Identificazione della fatica neuromuscolare e mentale nei giovani giocatori di tennis da tavolo d’élite usando il machine learning

Perché la stanchezza nei giovani atleti è importante

Per i giovani giocatori di tennis da tavolo che mirano a prestazioni d’élite, la stanchezza è più che una semplice sensazione di affaticamento. Corpo e mente possono rallentare silenziosamente le reazioni, modificare la tecnica e aumentare il rischio di errori o persino di infortuni. Eppure gli allenatori raramente dispongono di un modo oggettivo e in tempo reale per vedere quando un giocatore è mentalmente o fisicamente affaticato. Questo studio esplora se una racchetta intelligente dotata di sensori e algoritmi moderni di riconoscimento dei modelli possa rilevare piccole variazioni nei colpi di un giocatore per rivelare il suo stato di fatica nascosto.

Una racchetta intelligente che percepisce ogni colpo

Il team di ricerca ha lavorato con nove dei migliori giovani giocatori francesi di tennis da tavolo. Hanno trasformato una racchetta comune in uno strumento di misura aggiungendo un piccolo sensore di movimento tridimensionale nel manico e quattro sensori di pressione nei punti di impugnatura della mano e dove pollice e indice si appoggiano sulla superficie. Ogni volta che il giocatore colpiva la palla, la racchetta registrava la velocità di movimento e la pressione della mano in diversi punti. Questi segnali sono stati campionati ad alta velocità, filtrati per rimuovere il rumore, normalizzati e poi uniti in una singola traccia di dati per ogni colpo.

Progettare condizioni di gioco stanco e fresco

Per collegare questi schemi di colpo con diversi tipi di fatica, gli scienziati hanno creato con cura tre condizioni separate. In una, i giocatori hanno svolto un impegnativo compito di attenzione al computer per 90 minuti, noto per esaurire l’energia mentale senza affaticare direttamente i muscoli. In un’altra, hanno eseguito ripetute contrazioni eccentriche intense del bicipite del braccio di gioco fino a perdere circa il 15% della loro forza massima del gomito, provocando una chiara fatica muscolare. Nella condizione di controllo, hanno semplicemente guardato un film cognitivamente neutro. Prima e dopo ogni sessione, i giocatori hanno completato un test standardizzato di tennis da tavolo con un robot lanciapalle, mentre venivano misurate la velocità della palla, la precisione e il numero di errori. Hanno inoltre riportato quanto si sentivano stanchi e quanto difficili apparivano i compiti, e la forza del loro braccio è stata verificata con un dispositivo speciale di misurazione della forza.

Dai cambiamenti nascosti dei colpi a schemi riconosciuti

I test soggettivi e di forza hanno confermato che i protocolli mentali e fisici hanno effettivamente reso i giocatori più stanchi e hanno alterato la loro performance: la fatica mentale ha aumentato la sensazione di sforzo e stanchezza, e la fatica fisica ha ridotto la forza del braccio come previsto. Sorprendentemente, misure classiche di prestazione come la velocità della palla e la precisione sono cambiate solo marginalmente in modo chiaro e statisticamente robusto tra le condizioni, soprattutto in questo piccolo gruppo di giovani altamente abili. Tuttavia, quando i ricercatori si sono rivolti ai ricchi dati provenienti dai sensori della racchetta, è emersa una storia diversa. Hanno alimentato migliaia di colpi etichettati—ognuno identificato come proveniente da una sessione di fatica mentale, fatica fisica o controllo—in una gamma di modelli supervisionati di machine learning, inclusi k‑nearest neighbors e random forest. Questi algoritmi hanno imparato a riconoscere sottili spostamenti nelle curve di accelerazione e nella pressione della presa che l’occhio umano non poteva vedere.

Insegnare ai computer a riconoscere i giocatori stanchi

Quando l’obiettivo era semplicemente capire se un colpo provenisse da uno stato affaticato o non affaticato, il miglior modello, k‑nearest neighbors, ha classificato correttamente circa l’84% dei casi. Quando è stato chiesto di distinguere tra tre stati specifici—nessuna fatica, fatica mentale e fatica fisica—il modello random forest ha raggiunto circa l’82% di accuratezza. Ciò significa che, anche se i giocatori riuscivano ancora a colpire la palla con velocità e precisione approssimativamente simili, la “firma” della loro racchetta era cambiata abbastanza da poter essere rilevata da un sistema basato sui dati. Test più esigenti che cercavano di generalizzare tra giocatori hanno mostrato un successo inferiore, principalmente perché il campione era piccolo e lo stile di ciascun atleta era unico, ma suggeriscono che riaddestrare i modelli all’interno di un gruppo d’allenamento d’élite stabile è fattibile.

Quali implicazioni per allenamento e salute

In termini pratici, questo studio mostra che una racchetta intelligente e gli algoritmi adeguati possono “ascoltare” come si muove un giovane atleta e segnalare silenziosamente quando il suo corpo o la sua mente stanno esaurendo le energie, anche prima che compaiano errori evidenti. Gli allenatori potrebbero in futuro usare strumenti del genere per gestire i carichi di allenamento, prevenire il sovraccarico e programmare pause tattiche o mentali in modo più preciso durante allenamenti e competizioni. Pur essendo necessari più giocatori, più sensori e sistemi in tempo reale prima che ciò diventi un ausilio standard a bordo campo, il messaggio centrale è chiaro: cambiamenti sottili nel modo in cui teniamo e oscilliamo una racchetta possono rivelare se siamo freschi, mentalmente esausti o affaticati a livello muscolare—e le macchine sono già sufficientemente capaci di distinguere queste condizioni.

Citazione: Delumeau, T., Deschamps, T., Plot, C. et al. Identifying neuromuscular and mental fatigue in elite youth table tennis players using machine learning. Sci Rep 16, 11812 (2026). https://doi.org/10.1038/s41598-026-40324-w

Parole chiave: tennis da tavolo, fatica nello sport, sensori indossabili, machine learning, atleti giovanili