When calculating the joint angle and position in swimming motion analysis, two or more inertial sensors or an image analysis method was used. Due to the nature of the swimming pool environment, there is a limit to using optical motion markers. For this reason, an expensive sophisticated camera was used in swimming posture analysis, or joint position and angle was estimated through dynamic calculation with two or more inertial sensors. In the freestyle projection, an exercise similar to the upper limb repetitive rotational motion, there was a study showing the characteristics of wrist inertial sensor data according to the position of the wrist joint. Using the characteristics of wrist inertial sensor data according to the wrist joint position, the wrist joint position was estimated from the artificial neural network and the single wrist inertial sensor data in the upper limb repetitive rotational motion. The neural network model used Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), Convolutional Neural Network - Long Short-Term Memory (CNN – LSTM). In order to reflect more than three strokes, 300 points (3 seconds) of inertial sensor data were used as input. As a result of the estimation, it was confirmed that the position of the wrist joint could be estimated using inertial sensor data attached to the wrist and an artificial neural network. When using the optimal model under each model condition, the model size was the smallest in the Long Short-Term Memory (LSTM) model. In addition, the difference in error rate by model did not exceed 3.62%. Therefore, it was confirmed that it is appropriate to use a Long Short-Term Memory (LSTM) model when used in sensors or the like.

수영 동작 분석에서 관절 각도 및 위치 등을 계산할 때, 2개 이상의 관성센서를 사용하거나 영상분석 방법을 사용하였다. 수영장 환경 특성상 광학 모션 마커를 사용하는데 한계가 존재한다. 이로 인하여 수영 자세 분석에서 고가의 정교한 카메라를 사용하거나, 2개 이상의 관성센서와 동역학적 계산을 통하여 관절 위치나 각도 등을 추정하였다. 상지반복 회전운동과 유사한 운동인 자유형 영법에서, 손목 관절 위치에 따른 손목 관성센서 데이터의 특징을 보여주는 연구가 존재하였다. 손목 관성센서 데이터가 손목 관절 위치에 따라서 가지는 특징을 활용하여, 인공신경망과 단일 손목 관성센서 데이터로부터 상지반복 회전운동에서 손목관절 위치를 추정하였다. 신경망 모델은 장단기 메모리, 합성곱 신경망, 합성곱 신경망 – 장단기 메모리 등을 사용하였다. 3번 이상의 스트로크를 반영할 수 있도록, 추정하고자 하는 시점의 이전300개(3초)의 관성센서 데이터를 입력으로 사용하였다. 추정 결과, 손목에 부착된 단일 관성 센서 데이터와 인공신경망을 이용하여, 손목 관절 위치를 추정할 수 있음을 확인하였다. 각 모델 조건에서 최적의 모델 사용 시, 장단기 메모리 모델에서 모델크기가 가장 작게 나왔다. 또한 모델 별 오차율의 차이는 3.62%를 넘어가지 않았다. 따라서 센서 등에 사용할 경우, 모델 사이즈가 가장 작은 장단기 메모리 모델을 사용하는 것이 적합하다는 것을 확인하였다.