التآزر النفسي-البدني للرياضيين اعتمادًا على الذكاء الاصطناعي والتعلّم العميق

لماذا يمكن أن تكشف إشارات جسدك عن حالتك العقلية

الرياضيون النخبوية والأشخاص في وظائف عالية الضغط يسيرون باستمرار على خط رفيع بين الأداء الأقصى والحمولة الزائدة. تبث أجسادنا بهدوء مؤشرات عن مدى توترنا أو هدوئنا أو ترفيهنا من خلال نبضات القلب والتعرق والتنفس والحركة. تشرح هذه الدراسة طريقة جديدة للكمبيوتر لقراءة تلك المؤشرات بدقة أكبر، ومهمّ بنفس القدر، لتحديد مدى الثقة في قراءته. يمكن لهذا المزيج من الدقة والصدق أن يجعل الأجهزة القابلة للارتداء المستقبلية أكثر فائدة وموثوقية.

تحويل الإشارات المبعثرة إلى صورة واحدة

يمكن لأشرطة الصدر الحديثة والأساور الذكية تسجيل العديد من الإشارات الفيزيولوجية في وقت واحد، مثل تباين معدل ضربات القلب، موصلية الجلد، أنماط التنفس، الحرارة، والحركة. غالبًا ما تتعامل النماذج الحاسوبية التقليدية مع كل قناة على أنها تيار منفصل وتجمعها ببساطة. يجادل المؤلفون بأن هذا يغفل نقطة أساسية: الجسم نظام متكامل. تحت الضغط، على سبيل المثال، يميل معدل القلب والتعرق والتنفس إلى التحول معًا في نمط مميّز. تقدّم الدراسة فكرة "رسم بياني للتآزر الفيزيولوجي"، حيث يكون كل نوع من الإشارات نقطة في شبكة ويتعلم النموذج مدى تأثيرها المتبادل في كل لحظة.

كيف يقرأ إطار العمل الجديد الجسد

يخلط الإطار المقترح، المسمى GABT Net، بين فكرتين قويتين من الذكاء الاصطناعي. أولًا، تفحص شبكة الانتباه البياني الإشارات الجسدية المختلفة داخل كل نافذة زمنية قصيرة. تربط كل إشارة بكل إشارة أخرى وتتعلم أي الروابط هي الأهم في الحالة المعينة، منتِجة لقطة مدمجة عن كيفية تعاون أنظمة الجسم في تلك اللحظة. ثانيًا، تُغذى هذه اللقطات إلى نموذج سلاسل زمنية قائم على المحوّل (Transformer) يتتبع كيف يتطور هذا النمط التعاوني عبر الزمن. تسمح هذه المرحلة الزمنية للنظام بملاحظة الاتجاهات على مدى طويل، مثل تراكم الضغط تدريجيًا أو العودة إلى حالة الهدوء الأساسية.

إتاحة المجال للنموذج للاعتراف بعدم اليقين

تنتج معظم أدوات التعلم الآلي تخمينًا واحدًا أفضل دون الإشارة إلى مدى موثوقية هذا التخمين. بالنسبة للقرارات الواقعية في الرياضة والصحة، قد يكون هذا محفوفًا بالمخاطر. يتعامل GABT Net مع ذلك باستخدام محوّل بايزي مع إسقاط مونت كارلو (Monte Carlo dropout)، وهي تقنية تشغّل فعليًا عدة نسخ متباينة قليلًا من النموذج على نفس البيانات. من خلال أخذ متوسط مخرجاتها، ينتج النظام توقعًا وقياسًا لمدى عدم يقينه. يبيّن الباحثون أنه عندما يعلن النموذج عن ثقة عالية، تكون دقّته في حالات الضغط والعاطفة مرتفعة للغاية، وعندما تكون "الإنتروبيا" الداخلية كبيرة، تزداد احتمالية الأخطاء. هذا يجعل من الممكن تمييز الحالات التي ينبغي أن يتوخى فيها المدرب أو الطبيب أو المستخدم الحذر.

مدى أداء النظام في الاختبارات

قيّم الفريق GABT Net على مجموعة بيانات مستخدمة على نطاق واسع ارتدى فيها المتطوعون أجهزة صدر أثناء التنقل عبر فترات أساسية هادئة ومهام ضاغطة وأنشطة مسلية. باستخدام نافذة منزلقة على الإشارات ونهج اختبار صارم عبر الأشخاص، وصل النموذج إلى نحو 96 بالمئة دقة إجمالية ودرجة F1 ماكرو تزيد عن 0.94، متفوقًا على عدة خط أساس قوية، بما في ذلك شبكات Bi LSTM والمحولات القياسية. كما تفوّق على طرق حديثة متقدمة تمزج بين الشبكات الالتفافية والمتكررة. بالرغم من هذا الأداء القوي، يبقى النموذج صغيرًا وفعالًا نسبيًا، بعدد معلمات أقل وأوقات تنبؤ أسرع من النهج المنافسة، وهو أمر مهم لتشغيله على أجهزة قابلة للارتداء أو أجهزة الحافة.

ماذا يعني هذا للرياضيين والمستخدمين اليوميين

بعبارات بسيطة، تُظهر هذه الأبحاث أن نظامًا ذكياً يمكنه ليس فقط قراءة الأنماط الدقيقة عبر إشارات جسدية متعددة للتعرّف على حالات الضغط والعاطفة، بل يمكنه أيضًا تقييم مدى موثوقية إجاباته. بالنسبة للرياضيين، قد يترجم ذلك إلى أدوات تدريب تحذر من تراكُم العبء النفسي قبل تراجع الأداء أو ارتفاع خطر الإصابة، وتعرف متى "تطلب المساعدة" بدلًا من إعطاء تغذية راجعة مضللة. بالنسبة لتطبيقات الصحة العامة ومكان العمل، يُمكن أن تدعم نفس المبادئ مراقبة دائمة وأكثر أمانًا للضغط والمزاج. في حين أن الاختبارات الواقعية في بيئات رياضية صاخبة وتخصيص النماذج للأفراد لا تزال خطوات مستقبلية، تقدم الدراسة مخططًا واعدًا لتقنيات تتبّع العقل والجسد أكثر ذكاءً وشفافية.

الاستشهاد: Cheng, Y., Gong, T. & Zhao, H. Psychological-physical synergy of athletes based on artificial intelligence and deep learning. Sci Rep 16, 14994 (2026). https://doi.org/10.1038/s41598-026-45920-4

الكلمات المفتاحية: مراقبة الضغط, أجهزة قابلة للارتداء, فيسيولوجيا الرياضيين, التعرّف على العاطفة, التعلّم العميق