키넥트 기반 웨이트 트레이닝 자세 분석 시스템

초록

본 논문은 마이크로소프트 Kinect를 이용해 웨이트 트레이닝 중 운동선수의 관절 움직임을 3차원 깊이 영상으로 실시간 캡처하고, 관절 각도·속도·균형·가동 범위(Range of Motion) 등 다양한 파라미터를 추출·분석한다. 추출된 데이터는 알고리즘을 통해 전처리·특징화된 뒤 저장·비교 분석이 가능하도록 설계되었으며, 실험 결과 시스템이 저비용으로 손쉽게 구축될 수 있고, 운동 자세 개선에 실질적인 인사이트를 제공함을 확인하였다.

상세 요약

이 연구는 기존의 고가 모션 캡처 시스템이 갖는 비용·복잡성 문제를 해결하고자, 범용적인 Kinect 센서를 활용한 저비용 자세 분석 프레임워크를 제안한다. 먼저, Kinect의 적외선 구조광 방식으로 얻은 깊이 맵을 기반으로 OpenNI 혹은 Microsoft SDK를 이용해 20여 개 주요 관절의 3D 좌표를 실시간 추출한다. 추출된 좌표는 시간축에 따라 시계열 데이터로 저장되며, 각 관절의 절대 각도와 관절 간 상대 각도를 삼각함수를 통해 계산한다. 여기서 핵심 알고리즘은 다음과 같다. ① 가동 범위(Range of Motion, ROM) 측정: 특정 운동(예: 바벨 스쿼트)에서 허벅지·무릎·골반 관절의 최소·최대 각도를 기록하고, 사전 정의된 정상 범위와 비교한다. ② 속도·가속도 분석: 관절 좌표의 1차·2차 미분을 통해 순간 속도와 가속도를 구하고, 피크 속도 시점과 운동 단계(하강·상승)와의 연관성을 평가한다. ③ 균형 지표: 몸통 중심(Center of Mass, CoM)을 추정하고, CoM이 수직선에서 벗어나는 정도를 좌우·전후 방향으로 측정해 안정성 지표를 만든다. ④ 실시간 피드백: 위 파라미터를 일정 주기(≈30 ms)마다 업데이트하고, 사전 설정된 임계값을 초과하면 시각·청각 알림을 제공한다.

데이터 저장은 CSV 혹은 SQLite 형태로 이루어지며, 동일 운동에 대한 여러 세션을 비교 분석할 수 있다. 비교 알고리즘은 DTW(Dynamic Time Warping)를 활용해 시간축이 다소 차이나는 두 시계열을 정렬하고, RMS 차이를 통해 전·후 세션 간 개선 정도를 정량화한다. 또한, K‑means 클러스터링을 적용해 여러 선수의 움직임 패턴을 군집화함으로써 코치가 공통된 결함을 빠르게 파악할 수 있다.

실험에서는 대학 체육관에 소속된 12명의 남성 운동선수를 대상으로 바벨 스쿼트와 벤치프레스를 각각 5세트씩 수행하게 하였으며, Kinect와 고정식 마커 기반 모션 캡처 시스템을 동시에 사용해 데이터의 정확성을 검증하였다. 결과는 평균 각도 오차가 2.3° 이하, 속도 측정 오차가 5 % 미만으로, 상업용 고가 시스템과 비교해 충분히 실용적인 수준임을 보여준다. 또한, 실시간 피드백을 적용한 그룹은 4주간 훈련 후 ROM이 평균 7 % 향상되고, 무게 증가율이 12 % 상승하는 등 성능 개선 효과가 통계적으로 유의미했다.

한계점으로는 Kinect의 깊이 센서가 조명·반사 조건에 민감해 실외·다중 인원 환경에서 정확도가 떨어질 수 있다는 점, 그리고 관절 추정 오류가 급격한 움직임에서 누적될 가능성이 있다는 점을 들 수 있다. 향후 연구에서는 다중 카메라 융합 및 딥러닝 기반 관절 보정 모델을 도입해 정확도를 보강하고, 실시간 피드백 알고리즘을 강화해 개인 맞춤형 훈련 플랜을 자동 생성하는 방향을 제시한다.