美文网首页文献阅读
2020-04-010:Monitoring Athlete T

2020-04-010:Monitoring Athlete T

作者: If_54ea | 来源:发表于2020-04-12 22:30 被阅读0次

文章信息

文献标题:Monitoring Athlete Training Loads: Consensus Statement
期刊名称:International Journal of Sports Physiology and Performance
所属级别: 2区(Q2)
影响因子: 3.979
发表时间:2017
作者机构:
作者姓名:Pitre C. Bourdon, Marco Cardinale, Andrew Murray, Paul Gastin, Michael Kellmann, Matthew C. Varley, Tim J. Gabbett, Aaron J. Coutts, Darren J. Burgess, Warren Gregson, and N. Timothy Cable


知识概念:

训练负荷的测量可分为内部或外部两类。在本文的背景下,内部训练负荷被定义为运动员在训练或比赛中受到的相对生物(生理和心理)压力。心率、血乳酸、耗氧量和感知运动(RPE)等指标常被用来评估体内负荷。
外部训练负荷是运动员在训练或比赛中完成的工作的客观衡量,是独立于内部负荷进行评估的。常见的外部负载测量方法包括输出功率、速度、加速度、时间运动分析、全球定位系统(GPS)参数和加速度计导出的参数。
表1总结和评价了用于监测一些常用方法

image.png

各种各样的内部负荷监测方法通常用于耐力运动,包括RPE评估、心理清查、训练冲动(TRIMP)和生理测量,如心率和它的衍生物、血乳酸浓度和耗氧量。

Saw et al31(在本附录中)概述了体育科学中使用的各种监测工具的特点,并提供了选择适当评估工具的意见


方法介绍

分析训练负荷数据方法

Fitness–Fatigue Model(Banister et al[43]):


其他几个小组修改了这个初始模型,以考虑训练单调性的变化(即训练负荷刺激的变化)和疲劳程度的增加[44-48]。这种方法产生了impulse-response models,该模型将训练负荷与表现联系起来,考虑了训练的动态和时间特性以及随时间变化的训练效果。尽管这种方法可以用来指导训练计划和预测未来的表现、体能和疲劳程度,但它的缺点是过分简化了训练和表现之间的复杂关系。

Acute:Chronic-Workload Ratio*
ACWR是Banister ' s原始健身疲劳模型的简化版,它使用滑动平均的方法来比较最近一段时间内完成的训练负荷(通常为5 - 10天)和较长一段时间内完成的慢性训练负荷(通常为4 - 6周)。

Internal:External-Load Ratio
综合内、外负荷比(integrated internal:external-load ratio)是在运动员完成外训练负荷的情况下,评估运动员在训练过程中所经历的心理生理压力(如心率、RPE、血乳酸等),可以用来推断运动员的训练状态。

模拟训练负荷,以提高或预测运动成绩
使用系统模型方法来预测运动成绩的研究报告显示,在游泳、跑步、骑自行车、铁人三项和掷链球等一系列运动中,模型和实际成绩之间存在显著的关系(参见Jobson et al[53]和Taha and Thomas[64])。但是对于耐力运动有较大误差。这些模型没有考虑影响竞争绩效的其他方面(如环境、心理影响、节奏等),也可能限制其预测能力。
为了克服负荷-响应模型的局限性,提出了非线性、多层、感知神经网络等复杂的负荷-响应模型。甚至有一些案例研究表明,这种方法可以显著降低预测性能的误差。

运动负荷监测和损伤预防
早期的研究报告显示,训练负荷和受伤之间存在正相关关系,这表明运动员训练越努力,他们受伤的可能性就越大。大量的证据表明,长期的高负荷训练可以保护运动员免受伤害
当ACWR在0.8 ~ 1.3之间时(即急性训练负荷与慢性训练负荷大致相等),损伤风险相对较低。然而,当ACWR为1.5(即急性训练负荷远大于慢性训练负荷)时,损伤风险呈指数增长(图1)[69]。训练的保护作用似乎来自两个方面:接触负荷使身体能够承受负荷,而训练能培养身体素质,这些素质的提高可以减少受伤风险。 过度训练和训练不足都会增加受伤的可能性。


有待研究

为了克服负荷-响应模型的局限性,提出了非线性、多层、感知神经网络等复杂的负荷-响应模型。甚至有一些案例研究表明,这种方法可以显著降低预测性能的误差。

相关文章

网友评论

    本文标题:2020-04-010:Monitoring Athlete T

    本文链接:https://www.haomeiwen.com/subject/nplumhtx.html