Çok Modlu Veriye Dayalı Dikkat Mekanizmalı Derin Öğrenme Çerçevesi Kullanılarak Basketbol Sporcularında Uyku Kalitesi Tahmini

Öğrenci Sporcular İçin Uykunun Önemi

Üniversite basketbolcuları için geç saatlere sarkan çalışma, sabah erken antrenmanlar ve yüksek baskılı maçlar genellikle çakışır; bu da iyi uykuya az yer bırakır. Oysa uyku, vücudun kasları onardığı, zihnin öğrenmeyi pekiştirdiği ve duyguların yatıştığı zamandır. Bu çalışma, oyuncu sağlığı ve performansı için büyük sonuçları olabilecek pratik bir soruyu soruyor: ekiplerin zaten topladığı basit testler ve anketler — örneğin fiziksel uygunluk skorları, vücut ağırlığı ve stres düzeyleri — kullanılarak hangi sporcuların kötü uyku riski taşıdığı otomatik olarak tespit edilebilir mi?

Tüm Sporcuya Bütüncül Bakış

Araştırmacılar yalnızca uyku süresi veya bir giyilebilir cihazın ölçümü gibi tek bir sayıya odaklanmak yerine, uykuyu şekillendiren etkenlerin geniş bir görünümünü benimsediler. Çin’de sekiz eyaletteki üniversite basketbol takımlarıyla çalıştılar ve 379 oyuncudan veri topladılar. Her sporcu, anksiyete ve algılanan stres üzerine standart psikolojik anketleri, yaygın kullanılan bir uyku kalitesi anketini ve yaş, cinsiyet, sınıf yılı ve antrenman geçmişi hakkında çevrimiçi bir formu doldurdu. Aynı zamanda beden eğitimi personeli boy, kilo, akciğer kapasitesi, sprint hızı, sıçrama gücü, pull-up veya mekik gibi kuvvet testleri ve pistteki dayanıklılık koşusu gibi ölçümler aldı. Bu bileşim, her oyuncu için zihinsel ve fiziksel açıdan zengin bir profil oluşturdu.

Verileri Uyku Risk Düzeylerine Dönüştürmek

Sonuçları antrenörler ve sağlık personeli için kullanışlı kılmak amacıyla araştırmacılar oyuncuları uyku anketi puanlarına dayanarak üç kategoriye ayırdılar: iyi uyku, orta düzey sorunlar ve kötü uyku. Sporcuların neredeyse yarısı kötü uyku grubuna düştü; bu, üniversite sporlarında uyku sorunlarının ne kadar yaygın olduğunu vurguluyor. Ekip daha sonra verileri temizleyip standartlaştırdı, eksik değerleri doldurdu ve bu profilleri çeşitli bilgisayar modellerini eğitmek için kullandı. Lojistik regresyon ve ağaç tabanlı yaklaşımlar gibi geleneksel yöntemler, dikkat mekanizmalı çok katmanlı algılayıcı adı verilen daha esnek bir derin öğrenme modeliyle karşılaştırıldı. Bu model, tahmin yaparken hangi bilgi parçalarının daha fazla “dikkat” hak ettiğini öğrenebilir ve fiziksel, psikolojik ve geçmişe ilişkin faktörlere farklı ağırlıklar verebilir.

Akıllı Modelin Öğrendikleri

Dikkat mekanizmalı model, sporcuları üç uyku grubuna ayırmada geleneksel modellere göre bir miktar daha iyi performans gösterdi. Genel doğruluğu yaklaşık %73 civarındaydı ve her grubu doğru tanımlama açısından diğer yöntemlere kıyasla daha dengeli bir sonuç sundu. Ancak iyileşme dramatik değil, ılımlı düzeydeydi ve model en çok orta seviye "orta" grupla zorlandı; burada uyku ne açıkça iyi ne de açıkça kötüydü. Bu, mevcut ölçümlerle sınır durumlarının gerçekten ayırt edilmesinin zor olduğunu gösteriyor. Araştırmacılar, verileri yapay olarak yeniden dengelemeye yönelik — az temsil edilen vakalara ek ağırlık verme veya sentetik örnekler oluşturma — teknikleri denediklerinde model orta grubu tanımada iyileşti, ancak bu küçük bir genel doğruluk maliyetiyle geldi.

Vücut ve Zihinden İpuçları

Nihai bir "kara kutu" sistemi oluşturmamak için çalışma, modelin en çok hangi özelliklere dayandığını da inceledi. İki tamamlayıcı araç kullanıldı: ağ içindeki dikkat mekanizması, modelin odaklandığı yerleri vurguluyor ve SHAP adlı yöntem, her faktörün tahminleri daha iyi veya daha kötü uyku yönüne ne kadar ittiğini tahmin ediyor. Bu bakış açılarının tümünde psikolojik baskı — özellikle anksiyete ve algılanan stres — kötü uyku ile güçlü şekilde ilişkili olarak öne çıktı. Vücut kitle indeksi (kilo ve boyun basit oranı) ve üst vücut kuvveti ile akciğer kapasitesi gibi birkaç uygunluk ölçütü de önemli rol oynadı; ayrıca sınıf yılı ve antrenman sıklığı da etkiliydi. Birçok bireysel fiziksel test tek tek incelendiğinde uyku ile sadece zayıf doğrudan bağlantılar gösterdi, ancak birlikte ele alındıklarında özellikle zihinsel sağlık ölçümleriyle birleştiğinde hâlâ faydalı bilgi kattılar.

Takımlar İçin Ne Anlama Geliyor

Antrenörler, kondisyonerler ve üniversite sağlık personeli için ana mesaj, bir bilgisayarın kimlerin kötü uyuduğunu kesin olarak teşhis edebileceği değil; günlük verilerin daha yakından izlenmesi gereken sporcuları işaretlemeye yardımcı olabileceğidir. Derin öğrenme yaklaşımı, daha basit modellere göre küçük ama istatistiksel olarak güvenilir kazanımlar sağladı ve anksiyete, stres ve kilo gibi etkenlerin en bilgilendirici uyarı işaretleri arasında olduğunu gösterdi. Model ‘‘aradaki’’ uyuyucular için daha kötü performans gösterdiğinden, yazarlar bunu tarama ve triyaj aracı olarak kullanmayı; yüksek riskli oyuncuları belirleyip ardından görüşmeler, daha ayrıntılı değerlendirmeler ve gerekirse profesyonel bakım ile takip etmeyi öneriyor. Kafein kullanımı, gece ekran süresi ve antrenman zamanları gibi davranış ve program bilgilerini ekleyecek gelecek çalışmalar bu tahminleri keskinleştirebilir ve ekiplerin hem performansı hem de uzun vadeli sağlığı daha iyi korumasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: sporcu uykusu, basketbol performansı, spor psikolojisi, makine öğrenimi sağlık, üniversite sporcuları