The Integral Project ברשתות · בקרוב
המומחיםמילוןפודקאסט

כושר וביצועים

כתבות ומחקרים

AI העריך עייפות שריר ב־14 רוכבי מסלול — אבל כויל על כל ספורטאי

מודל למידה עמוקה העריך ברצף ירידה בכוח מתוך אותות חשמליים מארבעה שרירי רגל במהלך ספרינט של 30 שניות. המתאם הממוצע הגיע ל־0.822, אך המחקר כלל 14 רוכבים בלבד והמודל קיבל נתוני כיול מכל נבדק לפני המבחן.

צוות The Integral Project · בעריכת יורי אלטשולרעל העריכה והאחריות המערכתית22.9.20263 דק' קריאה
שיתוף הכתבה
AI העריך עייפות שריר ב־14 רוכבי מסלול — אבל כויל על כל ספורטאי
הדמיה: מערכת The Integral Project · נוצרה באמצעות בינה מלאכותית

ניטור עייפות בזמן אימון נשמע כמו יעד טבעי למכשירים לבישים, אבל עייפות שרירית אינה מדד יחיד שקל לקרוא מהעור. מחקר חדש ב־BMC Sports Science, Medicine and Rehabilitation בדק אם למידה עמוקה יכולה להעריך אותה מתוך אלקטרומיוגרפיה שטחית — אותות חשמליים שנקלטו מארבעה שרירי רגל — במהלך מאמץ רכיבה מרבי.

מה בדקו

במחקר השתתפו 14 רוכבי מסלול עילית, עשרה מהם גברים, עם יותר מחמש שנות אימון מקצועי. כל משתתף ביצע ספרינט מרבי יחיד של 30 שניות על ארגומטר. ההספק נמדד פעם בשנייה, ואותות sEMG נאספו בתדירות של 1,000 הרץ משריר הירך הישר, הדו־ראשי הירכי, השוק הקדמית והתאומים החיצוני.

החוקרים הגדירו את העייפות כירידה היחסית בהספק לעומת שיא ההספק של אותו רוכב. המודל שילב רשת קונבולוציונית, Bi-LSTM ומנגנון קשב, ועבד על חלונות אות של שלוש שניות שהתקדמו בכל רבע שנייה. הוא הושווה לשמונה מודלים פשוטים יותר שהתבססו על מאפייני אות שנבחרו מראש או על הזמן שחלף.

מה נמצא

השגיאה המוחלטת הממוצעת של המודל הייתה 0.048 בסולם העייפות המנורמל, והמתאם הממוצע בין התחזית למדד שנגזר מההספק היה 0.822. הוא היה המודל היחיד שקיבל R² חיובי, 0.493 בממוצע, והפחית את השגיאה ב־35.1% לעומת רגרסיה שהתבססה רק על הזמן.

התוצאה מצביעה על כך שאותות השריר הוסיפו מידע מעבר לעובדה הפשוטה שבספרינט קצר העייפות בדרך כלל עולה עם הזמן. עם זאת, גם מודל הזמן השיג מתאם גבוה יותר של 0.903 — תזכורת לכך שמתאם לבדו אינו אומר שהמודל מעריך היטב את גודל הירידה בביצועים.

המלכוד: זה לא היה מבחן על רוכב חדש לגמרי

החוקרים השתמשו בגרסת leave-one-subject-out עם כיול אישי: המודל אומן תחילה על יתר המשתתפים, ואז 20% מהחלונות המוקדמים של הרוכב שנבדק שימשו לכוונון נוסף, ורק 80% הנותרים שימשו למבחן. כלומר, זו הערכה חצי־מותאמת אישית ולא הוכחה שהמערכת עובדת מיד על ספורטאי שלא ראתה מעולם.

גם היקף המחקר מצומצם: 14 רוכבים, ספרינט יחיד של 30 שניות, תנאי מעבדה וארבעה שרירים ברגל אחת. מדד היעד נגזר מירידת ההספק במשימה עצמה, ולא ממדד בלתי תלוי של עייפות עצבית־שרירית. עיבוד הנתונים והערכת המודל נעשו במסגרת המחקר; לא נבדקה מערכת לבישה בזמן אמת באימון או תועלת בהחלטות עומס והתאוששות.

השורה התחתונה

המחקר מציג הוכחת היתכנות מעניינת: אותות sEMG גולמיים יכולים לעזור לעקוב אחר הירידה בהספק במהלך ספרינט קצר, במיוחד אחרי כיול אישי. לפני שהגישה תוכל לכוון עומסי אימון, נדרשים מדגמים גדולים יותר, אימות על ספורטאים חדשים ובדיקות במאמצים חוזרים ובתנאי שטח.

מה אפשר לקחת מהמחקר?

שינויים קטנים ועקביים בהרגלי התזונה וההתאוששות עשויים להיות משמעותיים לאורך זמן. מומלץ לבחון אותם לצד מדדים אישיים ובהתייעצות מקצועית כשנדרש.

Zhang et al., BMC Sports Science, Medicine and Rehabilitation (2026)המקור המחקרי
THE INTEGRAL UPDATE

העדכונים החשובים, ישר למייל

כתבות חדשות, מחקרים ועדכונים כלליים מ־The Integral Project — בלי רעש מיותר.

האימייל נשמר באופן מאובטח ולא יימסר לצדדים שלישיים לצורכי פרסום.

אהבתם את הכתבה?

המשוב שלכם עוזר לנו לבחור את התוכן הבא.

תגובות הקוראים

היו הראשונים להגיב

התגובה תפורסם לאחר בדיקה קצרה.
שאלו את PulseAI על המחקר
היועץ המדעי PulseAI