编辑推荐：
本研究旨在解决如何无侵入性地精准识别青少年精英乒乓球运动员的疲劳状态难题。研究人员通过设定疲劳诱导范式，利用搭载加速度计和压力传感器的球拍记录运动数据，构建标记数据集，并训练监督机器学习模型进行疲劳检测。结果表明，K-最近邻与随机森林模型在二元和多元分类中均表现出色，识别率分别达~84%和~82%。这为基于运动姿态的非侵入性疲劳预测提供了可靠的方法学基础。
在竞技体育的巅峰对决中，胜负往往在毫厘之间。对于乒乓球这类对反应速度、精准控制和战术执行要求极高的运动而言，运动员的状态波动，尤其是难以察觉的疲劳积累，可能直接决定比赛走向。疲劳通常被划分为心理疲劳与身体（神经肌肉）疲劳。前者让人感到精神倦怠、注意力涣散；后者则直接导致肌肉力量下降、动作控制变差。然而，在训练和比赛现场，教练员往往依赖运动员的主观感受（如“我感觉累了”）或一些简单的生理指标来评估状态，缺乏客观、定量且无侵入性的精准监测手段。这就像试图用模糊的望远镜观察远方的靶标，难以做到精确瞄准。那么，能否开发一种方法，像高精度雷达一样，通过分析运动员最自然的击球动作，就“读”出其隐藏在身体内部的疲劳信号呢？这正是发表在《Scientific Reports》上的一项研究所要攻克的核心问题。
为了回答这个问题，研究团队将目光投向了充满潜力的青少年精英乒乓球运动员群体，并设计了一套精巧的研究方案。他们并未停留在简单的观测上，而是主动、可控地诱导出运动员的疲劳状态。心理疲劳通过既定的认知任务协议来诱发，而身体疲劳则通过特定的体力消耗方案来产生。这两种疲劳状态并非“自称”即可，而是经过了严格的验证：心理疲劳组在“主观劳累感觉评分(Rating of Perceived Exertion, RPE)”上表现出显著提升（p < 0.05），而身体疲劳组则在“最大自主收缩(Maximum Voluntary Contraction, MVC)”力量上出现明显下降（p < 0.05）。这就为后续的机器学习模型训练提供了黄金标准——“真实标签”。
有了明确的疲劳状态标签，接下来就是捕捉能反映这些状态的行为特征。研究人员将实验室“搬”到了球台边，他们使用了一种经过特殊改造的“黑科技”球拍。这把球拍并非凡品，其内部集成了加速度计和压力传感器，就像一个高度灵敏的“感觉器官”，能够持续不断地记录运动员每一次挥拍、击球时细微的动作变化和手柄受力情况。运动员在疲劳诱导前后，使用这把仪器化球拍进行标准化的击球练习，由此产生的海量运动数据便被同步采集下来。就这样，一个独特的、高质量的数据集诞生了：每一组运动数据都对应着一个明确的标签——“无疲劳”、“心理疲劳”或“身体疲劳”。
利用这个精心构建的数据集，研究人员开始训练多种监督机器学习模型，让机器学会从纷繁复杂的动作数据中识别出疲劳的“指纹”。他们设定了两项由易到难的识别任务：一是相对简单的二元分类（如区分“疲劳”与“不疲劳”），二是更具挑战性的多元分类（即具体区分出“无疲劳”、“心理疲劳”和“身体疲劳”三种类别）。在众多被评估的模型中，K-最近邻(K-Nearest Neighbors, KNN)和随机森林(Random Forest)算法脱颖而出，展现了最佳的“破译”能力。
主要关键技术方法
本研究的关键方法可归纳为三点：1. 可控疲劳诱导与验证：对青少年精英乒乓球运动员群体，分别采用既定认知任务和体力消耗方案，诱导产生心理疲劳与神经肌肉疲劳，并同步使用主观劳累感觉评分(RPE)和最大自主收缩(MVC)测试作为金标准进行效果验证（p < 0.05）。2. 仪器化动作数据采集：通过定制搭载了加速度计和压力传感器的乒乓球拍，非侵入性地连续记录运动员在标准化任务中的精细运动学与动力学数据。3. 监督机器学习建模与分析：利用上述过程产生的带标签数据集，训练和评估包括K-最近邻(KNN)、随机森林等多种算法，分别执行二元（疲劳/非疲劳）和多元（无疲劳/心理疲劳/身体疲劳）分类任务，以识别最佳性能模型。
研究结果
疲劳诱导方案有效改变了参考指标
研究首先证实了他们所采用的疲劳诱导协议是有效的。数据表明，旨在诱发心理疲劳的认知任务，成功导致了参与者主观劳累感觉评分(RPE)的显著上升（p < 0.05）。同样，用于诱发身体（神经肌肉）疲劳的体力方案，也使得参与者的最大自主收缩(MVC)力量产生了统计上显著的下降（p < 0.05）。这为后续将运动数据与“疲劳”标签关联起来奠定了可靠的基础。
监督机器学习模型能够从运动数据中识别疲劳状态
在模型训练与评估阶段，研究人员将仪器化球拍采集到的动作数据输入到不同的机器学习模型中。结果显示，机器学习模型能够有效地从这些数据中学习到与疲劳状态相关的模式。在区分“疲劳”与“非疲劳”的二元分类任务中，表现最佳的K-最近邻(KNN)和随机森林(Random Forest)模型达到了约84%的识别准确率。而在更具挑战性的任务——具体区分“无疲劳”、“仅心理疲劳”和“仅身体疲劳”——中，同样的模型也取得了约82%的识别准确率。这证明，仅凭击球动作的数据，就足以以较高的可靠性推断出运动员所处的疲劳类别。
K-最近邻与随机森林模型在疲劳分类中表现最佳
在对多种监督学习算法的横向比较中，K-最近邻(KNN)算法和随机森林(Random Forest)算法 consistently（一致地）展现了优于其他模型（如支持向量机、决策树等）的分类性能。无论是在相对简单的二元分类，还是在复杂的多元分类场景下，这两个模型都保持了最高且最稳定的识别率。这表明它们所采用的算法机制（如基于距离的投票或集成多棵决策树）特别适合处理本研究中这类基于传感器序列数据的疲劳模式识别问题。
结论与意义
这项研究成功地将可控实验、传感技术、与机器学习三者结合，为运动科学领域提供了一个创新的、可操作的研究框架。其核心结论在于：首先，通过标准化的疲劳诱导方案与仪器化球拍采集，可以构建出高质量、标签可靠的运动-状态数据集，这解决了该领域长期面临的数据稀缺与标注困难问题。其次，研究证实了监督机器学习模型，特别是K-最近邻(KNN)和随机森林(Random Forest)，能够以较高准确率（二元分类~84%，多元分类~82%）从运动员的击球动作数据中识别出其神经肌肉或心理疲劳状态。这意味着，疲劳会在运动模式上留下可被机器检测的“签名”。
这项工作的重要意义远超出一个单一的实验结论。它首次系统性地演示了如何利用“仪器化运动装备+人工智能分析”这条路径，来实现对乒乓球运动员疲劳状态的非侵入性、客观化监测。这不仅为教练员和运动员提供了一种潜在的实时状态反馈工具，有助于优化训练负荷、预防损伤、并制定比赛策略，更在方法论上为其他涉及精细运动技能的运动项目（如网球、羽毛球、高尔夫等）的技战术分析与状态监测研究提供了可借鉴的范式。它标志着运动科学正从依赖主观经验和宏观指标，迈向一个基于高精度传感数据与智能化算法解读的、更为微观和精准的新时代。
