全面监测体能、疲劳和运动表现，对于理解运动员对训练的个体反应、优化训练和恢复策略的时间安排至关重要。近几十年来，静息和运动相关的心率测量受到了越来越多的关注，这些测量被认为在多变量反应监测中具有潜在用途，因为它们能够以非侵入性且高效的方式，提供有关自主神经系统（ANS）状态和有氧适能的信息。在团队运动中，由于比赛需求、球员和团队表现的结构复杂且多维，再加上后勤方面的原因，如球员数量通常较多以及训练和比赛日程繁忙，运动员监测系统的实际实施面临着特殊挑战。在这方面，运动相关的心率测量可能是最适用的指标，因为使用常见的基于胸带的团队监测设备，整个团队可以在热身期间通过短时间（3-5 分钟）的次最大运动方案进行常规评估。然而，对训练过程进行全面且有意义的监测，需要准确区分各种类型的反应，如应激、恢复和适应，这些都可能影响心率测量。因此，在解释心率指标的变化时，应考虑训练情境的附加信息（如训练阶段、训练负荷和强度分布），并结合包括（感知）健康和疲劳指标的多变量分析。本文旨在概述心率监测的当前局限性，讨论单变量和多变量方法的方法论考虑，说明不同分析概念对评估心率反应的有意义变化的影响，并提供使用简单启发式方法将心率测量情境化的案例。为了克服当前的知识缺陷和方法论的不一致，未来的研究应该系统地评估各种可用方法的有效性和实用性，以指导和改进（团队）运动实践中决策支持系统的实施。

关键词：运动员监测；心脏自主神经系统；个体反应；最小有价值变化；多变量分析；决策制定

引言

成功的训练和恢复管理旨在优化适应能力和整体准备状态，以提高竞技表现（Buchheit, 2014; Cardinale and Varley, 2017; Coutts et al., 2018; Kellmann et al., 2018）。监测训练负荷和运动员的反应（如体能、疲劳、运动表现和健康状况），对于制定有关训练和恢复处方的明智决策至关重要（Halson, 2014; Bourdon et al., 2017; McGuigan, 2017; Coutts et al., 2018; Kellmann et al., 2018）。可穿戴传感器领域的当前技术发展，使得在运动过程中对内部和外部负荷指标的量化能够稳步改进，并扩展了可用于测量训练反应的工具种类（Cardinale and Varley, 2017）。理想情况下，全面的监测系统应包括训练和运动表现的所有相关生理和心理方面的指标，并将它们结合成一个整体方法（Heidari et al., 2018）。尽管如此，收集数据的处理对研究人员和从业者来说是一个巨大的挑战，而且可用的分析策略很少得到系统的研究（Thorpe et al., 2017）。在这种情况下，一方面有必要阐明如何分析个体纵向数据，另一方面需要明确各种参数应以何种形式相互关联。

由于团队运动表现是一个复杂的多维结构，全面监测对于理解运动员的训练反应以修改训练和恢复策略至关重要（Halson, 2014; Bourdon et al., 2017; McGuigan, 2017; Coutts et al., 2018）。此外，团队运动教练和从业者通常要处理大量运动员的数据。因此，另一个巨大的挑战是实施一个简单但有效的监测系统，该系统至少包括训练负荷、健康状况、体能和准备状态的一些测量（Gabbett et al., 2017; McGuigan, 2017）。由于团队运动运动员的日程繁忙且需求复杂，可能会影响依从性，因此频繁评估各种指标可能很困难。

在这方面，心率（HR）和心率变异性（HRV）测量在体育运动中的应用已经讨论了数十年，因为它们是一种廉价、高效且非侵入性的方法，可用于监测自主神经系统（ANS）和心血管适能的状态（Achten and Jeukendrup, 2003; Aubert et al., 2003; Borresen and Lambert, 2008; Alexandre et al., 2012; Daanen et al., 2012; Buchheit, 2014）。尽管有大量的研究和可能的应用，但使用心率测量来监测运动员的训练反应并未得到广泛实施（Buchheit, 2014），部分原因是研究结果相互矛盾（Alexandre et al., 2012; Bellenger et al., 2016）、方法论不一致（Plews et al., 2013）或部分误解（例如，假设心率测量可以直接反映整体疲劳或体能）（Achten and Jeukendrup, 2003; Buchheit, 2014）。无论如何，无可争议的是，心率数据只能测量运动表现或训练反应的有限方面，因此必须与其他参数结合使用。

在本技术报告中，我们首先简要概述团队运动运动员中使用心率和心率变异性监测训练反应的当前应用和局限性。其次，我们提出了一个将心率测量情境化的概念框架，并讨论了心率监测数据的单变量和多变量分析方法的方法论考虑。最后，我们说明了不同的分析概念如何影响数据评估，并提供了两个使用简单多变量启发式方法进行实际决策的案例。

运动员的心率监测

心率测量被用作心脏自主神经系统状态的替代指标（Aubert et al., 2003; Michael et al., 2017）。由于自主神经系统与许多生理系统相互关联，心率测量可能反映（基于有氧的）适应和疲劳状态（Buchheit, 2014; Hottenrott and Hoos, 2017; Thorpe et al., 2017）。然而，心率测量受到多种影响因素的决定，如环境因素（如噪音、光线、温度）、生理因素（如心脏形态、血容量、自主神经活动）、病理因素（如心血管疾病）、心理因素（如情绪、情感、压力）、不可改变因素（如年龄、性别、种族）以及生活方式（如健康状况、睡眠、药物、烟草、酒精）和身体活动的决定因素（如强度、持续时间、方式、经济性、身体姿势）（Sandercock et al., 2005; Buchheit, 2014; Fatisson et al., 2016; Sessa et al., 2018）。尽管如此，在竞技运动中，假设训练的影响在自主神经系统状态变化中起主要作用，因此心率测量可能能够代表运动员的训练状态（Lamberts et al., 2010; Buchheit, 2014）。

近几十年来发表的大量关于心率监测的原创文章和综述文章，证明了运动科学领域对其的高度关注（Task Force, 1996; Achten and Jeukendrup, 2003; Aubert et al., 2003; Carter et al., 2003; Sandercock et al., 2005; Hottenrott et al., 2006; Borresen and Lambert, 2008; Bosquet et al., 2008; Alexandre et al., 2012; Daanen et al., 2012; Plews et al., 2013; Stanley et al., 2013; Buchheit, 2014; Hettinga et al., 2014; Bellenger et al., 2016; Kingsley and Figueroa, 2016; Berkelmans et al., 2017）。从业者对心率测量的日益普及（Akenhead and Nassis, 2016; Thorpe et al., 2017），加上用于心率记录和分析的商业产品和软件数量的增加（Naranjo et al., 2015; Flatt and Esco, 2016; Perrotta et al., 2017; Plews et al., 2017b），进一步凸显了该研究领域的实际意义。尽管依赖无数年的科学和实践经验（Israel, 1982），但没有其他生理参数能够以非侵入性、高效、经济且连续的方式，提供几乎在任何环境或压力情况下人体生理反应的信息。然而，心率测量不能解决运动表现、疲劳和健康的所有方面，主要反映自主神经系统状态和心血管适能（Buchheit, 2014）。

心率测量和方案

心脏活动（心率和每搏输出量）被整合到众多反馈（如肌肉机械感受器）和前馈（如 “中枢命令”）循环中，并由自主神经活动在逐搏基础上进行连续调节（Michael et al., 2017）。因此，在收集、分析和比较运动员内部或之间的心率和心率变异性 [HR (V)] 时，考虑标准化程序至关重要。所有心率测量都在某种程度上与自主神经活动有关，但它们的生理决定因素和适应时间过程不同，并且对体能、运动表现和训练负荷变化的敏感性也不同（Bosquet et al., 2008; Buchheit, 2014）。在本章（运动员的心率监测）中，我们不进行详细的文献调查，因为许多综述文章已经描述了心率测量、自主神经系统和其他影响因素之间的关系，并进一步定义了数据收集和准备的一般方法论指南。例如，Buchheit（2014）对使用心率测量监测训练状态进行了出色的概述。尽管如此，我们还是简要重点地介绍了团队运动中心率监测的应用和局限性。

图1 | 半职业篮球运动员季前性能测试中次最大和最大穿梭跑期间的心率（HR）记录示例。对一名25岁的半职业篮球运动员在8周季前准备期开始和结束时进行了性能测试。次最大穿梭跑包括5分钟的跑步（分别以9.0、10.5和12.0 km/h的速度跑约1分钟、1分钟和3分钟；穿梭长度28米），随后进行1分钟的被动恢复，作为热身的第一部分。最大（有氧）适能在每次训练结束时使用递增场地测试（30-15 IFT，30-15间歇体能测试，Buchheit，2008）进行评估。该球员的最大跑步速度（VIFT）增加了1.5 km/h，次最大穿梭跑期间的运动心率降低了13次/分钟，之后的心率恢复（HRR）增加了16次/分钟。彩色水平条代表从50%HRmax开始的10%宽的心率区间（例如，红色条：90-100%HRmax）。HRex：运动心率；HRR：60秒内的心率恢复；Prep：准备期。

静息测量

目前建议仰卧或坐姿短期（5-10 分钟，Task Force, 1996）静息心率测量（HRrest, HRVrest）是监测运动员自主神经系统状态的最佳实践（Buchheit, 2014）。静息 HR (V) 可能直接受到短期（如血液 / 血容量变化、疲劳）和长期训练反应（如心脏形态）的影响，这反过来可能会掩盖自主神经活动变化的观察（Fellmann, 1992; Zavorsky, 2000; Achten and Jeukendrup, 2003; Buchheit, 2014）。静息测量（夜间睡眠期间或醒来后）具有吸引力，因为它们具有高度的标准化特征，因此可以最大限度地减少许多混杂因素（如先前的活动、一天中的时间）（Achten and Jeukendrup, 2003; Fatisson et al., 2016）。此外，这些测量还可以在休息日、受伤或生病时进行，并可进一步用于在每日第一次训练前修改个人训练和恢复计划（Buchheit, 2014）。尽管一些作者认为静息心率变异性可能比静息心率对训练状态更敏感（Naranjo et al., 2015; Flatt and Esco, 2016），但静息心率变异性的优越性尚未得到证实或否定（Billman et al., 2015）。心率变异性评估中仍然存在很大的方法论不一致，这阻碍了研究结果的比较和总结（Task Force, 1996; Bellenger et al., 2016）。

在团队运动中，每日早晨评估可能被证明是有用的，尤其是在短期至中期压力增加的时期，如评估明显的旅行负荷或训练营（Fowler et al., 2017; Malone et al., 2017）。在现场条件下，时域心率变异性指标（如 Ln rMSSD：连续正常 R-R 间期均方根差的自然对数）已被确立用于评估自主神经系统状态的每日变化，因为与频谱分析相比，它们更可靠（Al Haddad et al., 2011），并且受不同呼吸模式的影响较小（Penttilä et al., 2001; Saboul et al., 2013）。在评估长期变化时，建议分析（滚动）每周平均值（≥3-4 次 / 周测量）以提高有效性（Plews et al., 2014），并将日常波动表示为每周变异系数（CV；Plews et al., 2012; Flatt and Esco, 2016）。然而，在实践中，在整个精英或高水平球员阵容中，在长时间的训练期间实施频繁（≥3-4 次 / 周）的家庭静息测量可能是不现实的（Buchheit, 2014; Thorpe et al., 2017）。一种替代方法可以使用训练前记录（Nakamura et al., 2016; Malone et al., 2017）。此外，使用商业软件（如智能手机应用程序（如 Elite HRV Perrotta et al., 2017; ithlete Flatt and Esco, 2013; HRV4Training Plews et al., 2017b）对超短期记录（<5 分钟，通常≤1 分钟 Flatt and Esco, 2013; Esco and Flatt, 2014; Nakamura et al., 2015; Pereira et al., 2016; Esco et al., 2018）的扩展评估和应用，使得在评估后几乎立即对整个团队的数据进行可行分析成为可能。这些技术发展可能会提高依从性，并在未来增加静息测量的适用性，至少在像青少年或高中和大学运动员那样有高度正式项目承诺的环境中是如此。

图2 | 半职业篮球运动员在季前准备期和赛季上半段期间的心率指标变化。静息心率指标（HRrest，Ln rMSSD）通过商用心率监测软件（HRV4Training，Plews等人，2017b）在起床后坐姿状态下进行1分钟超短期记录，每日评估一次。数值以每日值和滚动7天平均值显示。运动心率（HRex）和心率恢复（HRR）通过次最大穿梭跑每周评估一次（细节见图1），该测试在比赛日后两天的团队晚间训练热身期间进行。急性和慢性训练负荷分别基于1周和4周的训练计算[训练负荷（AU，任意单位）= 训练课RPE（0-10）× 训练时长（分钟），（Gabbett，2016）]。灰色水平条表示基于各指标建议的最小有意义变化的琐碎变化：HRrest和HRVrest（Ln rMSSD）在前2周为0.5×标准差，HRex为1%，HRR为7%（Buchheit，2014）。

运动测量

在广泛的耐力运动强度范围内，运动心率（HRex）与持续工作期间的摄氧量和能量消耗呈线性关系，因此通常用于监测和规定运动强度和训练负荷（Achten and Jeukendrup, 2003; Borresen and Lambert, 2009; Alexandre et al., 2012; Berkelmans et al., 2017）。此外，传统上通过递增测试在次最大（HRex）和最大努力（HRmax）下评估运动心率，以评估心血管适能（Achten and Jeukendrup, 2003; Buchheit, 2014）。由于常见的（迷走神经相关的）心率变异性测量与运动强度之间的关系存在缺陷（Buchheit, 2014; Michael et al., 2017; 另见单变量心率监测的局限性部分），并且运动期间的逐搏记录容易受到伪影的影响（如由于心率带移动导致的漏搏），因此仅建议对固定外部负荷下的 HRex（而非运动心率变异性）在最后 30-60 秒内取平均值，用于运动员纵向监测（Buchheit, 2014）。运动心率是否能够敏感地反映体能下降尚不清楚，因为 HRex 增加本身并不表明运动表现受损（Buchheit, 2014; Thorpe et al., 2017），但可能在长时间停训后发生（Mujika and Padilla, 2000a,b）。此外，与解释静息 HR (V) 的变化类似，HRex 中与长期体能相关的变化也可能由于对训练或环境条件的急性或短期反应而产生偏差。

由于重复评估最大体能表现不适用于（团队运动）运动员，近几十年来，研究人员和从业者更频繁地采用次最大、非力竭测试（Buchheit, 2014; Halson, 2014; Akenhead and Nassis, 2016; Capostagno et al., 2016; Thorpe et al., 2017）。然而，所使用的方案在模式（跑步 Malone et al., 2017 vs. 骑自行车 Thorpe et al., 2015）、负荷特征（连续 Buchheit et al., 2010 vs. 间歇 Brink et al., 2013，线性 Buchheit et al., 2010 vs. 穿梭跑 Bradley et al., 2011，恒定 Buchheit et al., 2010 vs. 分级 Bradley et al., 2011）、测试持续时间（5 分钟 Buchheit et al., 2010 至 16 分钟 Vesterinen et al., 2017）、强度（低强度 Buchheit et al., 2013c vs. 高强度 Vesterinen et al., 2017）和 workload 处方（标准化 Bradley et al., 2011 vs. 个性化 Buchheit et al., 2010，内部 Vesterinen et al., 2017 vs. 外部 Bradley et al., 2011）方面差异很大。

在团队运动中，标准化（而非个性化）次最大跑步测试似乎在各种环境（竞争水平、团队预算、阵容规模）中最为合适。低强度运动可以在大多数运动员（健康、不健康、疲劳、受伤或生病后恢复活动的早期阶段）的热身的第一部分和各种场景（训练营、准备和恢复期、赛季中）中实施，而不会增加实质性的疲劳，而更高的强度可能与特定运动的表现更密切相关（Bangsbo et al., 2008; Lamberts et al., 2010, 2011

表1|概述和示意图表示建议的总体影响不同HR和上下文测量各种（团队）运动相关情景[数据来源于评论（R），原创文章（O），专著（M），书籍章节（C）inscientificcollections和PhDtheses（T）]。

运动后测量

运动停止后，心率呈指数下降，心率变异性指标开始增加。运动后心率测量（HRR：心率恢复，HRVpost）反映一般血液动力学调整，并可能与有氧适能、健康状况和运动准备状态相关（Buchheit, 2014）。运动停止后的自主神经活动主要受恢复早期（前几分钟内）副交感神经再激活的影响，随后在中长期恢复（数分钟至数小时；Borresen and Lambert, 2008; Hottenrott and Hoos, 2017; Michael et al., 2017; Peçanha et al., 2017）期间伴随交感神经 withdrawal。然而，运动后的自主神经活动和 HR (V) 恢复受先前（相对）强度的影响（Stanley et al., 2013; Michael et al., 2017），因此可能比自主神经系统状态更能反映适能（Buchheit, 2014）。一般来说，HRR 比 HRVpost 更有利。它需要更短的记录时间（HRR：30-60 秒 vs. HRVpost：≥3-5 分钟），可通过任何心率设备获取，并且可能具有更高的信噪比（Buchheit, 2014）。计算 HRR 最简单的方法是取运动停止时和例如恢复 1 分钟后的心率差（Peçanha et al., 2017）。然而，建议将心率记录平均几秒（通常 5-15 秒）以增加客观性并减少（测量）误差（Daanen et al., 2012; Buchheit, 2014）。

从实际角度来看，团队运动从业者应在自己的环境中批判性地评估运动后测量的额外努力和益处。虽然额外的（站立或坐姿）30-60 秒记录似乎是合理的，但次最大运动后的 HRR 是否增加了有益信息（相对于 HRex）仍不清楚，尤其是当团队运动中的 workload 是固定的而非个性化时（球员之间的相对强度不同）。此外，运动后测量在最坏情况下可能不必要地使数据收集和解释复杂化（见 Buchheit, 2014 的讨论）。

用心率测量监测训练反应

急性反应

监测运动员对训练的急性心率测量变化是心率 (V) 研究中的一个关键但同时存在争议的话题。科学讨论的一个主要组成部分集中在（尤其是静息）心率测量的日常波动及其这些变化的可能原因（Buchheit, 2014）。潜在机制尚不完全清楚。有观点认为日常变化反映了测量噪声（即测量误差），这导致日常静息测量的可靠性较差（Al Haddad et al., 2011），与运动心率相比（Buchheit, 2014），因此应被解释为随机误差。此外，日常波动可能被解释为（生理）信号，并且变化与训练负荷、压力和疲劳相关（Stanley et al., 2013）。根据后一种假设，已经进行了几次尝试，将每日（静息）HRV 作为（心血管）恢复的标志物来指导训练计划，与传统的预定义训练计划相比，要么产生更大的适应，要么进行更有效的训练（Kiviniemi et al., 2007, 2010; Vesterinen et al., 2016; da Silva et al., 2017; Nuuttila et al., 2017）。然而，必须考虑到，HRV 指导的训练计划一直完全基于耐力训练，并受到特定限制和训练原则的约束（例如，最多连续两天高强度训练）。

一般来说，训练强度是有氧导向运动后心脏自主神经活动改变的关键决定因素（例如，强度越高，稳态干扰时间越长），并且可能比持续时间更具影响力（Stanley et al., 2013; Hottenrott and Hoos, 2017; Michael et al., 2017）。完全的心脏自主神经恢复需要低强度后长达 24 小时，阈值强度后 24-48 小时，高强度耐力运动后至少 48 小时（Stanley et al., 2013）。因此，训练负荷的急性变化可导致迷走神经相关 HRV（Stanley et al., 2013; Malone et al., 2017; Michael et al., 2017）、HRR（Borresen and Lambert, 2007; Daanen et al., 2012; Malone et al., 2017）和 HRex（Buchheit et al., 2013a,c; Malone et al., 2017）的改变。此外，已经观察到静息 HRV 的稳定（Plews et al., 2012）或减少（Flatt and Esco, 2016）的日常变化（表示为每周 CV）与积极适应同时发生，但在非功能性过度训练之前也报告了 CV 的大幅减少（Plews et al., 2012）。然而，如前所述，已知许多情况会急性影响心率指标，如血容量变化 [例如，由于热适应、（剧烈）有氧运动（Fellmann, 1992）]、水合状态（Achten and Jeukendrup, 2003; Buchheit, 2014）、疾病（Buchheit et al., 2013c）或长途旅行（Fowler et al., 2017），在解释日常变化时必须考虑这些情况。通常，这些急性影响会在几天内逆转。

短期反应

在压力增加或训练加强的短期至中期期间，如长途飞行旅行（Fowler et al., 2017）和高温、高原或增加体积和 / 或强度的训练营（Achten and Jeukendrup, 2003; Buchheit et al., 2011; Berkelmans et al., 2017），心率监测可能使从业者能够评估运动员应对诱导需求和从中恢复的能力。在训练的背景下，所有先前描述的心率测量已多次显示可敏感地反映超负荷引起的运动表现变化（Pichot et al., 2000; Borresen and Lambert, 2007; Bosquet et al., 2008; Bellenger et al., 2016; Capostagno et al., 2016; Hammes et al., 2016; Flatt et al., 2017），因此可能反映短期（即累积）疲劳反应。例如，在未发表的研究中，我们观察到在高强度间歇训练或高强度全身力量训练的 6 天超负荷微周期内，仰卧位的 HRrest 显著增加（HRVrest 降低）。虽然仰卧记录位置的这些变化由于过度负荷可能有些合理，但站立 HR (V) 记录在高强度间歇训练期间显示 HRrest 大幅渐进性降低（HRVrest 增加）。在随后的 4 天恢复阶段，这些改变显示出相反的趋势。总之，（仰卧）静息心率测量的变化与训练特定运动表现（分别为重复冲刺能力和最大力量）的（压力和疲劳相关）变化平行（详情见训练情境是关键部分的表 1）。

长期反应

由于运动员的训练状态受急性、短期和长期反应的影响，因此考虑运动员的（有氧）适能水平、慢性训练负荷和当前训练阶段，对于正确解释心率测量并将其情境化至关重要。一般来说，心率测量与有氧适能或运动表现标志物相关，训练更好的运动员的静息和运动心率较低，静息心率变异性较高（Achten and Jeukendrup, 2003; Aubert et al., 2003; Sandercock et al., 2005; Hottenrott et al., 2006; Messina et al., 2012; Plews et al., 2013; Hottenrott and Hoos, 2017; Proietti et al., 2017; Thorpe et al., 2017; Sessa et al., 2018）。然而，必须考虑到，运动或测试表现的提高不一定反映积极适应，因为在相同适能水平下，“准备状态” 或动机的增加可能导致更高的运动表现结果（Plews et al., 2013; Coutts et al., 2018）。这可能是研究中一些矛盾发现的原因（见心率测量情境化部分）。总体而言，关于心率测量检测负训练反应或适应不良的敏感性的数据较少（Buchheit, 2014; Bellenger et al., 2016）。

在训练有素的运动员中，中等训练负荷通常会增加有氧适能和 HRV，而高训练负荷会降低 HRV（Iellamo et al., 2002; Manzi et al., 2009; Plews et al., 2013）。HRR 通常随着高训练量而加速（Buchheit, 2014）。一般认为，训练量增加可能导致 HR (V) 变化反映副交感神经活动增加（如 HRrest 降低和 HRVrest 增加），而训练强度增加伴随训练量减少导致 HR (V) 变化反映交感神经活动增加（HRrest 增加和 HRVrest 降低）（Israel, 1982; Fry and Kraemer, 1997; Lehmann et al., 1998; Armstrong and VanHeest, 2002; Plews et al., 2013; Buchheit, 2014; Hottenrott and Hoos, 2017）。

在耐力运动员中，关键比赛前几周静息 HRV 的钟形时间过程可能反映了最佳竞技表现的最佳场景（Manzi et al., 2009; Plews et al., 2013, 2017a; Buchheit, 2014）。迷走神经相关 HRV 可能在以低强度高训练量为特征的构建阶段增加（Buchheit, 2014）。在减量期间，通常观察到 HRVrest 降低和运动表现增加，这可以通过训练分布向高强度运动的转变以及赛前压力来解释（Edmonds et al., 2013; Plews et al., 2013; Buchheit, 2014）。我们假设，关于心率测量、运动表现和疲劳之间关系的一些矛盾发现是由这些观察结果引起的，因为在可用的荟萃分析中，既没有充分考虑周期化方面也没有考虑延迟训练效果（Bosquet et al., 2008; Bellenger et al., 2016），除了几个案例研究（Plews et al., 2012, 2017a; Stanley et al., 2015），也没有适当地评估或报告 HR (V) 反应的个体间时间过程。总之，不同训练阶段的累积和长期 HR (V) 反应可以通过在存在或不存在足够恢复以达到基线水平的情况下，单个训练 session 的强度相关急性效应的长时间积累来解释（Stanley et al., 2013; Buchheit, 2014）。表 1（训练情境是关键部分）提供了心率测量中急性、短期和长期训练反应的概述。

团队运动中的应用

近年来，由于国内和国际比赛在赛季内和休赛期的频率和强度增加，精英团队运动运动员面临更高的竞争负荷（Thorpe et al., 2017）。由于球员可用性增加可能导致成功机会增加，疲劳管理对于减少受伤和疾病至关重要（Bourdon et al., 2017; Thorpe et al., 2017）。然而，在中高水平的性能水平上，竞争期间每周通常有一个一致且相似的结构，这可能直观地导致相对于比赛日之前或之后的天数的训练和测试的每周安排（McGuigan, 2017; Thorpe et al., 2017）。这种每周结构创造了常规且可比的测试条件（如比赛日后两天），这可能有助于在解释心率测量的长期训练变化（如适能）时最小化急性 “混杂” 效应（如疲劳）。

团队运动监测中的一个巨大挑战是运动表现、训练和比赛需求的复杂和多因素性质，其中包括技术、战术、生理、心理和社会组成部分（Coutts et al., 2018）。迄今为止，对于球员或团队表现没有统一的定义，这限制了其定量描述和可能影响因素的识别。此外，耐力运动员中训练量和强度变化与心率测量变化之间的先前描述的关联在多大程度上可转移到团队运动中仍是推测性的，因为在团队运动实践中，对各种训练模式和压力的生物系统的训练负荷、体积和强度的适当量化具有挑战性（Buchheit, 2014; Bourdon et al., 2017）。

尽管存在这些限制，分析剂量反应关系是运动员管理的核心组成部分（Gabbett et al., 2017; McLaren et al., 2018），因为它有助于评估受伤风险（Gabbett, 2016; Bourdon et al., 2017），因此可能通过增加球员可用性间接影响运动表现（即成功）（Thorpe et al., 2017）。由于运动特定训练和比赛中的体能表现测量高度可变，因此通常使用次最大测试评估外部 - 内部负荷关系（Buchheit, 2014; Thorpe et al., 2017）。这些方案通常基于连续或间歇的有氧运动（Bradley et al., 2011; Brink et al., 2013; Buchheit et al., 2013a），这些运动具有良好的标准化，但相应地对整体体能表现的有效性较低（Thorpe et al., 2017）。使用运动特定的 “闭环” 训练可能是一种替代方法，因为模拟了运动特定的运动模式和需求，并且运动表现输出可能比实际比赛中的变化更小（Buchheit et al., 2013a; Malone et al., 2017; Thorpe et al., 2017）。此外，可穿戴传感器技术的发展将使研究人员和从业者能够在未来评估任何运动特定训练模式期间的综合外部和内部负荷（见 Lacome et al., 2018 的实际示例）。例如，这些发展可能允许（几乎）实时分析运动模式对生理反应的影响，如跑步技术的变化，因此跑步经济性对心率反应的影响。为了说明问题，图 2 概述了目前建议的静息和运动心率测量在半职业团队运动运动员的准备阶段和赛季上半段的应用。

心率测量情境化

单变量心率监测的局限性

尽管前面描述的每个心率测量在若干情况下对适能、疲劳和运动表现的变化敏感，但最近的一项荟萃分析发现，变化的方向对于运动表现的增加和减少是相同的（Bellenger et al., 2016）。例如，迷走神经相关 HRVrest 与（有氧）运动表现的增加和减少同时增加，这要么表示副交感神经调节增加，要么表示副交感神经过度活动。类似地，在运动表现同时增加（Buchheit, 2014）和与过度训练相关的运动表现损害（Bosquet et al., 2008）中都观察到 HRex 降低。迄今为止，解决这一难题的唯一有希望的方法在于心率测量的情境化和多变量方法的使用（Bosquet et al., 2008; Lamberts, 2009; Plews et al., 2013; Buchheit, 2014; Bellenger et al., 2016; Capostagno et al., 2016; Bourdon et al., 2017; Hottenrott and Hoos, 2017; Thorpe et al., 2017; Coutts et al., 2018; Kellmann et al., 2018）。

如前所述，一个根本困难是疲劳和运动表现是多因素构建（Fry and Kraemer, 1997; Armstrong and VanHeest, 2002; Borresen and Lambert, 2008; Meeusen et al., 2013; Buchheit, 2014; Thorpe et al., 2017; Coutts et al., 2018; Kellmann et al., 2018），在某些情况下，它们可能通过运动员自主神经系统状态的变化可测量地影响（Israel, 1982; Lehmann et al., 1993），反之亦然。然而，训练会在各个层面（如心血管、激素、神经肌肉、心理）引起各种反应和适应，其中任何一种都可能导致运动表现或疲劳变化，无论是单独还是组合。相反，任何单一标志物都不太可能准确显示多维构建的变化，如运动表现或疲劳（Meeusen et al., 2013; Bourdon et al., 2017; Coutts et al., 2018; Kellmann et al., 2018）。因此，HR (V) 测量只能用于评估自主神经系统状态（静息、运动开始、运动后）和整体心血管功能（运动期间；Buchheit, 2014），应被视为影响运动员训练状态的决定因素之一。

此外，自主神经活动和 HR (V) 之间的（数学）关系是间接的，这是研究中经常被忽视的局限性，可能导致部分误解（Plews et al., 2013; Buchheit, 2014）。更准确地说，这意味着自主神经系统状态（即自主神经活动）的变化不会直接反映在心率测量的变化中，并且不能假设直接关联（Plews et al., 2013; Buchheit, 2014; White and Raven, 2014; Hottenrott and Hoos, 2017）。例如，迷走神经活动增加通常会增加迷神经相关 HRV。然而，在低心率水平下，HRV 通常会降低而不是增加，这是由于副交感神经过度活动导致所谓的饱和现象，这可能由心肌细胞水平的乙酰胆碱受体饱和来解释（Plews et al., 2013; Buchheit, 2014）。为了克服这个问题，静息心率和 HRV 应该同时使用个体历史数据进行评估和解释，分别代表迷走神经张力和调节，并针对主要的 R-R 间隔对 HRV 进行归一化（Plews et al., 2013; Sacha, 2013; Buchheit, 2014; Billman et al., 2015）。在运动过程中，随着强度的变化，自主神经平衡不断从副交感神经占优势转变为交感神经占优势，而迷走神经相关的 HRV 指标通常在中等强度时趋于平稳（Buchheit, 2014; Michael et al., 2017），因此无法在整个强度范围内测量自主神经活动。此外，HRR 和 HRVpost 作为自主神经活动的可能指标，可能受到代谢反射刺激的影响，因此应与 HRex 同时解释（Buchheit, 2014）。

训练环境是关键

将心率测量情境化的最相关信息包括训练阶段、训练负荷和强度分布（Buchheit, 2014）。此外，在使用运动测量时，似乎有必要考虑训练计划和训练反应的特定时间过程，并进一步检查（主观）健康和恢复 / 疲劳状态的测量值，或感知劳累率（RPE）。为了更全面地了解运动员的训练状态，从业者必须将这些测量值与运动特定表现的附加标志物结合起来（Bosquet et al., 2008; Lamberts, 2009; Plews et al., 2013; Buchheit, 2014; Bellenger et al., 2016; Capostagno et al., 2016; Hottenrott and Hoos, 2017; Thorpe et al., 2017）。表 1 提供了不同训练环境中 HR 和环境测量值变化的概述。特别强调了构建关于训练反应时间过程和相应训练环境的信息。总结和图示的变化反映了基于群体的总体效应。通常，这些观察到的群体效应伴随着较大的个体间差异，这可能在个体水平上显示相反的行为，并强调了运动实践中个性化分析的必要性（Plews et al., 2013; Buchheit, 2014; Volterrani and Iellamo, 2016; Hottenrott and Hoos, 2017）。然而，如果从业者意识到常见的运动员间反应差异，并尝试识别个体反应模式以供未来分析，那么参考基于群体的预期变化建议可能是一个合适的起点。

方法论考虑

使用适当的分析策略来解释个体监测数据是在专业和精英环境中成功实施运动员监测系统的重要组成部分（Akenhead and Nassis, 2016）。然而，运动科学中的单案例分析领域存在相当大的研究不足，因此缺乏系统的方法论比较和建议（Buchheit et al., 2014）。一方面，需要基于理论和证据的数据处理方法，以及理解每个测量值时间序列的方法，另一方面，必须在理论框架内结合多种测量值和多变量分析技术（Kellmann et al., 2018）。从科学的角度来看，理想的整体决策过程包括具有高预测精度的正式化和经过验证的分析方法。此外，从业者需要能够在必要时快速做出决策以修改训练和恢复策略（Starling and Lambert, 2017）。因此，能够进行信息丰富且直观可视化的分析概念和方法对于为教练过程提供信息和影响至关重要（Bourdon et al., 2017; Buchheit, 2017; McGuigan, 2017; Robertson et al., 2017; Thorpe et al., 2017; Heidari et al., 2018）。在这方面，Will G. Hopkins 关于解释运动员监测变化的工作（Hopkins, 2004）对运动研究和实践中的当前分析方法和建议产生了重大影响（Akenhead and Nassis, 2016; Buchheit, 2016; McGuigan, 2017; Robertson et al., 2017; Thorpe et al., 2017; Coutts et al., 2018; Kellmann et al., 2018）。然而，对所提出方法的批判性评估和比较仍有待进行。在本节中，我们简要讨论一些可用的分析概念、基于单变量数据的方法论方法，以及评估心率监测数据的可能多变量策略。

评估有意义的变化

监测训练反应的总体目标是识别有意义的变化，以便在必要时调整训练和恢复处方。为了评估观察到的变化的重要性，必须考虑测量精度或观察到的反应的不确定性，以及反应的幅度（Hopkins, 2004; Buchheit, 2014; Thorpe et al., 2017）。最小可检测变化是指大于测量中典型的受试者内变异的变化，其中包括技术误差和生物变异，通常通过可靠性测量来估计（McGuigan, 2017; Thorpe et al., 2017; Hecksteden et al., 2018）。然而，建立这个阈值需要对 “可接受” 误差率进行规范性的、因此在某种程度上是主观的确定（见 Hecksteden et al., 2018 的讨论）。在这方面，监测参数通常根据提供高可靠性和因此低（随机或不可避免的）重测变异（即噪声）被评为有用或敏感，这通常测量为测量标准误差（即典型误差，TE），并通常以 CV% 表示。尽管需要低测量误差来将小的观察变化识别为真实变化（例如，大于 TE 的变化），但干预预期或引起的变化幅度（即信号）同样重要。因此，通过评估信噪比来判断测量的敏感性更为可取（Buchheit, 2014）。

此外，最小有价值变化 [SWC，也称为最小（临床）重要差异] 描述了测量中的最小变化，该变化导致运动特定或竞技表现的实际有意义的增强（Hopkins, 2004）（例如，个人运动中比赛间 CV 的 1/3 以上的变化，以大幅增加获得奖牌的机会，或足球中 20 米冲刺时间约 0.03 秒，以领先对手赢得球；Buchheit, 2018）。确定 SWC 时可以区分两个主要概念：分布法和基于锚点的方法（Thorpe et al., 2017）。

在分布法中，监测数据是参照组内和 / 或运动员内变异进行评估的，这通常通过数据转换（即 Z 分数）和定义琐碎与实质性变异的阈值（例如 Z 分数 > 1 Akenhead and Nassis, 2016; McGuigan, 2017）来完成。在前一种情况下，运动员的分数或反应与参考组进行比较（Julian et al., 2017），因此强烈依赖于组的水平和表现异质性。后者可以描述为运动员内分布法，通常将观察到的值 / 变化评为有意义，当位于个体平均值周围的 “正常” 波动之外时（Akenhead and Nassis, 2016; McGuigan, 2017）。此外，每周变化可以表示为标准化差异 [例如，每周变化除以每周标准差（SD）；（Stanley et al., 2015）]。

与分布法相比，基于锚点的方法依赖于观察到的测量值与感兴趣的外部（标准）测量值之间的关联。例如，一定量的训练负荷（变化）与受伤风险增加相关（Soligard et al., 2016）。理想情况下，训练反应的评估结合了个体置信区间（或剩余不确定性）与 SWC 的估计（Hopkins, 2004; Hecksteden et al., 2018）。例如，从业者可以使用在线电子表格 1 来分析考虑 TE 和（规范性）SWC 的个体变化（Hopkins, 2000）。

在缺乏可靠理论或相应经验观察的情况下，静息心率测量的变化通常参照 “正常” 训练期间的运动员内变异（即 SD：标准差）进行评估（Buchheit, 2014; Plews, 2014），因为它们与（有氧）表现没有直接联系（Buchheit, 2017）。然而，阈值的选择，在这种情况下是 SD 的一个分数或倍数，是高度任意和主观的，因此取决于个体反应曲线以及教练或决策应有的保守程度（Buchheit, 2017）。相比之下，运动心率与（有氧）表现之间的关系非常强，建议次最大 HRex 的经验 SWC 为 1%，因为这可能对应于（有氧）表现的有意义变化（Buchheit, 2014, 2017）。

在运动员监测中，还有其他分析方法不能明确归入最小可检测变化或 SWC 的概念。在训练负荷管理中，最佳实践是使用（指数加权）滚动平均值和急性与慢性比率来评估短期（急性，通常约 5-10 天）和长期（慢性，通常约 4-6 周）累积负荷（Bourdon et al., 2017）。此外，中长期变化和趋势可以通过（线性）趋势分析进行评估（即回归的斜率；Plews et al., 2012; Hopkins, 2017; Sands et al., 2017）。此外，Hecksteden et al.（2017）最近引入了一种更先进的方法，使用贝叶斯统计来编制个性化参考范围，以区分肌肉恢复的两种状态。基于群体的参考范围（即先验分布）与重复的个体测量值相结合，为每个恢复状态生成个体后验分布（Hecksteden et al., 2017; 作者在线提供了电子表格）。总之，尽管已经描述了各种分析概念和方法，但系统比较不同分析方法的研究数量极少（Buchheit et al., 2014; Hecksteden et al., 2018）。此外，尚不清楚参考值（如基线平均值和 SD 或 TE）是否需要以及如何随时间调整，因为除其他因素外，测量变异性和误差可能与训练阶段相关（Taylor et al., 2016）。例如，我们只知道一项研究（任意地）在训练 4 周后更新了个体 HR (V) 参考值（Vesterinen et al., 2016）。

图 3 可视化了不同的分析概念和方法及其对将观察到的变化评为有意义的影响。这个例子强调了对建议的分析方法和概念进行系统评估的必要性，因为方法和概念之间存在相当大的分歧（另见 Hecksteden et al., 2018 的详细讨论）。

多变量方法

心率监测中常见的多变量方法是结合简单决策规则并行检查多个标志物。例如，如果次最大运动期间的 RPE 和运动后的 HRR（明显）升高，则运动员很可能疲劳（Lamberts et al., 2011）。通常，每个标志物或最少数量的标志物（例如，3 个中的至少 2 个）需要改变超过预定义的临界值，才能被解释为大幅偏离（Lamberts, 2009）。除了以二分法（高于或低于阈值）分析标志物外，还经常提出将不同标志物作为比率（例如，HR/RPE，Ln rMSSD/RR）进行连续组合（Buchheit, 2014; Halson, 2014; Bourdon et al., 2017）。此外，用蜘蛛图可视化个体反应（模式）说明了比率的另一种有价值且更具洞察力的替代方法，因为它们显示了每个单一测量值的变化幅度，并允许在数据适当缩放时评估彼此之间的变化（Julian et al., 2017）。

然而，在流程图（Plews, 2014）或闭环模型（Kiviniemi et al., 2007; Gabbett et al., 2017）的结构中逐步或分层评估变量似乎有些先进。在这种情况下，所谓的（快速而节俭的）启发式方法（Raab and Gigerenzer, 2015）提供了一个有吸引力的机会，可以在结构和内容上组织多个标志物（即决策树）。同时，这种启发式方法代表了一种直观和简单的策略，反映了在（运动）实践中在高度不确定的情况下快速和实际的决策，因为只有有限数量的相关影响因素的数据可用（Raab and Gigerenzer, 2015; Jovanovic, 2017）。它们以（快速而节俭的）决策树的形式出现，由三个主要因素组成：搜索规则（在哪里寻找信息）、停止规则（何时结束搜索）和决策规则（如何做出决策，Raab and Gigerenzer, 2015）。然而，尽管 “启发式” 解释和决策通常看起来很有吸引力，但快速而节俭的决策树在心率监测中的应用在很大程度上仍然受到先前讨论的研究不足的限制（例如，心率测量与训练负荷、疲劳和适能或表现之间的关联不确定；见单变量心率监测的局限性和训练环境是关键部分）。

显然，除了前面提到的简单方法之外，还有更先进和复杂的多变量分析方法可用。例如，当前的训练研究还建议使用多元（逻辑）回归（Weiss et al., 2017）、广义估计方程、神经网络（Pfeiffer and Hohmann, 2012; Bartlett et al., 2017）或基于 Banister 于 1975 年开发的原始系统理论模型的建模技术（Perl and Pfeiffer, 2011）。尽管这些先进概念在科学上很有前途，并且可能优于简单或线性概念，但更详细的讨论超出了本报告的范围，因为我们只知道一项使用这种先进多变量方法分析运动员使用心率测量的训练反应的研究（Lacome et al., 2018）。因此，在不久的将来，在运动实践中广泛实施似乎很困难（Bourdon et al., 2017）。

心率监测的实际决策 —— 案例示例

本节旨在提供两个案例研究，说明如何以多变量方式将心率测量的短期和长期反应情境化和分析，使用启发式方法指导训练和恢复处方。为此，我们首先区分短期和长期变化的分析，并进一步定义训练环境。为了简单起见，我们区分训练和恢复期。训练期定义为恒定或增加的训练负荷，而恢复的特点是训练负荷减少或休息。这些初步确定规定了如何解释观察到的变化，从而如何做出决策（即决策规则）。基于之前提出的研究（表 1），HRex 与感知劳累率（RPE）的多变量分析可能提供足够的信息来解释运动员的训练状态（即搜索规则和停止规则），如下列案例示例所示。

在第一个例子（图 4）中，一名精英男性羽毛球运动员在整个准备期间每周两次使用次最大穿梭跑进行监测。尽管该运动员专门从事（混合）双打项目，但羽毛球通常被归类为球拍运动，而不是团队运动。然而，在训练结构和训练需求方面与团队运动有很大的相似性，因为同时训练不同的领域，如耐力、力量、功率、速度以及技术和战术元素。因此，我们相信运动心率（HRex）的观察到的短期反应及其潜在的生理机制证明了向团队运动环境的可转移性。在训练期间，我们观察到次最大跑步中 HRex 和 RPE 的变化对典型的每周训练计划有明显且一致的模式（详情见图 4 的文字说明）。在这种情况下，训练周内的累积训练负荷导致 HRex 降低和 RPE 升高，而周末的缓解期导致 HRex 升高和 RPE 降低。除了短期波动外，在整个训练期间观察到 HRex 总体下降，考虑到 RPE 分数，可以解释为积极适应 [增加（有氧）适能]，因此是适当的训练周期化。当这种观察转移到团队运动时，它强调了测试 session 一致安排的重要性（例如，比赛日后两天），因为负荷的急性或短期变化会显著影响 HRex 反应。此外，在评估训练计划时，可能需要同时考虑短期和长期变化。否则，在缺乏连续数据的情况下，可能难以区分不同类型的反应（即应激、疲劳、恢复和适应）来解释长期训练反应。

在第二个例子中，一名半职业篮球运动员在 1.5 个赛季中每周使用次最大穿梭跑进行监测（图 5）。在季前训练期间，两次 HRex 均显著降低，可能反映了积极适应。相比之下，在训练负荷减少的时期（第 22-23 周的冬歇期和休赛期），HRex 增加并伴有 RPE 增加，表明（部分）停训和（有氧）适能下降。第一个准备期和第一个赛季开始时 HRex 和 RPE 反应的时间过程强调了在解释长期变化时训练环境和多变量分析的重要性（详情见图 5 文字说明）。因此，我们质疑 HR 监测文献中的一些结论，这些结论显示过度训练的运动员出现所谓的 “反直觉” 反应（疲劳或过度训练的运动员 HRex 降低而不是增加；Siegl et al., 2017）或 “研究之间的分歧”（耐力训练期后心率测量的类似变化导致运动表现增加或减少；Bellenger et al., 2016）。使用第二个例子，我们建议心率测量的变化应主要针对训练环境进行解释，而不是直接投射到疲劳或表现的构建上。因此，由于导致过度训练的训练期（可能由于疲劳导致运动表现下降）而（持续）降低 HRex，随后有足够的缓解期，应被解释为对增加训练负荷的（积极）适应意义上的典型训练反应，而非 “不一致” 或 “矛盾” 的发现，因为在不同时间测量的运动表现可能增加或减少。这种解释与体能 - 疲劳模型一致，因为运动表现结果是体能和疲劳效应的结果（Coutts et al., 2018）。因此，HRex 应被解释为体能指标，而非疲劳或运动表现的标志物。

图4 | 一名20岁精英男性羽毛球运动员在准备期内运动心率（HRex）和自觉劳累率（RPE）的短期变化。HRex（圆圈）和RPE（条形图）通过次最大穿梭跑在早晨训练热身期间进行评估，分别于周一（恢复后，灰色符号）经过2天显著恢复后，以及周五（训练后，蓝色符号）经过连续4天训练（其中几天有两次训练）后进行[分别以8.2、9.6和11.0 km/h的速度跑约1分钟、1分钟和3分钟；穿梭长度12.8米]。HRex在周五持续降低（平均值±标准差，-7±1次/分钟），在周一升高（+5±2次/分钟），这可解释为测试之间训练负荷的短期变化所致。同样，穿梭跑期间的RPE通常在周五升高，在周一降低。当将所提出的启发式逻辑应用于决策时，在大多数情况下，得出的明显结论与总体训练计划一致：经过连续几天（高强度）训练后，接下来几天应减少训练负荷以促进恢复，因为HRex降低和RPE升高表明急性疲劳。同样，周一HR升高和RPE降低表明恢复，支持恢复（高强度）训练。然而，根据所提出的逻辑，有两个时间点可能需要偏离训练计划：在第24天，相对较高的RPE表明恢复不完全，因此进一步促进恢复策略或至少减少计划工作量似乎是合适的。相比之下，第35天的低RPE和HRex略有不太严重的下降表明至少在另一个训练 session 中可能继续承受高训练负荷。此外，在训练周内HRex总体下降，同时RPE保持恒定或略有下降，表明积极适应和适当的训练周期化。

结论

如前所述（Buchheit, 2014），在团队运动中，与运动相关的测量值（HRex, HRR）可能优于静息状态下的测量值（HRrest, HRVrest），因为前者具有更有利的信噪比和成本效益比。此外，HRex 更能反映（有氧）适能相关的训练反应，而非运动表现或疲劳的替代标志物。因此，全面的（团队运动）运动员监测系统必须纳入多变量方法，进一步检查训练环境、疲劳和特定运动表现（Kellmann et al., 2018）。当运动员监测被整合到决策支持系统中时，在整个决策过程中必须解决许多方法论考虑。有必要通过考虑测量精度和最小有价值变化来解释个体训练反应。如本技术报告所述，未来的研究应检查不同分析概念和方法的实用性，因为这是一个重大的研究不足。最后，必须由可穿戴设备制造商或软件提供商在软件解决方案中实施最合适的分析方法，以全面改善运动实践中的决策过程。为了提供一个起点，我们开发了一个将心率测量情境化的概念框架，侧重于训练反应的时间过程和训练环境，并说明了其使用启发式方法进行多变量解释和决策的应用。