Moderní vytrvalostní trénink – ať už v cyklistice nebo běhu – stojí dnes čím dál více na podrobných fyziologických datech. Trenéři systematicky sledují výkonnost svých svěřenců a na základě těchto informací přizpůsobují jejich tréninkové plány. Základní předpoklad zní: pokud mají dva sportovci podobný fyziologický profil (tzv. fyziom) a podobnou úroveň kondice, měli by reagovat na obdobné tréninkové zatížení podobným způsobem.
Co kdybychom však z těchto dat dokázali vytvořit doslova rodokmen příbuznosti sportovců – strom, který ukáže, kdo je komu nejbližší svými fyziologickými parametry i výkonem? Díky metodám strojového učení – například Wardově hierarchické shlukové analýze – lze seskupit atlety podle desítek různých měření a vytvořit tak srozumitelný obraz jejich podobností.
Pro trenéra je to obrovská výhoda: rychle vidí, kteří sportovci se nejvíce podobají, a může jim nastavit trénink s větší přesností. Tento přístup má ale i komunitní rozměr. Pokud by sportovci dobrovolně sdíleli svá data, mohli by se propojit s lidmi, kteří jsou jim fyziologicky nejblíže. Takové propojení by otevřelo prostor pro sdílení strategií, tipů i motivace.
Tento článek proto ukáže, jak funguje Wardova metoda a jak lze výsledné „sportovní rodokmeny“ využít v praxi – zejména u vytrvalců, jako jsou cyklisté.
Jaká data o sportovcích se dnes sbírají?
Dnešní trenér má k dispozici doslova lavinu dat z testů a senzorů. Aby v nich našel řád a souvislosti, je užitečné rozdělit je do několika oblastí:
1. Výkonnost a kondice
Základ tvoří údaje o vytrvalosti a síle. Běžně se měří maximální spotřeba kyslíku (VO2max) jako ukazatel aerobní kapacity. V cyklistice je standardem sledovat výkonový profil – tzv. křivku výkon–trvání (power–duration curve). Ta ukazuje, jaký výkon dokáže jezdec udržet v různých časových horizontech: od několika sekund až po hodiny.
Například jezdec s mimořádně silným 1minutovým výkonem, ale průměrným výkonem na 20 minut, má výraznější anaerobní než vytrvalostní schopnosti. Z tréninkového hlediska je to vodítko: buď posilovat slabinu (delší výkon), nebo stavět na přednosti (explozivní síla).
K dalším klíčovým testům patří měření prahových hodnot – např. anaerobního prahu, který definuje intenzitní zóny. Často se využívají zátěžové testy na ergometru, s měřením tepové frekvence, metabolických ukazatelů (VO2, RER), saturace svalů kyslíkem či svalové teploty. Elitní trenéři běžně sledují i hladiny laktátu a kombinují terénní i laboratorní testy, aby měli přesný obraz o výkonu a jeho vývoji.
2. Tělesná stavba a složení
Tělesné údaje (hmotnost, výška, podíl tuku a svalů, somatotyp) zásadně ovlivňují výkon. U cyklistů je klíčový poměr wattů na kilogram – rozhodující zejména při stoupáních. Somatotyp navíc částečně předurčuje specializaci: mezomorfní sportovci s robustní muskulaturou bývají lepší sprinteři, štíhlejší ektomorfní typy naopak excelují v dlouhé vytrvalosti.
Výzkumy potvrdily, že i mezi závodními cyklisty lze podle stavby těla a výkonnostních parametrů identifikovat odlišné shluky: sprinteři s explozivní silou, vytrvalci dráhoví i silniční s vyšší aerobní kapacitou. Tělesné charakteristiky se tedy promítají přímo do typu výkonu.
3. Zdraví a regenerace
Tréninkový efekt je vždy omezen kvalitou regenerace. Trenéři proto sledují nejen spánek, subjektivní únavu a bolestivost svalů, ale také objektivní ukazatele, jako je variabilita srdeční frekvence (HRV) nebo klidová tepová frekvence. Tyto parametry pomáhají odhalit, zda je organismus připraven na zátěž, nebo se nachází v přetížení.
K dispozici jsou i ortopedicko-pohybová data – například délka kroku a doba kontaktu chodidla se zemí u běžců nebo symetrie šlapání a kadence u cyklistů. Spolu s funkčními testy mobility a stability tak trenér získává ucelený obraz o kondici sportovce i riziku zranění.
Dnes se navíc stále více prosazují programy typu Injury Prediction & Prevention (vyvíjené mj. Danielem Crumbackem), které propojují více diagnostických metod. Díky nim je možné včas identifikovat predispozice k budoucím zraněním, oslabením nebo přetížením, včetně funkčních omezení nervosvalového systému. Tyto poznatky pak umožňují cíleně upravit trénink i regeneraci tak, aby výkon nebyl limitován skrytými riziky.
4. Pokročilé fyziologické metriky
Technologický rozvoj umožnil přenést dříve laboratorní měření přímo do tréninkové praxe. Přístroje jako Moxy Monitor, NOXX nebo Train.Red využívají blízkou infračervenou spektroskopii k měření svalové saturace kyslíkem (SmO2) v reálném čase. Sportovec i trenér tak vidí, zda výkon limituje spíše kardiovaskulární systém, nebo samotný sval.
Podobně přenosné metabolické analyzátory měří spotřebu kyslíku a produkci CO2 během jízdy či běhu, což poskytuje data o aktuálním VO2 i poměru využívaných substrátů (tuky vs. sacharidy). Tyto high-tech metriky doplňují tradiční měření a otevírají hlubší pohled do fyziologie výkonu.
Hierarchická shluková analýza sportovců
Jedním z osvědčených způsobů, jak v datech najít přirozené skupiny, je hierarchické shlukování. Zvláštní pozornost si zaslouží Wardova metoda, která seskupuje sportovce krok za krokem tak, aby nově vzniklé shluky vykazovaly co nejmenší rozdíly uvnitř skupiny. Jinými slovy: algoritmus vždy spojí ty dva sportovce (nebo skupiny), jejichž sloučením vznikne co nejhomogennější celek.
Výsledkem jsou kompaktní a vyvážené skupiny sportovců. Hlavním výstupem je tzv. dendrogram – stromový diagram, který vizuálně ukazuje, kdo je komu nejpodobnější podle sledovaných parametrů. Tento „rodokmen“ odhaluje příbuznost mezi sportovci na základě jejich dat.
Ve vědeckých studiích byli například sportovci rozděleni do několika shluků podle biomechanických parametrů. Na vertikální ose dendrogramu je znázorněna míra nepodobnosti, na horizontální jednotliví sportovci. Čím níže se dvě větve spojují, tím větší je jejich podobnost. Trenér tak intuitivně vidí, „kdo ke komu patří“.
Velkou výhodou této metody je, že není nutné předem určovat počet skupin. Ten lze stanovit až zpětně – vizuálně z dendrogramu, nebo pomocí statistických kritérií.
Příklady vstupních dat
V našem kontextu by mezi vstupní metriky pro shlukování patřily například:
- VO2 Data
- výkon na prahu (watty/kg)
- klidová tepová frekvence
- tělesná hmotnost a procento tuku
- krátkodobé výkony (např. 5s maximální výkon)
- variabilita srdeční frekvence (HRV)
- Economy Index(např. poměr výkonu k VO₂ – ml/kg/min)
- minimální a maximální hodnoty SmO2, HR
- atd..
Než se data použijí, je obvyklé je normalizovat (aby měly všechny veličiny srovnatelnou váhu) a někdy také redukovat jejich počet. Poté se zvolí vhodná metrika podobnosti (často euklidovská vzdálenost) a algoritmus vrátí přehledný stromový graf, který odhalí logické skupiny sportovců.
Příklady seskupení sportovců na základě dat
Metody shlukové analýzy se již v praxi objevují a přinášejí zajímavé poznatky. Uveďme několik příkladů z výzkumu i reálného tréninkového prostředí:
- Silově vs. vytrvalostně orientovaní hráči (házená): Studie s elitními juniorskými házenkáři provedla hierarchické shlukování výsledků celé baterie fyzických testů (sprinty na 10 m a 20 m, výskoky, hod míčem, maximální bench-press atd.). Výsledkem byly čtyři odlišné skupiny hráčů podle fyzické výkonnosti. Ukázalo se, že každý shluk měl specifické slabiny – např. jedna skupina excelovala v síle, ale zaostávala ve výbušnosti, jiná naopak. Autoři zdůrazňují, že tyto výsledky pomáhají trenérům identifikovat talent a monitorovat vývoj hráčů. Hlavně však umožňují cílit trénink na míru: jakmile víme, do které skupiny hráč spadá, můžeme jeho tréninkový program upravit tak, aby rozvíjel právě tu oblast výkonu, ve které má daný shluk největší rezervy. Každý ze čtyř shluků totiž představoval určitý profil – ať už silový, rychlostní, vytrvalostní apod. – a trenér tak může snáze přizpůsobit trénink jednotlivci na základě toho, jaký „typ“ atleta je v kontextu týmu.
- Archetypy cyklistů – sprinteři vs. vrchaři: Už výše jsme zmínili klasické rozdělení cyklistů podle výkonového profilu. Analýza somatotypů cyklistů naznačila, že existují jasně odlišitelné tělesné a výkonnostní archetypy: například velmi svalnatý mezomorfní sprinter s obrovskou 1sekundovou a 1minutovou silou, oproti štíhlému ektomorfnímu vrchaři s vynikajícím 20minutovým výkonem na prahu. Shluková analýza dat může takové typy objektivně odhalit, namísto aby trenér spoléhal jen na subjektivní dojem. Trenér tak může segmentovat tým do typových skupin – třeba „silově-rychlostní skupina“ vs. „vytrvalostní skupina“ – na základě testových výsledků.
- Shlukování napříč sporty (Olympijští atleti): Zajímavé je využití shlukové analýzy i ve velkém měřítku napříč různými sporty. V jednom datovém experimentu byly použity údaje o stovkách olympioniků (výška, hmotnost, věk, sport a dosažená medaile) k nalezení skupin podobných atletických profilů. Výsledkem bylo pět shluků reprezentujících odlišné typy sportovců – například jeden klastr sdružoval sportovce vyžadující rychlost a výbušnost (sprinteři, skokani, vzpěrači), zatímco jiný klastr tvořili převážně vytrvalci (dlouhé tratě, cyklisté, triatlonisté). To potvrzuje, že určité fyzické a výkonnostní charakteristiky se typicky pojí s konkrétními požadavky sportů. Pro nás je však důležité, že obdobně lze uvažovat i v rámci jednoho sportu: např. v cyklistice můžeme analogicky nalézt „typy“ závodníků – časovkář, spurter, vrchař, univerzál apod. – což jsou vlastně taky shluky podle dat (byť v tomto případě známé a pojmenované kategorizace). Shluková analýza by mohla odhalit i jemnější podskupiny (třeba rozlišit různý styl spurterů podle kadence a výkonové křivky atd.) a dát tak podklad pro specializaci tréninku.
- Odlišná odpověď na trénink (respondéři vs. non-respondéři): Každý zkušený kouč ví, že ne všichni reagují na stejný trénink stejně dobře. Některé vědecké práce proto využily shlukování i k identifikaci rozdílů v adaptaci na trénink. Například analýza účinků jednotného vytrvalostního programu odhalila, že lze rozdělit jedince do odlišných skupin podle toho, jak moc zlepšili svou VO2max – jedni byli výrazní „respondéři“, jiní měli jen malý přírůstek. Tyto skupiny se přitom lišily již v některých vstupních rysech před tréninkem. Takový přístup by mohl do budoucna pomoci předvídat, jaký trénink bude pro koho vhodný – tedy personalizovat plán i podle předpokládané trénovatelnosti. Z praktického hlediska to ale vyžaduje velké množství dat a spíše se jedná o směr výzkumu do budoucna.
Když dva trénují stejně, jeden z nich to možná dělá špatně
Výše uvedené příklady naznačují, jaké praktické výhody může shluková analýza sportovců přinést. Pro shrnutí uveďme hlavní přínosy:
- Rychlejší individualizace tréninku: Trenér, který má nové svěřence, může pomocí datové analýzy rychle zjistit, ke kterému typu sportovce mají blízko. Pokud například nový cyklista profilově zapadá do skupiny podobné již trénovanému úspěšnému závodníkovi, může trenér uplatnit osvědčené postupy, které u toho typu fungují. Ušetří se tím čas strávený metodou pokus-omyl při hledání optimálního tréninku. Jak ukázala studie v házené, znalost toho, do jakého výkonového klastru atlet patří, umožní cíleněji zacílit jeho přípravu na slabiny dané skupiny. Dendrogram či jiná vizualizace může také odhalit outliers – sportovce, kteří jsou velmi atypičtí oproti ostatním (stojí osamoceně v dendrogramu). U nich je naopak jasné, že budou potřebovat zcela individuální přístup mimo běžné šablony.
- Efektivnější skupinový trénink: V týmech nebo tréninkových skupinách lze využít seskupení ke skupinové periodizaci. Sportovci v jednom klastru mohou absolvovat podobné tréninkové bloky, protože mají s vysokou pravděpodobností i podobné reakce na zátěž. Například skupina vytrvalců s nižší anaerobní kapacitou může společně pilovat intenzivní intervaly, zatímco skupina výkonných spurterů se zaměří na zlepšení vytrvalosti základní. Tím lze lépe cílit poměr obecné a speciální přípravy pro daný segment atletů. Navíc trénink s výkonově homogennější skupinou je motivující – sportovci se mohou lépe porovnávat a táhnout.
- Komunitní propojení a sdílení know-how:
Například jedním z cílů naší platformy assess.works je poskytnout prostředí, kde by uživatelé (sportovci nebo jejich trenéři) sdíleli anonymizovaně svá data, a tím by bylo možné vytvořit celosvětový strom podobnosti. Jednotlivec by pak mohl zjistit, kdo další má téměř identický profil (věk, pohlaví, výkonnostní ukazatele) a přímo se s ním spojit. Mohli by sdílet tréninkové zkušenosti, navzájem se inspirovat jídelníčkem, regenerací apod. – zkrátka vytvářet mikro-komunity podobných sportovců.
Například amatérský cyklista ve věku ~45 let s VO2max ~50 ml/kg/min a FTP ~250 W by mohl najít po světě několik „dvojníků“ se stejným výkonovým profilem a podívat se, jak trénují, jakých dosahují výsledků či jak překonávají výkonnostní plateaux. To může být cenné zejména pro samostatně trénující jedince bez osobního kouče.
Navíc by taková databáze mohla umožnit i porovnávání tréninkových metod – pokud se ukáže, že v určitém shluku dosáhla polovina lidí výrazného zlepšení pomocí například vysokofrekvenčního intervalového tréninku, je to indície, že pro tento typ sportovců tato metoda funguje.
- Identifikace talentů a kariérní směřování: U mládeže by podobná analýza mohla napovědět, pro jaké disciplíny má jedinec předpoklady. Pokud mladý cyklista vykazuje parametry blízké spíše sprinterskému klastru (vyšší tělesná hmotnost, výbušná síla) než vytrvalostnímu, lze tomu přizpůsobit jeho tréninkovou specializaci či ho směřovat na odpovídající disciplíny (např. dráhový sprint namísto silničních stoupání). Samozřejmě to nenahrazuje komplexní posouzení talentu, ale může jít o další objektivní vodítko při rozhodování.
Využití hierarchického shlukování a obecně datové analýzy pro seskupování sportovců dle fyziologických profilů představuje slibný nástroj pro moderní tréninkový proces. Jak jsme ukázali, trenéři již dnes sbírají obrovské množství dat o svých svěřencích – od jednoduchých ukazatelů, jako je tepová frekvence, až po pokročilé metriky typu svalové okysličení nebo detailní výkonové křivky. Hlavním úkolem je tato data smysluplně využít. Shluková analýza umožňuje z dat vystavět „rodokmen“ podobnosti, který odhalí skupiny sportovců s příbuznými charakteristikami. V kontextu vytrvalostních sportů (cyklistika, běh, triatlon apod.) to může znamenat rychlejší a efektivnější individualizaci tréninku – jak na úrovni elitních sportovců, tak u výkonnostních a rekreačních nadšenců, kteří se mohou inspirovat navzájem. Samozřejmě je třeba mít na paměti, že každý člověk je originál a odpověď na trénink ovlivňuje řada faktorů (genetika, životní styl, psychika). Shlukování by tedy nemělo vést k přístupu „one size fits all“ uvnitř dané skupiny, ale spíše poskytnout výchozí rámec, který trenér dál jemně ladí na míru jedince.
Samozřejmě s tím jsou spojené také výzvy při realizaci takových datových projektů – otázky ochrany osobních údajů při sdílení dat, nutnost standardizace měření napříč různými zařízeními, či jednoduše edukace trenérů v práci s těmito nástroji. Přesto se zdá, že budoucnost vytrvalostního tréninku bude stále více datově řízená. Spojení dlouholetých zkušeností trenérů s moderní analytikou by mohlo odhalit nové souvislosti a posunout individualizaci sportovní přípravy na další úroveň.
„Existuje více věcí, které nás spojují, než které nás rozdělují”
Zdroje:
- Best-Practice Training Characteristics Within Olympic Endurance Sports as Described by Norwegian World-Class Coaches, (2025), Sandbakk; Tønnessen; Sandbakk; Losnegard; Seiler; Haugen.
- Assessing Performance Metrics in Athletes, (n.d.), CoachMePlus (nebo autor neuvádí).
- Cycling Power Profiling Explained, (2024), Bell.
- Overarm Training Tolerance: A Pilot Study on the Use of Muscle Oxygen Saturation as a Biomarker, (2024), Gorti; Stephenson; Sethi; Gross; Ramos; Seshadri; Drummond.
- Anthropometric Clusters of Competitive Cyclists and Their Sprint and Endurance Performance, (2019), van der Zwaard; de Ruiter; Jaspers; de Koning.
- Ward’s Method, (2025), Statistics How To.
- Cluster analysis reveals differential transcript profiles associated with resistance training-induced human skeletal muscle hypertrophy, (2013), Thalacker-Mercer; Stec; Cui; Cross; Windham; Bamman.
- Identifying High-Performance Athlete Clusters Using Clustering Analysis on Sports Metrics, (2024), Pillai.
- A hierarchical clustering approach for examining potential risk factors for bone stress injury in runners, (2022), Martin; Stiffler-Joachim; Wille; Heiderscheit.
- https://assess.works/
