數據驅動訓練 | Data-driven Personal Training

數據驅動訓練 | Data-driven Personal Training

 

數據驅動訓練 Data-driven Personal Training

 

現在有許多運動穿戴式設備幫助我們追蹤許多數據，如動態步伐、訓練工作量以及睡眠習慣，我們究竟該不該仰賴這些數據，在設計訓練計畫的同時將其攝為基準點來進行設計參考？還是應該要仰賴於專家教練的建議及知識更好？但或許答案不會是只有一個正確解答，而是可以將兩者相輔相成結合成一個更好的解決方式。

 

在Merriam-Webster辭典內將直覺定義為”在沒有明顯地理性思考或推論情況下獲得直接知識或認知的力量或能力，我們每日都在使用這種方式來確認類似的事物。絕大多數人都相信自己的頭腦能夠告訴自己，什麼是真實及何者為否。訓練時是否確實計算了所有次數和組數？究竟有沒有按照需要的進度執行訓練？為什麼這個訓練程序對A有效果，另一個則沒有？我們可以從這裡看到雖然直覺/自我認知能夠決定很多事情，不過仍具有盲點。這正是數據應該要切入的地方。

 

近十年來，眾多來自於應用程式和可穿戴設備的健康及健身數據報告都可以看到一個結果。當訓練者有效地使用大量健康和健身數據時，我們能夠看到健康方面的積極且有力的變化。更深入地思考來看，如果我們在運動時使用可穿戴設備如GPS追蹤系統或是運動傳感器，大量的實際數據就能夠隨時被我們分析使用。從心跳、步數到睡眠時間，每一次使用甚至是每秒都在生成可利用數據，我們現在該使用這些數據，來幫助訓練者個體化地改善或提升自身健康狀況。我們有機會創建一種非傳統式、更準確、有效和激勵性的訓練方式。透過這些數據我們可以驗證量化運動員能力，且更了解並有效實施適合運動個體的訓練或健身程序。

 

在此稱其為＂數據驅動的個體化訓練＂（data-driven personal training；DDPT）。

 

常見的可穿戴設備收集數據形式，能幫助指導運動員實現健康及運動目標像是步伐數、心率、睡眠時間和質量、熱量消耗、體重及心率變率等。而使用數據來進行訓練個體化，這對於現在的職業運動領域來說已不再是新鮮事。每天都有職業球隊或專業培訓隊伍在使用。與不使用數據收集者相比，使用數據者決策報告達顯著改善的可能性高達三倍之多。

 

該如何開始？

首先要知道不要害怕這些技術或是於這些收集到的數據缺乏理解會無法利用。其實一般來說市面上的運動數據收集設備都比想像中的平易近人。這裡我們使用每日總步伐數來當作一個數據收集案例，這是我們最常聽到也最常有所誤解的一個簡單日常訓練。是否都有聽過或是給過他人意見關於每日要至少走1000步來維持日常健康活動的建議？這裡有趣的地方在於這個建議幾乎是沒有科學根據，也並無有效的數據證據能夠支持該建議。實際上，2019年一項研究表示，僅只要少於萬步的步數約4400個，就可能足以改善健康狀況。因次我們可以知道使用數據驅動的方式，能夠為我們帶來更加準確及個體化的建議。

 

以下我們就以推薦步數作為訓練模型，來創建一個如何使用數據且簡單益操作的漸進式訓練計畫：

第一步：設立基準

首要之務就是要先確認基準線。首先我們在第一周內先追蹤個體步伐數。這個目的不是要立刻讓我們嘗試改善而只是要知道基準點為何。舉例來說，可能A在這當作基準點的一週追蹤數據是平均每日5000步。

第二步：設定目標

建立活動者的每日基準線目標後，要開始設立每周目標。要是立刻制定一個過於激進例如要每週達到8000步共5天可能反而會過猶不及。在實際實行層面上來看，建議是超出基準線目標的10%是較為可行的做法。就前述A的5000步來看，設立的目標就會設立成每日5500步。不過這也可能基於不同個體有所差異，唯一確定方式就是經過嘗試後進行確認或修改。

第三步：追蹤

在確認好今後的週目標之後，我們就可以開始追蹤每日步數是否有完成目標數量。有許多種手機應用程式或可穿戴設備，能夠進行此類的日常工作量查看。我們可以在設置好目標次數後，不用過度在意的進行數據追蹤並任意查看。

步驟四：刷新並再次執行

在經過了一週追蹤之後，重新挑戰或調整下周的漸進目標，我們可以再次使用相同的百分比增加來進行進度安排或是其他更適合活動者的安排。

 

結論：DDPT數據驅動方法的優勢在於容易執行及維護。我們可以隨意改變變量如增長的百分比、使用的應用程序或可穿戴設備、基準點的測量期間(時間長短)或是測量的健康指標。無論改動了何種變量，此方式都具有效用。

 

參考自： www.acefitness.org/education-and-resources