Bireye Özgü Spor Antrenmanı ve Yaralanma Önleme İçin Nörogörüntüleme Destekli Öneri Sistemleri

Günlük sporcular için beyin taramaları neden önemli

Çoğu insan beyin taramalarını hastalık tanısı koymak için kullanılan araçlar olarak düşünür; bir yarışa nasıl hazırlanılacağına veya burkulmadan nasıl kaçınılacağına karar vermek için değil. Bu çalışma, hareket sırasında beynin okunmasının antrenörlerin ve sporcuların antrenmanları kişiye özel hale getirmesine yardımcı olabileceğini, böylece yaralanma riskini azaltırken performansı iyileştirebileceğini gösteriyor. Beyin aktivitesini hareket ve kalp hızı gibi vücut sinyalleriyle ilişkilendirerek, araştırmacılar karmaşık sinirbilimi pratik rehberliğe dönüştürebilecek; ne zaman daha fazla zorlanılacağı ve ne zaman geri çekileceği konusunda yol gösterebilecek bir sistem tasvir ediyor.

Bir beden herkese uyar planlardan beyin farkındalıklı antrenmana

Geleneksel antrenman programları çoğu sporcuyu benzer şekilde ele alır ve esasen hız, kuvvet veya kalp atış hızı gibi gözle görülür işaretlere dayanır. Oysa beyin, tepki süresinden iniş sırasında dengeye kadar her hareketi sessizce şekillendirir. Daha önceki bilgisayar tabanlı antrenman sistemleri uzmanlar tarafından oluşturulmuş sabit kuralları kullanıyordu. Bunlar anlaşılması kolaydı ama bireysel farklılıklara veya değişen koşullara iyi uyum sağlayamıyordu. Sonrasında makine öğrenmesi modelleri büyük performans ve video verilerinden öğrenmeye başladı ama yine de çoğunlukla beyni görmezden geldi. Sonuç olarak setleri ve tekrar sayılarını iyileştirebilirlerdi ama yorgunluk, odaklanma veya genellikle bir yaralanmadan önce ortaya çıkan ince sinirsel uyarı işaretleri gibi zihinsel durumları hesaba katamıyorlardı.

Performansı yönlendirmek için beyni okumak

Yazarlar, antrenman önerilerinin merkezine beyin sinyallerini yerleştiren yeni bir model olan NeuroAthleteNet’i öneriyor. Bu model, saç derisi kayıtları ve beyin taramaları dahil olmak üzere birçok türde beyin ölçümünü, zaman içinde birçok bölgeye yayılan değişken desenler olarak işler. İlk olarak sistem, bu sinyalleri kısa atakları ve daha uzun eğilimleri tespit eden katmanlardan geçirir. Ardından beyni, her bölgenin bir düğüm olduğu ve etkileşim güçlerinin bağlantıları oluşturduğu bir ağ olarak temsil eder. Özel ağ-öğrenme araçları, bu beyin haritası üzerindeki ortak-aktiviteler desenlerinin tepki hızı, hareket doğruluğu ve erken yorgunluk belirtileri gibi gerçek performans ölçümleriyle nasıl ilişkili olduğunu yakalar. Model, öğrenilmiş beyin bağlantılarını sinirbilimden zaten bilinen desenlere yakın tutacak şekilde eğitilir; bu da sistemin biyolojiye dayanmasını sağlar ve tam bir kara kutuya dönüşmesini önler.

Beyin, hareket ve vücut sinyallerinin harmanlanması

Bu beyin merkezli çekirdeğin üzerine inşa edilen yazarlar, egzersiz sırasında kaydedilen beyin verilerini hareket, kas ve kalp sinyalleriyle birleştiren ikinci bir çerçeve olan NeuroSportSync’i tanıtıyor. Her sensör farklı bir zaman ölçeği ve aralığında çalıştığı için sistem önce tüm akışları zaman ve ölçek bakımından hizalamak üzere yeniden boyutlandırır ve normalleştirir. Ardından en bilgilendirici parçaları seçer ve bunları paylaşılan gizli bir temsile sıkıştırır. Spot ışığı benzeri bir mekanizma, modelin her an hangi sinyallerin en önemli olduğuna odaklanmasını sağlar; örneğin kesme hareketleri sırasında diz hareketini, zihinsel olarak zorlayıcı drill’ler sırasında ise frontal beyin aktivitesini vurgulayabilir. Bu birleşik sinyaller, hem performansı hem de bir sporcunun riskli bir duruma girme olasılığını tahmin eden bir ağa beslenir.

Yaralanmalardan önce sessiz uyarı işaretlerini tespit etmek

Çalışma, bağ yaralanmaları gibi birçok temas dışı yaralanmanın kaslar ve eklemlerin yanı sıra sinir sisteminde de kökleri olduğunu vurguluyor. Daha önceki araştırmalar, hareket planlaması, eklem pozisyonunun algılanması ve dikkat dağıtıcıları filtreleme ile ilgili beyin bölgelerindeki değişikliklerin görünür bir yaralanmadan günler veya haftalar önce ortaya çıkabileceğini buldu. Yazarlar bu bulguları sistemlerinde yüksek ve düşük yaralanma riski göstergelerini tanımlamak için kullanıyor. Modelleri, beyin ritimlerindeki kaymalar ve anahtar bölgeler arasındaki zayıflamış bağlantılar gibi desenleri arıyor ve bunları kalp ritmi veya kas aktivitesi gibi vücut ölçümleri ile birleştiriyor. Beyin sinyali veri setleri üzerinde yapılan testlerde, bu yaklaşım daha basit istatistikler ve klasik makine öğrenmesi kullanan standart yöntemlerden daha iyi performans gösterdi; sporcuların iyi performans gösterdiği ve daha yüksek risk altında olabilecekleri zamanları tanımada daha yüksek doğruluk sundu.

Antrenmanın geleceği için bunun anlamı

Bu çalışma, antrenman planlarının bir kişinin ne kadar hızlı veya güçlü olduğuna değil, o gün beyin ve vücudunun strese nasıl uyum sağladığına da yanıt verebileceği bir yol öneriyor. İlke olarak, böyle sistemler zihinsel yorgunluk arttığında daha hafif egzersizler önerebilir, ciddi bir yaralanmadan önce gizli riskleri işaretleyebilir veya her sporcunun beyninin yeni hareketleri nasıl öğrendiğine göre beceri çalışmasını kişiselleştirebilir. Yazarlar, mevcut donanımın hâlâ karmaşık ve maliyetli olduğunu ve gerçek takımlar ve sporlar üzerinde daha fazla çalışmaya ihtiyaç duyulduğunu belirtiyor. Yine de, nörogörüntüleme destekli öneri çerçeveleri, günlük spor uygulamalarına beyin farkındalıklı kişiselleştirmeyi getirmek için daha iyi performans ve daha güvenli oyun hedefleriyle bir taslak sunuyor.

Atıf: Zhu, D., Li, Q., Li, M. et al. Neuroimaging-driven recommendation systems for personalized sports training and injury prevention. Sci Rep 16, 14783 (2026). https://doi.org/10.1038/s41598-026-39956-9

Anahtar kelimeler: nörogörüntüleme, spor antrenmanı, yaralanma önleme, beyin sinyalleri, kişiselleştirilmiş koçluk