Прогнозирование качества сна у баскетболистов с помощью глубокой нейросети с механизмом внимания на основе мультимодальных данных

Почему сон важен для студентов‑спортсменов

Для студентов, играющих в университетский баскетбол, ночные занятия, ранние утренние тренировки и напряжённые матчи часто совпадают, оставляя мало места для полноценного сна. Между тем во сне клетки восстанавливают мышцы, мозг закрепляет выученное, а эмоции успокаиваются. В этом исследовании поставлен практический вопрос с серьёзными последствиями для здоровья и функционирования игроков: можно ли с помощью простых тестов и опросников, которые команды уже собирают — например, показателей физической подготовки, массы тела и уровня стресса — автоматически выявлять спортсменов, находящихся в группе риска плохого сна?

Взгляд на спортсмена целиком

Вместо того чтобы опираться на одну метрику, например количество часов сна или показания носимого устройства, исследователи расширили фокус и изучили разные факторы, формирующие сон. Они сотрудничали с университетскими баскетбольными командами в восьми провинциях Китая и собрали данные от 379 игроков. Каждый спортсмен заполнял стандартные психологические опросники по тревоге и субъективному стрессу, широко используемый опросник качества сна и онлайн‑анкету о возрасте, поле, курсе обучения и спортивном опыте. Одновременно сотрудники физкультуры измеряли рост, вес, жизненную ёмкость лёгких, скорость спринта, силу прыжка, силовые тесты, такие как подтягивания или скручивания, и выносливость при беге на треке. Такое сочетание создало богатый профиль тела и психики для каждого игрока.

Преобразование данных в уровни риска сна

Чтобы результаты были полезны тренерам и медицинскому персоналу, исследователи разделили игроков на три категории по баллам опросника сна: хороший сон, умеренные нарушения и плохой сон. Почти половина спортсменов оказалась в группе с плохим сном, что подчёркивает распространённость проблем со сном в студенческом спорте. Команда затем очистила и стандартизировала данные, заполнила пропуски и использовала эти профили для обучения нескольких моделей. Традиционные методы, такие как логистическая регрессия и деревья решений, сравнивали с более гибкой моделью глубинного обучения — многослойным перцептроном с механизмом внимания. Эта модель умеет автоматически определять, каким признакам стоит уделять больше «внимания» при прогнозировании, позволяя по‑разному взвешивать физические, психологические и фоновые факторы.

Чему научилась «умная» модель

Модель с механизмом внимания показала несколько лучшие результаты, чем традиционные модели, при распределении спортсменов по трём группам сна. Её общая точность составила около 73%, при этом наблюдалось более сбалансированное распознавание каждой из групп по сравнению с другими методами. Однако улучшение было умеренным, а не радикальным, и наибольшие трудности модель испытывала с промежуточной «умеренной» группой, где сон нельзя однозначно отнести к хорошему или плохому. Это говорит о том, что пограничные случаи действительно трудно различить по имеющимся измерениям. Когда исследователи применяли приёмы, искусственно уравновешивающие данные — например, добавляя вес недопредставленным классам или создавая синтетические примеры — модель стала лучше распознавать умеренную группу, хотя и с небольшой потерей общей точности.

Подсказки от тела и разума

Чтобы избежать эффекта «чёрного ящика», исследование также проанализировало, на каких признаках модель, похоже, основывается сильнее всего. Были использованы два взаимодополняющих инструмента: сам механизм внимания внутри сети, показывающий, куда модель обращает фокус, и метод SHAP, оценивающий вклад каждого фактора в склонение прогноза в сторону лучшего или худшего сна. По обоим подходам психологическое напряжение — в особенности тревога и субъективный стресс — проявилось как наиболее тесно связанное с плохим сном. Индекс массы тела (простое соотношение веса и роста) и несколько показателей физической подготовки, таких как сила верхней части тела и жизненная ёмкость лёгких, также играли важную роль, наряду с курсом обучения и частотой тренировок. Многие отдельные тесты по фитнесу при однофакторном анализе показывали слабую прямую связь со сном, но в совокупности они давали полезную информацию, особенно в сочетании с показателями психического здоровья.

Что это значит для команд

Для тренеров, специалистов по подготовке и университетской медицины главный вывод не в том, что компьютер может окончательно диагностировать, кто плохо спит, а в том, что повседневные данные помогают выявлять спортсменов, которым может потребоваться более пристальное внимание. Подход с глубокой нейросетью дал небольшие, но статистически надёжные улучшения по сравнению с более простыми моделями и выделил тревогу, стресс и массу тела как одни из наиболее информативных признаков тревоги. Поскольку модель хуже работает для «пограничных» спящих, авторы рекомендуют использовать её как инструмент скрининга и сортировки: выявлять игроков с повышенным риском, а затем проводить уточняющие беседы, более детальные обследования и при необходимости направлять к профильным специалистам. Дальнейшие исследования, включающие поведенческие и расписные данные — например, употребление кофеина, время пользования экранами ночью и расписание тренировок — могут сделать прогнозы точнее и помочь командам лучше защищать как спортивные результаты, так и долгосрочное здоровье.

Цитирование: 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

Ключевые слова: сон спортсмена, результаты баскетбола, спортивная психология, машинное обучение здоровье, университетские спортсмены