Системы рекомендаций на основе нейровизуализации для персонализированного спортивного тренинга и предотвращения травм

Почему сканы мозга важны для обычных спортсменов

Большинство людей воспринимают сканы мозга как инструмент для диагностики болезней, а не для решения, как тренироваться к забегу или избежать растяжения связок. В этом исследовании показано, как считывание активности мозга во время движения может помочь тренерам и спортсменам адаптировать тренировки под каждого человека, снижая риск травм и улучшая результаты. Связывая активность мозга с телесными сигналами, такими как движение и частота сердечных сокращений, авторы описывают систему, которая может превратить сложную нейронауку в практические рекомендации о том, когда стоит давить сильнее, а когда — снизить нагрузку.

От универсальных программ к тренировкам с учётом мозга

Традиционные программы тренировок в основном одинаково относятся к большинству атлетов и опираются главным образом на видимые показатели, такие как скорость, сила или пульс. Между тем мозг тихо формирует каждое движение — от времени реакции на старт до баланса при приземлении. Ранние компьютерные системы для тренинга использовали фиксированные правила, созданные экспертами. Они были просты для понимания, но плохо адаптировались к индивидуальным особенностям и меняющимся условиям. Позже модели машинного обучения обучались на больших массивах данных о показателях и видео, но по‑прежнему в основном игнорировали мозг. В результате такие подходы могли оптимизировать сеты и повторы, но не учитывали ментальную усталость, концентрацию или тонкие нейронные сигналы предупреждения, которые часто появляются до травмы.

Чтение мозга для управления результатом

Авторы предлагают новую модель NeuroAthleteNet, которая ставит мозговые сигналы в центр тренировочных рекомендаций. Она работает с различными видами измерений активности мозга, включая записи с поверхности головы и нейровизуализацию, рассматривая их как временные паттерны по многим регионам. Сначала система пропускает эти сигналы через слои, которые улавливают кратковременные всплески и более длительные тренды активности. Затем мозг представляют в виде сети, где каждый регион — узел, а сила их взаимодействия формирует связи. Специальные инструменты обучения сетей фиксируют, как паттерны совместной активности по этой карте мозга связаны с реальными показателями, такими как скорость реакции, точность движения и ранние признаки усталости. Модель обучают так, чтобы изученные мозговые связи оставались близки к паттернам, уже известным из нейронауки, что помогает удержать систему в рамках биологии, а не превратить её в чёрный ящик.

Слияние сигналов мозга, движения и тела

Опираясь на этот мозг-центричный каркас, авторы вводят вторую структуру — NeuroSportSync, которая связывает данные мозга с движением, мышечной и сердечной активностью, записываемыми во время упражнений. Так как каждый датчик работает в своём временном масштабе и диапазоне, система сначала приводит все потоки к единому размеру и нормализует их, чтобы выровнять по времени и масштабу. Затем она выделяет наиболее информативные фрагменты и сжимает их в совместное скрытое представление. Механизм, напоминающий прожектор, позволяет модели фокусироваться на тех сигналах, которые важны в конкретный момент — например, акцентировать движение колена при резких сменах направления или лобную активность мозга во время требовательных умственно упражнений. Эти объединённые сигналы поступают в сеть, которая предсказывает как производительность, так и вероятность того, что спортсмен входит в рискованное состояние.

Обнаружение скрытых предупреждающих сигналов до травм

Исследование подчёркивает, что многие безконтактные травмы, например разрывы связок, имеют корни как в нервной системе, так и в мышцах и суставах. Предыдущие работы показали, что изменения в областях мозга, ответственных за планирование движения, чувствование положения сустава и фильтрацию отвлекающих сигналов, могут появляться за дни или недели до заметной травмы. Авторы используют такие находки, чтобы определить маркеры высокого и низкого риска травм в своей системе. Модель ищет паттерны вроде сдвигов в ритмах мозга и ослабления связей между ключевыми регионами, комбинируя их с телесными показателями, такими как сердечный ритм или активность мышц. В тестах на наборах данных с сигналами мозга этот подход превзошёл стандартные методы, использующие простые статистики и классическое машинное обучение, показывая лучшую точность в распознавании, когда спортсмены работают эффективно и когда они могут быть под повышенным риском.

Что это значит для будущего тренировок

Работа намечает путь к тренировочным планам, которые реагируют не только на скорость или силу, но и на то, как мозг и тело справляются со стрессом в конкретный день. В принципе такие системы могли бы рекомендовать более лёгкие упражнения при росте умственной усталости, сигнализировать о скрытом риске до серьёзной травмы или адаптировать практику навыков под то, как мозг каждого спортсмена усваивает новые движения. Авторы отмечают, что современное оборудование всё ещё сложно и дорого, и что нужны дополнительные исследования на реальных командах и в соревновательных условиях. Тем не менее предложенная ими рамочная модель рекомендаций, основанная на нейровизуализации, даёт план внедрения персонализации с учётом мозга в повседневную спортивную практику с двойной целью — улучшить результаты и повысить безопасность.

Цитирование: Zhu, D., Li, Q., Li, M. et al. Neuroimaging-driven recommendation systems for personalized sports training and injury prevention. Sci Rep 16, 14783 (2026). https://doi.org/10.1038/s41598-026-39956-9

Ключевые слова: нейровизуализация, спортивный тренинг, профилактика травм, сигналы мозга, персональный коучинг