Het identificeren van neuromusculaire en mentale vermoeidheid bij jonge toptafeltennissers met behulp van machine learning

Waarom vermoeidheid bij jonge atleten ertoe doet

Voor jonge tafeltennissers die naar topniveau streven is vermoeidheid meer dan alleen een beetje uitgeput voelen. Zowel lichaam als geest kunnen onopgemerkt reacties vertragen, techniek veranderen en het risico op fouten of zelfs blessures verhogen. Toch hebben coaches zelden een objectieve, realtime manier om te zien wanneer een speler mentaal of fysiek vermoeid is. Deze studie onderzoekt of een slimme, met sensoren uitgeruste racket en moderne patroonherkenningsalgoritmen kleine veranderingen in de slagen van een speler kunnen aflezen om hun verborgen vermoeidheidstoestand te onthullen.

Een slimme racket die elke slag voelt

Het onderzoeksteam werkte met negen van Frankrijk’s beste tiener-tafeltennissers. Ze veranderden een gewone racket in een meetinstrument door een klein driedimensionaal bewegingssensor in het handvat toe te voegen en vier druksensoren op de plekken waar de hand het racket vasthoudt en waar duim en wijsvinger op het blad rusten. Elke keer dat de speler een bal sloeg, registreerde de racket hoe snel hij bewoog en hoe stevig de hand op verschillende punten drukte. Deze signalen werden op zeer hoge snelheid bemonsterd, gefilterd om ruis te verwijderen, genormaliseerd en vervolgens samengevoegd tot een enkele dataspel voor elke slag.

Ontwerpen van vermoeide en frisse speelsituaties

Om deze slagpatronen te koppelen aan verschillende typen vermoeidheid creëerden de wetenschappers zorgvuldig drie afzonderlijke condities. In de ene voerden spelers een veeleisende computergebaseerde aandachtsopdracht uit gedurende 90 minuten, waarvan bekend is dat deze mentale energie verbruikt zonder de spieren direct te vermoeien. In een andere voerden ze herhaalde intensieve excentrische contracties van de biceps van de speelarm uit totdat ze ongeveer 15% van hun maximale elleboogkracht verloren, wat duidelijke spiervermoeidheid veroorzaakte. In de controleconditie keken ze eenvoudig naar een cognitief neutrale film. Voor en na elke sessie voerden de spelers een gestandaardiseerde tafeltennistest uit met een ballenlancerrobot, terwijl hun balsnelheid, nauwkeurigheid en aantal fouten werden gemeten. Ze rapporteerden ook hoe moe ze zich voelden en hoe zwaar de taken leken, en hun armkracht werd gecontroleerd met een speciaal krachtsmeetapparaat.

Van verborgen slagveranderingen naar herkenbare patronen

De subjectieve en krachtmetingen bevestigden dat de mentale en fysieke protocollen de spelers daadwerkelijk vermoeid deden voelen en presteren: mentale vermoeidheid verhoogde de ervaren inspanning en moeheid, en fysieke vermoeidheid verminderde de armkracht zoals gepland. Verrassend genoeg veranderden klassieke prestatienormen zoals balsnelheid en nauwkeurigheid nauwelijks op een duidelijke, statistisch robuuste manier tussen de condities, vooral in deze kleine groep hooggekwalificeerde jongeren. Echter, toen de onderzoekers zich richtten op de rijke sensordata van het racket, ontstond een ander beeld. Ze voedden duizenden gelabelde slagen — elk gemarkeerd als afkomstig uit een mentaal vermoeide, fysiek vermoeide of controle-sessie — in een reeks geleide machine learning-modellen, waaronder k‑nearest neighbors en random forests. Deze algoritmen leerden subtiele verschuivingen in acceleratiecurven en gripdruk te herkennen die met het blote oog niet zichtbaar waren.

Computers leren vermoeide spelers te herkennen

Wanneer het doel eenvoudigweg was om te bepalen of een slag uit een vermoeide of niet-vermoeide toestand kwam, classificeerde het beste model, k‑nearest neighbors, ongeveer 84% van de gevallen correct. Wanneer gevraagd werd verder te onderscheiden tussen drie specifieke toestanden — geen vermoeidheid, mentale vermoeidheid en fysieke vermoeidheid — bereikte het random forest-model ongeveer 82% nauwkeurigheid. Dit betekent dat, hoewel de spelers de bal nog met ruwweg dezelfde snelheid en precisie konden raken, hun racket "handtekening" genoeg veranderd was om door een data-gestuurd systeem te worden gedetecteerd. Zwaardere tests die probeerden te generaliseren over spelers lieten een lagere succesratio zien, voornamelijk omdat de steekproef klein was en de stijl van elke atleet uniek, maar ze suggereren dat het hertrainen van modellen binnen een stabiele elite-trainingsgroep haalbaar is.

Wat dit betekent voor training en gezondheid

In gewone bewoordingen toont deze studie aan dat een slimme racket en de juiste algoritmen kunnen "luisteren" naar hoe een jonge atleet beweegt en stilletjes kunnen signaleren wanneer hun lichaam of geest uitgeput raakt, zelfs voordat duidelijke fouten optreden. Coaches zouden zulke hulpmiddelen uiteindelijk kunnen gebruiken om trainingsbelasting te beheren, overbelasting te voorkomen en tactische of mentale pauzes nauwkeuriger in te plannen tijdens training en competitie. Hoewel meer spelers, meer sensoren en realtime systemen nodig zullen zijn voordat dit een standaard hulp aan de zijlijn wordt, is de kernboodschap duidelijk: subtiele veranderingen in hoe we een racket vasthouden en zwaaien kunnen onthullen of we fris, mentaal uitgeput of spiervermoeid zijn — en machines zijn al goed genoeg om het verschil te zien.

Bronvermelding: 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

Trefwoorden: tafeltennis, sportvermoeidheid, draagbare sensoren, machine learning, jeugdige atleten