Previsão da qualidade do sono em atletas de basquete usando uma estrutura de deep learning com mecanismo de atenção baseada em dados multimodais

Por que o sono importa para estudantes-atletas

Para jogadores de basquete universitários, sessões de estudo até tarde, treinos nas primeiras horas da manhã e jogos de alta pressão frequentemente se chocam, deixando pouco espaço para um sono adequado. Ainda assim, é durante o sono que o corpo repara músculos, a mente consolida o aprendizado e as emoções se acalmam. Este estudo coloca uma pergunta prática com grandes implicações para a saúde e o desempenho dos atletas: podemos usar testes simples e questionários que as equipes já coletam — como pontuações de aptidão, peso corporal e níveis de estresse — para sinalizar automaticamente quais atletas estão em risco de ter sono ruim?

Olhando para o atleta como um todo

Em vez de focar em um único número, como horas dormidas ou a leitura de um dispositivo vestível, os pesquisadores adotaram uma visão ampla do que molda o sono. Eles trabalharam com equipes universitárias de basquete em oito províncias da China e coletaram dados de 379 jogadores. Cada atleta respondeu a questionários psicológicos padronizados sobre ansiedade e estresse percebido, um questionário amplamente usado sobre qualidade do sono e um formulário online sobre idade, sexo, ano escolar e histórico de treinamento. Ao mesmo tempo, a equipe de educação física mediu altura, peso, capacidade pulmonar, velocidade em sprints, potência de salto, testes de força como barras ou abdominais, e resistência em corrida na pista. Essa combinação criou um perfil rico de corpo e mente para cada jogador.

Transformando dados em níveis de risco de sono

Para tornar os resultados úteis para treinadores e equipe de saúde, os pesquisadores agruparam os jogadores em três categorias com base nas pontuações do questionário de sono: bom sono, problemas moderados e sono ruim. Quase metade dos atletas caiu no grupo de sono ruim, ressaltando como problemas de sono são comuns nos esportes universitários. A equipe então limpou e padronizou os dados, preencheu valores ausentes e usou esses perfis para treinar vários modelos de computador. Métodos tradicionais, como regressão logística e abordagens baseadas em árvores, foram comparados com um modelo de deep learning mais flexível chamado perceptron multicamada com mecanismo de atenção. Esse modelo pode aprender quais peças de informação merecem mais “atenção” ao fazer previsões, permitindo que pese fatores físicos, psicológicos e de histórico de forma diferenciada.

O que o modelo inteligente aprendeu

O modelo com atenção teve um desempenho um pouco melhor do que os modelos tradicionais ao classificar os atletas nas três categorias de sono. Sua acurácia geral foi de cerca de 73%, com um equilíbrio perceptivelmente maior entre a identificação correta de cada grupo do que os outros métodos alcançaram. No entanto, a melhoria foi modesta em vez de dramática, e o modelo teve mais dificuldade com o grupo intermediário, “moderado”, onde o sono não é claramente bom nem claramente ruim. Isso sugere que casos de fronteira são realmente difíceis de distinguir usando as medições atuais. Quando os pesquisadores testaram técnicas que reequilibram artificialmente os dados — dando peso extra a casos sub-representados ou criando exemplos sintéticos — o modelo ficou melhor em reconhecer esse grupo moderado, embora com um pequeno custo para a acurácia geral.

Pistas do corpo e da mente

Para evitar um sistema “caixa-preta”, o estudo também examinou em quais características o modelo parecia se apoiar mais. Duas ferramentas complementares foram usadas: o mecanismo de atenção dentro da rede, que ressalta onde o modelo foca, e um método chamado SHAP, que estima quanto cada fator empurra as previsões para sono melhor ou pior. Em ambas as análises, a tensão psicológica — especialmente ansiedade e estresse percebido — destacou-se como fortemente ligada ao sono ruim. Índice de massa corporal (uma razão simples entre peso e altura) e várias medidas de condicionamento físico, como força da parte superior do corpo e capacidade pulmonar, também tiveram papel importante, juntamente com o ano escolar e a frequência de treinamento. Muitos testes físicos individuais mostraram apenas ligações diretas fracas com o sono quando vistos isoladamente, mas juntos ainda acrescentaram informação útil, especialmente quando combinados com medidas de saúde mental.

O que isso significa para as equipes

Para treinadores, preparadores físicos e equipes de saúde universitária, a mensagem principal não é que um computador pode diagnosticar definitivamente quem dorme mal, mas que dados do dia a dia podem ajudar a sinalizar atletas que podem precisar de atenção mais próxima. A abordagem de deep learning proporcionou ganhos pequenos, porém estatisticamente confiáveis, em relação a modelos mais simples, e destacou que ansiedade, estresse e peso estão entre os sinais de alerta mais informativos. Como o modelo tem desempenho pior para os “no meio”, os autores recomendam usá-lo como ferramenta de triagem e direcionamento: identificar jogadores de maior risco e, em seguida, seguir com conversas, avaliações mais detalhadas e, se necessário, cuidados profissionais. Trabalhos futuros que incluam informações sobre comportamento e cronograma — como uso de cafeína, tempo de tela à noite e horários de treino — podem afiar essas previsões e ajudar as equipes a protegerem melhor tanto o desempenho quanto a saúde a longo prazo.

Citação: 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

Palavras-chave: sono de atletas, desempenho no basquete, psicologia do esporte, aprendizado de máquina em saúde, atletas universitários