최근 스포츠 과학 분야에서는 관성측정장치(Inertial Measurement Unit, IMU)를 활용한 웨어러블 센서로 선수의 움직임 데이터를 실시간으로 수집하고, 여기에 인공지능(AI)을 적용해 피로도나 체력 상태를 예측하려는 시도가 늘고 있다. 기존에는 VO2max 검사, 젖산역치 측정, 근전도(EMG), 운동자각도(RPE) 같은 방법으로 피로와 체력을 평가해왔는데, 이런 방법들은 검증된 만큼 신뢰할 수 있지만 시간이 오래 걸리고 침습적이거나 특수 장비가 필요하다는 한계가 있다. IMU 기반 웨어러블은 비침습적이고 실시간 연속 모니터링이 가능하다는 점에서 대안으로 주목받고 있는데, 실제로 이 기술이 얼마나 정확하게 피로를 예측할 수 있는지는 별개의 문제다.
2024년 저널 Sensors에 발표된 Biró 등의 연구(Biró, Cuesta-Vargas, Szilágyi, 2024)는 이 질문에 실제 수치로 답을 제시한다.
웨어러블 IMU 센서를 활용한 운동 피로 연구
연구 방법
연구팀은 아일랜드 University College Dublin에서 수집된 공개 데이터셋을 활용했다. 이 데이터셋은 부상이 없는 건강한 러너 19명을 대상으로, 요추 부위에 부착한 IMU 센서(3축 가속도, 각속도, 지자기 방향 측정)로 수집한 것이다. 실험은 3단계로 진행됐다: ① 편안한 속도로 400m 달리기(비피로 상태 기준), ② 점진적으로 속도가 빨라지는 왕복달리기 방식의 표준화된 피로 유발 프로토콜(beep test)을 한계까지 수행, ③ 피로 상태에서 동일한 400m 달리기 반복. 이렇게 수집된 데이터의 각 스트라이드(보폭 단위)에는 피로(F) 또는 비피로(NF) 라벨이 부착됐다.
이 데이터를 바탕으로 연구팀은 Extra Trees, Random Forest, Decision Tree, Gradient Boosting, KNN, SVM, 로지스틱 회귀 등 다양한 머신러닝 분류기와, 별도로 LSTM(Long Short-Term Memory) 딥러닝 모델을 학습시켜 피로/비피로 상태를 이진 분류하는 성능을 비교했다.
핵심 결과
가장 먼저 짚어야 할 부분은, 이 논문의 초록이 “높은 예측 정확도”와 “유의미한 상관관계”를 언급하며 다소 긍정적인 어조로 쓰여 있지만, 본문에 제시된 실제 수치는 이보다 훨씬 신중하게 해석해야 한다는 점이다.
전통적 머신러닝 분류기 13종의 성능을 비교한 결과(논문 Table 5), 대부분의 모델이 정확도 47~51% 수준에 머물렀다. Extra Trees 50.75%, Random Forest 50.51%, Decision Tree 50.66%, Gradient Boosting 47.13% 등으로, 이진 분류에서 우연히 맞힐 확률(50%)과 큰 차이가 없는 수준이다. 특히 “모든 사례를 양성(피로)으로 분류”하는 더미(Dummy) 분류기조차 정확도 51.30%, F1-score 67.78%를 기록했는데, 연구팀은 이를 “실제로는 아무 예측도 하지 않는 모델의 점수가 오히려 높게 나올 수 있다”는 경고성 사례로 직접 언급했다.
딥러닝 모델인 LSTM은 상대적으로 나은 성능을 보였다. 정확도 59%, 클래스별 정밀도 0.58~0.61, 재현율 0.59~0.60, F1-score 약 0.59~0.60을 기록했다(5000 epoch, batch size 32로 학습). 이는 전통적 분류기들보다는 나은 수치지만, 실전에서 개별 선수의 피로 여부를 판별하는 데 충분히 신뢰할 만한 수준이라고 보기는 어렵다.
연구팀 스스로도 “AI 기반 방법의 정확도가 지속적으로 50% 안팎에 머무르고 있으며, 이는 이 접근법이 아직 초기 개발 단계에 있음을 시사한다”고 명시했고, 현재로서는 AI 기반 방법이 기존 표준 검사 방법을 “완전히 대체하기보다는 보조하는 도구” 역할에 가깝다고 결론지었다.
한편 분류 정확도와는 별개로, 가속도 데이터의 기술통계적 패턴에서는 의미 있는 관찰이 있었다. 19명 중 대다수가 피로 상태에서 중앙값 가속도가 낮아지고, 값의 분포(사분위범위)가 넓어지는 경향을 보였다. 다만 이런 경향에는 뚜렷한 개인차가 있었다. 일부 참가자(예: 13번 참가자)는 피로 상태에서도 비교적 일관된 가속도 패턴을 유지한 반면, 다른 참가자(7번, 17번 등)는 피로 시 가속도가 크게 떨어지고 변동성도 커졌다.
해석
이 결과는 두 가지로 나눠서 봐야 한다. 첫째, “피로하면 신체의 움직임 패턴(가속도)이 평소보다 느려지고 불규칙해진다”는 방향성 자체는 여러 참가자에게서 일관되게 관찰됐다. 둘째, 그러나 이 패턴을 개별 스트라이드 단위에서 “지금 피로 상태인지 아닌지”를 이진 분류하는 정확도로 환산하면, 대부분의 모델이 우연 수준에 가까운 성능에 그쳤다. 즉 “피로하면 전반적으로 움직임이 변한다”는 큰 그림은 타당해 보이지만, 이를 실시간으로 정밀하게 판별하는 기술은 아직 초기 단계라는 것이다. 연구팀은 이런 개인차가 큰 이유로, 각 선수의 고유한 생리적·생체역학적 특성 때문에 모델이 개인별로 상당히 맞춤화(personalization)돼야 한다는 점을 들었다.
실무 시사점
연구팀은 이 기술이 향후 물리치료·재활 분야에서도 활용될 잠재력이 있다고 언급했다. 예를 들어 재활 환자의 움직임 패턴 변화를 지속적으로 모니터링해 회복 진행 상황을 추적하거나, 과도한 부하로 인한 재부상을 예방하는 데 쓰일 수 있다는 것이다. 다만 이는 현재 시점에서 검증된 결과라기보다는 연구팀이 제시한 응용 가능성 차원의 논의라는 점을 감안해야 한다.
현재 시점에서 실무적으로 끌어낼 수 있는 시사점은, IMU 기반 AI 피로 예측 도구를 사용하더라도 이를 RPE 같은 기존의 주관적·객관적 평가 방법과 병행해야 하며, 특정 선수 개인의 데이터가 충분히 누적되기 전까지는 그 결과를 절대적 기준으로 삼기보다 참고 지표 중 하나로 활용하는 것이 타당하다는 점이다.
한계
연구팀이 직접 명시한 한계는 다음과 같다. IMU 센서 자체의 노이즈, 부착 위치, 데이터 전처리 방식에 따라 정확도가 크게 달라질 수 있다. 수면, 영양, 심리적 스트레스 등 피로에 영향을 미치는 다른 요인들이 모델에 반영되지 않았다. 개인별 생리적 차이가 커서 일반화된 모델보다 개인 맞춤형 모델이 필요한데, 이는 데이터 수집에 많은 시간과 비용이 든다. 학습 데이터에 과적합될 위험도 있다. 아울러 연구팀은 선수 데이터의 사생활 보호, 고가 AI 기술에 대한 접근성 격차로 인한 형평성 문제, AI 의존도가 지나치게 높아질 경우 선수·코치의 자율적 판단이 위축될 수 있다는 윤리적 쟁점도 함께 제기했다. 표본 자체도 19명의 건강한 러너로 제한적이어서, 팀 스포츠 선수나 다른 종목으로 결과를 확대 적용하는 데도 주의가 필요하다.
참고문헌
Biró A, Cuesta-Vargas AI, Szilágyi L. AI-Assisted Fatigue and Stamina Control for Performance Sports on IMU-Generated Multivariate Times Series Datasets. Sensors. 2024;24(1):132. https://doi.org/10.3390/s24010132