[논문 리뷰] Towards Machine Learning on Data from Professional Cyclists

Agrin Hilmkil, Oscar Ivarsson외 3명|arXiv (Cornell University)|2018. 01. 01.

Sports Performance and Training인용 수 1

한 줄 요약

이 연구는 센서로 수집된 데이터를 활용하여 전문 자전거 경기에서 기계 학습 응용을 탐구하며, 훈련 세션 동안 정상 수준의 자전거 선수들의 심박수 반응을 예측하기 위해 LSTM 모델을 훈련시킨다. 주요 기여는 실제 운동 데이터에 대한 딥러닝 적용의 가능성을 입증하는 데 있다.

ABSTRACT

Professional sports are developing towards increasingly scientific training methods with increasing amounts of data being collected from laboratory tests, training sessions and competitions. In cycling, it is standard to equip bicycles with small computers recording data from sensors such as power-meters, in addition to heart-rate, speed, altitude etc. Recently, machine learning techniques have provided huge success in a wide variety of areas where large amounts of data (“big data”) is available. In this paper, we perform a pilot experiment on machine learning to model physical response in elite cyclists. As a first experiment, we show that it is possible to train a LSTM machine learning algorithm to predict the heart-rate response of a cyclist during a training session. This work is a promising first step towards developing more elaborate models based on big data and machine learning to capture performance aspects of athletes.

연구 동기 및 목표

• 기계 학습이 정상 수준 자전거 선수의 생리적 반응을 모델링하는 데 잠재력을 갖추고 있는지 조사하기 위해.
• LSTM 네트워크가 훈련 세션 데이터로부터 심박수를 효과적으로 예측할 수 있는지 평가하기 위해.
• 빅데이터와 기계 학습을 활용한 전문 자전거 경기 성과 분석을 위한 프로토타입 프레임워크를 수립하기 위해.
• 실제 생활 속 센서 데이터(출력 힘, 속도, 심박수, 고도)를 활용하여 운동 성과 모델링을 탐색하기 위해.

제안 방법

• 연구는 훈련 데이터의 시간적 의존성을 모델링하기 위해 장기적 단기 기억(LSTM) 순환 신경망을 사용한다.
• 입력 특징으로는 훈련 세션 동안 기록된 출력 힘, 속도, 심박수, 고도가 포함된다.
• 모델은 과거의 센서 데이터 시퀀스를 기반으로 향후 심박수 값을 예측하도록 훈련된다.
• 데이터 전처리는 센서 읽기 값을 정규화하고 훈련 세션을 시간 시리즈 시퀀스로 분할하는 것을 포함한다.
• 모델 훈련은 입력 시퀀스를 해당 심박수 출력으로 매핑하는 순서-순서 학습을 사용한다.
• 생리적 반응의 시간적 패턴을 활용하여 예측 정확도를 향상시키는 접근 방식이다.

실험 결과

연구 질문

• RQ1 LSTM 모델은 정상 수준 자전거 선수의 훈련 세션 동안 심박수 반응을 정확하게 예측할 수 있는가?
• RQ2 기계 학습 모델은 실제 생활 속 센서 데이터를 사용하여 개인 선수에 대해 얼마나 잘 일반화되는가?
• RQ3 전문 자전거 경기의 운동 성과 데이터에 딥러닝 기법을 적용하는 데 타당성이 있는가?
• RQ4 센서 데이터의 시간적 패턴을 얼마나 잘 활용하여 생리적 반응을 모델링할 수 있는가?

주요 결과

• LSTM 모델은 훈련 세션 데이터로부터 심박수 반응을 성공적으로 예측하는 데 성공했다.
• 모델은 생리적 신호의 복잡한 시간적 동역학을 포착할 수 있는 능력을 보였다.
• 이 연구 결과는 실제 운동 데이터에 대한 딥러닝 적용이 성과 모델링에 가능함을 확인했다.
• 이 작업은 스포츠 과학 분야에서 더 고급 기계 학습 응용으로 나아가는 유망한 첫 걸음이다.