Autoencoder Architectures for Athlete Performance Scoring from Wearable Telemetry

기술 요약: 웨어러블 텔레메트리를 활용한 운동선수 퍼포먼스 스코어링을 위한 오토인코더 아키텍처

문제 정의
IoT 웨어러블 기기의 확산으로 스포츠 분석의 주요 과제는 데이터 수집에서 데이터 합성으로 전환되었습니다. 러너들은 고차원의 다중 센서 훈련 로그(운동학적, 생리학적, 환경적 데이터)를 생성하지만, 이는 코치들이 수동으로 해석하기에 매우 어렵습니다. 기존 방식은 고정된 가중치를 가진 수작업 기반의 요약에 의존하는 경우가 많으며, 이는 워크로드, 피로도, 심혈관 반응 사이의 비선형적 상호작용(예: 오르막 달리기 중 페이스 저하와 심박수 상승이 동시에 발생하는 현상)을 포착하지 못합니다. PCA(주성분 분석)와 같은 차원 축소 기술이 존재하지만, 이는 선형성에 국한되어 있으며 일반적으로 재구성 정확도만을 최적화할 뿐, 결과로 도출된 퍼포먼스 스코어의 해석 가능성과 안정성을 간과합니다. 따라서 다중 센서 텔레메트리를 단일하고 해석 가능한 스칼라 점수로 압축하면서도, 비선형적인 생리학적 관계를 보존하고 안정적인 특징 순위를 보장하는 통합된 프레임워크가 부족한 실정입니다.

방법론
본 연구는 Golden Cheetah 플랫폼에서 추출한 45,836개의 익명화된 러닝 세션 데이터를 사용하여 다섯 가지 차원 축소 아키텍처를 평가합니다. 입력 데이터는 페이스, 평균 심박수, 고도 변화, 총 거리, 케이던스, 에어로빅 디커플링(aerobic decoupling), 연령, 체중, 성별의 9개 특징으로 구성됩니다.

1. 모델 아키텍처: 모든 모델은 9차원 입력을 1차원 병목 구간(잠재 점수)으로 축소하며, 다섯 가지 모델을 비교했습니다.

   • Simple AE: 단일 레이어 매핑.
   • Medium AE: Input → 16 → 1 → 16 → Output.
   • Deep AE: Input → 32 → 8 → 1 → 8 → 32 → Output.
   • PCA: 선형 베이스라인.
   • Variational Autoencoder (VAE): 32차원의 중간 레이어를 가진 확률적 인코더.
   • 설계 노트: 은닉층(hidden layers)은 충분한 표현 용량을 확보하기 위해 넓게(16 또는 32 유닛) 유지하여, 병목 구간의 한계와 은닉층의 용량 한계를 구분하였습니다.

2. 평가 프레임워크:

   • 복합 선택 기준: 모델 품질은 재구성 정확도와 잠재 점수의 해석 가능성을 결합한 가중치 점수($Score_{sel}$)로 평가되었습니다: $Score_{sel} = \alpha \cdot (1 - MSE_{norm}) + (1 - \alpha) \cdot Q$. 여기서 $\alpha=0.5$이며, $Q$는 잠재 점수 품질(Latent Score Quality)을 나타냅니다.
   • 해석 가능성 지표: $Q$를 결정하기 위해 Spearman 순위 상관계수, Kendall 순위 상관계수, 상호 정보량(Mutual Information), 그리고 랜덤 포레스트를 이용한 순열 중요도(Permutation Importance)의 네 가지 지표를 통해 특징 중요도를 측정했습니다. 이 순위들은 수정된 보다 카운트(Borda count) 방식을 통해 집계되었습니다.
   • 안정성: 부트스트랩 검증(복원 추출을 통한 재표본 추출)을 사용하여 특징들이 상위 3위에 등장할 확률을 계산하고, 특징 순위에 대한 95% 신뢰 구간을 설정했습니다.

주요 결과

• 모델 성능: Deep Autoencoder가 가장 낮은 재구성 오차(MSE = 0.001781)와 가장 높은 복합 점수(0.972)를 달 기록했습니다.
• 용량 대 병목 구간: Medium AE의 은닉층을 넓혔을 때 성능이 크게 향ye하여 VAE 및 PCA에 근접했습니다. 이는 초기 결정론적 변형 모델들의 한계가 1차원 병목 구간 자체가 아니라 은닉층의 용량에 있었음을 시사합니다.
• 특징 안정성: 모든 모델과 부트스트랩 재표본 추출 과정에서 세 가지 특징이 잠재 점수의 핵심 동인으로 일관되게 나타났습니다: 러닝 페이스(running pace), 에어로빅 디커플링(aerobic decoupling), 평균 심박수(average heart rate). 이 특징들은 상위 3위 포함 확률 1.000을 달성했습니다.
• 선형 베이스라인과의 비교: Deep AE의 잠재 점수는 단순 선형 베이스라인과 강한 역상관 관계를 보였습니다 (Spearman $\rho = -0.850$). 비선형 모델은 페이스와 심박수의 단순한 선형 조합으로는 놓칠 수 있는 요소인 에어로빅 디커플링을 우선순위에 두었습니다.
• 생리학적 타당성: 잠재 점수는 운동선수들을 생리학적으로 뚜렷하게 구분해 냈습니다. 고득점 그룹의 운동선수들은 빠른 페이스(2.2–2.6 min/km), 거의 제로에 가까운 에어로빅 디커플링, 125–134 bpm의 심박수를 보인 반면, 저득점 그룹은 더 느린 페이스와 유의미한 심혈관 드리프트(cardiovascular drift)를 보였습니다.

핵-기여

1. 통합 평가 프레임워크: 재구성 정확도와 도출된 점수의 해석 가능성을 동시에 최적화하는 비지도 학습 기반의 운동선수 랭킹 방법을 제시합니다.
2. 복합 선택 기준: 재구성 오차(MSE)만을 기준으로 모델을 선택하는 것을 방지하고, 더 해석 가능한 잠재 표현을 생성하는 모델을 선호하도록 하는 선택 메트릭을 제안합니다.
3. 합의된 특징 순위: 네 가지 서로 다른 설명 가능한 AI(XAI) 지표를 집계하기 위해 수정된 보다 카운트를 사용하여 특징 중요도에 대한 견고한 합의를 제공합니다.
4. 안정성 평가: 부트스트랩 검증을 통해 식별된 핵심 생리학적 동인들이 특정 훈련 세트의 산물이 아니라 데이터 분할 전반에 걸쳐 안정적임을 확인합니다.

의의 및 주장
본 논문은 제안된 프레 framework가 라벨링된 결과값이나 전문가가 정의한 가중치 없이도 복잡한 다중 센서 러닝 텔레메트리를 단일하고 해석 가능한 퍼포먼스 지표로 성공적으로 압축할 수 있다고 주장합니다. 결과는 딥 오토인코더가 순수 비지도 학습을 통해 스포츠 과학에서 확립된 생리학적 관계(특히 페이스, 심박수, 에어로빅 디커플링의 역할)를 복구할 수 있음을 보여줍니다.

저자들은 재구성 오차(MSE)만을 신뢰하는 것은 생리학적 모델링에 불충분하다고 강조합니다. 왜냐하면 서로 다른 아키텍처가 유사한 오차를 생성하면서도 운동선수의 순위를 상반되게 매길 수 있기 때문입니다. 해석 가능성과 안정성 검사를 통합함으로써, 본 프레임워크는 코치가 퍼포먼스를 요약하고 피로 또는 오버리칭(overreaching)을 식별하는 데 실질적인 도구를 제공합니다. 연구는 현재의 결과가 유망하지만, 향후 연구에서는 실제 정답 지표(예: VO2max, 경기 결과)에 대한 지도 학습 기반 검증과 타 기기 생태계로의 교차 플랫폼 일반화가 필요함을 결언합니다.