科研 Skill

训练负荷监控研究

sport-training-load

规范采集sRPE/TRIMP负荷指标并拟合Banister模型,审慎讨论ACWR方法学争议。适用于负荷-表现与负荷-伤病关联研究。

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

训练负荷监控研究(Training Load Monitoring Research)

适用场景

  • 为运动队(足球、篮球、田径、游泳等)设计内部负荷(sRPE、心率 TRIMP)与外部负荷(距离、高速跑、加速度事件)同步监控方案。
  • 计算每日/每周负荷、单调性(monotony)、紧张度(strain),描述训练周期化结构。
  • 拟合 Banister 体能-疲劳模型,研究负荷与表现(如计时赛成绩、纵跳高度)的剂量-反应关系。
  • 评估负荷与非接触性伤病的关联,并对 ACWR 类指标做方法学上合规的替代分析。
  • 开展个体内(within-athlete)分析:区分"某运动员负荷高于其自身平均时"与"高负荷运动员"两种效应。

边界与不适用

  • 不为具体运动员开具训练计划或伤病预测"红线";负荷-伤病研究结论为人群层面关联,不能直接用于个体伤病判定。
  • 外部负荷原始数据(GPS/IMU)的清洗与事件提取见 sport-wearable-gps-imu;这里只处理已汇总的负荷变量。
  • 不提供医学诊断、康复处方;涉及伤病定义时遵循公认共识声明,由队医/研究伦理流程确认。

工作流

  1. 定义研究问题与负荷构念

    • 输入:研究目的(描述/预测/因果)、运动项目、赛季结构。
    • 操作:明确内部负荷 vs 外部负荷;区分"负荷→表现"与"负荷→伤病"问题;写出暴露、结局、时间窗。
    • 决策点:若目的为因果推断,需事先画 DAG,识别混杂(比赛日程、既往伤病、位置),不要只做相关。
  2. 数据采集规范

    • sRPE:使用 Borg CR-10(或中文版)量表,训练结束后约 30 分钟询问"这次训练有多累",避免队友在场影响;sRPE = RPE × 训练时长(min),单位 AU。
    • 心率:记录 HRmax、HRrest(或 LTHR),用于 TRIMP 计算;佩戴胸带并记录缺失原因。
    • 产出:每次训练一行的长格式数据表(athlete_id, date, session_type, duration, rpe, srpe, trimp, 外部负荷字段)。
  3. 负荷指标计算

    • Banister TRIMP:时长 × ΔHR 比 × 0.64·e^(1.92·ΔHR比)(男性系数;女性常用 0.86 与 1.67)。
    • Edwards TRIMP:5 个心率区间(50–60%…90–100% HRmax)时间 × 权重 1–5 求和。
    • 周负荷、monotony = 周日均负荷 / 日负荷标准差,strain = 周负荷 × monotony(Foster 1998)。
    • 决策点:缺失日是"休息=0"还是"未记录=NA"必须区分,否则滚动平均严重偏差。
  4. Banister 体能-疲劳模型

    • 模型:p(t) = p0 + k1·Σ w(s)·e^(−(t−s)/τ1) − k2·Σ w(s)·e^(−(t−s)/τ2)。
    • 操作:非线性最小二乘逐个运动员拟合 k1、k2、τ1、τ2;报告参数置信区间与拟合优度。
    • 决策点:表现测量点通常稀少,参数可识别性差、过拟合严重;需留出时段验证(out-of-sample),或改用贝叶斯分层模型借力于群体。
  5. ACWR 的审慎使用

    • 了解争议:滚动平均 ACWR(7 天/28 天)存在急性期包含在慢性期内造成的数学耦合;比值变量在回归中有比值谬误;任意分箱(如"甜区"0.8–1.3)导致信息丢失与虚假阈值。
    • 操作:若必须报告,优先使用非耦合版本或 EWMA,并同时报告急性、慢性负荷本身;伤病模型中把急性与慢性负荷作为连续变量(样条)分别纳入。
    • 决策点:审稿人普遍质疑 ACWR,讨论部分需直面上述局限。
  6. 个体内分析与统计建模

    • 对重复测量数据使用线性/广义线性混合模型(随机截距、必要时随机斜率)。
    • 个体均值中心化(person-mean centering):拆分为个体间成分(个体均值)与个体内成分(偏离自身均值)。
    • 伤病结局:考虑复发事件、暴露时间、伤后不可训练期,用 frailty 模型、离散时间生存模型或多状态模型。
    • 产出:效应估计(含 95% CI)、模型诊断、敏感性分析(不同滚动窗口、不同缺失处理)。
  7. 报告与解释

    • 区分统计显著与实践意义(SWC,最小有价值变化,常取 0.2 × 个体间 SD)。
    • 报告监控依从率、数据缺失比例、量表实施方式。

工具与数据源

  • R:lme4、glmmTMB、nlme(混合模型)、zoo/slider(滚动窗口)、survival、brms(贝叶斯分层 Banister 模型)。
  • Python:pandas、statsmodels(MixedLM)、scipy.optimize.curve_fit。
  • 量表:Borg CR-10、Foster 修订版 CR-10。
  • 文献检索:CNKI、万方、PubMed、SPORTDiscus;中文核心期刊如《体育科学》《中国体育科技》《北京体育大学学报》《上海体育学院学报》(现《上海体育大学学报》)。

最小代码示例(Python:sRPE、EWMA 与个体中心化)

import pandas as pd
import numpy as np

df = pd.read_csv("sessions.csv", parse_dates=["date"])  # athlete_id,date,duration,rpe
df["srpe"] = df["rpe"] * df["duration"]
daily = (df.groupby(["athlete_id", "date"])["srpe"].sum()
           .reset_index())

def fill_days(g):
    g = g.set_index("date").asfreq("D")
    g["athlete_id"] = g["athlete_id"].ffill()
    g["srpe"] = g["srpe"].fillna(0)  # 仅当确认未记录日=休息日时才可如此处理
    return g.reset_index()

daily = daily.groupby("athlete_id", group_keys=False).apply(fill_days)

# EWMA(Williams 等推荐形式:lambda = 2/(N+1))
for n, col in [(7, "acute_ewma"), (28, "chronic_ewma")]:
    daily[col] = (daily.groupby("athlete_id")["srpe"]
                       .transform(lambda s: s.ewm(alpha=2/(n+1), adjust=False).mean()))

# 个体均值中心化
daily["acute_between"] = daily.groupby("athlete_id")["acute_ewma"].transform("mean")
daily["acute_within"] = daily["acute_ewma"] - daily["acute_between"]
print(daily.tail())

质量检查

  • sRPE 采集时间、提问语句、量表版本在方法部分完整描述
  • 区分了"休息日=0"与"未记录=缺失",并报告缺失比例与处理方法
  • TRIMP 公式、性别系数、HRmax 测定方式已注明
  • Banister 模型报告了参数估计不确定性和样本外验证结果
  • 未把 ACWR 分箱"甜区"当作因果阈值;已讨论数学耦合与比值问题
  • 重复测量数据使用了混合模型或等价方法,拆分了个体间/个体内效应
  • 伤病定义参照公认共识(如 IOC 2020 共识声明),暴露时间计算清楚
  • 数据共享前已去标识化,运动员知情同意及伦理批件齐全
  • 分析脚本与软件版本可复现

输出格式

  1. 负荷数据字典:变量名、定义、单位(AU、min、bpm)、计算公式、来源设备/量表。
  2. 描述性表:按运动员/位置/周期的周负荷均值±SD、monotony、strain。
  3. 模型结果表:效应项、估计值、95% CI、个体间/个体内区分、随机效应方差。
  4. 图:个体负荷时间序列(附比赛日标记)、Banister 拟合曲线 vs 实测表现。
  5. 方法学局限段落:测量误差、ACWR 争议、外推限制。

参考规范与文献

  • Banister EW 等(1975)关于体能-疲劳系统模型的原始工作;Calvert TW 等(1976)
  • Foster C(1998)关于训练单调性与过度训练的研究;Foster C 等(2001)提出 session-RPE 方法
  • Edwards S(1993)The Heart Rate Monitor Book
  • Gabbett TJ(2016)训练-伤病预防悖论(British Journal of Sports Medicine)
  • Williams S 等(2017)关于 EWMA 计算 ACWR 的建议(BJSM)
  • Lolli L 等(2019)关于 ACWR 数学耦合的批评(BJSM)
  • Impellizzeri FM 等(2020)关于 ACWR 概念问题与根本缺陷的评述(IJSPP)
  • Bourdon PC 等(2017)运动员负荷监控共识声明(IJSPP)
  • International Olympic Committee(2020)运动伤病与疾病流行病学记录共识声明(Bahr R 等,BJSM)
  • Hopkins WG 等(2009)运动医学与运动科学研究的渐进统计(MSSE)

示例提示词

我有一支U19足球队一个赛季的sRPE和GPS数据,帮我用混合模型分析训练负荷与非接触性伤病的关系,并说明ACWR的局限。

所属插件

体育学面向体育学研究:训练负荷监控、可穿戴 GPS/IMU 数据、运动生物力学、竞技表现分析、国民与学生体质健康数据、身体活动测量、运动干预研究设计,以及体育人文社会学与政策研究。

安装该插件会一并获得同领域的 9 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

训练负荷监控研究能做什么?

规范采集sRPE/TRIMP负荷指标并拟合Banister模型,审慎讨论ACWR方法学争议。适用于负荷-表现与负荷-伤病关联研究。

如何安装训练负荷监控研究?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「训练负荷监控研究」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

训练负荷监控研究需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

训练负荷监控研究经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。