장시간 운전을 하는 동안 운전자는 외부상황을 계속해서 주시하고 경계하게 하므로 운전자에게는 정신적 부하로 작용하게 되며 이로 인해 발생하는 운전피로는 자동차 사고의 원인이 될 수 있다. 본 연구에서는 심박변동신호를 분석하여 운전시간의 증가에 따른 발생하는 운전피로도를 알아보았다. 심박변동신호의 분석방법에는 이전 연구들에서 널리 사용되어져 왔던 선형분석방법들과 함께 ApEn, Poincare Plot등을 이용한 비선형 분석방법들을 이용하였다. 3년 이상의 운전경력을 가진 5명의 실험자가 참가하였으며 모든 실험자는 4대의 승용차를 2번씩 운전하여 총 40회의 실험을 실시하였다. 운전구간은 고속도로 300km구간을 왕복해서 주행하도록 하였으며 약 3시간 정도가 소요되었다. 운전하는 동안 30분 간격으로 심전도 데이터를 측정하였다. 측정된 심전도 신호로부터 유도된 심박변동신호(HRV : heart rate variability)로부터 시간영역 변수, 주파수 영역변수, 비선형 특성 등을 구한다음, 안정 상태의 데이터라 비교하여 통계석 유의성을 살펴보았다. 분석결과 시간영역의 변수인 평균심박동수는 운전시간의 증가에 따라 계속적으로 감소하였으며 심박동율의 표준편차와 연속적인 RR간격의 차이는 90분 이후로는 일정 수준을 유지하였다. 주파수 영역에서 구한 L $F_{norm}$, LF/HF는 운전시간에 따라 증가함을 보였다. 비선형 특성을 알아보기 위해서 ApEn, Poincare plot을 이용하였는데 모두 시간에 따라 감소함을 나타내었다. 대부분의 변수에서 통계적 유의성은 1시간 이후부터 나타남을 볼 수 있었다.
장시간 운전을 하는 동안 운전자는 외부상황을 계속해서 주시하고 경계하게 하므로 운전자에게는 정신적 부하로 작용하게 되며 이로 인해 발생하는 운전피로는 자동차 사고의 원인이 될 수 있다. 본 연구에서는 심박변동신호를 분석하여 운전시간의 증가에 따른 발생하는 운전피로도를 알아보았다. 심박변동신호의 분석방법에는 이전 연구들에서 널리 사용되어져 왔던 선형분석방법들과 함께 ApEn, Poincare Plot등을 이용한 비선형 분석방법들을 이용하였다. 3년 이상의 운전경력을 가진 5명의 실험자가 참가하였으며 모든 실험자는 4대의 승용차를 2번씩 운전하여 총 40회의 실험을 실시하였다. 운전구간은 고속도로 300km구간을 왕복해서 주행하도록 하였으며 약 3시간 정도가 소요되었다. 운전하는 동안 30분 간격으로 심전도 데이터를 측정하였다. 측정된 심전도 신호로부터 유도된 심박변동신호(HRV : heart rate variability)로부터 시간영역 변수, 주파수 영역변수, 비선형 특성 등을 구한다음, 안정 상태의 데이터라 비교하여 통계석 유의성을 살펴보았다. 분석결과 시간영역의 변수인 평균심박동수는 운전시간의 증가에 따라 계속적으로 감소하였으며 심박동율의 표준편차와 연속적인 RR간격의 차이는 90분 이후로는 일정 수준을 유지하였다. 주파수 영역에서 구한 L $F_{norm}$, LF/HF는 운전시간에 따라 증가함을 보였다. 비선형 특성을 알아보기 위해서 ApEn, Poincare plot을 이용하였는데 모두 시간에 따라 감소함을 나타내었다. 대부분의 변수에서 통계적 유의성은 1시간 이후부터 나타남을 볼 수 있었다.
The job of long distance driving is likely to be fatiguing and requires long period alertness and attention, which make considerable demands of the driver. Driving fatigue contributes to driver related with accidents and fatalities. In this study, we investigated the relationship between the number ...
The job of long distance driving is likely to be fatiguing and requires long period alertness and attention, which make considerable demands of the driver. Driving fatigue contributes to driver related with accidents and fatalities. In this study, we investigated the relationship between the number of hours of driving and driving fatigue using heart rate variability(HRV) signal. With a more traditional measure of overall variability (standard deviation, mean, spectral values of heart rate). Nonlinear characteristics of HRV signal were analyzed using Approximate Entropy (ApEn) and Poincare plot. Five subjects drive the four passenger vehicle twice. All experiment number was 40. The test route was about 300Km continuous long highway circuit and driving time was about 3 hours. During the driving, measures of electrocardiogram(ECG) were performed at intervals of 30min. HRV signal, derived from the ECG, was analyzed using time, frequency domain parameters and nonlinear characteristic. The significance of differences on the response to driving fatigue was determined by Student's t-test. Differences were considered significant when a p value < 0.05 was observed. In the results, mean heart rate(HRmean) decreased consistently with driving time, standard deviation of RR intervals(SDRR), standard deviation of the successive difference of the RR intervals(SDSD) increased until 90min. Hereafter, they were almost unchanging until the end of the test. Normalized low frequency component $(LF_{norm})$, ratio of low to high frequency component (LF/HF) increased. We used the Approximate Entropy(ApEn), Poincare plot method to describe the nonlinear characteristics of HRV signal. Nonlinear characteristics of HRV signals decreased with driving time. Statistical significant is appeared after 60 min in all parameters.
The job of long distance driving is likely to be fatiguing and requires long period alertness and attention, which make considerable demands of the driver. Driving fatigue contributes to driver related with accidents and fatalities. In this study, we investigated the relationship between the number of hours of driving and driving fatigue using heart rate variability(HRV) signal. With a more traditional measure of overall variability (standard deviation, mean, spectral values of heart rate). Nonlinear characteristics of HRV signal were analyzed using Approximate Entropy (ApEn) and Poincare plot. Five subjects drive the four passenger vehicle twice. All experiment number was 40. The test route was about 300Km continuous long highway circuit and driving time was about 3 hours. During the driving, measures of electrocardiogram(ECG) were performed at intervals of 30min. HRV signal, derived from the ECG, was analyzed using time, frequency domain parameters and nonlinear characteristic. The significance of differences on the response to driving fatigue was determined by Student's t-test. Differences were considered significant when a p value < 0.05 was observed. In the results, mean heart rate(HRmean) decreased consistently with driving time, standard deviation of RR intervals(SDRR), standard deviation of the successive difference of the RR intervals(SDSD) increased until 90min. Hereafter, they were almost unchanging until the end of the test. Normalized low frequency component $(LF_{norm})$, ratio of low to high frequency component (LF/HF) increased. We used the Approximate Entropy(ApEn), Poincare plot method to describe the nonlinear characteristics of HRV signal. Nonlinear characteristics of HRV signals decreased with driving time. Statistical significant is appeared after 60 min in all parameters.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 HRV 신호분석을 통하여 장시간 운전을 하는 경우에 운전자의 상태를 분석하였다. 운전자의 심전도 신호는 실제 고속도로를 왕복 주행하는 실험을 통해서 획득하였으며 이를 HRV신호로 재구성 다음 시간 영역 변수, 주파수 영역 변수, 비선형 특성 등을 추출하여 안정시의 데이터와 비교 하였다.
본 연구에서는 운전자세가 신체에 미치는 영향을 알아보기 위해서 운전자세를 두 가지로 정의하여 동일한 차량에 대하여 두 번씩 운전을 하도록 하였다. 운전자세 중 하나는 운전자가 취할 수 있는 가장 편안한 자세로 시트를 조작하였고(개방형 운전자세) 다른 하나는 등받이 각도를 일정 각도(100~110°)로 고정함으로 인위적인 불편함을 느끼도록 하였다(폐쇄형 운전자세).
심박변동 신호에 적용되는 여러가지 비선형 분석방법 중에서 본 연구에서 이용한 ApEne 신호의 복잡성(complexity)을 비교적 간단한 식을 통해 정량적으로 계산할 수 있는 장점이 있으며 Poincare Plote 신호의 장, 단기간의 변이성(variability)을 직관적으로 이해할 수 있다는 장점을 가지고 있다. 이에 본 연구에서는 ApEn, Poincare Plot을 기존의 선형분석 .방법들과 함께 이용하여 운전피로도를 분석하였다.
제안 방법
RR 간격 데이터(RRQ에서 SDRR, SDSD, 평균 심박동율 (HRmsn)을 구하였다. HRnsn 은 평균 분당 심박동수를 나타내며 SDRRe RR 간격의 표준편차로 식(1)과 같이 #한다.
이에 본 연구에서는 ApEn, Poincare Plot을 기존의 선형분석 .방법들과 함께 이용하여 운전피로도를 분석하였다.
유럽 전기생리학회에서는 HRV 분석에 대한 방법 닛 변수들에 대해 정의하였다[7]. 본 연구에서는 :t 중에서 HRwm (mean heart rate), SDRR(standard deviation of RR intervals), SDSD( standard deviation of the successive difference of the RR intervals), LF/HF, LF&m을 사용하였고 비선형 분석 방법 중에서는 ApEn과 Poincare Plot을 이용해 비선형적 특징에 대한 분석을 하였다.
본 연구에서는 운전자세가 신체에 미치는 영향을 알아보기 위해서 운전자세를 두 가지로 정의하여 동일한 차량에 대하여 두 번씩 운전을 하도록 하였다. 운전자세 중 하나는 운전자가 취할 수 있는 가장 편안한 자세로 시트를 조작하였고(개방형 운전자세) 다른 하나는 등받이 각도를 일정 각도(100~110°)로 고정함으로 인위적인 불편함을 느끼도록 하였다(폐쇄형 운전자세).
본 연구에서는 HRV 신호분석을 통하여 장시간 운전을 하는 경우에 운전자의 상태를 분석하였다. 운전자의 심전도 신호는 실제 고속도로를 왕복 주행하는 실험을 통해서 획득하였으며 이를 HRV신호로 재구성 다음 시간 영역 변수, 주파수 영역 변수, 비선형 특성 등을 추출하여 안정시의 데이터와 비교 하였다.
실험순서는 그림 1과 같다. 출발 전 기준신호(baseline data) 를 측정하였고 매 30분 간격으로 주행하면서 5분씩 생체신호를 측정하였다. 실험은 호남고속도로 왕복 270km구간을 시속 90~100km/h를 유지하면서 주행하였고 약 3시간 정도가 소요되었다.
수면시간 부족으로 인한 피로도 증가를 막기 위해 전날 수면시간은 7시간 이상 취하도록 하였으며 실험 3시간 전에는 흡연, 카페인 음료와 같은 각성을 유발하는 음식의 섭취를 금하도록 하였다. 피실험자들이 운전할 차종은 각 배기량별로 네 차종(경차, 소형, 중형, 대형)을 선정하였고 피험자들은 각 차량에 대해서 두 번씩 모두 8회 운전을 하도록 하여 모두 40회의 실험을 실시하였다.
대상 데이터
주관적 평가는 Stanford Sleepiness Scale(SSS)을 이용하여 실험자가 직접 1~7까지의 값을 기입하게 하였으며 출발, 중간 회차 지점, 도착 직후 모두 3회에 걸쳐 시행하였다. 데이터는 모두 36회분을 분석하였으며 시간대별로는 오전 실험이 14회, 오후에 실시한 것이 22회였다. 오전 실험은 9시 30분, 오후 실험은 2시에 시작하였다.
출발 전 기준신호(baseline data) 를 측정하였고 매 30분 간격으로 주행하면서 5분씩 생체신호를 측정하였다. 실험은 호남고속도로 왕복 270km구간을 시속 90~100km/h를 유지하면서 주행하였고 약 3시간 정도가 소요되었다. 실험하는 동안 실험 구간에 특별한 상황은 없었으며, 차량 통행량이 적어서 정속 주행에 별다른 영향을 미치지 않았다.
피실험자는 3년 이상의 운전 경력을 가진 20~30대(평균 29세)의 남성 5명을 선정하였다. 수면시간 부족으로 인한 피로도 증가를 막기 위해 전날 수면시간은 7시간 이상 취하도록 하였으며 실험 3시간 전에는 흡연, 카페인 음료와 같은 각성을 유발하는 음식의 섭취를 금하도록 하였다.
데이터처리
그림 8. SSS를 이용한 졸림도 평가.
데이터 분석은 MatLab을 이용하였으며 통계 분석은 SPSS 10.0을 이용하였다. 통계적 유의성은 SPSS의 쌍체표본 t-검정 을 이용하였고 유의 수준은 0.
0을 이용하였다. 통계적 유의성은 SPSS의 쌍체표본 t-검정 을 이용하였고 유의 수준은 0.01, 0.05로 구분하여 나타내었다. 출발전의 데이터를 기준으로 각 시간대별 데이터와 비교하여 운전시간에 따른 운전자의 상태변화에 대한 통게적 유의성은 구하였4.
이론/모형
측정된 심전도 신호느 :그림 2의 과정을 통해 HRV 신호를 재구성 하였다. Pan, Tomkins가 제안흐}' 방법을 이용해서 RR 간격으로 신호른 재구성한 후에 cubic interpolation을 적용하여 5Hz down sampling 을 하였다[6].
이중 신호의 Entropy는 데이터의 복잡성을 나타내는 시수로 사용되는데 기존의 Kolmogorov Entropy 방법은 데이터으] 양이 많아야 하고 잡음에 민감하다는 드이 있어서 생체신호에 적용하는 데에 어려움이 있었다. Pincus는 Kolmogorov-Entropy를 -기초로 신호의 복잡성을 정량화하는 ApEn방법을 제시했다. 이 방법은 임상데이터와 같이 측정 시간이 짧고 노이즈가 많은 데이터에 적용하기 용이하다는 장점을 지니고 있어서 심혈관계 분석 중 특히 HRV 분석에 널리 이용되고 있다.
Poincare plote 비선형 분석방법 중의 하나로 신호의 변이성을 나타낸다. 본 연구에서는 Brennan이 제시한 방법을 이용하여 HRV신호를 분석하였다. 그림4는 HRV 신호를 이용하여 구성한 Poincare plot으로 RRm은 x축의 값으로 RRuvb 은 y축 값으로 나타나게 된다.
의 MP100을 이용하였고 장비 및 측정자는 차량의 뒤 좌석에 배치하였으며 샘플링율은 가로하였다. 주관적 평가는 Stanford Sleepiness Scale(SSS)을 이용하여 실험자가 직접 1~7까지의 값을 기입하게 하였으며 출발, 중간 회차 지점, 도착 직후 모두 3회에 걸쳐 시행하였다. 데이터는 모두 36회분을 분석하였으며 시간대별로는 오전 실험이 14회, 오후에 실시한 것이 22회였다.
주파수 영역에서 파워스퍼#럼은 차수 20인 AR-models] Burg 안고리즘을 이용하여 구하였다. HRV에서 LF# 0.
성능/효과
(d), (f)는 운전시간대별 변화이다. HRnwn 의 변화는 운전시간에 따라 계속해서 감소하는 경향을 보였으며 SDRR, SDSD는 90분까지는 증가하다가 그 이후로는 일정한 수준을 유지하는 경향을 보였다. 운전자세에 의한 변화는 없었으며 운전시간에 따른 차이를 살펴보면 오전보다는 오후 시간대에 실시한 실험한 값이 더 작았다.
운전시간의 증대로 인한 피로도가 심박율의 감소로 이어진다고 해석할 수 있다. SDRR, SDSDe 심박동수의 변화도와 관련이 있는 변수로 실험결과에서 나타나듯이 90분까지는 증가하였으나 그 이후로는 더 이상 증가하지 않았다. 본 연구에서의 실험시간이 3시간 이상을 실시하지 않았기 때문에 더 이상의 결과를 볼 수는 없었으나 운전피로도가 심박율의 변이도를 증가시키지만 어느 수준에 이르면 변이도의 증가는 더 이상 진행되지 않는다고 할 수 있다.
주파수 영역에서의 LFnsm, LF/HF 변화는 시간에 따라 선형적으로 증가하는 경향을 보이고 있다. 그러나 주파수 영역 변수들의 값들은 계속적으로 증가하지는 않았고 설문조사 및 회차를 위해 잠시 정차했던 90분 지점과 실험이 종료된 시점에서 처음 안정시의 값으로 회복됨을 볼 수 있었다. 따라서 심박변동신호의 주파수영역에서의 변화는 외부환경의 변화에 즉각적인 응답을 보임을 알 수 있었다.
그러나 주파수 영역 변수들의 값들은 계속적으로 증가하지는 않았고 설문조사 및 회차를 위해 잠시 정차했던 90분 지점과 실험이 종료된 시점에서 처음 안정시의 값으로 회복됨을 볼 수 있었다. 따라서 심박변동신호의 주파수영역에서의 변화는 외부환경의 변화에 즉각적인 응답을 보임을 알 수 있었다.
신호의 변이성을 나타내는 SD1, SD2는 90분 정도까지 증가하다가 일정 수준을 유지하였다. 본 연구결과에서 신호의 복잡성 정도를 나타내는 ApEn의 경우 시간이 경과함에 따라 감소하는 경향을 보였으며 통계적 유의성은 60분 이후부터 나타났으며 SD1, SD2는 90분 이후부터 유의성을 보였다.
Niels와 Ross등의 기존 연구들에서 주행시간의 증가는 LF대역의 증가로 나타났다. 본 연구에서도 이와 유사하게 운전시간의 증가함에 따라 LF대역이 증가하는 결과를 볼 수 있었다. 그림 6의 (a), (c)는 자세별 변화이고 (b), (d)는 시간대별 변화이다.
SDRR, SDSDe 심박동수의 변화도와 관련이 있는 변수로 실험결과에서 나타나듯이 90분까지는 증가하였으나 그 이후로는 더 이상 증가하지 않았다. 본 연구에서의 실험시간이 3시간 이상을 실시하지 않았기 때문에 더 이상의 결과를 볼 수는 없었으나 운전피로도가 심박율의 변이도를 증가시키지만 어느 수준에 이르면 변이도의 증가는 더 이상 진행되지 않는다고 할 수 있다.
본 연구의 결과를 종합해보면 HRmean, ApEn 은 운전자의 상태를 장기간 관찰하는 데에 유용한 매개변수로 이용할 수 있으며 LEmm, LF/HF는 외부환경의 즉각적인 반응을 나타내는 힘으로 이용할 수 있다. SDSD, SDRR, SD1, SD2는 어느 수준으로 수렴한 뒤에는 더 이상의 증가를 하지 않으므로 운 전피로의 시작을 알리는 변수로 사용 가능할 것이다.
HRV신호로부터 얻어진 비선형 파라미터들의 값은 심혈관계의 복잡성을 나타내는 지수로 이용되어지고 있으며 나이가 젊고 심혈관계에 질병이 없는 경우 그렇지 않은 사람들에 비해서 높은 복잡성 값을 갖는다. 본 연구의 결과에서도 심혈관계의 비선형 특성을 나타내는 변수들이 유의성을 가지고 변화하였으며 이는 비선형 특성 또한 운전피로도를 나타내는 지수로 사용될 수 있음을 의미한다.
90분경에서 약간 감소하는 경향을 보이고 다시 증가하는 추세를 보이는데 이는 중간 회차 지점에서 설문평가를 위해 잠시 정차하는 기간이 있었기 때문에 취했던 짧은 시간의 휴식에 의한 결과가 나타났다고 보아진다. 실험을 모두 마친 도착 지점에서의 값과 출발 전의 값을 비교해볼 때 거의 동일한 수준으로 회복되었다. 표 1에서 주파수 영역변수들의 통계적 유의성은 30분 이후부터 나타나기 시작했는데 LFng보다는 LF/HF 값의 변화에서 유의성이 더 빠르게 나타났다.
그러나 심혈관계의 상태는 비선형 특성을 지니고 있다는 연구결과들이 나오고 있으며 최근의 심박변동신호 분석 에 대한 연구들은 기존의 선형분석 방법과 비선형 분석 방법을 함께 사용하고 있다. 심박변동 신호에 적용되는 여러가지 비선형 분석방법 중에서 본 연구에서 이용한 ApEne 신호의 복잡성(complexity)을 비교적 간단한 식을 통해 정량적으로 계산할 수 있는 장점이 있으며 Poincare Plote 신호의 장, 단기간의 변이성(variability)을 직관적으로 이해할 수 있다는 장점을 가지고 있다. 이에 본 연구에서는 ApEn, Poincare Plot을 기존의 선형분석 .
표 1에 나타나는 시간영역 변수의 변화에서 운전시간에 따른 유의성을 살펴보면 주행 후 약 1시간 이후부터 유의한 수준으로 변화함을 보였다. 운전자세를 다르게 했을 때보다는 실험시간대에 의한 차이가 약간 더 많았으나 유의성이 나타나지는 않았다.
후속연구
본 연구의 결과를 종합해보면 HRmean, ApEn 은 운전자의 상태를 장기간 관찰하는 데에 유용한 매개변수로 이용할 수 있으며 LEmm, LF/HF는 외부환경의 즉각적인 반응을 나타내는 힘으로 이용할 수 있다. SDSD, SDRR, SD1, SD2는 어느 수준으로 수렴한 뒤에는 더 이상의 증가를 하지 않으므로 운 전피로의 시작을 알리는 변수로 사용 가능할 것이다. 각 매개 변수들의 유의성은 대부분 6#90분을 전후로 나타났으므로 운전시간 증가에 의한 변화는 약 1시간 정도로 추정할 수 있었으며 이 시간을 기준으로 운전자에게는 일정한 휴식기간이 필요하리라고 생각된다.
이는 인체의 활동성이 오전보다는 오후에 낮아지기 때문이라고 해석되어지며 오후 운전시에 운전자에게는 더 많은 주의와 휴식이 필요하다고 할 수 있다. 본 연구결과를 이용하여 운전자에게 적절한 조치를 취하도록 한다면 피로 누적으로 인한 차량사고의 예방에 도움을 줄 수 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.