[论文解读] Understanding occupants' behaviour, engagement, emotion, and comfort indoors with heterogeneous sensors and wearables

Nan Gao, Max Marschall+3 more|arXiv (Cornell University)|May 14, 2021

Building Energy and Comfort Optimization被引用 4

一句话总结

本研究提出了一项新颖的、公开可用的数据集，整合了异构环境传感器与可穿戴生理传感器（Empatica E4）的数据，以及来自墨尔本一所K-12学校中29名居住者的自我报告调查，支持对居住者行为、情绪状态和热舒适度的预测建模。将纵向的室内外气候数据与实时生理及行为指标相结合，为开发智能反馈系统以提升教育建筑的福祉水平和能效提供了基础。

ABSTRACT

We conducted a field study at a K-12 private school in the suburbs of Melbourne, Australia. The data capture contained two elements: First, a 5-month longitudinal field study In-Gauge using two outdoor weather stations, as well as indoor weather stations in 17 classrooms and temperature sensors on the vents of occupant-controlled room air-conditioners; these were collated into individual datasets for each classroom at a 5-minute logging frequency, including additional data on occupant presence. The dataset was used to derive predictive models of how occupants operate room air-conditioning units. Second, we tracked 23 students and 6 teachers in a 4-week cross-sectional study En-Gage, using wearable sensors to log physiological data, as well as daily surveys to query the occupants' thermal comfort, learning engagement, emotions and seating behaviours. Overall, the combined dataset could be used to analyse the relationships between indoor/outdoor climates and students' behaviours/mental states on campus, which provide opportunities for the future design of intelligent feedback systems to benefit both students and staff.

研究动机与目标

• 通过收集真实学校环境中居住者行为的实证数据，弥合建筑能耗模拟中的性能差距。
• 探究室内气候、生理反应与居住者福祉（包括情绪状态和学习参与度）之间的动态关系。
• 开发并验证一种基于可穿戴设备与环境传感器的多模态传感框架，以实现对室内环境的全面监测。
• 创建一个公开可用的、高保真度的数据集，以支持未来关于教育建筑中居住者行为、舒适度与心理状态的研究。
• 实现智能反馈系统的设计，以在降低能耗的同时支持居住者福祉。

提出的方法

• 开展为期5个月的纵向实地研究，使用室内外气象站及安装在空调机上的温度传感器，以5分钟为间隔记录数据，并检测人员在场情况。
• 开展为期4周的横断面研究，使用Empatica E4腕戴设备收集23名学生和6名教师的生理信号（EDA、HRV、皮肤温度、3D加速度）。
• 通过数字问卷每日收集关于热舒适度、学习参与度、情绪状态和就座行为的自我报告数据。
• 应用5秒窗口的中值滤波对EDA信号进行清洗，以减少运动伪影，将数据缺失率从2.66%降低至2.46%，提升数据质量。
• 将异构数据流（环境、生理、行为和自我报告）整合为统一数据集，以支持多模态分析。
• 发布数据集及配套的Python代码，用于数据预处理与分割，以支持可复现性与进一步研究。

实验结果

研究问题

• RQ1 室内外气候条件在多大程度上影响学校教室中由居住者控制的空调机组运行？
• RQ2 生理信号（如EDA、HRV）与学生及教师自我报告的情绪状态或学习参与度之间存在何种关系？
• RQ3 在真实教育环境中，可穿戴传感器数据在多大程度上可预测居住者的舒适度与心理状态？
• RQ4 就座行为与同伴间距离在多大程度上与生理同步性及感知到的参与度相关？
• RQ5 整合传感器数据能否在建筑性能模拟中提升居住者行为建模的准确性，超越简单的规则假设？

主要发现

• 以5分钟间隔在17间教室中收集的纵向环境数据集，使基于室内外温度与人员在场情况预测空调使用行为的模型得以开发。
• 在对EDA信号应用5秒中值滤波后，可穿戴传感器数据的缺失值从2.66%降至2.46%，显著提升了生理分析的数据可靠性。
• 该综合数据集是首个公开可用的资源，可用于在真实学校环境中研究高中生的日常行为、参与度与情绪状态，结合异构传感技术。
• 生理、行为与环境数据的整合为检测学生注意力不集中与负面情绪提供了新途径，支持实时反馈系统的发展。
• 本研究证明，当结合自我报告与环境数据时，生理信号（如EDA与HRV）可有效用于推断教育环境中的心理状态。
• 该数据集支持未来关于同伴效应、群体水平生理同步性以及自适应室内气候控制的研究，以提升学习效果与舒适度。