Korean Institute of Information Technology

Current Issue

The Journal of Korean Institute of Information Technology - Vol. 19, No. 9

[ Article ]
The Journal of Korean Institute of Information Technology - Vol. 19, No. 9, pp.133-140
Abbreviation: Journal of KIIT
ISSN: 1598-8619 (Print) 2093-7571 (Online)
Print publication date 30 Sep 2021
Received 19 Aug 2021 Revised 09 Sep 2021 Accepted 12 Sep 2021
DOI: https://doi.org/10.14801/jkiit.2021.19.9.133

HMD-VR 운전 시뮬레이터에서의 주행 중 시선 탐색에 대한 정적 분석
정지용* ; 이혁민** ; 노승재** ; 이응혁***
*한국산업기술대학교 컴퓨터공학과 학사과정
**한국산업기술대학교 IT반도체융합공학과 석사과정
***한국산업기술대학교 전자공학과 교수(교신저자)

The Static Analysis of Visual Scanning using HDM-VR Driving Simulator
Ji-Yong Chung* ; Hyeok-Min Lee** ; Seung–Jae Noh** ; Eung-Hyuk Lee***
Correspondence to : Eung-Hyuk Lee Dept. of Electronic Engineering, Korea Polytechnic University, 15073, Sangidaehak-ro, Siheung-si, Gyeonggi-do, Korea Tel.: +82-31-8041-0477, Email: ehlee@kpu.ac.kr

Funding Information ▼

초록

본 연구에서는 초보와 숙련 운전자들의 주행 중 시선 탐색으로 획득하는 정보의 차이를 비교하기 위해 HMD(Head Mounted Display)기반의 VR(Virtual Reality) 운전시뮬레이터를 활용하여 시선의 고정 횟수, 고정 지속시간, 체류 시간과 SGE(Stationary Gaze Entropy)를 사용한 정적 분석이 이루어졌다. 시선의 정적 분석 결과에서 초보 운전자 집단은 숙련 운전자 집단에 비해 교차로 주행 시 정면 관심영역 위주의 시선 고정 횟수가 더 많이 나타났고, 신호등, 보행자, 차량 등에 대한 시선의 체류 시간과 내비게이션, 계기판 등에 대한 고정 지속시간이 길게 나타났다. 또한, SGE는 최대 엔트로피 3.321bits 중 초보 운전자 집단에서는 2.455bits, 숙련 운전자 집단에서는 약 2.867bits로 나타났으며, 이것은 숙련 운전자 집단의 시선 분포 밀도가 특정 관심영역에 밀집되지 않고, 비교적 균등하게 분포된 것을 의미한다.

Abstract

This paper intended to compare the difference in visual scanning information between novice and expert drivers during driving and there were static analyses with number of fixation, fixation duration, dwell time of gaze and SGE(Stationary Gaze Entropy) in intersection scenario of HMD(Head Mounted Display) based VR(Virtual Reality) driving simulator. As a result, in novice group, the number of fixation was higher in front area of interests, and there was longer dwell time for traffic lights, pedestrians, vehicles and longer fixation duration for navigation and dashboard than expert group. Additionally, SGE was higher in expert group. It means experts’ gaze is more equally distributed than novice group.


Keywords: dwell time, fixation duration, number of fixation, stationary gaze entropy, HMD-VR driving simulator

Ⅰ. 서 론

일반적으로 운전은 끊임없이 변화하는 도로 환경 및 교통 상황에 대한 지속적인 시각적 입력과 주의가 필요하며, 운전 작업의 특성을 고려할 때 운전자가 도로에서 눈을 떼 거나 중요한 시각적 신호에 주의를 기울이지 않으면 사고가 발생할 수 있다. 사고를 예방하기 위해 운전자는 응시하는 물체들을 샘플링(Sampling)하여 교통과 관련된 정보를 분류하고, 수집된 시각 정보에서 발생할 수 있는 잠재적인 위험을 경계하면서 복잡한 시각 장면 중 관련 없는 정보에 대한 판단이 이루어져야 한다[1][2]. 하지만, 운전 경험이 부족한 초보 운전자는 비효율적인 시각 탐색, 주행과 관련 없는 물체에 대한 장기간의 시선 고정으로 인해 시각적 주의가 분산되어 충돌 가능성이 높은 것으로 알려져 있다[3].

또한, 초보운전자는 교통 환경을 파악하고 해석하는 속도가 느리며, 도로 및 교통 상황의 예측할 수 없는 동적인 특성 때문에 운전 중에 존재하는 불확실성을 감소시키기 위하여 시각 탐색을 여러 번 반복하여 정보를 수집하는 경향이 있다. 이로 인해, 초보 운전자들은 운전 경력자들에 비해 좁고 부분적인 시각 탐색 정보로 인한 잘못된 판단으로 사고가 발생할 가능성이 높다[4].

반면에, 운전 경력이 많은 운전자 일수록 더 넓은 범위의 횡적 정보뿐만 아니라 먼 거리에 있는 종적 정보를 수집할 수 있으며, 교통 상황의 변화와 같은 잠재적인 위험 요소를 판단하는데 비교적 적은 시간을 소비하기 때문에 더 넓은 분포의 시각 탐색 정보를 활용하여 안전 운전을 할 수 있다[5]. 그래서 이와 같이 사고 발생과 연관된 시각 탐색으로 획득한 정보를 이용하여 위험군 운전자를 평가하기 위한 지표로 활용하고자 하였다.

시각 탐색은 안구 움직임의 고정(Fixation), 추적(Pursuit), 단속 운동(Saccades)등에 따른 시선의(Gaze) 고정 횟수(Number of fixation), 고정 지속시간(Fixation duration), 체류시간(Dwell time)과 같은 시각적 속성을 통해 운전자의 시선 정보를 정량화할 수 있다[6]. 이러한 시각적 속성들은 운전 중 응시하는 물체의 양 및 유형과 응시한 물체가 위험한 상황을 유발할 수 있는 지 판단하여 중요도 순위를 처리하는 방법에 따라 변화된다고 알려져 있다[7]. 그래서 이러한 시각적 속성의 변화가 잘 나타나는 교차로에서 차량이나 보행자등과 관련된 자극의 유형이 다양하게 존재할 뿐만 아니라 시각 자극의 양도 가장 많기 때문에 충돌을 피하기 위한 자극의 중요도 순위 및 정보처리작업을 비교할 수 있다[8]. 이것은 운전 경험, 즉 전문성에 따라 차이가 나타날 수 있는 데 초보 운전자가 도로의 잠재적인 위험 요소를 인식하지 못하거나 운전 중에 어디를 봐야 할지 모르기 때문에 숙련 운전자와의 차이를 비교할 수 있는 것이다.

일반적으로 운전 능력 평가는 실제 주행을 통해서 이루어지지만, 위험 주행을 평가하는 경우 경험이 부족한 운전자에게는 시험 중 실수로 인한 치명적인 사고가 발생할 수 있고 반복적인 실험 절차 및 안전문제로 인해 VR(Virtual Reality) 운전 시뮬레이터 환경에서 수행할 필요가 있다. VR 운전 시뮬레이터는 운전자가 실제 주행을 하는 경우와 매우 유사한 환경을 구축한 상태에서 평가가 가능하며, 경로 난이도, 교통 체증과 같은 특정 주행 이벤트 및 조건을 통제하여 실제주행에서 불가능한 생명을 위협할 수 있는 운전 상황에 대한 참가자의 반응을 평가할 수 있다. 그 중에서도 HMD(Head Mounted Display)기반의 VR 운전 시뮬레이터는 기존의 3D (Full HD, Smart TV etc.)환경보다 더 높은 집중력과 몰입도 및 흥미를 제공할 수 있는 장점이 있다[9][10].

그래서 본 연구에서는 시선 추적 기능이 가능한 HMD기반의 VR 운전 시뮬레이터를 사용하여 운전자의 시선 움직임과 주의과정에 대한 데이터를 획득하였다. 시험에 참여하는 운전자들을 운전 경험에 따라 분류한 후, 시각 자극이 가장 많이 발생하는 교차로 주행 환경에서 운전하는 동안 시선 추적 데이터(Sampling frequency)를 수집하였다. 그리고 관심영역(Area of interests)에 대한 시선 고정횟수, 체류시간 및 고정 지속시간을 사용하여 물체를 재탐색하는 빈도와 물체의 상태를 인지하는 시간에 대한 시선의 정적 분석을 수행하였다. 또한 관심영역을 기반으로 시선의 분산을 고정 시선 엔트로피(Stationary gaze entropy)로 계산하였으며, 이를 통해 시선의 분포 밀도(Distribution density)를 분석함으로써 운전 경험에 따라 획득하는 시선 탐색의 정보량을 비교하고자 하였다.


Ⅱ. 본 론
2.1 참가자

실험은 20대 성인 6명(Mean age: 24.7)을 실제주행 빈도 및 주행 시간에 따라 집단을 분류하여 진행하였다. 참가자들의 분류는 주행 횟수가 불규칙하고 주 1회 미만에 해당하는 초보운전자(Novice)와 주 1회 이상 주기적으로 운전하는 숙련운전자(Expert) 집단으로 분류하였다. 일반적으로 초보운전자는 국내 도로교통법 상 운전면허를 처음 취득한날 부터 2년이 지나지 않은 사람을 지칭하지만, 면허취득 후 실제 도로주행 경험이 없는 경우를 숙련운전자로 분류하는 것은 문제가 있다고 판단된다. 그래서 본 연구에서는 운전면허를 소지하고 있으나, 도로 주행 횟수가 비교적 적고 주기가 불규칙한 운전자들도 초보운전자로 분류하였다. 숙련 운전자는 자차를 보유하고 있거나 주기적인 도로주행을 하는 운전자들이 해당된다. 표 1은 참가자들에 대해서 초보 운전자와 숙련 운전자들을 분류한 후, 이들의 한 달 동안의 운전 횟수로 분류하여 나타냈다.

Table 1. 
Classification of participants
Novice Expert
Mean age(Years) 22.7±2.4 26.2±2.5
License(Years) 4.7±0.9 7.0±2.2
Driving frequency
(A month)
Less than 3 2 -
between 3 to 5 1 -
More than 5 - 3

2.2 운전 시뮬레이터 및 주행 시나리오

본 연구에서 사용된 주행 시뮬레이터는 Logitech G29 Driving Force를 사용하여 조작되고, 900°회전 가능한 스티어링 휠, 엑셀, 브레이크, 클러치 페달 및 주행(D), 중립(N), 후진(R), 주차(P)모드로 변속 가능한 기어로 구성되어 있는 것을 그림 1에서 보여주고 있다.


Fig. 1. 
Implemented virtual reality driving simulator

참가자들은 HTC-VIVE PRO EYE(Resolution: 1440 ×1600 pixels per eye, screen refresh rate 90Hz)의 HMD를 착용하여 주행 시뮬레이터를 수행하는 동안 HMD내의 Eye tracker 기능을 통해 시선 추적 데이터(30Hz)가 수집되었다.

참가자들은 주행 평가에 앞서 시뮬레이터의 조작법에 대한 설명을 듣고 약 10분 동안의 연습 주행(직진, 좌회전, 후진 및 정차 등)을 한 후, 내비게이션의 안내에 따라 약 3분 동안의 주행 시나리오를 수행하였다. 주행 시나리오는 Unity(ver. 2019.4.7.f1) 엔진 기반의 SteamVR plug-in을 활용하여 VIVE PRO EYE 및 Logitech G29 Driving Force를 연동하고, 왕복 4차로와 교차로에서의 주행이 이루어졌다. 참가자의 주행 시나리오는 직진 및 신호교차로에서 정차, 좌회전 후 급제동 이벤트 발생 및 차선변경 후 우회전으로 구성되어 있으며, 충돌로 인해 주행이 불가능 하거나 목적지에 도착하면 시나리오가 종료 되고 주행 평가가 이루어진다.

참가자가 주행 시나리오를 시작하면 내비게이션에서 200m 전진 후 좌회전을 수행하도록 그림 2(a)와 같이 보여준다. 주행 중인 차량이 교차로 100m전에 도착하면 신호등이 녹색에서 적색으로 전환되고, 참가자가 속도를 조절하여 교차로에 정차하면 그림 2(b)와 같이 교차로 상황을 볼 수 있다.


Fig. 2. 
Driving scene during scenario

이때 교통 상황 및 주변을 탐색한 후 신호에 따라 좌회전을 수행하면 내비게이션에서 500m 직진 후 우회전을 하도록 그림 2(c)와 같이 보여준다. 그림 2(d)는 전방 주행 차량이 급제동할 때 참가자가 브레이크를 밟거나 차선 변경을 하는 지 시험하는 것을 보여준다. 그림 2(e)는 좌측에서 주행하는 차량 및 보행자를 확인하고 우회전을 수행하는 지 보여준다. 만약 참가자가 충분한 주변 탐색과정 없이 우회전을 시도할 시 통행 차량 및 보행자와의 충돌을 유발하도록 시나리오 설계가 되었으며, 충돌이 일어나거나 우회전 완료 시 모든 시험이 종료된다.

2.3 시선의 정적 분석

정적 분석에 사용되는 시각적 속성 중 시선 고정 횟수는 물체를 응시한 횟수를 의미하며, 이것은 물체의 상태를 확인하는 빈도 수 이다. 또한, 고정 지속시간은 주행 중 각각의 물체를 응시하고 상태를 인지하기까지 소요되는 지속시간으로서, 예를 들어 주행 중 운전자가 신호등 3초, 차량 2초, 신호등 5초, 보행자 8초 동안 각각의 고정 지속시간이 소요되는 것을 의미한다. 체류 시간은 각각의 고정 지속 시간의 합계를 의미하는 것으로, 운전자의 시선 분산 및 밀도를 분석하는 데 사용한다.

또한, 운전자가 주행 중 응시한 관심 영역에 대한 시선 분산을 기반으로 정보량의 불확실성 척도인 SGE를 계산하여 시선 탐색을 생성하는 데 필요한 정보의 양을 분석하였다. 여기서, SGE는 운전자가 주행 중 응시한 물체 또는 응시하지 않은 물체에 대한 확률(Probability) 분포를 생성되기 때문에 Shannon‘s Entropy 기반으로 시선의 전체 공간분산을 정량화할 수 있다. 여기서 사용된 식은 다음과 같이 나타낼 수 있다[11].

SGE=-i=1npilog  2pi(1) 

SGE는 운전자 시선의 분산으로 생성되는 정보량(Bits)이며, pi는 i번째 관심 영역을 응시할 확률을 의미한다. 예를 들어, 운전자가 주행 중 하나의 물체만 집중적으로 응시했을 경우 확률 분포는 낮아지기 때문에 전체 물체를 골고루 응시한 운전자보다 시선 밀도가 높게 측정되어 엔트로피 값이 낮아지게 되는 것이다[12]. 따라서 운전자의 엔트로피 값이 높을수록 시선 탐색이 더 균등한 분포 및 작은 분산을 나타낸다.


Ⅲ. 결 과

운전자의 시선 탐색에 대한 정적 분석에는 시선 고정 횟수, 체류 시간, 고정 지속시간, SGE의 4가지 지표를 사용하였다. 여기서 하나의 관심영역을 응시한 후 재탐색하는 빈도를 의미하는 시선 고정 횟수는 교차로에서 정차 후 우회전하는 동안 임의의 관심영역에 대해서 반복하여 탐색한 횟수를 Heatmap을 사용하여 그림 3에서 보여주고 있다.


Fig. 3. 
Average of Number of fixation by area of interests in intersection

이것은 운전자 집단의 각 관심영역 빈도에 대한 평균을 시각화한 것이며, 관심영역의 시선 고정 빈도가 높을수록 붉은색, 낮을수록 푸른색으로 나타내었다. 그림 3(a)에서 보여주는 것과 같이 초보 운전자 집단은 정면 위주의 관심영역에서 재탐색이 이루어지고 있고, 그림 3(b)의 숙련 운전자 집단에서는 정면뿐만 아니라 좌·우측의 관심영역에 대해서도 높은 재탐색이 이루어지는 것을 볼 수 있다.

각 집단의 고정 지속시간은 표 2에 나타내었으며, 초보 운전자 집단(0.72sec)이 숙련 운전자 집단(0.51sec)보다 길게 나타났다. 초보 운전자 집단에서는 운전자 좌석에서 비교적 가까운 관심영역(사이드미러, 룸미러, 내비게이션, 계기판)의 고정 지속 시간이 먼 거리에 있는 관심영역(차량, 보행자, 신호등)보다 길게 나타났다.

Table 2. 
Average of fixation duration by area of interests for novice and expert group
Area of interests Novices (sec.) Expert (sec.)
Traffic lights 0.64 0.32
Traffic lights(Pedestrian) 0 0.82
Pedestrian 0.61 0.42
Vehicle 0.75 0.39
Navigation 0.82 0.52
Room mirror 0.99 0.37
Side mirror(Left) 1.05 0.49
Side mirror(Right) 0 0.50
Dashboard 0.86 0.43
Others 1.52 0.75
Average time 0.72 0.51

특히, 이들은 응시하지 않은 물체와 others(도로 주위 배경, 빌딩, 식물, 가로등 등)를 제외한 관심영역 중 좌측 사이드미러의 고정 지속시간이 가장 길었으며, 숙련 운전자와 가장 큰 지속시간의 차이가 나타났으며 숙련 운전자 집단에서는 평균 고정 지속시간이 0.51sec 나타났지만, 보행자신호등에 대한 고정지속시간이 0.82sec로 비교적 높게 나타났다.

각 관심영역에 대한 집단 별 평균 체류 시간은 그림 4에서 보여주고 있다. 그림 4에서 초보 운전자는 특정 관심영역, 즉 차량, 내비게이션, 계기판에서의 체류 시간이 길게 나타난 반면에, 숙련 운전자는 전체 관심영역에 대한 체류시간의 균등한 분포가 나타났다. 초보 운전자는 주변 환경을 제외하고 신호등(18.5sec), 보행자(14.9sec), 통행 차량(23.7sec), 내비게이션(21.9sec), 차량 내 계기판(26.2sec)에 비교적 많은 시간을 할당하였지만, 보행자 신호등과 우측 사이드 미러를 응시하지 않는 것으로 나타났다.


Fig. 4. 
Average of dwell time by area of interest for novice and expert group

반면에 숙련 운전자 집단은 좌·우측 사이드미러(21.3sec, 24.5sec)와 보행자 신호등(16.0sec)에 시선 응시를 할 뿐만 아니라 전체적으로 주행 중 관심영역을 응시하는 시간이 유사하게 나타났다. 운전자 집단의 관심영역 별 시선 응시 확률과 SGE는 수식 1을 이용하여 계산하였고, 이를 표 3에 나타내었다. 여기서 시선 응시 확률은 주행하는 동안 각 관심영역에서 30Hz sampling rate로 획득한 빈도수(Frequency)를 전체 빈도수와의 비율로 나타낸 것이다.

Table 3. 
Average of fixation duration by area of interests for novice and expert group
Area of interests(i) Novices Expert
Frequency(n) Probability(Pi) Frequency(n) Probability(Pi)
Traffic lights 556 0.11 576 0.12
Traffic lights(Pedestrian) 0 0 480 0.10
Pedestrian 446 0.09 469 0.10
Vehicle 710 0.14 318 0.06
Navigation 657 0.13 312 0.06
Room mirror 182 0.04 305 0.06
Side mirror(Left) 278 0.06 639 0.13
Side mirror(Right) 0 0 736 0.15
Dashboard 785 0.16 320 0.07
Others 1364 0.27 762 0.15
Total 4978 1 4918 1
SGE(bits) 2.455 2.867

본 연구에서는 관심영역의 수를 10개로 구분하였고, 한 명의 운전자가 가질 수 있는 최대 SGE는 약 3.321bits이고, 율로 나타낸 것이다.

또한, 관심영역의 수를 10개로 구분하였고, 한 명의 운전자가 가질 수 있는 최대 SGE는 약 3.321bits이고, 이에 대한 각각의 SGE는 초보 운전자 집단에서 약 2.455bits로 최대 SGE의 77%, 숙련 운전자 집단에서 약 2.867bits로 최대 SGE의 90%로 나타났다. 이것은 주행 중 초보 운전자 보다 숙련 운전자의 시선 응시 분포가 특정 관심영역에 밀집되어있지 않고 비교적 균등하게 분포되어 있다는 것을 의미한다.


Ⅳ. 결론 및 향후 과제

초보 운전자는 운전 중 사물 또는 관심영역을 정확하게 인지하기 위해 동일한 물체를 여러 번 탐색하거나, 부분적인 시각 탐색 정보로 인한 잘못된 판단으로 사고가 발생할 수 있다. 본 연구에서는 시선의 정적분석을 사용하여 운전 경험에 따른 시선 탐색의 차이를 비교하고, 사고 발생 가능성이 높은 위험운전자를 평가하기 위한 방법을 제안하고자 하였다. 시선의 정적 분석을 위한 지표들로는 체류 시간, 고정 지속시간, 고정 횟수 및 SGE를 사용하였으며, 이에 대한 운전 능력 시험은 시각적 속성의 변화가 잘 나타나는 교차로 환경에서의 VR 운전 시뮬레이터를 활용하여 수행하였다.

시선의 정적 분석 결과의 시선 고정 빈도에서는 초보운전자 집단의 경우 교차로 우회전 상황에서 차량과 보행자의 재탐색 빈도가 가장 높았으며, 숙련 운전자는 좌·우측 사이드미러에 대한 재탐색 빈도가 높게 나타났다. 즉 초보 운전자는 정면 위주의 재탐색이 높은 특성이 있으며, 숙련 운전자는 비교적 좌·우측의 관심영역에 대한 재탐색 빈도가 높은 것 을 알 수 있다. 고정 지속 시간에서는 초보 운전자 집단이 숙련 운전자에 비해 길게 나타났으며, 좌측 사이드미러와 룸미러에 대한 시간이 가장 길게 나타났다. 다시 말해 초보 운전자의 경우 자신의 차량과 후방 및 측면의 차량의 거리를 인지하는 데 많은 시간을 소요한 것을 의미할 수 있다. 한편, 초보 운전자집단은 보행자 신호등과 우측 사이드미러에 대한 시선 응시가 나타나지 않았으며, 이는 실험에 참여한 운전자 수가 적기 때문에 본 실험에서는 나타나지 않은 것으로 보인다.

또한, 숙련 운전자 집단은 평균적으로 고정 지속시간이 짧았지만, 보행자신호등에 대한 고정지속시간이 가장 길었으며, 이것은 다음 신호를 예측하기 위해 보행자 신호등에 대한 응시가 지속된 것으로 해석될 수 있다. 초보 운전자 집단의 체류 시간은 특정 관심영역에 대한 응시가 오래 지속되는 특성이 있었으며, 이것은 주행 경로 및 위험 요소를 탐색하는데 많은 시간을 소요한 것으로 나타났다. 반면에 숙련 운전자 집단의 경우는 비교적 균등한 분포가 나타났으며, 이것은 운전자가 주행하고 있는 차량 주위 도로 상황을 탐색하는 데 시간을 소요한다는 것을 알 수 있다.

SGE를 계산한 결과는 숙련 운전자 집단 초보 운전자 집단보다 정보량이 크게 나타났으며, 이들은 전체 관심영역을 균등하게 응시하며 주행했기 때문에 시선 밀도가 낮게 측정되어 엔트로피 값이 크게 나타난 것으로 해석된다. 따라서 시선의 정적 분석에서 초보 운전자 집단은 시선을 통해 특정 물체를 응시하여 정보를 수집하는 시간이 길고 정면 위주의 시선 고정 재탐색이 이루어지는 특성이 있으며, 숙련 운전자 집단은 전체적인 물체를 신속하게 응시하고 운전자 차량 주위의 교통 환경 위주로 물체를 탐색하는 특성이 있다고 할 수 있다.

향 후 연구에서는 운전자 시선의 이동, 방향, 속도 등과 같은 연속적인 특성에 대한 분석을 통해 운전자의 운전 능력을 보다 세부적으로 비교하는 연구가 이루어져야 하며, 추가적으로 운전 경험이외에 연령에 따른 고령운전자들의 시선 탐색과 교차로 이외의 다양한 주행 상황들에 대한 연구가 진행된다면 기존의 운전 면허증을 자진 반납하는 정책에서 객관적 기준을 활용한 운전 면허증 반납 정책을 수립할 수 있을 것으로 보인다.


Acknowledgments

This research was supported by the MSIT(Ministry of Science and ICT), Korea, under the ITRC(Information Technology Research Center) support program(IITP-2021-2018-0-01426) supervised by the IITP(Institute for Information & Communications Technology Planning & Evaluation)


References
1. A. E. Curry, K. B. Metzger, A.F. Williams, and B. C. Tefft, "Comparison of Older and Younger Novice Driver Crash Rates: Informing the Need for Extended Graduated Driver Licensing Restrictions", Accident Analysis & Prevention, Vol. 108, pp. 66-73, Nov. 2017.
2. S. E. Hong, G. Y. Lee, and H. J. Kim, "A Study on Traffic Accident Injury Severity Prediction Model Based on Public Data", Journal of Korean Institute of Information Technology, Vol. 13 No. 5, pp. 109-118, May 2015.
3. A. K. Mackenzie, and J. M. Harris, "Eye –movements and hazard perception in active and passive driving", Visual cognition, Vol. 23 No. 6 pp. 736-757, Sep. 2015.
4. Q. C. Sun, J. C. Xia, J. He, J. Foster, T. Falkmer, and H. Lee, "Towards Unpacking Older Drivers’ Visual-Motor Coordination: A Gaze-Based Integrated Driving Assessment", Accident Analysis & Prevention, Vol. 113, pp. 85-96, Apr. 2018.
5. P. Stahl, B. Donmez, and G. A. Jamieson, "Eye Glances Towards Conflict-Relevant Cues: the Roles of Anticipatory Competence and Driver Experience", Accident Analysis & Prevention, Vol. 132, pp. 105-255, Aug. 2019.
6. B. Kapitaniak, M. Walczak, M. Kosobudzki, Z. Jozwiak, and A. Bortkiewicz, "Application of eye-tracking in the testing of drivers: A review of research", Int J Occup Med Environ Health, Vol. 28, No. 6, pp. 941-954, 2015.
7. A. K. Mackenzie, and J. M. Harris, "A link between attentional function, effective eye movements, and driving ability", Journal of experimental psychology: human perception and performance, Vol. 43, No. 2, pp. 381-394, Feb. 2017.
8. G. Li, Y. Wang, F. Zhu, X. Sui, N. Wang, X. Qu, and P. Green, "Drivers’ Visual Scanning Behavior at Signalized and Unsignalized Intersections: A Naturalistic Driving Study in China", Journal of Safety Research, Vol. 71, pp. 219-229, Dec. 2019.
9. J. H. Joo, "Visualizing Behavior Characteristics of Developmental Disabilities During Virtual Reality Training.", JKIIT, Vol. 19, No. 2 pp. 123-132, 2021.
10. G. O. David, J. D. Francisco, M. Z. Mario, and A. R. Miriam, "Comparative Analysis of Kinect-Based and Oculus-Based Gaze Region Estimation Methods in a Driving Simulator", Sensors, Vol. 21, No. 1, 26, Dec. 2020.
11. B. Shiferaw, L. Downey, and D. Crewther, "A review of gaze entropy as a measure of visual scanning efficiency", Neuroscience & Biobehavioral Reviews, Vol. 96, pp. 353-366, Jan. 2019.
12. S. S. M. Chanijani, P. Klein, S. S. Bukhari, J. Kuhn, and A. Dengel, "Entropy Based Transition Analysis of Eye Movement on Physics Representational Competence", Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct, Heidelberg Germany, pp. 1027-1034, Sep. 2016.

저자소개
정 지 용 (Ji-Yong Chung)

2016년 2월 ~ 현재 : 한국산업기술대학교 컴퓨터공학과 학사과정

관심분야 : 빅 데이터, 디지털 헬스케어, 인공지능

이 혁 민 (Hyeok-Min Lee)

2021년 2월 : 한국산업기술대학교 컴퓨터공학과(공학사)

2021년 2월 ~ 현재 : 한국산업기술대학교 IT반도체융합공학과 석사과정

관심분야 : 빅 데이터, 디지털 헬스케어, 인공지능

노 승 재 (Seung–Jae Noh)

2020년 2월 : 한국산업기술대학교 컴퓨터공학과(공학사)

2020년 2월 ~ 현재 : 한국산업기술대학교 IT반도체융합공학과 석사과정

관심분야 : 기능성 게임, 재활 & 헬스케어

이 응 혁 (Eung-Hyuk Lee)

1985년 2월 : 인하대학교 전자공학과(공학사)

1987년 2월 : 인하대학교 전자공학과(공학석사)

1992년 2월 : 인하대학교 전자공학과(공학박사)

2000년 2월 ~ 현재 : 한국산업기술대학교 전자공학과 교수

관심분야 : 재활 공학, 모바일 헬스케어 시스템, 지능형 서비스 로봇