《Scientific Reports》：Sleep quality prediction in basketball athletes using a deep learning framework with an attention mechanism based on multimodal data
编辑推荐：
本研究针对传统方法难以全面评估高校篮球运动员睡眠质量这一体教领域关键问题，研究人员开展了一项主题为“应用基于特征级别注意力的多模态表格学习框架进行大学生篮球运动员睡眠质量筛查”的探究。通过收集体能指标、心理特征与社会人口统计学数据，并利用Pittsburgh睡眠质量指数（PSQI）进行评估，构建并比较了包括注意力多层感知机（Attention-MLP）在内的多种预测模型。结果表明，Attention-MLP模型在准确性（0.732）和F1值（0.630）上表现最优，BMI和焦虑被识别为最具影响力的预测因子。该研究支持了基于当前样本量、面向筛查的风险分层应用，具有重要的实践意义。
在大学体育领域，篮球运动员的训练和表现备受关注，然而，一个常被忽视却至关重要的“幕后功臣”——睡眠质量，其评估却面临着不小的挑战。传统的评估方法往往难以全面、精准地捕捉到影响运动员睡眠的复杂因素，这就像一个试图用单一工具去修理精密的仪器，往往力不从心。睡眠问题不仅关乎运动员的休息与恢复，更深层次地影响着他们的身体机能、心理状态乃至赛场上的竞技水平。因此，寻找一种更有效的方法来预测和筛查篮球运动员的睡眠质量，便成了一个既有科学价值又具现实意义的课题。
为了应对这一挑战，一项发表在《Scientific Reports》上的研究展开了探索。研究人员旨在开发一个面向应用的、基于特征级别注意力的多模态表格学习框架，专门用于大学生篮球运动员的睡眠质量筛查。这项研究的核心思路是，将运动员身上多种类型的数据——从直观的身体素质指标如身体质量指数(BMI)、力量和耐力，到内在的心理特征如焦虑和压力水平，再到基础的社会人口统计学变量如性别、年级和训练年限——融合在一起，构建一个更全面的预测模型。睡眠质量的“金标准”则采用了国际上广泛认可的匹兹堡睡眠质量指数(Pittsburgh Sleep Quality Index, PSQI)进行评估。
研究人员开展此项研究主要运用了以下几项关键技术方法：首先，从一所大学的学生运动员中收集了实证数据，构成了研究样本队列。其次，对收集到的多模态数据进行了预处理，包括数据清洗、标准化以及对分类变量进行独热编码(one-hot encoding)。最后，研究构建了四种预测模型进行对比，它们分别是逻辑回归(Logistic Regression)、随机森林(Random Forest)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)以及本研究重点关注的基于注意力的多层感知机(Attention-based Multilayer Perceptron, Attention-MLP)。
研究结果
模型性能比较
通过系统性的建模与对比，研究团队得出了明确的结论。在构建的四种预测模型中，基于注意力的多层感知机(Attention-MLP)模型展现出了最佳的综合性能。具体而言，该模型在预测睡眠质量时取得了0.732的准确度(accuracy)和0.630的F1值(F1-score)，其表现优于逻辑回归、随机森林和XGBoost这些经典的基线模型。这一结果凸显了Attention-MLP模型在捕捉和建模复杂特征交互方面的潜在优势，说明其深度学习结构能够更有效地从多模态数据中学习到预测睡眠质量的关键模式。
关键预测因子识别
除了整体性能，研究还深入挖掘了哪些因素对睡眠质量的影响最为显著。通过模型分析，身体质量指数(BMI)和焦虑(anxiety)被识别为最具影响力的预测因子。这意味着，在评估篮球运动员的睡眠状况时，这两个指标需要给予格外的关注。BMI反映了身体的基础状况，而焦虑则代表了心理压力水平，它们的突出重要性证实了影响运动员睡眠的问题是身心多因素交织的结果，而非单一原因所致。
模型适用性分析
然而，研究也客观地指出了当前模型的局限性。尽管Attention-MLP在整体上表现最佳，但其对“中度睡眠质量”类别（在研究中被标记为Class 2）的区分能力较差，该类别对应的受试者工作特征曲线下面积(Area Under the Curve, AUC)值仅为0.40。这表示模型更擅长于区分睡眠质量极好或极差的个体，而对于中间状态的判别则不够精准。
研究结论与讨论
综上所述，这项研究得出以下核心结论：基于多模态数据和注意力机制的深度学习框架(Attention-MLP)能够有效地应用于大学生篮球运动员的睡眠质量预测。它在当前样本量下取得了具有统计学意义且适度的性能提升，证实了其优于传统机器学习方法的潜力。研究识别出BMI和焦虑是睡眠质量的关键预测因素，为针对性的健康干预提供了明确的靶点。
更重要的是，讨论部分强调，该模型目前的定位更适用于“面向筛查的风险分层”，而非“明确的诊断分类”。由于模型对中度睡眠质量类别的鉴别能力有限，其实践意义在于作为一种初步筛查工具，帮助教练和体育健康专业人员快速识别出睡眠质量可能处于高风险（较差）或低风险（较好）状态的运动员群体，从而优先分配有限的评估和干预资源。对于处于中间状态的个体，则可能需要结合更细致的临床评估或跟踪观察。
这项研究的意义在于，它成功地将先进的深度学习技术（特别是注意力机制）引入了体育科学和运动员健康管理这一具体领域，为解决“如何全面评估运动员睡眠”这一实际问题提供了一种新颖、有效的数据驱动思路。它不仅推动了预测方法学的进步，其发现（如BMI和焦虑的核心作用）也具有直接的实践指导价值，有助于促进更精细化、个性化的运动员健康支持体系的建立。
