直觉模糊认知映射在通风室内空间疾病传播风险评估中的创新应用

《IEEE Access》：Intuitionistic Fuzzy Cognitive Map for Disease Transmission Risk Assessment in Ventilated Indoor Spaces

本研究针对邮轮等通风室内环境中空气传播疾病的风险评估难题，提出了一种基于直觉模糊认知映射(IRA-FCM)的新型风险评估框架。该框架通过混合学习方法自动构建直觉模糊认知映射结构，整合多源传感器数据，并利用犹豫度建模不确定性，实现了对SARS-CoV-2等疾病传播风险的准确评估，平均准确率达88.6%。该研究为智能船舶设计提供了重要的决策支持工具，可扩展应用于酒店、医院等类似环境。

　　

在当今全球旅游业快速发展的背景下，邮轮旅游作为一种独特的休闲方式正受到越来越多旅客的青睐。然而，邮轮上高密度的人群、封闭的环境以及共享的通风系统，为空气传播疾病如SARS-CoV-2的快速扩散创造了理想条件。疫情期间，多艘邮轮上报告的感染病例和疫情暴发，凸显了这一问题的重要性。SARS-CoV-2病毒主要通过空气传播，当感染者咳嗽、打喷嚏或说话时，病毒颗粒被排入空气中，在通风不良的区域可能长时间悬浮，增加了附近个体的暴露风险。

传统的风险评估方法主要依赖流行病学建模、知识驱动方法和概率方法，这些方法往往缺乏对实时条件的适应性，且难以应对新兴病原体。虽然世界卫生组织等机构已开发基于专家驱动的风险评估框架，但这些方法在自动化程度和不确定性处理方面存在局限。特别是在邮轮这种独特的环境中，工作、生活和休闲空间相互交织，乘务员长期居住在半封闭空间，暴露于来自各种来源的污染物，使得疾病传播的风险评估变得更加复杂。

针对这些挑战，希腊色萨利大学的研究团队在《IEEE Access》上发表了一项创新研究，提出了名为直觉风险评估模糊认知映射(IRA-FCM)的新型框架。该研究旨在开发一种能够自动评估通风室内空间疾病传播风险的系统，为邮轮等行业提供有效的决策支持工具。

研究人员采用了几项关键技术方法：首先利用经过验证的基于代理的模型(ABM)模拟不同邮轮环境中的SARS-CoV-2传播场景，生成包含多种风险因素的数据集；通过无监督聚类揭示数据中的隐藏模式，并结合监督学习自动构建直觉模糊认知映射(iFCM-II)结构；整合来自热成像相机、音频传感器、RFID标签和船舶信息系统(SIS)的多源数据；使用直觉模糊集(IFS)同时建模隶属度、非隶属度和犹豫度，以更准确地表征不确定性。

研究结果部分，通过多个实验验证了IRA-FCM框架的有效性。在数据集构建方面，研究人员模拟了八种不同类型的邮轮室内环境，包括餐厅、酒吧、休息区、公共卫生间和私人客舱，共进行了3000次模拟实验。每个场景都考虑了多种风险因素，如最大体温(BT)、HVAC气流(HV)、暴露时间(ET)、总 occupant 数(TNO)、 occupant 距离(OD)、戴口罩乘客比例(M)、 vaccinated 乘客比例(V)和咳嗽频率(CF)等。

模型性能评估显示，IRA-FCM在各项指标上均优于传统FCM方法。在使用第一组风险因素(HV、TNO、OD、CF)的实验中，IRA-FCM的平均准确率达到92%，而传统RA-FCM为88%。在第二组风险因素(HV、CF、M、V)的实验中，IRA-FCM的平均准确率为91%，传统方法为87%。即使在使用全部风险因素的第三组实验中，IRA-FCM仍保持83%的准确率，显著高于传统方法的80%。与逻辑回归(LR)的对比实验进一步证实了IRA-FCM的优越性，在所有室内环境中的准确率均高于逻辑回归方法。

犹豫度分析为风险评估提供了重要的不确定性度量。如图13所示，IRA-FCM能够通过犹豫度值直观展示风险评估中的不确定性水平，这在传统方法中是无法实现的。当模型对中等风险和高风险的犹豫度值相近时，表明这两个风险类别存在重叠，这为决策者提供了更全面的信息。

在可解释性分析方面，研究通过具体案例展示了IRA-FCM的决策过程。以邮轮餐厅环境为例，当乘客数为35人，其中20人戴口罩、8人已接种疫苗，暴露时间为79分钟，平均接触距离为0.37米，每分钟咳嗽次数为85次时，IRA-FCM能够清晰展示各风险等级的隶属度变化过程，最终将环境风险评估为中等风险，同时提供相应的犹豫度信息。

研究的讨论部分强调了IRA-FCM框架的几个重要优势：首先，该框架能够根据不同上下文和收集的数据灵活适应各种风险评估场景；其次，它通过推理过程提供可解释的推断，并给出决策的犹豫度信息；最后，它易于与多源信息集成应用相结合，符合智能船舶设计的理念。这些特点使IRA-FCM不仅适用于邮轮环境，还可扩展至公寓楼、酒店和医院等其他通风室内空间。

尽管该研究取得了显著成果，但作者也指出了若干局限性。最主要的限制是实际应用依赖于真实训练数据，而在真实疫情爆发期间收集这些数据具有挑战性。目前依赖模拟数据可能无法完全捕捉真实世界的复杂性和变异性。留一环境出(LOEO)实验结果表明，在应用于未见过的环境时，模型性能可能有所波动，这需要在未来的长期研究中进一步解决。

该研究的结论部分指出，IRA-FCM框架为通风室内空间的疾病传播风险评估提供了一种创新的数据驱动方法。通过自动构建直觉模糊认知映射，整合多源传感器数据，并利用犹豫度建模不确定性，该框架在保持高准确性的同时，提供了良好的可解释性。随着进一步的研究和真实世界数据的积累，IRA-FCM有望成为智能建筑和船舶系统中疾病传播风险监测的重要工具，为未来公共卫生安全管理提供有力支持。

未来研究方向包括探索IRA-FCM在其他风险评估场景中的应用，如健康安全、气候风险、信贷市场风险和网络安全等领域。同时，改进IRA-FCM的推理过程和研究非隶属度或犹豫度的替代建模方法，也是值得关注的研究方向。这些发展将进一步提升该框架在实际应用中的价值和效果。