Cross-country (XC) skiing has been adopted since 1924 in the Winter Olympics in Chamonix, France. It is a winter sport that traverses the diverse snow-covered terrain. The preferred techniques differ depending on the terrain, and it is known that the result of the competition can be changed even in a few seconds. Therefore, strategic selection of skiing technique according to terrain is considered as an important factor. As a result, the scientific coaching system in XC-skiing has high value and demand for improving sports performance and selection of proper strategic skiing technique. The existing approaches of coaching focused on the methods of teaching through professional experience or through video shooting. Various sensor based analytical methods have been proposed during recent years. Representative sensors include vision sensor, heart rate sensor and foot-pressure sensor. Very recently, due to the development of Micro-Electro-Mechanical System, XC-skiing sports analytics using wearable inertial sensors has been actively conducted, and classification of XC-skiing techniques is regarded as a precedent for strategic selection of skiing techniques.
The main purpose of this study was to automatically classify the XC-skiing techniques using deep learning/machine learning based on the data from wearable inertial sensors and to optimize the sensor layout for future XC skiing analytics. The motion data for training and testing were collected from three XC professional skiers in the snow-covered environment separately. In this study, CNN-LSTM based deep learning model and KNN machine learning model were proposed to classify eight techniques used in classical and skating styles XC-skiing. The proposed deep learning model resulted in high mean classification accuracy of 87.2% and 95.1% for two test datasets using a five-sensor configuration (both hands, both feet, and the pelvis), which is superior to the traditional machine learning method of KNN.
Hierarchical cluster analysis was applied to further find an optimal number of sensors and sensor locations. The optimal sensor layout consists of trunk including head, arms, and legs (three sensors configuration: {body, one arm, one leg}, four sensors configuration: {body, one arm, two legs}, five sensor configurations: {body, two arms,two legs}). Results of usability questionnaire from 6 professional XC-skiers showed that chest and upper leg were the preferred locations for attaching upper body and lower body sensors, respectively.
The findings from this study indicated that the developed CNN-LSTM based unified classification model has the potential to be deployed for real-time classification of major skiing techniques by professional skiers and coaches. In addition, the identified optimal sensor layout may provide promising directions for designing a practical body sensor network for future XC-skiing analytics.
크로스컨트리 스키는 1924 년 동계 올림픽에서 처음으로 채택된 종목으로, 설상 환경의 다양한 지형을 가로지르는 스포츠이다. 지형에 따라 선호되는 기술이 다르며, 수초 미만의 시간으로도 경기 결과가 바뀔 수 있는 종목으로 알려져 있다. 따라서 지형에 따른 전략적 기술 선택이 중요한 요소로 평가받는다. 이에 따라 크로스컨트리 스키에서 과학적인 코칭 시스템은 경기력 향상과 전략적 기술 선택을 위해 높은 가치와 수요를 가지게 되었다. 기존의 코칭 방법은 전문가의 경험에 기대거나, 비디오 촬영을 통한 분석을 통해 지도하는 방식들이 주를 이루었으며, 최근까지 다양한 분석 방법들이 연구되고 도입되고 있다. 대표적인 방법은 비디오 등의 시각적 센서, 심박수 센서, 포스 기반 센서 등이 사용되어왔으며, 소형 센서의 발전으로 관성 센서를 사용하는 방법이 등장하였다. 최근까지도 관성 센서를 이용한 크로스컨트리 스키 모션 연구가 활발히 진행되고 있으며, 크로스컨트리 스키 기술 분류는 전략적 기술 선택을 위한 선행과제로 여겨진다.
본 연구의 주목적은 관성 센서를 통해 수집된 데이터를 심층 학습/기계 학습을 통해 크로스컨트리 기술을 분류하고, 데이터 수집을 위한 센서의 최적 레이아웃을 찾는 것이다. 학습과 검증을 위한 모션 데이터는 설상 환경에서 총 3 명의 크로스컨트리 전문 선수의 참여로 각각 수집되었다. 본 연구에서는 두 가지 크로스컨트리 스키 스타일에 속한 총 8 개의 기술을 분류하기 위하여 CNN-LSTM 기반 심층 학습 모델과 KNN 기계 학습 모델이 사용되었으며, 계층적 클러스터 분석을 통해 최적의 센서 레이아웃에 대한 분석이 이루어졌다. 심층 학습을 통한 기술 분류는 본 연구에서 제안된 5 개의 센서 구성을 이용해 각각의 테스트 데이터에 대해 87.2% 95.1%의 높은 분류 정확도를 보여주며, 사용된 학습 모델과 제안된 센서 구성에 대한 경험적 증거를 제시했다. 또한 계층적 클러스터 분석을 통해, 6 명의 크로스컨트리 전문 선수들의 설문을 통해 3~5 개의 센서로 이루어진 최적 센서 레이아웃을 제안하였다. 최적의 센서 레이아웃은 크게 몸통, 팔, 다리(3 개 센서 구성: {몸통, 한쪽 팔, 한쪽 다리}, 4 개 센서 구성: {몸통, 한쪽 팔, 양다리}, 5 개 센서 구성: {몸통, 양팔, 양다리})로 이루어 진다. 설문조사 결과, 몸통에 센서를 부착할 경우는 가슴에 부착하는 것이, 다리에 부착할 경우는 허벅지에 부착하는 것이 선수들의 사용성에 좋은 것으로 나타났다.
본 연구에서 도출된 크로스컨트리 스키 기술 분류에 대한 경험적 증거는 보다 많은 기술의 분류에 대한 가능성을 제시하며, 크로스컨트리 스키 기술 통합 분류 모델 발전에 기여할 것으로 예상된다. 또한 제안된 최적 센서 레이아웃은 이후 크로스컨트리 스키 모션 연구 및 관성 센서 시스템 개발에 있어 방향을 제시할 수 있을 것으로 기대된다.
