KR102637528B1 - 경기력 향상 방법 및 서비스 플랫폼 - Google Patents

Abstract

본 발명은 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 통해 수집하여 데이터 저장 서버에 저장하는 제1 단계; 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상과 훈련 대상자의 경기력의 상관 관계를 분석하는 제2 단계; 및 상기 상관 관계에 따라 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 가중치를 부여하여 경기력 향상 기초 데이터를 추출하는 제3 단계;를 포함하는 경기력 향상 방법 및 서비스 플랫폼에 관한 것이다.

Description

경기력 향상 방법 및 서비스 플랫폼{Method and service platform for performance improvement}

본 발명은 훈련 대상자의 경기력 향상을 위한 기술에 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.

대한민국 공개특허공보 제10-2021-0090385호

이에 본 발명의 기술적 과제는 이러한 점에 착안한 것으로, 본 발명의 목적은 경기 정보 데이터, 훈련 정보 데이터 등의 경기력 향상 데이터를 인공지능을 통해서 분석하여 훈련 대상자에게 제공함으로써, 훈련 대상자의 경기력을 향상시키는 경기력 향상 방법 및 서비스 플랫폼을 제공하는 것이다.

본 발명의 경기력 향상 방법 및 서비스 플랫폼은 훈련 대상자에게 경기력 향상을 위한 체계적인 특화 훈련 및 코칭이 가능하다.

또한, 인재 발굴 및 꿈나무 육성의 활성화, 생활체육화에 본 발명의 경기력 향상 방법 및 서비스 플랫폼을 통한 경기력 향상을 제공하고자 하고, 특히, 동계 스포츠 중 썰매 스포츠의 훈련 대상자에 대한 경기력을 향상시키는데 목적이 있다.

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 제1 단계;

상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상과 훈련 대상자의 경기력의 상관 관계를 분석하는 제2 단계; 및

상기 상관 관계에 따라 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 가중치를 부여하여 경기력 향상 기초 데이터를 추출하는 제3 단계;를 포함하는

경기력 향상 방법을 제공한다.

본원의 다른 측면은, 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 수집하여 전처리하고, 변환하여 저장하는 데이터 수집 모듈;

상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상과 훈련 대상자의 경기력의 상관 관계를 분석하는 상관 관계 분석 모듈; 및

상기 상관 관계에 따라 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 가중치를 부여하여 경기력 향상 기초 데이터를 추출하는 경기력 향상 데이터 추출 모듈;을 포함하는,

경기력 향상 서비스 플랫폼을 제공한다.

본 발명은 경기력 향상을 위한 것으로, 특히 동계 스포츠 중 썰매 스포츠의 훈련 대상자의 경기력을 향상시키기 위한 것이다.

본 발명의 경기력 향상 방법은 인공지능 기반의 분석을 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.

도 1은 본원의 일 구현예에 따른 데이터이다.
도 2는 본원의 일 구현예에 데이터와 경기력의 상관 관계 분석 결과이다.
도 3은 본원의 일 구현예에 따른 경기력 향상 서비스 플랫폼의 개략적인 구성도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 또는 "포함하는(comprising)"은 언급된 구성요소 또는 단계가 하나 이상의 다른 구성요소 또는 단계의 존재 또는 추가를 배제하지 않는다는 의미를 내포한다.

또한, 본원 명세서 전체에서, "~ 하는 단계" 또는 "~의 단계"는 "~를 위한 단계"를 의미하지 않는다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 해석될 수 있다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

본원의 일 측면에 따른 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 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상과 훈련 대상자의 경기력의 상관 관계를 분석하는 제2 단계; 및 상기 상관 관계에 따라 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 가중치를 부여하여 경기력 향상 기초 데이터를 추출하는 제3 단계;를 포함할 수 있다.

또한, 상기 경기력 향상 기초 데이터를 경기력 상태 향상을 위하여 훈련 대상자, 훈련 대상자의 보호자 및 훈련 대상자의 코치 등에게 제공하는 제4 단계;를 추가로 포함할 수 있다.

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 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 단말을 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 분석 처리함으로써, 실시간 업데이트 되는 양질의 훈련 대상자 중심의 개인 맞춤형 경기력 향상 정보를 보다 편리하게 제공할 수 있다.

이때, 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]

일 구현예에 있어서, 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 K 폴드 교차 검증(K fold cross validation) 및 계층화 K 폴드 교차 검증(Stratified K fold cross validation) 중 어느 하나 이상을 통해서 검증할 수 있다.

교차 검증은 알고리즘을 학습 시에 모델이 학습 데이터에만 과도하게 최적화되어 실제 예측을 다른 데이터로 수행할 경우에 예측 성능이 과도하게 저하되는 과적합(overfitting)의 문제를 해결하기 위한 것으로, 별도의 여러 세트로 구성된 학습 데이터 세트와 검증 데이터 세트에서 학습과 평가를 수행하는 것이다.

K 폴드 교차 검증은 K개의 데이터 폴드 세트를 만들어서 K번만큼 각 폴드 세트에 학습과 검증 평가를 반복적으로 수행하는 방법이다.

예를 들어, K를 n으로 설정하면 n개의 폴드된 데이트 세트를 학습과 검증을 위한 데이터 세트로 변경하면서 n번 평가를 수행한 뒤, 이 n개의 평가를 평균한 결과를 가지고 예측 성능을 평가할 수 있다.

계층화 K 폴드 교차 검증은 K 폴드 교차 검증이 원본 데이터 집합의 레이블 분포를 학습 및 테스트 세트에 제대로 분배하지 못하는 경우에 사용되는 방식으로, 원본 데이터의 레이블 분포를 먼저 고려한 뒤 이 분포와 동일하게 학습과 검증 데이트 세트를 분배하여, 학습 데이터와 검증 데이터 세트가 가지는 레이블 분포도가 유사하도록 검증 데이터를 추출한다.

특히, 상기 폴드를 나눌 때 데이터를 섞어서 나누어 특정한 경향이 있는 데이터가 만들어지는 것을 배제할 수 있다.

일 구현예에 있어서, 상기 제2단계의 상기 상관 관계는 SGD(Stochastic Gradient Descent) 선형 회귀 알고리즘, Lasso(Least Absolute Shrinkage and Selection Operator) 선형 회귀 알고리즘 및 부스팅 알고리즘을 이용한 앙상블 알고리즘인 XGBoost(Extreme Gradient Boosting) 알고리즘으로 이루어진 군에서 선택된 어느 하나 이상을 통해서 분석될 수 있다.

상기 SGD 선형 회귀 알고리즘 및/또는 Lasso 선형 회귀 알고리즘의 적용 시에는 부가적으로 순열 중요도(Permutation Importance) 알고리즘을 적용할 수 있다.

한 예로, 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 7가지를 임의로 선정하여 경기력 향상에 대한 상관 관계를 SGD 선형 회귀 알고리즘, Lasso 선형 회귀 알고리즘 및 XGBoost 알고리즘으로 각각 분석하였다.

도 1a에 나타낸 바와 상기 7 가지 데이터(도 1a의 index)는 모두 동일한 조건 하에서 10 번 수집한 데이터를 저장하는 방식으로 만들었고, 총 700개의 데이터를 이용하여 분석하였다.

상기 데이터는 단위 없이 숫자로만 구성될 수 있다. 또한, 상기 데이터가 단위를 변환하여 사용할 수 있다. 예를 들어, 경기 기록 데이터의 경우, 분, 초, 마이크로 초 등의 단위를 밀리세컨드 단위로 변환하여 사용할 수 있다.

한 예로, 총 700개의 데이터(도 1b의 record)의 단위를 변환하여 나타낸 그래프를 도 1b에 나타내었다.

먼저, SGD 선형 회귀 알고리즘만을 사용하여 상관 관계를 분석한 결과, 약 69%의 정확도를 얻었으며, 정확도를 향상시키기 위해서 MSE(Mean Squared Error)로 점수를 매긴 Premutation Importance의 importance mean 값을 추가로 적용하여 분석하였다.

도 2a에 나타낸 바와 같이, 5번째 데이터가 경기력 향상과 매우 큰 상관 관계가 있음을 알 수 있었다.

한편, Lasso 선형 회귀 알고리즘을 사용하여 상관 관계를 분석하기 위하여, 모델의 최적화된 하이퍼 파라미터를 도출하기 위해서 LoasoCV를 이용한 하이퍼 파라미터 최적화를 진행할 수 있다.

분석 결과, 약 69%의 정확도를 얻었으며, SGD 선형 회귀 알고리즘과 동일하게 정확도를 향상시키기 위해서 MSE(Mean Squared Error)로 점수를 매긴 Premutation Importance의 importance mean 값을 추가로 적용하여 분석하였다.

도 2b에 나타낸 바와 같이. SGD 선형 회귀 알고리즘의 분석 결과와 마찬가지로 5번째 데이터가 경기력 향상과 매우 큰 상관 관계가 있음을 알 수 있었다.

Lasso 선형 회귀 알고리즘을 사용한 분석 결과는 SGD 선형 회귀 알고리즘의 분석 결과와 유사하지만, 일부 데이터와 경기력 향상의 상관 관계가 상대적으로 조금 더 높게 나올 수 있었다.

따라서, 데이터와 경기력 향상의 상관 관계의 변별력을 높이기 위해서는 SGD선형 회귀 알고리즘과 Lasso선형 회귀 알고리즘을 서로 보완하여 사용할 수 있다.

또한, XGBoost 알고리즘은 부스팅을 이용한 앙상블 알고리즘으로 부스팅 알고리즘은 변수 중요도를 판별하는데 적합한 알고리즘으로 알려져 있고, 이 알고리즘에는 자체적으로 변수 중요도를 도출하는 기능을 탑재하고 있다.

상기 SGD 선형 회귀 알고리즘 및/또는 Lasso 선형 회귀 알고리즘과 달리 상관 관계가 0에서 1 사이의 값을 가지고, 1에 가까울수록 상관 관계가 높아지는 것으로 판단할 수 있다.

XGBoost 알고리즘은 74%의 정확도를 얻었고, 분석 결과는 도 2c에 나타낸 바와 같이 SGD 선형 회귀 알고리즘 및 Lasso 선형 회귀 알고리즘과 마찬가지로 5번째 데이터가 경기력 향상과 매우 큰 상관 관계가 있음을 알 수 있었다.

상기 3가지의 알고리즘을 통해 상관 관계를 분석한 결과, 모든 알고리즘에서 경기력 향상과 가장 상관 관계가 높은 경기 정보 데이터 및/또는 훈련 정보 데이터는 동일하였다.

다만, 각 알고리즘마다 상관 관계에 대한 비중이 달라지는데, 이것을 각 알고리즘의 특성에 기인하는 것으로 보인다.

SGDRegressor 선형 회귀 분석 알고리즘을 기준으로, Lasso 알고리즘은 데이터 사이의 변별력이 높은 방향으로 분석되었고, XGBoost 알고리즘은 반대로 상관 관계가 높은 데이터가 무엇인지를 극명하게 보여주었다.

데이터와 경기력 향상의 상관 관계의 정확도와 변별력을 더 높이기 위해서는 입력 데이터의 범위 등에 대한 규정과 스케일링 등의 전처리를 통하여 입력 데이터의 변형시킬 수 있다.

또한, 입력 데이터의 개수를 늘리거나 K Folds 데이터를 더욱 정교하게 조정함으로써 모델의 정확도를 높일 수 있다.

상기 분석된 상관 관계에 따라서 훈련 대상자의 경기 정보 데이터 및/또는 훈련 정보 데이터 가중치를 부여하여 경기력 향상 기초 데이터를 추출할 수 있다.

즉, 경기력 향상과 상관 관계가 높은 데이터에 대한 가중치는 커지고, 경기력 향상과 상관 관계가 낮은 데이터에 대한 가중치는 낮아질 수 있다.

이러한 가중치의 분석 및 부여는 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.

또한, 상기 가중치는 훈련 대상자의 현재 상태에 따라서 적절하게 선택될 수 있고, 실시간 모니터링된 센서, 영상 정보 등에 의해서 지속적으로 업데이트되는 측정값을 기반으로 실시간으로 변경될 수 있다.

또한, 이러한 가중치의 수정은 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.

한편, 경기력 향상에 가장 도움이 되는 경기력 향상 기초 데이터부터 상위에서 하위로 순위를 부여하여 추출할 수도 있다.

일 구현예에 있어서, 상기 제2단계 및 상기 제3단계 중 어느 한 단계 이상은 머신러닝된 인공지능에 의해서 수행될 수 있다.

예를 들어, 상술한 복수 개의 경기력 향상을 위한 알고리즘을 선택하여 훈련시킬 수 있는데. 다수의 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 입력으로 설정하고 훈련시켜서 가장 정확한 경기력 분석 및 예측에 대한 확률값을 적용시킬 수 있다.

한 예로, 훈련 대상자들의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 대한 입력 노드를 인공지능 신경망의 입력층으로 지정하여 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.

본 발명에서는 사물인터넷(IoT), 영상 장치 등을 통하여 수집된 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상이 빅데이터 서비스 플랫폼을 통하여 정제되고 반영될 수 있다.

훈련 대상자의 경기력 이상 징후를 판별하거나, 경기력 개선 요소를 발굴하여 훈련 대상자에 반영하는 등의 순환 과정을 거치게 된다.

또한, 실시간 피드백 및 모니터링이 가능해지므로 신속한 대응을 비롯하여 선제적 대응이 가능해 질 수 있다.

따라서, 본 발명의 상기 제1단계 내지 제4단계 중 중 어느 한 단계 이상은 실시간으로 피드백될 수 있다.

예를 들어, 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 반영될 수 있다.

실시간 변동 사항이 반영된 결과들은 다시 실시간으로 훈련 대상자, 훈련 대상자의 보호자 및 훈련 대상자의 코치 등에 피드백된다.

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 서비스 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.

일 구현예에 있어서, 상기 경기력 향상 방법은 보완 데이터를 수집하여 데이터 저장 서버에 저장하는 단계; 상기 보완 데이터로부터 경기력 향상 보완 데이터를 추출하는 단계; 및 상기 경기력 향상 보완 데이터를 경기력 상태 향상을 위하여 상기 훈련 대상자에게 제공하는 단계;를 추가로 포함할 수 있다.

상기 경기력 향상 보완 데이터의 추출도 상기 경기력 향상 기초 데이터의 추출과 같이 훈련 대상자의 경기력의 상관 관계를 분석하여 추출할 수 있다.

상기 보완 데이터는 훈련 대상자 이력 데이터, 학술 정보 데이터, 경쟁 선수 훈련 정보 데이터, 경쟁 선수 경기 정보 데이터, 이종 종목 훈련 정보 데이터, 이종 종목 경기 정보 데이터 및 전문가 조언 데이터로 이루어진 군에서 선택되는 어느 하나 이상일 수 있다.

한 예로 상기 훈련 대상자 이력 데이터는 상기 훈련 대상자의 부상 이력, 재활 이력 등을 포함할 수 있다.

또한, 상기 학술 정보 데이터는 논문, 세미나 등을 통해서 얻을 수 있는 데이터일 수 있고, 경쟁 선수 훈련 정보 데이터 및 경기 정보 데이터는 국, 내외의 경쟁 선수의 훈련 정보 데이터 및 경기 정보 데이터일 수 있다.

한편, 이종 종목 훈련 정보 데이터 및 경기 정보 데이터는 훈련 대상자의 종목은 아니지만 유사한 환경에서 경기가 진행되거나, 훈련 대상자의 종목과 동일 또는 유사한 운동 능력을 필요로 하는 이종 종목의 데이터일 수 있다.

예를 들어, 훈련 대상자의 종목이 썰매 스포츠인 경우, 이종 종목은 스키, 스케이트 등 동계 스포츠 종목일 수 있으나 이에 제한되는 것은 아니다.

상기 전문가 조언 데이터는 훈련 대상자의 종목 관련 코치, 감독 및 전문가 등의 훈련 대상자에 대한 경기력 향상을 위한 조언을 데이터화한 것일 수 있다.

또한, 상기 경기력 향상 보완 데이터의 추가는 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.

상기 경기력 향상 보완 데이터와 상기 경기력 향상 기초 데이터 간에는 가중치가 부여되지 않을 수 있다.

즉, 상기 경기력 향상 보완 데이터와 상기 경기력 향상 기초 데이터는 동일한 정도의 중요성을 가지는 것으로 취급될 수 있다.

상기 보완 경기력 향상 데이터와 상기 기초 경기력 향상 데이터를 통합하여 훈련 대상자에게 제공할 수 있고, 이러한 통합은 딥러닝 알고리즘에 의한 학습을 통해서 자동으로 이루어질 수 있고, 지속적으로 업데이트될 수 있다.

일 구현예에 있어서, 상기 경기력 향상의 대상 종목은 썰매 스포츠일 수 있고, 특히 봅슬레이 또는 스켈레톤일 수 있다.

도출된 경기력 향상 기초 및/또는 보완 데이터를 실제 훈련 대상자의 경기력 향상과 일치하는 정도를 실증 및 향상시키기 위해서, 다양한 환경 및 시간대 등에서의 경기력 향상 기초 데이터 및 보완 데이터 상황의 학습 데이터를 생성하고 지속적으로 업데이트시키면서 기계 학습(machine learning)시키고 분석하여 분석의 정확도를 향상시킬 수 있다.

본원의 다른 측면에 따른 경기력 향상 서비스 플랫폼은 도 3에 나타낸 바와 같이, 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 수집하여 전처리하고, 변환하여 저장하는 데이터 수집 모듈 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상과 훈련 대상자의 경기력의 상관 관계를 분석하는 상관 관계 분석 모듈 및 상기 상관 관계에 따라 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 가중치를 부여하여 경기력 향상 기초 데이터를 추출하는 경기력 향상 기초 데이터 추출 모듈을 포함할 수 있다.

데이터 수집 모듈, 상관 관계 분석 모듈 및 경기력 향상 기초 데이터 추출 모듈은 각각 물리적으로 분리되어 있는 것으로 도시되어 있으나, 이는 일 실시 예일 뿐, 본 발명은 이에 한정되지 않는다. 예컨대, 데이터 수집 모듈, 상관 관계 분석 모듈 및 경기력 향상 기초 데이터 추출 모듈의 기능들이 하나의 하드웨어 시스템으로 통합되어 구현될 수도 있다.

한편, 상기 경기력 향상 서비스 플랫폼은 통합 연동 장치를 통해 다양한 센서에 액세스하거나, 제어 신호를 전송할 수 있다.

상기 데이터 수집 모듈은 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 통해서 수집하여 저장할 수 있다.

이때, 데이터 수집 모듈은 통합 연동 장치로부터 수신된 데이터를 수집 및 저장하고, 분석의 목적에 따라 유효성을 분석하고, 정형화된 데이터로 변환하여 저장할 수 있다.

또한, 경기 정보 데이터 및 훈련 정보 데이터는 훈련 대상자나 훈련 대상자가 이용하는 훈련 기구에 부착된 적어도 하나의 센서에 의해 무선 통신을 통해 전달될 수 있다.

또한, 미디어/영상 기반 데이터는 원천 데이터인 미디어/영상으로부터 전처리되어 정형화된 데이터가 별도의 무선 인터넷 망을 통해 전송된 것일 수 있다

일 구현예에 있어서, 상기 경기력 향상 서비스 플랫폼은 보완 데이터를 수집하여 수집하여 전처리하고, 변환하여 저장하는 보완 데이터 수집 모듈 및 보완 데이터로부터 경기력 향상 보완 데이터를 추출하는 경기력 향상 보완 데이터 추출 모듈을 추가로 포함할 수 있다.

상기 경기력 향상 보완 데이터 추출 모듈은 보완 데이터와 훈련 대상자의 경기력 향상 사이의 상관 관계를 분석하여 예를 들어, 경기력 향상에 가장 도움이 되는 보완 데이터부터 상위에서 하위로 순위를 부여하여, 경기력 향상 보완 데이터를 추출할 수 있다.

한편, 상기 경기력 향상 기초 데이터 추출 모듈을 통해서 추출된 경기력 향상 기초 데이터 및 상기 경기력 향상 보완 데이터 추출 모듈을 통해서 추출된 경기력 향상 보완 데이터는 함께 또는 각각 가시화하여 훈련 대상자 및 관계자들에게 제공할 수 있다

즉, 경기력 향상 서비스 플랫폼은, 경기력 향상 기초 및/또는 보완 데이터를 기반으로 하는 서비스를 웹 페이지 또는 어플리케이션을 통해 사용자에게 제공할 수 있다.

또한, 경기력 향상 서비스 플랫폼은, 경기력 향상 기초 및 또는 보완 데이터에 대한 판단과 사용자의 판단을 비교 분석하여 효과를 검증하고, 효율적인 실증을 위해 사용자(훈련 대상자 등)의 상황에 따라 차별화된 경기력 향상 콘텐츠가 제공되며, 사용자 정보와 연동된 관리 권한에 따른 경기력 향상 제안 서비스를 제공할 수 있다.

이때, 경기력 향상 서비스 플랫폼은, 훈련 대상자의 경기력을 현재 시각을 기준으로 과거 경기력 및 미래 예측 경기력과 함께 제공할 수 있다.

이때, 사용자의 경기력은 사용자의 설정에 따라, 일 단위, 주 단위 또는 월 단위로 그 변화 추이가 제공될 수 있다.

상기 경기력 향상 서비스 플랫폼의 구성 요소들 각각은 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템에서 구현될 수 있다.

컴퓨터 시스템은 버스를 통하여 서로 통신하는 하나 이상의 프로세서, 메모리, 사용자 인터페이스 입력 장치, 사용자 인터페이스 출력 장치 및 스토리지를 포함할 수 있다.

또한, 컴퓨터 시스템은 네트워크에 연결되는 네트워크 인터페이스를 더 포함할 수 있다. 프로세서는 중앙 처리 장치 또는 메모리나 스토리지에 저장된 프로그램 또는 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리 및 스토리지는 휘발성 매체, 비휘발성 매체, 분리형 매체, 비분리형 매체, 통신 매체, 또는 정보 전달 매체 중에서 적어도 하나 이상을 포함하는 저장 매체일 수 있다. 예를 들어, 메모리는 ROM이나 RAM을 포함할 수 있다.

이상에서 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (9)

1. 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 통해 수집하여 데이터 저장 서버에 저장하는 제1 단계;
   상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상과 훈련 대상자의 경기력의 상관 관계를 분석하는 제2 단계; 및
   상기 상관 관계에 따라 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 가중치를 부여하여 경기력 향상 기초 데이터를 추출하는 제3 단계;를 포함하고,
   상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 K 폴드 교차 검증(K fold cross validation) 및 계층화 K 폴드 교차 검증(Stratified K fold cross validation) 중 어느 하나 이상을 통해서 검증되는,
   경기력 향상 방법.
2. 상기 제2단계의 상기 상관 관계는 SGD(Stochastic Gradient Descent) 선형 회귀 알고리즘, Lasso(Least Absolute Shrinkage and Selection Operator) 선형 회귀 알고리즘 및 XGBoost(Extreme Gradient Boosting) 알고리즘으로 이루어진 군에서 선택된 어느 하나 이상을 통해서 분석되는,
   경기력 향상 방법.
3. 제1항에 있어서,
   상기 제2단계 및 상기 제3단계 중 어느 한 단계 이상은 머신러닝된 인공지능에 의해서 수행되는 것을 특징으로 하는,
   경기력 향상 방법.
4. 제1항에 있어서,
   보완 데이터를 수집하여 데이터 저장 서버에 저장하는 단계; 및
   보완 데이터로부터 경기력 향상 보완 데이터를 추출하는 단계;를 추가로 포함하는,
   경기력 향상 방법.
5. 제4항에 있어서,
   상기 보완 데이터는 훈련 대상자 이력 데이터, 학술 정보 데이터, 경쟁 선수 훈련 정보 데이터, 경쟁 선수 경기 정보 데이터, 이종 종목 훈련 정보 데이터, 이종 종목 경기 정보 데이터 및 전문가 조언 데이터로 이루어진 군에서 선택되는 어느 하나 이상인,
   경기력 향상 방법.
6. 제1항에 있어서,
   상기 경기력 향상의 대상 종목은 썰매 스포츠인 것을 특징으로 하는,
   경기력 향상 방법.
7. 제6항에 있어서,
   상기 썰매 스포츠는 봅슬레이 또는 스켈레톤인 것을 특징으로 하는,
   경기력 향상 방법.
8. 훈련 대상자의 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상을 데이터 수집 기기를 수집하여 전처리하고, 변환하여 저장하는 데이터 수집 모듈;
   상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상과 훈련 대상자의 경기력의 상관 관계를 분석하는 상관 관계 분석 모듈; 및
   상기 상관 관계에 따라 상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상에 가중치를 부여하여 경기력 향상 기초 데이터를 추출하는 경기력 향상 기초 데이터 추출 모듈;을 포함하고,
   상기 경기 정보 데이터 및 훈련 정보 데이터 중 어느 하나 이상은 K 폴드 교차 검증(K fold cross validation) 및 계층화 K 폴드 교차 검증(Stratified K fold cross validation) 중 어느 하나 이상을 통해서 검증되는,
   경기력 향상 서비스 플랫폼.
9. 제8항에 있어서,
   보완 데이터를 수집하여 수집하여 전처리하고, 변환하여 저장하는 보완 데이터 수집 모듈; 및
   보완 데이터로부터 경기력 향상 보완 데이터를 추출하는 경기력 향상 보완 데이터 추출 모듈;을 추가로 포함하는,
   경기력 향상 서비스 플랫폼.