قياس الجهد من خلال بيانات معدل ضربات القلب

من نقاط يعاني إلى الجهد النسبي

بقلم: كريس سبادا وويل ماير

إحدى الميزات المميزة الأكثر شيوعًا لدينا هي Suffer Score ، وهي طريقة لتحديد الجهد أثناء ممارسة نشاط باستخدام بيانات معدل ضربات القلب. على الرغم من أن لعبة Suffer Score أصبحت ميزة شائعة لتوفير نظرة ثاقبة للنشاط ، إلا أنها كانت تعاني من قيود في توفير نتائج دقيقة عبر الألعاب الرياضية والرياضيين لجهود مماثلة. المشاكل الرئيسية هي:

  1. لم يكن النموذج مناسبًا لمقارنة الجهد بين مختلف الألعاب الرياضية. وسجلت الجهود الجارية أعلى من ركوب الخيل والسباحة من نفس الطول والشدة. هذا يعني أن مقدارًا مماثلاً من الجهد المطبق على المدى البعيد سيؤدي إلى ارتفاع درجة المعاناة عما كان عليه الحال في جولة مماثلة.
  2. تم وزن طول الجهد أكثر من الكثافة. الجهود الأقصر والأكثر كثافة كان لها نتائج أقل من المعاناة ، وأقل كثافة ، حتى وإن كان للجهد الأقصر تأثير تدريبي أكبر.

من خلال العمل مع الدكتور ماركو ألتيني ، قمنا بتطوير نموذج لإنشاء نسخة جديدة من Suffer Score ، تسمى Relative Effort. يعمل هذا على توفير ميزات Premium جديدة توفر نظرة ثاقبة لحمل التدريب لمدة أسبوع. يتبع النموذج الجديد نفس الأسلوب المتمثل في استخدام الوقت الذي يقضيه في مناطق مختلفة لمعدل ضربات القلب لتسجيل نشاط ما ، لكنه يختلف بعدة طرق أساسية: فهو يزيد من شدة الجهد أكثر من المدة ، وهو أفضل في موازنة الجهود المتكافئة في جميع الألعاب الرياضية ، وعشرات المكافئات الجهود التي تبذلها مختلف الرياضيين بالمثل. والنتيجة هي أن الرياضيين Strava أكثر قدرة على استخدام هذا المقياس لمقارنة جهد النشاط عبر أنواع التمرين ، وأنواع الرياضة وحتى الأفراد.

ضبط النموذج

لحساب الجهد النسبي ، يأخذ النموذج في دفق من البيانات مع معدل ضربات القلب للرياضي والطابع الزمني المقابل كمدخلات. باستخدام معدل ضربات القلب القصوى للرياضي (الذي تم إدخاله بواسطة الرياضي أو المقدّر) ، يتم تقسيم بيانات معدل ضربات القلب هذه إلى عدد من المناطق التي تقارب مستويات مختلفة من شدة القلب والأوعية الدموية. لكل منطقة معدل ضربات القلب ، يطبق النموذج معامل لوزن الوقت الذي يقضيه في تلك المنطقة. كلما كانت منطقة معدل ضربات القلب أعلى ، كلما كان الجهد أكبر ، ومعامل أعلى لزيادة الوقت الذي تقضيه في هذه المنطقة.

لتحقيق هدفنا المتمثل في توفير قيم مماثلة للرياضيين الذين يبذلون جهودًا مماثلة ، استفدنا من مجموعة بيانات Strava الغنية للعثور على مجموعة من الأنشطة من الرياضيين الذين يبذلون جهدًا مكافئًا تقريبًا. لضبط مجموعة فرعية من الأنشطة من الآلاف من الرياضيين المختلفين ، توصلنا إلى افتراض أن بذل الرياضيين جهدًا شاملاً ينبغي أن يبذل قدراً مماثلاً من الإجهاد / الجهد مثل الرياضي ب ، حتى لو كان لدى الرياضيين مستويات اللياقة البدنية المطلقة المختلفة. يجب أن يكون لدى هذين الرياضيين قيم جهد نسبي مماثلة بعد اختبار مسافات 5 كيلو ، 10 كيلو ، ونصف الماراثون ، استقرنا على استخدام جهود سباق الجري 10 كيلو لضبط المعاملات المطبقة على كل منطقة. الجري يزيل الكثير من التباين المرتبط بالرياضات مثل ركوب الدراجات ، حيث يمكن أن تؤدي الصياغة والانزلاق إلى تغييرات كبيرة في الجهد ومعدل ضربات القلب. المسافة التي تبلغ 10 كيلو هي قصيرة بما يكفي بحيث يكون اللاعب ثابتًا في منطقة معدل ضربات القلب ، ولكنه طويل بما يكفي لاستقرار بيانات معدل ضربات القلب في نمط ثابت وتجنب الضوضاء التي توجد غالبًا في الأحداث الأقصر.

مع وجود مجموعة فرعية كبيرة من سباقات 10k في Strava ، قمنا بالتكرار من خلال آلاف مجموعات المعامل المختلفة لكل منطقة معدل ضربات القلب ، بهدف تقليل التباين في قيم Relative Effort من مجموعة البيانات الخاصة بنا. بتقليل التباين في مجموعة من الجهود المتكافئة ، سعينا إلى زيادة دقة النموذج ومكافأة معدل الجهود على قدم المساواة. استخدمنا معامل التباين (الانحراف المعياري / المتوسط) لقياس التباين من أجل التحكم في تأثير زيادة القيم عند اختبار المعاملات الأعلى. تمكنا من تقليل معامل الاختلاف من 0.44 من المعاملات الأصلية إلى 0.39 ، وهو تحسن بنسبة 12 ٪. سيؤدي هذا التباين في التباين إلى تحسين دقة نموذج الجهد النسبي وإعطاء الرياضيين تمثيلًا أفضل لجهودهم.

تمديد النموذج إلى مختلف الألعاب الرياضية

الهدف الثاني من إعادة بناء الجهود النسبية كان لتحسين الجهود التقريبية بين الأنشطة. للقيام بذلك ، استخدمنا أنشطة من الترياتلون عن بعد الأولمبيين كوسيلة لإيجاد جهود مماثلة لضبط النموذج في مختلف الألعاب الرياضية. على الرغم من أنه ليس مثاليًا فيما يتعلق بالرياضيين الذين يبذلون جهدًا متساوٍ في كل مباراة ، إلا أننا نعتقد أنه في مجمل هذه الأنشطة يجب أن تعطينا مجهودًا شديد الصعوبة للمقارنة. كان هذا ذا قيمة خاصة للتحقق من صحة باستخدام مجموعة أقل من مناطق معدل ضربات القلب لأنشطة ركوب الدراجات ، وانخفاض معدل ضربات القلب كحد أقصى لأنشطة السباحة.

لجعل نتائج الجهد النسبي قابلة للمقارنة بين الركض والركوب ، قمنا بمقارنة أنشطة الجري وركوب الدراجات من مجموعة بيانات الترياتلون عن بعد الأولمبية لعرض تقريب القيم باستخدام مناطق الركوب الجديدة. تكون مناطق الركوب أقل نسبيًا من الركض ، حيث إن معدل ضربات القلب للدراجات أقل من أنشطة حمل الوزن مثل الجري. وجدنا متوسط ​​درجة 211 للركض ، و 190 للركوب. على الرغم من أن متوسط ​​الركوب أقل قليلاً من متوسط ​​الركض ، إلا أننا نشعر بالارتياح إزاء هذا لأن جهود ركوب الدراجات أثناء الترياتلون هي في الغالب submax لتوفير بعض الطاقة للتشغيل.

أردنا التأكد من أننا حصلنا على تقريب جيد بين الركوب والجري قبل أن ننتقل للسباحة. التدريب القائم على معدل ضربات القلب ليس شائعًا بالنسبة للسباحة ، كما أن الأدب لمناطق معدل ضربات القلب لا يتم تعريفه جيدًا على أنه الركض والركوب. بالإضافة إلى ذلك ، تم وصف معدل ضربات القلب القصوى للسباحة بـ 10-12 نبضة في الدقيقة أقل من الأنشطة الأخرى. نظرًا للطبيعة غير الحاملة للوزن ، استخدمنا مناطق ركوب الدراجات واختبرنا مزيجًا من انخفاض معدل ضربات القلب القصوى ومعدل ضربات القلب أقل اللاكتات. لقد استقرنا على استخدام مناطق معدل ضربات القلب للدراجات ذات معدل ضربات القلب الأقصى 12 نبضة أقل من القيمة المسجلة ، استنادًا إلى مقارنة توزيعات الجهد النسبي من مجموعة بيانات الترياتلون والسباحة والجري.

بالنسبة إلى 20 نوعًا آخر من الأنشطة المدعومة من Strava ، لا يوجد بحث مستفيض حول الاختلافات النسبية في معدل ضربات القلب بين الأنشطة ، لذلك قمنا بتعيين الأنشطة إما للتشغيل أو ركوب مناطق الموارد البشرية. يعتمد ذلك تقريبًا على ما إذا كانت الرياضة تحمل الوزن وبيبيدال (رياضة التزلج على الجليد في الشمال) ، وفي هذه الحالة قمنا بتعيين مناطق للركض ، أو أنها ليست حاملة للوزن (رياضة ركوب الأمواج ، وركوب الدراجات في الجبال ، وقوارب الكاياك) وتخفض فيها معدلات ضربات القلب المتوقعة ، و تطبيق مناطق ركوب الدراجات.

من خلال الاستفادة من مجموعة بيانات نشاط Strava الواسعة ، تمكنا من ضبط وتوسيع الجهد النسبي لتحديد جهود الرياضيين في Strava بشكل أفضل ، وبالتالي توفير منتج جديد مقنع لرياضينا للمساعدة في توجيه تدريبهم.

بفضل Tommy Gaidus و Ethan Hollinshead و Kyle Yugawa و Varun Pemmaraju و J Evans على مساهماتهم وتوجيهاتهم المهمة في هذا المشروع.