Markerless Pose Estimation for Resistance Training Technique Assessment

신체 훈련의 세계에서 근력을 키우는 것과 부상을 입는 것 사이의 차이는 흔히 움직임이라는 단 하나의 세부 사항에서 결정됩니다. 수십 년 동안 전문가들은 이 움직임을 판단하기 위해 두 가지 주요 방법을 의존해 왔습니다. 첫 번째는 인간의 눈으로, 코치가 선수를 관찰하고 경험을 바탕으로 피드백을 제공하는 방식입니다. 두 번째는 실험실로, 과학자들이 값비싼 카메라와 사람의 피부에 붙인 작은 반사 스티커를 사용하여 모든 관절을 극도로 정밀하게 측정하는 방식입니다. 실험실 방식은 부정할 수 없는 정확성을 제공하지만, 이는 연구 센터 안에 갇혀 있어 대부분의 사람들이 훈련하는 웨이트 트레이닝 현장과는 거리가 멉니다. 이는 움직임에 관한 첨단 과학과 무게를 들어 올리는 일상의 현실 사이에 간극을 남깁니다.

브리스톨 대학교의 새로운 연구는 다음과 같은 단순한 질문을 던짐으로써 이 간극을 메우고자 합니다. 스티커나 특수 장비 없이도 일반 스마트폰 카메라가 사람이 안전하게 운동하고 있는지 알려줄 수 있을까? 연구진은 스쿼트, 벤치 프레스, 데드리프트라는 세 가지 기본 운동에 집중했는데, 이 동작들은 여러 관절이 관여하며 잘못 수행할 경우 부상 위험이 높기 때문입니다. 그들은 현대의 컴퓨터 비전(컴퓨터가 영상을 통해 인간의 몸을 '보고' 매핑하는 기술)이 실험실 방문의 필요성을 대체할 수 있는지 알고 싶었습니다. 목표는 완벽한 의료 도구를 만드는 것이 아니라, 실용적이고 접근 가능한 시스템이 움직임의 본질적인 형태를 포착하여 이미 알려진 좋은 사례와 비교할 수 있는지 확인하는 것이었습니다.

이 아이디어를 테스트하기 위해 연구팀은 일반 영상 푸티지를 가져와 움직임의 이야기로 변환하는 디지털 프레임워크를 구축했습니다. 그들은 모든 영상 프레임에서 어깨, 팔꿈치, 무릎과 같은 인체의 33개 핵심 지점을 찾아낼 수 있는 가벼운 컴퓨터 프로그램을 사용했습니다. 일단 이 지점들이 식별되면, 시스템은 이들을 연결하여 사람이 움직일 때 발생하는 관절의 각도를 계산합니다. 예를 들어 스쿼트의 경우, 프로그램은 무릎이 어떻게 굽혀지는지, 그리고 상체가 어떻게 앞으로 기울어지는지를 관찰했습니다. 연구진은 이후 교육용 영상 모음에서 완벽한 반복 동작이 담긴 영상을 선택하여 '골드 스탠다드(표준)' 참조 모델을 만들었습니다. 이 완벽한 움직임은 다른 모든 시도를 측정할 수 있는 기준점이자 템플릿 역할을 했습니다.

연구진은 수백 개의 영상을 시스템에 입력하였고, 조명이 나쁘거나 신체 일부가 너무 많이 가려진 영상들은 걸러냈습니다. 그들은 89개의 고품질 녹화 데이터셋에 집중했습니다. 스쿼트 영상을 분석했을 때, 시스템은 매우 놀라운 성과를 보였습니다. 시스템은 거의 모든 프레임에서 움직임을 성공적으로 추적하며, 무릎이 굽혀지고 펴지는 매끄러운 곡선을 포착해 냈습니다. 컴퓨터는 깊고 통제된 스쿼트와 얕거나 흔들리는 스쿼트의 차이를 구분할 수 있었습니다. 테스트 영상의 무릎 각도를 완벽한 참조 영상의 각도와 비교함으로써, 시스템은 점수를 부여했습니다. 점수가 100점이면 움직임이 이상적인 형태와 완벽하게 일치함을 의미했고, 점수가 낮으면 편차가 있음을 나타냈습니다. 10회의 스쿼트 반복을 포함한 한 테스트에서, 시스템은 첫 번째 반복이 이상형과 가장 달랐던 반면 여덟 번째가 가장 가까운 일치도를 보였다는 것을 밝혀냈으며, 이는 기술이 단일 운동 세트 내에서도 기술적 변화를 포착할 수 있음을 보여주었습니다.

그러나 이 연구는 이 기술을 사용하는 사람이 반드시 존중해야 할 중요한 한계점 또한 드러냈습니다. 그것은 바로 카메라의 각도가 그 무엇보다 중요하다는 사실입니다. 연구진은 사람이 정적인 스쿼트 자세를 취하고 있는 동안 옆면, 뒷면, 앞면에서 촬영하며 이를 테스트했습니다. 카메라가 측면에 위치하여 움직임을 평면적인 2차원 프로필로 포착했을 때는 무릎 각도가 정확하게 보였습니다. 하지만 카메라가 앞이나 뒤로 이동하자, 사람의 다리는 전혀 움직이지 않았음에도 불구하고 컴퓨터가 추정한 무릎 각도는 급격히 변했습니다. 이러한 왜곡은 리프터가 금속 웨이트 랙 안에 있을 때 더 심해졌는데, 바(bar)가 신체의 일부를 가렸기 때문입니다. 시스템은 숨겨진 관절의 위치를 추측하는 데 어려움을 겪었고, 이는 혼란스럽고 부정확한 데이터로 이어졌습니다. 이 발견은 카메라를 아무 데나 배치할 수 없다는 점을 입증했습니다. 기술이 작동하려면 영상이 반드시 특정 측면 뷰에서 촬영되어야 합니다.

이 기술은 어떤 운동에는 더 잘 작동하고 어떤 운동에는 그렇지 않다는 점도 보여주었습니다. 스쿼트와 데드리프트는 높은 신뢰도로 추적된 반면, 벤치 프레스는 까다로운 것으로 나타났습니다. 벤치 프레스에서는 사람이 등을 대고 누워 있는데, 무거운 바벨이 팔과 어깨의 시야를 가리는 경우가 많습니다. 컴퓨터가 주요 관절을 명확하게 볼 수 없었기 때문에 많은 부분의 영상에서 움직임을 추적하는 데 실패했습니다. 이는 이 방식이 신체가 완전히 보이는 직립 운동에는 강력하지만, 아직 모든 유형의 운동에 적용될 준비는 되지 않았음을 시사합니다. 연구진은 자신들의 시스템이 접근 가능한 생체 역학을 향한 유망한 단계이며, 스쿼트와 데드리프트에 대해 유용한 피드백을 제공할 수 있지만, 모든 상황에서 작동하는 마법 같은 해결책은 아니라고 결론지었습니다.

궁극적으로 이 작업은 고품질의 움직임 분석이 실험실 예산을 가진 사람들뿐만 아니라 모두에게 제공되는 미래에 우리가 더 가까워지고 있음을 보여줍니다. 이 시스템은 단순한 영상을 통해 리프트의 이야기를 성공적으로 추출하여, 기술이 언제 일관성을 유지하고 언제 이상적인 형태에서 벗어나는지를 식별할 수 있습니다. 시스템은 운동선가에게 첫 몇 번의 반복은 흔들렸지만, 세트가 진행되면서 리듬을 찾았다고 말해줄 수 있습니다. 그러나 앞으로 나아가는 길에는 절제력이 필요합니다. 이 도구로부터 최대한의 이득을 얻으려면, 사용자는 카메라를 어디에 둘 것인지, 그리고 무엇을 촬영하고 있는지 주의를 기울여야 합니다. 이 기술은 코치를 대체하는 것이 아니라, 우리가 어떻게 바라보느냐에 따라 우리 자신의 힘의 기하학적 구조를 보여줄 수 있는 새로운 종류의 거울입니다.