[스포츠 인공지능 논문 리뷰] 인공지능과 GPS를 활용한 축구 선수 부상 예측

안녕하세요. 메디스포츠 입니다.

오늘은 인공지능을 활용하여 운동 선수의 부상을 어떻게 예측하는지 소개해 드리려고 합니다. 오늘은 축구 선수의 부상 예측과 관련한 리뷰 논문을 가져왔습니다. 스포츠 분야에서 인공지능을 어떻게 적용하는지 생소하신 분들도 많을 것으로 생각됩니다. 조만간, 인공지능이 우리 주변에서 어떻게 활용되는지에 대해서도 이해하실 수 있도록 소개할 수 있는 글을 작성할 수 있도록 하겠습니다. 

 

[논문 출처] 

Rossi, A., Pappalardo, L., & Cintia, P. (2021). A narrative review for a machine learning application in sports: an example based on injury forecasting in soccer. Sports, 10(1), 5.

---

 

본문에 앞서서, 인공지능을 활용하기 위해서 중요한 요소에 대해서 말씀을 드리겠습니다. 최근 과학 기술이 급격하게 발전하게 되면서 엄청 편리한 장비들도 많이 개발이 되고 있고, 일상 생활 혹은 신체 활동 중에서도 우리가 그다지 중요하지 않게 생각할 수도 있는 많은 데이터들이 확보할 수 있는 시대가 되었습니다. 운동 선수도 마찬가지로 웨어러블 디바이스(Wearable device), 비디오 분석 시스템(Video analysis system), 추적 시스템(Tracking system) 및 설문지(Questionnaires) 등 다양한 도구들을 통해 스포츠 활동 중 데이터를 확보할 수 있습니다. 이런 데이터들은 운동 선수 스카웃, 운동 수행력 분석, 전략 분석, 그리고 부상 위험 요인을 분석할 수 있습니다. 이런 데이터가 대량으로 확보된다는 것은 스포츠 과학에서도 머신러닝과 같은 인공지능을 활용하여 복잡한 분석이 가능하다는 것입니다.

 

인공지능을 활용하는 것은 스포츠 팀, 선수 개인 등 에게 많은 이점을 가져오겠지만, 그 중에서도 가장 중요한 것은 부상을 예방하는데 있습니다. 부상은 스포츠 산업에서도 탑 리그 선수가 부상으로 장기 결장을 하게 되면, 한 시즌에 188 백만 유로 (한화 약 2,800억)의 손실을 가져온다고 합니다. 게다가 축구 선수의 경우 팀 스포츠 중에서 부상에 크게 노출되어 있는 (1,000 시간당 81 ~ 86회 이상) 스포츠 중 하나이기 때문에 부상 예측이 선수, 팀 그리고 구단의 경제적인 손실을 막는 중요한 요인이 될 것으로 생각됩니다. 

 

입력 데이터 (Input data)

 

 

자 그러면, 이제부터는 머신러닝을 활용하여 축구 선수의 부상을 어떻게 예측할 수 있는지 설명 드리겠습니다. 우선 축구 선수의 부상을 예측 하기 위해서 여러가지 데이터를 확보할 필요가 있습니다. 위 그림에서 분홍색(input features)를 살펴보면 축구 선수 부상예측을 위해 자주 사용되는 데이터들(훈련 부하, 심리학적 요인 등)에 대해서 표시하였습니다. 빨강색(label features)는 컴퓨터에게 어떤 선수의 데이터가 부상 데이터인지 아닌지 라벨링이 필요하다는 것을 말해주고 있습니다. 이 부분에 대해 추가로 설명을 하자면, 일반적으로 축구 선수는 연습 경기 및 실제 경기에서 GPS, 설문지 등으로 다양한 데이터를 기록하고 있습니다. 만약 어떤 A 축구 선수가 연습 경기 및 리그 경기에서 부상을 당하게 된다면, 그날 확보한 A 선수의 데이터는 부상을 당하는 데이터로 라벨링이 되는 것입니다. 이처럼 기록하고 있는 다양한 데이터(분홍색)를 기록 하면서 부상 당한 선수와 아닌 선수를 라벨링하게 되고, 다양한 머신러닝 알고리즘(주황색)을 활용해서 컴퓨터에게 축구 선수 데이터를 학습시키고 부상을 예측하도록 시키는 것입니다. 파란색은 조금 더 높은 정확도의 학습 성능을 위해 필요한 전처리 과정인데 여기서는 생략하고 넘어가도록 하겠습니다. 

 

외적 부하(External workload)

외적 부하는 훈련 및 실제 경기장에서 수행될 때의 트레이닝 특성입니다. 경기장에서 데이터를 얻기 위해서는 대부분 GPS(Global position system)을 활용합니다. 티비에서 축구 경기를 보면, 검정색 조끼를 입고, 뒤에 티어나온 것이 GPS입니다. GPS를 통해 경기 시간, 총 달리기 거리, 분당 달리기 거리, Zone 1 - 5 달리기, 고강도 러닝, 스프린트 거리, 스프린트 횟수, 가속 횟수, 감속 횟수, 최대 속도 등 축구 선수의 경기 중 다양한 움직임에 대한 정보를 얻을 수 있습니다. 아래 표를 참고하시면 되겠습니다.

 

내적 부하(Internal workload)

내적 부하는 축구 선수의 신체 활동이나 경기에 대해서 주관적으로 느끼는 힘든 척도로 주로 RPE(Rate of perceive exertion)을 활용합니다. 가장 힘든 정도 10에서 힘들지 않은 0의 범위에서 선수 본인이 선택하게 됩니다. 추가로, HR(Heart rate) 심박수도 내적 부하를 측정하기 위한 중요한 지표입니다. 

 

심리-생리적 검사(Psycho-physiological assesement)

심리 및 생리적 요인으로는 신체조성(키, 몸무게, 근육량, 체지방률, BMI 등), 심혈관(cardiopulmonary), 부상 이력(부상 일자, 부상 부위, 부상 횟수 등), 신경근(코어 안정성, 관절 가동 범위, 무릎 등속성 근력, 기능적 움직임 등), 체력 테스트(점프, 스프린트, 방향전환, YoYo 테스트), 및 채혈을 통한 혈액 분석 등이 있습니다. 하지만, 채혈은 침습적으로 축구 선수에게 거부감을 주기 때문에 자가 검진(Wellness, questionnaire, 기분 상태 설문지, TQR 등) 다양한 요인들이 활용되고 있습니다. 

 

웨어러블 디바이스(Wearable device)

웨어러블 디바이스로는 애플워치, fit bit 등 을 통해서 심박수, 혈중 산소 포화도, 심박 변이도, 걸음 수 및 수면의 질 등을 측정할 수 있습니다. 웨어러블 디바이스는 2025년 ACSM 트렌드에서도 1등을 차지하였고, 이는 상당히 중요한 데이터가 될 것으로 생각됩니다. 

https://medisports.tistory.com/entry/2025-ACSM-fitness-trends-TOP10

최신 운동 트렌드 전망: 2025 ACSM 선정 피트니스 트렌드 TOP 10

 

 

분석 방법

분석 방법은 간략하게 말씀 드리도록 하겠습니다. 우선, 분석 하기 전에 위에서 언급한 데이터들을 확보하는 과정에서 축구 선수는 다양한 실제 연습 및 매치 경기를 겪게 될 것이고 이 중에서 부상을 입는 선수가 발생할 것입니다. 그 때 축구 의료팀은 부상과 관련하여 부상 부위, 일시, 등의 내용을 세세하게 기록하고 부상 선수에 대한 라벨링을 진행합니다. 이제 분석할 수 있을 만큼의 데이터가 확보 된다면, 머신러닝 알고리즘을 선택하고 활용해서 컴퓨터에게 부상 선수와, 부상 선수가 아닌 데이터를 학습하고 맞추도록 합니다. 조금 더 자세하게 설명드리면, 총 1,000 경기의 축구 선수의 데이터를 확보하였고, 이중 정상 선수가 500명, 부상 당한 선수의 데이터가 500명이라고 했을 때 컴퓨터를 학습시키기 위해서 무작위로 전체 데이터의 80%(800명)를 어떤 데이터가 정상 선수이고 부상 당한 선수 인지 라벨(정답)을 주고 공부를 시킵니다. 그 후에 나머지 20%(200명)에 대해서는 정답 없이 맞추도록 시켰을 때 얼마나 정확한지 평가를 하게 되고 이것이 우리가 잘 알고 있는 정확도(accuracy)가 됩니다. 

 

오늘 리뷰는 방법론 적인 부분을 가져왔습니다. 연구 결과에 대해서는, 위 논문을 참고하시면 되겠습니다.

 

오늘은 GPS와 여러 특성들을 가지고 축구 선수의 부상을 어떻게 예측하는지에 대해 알아보았습니다. 다음에는 이미지나 동영상을 가지고 어떻게 인공지능을 활용하는지 더 재미있는 연구 리뷰 하도록 하겠습니다.