上海自行车短组运动员冬训过程监控及效果评价

2014-01-01戚雅茜仰红慧龚铭新

体育科研 2014年5期

戚雅茜，仰红慧，龚铭新

自行车运动属于体能主导类中的速度和耐力性项目[1]。已知的文献中，关于自行车项目冬训进行多方面监测的研究及评价的文章仍然较少。从多方面对自行车冬训过程进行监控，为更全面地分析训练强度、训练种类等与运动员专项能力变化的内在关系提供了良好的基础。本文在对自行车运动员冬训过程进行监控的基础上尝试将新的数据分析方法应用到自行车的训练监控中，为教练提供科学的分析，作为更深入分析运动训练情况、调整训练计划的科学依据。

1 研究对象与方法

1.1 研究对象

上海自行车队短组男子运动员9名，身体健康，详细情况见表1。

表1 研究对象基本情况Table Ⅰ Basic Information of the Subjects

1.2 仪器与设备

1.2.1 功率车

采用英国产的Wattbike pro型号的功率车，功率车的制动系统采用空气和电磁双重制动，其测试的平均精度误差小于2%。

1.2.2 SRM测试系统

SRM系统是自行车数据收集分析系统(Schoberer RadMesstechnik training system，简称SRM系统)，可以同步收集运动员在实际骑行状态下的输出功率、骑行速度和踏蹬频率。SRM系统的采样频率设置为0.5 s。功率数据精度为1 W，速度测试精度为0.1 km/h。

1.2.3 血细胞分析仪

贝克曼库尔特AC•T diff-2TM三分类血球分析仪，由美国Backman Coulter公司生产的三分群血细胞分析仪。

1.3 测试方法

跟队采集日常训练数据，期间共包含13个周。记录每天进行场地训练或功率车训练的训练强度和训练类型，用SRM系统和Wattbike功率车采集训练过程中的功率、踏频、速度等运动学数据，每周进行一次血常规检查。所得数据进行平均值与标准差计算。

1.4 建立B P神经网络模型

数据来源为训练过程中使用的风阻值、训练时间、血红蛋白含量、白细胞、冬训经历的周数以及训练过程中达到的功率和踏频的最大值及平均值，5类共550个数据，随机选取中间500个作为训练样本，另外50个作为测试输入。训练结果的功率和踏频，功率与踏频的平均值和最大值各220个数据，都各将其中200个作为训练时的目标样本，剩余的作为对比使用。对数据进行归一化处理，采用公式：

χi与χmax是输入样本中第i个的值和样本中的最大值，为样本个数，归一化处理使得数据的范围处于[-1,1]，然后进行神经网络训练，误差水平定为10-3。神经网络方法的建模和预测工作在MATLAB 7.12软件环境中完成。

训练时网络中间层的神经元传递函数采用S型正切函数tansig，输出层神经元传递函数为线性函数purelin，利用newff函数生成网络，设定学习算法为traingdm。在采用相同的学习步骤情况下，经过对选取不同隐含层数的神经网络进行计算比较，发现具有一个隐含层的神经网络最为理想。隐含层神经元数的确定根据Kolmogorov定理判断（如式）：

式中，m为输出神经元数；n为输入单元数；

α为[1，10]之间的常数。

2 研究结果

2.1 血常规测试结果

表2中的数据显示，前4周白细胞系各项指标的变化虽然有一定起伏，但变化不显著。第6周时中性粒细胞突然下降，且与第5周相比下降显著。第6周时是整个测试过程中值细胞数量最多的周且与第5周相比显著升高，数值达到(1.02±0.31) ×109/L。第13周时与12周相比，中值细胞出现了一次明显上升。由表2可以看出，红细胞系的各项指标除红细胞总数和红细胞体积分布宽的变化有显著性差异外，其他各项指标总数的变化都不显著。红细胞总数第9周的时候较第8周有明显的下降，而第10周与第9周相比又有明显的升高。红细胞体积分布宽度为反映红细胞体积大小异质性的参数，第10、11周出现了显著变化。

表2 血常规测试结果Table Ⅱ Result of Routine Blood Test

2.2 体重变化结果

自行车短组的体重变化数据显示，整个冬训期间男子的平均体重缓慢上升，但变化过程都不具有显著性差异（见表3）。

表3 冬训13周体重测量结果Table Ⅲ Result of Weight Measurement in the 13th Week of the Winter Training

2.3 运动学测试结果

图1为场地训练和wattbike功率车训练的总体情况，从最大功率、平均功率、最高踏频和平均踏频的变化趋势线可以看出，从第1周开始最大功率有一定的上升，至第3周时最大功率开始有所下降，第10周的最大功率为最低值，从第11周开始最大功率出现较明显的升高。平均功率的变化趋势线显示了整个训练过程平均功率整体有升高的趋势，但每周的变化起伏较大，前4周呈现上升趋势，而后又开始有小幅度的下降，冬训后期几周的平均功率有升有降，但总体趋势为平均功率不断升高。踏频的变化随着前期训练的持续呈现缓慢下降的趋势，第11周时最高踏频为最低，第12周和13周从数值看有明显的恢复。平均踏频的变化也在第11周时呈现出低值，随后两周的训练中平均踏频升高。

图1 训练总体情况Figure 1 General Information of the Training

2.4 训练负荷量统计

表4为冬训期间每周负荷的总体统计表，可以发现，整个冬训期间，专项能力训练的总时间为85 h，占训练总时间的45%。一般力量的训练时间为77 h，占总训练时间的比例为40%，专项力量训练和一般力量训练占了总体85%的比例，而有氧耐力训练仅为15%，总用时28.5 h。

表4 冬训期间总体负荷统计表Table Ⅳ Statistics of the General Load of the Winter Training

2.5 专项素质训练次数统计结果

根据训练目的结合自行车项目的特点，将专项素质训练进行更细微的分类，主要分为爆发力、快速力量、力量耐力和速度耐力。其中爆发力训练次数最多为134次，占总训练次数的46.53%；其次为快速力量共训练75次，占比例为26.04%；力量耐力训练共67次，占比例为23.26%；速度耐力训练次数较少共12次，占训练次数的4.17%（见表5）。

表5 各类专项素质训练次数统计表Table Ⅴ Statistics of the Training Times of the Different Quality Training

将专项素质按照每周的训练次数进行划分，图2显示每周都进行了快速力量的训练，但每周的次数不相同，前4周快速力量训练次数较少，第5周、第6周时快速力量训练的次数明显增加。从图中的柱状面积也能明显的发现，爆发力训练次数最多。快速力量和爆发力训练都在第7周时减少训练次数，而从第10周开始每周训练次数明显增加。力量耐力的训练情况与快速力量训练的情况较相似，速度耐力的训练次数较少。

图2 每周各类专项素质训练次数统计图Figure 2 Statistics of the Training Times of the Different Quality Training Each Week

2.6 数据挖掘结果

通过反复训练最终确定本次训练的最佳隐含神经元数为5。

利用建立的神经网络模型对第十四周的训练情况进行预测，预测值与实际值的比较如表6、7和图3～6所示。

表6 最大功率和最高踏频预测值与真实值对比结果Table Ⅵ Result of Comparing the Predictive Values of the Maximum Power & Highest Cadence and the Real Values

表7 平均功率和平均踏频预测值与真实值对比结果Table Ⅶ Result of Comparing the Predictive Values of the Average Power & Highest Cadence and the Real Values

图3 最大功率预测值与真实值对比曲线Figure 3 Curve Diagram of Comparing the Predictive Values of the Maximum Power with the Real Values

图4 最高踏频预测值与真实值对比曲线Figure 4 Curve Diagram of Comparing the Predictive Values of the Highest Cadence with the Real Values

图5 平均踏频预测值与真实值对比曲线Figure 5 Curve Diagram of Comparing the Predictive Values of the Average Cadence with the Real Values

从表中可以看出BP神经网络有较好的预测能力，无论是功率和踏频的最大值与平均值都有较好的预测能力，最大的预测误差为16.05%，最小误差为0.07%。最大功率、平均功率、最高踏频和平均踏频的预测值和真实值较相似。由图可以看出，预测值与真实值的曲线变化趋势一致，预测的数值点与真实值较好地重叠在一起。

3 分析与评价

3.1 冬训期间运动负荷量的变化

图6 平均功率预测值与真实值对比曲线Figure 6 Curve Diagram of Comparing the Predictive Values of the Average Power with the Real Values

我国现在的自行车场地比赛时间基本都安排在4～10月份，运动员全年应付比赛导致身心疲惫，缺乏休息调整和体能的储备时间[2]，所以冬训除了要恢复比赛期间损失的体能以外，主要目标大多都是提高专项力量、速度耐力和耐乳酸能力，为下一个赛季做好充分准备，故冬训时身体素质的训练比重一般较大。高玮[3]认为大运动量是冬训的特点，并建议冬训后期的训练安排以机体在赛前得到最大的超量恢复为目标，降低运动量，以少次大强度训练使运动员保持适宜的竞技状态，但又不引起运动员机体疲劳的积累。

本研究连续跟踪记录了3个月的冬训情况，发现冬训的训练负荷强度呈现阶梯式的增加，训练手段也随着负荷的增加而多样化。训练过程中采用多种供能方式间隔进行的训练方法，不同供能系统间隔的供能，不但减少单一供能系统的恢复时间，也使机体处于一种积极的恢复状态。组合训练还可避免单一练习带来的枯燥感，较长时间地保持训练的积极性。

3.2 冬训过程中血常规指标的变化

每周一进行血常规测试，因此血液测试指标的变化可以反应运动员对上周负荷的反应。血常规测试指标值随着运动负荷的变化而变化。冬训期间白细胞数目随运动负荷量而变化，当采用中小负荷训练时白细胞的变化随运动训练负荷量的升高而增多，随着负荷的下降而减少；当采用大负荷训练时，白细胞数随负荷的升高反而减少，当负荷恢复为中等负荷时白细胞值又开始恢复。冯连世等[4]研究认为白细胞在运动后出现一过性增高，淋巴细胞在大强度短时间运动后增高，中等强度较长时间运动后粒细胞增高，中性粒细胞比率升高到90%。而淋巴细胞百分比下降为5%时显现出精疲力竭。

在此次冬训过程中，全队运动员的血红蛋白量都处于正常水平。冬训的前期主要以中等强度进行训练，运动员的血红蛋白变化较平稳，没有出现明显的下降趋势，在冬训的后期，运动训练的负荷明显加大，特别是专项训练的次数和时间都与以往有明显增加，增加了场地训练的次数，因此出现了较明显的血红蛋白含量下降的变化，但训练持续一段时间后，血红蛋白含量开始有所恢复，提示虽然大负荷强度对运动员造成了较大的刺激，但训练持续的过程中，运动员对运动负荷能适应，身体可以得到较好的恢复。

3.3 冬训过程专项能力的变化

李之俊[5]在对短距离自行车运动的专项能力进行测试和评定时选用SRM系统作为评定工具，并将运动成绩、最大功率、最高踏频、平均功率和平均踏频作为评定专项能力的指标。因此本研究中，主要采用以上5个指标作为评价冬训期间专项素质变化的主要指标。本次冬训的主要目的为提高争先赛和凯林赛比赛成绩，因此提高快速力量、力量耐力和爆发力为本次冬训的重点。研究认为自行车短距离多数项目对速度耐力的要求较高，而运动员的有氧能力与专项耐力也存在一定的关系，专项耐力是以有氧代谢能力为基础的，自行车项目的有氧能力从专项耐力中表现出来，并且与运动成绩有密切的联系，所以在自行车训练中，不但要高度重视专项耐力训练，又要加强一般有氧能力的提高[6]。上海自行车短组运动员在冬训期间进行的有氧能力训练较少，有氧供能能力差直接导致了速度力量耐力差，不利团体竞速实力的发挥。

3.4 神经网络对训练效果的预测和评价

神经网络的优点为具有模拟多个变量，且不需要对输入变量做复杂的相关假定的能力。它不需要有专家经验，利用客观采集的数据，可以从训练过程中通过学习来抽取和逼近隐含的输入和输出非线性关系。从本文用神经网络训练数据得到的模型来看，可以比较精确地预测不同训练负荷、时间以及训练前运动员的血红蛋白和白细胞数情况等状态下，运动员在训练过程中的输出功率和踏频，也就可以较准确地对运动员在训练过程中的专项素质和能力变化做预测。在自行车比赛中，踏频决定了骑行速度，功率反应了运动员的专项能力，这两项指标在战术使用上有较大的参考意义。对功率、踏频以及其他更多指标进行模拟和预测，建立运动员运动训练的模型，对不同训练阶段和训练目标进行训练效果的预测，有利于更加科学的制定运动训练计划，同时还能对比赛成绩进行预测，提前制定相应的比赛战术。