개별화 속도 임계값의 원리와 적용 — 절대 기준과 상대 기준의 비교
선행 학습: 이 글은 독자가 고강도 달리기 지표(HSR, 스프린트, 가속·감속)의 정의와 맥락화 원리를 이해하고 있다고 가정한다. 처음 접하는 경우, 아래 글을 먼저 읽기를 권장한다.
학습 목표
- 절대 속도 임계값(AAT)의 정의, 역사적 배경, 실무적 활용 근거를 설명할 수 있다.
- 개별화 임계값(IND)의 원리와 설정 방법(MSS 기반, ACCmax/DECmax 기반)을 기술할 수 있다.
- AAT와 IND 적용 시 발생하는 과대·과소 추정 문제를 실제 데이터로 비교할 수 있다.
- 맥락 요인(포지션, 전술 역할, 경기 상황)이 속도 임계값 해석에 미치는 영향을 분석할 수 있다.
- 현장에서 AAT와 IND를 병행·활용하는 실무 전략을 설계할 수 있다.
절대 속도 임계값은 어디서 왔는가
절대적 임계값(Arbitrary Absolute Threshold, AAT)은 모든 선수에게 동일하게 적용하는 고정 속도 기준이다. 예를 들어, 고속 주행(HSR)을 ≥19.8 km/h, 스프린트를 ≥25.2 km/h로 정의하는 방식이다.
이 분류 체계의 대표적 예는 EPL 370명을 분석한 연구에서 제시되었다 (Bradley et al., 2009). 이 연구는 정지(0–0.6 km/h)부터 스프린트(≥25.1 km/h)까지 6단계 속도 구간을 설정하고, 포지션별 활동 프로필을 체계적으로 기술했다. 이후 많은 연구와 현장이 이 분류를 참조하거나 변형하여 사용해왔다.
AAT가 현장에서 여전히 지배적인 이유는 명확하다. 팀 간, 리그 간, 시즌 간 비교가 가능하다. 설정이 간편하고, 데이터 수집·보고 절차가 표준화되어 있다. EPL 5시즌 종단 분석에서도 AAT 기준(HID >5.5 m/s, SprD >7 m/s)으로 HID +12%, SprD +15% 증가 추세를 확인할 수 있었다 (Allen et al., 2023). 이처럼 장기 추세를 추적할 때 AAT는 일관된 기준점을 제공한다.
그러나 AAT에는 근본적 한계가 있다. 연구마다 “고강도”를 정의하는 속도가 다르다. 같은 가속 값(예: 3 m/s²)이 연구에 따라 중강도, 고강도, 또는 최대 강도로 분류되는 비일관성이 존재한다 (Pimenta et al., 2026). 더 중요한 문제는, 동일한 절대 속도가 선수마다 완전히 다른 상대 강도를 의미한다는 점이다. Bradley et al. (2009)의 데이터에서 포지션별 최대 주행 속도는 윙어 7.93 m/s, 중앙 수비수 7.31 m/s로 6–8% 차이를 보였다. ≥19.8 km/h라는 동일 기준이 윙어에게는 최대 능력의 69%에 해당하지만, 중앙 수비수에게는 75%에 해당할 수 있다.
왜 같은 속도가 다른 부하인가
개별화 임계값(Individualised Threshold, IND)은 각 선수의 최대 능력 대비 백분율로 강도를 정의한다. 핵심 원리는 단순하다. 같은 속도라도 최대 능력이 다른 두 선수에게 부과하는 생리적 부하는 다르다.
속도 구간의 개별화에는 최대 스프린트 속도(Maximal Sprint Speed, MSS)가 기준점으로 사용된다. 예를 들어, MSS의 80% 이상을 고강도 스프린트로 정의하는 방식이다 (Piñero et al., 2023). MSS가 32 km/h인 선수와 28 km/h인 선수에게 고강도 스프린트 기준은 각각 25.6 km/h와 22.4 km/h가 된다. AAT에서는 동일한 25.2 km/h가 적용되므로, 느린 선수의 고강도 노력이 과소 추정되고 빠른 선수의 노력은 과대 추정될 수 있다.
가속과 감속 영역에서는 최대 가속 능력(ACCmax)과 최대 감속 능력(DECmax)이 개별 기준점이 된다. Pimenta et al. (2026)은 ACCmax/DECmax 대비 백분율 기반 4단계 분류를 제안했다.
| 강도 구간 | ACCmax/DECmax 대비 |
|---|---|
| 고강도 | >75% |
| 중강도 | 50–75% |
| 저강도 | 25–50% |
| 매우 낮음 | <25% |
이 분류에서 중요한 비대칭이 존재한다. DECmax는 ACCmax보다 절대값이 크고, 초기 속도에 덜 의존한다. 가속 능력은 초기 속도가 높아질수록 급격히 감소한다. 14.4 km/h에서 출발할 때 ACCmax는 4–5 m/s²이지만, 23 km/h에서는 2 m/s²를 약간 상회하는 수준이다 (Pimenta et al., 2026). 높은 초기 속도에서의 상대적으로 낮은 절대 가속 값도 근최대 노력일 수 있으나, AAT에 의해 저강도로 분류된다.
IND 역시 완벽한 접근은 아니다. 백분율 절단점(75%, 80% 등) 자체는 여전히 임의적이다. 또한 초기 속도가 가속 능력에 미치는 영향을 분류 체계에 아직 반영하지 못한다. DECmax 측정의 세션 간 신뢰도도 제한적이다. Moore et al. (2026)의 연구에서 가속-감속 평가(ADA)의 ICC는 0.48–0.63 수준이었다.
절대 기준과 상대 기준, 데이터는 얼마나 다른가
AAT와 IND의 차이는 이론적 논의를 넘어 실제 데이터에서 극적으로 드러난다.
Moore et al. (2026)은 대학/클럽 수준 축구 선수 14명의 11경기를 분석하면서, 동일 경기에 절대 기준(-4 m/s²)과 개별화 기준(개인 DECmax의 75%)을 동시에 적용했다. 결과는 다음과 같다.
| 지표 | IND | AAT(ARB) |
|---|---|---|
| 풀 매치 감속 거리 | 20.56 m | 149.84 m |
| 풀 매치 감속 횟수 | 7.99회 | 28.14회 |
| MDP 감속 거리 | 1.64 m | 10.26 m |
| MDP 감속 횟수 | 2.70회 | 19.78회 |
풀 매치 감속 거리에서 AAT는 IND의 7배 이상을 기록했다. 이는 대부분의 선수에서 절대 기준 -4 m/s²가 개인 최대 감속 능력의 50% 미만에 해당했기 때문이다. AAT는 실제로 고강도가 아닌 감속까지 고강도로 분류하여 체계적 과대 추정을 일으킨 것이다.
반대 방향의 통찰도 존재한다. IND 적용 시 선수 간 변산성(CV)이 AAT보다 더 크게 나타났다. 이는 개별화 접근이 선수 간 실제 차이를 더 민감하게 포착한다는 뜻이다. AAT에서는 모든 선수가 비슷한 수치를 보이지만, IND에서는 실제로 고강도 감속을 많이 수행한 선수와 그렇지 않은 선수가 명확히 구분된다.
스프린트 영역에서도 유사한 패턴이 나타난다. Piñero et al. (2023)은 스페인 프로 축구 22명의 경기에서 MSS의 80% 이상을 기준으로 최고 강도 구간(MDP)을 분석했다. 윙어가 가장 긴 상대적 스프린트 지속시간(2.4초)과 거리(21.91 m)를 기록했으며, 팀이 패배 중일 때 가장 큰 상대적 스프린트 거리가 나타났다. 후반부에도 상대적 스프린트 감소가 관찰되지 않았다. 이러한 포지션·경기 상황별 차이는 AAT 기준으로는 감지하기 어려운 세부 정보다.
이 연구의 맥락에서 주의할 점이 있다. Moore et al. (2026)은 대학/클럽 수준(youth-amateur) 데이터이고, Piñero et al. (2023)은 단일 팀 19경기의 횡단적 관찰이다. 두 연구 모두 중요한 방향성을 제시하지만, 엘리트 수준의 대규모 종단 연구로 검증이 필요하다.
포지션·전술·경기 상황이 속도 해석을 바꾸는 이유
임계값을 어떻게 설정하든, 맥락 없는 수치는 불완전한 정보를 준다. 동일한 임계값이라도 포지션과 전술 역할에 따라 의미가 달라진다.
Ju et al. (2023)은 EPL 244명의 경기 데이터를 일반 포지션(5개)과 세분화 포지션(9개)으로 나누어 분석했다. 결과는 분류의 정밀도가 해석의 정확도를 결정한다는 것을 보여준다. 풀백(FB)은 측면 수비(WDP) 기준 대비 고강도 달리기(HIR) 거리가 34% 적었고, 윙백(WB)은 15% 더 많았다. 일반 포지션 기준을 적용하면, 풀백의 리커버리 런이나 침투 달리기 횟수는 과대 추정되고, 윙백의 그것은 과소 추정된다.
경기 상황도 속도 데이터의 의미를 바꾼다. Paul et al. (2015)은 스코어, 상대 수준, 홈/원정, 포메이션, 페이싱 전략, 정신적 피로 등이 주행 성능에 복합적으로 영향을 미친다고 정리했다. 예를 들어, 중앙 수비수는 큰 점수 차 승리 시 고강도 주행이 17% 감소하고, 공격수는 오히려 15% 증가했다. 상위 팀 선수들이 하위 팀 선수들보다 고강도 거리를 더 적게 커버하는 현상은, 전술 수준의 차이가 체력보다 활동 패턴에 더 큰 영향을 미칠 수 있음을 보여준다.
이러한 맥락 의존성은 Buchheit & Simpson (2017)의 핵심 메시지와도 일치한다. 전술적 요인(규칙, 코치 개입, 스코어)이 선수의 활동 패턴에 체력 수준보다 더 큰 영향을 미치므로, 속도 기반 이동 지표는 훈련 상태 모니터링에 적합하지 않을 수 있다. 임계값의 선택만으로는 선수의 실제 부하를 판단할 수 없으며, 전술적 맥락화가 반드시 병행되어야 한다.
기기가 정확해야 임계값도 의미 있다
임계값 논의에서 자주 간과되는 전제가 있다. 측정 기기의 정확도다.
GPS 단위기기 간 변이는 최대 50%까지 존재하며, 같은 브랜드 내에서도 발생한다 (Buchheit & Simpson, 2017). 가속도 값은 측정 시간 창(0.2–0.8초)과 필터링 기법에 따라 크게 달라지는데, 이에 대한 합의는 아직 없다. 부하 모니터링에서 가장 중요하다고 평가되는 변수(HSR, 가속/감속)가 타당도·신뢰도 면에서는 가장 낮다는 역설이 존재한다.
Moore et al. (2026)의 연구에서 가속-감속 평가(ADA)의 세션 간 신뢰도는 ICC 0.48–0.63 수준이었다. 개인 최대 능력을 기준으로 하는 IND 접근에서 기준점 자체의 신뢰도가 낮다면, 개별화의 정밀도에도 한계가 생긴다.
그러나 역설적으로, IND 접근은 측정 오차에 의한 오분류 위험을 줄이는 측면이 있다. 정규화 임계값은 AAT보다 더 높은 절대값을 사용하므로, GPS 측정 오차 범위가 임계값 근처에 위치할 확률이 낮아진다 (Pimenta et al., 2026). 예를 들어, AAT에서 -4 m/s² 기준은 많은 노이즈가 이 경계를 넘나들지만, IND에서 -7 m/s²(DECmax의 75%) 기준은 노이즈에 의한 오분류가 상대적으로 적다.
현장에서 측정 신뢰도를 확보하기 위한 기본 원칙은 명확하다. 선수는 항상 동일한 기기를 착용해야 하고, 서로 다른 추적 기술(GPS vs. 반자동 비디오) 간 데이터 비교 시 보정 방정식을 적용해야 한다 (Riboli et al., 2023). 선수 간 데이터를 비교할 때는 기기 간 변이를 고려하여 더 큰 의미 있는 변화(SWC) 임계값을 적용해야 한다.
현장에서 절대와 상대를 어떻게 함께 쓸 것인가
AAT와 IND는 대립 관계가 아니라 각각 다른 질문에 답하는 도구다.
| 목적 | 적합한 접근 |
|---|---|
| 팀 간·리그 간 비교 | AAT |
| 시즌 간 종단 추세 추적 | AAT |
| 개인 부하 관리·훈련 처방 | IND |
| 선수별 피로·회복 모니터링 | IND |
| 포지션별 벤치마킹 | AAT + IND 병행 |
동일한 외적 부하라도 훈련 상태, 영양, 심리적 상태에 따라 내적 부하가 달라진다 (Impellizzeri et al., 2019). 이 원리는 임계값 선택에도 적용된다. 외적 부하의 개별화 해석이 필수적이며, 외적 부하 지표만으로 선수의 실제 부담을 판단하는 것은 개념적으로 제한적이다. 내적 부하 지표(RPE, HR 등)와의 통합이 모니터링의 정확도를 높인다.
실무 통합 전략을 설계할 때 고려해야 할 요소는 다음과 같다.
개인 최대 능력의 종단적 업데이트. MSS, ACCmax, DECmax는 고정값이 아니다. 시즌 중 체력 변화, 부상 이력, 훈련 상태에 따라 변동한다. 상위 3개 값의 이동 평균으로 시즌 전반에 걸쳐 업데이트하는 접근이 권장된다 (Pimenta et al., 2026). 경기 내 in-situ 측정이 별도 테스트보다 더 높은 최대값을 기록할 수 있으므로, 측정 맥락도 기록해야 한다.
드릴 데이터베이스 구축. 훈련 드릴별 부하 프로필을 AAT와 IND 양쪽으로 축적하면, 경기 요구에 맞춘 훈련 처방이 가능해진다 (Riboli et al., 2023). 1분 peak 데이터를 기준으로 훈련 강도를 설계하면, 평균 경기 강도와 최고 강도 사이의 격차를 줄일 수 있다.
포지션별 프로파일링. 벤치마킹은 개인 기반으로 수행해야 하며, z-score나 백분위로 표준화하여 해석한다 (McGuigan, 2022). 팀 평균만으로는 포지션별 변화 양상의 차이를 포착할 수 없다 (Allen et al., 2023). 세분화 포지션 분류(풀백 vs. 윙백, 수비형 미드필더 vs. 공격형 미드필더)를 적용하면, 일반 포지션 분석의 과소·과대 추정을 방지할 수 있다 (Ju et al., 2023).
단일 지표에 의존하지 않는 통합적 해석. 비율이나 임계값을 단독으로 고려하지 말고, 다른 지표와 함께 맥락 안에서 해석해야 한다 (McGuigan, 2022). 속도 임계값은 외적 부하의 한 단면일 뿐이며, 전술적 행동, 내적 부하 반응, 선수의 주관적 컨디션을 통합할 때 비로소 의미 있는 부하 관리가 가능하다.
핵심 요약
- AAT(예: ≥19.8, ≥25.2 km/h)는 팀 간·리그 간 비교와 종단 추세 분석에 유용하지만, 동일 절대 속도가 포지션·체력 수준에 따라 서로 다른 상대 강도를 의미한다.
- IND는 개인 최대 능력(MSS, ACCmax, DECmax) 대비 백분율로 설정하며, 고강도의 기준을 최대 능력의 75–80%로 정의하는 방식이 제안되고 있다.
- AAT는 고강도 노력을 체계적으로 과대 추정할 수 있다 — 절대 기준 감속 거리가 개별화 기준의 7배 이상으로 나타난 연구가 있다 (Moore et al., 2026).
- 속도 임계값만으로는 선수의 실제 부하를 판단할 수 없으며, 포지션·전술 역할·경기 상황 등 맥락적 요인과의 통합 해석이 필수적이다.
- 현장에서는 AAT(팀 간 비교·벤치마킹)와 IND(개인 부하 관리·훈련 처방)를 목적별로 병행하고, 시즌 내 종단적으로 개인 최대 능력을 업데이트하는 것이 권장된다.
관련 블로그 글: 이 주제를 감속 임계값의 현장 시나리오 관점에서 다룬 글을 참고할 수 있다. → -3 m/s²는 모든 선수에게 ‘고강도’가 아니다
참고문헌
- Allen, T., Taberner, M., Zhilkin, M., & Rhodes, D. (2023). Running more than before? The evolution of running load demands in the English Premier League. International Journal of Sports Science & Coaching, 19(2), 779-787. https://doi.org/10.1177/17479541231164507
- Bradley, P. S., Sheldon, W., Wooster, B., Olsen, P., Boanas, P., & Krustrup, P. (2009). High-intensity running in English FA Premier League soccer matches. Journal of Sports Sciences, 27(2), 159-168. https://doi.org/10.1080/02640410802512775
- Buchheit, M. & Simpson, B. M. (2017). Player-Tracking Technology: Half-Full or Half-Empty Glass?. International Journal of Sports Physiology and Performance, 12(s2), S2-35-S2-41. https://doi.org/10.1123/ijspp.2016-0499
- Impellizzeri, F. M., Marcora, S. M., & Coutts, A. J. (2019). Internal and External Training Load: 15 Years On. International Journal of Sports Physiology and Performance, 14(2), 270-273. https://doi.org/10.1123/ijspp.2018-0935
- Ju, W., Doran, D., Hawkins, R., Evans, M., Laws, A., & Bradley, P. (2023). Contextualised high-intensity running profiles of elite football players with reference to general and specialised tactical roles. Biology of Sport, 40(1), 291-301. https://doi.org/10.5114/biolsport.2023.116003
- McGuigan, M. (2022). Profiling and Benchmarking. In D. N. French & L. Torres Ronda (Eds.), NSCA’s Essentials of Sport Science. Human Kinetics.
- Moore, L., Drury, B., & Hearn, A. (2026). Hitting the Brakes in Soccer: Individualised Thresholds for Assessing High-Intensity Decelerations during Matches. International Journal of Strength and Conditioning, 6(1). https://doi.org/10.47206/ijsc.v6i1.565
- Paul, D. J., Bradley, P. S., & Nassis, G. P. (2015). Factors affecting match running performance of elite soccer players: Shedding some light on the complexity. International Journal of Sports Physiology and Performance, 10(4), 516–519. https://doi.org/10.1123/ijspp.2015-0029
- Pimenta, R., Antunes, H., Silva, H., Ribeiro, J., & Nakamura, F. Y. (2026). The Need for GPS Data to be Normalized for Performance and Fatigue Monitoring in Soccer: Considerations for Accelerations and Decelerations. Strength & Conditioning Journal. https://doi.org/10.1519/ssc.0000000000000958
- Piñero, J. Á., Chena, M., Zapardiel, J. C., Roso-moliner, A., Mainer-pardos, E., Lampre, M., & Lozano, D. (2023). Relative Individual Sprint in Most Demanding Passages of Play in Spanish Professional Soccer Matches. Sports, 11(4), 72. https://doi.org/10.3390/sports11040072
- Riboli, A., MacMillan, L., Calder, A., & Mason, L. (2023). Player monitoring and practical application. In A. Calder & A. Centofanti (Eds.), Peak performance for soccer: The elite coaching and training manual. Routledge.