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
- 호흡은 들숨과 날숨을 통해 자율신경계 활성도를 측정하는데 들숨은 교감 신경 활성도를 나타내며 날숨은 부교감 신경 활성도를 나타낸다(Saul, 1990; Yasuma & Hayano, 2004). 따라서 본 연구는 자율신경계와 밀접한 관련이 있는 감성을 심장과 호흡의 연결성을 통해 인식하고자 한다.
- 또한 자율신경계의 내현적 반응 패턴을 통해 감성을 인식하지만 기능적 상보작용을 통해 생리적 반응을 조절하는 자율신경계의 연결성은 고려되지 않았다는 한계가 있다. 따라서 본연구에서는 심장과 호흡의 연결성을 통해 차원 감성을 객관적이고 정량적으로 파악하고자 하는데 목적이 있다.
- 본 연구는 사용자의 감성을 인식하는데 있어, 인체의 생리적 반응의 연결성을 고려하여 인식하고자 하 였다. 그 결과 arousal과 relaxation은 심장과 호흡의 HF 대역에서 동기화가 유의미한 결과를 확인하였고, negative와 positive는 심장과 호흡의 LF 대역에서 동기화가 유의미한 결과를 확인하였다.
- 하지만 대부분의 연구가 감성 변화에 따른 생리 반응의 패턴을 확인하거나 분류기를 통한 감성 인식 정확도 향상을 목적으로 연구되어지고 있다. 본 연구에서는 인체의 생리적 반응의 연결성을 고려하여 심장과 호흡의 연결성을 통해 차원적 감성을 객관적이고 정량적으로 인식하고자 하였고, 통계적으로 유의미한 결과를 확인하였다. 따라서 앞으로 복합적인 원인으로 발현되는 감성을 인식하는데 생리적 반응들의 연결성 변수의 활용도가 높을 것으로 기대된다.
제안 방법
- Ti와 Te은 각각 FFT 분석을 통해 IRV (inspiration rate variability) spectrum과 ERV (expiration rate variability) spectrum을추출하였고, spectrum 대역은 HRV spectrum 대역과 동일하게 적용하였다. IRV spectrum의 VLF와 LF 대역과 ERV spectrum의 HF 대역을 연결하여 BRV (breathing rate variability) spectrum을 생성하였다. BRV spectrum 생성 과정과 심전도와 호흡의 신호 처리 과정은 Fig.
- 심전도는 peak detection algorithm을 통해 R-peak 을 검출하였고, R-peak들 간의 차이를 통해 RRI 심장과 호흡의 연결성을 이용한 감성인식 방법 65 (R-peak to R-peak interval)를 계산하였다. RRI는 FFT (fast fourier transform) 분석을 통해 HRV (heart rate variability) spectrum을 추출하였고, spectrum 대역은 VLF (very low frequency, 0.0033?0.04 Hz), LF (low frequency, 0.04?0.15 Hz), HF (high frequency, 0.15 ?0.4 Hz)로 구분되며, TF (total frequency, 0.0033? 0.4 Hz)로 나눠 각각의 비율을 구하였다.
- 검출된 negative peak과 이웃한 positive peak 사이를 들숨 간격(Ti , inspiratory time)으로 positive peak과 이웃한 negative peak 사이를 날숨 간격(Te, expiratory time)으로 저장하였다. Ti와 Te은 각각 FFT 분석을 통해 IRV (inspiration rate variability) spectrum과 ERV (expiration rate variability) spectrum을추출하였고, spectrum 대역은 HRV spectrum 대역과 동일하게 적용하였다. IRV spectrum의 VLF와 LF 대역과 ERV spectrum의 HF 대역을 연결하여 BRV (breathing rate variability) spectrum을 생성하였다.
- 태스크는 제시되는 소리 자극을 집중하여 듣는 것으로. arousal, relaxation, negative, positive의 각 소리 자극은 6분씩 진행하였다. 초기 3분은 피험자별 생체신호 래퍼런스 측정을 위한 구간으로 설정하였고, 이후 3분은 피험 자에게 소리 자극에 집중하도록 요청하여 목표 감성 이 유발될 수 있도록 하였다.
- ① 영화, 드라마, 광고 등과 같은 매체를 통해 음성이 포함되지 않은 약 900 여개의 소리를 수집하였다. ② 소리 자극은 FGD (Focus Group Discussion)를 통해 목표 감성인 arousal, relaxation, negative, positive 에 가장 적합한 10개를 선정해 그룹화 하였다. ③ 150명(남 75명, 평균나이 27.
- ⑤ 150명(남 75명, 평균나이 27.36 ± 1.66세)의 피험자를 대상으로 리쿼트 7점 척도로 구성된 상관관계 설문을 진행하였다.
- 66세)의 피험자를 대상으로 리쿼트 7점 척도로 구성된 상관관계 설문을 진행하였다. ⑥ 요인분 석을 통해 군집화와 체계화를 하였고, ⑦ arousal, relaxation, negative, positive의 대표 소리 자극을 선정하였다.
- 호흡은 peak detection algorithm을 통해 positive peak 과 negative peak을 검출하였다. 검출된 negative peak과 이웃한 positive peak 사이를 들숨 간격(Ti , inspiratory time)으로 positive peak과 이웃한 negative peak 사이를 날숨 간격(Te, expiratory time)으로 저장하였다. Ti와 Te은 각각 FFT 분석을 통해 IRV (inspiration rate variability) spectrum과 ERV (expiration rate variability) spectrum을추출하였고, spectrum 대역은 HRV spectrum 대역과 동일하게 적용하였다.
- 결과 본 연구는 arousal, relaxation, negative, positive 4가지 감성에 따른 HRV spectrum과 BRV spectrum의 LF 대역과 HF 대역의 동기화 결과를 통해 분석을 진행하였다. 동기화는 두 스펙트럼 신호간의 상관관계가 아닌 스펙트럼 대역 파워량 차이의 절댓값을 통해 계산하였다.
- 자발적 의지로 실험에 참여한다는 피험자 동의서를 받았다. 또한, 실험 참여 도를 높이기 위해 소정의 보상을 지급하였다.
- 초기 3분은 피험자별 생체신호 래퍼런스 측정을 위한 구간으로 설정하였고, 이후 3분은 피험 자에게 소리 자극에 집중하도록 요청하여 목표 감성 이 유발될 수 있도록 하였다. 소리 자극은 한 번씩 제시되었으며 무작위로 선정하여 순서효과를 제거하 였다. 자세한 실험 절차는 Fig.
- 47세)이었으며 자율신경계의 병력이나 가족력이 없는 사람을 대상으로 하였다. 실험에 참여 하기 12시간 전부터 자율신경계에 영향을 줄 수 있는 카페인, 음주, 흡연 등을 제한하였고, 충분한 수면을 요구해 피로도를 낮추었다. 자발적 의지로 실험에 참여한다는 피험자 동의서를 받았다.
- 실험은 센서 부착, 태스크 설명 및 사전테스트, 태스크 수행, 센서 제거 순으로 진행하였다. 태스크는 제시되는 소리 자극을 집중하여 듣는 것으로.
- 호흡 (RSP, respiration)은 벨트 타입의 센서를 피험자 가슴에 착용하여 측정하였다. 심전도와 호흡 신호는 ECG100C, RSP100C amplifier (BIOPAC Systems Inc., USA)를통해 증폭하고, NI-DAQ-Pad9205 (National Instrument Inc., USA)로 디지털화하여 500 Hz로 수집하였다. 수집된 심전도와 호흡 신호는 LabVIEW 2010 (National Instrument Inc.
- arousal, relaxation, negative, positive의 각 소리 자극은 6분씩 진행하였다. 초기 3분은 피험자별 생체신호 래퍼런스 측정을 위한 구간으로 설정하였고, 이후 3분은 피험 자에게 소리 자극에 집중하도록 요청하여 목표 감성 이 유발될 수 있도록 하였다. 소리 자극은 한 번씩 제시되었으며 무작위로 선정하여 순서효과를 제거하 였다.
- 심전도(ECG, electrocardiogram)는 표준사지유도법 (Lead I)에 따라 센서를 부착하고 측정하였다. 호흡 (RSP, respiration)은 벨트 타입의 센서를 피험자 가슴에 착용하여 측정하였다. 심전도와 호흡 신호는 ECG100C, RSP100C amplifier (BIOPAC Systems Inc.
- 호흡은 peak detection algorithm을 통해 positive peak 과 negative peak을 검출하였다. 검출된 negative peak과 이웃한 positive peak 사이를 들숨 간격(Ti , inspiratory time)으로 positive peak과 이웃한 negative peak 사이를 날숨 간격(Te, expiratory time)으로 저장하였다.
대상 데이터
- ① 영화, 드라마, 광고 등과 같은 매체를 통해 음성이 포함되지 않은 약 900 여개의 소리를 수집하였다. ② 소리 자극은 FGD (Focus Group Discussion)를 통해 목표 감성인 arousal, relaxation, negative, positive 에 가장 적합한 10개를 선정해 그룹화 하였다.
- ③ 150명(남 75명, 평균나이 27.36 ± 1.66세)의 피험자를 대상으로 적합성 검증 설문을 진행하였다.
- 본 연구에 참여한 피험자는 18명(남 10명, 평균나이 24.72 ± 2.47세)이었으며 자율신경계의 병력이나 가족력이 없는 사람을 대상으로 하였다.
데이터처리
- 결과 본 연구는 arousal, relaxation, negative, positive 4가지 감성에 따른 HRV spectrum과 BRV spectrum의 LF 대역과 HF 대역의 동기화 결과를 통해 분석을 진행하였다. 동기화는 두 스펙트럼 신호간의 상관관계가 아닌 스펙트럼 대역 파워량 차이의 절댓값을 통해 계산하였다. 자세한 결과는 Table 1과 같다.
- 본페로니 교정(Bonferroni correction)을 적용하여 통계적 유의 수준을 0.025(α=0.05/2 )로재설정하여 다중비교(multiple comparison) 문제를 해결하였다.
- 사후 검증은 Tukey 검증을 통해 4 가지 감성간 유의성을 확인하였고, HRV spectrum과 BRV spectrum 의 HF 대역의 동기화 차이 결과는 Fig. 6과 같다.
- , USA)로 디지털화하여 500 Hz로 수집하였다. 수집된 심전도와 호흡 신호는 LabVIEW 2010 (National Instrument Inc., USA) 소프트웨어를 통해 신호처리 하였다. 자세한 실험 환경은 Fig.
- 감성에 따른 심전도와 호흡 스펙트럼의 LF대역과 HF대역의 동기화 차이는 정규성 검증을 만족하였다. 일원배치분산분석(One-way ANOVA)를 통해 통계적 유의성을 검증하였고, 사후 검증은 Tukey 검증으로 분석하였다. 본페로니 교정(Bonferroni correction)을 적용하여 통계적 유의 수준을 0.
이론/모형
- Russell의 차원감성이론에 의거하여 arousal, relaxation, negative, positive를 목표 감성으로 선정하였다. 목표 감성을 유발하기 위한 소리 자극은 Fig.
- 심전도(ECG, electrocardiogram)는 표준사지유도법 (Lead I)에 따라 센서를 부착하고 측정하였다. 호흡 (RSP, respiration)은 벨트 타입의 센서를 피험자 가슴에 착용하여 측정하였다.
- 심전도는 peak detection algorithm을 통해 R-peak 을 검출하였고, R-peak들 간의 차이를 통해 RRI 심장과 호흡의 연결성을 이용한 감성인식 방법 65 (R-peak to R-peak interval)를 계산하였다. RRI는 FFT (fast fourier transform) 분석을 통해 HRV (heart rate variability) spectrum을 추출하였고, spectrum 대역은 VLF (very low frequency, 0.
성능/효과
- 감성에 따른 심전도와 호흡 스펙트럼의 LF대역과 HF대역의 동기화 차이는 정규성 검증을 만족하였다. 일원배치분산분석(One-way ANOVA)를 통해 통계적 유의성을 검증하였고, 사후 검증은 Tukey 검증으로 분석하였다.
- 본 연구는 사용자의 감성을 인식하는데 있어, 인체의 생리적 반응의 연결성을 고려하여 인식하고자 하 였다. 그 결과 arousal과 relaxation은 심장과 호흡의 HF 대역에서 동기화가 유의미한 결과를 확인하였고, negative와 positive는 심장과 호흡의 LF 대역에서 동기화가 유의미한 결과를 확인하였다. 따라서 심장과 호흡의 연결성을 통해 차원적 감성을 객관적이고 정량적으로 평가할 수 있음을 확인하였다.
- 그 결과 arousal과 relaxation은 심장과 호흡의 HF 대역에서 동기화가 유의미한 결과를 확인하였고, negative와 positive는 심장과 호흡의 LF 대역에서 동기화가 유의미한 결과를 확인하였다. 따라서 심장과 호흡의 연결성을 통해 차원적 감성을 객관적이고 정량적으로 평가할 수 있음을 확인하였다. 이는 감성상태가 심장과 호흡 사이에 영향을 준다는 기존 연구 결과와 일치한다(Tiller et al.
- 일원배치분산분석을 통해 arousal, relaxation, negative, positive 4 가지 감성에 따른 HRV spectrum과 BRV spectrum의 LF 대역과 HF 대역의 동기화 차이에서 통계적으로 유의미한 결과를 확인하였다(HF 대역의 동기화: F(3, 68) = 3.605, p = 0.018, \(\eta_p^2\)= 0.1372, LF 대역의 동기화: F(3, 68) = 5.075, p = 0.003, \(\eta_p^2\) = 0.1823).
후속연구
- 본 연구에서는 인체의 생리적 반응의 연결성을 고려하여 심장과 호흡의 연결성을 통해 차원적 감성을 객관적이고 정량적으로 인식하고자 하였고, 통계적으로 유의미한 결과를 확인하였다. 따라서 앞으로 복합적인 원인으로 발현되는 감성을 인식하는데 생리적 반응들의 연결성 변수의 활용도가 높을 것으로 기대된다. 하지만 본 연구는 단조로운 태스크라는 제한적 환경에서 연구되었고 감성 인식에 활용되는 심장과 호흡의 HF 대역과 LF 대역의 동기화 차이 파라미터에 대한 해석이 미비하다는 한계점이 있다.
- 하지만 본 연구는 단조로운 태스크라는 제한적 환경에서 연구되었고 감성 인식에 활용되는 심장과 호흡의 HF 대역과 LF 대역의 동기화 차이 파라미터에 대한 해석이 미비하다는 한계점이 있다. 이는 추후 연구를 통해 검증하고 확인할 예정이다.
- 따라서 앞으로 복합적인 원인으로 발현되는 감성을 인식하는데 생리적 반응들의 연결성 변수의 활용도가 높을 것으로 기대된다. 하지만 본 연구는 단조로운 태스크라는 제한적 환경에서 연구되었고 감성 인식에 활용되는 심장과 호흡의 HF 대역과 LF 대역의 동기화 차이 파라미터에 대한 해석이 미비하다는 한계점이 있다. 이는 추후 연구를 통해 검증하고 확인할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.