חיזוי איכות השינה בספורטאי כדורסל באמצעות מסגרת למידה עמוקה עם מנגנון תשומת לב המבוסס על נתונים מולטימודאליים

מדוע השינה חשובה לספורטאים סטודנטים

לשחקני כדורסל במכללות, שעות למידה מאוחרות, אימונים מוקדמים בבוקר ומשחקים מלחיצים לעתים קרובות מתנגשים ומותירים מעט מקום לשינה איכותית. ובכל זאת, בשינה הגוף מתקנים שרירים, המוח מקבע למידה והרגשות מתאזנים. המחקר הזה שואל שאלת יישום עם השלכות רחבות על בריאות וביצועי השחקן: האם אפשר להשתמש בבדיקות ושאלונים פשוטים שהקבוצות כבר אוספות — כמו מדדי כושר, משקל גוף ורמות סטרס — כדי באופן אוטומטי לסמן אילו ספורטאים בסיכון לשינה לקויה?

מבט על הספורטאי כולו

במקום להתמקד במספר יחיד, כמו שעות שינה או קריאת שעון חכם, החוקרים אימצו מבט רחב על מה שעוצב את השינה. הם עבדו עם קבוצות כדורסל אוניברסיטאיות בשמונה פרובינציות בסין ואספו נתונים מ-379 שחקנים. כל ספורטאי מילא שאלונים פסיכולוגיים סטנדרטיים על חרדה ותפיסת סטרס, סקר איכות שינה נפוץ וטופס מקוון על גיל, מין, שנת לימודים ורקע אימונים. במקביל, הצוות לאימוני הגוף מדד גובה, משקל, קיבולת ריאות, מהירות ספרינט, כוח קפיצה, בדיקות כוח כמו מתח או כפיפות בטן וסיבולת ריצה במסלול. השילוב הזה יצר פרופיל עשיר של גוף ונפש עבור כל שחקן.

הפיכת הנתונים לרמות סיכון שינה

כדי להפוך את התוצאות לשימושיות למאמנים ולצוותי בריאות, החוקרים קיבצו את השחקנים לשלוש קטגוריות על בסיס ציוני שאלון השינה: שינה טובה, בעיות בינוניות ושינה לקויה. כמעט מחצית מהספורטאים נכנסו לקבוצת השינה הלקויה, מה שמדגיש עד כמה בעיות שינה נפוצות בספורט המכללתי. הצוות לאחר מכן ניקו וסטנדרטו את הנתונים, מילאו ערכים חסרים ושימושו בפרופילים אלו לאימון מספר מודלים ממוחשבים. שיטות מסורתיות כגון רגרסיה לוגיסטית ושיטות מבוססות עץ הושוו למודל למידה עמוקה גמיש יותר שנקרא רב-שכבתי עם מנגנון תשומת לב. המודל הזה יכול ללמוד אילו מקטעי מידע ראויים ל"תשומת לב" רבה יותר בעת חיזוי, ומאפשר לו לשקלל גורמים פיזיים, פסיכולוגיים ורקע בצורה שונה.

מה המודל החכם למד

המודל המבוסס תשומת לב עשה עבודה קצת טובה יותר מאשר המודלים המסורתיים במיון השחקנים לשלוש קבוצות השינה. הדיוק הכולל שלו היה כ-73%, עם איזון גבוה יותר בזיהוי הנכון של כל קבוצה לעומת השיטות האחרות. עם זאת, השיפור היה צנוע ולא דרמטי, והמודל התקשה בעיקר עם הקבוצה האמצעית, "הבעייתית בינונית", שבה השינה אינה טובה בבירור או רעה בבירור. זה מציע שמקרים בשוליים באמת קשים להבחנה באמצעות המדידות הנוכחיות. כאשר החוקרים ניסו טכניקות שמאזנות מחדש את הנתונים בצורה מלאכותית — על ידי מתן משקל יתר למקרים שלא מיוצגים או יצירת דוגמאות סינתטיות — המודל השתפר בזיהוי הקבוצה הבינונית, אם כי בעלות קטנה לדיוק הכולל.

רמזים מהגוף ומהנפש

כדי להימנע ממערכת "קופסה שחורה", המחקר גם בחן אילו תכונות נראה שהמודל סומך עליהן ביותר. שימשו שתי כלים משלימים: מנגנון התשומה בתוך הרשת, שמדגיש היכן המודל מתמקד, ושיטה בשם SHAP, שמעריכה עד כמה כל גורם דוחף את התחזיות לכיוון שינה טובה או רעה. בכל התצפיות הללו, העומס הפסיכולוגי — במיוחד חרדה ותפיסת סטרס — בלט כקשור חזק לשינה לקויה. מדד מסת הגוף (יחס פשוט של משקל לגובה) וכמה מדדי כושר, כמו כוח פלג עליון וקיבולת ריאות, גם הם שיחקו תפקיד חשוב, לצד שנת הלימודים ותדירות האימונים. בדיקות כושר בודדות רבות הראו רק קשרים ישירים חלשים עם השינה כאשר נבחנות אחת-אחת, אך יחד הן עדיין הוסיפו מידע שימושי, במיוחד כאשר שולבו עם מדדי בריאות הנפש.

מה זה אומר לקבוצות

עבור מאמנים, מטפלים וצוותי בריאות אוניברסיטאיים, המסר המרכזי הוא לא שמחשב יכול לאבחן באופן סופי מי ישן רע, אלא שפרקי מידע יומיומיים יכולים לסייע לסמן ספורטאים שעשויים להזדקק לתשומת לב קרובה יותר. הגישה של למידה עמוקה סיפקה רווחים קטנים אך מהימנים סטטיסטית על פני מודלים פשוטים יותר, והדגישה שחרדה, סטרס ומשקל הם בין הסימנים המנבאים החשובים ביותר. מאחר שהמודל מפגין ביצועים גרועים יותר עבור ה"בינוניים" בשינה, המחברים ממליצים להשתמש בו ככלי סינון ושליטה: לזהות שחקנים בסיכון מוגבר ואז להמשיך בשיחות, הערכות מפורטות יותר ואם צריך — טיפול מקצועי. עבודות עתידיות שיכללו מידע התנהגותי ולוח זמנים — כגון שימוש בקפאין, זמן מסך בלילה ושעות אימון — עשויות לחדד את התחזיות הללו ולעזור לקבוצות להגן טוב יותר על הביצועים והבריאות לטווח הארוך.

ציטוט: 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

מילות מפתח: שנת ספורטאי, ביצועי כדורסל, פסיכולוגיה של ספורט, למידת מכונה ובריאות, ספורטאים באוניברסיטה