主观疲劳量表RPE评估足球运动员训练负荷的实证研究.docx

主观疲劳量表RPE评估足球运动员训练负荷的实证研究.docx

《主观疲劳量表RPE评估足球运动员训练负荷的实证研究.docx》由会员分享，可在线阅读，更多相关《主观疲劳量表RPE评估足球运动员训练负荷的实证研究.docx（7页珍藏版）》请在冰豆网上搜索。

主观疲劳量表RPE评估足球运动员训练负荷的实证研究

主观疲劳量表（RPE）评估足球运动员训练负荷的实证研究

陈彦龙，毛万丽，刘鸿优*

【摘要】应用主观疲劳量表（RPE）评价训练负荷的过程是一个心理生理过程，量化结果具有较大的主观性和不确定性，需将RPE训练负荷量化结果与生理指标测试结果进行结合分析。

对16名大学生足球运动员的多次训练进行跟踪，采集每名运动员每次训练的训练前RPE值、训练后RPE值和整个训练过程的实时心率；采取训练后RPE值（Foster1算法）和训练累积RPE值（Foster2算法），4种心率算法（Banister1、Banister2、Edwards和Stagno）对每名运动员每次训练的内部负荷进行测算；采用相关分析，对两种RPE算法所得每名运动员每次训练的内部训练负荷值与4种心率算法所得的内部训练负荷值的相关性进行检验。

显示：

两种RPE算法估算的运动负荷：

与Banister1算法测算出的相关性平均分别为0.91和0.79；与Banister2算法测算出的相关性平均分别为0.62和0.57；与Edwards算法测算出的相关性平均分别为0.75和0.69；与Stagno算法测算出的相关性平均分别为0.55和0.54。

显示：

RPE能够有效地量化评估足球运动员的训练负荷，且“训练后RPE值”比“训练累积RPE值”能更加准确地反映足球运动员的训练负荷。

【期刊名称】体育科研

【年（卷）,期】2019（040）001

【总页数】7

【关键词】足球；运动负荷；内部负荷；主观疲劳量表；RPE；心率

基金项目：

广州市哲学社会科学发展“十三五”规划课题（2017GZYB11）；广州市科学技术协会“青年人才托举工程”科技教师培养计划（K2018050101009）。

训练负荷作为运动训练中的核心因素，是运动员训练期间机体内部生理和心理承受的总刺激[1]。

准确地收集、量化、评估和控制训练负荷，有助于改进运动员的训练计划，减少运动员伤病，提高运动水平[2，3]。

足球作为同场对抗的球类集体运动项目，具有集体性和对抗性强的特征，其训练负荷的影响因素复杂，量化评估的难度较大[4，5]。

一般认为，足球训练负荷主要包括外部负荷和内部负荷两种形式[2，6]。

现阶段，对足球训练外部负荷的量化主要是通过录像分析和GPS定位技术对运动员的跑动距离和跑动速度进行跟踪来实现的，而足球训练内部负荷的量化则通过监控运动员的心率、摄氧量、血乳酸、机体供能等生理学指标来进行。

但以上监测方法和手段均需要借助造价昂贵的外部设备，部分测试还需在实验室内完成，测试条件严苛，操作过程繁琐，不便实施日常训练监控，反馈及时性和实用性因此受限，同时，还不利于在资金缺乏的草根足球运动队内推广运用[2]。

因此，寻求更加经济实惠、更具有可操作性的足球训练负荷监控方法具有极高的实践价值。

主观疲劳量表（RatingofPerceivedExertionScale，以下简称RPE，见表1），作为一种高效便捷的心理测试量表，在采集运动员训练负荷数据时具备简单、直接、经济和可操作性强等优势，在国外已被广泛运用于测算足球运动员的训练负荷[2]。

但应用RPE的训练负荷评价过程是一个心理生理过程，因而，相对于生理学指标评定结果的客观性和准确性，RPE训练负荷量化结果具有较大的主观性和不确定性。

因此，若要在运动训练实践中推广RPE，首先要保障RPE量化训练负荷的有效性。

Impellizzeri等首次对应用RPE监控足球运动员训练负荷的有效性进行评定，采取“训练后RPE值×有效训练时间”的方式来估算19名足球运动员在27次训练任务中的训练负荷，并证实估算值与心率测算值具有较好的相关性（不同运动员的相关系数略有不同，介于0.50和0.85之间，P值皆小于0.01）[6]。

该研究并未搜集运动员的训练前RPE值，因此无法探索训练累积RPE值对训练负荷的测算效能。

刘鸿优等对主观疲劳量表进行了细微的修改（见表1），使其能够同时测得运动员在训练前和训练后的RPE值，并将修改后的量表运用于波兰职业足球运动员的训练负荷监控，其研究结果显示，运动员在训练中的体重流失与训练后RPE值不存在显著相关性（P＞0.05），而与训练累积RPE值呈现中度相关（P＜0.05，R=0.49），从而得出了“训练累积RPE值比训练后RPE值能更准确地反应足球运动员的训练负荷”的结论[2]。

该研究虽然纳入了运动员的训练前RPE值，引入了训练累积RPE值，但并未纳入有效训练时间，与此同时，该研究的参考指标为易受个体差异和外部环境因素影响的“体重流失”，实验结果的准确性尚有较大欠缺。

基于上述，本文引入训练前RPE值、训练累积RPE值，纳入运动员的有效训练时间，对RPE估算的足球运动员训练负荷与心率传感器监测到的运动员内部训练负荷进行相关性分析，进一步验证RPE在足球运动员训练负荷量化评估中的有效性。

1研究方法

1.1实验测试

1.1.1测试对象

本研究的测试对象为广东省华南师范大学乙组足球队的16名运动员[年龄（21±2）岁，身高（176.6±5.1）cm，体重（67.3±5.8）kg，BMI指数21.6±2.0]，该足球队是广东省传统足球强队，长期占据省大学生足球联赛的前三名。

实验测试在获得教练员和所有运动员的同意之后进行。

1.1.2测试工具和量表

本研究采用的测量工具和量表分别为芬兰产的心率采集系统（PolarTeam2，每名测试对象运动员都配有一个专用心率传感器）和刘鸿优等改进后的主观疲劳量表（见表1）。

1.1.3测试过程

测试对象运动队的常规训练日定为学校每个正常教学周的周一、周三和周四。

训练开始时间约为下午3：

30，持续时间70～120min不等，主要训练内容包括热身、小范围传接球练习和比赛战术演练等。

本研究对测试对象从2016年3月至2016年11月的所有训练日进行了数据采集和跟踪，为了尽可能地保证实验测试的客观性，实验人员不干涉或更改教练员的训练计划。

由于选修课时间冲突和个人事务的原因，所有的测试对象运动员皆出现了不同次数的缺席情况，没有任何一名运动员参与了所有的测试（最多参与19次，最少参与9次）。

每次训练开始前15min，实验人员通过量表采集每位运动员的训练前RPE值，同时帮助运动员佩戴并激活心率传感器（PolarTeam2）。

训练结束后的15～30min，实验人员通过量表采集每位运动员的训练后RPE值，解除运动员佩戴的心率传感器设备。

每次训练的开始时间和结束时间被精确记录。

1.2数据分析

每次训练结束之后，每名实验对象运动员的RPE数据和心率数据都被导入到个人电脑中进行分析。

采取常见的4种基于心率的内部训练负荷算法，同时采取“训练后RPE值×有效训练时间”（以下简称Foster1）和“训练累积RPE值×有效训练时间”（以下简称Foster2，训练累积RPE值=训练后RPE值-训练前RPE值）两种RPE算法，对每名运动员每次训练的内部负荷进行测算。

常见的4种基于心率（HeartRate，以下简称HR）的内部训练负荷计算方法是：

（1）Banister等的初始算法（以下简称Banister1）：

训练负荷=有效训练时间×训练期间平均HR[8]；

（2）Banister等的改进算法（以下简称Banister2）：

训练负荷=A×B×C，A=有效训练时间，B=[（HRT-HRB）/（HRmax-HRB）]（HRT：

训练期间平均HR，HRB：

静息HR，HRmax：

最大HR），C=0.64eDB[e=自然对数（2.172），D=1.92（男子）、1.67（女子）][9]；（3）Edwards等的算法（以下简称Edwards）：

详见表2[10]；（4）Stagno等的算法（以下简称Stagno）：

详见表2[11]。

以上所有算法的计算时间都以“min”为单位，训练负荷的单位为AU[3]。

在所有训练跟踪和测算完成之后，将每一个实验对象运动员当成单独的研究对象，采用Pearson简单相关分析法，对两种RPE算法（Foster1和Foster2）所得每名运动员每次训练的内部训练负荷值与4种HR算法（Banister1、Banister2、Edwards和Stagno）所得的内部训练负荷值的相关性进行检验。

P＜0.05被认定为具有显著相关性，相关性越高则证明算法的有效性越高。

相关性的高低采取Pearson相关系数（R）来界定：

|R|＜0.1极弱相关；0.1≤|R|＜0.3弱相关；0.3≤|R|＜0.5低度相关；0.5≤|R|＜0.7中度相关；0.7≤|R|＜0.9高度相关；|R|≥0.9极高度相关[12]。

2研究结果

如表3所示，测试对象运动员在训练中以Banister1算法所得的训练负荷均值为12187AU，以Banister2算法所得的训练负荷均值为90AU，以Edwards算法所得训练负荷均值为205AU，以Stagno算法所得训练负荷均值为118AU，以Foster1算法所得训练负荷均值为593AU，以Foster2算法所得训练负荷均值为300AU。

由表4可见，16名测试对象运动员在训练过程中由Banister1算法和Foster1算法所得训练负荷之间呈现非常显著的高度到极高度相关性（R介于0.87和0.96之间，P＜0.01）；由Banister1算法和Foster2算法所得训练负荷之间同样全部呈现显著相关性（P＜0.05），其中13人呈现高度到极高度相关（R介于0.71和0.91），3人呈现中度相关（R介于0.61和0.66）；Banister2算法和Foster1算法所得训练负荷之间有9人呈现显著相关性（P＜0.05），其中7人为高度相关（R介于0.73和0.86），2人为中度相关（R分别为0.50和0.55）；Banister2算法和Foster2算法所得训练负荷之间有10人呈现显著相关性（P＜0.05），其中6人为高度到极高度相关（R介于0.72和0.91），4人为低度到中度相关（R介于0.49和0.67）；Edwards算法和Foster1算法所得训练负荷之间有15人呈现显著相关性（P＜0.05），其中11人为高度到极高度相关（R介于0.75和0.91），4人为中度相关（R介于0.50和0.65）；Edwards算法和Foster2算法所得训练负荷之间有14人呈现显著相关性（P＜0.05），其中8人为高度到极高度相关（R介于0.75和0.91），6人为中度相关（R介于0.50和0.68）；Stagno算法和Foster1算法所得训练负荷之间有10人呈现显著相关性（P＜0.05），其中6人为高度相关（R介于0.71和0.82），4人为中度相关（R介于0.56和0.67）；Stagno算法和Foster2算法所得训练负荷之间有9人呈现显著相关性（P＜0.05），其中7人为高度相关（R介于0.71和0.84），2人为中度相关（R分别为0.54和0.66）。

3讨论与分析

RPE量表由Borg创制，最初是一个6～20级的医用量表，用于评价人们在身体活动过程中的主观疲劳感觉和用力程度，之后修改为0～10级[13]。

Foster等对量表进行改编（改编后的量表见表1中的“原始RPE”），并将改编后的RPE运用于运动训练负荷评估，采取“运动训练时间（min）×RPE值”的方法来评定训练负荷的大小[7]。

至此以后，RPE因其简捷、经济和极强的可操作性而受到体育从业人员的青睐，但该量表收集的数据存在较大的主观性，其有效性往往容易被质疑。

因此，对应用RPE量化评估不同运动项目训练负荷的有效性进行实证研究就极其重要。

而验证RPE有效性的最佳方法则是将RPE量化的训练负荷结果与生理学指标评定结果进行比对。

国内外学者已采取此方法对应用RPE在多种运动项目训练负荷监控中的有效性进行了验证。

Tabben等利用RPE来估算空手道运动员的训练负荷，结果证实其估算值与采取心率和血乳酸的测试方法测算出来的训练负荷值具有高度相关性[14]。

Wallace等对游泳运动员的训练负荷进行研究，得出RPE估算的训练负荷值与心率测算值和运动员的实际游泳练习距离存在显著相关性[15]。

Wallace等还对长跑运动员的训练进行了研究，其结果显示，RPE值和心率测算值估算的训练负荷在长跑运动员的训练表现评价模型中都体现出显著性[16]。

Herman等采取RPE来估算运动员在抗阻训练中的训练负荷，结果显示RPE训练负荷估算值与摄氧量测算值和心率测算值估算的训练负荷都存在高强度相关性[17]，与此同时，Egan等、McGuigan等和Sweet等的研究则显示，在各类抗阻训练中，运动员反馈的RPE值与训练强度的实际变化值具有较高的一致性[18-20]。

何志金等对运动健身强度的判定方法进行了实证研究，其结果显示RPE值、摄氧量值、心率值、脂肪消耗量、糖消耗量和总能输出量在健身运动中具有高度的相关性[21]。

张勇和魏明涓的研究则显示，在中等强度范围内的递增负荷跑台运动过程中，RPE值能可靠地预测运动员的最大耗氧量[22]。

如前文所述，Impellizzeri等和刘鸿优等分别采取不同的方法对RPE量化足球运动员训练负荷的有效性进行了验证[2，6]。

Impellizzeri等利用RPE值、采用Foster1算法，同时收集训练时的HR数据、采取Banister2算法、Edwards算法和Lucia算法对19名足球运动员的训练负荷进行量化，研究结果显示通过RPE（Foster1算法）估算的不同运动员每次训练的负荷与采取Banister2心率算法测算出的运动负荷的相关性平均为0.60（介于0.50～0.77），与采取Edwards心率算法测算出的运动负荷的相关性平均为0.63（介于0.54～0.78），与采取Lucia心率算法测算出的运动负荷的相关性平均为0.70（介于0.61～0.85），基于此结果，Impellizerri等认为，采取“训练后RPE值×有效训练时间”测算出的运动员训练负荷可以作为一个有效的综合训练负荷指标[6]。

本研究的研究结果则显示通过RPE（Foster1算法）估算的不同运动员每次训练的负荷与采取Banister1心率算法测算出的运动负荷的相关性平均为0.91（介于0.87～0.96），与采取Banister2心率算法测算出的运动负荷的相关性平均为0.62（介于0.23～0.86），与采取Edwards心率算法测算出的运动负荷的相关性平均为0.75（介于0.50～0.91），与采取Stagno心率算法测算出的运动负荷的相关性平均为0.55（介于0.07～0.82），与Impellizerri等的研究结果相近，因而可以得出类似结论。

图1展示了Banister1和Foster1算法测算出来的某测试对象运动员在每一个训练日的训练负荷大小。

刘鸿优等对主观疲劳量表进行了细微的修改（见表1），使其能够同时测得运动员在训练前和训练后的RPE值，从而可以获取“训练累积RPE值”[2]。

该研究对18名足球运动员在一次训练中的体重流失进行测量，将测量结果与训练后RPE值和训练累积RPE值进行相关性分析，得出了“训练累积RPE值比训练后RPE值能更准确地反应足球运动员的训练负荷”的结论。

本研究采用了刘鸿优等改编的RPE量表，收集了所有测试对象运动员每次训练的训练前和训练后RPE值，进而引入了“累积RPE值×有效训练时间”这一新的训练负荷算法（Foster2算法）。

由表4中的结果可以看到，通过Foster2算法估算的不同运动员每次训练的负荷与采取Banister1心率算法测算出的运动负荷的相关性平均为0.79（介于0.61～0.91），与采取Banister2心率算法测算出的运动负荷的相关性平均为0.57（介于0.15～0.91），与采取Edwards心率算法测算出的运动负荷的相关性平均为0.69（介于0.38～0.91），与采取Stagno心率算法测算出的运动负荷的相关性平均为0.54（介于0.09～0.84）。

不难发现，Foster2算法结果与4种心率算法结果的相关性全面低于Foster1算法，与此同时，两种基于HR的计算方法所得的训练负荷与Foster1算法所得训练负荷之间呈现显著相关性的运动员人数（Edwards算法15人、Stagno算法10人）也高于与Foster2算法所得训练负荷之间呈现显著相关性的运动员人数（Edwards算法14人、Stagno算法9人）。

由此可见，本研究的结果与刘鸿优等2015年的研究结论存在较大矛盾。

如前文所述，刘鸿优等2015年的研究并未纳入有效训练时间来测算运动负荷，且只对一次训练进行了跟踪，与此同时，该研究的参考指标为易受个体差异和外部环境因素影响的“体重流失”，验证结果的准确性相对于本研究的结果，存在较大欠缺。

因此，本研究有充足的证据否定“训练累积RPE值比训练后RPE值能更准确地反应足球运动员的训练负荷”这一研究结论。

需要引起注意的是，在本研究和Impellizerri等2004年的研究中，不同运动员的相关系数存在较大差异（最大0.96、最小0.07）。

Impellizerri等认为，足球训练有较多的时间是处在高强度无氧状态的，不同运动员对该状态的主观感觉不一致，导致不同运动员通过RPE估算的训练负荷值与心率测算估算的训练负荷的相关性之间出现不一致的相关性[6]。

但Haddad等却并不认可这一解释，而认为Impellizzeri等未能对翻译成意大利语版本的RPE量表进行有效的验证才是导致相关性出现浮动的根本原因[23]。

Haddad等对法语版本的RPE量表的翻译效力进行检验之后，将法语版RPE量表运用于25名法国足球运动员的训练负荷评估，结果显示RPE估算的训练负荷值与心率值测算的训练负荷的相关性介于0.79和0.83之间，大大提升了应用RPE量表估算足球运动训练负荷的准确性。

本研究直接采取了刘鸿优等改编的中文的RPE量表，也有可能是导致本研究结果中出现相关性浮动大的原因。

因此，还需要进一步的研究对RPE进行标准化翻译和译文验证，以更加充分地保证RPE量表对中国足球运动员的训练负荷量化的有效性。

4结论

4.1通过“RPE值×有效训练时间”的方法测算出的足球运动员训练负荷与HR测算方法计算出的运动负荷具有较高的相关性，证明“RPE值×有效训练时间”可以作为一个有效地评估足球运动员训练负荷的指标，即RPE能够有效地量化评估足球运动员的训练负荷。

4.2通过“训练后RPE值×有效训练时间”的测算方法得出的足球运动员训练负荷与HR测算方法计算出的运动负荷的相关性比“（训练后RPE值-训练前RPE值）×有效训练时间”的测算方法更高，证明“训练后RPE值”比“训练累积RPE值”能更加准确地反映足球运动员的训练负荷。

4.3基于RPE的监控方法与基于HR的监控方法之间的相关性还存在较大的浮动性，因此，该监控方法还无法完全替代心率监控。

RPE的翻译效力被认为是导致该浮动性的主要原因，后续的研究需对RPE进行标准化翻译和译文验证，以更加充分地保证RPE量表对中国足球运动员训练负荷量化的有效性。

参考文献：

[1]徐本力.运动训练学[M].济南:

山东体育出版社,1990.

[2]刘鸿优,GimenezJ.V.,LeonA.A.主观疲劳量表与体重流失在足球训练负荷控制中的运用[J].体育科学,2015,35（5）:

62-65.

[3]朱那,汤强,朱卫红.竞技体育中运动负荷计算方法研究进展[J].体育与科学,2013,（6）:

49-55.

[4]田麦久,刘大庆.运动训练学[M].人民体育出版社,2012.

[5]宫乐贞,张廷安.运用TRIMP评估足球训练负荷的研究[J].北京体育大学学报,2015,（9）:

141-144.

[6]ImpellizzeriF.M.,RampininiE.,CouttsA.J.,etal.UseofRPE-basedtrainingloadinsoccer[J].MedicineandScienceinSportsandExercise,2004,36（6）:

1042-1047.

[7]FosterC.,HectorL.L.,WelshR.,etal.EffectsofSpecificVersusCross-TrainingonRunningPerformance[J].EuropeanJournalofAppliedPhysiologyandOccupationalPhysiology,1995,70（4）:

367-372.

[8]BanisterE.W.,CalvertT.W.,SavageM.V.,etal.Asystemsmodeloftrainingforathleticperformance[J].AustralianJournalofSportsMedicineandExerciseScience,1975,7（5）:

57-61.

[9]BanisterE.W.,CarterJ.B.,ZarkadasP.C.Trainingtheoryandtaper:

validationintriathlonathletes[J].EuropeanJournalofAppliedPhysiology&OccupationalPhysiology,1999,79

（2）:

182-191.

[10]EdwardsS.TheHeartRateMonitorBook[J].Medicine&ScienceinSports&Exercise,1994,26（26）:

647.

[11]StagnoK.M.,ThatcherR.,VanSomerenK.A.AmodifiedTRIMPtoquantifythein-seasontrainingloadofteamsportplayers[J].JournalofSportsSciences,2007,25（6）:

629-634.

[12]刘鸿优,HopkinsW.G.体育统计学新视角:

数据级数推断[J].体育与科学,2017,38（3）:

27-31.

[13]BorgG.A.Psychophysicalbasesofperceivedexertion[J].Medicine&ScienceinSports&Exercise,1982,14（5）:

377-381.

[14]TabbenM.,TournyC.,HaddadM.,etal.Validityandreliabilityofthesession-RPEmethodforquantifyingtrainingloadinkarateathletes[J].JournalofSportsMedicineandPhysicalFitness,2015,55（6）:

684-690.

[15]WallaceL.K.,SlatteryK.M.,CouttsA.J.TheEcologicalValidityandApplicationoftheSession-RpeMethodforQuantifyingTrainingLoadsinSwimming[J].JournalofStrengthandConditioningResearch,2009,23

（1）:

33-38.

[16]WallaceL.K.,SlatteryK.M.,CouttsA.J.Acomparisonofmethodsforquantify