Sporcu kaygı davranışı tanıması için dikkat mekanizmalı çok modlu uzamsal-zamansal konvolüsyon ağı

Neden kaygılı sporcular önemli

Hayatında önemli bir sınav sorusunda takılan ya da bir maçta kolay bir şutu kaçıran herkes bilir ki sinirler performansı sabote edebilir. Rekabetçi sporcular için bu sorun daha da büyür: kaygı madalyalara, burslara ve kariyerlere mal olabilir. Yine de sporcuların gerginliğini izlemenin çoğu yolu hâlâ sonradan doldurulan anketlere ve bir antrenörün sezgisine dayanıyor. Bu çalışma, sporcuların bedenlerini ve yüzlerini izleyen, fizyolojilerini dinleyen ve müsabaka sırasında ne kadar kaygılı olduklarını otomatik olarak tahmin eden nesnel, gerçek zamanlı bir sistem sunuyor.

Sinirin görünmez işaretlerini görmek

Araştırmacılar basit bir fikirle başlıyor: kaygı aynı anda birçok şekilde ortaya çıkar. Sporcular endişelendiğinde kalp ritimleri değişir, avuç içleri terler, duruşları sertleşir ve yüzlerindeki küçük hareketler gerginliklerini ele verir. Bu ipuçlarının yalnızca birine odaklanmak yerine ekip birden fazlasını aynı anda birleştiriyor. Giyilebilir sensörlerden kalp ve cilt iletkenliği verileri, yüzlerin ve tüm vücut hareketlerinin yüksek çözünürlüklü videoları ile gerçek üniversite müsabakaları öncesi ve sonrasında alınan standart psikolojik anketler toplanıyor. Toplamda, dört spordan 68 sporcu iki binden fazla kısa klip katkıda bulunuyor; her bir klip, iyi bilinen bir kaygı anketine dayanarak kaygılı veya sakin olarak etiketleniyor.

Oyunu okuyabilen dijital bir koçu eğitmek

Bu zengin sinyal akışını bir kaygı puanına dönüştürmek için yazarlar, zaman içinde ortaya çıkan desenlerde uzmanlaşmış bir derin öğrenme “koçu” tasarlıyor. Modelleri, özünde sadece mekânda (pikseller, vücut noktaları, sensör kanalları) değil saniyeler boyunca da kayan bir dizi filtreden oluşan uzamsal-zamansal konvolüsyon ağı kullanıyor. Bu, sistemin 30 saniyelik bir oyun diliminde hem hızlı gerilim patlamalarını hem de daha kademeli stres birikimlerini fark etmesine izin veriyor. Kritik olarak, ağ fizyoloji, yüz ifadesi ve hareket gibi her veri türünü kendi yolunda işliyor ve sonra bunları birleştiriyor; böylece kısmen örtülmüş bir yüz veya kısa süreli sensör gürültüsü gibi durumlarda bir kanalın güçlü yönleri diğerinin zayıflıklarını telâfi edebiliyor.

Modelin önemli olana odaklanmasına izin vermek

Her an ya da sinyal eşit derecede bilgilendirici olmadığından, araştırmacılar bir “dikkat” mekanizması ekliyor. Modelin bu bölümü, kaygıyı sakinlikten en iyi ayıran çerçevelere ve sinyallere daha yüksek önem atamayı öğreniyor. Örneğin, cilt iletkenliğinde bir sıçrama, kısa bir çene kilitlenmesi ve huzursuz bacak hareketi bir süreliğine sabit nefes ve nötr duruştan daha fazla ağırlık alabilir. Dikkat modülü aynı zamanda her veri akışına ne kadar güvenileceğini anında öğreniyor; örneğin fizyolojik veriler netken video gürültülü ise vurgu kaydırılabiliyor. Modelin odağını bu şekilde uyarlaması, sistemi gerçek dünya koşullarına karşı daha sağlam ve sinirin ince, erken işaretlerini tespit etmede daha yetkin kılıyor.

Ne kadar doğru ve pratik?

Klasik makine öğrenimi algoritmaları, standart video ağları ve Transformer tarzı derin modeller de dahil olmak üzere çeşitli mevcut yöntemlere karşı test edildiğinde, yeni sistem en üstte yer alıyor. Kaygı seviyelerini yaklaşık %95 doğrulukla sınıflandırıyor ve yüksek bir kesinlik ile çağrı (precision ve recall) dengesi sağlıyor. Yazarlar farklı zaman pencere uzunluklarını sistematik olarak test ediyor ve yaklaşık 30 saniyenin bir kaygı epizodunu görmek için yeterli bağlam ile gerçek zamanlı geribildirim için gecikmeyi kısa tutma arasında en iyi uzlaşmayı sağladığını gösteriyor. Bir veri türü eksik olduğunda—örneğin yalnızca giyilebilir cihazlar aktifse—sistem yine de makul derecede iyi performans gösteriyor; bu da saha koşullarındaki kusurlarla başa çıkabileceğini gösteriyor.

Bu sporcular ve antrenörler için ne anlama geliyor

Açıkça söylemek gerekirse çalışma, bir bilgisayarın beden sinyalleri ve davranış karışımını kullanarak sporcu kaygısını neredeyse anında okuyabilmeyi ve bunu önceki araçlardan daha güvenilir şekilde yapabilmeyi gösteriyor. Bir sporcunun sonradan nasıl hissettiğine dair yalnızca ifadelerine güvenmek yerine antrenörler ve spor psikologları antrenman ve müsabaka sırasında sürekli, nesnel zihinsel gerilim tahminleri alabilir. Bu, kaygı performansta tam bir çöküşe dönüşmeden önce zamanında nefes egzersizleri, kadro değişiklikleri veya dinlenme molaları uygulanmasını mümkün kılabilir. Sistem hâlâ birden çok sensöre ve güçlü donanıma bağımlı olup güçlü gizlilik önlemleriyle konuşlandırılmalıysa da, zihinsel yönün de hız veya kalp atış hızı izlemek kadar ölçülebilir ve veri odaklı hale geldiği bir geleceğe işaret ediyor.

Atıf: Yang, F., Gong, F. A multimodal spatiotemporal convolutional network with attention mechanism for athlete anxiety behavior recognition. Sci Rep 16, 5237 (2026). https://doi.org/10.1038/s41598-026-36023-1

Anahtar kelimeler: sporcu kaygısı, spor psikolojisi, giyilebilir sensörler, çok modlu derin öğrenme, gerçek zamanlı duygu izleme