-本篇研究刊載於NSCA七月份期刊 (Journal of Strength and Conditioning Research)
VBT訓練(velocity-based training)是近年來非常流行的趨勢。
傳統上,我們習慣將強度、休息時間、訓練量、組數、動作順序,當成調整課表的變量。
VBT訓練的概念,則是將以往較常忽略的速度、加速度…等元素給參考進去。「動作的執行速度」並非一般課表上常見的重點,對賽場上分秒必爭的運動員卻佔有非常重要的影響力。
拜現今科技所賜,過去高昂的實驗室設備也越來越容易入手。利用器材直接或間接(例如,功率/作用力,可以得到速度)的方式紀錄,監測速度這件事不再只是紙上談兵,因此VBT的概念在國外也逐漸流行起來。
VBT的好處?
- 因應賽季,挑選適合的重量
當處於賽季中,如果同樣的功率輸出下,可以較輕的重量執行較快的速度,我們大可避免讓身體承受過多的負荷。
- 利用速度預測1RM
越來越多的研究,證實利用特定重量的執行速度來預測1 RM是非常準確的,但目前這方面的研究仍就算少。與本文相關的〝引體向上X VBT〞的研究目前僅有一篇。
接下來介紹一個在VBT很常見的名詞–MCV (mean concentric velocity)
因為大部分的向心動作都有加速與減速的部分,所以以平均速度來表示向心動作似乎比較合理。在VBT訓練中,探討的速度也都泛指MCV;畢竟一個動作成功與否,大都以向心的動作為定義。
另一個也很常討論的是MVT (minimum velocity threshold),指的是最後成功的那一下速度,也就是力竭前最後一下的MCV。但目前個人看下來,MVT還有很多地方待證實。
本篇研究的目的在驗證引體向上的速度是否可以用來預測引體向上最大次數的值
邏輯發想非常有趣:
- 特定重量做到沒力->可以推算1RM
- 特定重量做的速度->可以推算1RM
結合以上兩點,是否可以假設【特定重量做的速度】&【特定重量做到沒力】之間有些關係?
引體向上最大次數的測驗非常常見。如果推論成真,受益的將會是需要定期檢測的族群,例如,軍、警、消防…等。這些龐大的族群,如果使用拉到力竭的測驗法,將會耗費很多時間。如果只需要拉一下即可預測最大次數,那除了可以省下時間外,也不容易讓身體疲勞。
並且,除了引體向上外,也代表可延伸運用在其他測驗最大次數的檢測上(例如,伏地挺身)
研究對象:
原本受測者男、女性共56位,最終留下來的研究對象有49位。
這之間淘汰的七位可能因為不符合其中規定退出:無傷痛、近48小時內無進行上肢訓練、至少能完成兩下引體向上
受測者資料如下:
- 49 位受測者(age 24.3 ±4 , height 171.5 ± 8.0 cm, body mass 77.9 ± 12.5 kg)
其中
- 42位男性資料(age 24.4 ±5 [age range: 19–37 歲], height 173.3± 6.9 cm, body mass 79.5 ± 12.4 kg)
- 7位女性資料(age 24.1 ±5, height 160.5 ±5.4 cm, body mass 68.3 ± 8.5 kg)
測驗前,紀錄身高/體重/年齡/引體向上的訓練年資/自己估計的最大次數,並在熱身之前,先告知標準化的引體向上規則。依序【制定的暖身】後,進行【一下引體向上】,休息後再進行【引體向上至失敗】
【制定的暖身流程】:
採用輔助式引體向上的機器
- 2組5下 50% 自身體重
- 1組3下 75% 自身體重
- 1組1下 100% 自身體重
- (每組間休息90-120秒。在熱身過程中,不斷要求正確規定的引體向上動作)
【測驗】:
熱身後休息20分鐘,再進行測驗
- 1組執行一下、1組執行到力竭(兩組間休息2分鐘,記錄最佳的MCV)
引體向上的規則為:
- 準備動作
- 使用正手(overhand),放置在稍微大於肩膀寬的位置
- 每一下都從懸吊開始,手肘完全伸直,肩膀完全屈曲,提高肩帶
- 雙腳放在身體後方,腳踝交叉,膝蓋屈曲
- 一旦進入正確的準備動作,受測者迅速地執行向心階段的引體向上,不能擺盪或踢腳
- 下巴過槓->向心階段結束
- 向心完成後,受測者依自己舒服的速度,緩慢地離心回到原本位置
- 每一下之間約暫停約1 秒鐘的時間
使用器材:GymAware PowerTool—紀錄線性速度。
將GymAware PowerTool 綁在單槓的正中間,連結在受測者的腰帶前方,兩次拉單槓的第一下速度(MCV)皆會記錄,挑選最快的那一次來分析。小型攝影機(HD Pro Webcam C920; Logitech Inc., Lausanne, Switzerland)會架設在單槓等高的位置,檢視動作標準。
引體向上最終結果:
- 3 ± 5.6 pull-ups (成績範圍在 1–25下)
有了這49個樣本數(一下的速度&實際拉到力竭的次數)後,接下來就可以去假設公式,釐清速度與預測最大次數之間的關係
一開始先用最簡單的線性假設公式來預測(X是速度,Y是最大次數)
-
Y = β0+ β1X + ε
再來將性別考慮進去,設計出兩種不同的模組(公式)
一種是僅假設性別影響起始點,但斜率一樣
-
Adjusted model:Y = β0 + β1 X + β2 Z + ε
- Z=1 代表男性-> Y = (β0 + β2 )+ β1 X + ε
- Z=0 代表女性-> Y = β0 + β1 X + ε
另一種則是假設起始點與斜率皆不同,白話來說就是不同性別使用不同的直線(預測公式)
-
Multiplicative model:Y = β0 + β1 X + β2 Z + β3 XZ + ε
- Z=1 代表男性-> Y = (β0 + β2 )+ ( β1 + β3 ) X + ε
- Z=0 代表女性-> Y = β0 + β1 X + ε
這三種公式之間作數據分析後,得到下圖
可以知道線性公式是最符合結果的(誤差值最小 & AIC值越小代表和預測引體向上越有關係)
各公式的參數值如下
沒錯,不同的性別居然使用了同樣的公式。
但確實,Mayhew et al. (17)就曾發現在套用1RM預測公式時,將男性套用在女性的公式會有些問題,男性的預測公式對女性倒是普遍適用。呼應以上論點,在這篇研究中我們也發現性別並沒有造成太大的差異。
無論是,男性與女性的身體表現是否影響到RM和1RM間關係,或是load-velocity和1RM的關係,這些都還是不明朗的。在這篇研究中也僅有7位女性資料,難下定論。可以保證的是,未來要再更針對性別做討論,來確定公式是適用男性與女性
除了性別以外,本篇文獻所得到的公式依舊有使用上的限制
限制因素:訓練背景&年齡差距(18-37歲)
儘管每人都有肌力訓練的習慣,也都有做pull up/pull down( ≥ 1次/每周),仍舊有很大的拉單槓級距(1-25下),或許是因為這樣造成heteroscedasticity(意即,速度越快,預測出來的次數與實際誤差越大)和預測平均標準誤差 2.07 下。
除此之外,最終得到的預測公式,或許也僅適用於和本實驗相同年齡(18-37歲)的人士,與實際可能動輒有40、50歲的軍、警、消防族群不符。
這些限制因素,最好的改善辦法就是盡量挑選類似的族群來做實驗,縮小個體間的差異(例如,弱雞或是神力女超人出現的機率),以免因為幾位特例人士影響結果公式。因應不同對象,創造適合的預測公式,這些都有待未來科學家們完成這龐大的資料庫。屆時,一般教練或是選手可直接透過現有的預測公式來計算自己的引體向上次數。
#GYMEFIT
#內部教育訓練
#內訓真好玩
#內訓使我強大
#Jeff教練
#一起變強
#不斷追求完美進化
REFERENCES:
1. Akaike, H. A new look at the statistical model identification. IEEE Trans Automatic Control 19: 716–723, 1974.
2. Allen, DM. Mean square error of prediction as a criterion for selecting variables. Technometrics 13: 469, 1971.
3. Breusch, TS and Pagan, AR. A simple test for heteroscedasticity and random coefficient variation. Econometraica 47: 1287–1294, 1979.
4. Bureau of Land Management. Blm Standards for Fire Training and Workforce Development. Washington, D.C: U.S. Department of the Interior, 2017.
5. Carroll, KM, Sato, K, Beckham, GK, Triplett, NT, Griggs, CV, and Stone, MH. Relationship between concentric velocities at varying intensity in the back squat using a wireless inertial sensor. J Trainology 6: 9–12, 2017.
6. Crewther, BT, Kilduff, LP, Cunningham, DJ, Cook, C, Owen, N, and Yang, GZ. Validating two systems for estimating force and power. Int J Sports Med 32: 254–258, 2011.
7. Davies, T, Orr, R, Halaki, M, and Hackett, D. Effect of training leading to repetition failure on muscular strength: A systematic review and meta-analysis. Sports Med 46: 487–502, 2016.
8. Drinkwater, EJ, Galna, B, McKenna, MJ, Hunt, PH, and Pyne, DB. Validation of an optical encoder during free weight resistance movements and analysis of bench press sticking point power during fatigue. J Strength Cond Res 21: 510–517, 2007.
9. Gonzalez-Badillo, JJ, Marques, MC, and Sanchez-Medina, L. The importance of movement velocity as a measure to control resistance training intensity. J Hum Kinet 29A: 15–19, 2011.
10. Gonzalez-Badillo, JJ and Sanchez-Medina, L. Mov ment velocity as a measure of loading intensity in resistance training. Int J Sports Med 31: 347–352, 2010.
11. Hori, N, Newton, RU, Kawamori, N, McGuigan, MR, Kraemer, WJ, and Nosaka, K. Reliability of performance measurements derived from ground reaction force data during countermovement jump and the influence of sampling frequency. J Strength Cond Res 23: 874–882, 2009.
12. Jidovtseff, B, Harris, NK, Crielaard, JM, and Cronin, JB. Using the load-velocity relationship for 1rm prediction. J Strength Cond Res 25: 267–270, 2011.
13. Jovanovic, M and Flanagan, EP. Researched applications of velocity based strength training. J Aust Strength Cond 22: 58–69, 2014.
14. Kutner, M, Nachtsheim, C, Neter, J, and Li, W. Applied Linear Statistical Models. (5th ed.). New York, NY: McGraw-Hill/Irwin, 2004.
15. LeSuer, DA, McCormick, JH, Mayhew, JL, Wasserstein, RL, and Arnold, MD. The accuracy of prediction equations for estimating 1-rm performance in the bench press, squat, and deadlift. J Strength Cond Res 11: 211–213, 1997.
16. Mann, JB, Ivey, PA, and Sayers, SP. Velocity-based training in football. Strength Cond J 37: 52–57, 2015.
17. Mayhew, JL, Johnson, BD, Lamonte, MJ, Lauber, D, and Kemmler, W. Accuracy of prediction equations for determining one repetition maximum bench press in women before and after resistance training. J Strength Cond Res 22: 1570–1577, 2008.
18. Nakagawa, S, Schielzeth, H, and O’Hara, RB. A general and simple method for obtaining r2 from generalized linear mixed-effects models. Methods Ecol Evol 4: 133–142, 2013.
19. Roy, TC, Springer, BA, McNulty, V, and Butler, NL. Physical fitness. Mil Med 175: 14–20, 2010.
20. Sanchez-Medina, L and Gonzalez-Badillo, JJ. Velocity loss as an indicator of neuromuscular fatigue during resistance training. Med Sci Sports Exerc 43: 1725–1734, 2011.
21. Sanchez-Medina, L, Gonzalez-Badillo, JJ, Perez, CE, and Pallares, JG. Velocity- and power-load relationships of the bench pull vs. Bench press exercises. Int J Sports Med 35: 209–216, 2014.
22. Sanchez-Moreno, M, Rodriguez-Rosell, D, Pareja-Blanco, F, MoraCustodio, R, and Gonzalez-Badillo, JJ. Movement velocity as indicator of relative intensity and level of effort attained during the set in pull-up exercise. Int J Sports Physiol Perform 0: 1–23, 2017.
23. Smith, DL. Firefighter fitness: Improving performance and preventing injuries and fatalities. Curr Sports Med Rep 10: 167–172, 2011.
24. Stone, M. Cross-validatory choice and assessment of statistical predictions. J R Stat Soc 36: 111–147, 1974.
25. Thomas, GA, Kraemer, WJ, Spiering, BA,Volek, JS, Anderson, JM, and Maresh, CM. Maximal power at different percentages of one repetition maximum: Influence of resistance and gender. J Strength Cond Res 21: 336–342, 2007.