Siner gia psicológica-física de atletas baseada em inteligência artificial e aprendizado profundo

Por que os sinais do seu corpo podem revelar seu estado mental

Atletas de alto nível e pessoas em profissões de alta pressão circulam constantemente numa tênue linha entre desempenho máximo e sobrecarga. Nossos corpos transmitem silenciosamente pistas sobre o quanto estamos estressados, calmos ou divertidos por meio dos batimentos cardíacos, suor, respiração e movimentos. Este estudo descreve uma nova maneira de os computadores lerem essas pistas com mais precisão e, igualmente importante, dizerem o quão certos estão sobre o que interpretam. Essa combinação de precisão e transparência pode tornar futuros dispositivos vestíveis muito mais úteis e confiáveis.

Transformando sinais dispersos em uma imagem única

Faixas peitorais modernas e pulseiras inteligentes podem registrar muitos sinais fisiológicos ao mesmo tempo, como variabilidade da frequência cardíaca, condutância da pele, padrões respiratórios, temperatura e movimento. Modelos computacionais tradicionais costumam tratar cada canal como um fluxo separado e simplesmente empilhá‑los. Os autores argumentam que isso perde um ponto central: o corpo é um sistema integrado. Sob estresse, por exemplo, frequência cardíaca, sudorese e respiração tendem a mudar juntos em um padrão característico. O estudo introduz a ideia de um “grafo de sinergia fisiológica”, no qual cada tipo de sinal é um nó numa rede e o modelo aprende quão fortemente eles se influenciam mutuamente em cada momento.

Como o novo framework de IA lê o corpo

O framework proposto, chamado GABT Net, combina duas ideias poderosas da inteligência artificial. Primeiro, uma rede de atenção em grafo examina os diferentes sinais corporais dentro de cada pequena janela temporal. Ela conecta cada sinal a todos os outros e aprende quais ligações são mais relevantes em um dado estado, produzindo um retrato compacto de como os sistemas do corpo estão trabalhando em conjunto naquele instante. Segundo, esses retratos são alimentados em um modelo temporal baseado em Transformer que acompanha como esse padrão cooperativo evolui ao longo do tempo. Essa etapa temporal permite ao sistema notar tendências de longo alcance, como um acúmulo gradual de estresse ou um retorno ao nível de calma de base.

Permitindo que o modelo admita quando está inseguro

A maioria das ferramentas de aprendizado de máquina fornece um único palpite mais provável, sem indicar quão confiável esse palpite é. Para decisões do mundo real no esporte e na saúde, isso pode ser arriscado. O GABT Net enfrenta isso usando um Transformer Bayesiano com dropout de Monte Carlo, uma técnica que executa efetivamente muitas versões ligeiramente diferentes do modelo sobre os mesmos dados. Ao fazer a média de suas saídas, o sistema produz tanto uma predição quanto uma medida de sua própria incerteza. Os pesquisadores mostram que, quando o modelo reporta alta confiança, sua precisão em estados de estresse e emoção é extremamente alta, e quando sua “entropia” interna é grande, erros são mais prováveis. Isso torna possível sinalizar casos em que um treinador, médico ou usuário deve ser cauteloso.

Quão bem o sistema se sai nos testes

A equipe avaliou o GABT Net em um conjunto de dados amplamente utilizado em que voluntários usaram dispositivos peitorais enquanto passavam por períodos calmos de base, tarefas estressantes e atividades divertidas. Usando uma janela deslizante sobre os sinais e uma abordagem rigorosa de teste entre sujeitos, o modelo alcançou cerca de 96% de acurácia geral e uma pontuação macro F1 acima de 0,94, superando várias linhas de base fortes, incluindo redes BiLSTM e Transformers padrão. Também superou métodos recentes de ponta que misturam redes convolucionais e recorrentes. Apesar desse desempenho elevado, o modelo permanece relativamente compacto e eficiente, com menos parâmetros e tempos de predição mais rápidos que abordagens concorrentes, o que é importante para execução em dispositivos vestíveis ou de borda.

O que isso significa para atletas e usuários comuns

De forma direta, esta pesquisa mostra que um sistema de IA pode não apenas ler padrões sutis em múltiplos sinais corporais para reconhecer estresse e estados emocionais, mas também avaliar quão confiáveis são suas próprias respostas. Para atletas, isso pode se traduzir em ferramentas de treinamento que alertam sobre acúmulo de tensão mental antes da queda de desempenho ou aumento do risco de lesão, e que sabem quando “pedir ajuda” em vez de fornecer feedback enganoso. Para aplicações mais amplas em saúde e no trabalho, os mesmos princípios podem suportar monitoramento contínuo e mais seguro do estresse e do humor. Embora testes no mundo real em ambientes esportivos ruidosos e a personalização para indivíduos ainda sejam etapas futuras, o estudo oferece um roteiro promissor para tecnologias de monitoramento mente‑corpo mais inteligentes e transparentes.

Citação: 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

Palavras-chave: monitoramento do estresse, sensores vestíveis, fisiologia de atletas, reconhecimento de emoções, aprendizado profundo