선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 HUD의 최적화 위치를 도출할 때, 뇌파와 분산분석을 이용한 새로운 방법을 제안하였다. 실험은 연구실 및 철도 시뮬레이터로 나누어 실험을 진행하였다.
- 본 연구에서는 열차에 HUD를 적용했을 때, 뇌파를 이용하여 최적의 위치를 도출하는 방법을 제시한 선행연구로 모집단으로부터 측정된 뇌파 데이터를 이용하여 분산분석과 사후검증을 통해 통계학적으로 방법을 제시하였다. 뇌파 중 알파파와 베타파를 이용하여 특정 위치에 대한 선호도가 있는지 알아보기 위해, 연구실에서는 피험자들의 정적인 상태에서 스크린에 시각자극을 총 6군데 제시하여 뇌파의 변화추이를 분석하였다.
가설 설정
- ․귀무가설 : 각 시각자극 위치는 피험자들의 알파파 및 베타파에 영향을 미치지 않을 것이다.
- ․대립가설 : 각 시각자극 위치는 피험자들의 알파파 및 베타파에 영향을 미칠 것이다.
- 이에 귀무가설을 기각하고 대립가설을 채택하였다. 분산의 동질성 검정에서 유의확률이 0.05보다 크므로 등분산을 가정하는 통계분석을 사용하였다(표 9).
- 05의 조건하에서 통계적으로 유의하게 나타났다(표 8). 이에 귀무가설을 기각하고 대립가설을 채택하였다. 분산의 동질성 검정에서 유의확률이 0.
제안 방법
- HUD를 바라볼 때 사람마다 선호하는 위치가 다르기 때문에, HUD의 최적위치를 평가할 때 시각 자극을 이용하였다. 스크린에 HUD를 적용할 수 있는 위치를 선정하고, 각 위치 별 계기판을 순차적으로 제시하였다.
- 철도 시뮬레이터 실험에 사용한 노선은 매곡-동화 구간으로 설정하였고, 철도 시뮬레이터 운행 전 안정 상태 뇌파를 측정하였다. HUD를 적용하지 않은 상태에서 주행 시 뇌파를 측정하였고, HUD 적용 시, 3군데 위치(중앙 하단, 좌측 및 우측 하단)에 순차적으로 시각 자극을 제시하고, 시뮬레이터 실험 종료 30분 후 안정 시 뇌파를 측정하였다.
- 뇌파 측정은 10-20전극 배치법(그림 4)에 따라 Fp1, Fp2, F7, F8에 전극을 부착하였고, 측정 장치는 BioPac MP150 EEG100C모듈을 이용하여 측정하였다. 각 실험마다 측정부위는 같지만, 자극제시 위치 및 시간 등 차이를 두고 실험을 진행하였다. 뇌파 분석방법으로는 Matlab을 이용하여 FFT분석을 통해 알파파의 주파수대역의 power값을 얻었고, 알파파의 비율은 동일한 시간대역에서 총 power값에 대한 각 주파수 대역에 해당하는 부분의 power값의 비율을 구하여 얻었다.
- 뇌파 측정이 제대로 안된 피험자 3명을 제외한 나머지 피험자들의 뇌파 데이터를 분석하였다. 각 위치에 따른 종속변수인 모든 피험자들의 뇌파의 영향을 알아보기 위해 Fp1, Fp2, F7, F8의 알파파와 베타파의 분산 분석을 각각 시행하였다. 분산분석 결과 모든 채널의 알파파에 유의확률이 0.
- 실험 전 각 피험자들을 대상으로 기초 설문조사를 시행하였다. 기초 설문조사에는 성별, 나이, 자주 사용하는 손, 난시 여부 등을 조사하였다. 이후 스크린의 6군데(중앙 상단 및 하단, 좌측 상단 및 하단, 우측 상단 및 하단)를 선정하여, 순차적으로 각 위치에 시각 자극을 제시하였고, 피험자로 하여금 30초 동안 응시하도록 하였다.
- 본 연구에서는 열차에 HUD를 적용했을 때, 뇌파를 이용하여 최적의 위치를 도출하는 방법을 제시한 선행연구로 모집단으로부터 측정된 뇌파 데이터를 이용하여 분산분석과 사후검증을 통해 통계학적으로 방법을 제시하였다. 뇌파 중 알파파와 베타파를 이용하여 특정 위치에 대한 선호도가 있는지 알아보기 위해, 연구실에서는 피험자들의 정적인 상태에서 스크린에 시각자극을 총 6군데 제시하여 뇌파의 변화추이를 분석하였다. 철도 시뮬레이터에서는 동적인 상태에서, 총 3군데에 HUD를 적용하여 시선의 분산이 알파파 및 베타파에 영향을 미치는지 변화추이를 관찰하였다.
- 뇌파 측정은 10-20전극 배치법(그림 4)에 따라 Fp1, Fp2, F7, F8에 전극을 부착하였고, 측정 장치는 BioPac MP150 EEG100C모듈을 이용하여 측정하였다. 각 실험마다 측정부위는 같지만, 자극제시 위치 및 시간 등 차이를 두고 실험을 진행하였다.
- 철도 시뮬레이터에서는 동적인 상태에서, 총 3군데에 HUD를 적용하여 시선의 분산이 알파파 및 베타파에 영향을 미치는지 변화추이를 관찰하였다. 또한 각 실험 별 통계적으로 유의한 뇌파변화의 경향이 있는지, 측정한 Fp1, Fp2, F7, F8 채널 간 알파파와 베타파의 상관성이 있는지 확인하였다.
- 스크린에 HUD를 적용할 수 있는 위치를 선정하고, 각 위치 별 계기판을 순차적으로 제시하였다. 순서는 연구실 실험에서는 좌측 상단, 중앙 상단, 우측 상단, 좌측 하단, 중앙 하단, 우측 하단 순으로 순차적으로 제시하였고, 철도 시뮬레이터 실험에서는 좌측 하단, 중앙 하단, 우측 하단 순으로 제시하였다(그림 5).
- HUD를 바라볼 때 사람마다 선호하는 위치가 다르기 때문에, HUD의 최적위치를 평가할 때 시각 자극을 이용하였다. 스크린에 HUD를 적용할 수 있는 위치를 선정하고, 각 위치 별 계기판을 순차적으로 제시하였다. 순서는 연구실 실험에서는 좌측 상단, 중앙 상단, 우측 상단, 좌측 하단, 중앙 하단, 우측 하단 순으로 순차적으로 제시하였고, 철도 시뮬레이터 실험에서는 좌측 하단, 중앙 하단, 우측 하단 순으로 제시하였다(그림 5).
- 실험 전 각 피험자들을 대상으로 기초 설문조사를 시행하였다. 기초 설문조사에는 성별, 나이, 자주 사용하는 손, 난시 여부 등을 조사하였다.
- 이후 스크린의 6군데(중앙 상단 및 하단, 좌측 상단 및 하단, 우측 상단 및 하단)를 선정하여, 순차적으로 각 위치에 시각 자극을 제시하였고, 피험자로 하여금 30초 동안 응시하도록 하였다. 실험 전 후 3분 동안 안정 시 뇌파를 측정하였고, 자극 제시동안 뇌파를 측정하였다. 이후 1분 동안 휴식시간을 부여한 후, 다음 자극을 제시하였다.
- 본 연구는 HUD의 최적화 위치를 도출할 때, 뇌파와 분산분석을 이용한 새로운 방법을 제안하였다. 실험은 연구실 및 철도 시뮬레이터로 나누어 실험을 진행하였다. 데이터 분석은 통계적으로 유의하게 나타난 채널의 뇌파를 이용하였다.
- 기초 설문조사에는 성별, 나이, 자주 사용하는 손, 난시 여부 등을 조사하였다. 이후 스크린의 6군데(중앙 상단 및 하단, 좌측 상단 및 하단, 우측 상단 및 하단)를 선정하여, 순차적으로 각 위치에 시각 자극을 제시하였고, 피험자로 하여금 30초 동안 응시하도록 하였다. 실험 전 후 3분 동안 안정 시 뇌파를 측정하였고, 자극 제시동안 뇌파를 측정하였다.
- 9세였다. 정확한 뇌파측정을 위해 철도 시뮬레이터에 탑승 전, HUD가 설치된 위치를 집중적으로 보도록 교육을 시켰다. 그럼에도 불구하고 시뮬레이터의 움직임으로 인해 부착한 전극이 움직이면서, 뇌파 측정이 제대로 안된 피험자 3명(남성 2명, 여성 1명)은 분석에서 제외시켰다.
- 뇌파 중 알파파와 베타파를 이용하여 특정 위치에 대한 선호도가 있는지 알아보기 위해, 연구실에서는 피험자들의 정적인 상태에서 스크린에 시각자극을 총 6군데 제시하여 뇌파의 변화추이를 분석하였다. 철도 시뮬레이터에서는 동적인 상태에서, 총 3군데에 HUD를 적용하여 시선의 분산이 알파파 및 베타파에 영향을 미치는지 변화추이를 관찰하였다. 또한 각 실험 별 통계적으로 유의한 뇌파변화의 경향이 있는지, 측정한 Fp1, Fp2, F7, F8 채널 간 알파파와 베타파의 상관성이 있는지 확인하였다.
대상 데이터
- S대학교에 재학 중인 신체적 정신적 질환을 앓은 적이 없고 건강한 성인 남성 11명, 여성 9명, 총 20명을 연구대상으로 선정하였다. 이들의 연령분포는 20-26세 사이이고 평균나이는 23.
- 뇌파 측정이 제대로 안된 피험자 3명을 제외한 나머지 피험자들의 뇌파 데이터를 분석하였다. 각 위치에 따른 종속변수인 모든 피험자들의 뇌파의 영향을 알아보기 위해 Fp1, Fp2, F7, F8의 알파파와 베타파의 분산 분석을 각각 시행하였다.
- 실험은 연구실 및 철도 시뮬레이터로 나누어 실험을 진행하였다. 데이터 분석은 통계적으로 유의하게 나타난 채널의 뇌파를 이용하였다. 연구실 실험에서는 F7 베타파를, 철도 시뮬레이터에서는 Fp1 베타파를 이용하였다.
- 데이터 분석은 통계적으로 유의하게 나타난 채널의 뇌파를 이용하였다. 연구실 실험에서는 F7 베타파를, 철도 시뮬레이터에서는 Fp1 베타파를 이용하였다. 본 연구를 토대로 부분적이지만 뇌파를 이용하여 피험자들의 선호위치 경향을 확인할 수 있었다.
- 실험에 앞서 기초 설문조사는 연구실 실험과 동일한 문항으로 구성하여 실험 전 기입하도록 하였다. 철도 시뮬레이터 실험에 사용한 노선은 매곡-동화 구간으로 설정하였고, 철도 시뮬레이터 운행 전 안정 상태 뇌파를 측정하였다. HUD를 적용하지 않은 상태에서 주행 시 뇌파를 측정하였고, HUD 적용 시, 3군데 위치(중앙 하단, 좌측 및 우측 하단)에 순차적으로 시각 자극을 제시하고, 시뮬레이터 실험 종료 30분 후 안정 시 뇌파를 측정하였다.
- 철도 시뮬레이터 실험에서는 남성 7명, 여성 3명, 총 10명을 연구대상으로 선정하였다. 이들의 연령분포는 21-27세이고, 평균나이는 23.
데이터처리
- 0을 이용하여 각 위치에 따라 피험자의 뇌파가 통계학적으로 유의한 차이가 있는지, 알파파와 베타파 간 상관성 여부 등을 분산분석을 사용하여 분석하였다. Post-Hoc Test는 Scheffe, LSD검정을 이용하였다. 귀무가설 및 대립가설은 아래와 같이 채택하였다.
- 각 위치에 따른 Fp1 베타파의 차이가 의미가 있는지 없는지 알 수 없기 때문에, Post-Hoc Test를 수행하였다(표 10). Post-Hoc Test는 등분산을 가정하는 Scheffe검정을 이용하였다. 검정 결과, 유의한 1개의 그룹이 형성되었다(표 11).
- 각 위치에 따른 Fp1 베타파의 차이가 의미가 있는지 없는지 알 수 없기 때문에, Post-Hoc Test를 수행하였다(표 10). Post-Hoc Test는 등분산을 가정하는 Scheffe검정을 이용하였다.
- F7채널의 베타파 평균은 아래의 표와 같다. 각 위치의 평균값을 보면 위치 간 차이가 있는 것처럼 보이지만, 실제 차이가 있는지 없는지 알 수 없기 때문에, Post-Hoc Test를 통해 통계적으로 유의한 차이가 있는지 확인하였다.
- 각 실험마다 측정부위는 같지만, 자극제시 위치 및 시간 등 차이를 두고 실험을 진행하였다. 뇌파 분석방법으로는 Matlab을 이용하여 FFT분석을 통해 알파파의 주파수대역의 power값을 얻었고, 알파파의 비율은 동일한 시간대역에서 총 power값에 대한 각 주파수 대역에 해당하는 부분의 power값의 비율을 구하여 얻었다.
- 뇌파 측정이 잘못된 피험자 2명의 데이터를 제외한 나머지 18명의 데이터를 SPSS18.0을 이용하여 분산 분석을 시행하였다. 먼저 각 위치에 따라 피험자들의 뇌파가 영향을 미치는지를 알아보고자 분산분석 결과, 알파파에서는 유의확률 0.
- 등분산을 가정하는 Post-Hoc Test인 Scheffe검정을 이용하였고, 그 결과 유의한 두 개의 그룹으로 형성되었다. 1번 위치와 6번 위치, 5번 및 6번 위치에서 유의확률이 각각 0.
- 비모수 검정인 Spearman검정을 이용하여 모든 채널의 알파파와 베타파의 상관분석을 수행하였다. 그결과 Fp1 알파파는 Fp2, F7, F8의 알파파와 유의확률 0.
- 통계분석은 SPSS18.0을 이용하여 각 위치에 따라 피험자의 뇌파가 통계학적으로 유의한 차이가 있는지, 알파파와 베타파 간 상관성 여부 등을 분산분석을 사용하여 분석하였다. Post-Hoc Test는 Scheffe, LSD검정을 이용하였다.
- 피험자가 30명보다 작기 때문에, 비모수 검정인 Spearman검정을 이용하여 F7베타파와 알파파의 상관관계를 분석하였다. 분석결과, 유의확률이 0.
성능/효과
- 190)이 있는 것으로 나타났다. F7베타파와 알파파의 선형 분석을 보면, 베타파가 감소할수록 알파파가 증가하는 경향이 나타났다.
- F7채널의 알파파와 베타파는 서로 음의 상관관계가 있음을 확인하였고 1번, 5번 위치가 6번 위치에 비해 베타파가 적게 나타났다. 따라서 피험자들은 1번, 5번 위치가 6번 위치에 비해 더 신경이 많이 쓰이고 불편해 하는 것으로 사료된다(그림 6).
- 006으로 신뢰구간 95%에서 통계학적으로 유의한 것으로 나타났다. 각 위치에 따라 피험자의 알파파는 영향을 미치는지 통계적으로 확인할 수 없었고, 베타파는 F7채널에서 통계적으로 유의한 것으로 나타났다(표 5)
- 결과적으로 F7채널은 연구실, 철도 시뮬레이터 실험에서 동일하게 알파파와 베타파는 약한 음의 상관관계가 있는 것으로 나타났고, 철도 시뮬레이터 실험에서는 알파파 간, 베타파 간 상관성이 있는 것으로 나타났다. 연구실 실험에서 피험자들은 6번 위치에 비해 1번, 5번 위치에 베타파가 더 적게 나타났고, 철도 시뮬레이터 실험에서는 중앙보다는 좌측에 HUD가 위치하였을 때 베타파가 낮게 나타났다.
- 비모수 검정인 Spearman검정을 이용하여 모든 채널의 알파파와 베타파의 상관분석을 수행하였다. 그결과 Fp1 알파파는 Fp2, F7, F8의 알파파와 유의확률 0.039, 0.000, 0.013으로 나타나면서 서로 상관성이 높게 나타났고, F8 베타파와 Fp1, Fp2, F7간 유의확률 0.008, 0.010, 0.000으로 통계학적으로 상관성이 있는 것으로 나타났다. 각 채널의 알파파 및 베타파간 상관성이 높게 나타났다.
- 0을 이용하여 분산 분석을 시행하였다. 먼저 각 위치에 따라 피험자들의 뇌파가 영향을 미치는지를 알아보고자 분산분석 결과, 알파파에서는 유의확률 0.05의 조건하에 통계적으로 유의한 차이가 나타나지 않았다. 반면 베타파에서는 F7채널에서 유의확률이 0.
- 연구실 실험에서는 F7 베타파를, 철도 시뮬레이터에서는 Fp1 베타파를 이용하였다. 본 연구를 토대로 부분적이지만 뇌파를 이용하여 피험자들의 선호위치 경향을 확인할 수 있었다. 하지만 뇌파가 모든 위치에 대해 통계적으로 유의하게 나타나지 않았다.
- 각 위치에 따른 종속변수인 모든 피험자들의 뇌파의 영향을 알아보기 위해 Fp1, Fp2, F7, F8의 알파파와 베타파의 분산 분석을 각각 시행하였다. 분산분석 결과 모든 채널의 알파파에 유의확률이 0.05보다 크게 나타났고 (신뢰구간 95%), 따라서 각 위치에 따라 피험자의 알파파가 영향을 미치는지는 통계적으로 확인할 수 없었다. 베타파에서는 Fp1에서 유의확률이 0.
- 피험자가 30명보다 작기 때문에, 비모수 검정인 Spearman검정을 이용하여 F7베타파와 알파파의 상관관계를 분석하였다. 분석결과, 유의확률이 0.049로 통계학적으로 유의한 음의 상관관계(r=-0.190)이 있는 것으로 나타났다. F7베타파와 알파파의 선형 분석을 보면, 베타파가 감소할수록 알파파가 증가하는 경향이 나타났다.
후속연구
- 향후 소음 및 진동에도 올바른 뇌파 측정 기술이 개발되고, 실험 프로토콜을 더욱 체계화 한다면 보다 객관적으로 열차 최적의 HUD위치를 도출할 수 있다고 판단된다. 또한 본 연구를 기반으로 차후 실험에서는 HUD장비를 시야가 방해되지 않도록 설계하고, 실험 프로토콜을 재정립하여 실험을 진행한다면 보다 나은 결과를 도출할 수 있다 판단된다. 또한 철도의 HUD적용과 관련된 연구에 있어 도움이 되고 HUD의 최적화 위치 도출 연구 분야 이외에도 다른 분야의 연구에 널리 활용 될 것이라 생각한다.
- 또한 본 연구를 기반으로 차후 실험에서는 HUD장비를 시야가 방해되지 않도록 설계하고, 실험 프로토콜을 재정립하여 실험을 진행한다면 보다 나은 결과를 도출할 수 있다 판단된다. 또한 철도의 HUD적용과 관련된 연구에 있어 도움이 되고 HUD의 최적화 위치 도출 연구 분야 이외에도 다른 분야의 연구에 널리 활용 될 것이라 생각한다.
- 하지만 뇌파가 모든 위치에 대해 통계적으로 유의하게 나타나지 않았다. 차후 실험에서는 모집단의 수를 늘리면 지금보다 더 분석된 데이터의 신뢰성을 높일 수 있을 것이라 판단된다.
- 향후 소음 및 진동에도 올바른 뇌파 측정 기술이 개발되고, 실험 프로토콜을 더욱 체계화 한다면 보다 객관적으로 열차 최적의 HUD위치를 도출할 수 있다고 판단된다. 또한 본 연구를 기반으로 차후 실험에서는 HUD장비를 시야가 방해되지 않도록 설계하고, 실험 프로토콜을 재정립하여 실험을 진행한다면 보다 나은 결과를 도출할 수 있다 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.