Психо-физическая синергия спортсменов на основе искусственного интеллекта и глубокого обучения

Почему сигналы вашего тела могут раскрыть ваше психическое состояние

Элитные спортсмены и люди в профессиях с высоким давлением постоянно балансируют между пиковыми показателями и перегрузкой. Наше тело тихо передаёт подсказки о том, насколько мы напряжены, спокойны или развеселены, через сердцебиение, потоотделение, дыхание и движение. В этом исследовании описан новый способ, как компьютеры могут точнее считывать эти подсказки и, что не менее важно, оценивать собственную уверенность в прочитанном. Такое сочетание точности и честности может сделать будущие носимые устройства гораздо более полезными и надёжными.

Преобразование разрозненных сигналов в единую картину

Современные нагрудные ремни и смарт‑браслеты могут одновременно записывать множество физиологических сигналов, таких как вариабельность сердечного ритма, проводимость кожи, дыхательные паттерны, температура и движение. Традиционные компьютерные модели часто рассматривают каждый канал как отдельный поток и просто объединяют их. Авторы утверждают, что это упускает ключевой момент: тело — интегрированная система. При стрессе, например, сердечный ритм, потоотделение и дыхание обычно меняются синхронно в характерном сочетании. В работе вводится идея «графа физиологической синергии», где каждый тип сигнала — узел в сети, а модель учится тому, как сильно они влияют друг на друга в каждый конкретный момент.

Как новая структура ИИ читает тело

Предложенная структура, названная GABT Net, сочетает две мощные идеи из области искусственного интеллекта. Во‑первых, графовая сеть с механизмом внимания анализирует различные телесные сигналы в каждом коротком временном окне. Она соединяет каждый сигнал с каждым другим и обучается определять, какие связи важны в данном состоянии, создавая компактный снимок того, как системы тела взаимодействуют в этот момент. Во‑вторых, эти снимки подаются в модель временных рядов на базе Transformer, которая отслеживает, как этот совместный паттерн меняется со временем. Этот временной этап позволяет системе замечать долгосрочные тенденции, такие как постепенное нарастание стресса или возврат к базовому уровню спокойствия.

Позволяя модели признавать собственную неуверенность

Большинство инструментов машинного обучения выдают единственный лучший вариант, не указывая, насколько он надёжен. Для реальных решений в спорте и здравоохранении это может быть рискованно. GABT Net решает эту проблему, используя байесовский Transformer с Monte Carlo dropout — технику, которая фактически прогоняет множество слегка разных версий модели на одних и тех же данных. Усредняя их выводы, система генерирует и предсказание, и меру собственной неопределённости. Исследователи показывают, что когда модель сообщает о высокой уверенности, её точность в определении состояний стресса и эмоций чрезвычайно высока, а при большой внутренней «энтропии» ошибки становятся более вероятными. Это позволяет помечать случаи, в которых тренеру, врачу или пользователю следует проявить осторожность.

Насколько хорошо система показала себя в тестах

Команда оценивала GABT Net на широко используемом наборе данных, в котором добровольцы носили нагрудные устройства во время спокойных базовых периодов, стрессовых задач и развлекательных активностей. С использованием скользящего окна по сигналам и строгого кросс‑субъектного тестирования модель достигла примерно 96 процентов общей точности и макро F1‑оценки выше 0.94, превзойдя несколько сильных базовых подходов, включая BiLSTM‑сети и стандартные Transformers. Она также обошла недавние методы state‑of‑the‑art, смешивающие свёрточные и рекуррентные сети. Несмотря на такие результаты, модель остаётся относительно компактной и эффективной, с меньшим числом параметров и более быстрым временем предсказания по сравнению с конкурирующими подходами, что важно для работы на носимых или пограничных устройствах.

Что это значит для спортсменов и обычных пользователей

Проще говоря, это исследование показывает, что система ИИ может не только считывать тонкие паттерны по нескольким телесным сигналам для распознавания стресса и эмоциональных состояний, но и оценивать, насколько можно доверять её ответам. Для спортсменов это может означать инструменты тренировки, которые предупреждают о нарастающем психическом напряжении до падения результатов или увеличения риска травм, и которые понимают, когда «попросить помощи» вместо того, чтобы давать вводящие в заблуждение рекомендации. Для более широких применений в здравоохранении и на рабочем месте те же принципы могут поддержать более безопасный постоянный мониторинг состояния стресса и настроения. Хотя испытания в реальных шумных спортивных условиях и персонализация под отдельных людей ещё впереди, исследование предлагает многообещающий план для более интеллектуальных и прозрачных технологий отслеживания «ум — тело».

Цитирование: 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

Ключевые слова: мониторинг стресса, носимые датчики, физиология спортсмена, распознавание эмоций, глубокое обучение