w-3.96
×
10-8fcl
[(t
cl
+273.15)
4-(tr+273.15)4]-f
cl
hc(t
cl-t)-3.05
×
10-3
×
[5733-6.99(m-w)-pa]-0.42(m-w-58.15)-1.7
×
10-5
[5876-pa]-0.0014m(34-t)
ꢀꢀ
(4)式中m为新陈代谢量，w/m2；w为人输出的外功，w/m2；f
cl
为着衣体表面与裸体表面之比，w/m2；t为环境温度，℃；t
cl
为衣服外表面的温度，℃；tr为平均辐射温度，℃；hc为衣着与空气之间的表面换热系数，w/m2；pa为水蒸气分压力,pa；其中，f
cl
、t
cl
和hc可根据下列公式计算：
[0042]fcl
＝1.05+0.645i
cl
(i
cl
≥0.078)
ꢀꢀ
(5)
[0043]fcl
＝1+1.29i
cl
(i
cl
《0.078)
ꢀꢀꢀꢀꢀꢀ
(6)
[0044]
t
cl
＝35.7-0.028(m-w)-i
cl
{3.96
×
10-8fcl
[(t
cl
+273.15)
4-(tr+273.15)4]+f
cl
hc(t
cl-t)}
ꢀꢀ
(7)
[0045]
hc＝2.38
×
(t
cl-t)
0.25
(2.38(t
cl-t)
0.25
≥12.1u
0.5
)
ꢀꢀ
(8)
[0046]
式中，i
cl
是衣服热阻值，m2·
℃/w；u为空气流速，m/s；
[0047]
根据测量的室内环境温度和人体基础代谢水平对pmv公式的其他参数进行人工估计，需要估计的参数包括：人体新陈代谢量、人体输出外功、衣表温度、平均辐射温度、衣着与空气间表面换热系数、水蒸气分压力、衣服热阻和空气流速。
[0048]
进一步，所述多元人体舒适度概率模型建立步骤包括：
[0049]
所述基于热适应性动作的热舒适度预测模块评价结果的权值为α1，其计算公式为：
[0050][0051]
基于基于人体面部多区域温度的热舒适度预测模块评价结果的权值为α2，其计算公式为：
[0052][0053]
基于环境温度主导的pmv评价模块评价结果的权值为α3，其计算公式为：
[0054]
α3＝1-α
1-α2ꢀꢀꢀꢀ
(11)
[0055]
将三个不同预测结果按权相加得到l
total
，计算公式为：
[0056]
l
total
＝l1×
α1+l2×
α2+l3×
α3ꢀꢀꢀ
(12)
[0057]
式中l3为环境温度主导的pmv计算结果。
[0058]
与现有技术相比，本发明的优势为：
[0059]
一、人员无需与传感器皮肤接触和行为限制，仅利用相机进行人体空间三维信息和图像的远程采集，热感主观影响小；
[0060]
二、预测结果准确。本发明综合考虑三个预测模块的预测结果，通过预测精度和投票概率引入权值，实现模块之间的特性互补，提高了预测精度。
[0061]
三、预测鲁棒性高。由公式(12)可知，当前两种热感预测精度不佳时，本发明方法
将退化为基于pmv的基本热感评价法，提高了预测鲁棒性。
附图说明
[0062]
图1：本发明系统框架图
[0063]
图2：本发明行为预测模块骨骼关节点分布示意图
[0064]
图3：本发明行为预测模块八类动作关键帧示意图
[0065]
图4：热适应动作调查问卷样张
[0066]
图5：面部温度热成像图
[0067]
图6：面部温度热感调查问卷样张
具体实施方式
[0068]
以下结合附图与实施例对本发明作具体的说明。
[0069]
需要注意的是，本实施例旨在对本发明做具体说明，并非限制本发明实际实施的方式，包括设备的产品选择、特征的提取、算法的应用并非局限于本实施例。
[0070]
根据图1本实施例分为三部分和结果计算模块，包括：第一部分是基于热适应性动作的热舒适度预测模块：定义热适应性动作类别、开展调查问卷、建立热适应性动作数据库、构建热适应性行为识别模型、输入实时动作数据、预测热感结果；第二部分是基于人体面部多区域温度的热舒适度预测模块：采集面部温度数据、开展调查问卷、构建面部温度数据驱动识别模型，输入实时温度数据、预测热感结果；第三部分环境温度主导的pmv评价模块：设置环境数据测量设备、获得环境温度数值、代入公式计算热感结果。
[0071]
上述基于热适应性动作的热舒适度预测模块使用的硬件设备为一台能够采集人体骨骼数据的双目深度相机，和计算机相连通过采集人体热适应性动作实现热舒适度评价；所述基于人体面部多区域温度的热舒适度预测模块使用的硬件设备为一台热成像相机，和计算机相连通过采集人体面部的热图像实现热舒适度评价；所述环境温度主导的pmv评价模块使用的硬件设备为环境温度传感器，和计算机相连通过采集人体周边环境温度实现热舒适度评价；所述多元人体舒适度概率模型为计算机程序设定的模型，将上述三种模块进行多元融合实现热舒适度评价。
[0072]
以下是更具体分部分细化说明：
[0073]
第一部分是基于热适应性动作的热舒适度预测模块。
[0074]
本部分硬件是基于微软的kinect v2相机，通过其深度检测与骨骼追踪功能可以获取人员的深度信息从而构造出用户的骨骼图，并且构建以相机为坐标中心的三维坐标系，得到人体每个关节点的三维坐标。骨骼图中共包含人体25个关节点(详见图2)。
[0075]
1.定义热相关动作类别：作当人感受到冷或热的情况下，通常会有各类的行为表现，因此根据行为对热舒适度进行预测具有可行性。基于热舒适理论，本实施例定义了与人体冷热感相关的8类动作，包括：动作1擦汗、动作2用物体扇风、动作3抖动衣领、动作4脱外套、动作5穿外套、动作6环保双臂、动作7搓手、动作8对手哈气上述动作示意图如图3所示。
[0076]
2.建立热适应性动作数据库：本部分通过设计实验，征集了30名志愿者，从相机的三种角度(0、-45、45。)和三种距离(1.5m、2.5m、3.5m)采集包含上述八类动作的数据集，每个动作的时长3～9秒，帧数90～270，每一帧内包含25个骨骼点的三维坐标值。
[0077]
3.构建热适应性动作识别模型：一个动作所采集的骨骼数据十分密集，且前后帧动作变化极小，易产生冗余的数据，不利于提取关键特征。除此之外，在骨骼数据的采集过程中，衣物与背景的颜色深度会对骨骼点的识别存在影响，导致部分数据关节点位置在前后帧出现跳动或者偏差。基于以上因素，需要对骨骼数据进行预处理，并进行特征提取，具体包括：
[0078]
1)为了方便数据的处理和计算，将骨骼三维数据转化为以脊椎底部(关节点1)为中心的坐标值。
[0079]
2)对为了减少身高与体型的差异带来的干扰，需要对骨节长度进行标准化：遍历每一帧，求出所有帧内各个骨节长度的均值作为标准长度，统一每一帧内所有骨节的长度。
[0080]
3)选取锁骨中心(关节点21)和脊椎底部(关节点1)两个关节点，遍历每一帧前后这两个点变化的距离，设立阈值t1＝0.3，当两个距离值之和大于t1时，剔除后一帧并保留当前帧；下一步选取能够反应动作核心变化趋势的6个关节点(包括：左肩膀5、左手肘6、左手腕7、右肩膀9、右手肘10、右手腕11)，遍历每一个关节点前后的变化距离。d
t
表示在第t帧和第t+1帧之间6个关节点变化距离值之和；将第一帧作为第一个关键帧索引，将每次计算的d值累加至总值sum，设置阈值t2＝0.8,当sum大于阈值t2时，重置sum值，t+1帧作为下一个关键帧的索引，再重复上述处理。最终经过筛选提取了所有关键帧。
[0081]
4)分别计算上述6个关节点到脊椎底部(关节点1)的距离，构成集合s＝[s5,s6,s7,s9,s
10
,s
11
]；引入长度s0(关节点4到关节点1的距离)用于去除因身高不同造成的距离特征差异；计算出标准距离值：
[0082][0083]
其中，i代表关节点的标号，表示关节点i到脊椎底部的标准距离值。
[0084]
关节点i在第t帧到第t+1帧的时间向量表示为：
[0085][0086]
其中，表示关节点i在第t帧的三维坐标向量。
[0087]
每一个索引的关键帧可以构建出特征向量：
[0088][0089]
最终生成时空特征矩阵f＝{f1,f2…fn-1
,fn},n表示关键帧的总数。
[0090]
5)训练模型并设置参数：将所构建数据集划分，80％作为训练集，20％作为测试集，输入到双向长短记忆神经网络(bi-lstm)中训练建立热适应性行为识别模型。模型参数设置如下：学习率设置为0.5、隐藏层单元数设置为200、最小训练批量设置为100。
[0091]
4.开展调查问卷：将热适应动作映射到主观热感觉等级上。调查问卷的具体内容为询问受试者对2.1节所述八个热适应性动作的主观热感觉。具体按热/冷适应性动作分为“舒适”、“有点暖”、“有点凉”、“暖”、“凉”、“热”、“冷”共七个热感觉等级(问卷样式见图4)。。本部分调查问卷形式采用线上问卷形式，共采集200份问卷，问卷通过采集的问卷结果获得每类动作的对应热感。各动作类别对应热感觉等级结果如表1所示。
[0092]
表1
[0093][0094][0095]
问卷的填写说明如下：
[0096]
1)本问卷针对的是与人体冷热感相关的部分动作，目的在于调研每个动作反应冷热感的具体程度。
[0097]
2)动作的场景是“当你在室内学习或者娱乐的时候”。
[0098]
3)动作不具有目的性，默认为下意识动作。
[0099]
4)所有动作已经做出了冷热范畴的判断，所以选项类别具有针对性，例如：“擦汗”只存在“微暖”“暖”“热”等选项，而不会出现“冷”、“凉”相关选择。
[0100]
5.在相机实时采集到人员的骨骼数据后生成上述特征矩阵，将其输入到识别模型中，获得动作类别的预测结果(动作识别精度为p
action
)，再根据2.所述调查问卷中此动作对应热感投票等级的概率值p
thermal1
，输出此动作相应的热感等级预测值l1。本部分依据精度将权值设置为α1，计算过程为：
[0101][0102]
第二部分是基于人体面部多区域温度的热舒适度预测模块。
[0103]
本部分硬件是基于巨哥电子mag32红外热像仪，可以有效地实时拍摄人体的热成像图，并且对于测温对象的温度数据可以进行存储。
[0104]
1.设置相机位置和面部采集区域：架设热成像相机位置为正对人员面部(-45
°
～45
°
)，距离约1.5m～3m。选择人体面部多个温度采集区域：包括额头、左眼、右眼、左脸颊、右脸颊、嘴巴、鼻子和下巴共8个区域(详见图5)；
[0105]
2.面部多区域温度数据集采集：本部分的预测模块通过设计实验，在室内不同环境温度下采集如1.所述的8个面部区域的温度数据；室内温度从31℃调节至19℃，并以2℃为间隔逐次调节室温，使人员依次经历热不适状态-舒适状态-冷不适状态；每次调温后，人员先静坐15～20分钟以达到身体稳态，之后利用热成像相机拍摄面部5张静态热成像图并保存。本部分实验温度区间仅包含了夏季室内所能达到的温度，可以通过气候温度与havc暖通空调实现。需要注意的是在每一次采集数据前人员需在恒定温度下等待15～20分钟，目的是为了让人体达到稳态，再而获取人体稳定的面部温度数据从而减少误差；
[0106]
3.面部温度数据预处理：每一次采集数据的过程会采集5张面部静态的热成像图，提取每张图像的8个区域的温度数值，计算其算术均值作为面部8个区域的温度值数据值；对8个数据作归一化处理，映射到(-1，1)中，构成特征向量t＝[t1,t2,t3,t4,t5,t6,t7,t8]
[0107]
4.热感调查问卷：实验中每一次采集数据均通过实时的调查问卷来确认人员的主观热感觉等级，并且在2.所述的温度区间(31℃至19℃)内进行实验基本涵盖了受试人员的所有热感觉等级，即-3～3共7类热舒适感类别，证明了面部数据的有效性。面部温度的调查问卷样式如图6所示。根据问卷的结果可以得到不同面部温度对应的热感觉等级及其投票概率(p
thermal2
)。
[0108]
5.构建面部多区域温度的热舒预测模型：预测模型采用支持向量机(svm)模型。模型的输入为3.所述特征向量t，输出为4.所述热感等级结果。将采集的面部温度数据集预处理后进行划分：80％作为训练集，20％作为测试集，从而训练模型并对模型参数进行调节。模型参数设置如下：惩罚因子设置为1.3、核函数设置rbf高斯核、gamma值设置为2.6。
[0109]
6.输出基于面部温度的热感预测结果及概率。将实时采集的面部温度数据输入3.5节所述svm模型，得到基于面部温度的热感预测结果为l2；此结果在模型中的识别精度值为p
face
，而根据调查问卷中对应热感投票等级的概率值p
thremal2
，将本部分权值设置为α2，计算过程为：
[0110][0111]
第三部分是环境温度主导的pmv评价模块。
[0112]
本部分硬件设备采用环境温度传感器，通过传感器获取室内实时温度数值。
[0113]
预测平均投票模型pmv(predicted mean vote)是一项表征人体热反应的评价指标，代表了同一环境下绝大多数人的感觉，不考虑个体差异，也不考虑个人属性的实时测量。由于本实施例进行实验与预测的环境处于室内，所以针对pmv指标公式中的绝大部分数值均可设为一般值。pmv的计算公式为：
[0114]
pmv＝[0.303exp(-0.036m)+0.028]tl
ꢀꢀ
(5)
[0115]
其中tl定义为人体产热量与人体向外界三处的热量之间的差值，tl的计算公式为：
[0116]
tl＝m-w-3.96
×
10-8fcl
[(t
cl
+273.15)
4-(tr+273.15)4]-f
cl
hc(t
cl-t)-3.05
×
10-3
×
[5733-6.99(m-w)-pa]-0.42(m-w-58.15)-1.7
×
10-5
[5876-pa]-0.0014m(34-t)
[0117]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0118]
式中m为新陈代谢率，w/m2；w为人输出的外功，w/m2；f
cl
为着衣体表面与裸体表面之比，w/m2；t为环境温度，℃；t
cl
为衣服外表面的温度，℃；tr为平均辐射温度，℃；hc为衣着与空气之间的表面换热系数，w/m2；pa为水蒸气分压力,pa。
[0119]
其中f
cl
，t
cl
和hc可根据下列公式计算：
[0120]fcl
＝1.05+0.645i
cl
(i
cl
≥0.078)
ꢀꢀ
(7)
[0121]fcl
＝1+1.29i
cl
(i
cl
《0.078)
ꢀꢀ
(8)
[0122]
t
cl
＝35.7-0.028(m-w)-i
cl
{3.96
×
10-8fcl
[(t
cl
+273.15)
4-(tr+273.15)4]+f
cl
hc(t
cl-t)}
ꢀꢀ
(9)
[0123]
hc＝2.38
×
(t
cl-t)
0.25
(2.38(t
cl-t)
0.25
≥12.1u
0.5
)
ꢀꢀ
(10)
[0124]
式中，i
cl
是衣服热阻值，m2·
℃/w；u为空气流速，m/s。
[0125]
本部分鉴于室内情况将除了环境温度外的其他数据取实验场景坐姿状态下的一般值：人体新陈代谢率m取坐姿状态的基准值1met；人体输出外功取正常活动的基准值70w/m2；服装热阻值i
cl
取0.5m2·
℃/w；空气湿度取50％；风速取办公室内标准值3m/s；衣服外表面温度与辐射温度直接取环境温度值；水蒸气分压力取700pa(其余数值可通过上述数值计算获得)。计算结果仅通过环境温度主导，将实时的环境温度值代入公式中进行计算得出pmv的结果值l3；本部分权值设置为α3，计算方法为：
[0126]
α3＝1-α
1-α2ꢀꢀꢀꢀꢀ
(11)
[0127]
上述内容已将三部分预测模块进行了详细说明，以下是三部分结果融合的计算方式(即多元人体舒适度概率模型)：
[0128]
l
total
＝l1×
α1+l2×
α2+l3×
α3ꢀꢀꢀꢀꢀꢀꢀ
(12)
[0129]
对于三部分权值的计算方式作以下说明，在本发明的整个系统中，第一部分行为预测模块与第二部分面部温度数据驱动预测模块拥有实验支撑的基础，因此权重理应给予较高分配，而第三部分鉴于影响因素过多，本模块仅通过环境温度主导计算结果，或出现误差，因此给予相对较小的权重；权重分配采用总分值分配的方法，第一部分赋权α1，第二部分赋权α2，根据实际考虑可知α1+α2的值趋于1，因此设置总权重分值为1，通过前两者的权重值来计算出α3的值，即用1减去前两项权重之和，再而分别与对应结果相乘最后相加。
[0130]
在得出最后的l
total
值之后进行实际预测的热感觉判定，通过计算可知l
total
∈[-3,3],具体区间对应热感结果判定如表2所示。
[0131]
表2
[0132][0133]
在没有温度数据支撑时，仅从人体行为姿态进行热舒适度的预测或存在一定误差，原因是人体的部分动作具有相似性，例如当人进行揉眼睛、捋头发等动作时，预测模型将有极大可能性将此类动作与同样具有抬手动作趋势的擦汗动作相联系，从而导致识别误差。
[0134]
同样，单一地从人体的温度数据预测热舒适状态也缺少对实际准确度的考虑，例如：人体的面部温度值并非仅受周围环境温度或是人体活动状态的影响，有时候当人处于紧张、不安和兴奋等情绪状态时，面部的温度值也会产生波动。
[0135]
综上所述，本实施例综合了对热舒适度预测具有实际意义的三类方法，包括：人体
的姿态行为预测法、人体面部实时温度数据预测法及pmv公式评价方法，对三类预测模块的结果进行合理的权值分配，在有数据支撑的第一、第二部分上结合概率值赋予相对相应权重，再由前两者计算出第三部分权重，这使三部分相互之间具有了互补性，且三者都满足非侵入式的条件，使整体系统具有了方便性与可行性。
[0136]
以上仅为本发明的实施例，并不用于限制本发明，对于本发明中的具体细节来说可以进行不同的考虑和更改，包括神经网络模型的选择，特征的提取方法、权值的分配方法等。凡是在本发明的结构与原则之内，任何修改、等同替换、改进等，皆包含在本发明的保护范围之内。