Identifiering av neuromuskulär och mental trötthet hos elitunga bordtennisspelare med maskininlärning

Varför trötthet hos unga idrottare är viktigt

För unga bordtennisspelare som jagar elitprestationer är trötthet mer än att bara känna sig lite utmattad. Både kropp och sinne kan tyst bromsa reaktioner, förändra teknik och öka risken för misstag eller till och med skada. Ändå har tränare sällan ett objektivt, realtidsmått för att se när en spelare är mentalt eller fysiskt utmattad. Denna studie undersöker om ett smart, sensorutrustat racket och moderna mönsterigenkänningsalgoritmer kan avläsa små förändringar i en spelares slag för att avslöja deras dolda trötthetstillstånd.

Ett smart racket som känner varje träff

Forskargruppen arbetade med nio av Frankrikes bästa tonåriga bordtennisspelare. De förvandlade ett vanligt racket till ett mätverktyg genom att lägga till en liten tredimensionell rörelsesensor i handtaget och fyra trycksensorer där handen greppar racket och tummen och pekfingret vilar på bladet. Varje gång spelaren slog en boll registrerade racket hur snabbt det rörde sig och hur hårt handen pressade på olika punkter. Dessa signaler samplades mycket snabbt, filtrerades för att ta bort brus, normaliserades och slogs sedan ihop till en enda dataspår för varje slag.

Utformning av trötta och fräscha spelvillkor

För att koppla dessa slagmönster till olika typer av trötthet skapade forskarna omsorgsfullt tre separata villkor. I det ena utförde spelarna en krävande datorbaserad uppmärksamhetsuppgift i 90 minuter, känd för att tömma mental energi utan att direkt trötta ut musklerna. I ett annat utförde de upprepade intensiva excentriska kontraktioner av biceps i spelarmen tills de förlorade cirka 15 % av sin maximala armbågsstyrka, vilket framkallade tydlig muskeltrötthet. I kontrollvillkoret tittade de helt enkelt på en kognitivt neutral film. Före och efter varje session genomförde spelarna ett standardiserat bordtennistest med en bollskjutande robot, samtidigt som deras bollhastighet, precision och antal fel mättes. De rapporterade också hur trötta de kände sig och hur ansträngande uppgifterna verkade, och deras armstyrka kontrollerades med en särskild kraftmätningsanordning.

Från dolda slagförändringar till igenkända mönster

De subjektiva och styrketesterna bekräftade att de mentala och fysiska protokollen verkligen fick spelarna att känna sig och prestera som uttröttade: mental trötthet ökade upplevd ansträngning och trötthet, och fysisk trötthet minskade armstyrkan som planerat. Förvånande nog förändrades klassiska prestationsmått som bollhastighet och precision knappt på ett tydligt, statistiskt robust sätt över villkoren, särskilt i denna lilla grupp av högkvalificerade ungdomar. När forskarna däremot vände sig till de rika sensordata som kom från racket framträdde en annan bild. De matade tusentals märkta slag—varje taggat som härrörande från en mentalt uttröttad, fysiskt uttröttad eller kontrollsession—i en rad övervakade maskininlärningsmodeller, inklusive k‑närmaste grannar och random forests. Dessa algoritmer lärde sig att känna igen subtila skiftningar i accelerationskurvor och grepptryck som ögat inte kunde se.

Att lära datorer att upptäcka trötta spelare

När målet enbart var att avgöra om ett slag kom från ett uttröttat eller icke-uttröttat tillstånd klassificerade den bästa modellen, k‑närmaste grannar, korrekt cirka 84 % av fallen. När man bad modellen gå längre och skilja mellan tre specifika tillstånd—ingen trötthet, mental trötthet och fysisk trötthet—nådde random forest-modellen ungefär 82 % noggrannhet. Det innebär att även om spelarna fortfarande kunde träffa bollen med ungefär samma hastighet och precision, hade deras rackets ”signatur” förändrats tillräckligt för att ett datadrivet system skulle kunna upptäcka det. Mer krävande tester som försökte generalisera över spelare visade lägre framgång, främst eftersom urvalet var litet och varje idrottares stil var unik, men resultaten antyder att omskolning av modeller inom en stabil elitträningsgrupp är genomförbart.

Vad detta betyder för träning och hälsa

I vardagliga termer visar denna studie att ett smart racket och rätt algoritmer kan "lyssna" på hur en ung idrottare rör sig och tyst flagga när deras kropp eller sinne börjar bli uttömt, även innan tydliga fel uppstår. Tränare skulle så småningom kunna använda sådana verktyg för att hantera träningsbelastningar, förebygga överansträngning och tajma taktiska eller mentala pauser mer precist under träning och tävling. Medan fler spelare, fler sensorer och realtidssystem kommer att behövas innan detta blir ett standardverktyg vid banan, är huvudbudskapet tydligt: subtila förändringar i hur vi håller och svingar ett racket kan avslöja om vi är fräscha, mentalt dränerade eller muskelutmattade—och maskiner är redan tillräckligt bra på att skilja dem åt.

Citering: Delumeau, T., Deschamps, T., Plot, C. et al. Identifying neuromuscular and mental fatigue in elite youth table tennis players using machine learning. Sci Rep 16, 11812 (2026). https://doi.org/10.1038/s41598-026-40324-w

Nyckelord: bordtennis, idrottströtthet, bärbara sensorer, maskininlärning, ungdomsidrottare