使用机器学习识别精英青少年乒乓球运动员的神经肌肉与心理疲劳

为何关注青少年运动员的疲劳很重要

对于追求顶尖表现的青少年乒乓球运动员来说，疲劳不仅仅是有点累。身体和心理都可能在不显眼的情况下放慢反应、改变技术动作，并增加失误甚至受伤的风险。然而，教练很少有客观的、实时的方法来判断运动员是心理疲劳还是身体疲劳。该研究探讨了一把配备传感器的智能球拍和现代模式识别算法是否能读取击球时的微小变化，从而揭示运动员隐藏的疲劳状态。

一把能感知每一次击球的智能球拍

研究团队与九位法国顶级青少年乒乓球运动员合作。他们通过在球拍握柄中加入一个小型三维运动传感器，以及在握拍处和大拇指与食指靠近球拍面的位置安装四个压力传感器，将普通球拍改造成测量工具。每次击球时，球拍都会记录移动速度和手部在不同位置的受力情况。这些信号以极高频率采样，经过滤波去噪、归一化处理，然后合并为每次挥拍的单一数据轨迹。

设计出“疲劳”与“清醒”的比赛条件

为了将这些挥拍模式与不同类型的疲劳联系起来，研究人员精心设计了三种独立的情境。在一种情境中，选手进行了90分钟的高强度电脑注意力任务，这类任务已知会消耗心理能量但不会直接使肌肉疲劳。另一种情境中，他们对持拍手臂进行了反复的强烈离心收缩，直到最大肘部力量下降约15%，产生明显的肌肉疲劳。在对照情境中，选手只是观看一部认知中性的影片。每次训练前后，选手都在发球机器人面前完成标准化的乒乓球测试，同时测量球速、命中精度和失误次数。他们还报告了主观疲劳感和任务难度感，并用专用测力装置检测了臂力。

从隐含的挥拍变化到可识别的模式

主观感受和力量测试证实了心理与身体实验确实让选手感受并表现出疲劳：心理疲劳提高了感知的付出与疲惫感，身体疲劳如预期地降低了臂力。令人意外的是，经典的性能指标（如球速与精度）在不同情境间并未显示清晰且统计上稳健的变化，尤其在这组高水平的年轻选手中更是如此。然而，当研究者转向来自球拍的丰富传感器数据时，局面发生了变化。他们将数千次有标签的挥拍——每次标注为来自心理疲劳、身体疲劳或对照情境——输入多种有监督的机器学习模型，包括k近邻和随机森林。这些算法学会识别加速度曲线与握持压力中眼睛看不到的细微变化。

教会计算机识别疲劳的运动员

在仅判定挥拍来自疲劳状态还是非疲劳状态的任务中，表现最好的模型k近邻正确分类约84%的样本。当任务进一步要求区分三种具体状态——无疲劳、心理疲劳和身体疲劳时，随机森林模型的准确率约为82%。这意味着尽管选手仍能以大致相同的速度和精度击球，他们的球拍“签名”已经发生了足以被数据驱动系统检测到的变化。更具挑战性的跨选手泛化测试表现较差，主要因为样本量小且每位运动员的风格独特，但结果表明在稳定的精英训练群体内重新训练模型是可行的。

这对训练与健康的意义

通俗地说，这项研究表明，智能球拍和合适的算法能够“聆听”年轻运动员的动作并在身体或心理能量下降时悄然发出警报，即便明显失误尚未出现。教练未来可借助此类工具更好地管理训练负荷、预防过度使用并在训练或比赛中更精确地安排战术或心理休息。虽然在成为常规场边辅助前还需要更多运动员、更丰富的传感器和实时系统，但核心信息很明确：我们握拍与挥拍方式的微妙变化可以揭示我们是清醒、心理疲惫还是肌肉疲劳——而机器已经足够擅长区分这些状态。

引用: Delumeau, T., Deschamps, T., Plot, C. et al. Identifying neuromuscular and mental fatigue in elite youth table tennis players using machine learning. Sci Rep 16, 11812 (2026). https://doi.org/10.1038/s41598-026-40324-w

关键词: 乒乓球, 运动疲劳, 可穿戴传感器, 机器学习, 青少年运动员