스마트 건물의 감정 인식 기반 온열 쾌적성 제공

본 연구는 기존 건물의 열쾌적성 제공 방식이 에너지 집약적이며 개인 차이를 무시한다는 점을 비판하고, 목에 착용하는 냉각기(Neck‑cooler)를 활용한 새로운 접근법을 제시한다. 실험은 11명의 피험자를 대상으로 세 가지 조건(32 °C에서 목냉각기 착용, 32 °C에서 비착용, 29 °C에서 비착용)에서 진행되었으며, IBI(심박 간격)와 피부·목 온도, 땀 배출량을 동시에 측정하였다. 결과는 목냉각기가 피부와 목 온도를 유의하게 낮추고, 주관적 열쾌적성 점수를 상승시켰지만, 열감각(thermal sensation)에는 큰 차이를 보이지 않았다. HRV 분석에서는 pNN50, VLF 등 특정 지표가 냉각기 착용 시 낮은 온도 환경과 유사한 변화를 보였으며, 이는 심박 변동성이 열환경 변화를 반영한다는 기존 연구와 일치한다. 데이터를 기반으로 회귀·분류 머신러닝 모델을 구축했으며, AdaBoost, Bagging, ExtraTrees, RandomForest, XGBoost 등 다섯 가지 알고리즘을 비교하였다. 개인별 모델은 99%에 달하는 높은 정확도를 기록했지만, 새로운 피험자에 대한 일반 모델은 55% 수준에 그쳤다. 이는 열쾌적성이 개인 고유의 심리·생리적 특성에 크게 의존한다는 것을 의미한다. 이를 해결하기 위해 제안된 하이브리드 모델은 대규모 일반 데이터(수십만 샘플)와 소수의 개인 보정 샘플을 결합한다. 보정 샘플을 3~400개 정도 추가하면 정확도가 47.77%에서 96.11%로 급격히 상승한다. 알고리즘은 보정 데이터와 일반 데이터를 섞어 섞은 뒤, 동일한 머신러닝 모델을 재학습하는 간단한 절차로 구현된다. 실험에서는 ExtraTrees가 가장 우수한 성능을 보였으며, 보정 샘플 수가 늘어날수록 모델의 일반화 능력이 크게 향상되었다. 시스템 구현 방안으로는 PPG 센서를 이용해 실시간 HRV를 추출하고, 위의 하이브리드 모델을 적용해 개인 맞춤형 열쾌적성을 예측한다. 예측 결과에 따라 목냉각기의 온도 조절을 자동화함으로써, 전체 공간을 냉난방하는 기존 방식 대비 에너지 소비를 크게 절감할 수 있다. 그러나 목냉각기의 물리적 제약, 착용자 불편감, 다중 사용자가 동시에 존재하는 환경에서 보정 샘플을 효율적으로 수집·관리하는 비용 문제 등이 남아 있다. 향후 연구에서는 장시간 착용에 대한 사용자 수용성 평가와, 보정 샘플 최소화 전략, 그리고 다중 사용자 상황에서의 실시간 모델 업데이트 기법을 탐구할 필요가 있다.