Synergia psychiczno‑fizyczna sportowców oparta na sztucznej inteligencji i głębokim uczeniu

Dlaczego sygnały ciała mogą ujawniać stan psychiczny

Elitarni sportowcy i osoby wykonujące prace pod dużą presją stale balansują między szczytową formą a przeciążeniem. Nasze ciała dyskretnie wysyłają wskazówki o tym, czy jesteśmy zestresowani, spokojni czy rozbawieni — przez rytm serca, pot, oddech i ruch. W badaniu opisano nowy sposób, w jaki komputery mogą dokładniej odczytywać te sygnały i, co równie ważne, komunikować stopień pewności swoich odczytów. To połączenie precyzji i transparentności może uczynić przyszłe urządzenia noszone znacznie bardziej użytecznymi i godnymi zaufania.

Przekształcanie rozproszonych sygnałów w jedną całość

Nowoczesne pasy na klatkę piersiową i opaski potrafią jednocześnie rejestrować wiele sygnałów fizjologicznych, takich jak zmienność rytmu serca, przewodnictwo skóry, wzorce oddechowe, temperatura i ruch. Tradycyjne modele komputerowe często traktują każdy kanał jako oddzielny strumień i po prostu je łączą. Autorzy wskazują, że to pomija istotę: ciało jest systemem zintegrowanym. Pod wpływem stresu rytm serca, pocenie się i oddech zwykle zmieniają się wspólnie w charakterystyczny sposób. Badanie wprowadza koncepcję „grafu synergii fizjologicznej”, w którym każdy typ sygnału jest węzłem sieci, a model uczy się, jak silnie wpływają one na siebie w danym momencie.

Jak nowe ramy AI odczytują ciało

Proponowane rozwiązanie, nazwane GABT Net, łączy dwie silne idee ze sztucznej inteligencji. Po pierwsze, grafowa sieć z mechanizmem atencji analizuje różne sygnały ciała w każdej krótkiej chwili czasowej. Łączy każdy sygnał z każdym innym i uczy się, które powiązania są istotne w danym stanie, tworząc zwarte migawki pokazujące, jak układy ciała współdziałają w danej chwili. Po drugie, te migawki trafiają do modelu czasowego opartego na Transformerze, który śledzi, jak ten współpracujący wzorzec zmienia się w czasie. Etap temporalny pozwala systemowi wychwycić długodystansowe trendy, takie jak stopniowe narastanie stresu czy powrót do stanu spoczynkowego.

Pozwalanie modelowi przyznać, kiedy jest niepewny

Większość narzędzi uczenia maszynowego zwraca pojedyncze najlepsze przypuszczenie, nie informując o jego wiarygodności. W zastosowaniach sportowych i zdrowotnych może to być ryzykowne. GABT Net rozwiązuje ten problem, stosując bayesowski Transformer z Monte Carlo dropout — technikę, która efektywnie uruchamia wiele nieco różnych wersji modelu na tych samych danych. Poprzez uśrednianie ich wyników system generuje zarówno predykcję, jak i miarę własnej niepewności. Badacze wykazują, że gdy model zgłasza wysoką pewność, jego dokładność w rozpoznawaniu stanów stresu i emocji jest bardzo wysoka, a gdy wewnętrzna „entropia” jest duża, błędy stają się bardziej prawdopodobne. To umożliwia oznaczanie przypadków, w których trener, lekarz lub użytkownik powinni zachować ostrożność.

Jak system sprawdza się w testach

Zespół ocenił GABT Net na powszechnie używanym zbiorze danych, w którym ochotnicy nosili urządzenia na klatce piersiowej podczas okresów spokoju, zadań stresowych i zabawnych aktywności. Stosując przesuwające się okno na sygnałach i rygorystyczne testy krzyżowe między uczestnikami, model osiągnął około 96 procent dokładności ogólnej oraz wartość makro F1 powyżej 0,94, przewyższając kilka silnych punktów odniesienia, w tym sieci BiLSTM i standardowe Transformery. Pokonał też niedawne metody stanowiące stan techniki, łączące splotowe i rekurencyjne sieci. Pomimo wysokiej skuteczności model pozostaje stosunkowo zwarty i wydajny, z mniejszą liczbą parametrów i szybszym czasem predykcji niż konkurencyjne podejścia, co ma znaczenie dla uruchamiania na urządzeniach noszonych lub brzegowych.

Co to oznacza dla sportowców i użytkowników

Mówiąc prosto, badanie pokazuje, że system AI może nie tylko odczytywać subtelne wzorce w wielu sygnałach ciała, by rozpoznawać stres i stany emocjonalne, ale także oceniać, na ile jego odpowiedzi są godne zaufania. Dla sportowców może to oznaczać narzędzia treningowe ostrzegające o narastającym obciążeniu mentalnym zanim spadnie wydajność lub wzrośnie ryzyko kontuzji, i które potrafią „poprosić o pomoc”, zamiast podawać mylące wskazówki. W szerszych zastosowaniach zdrowotnych i w miejscu pracy te same zasady mogą wspierać bezpieczniejsze, ciągłe monitorowanie stresu i nastroju. Choć testy w hałaśliwych warunkach sportowych i personalizacja pod kątem poszczególnych użytkowników pozostają zadaniami na przyszłość, badanie oferuje obiecujący plan inteligentniejszych i bardziej przejrzystych technologii śledzenia relacji umysł‑ciało.

Cytowanie: 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

Słowa kluczowe: monitorowanie stresu, czujniki noszone, fizjologia sportowców, rozpoznawanie emocji, głębokie uczenie