Erkennung neuromuskulärer und mentaler Ermüdung bei Elite-Jugend-Tischtennisspielern mittels Maschinellem Lernen

Warum Ermüdung bei jungen Athleten wichtig ist

Für junge Tischtennisspieler, die Spitzenleistungen anstreben, ist Ermüdung mehr als nur ein leichtes Müdigkeitsgefühl. Sowohl Körper als auch Geist können unbemerkt Reaktionen verlangsamen, die Technik verändern und das Risiko für Fehler oder sogar Verletzungen erhöhen. Trainer haben jedoch selten ein objektives, Echtzeit-Instrument, um zu erkennen, wann ein Spieler mental oder körperlich ermüdet ist. Diese Studie untersucht, ob ein intelligenter, mit Sensoren ausgestatteter Schläger und moderne Mustererkennungsalgorithmen winzige Veränderungen in den Schlägen eines Spielers lesen können, um seinen verborgenen Ermüdungszustand aufzudecken.

Ein intelligenter Schläger, der jeden Schlag spürt

Das Forscherteam arbeitete mit neun der besten französischen jugendlichen Tischtennisspieler. Sie verwandelten einen gewöhnlichen Schläger in ein Messinstrument, indem sie einen winzigen dreidimensionalen Bewegungssensor im Griff und vier Drucksensoren an den Stellen anbrachten, an denen die Hand den Schläger hält sowie Daumen und Zeigefinger auf dem Blatt ruhen. Jedes Mal, wenn der Spieler den Ball traf, zeichnete der Schläger auf, wie schnell er sich bewegte und wie fest die Hand an verschiedenen Punkten drückte. Diese Signale wurden mit sehr hoher Abtastrate erfasst, zur Rauschminderung gefiltert, normalisiert und dann zu einer einzigen Datenkurve für jeden Schlag zusammengeführt.

Konzeption ermüdeter und frischer Spielsituationen

Um diese Schlagmuster mit verschiedenen Ermüdungsformen zu verknüpfen, schufen die Wissenschaftler sorgfältig drei getrennte Bedingungen. In der einen führten die Spieler eine anspruchsvolle computerbasierte Aufmerksamkeitsaufgabe für 90 Minuten aus, die dafür bekannt ist, mentale Energie zu entziehen, ohne direkt die Muskeln zu ermüden. In einer anderen absolvierten sie wiederholt intensive exzentrische Kontraktionen des Bizeps des Spielarms, bis sie etwa 15 % ihrer maximalen Ellenbogenkraft verloren hatten, wodurch deutliche Muskelermüdung entstand. In der Kontrollbedingung sahen sie sich lediglich einen kognitiv neutralen Film an. Vor und nach jeder Sitzung absolvierten die Spieler einen standardisierten Tischtennistest mit einem Ballwurfsroboter, wobei Ballgeschwindigkeit, Genauigkeit und Fehleranzahl gemessen wurden. Sie berichteten außerdem, wie müde sie sich fühlten und wie anstrengend die Aufgaben erschienen, und ihre Armkraft wurde mit einem speziellen Kraftmessgerät überprüft.

Von verborgenen Schlagveränderungen zu erkannten Mustern

Die subjektiven Angaben und Krafttests bestätigten, dass die mentalen und physischen Protokolle die Spieler tatsächlich ermüdeten: Mentale Ermüdung erhöhte das wahrgenommene Anstrengungsgefühl und die Müdigkeit, und körperliche Ermüdung verringerte wie geplant die Armkraft. Überraschenderweise änderten sich klassische Leistungsmaße wie Ballgeschwindigkeit und Genauigkeit über die Bedingungen hinweg kaum in einer klaren, statistisch robusten Weise, insbesondere in dieser kleinen Gruppe hochqualifizierter Jugendlicher. Als sich die Forscher jedoch den reichhaltigen Sensordaten des Schlägers zuwandten, zeigte sich eine andere Geschichte. Sie fütterten Tausende von gekennzeichneten Schlägen – jeder markiert als aus einer mental ermüdeten, körperlich ermüdeten oder Kontroll-Sitzung stammend – in eine Reihe überwachter Machine-Learning-Modelle, darunter k‑nearest neighbors und Random Forests. Diese Algorithmen lernten, subtile Verschiebungen in Beschleunigungskurven und Griffdruck zu erkennen, die mit bloßem Auge nicht sichtbar sind.

Computern beibringen, ermüdete Spieler zu erkennen

Als das Ziel lediglich war zu entscheiden, ob ein Schlag aus einem ermüdeten oder nicht ermüdeten Zustand stammte, klassifizierte das beste Modell, k‑nearest neighbors, etwa 84 % der Fälle korrekt. Als die Modelle gefordert wurden, zwischen drei spezifischen Zuständen – kein Ermüdung, mentale Ermüdung und körperliche Ermüdung – zu unterscheiden, erreichte das Random-Forest-Modell rund 82 % Genauigkeit. Das bedeutet, dass, obwohl die Spieler den Ball weiterhin ungefähr mit derselben Geschwindigkeit und Präzision trafen, ihre Schläger‑„Signatur“ sich genug verändert hatte, damit ein datengetriebenes System dies erkennen konnte. Anspruchsvollere Tests, die versuchten, über Spieler hinweg zu generalisieren, zeigten geringere Erfolge, vor allem weil die Stichprobe klein war und jeder Athlet einen einzigartigen Stil hat, deuten aber darauf hin, dass ein erneutes Training der Modelle innerhalb einer stabilen Elite‑Trainingsgruppe machbar ist.

Was das für Training und Gesundheit bedeutet

Alltagssprachlich zeigt diese Studie, dass ein intelligenter Schläger und die richtigen Algorithmen beobachten können, wie sich ein junger Athlet bewegt, und leise melden, wenn Körper oder Geist zur Neige gehen, noch bevor offensichtliche Fehler auftreten. Trainer könnten solche Werkzeuge künftig nutzen, um Trainingsbelastungen zu steuern, Überlastungen zu verhindern und taktische oder mentale Pausen während Training und Wettkampf präziser zu timen. Zwar werden mehr Spieler, mehr Sensoren und Echtzeitsysteme nötig sein, bevor dies zu einem standardmäßigen Hilfsmittel an der Seitenlinie wird, doch die Kernbotschaft ist klar: Subtile Veränderungen darin, wie wir Schläger halten und schwingen, können verraten, ob wir frisch, mental erschöpft oder muskulär ermüdet sind – und Maschinen sind bereits gut genug, um den Unterschied zu erkennen.

Zitation: Delumeau, T., Deschamps, T., Plot, C. et al. Identifying neuromuscular and mental fatigue in elite youth table tennis players using machine learning. Sci Rep 16, 11812 (2026). https://doi.org/10.1038/s41598-026-40324-w

Schlüsselwörter: Tischtennis, Sportermüdung, tragbare Sensoren, maschinelles Lernen, Jugendliche Athleten