Vorhersage der Schlafqualität bei Basketballspielern mittels eines Deep-Learning‑Rahmenwerks mit Aufmerksamkeitsmechanismus auf Basis multimodaler Daten

Warum Schlaf für studentische Athleten wichtig ist

Für College‑Basketballspieler kollidieren nächtliche Lernphasen, frühmorgendliche Trainingseinheiten und leistungsintensive Spiele oft, sodass wenig Raum für erholsamen Schlaf bleibt. Dabei repariert der Körper in dieser Zeit Muskeln, das Gehirn konsolidiert Gelerntes und Emotionen stabilisieren sich. Diese Studie stellt eine praktische Frage mit großer Bedeutung für Gesundheit und Leistung der Spieler: Lassen sich einfache Tests und Fragebögen, die Teams bereits erheben – etwa Fitnesswerte, Körpergewicht und Stresslevel – dazu verwenden, automatisch zu erkennen, welche Athleten ein Risiko für schlechten Schlaf haben?

Den gesamten Athleten betrachten

Anstatt sich auf eine einzelne Größe wie Schlafdauer oder einen Messwert von Wearables zu konzentrieren, nahmen die Forschenden ein breites Spektrum der Einflussfaktoren in den Blick. Sie arbeiteten mit Universitätsbasketballteams aus acht Provinzen in China und sammelten Daten von 379 Spielern. Jeder Athlet füllte standardisierte psychologische Fragebögen zu Angst und wahrgenommenem Stress, eine weit verbreitete Schlafqualitätsbefragung sowie ein Online‑Formular zu Alter, Geschlecht, Studienjahr und Trainingshintergrund aus. Parallel dazu erfasste das Sportpersonal Körpergröße, Gewicht, Lungenvolumen, Sprintgeschwindigkeit, Sprungkraft, Krafttests wie Klimmzüge oder Sit‑ups und Ausdauerleistungen auf der Bahn. Diese Kombination schuf für jede Spielerin/jeden Spieler ein reichhaltiges Profil von Körper und Psyche.

Daten in Schlafrisikostufen übersetzen

Um die Ergebnisse für Trainer und Gesundheitspersonal nutzbar zu machen, gruppierten die Forschenden die Spieler anhand ihrer Schlaffragebogenwerte in drei Kategorien: guter Schlaf, moderate Probleme und schlechter Schlaf. Fast die Hälfte der Athleten fiel in die Gruppe mit schlechtem Schlaf, was verdeutlicht, wie verbreitet Schlafprobleme im College‑Sport sind. Das Team bereinigte und standardisierte die Daten, füllte fehlende Werte auf und nutzte diese Profile zur Schulung verschiedener Computermodelle. Klassische Methoden wie logistische Regression und baumbasierte Verfahren wurden mit einem flexibleren Deep‑Learning‑Modell verglichen, einem auf Aufmerksamkeit basierenden mehrschichtigen Perzeptron. Dieses Modell kann lernen, welchen Informationen bei der Vorhersage mehr "Aufmerksamkeit" geschenkt werden sollte, sodass es körperliche, psychologische und Hintergrundfaktoren unterschiedlich gewichten kann.

Was das intelligente Modell gelernt hat

Das auf Aufmerksamkeit basierende Modell ordnete die Athleten in den drei Schlafgruppen etwas besser ein als die traditionellen Modelle. Seine Gesamtgenauigkeit lag bei etwa 73 % und es zeigte eine spürbar ausgewogenere Identifikation der einzelnen Gruppen als die anderen Methoden. Die Verbesserung war jedoch moderat statt dramatisch, und am schwierigsten tat sich das Modell mit der mittleren „moderat“‑Gruppe, in der Schlaf weder eindeutig gut noch eindeutig schlecht ist. Das deutet darauf hin, dass Grenzfälle mit den aktuellen Messungen genuin schwer zu unterscheiden sind. Als die Forschenden Techniken anwendeten, die die Daten künstlich ausbalancieren – etwa durch höhere Gewichtung unterrepräsentierter Fälle oder die Erzeugung synthetischer Beispiele – wurde das Modell besser darin, diese moderate Gruppe zu erkennen, allerdings zu einem kleinen Preis bei der Gesamtgenauigkeit.

Hinweise aus Körper und Geist

Um ein "Black‑Box"‑System zu vermeiden, untersuchte die Studie auch, auf welche Merkmale das Modell offenbar am stärksten setzte. Zwei ergänzende Werkzeuge kamen zum Einsatz: der Aufmerksamkeitsmechanismus innerhalb des Netzes, der zeigt, worauf das Modell fokussiert, und eine Methode namens SHAP, die abschätzt, wie stark jeder Faktor die Vorhersagen in Richtung besseren oder schlechteren Schlafes verschiebt. Über beide Perspektiven hinweg hob sich psychische Belastung – insbesondere Angst und wahrgenommener Stress – als stark mit schlechtem Schlaf verbunden hervor. Der Body‑Mass‑Index (ein einfaches Verhältnis von Gewicht zu Größe) und mehrere Fitnessmaße wie Oberkörperkraft und Lungenkapazität spielten ebenfalls eine wichtige Rolle, ebenso das Studienjahr und die Trainingshäufigkeit. Viele einzelne Fitnesstests zeigten einzeln betrachtet nur schwache direkte Zusammenhänge mit dem Schlaf, doch zusammen lieferten sie weiterhin nützliche Informationen, besonders in Kombination mit Maßnahmen zur psychischen Gesundheit.

Was das für Teams bedeutet

Für Trainer, Betreuer und Universitätsgesundheitspersonal ist die Hauptbotschaft nicht, dass ein Computer definitiv diagnostizieren kann, wer schlecht schläft, sondern dass alltäglich verfügbare Daten helfen können, Athleten zu identifizieren, die eine genauere Beobachtung brauchen. Der Deep‑Learning‑Ansatz lieferte kleine, aber statistisch verlässliche Verbesserungen gegenüber einfacheren Modellen und hob hervor, dass Angst, Stress und Gewicht zu den aussagekräftigsten Warnsignalen gehören. Da das Modell bei den "Zwischenschläfern" am schlechtesten abschneidet, empfehlen die Autorinnen und Autoren, es als Screening‑ und Triage‑Werkzeug zu verwenden: höheres Risiko erkennen und dann mit Gesprächen, detaillierteren Assessments und gegebenenfalls professioneller Betreuung nachfassen. Zukünftige Arbeiten, die Verhaltens‑ und Zeitplaninformationen ergänzen – etwa Koffeinkonsum, nächtliche Bildschirmzeit und Trainingszeiten – könnten diese Vorhersagen schärfen und Teams dabei helfen, sowohl Leistung als auch langfristige Gesundheit besser zu schützen.

Zitation: Liu, L., Miao, J. Sleep quality prediction in basketball athletes using a deep learning framework with an attention mechanism based on multimodal data. Sci Rep 16, 11900 (2026). https://doi.org/10.1038/s41598-026-42147-1

Schlüsselwörter: Schlaf von Athleten, Basketball‑Leistung, Sportpsychologie, Machine‑Learning Gesundheit, College‑Athleten