Sömnkvalitetsprognos hos basketidrottare med hjälp av ett djupinlärningsramverk med uppmärksamhetsmekanism baserat på multimodala data

Varför sömn är viktigt för studentidrottare

För universitetsbasketspelare går sena studiestunder, tidiga träningar och högtrycksmatcher ofta ihop, vilket lämnar litet utrymme för god sömn. Samtidigt är sömnen när kroppen reparerar muskler, hjärnan konsoliderar lärande och känslor stabiliseras. Denna studie ställer en praktisk fråga med stora konsekvenser för spelarnas hälsa och prestation: kan vi använda enkla tester och enkäter som lagen redan samlar in — som konditionspoäng, kroppsvikt och stressnivåer — för automatiskt identifiera vilka idrottare som löper risk för dålig sömn?

Att se hela idrottaren

I stället för att fokusera på ett enda mått, som sovtimmar eller avläsning från en bärbar enhet, använde forskarna ett brett perspektiv på vad som formar sömnen. De samarbetade med universitetsbasketlag i åtta provinser i Kina och samlade in data från 379 spelare. Varje idrottare fyllde i standardiserade psykologiska frågeformulär om ångest och upplevd stress, en allmänt använd enkät om sömnkvalitet och ett webformulär om ålder, kön, studieår och träningsbakgrund. Samtidigt mätte idrottslärarna längd, vikt, lungkapacitet, sprinttid, hoppkraft, styrketester som chins eller sit-ups och uthållighet vid löpning på bana. Denna kombination skapade en rik profil av både kropp och sinne för varje spelare.

Att omvandla data till sömnrisknivåer

För att göra resultaten användbara för tränare och vårdpersonal grupperade forskarna spelarna i tre kategorier baserat på deras sömnenkätsresultat: god sömn, måttliga problem och dålig sömn. Nästan hälften av idrottarna hamnade i gruppen med dålig sömn, vilket understryker hur vanligt sömnproblem är i högskoleidrott. Teamet rengjorde och standardiserade sedan data, fyllde i saknade värden och använde dessa profiler för att träna flera datormodeller. Traditionella metoder såsom logistisk regression och träd-baserade tillvägagångssätt jämfördes med en mer flexibel djupinlärningsmodell kallad uppmärksamhetsbaserad multilagerperceptron. Den här modellen kan lära sig vilka informationsbitar som förtjänar mer "uppmärksamhet" vid prognoser, vilket låter den väga fysiska, psykologiska och bakgrundsfaktorer olika.

Vad den smarta modellen lärde sig

Den uppmärksamhetsbaserade modellen presterade något bättre än de traditionella modellerna när det gällde att sortera idrottarna i de tre sömngrupperna. Dess totala noggrannhet var omkring 73 %, med en märkbart högre balans i hur väl varje grupp identifierades korrekt jämfört med de andra metoderna. Förbättringen var dock måttlig snarare än dramatisk, och modellen hade mest svårigheter med den mittersta, "måttliga" gruppen, där sömnen varken är tydligt god eller tydligt dålig. Detta tyder på att gränsfall verkligen är svåra att särskilja med nuvarande mätningar. När forskarna provade tekniker som konstgjort återbalanserar data — genom att ge extra vikt åt underrepresenterade fall eller skapa syntetiska exempel — blev modellen bättre på att känna igen den måttliga gruppen, om än till en liten kostnad för den övergripande noggrannheten.

Ledtrådar från kropp och sinne

För att undvika ett "svart låda"-system granskade studien också vilka funktioner modellen verkade förlita sig mest på. Två kompletterande verktyg användes: uppmärksamhetsmekanismen inne i nätverket, som framhäver var modellen fokuserar, och en metod kallad SHAP, som uppskattar hur mycket varje faktor skjuter prognoser mot bättre eller sämre sömn. I dessa analyser framträdde psykologisk belastning — särskilt ångest och upplevd stress — som starkt kopplad till dålig sömn. Body mass index (det enkla förhållandet mellan vikt och längd) och flera fysiska prestationsmått, som överkroppsstyrka och lungkapacitet, spelade också en viktig roll, liksom studieår och träningsfrekvens. Många individuella fystester visade bara svaga direkta samband med sömn när de betraktades var för sig, men tillsammans tillförde de ändå nyttig information, särskilt i kombination med mått på mental hälsa.

Vad detta betyder för lag

För tränare, sjukgymnaster och universitetsvårdpersonal innebär huvudbudskapet inte att en dator entydigt kan diagnostisera vem som sover dåligt, utan att vardagsdata kan hjälpa till att flagga idrottare som kan behöva närmare uppmärksamhet. Djupinlärningsmetoden gav små men statistiskt pålitliga vinster över enklare modeller, och den pekade på att ångest, stress och vikt är bland de mest informativa varningssignalerna. Eftersom modellen presterar sämst för de "mittemellan" sovande rekommenderar författarna att använda den som ett screenings- och triageverktyg: identifiera spelare med högre risk, följ upp med samtal, mer detaljerade bedömningar och vid behov professionell vård. Framtida arbete som lägger till beteende- och schemainformation — såsom koffeinintag, skärmtid på kvällen och träningstider — kan skärpa dessa prognoser och hjälpa lag att bättre skydda både prestation och långsiktig hälsa.

Citering: 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

Nyckelord: idrottares sömn, basketprestation, sportpsykologi, maskininlärning hälsa, högskoleidrottare