The ability to measure and detect driver’s workload has been an important research topic in automotive research domain and started to attract greater interest in recent years, in relation to the emerging vehicle technology such as autonomous driving. The majority of existing studies relied on fixed stress level definition in accordance with the driving environment such as highway or urban environment. This study is the first attempt to incorporate the individual differences in driver workload estimation, based on a rich dataset acquired from a real-traffic electric vehicle (EV) driving experiment. Nine physiological features were extracted from electrocardiogram (ECG) and electroencephalogram (EEG) signals, and the personalized workload profile is generated using Fuzzy c-means clustering method for forty subjects. The results show that human workload response is far from homogeneity, nor the driving environment is a sole determinant. Response to the new vehicle technology such as EV was also found to play a role to invoke high stress in some drivers. Feature analysis results indicate that the extent of physiological data acquisition for effective personalization beyond the conventional single source does not have to be exhaustive, and dual predictors are as effective as using all nine features when chosen properly. The study findings not only validate the importance of personalized approach in addressing technological challenges in a future vehicle such as driver readiness but also deliver practical implications in adopting physiological sources as in-vehicle equipage.
운전자의 작업부하를 측정하고 감지하는 기능은 지능형 자동차 연구 분야에서 중요한 연구 주제이며, 자율주행과 같은 최신 기술과 관련하여 최근 몇 년 동안 더 큰 관심을 받고있다. 기존 연구의 대부분은 고속도로나 도심도로와 같은 주행 환경에 따라 고정된 스트레스 수준 정의에 의존해왔다. 본 연구는 실제 교통상황에서 전기 자동차 운행 실험에서 얻은 풍부한 데이터를 기반으로 운전자 작업량 추정에 개인차를 통합하려는 첫 시도이다. 심전도 및 뇌파 신호에서 9개의 생리학적 특징을 추출하고, 40명의 피실험자에 대해 퍼지 클러스터링 방법을 적용하여 개인화 된 스트레스 프로파일을 생성하였다. 본 연구의 결과에서 운전자별 주행으로 인한 작업 부하의 정도가 동일하지 않을 뿐만 아니라 주행 환경이 유일한 결정요인으로 작용하지 않음을 확인하였다. 또한, 전기차와 같이 새로운 차량 기술에 대한 반응은 일부 운전자에게 높은 스트레스를 유발하는 역할을 하는 것을 확인하였다. 생체신호를 통해 9개의 심전도 및 뇌파 지표를 도출하였고, 단일, 이중, 혹은 전체 신호를 각 예측변수로 사용하여 서포트 벡터 분류기를 통해 예측 수용력을 비교하였을 때 두 가지 신호의 이중 예측 변수가 적절하게 선택될 때 전체 지표를 예측 변수를 사용하는 것 만큼 효과적이었다. 본 연구 결과는 운전자의 제어권 전환과 같은 미래 차량에서의 기술적 과제를 해결할 때 개인화 된 접근 방식의 중요성을 입증 할 뿐만 아니라 생체 데이터 측정을 위한 차량 장비 선택에 있어서 정량적 증거를 제공할 수 있다.
