การทำนายสภาวะน่าสบายของผู้ใช้อาคารโดยใช้โครงข่ายประสาทคอนโวลูชั่นและการตรวจจับทางสรีรวิทยาแบบไร้สัมผัส

การประเมินสภาวะน่าสบายได้อย่างถูกต้องมีความสำคัญอย่างยิ่งเนื่องจากสภาวะน่าสบายภายในอาคารนั้นมีผลกระทบต่อของผู้ใช้อาคารในหลายมิติทั้งในทางตรงและทางอ้อม การประยุกต์ใช้วิธีทางปัญญาประดิษฐ์ในการประเมินสภาวะน่าสบายโดยอาศัยการตอบสนองทางสรีระวิทยาของผู้ใช้อาคารโดยตรงซึ่งสามารถช่วยให้การประเมินสภาวะน่าสบายมีประสิทธิภาพมากขึ้นได้นั้นในปัจจุบันยังมีอยู่อย่างจำกัด โมเดลทำนายในการศึกษาก่อนหน้าเน้นใช้ข้อมูลตัวเลขอุณหภูมิผิวหนังซึ่งการดึงค่าอุณหภูมิผิวหนังจากภาพความร้อนนั้นมีความแม่นยำจำกัด อีกทั้งยังคงมีข้อจำกัดในการทำนายข้ามบุคคล ขณะที่โครงข่ายประสาทคอนโวลูชั่น (CNN) ซึ่งเป็นวิธีการเรียนรู้เชิงลึกที่มีประสิทธิภาพสูงในด้านการจำแนกภาพนั้นยังไม่ได้มีการศึกษาอย่างจริงจังเพื่อนำมาใช้ประเมินสภาวะน่าสบาย วัตถุประสงค์หลักของการวิจัยนี้คือศึกษาความสัมพันธ์ระหว่างอุณหภูมิผิวหนังหลายส่วนใบหน้าและความรู้สึกเชิงความร้อน และพัฒนาโมเดล CNN ทำนายความรู้สึกเชิงความร้อนผ่านภาพความร้อนบริเวณใบหน้า การวิจัยนี้ได้เก็บรวบรวมข้อมูลจากอาสาสมัคร 32 คนภายใต้การทดลองที่ได้ดําเนินงานในสภาวะชั่วคราวด้วยการควบคุมอุณหภูมิอากาศระหว่าง 21 °C ถึง 29 °C ความรู้สึกเชิงความร้อนถูกสำรวจด้วยแบบสอบถาม ขณะที่ภาพความร้อนและอุณหภูมิผิวหนังบริเวณใบหน้าถูกรวบรวมด้วยกล้องอินฟราเรดซึ่งภาพที่บันทึกได้มีความหลากหลายใกล้เคียงสถานการณ์จริงเนื่องจากในขณะเก็บข้อมูลอาสาสมัครไม่ถูกควบคุมทิศทางใบหน้า ทรงผม และการสวมแว่นสายตา ผลการศึกษาความสัมพันธ์พบว่า อุณหภูมิผิวหนังจากแต่ละส่วนของใบหน้ามีความสัมพันธ์กับความรู้สึกเชิงความร้อนอย่างมีนัยสำคัญทางสถิติ ขณะที่การวิเคราะห์ประสิทธิภาพโมเดล CNN ที่ถูกพัฒนาขึ้นด้วยสถาปัตยกรรมแบบพื้นฐานทั่วไปนั้นได้ผลว่าผลการทำนายในบุคคลใหม่โมเดล CNN ให้ผลลัพธ์เหนือกว่าโมเดลทำนายที่ใช้วิธีการเรียนรู้อื่นซึ่งเป็นที่นิยมก่อนหน้านี้ ซึ่งโมเดล CNN ผลการศึกษามีค่าความถูกต้องโดยรวมในการทำนายเท่ากับ 78.0 % และค่าเฉลี่ย AUC มีค่าสูงถึง 0.89 โดยทำนายความรู้สึกไม่สบายเชิงเย็นได้แม่นยำกว่าความรู้สึกอื่นซึ่งค่าเฉลี่ย AUC มีค่า 0.94 ผลการค้นพบจากการวิจัยนี้ช่วยเติมเต็มช่องว่างของการศึกษาก่อนหน้าและสามารถเพิ่มประสิทธิภาพในการประเมินสภาวะน่าสบายได้