Synergie psychophysique des athlètes basée sur l’intelligence artificielle et l’apprentissage profond

Pourquoi les signaux de votre corps peuvent révéler votre état mental

Les athlètes d’élite et les personnes exerçant des métiers à forte pression oscillent en permanence entre performance optimale et surcharge. Notre corps émet discrètement des indices sur notre niveau de stress, de calme ou d’amusement à travers les battements du cœur, la transpiration, la respiration et les mouvements. Cette étude explique une nouvelle manière pour les ordinateurs de lire ces indices plus précisément et, tout aussi important, d’indiquer à quel point ils sont sûrs de leurs lectures. Cette combinaison de précision et d’honnêteté pourrait rendre les futurs dispositifs portables bien plus utiles et dignes de confiance.

Transformer des signaux épars en une image cohérente

Les brassards thoraciques modernes et les bracelets intelligents peuvent enregistrer simultanément de nombreux signaux physiologiques, tels que la variabilité de la fréquence cardiaque, la conductance cutanée, les schémas respiratoires, la température et le mouvement. Les modèles informatiques traditionnels traitent souvent chaque canal comme un flux séparé et les empilent simplement. Les auteurs soulignent que cela néglige un point essentiel : le corps est un système intégré. Sous stress, par exemple, la fréquence cardiaque, la transpiration et la respiration tendent à évoluer conjointement selon un motif caractéristique. L’étude introduit l’idée d’un « graphe de synergie physiologique », où chaque type de signal est un nœud du réseau et le modèle apprend à quel point ils s’influencent mutuellement à chaque instant.

Comment le nouveau cadre d’IA lit le corps

Le cadre proposé, appelé GABT Net, combine deux idées puissantes de l’intelligence artificielle. D’abord, un réseau d’attention de graphe examine les différents signaux corporels dans chaque courte fenêtre temporelle. Il relie chaque signal à tous les autres et apprend quelles connexions comptent le plus dans un état donné, produisant un instantané compact de la façon dont les systèmes du corps coopèrent à cet instant. Ensuite, ces instantanés sont injectés dans un modèle temporel de type Transformer qui suit l’évolution de ce schéma collaboratif au fil du temps. Cette étape temporelle permet au système de détecter des tendances à long terme, comme une accumulation progressive de stress ou un retour au calme.

Permettre au modèle d’admettre son incertitude

La plupart des outils d’apprentissage automatique renvoient une meilleure estimation unique, sans indiquer la fiabilité de cette estimation. Pour des décisions réelles en sport et en santé, cela peut être risqué. GABT Net aborde ce problème en utilisant un Transformer bayésien avec dropout Monte Carlo, une technique qui exécute en pratique de nombreuses versions légèrement différentes du modèle sur les mêmes données. En moyennant leurs sorties, le système produit à la fois une prédiction et une mesure de sa propre incertitude. Les chercheurs montrent que lorsque le modèle annonce une grande confiance, sa précision sur les états de stress et d’émotion est extrêmement élevée, et lorsque son « entropie » interne est importante, les erreurs sont plus probables. Cela permet de signaler les cas où un entraîneur, un médecin ou un utilisateur devrait faire preuve de prudence.

Performance du système lors des tests

L’équipe a évalué GABT Net sur une base de données largement utilisée où des volontaires portaient des dispositifs thoraciques en passant par des périodes calmes de référence, des tâches stressantes et des activités amusantes. En utilisant une fenêtre glissante sur les signaux et une approche de test stricte inter-sujets, le modèle a atteint environ 96 % d’exactitude globale et un score F1 macro supérieur à 0,94, surpassant plusieurs références solides, y compris des réseaux BiLSTM et des Transformers standard. Il a également battu des méthodes récentes à l’état de l’art qui combinent réseaux convolutionnels et récurrents. Malgré ces performances élevées, le modèle reste relativement compact et efficace, avec moins de paramètres et des temps de prédiction plus rapides que des approches concurrentes, ce qui est important pour une exécution sur des dispositifs portables ou en périphérie.

Ce que cela signifie pour les athlètes et les utilisateurs ordinaires

Concrètement, cette recherche montre qu’un système d’IA peut non seulement lire des motifs subtils à travers plusieurs signaux corporels pour reconnaître le stress et les états émotionnels, mais aussi juger de la fiabilité de ses propres réponses. Pour les athlètes, cela pourrait se traduire par des outils d’entraînement qui signalent une montée de la contrainte mentale avant une chute de performance ou une augmentation du risque de blessure, et qui savent quand « demander de l’aide » plutôt que de fournir un retour trompeur. Pour des applications plus larges en santé et au travail, les mêmes principes pourraient permettre une surveillance continue et plus sûre du stress et de l’humeur. Bien que des tests en conditions sportives bruyantes et une personnalisation individuelle restent des étapes futures, l’étude offre une feuille de route prometteuse pour des technologies de suivi corps-esprit plus intelligentes et transparentes.

Citation: 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

Mots-clés: surveillance du stress, capteurs portables, physiologie des athlètes, reconnaissance des émotions, apprentissage profond