Identyfikacja zmęczenia neuromięśniowego i psychicznego u młodych elitarnych zawodników tenisa stołowego przy użyciu uczenia maszynowego

Dlaczego zmęczenie u młodych sportowców ma znaczenie

Dla młodych zawodników tenisa stołowego dążących do poziomu elitarnego zmęczenie to coś więcej niż tylko uczucie osłabienia. Zarówno ciało, jak i umysł mogą po cichu spowalniać reakcje, zmieniać technikę i zwiększać ryzyko błędów czy nawet kontuzji. Trenerzy rzadko jednak dysponują obiektywnym, działającym w czasie rzeczywistym sposobem, by zobaczyć, kiedy zawodnik jest psychicznie lub fizycznie zmęczony. W tym badaniu sprawdzono, czy inteligentna, wyposażona w czujniki rakieta i współczesne algorytmy rozpoznawania wzorców potrafią wychwycić drobne zmiany w uderzeniach zawodnika, które ujawniają jego ukryty stan zmęczenia.

Inteligentna rakieta, która wyczuwa każdy uderzenie

Zespół badawczy pracował z dziewięcioma czołowymi nastoletnimi tenisistami stołowymi we Francji. Przekształcili zwykłą rakietę w narzędzie pomiarowe, dodając w rączce mały trójwymiarowy czujnik ruchu oraz cztery czujniki nacisku tam, gdzie dłoń obejmuje rakietę oraz gdzie kciuk i palec wskazujący opierają się o łyżkę. Za każdym razem, gdy zawodnik uderzał piłkę, rakieta rejestrowała prędkość ruchu oraz siłę nacisku dłoni w różnych punktach. Sygnały te próbkowano z bardzo dużą częstotliwością, filtrowano w celu usunięcia szumów, normalizowano, a następnie scalano w pojedynczy przebieg danych dla każdego uderzenia.

Projektowanie warunków zmęczenia i świeżości

Aby powiązać wzorce uderzeń z różnymi rodzajami zmęczenia, naukowcy starannie przygotowali trzy odrębne warunki. W jednym zawodnicy wykonywali wymagające zadanie uwagi przy komputerze przez 90 minut, co jest znane z wyczerpywania zasobów mentalnych bez bezpośredniego męczenia mięśni. W innym wykonywali powtarzane intensywne skurcze ekscentryczne bicepsa ramienia grającego, aż stracili około 15% maksymalnej siły w stawie łokciowym, wywołując wyraźne zmęczenie mięśni. W warunku kontrolnym oglądali film o neutralnej treści poznawczej. Przed i po każdej sesji zawodnicy wykonywali standaryzowany test tenisa stołowego z robotem wyrzucającym piłki, podczas gdy mierzono prędkość piłki, dokładność i liczbę błędów. Zgłaszali też, jak bardzo są zmęczeni i jak trudne wydawały się zadania, a siłę ramienia sprawdzano specjalnym urządzeniem pomiarowym.

Od ukrytych zmian uderzeń do rozpoznawalnych wzorców

Testy subiektywne i pomiary siły potwierdziły, że protokoły mentalne i fizyczne rzeczywiście sprawiły, że zawodnicy czuli się i zachowywali jak zmęczeni: zmęczenie mentalne zwiększyło odczuwany wysiłek i zmęczenie, a zmęczenie fizyczne obniżyło siłę ramienia zgodnie z założeniem. Co zaskakujące, klasyczne miary wydajności, takie jak prędkość i dokładność uderzeń, zmieniły się w niewielkim stopniu i nie wykazały wyraźnych, statystycznie istotnych różnic między warunkami, zwłaszcza w tej niewielkiej grupie wysoko wykwalifikowanych młodych zawodników. Jednak gdy badacze sięgnęli do bogatych danych z czujników rakiety, wyłonił się inny obraz. Wprowadzili tysiące oznaczonych uderzeń — każde opisane jako pochodzące z sesji z zmęczeniem mentalnym, fizycznym lub kontrolnej — do różnych nadzorowanych modeli uczenia maszynowego, w tym k‑najbliższych sąsiadów i losowych lasów. Algorytmy nauczyły się rozpoznawać subtelne przesunięcia w krzywych przyspieszenia i ciśnienia chwytu, które były niewidoczne gołym okiem.

Nauczanie komputerów wykrywania zmęczonych zawodników

Gdy celem było jedynie stwierdzenie, czy uderzenie pochodzi ze stanu zmęczenia czy braku zmęczenia, najlepszy model, k‑najbliższych sąsiadów, poprawnie klasyfikował około 84% przypadków. Gdy poproszono o rozróżnienie trzech konkretnych stanów — brak zmęczenia, zmęczenie mentalne i zmęczenie fizyczne — model losowego lasu osiągnął około 82% dokładności. Oznacza to, że choć zawodnicy nadal mogli uderzać piłkę z mniej więcej taką samą prędkością i precyzją, ich „sygnatura” rakiety zmieniła się wystarczająco, by system oparty na danych mógł to wykryć. Bardziej wymagające testy mające na celu uogólnienie modeli między zawodnikami wykazały niższą skuteczność, głównie z powodu małej próby i unikalnego stylu każdego sportowca, ale sugerują, że ponowne trenowanie modeli w ramach stabilnej grupy treningowej elity jest wykonalne.

Co to oznacza dla treningu i zdrowia

W praktycznym wymiarze badanie pokazuje, że inteligentna rakieta i odpowiednie algorytmy mogą „nasłuchiwać”, jak porusza się młody sportowiec, i dyskretnie sygnalizować, kiedy jego ciało lub umysł mają zmniejszone zasoby, nawet zanim pojawią się oczywiste błędy. Trenerzy mogliby w przyszłości używać takich narzędzi do zarządzania obciążeniem treningowym, zapobiegania przeciążeniom i precyzyjniejszego planowania taktcznych lub mentalnych przerw podczas treningu i zawodów. Aby stało się to standardowym narzędziem przy korcie, potrzebnych będzie więcej zawodników, więcej czujników i systemy działające w czasie rzeczywistym, jednak główny przekaz jest jasny: subtelne zmiany w sposobie trzymania i zamachu rakietą mogą ujawniać, czy jesteśmy wypoczęci, psychicznie wyczerpani czy zmęczeni mięśniowo — i maszyny są już wystarczająco dobre, by to rozróżnić.

Cytowanie: 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

Słowa kluczowe: tenis stołowy, zmęczenie w sporcie, czujniki noszone, uczenie maszynowe, młodzi sportowcy