Беговые данные из реального мира

Популярность бега привела к тому, что сейчас накопилось огромное количество данных, загруженных на онлайн-платформы с различных устройств. Эти данные обладают огромным потенциалом для улучшения понимания сложной взаимосвязи между тренировками и производительностью.

Имеющиеся данные по анализу скелета показывают, что бег на выносливость, возможно, появился 2 миллиона лет назад, возникнув, вероятно, как охотничий навык, он позже превратился в соревнования, такие как древние Олимпийские играм ~ 720 г. до н.э., и позднее массовый продукт для населения.
С годами бег на выносливость претерпел существенные изменения. В последние десятилетия наблюдается постоянно растущее количество регулярно тренирующихся людей, которые используют носимые датчики для сбора информации о скорости, расстоянии, частоте сердечных сокращений, и т.д. Например, бегуны и велосипедисты загружают с датчиков с поддержкой GPS информацию о более чем миллиарде тренировок занятий в год по всему миру. В принципе, эти данные предоставляют прекрасную возможность неинвазивно контролировать физиологию человека в реальных условиях, вне лаборатории. Измерение физиологической реакции на тренировки может дать важную информацию для самых разных групп населения, начиная от профессиональных спортсменов и заканчивая пациентами, проходящими реабилитацию.
Однако, анализ больших наборов данных для разнородных групп людей представляет собой серьезную проблему из-за качества самих данных, отсутствия эффективных теоретических моделей и влияния факторов окружающей среды, таких как погодные условия. Важные, надежные свойства физиологии человека могут быть смазаны деталями, специфичными для условий записи активности. Таким образом, до сих пор существует потребность в универсальных теоретических моделях, которые были бы проверены на тренировках с выключенным “шумом”, после чего они могут применяться в “шумных” реальных условиях для получения значимой физиологической информации и данных о производительности.

На сегодняшний день спортивные физиологи обычно используют лабораторные тесты для определения параметров, определяющих физическую форму и работоспособность. Сильной стороной лабораторных тестов является то, что они могут различать сердечно-сосудистые эффекты, максимальную скорость потребления кислорода (VO2max), нервно-мышечные эффекты и экономичность бега. Взятые вместе, VO2max и экономичности бега определяют максимальную аэробную скорость, которая является самой низкой скоростью, при которой достигается VO2max. Максимальная аэробная скорость коррелирует со скоростью гонки на более коротких дистанциях, но сама по себе не может предсказать время гонки на более длинные дистанции, такие как марафон. Пороговые значения тренировок использовались в тестах с физической нагрузкой для количественной оценки метаболизма. Однако, определение таких пороговых значений, как и порог лактата, в лаборатории несколько ограничено. Типичные лабораторные испытания непродолжительны и не всегда полностью отражают снижение экономичности бега, зависящее от времени и расстояния. Например, существуют лишь редкие результаты по использованию максимальной аэробной мощности (MAP) с ограничением выносливости и ее зависимости от продолжительности тренировки. Кроме того, лабораторные исследования дороги и недоступны для большинства населения. Неоспоримый факт, что лучший тест беговых результатов - это настоящая гонка, а не лабораторные тесты, подчеркивает необходимость в моделях, специально построенных для извлечения показателей результативности спортсмена из его регулярных тренировок. По этим причинам модели, которые могут использовать данные с носимых устройств и преобразовывать их в значимые параметры производительности, могут предложить экономичный альтернативный подход к лабораторным испытаниям. Тем не менее, следует подчеркнуть, что такой подход не объясняет физиологические и биомеханические механизмы, которые контролируют производительность.

Было предложено несколько эмпирических и физиологических моделей для объяснения мировых рекордов с точки зрения ряда физиологических параметров. Известный физиолог Арчибальд Хилл эмпирически предложил гиперболическую зависимость для описания максимальной выходной мощности, как функции продолжительности тренировок. Также был предложен чисто механический подход, основанный на уравнении движения бегунов. Эти подходы предсказывают, что средняя гоночная скорость имеет тенденцию к постоянному значению с увеличением гоночной дистанции, что противоречит реальным наблюдениям. В то время, как более современные подходы объединили физиологию и реальные наблюдения, чтобы предложить более реалистичные отношения между максимальной выходной мощностью и продолжительностью гонки, все эти модели зависят от массы параметров, которые различаются у разных людей.

Авторы этой статьи не так давно разработали универсальную модель бега, основанную на концепциях физиологии тренировок, зависящую только от минимального набора ключевых показателей эффективности, необходимых для прогнозирования результатов гонки, не содержащую дополнительных индивидуально-зависимых величин и подтвержденную мировыми рекордами бега. В этой статье они показывают, что также возможно получить новое представление о производительности бега, применив эту модель к большим наборам данных тренировок перед марафонской гонкой.
Всего было проанализированы данные ≈ 14 000 человек с ≈ 1,6 млн сеансов тренировок, с общим расстоянием ≈ 20 млн км. Универсальная беговая модель, предложенная авторами, характеризует бегуна с помощью двух показателей, которые измеряют (1) выносливость (индекс выносливости) и (2) скорость, требующую выхода MAP (индекс аэробной мощности). Включение выносливости, которая описывает снижение устойчивой мощности с течением времени, предлагает новое понимание производительности: высокоточный прогноз времени гонки и определение ключевых параметров, таких как порог лактата, обычно используемых в физиологии тренировок.

Не утомляя подробностями, сразу к кратким выводам, которые все так любят:

Низкоинтенсивный объем приводит к повышению VO2max
Высокоинтенсивные тренировки приводят к повышению специфической выносливости

Результаты исследования демонстрируют сильную связь производительности с выносливостью. Например, бегун может улучшить свое марафонское время с 3:27.38 до 2:53.08, удвоив свою выносливость, что соответствует изменениям интенсивности часового бега с 79 до 87% от VO2max, без каких-либо изменений самого VO2max или экономичности. Авторы также обнаружили, что более быстрые бегуны, как правило, бегут более хорошо на всех дистанциях, чем более медленные бегуны. Например, в группе самых быстрых бегунов с временем марафона менее 160 минут, с применением этой модели, ошибка прогноза обычно составляла менее ± 2,5%.

Авторы сравнили физиологические профили с беговой активностью в течение тренировочного сезона. Существует несколько исследований взаимосвязи между тренировочным объемом и интенсивностью, улучшением аэробной формы и производительности. Например, было заявлено, что бег с критической скоростью (critical velocity, в статье используется показатель vm) может представлять собой оптимальный стимул для повышения выносливости. Есть также свидетельства, подтверждающие, что относительно большой процент низкоинтенсивных тренировок в течение длительного периода улучшает производительность во время высокоинтенсивных стартов. Утверждалось, что скорость бега на уровне лактатного порога является лучшим физиологическим показателем эффективности бега на длинные дистанции.

Чтобы исследовать влияние тренировочной дистанции и скорости по отношению к критической скорости, авторы выбрали последовательные сезоны гонок, со средней ошибкой прогнозирования времени гонки менее 5%. По мере увеличения общего тренировочного объема (dtrain) тренировочного сезона, показатель vm увеличивается в среднем линейно со слабой тенденцией к насыщению на самом большом значении объема. Более высокая критическая скорость может быть достигнута за счет лучшей экономичности бега и/или увеличения аэробной мощности. Авторы работы предположили, что больший тренировочный объем улучшил экономичность бега, что согласуется с предыдущими наблюдениями. Другое объяснение этой связи может заключаться в том, что более подготовленные бегуны с большей аэробной мощностью и, следовательно, более высокой критической скоростью пробегают больше километров во время тренировок. Авторы обнаружили линейное уменьшение критической скорости со средней относительной интенсивности тренировки от 50% до примерно 90% (показано на рис. 5b). Это согласуется с концепцией повышения производительности при высокой интенсивности за счет большого количества тренировок с низкой интенсивностью. Диапазон скоростей тренировок увеличивается с увеличением критической скорости, что отражает более широкий диапазон доступных значений интенсивности от минимальной (бег трусцой) до максимальной скорости. Например, бегун с критической скоростью (vm) 4 м/с обычно тренируется от 64 до 84% от vm или аэробной мощности, в то время как бегун с vm 5 м/с обычно тренируется до 66% от vm. При этом, оба бегуна имеют почти одинаковый верхний темп ~ 5 мин/км в большинстве своих тренировок. Более медленные бегуны должны тренироваться с относительно более высокой интенсивностью, если они хотят избежать перехода к ходьбе на тренировках.

Важно понимать, что эти типичные беговые диапазоны не включают быстрые высокоинтенсивные тренировки, на которые приходится лишь небольшая часть общего тренировочного объема. Однако тренировки высокой интенсивности включают также фазы отдыха, которые могут снизить среднюю скорость, когда таймер не остановлен, что потенциально объясняет наблюдаемую интенсивность ниже ~ 50% от vm.