골프 데이터 분석01

01-논문리뷰

🔴 논문 제목 : Quantitative Golf Swing Analysis based on Kinematic Mining Approach (데이터마이닝을 활용한 골프 스윙 최적화 분석)

🟠 Introduction

• 선행연구) 스윙의 복잡성으로 인해 스윙 동작을 분석하기 위한 다양한 연구
• 최근연구) 머신러닝 알고리즘을 활용하여 영상속의 동작추출 정확도를 높임
  ▶ chang & Nam (2013) '랜덤 포레스트 알고리즘 활용'을 통해 영상속에서 사람을 동작추출 ➡ 관절구조 검출 가능함을 확인
  ▶ Dahlbom & Reveiro (2015) '머신러닝 알고리즘 기반'으로 숙련자 vs. 비숙련자 분류 모델 구축
  🍀 본 논문
• 초보자 & 전문가의 스윙 구분하는 주요요인에 대한 확인
• 전문가 스윙과 유사하게 만들기 위한 정량적 분석
  ▶ 특히, '의사결정나무', '최적화 방법론'을 통해서 초보자에게 스윙 가이드 제시

🟡 Data

• PGA 30명 : 구글 이미지 다운
• 초보자 30명 : 수업 수강했던 학생
  🌟 Figure 1 은 프로골퍼의 백스윙과 팔로우 동작
  🌟 Figure 2 은 아마추어의 백스윙과 팔로우 동작
  
  

🟢 스윙동작 측정을 위해 11개의 측정점
🌟 Figure 3의 A-D에 대한 설명

• 그림 A, C 백스윙과 팔로스루 자세 측정점 표시
• 그림 B, D 연결된 직선의 각도를 측정함으로써 각 스윙동작을 측정하기 위한 변수들 계산
• 골프전문가 & 초보자의 스윙 동작이 추출된 2개의 주성분(PC1, PC2) 좌표 상에서 충분히 구분되고 있음을 확인 ➡ 골프프로/초보자 스윙동작 차이 확인 (분류가능)
  

🔵 연산된 15개 변수의 목록과 설명
🌟 Table 1 List and description of variables

🟣 Method

• 1. 변수 선택 알고리즘 (ANOVA 기법)
     : 데이터가 갖고 있는 여러변수 가운데 종속변수와 긴밀한 관계를 갖는 유의한 독립변수들을 찾아내고 불필요한 변수들 제거함 ➡ 계산복잡도 & 정확도면에서 효율적
• 2. 분류 알고리즘
     (1) Classification & regression trees (CART)
     : 의사결정나무 기법 中 하나
     (2) k-nearest neighbor (kNN)
     : 분류 or 예측하고자 하는 관측치와 근접한 K개의 관측치를 이용하여 분류 및 예측을 수행하는 알고리즘
     : 고려할 점) 근접한 이웃점의 개수(k)와 거리척도(distance metric)
     (3) Support vector machine (SVM)
     : 분류와 예측문제에 모두 적용할 수 있는 비선형 예측 알고리즘
     : 데이터를 분류할 수 있는 가능한 큰 마진(margin)을 갖는 초평면 찾기
     (4) Logistic regression
     

🟤 Results

• 1. PCA를 통한 데이터 시각화
• Figure 4 골프선수들의 스윙동작 측정 데이터의 시각화를 위해서 대표적인 차원 축소법의 하나인 주성분 분석
• Figure 4 대표적인 변수추출(feature extraction) 방법, 분산의 크기를 최대로 하는 변수를 찾아 데이터를 축소하여 데이터가 갖고 있는 정보를 용이하게 표현해주는 분석법
  
• 2. 변수 선택(feature selection) 결과
• Table 2 ANOVA 분석의 결과로 초보자의 전문골퍼 유의한 차이
• Figure 5 실제 전문가 + 초보자 차이를 나타내는 그림이며, 골프스윙동작의 스윙질을 결정하는 5가지 요소 A-E는 다음과 같음
• A 백스윙 시 ➡ 왼쪽 무릎각도로 선수의 무게 중심이 이동했는지?
• B 팔로스루 자세 ➡ 머리와 지면이 이루는 각도로서 스윙동작에서 머리가 움직이지 않고 고정되어 있는지 평가
• C 오른쪽 팔꿈치 각도 ➡ 스윙 동작시 가장 중요한 요소 中 하나
• D 팔로스루 자세 ➡ 왼쪽 무릎이 이루는 각도로 중심 이동 후 몸을 지탱해주는 척도를 대변함
• E 허리가 휘어진 정도로서 임팩트 후 ➡ 얼마나 허리 + 엉덩이 회전하는지?
  
• 3. 분류(classification) 결과
• Table 3에서 LOOCV는 하나의 관측치를 검증데이터(testing data)로 여기고, 해당 관측치를 제외한 나머지 관측치들을 학습 데이터로로 활용하여 모델 구축한 다음 각 개별 관측치들을 하나씩 검증해나가는 기법(샘플 수 개수가 제한적일 때, 효과적 사용)
• Table 3 LR 알고리즘이 가장 높은 정확도를 보임
• Table 3 골프스윙 동작에서 신체 각 관절 사이의 각도를 이용해 전문가와 초보자의 스윙의 분류가 가능함을 유추할 수 있음
  
• 4. 의사결정나무를 통한 스윙 교정 제안
• Figure 6 골프스윙 동작에서 추출된 15개의 관절 사이의 각도 中 변수 선택 알고리즘을 통해 선택된 5개의 변수를 이용하여 해당선수의 초보자, 전문골퍼 분류 ➡ CART 모델 결과
• 전문가로 분류하는 의사결정규칙 ('전문가 분류')
  : 우측 팔꿈치 170도 이상
  : 허리 휘어진 정도 155.2도 이하
• 즉, 의사결정나무는 전문가와 초보자를 구분하는 의사결정규칙 활용, 사용자의 스윙동작을 관측하였을 때, 어떤 부분의 자세를 교정해야 스윙의 질을 향상 시킬 수 있는지 '가이드라인' 활용
  
• 5. 최적화(Optimization) 기법을 활용한 스윙 교정 제안
• 공식 프로골퍼 선수들의 스윙유형과 유사하도록 각각의 스윙 변수의 최적값을 추천해주는 목적함수
  
• Figure 7 빠른 수렴속도를 통해 해당 GA알고리즘이 해당 문제해결에 적합한 Slover로써 작동했음을 유추할 수 있음
  
• Table 4 수렴된 GA 결과에 의해 추천된 최적 스윙 조건을 나타냄
• Table 4 특히, 프로골퍼 & 초보자가 가장 유의한 차이를 보이는 팔로스루 시, 우측 팔꿈치 각도는 161도, 허리 스윙 각도는 163도임
• Table 4 팔로스루 구간) 최대한 오른쪽 팔을 펴야한다는 일반론과 일치함
• Table 4 임팩트 구간) 하체 체중이 동시에 허리 휘어짐과 매칭되는 결론
  

⚫ Discussion

• 한계점
  (1) 샘플 수 부족 (초보자 30명, 전문가 30명)
  : 향후, 더 많은 선수들의 영상으로 분석으로 더 정확한 결론
  (2) 스윙의 질(Quailty)
  : 결정짓는 자세에 대해 제한적인 2차원 이미지 데이터(백스윙, 팔로스루)를 분석함
  : 따라서, 3차원 입체 영상을 대상으로 전체적인 스윙자체를 분석할 필요성 있음
  : 향후, 다양한 인공지능 기법과 영상처리 방법론 적용할 것임

⚪ Conclusion

• 관절 사이의 각도 측정함으로 '스윙동작을 평가할 수 있는 척도' 마련
• 변수 선택 알고리즘 : 전문가의 스윙동작과 초보자의 스윙동작 비교 (차이)
• 의사결정나무 모델, 최적화 알고리즘 적용을 통해 실제 사용자들의 스윙 교정 '가이드 라인' 제시