Psychophysiologische Synergie von Athleten basierend auf künstlicher Intelligenz und Deep Learning

Warum Körpersignale Ihren mentalen Zustand verraten können

Spitzensportler und Menschen in stressbelasteten Berufen balancieren ständig zwischen Höchstleistung und Überlastung. Unser Körper sendet leise Hinweise darauf, wie gestresst, gelassen oder amüsiert wir sind — durch Herzschlag, Schweiß, Atmung und Bewegung. Diese Studie beschreibt eine neue Methode, mit der Computer diese Hinweise genauer lesen können und, genauso wichtig, angeben, wie sicher sie sich bei ihrer Einschätzung sind. Diese Kombination aus Präzision und Transparenz könnte zukünftige Wearables deutlich nützlicher und vertrauenswürdiger machen.

Verstreute Signale zu einem einzigen Bild zusammenführen

Moderne Brustgurte und Smart‑Bänder können gleichzeitig viele physiologische Signale aufzeichnen, etwa Herzfrequenzvariabilität, Hautleitfähigkeit, Atemmuster, Temperatur und Bewegung. Herkömmliche Modelle behandeln oft jeden Kanal als separaten Strom und bündeln sie einfach nebeneinander. Die Autorinnen und Autoren argumentieren, dass dadurch ein wichtiger Punkt verloren geht: der Körper ist ein integriertes System. Unter Stress verschieben sich beispielsweise Herzfrequenz, Schwitzen und Atmung typischerweise gemeinsam in einem charakteristischen Muster. Die Studie führt das Konzept eines „physiologischen Synergie‑Graphen“ ein, in dem jede Signalkategorie ein Knoten im Netzwerk ist und das Modell lernt, wie stark diese Knoten sich in jedem Moment gegenseitig beeinflussen.

Wie das neue KI‑Framework den Körper liest

Das vorgeschlagene Framework, GABT Net, kombiniert zwei mächtige Ideen aus der künstlichen Intelligenz. Erstens untersucht ein Graph‑Attention‑Netzwerk die verschiedenen Körpersignale innerhalb kurzer Zeitfenster. Es verbindet jedes Signal mit jedem anderen und lernt, welche Verknüpfungen in einem gegebenen Zustand am wichtigsten sind, sodass ein kompaktes Abbild entsteht, wie die Körpersysteme in diesem Moment zusammenwirken. Zweitens werden diese Momentaufnahmen in ein Transformer‑basiertes Zeitreihenmodell eingespeist, das verfolgt, wie sich dieses kooperative Muster über die Zeit entwickelt. Diese zeitliche Ebene erlaubt dem System, Langzeittrends zu erkennen, etwa einen allmählichen Stressaufbau oder die Rückkehr zu einem ruhigen Ausgangszustand.

Dem Modell erlauben, Unsicherheit einzugestehen

Die meisten Machine‑Learning‑Werkzeuge liefern eine einzelne Bestvorhersage, ohne anzugeben, wie verlässlich diese Einschätzung ist. Für Entscheidungen im Sport- und Gesundheitsbereich kann das riskant sein. GABT Net begegnet diesem Problem mit einem Bayesianischen Transformer und Monte‑Carlo‑Dropout, einer Technik, die de facto viele leicht unterschiedliche Versionen des Modells auf denselben Daten ausführt. Durch das Mittelwertbilden ihrer Ausgaben erzeugt das System sowohl eine Vorhersage als auch eine Messgröße für seine eigene Unsicherheit. Die Forschenden zeigen, dass die Genauigkeit bei Stress‑ und Emotionszuständen sehr hoch ist, wenn das Modell hohe Zuversicht meldet, und dass bei hoher interner „Entropie“ eher Fehler auftreten. So lassen sich Fälle markieren, in denen Trainer, Ärztinnen/Ärzte oder Nutzer Vorsicht walten lassen sollten.

Wie gut das System in Tests abschneidet

Das Team evaluiert GABT Net an einem weit verbreiteten Datensatz, in dem Freiwillige Brustsensoren trugen und sich durch ruhige Baseline‑Phasen, stressige Aufgaben und amüsante Aktivitäten bewegten. Mit einem gleitenden Fenster über den Signalen und einem strikten cross‑subject Testaufbau erreichte das Modell etwa 96 Prozent Gesamtgenauigkeit und eine makro‑F1‑Score von über 0,94 und übertraf damit mehrere starke Baselines, darunter Bi‑LSTM‑Netzwerke und Standard‑Transformer. Es schlug außerdem jüngste State‑of‑the‑Art‑Methoden, die konvolutionale und rekurrente Netzwerke mischen. Trotz dieser starken Leistung bleibt das Modell relativ kompakt und effizient, mit weniger Parametern und schnelleren Vorhersagezeiten als konkurrierende Ansätze — ein wichtiger Vorteil für den Einsatz auf Wearables oder Edge‑Geräten.

Was das für Athleten und Alltagsnutzer bedeutet

Einfach gesagt zeigt diese Forschung, dass ein KI‑System nicht nur subtile Muster über mehrere Körpersignale hinweg lesen kann, um Stress‑ und Emotionszustände zu erkennen, sondern auch einschätzen kann, wie vertrauenswürdig seine eigenen Antworten sind. Für Athleten könnten daraus Trainingswerkzeuge entstehen, die vor zunehmender psychischer Belastung warnen, bevor Leistungseinbrüche oder Verletzungsrisiken auftreten, und die wissen, wann sie lieber „um Hilfe bitten“ sollten statt irreführendes Feedback zu geben. Für breitere Gesundheits‑ und Arbeitsanwendungen könnten die gleichen Prinzipien eine sicherere, dauerhafte Überwachung von Stress und Stimmung unterstützen. Realwelttests in lauten Sportumgebungen und die Personalisierung für Individuen sind noch offene Schritte, doch die Studie liefert eine vielversprechende Blaupause für intelligentere und transparentere Mind‑Body‑Tracking‑Technologien.

Zitation: 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

Schlüsselwörter: Stressüberwachung, tragbare Sensoren, Athletenphysiologie, Emotionserkennung, Deep Learning