KR101938241B1 - Apparatus and method for generating injury prevention model based on machine learning, apparatus and method for preventing injury - Google Patents
Apparatus and method for generating injury prevention model based on machine learning, apparatus and method for preventing injury Download PDFInfo
- Publication number
- KR101938241B1 KR101938241B1 KR1020180089911A KR20180089911A KR101938241B1 KR 101938241 B1 KR101938241 B1 KR 101938241B1 KR 1020180089911 A KR1020180089911 A KR 1020180089911A KR 20180089911 A KR20180089911 A KR 20180089911A KR 101938241 B1 KR101938241 B1 KR 101938241B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- pain
- state information
- injury
- athlete
- Prior art date
Links
- 208000027418 Wounds and injury Diseases 0.000 title claims abstract description 172
- 230000006378 damage Effects 0.000 title claims abstract description 170
- 208000014674 injury Diseases 0.000 title claims abstract description 170
- 230000002265 prevention Effects 0.000 title claims abstract description 90
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims description 38
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 208000002193 Pain Diseases 0.000 claims description 134
- 230000037237 body shape Effects 0.000 claims description 37
- 230000000873 masking effect Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 210000000746 body region Anatomy 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000386 athletic effect Effects 0.000 claims description 2
- 210000003205 muscle Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 210000003127 knee Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 5
- 210000001624 hip Anatomy 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 206010052428 Wound Diseases 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 244000309466 calf Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 208000000112 Myalgia Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000002468 fat body Anatomy 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000013465 muscle pain Diseases 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 기계 학습 기반 부상 예방 모델 생성 장치, 부상 예방 장치 및 그 방법에 관한 것으로서, 훈련 전과 훈련 후에 운동 선수로부터 수집한 신체 상태 정보를 기초로 생성한 기계 학습 모델을 통해, 운동 선수의 신체 상태에 따라 발생할 수 있는 부상을 예측하는 기술에 관한 것이다. The present invention relates to a machine learning-based injury prevention model generating apparatus, an injury prevention apparatus and a method thereof, and a machine learning model created based on physical condition information collected from athletes before and after training, And to a technique for predicting an injury that may occur according to the present invention.
운동 선수는 경기력의 극대화를 위해 고된 신체 훈련을 수행하고, 단기간 내에 여러 경기에 출전하여 신체를 격렬하게 사용한다. 때문에, 일반인보다 손목, 팔목, 무릎, 허리, 목, 머리 등의 여러 신체 부위에 부상을 당할 위험이 크다. 선수의 부상은 개인 및 팀 전체에 큰 손실을 가져올 수 있으므로 이러한 부상을 예방할 수 있도록 관리하는 것이 매우 중요하다. Athletes perform rigorous physical training to maximize their performance, and use their bodies intensively to compete in multiple competitions over a short period of time. Therefore, there is a greater risk of injury to various parts of the body such as wrists, wrists, knees, waist, neck, head, etc. than the general public. It is very important to manage to prevent such injuries, because injury of the athlete can cause great loss to the individual and the whole team.
부상은 강한 물리적 접촉으로 인하여 발생할 수 있다. 더불어, 무리한 훈련 및 경기 일정으로 인해 선수의 신체적 긴장감과 정신적 스트레스가 극에 달하여 물리적 접촉 없이도 발생하는 경우가 있다. Injuries can occur due to strong physical contact. In addition, physical tension and mental stress of the athlete due to unreasonable training and game schedule can lead to extreme physical contact.
이러한 부상에는 일반적으로 근육의 통증과 같은 전조 증상이 존재한다. 다만, 근육은 복잡한 상호 작용을 통해 함께 움직이기 있기 때문에 통증 부위와 그로 인한 부상 부위가 일치하지 않는 경우가 대부분이다. 가령, 축구 선수들이 엉덩이 근육에 문제가 생기는 경우 십자 인대 부상을 많이 당하는 것을 예로 들 수 있다. These injuries generally have a precursor symptoms such as muscle pain. However, since the muscles move together through complex interactions, most of the pain areas do not match the injured areas. For example, if soccer players have problems with their hip muscles, they can suffer from a large number of injuries to the cruciate ligaments.
특히, 운동 선수의 경우, 종목마다 사용하는 근육의 종류가 다르고, 포지션에 따라 사용하게 되는 근육이 다르다. 때문에, 종목이나 포지션 별로 통증 부위와 부상 부위는 더욱 달라진다. Particularly, in the case of an athlete, the types of muscles to be used are different for each sport and the muscles to be used depend on the position. Therefore, the area of pain and the area of injury differ more by item or position.
더하여, 선수의 체형에 따라 근육 간의 거리가 다르기 때문에 체형에 따라서도 통증 부위와 부상 부위는 상이하다. 예를 들어, 키나 체중이 같은 선수라 하더라도, 상체가 발달하고 하체가 덜 발달한 선수와, 하체가 발달하고 상체가 덜 발달한 선수가 주로 부상당하는 부위는 상이하다. In addition, since the distance between muscles varies according to the body shape of the athlete, the pain area and the injury area differ depending on the body shape. For example, even if a player has the same height or weight, there are differences in the areas in which the upper body is developed and the lower body is less developed, and the lower body developed and the upper body is less developed.
이와 같이 복합적인 이유로 통증 부위와 부상 부위의 연관성을 예측하기란 전문가로서도 매우 어렵다. Prediction of the link between pain and injury is very difficult for a professional because of this complex reason.
본 발명의 실시예에서 해결하고자 하는 과제는 운동 선수로부터 수집한 신체 상태 정보를 기초로, 선수의 신체 상태에 따라 발생할 수 있는 부상 간의 연관 관계를 도출하는 기술을 제공하는 것이다. A problem to be solved in the embodiment of the present invention is to provide a technique for deriving a relationship between injuries that may occur according to a physical condition of athlete based on the physical condition information collected from an athlete.
또한 체형, 운동 종목, 포지션과 같은 선수의 개별적 정보를 함께 고려하여, 선수의 신체 상태에 따라 발생할 수 있는 부상의 연관 관계를 도출하는 기술을 제공하고자 한다. In addition, we want to provide a technique for deriving associations of injuries that can occur according to the physical condition of the athlete, taking into account the individual information of athlete such as body type, sports item, and position.
다만, 본 발명의 실시예가 이루고자 하는 기술적 과제는 이상에서 언급한 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 도출될 수 있다.It is to be understood that both the foregoing general description and the following detailed description are exemplary and explanatory and are intended to provide further explanation of the invention as claimed.
본 발명의 일 실시예에 따른 기계 학습 기반 부상 예방 모델 생성 장치는 훈련 전 선수의 신체 상태에 관한 제1 상태 정보, 훈련 후 상기 선수의 신체 상태에 관한 제2 상태 정보 및 상기 선수의 부상 정보를 획득하는 정보 수집부, 상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 파라미터를 산출하는 파라미터 산출부 및 기계 학습 알고리즘을 기초로 상기 파라미터와 상기 선수의 부상 정보와의 상관 관계를 학습시킨 부상 예방 모델을 생성하는 모델 생성부를 포함할 수 있다. The machine learning based injury prevention model generation apparatus according to an embodiment of the present invention includes first state information on a physical condition of a player before a training, second state information on a physical condition of the player after training, A parameter calculating unit for calculating a parameter reflecting the physical condition of the athlete from the first state information and the second state information, and a parameter calculating unit for calculating a parameter reflecting the physical state of the athlete And a model generation unit that generates an injury prevention model that has learned the correlation.
또한, 상기 제1 상태 정보는 훈련 전 상기 선수의 제1 통증 부위에 대한 제1 통증 강도를 포함하고, 상기 제2 상태 정보는 훈련 후 상기 선수의 제2 통증 부위에 대한 제2 통증 강도를 포함하며, 상기 파라미터 산출부는 상기 제1 및 제2 통증 부위, 상기 제1 및 제2 통증 강도를 파라미터로 산출할 수 있다. Also, the first state information includes a first pain intensity for the first pain part of the athlete before training, and the second state information includes a second pain intensity for the second pain part of the athlete after training And the parameter calculating unit may calculate the first and second pain areas, the first and second pain intensity as parameters.
또한, 상기 정보 수집부는 상기 선수의 체형에 대한 정보를 더 획득하고, 상기 파라미터 산출부는 상기 체형에 대한 정보로부터 상기 선수의 체형을 나타내는 체형 영역 정보와, 상기 체형 영역 내에서 상기 제1 통증 부위가 위치하는 제1 위치 정보 및 상기 제2 통증 부위가 위치하는 제2 위치 정보를 상기 파라미터로 더 산출할 수 있다. Further, the information collecting unit further acquires information on the body shape of the athlete, and the parameter calculating unit calculates, from the information on the body shape, body shape region information indicating the body shape of the athlete, And the second position information in which the second pain part is located can be further calculated using the parameter.
또한, 상기 장치는 상이한 체형을 촬영한 복수의 학습 영상 각각에 대해, 상기 각각의 학습 영상 내의 신체 영역을 마스킹하고 상기 마스킹 영역 내에서 통증이 발생할 수 있는 통증 부위를 라벨링하여, 타겟 영상 내에서 상기 신체 영역과 상기 통증 부위의 위치를 판별하도록 학습시킨 영상 판별 모델을 생성하는 영상 판별부를 더 포함하고, 상기 선수의 체형에 대한 정보는 상기 선수의 체형을 촬영한 영상 정보를 포함하고, 상기 파라미터 산출부는 상기 영상 판별 모델에 상기 영상 정보를 입력하여, 상기 체형 영역 정보, 상기 제1 위치 정보 및 상기 제2 위치 정보를 상기 파라미터로 더 산출할 수 있다. In addition, the apparatus may include a masking unit for masking a body region in each of the learning images for each of a plurality of learning images of different body shapes, labeling a pain area in which pain may occur in the masking area, Further comprising an image discrimination unit for generating an image discrimination model in which the body region and the pain region are learned to discriminate the position of the pain region, the information on the body shape of the athlete includes image information of the body shape of the athlete, The controller can further input the body image information, the first position information, and the second position information by using the image information to the image discrimination model.
또한, 상기 정보 수집부는 통증이 발생할 수 있는 부위가 시각적으로 표현된 신체 모형 GUI에 대한 입력을 기초로 상기 제1 및 제2 통증 부위에 대한 정보를 획득할 수 있다. In addition, the information collecting unit may acquire information on the first and second pain parts based on inputs to the body model GUI in which areas where pain may occur are visually expressed.
또한, 상기 제1 및 제2 통증 강도에 대한 정보는 상기 신체 모형 GUI 중 상기 통증이 발생할 수 있는 부위에 입력이 감지된 횟수, 입력이 감지된 세기, 입력이 감지된 지속 시간 중 적어도 하나를 기초로 강도를 입력 받을 수 있다. The information on the first and second pain intensity may be based on at least one of the number of times the input is sensed, the strength at which the input is detected, and the duration at which the input is sensed, The strength can be input.
또한, 상기 파라미터 산출부는 상기 제1 및 제2 통증 부위가 동일하거나 또는 연관성 있는 통증 부위인 경우, 상기 제1 통증 강도에 대한 상기 제1 및 제2 통증 강도의 차이의 비율을 상기 파라미터로 산출할 수 있다. The parameter calculating unit may calculate the ratio of the difference between the first and second pain intensity to the first pain intensity as the parameter when the first and second pain areas are the same or related to each other .
또한, 상기 정보 수집부는 상기 선수의 개별적 신체 정보를 포함하는 제3 상태 정보를 더 획득하고, 상기 모델 생성부는 상기 제3 상태 정보를 상기 파라미터와 함께 입력 레이어에 포함시켜 기계 학습 알고리즘을 수행하여, 상기 제1 상태 정보 및 상기 제2 상태 정보와 상기 선수의 부상 정보와의 상관 관계에 있어 상기 제3 상태 정보가 미치는 영향을 학습시킨 상기 부상 예방 모델을 생성할 수 있다. The information collecting unit may further acquire third state information including the individual body information of the athlete, and the model generating unit may include the third state information together with the parameter in an input layer to perform a machine learning algorithm, The injury prevention model can be generated by learning the influence of the third state information on the correlation between the first state information, the second state information, and the player's float information.
또한, 상기 제3 상태 정보는 상기 선수의 운동 종목, 포지션, 주로 사용하는 신체 부위, 체형, 체중 중 적어도 하나일 수 있다. In addition, the third state information may be at least one of an athletic sport item, a position, a body part, a body, and a body weight of the athlete.
본 발명의 일 실시예에 따른 부상 예방 장치는 훈련 전 대상 선수의 신체 상태에 관한 제1 상태 정보 및 훈련 후 상기 대상 선수의 신체 상태에 관한 제2 상태 정보를 입력 받는 입력부, 상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 파라미터를 산출하는 파라미터 산출부 및 상기 부상 예방 모델에 상기 대상 선수의 파라미터를 입력하여 상기 대상 선수에게 발생할 수 있는 부상 정보를 출력하는 예측부를 포함할 수 있다. The apparatus for preventing an injury according to an embodiment of the present invention includes an input unit for inputting first state information about a physical condition of a target athlete before training and second state information about a physical condition of the target athlete after training, A parameter calculating unit for calculating a parameter reflecting the physical condition of the athlete from the second state information, and a predictor for inputting parameters of the target athlete to the injury prevention model and outputting the injury information that may occur to the target athlete .
또한, 상기 입력부는 통증이 발생할 수 있는 부위가 시각적으로 표현된 신체 모형 GUI에 대한 입력을 기초로 상기 제1 상태 정보 및 제2 상태 부위에 대한 정보를 획득할 수 있다. In addition, the input unit may acquire information on the first state information and the second state region based on an input to the body model GUI in which a portion where pain may occur is visually expressed.
또한, 상기 제1 상태 정보는 훈련 전 상기 선수의 제1 통증 부위에 대한 제1 통증 강도를 포함하고, 상기 제2 상태 정보는 훈련 후 상기 선수의 제2 통증 부위에 대한 제2 통증 강도를 포함할 수 있다. Also, the first state information includes a first pain intensity for the first pain part of the athlete before training, and the second state information includes a second pain intensity for the second pain part of the athlete after training can do.
또한, 상기 제1 및 제2 통증 강도에 대한 정보는 통증이 발생할 수 있는 부위가 시각적으로 표현된 신체 모형 GUI에 대한 입력을 기초로 상기 제1 및 제2 통증 부위에 대한 정보를 입력 받을 수 있다. In addition, the information on the first and second pain intensity may be input to the first and second pain parts based on the inputs to the body model GUI in which parts where pain can be visually expressed are visually displayed .
본 발명의 일 실시예에 따른 기계 학습 기반 부상 예방 모델 생성 방법은 훈련 전 선수의 신체 상태에 관한 제1 상태 정보, 훈련 후 상기 선수의 신체 상태에 관한 제2 상태 정보 및 상기 선수의 부상 정보를 획득하는 단계, 상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 파라미터를 산출하는 단계 및 기계 학습 알고리즘을 기초로 상기 파라미터와 상기 선수의 부상 정보와의 상관 관계를 학습시킨 부상 예방 모델을 생성하는 단계를 포함할 수 있다. The machine learning based injury prevention model generation method according to an embodiment of the present invention includes first state information on a physical condition of a player before training, second state information on a physical condition of the player after training, Calculating a parameter reflecting the physical condition of the athlete from the first state information and the second state information, and calculating a correlation between the parameter and the physical injury information of the athlete based on a machine learning algorithm And creating a wound injury prevention model.
본 발명의 일 실시예에 따른 부상 예방 방법은 훈련 전 대상 선수의 신체 상태에 관한 제1 상태 정보 및 훈련 후 상기 대상 선수의 신체 상태에 관한 제2 상태 정보를 입력 받는 단계, 상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 파라미터를 산출하는 단계 및 상기 부상 예방 모델에 상기 대상 선수의 파라미터를 입력하여 상기 대상 선수에게 발생할 수 있는 부상 정보를 출력하는 단계를 포함할 수 있다. The method for preventing an injury according to an embodiment of the present invention includes receiving first state information about a physical condition of a target athlete before training and second state information about a physical condition of the target athlete after training, And calculating parameters reflecting the physical condition of the athlete from the second state information and inputting parameters of the target athlete to the injury prevention model and outputting the injury information that may occur to the target athlete .
운동 선수들은 매일 동일한 훈련을 하더라도, 그날그날 신체 상태가 어떠한 지에 따라 체력 소모량이나 근육이 받는 충격량이 다르다. 또한 훈련 이후 특정 부위에 통증이 생기거나 그 통증의 강도가 변화한 정도가 크면 부상으로 이어질 가능성이 높다. 이와 같이, 훈련 전과 훈련 후에 수집된 선수의 신체 상태 변화가, 체력 소모량과 근육에 미치는 충격량을 잘 반영할 수 있다는 파라미터라는 것에 착안하여 기계 학습을 수행한다. 이에 따라, 본 발명의 실시예는 훈련 전과 훈련 후에 수집한 신체 상태 정보를 기초로, 선수의 신체 상태에 따라 발생 가능한 부상 부위의 연관 관계를 예측하여 선수의 부상을 예방할 수 있다.Athletes have the same training every day, but the amount of physical energy consumed and the amount of muscle impulse are different depending on the physical condition of the day. In addition, there is a high likelihood of injury if a pain occurs at a specific site after the training or when the intensity of the pain changes to a large extent. In this way, machine learning is carried out by considering that a change in the physical condition of the athlete collected before and after the training is a parameter that can reflect the amount of physical power consumption and the amount of impact on the muscle. Accordingly, the embodiment of the present invention can prevent the injury of the athlete by predicting the relationship of the injured parts that can occur according to the physical condition of the athlete based on the physical condition information collected before and after the training.
또한 본 발명의 실시예는 통증이 발생할 수 있는 신체 부위를 일률적인 기준으로 입력할 수 있는 신체 모형 GUI를 통해, 선수의 통증 부위 및 통증 강도를 객관적으로 수집할 수 있다. 따라서 정확한 수치가 반영된 학습 데이터를 기초로 높은 성능의 부상 예방 모델을 생성할 수 있다. In addition, the embodiment of the present invention can objectively collect the pain area and pain intensity of the athlete through the body model GUI that can input the body part where pain can occur on a uniform basis. Therefore, a high-performance injury prevention model can be generated based on the learning data reflecting accurate numerical values.
더하여, 체형마다 상이한 근육의 크기나, 근육 간의 거리는 부상 부위에 영향을 미치는 중요한 변수로 작용한다. 이러한 점에 착안하여, 본 발명의 실시예는 선수의 체형을 촬영한 영상으로부터, 선수의 체형 영역과 신체 부위의 위치 정보를 도출하는 영상 판별 모델을 생성할 수 있다. 이에 따라, 선수의 근육의 크기나, 근육 간의 거리를 반영하여 선수가 특정한 신체 상태일 때 발생 가능한 부상 부위의 연관 관계를 예측하여 선수의 부상을 예방할 수 있다.In addition, the size of different muscles and the distance between muscles of each body shape are important variables affecting the injured area. In view of this point, the embodiment of the present invention can generate an image discrimination model that derives the position information of the body part and the body part of the athlete from the image of the body of the athlete. Accordingly, it is possible to prevent injury of the athlete by predicting the relationship of the injured parts that may occur when the athlete is in a specific physical condition, reflecting the size of the athlete's muscles and the distance between the muscles.
즉, 본 발명의 실시예는 선수가 느끼는 특정 부위의 통증과 같은 전조 증상으로부터 발생할 수 있는 부상을 미리 예측하여 선수의 부상을 예방한다. That is, the embodiment of the present invention predicts an injury that may arise from an anterior symptom such as a pain at a specific site felt by athlete to prevent injury of the athlete.
도 1은 본 발명의 일 실시예에 따른 부상 예방 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 부상 예방 모델 생성 장치의 구성도이다.
도 3은 훈련 전 또는 훈련 후에 통증 또는 부상이 발생할 수 있는 신체 부위를 시각적으로 표현한 신체 모형 GUI의 예시도이다.
도 4는 제1 상태 정보 및 제2 상태 정보로부터 선수에게 발생할 수 있는 부상 정보를 예측하는 부상 예방 모델을 생성하는 신경망의 예시도이다.
도 5는 선수의 체형을 촬영한 영상 정보로부터 선수의 체형 영역 정보와 통증 부위가 위치하는 위치 정보를 판별하는 영상 판별 모델을 생성하는 신경망의 예시도이다.
도 6은 학습 영상이 포함하는 신체 영역에 통증 또는 부상이 발생할 수 있는 신체 부위를 마스킹 및 레이블링한 모습을 구체적으로 나타낸 예시도이다.
도 7은 제1 상태 정보, 제2 상태 정보, 체형 영역 정보, 제3 상태 정보로부터 선수에게 발생할 수 있는 부상 정보를 예측하는 부상 예방 모델을 생성하는 신경망의 예시도이다.
도 8은 본 발명의 일 실시예에 따른 부상 예방 장치의 구성도이다.
도 9는 본 발명의 일 실시예에 따른 부상 예방 모델 생성 방법의 프로세스를 도시하는 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 부상 예방 방법의 프로세스를 도시하는 흐름도이다. 1 is a configuration diagram of an injury prevention system according to an embodiment of the present invention.
2 is a configuration diagram of an injury prevention model generating apparatus according to an embodiment of the present invention.
Figure 3 is an illustration of a body model GUI that visually represents a body part where pain or injury may occur before or after training.
4 is an exemplary diagram of a neural network that generates an injury prevention model that predicts injury information that may occur to a player from first state information and second state information.
FIG. 5 is an exemplary diagram of a neural network for generating an image discrimination model for discriminating the body shape region information of the athlete and the position information of the pain region from the image information of the body shape of the athlete.
FIG. 6 is an exemplary view specifically showing masking and labeling of a body part where pain or injury may occur in a body area included in a learning image.
7 is an exemplary diagram of a neural network that generates an injury prevention model that predicts injury information that may occur to a player from first state information, second state information, body shape region information, and third state information.
8 is a configuration diagram of an injury prevention device according to an embodiment of the present invention.
9 is a flowchart showing the process of the injury prevention model generation method according to an embodiment of the present invention.
10 is a flow chart illustrating a process of an injury prevention method in accordance with an embodiment of the present invention.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.BRIEF DESCRIPTION OF THE DRAWINGS The advantages and features of the present invention and the manner of achieving them will become apparent with reference to the embodiments described in detail below with reference to the accompanying drawings. It should be understood, however, that the invention is not limited to the disclosed embodiments, but may be embodied in various forms and should not be construed as limited to the embodiments set forth herein, To fully disclose the scope of the invention to a person skilled in the art, and the scope of the invention is only defined by the claims.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In describing embodiments of the present invention, a detailed description of well-known functions or constructions will be omitted unless otherwise described in order to describe embodiments of the present invention. The following terms are defined in consideration of the functions in the embodiments of the present invention, which may vary depending on the intention of the user, the intention or the custom of the operator. Therefore, the definition should be based on the contents throughout this specification.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.The functional blocks shown in the drawings and described below are merely examples of possible implementations. In other implementations, other functional blocks may be used without departing from the spirit and scope of the following detailed description. Also, while one or more functional blocks of the present invention are represented as discrete blocks, one or more of the functional blocks of the present invention may be a combination of various hardware and software configurations that perform the same function.
또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.Also, to the extent that the inclusion of certain elements is merely an indication of the presence of that element as an open-ended expression, it should not be understood as excluding any additional elements.
나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다. Further, when a component is referred to as being connected or connected to another component, it may be directly connected or connected to the other component, but it should be understood that there may be other components in between.
또한 '제1, 제2' 등과 같은 표현은 복수의 구성들을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다. Also, the expressions such as 'first, second', etc. are used only to distinguish a plurality of configurations, and do not limit the order or other features between configurations.
이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다. Hereinafter, embodiments of the present invention will be described with reference to the drawings.
도 1은 본 발명의 일 실시예에 따른 부상 예방 시스템(10)의 구성도이다. 1 is a configuration diagram of an injury prevention system 10 according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따른 부상 예방 시스템(10)은 선수 단말(10), 생체 신호 측정 장치(20), 부상 예방 모델 생성 장치(100) 및 부상 예방 장치(200)를 포함할 수 있다. 1, an injury prevention system 10 according to an embodiment of the present invention includes a player terminal 10, a
선수 단말(10)은 훈련 전과 훈련 후, 또는 훈련 도중에 선수의 신체 상태 또는 훈련과 관련된 정보를 입력 받는다. 선수 단말(10)은 입력된 정보를 유무선 네트워크를 통해 부상 예방 모델 생성 장치(100) 또는 부상 예방 장치(200)에 전송할 수 있다. 본 명세서에서 사용되는 '훈련'은 시합, 경기, 운동 등 일련의 신체 활동을 포함한다. The athlete terminal 10 receives information relating to the athlete's physical condition or training before and after training, or during training. The athlete terminal 10 can transmit the inputted information to the injury prevention
여기서, 선수 단말(10)은 일반적으로 휴대성과 이동성이 보장되는 스마트폰(smartphone), 스마트 패드(smartpad), 태블릿 PC(tablet PC) 등과 같은 핸드헬드(handheld) 기반의 범용 무선 통신 장치에 애플리케이션 소프트웨어(application software)가 설치된 형태로 구현될 수 있다. 또는 웹사이트에 접속할 수 있는 컴퓨터를 통해 구현될 수 있으나 예시된 바에 한정되는 것은 아니다. 또한 선수 단말(10)의 사용자를 편의상 운동 선수를 기준으로 설명하지만, 사용자가 반드시 운동 선수로 한정되는 것이 아니며 모든 사람이 사용자가 될 수 있다. Here, the athlete terminal 10 is a handheld-based universal wireless communication device such as a smart phone, a smartpad, a tablet PC, etc., (application software) installed therein. Or may be implemented through a computer that is capable of accessing a web site, but is not limited thereto. Also, although the user of the player terminal 10 is explained on the basis of an athlete for the sake of convenience, the user is not necessarily limited to an athlete, and everyone can be a user.
선수 단말(10)은 선수가 앞으로 수행해야 할 훈련 정보 또는 이미 수행한 훈련 정보를 출력할 수 있다. 이에 따라, 운동 선수는 수행해야 할 훈련 또는 수행하였던 훈련 중 하나를 선택할 수 있다. The athlete terminal 10 can output the training information that the athlete should perform in the future or the training information which has been already performed. Accordingly, the athlete can select one of training to be performed or training to be performed.
또한 선수 단말(10)은 훈련 전 선수의 신체 상태에 관한 제1 상태 정보, 훈련 후 선수의 신체 상태에 관한 제2 상태 정보 및 선수의 개별적 신체 정보에 관한 제3 상태 정보를 선수로부터 측정하거나 입력 받을 수 있다. Also, the athlete terminal 10 measures first state information on the athlete's physical condition before training, second state information on the athlete's physical condition after training, and third state information on the athlete's individual bodily information, Can receive.
예를 들어, 선수 단말(10)은 훈련 전과 훈련 후에 선수의 통증 부위를 입력 받기 위해 도 3과 같이 인간의 신체를 시각적으로 표현하는 신체 모형 GUI(graphical user interface)을 출력할 수 있다. 선수 단말(10)은 신체 모형 중 일 부위가 터치되는 경우, 터치된 부위를 선수가 통증을 느끼는 부위로서 입력 받을 수 있다. 이때 선수 단말(10)이 측정하거나 입력 받을 수 있는 신체 부위는 도 6과 같이, 얼굴, 목, 좌어깨, 우어깨, 가슴, 왼팔, 오른팔, 좌손목, 우손목, 복부, 좌고관절, 우고관절, 생식기, 좌허벅지, 우허벅지, 좌무릎, 우무릎, 좌발목, 우발목, 좌발가락, 우발가락, 경추, 머리, 경추, 좌날개, 우날개, 등, 왼팔꿈치, 우팔꿈치, 허리, 꼬리뼈, 좌엉덩이, 우엉덩이, 왼손, 오른손, 좌뒷근육, 우뒷근육, 좌종아리, 우종아리, 좌아킬레스, 우아킬레스, 좌발바닥, 우발바닥을 포함할 수 있으나 이에 한정되는 것은 아니다. For example, the player terminal 10 may output a graphical user interface (GUI) for visually expressing a human body as shown in FIG. 3 in order to input a pain part of a player before and after training. When one part of the body model is touched, the athlete terminal 10 can receive the touched part as a part where the athlete feels pain. 6, the body part where the athlete terminal 10 can measure or input can be a face, a neck, a left shoulder, a right shoulder, a chest, a left arm, a right arm, a left wrist, a right wrist, , Left thigh, right thigh, left knee, right knee, left ankle, right ankle, left toe, right toe, cervical spine, head, cervical spine, left wing, right wing, back, left elbow, right elbow, waist, But are not limited to, left hip, right hind, left hand, right hand, left and right muscles, right arm muscles, left calf, right calf, left Achilles, right Achilles, left foot, right foot.
더하여, 선수 단말(10)은 선수가 신체 모형 GUI의 일 부위를 터치하는 터치의 횟수, 터치의 강도, 터치의 지속 시간 중 적어도 한가지 방식을 통해 운동 선수가 느끼는 통증 강도를 입력 받을 수 있다. 예를 들면, 도 3에 도시된 신체 모형 GUI의 일 부위를 운동 선수가 입력하는 터치 횟수에 따라 통증 강도를 1 단계에서 5단계까지 나누어 입력 받을 수 있으나 이에 한정되는 것은 아니다. In addition, the athlete terminal 10 can receive the intensity of pain experienced by the athlete through at least one of the number of touches, the intensity of the touches, and the duration of the touches at which a player touches one part of the body model GUI. For example, the intensity of pain may be divided into one to five levels according to the number of touches input by an athlete to one part of the body model GUI shown in FIG. 3, but the present invention is not limited thereto.
이와 같이, 부상이 발생할 수 있거나 통증이 발생할 수 있는 부위가 구체적으로 표시된 신체 모형 GUI를 통해, 운동 선수는 자신의 신체 부위를 자가 진단할 수 있다. 또한 부상을 예측하기 위한 선수의 신체 정보를 입력 받는 데에 객관성 및 편의성을 제공할 수 있다. Thus, the athlete can self-diagnose his / her body part through the body model GUI specifically showing the area where injury may occur or pain may occur. It is also possible to provide objectivity and convenience in receiving the player's body information for predicting the injury.
다른 일 예로, 선수 단말(10)은 선수의 선수의 운동 종목, 포지션, 주로 사용하는 신체 부위, 체형, 체중과 같이 선수의 개별적 신체 정보와 관련된 제3 상태 정보를 측정하거나 입력 받을 수 있다. 더하여, 선수 단말(10)은 선수의 체형을 촬영하여 선수의 체형에 대한 정보를 입력 받을 수 있다. In another example, the athlete terminal 10 may measure or input third state information related to the athlete's individual physical information such as the athlete's position, position, main body part, body shape, weight, etc. of the athlete. In addition, the athlete terminal 10 can photograph the body shape of the athlete and receive information on the body shape of the athlete.
생체 신호 측정 장치(20)는 선수의 각종 생체 정보를 측정하는 장치이다. 예를 들어, 생체 신호 측정 장치(20)는 뇌파 센서, 심전도(ECG, electrocardiography) 센서, 심박 센서 등의 선수의 생체 정보를 측정하는 장치를 포함할 수 있다. 생체 신호 측정 장치(20)는 측정된 정보를 유무선 네트워크를 통해 선수 단말(10), 부상 예방 모델 생성 장치(100) 또는 부상 예방 장치(200)에 전송할 수 있다. 한편, 생체 신호 측정 장치(20)는 선수 단말(10)에 내재되거나, 선수 단말(10)이 생체 신호 측정 장치(20)의 기능을 수행할 수도 있다. The
부상 예방 모델 생성 장치(100)는 선수의 데이터를 저장한 데이터베이스, 선수 단말(10) 또는 생체 신호 측정 장치(20)로부터 수집한 정보를 기초로 기계 학습을 수행한다. 이에 따라, 부상 예방 모델 생성 장치(100)는 선수의 신체 상태와 부상과의 상관 관계를 학습한 부상 예방 모델을 생성할 수 있다. The injury prevention
부상 예방 장치(200)는 부상 예방 모델을 사용하는 모든 장치를 의미한다. 부상 예방 모델을 사용하기 위한 일 예로서, 부상 예방 장치(200)는 부상 가능성을 측정해보기 위한 대상 선수로부터 신체 정보를 입력 받을 수 있다. 부상 예방 장치(200)는 직접 신체 상태 정보를 입력 받거나, 또는 선수 단말(10), 생체 신호 측정 장치(20)로부터 대상 선수의 정보를 입력 받을 수 있다. 부상 예방 장치(200)는 부상 예방 모델 생성 장치(100)가 생성한 부상 예방 모델을 통해 대상 선수에게 발생할 수 있는 부상 정보를 출력할 수 있다. 이를 통해, 선수를 관리하는 감독, 코치, 또는 의료진은 부상 예방 장치(200)가 출력한 부상 정보를 참조하여 대상 선수의 훈련 여부, 훈련 강도, 훈련 시간 등을 결정하여 선수의 부상을 예방할 수 있다. The injury
한편 상술한 실시예가 포함하는 선수 단말(10), 생체 신호 측정 장치(20), 부상 예방 모델 생성 장치(100), 부상 예방 장치(200)는 이들의 기능을 수행하도록 프로그램된 명령어를 포함하는 메모리, 및 이들 명령어를 수행하는 마이크로프로세서를 포함하는 연산 장치에 의해 구현될 수 있다.Meanwhile, the player terminal 10, the
이하, 부상 예방 모델 생성 장치(100) 및 부상 예방 장치(200)의 상세한 구성에 대해 도 2 내지 도 8과 함께 설명하기로 한다. Hereinafter, detailed configurations of the injury prevention
도 2는 본 발명의 일 실시예에 따른 부상 예방 모델 생성 장치(100)의 구성도이다. 2 is a configuration diagram of an injury prevention
도 2를 참조하면, 본 발명의 일 실시예에 따른 부상 예방 모델 생성 장치(100)는 정보 수집부(110), 파라미터 산출부(120) 및 모델 생성부(130)를 포함하고, 추가적으로 영상 판별부(140)를 더 포함할 수 있다. Referring to FIG. 2, an injury prevention
정보 수집부(110)는 선수의 데이터를 저장하는 데이터베이스, 선수 단말(10), 생체 신호 측정 장치(20), 또는 외부 장치로부터 정보를 수신하여 저장할 수 있다. 정보 수집부(110)는 훈련 전 선수의 신체 상태에 관한 제1 상태 정보, 훈련 후 선수의 신체 상태에 관한 제2 상태 정보, 선수의 개별적 신체 정보에 관한 제3 상태 정보, 또는 선수에게 발생한 부상 정보를 획득할 수 있다. The
제1 상태 정보는 훈련 전 선수가 느끼는 통증 부위(이하, 제1 통증 부위) 및 해당 통증 부위의 통증 강도(이하, 제1 통증 강도)에 대한 정보를 포함할 수 있다. The first state information may include information on a pain area (hereinafter referred to as a first pain area) felt by the athlete before training and a pain intensity (hereinafter referred to as a first pain intensity) of the pain area.
제2 상태 정보는 훈련 후 선수가 느끼는 통증 부위(이하, 제2 통증 부위) 및 해당 통증 부위의 통증 강도(이하, 제2 통증 강도)에 대한 정보를 포함할 수 있다. The second state information may include information on a pain area (hereinafter referred to as a second pain area) felt by the athlete after the training and a pain intensity of the pain area (hereinafter referred to as a second pain intensity).
제3 상태 정보는 선수의 운동 종목, 포지션, 주로 사용하는 신체 부위, 체형, 체중에 대한 정보를 포함할 수 있다. 여기서, 선수의 체형에 대한 정보는 선수의 체형을 촬영한 영상 정보를 포함할 수 있다. The third state information may include information on athlete's sports item, position, body part, body shape, and body weight to be used. Here, the information on the body shape of the athlete may include image information of the body shape of the athlete.
부상 정보는 훈련 당시 또는 훈련 후에 선수에게 발생한 부상과 관련된 정보이다. 부상 정보는 선수의 부상 발생 여부, 부상 종류, 부상 부위, 부상 정도를 포함할 수 있으나, 이에 한정되는 것은 아니다. Injury information is information related to injury to the athlete at the time of training or after training. The injury information may include, but is not limited to, the occurrence of a bow injury, the type of injury, the site of injury, and the degree of injury.
또한 제1 상태 정보, 제2 상태 정보, 제3 상태 정보 및 부상 정보는 선수 및 훈련을 특정할 수 있는 정보를 포함할 수 있다. 이를 통해, 각 정보가 동일한 훈련에 대한 전, 후 정보인지, 또한 동일한 선수에 대한 정보인지 특정할 수 있다. In addition, the first state information, the second state information, the third state information, and the wound information may include information capable of specifying a player and a training. This makes it possible to specify whether each piece of information is before and after the same training, and whether it is the same player.
정보 수집부(110)는 객관적인 정보의 수집을 위해 신체 모형 GUI를 사용할 수 있다. 도 3은 훈련 전 또는 훈련 후에 통증 또는 부상이 발생할 수 있는 신체 부위를 시각적으로 표현한 신체 모형 GUI의 예시도이다.The
도 3에 도시된 바와 같이, 정보 수집부(110)는 신체 모형 GUI에서 선수가 통증을 느끼는 것으로 입력한 영역을 기초로 제1 통증 부위 및 제2 통증 부위를 입력 받을 수 있다. 또한 선수가 부상 당한 부위로 입력한 영역을 기초로 부상 부위를 입력 받을 수 있다.As shown in FIG. 3, the
또한 신체 모형 GUI에서 선수가 선택한 영역에 입력이 감지된 횟수, 입력이 감지된 세기, 입력이 감지된 지속 시간 중 적어도 하나의 방식을 기초로 통증 강도 또는 부상 정도를 입력 받을 수 있다. 이때 신체 모형 GUI는 선수 단말(10), 부상 예방 모델 생성 장치(100) 또는 외부 장치가 구비한 디스플레이에 출력될 수 있고, 선수의 디스플레이 터치를 통하여 정보가 입력될 수 있다. Also, in the body model GUI, the pain intensity or the degree of injury can be inputted based on at least one of the number of times the input is detected in the area selected by the athlete, the intensity of the input sensed, and the duration of the input sensed. At this time, the body model GUI can be output to the display provided in the player terminal 10, the injury prevention
파라미터 산출부(120)는 선수의 신체 상태를 반영하는 제1 상태 정보, 제2 상태 정보, 제3 상태 정보 또는 부상 정보로부터 기계 학습 알고리즘의 학습에 쓰일 파라미터를 산출할 수 있다. The
예를 들어, 파라미터 산출부(120)는 제1 상태 정보로부터 제1 통증 부위 또는 제1 통증 강도를 산출하고, 제2 상태 정보로부터 제2 통증 부위 또는 제2 통증 강도를 산출하여 입력 레이어에 쓰일 파라미터로 설정할 수 있다. For example, the
또한 파라미터 산출부(120)는 아래 수학식 1과 같이, 제1 통증 부위 및 제2 통증 부위가 동일하거나 또는 연관성 있는 통증 부위인 경우, 제1 통증 강도에 대한 제1 및 제2 통증 강도의 차이의 비율을 입력 레이어에 쓰일 파라미터로 산출할 수 있다. In addition, the
(
수학식 1은, 동일한 훈련에 의해 활동량이 비슷하더라도 선수의 훈련 전 신체 상태에 따라 훈련 후에 신체가 받는 충격량과 체력 소모량이 다르다는 점을 반영하기 위해, 특정 부위에 대한 훈련 전 선수의 신체 상태를 의미하는 제1 통증 강도를 분모에 반영하고, 훈련 전과 후 선수의 신체 변화 정도를 반영하는 통증 강도의 차이를 분자에 반영한 파라미터를 산출할 수 있다.
수학식 1의 예시를 설명하기 위해, 도 3을 참조하면, 제1 상태 정보는 "좌무릎 - 1단계 통증, 우어깨 - 3 단계 통증, 그 외 부위 - 통증 없음"을 의미하고, 제2 상태 정보는 "좌어깨 - 1단계 통증, 좌무릎 - 3단계 통증, 우어깨 - 5 단계 통증, 그 외 부위 - 통증 없음"을 의미한다.3, the first state information means "left knee - first stage pain, right shoulder - third stage pain, other area - no pain", and the second state The information means "left shoulder - first level pain, left knee - third level pain, right shoulder - fifth level pain, other area - no pain".
이때 통증 강도에 따른 수치를 "통증 없음 - 5점, 1단계 통증 - 4점, 2단계 통증 - 3점, 3단계 통증 - 2점, 4단계 통증 - 1점, 5단계 통증 - 0점"과 같이 설정하고 수학식 1의 n이 100이라면, 수학식 1에 따라 "좌어깨의 파라미터 값은 100 x 
따라서, 좌무릎과 우어깨의 경우, 훈련 전/후 두 부위 모두 2단계만큼 상태가 변화하였어도, 수학식 1의 분모에 의해 훈련 전 신체 상태가 어떠하였는지에 따라 훈련 전/후 신체에 미치는 부담감이 다르다는 요소가 반영되어, 우어깨에 생긴 부담이 좌무릎에 비해 크다는 유의미한 파라미터를 산출할 수 있다. Therefore, in the case of the left knee and the right shoulder, although the state changes by two steps before and after the training, the denominator of
도 4는 제1 상태 정보 및 제2 상태 정보로부터 선수에게 발생할 수 있는 부상 정보를 예측하는 부상 예방 모델을 생성하는 신경망의 예시도이다. 모델 생성부(130)는 기계 학습 알고리즘을 기초로 파라미터와 선수의 부상 정보와의 상관 관계를 학습시킨 부상 예방 모델을 생성할 수 있다.4 is an exemplary diagram of a neural network that generates an injury prevention model that predicts injury information that may occur to a player from first state information and second state information. The
도 4는 기계 학습 알고리즘 중 딥러닝을 이용한 신경망의 예시로, 모델 생성부(130)는 제1 통증 부위, 제1 통증 강도, 제2 통증 부위 및 제2 통증 강도를 입력 레이어의 파라미터로 설정하고, 선수의 부상 여부, 부상 부위, 부상 정도 및 부상 종류를 출력 레이어의 파라미터로 설정한다. 모델 생성부(130)는 정보 수집부(110)가 다양한 선수로부터 여러 훈련 전/후에 수집한 데이터의 파라미터의 값들을 학습에 이용하여 부상 예방 모델을 생성할 수 있다. 이에 따라, 부상 예방 모델에는 선수의 신체 상태와 부상과의 연관 관계가 학습될 수 있다. FIG. 4 is an example of a neural network using deep learning in a machine learning algorithm. The
이에 따라, 부상 가능성을 측정하기 위한 대상 선수의 정보, 가령, 입력 레이어의 파라미터와 대응되는 정보를 부상 예방 모델에 입력하면, 대상 선수에 대한 부상 가능성, 부상 종류, 부상 부위, 부상 정도가 출력될 수 있다. Accordingly, when the information of the target player for measuring the possibility of injury, for example, the information corresponding to the parameter of the input layer, is input to the injury prevention model, the possibility of injury, the kind of injury, .
아울러, 모델 생성부(130)는 제1 상태 정보, 제2 상태 정보뿐만 아니라, 제3 상태 정보를 입력 레이어의 파라미터로 설정하고, 선수의 부상 여부, 부상 부위, 부상 정도 및 부상 종류를 출력 레이어의 파라미터로 설정하여 부상 예방 모델을 생성할 수 있다. 이에 따라, 모델 생성부(130)는 제1 상태 정보 및 제2 상태 정보와 선수의 부상 정보와의 상관 관계에 있어 제3 상태 정보가 미치는 영향을 학습시킨 부상 예방 모델을 생성할 수 있다. In addition, the
한편, 도 4의 학습에 사용된 파라미터 수나 은닉 레이어의 수는 예시일 뿐으로 이에 한정되는 것이 아니며, 딥러닝 알고리즘 외에 decision tree(DT), k-nearest neighbor(KNN), logistic regression(LR), multilayer perceptron(MLP), random forest(RF), support vector machine(SVM) 및 lasso 등 사용할 파라미터의 종류나 수에 따라 적합한 알고리즘을 선택하여 사용할 수 있다. The number of parameters and the number of hidden layers used in the learning of FIG. 4 are merely examples, and the decision tree (DT), the k-nearest neighbor (KNN), the logistic regression (LR) The algorithm can be selected according to the type and number of parameters to be used, such as perceptron (MLP), random forest (RF), support vector machine (SVM) and lasso.
다른 실시예에 따른 부상 예방 모델 생성 장치(100)는 영상 판별부(140)를 더 포함할 수 있고, 이에 따라 파라미터 산출부(120) 및 모델 생성부(130)는 영상 판별부(140)가 생성한 영상 판별 모델을 통해 정보를 추가적으로 이용하여 부상 예방 모델을 생성할 수 있다. The
이에, 영상 판별부(140)를 먼저 설명하고, 영상 판별부(140)가 생성한 영상 판별 모델을 이용하여 파라미터 생성부와 모델 생성부(130)가 부상 예방 모델을 생성하는 동작을 설명한다. The
영상 판별부(140)는 선수의 체형을 촬영한 영상 정보를 입력하였을 때, 영상에서 체형이 위치하는 체형 영역 정보 및 신체 부위의 위치 정보를 판별하는 영상 판별 모델을 생성한다. 본 명세서에서 위치 정보란, 2차원 또는 3차원의 수의 짝으로 이루어진 좌표 정보뿐만 아니라, 마스킹(masking) 및 레이블링(labeling) 방식에 따라 영상에서 특정 지점을 식별할 수 있는 정보를 모두 포함할 수 있다. The
도 5는 선수의 체형을 촬영한 영상 정보로부터 선수의 체형 영역 정보와 통증 부위의 위치 정보를 판별하는 영상 판별 모델을 생성하는 신경망의 예시도이고, 도 6은 학습 영상이 포함하는 신체 영역에 통증 또는 부상이 발생할 수 있는 신체 부위를 마스킹 및 레이블링한 모습을 구체적으로 나타낸 예시도이다.FIG. 5 is a view showing an example of a neural network for generating an image discrimination model for discriminating the body part region information of the athlete and the position information of the pain part from the image information of the body part of the athlete. Or masking and labeling a body part where injury may occur.
도 5 및 도 6에 도시된 바와 같이, 영상 판별부(140)는 상이한 체형을 촬영한 복수의 학습 영상 각각에 대해, 각각의 학습 영상 내의 신체 영역을 마스킹하고, 마스킹 영역 내에서 통증 또는 부상이 발생할 수 있는 부위를 마스킹하거나 그 부위의 영역이 어떤 신체 부위인지 특정되도록 레이블링을 할 수 있다.As shown in FIGS. 5 and 6, the
신체 영역을 마스킹하는 이유는 영상으로부터 신체가 위치하는 영역을 학습시키기 위함이다. 또한 통증 또는 부상이 발생할 수 있는 부위를 마스킹하는 이유는, 근육과 지방이 적은 체형, 근육질인 체형, 지방이 많은 체형에 따라 각 근육 또는 관절의 상대적 거리를 학습시키기 위함이다. 더하여 통증 또는 부상이 발생할 수 있는 부위의 명칭을 레이블링하는 이유는, 각 근육 또는 관절의 명칭을 학습시키기 위함이다. The reason for masking the body region is to learn the region where the body is located from the image. The reason for masking the areas where pain or injury may occur is to learn the relative distance of each muscle or joint according to a body shape with a small amount of muscle and fat, a muscular body shape, and a fat body shape. In addition, the reason for labeling the name of a site where pain or injury may occur is to study the name of each muscle or joint.
한편, 영상 판별부(140)는 신체 영역 내에서 통증 또는 부상이 발생할 수 있는 부위의 위치를 마스킹이 아닌 레이블링을 통하여 학습시킬 수도 있다. 예를 들어 도 6을 참조할 때, 얼굴을 (0,0, face), 목을 (0, -2, neck), 좌어깨를 (3 , -3, left shoulder), 우어깨를 (-3, -3, right shoulder)와 같이, 각 부위의 위치와 명칭을 함께 레이블링하여 학습시킬 수도 있다. On the other hand, the
또한, 영상 판별부(140)는 도 6에 도시된 바와 같이, 신체 영역의 앞면뿐만 아니라 신체 영역의 뒷면도 레이블링 할 수 있으며, 신체 부위의 앞쪽 뒷쪽을 구분할 수 있도록 좌표의 차원을 늘려 각 위치를 레이블링할 수 있다. 6, the
이후, 영상 판별부(140)는 마스킹 및 레이블링이 되어 있지 않은 복수의 학습 영상을 입력 레이어 들어갈 데이터로 설정하고, 통증/부상이 발생할 수 있는 부위가 마스킹 또는 레이블링되어 있는 복수의 학습 영상을 출력 레이어에 들어갈 데이터로 설정하여 기계 학습을 수행할 수 있다. 이에 따라, 영상 판별부(140)는 타겟 영상 내에서 체형 영역과 특정 신체 부위의 위치를 판별하는 영상 판별 모델을 생성할 수 있다. Then, the
한편, 상술한 마스킹 및 레이블링은 신체 영역에서 특정 부위의 명칭 및 위치를 학습시키기 위한 예시일 뿐 이러한 예시에 한정되는 것이 아니다. 또한 도 5에 도시된 신경망의 구성은 하나의 예시일 뿐 다양한 방식으로 구현될 수 있으며, 이에 사용할 수 있는 기계 학습 알고리즘으로서 딥러닝 뿐만 아니라, R-CNN, SDD, Yolo 등의 다양한 알고리즘을 사용할 수 있다.On the other hand, the above-described masking and labeling is only an example for learning the name and position of a specific region in the body region, and is not limited to these examples. Also, the configuration of the neural network shown in FIG. 5 can be implemented in various ways only as an example, and various algorithms such as R-CNN, SDD, and Yolo can be used as well as deep learning as a machine learning algorithm have.
파라미터 산출부(120)는 영상 판별 모델에 선수의 체형을 포함하는 영상 정보를 입력하여, 선수의 체형을 나타내는 체형 영역 정보와 통증 또는 부상이 발생할 수 있는 위치 정보를 획득할 수 있다. The
이에 따라, 파라미터 산출부(120)는 영상 판별 모델을 이용해 선수의 체형을 촬영한 영상 정보로부터 선수의 체형을 나타내는 체형 영역 정보와, 체형 영역 내에서 제1 통증 부위가 위치하는 제1 위치 정보와, 제2 통증 부위가 위치하는 제2 위치 정보와, 부상 부위의 위치 정보를 기계 학습에 이용할 파라미터로서 산출할 수 있다. Accordingly, the
도 7은 제1 상태 정보, 제2 상태 정보, 체형 영역 정보, 제3 상태 정보로부터 선수에게 발생할 수 있는 부상 정보를 예측하는 부상 예방 모델을 생성하는 신경망의 예시도이다.7 is an exemplary diagram of a neural network that generates an injury prevention model that predicts injury information that may occur to a player from first state information, second state information, body shape region information, and third state information.
도 7을 참조하면, 모델 생성부(130)는 제1 통증 부위, 제1 통증 강도, 제1 위치 정보, 제2 통증 부위, 제2 통증 강도, 제2 위치 정보, 체형 영역 정보, 제3 상태 정보를 입력 레이어의 파라미터로 설정하고, 선수의 부상 여부, 부상 부위, 부상 정도 및 부상 종류를 출력 레이어의 파라미터로 설정하여, 선수의 신체 상태 및 체형이 선수의 부상에 미치는 영향을 학습시킨 부상 예방 모델을 생성할 수 있다.Referring to FIG. 7, the
한편 상술한 실시예가 포함하는 정보 수집부(110), 파라미터 산출부(120), 모델 생성부(130) 및 영상 판별부(140)는 이들의 기능을 수행하도록 프로그램된 명령어를 포함하는 메모리, 및 이들 명령어를 수행하는 마이크로프로세서를 포함하는 연산 장치에 의해 구현될 수 있다. Meanwhile, the
도 8은 본 발명의 일 실시예에 따른 부상 예방 장치(200)의 구성도이다. 8 is a configuration diagram of an
도 8을 참조하면, 본 발명의 일 실시예에 따른 부상 예방 장치(200)는 입력부(210), 파라미터 산출부(220) 및 예측부(230)를 포함할 수 있다. Referring to FIG. 8, the
입력부(210)는 훈련 전 대상 선수의 신체 상태에 관한 제1 상태 정보, 훈련 후 대상 선수의 신체 상태에 관한 제2 상태 정보, 대상 선수의 개별적 신체 정보에 관한 제3 상태 정보 또는 선수의 체형을 촬영한 영상 정보를 입력 받을 수 있다. 이때 각 정보가 포함하는 구체적인 정보는 도 2 내지 도 7과 함께 설명한 정보를 포함할 수 있다. The
한편, 상술한 선수 단말이 부상 예방 장치(200)를 포함할 수 있으며, 선수 단말이 포함하는 기능을 통해 제1 상태 정보, 제2 상태 정보, 제3 상태 정보 또는 선수의 체형을 촬영한 영상 정보를 입력 받을 수도 있다. Meanwhile, the athlete terminal described above may include the injury
파라미터 산출부(220)는 대상 선수의 제1 상태 정보, 제2 상태 정보, 제3 상태 정보, 영상 정보로부터 선수의 신체 상태를 반영하는 파라미터를 산출할 수 있다. 즉, 파라미터 산출부(220)는 부상 예방 모델의 학습에 사용한 파라미터와 대응되는 값을 입력부(210)가 입력 받은 정보로부터 산출할 수 있다. The
또한 파라미터 산출부(220)는 입력부(210)가 입력 받은 영상 정보를 부상 예방 모델 생성 장치(100)가 생성한 영상 판별 모델에 입력하여, 신체 영역 정보, 제1 위치 정보 및 제2 위치 정보를 획득할 수 있다. Further, the
예측부(230)는 부상 예방 모델 생성 장치(100)가 생성한 부상 예방 모델에 대상 선수의 파라미터를 입력하여 대상 선수에게 발생할 수 있는 부상 정보를 출력할 수 있다. The
한편 상술한 실시예가 포함하는 입력부(210), 파라미터 산출부(220), 예측부(230)는 이들의 기능을 수행하도록 프로그램된 명령어를 포함하는 메모리, 및 이들 명령어를 수행하는 마이크로프로세서를 포함하는 연산 장치에 의해 구현될 수 있다. Meanwhile, the
도 9는 본 발명의 일 실시예에 따른 부상 예방 모델 생성 방법의 프로세스를 도시하는 흐름도이다. 도 9에 따른 부상 예방 모델 생성 방법의 각 단계는 도 2를 통해 설명된 부상 예방 모델 생성 장치(100)에 의해 수행될 수 있으며, 각 단계를 설명하면 다음과 같다.9 is a flowchart showing the process of the injury prevention model generation method according to an embodiment of the present invention. Each step of the injury prevention model generation method according to FIG. 9 can be performed by the injury prevention
정보 수집부(110)는 훈련 전 선수의 신체 상태에 관한 제1 상태 정보, 훈련 후 선수의 신체 상태에 관한 제2 상태 정보 및 선수의 부상 정보를 획득한다(S910).The
파라미터 산출부(120)는 제1 상태 정보 및 제2 상태 정보로부터 선수의 신체 상태를 반영하는 파라미터를 산출한다(S920). The
모델 생성부(130)는 기계 학습 알고리즘을 기초로 파라미터와 선수의 부상 정보와의 상관 관계를 학습시킨 부상 예방 모델을 생성한다(S930). The
한편, 상술한 각 단계의 주체인 구성 요소들이 해당 단계를 실시하기 위한 설명은 도 2 내지 도 7과 함께 설명하였으므로 중복된 설명은 생략하며, 도 2 내지 도 7에서 설명한 각 구성의 동작이 도 9의 프로세스에 더하여 포함될 수 있음은 자명하다.2 to 7, the description of the operation of each of the components, which are the subject of each of the above-described steps, will be omitted. It will be appreciated that the invention can be included in the process of FIG.
도 10은 본 발명의 일 실시예에 따른 부상 예방 방법의 프로세스를 도시하는 흐름도이다. 도 10에 따른 부상 예방 방법의 각 단계는 도 8을 통해 설명된 부상 예방 장치(200)에 의해 수행될 수 있으며, 각 단계를 설명하면 다음과 같다.10 is a flow chart illustrating a process of an injury prevention method in accordance with an embodiment of the present invention. Each step of the injury prevention method according to FIG. 10 can be performed by the
입력부(210)는 훈련 전 대상 선수의 신체 상태에 관한 제1 상태 정보 및 훈련 후 대상 선수의 신체 상태에 관한 제2 상태 정보를 입력 받는다.The
파라미터 산출부(220)는 제1 상태 정보 및 제2 상태 정보로부터 선수의 신체 상태를 반영하는 파라미터를 산출한다. The
예측부(230)는 부상 예방 모델에 대상 선수의 파라미터를 입력하여 대상 선수에게 발생할 수 있는 부상 정보를 출력한다. The
한편, 상술한 각 단계의 주체인 구성 요소들이 해당 단계를 실시하기 위한 설명은 도 2 내지 도 8과 함께 설명하였으므로 중복된 설명은 생략하며, 도 2 내지 도 8에서 설명한 각 구성의 동작이 도 10의 프로세스에 더하여 포함될 수 있음은 자명하다.2 to 8, the description of the steps for performing the corresponding steps of the components, which are the subject of each step described above, will not be repeated. It will be appreciated that the invention can be included in the process of FIG.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.The above-described embodiments of the present invention can be implemented by various means. For example, embodiments of the present invention may be implemented by hardware, firmware, software, or a combination thereof.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.In the case of hardware implementation, the method according to embodiments of the present invention may be implemented in one or more Application Specific Integrated Circuits (ASICs), Digital Signal Processors (DSPs), Digital Signal Processing Devices (DSPDs), Programmable Logic Devices (PLDs) , FPGAs (Field Programmable Gate Arrays), processors, controllers, microcontrollers, microprocessors, and the like.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고 받을 수 있다.In the case of an implementation by firmware or software, the method according to embodiments of the present invention may be implemented in the form of a module, a procedure or a function for performing the functions or operations described above. A computer program recorded with a software code or the like may be stored in a computer-readable recording medium or a memory unit and may be driven by a processor. The memory unit is located inside or outside the processor, and can exchange data with the processor by various known means.
또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.Combinations of the individual blocks of the block diagrams and flowchart illustrations attached to the present invention may also be performed by computer program instructions. These computer program instructions may be embedded in an encoding processor of a general purpose computer, special purpose computer, or other programmable data processing apparatus, so that the instructions, performed through the encoding processor of a computer or other programmable data processing apparatus, Thereby creating means for performing the functions described in each step of the flowchart. These computer program instructions may also be stored in a computer usable or computer readable memory capable of directing a computer or other programmable data processing apparatus to implement the functionality in a particular manner so that the computer usable or computer readable memory It is also possible for the instructions stored in the block diagram to produce a manufacturing item containing instruction means for performing the functions described in each block or flowchart of the block diagram. Computer program instructions may also be stored on a computer or other programmable data processing equipment so that a series of operating steps may be performed on a computer or other programmable data processing equipment to create a computer- It is also possible that the instructions that perform the processing equipment provide the steps for executing the functions described in each block of the block diagram and at each step of the flowchart.
더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.In addition, each block or each step may represent a portion of a module, segment, or code that includes one or more executable instructions for executing the specified logical function. It should also be noted that in some alternative embodiments, the functions mentioned in the blocks or steps may occur out of order. For example, two blocks or steps shown in succession may in fact be performed substantially concurrently, or the blocks or steps may sometimes be performed in reverse order according to the corresponding function.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.Thus, those skilled in the art will appreciate that the present invention may be embodied in other specific forms without departing from the spirit or essential characteristics thereof. It is therefore to be understood that the embodiments described above are to be considered in all respects only as illustrative and not restrictive. It is intended that the present invention covers the modifications and variations of this invention provided they come within the scope of the appended claims and their equivalents. .
1: 부상 예방 시스템
10: 선수 단말
20: 생체 정보 측정 장치
100: 부상 예방 모델 생성 장치
110: 정보 수집부
120: 파라미터 산출부
130: 모델 생성부
140: 영상 판별부
200: 부상 예방 장치
210: 입력부
220: 파라미터 산출부
230: 예측부 1: Injury Prevention System
10: Player terminal
20: Biometric information measuring device
100: injury prevention model generation device
110: Information collecting unit
120: Parameter calculation unit
130:
140:
200: injury prevention device
210:
220: Parameter calculation unit
230:
Claims (18)
상이한 선수의 체형을 촬영한 복수의 학습 영상 각각에 대해, 상기 각각의 학습 영상 내의 신체 영역을 마스킹하고 상기 마스킹 영역 내에서 통증이 발생할 수 있는 통증 부위를 라벨링하여, 상기 학습 영상을 입력 레이어로 구성하고 상기 마스킹 및 상기 라벨링 정보를 출력 레이어로 구성한 신경망을 학습시킨 영상 판별 모델을 생성하는 영상 판별부 - 상기 영상 판별 모델은 소정의 영상 정보를 입력하였을 때 상기 소정의 영상 정보 내에서 체형이 차지하는 신체 영역 및 신체 영역 내에서의 통증 부위의 위치 정보를 출력함-;
상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 제1 파라미터 및 상기 영상 판별 모델에 상기 영상 정보를 입력하여 상기 신체 영역과 상기 통증 부위가 위치하는 위치 정보인 제2 파라미터를 산출하는 파라미터 산출부; 및
상이한 복수의 선수로부터 산출한 제1 및 제2 파라미터를 입력 레이어, 상기 복수의 선수의 부상 정보를 출력 레이어로 신경망을 구성하여, 상기 제1 및 제2 파라미터와 상기 선수의 부상 정보의 상관 관계를 학습시킨 부상 예방 모델을 생성하는 모델 생성부를 포함하는
기계 학습 기반 부상 예방 모델 생성 장치.
An information collecting unit for acquiring first state information about a pain area of a player before training, second state information about a pain area of the player after training, image information including a body image of the player, and information on the player's injury;
For each of a plurality of learning images in which a body shape of a different athlete is photographed, a body region in each learning image is masked, a pain region in which pain may occur in the masking region is labeled, and the learning image is configured as an input layer An image discrimination unit that generates an image discrimination model in which the neural network including the masking and the labeling information is formed as an output layer; and an image discrimination unit that discriminates the body occupied by the body in the predetermined image information when the predetermined image information is inputted, And outputting position information of a pain site within the area and the body area;
A first parameter that reflects the physical condition of the athlete from the first state information and the second state information, and a second parameter that inputs the image information to the image discrimination model, A parameter calculation unit for calculating a parameter; And
A neural network is constituted by an input layer and first and second parameters calculated from a plurality of different players and an output layer of the floating information of the plurality of players and a correlation between the first and second parameters and the floating information of the player And a model generation unit for generating a learned injury prevention model
Machine learning based injury prevention model generation device.
상기 제1 상태 정보는,
훈련 전 상기 선수의 제1 통증 부위에 대한 제1 통증 강도를 포함하고,
상기 제2 상태 정보는,
훈련 후 상기 선수의 제2 통증 부위에 대한 제2 통증 강도를 포함하며,
상기 제1 파라미터는,
상기 제1 및 제2 통증 부위, 상기 제1 및 제2 통증 강도를 포함하는
기계 학습 기반 부상 예방 모델 생성 장치.
The method according to claim 1,
Wherein the first state information comprises:
A first pain intensity for the first pain part of the athlete before training,
Wherein the second status information comprises:
A second pain intensity for the second pain site of the athlete after training,
Wherein the first parameter comprises:
The first and second pain areas, the first and second pain intensity
Machine learning based injury prevention model generation device.
상기 제2 파라미터는,
상기 영상 정보 내에서 상기 제1 통증 부위가 위치하는 제1 위치 정보 및 상기 영상 정보 내에서 상기 제2 통증 부위가 위치하는 제2 위치 정보를 포함하는
기계 학습 기반 부상 예방 모델 생성 장치.
3. The method of claim 2,
Wherein the second parameter comprises:
Wherein the image information includes first position information in which the first pain part is located and second position information in which the second pain part is located in the image information
Machine learning based injury prevention model generation device.
상기 정보 수집부는,
통증이 발생할 수 있는 부위가 시각적으로 표현된 신체 모형 GUI에 대한 입력을 기초로 상기 제1 및 제2 통증 부위에 대한 정보를 획득하는
기계 학습 기반 부상 예방 모델 생성 장치.
3. The method of claim 2,
The information collecting unit,
Acquiring information about the first and second pain parts based on an input to the body model GUI in which a part where pain may occur is visually expressed
Machine learning based injury prevention model generation device.
상기 제1 및 제2 통증 강도에 대한 정보는,
상기 신체 모형 GUI 중 상기 통증이 발생할 수 있는 부위에 입력이 감지된 횟수, 입력이 감지된 세기, 입력이 감지된 지속 시간 중 적어도 하나를 기초로 강도를 입력 받는
기계 학습 기반 부상 예방 모델 생성 장치.
6. The method of claim 5,
The information about the first and second pain intensity may be,
The intensity is input based on at least one of the number of times the input is detected in the part where the pain is likely to occur, the intensity at which the input is detected, and the duration at which the input is detected
Machine learning based injury prevention model generation device.
상기 제1 파라미터는,
상기 제1 및 제2 통증 부위가 동일하거나 또는 연관성 있는 통증 부위인 경우, 상기 제1 통증 강도에 대한 상기 제1 및 제2 통증 강도의 차이의 비율을 더 포함하는
기계 학습 기반 부상 예방 모델 생성 장치.
3. The method of claim 2,
Wherein the first parameter comprises:
Further comprising a ratio of a difference in the first and second pain intensity to the first pain intensity when the first and second pain areas are the same or related pain areas,
Machine learning based injury prevention model generation device.
상기 정보 수집부는,
상기 선수의 개별적 신체 정보를 포함하는 제3 상태 정보를 더 획득하고,
상기 모델 생성부는,
상기 제3 상태 정보를 상기 제1 및 제2 파라미터와 함께 입력 레이어에 포함시켜 기계 학습 알고리즘을 수행하여, 상기 제1 상태 정보 및 상기 제2 상태 정보와 상기 선수의 부상 정보와의 상관 관계에 있어 상기 제3 상태 정보가 미치는 영향을 학습시킨 상기 부상 예방 모델을 생성하는
기계 학습 기반 부상 예방 모델 생성 장치.
The method according to claim 1,
The information collecting unit,
Further acquiring third state information including individual physical information of the player,
The model generation unit may generate,
And the third state information is included in the input layer together with the first and second parameters to perform a machine learning algorithm, and in the correlation between the first state information and the second state information, The injury prevention model that has learned the influence of the third state information is generated
Machine learning based injury prevention model generation device.
상기 제3 상태 정보는
상기 선수의 운동 종목, 포지션, 주로 사용하는 신체 부위, 체형, 체중 중 적어도 하나인
기계 학습 기반 부상 예방 모델 생성 장치.
9. The method of claim 8,
The third state information
At least one of an athletic item of the athlete, a position, a body part to be mainly used, a body shape,
Machine learning based injury prevention model generation device.
상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 파라미터를 산출하는 파라미터 산출부; 및
제1항 내지 제3항 및 제5항 내지 제9항 중 어느 한 항의 장치가 생성한 상기 부상 예방 모델에 상기 대상 선수의 파라미터를 입력하여 상기 대상 선수에게 발생할 수 있는 부상 정보를 출력하는 예측부를 포함하는
부상 예방 장치.
An input unit for inputting first state information about a pain part of a target player before training and second state information about a pain part of the target player after training;
A parameter calculation unit for calculating a parameter reflecting the physical condition of the athlete from the first state information and the second state information; And
A prediction unit for inputting parameters of a target player to the injury prevention model generated by the apparatus of any one of claims 1 to 3 and 5 to 9 and outputting injury information that may occur to the target player Included
Injury prevention device.
상기 입력부는,
통증이 발생할 수 있는 부위가 시각적으로 표현된 신체 모형 GUI에 대한 입력을 기초로 상기 제1 상태 정보 및 제2 상태 부위에 대한 정보를 획득하는
부상 예방 장치.
11. The method of claim 10,
Wherein the input unit comprises:
Information on the first state information and the second state region is acquired based on an input to the body model GUI in which a region where pain may occur is visually expressed
Injury prevention device.
상기 제1 상태 정보는,
훈련 전 상기 선수의 제1 통증 부위에 대한 제1 통증 강도를 포함하고,
상기 제2 상태 정보는,
훈련 후 상기 선수의 제2 통증 부위에 대한 제2 통증 강도를 포함하며,
부상 예방 장치.
12. The method of claim 11,
Wherein the first state information comprises:
A first pain intensity for the first pain part of the athlete before training,
Wherein the second status information comprises:
A second pain intensity for the second pain site of the athlete after training,
Injury prevention device.
상기 제1 및 제2 통증 강도에 대한 정보는,
통증이 발생할 수 있는 부위가 시각적으로 표현된 신체 모형 GUI에 대한 입력을 기초로 상기 제1 및 제2 통증 부위에 대한 정보를 입력 받는
부상 예방 장치.
13. The method of claim 12,
The information about the first and second pain intensity may be,
The information on the first and second pain parts is input based on the input to the body model GUI in which a part where pain may occur is visually expressed
Injury prevention device.
정보 수집부가 훈련 전 선수의 통증 부위에 관한 제1 상태 정보, 훈련 후 상기 선수의 통증 부위에 관한 제2 상태 정보, 상기 선수의 체형 이미지를 포함하는 영상 정보 및 상기 선수의 부상 정보를 획득하는 단계;
영상 판별부가 상이한 선수의 체형을 촬영한 복수의 학습 영상 각각에 대해, 상기 각각의 학습 영상 내의 신체 영역을 마스킹하고 상기 마스킹 영역 내에서 통증이 발생할 수 있는 통증 부위를 라벨링하여, 상기 학습 영상을 입력 레이어로 구성하고 상기 마스킹 및 상기 라벨링 정보를 출력 레이어로 구성한 신경망을 학습시킨 영상 판별 모델을 생성하는 단계 - 상기 영상 판별 모델은 소정의 영상 정보를 입력하였을 때 상기 소정의 영상 정보 내에서 체형이 차지하는 신체 영역 및 신체 영역 내에서의 통증 부위의 위치 정보를 출력함-;
파라미터 산출부가 상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 제1 파라미터 및 상기 영상 판별 모델에 상기 영상 정보를 입력하여 상기 신체 영역과 상기 통증 부위가 위치하는 위치 정보인 제2 파라미터를 산출하는 단계; 및
모델 생성부가 상이한 복수의 선수로부터 산출한 제1 및 제2 파라미터를 입력 레이어, 상기 복수의 선수의 부상 정보를 출력 레이어로 신경망을 구성하여, 상기 제1 및 제2 파라미터와 상기 선수의 부상 정보의 상관 관계를 학습시킨 부상 예방 모델을 생성하는 단계를 포함하는
기계 학습 기반 부상 예방 모델 생성 방법.
A machine learning based injury prevention model generation method performed by a machine learning based injury prevention model generation apparatus,
Acquiring first state information on a pain area of the player before the information collecting unit training, second state information on a pain area of the player after training, image information including a body image of the player, ;
The image distinguishing unit masks a body region in each of the learning images for each of a plurality of learning images that have captured body shapes of different athletes, labels a pain region in which pain may occur in the masking region, And generating an image discrimination model in which the masking and the labeling information are formed as an output layer by learning a neural network, the image discrimination model comprising: Outputting position information of a pain part in a body area and a body area;
Wherein the parameter calculation unit calculates a first parameter reflecting the physical condition of the athlete from the first state information and the second state information, and a second parameter for inputting the image information to the image discrimination model, Calculating a second parameter, And
The model generating section may constitute a neural network by using first and second parameters calculated from a plurality of different players and an output layer of the floating information of the plurality of players as an output layer to determine whether or not the first and second parameters, And generating an injury prevention model that has learned the correlation
A Method for Generating Machine Learning Based Injury Prevention Model.
입력부가 훈련 전 대상 선수의 신체 상태에 관한 제1 상태 정보 및 훈련 후 상기 대상 선수의 신체 상태에 관한 제2 상태 정보를 입력 받는 단계;
파라미터 산출부가 상기 제1 상태 정보 및 상기 제2 상태 정보로부터 상기 선수의 신체 상태를 반영하는 파라미터를 산출하는 단계; 및
예측부가 제1항 내지 제3항 및 제5항 내지 제9항 중 어느 한 항의 장치가 생성한 상기 부상 예방 모델에 상기 대상 선수의 파라미터를 입력하여 상기 대상 선수에게 발생할 수 있는 부상 정보를 출력하는 단계를 포함하는
부상 예방 방법.
A method for preventing an injury performed by an injury preventing device,
Receiving first state information on a physical condition of a target player before an input unit training and second state information on a physical condition of the target player after training;
Calculating a parameter reflecting the physical condition of the athlete from the first state information and the second state information; And
The prediction unit inputs the parameter of the target player to the injury prevention model generated by the apparatus of any one of claims 1 to 3 and 5 to 9 and outputs the injury information that may occur to the target player Step
How to prevent injury.
An apparatus comprising a processor using an injury prevention model generated by an apparatus of any one of claims 1 to 3 and 5 to 9.
15. A computer-readable medium having recorded thereon a computer program for causing a processor to perform the method of claim 14.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018197312A JP6761841B2 (en) | 2018-04-04 | 2018-10-19 | Machine learning-based injury prevention model generator, injury prevention device and method |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180039018 | 2018-04-04 | ||
| KR20180039018 | 2018-04-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101938241B1 true KR101938241B1 (en) | 2019-01-14 |
Family
ID=65027495
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180079562A KR101938250B1 (en) | 2018-04-04 | 2018-07-09 | System, apparatus and method for preventing injury based on status information before and after training |
| KR1020180089911A KR101938241B1 (en) | 2018-04-04 | 2018-08-01 | Apparatus and method for generating injury prevention model based on machine learning, apparatus and method for preventing injury |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180079562A KR101938250B1 (en) | 2018-04-04 | 2018-07-09 | System, apparatus and method for preventing injury based on status information before and after training |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6761841B2 (en) |
| KR (2) | KR101938250B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220077435A (en) * | 2020-12-02 | 2022-06-09 | 울산과학기술원 | Device and method to predict muscle injury during repeatitive working activity of worker |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021192024A1 (en) * | 2020-03-24 | 2021-09-30 | ソニーグループ株式会社 | Work management device and work status determination method |
| JP7217062B1 (en) | 2022-08-01 | 2023-02-02 | 光廣 河村 | Information service method, program and system related to disease symptoms |
| KR102528502B1 (en) * | 2022-09-05 | 2023-05-08 | 주식회사 피지오 | Online rehabilitation exercise system using pain level and pain areas |
| KR102528503B1 (en) * | 2022-09-05 | 2023-05-04 | 주식회사 피지오 | Online rehabilitation exercise system linked with experts |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5350905B2 (en) * | 2009-06-19 | 2013-11-27 | 株式会社コンピュータシステム研究所 | Child acceptance facility risk management system, method and program thereof |
| KR20160085876A (en) * | 2013-11-14 | 2016-07-18 | 엘화 엘엘씨 | Devices, systems, and methods for automated medical product or service delivery |
| JP6721607B2 (en) * | 2015-01-10 | 2020-07-15 | デュレン、デボラ | Method and apparatus for measuring autonomic function for the diagnosis and validation of patient treatment and outcomes |
-
2018
- 2018-07-09 KR KR1020180079562A patent/KR101938250B1/en active IP Right Grant
- 2018-08-01 KR KR1020180089911A patent/KR101938241B1/en active IP Right Grant
- 2018-10-19 JP JP2018197312A patent/JP6761841B2/en active Active
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220077435A (en) * | 2020-12-02 | 2022-06-09 | 울산과학기술원 | Device and method to predict muscle injury during repeatitive working activity of worker |
| KR102485242B1 (en) * | 2020-12-02 | 2023-01-06 | 울산과학기술원 | Device and method to predict muscle injury during repeatitive working activity of worker |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019185722A (en) | 2019-10-24 |
| JP6761841B2 (en) | 2020-09-30 |
| KR101938250B1 (en) | 2019-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101938241B1 (en) | Apparatus and method for generating injury prevention model based on machine learning, apparatus and method for preventing injury | |
| US10973439B2 (en) | Systems and methods for real-time data quantification, acquisition, analysis, and feedback | |
| US10352962B2 (en) | Systems and methods for real-time data quantification, acquisition, analysis and feedback | |
| US11679300B2 (en) | Systems and methods for real-time data quantification, acquisition, analysis, and feedback | |
| US11950901B2 (en) | Systems and methods for assessing gait, stability, and/or balance of a user | |
| US20130178960A1 (en) | Systems and methods for remote monitoring of exercise performance metrics | |
| Yurtman et al. | Automated evaluation of physical therapy exercises using multi-template dynamic time warping on wearable sensor signals | |
| KR102290504B1 (en) | Health Care System Using Tracker | |
| US20200335222A1 (en) | Movement feedback for orthopedic patient | |
| JP6914896B2 (en) | Health condition diagnosis system | |
| US10716517B1 (en) | Biomechanics abnormality identification | |
| Alghamdi | A novel deep learning method for predicting athletes’ health using wearable sensors and recurrent neural networks | |
| US20220296129A1 (en) | Activity monitoring system | |
| US11527109B1 (en) | Form analysis system | |
| Zhu | RETRACTED: Real-time monitoring of the athlete's musculoskeletal health based on an embedded processor | |
| Kim et al. | Examining cross-validation strategies for predictive modeling of anterior cruciate ligament reinjury | |
| Bakke | Different Strokes for Different Folks: Patient-Specific Gait Modelling and Post-Stroke Rehabilitation | |
| TWI758993B (en) | Lower limb rehabilitation system based on augmented reality and brain computer interface | |
| Brzostowski et al. | Analysis of human arm motions recognition algorithms for system to visualize virtual arm | |
| JP7358842B2 (en) | Failure determination method, failure determination program, and information processing device | |
| US20220225897A1 (en) | Systems and methods for remote motor assessment | |
| US20190307369A1 (en) | Method and Device for Diagnosing Anterior Cruciate Ligament Injury Susceptibility | |
| Kombeiz | Development and validation of a neural network for adaptive gait cycle detection from kinematic data | |
| CN117732019A (en) | Motion evaluation method and system | |
| JP2022096052A (en) | Motion function determination device, motion function determination method, and motion function determination program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| N231 | Notification of change of applicant | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |