Sinergia psicofisica degli atleti basata su intelligenza artificiale e deep learning

Perché i segnali del corpo possono rivelare il tuo stato mentale

Atleti d’élite e persone in lavori ad alta pressione camminano costantemente su una linea sottile tra performance di picco e sovraccarico. I nostri corpi trasmettono silenziosamente indizi sul livello di stress, calma o divertimento attraverso battito cardiaco, sudorazione, respiro e movimento. Questo studio descrive un nuovo modo per i computer di leggere questi indizi in modo più accurato e, altrettanto importante, di indicare quanto siano sicuri delle loro letture. Questa combinazione di precisione e trasparenza potrebbe rendere i futuri dispositivi indossabili molto più utili e affidabili.

Trasformare segnali dispersi in un’unica immagine

I moderni cardiofrequenzimetri da torace e i braccialetti intelligenti possono registrare contemporaneamente molti segnali fisiologici, come la variabilità della frequenza cardiaca, la conduttanza cutanea, i pattern respiratori, la temperatura e il movimento. I modelli tradizionali spesso trattano ogni canale come un flusso separato e li impilano semplicemente. Gli autori sostengono che così si perde un punto chiave: il corpo è un sistema integrato. Sotto stress, per esempio, battito, sudorazione e respiro tendono a modificarsi insieme secondo uno schema caratteristico. Lo studio introduce l’idea di un “grafo di sinergia fisiologica”, in cui ogni tipo di segnale è un nodo di una rete e il modello impara quanto fortemente si influenzano a vicenda in ogni istante.

Come il nuovo framework di IA legge il corpo

Il framework proposto, chiamato GABT Net, combina due idee potenti dell’intelligenza artificiale. Primo, una graph attention network esamina i diversi segnali corporei all'interno di ciascuna breve finestra temporale. Connette ogni segnale a tutti gli altri e apprende quali collegamenti sono più rilevanti in uno stato dato, producendo un’istantanea compatta di come i sistemi del corpo stanno lavorando insieme in quel momento. Secondo, queste istantanee vengono alimentate a un modello Transformer per serie temporali che traccia come questo schema collaborativo si evolve nel tempo. Questa fase temporale permette al sistema di cogliere trend a lungo raggio, come un progressivo accumulo di stress o un ritorno alla calma di base.

Lascare che il modello ammetta quando è incerto

La maggior parte degli strumenti di machine learning fornisce una singola previsione migliore, senza indicare quanto quella previsione sia affidabile. Per decisioni nel mondo reale nello sport e nella salute, questo può essere rischioso. GABT Net affronta il problema usando un Bayesian Transformer con Monte Carlo dropout, una tecnica che esegue di fatto molte versioni leggermente diverse del modello sugli stessi dati. Mediando i loro output, il sistema produce sia una previsione sia una misura della propria incertezza. I ricercatori mostrano che quando il modello riporta alta confidenza la sua accuratezza su stati di stress ed emozione è estremamente elevata, mentre quando la sua “entropia” interna è grande gli errori sono più probabili. Questo rende possibile segnalare i casi in cui un allenatore, un medico o l'utente dovrebbero essere cauti.

Quanto bene si comporta il sistema nei test

Il team ha valutato GABT Net su un dataset ampiamente usato in cui i volontari indossavano dispositivi toracici mentre attraversavano periodi di baseline calmi, compiti stressanti e attività divertenti. Usando una finestra scorrevole sui segnali e un rigoroso approccio di test cross-subject, il modello ha raggiunto circa il 96 percento di accuratezza complessiva e un punteggio macro F1 superiore a 0,94, superando diverse robuste baseline, inclusi network BiLSTM e Transformer standard. Ha anche battuto metodi recenti all’avanguardia che combinano reti convoluzionali e ricorrenti. Nonostante queste prestazioni elevate, il modello rimane relativamente compatto ed efficiente, con meno parametri e tempi di predizione più rapidi rispetto ad approcci concorrenti, caratteristica importante per l’esecuzione su dispositivi indossabili o edge.

Cosa significa per atleti e utenti comuni

In parole semplici, questa ricerca dimostra che un sistema di IA può non solo leggere pattern sottili attraverso molteplici segnali corporei per riconoscere stress e stati emotivi, ma può anche giudicare quanto siano affidabili le proprie risposte. Per gli atleti ciò potrebbe tradursi in strumenti di allenamento che avvertono di un crescente carico mentale prima che la performance cali o aumenti il rischio di infortunio, e che sappiano quando “chiedere aiuto” invece di fornire feedback fuorvianti. Per applicazioni più ampie in ambito sanitario e lavorativo, gli stessi principi potrebbero supportare un monitoraggio continuo e più sicuro di stress e umore. Sebbene test nel mondo reale in ambienti sportivi rumorosi e la personalizzazione per individui rimangano passi futuri, lo studio offre un progetto promettente per tecnologie di monitoraggio mente-corpo più intelligenti e trasparenti.

Citazione: 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

Parole chiave: monitoraggio dello stress, sensori indossabili, fisiologia degli atleti, riconoscimento delle emozioni, deep learning