실제 피트니스 환경에서의 운동 동작 분석을 위한 AI 기반 합성 데이터 활용 = Using AI-based synthetic data to analyze exercise movements in real-world fitness environments

국문 초록 (Abstract)

최근 기대 수명의 증가(국가통계포털 2022)와 함께 많은 사람들이 건강 수명을 늘리기 위해 피트니스 시설에서 웨이트 운동을 하고 있다. 웨이트 운동 중 특히 스쿼트는 신체적, 정신적 여러 이점을 제공하지만, 부상 위험도 높아 올바른 자세 유지가 중요하다. 본 연구는 스쿼트 동작의 오류를 식별하고 교정하는 인공지능 기반 모델을 개발하는 것을 목표로 한다. 기존의 스쿼트 동작 인식 인공지능 모델들은 연구실이나 가정집과 같은 피트니스 환경 아닌 곳에서 데이터를 수집하여, 실제 피트니스 환경의 복잡성을 반영하지 못하는 한계가 있었다. 이를 해결하기 위해, 본 연구는 Waseda Squat Dataset을 기반으로 실제 피트니스 환경을 반영한 합성 데이터를 생성하고, 이를 이용해 다양한 폐색 상황을 모델에 훈련시켰다. 이 후 모델 간의 성능 비교를 위해 실제 피트니스 시설에서 촬영한 데이터를 사용하여 모델을 평가하였다. 그 결과, 인공지능 기반 동작 인식 모델인 ST-GCN 모델의 경우 원본 데이터만을 사용했을 때 Top1 정확도는 28.21% 였으나 합성 데이터를 추가한 후 32.50%로 4.29% 포인트 향상되었다. 다른 인공지능 기반 동작 인식 모델인 AA-GCN 모델도 정확도가 2.5% 포인트, PoseC3D 모델 또한 정확도가 1.43% 포인트 향상되었다. 이러한 결과는 합성 데이터를 활용함으로써 실제 피트니 스 시설에서의 운동 시 오류 동작을 보다 정확하게 인식할 수 있음을 보여준다. 이를 통해 운동 동작에 대한 피드백을 제 공하여 더 나은 운동 동작 분석 인공지능 모델을 개발할 수 있을 것이다.

다국어 초록 (Multilingual Abstract)

With the recent increase in life expectancy (National Statistics Portal, 2022), many people are engaging in weight training at fitness facilities to extend their healthy lifespan. Squats offer numerous physical and mental benefits, but they also carry a high risk of injury, making proper form crucial. This study aims to develop an AI-based model to identify and correct errors in squat movements. Existing AI models for squat motion recognition have limitations as they collect data in non-fitness environments, such as laboratories or homes, failing to reflect the complexity of actual fitness environments. To address this, our study generates synthetic data reflecting real fitness environments based on the Waseda Squat Dataset and trains the model under various occlusion scenarios. For performance comparison between models, we evaluated the models using data captured in actual fitness facilities. Results showed that the AI-based motion recognition model, ST-GCN, achieved a Top1 accuracy of 28.21% using only the original data, but this improved by 4.29 percentage points to 32.50% after adding synthetic data. The accuracy of another AI-based motion recognition model, AA-GCN, increased by 2.5 percentage points, and the PoseC3D model also saw a 1.43 percentage point improvement. These results demonstrate that utilizing synthetic data allows for more accurate recognition of erroneous movements during exercise in real fitness facilities. This can provide feedback on exercise movements and aid in the development of more advanced AI models for exercise movement analysis.