基于人工智能与深度学习的运动员身心协同研究

为何身体信号能揭示你的心理状态

顶级运动员与处于高压岗位的人们常在巅峰表现与过载之间徘徊。我们的身体通过心跳、出汗、呼吸与运动等悄悄发出关于压力、平静或愉悦的线索。本研究阐述了一种使计算机更准确读取这些线索的新方法，并同样重要地让系统能说明其读取结果的置信程度。这种精确与诚实并存的特性，可能使未来的可穿戴设备更有用且更值得信赖。

将分散信号汇聚成一幅整体图景

现代胸带与智能腕带可以同时记录多种生理信号，例如心率变异性、皮肤电导、呼吸模式、体温与运动。传统计算模型通常把每个通道当作独立的数据流并简单堆叠。作者认为这忽略了一个关键点：身体是一个一体化系统。例如在压力状态下，心率、出汗与呼吸往往会以特征性的方式同步变化。研究引入了“生理协同图”的概念，将每类信号视作网络中的节点，模型学习在每一时刻它们相互影响的强度。

新的 AI 框架如何读取身体

所提出的框架称为 GABT Net，结合了人工智能中的两大强力思想。首先，图注意力网络在每个短时间窗口内检查不同的身体信号。它将每个信号与其他信号相连，并学习在某一状态下哪些连接最重要，从而生成一个紧凑的快照，反映该瞬间身体系统如何协同工作。其次，这些快照被送入基于 Transformer 的时间序列模型，以追踪这种协作模式随时间的演变。该时间阶段使系统能够注意到长时间尺度的趋势，例如压力的逐渐积累或回归到基线的平静。

让模型承认自身的不确定性

大多数机器学习工具只输出一个最佳猜测，却不会指示该猜测的可靠性。在体育与健康等现实决策中，这可能存在风险。GABT Net 通过使用带蒙特卡洛 dropout 的贝叶斯 Transformer 来应对这一点，这种技术实际上是在相同数据上运行许多略有差异的模型版本。通过对它们的输出取平均，系统既产生预测，也给出自身不确定性的度量。研究者表明，当模型报告高置信度时，在压力与情绪状态上的准确率极高；而当内部“熵”较大时，错误更可能发生。这使得能够标记那些教练、医生或用户应当保持谨慎的情况。

系统在测试中的表现如何

团队在一个广泛使用的数据集上评估了 GABT Net，参与者佩戴胸部设备，在平静基线、压力任务与娱乐活动之间切换。使用滑动窗口处理信号并采用严格的跨受试者测试方法，模型总体准确率约为 96%，宏观 F1 分数超过 0.94，优于若干强劲基线模型，包括双向 LSTM 网络和标准 Transformer。它也击败了近期一些融合卷积与递归网络的最先进方法。尽管表现优异，该模型仍相对紧凑且高效，参数更少、预测速度更快，这对在可穿戴或边缘设备上运行尤为重要。

这对运动员和普通用户意味着什么

简而言之，这项研究表明，AI 系统不仅可以读取跨多个身体信号的微妙模式以识别压力与情绪状态，还能评估自身答案的可信度。对运动员而言，这可能转化为在表现下降或受伤风险上升前预警精神负荷累积的训练工具，并能在不确定时“寻求帮助”而不是给出误导性反馈。对于更广泛的健康与职场应用，相同原理可支持更安全的全天候压力与情绪监测。尽管在嘈杂的运动环境中的实地测试与个体化定制仍是后续工作，但该研究为更智能、透明的身心追踪技术提供了一个有前景的蓝图。

引用: 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

关键词: 压力监测, 可穿戴传感器, 运动员生理学, 情绪识别, 深度学习