Prognozowanie jakości snu u koszykarzy przy użyciu głębokiego uczenia z mechanizmem uwagi na podstawie danych multimodalnych

Dlaczego sen ma znaczenie dla studentów‑sportowców

Dla studenckich zawodników koszykówki wieczorne sesje nauki, poranne treningi i stresujące mecze często nachodzą na siebie, zostawiając niewiele miejsca na dobry sen. Tymczasem podczas snu ciało naprawia mięśnie, umysł konsoliduje naukę, a emocje ulegają uporządkowaniu. To badanie stawia praktyczne pytanie o duże konsekwencje dla zdrowia i wyników zawodników: czy można wykorzystać proste testy i kwestionariusze, które zespoły już zbierają — takie jak wyniki sprawności, masa ciała i poziom stresu — do automatycznego identyfikowania sportowców zagrożonych złą jakością snu?

Całościowe spojrzenie na zawodnika

Zamiast koncentrować się na jednej liczbie, na przykład liczbie godzin snu czy odczycie z urządzenia noszonego, badacze przyjęli szeroką perspektywę czynników kształtujących sen. Współpracowali z drużynami uniwersyteckimi z ośmiu prowincji Chin i zebrali dane od 379 zawodników. Każdy sportowiec wypełnił standardowe kwestionariusze psychologiczne dotyczące lęku i odczuwanego stresu, powszechnie stosowany kwestionariusz jakości snu oraz formularz online o wieku, płci, roku studiów i historii treningowej. Równocześnie personel wychowania fizycznego mierzył wzrost, wagę, pojemność płuc, prędkość sprintu, siłę wyskoku, testy siłowe takie jak podciągnięcia czy brzuszki oraz wytrzymałość biegową na torze. To połączenie stworzyło bogaty profil ciała i umysłu dla każdego zawodnika.

Przekształcanie danych w poziomy ryzyka snu

Aby wyniki były użyteczne dla trenerów i personelu medycznego, badacze podzielili zawodników na trzy kategorie na podstawie wyników w kwestionariuszu snu: dobry sen, umiarkowane problemy i zły sen. Prawie połowa sportowców znalazła się w grupie złego snu, co podkreśla, jak powszechne są problemy ze snem wśród studentów‑sportowców. Zespół następnie oczyścił i wystandaryzował dane, uzupełnił brakujące wartości i użył tych profili do trenowania kilku modeli komputerowych. Tradycyjne metody, takie jak regresja logistyczna i podejścia oparte na drzewach, porównano z bardziej elastycznym modelem głębokiego uczenia nazywanym wielowarstwowym perceptronem z mechanizmem uwagi. Ten model potrafi nauczyć się, które informacje zasługują na większą „uwagę” przy prognozowaniu, co pozwala mu różnie ważyć czynniki fizyczne, psychologiczne i tła.

Czego nauczył się inteligentny model

Model z mechanizmem uwagi radził sobie nieco lepiej niż modele tradycyjne w przypisywaniu zawodników do trzech grup snu. Jego ogólna trafność wyniosła około 73%, z zauważalnie lepszą równowagą w prawidłowym rozpoznawaniu każdej grupy niż w innych metodach. Jednak poprawa była umiarkowana, a nie dramatyczna, a model miał największe trudności ze środkową, „umiarkowaną” grupą, gdzie sen nie jest jednoznacznie dobry ani wyraźnie zły. To sugeruje, że przypadki na granicy rzeczywiście trudno odróżnić przy obecnych pomiarach. Gdy badacze próbowali technik sztucznego zrównoważenia danych — przez nadanie większej wagi niedoreprezentowanym przypadkom lub tworzenie syntetycznych przykładów — model lepiej rozpoznawał tę grupę umiarkowaną, choć kosztem niewielkiego spadku ogólnej trafności.

Wskazówki z ciała i umysłu

Aby uniknąć systemu typu „czarna skrzynka”, badanie przeanalizowało także, na których cechach model wydawał się polegać najbardziej. Wykorzystano dwa komplementarne narzędzia: mechanizm uwagi wewnątrz sieci, który pokazuje, gdzie model się skupia, oraz metodę SHAP, która ocenia, jak bardzo każdy czynnik przesuwa prognozy w kierunku lepszego lub gorszego snu. W obu tych ujęciach obciążenie psychiczne — zwłaszcza lęk i odczuwany stres — wyróżniało się jako silnie powiązane ze złym snem. Wskaźnik masy ciała (prosty stosunek masy do wzrostu) i kilka miar sprawności, takich jak siła górnej części ciała i pojemność płuc, także miały istotne znaczenie, podobnie jak rok studiów i częstotliwość treningów. Wiele pojedynczych testów sprawności wykazywało tylko słabe bezpośrednie powiązania ze snem, gdy patrzono na nie osobno, ale razem wciąż wnosiły użyteczną informację, zwłaszcza w połączeniu z miarami zdrowia psychicznego.

Co to oznacza dla drużyn

Dla trenerów, trenerów przygotowania i personelu zdrowotnego uczelni główny wniosek nie polega na tym, że komputer może definitywnie zdiagnozować, kto źle śpi, lecz że codzienne dane mogą pomóc wyłonić zawodników wymagających bliższej uwagi. Podejście z użyciem głębokiego uczenia przyniosło niewielkie, lecz statystycznie wiarygodne korzyści względem prostszych modeli i wskazało, że lęk, stres i masa ciała należą do najbardziej informatywnych wskaźników ostrzegawczych. Ponieważ model radzi sobie najgorzej z „pośrednimi” śpiącymi, autorzy zalecają używać go jako narzędzia przesiewowego i triage: zidentyfikować zawodników o wyższym ryzyku, a następnie przeprowadzić rozmowy, dokładniejsze oceny i w razie potrzeby skierować do specjalistycznej opieki. Przyszłe prace, które dodadzą informacje o zachowaniach i harmonogramie — takie jak spożycie kofeiny, czas spędzany przed ekranem nocą i pory treningów — mogą uszczegółowić te prognozy i pomóc zespołom lepiej chronić zarówno wyniki, jak i długoterminowe zdrowie.

Cytowanie: 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

Słowa kluczowe: sen sportowca, wydajność w koszykówce, psychologia sportu, uczenie maszynowe zdrowie, studenci sportowcy