Psychologische-fysieke synergie van atleten gebaseerd op kunstmatige intelligentie en deep learning

Waarom de signalen van je lichaam je mentale toestand kunnen onthullen

Topatleten en mensen in stressvolle functies balanceren voortdurend tussen piekprestaties en overbelasting. Ons lichaam zendt stilletjes aanwijzingen uit over hoe gestrest, kalm of geamuseerd we zijn via hartslagen, zweet, ademhaling en beweging. Deze studie legt een nieuwe manier uit waarop computers die aanwijzingen nauwkeuriger kunnen lezen en, even belangrijk, kunnen aangeven hoe zeker ze zijn over wat ze lezen. Die combinatie van precisie en eerlijkheid kan toekomstige wearables veel nuttiger en betrouwbaarder maken.

Versnipperde signalen samenbrengen tot één beeld

Moderne borstbanden en slimme armbanden kunnen meerdere fysiologische signalen tegelijk registreren, zoals hartslagvariabiliteit, huidgeleiding, ademhalingspatronen, temperatuur en beweging. Traditionele computermodellen behandelen elk kanaal vaak als een aparte stroom en stapelen ze simpelweg op elkaar. De auteurs stellen dat dit een cruciaal punt mist: het lichaam is een geïntegreerd systeem. Onder stress verschuiven bijvoorbeeld hartslag, transpiratie en ademhaling vaak samen in een kenmerkend patroon. De studie introduceert het idee van een “fysiologische synergiegrafiek”, waarin elk type signaal een knooppunt in een netwerk is en het model leert hoe sterk ze elkaar op elk moment beïnvloeden.

Hoe het nieuwe AI-kader het lichaam leest

Het voorgestelde kader, GABT Net genoemd, combineert twee krachtige ideeën uit kunstmatige intelligentie. Ten eerste onderzoekt een graph attention network de verschillende lichaamssignalen binnen elk kort tijdvenster. Het verbindt elk signaal met elk ander en leert welke koppelingen in een bepaalde toestand het belangrijkst zijn, waardoor een compact momentopname ontstaat van hoe de lichaamsystemen op dat ogenblik samenwerken. Ten tweede worden deze momentopnames gevoed aan een Transformer-gebaseerd tijdreeksmodel dat volgt hoe dit samenwerkingspatroon zich in de tijd ontwikkelt. Deze temporele fase stelt het systeem in staat om lange termijntrends op te merken, zoals een geleidelijke opbouw van stress of een terugkeer naar baseline-kalmte.

Het model laten toegeven wanneer het onzeker is

De meeste machine learning-tools geven één beste voorspelling zonder aan te geven hoe betrouwbaar die schatting is. Voor beslissingen in de echte wereld binnen sport en gezondheid kan dit riskant zijn. GABT Net pakt dit aan door een Bayesian Transformer met Monte Carlo dropout te gebruiken, een techniek die effectief veel licht verschillende versies van het model op dezelfde data uitvoert. Door hun outputs te middelen, produceert het systeem zowel een voorspelling als een maat voor zijn eigen onzekerheid. De onderzoekers tonen aan dat wanneer het model hoge vertrouwen rapporteert, de nauwkeurigheid bij stress- en emotietoestanden uiterst groot is, en dat fouten waarschijnlijker zijn wanneer de interne “entropie” hoog is. Dit maakt het mogelijk gevallen te markeren waarin een coach, arts of gebruiker voorzichtig moet zijn.

Hoe goed het systeem presteert in tests

Het team evalueerde GABT Net op een veelgebruikt dataset waarin proefpersonen borstapparaten droegen tijdens rustige basale periodes, stressvolle taken en amusante activiteiten. Met een schuivend venster over de signalen en een strikte cross-subject testbenadering behaalde het model ongeveer 96 procent overall nauwkeurigheid en een macro F1-score boven 0,94, waarmee het meerdere sterke basismodellen versloeg, inclusief BiLSTM-netwerken en standaard Transformers. Het overtrof ook recente state-of-the-art methoden die convolutionele en recurrente netwerken combineren. Ondanks deze sterke prestaties blijft het model relatief compact en efficiënt, met minder parameters en snellere voorspellingstijden dan concurrerende benaderingen, wat belangrijk is voor uitvoering op draagbare of edge-apparaten.

Wat dit betekent voor atleten en alledaagse gebruikers

In eenvoudige bewoordingen toont dit onderzoek aan dat een AI-systeem niet alleen subtiele patronen over meerdere lichaamssignalen kan lezen om stress- en emotionele toestanden te herkennen, maar ook kan inschatten hoe betrouwbaar zijn eigen antwoorden zijn. Voor atleten kan dat zich vertalen in trainingshulpmiddelen die waarschuwen voor toenemende mentale belasting voordat de prestaties dalen of het risico op blessures stijgt, en die weten wanneer ze om hulp moeten vragen in plaats van misleidende feedback te geven. Voor bredere toepassingen in gezondheid en op de werkvloer kunnen dezelfde principes veiligere, altijd-aan monitoring van stress en stemming ondersteunen. Hoewel praktijktests in rumoerige sportomgevingen en personalisatie voor individuen nog toekomstige stappen zijn, biedt de studie een veelbelovende blauwdruk voor intelligenter en transparanter mind-body tracking-technologieën.

Bronvermelding: Cheng, Y., Gong, T. & Zhao, H. Psychological-physical synergy of athletes based on artificial intelligence and deep learning. Sci Rep 16, 14994 (2026). https://doi.org/10.1038/s41598-026-45920-4

Trefwoorden: stressmonitoring, draagbare sensoren, atletenfysiologie, emotieherkenning, deep learning