본문 바로가기
KERD
논문KCI 등재

다중클래스 분류 머신러닝을 활용한 3D신체이미지 기반 체형 분류 예측모델 탐색

Exploring a 3D Body Images Based Somatotype Prediction Model using Multi-Class Classification Machine Learning

이상용|박재현|윤지운|이지용
한국체육측정평가학회 (Korean Society For Measurement And Evaluation In Physical Education And Sports Science)|2023.09|한국체육측정평가학회지 (The Korean Journal of Measurement and Evaluation in Physical Education and Sports Science)|제25권 제3호|pp. 13-28|DOI 10.21797/ksme.2023.25.3.002

0

조회

0

다운로드

3

인용

0

참고문헌

키워드

인공지능기계 학습Machine Learning인체측정Artificial Intelligence: AI3D BodyScannerBody Type Classification체형분류법3D 바디스캐너

초록

이 연구의 목적은 다중클래스 분류 머신러닝 알고리즘을 활용하여 3D신체이미지 기반 체형분류 예측모델을 탐색하는 것이다. 연구의 목적을 달성하기 위하여 목적표집법을 활용하여 남성 214명, 여성 152명 총 366명의 데이터를수집하여 분석에 활용하였다. 체형분류를 위하여 인체측정과 3D Body Scan을 수행하였으며 머신러닝 모델의Accuracy(정확도), Precision(정밀도), Recall(재현율), F1 Score, AUC(ROC곡선 아래 면적), Log Loss(손실함수) 를 성능지표로 사용하였다. 모든 분석은 Python 3.9버전을 활용하여 수행하였다. 이 연구를 통해 얻은 결과는 다음과같다. 첫째, 3D신체이미지를 활용한 체형분류 학습모델의 성능은 Ensemble Voting Model(1순위)이 가장 우수한학습 결과가 나타났으며, Neural Network Model(2순위), Logistic Regression Model(3순위), SVM Model(4순위), Random Forest Model(5순위), Naive Bayes Model(6순위) 순으로 좋은 학습 결과를 나타냈다. 둘째, 학습된모델들의 성능 및 외적타당도를 검증한 결과 Logistic Regression Model(1순위)이 가장 우수한 성능을 보였으며, Ensemble Voting Model(2순위), SVM Model(3순위), Random Forest Model(4순위), Neural Network Model(5순위), Navie Bayes Model(6순위) 순으로 높은 성능을 나타냈다. 셋째, 3D신체이미지를 활용하여 체형분류가 가능한 것으로 확인되었다. 이 결과를 토대로 추가 Data 수집과 모델 성능 보완 단계를 거쳐 더욱 우수한성능을 가진 체형분류 예측모델을 구현할 수 있을 것으로 판단된다.

Abstract

The purpose of this study is to explore a predictive model for somatotype classification based on 3D body images using multi-class classification machine learning algorithms. To achieve this goal, a purposive sampling method was employed to collect data from 214 males and 152 females, totaling 366 participants. Anthropometric measurements and 3D Body Scans were conducted for somatotype classification, and performance metrics including Accuracy, Precision, Recall, F1 Score, AUC (Area Under the ROC Curve), and Log Loss were used to evaluate the machine learning models. All analyses were performed using Python 3.9. The results obtained from this study are as follows: Firstly, the performance of somatotype classification models trained using 3D body images showed that the Ensemble Voting Model exhibited the highest performance. The Neural Network Model (2nd place), Logistic Regression Model (3rd place), SVM Model (4th place), Random Forest Model (5th place), and Naive Bayes Model (6th place) demonstrated favorable learning outcomes in descending order. Secondly, validation of the performance and external validity of the trained models revealed that the Logistic Regression Model (1st place) exhibited the highest performance, followed by the Ensemble Voting Model (2nd place), SVM Model (3rd place), Random Forest Model (4th place), Neural Network Model (5th place), and Naive Bayes Model (6th place), displaying high levels of performance. Thirdly, the feasibility of somatotype classification using 3D body images was confirmed. Based on these results, it is anticipated that through additional data collection and refinement of model performance, an enhanced somatotype classification predictive model with superior performance can be developed.

참고문헌 (60)

  1. 김기학, "(수업·연구를 위한)체육측정평가" (1997), 형설출판사
  2. 김창균, "3차원 신체생성 딥러닝 모델을 이용한 숨겨진비만 정보 도출 방법론 개발", 박사, pp.2021
  3. 김창균, "3차원 데이터를 활용한 숨은 비만정보 도출방법론 개발", 대한산업공학회 춘계공동학술대회 논문집, pp.973~995 (2021)
  4. 김필수, "머신러닝을 활용한 한국프로농구 정규리그 최종 순위 예측: 스포츠 애널리틱스 관점", 한국체육측정평가학회지, 25(2), pp.103~115 (2023), 한국체육측정평가학회[DOI]
  5. 김필수, "빅데이터 분석을 적용한 한국프로농구 리그 정규시즌 경기결과의 머신러닝 분류모형 예측성능 비교에 관한 연구", 한국체육학회지, 62(2), pp.263~277 (2023), 한국체육학회[DOI]
  6. 김필수, "영국 프리미어리그 경기데이터 기반 머신러닝을 활용한 경기결과 예측 및 분류모형의 예측 성능 비교", 한국체육학회지, 62(4), pp.337~353 (2023), 한국체육학회[DOI]
  7. 김효숙, "3D 측정치를 이용한 비만여성의 체형분석과 토르소원형 연구 : 40대, 50대, 60대를 중심으로", 박사, 의류학, pp.2007
  8. 양재환, "그리드 서치를 이용한 순환형 신경망모형의 하이퍼 파라미터 최적화 - 대구시 DSRC 속도에 대한 결측 데이터 추산 사례 -", 2018년 한국ITS학회추계학술대회, pp.376~382 (2018)
  9. 예원진, "2022 FIBA 남자농구 아시안컵 경기결과를 활용한 머신러닝 분류 모형의 예측 성능 비교", 한국체육측정평가학회지, 24(3), pp.53~69 (2022), 한국체육측정평가학회[DOI]
  10. 유승희, "(新)체육측정평가" (2009), 대경북스
  11. 윤효준, "소셜 빅데이터 기반 한국프로야구 실시간 선수평가모형 개발 : 머신러닝을 적용한 감성분석", 박사, pp.2018
  12. 이상용, "3D신체데이터를 활용한 비만체형 분류 타당도", 한국체육학회지, 61(6), pp.515~527 (2022), 한국체육학회[DOI]
  13. 이연수, "뇌전증 발작 탐지에서 CPSM 방식을 통한 딥러닝 기반의 CNN 앙상블 모델", 석사, pp.2021
  14. 이용복, "인공지능(AI) 무기체계 시험평가방법 발전방안 연구: 분류모델 성능평가를 중심으로", 신뢰성 응용연구, 22(1), pp.1~9 (2022), 한국신뢰성학회[DOI]
  15. 이지용, "인공지능(AI)기반 동작 인식 알고리즘을 활용한 태권도 품새 평가도구 개발", 박사, pp.2022
  16. 임준범, "확장된 이산 행동 영역에 적용한 강화학습 기반의 행동 특화된 전문가 모델 앙상블 트레이딩 시스템", 석사, pp.2019
  17. 전승진, "3차원인체 스캔 데이터와 이중에너지엑스선흡수기(DXA)데이터를 이용한 XGBoost기반 비만 판단 방법론 제안", 한국통신학회 학술대회논문집, pp.1464~1465 (2022)
  18. 최형준, "축구의 경기 결과 예측을 위한 머신러닝 기법 비교", 한국체육측정평가학회지, 24(4), pp.81~91 (2022), 한국체육측정평가학회[DOI]
  19. 최형준, "인공신경망(Artificial Neural Network)을 이용한 2005년도 영국 윔블던 테니스 대회의 경기결과 예측에 관한 연구", 한국체육학회지, 45(3), pp.459~468 (2006), 한국체육학회
  20. 허정, "무용전공별 학생과 비전공 여학생의 신체형태와 체지방률 및 체형의 비교", 한국체육과학회지, 12(2), pp.911~922 (2003), 한국체육과학회
  21. Anand, R., "Efficient classification for multiclass problems using modular neural networks", IEEE transactions on Neural Networks, 6(1), pp.117~124 (1995)
  22. Brownlee, J., "How to Train a Final Machine Learning Model" (2017), Machine Learning Mastery
  23. Crabbé, A., "Neural Network MLP Classifier", ~ (2020)
  24. Carter, J. L., "The somatotypes of athletes-a review", Human biology, 42(4), pp.535~569 (1970)
  25. Carter, J. L., "Somatotyping: development and applications (Vol. 5)" (1990), Cambridge university press
  26. Chiu, C. Y., "Estimating somatotype from a single-camera 3D body scanning system", European Journal of Sport Science, 22(8), pp.1204~1210 (2022)
  27. Chollet, F., "Deep learning with python" (2018), Manning Publications
  28. Das, K., "The association between somatotype and nutritional status : a cross-sectional study among the adult Sabar males of Purulia, West Bengal, India", International Journal of Anthropology and Ethnology, 5(1), pp.1~16 (2021)
  29. Drywień, M. E., "Somatotype, diet and nutritional status of women", Anthropological Review, 80(4), pp.393~404 (2017)
  30. Duquet, W., "Somatotyping. In Kinanthropometry and exercise physiology laboratory manual: Tests, procedures and data", pp.78~96 (2009), Routledge
  31. Fang, H., "How to best assess abdominal obesity", Current Opinion in Clinical Nutrition and Metabolic Care, 21(5), pp.360~ (2018)
  32. Feurer, M., "Scalable meta-learning for bayesian optimization using ranking-weighted gaussian process ensembles", AutoML Workshop at ICML, 7 (2018)
  33. Géron, A, "Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow" (2022), O'Reilly Media, Inc
  34. Giachetti, A., "Robust automatic measurement of 3D scanned models for the human body fat estimation", IEEE Journal of Biomedical and Health Informatics, 19(2), pp.660~667 (2014)
  35. Gryko, K., "Anthropometric variables and somatotype of young and professional male basketball players", Sports, 6(1), pp.9~ (2018)
  36. Heath, B. H., "A modified somatotype method", American journal of physical anthropology, 27(1), pp.57~74 (1967)
  37. Herrera, H., "Relationship between somatotype and blood pressure in a group of institutionalized Venezuelan elders", Gerontology, 50(4), pp.223~229 (2004)
  38. Jeon, S., "Machine learning-based obesity classification considering 3D body scanner measurements", Scientific Reports, 13(1), pp.3299~ (2023)
  39. Katzmarzyk, P. T., "Somatotype and indicators of metabolic fitness in youth", American Journal of Human Biology: The Official Journal of the Human Biology Association, 10(3), pp.341~350 (1998)
  40. 김남순, "An Effective Research Method to Predict Human Body Type Using an Artificial Neural Network and a Discriminant Analysis", Fibers and Polymers, 19(8), pp.1781~1789 (2018), 한국섬유공학회
  41. Koleva, M., "Somatotype and Disease Prevalence in Adults", Reviews on Environmental Health, 17(1), pp.65~84 (2002)
  42. Komer, B., "Automated Machine Learning: Methods, Systems, Challenges", pp.97~111 (2019)
  43. Levandoski, A., "Predicting the NCAA Men’s Basketball Tournament with Machine Learning", CS, 2750, pp.1~15 (2017)
  44. Myles, T. J. M., "Body type and pre-eclamptic toxemia", American Journal of Obstetrics and Gynecology, 90(8), pp.1324~1331 (1964)
  45. Noh, J. W., "Somatotype analysis of elite boxing athletes compared with nonathletes for sports physiotherapy", Journal of physical therapy science, 26(8), pp.1231~1235 (2014)
  46. Norton, K., "Anthropometrica: A Textbook of Body Measurement for Sports and Health Courses", Australian Sports Commission, ~ (1996)
  47. Orvanová, E., "Somatotypes of weight lifters", Journal of sports sciences, 8(2), pp.119~137 (1990)
  48. Pai, P. F., "Analyzing basketball games by a support vector machines with decision tree model", Neural Computing and Applications, 28, pp.4159~4167 (2017)
  49. Pedregosa, F., "Scikit-learn : Machine learning in Python", the Journal of machine Learning research, 12, pp.2825~2830 (2011)
  50. Perronnin, F., "Towards good practice in large-scale learning for image classification", 2012 IEEE Conference on Computer Vision and Pattern Recognition, pp.3482~3489 (2012)
  51. Rees, W. L., "A factorial study of some morphological and psychological aspects of human constitution", Journal of Mental Science, 91(382), pp.8~21 (1945)
  52. Rigatti, S. J., "Random forest", Journal of Insurance Medicine, 47(1), pp.31~39 (2017)
  53. Sanchez Munoz, C., "Anthropometric characteristics, body composition and somatotype of elite male young runners", International journal of environmental research and public health, 17(2), pp.674~ (2020)
  54. Sheldon, W. H., "The varieties of human physique" (1940), Harper
  55. Tinsley, G. M., "Digital anthropometry via three-dimensional optical scanning : evaluation of four commercially available systems", European Journal of Clinical Nutrition, 74(7), pp.1054~1064 (2020)
  56. Toy, Ş., "Comparison of the effects of the somatotype on the physical activity, kinesiophobia, and fatigue levels of obstructive sleep apnea syndrome patients and healthy individuals", Iranian Journal of Public Health, 50(5), pp.919~ (2021)
  57. Tyrance, H. J., "The relationship of extreme body types to ranges of flexibility", pp.1954
  58. Vaswani, A., "Attention is all you need", Advances in neural information processing systems, 30 (2017)
  59. Wong, M. C., "Children and adolescents’ anthropometrics body composition from 3-D optical surface scans", Obesity, 27(11), pp.1738~1749 (2019)
  60. Zhang, Z., "Generalized cross entropy loss for training deep neural networks with noisy labels", Advances in neural information processing systems, 31 (2018)

관련 논문AI추천

인체측정 데이터를 활용한 대사성질환군 분류: 머신러닝 기반 SHAP 변수 중요도 분석박재현, 서유진, 이미숙한국체육측정평가학회 · 한국체육측정평가학회지2025 · 제27권 제4호히스카터 체형분류법의 디지털 변혁: 딥러닝 모델 활용박재현, 윤지운한국체육측정평가학회 · 한국체육측정평가학회지2023 · 제25권 제4호3차원 데이터를 활용한 학령기 남아의 상반신 체형 분류김현욱, 남윤자한국의류산업학회 · 한국의류산업학회지2019 · 제21권 제6호불균형한 클래스 데이터에서 오버샘플링 및 3차원 보행 분석을 통한 BMI 분류 정확도 개선권범한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2024 · 제29권 제9호고령 여성의 측면체형 분류에 따른 직접측정치와 3차원 자동측정치간의 차이 분석남윤자, 박진희, 정주원한국의류산업학회 · 한국의류산업학회지2019 · 제21권 제5호인체 치수 데이터와 K-means 군집 알고리즘을 활용한 체지방 분류 모델가문초, 김성환, 이태준, 정회경한국지식정보기술학회 · 한국지식정보기술학회 논문지2022 · 제17권 제5호

이 간행물의 다른 논문 (5건)

히트맵 이미지를 활용한 딥러닝 기반의 EPL 경기유형 분석: 비전 트랜스포머 알고리즘 적용윤효준pp. 1-12수상스포츠 참여자의 운동이득, 운동장애와 운동몰입 및 운동 결과기대의 관계송재영, 이웅배, 김응준, 이창진, 신성득pp. 29-38축구 경기에서 골키퍼의 빌드업 능력은 효용성을 갖는가? : 2022 FIFA Qatar World Cup 경기를 중심으로박일혁, 김정준, 황수웅pp. 39-48지적장애 학생의 SOFIT(System for Observing Fitness Instruction Time) 타당도 검증강성기, 박우석, 홍성봉pp. 49-58노인 자세조절능력 평가도구 양호도 검증: 누운자세에서 일어 서기와 장애물 걷기신진이, 홍성봉pp. 59-72
원문 보기