От лабораторных тестов к прогнозу мощности: новая модель для велосипедистов и триатлетов
Сколько раз вы выходили из лаборатории с цифрами VO2max, порога и пиковой мощности — и думали: что теперь с этим делать? Как предсказать, какую мощность спортсмен выдержит на 3-минутном подъёме, 20-минутной разделке или часовой гонке? Обычно мы опираемся на опыт, интуицию, полевые тесты. Но что, если можно построить математическую модель, которая свяжет лабораторные данные с реальной производительностью на всём диапазоне длительностей — от 30 секунд до часа?
Именно это сделала группа немецких исследователей из Спортивного университета Кёльна под руководством Патрика Валя. Они разработали и валидировали Multi-Domain Power-Duration model (MuDo-PD) — модель, которая использует только три стандартных показателя из лабораторных тестов (пиковую мощность спринта, максимальную аэробную мощность и мощность на втором лактатном пороге), чтобы предсказать выходную мощность на любой длительности от 30 секунд до 60 минут.
Почему это важно? Потому что большинство существующих моделей покрывают только узкие диапазоны интенсивности. Critical Power работает для усилий от 3 до 45 минут. Anaerobic Power Reserve — для коротких взрывных отрезков до 5 минут. Но что происходит между ними? Как точно предсказать мощность на 10-минутном интервале или 40-минутной разделке, имея только данные лабораторных тестов?
Физиологическая логика модели
MuDo-PD строится на двух физиологически обоснованных компонентах, каждый из которых описывает определённый домен интенсивности.
Первый компонент — Anaerobic Power Reserve (AnPR) — охватывает короткие усилия от 1 до 300 секунд. Модель описывает экспоненциальное падение мощности между двумя якорными точками: пиковой мощностью спринта (PPO) и максимальной аэробной мощностью (MAP). PPO отражает максимальную нейромышечную и фосфагенную мощность. MAP — это пиковая мощность, достигнутая в рампе до отказа, та точка, где аэробная система работает на максимуме, но анаэробный резерв ещё не полностью исчерпан.
Почему именно 300 секунд как граница? Исследователи обнаружили сильную корреляцию (r=0.81) и близкое абсолютное совпадение между средней мощностью в 5-минутном тесте и MAP. Плюс, известно, что время до отказа на уровне MAP составляет около 250 секунд, а аэробный вклад в энергообеспечение 5-минутного усилия превышает 85%. Это делает MAP логичной нижней границей анаэробного резерва.
PO(t ≤ 300s) = MAP + (PPO − MAP) × e^(k_AnPR × t)
Здесь k_AnPR — экспоненциальная константа времени, описывающая скорость падения мощности. В исследовании на 33 хорошо тренированных велосипедистах (VO2max 67 мл/кг/мин) была установлена средняя константа k_AnPR = −0.023 s⁻¹. Эта цифра поразительно близка к значениям из предыдущих работ (−0.026 у Weyand, −0.024 у Sanders).
Второй компонент — Aerobic Power Reserve (AePR) — покрывает длительные усилия от 300 до 3600 секунд. Здесь якорными точками служат MAP (верхняя граница) и мощность на втором лактатном пороге (P_LT2, нижняя граница). P_LT2 рассчитывали по модели Йойнера через процент от VO2max и стоимость велосипедной работы — метод, который, как показано в недавних работах, точно оценивает максимальную лактатную устойчивую мощность (MLSS).
PO(t > 300s) = P_LT2 + (MAP − P_LT2) × e^(k_AePR × (t−300))
Константа k_AePR = −0.0023 s⁻¹ — на порядок меньше, чем для короткого домена, что отражает более медленное падение мощности в аэробном диапазоне.
Объединение двух моделей даёт MuDo-PD — кусочно-непрерывную функцию, которая описывает зависимость мощности от длительности через всю шкалу интенсивностей.
Что показало исследование
Валидация проводилась в два этапа. Внутренняя валидация на той же группе из 33 спортсменов: атлеты выполнили 8 максимальных контрольных тестов длительностью от 30 секунд до 60 минут в рандомизированном порядке. Модель предсказывала их выходную мощность с точностью MAE = 21 Вт (sMAPE = 4.3%), что вполне укладывается в известную вариабельность результатов контрольных тестов (CV ≈ 3.4%).
Для сравнения, в том же исследовании применили модель OmPD (Omni Power Duration) — более сложную модель, которая использует полевые данные максимальной средней мощности на всём диапазоне длительностей. OmPD показала чуть лучшую точность (MAE = 15 Вт), но это ожидаемо: она подгоняется под реальные данные тренировок конкретного спортсмена. MuDo-PD же использует только три лабораторных показателя и фиксированные константы.
Внешняя валидация — самое интересное. Исследователи применили модель к независимой выборке из 75 атлетов (4 отдельных исследования), где спортсмены выполняли тесты до отказа на заданной мощности. Задача: предсказать целевую мощность по времени до отказа. Результат: ICC = 0.99 (intra-class correlation coefficients), смещение 0±18 Вт (0±6%). Это практически идеальное совпадение. Более того, вся вариабельность предсказаний укладывалась в известную воспроизводимость самих тестов до отказа (CV ≈ 13%).
Насколько важны индивидуальные константы
Логичный вопрос: нужно ли для каждого спортсмена определять свои k_AnPR и k_AePR, или можно использовать средние значения?
Исследователи проверили оба подхода. С индивидуальными константами точность была чуть выше (MAE = 16 Вт против 21 Вт), но паттерны ошибок оставались схожими. Чувствительностный анализ показал, что изменение константы на ±5% влияет на предсказанную мощность умеренно и только в коротком диапазоне каждого домена.
Ключевой момент: индивидуальные константы не коррелировали с физиологическими характеристиками атлетов — ни с VO2max, ни с экономичностью, ни с абсолютной мощностью на порогах. Это значит, что средние значения k применимы к широкой популяции тренированных велосипедистов без необходимости дополнительного тестирования.
Также интересно, что сами якорные точки (PPO, MAP, P_LT2) оказывают гораздо большее влияние на точность прогноза, чем константы. PPO критична для предсказаний до 60 секунд, MAP — в диапазоне 60–600 секунд, P_LT2 — для длительностей свыше 10 минут.
Практические выводы
Что это значит для тренировочного процесса?
Во-первых, модель позволяет строить индивидуальные кривые мощность-длительность, используя стандартные лабораторные тесты. Нужны всего три теста: 15-секундный спринт (для PPO), рампа до отказа (для MAP и VO2max), ступенчатый тест с лактатом (для P_LT2). Это делает модель доступной и воспроизводимой.
Во-вторых, модель даёт физиологически обоснованную основу для назначения тренировочных зон. Многие исследования показывают, что зоны, привязанные к двум якорным точкам (например, порог и VO2max), вызывают более стабильные физиологические отклики, чем зоны, рассчитанные от одного максимального значения. MuDo-PD естественным образом использует двойную привязку для каждого домена.
В-третьих, модель помогает с постановкой целей для интервальной тренировки. Хотите назначить 5×3 минуты — модель скажет, какую мощность ожидать. Планируете 2×20 минут — аналогично. Это особенно полезно, когда у спортсмена нет обширной истории полевых данных (начинающие, юниоры, возвращение после травмы).
В-четвёртых, модель может использоваться для мониторинга. Если реальная выходная мощность систематически отклоняется от предсказанной, это сигнал: либо форма изменилась (прогресс или усталость), либо один из якорных показателей сдвинулся, и пора обновить лабораторные тесты.
Мой взгляд
Теперь о том, что авторы не акцентируют, но что важно понимать тренеру.
Первое: модель валидирована только на велосипедистах. Можно ли её применить к бегу, гребле, лыжам? Концептуально — возможно, но без экспериментального подтверждения это спекуляция. Биомеханика и паттерны утомления различаются между видами спорта. PPO в беге вообще сложно определить в лабораторных условиях. Так что пока MuDo-PD — это инструмент для велоспорта и триатлона (велосипедная часть).
Второе: внешняя валидация охватывает ограниченный диапазон длительностей. Для AnPR домена тесты до отказа длились 130–300 секунд, для AePR — 616–3600 секунд. Экстремально короткие усилия (меньше 30 с) и экстремально длинные (больше часа) не проверялись на независимых выборках. Авторы честно это признают. Модель вполне может работать и там, но уверенности меньше.
Третье: модель игнорирует нюансы пейсинга. Она предсказывает среднюю мощность за усилие, но не описывает, как эта мощность распределена во времени. В реальности спортсмен на 3-минутном отрезке может стартовать выше предсказанной мощности, потом падать. Или наоборот — начать консервативно, потом финишировать. Модель даёт среднее, которое физиологически осуществимо, но не диктует стратегию пейсинга.
Четвёртое: определение P_LT2 через модель Йойнера — изящное решение, но оно зависит от точности измерения VO2 и экономичности. Любая ошибка в этих параметрах транслируется в ошибку P_LT2, а следовательно — в предсказания для длинных усилий. В исследовании экономичность измеряли на 90% от LT2, но у некоторых спортсменов экономичность нелинейна, особенно ближе к MAP. Это потенциальный источник систематической ошибки.
Пятое: модель предполагает свежесть спортсмена. Если атлет накопил усталость, его PPO, MAP или P_LT2могут временно снизиться, и модель будет недооценивать возможности после восстановления — или переоценивать их в утомлённом состоянии. Якорные точки надо периодически обновлять, особенно в ключевые моменты сезона.
Шестое: исследование включало мало женщин (всего 9 из 98 участников), и авторы признают, что данных для анализа половых различий недостаточно. Есть основания предполагать, что паттерны утомления и вклад анаэробного метаболизма могут отличаться у мужчин и женщин. Так что для женщин-спортсменок применимость модели пока под вопросом.
Седьмое: модель работает в лаборатории, но реальный мир сложнее. Ветер, градиент, тактика, психология, питание — всё это влияет на производительность. MuDo-PD не учитывает, что спортсмен на соревнованиях может выдать больше или меньше, чем в контролируемых условиях. Это не слабость модели — это просто её границы применимости.
Наконец, самое важное: модель — это инструмент, а не догма. Если я буду назначать интервалы на основе предсказаний MuDo-PD, но вижу, что спортсмен систематически перевыполняет или не дотягивает, я корректирую тренировку, а не заставляю атлета подчиняться формуле. Физиология — это основа, но индивидуальный отклик всегда важнее математики.
Итог
MuDo-PD — это редкий пример модели, которая одновременно физиологически обоснована, практически применима и достаточно точна. Она не требует обширных полевых данных, работает с стандартными лабораторными тестами и даёт предсказания с точностью, сопоставимой с воспроизводимостью самих контрольных тестов. Для меня как тренера это означает возможность более рационально планировать интервальную работу, особенно у спортсменов, которые ещё не накопили большой объём данных. Это также инструмент для объяснения спортсмену, почему мы выбираем ту или иную мощность на конкретном интервале — не потому что “так надо”, а потому что это следует из его физиологических возможностей. Но это не панацея. Модель не отменяет необходимости наблюдать, корректировать, экспериментировать. Она даёт стартовую точку, физиологически обоснованный ориентир. Дальше начинается искусство тренерской работы.