순차적 경기수행력 분석을 위한 순환신경망의 적용- 실업검도 대회를 중심으로
Recurrent Neural Networks for Seauential Performance Analysis
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
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.
Abstract
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.
참고문헌 (31)
- 김세중, "데이터마이닝 기법을 활용한 한국프로농구 승·패 주요 패턴 및 요인 분석", 박사, 체육학, pp.2011
- 김승희, "여자 검도 마츠모토 미즈키 경기력 분석", 석사, pp.2017
- 최형준, "인공신경망(Artificial Neural Network)을 이용한 2005년도 영국 윔블던 테니스 대회의 경기결과 예측에 관한 연구", 한국체육학회지, 45(3), pp.459~468 (2006), 한국체육학회
- 김준용, "검도의 유효공격패턴 분석을 위한 빅데이터 기반의 실시간 자바 브릿지 시스템 모델에 대한 연구", 박사, pp.2018
- 김태완, "여자컬링 경기력분석 및 디지털 미디어 DB 구축과 인공신경망분석", 체육과학연구, 27(2), pp.402~420 (2016), 국민체육진흥공단 한국스포츠정책과학원[DOI]
- 김혜진, "테니스 경기의 득점 및 실점상황에 의한 승패결정 경기내용분석", 한국체육측정평가학회지, 8(2), pp.43~57 (2006), 한국체육측정평가학회
- 김효주, "검도선수의 경기기술 내용분석", 석사, pp.2015
- 박대희, "제16회 세계검도선수권대회를 통해 본 한국과 일본의 경기패턴 분석", 석사, pp.2018
- 박동철, "검도수행에서 체현된 철학적 가치", 움직임의 철학 : 한국체육철학회지, 22(3), pp.1~20 (2014), 한국체육철학회
- 신승윤, "체육측정평가의 연구 동향(1998∼2014)", 체육과학연구, 26(2), pp.205~218 (2015), 국민체육진흥공단 한국스포츠정책과학원[DOI]
- 기계학습(Machine Learning) 기반 사회보장 빅데이터 분석 및 예측모형 연구, "오미애", 보건사회연구원, ~ (2017)
- 유기홍, "검도 기술 공격의 효율성과 횟수에 따른 경기 승패 분석에 관한 연구", 한국체육과학회지, 18(1), pp.1119~1131 (2009), 한국체육과학회
- 이원희, "신경망(Neural Networks)분석을 이용한 축구경기 순위예측모형 개발", 박사, 체육학, pp.2007
- 이종림, "(정통) 검도교본" (2013), 삼호미디어
- 전홍철, "검도경기시 선·후 공격형태에 따른 공격기술 분석", 석사, 체육교육, pp.2002
- 정승훈, "인공신경망 모형과 로지스틱 회귀모형을 이용한 프로야구 관전자 분석 및 예측", 체육과학연구, 26(1), pp.104~121 (2015), 국민체육진흥공단 한국스포츠정책과학원[DOI]
- 하재운, "반복적 검도 토너먼트 경기 수행이 엘리트 검도 선수의 혈중 가스, 이온, 및 피로 부산물 농도에 미치는 영향", 체육과학연구, 27(4), pp.916~931 (2016), 국민체육진흥공단 한국스포츠정책과학원[DOI]
- Barron, D., "Artificial neural networks and player recruitment in professional soccer", PLOS ONE, 13(10), pp.e0205818~ (2018)
- Bennett, N., "Comparing Various Machine Learning Statistical Methods Using Variable Differentials to Predict College Basketball", ~ (2018)
- Felsen, P., "What will happen next? forecasting player moves in sports videos", Proceedings of the IEEE International Conference on Computer Vision, pp.3342~3351 (2017)
- Gäbler, M., "The Effects of Concurrent Strength and Endurance Training on Physical Fitness and Athletic Performance in Youth: A Systematic Review and Meta-Analysis", Frontiers in Physiology, 9, pp.1057~ (2018)
- Johnston, R. D., "Applied Sport Science of Australian Football: A Systematic Review", Sports Medicine, 48(7), pp.1673~1694 (2018)
- Le, Q. V, "On optimization methods for deep learning", Proceedings of the 28th International Conference on International Conference on Machine Learning, pp.265~272 (2011)
- Nakamura, M., "Technical and tactical characteristic of Japanese high level women kendo players: comparative analysis", Science of Martial Arts, 10 (2014)
- O’donoghue, P., "Research methods for sports performance analysis" (2009), Routledge
- Ogle, J., "Optimal time of the attacking action in kendo", European Journal of Human Movement, 34, pp.109~122 (2015)
- Rein, R., "Big data and tactical analysis in elite soccer: future challenges and opportunities for sports science", SpringerPlus, 5(1), pp.1410~ (2016)
- Russo, M. A., "Sports Classification in Sequential Frames Using CNN and RNN", 2018 International Conference on Information and Communication Technology Robotics (ICT-ROBOT), pp.1~3 (2018)
- Shih, H., "A Survey of Content-Aware Video Analysis for Sports", IEEE Transactions on Circuits and Systems for Video Technology, 28(5), pp.1212~1231 (2018)
- Takami, Y., "Techniques and tactics from medal-winning men’s and women’s national teams in the 16th World Kendo Championships", Science of Martial Arts, 14 (2018)
- Zhu, Z., "Deep learning representation using autoencoder for 3D shape retrieval", Neurocomputing, 204, pp.41~50 (2016)