基于多模态数据与注意力机制的深度学习框架在篮球运动员睡眠质量预测中的应用

为什么睡眠对大学运动员很重要

对于大学篮球运动员来说，深夜备课、清晨训练和高压比赛常常冲突，使得充足睡眠变得奢侈。然而，睡眠是身体修复肌肉、巩固学习记忆和稳定情绪的关键时期。本研究提出了一个务实且影响重大的问题：能否利用球队已常规收集的简单测试和问卷——如体能评分、体重和压力水平——来自动识别出可能睡眠不佳的运动员？

全面审视运动员

研究者没有只关注单一指标（例如睡眠时长或可穿戴设备的读数），而是广泛考察影响睡眠的各类因素。他们与中国八个省的大学篮球队合作，收集了379名球员的数据。每位运动员完成了标准的焦虑与感知压力量表、常用的睡眠质量调查以及关于年龄、性别、年级和训练背景的在线问卷。同时，体育教师测量了身高、体重、肺活量、冲刺速度、跳跃能力、上肢力量（如引体向上或仰卧起坐）以及跑步耐力等。这种身心结合的数据为每位球员建立了丰富的个体画像。

将数据转化为睡眠风险等级

为了让教练和健康管理人员能够实际应用研究成果，研究者根据睡眠问卷评分将球员分为三类：良好睡眠、轻度问题和睡眠不良。近一半的运动员被归入睡眠不良组，凸显大学体育中睡眠问题的普遍性。研究团队随后对数据进行清洗与标准化、补齐缺失值，并用这些画像训练多种计算模型。传统方法（如逻辑回归和基于树的算法）与一种更具灵活性的深度学习模型——基于注意力机制的多层感知器（MLP）进行了比较。该模型能够学习在预测时应对哪些信息给予更多“关注”，从而对身体、心理和背景因素赋予不同权重。

智能模型学到了什么

基于注意力的模型在将运动员分入三类睡眠组方面，比传统模型表现略优。其总体准确率约为73%，并且在各组识别的平衡性上比其他方法更好。不过，提升幅度是温和的而非显著，模型在中间的“轻度问题”组上的表现最差——这类既非明显良好也非明显不良的睡眠本身就很难用现有测量区分。当研究者尝试通过人工重平衡数据（对欠代表的类别给予更大权重或生成合成样本）时，模型在识别该中间组方面有所改善，但总体准确率略有下降。

来自身心的线索

为避免“黑箱”系统，研究还检查了模型主要依赖哪些特征。研究采用了两种互补工具：网络内部的注意力机制，用以显示模型关注的焦点；以及一种称为SHAP的方法，用于估计各因素将预测推向更好或更差睡眠的程度。两种视角均显示，心理压力——尤其是焦虑与感知压力——与睡眠不良关系紧密。体质指数（体重与身高的简单比值）及若干体能指标，如上肢力量和肺活量，也起到重要作用，此外年级和训练频次亦具影响。单独看许多体能测试与睡眠的直接关联较弱，但将它们与心理健康指标结合时，仍能提供有价值的信息。

这对球队意味着什么

对于教练、体能师和大学健康管理人员而言，主要结论并不是计算机能明确诊断谁睡得不好，而是日常数据可用于筛查出可能需要更密切关注的运动员。深度学习方法较简单模型带来了小但统计学上可靠的改进，并突出了焦虑、压力与体重是较为重要的预警信号。鉴于模型在“中间型”睡眠者上的表现最差，作者建议将其作为筛查与分诊工具：先识别高风险球员，再通过访谈、更细致的评估和必要时的专业干预跟进。未来若加入行为与日程信息——如咖啡因摄入、夜间屏幕使用和训练时间——有望提高预测准确性，帮助球队更好地保护运动表现与长期健康。

引用: 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

关键词: 运动员睡眠, 篮球表现, 运动心理学, 机器学习与健康, 大学运动员