운동 수행의 수학적 모델링: Banister부터 현대까지——공식이 당신을 구하지는 못하지만, 알아둘 가치는 있다

서문: TSS 숫자를 보며 잠 못 드는 서브3 러너

저는 한 엔지니어 수강생을 지도한 적이 있습니다. 편의상 아저(阿哲)라고 부르겠습니다. 그는 타이베이의 한 테크 기업 데이터 엔지니어로, 숫자가 그의 모국어였습니다. 그가 저를 찾아왔을 때 이미 풀코스 마라톤 3시간 15분을 기록했고, 목표는 서브3였습니다. 첫 면담에서 그는 노트북을 열었고, 화면에는 자신이 Python으로 그린 곡선 그래프가 있었습니다. 파란 선은 ‘체력(fitness)’, 빨간 선은 ‘피로(fatigue)’, 두 선을 뺀 초록색 선이 그가 예측한 '컨디션’이었습니다. 그는 자랑스럽게 말했습니다. “코치님, 제가 Banister 모델을 직접 구현했어요. 이번 주에 초록 선이 정점에 오르니까 하프 마라톤 테스트를 하나 잡았습니다.”

결과적으로 그 하프 마라톤에서 그는 완전히 무너졌습니다. 페이스가 무너져 내렸고, 마지막 3킬로미터는 걸어서 돌아왔습니다.

그는 이해가 되지 않았습니다. “수학은 거짓말을 하지 않는데, 왜 모델이 내 컨디션이 최고라고 말하는데 나는 최악으로 달린 거지?”

이 글은 바로 아저의 질문에 답하기 위한 것입니다. 운동 수행의 수학적 모델링, 1975년부터 오늘날의 머신러닝까지의 역사는 매혹적이면서도 함정으로 가득 찬 역사입니다. 저는 여러분이 이것을 이해하도록 돕고 싶습니다: 이 공식들이 무엇을 말하는지, 왜 유용한지, 더 중요하게는——왜 빗나가는지, 그리고 대만에서 실제로 훈련하는 운동선수로서 어떻게 현명하게 사용할 수 있는지, 반대로 모델에 얽매이지 않는 방법을 말입니다.

결론부터 말하자면, 이 글이 다 읽고 나서 제가 찬물을 끼얹는다고 느끼지 않도록: 수학적 모델은 수정 구슬이 아니라 안경입니다. 쓰면 더 잘 보이지만, 여전히 스스로 걸어야 하고, 돌에 걸려 넘어질 수도 있습니다.

1. 과학적 기초: Banister는 도대체 무엇을 계산하는가

1.1 직관에 반하는 핵심 개념

1975년, Eric Banister라는 학자가 오늘날까지 모든 운동 앱에 영향을 미치는 아이디어를 제시했습니다: 임펄스-반응 모델(impulse-response model).

그의 핵심 통찰은 사실 우리 몸의 경험과 매우 일치하지만, 아마추어들에게는 종종 무시됩니다: 매 훈련은 동시에 두 가지 효과를 만들어냅니다——긍정적인 '체력(fitness)'과 부정적인 ‘피로(fatigue)’. 당신이 그 순간 발휘할 수 있는 능력은 체력에서 피로를 뺀 값입니다.

누구나 기억할 수 있는 하나의 공식으로 쓰면:

컨디션(Performance) ＝ 체력(Fitness) － 피로(Fatigue)

이것은 당연한 소리처럼 들리지만, Banister는 여기에 핵심적인 두 번째 통찰을 더했고, 이것이 바로 정수입니다:

한 번의 훈련 후, 피로는 처음에 체력보다 크므로 당신의 컨디션은 먼저 떨어집니다. 하지만 피로는 체력보다 빨리 사라지므로, 시간이 지남에 따라 체력이 점차 ‘수면 위로 떠오르고’, 컨디션이 비로소 상승합니다.

이것이 바로 '초과 회복(超量恢復)'과 ‘테이퍼(taper)’ 뒤에 숨은 수학적 언어입니다. 큰 훈련 세트를 끝낸 다음 날 다리가 무겁고 달리기 어려운 것은 당신이 약해졌기 때문이 아니라, 피로라는 부정적인 곡선이 일시적으로 체력이라는 긍정적인 곡선을 덮고 있기 때문입니다. 피로가 충분히 빠지면, 당신이 ‘떠오르는’ 그 순간이 바로 컨디션의 정점입니다.

저는 수강생들에게 자주 이렇게 비유합니다: 체력은 예금, 피로는 카드 빚입니다. 카드를 쓸 때마다(훈련) 예금도 늘고 카드 빚도 늘지만, 카드 빚의 이자는 빨리 갚히고 예금은 오래 남습니다. 테이퍼 주간은 ‘카드를 쓰지 말고, 카드 빚을 없애서 예금을 드러내는’ 과정입니다.

1.2 '훈련’을 숫자로 바꾸는 방법: TRIMP

모델이 작동하려면 먼저 '오늘 얼마나 훈련했는지’를 숫자로 정량화해야 합니다. Banister가 사용한 도구는 TRIMP(Training Impulse, 훈련 임펄스) 입니다.

가장 기본적인 계산 개념은 다음과 같습니다:

TRIMP ≈ 운동 시간 × 평균 심박수의 강도 가중치

여기서 심박수는 원시 bpm을 직접 곱하는 것이 아니라 ‘심박수 예비량(Heart Rate Reserve)’ 개념을 사용합니다——즉, 현재 심박수가 '최대 심박수에서 안정 시 심박수를 뺀 구간’에서 차지하는 상대적 위치에, 강도가 올라갈수록 커지는 가중 계수를 곱한 것입니다(고강도의 생리적 스트레스는 선형이 아니라 비선형으로 증폭되기 때문입니다).

대만 러너가 이해하기 쉬운 예를 들어보겠습니다. 아저를 가정해 봅시다:

• 안정 시 심박수 48 bpm, 최대 심박수 190 bpm, 심박수 예비량＝142 bpm
• 어느 날 강변에서 60분 조깅, 평균 심박수 140 bpm

그의 상대적 강도는 대략 (140−48)/142 ≈ 0.65로 중저강도입니다. 시스템은 이 구간에 중간 정도의 가중치를 부여하고, 중간 정도의 TRIMP 값을 계산합니다. 같은 60분을 트랙에서 인터벌로 달리고 평균 심박수가 175 bpm까지 치솟으면 상대적 강도는 0.89까지 올라가고, 가중 계수가 크게 증폭되어 TRIMP 값은 조깅의 두 배 이상이 될 수 있습니다.

중요한 것은 공식을 외우는 것이 아니라, 그것이 무엇을 포착하려는지 이해하는 것입니다: 오래하고 힘든 훈련은 임펄스가 가장 크고, 짧고 가벼운 훈련은 임펄스가 가장 작습니다. 이것은 당신 몸의 직관과 일치합니다.

참고: Garmin, Strava, TrainingPeaks에서 보는 TSS(Training Stress Score)나 Suffer Score는 TRIMP의 근연종으로, 파워나 심박수로 같은 것을 추정합니다——오늘 이 훈련이 신체에 가한 내부 부하가 얼마나 큰지. 이름은 달라도 본질은 같습니다.

1.3 두 개의 시간 상수: 모델의 영혼

매일의 TRIMP를 모델에 입력하면, 체력과 피로는 각각 ‘지수 감쇠’ 곡선으로 축적되고 소멸됩니다. 각 곡선에는 시간 상수(time constant) 가 있으며, 이것이 얼마나 빨리 감소하는지를 결정합니다:

구성 요소	의미	일반적인 시간 상수(개념적 범위일 뿐)	쉽게 말하면
체력 Fitness	훈련이 가져오는 장기적 긍정 적응	비교적 김(수 주 단위)	예금, 오래 남음
피로 Fatigue	훈련이 가져오는 단기적 부정적 소모	비교적 짧음(수 일 단위)	카드 빚, 빨리 사라짐

특히 강조하고 싶은 것은: 위 표의 시간 상수는 '개념적 크기’일 뿐, 바로 적용할 숫자가 아닙니다. 사람마다, 심지어 같은 사람도 훈련 단계에 따라 이 매개변수는 다릅니다. 이것이 바로 뒤에서 다룰 '모델 부정확성’의 첫 번째 복선입니다.

1.4 50년의 진화: 하나의 타임라인으로 보는 모델링 역사

많은 사람들이 운동 모델링이 최근에 생긴 것이라고 생각하지만, 사실 이 길은 반세기를 걸어왔습니다. 저는 수강생들을 위해 단순화된 타임라인을 그려주곤 합니다. '우리가 지금 쓰는 앱이 누구의 어깨 위에 서 있는지’를 이해하게 하기 위해서입니다:

시대(대략)	이정표	가져온 관점의 변화
1970년대	Banister가 임펄스-반응 모델과 TRIMP 제안	처음으로 '훈련→컨디션’을 계산 가능한 공식으로 작성
1980-1990년대	수영, 달리기, 사이클링 사례 연구에 모델 적용	이론에서 실제 선수 추적으로
2000년대	TSS, 파워 미터 보급, 상업 플랫폼 부상	학술 모델을 누구나 쓸 수 있는 대시보드로 포장
2010년대	학계가 모델의 통계적 결함을 체계적으로 검토	'예측이 정확하지 않다’는 사실을 정직하게 직시하기 시작
2020년대~현재	머신러닝, 다변량 방법으로 전통 모델 보강	두 변수에서 다차원으로, 하지만 여전히 많은 깨끗한 데이터 필요

이 표가 전달하려는 핵심은: 각 세대의 방법은 이전 세대를 뒤집는 것이 아니라, 이전 세대의 사각지대를 보완하는 것입니다. Banister의 공식은 오늘날에도 당신 손목의 시계가 계산하는 모든 것 속에 살아있습니다. 단지 겉에 여러 겹이 더 쌓였을 뿐입니다. 이 맥락을 이해하면, '최신 AI 예측’을 맹목적으로 숭배하지도 않고, '구식 TRIMP’를 얕보지도 않을 것입니다——그것들은 같은 강의 상류와 하류입니다.

---

2. 실무 방법: 실제 훈련에서 모델을 어떻게 쓰는가

수학은 수학일 뿐, 우리는 훈련에 써야 합니다. 다음은 제가 실제로 수강생들을 지도할 때 이 프레임워크를 어떻게 적용하는지입니다.

2.1 매일 쓰고 있지만 이름은 모를 수 있는 세 가지 지표

현대 훈련 앱(TrainingPeaks의 PMC 차트, intervals.icu, Garmin의 Training Status)은 거의 모두 Banister 모델의 직계 후손으로, 포장만 바뀌었을 뿐입니다. 보통 세 개의 선을 제공합니다:

지표(일반적인 영어 약어)	Banister 개념 대응	쉽게 말하면	실무 용도
CTL(만성 훈련 부하, 장기 평균)	체력 Fitness	지난 약 6주간 쌓은 실력의 바탕	장기적 발전 추세 확인
ATL(급성 훈련 부하, 단기 평균)	피로 Fatigue	최근 약 1주간 쌓인 피로	과훈련 여부 확인
TSB＝CTL−ATL(훈련 스트레스 균형)	컨디션 Performance	오늘 ‘수면 위로 얼마나 떠올랐는지’	대회 컨디션 정점 포착

아저가 처음에 저지른 실수는 TSB(즉, 초록 선)만 쳐다보고, 그것이 양수로 전환되자 컨디션이 정점에 올랐다고 생각해 바로 강도 높은 테스트를 잡은 것입니다. 하지만 TSB는 '평균’의 간접적 추정치일 뿐입니다. 그것은 당신이 어젯밤 5시간밖에 못 잤는지, 회사 프로젝트 스트레스가 폭발했는지, 외식으로 짠 음식을 먹어 부종이 생겼는지, 마침 타이베이의 습하고 더운 장마철을 만났는지 알지 못합니다. 모델은 당신의 훈련은 볼 수 있지만, 당신의 인생은 볼 수 없습니다.

2.2 실제로 실행 가능한 ‘테이퍼 주간’ 훈련 계획 예시

테이퍼(taper)는 Banister 모델의 가장 고전적이고, 실증적으로 가장 잘 지지되는 응용입니다——부하를 줄여 피로를 빼고 체력을 떠오르게 하여 대회일에 TSB를 정점으로 만드는 것입니다. 다음은 제가 아저를 위해 설계한, 대회 2주 전 테이퍼 프레임워크입니다(풀코스 기준, 강도 구간은 주관적 느낌 RPE 1-10과 심박수로 설명하여 거짓 정밀함을 피합니다):

대회 전 주차	평소 대비 주간 주행량	핵심 훈련	목적(모델 언어로)
대회 3주 전(마지막 큰 주)	100%	롱런 1회, 템포런 1회	마지막으로 체력 예금을 높임
대회 2주 전	약 70-80%	강도 유지, 양 줄이기	피로(ATL)가 내려가기 시작
대회 1주 전	약 50-60%	짧은 인터벌로 신경근 예민함 유지	ATL 크게 감소, CTL은 거의 유지
대회 2-3일 전	약 30-40%	짧은 가속 몇 세트, 많은 휴식	TSB 정점 도달, 컨디션 부상

여기서 자주 오해되는 핵심이 있습니다: 테이퍼는 완전히 쉬는 것이 아닙니다. 완전한 휴식은 ‘예민함’(신경근 협응, 젖산 내성의 감각)을 잃게 만듭니다. 올바른 테이퍼는 '양을 줄이고, 강도를 유지’하는 것입니다——총 주행량을 크게 줄이되, 약간의 고강도 자극은 남겨서 체력의 감소 폭이 피로의 감소 폭보다 훨씬 작게 만드는 것입니다. 이것이 바로 모델이 우리에게 말해주는 것입니다: 피로는 빨리 빠지고 체력은 천천히 빠지므로, 짧은 테이퍼로 TSB 순값을 올릴 수 있습니다.

2.3 대만 상황의 보정: 모델이 알려주지 않는 변수

대만에서 훈련할 때, 몇 가지 현지 변수가 모델의 예측을 심각하게 방해합니다. 저는 반드시 수강생들에게 상기시킵니다:

• 습열(濕熱): 대만 여름은 쉽게 32도, 습도 80% 이상입니다. 같은 페이스라도 습열 환경에서는 심박수가 10-15 bpm 이상 올라갑니다. 이는 TRIMP가 과대평가된다는 뜻입니다——모델은 당신이 매우 강하게 훈련했다고 생각하지만(심박수가 높으니), 실제로는 환경과 싸우고 있을 뿐이고 진짜 훈련 자극은 그렇게 크지 않습니다. 여름의 CTL 수치는 약간 할인해서 봐야 합니다.
• 외식과 수분: 대만 외식은 전반적으로 짠 편이고 나트륨 섭취가 높아, 대회 전에 부종이 생기고 체중이 부풀어 몸의 느낌과 페이스에 영향을 줍니다. 테이퍼 주간에는 수강생들에게 식사를 약간 담백하게 하고 수분에 주의하라고 요청하지만, 이것은 일반적인 조언일 뿐 정밀한 나트륨 용량 계산이 아닙니다.
• 장소: 강변 자전거 도로, 트랙의 PU 표면, 학교 육상 트랙이 대부분 대만 러너들의 홈그라운드입니다. 강변은 평탄해서 페이스 잡기 좋지만 여름에는 햇볕에 노출되고 겨울에는 북동 계절풍 역풍이 붑니다. 트랙은 단조롭지만 강도 훈련을 실행하기 좋습니다. 이것들은 모두 같은 훈련 계획의 실제 생리적 부하에 영향을 미치지만, 모델은 심박수와 시간만 볼 뿐입니다.

2.4 사이클링의 특수 사례: 파워가 모델링을 더 정확하게 하지만, 자기기만도 쉬워진다

이 글은 ‘사이클링 과학’ 카테고리에 있으니, 사이클링에 대해 특별히 다뤄야겠습니다. 달리기가 심박수로만 부하를 추정해야 하는 것과 달리, 사이클링에는 러너들이 부러워하는 도구가 있습니다: 파워 미터(power meter). 파워는 '당신이 페달에 실제로 전달한 와트 수’로, 외부 부하의 직접적인 측정이며 심박수처럼 온도, 카페인, 탈수, 수면에 심각하게 방해받지 않습니다.

이것은 사이클링의 모델링이 선천적으로 더 정확하게 만듭니다. 파워로 계산한 TSS는 심박수로 계산한 TRIMP보다 더 안정적이고 재현 가능합니다. 제게는 우링(武嶺) 도전에 참가한 수강생이 있었는데, 파워 데이터로 훈련 부하를 매우 세밀하게 관리했습니다.

하지만 파워는 새로운 자기기만의 함정도 가져옵니다: 파워는 매우 객관적이기 때문에 많은 사이클리스트가 그것을 과도하게 신뢰하고, '같은 와트라도 상태에 따라 신체에 드는 내부적 대가가 완전히 다르다’는 것을 무시합니다. 같은 250와트가 다른 상황에서 실제로 얼마나 부담이 되는지 표로 설명하겠습니다:

상황	출력 파워	심박수 반응	주관적 느낌	실제 내부 부하
시원한 이른 아침, 숙면	250 와트	중간	여유롭게 버틸 수 있음	중간
대만 여름 오후 습열	250 와트	확연히 높음	매우 힘듦	높음
수면 부채, 감기 초기	250 와트	비정상적으로 높음	매우 고통스러움	과도함, 위험

같은 파워 수치라도 TSS는 똑같이 계산되지만, 당신의 몸이 치르는 대가는 천차만별입니다. 이것이 바로 제가 항상 사이클리스트들에게 요구하는 이유입니다: 파워 기록 옆에는 반드시 심박수와 주관적 느낌을 함께 봐야 합니다. '같은 와트인데 오늘은 심박수가 훨씬 높고 피로감이 훨씬 크다’는 것을 발견하면, 그것은 몸이 당신에게 말을 거는 것입니다——모델이 뭐라고 하든, 그날은 손을 놓아야 합니다. 파워는 외부 부하를 정확하게 만들지만, 내부 부하는 항상 당신 자신의 몸과 기록으로 보완해야 합니다.

---

3. 예측의 한계: 왜 아저는 무너졌는가

이것은 이 글 전체에서 가장 중요한 부분입니다. 단 한 가지만 기억하고 싶다면, 이 부분을 기억하세요.

3.1 모델의 통계적 치명적 결함: 매개변수를 정확히 잡을 수 없다

최근의 스포츠 과학 연구는 전통적인 fitness-fatigue 모델에 대해 상당히 엄격한 비판을 제기했습니다. 연구자들은 이 모델이 통계적으로 '병적(ill-conditioned)'이라고 지적합니다——쉽게 말하면, 체력과 피로 두 매개변수 세트의 '식별 가능성(identifiability)'이 매우 낮습니다: 같은 훈련과 컨디션 데이터라도 매우 다른 매개변수 조합으로 피팅해도 비슷한 결과를 얻을 수 있습니다.

이것이 무슨 뜻일까요? 당신의 앱이 '당신의 피로 시간 상수는 X일입니다’라고 말할 때, 그 숫자의 신뢰도는 사실 높지 않습니다——데이터를 바꾸고, 피팅 방법을 바꾸면 완전히 다른 값이 나올 수 있습니다. 모델이 당신의 과거 컨디션을 '사후 설명’하는 것은 보통 잘 맞지만, 미래 컨디션을 '사전 예측’하는 것은 정확도와 신뢰도 모두 의문이 제기됩니다.

3.2 생리학이 과도하게 단순화됨

두 번째 치명적 결함은: 실제 생리적 적응은 '두 개의 지수 곡선을 빼는 것’보다 훨씬 복잡합니다. 연구에 따르면 모델의 주요 문제는 운동 생리 과정의 과도한 단순화와 '컨디션에 영향을 미치는 요인’을 단일 변수로 처리하는 데서 비롯됩니다.

실제로 오늘 잘 달릴 수 있는지에 영향을 미치는 요인은 최소한 다음을 포함합니다: 근육 글리코겐 저장량, 수면의 질, 심리적 스트레스, 호르몬 상태, 면역 상태, 수분과 전해질, 환경 온습도, 심지어 위장 상태까지. Banister 모델은 이 모든 숲을 '체력’과 '피로’라는 두 그루의 나무로 압축합니다. 압축은 편리하지만, 압축은 곧 왜곡입니다.

아저가 무너진 날, 모델의 초록 선은 확실히 정점에 있었습니다——'훈련 부하’라는 단일 차원에서 그는 확실히 테이퍼를 잘 했기 때문입니다. 하지만 그 주에 그는 밤을 새며 프로젝트를 했고, 수면 부채가 쌓였으며, 장마철 습열까지 겹쳤습니다. 모델이 '볼 수 없는 차원’들이 모두 동시에 나빠졌습니다. 모델은 틀리지 않았습니다. 모델은 단지 보지 못했을 뿐입니다——주입된 몇 개의 숫자만 볼 수 있을 뿐입니다.

3.3 개인차: 모든 사람에게 적용되는 매개변수는 없다

셋째, 연구는 반복해서 강조합니다: 최적의 지표 선택과 매개변수는 사람마다 다릅니다. 엘리트 선수, 단일 종목, 동질적인 표본에 적합한 모델이 당신에게, 다른 종목에, 다른 훈련 형태에는 적용되지 않을 수 있습니다. 이것이 많은 연구의 결론이 '향후 다른 종목과 집단에서 추가 검증이 필요하다’인 이유이기도 합니다.

3.4 머신러닝이 해결책인가? 그렇다, 하지만 신격화하지 마라

그렇다면 머신러닝(machine learning)으로 옛 공식을 대체하면 무적이 될까요?

연구의 태도는 사실 매우 실용적이며, 저도 동의합니다: 머신러닝은 fitness-fatigue 모델을 '대체’하는 것이 아니라, 그 약점을 '보강’할 가능성이 있습니다. 생리학적 지식을 비선형, 다변량 학습 알고리즘에 내장함으로써 머신러닝은 전통 모델이 처리하지 못하는 복잡한 상호작용(예: 수면, 환경, 주관적 느낌을 함께 입력)을 다룰 기회가 있고, 심지어 앙상블 학습(ensemble)으로 여러 개인화된 반응 모델을 결합할 수도 있습니다.

하지만 저는 모든 숫자를 좋아하는 아저들에게 실용적인 찬물을 끼얹겠습니다: 머신러닝은 데이터를 먹고 삽니다. 장기적이고, 깨끗하며, 다차원적인 기록이 있어야 제대로 학습합니다. 개인 운동 데이터는 종종 적고, 지저분하며, 연속적이지 않습니다. 더러운 데이터를 넣으면, 당신이 얻는 것은 예언이 아니라 예쁘게 포장된 노이즈입니다. garbage in, garbage out이라는 말은 운동 모델링에서 특히 뼈아프게 다가옵니다.

3.5 3세대 방법의 정직한 비교

'모델링을 어느 정도 신뢰해야 하는지’에 대한 실용적인 좌표를 제공하기 위해, 3세대 방법을 나란히 비교해 보겠습니다:

방법	필요한 데이터	장점	주요 한계	누구에게 적합한가
순수 주관적 느낌(RPE, 몸의 감각)	도구 거의 불필요	실제에 가장 가깝고, 비용 제로, 항상 사용 가능	주관적이고, 장기적 객관적 비교 어려움	모든 사람, 특히 초보자
전통 Banister/TSS 모델	심박수 또는 파워＋시간	추세 정량화, 장기적 발전 확인	매개변수 불안정, 과도한 단순화, 예측 불신뢰	목표가 있는 중급자, 코치
머신러닝/다변량 모델	대량, 깨끗한, 다차원 데이터	수면 환경 등 더 많은 요소 포함 가능	데이터 품질에 크게 의존, 신격화되기 쉬움	풍부한 데이터를 가진 고급자, 연구팀

이 표를 보면 한 가지를 발견할 수 있을 것입니다: 어떤 방법도 '최고’는 없고, ‘당신의 현재 단계에 가장 적합한’ 것만 있습니다. 그리고 어느 세대든, 주관적 느낌이라는 항목은 처음부터 끝까지 존재합니다——그것은 모든 방법의 기초이지, 도태된 원시 도구가 아닙니다. 제가 지도한 가장 뛰어난 선수들은 대개 데이터를 읽을 줄 알면서도 몸의 감각을 놓지 않은 사람들이었습니다. 기술이 발전할수록, 가장 원초적인 질문으로 돌아가야 합니다: “오늘, 내 몸은 어떤 느낌인가?”

---

4. 흔한 실수와 수정

수강생들을 오랫동안 지도하면서, 숫자에 휘둘리는 다양한 상황을 보았습니다. 표로 정리했으니, 해당하는 곳을 찾아보세요:

흔한 실수	뒤에 숨은 오해	제 수정 제안
TSB가 양수로 전환되자마자 강한 훈련/테스트 계획	모델의 '컨디션 정점’이 '몸이 정말 준비됨’과 같다고 생각	TSB는 참고로 하되, 반드시 수면, 기분, 환경, 아침 심박수를 함께 고려해 결정
CTL 숫자가 계속 오르기만 추구	‘체력 점수’ 자체를 목표로 삼음	CTL은 결과이지 목표가 아님. 너무 빨리 올리면 피로만 쌓이고 부상 위험이 커짐
여름에 CTL이 떨어지지 않으면 안심	습열로 심박수가 거짓 상승하고 TRIMP가 과대평가된다는 것을 무시	여름 데이터는 할인해서 보고, 심박수보다 페이스/파워를 더 신뢰
하루 기록을 빠뜨리면 불안	도구를 주인으로 삼음	모델은 추세 도구일 뿐, 몇 개 빠져도 큰 문제 없음. 본말이 전도되지 않게
남의 매개변수/훈련 계획을 그대로 적용	개인차 무시	매개변수는 자신의 데이터로 보정하고, 훈련 계획은 자신의 생활과 몸의 느낌에 맞게 조정

실제 수정 사례: 아저의 두 번째 테이퍼

무너진那次 이후, 저는 아저에게 매우 ‘엔지니어답지 않은’ 일을 시켰습니다: 매일 아침 안정 시 심박수를 재고, 1-10 주관적 상태 점수를 기록하고, 오늘 잠을 어떻게 잤는지 한 문장으로 쓰는 것. 이 세 가지 초저기술 데이터를 기존 모델 곡선과 함께 보도록 했습니다.

3개월 후 다음 풀코스 테이퍼 때, 모델의 초록 선은 다시 정점에 있었지만, 이번에는 아침 심박수가 평소보다 6 bpm 높았고, 주관적 점수는 5에 불과했으며, 전날 밤 두 번 모두 잠을 제대로 자지 못했습니다. 우리는 함께 결정했습니다: 예정된 대회 전 테스트를 취소하고, 가벼운 활동일로 바꾸기로. 결과적으로 대회 당일, 그는 2시간 58분을 기록하며 서브3을 달성했습니다.

그때 모델도 여전히 ‘맞았습니다’——컨디션 정점의 방향은 틀리지 않았습니다. 하지만 그를 실제로 구한 것은, 모델을 여러 고문 중 한 명으로 대하는 법을 배운 것이지, 유일한 사장으로 대하지 않은 것입니다.

---

5. 다양한 수준의 독자를 위한 행동 제안

막 운동을 시작한 초보자라면

• 어떤 모델에도 손대지 마세요. CTL, TSB 같은 숫자는 지금 단계에서 방해일 뿐 도움이 아닙니다. 지금 가장 쌓아야 할 것은 '규칙적인 운동 습관’과 '기본적인 몸의 감각’입니다.
• 가장 원시적인 도구를 연습하세요: 주관적 느낌(RPE 1-10). 오늘 이 운동이 가벼웠는지(3점), 중간인지(5-6점), 매우 힘들었는지(8점 이상)? 이것을 익히는 것이 어떤 앱보다 가치 있습니다.
• 일주일에 최소 하루는 완전히 쉬세요. 피로는 빠져야 합니다. 이것은 신체의 물리 법칙이지 게으름이 아닙니다.

데이터가 있고, 발전하고 싶은 중급자라면(아저처럼)

• CTL/ATL/TSB의 추세를 보기 시작하되, 항상 '참고’로만 여기고 '지시’로 여기지 마세요.
• 자신만의 다차원 일지를 만드세요: 아침 안정 시 심박수, 수면 시간, 주관적 상태 점수. 이 세 가지는 합쳐도 비용이 거의 제로이지만, 모델의 가장 큰 사각지대를 보완할 수 있습니다.
• 테이퍼 때 이 구호를 기억하세요: 양을 줄이고, 강도를 유지. 완전히 쉬지 마세요.
• 여름 데이터는 할인해서 보고, 심박수보다 페이스와 파워를 더 신뢰하세요.

고급자이거나 팀을 이끄는 코치라면

• 모델을 소통 도구이자 추세 대시보드로 사용하세요. 선수와 '이번 달 방향이 맞는지’를 논의하는 데 쓰지, 특정 날의 정확한 컨디션을 예측하는 데 쓰지 마세요.
• 머신러닝을 해보고 싶다면, 먼저 데이터 품질을 확보하세요: 장기적, 연속적, 다차원적. 데이터의 질이 모델의 한계를 결정합니다.
• 항상 '코치의 눈’을 유지하세요. 선수의 안색, 보폭, 말할 때의 기운——이것들은 모델이 절대 배울 수 없고, 어떤 숫자보다 먼저 '이 사람이 곧 문제가 생기겠다’를 알려줍니다.
• 선수를 위해 '데이터와 몸의 느낌이 충돌할 때의 처리 원칙’을 세우세요. 제 기본값은: 모델이 훈련해도 된다고 하지만 선수의 아침 맥박이 확연히 높고 주관적으로 매우 피곤하다면, 무조건 강도를 낮추는 것입니다. 고강도 훈련 한 번을 건너뛰는 손실은 작지만, 억지로 해서 과훈련이나 부상이 나면 대가는 몇 주에서 몇 달입니다. 이 보수적인 편향은 장기적으로 거의 항상 이득입니다.
• 데이터가 대화를 대체하게 두지 마세요. 저는 매 훈련 전후에 1-2분씩 선수에게 '오늘 몸은 어떤 느낌인가요?'라고 단순히 묻습니다. 그 대화에서 드러나는 정보는 종종 전체 대시보드보다 많습니다. 모델이 정량화할 수 있는 것은 제한적이며, 사람과 사람 사이의 관찰은 언제나 대체할 수 없는 가치가 있습니다.

---

6. 수강생들이 가장 자주 묻는 여섯 가지 질문(FAQ)

수년간 운동 모델링에 대해 수강생들이 묻는 질문은 매우 반복적입니다. FAQ로 정리했으니, 혹시 당신이 궁금해하는 것과 일치할지도 모릅니다.

Q1: CTL/TSB를 계산할 수 있는 시계나 구독 플랫폼을 사야 할까요?

당신의 단계에 달려 있습니다. 초보자라면 돈을 아끼고, 먼저 규칙성과 몸의 감각을 익히세요. 이미 명확한 대회 목표가 있고 매주 꾸준히 훈련하는 중급자라면, 이런 도구가 장기적 추세를 보여주고 무의식적인 과훈련을 피하는 데 도움이 되므로 투자할 가치가 있습니다. 하지만 기억하세요: 도구는 의사 결정을 돕는 것이지, 불안을 만드는 것이 아닙니다.

Q2: 앱이 '오늘 회복이 좋으니 고강도로 해도 된다’고 하지만, 저는 매우 피곤합니다. 누구 말을 들어야 하나요?

당신의 몸을 들으세요. 이것은 거의 철칙입니다. 앱의 권장은 제한된 입력으로 계산된 확률적 판단일 뿐입니다. 그것은 당신이 어젯밤 불면증이 있었는지, 업무 스트레스가 폭발했는지 모릅니다. 숫자와 신체 신호가 충돌할 때, 신체 신호의 우선순위가 항상 더 높습니다. 장기적으로 몸과 맞서면, 대가는 과훈련이나 부상입니다.

Q3: 왜 열심히 훈련하는데 CTL이 멈춰 있을까요?

CTL이 멈추는 것이 반드시 나쁜 것은 아닙니다. '유지 기간’에 들어섰고, 몸이 기존 적응을 공고히 하고 있을 수 있습니다. 무조건 CTL을 올리려고만 하면, 피로 축적과 부상을 얻는 경우가 많습니다. 발전은 결코 직선이 아니라 계단식입니다——플랫폼 기간은 다음 도약을 위한 충전입니다.

Q4: 모델이 내 풀코스 기록을 몇 분 몇 초로 예측할 수 있나요?

'참고 범위’를 줄 수는 있지만, 보장으로 여기지 마세요. 앞서 말했듯이, 이런 예측의 신뢰도는 학계에서 의문이 제기되고 있으며, 대회 당일의 날씨, 보급, 심리, 페이스 전략 중 하나라도 잘못되면 정밀하게 계산된 초가 빗나갑니다. '대략 어느 구간에 떨어질 것인가’의 참고로 여기지, 돌에 새긴 목표로 여기지 마세요.

Q5: 모델 매개변수는 얼마나 자주 재보정해야 하나요?

일반 운동선수에게는 최소한 하나의 훈련 주기(약 8-12주)가 끝날 때마다 한 번씩 추세를 돌아보는 것을 권장합니다. 매일 일일 변동을 보고 불안해하지 마세요. 일일 선은 노이즈가 크고, 주간 및 월간 추세가 의미가 있습니다.

Q6: AI/머신러닝 훈련 앱이 모든 문제를 해결할 수 있나요?

아닙니다. 더 많은 차원의 데이터를 처리할 수는 있지만, 그것의 한계는 당신이 주입하는 데이터 품질입니다. 데이터가 적고, 지저분하고, 불연속적이면 아무리 뛰어난 알고리즘도 신뢰할 수 있는 것을 학습할 수 없습니다. 그리고 아무리 진보된 모델도 코치의 눈과 당신 자신의 몸의 느낌을 대체할 수 없습니다. AI를 매우 잘 계산하는 조수로 여기지, 전지전능한 신으로 여기지 마세요.

---

7. 건강과 안전에 대한 주의

수학적 모델에는 위험한 부작용이 하나 있습니다: 사람들이 자신이 버틸 수 있다고 과도하게 믿게 만듭니다. 초록 선이 예쁠 때, 어떤 사람들은 몸의 실제 경고 신호를 무시하고 억지로 밀어붙입니다.

반드시 기억하세요, 모델은 질병을 감지하지 못합니다. 훈련 중이나 훈련 후에 다음과 같은 상황이 나타나면, '내 TSB는 아직 좋은데’라고 자기 위안하지 말고, 멈추고 필요하면 진료를 받으세요:

• 운동 중이나 후에 가슴 답답함, 흉통, 비정상적인 호흡 곤란, 어지러움, 실신
• 안정 시 심박수가 장기간 비정상적으로 상승, 부정맥 느낌, 두근거림
• 비례에 맞지 않는 극도의 피로, 수 주간 지속되는 원인 불명의 컨디션 저하

대만에서 진료는 사실 매우 편리하며, 건강보험으로 심장내과, 스포츠의학 외래 문턱은 높지 않습니다. 심혈관 질환, 당뇨병, 고혈압 등 만성 질환 병력이 있거나 가족력에 심장병이 있는 사람은, 훈련 강도를 시작하거나 크게 높이기 전에 반드시 의사와 상담하여 개별화된 평가를 받을 것을 강력히 권장합니다——이러한 상황은 전문적인 판단과 개별화된 처리가 필요하며, 어떤 모델이나 글도 대신할 수 없습니다. 표현을 보수적으로 하겠습니다: 여기서 어떤 진단도 내리지 않고 처방도 하지 않습니다. 단지 전문적인 일은 전문가에게 맡기라는 당부일 뿐입니다.

결론: 공식을 안경으로 삼고, 수정 구슬로 삼지 마라

1975년 Banister의 ‘체력에서 피로를 뺀’ 하나의 공식에서 오늘날 생리학적 지식이 내장된 머신러닝까지, 운동 수행의 수학적 모델링은 50년을 걸어왔습니다. 이 여정이 저에게 가르쳐준 가장 깊은 교훈은: 모델의 가치는 내일을 정확히 예언할 수 있는지가 아니라, 훈련이라는 혼란스러운 일을 조금 더 선명하게 볼 수 있게 도와주는지에 있습니다.

아저는 나중에 저에게 이런 말을 했습니다. 저는 그 말을 좋아합니다: “코치님, 저는 예전에 모델이 답을 알려줄 거라고 생각했어요. 이제는 그것이 단지 올바른 질문을 하도록 도와줄 뿐이라는 걸 알았습니다.”

이것이 제가 여러분에게 남기고 싶은 것입니다. 이 수학적 안경을 쓰면 더 잘 보일 것입니다——하지만 걷는 것은 여전히 당신 자신이고, 몸을 느끼는 것도 여전히 당신 자신이며, 마지막으로 모든 걸음에 책임지는 것도 여전히 당신 자신입니다. 숫자는 하인이고, 몸이 주인입니다. 당신의 손에 있는 도구가 50년 전의 오래된 공식이든, 최신 AI 알고리즘이든, 당신이 얼마나 멀리 갈 수 있는지를 결정하는 것은 결코 모델이 얼마나 똑똑한지가 아니라, 그것을 잘 활용하면서도 자신의 몸을 정직하게 듣는 법을 배웠는지입니다. 현명하게 훈련하고, 건강하게 훈련하며, 매번 길에 오를 때마다 부상에서 멀어지고 열정에 오래 머물기를 바랍니다.

---

본 글은 교육적 내용으로, 의사, 물리치료사 또는 영양사의 개별 진단 및 치료 권고를 대체할 수 없습니다.

참고 자료

• Fitness-Fatigue 모델 응용 및 임펄스-반응 모델 개념: https://pmc.ncbi.nlm.nih.gov/articles/PMC8949585/
• 전통 fitness-fatigue 모델의 통계적 결함(매개변수 식별 가능성 낮음, 예측 신뢰도 의문): https://www.nature.com/articles/s41598-025-88153-7
• Fitness-Fatigue 모델의 개념적 문제와 머신러닝의 기여: https://pmc.ncbi.nlm.nih.gov/articles/PMC8894528/
• 일반 운동에서 Fitness-Fatigue 모델 기반 훈련 효과 예측 연구: https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0337824

관련 주제 읽기

• Banister 모델: 훈련 부하의 수학적 정량화
• 초과 보상과 훈련 적응 이론: 훈련 계획 뒤의 생리적 논리
• 운동 테스트의 과학: 체력을 평가하고, 적합한 장소에서 테스트와 추적 방법 선택하기
• 자신의 훈련 데이터 읽기: 쓰레기에서 금을 캐내는 법