Misure innovative per comfort personalizzato e stress termico

Maintaining adequate thermal comfort in indoor environments is a crucial factor for occupant health, well-being, and performance, directly impacting the energy consumption of HVAC systems. However, traditional deterministic models suffer from the rigidity of population-level aggregate assessments, failing to capture actual inter-individual variability in real-world settings. Concurrently, quantifying physiological stress relies on indices whose accuracy has historically depended on invasive core body temperature measurements. This thesis addresses these challenges by proposing a unified, personalized and non-invasive methodological pipeline for the simultaneous estimation of subjective thermal perception and physiological stress in uncontrolled indoor environments. To this end, an experimental measurement campaign was conducted involving 40 subjects engaged in varying levels of work and physical activity. Throughout the protocol, environmental microclimatic parameters, physiological responses via wearable devices (heart rate and skin temperature), and thermal sensation assessments (Thermal Sensation Vote, TSV) were continuously recorded. For TSV classification, a Random Forest Classifier machine learning algorithm achieved an accuracy and precision of 0.69 (Recall: 0.68; F1-score: 0.67), demonstrating the effectiveness of physiological variables in capturing individual user responses. Simultaneously, the use of an Extended Kalman Filter (EKF) enabled the continuous, non-invasive estimation of core body temperature from surface signals, allowing for the calculation of the modified Physiological Strain Index (mPSI). This index was ultimately refined by incorporating a linear mixed-effects model to account for adjustments based on biometric covariates (age, gender, and BMI). The integrated approach developed demonstrates the feasibility of personalized, ecologically-based monitoring of thermal comfort and stress, laying the groundwork for the future integration of these algorithms into intelligent built-environment management systems.

Il mantenimento di adeguate condizioni di comfort termico negli ambienti indoor è un fattore determinante per la salute, il benessere e le prestazioni degli occupanti, con ripercussioni dirette sui consumi energetici degli impianti di climatizzazione HVAC. I modelli deterministici tradizionali risentono tuttavia della rigidità di valutazioni aggregate di popolazione, incapaci di cogliere la reale variabilità interindividuale in contesti reali. Parallelamente, la quantificazione dello stress fisiologico si avvale di indici sintomatici la cui accuratezza dipende storicamente da misurazioni della temperatura corporea interna invasive e poco adatte ad applicativi di monitoraggio quotidiano. Il presente lavoro di tesi risponde a tali criticità proponendo una pipeline metodologica unificata, personalizzata e non invasiva per la stima simultanea della percezione termica soggettiva e dello stress fisiologico in ambienti indoor non controllati. A tal fine, è stata condotta una campagna di misura sperimentale su un campione di 40 soggetti sottoposti a differenti livelli di attività lavorativa e fisica. Durante il protocollo sono stati acquisiti in continuo i parametri microclimatici ambientali, le risposte fisiologiche mediante dispositivi indossabili (frequenza cardiaca e temperatura cutanea) e le valutazioni della sensazione termica (Thermal Sensation Vote, TSV). Per la classificazione del TSV, l'algoritmo di Machine Learning Random Forest Classifier ha raggiunto un’Accuratezza e una Precisione dello 0,69 (Recall 0,68; F1-score 0,67), evidenziando l'efficacia delle variabili fisiologiche nell'intercettare la risposta individuale dell'utente. Contemporaneamente, l'adozione dell'Extended Kalman Filter (EKF) ha permesso di stimare in modo continuo e non invasivo la temperatura corporea interna da segnali superficiali, consentendo il calcolo del modified Physiological Strain Index (mPSI). Tale indice è stato infine perfezionato incorporando un modello lineare a effetti misti per valutare l'aggiustamento delle covariate biometriche (età, genere e BMI). L'approccio integrato sviluppato dimostra la fattibilità di un monitoraggio ecologico e personalizzato del comfort e dello stress termico, ponendo le basi per una futura integrazione di tali algoritmi all'interno dei sistemi intelligenti di gestione dell'ambiente costruito.