Machine Translated by Google
Eur J Appl Physiol (2014) 114: 11–20
DOI 10.1007 / s00421-013-2745-1
Artículo original
Una comparación de métodos para cuantificar la carga de
entrenamiento: relaciones entre respuestas de entrenamiento modeladas y reales
LK Wallace · KM Slattery · Aaron J. Coutts
Recibido: 24 de marzo de 2013 / Aceptado: 30 de septiembre de 2013 / Publicado en línea: 9 de octubre de 2013
© Springer-Verlag Berlín Heidelberg 2013
Resumen
Propósito Evaluar la validez de los métodos para cuantificar la carga de
entrenamiento, el estado físico y la fatiga en atletas de resistencia usando
un modelo matemático.
Métodos Siete corredores entrenados ( VO2máx: 51,7 ± 4,5 mL
kg 1 minuto ÿ 1, edad: 38,6 ± 9,4 años, media ± DE) completaron 15
semanas de entrenamiento de carrera de resistencia. Las sesiones de
entrenamiento se evaluaron utilizando la frecuencia cardíaca (FC), el
ritmo de carrera y el índice de esfuerzo percibido (RPE). La dosis de
entrenamiento se calculó utilizando el método RPE de sesión, Ban isters
TRIMP y la puntuación de estrés de entrenamiento de carrera (rTSS).
Se midió el rendimiento de carrera semanal (contrarreloj de 1500 m), el
estado físico (FC submáxima, FC en reposo) y la fatiga [perfil de estados
de ánimo, variabilidad de la frecuencia cardíaca (HRV)]. Se aplicó un
modelo matemático a los datos de entrenamiento de cada corredor para
proporcionar estimaciones individuales de rendimiento, condición física y
fatiga. Las correlaciones evaluaron las relaciones entre las medidas de
rendimiento, estado físico y fatiga semanales modeladas y reales dentro
de cada
corredor.
Resultados El entrenamiento dio como resultado una mejora del 5,4 ± 2,6
% en el rendimiento de 1500 m. El rendimiento modelado se correlacionó
con el rendimiento real en cada sujeto, siendo las relaciones r = 0,70 ±
0,11, 0,60 ± 0,10 y 0,65 ± 0,13 para los métodos de entrada rTSS, sesión-
RPE y TRIMP, respectivamente. Hubo correlaciones moderadas entre la
aptitud modelada y la real (submáxima
Comunicado por William J. Kraemer.
LK Wallace · KM Slattery · AJ Coutts (*)
Grupo de Disciplina de Deporte y Ejercicio, UTS: Salud, Universidad de
Tecnología, Sydney (UTS), Campus Kuring-gai, PO Box 222, Lindfield, NSW
2070, Australia
correo electrónico: aaron.coutts@uts.edu.au
HR) para los métodos RPE de sesión (ÿ0,43 ± 0,37) y TRIMP (ÿ0,48 ±
0,39) y correlaciones de moderadas a grandes entre la fatiga modelada y
real medida a través de los índices HRV para ambos RPE de sesión
(ÿ0,48 ± 0,39) y métodos TRIMP (ÿ0.59 ± 0.31).
Conclusiones Estos hallazgos mostraron que cada uno de los métodos
de carga de entrenamiento investigados son apropiados para cuantificar
la dosis de entrenamiento de resistencia y que la HR submáxima y la HRV
pueden ser útiles para monitorear el estado físico y la fatiga,
respectivamente.
Palabras clave Dosis de entrenamiento · Fitness · Fatiga ·
Rendimiento
Introducción
La carga de entrenamiento físico es la dosis de entrenamiento completada
por un atleta durante una sesión de ejercicio. Hay una variedad de
métodos diferentes utilizados para cuantificar las cargas de entrenamiento
realizadas por los atletas (Borresen y Lambert 2009). Estos métodos
pueden describirse como externos [es decir, el entrenamiento completado
por el atleta (p. ej., distancia, potencia)] o internos [es decir, la respuesta
del atleta a la carga de entrenamiento externa (p. ej., frecuencia cardíaca
(FC), percepción del esfuerzo )] cargas.
Por lo general, se ha informado que las medidas de la carga de
entrenamiento interna [es decir, el impulso de entrenamiento basado en
la FC (TRIMP) y el RPE de la sesión (sRPE)] son más apropiadas para
monitorear el proceso de entrenamiento, ya que estos métodos incorporan
el estrés fisiológico relativo impuesto al cuerpo. atleta (Viru y Viru 2000).
Sin embargo, los desarrollos tecnológicos recientes (p. ej., medidores de
potencia, dispositivos GPS, acelerómetros, etc.) y el software disponible
comercialmente (p. ej., picos de entrenamiento) han hecho que las
mediciones de la carga de entrenamiento externa sean cada vez más
populares entre los atletas (Jobson et al. 2009). De hecho, el
13
Machine Translated by Google
12
la puntuación de estrés de entrenamiento (TSS), que se puede
calcular a partir de medidores de potencia, utiliza el concepto de
potencia normalizada y un factor de intensidad basado en el umbral
de lactato de un individuo de cada sesión de entrenamiento para
proporcionar una estimación única de la carga de entrenamiento
general y el estrés fisiológico creado por esa sesión de entrenamiento.
Aunque inicialmente se desarrolló para el ciclismo, el concepto TSS
se ha modificado para correr usando medidas de velocidad/distancia
y un algoritmo único basado en las demandas de la carrera (Skiba
2006). Estos métodos han atraído recientemente un gran interés por
parte de la comunidad atlética y de entrenamiento; sin embargo, aún
no han recibido una evaluación científica crítica. Por lo tanto,
actualmente no se sabe qué método para cuantificar la carga de
entrenamiento es más apropiado para monitorear el proceso de
entrenamiento o cuál se relaciona mejor con los resultados del
entrenamiento (es decir, rendimiento, estado físico y fatiga).
Se pueden utilizar modelos matemáticos para describir y estimar
la influencia del entrenamiento físico en el rendimiento deportivo
(Taha y Thomas 2003; Borresen y Lambert 2009). El primer modelo
propuesto por Banister et al. (1975) consideraron el efecto de la dosis
de entrada que tiene el entrenamiento sobre los elementos de
respuesta del estado físico y la fatiga. Se sugirió que la diferencia
entre estas variables reflejaba el rendimiento de un atleta en un
momento dado. Este modelo simplificado se mostró como
Rendimiento = Fitness ÿ Fatiga
Se ha demostrado que este modelo básico se ajusta
significativamente a las respuestas de entrenamiento de los atletas
que practican natación, carrera, ciclismo, triatlón y lanzamiento de
martillo [para una revisión, consulte (Taha y Thomas 2003)]. Desde
entonces, la precisión de dichos modelos se ha perfeccionado (Busso
2003), con la introducción de parámetros invariantes en el tiempo
para tener en cuenta los efectos acumulativos de la fatiga. Este
modelo mostró un ajuste significativamente mejorado en comparación
con los modelos anteriores descritos en la literatura (Busso et al. 1991; Banister
1975; Calvert et al. 1976).
A pesar de estos refinamientos en las técnicas de modelado, los
modelos de sistemas no han podido predecir consistentemente el
desempeño individual en un entorno del mundo real (Busso y Thomas
2006; Taha y Thomas 2003).
Esto puede atribuirse a la falta de consenso en cuanto al método más
apropiado para cuantificar la carga de entrenamiento, el rendimiento,
la condición física y la fatiga. En la actualidad, los métodos más
utilizados para cuantificar los parámetros de condición física y fatiga
incluyen información sobre la FC en reposo y durante el ejercicio, así
como lactato en sangre, marcadores bioquímicos y cuestionarios
subjetivos (Hooper y Mackinnon 1995; Lambert y Borresen 2006).
Más recientemente, se ha demostrado que la variabilidad de la
frecuencia cardíaca (VFC) refleja cambios en el sistema nervioso
autónomo y se ha sugerido como una herramienta útil para medir la
adaptación al entrenamiento y la fatiga (Aubert et al. 2003; Achten y
Jeukendrup 2003; Buchheit et al.
13
Eur J Appl Physiol (2014) 114: 11–20
2010). Aunque se ha demostrado que la HRV es útil para guiar el
entrenamiento en atletas recreativos (Kiviniemi et al. 2009; Kiviniemi
et al. 2007), la eficacia de la información de la HRV para monitorear
el entrenamiento en atletas adultos bien entrenados sigue sin estar
clara.
Dado que no se comprende bien la influencia de las diferentes
entradas de carga de entrenamiento en los modelos de sistemas, el
propósito de la presente investigación fue comparar los métodos
utilizados actualmente para cuantificar las cargas de entrenamiento
internas (es decir, TRIMP, sRPE) y externas (es decir, rTSS) usando
el tiempo -Modelo de sistemas invariantes descrito anteriormente
(Busso 2003). Además, esta investigación también comparó la
influencia de una variedad de marcadores de aptitud física y fatiga en
las predicciones de bondad de ajuste dentro del modelo.
Métodos
Participantes
Siete corredores de resistencia entrenados (media ± DE, VO máx.:
51,7 ± 4,5 ml kgÿ1 minÿ1 , edad: 35,8 ± 9,1 años) se ofrecieron
voluntariamente a participar en este estudio. Cada atleta había
entrenado antes del comienzo del estudio y completó entre 5 y 10
sesiones por semana. Todos los atletas fueron completamente
informados de los riesgos y beneficios potenciales asociados con la
participación. Cada atleta obtuvo el consentimiento informado por
escrito y el Comité de Ética de Investigación Humana de la Universidad
otorgó la aprobación ética para todos los procedimientos.
Diseño experimental
Se utilizó un diseño de investigación longitudinal post facto de
modelado para comparar las respuestas de rendimiento, condición
física et al. durante un período de 15 semanas. Se eligió un período
y fatiga
de 15 semanas para completar suficientes medidas de rendimiento
físico y fatiga para las correlaciones dentro del individuo entre las
respuestas reales y modeladas. La dosis de entrenamiento individual
se midió a través de un monitor Polar RS 800 HR con un sensor de
zancada Polar s3 foot pod stride sensor™ WIND (Polar Oy, Polar
Electro, Kempele, Finlandia). Los podómetros se calibraron al
comienzo del estudio y en el punto medio de la prueba de acuerdo
con las recomendaciones del fabricante. La velocidad de carrera, la
distancia y la frecuencia cardíaca (FC) se registraron durante cada
sesión. Además, la percepción del esfuerzo también se midió después
de cada sesión de entrenamiento utilizando una calificación de
esfuerzo percibido (RPE) de acuerdo con la escala de proporción de
categorías (CR diez-escala) de Borg et al. (1985).
A lo largo del período de investigación, los atletas completaron
pruebas seleccionadas de rendimiento, fisiológicas y psicológicas.
Específicamente, una contrarreloj de carrera de 1.500 m y una prueba
de FC submáxima estandarizada
Machine Translated by Google
Eur J Appl Physiol (2014) 114: 11–20
(HRsubmax) se realizaron semanalmente. Estas pruebas se
completaron a la misma hora del día (16:00) después de un
calentamiento estándar. Al despertarse la mañana de estas pruebas,
cada atleta completó una prueba de HRV y registró los valores de FC
en reposo (HRrest) . Inmediatamente después de la prueba HRV,
cada atleta debía completar el cuestionario psicológico POMS para
evaluar el estado psicológico (McNair et al. 1971).
Procedimientos de prueba
Cada atleta fue evaluado a la misma hora del día después de un día
completo de descanso. A los atletas se les administraron pautas
escritas sobre el consumo de carbohidratos antes del estudio y se les
pidió que estandarizaran su dieta durante las 24 horas previas a cada
sesión de prueba.
Medidas fisiológicas
El consumo máximo de oxígeno ( VO 2 máx. ) se midió utilizando una
prueba de carrera incremental en cinta rodante hasta el agotamiento
en una cinta rodante motorizada (Startrac Unisen Inc., EE. UU.).
Después de un calentamiento de 5 min a 8 km,hÿ1
el protocolo de carga
de trabajo comenzó a una velocidad de 8,5 km hÿ1 . La carga de trabajo
se incrementó en 1,5 km hÿ1 cada 4 min hasta la fatiga voluntaria.
Los atletas recibieron un período de descanso de 1 minuto entre las
cargas de trabajo. El consumo máximo de oxígeno se midió utilizando
un sistema de análisis de gases (Physio-dyne® Fitness Instrument
Technologies, Quogue, NY, EE. UU.) y se calibró antes y después de
cada prueba con gases de referencia y calibración de concentraciones
conocidas. El neumotacógrafo se calibró con aire ambiente utilizando
una jeringa de 3 L (Hans Rudolph Inc, Kansas City, EE. UU.). La
confiabilidad de las medidas del VO 2 máx. para este laboratorio fue
aceptable [coeficiente de variación (CV %, ±90 % intervalos de
confianza (IC) = 2.5 (1.8–4.3)] .
Medidas de desempeño
Cada atleta completó una contrarreloj de 1.500 m una vez por semana
durante la duración del estudio. Las pruebas contrarreloj de esfuerzo
máximo han sido previamente sugeridas como ideales para la
evaluación del rendimiento (Jeukendrup et al. 1996). Antes de la
contrarreloj, cada atleta debía completar un calentamiento
estandarizado que consistía en un trote de 800 m, seguido de una
prueba de condición física submáxima. A continuación, se pidió a
cada atleta que corriera 1.500 m en una pista de tartán en el menor
tiempo posible. Para minimizar los efectos del ritmo, los atletas
comenzaron la prueba contrarreloj en un inicio escalonado con 10 s entre cada participante.
Los atletas no fueron informados de sus divisiones de vuelta y
recibieron el mismo estímulo verbal. La fiabilidad test-retest de la
prueba contrarreloj de 1500 m fue alta [% CV (90 % IC) = 2,7 (2,1–
3,5)].
13
Prueba de condición física submáxima
El HRsubmax requería que los atletas completaran un circuito de
1500 m a un ritmo estandarizado de 210 m minÿ1 . Esta prueba se
completó semanalmente antes de la contrarreloj de 1.500 m. El ritmo
se logró mediante la retroalimentación instantánea del Polar s3 stride
sensor™ WIND y RS800 run
Computadora Ning (Polar Oy, Polar Electro, Kempele, Finlandia).
La información de la frecuencia cardíaca se recopiló durante toda la
serie de ejercicios. La respuesta de FC submáxima se tomó como la
FC media durante los últimos 30 s de la serie de ejercicio. También
se recolectó una medida de RPE (escala 6–20) al finalizar la prueba
(Borg 1973).
Cuantificación de la carga de entrenamiento
Se utilizó una variedad de métodos para cuantificar la carga de
entrenamiento de los atletas durante cada turno de ejercicio. Los
métodos seleccionados utilizan una variedad de respuestas de
entrenamiento que incluyen información basada en HR, percepción
del esfuerzo y medidas de carga externa. Se utilizó el método TRIMP
propuesto por Banister (1991) para cuantificar la carga de entrenamiento interno.
Este método se calculó utilizando la siguiente ecuación:
TRIMP = D( relación FC)eb(ÿrelación FC ) , (1)
donde D = duración de la sesión de entrenamiento, b = 1.67 para
mujeres y 1.92 para hombres y (relación ÿHR) se determina usando
la siguiente ecuación:
ÿRelación FC = (FCex ÿ FCreposo )/(FCmáx ÿ FCreposo), (2)
donde HRrest = frecuencia cardíaca promedio durante el descanso y
HRex = HR promedio durante el ejercicio (Morton et al. 1990).
El método sRPE propuesto por Foster et al. (1995) también se
utilizó para cuantificar la carga de entrenamiento interno. Este método
requiere que los atletas califiquen subjetivamente la intensidad de
toda la sesión de entrenamiento usando un RPE de acuerdo con la
escala de proporción de categoría (CR-10) de Borg et al. (1985).
Luego, el valor de RPE se multiplicó por la duración total (min) de la
sesión de entrenamiento. Para asegurar que los atletas reportaron un
RPE para toda la sesión de entrenamiento, se tomaron medidas de
RPE 30 minutos después de la finalización de la sesión. Durante el
proceso de familiarización se explicaron las instrucciones estándar y
los procedimientos de anclaje (Noble y Robertson 1996).
La carga de entrenamiento diaria también se cuantificó a partir de
los datos de velocidad registrados con un Running Computer Polar
RS 800 y un sensor de zancada Polar s3 foot pod calibrado WIND
(Polar Oy, Polar Electro, Kempele, Finlandia) y expresado como rTSS.
El rTSS se calcula usando el algoritmo de puntaje de estrés de
velocidad ordenado por gravedad (GOVSS) de acuerdo con los
métodos descritos anteriormente (Skiba 2006). En general, esta
medida es una medida TRIMP derivada de la carga externa
13
Machine Translated by Google
14
datos y se calcula de manera similar a otras medidas de impulso de
entrenamiento que combinan la duración y la intensidad del ejercicio
(Allen y Coggan 2006; McGregor et al. 2009). MacGregor et al. (2009)
describieron previamente este método para correr utilizando datos de
entrenamiento recopilados de registros de entrenamiento. La
confiabilidad test-retest de las unidades de podómetro para medir la
distancia que se determinó en la prueba piloto fue alta [% CV (90 % IC)
= 2,6 (2,1–3,5)].
Aptitud física
Se utilizó una variedad de métodos para medir el estado físico o la
adaptación al entrenamiento. HRrest se recogió al despertar, cada
mañana de las pruebas de rendimiento. La medida se registró como la
FC mínima obtenida durante 5 min de decúbito supino. Además, la
HRsubmax y el RPE submáximo (RPEsubmax 6–20) tomados durante
la entrada en calor submáxima estandarizada también se utilizaron
como medida de la condición física.
Fatiga
Se utilizaron varios métodos para evaluar la fatiga de los atletas en el
estudio. Antes de cada prueba de rendimiento semanal, cada atleta
completó el cuestionario de estados de ánimo (POMS) (McNair et al.
1971). Se trata de un inventario de 65 ítems de seis subescalas:
tensión-ansiedad, depresión-desánimo, ira hostilidad, vigor-actividad,
fatiga-inercia y confusión desconcierto. El atleta utilizó una escala de
cinco puntos (de 0 a 'nada' a 4 a 'extremadamente') para responder a
cada término de acuerdo con la pregunta: "¿Cómo te has sentido
durante la última semana, incluido el día de hoy?" Se completó un
subanálisis específico de los datos del POMS usando solo las
respuestas al subconjunto de fatiga-inercia y se informó como una
puntuación de 20.
La variabilidad de la frecuencia cardíaca se registró al despertar
cada mañana antes de la prueba de rendimiento. Polar RS 800 HR
Se utilizaron monitores (Polar Oy, Polar Electro, Kempele, Finlandia)
para registrar los intervalos R-R con una precisión de tiempo de 2 ms.
La medición comenzó con 5 min de decúbito supino seguido de 5 min
de pie. Los datos del intervalo R-R se descargaron a una computadora
personal usando el software Polar Pro Trainer5 (versión 5.40.171,
Finlandia) y se analizaron usando el software Kubios HRV (versión 2.0,
Biosignal Ana ysis and Medical Imaging Group, Finlandia). Los latidos
ectópicos ocasionales se reemplazaron automáticamente con valores
de intervalo R-R adyacentes interpolados. El análisis espectral de
potencia se realizó en los datos utilizando un algoritmo de transformada
rápida de Fourier tradicional y un método paramétrico basado en
modelos de series temporales autorregresivas para establecer la
potencia (ms2 ) en distintas bandas de frecuencia: el rango de alta
frecuencia (HF) (HF = 0,15–0,40 Hz ) y el rango de baja frecuencia
(LF) (LF = 0,04–0,15 Hz). La relación HRV se determinó como HF/LF.
Además, la desviación estándar de
13
Eur J Appl Physiol (2014) 114: 11–20
La variabilidad instantánea del intervalo R-R latido a latido medida a
partir de gráficos de Poincaré (SD1) (Huikuri et al. 1996) se calculó
durante los últimos 3 min del período de reposo de 5 min como un
índice HRV relacionado con la vagancia (Tulppo et al. 1996). al. 1996).
Debido a la dificultad técnica, solo se recopilaron datos de seis
participantes.
Ajuste del modelo
El modelo de sistemas invariantes en el tiempo utilizado en este estudio
se ha descrito previamente (Busso 2003). Este modelo asume que el
término de ganancia del efecto de fatiga está matemáticamente
relacionado con la dosis de entrenamiento utilizando un filtro de primer
orden. La salida de rendimiento se puede describir como
nÿ1 nÿ1
pˆn = pÿ + k1 wi eÿ(nÿi)/ ÿ1 ÿ ki 2wi eÿ(nÿi)/ ÿ2
yo=1 yo=1
en el que el valor de k2 en el día i se estima por recursión matemática
utilizando un filtro de primer orden con términos de ganancia k3
y una constante de tiempo ÿ3 :
I
ki2 = k3 wj eÿ(iÿj)/ ÿ3
j=1
Los parámetros para el modelo se determinaron ajustando los
rendimientos del modelo con los rendimientos reales usando el método
de mínimos cuadrados usando la función Solver en Microsoft Excel
(Microsoft, Redmond, EE. UU.). El conjunto de parámetros del modelo
se determinó minimizando la suma residual de cuadrados entre el
rendimiento modelado y el rendimiento real (RSS):
norte
2
RSS = pn - pn ,
n=1
donde n toma el valor de N correspondiente a los días de medición del
desempeño real. La minimización sucesiva del RSS con una cuadrícula
de valores para cada constante de tiempo proporcionó el conjunto total
de parámetros del modelo.
Análisis estadístico
Se desarrollaron modelos para cada atleta y se usaron los valores de
bondad de ajuste para determinar el mejor modelo de ajuste a partir de
las medidas de carga de entrenamiento basadas en rTSS, HR o RPE.
2
El coeficiente de determinación (r ), dar
ing la variación explicada por el modelo, se calculó para establecer la
bondad de ajuste para el modelo. Las correlaciones intraindividuales
entre las diversas medidas reales y previstas de rendimiento, estado
físico y fatiga se analizaron utilizando el coeficiente de correlación de
Pearson. Se adoptaron los siguientes criterios para interpretar la
magnitud de la
Machine Translated by Google

Eur J Appl Physiol (2014) 114: 11–20 15

correlación (r) entre las medidas de la prueba: <0,1 trivial, 0,1–0,3 pequeña, 0,65 ± 0,13 (Tabla 3) para los métodos de entrada rTSS, sRPE y TRIMP,
0,3–0,5 moderada, 0,5–0,7 grande, 0,7–0,9 muy grande y 0,9–1,0 casi respectivamente. Las correlaciones intraindividuales entre cada uno de estos
perfecta. Las diferencias entre las correlaciones medias intraindividuales entre métodos no fueron significativamente diferentes entre los métodos (p = 0,33).
cada uno de los métodos se evaluaron utilizando un ANOVA unidireccional

con Tukey HSD post hoc para localizar las diferencias. La significación
estadística se fijó en p < 0,05. Todos los datos se presentan como media ±
SD a menos que se indique lo contrario.
Resultados
Se analizaron quinientas cuarenta y dos sesiones de entrenamiento
individuales durante el período de investigación. Los individuos completaron
un promedio de 77 ± 20 sesiones de entrenamiento individual con una
duración de entrenamiento semanal de 389 ± 168 min y una distancia de
entrenamiento semanal de 68 ± 36 km. Este entrenamiento dio como resultado
una mejora del 5,4 ± 2,6 % en el rendimiento de la prueba contrarreloj de
1500 m (pre 5:33 ± 0:30, post: 5:08 ± 0:31 min:s).
El rendimiento modelado se correlacionó significativamente con el rendimiento
real de cada atleta, con correlaciones promedio de 0,70 ± 0,11 (Tabla 1), 0,60
± 0,10 (Tabla 2) y
El consumo máximo de oxígeno no cambió significativamente (51,7 ± 4,5
ml kg-1 min-1 frente a 51,3 ± 6,1 ml kg-1 min-1 ,
p > 0,05). El fitness medido por HRsubmax disminuyó de manera no
significativa de 77,9 ± 5,1 a 74,8 ± 5,5 % durante el estudio (p > 0,05, Fig.
1a). Las tablas 2 y 3 muestran que hubo correlaciones moderadas entre las
medidas de condición física modeladas y reales (HRsubmax) para los métodos
sRPE (ÿ0,43 ± 0,37) y TRIMP (ÿ0,48 ± 0,39), respectivamente. Además, el
RPEsubmax no cambió significativamente (11,7 ± 1,0 a 11,3 ± 1,4, de la
semana 1 a la semana 15) durante el período de prueba y hubo pequeñas
correlaciones con la condición física modelada usando cada uno de los
métodos de entrada de carga de entrenamiento (p > 0,05, Fig. 1b ). Finalmente,
no hubo cambios significativos en la FCreposo del grupo durante el estudio.
Sólo hubo correlaciones triviales entre FCdescanso
y modelaron los resultados de fitness utilizando cualquiera de las diferentes
medidas de carga de entrenamiento (Tablas 1, 2, 3).
Usando el subconjunto de fatiga del cuestionario POMS, los atletas
informaron fluctuaciones sustanciales en el estado de fatiga

Tabla 1 Correlaciones individuales y medias ± SD (r) entre el rendimiento, la condición física y la fatiga modelados y reales utilizando rTSS como método de entrada de la
carga de entrenamiento

Tema Relaciones de rendimiento con fitness modelado Relaciones con la fatiga modelada

FC submáx. HRdescanso RPEsubmáx. POMONES Fatiga relación VFC SD1

1 0.75 ÿ0,14 ÿ0,33 0.36 ÿ0,10 0.06 0.06 0.02

2 0,55 0.02 ÿ0,48 0.20 0.16 0.41 0.75 ÿ0,59
3 0,60 ÿ0,57 0.06 ÿ0,57 ÿ0,16 ÿ0,33 0.13 ÿ0,75
4 0.82 ÿ0,41 0.13 ÿ0.01 ÿ0.02 0.16 ÿ0.03 ÿ0,67

5 0,63 0.29 ÿ0,44 ÿ0,62 ÿ0,27 ÿ0,27 0.00 ÿ0.01

6 0,69 ÿ0,74 0.99 ÿ0,76 ÿ0,19 ÿ0,43 – –

7 0.84 ÿ0,72 ÿ0,35 ÿ0,23 0,65 0.43 0.44 ÿ0,40

Media ± DE 0,70 ± 0,11 ÿ0,32 ± 0,39 ÿ0,06 ± 0,52 ÿ0,23 ± 0,43 0,01 ± 0,31 0,00 ± 0,35 0,23 ± 0,31 ÿ0,40 ± 0,33

Tabla 2 Correlaciones individuales y medias ± SD (r) entre el rendimiento, la condición física y la fatiga modelados y reales utilizando sRPE como método de entrada de la
carga de entrenamiento

Tema Relaciones de rendimiento con fitness modelado Relaciones con la fatiga modelada

FC submáx. HRdescanso RPEsubmáx. POMONES Fatiga relación VFC SD1

1 0.52 ÿ0.02 ÿ0,39 0.26 ÿ0,20 ÿ0,32 ÿ0.05 0.20

2 0,62 0.10 ÿ0,29 0.25 0.20 0.24 0.71 ÿ0,76

3 0,69 ÿ0,52 0.16 ÿ0,53 0.09 0.05 0.07 ÿ0,69

4 0,53 ÿ0,34 0.14 ÿ0,11 ÿ0,07 0.15 ÿ0,08 ÿ0,64

5 0,53 ÿ0,95 ÿ0,15 ÿ0,41 ÿ0.01 0.42 0.16 ÿ0,08

6 0.57 ÿ0,69 0,94 ÿ0,67 ÿ0,19 ÿ0,37 – –

7 0.77 ÿ0,58 ÿ0,25 ÿ0,21 ÿ0,74 0.02 ÿ0,74 ÿ0,83

Media ± DE 0,60 ± 0,10 ÿ0,43 ± 0,37 0,02 ± 0,46 ÿ0,20 ± 0,36 ÿ0,13 ± 0,30 0,03 ± 0,29 0,01 ± 0,47 ÿ0,47 ± 0,42

13
Machine Translated by Google

dieciséis
Eur J Appl Physiol (2014) 114: 11–20

Tabla 3 Correlaciones individuales y medias ± SD (r) entre el rendimiento, la forma física y la fatiga modelados y reales utilizando el TRIMP de Banister como método de
entrada de la carga de entrenamiento

Tema Relaciones de rendimiento con fitness modelado Relaciones con la fatiga modelada

FC submáx. HRdescanso RPEsubmáx. POMONES Fatiga Relación VFC SD1

1 0.78 ÿ0,14 ÿ0,37 0.29 ÿ0,17 ÿ0.02 0.09 ÿ0.05

2 0,55 0.04 ÿ0,47 0.17 0.18 0.48 0.76 ÿ0,72

3 0,66 ÿ0,56 0.09 ÿ0,57 ÿ0,11 ÿ0,29 0.00 ÿ0,65

4 0,67 ÿ0,27 0.18 ÿ0,17 0.21 0.35 0.08 ÿ0,65

5 0.54 ÿ0,95 ÿ0,12 ÿ0,40 0.05 ÿ0,39 0.30 ÿ0,29

6 0.51 ÿ0,72 0,95 ÿ0,76 ÿ0,36 ÿ0,28 – –

7 0.86 ÿ0,73 ÿ0,38 ÿ0,21 ÿ0,67 ÿ0,07 ÿ0,68 ÿ0,90

Media ± DE 0,65 ± 0,13 ÿ0,48 ± 0,36 ÿ0,02 ± 0,49 ÿ0,24 ± 0,38 ÿ0,12 ± 0,31 ÿ0,03 ± 0,33 0,09 ± 0,47 ÿ0,54 ± 0,31

Fig. 1 Fitness medio ± DE (a

HRsubmax, b HRrest yc RPE
submax ) y fatiga (d fatiga POMS,
e relación HRV y f SD1) medidas
durante el estudio de 15 semanas

a lo largo del período de entrenamiento de 15 semanas (rango 7-20). Sin Los métodos TRIMP (ÿ0.59 ± 0.31, Tabla 3) se utilizaron como métodos
embargo, no hubo cambios de grupo en las puntuaciones de fatiga de de entrada. No hubo cambios de grupo significativos en SD1 durante el
POMS durante el período de estudio (Fig. 1d). Notablemente, sin estudio (Fig. 1f).
embargo, estas medidas mostraron correlaciones triviales con la fatiga
modelada utilizando cada uno de los diversos métodos de entrada de
carga de entrenamiento. De manera similar, la relación HRV no estuvo Discusión
relacionada con la fatiga modelada en este estudio (Fig. 1e). Por el
contrario, hubo correlaciones de moderadas a grandes entre las medidas El propósito de este estudio fue comparar la validez de tres métodos
de fatiga modeladas y reales usando SD1 cuando tanto sRPE (ÿ0.48 ± 0.39, Tabla
comunes
2) como
para cuantificar la carga de entrenamiento (es decir,

13
Machine Translated by Google
Eur J Appl Physiol (2014) 114: 11–20
rTSS, sRPE y TRIMP) utilizando un enfoque de modelo de sistemas.
Este estudio también examinó la influencia de las diversas entradas de
carga de entrenamiento en los resultados reales del entrenamiento (es
decir, rendimiento, estado físico y fatiga) en comparación con los
predichos por el modelo. Los principales resultados demostraron grandes
correlaciones entre cada uno de los diferentes métodos para cuantificar
las cargas de entrenamiento y el rendimiento de carrera modelado. En
particular, las relaciones entre rTSS y el rendimiento fueron ligeramente
mayores que las de ambos métodos para cuantificar la carga de
entrenamiento interna (es decir, sRPE y TRIMP). Estos resultados
contrastan con la teoría común del entrenamiento que sugiere que es el
estímulo interno el que determina la adaptación al entrenamiento (Booth
y Thomasson 1991; Viru y Viru 2000; Impel Lizzeri et al. 2005). Una
posible explicación de la relación reducida entre los métodos de carga de
entrenamiento interno y el rendimiento puede atribuirse a la confiabilidad
de medición relativamente baja de la escala CR10 Borg para estimar la
intensidad del ejercicio y/o la incapacidad de los métodos genéricos de
HR para ajustar la condición física individual. características de
presentación.
Recientemente hemos observado un alto error de medición del RPE
de la sesión utilizando la escala CR-10 (CV 28,1 %) en comparación con
la FC (CV 3,9 %) durante el ciclismo de resistencia (Wallace et al. 2013)
y con protocolos de carrera intermitente (CV 31,9 %). %) (Scott et al.
2013). Más específicamente, hemos observado una pobre sensibilidad a
pequeños cambios en la intensidad durante el ejercicio de moderado a
intenso con esta escala. En el presente estudio, el 63 % de todas las
sesiones de entrenamiento se clasificaron como 'moderadas a duras', lo
que puede haber influido en el ajuste entre el rendimiento modelado y el
real. Por lo tanto, la combinación del mayor error de medición de la escala
CR-10 RPE junto con la sensibilidad reducida de la escala a intensidades
moderadas a altas puede explicar la relación reducida entre el sRPE y el
rendimiento de carrera previsto.
También se han informado niveles relativamente bajos de confiabilidad
test-retest para el HR TRIMP genérico de Banisters (15,6 % CV) en
individuos sanos que realizan entrenamiento de ciclismo en estado
estacionario en un entorno de laboratorio (Wallace et al. 2013).
En particular, sin embargo, la confiabilidad del método HR TRIMP mejoró
cuando se ajustó para tener en cuenta las diferencias individuales en los
umbrales ventilatorios [es decir, TRIMP de Banister (15,6 % CV) versus
TRIMP de Lucia (10,7 % CV)] (Wallace et al. 2013). Además, también se
ha demostrado que las cargas de entrenamiento calculadas a partir de
las relaciones FC-lactato individuales (es decir, el TRIMP individual
basado en FC) en lugar del TRIMP de Banister estaban relacionadas con
ambos cambios en la forma física (velocidad de carrera y 2 y 4 mmol L).
ÿ1 de lactato en sangre) y el rendimiento de carrera (pruebas contrarreloj
de 5.000 y 10.000 m) en ocho corredores de larga distancia durante un
período de entrenamiento de 9 semanas (Manzi et al. 2009). Tomados en
conjunto con estas observaciones previas, los presentes hallazgos
sugieren que la relación entre los métodos HR TRIMP y los resultados
del entrenamiento
17
puede mejorarse si el cálculo de TRIMP se modifica para tener en cuenta
los umbrales fisiológicos individuales. La ausencia de este proceso
individualizado en el presente estudio puede explicar la reducida relación
entre el método TRIMP y el rendimiento de la carrera de resistencia.
También se recopiló la velocidad de carrera, que luego se expresó
como una medida arbitraria de la carga de entrenamiento externa
utilizando el rTSS. Similar a los métodos TRIMP individualizados, el rTSS
calcula la dosis de entrenamiento multiplicando la duración del
entrenamiento por la intensidad del mismo. Sin embargo, a diferencia de
TRIMP y sRPE, el rTSS calcula la intensidad del entrenamiento usando
un factor de intensidad calculado a partir de un porcentaje del ritmo de
carrera 'umbral' de un individuo. El rTSS se basa en el TSS, donde la
intensidad del ejercicio se calcula a partir de medidas de potencia
normalizadas (Allen y Coggan 2006). El TSS se adaptó originalmente del
TRIMP de Banister y se ha informado que es apropiado para monitorear
el entrenamiento individual (Allen y Coggan 2006). Si bien el presente
estudio es el primero en examinar la relación entre el rTSS y el rendimiento
de carrera, estudios previos han utilizado con éxito el TSS para cuantificar
la carga de entrenamiento en ciclismo (MacLeod y Sunderland 2009) y
carrera (McGregor et al. 2009). En este estudio, la relación entre rTSS y
el rendimiento modelado fue la más fuerte de cada uno de los métodos
de carga de entrenamiento. Las asociaciones mejoradas entre el rTSS en
comparación con los métodos sRPE y HR TRIMP probablemente se
explican por la capacidad del rTSS para ajustar las diferencias en las
características de rendimiento individuales y la confiabilidad de medición
mejorada de los podómetros en comparación con los otros métodos de
cuantificación de la carga de entrenamiento.
Si bien los métodos de carga de entrenamiento interna parecen ser
teóricamente sólidos para cuantificar la carga de entrenamiento
(Impellizzeri et al. 2005; Viru y Viru 2000), se requiere más trabajo para
determinar los factores de ponderación apropiados para los métodos de
HR y para aumentar la confiabilidad de la medición cuando se usan
medidas perceptivas . para evaluar la intensidad del ejercicio. Es posible
que la sustitución de la escala CR-10 por la CR100 o 6–20
Las básculas RPE pueden, en parte, abordar este problema. De hecho,
aunque el presente estudio muestra que el rTSS se relaciona mejor con
el rendimiento previsto, se requiere más investigación para evaluar la
eficacia de esta herramienta en una cohorte diferente de atletas con
diferentes objetivos de entrenamiento.
El segundo propósito de esta investigación fue examinar las relaciones
entre las medidas reales y predichas de condición física y fatiga utilizando
un enfoque de modelado de sistemas para evaluar las respuestas al
entrenamiento. Se observaron correlaciones moderadas entre la
HRsubmax y la condición física predicha cuando se usaron TRIMP y
sRPE como entradas de entrenamiento. Es ampliamente reconocido que
la FC submáxima disminuye con el entrenamiento de resistencia en
poblaciones adultas y estos cambios se atribuyen en gran medida a la
disminución de la actividad simpática del corazón (Carter et al. 2003) y al
aumento del volumen plasmático (Covertino 1991). A pesar de esto,
varios estudios previos sólo han
13
Machine Translated by Google
18
mostraron cambios pequeños a moderados en la FC submáxima en atletas
de resistencia entrenados después de períodos de entrenamiento intensivo
(Buchheit et al. 2010; Uusitalo et al. 1998; Swaine et al.
1994). Se sugirió que el entrenamiento provoca diferentes efectos en los
índices de condición física que limitan la eficacia de la HRsubmax como
marcador de la condición física cardiovascular. Estos hallazgos previos
pueden explicar la relación moderada entre HRsubmax
y la condición física predicha utilizando los métodos de entrada de carga
de HR y sRPE en el presente estudio. En conjunto, los hallazgos actuales
respaldan el uso de HRsubmax como una prueba de condición física
simple y válida para evaluar los cambios en la condición física de los
corredores de resistencia; sin embargo, la fuerza moderada de las
correlaciones indica que se pueden requerir otras medidas para monitorear
con precisión cómo responde un atleta al entrenamiento.
Muchos estudios han demostrado que la FCreposo disminuye
ligeramente después del entrenamiento de resistencia (Uusitalo et al.
1998; Buchheit et al. 2010; Wilmore et al. 2001). Este fenómeno se ha
atribuido a la disminución de la ritmicidad intrínseca del corazón ya un
aumento del predominio del control parasimpático (Smith et al. 1989). A
pesar de esto, no se observaron relaciones entre la FCreposo real y el
estado físico modelado en los corredores del presente estudio. Estos
hallazgos están de acuerdo con investigaciones previas que no muestran
disminuciones en la FCreposo luego de períodos de entrenamiento
intensivo (Melanson y Freedson 2001; Fry et al. 1992; Zavorsky 2000). La
falta de concordancia entre los resultados de estos estudios puede deberse
a las diferencias en el entrenamiento realizado por los participantes y/o las
diferencias interindividuales del estado de entrenamiento de los atletas.
Además, dado que la FCreposo también puede verse influenciada por
factores como la edad, la hidratación y las condiciones ambientales, el
presente estudio no respalda el uso de la FCreposo como un marcador
idiosincrásico de la aptitud cardiovascular.
La variabilidad de la frecuencia cardíaca representa la variación latido
a latido en los intervalos R-R y se usa ampliamente como medida no
invasiva de la actividad del sistema nervioso autónomo (Achten y
Jeukendrup 2003). Investigaciones recientes se han centrado en la
efectividad de la HRV para evaluar la adaptación al entrenamiento a nivel
de atletas individuales (Hau tala et al. 2010; Buchheit et al. 2011; Buchheit
et al. 2010) y guiar el entrenamiento de forma individual (Kiviniemi et al. ,
2009, 2007). Observamos correlaciones de moderadas a grandes entre la
variabilidad instantánea latido a latido (SD1) y la fatiga prevista cuando se
usaron sRPE y TRIMP como entradas de carga de entrenamiento. Sin
embargo, en contraste, no hubo relaciones significativas entre la fatiga
predicha y la mayoría de los otros índices HRV (es decir, HF, LF, rMSSD,
SD2, datos no informados) dentro de los dominios de tiempo y frecuencia.
La falta de asociación entre estas medidas con modelos
la fatiga puede deberse al nivel de fatiga acumulada que puede no haber
sido suficiente para alterar los cambios en la función autonómica cardíaca
o al gran ruido de estas medidas cuando se evalúan en un entorno de
campo. Mientras que el SD1
13
Eur J Appl Physiol (2014) 114: 11–20
Los resultados indican que esta medida puede proporcionar un método
objetivo y no invasivo para evaluar la fatiga a corto plazo en atletas de
resistencia, la mayoría de las medidas de HRV tienen una eficacia práctica
baja cuando se usan para monitorear el entrenamiento en el campo.
Se han utilizado herramientas psicológicas como el cuestionario de
perfil de estados de ánimo (POMS) para evaluar los estados de ánimo en
poblaciones atléticas (Martin et al. 2000; Hooper et al. 1997). A partir de
estas investigaciones, se han establecido varios vínculos entre los cambios
en las puntuaciones de fatiga de POMS en atletas que realizan períodos
de entrenamiento intenso (Martin et al. 2000; Liederbach et al. 1992) o
que muestran síntomas de sobreentrenamiento o estancamiento (Hooper
et al. 1997). Sin embargo, en el presente estudio, se observó una mala
relación entre el subconjunto de fatiga de POMS y la fatiga prevista.
Estos resultados son similares a un estudio anterior que examinó la
relación entre el subconjunto de fatiga de POMS y las predicciones de
fatiga utilizando un enfoque de modelado (Wood et al. 2005). Los autores
anteriores informaron una correlación moderada entre el subconjunto de
fatiga de POMS y la fatiga prevista, pero solo proporcionaron datos de un
solo corredor en el que se tomaron diez medidas de fatiga (POMS) durante
un período de entrenamiento de 12 semanas. La fuerza reducida en esta
correlación se atribuyó a la incapacidad del subconjunto de fatiga para
detectar la fuente de la fatiga (es decir, fatiga global frente a fatiga inducida
por el entrenamiento). La correlación más pobre en el presente estudio en
comparación con Wood et al. (2005) puede explicarse por el mayor número
de medidas POMS tomadas de los corredores en este estudio (10 versus
15). Es importante destacar que algunos individuos en este estudio
exhibieron correlaciones de grandes a moderadas entre la fatiga predicha
para el subconjunto POMS con cada una de las entradas de carga de
entrenamiento. Sin embargo, colectivamente, la falta de relación entre los
subconjuntos de fatiga POMS y la fatiga prevista sugiere que estas
medidas son insensibles a pequeños cambios en la fatiga acumulada en
atletas entrenados. Puede ser que otras herramientas psicométricas que
evalúan la fatiga relacionada con el deporte, en lugar de los estados de
ánimo, como el RESTQ-sport (Kellmann y Kallus 1993), el análisis diario
de las demandas de vida de los atletas (DALDA) (Rushall 1990) o el El
cuestionario de angustia de entrenamiento (Main y Grove 2009) son más
apropiados para evaluar la fatiga relacionada con el entrenamiento en
atletas de resistencia. En particular, el RESTQ-sport puede ser más
apropiado para monitorear el entrenamiento, ya que evalúa los
componentes tanto del estrés como de la recuperación. También es
posible que una limitación del modelo utilizado en este estudio sea que no
tiene en cuenta la influencia de las prácticas de recuperación en el
rendimiento, la condición física y la fatiga.
Hay algunas limitaciones de este estudio que deben ser reconocidas.
Primero, la eficacia del modelo matemático en sí consta de varias
limitaciones que pueden reducir su adecuación. En general, se informa
que se requiere una gran cantidad de pruebas de rendimiento para obtener
un ajuste estable en el modelo. De hecho, se ha sugerido que entre 20 y
Machine Translated by Google
Eur J Appl Physiol (2014) 114: 11–20
Se requieren 200 pruebas de rendimiento en poco tiempo para obtener
un modelo robusto (Taha y Thomas 2003). Si bien medimos el
rendimiento 15 veces, lo cual es alto en comparación con la mayoría
de los otros estudios de modelado, la estabilidad del modelo puede ser
inadecuada para describir verdaderamente las relaciones de manera
confiable. Dado que sería prácticamente irreal aumentar sustancialmente
el número de pruebas de rendimiento máximo con atletas en un entorno
de entrenamiento normal, este enfoque solo puede limitarse a estudios
de laboratorio. En segundo lugar, aunque se hicieron intentos razonables
para controlar el entorno de la prueba de rendimiento, no se pudieron
controlar todos los factores. Es posible que factores como el clima (es
decir, la temperatura, el viento, etc.) y la motivación de los atletas hayan
afectado el rendimiento de la prueba contrarreloj de 1500 m
independientemente de los otros factores evaluados en este estudio y,
por lo tanto, también influya en el rendimiento. relaciones entre el
modelo y el rendimiento real. Finalmente, los atletas en este estudio
eran atletas de resistencia que no compiten regularmente en eventos
relativamente cortos como contrarreloj de 1500 m ni entrenan para
estos eventos. Por lo tanto, es posible que la falta de especificidad en
la prueba de rendimiento pueda haber reducido la fuerza del resultado
de rendimiento de impulso de entrenamiento para estos atletas.
Conclusiones
Los principales hallazgos de este estudio son que hubo grandes
relaciones entre cada uno de los diferentes métodos para cuantificar
las cargas de entrenamiento y el rendimiento de carrera modelado. Sin
embargo, en particular, las relaciones entre el rTSS y el rendimiento
modelado de la prueba contrarreloj de 1500 m fueron ligeramente
mayores que las de ambos métodos para cuantificar la carga de
entrenamiento interno (es decir, sRPE y TRIMP). Desde un punto de
vista práctico, estos resultados sugieren que es importante seleccionar
una medida confiable de la carga de entrenamiento y que los métodos
para cuantificar la carga deben ajustarse para tener en cuenta las
características individuales de los atletas. Sin embargo, se deben
considerar otros factores, como la utilidad práctica, al monitorear a los
atletas (particularmente en grupos grandes). Por lo tanto, RRHH
y, en particular, el método de sesión-RPE puede ser una opción práctica
adecuada para monitorear la carga en un entorno de entrenamiento.
Las relaciones moderadas entre algunas de las variables de condición
física (es decir, %HRmax) y fatiga (es decir, SD1) indican que estos
marcadores pueden ser útiles para monitorear a los atletas para
comprender mejor su respuesta al proceso de entrenamiento. En
conjunto, estos resultados sugieren que cada uno de los métodos
utilizados en este estudio es apropiado para monitorear la dosis de
entrenamiento en atletas de resistencia. Sin embargo, los entrenadores
y científicos deben ser conscientes de que, idealmente, las medidas de
Soy J Physiol Heart Circ Physiol 298(3):H874–H880. hacer: 10.11
la carga de entrenamiento deben ser confiables y tener en cuenta las diferencias.
en las características fisiológicas/de rendimiento individuales de los
atletas.
19
Agradecimientos Los autores desean agradecer al Dr. Chris Barnes del Instituto
Australiano del Deporte por su experiencia en el desarrollo de las hojas de cálculo de
modelado personalizadas utilizadas en este estudio.
Referencias
Achten J, Jeukendrup AE (2003) Monitoreo del ritmo cardíaco: aplicaciones y limitaciones.
Deportes Med 33 (7): 517–538
Allen H, Coggan A (2006) Entrenamiento y carreras con un medidor de potencia.
Velo Press, canto rodado
Aubert AE, Seps B, Beckers F (2003) Variabilidad de la frecuencia cardíaca en atletas.
Sports Med 33 (12): 889–919 (pii 33123)
Banister EW (1991) Modelado del rendimiento atlético de élite. En: Green HJ, McDougal
JD, Wenger HA (eds) Pruebas fisiológicas de atletas de élite. Human Kinetics,
Champaign, págs. 403–424
Banister EW, Calvert TW, Savage MV, Bach T (1975) Un modelo de sistemas de
entrenamiento para el rendimiento atlético. Aust J Sports Med Ejercicio Sci 7:57–61
Booth FW, Thomasson DB (1991) Adaptaciones moleculares y celulares del músculo en
respuesta al ejercicio: perspectivas de varios modelos.
Physiol Rev 71(2):541–585
Borg G (1973) Esfuerzo percibido: una nota sobre "historia" y métodos.
Deportes de ciencia médica 5 (2): 90–93
Borg GAV, Hassmen P, Langerstrom M (1985) Esfuerzo percibido en relación con la
frecuencia cardíaca y el lactato sanguíneo durante el ejercicio de brazos y piernas.
Eur J Appl Physiol 65:679–685
Borresen J, Lambert MI (2009) La cuantificación de la carga de entrenamiento, la
respuesta al entrenamiento y el efecto sobre el rendimiento. Sports Med 39(9):779–
795. doi:10.2165/11317780-000000000-00000
Buchheit M, Chivot A, Parouty J, Mercier D, Al Haddad H, Laursen PB,
Ahmaidi S (2010) Supervisión del rendimiento de la carrera de
resistencia mediante la función parasimpática cardíaca. Eur J Appl
Physiol 108(6):1153–1167. doi:10.1007/s00421-009-1317-x
Buchheit M, Simpson MB, Al Haddad H, Bourdon PC, Méndez-Vil·lanueva A (2011)
Monitorización de los cambios en el rendimiento físico con medidas de frecuencia
cardíaca en jugadores de fútbol jóvenes. Eur J Appl Physiol. doi:10.1007/
s00421-011-2014-0
Busso T (2003) Relación dosis-respuesta variable entre el entrenamiento físico y el
rendimiento. Med Sci Sports Ejercicio 35 (7): 1188–1195
Busso T, Thomas L (2006) Uso de modelos matemáticos en la planificación del
entrenamiento. Int J Sports Physiol Realizar 1 (4): 400–405
Busso T, Carasso C, Lacour JR (1991) Adecuación de una estructura de sistemas en el
modelado de los efectos del entrenamiento en el rendimiento. J Appl Physiol
71(5):2044–2049
Calvert TW, Banister EW, Savage MV, Bach T (1976) Un modelo de sistemas de los
efectos del entrenamiento en el rendimiento físico. IEEE Trans Syst Man Cibern 6:
94–102
Carter JB, Banister EW, Blaber AP (2003) Efecto del ejercicio de resistencia sobre el
control autonómico de la frecuencia cardíaca. Medicina Deportiva 33(1):33–46
Covertino VA (1991) Volumen sanguíneo: su adaptación al entrenamiento de resistencia.
Med Sci Sports Ejercicio 23: 1338–1448
Foster C, Héctor LL, Welsh R, Schrager M, Green MA, Snyder AC
(1995) Efectos del entrenamiento específico versus cruzado en el rendimiento de
carrera. Eur J Appl Physiol 70(4):367–372
Fry RW, Morton AR, García-Webb P, Crawford GP, Keast D (1992)
Respuestas biológicas al entrenamiento de sobrecarga en deportes de resistencia.
Eur J Appl Physiol 64(4):335–344
Hautala AJ, Karjalainen J, Kiviniemi AM, Kinnunen H, Makikallio TH, Huikuri HV, Tulppo
MP (2010) Actividad física y variabilidad de la frecuencia cardíaca medidas
simultáneamente durante las horas de vigilia.
52/ajpheart.00856.2009
Hooper SL, Mackinnon LT (1995) Supervisión del sobreentrenamiento en atletas:
recomendaciones. Medicina Deportiva 20(5):321–327
13
Machine Translated by Google
20
Hooper SL, Mackinnon LT, Hanrahan S (1997) Estados de ánimo como indicación de
estancamiento y recuperación. Int J Sports Psychol 28(1):1–12
Huikuri HV, Seppanen T, Koistinen MJ, Airaksinen J, Ikaheimo MJ, Castellanos A,
Myerburg RJ (1996) Anomalías en la dinámica latido a latido de la frecuencia
cardíaca antes del inicio espontáneo de taquiarritmias ventriculares potencialmente
mortales en pacientes con miocardio previo dial de infarto. Circulación 93 (10):
1836–1844
Impellizzeri FM, Rampinini E, Marcora SM (2005) Fisiólogos cal evaluación del
entrenamiento aeróbico en el fútbol. J Sports Sci 23 (6): 583–592
Jeukendrup AE, Saris WHM, Brouns F, Kester ADM (1996) Una nueva prueba de
rendimiento de resistencia validada. Med Sci Sports Ejercicio 28 (2): 266–270
Jobson SA, Passfield L, Atkinson G, Barton G, Scarf P (2009) El análisis y la utilización
de datos de entrenamiento de ciclismo. Sports Med 39 (10): 833–844.
doi:10.2165/11317840-000000000-00000
Kellmann M, Kallus KW (1993) El cuestionario de estrés de recuperación: una
herramienta potencial para predecir el rendimiento en los deportes. En: Nitsch
JR, Seiler R (eds) Movimiento y deporte: fundamentos y efectos psicológicos.
Academia, San Agustín, págs. 242–247
Kiviniemi AM, Hautala AJ, Kinnunen H, Tulppo MP (2007) Entrenamiento de resistencia
guiado individualmente por mediciones diarias de variabilidad de la frecuencia
cardíaca. Eur J Appl Physiol 101(6):743–751. doi:10.1007/
s00421-007-0552-2
Kiviniemi AM, Hautala AJ, Kinnunen H, Nissila J, Virtanen P, Kar jalainen J, Tulppo
MP (2009) Prescripción diaria de ejercicio basada en la variabilidad de la
frecuencia cardíaca entre hombres y mujeres. Ejercicio deportivo Med Sci.
doi:10.1249/MSS.0b013e3181cd5f39
Lambert MI, Borresen J (2006) Una base teórica para monitorear la fatiga: un enfoque
práctico para entrenadores. Int J Sports Sci Entrenador 1 (4): 371–387
Liederbach M, Gleim GW, Nicholas JA (1992) Monitoreo del estado de entrenamiento
en bailarines profesionales de ballet. J Sports Med Phys Fit 32(2):187–195
MacLeod H, Sunderland C (2009) Equilibrio de líquidos y hábitos de hidratación de
jugadoras de élite de hockey sobre césped durante partidos internacionales
consecutivos. J Fuerza Cond Res 23(4):1245–1251. hacer: 10.15
19/JSC.0b013e318192b77a
Main LC, Grove JR (2009) Un modelo de evaluación de componentes múltiples para
monitorear la angustia de entrenamiento entre los atletas. Eur J Sport Sci
9(4):195–202
Manzi V, Iellamo F, Impellizzeri F, D'Ottavio S, Castagna C (2009)
Relación entre los impulsos de entrenamiento individualizados y el rendimiento
en corredores de fondo. Med Sci Sports Ejercicio 41(11):2090–
2096. doi:10.1249/MSS.0b013e3181a6a959
Martin DT, Andersen MB, Gates W (2000) Uso del perfil de estados de ánimo (POMS)
para monitorear el entrenamiento de alta intensidad en ciclistas: estudios grupales
versus de casos. Psicología deportiva 14: 138–156
McGregor SJ, Weese RK, Ratz IK (2009) Modelado de rendimiento en un finalista
olímpico de 1500 m: un enfoque práctico. J Fuerza Cond Res 23 (9): 2515-2523.
doi:10.1519/JSC.0b013e3181bf88be
13
Eur J Appl Physiol (2014) 114: 11–20
McNair DM, Lorr M, Droppleman LF (1971) Perfil EITS para estados de ánimo. Servicio
de Pruebas Educativas e Industriales, San Diego
Melanson EL, Freedson PS (2001) El efecto del entrenamiento de resistencia sobre la
variabilidad de la frecuencia cardíaca en reposo en hombres adultos sedentarios.
Eur J Appl Physiol 85(5):442–449
Morton RH, Fitz-Clarke JR, Banister EW (1990) Modelado del rendimiento humano al
correr. J Appl Physiol 69(3):1171–1177
Noble BJ, Robertson RJ (1996) Esfuerzo percibido. cinética humana,
champán
Rushall BS (1990) Una herramienta para medir la tolerancia al estrés en atletas de
élite. J Appl Sport Psychol 2(1):51–66
Scott TJ, Black CR, Quinn J, Coutts AJ (2013) Validez y confiabilidad del método de
sesión-RPE para cuantificar el entrenamiento en el fútbol australiano: una
comparación de las escalas CR10 y CR100. J Fuerza Cond Res 27(1):270–276.
doi:10.1519/JSC.0b013e3182541d2e
Skiba PF (2006) Cálculo de la producción de potencia y cuantificación del estrés de
entrenamiento en corredores de distancia: el desarrollo del algoritmo GOVSS.
http://www.physfarm.com/govss.pdf.
Consultado el 5 de mayo de 2011
Smith ML, Hudson DL, Graitzer HM, Raven PB (1989) Bradicardia durante el
entrenamiento físico: el papel del equilibrio autonómico. Med Sci Deportes
Ejercicio 21 (1): 40–44
Swaine IL, Linden RJ, Mary DA (1994) La pérdida de bradicardia inducida por el
entrenamiento físico con mejora continua en el estado físico. J Sports Sci 12 (5):
477–481
Taha T, Thomas SG (2003) Modelado de sistemas de la relación entre entrenamiento
y desempeño. Deportes Med 33 (14): 1061–1073
Tulppo MP, Makikallio TH, Takala TE, Seppanen T, Huikuri HV (1996) Análisis
cuantitativo latido a latido de la dinámica de la frecuencia cardíaca durante el
ejercicio. Am J Physiol 271(1 Pt 2):H244–H252
Uusitalo AL, Uusitalo AJ, Rusko HK (1998) El entrenamiento de resistencia exhaustivo
durante 6 a 9 semanas no indujo cambios en la frecuencia cardíaca intrínseca ni
en la modulación autonómica cardíaca en atletas femeninas. Int J Sports Med 19
(8): 532–540
Viru A, Viru M (2000) Naturaleza de los efectos del entrenamiento. En: Garret WE Jr,
Kirkendall DT (eds) Ejercicio y ciencia del deporte. Lippincott Williams Wilkins,
Filadelfia, págs. 67–95
Wallace LK, Impellizzeri FM, Slattery KM, Coutts AJ (2013) Estableciendo la validez
de criterio y la confiabilidad de los métodos comunes para cuantificar la carga de
entrenamiento. J Fuerza Cond Res (en prensa)
Wilmore JH, Stanforth PR, Gagnon J, Rice T, Mandel S, Leon AS, Rao DC, Skinner
JS, Bouchard C (2001) Cambios en la frecuencia cardíaca y la presión arterial
con el entrenamiento de resistencia: el estudio familiar HERITAGE. Med Sci
Sports Ejercicio 33 (1): 107–116
Wood RE, Hayter S, Rowbottom D, Stewart I (2005) Aplicación de un modelo
matemático para la adaptación al entrenamiento en un corredor de fondo.
Eur J Appl Physiol 94:310–316
Zavorsky GS (2000) Evidencia y posibles mecanismos de alteración de la frecuencia
cardíaca máxima con entrenamiento de resistencia y reducción gradual. Medicina
Deportiva 29(1):13–26