Measuring human thermal comfort in indoor environments is a topic of interest in the scientific community, since thermal comfort deeply affects the well-being of occupants and furthermore, to guarantee optimal comfort conditions, buildings must face high energy costs. Even if there are standards in the field of the ergonomics of the thermal environment that provide guidelines for thermal comfort assessment, it can happen that in real-world settings it is very difficult to obtain an accurate measurement. Therefore, to improve the measurement of thermal comfort of occupants in buildings, research is focusing on the assessment of personal and physiological parameters related to thermal comfort, to create environments carefully tailored to the occupant that lives in it. This thesis presents several contributions to this topic. In fact, in the following research work, a set of studies were implemented to develop and test measurement procedures capable of quantitatively assessing human thermal comfort, by means of environmental and physiological parameters, to capture peculiarities among different occupants. Firstly, it was conducted a study in a controlled climatic chamber with an invasive set of sensors used for measuring physiological parameters. The outcome of this research was helpful to achieve a first accuracy in the measurement of thermal comfort of 82%, obtained by training machine learning (ML) algorithms that provide the thermal sensation vote (TSV) by means of environmental quantities and heart rate variability (HRV), a parameter that literature has often reported being related to both users' thermal comfort. This research gives rise to a subsequent study in which thermal comfort assessment was made by using a minimally invasive smartwatch for collecting HRV. This second study consisted in varying the environmental conditions of a semi-controlled test-room, while participants could carry out light-office activities but in a limited way, i.e. avoiding the movements of the hand on which the smartwatch was worn as much as possible. With this experimental setup, it was possible to establish that the use of artificial intelligence (AI) algorithms (such as random forest or convolutional neural networks) and the heterogeneous dataset created by aggregating environmental and physiological parameters, can provide a measure of TSV with a mean absolute error (MAE) of 1.2 and a mean absolute percentage error (MAPE) of 20%. In addition, by using of Monte Carlo Method (MCM), it was possible to compute the impact of the uncertainty of the input quantities on the computation of the TSV. The highest uncertainty was reached due to the air temperature uncertainty (U = 14%) and relative humidity (U = 10.5%). The last relevant contribution obtained with this research work concerns the measurement of thermal comfort in a real-life setting, semi-controlled environment, in which the participant was not forced to limit its movements. Skin temperature was included in the experimental set-up, to improve the measurement of TSV. The results showed that the inclusion of skin temperature for the creation of personalized models, made by using data coming from the single participant brings satisfactory results (MAE = 0.001±0.0003 and MAPE = 0.02%±0.09%). On the other hand, the more generalized approach, which consists in training the algorithms on the whole bunch of participants except one, and using the one left out for the test, provides slightly lower performances (MAE = 1±0.2 and MAPE = 25%±6%). This result highlights how in semi-controlled conditions, the prediction of TSV using skin temperature and HRV can be performed with acceptable accuracy.

La misura del comfort termico in ambienti indoor è un argomento di interesse per la comunità scientifica, poiché il comfort termico incide profondamente sul benessere degli utenti ed inoltre, per garantire condizioni di comfort ottimali, gli edifici devono affrontare costi energetici elevati. Anche se esistono norme nel campo dell'ergonomia del comfort che forniscono linee guida per la valutazione del comfort termico, può succedere che in contesti reali sia molto difficile ottenere una misurazione accurata. Pertanto, per migliorare la misura del comfort termico negli edifici, la ricerca si sta concentrando sulla valutazione dei parametri personali e fisiologici legati al comfort termico, per creare ambienti su misura per l’utente. Questa tesi presenta diversi contributi riguardo questo argomento. Infatti, in questo lavoro di ricerca, sono stati implementati una serie di studi per sviluppare e testare procedure di misurazione in grado di valutare quantitativamente il comfort termico umano, tramite parametri ambientali e fisiologici, per catturare le peculiarità che esistono tra i diversi utenti. In primo luogo, è stato condotto uno studio in una camera climatica controllata, con un set di sensori invasivi utilizzati per la misurazione dei parametri fisiologici. L'esito di questa ricerca è stato utile per ottenere una prima accuratezza nella misurazione del comfort termico dell'82%, ottenuta mediante algoritmi di machine learning (ML) che forniscono la sensazione termica (TSV) utilizzando la variabilità della frequenza cardiaca (HRV) , parametro che la letteratura ha spesso riportato legato sia al comfort termico dell'utenza che alle grandezze ambientali. Questa ricerca ha dato origine a uno studio successivo in cui la valutazione del comfort termico è stata effettuata utilizzando uno smartwatch minimamente invasivo per la raccolta dell’HRV. Questo secondo studio consisteva nel variare le condizioni ambientali di una stanza semi-controllata, mentre i partecipanti potevano svolgere attività di ufficio ma in modo limitato, ovvero evitando il più possibile i movimenti della mano su cui era indossato lo smartwatch. Con questa configurazione, è stato possibile stabilire che l'uso di algoritmi di intelligenza artificiale (AI) e il set di dati eterogeneo creato aggregando parametri ambientali e fisiologici, può fornire una misura di TSV con un errore medio assoluto (MAE) di 1.2 e un errore percentuale medio assoluto (MAPE) del 20%. Inoltre, tramite il Metodo Monte Carlo (MCM) è stato possibile calcolare l'impatto delle grandezze in ingresso sul calcolo del TSV. L'incertezza più alta è stata raggiunta a causa dell'incertezza nella misura della temperatura dell'aria (U = 14%) e dell'umidità relativa (U = 10,5%). L'ultimo contributo rilevante ottenuto con questa ricerca riguarda la misura del comfort termico in ambiente reale, semi controllato, in cui il partecipante non è stato costretto a limitare i propri movimenti. La temperatura della pelle è stata inclusa nel set-up sperimentale, per migliorare la misurazione del TSV. I risultati hanno mostrato che l'inclusione della temperatura della pelle per la creazione di modelli personalizzati, realizzati utilizzando i dati provenienti dal singolo partecipante, porta a risultati soddisfacenti (MAE = 0,001±0,0003 e MAPE = 0,02%±0,09%). L'approccio più generalizzato, invece, che consiste nell'addestrare gli algoritmi sull'intero gruppo di partecipanti tranne uno, e utilizzare quello tralasciato per il test, fornisce prestazioni leggermente inferiori (MAE = 1±0.2 e MAPE = 25% ±6%). Questo risultato evidenzia come in condizioni semi-controllate, la previsione di TSV utilizzando la temperatura della pelle e l'HRV possa essere eseguita con un certo grado di incertezza.

Sviluppo di un metodo innovativo per la misura del comfort termico attraverso il monitoraggio di parametri fisiologici e ambientali in ambienti indoor / Morresi, Nicole. - (2022 Mar 21).

Sviluppo di un metodo innovativo per la misura del comfort termico attraverso il monitoraggio di parametri fisiologici e ambientali in ambienti indoor

MORRESI, NICOLE
2022-03-21

Abstract

Measuring human thermal comfort in indoor environments is a topic of interest in the scientific community, since thermal comfort deeply affects the well-being of occupants and furthermore, to guarantee optimal comfort conditions, buildings must face high energy costs. Even if there are standards in the field of the ergonomics of the thermal environment that provide guidelines for thermal comfort assessment, it can happen that in real-world settings it is very difficult to obtain an accurate measurement. Therefore, to improve the measurement of thermal comfort of occupants in buildings, research is focusing on the assessment of personal and physiological parameters related to thermal comfort, to create environments carefully tailored to the occupant that lives in it. This thesis presents several contributions to this topic. In fact, in the following research work, a set of studies were implemented to develop and test measurement procedures capable of quantitatively assessing human thermal comfort, by means of environmental and physiological parameters, to capture peculiarities among different occupants. Firstly, it was conducted a study in a controlled climatic chamber with an invasive set of sensors used for measuring physiological parameters. The outcome of this research was helpful to achieve a first accuracy in the measurement of thermal comfort of 82%, obtained by training machine learning (ML) algorithms that provide the thermal sensation vote (TSV) by means of environmental quantities and heart rate variability (HRV), a parameter that literature has often reported being related to both users' thermal comfort. This research gives rise to a subsequent study in which thermal comfort assessment was made by using a minimally invasive smartwatch for collecting HRV. This second study consisted in varying the environmental conditions of a semi-controlled test-room, while participants could carry out light-office activities but in a limited way, i.e. avoiding the movements of the hand on which the smartwatch was worn as much as possible. With this experimental setup, it was possible to establish that the use of artificial intelligence (AI) algorithms (such as random forest or convolutional neural networks) and the heterogeneous dataset created by aggregating environmental and physiological parameters, can provide a measure of TSV with a mean absolute error (MAE) of 1.2 and a mean absolute percentage error (MAPE) of 20%. In addition, by using of Monte Carlo Method (MCM), it was possible to compute the impact of the uncertainty of the input quantities on the computation of the TSV. The highest uncertainty was reached due to the air temperature uncertainty (U = 14%) and relative humidity (U = 10.5%). The last relevant contribution obtained with this research work concerns the measurement of thermal comfort in a real-life setting, semi-controlled environment, in which the participant was not forced to limit its movements. Skin temperature was included in the experimental set-up, to improve the measurement of TSV. The results showed that the inclusion of skin temperature for the creation of personalized models, made by using data coming from the single participant brings satisfactory results (MAE = 0.001±0.0003 and MAPE = 0.02%±0.09%). On the other hand, the more generalized approach, which consists in training the algorithms on the whole bunch of participants except one, and using the one left out for the test, provides slightly lower performances (MAE = 1±0.2 and MAPE = 25%±6%). This result highlights how in semi-controlled conditions, the prediction of TSV using skin temperature and HRV can be performed with acceptable accuracy.
21-mar-2022
La misura del comfort termico in ambienti indoor è un argomento di interesse per la comunità scientifica, poiché il comfort termico incide profondamente sul benessere degli utenti ed inoltre, per garantire condizioni di comfort ottimali, gli edifici devono affrontare costi energetici elevati. Anche se esistono norme nel campo dell'ergonomia del comfort che forniscono linee guida per la valutazione del comfort termico, può succedere che in contesti reali sia molto difficile ottenere una misurazione accurata. Pertanto, per migliorare la misura del comfort termico negli edifici, la ricerca si sta concentrando sulla valutazione dei parametri personali e fisiologici legati al comfort termico, per creare ambienti su misura per l’utente. Questa tesi presenta diversi contributi riguardo questo argomento. Infatti, in questo lavoro di ricerca, sono stati implementati una serie di studi per sviluppare e testare procedure di misurazione in grado di valutare quantitativamente il comfort termico umano, tramite parametri ambientali e fisiologici, per catturare le peculiarità che esistono tra i diversi utenti. In primo luogo, è stato condotto uno studio in una camera climatica controllata, con un set di sensori invasivi utilizzati per la misurazione dei parametri fisiologici. L'esito di questa ricerca è stato utile per ottenere una prima accuratezza nella misurazione del comfort termico dell'82%, ottenuta mediante algoritmi di machine learning (ML) che forniscono la sensazione termica (TSV) utilizzando la variabilità della frequenza cardiaca (HRV) , parametro che la letteratura ha spesso riportato legato sia al comfort termico dell'utenza che alle grandezze ambientali. Questa ricerca ha dato origine a uno studio successivo in cui la valutazione del comfort termico è stata effettuata utilizzando uno smartwatch minimamente invasivo per la raccolta dell’HRV. Questo secondo studio consisteva nel variare le condizioni ambientali di una stanza semi-controllata, mentre i partecipanti potevano svolgere attività di ufficio ma in modo limitato, ovvero evitando il più possibile i movimenti della mano su cui era indossato lo smartwatch. Con questa configurazione, è stato possibile stabilire che l'uso di algoritmi di intelligenza artificiale (AI) e il set di dati eterogeneo creato aggregando parametri ambientali e fisiologici, può fornire una misura di TSV con un errore medio assoluto (MAE) di 1.2 e un errore percentuale medio assoluto (MAPE) del 20%. Inoltre, tramite il Metodo Monte Carlo (MCM) è stato possibile calcolare l'impatto delle grandezze in ingresso sul calcolo del TSV. L'incertezza più alta è stata raggiunta a causa dell'incertezza nella misura della temperatura dell'aria (U = 14%) e dell'umidità relativa (U = 10,5%). L'ultimo contributo rilevante ottenuto con questa ricerca riguarda la misura del comfort termico in ambiente reale, semi controllato, in cui il partecipante non è stato costretto a limitare i propri movimenti. La temperatura della pelle è stata inclusa nel set-up sperimentale, per migliorare la misurazione del TSV. I risultati hanno mostrato che l'inclusione della temperatura della pelle per la creazione di modelli personalizzati, realizzati utilizzando i dati provenienti dal singolo partecipante, porta a risultati soddisfacenti (MAE = 0,001±0,0003 e MAPE = 0,02%±0,09%). L'approccio più generalizzato, invece, che consiste nell'addestrare gli algoritmi sull'intero gruppo di partecipanti tranne uno, e utilizzare quello tralasciato per il test, fornisce prestazioni leggermente inferiori (MAE = 1±0.2 e MAPE = 25% ±6%). Questo risultato evidenzia come in condizioni semi-controllate, la previsione di TSV utilizzando la temperatura della pelle e l'HRV possa essere eseguita con un certo grado di incertezza.
measurement uncertainty; wearable sensor; thermal comfort
comfort termico; rete di sensori; AI; benessere
File in questo prodotto:
File Dimensione Formato  
Tesi_Morresi.pdf

Open Access dal 22/09/2023

Descrizione: Tesi_Morresi.pdf
Tipologia: Tesi di dottorato
Licenza d'uso: Creative commons
Dimensione 3.39 MB
Formato Adobe PDF
3.39 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11566/295518
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact