스마트 체어로 보는 e스포츠 선수 행동 분석

초록

본 논문은 CS:GO 경기 중 프로팀 Monolith 선수와 아마추어·초보자를 대상으로, 스마트 체어에 내장된 가속도계·자이로스코프 데이터를 수집하고 머신러닝으로 분석한다. 13개의 특징을 추출해 이진 분류 모델을 학습시켰으며, SVM과 로지스틱 회귀가 0.86 이상의 ROC‑AUC를 기록해 선수 수준을 높은 정확도로 예측함을 보였다.

상세 분석

이 연구는 e스포츠 분야에서 물리적 행동 데이터를 활용한 최초 시도 중 하나로, IoT 기반 스마트 체어 플랫폼을 설계·구현하였다. 센싱 유닛은 Raspberry Pi 3과 MPU‑9250 모듈을 사용해 가속도, 자이로, 자기장을 10 ms 간격으로 측정하고, Wi‑Fi를 통해 JSON 형태로 서버에 전송한다. 데이터 전처리 단계에서는 0.01 s 샘플을 3 분 세션으로 나누어 154개의 레코드로 구성했으며, 평균·표준편차 기반의 활성 움직임 비율과 미세 진동 지표, 등받이 기울기 등을 포함한 13개의 특징을 정의하였다.

머신러닝 모델은 로지스틱 회귀, 서포트 벡터 머신(SVM), k‑최근접 이웃(KNN, k=5), 랜덤 포레스트(depth=4) 네 가지를 적용했으며, 교차 검증 시 동일 참가자의 데이터를 학습·테스트에 동시에 사용하지 않도록 하였다. ROC‑AUC를 주요 평가지표로 삼은 결과, 선형 모델이 비선형 모델보다 우수했으며, 특히 SVM이 0.86 ± 0.13의 평균 점수를 기록했다. 이는 선수 수준과 행동 특성 사이에 거의 선형적인 관계가 존재함을 시사한다.

특징 중요도 분석에서는 좌우 이동(axn, gyn)과 같은 활발한 움직임이 프로 선수에게서 감소하고, 미세 회전(gzo 등)이 오히려 프로에게서 더 두드러지는 것으로 나타났다. 이는 고숙련 플레이어가 게임에 집중하면서 몸의 큰 움직임을 최소화하고, 미세한 자세 조절을 통해 반응 속도를 유지한다는 가설을 뒷받침한다.

한계점으로는 샘플 수가 19명에 불과하고, 게임 상황(리테이크 라운드)만을 대상으로 했다는 점이다. 또한 센서 종류가 가속도·자이로에 국한돼 심박수·호흡 등 생리적 지표를 포괄하지 못한다. 향후 연구에서는 압력 센서, 온도·심박 센서 등을 추가하고, 다양한 게임 모드와 장시간 데이터를 수집해 모델의 일반화 능력을 검증할 필요가 있다.

전반적으로 이 논문은 물리적 행동 데이터를 통해 e스포츠 선수의 숙련도를 비침습적으로 평가할 수 있음을 입증했으며, 코칭·트레이닝 시스템에 실시간 피드백을 제공하는 새로운 방향을 제시한다.