摘要
本研究引入了一个多时间尺度的机械模型，用于量化耐力运动过程中接近性能极限的程度。该模型通过一组滚动平均值来表示功率输出，每个平均值都与一个特征时间常数相关联，并识别出在任何给定时间接近其历史最大值的主要组成部分。为了验证这一框架，研究人员从21名男性职业自行车手在为期11天的训练营中收集了实际数据。使用前10天的数据构建了多个时间尺度上的个体最大平均功率（MMP）曲线。在最后一天，自行车手完成了一个疲劳测试（约2000千焦的工作量），随后进行了3分钟和12分钟的最大功率测试。在运动过程中，计算了每个指数加权组成部分与其相应历史最大值之间的比率，并利用最大比率来追踪接近性能极限的程度。在测试结束时，3分钟和12分钟努力的这一比率分别达到了98.6%（94.3%–101%）和101%（98.5%–103%）（中位数和四分位数范围），表明他们正逐渐接近最大性能能力。值得注意的是，在两次测试中，主要组成部分都对应于一个较慢的时间尺度（约1小时），而不是与努力持续时间相匹配的组成部分。这些发现表明，性能极限是由多个时间尺度的相互作用产生的，而不仅仅取决于任务的持续时间或强度。这一框架将传统的MMP使用方式从事后描述性工具扩展为实时动态的性能能力测量方法。
亮点
-
引入了一个基于多个时间尺度上机械功率输出滚动平均值的模型，以连续量化当前运动强度与历史观察到的性能极限之间的差距。
-
最大性能被定义为当前和历史响应在所有考虑的时间尺度上的最大比率达到100%的点，表明系统的至少一个组成部分已经达到了其之前的最大值。
-
该模型使用了21名职业自行车手的数据进行评估，这些自行车手在进行了旨在引起先前工作量积累的疲劳测试后，进行了3分钟和12分钟的最大功率测试。
-
该模型通过考虑先前强度和持续时间的累积效应，描述了运动过程中性能极限的动态变化，从而能够识别出接近或远离性能极限的时间尺度。
利益冲突
A.Z.、P.B.L.和F.K.持有Athletica（https://athletica.ai/）的股票，这是一个在线训练平台，该平台实现了名为“Athletica Workout Reserve (TM)”的模型。该模型也可作为Garmin IQ应用程序（https://apps.garmin.com/apps/c9a93545-7db0-4a1b-b955-21db19edbf9d?tid=2）使用，用于实时监控与最大平均功率（自行车）或速度（跑步）相关的Workout Reserve。访问实时应用程序需要注册免费试用或订阅Athletica平台的月度/年度会员。该平台对于在训练或比赛前构建和同步功率/速度曲线至关重要。为了保护公司的知识产权，Athletica上实现了该模型的略微修改版本，具体细节保持保密。
数据可用性声明
如需获取支持本研究发现的数据，可向相应作者提出合理请求。
