Diepgaand leren-gebaseerde infraroodthermografie onthult reproduceerbare uniforme en individuele thermoregulatoire reacties tijdens hardlopen

De lichaamstemperatuur zien stijgen

Als we gaan hardlopen, voert ons lichaam stilletjes meerdere taken tegelijk uit: spieren bewegen, zuurstof leveren en overtollige warmte kwijtraken. Deze studie onderzoekt een nieuwe manier om dat samenspel in realtime te volgen — met behulp van warmtecamera’s en kunstmatige intelligentie om te zien hoe de huidtemperatuur van hardlopers tijdens inspanning verandert. Het werk suggereert dat eenvoudige, contactloze warmtebeelden van de benen zowel gemeenschappelijke patronen die de meeste lopers delen als subtiele, persoonlijke verschillen gerelateerd aan prestatievermogen kunnen blootleggen.

Warmte fotograferen terwijl mensen rennen

De onderzoekers nodigden elf gezonde, duurgetrainde jongvolwassenen uit voor een gecontroleerd laboratoriumonderzoek. Iedereen voltooide drie loopjes op de loopband op twee verschillende dagen. Het totale arbeid in elke run was gelijk, maar de intensiteitspatronen verschilden: één was constant, een ander schakelde van constant naar intervallen, en de derde deed het omgekeerde. Terwijl de deelnemers renden, registreerde het team hartslag, ademhaling, kerntemperatuur (met interne en externe sensoren), ervaren inspanning, zweetverlies en — cruciaal — warmtepatronen op de kuiten met een hoogresolutie infraroodcamera geplaatst achter de loopband.

Kunstmatige intelligentie thermische kaarten laten lezen

In plaats van regio’s op de warmtebeelden handmatig uit te tekenen, gebruikte het team diepgaand leren — een vorm van kunstmatige intelligentie — om automatisch de kuiten te herkennen en verschillende typen vaatgebieden te onderscheiden. Uit elk frame berekende het systeem meerdere huidtemperatuurmetrieken: gemiddelde kuittemperatuur, temperatuur van gebieden zonder zichtbare vaten en temperaturen boven kleine arteriën en oppervlakkige aderen. Het mat ook de “entropie”, een statistiek die beschrijft hoe gevarieerd de temperatuurpatronen over het huidoppervlak zijn. Deze metingen werden vervolgens gesynchroniseerd met hart-, ademhalings- en kerntemperatuurdata, waardoor gedetailleerde tijdreeksen ontstonden over warming-up, hoofdloopfasen en herstel.

Gedeelde warmtepatronen en persoonlijke handtekeningen

Over alle drie de runs stegen en daalden de verschillende huidtemperatuurmetingen in takt met veranderingen in loopintensiteit, ook al verschilden hun absolute waarden. Gebieden boven kleine arteriële vaten vertoonden bijzonder sterke verbanden met hartslag en zuurstofgebruik, vooral tijdens hoge intensiteitsintervallen en herstel, wat suggereert dat ze gevoelige markers zijn voor hoe hard het lichaam werkt en hoe snel het warmte afgeeft nadat de inspanning stopt. De entropie van deze vaatgebieden volgde de kerntemperatuur tijdens de warming-up, wat weergeeft hoe warmte zich over de huid verspreidt naarmate het lichaam opwarmt. Tegelijkertijd waren er opvallende individuele verschillen. Bij sommige lopers — vooral bij degenen met een hogere submaximale loopcapaciteit — bewoog de temperatuur van huidgebieden zonder zichtbare vaten tegengesteld aan de kerntemperatuur, waardoor grotere kloven ontstonden tussen diepe lichaamstemperatuur en koelere huid. Deze verschillen reflecteren waarschijnlijk effectievere bloedstroomaanpassingen die helpen warmte af te voeren terwijl de kerntemperatuur onder controle blijft.

Betrouwbare metingen op verschillende dagen

Een belangrijke vraag was of deze thermische metingen stabiel genoeg zijn om buiten een enkele test nuttig te zijn. De studie vond dat veranderingen in huidtemperatuur zonder zichtbare vaten, met name tijdens warming-up, intervallen en herstel, zeer reproduceerbaar waren binnen dezelfde persoon over alle drie de runs, zelfs wanneer de volgorde en het patroon van de belasting veranderden. Patronen op groepsniveau waren ook consistent. Minder betrouwbaarheid trad op bij vergelijking van bepaalde continue loopsegmenten die voorafgegaan werden door verschillende typen inspanning, wat benadrukt dat directe oefengeschiedenis de huidbloedstroom en temperatuur tijdelijk kan herschikken. Over het geheel genomen leverde de geautomatiseerde analyse echter robuuste, herhaalbare signalen onder goed gecontroleerde kamertemperatuurcondities.

Wat dit betekent voor atleten en gezondheidsmonitoring

De bevindingen laten zien dat slimme analyse van warmtebeelden zowel de gedeelde manieren waarop mensen hun temperatuur reguleren tijdens het hardlopen als de persoonlijke varianten die samenhangen met hoe goed iemand submaximale snelheden kan volhouden kan vastleggen. Diepgaand leren zet een stroom van thermische beelden om in consistente getallen die overeenkomen met hart-, ademhalings- en kerntemperatuurdata. In de toekomst zou zulke contactloze monitoring coaches en clinici kunnen helpen de interne belasting te volgen, vroege tekenen van oververhitting te signaleren of training af te stemmen op hoe efficiënt het lichaam van een loper warmte verplaatst — niet alleen op basis van hun piekfitheid op papier.

Bronvermelding: Weber, V., López, D.A., Ochmann, D.T. et al. Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running. Sci Rep 16, 10525 (2026). https://doi.org/10.1038/s41598-026-44102-6

Trefwoorden: infraroodthermografie, bewegingsfysiologie, diepgaand leren, thermoregulatie, hardloopprestatie