Development of an Automated Prototype Platform for Evacuation of Human Behavior Data Collection and Storage Using Unreal Engine

정우 김; 현군 리; 원룡 장; 영찬 김

doi:10.7731/KIFSE.0ba70816

Fire Sci. Eng. > Volume 40(1); 2026 > Article

Unreal Engine을 활용한 피난 영향인자별 인간행동 데이터 수집⋅저장 자동화 프로토타입 플랫폼 개발

Research Paper

Fire Science and Engineering 2026;40(1):11-26.

Published online: February 28, 2026

DOI: https://doi.org/10.7731/KIFSE.0ba70816

Unreal Engine을 활용한 피난 영향인자별 인간행동 데이터 수집⋅저장 자동화 프로토타입 플랫폼 개발

김정우, 리현군^*, 장원룡^**, 김영찬^***,^†

동국대학교 안전공학과 석사과정

* 동국대학교 안전공학과 박사과정

** 동국대학교 WISE캠퍼스 산학협력단 연구초빙교수

*** 동국대학교 안전공학과 교수

Development of an Automated Prototype Platform for Evacuation of Human Behavior Data Collection and Storage Using Unreal Engine

Jeong-Woo Kim, Xian-Jun Li^*, Yuan-Long Zhang^**, Young-Chan Kim^***,^†

Master of Engineering Student, Dept. of Safety Engineering, Dongguk Univ WISE.

* PhD Student, Dept. of Safety Engineering, Dongguk Univ WISE.

** Research Professor, Industry-University Cooperation Group, Dongguk University-WISE.

*** Professor, Dept. of Safety Engineering, Dongguk Univ WISE.

^† Corresponding Author, TEL: +82-54-770-2253, FAX: +82-54-770-2525, E-Mail: yyoungchani@dongguk.ac.kr

Received November 26, 2025 Revised December 19, 2025 Accepted January 20, 2026

This is an open access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

요 약

도시화로 인해 건축물의 대형화 및 구조적 복잡성이 심화되어 화재 발생 시 피난자들의 생존 가능성이 저해되고 있다. 따라서 피난자의 행동을 분석하여 효율적인 대피 전략을 수립할 필요가 있다. 기존 연구들은 인간행동 데이터를 수집하였으나 제한적인 변수 통제로 인해 단순화된 행동 및 의사결정 데이터를 제한적으로 수집하는 한계가 존재한다. 이러한 한계를 보완하기 위해 본 연구는 피난 행동에 영향을 주는 요인별 인간행동 데이터를 수집 및 저장할 수 있는 프로토타입 플랫폼을 개발하였다. 이를 위해 현실적인 가상환경을 구축하고, 인간행동을 체계적으로 분류하여, 부분적 요소 데이터를 자동으로 수집 및 저장하는 기능을 개발하였고, 소규모 가상환경 실험을 통해 플랫폼의 유효성을 검증하였다. 개발된 플랫폼이 인간행동의 부분적 요인만을 수집한 한계가 있으나, 피난 행동 분석을 위한 인간행동 데이터 자동 수집 및 저장 통합 플랫폼을 개발하기 위한 프로토타입 개발 연구라는 점에서 의의가 있다. 향후 연구에서는 피난 영향 요인을 단계적으로 확장⋅통합하여 플랫폼의 완성도와 활용성을 지속적으로 향상시킬 계획이다.

ABSTRACT

Urbanization has increased the scale and structural complexity of buildings, thereby reducing evacuees’ chances of survival during fire emergencies. Therefore, analyzing evacuee behaviors is essential for establishing efficient evacuation strategies. However, previous studies were limited to collecting simplified behavioral and decision-making data, owing to restrictions in experimental conditions. To overcome these limitations, we developed a prototype platform for collecting and storing human behavior data based on evacuation-influencing factors. The platform incorporates a realistic virtual environment, a systematic classification of human behaviors, and automated functions for collecting and storing partial behavioral factor data, and its effectiveness was validated through a small-scale virtual environment experiment. Although the platform currently captures only a limited set of evacuation-related behavioral factors, it represents a meaningful step toward an integrated system for automated human behavior data collection and storage in evacuation analysis. Future work will expand and integrate evacuation-influencing factors to improve the completeness and applicability of the platform.

KeyWords: Virtual reality, Human evacuation behavior, Automated data process platform, Database

1. 서 론

최근 국제 소방 및 구조 서비스 협회(comité technique international de prevention et d’extinction de feu, CTIF)에서 발간한 세계 화재 통계 보고서(world fire stastics report)에 따르면, 2020년 기준 48개국의 통계 분석 결과 전 세계에서 화재 사건이 400만 건이 발생하였고, 이로 인해 2만명 이상의 사망자와 7만명 이상의 부상자가 보고되었다(1). 또한, 2024년 국토교통부 내부 행정자료에 의하면 국내 건축물은 2018년 대비 31층 이상 건축물이 2배 증가하였고 건축물 1만 m² 이상인 대형 복합시설 또한 1.23배 확대된 것으로 나타났다(2). 이러한 급격한 도시화는 건축물의 대형화 및 구조적 복잡성을 발생시켜 화재 발생 시 피난자의 생존 가능성을 저해하는 사회적 요인으로 작용하고 있다. 이러한 사회적 문제를 해결하기 위해 체계적이고 효율적인 대피 행동 전략의 수립이 필수적이다(3).

최근 화재와 지진을 비롯한 다양한 재난의 발생 빈도가 증가함(4)에 따라, 재난 상황에서 효율적인 대피 행동의 중요성에 대한 사회적 인식이 증가하고 있다. 이에 따라 선행 연구자들은 대피 행동에 영향 미치는 요인들을 다각적으로 규명하였다. 예를 들면 군중의 밀도와 보행속도 사이에 상관관계를 분석하였고(5) 공간에 대한 친숙성(6-8) 및 군중 밀집상황(9-11)이 대피 효율성에 미치는 영향을 분석하였다. 심리적인 영향을 분석하기 위해 심박수(12) 및 뇌파(13) 등 대피 행동 중 무의식적으로 변화하는 생리적인 반응을 분석하였다.

재난 상황에서 효율적인 대피를 구현하기 위해 피난자의 행동 특성에 대한 심층적 이해가 요구된다. 이를 위해 대피 행동에 영향을 미치는 인간행동 요인을 체계적으로 분류하고, 각 분류 항목에 따른 정밀한 데이터 수집이 필수적이다(14). 또한, 재난 유형 및 시나리오 별 피난자 행동의 차이를 구분할 수 있는 데이터 확보가 필요하며, 이를 실현하기 위해 다양한 인간행동 데이터를 수집 및 저장 할 수 있는 통합적 데이터 관리 플랫폼의 구축이 요구된다.

최근 몰입형 가상환경(immersive virtual environment) 기술을 사용한 피난 실험이 활발히 수행되고 있다(15). 선행연구자들은 이를 사용하여 피난 행동의 특성을 이해하려는 연구를 지속적으로 진행하고 있다. 그러나 기존 연구들은 주로 환경적인 변수나 경로 선택에 치중하고 있으며 피난자의 행동 유형을 정량적으로 분류하고 해석하는 데에는 한계가 존재한다. 즉, 가상환경 기반 피난 실험에서 인간행동 요인을 체계적으로 분류할 수 있는 이론적 틀은 미비하며 이는 실험 결과의 해석과 일반화 가능성을 저해하는 요인으로 작용한다. 따라서, 인간행동 패턴을 세분화하고, 각 세부 항목에 대해 정량적인 데이터를 체계적으로 수집 및 분류할 수 있는 표준화된 분류체계의 개발이 필요하다. 이러한 분류체계는 재난 상황에서 피난자의 행동 이해를 심화시키고, 가상환경 기반 피난 연구의 신뢰성과 재현성을 제고하는 기반이 될 것이다.

본 연구는 가상환경에서 화재 상황을 재현하고, 피난 상황에서 발생하는 인간행동 데이터를 수집하고, 인간행동을 구성하는 개별 요인들에 해당하는 데이터를 자동으로 식별하여 수집 및 저장하는 프로토타입 플랫폼을 개발하는 것을 연구 목적으로 설정하였다. 이를 구현하기 위해 첫째, 현실적이고 다양한 시나리오를 계획할 수 있는 가상환경을 구축한다. 둘째, 인간행동을 체계적으로 분석할 수 있는 인간행동 요인 분류체계를 개발한다. 셋째, 개발된 분류체계를 활용하여 피난자의 부분적 행동 데이터(개인적 행동 요인)를 자동으로 수집 및 저장하는 기능을 구현한다. 향후 연구에서는 본 연구에서 제안한 인간행동 요인 분류체계에 포함된 나머지 기능들을 단계적으로 플랫폼에 통합함으로써, 피난 행동을 구성하는 다양한 요인에 대한 자동 수집⋅저장 기능을 확장하고, 궁극적으로 통합 인간행동 데이터 수집 플랫폼의 완성도를 높이고자 한다.

본 연구의 2장에서 기존의 대피 과정의 인간행동에 관한 연구를 조사하였고, 3장에서 ‘Unreal Engine을 활용한 피난 영향인자 별 인간행동 데이터 수집 및 저장 자동화 프로토타입 플랫폼’을 개발하는 과정을 설명하였으며, 4장에서 개발된 프로토타입 플랫폼의 유효성을 검증하였고, 5장은 결론 및 한계점을 제시하였다.

2. 이론적 고찰

2.1 기존 피난 실험 연구 방법

선행연구에서 피난 실험을 진행하는 주요 방법으로 현장실험, 세트장 실험 및 가상환경실험으로 연구를 수행하였다.

첫째, 기존 현장실험은 실제 공간에서 진행하여 높은 현실성을 반영하여 피난자의 실제 행동을 직접 관찰할 수 있는 장점이 존재한다. Feng 등(16)은 대학교 건물 안에서 대피 상황을 설정하여 출구 선택 행동을 분석하였고, Peng 등(17)은 지하철역에서 보행자의 가시성이 길찾기(way-finding) 행동에 미치는 영향을 규명하였다. 그러나 현장실험은 현장 통제 및 변수 통제가 어렵고, 높은 비용이 소요되는 한계가 존재한다(18).

둘째, 세트장 실험은 연구자가 설계한 인위적 공간에서 진행하여 변수 통제에 용이하고 피난자의 실제 행동을 직접 관찰할 수 있는 장점이 있다. Haghani와 Yazdani(19)는 세트장을 제작하여 사회적인 유대감이 대피 행동에 미치는 영향에 대해 분석하였고, Xie 등(20)은 군중 대피 과정의 집단 효과를 관찰하였다. Fujii 등(21)은 연기의 발생에 차이를 통해 비상구 표시의 가시성을 분석하는 실험을 진행하였다. 그러나 세트장 실험은 공간 제약이 크고, 적용 가능한 변수가 제한적이라는 한계가 존재한다.

셋째, 가상환경 실험은 변수 통제가 용이하고, 반복성과 안전성 확보가 가능하며, 자동화된 데이터 수집 및 저장 기능을 통해 대규모 정밀 데이터를 확보할 수 있다(22).

가상환경(virtual reality, VR) 개발 엔진인 언리얼 엔진(Unreal Engine)은 고해상도 그래픽, 실시간 렌더링, 물리 기반 시뮬레이션 및 상호작용 구현에 최적화되어 있으며, 복잡한 실내⋅실외 공간을 높은 현실감으로 재현하고 다양한 환경 조건을 정교하게 제어할 수 있어 피난 행동 실험에 적합한 도구로 평가된다(18). 이러한 이유로 인해 개발자가 건축 공간의 기하학적 구조 및 다양한 요인들을 통합적으로 구현할 수 있고, 피험자는 실제 환경과 유사한 감각적 경험 할 수 있는 장점을 제공한다.

선행연구에서도 이러한 특성을 활용하여 피난 행동 분석의 정밀도를 높이고자 하였다. Feng 등(23)은 언리얼 엔진을 기반으로 실제 건축물과 동일한 구조를 갖는 가상환경을 구축함으로써, 피난자가 현실과 유사한 공간 배치를 인지하는 조건에서 길찾기 행동 특성을 분석할 수 있었다. 또한 Xie 등(24)은 언리얼 엔진을 활용하여 조도 수준이 상이한 조건을 정량적으로 구현하고, 각 조건에서의 길찾기 행동 변화를 비교함으로써 조도 변화가 피난 경로 선택과 탐색 전략에 미치는 영향을 세밀하게 규명하였다. 이와 같이 언리얼 엔진 기반 가상환경은 현실과 유사한 공간⋅환경 조건을 구현하고 실험적 변수들을 정밀하게 제어할 수 있어, 피난 행동 연구의 타당성과 재현성을 향상시키는 유용한 플랫폼으로 활용되고 있다.

2.2 인간행동 데이터 요인별 데이터 수집 연구

선행연구에서 인간행동에 영향을 미치는 요인을 개인적 행동 요인, 환경적 정보 요인, 심리적 상태 요인으로 구분하여 인간행동 데이터를 수집하였다.

첫째, 개인적 행동 요인의 데이터를 수집하기 위해 다음과 같은 연구를 진행하였다. 모의 화재 실험을 실제 건물에서 진행하여 대피 시간 및 속도를 측정하는 실험을 진행하였다(25,26). 가상환경 실험을 진행하여 대피 시간 및 속도를 측정하고 분석하였고(27), 머리의 위치를 추적하기 위한 알고리즘을 개발하였다(28).

둘째, 환경적 정보 요인의 데이터를 수집하기 위해 다음과 같은 연구를 진행하였다. 구조적 특성이 대피 행동에 미치는 영향을 분석하기 위해 출구의 폭 변화(29), 실내의 장애물(30), 랜드마크(31) 및 밀도(5)가 대피경로 선택과 이동 효율성에 중요한 변수로 작용하는 것을 확인하였다. 세트장 실험을 진행하여 연기 농도 변화가 비상구 가시성을 저하시킬 뿐만 아니라 보행속도에도 영향을 미치는 것을 증명하였다(21).

셋째, 심리적 상태 요인의 데이터를 수집하기 위해 피험자의 음성을 듣고 감정을 자동 인식하고(32), 다차원의 평가 척도에 관한 연구를 진행하였다(33). 또한 스트레스에 의한 심박수(34) 및 뇌파(35) 변화에 관한 연구를 진행하였다.

이처럼, 선행연구들은 피난에 영향을 주는 다양한 인간행동 데이터를 요인별로 수집 및 분석을 진행하였으나, 이러한 데이터를 통합적으로 수집하고 관리하는 플랫폼에 대한 연구는 부족하다.

2.3 플랫폼 개발에 관한 선행 연구

선행연구에서는 가상환경과 internet of things (IoT) 기술을 활용하여 피난 상황에서 발생하는 인간행동 데이터를 자동으로 수집하고 분석하기 위한 다양한 플랫폼 개발을 하는 연구를 다음과 같이 진행하였다. 가상현실환경과 에이전트 대피 모델(agent-based model, ABM)을 결합하여 피험자의 행동 데이터를 수집 및 분석하고 연구를 진행하였다(26,36). 또한, 사물 인터넷(IoT) 기술을 활용하여 건물 내 인간행동 데이터를 수집하고 저장하는 플랫폼에 관한 연구도 진행되었다(37,38).

그러나 이러한 선행연구들은 특정 기술이나 모델에 국한되어 있어, 피난에 영향을 미치는 다양한 요인을 통합적으로 고려한 데이터를 자동 수집 및 저장하는 플랫폼에 관한 연구는 미비한 실정이다. 따라서 본 연구는 피난 영향 요인 분류체계를 기반으로 인간행동 데이터를 자동으로 수집하고 저장하는 통합 플랫폼 개발의 필요성을 제기한다.

3. Unreal Engine을 활용한 피난 영향인자별 인간행동 데이터 수집 및 저장 자동화 프로토타입 플랫폼 개발

본 연구에서 개발한 언리얼 엔진을 활용한 피난 영향인자 별 인간행동 데이터 수집 및 저장 자동화 플랫폼은 Figure 1과 같이 3단계로 설계하여 개발하였다. 자세한 내용은 아래와 같다.

Figure 1

Research workflow.

첫째, 본 연구는 정밀하고 현실적인 가상환경 구축을 통해 인간행동 데이터 수집의 정확도를 향상시켰다. 이를 위해 먼저, 건축물의 형태를 반영하고자 light detection and ranging (LiDAR) scanner로 대상 건축물을 실측하여 점군(point cloud) 데이터를 수집한다. 다음으로, 수집한 점군 데이터를 정합 및 편집하여 언리얼 엔진에 임포트(import)한다. 마지막으로, 언리얼 엔진 내 구축된 건축물 모델을 기반으로 다양한 가상환경 실험을 수행하기 위한 기반을 설정한다.

둘째, 피난자의 행동을 체계적으로 분석하기 위해 인간행동 요인 분류체계를 개발하였다. 이 분류체계는 인간행동 요인들을 그 자체의 성질과 특성에 따라 그룹화하고 속성에 따라 세분화하여 정략적인 데이터 분석이 가능하도록 설계하였다.

셋째, 언리얼 엔진 환경에서 분류체계에 따라 각 인간행동 요인별 데이터를 자동으로 분류하여, 수집 및 저장하는 기능을 개발하였다.

3.1 가상환경 구축

본 연구에서는 대피 실험을 수행하기 위해 현실과 유사한 환경을 가상환경에 구축하였다. 가상환경 구축 과정은 Figure 2와 같은 프로세스를 통해 이루어졌으며, 세부 과정은 다음과 같다.

Figure 2

Process for virtual environment construction.

1) LiDAR scanner를 활용하여 대상 건축물을 실측하고, 점군 데이터를 수집한다. 수집된 데이터는 file list (.fls) 형식으로 저장한다. 이 과정에서 사용되는 장비의 유효 측정 거리, 건물의 구조와 장애물 등을 고려하여 측정 횟수와 측정 위치를 설정한다.
2) 저장된 .fls 형식의 파일은 SCENE 소프트웨어(4.1.2에서 설명)에 임포트하여 전처리 과정을 거친다. 첫째, processing 단계에서 스캔한 원본 점군 데이터를 분석 및 편집이 가능한 상태로 전환한다. 둘째, 정합 단계를 통해 각 위치에서 수집한 데이터를 정렬하고 상호 위치 관계 및 유사성을 분석하여 하나로 정합한다. 셋째, auto clipping box 기능을 활용하여 필요한 범위의 데이터를 지정하고 불필요한 데이터를 편집한다. 넷째, .e57 형식의 파일로 추출(export)한다.
3) 추출된 .e57 형식의 파일을 CloudCompare 소프트웨어에 임포트하여 2차 편집 작업을 진행한다. 첫째, statistical outlier removal (SOR) 필터를 사용하여 각 점의 이웃점(k-Nearest neighbors) 평균 거리를 계산하고, 통계적 이상치(noise)를 편집한다. 둘째, noise 필터를 적용하여 특정 반경 내에 고립된 이상치를 편집한다. 셋째, segment 기능을 사용하여 불필요한 점 데이터가 존재하는 범위를 지정하여 편집한다. 이 과정을 통해 정제된 점군 데이터는 언리얼 엔진에 사용할 수 있는 .e57 형식의 파일로 추출한다.
4) 편집된 .e57 형식의 파일을 언리얼 엔진(Unreal Engine)에 임포트하여 가상환경을 구축하는 방법은 다음과 같다. 첫째, 점군 데이터를 적용하기 위해 LiDAR point cloud support 플러그인을 활용하였다. 둘째, 언리얼 엔진의 머트리얼(material) 설정을 통해 점군 데이터에 색상을 적용하였다. 특히 머트리얼 에디터(material editor)의 vertex color노드 기능을 활용하여 LiDAR scanner에서 수집된 실제 색상 정보로 재현하였다. 셋째, 점군 데이터의 크기를 조정하여 건축물 내 설치 위치를 설정한다. 넷째, 피난 상황을 모의하기 위한 엔티티(entity)들을 추가한다. 다섯째, 가상환경 내에서 가상환경 작동 방법, 운행속도, 아바타의 속성, 조명 설정 등 세부적인 실험 조건을 설정하여 가상환경을 구축한다.

3.2 인간행동 요인 분류체계 개발

피난 상황에서 발생하는 다양한 인간행동을 정량적으로 분석하기 위해 계층구조 분류법을 활용하여 3단계의 인간행동 요인 분류체계를 개발하였다.

선행 연구 및 사례에 기반하여 피난 상황에서 인간행동에 영향을 미치는 주요 속성들을 구분하였다. 인간행동 요인 분류체계를 개발하는 방법은 다음과 같다. 첫째, 기존의 연구들은 개인적 행동 요인(39,40), 환경적 정보 요인(41,42) 및 심리적 상태 요인(43)이 피난 상황에서 인간행동에 영향을 미치는 것을 입증하였다. 이에 따라 본 연구는 이 세 가지 주요 요인을 1단계로 분류하였다. 둘째, 주요 요인을 기반으로 인간행동에 영향을 미치는 유형을 속성에 따라 세분화하여 2단계로 분류하였다. 셋째, 영향 요인 분류를 기반으로 데이터의 성질에 따라 데이터 종류를 분류하여 3단계로 분류하였다. 자세한 내용은 Table 1에 제시되어 있으며 각 요인에 대해 3.2.1, 3.2.2 및 3.2.3에서 구체적으로 설명하였다.

Table 1

Classification Framework of Human Behavior Factors

Major Factor	Influencing Factor Categories	Types of Data	References
Individual Behavior Factor	Physical Behavior Type	Velocity and Acceleration	Ronchi, E. et al. (2014). Li, S. et al. (2022). Rasa, A. et al. (2024)
	Physical Behavior Type	Head Rotation	Vox, J. P. et al. (2021). Zhang, M. et al. (2021). Feng, Y. et al. (2022).
	Visual Information Type	Gaze and Eye Tracking	Bae, Y. H. et al. (2020). Mossberg, A. et al. (2021). Jiang, F. et al. (2022).
	Movement Behavior Type	Trajectory	Imanishi, M. et al. (2019). Feng, Z. et al. (2024). Fu, M. et al (2024). Rasa, A. R. et al. (2024).
	Movement Behavior Type	Time	Kobes, M. et al. (2010). Forssberg, M. et al. (2019). Chen, N. et al. (2021). Lovreglio, R. et al. (2022).
Environmental Information Factor	Environmental Cue Type	Illuminance	Tang, Z. et al. (2022). Wang, D. et al. (2022). Kinkel, E. et al. (2024).
		Heat	Mizuno, M. et al. (2007). Shaw, E. et al. (2019). Li, Z. et al. (2020).
		Audio Perception	Huang, Z. et al. (2021). Dalirnaghadeh, D. et al. (2022).
		Smoke	Fridolf, K. et al. (2013). Fujii, K. et al. (2021). Fu, M. et al. (2021).
	Spatial Characteristic Type	Building Structure	Hölscher, C. et al. (2006). Snopková, D. et al. (2023). Rasa, A. R. et al. (2024). Wang, D. et al. (2024)
	Spatial Characteristic Type	Density	Tanimoto, J. et al. (2009). Xie, W. et al. (2021).
Psychological Condition Factor	Emotional State Type	Self-Report (PANAS, SBSOD, SSQ)	Knez, I. et al. (2021). Deng, K. et al. (2022). Patel, S. et al. (2023). Snopková, D. et al. (2025).
	Emotional State Type	Voice and Facial Expression	Pentari, A. et al. (2024). Chowdhury, J. H. et al. (2025). Yang, Z. et al. (2024).
	Psychological Signal Type	Heart Rate	Kim, H. G. et al. (2018). Zhou, J. et al. (2019). de Lama, C. et al. (2020).
		Electroencephalography	Lin, Y. P. et al. (2010). Koelstra, S. et al. (2011). Hana, S. et al. (2025).
		Electromyography	Garcia, M. A. et al. (2010). Adapa, E. et al. (2023).
		Galvanic Skin Response	Zhou, J. et al. (2019). Xia, X. et al. (2021). >Chen, N. et al. (2021).
		Temperature	Vinkers, C. H. et al. (2013). Oka, T. (2015).

3.2.1 개인적 행동 요인

개인적 행동 요인은 피난자의 움직임 및 행동 패턴에 관한 데이터를 포함한다. 본 연구에서 개인적 행동 요인을 물리적 행동 유형, 시각적 정보 유형 및 움직임 행동 유형으로 구분하고 각 유형에 맞는 데이터를 분류하였다.

첫째, 물리적 행동 유형은 동역학적 요인을 제외한 피험자의 이동 및 움직임에 관한 유형의 데이터를 의미한다. 물리적 행동 요인에서 수집하는 데이터의 종류는 속도(44-46), 가속도 및 head rotation(23,47,48)등에 관한 데이터를 수집한다. 속도 및 가속도 데이터를 측정하기 위해 위치 데이터를 실시간 함숫값으로 변환하여 데이터를 수집한다. Head rotation 데이터를 수집하기 위해 Figure 3과 같이 데이터를 3 degree of freedom (DoF) 값으로 수집한다.

Figure 3

Head rotation 3DoF data.

둘째, 시각적 정보 유형은 피험자의 시선을 추적하고 데이터화하여 수집하는 것을 의미한다. 시각적 정보 유형에서 수집하는 데이터는 gaze 및 eye tracking(49-51) 데이터를 활용하여 시점 정보를 수집한다. 이러한 시점 데이터는 대피 과정에서 비상구 및 비상 유도등 등과 같은 대피 유도 요소의 인지 여부 및 교차로에서의 진로 선택 행동 등을 정량적으로 분석하기 위해 데이터를 수집한다.

셋째, 움직임 행동 유형은 대피 행동의 의사결정 과정과 효율성을 정밀하게 분석하기 위한 데이터를 의미한다. 움직임 행동 유형에서 수집하는 데이터는 경로 데이터(46,52-54) 및 시간 데이터(55-58)를 수집한다. 경로 데이터는 길찾기 및 의사결정 과정을 분석하기 위해 출구 선택 및 친숙도 등이 피난 행동에 영향을 미치는 데이터를 수집한다. 시간 데이터는 길찾기 행동을 완료한 시간 및 망설임 시간 등을 분석하기 위한 데이터를 수집한다.

3.2.2 환경적 정보 요인

환경적 정보 요인은 주변 환경적인 요인이 인간행동에 미치는 영향에 대한 데이터이다. 환경적 정보 요인의 영향인자 유형을 환경적 단서 유형 및 공간적 특성 유형으로 구분하였다. 다음은 환경적 정보 요인의 2가지 영향 요인 유형을 기반으로 데이터 종류를 다음과 같이 분류하였다.

첫째, 환경적 단서 유형은 대피 행동 시 주변 환경으로부터 받는 영향에 대한 데이터를 의미한다. 환경적 단서 유형은 Unreal Engine의 블루프린트 및 스크립트 기능을 활용하여 사전에 정의한 정량적 범위 내에서 시간⋅공간적으로 변화하도록 설정한다. 조도는 조명 엑터(actor)의 강도(intensity) 파라미터(parameter)와 피실험자 위치를 연동하여 설정된 값으로, 실험자가 지정한 최소-최대 범위 내에서 시나리오에 따라 단계적으로 변하도록 구성한다(59-61). 청각 데이터는 경보음 및 주변 소음을 사운드 소스(sound source)로 정의한 후, 재생 여부와 음압 수준을 이벤트 기반으로 제어하는 방식으로 구현한다(62,63). 열(64-66) 및 연기(21,67,68) 요인은 스크립트, 이벤트 기반 파라미터로 설정할 수 있도록 플랫폼 구조를 설계하였다. 다만 본 연구에서 수행한 예비 실험에서는 열 및 연기 요인에 대한 정량화 및 데이터 수집 기능을 실제로 구현하지 못하였으며, 해당 요인은 향후 플랫폼 고도화 과정에서 단계적으로 추가적인 검증할 예정이다.

둘째, 공간적 특성 유형은 상이한 건물 구조 및 재실자의 밀도에 의해 발생하는 피난 지연에 대해 정밀하게 분석하는 데이터를 의미한다. 건물 구조 데이터에는 복도의 폭, 너비 및 비상구 위치 등 건축물의 구조적인 문제로 인해 발생하는 피난 지연에 대한 인간행동 데이터를 수집한다(46,69-71). 밀도 데이터는 피난 과정에서 인간행동에 영향을 미치는 건물 내부의 재실자의 정량적인 밀도 데이터를 수집한다(10,20).

제안된 플랫폼은 출구 구성, 장애물 배치, 환경 요인 조건 등을 조합하여 다수의 피난 시나리오를 정의할 수 있는 구조로 설계되었다. 그러나 본 연구에서 수행한 예비 실험은 플랫폼의 활용 가능성 검증에 초점을 두어, 단일 건축물 모델과 하나의 대표 피난 시나리오만을 적용하였다.

3.2.3 심리적 상태 요인

심리적 상태 요인은 개인의 고유한 심리적인 특성에 대한 데이터이다. 심리적 상태 요인의 영향 요인 유형을 감정적 상태 유형과 생리적 신호 유형으로 구분하고 다음과 같이 데이터 종류를 분류하였다.

첫째, 감정적 상태 유형은 인간의 정서 및 심리적인 상태 변화가 길찾기 행동에 미치는 영향에 관한 데이터를 의미한다. 여기에는 self-report 설문 조사, 음성 및 표정 변화 데이터 등으로 분류하였다. Self-report 설문 조사는 positive and negative affect schedule (PANAS), SantaBarbara sense of direction scale (SBSOD) 및 simulator sickness questionnaire (SSQ)를 진행하여 피험자의 정서적 및 심리적 반응을 정량적으로 수집한다(72-75). 음성 및 표정 변화 데이터는 피난 과정에서 발생하는 심리적인 압박감으로 인해 변화하는 음성 및 표정을 데이터화하여 정량적으로 수집한다(76-78).

둘째, 생리적 신호 데이터 유형은 대피 상황에서 무의식적으로 나타나는 생리적인 반응에 대한 데이터를 의미한다. 생리적 반응 데이터 유형은 심장 박동수(34,79,80), 뇌파(35,81,82), 근전도(83,84), 피부 전도도(57,85,86) 및 체온(87,88) 등 데이터를 포함한다. 심장 박동수 데이터는 상황에 따라 변화하는 심장 박동수 데이터를 수집하여 심리적인 상태를 분석하기 위한 데이터이다. 체온 및 근전도 데이터는 긴장도에 따라 변화하는 체온 및 근육의 긴장도 데이터를 수집한다. 뇌파 데이터는 심리적인 압박감이나 긴장도에 따라 변화하는 뇌파 데이터를 수집한다. 피부 전도도 데이터는 심리적인 압박감으로 인해 피부 표면에 나타나는 데이터를 수집한다.

3.3 데이터 수집 및 저장

3.2장에서 정의된 인간행동 요인별 데이터를 자동으로 수집 및 저장하기 위해 인간행동 수집 모듈을 개발하였다. 앞서 개발한 인간행동 요인 분류체계를 기반으로 인간행동 데이터를 자동으로 수집 및 저장할 수 있는 구조로 설계하였다. 그러나, 세 가지 주요 요인 중 개인적 행동 요인 데이터에 초점을 맞춰 시간, 위치, head rotation 및 경로 데이터를 수집 및 저장할 수 있는 기능을 개발하였다. 구현한 기능을 Figure 4와 같이 unified modeling language (UML) 다이어그램으로 나타내었다.

Figure 4

Human behavior data and collection and storage function.

Human Behavior Collector 클래스는 시스템의 중심 관리자로서 시작 시간(start time), 참가자 객체(player character), 행동 데이터 배열(TransformArray)을 주요 속성으로 가진다. Human Behavior Collector 클래스의 주요 속성의 기능은 다음과 같다. 첫째, SetPlayerCharacter 기능은 피험자를 플레이어로 등록하고 실험 시작 시간을 초기화한다. 둘째, AddPosition 기능은 시간, 위치, 시선 데이터를 수집하여 배열 형식으로 저장한다. 셋째, DrawPath 기능은 순차적으로 저장된 데이터를 활용하여 이동 경로를 시각화한다. 넷째, Write File 기능은 수집한 데이터를 comma-seperated values (.CSV) 파일 형식으로 기록한다. 다섯째, PrintString 기능은 시스템 상태를 화면이나 로그에 표시한다.

실험을 통해 수집한 피험자 개개인의 데이터를 분류하기 Human Behavior Collector와 독립적인 관계에 있는 PlayerCharacter 클래스를 개발하였고 피험자의 현재 위치와 전방 시선 벡터를 GetActorLocation와 GetFowardVector 노드를 활용하여 수집한다. 이는 피험자의 실제 이동 궤적 및 방향을 정량적인 데이터로 변환하는 역할을 한다.

ST_PositionStruct는 Human Behavior Collector와 합성관계에 있으며 각 수집 노드에서 수집한 시간, 위치 및 head rotation 데이터를 임시 저장하기 위한 구조체이다. 이 구조체에 임시 저장된 데이터를 Human Behavior Collector의 TransformArray 기능을 활용하여 배열 형태로 변환한다. 최종적으로 배열 형식으로 변환된 데이터를 FileWriter 노드를 활용해 시간, 위치 좌표, 시선 벡터 등의 데이터를 순차적으로 .CSV 파일로 저장한다.

또한, 인간행동 데이터를 수집하기 위해 다음과 같은 노드를 활용한다. TimeUtility의 GetTimeSeconds 노드를 활용하여 실험 시작부터 실험 종료까지의 시간 데이터를 수집하여 경과 시간을 수집한다. LineTraceByChannel 노드를 활용하여 좌표 간 충돌 검사를 통해 이동 경로를 시각화한다. FileWriter의 WriteStringtoFile 노드를 활용하여 문자열 데이터를 .CSV파일로 저장하는 기능을 제공한다. Logger는 메시지를 화면 및 로그에 출력한다.

4. 플랫폼 검증

본 연구에서 제안된 가상현실 기반 피난 플랫폼의 유효성과 신뢰성을 검증하기 위하여 실험적 검증 절차를 수행하였다. 이를 위해 가상환경에서 피난 상황을 재현하고, 피난자의 이동 특성과 행동 데이터를 체계적으로 수집⋅분석함으로써 플랫폼에 설계한 기능에 대한 검증을 진행하였다.

본 장의 4.1에서는 피난 실험에 활용된 하드웨어 장비와 소프트웨어 구성 요소를 상세히 기술하였으며, 4.2에서는 실제 공간을 모사한 가상현실 환경의 구축 과정과 시나리오 설정 방법을 제시하였다. 4.3에서는 피난 실험의 구체적인 진행 과정을 설명하고, 4.4에서는 수집된 인간행동 데이터의 처리 및 검증 방법을 통해 플랫폼의 데이터 수집 기능과 측정 신뢰성을 평가하였다.

4.1 장비 및 소프트웨어

4.1.1 장비

건축물 실측을 위해 사용한 LiDAR scanner는 Faro사의 Focus M70 모델을 사용하였다. Focus M70의 주요 사양은 측정 거리는 0.6 m에서 70 m이고, 측정 속도는 초당 488,000 포인트이며, 오차범위는 3 mm 이내이다. 사진의 해상도는 최대 165 메가 픽셀까지 촬영이 가능하며, HDR 노출 브래킷은 2X로 설정한다. 모델링과 가상환경 실험에 사용한 컴퓨터의 사양은 다음과 같다. Cpu는 Intel Xeon (R) Gold 6230 Cpu 2.10 GHZ 2개를 장착하였고, 그래픽카드는 동일 모델로 4개가 장착되어 있으며 모델은 NVIDIA GeForce RTX 3090을 사용하였다. 실험에서 사용되는 head mounted display (HMD) 장비는 Meta 사의 Oculus Rift S 모델이다. Oculus Rift S는 2개의 디스플레이가 좌우에 탑재되어 있고, 각각 1280 X 1440 해상도와 80 Hz의 주사율을 지원한다.

4.1.2 소프트웨어

가상환경 구축 과정에서는 Faro사의 SCENE 2020.02를 이용하여 점군 데이터를 정합하고, CloudCompare 2.13.2로 불필요한 점군 데이터를 편집한 후, Unreal Engine 5.3을 활용하여 최종 가상환경을 구현하였다.

4.2 가상현실환경 구축

4.2.1 가상현실 실험 환경 구축

가상환경 구축 대상 건축물을 D대학 S관 2층 전체 복도를 선정하였다. LiDAR scanner를 사용하여 Figure 5와 같이 22개의 실측 포인트를 설정하여 실측하였다. 실측 포인트의 이격거리는 갈림길 및 계단 등 장애물 등을 고려하여 3.5 m로 설정하였다. 해상도 및 화질은 1/1, HDR 노출 브래킷은 2x 모드, 스캔 크기는 40960 × 17067 Pt (포인트), 점 거리는 1.5 mm/ 10 m로 설정하여 측정하였다.

Figure 5

22 LiDAR scanning points in the natural science building, D university S building.

실측한 점군 데이터를 Faro SCENE 소프트웨어(software)에 Figure 6과 같이 적용하였다. 이후 Faro SCENE 소프트웨어의 정합 기능을 사용하여 정합하였다. 불필요한 데이터를 편집하기 위해 정합한 점군 데이터를 CloudCompare 소프트웨어의 SOR 필터, Noise 필터 및 Segement 기능을 사용하여 Figure 7과 같이 불필요한 데이터를 편집하였다. Figure 8은 언리얼 엔진에 임포트된 최종 실험 환경이다.

Figure 6

Image of point cloud data registered and edited using Faro SCENE software.

Figure 7

Image of point cloud data edited using CloudCompare Software.

Figure 8

Image of edited point cloud data applied in Unreal Engine.

4.2.2 피험자 값 설정

본 연구에서 피험자의 시야 높이는 통계청에서 제시한 167 cm (2022년 한국인 평균키)로 설정하였다(89). 보행속도는 Son 등(90)이 제시한 대피 상황에서 성인 평균보행속도 1.39 m/s로 설정하였고 조이스틱을 사용하여 전진 및 후진하여 이동하고, 피험자의 시선 방향에 따라 좌우로 이동한다. 또한 HMD의 시선 방향을 3DoF로 데이터를 저장하였다. 이를 통해 피험자의 자연스러운 시선 기반 방향 조절 및 가상환경에서의 이동 기능을 구현하였다.

4.2.3 실험 데이터 수집 및 저장

피난자의 행동 데이터를 자동으로 추출 및 저장하는 기능을 사용하여 .CSV 형식의 파일로 수집한다. 수집된 데이터의 종류로는 시간, 위치, head rotation 데이터를 수집한다. 시간 데이터는 프레임 간격으로 데이터를 수집한다. 이동 데이터는 피험자가 이동하는 위치를 3DoF 데이터로 수집되며 roll축, yaw축 및 pitch축으로 설정하였다. Head rotation 데이터는 HMD 내 탑재되어 있는 센서 데이터를 활용하여 3DoF 데이터로 수집되며 Figure 3과 같이 피험자 머리의 수평 좌⋅우 회전 방향 yaw축을 Rotation_Yaw, 수직 위⋅아래 회전 방향 pitch축을 Rotation_Pitch, 수직 좌우 회전 방향 roll 축을 Rotation_Roll로 설정하였다.

4.3 실험

본 실험에는 Table 2와 같이 20-30대 성인을 중심으로 총 10명이 자발적으로 참여하였다(남성 5명, 여성 5명, 평균 연령 만 24.9세, 표준편차 1.79세). 모든 참여자는 실험 참여 전에 연구 목적 및 절차에 대한 설명을 듣고 동의서를 작성하였다. 본 연구에서는 각 피실험자가 동일한 피난 시나리오를 1회 수행하는 단일 조건 설계를 적용하였다. 따라서 반복측정 설계에 기반한 조건 간 비교는 수행하지 않았다. Figure 9와 같이 80 cm × 80 cm의 안전 프레임을 제작하여 피험자의 안전을 보장하였다. 피험자는 교육용 시험 맵에서 조작훈련을 익숙할 때까지 진행하였다. 다음, 관리자의 지시에 따라 대피 실험을 진행하였다. 실험 과정에서 관리자는 피험자의 안전을 보장하기 위해 실시간 모니터링을 실시하였다.

Table 2

10 Participants Demographic Data

Measurement	Category	Total	Mean	SD
Gender	Male	5	-	-
Gender	Female	5	-	-
Age (Years)	-	10	24.9	1.79
Qualification	Undergraduate	7	-	-
Qualification	Graduate	3	-	-

Figure 9

Virtual environment experiment validation.

4.4 플랫폼 검증

본 실험에서는 Table 3과 같이 주요 요인 중 개인적 행동 요인에 포함되어 있는 데이터의 수집 및 저장 기능 중 일부를 구현하였다.

Table 3

Implementation Status of Human Behavior and Environmental Data Collection Functions

Type of Data	Tool/Device Used	Excution	Plan
Physical Behavior Type Data	Unreal Engine & HMD	o
Visual Information Type Data	HMD	o
Movement Behavior Type Data	Unreal Engine	o
Environmental Cue Type Data	Unreal Engine		o
Spatial Characteristic Type Data	BIM Data & LiDAR Scanner		o
Emotional State Type Data	PANAS, SBSOD, SSQ & HMD		o
Psychological Signal Type Data	HRV, EEG, EMG, GSR & Temperature Sensor Data		o

개인적 행동 요인의 데이터가 Figure 10과 같이 시간, head rotation 및 위치 데이터가 수집되어 .CSV 형식의 파일로 저장되는 것을 확인하였다. 수집된 데이터 항목별 검증 결과는 다음과 같다.

Figure 10

Human behavior data recorded in a .CSV.

a구역의 ID 데이터는 설정된 시간 간격에 따라 생성된 데이터 ID 번호이고 시간, 위치 및 head rotation 데이터의 순번을 나타내며 망설임이나 급작스러운 시점 변환하는 지점의 데이터를 분석하는 데 활용한다.

b구역의 시간 데이터는 설정된 0.1 s 프레임 간격으로 수집되도록 설정되었으나 실제는 0.08 s에서 0.13 s 간격으로 기록되는 것을 관찰할 수 있다. 이는 언리얼 엔진에서 C++의 FTimerManager, Tick 기반 누적 방식이 게임 스레드가 한 프레임 실행될 때마다 10-50 ms 수준의 간격 지터(jitter)가 발생하기 때문이다. 이는 정상적인 오차범위로 간주할 수 있다.

c구역의 위치 데이터는 피험자의 실시간 위치를 함수화하고 3DoF 데이터로 수집되는 것을 확인하였다. 이를 검증하기 위해 시간 데이터 기준 수집된 위치 데이터를 사용한다. 인접한 점과 점 사이의 거리를 식(1)로 거리를 산출하고 연계하여 Table 4와 같이 이동 거리, 이동 경로 및 평균 속도를 도출하였다. 본 연구에서 수집되는 위치 데이터는 cm 단위로 기록되며 위치 데이터는 프레임 단위로 수집되는 시간 데이터에 따라 동기화되어 저장된다. 피험자들이 경과한 경로는 Figure 11과 같다.

Table 4

Completion Time, Trajectory and Mean Speed of the 10 Participants

Participant	Completion Time (s)	Trajectory (m)	Mean Speed (m/s)
1	33.71	74.86	2.22
2	46.30	78.94	1.71
3	51.20	82.37	1.61
4	32.90	73.18	2.23
5	30.71	72.41	2.36
6	21.97	72.94	3.27
7	23.67	72.88	3.08
8	48.31	80.76	1.67
9	29.20	73.03	2.53
10	28.60	73.59	2.57

Figure 11

Movement trajectory data of 10 participants.

(1)

D=(xn−xn+1)2+(yn−yn+1)2

d구역의 head rotation 데이터는 머리의 회전을 Figure 3과 같이 3DoF (yaw, pitch, roll)로 수집한다. 수집되는 head rotation 데이터는 degree (도) 단위로 프레임 단위의 시간 데이터와 동기화되어 저장된다. 본 연구는 피난 시 HMD를 착용한 피험자의 진행 방향 및 시선 방향의 변화를 정량화하는 데 초점을 두었으며, 피난 경로 선택 및 출구 탐색 등과 같은 주요 행동이 수평면상의 회전을 나타내는 yaw 축을 통해 데이터를 정량적으로 수집이 가능하다. HMD의 yaw 축 회전 특성을 정량화하기 위해 시간 t와 t + h 사이의 yaw 값 차이를 이용하였다. 머리의 회전량을 직접적인 지표는 식(2)와 같이 인접한 두 시점의 yaw 값 차이를 절댓값으로 정의할 수 있다. 그러나 이 지표는 yaw 값이 0°와 360°가 동일 방향을 의미하는 원형 자료임에도 불구하고 단순 선형 차이로 계산되어서 경계(0°/360°) 인근에서 실제 회전량보다 과대⋅과소 해석될 수 있으며, 값의 크기가 클수록 회전이 크다는 특성으로 인해 방향 유지 정도를 직관적으로 해석하기 어렵다는 한계를 가진다.

(2)

ARt=|Rt+h−Rt|

이러한 이유로 본 연구에서는 yaw 방향의 회전량을 직접적으로 표현할 수 있는 지표로서 식(3)에서 정의된 AR_t 보정값을 사용하였다. 식(3)을 통해 인접한 두 시점 간 yaw 차이를 360° 범위 내에서 보정하여 R_t와 R_t+h의 차이가 작을수록 값이 증가하고 차이가 클수록 값이 감소하도록 정의하였다. 이를 통해 AR_t값이 클수록 방향 유지가 크고 값이 작을수록 회전이 크게 발생한 상태를 의미하도록 하였다. 이러한 정의는 피난 과정에서 시선 및 신체 방향 안정성을 평가하려는 본 연구의 개념적 정의와 동일하다. 식(3)을 통해 도출한 head rotation 회전 보정 결과는 Figure 12에 제시하였다. 직선 이동 구간과 방향 전환 구간의 AR_t 분포를 비교한 결과, 직선 이동 구간에서는 상대적으로 큰 AR_t값이, 회전 구간에서는 상대적으로 작은 AR_t값이 지속적으로 관찰되어, 제안된 지표가 실제 yaw 회전 행동의 변화에 유사함을 확인하였다. 이러한 분석을 통해 AR_t를 이용한 yaw 축 회전 검증이 피난 행동 분석을 위한 유효한 지표로 활용이 가능함을 검증하였다. 피험자들의 평균 각속도 및 AR_t값의 평균과 표준 편차는 Table 5와 같다.

(3)

ARt=360°−|Rt+h−Rt|

Figure 12

Calibrated instantaneous head rotation data of 10 participants.

Table 5

Mean Angular Velocity and ARt (Mean ± SD) of the 10 Participants

Participant	Mean Angular Velocity (°/s)	±SD	Mean ARt (°)	±SD
1	32.96	58.91	356.70	5.86
2	21.06	45.13	357.90	4.47
3	28.77	57.13	357.14	5.68
4	26.76	26.88	357.32	2.69
5	18.73	24.69	358.13	2.42
6	28.61	30.24	357.14	3.08
7	19.54	29.93	358.04	2.99
8	24.92	35.72	357.51	3.55
9	19.69	36.11	358.03	3.64
10	23.92	39.95	357.62	3.99

5. 결 론

본 연구는 피난 상황에서 복합적으로 발생하는 인간행동 데이터를 효율적으로 수집하기 위한 데이터 자동 수집 및 저장 플랫폼을 개발하였고 플랫폼의 유효성을 검증하기 위해 검증실험을 진행하였다. 기존의 피난 행동 분석 연구들은 주로 이동 시간 및 단일 행동 지표를 중심으로 인간행동을 분석하였으나, 본 연구에서는 개인적 행동 요인에 해당하는 시간, 위치 및 head rotation 데이터를 시간 프레임 단위로 정량적으로 수집 및 저장하는 플랫폼을 개발하였다. 플랫폼은 다음과 같은 세 가지의 주요 내용을 포함한다.

첫째, 현실적인 가상환경을 구축하는 방법을 개발하였다. LiDAR scanner를 사용하여 건축물을 실측하여 점군 데이터를 획득하고 정합, 편집 및 랜더링하여 모델을 완성한다. 완성된 모델을 언리얼 엔진에 임포트하여 가상환경을 구축하였다.

둘째, 피난 인간행동 요인 분류체계를 개발하였다. 분류체계는 계층 구조 분류법을 활용하여 3단계로 분류하였다. 피난 요인의 분류를 통해 대피 행동에 영향을 미치는 인간행동을 세분화하여 정량적인 데이터를 수집하였다.

셋째, 피난 인간행동 요인 분류체계를 기반으로 인간행동 요인별 데이터를 자동으로 구분하고 수집 및 저장하는 기능을 개발하였다. 이를 검증하기 위해 D대학의 S관 2층 복도 전체를 모델링하여 피난 실험을 진행하였다. 실험에서 시간, 위치 및 head rotation 데이터가 자동으로 수집 및 저장되는 것을 확인하였다.

향후 본 연구를 기반으로 다음과 같은 방향으로 발전할 것으로 기대한다. 첫째, 본 연구에서 개발한 피난 인간행동 요인 분류체계에서 제시하는 모든 요인들의 데이터를 동시에 수집할 수 있는 통합형 기능을 개발한다. 본 연구에서 개발된 플랫폼을 활용하여 대규모 가상환경실험을 수행하고, 이를 통해 다양한 상황에서의 인간행동 데이터를 수집하여 행동 데이터베이스를 구축하여 빅데이터 기반의 인간행동 패턴 분석에 활용될 수 있도록 설계하여 화재통합관리 시스템을 구축하는데 사용한다. 둘째, 다양한 유형의 인간행동 데이터를 수집하기 위해 다양한 연령, 배경지식 및 상황에 따른 데이터를 지속적으로 누적하여 플랫폼의 일반화 가능성과 실효성을 제고할 수 있을 것으로 기대한다.

본 연구의 한계점은 다음과 같다. 첫째, 본 연구에서 분류한 3가지 주요 요인 중 개인적 행동 요인에 관한 데이터를 자동으로 수집하는 플랫폼을 개발하여 제한적인 데이터를 수집하였다. 향후 연구에서는 환경적 정보 요인 및 심리적 상태 요인에 관한 데이터를 자동으로 수집 및 저장하는 플랫폼을 개발하여 인간행동을 복합적으로 분석할 수 있을 것으로 기대한다. 둘째, 제안한 플랫폼의 검증을 위해 피난시간, 이동 경로 및 head rotation 등의 지표를 중심으로 수집되었으며, 실제 공간에서 획득한 피난 데이터와의 정량적 비교⋅검증은 본 연구 범위를 벗어나 수행하지 못하였다. 향후 연구에서는 실제 건축물 규모 또는 축소 모형 실험을 통해 실제 피난 데이터와 가상환경 기반 결과를 대응 비교함으로써, 제안된 플랫폼의 현실성과 신뢰성을 한층 강화할 수 있을 것으로 기대한다. 셋째, 본 연구에서 실행한 검증 실험은 10명의 피험자를 대상으로 한 소규모 예비 실험으로, 제시된 통계적 경향은 탐색적(exploratory) 성격으로 인해 결과의 일반화는 신중한 해석이 요구된다. 향후 연구에서는 참여자 수를 확대하고 연령⋅성별⋅보행 능력 등 다양한 집단을 포함한 실험을 통해 플랫폼의 적용 가능성과 결과의 재현성을 보다 체계적으로 검증할 수 있을 것으로 기대한다.

후 기

이 연구는 과학기술정보통신부의 재원으로 한국연구재단의 지원을 받아 수행된 연구이며(RS-2024-00464978), 또한 2025년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No. RS-2024-00460627). 아울러 문화체육관광부 및 한국콘텐츠진흥원의 2025년도 문화체육관광 연구개발 사업으로 수행되었음(RS-2025-02221168).

References

1. International Association of Fire and Rescue Services (CTIF), Center of Fire Statistics, World Fire Statistics Report No. 27, https://ctif.org/news/ctif-world-fire-statistics-report-no-27-now-available-download (2022).

2. Ministry of Land, Infrastructure and Transport, e-Nara Indicators: Building Conditions by Region and Floor Number (2018-2024), https://www.index.go.kr/unity/potal/main/EachDtlPageDetail.do?idx_cd=1226 (2023).

3. E. Ronchi and D. Nilsson, “Fire Evacuation in High-Rise Buildings: A Review of Human Behaviour and Modelling Research”, Fire Science Reviews, Vol. 2, pp. 7(2013), https://doi.org/10.1186/2193-0414-2-7.

4. H. Ritchie, P. Rosado and M. Roser, Natural Disasters, https://ourworldindata.org/natural-disasters (2022).

5. X. Wu, L. Zhang, T. Zhang and Q. Jiang, “Analysis of Crowd Vertical Evacuation Mechanism Under Different Density Conditions”, Physica A: Statistical Mechanics and Its Applications, Vol. 657, pp. 130249(2025), https://doi.org/10.1016/j.physa.2024.130249.

6. J. Dijkstra, B. de Vries and J. Jessurun, “Wayfinding Search Strategies and Matching Familiarity in the Built Environment Through Virtual Navigation”, Transportation Research Procedia, Vol. 2, pp. 141-148 (2014), https://doi.org/10.1016/j.trpro.2014.09.018.

7. J. Lin, L. Cao and N. Li, “How the Completeness of Spatial Knowledge Influences the Evacuation Behavior of Passengers in Metro Stations: A VR-Based Experimental Study”, Automation in Construction, Vol. 113, pp. 103136(2020), https://doi.org/10.1016/j.autcon.2020.103136.

8. M. Kinateder, B. Comunale and W. H. Warren, “Exit Choice in an Emergency Evacuation Scenario is Influenced by Exit Familiarity and Neighbor Behavior”, Safety Science, Vol. 106, pp. 170-175 (2018), https://doi.org/10.1016/j.ssci.2018.03.015.

9. J. Ren, Z. Mao, D. Zhang, M. Gong and S. Zuo, “Experimental Study of Crowd Evacuation Dynamics Considering Small Group Behavioral Patterns”, International Journal of Disaster Risk Reduction, Vol. 80, pp. 103228(2022), https://doi.org/10.1016/j.ijdrr.2022.103228.

10. J. Tanimoto, A. Hagishima and Y. Tanaka, “A Study on the Bottleneck Effect Observed in an Emergency Evacuation Exit Employed by Multi-Agent Simulation and Mean-Field Approximation Analysis”, Journal of Environmental Engineering (Japan), Vol. 74, No. No. 640, pp. 753-757 (2009), https://doi.org/10.3130/aije.74.753.

11. K. Wu, H. Sun, Z. Zhu, H. Hu, J. Xu, K. Zhu, X. Zhang and T. Zhang, “Experimental Study on the Emergency Evacuation Behavior in Building With Bottleneck Group”, Journal of Building Engineering, Vol. 106, pp. 112576(2025), https://doi.org/10.1016/j.jobe.2025.112576.

12. G. Pan, M. Peng, T. Zhou, Z. Wan and Z. Liang, “Research on Safety Design Strategy of Evacuation Stairs in Deep Underground Station Based on Human Heart Rate and Ascending Evacuation Speed”, Sustainability, Vol. 15, No. No. 13, pp. 10670(2023), https://doi.org/10.3390/su151310670.

13. S. Tang, J. Wang, W. Liu, Y. Tian, Z. Ma, G. He and H. Yang, “A Study of the Cognitive Process of Pedestrian Avoidance Behavior Based on Synchronous EEG and Eye Movement Detection”, Heliyon, Vol. 9, No. No. 3, pp. e13788(2023), https://doi.org/10.1016/j.heliyon.2023.e13788.

14. J. Lin, R. Zhu, N. Li and B. Becerik-Gerber, “How Occupants Respond to Building Emergencies: A Systematic Review of Behavioral Characteristics and Behavioral Theories”, Safety Science, Vol. 122, pp. 104540(2020), https://doi.org/10.1016/j.ssci.2019.104540.

15. Q. Liu and R. Liu, “Virtual Reality for Indoor Emergency Evacuation Studies: Design, Development, and Implementation Review”, Safety Science, Vol. 181, pp. 106678(2025), https://doi.org/10.1016/j.ssci.2024.106678.

16. Y. Feng, D. C. Duives and S. P. Hoogendoorn, “Using Virtual Reality to Study Pedestrian Exit Choice Behaviour During Evacuations”, Safety Science, Vol. 137, pp. 105158(2021), https://doi.org/10.1016/j.ssci.2021.105158.

17. J. Peng, C. Ren, L. Lan, X. Cui, L. Zhang and M. Wu, “Effects of Pedestrians'Visual Search Effectiveness and Behavioral Characteristics on the Wayfinding Performance at Underground Rail Interchange Stations: A Field Test Study”, Tunnelling and Underground Space Technology, Vol. 162, pp. 106617(2025), https://doi.org/10.1016/j.tust.2025.106617.

18. Y. Mao, R. Hu, X. Wang, G. Pan and W. He, Wayfinding Efficiency in Multidimensional Map Navigation: A Study on Spatial Cognitive Styles and Cognitive Load”. SSRN, (2024), https://doi.org/10.2139/ssrn.5027605.

19. M. Haghani and M. Yazdani, “How Behavioural Changes in Social Groups Affect Evacuation Efficiency of Crowds”, Safety Science, Vol. 181, pp. 106679(2025), https://doi.org/10.1016/j.ssci.2024.106679.

20. W. Xie, E. W. M. Lee, T. Li, M. Shi, R. Cao and Y. Zhang, “A Study of Group Effects in Pedestrian Crowd Evacuation: Experiments, Modelling and Simulation”, Safety Science, Vol. 133, pp. 105029(2021), https://doi.org/10.1016/j.ssci.2020.105029.

21. K. Fujii, T. Sano and Y. Ohmiya, “Influence of Lit Emergency Signs and Illuminated Settings on Walking Speeds in Smoky Corridors”, Fire Safety Journal, Vol. 120, pp. 103026(2021), https://doi.org/10.1016/j.firesaf.2020.103026.

22. A. Shipman, A. Majumdar, Z. Feng and R. Lovreglio, “A Quantitative Comparison of Virtual and Physical Experimental Paradigms for the Investigation of Pedestrian Responses in Hostile Emergencies”, Scientific Reports, Vol. 14, pp. 6892(2024), https://doi.org/10.1038/s41598-024-55253-9.

23. Y. Feng, D. C. Duives and S. P. Hoogendoorn, “Development and Evaluation of a VR Research Tool to Study Wayfinding Behaviour in a Multi-Story Building”, Safety Science, Vol. 147, pp. 105573(2022), https://doi.org/10.1016/j.ssci.2021.105573.

24. Q. Xie, X. Nie, W. Zeng and C. Ma, “Virtual Reality-Based Experimental Investigation of Evacuation Characteristics in Ship Fire Scenarios With Limited Visibility”, Ocean Engineering, Vol. 341, pp. 122255(2025), https://doi.org/10.1016/j.oceaneng.2025.122255.

25. G. Proulx, “Evacuation Time and Movement in Apartment Buildings”, Fire Safety Journal, Vol. 24, No. No. 3, pp. 229-246 (1995), https://doi.org/10.1016/0379-7112(95)00023-M.

26. Z. M. Fang, W. G. Song, Z. J. Li, W. Tian, W. Lv, J. Ma and X. Xiao, “Experimental Study on Evacuation Process in a Stairwell of a High-Rise Building”, Building and Environment, Vol. 47, pp. 316-321 (2012), https://doi.org/10.1016/j.buildenv.2011.07.009.

27. V. Juřík, O. Uhlík, D. Snopková, O. Kvarda, T. Apeltauer and J. Apeltauer, “Analysis of the Use of Behavioral Data From Virtual Reality for Calibration of Agent-Based Evacuation Models”, Heliyon, Vol. 9, No. No. 3, pp. e14275(2023), https://doi.org/10.1016/j.heliyon.2023.e14275.

28. G. Fanelli, J. Gall and L. Van Gool, “Real Time Head Pose Estimation With Random Regression Forests”, “CVPR”, (2011), IEEE, pp. 617-624 (2011), https://doi.org/10.1109/CVPR.2011.5995458.

29. Y. P. Chiu, Y. C. Shiau and Y. H. Lai, “Study on Related Simulations Between Exit Characteristics and Evacuation Performance”, Microsystem Technologies, Vol. 27, pp. 1091-1098 (2021), https://doi.org/10.1007/s00542-018-4063-3.

30. Y. Bao, “Room Evacuation in the Presence of Obstacles Using an Agent-Based Model With Turning Behavior”, Simulation Modelling Practice and Theory, Vol. 113, pp. 102385(2021), https://doi.org/10.1016/j.simpat.2021.102385.

31. J. Frankenstein, S. Brüssow, F. Ruzzoli and C. Hölscher, “The Language of Landmarks: The Role of Background Knowledge in Indoor Wayfinding”, Cognitive Processing, Vol. 13, pp. 165-170 (2012), https://doi.org/10.1007/s10339-012-0482-8.

32. B. Schuller, A. Batliner, S. Steidl and D. Seppi, “Recognising Realistic Emotions and Affect in Speech: State of the Art and Lessons Learnt From the First Challenge”, Speech Communication, Vol. 53, No. No. 9-10, pp. 1062-1087 (2011), https://doi.org/10.1016/j.specom.2011.01.011.

33. S. G. Hart and L. E. Staveland, “Development of NASA-TLX (Task Load Index): Results of Empirical and Theoretical Research”, Advances in Psychology, Vol. 52, pp. 139-183 (1988), https://doi.org/10.1016/S0166-4115(08)62386-9.

34. H. G. Kim, E. J. Cheon, D. S. Bai, Y. H. Lee and B. H. Koo, “Stress and Heart Rate Variability: A Meta-Analysis and Review of the Literature”, Psychiatry Investigation, Vol. 15, No. No. 3, pp. 235-245 (2018), https://doi.org/10.30773/pi.2017.08.17.

35. Y. P. Lin, C. H. Wang, T. P. Jung, T. L. Wu, S. K. Jeng, J. R. Duann and J. H. Chen, “EEG-Based Emotion Recognition in Music Listening”, IEEE Transactions on Biomedical Engineering, Vol. 57, No. No. 7, pp. 1798-1806 (2010), https://doi.org/10.1109/TBME.2010.2048568.

36. B. Karic, J. Stenkamp, M. Brüggemann, S. Schröder, C. Kray and J. Verstegen, “Collecting Data in an Immersive Video Environment to Set Up an Agent-Based Model of Pedestrians'Compliance with COVID-Related Interventions”, Journal of Artificial Societies and Social Simulation, Vol. 27, No. No. 2, 5. (2024), https://doi.org/10.18564/jasss.5340.

37. S. Park, S. H Park, L. W. Park, S. Park, S. Lee, T. Lee, S. H. Lee, H. Jang and et al, “Design and Implementation of a Smart IoT Based Building and Town Disaster Management System in Smart City Infrastructure”, Applied Sciences, Vol. 8, No. No. 11, pp. 2239(2018), https://doi.org/10.3390/app8112239.

38. L. Ding, Y. Xiao, X. Deng and F. Li, “Safety Monitoring and Evacuation Guide System for Pipeline Testing Laboratory by Indoor Positioning Technique and Distributed Sensor Network”, International Journal of Distributed Sensor Networks, Vol. 14, No. No. 6, pp. 1550147718783684(2018), https://doi.org/10.1177/1550147718783684.

39. Q. Sun and Y. Turkan, “A BIM-Based Simulation Framework for Fire Safety Management and Investigation of the Critical Factors Affecting Human Evacuation Performance”, Advanced Engineering Informatics, Vol. 44, pp. 101093(2020), https://doi.org/10.1016/j.aei.2020.101093.

40. Y. Wang, M. Kyriakidis and V. N. Dang, “Incorporating Human Factors in Emergency Evacuation-An Overview of Behavioral Factors and Models”, International Journal of Disaster Risk Reduction, Vol. 60, pp. 102254(2021), https://doi.org/10.1016/j.ijdrr.2021.102254.

41. J. S. Lee and H. S. Kwon, “Evacuation Behaviors Under the Corridor and Stair Width Variations in Evacuation Experiments”, Journal of Korea Academia-Industrial Cooperation Society, Vol. 13, No. No. 5, pp. 2374-2381 (2012), https://doi.org/10.5762/KAIS.2012.13.5.2374.

42. E. Kinkel, C. N. van der Wal and S. P. Hoogendoorn, “The Effects of Three Environmental Factors on Building Evacuation Time”, Heliyon, Vol. 10, No. No. 5, pp. e27128(2024), https://doi.org/10.1016/j.heliyon.2024.e27128.

43. H. L. Mu, J. H. Wang, Z. L. Mao, J. H. Sun, S. M. Lo and Q. S. Wang, “Pre-Evacuation Human Reactions in Fires: An Attribution Analysis Considering Psychological Process”, Procedia Engineering, Vol. 52, pp. 290-296 (2013), https://doi.org/10.1016/j.proeng.2013.02.142.

44. E. Ronchi, E. D. Kuligowski, R. D. Peacock and P. A. Reneke, “A Probabilistic Approach for the Analysis of Evacuation Movement Data”, Fire Safety Journal, Vol. 63, pp. 69-78 (2014), https://doi.org/10.1016/j.firesaf.2013.11.012.

45. S. Li, L. Tong and C. Zhai, “Extraction and Modelling Application of Evacuation Movement Characteristic Parameters in Real Earthquake Evacuation Video Based on Deep Learning”, International Journal of Disaster Risk Reduction, Vol. 80, pp. 103213(2022), https://doi.org/10.1016/j.ijdrr.2022.103213.

46. A. R. Rasa, L. Xia, X. Song, H. Yu, R. Karim, J. Zhang and W. Song, “Understanding Human-Obstacle Interaction Dynamics on Staircases: Implications for Emergency Evacuation and Fire Safety in High-Rise Buildings”, Journal of Building Engineering, Vol. 98, pp. 111082(2024), https://doi.org/10.1016/j.jobe.2024.111082.

47. J. P. Vox, A. Weber, K. I. Wolf, K. Izdebski, T. Schüler, P. König, F. Wallhoff and D. Friemert, “An Evaluation of Motion Trackers With Virtual Reality Sensor Technology in Comparison to a Marker-Based Motion Capture System Based on Joint Angles for Ergonomic Risk Assessment”, Sensors, Vol. 21, No. No. 9, pp. 3145(2021), https://doi.org/10.3390/s21093145.

48. M. Zhang, J. Ke, L. Tong and X. Luo, “Investigating the Influence of Route Turning Angle on Compliance Behaviors and Evacuation Performance in a Virtual-Reality-Based Experiment”, Advanced Engineering Informatics, Vol. 48, pp. 101259(2021), https://doi.org/10.1016/j.aei.2021.101259.

49. Y. H. Bae, Y. C. Kim, R. S. Oh, J. Y. Son, W. H. Hong and J. H. Choi, “Gaze Point in the Evacuation Drills: Analysis of Eye Movement at the Indoor Wayfinding”, Sustainability, Vol. 12, No. No. 7, pp. 2902(2020), https://doi.org/10.3390/su12072902.

50. A. Mossberg, D. Nilsson and K. Andrée, “Unannounced Evacuation Experiment in a High-Rise Hotel Building With Evacuation Elevators: A Study of Evacuation Behaviour Using Eye-Tracking”, Fire Technology, Vol. 57, pp. 1259-1281 (2021), https://doi.org/10.1007/s10694-020-01046-1.

51. F. Jiang, N. Ding, J. Shi and Z. Fan, “Verify the Validity of Guidance Sign in Buildings: A New Method Based on Mixed Reality With Eye Tracking Device”, Sustainability, Vol. 14, No. No. 18, pp. 11286(2022), https://doi.org/10.3390/su141811286.

52. M. Imanishi and T. Sano, “Route Choice and Flow Rate in Theatre Evacuation Drills: Analysis of Walking Trajectory Data-Set”, Fire Technology, Vol. 55, pp. 569-593 (2019), https://doi.org/10.1007/s10694-018-0783-2.

53. Z. Feng, Q. You, K. Chen, H. Song and H. Peng, “Research on Passenger Evacuation Behavior in Civil Aircraft Demonstration Experiments Based on Neural Networks and Modeling”, Aerospace, Vol. 11, No. No. 3, 221. (2024), https://doi.org/10.3390/aerospace11030221.

54. M. Fu, R. Liu and E. Ragan, “An Immersive Virtual Reality Experimental Study of Occupants'Behavioral Compliance During Indoor Evacuations”, International Journal of Disaster Risk Reduction, Vol. 107, pp. 104420(2024), https://doi.org/10.1016/j.ijdrr.2024.104420.

55. M. Kobes, I. Helsloot, B. de Vries and J. Post, “Exit Choice, (Pre-)Movement Time and (Pre-)Evacuation Behaviour in Hotel Fire Evacuation—Behavioural Analysis and Validation of the Use of Serious Gaming in Experimental Research”, Procedia Engineering, Vol. 3, pp. 37-51 (2010), https://doi.org/10.1016/j.proeng.2010.07.006.

56. M. Forssberg, J. Kjellström, H. Frantzich, A. Mossberg and D. Nilsson, “The Variation of Pre-Movement Time in Building Evacuation”, Fire Technology, Vol. 55, pp. 2491-2513 (2019), https://doi.org/10.1007/s10694-019-00881-1.

57. N. Chen, M. Zhao, K. Gao and J. Zhao, “Experimental Study on the Evaluation and Influencing Factors on Individual's Emergency Escape Capability in Subway Fire”, International Journal of Environmental Research and Public Health, Vol. 18, No. No. 19, pp. 10203(2021), https://doi.org/10.3390/ijerph181910203.

58. R. Lovreglio, E. Dillies, E. Kuligowski, A. Rahouti and M. Haghani, “Exit Choice in Built Environment Evacuation Combining Immersive Virtual Reality and Discrete Choice Modelling”, Automation in Construction, Vol. 141, pp. 104452(2022), https://doi.org/10.1016/j.autcon.2022.104452.

59. Z. Tang, D. Zhang, J. Du, W. Bao, W. Zhang and J. Liu, “Investigation of Fire-Fighting Evacuation Indication System in Industrial Plants Based on Virtual Reality Technology”, Complexity, Vol. 2022, No. No. 1, pp. 2501869(2022), https://doi.org/10.1155/2022/2501869.

60. D. Wang, S. Liang, B. Chen and C. Wu, “Investigation on the Impacts of Natural Lighting on Occupants'Wayfinding Behavior During Emergency Evacuation in Underground Space”, Energy and Buildings, Vol. 255, pp. 111613(2022), https://doi.org/10.1016/j.enbuild.2021.111613.

61. E. Kinkel, C. N. van der Wal and S. P. Hoogendoorn, “The Effects of Three Environmental Factors on Building Evacuation Time”, Heliyon, Vol. 10, No. No. 5, pp. e27128(2024), https://doi.org/10.1016/j.heliyon.2024.e27128.

62. Z. Huang, S. Cao, Z. Fang, R. Ye, Z. Wang and X. Li, “Effect of Voice Alarms on Temporal Characteristics of the Evacuation Process Inside Metro Train Carriages: An Experiment Study”, Safety Science, Vol. 142, pp. 105403(2021), https://doi.org/10.1016/j.ssci.2021.105403.

63. D. Dalirnaghadeh and S. Yilmazer, “The Effect of Sound Environment on Spatial Knowledge Acquisition in a Virtual Outpatient Polyclinic”, Applied Ergonomics, Vol. 100, pp. 103672(2022), https://doi.org/10.1016/j.apergo.2021.103672.

64. M. Mizuno, S. Tsuburaya, Y. Ohmiya, M. Morita and T. Wakamatsu, “Experimental Study on Avoidance Behavior Against a Flame in the Fire Room Development of Evacuation Simulator Based on Potential Method Part 2”, Fire Science and Technology, Vol. 26, No. No. 4, pp. 397-401 (2007), https://doi.org/10.3210/fst.26.397.

65. E. Shaw, T. Roper, T. Nilsson, G. Lawson, S. V. Cobb and D. Miller, “The Heat is On: Exploring User Behaviour in a Multisensory Virtual Environment for Fire Evacuation”, Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, pp. 1-13 (2019), https://doi.org/10.1145/3290605.3300856.

66. Z. Li, H. Huang, N. Li, M. L. C. Zan and K. Law, “An Agent-Based Simulator for Indoor Crowd Evacuation Considering Fire Impacts”, Automation in Construction, Vol. 120, pp. 103395(2020), https://doi.org/10.1016/j.autcon.2020.103395.

67. K. Fridolf, E. Ronchi, D. Nilsson and H. Frantzich, “Movement Speed and Exit Choice in Smoke-Filled Rail Tunnels”, Fire Safety Journal, Vol. 59, pp. 8-21 (2013), https://doi.org/10.1016/j.firesaf.2013.03.007.

68. M. Fu, R. Liu and Y. Zhang, “Why Do People Make Risky Decisions During a Fire Evacuation?Study on the Effect of Smoke Level, Individual Risk Preference, and Neighbor Behavior”, Safety Science, Vol. 140, pp. 105245(2021), https://doi.org/10.1016/j.ssci.2021.105245.

69. C. Hölscher, T. Meilinger, G. Vrachliotis, M. Brösamle and M. Knauff, “Up the Down Staircase: Wayfinding Strategies in Multi-Level Buildings”, Journal of Environmental Psychology, Vol. 26, No. No. 4, pp. 284-299 (2006), https://doi.org/10.1016/j.jenvp.2006.09.002.

70. D. Wang, N. Li, S. Wu and T. Zhou, “The Impact of Corridor Directional Configuration on Wayfinding Behavior during Fire Evacuation in Underground Spaces: An Empirical Study Based on Virtual Reality”, Fire, Vol. 7, No. No. 8, pp. 294(2024), https://doi.org/10.3390/fire7080294.

71. D. Snopková, L. De Cock, V. Juřík, O. Kvarda, M. Tancoš, L. Herman and P. Kubíček, “Isovists Compactness and Stairs as Predictors of Evacuation Route Choice”, Scientific Reports, Vol. 13, pp. 2970(2023), https://doi.org/10.1038/s41598-023-29944-8.

72. I. Knez, J. Willander, A. Butler, Å. O. Sang, I. Sarlöv-Herlin and A. Åkerskog, “I Can Still See, Hear and Smell the Fire: Cognitive, Emotional and Personal Consequences of a Natural Disaster, and the Impact of Evacuation”, Journal of Environmental Psychology, Vol. 74, pp. 101554(2021), https://doi.org/10.1016/j.jenvp.2021.101554.

73. K. Deng, M. Li, G. Wang, X. Hu, Y. Zhang, H. Zheng, K. Tian and T. Chen, “Experimental Study on Panic During Simulated Fire Evacuation Using Psycho-And Physiological Metrics”, International Journal of Environmental Research and Public Health, Vol. 19, No. No. 11, pp. 6905(2022), https://doi.org/10.3390/ijerph19116905.

74. S. S. Patel, K. Guevara, T. L. Hollar, R. A. DeVito and T. B. Erickson, “Surveying Mental Health Stressors of Emergency Management Professionals: Factors in Recruiting and Retaining Emergency Managers in an Era of Disasters and Pandemics”, Journal of Emergency Management (Weston, Mass.), Vol. 21, No. No. 5, pp. 375-384 (2023), https://doi.org/10.5055/jem.0820.

75. D. Snopková, M. Tancoš, L. Herman and V. Juřík, “Predictors of Evacuation Behavior: Dataset on Respondents'Route Choice and Web Interaction”, Scientific Data, Vol. 12, pp. 116(2025), https://doi.org/10.1038/s41597-025-04440-y.

76. A. Pentari, G. Kafentzis and M. Tsiknakis, “Speech Emotion Recognition Via Graph-Based Representations”, Scientific Reports, Vol. 14, pp. 4484(2024), https://doi.org/10.1038/s41598-024-52989-2.

77. J. H. Chowdhury, S. Ramanna and K. Kotecha, “Speech Emotion Recognition With Light Weight Deep Neural Ensemble Model Using Hand Crafted Features”, Scientific Reports, Vol. 15, pp. 11824(2025), https://doi.org/10.1038/s41598-025-95734-z.

78. Z. Yang, Z. Li, S. Zhou, L. Zhang and S. Serikawa, “Speech Emotion Recognition Based on Multi-Feature Speed Rate and LSTM”, Neurocomputing, Vol. 601, pp. 128177(2024), https://doi.org/10.1016/j.neucom.2024.128177.

79. J. Zhou, X. Jia, G. Xu, J. Jia, R. Hai, C. Gao and S. Zhang, “The Relationship Between Different Types of Alarm Sounds and Children's Perceived Risk Based on Their Physiological Responses”, International Journal of Environmental Research and Public Health, Vol. 16, No. No. 24, pp. 5091(2019), https://doi.org/10.3390/ijerph16245091.

80. C. de Lama, C. González-Gaya and A. Sánchez-Lite, “An Experimental Test Proposal to Study Human Behaviour in Fires Using Virtual Environments”, Sensors, Vol. 20, No. No. 12, pp. 3607(2020), https://doi.org/10.3390/s20123607.

81. S. Koelstra, C. Muhl, M. Soleymani, J. S. Lee, A. Yazdani, T. Ebrahimi, T. Pun, A. Nijholt and et al, “Deap: A Database for Emotion Analysis;Using Physiological Signals”, IEEE Transactions on Affective Computing, Vol. 3, No. No. 1, pp. 18-31 (2011), https://doi.org/10.1109/T-AFFC.2011.15.

82. S. Hana, R. Hassan, A. R. Faizabadi, A. Gubbi, M. Z. Bellary and V. Manjula, “Enhanced EEGNet Optimization Using Lightweight Deep Neural Network for Detecting Human Stress Levels from Raw EEG Signals Dataset”, 2025 3rd International Conference on Integrated Circuits and Communication Systems (ICICACS), IEEE, pp. 1-6 (2025), https://doi.org/10.1109/ICICACS65178.2025.10968480.

83. M. A. Garcia, J. M. Catunda, T. Lemos, L. F. Oliveira, L. A. Imbiriba and M. N. Souza, “An Alternative Approach in Muscle Fatigue Evaluation From the Surface EMG Signal”, 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology, IEEE, pp. 2419-2422 (2010), https://doi.org/10.1109/IEMBS.2010.5626163.

84. E. Adapa, A. C. Turlapaty and S. Naidu, “Fatigue Classification and Onset Estimation Using Surface EMG Signals during Strength Training”. 2023 Asia Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), IEEE”, pp. 304-310 (2023), https://doi.org/10.1109/APSIPAASC58517.2023.10317229.

85. J. Zhou, X. Jia, G. Xu, J. Jia, R. Hai, C. Gao and S. Zhang, “The Relationship Between Different Types of Alarm Sounds and Children's Perceived Risk Based on Their Physiological Responses”, International Journal of Environmental Research and Public Health, Vol. 16, No. No. 24, pp. 5091(2019), https://doi.org/10.3390/ijerph16245091.

86. X. Xia, N. Li and V. A. González, “Exploring the Influence of Emergency Broadcasts on Human Evacuation Behavior During Building Emergencies Using Virtual Reality Technology”, Journal of Computing in Civil Engineering, Vol. 35, No. No. 2, pp. 04020065(2021), https://doi.org/10.1061/(ASCE)CP.1943-5487.0000953.

87. C. H. Vinkers, R. Penning, J. Hellhammer, J. C. Verster, J. H. Klaessens, B. Olivier and C. J. Kalkman, “The Effect of Stress on Core and Peripheral Body Temperature in Humans”, Stress, Vol. 16, No. No. 5, pp. 520-530 (2013), https://doi.org/10.3109/10253890.2013.807243.

88. T. Oka, “Psychogenic Fever: How Psychological Stress Affects Body Temperature in the Clinical Population”, Temperature, Vol. 2, No. No. 3, pp. 368-378 (2015), https://doi.org/10.1080/23328940.2015.1056907.

89. Statistics Korea, KOSIS (Korean Statistical information Service, https://kosis.kr/index/index.do (2022).

90. J. Y. Son, Y. H. Bae, G. Y. Jeon, W. H. Hong and Y. M. Shin, “The Relationship Between Walking Speed and Available Walking Height”, Fire Science and Engineering, Vol. 34, No. No. 2, pp. 41-48 (2020), https://doi.org/10.7731/KIFSE.edb08124.