KR102382224B1 - 인공 지능을 이용한 경기력 향상 방법 - Google Patents
인공 지능을 이용한 경기력 향상 방법 Download PDFInfo
- Publication number
- KR102382224B1 KR102382224B1 KR1020200003554A KR20200003554A KR102382224B1 KR 102382224 B1 KR102382224 B1 KR 102382224B1 KR 1020200003554 A KR1020200003554 A KR 1020200003554A KR 20200003554 A KR20200003554 A KR 20200003554A KR 102382224 B1 KR102382224 B1 KR 102382224B1
- Authority
- KR
- South Korea
- Prior art keywords
- information data
- training
- data
- performance
- improve
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000006872 improvement Effects 0.000 title abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 178
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000005094 computer simulation Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009897 systematic effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002802 cardiorespiratory effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000037078 sports performance Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
- A63B2024/0068—Comparison to target or threshold, previous performance or not real time comparison to other individuals
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
- A63B2024/0081—Coaching or training aspects related to a group of users
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
- A63B2071/0638—Displaying moving images of recorded environment, e.g. virtual environment
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/806—Video cameras
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2244/00—Sports without balls
- A63B2244/26—Bob-sleigh
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Processing Or Creating Images (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 빅데이터와 인공지능을 활용하여 훈련 대상자의 디지털 트윈을 제공하고, 디지털 트윈에 다양한 전산 시뮬레이션을 한 경기력 상태의 변화 결과를 바탕으로 경기력 향상을 위하여 훈련 대상자가 변화시켜야 할 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공하는 경기력 향상 방법에 관한 것이다.
Description
본 발명은 빅데이터와 인공지능을 활용하여 훈련 대상자의 디지털 트윈을 제공하고, 디지털 트윈에 다양한 전산 시뮬레이션을 한 경기력의 변화 결과를 바탕으로 경기력 향상을 위하여 훈련 대상자가 변화시켜야 할 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공하는 경기력 향상 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI)를 다양한 스포츠 영역에 접목시키고자 하는 연구가 활발하게 진행되고 있지만, 여전히 인공지능이 적용되지 못한 스포츠 영역들이 무수히 많다. 즉, 인공지능 기법은 바둑과 같은 추상 전략 게임(abstract strategy game)에서는 엄청난 힘을 발휘하지만 반추상 전략 게임(semi-abstract strategy game)에서는 현재 알려진 대부분의 인공지능 기법들이 큰 힘을 발휘하지 못하고 있다.
현재 인공지능 엔지니어와 스포츠 과학자들이 서로 다르게 정의하는 경기력(performance)이라는 용어 자체가 스포츠에 인공지능을 활용하는 데 장애 요인이 된다고 지적되고 있다. 또한 유의미한 결과가 도출될 수 있도록 학습 가능한 수준의 데이터 세트(data set)의 부재도 현재 인공지능이 경기력 향상에 큰 도움을 주지 못하고 있는 하나의 원인으로 지적되고 있다.
이에, 인공지능을 활용하여 스포츠 경기력을 향상시키기 위하여 경기력이라는 용어에 대한 스포츠 과학자와 엔지니어 입장에서 바라본 후 재해석이 필요한 실정이다.
즉, 스포츠 과학자들이 정의하는 경기력은 특정 종목을 효율적으로 수행하기 위해 필요한 생체역학 및 생리학적 기능(biodynamic & physiologic function), 실리적 요인(psychological factor), 종목에 대한 기술적 수준(technical level), 전략적 요인(strategy level)이 상호복합적으로 작용된 포괄적인 능력을 지칭하는 것이지만, 대부분의 엔지니어들이 생각하는 경기력은 특정 종목을 수행할 때 필요한 인간의 기능을 수치화한 지표를 지칭하는 것으로 경기력을 바라보는 시각에 서로 차이가 있다.
또한, 일부 스포츠 종목을 제외하고는 인공지능을 적용할 만큼 의미있는 데이터 세트가 현재 존재하지 않기 때문에 결국 인공지능을 경기력 향상에 적용하고 구현하기 위해서는 학습이 가능한 수준의 데이터 세트를 새로 구축하여야 하는 실정이다.
봅슬레이 종목은 1924년에 올림픽 종목으로 채택되었다. 스켈레톤 종목은 봅슬레이와 슬라이딩 트랙을 공유하여 사용하며 1928년에 올림픽종목으로 채택되었다가 제외되었고 2002년에야 공식 종목으로 채택되었다.
대한민국의 봅슬레이 및 스켈레톤은 상대적으로 선진국에 비해 매우 짧은 역사에도 불구하고 평창 올림픽에서 두 종목 모두 메달을 획득하여 그 잠재력을 입증하였다. 이는 다른 동계 대회 종목에 비하여 매우 빠른 성장으로 지속적인 경기력 향상이 기대되는 유망한 종목이다.
다만 경기 특성 상 슬라이딩 트랙이 필수적이고 운영에 많은 비용이 소요되어 전 세계적으로 국제 경기가 가능한 트랙은 극소수에 불과하다.
이러한 이유로 트랙 운영상 각국의 훈련인원 및 슬라이딩 훈련 회수를 제한하고 있어서 현 수준을 유지 및 향상시키는 것에 한계가 있는 실정이다.
한편, 그간 선진국의 노하우를 적극적으로 흡수하여 경기력을 성장시켜왔으나 상위권에서는 경기력 유지와 체계적인 향상이 더 중요한 요소라고 할 수 있다. 그러나 체계적인 빅데이터 시스템의 부재, 객관적인 데이터 부족, 데이터의 생산과 축적 시스템의 미비, 코칭을 위한 요인 분석 시스템의 미비 등의 이유로, 현재 간헐적이고 제한적인 측정 데이터로 코칭 스텝의 직관적인 추론에 의한 강화 훈련을 진행하고 있으며, 체계적인 동작 분석 기술이 적용되고 있지 않는 등 경기력 향상 코칭에 한계가 있다.
덧붙여, 봅슬레이와 스켈레톤은 올림픽 기간 동안에만 이슈화되는 비인기 종목으로, 선수층이 매우 빈약하여 인재 발굴 및 꿈나무 육성의 활성화, 생활체육화를 위한 체계 마련을 위한 새로운 기술적 방안이 필요하다.
상술한 바와 같이, 빅데이터 및 인공지능을 접목하여 체계적으로 경기력을 향상시키기 위한 기술, 특히 동계 스포츠에 빅데이터 및 인공지능을 적용하여 경기력을 향상시키고자 하는 요구가 증가하고 있는 실정이다.
이에 본 발명의 기술적 과제는 이러한 점에 착안한 것으로, 본 발명의 목적은 빅데이터와 인공지능을 활용하여 훈련 대상자의 디지털 트윈을 제공하고, 디지털 트윈에 다양한 전산 시뮬레이션을 수행한 경기력 상태의 변화 결과를 바탕으로 경기력 향상을 위하여 훈련 대상자가 변화시켜야 할 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공하는 경기력 향상 방법을 제공하는 것이다.
본 발명의 경기력 향상 방법은 디지털 트윈을 활용한 인공지능을 기반의 빅데이터 분석 및 전산 시뮬레이션을 통해 실제 훈련 대상자에게 경기력 향상을 위한 체계적인 특화 훈련 및 코칭이 가능하다.
또한, 인재 발굴 및 꿈나무 육성의 활성화, 생활체육화에 본 발명의 경기력 향상 방법을 통한 경기력 향상을 제공하고자 하고, 특히, 동계 스포츠 중 썰매 스포츠의 훈련 대상자에 대한 경기력을 향상시키는데 목적이 있다.
상기한 본 발명의 목적을 실현하기 위한 본원의 일 측면은, 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 통해 수집하여 데이터 저장 서버에 저장하는 제1단계;
상기 훈련 대상자와 동일한 종목의 불특정 다수의 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상이 포함된 빅데이터 기반의 데이터 베이스를 데이터 베이스 서버로부터 수신하고, 상기 제1단계에서 상기 데이터 저장 서버에 수집된 상기 훈련 대상자의 경기 정보 데이터 및 훈련 정보 테이터 중 어느 하나 이상과 비교하여, 전산 시뮬레이션이 가능한 상기 훈련 대상자의 경기력의 현재 상태에 해당하는 디지털 트윈을 제공하는 제2단계;
상기 디지털 트윈에 상기 경기 정보 데이터 및 상기 훈련 정보 데이터 중 어느 하나 이상을 변화시키는 상기 전산 시뮬레이션을 실시하여, 상기 경기 정보 데이터 및 상기 훈련 정보 테이터 중 어느 하나 이상의 변화에 따른 상기 훈련 대상자의 경기력 상태의 변화를 예측하는 제3단계; 및
상기 전산 시뮬레이션에 의하여 예측된 경기력 상태의 변화에 기반하여 경기력 상태 향상을 위하여 상기 훈련 대상자가 변화시켜야 할 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공하는 제4단계를 포함하는,
경기력 향상 방법을 제공한다.
상기 방법의 상기 제2단계 및 상기 제3단계 중 어느 한 단계 이상은 머신러닝된 인공지능에 의해서 수행될 수 있고, 상기 제1단계 내지 제4단계는 실시간으로 피드백될 수 있다.
또한, 상기 경기력 향상의 대상 종목은 썰매 스포츠일 수 있고, 특히 상기 썰매 스포츠는 봅슬레이 또는 스켈레톤일 수 있다.
한편, 상기 경기 정보 데이터는 스타트 정보 데이터 및 주행 정보 데이터 중 어느 하나 이상일 수 있다.
상기 스타트 정보 데이터는 스타트 비디오 데이터, 스타트 랩타임 데이터, 스타트 속도 프로필 데이터, 탑승 시퀀스 타이밍 데이터 중 어느 하나 이상이고, 상기 주행 정보 데이터는 주행 구간별 랩타입 정보 데이터, 주행 구간별 속도 프로필 정보 데이터 및 주행 궤적 정보 데이터 중 어느 하나 이상일 수 있다.
또한, 상기 훈련 정보 데이터는 체력 훈련 정보 데이터 및 기술 훈련 정보 데이터 중 어느 하나 이상일 수 있다.
상기 체력 훈련 정보 데이터는 근력 훈련 정보 데이터, 심폐 지구력 훈련 정보 데이터, 민첩성 훈련 정보 데이터 및 균형 감각 훈련 정보 데이터 중 어느 하나 이상이고, 상기 기술 훈련 정보 데이터는 스타트 훈련 정보 데이터, 주행 훈련 정보 데이터, 협응 훈련 정보 데이터 및 심리 훈련 정보 데이터 중 어느 하나 이상일 수 있다.
상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 상기 훈련 대상자 개인별로 가중치를 달리할 수 있다.
또한, 상기 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 경기 훈련용 모의 장치, 체력 훈련장, 경기력 훈련장, 훈련 트랙 및 경기 트랙 중 어느 하나 이상을 사용하여 획득될 수 있다.
상기 경기 훈련용 모의 장치는 가상 현실을 구현하기 위한 가상 현실 구현부를 포함하는 썰매 스포츠 훈련용 모의 장치일 수 있다.
한편, 상기 데이터 수집 기기는 사물 인터넷(IoT) 단말 및 영상 기기 중 어느 하나 이상일 수 있고, 상기 사물 인터넷 단말은 훈련 대상자가 휴대하거나 훈련 대상자에게 장착되어 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 수집하는 것일 수 있다.
본 발명은 경기력 향상을 위한 것으로, 특히 동계 스포츠 중 썰매 스포츠의 훈련 대상자의 경기력을 향상시키기 위한 것이다.
본 발명의 경기력 향상 방법은 디지털 트윈을 활용한 인공지능 기반의 빅데이터 분석 및 전산 시뮬레이션을 통해 실제 훈련 대상자에게 경기력 향상을 위한 체계적인 특화 훈련 및 코칭이 가능한다.
또한, 인재 발굴 및 꿈나무 육성의 활성화, 생활체육화에 본 발명의 경기력 향상 방법을 통한 경기력 향상을 제공하고자 하고, 특히, 동계 스포츠 중 썰매 스포츠의 훈련 대상자에 대한 경기력을 향상시키는데 목적이 있다.
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 구현예 및 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 구현예 및 실시예에 한정되지 않는다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
또한, 본원 명세서 전체에서, "~ 하는 단계" 또는 "~의 단계"는 "~를 위한 단계"를 의미하지 않는다.
이하, 본원의 구현예 또는 실시예를 상세히 설명한다. 그러나, 본원이 이러한 구현예 또는 실시예에 제한되는 것은 아니다.
본 발명의 경기력 향상 방법은 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 통해 수집하여 데이터 저장 서버에 저장하는 제1단계;
상기 훈련 대상자와 동일한 종목의 불특정 다수의 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상이 포함된 빅데이터 기반의 데이터 베이스를 데이터 베이스 서버로부터 수신하고, 상기 제1단계에서 상기 데이터 저장 서버에 수집된 상기 훈련 대상자의 경기 정보 데이터 및 훈련 정보 테이터 중 어느 하나 이상과 비교하여, 전산 시뮬레이션이 가능한 상기 훈련 대상자의 경기력의 현재 상태에 해당하는 디지털 트윈을 제공하는 제2단계;
상기 디지털 트윈에 상기 경기 정보 데이터 및 상기 훈련 정보 데이터 중 어느 하나 이상을 변화시키는 상기 전산 시뮬레이션을 실시하여, 상기 경기 정보 데이터 및 상기 훈련 정보 테이터 중 어느 하나 이상의 변화에 따른 상기 훈련 대상자의 경기력 상태의 변화를 예측하는 제3단계; 및
상기 전산 시뮬레이션에 의하여 예측된 경기력 상태의 변화에 기반하여 경기력 상태 향상을 위하여 상기 훈련 대상자가 변화시켜야 할 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공하는 제4단계를 포함한다.
본 명세서 전체에서 언급하는 훈련 대상자는 국가대표, 선수, 꿈나무 또는 일반 동호인 등을 포함하며, 특히 동계 스포츠 중 썰매 스포츠 훈련 또는 체험을 받는 사람이면 어느 누구나 이에 포함될 수 있다.
상기 데이터 저장 서버는 데이터 유형에 따라 구분하여 유형에 적합한 관리 시스템으로 구축될 수 있고, 상기 데이터 베이스 서버는 데이터 저장 서버와 별개로 서비스 운영을 위해 가공된 데이터를 별도로 관리하기 위한 서버일 수 있다. 또한 데이터 저장 서버와 데이터 베이스 서버를 연결하기 위한 웹(web) 서버는 무중단 서비스를 위해 L4 스위치를 통한 이중화 서버로 구축될 수 있다. 데이터 베이스 서버도 웹 서버와 마찬가지로 이중화 서버로 구축될 수 있다.
이외에 원본 데이터 백업을 위한 스토리지를 구축할 수도 있다.
스프트웨어 아키텍처 설계에 있어서 데이터 베이스는 My-SQL, Hadoop HDFS 등이 사용될 수 있고, 소프트웨어 프리임 워크는 Spring Famework 등으로 구성될 수 있고, 가시화 지원도구는 Chart.JS, D3.JS 등으로 구성될 수 있다.
데이터 수집은 정형 데이터(RDB), 비정형 데이터, 이미지 및 영상 테이터 등으로 나누어 수집될 수 있다.
상기 비정형 데이터 중 로그 데이터는 Flume으로 구성될 수 있고, 상기 정형 데이터는 Sqoop로 구성될 수 있으며, 상기 이미지 및 영상 데이터는 Hadoop 분산 시스템으로 구성될 수 있다.
상기 정형 데이터, 비정형 데이터 및 이미지 및 영상 데이터 각각은 필요에 따라 데이터 항목별 사이즈, 타입, 프로토콜, 수집주기에 대하여 정의될 수 있다.
데이터 저장을 위한 데이터 저장 시스템은 분산 파일 시스템으로 설계될 수 있고, 관계형 데이터베이스 관리 시스템(Relational DataBase Management System, RDBMS) 모듈로 설계될 수 있으며, 메타데이터 데이터 구조로 설계될 수도 있다.
경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상이 포함된 빅데이터의 수집, 저장, 처리, 분석, 시각화 등을 통하여 데이터의 연관성을 파악하고 경기력 향상과 관련된 지표에 주는 영향의 유의도를 판단하여 데이터의 가치를 부여하고, 이후 데이터 수집 과정의 고도화 필요성 여부를 파악할 수 있도록 근거를 제공하는 인력의 프로세스를 지원하는 통합 플랫폼을 추가로 구축할 수도 있다.
통합 플랫폼은 데이터의 생산 장소와 생산 주체에 따라 다양한 형태로 제공되는 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상의 특성상 정형 데이터 외에도 비정형의 데이터를 수집하여 검색이 가능하도록 고용량 저장 및 고속 검색이 가능한 아키텍쳐로 설계될 수 있다.
예를 들어, 데이터 분석을 위한 소프트웨어 설계는 확장성 있는(scalabe) 기계학습 라이브러리인 머하웃(Mahout)을 적용할 수 있다.
머하웃은 collaborative filtering, User and Item based recommenders, K-Means, Fuzzy K-Means clustering, Mean Shift clustering, Dirichlet process clustering, Latent Dirichlet Allocation, Singular value decomposition, Parallel Frequent Pattern mining, Complementary Naive Bayes classifier, Random forest decision tree based classifier, High performance java collections (previously colt collections) 등의 기계 학습 알고리즘 구현을 지원할 수 있다.
상기 제 1 단계의 데이터 수집 기기는 사물 인터넷(IoT) 단말 및 영상 기기 중 어느 하나 이상일 수 있다.
상기 사물인터넷 단말은 휴대폰, 스마트폰 등의 사용자가 휴대하는 디바이스 및 시계, 안경, 패치, 장신구(반지, 팔찌, 목걸이, 귀걸이 등) 등의 사용자가 착용하는 웨어러블 디바이스 등 다양한 형태의 사물인터넷 단말이 사용될 수 있다.
한편, 측정장치 또는 각종 전자기기 스스로가 인터넷 통신이 가능하여, 측정한 정보 및 전자기기에 관한 정보를 인터넷 통신을 통해 모니터링 및 관리가 가능할 뿐만 아니라, 사물인터넷 단말끼리 통신이 가능한 장치를 통칭한다.
또한, 사물인터넷 단말은 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 수집하는 것뿐만 아니라, 휴대하거나 신체에 장착할 수 있는 장치로서, 훈련 대상자가 다양한 정보를 음성 또는 문자 메시지를 통해 기록하게 되는데, 이와 같은 훈련자 대상자 개인의 라이프 로그(Lifglog) 정보를 획득하는 것도 가능하다.
한편, 사물인터넷 단말를 통해 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 실시간으로 측정하는 것도 가능하고, 특정한 시간의 주기로 측정하는 것도 가능하다.
본 발명은 이미 각종의 전자기기 또는 측정 센서와 인터넷 통신장치를 구비한 사물 인터넷 단말, 영상 장치 등을 통해 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 다양한 각도 및 방법으로 수집하고, 수집된 방대한 데이터를 빅데이터 기법으로 분석 처리함으로써, 실시간 업데이트 되는 양질의 훈련 대상자 중심의 개인 맞춤형 경기력 향상 정보를 보다 편리하게 제공할 수 있다.
상기 제 2단계의 상기 데이터 베이스 서버는 훈련 대상자와 동일한 종목의 불특정 다수의 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공할 수 있다.
이때, 불특정 다수의 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 다양한 데이터를 포함할 수 있으나, 특히 동계 스포츠, 바람직하게는 썰매 스포츠, 더욱 바람직하게는 봅슬레이 또는 스켈레톤와 연관된 경기 정보 데이터 및 훈련 정보 테이터 중 어느 하나 이상을 포함할 수 있다.
사물인터넷 단말과 및 영상 기기 중 어느 하나를 이용하여 수집되는 상기 경기 정보 데이터는 스타트 정보 데이터 및 주행 정보 데이터 중 어느 하나 이상일 수 있다.
특히, 상기 스타트 정보 데이터는 스타트 비디오 데이터, 스타트 랩타임 데이터, 스타트 속도 프로필 데이터, 탑승 시퀀스 타이밍 데이터 중 어느 하나 이상이고, 상기 주행 정보 데이터는 주행 구간별 랩타입 정보 데이터, 주행 구간별 속도 프로필 정보 데이터 및 주행 궤적 정보 데이터 중 어느 하나 이상일 수 있다.
상기 경기 정보 데이터는 하기 표1에 나타낸 바와 같이 미디어/영상(media/video), 타임스탬프(timestamp), 포인트(point) 등의 데이터 형태로 수집, 저장된다.
[표 1]
한편, 상기 훈련 정보 데이터는 체력 훈련 정보 데이터 및 기술 훈련 정보 데이터 중 어느 하나 이상일 수 있다.
특히, 상기 체력 훈련 정보 데이터는 근력 훈련 정보 데이터, 심폐 지구력 훈련 정보 데이터, 민첩성 훈련 정보 데이터 및 균형 감각 훈련 정보 데이터 중 어느 하나 이상이고, 상기 기술 훈련 정보 데이터는 스타트 훈련 정보 데이터, 주행 훈련 정보 데이터, 협응 훈련 정보 데이터 및 심리 훈련 정보 데이터 중 어느 하나 이상일 수 있다.
더욱 구체적으로 상기 근력 훈련 정보 데이터는 스쿼트 데이터, 런지 데이터, 데드 리프트 데이터, 벤치 프레스 데이터, 숄더 프레스 데이터 중 어느 하나 이상일 수 있고, 상기 심폐 지구력 훈련 정보 데이터는 야외 러닝 데이터, 실내 러닝 데이너, 트래드 밀 데이터 중 어느 하나 이상일 수 있다.
상기 훈련 정보 데이터는 하기 표2에 나타낸 바와 같이, 각 세부분류에 대하여 영상(video), 관절 가동범위(joint ROM), 안정성(stability), 훈련량(반본 횟수 및 세트 수) 등의 데이터가 미디어/영상(media/video), JSON(JavaScript Object Notation), int 등의 데이터 형태로 수집, 저장된다.
[표 2]
상기 제 2단계 및 제 3 단계는 머신러닝된 인공지능에 의해서 수행될 수 있다. 예를 들어, 복수 개의 경기력 향상을 위한 알고리즘을 선택하여 훈련시킬 수 있는데. 동일 종목의 불특정 다수의 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 입력으로 설정하고, 훈련 대상자의 디지털 트윈 설정 및 디지털 트윈에 대한 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 변화시킨 전산 시뮬레이션 결과값을 출력으로 설정하여 훈련시킨 뒤, 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 입력한 경우 가장 정확한 경기력 분석 및 예측에 대한 확률값을 출력시키는 알고리즘을 선택하여 적용시킬 수 있다.
한 예로, 훈련 대상자와 동일 종목의 불특정 다수인의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 대한 입력 노드를 인공지능 신경망의 입력층으로 지정하고, 훈련 대상자의 디지털 트윈 설정 및 디지털 트윈에 대한 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 변화시킨 전산 시뮬레이션 결과값에 대한 출력 노드를 출력층으로 지정하는 지도 학습(supervised learning)을 통해 초기 인공지능 신경망을 생성 및 학습하여 훈련된 최종 인공지능 신경망을 생성할 수 있다.
이와 같이 훈련된 최종 인공지능 신경망이 생성되고 나면, 사물 인터넷(IoT) 단말, 영상 장치 등으로부터 수신한 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 최종 인공지능 신경망의 입력 노드로 지정할 수 있다.
상기 제2 단계의 상기 디지털 트윈(digital twin)은 전산 상에 현실 속 사물의 쌍둥이를 만들고, 현실에서 발생할 수 있는 상황을 전산 상으로 시뮬레이션함으로써 결과를 미리 분석, 예측하는 기술이다.
디지털 트윈은 제조업뿐 아니라 다양한 산업·사회 문제를 해결할 수 있는 기술로 주목 받고 있고, 물리적 실체를 가상으로 표현한 것이므로 CAD(Computer-aided design) 분야 등에서 적용되고 있다.
본 발명에서는 사물인터넷(IoT), 영상 장치 등을 통하여 수집된 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상이 빅데이터 플랫폼을 통하여 정제되고 디지털 트윈에 반영된다.
현실이 적용 가능하게 된 훈련 대상자의 디지털 트윈을 인공 지능으로 전산 시뮬레이션 분석하여 경기력 이상 징후를 판별하거나, 시뮬레이션을 통한 경기력 개선 요소를 발굴하여 훈련 대상자에 반영하는 등의 순환 과정을 거치게 된다.
또한, 디지털 트윈을 적용을 통해서 실시간 피드백 및 모니터링이 가능해지므로 신속한 대응을 비롯하여 선제적 대응이 가능해 질 수 있다.
따라서, 본 발명의 상기 제1단계 내지 제4단계는 실시간으로 피드백될 수 있다.
예를 들어, 개별 훈련 대상자의 디지털 트윈을 통해서 실제 훈련 대상자의 훈련, 경기 등에 앞서서 전산 시뮬레이션 상 가장 효과적인 훈련 방식 등의 정보들을 확인하고 제공할 수 있다.
이러한 정보들(특히, 경기력 향상을 위하여 훈련 대상자가 변화시켜야 할 경기 정보 데이터, 훈련 정보 데이터 등)은 훈련 대상자, 훈련 대상자의 보호자 및 훈련 대상자의 코치 등에 제공될 수 있다.
정보의 제공은 훈련 대상자, 훈련 대상자의 보호자 및 훈련 대상자의 코치 등의 다양한 사용자 디바이스를 통해서 이루어질 수 있다.
예를 들어, 훈련 대상자가 휴대하거나 장착하고 있는 사용자 디바이스를 통해서 실시간으로 정보가 제공되고, 정보를 제공받은 훈련 대상자가 이러한 정보를 기반으로 경기력 향상을 위하여 경기 및 훈련 내용에 변화를 준 경우, 이러한 변화에 따른 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나는 사물인터넷에 의해서 실시간으로 수집되어 훈련 대상자의 디지털 트윈에 반영된다.
실시간 변동 사항이 반영된 디지털 트윈에 대해서는 또한 실시간으로 전산상의 시뮬레이션이 이루어지고, 전산상의 시뮬레이션에 의한 결과들은 다시 실시간으로 련 대상자, 훈련 대상자의 보호자 및 훈련 대상자의 코치 등에 피드백된다.
또한, 본 발명의 상기 제1단계 내지 제4단계에 있어서 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나는 상기 훈련 대상자 개인별로 가중치를 달리할 수 있다. 이를 통하여 경기력 향상이 가능하다.
한편, 상기 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 경기 훈련용 모의 장치, 체력 훈련장, 경기력 훈련장, 훈련 트랙 및 경기 트랙 중 어느 하나 이상을 사용하여 획득될 수 있다.
특히, 상기 경기 훈련용 모의 장치는 가상 현실을 구현하기 위한 가상 현실 구현부를 포함하는 썰매 스포츠 훈련용 모의 장치일 수 있다.
상기 경기 훈련용 모의 장치는 현실 구현부 외에도 챔버, 발판 시뮬레이터, 썰매 시뮬레이터, 데이터 취득부 및 모니터링부 등를 포함하여 구성될 수 있다.
상기 챔버는 한명 이상의 훈련 대상자의 출입이 가능하며, 내부의 공기 압력 제어가 가능하고, 또한, 산소 등의 기체 함량 제어 역시 가능함으로써, 저압, 저산소 분위기의 고지대 환경의 구현이 가능한 것이 바람직하다.
발판 시뮬레이터는 챔버의 내부 바닥에 설치되며, 훈련 대상자의 걷기, 달리기 등의 움직임에 의해 동력을 제공받는 트레드밀 형태로 형성될 수 있다.
썰매 시뮬레이터는 훈련 대상자가 발판 시뮬레이터 위에서 달리다가 이에 탑승할 수 있도록 형성 및 위치할 수 있다. 또한, 실전훈련과의 유사성을 높이기 위해 실제 썰매와 최대한 유사한 형상으로 형성되는 것이 바람직하다.
가상현실 구현부는 훈련 대상자가 모의훈련을 수행할 때, 임의의 가상현실을 체험할 수 있도록 이를 구현하기 위한 것으로, 경기장의 환경과 동일하게 3D 모델 구현이 가능하다. 보다 구체적으로 가상현실 구현부는 영상 제공부와 모션 제어부를 포함하여 구성될 수 있다.
영상 제공부는 훈련 대상자가 착용하는 헬멧에 장착될 수 있는 가상현실(Virtual Reality, VR) 기어 등의 웨어러블 기기 형태로 형성되며, 파노라마 비디오 기반의 가상현실 컨텐츠 통해 훈련 대상자에게 영상을 제공하기 위한 것으로, 이를 통해 훈련 대상자가 가상현실을 체험할 수 있도록 한다.
모션 제어부는 영상 제공부와 연동되어 훈련 대상자가 영상으로 체험하고 있는 경기장의 조건에 맞춰 훈련 대상자 및 썰매 시뮬레이터에 진동을 제공하기 위한 것으로, 훈련 대상자의 신체또는 신체 일부에 진동을 제공할 수 있으며, 이를 통해 슬라이딩 트랙의 표면 조건에 따른 슬라이딩 변화 효과를 반응형으로 구현할 수 있게 된다.
또한, 모션 제어부는 썰매 시뮬레이터의 모션을 6-자유도 모션 플랫폼 기술 등을 통해 제어하는 것도 가능함으로써, 실감성, 운동공간 구현, 반응성, 사실적 몰입감 등을 극대화한 인터랙티브 컨텐츠의 구현이 가능하도록 할 수 있다.
데이터 취득부는 데이터를 실시간으로 취득하기 위한 것으로, 훈련 대상자, 발판 시뮬레이터 및 썰매 시뮬레이터에 각각 직간접적으로 부착되는 복수 개의 센서와 챔버의 내부 상측에 설치되는 카메라를 포함하여 구성될 수 있다. 복수 개의 센서에는 웨어러블센서, 바이오센서, 힘센서, 압력센서 및 관성측정장치(Inertial Measurement Unit, IMU) 센서 중 어느 하나 이상의 센서가 포함될 수 있다.
지금까지 설명한 본 발명은 빅데이터와 인공지능을 활용하여 훈련 대상자의 디지털 트윈을 제공하고 디지털 트윈에 다양한 전산 시뮬레이션을 수행한 경기력 상태의 변화 결과를 바탕으로 경기력 향상을 위하여 훈련 대상자가 변화시켜야 할 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공하는 경기력 향상 방법으로 디지털 트윈을 활용한 인공지능을 기반의 빅데이터 분석 및 전산 시뮬레이션을 통해 실제 훈련 대상자에게 경기력 향상을 위한 체계적인 특화 훈련 및 코칭이 가능하다.
또한, 인재 발굴 및 꿈나무 육성의 활성화, 생활체육화에 본 발명의 경기력 향상 방법을 통한 경기력 향상을 제공하고자 하고, 특히, 동계 스포츠 중 썰매 스포츠의 훈련 대상자에 대한 경기력을 향상시킬 것으로 기대된다.
본 발명인 경기력 향상 방법의 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 당업자가 본 발명을 용이하게 실시할 수 있도록 하는 바람직한 실시 예일 뿐, 전술한 실시예에 한정되는 것은 아니므로 이로 인해 본 발명의 권리범위가 한정되는 것은 아니다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다. 또한, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하다는 것이 당업자에게 있어 명백할 것이며, 당업자에 의해 용이하게 변경 가능한 부분도 본 발명의 권리범위에 포함됨은 자명하다.
Claims (14)
- 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 통해 수집하여 데이터 저장 서버에 저장하는 제1단계;
상기 훈련 대상자와 동일한 종목의 불특정 다수의 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상이 포함된 빅데이터 기반의 데이터 베이스를 데이터 베이스 서버로부터 수신하고, 상기 제1단계에서 상기 데이터 저장 서버에 수집된 상기 훈련 대상자의 경기 정보 데이터 및 훈련 정보 테이터 중 어느 하나 이상과 비교하여, 전산 시뮬레이션이 가능한 상기 훈련 대상자의 경기력의 현재 상태에 해당하는 디지털 트윈을 제공하는 제2단계;
상기 디지털 트윈에 상기 경기 정보 데이터 및 상기 훈련 정보 데이터 중 어느 하나 이상을 변화시키는 상기 전산 시뮬레이션을 실시하여, 상기 경기 정보 데이터 및 상기 훈련 정보 테이터 중 어느 하나 이상의 변화에 따른 상기 훈련 대상자의 경기력 상태의 변화를 예측하는 제3단계; 및
상기 전산 시뮬레이션에 의하여 예측된 경기력 상태의 변화에 기반하여 경기력 상태 향상을 위하여 상기 훈련 대상자가 변화시켜야 할 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 제공하는 제4단계를 포함하고,
상기 경기력 상태 향상의 대상 종목은 썰매 스포츠이며,
상기 경기 정보 데이터는 스타트 정보 데이터 및 주행 정보 데이터이고,
상기 스타트 정보 데이터는 스타트 비디오 데이터, 스타트 랩타임 데이터, 스타트 속도 프로필 데이터 및 탑승 시퀀스 타이밍 데이터이며,
상기 주행 정보 데이터는 주행 구간별 랩타입 정보 데이터, 주행 구간별 속도 프로필 정보 데이터 및 주행 궤적 정보 데이터이고,
상기 훈련 정보 데이터는 체력 훈련 정보 데이터 및 기술 훈련 정보 데이터이며,
상기 체력 훈련 정보 데이터는 근력 훈련 정보 데이터, 심폐 지구력 훈련 정보 데이터, 민첩성 훈련 정보 데이터 및 균형 감각 훈련 정보 데이터 중 어느 하나 이상이고,
상기 기술 훈련 정보 데이터는 스타트 훈련 정보 데이터, 주행 훈련 정보 데이터, 협응 훈련 정보 데이터 및 심리 훈련 정보 데이터인,
경기력 향상 방법. - 제1항에 있어서,
상기 제2단계 및 상기 제3단계 중 어느 한 단계 이상은 머신러닝된 인공지능에 의해서 수행되는 것을 특징으로 하는,
경기력 향상 방법. - 제1항에 있어서,
상기 제1단계 내지 제4단계는 실시간으로 피드백되는 것을 특징으로 하는,
경기력 향상 방법. - 삭제
- 제1항에 있어서,
상기 썰매 스포츠는 봅슬레이 또는 스켈레톤인 것을 특징으로 하는,
경기력 향상 방법. - 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 상기 훈련 대상자 개인별로 가중치를 달리할 수 있는 것을 특징으로 하는,
경기력 향상 방법. - 제1항에 있어서,
상기 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 경기 훈련용 모의 장치, 체력 훈련장, 경기력 훈련장, 훈련 트랙 및 경기 트랙 중 어느 하나 이상을 사용하여 획득되는 것을 특징으로 하는,
경기력 향상 방법. - 제11항에 있어서,
상기 경기 훈련용 모의 장치는 가상 현실을 구현하기 위한 가상 현실 구현부를 포함하는 썰매 스포츠 훈련용 모의 장치인 것을 특징으로 하는,
경기력 향상 방법. - 제1항에 있어서,
상기 데이터 수집 기기는 사물 인터넷(IoT) 단말 및 영상 기기 중 어느 하나 이상인 것을 특징으로 하는,
경기력 향상 방법. - 제13항에 있어서,
상기 사물 인터넷 단말은 사용자가 휴대하거나 훈련 대상자에게 장착되어 상기 훈련 대상자의 상기 경기 정보 데이터 및 상기 훈련 정보 데이터 중 어느 하나 이상을 수집하는 것을 특징으로 하는,
경기력 향상 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200003554A KR102382224B1 (ko) | 2020-01-10 | 2020-01-10 | 인공 지능을 이용한 경기력 향상 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200003554A KR102382224B1 (ko) | 2020-01-10 | 2020-01-10 | 인공 지능을 이용한 경기력 향상 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210090385A KR20210090385A (ko) | 2021-07-20 |
| KR102382224B1 true KR102382224B1 (ko) | 2022-04-05 |
Family
ID=77127448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200003554A KR102382224B1 (ko) | 2020-01-10 | 2020-01-10 | 인공 지능을 이용한 경기력 향상 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102382224B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102637528B1 (ko) | 2021-08-11 | 2024-02-20 | 한국정보공학 주식회사 | 경기력 향상 방법 및 서비스 플랫폼 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102031894B1 (ko) * | 2018-10-04 | 2019-11-08 | 은승표 | 투구 기전 평가 방법 및 장치 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100979198B1 (ko) * | 2008-03-26 | 2010-08-31 | (주) 플레이볼 | 경기내용 분석 및 경기력 향상을 위한 시뮬레이션 시스템및 방법 |
| KR101350181B1 (ko) * | 2012-03-02 | 2014-01-10 | 전북대학교산학협력단 | 봅슬레이 시뮬레이터 및 그에 따른 제어방법 |
| KR101532644B1 (ko) * | 2013-10-30 | 2015-06-30 | 박종준 | 스포츠 적합성 분석 방법 |
| KR101865137B1 (ko) | 2017-06-05 | 2018-06-05 | 진동열 | 연습용 봅슬레이 |
| KR20190104674A (ko) * | 2018-03-02 | 2019-09-11 | (주)위드라인 | 엘리트 운동선수의 유전자 분석과 체력 측정 데이터베이스를 기반으로 한 사용자 운동 정보 서비스 방법 및 시스템 |
-
2020
- 2020-01-10 KR KR1020200003554A patent/KR102382224B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102031894B1 (ko) * | 2018-10-04 | 2019-11-08 | 은승표 | 투구 기전 평가 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210090385A (ko) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fister Jr et al. | Computational intelligence in sports: challenges and opportunities within a new research domain | |
| CN102213957A (zh) | 一种提供虚拟私人运动教练的控制方法、控制装置及系统 | |
| CN108369646A (zh) | 多传感器事件检测和标记系统 | |
| CN105849672A (zh) | 由运动移动属性计算步伐和能量消耗 | |
| Dhanke et al. | Recurrent neural model to analyze the effect of physical training and treatment in relation to sports injuries | |
| CN102218212A (zh) | 一种虚拟私人运动教练装置及服务系统 | |
| Miah et al. | Mhfit: Mobile health data for predicting athletics fitness using machine learning models | |
| CN107688827A (zh) | 一种基于用户日常行为特征的用户身份属性预测方法 | |
| KR102382224B1 (ko) | 인공 지능을 이용한 경기력 향상 방법 | |
| CN115964933A (zh) | 基于数字孪生的虚实训练装置构建方法 | |
| CN113542378A (zh) | 面向远程康复服务的交互式运动训练方法、装置、计算机设备和存储介质 | |
| Wang | Acute teaching method of college physical skills based on mobile intelligent terminal | |
| Nalbant et al. | Literature review on the relationship between artificial intelligence technologies with digital sports marketing and sports management | |
| Navandar et al. | Modernizing sports an intelligent strategy for entertainment through internet of things in sports | |
| Zhou et al. | Hybrid neural network-based exploration on the influence of continuous sensor data for the balancing ability of aerobics students | |
| Zhang | Application Analysis of Badminton Intelligence based on Knowledge Graphs | |
| CN113457108B (zh) | 一种基于认知表征的运动成绩提高方法和装置 | |
| Rauter et al. | How to deal with sports activity datasets for data mining and analysis: Some tips and future challenges | |
| KR102637528B1 (ko) | 경기력 향상 방법 및 서비스 플랫폼 | |
| Song | [Retracted] Basketball Technology Simulation Application Based on Virtual Reality | |
| KR102230766B1 (ko) | 경기력 향상을 위한 썰매 스포츠 훈련용 통합 지원 방법 및 모의 장치 | |
| Alvim et al. | Towards a mobile system with a new wearable device and an AI application for walking and running activities | |
| CN113343774A (zh) | 一种细粒度的工程力学跳水动作模拟与评估方法 | |
| YAN | The Impact of Artificial Intelligence on Sports | |
| KR20240030318A (ko) | 에지 컴퓨팅 기반의 경기력 향상 방법 및 서비스 플랫폼 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |