🧬 biology

Data-driven computational framework for personalized training plans in cycling

본 연구는 새로운 연속적 수행 지표, 개인별 용량-반응 관계를 포착하기 위한 고급 회귀 모델링, 그리고 미래의 성과를 극대화하기 위한 차분 진화 최적화를 통합함으로써 개인 맞춤형 사이클링 훈련 계획 생성을 자동화하는 모듈형 데이터 기반 계산 프레임워크를 제안한다.

원저자: Tom Van Deuren, Louis Van Gaelen, Thomas Servotte, Tim Verdonck

게시일 2026-10-05

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Tom Van Deuren, Louis Van Gaelen, Thomas Servotte, Tim Verdonck

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

수십 년 동안 운동 능력 향상의 경로는 방대한 데이터와 인간의 직관이 혼합된 형태였습니다. 사이클리스트와 코치들은 오랫동안 생성되는 모든 와트(watt)의 출력과 심박수를 추적하는 웨어러블 기기에 의존해 왔으며, 이는 신체가 노력에 어떻게 반응하는지에 대한 거대한 정보의 흐름을 만들어냈습니다. 전통적으로 이 데이터를 해석하기 위해서는 코치가 수치를 살펴보고, 자신의 경험을 적용하여 다음 주나 다음 달의 계획을 수동으로 그려내야 했습니다. 이러한 방식도 효과적이긴 하지만, 신체가 다음에 무엇을 필요로 하는지에 대한 체계적인 계산보다는 추측에 의존함으로써 잠재된 엄청난 가능성을 남겨두게 됩니다. 현대 스포츠 과학의 핵심 과제는 더 이상 단순히 데이터를 수집하는 것이 아니라, 그 노력의 역사를 어떻게 미래의 성공을 위한 정밀한 처방으로 전환하여, 선수를 단순히 관찰하는 단계에서 수학적으로 정점에 도달하도록 유도하는 단계로 나아가는가에 있습니다.

앤트워프 대학교의 연구진은 사이클리스트를 위해 이 과정을 자동화하도록 설계된 새로운 계산 프레임워크를 개발했습니다. 이 시스템은 코치에게 데이터를 해석하도록 요청하는 대신, 선수의 과거 훈련으로부터 학습하여 미래의 성과를 예측하고, 특정 목표에 도달하기 위해 필요한 정확한 훈련 계획을 계산합니다. 이 시스템은 선수가 실험실을 방문하거나 기진맥진할 정도의 최대 강도 테스트를 수행할 필요가 없는 연속적인 체력 측정치를 생성하는 것으로 시작됩니다. 일반적인 저강도 라이딩 중 파워 출력과 심박수 사이의 관계를 분석함으로써, 시스템은 사이서가 현재 어느 정도의 체력을 갖추고 있는지 추정합니다. 라이더의 센서로부터 이미 수집된 일상적인 데이터를 통해 도출된 이 지표는, 빈번하고 침습적인 테스트의 방해 없이도 신체 상태에 대한 지속적이고 최신화된 뷰를 제공합니다.

시스템이 신뢰할 수 있는 현재의 체력 측정치를 확보하면, 훈련의 역사를 검토하여 그 체력이 어떻게 구축되었는지 파악합니다. 시스템은 단순히 수행된 총 작업량뿐만 아니라, 강도, 지속 시간, 그리고 노력이 서로 다른 운동 영역(zone)에 어떻게 분배되었는지까지 조사합니다. 연구진은 훈련 이력과 그 결과로 나타나는 체력 사이의 관계를 모델링하기 위해 네 가지 서로 다른 수학적 접근 방식을 테스트했습니다. 그 결과, 모든 사람에게 적용되는 단 하나의 공식은 없다는 사실을 발견했습니다. 어떤 선수들에게는 훈련 부하와 성과 사이의 단순한 직선적 관계만으로도 정확한 예측을 하기에 충분했습니다. 그러나 다른 선수들의 경우, 신체의 반응은 훨씬 더 복잡하여 체력이 어떻게 적응하는지에 대한 미묘한 차이를 포착하기 위해 정교한 비선형 모델이 필요했습니다. 이 발견은 '일률적인(one-size-fits-all)' 훈련 이론의 결정적인 한계를 보여줍니다. 즉, 성과를 예측하는 최선의 방법은 전적으로 개별 선수의 고유한 생리학적 특성에 달려 있다는 것입니다.

특정 선수에게 맞춤화된 예측 모델을 갖춘 이 프레임워크는 그 과정을 역전시킵니다. "이 훈련을 하면 내 체력이 어떻게 될까?"라고 묻는 대신, "미래의 특정 날짜에 체력을 극대화하려면 어떤 훈련을 해야 하는가?"라고 질문합니다. 고급 최적화 알고리즘을 사용하여, 시스템은 훈련 시간, 강도 및 분배의 수백만 가지 가능한 조합을 탐색하여 최적의 단일 계획을 찾아냅니다. 테스트에서 이 접근 방식은 표준적인 계획 방식에 비해 평균적으로 5.5%의 성과 향상을 이끌어낼 수 있는 훈련 처방을 생성했습니다. 또한 이 시스템은 다양한 목표를 우선시할 수 있도록 유연하게 설계되었습니다. 원시 파워 출력을 극대화하도록 설정하거나, 체력과 피로 사이의 균형을 관리하도록 설정할 수 있어 매우 맞춤화된 전략을 제공합니다.

18명의 사이클리스트 데이터를 장기간 분석한 이 연구는 이러한 데이터 기반 접근 방식이 실행 가능하며 효과적임을 확인해 줍니다. 연구진은 이 체력 지표를 실험실 테스트와 대조하여 검증하였으며, 이 지표가 생리학적 추세를 정확하게 추적한다는 것을 발견했습니다. 다만, 훈련 데이터가 부족한 휴식기에는 안정성이 떨어질 수 있다고 언급했습니다. 이 결과는 지구력 훈련의 미래가 모든 선수를 경직된 틀에 맞추는 것이 아니라, 개별 선수에 맞춰 수학적 모델을 조정할 수 있는 모듈형 시스템에 있음을 시사합니다. 선수가 어떻게 반응할지를 예측하는 것과 무엇을 해야 할지를 정확히 처방하는 것 사이의 간극을 메움으로써, 이 프레임워크는 성과 최적화를 향한 새로운 경로를 제시합니다. 현재는 사이클링에 시연되었으나, 이 근본적인 논리는 다른 지구력 스포츠에도 적용될 수 있도록 설계되어 있으며, 이는 빅데이터가 과거의 기록에서 미래를 위한 정밀한 가이드로 변모하는 미래를 암시합니다.

기술 요약: 사이클링의 개인 맞춤형 훈련 계획을 위한 데이터 기반 계산 프레임워크

문제 정의
웨어러블 기술의 확산으로 사이클링 분야에서 방대한 종단적 데이터가 생성되고 있음에도 불구하고, 기술적 수준은 기술적 모니터링(descriptive monitoring)에서 데이터 기반의 처방적 의사결정(prescriptive decision-making)으로 전환되지 못하고 있습니다. 현재의 훈련 계획은 수학적 최적화보다는 주로 전문가의 수동적 해석을 통해 설계됩니다. 또한, 기존의 수행 능력 평가 방식은 젖산 역치(lactate thresholds), $VO_2max$ 와 같은 침습적이고 불규칙적인 실험실 테스트나, 훈련 주기를 방해하는 최대 필드 노력(예: FTP 테스트)에 의존합니다. 특정 수행 목표를 달ле achieve하기 위해 최적의 훈련 개입을 수학적으로 결정할 수 있는 시스템이 부재하며, 이는 예측 분석과 처방적 스포츠 과학 사이의 간극을 남겨두고 있습니다.

방법론
저자들은 개인 맞별 훈련 계획 생성을 자동화하기 위해 설계된 모듈형 계산 프레임워크를 제로합니다. 이 프레임워크는 네 가지 순차적이고 교체 가능한 단계로 구성됩니다:

지속적 수행 지표 정의:
실험실 테스트에 의존하는 대신, 본 연구는 지속적인 지표인 PO@HRtarget(목표 심박수에서의 파워 출력)을 도입합니다. 이 지표는 하위 최대(submaximal) 종단적 센서 데이터(파워 출력 및 심박수)로부터 도출됩니다.
- 계산: 60백분위수 심박수를 중심으로 하는 개인화된 심박수 범위 내의 노력을 필터링합니다. 심박수 지연(HR lag)을 고려하여 초기 5분을 제외하고, 심혈관 드리프트(cardiovascular drift)를 피하기 위해 60분 이후의 데이터를 제외합니다.
- 정규화: 파워 값은 휴식 시 심박수와 노력 시 심박수를 경계값으로 사용하여 목표 심박수( $HR_{target}$ )로 선형 보간됩니다.
- 집계: 특정 날짜에 대해, 해당 지표는 이전 4주간의 수정된 파워 값을 집계하며, 견고성을 확보하기 위해 절단 평균(trimmed mean, 상하위 20% 제거)을 적용하고 역사적 범위를 기준으로 값을 클리핑(clipping)합니다.
특징 공학 (Feature Engineering):
훈련 부하와 유형을 정량화하기 위해 워크아웃 데이터에서 특징을 추출하며, 특히 처방 가능한 변수들에 집중합니다. 여기에는 다음이 포함됩니다:
- 부하 지표: 만성 훈련 부하(CTL), 급성 훈련 부하(ATL), 만성/급성 기간 부하(CDL/ADL), 그리고 만성 강도 부하(CIL)가 포함되며, 이는 특정 시간 상수(예: CTL의 경우 $\tau=56$ )를 가진 지수적 감쇠 평균을 사용하여 계산됩니다.
- 강도 분포: 세 가지 심박수 존(LT1 미만, LT1/LT2 사이, LT2 초과)에서 보낸 시간의 비율로부터 도출되는 폴라라이제이션 지수(Polarization Index, PI)를 포함합니다.
예측 모델링:
프레임워크는 추출된 특징들을 바탕으로 PO@HRtarget 지표를 예측하는 회귀 모델을 학습시킵니다. 다양한 용량-반응(dose-response) 관계를 포착하기 위해 네 가지 아키텍처가 평가됩니다:
- Lasso: L1 규제가 적용된 선형 모델입니다.
- Random Forest (RF): 비선형 앙상블 방법입니다.
- XGBoost: 그래디언트 부스팅 프레임워크입니다.
- RaFFLE (Random Forest Featuring Linear Extensions): 랜덤 포레스트와 선형 모델 트리를 결합한 새로운 모델입니다.
- 견고성: 필드 데이터의 노이즈를 처리하기 위해, 모델은 표준 최소제곱법(least-squares minimization) 대신 MAE(Mean Absolute Error)를 최적화 목표로 활용하여 견고성을 우선시하며, MAD(Median Absolute Deviation)를 기준으로 예측값을 클리핑합니다.
처방적 최적화:
예측 모델을 역으로 활용하기 위해 차분 진화(Differential Evolution) 알고리즘이 사용됩니다. 이 알고리즘은 예측된 미래 수행 능력(PO@HRtarget) 또는 훈련 스트레스 밸런스(TSB)를 극대화하는 훈련 계획 파라미터 세트를 탐색합니다.
- 파라미터: 최적화는 네 가지 주간 파라미터를 변화시킵니다: 부하 증가 비율, 지속 시간 표준 편차, 휴식일의 양, 그리고 폴라라이제이션 지수입니다.
- 변환: 이러한 파라미터는 강도와 지속 시간 사이의 역관계( $IF \leq 0.9d^{-1}$ )와 같은 제약 조건을 사용하여 일일 훈련 계획(지속 시간, 강도, 존 분포)으로 변환됩니다.

주요 결과

지표 검증: 4명의 프로 사이클리스트를 대상으로 한 실험실 젖산 역치 테스트와의 검증 결과, PO@HRtarget이 생리학적 추세를 효과적으로 추적함을 보여주었습니다. 다만, 낮은 데이터 볼륨으로 인해 휴식기 이후에는 불안정성을 보이기도 했습니다.
모델 성능: 18명의 운동선수를 대상으로 한 결과, 모델들은 평균 5~10 와트(Watts) 사이의 out-of-sample MAE를 달 기록했습니다. 이 오차 크기는 상용 파워 미터의 고유 측정 불확실성( $\pm 1.5\%$ )과 유사한 수준입니다.
개체 간 가변성: 모든 선수에게 동일하게 우수한 단일 모델 아키텍처는 존재하지 않았습니다. 일부에게는 선형 모델(Lasso)로 충분했으나, 다른 이들에게는 비선형 앙상블(RF, RaFFLE)이 필요했습니다. 이는 유연하고 모듈화된 아키텍처의 필요성을 입증합니다.
특징 중요도: SHAP 분석과 특징 중요도 플롯은 만성적 특징(예: CTL)이 수행 능력의 지배적인 예측 인자임을 일관되게 식별했으며, 강도 분포(PI)와 강도 부하(CIL)가 부차적인 가치를 제공함을 보여주었습니다.
최적화 결과: 처방적 최적화는 PO@HRtarget을 목표로 할 때 평균 **5.5%**의 수행 능력 향상 잠재력을 보여주었으며, 이에 따른 평균 TSB 변화는 +1.21이었습니다. TSB를 직접 목표로 했을 때는 수행 능력 변화가 미미했으나(-0.1%), TSB는 크게 증가했습니다(+13.20).

의의 및 주장
본 논문은 스포츠 과학에서 예측 분석과 처방적 의사결정 사이의 간극을 메운다고 주장합니다. 주요 기여는 다음과 같습니다:

모듈형 프레임워크: 경직된 솔루션과 달리, 이 프레임워크는 수행 지표, 예측 모델, 최적화 전략을 독립적으로 선택할 수 있게 하여, 개별 운동선수의 다양한 생리학적 특성에 대응할 수 있습니다.
지속적 모니터링: 일상적인 하위 최대 훈련 데이터로부터 수행 지표를 도출함으로써, 빈번한 최대 실험실 또는 필드 테스트에 따르는 물류적 부담과 훈련 중단을 제거합니다.
자동화된 처방: 사후 분석에서 전방향적(forward-looking) 데이터 기반 훈련 처방으로 나아가는 경로를 제시하며, 특정 수행 목표를 극대화하는 최적화된 계획을 생성합니다.
확장성: 사이클링 데이터로 검증되었으나, 저자들은 이 방법론이 종목에 구애받지 않으며 다른 지구력 종목으로 확장 가능하다고 주장합니다. 이는 개인화된 수행 최적화를 위해 빅데이터를 활용하는 메커니즘을 제공합니다.

저자들은 현재의 프레임워크가 일일 회복(예: HRV, 수면)에 대한 실시간 피드백 루프 없이 과거 데이터에 기반한 정적 계획을 생성한다는 점과, 처방의 정밀도가 운동선수의 메타데이터(예: 정확한 FTP 및 역치 추정치) 품질에 달려 있다는 점을 언급하며 한계점에 대해 신중한 태도를 유지하고 있습니다.

유사한 논문