Что происходит перед срывом тренировочного режима
Мы привыкли искать признаки проблем у спортсмена в отдельных показателях: падает HRV, растёт утренний пульс, ухудшается сон, снижается мощность, растёт RPE. Но есть ещё один интересный подход: смотреть не только на уровень показателя, но и на то, насколько нестабильным становится поведение спортсмена во времени.
Именно эту идею исследовали авторы недавней работы в npj Exercise Medicine and Health: могут ли изменения в структуре ежедневной физической активности заранее сигнализировать о том, что человек скоро резко снизит свою активность?
Что изучали?
Авторы проанализировали данные 21 425 человек — всего более 5,47 млн человеко-дней наблюдений. Ежедневное количество шагов регистрировалось через смартфоны и wearable-устройства. Средняя продолжительность временного ряда у участника составляла 256 дней.
Исследователей интересовал не столько сам уровень активности, сколько его динамика.
8 000 → 8 300 → 7 900 → 8 200 → 8 100 шагов
Это относительно стабильное поведение.
8 000 → 13 000 → 5 000 → 11 500 → 6 000
Среднее количество шагов может оказаться похожим, но второму человеку явно сложнее поддерживать стабильный паттерн поведения. И именно такие колебания оказались важными.
Dynamic complexity: не просто вариабельность
Авторы использовали показатель dynamic complexity (DC) — «динамическую сложность». Это не обычная дисперсия или стандартное отклонение. DC учитывает одновременно:
- насколько сильно меняется показатель;
- насколько часто происходят эти изменения;
- насколько широко временной ряд «исследует» доступный диапазон значений.
Проще говоря, DC пытается ответить на вопрос:
Насколько нестабильной становится система?
Для расчёта использовалось 7-дневное скользящее окно. То есть показатель постоянно пересчитывался на основании последних семи дней. И вот здесь начинается самое интересное.
Перед падением активности система становится нестабильной
Основным событием считалось внезапное снижение количества шагов минимум на 30% относительно индивидуальной медианы, которое продолжалось как минимум 7 дней.
Когда DC повышался, вероятность такого последующего снижения активности возрастала. Для основной модели:
То есть увеличение DC на одну стандартную девиацию было связано примерно с 87% более высокими odds последующего резкого снижения активности.
Причём результат оказался устойчивым при различных определениях «резкого снижения»:
Для более крупных и коротких изменений связь была даже сильнее: OR доходил до 1,93. А если DC превышал две стандартные девиации, авторы оценили OR примерно в 3,46. При этом такие высокие значения встречались не каждый день: DC превышал +1 SD примерно в 14% дней и +2 SD примерно в 5% дней.
Это уже очень интересная концепция:
система может начать «шататься» ещё до того, как произойдёт очевидная проблема.
Представьте это на примере спортсмена
Допустим, спортсмен обычно тренируется довольно стабильно:
10 ч → 11 ч → 10,5 ч → 11,5 ч → 10 ч
11 ч → 7 ч → 12 ч → 5 ч → 10 ч → 6 ч → 4 ч
Формально средняя недельная нагрузка может пока не выглядеть катастрофически. Но структура поведения уже изменилась. Спортсмен то выполняет план, то пропускает тренировку, то пытается «компенсировать» пропуск, потом снова не тренируется.
Среднее значение ещё может выглядеть нормально.Но стабильность системы уже нарушена.
Именно такие изменения поведения и пытается уловить концепция early-warning signals.
Что может происходить на самом деле?
Авторы предлагают интересную интерпретацию через теорию сложных систем. У человека существует относительно стабильный поведенческий паттерн — условно говоря, «аттрактор».
работа → тренировка → восстановление → тренировка → работа → тренировка.
Пока система стабильна, небольшое внешнее воздействие не меняет поведение надолго. Но затем появляется стресс, усталость, работа, семейные обстоятельства, болезнь, плохой сон и т. д. Система становится менее устойчивой. Человек ещё пытается придерживаться привычного режима, поэтому возникают колебания:
сегодня получилось → завтра не получилось → потом попытка компенсировать → снова пропуск.
Если давление продолжается, система может перейти в новое устойчивое состояние — например, с существенно меньшим количеством физической активности. Это важный момент.
Нестабильность может быть не проблемой сама по себе. Она может быть предвестником изменения состояния системы.
И здесь появляется связь со спортом
Исследование непосредственно изучало ходьбу у обычных взрослых, а не тренировочный процесс спортсменов.
Поэтому было бы неправильно написать:
«Повышение dynamic complexity предсказывает перетренированность».
Нет. Это исследование этого не показывает. Но оно демонстрирует гораздо более общую и потенциально полезную идею:
иногда полезнее мониторить не только абсолютный уровень нагрузки, но и стабильность поведения во времени.
Для тренера это может быть особенно интересно. Например, спортсмен обычно выполняет 90–100% запланированных тренировок.
- одна пропущенная тренировка;
- неожиданная перестановка;
- следующая тренировка выполняется полностью;
- потом снова пропуск;
- затем попытка компенсировать;
- растёт разброс RPE;
- меняется продолжительность тренировок;
- выходные становятся то очень активными, то практически пустыми.
Отдельно каждый из этих сигналов может выглядеть незначительным.
Но вместе они могут говорить о снижении устойчивости тренировочного поведения.
И это уже совершенно другой тип мониторинга.
Самое интересное: падение и рост активности — не одно и то же
Авторы отдельно изучали внезапные увеличения активности. И здесь результаты оказались гораздо менее убедительными.
Для потери активности связь с DC была стабильной и достаточно сильной.
Для увеличения активности эффект оказался небольшим и неоднородным: при изменениях продолжительностью 7 дней OR составлял примерно 1,06–1,10, а при 14–28 днях становился около 0,89–0,92. Авторы прямо отмечают, что эти результаты не дают достаточных оснований считать DC практически значимым предиктором внезапного роста активности.
То есть система, похоже, не симметрична. Предсказать ухудшение стабильности оказалось проще, чем предсказать улучшение.
Ещё одна интересная деталь
Резкие изменения поведения оказались довольно цикличными.
Около 76% внезапных повышений активности впоследствии сопровождались снижением, а около 79% снижений — последующим повышением.
Кроме того, медианная продолжительность резкого роста активности составляла 20 дней, а снижения — 33 дня.
Это хорошо знакомо многим тренерам.
Человек решил «взяться за себя»:
мотивация ↑ → активность ↑ → несколько недель всё отлично → усталость/жизнь → активность ↓.
Проблема может быть не в отсутствии способности тренироваться. Проблема может заключаться в том, что новая модель поведения не стала устойчивой.
Что это означает для тренера?
На мой взгляд, здесь есть несколько важных практических идей.
1. Не смотрите только на средние значения
Средняя недельная нагрузка может скрывать огромную нестабильность. Две недели по 10 часов:
имеют совершенно разную структуру, несмотря на потенциально похожий total load.
2. Следите за изменением поведения относительно самого спортсмена
В исследовании DC стандартизировалась внутри каждого человека.
Это принципиально важно. Нам не обязательно знать, насколько «нестабилен» спортсмен по сравнению с другими спортсменами.
стал ли этот спортсмен сегодня более нестабилен относительно собственного нормального состояния?
Это очень хорошо соответствует идее персонализированного мониторинга.
3. Нестабильность — повод задать вопрос, а не автоматически снизить нагрузку
Высокая вариабельность не означает:
«спортсмен перетренирован».
Она может быть связана со стрессом, усталостью, работой, мотивацией, погодой, семейными обстоятельствами и множеством других факторов. Даже авторы подчёркивают, что DC показывает повышенный риск изменения, но не объясняет причин этого изменения. Поэтому алгоритм должен быть примерно таким:
сигнал → вопрос → контекст → решение.
сигнал → автоматически отменяем тренировку.
А можно ли использовать это в TrainingPeaks, Garmin или других системах?
Потенциально — да, и именно здесь эта работа становится особенно интересной для спортивной науки. Авторы прямо указывают, что следующий шаг — объединять DC с другими early-warning signals, например:
И затем использовать ML или другие computational models для персонализированной оценки риска. Для endurance sports можно представить гораздо более богатую систему. Например, вместо одного показателя:
можно анализировать изменение структуры сразу нескольких временных рядов:
HRV + RHR + sleep + RPE + training load + power + duration + missed sessions + daily activity.
«какой сегодня показатель?»
«становится ли вся система спортсмена менее стабильной?»
Это уже очень близко к тому, как сегодня развивается концепция athlete monitoring + machine learning.
Но есть важное ограничение
Не стоит переоценивать результаты.
Это исследование было проведено не на спортсменах, а на взрослых из общей популяции, участвовавших в цифровой программе повышения физической активности.
Кроме того, модель демонстрирует ассоциацию на уровне популяции, но не доказано, что DC уже сейчас позволяет надёжно предсказывать индивидуальный риск конкретного человека в реальном времени. Сами авторы подчёркивают необходимость prospective individualized prediction и дальнейшей валидации.
Есть и другие ограничения: отсутствие точных данных о времени ношения устройств, возможная информативность пропущенных данных и то, что алгоритм классификации мог иногда принимать постепенное изменение за резкое.
Поэтому это пока не готовый диагностический инструмент.
Это интересная концепция и направление для дальнейших исследований.
Главная мысль
Мы привыкли думать о мониторинге спортсмена примерно так:
«Что происходит с его показателями?»
Но следующий уровень вопроса может звучать иначе:
«Насколько стабильна система спортсмена?»
Иногда ещё до явного ухудшения performance появляются изменения в структуре поведения:
больше колебаний → меньше устойчивости → больше непредсказуемости → возможный переход в новое состояние.
Именно поэтому early-warning signals могут оказаться интереснее очередного поиска «идеального» single metric. Пока это доказано для ежедневной ходьбы у большой выборки взрослых.
Но сама идея — искать изменение динамики системы до изменения её состояния — потенциально очень интересна и для спортивного мониторинга.
Возможно, в будущем хороший мониторинг спортсмена будет спрашивать не только:
«Сколько он сегодня тренировался?»
«Насколько предсказуемо он продолжает быть тем спортсменом, которым был последние несколько месяцев?»