Djupinlärningsbaserad infraröd termografi avslöjar reproducerbara, gemensamma och individuella termoregulatoriska responser under löpning

Att iaktta hur kroppen värms upp

När vi ger oss ut och springer jonglerar våra kroppar tyst flera uppgifter samtidigt: röra muskler, leverera syre och göra sig av med överskottsvärme. Denna studie undersöker ett nytt sätt att följa den jongleringen i realtid — genom att använda värmekameror och artificiell intelligens för att spåra hur löpares hudtemperatur förändras under träning. Arbetet tyder på att enkla, kontaktfria värmebilder av benen kan avslöja både gemensamma mönster som delas av de flesta löpare och subtila, personliga skillnader kopplade till prestationskapacitet.

Att fotografera värme medan människor springer

Forskarna bjöd in elva friska, uthållighetstränade unga vuxna till ett kontrollerat laboratorium. Varje person genomförde tre löpningar på löpband vid två olika tillfällen. Det totala arbetet i varje löprunda var detsamma, men intensitetsmönstren skilde sig åt: en var jämn, en annan gick från jämn till intervaller, och den tredje gjorde tvärtom. Medan deltagarna sprang registrerade teamet hjärtfrekvens, andning, kärntemperatur (med interna och externa sensorer), upplevd ansträngning, svettförlust och — avgörande — värmemönstren på vaderna med en högupplöst infraröd kamera placerad bakom löpbandet.

Låta artificiell intelligens läsa termiska kartor

I stället för att manuellt rita upp regioner på de termiska bilderna använde teamet djupinlärning — en form av artificiell intelligens — för att automatiskt känna igen vaderna och särskilja olika typer av blodkärlsregioner. Från varje bildruta beräknade systemet flera hudtemperaturmått: genomsnittlig vadtemperatur, temperatur i områden utan synliga kärl samt temperaturer över små artärer och ytliga vener. Det mätte också "entropi", en statistik som beskriver hur varierade temperaturmönstren är över hudytan. Dessa mått synkroniserades sedan med data om puls, andning och kärntemperatur, vilket gav detaljerade tidsserier över uppvärmning, huvuddelar av löpningen och återhämtning.

Gemensamma värmemönster och personliga signaturer

Över alla tre löprundorna steg och föll de olika hudtemperaturmåtten i takt med förändringar i löpintensitet, även om deras absoluta värden skilde sig åt. Områden över små arteriella kärl visade särskilt starka samband med hjärtfrekvens och syreförbrukning, särskilt under högintensiva intervaller och återhämtning, vilket tyder på att de är känsliga markörer för hur hårt kroppen arbetar och hur snabbt den avleder värme efter insatsen. Entropin i dessa kärlregioner följde kärntemperaturen under uppvärmningen och speglade hur värmen sprids över huden när kroppen blir varmare. Samtidigt fanns märkbara individuella skillnader. Hos vissa löpare — särskilt de med högre submaximal löpkapacitet — rörde sig temperaturen på icke-kärl hud i motsatt riktning mot kärntemperaturen, vilket skapade större skillnader mellan djup kroppsvärme och svalare hud. Dessa skillnader återspeglar sannolikt mer effektiva blodflödesjusteringar som hjälper till att avleda värme samtidigt som kärntemperaturen hålls i schack.

Pålitliga mätvärden över olika dagar

En nyckelfråga var om dessa termiska mått är tillräckligt stabila för att vara användbara utanför ett enda test. Studien visade att förändringar i icke-kärl hudtemperatur, särskilt under uppvärmning, intervaller och återhämtning, var högst reproducerbara inom samma person över alla tre löpningar, även när ordning och mönster för belastningarna ändrades. Gruppnivåmönster var också konsekventa. Mindre tillförlitlighet framträdde när man jämförde vissa kontinuerliga löpsegment som föregåtts av olika typer av ansträngning, vilket understryker att omedelbar träningshistoria tillfälligt kan omforma hudens blodflöde och temperatur. Sammantaget levererade den automatiserade analysen dock robusta, upprepbara signaler under välkontrollerade rummiljöer.

Vad detta betyder för idrottare och hälsomonitorering

Resultaten visar att smart analys av värmebilder kan fånga både de gemensamma sätten människor reglerar temperatur under löpning och de personliga variationer som är kopplade till hur väl någon kan upprätthålla submaximala hastigheter. Djupinlärning förvandlar en ström av termiska bilder till konsekventa siffror som stämmer överens med puls-, andnings- och kärntemperaturdata. I framtiden skulle sådan kontaktfri övervakning kunna hjälpa tränare och kliniker att följa intern belastning, upptäcka tidiga tecken på överhettning eller skräddarsy träning baserat på hur effektivt en löpares kropp avleder värme — inte bara hur hög dennes toppkondition ser ut på papper.

Citering: Weber, V., López, D.A., Ochmann, D.T. et al. Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running. Sci Rep 16, 10525 (2026). https://doi.org/10.1038/s41598-026-44102-6

Nyckelord: infraröd termografi, träningsfysiologi, djupinlärning, termoreglering, löpprestation