From Biometrics to Environmental Control: AI-Enhanced Digital Twins for Personalized Health Interventions in Healing Landscapes

📄 arXiv: 2505.06263v1 📥 PDF

作者: Yiping Meng, Yiming Sun

分类: eess.SP, cs.LG

发布日期: 2025-05-04

💡 一句话要点

提出AI增强的数字孪生框架，用于个性化健康干预和疗愈环境控制。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 数字孪生 生物特征识别 心电图 环境控制 可解释AI

📋 核心要点

  1. 现有健康和舒适系统难以实时响应个体生理需求，缺乏自适应性。
  2. 提出AI增强的数字孪生框架，融合生物特征和环境参数，构建响应式虚拟环境。
  3. 通过案例研究验证框架，利用可解释AI预测压力水平，并映射到环境干预措施。

📝 摘要（中文）

本文提出了一种AI增强的数字孪生框架，该框架集成了生物特征信号（特别是心电图ECG数据）与环境参数（如温度、湿度和通风）。该系统利用物联网传感器和生物特征监测设备，持续获取、同步和预处理多模态数据流，以构建物理环境的响应式虚拟副本。通过使用MIT-BIH噪声压力测试数据集进行详细的案例研究来验证该框架。ECG信号经过滤波，并使用动态滑动窗口进行分割，然后提取心率变异性（HRV）特征，如SDNN、BPM、QTc和LF/HF比率。计算相对于干净基线的相对偏差指标，以量化压力反应。训练随机森林分类器来预测五个类别的压力水平，并使用Shapley Additive exPlanations（SHAP）来解释模型行为并识别关键贡献特征。这些预测被映射到结构化的环境干预集合，使用五级压力干预映射，从而激活个人、房间、建筑物和景观层面的多尺度响应。这种生理洞察力、可解释AI和自适应控制的集成，为健康响应型建筑环境建立了一个新的范例，并为未来智能个性化疗愈空间的发展奠定了基础。

🔬 方法详解

问题定义：现有建筑环境控制系统通常基于通用标准，无法根据个体的生理状态进行个性化调节，尤其是在疗愈环境中，对压力等生理指标的实时响应不足。缺乏有效的手段将个体的生理数据与环境控制策略关联起来，从而影响疗愈效果。

核心思路：核心在于构建一个AI增强的数字孪生模型，该模型能够实时接收和处理个体的生物特征数据（如ECG），并将其与环境参数相结合，通过AI模型预测个体的压力水平，然后根据预定义的干预策略，自适应地调整环境参数，从而实现个性化的疗愈环境控制。

技术框架：该框架包含以下主要模块：1) 数据采集模块：通过IoT传感器和生物特征监测设备收集ECG数据和环境参数；2) 数据预处理模块：对收集到的数据进行同步、滤波和分割等处理；3) 特征提取模块：从ECG信号中提取HRV特征，如SDNN、BPM、QTc和LF/HF比率；4) 压力预测模块：使用随机森林分类器预测压力水平；5) 可解释性分析模块：使用SHAP解释模型行为，识别关键特征；6) 环境干预模块：根据预测的压力水平，通过五级压力干预映射，激活多尺度环境响应。

关键创新：该研究的关键创新在于将生物特征数据、环境参数和AI模型相结合，构建了一个能够实时响应个体生理状态的数字孪生模型。此外，利用可解释AI技术（SHAP）来理解模型的决策过程，增强了系统的透明度和可信度。通过五级压力干预映射，实现了多尺度的环境控制，从而提供了更全面的疗愈环境。

关键设计：ECG信号的分割采用动态滑动窗口，以适应不同个体的生理节律。随机森林分类器的参数需要根据具体数据集进行调整，以获得最佳的预测性能。五级压力干预映射的设计需要根据具体的应用场景和疗愈目标进行定制，以确保干预措施的有效性和安全性。

📊 实验亮点

该研究使用MIT-BIH噪声压力测试数据集验证了所提出的框架。通过随机森林分类器预测压力水平，并使用SHAP进行可解释性分析。实验结果表明，该框架能够有效地识别个体的压力状态，并根据预定义的干预策略，自适应地调整环境参数。虽然论文中没有给出具体的性能数据，但SHAP值的应用表明模型具有一定的可解释性，为后续的优化提供了方向。

🎯 应用场景

该研究成果可应用于医院、疗养院、康复中心等疗愈环境，实现个性化的环境控制，提升患者的舒适度和疗愈效果。此外，还可应用于智能家居、办公场所等，根据用户的生理状态自动调节环境参数，提高生活质量和工作效率。未来，结合虚拟现实/增强现实技术，可以构建沉浸式的疗愈体验。

📄 摘要（原文）

The dynamic nature of human health and comfort calls for adaptive systems that respond to individual physiological needs in real time. This paper presents an AI-enhanced digital twin framework that integrates biometric signals, specifically electrocardiogram (ECG) data, with environmental parameters such as temperature, humidity, and ventilation. Leveraging IoT-enabled sensors and biometric monitoring devices, the system continuously acquires, synchronises, and preprocesses multimodal data streams to construct a responsive virtual replica of the physical environment. To validate this framework, a detailed case study is conducted using the MIT-BIH noise stress test dataset. ECG signals are filtered and segmented using dynamic sliding windows, followed by extracting heart rate variability (HRV) features such as SDNN, BPM, QTc, and LF/HF ratio. Relative deviation metrics are computed against clean baselines to quantify stress responses. A random forest classifier is trained to predict stress levels across five categories, and Shapley Additive exPlanations (SHAP) is used to interpret model behaviour and identify key contributing features. These predictions are mapped to a structured set of environmental interventions using a Five Level Stress Intervention Mapping, which activates multi-scale responses across personal, room, building, and landscape levels. This integration of physiological insight, explainable AI, and adaptive control establishes a new paradigm for health-responsive built environments. It lays the foundation for the future development of intelligent, personalised healing spaces.