Cross-individual generalizability of machine learning models for ball speed prediction in baseball pitching

기술 요약: 야구 투구의 구속 예측을 위한 머신러닝 모델의 개인 간 일반화 가능성

문제 제기
머신러닝(ML)은 동일한 개인의 데이터로 학습 및 테스트했을 때 스포츠 수행 능력 결과(예: 구속, 점프 높이)에 대해 높은 예측 정확도를 보여왔으나, 이러한 모델의 **개인 간 일반화 가능성(cross-individual generalizability)**은 여전히 제대로 이해되지 않고 있다. 운동 동작은 복잡하고 비선형적인 관절 간 협응을 포함하며, 개인 간의 상당한 변동성을 수반한다. 결과적으로, 특정 선수의 데이터 내에서는 성능이 우수한 모델이라도 보지 못한 새로운 개인에게는 적용되지 않는 경우가 많다. 기존 연구들은 훈련 데이터와 테스트 데이터를 동일한 선수로부터 혼용하거나 명확한 데이터 분할이 부족하여, 실제 환경에서의 모델 유용성을 과대평가하는 경al이 있었다. 본 연구는 그룹 내 투수들을 대상으로 학습된 ML 모델이 완전히 새로운 투수의 구속을 얼마나 잘 예측할 수 있는지를 엄격하게 평가함으로써 이 간극을 해결하고자 한다.

연구 방법론
본 연구는 5가지 경쟁 수준(고교, 대학, 산업 리그, 독립 리그, 프로)에 걸친 50명의 투수 데이터셋을 활용하였다. 동작 데이터는 16대의 광학 카메라(200–500 Hz)를 사용하여 포착되었으며, 공의 속도는 Trackman을 통해 기록되었다.

• 데이터 전처리: 15개의 해부학적 랜드마크를 추적하였다. 데이터는 필터링되었으며, 투구 직전 1.0초부터 투구 직후 0.2초까지를 포함하는 101개 프레임으로 시간 정규화되었고, 왼손 투수를 위해 미러링 처리가 되었다.
• 모델 아키텍처: 두 가지 베이스라인 아키텍처인 **그래프 신경망-순환 유닛(GNN-GRU)**과 **트랜스포머(Transformer)**를 평가하였다. 각 모델에 대해 6가지 하이퍼파라드 설정이 테스트되었다.
• 검증 전략: 주요 평가 방법으로 **피험자 제외 교차 검증(Leave-One-Subject-Out Cross-Validation, LOSOCV)**을 사용하였다. 이 설정에서는 한 명의 투수에서 나온 모든 투구가 테스트 세트가 되며, 나머지 49명의 투수 데이터가 훈련 세트를 구성한다. 이 과정은 50회 반복되었다.
• 비교 분석:
  1. 개인 내 vs. 개인 간: 데이터의 일부를 분할하여 동일한 개인에 대해 훈련 및 테스트를 수행했을 때와 서로 다른 개인에 대해 수행했을 때의 성능을 비교하였다.
  2. 숙련도 효과: 투수들을 "중급"(고교/대학) 및 "전문가"(산업/독립/프로) 그룹으로 분류하여 숙련도가 예측 오차의 크기와 방향에 영향을 미치는지 분석하였다.
  3. 시공간적 절제(Spatiotemporal Ablation): 입력 데이터를 특정 신체 부위(투구 팔, 리딩 암, 몸통, 피벗 레그, 리딩 레그) 및 누적 시간 창으로 체계적으로 제한하여, 어떤 시공간적 특징이 일반화 가능성을 주도하는지 식별하였다.

주요 결과

• 성능 저하: 개인 내 평가에서 개인 간 평가로 넘어갈 때 예측 성능이 크게 하락하였다. 결정 계수($R^2$)는 0.91(개인 내)에서 0.38(개인 간)로 감소하였다.
• 베이스라인 모델 선택: 후보들 중 4개의 어텐션 헤드, 64의 잠재 차원, 128의 피드포워드 차원을 가진 트랜스포머 모델이 가장 높은 개인 간 $R^2$(0.38)를 달 기록하였으며, 이후 분석을 위해 선택되었다.
• 숙련도 편향: 절대 오차의 크기는 중급 그룹과 전문가 그룹 간에 유의미한 차이가 없었으나, **부호가 있는 예측 오차(signed prediction error)**는 차이를 보였다($p < 0.05$). 모델은 전문가에 비해 중급 투수의 구속을 과대평가하는 경향이 있었다. 이는 유사한 운동학적 입력에 대해 중급 투수가 낮은 움직임 효율성으로 인해 더 낮은 출력 속도를 낼 수 있음을 시사하며, 모델이 이 요인을 충분히 고려하지 못했음을 의미한다.
• 시공간적 요인:
  • 신체 부위: **몸통(trunk)**과 **피벗 레그(pivot leg)**가 가장 높은 개인 간 일반화 가능성을 보였다. 반면, 리딩 암(leading arm)은 가장 낮은 일반화 가능성을 보였다.
  • 시간적 단계: 피벗 레그는 체중 이동 시작 단계에서도 유의미한 일반화 가능성을 보였다($R^2 > 0.25$). 몸통, 리딩 레그, 리딩 암의 일반화 가능성은 공의 방출을 향해 동작이 진행됨에 따라 증가하는 경향을 보였으나, 피벗 레그와 투구 팔은 시간에 따라 U자형 성능 프로필을 나타냈다.

의의 및 주장
저자들은 본 연구가 스포츠 과학에서 ML의 실질적인 적용 가능성을 정확하게 평가하기 위해 개인 간 평가가 반드시 필요함을 강조한다고 주장한다. 연구 결과는 다음과 같다:

1. 일반화 가능성은 제한적이지만 유익하다: 개인 간 이동 시 예측력이 크게 떨어지지만, 남은 신호는 무작위가 아니며 생체역학적 일관성을 드러낸다.
2. 숙련도가 중요하다: 모델은 숙련도에 따라 성능을 체계적으로 잘못 추정할 수 있으며, 이는 움직임 효율성의 차이 때문일 수 있다. 이러한 편차는 개인별 능력을 정량화하는 데 사용될 수 있다.
3. 핵심 생체역학적 동인: 몸통과 피벗 레그는 초기 동작 단계에서도 가장 일관된 구속 예측 인자로 보인다. 이는 해당 분절들이 운동 사슬(kinetic chain)을 개시하며, 팔과 같은 원위부 분절에 비해 기능적 역할의 변동성이 적다는 생체역학적 이해와 일치한다.

본 논문은 향후 스포츠 분야의 ML 적용이 개인 수준의 검증을 넘어, 생체역학적 결정 요인을 이해하고 실제의 다양한 인구 집단에서 모델의 능력을 과대평가하는 것을 방지하는 방향으로 나아가야 한다고 결론짓는다.