マルチモーダルデータに基づく注意機構を備えた深層学習フレームワークによるバスケットボール選手の睡眠の質予測

学生アスリートにとって睡眠が重要な理由

大学のバスケットボール選手は、夜遅くまでの勉強、早朝の練習、プレッシャーの高い試合が重なり、十分な睡眠を確保しにくいことがよくあります。しかし、睡眠は筋肉の修復、学習の定着、感情の安定化が行われる時間です。本研究は、チームがすでに収集しているような簡便な検査や質問票—体力スコア、体重、ストレス度など—を使って、睡眠不良のリスクがある選手を自動的に検出できるかという実用的かつ重要な問いを投げかけます。

選手を包括的に見る

睡眠時間やウェアラブルの一つの指標に注目する代わりに、研究者は睡眠に影響する要素を広く捉えました。中国の8省にわたる大学バスケットボールチームと協力し、379人の選手からデータを収集しました。各選手は不安や知覚ストレスに関する標準的な心理質問票、広く使われる睡眠の質アンケート、年齢・性別・学年・トレーニング歴に関するオンラインフォームに回答しました。同時に、体育スタッフは身長・体重・肺活量・スプリント速度・ジャンプ力・懸垂や腹筋などの筋力テスト、トラックでの持久走などを計測しました。こうして各選手の身体面と心理面を合わせた詳細なプロファイルが作られました。

データを睡眠リスクの段階に変換する

コーチや保健スタッフにとって役立つように、研究者は睡眠質問票のスコアに基づいて選手を良好・中等度問題・不良の三つのグループに分類しました。約半数近くが不良睡眠群に入っており、大学スポーツで睡眠問題がいかに一般的かを示しています。研究チームはデータをクリーンアップして標準化し、欠損値を補完したうえで、これらのプロファイルを使って複数の計算モデルを学習させました。ロジスティック回帰やツリー系手法などの従来法と、注意機構を備えた多層パーセプトロン（注意ベースの深層学習モデル）を比較しました。このモデルは予測時にどの情報により「注意」を払うべきかを学習でき、身体的・心理的・背景要因を異なる重みで評価できます。

賢いモデルが学んだこと

注意ベースのモデルは、従来モデルより三分類でやや良い結果を示しました。全体の精度は約73%で、各グループを正しく識別するバランスが他の手法より明らかに良好でした。ただし、改善は劇的というより小幅であり、モデルが最も苦戦したのは中間の「中等度」グループでした。これは、現行の測定項目だけでは境界的なケースを区別するのが本当に難しいことを示唆します。研究者がデータの不均衡を人工的に是正する手法（代表性の低い事例に重みを与えたり合成事例を作る）を試すと、中等度グループの認識力は向上しましたが、全体精度はわずかに下がるトレードオフがありました。

身体と心からの手がかり

いわゆる“ブラックボックス”を避けるために、研究ではモデルが依拠している特徴量も検討しました。ネットワーク内部の注意機構（モデルがどこに注目しているかを示す）と、各要因が予測を良い方向・悪い方向にどれだけ押しやるかを推定するSHAPという手法の二つを補完的に用いました。これらの解析を通じて、不安や知覚ストレスなどの心理的負担が不良睡眠と強く結びつくことが明らかになりました。体格指数（体重と身長の比）や上半身の筋力、肺活量といった複数の体力指標も重要な役割を果たし、学年やトレーニング頻度も影響を与えていました。多くの個別の体力テストは単独では睡眠との直接的な関連が弱く見えましたが、心理的指標と組み合わせることで有益な情報を追加していました。

チームにとっての意味

コーチ、トレーナー、大学の保健スタッフにとっての主なメッセージは、コンピュータが睡眠不良を確定診断できるということではなく、日常的に集められるデータが注意を要する選手を見つける手助けになる、という点です。深層学習アプローチは単純なモデルに比べて小さいが統計的に信頼できる改善をもたらし、不安・ストレス・体重が有益な警告指標であることを浮き彫りにしました。モデルが「中間」睡眠者で最もうまく機能しないことから、著者らはこれをスクリーニングや優先付けのツールとして用いることを勧めています：リスクが高いと識別された選手には面談や詳細評価、必要なら専門的なケアを行う、という流れです。カフェイン摂取、夜間の画面使用、練習時間などの行動やスケジュール情報を追加すれば、予測はさらに精緻になり、選手のパフォーマンスと長期的な健康の保護に役立つ可能性があります。

引用: 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

キーワード: アスリートの睡眠, バスケットボールのパフォーマンス, スポーツ心理学, 機械学習と健康, 大学アスリート