WO2023033459A1 - 운동 부하 정보를 제공하는 방법 - Google Patents

운동 부하 정보를 제공하는 방법 Download PDF

Info

Publication number
WO2023033459A1
WO2023033459A1 PCT/KR2022/012766 KR2022012766W WO2023033459A1 WO 2023033459 A1 WO2023033459 A1 WO 2023033459A1 KR 2022012766 W KR2022012766 W KR 2022012766W WO 2023033459 A1 WO2023033459 A1 WO 2023033459A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
target
exercise
target entity
entity
Prior art date
Application number
PCT/KR2022/012766
Other languages
English (en)
French (fr)
Inventor
김정빈
이재찬
이종현
김현성
고상기
윤진성
Original Assignee
주식회사 핏투게더
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020220102045A external-priority patent/KR102546613B1/ko
Application filed by 주식회사 핏투게더 filed Critical 주식회사 핏투게더
Priority to EP22793498.1A priority Critical patent/EP4167248A4/en
Priority to US18/053,624 priority patent/US20230081168A1/en
Publication of WO2023033459A1 publication Critical patent/WO2023033459A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
    • A63B2024/0068—Comparison to target or threshold, previous performance or not real time comparison to other individuals
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/40—Acceleration
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/80—Special sensors, transducers or devices therefor
    • A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
    • A63B2220/836—Sensors arranged on the body of the user

Definitions

  • the present disclosure relates generally to the field of sports analysis, and more specifically, without limitation, to techniques for calculating or using information reflecting an exercise load.
  • EPTS which tracks the location or movement of sports players in real time, quantifies simple indicators such as distance traveled or average speed to relatively complex information such as heat maps for each player, enabling objective analysis of sports. It brings a new perspective to sports analysis, which used to rely on the observation and intuition of people like sports analysts.
  • Inventive concepts disclosed herein and below provide methods, devices, and computer readable storage media for calculating or using information indicative of an exercise load.
  • One object of the present disclosure is to provide a method for determining exercise load information for a target entity using kinematic information of the target entity.
  • An object of the present disclosure is to provide a method for providing exercise load information, which outputs a notification message based on an estimated load index and a response load index for a target entity.
  • An object of the present disclosure is to provide a method for providing exercise load information to adaptively determine an estimated load index for a target entity based on at least one of identification information or characteristic information of the target entity.
  • An object of the present disclosure is to provide a method for providing exercise load information, which determines an estimated load index by considering both kinematic information about a target entity and state information reflecting characteristics of a corresponding exercise session.
  • Embodiments include methods, devices, and computer readable storage media for calculating or using information indicative of an exercise load.
  • a method of providing exercise load information for a target entity comprising a target data set for a target entity during a target exercise session comprising a plurality of time units, the target data set including the plurality of time units obtaining a sequence of kinematic information of the target entity for each of ; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • a method for providing exercise load information may be provided.
  • a method for providing exercise load information for a target entity includes, based on kinematic information of the target entity during the target exercise session, exercise of the target exercise session for the target entity. Calculating an estimated load index reflecting an estimated value for a load degree; Receiving a response load index reflecting a self-evaluation value for an exercise load degree of the target exercise session by the target entity; and outputting a notification message based on a comparison result between the estimated load index and the response load index.
  • a method for providing exercise load information may be provided.
  • a method of providing exercise load information for a target entity comprising: acquiring target-specific information reflecting at least one of identification information and characteristic information for the target entity; a target data set for the target entity during a target workout session comprising a plurality of time units, the target data set comprising: a sequence of kinematic information of the target entity for each of the plurality of time units; including - obtaining ; and determining, from the target-specific information and the target data set, an estimated load index reflecting an exercise load degree of the target exercise session for the target entity, using an artificial neural network; Including, a method for providing exercise load information may be provided.
  • a method of providing exercise load information for a target entity comprising a target data set for a target entity during a target exercise session comprising a plurality of time units, wherein the target data set includes the plurality of time units obtaining a sequence of kinematic information of the target entity for each of the target entity and condition information reflecting characteristics associated with the target exercise session; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • a method for providing exercise load information may be provided.
  • the disclosed technology may have the following effects. However, it does not mean that a specific embodiment must include all of the following effects or only the following effects, so it should not be understood that the scope of rights of the disclosed technology is limited thereby.
  • condition monitoring of the target entity may be performed by outputting a notification message based on the estimated load index and the response load index of the target entity.
  • exercise load information is more accurately matched to the characteristics of a target entity by adaptively determining an estimated load index for a corresponding target entity based on at least one of identification information or characteristic information of the target entity. can decide
  • the condition of the target session for which the degree of exercise load is to be determined is reflected. More accurate exercise load information can be obtained.
  • FIG. 1 illustrates a system for providing exercise load information according to an embodiment of the present disclosure.
  • FIG. 2 is a block diagram of an attachable device according to an embodiment of the present disclosure.
  • FIG. 3 is a block diagram of a server according to an embodiment of the disclosure.
  • FIG 4 illustrates an example of an exercise load index according to an embodiment of the present disclosure.
  • FIG. 5 is a schematic flowchart of a method for providing exercise load information according to an embodiment of the present disclosure.
  • FIG. 6 is a detailed flowchart of the step of determining the estimated load index in FIG. 5;
  • FIG. 7 illustrates an exemplary artificial neural network used for calculation of an exercise load index according to an embodiment of the present disclosure.
  • FIG. 8 illustrates an example of a training data set of an artificial neural network according to an embodiment of the present disclosure.
  • FIG. 9 is a detailed view of an example of the kinematic information sequence of FIG. 8.
  • FIG 10 illustrates an example of an input data set of an artificial neural network according to an embodiment of the present disclosure.
  • FIG 11 illustrates another example of an input data set of an artificial neural network according to an embodiment of the present disclosure.
  • FIG 13 illustrates an arena-based coordinate system by way of example.
  • FIG. 14 illustrates a difference between a motion direction of a previous view and a motion direction of a current view.
  • FIG. 16 shows an example of kinematic information according to an embodiment of the present disclosure.
  • FIG. 17 illustrates examples of coordinate systems capable of expressing kinematic information according to an embodiment of the present disclosure.
  • 19 shows an example of first kinematic information including speed-related information.
  • 21 shows an example of third kinematic information including jerk-related information.
  • 24 is a schematic flowchart of a method for providing exercise load information according to an embodiment of the present disclosure.
  • FIG. 25 is a detailed flowchart of the estimated load index determining step of FIG. 24 .
  • 26 illustrates activity information according to an embodiment of the present disclosure.
  • 27 is an example of a wellness survey for securing daily readiness response information according to an embodiment of the present disclosure.
  • FIG. 28 is a schematic flowchart of a method for providing exercise load information according to an embodiment of the present disclosure.
  • 29 is a detailed flowchart of an embodiment of the step of determining the estimated load index of FIG. 28;
  • FIG. 30 is a detailed flowchart of another embodiment of the step of determining the estimated load index in FIG. 28;
  • 31 is an exemplary diagram for determining a game load index.
  • 32 is an exemplary view of determining an estimated load index using a game data set and a training data set.
  • 33 illustrates an early fusion model in network fusion.
  • 34 illustrates a middle fusion model in network fusion.
  • 35 illustrates a late fusion model in network fusion.
  • 36 is a conceptual diagram of a method for providing exercise load information for entity monitoring and early risk detection according to an embodiment of the present disclosure.
  • FIG. 37 is a schematic flowchart of a method of providing exercise load information according to an embodiment of the present disclosure.
  • FIG. 38 is a detailed flowchart of the estimated load index calculation step of FIG. 37 .
  • FIG. 40 illustrates a schematic structure of an artificial neural network for implementing a method for providing exercise load information according to an embodiment of the present disclosure.
  • 41 illustrates an embodiment of providing exercise load information using kinematic information.
  • FIG. 42 is an exemplary diagram of an artificial neural network structure considering time information.
  • 43 is an exemplary view of a method of providing real-time exercise load information according to an aspect of the present disclosure.
  • FIG. 44 is an exemplary diagram of kinematic data up to time point N in FIG. 43 .
  • FIG. 45 is an exemplary diagram of kinematic data up to the point M in FIG. 43 .
  • first and second may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention.
  • the terms and/or include any combination of a plurality of related recited items or any of a plurality of related recited items.
  • a method for providing exercise load information for a target entity includes a target data set for a target entity during a target exercise session including a plurality of time units, wherein the target data set includes the plurality of time units. obtaining a sequence of kinematic information of the target entity for each of the units; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • a target data set for a target entity during a target exercise session including a plurality of time units, wherein the target data set includes the plurality of time units.
  • the target entity is at least one sports team
  • the method comprises performing a representative during the target workout session for the sports team based on estimated load indices for each of at least some athletes belonging to the sports team. Determining a load index; may further include.
  • the step of determining the estimated load index comprises a plurality of training data sets including a first training data set, wherein the first training data set comprises a sequence of kinematic information of a first entity during a first exercise session.
  • the method includes: measuring location information of the target entity for the target exercise session using a positioning device corresponding to the target entity; It further includes, and the kinematic information may be generated based on the location information.
  • the kinematic information may be measured using an inertial sensor corresponding to the target entity.
  • the kinematic information includes first kinematic information related to the velocity of the target entity; and second kinematic information related to the acceleration of the target entity.
  • the kinematic information may further include third kinematic information related to the jerk of the target entity.
  • the first kinematic information includes information on the magnitude of velocity in a target time unit; and information about an angular change amount between a direction of speed in a time unit previous to the target time unit and a direction of speed in the target time unit; can include
  • the second kinematic information includes information on the magnitude of acceleration in a target time unit; and information about an angular change amount between a direction of acceleration in a time unit previous to the target time unit and a direction of acceleration in the target time unit; can include
  • the second kinematic information includes information on the magnitude of acceleration in a target time unit; and information about an angular change amount between a direction of speed in a time unit previous to the target time unit and a direction of speed in the target time unit; can include
  • the third kinematic information includes information on the magnitude of jerk in a target time unit; and information about an angular change amount between a direction of the jerk in a time unit previous to the target time unit and a direction of the jerk in the target time unit; can include
  • the third kinematic information includes information on the magnitude of jerk in a target time unit; and information about an angular change amount between a direction of acceleration in a time unit previous to the target time unit and a direction of acceleration in the target time unit; can include
  • the third kinematic information includes information on the magnitude of jerk in a target time unit; and information about an angular change amount between a direction of speed in a time unit previous to the target time unit and a direction of speed in the target time unit; can include
  • the kinematic information includes a first axis for the length of a field in which an exercise session is performed; and a second axis for the width of the arena in which the exercise session is conducted; It can be expressed based on a field-based coordinate system including
  • the kinematic information may include a forward and backward axis corresponding to the moving direction of the target entity; and a left and right axis corresponding to a lateral direction of the target entity; It can be expressed based on an entity-based coordinate system including
  • the kinematic information may include information on at least one of a rotational movement in a roll direction, a rotational movement in a pitch direction, or a rotational movement in a yaw direction of the target entity; and information on at least one of angular velocity, angular acceleration, or angular jerk of the target entity.
  • the estimated load index may be an estimated value of a rate of perceived fatigue (RPE) of the target entity for the target exercise session.
  • RPE rate of perceived fatigue
  • the target data set may be configured to have a predetermined length by performing zero-padding prior to the kinematic information sequence.
  • An apparatus for providing exercise load information for a target entity includes a processor and a memory, wherein the processor includes a target data set for the target entity during a target exercise session including a plurality of time units. obtain - the target data set comprising a sequence of kinematic information of the target entity for each of the plurality of time units; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • the processor includes a target data set for the target entity during a target exercise session including a plurality of time units. obtain - the target data set comprising a sequence of kinematic information of the target entity for each of the plurality of time units; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • a non-transitory computer-readable storage medium storing instructions executable by a processor, wherein the instructions are executed by the processor to cause the processor to: obtain a target data set for a target entity during an exercise session, the target data set comprising a sequence of kinematic information of the target entity for each of the plurality of time units; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • the instructions are executed by the processor to cause the processor to: obtain a target data set for a target entity during an exercise session, the target data set comprising a sequence of kinematic information of the target entity for each of the plurality of time units; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • a method for providing exercise load information on a target entity includes, based on kinematic information on the target entity during the target exercise session, information about the target exercise session for the target entity. calculating an estimated load index reflecting an estimated value for an exercise load degree; Receiving a response load index reflecting a self-evaluation value for an exercise load degree of the target exercise session by the target entity; and outputting a notification message based on a comparison result between the estimated load index and the response load index.
  • the calculating of the estimated load index may include a target data set for a target entity during the target exercise session including a plurality of time units, wherein the target data set includes the target data set for each of the plurality of time units.
  • obtaining a - comprising a sequence of kinematic information of an entity; and determining, from the target data set, an estimated load index for the target entity using an artificial neural network; can include
  • the step of determining the estimated load index comprises a plurality of training data sets including a first training data set, wherein the first training data set comprises a sequence of kinematic information of a first entity during a first exercise session.
  • the kinematic information includes first kinematic information related to the velocity of the target entity; and second kinematic information related to the acceleration of the target entity.
  • the kinematic information may further include third kinematic information related to the jerk of the target entity.
  • the estimated load index is an estimated rate of perceived fatigue (Rate of Perceived Exertion, RPE) of the target entity for the target exercise session
  • the response load index is the perceived fatigue rate of the target entity for the target exercise session.
  • the target entity is at least one sports team
  • each of the estimated load index and the response load index may be a representative index determined based on indices for each of at least some athletes belonging to the sports team. .
  • the target entity may be one sports player.
  • the outputting of the notification message may include outputting the notification message in response to determining that the difference between the estimated load index and the response load index is greater than or equal to a first predetermined threshold value.
  • the outputting of the notification message may include the outputting of the notification message in response to determining that a difference between the estimated load index and the response load index is greater than or equal to a predetermined second threshold value for exercise sessions that have been continued for more than a predetermined first threshold number of times. It can be configured to output a notification message.
  • the ratio of second exercise sessions in which the difference between the estimated load index and the response load index is equal to or greater than a predetermined third threshold value among a plurality of consecutive exercise sessions is determined by the first It may be configured to output the notification message in response to a determination that the threshold ratio is greater than or equal to.
  • the notification message may include an injury risk warning message for the target entity.
  • the notification message may include an abnormal condition warning message for the target entity.
  • the notification message may include a coach interview request message for the target entity.
  • the notification message may include a type change recommendation message for the artificial neural network.
  • An apparatus for providing exercise load information for a target entity includes a processor and a memory, wherein the processor is configured to, based on kinematic information for the target entity during a target exercise session, , calculating an estimated load index reflecting an estimated value of an exercise load degree of the target exercise session for the target entity; receive a response load index reflecting a self-evaluation value for an exercise load degree of the target exercise session by the target entity; and outputting a notification message based on a comparison result between the estimated load index and the response load index.
  • the processor is configured to, based on kinematic information for the target entity during a target exercise session, , calculating an estimated load index reflecting an estimated value of an exercise load degree of the target exercise session for the target entity; receive a response load index reflecting a self-evaluation value for an exercise load degree of the target exercise session by the target entity; and outputting a notification message based on a comparison result between the estimated load index and the response load index.
  • a non-transitory computer readable storage medium storing instructions executable by a processor, the instructions being executed by the processor to cause the processor to: calculating an estimated load index reflecting an estimated value of an exercise load degree of the target exercise session for the target entity, based on kinematic information for the target entity; receive a response load index reflecting a self-evaluation value for an exercise load degree of the target exercise session by the target entity; and outputting a notification message based on a comparison result between the estimated load index and the response load index.
  • a method for providing exercise load information on a target entity includes obtaining target-specific information reflecting at least one of identification information and characteristic information on the target entity. ; a target data set for the target entity during a target workout session comprising a plurality of time units, the target data set comprising: a sequence of kinematic information of the target entity for each of the plurality of time units; including - obtaining ; and determining, from the target-specific information and the target data set, an estimated load index reflecting an exercise load degree of the target exercise session for the target entity, using an artificial neural network; can include
  • the step of determining the estimated load index comprises a plurality of training data sets including a first training data set, wherein the first training data set comprises a sequence of kinematic information of a first entity during a first exercise session.
  • the target-specific information includes an adjustment factor (modifier) for the estimated load index corresponding to the target entity
  • the obtaining of the estimated load index includes adding the modifier to a resultant value of the output layer. It may be configured to obtain the estimated load index by multiplying by .
  • the adjustment factor may reflect fitness evaluation information of the target entity.
  • the adjustment factor is a game load index for the maximum value of the load index - the game load index is obtained using the artificial neural network based on kinematic information of the target entity during at least one recent game session. - can reflect the ratio of
  • the adjustment factor may reflect evaluation information of the affiliated league of the target entity.
  • the adjustment factor may reflect a ratio of the evaluation value of the affiliated league of the target entity to the evaluation value of the affiliated league of the first entity.
  • the determining of the estimated load index may include a plurality of training data sets each including a first training data set and a first game data set - the first training data set is a first entity during a first exercise session and labeled with a score collected from the first entity for an athletic load of the first athletic session, wherein the first match data set comprises a sequence of kinematic information of the first entity during at least one competition session.
  • preparing the artificial neural network trained based on a sequence of kinematic information and labeled with a maximum score; inputting the target data set and the target-specific information to an input layer of the artificial neural network; and obtaining the estimated load index based on a result value of an output layer of the artificial neural network. can include
  • the artificial neural network may be trained using a fusion of a training feature map corresponding to the first training data set and a game feature map corresponding to the first game data set.
  • the target-specific information may include a sequence of kinematic information during at least one recent game session of the target entity.
  • the target-specific information includes identification information about a league to which the target entity belongs, and the determining of the estimated load index includes a plurality of training data corresponding to the league to which the target entity belongs, among a plurality of artificial neural networks. It can be configured to use an artificial neural network trained based on the set.
  • An apparatus for providing exercise load information on a target entity includes a processor and a memory, and the processor includes a target-specific reflecting at least one of identification information or characteristic information on the target entity. obtain target-specific information; a target data set for the target entity during a target workout session comprising a plurality of time units, the target data set comprising: a sequence of kinematic information of the target entity for each of the plurality of time units; contains - obtains; and determining, from the target-specific information and the target data set, an estimated load index reflecting an exercise load degree of the target exercise session for the target entity, using an artificial neural network; can be configured to
  • a non-transitory computer-readable storage medium storing instructions executable by a processor
  • the instructions are executed by the processor to cause the processor to: identify information about the target entity; obtain target-specific information reflecting at least one of the characteristic information; a target data set for the target entity during a target workout session comprising a plurality of time units, the target data set comprising: a sequence of kinematic information of the target entity for each of the plurality of time units; contains - obtains; and determining, from the target-specific information and the target data set, an estimated load index reflecting an exercise load degree of the target exercise session for the target entity, using an artificial neural network; can be configured to do so.
  • a method for providing exercise load information for a target entity includes a target data set for a target entity during a target exercise session including a plurality of time units, wherein the target data set includes the plurality of time units. obtaining a sequence of kinematic information of the target entity for each of the units and condition information reflecting characteristics associated with the target exercise session; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • obtaining a sequence of kinematic information of the target entity for each of the units and condition information reflecting characteristics associated with the target exercise session and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • the step of determining the estimated load index comprises a plurality of training data sets including a first training data set, the first training data set comprising: a sequence of kinematic information of a first entity during a first exercise session; and preparing the artificial neural network trained based on a score containing state information for the first exercise session and labeled with a score collected from the first entity for an exercise load of the first exercise session; inputting the target data set to an input layer of the artificial neural network; and obtaining the estimated load index based on a result value of an output layer of the artificial neural network.
  • the first training data set comprising: a sequence of kinematic information of a first entity during a first exercise session; and preparing the artificial neural network trained based on a score containing state information for the first exercise session and labeled with a score collected from the first entity for an exercise load of the first exercise session; inputting the target data set to an input layer of the artificial neural network; and obtaining the estimated load index based on a result value of an output layer of the
  • the state information may include daily readiness response information collected from the target entity for the target exercise session.
  • the daily readiness response information includes a sleep time evaluation value; sleep quality evaluation values; fatigue level evaluation value; pain level (soreness level) evaluation value; stress level evaluation value; or a mood assessment value; may include at least one of them.
  • the state information may include exercise type information reflecting information on whether the target exercise session is a match session or a training session.
  • the status information may include an importance evaluation value according to the type of the target exercise session.
  • the state information may include information about a length of time that has elapsed from a previous game session to the target exercise session.
  • the status information may include information about a length of time that has elapsed from a start date of a sports season including the target exercise session to the target exercise session.
  • the state information may include information about a physical condition of the target entity.
  • the information on the physical condition includes age; key; weight; fitness rating; muscle strength evaluation value; maximum heart rate; or maximal oxygen uptake; may include at least one of them.
  • condition information may include environment information reflecting at least one of weather information, temperature information, humidity information, or season information for the target exercise session.
  • the state information may include biological measurement information of the target entity during the target exercise session.
  • the biological measurement information includes heart rate information; information about the ratio of heart rate to maximum heart rate; body temperature information; oxygen uptake information; or information about the ratio of oxygen uptake to maximal oxygen uptake; may include at least one of them.
  • An apparatus for providing exercise load information for a target entity includes a processor and a memory, wherein the processor includes a target data set for the target entity during a target exercise session including a plurality of time units. - the target data set includes a sequence of kinematic information of the target entity for each of the plurality of time units and condition information reflecting a characteristic related to the target exercise session - obtain; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • the processor includes a target data set for the target entity during a target exercise session including a plurality of time units.
  • the target data set includes a sequence of kinematic information of the target entity for each of the plurality of time units and condition information reflecting a characteristic related to the target exercise session - obtain; and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set.
  • a non-transitory computer-readable storage medium storing instructions executable by a processor, wherein the instructions are executed by the processor to cause the processor to: A target data set for a target entity during a workout session, the target data set reflecting a sequence of kinematic information of the target entity for each of the plurality of time units and a characteristic associated with the target workout session.
  • a target data set for a target entity during a workout session the target data set reflecting a sequence of kinematic information of the target entity for each of the plurality of time units and a characteristic associated with the target workout session.
  • Obtaining - including condition information that and determining an estimated load index reflecting an exercise load level of the target exercise session for the target entity, using an artificial neural network, from the target data set. can be configured to do so.
  • Exercise load can be divided into external load and internal load.
  • the external load can be evaluated by considering the amount of exercise, such as total run-distance, and the intensity of exercise, such as the degree of performance of high-load exercise (eg, high speed running, heavy weight lifting, etc.).
  • the load can be evaluated through the concept of a ratio of exercise effort performed against a sports player's maximum exercise capacity, such as heart rate reserve % (HRR%) or maximum oxygen intake (VO 2 max).
  • HRR% heart rate reserve %
  • VO 2 max maximum oxygen intake
  • sports player refers to a person who performs sports activities, such as competitions, drills, or practices, and refers to the sport (e.g., soccer, basketball, football, baseball, boxing, track and field, swimming, etc.) and level of play (e.g., , professional, amateur, adult, youth, etc.) should be interpreted in a comprehensive sense to include all athletes (athletes) without limitation.
  • sport e.g., soccer, basketball, football, baseball, boxing, track and field, swimming, etc.
  • level of play e.g., professional, amateur, adult, youth, etc.
  • attachable device refers to an appliance that attaches directly or indirectly to a sports player.
  • the attachable device may be provided in the form of a pocket device inserted into a sports player's clothing or a wearable device in the form of a band wrapped around a sports player's body part, such as a wrist or ankle.
  • Exercise load information providing methods, devices, and systems may provide exercise load information.
  • the exercise load information may mean information reflecting an exercise load induced by an exercise session, and specifically, but not limited to, the exercise load information is performed by the sports player(s) participating in the exercise session in the exercise session. It may refer to information reflecting an exercise load related to an activity.
  • exercise load information may be expressed in the form of a score or a single index, and methods, devices, and systems for providing exercise load information are based on information about the activity of a sports player who has performed an exercise session. A score or indicator can be provided that reflects the exercise load for the session.
  • FIG. 1 illustrates a system for providing exercise load information according to an embodiment of the present disclosure.
  • an exercise load information providing system 1000 according to an embodiment of the present disclosure will be described with reference to FIG. 1 .
  • a system 1000 may include a sensing platform 1100 , a server 1500 and a terminal 1700 .
  • the system 1000 detects information about the sports player 10 participating in the exercise session during the exercise session through the sensing platform 1100, calculates exercise load information from the detected information through the server 1500, and the terminal ( 1700), it is possible to provide exercise load information by displaying the calculated exercise load information.
  • the sensing platform 1100 can sense various information about the sports player 10 .
  • the sensing platform 1100 may perform localization of the sports player 10, detect a movement of the sports player 10, or sense a physical state of the sports player 10.
  • the sensing platform 1100 can sense kinematic information about the sports player 10 .
  • the kinematic information is information about the position, posture, and movement of the sports player 10, and may include at least one of locational information, orientational information, and movement information.
  • the motion information includes at least one of velocity, acceleration, jerk, angular velocity, angular acceleration, angular jerk, their magnitude (eg, speed in the case of velocity), and their direction (eg, in the case of velocity, the direction of movement). one may be included.
  • the sensing platform 1100 can sense physical condition information about the sports player 10 .
  • the physical condition information is information reflecting the physical condition of the sports player 10, and may include at least one of heart rate, body temperature, blood pressure, respiratory rate, and electrocardiogram.
  • activity information information sensed by the sensing platform 1100.
  • the sensing platform 1100 may be provided in various forms to sense the above-described various types of information.
  • the sensing platform 1100 may be a sensor-based platform using an attachable device 1300 attached to a sports player 10, an image-based platform using a camera 1200 disposed on or around a sports field, or the like. A combination of the two can be implemented.
  • a sensor-based sensing platform can include the attachable device 1300 .
  • the sensing platform may obtain activity information about the sports player 10 to which the attachable device 1300 is attached by using a sensor mounted on the attachable device 1300 .
  • the attachable device 1300 can be attached to the sports player 10 and can be used to sense activity information of the sports player 10 .
  • the attachable device 1300 includes a Global Positioning System (GPS) sensor and can be used for positioning of the sports player 10 to which the attachable device 1300 is attached.
  • GPS Global Positioning System
  • One or a plurality of attachable devices 1300 may be attached to one sports player 10 .
  • a plurality of attachable devices 1300 may be provided to one sports player 10. may need to be attached.
  • one attachable device including a GPS sensor and an Inertial Measurement Unit (IMU) sensor and another attachable device including a heart rate sensor are attached to the torso and wrist of the sports player 10, respectively.
  • the attachable device attached to the torso can sense the position and movement of the sports player 10, and the attachable device attached to the wrist can sense the heartbeat.
  • IMU Inertial Measurement Unit
  • the sensor-based sensing platform can obtain kinematic information using the attachable device 1300 .
  • the sensing platform may obtain location information using a positioning module of the attachable device 1300 .
  • the attachable device 1300 includes a global positioning module (in other words, a satellite positioning module or a global navigation satellite system (GNSS) module), and the sensing platform performs global positioning using the global positioning module, so that the sports player 10 position can be measured.
  • the sensing platform is a sports player (10 ) can perform global positioning on .
  • the sensing platform may additionally include a base station for performing Real-Time Kinematic (RTK) for more accurate positioning.
  • RTK Real-Time Kinematic
  • the sensing platform may use the global location as activity information, or may process the global location into a regional location defined as a reference coordinate system for the playground and use it as activity information.
  • the reference coordinate system may be a two-dimensional planar coordinate system having the length direction and the width direction of the playground as axes and the playground or a point around it (eg, one of the corners or the center of the stadium) as the origin. Meanwhile, it is disclosed in advance that all location-related information processed below can be processed according to a reference coordinate system without limitation.
  • the attachable device 1300 includes a local positioning module, and the sensing platform performs local positioning using a local positioning sensor network including the attachable device 1300 to determine the location of the sports player 10. position can be measured.
  • the local positioning sensor network includes a tag node that is attached to an object that is a positioning target and moves, and an anchor node 30 that is fixedly installed in a positioning area, and is a Local Positioning System (LPS) that is transmitted and received between the tag node and the anchor node. Positioning can be performed using signals.
  • LPS Local Positioning System
  • the sensing platform transmits and receives LPS signals between an attachable device 1300 that includes a local positioning module and is attached to a sports player 10 as a positioning target and operates as a tag node and an anchor node 30 fixedly installed in or around a playground. Regional positioning of the sports player 10 can be performed using the result.
  • the sensing platform may acquire motion information and/or direction information using a motion sensing module of the attachable device 1300 .
  • the attachable device 1300 includes an IMU sensor (or an Attitude and Heading Reference System (AHRS) sensor), and the sensing platform uses acceleration, angular velocity, and azimuth detected by the IMU sensor to be used by a sports player ( 10) or movement information and/or direction information of a body part of the sports player 10 may be acquired.
  • IMU sensor or an Attitude and Heading Reference System (AHRS) sensor
  • AHRS Attitude and Heading Reference System
  • the sensing platform may calculate other kinematic information using the measured kinematic information.
  • the sensing platform may output speed based on the global position continuously measured by the GPS module and its sampling interval. Calculation of the kinematic information can be performed through simple mathematical operations including vector calculation or calculus on the time axis, so a detailed description thereof will be omitted.
  • the calculation of kinematic information can be performed internally in the attachable device 1300 or in the server 1500 receiving the information from the attachable device 1300, and a sensing module in the attachable device 1300. This can be performed directly or the controller of the attachable device 1300 can perform this based on the sensing result of the sensing module.
  • the sensor-based sensing platform can obtain body state information using the attachable device 1300 .
  • the attachable device 1300 includes a biometric sensing module, and the sensing platform can detect a physical state of the sports player 10 using the biometric sensing module.
  • the biometric sensing module may include at least one of a heart rate sensor, a body temperature sensor, a blood pressure sensor, a respiration sensor, and an electrocardiogram sensor.
  • FIG. 2 is a block diagram of an attachable device according to an embodiment of the present disclosure.
  • an attachable device 1300 includes a sensing module 1310, a communication module 1320, a controller 1330, a memory 1340, and a battery 1350.
  • a sensing module 1310 includes a sensor 1310, a sensor 1320, a sensor 1330, a memory 1340, and a battery 1350.
  • a controller 1330 includes a processor 1310, a memory 1340, and a battery 1350.
  • a battery 1350 can include
  • the sensing module 1310 can sense various signals to obtain activity information.
  • the sensing module may be a positioning module, a motion sensing module, or a biometric sensing module.
  • the positioning module may be a satellite positioning module 1311 or a local positioning module 1313 .
  • the satellite positioning module 1311 can perform positioning using a navigation satellite system, that is, GNSS.
  • GNSS may include Global Positioning System (GPS), GLONASS, BeiDou, Galileo, and the like.
  • the global positioning module may include a satellite antenna for receiving a satellite signal and a positioning processor for performing positioning using the received satellite signal.
  • the satellite positioning module may be a GPS module including a GPS antenna for receiving GPS signals and a GPS processor for positioning using the GPS signals.
  • the attachable device 1300 may operate as a GPS receiver, receive GPS signals from satellites, and obtain latitude, longitude, altitude, speed, azimuth, diluition of precision (DOF), and time from the GPS signals. there is.
  • DOF diluition of precision
  • the local location module 1313 can perform location in cooperation with a sensor network.
  • the attachable device 1300 including a local positioning module can operate as a tag node of a local positioning sensor network and transmit/receive LPS signals with surrounding anchor nodes, and positioning can be performed using results of transmitting/receiving LPS signals.
  • the attachable device 1300 transmits an LPS signal as a transmitter of a sensor network for local positioning and anchor nodes receive the LPS signal, or the anchor nodes transmit the LPS signal and the attachable device 1300 transmits the LPS signal to the local area.
  • a receiver of a sensor network for positioning it can receive an LPS signal.
  • the LPS signal may be periodically broadcast according to a communication method such as ultra-wide band (UWB) communication, Bluetooth, Wi-Fi, or RFID, and a time or device identifier may be implanted in the LPS signal.
  • Position estimation may be performed based on measurement results according to transmission and reception of LPS signals, and RSS (Received Signal Strength) technique, ToA (Time-of-Arrival) technique, arrival time A time difference-of-arrival (TDoA) technique, an angle-of-arrival (AOA) technique, a triangulation technique, a hyperbolic triangulation technique, and the like may be used.
  • Position calculation may be performed by a sensor network master, and any one of a tag node and an anchor node or a server may function as the sensor network master. If the sensing platform additionally includes an RTK base station, it is also possible that the base station is equipped with a position calculation function of the master.
  • the motion sensing module 1315 may also be referred to as a kinematic sensing module and can sense movement and/or posture.
  • the motion sensing module 1315 may include an IMU module or an AHRS module, where the IMU module and AHRS module include sensors including an accelerometer and a gyroscope and optionally a magnetometer. and the motion and posture can be measured from the detection result of the sensor.
  • the biometric sensing module 1317 can detect a body condition.
  • the biometric sensing module 1317 may include at least one of a heart rate sensor, a body temperature sensor, a blood pressure sensor, a respiration sensor, and an electrocardiogram sensor, and information on various body states may be measured using these sensors.
  • the sensing platform includes a GPS sensor and an Inertial Measurement Unit (IMU) sensor to acquire positional information and movement information about the sports player 10, and one attached to the torso of the sports player 10 and the sports player
  • IMU Inertial Measurement Unit
  • Two different attachable devices 1300 may be included, one containing a heart rate monitor to obtain a heart rate relative to (10) and the other attached to the wrist of the sports player (10).
  • the attachable device 1300 may transmit/receive data with an external device such as the server 1500 or another attachable device 1300 through the communication module 1320 .
  • the communication module 1320 can perform wired communication and/or wireless communication.
  • the attachable device 1300 is a wireless communication module that performs wireless communication of a mobile communication network (eg, LTE, 5G, etc.), Wi-Fi, Bluetooth, Zigbee, or other various standards. You can use it to send and receive data to and from external devices.
  • the wireless communication module 1320 transmits information acquired by the attachable device 1300 using the sensing module 1310 to a server (in real time) so that the system monitors the sports player 10 using the activity information.
  • the attachable device 1300 can transmit and receive data with an external device using a wired communication module that performs universal serial bus (USB) communication or wired local area network (LAN) communication.
  • the wired communication module may collectively transfer data collected by the attachable device 1300 to the server 1500 or a docking station that performs charging and/or data management of the attachable device 1300.
  • the controller 1330 can control overall operations of the attachable device 1300 .
  • the controller 1330 may be implemented as a hardware configuration, a software configuration, or a combination thereof. From a hardware point of view, the controller 1330 may be provided in various forms capable of performing calculations or data processing, including an electronic circuit, an integrated circuit (IC), a microchip, and a processor.
  • the controller 1330 is a processor that integrates and processes all processes of the attachable device 1300. Alternatively, it may be provided as a plurality of processors each performing different functions, or may be provided in a form combined with some of other components of the attachable device 1300.
  • the controller 1330 controls the operation and overall operation of a GPS processor that processes GPS signals to perform positioning, an IMU processor that performs various operations using results detected by sensors of the IMU module, and the attachable device 1300. It may be provided in a form including a main processor for controlling.
  • the memory 1340 can store various data related to operations of the attachable device 1300 .
  • firmware managing the operation of the attachable device 1300 or detection results of sensors of the attachable device 1300 may be stored in the memory 1340 .
  • Memory 1340 can be provided as a variety of volatile and nonvolatile memories.
  • the battery 1350 can provide power required to drive the operation of the attachable device 1300 .
  • the battery 1350 may be provided as a built-in or removable type, and may be charged by receiving power from an external power source.
  • An image-based sensing platform can include a camera 1200 .
  • the image-based sensing platform may obtain various activity information through image processing and analysis of images captured through the camera 1200 .
  • the camera 1200 can be positioned on or around the playground to capture images of sports players 10 active on or within the playground.
  • the camera 1200 may be installed semi-permanently (for example, installed in an accessory facility of a playground), temporarily installed (installed on a movable pole), or disposed in a form carried by a photographer.
  • a sports video captured by the camera 1200 may be a tactical view, a broadcasting view, or a player-focused view.
  • the tactical view is an image generally used for analyzing sports tactics, and may be an image captured so that most of the sports players 10 are included in the image for team tactical analysis, and the horizontal axis of the tactical view corresponds to the length direction or width direction of the stadium It can be.
  • the broadcasting view is an image mainly used for sports relay and can generally be captured with a smaller angle of view than the tactical view. can be mainly used to analyze Also, the camera 1200 may not necessarily have a fixed viewing angle, and adjustment of the viewing direction and zoom may be performed manually or automatically.
  • An image-based sensing platform may include one or multiple cameras.
  • a plurality of cameras may be provided in a multi-camera manner capable of capturing a panorama in a single spot, provided in a distributed arrangement in multiple spots, or provided in a combination of the two. .
  • the sensing platform may obtain activity information therefrom by analyzing an image captured through the camera 1200 .
  • the sensing platform performs object recognition for sports player 10 on the image, extracts the sports player 10's position within the image (eg, pixel coordinates), and camera 1200
  • Positional information on the sports player 10 can be obtained by projecting the position in the image onto the ground using the posture information of the .
  • a deep learning algorithm may be used for image processing such as object detection.
  • the server 1500 acquires a sports image from a camera 1200 arranged to capture a tactical view, and uses an artificial neural network model that performs object detection to detect a ball or sports player 10 in the sports image. ), determine a representative pixel (eg, lower center of the bounding box) for the sports object in consideration of the bounding box, and consider camera parameters for the determined representative pixel in the sports image generated.
  • R-CNN Registered based Convolutional Neural Network
  • YOLO You-Only-Look-Once
  • top-view conversion using camera parameters eg, installation position, imaging posture, etc.
  • the server 1500 acquires a sports image from a camera 1200 arranged to capture a tactical view, and uses an artificial neural network model that performs object detection to detect a ball or sports player 10 in the sports image. ), determine a representative pixel (eg, lower center of the bounding box) for the sports object in consideration of the bounding box, and consider camera parameters for the determined representative pixel in the sports image generated.
  • Position data of the sports object may be obtained by performing top-view transformation using the coordinate transformation metric between the pixel coordinate system and the reference coordinate system.
  • object detection using an artificial neural network may be replaced with object segmentation.
  • the server 1500 may obtain position data of a sports object in a sports image captured by the camera 1200 through image analysis.
  • the sensing platform 1100 is sensor-based, image-based, or a combination thereof, as described above.
  • the sensing platform 1100 may include at least one of the attachable device 1300 and the camera 1200 .
  • the sensing platform 1100 simultaneously operates the attachable device 1300 and the camera 1200, that is, when the sensing platform 1100 is implemented in a mixed form of a sensor-based platform and an image-based platform
  • Activity information may be obtained by simultaneously using information obtained through the attachable device 1300 and information obtained through image analysis.
  • the sensing platform 1100 may perform more precise positioning by comparing a position value obtained as a result of global positioning using the attachable device 1300 and a position value obtained through sports image analysis. will be.
  • the sensing platform 1100 may optionally further include a base station for RTK correction and an anchor node for constructing a local positioning sensor network as needed.
  • some of the various operations performed by the sensing platform 1100 may be processed by a processor or controller installed in the attachable device 1300, but other operations may be processed by the server 1500.
  • object detection for an image may be processed by the server 1500, and location calculation using a result of transmitting and receiving an LPS signal between nodes in a local positioning sensor network may be processed by the server 1500,
  • various processing related to image analysis may be processed by the server 1500 . Accordingly, it may also be understood that the server 1500 is included in the sensing platform 1100 at this time.
  • the server 1500 may receive activity information from the sensing platform 1100 or obtain activity information in cooperation with the sensing platform 1100 and obtain exercise load information using the activity information.
  • the server 1500 may be provided as a local server located near a playground and/or a web server connected via the web.
  • the server 1500 does not necessarily have to be implemented as a single subject.
  • the web server may be implemented by including a main server that processes calculations and a data server that stores various types of data.
  • the local server may be provided as a device operated independently to perform only the original function of the server, but may be provided as a device having complex functions combined with other components of the exercise load information providing system.
  • the server may be provided in the form of a docking station, which is a container for accommodating, storing, and managing the attachable device 1300 .
  • the docking station may have a docking unit accommodating the attachable device 1300 and an internal space accommodating a plurality of attachable devices 1300, and when the attachable device 1300 is not in use, the attachable device (1300) can be stored.
  • the docking station can provide various convenient functions required for use of the attachable device 1300 in addition to simply storing the attachable device 1300 .
  • the docking station can perform functions such as charging the attachable device 1300, displaying a battery status, updating firmware, and collecting data.
  • FIG. 3 is a block diagram of a server according to an embodiment of the present disclosure.
  • the server 1500 can include a communication module 1510 , a controller 1520 and a memory 1530 .
  • the communication module 1510 can transmit/receive data between the server 1500 and other components or external devices of the exercise load information providing system.
  • the server 1500 collects data from the attachable device 1300 through the communication module 1510, receives an image from the camera 1200, or sends various information to the terminal 1700 through the web. can be conveyed
  • the controller 1520 can control the overall operation of the server 1500.
  • the controller 1520 of the server may be implemented as a hardware configuration, a software configuration, or a combination thereof, and from a hardware point of view, the controller may be an electronic circuit or an integrated circuit (IC). ), microchips, processors, etc. may be provided in various forms capable of performing calculations or data processing, and their physical configuration is not necessarily limited to a single physical entity.
  • IC integrated circuit
  • microchips, processors, etc. may be provided in various forms capable of performing calculations or data processing, and their physical configuration is not necessarily limited to a single physical entity.
  • specific operations performed by the server 1500 will be described later, and methods or operations according to an embodiment of the present disclosure described later can be understood as being performed by the controller 1520 of the server unless otherwise noted. make it clear in advance that
  • the embodiments according to the present disclosure are not necessarily limited to being performed by the controller 1520 of the server, and the embodiments according to the present disclosure are, for example, the controller of the attachable device 1300 It should be understood that the processing may be performed by a processor capable of arithmetic operations, such as in step 1330, or at least some procedures may be performed by a server and at least some other procedures may be performed by other processors.
  • the terminal (or terminal device) 1700 can function as a user interface that provides various data or information collected or calculated by the system to the user or receives user input from the user. For example, the terminal 1700 receives a user input indicating a specific exercise session for which exercise load information is desired from the user, requests exercise load information on the corresponding exercise session from the server 1500, receives a reply, and displays it. By doing so, it is possible to provide exercise load information to the user.
  • the terminal 1700 can be a smart device such as a smart phone or tablet, a personal computer such as a laptop or desktop, or other electronic device having an input interface for receiving user input and an output interface such as a display.
  • exercise load information refers to information reflecting the exercise load of a specific exercise session, and may be exemplarily expressed as an exercise load index representing an exercise or a degree of exercise load as a score.
  • the exercise load information may refer to information reflecting exercise load related to activities performed by sports player(s) participating in the exercise session in the corresponding exercise session.
  • Exercise load can be divided into external load, which expresses the physically performed exercise as an objective physical quantity, and internal load, which considers the degree of effort experienced subjectively by the subject who performed the exercise.
  • a representative example of the internal load is the perceived exercise ( and RPE: Rating of Perceived Exertion (hereinafter, also referred to as 'perceived fatigue').
  • RPE Rating of Perceived Exertion
  • 'perceived fatigue' Rating of Perceived Exertion
  • the exercise load information provided by the system includes information indicating the degree of external exercise load, information indicating the degree of internal exercise load, or information indicating the degree of comprehensive exercise load of internal / external loads. It should be understood as a comprehensive concept. As will be described later, in this system, the exercise load information may be seen as a concept close to reflecting the internal load in terms of being calculated by considering the exercise awareness experienced by the subject who performed the exercise, but the exercise awareness obtained from a number of exercise subjects Objectivity is ensured in terms of calculation by using the comprehensively, and external loads are reflected when considering the aspects calculated based on physical quantities such as speed or acceleration according to the movement performed by the exercise subject during the exercise session.
  • the exercise load information may be interpreted as information reflecting the internal load for exercise, but depending on the point of view, it may be interpreted as information reflecting the external load independently or additionally, so the exercise load information of the present description It should be noted in advance that the reflected exercise load should not be limitedly interpreted as an internal load and/or an external load.
  • FIG 4 illustrates an example of an exercise load index according to an embodiment of the present disclosure.
  • the exercise load index may be expressed as an exercise load index representing the degree of exercise load as a score.
  • the expression form of the exercise load index may be the same as or similar to RPE.
  • the exercise load index may be an index expressed as a specific score within a predetermined score range indicating the intensity of exercise or the magnitude of exercise load for each score.
  • the exercise load index may be expressed as an RPE of a BORG scale or a BORG-CR10 scale.
  • the RPE of the Bolg scale is a scale that expresses the state of no exercise load to the state of extreme exercise load from 6 to 20 points, and the Bolg-CR10 scales from no load to maximum load between 1 and 10 points.
  • the exercise load index provided by the system may express the exercise load through a score of a predetermined range that is the same as or similar to the RPE of the Bolg scale or the Bolg-CR10 scale described above.
  • the exercise load index does not necessarily have to be expressed in this form, and the percentile for a specific exercise characteristic (eg, the percentile for the exercise effort performed against the maximum physical strength or maximum exercise effort capacity of a sports player), physical quantity It can be expressed in various index forms, including (for example, calories consumed by exercise) or letter grades such as grades.
  • the exercise load index may include an estimated load index or a response load index.
  • the “estimated load index” may be an exercise load index determined using an artificial neural network from a data set according to embodiments of the present disclosure.
  • the “response load index” may be an exercise load index received in response from a target entity to be measured after the end of a target session for which exercise load is to be measured.
  • FIG. 5 is a schematic flowchart of a method for providing exercise load information according to an embodiment of the present disclosure.
  • 6 is a detailed flowchart of the step of determining the estimated load index in FIG. 5;
  • a method for providing exercise load information according to an embodiment of the present disclosure will be described in more detail with reference to FIGS. 5 and 6 .
  • the computing device may be, but is not limited to, the server 1500 as described with reference to FIGS. 1 to 3 or the controller 1520 included in the server 1500, and includes a processor and a memory. Any computing capable device may be used, and a combination of a plurality of physically separate devices may be referred to as a computing device.
  • an estimated load index may be determined based on kinematic information of a target entity during a target exercise session for which load information is to be provided and provided as exercise load information. there is. Accordingly, information on the degree of exercise load of the target entity during the target exercise session can be conveniently collected and managed without directly querying the target entity.
  • target entity may mean an object for which exercise load information is to be determined.
  • the target entity may be a single sports player, and information about how much exercise load the individual player felt during a workout session may be provided.
  • the target entity may be a sports team including a plurality of sports players, and information about how much exercise load the entire corresponding team experienced during a workout session may be provided.
  • target exercise session may refer to a target exercise session for which exercise load information is to be provided.
  • An exercise session may be a section having a predetermined length of time and may include a plurality of time units. At least some of the basic data that is the target for determining the exercise load information may be determined every such plurality of time units. Accordingly, at least some of the basic data may include a sequence of predetermined information.
  • a set of basic data that is a target for determining exercise load information may be referred to as a “target data set” in the present description.
  • a method for providing exercise load information includes measuring location information of a target entity (S510), obtaining a target data set (S520), and determining an estimated load index. It may include one or more of the step of determining a representative load index (S530) or the step of determining a representative load index (S540).
  • the computing device may measure location information of a target entity (S510).
  • the computing device may measure location information of a target entity for a target exercise session using a positioning device corresponding to the target entity.
  • the positioning device may mean at least a part of the sensing platform 1100 as exemplarily described above in this description.
  • the computing device may obtain location information of the target entity at predetermined time intervals during the target exercise session using, for example, a sensing platform using one or more of the attachable device 1300 and/or the camera 1200 attached to the sports player. can be measured
  • a sequence of location information of a target entity during a target workout session may be obtained.
  • the sequence of location information may include, for example, location information of a target entity at a first time point, location information of a target entity at a second time point, and location information of a target entity at an n-th time point.
  • the computing device may acquire a target data set for the target exercise session (S520). More specifically, the computing device may obtain a target data set for a target entity during a target workout session comprising a plurality of time units, wherein the target data set includes a target entity for each of the plurality of time units. may include a sequence of kinematic information of For example, kinematic information may be generated based on location information about a target entity.
  • a target exercise session may include a plurality of time units having a predetermined time interval, and kinematic information of a target entity may be determined for each time unit.
  • location information for one viewpoint does not have to correspond to each time unit for which kinematic information is determined.
  • kinematic information of a target entity for a first time unit may be determined based on location information of a target entity of multiple views corresponding to a first time unit, and kinematic information of a target entity of multiple views corresponding to a second time unit may be determined.
  • Kinematic information of the target entity for the second time unit may be determined based on the location information of the target entity.
  • the kinematic information may represent information on at least one of the location, posture, and motion of the target entity, and may include at least one of location information, direction information, and motion information. Motion information will be detailed later in this description.
  • the sequence of kinematic information included in the target data set may include, for example, kinematic information of the target entity for the first time unit, kinematic information of the target entity for the second time unit, and kinematic information of the target entity for the n-th time unit. May include kinematic information.
  • the conventional measurement of external load is based on statistical values for the entire exercise session, such as the total amount of movement, exercise time, and average speed during an exercise session
  • the provision of exercise load information according to an embodiment of the present disclosure is based on a target exercise session. It can be distinguished in that an evaluation value for the degree of exercise load is determined based on a sequence of kinematic information for a plurality of time points and / or time units included.
  • the computing device may determine an estimated load index (S530). More specifically, the computing device may determine, from the target data set, using an artificial neural network, an estimated load index that reflects the degree of exercise load of the target exercise session for the target entity. According to one aspect, the determined estimated load index may be provided as an estimate of exercise load for a target exercise session.
  • the estimated load index may include, for example, a plurality of numerical values indicating the degree of exercise load, and may be configured such that 10 represents the highest exercise intensity with a value of 1 to 10, for example, but in this specific numerical range Not limited.
  • An estimated load index according to an aspect of the present disclosure may be an estimate of a rate of perceived fatigue (RPE) of a target entity for a target exercise session.
  • RPE rate of perceived fatigue
  • an estimated load index determined according to an aspect of the present disclosure may be provided instead of the perceived fatigue as exemplarily illustrated in FIG. 4 .
  • FIG. 6 is a detailed flowchart of the step of determining the estimated load index in FIG. 5 .
  • the computing device first prepares a trained artificial neural network (S531), inputs a target data set to the input layer of the artificial neural network (S533), and based on the resultant value of the output layer of the artificial neural network Thus, an estimated load index may be obtained (S535).
  • S531 a trained artificial neural network
  • S533 inputs a target data set to the input layer of the artificial neural network
  • S535 an estimated load index may be obtained (S535).
  • the estimated load index determination process will be described in more detail.
  • the computing device may prepare a trained artificial neural network based on a plurality of training data sets including the first training data set (S531).
  • an artificial neural network model may be stored or loaded in a memory of a server, and the controller may be in a state capable of operating the artificial neural network model.
  • FIG. 7 illustrates an exemplary artificial neural network used for calculation of an exercise load index according to an embodiment of the present disclosure.
  • An artificial neural network may include an input layer, a hidden layer, and an output layer.
  • An input layer may include a plurality of nodes and may receive an input data set.
  • the output layer may include at least one node, and, for example, has a form having a single node that outputs an output value that can be interpreted as a value of an exercise load index as a numerical value, or different values of the exercise load index are assigned to each. and can be provided in the form of having multiple nodes whose output values are probability values.
  • the hidden layer may include a plurality of layers connecting the input layer and the output layer and having at least one node. Connections between nodes may be defined by parameters such as weights or biases, and through this, an output value may be calculated from an input data set while information is transferred from an input layer to an output layer via a hidden layer.
  • Learning of the artificial neural network may be performed using a training data set and an exercise load index labeled therein. Specifically, learning adjusts the parameters of the artificial neural network in the direction of reducing the error based on the error between the result value output by the artificial neural network receiving the training data set and the ground truth of the exercise load index labeled in the training data set It can be done through
  • the artificial neural network may be trained using a training data set labeled with an exercise load index to output an exercise load index of a target exercise session when activity information of a target entity for a target exercise session is input.
  • the learning data set may be generated from activity information about a target entity that has performed an exercise session, and an exercise load index to be labeled may be a value collected from the target entity that has performed an exercise session.
  • the artificial neural network may be trained based on a plurality of training data sets including the first training data set.
  • the first training data set may include a sequence of kinematic information of the first entity during the first exercise session, and may be labeled with a score collected from the first entity for an exercise load of the first exercise session. .
  • FIG. 8 illustrates an example of a training data set of an artificial neural network according to an embodiment of the present disclosure
  • FIG. 9 is a detailed view of an example of a kinematic information sequence of FIG. 8 .
  • a plurality of training data sets 800 for training an artificial neural network may include, for example, a first training data set 810 .
  • the first training data set 810 includes a sequence of kinematic information 811 of a first entity for each of a plurality of time units included in the first workout session, from the first entity during the first workout session. It can be labeled with a score 813 collected for exercise load. That is, for example, when sports player A participates in a specific workout session A, a sequence of kinematic information for each of the time units for sports player A may be collected and/or measured.
  • an exercise load evaluation value may be inquired from sports player A and a response may be received.
  • one training data set can be secured by labeling the sequence of kinematic information of sports player A with the received RPE value (eg, 8).
  • the sequence 811 of kinematic information of the first entity is a plurality of time units included in the first workout session, eg, the first time unit 811a to the nth time unit.
  • kinematic information eg, velocity, acceleration, jerk, angular velocity, angular acceleration, angular jerk
  • the computing device may input the target data set to the input layer of the artificial neural network (S533).
  • the target data set may include a sequence of kinematic information of a target entity for a plurality of time units during a target exercise session.
  • zero padding may be performed on an input data set (eg, a target data set) so that it corresponds to the number of nodes of an input layer of an artificial neural network.
  • a target data set may be configured to have a predetermined length by performing zero-padding before or after a sequence of kinematic information.
  • FIG. 10 illustrates an example of an input data set of an artificial neural network according to an embodiment of the present disclosure
  • FIG. 11 illustrates another example of an input data set of an artificial neural network according to an embodiment of the present disclosure. .
  • FIG. 10 shows that zero padding is performed before a sequence
  • FIG. 11 shows that zero padding is performed after a sequence.
  • the artificial neural network may be configured to receive data of a fixed shape or length as input, and zero-padding may be performed on the feature sequence to fit the input data set to the determined length.
  • the maximum length is set to, for example, 2,000, and for a target data set having a length shorter than this, to fill the front or back of the kinematic information sequence Multiple '0's can be added. If '0' is padded at the end of the sequence, it may correspond to a situation in which the target entity recognizes the RPE score after resting for the zero-padded period.
  • the shorter the original sequence of the model the longer the break between the end of the activity and the examination of the RPE is likely to be misrepresented.
  • it may be configured to perform zero-padding at the front of the sequence rather than at the back, more preferably in the present description.
  • An artificial neural network outputs a result value to an output layer in response to receiving a target data set.
  • the computing device may acquire an estimated load index based on a result value of the output layer of the artificial neural network (S535).
  • an estimated load index may be provided as information indicating a degree of exercise load of a target entity according to a target exercise session.
  • a target entity for determining the estimated load index may be at least one sports team.
  • the computing device may determine a representative load index (S540). More specifically, the computing device may determine a representative load index during a target exercise session for the sports team based on the estimated load indexes for each of at least some athletes belonging to the sports team (S540). For example, if the target entity is sports team A, the steps of measuring location information for sports players A, B, and C belonging to the target entity (S510), obtaining a target data set (S520), and determining an estimated load index (S530) It is possible to determine each estimated load index through Thereafter, a representative load index for sports team A may be determined using estimated load indexes of each of sports players A, B, and C.
  • the representative load index may be, for example, an average of estimated load indexes of each sports player, but is not limited thereto, and a representative value indicating a trend of the entire team may be determined according to various rules.
  • an estimated load index reflecting an estimated value of an exercise load degree for a target entity may be determined based on, for example, kinematic information of the target entity.
  • exercise load information such as an estimated load index may be, for example, an estimated value for Rated Perceived Exertion (RPE).
  • RPE Rated Perceived Exertion
  • Perceived fatigue may reflect the degree of difficulty in exercise. Accordingly, at least one of a variety of kinematic information may be used to determine exercise load information, such as, for example, an estimated load index.
  • At least one of i) high energy consumption, ii) high force, and iii) instantaneously rapid change may be considered.
  • kinetic energy is defined as:
  • the velocity v of the target entity may be included in the kinematic information.
  • the acceleration a of the target entity may be included in the kinematic information as an evaluation factor for required force.
  • the jerk of the target entity may be included in the kinematic information as an evaluation factor of fatigue due to an instantaneous rapid change being applied.
  • the kinematic information may include, for example, at least one of velocity, acceleration, or jerk of the target entity.
  • the method for providing exercise load information is a method for determining exercise load information.
  • a sequence of kinematic information for example, at least one of speed, acceleration, or jerk
  • the information about the exercise load with more improved accuracy evaluation values can be estimated.
  • the motion load applied to the target entity may be different according to the direction of the kinematic element.
  • the target entity moves toward the front of the target entity, moves backward in the direction opposite to the orientation direction of the target entity, or moves laterally relative to the orientation direction of the target entity. Moving towards may have different exercise loads applied to the target entities. For example, moving backward in a direction opposite to the target entity orientation direction may cause the target entity to experience a greater motion load than moving forward in the orientation direction at the same displacement or velocity.
  • a relation of a direction of a kinematic element to an orientation direction of a target entity may be considered in determining exercise load information.
  • kinematic information according to an embodiment of the present disclosure may be expressed based on any one of a plurality of coordinate systems.
  • kinematic information according to one aspect may be expressed based on a field-based coordinate system, or may be expressed based on an entity-based coordinate system, It is not limited to this.
  • FIG. 12 illustratively illustrates an entity-based coordinate system.
  • the entity-based coordinate system may be a coordinate system set based on an orientation direction of a target entity such as a sports player, for example.
  • an entity-based coordinate system may include a forward and backward axis 121 corresponding to a traveling direction of a target entity and a left and right axis 123 corresponding to a lateral direction of the target entity.
  • the value for the displacement may have a positive value in the forward and backward axis 121 direction when expressed based on the entity-based coordinate system, and the target entity moves in a direction opposite to the orientation direction.
  • a displacement value for this may have a negative value in the direction of the front and rear axis 121 .
  • the displacement generated to the left or right based on the orientation direction of the entity may have a negative value or a positive value in the direction of the left and right axes 123, respectively.
  • the movement direction relative to the orientation direction can be expressed only with the value of kinematic information.
  • a first movement (m1) and a second movement (m2) are shown.
  • the first movement may be a forward movement in the entity orientation direction
  • the second movement may be a leftward side step movement based on the entity orientation direction.
  • the first motion may be expressed as a displacement having a positive value in the forward and backward axis 121 direction, and for example, a motion vector may be expressed as (0, 10).
  • the second motion may be expressed as a displacement having a positive value in the left and right axis 123 direction, and for example, a motion vector may be expressed as (10, 0).
  • kinematic information expressed based on the entity-based coordinate system is information having direction and magnitude, such as displacement, velocity, acceleration, or jerk
  • information on the direction of movement relative to the orientation direction of the entity can include
  • kinematic information according to an aspect of the present disclosure may include first kinematic information related to the velocity of the target entity, second kinematic information related to the acceleration of the target entity, or third kinematic information related to the jerk of the target entity. At least one of kinematic information may be included.
  • the kinematic information includes only information about linear movement such as velocity, acceleration, or jerk
  • the information about such linear movement is expressed based on the entity-based coordinate system, the movement in the orientation direction of the entity A difference in the degree of exercise load according to the direction of (eg, forward, backward, or lateral movement) may be reflected.
  • the sensing platform may include, for example, an attachable device, and the attachable device may include, for example, an inertial sensor such as an inertial measurement unit (IMU) sensor.
  • IMU inertial measurement unit
  • kinematic information may be obtained based on information measured by an inertial sensor corresponding to a target entity and/or information measured by a location measuring device such as a GPS sensor.
  • kinematic information may be obtained using location information of a target entity measured using a location measuring device such as a GPS sensor.
  • a location measuring device such as a GPS sensor.
  • the sensing platform may not include an inertial sensor and may include only a position measurement device such as GPS.
  • kinematic information may be expressed based on a stadium-based coordinate system rather than an entity-based coordinate system.
  • the stadium-based coordinate system may represent a local location as described above in this description.
  • the local location may be obtained by converting coordinates according to a global positioning device such as GPS through operation, or directly obtained through a local positioning module, but is not limited thereto.
  • FIG. 13 illustrates an arena-based coordinate system by way of example.
  • a stadium-based coordinate system can include a first axis 133 for the length of the field on which the athletic session is conducted and a second axis 131 for the width of the field for the athletic session to be conducted. .
  • the kinematic information for linear motion expressed according to the arena-based coordinate system does not reflect the relationship between the direction of orientation and the direction of movement of the target entity.
  • the first movement (m1) may be a forward movement in the orientation direction of the entity
  • the second movement (m2) may be a side step movement toward the left with respect to the orientation direction of the entity.
  • FIG. 13 when the same first motion (m1) and second motion (m2) are expressed through the stadium-based coordinate system, they are only expressed as motions toward different predetermined directions, respectively, for the orientation direction of the entity.
  • Information about the direction of motion eg, forward, backward, or lateral motion
  • the exercise loads for the forward motion and the side step may actually be different, they may be incorrectly reflected as having the same exercise load in determining the estimated load index.
  • an estimated load index may be determined by reflecting a relationship between an alignment direction and a moving direction of a target entity based on a difference between a moving direction of a previous view and a moving direction of a current view.
  • the target exercise session includes a plurality of time units
  • the direction of information about the linear motion of the previous time unit and information about the linear motion of the current time unit An estimated load index may be determined by further reflecting the difference from the direction of .
  • the kinematic information for a second time unit is information about the linear motion of the target entity in the second time unit (eg, information about velocity, acceleration, jerk, or magnitude thereof).
  • an estimated load index may be determined by reflecting a relationship between an alignment direction and a motion direction of a target entity.
  • the movement direction 141 of the previous view is the alignment direction of the target entity of the current view. Since the movement direction of the target entity during the exercise session is most often observed forward, if it is assumed that the target entity moves forward at the previous time point, the direction of the movement at the previous time point (e.g., the speed at the previous time point) direction) can be assumed to be the same as the orientation direction of the current viewpoint of the target entity.
  • the motion direction 143 of the current view as illustrated in FIG.
  • the motion direction of the current view eg, the direction of speed of the current view
  • the angular change amount 145 of the liver can be used as a factor reflecting a relationship between the alignment direction of the target entity at the current view and the movement direction of the target entity at the current view.
  • kinematic information for a target time unit which is any one of a plurality of time units included in the target exercise session, is a size of at least one of linear motions of a target entity in the target time unit. It may include information about , and information on an angular change amount between at least one direction of the linear motion of the target entity in the target time unit and at least one direction of the linear motion of the target entity in the previous time unit of the target time unit. there is.
  • the kinematic information for the target time unit includes information about the magnitude (speed) 147 of the velocity of the target time unit and the previous time unit of the target time unit. It may include information about the angular change amount 145 between the direction of velocity 145 in the target time unit and the direction 143 of velocity in the target time unit.
  • the kinematic information for the target time unit includes speed for the target time unit, change in direction of movement from the previous time unit, magnitude of acceleration, change in direction of acceleration from the previous time unit, magnitude of jerk, It may be configured to include at least one or more of changes in the direction of the jerk from the previous time unit.
  • 15 shows an example of kinematic information according to an embodiment of the present disclosure. As shown in FIG. 15 , kinematic information can be obtained by calculating based on positional information of a target entity measured based on the positioning sensor 15 .
  • the acquired kinematic information includes the horizontal speed of the target entity (151), change in horizontal movement direction (152), magnitude of horizontal acceleration (153), change in horizontal acceleration direction (154), horizontal jerk It may include at least one of magnitude 155 or change in horizontal jerk direction 156 .
  • Each kinematic information may be obtained for each of a plurality of time units included in the target exercise session to form a sequence 811 of kinematic information included in the target data set.
  • kinematic information 1600 includes position/orientation information 1610, linear movement information 1620, and angular movement information 1630. may include at least one of them.
  • FIG. 17 shows examples of coordinate systems capable of expressing kinematic information according to an embodiment of the present disclosure.
  • kinematic information according to one aspect may be expressed by any one of, for example, a global coordinate system 171, a local coordinate system 173, an inertial coordinate system 175, and a hybrid coordinate system 177. there is.
  • Global coordinate system 171 can include latitude, longitude, and altitude components measured using a global positioning module such as, for example, GPS.
  • Local coordinate system 173 can include, for example, the arena-based coordinate system described above in this description.
  • the local coordinate system may include an axis in the longitudinal direction of the stadium in which the exercise session is performed and an axis in the width direction of the stadium. According to one aspect, in addition to this, a vertical axis from the ground of the stadium may be included. Further, according to one aspect, a specific point in the stadium, such as the center or edge of the stadium, may be used as the origin.
  • the inertial coordinate system 175 can be, for example, an aviation coordinate system.
  • the inertial coordinate system may include forward-backward movement, slide movement, and up-down movement elements of the player's body.
  • it may include rotational movement elements of roll, pitch, and yaw axes related to rotation of the player body.
  • the hybrid coordinate system 177 may be, for example, a maritime coordinate system.
  • the hybrid coordinate system is fixed in the direction of the yaw axis and may include heading in the horizontal direction, lateral movement in the horizontal direction, and elements in the vertical direction.
  • a coordinate system for expressing kinematic information according to an aspect of the present disclosure is not limited to the above-described coordinate systems, and kinematic information may be expressed based on any one of various coordinate systems.
  • kinematic information 1600 can include position/orientation information 1610 .
  • Information about position/orientation may not, per se, affect exercise load.
  • the position/orientation information can be data for calculating various kinematic information.
  • Information about position/orientation may also be referred to as static information.
  • 18 shows an example of static information.
  • Static information 180 may include position information 181 .
  • location information 181 may include latitude, longitude, and altitude, or may include length, width, and height.
  • the location information 181 may include orientation information 183 .
  • Orientation information 183 can include, for example, longitudinal orientation, width orientation, and height orientation.
  • Such static information may be obtained for each of a plurality of time points or time units included in the target session to form a sequence. Additional kinematic information (eg, linear motion information or angular motion information) can be obtained based on the sequence of static information.
  • kinematic information 1600 may include information 1620 related to linear movement.
  • the information on the linear movement may be expressed based on, for example, a stadium-based coordinate system, an entity-based coordinate system, or an arbitrary coordinate system.
  • the information about linear motion can include first kinematic information 1621 related to the velocity of the target entity.
  • the first kinematic information is information about the magnitude of velocity in a target time unit, or information between a direction of velocity in a previous time unit of the target time unit and a direction of velocity in the target time unit. At least one of information about the amount of angular change may be included.
  • 19 shows an example of first kinematic information including speed-related information.
  • the first kinematic information may include velocity information (v1, v2, v3) of the target entity.
  • the speed information may be expressed based on various coordinate systems, for example, speed information based on longitudinal, transverse, and height coordinates (v1), orientation, lateral, and vertical direction coordinates (v2), At least one of forward, backward, leftward, rightward, upward, and downward coordinate-based speed information (v3) may be included in the first kinematic information as the speed information.
  • the first kinematic information may include speed magnitude (velocity) information (s1, s2, s3, s4) and movement direction change information (vd1, vd2).
  • the speed information may be expressed based on various coordinate systems, for example, the magnitude of the speed based on orientation direction, lateral direction, and vertical direction coordinates, that is, speed information (s1), forward, backward, lateral direction, and vertical direction coordinates.
  • At least one of the information (s4) may be included in the first kinematic information as speed information.
  • motion direction change information may also be expressed based on various coordinate systems, and may be determined from, for example, previously sampled orientations. For example, a horizontal movement direction (vd1), which is an angular difference between the velocity direction of the previous time unit and the velocity direction of the current time unit, may be utilized as movement direction change information.
  • the magnitude (vd2) of the angular difference between the velocity direction of the previous time unit and the velocity direction of the current time unit may be utilized as motion direction change information.
  • the information about the linear motion can include second kinematic information 1623 related to the acceleration of the target entity.
  • the second kinematic information is information on the magnitude of acceleration in the target time unit, or between the direction of acceleration in the previous time unit of the target time unit and the direction of acceleration in the target time unit. At least one of information about the amount of angular change may be included.
  • the second kinematic information is information about the magnitude of acceleration in the target time unit, or the direction of the velocity in the previous time unit of the target time unit and the velocity in the target time unit. It may include at least one of information about the amount of angular change between directions.
  • the second kinematic information may include acceleration information (a1, a2, a3) of the target entity.
  • Acceleration information may be expressed based on various coordinate systems, for example, acceleration information based on longitudinal, width, and height coordinates (a1), acceleration information based on orientation, lateral, and vertical coordinates (a2), At least one of acceleration information (a3) based on forward, backward, leftward, rightward, upward, and downward coordinates may be included in the second kinematic information as the acceleration information.
  • the second kinematic information may include information on magnitude of acceleration (a4, a5, a6, a7) and motion direction change information (ad1, ad2, ad3, ad4).
  • the acceleration magnitude information can be expressed based on various coordinate systems, for example, information on the magnitude of acceleration based on orientation direction, lateral direction, and vertical direction coordinates (a4), and acceleration based on forward, backward, lateral, and vertical direction coordinates.
  • At least one of the acceleration magnitude information (a7) may be included in the second kinematic information as acceleration magnitude information.
  • motion direction change information may also be expressed based on various coordinate systems, and may be determined from, for example, previously sampled orientations. For example, a horizontal acceleration direction (ad1), which is an angular difference between an acceleration direction of a previous time unit and an acceleration direction of a current time unit, may be utilized as movement direction change information.
  • the magnitude (ad2) of the angular difference between the acceleration direction of the previous time unit and the acceleration direction of the current time unit may be utilized as motion direction change information.
  • the movement direction change may be determined based on the change in velocity direction, and more specifically, the horizontal movement direction (ad3), which is the angular difference between the velocity direction of the previous time unit and the velocity direction of the current time unit, is It can be used as movement direction change information.
  • the magnitude (ad4) of the angular difference between the velocity direction of the previous time unit and the velocity direction of the current time unit may be utilized as motion direction change information.
  • the information about the linear motion may further include third kinematic information 1625 related to the jerk of the target entity.
  • the third kinematic information is information on the magnitude of jerk in the target time unit, or between the direction of the jerk in the previous time unit of the target time unit and the direction of the jerk in the target time unit. At least one of information about the amount of angular change may be included.
  • the magnitude of the jerk in information about the jerk utilizes the magnitude of the jerk in the target time unit, but in the information to reflect the relationship between the direction of orientation and the direction of motion of the target entity, it is acceleration rather than the change in direction of the jerk.
  • a change in direction of may be more appropriate, and a change in direction of velocity may be more appropriate than a change in direction of acceleration. Therefore, according to another aspect of the present disclosure, the third kinematic information is information about the magnitude of jerk in the target time unit, or the direction of acceleration in the previous time unit of the target time unit and the acceleration in the target time unit. It may include at least one of information about the amount of angular change between directions.
  • the third kinematic information is information about the magnitude of jerk in the target time unit, or an angular change amount between a direction of velocity in a time unit previous to the target time unit and a direction of velocity in the target time unit. It may include at least one of information about.
  • 21 shows an example of third kinematic information including jerk-related information.
  • the third kinematic information may include jerk information (j1, j2, j3) of the target entity.
  • Jerk information can be expressed based on various coordinate systems, for example, jerk information (j1) based on longitudinal, width, and height coordinates, jerk information (j2) based on orientation, lateral, and vertical coordinates, At least one of forward, backward, leftward, rightward, upward, and downward coordinate-based jerk information (j3) may be included in the third kinematic information as jerk information.
  • the third kinematic information may include jerk size information (j4, j5, j6, j7) and motion direction change information (jd1, jd2, jd3, jd4, jd5, jd6).
  • the jerk size information can be expressed based on various coordinate systems. For example, the jerk size information (j4) based on orientation direction, lateral direction, and vertical direction coordinates, and jerk size information based on forward, backward, lateral, and vertical direction coordinates.
  • Size information (j5) sum of lengthwise jerk and widthwise jerk Horizontal jerk, which is size information for jerk Size information (j6), sum of lengthwise jerk, widthwise jerk, and heightwise jerk Total sum of size information for jerk
  • jerk Size information (j6) sum of lengthwise jerk, widthwise jerk, and heightwise jerk Total sum of size information for jerk
  • At least one of the jerk size information (j7) may be included in the third kinematic information as jerk size information.
  • motion direction change information may also be expressed based on various coordinate systems, and may be determined from, for example, previously sampled orientations.
  • a horizontal jerk direction (jd1) which is an angular difference between a jerk direction of a previous time unit and a jerk direction of a current time unit
  • the magnitude (jd2) of the angular difference between the jerk direction of the previous time unit and the jerk direction of the current time unit may be utilized as jerk direction change information.
  • the movement direction change may be determined based on the change in the acceleration direction, and more specifically, the horizontal acceleration direction (jd3), which is the angular difference between the acceleration direction of the previous time unit and the acceleration direction of the current time unit, moves It can be used as direction change information.
  • the magnitude (jd4) of the angular difference between the acceleration direction of the previous time unit and the acceleration direction of the current time unit may be utilized as motion direction change information.
  • the movement direction change may be determined based on the change in the velocity direction, and more specifically, the horizontal movement direction (jd5), which is the angular difference between the velocity direction of the previous time unit and the velocity direction of the current time unit, is It can be used as movement direction change information.
  • the magnitude (jd6) of the angular difference between the velocity direction of the previous time unit and the velocity direction of the current time unit may be utilized as the movement direction change information.
  • kinematic information 1600 may include information 1630 on angular movement. Even though the position of the target entity does not change in the exercise session, a case in which the target entity performs a rotational motion may occur. For example, if the target entity changes its orientation direction and performs an action to maintain possession of the ball in order to respond to the pressure defense of the opposing team player in possession of the ball in a soccer game, if only linear motion is included as kinematic information Such a change in the orientation direction does not have any effect on the exercise load. In addition, when performing a Cruyff turn in a dribbling state, it may be determined that the dribble performing the Cruyff turn and the dribbling not performing the same exercise load.
  • the kinematic information includes information 1630 for each movement so that the exercise load generated by the rotational motion of the body of the target entity without a change in position is also reflected in the determination of the estimated load index. can do.
  • the kinematic information according to one aspect of the present disclosure includes information on at least one of a rotational movement in a roll direction, a rotational movement in a pitch direction, or a rotational movement in a yaw direction of a target entity. and may include information on at least one of angular velocity, angular acceleration, or each jerk of the target entity.
  • At least one of an inertial coordinate system and a hybrid coordinate system may be used as coordinates for each movement.
  • the inertial coordinate system-based angular motion information 1631 includes at least one of angular velocity information (av1), angular acceleration information (aa1), and angular jerk information (aj1) for the rotational motion of the target entity.
  • the angular velocity information (av1) may include angular velocity based on a roll axis, angular velocity based on a pitch axis, and angular velocity based on a yaw axis
  • angular acceleration information (aa1) may include angular acceleration based on a roll axis, angular velocity based on a pitch axis It may include the angular acceleration of the reference and the angular acceleration of the yaw axis.
  • Each jerk information aj1 may include each jerk based on a roll axis, each jerk based on a pitch axis, and each jerk based on a yaw axis.
  • the hybrid coordinate system-based angular motion information 1633 includes at least one of angular velocity information (av2), angular acceleration information (aa2), and angular jerk information (aj2) for the rotational motion of the target entity.
  • the angular velocity information (av2) may include angular velocity based on the vertical axis
  • the angular acceleration information (aa2) may include angular acceleration based on the vertical axis
  • each jerk information (aj2) may include angular velocity based on the vertical axis.
  • Each jerk can be included.
  • kinematic information may be utilized in various combinations including at least some of the various elements described above.
  • FIG. 24 is a schematic flowchart of a method for providing exercise load information according to an embodiment of the present disclosure.
  • FIG. 25 is a detailed flowchart of the estimated load index determining step of FIG. 24 .
  • a method for providing exercise load information according to an embodiment of the present disclosure will be described in more detail with reference to FIGS. 24 and 25 .
  • the computing device may be, but is not limited to, the server 1500 as described with reference to FIGS. 1 to 3 or the controller 1520 included in the server 1500, and includes a processor and a memory. Any computing capable device may be used, and a combination of a plurality of physically separate devices may be referred to as a computing device.
  • a method for providing exercise load information determines an estimated load index by further considering state information reflecting characteristics related to a target exercise session as well as kinematic information during a target exercise session of a target entity
  • state information reflecting characteristics related to a target exercise session as well as kinematic information during a target exercise session of a target entity
  • information on the degree of exercise load can be determined with more improved accuracy. For example, even if the same intensity of training is performed, the exercise load felt by the athlete may be different due to various factors such as the athlete's condition on the day of training or environmental factors such as weather.
  • by estimating an estimated load index by reflecting not only information about the motion of the target entity, but also various additional information that may affect the degree of exercise load of the target entity, Even the degree of exercise load can be reflected.
  • the exercise load information providing method may determine an estimated load index based on “activity information”.
  • activity information may include kinematic information as described above in this description and condition information reflecting characteristics related to a target exercise session.
  • Activity information may include information detected by the sensing platform 1100 as described above in this description, and may be understood as a concept encompassing any information that may be used to determine the degree of exercise load.
  • activity information 2600 includes kinematic information 1600, session condition information 1610, and physical condition information 2620 as described above. may contain at least one.
  • the body condition information may include at least one of heart rate information 2621 , body temperature information 2623 , and respiration information 2625 .
  • Information on heart rate can be obtained using indicators such as %HR max (HR act /HR max ), %HRR ((HR act - HR rest ) / (HR max - HR rest )), and %VO 2max (VO 2act / VO 2max ).
  • State information may be understood as a concept including at least one of session state information and body state information. Examples of more diverse state conditions are disclosed in detail below in this description.
  • the exercise load information providing method includes acquiring a target data set including activity information (S2410) and determining an estimated load index (S2420).
  • S2410 activity information
  • S2420 estimated load index
  • the computing device may obtain a target data set including activity information (S2410). More specifically, the computing device may obtain a target data set for a target entity during a target workout session comprising a plurality of time units, wherein the target data set includes a target entity for each of the plurality of time units.
  • the sequence of kinematic information of it may include condition information that reflects characteristics related to the target exercise session.
  • the state information may be obtained for each of a plurality of time units included in the target exercise session similarly to kinematic information and may be configured to have a sequence of state information, or one state information for one exercise session. It may be configured to have.
  • some of the plurality of state information may be obtained for each time unit to form a sequence, and other state information may have one state information for an exercise session. State information is detailed later in this description.
  • the computing device may determine an estimated load index (S2420). More specifically, the computing device may determine, from the target data set, using an artificial neural network, an estimated load index that reflects the degree of exercise load of the target exercise session for the target entity. According to one aspect, the determined estimated load index may be provided as an estimate of exercise load for a target exercise session.
  • the estimated load index may include, for example, a plurality of numerical values indicating the degree of exercise load, and may be configured such that 10 represents the highest exercise intensity with a value of 1 to 10, for example, but in this specific numerical range Not limited.
  • An estimated load index according to an aspect of the present disclosure may be an estimate of a rate of perceived fatigue (RPE) of a target entity for a target exercise session.
  • RPE rate of perceived fatigue
  • an estimated load index determined according to an aspect of the present disclosure may be provided instead of the perceived fatigue as exemplarily illustrated in FIG. 4 .
  • FIG. 25 is a detailed flowchart of the estimated load index determining step of FIG. 24 .
  • the computing device first prepares a trained artificial neural network (S2421), inputs a target data set to the input layer of the artificial neural network (S2423), and based on the result value of the output layer of the artificial neural network It is possible to obtain an estimated load index (S2425).
  • the artificial neural network may be trained using a training data set labeled with an exercise load index to output an exercise load index of the target exercise session when activity information of a target entity for the target exercise session is input.
  • the learning data set may be generated from activity information about a target entity that has performed an exercise session, and an exercise load index to be labeled may be a value collected from the target entity that has performed an exercise session.
  • the artificial neural network may be trained based on a plurality of training data sets including the first training data set.
  • the first training data set includes a sequence of kinematic information of the first entity during the first workout session and state information about the first workout session
  • the first training data set includes a sequence of kinematic information for the first workout session and an exercise load of the first workout session from the first entity It may be labeled as a collected score.
  • the estimated load index determination process using an artificial neural network may proceed similarly to the process described above with reference to FIGS. It may be slightly different in that it includes.
  • the state information may include session state information 2610 for characteristics of the target exercise session itself for which the estimated load index is to be determined and information 2620 for the state of the target entity itself.
  • session state information 2610 for characteristics of the target exercise session itself for which the estimated load index is to be determined
  • information 2620 for the state of the target entity itself.
  • status information may include daily readiness response information collected from a target entity for a target exercise session.
  • a survey on daily readiness like this is also referred to as a wellness survey.
  • the wellness survey may include various queries related to the health or condition of the target entity participating in the exercise session.
  • the daily readiness response information includes a sleep time evaluation value, a sleep quality evaluation value, a fatigue level evaluation value, a soreness level evaluation value, and a stress level evaluation value. level) evaluation value or mood evaluation value, but is not limited thereto, and arbitrary evaluation value information related to the readiness of the target entity may be included.
  • FIG. 27 is an example of a wellness survey for securing daily readiness response information according to an embodiment of the present disclosure.
  • a plurality of items for daily readiness evaluation may be queried, and for example, an evaluation value may be received for each inquiry.
  • Evaluation values of each collected item may be included in status information.
  • the state information may include evaluation values for each item in parallel or may include the sum of evaluation values for each item.
  • the degree of exercise load may be different depending on psychological factors (psychological stress, mental factor) of a target entity such as a sports player.
  • Psychological factors that may affect the degree of exercise load may include factors of the target entity itself, or may include various conditions or state factors of the target exercise session itself.
  • state information may include exercise type information.
  • the exercise type information may reflect information on whether a target exercise session is a match session or a training session.
  • the workout session may include a game session in which results such as a win or loss are recorded and league rankings or tournament advances are determined, and a practice session in which training is performed in preparation for the game session. Compared to the practice session, in the game session, even if the same amount of exercise is obtained, a greater exercise load may be felt due to psychological factors.
  • exercise type information such as information on whether the status information is a game session or a practice session, for example, considering the difference in the degree of exercise load according to the type of the target exercise session It is possible to determine the estimated load index.
  • the status information may include an importance evaluation value according to a type of a target exercise session. Even if they experience the same amount of exercise, if the importance of a corresponding exercise session is higher, a target entity such as a sports player may have a greater psychological burden and consequently experience a greater degree of exercise load. For example, as described above, the importance of a game session may be greater than that of a practice session, and a target entity may experience a greater degree of exercise load even with the same amount of exercise due to a high psychological load on the target entity.
  • psychological burden may be much higher than that of general match sessions.
  • psychological burden may be much higher than that of general match sessions.
  • an important game in a tournament such as the 'final match' or a special meaning such as a 'league championship match' has a high importance and can cause a great psychological burden.
  • the importance according to the type of target exercise session may be reflected as an evaluation value by reflecting such various factors.
  • the importance evaluation value may be expressed as a numerical value such as 1 to 5, for example, or may be classified into an importance type and included in the training data set and the target data set, respectively.
  • the status information may include information about the length of time elapsed from the previous game session to the target workout session.
  • a training schedule is designed to exhibit optimal performance in a game session, and the state of a target entity participating in a workout session may be different according to an elapsed time from the game session.
  • the exercise load felt by the sports player on the second day training and the third day training after the game session may be different even for the same exercise amount. Therefore, state information according to one aspect of the present disclosure includes information on the length of time that has elapsed from the previous game session to the target exercise session, and is estimated by reflecting the difference in the degree of exercise load according to the elapsed time from the game session. load index can be determined.
  • the status information may include information about a length of time that has elapsed from a start date of a sports season including a target exercise session to the target exercise session.
  • team sports events are conducted over a long period of time.
  • Various conditions such as physical fitness or physical condition of a target entity such as a sports player participating in an exercise session may fluctuate while digesting a long season, ranging from a minimum of several months to a year.
  • the target entity may experience a relatively high degree of exercise load even for the same amount of exercise.
  • you may feel a high degree of exercise load for the same amount of exercise for the same reason as adapting to actual combat.
  • a target exercise session for which the degree of exercise load is to be determined includes information on the length of time that has elapsed from the start date of the sports season in which the target exercise session is included, so that the target exercise session is set at the beginning of the season.
  • the estimated load index may be determined by reflecting the progress of the season, such as whether it is mid-season, mid-season, or late season.
  • condition information may include information about a physical condition of a target entity. Even for the same amount of exercise, a target entity such as a sports player may feel a different degree of exercise load depending on what physical state he or she is in. Accordingly, according to one aspect of the present disclosure, the estimated load index may be determined by reflecting the condition information including information on the physical condition of the target entity.
  • the information on the physical condition may include at least one of age, height, weight, physical fitness evaluation value, muscular strength evaluation value, maximum heart rate, or maximum oxygen intake.
  • the body state is not limited thereto, and various evaluation factors that may indicate the body state of the target entity may be included in the body state information.
  • state information may include environment information about a target exercise session.
  • the environment information may reflect at least one of weather information, temperature information, humidity information, or season information, but is not limited thereto.
  • the estimated load index may be determined by reflecting environmental factors of the target exercise session by allowing the state information to include environment information of the target exercise session.
  • state information may include biological measurement information of a target entity during a target exercise session.
  • the biometric information may include at least one of heart rate information, information on the ratio of heart rate to maximum heart rate, body temperature information, information on oxygen intake, or information on the ratio of oxygen intake to maximum oxygen intake.
  • the body state information may include biological measurement information among body state information, such as heart rate information, body temperature, and respiration state information. Even for the same amount of exercise, the felt exercise load may be different according to the biological state of the target entity.
  • by including such biological information as additional information in state information it is possible to determine an estimated load index by more accurately reflecting different exercise load levels according to target entities.
  • the biological measurement information may be obtained through various sensors such as the biometric sensing module 1317 provided in the sensing platform.
  • the determination of the estimated load index according to the exercise load information providing method according to an embodiment of the present disclosure is a combination of at least some of the above-described plurality of activity information, kinematic information, and state information. It should be noted that it may be performed based on a target data set according to
  • FIG. 28 is a schematic flowchart of a method for providing exercise load information according to an embodiment of the present disclosure.
  • 29 is a detailed flowchart of an embodiment of the step of determining the estimated load index of FIG. 28;
  • FIG. 30 is a detailed flowchart of another embodiment of the step of determining the estimated load index in FIG. 28;
  • a method for providing exercise load information according to an embodiment of the present disclosure will be described in more detail with reference to FIGS. 28 to 30 .
  • the computing device may be, but is not limited to, the server 1500 as described with reference to FIGS. 1 to 3 or the controller 1520 included in the server 1500, and includes a processor and a memory. Any computing capable device may be used, and a combination of a plurality of physically separate devices may be referred to as a computing device.
  • a method for providing exercise load information further improves the accuracy of the estimated load index by further reflecting the characteristics of the target entity in providing information on the degree of exercise load according to the target exercise session of the target entity. can make it According to an embodiment of the present disclosure, a target entity may adaptively determine an estimated load index by using "target-specific information" in determining the estimated load index.
  • target-specific information may be understood to include characteristics possessed by a target entity for which exercise load information is to be provided, or information for identifying such a target entity. For example, since the degree of exercise load experienced for the same amount of activity may be different depending on the exercise capacity of the target entity, the target-specific information may include the exercise capacity of the target entity as a characteristic of the target entity. Alternatively, information capable of evaluating the level of fitness, such as the affiliated league of the target entity, may be included in target-specific information as identification information of the target entity.
  • a normal estimated load index determined based on kinematic information of a target entity is calibrated by applying an adjustment factor considering target-specific information.
  • An estimated load index can be determined.
  • the target entity adaptive estimated load index is obtained.
  • training data is classified according to a classification to which a target entity belongs, an artificial neural network is separately prepared for each classification, the artificial neural network is trained based on the training data corresponding to each, and an estimated load index is calculated.
  • the adaptive estimated load index of the target entity may also be acquired by using the corresponding learned artificial neural network.
  • the exercise load information providing method includes obtaining target-specific information (S210), obtaining a target data set (S2820), and an estimated load index.
  • a step of determining (S2830) may be included.
  • the computing device may acquire target-specific information (S2810). More specifically, the computing device can obtain target-specific information reflecting at least one of identification information or characteristic information about the target entity.
  • the target-specific information that can be used to determine the estimated load index adaptively to the target entity may include information unique to the target entity, and may include characteristic information representing the characteristics of the target entity itself, or , may include identification information for identifying the classification or type of the target entity.
  • the target-specific information may include an adjustment factor that is retroactively applied to an estimated load index that can be determined without considering the target-specific characteristics to reflect the target-specific characteristics, and is input to the artificial neural network along with kinematic information. and may include data for determining the estimated load index.
  • the target-specific information may be obtained by inputting from previously transmitted information, for example, or may be calculated through a specific process associated with the target entity.
  • the computing device may obtain a target data set (S2820). More specifically, the computing device may obtain a target data set for a target entity during a target workout session that includes a plurality of time units, wherein the target data set includes a target data set of the target entity for each of the plurality of time units. It may contain sequences of kinematic information. At least some of the various processes previously described in this description may be applied to the acquisition procedure for the sequence of kinematic information.
  • the computing device may determine an estimated load index using an artificial neural network (S2830). More specifically, the computing device can determine, from the target-specific information and the target data set, using an artificial neural network, an estimated load index that reflects the degree of exercise load of the target exercise session for the target entity. . According to one aspect, the determined estimated load index may be provided as an estimate of exercise load for a target exercise session.
  • the estimated load index may include, for example, a plurality of numerical values indicating the degree of exercise load, and may be configured such that 10 represents the highest exercise intensity with a value of 1 to 10, for example, but in this specific numerical range Not limited.
  • An estimated load index according to an aspect of the present disclosure may be an estimate of a rate of perceived fatigue (RPE) of a target entity for a target exercise session.
  • RPE rate of perceived fatigue
  • an estimated load index determined according to an aspect of the present disclosure may be provided instead of the perceived fatigue as exemplarily illustrated in FIG. 4 .
  • FIG. 29 is a detailed flowchart of an embodiment of the estimated load index determining step of FIG. 28 .
  • the determination of the estimated load index consists of determining the estimated load index based on kinematic information without considering the characteristics of the target entity and applying an adjustment factor considering the characteristics of the target entity to the determined estimated load index. to determine the target entity's adaptively enhanced accuracy estimated load index.
  • the computing device first prepares a trained artificial neural network (S2831) and inputs a target data set to the input layer of the artificial neural network (S2833), so that the output layer of the artificial neural network An estimated load index may be obtained based on the result value (S2835).
  • the artificial neural network may be trained using a training data set labeled with an exercise load index to output an exercise load index of the target exercise session when activity information of a target entity for the target exercise session is input.
  • the learning data set may be generated from activity information about a target entity that has performed an exercise session, and an exercise load index to be labeled may be a value collected from the target entity that has performed an exercise session.
  • the artificial neural network may be trained based on a plurality of training data sets including the first training data set.
  • the first training data set may include a sequence of kinematic information of the first entity during the first exercise session, and may be labeled with a score collected from the first entity for an exercise load of the first exercise session. .
  • At least some of the processes described above with reference to FIGS. 6 to 8 in relation to providing exercise load information based on kinematic information may be applied to the estimated load index determination process using an artificial neural network.
  • the computing device inputs a target data set to an input layer of an artificial neural network (S2833) and obtains an estimated load index based on a result value of an output layer of the artificial neural network (S2835). there is.
  • target-specific information may include a modifier for an estimated load index corresponding to a target entity. That is, information for determining a calibrated estimated load index with improved accuracy by reflecting the unique characteristics of the target entity may be included.
  • obtaining the estimated load index (S2835) may be to obtain the estimated load index by multiplying the resultant value of the output layer of the artificial neural network by an adjustment factor. Accordingly, the obtained estimated load index may become an estimated value of an exercise load closer to what the target entity actually feels by reflecting the unique characteristics of the target entity.
  • the adjustment factor may reflect fitness evaluation information of the target entity. More specifically, the adjustment factor may reflect the ratio of the game load index to the maximum value of the load index, wherein the game load index is based on kinematic information during at least one recent game session of the target entity. It may be obtained using an artificial neural network.
  • the adjustment factor may be for evaluating the degree of exercise load by reflecting the individual characteristics (individuality) of the target entity. For example, if an artificial neural network for determining an estimated load index is trained based on a learning data set obtained from a plurality of entities, it is assumed that the fitness levels of the plurality of entities are the same. In general, considering the degree of difference in athletic ability between sports players within the same level of league in which learning data is collected, according to one embodiment, even if it is assumed that the athletic ability of a plurality of entities is the same, it is necessary to calculate the estimated load index. There may not be any serious errors.
  • the estimated load index can be appropriately calibrated based on the exercise capacity.
  • an estimated load index of an estimated load index for a game session may be considered.
  • the exercise session may be divided into a game session, which is a session in which an actual game is performed, and a practice session in which practice is performed for this.
  • a game load index 3130 may be determined based on a value output by inputting kinematic information 3110 during at least one recent game session of a target entity to an artificial neural network 3120.
  • the artificial neural network 3120 may utilize an artificial neural network for determining an estimated load index before reflecting the adjustment factor of the target entity, or may be provided with and utilized a separate learned artificial neural network.
  • the game load index 3130 may be used as the game load index when an estimated load index is determined using, for example, kinematic information for a recent game.
  • a plurality of estimated load indices may be determined using kinematic information on a plurality of recent games, and a representative value, for example, an average value of the plurality of estimated load indices may be used as the game load index.
  • a game load index determined based on kinematic information about a game session may be a value smaller than the maximum value of the load index.
  • the response load index obtained by querying the first target entity for the match session will obtain a full score (eg 10 points), but the match load index for the first entity based on the artificial neural network will be 8 points, for example.
  • an adjustment factor reflecting the ratio (8:10) of the maximum value of the load index and the game load index may be determined.
  • the estimated load index of the first target entity may be determined by multiplying a result value output by an artificial neural network based on a target data set of a target exercise session by 10/8 as an adjustment factor.
  • the estimated load index of the first target entity reflecting the adjustment factor may be determined to be 8.75 (7 * 10 / 8). there is.
  • the adjustment factor may reflect evaluation information of the affiliated league of the target entity. More specifically, the adjustment factor may reflect the ratio of the evaluation value of the affiliated league of the target entity to the evaluation value of the affiliated league of the first entity in the training data set.
  • an adjustment factor may be determined by reflecting evaluation information of a league corresponding to learning data used to train an artificial neural network and evaluation information of a league to which a target entity belongs.
  • an adjustment factor of 10/6 can be determined as a simple example. That is, if the target data set for the target exercise session of the second target entity belonging to the youth league is input to the artificial neural network learned based on the training data set corresponding to the professional league and the output value is 5, the adjustment factor is reflected. 2
  • the estimated load index of the target entity can be determined as 8.34 (5 * 10 / 6).
  • FIG. 30 is a detailed flowchart of another embodiment of the step of determining the estimated load index of FIG. 28 .
  • the estimated load index determination is performed by determining the estimated load index based on an artificial neural network in consideration of both kinematic information and characteristic information of the target entity, thereby adaptively improving the estimated load index of the target entity with improved accuracy. can be determined.
  • an adaptive estimated load index of the target entity may be obtained by inputting the target data set during the target exercise session of the target entity and the data of the match session of the target entity together into the artificial neural network trained as described above.
  • the computing device first prepares a trained artificial neural network (S2837), inputs a target data set and target-specific information to the input layer of the artificial neural network (S2838), and An estimated load index may be obtained based on the result value of the output layer of the neural network (S2839).
  • the artificial neural network outputs an exercise load index of the target exercise session when the activity information of the target entity for the target exercise session and the activity information for the game session of the target entity are input together.
  • a training data set labeled with the exercise load index, and It may be learned using a match data set labeled with the maximum score of the exercise load index.
  • a learning data set for training the artificial neural network may be generated from, for example, activity information about an entity that has performed an exercise session, and an exercise load index to be labeled may be a value collected from an entity that has performed an exercise session.
  • a game data set for training an artificial neural network may be generated from activity information of at least one game session of an entity performing the exercise session, and may be labeled as a maximum value of an exercise load index.
  • the artificial neural network according to an embodiment of the present disclosure may be trained based on a plurality of training data sets each including a first training data set and a first game data set.
  • the first training data set may include a sequence of kinematic information of the first entity during the first exercise session, and may be labeled with a score collected from the first entity for an exercise load of the first exercise session. .
  • the first game data set may include a sequence of kinematic information of the first entity during at least one game session, and may be labeled with a maximum score.
  • the artificial neural network may be trained using a fusion of a training feature map corresponding to the first training data set and a game feature map corresponding to the first game data set.
  • a structure for training an artificial neural network by using two or more different types of feature values as learning data such as training an artificial neural network using RGB value-related data and depth-related data of an image, respectively.
  • an artificial neural network may include a first network for generating a first feature map for a first feature value and a second network for generating a second feature map for a second feature value.
  • a value output to the output layer may be determined by using a fusion of the first feature map and the second feature map.
  • the first characteristic value may be kinematic information obtained from a game session, which is a session in which the entity participates in a sports game.
  • the maximum value for the exercise load may be labeled.
  • the second characteristic value may be kinematic information obtained from any exercise session in which the entity participates. Any workout session may include both a game session and a practice session, or may include only a practice session excluding the game session.
  • a response score for an exercise load of an entity participating in a corresponding exercise session may be labeled as kinematic information for an exercise session.
  • a training feature map may be created based on a first training data set comprising a sequence of kinematic information for any workout session of the first entity, comprising a sequence of kinematic information during a competition session of the first entity.
  • a game feature map may be created based on the first game data set.
  • the training feature map and the game feature map may be concatenated and provided to a fully connected (FC) layer directly or through an additional layer.
  • FC fully connected
  • FIG. 33 illustrates an Early fusion model in network fusion
  • FIG. 34 illustrates a Middle fusion model in network fusion
  • FIG. 35 illustrates a late fusion model in network fusion. fusion) model.
  • the time at which the data due to the game data set and the data due to the training data set are concatenated is early, middle, It may be determined according to at least one of various types of network fusion, such as late combining, and is not limited to a specific network model.
  • the computing device inputs a target data set and target-specific information to the input layer of the artificial neural network (S2838), and outputs the artificial neural network
  • An estimated load index may be obtained based on the result value of the layer (S2839).
  • the target-specific information acquired in the acquiring step (S2810) and input to the artificial neural network (S2838) may include a sequence of kinematic information of the target entity during at least one recent game session.
  • FIG. 32 is an exemplary view of determining an estimated load index using a game data set and a training data set.
  • the computing device may input a target data set 3220 and target-specific information 3210 to an input layer of an artificial neural network 3230 (S2838).
  • Target data set 3220 can include a sequence of kinematic information from a target athletic session of a target entity, as described above, and target-specific information 3210 includes kinematic information during at least one recent competitive session of the target entity.
  • Information 3210 may be included.
  • the computing device may acquire an estimated load index 3240 of the target exercise session of the target entity based on the result value of the output layer of the artificial neural network 3230 (S2839). . Therefore, a method for providing exercise load information according to an aspect of the present disclosure may determine an estimated load index according to kinematic information of a target exercise session by reflecting kinematic information in a game session of a target entity, and achieve more improved accuracy.
  • the target entity may provide adaptive exercise load information.
  • learning data is classified or collected according to a classification to which a target entity belongs, an artificial neural network is separately prepared for each classification, the artificial neural network is trained based on the learning data corresponding to each, and the estimated load is estimated.
  • the adaptive estimated load index of the target entity may be acquired by using the corresponding learned artificial neural network.
  • the target-specific information acquired in the step of acquiring the target-specific information includes identification information about a league to which the target entity belongs
  • the step of determining the estimated load index includes: Among a plurality of artificial neural networks, an artificial neural network trained based on a plurality of training data sets corresponding to a league to which the target entity belongs may be used.
  • entity-specific characteristics such as, for example, fitness level
  • a sports player belonging to a youth league and a sports player belonging to a professional league may differ from each other in various unique characteristics, including, for example, athletic ability, and may experience different degrees of exercise load even for the same amount of exercise.
  • entities subject to exercise load measurement are classified into a plurality of groups according to a predetermined criterion, and an artificial neural network corresponding to each classification is formed using training data sets corresponding to each classification.
  • the estimated load index may be determined by training and inputting the target data set for the target exercise session of the target entity to the artificial neural network corresponding to the target entity. Accordingly, the estimated value of the degree of exercise load can be determined with improved accuracy by reflecting the unique characteristics of the target entity.
  • information for classifying entities into a plurality of groups may be affiliated leagues.
  • An artificial neural network for each rig may be prepared.
  • an affiliated league identifier for a target entity may be obtained as target-specific information. Using this, an estimated load index for the target entity may be determined based on a value output by inputting a target data set for the target entity to an input layer of an artificial neural network corresponding to a league to which the target entity belongs.
  • the target data set may include condition information in addition to kinematic information. That is, it should be understood that a method for determining exercise load information in which partial features of the embodiments of the present disclosure are mutually combined are also included within the scope of the technical idea of the present disclosure.
  • the load index that can reflect the evaluation value for the degree of exercise load may include an “estimated load index” and a “response load index”.
  • the “estimated load index” may be an estimated value for an exercise load calculated based on activity information of a target entity during a target exercise session.
  • the estimated load index may be determined using an artificial neural network.
  • the "response load index” may be a direct response from the target entity of a degree of fatigue that the target entity evaluates itself as experienced by the target exercise session, such as, for example, a perceived fatigue rate (RPE).
  • RPE perceived fatigue rate
  • monitoring and early risk detection for an entity such as a sports player is possible by comparing the estimated load index and the response load index.
  • the difference between the degree of exercise load predicted by the sports player and the degree of exercise load actually felt by the sports player satisfies a predetermined criterion, it may be determined that the corresponding sports player has an abnormal symptom.
  • an estimated load index 3630 may be calculated by collecting activity information during an exercise session for a target entity 3610 to be monitored and inputting the information to an artificial neural network 3620 .
  • a response load index 3645 reflecting the self-assessment value for the corresponding exercise session can be obtained.
  • a notification message 3660 for reporting an abnormality of the target entity is generated when the difference between the two satisfies a predetermined condition.
  • the criterion for the difference between the estimated load index and the response load index is a determination that the difference between the two occurs continuously (eg, more than a week) or significantly (the difference between the estimated load index and the response load index is greater than a threshold value).
  • a threshold value can include In this case, it may be determined that the target entity is not in a normal state, and a corresponding action may be performed at the manager level.
  • FIG. 37 is a schematic flowchart of a method for providing exercise load information according to an embodiment of the present disclosure
  • FIG. 38 is a detailed flowchart of an estimated load index calculation step of FIG. 37
  • FIG. 39 is an estimated load index determination of FIG. 38
  • FIGS. 37 to 39 are schematic flowcharts of the steps.
  • the computing device may be, but is not limited to, the server 1500 as described with reference to FIGS. 1 to 3 or the controller 1520 included in the server 1500, and includes a processor and a memory. Any computing capable device may be used, and a combination of a plurality of physically separate devices may be referred to as a computing device.
  • the exercise load information providing method includes calculating an estimated load index (S3710) and receiving a response load index. It may include step S3720 and outputting a notification message (S3730).
  • the computing device may calculate an estimated load index (S3710). More specifically, the computing device may include an estimated load index reflecting an estimated value of an exercise load degree of a target exercise session for a target entity based on kinematic information of the target entity during the target exercise session ( Estimated load index) can be calculated.
  • the estimated load index may be understood as an estimated value of a rate of perceived fatigue (RPE) for a target exercise session of a target entity.
  • RPE rate of perceived fatigue
  • calculating the estimated load index may include obtaining a target data set (S3711) and determining the estimated load index (S3713), as shown in FIG. 38 .
  • the computing device may obtain a target data set for a target entity during a target exercise session including a plurality of time units (S3711).
  • the target data set may include a sequence of kinematic information of a target entity for each of a plurality of time units.
  • the computing device may determine an estimated load index for the target entity from the target data set using an artificial neural network (S3713). More specifically, as shown in FIG.
  • the computing device may prepare a trained artificial neural network based on a plurality of training data sets including the first training data set (S3713a).
  • the first training data set may include a sequence of kinematic information of the first entity during the first exercise session and may be labeled with a score collected from the first entity for an exercise load of the first exercise session.
  • the computing device may input the target data set to the input layer of the artificial neural network (S3713b) and obtain an estimated load index based on a result value of the output layer of the artificial neural network (S3713c).
  • the computing device may receive a response load index reflecting a self-evaluation value for the degree of exercise load of a target exercise session by a target entity (S3720).
  • the response load index may reflect the perceived fatigue of the target entity for the target exercise session. For example, after the target entity participates in the target exercise session, it may be made to go through a survey procedure on perceived fatigue.
  • the target entity may respond with a numerical value between 1 and 10, for example, the degree of exercise load according to the target exercise session felt by the target entity, and the corresponding information may be input through a predetermined input device and provided to the computing device. That is, the response load index may reflect an evaluation value for perceived fatigue experienced by the actual target entity.
  • the computing device may output a notification message based on a comparison result between the estimated load index and the response load index (S3730). That is, if the difference between the estimated load index and the response load index satisfies a predetermined criterion, the target entity can be considered to be in an abnormal state, and the computing device informs the administrator whether or not the abnormal state has occurred by outputting a notification message.
  • Calculating the estimated load index and receiving the response load index may be continuously performed for one or more exercise sessions. That is, according to one aspect, the target workout session may be a collection of a plurality of workout sessions. Accordingly, comparison between the estimated load index and the response load index may be performed for a plurality of exercise sessions. The criterion for the difference between the two may be set for a difference for one exercise session or whether or not the difference for a plurality of exercise sessions is sustained.
  • outputting a notification message includes outputting a notification message in response to a determination that the difference between the estimated load index and the response load index is greater than or equal to a first predetermined threshold value.
  • a first predetermined threshold value can be configured to That is, the computing device calculates a difference value between the estimated load index and the response load index respectively corresponding to a specific target exercise session, and if the calculated difference value is equal to or greater than a predetermined first threshold value (eg, 3), the target entity It can be judged to be in an abnormal state.
  • the computing device may notify the manager by outputting a notification message.
  • the outputting of the notification message may include determining whether a difference between the estimated load index and the response load index is greater than or equal to a predetermined second threshold for exercise sessions that have been continued for more than a predetermined first threshold number of times. It may be configured to output a notification message in response to the determination. For example, even if the difference between the estimated load index and the response load index for the target entity is not too large, if a difference of a certain level or more is repeated, there is some problem in the target entity or a major problem such as injury occurs. It can be judged as a precursor symptom of something.
  • the computing device monitors the difference between the estimated load index and the response load index for a plurality of exercise sessions, and sets the difference between the estimated load index and the response load index to a predetermined second threshold value (eg, 1).
  • a manager may be notified of this by outputting a notification message.
  • the outputting of the notification message may include a second exercise session in which a difference between an estimated load index and a response load index among a plurality of consecutive exercise sessions is equal to or greater than a predetermined third threshold value. and outputting a notification message in response to determining that the ratio is greater than or equal to a first predetermined threshold ratio. For example, when monitoring is performed on the difference between the estimated load index and the response load index for a plurality of exercise sessions, if a difference of a certain level or more occurs more often than an acceptable level even if it does not occur continuously, this is also the target It may also be interpreted that the entity is experiencing a particular problem or exhibits precursory symptoms of injury.
  • the computing device may determine, for example, an exercise session showing a difference between estimated-load indices greater than or equal to a third threshold value (eg, 1.5) for a plurality of exercise sessions, for example, five or more consecutive exercise sessions. For example, when it occurs three or more times, it is determined that the ratio corresponds to a predetermined first threshold ratio (eg, 0.6) or more, and a notification message is output to notify the manager.
  • a third threshold value eg, 1.5
  • the notification message may include an injury risk warning message to the target entity. If the degree of difference between the estimated load index and the response load index satisfies the criterion, the corresponding target entity may be interpreted as showing a prognostic symptom of injury. Accordingly, by including the injury risk warning message in the notification message, the administrator can check the notification message and take precautionary measures to prevent injury to the corresponding target entity.
  • the notification message may include an abnormal condition warning message for the target entity. Satisfaction of the difference criterion may be interpreted as the fact that the target entity is not in a normal condition state. Therefore, by including the abnormal condition warning message in the notification message, the administrator can use it to determine the roster for the next game session or initiate condition recovery measures.
  • the notification message may include a coach interview request message for the target entity.
  • Abnormal symptoms of the target entity may be due to psychological problems such as family or personal life issues as well as physical problems. Accordingly, by including the coach interview request message in the notification message, the manager can initiate a coach interview with the corresponding entity.
  • the notification message may include a type change recommendation message for an artificial neural network.
  • target entities may be classified into a plurality of groups according to a predetermined criterion, and each artificial neural network may be trained using a training data set corresponding to each classification. Therefore, if the criterion for the difference between the estimated load index and the response load index for a target entity is met, the notification message includes a type change recommendation message for the artificial neural network, so that the system administrator can determine that the appropriate artificial neural network for that entity is It is applied to check whether the estimated load index is calculated, and the applied artificial neural network can be changed according to the case.
  • a target entity to be monitored or an anomaly detection may be at least one sports team or one sports player.
  • each of the estimated load index and the response load index may be a representative index determined based on indices for each of at least some athletes belonging to the sports team. For example, it may be an average value of indices for each of a plurality of athletes, but is not limited thereto, and any criterion for representing the index for each of a plurality of athletes may be utilized.
  • by monitoring the difference between the estimated load index and the response load index of the sports team and detecting an anomaly it is possible to determine whether there is a problem related to the management of the sports team, for example It can be checked for various problems such as diet, facilities, and problems outside of training.
  • a problem of the sports player may be reviewed.
  • the risk of injury of the sports player may be detected at an early stage, and whether or not psychologically affecting matters such as family problems or personal life issues exist in the sports player may be reviewed.
  • FIG. 40 illustrates a schematic structure of an artificial neural network for implementing a method for providing exercise load information according to an embodiment of the present disclosure.
  • the dotted line represents the information flow of the training phase and the solid line represents the information flow of the inference phase.
  • the activity information may represent information reflecting the physical activity of a sports player performing an exercise, such as kinematic information related to the position and/or movement of the sports player and physical condition information related to the player's body, related to the player's activity. may include information about any characteristics that change due to
  • qRPE may indicate an exercise load index obtained from a player through an inquiry procedure following the end of an exercise session.
  • qRPE may be understood as a response load index.
  • PRRPE may indicate a value of RPE predicted by an artificial neural network model.
  • pRPE can be understood as an estimated load index.
  • activity information 3710 of a specific entity can be labeled as qRPE 3750 . That is, the activity information 3710 of a specific entity labeled with the value of qRPE 3750 can be used as a learning data set for training the artificial neural network 3720.
  • the artificial neural network may be trained so that the value of pRPE (3730) output by the artificial neural network is close to the value of qRPE (3750).
  • activity information 3710 in a target exercise session of a target entity for which exercise load information is to be determined may be input to the artificial neural network 3720 .
  • the artificial neural network outputs a predetermined value of pRPE 3730, and based on this pRPE 3730, an estimated load index 3740 is determined to estimate an exercise load for exercise load information for a target exercise session of a target entity.
  • Index 3740 can be provided.
  • a wearable device corresponding to a target entity for which exercise load information is to be determined may be mounted (4110).
  • data about the position or orientation of an entity based on the wearable device can be tracked 4130 .
  • Kinematic information 4140 can then be determined using the tracking data.
  • kinematic information may be labeled with a response load index (eg, qRPE) value 4150 received by querying an entity.
  • the artificial neural network 4170 may be trained so that the value of the estimated load index (eg, pRPE) 4160 output when the kinematic information 4140 is input is close to the value of the response load index 4150.
  • the output estimated load index 4180 value may be provided as exercise load information.
  • the estimated load index 4180 output and the response load index 4150 may be compared to perform monitoring and early risk detection of a target entity based on whether a difference between the two meets a predetermined criterion. there is.
  • the pRPE value may not reflect individual characteristics or daily conditions of an entity. For example, assuming that the physical level of the target entity is similar to that of the entities corresponding to the learning data set used to train the artificial neural network, information about the difference between qRPE and pRPE is the target entity It may be used as a daily conditioning factor of
  • the target data set may include a sequence of feature values corresponding to each of a plurality of time points or time units included in the target exercise session.
  • the artificial neural network used to implement the exercise load information providing method divides the sequences included in the target data set into two or more groups in time order, for example, and generates a convolutional neural network for each group ( Embedding for Convolution Neural Network (CNN) can be performed. As shown in FIG. 42 , for example, like a sequence of kinematic information, the target data set may include a sequence of feature values corresponding to each of a plurality of time points or time units included in the target exercise session.
  • the artificial neural network used to implement the exercise load information providing method divides the sequences included in the target data set into two or more groups in time order, for example, and generates a convolutional neural network for each group (Embedding for Convolution Neural Network (CNN) can be performed. As shown in FIG.
  • CNN Embedding for Convolution Neural Network
  • a sequence 4210 of kinematic information can be divided into a first group 4211, a second group 4213, and a third group 4215 according to time order.
  • a first group 4211, a second group 4213, and a third group 4215 for the sequence of kinematic information can be embedded, respectively, and the embedding result 4230 is applied to a recurrent neural network (RNN).
  • RNN recurrent neural network
  • the exercise load index eg, RPE having a value of 0 to 10
  • the time interval T may be a predetermined time interval such as 5 minutes or 10 minutes, for example.
  • an estimated value of an exercise load level up to a current point in time may be estimated in real time.
  • a real-time estimated load index for a current point in time may be determined based on a sequence of kinematic information up to the current point in time. Therefore, based on the real-time estimated load index, it may be used as a reference for the necessity of replacing players in a game session, or it may be decided to stop performing an exercise session to prevent injury.
  • FIG. 43 is an exemplary view of a method of providing real-time exercise load information according to an aspect of the present disclosure.
  • 44 is an exemplary view of kinematic data up to time point N in FIG. 43
  • FIG. 45 is an example view of kinematic data up to time point M in FIG. 43 .
  • a corresponding wearable device may be mounted on a target entity for which exercise load information is to be determined (4310).
  • data about the location or orientation of an entity based on the wearable device can be tracked 4330 .
  • kinematic information 4340 up to time point N may be determined using tracking data up to time point N (T N ).
  • kinematic information to time N 4340 can include a sequence of kinematic information of the target entity from the start of the exercise session to time N.
  • a real-time estimated load index 4360 for the target entity at time N can be determined.
  • the data input to the artificial neural network may be configured to have a predetermined length, for example, as shown in FIG. 44, zero padding follows or precedes the kinematic information sequence of the target entity up to N can be performed.
  • kinematic information 4370 up to time point M may be determined using tracking data up to time point M (T M ) following time point N.
  • kinematic information to time M 4370 can include a sequence of kinematic information of the target entity from the start of the exercise session to time M.
  • a real-time estimated load index 4390 for the target entity at time M can be determined.
  • data input to the artificial neural network may be configured to have a predetermined length, for example, as shown in FIG. can be performed.
  • a real-time estimated load index for time N or M which is a specific time point of the exercise session, may be determined. Based on the real-time load index for a specific point in time, monitoring and critical load warning procedures for the target entity may be performed.
  • 46 illustrates a critical load warning procedure according to real-time exercise load measurement. As shown in FIG. 46 , after the start of the exercise session, a real-time estimated load index may be calculated at predetermined time intervals to monitor whether or not the threshold level has elapsed. If monitoring is performed at time N, a warning message may not be delivered because the real-time estimated load index at time N does not exceed the threshold level.
  • a warning message can be delivered.
  • the monitoring interval can be adjusted by various factors such as system performance or administrator settings.
  • Computer-readable recording media includes all types of recording media in which data that can be decoded by a computer system is stored. For example, there may be read only memory (ROM), random access memory (RAM), a magnetic tape, a magnetic disk, a flash memory, an optical data storage device, and the like.
  • ROM read only memory
  • RAM random access memory
  • magnetic tape magnetic tape
  • magnetic disk magnetic disk
  • flash memory an optical data storage device
  • the computer-readable recording medium may be distributed in computer systems connected through a computer communication network, and stored and executed as readable codes in a distributed manner.
  • the described features may be implemented within digital electronic circuitry, or within computer hardware, firmware, or combinations thereof.
  • Features may be implemented in a computer program product embodied within storage, eg, in a machine-readable storage device, for execution by a programmable processor. And features can be performed by a programmable processor executing a program of instructions to perform the functions of the described embodiments by operating on input data and generating output.
  • the described features include at least one programmable processor, at least one input device, and at least one output device coupled to receive data and instructions from and to transmit data and instructions to the data storage system. It can be executed within one or more computer programs that can be executed on a programmable system including.
  • a computer program includes a set of instructions that can be used directly or indirectly within a computer to perform a particular action for a given result.
  • a computer program is written in any programming language, including compiled or interpreted languages, and contained as modules, components, subroutines, or other units suitable for use in other computer environments, or as stand-alone programs. can be used in any form.
  • Suitable processors for execution of a program of instructions include, for example, both general and special purpose microprocessors, and either a single processor or multiple processors in a computer of another kind.
  • storage devices suitable for embodying computer program instructions and data embodying the described features include, for example, semiconductor memory devices such as EPROM, EEPROM, and flash memory devices, magnetic memory devices such as internal hard disks and removable disks. devices, magneto-optical disks and all forms of non-volatile memory including CD-ROM and DVD-ROM disks.
  • the processor and memory may be integrated within or added by ASICs (application-specific integrated circuits).

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법이 제공된다. 방법은, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하는 단계 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계를 포함한다.

Description

운동 부하 정보를 제공하는 방법
본 기재는 일반적으로는 스포츠 분석 분야에 관한 것으로, 비한정적으로 보다 상세하게는 운동 부하를 반영하는 정보를 산출 하거나 이를 이용하는 기술에 관한 것이다.
스포츠 산업 시장의 폭발적인 성장과 스포츠 과학의 발달로 스포츠 분석의 중요성이 점차 증대되고 있다. 이러한 추세 속에서 최근에는 축구를 비롯한 메이저 스포츠 종목을 중심으로 경기나 훈련 중 스포츠 플레이어를 추적하는 전자 퍼포먼스 추적 시스템 (EPTS: electronic performance tracking system) 이 속속 도입되어 가고 있다.
스포츠 플레이어의 위치나 움직임을 실시간으로 추적하는 EPTS의 도입은 뛴 거리나 평균 속력과 같은 단순 지표로부터 선수 별 히트맵과 같은 비교적 복합적인 정보까지 정량화시켜 스포츠에 관한 객관적인 분석을 가능케 함으로써 과거 주로 코치진이나 스포츠 분석관과 같은 사람의 관찰과 직관에 의존하던 스포츠 분석에 새로운 관점을 제공하고 있다.
그러나, 이러한 데이터 기반의 스포츠 분석 기법들은 아직까지 단순한 위치나 움직임에 관한 정보 또는 이를 간단히 가공한 수준의 지표들을 제공하는 수준에서 벗어나지 못하고 있으며, 보다 다양한 관점의 분석 정보나 지표들에 관한 연구 개발이 요구되고 있는 상황이다.
이하에서는 본 기재에서 개시되는 특정 실시예들에 관한 요약을 제시한다. 이하의 요약에서 제시되는 양태들은 단지 특정 실시예들에 관한 간략한 요약을 제공하기 위한 것에 불과한 것으로 본 기재의 범위를 한정하려는 것은 아닌 것으로 이해되어야 한다. 따라서, 본 기재는 이하에서 제시되지 않는 다양한 양태들을 포함할 수 있음을 미리 밝혀둔다.
본 기재 및 이하에서 개시되는 발명의 개념은 운동 부하를 지시하는 정보를 산출하거나 이를 이용하는 방법들, 장치들, 및 컴퓨터 판독 가능한 저장 매체들을 제공한다.
본 기재의 일 과제는 타겟 엔티티의 운동학적 정보를 이용하여 타겟 엔티티에 대한 운동 부하 정보를 결정하는 방법을 제공하는 것이다.
본 기재의 일 과제는 타겟 엔티티에 대한 추정 부하 인덱스와 응답 부하 인덱스를 기반으로 통지 메시지를 출력하는, 운동 부하 정보를 제공하는 방법을 제공하는 것이다.
본 기재의 일 과제는 타겟 엔티티에 대한 식별 정보 또는 특성 정보 중 적어도 하나를 기반으로 해당 타겟 엔티티에 대해 적응적으로 추정 부하 인덱스를 결정하도록 하는, 운동 부하 정보를 제공하는 방법을 제공하는 것이다.
본 기재의 일 과제는 타겟 엔티티에 대한 운동학적 정보와 해당 운동 세션의 특성을 반영하는 상태 정보를 함께 고려하여 추정 부하 인덱스를 결정하는, 운동 부하 정보를 제공하는 방법을 제공하는 것이다.
다만, 본 기재의 해결하고자 하는 과제는 이에 한정되는 것이 아니며, 본 기재의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.
실시예들은, 운동 부하를 지시하는 정보를 산출하거나 이를 이용하는 방법들, 장치들, 및 컴퓨터 판독 가능한 저장 매체들을 포함한다.
일 실시예에 따르면, 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법으로서, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하는 단계; 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계; 를 포함하는, 운동 부하 정보를 제공하는 방법이 제공될 수 있다.
다른 실시예에 따르면, 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법으로서, 타겟 운동 세션 동안의 타겟 엔티티에 대한 운동학적 정보 (Kinematic information) 를 기반으로, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도에 대한 추정 값을 반영하는 추정 부하 인덱스 (Estimated load index) 를 산출하는 단계; 상기 타겟 엔티티에 의한 상기 타겟 운동 세션의 운동 부하 정도에 대한 셀프-평가 값 (Self-evaluation value) 을 반영하는 응답 부하 인덱스 (Response load index) 를 수신하는 단계; 및 상기 추정 부하 인덱스 및 상기 응답 부하 인덱스 간의 비교 결과에 기반하여 통지 (notification) 메시지를 출력하는 단계; 를 포함하는, 운동 부하 정보를 제공하는 방법이 제공될 수 있다.
다른 실시예에 따르면, 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법으로서, 상기 타겟 엔티티에 대한 식별 정보 또는 특성 정보 중 적어도 하나를 반영하는 타겟-특정 정보 (target-specific information) 를 획득하는 단계; 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 상기 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하는 단계; 및 상기 타겟-특정 정보 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계; 를 포함하는, 운동 부하 정보를 제공하는 방법이 제공될 수 있다.
다른 실시예에 따르면, 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법으로서, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스 및 상기 타겟 운동 세션과 관련된 특성을 반영하는 상태 정보 (condition information) 를 포함함 - 를 획득하는 단계; 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계; 를 포함하는, 운동 부하 정보를 제공하는 방법이 제공될 수 있다.
이상의 예시적 실시예들과 다른 예시적 실시예들은 첨부된 도면과 연관되어 읽혀질 예시적 실시예들에 관하여 후술될 상세한 설명에 의해 설명되거나 명확해질 것이다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 기재의 실시예에 따르면, 운동 부하에 관한 정량화된 지표를 제공하거나 훈련 세션이나 스포츠 플레이어에 관한 관리를 개선할 수 있다.
본 기재의 실시예에 따르면, 타겟 엔티티의 운동학적 정보를 이용하여 타겟 엔티티에 대한 운동 부하 정보를 결정함으로써 별도의 응답 절차를 거치지 않고 타겟 엔티티에 대한 타겟 세션의 운동 부하 정도에 대한 정보를 획득할 수 있다.
본 기재의 실시예에 따르면, 타겟 엔티티에 대한 추정 부하 인덱스와 응답 부하 인덱스를 기반으로 통지 메시지를 출력하여, 타겟 엔티티에 대한 컨디션 모니터링을 수행할 수 있다.
본 기재의 실시예에 따르면, 타겟 엔티티에 대한 식별 정보 또는 특성 정보 중 적어도 하나를 기반으로 해당 타겟 엔티티에 대해 적응적으로 추정 부하 인덱스를 결정하도록 함으로써 타겟 엔티티의 특성에 맞추어 보다 정확하게 운동 부하 정보를 결정할 수 있다.
본 기재의 실시예에 따르면, 타겟 엔티티에 대한 운동학적 정보와 해당 운동 세션의 특성을 반영하는 상태 정보를 함께 고려하여 추정 부하 인덱스를 결정함으로써, 운동 부하 정도를 결정하고자 하는 타겟 세션의 조건을 반영하는 더 정확한 운동 부하 정보를 획득할 수 있다.
이상의 발명의 내용은 본 발명의 모든 측면들에 관한 완전한 목록을 포함하는 것은 아니다. 본 발명은 이상에서 요약된 사항들은 물론, 이하의 상세한 설명 및 청구항에서 개시되는 다양한 측면들의 모든 적절한 조합들로부터 실시 가능한 모든 방법들, 기기들, 및 시스템들을 포함하는 것으로 이해되어야 한다.
도 1 은 본 기재의 실시예에 따른 운동 부하 정보 제공 시스템을 도시한 것이다.
도 2 는 본 기재의 실시예에 따른 어태처블 디바이스 (attachable device) 의 블록도이다.
도 3 은 기재의 실시예에 따른 서버의 블록도이다.
도 4 는 본 기재의 실시예에 따른 운동 부하 지표의 일 예를 도시한 것이다.
도 5 는 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이다.
도 6 은 도 5 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다.
도 7 은 본 기재의 실시예에 따른 운동 부하 지표의 산출에 이용되는 예시적인 인공 신경망을 도시한 것이다.
도 8 은 본 기재의 실시예에 따른 인공 신경망의 훈련 데이터 셋의 일 예를 도시한 것이다.
도 9 는 도 8 의 운동학적 정보 시퀀스의 일 예에 대한 상세도이다.
도 10 은 본 기재의 실시예에 따른 인공 신경망의 입력 데이터 셋의 일 예를 도시한 것이다.
도 11 은 본 기재의 실시예에 따른 인공 신경망의 입력 데이터 셋의 다른 예를 도시한 것이다.
도 12 는 엔티티-기반 좌표계를 예시적으로 도시한다.
도 13 은 경기장 기반 좌표계를 예시적으로 도시한다.
도 14 는 이전 시점의 움직임 방향과 현재 시점의 움직임 방향의 차이를 도시한다.
도 15 는 본 기재의 실시예에 따른 운동학적 정보의 예시를 나타낸다.
도 16 은 본 기재의 실시예에 따른 운동학적 정보의 예시를 나타낸다.
도 17 은 본 기재의 일 실시예에 따른 운동학적 정보를 표현할 수 있는 좌표계들의 예시를 나타낸다.
도 18 은 정적 정보의 예시를 나타낸다.
도 19 는 속도에 관한 정보를 포함하는 제 1 운동학적 정보의 예시를 나타낸다.
도 20 은 가속도에 관한 정보를 포함하는 제 2 운동학적 정보의 예시를 나타낸다.
도 21 은 저크에 관한 정보를 포함하는 제 3 운동학적 정보의 예시를 나타낸다.
도 22 는 관성 좌표계 (Inertial coordinate system) 기반의 각 움직임 정보의 예시를 나타낸다.
도 23 은 하이브리드 좌표계 (Hybrid coordinate system) 기반의 각 움직임 정보의 예시를 나타낸다.
도 24 는 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이다.
도 25 는 도 24 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다.
도 26 은 본 기재의 일 실시예에 따른 활동 정보를 나타낸다.
도 27 은 본 기재의 일 실시예에 따른 일간 준비도 응답 정보를 확보하기 위한 웰니스 서베이의 예시이다.
도 28 은 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이다.
도 29 는 도 28 의 추정 부하 인덱스 결정 단계에 대한 일 실시예의 상세 흐름도이다.
도 30 은 도 28 의 추정 부하 인덱스 결정 단계에 대한 다른 실시예의 상세 흐름도이다.
도 31 은 경기 부하 인덱스의 결정에 대한 예시도이다.
도 32 는 경기 데이터 셋과 훈련 데이터 셋을 이용한 추정 부하 인덱스 결정의 예시도이다.
도 33 은 네트워크 퓨전에 있어서 초기 결합 (Early fusion) 모델을 예시한다.
도 34 는 네트워크 퓨전에 있어서 중기 결합 (Middle fusion) 모델을 예시한다.
도 35 는 네트워크 퓨전에 있어서 후기 결합 (Late fusion) 모델을 예시한다.
도 36 은 본 기재의 일 실시예에 따른 엔티티 모니터링 및 리스크 조기 검출을 위한 운동 부하 정보 제공 방법의 개념도이다.
도 37 은 본 기재의 일 실시예에 다른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이다.
도 38 은 도 37 의 추정 부하 인덱스 산출 단계에 대한 상세 흐름도이다.
도 39 는 도 38 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다.
도 40 은 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법을 구현하기 위한 인공 신경망의 개략적인 구조를 나타낸다.
도 41 은 운동학적 정보를 이용한 운동 부하 정보 제공의 일 실시예를 도시한다.
도 42 는 시간 정보를 고려한 인공 신경망 구조의 예시도이다.
도 43 은 본 기재의 일 측면에 따른 실시간 운동 부하 정보 제공 방법에 대한 예시도이다.
도 44 는 도 43 의 N 시점까지의 운동학적 데이터의 예시도이다.
도 45 는 도 43 의 M 시점까지의 운동학적 데이터의 예시도이다.
도 46 은 실시간 운동 부하 측정에 따른 임계 부하 경고 절차를 설명한다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
본 기재에 기재된 실시예는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 사상을 명확히 설명하기 위한 것이므로, 본 발명이 본 기재에 기재된 실시예에 의해 한정되는 것은 아니며, 본 발명의 범위는 본 발명의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.
본 기재에서 사용되는 용어는 본 발명이 속하는 기술 분야에서 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택한 것이지만, 이는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 관례 또는 새로운 기술의 출현 등에 따라 그 의미가 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서, 본 기재에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 기재의 전반에 걸친 내용을 토대로 해석되어야 한다.
본 기재에 첨부된 도면은 본 발명을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 발명의 이해를 돕기 위하여 필요에 따라 과장되거나 축약되어 표시된 것일 수 있으므로 본 발명이 도면에 의해 한정되는 것은 아니다.
본 기재에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명은 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법은, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하는 단계; 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계; 를 포함할 수 있다.
여기서, 상기 타겟 엔티티는, 적어도 하나의 스포츠 팀이고, 상기 방법은, 상기 스포츠 팀에 속한 적어도 일부의 운동 선수들 각각에 대한 추정 부하 인덱스들을 기반으로 상기 스포츠 팀에 대한 상기 타겟 운동 세션 동안의 대표 부하 인덱스를 결정하는 단계;를 더 포함할 수 있다.
여기서, 상기 추정 부하 인덱스를 결정하는 단계는, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋 - 상기 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고 상기 제 1 운동 세션의 운동 부하에 대해 상기 제 1 엔티티로부터 수집된 스코어로 라벨링됨 - 을 기반으로 훈련된 상기 인공 신경망을 준비하는 단계; 상기 인공 신경망의 입력 레이어에 상기 타겟 데이터 셋을 입력하는 단계; 및 상기 인공 신경망의 출력 레이어의 결과값에 기초하여 상기 추정 부하 인덱스를 획득하는 단계; 를 포함할 수 있다.
여기서, 상기 방법은, 상기 타겟 엔티티에 대응하는 포지셔닝 디바이스를 이용하여 상기 타겟 운동 세션에 대한 상기 타겟 엔티티의 위치 정보를 측정하는 단계; 를 더 포함하고, 상기 운동학적 정보는, 상기 위치 정보를 기반으로 생성될 수 있다.
여기서, 상기 운동학적 정보는, 상기 타겟 엔티티에 대응하는 관성 센서를 이용하여 측정될 수 있다.
여기서, 상기 운동학적 정보는, 상기 타겟 엔티티의 속도와 관련된 제 1 운동학적 정보; 및 상기 타겟 엔티티의 가속도와 관련된 제 2 운동학적 정보를 포함할 수 있다.
여기서, 상기 운동학적 정보는, 상기 타겟 엔티티의 저크 (jerk) 와 관련된 제 3 운동학적 정보를 더 포함할 수 있다.
여기서, 상기 제 1 운동학적 정보는, 타겟 시간 유닛에서의 속도의 크기에 대한 정보; 및 타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보; 를 포함할 수 있다.
여기서, 상기 제 2 운동학적 정보는, 타겟 시간 유닛에서의 가속도의 크기에 대한 정보; 및 타겟 시간 유닛의 이전 시간 유닛에서의 가속도의 방향과 타겟 시간 유닛에서의 가속도의 방향 간의 각도 변화량에 대한 정보; 를 포함할 수 있다.
여기서, 상기 제 2 운동학적 정보는, 타겟 시간 유닛에서의 가속도의 크기에 대한 정보; 및 타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보; 를 포함할 수 있다.
여기서, 상기 제 3 운동학적 정보는, 타겟 시간 유닛에서의 저크의 크기에 대한 정보; 및 타겟 시간 유닛의 이전 시간 유닛에서의 저크의 방향과 타겟 시간 유닛에서의 저크의 방향 간의 각도 변화량에 대한 정보; 를 포함할 수 있다.
여기서, 상기 제 3 운동학적 정보는, 타겟 시간 유닛에서의 저크의 크기에 대한 정보; 및 타겟 시간 유닛의 이전 시간 유닛에서의 가속도의 방향과 타겟 시간 유닛에서의 가속도의 방향 간의 각도 변화량에 대한 정보; 를 포함할 수 있다.
여기서, 상기 제 3 운동학적 정보는, 타겟 시간 유닛에서의 저크의 크기에 대한 정보; 및 타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보; 를 포함할 수 있다.
여기서, 상기 운동학적 정보는, 운동 세션이 수행되는 경기장의 길이에 대한 제 1 축; 및 운동 세션이 수행되는 경기장의 폭에 대한 제 2 축; 을 포함하는 경기장 기반 좌표계 (Field-based coordinate system) 를 기반으로 표현될 수 있다.
여기서, 상기 운동학적 정보는, 상기 타겟 엔티티의 진행 방향에 대응하는 전후축; 및 상기 타겟 엔티티의 측면 방향에 대응하는 좌우축; 을 포함하는 엔티티-기반 좌표계 (Entity-based coordinate system) 를 기반으로 표현될 수 있다.
여기서, 상기 운동학적 정보는, 상기 타겟 엔티티의 롤 (Roll) 방향 회전 움직임, 피치 (Pitch) 방향 회전 움직임 또는 요 (Yaw) 방향 회전 움직임 중 적어도 하나에 대한 정보; 및 상기 타겟 엔티티의 각속도, 각 가속도 또는 각 저크 중 적어도 하나에 대한 정보를 포함할 수 있다.
여기서, 상기 추정 부하 인덱스 (estimated load index) 는, 상기 타겟 엔티티의 상기 타겟 운동 세션에 대한 자각 피로도 (Rate of Perceived Exertion, RPE) 의 추정값일 수 있다.
여기서, 상기 타겟 데이터 셋은, 상기 운동학적 정보의 시퀀스에 선행하여 제로 패딩 (Zero-padding) 을 수행하는 것에 의해 미리 결정된 길이를 가지도록 구성될 수 있다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 장치는, 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하고; 그리고 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하도록 구성될 수 있다.
본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 비-일시적 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하고; 그리고 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하게 하도록 구성될 수 있다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법은, 타겟 운동 세션 동안의 타겟 엔티티에 대한 운동학적 정보 (Kinematic information) 를 기반으로, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도에 대한 추정 값을 반영하는 추정 부하 인덱스 (Estimated load index) 를 산출하는 단계; 상기 타겟 엔티티에 의한 상기 타겟 운동 세션의 운동 부하 정도에 대한 셀프-평가 값 (Self-evaluation value) 을 반영하는 응답 부하 인덱스 (Response load index) 를 수신하는 단계; 및 상기 추정 부하 인덱스 및 상기 응답 부하 인덱스 간의 비교 결과에 기반하여 통지 (notification) 메시지를 출력하는 단계; 를 포함할 수 있다.
여기서, 상기 추정 부하 인덱스를 산출하는 단계는, 복수의 시간 유닛을 포함하는 상기 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보의 시퀀스를 포함함 - 를 획득하는 단계; 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 추정 부하 인덱스를 결정하는 단계; 를 포함할 수 있다.
여기서, 상기 추정 부하 인덱스를 결정하는 단계는, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋 - 상기 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고 상기 제 1 운동 세션의 운동 부하에 대해 상기 제 1 엔티티로부터 수집된 스코어로 라벨링됨 - 을 기반으로 훈련된 상기 인공 신경망을 준비하는 단계; 상기 인공 신경망의 입력 레이어에 상기 타겟 데이터 셋을 입력하는 단계; 및 상기 인공 신경망의 출력 레이어의 결과값에 기초하여 상기 추정 부하 인덱스를 획득하는 단계; 를 포함할 수 있다.
여기서, 상기 운동학적 정보는, 상기 타겟 엔티티의 속도와 관련된 제 1 운동학적 정보; 및 상기 타겟 엔티티의 가속도와 관련된 제 2 운동학적 정보를 포함할 수 있다.
여기서, 상기 운동학적 정보는, 상기 타겟 엔티티의 저크 (jerk) 와 관련된 제 3 운동학적 정보를 더 포함할 수 있다.
여기서, 상기 추정 부하 인덱스는, 상기 타겟 엔티티의 상기 타겟 운동 세션에 대한 자각 피로도 (Rate of Perceived Exertion, RPE) 의 추정값이고, 상기 응답 부하 인덱스는, 상기 타겟 엔티티의 상기 타겟 운동 세션에 대한 자각 피로도를 반영할 수 있다.
여기서, 상기 타겟 엔티티는, 적어도 하나의 스포츠 팀이고, 상기 추정 부하 인덱스 및 상기 응답 부하 인덱스 각각은, 상기 스포츠 팀에 속한 적어도 일부의 운동 선수들 각각에 대한 인덱스들을 기반으로 결정된 대표 인덱스일 수 있다.
여기서, 상기 타겟 엔티티는, 하나의 스포츠 플레이어일 수 있다.
여기서, 상기 통지 메시지를 출력하는 단계는, 상기 추정 부하 인덱스와 상기 응답 부하 인덱스 간의 차이값이 미리 결정한 제 1 임계값 이상이라는 결정에 응답하여 상기 통지 메시지를 출력하도록 구성될 수 있다.
여기서, 상기 통지 메시지를 출력하는 단계는, 미리 결정한 제 1 임계 횟수 이상 연속된 운동 세션에 대해 상기 추정 부하 인덱스와 상기 응답 부하 인덱스 간의 차이값이 미리 결정한 제 2 임계값 이상이라는 결정에 응답하여 상기 통지 메시지를 출력하도록 구성될 수 있다.
여기서, 상기 통지 메시지를 출력하는 단계는, 복수의 연속된 운동 세션들 중 상기 추정 부하 인덱스와 상기 응답 부하 인덱스 간의 차이값이 미리 결정한 제 3 임계값 이상인 제 2 운동 세션의 비율이 미리 결정한 제 1 임계 비율 이상이라는 결정에 응답하여 상기 통지 메시지를 출력하도록 구성될 수 있다.
여기서, 상기 통지 메시지는, 상기 타겟 엔티티에 대한 부상 위험 경고 메시지를 포함할 수 있다.
여기서, 상기 통지 메시지는, 상기 타겟 엔티티에 대한 비정상 컨디션 경고 메시지를 포함할 수 있다.
여기서, 상기 통지 메시지는, 상기 타겟 엔티티에 대한 코치 인터뷰 요청 메시지를 포함할 수 있다.
여기서, 상기 통지 메시지는, 상기 인공 신경망에 대한 유형 변경 추천 메시지를 포함할 수 있다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 장치는, 프로세서 및 메모리를 포함하고, 상기 프로세서는, 타겟 운동 세션 동안의 타겟 엔티티에 대한 운동학적 정보 (Kinematic information) 를 기반으로, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도에 대한 추정 값을 반영하는 추정 부하 인덱스 (Estimated load index) 를 산출하고; 상기 타겟 엔티티에 의한 상기 타겟 운동 세션의 운동 부하 정도에 대한 셀프-평가 값 (Self-evaluation value) 을 반영하는 응답 부하 인덱스 (Response load index) 를 수신하고; 그리고 상기 추정 부하 인덱스 및 상기 응답 부하 인덱스 간의 비교 결과에 기반하여 통지 (notification) 메시지를 출력; 하도록 구성될 수 있다.
본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 비-일시적 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 타겟 운동 세션 동안의 타겟 엔티티에 대한 운동학적 정보 (Kinematic information) 를 기반으로, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도에 대한 추정 값을 반영하는 추정 부하 인덱스 (Estimated load index) 를 산출하고; 상기 타겟 엔티티에 의한 상기 타겟 운동 세션의 운동 부하 정도에 대한 셀프-평가 값 (Self-evaluation value) 을 반영하는 응답 부하 인덱스 (Response load index) 를 수신하고; 그리고 상기 추정 부하 인덱스 및 상기 응답 부하 인덱스 간의 비교 결과에 기반하여 통지 (notification) 메시지를 출력; 하게 하도록 구성될 수 있다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법은, 상기 타겟 엔티티에 대한 식별 정보 또는 특성 정보 중 적어도 하나를 반영하는 타겟-특정 정보 (target-specific information) 를 획득하는 단계; 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 상기 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하는 단계; 및 상기 타겟-특정 정보 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계; 를 포함할 수 있다.
여기서, 상기 추정 부하 인덱스를 결정하는 단계는, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋 - 상기 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고 상기 제 1 운동 세션의 운동 부하에 대해 상기 제 1 엔티티로부터 수집된 스코어로 라벨링됨 - 을 기반으로 훈련된 상기 인공 신경망을 준비하는 단계; 상기 인공 신경망의 입력 레이어에 상기 타겟 데이터 셋을 입력하는 단계; 및 상기 인공 신경망의 출력 레이어의 결과값에 기초하여 상기 추정 부하 인덱스를 획득하는 단계; 를 포함할 수 있다.
여기서, 상기 타겟-특정 정보는, 상기 타겟 엔티티에 대응하는 상기 추정 부하 인덱스에 대한 조정 인자 (modifier) 를 포함하고, 상기 추정 부하 인덱스를 획득하는 단계는, 상기 출력 레이어의 결과값에 상기 조정 인자를 곱하여 상기 추정 부하 인덱스를 획득하도록 구성될 수 있다.
여기서, 상기 조정 인자는, 상기 타겟 엔티티의 운동 능력 (fitness) 평가 정보를 반영할 수 있다.
여기서, 상기 조정 인자는, 부하 인덱스의 최대값에 대한 경기 부하 인덱스 - 상기 경기 부하 인덱스는, 상기 타겟 엔티티의 적어도 하나 이상의 최근 경기 세션 동안의 운동학적 정보를 기반으로 상기 인공 신경망을 이용하여 획득됨 - 의 비율을 반영할 수 있다.
여기서, 상기 조정 인자는, 상기 타겟 엔티티의 소속 리그 평가 정보를 반영할 수 있다.
여기서, 상기 조정 인자는, 상기 제 1 엔티티의 소속 리그 평가값에 대한 상기 타겟 엔티티의 소속 리그 평가값의 비율을 반영할 수 있다.
여기서, 상기 추정 부하 인덱스를 결정하는 단계는, 제 1 훈련 데이터 셋 및 제 1 경기 데이터 셋을 각각 포함하는 복수의 훈련 데이터 셋 - 상기 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고 상기 제 1 운동 세션의 운동 부하에 대해 상기 제 1 엔티티로부터 수집된 스코어로 라벨링되고, 상기 제 1 경기 데이터 셋은 적어도 하나의 경기 세션 동안의 상기 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고 최대 스코어로 라벨링됨 - 을 기반으로 훈련된 상기 인공 신경망을 준비하는 단계; 상기 인공 신경망의 입력 레이어에 상기 타겟 데이터 셋 및 상기 타겟-특정 정보를 입력하는 단계; 및 상기 인공 신경망의 출력 레이어의 결과값에 기초하여 상기 추정 부하 인덱스를 획득하는 단계; 를 포함할 수 있다.
여기서, 상기 인공 신경망은, 상기 제 1 훈련 데이터 셋에 대응하는 훈련 특징 맵과 상기 제 1 경기 데이터 셋에 대응하는 경기 특징 맵의 결합 (fusion) 을 이용하여 훈련된 것일 수 있다.
여기서, 상기 타겟-특정 정보는, 상기 타겟 엔티티의 적어도 하나 이상의 최근 경기 세션 동안의 운동학적 정보의 시퀀스를 포함할 수 있다.
여기서, 상기 타겟-특정 정보는, 상기 타겟 엔티티의 소속 리그에 대한 식별 정보를 포함하고, 상기 추정 부하 인덱스를 결정하는 단계는, 복수의 인공 신경망들 중, 상기 소속 리그에 대응하는 복수의 훈련 데이터 셋을 기반으로 훈련된 인공 신경망을 이용하도록 구성될 수 있다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 장치는,프로세서 및 메모리를 포함하고, 상기 프로세서는, 상기 타겟 엔티티에 대한 식별 정보 또는 특성 정보 중 적어도 하나를 반영하는 타겟-특정 정보 (target-specific information) 를 획득하고; 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 상기 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하고; 그리고 상기 타겟-특정 정보 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하도록 구성될 수 있다.
본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 비-일시적 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 상기 타겟 엔티티에 대한 식별 정보 또는 특성 정보 중 적어도 하나를 반영하는 타겟-특정 정보 (target-specific information) 를 획득하고; 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 상기 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하고; 그리고 상기 타겟-특정 정보 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하게 하도록 구성될 수 있다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법은, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스 및 상기 타겟 운동 세션과 관련된 특성을 반영하는 상태 정보 (condition information) 를 포함함 - 를 획득하는 단계; 및 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계; 를 포함할 수 있다.
여기서, 상기 추정 부하 인덱스를 결정하는 단계는, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋 - 상기 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스 및 상기 제 1 운동 세션에 대한 상태 정보를 포함하고 상기 제 1 운동 세션의 운동 부하에 대해 상기 제 1 엔티티로부터 수집된 스코어로 라벨링됨 - 을 기반으로 훈련된 상기 인공 신경망을 준비하는 단계; 상기 인공 신경망의 입력 레이어에 상기 타겟 데이터 셋을 입력하는 단계; 및 상기 인공 신경망의 출력 레이어의 결과값에 기초하여 상기 추정 부하 인덱스를 획득하는 단계; 를 포함할 수 있다.
여기서, 상기 상태 정보는, 상기 타겟 엔티티로부터 상기 타겟 운동 세션에 대해 수집된 일간 준비도 (Daily readiness) 응답 정보를 포함할 수 있다.
여기서, 상기 일간 준비도 응답 정보는, 수면 시간 (sleep time) 평가값; 수면 퀄리티 (sleep quality) 평가값; 피로도 (fatigue level) 평가값; 통증 레벨 (soreness level) 평가값; 스트레스 레벨 (stress level) 평가값; 또는 기분 (mood) 평가값; 중 적어도 하나를 포함할 수 있다.
여기서, 상기 상태 정보는, 상기 타겟 운동 세션이 경기 (match) 세션 인지 또는 연습 (training) 세션인지 여부에 대한 정보를 반영하는 운동 유형 정보 (exercise type information) 를 포함할 수 있다.
여기서, 상기 상태 정보는, 상기 타겟 운동 세션의 유형에 따른 중요도 평가값을 포함할 수 있다.
여기서, 상기 상태 정보는, 이전 경기 세션으로부터 상기 타겟 운동 세션에 이르기까지 경과한 시간 길이에 대한 정보를 포함할 수 있다.
여기서, 상기 상태 정보는, 상기 타겟 운동 세션이 포함된 스포츠 시즌의 개시일로부터 상기 타겟 운동 세션에 이르기까지 경과한 시간 길이에 대한 정보를 포함할 수 있다.
여기서, 상기 상태 정보는, 상기 타겟 엔티티의 신체 조건 (physical condition) 에 대한 정보를 포함할 수 있다.
여기서, 상기 신체 조건에 대한 정보는, 나이; 키; 몸무게; 체력 평가값; 근력 평가값; 최대 심박수; 또는 최대 산소 섭취량; 중 적어도 하나를 포함할 수 있다.
여기서, 상기 상태 정보는, 상기 타겟 운동 세션에 대한 날씨 정보, 온도 정보, 습도 정보 또는 계절 정보 중 적어도 하나를 반영하는 환경 정보를 포함할 수 있다.
여기서, 상기 상태 정보는, 상기 타겟 운동 세션 동안의 상기 타겟 엔티티의 생물학적 측정 정보를 포함할 수 있다.
여기서, 상기 생물학적 측정 정보는, 심장 박동수 정보; 최대 심장 박동수에 대한 심장 박동수의 비율에 대한 정보; 체온 정보; 산소 섭취량 정보; 또는 최대 산소 섭취량에 대한 산소 섭취량의 비율에 대한 정보; 중 적어도 하나를 포함할 수 있다.
본 기재의 일 양상에 따른 타겟 엔티티에 대한 운동 부하 정보를 제공하는 장치는, 프로세서 및 메모리를 포함하고, 상기 프로세서는, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스 및 상기 타겟 운동 세션과 관련된 특성을 반영하는 상태 정보 (condition information) 를 포함함 - 를 획득하고; 그리고 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하도록 구성될 수 있다.
본 기재의 일 양상에 따른, 프로세서에 의해 실행 가능한 명령어들을 저장하는 비-일시적 컴퓨터 판독 가능한 저장 매체에 있어서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스 및 상기 타겟 운동 세션과 관련된 특성을 반영하는 상태 정보 (condition information) 를 포함함 - 를 획득하고; 그리고 상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하게 하도록 구성될 수 있다.
배경
현대 스포츠에서는 훈련과 휴식의 반복을 통해 피로기 - 회복기 - 초과보상기의 사이클을 누적시켜 경기력을 향상시키는 훈련법이 널리 활용되고 있으며, 이러한 훈련법을 통해 최대의 훈련 효과를 얻기 위해서는 피로기 동안 수행하는 훈련의 운동 부하를 적절히 조절하는 것이 중요하다.
운동 부하는 외적 부하와 내적 부하로 구분될 수 있다. 일반적으로 외적 부하는 총 뛴 거리 (total run-distance) 등과 같은 운동의 양과 고부하 운동 수행 정도 (예를 들어, 하이스피드 러닝, 고중량 리프팅 등) 등과 같은 운동의 강도를 고려하여 평가될 수 있으며, 내적 부하는 여유심박대비심박수 (HRR%: Heart Rate Reserve %) 이나 최대산소섭취량 (VO2max) 등과 같이 스포츠 플레이어의 최대 운동 능력 대비 수행한 운동 노력의 비율 개념을 통해 평가될 수 있다.
외적 부하는 비교적 용이하게 정량화가 가능한 반면, 내적 부하는 1) 심박수나 산소 섭취량의 측정을 위한 셋업이 요구되며, 2) 측정된 값들을 단일 지표로 표현하기 어려울 뿐 아니라 3) 피측정자의 컨디션이나 환경 조건에 따른 오차가 크기 때문에 정량화 및 객관화가 어려워 선수 개개인의 특성을 반영하는 장점에도 불구하고 스포츠 현장에서 일반적으로 활용되기 어려웠다.
용어
본 기재에는 특정 기술적 용어들이 사용될 수 있으며, 이하에서는 본 기재에서 사용되는 용어에 관한 정의적 지원을 확립하기 위하여 본 기재에서 사용되는 용어들에 대해 설명한다.
다음은 본 기재에서 사용되는 몇몇 용어의 바람직한 정의에 관한 정리이다. 후술되는 정의들은 단지 예제적 정의에 불과하며 망라적이거나 제한적인 것은 아니다.
"스포츠 플레이어" 라는 용어는 경기나 훈련, 연습 등의 스포츠 운동을 수행하는 사람을 지칭하며, 스포츠 종목 (예로, 축구, 농구, 미식축구, 야구, 복싱, 육상, 수영 등) 과 플레이 수준 (예로, 프로, 아마, 성인, 유소년 등) 의 제한없는 모든 운동 선수 (athletes) 를 포함하는 포괄적인 의미로 해석되어야 한다.
"어태처블 디바이스" 라는 용어는 스포츠 플레이어에 직접적으로 또는 간접적으로 부착되는 기기를 지칭한다. 예를 들어, 어태처블 디바이스는 스포츠 플레이어의 의복에 삽입되는 포켓 디바이스 형태나 손목이나 발목 같은 스포츠 플레이어 의 신체 부위에 감기는 밴드 형태의 웨어러블 디바이스로 제공될 수 있다.
본 기재의 실시예에 따른 운동 부하 정보 제공 방법들, 장치들, 및 시스템들은 운동 부하 정보를 제공할 수 있다. 여기서, 운동 부하 정보는 운동 세션에 의해 유발되는 운동 부하를 반영하는 정보를 의미할 수 있으며, 구체적으로 그러나 비한정적으로 운동 부하 정보는 운동 세션에 참여한 스포츠 플레이어(들)가 해당 운동 세션에서 수행한 활동에 관한 운동 부하를 반영하는 정보를 의미할 수 있다. 예시적으로 운동 부하 정보는 점수나 단일 지표 형태로 표현될 수 있으며, 운동 부하 정보 제공 방법들, 장치들, 및 시스템들은 운동 세션을 수행한 스포츠 플레이어의 활동에 관한 정보에 기초하여 스포츠 플레이어의 운동 세션에 관한 운동 부하를 반영하는 점수나 지표를 제공할 수 있다.
시스템
도 1 은 본 기재의 실시예에 따른 운동 부하 정보 제공 시스템을 도시한 것이다. 이하에서는 도 1 을 참조하여 본 기재의 실시예에 따른 운동 부하 정보 제공 시스템 (1000) 에 관하여 설명한다.
도 1 에 도시된 바와 같이, 시스템 (1000) 은 센싱 플랫폼 (1100) 과 서버 (1500) 및 단말기 (1700) 를 포함할 수 있다.
시스템 (1000) 은 센싱 플랫폼 (1100) 을 통해 운동 세션 동안 운동 세션에 참여한 스포츠 플레이어 (10) 에 관한 정보를 감지하고, 서버 (1500) 를 통해 감지된 정보로부터 운동 부하 정보를 산출하고, 단말기 (1700) 를 통해 산출된 운동 부하 정보를 표시함으로써, 운동 부하 정보를 제공할 수 있다.
이하에서는 본 기재의 실시예에 따른 운동 부하 정보 제공 시스템의 구성 요소에 관하여 설명한다.
센싱 플랫폼
센싱 플랫폼 (1100) 은 스포츠 플레이어 (10) 에 관한 다양한 정보를 감지할 수 있다. 예를 들어, 센싱 플랫폼 (1100) 은 스포츠 플레이어 (10) 에 대한 측위를 수행하거나 스포츠 플레이어 (10) 의 움직임을 검출하거나, 스포츠 플레이어 (10) 의 신체 상태에 관해 감지할 수 있다.
예시적으로, 센싱 플랫폼 (1100) 은 스포츠 플레이어 (10) 에 관한 운동학적 정보 (kinematic information) 를 감지할 수 있다. 운동학적 정보는 스포츠 플레이어 (10) 의 위치나 자세, 움직임에 관한 정보로서, 운동학적 정보에는 위치 정보 (locational information), 방향 정보 (orientational information) 및 움직임 정보 (movement information) 중 적어도 하나가 포함될 수 있으며, 움직임 정보에는 속도, 가속도, 저크(jerk), 각속도, 각가속도, 각저크, 이들의 크기 (예로, 속도의 경우, 속력) 및 이들의 방향 (예로, 속도의 경우, 이동의 방향) 중 적어도 하나가 포함될 수 있다.
예시적으로, 센싱 플랫폼 (1100) 은 스포츠 플레이어 (10) 에 관한 신체 상태 정보 (physical condition information) 를 감지할 수 있다. 신체 상태 정보는 스포츠 플레이어 (10) 의 신체 상태를 반영하는 정보로서, 신체 상태 정보에는 심박, 체온, 혈압, 호흡수 및 심전도 중 적어도 하나가 포함될 수 있다.
이하에서는 센싱 플랫폼 (1100) 이 감지하는 정보를 활동 정보라고 지칭하기로 한다.
센싱 플랫폼 (1100) 은 상술한 다양한 정보의 감지를 위해 다양한 형태로 제공될 수 있다. 예시적으로, 센싱 플랫폼 (1100) 은 스포츠 플레이어 (10) 에 부착되는 어태처블 디바이스 (1300) 를 이용하는 센서-기반 플랫폼, 운동장이나 그 주변에 배치된 카메라 (1200) 를 이용하는 영상-기반 플랫폼 또는 이 둘의 조합으로 구현될 수 있다.
센서-기반 플랫폼
이하에서는 센서-기반의 센싱 플랫폼에 관하여 설명한다.
센서-기반의 센싱 플랫폼은 어태처블 디바이스 (1300) 를 포함할 수 있다. 센싱 플랫폼은 어태처블 디바이스 (1300) 에 탑재된 센서를 이용해 어태처블 디바이스 (1300) 를 부착한 스포츠 플레이어 (10) 에 관한 활동 정보를 획득할 수 있다.
어태처블 디바이스 (1300) 는 스포츠 플레이어 (10) 에 부착될 수 있으며, 스포츠 플레이어 (10) 의 활동 정보를 감지하기 위해 이용될 수 있다. 예를 들어, 어태처블 디바이스 (1300) 는 GPS (Global Positioning System) 센서를 포함해 어태처블 디바이스 (1300) 를 부착한 스포츠 플레이어 (10) 의 측위에 이용될 수 있다.
어태처블 디바이스 (1300) 는 한 명의 스포츠 플레이어 (10) 에게 하나 또는 복수 개가 부착될 수 있다. 특히, 센싱 플랫폼이 어태처블 디바이스 (1300) 를 통해 얻고자 하는 정보를 단일한 어태처블 디바이스 (1300) 로 모두 얻기 어려운 경우에는, 한 명의 스포츠 플레이어 (10) 에게 복수의 어태처블 디바이스 (1300) 가 부착될 필요가 있을 수 있다. 예를 들어, GPS 센서와 IMU (Inertial Measurement Unit) 센서를 포함하는 하나의 어태처블 디바이스와 심박 센서를 포함하는 다른 하나의 어태처블 디바이스가 스포츠 플레이어 (10) 의 몸통 (torso) 과 손목에 각각 부착되고, 몸통에 부착된 어태처블 디바이스는 스포츠 플레이어 (10) 의 위치와 움직임을 센싱하고, 손목에 부착된 어태처블 디바이스는 심박을 센싱할 수 있다.
예시적으로, 센서-기반의 센싱 플랫폼은 어태처블 디바이스 (1300) 를 이용해 운동학적 정보를 획득할 수 있다.
이하에서는 센서-기반의 센싱 플랫폼이 운동학적 정보를 획득하는 몇몇 예시에 관해 설명한다.
센싱 플랫폼은 어태처블 디바이스 (1300) 의 측위 모듈을 이용해 위치 정보를 획득할 수 있다.
예를 들어, 어태처블 디바이스 (1300) 는 전역 측위 모듈 (다른 말로는, 위성 측위 모듈 또는 GNSS (Global Navigation Satellite System) 모듈) 을 포함하고, 센싱 플랫폼은 이를 이용해 전역 측위를 수행함으로써 스포츠 플레이어 (10) 에 관한 위치를 측정할 수 있다. 구체적으로, 센싱 플랫폼은, GNSS 모듈이 항법 위성 (20) 으로부터 위성 신호를 수신하고 수신된 위성 신호로부터 삼각 측량 기법을 통해 전역 위치 (예를 들어, 위도, 경도) 를 산출함으로써, 스포츠 플레이어 (10) 에 관한 전역 측위를 수행할 수 있다. 한편, 센싱 플랫폼은 보다 정확한 측위를 위한 RTK (Real-Time Kinematic) 를 수행하기 위한 베이스 스테이션을 추가적으로 포함할 수 있다. 센싱 플랫폼은 전역 위치를 그대로 활동 정보로 이용할 수도 있지만, 전역 위치를 운동장에 대한 기준 좌표계로 정의되는 지역 위치로 가공하고 이를 활동 정보로 이용할 수도 있다. 여기서, 기준 좌표계는 운동장의 길이 방향과 폭 방향을 축으로 하고 운동장 또는 그 주변의 일 지점 (예를 들어, 경기장의 모서리 중 하나 또는 중앙) 을 원점으로 하는 2차원 평면 좌표계일 수 있다. 한편, 이하에서 처리되는 모든 위치 관련 정보들은 비제한적으로 기준 좌표계에 따라 처리될 수 있음을 미리 밝혀둔다.
다른 예를 들어, 어태처블 디바이스 (1300) 는 지역 측위 모듈을 포함하고, 센싱 플랫폼은 어태처블 디바이스 (1300) 를 포함해 구성되는 지역 측위 센서 네트워크를 이용해 지역 측위를 수행함으로써 스포츠 플레이어 (10) 에 관한 위치를 측정할 수 있다. 지역 측위 센서 네트워크는 측위의 대상인 오브젝트에 부착되어 이동하는 태그 노드와 측위 지역에 고정 설치되는 앵커 노드 (30) 를 포함하며, 태그 노드와 앵커 노드 간에 송수신되는 지역 측위 시스템 (LPS: Local Positioning System) 신호를 이용해 측위를 수행할 수 있다. 센싱 플랫폼은, 지역 측위 모듈을 포함하고 측위 대상인 스포츠 플레이어 (10) 에게 부착되어 태그 노드로 동작하는 어태처블 디바이스 (1300) 와 운동장 또는 그 주변에 고정 설치되는 앵커 노드 (30) 간의 LPS 신호의 송수신 결과를 이용해 스포츠 플레이어 (10) 에 대한 지역 측위를 수행할 수 있다.
센싱 플랫폼은 어태처블 디바이스 (1300) 의 모션 센싱 모듈 (motion sensing module) 을 이용해 움직임 정보 및/또는 방향 정보를 획득할 수 있다.
예를 들어, 어태처블 디바이스 (1300) 는 IMU 센서 (또는 자세 방위각 (AHRS: Attitude and Heading Reference System) 센서) 를 포함하고, 센싱 플랫폼은 IMU 센서가 감지하는 가속도, 각속도 및 방위각을 이용해 스포츠 플레이어 (10) 또는 스포츠 플레이어 (10) 의 신체 일부의 움직임 정보 및/또는 방향 정보를 획득할 수 있다. 어태처블 디바이스 (1300) 가 스포츠 플레이어 (10) 의 몸통에 부착되는 경우에는 스포츠 플레이어 (10) 의 위치 이동에 따른 움직임 정보가 획득될 수 있고, 스포츠 플레이어 (10) 의 발이나 다리에 부착되는 경우에는 스포츠 플레이어 (10) 의 팔이나 다리의 움직임 정보가 획득될 수 있다.
한편, 센싱 플랫폼은 측정되는 운동학적 정보를 이용해 다른 운동학적 정보를 산출할 수 있다. 예를 들어, 센싱 플랫폼은 GPS 모듈이 연속적으로 측정하는 전역 위치과 그 샘플링 인터벌에 기초해 속력을 출력할 수 있다. 운동학적 정보의 산출은 벡터 연산이나 시간축에 대한 미적분을 비롯한 간단한 수학적 연산을 통해 가능하므로 이에 대한 구체적인 설명은 생략하기로 한다. 여기서, 운동학적 정보의 산출은 어태처블 디바이스 (1300) 에서 내부적으로 수행되거나 어태처블 디바이스 (1300) 로부터 정보를 전달받은 서버 (1500) 에서 수행될 수 있으며, 어태처블 디바이스 (1300) 내에서는 센싱 모듈이 직접 수행하거나 센싱 모듈의 감지 결과를 기초로 어태처블 디바이스 (1300) 의 콘트롤러가 수행할 수 있다.
예시적으로, 센서-기반의 센싱 플랫폼은 어태처블 디바이스 (1300) 를 이용해 신체 상태 정보를 획득할 수 있다. 구체적으로, 어태처블 디바이스 (1300) 는 생체 센싱 모듈을 포함하고, 센싱 플랫폼은 이를 이용해 스포츠 플레이어 (10) 에 관한 신체 상태를 감지할 수 있다. 여기서, 생체 센싱 모듈은, 심박 센서, 체온 센서, 혈압 센서, 호흡 센서 및 심전도 센서 중 적어도 하나를 포함할 수 있다.
어태처블 디바이스
도 2 는 본 기재의 실시예에 따른 어태처블 디바이스의 블록도이다.
도 2 에 도시된 바와 같이, 본 기재의 일 실시예에 따른 어태처블 디바이스 (1300) 는 센싱 모듈 (1310), 통신 모듈 (1320), 콘트롤러 (1330), 메모리 (1340) 및 배터리 (1350) 를 포함할 수 있다.
센싱 모듈 (1310) 은 활동 정보를 획득하기 위한 다양한 신호를 감지할 수 있다. 센싱 모듈은 측위 모듈, 모션 센싱 모듈 또는 생체 센싱 모듈일 수 있다.
측위 모듈은 위성 측위 모듈 (1311) 또는 지역 측위 모듈 (1313) 일 수 있다. 위성 측위 모듈 (1311) 은 항법 위성 시스템, 즉 GNSS 을 이용하여 측위를 수행할 수 있다. 여기서, GNSS 는 전역 측위 시스템 (GPS: Global Positioning System), GLONASS, BeiDou, Galileo 등을 포함할 수 있다. 구체적으로 전역 측위 모듈은 위성 신호를 수신하는 위성 안테나와 수신된 위성 신호를 이용해 측위를 수행하는 측위 프로세서를 포함할 수 있다. 예를 들어, 위성 측위 모듈은 GPS 신호를 수신하는 GPS 안테나와 GPS 신호를 이용해 측위를 수행하는 GPS 프로세서를 포함하는 GPS 모듈일 수 있다. 이때, 어태처블 디바이스 (1300) 는 GPS 수신기로 동작할 수 있으며, 위성으로부터 GPS 신호를 수신해 이로부터 위도, 경도, 고도, 속력, 방위각, 정밀도 (DOF: Diluition of Precision) 및 시각을 획득할 수 있다.
지역 측위 모듈 (1313) 은 센서 네트워크와 협업하여 측위를 수행할 수 있다. 지역 측위 모듈을 포함하는 어태처블 디바이스 (1300) 는 지역 측위 센서 네트워크의 태그 노드로 동작해 주변의 앵커 노드들과 LPS 신호를 송수신할 수 있으며, 측위는 LPS 신호의 송수신 결과를 이용해 수행될 수 있다. 예를 들어, 어태처블 디바이스 (1300) 가 지역 측위를 위한 센서 네트워크의 송신기로서 LPS 신호를 송신하고 앵커 노드들이 LPS 신호를 수신하거나, 앵커 노드들이 LPS 신호를 송신하고 어태처블 디바이스 (1300) 가 지역 측위를 위한 센서 네트워크의 수신기로서 LPS 신호를 수신할 수 있다. 이때, LPS 신호는 초광대역 (UWB: Ultra-Wide Band) 통신, 블루투스, 와이파이, RFID 등의 통신 방식에 따라 주기적으로 브로드캐스팅될 수 있으며, LPS 신호에는 시각이나 기기 식별자가 심어질 수 있다. 위치 산출 (position estimation) 은 LPS 신호의 송수신에 따른 측정 결과에 기초해 수행될 수 있으며, 수신 신호 강도 (RSS: Received Signal Strength) 기법, 도착 시간 (ToA: Time-of-Arrival) 기법, 도착 시간 차이 (TDoA: Time Difference-of-Arrival) 기법, 도착 각도 (AOA: Angle-of-Arrival) 기법 등과 삼각 측량 기법, 쌍곡 삼각 측량 기법 등이 이용될 수 있다. 위치 산출은 센서 네트워크의 마스터에 의해 수행될 수 있으며, 태그 노드, 앵커 노드 중 어느 하나 또는 서버가 센서 네트워크의 마스터로 기능할 수 있다. 만약 센싱 플랫폼이 RTK 베이스 스테이션을 추가적으로 포함하는 경우에는 베이스 스테이션에 마스터의 위치 산출 기능이 탑재되는 것도 가능하다.
모션 센싱 모듈 (1315) 은 운동 센싱 모듈 (kinematic sensing moduel) 로 지칭될 수도 있으며, 움직임 및/또는 자세를 감지할 수 있다. 여기서, 모션 센싱 모듈 (1315) 은 IMU 모듈 또는 AHRS 모듈을 포함할 수 있으며, IMU 모듈 및 AHRS 모듈은 가속도계 (accelerometer) 및 자이로스코프 (gyroscope) 와 선택적으로 자기계 (magnetometer) 를 포함하는 센서들을 포함하고, 센서의 감지 결과로부터 움직임 및 자세를 측정할 수 있다.
생체 센싱 모듈 (1317) 은 신체 상태를 감지할 수 있다. 구체적으로는 생체 센싱 모듈 (1317) 은 심박 센서, 체온 센서, 혈압 센서, 호흡 센서 및 심전도 센서 중 적어도 하나를 포함할 수 있으며, 이들 센서를 이용해 다양한 신체 상태에 관한 정보를 측정할 수 있다.
한편, 상술한 센싱 모듈이 하나의 어태처블 디바이스 (1300) 에 반드시 모두 구비되어야 하는 것은 아니며, 또 동종의 센싱 모듈이 하나의 어태처블 디바이스 (1300) 에 복수 개 구비될 수도 있으며, 어태처블 디바이스 (1300) 별로 구비되는 센싱 모듈이 상이할 수도 있다. 예를 들어, 센싱 플랫폼에는 스포츠 플레이어 (10) 에 관한 위치 정보와 움직임 정보를 획득하기 위해 GPS 센서와 IMU (Inertial Measurement Unit) 센서를 포함하고 스포츠 플레이어 (10) 의 몸통에 부착되는 하나와 스포츠 플레이어 (10) 에 관한 심박을 획득하기 위해 심박계를 포함하고 스포츠 플레이어 (10) 의 손목에 부착되는 다른 하나를 포함하는 서로 다른 두 개의 어태처블 디바이스 (1300) 가 포함될 수 있다.
어태처블 디바이스 (1300) 는 통신 모듈 (1320) 을 통해 서버 (1500) 와 같은 외부 기기 또는 다른 어태처블 디바이스 (1300) 와 데이터를 송수신할 수 있다. 통신 모듈 (1320) 은 유선 통신 및/또는 무선 통신을 수행할 수 있다. 어태처블 디바이스 (1300) 는 이동통신망 (예로, LTE, 5G 등), 와이파이 (Wi-Fi), 블루투스 (Bluetooth), 직비 (Zigbee) 나 그 밖의 기타 다양한 규격의 무선 통신을 수행하는 무선 통신 모듈을 이용해 외부 기기와 데이터를 송수신할 수 있다. 예를 들어, 무선 통신 모듈 (1320) 은 시스템이 활동 정보를 이용한 스포츠 플레이어 (10) 에 대한 모니터링을 수행하도록 어태처블 디바이스 (1300) 가 센싱 모듈 (1310) 을 이용해 획득한 정보를 실시간으로 서버 (1500) 에 전달할 수 있거나, 한 명의 스포츠 플레이어 (10) 에게 복수의 어태처블 디바이스 (1300) 가 부착된 경우 어태처블 디바이스 (1300) 간에 데이터를 송수신할 수도 있다. 또 어태처블 디바이스 (1300) 는 범용직렬버스 (USB) 통신이나 유선의 지역 네트워크 (LAN) 통신을 수행하는 유선 통신 모듈을 이용해 외부 기기와 데이터를 송수신 할 수 있다. 예를 들어, 유선 통신 모듈은 어태처블 디바이스 (1300) 가 수집한 데이터들을 서버 (1500) 나 어태처블 디바이스 (1300) 의 충전 및/또는 데이터 관리를 수행하는 도킹 스테이션 등에 일괄적으로 전달할 수 있다.
콘트롤러 (1330) 는 어태처블 디바이스 (1300) 의 전반적인 동작을 제어할 수 있다. 콘트롤러 (1330) 는 하드웨어적 구성, 소프트웨어적 구성 또는 이들의 조합으로 구현될 수 있다. 하드웨어적 관점에서 콘트롤러 (1330) 는 전자 회로, 직접 회로 (IC: Integrated Circuit), 마이크로칩, 프로세서를 비롯한 연산이나 데이터 처리를 수행할 수 있는 다양한 형태로 제공될 수 있다. 또한 콘트롤러 (1330) 의 물리적 구성 (physical configuration) 이 반드시 단일한 물리적 주체 (entity) 로 한정되는 것은 아니므로, 콘트롤러 (1330) 는 어태처블 디바이스 (1300) 의 모든 처리를 종합하여 처리하는 하나의 프로세서 또는 각자 서로 다른 기능을 수행하는 복수의 프로세서로 제공되거나 또는 어태처블 디바이스 (1300) 의 다른 구성 요소의 일부와 결합된 형태로 제공될 수 있다. 예를 들어, 콘트롤러 (1330) 는 GPS 신호를 처리해 측위를 수행하는 GPS 프로세서, IMU 모듈의 센서가 감지한 결과를 이용해 각종 연산을 수행하는 IMU 프로세서 및 어태처블 디바이스 (1300) 의 운용 및 전반적인 동작을 제어하는 메인 프로세서를 포함하는 형태로 제공될 수 있다.
메모리 (1340) 는 어태처블 디바이스 (1300) 에서 동작과 관련된 각종 데이터를 저장할 수 있다. 예를 들어, 메모리 (1340) 에는 어태처블 디바이스 (1300) 의 운용을 주관하는 펌웨어나 어태처블 디바이스 (1300) 의 센서들의 감지 결과들이 저장될 수 있다. 메모리 (1340) 는 다양한 휘발성, 비휘발성 메모리로서 제공될 수 있다.
배터리 (1350) 는 어태처블 디바이스 (1300) 의 동작을 구동하는데 필요한 전원을 제공할 수 있다. 배터리 (1350) 는 내장형 또는 탈부착형으로 제공될 수 있으며, 외부 전원에서 전력을 공급받아 충전될 수 있다.　
영상-기반 센싱 플랫폼
이하에서는 영상-기반의 센싱 플랫폼에 관하여 설명한다.
영상-기반의 센싱 플랫폼은 카메라 (1200) 를 포함할 수 있다. 영상-기반의 센싱 플랫폼은 카메라 (1200) 를 통해 촬영된 영상에 대한 영상 처리와 분석을 통해 다양한 활동 정보를 획득할 수 있다.
카메라 (1200) 는 운동장 또는 그 주변에 운동장 또는 운동장 내에서 활동하는 스포츠 플레이어 (10) 를 촬상하도록 배치될 수 있다. 카메라 (1200) 는 반영구적으로 설치 (예를 들어, 운동장의 부속 시설물에 설치) 되거나, 임시적으로 설치 (이동식 폴대에 설치) 되거나 또는 촬영자가 소지하는 형태로 배치될 수 있다. 카메라 (1200) 에 의해 촬영되는 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 (10) 대부분이 영상에 담기도록 촬상된 영상일 수 있으며, 택티컬 뷰의 가로축이 경기장의 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 (10) 를 따라 촬상되는 영상으로 스포츠 플레이어 (10) 개인의 역량을 분석하기 위해 주로 이용될 수 있다.　또 카메라 (1200) 가 반드시 고정된 시야각을 갖는 것은 아닐 수 있으며, 시야 방향 조정 및 줌 조절이 수동 또는 자동으로 수행될 수 있다.
영상-기반의 센싱 플랫폼에는 하나 또는 복수의 카메라가 포함될 수 있다. 복수의 카메라는 하나의 지점 (single spot) 에 파노라마 형태의 촬영이 가능한 멀티 카메라 행태로 제공되거나, 다수의 지점 (multi spots) 에 분산 배치되는 형태로 제공되거나 이 둘이 조합된 형태로 제공될 수 있다.
센싱 플랫폼은 카메라 (1200) 를 통해 촬상된 영상을 분석하여 이로부터 활동 정보를 획득할 수 있다. 예를 들어, 센싱 플랫폼은 영상에 대해 스포츠 플레이어 (10) 에 대한 객체 인식을 수행하여, 스포츠 플레이어 (10) 의 영상 내에서의 위치 (예를 들어, 픽셀 좌표) 를 추출하고, 카메라 (1200) 의 자세 정보를 이용해 영상 내에서의 위치를 지면으로 투영함으로써 스포츠 플레이어 (10) 에 대한 위치 정보를 획득할 수 있다. 여기서, 객체 검출과 같은 영상에 대한 처리에는 딥 러닝 알고리즘이 이용될 수 있다. 구체적으로 객체 검출 (예를 들어, 스포츠 플레이어 (10) 검출) 에는 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, 설치 위치, 촬상 자세 등) 를 이용하는 탑-뷰 변환이 이용될 수 있다. 예를 들어, 서버 (1500) 는 전술 화면 (tactical view) 을 촬영하도록 배치된 카메라 (1200) 로부터 스포츠 영상을 획득하고, 물체 검출을 수행하는 인공 신경망 모델을 통해 스포츠 영상에서 공이나 스포츠 플레이어 (10) 와 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 서버 (1500) 는 카메라 (1200) 에 의해 촬상된 스포츠 영상 내의 스포츠 오브젝트에 대한 위치 데이터를 영상 분석을 통해 획득할 수 있다.　
이상에서는 센서-기반의 센싱 플랫폼과 영상-기반의 센싱 플랫폼에 관하여 설명하였으나, 상술한 바와 같이 본 기재에서 센싱 플랫폼 (1100) 은 상술한 바와 같이 센서-기반, 영상-기반, 또는 이들이 조합된 형태로 구현될 수 있다. 다시 말해, 센싱 플랫폼 (1100) 은 어태처블 디바이스 (1300) 및 카메라 (1200) 중 적어도 하나를 포함할 수 있는 것이다. 센싱 플랫폼 (1100) 이 어태처블 디바이스 (1300) 와 카메라 (1200) 를 동시에 운용하는 경우, 다시 말해 센싱 플랫폼 (1100) 이 센서-기반 플랫폼과 영상-기반 플랫폼이 혼용된 형태로 구현되는 경우에는, 어태처블 디바이스 (1300) 를 통해 획득되는 정보와 영상 분석을 통해 획득되는 정보를 동시에 이용하여 활동 정보를 획득할 수 있다. 예를 들어, 센싱 플랫폼 (1100) 은 어태처블 디바이스 (1300) 를 이용해 전역 측위를 수행한 결과로 획득되는 위치값과 스포츠 영상 분석을 통해 획득되는 위치값을 상호 비교해 보다 정밀한 측위를 수행할 수 있을 것이다.
또 이상의 설명에서 언급한 바와 같이 센싱 플랫폼 (1100) 은 필요에 따라 RTK 보정을 위한 베이스 스테이션 및 지역 측위 센서 네트워크 구축을 위한 앵커 노드를 선택적으로 더 포함할 수 있다.
또한, 센싱 플랫폼 (1100) 에서 수행되는 다양한 연산들 중 일부는 어태처블 디바이스 (1300) 에 탑재된 프로세서나 콘트롤러에서 처리될 수도 있지만, 다른 일부는 서버 (1500) 에서 처리될 수도 있다. 예를 들면, 영상에 대한 객체 검출이 서버 (1500) 에 의해 처리될 수 있으며, 지역 측위 센서 네트워크에서 각 노드들 간의 LPS 신호 송수신 결과를 이용한 위치 산출이 서버 (1500) 에 의해 처리될 수 있으며, 또 영상 분석과 관련된 각종 프로세싱이 서버 (1500) 에 의해 처리될 수 있다. 따라서, 이때에는 서버 (1500) 가 센싱 플랫폼 (1100)에 포함되는 것으로도 이해될 수 있을 것이다.
서버
서버 (1500) 는 센싱 플랫폼 (1100) 으로부터 활동 정보를 전달받거나 또는 센싱 플랫폼 (1100) 과 협업하여 활동 정보를 획득하고, 이를 이용해 운동 부하 정보를 획득할 수 있다.
서버 (1500) 는 운동장 인근에 위치하는 로컬 서버 및/또는 웹을 통해 연결되는 웹 서버로 제공될 수 있다. 또한, 서버 (1500) 는 반드시 단일한 주체로 구현되어야 하는 것은 아닌데, 예를 들어, 웹 서버는 연산을 처리하는 메인 서버와 각종 데이터를 저장하는 데이터 서버를 포함하여 구현될 수 있을 것이다. 한편, 로컬 서버는 서버 본연의 기능만을 수행하도록 독립적으로 운용되는 기기로 제공될 수 있으나, 이와 달리 운동 부하 정보 제공 시스템의 다른 구성 요소들과 결합된 복합 기능을 갖는 기기로 제공될 수도 있다. 예를 들어, 서버는 어태처블 디바이스 (1300) 의 수용, 보관 및 관리를 위한 컨테이너인 도킹 스테이션의 형태로 제공될 수 있다. 여기서, 도킹 스테이션에는 어태처블 디바이스 (1300) 가 수용되는 도킹부를 비롯해 여러 대의 어태처블 디바이스 (1300) 가 수용되는 내부 공간을 가지고 있을 수 있으며, 어태처블 디바이스 (1300) 가 사용되지 않는 때에 어태처블 디바이스 (1300) 를 보관할 수 있다. 나아가 도킹 스테이션은 단순히 어태처블 디바이스 (1300) 를 보관하는 것 이외에도 어태처블 디바이스 (1300) 의 사용에 필요한 다양한 편의 기능을 제공할 수 있다. 예를 들어, 도킹 스테이션에는 어태처블 디바이스 (1300) 의 충전, 배터리 상태 표시, 펌웨어 업데이터, 데이터 수집 등과 같은 기능이 수행할 수 있다.
도 3 은 본 기재의 실시예에 따른 서버의 블록도이다.
서버 (1500) 는 통신 모듈 (1510), 콘트롤러 (1520) 및 메모리 (1530) 를 포함할 수 있다.
통신 모듈 (1510) 은 서버 (1500) 와 운동 부하 정보 제공 시스템의 다른 구성 요소 또는 외부 기기 간의 데이터 송수신을 수행할 수 있다. 예를 들어, 서버 (1500) 는 통신 모듈 (1510) 을 통해 어태처블 디바이스 (1300) 로부터 데이터를 수집하거나, 카메라 (1200) 로부터 영상을 수신하거나, 또는 웹을 통해 터미널 (1700) 에 각종 정보를 전달할 수 있다.
콘트롤러 (1520) 는 서버 (1500) 의 전반적인 동작을 제어할 수 있다. 어태처블 디바이스 (1300) 의 콘트롤러와 마찬가지로 서버의 콘트롤러 (1520) 는 하드웨어적 구성, 소프트웨어적 구성 또는 이들의 조합으로 구현될 수 있고, 하드웨어적 관점에서 콘트롤러는 전자 회로, 직접 회로 (IC: Integrated Circuit), 마이크로칩, 프로세서를 비롯한 연산이나 데이터 처리를 수행할 수 있는 다양한 형태로 제공될 수 있으며, 그 물리적 구성 (physical configuration) 이 반드시 단일한 물리적 주체 (entity) 로 한정되는 것은 아니다. 한편, 서버 (1500)가 수행하는 구체적인 동작들에 대해서는 후술될 것이며, 후술되는 본 기재의 실시예에 따른 방법들이나 동작들은 별도로 언급되지 않는 한 서버의 콘트롤러 (1520) 에 의해 수행되는 것으로 이해될 수 있음을 미리 밝혀둔다.
다만, 본 기재에서 살핀 바와 같이 본 기재에 따른 실시예들이 반드시 서버의 콘트롤러 (1520) 에 의해 수행되는 것으로 한정되는 것은 아니며, 본 기재에 따른 실시예들은 예를 들어 어태처블 디바이스 (1300) 의 콘트롤러 (1330) 와 같이 연산 가능한 프로세서에 의해 수행될 수도 있고, 또는 적어도 일부의 절차가 서버에 의해, 또 다른 적어도 일부의 절차가 다른 프로세서에 의해 수행될 수도 있다고 이해되어야 할 것이다.
터미널
터미널 (또는 터미널 디바이스) (1700) 는 시스템이 수집하거나 산출한 각종 데이터나 정보를 사용자에게 제공하거나 또는 사용자로부터 사용자 입력을 받는 사용자 인터페이스로서 기능할 수 있다. 예를 들어, 터미널 (1700) 은 사용자로부터 운동 부하 정보를 알고 싶은 특정 운동 세션을 지시하는 사용자 입력을 입력받고, 서버 (1500) 에 해당 운동 세션에 대한 운동 부하 정보를 요청하고 회신 받고, 이를 디스플레이함으로써 사용자에게 운동 부하 정보를 제공할 수 있다. 터미널 (1700) 은 스마트 폰이나 태블릿과 같은 스마트 디바이스, 노트북이나 데스크 톱과 같은 개인용 컴퓨터, 또는 그 외의 사용자 입력을 수신하는 입력 인터페이스와 및 디스플레이와 같은 출력 인터페이스를 갖는 전자 기기일 수 있다.
운동 부하 정보 제공 방법
이하에서는 본 기재의 실시예에 따른 운동 부하 정보 제공 방법에 관하여 설명한다. 이하의 설명에서는 운동 부하 정보 제공 방법이 상술한 운동 부하 정보 제공 시스템에 의해 수행되는 것으로 설명하지만, 이는 설명의 편의를 위한 것에 불과하므로 방법이 시스템에 의해 한정되는 것은 아니다.
운동 부하 정보
본 기재에서 운동 부하 정보는 특정 운동 세션의 운동 부하를 반영하는 정보를 의미하며, 예시적으로 운동 또는 운동의 부하 정도를 점수로 나타내는 운동 부하 지표로 표현될 수 있다. 비제한적인 예를 들어, 운동 부하 정보는 운동 세션에 참여한 스포츠 플레이어(들)가 해당 운동 세션에서 수행한 활동에 관한 운동 부하를 반영하는 정보를 의미할 수 있다.
운동 부하는 물리적으로 행해진 운동을 객관적인 물리량으로 표현하는 외적 부하와 운동을 수행한 주체가 주관적으로 체감하는 노력의 정도를 고려하는 내적 부하로 구분될 수 있으며, 내적 부하의 대표적인 예로는 운동 자각도 (RPE: Rating of Perceived Exertion) (이하, '자각 피로도'라고도 지칭될 수 있음) 을 들 수 있다. 내적 부하를 엄밀하게 측정하기 위해서는 운동을 수행한 주체의 신체적 감각과 느낌에 기초해 운동 주체의 신체가 운동을 얼마나 힘들게 느끼는지를 고려해야 한다. 신체가 운동에 대해 느끼는 정도, 즉 내적 부하를 계량화하기 위해서 심박수 증가 정도, 호흡 속도 증가 정도, 체온 상승 정도, 근육 피로도 축척 정도나 통증 발생 정도 등을 측정하고 이들의 일부 또는 전부를 개별적으로 또는 통합적으로 지표화하려는 시도가 있어왔다. 다만, 내적 부하는 인간의 신체에 작용하는 매우 복합적인 요인들에 영향을 받기 때문에 상술한 정보들만으로 정확히 산출되기 어려울 뿐 아니라 매 운동 세션마다 운동 주체로부터 상술한 정보들을 측정하는 것이 현실적으로 거의 불가능하므로 실제로는 운동 세션 종료 후 운동 주체가 해당 운동 세션에 대해 느낀 강도, 다시 말해 운동 강도에 대해 운동자가 인지한 정도에 대한 설문을 통해 운동에 대한 내적 부하를 파악하는 방식이 일반적으로 이용되고 있다.
본 기재에서 시스템이 제공하는 운동 부하 정보는 외적 운동 부하의 정도를 의미하는 정보, 내적 운동 부하의 정도를 의미하는 정보 또는 내적/외적 부하를 종합적한 운동 부하의 정도를 의미하는 정보를 모두 포함하는 포괄적인 개념으로 이해되어야 한다. 후술하겠지만, 본 시스템에서 운동 부하 정보는 운동을 수행한 주체가 체감한 운동 자각도를 고려하여 산출되는 측면에서 내적 부하를 반영하는 것에 가까운 개념으로 보일 수 있으나, 다수의 운동 주체로부터 얻어진 운동 자각도를 종합적으로 이용하여 산출되는 측면에서 객관성이 담보될 뿐 아니라 운동 세션 중 운동 주체가 수행한 움직임에 따른 속도나 가속도와 같은 물리량에 기초하여 산출되는 측면을 고려할 때는 외적 부하를 반영하는 면이 있다고 볼 수도 있다. 따라서, 본 기재에서 운동 부하 정보는 운동에 대한 내적 부하를 반영하는 정보로 해석될 수도 있으나, 관점에 따라서는 독립적으로 또는 추가적으로 외적 부하를 반영하는 정보로 해석될 수도 있으므로 본 기재의 운동 부하 정보가 반영하는 운동 부하가 내적 부하 및/또는 외적 부하로 한정적으로 해석되어서는 안됨을 미리 밝혀둔다.
도 4 는 본 기재의 실시예에 따른 운동 부하 지표의 일 예를 도시한 것이다.
운동 부하 지표 (exercise load index) 는 운동 부하의 정도를 점수로 나타내는 운동 부하 지표로 표현될 수 있다. 여기서, 운동 부하 지표의 표현 양식은 RPE 와 동일 또는 유사한 형태일 수 있다. 구체적으로 운동 부하 지표는 점수 별로 운동의 강도 또는 운동 부하의 크기를 지시하는 미리 정해진 점수 범위 안에서 특정 점수로 표현되는 지표일 수 있다. 예를 들어, 운동 부하 지표는 볼그 (BORG) 스케일 또는 볼그-CR10 스케일의 RPE 로 표현될 수 있다. 여기서, 볼그 스케일의 RPE는 운동 부하가 없는 상태로부터 운동 부하가 극심한 상태까지를 6점부터 20점까지로 표현하는 스케일이며, 볼그-CR10 은 무부하 상태로부터 최대부하 상태까지를 1점에서 10점 사이로 표현하는 스케일이다. 한편, 통상적으로 볼그 스케일의 RPE 값에 10을 곱하면 볼그 스케일로 표현된 운동에 따른 운동 주체의 심박수가 대략적으로 예측될 수 있다. 본 기재에서 시스템이 제공하는 운동 부하 지표는 상술한 볼그 스케일 또는 볼그-CR10 스케일의 RPE와 동일 또는 유사한게 미리 정해진 범위의 점수를 통해 운동 부하를 표현할 수 있다. 다만, 본 기재에서 운동 부하 지표가 반드시 이러한 형태로 표현되어야만 하는 것은 아니며, 특정 운동 특성에 대한 백분위 (예를 들어, 스포츠 플레이어의 최대 체력이나 최대 운동 노력 수용량 대비 수행 운동 노력에 대한 백분위), 물리량 (예를 들어, 운동에 따른 소모 칼로리) 또는 학점과 같은 문자 그레이드 (letter grade) 를 비롯한 다양한 지표 양식들로 표현될 수 있다.
본 기재에서, 운동 부하 지표는 추정 부하 인덱스 또는 응답 부하 인덱스를 포함할 수 있다. "추정 부하 인덱스"는 본 기재의 실시예들에 따라 데이터 셋으로부터 인공 신경망을 이용하여 결정된 운동 부하 지표일 수 있다. "응답 부하 인덱스"는 운동 부하를 측정하고자 하는 타겟 세션의 종료 이후 측정 대상이 되는 타겟 엔티티로부터 응답받은 운동 부하 지표일 수 있다.
이하에서는 본 기재에 따른 운동 부하 정보 제공 방법의 실시예들에 대해서 보다 구체적으로 설명한다. 다만, 본 기재의 기술적 사상의 범위가 하기의 실시예들에 의해 제한 해석되는 것은 아니며 하기의 실시예들은 단지 본 기재의 기술적 사상의 적어도 부분을 예시적으로 설명하기 위한 것임에 유의한다.
운동학적 정보 기반 운동 부하 결정
도 5 는 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이다. 도 6 은 도 5 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다. 이하 도 5 내지 도 6 을 참조하여 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대해서 보다 구체적으로 설명한다.
본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 1 내지 도 3 을 참조하여 설명된 바와 같은 서버 (1500) 또는 서버 (1500) 에 포함된 콘트롤러 (1520) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있고, 물리적으로 분리된 복수의 디바이스들의 조합이 컴퓨팅 디바이스로서 지칭될 수도 있다.
본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 따르면, 부하 정보를 제공하고자 하는 타겟 운동 세션 동안의 타겟 엔티티의 운동학적 정보를 기반으로 추정 부하 인덱스를 결정하여 이를 운동 부하 정보로서 제공할 수 있다. 따라서, 타겟 운동 세션 동안의 타겟 엔티티의 운동 부하 정도에 대한 정보를 타겟 엔티티에게 직접 질의하지 않으면서도 간편하게 수집하고 관리할 수 있다.
본 기재에서, "타겟 엔티티"는 운동 부하 정보를 결정하고자 하는 대상을 의미할 수 있다. 예를 들어, 타겟 엔티티는 한 명의 스포츠 플레이어일 수 있고, 개별 플레이어가 운동 세션 동안 어느 정도의 운동 부하를 체감하였는지에 대한 정보가 제공될 수 있다. 또는, 타겟 엔티티는 복수의 스포츠 플레이어들을 포함하는 하나의 스포츠 팀일 수 있고, 해당 팀 전체로서 운동 세션 동안 어느 정도의 운동 부하르 체감하였는지에 대한 정보가 제공될 수 있다.
또한, 본 기재에서 "타겟 운동 세션"은 운동 부하 정보를 제공하고자 하는 대상인 운동 세션을 의미할 수 있다. 운동 세션은 소정의 시간 길이를 가지는 구간일 수 있고, 복수의 시간 유닛들을 포함할 수 있다. 운동 부하 정보를 결정하기 위한 대상이 되는 기초 데이터 중 적어도 일부는 이와 같은 복수의 시간 유닛들 마다 결정될 수 있다. 따라서, 적어도 일부의 기초 데이터는 소정 정보들의 시퀀스를 포함할 수 있다. 운동 부하 정보를 결정하기 위한 대상이 되는 기초 데이터의 집합은 본 기재에서 "타겟 데이터 셋"으로 지칭될 수 있다.
도 5 를 참조하면, 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법은, 타겟 엔티티의 위치 정보를 측정하는 단계 (S510), 타겟 데이터 셋을 획득하는 단계 (S520), 추정 부하 인덱스를 결정하는 단계 (S530), 또는 대표 부하 인덱스를 결정하는 단계 (S540) 중 하나 이상을 포함할 수 있다.
이하에서는 운동 부하 정보 제공 방법의 일 실시예의 각 단계들에 관하여 설명한다.
도 5 에 도시된 바와 같이, 컴퓨팅 디바이스는 타겟 엔티티의 위치 정보를 측정 (S510) 할 수 있다. 예를 들어, 컴퓨팅 디바이스는 타겟 엔티티에 대응하는 포지셔닝 디바이스를 이용하여 타겟 운동 세션에 대한 타겟 엔티티의 위치 정보를 측정할 수 있다. 여기서, 포지셔닝 디바이스는 본 기재에서 앞서 예시적으로 설명한 바와 같은 센싱 플랫폼 (1100) 의 적어도 일부를 의미할 수 있다. 따라서, 컴퓨팅 디바이스는 예를 들어 스포츠 플레이어에 부착되는 어태처블 디바이스 (1300) 및/또는 카메라 (1200) 중 하나 이상을 이용하는 센싱 플랫폼을 이용하여 타겟 운동 세션 동안 소정 시간 간격으로 타겟 엔티티의 위치 정보를 측정할 수 있다. 따라서, 타겟 엔티티의 타겟 운동 세션 동안의 위치 정보들의 시퀀스가 획득될 수 있다. 위치 정보들의 시퀀스는 예를 들어 제 1 시점의 타겟 엔티티의 위치 정보, 제 2 시점의 타겟 엔티티의 위치 정보, 제 n 시점의 타겟 엔티티의 위치 정보를 포함할 수 있다.
다시 도 5 를 참조하면, 컴퓨팅 디바이스는 타겟 운동 세션에 대한 타겟 데이터 셋을 획득 (S520) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋을 획득할 수 있고, 여기서, 타겟 데이터 셋은, 복수의 시간 유닛들 각각에 대한 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함할 수 있다. 예를 들어, 운동학적 정보는, 타겟 엔티티에 대한 위치 정보를 기반으로 생성될 수 있다.
일 측면에 따르면, 타겟 운동 세션은 소정 시간 간격을 가지는 복수의 시간 유닛들을 포함할 수 있고, 각 시간 유닛들 마다 타겟 엔티티의 운동학적 정보가 결정될 수 있다. 여기서, 운동학적 정보가 결정되는 각각의 타임 유닛에 대해 하나의 시점에 대한 위치 정보가 대응되어야만 하는 것은 아니다. 예를 들어, 제 1 타임 유닛에 대응하는 복수 시점의 타겟 엔티티의 위치 정보를 기반으로 제 1 타임 유닛에 대한 타겟 엔티티의 운동학적 정보가 결정될 수 있고, 제 2 타임 유닛에 대응하는 다른 복수 시점의 타겟 엔티티의 위치 정보를 기반으로 제 2 타임 유닛에 대한 타겟 엔티티의 운동학적 정보가 결정될 수도 있다.
운동학적 정보는, 본 기재에서 앞서 살핀 바와 같이 타겟 엔티티의 위치나 자세, 움직임 중 적어도 하나에 대한 정보를 나타낼 수 있고, 위치 정보, 방향 정보 및 움직임 정보 중 적어도 하나가 포함될 수 있다. 움직임 정보에 대해서는 본 기재에서 이후 상술된다.
타겟 데이터 셋에 포함되는 운동학적 정보의 시퀀스는 예를 들어 제 1 타임 유닛에 대한 타겟 엔티티의 운동학적 정보, 제 2 타임 유닛에 대한 타겟 엔티티의 운동학적 정보, 제 n 타임 유닛에 대한 타겟 엔티티의 운동학적 정보를 포함할 수 있다. 종래 외적 부하의 측정이 운동 세션 동안의 총 이동량이나 운동 시간, 평균 속도와 같이 운동 세션 전체에 대한 통계적 수치에 근거하는 반면, 본 기재의 일 실시예에 따른 운동 부하 정보의 제공은 타겟 운동 세션에 포함되는 복수의 시점 및/또는 시간 유닛에 대한 운동학적 정보들의 시퀀스를 기반으로 운동 부하 정도에 대한 평가값을 결정하는 점에서 구별될 수 있다,
다시 도 5 를 참조하면, 컴퓨팅 디바이스는 추정 부하 인덱스를 결정 (S530) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 타겟 엔티티에 대한 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정할 수 있다. 일 측면에 따르면, 결정된 추정 부하 인덱스를 타겟 운동 세션에 대한 운동 부하의 추정치로서 제공할 수 있다. 여기서 추정 부하 인덱스는 예를 들어 운동 부하 정도를 나타내는 복수의 수치들을 포함할 수 있고, 예를 들어 1 내지 10 의 값을 가지고 10 이 가장 높은 운동 강도를 나타내도록 구성될 수 있으나 이러한 특정 수치 범위에 한정되지 아니한다.
본 기재의 일 실시예에 따라, 타겟 엔티티에 대해서 측정 및/또는 산출되는 타겟 데이터 셋들을 기반으로 인공 신경망을 이용하여 자동으로 추정 부하 인덱스를 결정하도록 함으로써, 타겟 엔티티에 대한 수동적인 질의 및 응답의 절차를 거치지 않고서도 편리하게 타겟 운동 세션 동안의 타겟 엔티티의 운동 부하 정도에 대한 정보를 확보 및 제공할 수 있다.
본 기재의 일 측면에 따른 추정 부하 인덱스 (estimated load index) 는, 타겟 엔티티의 타겟 운동 세션에 대한 자각 피로도 (Rate of Perceived Exertion, RPE) 의 추정값일 수 있다. 예를 들어, 도 4 에 예시적으로 도시된 바와 같은 자각 피로도를 대신하여 본 기재의 일 측면에 따라 결정된 추정 부하 인덱스가 제공될 수 있다.
관련하여, 도 6 은 도 5 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다. 도 6 에 도시된 바와 같이, 컴퓨팅 디바이스는, 먼저 훈련된 인공 신경망을 준비 (S531) 하고, 인공 신경망의 입력 레이어에 타겟 데이터 셋을 입력 (S533) 하여, 인공 신경망의 출력 레이어의 결과값에 기반하여 추정 부하 인덱스를 획득 (S535) 할 수 있다. 이하, 도 6 을 참조하여, 추정 부하 인덱스 결정 프로세스에 대해서 보다 구체적으로 설명한다.
도 6 에 도시된 바와 같이, 컴퓨팅 디바이스는, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋을 기반으로 훈련된 인공 신경망을 준비 (S531) 할 수 있다. 구체적으로는 예를 들어 서버의 메모리에 인공 신경망 모델이 저장되거나 로딩되어 콘트롤러가 인공 신경망 모델을 동작시킬 수 있는 상태가 될 수 있다.
도 7 은 본 기재의 실시예에 따른 운동 부하 지표의 산출에 이용되는 예시적인 인공 신경망을 도시한 것이다.
인공 신경망은 입력 레이어, 은닉 레이어 및 출력 레이어를 포함할 수 있다. 입력 레이어는 복수의 노드를 포함할 수 있으며, 입력 데이터 셋을 입력받을 수 있다. 출력 레이어는 적어도 하나의 노드를 포함할 수 있으며, 예를 들어, 운동 부하 지표의 값으로 해석될 수 있는 출력값을 수치로 출력하는 싱글 노드를 갖는 형태나 각각에 서로 다른 운동 부하 지표의 값이 할당되어 있고 그 출력값이 확률값인 멀티 노드를 갖는 형태로 제공될 수 있다. 은닉 레이어는 입력 레이어와 출력 레이어를 연결하고, 적어도 하나 이상의 노드를 갖는 복수의 레이어를 포함할 수 있다. 노드 간의 연결은 가중치나 바이어스와 같은 파라미터들로 정의될 수 있으며, 이를 통해 입력 레이어로부터 은닉 레이어를 거쳐 출력 레이어로 정보가 전달되면서 입력 데이터 셋으로부터 출력값이 산출될 수 있다.
인공 신경망의 학습은 학습 데이터 셋과 여기에 라벨링된 운동 부하 지표를 이용해 수행될 수 있다. 구체적으로 학습은 학습 데이터 셋을 입력받은 인공 신경망이 출력하는 결과값과 학습 데이터 셋에 라벨링된 운동 부하 지표의 참값 (ground truth) 간의 오차에 기초해 오차를 감소시키는 방향으로 인공 신경망의 파라미터들을 조절하는 것을 통해 수행될 수 있다.
본 기재의 일 실시예에서, 인공 신경망은 타겟 운동 세션에 대한 타겟 엔티티의 활동 정보가 입력되면 타겟 운동 세션의 운동 부하 지표를 출력하도록, 운동 부하 지표가 라벨링된 학습 데이터 셋을 이용하여 학습되어 있을 수 있다. 기본적으로 학습 데이터 셋은 운동 세션을 수행한 타겟 엔티티에 관한 활동 정보로부터 생성될 수 있으며, 라벨링되는 운동 부하 지표는 운동 세션을 수행한 타겟 엔티티로부터 수집된 값일 수 있다.
보다 구체적이나 비한정적으로는, 본 기재의 일 실시예에 따른 인공 신경망은, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋을 기반으로 훈련된 것일 수 있다. 여기서, 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고, 제 1 운동 세션의 운동 부하에 대해 제 1 엔티티로부터 수집된 스코어로 라벨링된 것일 수 있다.
관련하여, 도 8 은 본 기재의 실시예에 따른 인공 신경망의 훈련 데이터 셋의 일 예를 도시한 것이고, 도 9 는 도 8 의 운동학적 정보 시퀀스의 일 예에 대한 상세도이다.
도 8 에 도시된 바와 같이, 본 기재의 일 측면에 따른 인공 신경망을 훈련시키기 위한 복수의 훈련 데이터 셋들 (800) 은 예를 들어 제 1 훈련 데이터 셋 (810) 을 포함할 수 있다. 제 1 훈련 데이터 셋 (810) 은 제 1 운동 세션에 포함되는 복수의 시간 유닛들 각각에 대한 제 1 엔티티의 운동학적 정보의 시퀀스 (811) 를 포함하고, 제 1 엔티티로부터 제 1 운동 세션 동안의 운동 부하에 대해 수집된 스코어 (813) 로 라벨링될 수 있다. 즉, 예를 들어, 스포츠 플레이어 A 가 특정 운동 세션 A 에 참여한 경우, 스포츠 플레이어 A 에 대한 시간 유닛들 각각에 대한 운동학적 정보의 시퀀스가 수집 및/또는 측정될 수 있다. 여기서, 해당 운동 세션 A 의 종료 이후 예를 들어 자각 피로도 (RPE) 의 측정으로서 운동 부하 평가값을 스포츠 플레이어 A 에게 질의하여 응답받을 수 있다. 여기서 스포츠 플레이어 A 의 운동학적 정보의 시퀀스를 응답받은 RPE 값 (예를 들어, 8) 으로 라벨링하는 것에 의해 하나의 훈련 데이터 셋이 확보될 수 있다.
도 9 에 도시된 바와 같이, 제 1 엔티티의 운동학적 정보의 시퀀스 (811) 는, 제 1 운동 세션에 포함되는 복수의 시간 유닛들, 예를 들어 제 1 시간 유닛 (811a) 내지 제 n 시간 유닛 (811n) 에 이르는 시간 유닛들 각각에 대해 측정된 제 1 엔티티의 운동학적 정보 (예를 들어, 속도, 가속도, 저크, 각속도, 각가속도, 각저크) 를 포함할 수 있다.
도 8 내지 도 9 에 도시된 바와 같은 복수의 훈련 데이터 셋들을 기반으로 인공 신경망을 학습시키는 것에 의해 타겟 데이터 셋을 입력하면 대응하는 운동 부하 평가값을 출력하도록 할 수 있다.
보다 구체적으로, 다시 도 6 을 참조하면, 컴퓨팅 디바이스는, 인공 신경망의 입력 레이어에 타겟 데이터 셋을 입력 (S533) 할 수 있다. 여기서 타겟 데이터 셋은 전술한 바와 같이 타겟 운동 세션 동안의 복수의 시간 유닛에 대한 타겟 엔티티의 운동학적 정보의 시퀀스를 포함할 수 있다.
한편, 본 기재의 일 측면에 따르면, 입력 데이터 셋 (예를 들어, 타겟 데이터 셋) 에 대해서는 제로 패딩을 수행하여 인공 신경망의 입력 레이어의 노드 개수에 대응되도록 할 수 있다. 예를 들어, 타겟 데이터 셋은, 운동학적 정보의 시퀀스에 선행하거나 후행하여 제로 패딩 (Zero-padding) 을 수행하는 것에 의해 미리 결정된 길이를 가지도록 구성될 수 있다. 관련하여, 도 10 은 본 기재의 실시예에 따른 인공 신경망의 입력 데이터 셋의 일 예를 도시한 것이고, 도 11 은 본 기재의 실시예에 따른 인공 신경망의 입력 데이터 셋의 다른 예를 도시한 것이다. 도 10 은 시퀀스에 선행하여 제로 패딩을 수행하는 것을 나타내고, 도 11 은 시퀀스에 후행하여 제로 패딩을 수행하는 것을 나타낸다.
환언하면, 본 기재의 실시예들에 따른 인공 신경망은 고정된 형태 또는 길이의 데이터를 입력으로 받도록 구성될 수 있고, 결정된 길이에 입력 데이터 셋을 맞추기 위해 특징인자 시퀀스에 제로-패딩을 수행할 수 있다. 관련하여, 일반적인 경기나 훈련은 약 2 시간 동안 지속된다는 점을 감안하여, 최대 길이를 예를 들어 2,000 으로 설정하고, 이보다 짧은 길이를 가지는 타겟 데이터 셋에 대해서는 운동학적 정보 시퀀스의 앞 또는 뒤를 채우기 위해 복수의 '0'을 붙일 수 있다. 시퀀스의 뒤에 '0'을 패딩하면 타겟 엔티티가 제로-패딩된 기간만큼 휴식을 취한 후 RPE 점수를 인지한 상황에 대응될 수 있다. 즉, 모델이 본래의 시퀀스가 짧을수록 활동의 종료와 RPE 의 검사 사이에 이루어지는 휴식이 긴 것으로 잘못 반영될 여지가 있다. 따라서, 본 기재에서 더욱 바람직하게는 시퀀스의 뒤가 아닌 앞쪽에 제로-패딩을 수행하도록 구성될 수 있다.
인공 신경망은 타겟 데이터 셋을 입력받는 것에 응답하여 출력 레이어에 결과값을 출력한다. 컴퓨팅 디바이스는, 인공 신경망의 출력 레이어의 결과값에 기초하여 추정 부하 인덱스를 획득 (S535) 할 수 있다. 일 측면에 따르면, 추정 부하 인덱스가 타겟 운동 세션에 따른 타겟 엔티티의 운동 부하 정도를 나타내는 정보로서 제공될 수 있다.
이와 같이 타겟 엔티티에 대해 수집된 타겟 데이터 셋을 기반으로 인공 신경망을 이용하여 추정 부하 인덱스를 결정하고 이를 운동 부하 정보로서 제공함으로써, 종래의 매뉴얼 RPE 수집 과정을 간편하게 대체할 수 있다. 따라서, 기존의 질의-응답에 따른 수집에 기인하는 RPE 오류 (예를 들어, 훈련 후 RPE 수집 시점의 변동 또는 미제출 선수 발생 등) 를 개선할 수 있고, 일단위, 주단위, 월단위와 같이 소정의 연속성을 가지는 기간 동안 운동 부하 정보를 관리하는 것이 가능하다. 따라서, 보다 효율적으로 훈련 세션을 설정할 수 있고 경기력 향상을 기대할 수 있게 된다. 또한, 종래에는 실질적으로 팀 단위의 운동 부하 정보를 관리하는 것이 가능하였으나, 본 기재의 실시예에 따르면 선수 개인별 수준에서 운동 부하를 관리하는 것이 가능해져 선수 개개인의 컨디셔닝을 수행할 수 있다.
반면, 본 기재의 일 측면에 따르면 스포츠 팀에 대한 운동 부하 정보를 획득 및 제공하는 것도 가능하다. 일 측면에 따르면, 추정 부하 인덱스 결정의 대상이 되는 타겟 엔티티는 적어도 하나의 스포츠 팀일 수 있다.
이 경우, 다시 도 5 를 참조하면, 컴퓨팅 디바이스는 대표 부하 인덱스를 결정 (S540) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 스포츠 팀에 속한 적어도 일부의 운동 선수들 각각에 대한 추정 부하 인덱스들을 기반으로 스포츠 팀에 대한 타겟 운동 세션 동안의 대표 부하 인덱스를 결정 (S540) 할 수 있다. 예를 들어, 타겟 엔티티가 스포츠 팀 A 일 경우, 이에 속하는 스포츠 플레이어 A, B, C 에 대해서 각각 위치 정보를 측정 (S510), 타겟 데이터 셋 획득 (S520) 및 추정 부하 인덱스 결정 (S530) 의 단계를 통해 각각의 추정 부하 인덱스를 결정할 수 있다. 이후, 스포츠 플레이어 A, B, C 각각의 추정 부하 인덱스들을 이용하여 스포츠 팀 A 에 대한 대표 부하 인덱스를 결정할 수 있다. 대표 부하 인덱스는 예를 들어 스포츠 플레이어들 각각의 추정 부하 인덱스에 대한 평균일 수 있으나, 이에 한정되지 아니하며, 팀 전체의 경향을 나타내는 대표값이 다양한 규칙에 따라 결정될 수 있다.
전술한 바와 같이, 본 기재의 일 실시예에 따르면, 타겟 엔티티에 대한 운동 부하 정도에 대한 추정값을 반영하는 추정 부하 인덱스는, 예를 들어 타겟 엔티티의 운동학적 정보를 기반으로 결정될 수 있다.
본 기재에서 앞서 살핀 바와 같이, 예를 들어 추정 부하 인덱스와 같은 운동 부하 정보는, 예를 들어 자각 피로도 (Rated Perceived Exertion, RPE) 에 대한 추정값일 수 있다. 자각 피로도는 운동이 힘든 정도를 반영할 수 있다. 따라서, 예를 들어 추정 부하 인덱스와 같은 운동 부하 정보를 결정하기 위해 다양한 운동학적 정보들 중 적어도 하나가 이용될 수 있다.
예를 들어, 운동이 힘든 정도를 결정함에 있어서는, i) 에너지의 소모가 크거나 ii) 힘이 많이 들거나 iii) 순간적으로 급격한 변화가 가해지는 것 중 적어도 하나를 고려할 수 있다.
에너지의 소모와 관련하여, 운동 에너지는 아래와 같이 정의된다.
KE = 1/2 mv2
즉, 예를 들어 에너지 소모에 대한 평가 요소로서 타겟 엔티티의 속도 v 가 운동학적 정보에 포함될 수 있다.
소요되는 힘과 관련하여, 뉴턴의 제 2 법칙은 아래와 같이 정의된다.
F = ma
즉, 예를 들어 소요되는 힘에 대한 평가 요소로서 타겟 엔티티의 가속도 a 가 운동학적 정보에 포함될 수 있다.
한편, 근육의 피로도는 저크 (jerk) 에 의해 주로 영향을 받을 수 있다. 따라서, 순간적으로 급격한 변화가 가해지는 것에 따른 피로의 평가 요소로서 타겟 엔티티의 저크가 운동학적 정보에 포함될 수 있다.
즉, 운동학적 정보에는 예를 들어 타겟 엔티티의 속도, 가속도, 또는 저크 중 적어도 하나가 포함될 수 있다.
종래 통계학적 결과에 따라 총 이동 거리나 평균 속도와 같이 단편적인 수치를 통해 평가되었던 외적 부하의 결정 방법과 달리, 본 기재의 일 실시예에 따른 운동 부하 정보의 제공 방법은 운동 부하 정보의 결정 대상인 타겟 운동 세션에 포함되는 복수의 시간 유닛들 각각에 대한 운동학적 정보 (예를 들어 속도, 가속도, 또는 저크 중 적어도 하나) 의 시퀀스를 인공 신경망에 입력하는 것에 의해, 보다 향상된 정확도로 운동 부하에 대한 평가값을 추정할 수 있다.
한편, 동일한 운동학적 요소의 크기 (예를 들어 동일한 변위, 속도의 크기, 가속도의 크기, 또는 저크의 크기) 에 대해서도, 운동학적 요소의 방향에 따라 타겟 엔티티에 적용되는 운동 부하가 상이할 수 있다. 예를 들어, 동일한 거리를 동일한 속력으로 움직이는 경우라도, 타겟 엔티티가 타겟 엔티티의 전방을 향해 이동하는 것과 타겟 엔티티의 배향 방향과 반대 방향인 후방으로 이동하는 것, 또는 타겟 엔티티 배향 방향을 기준으로 측방을 향해 이동하는 것은 각각 타겟 엔티티에 가해지는 운동 부하가 상이할 수 있다. 일 예로, 타겟 엔티티 배향 방향과 반대 방향인 후방으로 이동하는 것이 같은 변위 또는 속도로 배향 방향을 향해 전진하는 것에 비해 타겟 엔티티에 더 큰 운동 부하를 경험하게 할 수 있다. 따라서, 본 기재의 일 측면에 따르면, 타겟 엔티티 배향 방향에 대한 운동학적 요소의 방향의 관계가 운동 부하 정보를 결정함에 있어 고려될 수 있다.
관련하여, 본 기재의 실시예에 따른 운동학적 정보는, 복수의 좌표계들 중 어느 하나의 좌표계를 기반으로 표현될 수 있다. 예를 들어, 일 측면에 따른 운동학적 정보는 경기장 기반 좌표계 (Field-based coordinate system) 를 기반으로 표현될 수 있고, 또는 엔티티-기반 좌표계 (Entity-based coordinate system) 를 기반으로 표현될 수 있으나, 이에 한정되지 아니한다.
관련하여, 도 12 는 엔티티-기반 좌표계를 예시적으로 도시한다. 도 12 에 도시된 바와 같이, 엔티티-기반 좌표계는 예를 들어 스포츠 플레이어와 같은 타겟 엔티티의 배향 방향을 기준으로 설정된 좌표계일 수 있다. 예를 들어, 엔티티-기반 좌표계는 타겟 엔티티의 진행 방향에 대응하는 전후축 (121) 및 타겟 엔티티의 측면 방향에 대응하는 좌우축 (123) 을 포함할 수 있다. 타겟 엔티티가 전방을 향해 이동할 때, 예를 들어 변위에 대한 값은 엔티티-기반 좌표계를 기반으로 표현될 때 전후축 (121) 방향의 양의 값을 가질 수 있고 타겟 엔티티가 배향 방향과 반대 방향으로 후진 이동할 때, 이에 대한 변위 값은 전후축 (121) 방향의 음의 값을 가질 수 있다. 한편, 엔티티의 배향 방향을 기준으로 좌측 또는 우측으로 발생한 변위는 좌우축 (123) 방향으로 각각 음의 값 또는 양의 값을 가질 수 있다. 변위를 기반으로 산출될 수 있는 속도, 가속도, 또는 저크에 대해서도 동일하게 배향 방향에 대한 이동 방향이 운동학적 정보의 값 만으로 표현될 수 있다.
도 12 를 참조하면, 예를 들어 제 1 움직임 (movemen) (m1) 과 제 2 움직임 (m2) 이 도시되어 있다. 제 1 움직임은 엔티티의 배향 방향에 대한 전진 움직임이고, 제 2 움직임은 엔티티의 배향 방향을 기준으로 좌측을 향하는 사이드 스텝 움직임일 수 있다. 여기서, 제 1 움직임은, 전후축 (121) 방향으로 양의 값을 가지는 변위로서 표현될 수 있고, 예를 들어 움직임 벡터가 (0, 10) 과 같이 표현될 수도 있다. 또한, 제 2 움직임은 좌우축 (123) 방향으로 양의 값을 가지는 변위로서 표현될 수 있고, 예를 들어 움직임 벡터가 (10, 0) 과 같이 표현될 수도 있다.
즉, 엔티티-기반 좌표계를 기반으로 표현된 운동학적 정보는 예를 들어 변위, 속도, 가속도, 또는 저크와 같이 방향과 크기를 가지는 정보일 때, 엔티티의 배향 방향에 대한 상대적인 움직임 방향에 대한 정보를 포함할 수 있다. 따라서, 본 기재의 일 측면에 따른 운동학적 정보는, 타겟 엔티티의 속도와 관련된 제 1 운동학적 정보, 타겟 엔티티의 가속도와 관련된 제 2 운동학적 정보, 또는 타겟 엔티티의 저크 (jerk) 와 관련된 제 3 운동학적 정보 중 적어도 하나 이상을 포함할 수 있다. 운동학적 정보가 속도, 가속도 또는 저크와 같은 선형 움직임 (Linear Movement) 에 대한 정보만을 포함하더라도, 이와 같은 선형 움직임에 대한 정보가 엔티티-기반 좌표계를 기반으로 표현되는 경우라면 엔티티의 배향 방향에 대한 움직임의 방향 (예를 들어, 전방, 후방, 또는 측방 움직임) 에 따른 운동 부하 정도의 차이가 반영될 수 있다.
운동학적 정보가 엔티티-기반 좌표계를 기반으로 표현되기 위해서는, 엔티티의 배향 방향에 대한 정보가 요구된다. 본 기재에서 전술한 바와 같이, 일 측면에 따른 센싱 플랫폼은 예를 들어 어태처블 디바이스를 포함할 수 있고, 어태처블 디바이스에는 예를 들어 IMU (Inertial Measurement Unit) 센서와 같은 관성 센서가 구비될 수 있다. 본 기재의 일 측면에 따르면, 운동학적 정보는 타겟 엔티티에 대응하는 관성 센서에 의해 측정되는 정보 및/또는 GPS 센서와 같은 위치 측정 장치에 의해 측정되는 정보를 기반으로 획득될 수 있다.
반면에, 본 기재의 일 측면에 따르면, GPS 센서와 같은 위치 측정 장치를 이용하여 측정된 타겟 엔티티의 위치 정보를 이용하여 운동학적 정보가 획득될 수 있다. 예를 들어 경제적인 측면을 고려하거나 착용감의 개선, 경량화, 연산량 감소 중 적어도 하나와 같은 다양한 사정을 고려하여 센싱 플랫폼에 관성 센서가 구비되지 아니하고 GPS 와 같은 위치 측정 장치만이 구비될 수도 있다. 이 경우, 타겟 엔티티의 배향에 대한 정보는 획득할 수 없으므로, 운동학적 정보는 엔티티-기반 좌표계가 아닌 경기장 기반 좌표계를 기반으로 표현될 수 있다.
여기서, 경기장 기반 좌표계는 본 기재에서 전술된 바와 같은 지역 위치를 표현하는 것일 수 있다. 지역 위치는 예를 들어 GPS 와 같은 전역 위치 측정 장치에 따른 좌표를 연산을 통해 변환한 것일 수 있고, 또는 지역 측위 모듈을 통해 직접 획득된 것일 수 있으나, 이에 한정되지 아니한다.
보다 구체적으로, 도 13 은 경기장 기반 좌표계를 예시적으로 도시한다. 도 13 에 도시된 바와 같이, 경기장 기반 좌표계는 운동 세션이 수행되는 경기장의 길이에 대한 제 1 축 (133) 및 운동 세션이 수행되는 경기장의 폭에 대한 제 2 축 (131) 을 포함할 수 있다.
경기장 기반 좌표계에 따라 표현된 선형 움직임에 대한 운동학적 정보는 타겟 엔티티의 배향 방향과 이동 방향 간의 관계를 반영하지 않는다. 예를 들어, 도 12 에 도시된 바와 같은 제 1 움직임 (m1) 은 엔티티의 배향 방향에 대한 전진 움직임이고, 제 2 움직임 (m2) 은 엔티티의 배향 방향을 기준으로 좌측을 향하는 사이드 스텝 움직임일 수 있으나, 도 13 에 도시된 바와 같이 동일한 제 1 움직임 (m1) 및 제 2 움직임 (m2) 이 경기장 기반 좌표계를 통해 표현된 경우에는 각기 상이한 소정 방향을 향한 움직임으로 표현될 뿐 엔티티의 배향 방향에 대한 움직임의 방향 (예를 들어, 전방, 후방, 또는 측방 움직임) 에 대한 정보는 표현될 수 없다. 따라서, 예를 들면 전방을 향한 움직임과 사이드 스텝에 대한 운동 부하가 실제로는 상이할 수 있음에도 추정 부하 인덱스를 결정함에 있어 동일한 정도의 운동 부하를 가지는 것으로 잘못 반영될 수 있다.
관련하여, 본 기재의 일 측면에 따르면, 이전 시점의 이동 방향과 현재 시점의 이동 방향의 차이를 기반으로 타겟 엔티티의 배향 방향과 이동 방향 사이의 관계를 반영하여 추정 부하 인덱스를 결정할 수 있다. 예를 들어, 타겟 운동 세션이 복수의 시간 유닛들을 포함할 때, 현재 시간 유닛의 선형 움직임에 관한 정보에 더해, 이전 시간 유닛의 선형 움직임에 관한 정보의 방향과 현재 시간 유닛의 선형 움직임에 관한 정보의 방향과의 차이를 더 반영하여 추정 부하 인덱스를 결정할 수 있다. 환언하면, 예를 들어 제 2 시간 유닛에 대한 운동학적 정보는, 제 2 시간 유닛에서의 타겟 엔티티의 선형 움직임에 대한 정보 (예를 들어, 속도, 가속도, 저크, 또는 이들의 크기에 관한 정보) 와, 제 1 시간 유닛에서의 타겟 엔티티에 대한 선형 움직임에 대한 정보 중 적어도 하나의 방향과 제 2 시간 유닛에서의 타겟 엔티티에 대한 선형 움직임에 대한 정보 중 적어도 하나의 방향 간의 차이에 대한 정보를 포함할 수 있다. 따라서, 예를 들어 운동학적 정보가 경기장 기반 좌표계를 통해 표현되는 경우에도 타겟 엔티티의 배향 방향과 움직임의 방향 간의 관계를 반영하여 추정 부하 인덱스를 결정하도록 할 수 있다.
도 14 는 이전 시점의 움직임 방향과 현재 시점의 움직임 방향의 차이를 도시한다. 도 14 를 참조하여 보다 구체적으로 살펴보면, 이전 시점의 움직임의 방향 (141) 은 현재 시점의 타겟 엔티티의 배향 방향으로 가정할 수 있다. 운동 세션 동안의 타겟 엔티티의 움직임 방향은 전방을 향하는 경우가 가장 많이 관측되므로, 이전 시점에서 타겟 엔티티가 전방을 향해 이동하는 것으로 가정하면 이전 시점의 움직임의 방향 (예를 들어, 이전 시점의 속도의 방향) 은 타겟 엔티티의 현재 시점의 배향 방향과 동일하다고 가정할 수 있다. 여기서 도 14 에 예시된 바와 같은 현재 시점의 움직임 방향 (143) 을 고려하면, 현재 시점의 움직임 방향 (예를 들어, 현재 시점의 속도의 방향) (143) 과 이전 시점의 움직임의 방향 (141) 간의 각도 변화량 (145) 는 현재 시점의 타겟 엔티티의 배향 방향과 현재 시점의 타겟 엔티티의 이동 방향 간의 관계를 반영하는 인자로 활용될 수 있다.
따라서, 본 기재의 일 실시예에 따르면, 타겟 운동 세션에 포함되는 복수의 시간 유닛들 중 어느 하나인 타겟 시간 유닛에 대한 운동학적 정보는 타겟 시간 유닛에서의 타겟 엔티티의 선형 움직임 중 적어도 하나의 크기에 대한 정보와, 타겟 시간 유닛에서의 타겟 엔티티의 선형 움직임 중 적어도 하나의 방향과 타겟 시간 유닛의 이전 시간 유닛에서의 타겟 엔티티의 선형 움직임 중 적어도 하나의 방향 간의 각도 변화량에 대한 정보를 포함할 수 있다. 예를 들어, 도 14 에 예시적으로 도시된 바와 같이, 타겟 시간 유닛에 대한 운동학적 정보는, 타겟 시간 유닛의 속도의 크기 (속력) (147) 에 대한 정보와, 타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향 (145) 와 타겟 시간 유닛에서의 속도의 방향 (143) 간의 각도 변화량 (145) 에 대한 정보를 포함할 수 있다.
일 측면에 따르면, 타겟 시간 유닛에 대한 운동학적 정보는, 타겟 시간 유닛에 대한 속력, 이전 시간 유닛으로부터의 이동 방향의 변화, 가속도의 크기, 이전 시간 유닛으로부터의 가속도 방향의 변화, 저크의 크기, 이전 시간 유닛으로부터의 저크의 방향의 변화 중 적어도 하나 이상을 포함하도록 구성될 수 있다. 도 15 는 본 기재의 실시예에 따른 운동학적 정보의 예시를 나타낸다. 도 15 에 도시된 바와 같이, 위치 측정 센서 (15) 를 기반으로 측정된 타겟 엔티티의 위치 정보를 기반으로 연산하는 것에 의해 운동학적 정보가 획득될 수 있다. 획득되는 운동학적 정보는, 타겟 엔티티의 수평 방향 속력 (151), 수평 방향 이동 방향의 변화 (152), 수평 방향 가속도의 크기 (153), 수평 방향 가속도 방향의 변화 (154), 수평 방향 저크의 크기 (155) 또는 수평 방향 저크 방향의 변화 (156) 중 적어도 하나를 포함할 수 있다. 타겟 운동 세션에 포함되는 복수의 시간 유닛들 마다 각각의 운동학적 정보가 획득되어, 타겟 데이터 셋에 포함되는 운동학적 정보의 시퀀스 (811) 를 형성할 수 있다.
이하에서는, 본 기재의 실시예들에 따른 운동학적 정보의 보다 다양한 예시에 대해서 설명한다.
도 16 은 본 기재의 실시예에 따른 운동학적 정보의 예시를 나타낸다. 도 16 에 도시된 바와 같이, 운동학적 정보 (1600) 는 위치 / 배향에 관한 정보 (1610), 선형 움직임 (Linear Movement) 에 관한 정보 (1620), 각 움직임 (Angular Movement) 에 관한 정보 (1630) 중 적어도 하나를 포함할 수 있다.
관련하여, 도 17 은 본 기재의 일 실시예에 따른 운동학적 정보를 표현할 수 있는 좌표계들의 예시를 나타낸다. 도 17 에 도시된 바와 같이, 일 측면에 따른 운동학적 정보는 예를 들어 전역 좌표계 (171), 지역 좌표계 (173), 관성 좌표계 (175), 하이브리드 좌표계 (177) 중 어느 하나에 의해 표현될 수 있다.
전역 좌표계 (171) 는 예를 들어 GPS 와 같은 전역 측위 모듈을 이용하여 측정된 위도, 경도 및 고도 요소를 포함할 수 있다. 지역 좌표계 (173) 는 예를 들어 본 기재에서 전술한 경기장-기반 좌표계를 포함할 수 있다. 지역 좌표계는 운동 세션이 수행되는 경기장의 길이 방향의 축, 경기장의 폭 방향의 축을 포함할 수 있다. 일 측면에 따르면, 여기에 더해 경기장의 지면으로부터의 수직 방향 축을 포함할 수도 있다. 또한, 일 측면에 따르면, 예를 들어 경기장의 중심 또는 가장자리와 같은 경기장 내의 특정 지점을 원점으로 가질 수 있다.
관성 좌표계 (175) 는 예를 들어 항공 좌표계 (Aviation Coordinate) 일 수 있다. 관성 좌표계는 플레이어 몸체의 전방-후방 이동, 슬라이드 이동, 상-하 이동 요소를 포함할 수 있다. 또한, 플레이어 몸체의 회전과 관련된 롤, 피치, 요 축의 회전 운동 요소를 포함할 수도 있다.
한편, 하이브리드 좌표계 (177) 는 예를 들어 해상 좌표계 (Maritime Coordinate) 일 수 있다. 하이브리드 좌표계는 요 축 방향으로 고정되어 수평 방향의 배향 (heading), 수평 방향의 측방 이동, 수직 방향 요소를 포함할 수 있다.
본 기재의 일 측면에 따른 운동학적 정보를 표현하기 위한 좌표계는 상술한 바와 같은 좌표계들에 한정되지 아니하며 다양한 좌표계들 중 어느 하나를 기반으로 운동학적 정보를 표현할 수 있다.
다시 도 16 을 참조하면, 운동학적 정보 (1600) 는 위치 / 배향에 관한 정보 (1610) 를 포함할 수 있다. 위치 / 배향에 관한 정보는, 그 자체로서 운동 부하에 영향을 미치지는 않을 수 있다. 그러나 위치 / 배향에 관한 정보는 다양한 운동학적 정보를 산출하기 위한 데이터가 될 수 있다. 위치 / 배향에 관한 정보는 정적 정보로 지칭될 수도 있다. 도 18 은 정적 정보의 예시를 나타낸다. 정적 정보 (180) 는 위치 (Position) 정보 (181) 를 포함할 수 있다. 예를 들어, 위치 정보 (181) 는 위도, 경도, 고도를 포함할 수 있고, 또는 길이, 폭, 높이를 포함할 수도 있다. 한편, 위치 정보 (181) 는 배향 (Orientation) 정보 (183) 를 포함할 수도 있다. 배향 정보 (183) 는 예를 들어 길이 방향 배향, 폭 방향 배향, 높이 방향 배향을 포함할 수 있다. 이와 같은 정적 정보는 타겟 세션에 포함되는 복수의 시점, 또는 시간 유닛들 각각에 대해 획득되어 시퀀스를 이룰 수 있다. 정적 정보의 시퀀스를 기반으로 추가적인 운동학적 정보 (예를 들어, 선형 움직임 정보 또는 각 움직임 정보) 를 획득할 수 있다.
관련하여, 도 16 을 참조하면, 운동학적 정보 (1600) 는 선형 움직임 (Linear Movement) 에 관한 정보 (1620) 를 포함할 수 있다. 선형 움직임에 관한 정보는 본 기재에서 앞서 살핀 바와 같이 예를 들어 경기장 기반 좌표계 또는 엔티티-기반 좌표계, 또는 임의의 좌표계를 기반으로 표현될 수 있다.
보다 구체적으로, 선형 움직임에 관한 정보는 타겟 엔티티의 속도와 관련된 제 1 운동학적 정보 (1621) 를 포함할 수 있다. 본 기재의 일 측면에 따르면, 제 1 운동학적 정보는, 타겟 시간 유닛에서의 속도의 크기에 대한 정보, 또는 타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보 중 적어도 하나를 포함할 수 있다.
도 19 는 속도에 관한 정보를 포함하는 제 1 운동학적 정보의 예시를 나타낸다.
본 기재에서 앞서 예시적으로 설명된 바와 같이, 운동학적 정보가 엔티티-기반 좌표계를 기반으로 표현되는 경우에는 속도 정보만을 이용하여 추정 부하 인덱스를 결정하더라도 엔티티의 배향과 움직임 방향 간의 차이에 따른 운동 부하 정도의 차이가 반영될 수 있다. 따라서, 제 1 운동학적 정보는 타겟 엔티티의 속도 정보 (v1, v2, v3) 를 포함할 수 있다. 속도 정보는 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 길이 방향, 폭 방향, 높이 방향 좌표 기반의 속도 정보 (v1), 배향 방향, 측면 방향, 수직 방향 좌표 기반의 속도 정보 (v2), 전방, 후방, 좌측방, 우측방, 상방, 하방 좌표 기반의 속도 정보 (v3) 중 적어도 하나가 속도 정보로서 제 1 운동학적 정보에 포함될 수 있다.
한편, 운동학적 정보가 예를 들어 경기장 기반 좌표계를 기반으로 표현되는 경우에는 속도 정보 만으로는 엔티티의 배향과 움직임 방향 간의 차이가 운동 부하 결정에 반영될 수 없다. 이 경우에는, 제 1 운동학적 정보는 속도의 크기 (속력) 정보 (s1, s2, s3, s4) 와 움직임 방향 변화 정보 (vd1, vd2) 를 포함할 수 있다. 속력 정보는 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 배향 방향, 측면 방향, 수직 방향 좌표 기반의 속도의 크기, 즉 속력 정보 (s1), 전방, 후방, 측면 방향, 수직 방향 좌표 기반의 속도 정보 (s2), 길이 방향 속도 및 폭 방향 속도의 합산 속도에 대한 크기 정보인 수평 방향 속력 정보 (s3), 길이 방향 속도, 폭 방향 속도 및 높이 방향 속도의 합산 속도에 대한 크기 정보인 총합 속력 정보 (s4) 중 적어도 하나가 속력 정보로서 제 1 운동학적 정보에 포함될 수 있다. 또한, 움직임 방향 변화 정보 역시 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 앞서 샘플링된 배향으로부터 결정될 수 있다. 예를 들어, 이전 시간 유닛의 속도 방향과 현재 시간 유닛의 속도 방향 간의 각도 차이인 수평 방향 이동 방향 (vd1) 이 움직임 방향 변화 정보로서 활용될 수 있다. 또는 이와 같은 이전 시간 유닛의 속도 방향과 현재 시간 유닛의 속도 방향 간의 각도 차이의 크기 (vd2) 가 움직임 방향 변화 정보로서 활용될 수도 있다.
일 측면에 따르면, 선형 움직임에 관한 정보는 타겟 엔티티의 가속도와 관련된 제 2 운동학적 정보 (1623) 를 포함할 수 있다. 본 기재의 일 측면에 따르면, 제 2 운동학적 정보는, 타겟 시간 유닛에서의 가속도의 크기에 대한 정보, 또는 타겟 시간 유닛의 이전 시간 유닛에서의 가속도의 방향과 타겟 시간 유닛에서의 가속도의 방향 간의 각도 변화량에 대한 정보 중 적어도 하나를 포함할 수 있다.
한편, 가속도에 대한 정보에 있어서 그 크기는 타겟 시간 유닛에서의 가속도의 크기를 활용하되, 타겟 엔티티의 배향 방향과 움직임의 방향 간의 관계를 반영하기 위한 정보에 있어서는 가속도 방향의 변화보다는 속도 방향의 변화가 더 적합할 수 있다. 따라서, 본 기재의 다른 측면에 따르면, 제 2 운동학적 정보는, 타겟 시간 유닛에서의 가속도의 크기에 대한 정보, 또는 타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보 중 적어도 하나를 포함할 수 있다.
도 20 은 가속도에 관한 정보를 포함하는 제 2 운동학적 정보의 예시를 나타낸다.
본 기재에서 앞서 예시적으로 설명된 바와 같이, 운동학적 정보가 엔티티-기반 좌표계를 기반으로 표현되는 경우에는 가속도 정보만을 이용하여 추정 부하 인덱스를 결정하더라도 엔티티의 배향과 움직임 방향 간의 차이에 따른 운동 부하 정도의 차이가 반영될 수 있다. 따라서, 제 2 운동학적 정보는 타겟 엔티티의 가속도 정보 (a1, a2, a3) 를 포함할 수 있다. 가속도 정보는 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 길이 방향, 폭 방향, 높이 방향 좌표 기반의 가속도 정보 (a1), 배향 방향, 측면 방향, 수직 방향 좌표 기반의 가속도 정보 (a2), 전방, 후방, 좌측방, 우측방, 상방, 하방 좌표 기반의 가속도 정보 (a3) 중 적어도 하나가 가속도 정보로서 제 2 운동학적 정보에 포함될 수 있다.
한편, 운동학적 정보가 예를 들어 경기장 기반 좌표계를 기반으로 표현되는 경우에는 가속도 정보 만으로는 엔티티의 배향과 움직임 방향 간의 차이가 운동 부하 결정에 반영될 수 없다. 이 경우에는, 제 2 운동학적 정보는 가속도의 크기에 관한 정보 (a4, a5, a6, a7) 와 움직임 방향 변화 정보 (ad1, ad2, ad3, ad4) 를 포함할 수 있다. 가속도 크기 정보는 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 배향 방향, 측면 방향, 수직 방향 좌표 기반의 가속도의 크기 정보 (a4), 전방, 후방, 측면 방향, 수직 방향 좌표 기반의 가속도의 크기 정보 (a5), 길이 방향 가속도 및 폭 방향 가속도의 합산 가속도에 대한 크기 정보인 수평 방향 가속도 크기 정보 (a6), 길이 방향 가속도, 폭 방향 가속도 및 높이 방향 가속도의 합산 가속도에 대한 크기 정보인 총합 가속도 크기 정보 (a7) 중 적어도 하나가 가속도 크기 정보로서 제 2 운동학적 정보에 포함될 수 있다. 또한, 움직임 방향 변화 정보 역시 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 앞서 샘플링된 배향으로부터 결정될 수 있다. 예를 들어, 이전 시간 유닛의 가속도 방향과 현재 시간 유닛의 가속도 방향 간의 각도 차이인 수평 방향 가속도 방향 (ad1) 이 움직임 방향 변화 정보로서 활용될 수 있다. 또는 이와 같은 이전 시간 유닛의 가속도 방향과 현재 시간 유닛의 가속도 방향 간의 각도 차이의 크기 (ad2) 가 움직임 방향 변화 정보로서 활용될 수도 있다. 다른 측면에 따라서는, 속도 방향의 변화를 기반으로 움직임 방향 변화를 결정할 수 있고, 보다 구체적으로는 이전 시간 유닛의 속도 방향과 현재 시간 유닛의 속도 방향 간의 각도 차이인 수평 방향 이동 방향 (ad3) 이 움직임 방향 변화 정보로서 활용될 수 있다. 또는 이와 같은 이전 시간 유닛의 속도 방향과 현재 시간 유닛의 속도 방향 간의 각도 차이의 크기 (ad4) 가 움직임 방향 변화 정보로서 활용될 수도 있다.
또한, 일 측면에 따르면, 선형 움직임에 관한 정보는 타겟 엔티티의 저크 (jerk) 와 관련된 제 3 운동학적 정보 (1625) 를 더 포함할 수 있다. 본 기재의 일 측면에 따르면, 제 3 운동학적 정보는, 타겟 시간 유닛에서의 저크의 크기에 대한 정보, 또는 타겟 시간 유닛의 이전 시간 유닛에서의 저크의 방향과 타겟 시간 유닛에서의 저크의 방향 간의 각도 변화량에 대한 정보 중 적어도 하나를 포함할 수 있다.
가속도와 유사하게, 저크에 대한 정보에 있어서 그 크기는 타겟 시간 유닛에서의 저크의 크기를 활용하되, 타겟 엔티티의 배향 방향과 움직임의 방향 간의 관계를 반영하기 위한 정보에 있어서는 저크의 방향 변화보다는 가속도의 방향 변화가 더 적합할 수 있고, 또한 가속도의 방향 변화보다는 속도의 방향 변화가 더 적합할 수 있다. 따라서, 본 기재의 다른 측면에 따르면, 제 3 운동학적 정보는, 타겟 시간 유닛에서의 저크의 크기에 대한 정보, 또는 타겟 시간 유닛의 이전 시간 유닛에서의 가속도의 방향과 타겟 시간 유닛에서의 가속도의 방향 간의 각도 변화량에 대한 정보 중 적어도 하나를 포함할 수 있다. 또 다른 측면에 따르면, 제 3 운동학적 정보는, 타겟 시간 유닛에서의 저크의 크기에 대한 정보, 또는 타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보 중 적어도 하나를 포함할 수 있다.
도 21 은 저크에 관한 정보를 포함하는 제 3 운동학적 정보의 예시를 나타낸다.
본 기재에서 앞서 예시적으로 설명된 바와 같이, 운동학적 정보가 엔티티-기반 좌표계를 기반으로 표현되는 경우에는 저크 정보만을 이용하여 추정 부하 인덱스를 결정하더라도 엔티티의 배향과 움직임 방향 간의 차이에 따른 운동 부하 정도의 차이가 반영될 수 있다. 따라서, 제 3 운동학적 정보는 타겟 엔티티의 저크 정보 (j1, j2, j3) 를 포함할 수 있다. 저크 정보는 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 길이 방향, 폭 방향, 높이 방향 좌표 기반의 저크 정보 (j1), 배향 방향, 측면 방향, 수직 방향 좌표 기반의 저크 정보 (j2), 전방, 후방, 좌측방, 우측방, 상방, 하방 좌표 기반의 저크 정보 (j3) 중 적어도 하나가 저크 정보로서 제 3 운동학적 정보에 포함될 수 있다.
한편, 운동학적 정보가 예를 들어 경기장 기반 좌표계를 기반으로 표현되는 경우에는 저크 정보 만으로는 엔티티의 배향과 움직임 방향 간의 차이가 운동 부하 결정에 반영될 수 없다. 이 경우에는, 제 3 운동학적 정보는 저크 크기에 관한 정보 (j4, j5, j6, j7) 와 움직임 방향 변화 정보 (jd1, jd2, jd3, jd4, jd5, jd6) 를 포함할 수 있다. 저크 크기 정보는 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 배향 방향, 측면 방향, 수직 방향 좌표 기반의 저크의 크기 정보 (j4), 전방, 후방, 측면 방향, 수직 방향 좌표 기반의 저크의 크기 정보 (j5), 길이 방향 저크 및 폭 방향 저크의 합산 저크에 대한 크기 정보인 수평 방향 저크 크기 정보 (j6), 길이 방향 저크, 폭 방향 저크 및 높이 방향 저크의 합산 저크에 대한 크기 정보인 총합 저크 크기 정보 (j7) 중 적어도 하나가 저크 크기 정보로서 제 3 운동학적 정보에 포함될 수 있다. 또한, 움직임 방향 변화 정보 역시 다양한 좌표계를 기반으로 표현될 수 있으며, 예를 들어 앞서 샘플링된 배향으로부터 결정될 수 있다.
예를 들어, 이전 시간 유닛의 저크 방향과 현재 시간 유닛의 저크 방향 간의 각도 차이인 수평 방향 저크 방향 (jd1) 이 움직임 방향 변화 정보로서 활용될 수 있다. 또는 이와 같은 이전 시간 유닛의 저크 방향과 현재 시간 유닛의 저크 방향 간의 각도 차이의 크기 (jd2) 가 저크 방향 변화 정보로서 활용될 수도 있다. 다른 측면에 따르면, 가속도 방향의 변화를 기반으로 움직임 방향 변화를 결정할 수 있고, 보다 구체적으로는 이전 시간 유닛의 가속도 방향과 현재 시간 유닛의 가속도 방향 간의 각도 차이인 수평 방향 가속도 방향 (jd3) 이 움직임 방향 변화 정보로서 활용될 수 있다. 또는 이와 같은 이전 시간 유닛의 가속도 방향과 현재 시간 유닛의 가속도 방향 간의 각도 차이의 크기 (jd4) 가 움직임 방향 변화 정보로서 활용될 수도 있다. 다른 측면에 따라서는, 속도 방향의 변화를 기반으로 움직임 방향 변화를 결정할 수 있고, 보다 구체적으로는 이전 시간 유닛의 속도 방향과 현재 시간 유닛의 속도 방향 간의 각도 차이인 수평 방향 이동 방향 (jd5) 이 움직임 방향 변화 정보로서 활용될 수 있다. 또는 이와 같은 이전 시간 유닛의 속도 방향과 현재 시간 유닛의 속도 방향 간의 각도 차이의 크기 (jd6) 가 움직임 방향 변화 정보로서 활용될 수도 있다.
다시 도 16 을 참조하면, 운동학적 정보 (1600) 는 각 움직임 (Angular Movement) 에 관한 정보 (1630) 를 포함할 수 있다. 운동 세션에서 타겟 엔티티의 위치는 변하지 않더라도, 타겟 엔티티가 회전 운동을 수행하는 경우가 발생할 수 있다. 예를 들어, 타겟 엔티티가 축구 경기에서 볼 소유 상태에서 상대 팀 플레이어의 압박 수비에 대응하기 위해 배향 방향을 변화하며 볼 소유를 유지하기 위한 행동을 수행하는 경우, 선형 움직임만을 운동학적 정보로서 포함한다면 이와 같은 배향 방향의 변화가 운동 부하에 아무런 영향을 미치지 않게 된다. 또한, 드리블 상태에서 크루이프 턴을 수행하는 경우 크루이프 턴을 수행하는 드리블과 수행하지 않는 드리블이 동일한 운동 부하를 미치는 것으로 판단될 수도 있다. 본 기재의 일 측면에 따르면, 운동학적 정보가 각 움직임에 대한 정보 (1630) 를 포함하도록 함으로써 위치 변화를 수반하지 않는 타겟 엔티티의 신체 회전 운동에 의해 발생한 운동 부하 역시 추정 부하 인덱스의 결정에 반영되도록 할 수 있다. 예를 들어, 본 기재의 일 측면에 따른 운동학적 정보는, 타겟 엔티티의 롤 (Roll) 방향 회전 움직임, 피치 (Pitch) 방향 회전 움직임 또는 요 (Yaw) 방향 회전 움직임 중 적어도 하나에 대한 정보를 포함할 수 있고, 또한 타겟 엔티티의 각속도, 각 가속도 또는 각 저크 중 적어도 하나에 대한 정보를 포함할 수 있다.
관련하여, 본 기재에서 상술한 바와 같이, 각 움직임에 대한 좌표로서 관성 좌표계 또는 하이브리드 좌표계 중 적어도 하나가 사용될 수 있다.
도 22 는 관성 좌표계 (Inertial coordinate system) 기반의 각 움직임 정보의 예시를 나타낸다. 도 22 에 도시된 바와 같이, 관성 좌표계 기반의 각 움직임 정보 (1631) 는 타겟 엔티티의 회전 운동에 대한 각 속도 정보 (av1), 각 가속도 정보 (aa1), 각 저크 정보 (aj1) 중 적어도 하나를 포함할 수 있다. 각 속도 정보 (av1) 는, 롤 축 기준의 각 속도, 피치 축 기준의 각 속도, 요 축 기준의 각 속도를 포함할 수 있고, 각 가속도 정보 (aa1) 는 롤 축 기준의 각 가속도, 피치 축 기준의 각 가속도, 요 축 기준의 각 가속도를 포함할 수 있다. 각 저크 정보 (aj1) 는, 롤 축 기준의 각 저크, 피치 축 기준의 각 저크, 요 축 기준의 각 저크를 포함할 수 있다.
도 23 은 하이브리드 좌표계 (Hybrid coordinate system) 기반의 각 움직임 정보의 예시를 나타낸다. 예를 들어 축구와 같은 팀 스포츠 경기에서, 선수들의 회전 운동은 주로 수직 축을 기준으로 발생할 수 있고, 이에 비해 나머지 축 기준의 회전 운동 발생 빈도는 미미한 것으로 생각될 수 있다. 하이브리드 좌표계는 회전 운동으로서 수직 축 기준의 회전 운동만을 고려하도록 할 수 있다. 도 23 에 도시된 바와 같이, 하이브리드 좌표계 기반의 각 움직임 정보 (1633) 는 타겟 엔티티의 회전 운동에 대한 각 속도 정보 (av2), 각 가속도 정보 (aa2), 각 저크 정보 (aj2) 중 적어도 하나를 포함할 수 있다. 각 속도 정보 (av2) 는 수직 축 기준의 각 속도를 포함할 수 있고, 각 가속도 정보 (aa2) 는 수직 축 기준의 각 가속도를 포함할 수 있으며, 각 저크 정보 (aj2) 는, 수직 축 기준의 각 저크를 포함할 수 있다.
본 기재의 실시예들에 따른 운동학적 정보는 이상 설명한 바와 같은 다양한 요소들 중 적어도 일부를 포함하여 다양한 조합 형태로 활용될 수 있음을 유의해야 할 것이다.
상태 정보 기반 운동 부하 결정
도 24 는 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이다. 도 25 는 도 24 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다. 이하 도 24 내지 도 25 를 참조하여 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대해서 보다 구체적으로 설명한다.
본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 1 내지 도 3 을 참조하여 설명된 바와 같은 서버 (1500) 또는 서버 (1500) 에 포함된 콘트롤러 (1520) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있고, 물리적으로 분리된 복수의 디바이스들의 조합이 컴퓨팅 디바이스로서 지칭될 수도 있다.
본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법은, 타겟 엔티티의 타겟 운동 세션 동안의 운동학적 정보 뿐만 아니라, 타겟 운동 세션과 관련된 특성을 반영하는 상태 정보를 더 고려하여 추정 부하 인덱스를 결정하는 것에 의해 보다 향상된 정확도로 운동 부하 정도에 관한 정보를 결정할 수 있다. 예를 들어, 훈련 당일의 선수의 컨디션이나 날씨와 같은 환경 요인 등 다양한 요인에 의해 동일한 강도의 훈련을 수행하더라도 선수가 느끼는 운동 부하는 상이할 수 있다. 본 기재의 일 측면에 따르면, 타겟 엔티티의 움직임에 대한 정보 뿐만 아니라, 타겟 엔티티의 운동 부하 정도에 영향을 미칠 수 있는 다양한 부가 정보들을 반영하여 추정 부하 인덱스를 추정함으로써 움직임의 정도 이외의 요인에 따른 운동 부하 정도까지도 반영하도록 할 수 있다.
관련하여, 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법은 "활동 정보"를 기반으로 추정 부하 인덱스를 결정할 수도 있다. 여기서 활동 정보는 본 기재에서 전술한 바와 같은 운동학적 정보와, 타겟 운동 세션과 관련된 특성을 반영하는 상태 정보 (condition information) 을 포함할 수 있다. 활동 정보는 본 기재에서 앞서 설명한 바와 같은 센싱 플랫폼 (1100) 이 감지하는 정보를 포함하고, 이외에도 운동 부하 정도를 결정하기 위해 사용될 수 있는 임의의 정보를 포괄하는 개념으로 이해될 수 있다.
도 26 은 본 기재의 일 측면에 따른 활동 정보를 예시적으로 도시한다. 도 26 에 도시된 바와 같이, 활동 정보 (2600) 는 전술한 바와 같은 운동학적 정보 (1600) 와, 세션 상태 정보 (Session Condition Information) (1610), 신체 상태 정보 (Physical Condition Information) (2620) 중 적어도 하나를 포함할 수 있다. 여기서, 신체 상태 정보는 심박수에 관한 정보 (2621), 체온 정보 (2623), 호흡 정보 (2625) 중 적어도 하나를 포함할 수 있다. 심박수에 관한 정보는 %HRmax (HRact/HRmax), %HRR ((HRact - HRrest) / (HRmax - HRrest)), %VO2max (VO2act / VO2max) 와 같은 지표를 포함할 수 있다. 상태 정보는 세션 상태 정보와 신체 상태 정보 중 적어도 하나를 포함하는 개념으로 이해될 수 있다. 보다 다양한 상태 조건의 예시들은 본 기재에서 이하 상세하게 개시된다.
도 24 에 도시된 바와 같이, 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법은, 활동 정보를 포함하는 타겟 데이터 셋을 획득하는 단계 (S2410) 및 추정 부하 인덱스를 결정하는 단계 (S2420) 를 포함할 수 있다.
이하에서는 운동 부하 정보 제공 방법의 일 실시예의 각 단계들에 관하여 설명한다.
도 24 에 도시된 바와 같이, 컴퓨팅 디바이스는 활동 정보를 포함하는 타겟 데이터 셋을 획득 (S2410) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋을 획득할 수 있고, 여기서, 타겟 데이터 셋은, 복수의 시간 유닛들 각각에 대한 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스에 더해, 타겟 운동 세션과 관련된 특성을 반영하는 상태 정보 (condition information) 를 포함할 수 있다. 여기서, 상태 정보는 운동학적 정보와 유사하게 타겟 운동 세션에 포함되는 복수의 시간 유닛들에 대해 각각 획득되어 상태 정보의 시퀀스를 가지도록 구성될 수도 있고, 또는 하나의 운동 세션에 대해 하나의 상태 정보를 가지도록 구성될 수도 있다. 또는 복수의 상태 정보들 중 일부는 시간 유닛들 마다 획득되어 시퀀스를 이루고, 다른 상태 정보는 운동 세션에 대해 하나의 상태 정보를 가질 수도 있다. 상태 정보에 대해서는 본 기재에서 이후 상술된다.
다시 도 24 를 참조하면, 컴퓨팅 디바이스는 추정 부하 인덱스를 결정 (S2420) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 타겟 엔티티에 대한 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정할 수 있다. 일 측면에 따르면, 결정된 추정 부하 인덱스를 타겟 운동 세션에 대한 운동 부하의 추정치로서 제공할 수 있다. 여기서 추정 부하 인덱스는 예를 들어 운동 부하 정도를 나타내는 복수의 수치들을 포함할 수 있고, 예를 들어 1 내지 10 의 값을 가지고 10 이 가장 높은 운동 강도를 나타내도록 구성될 수 있으나 이러한 특정 수치 범위에 한정되지 아니한다.
본 기재의 일 측면에 따른 추정 부하 인덱스 (estimated load index) 는, 타겟 엔티티의 타겟 운동 세션에 대한 자각 피로도 (Rate of Perceived Exertion, RPE) 의 추정값일 수 있다. 예를 들어, 도 4 에 예시적으로 도시된 바와 같은 자각 피로도를 대신하여 본 기재의 일 측면에 따라 결정된 추정 부하 인덱스가 제공될 수 있다.
관련하여, 도 25 는 도 24 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다. 도 25 에 도시된 바와 같이, 컴퓨팅 디바이스는, 먼저 훈련된 인공 신경망을 준비 (S2421) 하고, 인공 신경망의 입력 레이어에 타겟 데이터 셋을 입력 (S2423) 하여, 인공 신경망의 출력 레이어의 결과값에 기반하여 추정 부하 인덱스를 획득 (S2425) 할 수 있다.
여기서, 인공 신경망은 타겟 운동 세션에 대한 타겟 엔티티의 활동 정보가 입력되면 타겟 운동 세션의 운동 부하 지표를 출력하도록, 운동 부하 지표가 라벨링된 학습 데이터 셋을 이용하여 학습되어 있을 수 있다. 기본적으로 학습 데이터 셋은 운동 세션을 수행한 타겟 엔티티에 관한 활동 정보로부터 생성될 수 있으며, 라벨링되는 운동 부하 지표는 운동 세션을 수행한 타겟 엔티티로부터 수집된 값일 수 있다.
보다 구체적이나 비한정적으로는, 본 기재의 일 실시예에 따른 인공 신경망은, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋을 기반으로 훈련된 것일 수 있다. 여기서, 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스 및 제 1 운동 세션에 대한 상태 정보를 포함하고, 제 1 운동 세션의 운동 부하에 대해 제 1 엔티티로부터 수집된 스코어로 라벨링된 것일 수 있다.
인공 신경망을 이용한 추정 부하 인덱스 결정 프로세스는, 운동학적 정보 기반의 운동 부하 정보 제공과 관련하여 앞서 도 6 내지 8 을 참조하여 설명한 바와 같은 프로세스와 유사하게 진행될 수 있고, 훈련 데이터 셋이 상태 정보를 더 포함한다는 점에서 다소 상이할 수 있다.
이하, 본 기재의 실시예들에 따른 상태 정보에 대해서 보다 상세히 설명한다. 도 26 에 도시된 바와 같이, 상태 정보는 추정 부하 인덱스를 결정하고자 하는 타겟 운동 세션 자체의 특성에 대한 세션 상태 정보 (2610) 와 타겟 엔티티 자체의 상태에 대한 정보 (2620) 를 포함할 수 있다. 동일한 훈련 프로그램에 대해서 특정 선수의 당일 컨디션이 좋지 않으면 더 큰 운동 부하를 느끼게 될 수 있으며, 동일한 훈련 프로그램이라고 하더라도 고온 다습과 같은 혹독한 기후 조건에서 수행한다면 더 큰 운동 부하를 느끼게 될 수도 있다.
본 기재의 일 측면에 따르면, 상태 정보는, 타겟 엔티티로부터 타겟 운동 세션에 대해 수집된 일간 준비도 (Daily readiness) 응답 정보를 포함할 수 있다. 관련하여, 현대 스포츠 구단 운영 트렌드에 따르면 각각의 운동 세션에 선행하거나 후행하여 해당 운동 세션에 참여하는 모든 플레이어들마다 운동 세션 참여 당시의 일간 준비도에 대해 조사 및 기록하는 절차를 거치는 경우가 많아지고 있다. 이와 같은 일간 준비도에 대한 조사는 웰니스 서베이 (Wellness Survey) 라는 명칭으로도 지칭되고 있다. 웰니스 서베이는 운동 세션에 참여하는 타겟 엔티티의 건강이나 컨디션과 관련된 다양한 질의를 포함할 수 있다.
일 측면에 따른 일간 준비도 응답 정보는, 수면 시간 (sleep time) 평가값, 수면 퀄리티 (sleep quality) 평가값, 피로도 (fatigue level) 평가값, 통증 레벨 (soreness level) 평가값, 스트레스 레벨 (stress level) 평가값 또는 기분 (mood) 평가값 중 적어도 하나를 포함할 수 있으나 이에 한정되지 아니하며, 타겟 엔티티의 준비도와 관련된 임의의 평가값 정보가 포함될 수 있다.
도 27 은 본 기재의 일 실시예에 따른 일간 준비도 응답 정보를 확보하기 위한 웰니스 서베이의 예시이다. 도 27 에 예시적으로 도시된 바와 같이, 일간 준비도의 평가를 위한 복수의 항목들이 질의될 수 있으며, 예를 들어 각각의 질의마다 평가값을 응답받도록 할 수 있다. 수집된 각 항목의 평가값들이 상태 정보에 포함될 수 있다. 상태 정보는, 각각의 항목에 대한 평가값들을 병렬적으로 포함하도록 할 수도 있고, 각 항목들의 평가값의 총합을 포함하도록 할 수도 있다.
동일한 운동량에 대해서도 예를 들어 스포츠 플레이어와 같은 타겟 엔티티의 심리적 요인 (Psychological stress, Mental factor) 에 의해 운동 부하의 정도는 상이할 수 있다. 운동 부하의 정도에 영향을 미칠 수 있는 심리적 요인은 타겟 엔티티 자체의 요인도 존재할 수 있고, 또는 타겟 운동 세션 자체의 다양한 조건이나 상태 요인을 포함할 수도 있다.
관련하여, 본 기재의 일 측면에 따르면, 상태 정보는, 운동 유형 정보 (exercise type information) 를 포함할 수 있다. 예를 들어, 운동 유형 정보는 타겟 운동 세션이 경기 (match) 세션 인지 또는 연습 (training) 세션인지 여부에 대한 정보를 반영할 수 있다. 운동 세션은 승패가 기록되고 리그 순위나 토너먼트 진출 여부가 결정되는 등의 결과를 수반하는 경기 세션과, 경기 세션을 대비하여 훈련을 수행하는 연습 세션을 포함할 수 있다. 상대적으로 연습 세션에 비해 경기 세션에서는 동일한 운동량을 가지게 되더라도 심리적 요인에 의해 보다 큰 운동 부하를 느끼게 될 수 있다. 본 기재의 일 측면에 따르면, 상태 정보가 예를 들어 경기 세션인지 또는 연습 세션인지 여부에 대한 정보와 같은 운동 유형 정보를 포함하도록 함으로써, 타겟 운동 세션의 유형에 따른 운동 부하 정도의 차이를 고려하여 추정 부하 인덱스를 결정하도록 할 수 있다.
또한, 본 기재의 일 측면에 따르면, 상태 정보는, 타겟 운동 세션의 유형에 따른 중요도 평가값을 포함할 수 있다. 동일한 운동량을 경험하더라도, 해당 운동 세션의 중요도가 더 높다면 스포츠 플레이어와 같은 타겟 엔티티는 심리적으로 더 큰 부담을 가지게 되고 결과적으로 더 큰 운동 부하 정도를 경험할 수도 있다. 예를 들어, 전술한 바와 같이 연습 세션에 비해서는 경기 세션의 중요도가 더 클 수 있고 타겟 엔티티의 심리적 부담감이 높아 동일한 운동량에 대해서도 더 큰 운동 부하 정도를 경험하게 될 수 있다. 또한, 예를 들어 '한일전'이나 '엘 클라시코'와 같이 이목이 집중되는 라이벌전의 경우에는 일반적인 경기 세션에 비해서도 훨씬 높은 심리적 부담감을 가지게 될 수 있다. 또는 '결승전' 과 같은 토너먼트 상의 중요 경기나 '리그 우승 결정 매치' 와 같이 특별한 의미를 가지는 경우 높은 중요도를 가지고 큰 심리적 부담을 발생시킬 수 있다. 이와 같은 다양한 요인들을 반영하여 타겟 운동 세션의 유형에 따른 중요도를 평가값으로서 반영할 수 있다. 중요도 평가값은 예를 들어 1 내지 5 와 같은 수치로 표현될 수도 있고, 중요도 유형으로 분류되어 학습 데이터 셋 및 타겟 데이터 셋에 각각 포함될 수도 있다.
본 기재의 일 측면에 따르면, 상태 정보는, 이전 경기 세션으로부터 타겟 운동 세션에 이르기까지 경과한 시간 길이에 대한 정보를 포함할 수 있다. 현대 스포츠 과학에 따르면 훈련 스케쥴은 경기 세션에서 최적의 퍼포먼스를 발휘할 수 있도록 설계되며, 경기 세션으로부터의 경과 시간에 따라 운동 세션에 참여하는 타겟 엔티티의 상태가 상이할 수 있다. 예를 들어, 경기 세션 이후 2일차 훈련과 3일차 훈련에 대해 스포츠 플레이어가 체감하는 운동 부하는 동일한 운동량에 대해서도 상이할 수 있다. 따라서, 본 기재의 일 측면에 따른 상태 정보는 이전 경기 세션으로부터 타겟 운동 세션에 이르기까지 경과한 시간 길이에 대한 정보를 포함하여, 경기 세션으로부터 경과한 정도에 따른 운동 부하 정도의 차이를 반영하여 추정 부하 인덱스를 결정할 수 있다.
본 기재의 일 측면에 따르면, 상태 정보는, 타겟 운동 세션이 포함된 스포츠 시즌의 개시일로부터 타겟 운동 세션에 이르기까지 경과한 시간 길이에 대한 정보를 포함할 수 있다. 일반적으로 팀 스포츠 경기는 장기간에 걸쳐 해당 시즌을 수행하게 된다. 최소 수개월에서 일년에 이르기까지 장기간의 시즌을 소화하다보면, 운동 세션에 참여하는 스포츠 플레이어와 같은 타겟 엔티티의 체력이나 신체 컨디션과 같은 다양한 조건이 변동될 수 있다. 예를 들어, 시즌 후반으로 갈수록 타겟 엔티티는 동일한 운동량에 대해서도 비교적 높은 운동 부하 정도를 경험할 수도 있다. 반대로는, 시즌 극초반에는 시즌 대비 훈련에도 불구하고 실전 적응과 같은 이유로 동일 운동량에 대해 높은 운동 부하 정도를 느낄 수도 있다. 본 기재의 일 측면에 따르면, 운동 부하 정도를 결정하고자 하는 타겟 운동 세션이, 해당 타겟 운동 세션이 포함된 스포츠 시즌의 개시일로부터 경과한 시간 길이에 대한 정보를 포함함으로써, 타겟 운동 세션이 시즌에서 초반인지, 중반인지, 또는 후반인지 여부와 같은 시즌 경과 정도를 반영하여 추정 부하 인덱스를 결정하도록 할 수 있다.
본 기재의 일 측면에 따르면, 상태 정보는, 타겟 엔티티의 신체 상태 (physical condition) 에 대한 정보를 포함할 수 있다. 동일한 운동량에 대해서도 스포츠 플레이어와 같은 타겟 엔티티가 어떠한 신체 상태에 있는지 여부에 따라 상이한 운동 부하 정도를 느낄 수 있다. 따라서, 본 기재의 일 측면에 따르면, 상태 정보는 타겟 엔티티의 신체 상태에 대한 정보를 포함함으로써 이를 반영하여 추정 부하 인덱스를 결정할 수 있다.
여기서, 신체 상태에 대한 정보는, 나이, 키, 몸무게, 체력 평가값, 근력 평가값, 최대 심박수 또는 최대 산소 섭취량 중 적어도 하나를 포함할 수 있다. 다만, 신체 상태는 이에 한정되지 아니하며, 타겟 엔티티의 신체 상태를 나타낼 수 있는 다양한 평가 요소들이 신체 상태에 대한 정보에 포함될 수 있다.
본 기재의 일 측면에 따르면, 상태 정보는, 타겟 운동 세션에 대한 환경 정보를 포함할 수 있다. 예를 들어, 환경 정보는 날씨 정보, 온도 정보, 습도 정보 또는 계절 정보 중 적어도 하나를 반영할 수 있으나, 이에 한정되지 아니한다. 전술한 바와 같이 날씨가 매우 덥거나, 습도가 높은 경우에는 동일한 운동량에 대해서도 큰 피로도를 느낄 수 있다. 또한 우천시에 수행되는 운동 세션이 비교적 큰 운동 부하 정도를 느끼게 할 수도 있다. 따라서, 본 기재의 일 측면에 따르면, 상태 정보가 타겟 운동 세션에 대한 환경 정보를 포함하도록 함으로써 타겟 운동 세션에 대한 환경적 요인을 반영하여 추정 부하 인덱스를 결정할 수 있다.
본 기재의 일 측면에 따르면, 상태 정보는, 타겟 운동 세션 동안의 타겟 엔티티의 생물학적 측정 정보를 포함할 수 있다. 여기서, 생물학적 측정 정보는, 심장 박동수 정보, 최대 심장 박동수에 대한 심장 박동수의 비율에 대한 정보, 체온 정보, 산소 섭취량 정보, 또는 최대 산소 섭취량에 대한 산소 섭취량의 비율에 대한 정보 중 적어도 하나를 포함할 수 있다. 앞서 도 26 을 참조하여 설명한 바와 같이 신체 상태 정보는 심장 박동수에 대한 정보나 체온, 호흡 상태에 대한 정보와 같이 신체 상태 정보 중 생물학적 측정 정보를 포함할 수 있다. 동일한 운동량에 대해서도 타겟 엔티티의 생물학적 상태에 따라 체감하는 운동 부하는 상이할 수 있다. 본 기재의 일 측면에 따르면, 이와 같은 생물학적 정보를 부가 정보로서 상태 정보에 포함시키는 것에 의해, 타겟 엔티티에 따라 상이한 운동 부하 정도를 좀 더 정확하게 반영하여 추정 부하 인덱스를 결정할 수 있다. 여기서, 생물학적 측정 정보는 예를 들어 센싱 플랫폼에 구비되는 생체 센싱 모듈 (1317) 과 같은 다양한 센서를 통해 획득될 수도 있다.
이상, 다양한 활동 정보에 대해서 설명하였으나, 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 따른 추정 부하 인덱스의 결정은 상술한 복수의 활동 정보, 운동학적 정보, 상태 정보들 중 적어도 일부의 조합에 따른 타겟 데이터 셋을 기반으로 수행될 수 있음에 유의해야 할 것이다.
추정 부하 인덱스의 교정 (Calibration)
도 28 은 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이다. 도 29 는 도 28 의 추정 부하 인덱스 결정 단계에 대한 일 실시예의 상세 흐름도이다. 도 30 은 도 28 의 추정 부하 인덱스 결정 단계에 대한 다른 실시예의 상세 흐름도이다. 이하, 도 28 내지 도 30 을 참조하여 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대해서 보다 구체적으로 설명한다.
본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 1 내지 도 3 을 참조하여 설명된 바와 같은 서버 (1500) 또는 서버 (1500) 에 포함된 콘트롤러 (1520) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있고, 물리적으로 분리된 복수의 디바이스들의 조합이 컴퓨팅 디바이스로서 지칭될 수도 있다.
본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법은, 타겟 엔티티의 타겟 운동 세션에 따른 운동 부하 정도에 대한 정보를 제공함에 있어서, 타겟 엔티티의 특성을 더 반영하여 추정 부하 인덱스의 정확도를 더 향상시킬 수 있다. 본 기재의 실시예에 따르면, 추정 부하 인덱스를 결정함에 있어서 "타겟-특정 정보" 를 이용하는 것에 의해 타겟 엔티티 적응적으로 추정 부하 인덱스를 결정할 수 있다.
본 기재에서 "타겟-특정 정보"는 운동 부하 정보를 제공하고자 하는 타겟 엔티티가 가지고 있는 특성이나, 이러한 타겟 엔티티를 식별하기 위한 정보를 포함하는 것으로 이해될 수 있다. 예를 들어, 타겟 엔티티의 운동 능력에 따라 동일한 활동량에 대해서도 경험하는 운동 부하의 정도가 상이할 수 있으므로 타겟-특정 정보가 타겟 엔티티의 특성으로서 타겟 엔티티의 운동 능력을 포함할 수 있다. 또는 타겟 엔티티의 소속 리그와 같이 체력 수준을 평가할 수 있는 정보가 타겟 엔티티의 식별 정보로서 타겟-특정 정보에 포함될 수도 있다.
타겟 특정 정보를 이용한 타겟 엔티티 적응적 운동 부하 결정 방법의 일 측면에 따르면, 타겟 엔티티의 운동학적 정보를 기반으로 결정된 통상의 추정 부하 인덱스에 타겟-특정 정보를 고려한 조정 인자를 적용하는 것에 의해 교정된 추정 부하 인덱스를 결정할 수 있다.
본 기재의 다른 측면에 따르면, 인공 신경망을 학습시킴에 있어서 예를 들어 네트워크 퓨전의 구조를 이용하는 것에 의해, 타겟 엔티티의 특성을 고려한 데이터와 통상적인 데이터를 함께 활용함으로써 타겟 엔티티 적응적인 추정 부하 인덱스를 획득할 수 있다.
본 기재의 또 다른 측면에 따르면, 타겟 엔티티가 속하는 분류에 따라 학습 데이터를 분류하여, 각 분류별로 인공 신경망을 따로 준비하여 각각에 대응하는 학습 데이터를 기반으로 인공 신경망을 훈련시키고, 추정 부하 인덱스를 결정함에 있어서도 대응하는 학습된 인공 신경망을 이용하도록 함으로써 타겟 엔티티 적응적인 추정 부하 인덱스를 획득하도록 할 수도 있다.
이하에서는 본 기재에 따라 타겟 엔티티 적응적인 운동 부하 정보를 제공하기 위한 실시예들에 대해서 보다 구체적으로 설명한다.
도 28 에 도시된 바와 같이, 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법은, 타겟-특정 정보를 획득하는 단계 (S210), 타겟 데이터 셋을 획득하는 단계 (S2820) 및 추정 부하 인덱스를 결정하는 단계 (S2830) 를 포함할 수 있다.
이하에서는 운동 부하 정보 제공 방법의 일 실시예의 각 단계들에 관하여 설명한다.
도 28 에 도시된 바와 같이, 컴퓨팅 디바이스는 타겟-특정 정보를 획득 (S2810) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 타겟 엔티티에 대한 식별 정보 또는 특성 정보 중 적어도 하나를 반영하는 타겟-특정 정보 (target-specific information) 를 획득할 수 있다.
앞서 살핀 바와 같이 타겟 엔티티에 적응적으로 추정 부하 인덱스를 결정하기 위해 활용될 수 있는 타겟-특정 정보는 타겟 엔티티 고유의 정보를 포함할 수 있고, 이러한 타겟 엔티티의 특성 자체를 나타내는 특성 정보를 포함하거나, 해당 타겟 엔티티의 분류나 유형을 식별하도록 하기 위한 식별 정보를 포함할 수도 있다. 타겟-특정 정보는 타겟 고유의 특징을 고려하지 않고 결정될 수 있는 추정 부하 인덱스에 사후적으로 적용하여 타겟 고유의 특징을 반영하도록 하는 조정 인자를 포함할 수도 있으며, 인공 신경망에 운동학적 정보와 함께 입력되어 추정 부하 인덱스를 결정하도록 하기 위한 데이터를 포함할 수도 있다. 타겟-특정 정보는 예를 들어 사전 전달된 정보로부터 입력되어 획득될 수도 있고, 타겟 엔티티와 연관된 특정 프로세스를 거쳐 산출될 것일 수도 있다.
다시 도 28 을 참조하면, 컴퓨팅 디바이스는 타겟 데이터 셋을 획득 (S2820) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋을 획득할 수 있고, 여기서 타겟 데이터 셋은, 복수의 시간 유닛들 각각에 대한 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함할 수 있다. 운동학적 정보의 시퀀스에 대한 획득 절차는 본 기재에서 앞서 설명한 다양한 프로세스들 중 적어도 일부가 적용될 수 있다.
도 28 을 참조하면, 컴퓨팅 디바이스는 인공 신경망을 이용하여 추정 부하 인덱스를 결정 (S2830) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 타겟-특정 정보 및 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 타겟 엔티티에 대한 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정할 수 있다. 일 측면에 따르면, 결정된 추정 부하 인덱스를 타겟 운동 세션에 대한 운동 부하의 추정치로서 제공할 수 있다. 여기서 추정 부하 인덱스는 예를 들어 운동 부하 정도를 나타내는 복수의 수치들을 포함할 수 있고, 예를 들어 1 내지 10 의 값을 가지고 10 이 가장 높은 운동 강도를 나타내도록 구성될 수 있으나 이러한 특정 수치 범위에 한정되지 아니한다.
본 기재의 일 측면에 따른 추정 부하 인덱스 (estimated load index) 는, 타겟 엔티티의 타겟 운동 세션에 대한 자각 피로도 (Rate of Perceived Exertion, RPE) 의 추정값일 수 있다. 예를 들어, 도 4 에 예시적으로 도시된 바와 같은 자각 피로도를 대신하여 본 기재의 일 측면에 따라 결정된 추정 부하 인덱스가 제공될 수 있다.
관련하여, 도 29 는 도 28 의 추정 부하 인덱스 결정 단계에 대한 일 실시예의 상세 흐름도이다. 일 실시예에 따르면, 추정 부하 인데스 결정은 타겟 엔티티의 특성에 대한 고려 없이 운동학적 정보를 기반으로 추정 부하 인덱스를 결정하고, 결정된 추정 부하 인덱스에 타겟 엔티티의 특성을 고려한 조정 인자를 적용하는 것에 의해 타겟 엔티티 적응적인 향상된 정확도의 추정 부하 인덱스를 결정하도록 할 수 있다.
보다 구체적으로, 도 28 에 도시된 바와 같이, 컴퓨팅 디바이스는, 먼저 훈련된 인공 신경망을 준비 (S2831) 하고, 인공 신경망의 입력 레이어에 타겟 데이터 셋을 입력 (S2833) 하여, 인공 신경망의 출력 레이어의 결과값에 기반하여 추정 부하 인덱스를 획득 (S2835) 할 수 있다.
여기서, 인공 신경망은 타겟 운동 세션에 대한 타겟 엔티티의 활동 정보가 입력되면 타겟 운동 세션의 운동 부하 지표를 출력하도록, 운동 부하 지표가 라벨링된 학습 데이터 셋을 이용하여 학습되어 있을 수 있다. 기본적으로 학습 데이터 셋은 운동 세션을 수행한 타겟 엔티티에 관한 활동 정보로부터 생성될 수 있으며, 라벨링되는 운동 부하 지표는 운동 세션을 수행한 타겟 엔티티로부터 수집된 값일 수 있다.
보다 구체적이나 비한정적으로는, 본 기재의 일 실시예에 따른 인공 신경망은, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋을 기반으로 훈련된 것일 수 있다. 여기서, 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고, 제 1 운동 세션의 운동 부하에 대해 제 1 엔티티로부터 수집된 스코어로 라벨링된 것일 수 있다.
인공 신경망을 이용한 추정 부하 인덱스 결정 프로세스는, 운동학적 정보 기반의 운동 부하 정보 제공과 관련하여 앞서 도 6 내지 8 을 참조하여 설명한 바와 프로세스들 중 적어도 일부가 적용될 수 있다.
예를 들어, 도 29 에 도시된 바와 같이 컴퓨팅 디바이스는 인공 신경망의 입력 레이어에 타겟 데이터 셋을 입력 (S2833) 하고 인공 신경망의 출력 레이어의 결과값에 기초하여 추정 부하 인덱스를 획득 (S2835) 할 수 있다.
단, 여기서, 본 기재의 일 측면에 따르면 타겟-특정 정보는, 타겟 엔티티에 대응하는 추정 부하 인덱스에 대한 조정 인자 (modifier) 를 포함할 수 있다. 즉, 타겟 엔티티 고유의 특성을 반영하여 정확도가 향상된 교정 (Calibration) 된 추정 부하 인덱스를 결정하기 위한 정보가 포함될 수 있다. 이 경우, 추정 부하 인덱스를 획득 (S2835) 하는 것은, 인공 신경망의 출력 레이어의 결과값에 조정 인자를 곱하여 추정 부하 인덱스를 획득하는 것일 수 있다. 따라서, 획득된 추정 부하 인덱스는 타겟 엔티티의 고유의 특성이 반영되어 실제 타겟 엔티티가 느끼는 것에 더 근접한 운동 부하 정도에 관한 추정값이 될 수 있다.
이하에서는, 본 기재의 실시예들에 따른 조정 인자의 예시들에 대해서 보다 구체적으로 설명한다.
일 측면에 따르면, 조정 인자는, 타겟 엔티티의 운동 능력 (fitness) 평가 정보를 반영할 수 있다. 보다 구체적으로는, 조정 인자는, 부하 인덱스의 최대값에 대한 경기 부하 인덱스의 비율을 반영할 수 있고, 여기서 경기 부하 인덱스는, 타겟 엔티티의 적어도 하나 이상의 최근 경기 세션 동안의 운동학적 정보를 기반으로 인공 신경망을 이용하여 획득된 것일 수 있다.
관련하여, 조정 인자는 타겟 엔티티의 개별적인 특성 (individuality) 을 반영하여 운동 부하 정도를 평가하기 위한 것일 수 있다. 예를 들어, 추정 부하 인덱스의 결정을 위한 인공 신경망이 복수의 엔티티들로부터 획득된 학습 데이터 셋을 기반으로 훈련된 것이라면, 위의 복수의 엔티티들의 운동 능력 (Fitness level) 은 동일한 것으로 가정된다. 일반적으로 학습 데이터가 수집되는 동일 수준의 리그 내의 스포츠 플레이어들 사이의 운동 능력의 차이 정도를 고려하면, 일 실시예에 따라서는 이와 같이 복수 엔티티의 운동 능력이 동일한 것으로 가정하더라도 추정 부하 인덱스의 산출에 있어서 심각한 오류가 발생하지는 않을 수도 있다. 다만, 개별적인 스포츠 플레이어들 마다 운동 능력의 차이는 존재하며, 보다 정확한 운동 부하 정도의 추정을 위해서는 각 스포츠 플레이어의 운동 능력을 반영하여 추정 부하 인덱스를 결정하는 것이 보다 유리하다. 동일한 운동량에 대해서 운동 능력이 높은 엔티티는 비교적 낮은 운동 부하를 경험할 것이고, 운동 능력이 낮은 엔티티는 비교적 높은 운동 부하를 경험할 것이므로, 운동 능력을 기반으로 적절히 추정 부하 인덱스를 교정 (Calibration) 할 수 있다.
타겟 엔티티의 운동 능력을 반영하기 위한 인자로서, 경기 세션에 대한 추정 부하 인덱스의 추정 부하 인덱스, 즉 경기 부하 인덱스가 고려될 수 있다. 운동 세션은 실제 경기를 수행하는 세션인 경기 세션과 이를 위한 연습을 수행하는 연습 세션으로 구분될 수 있다.
팀 스포츠의 경기에서는 모든 선수들이 발휘할 수 있는 최대한의 체력 또는 운동 능력을 발휘하여 운동을 수행하게 되고, 응답 방식의 자각 피로도를 조사하는 경우 모든 선수들은 최대값은 자각 피로도 (예를 들어, 수정된 BORG 방식에서 10점의 RPE) 를 응답하게 된다. 이러한 점을 고려하여, 경기 세션에 대해 수집된 타겟 엔티티의 운동학적 정보를 인공 신경망에 입력하여 산출되는 추정 부하 인덱스와, 부하 인덱스의 최대값 (예를 들어, 10) 의 비율을 반영하여 타겟 엔티티의 운동 능력을 반영하는 조정 인자를 결정할 수 있다.
도 31 은 경기 부하 인덱스의 결정에 대한 예시도이다. 도 31 에 도시된 바와 같이 타겟 엔티티의 적어도 하나 이상의 최근 경기 세션 동안의 운동학적 정보 (3110) 를 인공 신경망 (3120) 에 입력하여 출력되는 값을 기반으로 경기 부하 인덱스 (3130) 를 결정할 수 있다. 여기서 인공 신경망 (3120) 은 타겟 엔티티의 조정 인자를 반영하기 전의 추정 부하 인덱스를 결정하기 위한 인공 신경망을 활용할 수도 있고, 별도의 학습된 인공 신경망을 구비하여 활용할 수도 있다. 경기 부하 인덱스 (3130) 는 예를 들어 최근 1 경기에 대한 운동학적 정보를 이용하여 추정 부하 인덱스를 결정한 경우 결정된 추정 부하 인덱스가 경기 부하 인덱스로서 사용될 수 있다. 또는 최근의 복수 경기에 대한 운동학적 정보를 이용하여 복수의 추정 부하 인덱스를 결정하고, 복수의 추정 부하 인덱스의 대표값, 예를 들어 평균값을 경기 부하 인덱스로서 사용할 수도 있다.
소정의 제 1 타겟 엔티티에 대해서, 경기 세션에 대한 운동학적 정보를 기반으로 결정한 경기 부하 인덱스가 부하 인덱스의 최대값보다 작은 값일 수 있다. 경기 세션에 대해서 제 1 타겟 엔티티에 대해 질의하여 획득된 응답 부하 인덱스는 만점 (예를 들어 10 점) 이 획득될 것이나, 인공 신경망 기반의 제 1 엔티티에 대한 경기 부하 인덱스는 예를 들어 8 점으로 결정될 수 있다. 따라서, 제 1 엔티티에 대해서는 부하 인덱스의 최대값과 경기 부하 인덱스의 비율 (8:10) 을 반영하는 조정 인자를 결정할 수 있다. 예를 들어, 가장 단순한 예시로는 타겟 운동 세션의 타겟 데이터 셋을 기반으로 인공 신경망이 출력한 결과값에, 조정 인자로서 10/8 을 곱하여 제 1 타겟 엔티티의 추정 부하 인덱스를 결정할 수 있다. 타겟 운동 세션의 타겟 데이터 셋을 기반으로 결정된 제 1 타겟 엔티티에 대한 인공 신경망의 출력값이 7 인 경우, 조정 인자를 반영한 제 1 타겟 엔티티의 추정 부하 인덱스는 8.75 (7 * 10 / 8) 로 결정될 수 있다.
다만, 이는 예시적인 조정 인자의 결정 방법일 뿐 부하 인덱스의 최대값과 경기 부하 인덱스의 비율을 기반으로 다양한 캘리브레이션 기준이 산정될 수 있다.
본 발명의 일 측면에 따르면, 조정 인자는 타겟 엔티티의 소속 리그 평가 정보를 반영할 수 있다. 보다 구체적으로, 조정 인자는, 훈련 데이터 셋의 제 1 엔티티의 소속 리그 평가값에 대한 타겟 엔티티의 소속 리그 평가값의 비율을 반영하도록 할 수 있다.
전술한 바와 같이, 동일 수준의 리그에 속한 복수의 스포츠 플레이어들 간의 운동 능력의 차이는 크지 않을 수 있다. 그러나, 예를 들어 프로 리그와 아마추어 리그, 유소년 리그와 같이 타겟 엔티티가 속한 리그에 따라서는 기대되는 운동 능력이 상당히 상이할 수 있다. 관련하여, 인공 신경망을 훈련시키기 위해 사용된 학습 데이터에 대응하는 리그의 평가 정보와, 타겟 엔티티가 속한 리그의 평가 정보를 반영하여 조정 인자를 결정할 수 있다.
예를 들어 추정 부하 인덱스의 결정을 위해 사용되는 인공 신경망이 프로 리그의 타겟 엔티티들의 운동학적 정보를 기반으로 학습된 반면, 타겟 엔티티는 유소년 리그에 속한 스포츠 플레이어인 경우에, 프로 리그 평가 정보 (예를 들어 10 점) 와 유소년 리그 평가 정보 (예를 들어 6 점) 을 반영하여 단순한 예시로서 10/6 의 조정 인자를 결정할 수 있다. 즉, 유소년 리그에 속한 제 2 타겟 엔티티의 타겟 운동 세션에 대한 타겟 데이터 셋을 프로 리그에 대응하는 훈련 데이터 셋을 기반으로 학습된 인공 신경망에 입력하여 출력된 값이 5 라면, 조정 인자를 반영한 제 2 타겟 엔티티의 추정 부하 인덱스는 8.34 (5 * 10 / 6) 로 결정될 수 있다. 다만, 이는 예시적인 조정 인자의 결정 방법일 뿐 훈련 데이터 셋에 대응하는 리그의 평가 정보와 타겟 엔티티에 대응하는 리그의 평가 정보의 비율을 기반으로 다양한 캘리브레이션 기준이 산정될 수 있다.
한편, 도 30 은 도 28 의 추정 부하 인덱스 결정 단계에 대한 다른 실시예의 상세 흐름도이다. 일 실시예에 따르면, 추정 부하 인데스 결정은 타겟 엔티티의 특성에 대한 정보와 운동학적 정보를 함께 고려하여 인공 신경망을 기반으로 추정 부하 인덱스를 결정하는 것에 의해 타겟 엔티티 적응적인 향상된 정확도의 추정 부하 인덱스를 결정하도록 할 수 있다.
관련하여, 본 기재의 일 측면에 따르면, 인공 신경망을 학습시킴에 있어서 예를 들어 네트워크 퓨전 구조를 이용하여, 타겟 엔티티의 특성을 고려하기 위한 경기 세션에서 획득된 데이터와 통상적인 운동 세션에서 획득된 데이터를 함께 활용할 수 있다. 타겟 엔티티의 타겟 운동 세션 동안의 타겟 데이터 셋과 타겟 엔티티의 경기 세션에서의 데이터를 위와 같이 훈련된 인공 신경망에 함께 입력하는 것에 의해, 타겟 엔티티 적응적인 추정 부하 인덱스를 획득할 수 있다.
보다 구체적으로, 도 30 에 도시된 바와 같이, 컴퓨팅 디바이스는, 먼저 훈련된 인공 신경망을 준비 (S2837) 하고, 인공 신경망의 입력 레이어에 타겟 데이터 셋 및 타겟-특정 정보를 입력 (S2838) 하여, 인공 신경망의 출력 레이어의 결과값에 기반하여 추정 부하 인덱스를 획득 (S2839) 할 수 있다.
여기서, 인공 신경망은 타겟 운동 세션에 대한 타겟 엔티티의 활동 정보와 타겟 엔티티의 경기 세션에 대한 활동 정보를 함께 입력하면 타겟 운동 세션의 운동 부하 지표를 출력하도록, 운동 부하 지표가 라벨링된 학습 데이터 셋 및 운동 부하 지표의 최대 스코어로 라벨링된 경기 데이터 셋을 이용하여 학습되어 있을 수 있다.
인공 신경망을 훈련시키기 위한 학습 데이터 셋은 예를 들어 운동 세션을 수행한 엔티티에 관한 활동 정보로부터 생성될 수 있으며, 라벨링되는 운동 부하 지표는 운동 세션을 수행한 엔티티로부터 수집된 값일 수 있다. 또한, 인공 신경망을 훈련시키기 위한 경기 데이터 셋은 운동 세션을 수행한 엔티티의 적어도 하나 이상의 경기 세션에서의 활동 정보로부터 생성될 수 있으며, 운동 부하 지표의 최대값으로 라벨링될 수 있다.
보다 구체적이나 비한정적으로는, 본 기재의 일 실시예에 따른 인공 신경망은, 제 1 훈련 데이터 셋 및 제 1 경기 데이터 셋을 각각 포함하는 복수의 훈련 데이터 셋을 기반으로 훈련된 것일 수 있다.
여기서, 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고, 제 1 운동 세션의 운동 부하에 대해 제 1 엔티티로부터 수집된 스코어로 라벨링된 것일 수 있다.
또한, 제 1 경기 데이터 셋은, 적어도 하나의 경기 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고, 최대 스코어로 라벨링된 것일 수 있다.
일 측면에 따르면, 인공 신경망은, 제 1 훈련 데이터 셋에 대응하는 훈련 특징 맵과 제 1 경기 데이터 셋에 대응하는 경기 특징 맵의 결합 (fusion) 을 이용하여 훈련된 것일 수 있다. 예를 들어, 이미지의 RGB 값 관련 데이터와 깊이 (depth) 관련 데이터를 각각 이용하여 인공 신경망을 훈련시키는 것과 같이 서로 상이한 2 이상 유형의 특징값을 각각 학습 데이터로 활용하여 인공 신경망을 훈련시키는 구조가 가능하다. 예를 들어 네트워크 퓨전 구조와 같이, 인공 신경망은 제 1 특징값에 대해 제 1 특징 맵을 생성하는 제 1 네트워크와 제 2 특징값에 대해 제 2 특징 맵을 생성하는 제 2 네트워크를 포함할 수 있다. 제 1 특징 맵과 제 2 특징 맵의 결합 (fusion) 을 이용하여 출력 레이어로 출력되는 값이 결정될 수 있다.
본 기재의 일 측면에 따르면, 예를 들어 스포츠 플레이어와 같은 엔티티에 대해서 제 1 특징값은 엔티티가 스포츠 경기에 참여하는 세션인 경기 세션으로부터 획득된 운동학적 정보일 수 있다. 경기 세션의 운동학적 정보에 대해서는 운동 부하에 대한 최대값이 라벨링될 수 있다. 제 2 특징값은 엔티티가 참여하는 임의의 운동 세션으로부터 획득된 운동학적 정보일 수 있다. 임의의 운동 세션은 경기 세션 및 연습 세션을 모두 포함할 수도 있고, 경기 세션을 제외한 연습 세션만을 포함할 수도 있다. 임의의 운동 세션에 대한 운동학적 정보에 대해서는 해당 운동 세션에 참여한 엔티티의 운동 부하에 대한 응답 스코어가 라벨링될 수 있다.
제 1 엔티티의 임의의 운동 세션에 대한 운동학적 정보의 시퀀스를 포함하는 제 1 훈련 데이터 셋을 기반으로 훈련 특징 맵이 생성될 수 있고, 제 1 엔티티의 경기 세션 동안의 운동학적 정보의 시퀀스를 포함하는 제 1 경기 데이터 셋을 기반으로 경기 특징 맵이 생성될 수 있다. 훈련 특징 맵과 경기 특징 맵이 컨캐터네이션 (concatenation) 되어, 직접 또는 추가 레이어를 거쳐 FC (Fully connected) 레이어에 제공될 수 있다. 훈련 특징 맵과 경기 특징 맵이 컨캐터네이션 되는 시점에 따라 다양한 네트워크 퓨전 구조가 가능하다. 관련하여, 도 33 은 네트워크 퓨전에 있어서 초기 결합 (Early fusion) 모델을 예시하고, 도 34 는 네트워크 퓨전에 있어서 중기 결합 (Middle fusion) 모델을 예시하며, 도 35 는 네트워크 퓨전에 있어서 후기 결합 (Late fusion) 모델을 예시한다. 도 33 내지 도 35 에 도시되는 바와 같이, 경기 데이터 셋에 기인하는 데이터와 훈련 데이터 셋에 기인하는 데이터가 컨캐터네이션 되는 시기 (즉, 초기 레이어에서 접합 내지는 후기 레이어에서 접합) 는 초기, 중기, 후기 결합과 같이 다양한 네트워크 퓨전의 형태들 중 적어도 하나에 따라 결정될 수 있으며, 특정 네트워크 모델에 한정되지 아니한다.
도 30 에 도시된 바와 같이, 컴퓨팅 디바이스는, 위와 같이 훈련된 인공 신경망이 준비 (S2837) 되면, 인공 신경망의 입력 레이어에 타겟 데이터 셋 및 타겟-특정 정보를 입력 (S2838) 하여, 인공 신경망의 출력 레이어의 결과값에 기반하여 추정 부하 인덱스를 획득 (S2839) 할 수 있다. 여기서, 타겟-특정 정보 획득 단계 (S2810) 에서 획득되어 인공 신경망에 입력 (S2838) 되는 타겟-특정 정보는, 타겟 엔티티의 적어도 하나 이상의 최근 경기 세션 동안의 운동학적 정보의 시퀀스를 포함할 수 있다.
보다 구체적으로, 도 32 는 경기 데이터 셋과 훈련 데이터 셋을 이용한 추정 부하 인덱스 결정의 예시도이다. 도 30 및 도 32 에 도시된 바와 같이, 컴퓨팅 디바이스는 인공 신경망 (3230) 의 입력 레이어에 타겟 데이터 셋 (3220) 및 타겟-특정 정보 (3210) 를 입력 (S2838) 할 수 있다. 타겟 데이터 셋 (3220) 에는 전술한 바와 같이 타겟 엔티티의 타겟 운동 세션에서의 운동학적 정보의 시퀀스가 포함될 수 있으며, 타겟-특정 정보 (3210) 에는 타겟 엔티티의 적어도 하나 이상의 최근 경기 세션 동안의 운동학적 정보 (3210) 이 포함될 수 있다.
도 30 및 도 32 에 도시된 바와 같이, 컴퓨팅 디바이스는 인공 신경망 (3230) 의 출력 레이어의 결과값에 기초하여 타겟 엔티티의 타겟 운동 세션에 대한 추정 부하 인덱스 (3240) 를 획득 (S2839) 할 수 있다. 따라서, 본 기재의 일 측면에 따른 운동 부하 정보 제공 방법은, 타겟 엔티티의 경기 세션에서의 운동학적 정보를 반영하여 타겟 운동 세션의 운동학적 정보에 따른 추정 부하 인덱스를 결정할 수 있고, 보다 향상된 정확도의 타겟 엔티티 적응적 운동 부하 정보를 제공할 수 있다.
본 기재의 또 다른 측면에 따르면, 타겟 엔티티가 속하는 분류에 따라 학습 데이터를 분류 또는 수집하여, 각 분류별로 인공 신경망을 따로 준비하여 각각에 대응하는 학습 데이터를 기반으로 인공 신경망을 훈련시키고, 추정 부하 인덱스를 결정함에 있어서도 대응하는 학습된 인공 신경망을 이용하도록 함으로써 타겟 엔티티 적응적인 추정 부하 인덱스를 획득하도록 할 수도 있다.
일 측면에 따르면, 타겟-특정 정보를 획득하는 단계 (S2810) 에서 획득되는 타겟-특정 정보는, 타겟 엔티티의 소속 리그에 대한 식별 정보를 포함하고, 추정 부하 인덱스를 결정하는 단계 (S2830) 는, 복수의 인공 신경망들 중, 타겟 엔티티의 소속 리그에 대응하는 복수의 훈련 데이터 셋을 기반으로 훈련된 인공 신경망을 이용하도록 구성될 수 있다.
보다 구체적으로서, 예를 들어 운동 능력 (Fitness level) 과 같은 엔티티 고유의 특성은 해당 엔티티가 속하는 그룹에 따라 상이할 수 있다. 예를 들어 유소년 리그에 소속된 스포츠 플레이어와 프로 리그에 소속된 스포츠 플레이어는 예를 들어 운동 능력을 비롯하여 다양한 고유 특성이 서로 상이할 수 있고, 동일한 운동량에 대해서도 체감하는 운동 부하의 정도가 상이할 수 있다. 따라서, 본 기재의 일 측면에 따르면, 운동 부하 측정의 대상이 되는 엔티티들을 소정의 기준에 따라 복수의 그룹으로 분류하고, 각 분류에 대응하는 훈련 데이터 셋들을 이용하여 각 분류에 대응하는 인공 신경망을 훈련시키고, 타겟 엔티티에 대응하는 인공 신경망에 타겟 엔티티의 타겟 운동 세션에 대한 타겟 데이터 셋을 입력하는 것에 의해 추정 부하 인덱스를 결정할 수 있다. 따라서, 타겟 엔티티의 고유 특성이 반영되어 향상된 정확도로 운동 부하 정도에 대한 추정값을 결정할 수 있다.
예를 들어, 엔티티들을 복수의 그룹으로 분류하기 위한 정보는 소속 리그일 수 있다. 일 측면에 따르면, 유소년 리그에 포함되는 스포츠 플레이어들에 대한 훈련 데이터 셋들을 기반으로 훈련된 유소년 리그를 위한 인공 신경망과, 프로 리그에 포함되는 스포츠 플레이어들에 대한 훈련 데이터 셋들을 기반으로 훈련된 프로 리그를 위한 인공 신경망이 각각 준비될 수 있다. 일 측면에 따르면, 타겟-특정 정보로서 타겟 엔티티에 대한 소속 리그 식별자가 획득될 수 있다. 이를 이용하여, 타겟 엔티티에 대한 타겟 데이터 셋을 타겟 엔티티의 소속 리그에 대응하는 인공 신경망의 입력 레이어에 입력하여 출력되는 값을 기반으로 타겟 엔티티에 대한 추정 부하 인덱스를 결정할 수 있다.
본 기재에서 운동 부하 정보를 제공하기 위한 방법들의 다양한 실시예들에 대해서 예시로서 설명되었으나, 각 실시예들의 특징들의 적어도 일부는 다른 실시예에 대해서도 적용될 수 있다. 예를 들어, 타겟 엔티티의 특성을 고려하기 위해 타겟-특정 정보를 이용하는 경우에도, 타겟 데이터 셋은 운동학적 정보에 더해 조건 정보를 포함하도록 할 수 있다. 즉, 본 기재의 실시예들에 대한 부분적인 특징들이 상호 결합된 운동 부하 정보의 결정 방법 역시 본 기재의 기술적 사상의 범위 내에 포함되는 것으로 이해되어야 할 것이다.
엔티티 모니터링 및 리스크 조기 검출
본 기재의 실시예들에서, 운동 부하 정도에 대한 평가값을 반영할 수 있는 부하 인덱스는 "추정 부하 인덱스"와 "응답 부하 인덱스"를 포함할 수 있다. 여기서 "추정 부하 인덱스"는 타겟 엔티티의 타겟 운동 세션 동안의 활동 정보를 기반으로 산출된 운동 부하에 대한 추정값일 수 있다. 예를 들어 인공 신경망을 이용하여 추정 부하 인덱스가 결정될 수 있다. "응답 부하 인덱스"는 예를 들어 자각 피로도 (RPE) 와 같이, 타겟 운동 세션에 의해 경험한 것으로 타겟 엔티티가 스스로 평가하는 피로의 정도를 타겟 엔티티로부터 직접 응답받은 것일 수 있다.
본 기재의 일 측면에 따르면, 추정 부하 인덱스와 응답 부하 인덱스를 비교하는 것에 의해 스포츠 플레이어와 같은 엔티티에 대한 모니터링 및 리스크 조기 검출이 가능하다. 스포츠 플레이어에게 예측되는 운동 부하의 정도와 스포츠 플레이어가 실제 느끼는 운도 부하의 정도 차이가 미리 결정된 기준을 만족시킬 경우 해당하는 스포츠 플레이어에게 이상 징후가 발생한 것으로 판단할 수 있다.
근래 현대 프로 스포츠 구단의 운영에 있어서 운동 세션마다 세션 종료 이후 자각 피로도 (RPE) 를 제출하는 시스템은 안착되어 있는 상태이다. 특정 선수에 대한 예측 RPE 와 선수가 제출한 RPE 가 차이나는 경우, 이는 해당 선수의 컨디셔닝에 문제가 발생하는 것을 의미할 수 있다. 따라서, 소정 기간, 예를 들어 주간 RPE 가 예측과 제출 데이터 사이에 유의미한 차이가 존재하는 것을 검출하여 구단 차원에서 선수 개개인에 대한 관리를 수행하는 것이 가능하다. 또한, 특정 팀에 대한 대표 RPE 의 예측과 제출 데이터 사이에 유의미한 차이가 존재하는 경우에도, 훈련 프로그램 외적인 요인, 예를 들어 부적절한 식사나 시설, 과중한 훈련 외적 일정 수행과 같은 문제 상황 발생 여부에 대한 검토를 수행하도록 할 수 있다.
도 36 은 본 기재의 일 실시예에 따른 엔티티 모니터링 및 리스크 조기 검출을 위한 운동 부하 정보 제공 방법의 개념도이다. 도 36 에 도시된 바와 같이, 모니터링 대상인 타겟 엔티티 (3610) 에 대해서 운동 세션 동안의 활동 정보를 수집하여 인공 신경망 (3620) 에 입력하는 것에 의해 추정 부하 인덱스 (3630) 를 산출할 수 있다. 또한, 타겟 엔티티 (3610) 에 대해 운동 부하 정도에 대한 서베이 절차 (3640) 를 수행하는 것에 의해, 해당 운동 세션에 대한 셀프 평가값을 반영하는 응답 부하 인덱스 (3645) 를 획득할 수 있다. 추정 부하 인덱스 (3630) 와 응답 부하 인덱스 (3650) 를 비교 (3650) 하는 것에 의해, 양자 간의 차이가 미리 결정한 조건을 만족하는 경우 타겟 엔티티의 이상 상태 (Abnormality) 를 알리기 위한 통지 메시지 (3660) 를 생성하여 관리자에게 전달되도록 할 수 있다. 여기서, 추정 부하 인덱스와 응답 부하 인덱스 간의 차이에 대한 기준은 양자 간의 차이가 지속적으로 (예를 들어, 일주일 이상) 또는 크게 (추정 부하 인덱스와 응답 부하 인덱스의 차이가 임계값 이상) 발생한다는 결정을 포함할 수 있다. 이 경우에는 타겟 엔티티가 정상 상태가 아니라는 판단을 할 수 있고 관리자 차원에서 상응하는 조치를 수행하도록 할 수 있다.
도 37 은 본 기재의 일 실시예에 다른 운동 부하 정보 제공 방법에 대한 개략적인 흐름도이고, 도 38 은 도 37 의 추정 부하 인덱스 산출 단계에 대한 상세 흐름도이며, 도 39 는 도 38 의 추정 부하 인덱스 결정 단계에 대한 상세 흐름도이다. 이하, 도 37 내지 39 를 참조하여 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법에 대해서 보다 구체적으로 설명한다.
본 기재의 일 실시예에 따른 방법 및/또는 프로세스들은 컴퓨팅 디바이스에 의해 수행될 수 있다. 일 측면에 따르면, 컴퓨팅 디바이스는 도 1 내지 도 3 을 참조하여 설명된 바와 같은 서버 (1500) 또는 서버 (1500) 에 포함된 콘트롤러 (1520) 일 수 있으나 이에 한정되지 아니하며, 프로세서 및 메모리를 구비하는 임의의 연산 가능한 장치가 사용될 수 있고, 물리적으로 분리된 복수의 디바이스들의 조합이 컴퓨팅 디바이스로서 지칭될 수도 있다.
도 37 에 도시된 바와 같이, 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법은, 추정 부하 인덱스 (Estimated load index) 를 산출하는 단계 (S3710), 응답 부하 인덱스 (Response load index) 를 수신하는 단계 (S3720) 및 통지 (notification) 메시지를 출력하는 단계 (S3730) 를 포함할 수 있다.
보다 구체적으로, 도 37 을 참조하면, 컴퓨팅 디바이스는, 추정 부하 인덱스를 산출 (S3710) 할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 타겟 운동 세션 동안의 타겟 엔티티에 대한 운동학적 정보 (Kinematic information) 를 기반으로, 타겟 엔티티에 대한 타겟 운동 세션의 운동 부하 정도에 대한 추정 값을 반영하는 추정 부하 인덱스 (Estimated load index) 를 산출할 수 있다.
여기서, 추정 부하 인덱스는, 타겟 엔티티의 타겟 운동 세션에 대한 자각 피로도 (Rate of Perceived Exertion, RPE) 의 추정값으로 이해될 수 있다.
추정 부하 인덱스의 산출 프로세스는, 본 기재에서 앞서 설명한 바와 같은 다양한 실시예들에 포함된 적어도 일부의 프로세스를 반영하여 수행될 수 있다. 예를 들어, 추정 부하 인덱스를 산출하는 단계 (S3710) 는, 도 38 에 도시된 바와 같이, 타겟 데이터 셋을 획득하는 단계 (S3711) 및 추정 부하 인덱스를 결정하는 단계 (S3713) 를 포함할 수 있다. 보다 구체적으로, 컴퓨팅 디바이스는, 복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋을 획득할 수 있다 (S3711). 여기서, 타겟 데이터 셋은, 복수의 시간 유닛들 각각에 대한 타겟 엔티티의 운동학적 정보의 시퀀스를 포함할 수 있다. 또한, 컴퓨팅 디바이스는, 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 타겟 엔티티에 대한 추정 부하 인덱스를 결정 (S3713) 할 수 있다. 보다 구체적으로는, 도 38 에 도시된 바와 같이, 컴퓨팅 디바이스는, 제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋을 기반으로 훈련된 인공 신경망을 준비 (S3713a) 할 수 있다. 여기서, 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고 제 1 운동 세션의 운동 부하에 대해 제 1 엔티티로부터 수집된 스코어로 라벨링된 것일 수 있다. 또한, 컴퓨팅 디바이스는, 인공 신경망의 입력 레이어에 타겟 데이터 셋을 입력 (S3713b) 하여, 인공 신경망의 출력 레이어의 결과값에 기초하여 추정 부하 인덱스를 획득 (S3713c) 할 수 있다.
이상 추정 부하 인덱스의 획득을 위한 예시적인 프로세스에 대해 설명하였으나, 본 기재에서 앞서 설명된 다양한 추정 부하 인덱스의 획득을 위한 프로세스 (예를 들어, 활동 정보 기반의 결정, 교정 절차, 타겟 엔티티 고유 특성 고려 등) 의 적어도 일부 특징 또는 프로세스가 조합되어 추정 부하 인덱스가 획득될 수 있다고 이해되어야 할 것이다.
다시 도 37 을 참조하면, 컴퓨팅 디바이스는 타겟 엔티티에 의한 타겟 운동 세션의 운동 부하 정도에 대한 셀프-평가 값 (Self-evaluation value) 을 반영하는 응답 부하 인덱스 (Response load index) 를 수신 (S3720) 할 수 있다. 여기서, 응답 부하 인덱스는, 타겟 엔티티의 타겟 운동 세션에 대한 자각 피로도를 반영하는 것일 수 있다. 예를 들어, 타겟 엔티티가 타겟 운동 세션에 참여한 뒤, 자각 피로도에 대한 설문 절차를 거치도록 할 수 있다. 타겟 엔티티는 스스로가 느끼는 타겟 운동 세션에 따른 운동 부하 정도를 예를 들어 1 내지 10 사이의 수치로 답변할 수 있고, 해당 정보는 소정의 입력 디바이스를 통해 입력되어 컴퓨팅 디바이스로 제공될 수 있다. 즉, 응답 부하 인덱스는 실제 타겟 엔티티가 스스로 느낀 자각 피로도에 대한 평가값을 반영하는 것일 수 있다.
도 37 에 도시된 바와 같이, 컴퓨팅 디바이스는 추정 부하 인덱스 및 응답 부하 인덱스 간의 비교 결과에 기반하여 통지 (notification) 메시지를 출력 (S3730) 할 수 있다. 즉, 추정 부하 인덱스와 응답 부하 인덱스 간의 차이가 미리 결정한 기준을 충족한다면, 타겟 엔티티는 이상 상태에 있는 것으로 간주될 수 있으며, 컴퓨팅 디바이스는 통지 메시지를 출력하는 것에 의해 관리자에게 이상 상태 발생 여부를 전달할 수 있다.
추정 부하 인덱스 산출 및 응답 부하 인덱스의 수신은 하나 이상의 운동 세션들에 대해서 지속적으로 수행될 수 있다. 즉, 일 측면에 따르면, 타겟 운동 세션은 복수의 운동 세션들의 모임일 수 있다. 따라서, 추정 부하 인덱스와 응답 부하 인덱스 간의 비교는 복수의 운동 세션에 대해 수행될 수도 있다. 양자 간의 차이에 대한 기준은 하나의 운동 세션에 대한 차이를 대상으로 설정될 수도 있고, 복수 개의 운동 세션에 대한 차이의 지속 여부를 대상으로 설정될 수도 있다.
보다 구체적으로, 본 기재의 일 측면에 따르면, 통지 메시지를 출력하는 단계 (S3730) 는, 추정 부하 인덱스와 응답 부하 인덱스 간의 차이값이 미리 결정한 제 1 임계값 이상이라는 결정에 응답하여 통지 메시지를 출력하도록 구성될 수 있다. 즉, 컴퓨팅 디바이스는 특정 타겟 운동 세션에 각각 대응하는 추정 부하 인덱스와 응답 부하 인덱스 간의 차이값을 산출하고, 산출된 차이값이 미리 결정한 제 1 임계값 (예를 들어, 3) 이상이라면 타겟 엔티티가 이상 상태에 있는 것으로 판단할 수 있다. 예를 들어 운동학적 정보와 같은 움직임에 대한 데이터를 기반으로 예측되는 운동 부하의 정도에 비해 실제로 타겟 엔티티가 느끼는 운동 부하의 정도가 지나치게 크다면 해당 타겟 엔티티는 무언가 문제를 가지고 있을 확률이 높다. 따라서, 컴퓨팅 디바이스는 통지 메시지를 출력함으로써 관리자에게 이를 알릴 수 있다.
본 기재의 다른 측면에 따르면, 통지 메시지를 출력하는 단계 (S3730) 는, 미리 결정한 제 1 임계 횟수 이상 연속된 운동 세션에 대해 추정 부하 인덱스와 응답 부하 인덱스 간의 차이값이 미리 결정한 제 2 임계값 이상이라는 결정에 응답하여 통지 메시지를 출력하도록 구성될 수도 있다. 예를 들어, 타겟 엔티티에 대한 추정 부하 인덱스와 응답 부하 인덱스 간의 차이가 지나치게 크지는 않더라도, 일정 수준 이상의 차이가 반복되는 경우에는 타겟 엔티티에 어떤 문제가 있거나, 또는 부상 발생과 같이 큰 문제가 발생하는 것의 전조 증상이라고 판단될 수도 있다. 따라서, 컴퓨팅 디바이스는 복수의 운동 세션에 대해서 추정 부하 인덱스와 응답 부하 인덱스 간의 차이에 대해 모니터링을 수행하여, 추정 부하 인덱스와 응답 부하 인덱스 간의 차이가 미리 결정한 제 2 임계값 (예를 들어, 1) 이상인 운동 세션이 미리 결정한 제 1 임계 횟수 (예를 들어, 5회) 이상 연속하여 발생하면, 통지 메시지를 출력함으로써 관리자에게 이를 알릴 수 있다.
본 기재의 다른 측면에 따르면, 통지 메시지를 출력하는 단계 (S3730) 는, 복수의 연속된 운동 세션들 중 추정 부하 인덱스와 응답 부하 인덱스 간의 차이값이 미리 결정한 제 3 임계값 이상인 제 2 운동 세션의 비율이 미리 결정한 제 1 임계 비율 이상이라는 결정에 응답하여 통지 메시지를 출력하도록 구성될 수도 있다. 예를 들어, 복수의 운동 세션에 대해서 추정 부하 인덱스 및 응답 부하 인덱스 간의 차이에 대해서 모니터링을 수행하였을 때, 일정 수준 이상의 차이가 연속적으로 발생하지는 않더라도 용인되는 정도보다 자주 발생하는 경우라면, 이 역시 타겟 엔티티가 특정 문제를 경험하고 있거나 부상의 전조 증상을 보인다고 해석될 수도 있다. 따라서, 컴퓨팅 디바이스는, 복수의 운동 세션에 대해서, 예를 들어 5 이상의 연속하는 운동 세션에 대해서 제 3 임계값 (예를 들어, 1.5) 이상의 추정-부하 인덱스 간의 차이값을 보이는 운동 세션이 예를 들어 3회 이상 발생하는 경우에는, 미리 결정한 제 1 임계 비율 (예를 들어, 0.6) 이상에 해당한다고 결정하여 통지 메시지를 출력하여 관리자에게 이를 알릴 수 있다.
이상 예시적인 이상 상태 판단 기준을 설명하였으나, 본 기재의 기술적 사상이 이에 한정되는 것은 아니며 타겟 엔티티에 대한 추정 부하 인덱스와 응답 부하 인덱스를 활용하여 차이의 정도를 판단하기 위한 다양한 기준들이 전부 본 기재의 기술적 사상에 포함되는 것으로 이해되어야 할 것이다.
한편, 본 기재의 일 측면에 따른 통지 메시지는 다양한 목적으로 제공될 수 있다. 예를 들어, 통지 메시지는, 타겟 엔티티에 대한 부상 위험 경고 메시지를 포함할 수 있다. 추정 부하 인덱스와 응답 부하 인덱스 간의 차이 정도가 기준을 충족하면 해당하는 타겟 엔티티는 부상의 전조 증상을 보이는 것으로 해석될 수 있다. 따라서, 통지 메시지에 부상 위험 경고 메시지를 포함하는 것에 의해, 관리자가 통지 메시지를 확인한 뒤 해당하는 타겟 엔티티의 부상을 예방하기 위한 사전 조치들을 수행하게 할 수 있다.
다른 측면에 따르면, 통지 메시지는, 타겟 엔티티에 대한 비정상 컨디션 경고 메시지를 포함할 수 있다. 차이값 기준의 충족은 타겟 엔티티가 정상 컨디션 상태에 있지 않기 때문으로 해석될 수 있다. 따라서, 통지 메시지에 비정상 컨디션 경고 메시지를 포함하는 것에 의해, 관리자는 다음 경기 세션의 선수 출전 명단 결정에 활용하거나, 컨디션 회복 조치를 개시할 수 있다.
다른 측면에 따르면, 통지 메시지는, 타겟 엔티티에 대한 코치 인터뷰 요청 메시지를 포함할 수 있다. 타겟 엔티티의 이상 징후는 체력적인 문제 뿐만 아니라 가정사나 사생활 이슈와 같은 심리적인 문제에 기인하는 것일 수도 있다. 따라서, 통지 메시지에 코치 인터뷰 요청 메시지를 포함하는 것에 의해, 관리자는 해당하는 엔티티에 대해 코치 인터뷰를 개시하도록 할 수 있다.
다른 측면에 따르면, 통지 메시지는, 인공 신경망에 대한 유형 변경 추천 메시지를 포함할 수 있다. 전술한 바와 같이, 본 기재의 일 측면에 따르면 타겟 엔티티를 일정 기준에 따라 복수의 그룹으로 분류하고, 각 분류마다 대응하는 훈련 데이터 셋을 이용하여 각각의 인공 신경망을 훈련시키도록 할 수 있다. 따라서, 만약 타겟 엔티티에 대한 추정 부하 인덱스와 응답 부하 인덱스 간의 차이에 대한 기준을 충족하면, 통지 메시지에 인공 신경망에 대한 유형 변경 추천 메시지를 포함하도록 함으로써, 시스템 관리자가 해당 엔티티에 대해 적절한 인공 신경망이 적용되어 추정 부하 인덱스를 산출하였는지 여부를 점검하고 경우에 따라 적용되는 인공 신경망을 변경하게 할 수 있다.
한편, 본 기재의 일 측면에 있어서, 모니터링 또는 이상징후 탐지의 대상이 되는 타겟 엔티티는 적어도 하나의 스포츠 팀일 수도 있고, 하나의 스포츠 플레이어일 수도 있다.
일 측면에 따라, 타겟 엔티티가 적어도 하나의 스포츠 팀일 때, 추정 부하 인덱스 및 응답 부하 인덱스 각각은, 스포츠 팀에 속한 적어도 일부의 운동 선수들 각각에 대한 인덱스들을 기반으로 결정된 대표 인덱스일 수 있다. 예를 들어, 복수의 운동 선수들 각각에 대한 인덱스들의 평균값일 수 있으나 이에 한정되지 아니하며, 복수의 운동 선수들 각각에 대한 인덱스를 대표하기 위한 임의의 기준이 활용될 수 있다. 일 측면에 따라 스포츠 팀의 추정 부하 인덱스와 응답 부하 인덱스 간의 차이에 대한 모니터링을 수행하여 이상 징후를 감지하는 것에 의해, 해당 스포츠 팀의 매니지먼트 관련 문제가 존재하는지 여부를 판단할 수 있고, 예를 들어 식단이나 시설, 훈련 외적 문제와 같은 다양한 문제점들의 존재 여부를 점검하도록 할 수 있다.
일 측면에 따라, 타겟 엔티티가 하나의 스포츠 플레이어일 경우에는, 해당 스포츠 플레이어의 문제에 대해서 검토하도록 할 수 있다. 해당 스포츠 플레이어의 부상 위험을 조기에 감지하도록 할 수도 있고, 해당 스포츠 플레이어에 가족 문제나 사생활 이슈와 같이 심리적으로 영향을 미치는 사항이 존재하는지 여부에 대해 검토하도록 할 수 있다.
이와 같은 타겟 엔티티에 대한 모니터링을 수행하는 것에 의해 타겟 엔티티의 부상 방지나 최적 컨디션 확보 가능성 제고의 효과를 기대할 수 있다. 또한, 천문학적 연봉을 기록하는 프로 스포츠 리그의 구단 운영에 있어서는 타겟 엔티티에 투자된 비용적인 측면의 효율성 제고에도 도움이 될 수 있다.
구현
이하에서는 본 기재의 일 측면에 따른 운동 부하 정보 제공 프로세스의 예시적인 구현들에 대해서 설명한다. 다만, 본 기재의 기술적 사상이 서술되는 예시들에 의해 한정되지 않음에 유의한다.
도 40 은 본 기재의 일 실시예에 따른 운동 부하 정보 제공 방법을 구현하기 위한 인공 신경망의 개략적인 구조를 나타낸다. 도 40 에서 점선은 훈련 단계 (Training Phase) 의 정보 흐름을 나타내고 실선은 추론 단계 (Inference Phase) 의 정보 흐름을 나타낸다.
활동 정보는 운동을 수행하는 스포츠 플레이어의 신체 활동을 반영하는 정보를 나타낼 수 있으며, 스포츠 플레이어의 위치 및/또는 움직임과 연관된 운동학적 정보와 플레이어의 신체에 연관된 신체 조건 정보와 같이, 플레이어의 활동에 기인하여 변화하는 임의의 특징들에 대한 정보를 포함할 수 있다.
"qRPE"는 운동 세션의 종료에 후속하는 질의 절차를 통해 플레이어로부터 획득되는 운동 부하 인덱스를 나타낼 수 있다. 예를 들어, "qRPE"는 응답 부하 인덱스로 이해될 수 있다.
"pRPE"는 인공 신경망 모델에 의해 예측되는 RPE 의 값을 나타낼 수 있다. 예를 들어, "pRPE"는 추정 부하 인덱스로 이해될 수 있다.
도 40 에 도시된 바와 같이, 훈련 단계에서, 예를 들어 특정 엔티티의 활동 정보 (3710) 는 qRPE (3750) 로 라벨링될 수 있다. 즉, qRPE (3750) 값으로 라벨링된 특정 엔티티의 활동 정보 (3710) 는 인공 신경망 (3720) 을 훈련시키기 위한 학습 데이터 셋으로 활용될 수 있다. 여기서, 인공 신경망이 출력하는 pRPE (3730) 값이 qRPE (3750) 값에 가까워지도록 인공 신경망이 학습될 수 있다.
다시 도 40 을 참조하면, 추론 단계에서는, 운동 부하 정보를 결정하고자 하는 타겟 엔티티의 타겟 운동 세션에서의 활동 정보 (3710) 가 인공 신경망 (3720) 에 입력될 수 있다. 인공 신경망은 소정의 pRPE (3730) 값을 출력하게 되고, 이와 같은 pRPE (3730) 을 기반으로 추정 부하 인데스 (3740) 이 결정되어 타겟 엔티티의 타겟 운동 세션에 대한 운동 부하 정보에 대한 추정값 운동 부하 인덱스 (3740) 가 제공될 수 있다.
도 41 은 운동학적 정보를 이용한 운동 부하 정보 제공의 일 실시예를 도시한다. 도 41 에 도시된 바와 같이, 먼저 운동 부하 정보를 결정하고자 하는 타겟 엔티티에 대해 대응하는 웨어러블 디바이스가 장착 (4110) 될 수 있다. 운동 세션 (4120) 에 대해서, 웨어러블 디바이스를 기반으로 엔티티의 위치나 배향에 대한 데이터가 트래킹 (4130) 될 수 있다. 이어서, 트래킹 데이터를 이용하여 운동학적 정보 (4140) 가 결정될 수 있다.
한편, 훈련 단계에서 운동학적 정보는 엔티티에게 질의하여 수신하는 응답 부하 인덱스 (예를 들어, qRPE) (4150) 값으로 라벨링될 수 있다. 인공 신경망 (4170) 은 운동학적 정보 (4140) 가 입력하였을 때 출력되는 추정 부하 인덱스 (예를 들어, pRPE) (4160) 값이 응답 부하 인덱스 (4150) 값에 가까워지도록 훈련될 수 있다.
한편, 활용 단계에서는 운동학적 정보 (4140) 를 인공 신경망 (4170) 에 입력하였을 때, 출력되는 추정 부하 인덱스 (4180) 값을 운동 부하 정보로서 제공할 수 있다. 일 측면에 따르면, 출력되는 추정 부하 인덱스 (4180) 와 응답 부하 인덱스 (4150) 를 비교하여 양자 간의 차이가 미리 결정한 기준을 충족하는지 여부를 기준으로 타겟 엔티티에 대한 모니터링 및 리스크 조기 검출을 수행할 수도 있다.
또한, 일 측면에 따르면, pRPE 값은 엔티티의 개별적인 특성이나 일간 컨디션을 반영하지 아니할 수 있다. 예를 들어, 타겟 엔티티의 운동 능력 레벨 (Physical level) 이 인공 신경망을 훈련시키기 위해 활용된 학습 데이터 셋과 대응하는 엔티티들의 운동 능력과 유사하다고 가정하면, qRPE 와 pRPE 간의 차이에 대한 정보는 타겟 엔티티의 일간 컨디셔닝 요소 (Daily Conditioning Factor) 로서 활용될 수도 있다.
도 42 는 시간 정보를 고려한 인공 신경망 구조의 예시도이다. 도 42 에 도시된 바와 같이, 예를 들어 운동학적 정보의 시퀀스와 같이, 타겟 데이터 셋에는 타겟 운동 세션에 포함되는 복수의 시점 또는 시간 유닛들 각각에 대응하는 특징값들의 시퀀스가 포함될 수 있다. 본 기재의 일 측면에 따른 운동 부하 정보 제공 방법을 구현하기 위해 사용되는 인공 신경망은 타겟 데이터 셋에 포함되는 시퀀스들을 예를 들어 시간 순서에 따라 2 이상의 그룹으로 구분하여 각각의 그룹별로 합성곱 신경망 (Convolution Neural Network, CNN) 을 위한 임베딩 (embedding) 이 수행될 수 있다. 도 42 에 도시된 바와 같이, 예를 들어 운동학적 정보의 시퀀스 (4210) 는 시간 순서에 따라 제 1 그룹 (4211), 제 2 그룹 (4213) 및 제 3 그룹 (4215) 으로 구분될 수 있다. 운동학적 정보의 시퀀스에 대한 제 1 그룹 (4211), 제 2 그룹 (4213) 및 제 3 그룹 (4215) 이 각각 임베딩될 수 있고, 임베딩 결과 (4230) 는 순환 신경망 (Recurrent neural network, RNN) 에 입력되어 운동 부하 인덱스 (예를 들어, 0 내지 10 의 값을 가지는 RPE) (4250) 가 출력하도록 할 수 있다. 여기서, 시간 간격 (Time Interval) T 는 예를 들어 5 분 , 또는 10 분과 같이 미리 결정된 시간 구간일 수 있다.
본 기재의 일 측면에 따르면, 타겟 엔티티가 운동 세션을 수행할 때 현재 시점까지의 운동 부하 정도에 대한 추정값이 실시간으로 추정될 수 있다. 예를 들어, 현재 시점까지의 운동학적 정보의 시퀀스를 기반으로 현재 시점에 대한 실시간 추정 부하 인덱스를 결정할 수 있다. 따라서, 실시간 추정 부하 인덱스를 기반으로 경기 세션에서 선수 교체 필요성에 대한 참고 자료로 활용하거나, 부상 방지를 위해 운동 세션에 대한 수행 중단을 결정하도록 할 수도 있다.
도 43 은 본 기재의 일 측면에 따른 실시간 운동 부하 정보 제공 방법에 대한 예시도이다. 도 44 는 도 43 의 N 시점까지의 운동학적 데이터의 예시도이고, 도 45 는 도 43 의 M 시점까지의 운동학적 데이터의 예시도이다.
도 43 에 도시된 바와 같이, 먼저 운동 부하 정보를 결정하고자 하는 타겟 엔티티에 대해 대응하는 웨어러블 디바이스가 장착 (4310) 될 수 있다. 운동 세션 (4320) 에 대해서, 웨어러블 디바이스를 기반으로 엔티티의 위치나 배향에 대한 데이터가 트래킹 (4330) 될 수 있다.
이어서, N 시점 (TN) 까지의 트래킹 데이터를 이용하여 N 시점 까지의 운동학적 정보 (4340) 가 결정될 수 있다. 도 44 에 도시된 바와 같이, N 시점 까지의 운동학적 정보 (4340) 는 운동 세션 개시 시점부터 N 시점까지의 타겟 엔티티의 운동학적 정보의 시퀀스를 포함할 수 있다. 도 43 에 도시된 바와 같이 N 시점까지의 타겟 엔티티의 운동학적 정보 (4340) 를 인공 신경망 (4350) 에 입력하면, N 시점에서의 타겟 엔티티에 대한 실시간 추정 부하 인덱스 (4360) 가 결정될 수 있다. 여기서, 인공 신경망에 입력되는 데이터는 정해진 길이를 가지도록 구성될 수 있으므로, 예를 들어 도 44 에 도시된 바와 같이 N 시점까지의 타겟 엔티티의 운동학적 정보의 시퀀스에 후행하여, 또는 선행하여 제로 패딩을 수행할 수 있다.
다시 도 43을 참조하면, N 시점에 후행하는 M 시점 (TM) 까지의 트래킹 데이터를 이용하여 M 시점 까지의 운동학적 정보 (4370) 가 결정될 수 있다. 도 45 에 도시된 바와 같이, M 시점 까지의 운동학적 정보 (4370) 는 운동 세션 개시 시점부터 M 시점까지의 타겟 엔티티의 운동학적 정보의 시퀀스를 포함할 수 있다. 도 43 에 도시된 바와 같이 M 시점까지의 타겟 엔티티의 운동학적 정보 (4370) 를 인공 신경망 (4380) 에 입력하면, M 시점에서의 타겟 엔티티에 대한 실시간 추정 부하 인덱스 (4390) 가 결정될 수 있다. 여기서, 인공 신경망에 입력되는 데이터는 정해진 길이를 가지도록 구성될 수 있으므로, 예를 들어 도 45 에 도시된 바와 같이 M 시점까지의 타겟 엔티티의 운동학적 정보의 시퀀스에 후행하여, 또는 선행하여 제로 패딩을 수행할 수 있다.
이와 같이, 운동 세션의 특정 시점인 N 시점 또는 M 시점에 대한 실시간 추정 부하 인덱스가 결정될 수 있다. 특정 시점에 대한 실시간 부하 인덱스를 기반으로, 타겟 엔티티에 대한 모니터링 및 임계 부하 경고 절차가 수행될 수 있다. 도 46 은 실시간 운동 부하 측정에 따른 임계 부하 경고 절차를 설명한다. 도 46 에 도시된 바와 같이, 운동 세션의 개시 이후로 실시간 추정 부하 인덱스를 소정 시간 간격으로 산출하여 임계 레벨에 대한 경과 여부를 모니터링 할 수 있다. N 시점에서 모니터링을 수행한다면, N 시점의 실시간 추정 부하 인덱스는 임계 레벨을 도과하지 아니하였으므로 경고 메시지가 전달되지 않을 수 있다. 반면, M 시점에서 모니터링을 수행한다면, M 시점의 실시간 추정 부하 인덱스는 임계 레벨을 도과하였으므로, 경고 메시지가 전달될 수 있다. 모니터링의 간격은 시스템 성능이나 관리자의 설정과 같이 다양한 요소에 의해 조정될 수 있다. 상기와 같은 모니터링 절차를 통해 경기 중의 선수 교체 여부에 대한 참고를 제공할 수 있고, 부상 위험이 있는 선수에 대한 운동 세션 종료를 통해 부상 방지 효과를 달성할 수도 있다.
상술한 본 발명에 따른 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이상, 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
구체적으로, 설명된 특징들은 디지털 전자 회로, 또는 컴퓨터 하드웨어, 펌웨어, 또는 그들의 조합들 내에서 실행될 수 있다. 특징들은 예컨대, 프로그래밍 가능한 프로세서에 의한 실행을 위해, 기계 판독 가능한 저장 디바이스 내의 저장장치 내에서 구현되는 컴퓨터 프로그램 제품에서 실행될 수 있다. 그리고 특징들은 입력 데이터 상에서 동작하고 출력을 생성함으로써 설명된 실시예들의 함수들을 수행하기 위한 지시어들의 프로그램을 실행하는 프로그래밍 가능한 프로세서에 의해 수행될 수 있다. 설명된 특징들은, 데이터 저장 시스템으로부터 데이터 및 지시어들을 수신하기 위해, 및 데이터 저장 시스템으로 데이터 및 지시어들을 전송하기 위해 결합된 적어도 하나의 프로그래밍 가능한 프로세서, 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함하는 프로그래밍 가능한 시스템 상에서 실행될 수 있는 하나 이상의 컴퓨터 프로그램들 내에서 실행될 수 있다. 컴퓨터 프로그램은 소정 결과에 대해 특정 동작을 수행하기 위해 컴퓨터 내에서 직접 또는 간접적으로 사용될 수 있는 지시어들의 집합을 포함한다. 컴퓨터 프로그램은 컴파일된 또는 해석된 언어들을 포함하는 프로그래밍 언어 중 어느 형태로 쓰여지고, 모듈, 소자, 서브루틴(subroutine), 또는 다른 컴퓨터 환경에서 사용을 위해 적합한 다른 유닛으로서, 또는 독립 조작 가능한 프로그램으로서 포함하는 어느 형태로도 사용될 수 있다.
지시어들의 프로그램의 실행을 위한 적합한 프로세서들은, 예를 들어, 범용 및 특수 용도 마이크로프로세서들 둘 모두, 및 단독 프로세서 또는 다른 종류의 컴퓨터의 다중 프로세서들 중 하나를 포함한다. 또한 설명된 특징들을 구현하는 컴퓨터 프로그램 지시어들 및 데이터를 구현하기 적합한 저장 디바이스들은 예컨대, EPROM, EEPROM, 및 플래쉬 메모리 디바이스들과 같은 반도체 메모리 디바이스들, 내부 하드 디스크들 및 제거 가능한 디스크들과 같은 자기 디바이스들, 광자기 디스크들 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리의 모든 형태들을 포함한다. 프로세서 및 메모리는 ASIC들(application-specific integrated circuits) 내에서 통합되거나 또는 ASIC들에 의해 추가되어질 수 있다.
이상에서 설명한 본 발명은 일련의 기능 블록들을 기초로 설명되고 있지만, 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 가능하다는 것이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.
전술한 실시 예들의 조합은 전술한 실시 예에 한정되는 것이 아니며, 구현 및/또는 필요에 따라 전술한 실시예들 뿐 아니라 다양한 형태의 조합이 제공될 수 있다.
전술한 실시 예들에서, 방법들은 일련의 단계 또는 블록으로서 순서도를 기초로 설명되고 있으나, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다. 또한, 당해 기술 분야에서 통상의 지식을 가진 자라면 순서도에 나타난 단계들이 배타적이지 않고, 다른 단계가 포함되거나, 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.
전술한 실시 예는 다양한 양태의 예시들을 포함한다. 다양한 양태들을 나타내기 위한 모든 가능한 조합을 기술할 수는 없지만, 해당 기술 분야의 통상의 지식을 가진 자는 다른 조합이 가능함을 인식할 수 있을 것이다. 따라서, 본 발명은 이하의 특허청구범위 내에 속하는 모든 다른 교체, 수정 및 변경을 포함한다고 할 것이다.

Claims (20)

  1. 타겟 엔티티에 대한 운동 부하 정보를 제공하는 방법으로서,
    복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하는 단계; 및
    상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정하는 단계; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  2. 제 1 항에 있어서,
    상기 타겟 엔티티는, 적어도 하나의 스포츠 팀이고,
    상기 방법은,
    상기 스포츠 팀에 속한 적어도 일부의 운동 선수들 각각에 대한 추정 부하 인덱스들을 기반으로 상기 스포츠 팀에 대한 상기 타겟 운동 세션 동안의 대표 부하 인덱스를 결정하는 단계;를 더 포함하는,
    운동 부하 정보를 제공하는 방법.
  3. 제 1 항에 있어서,
    상기 추정 부하 인덱스를 결정하는 단계는,
    제 1 훈련 데이터 셋을 포함하는 복수의 훈련 데이터 셋 - 상기 제 1 훈련 데이터 셋은, 제 1 운동 세션 동안의 제 1 엔티티의 운동학적 정보의 시퀀스를 포함하고 상기 제 1 운동 세션의 운동 부하에 대해 상기 제 1 엔티티로부터 수집된 스코어로 라벨링됨 - 을 기반으로 훈련된 상기 인공 신경망을 준비하는 단계;
    상기 인공 신경망의 입력 레이어에 상기 타겟 데이터 셋을 입력하는 단계; 및
    상기 인공 신경망의 출력 레이어의 결과값에 기초하여 상기 추정 부하 인덱스를 획득하는 단계; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  4. 제 1 항에 있어서,
    상기 방법은,
    상기 타겟 엔티티에 대응하는 포지셔닝 디바이스를 이용하여 상기 타겟 운동 세션에 대한 상기 타겟 엔티티의 위치 정보를 측정하는 단계; 를 더 포함하고,
    상기 운동학적 정보는, 상기 위치 정보를 기반으로 생성되는,
    운동 부하 정보를 제공하는 방법.
  5. 제 1 항에 있어서,
    상기 운동학적 정보는,
    상기 타겟 엔티티에 대응하는 관성 센서를 이용하여 측정되는,
    운동 부하 정보를 제공하는 방법.
  6. 제 1 항에 있어서,
    상기 운동학적 정보는,
    상기 타겟 엔티티의 속도와 관련된 제 1 운동학적 정보; 및
    상기 타겟 엔티티의 가속도와 관련된 제 2 운동학적 정보를 포함하는,
    운동 부하 정보를 제공하는 방법.
  7. 제 6 항에 있어서,
    상기 운동학적 정보는,
    상기 타겟 엔티티의 저크 (jerk) 와 관련된 제 3 운동학적 정보를 더 포함하는,
    운동 부하 정보를 제공하는 방법.
  8. 제 6 항에 있어서,
    상기 제 1 운동학적 정보는,
    타겟 시간 유닛에서의 속도의 크기에 대한 정보; 및
    타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  9. 제 6 항에 있어서,
    상기 제 2 운동학적 정보는,
    타겟 시간 유닛에서의 가속도의 크기에 대한 정보; 및
    타겟 시간 유닛의 이전 시간 유닛에서의 가속도의 방향과 타겟 시간 유닛에서의 가속도의 방향 간의 각도 변화량에 대한 정보; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  10. 제 6 항에 있어서,
    상기 제 2 운동학적 정보는,
    타겟 시간 유닛에서의 가속도의 크기에 대한 정보; 및
    타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  11. 제 7 항에 있어서,
    상기 제 3 운동학적 정보는,
    타겟 시간 유닛에서의 저크의 크기에 대한 정보; 및
    타겟 시간 유닛의 이전 시간 유닛에서의 저크의 방향과 타겟 시간 유닛에서의 저크의 방향 간의 각도 변화량에 대한 정보; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  12. 제 7 항에 있어서,
    상기 제 3 운동학적 정보는,
    타겟 시간 유닛에서의 저크의 크기에 대한 정보; 및
    타겟 시간 유닛의 이전 시간 유닛에서의 가속도의 방향과 타겟 시간 유닛에서의 가속도의 방향 간의 각도 변화량에 대한 정보; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  13. 제 7 항에 있어서,
    상기 제 3 운동학적 정보는,
    타겟 시간 유닛에서의 저크의 크기에 대한 정보; 및
    타겟 시간 유닛의 이전 시간 유닛에서의 속도의 방향과 타겟 시간 유닛에서의 속도의 방향 간의 각도 변화량에 대한 정보; 를 포함하는,
    운동 부하 정보를 제공하는 방법.
  14. 제 1 항에 있어서,
    상기 운동학적 정보는,
    운동 세션이 수행되는 경기장의 길이에 대한 제 1 축; 및
    운동 세션이 수행되는 경기장의 폭에 대한 제 2 축; 을 포함하는 경기장 기반 좌표계 (Field-based coordinate system) 를 기반으로 표현되는,
    운동 부하 정보를 제공하는 방법.
  15. 제 1 항에 있어서,
    상기 운동학적 정보는,
    상기 타겟 엔티티의 진행 방향에 대응하는 전후축; 및
    상기 타겟 엔티티의 측면 방향에 대응하는 좌우축; 을 포함하는 엔티티-기반 좌표계 (Entity-based coordinate system) 를 기반으로 표현되는,
    운동 부하 정보를 제공하는 방법.
  16. 제 1 항에 있어서,
    상기 운동학적 정보는,
    상기 타겟 엔티티의 롤 (Roll) 방향 회전 움직임, 피치 (Pitch) 방향 회전 움직임 또는 요 (Yaw) 방향 회전 움직임 중 적어도 하나에 대한 정보; 및
    상기 타겟 엔티티의 각속도, 각 가속도 또는 각 저크 중 적어도 하나에 대한 정보를 포함하는,
    운동 부하 정보를 제공하는 방법.
  17. 제 1 항에 있어서,
    상기 추정 부하 인덱스 (estimated load index) 는,
    상기 타겟 엔티티의 상기 타겟 운동 세션에 대한 자각 피로도 (Rate of Perceived Exertion, RPE) 의 추정값인,
    운동 부하 정보를 제공하는 방법.
  18. 제 1 항에 있어서,
    상기 타겟 데이터 셋은,
    상기 운동학적 정보의 시퀀스에 선행하여 제로 패딩 (Zero-padding) 을 수행하는 것에 의해 미리 결정된 길이를 가지도록 구성되는,
    운동 부하 정보를 제공하는 방법.
  19. 타겟 엔티티에 대한 운동 부하 정보를 제공하는 장치로서, 상기 장치는 프로세서 및 메모리를 포함하고, 상기 프로세서는,
    복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하고; 그리고
    상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하도록 구성되는,
    운동 부하 정보를 제공하는 장치.
  20. 프로세서에 의해 실행 가능한 명령어들을 저장하는 비-일시적 컴퓨터 판독 가능한 저장 매체로서, 상기 명령어들은 상기 프로세서의 의해 실행되어 상기 프로세서로 하여금,
    복수의 시간 유닛을 포함하는 타겟 운동 세션 동안의 타겟 엔티티에 대한 타겟 데이터 셋 - 상기 타겟 데이터 셋은, 상기 복수의 시간 유닛들 각각에 대한 상기 타겟 엔티티의 운동학적 정보 (kinematic information) 의 시퀀스를 포함함 - 를 획득하고; 그리고
    상기 타겟 데이터 셋으로부터, 인공 신경망을 이용하여, 상기 타겟 엔티티에 대한 상기 타겟 운동 세션의 운동 부하 정도를 반영하는 추정 부하 인덱스 (estimated load index) 를 결정; 하게 하도록 구성되는,
    컴퓨터 판독 가능한 저장 매체.
PCT/KR2022/012766 2021-08-30 2022-08-25 운동 부하 정보를 제공하는 방법 WO2023033459A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP22793498.1A EP4167248A4 (en) 2021-08-30 2022-08-25 PROCEDURE FOR PROVIDING EXERCISE LOAD INFORMATION
US18/053,624 US20230081168A1 (en) 2021-08-30 2022-11-08 Method for providing exercise load information

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20210114931 2021-08-30
KR10-2021-0114931 2021-08-30
KR1020220102045A KR102546613B1 (ko) 2021-08-30 2022-08-16 운동 부하 정보를 제공하는 방법
KR10-2022-0102045 2022-08-16

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/053,624 Continuation US20230081168A1 (en) 2021-08-30 2022-11-08 Method for providing exercise load information

Publications (1)

Publication Number Publication Date
WO2023033459A1 true WO2023033459A1 (ko) 2023-03-09

Family

ID=85412891

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/012766 WO2023033459A1 (ko) 2021-08-30 2022-08-25 운동 부하 정보를 제공하는 방법

Country Status (3)

Country Link
US (1) US20230081168A1 (ko)
EP (1) EP4167248A4 (ko)
WO (1) WO2023033459A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014014683A (ja) * 2012-07-06 2014-01-30 Adidas Ag グループパフォーマンスモニタリングシステムおよび方法
KR20190100447A (ko) * 2015-01-05 2019-08-28 나이키 이노베이트 씨.브이. 다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산
KR20200087436A (ko) * 2019-01-11 2020-07-21 포항공과대학교 산학협력단 영상 데이터 및 센싱 데이터에 기반한 운동 정보 제공 방법 및 장치
KR20200109199A (ko) * 2019-03-12 2020-09-22 주식회사 피앤씨솔루션 실내 스포츠를 위한 카메라를 이용한 운동량 산출 시스템
KR20200122328A (ko) * 2018-02-19 2020-10-27 에프 파이브 스포츠, 인코포레이티드 운동 동작의 메트릭 및 그와 관련된 객체를 측정 및 해석하기 위한 방법, 장치 및 컴퓨터 프로그램 제품

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014014683A (ja) * 2012-07-06 2014-01-30 Adidas Ag グループパフォーマンスモニタリングシステムおよび方法
KR20190100447A (ko) * 2015-01-05 2019-08-28 나이키 이노베이트 씨.브이. 다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산
KR20200122328A (ko) * 2018-02-19 2020-10-27 에프 파이브 스포츠, 인코포레이티드 운동 동작의 메트릭 및 그와 관련된 객체를 측정 및 해석하기 위한 방법, 장치 및 컴퓨터 프로그램 제품
KR20200087436A (ko) * 2019-01-11 2020-07-21 포항공과대학교 산학협력단 영상 데이터 및 센싱 데이터에 기반한 운동 정보 제공 방법 및 장치
KR20200109199A (ko) * 2019-03-12 2020-09-22 주식회사 피앤씨솔루션 실내 스포츠를 위한 카메라를 이용한 운동량 산출 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4167248A4 *

Also Published As

Publication number Publication date
EP4167248A4 (en) 2024-07-17
EP4167248A1 (en) 2023-04-19
US20230081168A1 (en) 2023-03-16

Similar Documents

Publication Publication Date Title
WO2021187958A1 (ko) 스포츠 플레이어 평가 방법들, 장치들 및 시스템들
WO2017034141A1 (en) Method and system for determining a length of an object using an electronic devices
WO2018147643A2 (ko) 흉부측정기, 척추 측만증 교정시스템, 원격척추 진단시스템 및 웨어러블 측정기
JP5662000B2 (ja) 体におけるアクティビティの位置をモニタする検出及び補償方法
WO2016144058A1 (en) Wearable electronic device and method for controlling the same
JP6504746B2 (ja) 個人およびスポーツ対象物に関するパフォーマンス情報を決定する方法
US20050223799A1 (en) System and method for motion capture and analysis
US20070207873A1 (en) IR system for kinematic analysis
AU2013302207B2 (en) Method and apparatus for measuring reaction forces
US20080269644A1 (en) Precision Athletic Aptitude and Performance Data Analysis System
WO2018030742A1 (ko) 운동 인식 방법 및 장치
WO2022039521A1 (en) Method for determining whether medication has been administered and server using same
WO2010053283A2 (ko) 지능형 실시간 골프 경기 관리시스템과 이에 사용되는 단말기
WO2020230952A1 (ko) 통증 모니터링 장치 및 방법
WO2023033459A1 (ko) 운동 부하 정보를 제공하는 방법
Shepherd et al. Development and validation of a single wrist mounted inertial sensor for biomechanical performance analysis of an elite netball shot
WO2021251593A1 (ko) 약물 복용에 따른 갑상선 기능 모니터링 방법, 이를 수행하는 모니터링 서버 및 사용자 단말
WO2021141364A1 (ko) 격투 경기의 채점 시스템 및 방법
WO2017146350A1 (ko) 신발
WO2022163954A1 (ko) 인터렉티브 피트니스를 위한 스마트 매트, 단말, 시스템 및 그것의 제어 방법
US20220400981A1 (en) Detecting method and positioning analysis method of human functional joint rotation center
Harnett et al. Validating an inertial measurement unit for cricket fast bowling: a first step in assessing the feasibility of diagnosing back injury risk in cricket fast bowlers during a tele-sport-and-exercise medicine consultation
WO2021075897A1 (ko) 센싱 장치 및 센싱데이터의 처리 방법
WO2024038987A1 (ko) 객체의 궤적을 추적하기 위한 방법
WO2024143942A1 (ko) Ppg 센서에 기초한 바이오 피드백 콘텐츠를 제공하는 히어러블 디바이스 장치

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2022793498

Country of ref document: EP

Effective date: 20221103

NENP Non-entry into the national phase

Ref country code: DE