数据集概述
本数据集围绕可穿戴传感器构建的个人热舒适模型展开，包含14名受试者（6名女性、8名男性）的生理信号（如皮肤温度、心率）和环境参数（如空气温度、相对湿度），数据采集周期为2-4周，每日至少20小时。通过不同机器学习算法训练模型预测个体热偏好，提供模型性能评估及特征重要性分析的基础数据。
文件详解
- 文件名称：Description of variables_Liu.docx
- 文件格式：DOCX
- 字段映射介绍：包含数据集变量的详细描述文档，用于解释数据集中各字段的定义、含义及相关背景信息。
- 文件名称：raw_data_Liu.csv
- 文件格式：CSV
- 字段映射介绍：包含原始数据，主要字段包括ID（受试者编号）、Sex（性别）、Age（年龄）、Height（身高）、Weight（体重）、ColdSens（冷敏感度）、ColdExp（冷暴露情况）、Workhr（工作时长）、Coffeeintake（咖啡摄入量）、Vote_time（投票时间）、therm_sens（热感觉）、therm_pref（热偏好）、location（位置）、mean.Temperature_60（60分钟平均温度）、grad.Temperature_60（60分钟温度梯度）、sd.Temperature_60（60分钟温度标准差）、mean.Temperature_480（480分钟平均温度）、grad.Temperature_4（4分钟温度梯度）等。
适用场景
- 热环境设计优化：基于个人热舒适模型数据，优化建筑或室内热环境设计参数，提升个体舒适度。
- 可穿戴设备热舒适应用开发：分析不同身体部位（如脚踝、手腕）传感器数据的预测性能，指导可穿戴设备的设计与选型。
- 机器学习模型性能评估：利用数据集评估不同算法在个人热舒适预测任务中的表现，探索模型优化方向。
- 人体热生理与环境交互研究：通过生理信号与环境参数的关联分析，研究个体热舒适的影响因素及作用机制。
- 公共建筑热环境控制策略制定：基于个体热偏好数据，制定个性化的热环境控制策略，提高能源利用效率与用户满意度。
