Sporcularda yapay zeka ve derin öğrenmeye dayanan psikolojik-fiziksel sinerji

Vücudunuzun sinyalleri neden zihinsel durumunuzu ortaya koyabilir

Elit sporcular ve yüksek baskı altında çalışan kişiler, sürekli olarak zirve performans ile aşırı yük arasında ince bir çizgide yürürler. Kalp atışları, terleme, solunum ve hareket gibi yollarla vücudumuz ne kadar stresli, sakin veya eğlenmiş olduğumuza dair ipuçlarını sessizce yayınlar. Bu çalışma, bilgisayarların bu ipuçlarını daha doğru okumak için yeni bir yolunu ve aynı derecede önemli olarak okudukları hakkında ne kadar emin olduklarını belirtme yolunu açıklıyor. Kesinlik ve dürüstlüğün bu birleşimi, gelecekteki giyilebilir cihazları çok daha kullanışlı ve güvenilir kılabilir.

Dağınık sinyalleri tek bir resme dönüştürmek

Günümüz göğüs bantları ve akıllı bileklikleri, kalp hızı değişkenliği, cilt iletkenliği, solunum desenleri, sıcaklık ve hareket gibi birçok fizyolojik sinyali aynı anda kaydedebilir. Geleneksel bilgisayar modelleri genellikle her kanalı ayrı bir akış olarak ele alır ve bunları basitçe üst üste koyar. Yazarlar bunun önemli bir noktayı kaçırdığını savunuyor: vücut bütünleşik bir sistemdir. Örneğin stres altında kalp hızı, terleme ve solunum belirgin bir desende birlikte kayar. Çalışma, her sinyal türünün ağdaki bir nokta olduğu ve modelin her an hangilerinin birbirini ne kadar etkilediğini öğrendiği “fizyolojik sinerji grafiği” fikrini tanıtıyor.

Yeni yapay zeka çerçevesi vücudu nasıl okuyor

GABT Net adı verilen önerilen çerçeve, yapay zekadan iki güçlü fikri birleştiriyor. Birincisi, bir grafik dikkat ağı kısa zaman penceresi içindeki farklı vücut sinyallerini inceliyor. Her sinyali diğer tüm sinyallerle ilişkilendiriyor ve belirli bir durumda hangi bağlantıların en önemli olduğunu öğrenerek vücudun sistemlerinin o anda nasıl birlikte çalıştığına dair kompakt bir anlık görüntü üretiyor. İkincisi, bu anlık görüntüler, bu işbirlikçi desenin zaman içinde nasıl evrildiğini izleyen Transformer tabanlı bir zaman serisi modeline besleniyor. Bu zamansal aşama, stresin kademeli birikimi veya baseline sakinliğe dönüş gibi uzun menzilli eğilimleri fark etmeyi sağlıyor.

Modelin emin olmadığı durumları kabul etmesine izin vermek

Çoğu makine öğrenimi aracı, tahminin ne kadar güvenilir olduğu belirtilmeden tek bir en iyi tahmin verir. Spor ve sağlıkta gerçek dünya kararları için bu riskli olabilir. GABT Net, Monte Carlo dropout içeren Bayesçi bir Transformer kullanarak bu sorunu ele alıyor; bu teknik, aynı veriye modelin biraz farklı birçok versiyonunu etkili biçimde çalıştırır. Çıktılarını ortalayarak sistem hem bir tahmin hem de kendi belirsizliğinin bir ölçüsünü üretir. Araştırmacılar, model yüksek güven bildirdiğinde stres ve duygu durumlarındaki doğruluğunun çok yüksek olduğunu, içsel “entropi” büyük olduğunda hataların daha olası olduğunu gösteriyor. Bu, koçun, doktorun veya kullanıcının dikkatli olması gereken durumları işaretlemeyi mümkün kılıyor.

Sistemin testlerdeki performansı ne kadar iyi

Ekip, gönüllülerin göğüs cihazları takarken sakin bazal dönemlerden stresli görevlere ve eğlendirici aktivitelere geçtiği yaygın kullanılan bir veri setinde GABT Net’i değerlendirdi. Sinyaller üzerinde kayan pencere ve sıkı bir çapraz denek test yaklaşımı kullanılarak model yaklaşık %96 genel doğruluk ve 0,94’ün üzerinde makro F1 skoru elde etti; bu sonuçlar BiLSTM ağları ve standart Transformer’lar dahil olmak üzere birkaç güçlü temel yöntemi geride bıraktı. Ayrıca konvolüsyonel ve yinelemeli ağları harmanlayan son durum-of-the-art yöntemleri de yendi. Bu güçlü performansa rağmen model nispeten kompakt ve verimli kalıyor; daha az parametreye ve rakip yaklaşımlara göre daha hızlı tahmin sürelerine sahip olması, giyilebilir veya uç cihazlarda çalıştırma açısından önemli.

Bu sporcular ve günlük kullanıcılar için ne anlama geliyor

Basitçe ifade etmek gerekirse, bu araştırma bir yapay zeka sisteminin çoklu vücut sinyalleri arasındaki ince desenleri okuyarak stres ve duygusal durumları tanıyabileceğini ve aynı zamanda kendi yanıtlarının ne kadar güvenilir olduğunu da değerlendirebileceğini gösteriyor. Sporcular için bu, performans düşmeden veya sakatlanma riski artmadan önce yükselen zihinsel yük hakkında uyarıda bulunan antrenman araçlarına dönüşebilir ve yanıltıcı geri bildirim vermek yerine ne zaman “yardım istemek” gerektiğini bilen sistemler sağlayabilir. Daha geniş sağlık ve işyeri uygulamaları için aynı ilkeler, stres ve ruh halinin daha güvenli, sürekli izlenmesini destekleyebilir. Gürültülü spor ortamlarında gerçek dünya testleri ve bireyleştirme hâlâ gelecekteki adımlar olsa da çalışma, daha zeki ve şeffaf zihin-vücut izleme teknolojileri için umut verici bir plan sunuyor.

Atıf: 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

Anahtar kelimeler: stres izleme, giyilebilir sensörler, sporcu fizyolojisi, duygu tanıma, derin öğrenme