WO2021187958A1

WO2021187958A1 - 스포츠 플레이어 평가 방법들, 장치들 및 시스템들

Info

Publication number: WO2021187958A1
Application number: PCT/KR2021/003461
Authority: WO
Inventors: 김현성; 윤진성; 오수영; 김기현; 김상혁; 김태륭
Original assignee: 주식회사 핏투게더
Priority date: 2020-03-19
Filing date: 2021-03-19
Publication date: 2021-09-23
Also published as: US20240100392A1; KR102364753B1; US11839794B2; KR20210117991A; US20210291018A1; EP3882832A1

Abstract

본 발명은 스포츠 플레이어 평가 방법 및 이를 수행하는 시스템 및 장치에 관한 것으로, 본 발명에 의하면 복수의 참가자에 대한 위치 데이터를 획득하는 단계; 다른 스포츠 참가자의 위치 데이터에 기초하여 특정 스포츠 참가자의 기준 위치를 계산하는 단계; 상기 기준 위치를 고려한 상기 특정 참가자에 대한 위치 데이터로부터 상기 특정 참가자의 상대 위치 데이터를 생성하는 단계; 상기 상대 위치 데이터에 기초하여 상기 특정 참가자의 히트맵 데이터를 생성하는 단계; 및 상기 특정 참가자에 대한 퍼포먼스 지표를 계산하는 단계;를 포함하는 스포츠 플레이어 평가 방법이 제공될 수 있다.

Description

스포츠 플레이어 평가 방법들, 장치들 및 시스템들

본 건은 일반적으로는 스포츠 분석 분야에 관한 것으로, 보다 상세하되 비제한적으로는, 전자 퍼포먼스 트래킹 시스템(EPTS: Electronic Performance Tracking System) 데이터를 이용하여 스포츠 플레이어를 평가하는 기술들에 관한 것이다.

최근 스포츠 산업 시장의 규모가 폭발적으로 성장함에 따라 스포츠 플레이어의 육성, 발굴, 영입, 관리, 경기 전술 수립, 훈련 방침 설정 등과 같은 경기 외적인 영역에서 이루어지는 부대 활동의 중요성이 점차 증대되고 있다.

스포츠 플레이어에 대한 평가나 분석은 상술한 다양한 활동들에서 가장 중요하게 고려되는 필수 자료로서, 최근 스포츠 과학의 발전 및 축구나 농구, 미식 축구와 같은 메이저 스포츠 종목을 중심으로 이루어지고 있는 EPTS의 도입에 따라 스포츠 플레이어에 대한 평가와 분석의 활용이 스포츠 플레이어의 경기력 향상이나 스포츠 구단의 가치 증대에 직결되는 사례를 통해 그 중요성이 증명됨에 따라, 이에 대한 시장 요청 역시 커지고 있다.

그러나, 기존의 스포츠 산업 분야에서 스포츠 플레이어에 대한 평가나 분석은 대부분 코치진, 스카우터이나 스포츠 분석관 같은 사람의 관찰과 직관에만 의존하는 형태로 이루어져왔기 때문에 그 기준이 모호하고 결과에 대한 객관성이 담보되기 어려운 문제점이 존재해왔다.

본 발명이 해결하고자 하는 일 과제는, 스포츠 경기 내에서 스포츠 플레이어의 활동(activity)를 분석하여 객관적으로 스포츠 플레이어를 평가하는 방법들, 장치들 및 시스템들을 제공하는 것이다.

본 발명이 해결하고자 하는 일 과제는, 스포츠 플레이어의 플레이 성향을 파악할 수 있는 스포츠 플레이어 평가 방법들, 장치들 및 시스템들을 제공하는 것이다.

본 발명이 해결하고자 하는 일 과제는, 스포츠 플레이어들 간의 비교가 가능한 평가 지표를 갖는 스포츠 플레이어 평가 방법들, 장치들 및 시스템들을 제공하는 것이다.

이상의 기재는 예시적인 것으로 본 발명이 해결하고자 하는 과제가 이로 한정되는 것은 아니다.

본 발명의 일 양상에 따르면, 스포츠 플레이어를 평가하는 방법에 있어서, 복수의 스포츠 참여자에 대한 위치 데이터 - 상기 위치 데이터는 스포츠 경기 동안 경기장 내의 상기 스포츠 참여자의 위치를 나타냄 - 를 획득하는 단계; 다른 스포츠 참여자의 위치 데이터에 기초하여 특정 스포츠 참여자에 대한 기준 위치를 계산하는 단계; 상기 기준 위치를 고려한 상기 특정 참여자에 대한 위치 데이터로부터 상기 특정 참여자의 상대 위치 데이터를 생성하는 단계; 상기 특정 참여자의 상대 위치 히트맵 - 상기 상대 위치 히트맵은 상기 게임 플레이 동안의 상기 참여자의 상대 위치의 공간 점유의 빈도를 반영함 -상에 관한 상기 특정 참여자의 히트맵 데이터를 생성하는 단계; 및 상기 특정 참여자에 대한 상기 히트맵 데이터로부터 상기 특정 참여자의 퍼포먼스 지표를 계산하는 단계; 를 포함하되, 상기 퍼포먼스 지표는 상기 특정 참여자와 동일한 스포츠를 플레이하는 복수의 선수에 대한 복수의 히트맵 데이터의 주성분에 따른 상기 특정 참여자의 히트맵 데이터의 가중치(weight-value)를 나타내는 것인, 스포츠 플레이어를 평가하는 방법이 제공될 수 있다.

본 발명의 다른 양상에 따르면, 멀티 히트맵 분석을 이용하여 스포츠 플레이어를 평가하는 방법에 있어서, 스포츠 경기 동안 경기장 내의 스포츠 참여자의 위치를 나타내는 위치 데이터를 획득하는 단계; 동적 데이터를 획득하는 단계;로서, 상기 동적 데이터는 상기 스포츠 참여자의 속도, 가속도 및 저크(Jerk)를 각각 나타내는 속도 데이터, 가속도 데이터 및 저크(Jerk)데이터 중 적어도 어느 하나를 포함하며, 경기 동안 상기 스포츠 참여자의 위치의 공간 점유의 빈도를 반영하는 위치 히트맵에 대한 제1 히트맵 데이터를 생성하는 단계; 상기 경기 동안 스포츠 참여자의 속도, 가속도 및 저크 중 하나의 빈도 분포를 반영하는 동적 히트맵에 대한 제2 히트맵 데이터를 생성하는 단계; 제1 히트맵 및 제2 히트맵 데이터로부터 퍼포먼스 지표 - 상기 퍼포먼스 지표는 상기 스포츠 참여자와 동일한 스포츠를 플레이하는 복수의 선수에 대한 복수의 제1 히트맵의 제1 주성분에 대응하는 상기 스포츠 참여자의 제1 히트맵 데이터의 가중치(weight- value)를 반영하는 제1 퍼포먼스 지표 및 상기 스포츠 참여자와 동일한 스포츠를 플레이하는 복수의 선수에 대한 복수의 제2 히트맵의 제2 주성분에 대응하는 상기 스포츠 참여자의 제2 히트맵 데이터의 가중치를 반영하는 제2 퍼포먼스 지표를 포함함 - 를 계산하는 단계; 및 상기 퍼포먼스 지표에 기초하여 스포츠 참여자를 평가하는 단계;를 포함하는 멀티 히트맵 분석을 이용한 스포츠 플레이어 평가 방법이 제공될 수 있다.

본 발명의 또 다른 양상에 따르면, 선수를 평가하는 방법에 있어서, 스포츠 경기 동안의 스포츠 참여자의 위치를 나타내는 위치 데이터를 획득하는 단계; 상기 스포츠 참여자가 제1 플레이-포지션을 수행함을 나타내는 제1 포지션 식별자 및 상기 스포츠 참여자가 제2 플레이-포지션을 수행함을 나타내는 제2 포지션 식별자를 포함하는 플레이-포지션 정보를 획득하는 단계;로서, 상기 제1 플레이-포지션 및 상기 제2 플레이-포지션은 서로 다르며, 상기 제1 포지션 식별자에 대응하는 상기 위치 데이터의 제1 부분에 기초하여, 상기 제1 플레이-포지션을 수행하는 상기 스포츠 참여자의 위치의 공간 점유의 빈도를 반영하는 제1 히트맵에 대한 제1 히트맵 데이터를 생성하는 단계; 상기 제2 포지션 식별자에 대응하는 상기 위치 데이터의 제2 부분에 기초하여, 상기 제2 플레이-포지션을 수행하는 상기 스포츠 참여자의 위치의 공간 점유의 빈도를 반영하는 제2 히트맵에 대한 제2 히트맵 데이터를 생성하는 단계; 및 상기 스포츠 참여자에 대한 평가 정보를 생성하는 단계;를 포함하되, 상기 평가 정보는, 제1 히트맵 데이터로부터 획득되고 제1 플레이-포지션이 라벨링 된 제1 퍼포먼스 지표 및 제2 히트맵 데이터로부터 획득되고 제2 플레이-포지션이 라벨링 된 제2 퍼포먼스 지표를 포함하는 선수를 평가하는 방법이 제공될 수 있다.

본 발명의 또 다른 양상에 따르면, 스포츠 참여자의 퍼포먼스를 분석하는 방법에 있어서, 복수의 스포츠 참여자에 관련된 GPS 데이터를 수신하는 단계; 타겟 스포츠 참여자의 수정된 위치 데이터를 계산하는 단계;로서, 상기 수정된 위치 데이터는 상기 복수의 스포츠 참여자들 사이의 상기 타겟 스포츠 참여자의 상대 위치에 의해 결정되고, 상기 타겟 스포츠 참여자의 유효 속도 데이터를 계산하는 단계;로서, 상기 유효 속도 데이터는 미리 정해진 임계값 보다 큰 속력을 가지며, 상기 수정된 위치 데이터를 이용하여 수정된 위치 히트맵을 생성하는 단계;로서, 상기 수정된 위치 히트맵은 상기 스포츠 참여자가 스포츠 경기 동안에 플레이할 수 있는 전체 영역의 적어도 일부인 미리 정해진 관심 영역에 대응되는 복수의 제1 유닛셀(unit-cell)들을 포함하고, 상기 각각의 제1 유닛셀은 제1 유닛셀 내의 위치 데이터의 총량과 관련된 제1 세기를 나타내며, 상기 유효 속도 데이터를 이용하여 유효 속도 히트맵을 생성하는 단계; 로서, 상기 유효 속도 히트맵은, 1) 상기 미리 결정된 관심 영역의 길이 방향에 대한 상기 타겟 스포츠 참여자의 제1 속도 요소와 2) 상기 미리 결정된 관심 영역의 폭 방향에 대한 상기 타겟 스포츠 참여자의 제2 속도 요소로 정의되는 2차원의 매트릭스를 형성하는 복수의 제2 유닛 셀에 의해 정의되며, 상기 유닛 셀은 임계값을 상회하는 속도 데이터의 총량에 관련된 제2 세기를 나타내며, 상기 위치 히트맵과 상기 속도 히트맵에 기초한 위치 아이겐 맵과 속도 아이겐 맵을 이용하여 피쳐 매트릭스를 획득하는 단계;를 포함하되, 상기 위치 아이겐 맵은 복수의 스포츠 참여자의 상기 위치 데이터를 포함하는 위치 히트맵들의 분산을 최소화하며, 상기 속도 아이겐 맵은 상기 복수의스 ㅅ포츠 참여자의 속도 데이터를 포함하는 속도 히트맵의 분산을 최소화하는 스포츠 참여자의 퍼포먼스를 분석하는 방법이 제공될 수 있다.

본 발명의 또 다른 양상에 따르면, 스포츠 참여자의 퍼포먼스를 분석하는 방법에 있어서, 스포츠 게임 내의 타겟 스포츠 참여자 - 상기 타겟 스포츠 참여자는 상기 스포츠 게임 내의 타겟 롤(role)을 수행하며, 상기 타겟 롤은 상기 스포츠 게임 내의 미리 정해진 복수의 롤(role)로부터 결정됨- 로부터 GPS 데이터를 수신하는 단계; 상기 타겟 스포츠 참여자의 위치 데이터를 이용하여 위치 히트맵 - 상기 위치 히트맵은 상기 스포츠 참여자가 스포츠 경기 동안에 플레이할 수 있는 전체 영역의 적어도 일부인 미리 정해진 관심 영역에 대응되는 복수의 제1 유닛셀(unit-cell)들을 포함하고, 상기 각각의 제1 유닛셀은 제1 유닛셀 내의 위치 데이터의 총량과 관련된 제1 세기를 나타냄 - 을 생성하는 단계; 상기 타겟 스포츠 참여자의 속도 데이터를 이용하여 속도 히트맵 - 상기 속도 데이터는 상기 GPS 데이터의 위치 데이터로부터 획득되고 상기 속도 히트맵은, 1) 상기 미리 결정된 관심 영역의 길이 방향에 대한 상기 타겟 스포츠 참여자의 제1 속도 요소와 2) 상기 미리 결정된 관심 영역의 폭 방향에 대한 상기 타겟 스포츠 참여자의 제2 속도 요소로 정의되는 2차원의 매트릭스를 형성하는 복수의 제2 유닛 셀에 의해 정의되며, 상기 유닛 셀은 임계값을 상회하는 속도 데이터의 총량에 관련된 제2 세기를 나타냄 - 을 생성하는 단계; 상기 위치 히트맵과 상기 속도 히트맵에 기초한 위치 아이겐 맵과 속도 아이겐 맵을 이용하여 피쳐 매트릭스를 획득하는 단계;를 포함하되, 상기 위치 아이겐 맵은 상기 타겟 롤을 수행하는 복수의 스포츠 참여자의 상기 위치 데이터를 포함하는 위치 히트맵들의 분산을 최소화하며, 상기 속도 아이겐 맵은 상기 타겟 롤을 수행하는 상기 복수의 스포츠 참여자의 속도 데이터를 포함하는 속도 히트맵의 분산을 최소화 하는 스포츠 참여자의 퍼포먼스를 분석하는 방법이 제공될 수 있다.

본 발명의 또 다른 양상에 따르면, 스포츠 참여자의 퍼포먼스를 분석하는 방법에 있어서, 복수의 스포츠 참여자로부터 GPS 데이터를 수신하는 단계; 타겟 스포츠 참여자의 수정된 위치 데이터 - 상기 수정된 위치 데이ㅔ터는 복수의 스포츠 참여자 사이의 타겟 스포츠 참여자의 상대 위치에 의해 결정됨 -를 계산하는 단계; 상기 타겟 스포츠 참여자의 유효 속도 데이터 - 상기 유효 속도 데이터는 미리 정해진 속력 임계값 보다 큰 속력을 가짐 - 를 계산하는 단계; 상기 수정된 위치 데이터를 이용하여 수정된 위치 히트맵 - 상기 수정된 위치 히트맵은 상기 스포츠 참여자가 스포츠 경기 동안에 플레이할 수 있는 전체 영역의 적어도 일부인 미리 정해진 관심 영역에 대응되는 복수의 제1 유닛셀(unit-cell)들을 포함하고, 상기 각각의 제1 유닛셀은 제1 유닛셀 내의 수정된 위치 데이터의 총량과 관련된 제1 세기를 나타냄 - 을 생성하는 단계; 상기 유효 속도 데이터를 이용하여 유효 속도 히트맵 - 상기 유효 속도 히트맵은 1) 상기 미리 결정된 관심 영역의 길이 방향에 대한 상기 타겟 스포츠 참여자의 제1 속도 요소와 2) 상기 미리 결정된 관심 영역의 폭 방향에 대한 상기 타겟 스포츠 참여자의 제2 속도 요소로 정의되는 2차원의 매트릭스를 형성하는 복수의 제2 유닛 셀에 의해 정의되며, 상기 유닛 셀은 임계값을 상회하는 유효 속도 데이터의 총량에 관련된 제2 세기를 나타냄 - 을 생성하는 단계; 및 상기 유효 속도 히트맵과 상기 수정된 위치 히트맵에 기초하여 상기 스포츠 참여자를 평가하는 단계;를 포함하는 스포츠 참여자의 퍼포먼스를 분석하는 방법이 제공될 수 있다.

이상의 기재는 본 기재의 개별적인 모든 실시예를 기술하기 위한 것은 아니므로 이로 인해 본 발명이 제한되는 것은 아니다.

본 발명의 실시예에 의하면, 기존의 스포츠 산업 분야에서 주로 수행되는 스포츠 관계자들의 직관에 의한 정성적인 분석에 더해 스포츠 경기 내의 활동에 대한 정량적인 지표를 이용하여 스포츠 플레이어를 분석함으로써 스포츠 플레이어에 대해 보다 객관적이고 신뢰도 높게 평가할 수 있다.

본 발명의 실시예에 의하면, 기계 학습을 통해 스포츠 플레이어의 플레이 성향과 관련된 특징 벡터(feature vector)를 도출함으로써, 해석가능 형태로 스포츠 플레이어의 플레이 성향을 파악하거나 이를 기초로 스포츠 플레이어 간의 유사성을 반영하는 지표를 제공할 수 있다.

본 출원에 포함된 도면들은 명세서에 통합되어 그 일부를 구성한다. 도면들은 본 개시의 실시예들을 예시하고, 설명과 함께 본 개시의 원리를 설명하기 위한 것이다. 도면들에 도시되는 사항들은 특정 실시예들을 단지 예시적으로 보여주기 위한 것에 불과하며 이로 인해 본 개시가 제한되는 것은 아니다.

도 1은 본 기재의 일 실시예에 따른 인프라스트럭쳐의 일 구현예를 개략적으로 도시한 것이다.

도 2는 본 기재의 실시예에 따른 분석 시스템의 일 구현예의 개략 블록도이다.

도 3은 본 기재의 실시예에 따른 부착 기기의 일 구현예의 개략 블록도이다.

도 4는 본 기재의 실시예에 따른 서버의 일 구현예의 개략 블록도이다.

도 5는 일 실시예에 따라 데이터 분석 장치가 수행하는 데이터 분석 동작에 관한 순서도이다.

도 6은 일 실시예에 따라 데이터 분석 장치가 스포츠 데이터를 전처리 하는 동작을 나타낸 순서도이다.

도 7은 일 실시예에 따라 스포츠 오브젝트의 특성이 라벨링 된 히트맵 데이터의 일 예를 나타낸 것이다.

도 8은 일 실시예에 따라 데이터 분석 장치에서 수행되는 위치 히트맵 데이터의 보정 동작을 나타낸 것이다.

도 9는 일 실시예에 따른 스포츠 플레이어의 각기 다른 두 경기에서의 보정되지 않은 위치 히트맵의 일 예를 나타낸 것이다.

도 10은 일 실시예에 따른 스포츠 플레이어의 각각 다른 두 경기에서의 특정 시점의 위치 데이터 및 기준 위치의 일 예를 나타낸 것이다.

도 11은 일 실시예에 따른 스포츠 플레이어의 각각 다른 두 경기에서의 보정된 특정 시점의 위치 데이터를 나타낸 것이다.

도 12는 일 실시예에 따라 도 8의 위치 히트맵 데이터를 보정한 상대 위치 히트맵 데이터를 나타낸 것이다.

도 13은 데이터 분석 장치(2000)가 동적 히트맵 데이터를 보정하는 동작에 대한 개략적인 순서도이다.

도 14는 일 실시예에 따른 보정되지 않은 동적 히트맵 데이터의 일 예를 나타낸 것이다.

도 15는 일 실시예에 따라 보정된 동적 히트맵 데이터의 일 실시예를 나타낸 것이다.

도 16은 일 실시예에 따른 보정된 동적 히트맵 데이터의 다른 실시예를 나타낸 것이다.

도 17은 일 실시예에 따른 보정된 동적 히트맵 데이터의 또 다른 실시예를 나타낸 것이다.

도 18은 데이터 분석 장치가 보정된 히트맵 데이터를 이용하여 데이터를 분석하는 동작의 일 예 나타낸 순서도이다.

도 19는 데이터 분석 장치가 보정된 히트맵 데이터를 이용하여 데이터를 분석하는 동작의 다른 예를 나타낸 순서도이다.

도 20은 일 실시예에 따라 데이터 분석 장치가 복수의 히트맵 데이터로부터 주성분을 추출하는 동작에 관한 것이다.

도 21은 일 실시예에 따른 데이터 분석 장치가 주성분을 추출하는 동작을 나타낸 것이다.

도 22는 일 실시예에 따른 위치 히트맵 데이터에 대한 주성분의 일 예를 나타낸 것이다.

도 23은 일 실시예에 따른 동적 히트맵 데이터에 대한 주성분의 일 예를 나타낸 것이다.

도 24는 일 실시예에 따라 획득된 특징 지표의 일 예를 나타낸 것이다.

도 25는 일 실시예에 따라 데이터 분석 장치가 타겟 플레이어를 평가하는 동작의 일 예를 나타낸 것이다.

도 26은 일 실시예에 따라 데이터 분석 장치에서 수행되는 팀 평가 동작의 일 예를 나타낸 것이다.

도 27은 일 실시예에 따라 데이터 분석 장치에서 수행되는 타겟 엔티티 평가 동작의 일 예를 나타낸 것이다.

이하에서는 본 기재의 실시예들에 관하여 도면을 참조하여 기술한다. 다만, 본 기재의 실시예들은 여러 양태로 구현될 수 있는 본 발명에 대한 단순한 예시에 불과한 것으로 이해되어야 하여, 이로 인해 본 발명이 제한되는 것은 아니다. 한편, 도면이 반드시 축척대로 그려진 것은 아닐 수 있으며, 도면에 도시된 몇몇 사항들은 설명의 명확성을 위해 과장된 것일 수 있다. 따라서, 이하에서 개시되는 특정한 구조적 및 기능적 세부 사항들은 제한적인 것으로 해석되어서는 아니되며, 단지 당업자가 본 발명을 다양하게 구현하도록 하기 위한 대표적인 기초로서 해석되어야 한다.

이하에서는 본 기재에서 사용되는 용어들에 대하여 설명한다.

본 기재에서 '스포츠 플레이어'라는 용어는 스포츠 경기를 수행하는 사람을 지칭하며, 운동 종목(예로, 축구, 미식축구, 야구, 농구, 복싱, 종합격투기, 육상, 수영 등)과 수준(예로, 유소년/아마/프로 등)의 제한없는 모든 운동 선수(athletes)를 포함하는 포괄적인 개념으로 해석되어야 한다. 다만, 본 기재에서는 스포츠 플레이어의 평가와 관련하여 설명의 편의를 위하여 프로 또는 준프로 레벨의 축구 선수를 중심으로 설명할 것이나, 이로 인해 본 발명의 사상이 한정되는 것은 아니다.

본 기재에서 평가의 대상이 되는 스포츠 플레이어에 대해서는 '타겟 플레이어'로 지칭하기로 한다. 타겟 플레이어는 적어도 한 명 이상의 스포츠 플레이어일 수 있다. 본 기재에서는 주로 타겟 플레이어가 스포츠 플레이어 한 명인 것을 중심으로 설명하지만, 타겟 플레이어는 팀 스포츠의 경우에 스포츠 팀의 일부 또는 전체를 구성하는 스포츠 플레이어 그룹을 의미할 수 있다. 타겟 플레이어가 스포츠 팀의 일부를 구성하는 복수의 스포츠 플레이어인 경우, 타겟 플레이어는 스포츠 팀 내에서 동일 또는 유사한 역할을 수행하는 집단(예로, 축구의 미드필더와 같은 포지션이 동일한 인원들)일 수 있다.

본 기재에서 '스포츠 오브젝트'라는 용어는 스포츠 경기에 참여하는 사람, 즉 스포츠 참여자(sports participant, 예로, 선수나 심판 등), 스포츠 경기 내에서 이용되는 물건, 즉 스포츠 인스트루먼트, 스포츠웨어(sportswear)나 스포츠 기어(예로, 공, 배트, 라켓, 글로브, 헬멧, 유니폼, 암 밴드 등), 경기장 또는 경기장 내의 시설물(예로, 골대, 네트, 로프, 과녁, 각종 라인들)을 포괄적으로 지칭한다. 스포츠 오브젝트는 이동 오브젝트와 고정 오브젝트를 포함할 수 있다. 여기서, 이동 오브젝트는 스포츠 경기 중 그 위치가 변동될 수 있는 물체를 의미하며, 예를 들어, 스포츠 참여자 또는 스포츠 참여자에 의해 소지되는 스포츠 오브젝트가 이에 속할 수 있다. 또 고정 오브젝트에는 그 위치가 고정되어 있는 스포츠 오브젝트를 의미하며, 예를 들어, 골대나 과녁, 각종 라인들 등이 이에 속할 수 있다.

본 기재에서 '스포츠 데이터'라는 용어는 스포츠 플레이어에 대한 평가를 위해 수집되는 데이터를 지칭한다. 예시적으로, 스포츠 데이터는 트래킹 데이터(tracking data) 및 이벤트 데이터(event data) 중 적어도 하나를 포함할 수 있다. 스포츠 분석 분야에서는 트래킹 데이터라는 용어는 주로 EPTS를 통해 획득되는 데이터를 지칭하기도 하지만, 본 기재에서는 스포츠 활동(sports activity) 중 추적되는 데이터라는 포괄적 의미로 해석되어야 한다. 트래킹 데이터는 위치 데이터(locational data), 운동 데이터(kinematic data) 및 생리 데이터(physiologic data) 중 적어도 하나를 포함할 수 있다. 이벤트 데이터는 스포츠 활동 중 행해지는 특정한 의미를 가지는 행동(action)이나 그 행동에 따른 결과에 관한 데이터를 의미할 수 있다. 이벤트 데이터에는 스포츠 기록지에 기록되는 대부분의 사항이나 그 밖에 스포츠 과학이나 분석에서 이용되는 다양한 행동이나 그 결과일 수 있다. 예를 들면, 축구의 슈팅, 패스, 스프린트, 야구의 투구의 스트라이크 여부, 타격의 안타 여부, 농구의 슛 시도, 슛 종류, 리바운드 및 사이드라인 아웃, 테니스의 서브 구종 등에 관한 정보가 이벤트 데이터일 수 있다.

본 기재에서 '부착 기기(attachable device)'라는 용어는 스포츠 오브젝트와 직접적으로 또는 간접적으로 결합되는 기기를 의미한다. 본 기재에서 부착 기기는 주로 이동 오브젝트에 부착되는 형태를 의미할 수 있다. 예시적으로, 부착 기기는 스포츠 플레이어의 손목에 감기는 밴드 같은 웨어러블 디바이스 형태, 야구 배트나 골프채, 글러브 등의 스포츠 기구(sports instrument)에 내장되거나 장착되는 형태나 스포츠 플레이어의 의복(garment)에 삽입되는 형태를 포함할 수 있다.

도 1은 본 기재의 일 실시예에 따른 인프라스트럭쳐의 일 구현예를 개략적으로 도시한 것이고, 도 2는 본 기재의 실시예에 따른 분석 시스템의 일 구현예의 개략 블록도이다.

인프라스트럭쳐는 스포츠 플레이어(1)나 공(2)과 같은 스포츠 오브젝트에 대한 측위나 추적을 수행하기 위하여 다양한 측위 기술 중 하나 이상을 구현하기 위한 플랫폼으로서 동작할 수 있다. 또한 인프라스트럭쳐는 측위나 추척된 다양한 정보들을 이용해 타겟 플레이어(T)를 분석하고 평가할 수 있다.

다시 말해, 인프라스트럭쳐는 타겟 플레이어(T)의 분석/평가를 수행하는 분석 시스템(100)으로 동작할 수 있다. 후술되는 스포츠 데이터 획득 동작을 참조하면, 스포츠 데이터는 부착 기기, 센서 네트워크 및/또는 카메라에서 감지된 결과(예로, GPS 측위값, IMU 센싱값, LPS 신호 송수신 결과나 촬상된 스포츠 영상)를 서버가 전달받는 것을 통해 획득될 수 있다. 마찬가지로 후술하겠지만, 서버는 이처럼 획득된 스포츠 데이터를 이용해 스포츠 플레이어에 대한 평가를 수행하므로, 기능적인 관점에서 인프라스트럭쳐의 구성들 중 부착 기기, 센서 네트워크 및/또는 카메라는 지속적으로 스포츠 오브젝트에 대한 측위, 동작 감지 및/또는 영상 촬영을 수행하는 '트래킹 장치' 또는 '데이터 획득 장치(1000)'로, 서버는 스포츠 데이터에 기초한 스포츠 플레이어의 평가를 수행하는 '분석 장치' 또는 '데이터 분석 장치(2000)'로 각각 지칭될 수 있다. 이하에서는 부착 기기와 데이터 획득 장치에 동일한 도면 부호를 부여하고, 서버와 데이터 분석 장치에 동일한 도면 번호를 부여하여 설명하기로 한다. 이는 설명의 편의를 위한 것으로, 데이터 획득 장치는 상술한 바와 같이 부착 기기 이외에도 센서 네트워크 및/또는 카메라를 포함할 수 있는 것으로 이해되어야 한다.

측위 기술의 몇몇 예시로는 전지구 위성 항법 시스템 기술(GNSS: Global Navigation Satellite System), 지역 측위 기술(LPS: Local Positioning System) 및 광학 측위 기술(OPS: Optical Positioning System)을 들 수 있다.

일 예에 따르면, 인프라스트럭쳐는 위성 측위를 수행하기 위하여 위성(10)과 통신하는 위성 신호 수신기(예를 들어, GPS(Global Positioning System) 리시버)를 포함할 수 있다. 또 인프라스트럭쳐는 추가적으로 RTK(Real-Time Kinematic)를 수행하기 위한 베이스 스테이션을 추가적으로 포함할 수 있다. 다른 예에 따르면, 인프라스트럭쳐는 지역 측위를 수행하기 위한 센서 네트워크를 포함할 수 있으며, 센서 네트워크는 이동체에 설치되는 태그 노드(tag node)와 고정된 위치에 설치되는 앵커 노드(anchor node, 20)를 포함할 수 있다. 또 다른 예에 따르면, 인프라스트럭쳐는 광학 측위를 수행하기 위하여 하나 이상의 광학 센서(예로, 카메라, 라이다)를 포함할 수 있다.

인프라스트럭쳐는 스포츠 오브젝트의 동작에 대한 측정을 수행하기 위한 플랫폼으로서 동작할 수 있다. 구체적으로 인프라스트럭쳐는 스포츠 참여자 및/또는 스포츠 인스트루먼트의 움직임을 감지하고, 그 데이터를 수집할 수 있다. 예를 들어, 인프라스트럭쳐는 스포츠 경기 중 스포츠 참여자의 이동 속도를 지속적으로 모니터링하거나, 야구 배트나 골프채와 같은 스포츠 인스트루먼트의 스윙 궤적이나 스윙 속도를 감지할 수 있다.

인프라스트럭쳐는 스포츠 참여자(특히, 스포츠 플레이어)의 신체 상태에 대한 측정을 수행하기 위한 플랫폼으로서 동작할 수 있다. 예를 들어, 인프라스트럭쳐는 심박, 혈압, 체온이나 호흡 등을 측정할 수 있다.

인프라스트럭쳐는 상술한 동작들을 하나 이상 구현하기 위한 하드웨어적 구성을 가질 수 있다.

인프라스트럭쳐는 부착 기기(1000)를 포함할 수 있다.

이하에서는 본 기재의 실시예에 따른 부착 기기에 관하여 설명한다.

부착 기기(1000)는 스포츠 오브젝트에 직접적으로 또는 간접적으로 결합될 수 있다.

일 예에 따르면, 부착 기기(1000)는 스포츠 플레이어(1)가 입는 의복, 시계, 밴드 등과 같은 웨어러블 디바이스 형태로 제공될 수 있다. 다른 예에 따르면, 부착 기기(1000)는 스포츠 플레이어(1)가 입는 의복에 장착되는 형태(예로, 스포츠웨어)의 포켓에 삽입되는 형태)로 제공될 수 있다. 또 다른 예에 따르면, 부착 기기(1000)는 스포츠 오브젝트에 장착되거나 내장될 수 있다.

스포츠 오브젝트가 여러 개인 경우, 인프라스트럭쳐에는 서로 다른 복수의 스포츠 오브젝트에 대응되는 복수의 부착 기기(1000)가 포함될 수 있음은 물론이다. 예를 들어, 다수의 인원이 참여하는 팀 스포츠에서는 팀원들 각각에 부착 기기(1000)가 제공될 수 있다. 나아가, 예시적으로 하나의 스포츠 오브젝트에 하나 이상의 부착 기기(1000)가 제공될 수도 있다. 예를 들어, 부착 기기(1000) 중 하나는 특정 스포츠 플레이어(1)의 팔목에 감기는 밴드 형태로 제공되고, 다른 하나는 그 특정 스포츠 플레이어(1)의 스포츠웨어의 포켓에 삽입되는 단말 형태로 제공되고, 또 다른 하나는 그 특정 플레이어가 사용하는 라켓 등의 스포츠 인스트루먼트에 내장되는 모듈 형태로 제공될 수 있다. 여기서, 스포츠 인스트루먼트에 내장되는 모듈은 스포츠 인스트루먼트에 대응하는 부착 기기(1000)인 동시에, 스포츠 인스트루먼트를 사용하는 스포츠 플레이어(1)에 대응하는 부착 기기(1000)로 해석될 수 있다.

부착 기기(1000)는 스포츠 오브젝트에 관한 각종 스포츠 데이터를 감지하기 위한 하나 이상의 모듈을 포함할 수 있다. 예시적으로, 부착 기기(1000)는 측위 모듈(positioning module, 1100), 모션 센싱 모듈(1200) 및 생체 센싱 모듈(bio-sensing module, 1300) 중 적어도 하나를 포함할 수 있다.

측위 모듈(1100)은 부착 기기(1000)의 위치를 측위하기 위해 이용될 수 있다. 다시 말해, 측위 모듈(1100)은 부착 기기(1000)가 부착된 스포츠 오브젝트의 측위에 이용될 수 있다. 예시적으로, 측위 모듈(1100)은 위성 측위 모듈 및 지역 측위 모듈 중 적어도 하나를 포함할 수 있다.

위성 측위 모듈은 위성 신호를 이용하여 측위를 수행할 수 있다. 위성 측위 모듈이 탑재된 부착 기기(1000)는 위성 신호 수신기로 동작할 수 있다. 예를 들어, 측위 모듈(1100)은 GPS 안테나와 GPS 신호 프로세서를 포함하는 GPS 모듈이고, 부착 기기(1000)는 GPS 수신기로 동작할 수 있다. 여기서, GPS 수신 모듈은 위성(10)으로부터 GPS 신호를 수신하고, 이에 기초해 위도, 경도, 고도, 속도(속력과 방위각), 정밀도(DOF: Dilution of Precision) 및 시각을 획득할 수 있다.

지역 측위 모듈은 센서 네트워크와 협업하여 측위를 수행할 수 있다. 지역 측위 모듈이 탑재된 부착 기기(1000)는 지역 측위를 위한 센서 네트워크의 태그 노드로 동작할 수 있다. 예를 들어, 지역 측위 모듈은 LPS 신호를 송신할 수 있고, 부착 기기(1000)는 지역 측위를 위한 센서 네트워크의 송신기로 동작할 수 있다. 이 경우, 지역 측위는 측위하고자 하는 지역 또는 그 주변에 적어도 측위 동안 고정 설치된 앵커 노드들(20)이 부착 기기(1000)로부터 LPS 신호를 수신하고, 이에 기초해 측위가 수행될 수 있다. 또 예를 들어, 지역 측위 모듈은 LPS 신호를 수신할 수 있고, 부착 기기(1000)는 지역 측위를 위한 센서 네트워크의 수신기로 동작할 수 있다. 이 경우, 지역 측위는 부착 기기(1000)가 측위하고자 하는 지역 또는 그 주변에 적어도 측위 동안 고정 설치된 앵커 노드들(20)이 송출하는 LPS 신호를 수신하고, 이에 기초해 측위가 수행될 수 있다. 이상에서, LPS 신호는 주기적으로 브로드캐스팅될 수 있으며, LPS 신호에는 각이나 기기 식별자가 포함될 수 있다.

모션 센싱 모듈(1200)은 운동 센싱 모듈(kinematic sensing moduel)로 지칭될 수도 있으며, 부착 기기(1000)의 자세, 동작이나 움직임을 센싱할 수 있다. 다시 말해, 모션 센싱 모듈(1200)이 탑재된 부착 기기(1000)가 부착된 스포츠 오브젝트의 자세, 동작이나 움직임을 센싱할 수 있다. 예를 들어, 운동 센싱 모듈은 관성 측정 센서(IMU: Inertial Measurement Unit) 모듈 또는 자세 방위각 센서(AHRS: Attitude and heading reference system) 모듈일 수 있다. 여기서, IMU 모듈 또는 AHRS 모듈은 가속도계(accelerometer), 자이로스코프(gyroscope) 및 자기계(magnetometer) 중 적어도 하나를 포함하는 센서들을 포함하며, 이들 센서를 통해 가속도, 각속도 및 지자기를 감지하고, 감지된 결과를 이용해 가속도, 각속도 또는 각도(예로, 롤/피치/요(roll/pitch/yaw))를 출력할 수 있다.

생체 센싱 모듈(1300)은 부착 기기(1000)에 대응하는 스포츠 플레이어(1)의 신체 상태에 대해 센싱할 수 있다. 다시 말해, 생체 센싱 모듈(1300)이 탑재된 부착 기기(1000)는 스포츠 플레이어(1)의 신체 상태를 센싱할 수 있다. 예를 들어, 생체 센싱 모듈(1300)은 심박 센서, 호흡 센서, 체온 센서 및 혈압 센서 중 적어도 하나를 포함하고, 이를 통해 심박, 호흡수, 체온 또는 혈압을 측정할 수 있다.

부착 기기(1000)는 추가적으로 통신 모듈(1400), 콘트롤러(1500), 메모리(1600) 및 배터리(1700)를 더 포함할 수 있다.

통신 모듈(1400)은 유선 통신 모듈 및 무선 통신 모듈 중 적어도 하나를 포함할 수 있다. 예를 들어, 유선 통신 모듈은 범용직렬버스(USB) 통신이나 지역 네트워크(LAN) 통신을 통해 수집한 데이터들을 서버와 같은 외부 기기로 일괄적으로 전달할 수 있다. 다른 예를 들어, 무선 통신 모듈은 와이파이(Wi-Fi), 블루투스(Bluetooth), 직비(Zigbee)나 그 밖의 기타 다양한 규격의 무선 통신을 통해 외부 기기와 데이터를 송수신할 수 있다. 이 경우, 부착 기기(1000)는 데이터를 감지하는 동안에도 서버와 같은 외부 기기에 데이터를 전송할 수 있으므로, 인프라스트럭쳐는 실시간으로 스포츠 오브젝트에 대한 모니터링을 할 수 있다.

콘트롤러(1500)는 부착 기기(1000)의 전반적인 동작을 제어할 수 있다. 콘트롤러(1500)는 하드웨어적 구성, 소프트웨어적 구성 및 이들의 조합으로 구현될 수 있다. 하드웨어적 관점에서 콘트롤러(1500)는 전자 회로, 직접 회로(IC), 마이크로칩, 프로세서를 비롯한 연산이나 데이터 처리를 수행할 수 있는 다양한 형태로 제공될 수 있다. 다만, 본 기재에서 콘트롤러(1500)가 반드시 하나의 물리적 구성으로 한정되는 것은 아니다. 다시 말해, 콘트롤러(1500)는 부착 기기(1000)의 모든 처리를 종합하여 처리하는 단일한 프로세서로 제공될 수도 있으나, 이와 달리 각자 서로 다른 기능을 수행하는 복수의 프로세서를 포함할 수 있으며, 나아가 상술한 부착 기기(1000)의 다른 구성의 일부에 결합된 형태로 제공될 수도 있다. 예를 들어, 콘트롤러(1500)는 GPS 신호를 처리해 측위를 수행하는 GPS 모듈에 속하는 GPS 신호 프로세서, IMU 모듈에서 감지되는 값들을 이용해 각도를 산출하는 IMU 프로세서 및 그 밖의 부착 기기(1000)의 동작 전반을 제어하는 주프로세서를 포함할 수 있다.

메모리(1600)에는 각종 데이터(예로, 부착 기기의 운용을 위한 펌웨어나 소프트웨어, 부착 기기에서 감지하거나 산출한 값들)가 저장될 수 있다. 메모리(1600)는 다양한 휘발성, 비휘발성 메모리를 포함할 수 있다.

배터리(1700)는 부착 기기(1000)의 동작에 필요한 전원을 제공한다. 배터리(1700)는 내장형 또는 탈부착형으로 제공될 수 있으며, 외부 전원에서 전력을 공급받아 충전될 수 있다.

인프라스트럭쳐는 카메라(30)를 포함할 수 있다. 카메라(30)는 경기장(5)을 향해 경기장 주변에 배치되고, 스포츠 영상을 촬상할 수 있다. 카메라(30)는 폴대와 같은 경기장(5)의 부속 시설물에 고정 설치되거나 사람에 의해 소지된 상태로 이용될 수 있다.

카메라(30)는 하나 또는 복수일 수 있다. 카메라(30)는 서로 그 설치 위치 및 시야각 중 적어도 하나가 다를 수 있다. 복수의 카메라(30)에서 촬상된 영상은 파노라마 형태로 재구성될 수 있다.

스포츠 영상은 택티컬 뷰, 브로드캐스팅 뷰 또는 선수 집중 뷰일 수 있다. 택티컬 뷰는 일반적으로 스포츠 전술 분석에 이용되는 영상으로 팀 전술 분석을 위해 스포츠 플레이어(1) 대부분이 영상에 담기도록 촬상된 영상일 수 있으며, 택티컬 뷰의 가로축이 경기장(5)의 길이 방향 또는 폭 방향에 대응될 수 있다. 브로드캐스팅 뷰는 스포츠 중계에 주로 이용되는 영상으로 일반적으로 택티컬 뷰보다 작은 화각을 가지고 촬상될 수 있으며, 선수 집중 뷰는 특정 스포츠 플레이어(1)를 따라 촬상되는 영상으로 스포츠 플레이어(1) 개인의 역량을 분석하기 위해 주로 이용될 수 있다.

본 기재에서 카메라는 반드시 고정된 시야각을 가지는 것은 아닐 수 있으며, 수동 또는 잗동으로 시야 방향 조정 및 줌 조절이 수행될 수 있다.

인프라스트럭쳐는 센서 네트워크를 포함할 수 있다. 센서 네트워크는 부착 기기(1000)와 협업하여 지역 측위를 수행할 수 있다.

센서 네트워크는 노드 및 마스터를 포함할 수 있다. 노드들은 경기장(5) 또는 경기장(5)의 주변에 배치되며, 서로 간에 LPS 신호를 송수신해 측정(measuring)을 수행할 수 있다. 마스터는 LPS 신호의 송수신에 따른 측정 결과에 기초해 위치 산출(position estimation)을 수행할 수 있다. 측정에는 수신 신호 강도(RSS: Received Signal Strength) 기법, 도착 시간(ToA: Time-of-Arriaval) 기법, 도착 시간 차이(TDoA:Time Difference-of-Arrival) 기법, 도착 각도(AOA: Angle-of-Arrival) 기법 등이 이용될 수 있고, 위치 산출에는 삼각 측량 기법, 쌍곡 삼각 측량 기법 등이 이용될 수 있다. 여기서, LPS 신호의 송수신에는 초광대역(UWB: Ultra-Wide Band) 통신, 블루투스, 와이파이, RFID 등의 통신 기술이 이용될 수 있다.

노드는 고정된 위치에 설치되는 앵커 노드(20)와 이동체에 설치되는 태그 노드를 포함할 수 있다. 여기서, 태그 노드는 스포츠 오브젝트에 부착되는 부착 기기(1000)일 수 있다. 측정 방식에 따라 앵커 노드(20)와 태그 노드 중 어느 하나는 LPS 신호 송신기로 다른 하나는 LPS 신호 수신기로 작동할 수 있다.

마스터는 노드들 간의 LPS 신호 송수신 결과에 따라 측위를 수행하는 기기로, 독립적인 기기로 제공되거나 또는 인프라스트럭쳐 내의 다른 구성 요소, 예를 들어, 앵커 노드(20) 중 하나, 부착 기기(1000), 서버, 도킹 스테이션나 베이스 스테이션에 병합되어 제공될 수 있다.

인프라스트럭쳐는 서버를 포함할 수 있다.

서버(2000)는 인프라스트럭쳐의 다른 구성 요소로부터 데이터를 획득하고, 이를 처리할 수 있다. 예시적으로 서버(2000)는 스포츠 데이터를 부착 기기(1000), 센서 네트워크 및/또는 카메라(30)로부터 감지 결과를 전달받아 스포츠 데이터를 획득하고, 이를 이용해 스포츠 플레이어(1)에 대한 평가를 수행할 수 있다.

서버(2000)는 경기장 인근의 로컬 서버 또는 웹을 통해 연결되는 리모트 서버로 제공될 수 있다. 로컬 서버는 독립적인 기기로 제공되거나 또는 인프라스트럭쳐의 다른 구성 요소들와 병합된 복합 기능을 가지는 기기(예로, RTK를 위한 베이스 스테이션, 센서 네트워크의 마스터)로 제공될 수 있다. 예를 들어, 서버(2000)는 도킹 스테이션 형태로 제공될 수 있다. 여기서, 도킹 스테이션은 부착 기기(1000)를 수용하는 컨테이너를 의미할 수 있다. 도킹 스테이션은 각각 부착 기기(1000)가 수용되는 도킹부가 마련되어 여러 대의 부착 기기(1000)를 수용할 수 있다. 도킹 스테이션은 부착 기기(1000)는 스포츠 오브젝트에 부착되어 사용되지 않는 상황에 부착 기기(1000)를 보관할 수 있다. 도킹 스테이션은 단순히 부착 기기(1000)를 보관하는 것 뿐 아니라 부착 기기(1000) 사용에 필요한 다양한 편의 기능을 제공할 수 있다. 예를 들어, 도킹 스테이션에는 도킹된 부착 기기(1000)의 충전, 부착 기기(1000)의 배터리 상태 표시, 부착 기기(1000)에 저장된 데이터의 다운로드나 부착 기기(1000)의 펌 웨어 업그레이드 등과 같은 기능이 탑재될 수 있다.

서버(2000)는 통신 모듈(2800), 콘트롤러(2002) 및 메모리(2200)를 포함할 수 있다.

통신 모듈(2800)은 서버(2000)와 인프라스트럭쳐 내의 다른 구성 요소 또는 외부 기기를 연결할 수 있다. 예를 들어, 서버(2000)는 통신 모듈(2800)을 통해 부착 기기(1000)로부터 데이터를 수집하거나, 웹을 통해 스포츠 플레이어(1) 평가를 제공할 수 있다. 통신 모듈(2800)은 인프라스트럭쳐 내의 다른 구성 요소나 외부 기기와 직접적으로 통신할 수도 있으나 중계기 등을 통해 간접적으로 통신할 수도 있다.

콘트롤러(2002)는 서버(2000)의 전반적인 동작을 제어할 수 있다. 콘트롤러(2002)는 하드웨어적 구성, 소프트웨어적 구성 및 이들의 조합으로 구현될 수 있으며, 하드웨어적 관점에서 콘트롤러(2002)는 전자 회로, 직접 회로(IC), 마이크로칩, 프로세서를 비롯한 연산이나 데이터 처리를 수행할 수 있는 다양한 형태로 제공될 수 있다. 후술되는 스포츠 플레이어(1) 평가와 관련된 서버(2000) 또는 인프라스트럭쳐의 다양한 동작들은 별도의 언급이 없는 한 서버(2000)의 콘트롤러(2002)에 의해 수행되는 것으로 이해될 수 있음을 미리 밝혀둔다.

메모리(2200)에는 각종 데이터가 저장될 수 있다. 서버(2000)의 콘트롤러(2002)는 메모리(2200)에 저장된 데이터들을 참조하여 다양한 동작을 수행할 수 있다.

한편, 부착 기기(1000)와 서버(2000)는 각각 통신 모듈, 콘트롤러 및 메모리를 가지므로, 둘 구성 요소 간의 하위 구성 요소의 구분이 요청될 때에는 부착 기기(1000) 측의 구성 요소를 제1 구성 요소로 지칭하고, 서버(2000) 측의 구성 요소를 제2 구성 요소로 지칭하기로 한다.

인프라스트럭쳐는 터미널 디바이스를 포함할 수 있다. 터미널 디바이스는 인프라스트럭쳐가 수집하거나 산출한 각종 데이터나 정보들을 사용자에게 제공하거나 사용자 입력을 입력받을 수 있다. 예를 들면, 터미널 디바이스는 사용자로부터 특정 스포츠 플레이어(1)를 지시하는 사용자 입력을 입력받아 서버(2000)에 특정 스포츠 플레이어(1)에 대한 평가를 요청하고, 서버(2000)로부터 특정 스포츠 플레이어(1)에 대한 스포츠 플레이어(1) 평가에 관한 정보를 수신받아 이를 디스플레이할 수 있다. 터미널 디바이스는 예를 들어 스마트 폰, 태블릿, 노트북이나 PC와 같이 사용자 인터페이스를 갖는 전자 기기로 제공될 수 있다.

이하에서는 스포츠 플레이어 평가를 위해 수행되는 인프라스트럭쳐의 동작들에 관하여 설명한다.

인프라스트럭쳐는 스포츠 플레이어 평가에 이용되는 각종 데이터를 획득할 수 있다. 이하에서는 인프라스트럭쳐가 수행하는 데이터 획득 동작의 몇몇 예시에 관하여 설명하기로 한다.

인프라스트럭쳐는 스포츠 오브젝트에 대한 위치 데이터를 획득할 수 있다. 여기서, 위치 데이터는 경기장에 대한 기준 좌표계에 따라 정의된 것일 수 있다. 여기서, 기준 좌표계는 경기장의 길이 방향과 폭 방향을 축으로 하고, 경기장 또는 그 주변의 일 지점(예로, 경기장의 모서리 중 하나 또는 중앙)을 원점으로 하는 2차원 평면 좌표계일 수 있다.

일 예에 따르면, 인프라스트럭쳐는 위성 측위를 통해 위치 데이터를 획득할 수 있다.

부착 기기는 위성 신호를 수신하고, 위성 신호에 기초해 전역 위치(예로, 위도, 경도)를 산출할 수 있다. 서버는 부착 기기로부터 전역 위치를 전달받고, 경기장의 좌표를 고려하여 전역 위치로부터 기준 좌표계에 따른 위치값을 산출할 수 있다. 이에 따라 서버는 부착 기기가 부착된 스포츠 오브젝트에 대한 위치 데이터를 위성 측위를 통해 획득할 수 있다.

다른 예에 따르면, 인프라스트럭쳐는 지역 측위를 통해 위치 데이터를 획득할 수 있다.

센서 네트워크의 태그 노드인 부착 기기와 앵커 노드는 서로 간의 LPS 신호를 송수신할 수 있다. 인프라스트럭쳐는 LPS 신호의 송수신 결과를 이용하여 태그 노드인 부착 기기의 위치를 산출할 수 있다. 부착 기기의 위치 산출은 센서 네트워크의 마스터에 의해 수행될 수 있으며, 마스터는 서버에 통합된 형태로 제공되거나 또는 서버와 별개의 기기로 제공될 수 있다. 마스터가 서버와 별도의 기기로 제공된 경우, 마스터는 서버로 부착 기기의 위치를 전달할 수 있다. 한편, 지역 측위를 수행하는 센서 네트워크가 운용하는 좌표계와 기준 좌표계가 상이한 경우에는 서버는 센서 네트워크에서 산출되는 위치를 기준 좌표계에 따른 위치값으로 변환할 수 있다. 이에 따라 서버는 부착 기기가 부착된 스포츠 오브젝트의 위치 데이터를 지역 측위를 통해 획득할 수 있다.

또 다른 예에 따르면, 인프라스트럭쳐는 영상 분석을 통해 위치 데이터를 획득할 수 있다.

카메라는 스포츠 영상을 촬상하고, 이를 서버에 전달할 수 있다. 서버는 스포츠 영상으로부터 스포츠 오브젝트를 검출하고, 검출된 스포츠 오브젝트의 스포츠 영상 내에서의 위치(예로, 픽셀 위치)로부터 경기장에 대한 기준 좌표계에 따른 위치를 산출할 수 있다. 여기서, 스포츠 오브젝트의 검출에는 예를 들어 R-CNN(Region based Convolutional Neural Network)으로부터 YOLO(You-Only-Look-Once)에 이르는 다양한 물체 검출을 위한 딥 러닝 알고리즘이 이용될 수 있으며, 좌표 변환에는 예를 들어 카메라 파라미터(예로, 설치위치, 촬상 자세 등)를 이용하는 탑-뷰 변환이 이용될 수 있다. 예를 들어, 서버는 전술 화면(tactical view)을 촬영하도록 배치된 카메라로부터 스포츠 영상을 획득하고, 물체 검출을 수행하는 인공 신경망 모델을 통해 스포츠 영상에서 공이나 스포츠 플레이어와 같은 스포츠 오브젝트에 대한 바운딩 박스를 획득하고, 바운딩 박스를 고려해 스포츠 오브젝트에 대한 대표 픽셀(예로, 바운딩 박스 하부 중앙)을 결정하고, 결정된 대표 픽셀에 대해 카메라 파라미터를 고려하여 생성된 스포츠 영상 내의 픽셀 좌표계와 기준 좌표계 간의 좌표 변환 메트릭을 이용해 탑-뷰 변환을 수행하여 스포츠 오브젝트에 대한 위치 데이터를 획득할 수 있다. 여기서, 인공 신경망을 이용한 물체 검출은 물체 세그멘테이션(object segmentation)으로 대체될 수 있다. 이에 따라 서버는 카메라에 의해 촬상된 스포츠 영상 내의 스포츠 오브젝트에 대한 위치 데이터를 영상 분석을 통해 획득할 수 있다.

인프라스트럭쳐는 상술한 측위 방법들의 예시 중 어느 하나를 또는 하나 이상을 조합하여 스포츠 오브젝트에 대한 위치 데이터를 획득할 수 있다.

인프라스트럭쳐는 스포츠 오브젝트에 대한 운동 데이터를 획득할 수 있다. 여기서, 운동 데이터는 스포츠 오브젝트의 속도, 가속도, 저크(jerk), 방향, 각속도, 각가속도 및 각저크 중 적어도 하나를 포함할 수 있다. 운동 데이터는 스칼라값 또는 벡터값으로 표현될 수 있으며, 벡터값으로 표현될 때에는 위치 데이터와 마찬가지로 기준 좌표계에 의해 정의될 수 있다. 여기서, 운동 데이터는 주로 스포츠 오브젝트의 움직임과 관련된 정보이므로 '동적 데이터(dynamics data)'로 지칭될 수도 있다.

일 예에 따르면, 인프라스트럭쳐는 직접적으로 스포츠 오브젝트의 자세, 동작이나 움직임을 감지하는 것을 통해 운동 데이터를 획득할 수 있다.

부착 기기는 스포츠 오브젝트에 부착되고, IMU 모듈을 통해 가속도, 각속도 및 각도를 감지하거나 GPS 모듈을 통해 속력과 방향을 감지할 수 있다. 서버는 부착 기기로부터 감지된 결과를 수신하고, 기준 좌표계에 따른 운동 데이터를 획득할 수 있다.

다른 예에 따르면, 인프라스트럭쳐는 위치, 움직임, 동작이나 자세에 관련된 정보로부터 운동 데이터를 획득할 수 있다.

서버는 부착 기기로부터 위치, 움직임, 동작이나 자세에 관련된 정보를 시계열적으로 연속 획득하고, 획득된 시간 정보를 고려하여 위치, 움직임, 동작이나 자세에 관련된 정보로부터 운동 데이터를 획득할 수 있다. 예를 들어, 서버는 위성 측위에 따른 위치를 연속적으로 획득하고 획득된 위치 간의 시간 간격을 이용해 속도나 가속도를 획득하거나, IMU 모듈로부터 연속적으로 얻어지는 가속도값을 누적시켜 속도를 산출할 수 있다. 이에 따라 서버는 스포츠 오브젝트에 대한 운동 데이터를 획득할 수 있다.

또 다른 예에 따르면, 인프라스트럭쳐는 영상 분석을 통해 운동 데이터를 획득할 수 있다.

서버는 카메라에서 촬상된 스포츠 영상으로부터 얻어지는 위치 데이터에 기반하여 다양한 운동 데이터를 얻거나 또는 스포츠 영상의 복수 이미지 프레임으로부터 운동 데이터를 산출할 수 있다. 예를 들어, 서버는 연속되는 스포츠 영상의 이미지 프레임을 3D CNN 등과 같은 인공 신경망 모델에 입력하고, 이로부터 운동 데이터를 획득할 수 있을 것이다.

인프라스트럭쳐는 상술한 측위 방법들의 예시 중 어느 하나를 또는 하나 이상을 조합하여 스포츠 오브젝트에 대한 운동 데이터를 획득할 수 있다.

상술한 바와 같이 수집되는 스포츠 데이터는 스포츠 플레이어에 대해 매칭될 수 있다.

예시적으로 트래킹 장치에는 각각의 트래킹 장치를 식별하는 기기 식별자가 저장되어 있을 수 있으며, 서버는 직접적으로 또는 간접적으로 트래킹 장치로부터 감지 결과와 함께 또는 별개로 기기 식별자를 수신할 수 있다. 서버에는 기기 식별자와 스포츠 오브젝트 또는 기기 식별자와 스포츠 플레이어 간의 매칭 테이블이 저장되어 있을 수 있으며, 서버는 매칭 테이블을 참조하여 수집되는 스포츠 데이터에 스포츠 오브젝트 또는 스포츠 플레이어를 서로 태깅할 수 있다. 예를 들어, 서버는 부착 기기로부터 스포츠 데이터와 기기 식별자를 포함하는 패킷을 수신하고, 매칭 테이블을 참조해 기기 식별자에 대응하는 스포츠 플레이어를 식별하고, 식별된 스포츠 플레이어와 수집되는 스포츠 데이터를 서로 태깅할 수 있다.

여기서, 매칭 태이블에서 기기 식별자에 매칭되는 스포츠 오브젝트가 반드시 해당 기기 식별자를 갖는 트래킹 장치가 트래킹하는 스포츠 오브젝트여야만 하는 것은 아니다. 예를 들면, 매칭 테이블에는 특정 스포츠 플레이어에게 부착된 부착 기기의 기기 식별자와 특정 스포츠 플레이어가 매칭되어 기록되어 있을 수 있으나, 특정 스포츠 인스트루먼트에 부착된 부착 기기의 기기 식별자는 특정 스포츠 인스트루먼트와 매칭되거나 또는 특정 스포츠 오브젝트를 이용하는 스포츠 플레이어와 매칭되어 기록될 수도 있다.

이상에서는 스포츠 데이터와 스포츠 오브젝트 또는 플레이어 간의 태깅은 서버에서 수행되는 것으로 설명하였으나, 트래킹 디바이스가 이러한 기능을 수행하는 것도 가능하다. 예를 들어, 부착 기기에 스포츠 플레이어나 스포츠 오브젝트에 관한 정보가 저장되어 있을 수 있으며, 이에 따라 부착 기기가 감지 결과에 이러한 식별 정보를 직접 연결시키는 것도 가능할 수 있다.

나아가, 서버는 스포츠 데이터에 스포츠 플레이어를 연동시키는 것에 더해, 해당 스포츠 플레이어의 역할을 태깅할 수도 있다. 여기서, 역할은 팀 스포츠의 경우 팀에서 스포츠 플레이어가 부여받은 전술적 임무를 지시하는 것으로, 예를 들어, 파워포워드, 포인트가드, 미드필터, 센터포워드 등과 같은 축구나 농구의 포지션에 대응하는 개념일 수 있다.

일반적으로 팀 스포츠 종목에서 단일한 스포츠 플레이어는 하나의 포지션을 할당받는 것이 대부분이지만, 멀티 포지션이 가능한 스포츠 플레이어의 경우에는 경기 별로 또는 하나의 경기 내에서도 시간대 별로 다른 포지션을 수행하는 경우가 있을 수 있는데, 이 경우 스포츠 데이터는 스포츠 플레이어의 식별자에 더해 해당 스포츠 데이터가 수집된 시간에 스포츠 플레이어가 수행한 역할에 대한 식별자가 함께 태깅될 수 있다. 예를 들어, 농구의 경우 특정 스포츠 플레이어가 전반전에는 스몰 포워드로, 후반전에는 파워 포워드로 플레이한 경우 전반전에 해당 스포츠 플레이어와 관련하여 수집한 스포츠 데이터에는 스몰 포워드를 지시하는 역할 식별자가 태깅되고, 후반전에 수집한 스포츠 데이터에는 파워 포워드를 지시하는 역할 식별자가 태깅될 수 있다.

한편, 본 기재에서 역할이 반드시 팀 스포츠에서의 역할과 일치하는 것은 아니다. 예시적으로, 역할의 설정에는 공-수의 구분이 더 고려될 수 있다. 예시적으로, 팀 전술 상의 포지션과 공-수 여부를 함께 고려하여 역할이 정의될 수 있을 것이다. 예를 들면, 특정 스포츠 플레이어는 공격 시에는 최전방 공격수의 역할을 수행하고, 수비시에는 최후방 수비수의 역할을 수행할 수 있으며, 전통적인 스포츠 전술 상에서 이 둘은 동일한 포지션(예를 들어, 축구의 포워드)으로 취급되더라도 스포츠 데이터와 관련하여 이 둘은 서로 다른 역할로 태깅될 수 있을 것이다.

스포츠 데이터와 식별자 간의 태깅을 위해 참조되는 매칭 테이블은 사용자 입력에 따라 업데이트 될 수 있다. 본 인프라스트럭쳐를 이용하는 사용자는 터미널 기기나 부착 기기의 사용자 인터페이스를 통해 또는 서버에 직접 접근해 매칭 테이블을 작성할 수 있다. 예를 들어, 사용자는 부착 기기가 부착된 스포츠 플레이어나 스포츠 플레이어의 역할를 지시하는 정보를 입력해 서버의 매칭 테이블을 업데이틀 할 수 있다.

여기서, 스포츠 플레이어의 역할은 자동적으로 업데이트 될 수도 있다. 예를 들어, 서버가 팀 스포츠의 경우 다수의 스포츠 플레이어에 대한 스포츠 데이터를 수집하면, 전체적인 스포츠 플레이어들의 위치 등을 고려하여 현재 상황에서 스포츠 플레이어에 할당된 역할을 추론하고, 이를 바탕으로 매칭 테이블에 스포츠 플레이어 별 역할을 업데이트할 수 있을 것이다.

스포츠 데이터에는 획득 시점이 할당되어 있을 수도 있다. 획득 시점은 해당 스포츠 데이터가 획득된 시간으로, 예를 들어 경기 시작 후 경과 시간으로 표현될 수 있을 것이다. 또 획득 시점이 반드시 시간으로 표현되어야만 하는 것은 아니다. 예를 들어, 정해진 샘플링 간격으로 획득되는 스포츠 데이터의 경우에는 획득된 순서를 통해 획득 시점이 반영될 수도 있을 것이다.

인프라스트럭쳐는 상술한 바와 같이 획득된 스포츠 데이터를 이용해 스포츠 플레이어의 평가를 수행하기 위해 스포츠 데이터를 가공할 수 있다. 예시적으로, 본 기재에서 스포츠 플레이어의 평가는 위치 데이터 또는 운동 데이터에 기초하여 수행될 수 있다. 이때, 원본 데이터를 그대로 이용하는 것은 물론, 필요에 따라서 원본 데이터를 적절히 가공 또는 보정하여 이용하는 것도 가능하다.

이하에서는 인프라스트럭쳐가 수행하는 데이터 가공 동작의 몇몇 예시에 관하여 설명하기로 한다.

인프라스트럭쳐는 위치 데이터를 가공할 수 있다. 예시적으로, 인프라스트럭쳐는 위치 데이터를 가공하여 가공된 위치 데이터를 획득할 수 있다. 이하에서는 가공 전의 위치 데이터와 가공된 위치 데이터 간의 구분을 위해 각각을 원본 위치 데이터와 가공 위치 데이터로 지칭하기로 한다.

일 예에 따르면, 서버는 원본 위치 데이터를 상대 위치 데이터로 가공할 수 있다. 여기서, 원본 위치 데이터는 상술한 바와 같이 경기장에 대한 기준 좌표계로 정의되는 위치에 관한 것인 반면, 상대 위치 데이터는 특정 지점의 위치인 기준 위치에 대한 상대적인 위치에 관한 것일 수 있다. 여기서, 특정 지점의 위치는 원본 위치 데이터의 획득 시점에 대응하는 시점에 획득된 특정 스포츠 오브젝트의 위치 또는 특정 스포츠 오브젝트 그룹의 대표 위치(예로, 평균 위치나 중간 위치)일 수 있다.

기준 위치는 다양하게 설정될 수 있으며, 그 몇몇 예시들은 다음과 같다.

구기 종목의 경우에는 기준 위치는 공의 위치일 수 있다. 개인 대전 종목(예로, 복싱)의 경우에는 기준 위치는 상대 플레이어의 위치 또는 상대 플레이어와 타겟 플레이어의 대표 위치일 수 있다. 다인 경쟁 종목(예로 육상)의 경우에는 기준 위치는 전체 스포츠 플레이어의 대표 위치 또는 일부 스포츠 플레이어의 대표 위치일 수 있다. 여기서, 일부 스포츠 플레이어는 전방에 가까운 순서, 후방에 가까운 순서 또는 타겟 스포츠 플레이어에 가까운 순서로 선택된 한 명 이상의 스포츠 플레이어일 수 있다. 팀 스포츠의 경우에는 기준 위치는 전체 스포츠 플레이어 중 일부 또는 전체의 대표 위치, 타겟 스포츠 플레이어가 속한 팀의 스포츠 플레이어 중 일부 또는 전체의 대표 위치 또는 상대 팀의 스포츠 플레이어의 일부 또는 전체의 대표 위치일 수 있다. 여기서, 일부 스포츠 플레이어는 경기장의 길이 방향 또는 폭 방향에 따라 전방에 가까운 순서, 후방에 가까운 순서, 타겟 플레이어에 가까운 순서 또는 팀 스포츠 내에서 역할이 유사한 순서로 선택된 한 명 이상의 스포츠 플레이어일 수 있다. 예를 들어, 농구의 경우 타겟 플레이어와 동일한 포지션을 가진 상대 팀 스포츠 플레이어의 위치가 기준 위치일 수 있다. 또 팀 스포츠의 경우 특수한 역할을 하는 스포츠 플레이어는 기준 위치를 산출하기 위한 스포츠 오브젝트에서 제외될 수 있다. 예를 들어, 축구의 경우 기준 위치 산출 시 골키퍼는 제외한 소속 팀 또는 전체 스포츠 플레이어의 평균 위치로 결정될 수 있다. 또 기준 위치 산출 시 타겟 스포츠 플레이어는 기준 위치를 산출하기 위한 스포츠 오브젝트에 포함되거나 또는 제외될 수 있다. 스포츠 플레이가 세션 별로 나뉘는 종목(예를 들어, 미식 축구)의 경우에는 각 세션 별 시작 위치가 되는 스포츠 오브젝트(예로, 스크림 라인)이 기준 위치일 수 있다.

한편, 경기장이 2차원 평면인 경우 기준 좌표계를 정의하는 경기장의 길이 방향과 폭 방향 각각에 대해 다른 스포츠 오브젝트(들)를 고려하여 기준 위치가 설정되는 것도 가능하다. 예를 들어, 축구의 경우 폭 방향의 기준 위치는 공의 위치에 따라 결정되고, 길이 방향의 기준 위치는 소속 팀 스포츠 플레이어들의 평균 위치에 따라 결정될 수도 있고, 미식 축구의 경우, 폭 방향의 기준 위치는 전체 스포츠 플레이어의 평균 위치에 따라 결정되고, 길이 방향의 기준 위치는 스크림 라인에 따라 결정될 수 있다.

원본 위치 데이터에 의해 반영되는 원본 위치는 경기장 내에서 스포츠 오브젝트의 위치에 대응되므로, 스포츠 분석관이나 스포츠 시청자에게 유의미한 정보를 전달할 수 있다. 예를 들어, 축구 경기 동안 특정 스포츠 플레이어에 대해 수집한 원본 위치 데이터를 이용해 제작한 위치 히트맵은 해당 축구 매치에서 특정 스포츠 플레이어의 경기장 내에서 공간 점유의 빈도를 직관적으로 보여줄 수 있다. 이에 반해 상대 위치는 경기장 내의 절대 위치에 대한 관련성이 약하므로, 사람에게 직관적인 정보를 제공하기 어려울 수 있다. 따라서, 본 기재에서 상대 위치는 실제 경기장에 대응되는 것으로 표현되도록 보정될 수 있다.

일 예에 따르면, 서버는 상대 위치를 평준화하는 보정을 수행할 수 있다. 경기장이 2차원 평면인 경우 상대 위치는 경기장의 폭 방향 또는 길이 방향 중 적어도 하나의 방향에 대해 보정될 수 있다 예시적으로, 상대 위치는 미리 정해진 함수에 따라 축소되거나 확장될 수 있다. 예를 들어, 축구의 경우, 기준 좌표계의 원점이 경기장 중앙인 경우, 경기장의 길이 방향에 대한 상대 위치는 미리 정해진 수치에 대한 비율로 보정될 수 있다. 여기서, 미리 정해진 수치는 0.7에서 1.4 사이로 결정될 수 있다.

한편, 스포츠 종목 중 세션 별로 진형이 바뀌거나 공수 방향이 바뀌는 종목의 경우에는 위치 데이터는 공수 방향을 고려하여 보정될 수 있다. 예를 들어, 축구의 경우, 전반에 얻어진 위치 데이터와 후반에 얻어진 위치 데이터 중 어느 하나에 대해 경기장의 중앙을 기준으로 길이 방향 또는 폭 방향 중 적어도 하나의 위치값을 반전시킬 수 있다.

인프라스트럭쳐는 운동 데이터를 가공할 수 있다. 예시적으로, 인프라스트럭쳐는 운동 데이터를 가공하여 가공된 운동 데이터를 획득할 수 있다. 이하에서는 가공 전의 운동 데이터와 가공된 운동 데이터 간의 구분을 위해 각각을 원본 운동 데이터와 가공 운동 데이터로 지칭하기로 한다.

일 예에 따르면, 서버는 원본 운동 데이터를 상대 운동 데이터로 가공할 수 있다. 여기서, 원본 운동 데이터는 상술한 바와 같이 경기장에 대한 기준 좌표계로 정의되는 것인 반면, 상대 운동 데이터는 원본 운동 데이터의 획득 시점에 대응하는 시점에 획득된 특정 스포츠 오브젝트나 특정 스포츠 오브젝트 그룹의 운동 데이터 또는 그 대표값(예로, 평균값이나 중간값, 최빈값)일 수 있다.

예시적으로 특정 스포츠 오브젝트는 상대 위치를 산출할 때 선택된 스포츠 오브젝트와 유사한 기준에 따라 산출될 수 있다. 다만, 이러한 기재가 상대 위치 데이터와 상대 운동 데이터의 기준을 위해 선택되는 스포츠 오브젝트가 반드시 동일한 것을 의미하는 것은 아니다. 예를 들어, 스포츠 오브젝트의 상대 속도 데이터는 전체 플레이어의 속도 데이터의 평균값에 대한 차이값이나 비율값으로 정의될 수 있다. 또 상대 위치와 마찬가지로 2차원 평면 형태의 경기장에서의 상대 운동 데이터는 경기장의 길이 방향 또는 폭 방향 중 적어도 하나의 방향에 따라 다른 기준으로 결정될 수 있다.

속도, 가속도, 각속도, 각가속도 등의 운동 데이터는 그 값이 미미한 경우 실질적으로 스포츠 플레이어의 평가를 위한 분석에 노이즈로 작용할 가능성이 높다. 예를 들어, 5km/h 이하의 속도로 움직이는 활동은 스포츠 전술적으로 거의 무의미할 수 있다.

일 예에 따르면, 서버는 운동 데이터 중 유의미한 부분을 추출하는 동작을 수행할 수 있다. 예시적으로 운동 데이터는 미리 정해진 임계값을 기준으로 필터링 될 수 있다. 임계값을 이용한 필터링은 원본 운동 데이터 또는 상대 운동 데이터 중 적어도 하나에 대해 수행될 수 있다. 여기서, 임계값은 2차원 평면을 이용하는 스포츠 종목의 경우에는 경기장의 길이 방향이나 폭 방향에 따라 다르게 설정되거나 방향을 고려하지 않은 크기값(예로, 속력)에 대해 설정될 수 있으며, 임계값의 크기는 스포츠 플레이어의 수준이나 스포츠의 종목에 따라 다르게 설정될 수 있다. 예를 들어, 한국 프로 축구 선수인 스포츠 플레이어에 대해서는 속력이 12km/h를 기준으로 그 이상의 속력을 갖는 운동 데이터를 유효한 운동 데이터로 가공할 수 있다. 한편, 필터링이 반드시 동일한 차원의 운동 데이터에 의해 수행되어야 하는 것은 아니다. 예를 들어, 가속도 데이터에 대한 필터링에 속력 데이터를 이용하는 것과 같은 식으로, 임의의 운동 데이터로부터 유효 운동 데이터를 추출하기 위해 상이한 차원의 운동 데이터에 대한 필터링 결과를 이용할 수 있다.

인프라스트럭쳐는 스포츠 데이터로부터 히트맵 데이터를 생성할 수 있다.

본 기재에서 히트맵 데이터는 특정 엔터티에 대한 스포츠 데이터의 집합을 의미할 수 있다. 여기서, 특정 엔터티는 특정 스포츠 플레이어 또는 특정 역할을 수행하는 특정 스포츠 플레이어일 수 있다. 이에 따라 히트맵 데이터는 특정 엔터티가 스포츠 경기에서 플레이한 시간 동안 수집된 스포츠 데이터의 집합일 수 있다. 여기서, 스포츠 데이터는 위치 데이터 또는 운동 데이터 중 적어도 하나일 수 있으며, 위치 데이터는 원본 위치 데이터는 물론, 상대 위치 데이터 또는 보정된 상대 위치 데이터 중 적어도 하나일 수 있고, 운동 데이터는 원본 운동 데이터는 물론, 상대 운동 데이터, 필터링된 원본 운동 데이터 또는 필터링된 상대 운동 데이터일 수 있다. 이에 따라 히트맵 데이터는 특정 엔터티가 플레이한 시간 동안 발생한 스포츠 데이터의 빈도 분포를 반영할 수 있다. 예를 들어, 스포츠 경기 동안 수집된 원본 위치 데이터를 이용한 히트맵 데이터는 해당 스포츠 경기 동안 스포츠 플레이어의 공간 별 점유 빈도를 반영할 수 있다. 히트맵 데이터를 시각화하면 통상적으로 스포츠 경기에 이용되는 '히트맵'의 형태가 될 수 있을 것이다.

예시적으로, 특정 엔터티가 스포츠 경기에서 할당받은 역할과 무관하게 특정 플레이어에 대한 것인 경우, 히트맵 데이터는 스포츠 경기에서 해당 플레이어가 출전한 시간 동안 수집된 스포츠 데이터 전체로부터 생성될 수 있다. 이러한 히트맵 데이터는 스포츠 경기에서 할당받은 역할과 무관하게 스포츠 플레이어 전반적인 퍼포먼스나 플레이 성향을 반영하며 스포츠 플레이어 자체를 평가하는데 이용될 수 있다.

예시적으로, 특정 엔터티가 스포츠 경기에서 특정 역할을 수행하는 특정 스포츠 플레이어에 대한 것인 경우, 히트맵 데이터는 스포츠 경기에서 해당 플레이어가 출전한 시간 중 특정 역할을 수행한 구간 동안의 스포츠 데이터로부터 생성될 수 있다. 예를 들면, 농구 경기의 경우 특정 선수가 포인트 가드 역할을 부여받은 경우에 대한 평가와 슈팅 가드 역할을 부여 받은 경우에 대해 개별적으로 평가할 수 있다. 이러한 히트맵 데이터는 스포츠 플레이어가 특정한 포지션에서 플레이할 때 발휘하는 퍼포먼스나 성향을 특정 포지션에서 스포츠 플레이어의 능력을 평가하는데 이용될 수 있다.

이에 따라 서버는 스포츠 경기에서 수집된 스포츠 데이터로부터 스포츠 데이터에 할당된 스포츠 플레이어 식별자 및 역할 식별자 중 적어도 하나에 기초해 특정 엔터티에 관련된 스포츠 데이터를 추출하고, 이를 통해 히트맵 데이터를 생성할 수 있다.

상술한 바와 같이 특정 엔터티에 대하여 히트맵 데이터를 생성할 때 이용되는 특정 엔터티에 관련된 스포츠 데이터의 양은 스포츠 플레이어의 출전 시간이나 스포츠 플레이어가 역할을 수행한 시간에 따라 상이할 수 있다. 따라서, 여러 히트맵 데이터를 통해 스포츠 플레이어를 평가하기 위해서는 히트맵 데이터에 기여하는 스포츠 데이터의 양을 균일화 시킬 필요가 있다.

예시적으로, 서버는 히트맵 데이터를 작성할 때 고려하는 시간을 히트맵 데이터 별로 동일하게 할 수 있다. 예를 들어, 서버는 특정 엔터티에 대해 히트맵 데이터 생성 시 해당 히트맵 데이터에 이용되는 스포츠 데이터의 값을 특정 엔터티의 플레이 시간으로 분할하여 정규화시킬 수 있다.

이하에서는 본 기재의 실시예에 따른 스포츠 플레이어 평가 방법에 관하여 설명한다. 이하의 설명에 따른 스포츠 플레이어 평가 방법은 상술한 분석 시스템을 이용해 수행될 수 있으며, 특별한 언급이 없는 경우 스포츠 플레이어 평가 방법의 동작들은 분석 시스템의 분석 장치에 의해 수행되는 것으로 해석될 수 있다. 여기서, 분석 시스템은 상술한 인프라스트럭쳐에 대응될 수 있으며, 분석 장치는 상술한 서버에 대응될 수 있음은 미리 언급한 바 있다.

스포츠 플레이어 평가는 다양한 방법에 의해 수행될 수 있는데, 이하에서는 그 몇몇 예시에 관하여 설명하기로 한다.

도 5를 참조하면, 일 실시예에 따른 스포츠 데이터 분석 동작은 스포츠 오브젝트로부터 데이터를 획득하는 단계(S1000), 획득된 데이터를 전처리하는 단계(S1200) 및 전처리된 데이터를 분석하는 단계(S1400)를 포함할 수 있다.

시스템(100)은 스포츠 데이터를 획득(S1000)하고 전처리(S1200)할 수 있다. 여기서, 전처리는 스포츠 데이터의 가공이나 스포츠 데이터로부터 히트맵 데이터를 생성하는 것을 포괄적으로 의미할 수 있다. 이미 스포츠 데이터의 획득 동작과 스포츠 데이터의 가공 동작에 대해서는 구체적으로 전술한 바 있으므로, 여기서는 중복되는 설명은 생략하기로 한다.

데이터 전처리 단계(S1200)이후, 시스템(100)은 전처리된 스포츠 데이터를 분석할 수 있다(S1400). 구체적으로, 데이터 분석 장치(2000)의 제2 콘트롤러(2002)는 히트맵 데이터를 분석 알고리즘에 입력하고, 분석 알고리즘의 출력 결과에 기초하여 타겟 엔티티를 평가할 수 있다. 여기서, 타겟 엔티티는 분석 대상이 되는 단일한 또는 복수의 타겟 플레이어일 수 있으며, 추가적으로 역할이 더 고려되어 결정된 것일 수 있다. 데이터 분석 단계(S1400)에서 수행되는 분석 알고리즘 및 타겟 엔티티 평가에 관한 내용은 후술하여 자세히 설명하도록 한다.

이상에서, 일 실시예에 따른 시스템(100)에서 수행되는 스포츠 데이터의 분석 동작에 대해 개괄적으로 설명되었다.

이하에서는, 먼저 데이터 분석 장치(2000)에서 수행되는 스포츠 데이터를 전처리하는 동작에 대하여 도 6 내지 도 16을 참조하여 상세히 설명하도록 한다.

도 6을 참조하면, 일 실시예에 따라 데이터 분석 장치에서 수행되는 스포츠 데이터의 전처리 동작은 히트맵 데이터를 생성하는 단계(S2200) 및 히트맵 데이터를 보정하는 단계(S2400)를 포함할 수 있다.

먼저, 히트맵 데이터를 생성하는 단계(S2200)에서, 데이터 분석 장치(2000)는 스포츠 데이터에 대한 히트맵 데이터를 생성할 수 있다.

예시적으로 히트맵 데이터는 '위치 히트맵 데이터'와 '동적 히트맵 데이터(또는 운동 히트맵 데이터)'를 포함할 수 있다.

여기서, '위치 히트맵 데이터'는 미리 정해진 시간 동안의 플레이어(1)가 경기장에서 점유한 위치 데이터의 빈도 분포를 나타낼 수 있다. 여기서, 위치 히트맵 데이터는 복수의 셀로 구성될 수 있으며, 바람직하게는 각각의 셀들은 플레이어(1)에 의해 스포츠가 플레이되는 경기장에 대응될 수 있다.

또한, '동적 히트맵 데이터'는 미리 정해진 시간 동안의 플레이어(1)의 운동에 대한 동적 데이터의 빈도 분포를 나타낼 수 있다. 일 예로, 속도 히트맵 데이터는 2차원의 매트릭스로 구성될 수 있고, 각각의 차원은 경기장의 공격/수비 방향에 대한 속도 벡터와 이에 직교하는 방향의 속도 벡터로 구성될 수 있다. 다른 예로, 가속도 히트맵 데이터 역시 2차원의 매트릭스로 구성될 수 있으며, 각각의 차원은 경기장의 공격/수비 방향에 대한 가속도 벡터와 이에 직교하는 방향의 가속도 벡터로 구성될 수 있다.

히트맵 데이터 생성 단계(S2200) 이후, 데이터 분석 장치(2000)는 생성된 히트맵 데이터를 보정할 수 있다(S2400).

히트맵 데이터 보정 단계(S2400)에서, 데이터 분석 장치(2000)는 스포츠 오브젝트와 관련된 경기 내적/외적 요인에 의한 영향을 감소하고, 분석 알고리즘의 정확도를 향상시키도록 히트맵 데이터를 보정할 수 있다. 히트맵 데이터의 보정은 선택적으로 수행될 수 있다. 히트맵 데이터의 보정 단계에 대해서는 후술하여 상세히 설명하도록 한다.

한편, 히트맵 데이터를 생성한 후 히트맵 데이터를 보정해 보정된 히트맵 데이터를 생성하는 것과 달리, 스포츠 데이터를 가공 또는 보정하고, 가공 또는 보정된 스포츠 데이터로부터 가공 또는 보정된 히트맵 데이터를 획득하는 것도 가능하다. 예를 들어, 후술되는 상대 위치 히트맵 데이터는 원본 위치 데이터로부터 원본 히트맵 데이터를 생성한 뒤, 이를 상대 히트맵 데이터로 보정하는 과정을 통해 얻어질 수도 있으나, 이와 달리 원본 위치 데이터로부터 상대 위치 데이터를 생성한 뒤, 상대 위치 데이터로부터 히트맵 데이터를 생성하는 과정을 통해 얻어질 수도 있다.

본 기재에서는 다양한 히트맵 데이터가 생성될 수 있으며, 그 예시들에 관해서는 이미 상술한 바 있다.

일 실시예에 따르면, 데이터 분석 장치(2000)는 히트맵 데이터를 생성할 때, 스포츠 플레이어의 특성(예로, 역할 식별자)을 라벨링 할 수 있다.

도 7을 참조하면, 데이터 분석 장치(2000)는 스포츠 오브젝트의 특성이 라벨링 된 스포츠 히트맵 데이터를 생성할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 스포츠 히트맵 데이터를 생성하고, 생성된 스포츠 히트맵 데이터를 분석하여 스포츠 플레이어의 특성을 결정하고, 결정된 스포츠 플레이어의 특성을 라벨링 할 수 있다. 여기서, 스포츠 플레이어의 특성은 데이터 획득 장치(1000)에 의해 스포츠 데이터에 라벨링 되어 데이터 분석 장치(2000)로 전송될 수도 있다. 이 경우, 제2 콘트롤러(2002)는 생성된 스포츠 히트맵 데이터에, 데이터 획득 장치(1000)로부터 전송받은 스포츠 플레이어의 특성을 라벨링 할 수 있다. 또한, 여기서, 스포츠 플레이어의 특성을 결정하는 것은 생략될 수 있다. 여기서, 라벨링은 히트맵 데이터에 플레이어의 특성을 반영하는 식별자를 추가하는 형태로 구현될 수 있다.

또한, 여기서 플레이어를 포함하는 스포츠 오브젝트의 특성은 스포츠와 관련된 또는 스포츠 오브젝트와 관련된 모든 성질들을 의미할 수 있다. 예를 들어, 스포츠 오브젝트의 특성은 스포츠 경기 내의 전술적인 특성일 수 있다. 예시적으로 스포츠 오브젝트가 플레이하는 포지션 및 스포츠 오브젝트가 경기 내에서 수행하는 역할(role) 등을 포함할 수 있을 것이다. 또한 스포츠 오브젝트의 특성은 스포츠 플레이어의 개인별 특성일 수 있다. 예시적으로, 스포츠 플레이어의 나이, 성별 등을 포함할 수 있을 것이다. 또한, 스포츠 오브젝트의 특성은 스포츠 레벨일 수 있다. 예시적으로, 스포츠 오브젝트가 플레이하는 리그의 수준이나, 스포츠 오브젝트가 참가한 대회의 수준, 친선경기 여부 등을 포함할 수 있다. 또한 메모리(2200)에 플레이어의 특성 정보가 미리 저장될 수도 있다.

도 7에는 동일 플레이어의 특성이 반영된 히트맵 데이터가 도시되어 있다. 구체적으로 제1 특성이 반영된 위치 히트맵 데이터와 제2 특성이 반영된 위치 히트맵 데이터가 도시되어 있다.

여기서, 제1 특성은 일 예로 플레이어가 수행한 제1 포지션을 의미할 수 있다. 또한 제2 특성은 일 예로 플레이어 수행한 제1 포지션과 다른 제2 포지션을 의미할 수 있다. 구체적으로, 도 7에 도시된 위치 히트맵은 플레이어가 한 경기 내에서 특정 시간동안 제1 포지션에서 수행한 위치 데이터 및 다른 특정 시간동안 제2 포지션에서 수행한 위치 데이터를 나타낼 수 있다. 또한 여기서, 제1 포지션에서 수행한 위치 히트맵에는 제1 식별자가 라벨링 될 수 있고, 제2 포지션에서 수행한 위치 히트맵에는 제2 식별자가 라벨링 될 수 있다. 여기서 제1 식별자 및 제2 식별자는 각각 제1 포지션 및 제2 포지션에 관한 정보를 포함할 수 있다.

이하에서는, 도면을 참조하여 데이터 분석 장치에서 수행되는 히트맵 데이터의 보정 동작에 대하여 상세히 설명한다.

도 8 내지 도 12를 참조하여 데이터 분석 장치(2000)에서 수행되는 위치 히트맵 데이터의 보정의 예시에 관해 설명하고, 도 13 내지 도 17을 참조하여 데이터 분석 장치(2000)에서 수행되는 동적 히트맵 데이터의 보정의 예시에 관해 설명하도록 한다.

본 예에서의 보정은 원본 위치 히트맵으로부터 상대 위치 히트맵을 생성하는 예시로 이해될 수 있다. 도 8을 참조하면, 위치 히트맵 데이터를 보정하는 동작은 스포츠 오브젝트의 위치 데이터에 기초하여 기준 위치를 결정하는 단계(S2420), 기준 위치에 기초하여 타겟 엔티티의 상대 위치를 결정하는 단계(S2440) 및 상대 위치에 기초하여 보정된 위치 히트맵을 생성하는 단계(S2460)을 포함할 수 있다.

먼저, 기준 위치를 결정하는 단계(S2420)에서, 데이터 분석 장치(2000)는 스포츠 오브젝트의 위치 데이터에 기초하여 기준 위치를 결정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 적어도 하나 이상의 스포츠 오브젝트의 위치 데이터에 기초하여, 타겟 엔티티의 위치 데이터를 보정하는 데에 기준이 되는 기준 위치를 획득할 수 있다. 여기서, 기준 위치를 결정하는 것에 대해서는 이미 전술한 바 있다.

기준 위치 결정하는 단계(S2420) 이후, 타겟 엔티티의 상대 위치를 결정하는 단계(S2440)에서, 데이터 분석 장치(2000)는 기준 위치에 기초하여 타겟 엔티티의 상대 위치를 결정할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 적어도 하나 이상의 스포츠 오브젝트로부터 도출된 기준 위치와 타겟 엔티티의 위치 데이터를 이용하여 타겟 엔티티의 상대 위치를 결정할 수 있다. 여기서, 앞서 결정된 기준 위치에 따라 타겟 엔티티의 상대 위치는 다양할 수 있다.

타겟 엔티티의 상대 위치가 결정되면, 데이터 분석 장치(2000)는 보정된 히트맵 데이터를 생성할 수 있다(S2460). 구체적으로, 제2 콘트롤러(2002)는 타겟 엔티티의 상대 위치에 기초하여 보정된 위치 히트맵 데이터를 생성할 수 있다.

한편, 도 8을 참조한 설명에서 생성되는 상대 위치 히트맵 데이터는, 원본 위치 데이터로부터 상대 위치 데이터를 생성하고, 상대 위치 데이터를 이용하여 생성될 수도 있다.

도 9를 참조하면, 하나의 스포츠 플레이어가 서로 다른 두 경기에서 플레이 한 경기에 대한 위치 히트맵 데이터가 각각 시각화되어 있다. 각각의 스포츠 경기가 진행되는 동안 스포츠 플레이어는 각 경기에서 모두 경기장의 공격 방향을 기준으로 왼쪽 측면을 주로 점유하고 있었던 것이 도시되어 있다. 또한, 스포츠 플레이어가 경기 동안 피치 상에 위치 점유 빈도가 높았던 왼쪽 측면에는 높은 위치 점유 빈도가 시각화되어 있고, 위치 점유 빈도가 낮았던 오른쪽 측면에는 낮은 위치 점유 빈도가 시각화되어 있다. 또한, 왼쪽 측면보다는 위치 점유 빈도가 낮고, 오른쪽 측면보다는 위치 점유 빈도가 높은 피치 중앙 지역은 중간 정도의 위치 점유 빈도가 시각화되어 있다.

본 명세서의 이하의 설명에서는, 설명의 편의를 위해 경기장의 길이 방향에 대해서는 공격/수비 방향이라고 표현할 수도 있고, 경기장의 폭 방향에 대해서는 횡방향이라고 지칭할 수 있으며, 이러한 용어들은 혼용되어 사용될 수도 있음이 이해될 것이다.

도시된 바와 같은 위치 히트맵 데이터는 각각의 경기 동안의 스포츠 오브젝트의 총 위치 점유 빈도는 나타낼 수 있으나, 경기와 관련된 내/외적 요인에 관한 정보를 반영하지 못할 수 있다.

예를 들어, 도 9에 도시된 바와 같이 스포츠 플레이어가 속한 팀 또는 스포츠 플레이어가 수비적인 성향을 띄는 전술을 구사한 경우, 스포츠 플레이어의 위치 히트맵 데이터는 수비 방향 쪽으로 치우치게 될 수 있다. 다른 예시로, 스포츠 플레이어가 속한 팀 또는 스포츠 플레이어가 공격적인 성향을 띄는 전술을 구사한 경우, 스포츠 플레이어의 위치 히트맵 데이터는 공격 방향 쪽으로 치우치게 될 수 있다. 이 외에도 다양한 이유에 따라, 스포츠 플레이어의 위치 히트맵 데이터는 경기와 관련된 내적/외적 요인을 반영하지 못할 수 있다.

예시와 같이, 팀의 전술적 성향에 따라 스포츠 플레이어의 위치 히트맵 데이터의 형태가 변화할 경우, 원본 위치 히트맵 데이터에는 경기 상황에 대한 노이즈가 발생하여, 스포츠 플레이어의 개인별 성향이 온전히 반영되지 못할 수 있다. 이에 반해 상대 위치 히트맵 데이터는 기준 위치에 따라 경기 상황에 따른 노이즈를 제거할 수 있으므로, 원본 히트맵 데이터와는 다른 정보를 제공할 수 있다.

도 10 내지 도 12는 일 실시예에 따른 데이터 분석 장치에 의해 수행되는 보정된 위치 히트맵 데이터를 생성하는 동작에 대해 나타낸 것이다. 도 11은 일 실시예에 따른 스포츠 플레이어의 각각 다른 두 경기에서의 보정된 특정 시점의 위치 데이터를 나타낸 것이다.

도 10은 일 실시예에 따른, 스포츠 플레이어의 각각 다른 두 경기에서의 특정 시점의 위치 데이터 및 기준 위치의 일 예를 나타낸 것이고, 도 11은 일 실시예에 따른 스포츠 플레이어의 각각 다른 두 경기에서의 보정된 특정 시점의 위치 데이터를 나타낸 것이다.

도 10을 참조하면, 데이터 분석 장치(2000)는 위치 히트맵 데이터를 보정하기 위하여 기준 위치를 결정할 수 있다. 도면을 참조하여 보다 더 구체적으로 설명하자면, 도 10에는 타겟 플레이어가 포함된 팀의 모든 스포츠 플레이어에 관한 위치 데이터가 도시되어 있다. 먼저, 제1 경기 특정 시점의 위치 데이터를 살펴보면, 타겟 플레이어가 속한 팀은 수비 방향 쪽으로 위치 데이터가 치우쳐져 있는 것이 나타나 있다. 또한 제2 경기의 특정 시점의 위치 데이터를 살펴보면, 타겟 플레이어가 속한 팀은 공격 방향 쪽으로 위치 데이터가 치우쳐져 있는 것이 나타나 있다.

다시 도 10 및 도 11을 참조하면, 제1 경기에서, 타겟 플레이어(타겟 엔티티)가 속한 팀의 모든 플레이어의 평균 위치가 제1 경기의 기준 위치로 도시되어 있다. 이때, 타겟 플레이어의 제1 경기에서의 원본 위치와 기준 위치 사이의 공격/수비 방향으로의 거리는 βX1이라고 표현될 수 있다. 따라서, 상대 위치는 상대 위치를 표현하는 좌표 상의 원점으로부터 βX1만큼 이동된 위치로 설정될 수 있다. 이때 상대 위치의 원점(원본의 기준 위치에 대응되는 지점)는 경기장의 중앙 또는 중심선에 대응되도록 설정될 수 있다. 또한, 제2 경기에서, 타겟 플레어어(타겟 엔티티)가 속한 팀의 모든 플레이어의 평균 위치가 제2 경기의 기준 위치로 도시되어 있다. 이때, 타겟 플레이어의 제2 경기에서의 위치와 기준 위치 사이의 공격/수비 방향으로의 거리는 βX2라고 표현될 수 있다. 따라서, 상대 위치는 상대 위치를 표현하는 좌표계의 원점으로부터 βX2만큼 이동된 위치로 설정될 수 있다.

한편, 이상에서는 원본 위치로부터 상대 위치를 생성할 때, 각 시점 별 기준 위치를 산출하고, 이에 따라 각 시점 별 얻어진 원본 위치 데이터에 각 시점 별 기준 위치를 고려하여 상대 위치 데이터로 획득하는 것으로 설명하였으나, 이와 달리 기준 위치는 경기 전체 또는 경기를 특정한 세션(예로, 10분, 20분과 같은 특정한 시간 길이로 나눈 세션, 또는 경기 중단이 발생한 시점을 기준으로 나눈 세션) 동안 일정하게 정해질 수도 있다. 예를 들면, 경기 전체에 걸친 팀 소속 스포츠 플레이어들 전체의 평균 위치를 해당 경기에서 얻어진 타겟 엔티티의 상대 위치를 산출하기 위한 기준 위치로 삼을 수 있다.

여기서는, 타겟 플레이어의 위치 데이터와 기준 위치데이터를 조합하는 경우에, 위치 데이터의 전부 또는 일부가 이용될 수 있다. 예를 들어, 도 10 및 도 11에 도시된 바와 같이, 제2 콘트롤러(2002)는 위치 데이터의 공격/수비방향 측 좌표값만을 이용하여 상대 위치 데이터를 생성할 수 있다. 보다 더 구체적으로, 제2 콘트롤러(2002)는 제1 경기에서 타겟 플레이어의 위치 데이터와 기준 위치 데이터의 공격/수비 방향 좌표값의 차이인 βX1을 이용하여 상대 위치 데이터를 생성하였으며, 제2 경기에서는 유사한 방식으로 구해진 βX2 값을 이용하여 상대 위치 데이터를 생성하였다. 여기서, 타겟 플레이어의 위치 데이터에서 피치의 종방향으로만 상대 위치를 산출하고, 횡방향으로의 원본 위치를 그대로 이용하였다. 물론, 양 방향으로 상대 위치를 산출하는 것도 가능할 수 있음은 전술한 바 있다.

도 12는 일 실시예에 따라 도 9의 위치 히트맵 데이터의 상대 위치 히트맵 데이터를 나타낸 것이다. 구체적으로, 도 12는 도 10 내지 도 11의 과정을 거쳐 생성된 도 9의 위치 히트맵 데이터에 대한 상대 위치 히트맵 데이터의 일 예이다. 도 12를 참조하면, 보정되지 않은 타겟 플레이어의 위치 히트맵 데이터(도 9 참조)에 비하여, 보정된 위치 히트맵 데이터(도 12 참조)에서 제1 경기 및 제2 경기 간의 편차가 줄어든 모습이 잘 도시되어 있다.

일 실시예에 따른 분석 방법에 따르면, 상대 위치 히트맵 데이터는 플레이어가 플레이하는 경기 별로 발생할 수 있는 다양한 요인들에 관한 영향을 최소화하는 위치 히트맵으로 이용될 수 있다.

상술한 예시 이외에도 원본 위치로부터 상대 위치를 가공하는 다양한 예시들은 이미 언급한 바 있으므로, 여기서는 중복되는 설명은 생략한다.

도 13은 일 실시예에 따른 데이터 분석 장치가 동적 히트맵 데이터를 보정하는 동작에 대한 개략적인 순서도이다.

도 13을 참조하면, 동적 히트맵 데이터를 보정하는 동작은 분석의 대상이 되는 동적 데이터 추출을 위한 기준을 결정하는 단계(S2422) 및 정해진 기준에 기초하여 보정된 동적 히트맵을 생성하는 단계(S2442)를 포함할 수 있다.

본 예에서의 보정은 동적 데이터를 필터링하는 동작에서 이미 설명한 바 있으므로, 해당 부분을 참조하여 설명한다.

먼저, 기준 결정 단계(S2422)에서, 데이터 분석 장치(2000)는 타겟 엔티티의 특성을 고려하여 기준을 결정할 수 있다.

여기서, 타겟 엔티티의 특성은 다양할 수 있다. 예시적으로, 타겟 엔티티의 특성은 타겟 엔티티가 플레이하는 리그의 수준, 타겟 엔티티의 나이, 타겟 엔티티의 경력, 타겟 엔티티가 참가하고 있는 대회 등이 포함될 수 있다. 예를 들어, 동적 데이터에 대한 필터링 임계값은 리그의 수준이 높을수록 큰 값으로 설정될 수 있다. 또 스포츠 종목 별로는 경기 속도가 빠른 경기일수록 큰 값으로 설정될 수 있다. 또 해당 스포츠에서 기록되는 최고 속도/가속도/각속도/각가속도가 클수록 임계값도 크게 설정될 수 있을 것이다.

구체적으로, 제2 콘트롤러(2002)는 메모리(2200)에 미리 저장된 적어도 하나 이상의 타겟 엔티티의 특성과 관련된 정보에 기초하여, 타겟 엔티티를 평가하기 위한 동적 히트맵 데이터의 기준을 설정할 수 있다.

또한, 동적 히트맵 데이터를 보정하기 위한 기준은 다양한 형태로 결정될 수 있다. 예시적으로, 동적 히트맵 데이터를 보정하기 위한 기준은 특정 속력값, 특정 가속력값, 특정 저크(Jerk)값, 특정 방향 등이 될 수도 있으며 이들의 조합이나 범위로 설정될 수도 있다.

동적 데이터 분석을 위한 기준이 설정되면(S2422), 제2 콘트롤러(2002)는 설정된 기준에 기초하여 보정된 동적 히트맵 데이터를 생성(2442)할 수 있다. 보정된 동적 히트맵 데이터의 예시들은 후술하여 자세히 설명하도록 한다.

이하에서는, 데이터 분석 장치(2000)가, 일 실시예에 따른 분석 방법의 대상이 되는 동적 데이터의 추출을 위한 기준을 결정하는 동작과, 상기 기준에 의해 보정된 동적 히트맵 데이터들에 관한 실시예들을 도면을 참조하여 설명하도록 한다.

도 14는 일 실시예에 따른 동적 히트맵 데이터의 일 예를 나타낸 것이다.

도 14를 참조하면, 데이터 분석 장치(2000)는 동적 히트맵 데이터를 생성할 수 있다. 예시적으로, 도면에 도시된 동적 히트맵 데이터에는 스포츠 플레이어의 경기 동안의 속도 데이터의 집합인 속도 히트맵 데이터가 도시되어 있다. 구체적으로, 도시된 각 속도 데이터의 크기값은 특정 시점에서의 스포츠 플레이어의 속력을 나타내며, 각 속도 데이터의 방향 벡터는 스포츠 플레이어의 특정 시점에서의 운동 방향을 나타낼 수 있다.

예시적으로, 도 14에는 스포츠 플레이어가 경기를 진행하는 동안 수행한 운동의 속도 분포를 나타내고 있다. 구체적으로, 해당 스포츠 플레이어는 횡방향 보다 공격/수비 방향으로의 운동 빈도가 높게 도시되어 있으며 최고 속력은 약 35km/h 정도의 운동을 수행한 것으로 도시되어 있다.

도면에는 해당 속도 히트맵 데이터에서 스포츠 플레이어는 저속력 구간과 고속력 구간 모두에서 유사한 동적 빈도 분포를 나타내고 있다. 이러한 경우, 스포츠 플레이어의 능력 평가 관점에서, 동적 히트맵 데이터에서 사실상 움직임이 매우 느린 데이터들은 유의성이 낮을 수 있으므로 동적 히트맵 데이터를 가공하여 유의미한 속도 데이터를 별도로 추출할 수 있다.

도 15 내지 도 17은 일 실시예에 따라 도 14의 동적 히트맵 데이터를 보정한 동적 히트맵 데이터의 다양한 예를 나타낸 것이다.

도 15 내지 도 17을 참조하면, 데이터 분석 장치(2000)는 동적 히트맵 데이터를 가공하여 보정된 동적 히트맵 데이터를 생성할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 미리 정해진 기준에 따라 동적 히트맵 데이터를 가공하여 동적 히트맵 데이터를 보정할 수 있다.

여기서, 미리 정해진 기준은, 정확한 타겟 엔티티의 능력 평가가 수행되도록, 타겟 엔티티의 특성을 고려하여 결정될 수 있다.

일 예로, 미리 정해진 기준은 타겟 엔티티가 플레이하는 스포츠를 고려하여 설정될 수 있다. 예를 들어 축구와 같은 스포츠에서는, 공의 위치에 따라서 걷거나 저속도로 조깅(jogging)을 수행하는 등의 능력 평가와 관련이 적은 움직임이 빈번하게 발생하고, 스포츠 플레이어의 능력 평가나 전술적인 움직임을 평가할 수 있는 운동은 주로 스프린트(sprint)구간이나 고속도의 운동을 수행할 때 발생하기 때문이다. 따라서, 축구와 같은 스포츠에서는 미리 설정된 기준은 속력의 크기나 가속력의 크기가 될 수 있다.

또한, 미리 설정된 기준은 타겟 엔티티의 능력 수준을 고려하여 설정될 수 있다. 여기서, 플레어의 능력 수준을 고려함에 있어서는 다양한 요인들을 종합적으로 고려하는 것이 바람직할 수 있다. 예시적으로, 플레이어의 나이, 성별, 스포츠 경기의 수준, 친선경기 또는 대회경기의 여부등이 있을 수 있다. 예시적으로 언급한 바와 같이, 유소년 플레이어와 성인 플레이어로부터, 혹은 높은 레벨의 프로경기나 상대적으로 낮은 레벨의 프로 경기에서, 일률적으로 동적 데이터 추출을 위한 기준을 같게 설정할 경우 타겟 엔티티에 대한 정확한 평가가 수행되지 못할 수도 있기 때문이다.

도 15를 참조하면, 미리 정해진 기준은 속력에 기초하여 설정될 수 있다. 더 구체적으로, 제2 콘트롤러(2002)는 임계값 이상의 속력을 가지는 속도 데이터에 기초하여 속도 히트맵 데이터를 생성할 수 있다.

여기서, 미리 정해진 기준은, 미리 획득된 복수의 플레이어(1) 들의 동적 데이터에 기초하여 결정될 수 있다. 일 예로, 미리 정해진 기준은 타겟 엔티티가 플레이하는 경기의 수준에서 활동하는 복수의 플레이어들로부터 미리 획득된 동적 데이터를 분석한 결과에 기초하여 결정될 수 있다.

예시적으로, 타겟 엔티티가 플레이하는 리그나 연령별 수준을 고려했을 때 15km/h 이상의 속도 데이터가 유의미하다고 판단 되면, 미리 정해진 기준은 15km/h의 속력일 수 있다. 즉, 제2 콘트롤러(2002)는 미리 정해진 기준 이상의 속력을 가지는 속도 데이터만이 포함된 속도 히트맵 데이터를 생성하고, 이에 기초하여 타겟 엔티티를 평가할 수 있다.

도 16을 참조하면, 미리 정해진 기준은 스포츠 플레이어로부터 획득된 동적 데이터에 포함된 수치 범위에서 다양하게 설정될 수 있다. 일 예로, 스포츠 플레이어의 미리 정해진 속력 범위에서의 속도 데이터가 데이터 분석에 이용되는 경우, 미리 정해진 기준은 스포츠 플레이어의 속력 범위가 될 수 있다.

도 17을 참조하면, 미리 정해진 기준은 스포츠 플레이어의 미리 정해진 방향 범위에서의 속도 데이터가 데이터 분석에 이용되는 경우, 미리 정해진 기준은 스포츠 플레이어의 운동 중 특정 방향 범위 일 수 있다. 즉, 스포츠 플레이어가 수행하는 움직임의 속력 보다 방향이 중요한 스포츠에서는, 미리 정해진 기준은 스포츠 플레이어가 운동하는 특정 방향 내지는 특정 방향 범위가 될 수 있을 것이다.

이상에서는 도면을 참조하여 속도 히트맵 데이터의 보정에 관하여 설명하였으나, 가속도 히트맵 데이터 또는 저크(Jerk) 히트맵 데이터의 보정에 관하여도 유사한 방법이 수행될 수 있음이 이해될 것이다.

이하에서는, 데이터 분석 장치(2000)가 히트맵 데이터를 분석하는 동작에 대하여 도면을 참조하여 설명하도록 한다.

일 실시예에 따르면, 데이터 분석 장치(2000)는 히트맵 데이터를 이용하여 데이터 분석을 수행할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 히트맵 데이터를 분석 알고리즘에 입력하고, 분석 알고리즘의 출력 결과에 기초하여 타겟 엔티티를 평가할 수 있다.

여기서, 일 실시예에 따른 데이터 분석 장치(2000)는 다양한 분석 알고리즘을 이용할 수 있다.

일 예로, 데이터 분석 알고리즘은 기계학습 모델로 제공될 수 있다. 기계학습 모델의 대표적인 예로는, 데이터의 분산(variance)을 최대한 보존하면서 서 고차원의 공간의 표본을 저차원으로 변환하는 차원 축소 기법이 있다. 여기서, 차원 축소 기법의 대표적인 예로는 주성분분석법(PCA), 서포트 벡터 머신(SVM) 및 비음수 행렬 분해(NMF)등이 있겠다. 그 외에도, 최근접 이웃 알고리즘(KNN), 랜덤 포레스트(Random Forest)등의 다양한 머신러닝 기법이 이용될 수 있으며, 앞서 언급한 기법들이 앙상블 된 형태나 그 외에 다양한 방식으로 조합된 형태까지도 전부 일 실시예에 따른 분석 방법 알고리즘으로써 이용될 수 있다.

뿐만 아니라, 일 실시예에 따른 기계학습 모델은 인공신경망의 형태로도 제공될 수 있다. 인공신경망의 대표적인 예로는 입력 레이어, 출력 레이어 및 입력 레이어와 출력 레이어 사이에서 데이터를 처리하는 히든 레이어(hidden layer)를 포함하는 딥 러닝 계열의 인공신경망이 있으나, 이에 국한되는 것은 아니며 다양한 형태의 인공신경망 역시도 이용될 수 있다.

나아가, 본 명세서에서의 분석 알고리즘이 반드시 기계학습 모델로 한정되는 것도 아니다. 즉, 분석 알고리즘은 기계학습 모델이 아닌 다양한 판단/결정 알고리즘이 포함될 수도 있다.

따라서, 본 명세서에서 분석 알고리즘은 스포츠 플레이어의 데이터를 이용하여 데이터 분석 및 스포츠 플레이어를 평가를 수행할 수 있는 모든 형태의 알고리즘을 모두 포함하는 포괄적인 의미로 해석되어야 함을 미리 밝혀둔다.

다만 설명의 편의를 위하여, 본 명세서에서의 이하의 설명에서는 차원 축소 기법과 관련된 기계학습 모델을 이용한 분석 알고리즘에 대하여 주로 설명하도록 한다. 그러나 이로 인해 본 명세서에서의 분석 알고리즘이 차원 축소 기법 계열의 기계학습 모델로 한정되는 것이 아님은 분명할 것이다.

도 18은 일 실시예에 따른 데이터 분석 장치가 히트맵 데이터를 이용하여 데이터를 분석하는 동작의 일 예 나타낸 순서도이다.

도 18을 참조하면, 일 실시예에 따른 데이터 분석 동작은 히트맵 데이터에서 주성분을 추출하는 단계(S3200) 및 추출된 주성분에 기초하여 특징 지표를 획득하는 단계(S3400) 및 특징 지표에 기초하여 타겟 엔티티를 평가하는 단계(S3600)를 포함할 수 있다.

먼저, 주성분을 추출하는 단계(S3200)에서, 데이터 분석 시스템(2000)은 스포츠 히트맵 데이터의 주성분을 추출할 수 있다. 여기서, 주성분이란 히트맵 데이터에 포함되어 벡터로서 존재하는 복수의 스포츠 데이터의 분포를 분석하기 위하여, 고차원의 데이터 분포를 축소하여 재표현하기 위한 고유 벡터를 의미할 수 있다. 주성분은 미리 획득된 복수의 플레이어(1)들의 스포츠 히트맵 데이터에서 추출된, 미리 정해진 고유 벡터일 수 있다. .

구체적으로, 제2 콘트롤러(2002)는 스포츠 데이터의 종류를 고려하여 각각의 스포츠 히트맵 데이터로부터 적어도 하나 이상의 주성분을 추출할 수 있다. 예를 들어, 위치 히트맵 데이터에 관한 주성분과 동적 히트맵 데이터에 관한 주성분은 서로 다를 수 있다. 본 명세서의 이하의 설명에서는, 위치 히트맵 데이터에서 추출된 주성분을 '위치 주성분' 이라고 지칭하며, 동적 히트맵 데이터에서 추출된 주성분을 '동적 주성분' 이라고 지칭하도록 한다.

또한, 제2 콘트롤러(2002)는 스포츠 오브젝트의 특성을 고려하여 적어도 하나 이상의 주성분을 추출할 수 있다. 이는 스포츠 오브젝트의 특성에 동일한 범위 내의 히트맵 데이터로부터 주성분을 추출하는 것으로 이해될 수 있을 것이다. 예를 들어, 모든 스포츠 플레이어의 히트맵 데이터로부터 주성분을 추출하는 것도 가능하지만, 이와 달리 특정 역할을 할당받은 스포츠 플레이어의 히트맵 데이터만을 이용해서 주성분을 추출하거나 또는 특정 리그에서 플레이하는 스포츠 플레이어의 히트맵 데이터만을 이용해서 주성분을 추출하는 등의 방식이 가능할 수 있다.

여기서, 스포츠 오브젝트의 특성은 다양할 수 있다. 구체적으로, 스포츠 오브젝트의 특성은 스포츠 경기 내의 전술적인 특성일 수 있다. 예시적으로 스포츠 오브젝트가 플레이하는 포지션 및 스포츠 오브젝트가 경기 내에서 수행하는 롤(role) 등을 포함할 수 있을 것이다. 또한 스포츠 오브젝트의 특성은 스포츠 플레이어의 개인별 특성일 수 있다. 예시적으로, 스포츠 플레이어의 나이, 성별 등을 포함할 수 있을 것이다. 또한, 스포츠 오브젝트의 특성은 스포츠 레벨일 수 있다. 예시적으로, 스포츠 오브젝트가 플레이하는 리그의 수준이나, 스포츠 오브젝트가 참가한 대회의 수준, 친선경기 여부 등을 포함할 수 있다. 스포츠 오브젝트의 특성이 반영된 주성분 추출에 관해서는, 후술하여 상세히 설명하도록 한다.

또한, 주성분은 스포츠의 다양한 요소를 반영할 수 있다. 일 예로, 주성분은 스포츠 경기에 관한 전술적인 상황을 반영할 수 있다. 구체적으로, 주성분은 스포츠 플레이어가 플레이 한 게임이 공격적이었는지, 또는 수비적이었는지 여부가 반영될 수 있다. 구체적으로 공격 또는 수비 중 어느 하나의 기간 동안 얻어진 히트맵 데이터로부터만 주성분을 추출하거나, 이긴 경기, 비긴 경기 또는 진 경기에 대하여 그룹핑된 히트맵 데이터들로부터 각각 주성분을 추출하는 식이 가능할 수 있다. 다른 예로, 추출된 주성분은 스포츠 플레이어의 개인적인 성향을 반영할 수도 있다. 앞선 예시 외에도, 주성분은 해당 스포츠에 대응되는 모든 요소가 반영될 수 있음이 이해될 것이다. 이를 다시 말하면, 제2 콘트롤러(2002)는 스포츠의 다양한 요소를 반영하여 주성분을 추출할 수도 있다고 표현할 수 있겠다. 이처럼 추출된 주성분을 이용하여 타겟 엔티티를 평가할 때에는, 타겟 엔티티와 특성이 동일한 히트맵 데이터들로부터 추출된 주성분을 이용할 수 있을 것이다.

또한, 제2 콘트롤러(2002)는 평가하고자 하는 지표를 고려하여 적어도 하나 이상의 주성분을 추출할 수 있다. 예를 들어, 제2 콘트롤러는, 타겟 플레이어의 히트맵 데이터로부터 평가하고자 하는 지표가 타겟 플레이어의 전술적 성향인 경우, 주성분에 의해 추출된 가중치 값이 타겟 플레이어의 전술적 성향이 반영되도록 주성분을 추출할 수 있다. 이에 관하여도 후술하여 자세히 설명하도록 한다.

주성분을 추출하는 단계(S3200) 이후, 데이터 분석 시스템(2000)은 추출된 주성분에 기초하여 특징 지표를 획득할 수 있다(S3400). 구체적으로, 제2 콘트롤러(2002)는 스포츠 히트맵 데이터로부터 추출된 주성분에 기초하여, 상기 주성분에 대응되는 스포츠 히트맵 데이터의 특징 지표를 획득할 수 있다.

여기서, 특징 지표는 주성분을 통해 스포츠 히트맵 데이터를 표현하기 위하여, 각각의 주성분에 대한 스포츠 히트맵 데이터의 가중치를 의미할 수 있다. 또한, 특징 지표는 주성분에 대한 피쳐 벡터(feature-vector)를 의미할 수도 있다. 즉, 특징 지표는 피쳐 벡터의 형태로 표현될 수 있다.

피쳐 벡터는 특정 경기에서 얻어진 스포츠 데이터로부터 생성된 히트맵 데이터로부터 얻어질 수도 있지만, 특정 기간 동안 치러진 경기들에서 얻어진 스포츠 데이터로부터 생성된 히트맵 데이터들로부터 얻어질 수도 있다. 이때에는 복수의 히트맵 데이터들 각각으로부터 피쳐 벡터를 획득한 뒤 복수의 피쳐 벡터의 대표 벡터(평균, 중간, 최빈 등)를 획득하거나 또는 복수의 히트맵 데이터들로부터 대표 히트맵 데이터(마찬가지로 평균, 중간, 최빈 등)를 생성한 뒤, 이에 대한 주성분 분석을 통해 피쳐-벡터를 획득할 수도 있다. 한 경기에 대한 피쳐 벡터는 해당 경기에서 국한된 타겟 엔티티에 대한 평가로 이해될 수 있으며, 특정 기간 동안 수집된 히트맵 데이터로부터 얻어지는 피처-벡터는 해당 기간 동안의 타겟 엔티티에 대한 평가일 수 있다. 예를 들어, 1년 동안 치러진 경기의 히트맵 데이터를 이용하여 평가를 수행하면, 해당 년도의 해당 스포츠 플레이어에 대한 평가가 될 수 있다.

스포츠 히트맵 데이터의 주성분에 관한 보다 자세한 설명과 특징 지표에 관한 보다 자세한 설명은 후술하여 상세히 설명하도록 한다.

히트맵 데이터로부터 주성분을 산출(S3200)하고, 특징 지표를 획득하는 단계(S3400) 이후, 데이터 분석 시스템(2000)은 획득된 특징 지표에 기초하여 타겟 엔티티를 평가할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 타겟 엔티티의 특성을 고려하여, 타겟 엔티티의 특징 지표에 기초하여 타겟 엔티티를 평가할 수 있다. 여기서, 타겟 엔티티를 평가할 수 있는 방법은 타겟 엔티티에 따라 다양할 수 있다. 타겟 엔티티의 평가에 관한 것은 후술하여 자세히 설명하도록 한다.

이상의 설명에서 언급된 데이터 분석 장치(2000)가 수행하는 데이터 분석 동작의 각 단계들은, 반드시 필수적인 것은 아니며, 일부 단계는 생략되어도 무방하다. 즉, 예를 들어, 데이터 분석 장치(2000)는 주성분을 추출하는 단계를 생략하고, 미리 저장된 주성분을 이용하여 타겟 플레이어의 특징 지표를 획득할 수도 있다. 이처럼, 본 실시예에서 데이터 분석 장치(2000)에서 수행되는 동작들은 서로 개별적으로 또는 조합되어 수행될 수도 있으며, 일부가 생략될 수도 있다.

도 19는 일 실시예에 따른 데이터 분석 장치가 보정된 히트맵 데이터를 이용하여 데이터를 분석하는 동작의 다른 예 나타낸 순서도이다

일 실시예에 따른, 데이터 분석 장치(2000)에서 수행되는 히트맵 데이터를 분석하는 동작은, 히트맵 데이터에서 미리 정해진 주성분에 대한 특징 지표를 획득하는 단계(S4200) 및 획득된 특징 지표에 기초하여 타겟 엔티티를 평가하는 단계(S4400)를 포함할 수 있다.

일 실시예에 따르면, 데이터 분석 장치(2000)는 적어도 하나 이상의 스포츠 플레이어와 관련된 스포츠 히트맵 데이터로부터 미리 획득된 주성분에 대한 타겟 플레어의 스포츠 히트맵 데이터에 대한 특징 지표를 획득할 수 있다(S4200). 구체적으로, 제2 콘트롤러(2002)는 메모리(2200)에 저장된 적어도 하나 이상의 스포츠 플레이어의 히트맵 데이터로부터 미리 추출된 주성분에 기초하여, 타겟 플레이어의 스포츠 히트맵 데이터에서 타겟 플레이어의 특징 지표를 획득할 수 있다. 여기서, 미리 획득된 주성분은 복수의 플레이어로부터 전술한 바와 유사한 방식을 통해 획득될 수 있다. 또한, 미리 획득된 주성분에 관한 구체적인 설명은 후술하여 상세히 설명하도록 한다.

이후, 데이터 분석 장치(2000)는 타겟 플레이어의 특징 지표에 기초하여 타겟 플레이어를 평가할 수 있다.(S4400) 구체적으로, 제2 콘트롤러(2002)는 메모리(2200)에 미리 저장된 적어도 하나 이상의 스포츠 플레이어의 특징 지표에 기초하여, 타겟 플레이어의 특징 지표를 분석함으로써 타겟 플레이어를 평가할 수 있다.

이상에서는, 데이터 분석 장치(2000)가 수행하는 보정된 히트맵 데이터를 분석하는 동작의 여러 예시들에 대해 개괄적으로 알아보았다.

이하에서는, 데이터 분석 장치(2000)가 수행하는 상기 개괄적인 분석 동작에 포함되는 각 세부 동작에 대하여 도면을 참조하여 상세히 설명하도록 한다.

먼저, 도 19에서 전술한 바와 같이, 데이터 분석 장치(2000)는 복수의 히트맵 데이터에서 추출된 주성분을 미리 저장할 수 있는데, 이와 관련하여 데이터 분석 장치(2000)가 미리 획득된 복수의 히트맵 데이터에 기초하여 주성분을 추출하는 동작에 대하여 설명하도록 한다.

일 실시예에 따르면, 데이터 분석 장치(2000)는 미리 획득된 복수의 히트맵 데이터로부터, 히트맵에 대한 주성분을 추출할 수 있다. 여기서, 히트맵 데이터는 히트맵 데이터를 생성하는데 이용된 스포츠 데이터가 수집된 시간에 대해 노말라이징된 상태일 수 있다. 예로, 수집 시간 단위로 비율화된 것일 수 있다. 또 히트맵 데이터는 반드시 그러한 것은 아니나 한 경기 단위를 기준으로 모인 스포츠 데이터로부터 생성된 것일 수 있다.

구체적으로, 제2 콘트롤러(2002)는 복수의 플레이어들과 관련된 복수의 스포츠 히트맵 데이터에 기초하여, 복수의 히트맵 데이터에 대한 주성분을 추출할 수 있다. 주성분은 다양한 방법으로 추출될 수 있으며, 예시적으로 PCA 방식을 통해 다수의 히트맵 데이터의 분산을 최소화하는 순으로 하나 또는 복수의 벡터들을 주성분으로 결정할 수 있다. 예시적으로, 복수의 플레이어들의 위치 히트맵 데이터로부터, 위치 히트맵에 대한 6개의 주성분을 선택하고, 복수의 플레이어들의 속도 히트맵 데이터로부터 속도 히트맵에 대한 4개의 주성분을 선택할 수 있을 것이다.

도 21은 일 실시예에 따라 데이터 분석 장치가 복수의 히트맵 데이터로부터 주성분을 추출하는 동작에 관한 것이다.

도 21을 참조하면, 위치 데이터의 특성을 갖는 복수의 히트맵, 속도 데이터의 특성을 갖는 복수의 히트맵 등과 같이 서로 다른 도메인 상의 히트맵들 각각으로부터 해당 히트맵들 간의 분산을 최소화하는 주성분을 추출할 수 있으며, 분석 장치(2000)는 이를 저장할 수 있다. 후술하겠지만, 이처럼 추출된 주성분에 타겟 엔티티의 히트맵을 프로젝션하면 피쳐-벡터 즉, 특징 지표를 획득할 수 있다.

이상에서는, 데이터 분석 장치(2000)가 복수의 스포츠 히트맵 데이터로부터 주성분을 추출하는 동작에 대하여 알아보았다.

그러나, 본 명세서의 일 실시예에 따르면, 스포츠 오브젝트의 특성이 반영되지 않은 주성분에 기초하여 복수의 특징 지표를 획득하고, 획득된 복수의 특징 지표들에 기초하여 복수의 플레이어를 특성별로 군집화 할 수 있다.

이하에서는, 추출된 주성분들의 예시에 대하여 도면을 참조하여 상세히 설명하도록 한다.

도 22 내지 도 23은 일 실시예에 따른 주성분의 예시를 나타낸 것이다.

먼저, 도 22는 일 실시예에 따른 위치 히트맵 데이터에 대한 주성분의 일 예를 나타낸 것이다.

도 22를 참조하면, 복수의 플레이어로부터 미리 획득한 복수의 위치 히트맵 데이터에서 추출된 주성분이 도시되어 있다.

또한, 데이터 분석 장치(2000)는 위치 히트맵 데이터에 관한 주성분에 대응되는 특징 지표에 기초하여, 타겟 플레이어를 평가할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 특정 의미를 가지는 위치 히트맵 데이터에 관한 주성분에 기초하여 추출된 타겟 플레이어의 특징 지표를 이용하여, 타겟 플레이어의 운동 능력을 평가할 수 있다. 여기서, 타겟 플레이어의 운동 능력은 스포츠 플레이어의 전술적인 움직임, 개인적인 운동능력 등, 스포츠 경기 내에서 평가 대상이 될 수 있는 모든 것을 의미할 수 있다.

전술한 바와 같이, 복수의 플레이어들로부터 획득된 주성분은 각각 의미를 가질 수 있으며, 주성분의 가진 의미에 따라 해당 주성분에 기초하여 추출된 타겟 플레이어의 특징 지표는 해당 주성분의 의미를 반영할 수 있다.

도면에 예시로 도시된 6개의 주성분은 예시일 뿐이며, 6개 이상 혹은 6개보다 적은 주성분이 추출되어도 무방하며, 본 명세서가 이러한 예시에 국한되지 않음이 이해될 것이다.

먼저, (a)를 참조하면, 측면에서 주로 플레이하는 성향(이하 '측면-플레이')특성을 판단하기 위한 의미를 가진 주성분이 도시되어 있다.

측면- 플레이로 표현된 주성분의 형태를 살펴보면, 경기장의 일측면에 위치 점유 빈도가 높은 것이 도시되어 있다. 상기 측면-플레이 주성분에 기초하여 획득된 타겟 플레이어의 특징 지표는, 타겟 플레이어의 측면 플레이에 대한 평가의 기초가 될 수 있다. 구체적으로, 타겟 플레이어의 위치 히트맵 데이터의 분석 결과, 측면-플레이의 특징 지표가 높게 측정된 경우 타겟 플레이어는 위치 히트맵 데이터가 측정된 경기에서 측면-플레이의 비중이 높았다는 것을 의미할 수 있다.

또, (b)를 참조하면, 공격적인 성향의 플레이(이하 '공격-플레이')에 관한 특성을 판단하기 위한 주성분이 도시되어 있다.

공격-플레이로 표현된 주성분의 형태를 살펴보면, 경기장의 공격방향 쪽 부분에 위치 점유 빈도가 높은 것이 도시되어 있다. 상기 공격-플레이 주성분에 기초하여 획득된 타겟 플레이어의 특징 지표는, 타겟 플레이어의 공격-플레이에 대한 평가의 기초가 될 수 있다. 구체적으로, 타겟 플레이어의 위치 히트맵 데이터의 분석 결과, 공격-플레이의 특징 지표가 높게 측정된 경우 타겟 플레이어는 위치 히트맵 데이터가 측정된 경기에서 공격-플레이의 비중이 높았다는 것을 의미할 수 있다.

또 (c)를 참조하면, 중앙 이외의 지역에서 플레이하는 성향(이하, '중앙공포증-플레이')에 관한 특성을 판단하기 위한 주성분이 도시되어 있다.

중앙공포증-플레이의 성향을 반영하는 주성분의 형태를 살펴보면, 경기장의 중앙 지역 부분에 위치 점유 빈도가 낮고, 경기장의 중앙지역 이외 부분의 위치 점유 빈도가 높은 것이 도시되어 있다. 이러한 성향을 나타내는 주성분에 기초하여 획득된 타겟 플레이어의 특징 지표는, 타겟 플레이어의 전술적인 성향에 대한 평가의 기초가 될 수 있다. 구체적으로, 타겟 플레이어의 위치 히트맵 데이터의 분석 결과, 중앙공포증-플레이 성향에 대한 특징 지표가 높게 측정된 경우, 해당 플레이어는 미드필드 이외의 지역에서 주로 플레이하는 특성을 가졌다고 평가할 수 있다.

또, (d)를 참조하면, 골대 근처에서 플레이하는 성향(이하, '포처-플레이')에 관한 특성을 판단하기 위한 주성분이 도시되어 있다.

포처-플레이의 성향을 반영하는 주성분의 형태를 살펴보면, 공격진영의 골대 근처에 위치 점유빈도가 밀집된 것이 나타나 있다. 이러한 성향을 나타내는 주성분에 기초하여 획득된 타겟 플레이어의 특징 지표는, 주로 포워드 포지션의 역할을 수행하는 타겟 플레이어의 평가에 유용할 것이다. 이러한 포처-플레이 성향에 대한 특징 지표가 높게 측정된 타겟 플레이어는 활발한 활동 보다는 주로 골대 앞에서 골을 노리는 특성을 가졌다고 평가할 수 있을 것이다.

또, (e)를 참조하면, 스위칭 플레이 성향에 관한 특성을 판단하기 위한 주성분이 도시되어 있다.

스위칭 플레이 성향을 반영하는 주성분의 형태를 살펴보면, 경기장의 대각선 방향으로 위치 점유 빈도가 밀집된 것이 나타나 있다. 이러한 성향을 나타내는 주성분에 기초하여 획득된 타겟 플레이어의 특징 지표는, 전술적으로 스위칭 플레이를 수행하는지 여부를 판단하는 데에 이용될 수 있다.

마지막으로, (f)를 참조하면, 페널티 박스 내에서 플레이하는 것을 선호하는 성향(이하, '박스-선호 플레이')에 관한 특성을 판단하기 위한 주성분이 도시되어 있다.

박스-선호 플레이 성향을 반영하는 공통 주성분은 경기장의 페널티 박스 근처에서 위치 점유 빈도가 밀집된 것이 나타나 있다. 이러한 성향을 나타내는 주성분에 기초하여 획득된 타겟 플레이어의 특징 지표는, 전술적으로 페널티 박스 내에서 플레이를 선호하는 지 여부를 판단하는 데에 이용될 수 있다.

이상에서 예시로 언급된 위치 히트맵 데이터에 관한 주성분 외에도, 데이터 분석 장치(2000)에 의해 스포츠 플레이어의 특성이나 성향을 평가하기 위한 다양한 의미를 가지는 주성분이 추출될 수 있으며, 도면에 도시되지 않은 다양한 주성분에 관한 실시예들 역시 본 명세서의 일부로 포함되는 것이 이해될 것이다.

이하에서는, 동적 히트맵 데이터에 관한 예시적인 주성분을 도면을 참조하여 설명한다.

도 23을 참조하면, 데이터 분석 장치(2000)는 동적 히트맵 데이터에 관한 주성분에 대응되는 특징 지표에 기초하여, 타겟 플레이어를 평가할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 특정 의미를 가지는 동적 히트맵 데이터에 관한 주성분에 기초하여 추출된 타겟 플레이어의 특징 지표를 이용하여, 타겟 플레이어의 운동 능력을 평가할 수 있다. 여기서, 타겟 플레이어의 운동 능력은 스포츠 플레이어의 전술적인 움직임, 개인적인 운동능력 등, 스포츠 경기 내에서 평가 대상이 될 수 있는 모든 것을 의미할 수 있다.

동적 히트맵 데이터에 관한 주성분 역시도 전술한 위치 히트맵 데이터에 관한 주성분과 마찬가지로, 플레이어의 성향이나 특성을 반영하는 의미를 가질 수 있다.

먼저, (a)를 참조하면, 경기장의 공격-수비 방향으로의 운동을 수행하는 성향(이하 '엔드-투-엔드')을 나타내는 주성분이 도시되어 있다. 엔드-투-엔드에 관한 주성분을 살펴보면, 경기장의 공격-수비 방향으로의 운동에 대한 속도의 빈도 분포가 밀집되어 있는 것이 도시되어 있다. 엔드-투-엔드 성향과 관련된 주성분에 기초하여 추출된 특징 지표는 플레이어의 경기장의 공격/수비 방향으로의 운동에 대한 성향을 반영할 수 있다.

또, (b)를 참조하면, 경기장의 대각선 방향으로의 운동을 수행하는 성향(이하 대각-운동)을 나타내는 주성분이 도시되어 있다. 대각-운동 성향에 관한 주성분을 살펴보면, 경기장의 대각선 방향으로의 운동에 대한 속도 빈도 분포가 밀집되어 있는 것이 도시되어 있다. 대각-운동 성향과 관련된 주성분에 기초하여 추출된 특징 지표는 플레이어의 경기장의 대각선 방향으로의 운동에 대한 성향을 반영할 수 있다.

또, (c)를 참조하면, 경기장의 측면 방향으로의 운동을 수행하는 성향(이하 측면-운동)을 나타내는 주성분이 도시되어 있다. 측면-운동 성향에 관한 주성분을 살펴보면, 경기장의 측면 방향으로의 운동에 대한 속도 빈도 분포가 밀집되어 있는 것이 도시되어 있다. 측면-운동 성향과 관련된 주성분에 기초하여 추출된 특징 지표는 플레이어의 경기장의 측면 방향으로의 운동에 대한 성향을 반영할 수 있다.

또, (d)를 참조하면, 고속도의 운동을 수행하는 성향(이하 '고속-운동')을 나타내는 고통 주성분이 도시되어 있다. 고속-운동 성향에 관한 주성분을 살펴보면, 방향과 상관 없이 고속력의 운동에 대해 속도 빈도 분포가 밀집되어 있는 것이 도시되어 있다. 고속-운동 성향과 관련된 주성분에 기초하여 추출된 특징 지표는 플레이어의 고속 운동에 대한 성향을 반영할 수 있다.

이상에서 설명한 바와 같이, 히트맵 데이터로부터 추출된 주성분은 스포츠 오브젝트의 특성 또는 평가하고자 하는 능력에 대한 성향을 반영할 수 있다.

또한, 주성분은 해당 스포츠의 경기 내적 요인을 반영할 수 있다. 예시적으로, 스포츠 플레이의 공격 상황과 같은 경기 내적 요인을 반영할 수도 있다. 다른 예로, 스포츠 플레이의 수비 상황과 같은 경기 내적 요인을 반영할 수도 있다.

이처럼, 일 실시예에 따라 데이터 분석 장치(2000)에서 수행되는 플레이어 평가 방법은 타겟 플레이어의 특성과 평가하고자 하는 능력에 대한 성향까지 상세히 반영하므로, 보다 포괄적이고 세분화된 평가가 가능해 질 수 있다.

또한, 본 명세서에서는 예시적으로 몇몇 가지의 주성분에 대해서만 언급하였으나, 이 외에 본 명세서의 사상에서 도출될 수 있는 다양한 예시들 까지도 본 명세서에 통합되는 것은 자명하다.

이상에서는, 주성분에 관한 예시에 관하여 도면을 참조하여 설명하였다. 이하에서는, 주성분에 기초하여 추출된 특징 지표에 관하여, 도면을 참조하여 설명하도록 한다.

도 24를 참조하면, 데이터 분석 장치(2000)는 주성분에 기초하여, 스포츠 히트맵 데이터로부터 특징 지표를 획득할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 복수의 플레이어들의 복수의 히트맵 데이터로부터 미리 획득된 주성분에 기초하여, 타겟 플레이어의 특징 지표를 획득할 수 있다. 또한, 제2 콘트롤러(2002)는 타겟 플레이어의 스포츠 히트맵 데이터를 주성분에 대해 프로젝션하여 타겟 플레이어의 특징 지표를 획득할 수도 있다.

또한 여기서, 특징 지표는 위치 데이터에 관한 특징 지표 및 동적 데이터에 관한 특징 지표가 모두 포함될 수 있음은 전술한 바와 같다.

다시 도 22 및 23을 참조하면, 위치 주성분에 관한 특징 지표 및 동적 주성분에 관한 특징 지표에 관한 예시가 도시되어 있다.

도면에 도시된 바와 같이, 특징 지표는 각각의 주성분에 대응하여 추출될 수 있다. 또한, 특징 지표는 경기 별로 추출될 수도 있다. 일 예로, 도면에 도시된 특징 지표는, 경기 별로 위치 히트맵 데이터에 관한 6개의 주성분에 대해 6개의 위치 특징 지표가 추출되었으며, 동적 히트맵 데이터에 관한 4개의 주성분에 대해 4개의 동적 특징 지표가 추출되었다.

여기서, 각각의 주성분은 전술한 바와 같이, 복수의 플레이어로부터 미리 획득한 주성분일 수도 있으며, 타겟 플레이어의 히트맵 데이터를 분석하여 획득한 주성분일 수도 있다.

또한 여기서, 도면에는 각 경기별로 특징 지표를 추출한 것으로 도시되어 있으나, 반드시 이에 국한될 필요는 없으며, 특징 지표 획득하기 위한 시간 기준은 다양할 수 있다. 즉, 예를 들어, 제2 콘트롤러(2002)는 경기 시간의 일부 동안의 히트맵 데이터를 분석하여 특징 지표를 획득하는 것도 가능하며, 1년 단위로 타겟 플레이어의 종합적인 히트맵 데이터를 분석하여 특징 지표를 획득하는 것 역시 가능하다. 후술되는 특징 지표를 이용한 선수 간의 비교나 유사도 판단, 유망주 발굴의 경우에는 단일 경기의 특징 지표보다는 다수 경기에서 수집된 특징 지표의 평균값을 이용하는 것이 바람직할 수 있다.

또한 특징 지표는 전술한 바와 같이, 스포츠 오브젝트의 특성이 라벨링 될 수도 있다.

이상의 설명에서는 스포츠 플레이어와 관련된 히트맵 데이터를 분석하는 동작에 대해 주로 설명하였다. 그러나, 이상에서 언급한 실시예들이 반드시 플레이어에 국한되는 것은 아니며, 데이터 분석 장치(2000)에서 수행되는 플레이어의 히트맵 데이터를 분석하는 동작은, 실질적으로 동일한 방식을 통해 모든 타겟 엔티티에 적용될 수 있음은 앞서 밝힌 바와 같다.

일 예로, 데이터 분석 장치(2000)는 복수의 플레이어의 위치 히트맵 데이터를 조합한 위치 히트맵 데이터에 대해서도 분석할 수 있다. 즉, 제2 콘트롤러(2002)는 플레이어에 관한 히트맵 데이터 뿐 아니라, 모든 타겟 엔티티에 관한 모든 히트맵 데이터를 분석할 수 있는 것이다.

예를 들어, 타겟 엔티티가 팀인 경우, 제2 콘트롤러(2002)는 동일 팀이라고 식별된 플레이어들 모두의 히트맵 데이터를 조합한 데이터에 대하여 주성분을 추출하고 특징 지표를 추출하는 등의 분석 동작을 수행할 수도 있으며, 타겟 엔티티가 일부 포지션을 수행하고 있는 복수의 플레이어라면, 상기 복수의 플레이어의 히트맵 데이터를 조합한 데이터에 대하여 주성분을 추출하고 특징 지표를 추출하는 등의 분석 동작을 수행할 수도 있는 것이다.

이상에서는, 일 실시예에 따라 데이터 획득 장치(1000)가 스포츠 데이터를 획득하는 동작 및 데이터 분석 장치(2000)가 획득된 스포츠 데이터에 대한 전처리를 수행하고, 전처리된 데이터를 분석하는 동작까지 설명하였다.

이하에서는, 일 실시예에 따라 데이터 분석 장치(2000)가 수행하는 타겟 플레이어에 대한 평가 동작에 대해 설명하도록 한다.

일 실시예에 따르면, 데이터 분석 장치(2000)는 타겟 엔티티를 평가할 수 있다. 구체적으로, 제2 콘트롤러(2000)는 데이터 획득 장치(1000)에 의해 획득된 스포츠 데이터에 기초하여, 타겟 엔티티를 평가할 수 있다. 보다 더 구체적으로, 제2 콘트롤러(2000)는, 데이터 획득 장치(1000)에 의해 획득된 타겟 엔티티와 관련된 스포츠 데이터를 분석한 타겟 엔티티의 특징 지표를 이용하여, 타겟 엔티티를 평가할 수 있다.

여기서, 평가의 대상이 되는 타겟 엔티티의 유형에 대응하여, 데이터 분석 장치(2000)가 수행하는 평가 동작은 달라질 수 있다. 이에 대하여, 후술하여 자세히 설명하도록 한다.

또한 여기서, 평가의 의미는 포괄적으로 해석되어야 한다. 즉, 본 명세서에서의 평가의 개념은, 스포츠와 관련된 정보에 대한 특정한 지표를 제공한다는 의미로 포괄적으로 해석되어야 하며, 스포츠와 관련된 특정한 지표로서 제공될 수 있는 것이라면 어떠한 것이라도 본 명세서의 평가의 대상에 포함될 수 있는 것이다.

일 예로, 일 실시예에 따른 평가는 타겟 엔티티의 유형을 판단하는 것을 의미할 수 있다.

다른 예로, 일 실시예에 따른 평가는 타겟 엔티티의 스포츠 능력을 평가하는 것일 수 있다. 여기서, 스포츠 능력은 스포츠와 관련된 능력을 뜻하는 것으로 해석될 수 있다. 예시로써, 스포츠 능력은 개인의 운동 능력을 의미할 수 있고, 전술적인 수행 능력을 의미할 수도 있다. 구체적으로, 개인의 운동 능력을 분석하여 개선해야 할 능력에 대한 판단과, 개선 방법에 대한 정보 제공 역시도 가능하다. 또한, 특정 플레이어를 대체할 수 있는지 여부에 대한 판단 역시 본 명세서에서의 평가의 의미에 포함될 수 있다. 또한, 특정 포지션에 적합한지 여부에 대한 판단도 본 명세서에서의 평가의 의미에 포함될 수 있다. 또한, 유소년 플레이어의 성장 방향에 대한 가이드를 제공하는 것 역시 본 명세서에서의 평가의 의미에 포함될 수 있다.. 또한, 유소년 플레이어의 적합한 포지션을 예측하는 것 역시 본 명세서에서의 평가의 의미에 포함될 수 있다..

또한, 평가는 타겟 엔티티의 능력을 절대적인 지표로서 제공하는 것 뿐만 아니라, 적어도 하나 이상의 다른 스포츠 오브젝트와의 상대적인 지표로 제공하는 것도 가능할 것이다. 예시로써, 스포츠 팀 스쿼드의 적어도 일부의 선수에 대해, 복수의 플레이어 중 가장 적합한 플레이어를 판단하는 것 역시 본 명세서에서의 평가의 의미에 포함될 수 있다. 또한, 스포츠 팀 간의 승률을 예측하는 것 역시 본 명세서에서의 평가의 의미에 포함될 수 있다. 또한, 상대하는 팀에 따라, 어떤 포메이션을 구사해야 하는지에 대한 판단 역시 본 명세서에서의 평가의 의미에 포함될 수 있다. 또한, 상대하는 팀에 따라, 어떤 플레이어가 출장해야 하는지에 대한 판단 역시 본 명세서에서의 평가의 의미에 포함될 수 있다. 또한, 상대 선수에 따라, 어떤 선수가 출장해야 하는 지에 대한 판단 역시 본 명세서에서의 평가의 의미에 포함될 수 있다.

예시로 언급한 것 외에도, 타겟 엔티티가 플레이하는 스포츠와 관련하여, 타겟 엔티티의 특징 지표를 이용하여 판단할 수 있는 것이라면 본 명세서의 일 실시예에 따른 평가의 의미에 포함될 수 있다.

이하에서는, 먼저 타겟 엔티티가 타겟 플레이어인 경우에, 데이터 분석 장치(2000)가 타겟 플레이어를 평가하는 동작에 대해 살펴보기로 한다.

도 25는, 일 실시예에 따라 데이터 분석 장치(2000)가 타겟 플레이어를 평가하는 동작의 일 예를 나타낸 것이다.

도 25를 참조하면, 일 실시예에 따라 데이터 분석 장치(2000)가 타겟 플레이어를 평가하는 동작은 타겟 플레이어의 특징 지표를 획득하는 단계(S5000), 특징 지표에 기초하여 타겟 플레이어를 평가하는 단계(S5200) 및 평가 결과를 출력하는 단계(S5400)를 포함할 수 있다.

먼저, 데이터 분석 장치(2000)는 타겟 플레이어의 특징 지표를 획득할 수 있다(S5000). 이와 관련해서는 전술하여 상세히 설명하였으므로, 반복적인 설명은 생략하도록 한다.

타겟 플레이어의 특징 지표를 획득하면, 데이터 분석 장치(2000)는 특징 지표에 기초하여 타겟 플레이어를 평가할 수 있다(S5200). 구체적으로, 제2 콘트롤러(2002)는 타겟 플레이어의 스포츠 히트맵 데이터를 분석하여 획득한 특징 지표를 이용하여, 타겟 플레이어의 스포츠 능력을 평가할 수 있다.

여기서, 특징 지표에 기초하여 타겟 플레이어를 평가하는 방식은 전술한 바와 같이 다양할 수 있다.

일 예로, 제2 콘트롤러(2002)는 메모리(2200)에 저장된 적어도 하나 이상의 복수의 스포츠 플레이어들의 특징 지표에 기초하여 타겟 플레이어를 평가할 수 있다. 여기서, 타겟 플레이어는 상기 복수의 스포츠 플레이어들에 포함될 수도 있고 포함되지 않을 수도 있다. 보다 구체적으로, 제2 콘트롤러(2002)는 메모리(2200)에 저장된 적어도 하나 이상의 다른 스포츠 플레이어들의 특징 지표와 타겟 플레이어의 특징 지표를 비교하여, 타겟 플레이어의 유형을 판단할 수 있다. 다른 예로, 제2 콘트롤러(2002)는 타겟 플레이어가 다른 스포츠 플레이어를 대체할 수 있는 지 여부에 대해 판단할 수 있다. 또 다른 예로, 제2 콘트롤러(2002)는 복수의 플레이어의 특징 지표를 비교하여, 복수의 플레이어 사이에서 특정 플레이어에 대한 가장 적합한 대체 선수를 판단할 수 있다. 또 다른 예로, 제2 콘트롤러(2002)는 유소년 플레이어에 대한 성장 가능성을 예측할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 유소년 플레이어의 특징 지표를 분석하여, 유사한 특징 지표를 가지는 다른 플레이어를 판단하거나 해당 유소년 플레이어에 대한 적합한 포지션을 판단할 수 있다. 여기서, 스포츠 플레이어 간의 유사성은 특징 벡터 간의 거리에 기반하여 판단될 수 있다. 예를 들어, 데이터베이스화 된 스포츠 플레이어 중 특징 벡터 간의 L2 거리가 가까운 순으로 유사한 선수로 결정할 수 있을 것이다.

다른 예로, 제2 콘트롤러(2002)는 타겟 플레이어와 동일한 특성이 라벨링 된 복수의 플레이어들의 특징 지표에 기초하여, 타겟 플레이어를 평가할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 타겟 플레이어와 동일한 특성이 라벨링 된 복수의 플레이어들 사이에서, 타겟 플레이어의 운동 능력의 순위를 결정할 수 있다.

언급된 예시 외에도, 전술한 바와 같이 제2 콘트롤러(2002)는 타겟 플레이어의 스포츠 데이터를 분석하여 지표로서 제공할 수 있는 모든 것에 대해 평가할 수 있다.

타겟 플레이어를 평가하는 단계(S5200) 이후, 데이터 분석 장치(2000)는 평가 결과를 출력할 수 있다(S5400). 구체적으로, 제2 콘트롤러(2002)는 데이터 분석 장치(2000)에 별도로 구비된 출력부를 통해 평가 결과를 출력할 수도 있으며, 제2 통신모듈(2800)을 통해 평가 결과를 외부 기기로 전송할 수도 있다.

이하에서는, 타겟 엔티티가 팀인 경우에 데이터 분석 장치(2000)에서 수행되는 팀 평가 동작에 대하여 설명하도록 한다.

도 26을 참조하면, 팀 평가 동작은 타겟 팀의 특징지표를 획득하는 단계(S6000), 특징 지표에 기초하여 타겟 팀을 평가하는 단계(S6200) 및 평가 결과를 출력하는 단계(S6400)를 포함할 수 있다.

먼저, 데이터 분석 장치(2000)는 타겟 팀의 특징 지표를 획득할 수 있다(S6000). 여기서, 데이터 분석 장치(2000)는 타겟 플레이어의 특징 지표를 획득하는 방식과 유사하게 타겟 팀의 특징 지표를 획득할 수 있다. 일 예로, 제2 콘트롤러(2002)는 타겟 팀에 포함되는 적어도 하나 이상의 플레이어들과 관련된 데이터 기초하여, 타겟 팀의 특징 지표를 획득할 수 있다. 여기서, 타겟 팀에 포함되는 적어도 하나 이상의 플레이어들과 관련된 데이터는, 예시적으로 스포츠 히트맵 데이터, 특징 지표 등이 있을 수 있다. 즉 보다 구체적으로, 제2 콘트롤러(2002)는 타겟 팀에 포함되는 하나 이상의 플레이어들의 히트맵 데이터를 조합한 데이터를 이용하여 타겟 팀의 특징 지표를 획득할 수도 있으며, 타겟 팀에 포함되는 하나 이상의 플레이어들의 특징 지표들을 조합하여 타겟 팀의 특징 지표를 획득할 수도 있는 것이다.

또한, 복수의 팀에 관한 특징 지표를 산출하는 경우에, 데이터 분석 장치(2000)는 복수의 팀의 히트맵 데이터를 조합하여 특징 지표를 산출할 수도 있으며, 복수의 팀 각각의 특징 지표를 조합하여 복수의 팀에 대한 특징 지표를 계산할 수도 있다.

타겟 팀의 특징 지표를 획득하면, 데이터 분석 장치(2000)는 특징 지표에 기초하여 타겟 팀을 평가할 수 있다(S6200). 구체적으로, 제2 콘트롤러(2002)는 타겟 팀의 특징 지표를 이용하여, 타겟 팀의 스포츠 능력을 평가할 수 있다.

여기서, 특징 지표에 기초하여 타겟 팀을 평가하는 방식은 전술한 바와 같이 다양할 수 있다.

일 예로, 제2 콘트롤러(2002)는 메모리(2200)에 저장된 적어도 하나 이상의 스포츠 팀의 특징 지표에 기초하여 타겟 팀을 평가할 수 있다. 보다 구체적으로, 제2 콘트롤러(2002)는 메모리(2200)에 저장된 적어도 하나 이상의 다른 스포츠 팀의 특징 지표와 타겟 팀의 특징 지표를 비교하여, 타겟 팀의 유형을 판단할 수 있다. 또는 제2 콘트롤러(2002)는 복수의 스포츠 팀 사이에서 타겟 팀의 순위를 예측할 수도 있다.

다른 예로, 제2 콘트롤러(2002)는 메모리(2002)에 저장된 적어도 하나 이상의 다른 스포츠 팀의 특징 지표와 타겟 팀의 특징 지표에 기초하여, 타겟 팀의 다른 팀에 대한 승률을 계산할 수 있다.

여기서, 전술한 바와 같이 특징 지표는 상대팀과 타겟팀의 히트맵 데이터를 조합한 데이터로부터 추출될 수도 있다. 즉, 데이터 분석 장치(2000)는 타겟 팀과 다른 팀의 히트맵 데이터를 조합한 데이터에 기초하여 타겟 팀의 상대 팀에 대한 승률을 계산할 수도 있다.

언급된 예시 외에도, 전술한 바와 같이 제2 콘트롤러(2002)는 타겟 팀의 스포츠 데이터를 분석하여 지표로서 제공할 수 있는 모든 것에 대해 평가할 수 있다.

타겟 팀을 평가하는 단계(S6200) 이후, 데이터 분석 장치(2000)는 평가 결과를 출력할 수 있다(S6400). 구체적으로, 제2 콘트롤러(2002)는 데이터 분석 장치(2000)에 별도로 구비된 출력부를 통해 평가 결과를 출력할 수도 있으며, 제2 통신모듈(2800)을 통해 평가 결과를 외부 기기로 전송할 수도 있다.

도 27은, 일 실시예에 따라 데이터 분석 장치에서 수행되는 타겟 엔티티 평가 동작의 일 예를 나타낸 것이다.

도 27을 참조하면, 타겟 엔티티 평가 동작은 타겟 팀의 특징지표를 획득하는 단계(S7000), 특징 지표에 기초하여 타겟 엔티티를 평가하는 단계(S7200) 및 평가 결과를 출력하는 단계(S7400)를 포함할 수 있다.

먼저, 데이터 분석 장치(2000)는 타겟 엔티티의 특징 지표를 획득할 수 있다(S6000). 본 실시예에서는 타겟 엔티티는 특정 롤(role)이나 특정 포지션(position)을 수행하는 하나 이상의 플레이어들을 예시로 든다.

데이터 분석 장치(2000)는 타겟 플레이어 또는 타겟 팀의 특징 지표를 획득하는 방식과 유사하게 타겟 엔티티의 특징 지표를 획득할 수 있다. 일 예로, 제2 콘트롤러(2002)는 타겟 엔티티에 포함되는 적어도 하나 이상의 플레이어와 관련된 데이터 기초하여, 타겟 엔티티의 특징 지표를 획득할 수 있다. 여기서, 타겟 엔티티에 포함되는 적어도 하나 이상의 플레이어들과 관련된 데이터는, 예시적으로 스포츠 히트맵 데이터, 특징 지표 등이 있을 수 있다.

즉 보다 구체적으로, 제2 콘트롤러(2002)는 타겟 엔티티에 포함되는 하나 이상의 플레이어들의 히트맵 데이터를 조합한 데이터를 이용하여 타겟 엔티티의 특징 지표를 획득할 수도 있으며, 타겟 엔티티에 포함되는 하나 이상의 플레이어들의 특징 지표들을 조합하여 타겟 엔티티의 특징 지표를 획득할 수도 있는 것이다.

또한, 복수의 플레이어가 포함된 타겟 엔티티에 관한 특징 지표를 산출하는 경우에, 데이터 분석 장치(2000)는 타겟 엔티티와 관련된 모든 히트맵 데이터를 조합하여 특징 지표를 산출할 수도 있으며, 타겟 엔티티에 포함되는 플레이어 각각의 특징 지표를 조합하여 타겟 엔티티에 대한 특징 지표를 계산할 수도 있다.

타겟 엔티티의 특징 지표를 획득하면, 데이터 분석 장치(2000)는 특징 지표에 기초하여 타겟 엔티티를 평가할 수 있다(S7200). 구체적으로, 제2 콘트롤러(2002)는 타겟 엔티티의 특징 지표를 이용하여, 타겟 엔티티의 스포츠 능력을 평가할 수 있다.

여기서, 특징 지표에 기초하여 타겟 엔티티를 평가하는 방식은, 타겟 플레이어, 타겟 팀에서 설명했던 바와 같이, 다양할 수 있다.

일 예로, 제2 콘트롤러(2002)는 메모리(2200)에 저장된 적어도 하나 이상의 다른 스포츠 오브젝트의 특징 지표에 기초하여 타겟 엔티티를 평가할 수 있다. 보다 구체적으로, 제2 콘트롤러(2002)는 메모리(2200)에 저장된 적어도 하나 이상의 다른 스포츠 오브젝트의 특징 지표와 타겟 엔티티의 특징 지표를 비교하여, 타겟 엔티티의 유형을 판단할 수 있다. 또는 제2 콘트롤러(2002)는 복수의 스포츠 팀 사이에서 타겟 엔티티의 능력 순위를 예측할 수도 있다.

다른 예로, 제2 콘트롤러(2002)는 메모리(2002)에 저장된 적어도 하나 이상의 다른 스포츠 오브젝트의 특징 지표와 타겟 엔티티의 특징 지표에 기초하여, 타겟 엔티티의 다른 스포츠 오브젝트에 대한 비교우위를 계산할 수 있다.

여기서, 전술한 바와 같이 특징 지표는 적어도 하나 이상의 스포츠 오브젝트와 타겟 엔티티의 히트맵 데이터를 조합한 데이터로부터 추출될 수도 있다. 즉, 데이터 분석 장치(2000)는 타겟 엔티티와 다른 스포츠 오브젝트의 히트맵 데이터를 조합한 데이터에 기초하여 타겟 엔티티에 대해 평가할 수도 있다.

언급된 예시 외에도, 전술한 바와 같이 제2 콘트롤러(2002)는 타겟 엔티티의 스포츠 데이터를 분석하여 지표로서 제공할 수 있는 모든 것에 대해 평가할 수 있다.

타겟 엔티티를 평가하는 단계(S7200) 이후, 데이터 분석 장치(2000)는 평가 결과를 출력할 수 있다(S7400). 구체적으로, 제2 콘트롤러(2002)는 데이터 분석 장치(2000)에 별도로 구비된 출력부를 통해 평가 결과를 출력할 수도 있으며, 제2 통신모듈(2800)을 통해 평가 결과를 외부 기기로 전송할 수도 있다.

이상에서는, 데이터 분석 장치(2000)가 타겟 엔티티를 평가하는 동작에 대하여 구체적으로 설명하였다. 이상의 설명에서는 평가에 있어서, 평준화된 상대 위치 데이터에 기반한 히트맵 데이터와 필터링된 속도 데이터에 기반한 히트맵 데이터를 이용하여, 주성분 추출을 통한 피쳐-벡터 산출 형태로 스포츠 플레이어 또는 팀(내지는 스쿼드)를 분석하는 것으로 설명하였으나, 본 기재의 실시예가 이로 한정되는 것은 아니다. 다시 말해, 평가에 이용되는 히트맵 데이터는 하나 또는 복수일 수 있으며, 위치, 속도, 가속도, 각속도, 각가속도를 기반으로 원본, 평준화된, 필터링된, 상대적으로 산출된 스포츠 데이터에 기반한 히트맵 중 적어도 하나일 수 있다. 예를 들어, 상대 위치 히트맵은 해당 경기에서의 팀적 상황이 가능한 배제된 공간 점유율을 분석하기 위한 용도로 이용되지만, 팀적 상황을 고려한 상태에서 공간 점유율을 분석하기 위해 원본 위치 히트맵이 상대 위치 히트맵 데이터와 함께 또는 상대 히트맵 대신 사용되거나, 가속도 기반의 히트맵 데이터를 이용하거나, 필터링의 기준을 달리한 동일한 도메인의 스포츠 데이터를 각각 이용하거나, 또는 기준 위치가 다르게 설정된 복수의 상대 위치 히트맵 데이터를 복수 개 이용하는 것도 가능한다. 즉, 히트맵 데이터의 종류와 관련된 설명에서 언급한 어떠한 종류의 히트맵 데이터도 플레이어 평가에 이용될 수 있는 것이다.

일 실시예에 따르면, 데이터 분석 장치(2000)는 평가 결과에 기초하여, 다양한 서비스(service)를 제공할 수 있다. 구체적으로, 제2 콘트롤러(2002)는 제2 통신모듈(2800)로부터 외부네트워크 또는 외부 기기에 의한 정보를 수신하고, 상기 정보에 기초하여 타겟 엔티티의 평가 결과에 대응하는 서비스를 제공할 수 있다.

여기서, 타겟 엔티티의 평가 결과에 기초하여 제공되는 서비스는 다양하게 해석될 수 있다.

일 예로, 서비스는 플레이어의 스카우팅(scouting)과 관련된 정보를 제공하는 것을 의미할 수 있다. 다른 예로, 서비스는 프로페셔널 팀의 경기 및/또는 훈련과 관련된 정보를 제공하는 것을 의미할 수 있다. 또 다른 예로, 서비스는 유소년 팀의 경기 및/또는 훈련과 관련된 정보를 제공하는 것을 의미할 수 있다. 또 다른 예로, 서비스는 평가 결과를 브로드캐스팅(broadcasting) 하는 것을 의미할 수 있다. 또 다른 예로, 서비스는 평가 결과를 통해, 특정 경기의 승자를 예측하거나, 각 팀에 대응하는 승률 정보를 제공하는 것일 수 있다. 또 다른 예로, 서비스는 평가 결과를 온라인 네트워크에 업로드하는 것을 의미할 수 있다. 또 다른 예로, 서비스는 평가 결과를 실시간으로 제공하는 것일 수 있다.

이상에서 언급된 각 실시예에 따라 시스템(100)의 각 구성에 의해 수행되는 모든 동작들은 독립적으로 또는 조합되어 수행될 수 있으며, 동작을 수행하는 주체가 변경될 수도 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims

스포츠 플레이어를 평가하는 방법에 있어서,

복수의 스포츠 참가자에 대한 위치 데이터 - 상기 위치 데이터는 스포츠 경기 동안 경기장 내의 상기 스포츠 참가자의 위치를 나타냄 - 를 획득하는 단계;

다른 스포츠 참가자의 위치 데이터에 기초하여 특정 스포츠 참가자의 기준 위치를 계산하는 단계;

상기 기준 위치를 고려한 상기 특정 참가자에 대한 위치 데이터로부터 상기 특정 참가자의 상대 위치 데이터를 생성하는 단계;

상기 특정 참가자의 상대 위치 히트맵 - 상기 상대 위치 히트맵은 상기 게임 플레이 동안의 상기 참가자의 상대 위치의 공간 점유의 빈도를 반영함 -상에 관한 상기 특정 참가자의 히트맵 데이터를 생성하는 단계; 및

상기 특정 참가자에 대한 상기 히트맵 데이터로부터 상기 특정 참가자의 퍼포먼스 지표를 계산하는 단계; 를 포함하되,

상기 퍼포먼스 지표는 상기 특정 참가자와 동일한 스포츠를 플레이하는 복수의 선수에 대한 복수의 히트맵 데이터의 주성분에 따른 상기 특정 참가자의 히트맵 데이터의 가중치(weight-value)를 나타내는 것인,

스포츠 플레이어를 평가하는 방법.
제1 항에 있어서,

상기 주성분은 상기 특정 스포츠 참가자와 같은 스포츠를 플레이하는 복수의 운동선수에 대한 복수의 히트맵 데이터의 분산을 최소화 하는

스포츠 플레이어를 평가하는 방법
제1항에 있어서,

상기 기준 위치는 상기 특정 스포츠 참가자와 같은 팀을 플레이하는 다른 스포츠 참가자들의 평균 위치인 것인

스포츠 플레이어를 평가하는 방법
제1 항에 있어서, 상기 상대 위치 데이터는 상기 특정 참가자에 대한 위치 데이터에 미리 정해진 값을 곱연산 하여 획득되는

스포츠 플레이어를 평가하는 방법.
제4 항에 있어서,

상기 위치 데이터는 서로 직교하는 공격 방향축 및 횡방향축을 포함하는 2차원의 좌표 시스템 이며,

상기 상대 위치는 상기 특정 참가자에 대한 위치 데이터 값에 상기 미리 정해진 값을 상기 공격 방향축에 대한 좌표값 또는 상기 횡방향축에 대한 좌표값에만 곱연산 함으로써 획득되는

스포츠 플레이어를 평가하는 방법.
제1 항에 있어서,

상기 상대 위치 히트맵을 디스플레이하는 단계;를 더 포함하며,

상기 상대 위치 히트맵은 상기 경기의 진행 동안 상기 특정 참가자의 상대 위치의 공간 점유의 빈도의 총량을 반영하는 시각적 지표인 것인

스포츠 플레이어를 평가하는 방법.
멀티 히트맵 분석을 이용하여 운동 선수를 평가하는 방법에 있어서,

스포츠 경기 동안 경기장 내의 스포츠 참가자의 위치를 나타내는 위치 데이터를 획득하는 단계;

동적 데이터를 획득하는 단계;로서, 상기 동적 데이터는 상기 스포츠 참가자의 속도, 가속도 및 저크(Jerk)를 각각 나타내는 속도 데이터, 가속도 데이터 및 저크(Jerk)데이터 중 적어도 어느 하나를 포함하며,

경기 동안 상기 스포츠 참가자의 위치의 공간 점유의 빈도를 반영하는 위치 히트맵에 대한 제1 히트맵 데이터를 생성하는 단계;

상기 경기 동안 스포츠 참가자의 속도, 가속도 및 저크 중 하나의 빈도 분포를 반영하는 동적 히트맵에 대한 제2 히트맵 데이터를 생성하는 단계;

제1 히트맵 및 제2 히트맵 데이터로부터 퍼포먼스 지표 - 상기 퍼포먼스 지표는 상기 스포츠 참가자와 동일한 스포츠를 플레이하는 복수의 선수에 대한 복수의 제1 히트맵의 제1 주성분에 대응하는 상기 스포츠 참가자의 제1 히트맵 데이터의 가중치(weight- value)를 반영하는 제1 퍼포먼스 지표 및 상기 스포츠 참가자와 동일한 스포츠를 플레이하는 복수의 선수에 대한 복수의 제2 히트맵의 제2 주성분에 대응하는 상기 스포츠 참가자의 제2 히트맵 데이터의 가중치를 반영하는 제2 퍼포먼스 지표를 포함함 - 를 계산하는 단계;및

상기 퍼포먼스 지표에 기초하여 스포츠 참가자를 평가하는 단계;를 포함하는

멀티 히트맵 분석을 이용한 운동 선수 평가 방법.
제7 항에 있어서,

제1 주성분은 상기 경기동안의 특정 참가자에 의해 수행된 미리 정해진 전술적 공간 점유를 나타내는 것인

멀티 히트맵 분석을 이용한 운동 선수 평가 방법.
제8 항에 있어서,

상기 미리 정해진 전술적 공간 점유는 측면-플레이, 공격적 플레이, 대각 플레이 및 박스-투-박스 플레이 중 하나를 포함하는

멀티 히트맵 분석을 이용한 운동 선수 평가 방법.
제7 항에 있어서,

상기 제2 주성분은 상기 경기 진행 동안 상기 특정 참가자에 의해 수행되는 미리 정해진 전술적 무브먼트(movement)를 나타내는

멀티 히트맵 분석을 이용한 운동 선수 평가 방법.
제10 항에 있어서,

상기 미리 정해진 전술적 무브먼트는 전-후진 운동, 대각 운동, 횡운동 및 고속운동 중 적어도 하나를 포함하는 것인

멀티 히트맵 분석을 이용한 운동 선수 평가 방법.
제7 항에 있어서,

상기 퍼포먼스 지표는, 동일 스포츠를 플레이하는 복수의 참가자로부터 획득된 복수의 퍼포먼스 지표로부터 유형화 된 복수의 플레이 스타일 사이에서의 특정 플레이 스타일을 나타내는 것인

멀티 히트맵 분석을 이용한 운동 선수 평가 방법.
선수를 평가하는 방법에 있어서,

스포츠 경기 동안의 스포츠 참가자의 위치를 나타내는 위치 데이터를 획득하는 단계;

상기 스포츠 참가자가 제1 플레이-포지션을 수행함을 나타내는 제1 포지션 식별자 및 상기 스포츠 참가자가 제2 플레이-포지션을 수행함을 나타내는 제2 포지션 식별자를 포함하는 플레이-포지션 정보를 획득하는 단계;로서, 상기 제1 플레이-포지션 및 상기 제2 플레이-포지션은 서로 다르며,

상기 제1 포지션 식별자에 대응하는 상기 위치 데이터의 제1 부분에 기초하여, 상기 제1 플레이-포지션을 수행하는 상기 스포츠 참가자의 위치의 공간 점유의 빈도를 반영하는 제1 히트맵에 대한 제1 히트맵 데이터를 생성하는 단계;

상기 제2 포지션 식별자에 대응하는 상기 위치 데이터의 제2 부분에 기초하여, 상기 제2 플레이-포지션을 수행하는 상기 스포츠 참가자의 위치의 공간 점유의 빈도를 반영하는 제2 히트맵에 대한 제2 히트맵 데이터를 생성하는 단계; 및

상기 스포츠 참가자에 대한 평가 정보를 생성하는 단계;를 포함하되,

상기 평가 정보는, 제1 히트맵 데이터로부터 획득되고 제1 플레이-포지션이 라벨링 된 제1 퍼포먼스 지표 및 제2 히트맵 데이터로부터 획득되고 제2 플레이-포지션이 라벨링 된 제2 퍼포먼스 지표를 포함하는

선수를 평가하는 방법.
제13항에 있어서,

특정 플레이-포지션의 스포츠 플레이어로서의 스포츠 참가자의 퍼포먼스 평가를 요청하는 메시지를 수신하는 단계;를 더 포함하고,

상기 특정 플레이-포지션은 상기 제1 포지션 및 상기 제2 포지션 중 적어도 어느 하나이며,

상기 특정 포지션에 대응하여, 상기 제1 히트맵 데이터 및 상기 제2 히트맵 데이터에 기초하여 상기 스포츠 참가자의 평가 결과를 출력하는

선수를 평가하는 방법.
스포츠 참가자의 퍼포먼스를 분석하는 방법에 있어서,

복수의 스포츠 참가자에 관련된 GPS 데이터를 수신하는 단계;

타겟 스포츠 참가자의 수정된 위치 데이터를 계산하는 단계;로서, 상기 수정된 위치 데이터는 상기 복수의 스포츠 참가자들 사이의 상기 타겟 스포츠 참가자의 상대 위치에 의해 결정되고,

상기 타겟 스포츠 참가자의 유효 속도 데이터를 계산하는 단계;로서, 상기 유효 속도 데이터는 미리 정해진 임계값 보다 큰 속력을 가지며,

상기 수정된 위치 데이터를 이용하여 수정된 위치 히트맵을 생성하는 단계;로서, 상기 수정된 위치 히트맵은 상기 스포츠 참가자가 스포츠 경기 동안에 플레이할 수 있는 전체 영역의 적어도 일부인 미리 정해진 관심 영역에 대응되는 복수의 제1 유닛셀(unit-cell)들을 포함하고, 상기 각각의 제1 유닛셀은 제1 유닛셀 내의 위치 데이터의 총량과 관련된 제1 세기를 나타내며,

상기 유효 속도 데이터를 이용하여 유효 속도 히트맵을 생성하는 단계; 로서, 상기 유효 속도 히트맵은, 1) 상기 미리 결정된 관심 영역의 길이 방향에 대한 상기 타겟 스포츠 참가자의 제1 속도 요소와 2) 상기 미리 결정된 관심 영역의 폭 방향에 대한 상기 타겟 스포츠 참가자의 제2 속도 요소로 정의되는 2차원의 매트릭스를 형성하는 복수의 제2 유닛 셀에 의해 정의되며, 상기 유닛 셀은 임계값을 상회하는 속도 데이터의 총량에 관련된 제2 세기를 나타내며,

상기 위치 히트맵과 상기 속도 히트맵에 기초한 위치 아이겐 맵과 속도 아이겐 맵을 이용하여 피쳐 매트릭스를 획득하는 단계;를 포함하되,

상기 위치 아이겐 맵은 복수의 스포츠 참가자의 상기 위치 데이터를 포함하는 위치 히트맵들의 분산을 최소화하며, 상기 속도 아이겐 맵은 상기 복수의스 ㅅ포츠 참가자의 속도 데이터를 포함하는 속도 히트맵의 분산을 최소화 하는

스포츠 참가자의 퍼포먼스를 분석하는 방법.
제15항에 있어서,

상기 위치 아이겐-맵은 상기 스포츠 참가자의 플레이 스타일을 나타내는

스포츠 참가자의 퍼포먼스를 분석하는 방법
제15항에 있어서,

상기 속도 아이겐-맵은 상기 스포츠 참가자의 플레이 스타일을 나타내는

스포츠 참가자의 퍼포먼스를 분석하는 방법.
제15항에 있어서,

상기 피쳐 매트릭스를 이용하여 상기 스포츠 참가자를 평가하는 단계;를 더 포함하되,

상기 평가하는 단계는 상기 스포츠 참가자와 동일한 스포츠를 플레이하는 복수의 스포츠 참가자들로부터 미리 획득된 피쳐 매트릭스들 사이에서, 상기 스포츠 참가자와 유사한 피쳐 매트릭스를 판단하는 것인

스포츠 참가자의 퍼포먼스를 분석하는 방법.
제15항에 있어서,

상기 위치 아이겐-맵 및 상기 속도-아이겐 맵은 스포츠 내의 공격상황 또는 수비상황 중 적어도 어느 하나를 반영하는 것인

스포츠 참가자의 퍼포먼스를 분석하는 방법.
스포츠 참가자의 퍼포먼스를 분석하는 방법에 있어서,

스포츠 게임 내의 타겟 스포츠 참가자 - 상기 타겟 스포츠 참가자는 상기 스포츠 게임 내의 타겟 롤(role)을 수행하며, 상기 타겟 롤은 상기 스포츠 게임 내의 미리 정해진 복수의 롤(role)로부터 결정됨- 로부터 GPS 데이터를 수신하는 단계;

상기 타겟 스포츠 참가자의 위치 데이터를 이용하여 위치 히트맵 - 상기 위치 히트맵은 상기 스포츠 참가자가 스포츠 경기 동안에 플레이할 수 있는 전체 영역의 적어도 일부인 미리 정해진 관심 영역에 대응되는 복수의 제1 유닛셀(unit-cell)들을 포함하고, 상기 각각의 제1 유닛셀은 제1 유닛셀 내의 위치 데이터의 총량과 관련된 제1 세기를 나타냄 - 을 생성하는 단계;

상기 타겟 스포츠 참가자의 속도 데이터를 이용하여 속도 히트맵 - 상기 속도 데이터는 상기 GPS 데이터의 위치 데이터로부터 획득되고 상기 속도 히트맵은, 1) 상기 미리 결정된 관심 영역의 길이 방향에 대한 상기 타겟 스포츠 참가자의 제1 속도 요소와 2) 상기 미리 결정된 관심 영역의 폭 방향에 대한 상기 타겟 스포츠 참가자의 제2 속도 요소로 정의되는 2차원의 매트릭스를 형성하는 복수의 제2 유닛 셀에 의해 정의되며, 상기 유닛 셀은 임계값을 상회하는 속도 데이터의 총량에 관련된 제2 세기를 나타냄 - 을 생성하는 단계;

상기 위치 히트맵과 상기 속도 히트맵에 기초한 위치 아이겐 맵과 속도 아이겐 맵을 이용하여 피쳐 매트릭스를 획득하는 단계;를 포함하되,

상기 위치 아이겐 맵은 상기 타겟 롤을 수행하는 복수의 스포츠 참가자의 상기 위치 데이터를 포함하는 위치 히트맵들의 분산을 최소화하며, 상기 속도 아이겐 맵은 상기 타겟 롤을 수행하는 상기 복수의 스포츠 참가자의 속도 데이터를 포함하는 속도 히트맵의 분산을 최소화 하는

스포츠 참가자의 퍼포먼스를 분석하는 방법.
스포츠 참가자의 퍼포먼스를 분석하는 방법에 있어서,

복수의 스포츠 참가자로부터 GPS 데이터를 수신하는 단계;

타겟 스포츠 참가자의 수정된 위치 데이터 - 상기 수정된 위치 데이터는 복수의 스포츠 참가자 사이의 타겟 스포츠 참가자의 상대 위치에 의해 결정됨 -를 계산하는 단계;

상기 타겟 스포츠 참가자의 유효 속도 데이터 - 상기 유효 속도 데이터는 미리 정해진 속력 임계값 보다 큰 속력을 가짐 - 를 계산하는 단계;

상기 수정된 위치 데이터를 이용하여 수정된 위치 히트맵 - 상기 수정된 위치 히트맵은 상기 스포츠 참가자가 스포츠 경기 동안에 플레이할 수 있는 전체 영역의 적어도 일부인 미리 정해진 관심 영역에 대응되는 복수의 제1 유닛셀(unit-cell)들을 포함하고, 상기 각각의 제1 유닛셀은 제1 유닛셀 내의 수정된 위치 데이터의 총량과 관련된 제1 세기를 나타냄 - 을 생성하는 단계;

상기 유효 속도 데이터를 이용하여 유효 속도 히트맵 - 상기 유효 속도 히트맵은 1) 상기 미리 결정된 관심 영역의 길이 방향에 대한 상기 타겟 스포츠 참가자의 제1 속도 요소와 2) 상기 미리 결정된 관심 영역의 폭 방향에 대한 상기 타겟 스포츠 참가자의 제2 속도 요소로 정의되는 2차원의 매트릭스를 형성하는 복수의 제2 유닛 셀에 의해 정의되며, 상기 유닛 셀은 임계값을 상회하는 유효 속도 데이터의 총량에 관련된 제2 세기를 나타냄 - 을 생성하는 단계; 및

상기 유효 속도 히트맵과 상기 수정된 위치 히트맵에 기초하여 상기 스포츠 참가자를 평가하는 단계;를 포함하는

스포츠 참가자의 퍼포먼스를 분석하는 방법.