Przejdź do treści

Techniczne aspekty pomiaru i analizy HRV oraz tętna spoczynkowego w kolarstwie

Kolarz na treningu

Monitorowanie HRV lub tętna spoczynkowego może posłużyć nam jako narzędzie do przewidywania adaptacji treningowych, czy zapobiegania przetrenowaniu. Niemniej jednak do analizy tych wskaźników potrzebna jest nam w pierwszej kolejności odpowiednia metoda, a ponadto musimy zdawać sobie sprawę z wielu czynników, które podczas takiej analizy należy wziąć pod uwagę. Równie ważnym elementem jest w tym przypadku sam pomiar. Błędy w jego przeprowadzaniu mogą zniweczyć cały wysiłek w nie wkładany, gdyż takie dane będą po prostu zupełnie nieadekwatne.

W przeszłości na moim blogu ukazał już się wpis dotyczący wykorzystania HRV w kolarstwie (można odnaleźć go Tutaj). Niemniej jednak niektóre informacje tam zawarte mogą nieco odbiegać od aktualnego artykułu, po prostu ze względu na większy stan mojej wiedzy.

Również ostatni wpis dotyczył potencjalnego wykorzystania wartości wysiłkowych HRV. Jednak tutaj znów powrócę do zagadnienia dotyczącego wartości spoczynkowych. 

Mimo, że w głównej mierze artykuł odnosi się do pomiaru i analizy HRV, to wspomnę o możliwościach wykorzystania tętna spoczynkowego, które również jest źródłem cennych informacji.

Autonomiczny układ nerwowy

Za regulację aktualnego poziomu tętna w dużej mierze odpowiada aktywność autonomicznego układu nerwowego (Shaffer i inni, 2014). Wymienia się dwie główne części układu:

● parasympatyczna;

● sympatyczna.

Aktywność parasympatyczna powoduje spadek, a sympatyczna wzrost tętna (Singh i inni, 2018a). Mogłoby się zatem wydawać, że skoro obie części powodują takie przeciwstawne reakcje, to spadek aktywności jednej z nich będzie połączony ze wzrostem drugiej.

Okazuję się jednak, że zależności pomiędzy obydwoma częściami układu są skomplikowane i mogą zachodzić niezależnie od siebie (Shaffer i Ginsberg, 2017). Możliwe są odwrotne, niezależne lub jednoczesne zmiany w aktywności dwóch części układu (Ernst, 2017).

Oznacza to, że spadek tętna może być spowodowany zarówno zwiększeniem się aktywności parasympatycznej, przy stałej sympatycznej, albo stałym poziomem pierwszej z nich przy jednoczesnym wzroście aktywności drugiej. Niestety może komplikować to interpretację zachowania HRV oraz tętna spoczynkowego.

Czym jest HRV oraz co za jego pomocą mierzymy?

HRV, czyli Heart Rate Variability, to nic innego jak zmienność czasowych odstępów pomiędzy kolejnymi uderzeniami serca (Task Force, 1996). Zwykle odnosimy wrażenie, że nasze serce bije w dokładnie równych odstępach. W rzeczywistości jednak kolejne jego uderzenia różnią się od siebie, a zmienność ta może być dla nas źródłem wielu cennych informacji.

Wysokie HRV oznacza tak naprawdę, że nasze serce bije mniej miarowo, więc intuicyjnie możemy dojść do przekonania, że stan ten jest niepożądany. Zwykle jest jednak na odwrót (jednak nie we wszystkich przypadkach), a wyższe HRV może być wręcz być oznaką zdrowia (Singh i inni, 2018b).

Okazuje się, że Heart Rate Variability może być nieinwazyjną metodą pozwalającą na zmierzenie aktywności autonomicznego układu nerwowego. O ile za pomocą jego wskaźników możemy oszacować aktywność parasympatyczną, chociaż metoda ta wciąż nie jest idealna (de Geus i inni, 2019), to okazuje się, że HRV w kontekście aktywności sympatycznej, zupełnie się nie sprawdza (Billman, 2013).

W praktyce zatem HRV może posłużyć nam jedynie do oszacowania aktywności parasympatycznej. Przypomnę również, że obie części układu działają w skomplikowany i niezależny sposób, dlatego wzrost HRV może świadczyć o wzroście aktywności parasympatycznej, ale wcale nie oznacza to o spadku sympatycznej.

Tętno spoczynkowe, a aktywność parasympatyczna

Teoretycznie spadek naszego tętna spoczynkowego powinien oznaczać wzrost aktywności parasympatycznej (Sacha, 2014). Niemniej jednak ze względu na wyżej opisane skomplikowane zależności, nie koniecznie musi być tak w każdym przypadku. Potencjalnie spadek tętna spoczynkowego mógłby być spowodowany np. spadkiem aktywności sympatycznej, przy takim samym poziomie parasympatycznej.

Jak zauważył J. Goldberger (1999), średni interwał RR (czyli średni czas pomiędzy kolejnymi uderzeniami serca; pomimo, że jest on mierzony w innych jednostkach niż tętno, w praktyce daje nam taką samą informację) jest jedynie wypadkową oddziaływania pomiędzy parasympatyczną i sympatyczną częścią układu.

Zmiany w jego zakresie nie mogą stanowić dla nas informacji o aktywności danej części układu nerwowego, ze względu na to, że nie zawsze występuje pomiędzy nimi przeciwstawne oddziaływanie.

Mimo wszystko pomiędzy tętnem spoczynkowym, a HRV obserwuje się wykładniczą zależność, natomiast kiedy weźmiemy pod uwagę średni czas pomiędzy kolejnymi uderzeniami serca, zależność jest liniowa (de Geus i inni, 2019).

Generalnie możemy powiedzieć, że im wyższe HRV tym niższe tętno spoczynkowe, a im niższe HRV tym wyższe tętno spoczynkowe.

Pomimo tych niejasności, w praktyce tętno spoczynkowe wydaję się mieć podobną wartość analityczną, co HRV. Na przykład w pracy D. Plews’a i innych (2013), korelacje pomiędzy rezultatami uzyskiwanymi w 10 km biegu, czy to w przypadku uśrednionego tygodniowego tętna spoczynkowego, czy HRV, były na zbliżonym poziomie.

Jak zauważył M. Buchheit (2014), zastosowanie tętna spoczynkowego ma jak najbardziej praktyczną wartość. Autor sugerował również, że zarówno HRV, jak i tętno spoczynkowe mogą stanowić dla nas podobne źródło informacji.

Wskaźniki HRV

Istnieje wiele różnych wskaźników Heart Rate Variability. Niemniej jednak jak się zaraz okaże, nasze analizy możemy zminimalizować tylko do jednego z nich. Generalnie wskaźniki HRV możemy podzielić na trzy główne grupy:

● czasowe;

● częstotliwościowe;

● nieliniowe.

Wskaźniki czasowe są różnego rodzaju przekształceniami statystycznymi, bazującymi bezpośrednio na odstępach czasowych pomiędzy kolejnymi uderzeniami serca. Najprostszym wskaźnikiem jest SDNN, czyli odchylenie standardowe odstępów czasowych pomiędzy normalnymi uderzeniami serca. Nie bierze się w nim pod uwagę anormalnych uderzeń (np. przedwczesnych lub pominiętych), które są poprawiane (o czym więcej będzie w dalszej części).

Na wskaźnik ten mają wpływ zarówno parasympatyczna, jak i sympatyczna część układu nerwowego (Shaffer i Ginsberg, 2017). Ponadto nieodpowiednim jest porównanie jego wyników, z pomiarów o różnych długościach (Task Force, 1996).

Innym wskaźnikiem zaliczającym się do tej grupy jest NN50, czyli liczba uderzeń różniących się o więcej niż 50 ms oraz pNN50, czyli procentowy udział takich uderzeń w całym pomiarze. Wskaźnik ten odzwierciedla aktywność parasympatyczną (Shaffer i Ginsberg, 2017).

Kolejnym wskaźnikiem jest RMSSD, czyli Root Mean Square of Successive Differences. Jest on pierwiastkiem sumy odstępów czasowych pomiędzy kolejnymi uderzeniami serca podniesionej do kwadratu, podzielonej przez liczbę uderzeń pomniejszoną o 1. Podobnie jak miało to miejsce w przypadku NN50/pNN50 odpowiada on za aktywność parasympatyczną, natomiast jest on preferowany w stosunku do nich (Shaffer i Ginsberg, 2017).

Drugą grupą wskaźników HRV są wskaźniki częstotliwościowe. Obliczane są one za pomocą przekształceń matematycznych (min. Fast Fourier Transform), niemniej jednak przynajmniej dla mnie są one nieco abstrakcyjne.

Za pomocą owych przekształceń możemy otrzymać trzy pasma częstotliwości (mam nadzieję, że tak to się tłumaczy) (Sassi i inni, 2015):

● ULF – ultra low frequency (poniżej 0,003 Hz);

● VLF – very low frequency (między 0,003, a 0,04 Hz);

● LF – low frequency (między 0,04, a 0,15 Hz);

● HF – high frequency (między 0,15, a 0,4 Hz).

Moc w pierwszych dwóch wskaźnikach pochodzi z nie do końca jasnych źródeł, natomiast LF i HF, jest często wykorzystywana.

Niektóre źródła utożsamiają LF z aktywnością sympatyczną. Natomiast jak się okazuje pogląd ten jest błędny (Billman, 2013), a na moc w tym paśmie mają wpływ zarówno para, jak i sympatyczna aktywność (Task Force, 1996). Problem ten znacząco utrudnia analizę tego wskaźnika.

Z kolei moc w HF, jest dobrym odzwierciedleniem aktywności parasympatycznej i może stanowić nieinwazyjny sposób na oszacowanie jej wielkości (Dong, 2016).

Możemy wyróżnić tutaj jeszcze jeden wskaźnik TP – Total Power, czyli łączną moc we wszystkich pasmach.

Ostatnią grupą wskaźników, są metody nieliniowe, które często bazują na teorii matematycznego chaosu. Przykładowym wskaźnikiem należącym do tej grupy jest DFA (Detrended Fluctuation Analysis). Jest on wstanie rozróżnić zupełnie losowe zachowanie danego systemu od całkowicie uporządkowanego lub mieszanki obu (Gronwald, Rogers i Hoos, 2020).

Który wskaźnik wybrać?

Biorąc pod uwagę, że wskaźniki HRV okazały się być jedynie dobrym przybliżeniem aktywności parasympatycznej, potencjalny wybór zawęża się tylko do kilku z nich. M. Buchheit sugeruje jednak aby ograniczyć się do jednego – RMSSD (Buchheit, 2014).

Autor wyróżnia kilka zalet:

● jest to wskaźnik parasympatyczny;

● cechuje się on większą powtarzalnością pomiaru niż HF;

● wpływ oddychania na otrzymywane wyniki jest w jego przypadku znikomy (chociaż inni autorzy zauważają, że jego wpływ jest niejasny, Shaffer i inni, 2014).

Oddychanie ma znaczący wpływ na interpretację mocy w HF, stąd powinno być ono kontrolowane w celu uzyskiwania miarodajnych rezultatów. Generalnie moc w HF może “przeskoczyć” do LF, przy niskiej częstotliwości oddychania (około 3-9 bpm) (Earnest i inni, 2004, Gąsior i inni, 2020).

Biorąc pod uwagę wyżej opisane powody oraz ze względu po prostu na praktyczne korzyści, w naszych analizach możemy ograniczyć się tylko i wyłącznie do tego wskaźnika. 

Często stosowanym zabiegiem jest wyciągnięcie logarytmu naturalnego z RMSSD (lnRMSSD). zabieg ten wykonuje się ze względu na brak rozkładu normalnego owego wskaźnika, co uniemożliwia przeprowadzenia niektórych analiz statystycznych.

Nie jestem jednak w stanie powiedzieć, czy lnRMSSD w stosunku do “czystych” wartości cechuje się większa wartością do analizy.

Inni autorzy zauważają jednak, że w kontekście monitorowania samego zmęczenia RMSSD jest w stanie wskazać na jego ogólny poziom, natomiast analiza wskaźników częstotliwościowych wraz z tętnem, może rozróżnić jego rodzaje (Schmitt i inni, 2015). 

Na przykład L. Schmitt (2016) był w stanie wyróżnić 3 rodzaje zmęczenia w studium przypadku olimpijskiego pływaka. Każdy rodzaj zmęczenia ujawnia się pod postacią różnych trendów w HF, LF oraz tętnie podczas testu ortostatycznego (o którym będzie nieco więcej w dalszej części).

Mimo wszystko ze względu na zwiększenie liczby wskaźników do analizy oraz według mnie stosunkowo niską wartość informacyjną w stosunku do nakładu pracy, osobiście uważam, że RMSSD wciąż będzie najlepszym wyborem.

Jak mierzyć tętno spoczynkowe?

Odpowiedni pomiar zarówno HRV, jak i tętna spoczynkowego stanowi kluczowy czynnik decydujący o skuteczności naszych dalszych analiz. Zgodnie z zasadą “garbage in, garbage out”, czyli śmieci na wejściu, śmieci na wyjściu, powinniśmy przywiązać szczególną uwagę do tego aspektu, gdyż interpretacja nieadekwatnych danych z automatu będzie błędna.

W przypadku tętna spoczynkowego procedura jest raczej prosta. Mimo wszystko musimy pamiętać o pewnych ważnych zasadach. Pomiaru powinniśmy dokonywać rano, zaraz po przebudzeniu i ewentualnej wizycie w toalecie.

Ponadto zawsze powinniśmy wykonywać go w tej samej pozycji ciała (np. siedząc), dbając również o porównywalne warunki podczas pomiarów (np. oświetlenie). Istotną kwestią jest fakt, iż nasze tętno potrzebuje pewnego okresu aby ustabilizować się na stałym poziomie (Bourdillon i inni, 2017).

Zwykle stosuje się 1 min takowej stabilizacji, po upłynięciu której dopiero możemy rozpocząć pomiar. Możemy wykonać go tak naprawdę metodą “manualna”, wyczuwając puls za pomocą dłoni, licząc uderzenia w trakcie 60 s. 

Drugi sposób to wykorzystanie posiadanego pulsometru, który pozwoli nam na wykonanie 1 min pomiaru (po 1 min okresie stabilizacji). Jak się za chwilę okaże w przypadku HRV długość pomiaru ma kluczowe znaczenie, natomiast nie wiem czy może być to istotne w przypadku tętna spoczynkowego. Niemniej jednak wydaje mi się, że 1 min pomiar w zupełności wystarczy.

W przeszłości myślałem, że podczas pomiaru tętna  powinniśmy dążyć do zarejestrowania jego minimalnej wartości. Mimo wszystko przy takim pomiarze powinniśmy raczej celować w uzyskanie średniej wartości tętna podczas jego trwania, nie koniecznie minimalnej. Minimalne tętno w trakcie pomiaru może być zapewne źródłem cennych informacji, ale w dalej opisywanych analizach wykorzystuje się raczej tętno średnie.

Czym mierzyć HRV?

Pomiar HRV nie jest takim prostym procesem, jak miało to miejsce w przypadku tętna spoczynkowego. Pierwszym elementem którego będziemy potrzebowali, jest narzędzie, które pozwoli nam na jego dokonanie.

Generalnie mamy tutaj do wyboru dwie opcje:

● pas telemetryczny;

● urządzenie PPG (fotopletyzmografia).

Pasy telemetryczne kolejne uderzenia serca identyfikują za pomocą mierzenia jego aktywności elektrycznej. Fotopletyzmografia polega natomiast na przepuszczaniu wiązki światła przez skórę, która dociera do naczyń krwionośnych, dzięki czemu urządzenie jest wstanie wykryć zmiany w objętości krwi, związanej z każdym uderzeniem serca (Singh, 2018a).

Czy jednak komercyjnie przenośne urządzenia są w stanie w sposób dokładny dokonywać pomiaru HRV w stosunku do “złotego standardu”, czyli EKG? Autorzy artykułu dotykającego tego problemu (Georgiou i inni, 2018) stwierdzili, że przenośne urządzenia jak najbardziej stanowią dobre źródło danych dotyczących HRV.

Zauważyli jednak, że w spoczynku radziły sobie one bardzo dobrze, jednak podczas wysiłku ich skuteczność w stosunku do EKG spadała.

Podobne wnioski uzyskano na podstawie wyników metaanalizy z 2019 roku (Dobbs i inni). Autorzy stwierdzili, że pomimo małego błędu pomiaru przenośnych urządzeń w stosunku do EKG, błąd ten był na akceptowalnym poziomie. 

Oczywiście nie wszystkie pasy telemetryczne są w stanie zapisywać interwały RR (czyli czas pomiędzy kolejnymi uderzeniami serca), więc aby dokonać pomiaru HRV potrzebujemy odpowiedniego sprzętu.

Jednym z najczęściej polecanych pasów mających taką funkcję jest Polar H10. W jednym badaniu pas ten okazał się być bardzo dobrym narzędziem w identyfikowaniu interwałów RR podczas wysiłku (Gilgen-Ammann i inni, 2019). Jak zaznaczyli wcześniejsi autorzy skuteczność przenośnych urządzeń wraz ze wzrostem intensywności spada, więc Polar zapewne sprawdza się znakomicie również w spoczynku. 

Niemniej jednak takie rozwiązanie znajdziemy również w innych produktach min. Garmin HRM Dual, czy Suunto Smart Heart Rate Belt. Warto zapoznać się ze specyfikacją producenta aby dowiedzieć się czy dane rozwiązanie posiada taką funkcję.

Technologię PPG możemy znaleźć w dedykowanych do pomiaru HRV czujnikach, jak np. CorSense oferowanego przez EliteHRV, jak również w wielu zegarkach sportowych. Niemniej jednak aplikacja HRV4Training jest w stanie wykorzystać tą technologię korzystając z kamery smartfona.

Jak dokonywać pomiaru HRV?

Musimy zdawać sobie sprawę, że istnieje wiele potencjalnych czynników, które mogą wpłynąć na uzyskany wynik pomiaru. Pierwszym elementem są wszelkiego rodzaju czynniki zewnętrzne, które należy minimalizować aby uzyskać standardowe warunki dla każdego pomiaru.

Z tego powodu zwykle zaleca się aby pomiaru dokonywać tuż po przebudzeniu (i ewentualnej wizycie w toalecie), gdyż taka sytuacja pozwala nam na uzyskanie względnie podobnych warunków pomiaru za każdym razem. Często pomiary wykonuje się również w przyciemnionym pomieszczeniu. W najlepszym przypadku powinniśmy zadać również o względnie stałą temperaturę podczas pomiaru (chociaż czasem może być to ciężkie do uzyskania).

Kolejnym aspektem, który musimy wziąć tutaj pod uwagę jest pozycja ciała. Mamy do wyboru w tym aspekcie trzy opcje;

● pozycję leżącą;

● pozycję siedzącą;

● test ortostatyczny.

Klasycznie pomiary dokonywane są w pozycji leżącej. Niemniej jednak pozycja stojąca (która jest częścią testu ortostatycznego) oraz potencjalnie siedząca, mogą zniwelować zjawisko tzw. saturacji HRV (Buchhiet, 2014), które może zniekształcić nam obraz naszych analiz.

W jednym badaniu (Kiviniemi i inni, 2004) przeanalizowano 24 h pomiary HRV. Zestawiono wskaźnik HF (odpowiadający za aktywność parasympatyczną) ze średnim czasem pomiędzy kolejnymi uderzeniami serca, analizowanymi w krótszych segmentach 24 h pomiaru.

Okazało się, że u niektórych osób nie zaobserwowano liniowej zależności pomiędzy tymi dwoma czynnikami, a po przekroczeniu pewnej krytycznej granicy HRV zaczęło spadać pomimo wciąż wydłużającego się średniego czasu pomiędzy uderzeniami.

Zjawisko to nazwano właśnie saturacją HRV. Występowało ono zwykle przy niskim poziomie tętna (często obserwowanym u sportowców), ale okazało się, że u jednych osób mogło występować przy 40 bpm, a u innych przy 60 bpm.

Jakie ma to dla nas znaczenie? Może okazać się tak, że przy wystąpieniu u nas tego zjawiska, spadek HRV wcale nie będzie oznaczał spadku aktywności parasympatycznej, a będzie wręcz odwrotnie.

Oczywiście spadek tętna (czyli wydłużanie się czasu pomiędzy kolejnymi uderzeniami serca), nie musi wcale oznaczać wzrostu aktywności parasympatycznej, więc porównywanie go do jednoczesnego spadku HRV przy saturacji, niekoniecznie musi świadczyć o rzeczywistym wzroście aktywności parasympatycznej.

Niemniej jednak w innej pracy farmakologicznie manipulowano poziomem aktywności parasympatycznej (Goldberger i inni, 2001). Okazało się, że zaobserwowano podobną zależność.

HRV (tutaj mierzone za pomocą wielu wskaźników min. RMSSD i HF) wraz ze wzrostem aktywności parasympatycznej wzrastało, wraz z jednoczesnym wydłużeniem się interwałów RR.

Działo się tak jednak tylko do pewnego momentu. Przy bardzo wysokiej aktywności parasympatycznej, u niektórych osób zaobserwowano, że HRV zaczynało spadać, natomiast interwały RR wciąż się wydłużały. Zaobserwowano więc tutaj zjawisko analogiczne do wcześniej opisywanej saturacji.

Przykłady te pokazują, że HRV jest jedynie nieinwazyjną metodą pomiaru aktywności parasympatycznej. Czasem jego spadek wcale nie musi oznaczać spadku tej aktywności, ale wręcz jej wzrost.

Dlatego przy analizie HRV powinniśmy wziąć pod uwagę również średnią długość interwałów RR, lub tętno spoczynkowe. Jeżeli obserwujemy spadek HRV, ale połączony z jednoczesnym wzrostem długości RR, może oznaczać to właśnie zjawisko saturacji, a więc wzrost, a nie spadek aktywności parasympatycznej.

Wracając jednak do samych pozycji dokonywania pomiaru. Osobiście uważam, że jeżeli pozycja siedząca może zniwelować potencjalnie ową saturację, to być może jest ona lepszym wyborem niż pozycja leżąca, w przypadku kiedy nie chcemy wykonywać testu ortostatycznego.

Mimo wszystko wciąż może ona tutaj wystąpić, więc wciąż HRV powinniśmy analizować w kontekście zmian w długości RR/tętna.

W przypadku testu ortostatycznego mamy do czynienia z połączeniem pozycji leżącej i siedzącej. Polega na początkowym pomiarze w pozycji leżącej, po której następuje przejście do pozycji stojącej.

Poza samym niwelowaniem zjawiska saturacji, test ortostatyczny może być dla nas źródłem dodatkowych informacji. Jak już wcześniej zaznaczyłem, niektórzy autorzy byli wstanie na podstawie jego wyników rozróżnić kilka typów zmęczenia.

Ponadto często obserwowanym zjawiskiem podczas testu ortostatycznego jest niska różnica pomiędzy HRV oraz tętnem spoczynkowym w pozycji leżącej w stosunku do pozycji stojącej, w przypadku kiedy zwiększamy dość gwałtownie swoje obciążenia treningowe (np. jak ma to miejsce w czasie zgrupowania) (Le Meur i inni, 2013; Schneider i inni, 2019).

Na przykład w badaniu A. Barrero i innych (2020) monitorowano HRV u kolarek, które brały udział w wydarzeniu będącym promocją kobiecego kolarstwa. Polegało ono na przejechaniu trasy Tour de France 2017 jeden dzień przed wyścigiem mężczyzn.

Wydarzenie to wiązało się z pewnością z kumulującym się zmęczeniem. Zaobserwowano, że różnica między tętnem spoczynkowym lub RMSSD w pozycji leżącej, w stosunku do tychże wskaźników w pozycji stojącej była znacznie niższa w trakcie wydarzenia, niż przed.

Dlatego być może obserwowanie takiego zjawiska podczas testu ortostatycznego, może być dla nas dodatkową informacją o zmęczeniu.

Widzimy zatem, że test ortostatyczny może być dla nas źródłem dodatkowych informacji, ale musimy zdawać sobie sprawę również z negatywnych stron tego rozwiązania. Test ten jest niestety znacznie mniej praktycznym rozwiązaniem od pomiaru HRV w pozycji siedzącej i leżącej.

Wymaga od nas większej ilości danych do interpretacji, a jak się zaraz okaże będziemy potrzebowali większej ilości czasu na jego przeprowadzenie. Niemniej jednak jeżeli nie stanowi to dla nas kłopotu, to z pewnością będziemy w stanie uzyskać dzięki niemu więcej informacji.

Długość pomiaru HRV 

Klasycznie rekomenduje się, aby pomiar HRV trwał przynajmniej przez 5 min (Buchheit, 2014). Mimo wszystko niektórzy autorzy stosowali pomiary tak krótkie jak 1 min (Esco i Flatt, 2014), które jak stwierdzili były wystarczająco dobre w stosunku do standardowego 5 min pomiaru.

Niemniej jednak N. Bourdillon wraz ze swoim zespołem (2017), zweryfikował minimalny czas trwania pomiaru HRV w stosunku do dłuższego standardu. Analizowano testy ortostatyczne składające się z 7 min w pozycji leżącej i 6 min w pozycji stojącej.

Jednak za punkt odniesienia obrano 4 min okna (czyli nieco krótsze od rekomendowanego 5 min pomiaru) zarówno w przypadku pozycji leżącej (3-7 min), jak i pozycji stojącej (3-6 min).

Następnie porównano uzyskane w ten sposób HRV, do krótszych okien czasowych zawartych w 4 min pomiarze. Okazało się, że aby wyniki były porównywalne, w przypadku RMSSD możemy skrócić czas pomiaru do 2 min, natomiast aby obliczyć LF i TP, potrzebujemy przynajmniej 4 min.

Przed wykonaniem pomiaru powinniśmy zastosować jeszcze okres stabilizacji, który w tym przypadku wynosił 1 min. A. Flatt i M. Esco (2016a) zweryfikowali problem długości okresu stabilizacji i na podstawie swoich danych stwierdzili, że 1 min jest rzeczywiście wystarczająca.

Podsumowując, autorzy wcześniej przytaczanego badania, zasugerowali, że czas pomiaru możemy skrócić do:

● 3 min w przypadku RMSSD mierzonego w pozycji leżącej lub siedzącej (1 min stabilizacji + 2 min pomiaru);

● 6 min w przypadku RMSSD w teście ortostatycznym (1 min + 2 min leżąc, 1 min + 2 min stojąc);

● 5 min w pozycji leżącej lub siedzącej, kiedy oprócz RMSSD chcemy wykorzystać częstotliwościowe wskaźniki (1 min + 4 min);

● 10 min dla testu ortostatycznego, w którym mierzymy oprócz RMSSD wskaźniki częstotliwościowe (1 min + 4 min leżąc, 1 mi + 4 min stojąc).

Pomimo, że krótsze pomiary okazały się wystarczająco dokładne w porównaniu do dłuższych rozwiązań, to mimo wszystko kiedy dysponujemy większą ilością czasu, warto trzymać się klasycznej długości 5 min, pamiętając ponadto o 1 min okresie stabilizacji. W sumie taki pomiar zajmie nam więc 6 min.

Artefakty

Jedną z kwestii, o której należy wspomnieć w przypadku pomiaru HRV, są tzw. artefakty. Składają się na nie niejako błędne uderzenia serca, albo przedwczesne albo pominięte.

Pojawiają się one zarówno ze względów czysto technicznych, jak również biologicznych. Niezależnie od przyczyny należy podejmować działania mające na celu ich poprawę, gdyż pozostawione mogą zmienić wartości uzyskiwanych wskaźników HRV nawet o 50% (Alcantara i inni, 2020).

Są one powszechnym zjawiskiem, więc nie powinno nas dziwić, jeżeli takowe w naszym pomiarze wystąpią.

“Złotym standardem” ich edycji jest manualna weryfikacja danego pomiaru, jednak metoda ta w normalnych warunkach nie ma praktycznego zastosowania. Jednak większość dostępnych rozwiązań w zakresie oprogramowania/aplikacji automatycznie wykrywa oraz poprawia ewentualne artefakty.

Wydaje się jednak, że przynajmniej na tą chwilę, nie ma jednej standardowej metody ich poprawy. W różnych przypadkach mamy do czynienia z różnymi podejściami. Często zdarza się tak, że to właśnie zastosowany w tym względzie algorytm powoduje uzyskiwanie odmiennych wyników pomiędzy różnymi rodzajami oprogramowania/aplikacji.

Ponadto warto pamiętać jest o jednej ważnej zasadzie. Jeżeli dany pomiar będzie zawierał zbyt dużo artefaktów, powinniśmy go powtórzyć, gdyż jego rezultaty mogą być wypaczone. Jednak owa duża liczba jest pojęciem subiektywnym. Na przykład oprogramowanie Kubios przyjmuje tutaj akceptowalny próg 5% artefaktów w całym pomiarze.

Jakie oprogramowanie/aplikację wybrać?

O ile istnieje możliwość obliczania wartości HRV w Arkuszach Google czy Excelu (przynajmniej dla RMSSD nie jest to nadmiernie skomplikowane), to raczej będziemy potrzebowali jakiegoś oprogramowania, które nas w tym wyręczy.

Na rynku istnieje kilka opcji, ale jak się okazuje nie wszystkie z nich są porównywalnie skuteczne.

Kubios

Najczęściej wykorzystywanym oprogramowaniem wykorzystywanym do analiz HRV jest Kubios. Program (przynajmniej przy niekomercyjnym użytku) jest całkowicie darmowy. Niemniej jednak ze względu na konieczność jak najczęstszego wykonywania pomiarów HRV (najlepiej codziennego), rozwiązanie to na dłuższą metę okazałoby się bardzo niepraktyczne.

Dzieję się tak ze względu na konieczność uprzedniego nagrywania pomiaru na jakieś urządzenie (np. na komputerek rowerowy) oraz eksportowania danych na komputer za każdym razem kiedy przeprowadzamy pomiar.

Mimo wszystko niedawno powstała aplikacja Kubios dla smartfonów z Androidem lub iOS. Ze względu na fakt, że aplikację Kubios na komputer możemy uznać wręcz za “złoty standard”, wydaje mi się, że aplikacja na telefon korzystająca z tej samej technologii powinna być równie dobra. Niemniej jednak osobiście nie natknąłem się na publikacje, które sprawdziłyby konkretnie skuteczność aplikacji na smartfona.

Ponadto jesteśmy w stanie regulować w ustawieniach zarówno okres stabilizacji tętna, jak i długość samego pomiaru. Jak opisałem to wcześniej ma to niebagatelne znaczenie. Kolejną zaletą jest fakt, że przynajmniej w czasie pisania tego artykułu, aplikacja jest całkowicie darmowa.

Nie jestem jednak pewien czy będziemy w stanie za jej pomocą przeprowadzić test ortostatyczny.

Z kolei do przeprowadzania pomiaru będzie potrzebny nam w tym przypadku pas telemetryczny obsługujący technologię Bluetooth.

ithlete

Kolejnym rozwiązaniem jest aplikacja ithlete. Pomiar HRV w aplikacji może odbywać się zarówno przy pomocy pasa telemetrycznego, jak i dedykowanego czujnika PPG zakładanego na palec.

W 2013 roku A. Flatt i M. Esco porównali skuteczność aplikacji w stosunku do EKG w pomiarze RMSSD (tylko ten wskaźnik jest w niej dostępny). Wyniki okazały się być bardzo zbliżone.

Później w 2017 roku (Esco, Flatt i Nakamura), zweryfikowano również oferowany przez producenta sensor PPG, ale w przeciwieństwie do poprzedniej pracy gdzie dokonywano pomiaru leżąc, tutaj dodatkowo zweryfikowano pozycję siedzącą i stojącą.

Okazało się, że w pozycji leżącej zgodność z EKG była wysoka, jednak w siedzącej i stojącej zaobserwowano pewne rozbieżności. Autorzy podali jednak solidne argumenty za tym, że niekoniecznie musiały mieć one znaczenie praktyczne.

Na tej podstawie wydaje się, że aplikacja dobrze radzi sobie z pomiarem HRV w stosunku do “złotego standardu”. Istnieje jednak pewna kwestia, która przynajmniej dla mnie, wyklucza możliwość wykorzystania ithlete.

Nie mamy tutaj żadnej możliwości co do wyboru zarówno długości pomiaru, jak i okresu stabilizacji. Z góry narzucony jest nam pomiar 55 s z 1 min poprzedzającą go stabilizacją. Niestety tak krótkie pomiary okazały się odbiegać od standardowych dłuższych rozwiązań.

Ponadto kolejną wadą jest fakt, iż aplikacja jest dodatkowo płatna.

Test ortostatyczny teoretycznie nie jest tutaj możliwy (chyba żebyśmy przeprowadzili dwa pomiary pod rząd o ile to możliwe).

Elite HRV

Aplikacją z której osobiście korzystam jest Elite HRV (nie świadczy to oczywiście jeszcze o jej skuteczności). Jest to całkowicie darmowe rozwiązanie (chociaż istnieje wersja płatna), zapewniające nam wszystkie potrzebne funkcje.

Jesteśmy w stanie dowolnie dobrać czas pomiaru, jak i okres stabilizacji. Do samego jego wykonania będziemy potrzebowali albo pasa telemetrycznego albo czujnika PPG na palec oferowanego przez producenta.

A. Perrotta wraz ze swoim zespołem (2017), porównał RMSSD obliczone za pomocą Elite HRV oraz oprogramowania Kubios. Było to możliwe ze względu na eksport surowych danych z aplikacji. 

Okazało się, że pomimo wysokiej korelacji pomiędzy wartościami wskaźnika (r=0,92), wyniki innej analizy statystycznej wykazały, że obie metody obliczeń nie zawsze były ze sobą zgodne.

Autorzy zauważyli, że jedną z przyczyn stojących za pewnymi rozbieżnościami, jest wykorzystanie różnych metod poprawy artefaktów. Niemniej jednak zaznaczyli, że jeżeli będziemy korzystać w sposób ciągły z danego rozwiązania, które wiąże się z pewnego rodzaju błędem, ale będziemy zawsze porównywali do siebie uzyskane w ten sposób wyniki, to wciąż będzie miało ono dla nas praktyczną wartość.

Warto jednak zauważyć, że praca została opublikowana w 2017 roku, a od tego czasu aplikacja mogła być aktualizowana.

Rzeczywiście różne algorytmy wykrywania i poprawy artefaktów mogły wpłynąć na uzyskanie takich rezultatów. Na przykład w innej publikacji (Gambassi i inni, 2020) porównano zapisane przez Elite HRV interwały RR (odstępy pomiędzy kolejnymi uderzeniami serca) z EKG.

Porównywano tutaj jedynie surowe wyniki obu metod pomiaru (bez poprawy artefaktów) i zapisane interwały RR były do siebie bardzo zbliżone. Okazuje się więc zatem, że aplikacja dobrze zapisuje dane dotyczące pracy serca, ale problem być może leży w sposobie obliczania wskaźników HRV lub poprawy artefaktów.

Z własnego doświadczenia dodam, że w działaniu aplikacji intryguje mnie jedna rzecz. Mianowicie po dokonaniu pomiaru prezentowana jest nam ilość wykrytych oraz poprawionych artefaktów. Nie rozumiem dlaczego algorytm wykrywa artefakty, skoro nie są one przez niego poprawione.

Nie jestem ponadto do końca pewien czy liczba niepoprawionych artefaktów stanowi rzeczywiste artefakt. Niemniej jednak w przypadku kiedy nastąpi ewidentne przedwczesne uderzenie (co zaobserwować można na wykresie tętna jako jego duży skok np. 120 bpm, przy średnim tętnie 60 bpm), jest ono jak najbardziej poprawiane.

Zdarzały się jednak pomiary kiedy nawet w takim przypadku algorytm zawiódł.

Mimo wszystko kontynuuje korzystanie z aplikacji aby posiadać porównywalne dane z wcześniejszymi, gdyż to właśnie od niej rozpocząłem swoje pomiary HRV.

Odnosząc się do kwestii testu ortostatycznego, to niestety również tutaj bezpośrednio nie ma tutaj takiej możliwości. Moglibyśmy to uczynić dokonując dłuższego pomiaru, lecz aplikacja nie mogłaby odróżnić dwóch pozycji ciała (przynajmniej ja nie znalazłem takiej opcji).

Musielibyśmy zatem dokonany pomiar eksportować na komputer oraz analizować go w oprogramowaniu Kubios, co byłoby wysoce niepraktyczne.

Moglibyśmy jednak przeprowadzać dwa pomiary pod rząd, jeden w pozycji leżącej, a drugi w stojącej.

Jedną wyjątkową cechą Elite HRV jest możliwość przeprowadzenia sesji HRV biofeedback. Polega ona na manipulowaniu naszym oddychaniem w ten sposób, aby uzyskać odpowiedni poziom niemiarowości zatokowej (Shaffer, McCraty i Zerr, 2014). Zjawisko to polega na zmianach tętna przy oddychaniu. Podczas wdechu nasze tętno wzrasta, natomiast przy wydechu maleje.

Niektóre publikacje sugerują, że HRV biofeedback może mieć pewien wpływ na osiągnięcia sportowe (Jiménez Morgan i Molina Mora, 2017), chociaż z pewnością potrzeba znacznie więcej badań w tym temacie.

Co ciekawe w jednej pracy HRV biofeedback okazał się skuteczną metodą na zmniejszenie stresu podczas egzaminów u studentów uprawiających sport. (Deschodt-Arsac i inni, 2018).

Polar Flow

Polar Flow jest teoretycznie darmowym serwisem do analizy treningu (nie tylko HRV). Musimy jednak pamiętać, że aby z niego korzystać, potrzebujemy jednego z urządzeń producenta.

Nie jestem tego pewien, ale chyba koniecznym jest posiadanie jednego z urządzeń GPS, natomiast sam pas telemetryczny Polara może nie wystarczyć (ale być może się mylę).

Niemniej jednak coś co odróżnia pozostałe rozwiązania, to dedykowany protokół testu ortostatycznego. W przypadku poprzednich aplikacji test ten był teoretycznie możliwy do wykonania, natomiast nie był on wbudowaną ich funkcją. Według producenta składa się on z 4 min (2 min leżąc, 2 min stojąc), a zmiana pozycji sygnalizowana jest nam dźwiękiem.

Na podstawie jego wyników otrzymamy informacje o tętnie w pozycji stojącej i leżącej oraz maksymalnej jego wartości. W odniesieniu do HRV zyskamy informacje na temat RMSSD w pozycji stojącej i leżącej.

Czas trwania testu pokrywa się z zaleceniami  N. Bourdillon’a i innych (2017), natomiast z materiałów dostarczonych przez producenta nie jestem w stanie określić czy zastosowany jest tutaj okres stabilizacji (sam nie korzystam z Polar Flow, ani nie posiadam urządzenia tego producenta).

Niestety nie udało mi się natknąć na publikację, która weryfikowała by skuteczność obliczeń HRV przez aplikację Polar Flow. Często zdarzało się tak, że autorzy eksportowali surowe dane z Polar Flow do Kubiosa, natomiast bezpośredniego porównania nie znalazłem. 

HRV4Training

Kolejną aplikacją na liście jest HRV4Training. Aplikacja ta bazuje na pomiarze RMSSD oraz korzysta min. z metody D. Plews’a, która opisałem w dalszej części wpisu. Pomimo, że domyślnie ukazywane jest tam pewne przekształcenie lnRMSSD (czyli logarytmu naturalnego z RMSSD), to możemy zmienić tą opcję aby bazować na surowym RMSSD.

Biorąc pod uwagę liczbę różnorodnych funkcji, aplikacja ta ma ich zdecydowanie najwięcej spośród uprzednio prezentowanych. Jest tak przynajmniej w stosunku do HRV, gdyż Polar Flow posiada również szereg pozostałych funkcji być może nie związanych bezpośrednio z HRV.

Jedną unikatową rzeczą dotyczącą tej aplikacji jest fakt, iż pomiaru możemy dokonywać za pomocą kamery smartfona. Mimo wszystko istnieje również możliwość wykorzystania pasa telemetrycznego.

Czy jednak kamera smartfona jest wystarczająco dokładnym narzędziem do pomiaru HRV. Wydaje się, że tak. Świadczą o tym chociażby wyniki badania D. Plews’a i innych (2017), w którym porównano pomiar HRV za pomocą EKG, pasa telemetrycznego Polar H7 oraz aplikacji HRV4Training. Okazało się, że zarówno pas telemetryczny jak i kamera smartfona pozwalały uzyskiwać porównywalne wyniki ze “złotym standardem”.

Aplikacja daje nam również możliwość wykorzystania różnych czasów trwania pomiaru: 1, 2, 3 oraz 5 min (chociaż w EliteHRV czy aplikacji Kubios pole manewru w tym względzie jest większe). Z powodu, iż nie korzystam osobiście z aplikacji, nie jestem do końca pewien czy wykorzystuje ona okres stabilizacji pomiaru (nie znalazłem również takiej informacji na stronie internetowej, ale może szukałem zbyt krótko).

Pomimo, że krótsze pomiary HRV być może nie zawsze są najdokładniejszym rozwiązaniem, to M. Altini (założyciel HRV4Training) (2015) w jednym wpisie na blogu zaznaczył, że korzystanie z dłuższych pomiarów niż 1 min przy wykorzystaniu kamery smartfona, może zwiększyć ilość artefaktów spowodowanych ruchami przykładanego do niej palca.

Ponadto HRV4Training jest, drugą obok Polar Flow, aplikacją, która ma wbudowaną możliwość przeprowadzania testu ortostatycznego.

Minusem jest fakt, że aplikacja jest płatna, natomiast zawiera wiele dodatkowych analiz znacznie wykraczających poza sam pomiar HRV. Ponadto przynajmniej na ten moment nie ma możliwości wykonywania kilku pomiarów jednego dnia.

Istnieje również wersja oprogramowania na komputer, HRV4Training Pro, która jest naprawdę zaawansowana. Trzeba jednak pamiętać, że dla przeciętnego użytkownika dodatkowe informacje uzyskane za jej pomocą nie zawsze mogłyby okazać się konieczne.

Podobnie jak miało to miejsce w EliteHRV, tutaj również istnieje możliwość wykorzystania HRV biofeedback, jednak potrzebujemy w tym celu siostrzanej aplikacji HRV4Biofeedback. Jest ona dostępna jedynie w Apple Store.

Poza samą aplikacją, HRV4Training posiada świetnego bloga dotyczącego HRV. Zawarte jest tam naprawdę wiele ciekawych informacji, dlatego myślę, że jeżeli chcemy poszerzyć swoją wiedzę w tym temacie, to warto tam zajrzeć (https://www.hrv4training.com/blog) 

Porównanie Elite HRV oraz HRV4Training i nie tylko

W jednej bardzo ciekawej publikacji (Stone i inni, 2021) porównano kilka opcji pomiaru HRV ze “złotym standardem”, czyli EKG. Jego unikatowym elementem był fakt, iż porównywano tutaj wartości RMSSD obliczone przez oprogramowanie/aplikację danego producenta (a nie wyeksportowane surowe wyniki, przeanalizowane w innym oprogramowaniu) z wartościami pochodzącymi z EKG, obliczonymi w Kubiosie.

Porównano w ten sposób kilka kombinacji urządzeń oraz oprogramowania:

● HRV4Training przy użyciu pasa telemetrycznego (Polar H10) oraz kamery smartfona;

● Oura Ring (oprogramowanie producenta);

● Elite HRV z pasem telemetrycznym (Polar H10) oraz czujnika PPG CorSense;

● Firstbeat wykorzystując pas producenta;

● aplikacja Camera HRV z iPhone 8.

Pomimo, że w badaniu brało udział jedynie 5 osób, to porównano 148 różnych kombinacji urządzeń oraz oprogramowania. Zastosowano również 3 różne metody statystyczne w celu określenia skuteczności danego rozwiązania.

Podsumowując wszystkie analizy, autorzy zauważyli, że najbardziej zbliżonymi do “złotego standardu” rozwiązaniami były HRV4Training z pasem telemetrycznym oraz Oura Ring. Nieco gorzej poradziły sobie Elite HRV z pasem telemetrycznym oraz HRV4Training z kamerą smartfona.

Jeżeli chodzi o porównanie czujnika CorSense oraz pasa telemetrycznego w przypadku Elite HRV, to jedne analizy plasowały je na podobnym poziomie, natomiast inne wykazały, że CorSense był nawet nieco dokładniejszy (co jest trochę zaskakujące). Niemniej jednak osobiście nie skłoniłoby mnie to do jego zakupu.

Co ciekawe pas Firstbeat okazał się być najdokładniejszym urządzeniem przy pomiarze średniego tętna, natomiast wyniki RMSSD były znacznie gorsze od reszty. Ciężko stwierdzić jest co było tego powodem, natomiast być może był to sposób obliczania RMSSD (oraz poprawy artefaktów) poprzez oprogramowanie.

Na podstawie powyższej publikacji, Camera HRV nie wydaje się być odpowiednim narzędziem ani do pomiaru tętna, ani RMSSD, gdyż wyniki w tym przypadku były kompletnie wypaczone.

Podsumowanie sekcji dotyczącej pomiarów

Pierwszym elementem, o który musimy zadbać przy dokonywaniu pomiaru jest uzyskanie jak najbardziej wystandaryzowanych warunków, w których go dokonujemy. Z tego względu powinien być on przeprowadzany zawsze po przebudzeniu i wizycie w toalecie, najlepiej w przyciemnionym pomieszczeniu oraz takiej samej temperaturze powietrza (jednak jak wcześniej pisałem z tym może być akurat ciężko).

Kolejny element, który musi być zawsze taki sam, to pozycja w jakiej dokonujemy pomiaru. Zależności pomiędzy parasympatyczną i sympatyczną w każdej z trzech uprzednio wymienionych pozycji będą się od siebie różniły (Martinmäki i inni, 2006).

Między innymi z tego powodu, zupełnie nieodpowiednim jest porównywanie między sobą pomiarów dokonanych w różnych pozycjach ciała. Powinniśmy wybrać albo pozycję leżącą lub siedzącą, albo zastosować test ortostatyczny. Musimy być w tym jednak konsekwentni i stosować jeden z wariantów za każdym razem.

Nieodpowiednim jest również porównywanie pomiarów o różnych długościach trwania (Mourot, 2018). Niemniej jednak autorzy weryfikujący minimalną długość pomiaru HRV właśnie tego dokonali, lecz sprawdzali siłę zależności pomiędzy krótszymi, a dłuższym pomiarem (Bourdillon i inni, 2017). Mimo wszystko powinniśmy obrać sobie jedna długość pomiaru i ciągle się jej trzymać.

Możemy wykorzystać zaproponowany skrócony pomiar 3 min (1 min stabilizacji + 2 min pomiaru), lub klasyczny 6 min (1 min stabilizacji + 5 min pomiaru). Ważne aby zawsze stosować takie samo rozwiązanie.

Również w przypadku stosowania różnego oprogramowania do wyliczania wskaźników HRV, możemy otrzymywać odmienne wyniki. Dzieję się tak ze względu na zastosowanie odmiennych algorytmów wykrywających i poprawiających artefakty. Raczej w praktyce i tak zawsze będziemy korzystać zawsze z tego samego rozwiązania, ale warto mieć świadomość, że w przypadku różnych aplikacji/oprogramowania, możemy otrzymywać odmienne wyniki obliczonych wskaźników.

Podsumowując, możemy wyróżnić trzy zasady pomiaru HRV:

● zawsze w tych samych warunkach;

● zawsze w tej samej pozycji;

● zawsze o tej samej długości trwania.

Analiza Heart Rate Variability

Odpowiedni pomiar, to podstawa, ale równie ważna jest odpowiednia analiza wyników. W innym wypadku otrzymywane wartości byłyby kolejnymi nic nie znaczącymi cyferkami.

HRV cechuje się dużą zmiennością z dnia na dzień. Z tego powodu jedynie wykonywane codziennie pomiary, mogą być dla nas źródłem pełnych informacji (Flatt i Esco, 2016b). Branie pod uwagę odizolowanych wartości może prowadzić nas do błędnych wniosków.

Na przykład moglibyśmy badać swoje HRV jedynie raz w tygodniu. Przyjęlibyśmy, że pomiaru dokonujemy np. we worek. Przez kilka tygodni treningowych moglibyśmy poznać jakie wartości zwykle u siebie obserwujemy.

Nagle w jednym tygodniu mogłoby się okazać, że nasze HRV jest wyjątkowo niskie. Moglibyśmy pomyśleć, że jest coś nie tak. Być może jesteśmy przemęczeni i powinniśmy zwolnić nieco tempo.

Jednak być może dzień wcześniej z pewnych względów nasz sen nie był tak dobrej jakości jak zwykle, być może pokłóciliśmy się z kimś, albo mieliśmy ciężki dzień w pracy. Mogłoby się okazać, że przez cały tydzień nasze HRV było na normalnym dla nas poziomie, ale akurat we wtorek było bardzo niskie.

Nie powinno być to dla nas powodem do zmartwień, natomiast nie posiadając szerszego oglądu sprawy, moglibyśmy w taki sposób wyciągnąć nieprawdziwe wnioski dotyczące realnego stanu naszego HRV.

Nie ma dobrych albo złych wyników

Na poziom naszego HRV wpływa bardzo wiele różnych czynników. Są to między innymi wiek, płeć, czynniki genetyczne, czy aktywność fizyczna (Fatisson i inni, 2016). Możemy wyróżnić pewnego rodzaju normy dla danych wskaźników (Shaffer i Ginsberg, 2017). Mogą być one dla nas jedynie wskazówką, czy uzyskujemy wyniki nieco niższe, lub wyższe od całej populacji.

Natomiast podczas analizy HRV w naszym konkretnym przypadku, będziemy sprawdzali raczej, czy HRV w danym dniu, czy tygodniu jest niższe, wyższe lub takie samo jak zwykle. Nie koniecznie musimy jednak uzyskiwane wartości odnosić do wartości innych osób, a raczej analizować nasz indywidualny przypadek.

HRV nie może być analizowane w odosobnieniu

Informacja o samym HRV w danym czasie, nie może być przez nas poprawnie zinterpretowana, bez wzięcia pod uwagę jeszcze innych czynników. Jednym z nich jest faza treningowa.

W periodyzacji treningu kolarskiego mamy do czynienia z pojęciem mezocyklu. Składa się na niego kilka tygodni treningowych (zwykle trzech) oraz tzw. tydzień regeneracyjny. Podczas tygodni treningowych nasze obciążenia treningowe będą wzrastały, natomiast w okresie regeneracyjnym będą ograniczone.

Spadek średnich tygodniowych wartości RMSSD w tygodniu treningowym, może być oznaką przemęczenia, natomiast w tygodniu regeneracyjnym takie zachowanie wskaźnika jest jak najbardziej normalną reakcją i świadczy raczej o regeneracji (Plews, 2014) (szerzej opisałem to w sekcji dotyczącej metod analizy).

Przykład ten pokazuje, że takie samo zachowanie HRV, ale analizowane w różnym kontekście treningowym, będzie miało dla nas zupełnie przeciwstawne znaczenie.

Kolejnym elementem, na który musimy zwracać uwagę jest uprzednio opisane zjawisko saturacji. Z tego powodu HRV musimy analizować wraz ze zmianami w długości interwałów RR/ tętna spoczynkowego.

Czasem może zdarzyć się tak, że spadek RMSSD, nie będzie wcale spowodowany spadkiem aktywności parasympatycznej, ale wręcz przeciwnie, jej wzrostem.

M. Buchheit (2014) zauważa również, że wskaźniki związane z pomiarem tętna, mogą poinformować nas o aktualnym stanie układu sercowo naczyniowego, ale niekoniecznie dobrze odzwierciedlają stan pozostałych układów np. mięśniowego.

HRV czy tętno spoczynkowe może wskazać nam, że jesteśmy już zregenerowani, ale być może nie uwzględnia ono jeszcze innych czynników (np. uszkodzenia mięśni, czy resyntezy zawartego w nich glikogenu), dlatego autor zaleca również analizowanie dzienników treningowych, kwestionariuszy lub wykonywania prób skoczności (chociaż nie jestem pewien czy ostatni punkt może być przydatny akurat w kontekście kolarstwa).

Możemy również do tego dodać, że warto monitorować jeden z podstawowych czynników, czyli nasze samopoczucie. Czasem może ono nam powiedzieć więcej niż HRV lub tętno spoczynkowe, dlatego nie możemy o nim całkowicie zapomnieć.

Metody analizy

W literaturze natknąłem się na dwie metody, pozwalające nam na analizę HRV. Jedna została opracowana przez fińskiego badacza A. Kiviniemi’ego, natomiast druga pochodzi z Nowej Zelandii, a jej autorem jest D. Plews.

A. Kiviniemi przeprowadził dwa ciekawe badania dotyczące ustalania treningu w danym dniu na podstawie porannych pomiarów HRV. W pierwszym z nich przeprowadzonym w 2007 roku jedna grupa biegaczy podążała za klasycznym predefiniowanym planem treningowym, natomiast w przypadku drugiej, poranny poziom HF decydował o treningu w danym dniu.

Okazało się, że grupa trenująca w sposób tradycyjny zwiększyła maksymalna prędkość uzyskaną w step teście, natomiast VO2max nie uległo zmianie. Z kolei grupa bazująca na HRV poprawiła zarówno VO2max, jak i maksymalna prędkość. Ponadto poprawa rezultatów w stosunku do grupy “tradycyjnej” była wyższa i istotna statystycznie.

W kolejnym badaniu z 2010 roku zespół przeprowadził analogiczny eksperyment. Tym razem wykorzystano wskaźnik SD1, uzyskiwany z wykresu Poincare’go, który tak naprawdę jest analogiczny do RMSSD (Michael i inni, 2017).

W tym przypadku znów mieliśmy do czynienia ze standardowym treningiem w porównaniu do podejścia opartego na HRV. Jednak w przypadku kobiet porównano dwie metody ustalania treningu na podstawie HRV. Jedna z nich była analogiczna do tej stosowanej u mężczyzn, natomiast druga pozwala na uzyskanie mniejszej ilości treningu intensywnego.

W przypadku mężczyzn nie zaobserwowano różnic we wzroście VO2max pomiędzy grupami, jednak trening w oparciu o HRV spowodował większy wzrost maksymalnej mocy uzyskiwanej w teście do wyczerpania na ergometrze rowerowym.

W przypadku kobiet nie zaobserwowano istotnych różnic pomiędzy efektami treningowymi pomiędzy metodami. Niemniej jednak druga, bardziej libelarna metoda, pozwoliła uzyskać ten sam efekt, jednak mniejszym kosztem, gdyż obciążenia treningowe były w tym przypadku niższe.

Metoda Kiviniemi’ego

Wyżej opisana metoda analizy HRV bazuje na jednodniowych zapisach naszego HRV. Generalnie samym zamysłem metody, było wykonywanie treningu o wysokiej intensywności, tylko wtedy kiedy HRV było niezmienne, lub wyższe w stosunku do wartości odniesienia. W przypadku kiedy HRV było niskie, wykonywano tylko trening o niskiej intensywności.

W pierwszym badaniu wykorzystano wskaźnik HF. Jednak jak już wcześniej wspomniałem istnieje wiele przesłanek, dla których naszą analizę możemy ograniczyć do RMSSD. Ponadto w późniejszej pracy wykorzystano SD1, który jest bardzo zbliżony do RMSSD, stąd też wybór tego wskaźnika nie będzie skutkował w obniżeniu skuteczności samej metody.

Możemy wyróżnić tutaj trzy stany, w których nasze HRV może się znaleźć:

● może być ono niezmienne;

● niskie;

● wysokie.

Aby wyznaczyć wszystkie te zakresy, pierwszym krokiem jest wykonywanie codziennych pomiarów HRV przez 10 dni. Następnie musimy obliczyć wartość średnią RMSSD z tego okresu, która jednak będzie aktualizowana z każdym kolejnym dniem. Stanie się więc średnią ruchomą.

Następnie powinniśmy obliczyć na tej podstawie wartość odniesienia, która jest średnią z 10 dni pomniejszoną o odchylenie standardowe z tego samego okresu. Podobnie jak średnia, wartość, ta również będzie każdego dnia będzie aktualizowana.

Następnie na jednym wykresie musimy umieścić średnią RMSSD z 10 dni, średnią pomniejszoną o odchylenie standardowe oraz wartość wskaźnika z jednego dnia. Na tej podstawie będziemy w stanie określić, gdzie wartość z danego dnia znajduje się w stosunku do wyznaczonych zakresów.

Jeżeli RMSSD znajduję się poniżej średniej pomniejszonej o odchylenie standardowe, możemy uznać, że HRV w tym dniu jest niskie. W przypadku kiedy wartość z danego dnia znajdzie się pomiędzy średnią, a średnią pomniejszoną o odchylenie, możemy uznać, że HRV jest niezmienne. Z kolei kiedy RMSSD z danego dnia jest wyższe od średniej, uznamy, że wartość wskaźnika jest wysoka.

W przypadku wcześniej opisywanej metody wykorzystywanej w przypadku mężczyzn, kiedy HRV było niezmienne lub wysokie, wykonywali oni trening intensywny (czyli powyżej średniej pomniejszonej o odchylenie standardowe), natomiast kiedy było niskie, wykonywali trening o niskiej intensywności (czyli poniżej średniej pomniejszonej o odchylenie).

Z kolei w drugiej metodzie zastosowanej u kobiet, uczestniczki eksperymentu wykonywały trening o wysokiej intensywności tylko wtedy, kiedy ich HRV było wysokie (czyli tylko wtedy kiedy wartość HRV była powyżej średniej z 10 dni).

Ponadto wprowadzono szereg dodatkowych zasad:

● maksymalnie 9 dni treningowych ciągiem;

● maksymalnie 2 treningi intensywne pod rząd;

● za niskie HRV uznawano również jego dwu dniowy trend spadkowy.

Korzystano przy tym ze schematu, podobnego do tego poniżej:

Trening, który opiera się na HRV, rzeczywiście pozwala na uzyskanie nieco lepszych rezultatów, w stosunku do tradycyjnego podejścia. Niemniej jednak zyski nie są wcale stosunkowo duże (Granero-Gallegos i inni, 2020; Medellín Ruiz i inni, 2020).

Mimo wszystko jak zauważył J. Medellín Ruiz w swojej metaanalizie, trening w oparciu o HRV może zwiększać ilość osób, które reagują pozytywnie na dany trening, oraz eliminować przypadki kiedy dana metoda nie pozwoli komuś na poprawę rezultatów, lub co gorsza, spowoduje ich spadek.

Dlatego takie podejście być może nie pozwoli nam na uzyskanie dużo lepszych rezultatów od klasycznego podejścia do treningu, natomiast może potencjalnie zwiększyć prawdopodobieństwo, że program treningowy w ogóle okaże się skuteczny.

Niemniej takie podejście w większości przypadków jest niemożliwe do wdrożenia. Sprawia ono, że nie mamy pewności, jaki trening wykonamy w konkretnym dniu tygodnia. Realia są jednak zupełnie inne. Większość osób posiada większą ilość czasu na weekendzie, stąd wtedy zwykle wykonuje wtedy dłuższe treningi o niskiej intensywności, a na tygodniu trenuje bardziej intensywnie.

Z tego powodu wydaje mi się, że większość osób powinna stosować wyżej przedstawioną metodę nieco inaczej. Raczej powinna stanowić ona “zawór bezpieczeństwa”, niż podstawę o zdecydowaniu o charakterze treningu w danym dniu.

Dlatego możemy przyjąć zasadę, że jeżeli nasze RMSSD jest niskie (czyli poniżej średniej pomniejszonej o odchylenie standardowe), a mieliśmy w tym dniu do wykonania trening interwałowy, być może powinniśmy nieco zmienić plany, i wykonać w tym dniu raczej trening o niskiej intensywności.

Jeżeli nasze HRV jest niższe niż zwykle, jest to dla nas pewnego rodzaju sygnałem ostrzegawczym. Być może nie zregenerowaliśmy się jeszcze po poprzednim treningu, a może mieliśmy stresujący dzień w pracy. Niezależnie od przyczyny w takim wypadku lepiej nie wykonywać jest treningu interwałowego, który jest znacznie bardziej obciążający niż jednostka o niskiej intensywności (Seiler, Haugen i Kuffel, 2007).

Jeżeli jednak wszystko jest w porządku, a nasze HRV nie jest niskie, nie koniecznie musimy modyfikować cokolwiek w naszym planie i możemy się jego trzymać.

Warto również wspomnieć, że autorzy wyżej opisanej metody, za niskie HRV uznawali również przypadek kiedy dzienna wartość HRV spadała przez dwa kolejne dni.

Wykorzystanie metody Kiviniemi’ego w kontekście tętna spoczynkowego

Moglibyśmy zastosować identyczną metodologię, lecz zamiast HRV do obliczeń wykorzystać tętno spoczynkowe. Niemniej jednak nie jestem do końca pewien, czy takie podejście byłoby źródłem takich samych informacji, jak miało to miejsce w przypadku HRV.

Aby to uczynić musielibyśmy niejako “odwrócić”, wszystkie obliczenia dokonywane dla HRV. Dzieję się tak ze względu na fakt, iż to spadek tętna spoczynkowego może świadczyć o wzroście aktywności parasympatycznej (choć jak już wiemy nie zawsze), a w przypadku HRV taka zmiana oznacza jego wzrost.

Podobnie jak miało to miejsce w przypadku HRV, musimy obliczyć średnie tętno spoczynkowe z 10 dni (które później będzie codziennie aktualizowane jako średnia ruchoma). Następnie powinniśmy dodać (a nie odjąć jak miało to miejsce w przypadku HRV) do 10 dniowej średniej tętna spoczynkowego, odchylenie standardowe z tego samego okresu czasu, które będzie również codziennie aktualizowane.

Następnie tętno spoczynkowe z danego dnia, jego średnią z 10 dni, średnia powiększoną o odchylenie standardowe z tego samego okresu, możemy zestawić na jednym wykresie.

Podążając za metodologią przedstawioną przez Kiviniemi’ego i innych (2007, 2010), jeżeli tętno spoczynkowe z danego dnia będzie wyższe niż średnia powiększona o odchylenie, być może lepiej jest nie wykonywać w takim dniu treningu intensywnego. Jeżeli jednak nasze tętno spoczynkowe znajduję się poniżej tej granicy, możemy spokojnie tego typu trening wykonać. 

Postanowiłem jeszcze porównać na podstawie moich danych, czy metoda Kiviniemi’ego będzie w stanie przekazać nam te same informacje w zależności od tego czy zastosujemy tętno spoczynkowe, czy HRV.

Oba podejścia zweryfikowałem na podstawie liczby dni w których HRV było niskie, a tętno spoczynkowe wysokie. Przynajmniej teoretycznie w tych dniach aktywność parasympatyczna była u mnie niższa niż zwykle.

Okazało się, że w wybranym okresie zaobserwowałem o wiele więcej przypadków (osiem) niskiego HRV, niż miało to miejsce w przypadku tętna spoczynkowego (pięć). Mimo wszystko zwykle przypadki te się pokrywały.

Inaczej było tylko w przypadku 16.03, gdzie HRV było niskie, pomimo niezmiennego tętna spoczynkowego. Z kolei 27.03 HRV wypadło poza dolną granicę, natomiast tętno wzrosło dopiero dzień później (28.03).

Jednym ciekawym spostrzeżeniem jest fakt, że wystąpiły u mnie w tym czasie dwa okresy, w których HRV było wyraźnie wyższe (20.03 – 23.03 oraz 02.04 – 05.04). Reakcja tętna spoczynkowego była odwrotna, a co za tym idzie mogła świadczyć o wzroście aktywności parasympatycznej. Mimo wszystko 06.04, tętno okazało się być niskie, pomimo niskiego HRV (być może to zjawisko saturacji, choć wszystkie pomiary były dokonywane w pozycji siedzącej).

Widzimy, że jak najbardziej możemy zastosować metodologię Kiviniemi’ego dla tętna spoczynkowego. Mimo wszystko istniały tutaj pewne rozbieżności w stosunku do HRV. Ciężko stwierdzić z czego mogły one wynikać, lecz wydaje mi się, że po części mogło być to spowodowane faktem, że spadek/wzrost tętna spoczynkowego nie zawsze oznacza spadek/wzrost aktywności parasympatycznej.

Być może rolę po części odegrało tutaj zjawisko saturacji, chociaż jak wspomniałem pomiary dokonywałem siedząc, więc przynajmniej teoretycznie powinno być ono zredukowane.

Metoda Plews’a

Metoda D. Plews’a pierwotnie nie była wykorzystywana do decydowania o charakterze treningu w danym okresie, chociaż z powodzeniem została wykorzystana również w tym względzie (Vesterinen i inni, 2016).

Wydaję mi się, że pierwotnym założeniem tego podejścia było monitorowanie adaptacji treningowych oraz zapobiega przetrenowaniu, w czym zresztą bardzo dobrze się sprawdza.

Nie bazuje ona jednak na jedno dniowych wartościach RMSSD, tylko na uśrednionych w trakcie 1 tygodnia. Podejście to wywodzi się zapewne min. z faktu, iż na podstawie wyników publikacji, w której jednodniowe wartości lnRMSSD (czyli logarytmu naturalnego z RMSSD) nie były skorelowane z MAS (Maximal Aerobic Speed) oraz czasem uzyskiwanym w biegu na 10 km, natomiast w przypadku uśrednionych wartości na przestrzeni 1 tygodnia, zależność ta była znacznie silniejsza (Plews i inni, 2013).

Ponadto w studium przypadku dotyczącym triathlonu, u osoby, która wkroczyła w stan przetrenowania i uzyskała kiepski wynik w docelowych zawodach, zaobserwowano spadek 7 dniowych wartości lnRMSSD, do dnia wyścigu (Plews i inni, 2012). Takie podejście może być zatem potencjalnie skuteczne we wczesnej identyfikacji przetrenowania.

Mimo wszystko niektórzy autorzy uważają, że uśrednianie wartości RMSSD, może prowadzić do utraty pewnych informacji (Schneider i inni, 2019). Niemniej jednak jak wyjaśnię poniżej, oba podejścia stanowią dla nas cenną wskazówkę, lecz wykorzystanie każdego z nich, może posłużyć nam do zupełnie innych celów.

Przejdźmy jednak do samego sedna, czyli do technicznych aspektów związanych z wykorzystaniem tej metody. Stosowane w niej jest SWC (Smallest Worthwhile Change), czyli najmniejsza istotną zmianę RMSSD.

Wykonywanie różnych pomiarów zawsze wiąże się z pewnego rodzaju błędem. Nie inaczej jest w przypadku HRV. Być może zmiana jego tygodniowej wartości o 1 ms, nie ma dla nas żadnego praktycznego znaczenia, gdyż  mogła być ona spowodowana jedynie losowym przypadkiem.

Dlatego SWC pomaga nam określić najmniejszą zmianę w danym parametrze, która będzie miała dla nas praktyczne znaczenie.

Problem w tym, że nie ma zgodności jak taką zmianę dla RMSSD wyznaczyć. Możemy spotkać się z wykorzystaniem do jej wyliczenia współczynnika wariancji, albo odchylenia standardowego. Za SWC, możemy przyjąć połowę odchylenia standardowego, pomnożonego przez średnią wartość RMSSD z dłuższego czasu (0,5 x odchylenie). Możemy spotkać również z innym podejściem, np. 0,3, 0,5, 1 x współczynnik wariancji.

Ponadto M. Buchheit (2014), zauważył, że SWC pierwotnie było wykorzystywane do wyznaczenia minimalnej poprawy rezultatów danej osoby, która mogła zwiększyć prawdopodobieństwo wygrania zawodów.

Jednak zastosowanie tej koncepcji do badania zmian w zakresie fizjologicznych reakcji organizmu (np. zmiany tętna spoczynkowego lub HRV), jest nieco mniej jasne. 

Kolejną sprawą jest również problem z określeniem zakresu czasowego, na którego podstawie obliczamy komponenty SWC, czyli odchylenia standardowego/współczynnika wariancji.

D. Plews (2014) w swojej pracy doktorskiej zaznaczył, że SWC wyznaczone jako 0,5 x współczynnika wariancji RMSSD z 14 dni, okazało się być dobrą metodą pozwalającą na śledzenie zmian HRV.

Z kolei inni autorzy wykorzystali 28 dni w celu wyznaczenia SWC oraz obliczyli je jako 0,5 x odchylenie standardowe (Vesterinen i inni, 2016). Z kolei w innej publikacji spotykamy się z SWC wyznaczonym na podstawie danych z 5 tygodni, jako 0,5 x współczynnik wariancji (Le Meur i inni, 2013).

Kolejnym problemem jest okres, w którym chcemy SWC wyznaczyć. Zwykle mówi się o “normalnym” okresie treningowym, czyli takim, który nie jest obarczony dużą ilością stresu (Vesterinen i inni, 2016).

Jednak w zależności od tego, co uznamy za “normalny” okres, uzyskamy różne efekty naszej analizy. Moglibyśmy założyć, że okres ten, to czas kiedy nie wykonujemy treningów intensywnych, a objętość treningu nie jest wysoka (podobnie jak ma to miejsce w przypadku tygodni regeneracyjnych).

W takim wypadku SWC informowałyby czy nasze HRV jest wyższe, niższe lub niezmienne, ale w stosunku do tego okresu treningowego. Kiedy przyjęlibyśmy jednak, że SWC wyznaczymy na przestrzeni “normalnego” mezocyklu, który zawiera kilka tygodni zwiększających się obciążeń oraz tydzień regeneracyjny, wszystkie porównania odnosiłyby się właśnie do niego. Otrzymaliśmy zatem z pewnością inny wynik.

Jeszcze jednym problemem jest aktualizacja SWC po pewnym okresie czasu. Z pewnością nie możemy zakładać, że jego wartość będzie stała w czasie, biorąc pod uwagę zwykle obserwowaną zależność pomiędzy HRV, a poziomem wydolności.

Trening wytrzymałościowy generalnie prowadzi do zwiększenia HRV i spadku tętna spoczynkowego (Sandercock i inni, 2005). Niemniej jednak zależność między formą, a HRV przypomina odwrócone U.

Zarówno u osób nie podejmujących aktywności fizycznej, jak i u najlepszych sportowców, HRV może być niższe w stosunku do osób znajdujących się pośrodku tej zależności (Plews, 2014). Niemniej jednak w przypadku bardzo dobrze wytrenowanych osób, niższe wartości mogą być spowodowane wcześniej opisanym zjawiskiem saturacji.

Z tego powodu po pewnym czasie musielibyśmy zaktualizować nasze SWC. Pytanie tylko po jakim? Na przykład w jednej publikacji uczyniono to po 4 tygodniach treningu (Vesterinen i inni, 2016), natomiast ciężko stwierdzić, czy było to optymalne działanie, czy też nie.

Widzimy zatem, że zupełnie nie ma zgodności co do tego jak ową najmniejszą istotną zmianę wyznaczyć.

Z powodu na powyżej opisane niejasności, postanowiłem przeprowadzić kilka symulacji na własnych danych, aby sprawdzić jak różne podejścia wpływają na uzyskany wynik SWC.

Na początku sprawdziłem czy istnieje jakaś różnica, kiedy do wyliczeń wykorzystamy współczynnik wariancji (CV) lub odchylenie standardowe (SD). Okazało się, że wynik był identyczny, co jest spowodowane samym sposobem obliczania współczynnika wariancji (odchylenie/średnia x 100%).

W tym przypadku SWC wyznaczyłem jako 0,5 x CV/SD, uzyskane z 7 dniowej średniej ruchomej RMSSD (nie z wartości z każdego dnia)

Następnym krokiem było obliczenie SWC na podstawie danych z 14 oraz 28 dni. Okazało się, że otrzymane wyniki odbiegały od siebie (2,1 vs 3,45).

Przy pomocy SWC wyznaczamy pewnego rodzaju zakres. Jeżeli średnia ruchoma RMSSD z 7 dni znajduję się w jego granicach, możemy uznać, że nasze HRV jest niezmienne (przynajmniej w stosunku do okresu, w którym SWC wyznaczyliśmy).

Aby go wyznaczyć wystarczy odjąć, a następnie dodać SWC do średniej wartości ruchomej średniej RMSSD z 7 dni, aby otrzymać dwie linie graniczne. Być może wydawać się to dziwne, że musimy obliczyć średnią średniej, natomiast kiedy określamy ten zakres właśnie dla tego wskaźnika, powinniśmy tak postąpić.

Sprawdziłem jak zaobserwowane różnice w SWC, wpłyną na wyznaczenie owego zakresu.

Okazało się, że zakres uzyskany z 14 dni, był wyższy niż ten wyznaczony z 28. Pomimo, że po części oba się pokrywały, to mimo wszystko znacząco się od siebie różniły. Możemy zadać sobie zatem pytanie, który z nich jest prawidłowy?

Oczywiście nie jestem w stanie tego stwierdzić. Niemniej jednak takie różnice mogłyby wpłynąć na interpretację naszych analiz. Biorąc pod uwagę, że sam sposób wyznaczania SWC oraz zakresu “bazowego” może znacząco wpłynąć na uzyskany wynik oraz na późniejszą interpretację naszych analiz, wydaje mi się, że zastosowanie SWC w kontekście HRV może być dla nas nieco mylące.

Z tego powodu wydaje mi się, że nasze analizy moglibyśmy ograniczyć jedynie do śledzenia trendów w zakresie 7 dniowej średniej ruchomej RMSSD, gdyż zastosowanie w tym przypadku SWC jest bardzo niejasne.

Przygotowałem również wideo objaśniające jak przygotować wykresy dotyczące zarówno metody Kiviniemi’ego i Plews’a w darmowym arkuszu kalkulacyjnym:

Jak wykorzystać metodę Plews’a w praktyce

Mimo, że moim zdaniem wykorzystanie SWC w kontekście HRV, może w pewnym sensie czasem wprowadzać nas w błąd, to drugi komponent wyżej opisanej metody, czyli 7 dniowa średnia ruchoma RMSSD może być dla nas źródłem wielu cennych informacji.

We wcześniejszej metodzie Kiviniemi’ego wykorzystano jednodniowe wartości HRV. Z kolei w tym przypadku mamy do czynienia z wartościami uśrednionymi w dłuższym okresie czasu. Możemy więc zadać sobie pytanie, które podejście jest lepsze?

Jak już wiemy uśrednione wartości z jednej strony lepiej przewidywały adaptacje treningowe u biegaczy, a z drugiej pozwalały na identyfikację przetrenowania (Plews i inni, 2012, 2013). Możemy przyjąć to za argument w stronę wykorzystania wartości uśrednionych.

Jednak jak trafnie zauważył V. Vesterinen wraz ze swoim zespołem (2016) jedna jednostka treningowa ma znikomy wpływ na 7 dniową wartość RMSSD, w przeciwieństwie do wartości jednodniowych. W przytoczonej publikacji wykorzystano metodę Plews’a do decydowania o charakterze treningu w danym okresie.

Jednak w przeciwieństwie do publikacji Kiviniemi’ego i innych (2007, 2010), tutaj 7 dniowa średnia RMSSD, w zależności do wyznaczonego Smallest Worthwhile Change, stanowiła podstawę nie do preskrypcji treningu w danym dniu tygodnia, ale całych bloków treningu o wysokiej intensywności.

Dlatego oba wyżej przedstawione podejścia są jak najbardziej poprawne, ale mogą służyć nam do zupełnie innych celów. Metoda Kiviniemi’ego sprawdza się raczej w skali mikro. Może posłużyć nam do monitorowania HRV w obrębie jednego tygodnia treningowego i wprowadzania na tej podstawie pewnych jego modyfikacji.

Z kolei metoda Plews’a, będzie sprawdzała się w skali makro. Tutaj będziemy analizowali zachowanie HRV na przestrzeni całego mezocyklu treningowego.

Jak zatem zachowuje się 7 dniowa średnia ruchoma RMSSD podczas treningu? Najlepszą odpowiedzią jest „to zależy”. Mianowicie zależy to głównie od fazy treningowej. Zwracałem już na to uwagę, że interpretacja zachowania HRV zależy od tego czy analizujemy tygodnie treningowe, czy regeneracyjne.

Przejdźmy teraz jednak do konkretów. Bardzo często obserwuję się charakterystyczne zachowanie 7 dniowej średniej RMSSD, które zwykle prowadzi do uzyskiwania optymalnych rezultatów (Plews, 2014; Buchheit, 2014).

Zachowanie to jest następujące:

● w tygodniach treningowych obserwujemy wzrost 7 dniowej średniej ruchomej RMSSD;

● w tygodniach regeneracyjnych jej spadek.

Dobrze obrazuje to przykład podany przez M. Buchhieta (2014). Na poniższym wykresie mamy podane dane dotyczące różnych parametrów mierzonych u biegacza podczas okresu treningowego.

Zaczynając od góry, na pierwszym wykresie zaprezentowany jest czas na 10 km oraz czasy osiągane podczas treningu interwałowego 5 x 1600 m. Dane te wyrażone są jako procent pierwotnego czasu przed okresem treningowym, a więc im niższy procent, tym lepszy czas, a co za tym idzie lepsza forma.

Na drugim wykresie mamy przedstawione zachowanie tętna spoczynkowego (na niebiesko 7 dniowej średniej ruchomej, na szaro wartości z danego dnia). Trzeci przedstawia 7 dniową średnia ruchomą lnRMSSD (na czerwono) oraz wartości jednodniowe (na szaro).

Kolejny wykres przedstawia stosunek lnRMSSD do średniej długości interwału RR. Wskaźnik ten może być pomocy w przypadku wykrywania zjawiska saturacji, co opiszę nieco później.

Wykres na samym dole przedstawia obciążenia treningowe, obliczone za pomocą metody opracowanej przez C. Foster’a, bazującej na globalnym odczuciu wysiłku po danym treningu. Szerzej aspekt obciążeń treningowych poruszyłem Tutaj. W tym przypadku obliczono je jako ocena na skali Borga CR-10 razy czas trwania wysiłku.

Na niebiesko zaznaczyłem okres, w którym zawodnik zwiększał swoje obciążenia treningowe, a zatem możemy określić je fazą treningową. Jeżeli zwrócimy uwagę na zachowanie 7 dniowej średniej lnRMSSD, to zauważymy, że jego wartość wzrasta wraz ze zwiększaniem się obciążeń.

Obserwujemy jednoczesny spadek 7 dniowej średniej ruchomej tętna spoczynkowego. Mimo wszystko w jednym momencie pod koniec tej fazy, wciąż możemy zaobserwować spadek HRV oraz wzrost tętna.

Kiedy przyjrzymy się ostatniemu tygodniowi, początkowo HRV rośnie, natomiast tętno spada. Mimo wszystko pod jego koniec oba wskaźniki wracają do wartości obserwowanych okresu treningowego.

Jeżeli zwrócimy uwagę wyniki uzyskiwane w 10 km biegu (czarne kropki na pierwszym wykresie) zauważymy, że pod koniec całego mezocyklu, czas na tym dystansie poprawił się u tego zawodnika w znaczącym stopniu.

Pomimo, że to tylko jeden przykład, to pokazuje on, że “falujące” zachowanie HRV oraz tętna spoczynkowego w różnych fazach treningowych, może rzeczywiście być optymalna reakcją, świadczącą o pozytywnych adaptacjach treningowych.

Zachowanie RMSSD, a funkcjonalne przeładowanie

Y. Le Meur wraz ze swoim zespołem (2013) przeprowadził ciekawy eksperyment. 24 triathlonistów zostało podzielonych na 2 grupy. Pierwsza faza treningowa dla obu z nich wyglądała identycznie.

Składała się z 3 tygodni normalnie stosowanego przez nich treningu, po którym nastąpił tydzień regeneracyjny. Następnie jedna z grup powtórzyła identyczny mezocykl treningowy (3 tygodnie treningowe + 1 regeneracyjny).

Z kolei uczestnicy należący do drugiej z nich, zwiększyli swoje obciążenia treningowe o 40%. Nie odnosiło się to jednak do różnych miar obciążeń takich jak np. TRIMP, natomiast raczej do objętości danego treningu. Autorzy podali przykład, że jednostka trwająca godzinę oraz zawierająca sześć 400 m powtórzeń na MAS (Maximal Aerobic Speed), zamieniała się w 85 min trening z 10 takimi powtórzeniami.

Zabieg ten miał wywołać u triathlonistów funkcjonalne przeładowanie (FOR – Functional Overreaching). Owe zjawisko charakteryzuje się początkowym spadkiem osiągów, które jednak powracają do wartości wyższych niż te obserwowane przed jego wystąpieniem, lecz po zastosowaniu odpowiedniego okresu odpoczynku.

Z kolei niefunkcjonalne przeładowanie (NFOR – Non Functional Overreaching), charakteryzuje się tym, że po zastosowaniu okresu odpoczynku, nasza forma wraca jedynie do poziomu sprzed jego wystąpienia, jednak bez żadnej poprawy.

Fakt, czy osiągi zawodników spadały czy też nie, weryfikowano poprzez zastosowanie w drugiej części eksperymentu cotygodniowych maksymalnych testów do wyczerpania na bieżni.

Okazało się, że u osób, które wkroczyły w stan funkcjonalnego przeładowania, zaobserwowano identyczne reakcje w kontekście tętna spoczynkowego oraz HRV, jak te opisane powyżej.

Podczas okresu zwiększania obciążeń treningowych, u 11 z 13 triathlonistów z tej grupy zaobserwowano spadek tętna spoczynkowego w pozycji leżącej, a w pozycji stojącej miało to miejsce u wszystkich z nich (wykorzystywano test ortostatyczny).

Biorąc pod uwagę tygodniowe wartości HRV (nie zastosowano tutaj średniej ruchomej), lnRMSSD wzrosło u nich w obu pozycjach, natomiast lnHF (podobnie jak ma to miejsce w przypadku RMSSD, wyciągnięto tutaj logarytm naturalny z mocy w HF) wzrosło w pozycji stojącej.

Zmiany te zostały odwrócone po zastosowaniu tygodnia regeneracyjnego. HRV zmalało, a tętno spoczynkowe wzrosło, natomiast były one nieco wyższe niż przed zastosowaniem okresu przeładowania.

Ponadto zawodnicy, którzy wkroczyli w stan funkcjonalnego przeładowania znacząco poprawili swoje osiągi po zastosowaniu odpoczynku, pomimo, że w trakcie okresu zwiększonych obciążeń treningowych zaobserwowano ich sukcesywny spadek.

Z kolei u osób znajdujących się w grupie kontrolnej, zarówno HRV, jak i tętno spoczynkowe, były na względnie stałym poziomie. Pomimo, że grupa ta poprawiła swoje rezultaty w stosunku do początku eksperymentu, to jednak w mniejszym stopniu niż osoby funkcjonalnie przeładowane.

Wyniki tego eksperymentu pokazują, że wzrost tygodniowych wartości HRV lub spadek tętna spoczynkowego może świadczyć o wystąpieniu funkcjonalnego przeładowania. Takie zachowanie wskaźników może świadczyć o pozytywnych adaptacjach treningowych, które ujawniają się jednak dopiero po zastosowaniu odpoczynku.

Z drugiej jednak strony przykład grupy kontrolnej pokazuje nam, że wzrost HRV/spadek tętna spoczynkowego nie jest warunkiem koniecznym do uzyskania pozytywnych adaptacji treningowych. 

Być może osoby te poprawiły swoje rezultaty w mniejszym stopniu, natomiast możemy wyciągnąć z tego przykładu wniosek, że stabilne zachowanie tygodniowych wartości HRV/tętna spoczynkowego, nie musi być negatywną reakcją podczas tygodni treningowych.

Czy funkcjonalne przeładowanie jest najlepszą taktyka treningową?

W poprzednim przykładzie wywołanie funkcjonalnego przeładowania okazało się być lepszym podejściem, niż utrzymanie obciążeń treningowych na tym samym poziomie. Czy jednak taka taktyka treningowa jest również tą najbardziej optymalną?

Zweryfikowano to w badaniu z 2014 (Aubry i inni). Pod wieloma względami było analogiczne do wyżej przytoczonego. Znów mieliśmy do czynienia z triathlonistami, podzielonymi na grupę o zwiększonych i niezmiennych obciążeniach treningowych.

Zastosowano ten sam układ 3 tygodni treningowych i 1 tygodnia regeneracyjnego, lecz po zakończeniu fazy treningowej okres regeneracji był tutaj nieco dłuższy i wynosił 4 tygodnie.

Pierwsza grupa wykonała ten sam program treningowy w dwóch kolejnych mezocyklach (3+1), natomiast druga z nich zwiększyła swoje obciążenia w stosunku do pierwszego mezocyklu o 30%, natomiast tak jak poprzednio odnosiło się to raczej do czasu jednostki treningowej, a nie różnych miar obciążeń (np. TRIMP).

Tutaj poziom formy określano na podstawie testu do wyczerpania na ergometrze rowerowym. Obie grupy wykonały go na początku i na końcu drugiego mezocyklu treningowego oraz w każdym tygodniu okresu regeneracji.

Okazało się, że w grupie zwiększającej obciążenia można było wyodrębnić jeszcze dwie podgrupy. Jedne osoby utrzymały poziom swojej formy, pomimo zwiększenia obciążeń treningowych, dlatego kryterium funkcjonalnego przeładowania nie zostało tutaj spełnione.

Autorzy określili osoby te jako mocno zmęczone (AF – Acutely Fatigued). U pozostałych uczestników tej grupy zaobserwowano spadek osiągów po zwiększeniu obciążeń, dlatego stwierdzono u nich funkcjonalne przeładowanie.

Wszystkie grupy były w stanie poprawić swoje rezultaty, po zastosowaniu okresu redukcji (czyli zmniejszenia objętości, przy zachowaniu intensywności). Niemniej jednak okazało się, że najlepsze efekty uzyskano w przypadku grupy osób mocno zmęczonych (AF), a nie tych u których stwierdzono funkcjonalne przeładowanie (FOR).

Ponadto początkowo autorzy przyjęli hipotezę, że funkcjonalne przeładowanie wywoła lepsze efekty, lecz po zastosowaniu dłuższego okresu regeneracji. Okazało się jednak, że zarówno w przypadku mocnego zmęczenia, jak i funkcjonalnego przeładowania, najwięcej maksymalnych wyników, uzyskano w 2 tygodniu po okresie zwiększonych obciążeń.

Wyniki te pokazują, że rzeczywiście zwiększanie obciążeń jest oczywiście zabiegiem korzystnym, natomiast funkcjonalne przeładowanie niekoniecznie musi prowadzić do maksymalnych efektów treningowych.

Mimo wszystko analiza wartości dotyczących całych grup zawodników, niekoniecznie musi stanowić dla nas źródło dobrych informacji. Dzieje się tak ze względu na powszechnie obserwowaną ogromną różnorodność uzyskiwanych adaptacji treningowych (Bouchard i inni, 1999).

Mówiąc prostymi słowami – ten sam trening daje zupełnie różne efekty dla różnych osób.

Tutaj podano jednak na wykresie również indywidualne reakcje konkretnych osób. W grupie kontrolnej nie zwiększającej obciążeń, 2 osoby nie były wstanie zwiększyć maksymalnej mocy uzyskiwanej w teście do wyczerpania.

Jednak zarówno w grupie osób funkcjonalnie przeładowanych, jak i mocno zmęczonych, wszyscy uczestnicy poprawili swoja moc w teście do wyczerpania, chociaż rzeczywiście wydaje się, że u “mocno zmęczonych” znalazło się więcej przypadków znacznej poprawy.

Niestety w przypadku tej pracy nie wykonywano wśród uczestników pomiarów HRV. Dlatego na tej podstawie nie możemy stwierdzić, czy średnia RMSSD wzrasta tylko w przypadku funkcjonalnego przeładowania, a może dzieję się tak niezależnie czy zjawisko to wystąpi czy też nie.

Drugą kwestią jest fakt, że grupa kontrolna nie zwiększyła swoich obciążeń w kolejnym mezocyklu. W praktyce zwykle nie stosuje się takiej taktyki, gdyż obciążenia treningowe należy jednak powoli ale sukcesywnie zwiększać. W innym przypadku bardzo prawdopodobnym jest, że nie będziemy wstanie uzyskać dalszego wzrostu formy.

Dlatego ciekawym byłoby sprawdzenie, co spowodowałoby zwiększenie obciążeń treningowych, ale nie tak radykalne jak zastosowano tutaj, tylko nieco mniejsze np. o 10%. Być może wtedy zaobserwowano by jeszcze większy wzrost formy, niż miało to miejsce w grupie osób mocno zmęczonych. Niestety na podstawie tej pracy nie poznamy odpowiedzi na to pytanie.

Zjawisko saturacji, a 7 dniowa średnia ruchoma RMSSD

O zjawisku saturacji wspominałem już w tym tekście niejednokrotnie. Jednak jak w praktyce możemy podejść do jego identyfikacji? D. Plews (2014) w swojej pracy doktorskiej zaprezentował możliwość wykorzystania stosunku RMSSD do średniej długości interwału RR (RMSSD:RR ratio).

Wskaźnik ten obliczany dzieląc uzyskaną w danym dniu wartość RMSSD, przez średnią długość interwału RR:

RMSSD:RR ratio = RMSSD / średni RR 

Jest to wskaźnik pomocniczy w stosunku do 7 dniowej średniej ruchomej RMSSD. Kiedy będziemy mieli do czynienia z sytuacją, nastąpi jednoczesny spadek zarówno wskaźnika, jak i RMSSD.

Generalnie będzie oznaczało to spadek RMSSD, ale przy jednoczesnym spadku tętna spoczynkowego.

Pozostaje jednak pytanie czy również w przypadku tego wskaźnika warto wykorzystywać średnią ruchomą z 7 dni? Ciężko odpowiedzieć mi na to pytanie, jednak M. Buchheit we wcześniej prezentowanym przykładzie biegacza zastosował zarówno wartości jednodniowe, jak i uśrednione. Niestety nie mam pojęcia, które podejście jest lepsze.

D. Plews zaznacza, że jednoczesny spadek RMSSD oraz wzrost wskaźnika, może świadczyć o zmęczeniu i niepożądanych adaptacjach treningowych. Oznacza to jednoczesny spadek HRV oraz wzrost tętna spoczynkowego.

Warto zauważyć jednak, że ma to odzwierciedlenie jedynie w kontekście tygodni treningowych, kiedy to zwiększamy obciążenia. Jednoczesny spadek RMSSD, wraz ze wzrastającym wskaźnikiem będzie jednak jak najbardziej normalną reakcją w przypadku tygodnia regeneracyjnego, przy nieco zmniejszonych obciążeniach.

Oprócz dwóch powyższych zależności, M. Buchheit (2014) wyróżnił jeszcze dwie sytuacje:

● wzrost RMSSD przy spadku RMSSD:RR ratio lub niezmiennym poziomie;

● wzrost RMSSD przy jednoczesnym wzroście RMSSD:RR ratio.

Pierwszy przypadek autor interpretuje jako dobre radzenie sobie z obciążeniami treningowymi.

Natomiast jak zauważa, druga sytuacja może wystąpić na początku bloku treningowego, prawdopodobnie u osób prezentujących uprzednio saturację. Autor zaznacza, że jeżeli takie zjawisko występuje w przypadku krótkich bloków treningowych, to oznacza zwiększenie gotowości do zawodów. Jeżeli jednak się przedłuża, może świadczyć o skumulowanym zmęczeniu.

Metoda Plews’a w przypadku tętna spoczynkowego

Podejście to jak najbardziej może zostać wykorzystane w przypadku tętna spoczynkowego. Pokazują to chociażby wcześniejsze już przytaczane przykłady. W publikacji Plews’a i innych (2013) uśrednione na przestrzeni tygodnia tętno spoczynkowe okazało się być tylko nieco mniej skorelowane z MAS (Maximal Aerobic Speed) oraz wynikami biegu na 10 km od HRV.

Podobnie było w przypadku wykresu sporządzonego przez M. Buchheit. Tam reakcję tętna spoczynkowego, pokrywały się z tymi obserwowanymi w przypadku lnRMSSD.

Z tego powodu nic nie stoi na przeszkodzie aby w metodzie tej wykorzystać tętno spoczynkowe. Zasady analizy są prawie identyczne. Również powinniśmy wyznaczyć 7 dniową średnią ruchomą (tylko że dla tętna spoczynkowego). Możemy również obliczyć SWC dla tego parametru, chociaż jak zaznaczyłem istnieje w tym względzie wiele niejasności.

Jedyną różnicą jest fakt, że zmiany w zakresie tętna spoczynkowego, będą odwrotne do tych obserwowanych w przypadku HRV. Dzieje się tak ze względu na to, że spadek, a nie wzrost tętna może (ale jak niejednokrotnie zaznaczyłem, nie musi) świadczyć o wzroście aktywności parasympatycznej.

Dlatego wszystkie zasady obowiązujące przy HRV, będą zupełnie odwrotne przy tętnie.

Podsumowanie: zachowanie tętna spoczynkowego oraz HRV w zależności od fazy treningowej

Wiemy już, że HRV nie należy interpretować w oderwaniu od innych ważnych czynników, którymi są faza treningowa czy zjawisko jego saturacji. Dlatego poniżej postanowiłem zebrać wszystkie informacje dotyczące zachowania 7 dniowych średnich ruchomych dla RMSS, jak i dla tętna spoczynkowego.

Faza treningowa

Jako fazę treningową mam na myśli okres kiedy zwiększamy nasze obciążenia treningowe. Najczęściej spotykanym czasem jej trwania są 3 tygodnie treningowe.

W przypadku kiedy średnia ruchoma dla tętna spada, natomiast dla HRV wzrasta, mamy do czynienia raczej z pozytywnymi adaptacjami treningowymi, które po zastosowaniu okresu odpoczynku mogą prowadzić do wzrostu formy.

Warto jednak pamiętać, że takie zachowanie może świadczyć o funkcjonalnym przeładowaniu (FOR – Functional Overreaching). W jego przypadku nasza forma w fazie treningowej będzie wręcz spadać. Dopiero po zastosowaniu odpoczynku nasze osiągi wzrosną.

Ciężko stwierdzić jest jednak czy wzrost HRV/spadek tętna spoczynkowego zawsze oznacza funkcjonalne przeładowanie. Nie natknąłem się na dane, które mogłyby rozwiać te wątpliwości, chociaż u siebie obserwowałem taką reakcję, a przy tym nic nie wskazywało abym wkroczył w FOR.

Drugą pozytywną reakcją średnich ruchomych tętna/HRV jest ich stabilna wartość. Jak pokazał przykład badania dotyczącego funkcjonalnego przeładowania wśród triathlonistów (Le Meur i inni, 2013), wzrost wskaźników wcale nie jest konieczny do uzyskania poprawy rezultatów.

Coś co być może nie jest najlepsza reakcją w fazie treningowej, to znaczący spadek średniej ruchomej HRV lub wzrost dla tętna spoczynkowego. Być może po zastosowaniu okresu odpoczynku nawet w tym przypadku zaobserwowaliśmy wzrost formy (ciężko stwierdzić), ale jeśli taka sytuacja się przedłuża, być może powinniśmy przemyśleć czy nie wkraczamy już w stan przetrenowania.

Tutaj to odpoczynek, a nie trening spowodowałby wzrost naszej formy.

Oczywiście musimy mieć również mogące wystąpić w fazie treningowej zjawisko saturacji HRV (dla tętna spoczynkowego nie będzie to istotne). Jeżeli obserwujemy, że rzeczywiście średnia ruchoma RMSSD spada, ale jednocześnie spada tętno spoczynkowe lub RMSSD:RR ratio, nie powinniśmy się martwić.

Pomimo spadku HRV, może oznaczać to wręcz wzrost aktywności parasympatycznej, dlatego w tym przypadku reakcja ta jest jak najbardziej normalna.

Faza regeneracyjna

Jako fazę regeneracyjną rozumiem okres, kiedy to zmniejszamy (np. o 40, 50%) nasze obciążenia treningowe. Zaliczać się będą tutaj tygodnie regeneracyjne, gdzie zwykle zmniejszamy objętość i rezygnujemy z intensywności oraz okresy redukcji przed zawodami, gdzie intensywność pozostaje niezmienna pomimo spadku objętości.

W tym kontekście coś co było negatywne dla fazy treningowej, tutaj będzie zjawiskiem normalnym. Kiedy w fazie treningowej obserwujemy wzrost średniej ruchomej RMSSD lub spadek dla tętna spoczynkowego, w okresie regeneracji HRV zwykle będzie tutaj, a tętno wzrastać.

Możliwe są jednak zapewne również inne reakcje. Kiedy w fazie treningowej zarówno HRV jak i tętno były stabilne, może okazać się, że będzie tak również przy regeneracji.

Zapewne podczas tygodnia regeneracyjnego może również zdarzyć się tak, że RMSSD wzrośnie, a tętno spadnie. Było tak chociażby w przypadku biegacza z wykresu M. Buchheit.

Monitorowanie swojego indywidualnego przypadku

Przedstawione wyżej reakcje są typowymi. Nie możemy wykluczyć, że czasem mogą wystąpić od nich odstępstwa. Dlatego warto monitorować zachowanie HRV lub tętna spoczynkowego w swoim indywidualnym przypadku.

Na tej podstawie być może uda nam się zaobserwować unikalne dla nas trendy. Wskaźniki te warto analizować w kontekście wzrostu formy. Regularne monitorowanie swoich postępów to klucz do uzyskiwania zadowalającego wzrostu formy, ale możemy analizować je reównież w kontekście zachowania HRV lub tętna spoczynkowego.

Jeżeli w danym okresie uzyskaliśmy wzrost formy, warto przeanalizować jak zachowywało się wtedy HRV/tętno w kontekście różnych faz treningowych. Być może na tej podstawie uda nam się dokonać ciekawych obserwacji.

Źródła:

  1. Shaffer, F., McCraty, R., & Zerr, C. L. (2014). A healthy heart is not a metronome: an integrative review of the heart’s anatomy and heart rate variability. Frontiers in psychology, 5, 1040. https://doi.org/10.3389/fpsyg.2014.01040
  2. Billman, G. E. (2011). Heart rate variability–a historical perspective. Frontiers in physiology, 2, 86.
  3. Singh, N., Moneghetti, K. J., Christle, J. W., Hadley, D., Plews, D., & Froelicher, V. (2018a). Heart Rate Variability: An Old Metric with New Meaning in the Era of using mHealth Technologies for Health and Exercise Training Guidance. Part One: Physiology and Methods. Arrhythmia & electrophysiology review, 7(3), 193–198. 
  4. Singh, N., Moneghetti, K. J., Christle, J. W., Hadley, D., Froelicher, V., & Plews, D. (2018b). Heart rate variability: an old metric with new meaning in the era of using mhealth technologies for health and exercise training guidance. part two: prognosis and training. Arrhythmia & electrophysiology review, 7(4), 247.
  5. Shaffer, F., & Ginsberg, J. P. (2017). An overview of heart rate variability metrics and norms. Frontiers in public health, 5, 258.
  6. Ernst G. (2017). Heart-Rate Variability-More than Heart Beats?. Frontiers in public health, 5, 240. https://doi.org/10.3389/fpubh.2017.00240
  7. Electrophysiology, Task Force of the European Society of Cardiology the North American Society of Pacing. „Heart rate variability: standards of measurement, physiological interpretation, and clinical use.” Circulation 93.5 (1996): 1043-1065.
  8. Sacha, J. (2014), Interaction between Heart Rate and Heart Rate Variability. Annals of Noninvasive Electrocardiology, 19: 207-216. https://doi.org/10.1111/anec.12148
  9. de Geus, E. J., Gianaros, P. J., Brindle, R. C., Jennings, J. R., & Berntson, G. G. (2019). Should heart rate variability be “corrected” for heart rate? Biological, quantitative, and interpretive considerations. Psychophysiology, 56(2), e13287.
  10. Billman, G. E. (2013). The LF/HF ratio does not accurately measure cardiac sympatho-vagal balance. Frontiers in physiology, 4, 26.
  11. Plews, D. J., Laursen, P. B., Kilding, A. E., & Buchheit, M. (2013). Evaluating training adaptation with heart-rate measures: a methodological comparison. International journal of sports physiology and performance, 8(6), 688-691.
  12. Goldberger J. J. (1999). Sympathovagal balance: how should we measure it?. The American journal of physiology, 276(4), H1273–H1280. https://doi.org/10.1152/ajpheart.1999.276.4.H1273
  13. Buchheit, M. (2014). Monitoring training status with HR measures: do all roads lead to Rome?. Frontiers in physiology, 5, 73.
  14. Sassi, R., Cerutti, S., Lombardi, F., Malik, M., Huikuri, H. V., Peng, C. K., … & Macfadyen, R. (2015). Advances in heart rate variability signal analysis: joint position statement by the e-Cardiology ESC Working Group and the European Heart Rhythm Association co-endorsed by the Asia Pacific Heart Rhythm Society. Ep Europace, 17(9), 1341-1353.
  15. Dong, J. G. (2016). The role of heart rate variability in sports physiology. Experimental and therapeutic medicine, 11(5), 1531-1536.
  16. Gronwald, T., Rogers, B., & Hoos, O. (2020). Fractal correlation properties of heart rate variability: A new biomarker for intensity distribution in endurance exercise and training prescription?. Frontiers in Physiology, 11, 1152.
  17. Gąsior, J. S., Hoffmann, B., Silva, L. E. V., Małek, Ł., Flatt, A. A., Baranowski, R., & Werner, B. (2020). Changes in Short-Term and Ultra-Short Term Heart Rate, Respiratory Rate, and Time-Domain Heart Rate Variability Parameters during Sympathetic Nervous System Activity Stimulation in Elite Modern Pentathlonists—A Pilot Study. Diagnostics, 10(12), 1104.
  18. Earnest CP, Jurca R, Church TS, et al. Relation between physical exertion and heart rate variability characteristics in professional cyclists during the Tour of Spain British Journal of Sports Medicine 2004;38:568-575.
  19. Schmitt, L., Regnard, J., & Millet, G. P. (2015). Monitoring Fatigue Status with HRV Measures in Elite Athletes: An Avenue Beyond RMSSD?. Frontiers in physiology, 6, 343. https://doi.org/10.3389/fphys.2015.00343
  20. Schmitt, L., Regnard, J., Auguin, D., & Millet, G. P. (2016). Monitoring training and fatigue with heart rate variability: case study in a swimming Olympic champion. Journal of Fitness Research, 5(3), 38-45.
  21. Bourdillon, N., Schmitt, L., Yazdani, S., Vesin, J. M., & Millet, G. P. (2017). Minimal window duration for accurate HRV recording in athletes. Frontiers in neuroscience, 11, 456.
  22. Gilgen-Ammann, R., Schweizer, T. & Wyss, T. RR interval signal quality of a heart rate monitor and an ECG Holter at rest and during exercise. Eur J Appl Physiol 119, 1525–1532 (2019). https://doi.org/10.1007/s00421-019-04142-5
  23. Georgiou, K., Larentzakis, A. V., Khamis, N. N., Alsuhaibani, G. I., Alaska, Y. A., & Giallafos, E. J. (2018). Can wearable devices accurately measure heart rate variability? A systematic review. Folia medica, 60(1), 7-20.
  24. Dobbs, W. C., Fedewa, M. V., MacDonald, H. V., Holmes, C. J., Cicone, Z. S., Plews, D. J., & Esco, M. R. (2019). The Accuracy of Acquiring Heart Rate Variability from Portable Devices: A Systematic Review and Meta-Analysis. Sports medicine (Auckland, N.Z.), 49(3), 417–435. https://doi.org/10.1007/s40279-019-01061-5
  25. Kiviniemi, A. M., Hautala, A. J., Seppänen, T., Mäkikallio, T. H., Huikuri, H. V., & Tulppo, M. P. (2004). Saturation of high-frequency oscillations of R-R intervals in healthy subjects and patients after acute myocardial infarction during ambulatory conditions. American journal of physiology. Heart and circulatory physiology, 287(5), H1921–H1927. https://doi.org/10.1152/ajpheart.00433.2004
  26. Goldberger, J. J., Challapalli, S., Tung, R., Parker, M. A., & Kadish, A. H. (2001). Relationship of heart rate variability to parasympathetic effect. Circulation, 103(15), 1977–1983. https://doi.org/10.1161/01.cir.103.15.1977
  27. Schneider, C., Wiewelhove, T., Raeder, C., Flatt, A. A., Hoos, O., Hottenrott, L., Schumbera, O., Kellmann, M., Meyer, T., Pfeiffer, M., & Ferrauti, A. (2019). Heart Rate Variability Monitoring During Strength and High-Intensity Interval Training Overload Microcycles. Frontiers in physiology, 10, 582. https://doi.org/10.3389/fphys.2019.00582
  28. Le Meur, Y., Pichon, A., Schaal, K., Schmitt, L., Louis, J., Gueneron, J., Vidal, P. P., & Hausswirth, C. (2013). Evidence of parasympathetic hyperactivity in functionally overreached athletes. Medicine and science in sports and exercise, 45(11), 2061–2071. https://doi.org/10.1249/MSS.0b013e3182980125
  29. Barrero, A., Le Cunuder, A., Carrault, G., Carré, F., Schnell, F., & Le Douairon Lahaye, S. (2020). Modeling stress-recovery status through heart rate changes along a cycling grand tour. Frontiers in Neuroscience, 14, 1192.
  30. Esco, M. R., & Flatt, A. A. (2014). Ultra-short-term heart rate variability indexes at rest and post-exercise in athletes: evaluating the agreement with accepted recommendations. Journal of sports science & medicine, 13(3), 535–541.
  31. Flatt, A.A. and Esco, M.R. (2016a), Heart rate variability stabilization in athletes: towards more convenient data acquisition. Clin Physiol Funct Imaging, 36: 331-336. https://doi.org/10.1111/cpf.12233
  32. Alcantara, J., Plaza-Florido, A., Amaro-Gahete, F. J., Acosta, F. M., Migueles, J. H., Molina-Garcia, P., Sacha, J., Sanchez-Delgado, G., & Martinez-Tellez, B. (2020). Impact of Using Different Levels of Threshold-Based Artefact Correction on the Quantification of Heart Rate Variability in Three Independent Human Cohorts. Journal of clinical medicine, 9(2), 325. https://doi.org/10.3390/jcm9020325
  33. Flatt, A. A., & Esco, M. R. (2013). Validity of the ithlete™ Smart Phone Application for Determining Ultra-Short-Term Heart Rate Variability. Journal of human kinetics, 39, 85–92. https://doi.org/10.2478/hukin-2013-0071
  34. Esco, M. R., Flatt, A. A., & Nakamura, F. Y. (2017). Agreement Between a Smartphone Pulse Sensor Application and Electrocardiography for Determining lnRMSSD. Journal of strength and conditioning research, 31(2), 380–385. https://doi.org/10.1519/JSC.0000000000001519
  35. Perrotta, A. S., Jeklin, A. T., Hives, B. A., Meanwell, L. E., & Warburton, D. (2017). Validity of the Elite HRV Smartphone Application for Examining Heart Rate Variability in a Field-Based Setting. Journal of strength and conditioning research, 31(8), 2296–2302. https://doi.org/10.1519/JSC.0000000000001841
  36. Gambassi, B. B., Neves, V. R., Brito, E. Z. A., da Silva Fernandes, D. S., Sá, C. A., da Rocha Nogueira, R. M., … & Schwingel, P. A. (2020). A validation study of a smartphone application for heart rate variability assessment in asymptomatic adults. American Journal of Cardiovascular Disease, 10(3), 219.
  37. Shaffer, F., McCraty, R., & Zerr, C. L. (2014). A healthy heart is not a metronome: an integrative review of the heart’s anatomy and heart rate variability. Frontiers in psychology, 5, 1040. https://doi.org/10.3389/fpsyg.2014.01040
  38. Jiménez Morgan, S., Molina Mora, J.A. Effect of Heart Rate Variability Biofeedback on Sport Performance, a Systematic Review. Appl Psychophysiol Biofeedback 42, 235–245 (2017). https://doi.org/10.1007/s10484-017-9364-2
  39. Deschodt-Arsac, V., Lalanne, R., Spiluttini, B., Bertin, C., & Arsac, L. M. (2018). Effects of heart rate variability biofeedback training in athletes exposed to stress of university examinations. PloS one, 13(7), e0201388. https://doi.org/10.1371/journal.pone.0201388
  40. https://support.polar.com/en/orthostatic-test
  41. https://www.hrv4training.com/quickstart-guide.html
  42. https://www.youtube.com/watch?v=NEQ8v3aGRoQ
  43. Plews, D. J., Scott, B., Altini, M., Wood, M., Kilding, A. E., & Laursen, P. B. (2017). Comparison of Heart-Rate-Variability Recording With Smartphone Photoplethysmography, Polar H7 Chest Strap, and Electrocardiography. International journal of sports physiology and performance, 12(10), 1324–1328. https://doi.org/10.1123/ijspp.2016-0668
  44. Altini M. (2015). HRV measurements: duration. https://www.hrv4training.com/blog/hrv-measurements-duration [dostęp: 19.04.2021]
  45. Stone, J. D., Ulman, H. K., Tran, K., Thompson, A. G., Halter, M. D., Ramadan, J. H., Stephenson, M., Finomore, V. S., Jr, Galster, S. M., Rezai, A. R., & Hagen, J. A. (2021). Assessing the Accuracy of Popular Commercial Technologies That Measure Resting Heart Rate and Heart Rate Variability. Frontiers in sports and active living, 3, 585870. https://doi.org/10.3389/fspor.2021.585870
  46. Martinmäki, K., Rusko, H., Kooistra, L., Kettunen, J., & Saalasti, S. (2006). Intraindividual validation of heart rate variability indexes to measure vagal effects on hearts. American journal of physiology. Heart and circulatory physiology, 290(2), H640–H647. https://doi.org/10.1152/ajpheart.00054.2005
  47. Mourot L (2018) CODESNA_HRV, a new tool to assess the activity of the autonomic nervous system from heart rate variability. Phys Med Rehabil Res 3: DOI: 10.15761/PMRR.1000165
  48. Flatt, A. A., & Esco, M. R. (2016b). Evaluating Individual Training Adaptation With Smartphone-Derived Heart Rate Variability in a Collegiate Female Soccer Team. Journal of strength and conditioning research, 30(2), 378–385. https://doi.org/10.1519/JSC.0000000000001095
  49. Fatisson, J., Oswald, V., & Lalonde, F. (2016). Influence Diagram of Physiological and Environmental Factors Affecting Heart Rate Variability: An Extended Literature Overview. Heart International, 11(1). https://doi.org/10.5301/heartint.5000232
  50. Plews, D. (2014). The practical application of heart rate variability-monitoring training adaptation in world class athletes (Doctoral dissertation, Auckland University of Technology).
  51. Kiviniemi, A. M., Hautala, A. J., Kinnunen, H., & Tulppo, M. P. (2007). Endurance training guided individually by daily heart rate variability measurements. European journal of applied physiology, 101(6), 743–751. https://doi.org/10.1007/s00421-007-0552-2
  52. Kiviniemi, A. M., Hautala, A. J., Kinnunen, H., Nissilä, J., Virtanen, P., Karjalainen, J., & Tulppo, M. P. (2010). Daily exercise prescription on the basis of HR variability among men and women. Medicine and science in sports and exercise, 42(7), 1355–1363. https://doi.org/10.1249/mss.0b013e3181cd5f39
  53. Kiviniemi, A. M., Hautala, A. J., Kinnunen, H., Nissilä, J., Virtanen, P., Karjalainen, J., & Tulppo, M. P. (2010). Daily exercise prescription on the basis of HR variability among men and women. Medicine and science in sports and exercise, 42(7), 1355–1363. https://doi.org/10.1249/mss.0b013e3181cd5f39
  54. Michael, S., Graham, K. S., & Davis, G. M., Oam (2017). Cardiac Autonomic Responses during Exercise and Post-exercise Recovery Using Heart Rate Variability and Systolic Time Intervals-A Review. Frontiers in physiology, 8, 301. https://doi.org/10.3389/fphys.2017.00301
  55. Granero-Gallegos, A., González-Quílez, A., Plews, D., & Carrasco-Poyatos, M. (2020). HRV-Based Training for Improving VO2max in Endurance Athletes. A Systematic Review with Meta-Analysis. International Journal of Environmental Research and Public Health, 17(21), 7999. doi:10.3390/ijerph17217999
  56. Medellín Ruiz, J. P., Rubio-Arias, J. Á., Clemente-Suarez, V. J., & Ramos-Campo, D. J. (2020). Effectiveness of Training Prescription Guided by Heart Rate Variability Versus Predefined Training for Physiological and Aerobic Performance Improvements: A Systematic Review and Meta-Analysis. Applied Sciences, 10(23), 8532. doi:10.3390/app10238532
  57. Seiler, S., Haugen, O., & Kuffel, E. (2007). Autonomic recovery after exercise in trained athletes: intensity and duration effects. Medicine and science in sports and exercise, 39(8), 1366–1373. https://doi.org/10.1249/mss.0b013e318060f17d;
  58. Vesterinen, V., Nummela, A., Heikura, I., Laine, T., Hynynen, E., Botella, J., & Häkkinen, K. (2016). Individual Endurance Training Prescription with Heart Rate Variability. Medicine and science in sports and exercise, 48(7), 1347–1354. https://doi.org/10.1249/MSS.0000000000000910
  59. Plews, D. J., Laursen, P. B., Kilding, A. E., & Buchheit, M. (2012). Heart rate variability in elite triathletes, is variation in variability the key to effective training? A case comparison. European journal of applied physiology, 112(11), 3729–3741. https://doi.org/10.1007/s00421-012-2354-4
  60. Sandercock, G. R., Bromley, P. D., & Brodie, D. A. (2005). Effects of exercise on heart rate variability: inferences from meta-analysis. Medicine and science in sports and exercise, 37(3), 433–439. https://doi.org/10.1249/01.mss.0000155388.39002.9d
  61. Aubry, A., Hausswirth, C., Louis, J., Coutts, A. J., & LE Meur, Y. (2014). Functional overreaching: the key to peak performance during the taper?. Medicine and science in sports and exercise, 46(9), 1769–1777. https://doi.org/10.1249/MSS.0000000000000301
  62. Bouchard, C., An, P., Rice, T., Skinner, J. S., Wilmore, J. H., Gagnon, J., Pérusse, L., Leon, A. S., & Rao, D. C. (1999). Familial aggregation of VO(2max) response to exercise training: results from the HERITAGE Family Study. Journal of applied physiology (Bethesda, Md. : 1985), 87(3), 1003–1008. https://doi.org/10.1152/jappl.1999.87.3.1003

11 komentarzy do “Techniczne aspekty pomiaru i analizy HRV oraz tętna spoczynkowego w kolarstwie”

    1. Serdecznie dziękuje i niezmiernie cieszę się, że wpis okazał się dla kogoś pomocny. Nie obiecuję, że częstotliwość publikowania wzrośnie, chociaż niedługo kończą się zajęcia na uczelni, więc będę miał więcej czasu. W każdym razie nie zamierzam się poddawać i mam jeszcze wiele pomysłów do zrealizowania. Pozdrawiam.

    1. Serdecznie dziękuję za miłe słowa. Od razu mogę powiedzieć, że następny wpis będzie dotyczył skuteczności gotowych planów treningowych, ale opiszę tam zjawisko różnorodności uzyskiwanych adaptacji treningowych do danego programu, co też łączy się właśnie z gotowymi planami. Niemniej jednak wydaje mi się, że temat różnic w treningu kolarzy o różnych specjalizacjach jest bardzo ciekawy, ale przynajmniej na obecny stan mojej wiedzy niezwykle skomplikowany. Ostatnio zastanawiałem się nad tym, że w większości przypadków autorzy za miarę skuteczności danego programu treningowego obierają VO2max. Rzeczywiście kiedy porównamy osoby mniej wytrenowane z zawodowymi sportowcami, to VO2max będzie czynnikiem odróżniającym poziom sportowy obu tych grup. Jednak kiedy weźmiemy pod uwagę grupę posiadającą podobny poziom VO2max, okazuje się że wcale nie jest ono czynnikiem determinującym wyniki i często zaznacza się, że ważniejsze jest to jaki %VO2max można utrzymać podczas długotrwałego wysiłku. Np. w jednym z artykułów A. Luci, najlepszy z badanych zawodników (Jan Ullrich), posiadał jedną z najniższych wartości pułapu tlenowego (z tego co pamiętam około 70 ml/kg/min), a mimo to prezentował znacząco lepszy poziom sportowy od pozostałych. Oznacza to, że całkowicie odmienne czynniki musiały być odpowiedzialne za wyniki, niż najpopularniejsza miara VO2max (w tym konkretnym przypadku).

      Zastanawiając się nad tym pomyślałem: co tak naprawdę jest ważne w kolarstwie? Jakie czynniki determinują wyniki? Tutaj dochodzimy do związku z różnicami treningowymi kolarzy różnych specjalności. Musimy najpierw wiedzieć co jest ważne w danej dyscyplinie kolarstwa (MTB, szosa, przełaje itd.), jak również konkretnej jego specjalności (góral, klasykowiec, sprinter). Dopiero wtedy będziemy mogli próbować tak manipulować naszym treningiem aby uzyskać ważne dla danej dyscypliny adaptacje. Przeczytałem artykuł, w którym podjęto tego próbę (Zwaard, 2018). Zbadano kolarzy szosowych (ale w tym przypadku i amatorskich i zawodowych), olimpijczyków specjalizujących się w wyścigu na dochodzenie na torze oraz sprinterów torowych. Wszyscy zawodnicy wykonali test Wingate (czyli 30 s sprint) oraz 15 km czasówkę. Wyniki w „tlenowej” 15 km czasówce były determinowane przez wysokie VO2 podczas jej trwania (czyli potwierdza się częsta obserwacja o roli utrzymywania wysokiego %VO2max) i niektóre parametry krwi (stężenie natlenionej hemoglobiny i mioglobiny oraz MCHC, czyli średnie stężenie hemoglobiny w krwinkach czerwonych). Z kolei wyniki w „beztlenowym” teście Wingate były determinowane przez ilość włókien szybkokurczliwych oraz parametry samych mięśni nóg (min. wielkość mięśnia obszernego bocznego). Niektórzy zawodnicy byli jednak dobrzy i w sprincie i na czasówce. W ich przypadku ważna była efektywność brutto, VO2 podczas czasówki i parametry samych mięśni nóg.

      Problem w tym, że wyścig szosowy to nie czasówka, a sprinty podczas jego trwania to nie test Wingate. Tutaj znów mogą być ważne jeszcze inne odmienne czynniki. Odniosę się teraz do przykładu zawodowego kolarstwa. Klasyfikacja na górali, klasykowców i sprinterów (przynajmniej w moim odczuciu) może dawać wrażenie, że górale posiadają ogromną wydolność i moc tlenową, natomiast sprinterzy są dobrzy tylko i wyłącznie w krótkich wysiłkach charakteryzujących się wysokim udziałem przemian beztlenowych. Jednak w kolarstwie szosowym mamy do czynienia zupełnie z czymś innym, niż na w biegu na 100 m. Tutaj najpierw trzeba przejechać 150 km, a dopiero na koniec sprintować. Ponadto sprint nie trwa 10-15 s, tylko gaz idzie już parę kilometrów przed metą, gdzie też trzeba generować sporą ilość watów, nawet siedząc na kole, a później jeszcze dołożyć na finiszu. Dlatego być może zdolność do sprintowania „na świeżo” nie jest w ogóle tutaj istotna, a raczej umiejętność do regenerowania się pomiędzy intensywnymi wysiłkami i możliwość niewielkiej utraty maksymalnej mocy po długotrwałym wysiłku. Potwierdzają to wyniki badania z tego roku (van Erp i inni, 2021). Tutaj przeanalizowano dane treningowe kolarzy zawodowej drużyny kolarskiej w latach 2012-2019. Na podstawie punktów Pro Cycling Stats, kwalifikowano zawodników jako sprinterów i górali, a także zawodników osiągających sukcesy w danej specjalności, lub nieco słabszych (w sensie np. dobrych górali i nieco słabszych górali). W kontekście sprinterów okazało się, że moc generowana przez 10 s „na świeżo” nie miała żadnego przełożenia na wyniki. Dopiero 10 s moc po wykonaniu odpowiedniej ilości pracy (przyjęto różne progi 20, 30, 40, 50 kJ/kg) odróżniała dobrych od nieco słabszych sprinterów. U górali było nieco inaczej, gdyż 5 i 20 min moc różniła się nieco na korzyść lepszych kolarzy. Niemniej jednak u lepszych zawodników zaobserwowano, że tracą oni mniej mocy przy wysiłku po wykonaniu odpowiedniej ilości pracy oraz spadek ten następował później (przy większej ilości skumulowanych kJ/kg). Przykłady te pokazują, że tak na prawdę czynniki badane „na świeżo” nie zawsze determinują wyniki. Wydaje się, że taka „wytrzymałość” jest ważna w kolarstwie szosowym, natomiast jak zaznaczył Teun van Erp nie wiadomo jak ją wytrenować.

      W kolarstwie amatorskim może być jednak zupełnie inaczej. Tutaj czas trwania wysiłku jest znacznie krótszy, więc potencjalnie najważniejszą kwestia nie jest to, ile mocy tracimy po długotrwałym wysiłku (lecz myślę, że też odgrywa to rolę), ale być może umiejętność szybkiego regenerowania się po wielu krótkotrwałych wysiłkach o wysokiej intensywności. Tutaj wydaję się być za taką umiejętność odpowiedzialna paradoksalnie wydolność i moc tlenowa, a nie beztlenowa, choć wysiłki na wyścigu szosowym są często o bardzo wysokiej intensywności. W jednym badaniu sprawdzono jak szybko regeneruje się W’ po maksymalnym wysiłku i od czego to zależy (Chorley i inni, 2020). Okazało się, że zależne było to z jednej strony od VO2max, a z drugiej od Critical Power. Natomiast nie można wykluczyć, że wydolność beztlenowa ma wciąż tutaj znaczenie.

      Są to moje luźnie przemyślenia w tym temacie, natomiast (tak przynajmniej mi się wydaje) pokazują one, że wskazanie konkretnych różnic w treningu mających na celu poprawę nas jako górala, sprintera, czy klasykowca jest niezwykle trudne do jednoznacznego stwierdzenia. Nawet jeżeli będziemy wiedzieli co w danej dyscyplinie jest ważne, to następnym pytaniem będzie „jak to wytrenować?”, na które odpowiedź jest równie trudna. Nakłada się na to ponadto zjawisko różnorodności adaptacji treningowych uzyskiwanych do tego samego programu, które opiszę w następnym artykule. Nie zawsze trening mający na celu poprawę danego parametru okaże się w tym skuteczny, a może z kolei wpłynąć na poprawę zupełnie innego. Na przykład ciekawą obserwacją jest fakt, że w niektórych przypadkach u osób prowadzących siedzący tryb życia trening siłowy w większym stopniu poprawił VO2max niż wytrzymałościowy.

      Oczywiście można również przeanalizować trening konkretnych specjalistów w danej specjalności. Z pewnością można wyciągnąć z takiej analizy wiele ciekawych wniosków, lecz czasem może okazać się tak, że w naszym konkretnym przypadku, dana strategia nie koniecznie musi się sprawdzić.

      Ponadto wiele informacji na temat opisywanej przeze mnie „wytrzymałości” (czyli niskiej utracie mocy po długotrwałym wysiłku lub drugiego aspektu, czyli powtarzalności wysiłków o wysokiej intensywności), można znaleźć na kanale YT Stephena Seilera (https://www.youtube.com/channel/UCN9PseDJNLmLgBuHrQ5quPA) (niestety oczywiście po angielsku). Ukazał się w tym roku również artykuł jego współautorstwa w tym temacie, lecz niestety nie jest w tzw. Open Accessie i chroni go bramka płatnicza molocha wydawniczego. Niestety za 49 Euro moje zainteresowanie tym tekstem spada do zera.

    2. Pomyślałem, że warto jeszcze wspomnieć o jednej kwestii, gdyż wydaje mi się, że może być to niejasne. Zahaczyłem o wątek VO2max. To nie jest tak, że jest zupełnie nieważne, wręcz przeciwnie, lecz czasem okazuje się, że nie jest ono wstanie odróżnić osób o różnym poziomie sportowym. Przykład ten jednak pokazuje, że raczej nie możemy ograniczać się w ocenie naszej wydolności tylko do jednego wskaźnika, gdyż na wyniki składa się bardzo duża liczba czynników (zapewne wiele z nich pozostaje niezidentyfikowanych).

  1. Masz cierpliwość i chęć pracy. Myślę że śmiało możesz zając się trenowaniem trenerów !!! Niestety stara szkoła góruje naszym kraju. Nadal trwamy w metodach z przed 40 lat! Oczywiście są one dobre ale postęp robi swoje i zostajemy w tyle. Wiadomo trzeba bardzo dużo trenować, ale pamiętać co, jak i kiedy odpuścić. Może jakąś skromną zrzutkę powinniśmy jako czytelnicy bloga zorganizować aby taka kwota 50 ojro nie była zaporą w poszukiwaniu nowych wiadomości.

    1. Serdecznie dziękuję za ciepłe słowa. Ale z trenowaniem trenerów to chyba przesada, nie uważam się za takiego eksperta i na ten moment z pewnością nim nie jestem. W każdym razie w przypadku jakichkolwiek pytań proszę o kontakt, z chęcią na nie odpowiem, przynajmniej tak jak potrafię.

  2. Zajebiście mądra publikacja ale chyba za mądra dla mnie bo wcale się nie dowiedziałem czy wartość 38 ms dla 50latka które namierzył mój zegarek ostatniej nocy to dużo, mało czy w sam raz?

    1. Przepraszam, że dopiero teraz odpisuje. Szczerze mówiąc, to nie jestem w stanie odpowiedzieć na to pytanie. Generalnie pojedynczy pomiar tak naprawdę nie jest w stanie dać nam wiele informacji. Raczej chodzi o to, aby monitorować HRV w dłuższym okresie i porównywać, czy jest niższe, wyższe czy podobne jak zwykle ale w naszym przypadku, nie koniecznie warto z punktu widzenia treningowego odnosić to do innych. Można oczywiście np. porównać się z innymi osobami pod względem naszego wieku i HRV, np. w aplikacji Elite HRV można zobaczyć rozkład HRV dla osób w wybranym wieku. Wtedy można powiedzieć czy nasze HRV jest wyższe czy niższe w stosunku do wybranej populacji. Ale to też nie mówi nam to wcale, czy to dobrze, że nasze HRV tak się kształtuje w stosunku do innych, czy też źle.

  3. Zacząłem monitorować HRV. Z ciekawością popatrzę, czy jestem w stanie skorelować jego wskazania z odczuwanym zmęczeniem, czy da mi wskazówki kiedy odpuścić a kiedy dołożyć w treningu.

    1. Z mojego doświadczenia wynika, że rzeczywiście można zauważyć zależności między zmęczeniem, czy wzrostem formy, a tym jak zachowuje się HRV, ale z drugiej strony nie zawsze tak było. Czasem te wskazania były zupełnie odwrotne do tego co czułem. Na przykład zauważałem, że często gdy się nie wysypiałem to mimo wszystko i tak miałem wysokie HRV. Także czasem zdarzało się tak, że te wskazania nie koniecznie odzwierciedlały to jak się czułem, ale zdecydowanie choć nie idealne to z pewnością HRV jest pomocne. Jeśli chodzi też o samo tętno, to osobiście zauważałem, że gdy rozpoczynałem trening i na rozgrzewce miałem znacznie wyższe tętno niż zwykle (ale podczas samego wysiłku), to często było tak, że już pod wieczór, albo następnego dnia łapało mnie przeziębienie

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *