순차적 경기수행력 분석을 위한 순환신경망의 적용- 실업검도 대회를 중심으로 (Recurrent Neural Networks for Seauential Performance Analysis)

서지정보

· 발행기관 : 한국체육측정평가학회
· 수록지 정보 : 한국체육측정평가학회지 / 22권 / 4호 / 101 ~ 110페이지
· 저자명 : 박지훈

초록

스포츠 현장에서 경기의 승·패를 예측하는 것은 개인과 팀의 경기력 향상이라는 상호작용 효과를 준다. 데이터를 처리하는 방법의 새로운 기술개발로 단순한 정보처리에서 다차원의 복잡한 신경망까지 일반 개인이 구축할 수 있는 환경이 되었으며, 적용 가능성을 시험하기 위한 검증 무대로서 가장 적합한 스포츠 현장에서 다양한 시도가 계속되고 있다. 검도는 단체스포츠가 아닌 개인 간 무도 종목이다. 동일한 조건에서 정해진 부위를 타격하여 득점하는 경기이며, 타 종목에 비해 경기상황의 경우의 수가 적다. 이 같은 이점을 활용하여 본 연구에서는 검도경기의 승·패 예측을 기계학습을 통해 추정하고자 하였으며, 구체적으로 검도선수들의 검도 경기수행력을 순차적으로 부호화 시키고 득점상황을 예측하는데 목적이 있다. 사용된 데이터는 2019년 실업검도대회 3개를 대상으로 학습데이터셋과 교차타당도검증 데이터셋으로 분류하였다. 경기분석 프로그램인 Longomatch 1.6을 사용하여 경기영상을 통해 자료를 부호화 하였고, 기계학습을 위해 Tensor 형태로 변환하는 전처리 과정 및 순환신경망(LSTM) 모델 개발을 통계프로그램 R 3.6.1 프로그램을 활용하였다. 연구결과 개발된 다양한 신경망 중 64-128-64-32-3 레이어 신경망이 학습정확도 88.5%의 예측률을 보였다. 그리고 순환신경망(LSTM)을 활용하여 경기 내용을 학습시키고 실제 경기에서 적용하였을 경우 득점 여부를 79% 예측할 수 있었다. 결론적으로 본 연구에서 개발된 예측모델은 선수나 지도자가 경기내용의 평가 및 훈련에서 경기력 향상을 위해 다양하게 활용될 수 있을 것이다. 추후 무도종목을 비롯한 다양한 대인종목에서도 순환신경망의 적용 가능성을 기대한다.

영어초록

Modern society is rapidly developing as confirming the analysis and applicability of big data. With the development of new technologies in the data processing method, it has become an environment that individual can build from simple information processing to multidimensional complex neural networks, and various attempts continue at the most suitable sports fields as a proving ground to test its applicability. Kendo is an individual martial arts sport not a group sport, which player can score points by hitting the appointed areas under the same conditions, and there are fewer number of cases in the game compared to other sports. To take this advantages, it was about to develop the scoring prediction algorithm which affect the outcome of the game and the used data was classified into learning dataset and cross validity validation dataset and developed LSTM algorithm for the three business Kendo Championships. The data was coded through competition video and the preprocessing process that converting to Tensor was conducted for machine learning. 64-128-64-32-3 layer neural network among the various developed neural network showed 88.8% learning accuracy, 88.5% of cross-validation accuracy, and 78.5% of prediction rate. By using LSTM, it could predict 79% of the scoring when learning the contents of Kendo and applying in the real game, and the players and it will be used that players and instructors can use it for the assessment of the game and training in the various ways to improve the performance. If it is added more data later and supplemented the algorithm, it can be used as grounded basic data generation and supplementary data of VAR function regarding the Kendo matches studied academically.

참고자료

· 없음