인공지능 피드백을 활용한 야구 치기 기술의 학습효과

Abstract

In In this study, we observed if machine learning techniques were able to classify proficiency in complex movement such as striking skills. We then observed if artificial intelligence based feedback(Alfb) had an effect on improving the form of the strike. In order to verify the reliability of AI based feedback, 440 adolescent male novices (age: 14.9±0.8) and 48 adolescent male experts (age: 16.9±0.8) performed a task of striking a ball placed on a batting tee, which was recorded from the front. The captured data was expressed as joint data using video analysis, which was subjected to machine learning through Principal Component Analysis (PCA) and a Support Vector Machine (SVM). In the motor learning experiment, 42 male adolescent novices (age: 15.0±0) who did not participate in the above machine learning verification experiment were classified into a control group, an AIfb group, and a Gfb group, and they performed a pre-test, a test post practice test, and a retention-test. All tests consisted of 10 strikes, and in the practice stage, 5 blocks of 10 strikes were conducted for 5 days, resulting in a total of 250 strikes that were performed while receiving feedback. As a result, in the machine learning verification experiment, the machine learning program was concluded to have excellent performance with high accuracy and high AUC. At this time, the number of principal components of the expert obtained the mode at 4, and the number of principal components of the novices obtained the mode at 5, so it can be seen that fewer dynamical degrees of freedom appeared in the striking skills of the expert. In the motor learning experiment, there was no significant difference among the groups that received feedback in the absolute error representing the accuracy of the striking angle, and the variable error, which expresses the consistency of the striking angle, showed an increase in the group that received the feedback than the control group. However, the ball speed was significantly improved in the AIfb group than in the Gfb group. In the case of the form of motor performance, the maximum angular velocity ratio in the order of pelvis-trunk-left elbow showed a significant improvement in the AIfb group compared to the Gfb and control groups, and the number of principal components decreased to 3 in the AIfb group and to 2 in the Gfb group. Accordingly, the variance of the principal components was significantly greater in the Gfb group than in the AIfb group in PC1, but significantly smaller in the Gfb group than in the AIfb group below PC2. It can be seen that AIfb contributed to the improvement of form of motor performance because the AIfb group changed close to that of the experts In the case of loading data, the AIfb group uses the upper extremity, pelvis, and knee in PC1, the upper extremity, upper body, pelvis, and lower extremity in PC2, and the upper extremity, pelvis, and lower extremity in PC3 as the coordination group. On the other side, it was confirmed that the Gfb group used the upper limbs, upper body and pelvis in PC1 and only the upper limbs in PC2 as the coordination group. This study tried to verify the reliability of classifying the proficiency of the striking skills, which is a complex motor skill, through machine learning of big data, and confirm the effect of AIfb. The study was able to classify proficiency in complex motor skills that are difficult to observe, and confirmed that it could contribute to the improvement of motor performance form through artificial intelligence feedback that automatically provides appropriate kinematic feedback for insufficient parts. We also confirmed that artificial intelligence feedback can effectively change the dynamical degrees of freedom. It is expected that artificial intelligence feedback using big data will help provide necessary feedback to instructors and learners in the field of motor learning, and will be meaningful as a scientific basis for deep understanding of the coordination structure of human movements.

본 연구에서는 인간의 움직임 중 복잡한 운동기술인 치기 기술에 대해서 머신러닝을 통해 그 숙련도가 분류되는지, 그리고 이를 바탕으로 제작된 인공지능 피드백(AIfb)이 운동학습의 결과와 폼의 향상에 효과가 있었는지 관찰하였다. 이를 위해 머신러닝의 검증을 위한 실험에서는 440명의 남자 청소년 초보자(age: 14.9±0.8)와 48명의 남자 청소년 숙련자(age:16.3±0.9)가 배팅티 위에 올려진 공을 치는 과제를 수행했고 이를 신체의 정면에서 촬영하였다. 촬영된 데이터는 영상 분석을 통해 관절의 데이터로 표현되었고, 이는 주성분 분석과 SVM을 통해 머신러닝이 진행됐다. 운동학습 실험에서는 위의 머신러닝 검증 실험에 참여하지 않은 42명의 남자 청소년 초보자(age: 15.0±0)가 통제집단, AIfb집단, Gfb집단으로 각각 14명씩 분류되어 사전 검사와 연습단계, 사후 검사와, 파지 검사를 수행했다. 이때 모든 검사는 10회의 치기 기술을 수행하는 것이었고, 연습단계에서는 10회씩 다섯 블록을 5일간 진행하여 총 250회의 치기를 수행하면서 해당 피드백을 부여 받았다. 그 결과, 머신러닝의 검증 실험에서 높은 정확도와 높은 AUC로 해당 머신러닝 프로그램은 성능이 우수한 머신러닝으로 판단됐다. 이때 숙련자의 주성분 개수는 4개에서 최빈값을 얻었고, 초보자의 주성분 개수는 5개에서 최빈값을 얻었기에 숙련자의 치기 동작에서 더 적은 수의 dynamical degrees of freedom이 나타났다고 볼 수 있다. 두 번째 실험인 운동학습 실험에서는 먼저 운동 수행 결과의 경우, 타구 각도의 정확성을 표현하는 절대오차에서 피드백을 받은 집단간에 유의한 차이가 없었고, 타구 각도의 일관성을 표현하는 가변오차에서 피드백을 받은 집단이 통제집단보다 증가하는 모습을 보였다. 하지만 타구 속도는 AIfb집단이 Gfb집단보다 유의하게 향상되는 결과가 나타났다. 운동 수행 폼의 경우, 골반-몸통-왼쪽 팔꿈치 순서의 최대 각속도 발현 비율은 AIfb집단이 Gfb과 통제집단보다 유의한 향상이 나타났고, 주성분 개수는 AIfb집단은 3개로 감소하였고, Gfb집단은 2개로 감소했다. 이에 따라 주성분의 분산은 PC1에서는 Gfb집단이 AIfb집단보다 유의하게 컸지만, PC2이하에서는 Gfb집단이 AIfb집단보다 유의하게 작았다. 이는 AIfb집단이 숙련자의 것과 가깝게 변화하였기에 AIfb이 운동 수행 폼의 향상에 기여했다고 볼 수 있다. 적재값의 경우, AIfb집단은 PC1에서 상지, 골반과 무릎을 PC2에서는 상지, 상체, 골반과 하지를, PC3에서는 상지, 골반과 하지를 협응군으로 이용하지만, Gfb집단은 PC1에서 상지, 상체와 골반을 PC2에서는 상지만을 협응군으로 이용하는 것을 확인했다. 본 연구는 빅데이터의 머신러닝을 통해 복잡한 운동 기술인 치기 기술의 숙련도를 분류하여 신뢰도를 검증하고, 인공지능 피드백의 효과를 확인했다. 해당 연구는 관찰하기 어려운 복잡한 운동 동작에서 그 숙련도를 분류할 수 있었고, 부족한 부분에 대해 적절한 운동학적 피드백을 자동적으로 제공하는 인공지능 피드백을 통해 운동 수행 폼의 향상에 기여할 수 있다는 점을 확인했다. 또한 인공지능 피드백이 dynamical degrees of freedom을 효과적으로 변화시킬 수 있다는 것도 확인했다. 이는 빅데이터를 활용한 인공지능 피드백이 운동학습 현장에서 지도자와 학습자에게 필요한 피드백을 제공하는데 도움을 주며, 인간 움직임의 협응구조에 대해 깊이 이해할 수 있는 과학적 근거로 의미가 있을 것이라 기대한다.