Neurobildgebungsgetriebene Empfehlungssysteme für personalisiertes Sporttraining und Verletzungsprävention

Warum Hirnscans für Freizeitsportler relevant sind

Die meisten Menschen verbinden Hirnscans mit der Diagnose von Krankheiten, nicht damit, wie man sich für ein Rennen vorbereitet oder ein umgeknicktes Knie vermeidet. Diese Studie zeigt, wie das Ablesen des Gehirns während der Bewegung Trainern und Athleten helfen kann, Workouts individuell anzupassen, das Verletzungsrisiko zu senken und gleichzeitig die Leistung zu verbessern. Indem Gehirnaktivität mit Körpersignalen wie Bewegung und Herzfrequenz verknüpft wird, beschreiben die Forschenden ein System, das komplexe neurowissenschaftliche Daten in praktische Hinweise übersetzen kann, etwa wann man mehr Druck machen oder wann man zurückschalten sollte.

Von Einheitsplänen zu gehirnbewusstem Training

Traditionelle Trainingsprogramme behandeln die meisten Athleten ähnlich und stützen sich vor allem auf sichtbare Indikatoren wie Tempo, Kraft oder Herzfrequenz. Dabei formt das Gehirn jede Bewegung mit – von der Reaktionszeit beim Startschuss bis zum Gleichgewicht bei der Landung. Frühere Computersysteme für das Training nutzten feste Regeln, die Experten festgelegt hatten. Diese waren gut verständlich, konnten sich aber kaum an individuelle Unterschiede oder veränderte Bedingungen anpassen. Spätere Machine-Learning-Modelle lernten aus großen Sammlungen von Leistungs- und Videodaten, ignorierten aber weiterhin weitgehend das Gehirn. Dadurch konnten sie Sätze und Wiederholungen optimieren, nicht jedoch mentale Ermüdung, Fokus oder subtile neuronale Warnzeichen, die oft vor einer Verletzung auftreten.

Das Gehirn lesen, um Leistung zu steuern

Die Autorinnen und Autoren schlagen ein neues Modell namens NeuroAthleteNet vor, das Gehirnsignale in den Mittelpunkt der Trainingsberatung stellt. Es arbeitet mit vielen Arten von Messungen, einschließlich Aufzeichnungen von der Kopfhaut und bildgebenden Verfahren, die als zeitlich veränderliche Muster über viele Regionen behandelt werden. Zuerst leitet das System diese Signale durch Schichten, die kurzzeitige Ausbrüche und längerfristige Trends in der Gehirnaktivität erkennen. Dann stellt es das Gehirn als Netzwerk dar, wobei jede Region ein Knoten ist und die Stärke ihrer Interaktion die Verbindungen bildet. Spezielle Netzwerk-Lernmethoden erfassen, wie Muster gemeinsamer Aktivität in dieser Gehirnkarte mit realen Leistungsmaßen wie Reaktionsgeschwindigkeit, Bewegungsgenauigkeit und frühen Ermüdungszeichen zusammenhängen. Das Modell wird so trainiert, dass die gelernten Gehirnverbindungen nahe an aus der Neurowissenschaft bekannten Mustern bleiben, wodurch das System biologisch verankert bleibt und nicht zu einer Black Box wird.

Gehirn-, Bewegungs- und Körpersignale zusammenführen

Aufbauend auf diesem gehirnzentrischen Kern stellen die Autorinnen und Autoren einen zweiten Rahmen namens NeuroSportSync vor, der Gehirndaten mit Bewegungs-, Muskel- und Herzsignalen verknüpft, die während des Trainings aufgezeichnet werden. Da jeder Sensor auf unterschiedlichen Zeitskalen und in unterschiedlichen Bereichen arbeitet, passt das System zunächst alle Ströme in Zeit und Skala an und normalisiert sie. Anschließend wählt es die informativsten Teile aus und komprimiert sie in eine gemeinsame verborgene Repräsentation. Ein aufmerksamkeitähnlicher Mechanismus erlaubt dem Modell, sich in jedem Moment auf die jeweils wichtigsten Signale zu konzentrieren, etwa die Kniebewegung bei Richtungswechseln oder frontale Gehirnaktivität bei mental anspruchsvollen Übungen. Diese kombinierten Signale fließen in ein Netzwerk, das sowohl die Leistung vorhersagt als auch die Wahrscheinlichkeit, dass ein Athlet in einen riskanten Zustand gerät.

Stille Warnzeichen erkennen, bevor Verletzungen passieren

Die Studie betont, dass viele nicht-kontaktbedingte Verletzungen, etwa Bandrisse, sowohl im Nervensystem als auch in Muskeln und Gelenken ihre Wurzeln haben. Frühere Forschung hat gezeigt, dass Veränderungen in Gehirnregionen, die an Bewegungsplanung, Lagewahrnehmung der Gelenke und der Filterung von Ablenkungen beteiligt sind, Tage oder Wochen vor einer sichtbaren Verletzung auftreten können. Die Autorinnen und Autoren nutzen solche Erkenntnisse, um in ihrem System Marker für hohes und niedriges Verletzungsrisiko zu definieren. Ihr Modell sucht nach Mustern wie Verschiebungen in Gehirnrhythmen und geschwächten Verbindungen zwischen Schlüsselregionen und kombiniert diese mit Körpermaßen wie Herzrhythmus oder Muskelaktivität. In Tests mit Datensätzen von Gehirnsignalen übertraf dieser Ansatz Standardmethoden, die einfachere Statistiken und klassische Machine-Learning-Verfahren verwenden, und zeigte eine bessere Genauigkeit darin, zu erkennen, wann Athleten gut performten und wann sie ein erhöhtes Risiko hatten.

Was das für die Zukunft des Trainings bedeutet

Die Arbeit weist einen Weg zu Trainingsplänen, die nicht nur darauf reagieren, wie schnell oder stark jemand ist, sondern darauf, wie Gehirn und Körper an einem bestimmten Tag mit Belastung umgehen. In der Praxis könnten solche Systeme beispielsweise leichtere Übungen empfehlen, wenn die mentale Ermüdung steigt, versteckte Risiken vor einer schweren Verletzung melden oder das Fertigkeitstraining anpassen, je nachdem wie das Gehirn eines Athleten neue Bewegungen lernt. Die Autorinnen und Autoren weisen darauf hin, dass die derzeitige Hardware noch komplex und kostspielig ist und dass weitere Studien mit echten Teams und Sportarten nötig sind. Dennoch bietet ihr neurobildgebungsgetriebener Empfehlungsrahmen eine Blaupause dafür, gehirnbewusste Personalisierung in den Alltag des Sports zu bringen — mit den Zielen besserer Leistung und sichererem Spiel.

Zitation: Zhu, D., Li, Q., Li, M. et al. Neuroimaging-driven recommendation systems for personalized sports training and injury prevention. Sci Rep 16, 14783 (2026). https://doi.org/10.1038/s41598-026-39956-9

Schlüsselwörter: Neurobildgebung, Sporttraining, Verletzungsprävention, Gehirnsignale, personalisiertes Coaching