Voorspelling van slaapkwaliteit bij basketbalatleten met een deep learning-kader met aandachtsmechanisme op basis van multimodale gegevens

Waarom slaap belangrijk is voor student-atleten

Voor universiteitsbasketballers botsen late studeersessies, vroege trainingen en drukke wedstrijden vaak met elkaar, waardoor er weinig ruimte overblijft voor goede slaap. Toch is slaap de periode waarin het lichaam spieren herstelt, de geest leerstof consolideert en emoties stabiliseren. Deze studie stelt een praktische vraag met grote implicaties voor de gezondheid en prestaties van spelers: kunnen we met eenvoudige tests en vragenlijsten die teams al verzamelen — zoals fitheidsscores, lichaamsgewicht en stressniveaus — automatisch aangeven welke atleten risico lopen op slechte slaap?

De atleet als geheel bekijken

In plaats van te focussen op één getal, zoals het aantal slaapuren of een wearable-meting, namen de onderzoekers een brede kijk op wat slaap beïnvloedt. Ze werkten met universiteitsbasketbalteams in acht provincies in China en verzamelden gegevens van 379 spelers. Elke atleet vulde standaard psychologische vragenlijsten in over angst en ervaren stress, een veelgebruikte enquête over slaapkwaliteit, en een online formulier over leeftijd, geslacht, studiejaar en trainingsachtergrond. Tegelijkertijd maten docenten lichamelijke opvoeding lengte, gewicht, longcapaciteit, sprintsnelheid, springvermogen, krachttests zoals optrekken of sit-ups, en uithoudingsvermogen op de baan. Deze combinatie creëerde een rijk profiel van zowel lichaam als geest voor elke speler.

Gegevens omzetten naar slaaprisiconiveaus

Om de resultaten bruikbaar te maken voor coaches en zorgverleners, deelden de onderzoekers de spelers in drie categorieën in op basis van hun slaapvragenlijstscores: goede slaap, matige problemen en slechte slaap. Bijna de helft van de atleten viel in de groep met slechte slaap, wat onderstreept hoe vaak slaapproblemen voorkomen in de universitaire sport. Het team schonk de data vervolgens, standaardiseerde deze, vulde ontbrekende waarden aan en gebruikte de profielen om verschillende computermodellen te trainen. Traditionele methoden zoals logistische regressie en boomgebaseerde benaderingen werden vergeleken met een flexibeler deep learning-model, een aandacht-gebaseerde multilayer perceptron. Dit model kan leren welke informatie meer “aandacht” verdient bij voorspellingen, waardoor het fysieke, psychologische en achtergrondfactoren verschillend kan wegen.

Wat het slimme model leerde

Het aandacht-gebaseerde model presteerde iets beter dan de traditionele modellen bij het indelen van atleten in de drie slaapgroepen. De totale nauwkeurigheid lag rond de 73%, met een merkbaar betere balans tussen het correct identificeren van elke groep dan de andere methoden haalden. De verbetering was echter bescheiden in plaats van dramatisch, en het model had het het moeilijkst met de middelste, “matige” groep, waar de slaap noch duidelijk goed noch duidelijk slecht is. Dit suggereert dat randgevallen oprecht lastig te onderscheiden zijn met de huidige metingen. Toen de onderzoekers technieken probeerden die de data kunstmatig in evenwicht brachten — door ondervertegenwoordigde gevallen extra gewicht te geven of synthetische voorbeelden te creëren — werd het model beter in het herkennen van deze matige groep, zij het met een kleine vermindering van de totale nauwkeurigheid.

Aanwijzingen uit lichaam en geest

Om een “black box”-systeem te vermijden, onderzocht de studie ook welke kenmerken het model leek te gebruiken. Twee elkaar aanvullende hulpmiddelen werden ingezet: het aandachtmechanisme binnen het netwerk, dat aangeeft waar het model zich op richt, en een methode genaamd SHAP, die schat hoeveel elke factor de voorspellingen richting betere of slechtere slaap duwt. Over deze invalshoeken heen stak psychologische belasting — vooral angst en ervaren stress — eruit als sterk verbonden met slechte slaap. Body mass index (een eenvoudige verhouding tussen gewicht en lengte) en verschillende fitheidsmetingen, zoals bovenlichaamkracht en longcapaciteit, speelden ook een belangrijke rol, samen met studiejaar en trainingsfrequentie. Veel individuele fitheidstests toonden slechts zwakke directe verbanden met slaap wanneer ze op zichzelf werden bekeken, maar samen leverden ze toch nuttige informatie, vooral in combinatie met mentale gezondheidsmetingen.

Wat dit betekent voor teams

Voor coaches, trainers en universitaire gezondheidsdiensten is de kernboodschap niet dat een computer definitief kan vaststellen wie slecht slaapt, maar dat alledaagse data kunnen helpen atleten te signaleren die mogelijk meer aandacht nodig hebben. De deep learning-benadering leverde kleine maar statistisch betrouwbare verbeteringen op ten opzichte van eenvoudigere modellen, en liet zien dat angst, stress en gewicht tot de meest informatieve waarschuwingssignalen behoren. Omdat het model het slechtst presteert bij de “tussen”-slapers, raden de auteurs aan het als screenings- en triagetool te gebruiken: identificeer spelers met hoger risico en volg dit op met gesprekken, meer gedetailleerde assessments en, indien nodig, professionele zorg. Toekomstig werk dat gedrags- en roosterinformatie toevoegt — zoals cafeïnegebruik, schermtijd ’s avonds en trainingstijden — kan deze voorspellingen aanscherpen en teams helpen zowel prestaties als de lange termijn gezondheid beter te beschermen.

Bronvermelding: 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

Trefwoorden: slaap van atleten, basketbalprestaties, sportpsychologie, machine learning gezondheid, student-atleten