Ⅰ. 서 론
현대 사회의 과학문명 발달과 도시화 및 산업화로 인한 좌업 생활자의 증가와 반복되는 일상에서 스트레스는 현 대인들의 신체활동을 급격히 감소시키고 있다(채덕희, 김 수희, & 이정열, 2013). 그 결과로 인해 비만, 고혈압, 당 뇨병, 심장 질환 및 특정 암 같은 대사질환 질병 그리고 불안과 우울 등의 발병률이 높아지고 있으며, 현대사회에 서 건강은 최대의 관심사가 되고 있다. 이에 따라 현대인 들은 건강 유지를 위한 큰 노력을 들이고 있으며, 또한 많은 비용과 시간을 투자하고 있다(정재훈 등, 2014;박성 진, 최가람, & 김창국 2013).
국민 생활체육 실태 조사에 따르면, 20세 이상 성인의 스포츠 활동 참여율이 2013년 45.5%에서 2020년 60.1%로 증가하였고, 다양한 스포츠 활동 중 수영(32.6%)과 웨이 트트레이닝(22.7%) 그리고 요가·필라테스(19.9%)에서 높은 참여율이 나타났다(문화체육관광부, 2020). 웨이트 트레이닝은 전신 운동으로 에너지 소비가 많고, 신체 조 성의 개선, 골다공증 예방, 낙상과 같은 부상 방지에 도움 이 되는 등의 효과가 있다(Maestroni et al., 2020;김명 일, 2008;최봉길 & 윤형기, 2011). 또한, 웨이트트레이닝 은 모든 연령층에 적합하게 할 수 있는 운동으로 삶의 질 을 향상시키고, 신체건강을 유지시킬 수 있어 많은 이들 이 권장하고 있다(임완기 등, 2006;조광호 & 김갑구, 2004).
여러 가지 웨이트트레이닝 중에서 스쿼트는 가장 보편 적인 하체 운동으로 널리 알려져 있다. 이러한 스쿼트는 대퇴사두근, 슬괵근, 대둔근의 근력 강화에 도움이 될 뿐 만 아니라 심부의 코어근육들 역시 강화시킬 수 있는 방법 이다(Escamilla, 2001). 이러한 스쿼트는 앉기, 일어서기, 물건 들어올리기와 같은 기본적인 움직임 패턴으로 이루 어져 있으며(Myer et al., 2014), 걷기 및 계단 오르기와 내려오기 등의 일상 속에서 자주 접하는 기능적인 움직임 을 수행하는 데 도움을 준다(Lynn& Noffal, 2012).
스쿼트는 운동수행 시 바벨의 위치에 따라 백 스쿼트, 오버헤드 스쿼트, 프론트 스쿼트 등으로 세분화 할 수 있 으며, 일반적으로 웨이트트레이닝 시 중량을 뒤에 위치하 는 백스쿼트를 수행한다(Lorenzetti et al, 2018). 스쿼트 는 앞서 언급된 다양한 장점들로 인해, 관심도가 높은 운 동이 되었고 그에 따라 스쿼트와 관련된 연구들이 다양하 게 진행되어 왔다. 그 중 몇몇 연구들에서는 스쿼트 동 작 시 사용되는 근육들을 알아보기 위해 근전도(EMG, electromyography) 도구를 이용해 근활성도를 기록하고 분석하였다. 그러나 신체의 움직임은 다양한 근육들의 동 시 활성(co-activation)과 협응(coordination)이 발생하는 특징이 있으므로(Bizzi & Cheung, 2013). 움직임을 만드 는 근육들의 개별적인 활성도를 분석하는 것보다 전반적 인 근활성 패턴을 분석할 필요가 있다(Smale, Shourijeh, & Benoit, 2016).
스쿼트는 인체 체간과 하지의 여러 관절을 동시에 제어 해야 하는 닫힌사슬운동으로 동작이 익숙하지 않을 경우 운동 효과가 감소하거나 부상이 발생할 위험이 있어 전문 가의 적절한 지도가 필요하다(Bengtsson, Ekstrand, Walden, & Hagglund, 2018;Escamilla, 2001). 예를 들 어, 스쿼트 시 대퇴사두근이 과도하게 수축하여 대퇴직근 또는 무릎 인대가 파열되는 사례가 있었으며(Bengtsson et al., 2018), 이러한 대퇴사두근 위주의 스쿼트와 함께 외반슬 각도 증가는 전방십자인대에 과도한 긴장을 야기 할 수 있어 주의를 요구한다(Escamilla, 2001).
스쿼트 훈련 경험 수준에 따른 동작 수행의 생체역학적 차이는 운동 과학에서 중요한 연구 주제이다. 스쿼트 훈 련 경험 수준에 따른 동작 수행에 관한 생체역학 변인을 비교한 연구에 의하면 스쿼트 초보 여성은 숙련자와 비교 하여 하지의 관절 운동 범위와 모멘트가 크며, 외반슬 각 도가 증가하는 결과를 보여주었다(Li, Adrien, Baker, Mei, & Gu, 2021). 근전도 연구의 경우 비숙련자에서 더 낮은 근활성도가 나타났다(Pick & Becque, 2000;박만석, 신호수, & 신원, 2015). 이러한 연구 결과는 스쿼트 시 비 숙련자 맞춤형 훈련 방법의 필요성을 강조하고 있으며, 운동 지도자에게 있어 생체역학적 이해의 중요성을 보여 주고 있다.
스쿼트는 체간과 하지의 다양한 근육을 사용하는 복잡 한 동작이다. 스쿼트 동작의 주동근으로는 척추기립근, 대퇴사두근, 종아리근과 고관절 신전근, 내전근, 외전근 이 있으며(Clark, Lambert, & Hunter, 2012), 동작 수행 시 해당 근육들 사이에서 동시 수축 조합이 일시적으로 변화한다. 신경역학 분야에서는 이러한 근육협응의 시공 간적 활성 패턴을 관찰하기 위해 근전도 정보를 이용한 근육시너지분석을 활용하고 있다(Ting et al., 2015). 근 전도를 사용한 근육 활성도 측정은 중추신경계가 인체 움 직임을 조절하는 방식을 직접적으로 이해하는 데에 유용 하며, 근육시너지분석은 이러한 근활성 정보를 바탕으로 기계학습 알고리즘을 사용하여 전신에 분포된 여러 근육 협응 패턴을 시공간적으로 분석하고 이해할 수 있다는 장 점을 지닌다(Bizzi & Cheung, 2013). 스포츠과학 분야에 서 근육시너지분석은 선수에 특화된 근육협응 패턴을 찾 아 아마추어 선수의 신경근 훈련 시 초점을 두어야 할 근 육 그룹에 관한 정보를 제공하고 있다(M. Kim, Y. Kim, H. Kim, & Yoon, 2018). 이와 유사하게 근육시너지분석 을 통해 스쿼트 시 숙련자와 비숙련자에게 나타나는 특이 적인 근육협응 패턴을 발견한다면 향후 운동 초보자 맞춤 형 훈련 전략 수립에 기여할 수 있을 것이다. 한 선행 연구 에 의하면 스쿼트 시 발생하는 근육시너지는 3개로 나타 났으나(Smale, Shourijeh, & Benoit, 2016), 숙련자와 비 숙련자와의 차이를 분석한 연구는 아직 부족한 실정이다.
본 연구는 근육시너지분석을 통하여, 스쿼트 숙련도에 따른 근육협응 패턴을 비교하는 것을 목적으로 한다. 인 체는 수많은 신경근 자유도를 바탕으로 움직임을 만들어 낼 수 있으며, 보상적 상호작용(compensatory interaction) 으로 인해 같은 목적의 운동 과제를 다양한 방법으로 해결 할 수 있다(Scholz & Schoner, 1999; 심재근 박재범, 김민 주, & 김선진, 2011). 본 연구에서는 숙련자와 비숙련자 의 동작 수행에 차이가 있다는 선행 연구 결과를 기반으로 (Santos et al., 2021;전유호 & 김유신, 2021), 스쿼트 동 작에서 두 집단 간 근육시너지에 차이가 있을 것으로 가정 하였다. 가설 검증을 위해 스쿼트 숙련자와 비숙련자를 모집하여 스쿼트 동작을 수행하였으며, 동작분석과 근전 도 정보를 수집하여 근육시너지분석을 시행하였다. 이후 클러스터링을 통해 각 그룹에서 우세하게 발생하는 패턴 이 있는지 확인하였다. 이에 본 연구에서는 숙련자와 비 숙련자의 스쿼트 시 근육시너지를 분석하여 초보자에게 필요한 훈련 방법을 제시하고 스쿼트 동작 시 나타나는 근육의 협응적 패턴을 알아보고자 한다.
Ⅱ. 연구 방법
1. 연구 참가자
본 연구는 20세 이상 성인 남성 17명을 대상으로 각각 숙련자 그룹(9명)과 비숙련자 그룹(8명)으로 나누어 진행 하였다. 숙련자 그룹의 경우 웨이트트레이닝 운동경력이 3년 이상이며, 주 1회 이상 스쿼트 훈련을 진행한, 본인 체중의 약 1.5배 이상의 스쿼트가 가능한 성인 남성을 대상 으로 하였다(Gene-Morales et al., 2020;Sayers et al., 2020). 비숙련자 그룹에서 웨이트트레이닝 운동경력은 1년 이하이며, 스쿼트 훈련을 지속적으로 진행해 본 적이 없고 자신의 체중 이상의 중량 스쿼트를 해본 적이 없는 성인 남성을 대상으로 하였다. 최근 6개월 이내 근골격계 및 신경계 손상을 겪었던 대상자는 실험에서 제외하였다. 연구자는 대상자들로 하여금 연구의 목적 및 방법을 설명 하였고, 실험 참여에 대한 동의를 구두 및 서문으로 받았 다. 연구 참가자의 세부 정보들은 <Table 1>에 기재하였다.
Table 1
연구 참가자 정보
ID | 연령(Yr) | 신장(cm) | 체중(kg) | 경력(Yr) | 1RM(kg) |
---|---|---|---|---|---|
|
|||||
숙련자 1 | 29 | 171 | 68 | 7 | 120 |
숙련자 2 | 37 | 178 | 88 | 18 | 170 |
숙련자 3 | 26 | 177 | 86 | 5 | 224 |
숙련자 4 | 33 | 178 | 82 | 8 | 150 |
숙련자 5 | 23 | 180 | 80 | 4 | 150 |
숙련자 6 | 36 | 177 | 89 | 4 | 160 |
숙련자 7 | 34 | 170 | 82 | 4 | 175 |
숙련자 8 | 32 | 170 | 81 | 4 | 225 |
숙련자 9 | 32 | 172 | 77 | 4 | 155 |
비숙련자 1 | 28 | 163 | 56 | <1 | - |
비숙련자 2 | 32 | 168 | 60 | 1 | - |
비숙련자 3 | 32 | 179 | 94 | - | - |
비숙련자 4 | 32 | 178 | 77 | - | - |
비숙련자 5 | 26 | 178 | 74 | - | - |
비숙련자 6 | 29 | 187 | 85 | - | - |
비숙련자 7 | 32 | 182 | 82 | 1 | - |
비숙련자 8 | 37 | 180 | 73 | <1 | - |
2. 실험절차
스쿼트 동작의 근육 시너지 분석을 위하여 근전도 장비 (FreeEMG 1000, Bioengineering, Italy)를 이용하여 체간 및 하지 근육 근활성도를 1,000Hz로 측정하였다. 무선 근 전도 장치는 대상자의 우세측 다리에 부착하였다(Smale et al., 2016). 본 연구에서 우세측 발은 한발 운동 시 더 무거운 무게로 운동 수행이 가능한 다리로 하였다. 부착 부위는 척추기립근(ES), 대둔근(GM), 햄스트링(Ham), 가 자미근(Sol), 비복근(GCM), 대퇴직근(RF), 외측광근(VL), 전경골근(TA)이다. 각 근육에 센서를 부착하기 전 근육의 도수근력검사를 실시하고, SENIAM.ORG 가이드라인을 참고하여 부착하였다. 부착 후에는 해당 근육의 수축을 통해 근전도 신호가 잘 전달되는지 관찰한 후 근전도 신호 의 노이즈를 최소화하고자 근전도 채널 위로 랩핑을 실시 하였다.
선행 연구를 참고하여, 자신 체중에 비례한 백스쿼트 하중을 설정하였으며(Sayers et al., 2020), 비숙련자 그 룹 참여자의 근피로를 고려해 체중의 25%로 진행하였다. 스쿼트 동작 시 지지면의 통일성을 주기 위해 대상자의 어깨 넓이(양쪽 견봉 기준)로 발의 위치를 설정하였다. 스 쿼트의 깊이는 자신의 경골 조면까지 앉도록 진행하였으 며, 실험 수행 시 연구 참가자 본인이 스쿼트 시 가장 잘 진행할 수 있는 속도로 앉아 달라고 요청하였다. 바벨의 위치는 견갑골 상부로 지정하였다. 스쿼트는 10회 2세트 로 총 20회 수행하였으며, 세트 간 휴식 시간은 3분으로 설정하였다.
3. 자료처리
본 연구에서는 근활성도 분석을 위하여, 각 스쿼트 시 도(trial) 별로 근활성도 분석을 진행하였다. EMG 데이터 는 휴식 중의 값을 기준으로, 표준편차 3배 이상의 신호가 최소 25ms 동안 지속되는 시점을 식별하였다(Hodges & Bui, 1996). 이렇게 식별된 EMG 신호의 시작점을 기반으 로 구간을 분리하였으며, 계산된 값의 유효성을 확인하기 위해 시각적으로 점검을 진행하였다(Hodges & Bui, 1996;Straub & Cipriani, 2012). 분리된 EMG 데이터는 일반적인 처리 과정을 거쳤다. 먼저, 35Hz의 third-order butterworth high-pass filter를 사용하여 노이즈를 제거 하고, 평균 값으로 영점을 조정하였다. 이후 음수 보정을 위해 절대값 변환(rectification)을 수행하고, 5Hz thirdorder butterworth low-pass filter를 사용하여 데이터를 평활화하였다. 이후, EMG 데이터를 각 시도 별 최대 근활 성화 값으로 정규화한 후, 스플라인(spline) 방법을 사용 하여 각 시도의 분석 데이터 프레임 수를 100으로 변환하 였다. 이를 통해 스쿼트 구간(%) × 근 활성도(%)로 구성 된 데이터를 생성하였다.
4. 근육시너지분석
근육시너지분석을 위해 각 시도 별 데이터를 연결하여 대상자별 근전도 데이터(EMGo)를 정리하였다. 근육시 너지 분석은 비음수행렬분해(non-negative matrix factorization) 알고리즘을 사용하여 수행하였으며(Lee & Seung, 1999), 이에 관한 근육시너지 구조(W), 활성(C), 오차(E)에 관한 식은 아래와 같았다. 이후 근육시너지 기 반 근전도 복원데이터(EMGr)를 계산하였다.
근육시너지 수는 VAF(variance accounted for)를 계산하 여 결정하였으며, 역치 값을 90%로 설정하였다(Kim et al., 2016). 이를 위해 근육시너지 수를 1부터 측정 근육 수인 8까지 점차 증가시키면서 VAF를 계산하였고, 90%를 넘는 최소 수를 해당 대상자의 근육시너지 수로 결정하였다.
5. 클러스터링분석
인체 움직임의 가변성으로 인하여, 추출된 근육시너지 의 수와 형태는 대상자마다 다르게 나타난다. 따라서, 클 러스터링 기법을 사용하여 유사한 구조를 가진 근육시너 지를 동일 그룹으로 묶는 과정을 수행하였다. 본 연구에 서는 판별분석을 기반으로 하는 반복 클러스터링 방식을 사용하여 모든 근육 시너지 데이터를 대상으로 유사한 시 너지 데이터를 동일 클러스터로 구분하였다(Kim, Y. et al., 2018). 이를 위해 먼저 모든 시너지구조 데이터(W)를 기반으로 클러스터링을 위한 데이터 행렬을 구성하였다. 클러스터링 데이터 행렬은 nW × 8개 근육으로 구성되었 으며, nW는 대상자 수 × 반복 횟수 × 각 수행 시도별 근육 시너지 수로 결정된다. 클러스터링 데이터는 측정된 근육 수와 동일한 8차원 매개 변수 공간에 좌표 값으로 맵핑(mapping)하였다. 이후, k-평균 클러스터링 방법을 사용하여 해당 공간 내에서 가까운 위치에 있는 데이터 그룹을 동일 클러스터로 정의하였다. 클러스터 수(k)는 동일 수행 시도에서 추출된 복수의 근육시너지가 동일 클 러스터로 배치되지 않도록 하였으며, 점차 클러스터 수를 증가시키며 k-평균 클러스터링을 수행하였다. 이후 지도 형 기계학습 알고리즘을 사용하여 클러스터링 결과를 보 정하였다. 먼저 Box의 M 검정을 사용하여 클러스터링 결 과 데이터의 공분산성을 판단하였고, 공분산이 확인된 경 우 선형 판별 분석(linear discriminant analysis)을, 그 렇지 않은 경우 이차 판별분석(quadratic discriminant analysis)을 사용하여 클러스터링 결과를 보정하였다 (Dixon & Brereton, 2009). 이후 각 클러스터에 할당된 값에 관한 급내상관계수(intraclass coefficient)를 분석하 였으며, 높은 수준의 클러스터링 결과를 얻기 위해 이 과 정을 1,000회 반복하였다. 이 작업을 통하여, 가장 빈번한 k값을 지닌 결과 중 급내상관계수 평균이 가장 높은 경우 를 최종 선택하였다. 선택된 클러스터 결과를 바탕으로 각 클러스터 내 시너지 구조와 활성의 평균과 편차를 계산 하였다. 계산이 끝난 후 스쿼트 동작 진행에 따라 각 클러 스터의 역할을 구분하는 것이 용이하도록, 근육 시너지의 최대 활성 시점을 기준으로, 순차적으로 클러스터 ID를 부여하였다. 모든 데이터 분석은 Python 3.7.6 소프트웨 어를 사용하여 수행하였다.
Ⅲ. 연구 결과
1. 근활성 패턴 변화 양상
근활성 변화 양상을 보면, 숙련자 그룹의 경우 스쿼트 동작의 초반 구간인 하강기에서도 Gmax가 활성화 되는 것을 확인할 수 있었다. 상승단계에서는 숙련자 그룹과 비숙련자 그룹 모두 다 Gmax의 활성도가 높았다. GCM에 서 경우 숙련자 그룹의 경우 스쿼트 상승구간에서 활성도 가 두드러졌고, 비숙련자 그룹은 스쿼트 초기 구간에서 활성도가 관찰되었다. Sol의 경우 숙련자 그룹과 비숙련 자 그룹에서 스쿼트 단계에 따른 활성도가 다르게 관찰되 었다. 숙련자 그룹의 경우 가장 깊게 앉았을 때 활성도가 높은 반면 비숙련자 그룹의 경우 하강구간과 상승구간에 서 높은 활성도가 관찰되었다. ES, Ham, RF, VL, TA의 경우 숙련자 비숙련자 모두 활성도가 비슷하게 관찰되었 다(Figure 1).
Figure 1
근육별 평균 근활성도.
약어: 척추기립근(ES), 대둔근(GMax), 햄스트링(Ham), 가자미근(Sol), 비복근(GCM), 대퇴직근(RF), 외측광근(VL), 전경골근(TA).
![AOSPT-20-1-91_F1.gif](http://fulltext.earticle.net/data/Org/120/Content/2024/vol_7521/AOSPT-20-1-91_F1.gif)
2. 근육시너지 수
본 연구에서 각 그룹간의 근육시너지 수는 Figure 2, 3과 같이 나타났다. 근육시너지를 분석한 결과 숙련자의 경우 3.11±0.33개의 근육시너지가 관찰되었고, 비숙련자 의 경우 2.75±0.46개의 근육시너지가 관찰되었다.
Figure 2
숙련자 대상자별 근육시너지 구조(muscle synergy structure).
x축 근육 순서: 1(ES), 2(Gmax), 3(Ham), 4(Sol), 5(GCM), 6(RF), 7(VL), 8(TA).
![AOSPT-20-1-91_F2.gif](http://fulltext.earticle.net/data/Org/120/Content/2024/vol_7521/AOSPT-20-1-91_F2.gif)
Figure 3
비숙련자 대상자별 근육시너지 구조(muscle synergy structure).
x축 근육 순서: 1(ES), 2(Gmax), 3(Ham), 4(Sol), 5(GCM), 6(RF), 7(VL), 8(TA).
![AOSPT-20-1-91_F3.gif](http://fulltext.earticle.net/data/Org/120/Content/2024/vol_7521/AOSPT-20-1-91_F3.gif)
3. 대상자별 클러스터 할당 결과
각 실험 대상자별로 할당된 클러스터는 Figure 4와 같 았다. 그룹별 클러스터 분포에 관한 z-test 결과는 Table 2와 같았다. 숙련자 그룹과 비숙련자 그룹 간 클러스터 분포에는 클러스터3에서 통계적으로 유의미한 차이가 있 었다. 숙련자의 경우 대다수가 클러스터3을 사용하였고, 비숙련자 그룹은 클러스터3을 거의 사용하지 않았다(p < 0.05). 또한, 통계적으로 유의미하지는 않았으나, 비숙련 자의 경우 클러스터4의 사용이 두드러졌다. 클러스터5의 경우 1명의 비숙련 그룹 대상자를 제외한 모든 실험대상 자들이 사용한 것으로 나타났다. 또한, 스쿼트 시 클러스 터1을 사용한 경우 클러스터2는 사용하지 않았다.
Table 2
클러스터 내 그룹 할당 분포 비교
클러스터 ID | 1 | 2 | 3 | 4 | 5 |
---|---|---|---|---|---|
|
|||||
숙련그룹 분포 수 | 2 | 7 | 7 | 3 | 9 |
비숙련그룹 분포 수 | 2 | 6 | 2 | 5 | 7 |
z | -0.135 | 0.135 | 2.176 | -1.203 | 1.093 |
p | 0.897 | 0.897 | 0.029* | 0.230 | 0.276 |
Statistically significant difference in the two-proportion z-test is highlighted in bold (*: p < 0.05).
4. 클러스터별 근육 시너지 구조
클러스터별 특성은 Figure 5와 같이 비교하였다. 숙련 자그룹이 주로 사용한 클러스터3의 경우 스쿼트 중반 (50-70%)단계에서 최대 활성화를 보이며, ES, Ham, VL 의 참여도가 가장 높았다. 다음으로는 RF, Gmax의 참여 도가 높은 것으로 관찰되었다. 비숙련자 그룹은 클러스 터4 선택이 두드러졌는데, 클러스터4는 스쿼트 중반 (40-60%)과 후반(80-100%)단계 두 번의 피크를 보인다. 클러스터4는 Sol, GCM의 참여도가 높게 근육시너지를 형 성하였다.
Figure 5
클러스터별 근육시너지 활성(activation) 및 구조(structure). 각 클러스터에서 좌측 선 그래프는 스쿼트 주기 동안의 시너지 활성 패턴을 보여주며, 오른쪽 막대 그래프는 해당 시너지의 근육 그룹 참여도를 의미한다.
![AOSPT-20-1-91_F5.gif](http://fulltext.earticle.net/data/Org/120/Content/2024/vol_7521/AOSPT-20-1-91_F5.gif)
클러스터1의 경우 스쿼트 중간(40-60%) 단계에서 TA 의 참여도가 높은 근육시너지였다. 클러스터2의 경우 근 육시너지를 형성하는데 TA, RF, ES의 참여도가 높았다. 클러스터1을 사용한 실험자들은 클러스터2를 사용하지 않았다. 클러스터5의 경우 스쿼트 주기 초반(20-40%)과 중반(60-80%) 두 단계에서 피크를 보였다. 근육시너지를 형성하는데 Gmax의 참여도가 두드려졌고, Ham, Sol, GCM이 동시활성되었으나 참여도는 높지 않았다. 이 클러 스터의 경우 1명의 비숙련 그룹 대상자를 제외한 모든 실 험자들이 선택하였다(Figure 5).
Ⅳ. 고 찰
본 연구는 웨이트트레이닝 숙련자와 비숙련자의 백스 쿼트 시 근육시너지를 분석하여 운동 숙련도에 따른 근육 협응의 차이를 확인하고자 진행하였다. 이를 위해 백스쿼 트 동작에서 숙련자 및 비숙련자의 근육시너지를 분석하 고 클러스터링을 통해 근육 협응 패턴을 관찰하였다. 근 육시너지 분석 결과 총 5가지의 클러스터가 관찰되었다. 관찰된 클러스터 중 숙련자 그룹이 선호하는 클러스터와 비숙련자 그룹이 선호하는 클러스터에 차이가 있는 것을 발견하였다.
각 그룹 간의 평균 근활성도를 비교해 보았을 때, 비숙 련자 그룹은 전반적으로 ES의 높은 활성화를 보였다. 이 는 체간 안정성을 유지하기 위해 더 많은 노력이 필요한 것으로 보인다. Gmax의 경우 숙련자는 스쿼트 초반 구간 에서 활성도가 높게 나타나는 것으로 보아 비숙련자에 비 해 엉덩이 근육을 더 많이 사용하는 것으로 보인다. 비숙 련자 그룹의 경우 Ham, GCM, TA의 활성도가 숙련자보 다 높았다. 이 결과를 통해 비숙련자는 특정 근육 그룹에 과도하게 의존하고 있으며, 이는 스쿼트 수행 시 효율성 이 떨어질 수 있음을 시사한다. 반면, 숙련자는 보다 균형 잡힌 근육 사용패턴을 보여주며, 이는 운동의 효율성과 안정성을 높이는 데 기여하는 것으로 보인다.
각 연구대상자별 근육시너지 수를 보면 숙련자의 경우 3.11±0.33개, 비숙련자의 경우 2.75±0.46개의 근육시너 지가 나타났다. 이는 숙련자 그룹이 스쿼트를 수행함에 있어 움직임을 더 정교하고 효율적으로 수행할 수 있음을 의미한다. 숙련자는 운동 학습과 적응 과정을 통해 다양 한 근육 그룹을 효과적으로 조절하는 능력을 발전시켰기 때문에 더 많은 근육 시너지를 활용하는 것으로 보인다 (Rutherford & Jones, 1986).
근육시너지를 클러스터별로 구분해 보았을 때, 숙련자 그룹의 경우 클러스터3의 선호도가 높은 것으로 나타났 다. 클러스터3은 스쿼트 상승 구간에서 근육시너지를 형 성하는데 ES, Ham, VL의 참여도가 높았고, Gmax, RF의 참여도도 관찰되었다. 이와 다르게 비숙련자 그룹은 클러 스터4를 선호하는 것으로 관찰되었다. 클러스터4의 근육 시너지를 살펴보면, 스쿼트 상승 구간에 Sol, GCM의 참 여도가 두드러지게 관찰되었고, Gmax, Ham, RF, VL의 동시활성도 관찰되었으나 참여도가 높지는 않았다.
숙련자 대부분 클러스터2, 클러스터5를 사용하였으며 그 중에서도 상승 마지막 구간에서 대둔근을 강하게 활성 화시키는 클러스터5는 1명의 비숙련 그룹 대상자를 제외 한 모든 실험대상자들이 사용하는 근육 협응 패턴이었다. 숙련자 그룹의 경우 대부분 스쿼트 하강 시 ES, RF, TA, VL의 참여도가 높은 클러스터2를 선호하였다. 비숙련자 그룹은 스쿼트 상승 시 Sol, GCM의 참여도가 높고, Gmax, Ham, TA의 참여도가 낮은 클러스터4를 선호하는 양상을 보였다. 이러한 양상은 스쿼트 상승 구간에서 숙 련자 그룹의 경우 Ham의 참여도가 높은 근육시너지를 선 택하는 반면(Clark et al., 2012), 비숙련자 그룹은 발목 근육이 우세한 근육시너지를 사용하였다. 위 결과들을 통 해 숙련자는 스쿼트 시 중량에 대응하기 위해 대근육들을 사용하는 전략을 사용하였고(Gullett, Tillman, Gutierrez, & Chow, 2009), 그에 비해 비숙련자 그룹은 소근육들을 사용하여(Escamilla, 2001) 숙련자에 비해 무게에 대한 저 항력이 떨어지고 부상의 위험에 노출될 수 있음을 확인할 수 있었다.
본 연구는 여러 가지 제한점을 가진다. 먼저, 피험자를 20-30대 성인 남성으로 제한하였다. 어린이나 노인, 여 성 피험자는 포함하지 못하였다. 이는 연구 결과를 일반 화하는 데 한계가 있다는 것을 의미하며, 향후 다양한 연 령대와 성별을 포함한 추가 연구를 진행할 필요가 있다. 두 번째, 바벨의 무게를 숙련자, 비숙련자 모두 체중의 25%로 제한하였다. 그러나 스쿼트의 경우 중량을 자신의 체중에 3배 가까이도 추가할 수 있는 운동이다. 따라서 이후 연구에서는 숙련자를 대상으로 고중량 스쿼트의 근 육 협응 패턴을 알아보는 실험을 진행할 필요가 있다. 그 결과를 통해 스쿼트 훈련 전략에 있어 도움을 줄 수 있을 것으로 기대한다. 마지막으로, 근육을 8가지로 제한하여 측정하였는데, 이후 연구에서는 더 많은 근육을 대상으로 측정한다면, 더욱 다양한 근육들 간의 동시활성 패턴을 관찰할 수 있을 것으로 기대한다.
Ⅴ. 결 론
본 연구는 웨이트트레이닝 숙련자와 비숙련자의 백스 쿼트 시 근육시너지를 분석하여 운동 숙련도에 따른 근육 협응의 차이를 확인하고자 진행되었다. 연구 결과는 다음 과 같다.
첫째, 숙련자 그룹은 스쿼트 동작 시 3.11±0.33개의 근 육시너지를 사용하는 반면, 비숙련자 그룹은 2.75±0.46 개의 근육시너지를 사용하는 것으로 나타났다. 이는 숙련 자가 비숙련자보다 다양한 근육 협응 전략을 사용함을 의 미한다.
둘째, 숙련자와 비숙련자는 근육시너지의 클러스터링 에서도 차이를 보였다. 숙련자 그룹은 주로 스쿼트 상승 구간에서 척추기립근, 햄스트링, 외측광근의 높은 동시활 성이 있는 근육시너지를 보여주었다. 반면, 비숙련자 그 룹은 주로 발목 주변 근육인 가자미근과 비복근의 동시활 성으로 구성된 근육시너지를 사용하였다.
셋째, 숙련자 그룹은 대근육을 중심으로 한 근육 협응 전략을 사용하여 중량에 더 효과적으로 대응하는 반면, 비숙련자 그룹은 소근육을 중심으로 한 협응 전략을 사용 하였다.
이러한 결과는 스쿼트 훈련에서 숙련도가 근육 협응 패 턴에 큰 영향을 미친다는 것을 시사한다. 또한, 비숙련자 가 중량운동 시 부상 위험을 줄이고 효율적인 운동 효과를 얻기 위해서는 대근육 중심의 근육 협응 전략을 학습해야 한다는 것을 보여주고 있다. 향후 본 연구에서 분석한 숙 련자 그룹의 근육 협응 패턴 전략을 활용하여 스쿼트 초보 자에게 필요한 훈련 프로그램을 계획할 수 있을 것으로 기대한다.