Psykologisk-fysisk synergi hos idrottare baserat på artificiell intelligens och djupinlärning

Varför kroppens signaler kan avslöja ditt mentala tillstånd

Elitidrottare och personer i högtrycksyrken balanserar ständigt mellan toppprestation och överbelastning. Våra kroppar sänder tyst ut tecken på hur stressade, lugna eller roade vi är via hjärtslag, svettning, andning och rörelse. Denna studie beskriver ett nytt sätt för datorer att läsa av de tecknen mer exakt och, lika viktigt, att ange hur säkra de är på sin tolkning. Denna kombination av precision och transparens kan göra framtida bärbara enheter mycket mer användbara och trovärdiga.

Att omvandla spridda signaler till en helhetsbild

Moderna bröstband och smarta armband kan spela in flera fysiologiska signaler samtidigt, såsom hjärtfrekvensvariabilitet, hudledningsförmåga, andningsmönster, temperatur och rörelse. Traditionella datormodeller behandlar ofta varje kanal som en separat ström och staplar dem helt enkelt ovanpå varandra. Författarna menar att detta missar en viktig poäng: kroppen är ett integrerat system. Vid stress tenderar till exempel hjärtfrekvens, svettning och andning att förändras tillsammans i ett karakteristiskt mönster. Studien introducerar idén om en "fysiologisk synergigraf" där varje typ av signal är en nod i ett nätverk och modellen lär sig hur starkt de påverkar varandra vid varje ögonblick.

Hur det nya AI-ramverket läser kroppen

Det föreslagna ramverket, kallat GABT Net, kombinerar två kraftfulla idéer från artificiell intelligens. Först undersöker ett grafbaserat uppmärksamhetsnätverk de olika kroppssignalerna inom varje kort tidsfönster. Det kopplar varje signal till alla andra och lär sig vilka länkar som är viktigast i ett givet tillstånd, vilket ger ett kompakt ögonblicksporträtt av hur kroppens system samverkar i just det ögonblicket. För det andra matas dessa ögonblicksporträtt in i en Transformer-baserad tidsseriemodell som spårar hur detta samarbetsmönster utvecklas över tid. Detta temporala steg gör att systemet kan upptäcka långsiktiga trender, såsom en gradvis uppbyggnad av stress eller en återgång till lugn.

Att låta modellen erkänna när den är osäker

De flesta maskininlärningsverktyg ger en enda bästa gissning utan att ange hur tillförlitlig den gissningen är. För verkliga beslut inom idrott och hälsa kan detta vara riskabelt. GABT Net tar itu med detta genom att använda en bayesiansk Transformer med Monte Carlo-dropout, en teknik som i praktiken kör många något olika versioner av modellen på samma data. Genom att genomsnittsbilda deras utsagor producerar systemet både en prediktion och en måttstock på dess egen osäkerhet. Forskarna visar att när modellen rapporterar hög tilltro är dess noggrannhet i att klassificera stress- och känslotillstånd mycket hög, och när dess interna "entropi" är stor ökar sannolikheten för fel. Det gör det möjligt att flagga fall där en tränare, läkare eller användare bör vara försiktig.

Hur väl systemet presterar i tester

Teamet utvärderade GABT Net på en välanvänd datamängd där frivilliga bar brystapparater medan de genomgick lugna baslinjeperioder, stressande uppgifter och underhållande aktiviteter. Genom att använda ett glidande fönster över signalerna och en strikt tvärsubjects-testning nådde modellen ungefär 96 procent total noggrannhet och ett makro F1-värde över 0,94, vilket överträffade flera starka referensmetoder, inklusive BiLSTM-nätverk och standard-Transformers. Den slog också nyare state-of-the-art-metoder som blandar konvolutionella och rekurrenta nätverk. Trots denna starka prestanda förblir modellen relativt kompakt och effektiv, med färre parametrar och snabbare prediktionstider än konkurrerande angreppssätt, vilket är viktigt för körning på bärbara eller edge-enheter.

Vad detta betyder för idrottare och vardagsanvändare

Enkelt uttryckt visar denna forskning att ett AI-system inte bara kan läsa upp subtila mönster över flera kroppssignaler för att känna igen stress- och känslotillstånd, utan också bedöma hur trovärdiga dess egna svar är. För idrottare kan det innebära träningsverktyg som varnar för ökande mental belastning innan prestationsförsämring eller skaderisk ökar, och som vet när de ska "be om hjälp" istället för att ge missvisande återkoppling. För bredare tillämpningar inom hälsa och arbetsliv kan samma principer möjliggöra säkrare, alltid pågående övervakning av stress och humör. Även om verkliga tester i bullriga idrottsmiljöer och personalisering för individer återstår som framtida steg, erbjuder studien en lovande ritning för mer intelligenta och transparenta tekniker för kropp-sinne-övervakning.

Citering: 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

Nyckelord: stressövervakning, bärbara sensorer, idrottares fysiologi, känsloorigenkänning, djupinlärning