운전 안정감 향상을 위한 차량 UX 디자인 및 검증

1. 서론

2. 운전 안정감 영향 요인

운전 중 경험하는 안정감은 다양한 요인에 의해 영향을 받으며, 이들은 운전자의 심리적 상태와 전체 주행 경험에 깊게 관여한다. 이러한 요인을 체계적으로 이해하는 것은 효과적인 운전 안정감 지원을 위한 UX 디자인에 필수적이다.

운전 중에 발생하는 정서적 반응의 70% 이상이 교통 상황(예. 교통 체증, 복잡한 교차로, 위험한 추월)과 타 운전자의 행동(예. 공격적 운전, 급격한 차선 변경, 과속)에 의해 유발된다(Braun et al., 2018). 또한, 약속 지각이나 목표 시간 내 도착 요구와 같은 시간 압박은 스트레스와 불안을 심화시키는 주요 요인으로 확인되었다. 날씨와 도로 조건(예. 폭우, 안개, 눈, 미끄러운 도로) 역시 시야 제한과 차량 제어의 불확실성을 높여 안정감을 저해하는 요인으로 작용한다. 브라운 등(Braun et al., 2021)은 이러한 요인을 크게 외부 환경적 요인, 차량 관련 요인, 운전자 내부 요인으로 분류하였다. 외부 환경적 요인에는 교통 체증, 공격적 운전자 행동, 악천후가 포함되며, 차량 관련 요인으로는 기술적 결함, 복잡한 인터페이스, 멀티태스킹 상황이 주요 원인으로 지적된다. 운전자 내부 요인에는 시간 압박, 개인적 스트레스, 운전 경험 부족, 자신감 결여 등이 포함되며, 이는 불안과 긴장을 유발한다.

제프 등(Zepf et al., 2019)은 실제 도로 주행 실험을 통해 운전 중 정서적 반응을 유발하는 요인들을 분석하였다. 운전자들은 주로 (1) 예측 불가능한 상황(예. 갑작스러운 보행자 출현, 예상치 못한 도로 장애물), (2) 시간 제약(예. 약속 지각, 교통 체증으로 인한 지연), (3) 제어 상실감(예. 미끄러운 도로, 차량 오작동), (4) 다중 작업 부담(예. 내비게이션 확인, 동승자와의 대화)에서 불안감과 스트레스를 경험하였다. 특히 이러한 요인들은 단독으로 작용하기보다 상호 복합적으로 작용하여 감정적 반응을 심화시켰다. 예를 들어, 시간 제약 상황에서 예측 불가능한 교통 상황과 맞닥뜨리면 스트레스 수준은 급격히 상승하는 경향이 있다.

이와 같은 영향 요인을 종합하여 운전 안정감 영향 모델을 Figure 1과 같이 도식화하였다. 운전자는 날씨, 시간, 도로 교통, 주변 객체, 동승자 등 다양한 요인으로부터 스트레스를 받을 수 있으며, 동시에 차량 운전, 시스템 조작, 차량 상태 확인 등의 작업도 수행해야 한다. 스트레스(Stress)는 운전자가 상황적 요구에 능동적으로 대응하지 못할 때 발생하는 심리적 반응으로, 지각, 인지, 주의, 기억 등에 부담을 주는 인지적 작업과 밀접한 관련이 있다. 반면, 작업 부하(Workload)는 운전 수행에 필요한 신체적 노력의 정도를 의미하며, 핸들 조작, 페달 조작, 내비게이션 조작 등 구체적인 신체 활동과 연관된다. 과도한 스트레스와 작업 부하는 운전자의 안정감을 저하시켜 사고 위험을 높일 수 있으므로, 다양한 상황에서 운전자가 경험할 수 있는 스트레스와 워크로드를 효과적인 UX 디자인을 통해 적절히 조절하여 안정감을 유지할 수 있도록 지원하는 것이 중요하다.

Figure 1

Model of factors influencing driving comfort

3. 운전 안정감의 정의

3. 2. 안정감의 정의

운전 상황에서의 안정감은 단순히 부정적 감정이 없는 상태를 넘어서는 복합적인 심리적 상태를 의미한다. 이를 체계적으로 이해하기 위해서는 심리학적 감정 모델에 대한 고찰이 필요하다. 감정 연구 분야에서 널리 활용되는 러셀(Russell, 1980)의 정서-각성(Valence-Arousal) 모델은 Figure 2와 같이 감정 상태를 두 가지의 핵심 차원으로 구분하였다. 정서 차원은 감정의 긍·부정 정도를, 각성 차원은 생리적·심리적 각성 수준을 나타낸다. 이 두 차원의 조합을 통해 다양한 감정 상태를 2차원 좌표평면에 위치시킬 수 있으며, 이는 운전 맥락에서 감정 상태를 분석하는 데 유용한 분석 틀을 제공한다.

Figure 2

Emotional position of driving comfort in the Russell model

예르케스-도슨의 법칙(Yerkes & Dodson, 1908)에 따르면, 인간의 수행 능력은 각성(Arousal) 수준과 역U자 곡선의 관계에 있다. 적정 수준의 각성 상태에서 최적의 수행이 이루어지며, 각성이 지나치게 낮거나 높으면 성과가 저하된다. 이와 유사하게, 차이와 린(Cai & Lin, 2011)은 운전자의 감정 상태와 주행 성능 간의 관계를 실험적으로 분석하였는데, 중간 수준의 각성과 긍정적 정서가 결합한 상태에서 가장 우수한 성과가 나타남을 보고하였다. 또한, 브라운 등(Braun et al., 2021)은 기존 문헌을 종합적으로 분석하여, 안전 운전의 최적 조건으로 중간 수준의 각성과 다소 높은 긍정적 정서 감정의 결합 상태를 제시하였다.

이상의 연구 결과를 종합하면, 운전 맥락에서의 안정감은 정서-각성 모델상에서 중간 수준의 각성과 적절한 긍정적 감정이 결합된 상태이다. 본 연구에서는 이를 다음과 같이 정의하였다: 운전 안정감은 “운전자가 주행 중 다양한 스트레스와 작업 부하에 적절히 대응하며, 중간 수준의 각성과 긍정적 정서를 유지하여 최적의 운전 수행 능력을 달성하는 심리적 상태”를 의미한다. 이는 즐거움과 평온함이 조화를 이루는 상태인 해피캄(Happy-calm; Gomez et al., 2004) 상태를 뜻하며, Figure 2에서 정서(Valence) 축의 긍정 영역과 각성(Arousal) 축의 중간 수준이 교차하는 지점에 해당한다.

4. 운전 안정감 향상 방안

4. 3. 운전자 반구조화 인터뷰 분석

운전 안정감에 관한 실제 운전자의 경험과 요구를 심층적으로 파악하기 위해 반구조화 인터뷰를 시행하였다. 인터뷰 대상자는 운전 경력 30년 이상의 전문 운전기사 2명과 25년 경력의 일반 운전자 1명으로, 모두 다양한 차종을 경험하였으며, 주로 벤츠, BMW, 포르쉐, 볼보 등 고급 외제차를 운전했거나 현재 운행 중이다.

인터뷰 결과, 도로 환경과 주행 조건은 운전 안정감에 직접적인 영향을 미쳤다. 예를 들어, 참여자 A는 좁은 골목길에서 갑작스럽게 등장한 아이로 인해 급정거한 경험을 언급하며, 예측 불가능한 상황이 불안감을 유발한다고 지적하였다. 또한, 날씨나 햇빛으로 인한 시야 제한도 안정감 저하 요인으로 나타났다. 차량 기능에 대한 신뢰도 역시 중요한 변수였다. 참여자 A는 차선 이탈 방지 기능이 도움 되었으나 불필요한 급정거로 인한 불편함도 경험했으며, 참여자 B는 일부 주행 보조 기능을 위험 요소로 인식해 비활성화하였다고 한다. 참여자 C는 볼보의 민감한 안전 시스템이 오히려 피로를 유발한다고 보고하였다.

운전자 특성과 동승자 태도 또한 안정감에 영향을 주었다. 전문 운전기사는 사전 경로 확인과 차량 점검 등 예방적 조치를 통해 안정감을 유지한다고 답했으나, 주로 가족과 동승하는 참여자 C는 주의 분산과 다중 작업 부담을 주요 저해 요인으로 꼽았다. 특히, 아이들의 소음과 요구로 집중력이 저하된다는 의견이 있었다. 차량 상태 인지도 중요한 요인으로, 이상 진동이나 소음을 감지할 때 불안감이 증대되었다. 참여자 B는 이상 소음 발생 시 즉시 점검하는 습관이 있었고, 참여자 C는 풍절음이 심할 때 차량 상태에 대한 걱정이 커진다고 언급하였다. 이외에도, 상황별 안정감 저하 요인이 다양하게 제기되었다. 장거리 주행 시에는 신체적 피로와 졸음, 도심 주행에서는 예측 불가능한 교통 상황과 복잡한 도로 환경, 악천후 시에는 시야 제한과 차량 제어 어려움, 주차 시에는 공간 부족이나 차량 손상 우려가 주요 불안 요소로 나타났다.

종합적으로, 운전 안정감은 차량의 기술적 안전성뿐 아니라 운전자의 심리 상태, 동승자와의 관계, 그리고 차량과의 상호작용 경험이 복합적으로 작용한 결과임이 드러났다. 인터뷰로 도출된 안정감 향상 요구사항은 Table 1에 정리하였다.

Table 1

Requirements for improving comfort in various situations

5. 고객 여정 지도 및 UX 디자인

문헌 조사, 벤치마킹, 운전자 인터뷰 결과를 바탕으로 운전자의 안정감 향상을 위한 고객 여정 지도를 작성하고, 이를 기반으로 브레인스토밍하여 다양한 안정감 지원 UX 디자인 아이디어를 도출하였다. Figure 3에 제시된 바와 같이 고객 여정 지도는 탑승 전부터 차량 관리까지 총 네 단계로 구분하였으며, 각 단계에서 발생할 수 있는 다양한 운전자와 동승자의 경험을 분석하여 안정감 관련 불편한 점(Pain points)을 도출하였다. 이를 통해 총 285개의 불안정감 유발 요인과 해당 요인을 해소하거나 안정감을 지원할 수 있는 아이디어를 도출하였다. 그리고 ‘불안정감 감소 효과’, ‘차별성’, ‘개선·확장 가능성’을 기준으로 연구자들이 5점 척도 평가를 시행하여 96개의 핵심 아이디어를 선별하였다. 그 후, 본 연구에서는 다섯 가지의 핵심적인 차량 안정감 지원 UX 디자인 안을 최종 선별하여 구체화했으며, 해당 내용은 Table 2에 정리하였다. 다섯 안 중 ‘해피캄’만이 감정 조절 전략에 해당하며, 나머지 안들은 모두 감정 유지 전략에 해당한다.

Figure 3

The process of deriving customer journey maps and generating comfort support ideas

Table 2

Touch points and UX designs to support driving comfort

6. 실험 및 결과

6. 2. 실험 시스템

Table 2의 UX 디자인이 효과적으로 작동할 수 있도록, 운전자가 불안정감을 느낄 수 있는 9가지 유형의 상황(잔잔한 빗길, 과속 단속, 전방 저속 차량, 도로 장애물, 끼어들기, 교차로 우회전, 강한 햇빛, 후방 추격 차량, 좁은 도로)을 기반으로 16개의 주행 이벤트(E1~E16)가 포함된 Figure 4와 같은 가상 주행 경로를 구성하였다. 이벤트 간에는 생체 리듬 안정화를 위한 충분한 시간 간격이 확보되도록 도로를 구성하였다. Figure 4의 9가지 발생 시나리오에는 Table 2의 안정감 지원 UX 디자인 안들을 상황별로 Table 3과 같이 제공하였다. 예를 들어, 스마트 앰비언트 라이트는 과속 단속 및 교차로 상황에서 동작하며, 슬라이딩 선바이저, 스마트 룸미러, HUD 차폭 가이드는 각각 강한 햇빛, 후방 추격 차량, 좁은 도로 상황에서 동작한다. 그리고 해피캄은 세찬 비, 전방 저속, 도로 장애물, 끼어들기 상황에서 동작하였는데, Table 3에는 시나리오별로 여러 요소(HUD, AVN, 공감 음성 등)가 어떻게 동작했는지도 설명되어 있다.

Figure 4

A virtual driving course with nine discomfort-inducing scenarios and 16 events.

Table 3

Driving comfort supports in Table 2 for each scenario in Figure 4

운전 시뮬레이터는 Unity 기반의 2차선 가상 도로 환경으로 구현되었으며(Figure 4), 전체 시스템 구성은 Figure 5, 시뮬레이터 외관은 Figure 6에 제시되어 있다. K7 프리미어 차체와 로지텍(Logitech) G29 핸들 시스템, 중앙 75인치 및 좌우 32인치 보조 모니터를 통해 몰입형 주행 환경을 조성하였다. AVN은 13인치 태블릿으로 구현하였고, 앰비언트 라이트와 송풍 장치는 아두이노(Arduino)로 제어하였다. 주행음과 음성 메시지는 블루투스 헤드셋을 통해 송출하였으며, 룸미러와 선바이저는 중앙 모니터를 통해 시각적으로 구현하였다. 생체신호는 실험 참여자의 왼손에 착용한 Shimmer GSR+ 장비로, 안면 데이터는 대쉬보드 상단에 배치한 ABKO HD 웹캠(APC720)을 이용하여 수집하였으며, 두 대의 컴퓨터가 각각 시뮬레이터 구동과 생체신호 및 안면 데이터 수집을 담당하였다.

Figure 5

Overall system structure of the car simulator

Figure 6

Implemented car simulator

6. 5. 실험 설계

실험은 피험자 내 설계(Within-subject design)로 구성하여, 모든 실험 참여자가 안정감 지원 여부에 따른 두 가지 조건을 경험하였다. 각 참여자마다의 실험 순서는 순서 효과를 통제하기 위해 절반의 참여자는 안정감 지원이 있는 조건을 먼저, 나머지 절반은 안정감 지원이 없는 조건을 먼저 수행하였다. 전체 실험 절차는 Figure 7에 제시하였다. 본 주행에 앞서 시뮬레이터 조작과 환경에 익숙해지도록, 각 참여자는 3분간의 사전 연습 주행을 수행하였다. 본 주행은 안정감 지원 제공과 미제공의 두 주행 시나리오로 구성되는데, 소극적인 주행 행동을 방지하고 현실감을 높이기 위해, 목적지까지의 도달시간 목표를 25분으로 설정하였고, 주행 중 화면에 남은 시간을 실시간으로 표시하여 시간적 압박감을 부여하였다.

Figure 7

Experimental procedure

참여자에게는 기본 실험 참가비로 만 원을 지급하였으며, 목표 시간 내 주행 완료 및 교통법규 준수 여부에 따라 추가 보상을 제공하였다. 이러한 성과 기반 보상 구조는 동기 부여를 통해 실제 운전 상황과 유사한 몰입감을 유도하기 위한 것이었다.

6. 6. 실험 결과

6. 6. 1. GSR과 SCR 생체 지표

41명의 참가자 중 1명의 데이터는 생체신호 장애로 데이터 누락이 발생해 분석에서 제외하였으며, 실험 중 사고 충돌이 발생한 구간에서의 모든 생체신호는 제외하여 정상 주행 중의 생리적 반응만 분석하였다. GSR 및 SCR 생체 데이터를 분석한 결과, 안정감 지원 기능의 효과가 통계적으로 유의미하게 나타났다.

GSR 지표들에 대한 분산분석(ANOVA) 결과(Table 4), 안정감 지원 기능의 유무에 따라 GSR의 표준편차(p <.01) 및 피크 수(p < .05)에서 유의한 차이가 확인되었다. 추가로 실시한 Tukey 사후검정 결과, 안정감 지원이 없는 조건에서 GSR의 표준편차와 피크 수가 유의하게 높게 나타났다(Figure 8). 이는 안정감 지원이 없는 상황에서 시간에 따른 GSR의 진폭 변화가 더 크고 불규칙했으며, 순간적인 스트레스 반응이 더 빈번하게 발생했음을 의미한다.

Table 4

F-statistics and p-values from ANOVA results for GSR data (**p<.01, *p<.1)

Figure 8

GSR average, standard deviation, peak count, and time to stabilize by presence or absence of driving comfort support. The same letters in the graph indicate no significant difference at α = 0.05 according to Tukey’s test.

SCR 지표 분석 결과(Table 5), 안정감 지원 기능의 유무에 따라 표준편차(p < .05)와 불안정 시간(p < .10)에서 유의미한 차이가 나타났다. 사후 분석 결과, 안정감 지원이 없는 조건에서 SCR의 표준편차와 불안정 시간이 유의하게 증가하였다(Figure 9). 이는 운전 지원 기능이 없을 때 SCR 신호의 변화 폭이 더 크며, 스트레스 자극에 대한 생리적 각성 수준이 불안정하고 회복 시간이 더 오래 걸림을 의미한다. 그리고 SCR 불안정 시간에 있어서는 이벤트 종류와 안정감 지원 간에 교호작용이 존재하였는데(p < .05), Figure 10의 교호작용도를 보면 해피캄이 지원된 E1(세찬비), E4(전방 저속 차량), E5(도로 장애물), E6와 E14(끼어들기), 그리고 스마트 엠비언트 라이트가 지원된 E2와 E3(과속 단속 구간)에서는 안정감 지원이 있는 경우 SCR 불안정 시간이 오히려 더 길거나 비슷하였다. 이러한 경향은 다른 지표의 교호작용도에서도 비슷하게 나타났는데, 이는 해피캄과 과속 단속 상황에서의 안정감 지원은 상대적으로 그 효과가 떨어짐을 의미한다.

Table 5

F-statistics and p-values from ANOVA results for SCR data (**p<.01, *p<.1)

Figure 9

SCR average, standard deviation, peak count, and duration in unstable by presence or absence of driving comfort support

Figure 10

Interaction plot of SCR duration in unstable between support and event

6. 6. 2. 주관적 평가 결과

참여자의 주관적 안정감 평가에 대한 분산분석 결과(Table 6), 안정감 지원 기능 유무, 불안 유발 이벤트, 주행 횟수, 참여자 간에 따라 통계적으로 유의한 차이가 존재하였다(p = .000). 사후 분석 결과, 안정감 지원이 있는 조건에서의 평균 안정감 점수가 안정감 지원이 없는 조건보다 유의하게 더 높았다(4.47점 vs. 4.00점).

Table 6

ANOVA table of subjective comfort rating (**p<.01, *p<.1)

특히 언덕 구간(E10)과 좁은 도로 구간(E15, E16)에서 안정감 지원 기능(슬라이딩 선바이저와 차폭 가이드)의 효과가 두드러지게 나타났다.

또한, 학습 효과에 의해 두 번째 주행에서의 안정감 점수가 더 높았으며, 터널 구간 이벤트(E8, E9)는 상대적으로 안정감이 높게 평가된 반면, 잔잔한 빗길(E1), 도로 장애물(E5), 끼어들기(E6) 구간은 안정감 점수가 낮게 평가되었다.

안정감 향상 지원 기능에 대한 주관적 유용성 평가 결과, 전체 평균 점수는 5점 이상의 긍정적인 반응을 보였다(Figure 11). 특히, 슬라이딩 선바이저와 HUD 차폭 가이드가 가장 높은 유용성 점수를 보였다. 반면, 송풍기(FAN)를 활용한 호흡 개입 기능은 작동 상황이 제한적(시나리오 5)이었고, 풍량이 약했다는 이유로 상대적으로 낮은 평가를 받았다.

Figure 11

Usefulness of the driving comfort supports

7. 결론

본 연구는 운전자의 심리적 안정감에 대한 개념을 정의하고, 이에 영향을 미치는 요인을 분석하였으며, 안정감 향상을 위한 UX 디자인 방안을 도출하고 실험적으로 검증하였다. 본 연구에서 제시한 ‘운전 안정감’은 운전 중 다양한 스트레스와 작업 부하에 균형 있게 반응하며, 중간 수준의 각성과 긍정적 정서를 유지하여 최적의 주행 수행 능력을 발휘할 수 있는 심리적 상태로 정의된다. 이는 러셀(Russell, 1980)의 정서-각성 모델상의 즐거움과 평온함이 조화를 이루는 상태인 해피캄 영역에 해당하며, 교통 상황, 차량 기능, 운전자 내적 요인, 동승자 특성 등 다양한 요인에 의해 영향을 받는다.

문헌 조사, 벤치마킹, 운전자 인터뷰를 통해 운전 안정감 향상 방안을 다각도로 탐색하였고, 고객 여정 지도 기반의 브레인스토밍을 통해 도출한 다수의 아이디어 중 다섯 가지의 핵심 UX 디자인 안을 선정하였다. 그리고 선정된 디자인 안을 운전 시뮬레이터 환경에 구현하여 실험한 결과, 제안한 안정감 지원들이 실험 참여자들의 생리적 반응과 주관적 안정감에 긍정적인 영향을 미침이 확인되었다. 피부전도도(GSR) 및 전기 반응(SCR) 분석 결과, 참여자들의 각성 수준이 낮고 안정적으로 유지되었으며, 스트레스 상태로부터의 회복 시간 또한 단축되었다. 주관적 안정감 평가에서도 안정감 지원이 있는 조건에서 평균 점수가 유의하게 높았으며, 안정감 지원의 유용성에 대해서도 대체적으로 긍정적인 평가를 받았다.

다만, 본 연구는 시뮬레이터 기반의 단기 실험으로, 실제 도로 주행과의 차이 및 운전 몰입도 한계가 실험 결과에 영향을 미쳤을 가능성이 있다. 시뮬레이터는 환경 통제, 재현성, 안전성 측면에서 장점을 가지지만, 현실 주행에서의 위험 인식과 긴장감을 완전히 재현하기 어렵다. 따라서 향후 연구에서는 실제 주행 환경에서의 검증을 통해 연구 결과의 현실적 타당성과 신뢰성을 높일 필요가 있다. 또한, 개인 간 생리·행동적 반응 차이가 뚜렷하게 나타났음에도 불구하고, 본 연구는 연령, 성별, 운전 경험 등 다양한 운전자 특성을 충분히 반영하지 못했다는 한계가 있다. 운전자 특성에 따라 생리적 반응 양상이나 상황별 디자인 요소에 대한 선호도가 달라질 수 있으므로, 향후에는 운전자 특성 기반의 맞춤형 UX 디자인 및 감정 안정화 전략을 도출하기 위한 후속 연구가 필요하다.

Acknowledgments

This research was supported by Hyundai Mobis and published based on master’s thesis of the first author.

References

• Balters, S., Mauriello, M. L., Park, S. Y., Landay, J. A., & Paredes, P. E. (2020). Calm commute: Guided slow breathing for daily stress management in drivers. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 4(1), 1-19. [https://doi.org/10.1145/3380998]
• Braun, M., Chadowitz, R., & Alt, F. (2019, August). User experience of driver state visualizations: A look at demographics and personalities. In IFIP Conference on Human-Computer Interaction (pp. 158-176). Cham: Springer International Publishing. [https://doi.org/10.1007/978-3-030-29390-1_9]
• Braun, M., Pfleging, B., & Alt, F. (2018). A survey to understand emotional situations on the road and what they mean for affective automotive UIs. Multimodal Technologies and Interaction, 2(4), 75. [https://doi.org/10.3390/mti2040075]
• Braun, M., Schubert, J., Pfleging, B., & Alt, F. (2019). Improving driver emotions with affective strategies. Multimodal Technologies and Interaction, 3(1), 21. [https://doi.org/10.3390/mti3010021]
• Braun, M., Weber, F., & Alt, F. (2021). Affective automotive user interfaces-reviewing the state of driver affect research and emotion regulation in the car. ACM Computing Surveys (CSUR), 54(7), 1-26. [https://doi.org/10.1145/3460938]
• Cai, H., & Lin, Y. (2011). Modeling of operators' emotion and task performance in a virtual driving environment. International Journal of Human-Computer Studies, 69(9), 571-586. [https://doi.org/10.1016/j.ijhcs.2011.05.003]
• Elgendi, M., & Menon, C. (2020). Machine learning ranks ECG as an optimal wearable biosignal for assessing driving stress. IEEE access, 8, 34362-34374. [https://doi.org/10.1109/ACCESS.2020.2974933]
• FakhrHosseini, S. M., & Jeon, M. (2019). How do angry drivers respond to emotional music? A comprehensive perspective on assessing emotion. Journal on multimodal user interfaces, 13(2), 137-150. [https://doi.org/10.1007/s12193-019-00300-3]
• Fakhrhosseini, S. M., Landry, S., Tan, Y. Y., Bhattarai, S., & Jeon, M. (2014, September). If you're angry, turn the music on: Music can mitigate anger effects on driving performance. In Proceedings of the 6th International conference on automotive user interfaces and interactive vehicular applications (pp. 1-7). [https://doi.org/10.1145/2667317.2667410]
• Giannakakis, G., Grigoriadis, D., Giannakaki, K., Simantiraki, O., Roniotis, A., & Tsiknakis, M. (2019). Review on psychological stress detection using biosignals. IEEE Transactions on Affective Computing, 13(1), 440-460. [https://doi.org/10.1109/TAFFC.2019.2927337]
• Gomez, R., Popovic, V., & Bucolo, S. (2004). Driving: The emotional experience and automotive design. In Fourth International Conference on Design and Emotion(pp. 1-16). http://www.designandemotion.org/knowledgebase.php.
• Hassib, M., Braun, M., Pfleging, B., & Alt, F. (2019, August). Detecting and influencing driver emotions using psycho-physiological sensors and ambient light. In IFIP Conference on Human-Computer Interaction (pp. 721-742). Cham: Springer International Publishing. [https://doi.org/10.1007/978-3-030-29381-9_43]
• Healey, J. A., & Picard, R. W. (2005). Detecting stress during real-world driving tasks using physiological sensors. IEEE Transactions on intelligent transportation systems, 6(2), 156-166. [https://doi.org/10.1109/TITS.2005.848368]
• Hernandez, J., McDuff, D., Benavides, X., Amores, J., Maes, P., & Picard, R. (2014). AutoEmotive: bringing empathy to the driving experience to manage stress. In Proceedings of the 2014 companion publication on Designing interactive systems (pp. 53-56). [https://doi.org/10.1145/2598784.2602780]
• Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Yen, N.-C., Tung, C. C., & Liu, H. H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: mathematical, physical and engineering sciences, 454(1971), 903-995. [https://doi.org/10.1098/rspa.1998.0193]
• Jeon, M. (2016). Don't cry while you're driving: Sad driving is as bad as angry driving. International Journal of Human-Computer Interaction, 32(10), 777-790. [https://doi.org/10.1080/10447318.2016.1198524]
• Jeon, M., & Croschere, J. (2015, July). Sorry, I'm late; I'm not in the mood: Negative emotions lengthen driving time. In International Conference on Engineering Psychology and Cognitive Ergonomics (pp. 237-244). Cham: Springer International Publishing. [https://doi.org/10.1007/978-3-319-20373-7_22]
• Jeon, M., Yim, J. B., & Walker, B. N. (2011, November). An angry driver is not the same as a fearful driver: effects of specific negative emotions on risk perception, driving performance, and workload. In Proceedings of the 3rd international conference on automotive user interfaces and interactive vehicular applications (pp. 137-142). [https://doi.org/10.1145/2381416.2381438]
• Lee, J., Elhaouij, N., & Picard, R. (2021). AmbientBreath: Unobtrusive just-in-time breathing intervention using multi-sensory stimulation and its evaluation in a car simulator. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 5(2), 1-30. [https://doi.org/10.1145/3463493]
• Lee, M., Lee, S., Hwang, S., Lim, S., & Yang, J. H. (2023). Effect of emotion on galvanic skin response and vehicle control data during simulated driving. Transportation research part F: traffic psychology and behaviour, 93, 90-105. [https://doi.org/10.1016/j.trf.2022.12.010]
• Li, W., Li, G., Tan, R., Wang, C., Sun, Z., Li, Y., Guo, G, Cao, D., & Li, K. (2024). Review and Perspectives on Human Emotion for Connected Automated Vehicles. Automotive Innovation, 1-41. [https://doi.org/10.1007/s42154-023-00270-z]
• Ooi, J. S. K., Ahmad, S. A., Chong, Y. Z., Ali, S. H. M., Ai, G., & Wagatsuma, H. (2016, December). Driver emotion recognition framework based on electrodermal activity measurements during simulated driving conditions. In 2016 IEEE EMBS Conference on Biomedical Engineering and Sciences(IECBES) (pp. 365-369). IEEE. [https://doi.org/10.1109/IECBES.2016.7843475]
• Russell, J. A. (1980). A circumplex model of affect. Journal of personality and social psychology, 39(6), 1161. [https://doi.org/10.1037/h0077714]
• Schulz, F. K. (2021). Patterns of in-car interaction based on emotion recognition. Tagungsband, 13.
• Spiridon, E., & Fairclough, S. (2017). The effects of ambient blue light on anger levels: Applications in the design of unmanned aircraft GCS. International Journal of Unmanned Systems Engineering, 5(3), 53-69.
• Steinhauser, K., Leist, F., Maier, K., Michel, V., Pärsch, N., Rigley, P., Wurm, F., & Steinhauser, M. (2018). Effects of emotions on driving behavior. Transportation Research Part F: Traffic Psychology and Behaviour, 59(A), 150-163. [https://doi.org/10.1016/j.trf.2018.08.012]
• Völkel, S. T., Graefe, J., Schödel, R., Häuslschmid, R., Stachl, C., Au, Q., & Hussmann, H. (2018, September). I Drive My Car and My States Drive Me: Visualizing Driver's Emotional and Physical States. In Adjunct Proceedings of the 10th International Conference on Automotive User Interfaces and Interactive Vehicular Applications (pp. 198-203). [https://doi.org/10.1145/3239092.3267102]
• Yerkes, R. M., & Dodson, J. D. (1908). The relation of strength of stimulus to rapidity of habit-formation. Journal of comparative neurology and psychology, 18(5), 459-482. [https://doi.org/10.1002/cne.920180503]
• Yoo, Y., Lee, J., Kim, N., Yang, M. Y., Lee, S., & Kim, J. (2023). An empirical study on the effect of a driving companion bot on anger coping behaviors. Behaviour & Information Technology, 42(4), 329-344. [https://doi.org/10.1080/0144929X.2021.2019831]
• Zepf, S., Dittrich, M., Hernandez, J., & Schmitt, A. (2019, May). Towards empathetic car interfaces: Emotional triggers while driving. In Extended Abstracts of the 2019 CHI Conference on Human Factors in Computing Systems (pp. 1-6). [https://doi.org/10.1145/3290607.3312883]
• Zhang, Q., Qu, W., Ge, Y., Sun, X., & Zhang, K. (2020). The effect of the emotional state on driving performance in a simulated car-following task. Transportation research part F: traffic psychology and behaviour, 69, 349-361. [https://doi.org/10.1016/j.trf.2020.02.004]
• Zimasa, T., Jamson, S., & Henson, B. (2017). Are happy drivers safer drivers? Evidence from hazard response times and eye tracking data. Transportation research part F: traffic psychology and behaviour, 46, 14-23. [https://doi.org/10.1016/j.trf.2016.12.005]