换一批基于机器学习的可穿戴设备PPG信号评估人体热舒适度
Machine Learning-Based Human Thermal Comfort Assessment Using PPG Signals from Wearable Devices
摘要[目的]本研究提出一种基于可穿戴设备光电容积脉搏波(PPG)信号的人体热舒适评估方法,通过自主开发的可穿戴检测设备采集生理数据,并结合机器学习算法,构建热舒适预测模型.[方法]本文设计了包含硬件系统、信号处理与机器学习的完整技术链条,硬件部分以 ESP32-S3 为主控芯片,集成 MAX30102 心率传感器实现 PPG 信号采集;软件层面通过经验模态分解法进行信号预处理,提取心率变异性(Heart Rate Variability,HRV)特征,并利用 K-近邻算法(K-Nearest Neighbors,KNN)模型进行热舒适状态分类.[结果]结果表明,KNN 模型在热舒适状态识别中准确率达 98%以上,为个性化热舒适评估提供了新的技术路径,并对该模型可解释性进行了分析.[结论]该研究突破了传统环境参数主导的热舒适评估模式,实现生理信号驱动的动态热舒适监测,可供智能建筑与健康人居领域参考,并为其提供应用创新解决方案.
更多相关知识
关键词
光电容积脉搏波热舒适评估心率变异性机器学习模型可解释性photoplethysmography pulse wavethermal comfort evaluationheart rate variabilitymachine learningmodel interpretability
栏目名称
DOI
10.3969/j.issn.2095-4859.2026.02.004
发布时间
2026-06-26（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
