Neuroimaging-gestuurde aanbevelingssystemen voor gepersonaliseerde sporttraining en blessurepreventie

Waarom hersenscans ertoe doen voor alledaagse sporters

De meeste mensen beschouwen hersenscans als instrumenten voor het diagnosticeren van ziekte, niet voor het bepalen van hoe je voor een race traint of een verzwikte knie kunt vermijden. Deze studie toont aan hoe het uitlezen van de hersenen tijdens beweging coaches en sporters kan helpen workouts op maat te maken, waardoor het blessurerisico afneemt en de prestatie verbetert. Door hersenactiviteit te koppelen aan lichaamssignalen zoals beweging en hartslag beschrijven de onderzoekers een systeem dat complexe neurowetenschap kan omzetten in praktische richtlijnen over wanneer je harder kunt gaan en wanneer je juist rustiger aan moet doen.

Van one-size-fits-all naar hersenbewuste training

Traditionele trainingsprogramma’s behandelen de meeste sporters op dezelfde manier en vertrouwen vooral op zichtbare signalen zoals snelheid, kracht of hartslag. Toch vormt de hersenen stilletjes elke beweging, van reactietijd bij het startschot tot balans bij de landing. Vroege computersystemen voor training gebruikten vaste regels opgesteld door experts. Die waren begrijpelijk, maar konden zich slecht aanpassen aan individuele verschillen of veranderende omstandigheden. Later leerden machine-learningmodellen van grote verzamelingen prestatie- en videogegevens, maar negeerden vaak nog steeds de hersenen. Daardoor konden ze sets en herhalingen optimaliseren, maar hielden ze geen rekening met mentale vermoeidheid, concentratie of subtiele neurale waarschuwingssignalen die vaak vóór een blessure optreden.

De hersenen lezen om prestaties te sturen

De auteurs stellen een nieuw model voor, NeuroAthleteNet, dat hersensignalen centraal stelt in trainingsadvies. Het werkt met veel typen hersenmetingen, inclusief opnames van de schedel en hersenscans, die worden behandeld als tijdsvariërende patronen over meerdere regio’s. Eerst voert het systeem deze signalen door lagen die korte uitbarstingen en langere trends in hersenactiviteit over de tijd detecteren. Vervolgens representeert het de hersenen als een netwerk, waarbij elke regio een knoop is en de sterkte van hun interactie de verbindingen vormt. Speciale netwerk-leertools leggen vast hoe patronen van gelijktijdige activiteit binnen deze hersenkaart samenhangen met reële prestatiematen zoals reactiesnelheid, bewegingsnauwkeurigheid en vroege tekenen van vermoeidheid. Het model wordt zo getraind dat de geleerde hersenverbindingen dicht bij reeds bekende patronen uit de neurowetenschap blijven, zodat het systeem in de biologie verankerd blijft in plaats van een black box te worden.

Hersenen, beweging en lichaams­signalen mengen

Voortbouwend op deze hersengecentreerde kern introduceren de auteurs een tweede raamwerk genaamd NeuroSportSync, dat hersengegevens koppelt aan beweging-, spier- en hartsignalen die tijdens inspanning zijn opgenomen. Omdat elke sensor op een ander tijdschaal en in een ander bereik werkt, schaalt het systeem eerst alle stromen in tijd en amplitude zodat ze op elkaar aansluiten. Daarna selecteert het de meest informatieve onderdelen en comprimeert ze tot een gedeelde verborgen representatie. Een spotlight-achtig mechanisme laat het model focussen op welke signalen op elk moment het belangrijkst zijn, bijvoorbeeld het benadrukken van kniebewegingen tijdens snijdende bewegingen of frontale hersenactiviteit tijdens mentaal veeleisende oefeningen. Deze gecombineerde signalen voeden een netwerk dat zowel prestaties voorspelt als de waarschijnlijkheid dat een sporter in een risicovolle staat terechtkomt.

Stille waarschuwingssignalen opsporen vóór blessures

De studie benadrukt dat veel niet-contactblessures, zoals ligamentrupturen, wortels hebben in het zenuwstelsel naast spieren en gewrichten. Eerder onderzoek heeft aangetoond dat veranderingen in hersengebieden die betrokken zijn bij bewegingsplanning, het voelen van gewrichtspositie en het filteren van afleiding dagen of weken vóór een zichtbare blessure kunnen optreden. De auteurs gebruiken zulke bevindingen om markers voor hoog en laag blessurerisico in hun systeem te definiëren. Hun model zoekt naar patronen zoals verschuivingen in hersenritmes en verzwakte verbindingen tussen sleutelregio’s, en combineert die met lichaamssignalen zoals hartritme of spieractiviteit. In tests op datasets met hersensignalen presteerde deze aanpak beter dan standaardmethoden die eenvoudigere statistieken en klassieke machine learning gebruiken, met hogere nauwkeurigheid bij het herkennen van wanneer sporters goed presteerden en wanneer ze mogelijk een hoger risico liepen.

Wat dit betekent voor de toekomst van training

Het werk suggereert een route naar trainingsplannen die reageren niet alleen op hoe snel of sterk iemand is, maar op hoe zijn of haar brein en lichaam op een gegeven dag met stress omgaan. In principe zouden zulke systemen lichtere oefeningen kunnen aanbevelen wanneer mentale vermoeidheid toeneemt, verborgen risico’s signaleren vóór een ernstige blessure, of vaardigheidstraining afstemmen op hoe ieders brein nieuwe bewegingen leert. De auteurs merken op dat de huidige hardware nog complex en duur is en dat meer studies met echte teams en sporten nodig zijn. Toch biedt hun neuroimaging-gestuurde aanbevelingskader een blauwdruk om hersenbewuste personalisering naar het dagelijkse sportgebruik te brengen, met de dubbele doelen van betere prestaties en veiliger spel.

Bronvermelding: Zhu, D., Li, Q., Li, M. et al. Neuroimaging-driven recommendation systems for personalized sports training and injury prevention. Sci Rep 16, 14783 (2026). https://doi.org/10.1038/s41598-026-39956-9

Trefwoorden: neuroimaging, sporttraining, blessurepreventie, hersensignalen, gepersonaliseerde coaching