Predizione della qualità del sonno negli atleti di basket usando un framework di deep learning con meccanismo di attenzione basato su dati multimodali

Perché il sonno è importante per gli studenti-atleti

Per i giocatori di basket universitari, sessioni di studio a tarda notte, allenamenti all’alba e partite ad alta pressione spesso si sovrappongono, lasciando poco spazio a un buon riposo. Eppure il sonno è il momento in cui il corpo ripara i muscoli, la mente consolida l’apprendimento e le emozioni si stabilizzano. Questo studio pone una domanda pratica dalle grandi implicazioni per la salute e le prestazioni degli atleti: possiamo usare test e questionari semplici che le squadre già raccolgono — come punteggi di fitness, peso corporeo e livelli di stress — per segnalare automaticamente quali atleti sono a rischio di scarsa qualità del sonno?

Considerare l’atleta nella sua globalità

Invece di concentrarsi su un singolo numero, come le ore dormite o la lettura di un dispositivo indossabile, i ricercatori hanno adottato una prospettiva ampia su ciò che influenza il sonno. Hanno collaborato con squadre universitarie di basket in otto province della Cina e raccolto dati da 379 giocatori. Ogni atleta ha compilato questionari psicologici standard su ansia e stress percepito, un questionario ampiamente usato sulla qualità del sonno e un modulo online su età, sesso, anno di studi e background di allenamento. Allo stesso tempo il personale di educazione fisica ha misurato altezza, peso, capacità polmonare, velocità nello sprint, potenza nel salto, test di forza come trazioni o addominali e resistenza alla corsa in pista. Questa combinazione ha creato un profilo ricco di corpo e mente per ciascun giocatore.

Trasformare i dati in livelli di rischio per il sonno

Per rendere i risultati utili a allenatori e staff sanitario, i ricercatori hanno raggruppato i giocatori in tre categorie basate sui punteggi del questionario sul sonno: buon sonno, problemi moderati e scarso sonno. Quasi la metà degli atleti rientrava nel gruppo con scarso sonno, sottolineando quanto siano comuni i problemi di sonno nello sport universitario. Il team ha poi ripulito e standardizzato i dati, imputato i valori mancanti e usato questi profili per addestrare diversi modelli informatici. Metodi tradizionali come la regressione logistica e approcci ad albero sono stati confrontati con un modello di deep learning più flessibile chiamato perceptrone multistrato con meccanismo di attenzione. Questo modello può apprendere quali pezzi di informazione meritano più “attenzione” nelle previsioni, permettendogli di pesare in modo diverso fattori fisici, psicologici e biografici.

Cosa ha imparato il modello intelligente

Il modello con attenzione ha fatto un lavoro leggermente migliore rispetto ai modelli tradizionali nel classificare gli atleti nelle tre categorie di sonno. La sua accuratezza complessiva era di circa il 73%, con un bilanciamento più evidente nell’identificazione corretta di ciascun gruppo rispetto agli altri metodi. Tuttavia, il miglioramento è stato modesto più che drammatico, e il modello ha incontrato maggiori difficoltà con il gruppo intermedio, “moderato”, dove il sonno non è né chiaramente buono né chiaramente scarso. Questo suggerisce che i casi borderline sono davvero difficili da distinguere con le misure attuali. Quando i ricercatori hanno provato tecniche che riequilibrano artificialmente i dati — dando peso extra ai casi sottorappresentati o creando esempi sintetici — il modello è migliorato nel riconoscere questo gruppo moderato, sebbene a un piccolo costo in termini di accuratezza complessiva.

Indizi dal corpo e dalla mente

Per evitare un sistema “scatola nera”, lo studio ha esaminato anche quali caratteristiche il modello sembrava utilizzare maggiormente. Sono stati impiegati due strumenti complementari: il meccanismo di attenzione all’interno della rete, che evidenzia dove il modello si concentra, e un metodo chiamato SHAP, che stima quanto ciascun fattore spinge le previsioni verso un sonno migliore o peggiore. In entrambe le prospettive, la tensione psicologica — in particolare ansia e stress percepito — è emersa come fortemente correlata al sonno scarso. L’indice di massa corporea (un semplice rapporto tra peso e altezza) e diverse misure di fitness, come la forza della parte superiore del corpo e la capacità polmonare, hanno anch’esse giocato un ruolo importante, insieme all’anno di studio e alla frequenza di allenamento. Molti singoli test di fitness mostravano legami diretti deboli con il sonno se esaminati uno per uno, ma insieme aggiungevano comunque informazioni utili, soprattutto se combinate con misure di salute mentale.

Cosa significa questo per le squadre

Per allenatori, preparatori e staff sanitario universitario, il messaggio principale non è che un computer possa diagnosticare in modo definitivo chi dorme male, ma che i dati di tutti i giorni possono aiutare a segnalare gli atleti che potrebbero necessitare di maggiore attenzione. L’approccio di deep learning ha fornito guadagni piccoli ma statisticamente affidabili rispetto a modelli più semplici, e ha evidenziato che ansia, stress e peso sono tra i segnali di avvertimento più informativi. Poiché il modello rende peggio per i dormitori “intermedi”, gli autori raccomandano di usarlo come strumento di screening e triage: identificare i giocatori a rischio più elevato, quindi seguire con colloqui, valutazioni più dettagliate e, se necessario, cure professionali. Lavori futuri che aggiungano informazioni sul comportamento e sul programma — come consumo di caffeina, tempo davanti allo schermo la sera e orari di allenamento — potrebbero affinare queste previsioni e aiutare le squadre a proteggere meglio sia le prestazioni sia la salute a lungo termine.

Citazione: 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

Parole chiave: sonno degli atleti, prestazioni nel basket, psicologia dello sport, machine learning salute, atleti universitari