SoundPEATS Watch Pro 1 Smart Watch Fitness Tracker Руководство пользователя

Главная » SoundPEATS » Смарт-часы SoundPEATS Watch Pro 1, фитнес-трекер, руководство пользователя

Руководство пользователя Watch Pro 1

Внедрение продукции

Параметры модели на фото:

Наденьте браслет на расстоянии одного пальца от кости запястья и отрегулируйте натяжение браслета до удобного положения.
Наконечник: Если вы наденете ремешок слишком свободно, это может повлиять на получение данных датчиком частоты сердечных сокращений.

Подключение и привязка

1. Отсканируйте QR-код на дисплее часов (Настройки — Загрузка приложения) своим мобильным телефоном, а затем установите ПРИЛОЖЕНИЕ SOUNDPEATS SPORTS. Вы также можете отсканировать QR-код ниже, чтобы загрузить и установить SOUNDPEATS SPORTS из магазина мобильных приложений.
   https://app.help-document.com/soundpeats/download/index.html
2. После установки приложения откройте и войдите в SOUNDPEATS SPORTS, затем выберите (устройство WATCH Prol, которое нужно добавить) на странице устройства, чтобы подключить его.
   

Эксплуатация

1. Откройте панель управления: Проведите по экрану основного интерфейса сверху вниз
2. Откройте сообщения / уведомления: Проведите по экрану основного интерфейса снизу вверх.
3. Открыть главное меню: Проведите пальцем по экрану в главном интерфейсе слева направо (Примечание: на других интерфейсах проведите пальцем слева направо, чтобы вернуться к предыдущему интерфейсу)
4. Откройте интерфейс состояния: Проведите по экрану в главном интерфейсе справа налево
5. Быстрая смена набора: Нажмите и удерживайте интерфейс набора в течение 3 секунд, и часы вибрируют один раз; затем вы можете провести пальцем влево или вправо, чтобы выбрать циферблат.
   6. Включите Нажмите и удерживайте кнопку питания в течение 5 секунд, чтобы включить его.
6. Быстрая спортивная пауза / продолжение: Нажмите кнопку питания.
7. Нажмите кнопку питания, чтобы вернуться на домашнюю страницу (Примечание: если вы находитесь на интерфейсе уровня 2, вы вернетесь к интерфейсу уровня 1).

Особенности

	13 спортивных режимов (бег, ходьба, езда на велосипеде, альпинизм, йога, скиппинг, теннис, бейсбол, баскетбол, бадминтон, футбол, регби, настольный теннис)
	В режимах бега, ходьбы, альпинизма и других видов спорта вы можете щелкнуть экран, чтобы view спортивные данные (шаги, темп, калории, расстояние и продолжительность).
	Монитор сердечного ритма: Часы будут непрерывно отслеживать вашу частоту сердечных сокращений в течение 24 часов (сначала необходимо включить «мониторинг сердечного ритма» в приложении), вы также можете view исторические данные о частоте пульса в приложении. Примечание: Когда эта функция включена, потребление энергии будет увеличиваться, а срок службы батареи уменьшится.
	Статус Интерфейс: Шаги, расстояние и калории будут подробно записываться и отображаться на часах каждый день.
	Спать: Часы будут отслеживать состояние вашего сна с 6:00 до 11:59 следующего дня. Примечание: Данные о сне на часах будут очищаться ежедневно в 6:00. Но вы все равно можете проверить исторические данные о сне в приложении SOUNDPEATS SPORTS.
	В музыке: Часы можно использовать для управления музыкальным проигрывателем мобильного телефона, вы можете использовать их для воспроизведения / паузы или пропуска песен (они совместимы только со встроенным музыкальным проигрывателем мобильного телефона, могут быть несовместимы с устройствами сторонних производителей). плеер, а громкость на часах не регулируется)
	Секундомер: Часы можно использовать для отсчета времени (проведите пальцем вправо после нажатия кнопки паузы, чтобы выйти и вернуться в предыдущее меню)
	Сообщение: Часы будут получать и отображать тексты / сообщения / уведомления из социальных сетей с вашего телефона.
	Окружение: Вы можете выключить или сбросить часы в настройках, а также проверить информацию о часах и загрузить QR-код приложения.

Зарядка

1. Наденьте часы на магнитный зарядный кабель и сделайте убедитесь, что зарядные контакты на задней панели часов полностью заряжены. крепится к металлическим контактам зарядного кабеля. Может быть полностью заряжается примерно за 3.5 часа.
2. Подключите зарядный кабель к стандартному USB-зарядному устройству, приобретенному по официальным каналам. Выходной объемtage — SV, а выходной ток — 1A.
   Если часы не включаются после долгого простоя, пожалуйста, протрите зарядные контакты зарядного устройства кабель при повторном использовании для удаления пота или влаги остальные.
   Примечание: (Если вы не пользуетесь часами часто, заряжайте их раз в месяц. )

Основные параметры

Условия гарантии

При покупке продукции у первоначального покупателя мы начинаем давать гарантию на часы сроком на 12 месяцев, а объем гарантии ограничивается производственными дефектами.
[электронная почта защищена]
www.soundpeatsaudio.com

Документы / Ресурсы

Связанные руководства / ресурсы

сообщение навигации

Фитнес-модель Марика Матесович: история ее похудения

Нашей сегодняшней героиней является фитнес-модель Марика Матесович. В это трудно поверить, но еще несколько месяцев назад она была пышнотелой девушкой с кучей комплексов. Хотите узнать, как ей удалось похудеть? Сейчас вы обо всем узнаете.

Мотивация

Взяться за фигуру Марика Матесович решила после того, как ее бросил парень. Их отношения длились довольно долго. Молодой человек ушел к более стройной девушке. Марика сильно переживала из-за расставания с возлюбленным. Но в какой-то момент наша героиня решила поработать над своим телом, назло этим обстоятельствам.

Изначальные параметры

При росте 164 см Марика Матесович весила 81 кг. Как же она превратилась в пышку? В 15 лет ее фигура была нормальной. Девушка весила 61 кг. Единственное, что не устраивало Марику, это небольшой животик. Она посидела сначала на одной диете, потом на другой. Ей удалось похудеть до 55 кг и убрать жировую прослойку на животе. Но когда девушка закончила диету, вес вернулся. Со временем стрелка весов дошла от отметки в 81 кг.

Марика Матесович: история похудения

Для начала наша героиня стала совершать утренние пробежки вокруг соседних домов. Затем она добавила групповые тренировки. Марика в домашних условиях делала упражнения на укрепление разных мышц. Это было в первые 4 месяца. Далее девушка записалась в тренажерный зал, который посещала 3-4 раза в неделю. Она совмещала силовые и кардио-упражнения.

Прогресс у Марики появился после того, как она начала заниматься с тренером. Во-первых, профессионал знает толк в правильном расчете нагрузки. Во-вторых, он не дает спуску. Ведь обычно девушки жалеют себя и не выкладываются в полную силу.

За год тренировок Марика Матесович похудела на 26 кг. На этом трансформация ее тела не закончилась. Наша героиня стала все больше времени посвящать фитнесу. Ее вес увеличился до 64-65 кг. Произошло это за счет развития мышечной массы. Сейчас фигура девушки выглядит подтянуто и привлекательно.

Немаловажную роль в процессе похудения играет и правильное питание. Марика принимает пищу 5 раз в день, небольшими порциями (100-200 г). В ее рационе присутствуют полезные жиры и животные белки. Также она кушает каши, несладкие фрукты и овощи. Летом в меню Марики появляются свежие ягоды. В день можно съесть не более 150-200 г черники, смородины или малины.

Всем желающим похудеть фитнес-модель рекомендует пить 1,5-2 л чистой воды в сутки. В это количество не входит чай, кофе и прочие напитки. Главное правило снижения веса заключается в том, чтобы тратить больше калорий, чем потребляешь.

границ | Влияние математического моделирования и процедур подбора на оценку критической скорости и ее взаимосвязь с параметрами аэробной пригодности

Введение

Интенсивность упражнений, один из наиболее важных критериев, вызывающих специфическую адаптацию к тренировке (Maclnnis and Gibala, 2017), часто основывается на проценте максимальной скорости поглощения кислорода (V. ⁢O2⁢max) или максимальном частота сердечных сокращений (Американский колледж спортивной медицины, 2000; Burgomaster et al., 2007; Рой и др., 2018). Однако у отдельных людей лактатный порог, точка дыхательной компенсации (RCP) и критическая мощность (CP)/скорость (CS) располагались при разных процентах V.⁢O2⁢max (Fontana et al., 2015), что приводило к к существенным различиям между участниками с точки зрения характеристик метаболических реакций и продолжительности упражнений при общем процентном соотношении от максимума. Следовательно, использование предписаний по упражнениям, основанных на процентах от максимальных значений, не гарантирует контроля интенсивности упражнений (DiMenna and Jones, 2009; Lansley et al., 2011). Вместо этого была рекомендована модель, учитывающая домены интенсивности упражнений для назначения упражнений (Iannetta et al., 2020). Такие параметры, как кинетика поглощения кислорода (Whipp and Mahler, 1980), вентиляционный порог (VT) (Wasserman et al., 1973), максимальный равновесный уровень лактата (Iannetta et al. , 2018) и CP/CS (Vanhatalo et al. ., 2007; Constantini et al., 2014; Jones et al., 2019) можно использовать для определения этих различных областей интенсивности.

CP/CS позволяет определить границу между областями тяжелой и тяжелой интенсивности (Jones et al., 2019; Галан-Риоха и др., 2020). Поэтому важно иметь точную оценку CP/CS. Это достигается подгонкой экспериментальных данных к математической модели, выбранной из нескольких вариантов, которые различаются по своей математической форме и количеству параметров (Монод и Шеррер, 1965; Уилки, 1980; Моритани и др., 1981; Уипп и др.). ., 1982; Мортон, 1986, 1990, 1996; Перонне и Тибо, 1989). Первоначальная формулировка линейной модели была предложена Моно и Шеррером (1965).Эта модель была применена к велоэргометрии и связывает работу, выполняемую во время изнуряющей тренировки, и ее продолжительность через два параметра (двухпараметрическая модель): КП (Монод и Шеррер, 1965) или порог утомления (Бигланд-Ритчи и Вудс, 1984). и устойчивая работа упражнений выше этого уровня метаболизма (W’) (Монод и Шеррер, 1965). Мощность была связана со временем путем деления исходной формулы на продолжительность упражнения (Poole et al., 1986; Gaesser and Wilson, 1988; Housh et al., 1989), в то время как Gaesser et al.(1990) предложили выражать продолжительность этого упражнения как функцию мощности, что привело к известной гиперболической формулировке (Morton and Hodgson, 1996). Другой вариант модели, предложенный Мортоном (2006), выражает выполненную работу как функцию мощности, поскольку эта работа (мощность, умноженная на время до истощения) также является зависимой переменной. Однако эта модель, насколько нам известно, до сих пор не использовалась.

Прямой перенос КП на бег изучался несколькими исследователями (Ettema, 1966; Hughson et al., 1984; Хоуш и др., 1991, 2001; Сид-Али и др., 1991; Макдермотт и др., 1993). CS и расстояние, которое можно пробежать выше CS ( d′ ), являются беговыми аналогами CP и W′ соответственно (Hughson et al., 1984; Housh et al., 1991; Pepper et al., 1992; Hill). и Фергюсон, 1999; Джонс и Ванхатало, 2017). Считается, что CS отражает неотъемлемую характеристику аэробной системы энергообеспечения (Hughson et al., 1984; Gaesser and Wilson, 1988; Poole et al., 1988) и коррелирует с V.⁢O2⁢max (Hughson et al., 1984; Gaesser and Wilson, 1988; Poole et al., 1988), а также лактатные пороги (Poole et al., 1988) и RCP (Moritani et al., 1981).

Основными недостатками двухпараметрической модели являются допущения: 1) о бесконечной скорости бега по мере того, как время до утомления приближается к нулю, и 2) о том, что в момент утомления d′ полностью покрывается (Gaesser et al., 1995). ; Мортон, 1996). Чтобы преодолеть эти ограничения, Мортон (1996) предложил трехпараметрическую модель, включающую дополнительный параметр, максимальную мгновенную скорость бега ( с _макс ) и d′ , которые могут быть учтены только частично для скорость бега между CS и с _макс. .В качестве альтернативы Хопкинс и соавт. (1989) предложили трехпараметрическую экспоненциальную модель, основанную на CS и s _max , но где d′ было заменено неопределенной постоянной времени (τ). Авторы сообщили, что их трехпараметрическая экспоненциальная модель дала лучшее соответствие, чем двухпараметрическая модель, для беговой дорожки с наклоном в течение короткого времени (<3 мин) (Hopkins et al., 1989). Эти двух- или трехпараметрические модели могут быть сформулированы как расстояние как функция времени, время как функция расстояния, скорость бега как функция времени, время как функция скорости бега, расстояние как функция скорости бега и скорость бега как функция. функции расстояния, которые математически эквивалентны.

Чтобы получить статистически правильную оценку параметров модели, следует выбрать правильный выбор формулировки модели и регрессионного анализа (Patoz et al., 2021). Такой выбор основан на данных, полученных в результате эксперимента, и знании независимых и зависимых переменных. Для теста CS на беговой дорожке скорость бега является независимой переменной, в то время как время до утомления и расстояние (неявно, потому что оно определяется скоростью бега, умноженной на время до утомления) являются зависимыми переменными.Чтобы свести к минимуму ошибку формулировки модели, выражающей зависимые и независимые переменные по вертикальной и горизонтальной осям соответственно, можно использовать функцию потерь по методу наименьших квадратов (LS), которая требует, чтобы зависимая переменная наблюдалась с аддитивной ошибкой, в то время как независимая была бы не имеют аддитивной ошибки (Morton and Hodgson, 1996). Статистическая теория показала, что ошибки в независимой переменной имеют второстепенное значение, поэтому достаточно минимизировать ошибку в зависимой переменной (Morton and Hodgson, 1996).Однако из-за гетероскедастичности зависимой переменной (McLellan and Skinner, 1985; Poole et al., 1988; Faude et al., 2017) Мортон и Ходжсон (1996) предложили использовать взвешенную LS (WLS).

Несколько исследователей сравнили оценку параметров, обеспечиваемую тремя различными моделями (двухпараметрической, трехпараметрической и трехпараметрической экспоненциальной), и некоторыми из их различных формулировок для велоэргометрии (Gaesser et al., 1995; Bull et al., 1995). al., 2000; Bergstrom et al., 2014) и бег на беговой дорожке (Housh et al., 2001). Были получены значительные различия между разными формулировками двухпараметрической модели (Gaesser et al., 1995; Bull et al., 2000; Housh et al., 2001; Bergstrom et al., 2014). Три модели также значительно отличались друг от друга, и модель с тремя параметрами дала самую низкую оценку CP (Gaesser et al., 1995; Bull et al., 2000; Bergstrom et al., 2014) и CS (Housh et al. , 2001). Однако эти исследования (Gaesser et al., 1995; Bull et al., 2000; Housh et al., 2001; Bergstrom et al., 2014) не рассматривал время до истощения в качестве зависимой переменной, на что честно указал Gaesser et al. (1995). Более того, эти предыдущие исследования (Gaesser et al. , 1995; Bull et al., 2000; Housh et al., 2001; Bergstrom et al., 2014) не являются методологически исчерпывающими. Действительно, ни одно из этих исследований не признало гетероскедастичность зависимой переменной.

Следовательно, цель этого исследования была двоякой. Во-первых, мы сравнили оценки параметров модели, полученные с помощью статистически подходящих процедур подбора (сочетание формулировки модели и регрессионного анализа), примененных к трем различным моделям (двухпараметрической, трехпараметрической и трехпараметрической экспоненциальной).Мы предположили, что оценки CS, d′ и s _max будут значительно различаться между используемыми математическими моделями, но не между процедурами подгонки. Мы также предположили, что трехпараметрическая модель даст самую низкую оценку CS, как это уже наблюдали Housh et al. (2001) для статистически неподходящих процедур подбора. Во-вторых, мы определили корреляции между оценкой CS и параметрами аэробной подготовленности, т. е.е., VT, RCP и V.⁢O2⁢max, а также стандартную ошибку оценки (SEE) этих отношений. Мы предположили, что более низкое качество подгонки [определяемое информационным критерием Акаике (AIC)] будет связано с более низкой корреляцией между CS и параметрами аэробной подготовленности и более высоким SEE.

Материалы и методы

Характеристики участника

Шестнадцать бегунов-мужчин дали письменное информированное согласие на участие в настоящем эксперименте (возраст: 25,6 ± 3,9 года, рост: 1.79 ± 0,05 м; масса тела: 69,2 ± 5,3 кг). Для включения в исследование участники должны были иметь хорошее общее состояние здоровья, о котором они сами сообщали, без симптомов сердечно-сосудистых заболеваний или основных факторов коронарного риска, без текущих или недавних травм нижних конечностей, которые могли помешать им выкладываться на 100% во время теста. или от достижения определенного уровня беговых характеристик. В частности, от бегунов требовалось, чтобы скорость, связанная с V. ⁢O2⁢max ( с _V.⁢O2 ), была больше или равна 4.44 м/с (16 км/ч). Протокол исследования был одобрен Этическим комитетом (CER-VD 2018-01814) и соответствовал последней Хельсинкской декларации Всемирной медицинской ассоциации.

Экспериментальная процедура

Каждый участник провел пять экспериментальных сессий, перемежающихся не менее чем двумя днями в лаборатории. Всем участникам было рекомендовано избегать напряженных упражнений за день до теста, но в остальном придерживаться своей обычной программы тренировок. Во время первой сессии участники выполнили максимальный аэробный тест на беговой дорожке (Arsalis T150 — FMT-MED, Лувен-ла-Нев, Бельгия).Этот тест состоял из 10-минутной разминки со скоростью 2,78 м/с с последующим постепенным увеличением скорости бега на 0,28 м/с каждые 2 минуты до утомления. На протяжении всего теста участники дышали в маску, подключенную к газоанализатору (Quark, Cosmed, Италия). Показатели легочного газообмена [минутная вентиляция на выдохе (V. ⁢E), поглощение кислорода (V.⁢O2) и выход углекислого газа (V.⁢CO2)] измерялись в каждом вдохе и впоследствии усреднялись по 10-секундным интервалам. на протяжении всего теста. Перед каждым испытанием анализаторы О ₂ и СО ₂ калибровали с использованием комнатного воздуха и известных концентраций калибровочного газа (16.00% O ₂ , 5,02% CO ₂ и остаток N ₂ ), а турбину калибровали с помощью 3-литрового шприца (Hans Rudolph, Германия).

Сначала этот тест использовался для определения пиковой скорости (PS) добавочного теста каждого участника. PS определяется как скорость бега последнего полностью завершенного приращения ( с _V.⁢O2 ) плюс доля времени, затраченного на следующее незавершенное приращение (α), умноженное на приращение скорости бега (Δs = 0.28 м/с) (Kuipers et al., 2003): P⁢S=sV_⁢O2⁢max+α⁢△⁢s. Во-вторых, V.⁢O2⁢max определяли как максимальное измеренное значение V.⁢O2, соответствующее (1) плато V. ⁢O2 с повышенной скоростью бега (Δ⁢V.⁢O2 между двумя последними приращениями меньше чем 50 % от среднего Δ⁢V.⁢O2 во время субмаксимальной фазы теста) и/или (2) частота сердечных сокращений более 90 % от теоретической максимальной частоты сердечных сокращений, определяемой 220 — возраст, связанный с дыхательным коэффициентом более 1,1 и уровень воспринимаемой нагрузки выше 17.В-третьих, VT и RCP определяли на основании данных газообмена и по методике, предложенной Wasserman et al. (1973).

Остальные четыре теста проводились в рандомизированном порядке и состояли из исчерпывающих прогонов с заданным процентом PS участника (90, 100, 110 или 120%). Эти тесты заключались в следующем: после 10-минутной разминки со скоростью 2,78 м/с и 5-минутного периода отдыха скорость бега увеличивали до заданного процента ПС, и участник должен был поддерживать темп до утомления.Время до истощения регистрировалось для каждого из четырех сеансов. Никакой информации о времени или скорости бега не было предоставлено ни одному участнику, которого настоятельно поощряли, во время любой из пяти экспериментальных сессий. Все участники были знакомы с бегом на беговой дорожке.

Математическое моделирование

Оценки CS, d′ и s _max были получены из двух разных, но математически эквивалентных формулировок для трех разных моделей.Гессер и др. (1990) предложил двухпараметрическую формулировку модели, заданную уравнением. 1 (нелинейная, временная скорость), а уравнение. 2 (нелинейная скорость бега) представляет собой формулировку, предложенную Мортоном (2006). Формулировка трехпараметрической модели, предложенная Мортоном (1996), и обратная формулировка трехпараметрической экспоненциальной модели, предложенная Хопкинсом и др. (1989) даются уравнениями. 3 и 5 (нелинейная, временная скорость), соответственно, в то время как уравнения. 4 и 6 (нелинейная скорость бега по расстоянию) представляют их расстояния как функцию формул скорости бега.

t⁢(s)=d’s-CS(1)

d⁢(s)=s⁢t⁢(s)=s⁢d’s-CS(2)

t⁢(s)=(s-smax)⁢d′(s-CS)⁢(CS-smax)(3)

d⁢(s)=s⁢t⁢(s)=s⁢(s-smax)⁢d′(s-CS)⁢(CS-smax)(4)

t⁢(s)=τ⁢log⁡(smax-CSs-CS)(5)

d⁢(s)=s⁢t⁢(s)=s⁢τ⁢log⁡(smax-CSs-CS)(6)

t , s и d обозначают время, скорость бега и расстояние соответственно. Следует отметить, что расстояние как функция скорости бега было просто получено путем умножения времени как функции скорости бега на скорость бега, т.е.е., д ( с ) = с т ( с ).

Экспоненциальная модель с тремя параметрами не дает прямой оценки d′ , потому что расстояние, которое можно пробежать выше CS, в такой модели зависит от времени. Действительно, изменение формулировки двухпараметрической модели, предложенной Whipp et al. (1982) и определяется уравнением. 7 (т. е. обратное уравнению 1)

s⁢(t)=d′t+CS(7)

приводит к d ′ = t [ s ( t )−CS] = d (t) − t CS .Затем применение этого результата к трехпараметрической экспоненциальной модели дает уравнение, в котором левая часть зависит от времени, т. е. ) e ^{− t /τ} . Максимум (dmax′) этого уравнения появляется там, где его первая производная равна нулю, то есть при t = τ и определяется выражением dmax′ = τ( s _max -CS) e ^{− 1} . Этот параметр (dmax′) использовался в качестве оценки d ′ для трехпараметрической экспоненциальной модели при сравнении d′ , предоставленных различными моделями.

Анализ данных

Для оценки CS, d′ и s _max на наборе данных, полученных для каждого участника, использовались две разные процедуры подбора. В частности, были оценены t ( s ) и d ( s ) с использованием WLS. Эти две процедуры подгонки являются статистически подходящими, т. е. минимизируют ошибку по осям, соответствующим зависимым переменным (Vinetti et al., 2020), и должны преодолевать гетероскедастичность Morton and Hodgson (1996).Веса применялись к соответствующим зависимым переменным, т. е. времени до истощения в t ( s ) и расстоянии в d ( s ). Следуя Мортону и Ходжсону (1996), веса были установлены пропорциональны обратной величине дисперсии зависимой переменной, где сама дисперсия была установлена ​​пропорционально зависимой переменной. Примечательно, что варианты моделей d ( t ) и t ( d ) не использовались. Причина в том, что в этих случаях расстояние и время до истощения следует рассматривать как зависимые переменные.Однако ошибки обеих переменных коррелированы, т. Е. Ошибка расстояния определяется произведением скорости на ошибку времени до исчерпания переменной, поскольку скорость не несет никакой ошибки. Это известно как эндогенность, и, насколько нам известно, не существует метода регрессии, который мог бы справиться с таким случаем (Antonakis et al., 2014). Минимизация ошибок выполнялась итеративно с использованием алгоритма Левенберга-Марквардта (Levenberg, 1944; Marquardt, 1963). После проверки остаточных графиков были обнаружены отклонения от гомоскедастичности для двух процедур подбора, примененных к трем различным моделям: трехпараметрической модели с d ( s ) и двухпараметрической модели с t ( s ). ), демонстрируя наименьшую и наибольшую гетероскедастичность соответственно (дополнительный рисунок 1).

Чтобы получить значения V.⁢O2 при оценках CS для каждого участника, сначала оценки CS были преобразованы во время, в которое эти скорости бега имели место во время максимального возрастающего аэробного теста, предполагая линейную зависимость между скоростью бега и временем [т.е. с =2,78+0,14 t , что приводит к t =( с −2,78)/0,14, где t и с обозначают время и скорость бега соответственно]. Затем значения V.⁢O2 в оценках CS были просто даны путем помещения этих соответствующих времен в расчетную линейную регрессию V.⁢O2 в зависимости от времени, зарегистрированного во время максимального возрастающего аэробного теста. Анализ данных был выполнен с использованием Python (версия 3.7.4, Python Software Foundation).

Статистический анализ

Описательная статистика была выражена как среднее ± стандартное отклонение. 90% доверительные интервалы (ДИ) CS, d′ и, если применимо, с _max , объединенная стандартная ошибка оценки (%SEE), т. е. сумма SEE, предварительно преобразованная в проценты единицы CS, d′ и, если применимо, s _max и AIC процедуры подбора были рассчитаны для оценки качества подбора.Для линейной регрессии V.⁢O2 как функции времени был рассчитан ее коэффициент детерминации ( R ² ) для проверки ее точности.

После проверки остаточных участков явных отклонений от гомоскедастичности и нормальности обнаружено не было. Для сравнения CS, d′ и s _max , полученных из трех математических моделей (двухпараметрической, если применимо, трехпараметрической и трехпараметрической экспоненциальной ) и две процедуры подгонки [ t ( s ) и d ( s )].К фиксированным эффектам относились математические модели, подгоночные процедуры и их взаимодействие. Внутрисубъектный характер контролировался путем включения случайных эффектов для участников. Дисперсия, объясняемая фиксированными эффектами по сравнению с общей ожидаемой дисперсией, была представлена ​​как Rmarginal2, в то время как Rconditional2 представляла собой дисперсию, объясняемую фиксированными и случайными эффектами вместе по сравнению с общей дисперсией (Johnson, 2014). Коэффициенты внутриклассовой корреляции (ICC) случайных эффектов рассчитывались как отношение дисперсии случайного коэффициента к сумме его самого и остаточной дисперсии.На основе обычно используемых пороговых значений плохой, средний, хороший и отличный ИКК определяются значениями ИКК <0,5, 0,5–0,75, 0,75–0,90 и ≥0,90 соответственно (Koo and Li, 2016). Попарно апостериорных сравнений любых значимых фиксированных эффектов были выполнены с использованием поправок Холма.

Корреляции, 90% ДИ, SEE (в %) и систематические различия прогнозируемого значения (Δ, в %) были рассчитаны между тремя математическими моделями и двумя процедурами подбора в отношении CS, d′ и s _max и аналогично между параметрами CS и аэробной пригодности.Данные были логарифмически преобразованы, как было предложено Hopkins et al. (2009). Корреляции вычислялись с использованием коэффициентов корреляции Пирсона ( r ). Очень высокая, высокая, умеренная, низкая и незначительная корреляции были даны r значений 0,90–1,00, 0,70–0,90, 0,50–0,70, 0,30–0,50 и 0,00–0,30 соответственно (Hinkle et al. , 2003). . Статистический анализ был выполнен с использованием Python, Jamovi (версия 1.0.8, [Компьютерное программное обеспечение]) и R 3.5.0 (R Foundation for Statistical Computing, Вена, Австрия) с уровнем значимости P ≤ 0.05.

Результаты

Переменные, определенные инкрементальным тестом: с _V.⁢O2 : 5,05 ± 0,38 м/с, PS: 5,16 ± 0,39 м/с, V.⁢O2⁢max: 63,0 ± 4,9 мл/мин/кг , VT: 47,1 ± 3,9 мл/мин/кг (74,8 ± 4,1 %V.⁢O2⁢max), и RCP: 56,3 ± 4,8 мл/мин/кг (89,3 ± 3,6 %V.⁢O2⁢max). Среднее значение R ² , полученное для линейной регрессии V.⁢O2 в зависимости от временной зависимости, зарегистрированной во время максимального возрастающего аэробного теста, составило 0,94 ± 0,04.

Регрессионный анализ для одного репрезентативного участника и для каждой из трех математических моделей, а также двух процедур подбора [ t ( s ) и d ( s )] представлен на рисунке 1.

Рис. 1. Регрессионный анализ для каждой из трех математических моделей [двухпараметрическая (2-param), трехпараметрическая (3-param) и трехпараметрическая экспоненциальная (3-param exp)] и двух процедуры (A) t ( s ) с использованием метода взвешенных наименьших квадратов (WLS) и (B) d ( s ) с использованием WLS. t : время, с : скорость бега и d : расстояние.

В таблице 1 показано время до утомления, соответствующее четырем истощающим пробежкам, выполненным на 90, 100, 110 и 120% PS участника.

Таблица 1. Средние значения ± стандартное отклонение времени до утомления, соответствующее четырем пробежкам с изнурением, выполненным при 90, 100, 110 и 120% пиковой скорости участника (PS).

Таблица 2 показывает CS, d′ и s _max вместе с их соответствующими 90% CI, %SEE и AIC, полученными из трех математических моделей и двух процедур подбора.

Таблица 2. Среднее ± стандартное отклонение критической скорости (CS), расстояния, которое можно преодолеть выше CS ( d′ ), и максимальной мгновенной скорости бега ( с _max ), и их соответствующий 90% доверительный интервал (в скобках), полученный из трех математических моделей [двухпараметрическая (2-param), трехпараметрическая (3-param) и трехпараметрическая экспоненциальная (3-param exp)] и двух процедур подбора [ t ( s ) и d ( s ) с использованием взвешенного метода наименьших квадратов] вместе с комбинированной стандартной ошибкой оценки (%SEE) и информационным критерием Акаике (AIC), оценивающим качество подбора .

Линейная смешанная модель со случайными эффектами объяснила почти всю дисперсию данных для CS, в то время как большая часть дисперсии данных оставалась необъяснимой для d′ и s _max даже со случайными эффектами (табл. 3). ). Эти результаты были подкреплены ICC случайных эффектов, которые были отличными для CS, но плохими и умеренными для d’ и s _max соответственно (таблица 3).

Таблица 3. Процент объясненной дисперсии, фиксированных эффектов и случайных эффектов [коэффициент внутриклассовой корреляции (ICC)] при оценке влияния математической модели и процедуры подбора на критическую скорость (CS), расстояние, которое можно пробежать выше CS ( d ′ ) и максимальную мгновенную скорость бега ( с _макс ) с использованием линейной смешанной модели.

Значительный эффект математической модели был получен для CS, d ′ и s _max ( P < 0.001; Таблица 3). CS была значительно быстрее для трехпараметрической экспоненциальной модели по сравнению с CS, определенной двух- ( P < 0,001) и трехпараметрической ( P < 0,001) моделей, и она была значительно быстрее для двух-, чем для трех -параметрическая модель ( P < 0,001; табл. 2). d’ было значительно ниже для двух- и трехпараметрической экспоненциальной модели, чем для трехпараметрической модели ( P < 0,001; таблица 2). Трехпараметрическая экспоненциальная модель имела значительно более медленную оценку с _макс , чем трехпараметрическая модель ( P < 0.001; Таблица 2).

Для CS, d’ и s _max не сообщалось о значительном влиянии процедуры подгонки или значимом эффекте взаимодействия математической модели и процедуры подгонки ( P ≥ 0,77; таблица 3).

На групповом уровне средний показатель AIC был ниже для трехпараметрической модели для обеих процедур подбора; однако он был очень близок к среднему AIC для трехпараметрической экспоненциальной модели (таблица 2). Обратите внимание, что, поскольку единицы ошибки остаточной суммы квадратов (RSS) зависят от самой процедуры подбора, AIC можно сравнивать между моделями в рамках данной процедуры подбора, но не между двумя процедурами подбора. На индивидуальном уровне процедуры подгонки t ( s ) и d ( s ) дали самый низкий AIC при использовании трехпараметрической модели для 12 участников, в то время как 4 участника получили самый низкий AIC при использовании трехпараметрической модели. параметрическая экспоненциальная модель.

Модель с тремя параметрами показала самый высокий 90% ДИ, а также самый высокий %SEE (таблица 2). Однако в целом %SEE нельзя сравнивать между двух- и трехпараметрическими моделями, поскольку они не имеют одинакового количества параметров для оценки.Тем не менее, 90% ДИ CS и d ′ в трехпараметрической и трехпараметрической экспоненциальной моделях были выше, чем в двухпараметрической модели, даже если выражаться в процентных единицах. Таким образом, две модели с тремя параметрами давали больше ошибок в своих оценках, чем модель с двумя параметрами. 90% ДИ и %SEE были одинаковыми при сравнении двух процедур подбора для данной модели (таблица 2).

SEE и Δ между CS, полученными из трех математических моделей и двух процедур подгонки, варьировались от 0. 06 до 3,95% и от -0,10 до 0,03% соответственно, в то время как корреляции были очень высокими (0,93 ≤ r ≤ 1,00; 90% ДИ: [≥0,84, ≤1,00]), и все они были статистически значимыми ( P < 0,001). Для d′ SEE и Δ варьировались от 0,58 до 20,2% и от -1,89 до 1,37% соответственно, при этом корреляции были высокими и очень высокими (0,77 ≤ r ≤ 1,00; 90% ДИ: [≥0,52, ≤ 1,00]) и статистически значимые ( P < 0,001). Для с _макс SEE и Δ варьировались от 0.от 62 до 9,09% и от -0,06 до 0,14% соответственно, при этом корреляции были от умеренных до очень высоких (0,67 ≤ r ≤ 1,00; 90% ДИ: [≥0,34, ≤1,00]) и статистически значимыми ( P ≤ 0,004).

Оценки V.⁢O2 при CS, выраженные в процентах от V.⁢O2⁢max, а также CS, выраженные в процентах от с _V.⁢O2 для трех математических моделей и двух процедур подбора приведены в таблице 4. Значения V.⁢O2, соответствующие оценкам CS, были основаны на линейной регрессии, поэтому существенные различия между V. ⁢Значения O2 были такими же, как и для оценок CV (таблица 2; Housh et al., 2001).

Таблица 4. Поглощение кислорода [V,⁢O2; выражается в процентах от максимальной скорости поглощения кислорода (V.⁢O2⁢max)] при оценках критической скорости (CS), а также CS [выражается в процентах от скорости, связанной с V.⁢O2⁢max (sV_⁢O2 ⁢m⁢a⁢x)] для трех математических моделей [двухпараметрической (2-param), трехпараметрической (3-param) и трехпараметрической экспоненциальной (3-param exp)] и двух процедур подбора [ t ( s ) и d ( s ) с использованием метода взвешенных наименьших квадратов].

Корреляции, 90% ДИ, SEE и Δ между CS и параметрами аэробной подготовленности приведены в таблице 5. Корреляции были высокими и очень высокими, и все они статистически значимы ( P ≤ 0,001).

Таблица 5. Коэффициенты корреляции Пирсона ( r ) вместе с их соответствующими 90% доверительными интервалами (ДИ), стандартной ошибкой оценки (SEE, в %) и систематическими различиями предсказанного значения (Δ, в %) между критическая скорость (CS), полученная из трех математических моделей [двухпараметрическая (2-param), трехпараметрическая (3-param) и трехпараметрическая экспоненциальная (3-param exp)] и двух процедур подбора [ t ( s ) и d ( s ) с использованием метода наименьших квадратов] и параметры аэробной подготовленности [порог дыхания и точка дыхательной компенсации (VT и RCP), а также максимальная скорость поглощения кислорода (V. ⁢O2⁢макс)].

Обсуждение

Традиционные статистические подходы продемонстрировали значительное влияние математической модели при оценке CS, d′ и s _max , но не значительное влияние процедуры подбора. Эти результаты подтвердили нашу первую гипотезу о том, что оценки CS, d′ и s _max будут значительно различаться между используемыми математическими моделями, но не между процедурами подгонки.Более того, трехпараметрическая модель дала самую низкую оценку CS в соответствии с нашей первой гипотезой. Более низкий SEE и более высокие корреляции между параметрами аэробной подготовленности и CS, оцененными с использованием данной математической модели и процедуры подбора, не обязательно были связаны с более низким AIC для этих моделей и процедур, что опровергало нашу вторую гипотезу.

Линейная смешанная модель показала межиндивидуальные различия в CS, d′ и s _max , как показано большим Rconditional2, чем Rmarginal2 (Таблица 3), но с более сильным влиянием на CS, чем на d′ и s _max , как показано отличным ICC случайных эффектов для CS, но плохим и умеренным ICC для d’ и s _max соответственно (таблица 3). Кроме того, большая часть дисперсии оставалась необъяснимой для d′ и с _max (Rconditional2 ≤ 72,0%; таблица 3). Таким образом, CS можно хорошо оценить с помощью математической модели и процедуры подбора, но это не так для d′ и s _max . Кроме того, высокие и очень высокие корреляции между моделями ( r ≥ 0,93), полученные для CS, предполагают, что оценка CS, предоставляемая каждой моделью, качественно представляет одно и то же, как уже указывалось Gaesser et al.(1995). Напротив, некоторые корреляции между моделями были высокими и умеренными для d′ и s _max соответственно ( r ≥ 0,67), что предполагает меньшую связь между оценками d′ и

91

Модель с тремя параметрами дала самый низкий AIC на уровне группы, а также для 75% участников как для t ( s ), так и для d ( s ) процедуры подбора. Тем не менее, AIC обеих трехпараметрических моделей были очень близки друг к другу (табл. 2). AIC для двухпараметрической модели были на 34% и 21% выше, чем для трехпараметрической модели для t ( s ) и d ( s ) соответственно. Таким образом, двухпараметрическая модель дала самое низкое качество подгонки, в то время как трехпараметрическая модель оказалась наиболее точной для обеих процедур подгонки, хотя она лишь немного лучше, чем трехпараметрическая экспоненциальная модель.Эти наблюдения противоречат предыдущим выводам, в которых были получены сходные значения R ² между различными математическими моделями (Gaesser et al., 1995; Bull et al., 2000; Housh et al., 2001; Bergstrom et al., 2014) [за исключением для двухпараметрической линейной модели, выражающей мощность как функцию 1/время (Gaesser et al., 1995; Bull et al., 2000)]; это можно объяснить несколькими способами. Во-первых, сравнение точности регрессионного анализа для моделей, основанных на различном количестве параметров (например,г. , два или три параметра) требует скорректированного R ² для нормализации относительно количества параметров в модели. Однако в этих исследованиях (Gaesser et al., 1995; Bull et al., 2000; Housh et al., 2001; Bergstrom et al., 2014) такое использование не упоминалось. Во-вторых, было показано, что R ² является неблагоприятной мерой для описания достоверности нелинейной регрессии (например, обеих модельных формулировок трехпараметрической модели) (Spiess and Neumeyer, 2010) и при использовании весов в регрессионный анализ (Willet and Singer, 1988).Поэтому одной из оставшихся возможностей для сравнения качества подгонки различных математических моделей является использование RSS или зависящего от него параметра, такого как AIC. Однако, поскольку единицы RSS (и, следовательно, AIC) зависят от процедуры подбора (т. е. от выбора формулировки модели и осей, на которых минимизируются ошибки), AIC различных процедур подбора нельзя сравнивать, т. е. AIC t ( s ) нельзя сравнивать с d ( s ).

Другим вариантом сравнения качества подгонки различных математических моделей является использование %SEE (Triska et al., 2021). Однако, как уже упоминалось, %SEE зависит от количества оцениваемых параметров и поэтому не является оптимальным для сравнения моделей с двумя и тремя параметрами. Тем не менее, в нашем случае 90% ДИ CS и d ′ в трехпараметрической и трехпараметрической экспоненциальной моделях были выше, чем в двухпараметрической модели, даже если выражаться в процентных единицах. Следовательно, двухпараметрическая модель дала самый низкий %SEE (9.7%) и SEE для CS (0,7%) и d ′ (9%), в то время как трехпараметрический дал самый высокий %SEE (25%; CS: 2,2%, d ′: 17% и ). s _{m a x} : 5,8%), но только на 1% выше, чем трехпараметрическая экспоненциальная модель (24%; CS: 0,8%, d ′: 20,8% и с _{м a x} :2,4%). На основе %SEE трехпараметрическая модель оказалась наименее точной моделью, что противоречит результатам, основанным на AIC.

CS отражает неотъемлемую характеристику аэробной системы энергообеспечения (Hughson et al., 1984; Gaesser and Wilson, 1988; Poole et al., 1988). Такая характеристика подтверждается небольшим SEE и высокими и очень высокими корреляциями, полученными между CS и параметрами аэробной подготовленности, такими как VT, RCP и V.⁢O2⁢max (SEE ≤ 6,84; r ≥ 0,77; таблица 5). Эти результаты дополнительно подтверждают предыдущие наблюдения, которые показали, что CS коррелирует с V.⁢O2⁢max (Hughson et al., 1984; Гессер и Уилсон, 1988 г.; Poole et al., 1988) и RCP (Moritani et al., 1981). Однако трехпараметрическая модель показала самый высокий SEE [если мы не рассматриваем SEE для двухпараметрической модели и d ( s )] и наименьшие корреляции, которые были связаны с наибольшим 90% CI (4,43 ≤ СЭЭ ≤ 5,82; 0,77 ≤ r ≤ 0,85; табл. 5). Это согласуется с тем фактом, что модель с тремя параметрами сообщила о самом высоком %SEE (таблица 2). Тем не менее, SEE и корреляции были по-прежнему низкими и высокими, соответственно, для этой модели.

Линейная смешанная модель обеспечила значительный эффект математической модели при оценке CS, d′ и s _max (табл. 3). Эти результаты согласуются с предыдущими наблюдениями, показавшими значительные различия в оценке параметров в разных моделях (Gaesser et al., 1995; Bull et al., 2000; Housh et al., 2001; Bergstrom et al., 2014). Трехпараметрическая модель обеспечивала самую низкую оценку КС как на групповом уровне (табл. 2), так и на индивидуальном уровне.CS, оцененные с использованием трехпараметрической модели, были на 6% и 9% меньше, чем при использовании двухпараметрической и трехпараметрической экспоненциальной моделей соответственно. Было показано, что двухпараметрическая модель дает завышенную оценку CS (Pepper et al., 1992). Авторы заметили, что время до утомления при скорости бега, установленной на уровне CS, оцененное по двухпараметрической модели, было намного меньше, чем ожидалось. Действительно, участники смогли пробежать всего 16 минут вместо теоретически неопределенного времени. Поскольку CS, предсказанный трехпараметрической экспоненциальной моделью, был быстрее, чем CS, предсказанный двухпараметрической моделью (+3%; таблица 2), мы можем сделать вывод, что трехпараметрическая экспоненциальная модель также дает завышенную оценку CS.

Наблюдаемые между моделями различия в оценках CS (до 0,44 м/с, таблица 2) не являются незначительными и, безусловно, окажут влияние при назначении тренировочного занятия в зависимости от интенсивности упражнений. Поэтому мы призываем тренеров, предписывающих упражнения на основе критической интенсивности, заранее выбирать математическую модель для оценки CS и поддерживать ее в течение беговых сезонов, чтобы CS всегда оценивался одним и тем же способом. Более того, даже несмотря на то, что оценочное значение CS должно быть очень хорошим приближением к критической интенсивности, но не критической интенсивности как таковой , мы предлагаем физиологически проверить, что оценочное значение CS представляет собой верхнюю границу устойчивых упражнений. Кроме того, тренеры должны без колебаний вносить небольшие коррективы на основе наблюдаемых результатов. Более того, учитывая ежедневную изменчивость работоспособности человека и ДИ расчетного CS, т. е. около 5 % от его значения (табл. 2), было бы оправданным назначать интенсивность упражнений за пределами этих доверительных границ, чтобы не оказаться в фазовый переход между областями тяжелой и тяжелой интенсивности (Anderson et al., 2019).

Джонс и Ванхатало (2017) обнаружили, что КС возникает в 70–90% случаев V.⁢O2⁢max, в зависимости от тренировочного статуса (чем выше тренировочный статус, тем выше CS в %V.O2max). В настоящем исследовании V.⁢O2 при оценках CS для трехпараметрической модели были близки к середине диапазона, определенного Джонсом и Ванхатало (2017) (83%; таблица 4), в то время как V.⁢O2 при CS оценки для двухпараметрической и трехпараметрической экспоненциальных моделей находились в верхней части диапазона (≥88,2 %V.⁢O2⁢max; таблица 4). Housh et al. уже сообщали о более высоких значениях V. ⁢O2 в оценках CS.(2001) для двухпараметрической и трехпараметрической экспоненциальной модели (≥94 %V.⁢O2⁢max), чем для трехпараметрической модели (89 %V.⁢O2⁢max). Эти авторы даже сообщили V.⁢O2 при оценках CS, которые превышали V.⁢O2⁢max для экспоненциальной модели (105 %V.⁢O2⁢max). В настоящем исследовании CS соответствовал 81, 87 и 90 % с _В.⁢O2 для трехпараметрической, двухпараметрической и трехпараметрической экспоненциальной модели соответственно. Биллат и др. (1995) заметили, что CS соответствует 86% от с _В.⁢O2 для бегунов, имеющих 75 мл/мин/кг V.⁢O2⁢max и 6,22 м/с с _V.⁢O2 . Эти значения были выше, чем у участников данного исследования (+16 и +19% соответственно). Следовательно, мы можем предположить, что CS, оцененный по трехпараметрической модели (81 % с _V.⁢O2 ), ближе к реальности, чем CS, оцененный по двум другим моделям (≥87 % с _{V.⁢ О2} ). Оба аргумента подкрепляют идею о том, что как двухпараметрические, так и трехпараметрические экспоненциальные модели завышают CS. В любом случае, для количественной проверки этого предположения потребуются дальнейшие исследования, включающие исчерпывающие пробежки ниже, на уровне и выше CS с оценкой реакции поглощения кислорода на физическую нагрузку.

Оценка d′ с использованием трехпараметрической модели была примерно в 2,5 раза выше, чем у двух других моделей. Эти результаты согласуются с результатами предыдущих исследований (Gaesser et al., 1995; Morton, 1996; Bull et al., 2000; Housh et al., 2001; Bergstrom et al., 2014).Мортон (1996) предположил, что такая модель преодолевает физиологические предположения двухпараметрической модели, такие как бесконечная мощность, когда время приближается к нулю, и что в дней резерв мышечной энергии пуст. Предполагая, что с _V.⁢O2 составляет 6 м/с, а время до истощения ~5 мин при 100% с _V.⁢O2 (Billat et al., 1995), соответствующее общее пройденное расстояние 1800 м. Было показано, что анаэробный вклад составляет примерно 10% от общего пройденного расстояния, т. е.э., около 200 м (Billat, 2001). Следовательно, поскольку Мортон (1996) предположил, что трехпараметрическая модель позволяет d′ лишь частично покрываться для скорости движения между CS и с _max , это утверждение приводит к оценке d′ это больше в трехпараметрической модели, чем в двух других моделях, чтобы не быть нереально высоким. Эта идея подкрепляется объяснением, основанным на расчете анаэробной энергии Gaesser et al.(1995).

Buchheit and Laursen (2013) обнаружили, что у спортсменов с s _V.⁢O2 , как у участников настоящего исследования, s _max в диапазоне от 161 до 1803 % V.⁢0010 s О2 . Было показано, что спортсмены более высокого уровня ( с _V.⁢O2 = 6,36 м/с) имеют более низкую относительную скорость с _max (149 % с _{V.⁢O2 и 902O2) Стеллингверф, 2019). Поэтому оценка s max с использованием трехпараметрической экспоненциальной модели показалась нереально малой (∼136 % s V. ⁢O2 ), тогда как полученный с помощью трехпараметрической модели оказался ближе к реальности (∼155 % с В.⁢O2 ). Тем не менее, это должно быть учтено тем фактом, что в большинстве беговых испытаний при 120 % PS время до истощения составляло менее 2 минут, что ниже обычной рекомендации (Jones and Vanhatalo, 2017) и могло повлиять на оценку параметры, присутствующие в математических моделях. Кроме того, участники были бегунами на длинные дистанции, а это означает, что они не привыкли бегать на высоких скоростях (т.е., >100 % s V.⁢O2 ) и что на самом деле у них не было высокого s max . Это предположение подтверждается наблюдениями Sandford and Stellingwerff (2019), которые показали, что у элитного бегуна на 400 м ( с V.⁢O2 = 6,23 м/с) с max Из 158% S V.⁢O2} в то время как 1500-м элитный бегун ( S _V.⁢O2 = 6,45 м / с) имел S _MAX на 141% с _{В. ⁢O2} .

Для оценок CS, d ′ и s _max не сообщалось о значительных эффектах взаимодействия процедуры подбора или математической модели x процедуры подбора (таблица 3). Гессер и др. (1995) предположили, что различия между оценками параметров между моделями могут быть связаны с назначением зависимых и независимых переменных, количеством параметров в каждой модели и выбором модели (например, двухпараметрической, трехпараметрической или трехпараметрическая экспонента).Более того, было показано, что две математически эквивалентные формулировки моделей, требующие линейной и нелинейной регрессии, дают разные оценки лежащих в их основе параметров (Colquhoun, 1971). В этом исследовании мы заметили, что использование различных, но статистически приемлемых процедур подбора, т. е. правильных атрибутов зависимых и независимых переменных, примененных к данной модели, не повлияло на оценки CS, d′ и s. _max , если все формулировки модели являются нелинейными или линейными.

Гетероскедастичность зависимой переменной была явно описана Хинксоном и Хопкинсом (2005) при использовании обычной процедуры LS-подгонки. Действительно, эти авторы продемонстрировали систематическое и неравномерное отклонение от своих моделей, показав остатки как функцию предсказанных значений. В этом исследовании было применено предложение, сделанное Мортоном и Ходжсоном (1996) для преодоления гетероскедастичности, т.е. веса, пропорциональные обратному значению зависимой переменной. Однако абсолютные взвешенные остатки как функция прогнозируемых значений для двух процедур подбора, примененных к трем различным моделям, показали явные отклонения от гомоскедастичности (дополнительный рисунок 1).Следовательно, учет весов в процедуре подбора не решает проблему гетероскедастичности. Тем не менее, в будущем следует провести исследование с учетом различных схем взвешивания, чтобы выяснить, сможет ли конкретная схема взвешивания, отличная от предложенной Мортоном и Ходжсоном (1996), преодолеть гетероскедастичность зависимой переменной.

Существуют некоторые ограничения настоящего исследования, которые необходимо устранить. С одной стороны, участник должен пройти пять экспериментальных сессий с промежутком не менее 2 дней, что может быть немного непрактично.С другой стороны, выполнение регрессионного анализа только с четырьмя точками измерения — это уже довольно мало, особенно при работе с гетероскедастичностью. Тем не менее, оценка CS на основе четырех баллов считается наилучшей практикой (Poole et al., 2021). Кроме того, хорошо известна большая вариабельность времени до утомления во время бега на беговой дорожке с CS (Pepper et al., 1992). Кроме того, из-за близости между CS и RCP с точки зрения %V.⁢O2⁢max (CS: 87,6 %V.⁢O2⁢max; RCP: 89.3 %V.⁢O2⁢max) и высокие и очень высокие корреляции между ними ( r ≥ 0,85), можно задаться вопросом об актуальности CS. Однако недавний метаанализ Galán-Rioja et al. (2020) показали, что CS и RCP не являются синонимами. Кроме того, CS можно оценить по личным лучшим временам, что не требует от участника посещения лаборатории (Jones et al. , 2019). Наконец, недавнее исследование показало, что использование оценок CS на основе необработанных данных о тренировках может быть достаточным для успешного прогнозирования результатов марафона и предоставления полезной информации о темпе (Smyth and Muniz-Pumares, 2020).

В заключение, это исследование показало, что CS, d′ и s _max , оцененные по трем различным математическим моделям (двухпараметрическая, трехпараметрическая и трехпараметрическая экспоненциальная модель), значительно различались, но что не сообщалось о различиях в оценке CS, d′ и s _max между различными статистически подходящими процедурами подбора, примененными к данной модели. Веса не помогли преодолеть гетероскедастичность зависимой переменной.Оценки CS по трем различным моделям коррелировали с параметрами аэробной подготовленности, т. е. VT, RCP и V.⁢O2⁢max. Кроме того, был получен небольшой SEE. Модель с тремя параметрами дала самый низкий AIC на уровне группы и самые маленькие оценки CS. Однако модель с тремя параметрами сообщила о самом высоком %SEE и 90% CI. Таким образом, наши результаты не показали дальнейшей поддержки выбора наилучшей математической модели для оценки критической скорости. Тем не менее, наши результаты показали, что статистически подходящие процедуры подбора дают одинаковые оценки для данной модели.По этим причинам мы предлагаем тренерам заранее выбрать математическую модель с соответствующей процедурой подгонки, чтобы определить домены CS и интенсивности и поддерживать ее в течение беговых сезонов. Кроме того, наши результаты показывают, что каждая оценка CS в течение сезона должна быть физиологически проверена, а назначение тренировок должно быть сделано вокруг CS (± 10%) для учета CI его оценки и ежедневных изменений работоспособности человека.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без неоправданных оговорок.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены CER-VD 2018-01814. Пациенты/участники предоставили письменное информированное согласие на участие в этом исследовании.

Вклад авторов

FB и DM: концептуализация и надзор. FB, DM и AP: методология. ФБ, ДМ, РС и НП: расследование. AP и AB: формальный анализ. АП: написание — подготовка первоначального проекта. AP, AB, FB и DM: написание — просмотр и редактирование.Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Это исследование было поддержано Лозаннским университетом (Швейцария).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы сердечно благодарим участников за их время и сотрудничество.

Дополнительный материал

Дополнительный материал к этой статье можно найти в Интернете по адресу: https://www.frontiersin. org/articles/10.3389/fphys.2021.613066/full#supplementary-material

Сноски

Каталожные номера

Американский колледж спортивной медицины (2000 г.). Руководство ACSM по нагрузочным испытаниям и предписаниям. Филадельфия, Пенсильвания: Липпинкотт Уильямс и Уилкинс.

Академия Google

Андерсон, Л.М., Бонанно, Д. Р., Харт, Х. Ф., и Бартон, С. Дж. (2019). Каковы преимущества и риски, связанные с изменением схемы приземления стопы во время бега? Систематический обзор и метаанализ травм, экономичности бега и биомеханики. Спорт Мед. 50, 885–917. doi: 10.1007/s40279-019-01238-y

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Антонакис, Дж., Бендахан, С., Жаккар, П., и Лаливе, Р. (2014). Причинность и эндогенность: проблемы и решения. Нью-Йорк, штат Нью-Йорк: Издательство Оксфордского университета.

Академия Google

Bergstrom, H.C., Housh, T.J., Zuniga, J. M., Traylor, D.A., Lewis, R.W. Jr., Camic, C.L., et al. (2014). Различия между оценками критической мощности и анаэробной работоспособности, полученными на основе пяти математических моделей и трехминутного тотального теста. Дж. Стрен. Состояние Рез. 28, 592–600. doi: 10.1519/jsc.0b013e31829b576d

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Бигленд-Ричи, Б.и Вудс, Дж. Дж. (1984). Изменения сократительных свойств мышц и нервного контроля при мышечной усталости человека. Мышечный нерв 7, 691–699. doi: 10.1002/mus.880070902

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Биллат, Л. В. (2001). Интервальная тренировка производительности: научная и эмпирическая практика. специальные рекомендации для бега на средние и длинные дистанции. часть I: аэробная интервальная тренировка. Спорт Мед. 31, 13–31. дои: 10.2165/00007256-200131010-00002

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Billat, V. , Renoux, J.C., Pinoteau, J., Petit, B., and Koralsztein, J.P. (1995). Время до утомления при 90 100 и 105% скорости при V̇O ₂ max ( Максимальная аэробная скорость ) и критическая скорость у элитных бегунов на длинные дистанции. Арх. Физиол. Биохим. 103, 129–135. дои: 10.3109/13813459508996126

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Булл, А.Дж., Хоуш, Т.Дж., Джонсон, Г.О., и Перри, С.Р. (2000). Влияние математического моделирования на оценку критической мощности. Мед. науч. Спортивное упражнение. 32, 526–530. дои: 10.1097/00005768-200002000-00040

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Бургомистр, К.А., Чермак, Н.М., Филлипс, С.М., Бентон, К.Р., Бонен, А., и Гибала, М.Дж. (2007). Дивергентный ответ белков-транспортеров метаболитов в скелетных мышцах человека после спринтерской интервальной тренировки и детренировки. утра. Дж. Физиол. Регуляторный междунар. Сравнить Физиол. 292, R1970–R1976.

Академия Google

Колкухун, Д. (1971). Лекции по биостатистике. Оксфорд: Clarendon Press.

Академия Google

Константини, К., Сабапати, С., и Кросс, Т. Дж. (2014). Протокол тестирования за один сеанс для определения критической мощности и Вт’. евро. Дж. Заявл. Физиол. 114, 1153–1161. doi: 10.1007/s00421-014-2827-8

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

ДиМенна, Ф.Дж. и Джонс, А.М. (2009). Линейный» против «нелинейного» V̇O ₂ ответов на упражнение: изменение традиционных убеждений. Дж. Упражнение. науч. Фитнес 7, 67–84. doi: 10.1016/s1728-869x(09)60009-5

Полнотекстовая перекрестная ссылка | Академия Google

Эттема, Дж. Х. (1966). Пределы человеческой деятельности и производства энергии. Междунар. Zeitschrift für Angewandte Physiol. Einschlieslich Arbeitsphysiologie 22, 45–54. дои: 10.1007/bf00694796

Полнотекстовая перекрестная ссылка | Академия Google

Фод, О. , Hecksteden, A., Hammes, D., Schumacher, F., Besenius, E., Sperlich, B., et al. (2017). Надежность времени до утомления и выбранных психофизиологических переменных во время циклирования с постоянной нагрузкой при максимальном стационарном состоянии лактата. Заяв. Физиол. Орех. Метабол. 42, 142–147. doi: 10.1139/apnm-2016-0375

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Фонтана, Ф.Ю., Кейр, Д.А., Беллотти, К., Де Ройя, Г.Ф., Муриас, Дж.М., и Полиаги, С. (2015). Определение компенсации точки дыхания у здоровых взрослых: может ли помочь неинвазивная спектроскопия ближнего инфракрасного диапазона? Дж.науч. Мед. Спорт 18, 590–595. doi: 10.1016/j.jsams.2014.07.016

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гессер, Г. А., Карневале, Т. Дж., Гарфинкель, А., и Уолтер, Д. О. (1990). Моделирование соотношения мощности и выносливости при высокоинтенсивных упражнениях. Мед. науч. Спортивное упражнение. 22:S16.

Академия Google

Gaesser, G.A., Carnevale, T.J., Garfinkel, A., Walter, D.O., и Womack, C.J. (1995). Оценка критической мощности с помощью нелинейных и линейных моделей. Мед. науч. Спортивное упражнение. 27, 14:30–14:38.

Академия Google

Гессер, Г. А., и Уилсон, Л. А. (1988). Влияние непрерывной и интервальной тренировки на параметры временной зависимости мощность-выносливость при высокоинтенсивных упражнениях. Междунар. Дж. Спорт Мед. 9, 417–421. doi: 10.1055/s-2007-1025043

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Галан-Риоха, М.А., Гонсалес-Мохино, Ф., Пул, округ Колумбия, и Гонсалес-Раве, Дж.М. (2020). Относительная близость критической мощности и метаболических/дыхательных порогов: систематический обзор и метаанализ. Спорт Мед. 50, 1771–1783. doi: 10.1007/s40279-020-01314-8

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хинксон, Э. А., и Хопкинс, В. Г. (2005). Надежность времени до истощения проанализирована с помощью моделирования критической мощности и логарифмического логарифма. Мед. науч. Спортивное упражнение. 37, 696–701. doi: 10.1249/01.mss.0000159023.06934.53

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хинкль, Д.Э., Вирсма В. и Юрс С.Г. (2003). Прикладная статистика для поведенческих наук. Бостон: Хоутон Миффлин, 109.

Академия Google

Хопкинс В.Г., Эдмонд И.М., Гамильтон Б.Х., Макфарлейн Д.Дж. и Росс Б.Х. (1989). Соотношение между мощностью и выносливостью при кратковременном беге на беговой дорожке. Эргономика 32, 1565–1571. дои: 10.1080/00140138

6925

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хопкинс, В.Г., Маршалл С.В., Баттерхэм А.М. и Ханин Дж. (2009). Прогрессивная статистика исследований в области спортивной медицины и физических упражнений. Мед. науч. Спортивное упражнение. 41, 3–13. doi: 10.1249/mss.0b013e31818cb278

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Housh, D.J., Housh, T.J., and Bauge, S.M. (1989). Точность теста критической мощности для прогнозирования времени до утомления во время велоэргометрии. Эргономика 32, 997–1004. дои: 10.1080/00140138

6860

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хуш, Т.Дж., Крамер, Дж.Т., Булл, А.Дж., Джонсон, Г.О., и Хуш, Д.Дж. (2001). Влияние математического моделирования на критическую скорость. евро. Дж. Заявл. Физиол. 84, 469–475.

Академия Google

Housh, T.J., Johnson, G.O., Mcdowell, S.L., Housh, D.J., and Pepper, M. (1991). Физиологические реакции на пороге утомления. Междунар. Дж. Спорт Мед. 12, 305–308. doi: 10.1055/s-2007-1024686

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Hughson, R.L., Orok, C.J., and Staudt, L.E. (1984). Беговой тест на беговой дорожке с высокой скоростью для оценки потенциала бега на выносливость. Междунар. Дж. Спорт Мед. 5, 23–25. doi: 10.1055/s-2008-1025875

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Яннетта Д., Фонтана Ф. Ю., Матурана Ф. М., Инглис Э. К., Полиаги С., Кейр Д.А. и др. (2018). Уравнение для прогнозирования максимального устойчивого состояния лактата на основе данных тестов с линейно-инкрементной нагрузкой при езде на велосипеде. J. Sci. Мед. Спорт 21, 1274–1280. doi: 10.1016/j.jsams.2018.05.004

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Iannetta, D., Inglis, E.C., Mattu, A.T., Fontana, F.Y., Pogliaghi, S., Keir, D.A., et al. (2020). Критическая оценка современных методов назначения упражнений женщинам и мужчинам. Мед. науч. Спортивное упражнение. 52, 466–473. doi: 10.1249/mss.0000000000002147

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Джонс, А. М., Бернли, М., Блэк, М. И., Пул, округ Колумбия, и Ванхатало, А. (2019). Максимальное стабильное метаболическое состояние: новое определение «золотого стандарта». Физиол. Респ. 7:e14098. дои: 10.14814/phy2.14098

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Джонс, А. М., и Ванхатало, А. (2017). Концепция «критической мощности»: приложения к спортивным результатам с упором на прерывистые высокоинтенсивные упражнения. Спорт Мед. 47, 65–78. doi: 10.1007/s40279-017-0688-0

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ку, Т.К., и Ли, М.Ю. (2016). Руководство по выбору и представлению внутриклассовых коэффициентов корреляции для исследования надежности. J. Chiropractic Med. 15, 155–163. doi: 10.1016/j.jcm.2016.02.012

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Койперс, Х., Ритьенс, Г., Ферстаппен, Ф., Шенмакерс, Х.и Хофман Г. (2003). Влияние продолжительности этапа в дополнительных беговых тестах на физиологические переменные. Междунар. Дж. Спорт Мед. 24, 486–491. doi: 10.1055/s-2003-42020

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лэнсли, К. Э., Дименна, Ф. Дж., Бейли, С. Дж., и Джонс, А. М. (2011). «Новый» метод нормализации интенсивности упражнений. Междунар. Дж. Спорт Мед. 32, 535–541. doi: 10.1055/s-0031-1273754

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Левенберг, К.(1944). Метод решения некоторых нелинейных задач методом наименьших квадратов. Q. Заяв. Матем. 2, 164–168. doi: 10.1090/qam/10666

Полнотекстовая перекрестная ссылка | Академия Google

Марквардт, Д. В. (1963). Алгоритм наименьших квадратов оценивания нелинейных параметров. J. Soc. Индустр. заявл. Матем. 11, 431–441. дои: 10.1137/0111030

Полнотекстовая перекрестная ссылка | Академия Google

Макдермотт, К. С., Форбс, М. Р., и Хилл, Д.В. (1993). Применение концепции критической мощности к бегу на открытом воздухе. Мед. науч. Спортивное упражнение. 25:S109.

Академия Google

Маклеллан, Т. М., и Скиннер, Дж. С. (1985). Субмаксимальные показатели выносливости, связанные с порогами вентиляции. Кан. Дж. Заявл. Спортивная наука. Дж. Кан. наук заявл. Au Sport 10, 81–87.

Академия Google

Моно, Х., и Шеррер, Дж. (1965). Работоспособность синергетической мышечной группы. Эргономика 8, 329–338.дои: 10.1080/001401365080

Полнотекстовая перекрестная ссылка | Академия Google

Моритани, Т., Нагата, А., Деврис, Х.А., и Муро, М. (1981). Критическая мощность как мера физической работоспособности и анаэробного порога. Эргономика 24, 339–350. дои: 10.1080/00140138108