러닝 데이터는 무엇을 말해주고, 무엇을 말해주지 못할까

Stryd를 장착한 러닝화와 훈련 후의 모습. 기록보다 몸의 상태가 먼저다.

 

러닝을 마치고 시계의 저장 버튼을 누르면 수많은 숫자가 나타난다.

Garmin 시계만으로도 거리와 시간, 평균 페이스, 심박수, 케이던스 등 여러 데이터가 기록된다. 여기에 HRM-Pro, 풋팟, Stryd 같은 외부 센서를 연결하면 장비와 조합에 따라 지면접촉시간과 수직진동, 러닝 파워 등 확인할 수 있는 데이터가 더 늘어난다.

 

그런데 숫자를 확인하는 것과 그 의미를 이해하는 것은 다른 문제다.

 

케이던스가 170으로 나왔다면 높은 것일까, 낮은 것일까? 지면접촉시간이 지난주보다 길어졌다면 폼이 나빠진 것일까? 시계가 보여주는 색상 구간이나 다른 러너의 수치와 비교하다 보면 오히려 내 러닝에서 무엇을 봐야 하는지 더 혼란스러워질 수 있다.

 

나 역시 처음부터 이 숫자들을 이해하고 사용한 것은 아니다. 러닝이 끝나면 기록 화면을 저장해 인스타그램에 올리기도 했지만, 정작 각각의 지표가 내 러닝에서 어떻게 움직이는지는 제대로 확인하지 않았다. 케이던스가 변하면 지면접촉시간도 일정한 관계로 함께 달라질 것이라고 막연히 생각했을 뿐, 실제 내 데이터에서도 그런 관계가 나타나는지 검증해본 적은 없었다.

 

데이터는 계속 쌓였지만 그것을 읽는 기준은 없었다.

 

부상과 체중 증가 이후 러닝을 다시 시작하면서는 이 숫자들을 단순히 저장하는 데서 그치지 않고, 회복 과정에서 무엇이 달라지고 있는지를 확인해보고 싶어졌다.

 

Run Analytics는 여기서 시작한다.

 

이 숫자는 실제 달리기에서 무엇을 의미할까?
수치가 달라진 이유는 무엇일까?
그리고 그 변화를 보고 훈련을 바꿔도 되는 것일까?

 

같은 페이스는 같은 달리기일까

우리는 보통 페이스와 심박으로 러닝을 평가한다.

 

예상했던 페이스를 유지했는지, 심박이 목표 구간 안에 있었는지, 같은 페이스에서 이전보다 심박이 낮아졌는지를 확인한다. 모두 중요한 정보다.

 

하지만 같은 페이스와 같은 심박으로 달렸다고 해서 몸도 같은 방식으로 움직였다고 말할 수는 없다.

 

예를 들어 다음과 같은 두 번의 러닝이 있었다고 가정해보자.

 

페이스와 심박은 같지만 케이던스와 보폭은 다르다. 그렇다면 지면접촉시간과 수직진동도 케이던스에 따라 예상한 방향으로 함께 달라졌을까? 이 가상 비교만으로는 알 수 없다. 다른 지표의 변화를 케이던스 하나로 미리 결정해서는 안 되고 실제 측정값을 확인해야 한다.

 

또한 이 가상 비교만으로 어느 쪽이 더 좋은 러닝인지도 판단할 수 없다. 두 러닝의 경사, 노면, 신발, 기온과 피로 상태가 같다는 정보가 없기 때문이다. 평균 페이스와 평균 심박이 같더라도 러닝 도중의 변화 양상까지 같았다는 뜻도 아니다.

 

이 가상 예시가 보여주려는 것은 두 가지다.

 

같은 평균 페이스와 심박 아래에서도 움직임의 전략은 다를 수 있다. 그리고 한 지표의 변화만으로 다른 지표가 어떻게 달라졌는지 단정할 수는 없다.

 

페이스가 이동의 결과를 보여주고 심박이 운동에 대한 생리적 반응의 한 신호라면, 러닝 다이나믹스는 그 결과가 어떤 움직임으로 만들어졌는지를 들여다보는 또 하나의 관찰창이다.

 

러닝 다이나믹스는 무엇을 측정할까

러닝 다이나믹스는 달리는 동안 발생하는 움직임과 접지 특성을 센서로 측정하거나 계산해 수치화한 데이터라고 볼 수 있다.

대표적으로 다음과 같은 지표가 있다.

• 케이던스는 1분 동안 몇 걸음을 내디뎠는지를 보여준다.
• 보폭은 한 걸음으로 얼마나 이동했는지를 나타낸다.
• 지면접촉시간은 발이 지면에 머문 시간을 측정한다.
• 수직진동은 달리는 동안 몸이 위아래로 움직인 정도를 보여준다.

이 글에서는 케이던스·보폭·접지·수직 움직임을 좁은 의미의 러닝 다이나믹스로 본다. 러닝 파워와 탄성·부하에 관한 지표는 앞으로 함께 살펴볼 더 넓은 범위의 러닝 데이터로 구분하려 한다.

이러한 범위와 계산 방법은 제조사와 장비에 따라 다르다. 같은 이름의 지표라도 측정 위치와 알고리즘이 다르면 값을 그대로 비교하기 어렵다.

따라서 숫자를 해석하기 전에 어떤 장비가 무엇을 측정하고 계산했는지부터 확인해야 한다.

 

숫자는 점수표가 아니다

러닝 데이터를 볼 때 가장 경계해야 할 것은 수치를 곧바로 좋고 나쁨으로 해석하는 것이다.

 

케이던스가 180이면 좋은 폼일까?
지면접촉시간은 짧을수록 좋을까?
수직진동이 낮으면 더 효율적일까?
좌우 균형은 반드시 50:50이어야 할까?

 

이 질문들에 숫자 하나만으로 답하기는 어렵다.

 

케이던스와 지면접촉시간은 속도가 달라지면 함께 변할 수 있다. 경사와 노면, 신발, 체중, 기온과 피로 상태도 영향을 줄 수 있다. 같은 사람의 데이터라도 측정 장비가 바뀌면 이전 값과 직접 비교하기 어려울 수 있다.

 

예를 들어 평소와 비슷한 페이스에서 지면접촉시간이 길어졌다고 하자.

 

여기서 확실히 말할 수 있는 것은 해당 조건에서 이전보다 긴 값이 측정됐다는 사실뿐이다. 피로 때문인지, 경사나 노면이 달랐는지, 케이던스와 보폭이 변했는지, 단순한 측정 변동인지는 아직 알 수 없다.

 

그런데 이 과정을 건너뛰고 곧바로 “러닝 폼이 나빠졌다”고 결론 내리면 관찰과 해석이 뒤섞인다.

 

Run Analytics가 데이터를 읽는 방법

이 블로그에서는 러닝 데이터를 다음 순서로 다루려고 한다.

Signal → Hypothesis → Validation → Action

 

먼저 평소와 다른 신호가 관찰됐는지 확인한다.

 

그다음 가능한 원인을 생각한다. 이때 한 가지 설명만 고집하지 않는다. 피로일 수도 있고, 속도나 경사의 차이일 수도 있으며, 신발이나 센서의 영향일 수도 있다.

 

가설을 세웠다면 비슷한 조건의 과거 데이터와 비교한다.

• 같은 사람
• 같은 장비
• 유사한 페이스와 경사
• 비슷한 노면과 신발
• 반복되는 변화
• 심박·파워·케이던스 등 다른 지표와의 관계

이러한 검증을 거친 뒤에야 훈련이나 회복과 관련된 행동을 검토한다.

 

다만 모든 상황에서 데이터가 더 쌓일 때까지 기다리는 것은 아니다.

 

통증이 증가하거나 보행과 일상 동작에 영향을 주는 경우, 운동 후 증상이 다음 날까지 뚜렷하게 악화되는 경우에는 반복 측정을 기다리지 않는다. 이때는 분석보다 러닝 강도와 시간을 낮추거나 중단하는 보수적인 대응이 먼저다.

 

일반적인 지표 변화는 검증한 뒤 행동하되, 통증과 건강에 관한 위험 신호에는 안전을 위한 행동을 우선한다.

 

분석 과정에서는 관찰된 사실, 그 사실에서 합리적으로 말할 수 있는 해석, 가능한 원인에 대한 가설, 현재 알 수 없는 부분을 구분한다. 데이터가 부족하다면 부족하다고 남겨두는 것도 분석의 일부다.

 

한 사람의 변화가 모든 러너의 답은 아니다

Run Analytics의 핵심 자료는 한 사람에게서 장기간 축적되는 데이터다.

 

같은 사람, 같은 장비, 유사한 조건에서 시간이 지나며 무엇이 달라지는지를 관찰한다는 점에서는 가치가 있다. 하지만 내게서 관찰된 변화가 모든 러너에게도 같은 의미를 가진다고 일반화할 수는 없다.

 

내 케이던스가 변했다고 해서 다른 러너도 같은 방식으로 케이던스를 바꿔야 하는 것은 아니다. 내 지면접촉시간 변화가 피로나 퍼포먼스와 함께 나타났더라도 그것만으로 일반적인 인과관계가 증명되는 것도 아니다.

 

이 한계는 내 데이터 안에서도 마찬가지다.

 

같은 변화가 반복되더라도 두 현상이 함께 나타났다는 사실과 하나가 다른 하나의 원인이라는 주장은 구분해야 한다. 개인 내 반복 관찰은 가설의 신뢰도를 높일 수 있지만 인과관계를 자동으로 증명하지는 않는다.

 

이 블로그에서는 개인 데이터에서 관찰된 사실과 가능한 설명을 구분하고, 필요하면 기존 연구와 어디에서 일치하고 충돌하는지도 함께 살펴보려고 한다.

 

내가 이렇게 변했다는 사실과 모든 러너가 이렇게 변한다는 주장은 다르다.

 

몸을 만들기 위해 데이터를 사용한다

Run Analytics의 우선순위는 데이터를 많이 만드는 것이 아니다.

 

목표는 부상을 악화시키지 않으면서 러닝을 지속하고, 체중과 기초 체력을 회복하고, 다시 정상적인 러닝 볼륨과 퍼포먼스를 만드는 것이다. 장기적으로는 과거의 10km와 하프마라톤 퍼포먼스를 회복하고, 언젠가 다시 마라톤 Sub 3 가능성을 검증하려 한다.

데이터와 콘텐츠는 그 과정에서 만들어진다.

 

흥미로운 분석을 위해 몸에 불필요한 실험을 강요하지 않는다. 훈련 과정에서 자연스럽게 생긴 질문을 데이터로 확인하고, 반복되는 변화를 장기간 추적한다.

 

몸을 만들기 위해 데이터를 사용하되, 데이터를 만들기 위해 몸을 사용하지 않는다는 것이 이 프로젝트의 기본 원칙이다.

 

숫자는 질문의 출발점이다

페이스와 심박은 러닝을 이해하는 중요한 데이터다. 러닝 다이나믹스는 그 뒤에 있는 움직임을 조금 더 자세히 관찰할 수 있게 해준다.

 

하지만 어떤 지표도 혼자서 달리기의 상태를 완전히 설명하지는 못한다. 중요한 것은 한 번의 숫자를 판정하는 것이 아니라, 유사한 조건에서 반복되는 변화를 추적하고 다른 지표와 함께 검증하는 것이다.

 

다음 글에서는 러닝 다이나믹스에 어떤 지표가 포함되는지, Garmin과 Stryd 같은 장비가 무엇을 측정하는지 전체적인 지도를 먼저 그려보려고 한다.

 

이곳에서 숫자는 정답이 아니다.

 

무엇이 달라졌고, 왜 달라졌으며, 그것이 실제 러닝에서 어떤 의미가 있는지를 묻기 위한 출발점이다.

 

함께 읽으면 좋은 글

[달릴 때 Garmin이 기록하는 숫자들은 실제로 무엇을 의미할까]

[심박 벨트냐 발 센서냐 — 러닝 데이터를 더 보려면 무엇이 필요할까]

[숫자를 믿기 전에, 어떻게 볼 것인가]

 

참고 자료

• Garmin Support — Running Dynamics on Garmin Watches
• Garmin Support — Running Dynamics Color Gauges
• Stryd Help Center — Stryd Metrics