Identificação de fadiga neuromuscular e mental em jovens tenistas de mesa de elite usando aprendizado de máquina

Por que o cansaço em atletas jovens importa

Para jovens jogadores de tênis de mesa que buscam desempenho de elite, o cansaço é mais do que apenas sentir-se um pouco esgotado. Tanto o corpo quanto a mente podem reduzir silenciosamente as reações, alterar a técnica e aumentar o risco de erros ou mesmo lesões. Ainda assim, os treinadores raramente dispõem de um modo objetivo e em tempo real de identificar quando um jogador está fatigado mentalmente ou fisicamente. Este estudo investiga se uma raquete inteligente equipada com sensores e algoritmos modernos de reconhecimento de padrões pode ler pequenas alterações nas batidas do jogador para revelar seu estado oculto de fadiga.

Uma raquete inteligente que sente cada impacto

A equipe de pesquisa trabalhou com nove dos melhores jogadores adolescentes de tênis de mesa da França. Eles transformaram uma raquete comum em uma ferramenta de medição ao adicionar um pequeno sensor de movimento tridimensional no cabo e quatro sensores de pressão onde a mão segura a raquete e onde o polegar e o indicador repousam na madeira. Cada vez que o jogador batia na bola, a raquete registrava quão rápido se movia e quão firmemente a mão pressionava em vários pontos. Esses sinais foram amostrados em alta velocidade, filtrados para remover ruído, normalizados e então combinados em um único traço de dados para cada golpe.

Projetando condições de jogo cansado e descansado

Para ligar esses padrões de golpe a diferentes tipos de fadiga, os cientistas criaram cuidadosamente três condições distintas. Em uma, os jogadores realizaram uma tarefa exigente de atenção em computador por 90 minutos, conhecida por drenar energia mental sem cansar diretamente os músculos. Em outra, executaram contrações excêntricas intensas e repetidas do bíceps do braço de jogo até perderem cerca de 15% de sua força máxima de cotovelo, produzindo fadiga muscular evidente. Na condição de controle, eles simplesmente assistiram a um filme cognitivamente neutro. Antes e depois de cada sessão, os jogadores completaram um teste padronizado de tênis de mesa com um lançador de bolas robótico, enquanto a velocidade da bola, a precisão e o número de faltas eram medidos. Eles também relataram quão cansados se sentiam e quão difíceis as tarefas pareciam, e a força do braço foi verificada com um dispositivo especial de medição de força.

De mudanças ocultas nos golpes a padrões reconhecidos

Os testes subjetivos e de força confirmaram que os protocolos mental e físico realmente fizeram os jogadores se sentirem e se comportarem como fatigados: a fadiga mental aumentou o esforço e o cansaço percebidos, e a fadiga física reduziu a força do braço conforme planejado. Surpreendentemente, medidas de desempenho clássicas, como velocidade e precisão da bola, mal mudaram de forma clara e estatisticamente robusta entre as condições, especialmente nesse pequeno grupo de jovens altamente habilidosos. Entretanto, quando os pesquisadores recorreram aos ricos dados dos sensores da raquete, uma história diferente emergiu. Eles alimentaram milhares de golpes rotulados — cada um identificado como proveniente de uma sessão de fadiga mental, fadiga física ou controle — em uma série de modelos supervisionados de aprendizado de máquina, incluindo k‑vizinhos mais próximos e florestas aleatórias. Esses algoritmos aprenderam a reconhecer mudanças sutis nas curvas de aceleração e na pressão da empunhadura que o olho não conseguia ver.

Ensinando computadores a identificar jogadores cansados

Quando o objetivo era simplesmente dizer se um golpe vinha de um estado fatigado ou não fatigado, o melhor modelo, k‑vizinhos mais próximos, classificou corretamente cerca de 84% dos casos. Ao pedir para ir além e distinguir entre três estados específicos — sem fadiga, fadiga mental e fadiga física — o modelo de floresta aleatória alcançou cerca de 82% de acurácia. Isso significa que, apesar de os jogadores ainda conseguirem bater na bola com aproximadamente a mesma velocidade e precisão, a “assinatura” da raquete havia mudado o suficiente para que um sistema orientado a dados detectasse. Testes mais exigentes que tentaram generalizar entre jogadores mostraram sucesso menor, principalmente porque a amostra era pequena e o estilo de cada atleta era único, mas indicam que retreinar modelos dentro de um grupo de treinamento de elite estável é viável.

O que isso significa para treinamento e saúde

Em termos práticos, este estudo mostra que uma raquete inteligente e os algoritmos adequados podem “ouvir” como um jovem atleta se move e sinalizar discretamente quando seu corpo ou mente está se esgotando, mesmo antes que erros óbvios apareçam. Treinadores poderiam, eventualmente, usar tais ferramentas para gerenciar cargas de treino, prevenir uso excessivo e programar pausas táticas ou mentais com mais precisão durante treinos e competições. Embora sejam necessários mais jogadores, mais sensores e sistemas em tempo real antes que isso se torne um auxílio padrão à beira da quadra, a mensagem central é clara: mudanças sutis em como seguramos e balançamos uma raquete podem revelar se estamos descansados, mentalmente exauridos ou com fadiga muscular — e as máquinas já são boas o suficiente para distinguir entre esses estados.

Citação: 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

Palavras-chave: tênis de mesa, fadiga esportiva, sensores vestíveis, aprendizado de máquina, atletas jovens