I. 서 론

차량 운전자는 지속적으로 차량 내부의 음향 환경에 노출된다. 차량을 운전하며 경험하는 음향 환경은 운전의 즐거움과 만족도에 영향을 미치는 중요한 요인 중 하나이며, 이에 따라 차량 내 음질에 대한 연구가 지속적으로 이루어지고 있다.

차량 내부의 음질을 개선하는 방식으로는 대표적으로 차량의 소음과 진동을 저감하는 것이 있지만 이를 완전히 제거하는 것은 현실적으로 매우 어려운 일이다. 따라서 소음 제어 후에도 차량 내부에 소음은 여전히 남아있게 되고 이러한 이유로 차량 내부 음향 환경의 음질을 개선하는 방식이 점차 주목받고 있다.

음질을 평가하고 개선하는 데 필요한 것은 음질에 대한 주관적 평가와 소리에 대한 정량적 분석이다. 여기에 주로 활용되는 것이 심리음향 지표로, 차량의 음향적 편안함과 연결하거나^[1] 차량 내의 전동 롤러 블라인드의 고급감을 평가하는 데 적용하는 연구가 진행되기도 하였다.^[2]

특히 전기자동차가 본격적으로 등장하며 차량 내의 주행음에 대해 연구하려는 시도가 점차 활발해지고 있다. 내연 기관 차량에서는 엔진음이 차량 내 음향 중 가장 큰 비중을 차지했지만, 전기자동차의 모터 소음은 상대적으로 작아 차량 내 음향 비중이 그리 크지 않기 때문에^[3] 전기자동차는 내연 기관 차량과 완전히 다른 실내 음향 환경을 가지게 됐다.

주행음은 운전 음향 환경에서 큰 비중을 가지는 요소로, 운전자에게 주행감을 제공하며 음향적 피드백을 전달하는 역할을 할 수 있다.^[4] 이에 따라 전기자동차에도 내연기관이 작동할 때의 엔진음을 모사하거나 새로운 콘셉트의 음원을 사용하는 등 주행음을 제작하여 적용하고 있다.^[5,6] 이런 흐름에 따라 전기자동차에 사용되는 주행음의 주행 감성과 만족도를 조사해 이에 영향을 미치는 심리음향 파라미터를 분석하는 등 전기자동차의 주행음에 대한 연구도 진행되고 있다.^[7]

주행음에 대한 기존 연구들은 주로 운전자의 만족도를 높이거나 특정 주행 감성을 유도하는 조건에 초점을 맞추고 있다. 그러나 이는 개인 선호도의 영역에 더 가까우며, 운전 시 운전자에게 직접적으로 영향을 미치는 요소에 대한 연구 또한 필요하다.

한 선행 연구에서는 주행음이 운전자의 집중력에 미치는 영향을 주행 시뮬레이션과 에릭센 플랭커 테스크(Eriksen Flanker Task)를 활용해 분석한 바 있다.^[8] 본 연구는 이를 확장하여 주의력 네트워크 검사(Attention Network Test, ANT)를 이용해 주행음이 운전자의 집중력에 미치는 영향을 탐구하였다.

본 연구에서는 우선 주행음의 심리음향적 특성과 주행 감성, 만족도를 조사하여 이들의 상관관계를 분석하였다. 이후 ANT 실험이 진행되는 동안 참여자들에게 주행음을 들려주며 주행음별 집중력을 측정하였으며 각 주행음이 운전자에게 미치는 영향을 분석하였다. 또한 음원의 심리음향적 특성과 주행 감성이 집중력과 어떠한 관계를 가지는지 분석하였다. 마지막으로, 만족도와 집중력을 기반으로 개인별 최적 주행음을 추천할 수 있는 다중 선형 회귀 모델을 설계하였다. 해당 모델은 설문을 통해 획득한 개인별 주행음 만족도 및 주행 감성 데이터를 입력 변수로 활용하였으며, 이를 통해 개인별 최적 주행음 추천 모델의 가능성을 확인하였다.

II. 이론적 접근 및 실험 방법

2.1 심리음향

심리음향은 소리의 물리적인 분석량과 사람이 느끼는 주관적인 청각 감정 간의 관계를 연구하는 학문이다.^[9] 심리음향은 다양한 제품의 소리에 대한 음질을 평가할 때 자주 활용되며^[10] 일반적으로 loudness, sharpness, tonality, roughness의 4가지 심리음향 파라미터가 소리 분석에 사용된다.^[11]

2.1.1 Loudness

일반적으로 소리의 크기를 평가할 때는 Sound Pressure Level(SPL) 또는 A-weighted SPL 등의 지표를 사용한다. 그러나 인간의 청각 시스템은 비선형적이기 때문에 같은 SPL을 가지는 소리일지라도 소리의 주파수에 따라 다르게 인식될 수 있다. 이런 한계를 극복하고자 Zwicker와 Fastl^[12]이 개발한 loudness 개념이 도입되었다.

Loudness는 소리가 인간에게 얼마나 크게 느껴지는지를 나타내는 척도이며 인간의 청각적 특성을 고려하여 소리의 크기가 인간의 귀에 미치는 영향을 측정한 값으로 정의된다. Loudness의 단위는 sone이며, 40 dB의 음압을 가지는 1 kHz 주파수의 소리를 1 sone으로 정의하고 Eq. (1)로 계산된다.^[12]

여기서 N'은 Bark scale의 특정 구간에서의 loudness를, N은 전체 구간의 loudness를 의미한다. z는 Bark scale의 임계 대역을 나타내며, ETQ는 조용한 조건에서 측정한 음원의 에너지, E0는 기준 음원의 에너지이다.

Loudness는 대부분의 경우 가장 큰 영향력을 가지는 심리음향 파라미터로, 그 영향력으로 인해 다른 심리음향 파라미터의 영향을 분석하는 데 어려움이 발생할 수 있다. 이러한 문제점을 해결하기 위해 실험에 사용되는 모든 음원의 loudness를 동일하게 설정하여 loudness의 영향을 최소화하는 방법이 사용될 수 있다.^[13] 본 연구에서는 이 방법을 적용하여 모든 주행음 음원의 loudness를 30 sone으로 설정하였다.

2.1.2 Sharpness

Sharpness는 음질 평가에서 중요한 역할을 하는 심리음향 파라미터로, 고주파 성분을 측정하여 소리가 인간에게 날카롭게 느껴지는 정도를 나타낸다. 일반적으로 소리 전체에서 고주파의 비율이 높을수록 인간은 해당 소리를 더욱 날카롭다고 인식하게 된다. Sharpness의 단위는 acum이며 60 dB의 음압을 가지는 중심 주파수 1 kHz를 가지는 하나의 임계 대역이 가지는 날카로움을 1 acum으로 정의한다. Sharpness는 Eq. (2)로 계산된다.^[12]

여기서 S는 sharpness를 의미하며 분모는 loudness의 Eq. (1)과 동일하다. g(z)는 임계대역 z에 따라 변화하는 가중 함수이다.

2.1.3 Roughness

Roughness는 약 15 Hz ~ 300 Hz 범위의 변조 주파수에 의해 진폭이나 위상이 빠르게 변할 때 발생하며, 진폭 변조에 따른 거칠기의 주관적 지각을 측정하는 심리음향 지표이다.^[14] Roughness의 단위는 asper이며 60 dB의 음압을 가지는 1 kHz 주파수의 톤이 변조 주파수 70 Hz에서 100 % 진폭 변조를 할 때 생성되는 거칠기를 1 asper로 정의하고, Eq. (4)로 계산된다.^[12]

여기서 fmod는 변조 주파수를 의미하며 ΔL(z)는 지각된 마스킹 깊이를 의미한다.

2.1.4 Tonality

Tonality는 소리의 스펙트럼에서 톤과 소음의 비율을 나타내는 심리음향 지표로, 여기서 톤은 주로 소리 스펙트럼에서 피크를 형성하는 성분을 의미한다.^[15] Tonality의 단위는 tu이며 60 dB의 음압을 가지는 1 kHz 주파수의 사인파의 소리를 1 tu로 정의한다. 본 연구에서는 DIN 45681에 기반하여^[16] LabVIEW의 Sound and Vibration Toolkit으로 주행음의 tonality를 계산하였다.

2.2 Jury test

2.2.1 실험에 사용한 주행음

본 연구에서는 10개의 주행음을 사용하여 실험을 진행하였다. 실험에 사용된 음원은 현대자동차에서 제공된 음원과 Swart et al.^[17]이 녹음한 주행음 변형 파일의 오픈소스 음원을 가공하여 제작하였으며, 주행음을 반복 재생할 때 끊김이 발생하지 않도록 루프 형태의 주행음을 제작하였다. 각 주행음별 심리음향 파라미터는 Table 1에 정리되어 있다. 본 연구의 목표는 loudness를 제외한 sharpness, roughness, tonality의 영향을 파악하는 것이므로 모든 주행음이 30 sone의 동일한 loudness를 가지도록 했고 각 주행음의 sharpness, roughness, tonality가 균형 있게 분포되도록 주행음을 제작하였다. 또한, 본 연구에서는 주행음이 없는 무음 상태를 중립 조건으로 설정하고 이에 대해서도 실험을 진행하였다.

2.2.2 Jury test를 이용한 주행음 주행 감성과 만족도

본 연구의 첫 번째 목표는 주행음의 심리음향 파라미터와 주행음의 주행 감성 및 만족도 간의 상관관계를 분석하는 것이다. 이를 위해 jury test를 활용해 각 주행음의 주행 감성 주관 평가와 만족도 평가를 획득하였다.

주행 감성 주관 평가는 12개 항목으로 구성되었으며, 7점 likert 척도를 사용했고 각 항목은 서로 상반되는 2개의 키워드로 이루어졌다.^[7] 설문에 사용된 키워드는 다음과 같다.

‘Quiet - Loud, Calm - Shrill, Pleasant - Annoying, Deep - Metallic, Comfortable - Uncomfortable, Powerful - Weak, Sporty - Conservative, Rumbling - Flat, Exciting - Boring, Futuristic - Old fashioned, Creative - Uninspired, Refined - Harsh’.

또한, 참여자들이 한국인이기 때문에 키워드를 적절한 한국어로 번역하여 사용하였다. 번역된 키워드는 다음과 같다.

‘조용한-시끄러운, 차분한-날카로운, 기분 좋은-짜증 나는, 따뜻한-차가운, 편안한-불편한, 힘찬-약한, 경쾌한-잔잔한, 다이내믹한-단조로운, 흥미진진한-지루한, 미래적인-고전적인, 창의적인-평범한, 고상한-거친’.

한 주행음에 대해 주행 감성 주관 평가가 완료되면 만족도 평가를 진행하였으며, 두 평가 모두 참여자가 주행음을 충분히 청취한 후 진행되었다. 또한 설문을 진행할 때 참여자들이 주행음을 자유롭게 들을 수 있도록 해 주행음 간 비교가 자유롭게 가능하도록 하였다.

2.3 주의력 네트워크 검사(ANT)

ANT는 인간의 집중력을 측정하는 검사로, 단일 검사를 통해 집중력 시스템의 3가지 주요 구성 요소를 평가할 수 있는 도구로 널리 활용되고 있다. 집중력 시스템의 3가지 구성 요소는 경계(alerting), 지향(orienting) 그리고 집행적(executive) 주의이며 이들은 독립적으로 작동하면서도 상호작용하는 특성을 가진다.^[18] Alerting attention은 경계 상태를 달성하고 유지하는 역할을 담당하며 자극을 인식하고 반응할 준비를 하도록 하는 능력을 의미한다. Orienting attention은 특정 위치나 대상에서 다른 위치나 대상으로 주의를 전환하는 주의의 방향화 능력이다. 그리고 executive attention은 여러 자극 간의 충돌을 관리하고 반응 갈등을 해결하는 능력을 의미한다.

ANT는 Posner의 cueing task와 Eriksen의 flanker task를 결합한 형태로 설계되었다.^[18] 이런 결합 방식을 통해 ANT는 cue와 target의 조합과 그 반응 속도 차이를 이용해 집중력 시스템의 3가지 구성 요소를 간단히 계산할 수 있다. Alerting, orienting, executive attention은 Eqs. (5), (6), (7)로 계산되며, 여기서 RT는 반응 시간을 의미한다.

Alerting attention은 목표 target이 언제 나타날지에 대한 정보를 통해 얻는 이점, 즉 반응 시간 감소를 나타낸다. Orienting attention은 목표 target이 언제, 그리고 어디서 나타날지에 대한 정보를 통해 얻는 이점을 나타낸다. Executive attention은 incongruent 조건이 congruent 조건에 대비해 요구하는 비용, 즉 반응 시간 증가를 나타낸다.^[19]

ANT는 Fig. 1에 나타난 순서대로 실험이 진행되며 Fig. 2에 표시된 것처럼 4가지 cue 조건과 3가지 target 조건의 조합으로 구성된다. 본 연구에서는 적절한 실험시간을 위해 3가지 target 조건 중 neutral 조건을 제외하고 진행하였다. 본 연구에 사용된 ANT 프로그램은 Unity로 제작되었으며, 운전 상황을 모사하기 위해 프로그램 배경 화면에 운전 영상을 재생하였다.

Fig. 1.

Procedure of a single trial of the attention network test.

Fig. 2.

Conditions of the attention network test: (a) 4 cue conditions and (b) 3 target conditions.

2.4 선형 회귀 분석

선형 회귀 분석(linear regression analysis)은 최소자승법(Ordinary Least Squares, OLS)에 기반해 종속 변수와 독립 변수 간 관계를 분석하는 데 사용되는 방법이다. 선형 회귀 분석에 활용되는 OLS는 Eq. (8)과 같이 정의된 손실 함수(loss function)를 최소화하는 방식으로 작동한다.

여기서는 종속 변수를, yi^는 회귀 방정식을 통해 추정된 값을 의미한다. 선형 회귀 분석을 활용하면 종속 변수에 대한 직접적인 정보가 없는 경우에도 독립 변수의 정보를 바탕으로 종속 변수를 예측할 수 있다. 본 연구에서는 개인의 설문 데이터를 기반으로 주행음에 따른 집중력을 예측하는 모델을 다중 선형 회귀 분석으로 제작하였다.

2.5 실험 방법

2.5.1 대상

본 연구의 연구 대상자는 청력에 이상이 없는 건강한 만 18세 이상 성인 남녀를 대상으로 하였다.

실험은 총 45명의 참여자를 대상으로 주행음별 주관 평가 및 집중력 측정을 위한 ANT를 진행하였다. 이 중 3명의 참여자가 ANT 절차를 잘못 이해해 데이터 분석이 불가능하였으며, 4명의 참여자는 ANT 진행 중 졸음으로 인한 데이터 오염이 심각해 최종적으로 7명의 참여자를 제외하고 38명의 데이터를 분석에 활용하였다.

최종 참여자는 남성 11명, 여성 27명으로 구성되었으며 참여자 평균 연령은 24.1세, 연령 분포는 19세부터 31세였다. 본 연구는 서울대학교 연구 윤리 위원회(SNUIRB NO. 2411/004-008)의 승인을 받았으며 모든 참여자는 연구원으로부터 실험 절차에 대한 설명을 들은 후, 자발적으로 참여 동의서에 서명한 뒤 실험에 참여하였다.

2.5.2 실험 진행 방법

주관 평가와 ANT가 진행된 실험 환경은 Fig. 3에 나타나 있다. 참여자는 10개의 주행음 파일을 모두 청취한 후 주행음의 주행 감성과 만족도에 대한 주관 평가를 실시하였다. 평가 과정에서 참여자는 각 주행음을 자유롭게 반복 재생할 수 있도록 하였다.

Fig. 3.

(Color available online) Experimental environment for measuring attention.

주관 평가가 끝나면 참여자는 ANT의 조작 방식에 익숙해지기 위해 5 min간 ANT 연습을 진행하였으며 연습이 종료된 후 본 실험을 시작하였다.

실험은 10개의 주행음과 무음 상태에 대해 ANT 한 세트를 진행해 총 11번의 ANT 세트가 진행되었으며, 각 세트에 해당하는 주행음이 ANT가 진행되는 동안 반복 재생되었다. ANT 한 세트는 총 32회의 task로 구성되며, Fig. 4에 나타난 것처럼 각 세트 사이에는 10 s의 휴식 시간과 주행음에 익숙해질 수 있는 주행음 재생 시간 10 s, 주행음과 주행 영상에 익숙해질 수 있는 시간 10 s로, 총 30 s의 간격이 있었다. 또한, 6번째 세트가 종료된 후 참여자의 피로도 회복을 위해 5 min간의 쉬는 시간을 부여하였다. 그리고 순서 효과와 이월 효과를 최소화하기 위해 주행음의 순서는 라틴 방진 설계에 따라 결정되었다.^[20]

Fig. 4.

(Color available online) One set sequence of the attention network test.

III. 실험 결과 및 분석

3.1 주행 감성과 심리음향 파라미터

Jury test를 통해 획득한 주행음의 주행 감성 키워드와 심리음향 파라미터 사이의 상관관계를 분석하여 주행 감성 키워드에 영향을 미치는 심리음향 파라미터를 도출하였다. 주행음의 주행 감성과 심리음향 파라미터 간 상관 계수는 Table 2에 정리되어 있다.

분석 결과 sharpness는 ‘차가운’, ‘경쾌한’, ‘날카로운’ 키워드와 높은 상관관계를 보였으며, roughness는 ‘힘찬’, ‘고전적인’, ‘거친’ 키워드와 높은 상관관계를 나타냈다. 그리고 tonality는 ‘단조로운’, ‘지루한’ 키워드와 유의미한 상관관계를 보였다.

3.2 주행음 만족도

주행음의 높은 만족도는 주행음의 최적 조건에 중요한 요소 중 하나이다. 본 연구에서는 주행음 만족도에 영향을 미치는 심리음향 파라미터와 주행 감성을 분석하였다. 각 주행음의 만족도는 Table 3의 2열에 정리되어 있다.

3.2.1 심리음향 파라미터

주행음의 만족도와 심리음향 파라미터 간 상관관계 분석 결과는 Table 4의 2행에 제시되어 있다. Fig. 5는 만족도와 sharpness 간의 관계를 나타낸 그래프로, 두 변수는 상관 계수 r = -0.51로 유효한 음의 상관관계를 보였다. 또한, roughness와 tonality는 만족도와 뚜렷하게 낮은 상관관계를 가지는 것으로 확인되었다.

Fig. 5.

Scatter plot between sharpness and satisfaction score.

3.2.2 주행 감성 키워드

주행음의 만족도와 주행 감성 키워드 간 상관관계 분석 결과는 Table 5의 2열에 제시되어 있다. 만족도는 ‘편안한’, ‘기분 좋은’, ‘따뜻한’, ‘차분한’, ‘조용한’ 키워드와 높은 상관관계를 나타냈다. 특히, 이 중 ‘차분한’과 ‘따뜻한’ 키워드는 sharpness와 높은 음의 상관관계를 가지는 것으로 나타나 만족도와 심리음향 파라미터, 주행 감성이 서로 연관되어 있음을 확인할 수 있었다.

3.3 ANT를 이용한 집중력

ANT 결과(alerting, orienting, executive attention)는 참여자의 반응 속도를 기반으로 계산된다. 본 연구에서는 참여자의 졸음이나 실수, 부주의한 조작 등의 영향을 최소화하기 위해 반응 속도 데이터 중 이상치(outlier)를 제거하였으며 중위 50 %의 데이터를 사용하여 평균값을 계산하였다. 또한, alerting과 orienting attention을 계산할 때 conflict 상황의 영향을 줄이기 위해 incongruent 조건을 제외한 congruent 조건의 결과만을 활용하였다.^[21]

그러나 개인별로 중립 조건(무음 상태)에서의 ANT 결과가 상이하며 절대적 수치 간 차이가 크기 때문에 주행음이 참여자에게 미치는 평균적인 효과를 분석하기에는 적합하지 않다. 그리고 각 참여자에게 주행음이 미치는 영향을 분석하는 데 있어, 주행음이 재생될 때 중립 조건과 비교해 얼마나 변화하였는지를 파악하는 것이 더 적절한 해석 방법이라고 판단하였다. 따라서 중립 조건의 ANT 결과를 기준으로 각 주행음 조건의 상대적 변화 값을 계산하여 분석을 진행하였다.

여기서 Recog는 ANT 결과로 alerting, orienting, executive attention 값을 의미하며, Recogrel은 주행음 조건과 중립 조건의 ANT 결과를 비교한 증감 값을 의미한다. 그리고 n은 주행음 번호, N은 중립 조건, i는 참여자 번호를 의미하며, Recogn,i는 i번째 참여자가 n번 주행음에서 얻은 ANT 결과를 나타낸다.

이후, 각 참여자의 주행음별 Recogrel 결과를 최소-최대 정규화(min-max normalization)하여 그 결과를 ANT 점수로 사용하였다. 정규화를 통해 모든 참여자가 각 주행음에 대해 0점에서 1점 사이의 ANT 점수를 가졌으며, 분석은 각 주행음별 참여자들의 평균 ANT 점수를 활용해 진행하였다. 주행음별 평균 ANT 점수는 Table 3의 3열부터 정리하였다.

3.3.1 심리음향 파라미터

주행음의 ANT 점수와 심리음향 파라미터 간 상관관계 분석 결과는 Table 4의 3행부터 제시하였다. Fig. 6은 alerting 점수와 sharpness 간 관계를 나타낸 그래프로 두 변수는 상관 계수 r = 0.73으로 높은 상관관계를 보였다. Orienting 점수는 sharpness와 상관 계수 r = -0.57, roughness와 상관 계수 r = 0.51로 나타나 두 심리음향 파라미터와 유효한 상관관계를 보였다. Executive 점수는 roughness와 상관 계수 r = 0.40으로 유효한 상관관계를 나타냈다.

Fig. 6.

Scatter plot between sharpness and alerting score.

3.3.2 주행 감성 키워드

주행음의 ANT 점수와 주행 감성 키워드 간 상관관계 분석 결과는 Table 5의 3열부터 제시하였다. Alerting 점수는 ‘미래적인’, ‘차가운’, ‘창의적인’ 키워드와 상관관계를 보였으며 orienting 점수는 ‘고전적인’, ‘따뜻한’, ‘평범한’ 키워드와 상관관계를 나타냈다. 그리고 executive 점수는 ‘시끄러운’, ‘힘찬’, ‘거친’ 키워드와 상관관계를 보였다. 이러한 키워드들은 대부분 심리음향 파라미터와 높은 상관관계를 가지는 것으로 나타났으며, 이를 통해 ANT 점수와 심리음향 파라미터, 주행 감성이 서로 상호 연관되어 있음을 확인할 수 있었다.

3.4 최적 주행음 추천 다중 선형 회귀 모델

평균값을 기반으로 분석한 결과, 주행음의 특성에 따른 경향성은 뚜렷하게 확인되었다. 평균값을 활용한 분석은 전체적인 경향성을 파악하는 데 유용하지만, 개인의 특성을 반영하지 못한다는 한계를 가진다. 이러한 한계는 개인화 모델을 통해 보완할 수 있다.

3.4.1 주행음 점수

최적 주행음을 추천하기 위해서는 주행음 점수에 대한 기준이 필요하다. 본 연구에서는 주행음 점수를 주행음의 만족도 점수와 집중력 점수의 합으로 정의하고 계산하였다. 만족도 점수는 10개의 주행음에 대해 최소-최대 정규화를 통해 최솟값을 0점, 최댓값을 1점으로 설정하였다. 집중력 점수는 benefit에 해당하는 alerting 점수와 orienting 점수는 더하고 cost에 해당하는 executive 점수는 빼는 방식으로 계산하였다. 이 경우 최소점이 -1점, 최고점이 2점이기 때문에 만족도 점수와 범위를 맞추기 위해 0점에서 1점 사이로 범위를 조정하여 변환하였다.

이 방식을 적용하면 각 주행음은 0점에서 2점 사이의 주행음 점수를 갖게 된다. 평균 데이터를 기반으로 계산된 주행음 점수는 Fig. 7에 제시되어 있다. 평균 데이터를 활용해 주행음 점수를 도출한 결과, 7번 주행음이 가장 높은 점수를 가지는 최적 주행음임을 확인할 수 있었다. 그러나 Fig. 8에서 확인할 수 있듯이, 7번 주행음이 최적 주행음인 참여자는 38명 중 13명으로 그 정확도가 높지 않음을 알 수 있다. 이는 평균 데이터를 기반으로 한 최적 주행음 추천이 아닌 개인 데이터를 활용한 개인별 최적 주행음 추천 모델의 필요성을 시사한다.

Fig. 7.

Driving sound scores calculated using the average data.

Fig. 8.

Number of participants for each driving sound identified as optimal.

3.4.2 개인별 최적 주행음 추천 다중 선형 회귀 모델

본 연구에서는 주행음 정보와 jury test를 통해 얻은 설문 정보인 주행음 주행 감성과 만족도에 대한 개인의 주관 평가 결과를 기반으로 개인의 ANT 집중력 점수를 예측해 개인별 최적 주행음을 추천하는 다중 선형 회귀 모델을 제작하였다.

주행음 추천 모델은 3개의 다중 선형 회귀 모델을 활용하여 각각 alerting 점수, orienting 점수, executive 점수를 예측한 후, 예측된 점수로 집중력 점수를 계산하는 방식으로 구성되었다. 그리고 예측된 집중력 점수와 설문을 통해 수집된 만족도 점수를 합산해 주행음 점수를 계산하고, 이를 기반으로 개인별 최적 주행음을 추천하였다.

모델 제작 시 모델의 과적합을 방지하고 예측 정확도를 향상시키기 위해 적절한 입력 변수 선정이 필요하다. 따라서, 각 점수를 예측하는 모델의 입력 변수는 평균 데이터에서 높은 상관관계를 보인 변수들로 선정하였다.

또한, 예측 모델을 통해 예측된 최적 주행음이 실제 최적 주행음과 얼마나 일치하는지를 평가할 필요가 있다. 이를 위해 모델의 성능 평가 지표로 예측 오차율 지표를 설정하였는데, 예측된 최적 주행음과 실제 최적 주행음의 주행음 점수 차이를 지표로 사용하였다. 계산 방법은 Eq. (10)과 같다.

여기서 Error score는 예측 오차 지표, n은 총 참여자 수, Score opt는 최적 주행음 점수, Score est는 모델이 추천한 주행음의 실제 점수를 의미한다.

개인별 최적 주행음 추천 다중 선형 회귀 모델의 결과는 Table 6에 제시되어 있다. 추천 모델 검증은 k-fold cross validation(k = 10)을 활용하였으며, 1,000회 수행 후 평균값을 도출하였다.

검증 결과, 평균 데이터 기반 최적 주행음(7번 주행음)을 고정 추천하는 방식보다 추천 모델을 활용할 경우 예측 오차가 더 낮아졌으며, 최적 주행음이 추천된 참여자 수는 증가하였다. 이를 통해 개인별 최적 주행음 추천 모델이 더 높은 성능을 보임을 확인할 수 있다.

IV. 결 론

본 연구에서는 ANT를 활용해 주행음이 인간의 집중력에 미치는 영향을 분석하였다. 그리고 주행음의 심리음향 파라미터와 ANT 기반 집중력, 주행 감성, 만족도 간의 관계를 분석하였으며, 그 결과는 다음과 같다.

(1) 주행음의 sharpness가 높을수록 ‘차가운’, ‘경쾌한’, ‘날카로운’ 주행 감성을 유도할 수 있다.

(2) 주행음의 roughness가 높을수록 ‘힘찬’, ‘고전적인’, ‘거친’ 키워드를 유도할 수 있다.

(3) 주행음의 tonality가 높을수록 ‘단조로운’, ‘지루한’, ‘평범한’ 키워드를 유도할 수 있다.

(4) 만족도 높은 주행음을 위해서는 주행음의 sharpness를 낮춰야 하며 ‘편안한’, ‘기분 좋은’, ‘따뜻한’, ‘차분한’, ‘조용한’ 키워드를 가져야 한다.

(5) 높은 alerting attention을 위해서는 주행음의 sharpness를 높여야 하고 ‘흥미진진한’, ‘다이내믹한’, ‘경쾌한’ 키워드를 가져야 한다.

(6) 높은 orienting attention을 위해서는 주행음의 sharpness를 낮추고 roughness를 높여야 하며 ‘고전적인’, ‘따뜻한’, ‘평범한’ 키워드를 가져야 한다.

(7) 낮은 executive attention을 위해서는 주행음의 sharpness를 낮춰야 하고 ‘따뜻한’, ‘차분한’ 키워드를 가져야 한다.

또한, 본 연구에서는 이러한 분석 결과를 바탕으로 개인별 최적 주행음 추천 모델을 제작했다. 추천 모델은 다중 선형 회귀를 활용해 제작되었으며, 모델을 활용할 때 평균 데이터 기반 주행음 추천보다 예측 오차가 낮고 정확도가 향상됨을 확인하였다.

본 연구에서 활용된 데이터는 총 38명의 참여자로부터 수집되었으며, 입력 변수 개수에 비해 데이터 수가 충분히 크지 않기 때문에 모델 결과에 편향(bias)이 존재할 가능성이 있다. 그러나 이번 연구를 통해 심리음향 파라미터와 주행 감성 키워드, 만족도 점수를 활용하여 집중력 점수를 예측할 수 있는 가능성을 확인할 수 있었다. 또한 설문 조사 결과 및 주행음 정보만을 이용하여 개인별 최적 주행음을 추천하는 개인별 최적 주행음 추천 모델의 가능성을 확인할 수 있었다.