XAI를 활용한 토미 존 부상 예측 모델 (Tommy John Injury Prediction Model Using XAI)

서지정보

· 발행기관 : 한국융합과학회
· 수록지 정보 : 한국융합과학회지 / 13권 / 7호 / 241 ~ 259페이지
· 저자명 : 박태신, 김미량

초록

연구목적 본 연구는 머신러닝을 활용하여 프로야구 투수들의 토미 존 부상 여부를 사전에 예측하여 선수들의 부상 위험을 줄이고 평균적으로 1년이 넘는 재활 기간을 줄이는 데 목적이있다. 연구방법 Fangraph 및 Python의 pybaseball 패키지를 활용하여 2020년부터 2022년까지 메이저 리그 선수들의 일별 경기 기록을 수집했다. 토미 존 부상을 당하기 이전, 주요 구종인 직구의 최근 5경기의 공의 속도, 회전율, 회전 방향 각도 등 19개의 변수를 전처리하여76개의 독립변수를 생성했다. 1011명의 선수 중 토미 존 부상을 입은 선수는 15명으로 데이터 불균형 문제가 심하여 언더 샘플링을 적용했다. 이후 토미 존 부상을 입은 선수 15명과나머지 996명의 선수 중 랜덤으로 1000번, 15명의 선수를 뽑아 5-folds 교차검증을 진행하였다. 결과 6가지 머신러닝 모델을 사용하였고 성능 평가지표로는 정확도, 정밀도, 재현율,F1 Score를 사용하였다. 정확도, 정밀도, F1 Score에서는 성능이 낮았지만 재현율에서는 서포트 벡터 머신이 0.660으로 다른 모델보다 높은 성능을 보였다. 비슷한 연구 사례로 팔꿈치부상 예측을 한 이전 연구의 F1 Score 0.07보다 높은 0.534의 성능을 보였다. 결론 본 연구를통하여 선수들의 부상을 미리 예측함으로써 조기 대처 및 관리가 가능할 것이다. 또한 스포츠안전과 스포츠 과학 분야에 지속적으로 기여 할 수 있으며, 선수의 신체 특성, 훈련 방법 등을추가로 분석하면 더욱 정교한 모델과 부상 예방 전략을 세울 수 있을 것이라 기대한다.

영어초록

Purpose This study aims to predict the occurrence of Tommy John injuries in professional baseball pitchersin advance using machine learning, with the goal of reducing players' injury risks and shortening the averagerehabilitation period of over a year. Methods Daily game records of Major League players from 2020 to2022 were collected using Fangraph and the pybaseball package in Python. Prior to suffering Tommy Johninjuries, 19 variables such as the recent five-game speed, spin rate, and spin direction angle of the majorpitch type, fastball, were preprocessed to generate 76 independent variables. Among 1,011 players, 15suffered from Tommy John injuries, posing a data imbalance issue, thus undersampling was applied. Subsequently, 5-fold cross-validation was conducted by randomly selecting 15 injured players and 1,000players from the remaining 996 players 1,000 times. Results Five machine learning models were utilized,and performance was evaluated using accuracy, precision, recall, and F1 Score. While performance was lowin accuracy, precision, and F1 Score, support vector machines showed higher performance in recall at 0.660compared to other models. It demonstrated a performance of 0.534 higher than the F1 Score of 0.07 ina previous study predicting elbow injuries. Conclusion Through this study, early prediction of player injurieswill enable early intervention and management. It is also expected to contribute continuously to sports safetyand sports science, and with additional analysis of player characteristics and training methods, moresophisticated models and injury prevention strategies can be developed.

참고자료

· 없음