2025年 第10期

残疾人越野滑雪专项训练负荷控制的相关性研究

高自翔1,2 孙冬1 顾耀东1*

1.宁波大学；

2.卡尔加里大学

摘 要

目的基于我国残疾人越野滑雪国家队运动员在备战2022年北京冬残奥比赛过程中的训练数据，探究优秀运动员室外滑雪专项训练内部负荷与外部负荷的相关关系，为快速预测残疾人越野滑雪国家队专项训练内部负荷提供简易手段。

方法采用便携传感器技术对8名残疾人越野滑雪国家队主力运动员（LW5/7级别4名、LW8级别1名、LW10级别1名、LW10.5级别1名、B2级别1名）主要备战时期（2020年8月—2021年8月）训练过程中的心率与加速度数据进行同步监控采集（n=290）。采用基于不同心率区域求和模型（summated heart rate zones， SHRZ）以及不同训练区域最大心率（maximum heart rate，HRmax）百分比的持续时间量化内部负荷。构建基于偏最小二乘回归（partial least squares regression， PLSR）的机器学习算法模型，训练并测试内部负荷预测精度，通过灵敏度分析探究内部负荷分布及幅值变化。

结果该算法模型对内部负荷预测具有较高的精度（训练集R2=85.71%， 测试集R2=93.32%）。残奥越野滑雪专项训练内、外部负荷呈线性相关，机器学习算法模型发现内部负荷指数随着加速次数（2.00～2.99 m/s2）增加逐步增加，随着减速次数（-1.99～-1.00 m/s2）增加而逐渐减小。中低负荷心率时长和加速次数（0.50～0.99 m/s2）、减速次数（-1.99～-1.00 m/s2）及总减速次数呈正相关，高负荷心率时长主要受训练中减速次数（-0.99～-0.50 m/s2）及总加速次数影响，总滑行距离对内部负荷及各心率区间的持续时长影响较小。

结论研究构建的PLSR机器学习算法模型可以在残奥越野滑雪专项训练中较为精准地（R2＞85%）通过外部负荷参数预测内部负荷指数及各心率范围持续时长。教练员可通过训练过程中不同速度区间加速次数预测内部负荷程度及不同心率范围持续时间，制定有针对性的训练计划，提升训练效率并降低伤病风险。

关键词残疾人；越野滑雪；专项训练；外部负荷；内部负荷

2022年北京冬残奥会上，我国残奥越野滑雪国家队获得了7金、6银、5铜，实现了我国冬残奥单板滑雪历史性的突破。第14届冬季残疾人奥林匹克运动会将于2026年在意大利米兰-科尔蒂纳丹佩佐举行。基于我国残疾人运动员在2022年北京冬残奥会越野滑雪项目上的优异成绩，残奥越野滑雪或将成为我国的重点夺牌项目。我国残疾人越野滑雪运动成绩突破速度较快，但与其他越野滑雪强国相比，该项目发展起步较晚，有待进一步夯实人才培养、科学化训练、科技助力等方面的基础。近年来，智能穿戴技术与数字技术的介入使得竞技体育运动监控更为直观，便携式设备的使用为训练过程生理学、生物力学等参数的实时监控打开了新的视角。考虑到越野滑雪运动同时具有有氧和无氧要求，需要具备变向 、加速、减速、跳跃、速滑、推杆等特定技能，使用不同模型测量运动员的运动需求和生理反馈，可以帮助教练员更加准确地获得关于个人和团队训练负荷的客观信息（Schelling et al.， 2016）。前人研究强调了训练负荷对提高运动成绩的重要性，以及不同训练阶段的强度安排所带来的成绩变化（岑炫震 等， 2020）。因此，运动负荷监控技术的进步对特定动作优化练习，避免过度训练综合征、训练不足及运动损伤预防具有较好的应用前景（Caparrós et al.， 2018；Scanlan et al.， 2014）。

为测量运动员的运动需求和反应，通常使用外部负荷和内部负荷两种不同的负荷单位进行量化（McLaren et al.， 2017）。外部负荷定义为运动员在训练或比赛中受到的外部刺激剂量（Soligard et al.， 2016）。近年来，全球定位系统（global positioning system， GPS）以及基于射频的加速度计、陀螺仪和磁力计等惯性测量单元（inertial measurement unit， IMU）是最为常见的外部负荷量化工具（Boyd et al.， 2011），其精准度及抗干扰性能已得到前人研究认可。有学者通过速度变化次数对运动员的外部负荷进行评估，采用这些设备与参数调整外部负荷，以减少运动员在赛季的运动损伤风险（Foster et al.， 2017）。另一方面，内部负荷是个体对外部刺激的生理和心理应激反应，急慢性负荷变化是运动员在训练过程中累积内部负荷的结果。前人研究发现，量化内部负荷可以在涉及重大生理和心理应激的运动中起到技术指导（Moreira et al.， 2012）、控制疲劳（Pyne et al.， 2011）以及预防损伤的作用（Ivarsson et al.， 2013）。

内部负荷可以通过不同的指标进行监控（Soligard et al.， 2016），如心率、摄氧量（V̇O2）、生化指标、主观疲劳感受以及各类型问卷等。有学者根据内部负荷特征设计出鲁棒性较高的量化评估算法模型，如 Banister（1991）所开发的基于心率变化的训练冲量（training impulse， TRIMP）模型以及Edwards（1994）开发的基于不同心率区域求和模型。此类模型可以帮助教练员更好地理解运动员具体需求以及个体的急慢性负荷变化，为负荷监控提供便捷。运动员的内部负荷受到个体训练需求的影响，较高的外部负荷值可能导致运动中和运动后的能量消耗增加。理解训练及比赛中外部负荷与 内部负荷之间的相互关系有助于明确运动员周期训练负荷安排，延长运动生涯（Burgess， 2017；McLaren et al.， 2017）。研究发现，内、外部负荷关系仅适用于特定训练模式，仿照其他运动项目的负荷安排进行训练周期设计可能导致内、外部负荷不耦合，进而影响训练效果，增加伤病风险（Weaving et al.， 2014）。已有研究针对不同项目健全人运动员的外部负荷与内部负荷进行了相关性分析（Bartlett et al.， 2016；McLaren et al.， 2017；Scanlan et al.， 2014），但鲜有针对残疾人越野滑雪运动员外部负荷与内部负荷的相关关系探究。由于残疾人竞技体育的特殊性，其运动负荷准确监控对于训练计划安排、运动表现提升以及伤病预防更为重要。残疾人运动员运动负荷的量化问题是提升残奥越野滑雪运动员训练效率的关键点，亟需通过数字化手段进行分析与挖掘。

厘清内、外部负荷之间的关系可能是提升训练效率的关键（McLaren et al.， 2017）。内、外部负荷相互关系并非等比例变化，有研究提出通过混合效应线性建模（Vandenbogaerde et al.， 2010）及主成分降维技术（Weaving et al.， 2014）进行数据挖掘，可以更好了解内、外部负荷的相互关系（McLaren et al.， 2017）。在预测运动员对训练负荷的反应方面，机器学习方法较传统统计方法优势明显（顾耀东 等， 2021；Bartlett et al.， 2016）。据此，本研究通过采集我国残疾人越野滑雪国家队部分主力队员备战关键时期（为期1年）训练过程中的内、外部训练负荷数据，构建机器学习算法模型，挖掘运动员外部负荷和内部负荷参数的相关关系。

1 研究对象与方法

1.1　研究对象

本研究纳入8名参加2022年北京冬残奥会的国家残奥越野滑雪队主力运动员 （表1），包括LW5/7、LW8、LW10、LW10.5及B2共5个分级。纳入运动员的健康状况良好，一年内无严重损伤与相关疾病发生。8名运动员日常训练计划主要包括越野滑雪专项训练、耐力训练、灵敏训练、力量训练等。本研究所纳入的运动员在2022年北京冬残奥会上取得了优异成绩，5名运动员在越野滑雪项目中共获得9枚奖牌（4金、1银、4铜）。其中，女子坐姿越野滑雪短距离项目获1枚金牌和1枚铜牌、中距离项目获1枚金牌、长距离项目获1枚金牌和1枚铜牌；男子自由技术站姿越野滑雪中距离项目获1枚金牌和1枚铜牌；男子传统技术站姿越野滑雪长距离项目获1枚银牌和1枚铜牌。

表1运动员人体测量学信息Table 1Basic Demographic Measurement Information of the Athletes

1.2　研究方法

采用纵向追踪设计，连续监测我国冬残奥会越野滑雪主力运动员在2020年8月1日—2021年8月1日间的心率及加速度训练负荷参数，该时期是我国备战北京冬残奥会的关键阶段。训练期间同步计算运动员的内部负荷和外部负荷参数。内部负荷通过SHRZ模型及不同训练区域最大心率（maximum heart rate，HRmax）百分比持续时间进行量化；外部负荷则基于训练中加速度传感器输出的不同加速范围的计数以及总训练距离等指标综合评价。所有训练均在户外环境中进行。

1.2.1　测试流程

使用Polar Team Pro便携设备（Polar Electro Oy， 芬兰）采集运动员的外部负荷和内部负荷基础数据。该设备集成了心率监测装置（采样频率为1 Hz）与加速度传感器（采样频率为200 Hz），所有数据均同步上传至Polar云端进行存储与管理。本研究仅纳入持续加速时间超过0.5 s的数据进行分析。在每次滑雪训练中，指导运动员正确佩戴与安装便携设备。传感器置于运动员胸前正中部位，具体佩戴位置如图1所示。

图1数据采集及测试流程Figure 1Data Collection and Testing Process

1.2.2　数据获取

外部负荷指标根据加速度计输出的加速和减速次数计算得出，分别分为第一水平加速（A-1， 0.50～0.99 m/s2），第二水平加速（A-2， 1.00～1.99 m/s2），第三水平加速（A-3， 2.00～2.99 m/s2），第四水平加速（A-4， 3.00～50.00 m/s2），第一水平减速（D-1， -0.99～-0.50 m/s2），第二水平减速（D-2， -1.99～-1.00 m/s2），第三水平减速（D-3， -2.99～-2.00 m/s2），第四水平减速（D-4，-50.00～-3.00 m/s2），总加速（Total_Ac，为A-1、A-2、A-3、A-4之和），总减速（Total_Dec，为D-1、D-2、D-3、D-4之和），总变速（Total A-D，为A-1、A-2、A-3、A-4、B-1、B-2、B-3、A-4之和）以及训练总距离，加速与减速水平的划分阈值是基于所有运动员整体运动强度评估设定的。

采用SHRZ模型量化内部负荷参数，并结合运动员在训练过程中各心率区间的持续时间进行分析。SHRZ模型将训练过程中的心率范围划分为5个心率区（图2），通过计算各心率区域内的累计时间（以分钟计），再乘以相应的权重因子，最终求和得出个体的内部负荷，计算公式如下：

其中，zone 1（心率区1）为50%～59%HRmax；zone 2（心率区2）为60%～69%HRmax；zone 3（心率区3）为70%～79%HRmax；zone 4（心率区4）为80%～89%HRmax；zone 5（心率区5）为≥90%HRmax。

图2心率区域划分Figure 2Heart Rate Zone Division

1.2.3　偏最小二乘回归（partial least squares regression，PLSR）模型构建

PLSR是一种基于主成分分析的回归建模方法，可用于将多个自变量应用于各因变量（响应集Y），或将多个自变量（预测集X）应用于 单个因变量（Quan et al.， 2021）。研究表明，PLSR模型在小样本情况下具有较好的预测能力，能够通过提取自变量和因变量的主成分有效减少共线性问题，并在数据噪声较大的情况下保持鲁棒性（Martens et al.，1998）。本研究采用PLSR以12个外部负荷参数作为预测变量（表2），6个内部负荷参数作为响应变量（表3），建立负荷指标之间的映射关系。

表2外部负荷预测变量Table 2External Load Predictor Variables

表3内部负荷响应变量Table 3Internal Load Response Variables

随后对原始数据矩阵X、Y进行标准化处理，便于消除变量量纲差异，以增强特征间的可比性及减少个体差异对模型训练的影响。首先，采用留一交叉验证法（leave-one-out cross validation）对预测集（外部负荷）与响应集（内部负荷）进行训练及测试以确定模型泛化性。基于确定的模型结构，使用总样本量中80%的数据进行最终模型训练，并将该模型应用于剩余20%的数据以进行独立测试（梅齐昌 等， 2019）。计算12个预测因子（外部负荷）的平均值（Xave）、最大值（Xmax）、最小值（Xmin），以及最大值和最小值的差值（Xdif =Xmax-Xmin） （表4）。为验证各外部负荷参数对内部负荷的影响程度，采用灵敏度分析，以10%Xdif为单位，在Xmin～Xmin＋110%Xdif范围内设置预测因子，评估响应集（内部负荷）的变化情况（表5）。

表4各预测变量的描述性统计Table 4Deive statistics of Each Prediction Variable

注：X ave.平均值；Xmax.最大值；Xmin.最小值；Xdif.最大值和最小值的差值；X1～X4为加速，X1. 0.50～0.99 m/s2， X2. 1.00～1.99 m/s2， X3. 2.00～2.99 m/s2， X4. 3.00～50.00 m/s2；X5～X8为减速，X5. -0.99～-0.50 m/s2， X6. -1.99～-1.00 m/s2，X7. -2.99～-2.00 m/s2， X8. -50.00～-3.00 m/s2；X9.总加速次数；X10.总减速次数；X11.总变速次数；X12.总训练距离；下同。

表5各预测变量的预测因子Table 5Predictor for Each Predictor Variable

第一步：应用均值为中心的输入空间（X）的（N×K）矩阵和均值为中心的输出空间（Y）的（N×J）矩阵建立PLSR。

式中，N为观察的数量总量（训练过程采集的290个训练样本），K为预测变量数（12个外部负荷参数），J为响应变量个数（6个内部负荷参数），H为模型所提取主成分数量，T为预测集得分矩阵，P为预测集正交载荷矩阵，U为响应集的得分矩阵，Q为响应集的正交荷载矩阵，E为预测集的残差矩阵， F为响应集的残差矩阵。

第二步： 在得到相应的归一化矩阵后，需要提取相应的分量。在该PLSR模型中通 过交叉验证确定H个用于建模的主成分（Xu et al.， 2020）。预测残差的平方和如下：

式中，

表示第j个响应变量的预测残差平方和，p为响应变量总数。

Y在使用H个主成分时的预测误差平方和为：

式中，

表示第j个因子的响应总平方和。根据主成分分析，当达到最小值时，对应的成分应满足PRESS（H）＞SS（H），SS（H）＜SS（H-1）。基于此，PRESS（H）/SS（H-1）的值应尽量小。

交叉验证的预测能力指标的计算公式为：

当

＜

时，认为模型精度已满足要求，终止提取，以确定所需的最优主成分数（Xu et al.， 2020）。

1.2.4　统计学分析

以1年训练周期中每名运动员单次训练为一个样本量，总样本量n=290，采用Kolmogorov-Smirnov Test进行正态性检验（α=0.05）。采用自编PLSR分析算法探究我国8名冬残奥越野滑雪主力运动专项训练过程中的内部负荷与外部负荷相互关系。数据分析采用MATLAB R2018a （The MathWorks， 美国）进行。

2 结果

2.1　PLSR模型预测精度分析

通过训练集中的内部负荷参数数据对PLSR模型进行留一检验法交叉验证。结果显示（图3），模型可解释85.71%的内部负荷数据。SHRZ参数以及心率区间1～5的累计时间的均方根误差（root mean square error，RMSE）分别为79.43、11.39、12.47、15.23、18.16和8.09。在进一步测试中，模型使用新的20%内部负荷测试集数据集，预测准确度提高至93.32%。SHRZ以及心率区1～5的累计时间的RMSE分别为66.98、9.10、11.16、11.76、13.37和14.90，显示了模型在新数据上具有更高预测精度和准确性。

图3PLSR模型内部负荷参数训练集（A）与测试集（B）预测准确性Figure 3The Prediction Accuracy of Training （A）and Testing Dataset （B）of Internal Load Parameters in the PLSR Model

2.2　PLSR模型预测灵敏性分析

基于12个外部负荷参数摄动因子的PLSR模型灵敏度分析结果如图4所示。通过预测因子从Xmin递增至Xmin＋110%Xdif所对应响应因子的趋势变化，得出以下结果：1）在训练过程中，A-3次数增加、Total_Dec次数增加导致的SHRZ指数增幅最大；相反，D-2次数增加使SHRZ指数下降。2）心率区1（50%～59%HRmax）持续时间随D-2、Total_Dec、Total A-D次数增加而延长，但在D-1和A-1次数增加时则显著减少。3）在相同训练条件下，心率区2（60%～69%HRmax）持续时间随着A-1、D-1及Total_Ac次数增加而减少，但随着A-2、D-2、Total_Dec及Total A-D次数增加而显著增加；此外，A-3和D-3对该心率区域的正向影响相对平缓。4）在心率区3（70%～79%HRmax）中，随着A-1、D-1、Total_Dec次数增多，持续时间增加，而A-2、D-2和Total_Ac次数增多会使持续时间缩短，其中Total_Ac的影响最为显著。5）心率区4（80%～89%HRmax）持续时间随着A-1、A-2、D-1、Total_Dec及Total A-D次数增多而延长；然而，随着A-3、D-2及Total_Ac次数增加，该心率区域持续时长缩短，其中D-2影响最大。6）在心率区5（＞90%HRmax），持续时间随D-1及Total_Ac次数增加而延长，但在A-1、Total_Dec及Total A-D次数增多时减少。7）总训练距离仅对心率区4持续时长有轻微的正向影响，对其他各心率区域及SHRZ影响均不明显。

图4基于外部负荷参数摄动因子的PLSR模型灵敏性分析Figure 4Sensitivity Analysis of a PLSR Model under External-Load Parameter Perturbations

3 讨论

探索训练量与强度内、外部负荷之间的联系对于运动训练剂量的精准把控十分重要，同时也可以为内部负荷设置的有效性以及合理性提供依据。本研究通过构建机器学习模型，对我国残疾人越野滑雪国家队主力运动员在备战2022年北京冬残奥会关键时期（为期近1年）的训练负荷监控数据进行分析。研究发现，PLSR模型可以较好地预测训练负荷，残疾人越野滑雪运动员训练过程中的内、外部负荷呈现强相关性。这可能是由于，运动过程中维持肌肉收缩功能的能力在很大程度上依赖于外周系统所提供的底物和氧气的累积供应，增加了氧气消耗和心输出 量（Bartlett et al.， 2016）。

在训练和比赛中，更高的外部负荷通常会增加代谢消耗和软组织负荷，可能引发运动员生理和心理方面的应激反应，从而提升内部负荷（Vanrenterghem et al.， 2017）。厘清运动训练内、外部负荷的相关关系，对于理解与外部训练剂量相关的特定内部反应非常重要（Bartlett et al.， 2016）。研究表明，可通过训练结构、训练目标及训练/休息比率合理调节内、外部负荷间的关系（Casamichana et al.， 2015；Scanlan et al.，2014）。此外，教练员对于运动员的计划安排会直接影响运动员的表现与伤病风险（Edwards， 1994）。训练过程中，机体的运动需求很大程度上由中央运动指令驱动，神经元传导放电驱动肌肉活动，实现个体对运动负荷的感知（Marcora， 2009）。研究发现，对于训练有素的职业越野滑雪运动员，周期训练负荷增加缓慢时伤病风险较低（Svendsen et al.， 2016）。本研究结果表明，A-3次数与内部负荷具有较强的正相关关系，教练员和运动员可以通过控制A-3次数调控内部负荷，从而有效降低训练损伤风险。

日常训练中的心率管理和分配十分关键。在残疾人越野滑雪比赛中，运动员的平均心率为82%HRmax，比赛过程中心率主要分布于以下区间：18.5%， ＜70%HRmax； 28%， 70%～80%HRmax； 39.5%， 80%～90%HRmax； 14%， ＞90%HRmax（Stöggl et al.， 2020）。研究表明，基于板块周期训练理论的越野滑雪体能训练在耐力和竞技成绩方面相较于传统训练方法具有更好的提升效果（Rønnestad et al.， 2016）。板块周期训练理论是指一种高度专项集中式的训练负荷周期训练模式，其定义是在短周期内（3～4周）集中提升某一专项能力并保证其他能力不会下降（Issurin， 2010）。研究表明，越野滑雪运动员进行高强度间歇训练（high intensity interval training， HIIT）可以有效提升运动员的最大摄氧量（Storen et al.， 2017），越野滑雪教练员每周安排1～2次HIIT训练来提升运动员有氧能力（Docherty et al.， 2000）。在HIIT训练阶段，通过提升D-1和Total_Ac次数维持心率区5的持续时间，可能有助于增加运动员的糖原储备、毛细血管密度、氧化酶活性以及线粒体酶活性（Sandbakk et al.， 2011）。

虽然低负荷训练对V̇O2max的提升作用尚未被明确验证，但有研究指出，低负荷训练可改善技术表现和训练经济性等关键因素，从而提升运动表现（Haugnes et al.， 2019）。越野滑雪训练中，运动员在80%～90%的时间内心率低于82%HRmax，有利于训练后疲劳的恢复以及更好地投入下一次训练（Losnegard et al.， 2013）。结合本研究结果，残疾人越野滑雪运动员可以通过调整加速次数控制训练负荷，在低负荷训练周期中，适当减少Total_Dec和Total A-D次数，同时增加A-2和A-6次数，以保证训练时心率保持在较低的心率区间（心率区1、2和3）。此外，本研究发现，训练距离对各内部负荷参数的影响较小，提示，提升训练距离并非提升训练效率的有效策略。有研究表明，较低的总训练距离可能在高强度训练中对运动员生理和心理盈余产生补偿（Johansen et al.， 2021），本研究结果同样支持该观点。因此，建议在残疾人越野滑雪专项训练中适当减少训练总距离，提升高强度训练占比，进而提高训练效率。研究发现，世界优秀越野滑雪运动员在进行常规训练的同时会额外完成85%～92%HRmax、2组×2 km、3次/周、持续8周的滑轮上坡全力滑有氧高强度训练，这一训练模式可以显著提升越野滑雪运动员V̇O2max、无氧功率和2 km计时赛表现（王素改 等， 2021），可见，对优秀越野滑雪运动员采取额外的外部负荷策略可以提升其运动能力及表现。教练员在执行该策略时需要适当增加运动员A-1、D-1、Total_Dec及Total A-D次数，以更加有效地提升心率区4、5的占比，达到增加高强度训练占比的效果。

阶段性训练负荷的合理评估对于科学化设计训练计划至关重要（Solli et al.， 2017）。如何合理安排负荷量、强度和难度，同时避免运动员因训练产生疲劳、损伤及生理、心理问题，是中国越野滑雪队伍突破的关键点（林岭 等， 2021）。鉴于残疾人越野滑雪属于体能主导的耐力型项目，体能是提升运动员竞技水平的基础。传统的周期负荷安排被认为适用于越野滑雪项目的训练，即将训练划分为准备期、比赛期和恢复期（Docherty et al.， 2000）。然而，有研究表明，高水平越野滑雪运动员在全年进行相同负荷量（包括高强度训练和低强度训练）训练的情况下，运动员的V̇O2提升反而不显著（Losnegard et al.， 2013）。常规周期训练理论的准备期训练目标侧重于提高专项有氧耐力，其训练方式以中等负荷与HIIT的组合为主（李忠堂， 2016）。结合本研究结果，准备期可适当减少总训练距离，同时增加A-4和D-4的次数，以适度增加训练负荷，从而有效提高运动员对高负荷训练的适应能力。在比赛期，训练的重点转向专项无氧耐力，以小周期大负荷的训练方式为主（Rønnestad et al.， 2016），大幅增加D-3和Total_Dec的次数，有助于提升运动员赛前的竞赛能力储备。恢复期的训练结构主要以恢复和补偿性的有氧耐力为主（李忠堂， 2016），通常采取低强度的训练负荷，并适当增加A-2次数，保持A-1和D-1的稳定，以降低训练负荷并减少耐力储备的损耗。

本研究存在以下局限性：虽然心率作为内负荷指标应用广泛，但其受个体差异和短时间高强度运动中延迟效应的影响，可能无法全面反映训练负荷的复杂性（Sarmiento et al.， 2013）。未来研究可结合其他生理指标（如血乳酸浓度、主观疲劳评分等），增强对训练负荷的全面评估，并进一步优化预测模型的精度。此外，本研究的数据采集基于国家队备战2022年北京冬残奥会的实际训练计划，样本量由训练安排决定，虽然涵盖了全年不同强度和负荷的训练课次，但总体样本量相对有限。未来研究可结合更多运动员的样本数据，探索更大样本量条件下的机器学习模型优化策略，并根据不同分级或运动员个体特征进一步细化模型，构建针对性更强的预测方法，从而更精准地揭示内、外部负荷关系，为制定个性化训练方案提供精细科学依据。

4 结论与建议

4.1　结论

本研究通过运动机能监控及机器学习预测模型构建探究我国残疾人越野滑雪国家队主力运动员训练过程中内部负荷和外部负荷的相关关系，研究主要发现如下：1）通过构建PLSR模型以及灵敏性分析发现，我国残疾人越野滑雪国家队主力运动员训练中的内、外部负荷呈线性关系，内部负荷提升主要与A-2（2.00～2.99 m/s2）的加速次数增多有关；2）中低负荷心率（50%～80%HRmax）时长与A-1（0.50～0.99 m/s2）、D-2（-1.99～-1.00 m/s2）及Total_Dec加速次数呈正相关，高负荷心率（80%～100%HRmax）时长与D-1（-0.99～-0.50 m/s2）及Total_Ac加速次数呈正相关。3）训练总距离与残疾人越野滑雪运动员的内部负荷变化的关系较小。

4.2　建议

1）在高强度训练阶段可通过增加2.00～2.99 m/s2加速次数、-0.99～-0.50 m/s2减速次数及总减速次数延长高强度训练心率时长，在低强度训练阶段可通过增加2.00～2.99 m/s2加速次数及总减速次数保持运动员低强度训练心率时长；2）可通过在准备期增加3.00～50.00 m/s2加速及-50.00～-3.00 m/s2减速次数，比赛期增加-2.99～-2.00 m/s2加速次数及总减速次数，恢复期提升1.00～1.99 m/s2加速次数、保持0.50～0.99 m/s2次数及-0.99～-0.50 m/s2减速次数提高训练效率。