Prédiction de la qualité du sommeil chez les basketteurs universitaires à l’aide d’un cadre d’apprentissage profond avec mécanisme d’attention basé sur des données multimodales

Pourquoi le sommeil compte pour les étudiants-athlètes

Pour les joueurs de basket-ball universitaires, les révisions tardives, les entraînements tôt le matin et les matches sous haute pression se combinent souvent et laissent peu de place à un sommeil réparateur. Pourtant, c’est pendant le sommeil que le corps répare les muscles, que l’esprit consolide les apprentissages et que les émotions se régulent. Cette étude pose une question pragmatique aux implications importantes pour la santé et la performance des joueurs : peut-on utiliser des tests simples et des questionnaires déjà collectés par les équipes — comme les scores de condition physique, le poids corporel et le niveau de stress — pour signaler automatiquement quels athlètes risquent d’avoir un mauvais sommeil ?

Prendre en compte l’athlète dans sa globalité

Plutôt que de se concentrer sur un seul indicateur, comme le nombre d’heures de sommeil ou une lecture d’un wearable, les chercheurs ont adopté une vue large de ce qui façonne le sommeil. Ils ont travaillé avec des équipes universitaires de basket-ball dans huit provinces de Chine et recueilli des données auprès de 379 joueurs. Chaque athlète a complété des questionnaires psychologiques standard sur l’anxiété et le stress perçu, un questionnaire largement utilisé pour évaluer la qualité du sommeil, ainsi qu’un formulaire en ligne sur l’âge, le sexe, l’année d’études et l’historique d’entraînement. Parallèlement, le personnel d’éducation physique a mesuré la taille, le poids, la capacité pulmonaire, la vitesse de sprint, la puissance de saut, des tests de force comme les tractions ou les crunchs, et l’endurance à la course. Cette combinaison a créé pour chaque joueur un profil riche du corps et de l’esprit.

Transformer les données en niveaux de risque de sommeil

Pour rendre les résultats utiles aux entraîneurs et au personnel de santé, les chercheurs ont regroupé les joueurs en trois catégories selon leurs scores au questionnaire de sommeil : bon sommeil, problèmes modérés et mauvais sommeil. Près de la moitié des athlètes se situaient dans le groupe de mauvais sommeil, ce qui souligne la fréquence des troubles du sommeil dans le sport universitaire. L’équipe a ensuite nettoyé et standardisé les données, comblé les valeurs manquantes et utilisé ces profils pour entraîner plusieurs modèles informatiques. Des méthodes traditionnelles comme la régression logistique et les approches basées sur les arbres ont été comparées à un modèle d’apprentissage profond plus flexible appelé perceptron multicouche à mécanisme d’attention. Ce modèle peut apprendre quelles informations méritent plus « d’attention » lors des prédictions, ce qui lui permet de pondérer différemment les facteurs physiques, psychologiques et contextuels.

Ce que le modèle intelligent a appris

Le modèle à attention s’est montré un peu meilleur que les modèles traditionnels pour classer les athlètes dans les trois groupes de sommeil. Sa précision globale était d’environ 73 %, avec un équilibre notablement supérieur entre l’identification correcte de chaque groupe par rapport aux autres méthodes. Cependant, l’amélioration était modeste plutôt que spectaculaire, et le modèle éprouvait le plus de difficultés avec le groupe intermédiaire « modéré », où le sommeil n’est ni clairement bon ni clairement mauvais. Cela suggère que les cas frontières sont réellement difficiles à distinguer avec les mesures actuelles. Lorsque les chercheurs ont essayé des techniques qui rééquilibrent artificiellement les données — en donnant plus de poids aux cas sous-représentés ou en créant des exemples synthétiques — le modèle est devenu meilleur pour reconnaître ce groupe modéré, au prix d’une légère baisse de la précision globale.

Indices venant du corps et de l’esprit

Pour éviter un système « boîte noire », l’étude a également examiné sur quelles caractéristiques le modèle semblait s’appuyer le plus. Deux outils complémentaires ont été utilisés : le mécanisme d’attention à l’intérieur du réseau, qui met en évidence les points de concentration du modèle, et une méthode appelée SHAP, qui estime dans quelle mesure chaque facteur pousse les prédictions vers un meilleur ou un pire sommeil. Dans ces deux approches, la contrainte psychologique — en particulier l’anxiété et le stress perçu — s’est démarquée comme fortement liée au mauvais sommeil. L’indice de masse corporelle (un ratio simple poids/taille) et plusieurs mesures de condition physique, comme la force du haut du corps et la capacité pulmonaire, ont également joué un rôle important, ainsi que l’année d’étude et la fréquence d’entraînement. Beaucoup de tests de condition physique pris isolément montraient des liens directs faibles avec le sommeil, mais pris ensemble ils apportaient tout de même des informations utiles, surtout combinés aux mesures de santé mentale.

Ce que cela signifie pour les équipes

Pour les entraîneurs, préparateurs physiques et services de santé universitaires, le message principal n’est pas qu’un ordinateur puisse diagnostiquer de façon définitive qui dort mal, mais que les données courantes peuvent aider à repérer les athlètes qui méritent une attention plus étroite. L’approche d’apprentissage profond a apporté des gains faibles mais statistiquement fiables par rapport à des modèles plus simples, et elle a mis en évidence que l’anxiété, le stress et le poids figurent parmi les signes d’alerte les plus informatifs. Parce que le modèle est moins performant pour les dormeurs « intermédiaires », les auteurs recommandent de l’utiliser comme outil de dépistage et de triage : identifier les joueurs à risque élevé, puis effectuer des suivis par des entretiens, des évaluations plus détaillées et, si nécessaire, une prise en charge professionnelle. Des travaux futurs intégrant des informations comportementales et d’emploi du temps — comme la consommation de caféine, le temps d’écran le soir et les horaires d’entraînement — pourraient affiner ces prédictions et aider les équipes à mieux protéger à la fois la performance et la santé à long terme.

Citation: 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

Mots-clés: sommeil des athlètes, performance au basket, psychologie du sport, apprentissage automatique santé, athlètes universitaires