준프로 농구 선수의 훈련 및 경기 부하가 초단기 심박 변이도에 미치는 영향을 설명하는 설명 가능한 머신러닝 접근법

이 연구는 준프로 농구 선수들이 한 시즌 동안 훈련 및 경기 부하가 심박 변이도(HRV) 에 미치는 영향을 분석하고, 어떤 변수들이 HRV 변화에 가장 큰 영향을 주는지 설명 가능한 머신러닝(XAI) 기법인 SHAP(SHapley Additive exPlanation)을 활용하여 밝혀냈습니다. 주요 결과는 경기일의 HRV가 훈련일이나 비훈련일보다 유의미하게 낮았으며, 주관적 운동 자각도(RPE), 마지막 경기 이후 경과일, 경기 출전 시간 등이 HRV 변화에 가장 큰 영향을 미치는 요인으로 나타났다는 것입니다. 선수별로 HRV에 영향을 미치는 요인이 다르다는 점도 확인되어, 개별 맞춤형 선수 관리 전략의 중요성을 강조합니다.

1. 연구 배경 및 목적 🏀

팀 스포츠에서 여러 달에 걸쳐 진행되는 경쟁 시즌 동안 훈련 부하와 회복을 잘 관리하는 것은 선수들의 부상 위험을 줄이고 경기력을 최적화하는 데 매우 중요해요. ⛹️‍♂️ 훈련 부하는 선수가 훈련이나 경기 중 수행하는 작업을 의미하는 외부 부하와 선수의 생리적 반응을 의미하는 내부 부하로 나눌 수 있어요. 특히 농구는 고강도 인터벌 동작이 많고, 포지션마다 신체적, 전술적 요구가 다르기 때문에 개별 선수에 대한 모니터링이 필수적입니다.

이때 심박수 변이도(HRV) 는 자율 신경계의 상태와 피로도와의 잠재적 관계를 파악하는 데 유용한 지표로 활용될 수 있어요. HRV는 이전 날의 자극에 민감하게 반응하여, 고강도 훈련이나 경기와 같은 급성 생리적 스트레스에 의해 감소하는 경향을 보여줍니다. 특히 HRV 지표 중 하나인 LnRMSSD는 피로 모니터링에 널리 사용되지만, 훈련 부하에 대한 반응은 선수마다 다르게 나타나는 경향이 있어요. 대부분의 연구가 시즌의 특정 짧은 기간에만 초점을 맞추고 있고, HRV와 다른 부하 관련 변수들 간의 관계에 대한 명확한 합의가 부족하다는 한계가 있습니다.

이 연구의 주요 목적은 다음과 같아요.

이전 날의 훈련 및 경기 자극이 HRV에 미치는 영향을 평가합니다.
시즌 전체를 통해 농구 선수의 HRV에 영향을 미치는 부하 변수를 설명하는 모델을 구축합니다.
HRV 변화에 영향을 미치는 개별 선수별 요인을 확인합니다.
설명 가능한 머신러닝 프레임워크가 선수 모니터링에 실질적인 통찰력을 제공하는 유용성을 입증합니다.

저자들은 이전 날의 훈련 또는 경기 부하가 다음 날의 HRV 반응에 영향을 미칠 것이며, 특정 부하 변수들이 이러한 변화를 더 잘 설명할 것으로 예상했어요. 또한, 선수 개개인마다 이러한 반응에 영향을 미치는 요인에서 차이가 있을 것으로 보았죠.

2. 연구 방법 🛠️

이 연구는 스페인 EBA 리그(4부 리그)에 참가하는 한 팀의 준프로 농구 선수 5명을 대상으로 2021년부터 2022년까지 약 7개월간(10월~4월) 한 시즌 내내 종단적 관찰 연구를 진행했어요. 선수들은 2명의 포인트 가드, 2명의 윙, 1명의 센터로 구성되었습니다.

2.1. 연구 참여자 및 데이터 수집 📊

참가 선수들은 훈련 부하 변수, 운동 자각도(RPE), 훈련 및 경기 시간, 그리고 HRV를 매일 기록했어요. 각 선수는 평균 212.6 ± 23.9개의 심박수 및 HRV 기록과 257개의 RPE 및 시간 기록을 제공했습니다. 매주 일반적인 일정은 4번의 훈련 세션과 1번의 경기로 이루어졌어요.

훈련일 분류: 시즌 중 모든 날은 경기일(MD), 훈련일(TD), 비훈련일(NTD)의 세 가지로 분류되었습니다.
- 경기일(MD): 선수가 공식 경기에 1분 이상 참여한 날.
- 훈련일(TD): 선수가 팀 훈련 세션에 완전히 참여한 날.
- 비훈련일(NTD): 선수가 경기나 훈련 세션에 참여하지 않은 날.

그림 1: 시즌 중 일반적인 미세주기 유형 및 심박수 측정일 분포

2.2. 훈련 부하 측정 🏋️‍♀️

주요 부하 지표는 훈련 세션 시간 또는 경기 출전 시간, 그리고 주관적인 노력 평가인 RPE(운동 자각도) 였어요. 이 두 가지 지표를 바탕으로 세션-RPE (sRPE)를 계산했습니다(sRPE = 훈련/경기 시간 × RPE). RPE 데이터는 선수들이 자신의 모바일 기기에서 TrainingFeel 앱을 사용하여 보그 척도 1-10점으로 세션 종료 15~30분 후에 "세션이 얼마나 힘들게 느껴졌나요?"라는 질문에 답하는 방식으로 수집되었어요. 경기 출전 시간은 스페인 농구 연맹 공식 기록에서 얻었습니다.

각 변수에 대해 이동 평균, 가중 평균, 지수 가중 이동 평균(EWMA)을 계산했어요. EWMA는 최근 부하에 더 큰 가중치를 부여하여 부하 모니터링에 사용되는 방법입니다.

2.3. 심박 변이도(HRV) 측정 ❤️

훈련 부하 반응을 모니터링하기 위해 훈련 세션과 경기 중 심박수(HR) 데이터를 수집했어요. 이를 통해 HR, RMSSD, 그리고 LnRMSSD를 도출했습니다. HRV 모니터링, 특히 LnRMSSD는 훈련 부하에 대한 반응을 평가하는 방법으로 널리 사용되어 왔습니다.

HRV 데이터는 참가자들이 HRV4Training 앱을 다운로드하여 매일 아침 깨어났을 때 1분 동안 누운 자세로 측정했습니다. 초단기 기록(1분 이하)도 이전 날의 자극에 민감하다는 것이 입증되었으며, 표준 5분 기록과 좋은 일치도를 보입니다. 측정은 광용적맥파(PPG) 방식을 사용했는데, 이는 스마트폰 카메라와 플래시에 손가락을 대고 피부를 비춰 혈류 변화를 감지하는 비침습적이고 검증된 방법이에요.

2.4. 통계 분석 💻

선형 혼합 모델: 경기일, 훈련일, 비훈련일 유형이 HRV (LnRMSSD)에 미치는 영향을 분석하기 위해 선형 혼합 모델을 사용했어요. 선수 간의 개별적인 LnRMSSD 차이를 고려하기 위해 무작위 절편을 포함시켰습니다.
설명 가능한 머신러닝 (XAI) 모델: LnRMSSD 변수와 농구 선수의 부하 지표 간의 의존 관계를 설정하기 위해 Extreme Gradient Boosting (XGBoost) 모델을 사용했습니다. XGBoost는 수백 개의 결정 트리를 순차적으로 조정하여 예측력이 뛰어난 모델이에요.
SHAP 분석: XGBoost 모델의 결과를 해석하기 위해 SHAP(SHapley Additive exPlanation) 기술을 적용했어요. SHAP 값은 각 부하 변수가 LnRMSSD 예측에 (양수 또는 음수로) 얼마나 기여하는지 정량화하여, 모델에서 각 변수의 전반적인 중요성과 기여도를 파악할 수 있게 해줍니다. 특히, 이는 전역적(global) 수준과 개별 선수(local) 수준 모두에서 해석이 가능하여, 선수 개개인에 대한 맞춤형 의사결정에 매우 유용해요.

그림 2: XGBoost 모델링 파이프라인의 개략도

3. 연구 결과 📈

3.1. 요일 유형별 LnRMSSD 변화 📉

선형 혼합 모델을 통해 분석한 결과, LnRMSSD 값은 요일 유형에 따라 유의미한 차이를 보였습니다.

비훈련일(NTD): 4.711 ± 0.146 ln ms
훈련일(TD): 4.653 ± 0.146 ln ms
경기일(MD): 4.408 ± 0.149 ln ms

경기일(MD)의 LnRMSSD 값은 비훈련일(NTD)과 훈련일(TD)에 비해 통계적으로 유의하게 낮았습니다 (각각 평균 차이 = 0.304, p < 0.001; 평균 차이 = 0.245, p < 0.001). 반면, 비훈련일과 훈련일 사이에는 유의미한 차이가 없었습니다 (평균 차이 = 0.058, p = 0.578). 이는 경기가 선수들의 자율 신경계 회복에 가장 큰 영향을 미치는 자극임을 시사합니다.

그림 3: 요일 유형별 일일 LnRMSSD 분포 (비훈련일, 훈련일, 경기일)

3.2. XGBoost 모델 성능 및 주요 변수 🌟

XGBoost 모델의 예측 성능은 5-겹 교차 검증을 통해 평가되었으며, 교차 검증된 RMSE(평균 제곱근 오차)는 0.2683 ± 0.0126으로, 훈련 RMSE (0.2567)와 일관된 성능을 보였어요. 이는 모델이 훈련 부하 변수와 LnRMSSD 간의 관계를 특성화하는 데 견고함을 나타냅니다.

SHAP 분석 결과, LnRMSSD 변화에 가장 큰 영향을 미치는 변수들은 다음과 같습니다.

RPE (운동 자각도): 선수들이 주관적으로 느끼는 훈련 또는 경기 강도.
DaysLastMatch (마지막 경기 이후 경과일): 마지막 경기 이후 얼마나 많은 날이 지났는지.
Volume_LastMatch (지난 경기 출전 시간): 지난 경기에서 뛴 시간(분).
sRPE_avg4 (지난 4일간 sRPE 평균): 지난 4일 동안의 세션-RPE 평균.
RPE_LastMatch (지난 경기 RPE): 지난 경기에서 보고된 RPE.

또한, 훈련 또는 경기 전 RMSSD 및 HR(심박수) 값과 같은 사전 자극 변수들도 다음 날 LnRMSSD 변화에 영향을 미치는 것으로 나타났습니다.

그림 4: LnRMSSD 특성화에 가장 중요한 변수. Y축은 중요도 순서, X축(SHAP 값)은 각 변수가 모델 출력에 미치는 영향의 방향과 크기를 나타냅니다. 빨간색은 변수 값이 높을수록, 파란색은 낮을수록 해당합니다.

3.3. 선수별 개별 분석 🧍‍♂️🧍‍♀️

SHAP 개별 분석은 선수마다 HRV 변화와 관련된 변수의 순서, 가중치 및 영향에 있어 개인별 차이가 있음을 분명히 보여주었습니다. 이는 팀 스포츠에서 생리적 반응의 이질성을 강조합니다.

예를 들어, 선수 1과 4는 주로 RPE 및 경기 관련 변수에 의해 자율 신경 반응이 영향을 받았는데, 이는 인지된 강도와 경기 스트레스에 대한 높은 민감성을 나타냅니다.
대조적으로, 선수 5는 RMSSD_pre가 가장 영향력 있는 변수 중 하나로 나타나, 훈련이나 경기 전의 기본 자율 신경 상태가 다음 날 LnRMSSD 조절에 결정적인 역할을 함을 시사합니다.
일부 선수들은 급성 부하(예: RPE)에 더 민감한 반면, 다른 선수들은 누적 부하(예: sRPE_avg4)에 더 큰 영향을 받았습니다.

이러한 대비되는 프로파일은 특정 지표(예: RPE, 경기 근접성)가 팀 전체 수준에서 중요하더라도, 그 상대적 중요성이 개인마다 크게 다르다는 것을 보여줍니다.

그림 5: 각 선수별 LnRMSSD 특성화에 가장 중요한 변수. SHAP 값의 방향(양수 또는 음수)은 LnRMSSD에 대한 모델 예측 대비 각 변수 효과의 방향을 나타냅니다.

4. 토론 💬

이 연구의 주요 발견은 다음과 같아요. 첫째, LnRMSSD는 이전 날의 훈련 부하에 영향을 받으며, 경기가 가장 큰 변화를 유도하는 자극이라는 점입니다. 둘째, 강도 지표, 특히 RPE가 다음 날 LnRMSSD 변화를 설명하는 가장 중요한 변수 중 하나로 나타났어요. 셋째, 각 선수에게 LnRMSSD 변화에 가장 큰 영향을 미치는 변수에 개인차가 존재한다는 것입니다.

4.1. 경기 부하의 영향 🏟️

이전 연구에서도 HRV가 팀 스포츠 선수들의 훈련 부하에 영향을 받는다고 보고되었지만, 대부분 짧은 기간에 초점을 맞추었습니다. 이 연구는 전체 경쟁 시즌 동안 선수들을 모니터링하여, 경기일의 LnRMSSD가 훈련일과 비훈련일에 비해 유의미하게 낮음을 보여주었어요. 이는 경기가 선수들의 자율 신경계에 가장 큰 부하를 주고, 회복에 더 많은 시간이 필요할 수 있음을 의미합니다. 특히, 고강도 세션 후 최소 48시간이 완전한 부교감 신경 활성화에 필요하다는 점을 고려할 때, 경기 후 회복 기간의 중요성이 더욱 강조됩니다.

4.2. RPE와 경기 관련 변수의 중요성 💪

SHAP 분석을 통해 RPE(운동 자각도)와 마지막 경기 이후 경과일(DaysLastMatch)이 LnRMSSD 변화에 가장 큰 영향을 미치는 변수로 확인되었습니다. 이는 이전 연구 결과와 일치하며, 선수들이 주관적으로 인지하는 훈련 강도가 HRV에 중요한 영향을 미친다는 것을 보여줍니다.

"RPE를 단순하고 저비용의 모니터링 도구로 활용하여 내부 부하를 추적하고 선수들의 단기적인 생리적 상태 변화를 예측하는 데 도움이 된다는 점을 시사합니다."

또한, 지난 경기 출전 시간(Volume_LastMatch)과 지난 경기 RPE(RPE_LastMatch)도 LnRMSSD에 유의미한 영향을 미치는 것으로 나타나, 경기의 강도와 회복 기간이 농구 미세주기 계획에서 핵심적인 고려 사항이 되어야 함을 제안합니다. 심리적 변수도 HRV에 영향을 미칠 수 있으므로, 경기 요구 사항과 결과도 변화의 크기에 영향을 줄 수 있어요.

최근 4일간의 sRPE 평균(sRPE_avg4)은 다음 날 LnRMSSD와 역의 관계를 보였는데, 이는 부피(Volume)와 인지된 강도(RPE)를 모두 포함하기 때문에 부피의 영향이 더 클 수 있음을 시사합니다. 반면, 7일간의 평균 부피는 LnRMSSD에 긍정적인 영향을 미쳐, 적절한 훈련 노출이 유리한 LnRMSSD 값을 유지하는 데 도움이 될 수 있음을 보여주었습니다.

훈련 전 HR(HR_pre)과 훈련 전 RMSSD(RMSSD_pre)와 같은 사전 자극 변수도 중요한 역할을 합니다. 높은 휴식기 HR이나 낮은 RMSSD 값은 다음 날 LnRMSSD의 더 큰 감소에 영향을 미치는 것으로 보입니다. 이는 훈련 강도뿐만 아니라 각 세션 전 선수의 생리적 상태를 고려하여 훈련 부하를 계획해야 함을 의미해요.

4.3. 개별화된 모니터링의 필요성 🧩

이 연구는 개별 선수별로 LnRMSSD 반응에 영향을 미치는 훈련 부하 지표에 차이가 있음을 명확히 보여주었습니다. 선수 1과 4처럼 RPE와 경기 관련 변수에 주로 영향을 받는 선수들은 인지된 강도와 경기 스트레스에 대한 민감도가 높고, 선수 5처럼 RMSSD_pre와 같은 생리적 기준 상태에 더 강하게 의존하는 선수도 있었어요. 이러한 결과는 선수 개개인의 특성에 기반한 맞춤형 모니터링 프로세스의 중요성을 강조합니다.

"설명 가능한 모델의 추가 가치는 획일적인 모니터링 프레임워크에서 선수별 맞춤형 모니터링 프레임워크로 전환하여, 코치들이 각 선수의 부하-반응 프로필에 따라 훈련 및 회복 전략을 더 잘 조정할 수 있도록 지원하는 것입니다."

4.4. 연구의 한계점 🚧

이 연구는 몇 가지 한계를 가지고 있습니다. 첫째, 표본 크기가 작아 광범위한 결론을 내리거나 결과를 일반화하는 데 제약이 있습니다. 하지만 각 선수에게서 상당량의 데이터를 수집하여 모델을 훈련시켰습니다. 둘째, 단일 시즌 동안만 분석했으므로, 더 큰 규모의 종단적 연구가 필요합니다. 셋째, 훈련 부하는 주관적인 RPE를 사용하여 평가되었는데, 이는 기분이나 동기와 같은 요인에 영향을 받을 수 있습니다. 넷째, HRV에 영향을 미치는 것으로 알려진 심리적 스트레스를 측정하지 못했습니다. 마지막으로, 외부 부하 측정(예: GPS, 가속도계)의 부재로 내부 및 외부 부하 요인 간의 직접적인 비교가 어려웠습니다.

마무리 💡

이 연구는 준프로 농구 선수들을 대상으로 한 시즌 전체에 걸쳐 훈련 및 경기 부하가 초단기 심박 변이도(LnRMSSD)에 미치는 영향을 설명하기 위해 설명 가능한 머신러닝(SHAP) 접근법을 적용한 첫 번째 개념 증명 연구입니다. 주요 결과는 LnRMSSD가 이전 날의 훈련 부하에 유의미한 영향을 받으며, 경기가 가장 큰 변화를 유도하는 자극이라는 점이에요.

특히, RPE(운동 자각도)와 마지막 경기 이후 경과일이 LnRMSSD 변화에 영향을 미치는 주요 요인으로 밝혀졌고, 지난 경기 출전 시간과 훈련/경기 전 생리적 상태(RMSSD, HR)도 중요한 영향을 미치는 것으로 나타났습니다. 무엇보다 선수 개개인마다 HRV 조절에 영향을 미치는 변수와 그 영향의 정도에 차이가 있다는 점은 개인 맞춤형 훈련 부하 관리 및 피로 모니터링 전략의 중요성을 강조해요.

SHAP와 같은 해석 가능한 머신러닝 기법은 팀 스포츠에서 훈련 부하가 피로에 어떻게 영향을 미치는지 명확하게 밝혀, 훈련 부하 조정을 예측하고 선수들의 경기력 및 회복을 최적화하는 데 잠재적으로 유용한 프레임워크를 제공합니다. 앞으로 더 많은 팀과 다양한 상황에서 이러한 결과의 일반화 가능성을 검증하기 위한 추가 연구가 필요할 거예요.