宾夕法尼亚州立大学研究采用轻松连WS1开展个体化热偏好室内微环境监测
研究概览
| 论文标题 | Exploring an occupant-involved closed-loop wearable sensing system and online tuning for individualized thermal preference |
| 发布机构 | KeAi Communications Co. Ltd.; publishing services by Elsevier |
| 发布期刊 | Energy and Built Environment |
| 发布时间 | 2025 年 2 月在线发表；刊载于 2026 年第 7 卷，588–601 页 |
| 作者/机构 | Yanxiao Feng，新泽西理工学院；Julian Wang、Neda Ghaeili、Esther Adhiambo Obonyo、Gregory Pavlak，宾夕法尼亚州立大学；Ying-Ling Jao，宾夕法尼亚州立大学 Ross and Carol Nese College of Nursing |
| 轻松连产品 | 轻松连 WS1 无线智能传感器 |
| 数据收集 | 受试者周围室内微环境空气温度、相对湿度和光照水平 |
| 采样频率 | 论文未明确说明轻松连原始记录间隔。用于告警触发时，服务器比较连续两个 4 分钟时间段的变量平均值变化。 |
| 研究周期 | Phase I 数据采集于 2021 年 5 月和 6 月进行；Phase II 在一个月后进行。Phase I 对 Subject A 持续约 3 周，对 Subject B 持续约 4 周；Phase II 对两名受试者均持续约 2 周。 |
| 应用场景 | 个体化热舒适监测、热偏好预测、人参与闭环智能建筑控制、室内微环境感知、可穿戴传感、在线模型调优 |
| 原文链接 | https://doi.org/10.1016/j.enbenv.2025.02.001 |
研究背景：这项研究解决什么问题？
不同人的热舒适需求并不相同。即使处于同一个室内空间，两名使用者也可能对温度有完全不同的感受和偏好。传统建筑控制通常依赖房间温度、统一设定点或通用热舒适标准，这种方式难以反映个体差异，也限制了真正以人为中心的智能建筑控制。
近年来，研究人员开始使用可穿戴设备、物联网传感器和机器学习模型建立个体化热舒适模型。但这类研究面临一个关键问题：如何高效采集足够多、质量足够高的个体数据。传统做法通常按照固定时间间隔要求受试者填写热舒适问卷，例如每 15 分钟或每 30 分钟一次。这种方式容易打扰使用者，也可能采集大量重复数据，降低数据采集效率。
这项研究关注的正是个体化热舒适数据采集复杂、效率低、用户负担高的问题。研究团队提出了一个人参与闭环系统，将室内环境传感、可穿戴生理传感、手机问卷、网页服务器、告警式反馈请求和在线阈值调优结合起来。
轻松连 WS1 无线智能传感器在系统中负责采集受试者周围真实室内环境数据。这些数据与 E4 wristband 采集的生理数据，以及手机应用收集的热偏好反馈共同用于模型训练。研究目标是验证：在线阈值调优能否减少所需问卷数据量，同时保持或提升个体化热偏好预测模型的性能。
轻松连 WS1 通过无线 Wi-Fi 直接接入物联网大数据云平台，实时采集、监测并上传温度、湿度、光照等多重传感器数据，并可在手机、平板、电脑等多终端进行访问使用。
轻松连在研究中的具体作用
在这项研究中，轻松连 WS1 无线智能传感器被用作便携式室内环境传感设备，属于个体化数据采集系统的一部分。论文并不是说 轻松连单独预测了热偏好，也不是说 轻松连证明了闭环模型有效。轻松连的作用是采集每名受试者周围微环境数据，这些数据被用于告警触发、特征分析、阈值调优和个体化模型训练。
整个系统包括三类主要数据采集组件：WS1 无线智能传感器负责环境传感，E4 wristband 负责生理传感，手机应用负责热舒适和热偏好问卷反馈。网页服务器通过无线通信接收并存储传感器和问卷数据，所有数据都带有时间戳。
WS1 无线智能传感器被放置在受试者日常活动位置附近。论文中的实验布置图显示，传感器位于受试者附近，用于测量其所处局部环境。两名受试者不是在环境舱中，而是在自己的居住环境中参与实验。他们可以自行调整空调设定温度、开启或关闭风扇，也可以开窗进行自然通风。在这种真实使用场景下，轻松连测量的是受试者周围微环境，而不是单纯的房间固定点温度。
WS1 无线智能传感器采集了三类环境变量：空气温度、相对湿度和光照水平。论文报告其测量精度为：温度 ±0.3 °C、相对湿度 ±3%、光照 ±2%。设备的 物联网 平台支持与研究团队网页服务器进行数据共享和同步。
轻松连数据在研究中主要有三个用途。
第一，作为个体化热偏好模型的候选预测变量。空气温度、相对湿度和光照水平与服装热阻、腕部皮肤温度、皮肤电活动、心率和加速度等变量共同进入模型。
第二，用于告警式问卷触发。网页服务器监测各预测变量的变化，当某个变量变化超过预设阈值时，通过手机应用触发问卷提醒。环境变量中的空气温度、相对湿度和光照水平均设置了相应阈值范围。
第三，用于 Phase II 的在线阈值调优。研究团队根据每个 mini-batch 模型的特征重要性，识别对个体热偏好预测更关键的变量。如果某个重要环境变量，例如空气温度或相对湿度，在告警触发中出现过少，就降低该变量阈值，使下一批数据更容易捕捉到相关变化。
因此，轻松连在该研究中的核心作用是室内微环境监测和数据支撑。它提供真实、带时间戳的环境数据，帮助系统判断何时请求用户反馈、如何调节阈值，以及如何训练个体化热偏好预测模型。
研究方法和数据采集方式
研究采用两阶段实验设计，共有两名受试者参与：一名女性和一名男性，均为 30 岁左右的健康成年人。实验方案获得宾夕法尼亚州立大学 Institutional Review Board 审批。
数据采集系统由WS1 无线智能传感器、E4 wristband、手机应用和网页服务器组成。WS1 无线智能传感器采集空气温度、相对湿度和光照水平。E4 wristband 采集生理和活动信号，包括心率、腕部皮肤电导、腕部皮肤温度和加速度。手机应用采集主观热感觉和热偏好反馈。
热感觉采用五点量表，包括 Cold、Cool、Neutral、Warm 和 Hot。热偏好采用三点量表，包括 Want warmer、No change 和 Want cooler。研究还同步记录服装信息，并根据 ASHRAE 55 转换为服装热阻值。
Phase I 用于建立基线模型，采用固定告警阈值。数据采集发生在 2021 年 5 月和 6 月。停止标准包括：每名受试者至少 300 个数据点、至少 14 天测量时长，以及整体预测准确率不低于 90%。Phase I 最终为每名受试者采集 302 个数据点，Subject A 持续约 3 周，Subject B 持续约 4 周。
Phase II 在一个月后由同样两名受试者继续参与。该阶段引入在线阈值调优和 mini-batch 建模。研究以 32 个数据点为一个 batch。每完成一个 batch，系统就检查模型表现和特征重要性，并根据结果调整关键变量的阈值。Phase II 每名受试者最终采集 160 个数据点，持续约 2 周。
模型方面，研究团队测试了多种分类算法，包括线性判别分析、支持向量机、k 近邻、随机森林、分类树、朴素贝叶斯和 XGBoost。最终比较中，两名受试者均采用 ranger 模型，即一种高效随机森林实现。模型性能通过整体准确率、交叉验证准确率、平衡准确率和 AUC 进行评估。
主要研究发现
Phase I 的基线模型取得了较高整体准确率，但需要更多数据。每名受试者采集 302 个数据点后，ranger 模型对 Subject A 的整体准确率为 94.14%，对 Subject B 为 94.96%。但交叉验证准确率相对较低，Subject A 为 79.14%，Subject B 为 69.04%。
Phase I 中触发告警的主要变量包括皮肤电活动、光照水平、心率和皮肤温度。轻松连采集的光照水平、空气温度和湿度作为候选环境变量进入模型和告警逻辑。
Phase II 的在线调优显著减少了所需数据量。优化后的 mini-batch 模型大约只需要 96 个数据点，就能达到与基线模型相近的整体准确率。与 Phase I 相比，在达到相似整体准确率时，Subject A 所需数据量减少约 12.8%，Subject B 减少约 36%。
如果考虑交叉验证准确率，Phase II 所需数据量也少于 Phase I。Subject A 的数据量减少约 20.0%，Subject B 减少约 27.3%。
在相同输入数据量，即 160 个数据点条件下，Phase II 优化模型的整体准确率比 Phase I 基线模型略高，提升约 1% 至 2%。更重要的是，交叉验证准确率提升更明显：Subject A 提升 5.5%，Subject B 提升 25%。
特征重要性分析显示，皮肤电活动、皮肤温度和环境空气温度是两名受试者模型中的关键变量。光照水平也具有一定重要性，但其与热偏好之间的关系因人而异。
研究结论认为，基于特征重要性的在线阈值调优可以降低用户反馈负担，提高数据采集效率，并支持更自适应的个体化热偏好建模。
这对个体化热舒适监测意味着什么？
这项研究说明，个体化热舒适研究可以从固定间隔问卷转向更智能的告警式数据采集。系统不必机械地频繁询问受试者，而是可以监测生理和环境变量变化，并在出现有意义变化时请求反馈。
对于智能建筑而言，这一点很重要。以人为中心的建筑控制需要可靠的个体舒适数据。如果系统能够减少问卷次数、降低打扰程度，就更适合长期使用。随着个体模型持续更新，未来建筑控制系统有机会更精准地响应使用者的真实舒适需求。
对于室内环境监测而言，研究强调了环境数据与生理数据融合的重要性。轻松连WS1 采集受试者周围空气温度、相对湿度和光照水平，E4 wristband 则记录人体生理响应。两类数据结合，可以更完整地描述人和室内环境之间的交互。
对于医疗机构、养老设施和病房，该方法也有潜在价值。论文指出，这类框架可用于长期监测室内舒适状态，并在舒适相关条件异常时向护理人员发送提醒。
WS1 无线智能传感器体现出的应用价值
在这项人参与闭环热舒适研究中，WS1 无线智能传感器体现出的价值主要是作为便携式微环境传感设备。
首先，WS1 无线智能传感器提供了受试者周围真实室内环境数据。研究没有只依赖温控器设定值或房间平均温度，而是采集靠近使用者的微环境数据。
第二，WS1 无线智能传感器支持多模态数据融合。空气温度、湿度和光照数据与可穿戴生理信号、服装信息和主观问卷反馈共同用于建模。
第三，WS1 无线智能传感器数据支持告警式反馈采集。网页服务器根据环境变量变化判断是否触发手机问卷，从而减少固定间隔问卷带来的打扰和重复数据。
第四，WS1 无线智能传感器环境数据参与在线阈值调优。Phase II 中，如果某个环境变量被模型判定为重要但触发次数不足，系统可以降低其阈值，以便下一轮采集更多有价值的数据。
第五，轻松连的物联网云平台数据共享能力支持与网页服务器同步，使其适合自动化数据采集和长期监测工作流。
总体来看，轻松连在这篇论文中的价值不是单独预测舒适度，而是提供可靠、连续、可同步的室内微环境数据，将人体生理响应、主观热偏好、在线模型调优和智能建筑控制连接起来。
可延伸应用场景
基于该研究中的应用方式，轻松连WS1 可延伸到以下场景：
- 智能建筑舒适控制：用于采集使用者周围环境数据，支持个体化 HVAC 控制。
- 医疗与养老设施舒适监测：用于监测患者、住户或老年人周围的室内舒适环境。
- 办公室热偏好建模：用于开放办公空间、共享办公和灵活工位中的个体或群体舒适模型建立。
- 长期室内环境监测：用于记录有人环境中的温度、湿度和光照变化。
- 人与建筑交互研究：用于分析使用者如何感知和响应室内环境变化。
- 可穿戴与环境数据融合：可与智能手环、智能手表或生理传感器结合，建模舒适、压力或活动状态。
- 节能型以人为中心控制：支持在舒适需求和建筑能耗之间进行平衡的 HVAC 策略。
- 自适应问卷系统：用于在环境或生理变量出现有意义变化时触发反馈请求，而不是固定频率打扰用户。
FAQ
1. 这项研究使用了哪款轻松连产品？
研究使用了便携式轻松连WS1 无线智能传感器。
2. 轻松连 WS1 采集了哪些数据？
WS1 无线智能传感器采集受试者周围的室内空气温度、相对湿度和光照水平。
3. WS1 部署在哪里？
WS1 无线智能传感器被放置在受试者日常居住环境中靠近受试者的位置，用于测量其周围微环境。
4. 采样频率是多少？
论文未明确说明 轻松连的原始记录间隔。用于告警触发时，系统比较前后两个 4 分钟时间段的变量平均值变化。
5. 研究持续多久？
Phase I 于 2021 年 5 月和 6 月进行，Subject A 持续约 3 周，Subject B 持续约 4 周。Phase II 在一个月后进行，两名受试者均持续约 2 周。
6. WS1 采集的数据在研究中如何使用？
WS1 无线智能传感器数据作为环境预测变量，用于告警式问卷触发，并参与 Phase II 的在线阈值调优和个体化热偏好建模。
7. WS1 是否单独预测热舒适？
不是。WS1 无线智能传感器负责采集环境数据。研究团队将其与 E4 wristband 生理信号、服装信息和手机问卷反馈结合，训练热偏好预测模型。
8. 研究还使用了哪些设备？
研究还使用了 E4 wristband 采集生理信号，手机应用采集问卷反馈，并使用网页服务器进行数据存储、告警监测和阈值调优。
9. 主要研究结果是什么？
Phase II 在线调优框架在保持相近整体准确率的情况下，使 Subject A 和 Subject B 所需数据点分别减少约 12.8% 和 36%。在相同数据量下，交叉验证准确率分别提升 5.5% 和 25%。
10. 这项研究为什么重要？
它展示了环境 物联网 传感、可穿戴生理数据和自适应反馈采集如何结合，用于更高效、更少打扰地建立个体化热舒适模型，并为智能建筑控制提供数据基础。
学术研究与实践验证
更多分类 >>
宾夕法尼亚州立大学研究采用轻松连WS1开展个体化热偏好室内微环境监测
研究概览
| 论文标题 | Exploring an occupant-involved closed-loop wearable sensing system and online tuning for individualized thermal preference |
| 发布机构 | KeAi Communications Co. Ltd.; publishing services by Elsevier |
| 发布期刊 | Energy and Built Environment |
| 发布时间 | 2025 年 2 月在线发表；刊载于 2026 年第 7 卷，588–601 页 |
| 作者/机构 | Yanxiao Feng，新泽西理工学院；Julian Wang、Neda Ghaeili、Esther Adhiambo Obonyo、Gregory Pavlak，宾夕法尼亚州立大学；Ying-Ling Jao，宾夕法尼亚州立大学 Ross and Carol Nese College of Nursing |
| 轻松连产品 | 轻松连 WS1 无线智能传感器 |
| 数据收集 | 受试者周围室内微环境空气温度、相对湿度和光照水平 |
| 采样频率 | 论文未明确说明轻松连原始记录间隔。用于告警触发时，服务器比较连续两个 4 分钟时间段的变量平均值变化。 |
| 研究周期 | Phase I 数据采集于 2021 年 5 月和 6 月进行；Phase II 在一个月后进行。Phase I 对 Subject A 持续约 3 周，对 Subject B 持续约 4 周；Phase II 对两名受试者均持续约 2 周。 |
| 应用场景 | 个体化热舒适监测、热偏好预测、人参与闭环智能建筑控制、室内微环境感知、可穿戴传感、在线模型调优 |
| 原文链接 | https://doi.org/10.1016/j.enbenv.2025.02.001 |
研究背景：这项研究解决什么问题？
不同人的热舒适需求并不相同。即使处于同一个室内空间，两名使用者也可能对温度有完全不同的感受和偏好。传统建筑控制通常依赖房间温度、统一设定点或通用热舒适标准，这种方式难以反映个体差异，也限制了真正以人为中心的智能建筑控制。
近年来，研究人员开始使用可穿戴设备、物联网传感器和机器学习模型建立个体化热舒适模型。但这类研究面临一个关键问题：如何高效采集足够多、质量足够高的个体数据。传统做法通常按照固定时间间隔要求受试者填写热舒适问卷，例如每 15 分钟或每 30 分钟一次。这种方式容易打扰使用者，也可能采集大量重复数据，降低数据采集效率。
这项研究关注的正是个体化热舒适数据采集复杂、效率低、用户负担高的问题。研究团队提出了一个人参与闭环系统，将室内环境传感、可穿戴生理传感、手机问卷、网页服务器、告警式反馈请求和在线阈值调优结合起来。
轻松连 WS1 无线智能传感器在系统中负责采集受试者周围真实室内环境数据。这些数据与 E4 wristband 采集的生理数据，以及手机应用收集的热偏好反馈共同用于模型训练。研究目标是验证：在线阈值调优能否减少所需问卷数据量，同时保持或提升个体化热偏好预测模型的性能。
轻松连 WS1 通过无线 Wi-Fi 直接接入物联网大数据云平台，实时采集、监测并上传温度、湿度、光照等多重传感器数据，并可在手机、平板、电脑等多终端进行访问使用。
轻松连在研究中的具体作用
在这项研究中，轻松连 WS1 无线智能传感器被用作便携式室内环境传感设备，属于个体化数据采集系统的一部分。论文并不是说 轻松连单独预测了热偏好，也不是说 轻松连证明了闭环模型有效。轻松连的作用是采集每名受试者周围微环境数据，这些数据被用于告警触发、特征分析、阈值调优和个体化模型训练。
整个系统包括三类主要数据采集组件：WS1 无线智能传感器负责环境传感，E4 wristband 负责生理传感，手机应用负责热舒适和热偏好问卷反馈。网页服务器通过无线通信接收并存储传感器和问卷数据，所有数据都带有时间戳。
WS1 无线智能传感器被放置在受试者日常活动位置附近。论文中的实验布置图显示，传感器位于受试者附近，用于测量其所处局部环境。两名受试者不是在环境舱中，而是在自己的居住环境中参与实验。他们可以自行调整空调设定温度、开启或关闭风扇，也可以开窗进行自然通风。在这种真实使用场景下，轻松连测量的是受试者周围微环境，而不是单纯的房间固定点温度。
WS1 无线智能传感器采集了三类环境变量：空气温度、相对湿度和光照水平。论文报告其测量精度为：温度 ±0.3 °C、相对湿度 ±3%、光照 ±2%。设备的 物联网 平台支持与研究团队网页服务器进行数据共享和同步。
轻松连数据在研究中主要有三个用途。
第一，作为个体化热偏好模型的候选预测变量。空气温度、相对湿度和光照水平与服装热阻、腕部皮肤温度、皮肤电活动、心率和加速度等变量共同进入模型。
第二，用于告警式问卷触发。网页服务器监测各预测变量的变化，当某个变量变化超过预设阈值时，通过手机应用触发问卷提醒。环境变量中的空气温度、相对湿度和光照水平均设置了相应阈值范围。
第三，用于 Phase II 的在线阈值调优。研究团队根据每个 mini-batch 模型的特征重要性，识别对个体热偏好预测更关键的变量。如果某个重要环境变量，例如空气温度或相对湿度，在告警触发中出现过少，就降低该变量阈值，使下一批数据更容易捕捉到相关变化。
因此，轻松连在该研究中的核心作用是室内微环境监测和数据支撑。它提供真实、带时间戳的环境数据，帮助系统判断何时请求用户反馈、如何调节阈值，以及如何训练个体化热偏好预测模型。
研究方法和数据采集方式
研究采用两阶段实验设计，共有两名受试者参与：一名女性和一名男性，均为 30 岁左右的健康成年人。实验方案获得宾夕法尼亚州立大学 Institutional Review Board 审批。
数据采集系统由WS1 无线智能传感器、E4 wristband、手机应用和网页服务器组成。WS1 无线智能传感器采集空气温度、相对湿度和光照水平。E4 wristband 采集生理和活动信号，包括心率、腕部皮肤电导、腕部皮肤温度和加速度。手机应用采集主观热感觉和热偏好反馈。
热感觉采用五点量表，包括 Cold、Cool、Neutral、Warm 和 Hot。热偏好采用三点量表，包括 Want warmer、No change 和 Want cooler。研究还同步记录服装信息，并根据 ASHRAE 55 转换为服装热阻值。
Phase I 用于建立基线模型，采用固定告警阈值。数据采集发生在 2021 年 5 月和 6 月。停止标准包括：每名受试者至少 300 个数据点、至少 14 天测量时长，以及整体预测准确率不低于 90%。Phase I 最终为每名受试者采集 302 个数据点，Subject A 持续约 3 周，Subject B 持续约 4 周。
Phase II 在一个月后由同样两名受试者继续参与。该阶段引入在线阈值调优和 mini-batch 建模。研究以 32 个数据点为一个 batch。每完成一个 batch，系统就检查模型表现和特征重要性，并根据结果调整关键变量的阈值。Phase II 每名受试者最终采集 160 个数据点，持续约 2 周。
模型方面，研究团队测试了多种分类算法，包括线性判别分析、支持向量机、k 近邻、随机森林、分类树、朴素贝叶斯和 XGBoost。最终比较中，两名受试者均采用 ranger 模型，即一种高效随机森林实现。模型性能通过整体准确率、交叉验证准确率、平衡准确率和 AUC 进行评估。
主要研究发现
Phase I 的基线模型取得了较高整体准确率，但需要更多数据。每名受试者采集 302 个数据点后，ranger 模型对 Subject A 的整体准确率为 94.14%，对 Subject B 为 94.96%。但交叉验证准确率相对较低，Subject A 为 79.14%，Subject B 为 69.04%。
Phase I 中触发告警的主要变量包括皮肤电活动、光照水平、心率和皮肤温度。轻松连采集的光照水平、空气温度和湿度作为候选环境变量进入模型和告警逻辑。
Phase II 的在线调优显著减少了所需数据量。优化后的 mini-batch 模型大约只需要 96 个数据点，就能达到与基线模型相近的整体准确率。与 Phase I 相比，在达到相似整体准确率时，Subject A 所需数据量减少约 12.8%，Subject B 减少约 36%。
如果考虑交叉验证准确率，Phase II 所需数据量也少于 Phase I。Subject A 的数据量减少约 20.0%，Subject B 减少约 27.3%。
在相同输入数据量，即 160 个数据点条件下，Phase II 优化模型的整体准确率比 Phase I 基线模型略高，提升约 1% 至 2%。更重要的是，交叉验证准确率提升更明显：Subject A 提升 5.5%，Subject B 提升 25%。
特征重要性分析显示，皮肤电活动、皮肤温度和环境空气温度是两名受试者模型中的关键变量。光照水平也具有一定重要性，但其与热偏好之间的关系因人而异。
研究结论认为，基于特征重要性的在线阈值调优可以降低用户反馈负担，提高数据采集效率，并支持更自适应的个体化热偏好建模。
这对个体化热舒适监测意味着什么？
这项研究说明，个体化热舒适研究可以从固定间隔问卷转向更智能的告警式数据采集。系统不必机械地频繁询问受试者，而是可以监测生理和环境变量变化，并在出现有意义变化时请求反馈。
对于智能建筑而言，这一点很重要。以人为中心的建筑控制需要可靠的个体舒适数据。如果系统能够减少问卷次数、降低打扰程度，就更适合长期使用。随着个体模型持续更新，未来建筑控制系统有机会更精准地响应使用者的真实舒适需求。
对于室内环境监测而言，研究强调了环境数据与生理数据融合的重要性。轻松连WS1 采集受试者周围空气温度、相对湿度和光照水平，E4 wristband 则记录人体生理响应。两类数据结合，可以更完整地描述人和室内环境之间的交互。
对于医疗机构、养老设施和病房，该方法也有潜在价值。论文指出，这类框架可用于长期监测室内舒适状态，并在舒适相关条件异常时向护理人员发送提醒。
WS1 无线智能传感器体现出的应用价值
在这项人参与闭环热舒适研究中，WS1 无线智能传感器体现出的价值主要是作为便携式微环境传感设备。
首先，WS1 无线智能传感器提供了受试者周围真实室内环境数据。研究没有只依赖温控器设定值或房间平均温度，而是采集靠近使用者的微环境数据。
第二，WS1 无线智能传感器支持多模态数据融合。空气温度、湿度和光照数据与可穿戴生理信号、服装信息和主观问卷反馈共同用于建模。
第三，WS1 无线智能传感器数据支持告警式反馈采集。网页服务器根据环境变量变化判断是否触发手机问卷，从而减少固定间隔问卷带来的打扰和重复数据。
第四，WS1 无线智能传感器环境数据参与在线阈值调优。Phase II 中，如果某个环境变量被模型判定为重要但触发次数不足，系统可以降低其阈值，以便下一轮采集更多有价值的数据。
第五，轻松连的物联网云平台数据共享能力支持与网页服务器同步，使其适合自动化数据采集和长期监测工作流。
总体来看，轻松连在这篇论文中的价值不是单独预测舒适度，而是提供可靠、连续、可同步的室内微环境数据，将人体生理响应、主观热偏好、在线模型调优和智能建筑控制连接起来。
可延伸应用场景
基于该研究中的应用方式，轻松连WS1 可延伸到以下场景：
- 智能建筑舒适控制：用于采集使用者周围环境数据，支持个体化 HVAC 控制。
- 医疗与养老设施舒适监测：用于监测患者、住户或老年人周围的室内舒适环境。
- 办公室热偏好建模：用于开放办公空间、共享办公和灵活工位中的个体或群体舒适模型建立。
- 长期室内环境监测：用于记录有人环境中的温度、湿度和光照变化。
- 人与建筑交互研究：用于分析使用者如何感知和响应室内环境变化。
- 可穿戴与环境数据融合：可与智能手环、智能手表或生理传感器结合，建模舒适、压力或活动状态。
- 节能型以人为中心控制：支持在舒适需求和建筑能耗之间进行平衡的 HVAC 策略。
- 自适应问卷系统：用于在环境或生理变量出现有意义变化时触发反馈请求，而不是固定频率打扰用户。
FAQ
1. 这项研究使用了哪款轻松连产品？
研究使用了便携式轻松连WS1 无线智能传感器。
2. 轻松连 WS1 采集了哪些数据？
WS1 无线智能传感器采集受试者周围的室内空气温度、相对湿度和光照水平。
3. WS1 部署在哪里？
WS1 无线智能传感器被放置在受试者日常居住环境中靠近受试者的位置，用于测量其周围微环境。
4. 采样频率是多少？
论文未明确说明 轻松连的原始记录间隔。用于告警触发时，系统比较前后两个 4 分钟时间段的变量平均值变化。
5. 研究持续多久？
Phase I 于 2021 年 5 月和 6 月进行，Subject A 持续约 3 周，Subject B 持续约 4 周。Phase II 在一个月后进行，两名受试者均持续约 2 周。
6. WS1 采集的数据在研究中如何使用？
WS1 无线智能传感器数据作为环境预测变量，用于告警式问卷触发，并参与 Phase II 的在线阈值调优和个体化热偏好建模。
7. WS1 是否单独预测热舒适？
不是。WS1 无线智能传感器负责采集环境数据。研究团队将其与 E4 wristband 生理信号、服装信息和手机问卷反馈结合，训练热偏好预测模型。
8. 研究还使用了哪些设备？
研究还使用了 E4 wristband 采集生理信号，手机应用采集问卷反馈，并使用网页服务器进行数据存储、告警监测和阈值调优。
9. 主要研究结果是什么？
Phase II 在线调优框架在保持相近整体准确率的情况下，使 Subject A 和 Subject B 所需数据点分别减少约 12.8% 和 36%。在相同数据量下，交叉验证准确率分别提升 5.5% 和 25%。
10. 这项研究为什么重要？
它展示了环境 物联网 传感、可穿戴生理数据和自适应反馈采集如何结合，用于更高效、更少打扰地建立个体化热舒适模型，并为智能建筑控制提供数据基础。
分享
