可穿戴设备可记录的数据种类越来越多。 当你面对复杂的数据界面时,是否会产生焦虑:究竟该看哪些参数,参数之间有什么联系,如何根据参数进行调整以提高训练效果呢? 宏观上来看,可穿戴设备的大部分工作,是帮助训练者做好训练监控(量化和分析训练前中后的数据)。 训练监控是科学训练中最重要的部分之一,可以了解训练的状态、判断当前训练是否有效果、提高训练质量、预防过度训练和受伤。 用“负荷-反应-适应”模型来解释整个训练监控过程,可能会帮你理清楚多种参数的联系。在模型中,训练监控的内容可以分为两部分,外部参数(外部负荷)和内部参数(内部负荷、训练反应、训练适应、个体特征)[1]。 1
在运动过程中,你跑了多少公里,用多少功率骑车,举起多少重量,这些都是你对外部环境施加的力,同时环境会产生反作用力作用于你的身体,这些力也可以称为外部负荷。
外部负荷(例如月跑量)完全相同的两个人,运动表现可能会相差很多,因为相同的外部负荷作用在不同的人身上会产生不同的内部负荷。
外部负荷的监控包括距离、时间、功率输出、速度等[2]。虽然外部负荷不能代表真正作用在你身上的压力,但由于内部参数一段时间内不会有太大变化,通过比较不同时间段训练的外部负荷,也可以有指导意义(限于自己和自己比)。
2 不同类型的外部负荷会产生不同的内部负荷,这是实际作用在身体上的负荷,决定了会产生什么反应。 内部负荷很难监控,一般采用近似内部负荷的参数表示,例如血乳酸、sRPE(单次训练主观疲劳度)、心率和一些基于心率的计算方式(如TRIMP、TSS)。 心率在跑步中可以较准确反应强度,但在有些训练中不行(例如力量训练),因此有时会配合sRPE一起监控内部负荷。 sRPE的优势是它可以运用在任何运动项目,但缺点是不如心率方便和准确[3]。不过,在一些比较难以计算负荷或心率不准的项目中,sRPE是很好的替代方式。 RQrun的训练日志中提供了记录sRPE的工具——疲劳状态评分。 在一次训练结束后的15-30分钟内,记录整个训练过程(包括热身和冷身的部分)中的平均主观疲劳(RPE)是多少。计算得到的sRPE就可以参与任何一个和负荷有关的计算,例如计算ACWR。ACWR = 4×近一周负荷/近4周负荷,安全训练的ACWR范围是0.8-1.3。 3 内部负荷会刺激身体的每一个器官、组织、细胞产生反应。为了检测这些变化,通常在相隔几个小时或几天的两个时间点收集参数来比较。短期的急性反应大部分是生化参数,可以判断身体对训练反应的程度以及身体恢复情况,但普通训练者难以获得。 通过可穿戴设备获得的参数主要是HRV,还有一些参数是通过数学模型模拟得到,例如RQ的体能和疲劳值。另外,通过问卷形式可以获得一些主观参数,例如睡眠、营养、压力、肌肉酸痛、疲劳等主观评估,这些参数对训练者的意义重大[4]。 4 细胞反应会激发某些分子通路,诱导特定的基因表达和蛋白质合成,产生身体适应。这些长期的持续反应表现出来就是运动能力的变化,当施加负荷的频率和大小合适时,运动能力就会增加。 适应参数至少在相隔几周或几个月的两个时间点进行评估。两次测量之间的变化可以视为适应。例如在跑步训练计划中加入一些5k、10k测试,可以反馈之前训练计划的有效性。还有部分参数可以通过数学模型根据平时的训练情况来估计当前能力,例如RQrun的跑力值。 5 个体特征主要是基因、训练经验、心理状态等参数。 这些条件会影响外部负荷如何转化为内部负荷,以及影响身体对内部负荷产生的反应和适应。反过来,训练适应的结果也会影响个体特征。 通过“负荷-反应-适应”模型了解训练监控过程,知道从训练到运动表现提升的每一步经历了什么,以及需要监控什么参数。 这些知识可能会帮你更好地理解可穿戴设备收集参数的意义。 文 / RQ运科组-ZY 参考文献 1. Helwig J, Diels J, Röll M, Mahler H, Gollhofer A, Roecker K, Willwacher S. Relationships between External, Wearable Sensor-Based, and Internal Parameters: A Systematic Review. Sensors (Basel). 2023 Jan 11;23(2):827. 2. Campbell B I, Bove D, Ward P, et al. Quantification of training load and training response for improving athletic performance[J]. Strength & Conditioning Journal, 2017, 39(5): 3-13. 3. Napier C, BSc M R, Menon C, et al. Session rating of perceived exertion combined with training volume for estimating training responses in runners[J]. Journal of Athletic Training, 2020, 55(12): 1285-1291. 4. Rothschild J, Stewart T, Kilding A, et al. Predicting daily recovery during long-term endurance training using machine learning analysis[J]. 2022.
|
|