Externí článek / Spoluautorský článek s Evan Peikon, Daniel Crumback
V poslední době často přemýšlím o tom, jak oblast lidského výkonu téměř jednotně přijala představu, že fyziologie funguje v přehledných, oddělených kategoriích. Zóna 1, Zóna 2, Zóna 3 a tak dále — jako by tělo operovalo ve striktně ohraničených stavech, místo aby se pohybovalo po plynulém spektru. Takové zjednodušení je stejně absurdní jako tvrdit, že člověk může být buď „šťastný“ nebo „smutný“, bez jakýchkoliv přechodů mezi tím.
Co kdybychom přestali nutit plynulé biologické procesy do umělých škatulek a začali tréninkové zóny měřit způsobem, jakým fyziologie skutečně funguje — tedy jako plynulé spektrum, nikoliv jako pevné kategorie? Přesně na tom jsme s přáteli v assess.works pracovali — na vícemetrickém přístupu k určování tréninkových zón, který zachází se zónami jako s kontinuálními hodnotami. Místo toho, abychom zóny zredukovali na jeden údaj, například tepovou frekvenci, integrujeme spotřebu kyslíku (VO₂), srdeční tep, saturaci svalů kyslíkem (SmO₂) a další data, abychom vytvořili bohatší reprezentaci fyziologických stavů.
Inspirace pro tento model přišla z mé práce s analýzou genové exprese. Nikdy neříkáme, že gen je „zapnutý“ nebo „vypnutý“ — měříme úroveň exprese kontinuálně a sledujeme, jak spolu jednotlivé regulační dráhy interagují. Proč by měla být fyziologie při cvičení jiná? Lidské tělo je pravděpodobně nejsofistikovanější biologickou sítí, jakou známe, a přesto jsme ho dlouhá léta analyzovali výpočetně tak, jako by mělo jen vypínač.
Přístup assess.works k identifikaci zón začíná profilováním sportovce, které si silně bere inspiraci z personalizované medicíny. Stejně jako bychom nepoužili stejný dávkovací protokol léků pro každého, neměli bychom na všechny sportovce aplikovat stejný algoritmus pro detekci zón. Systém nejprve analyzuje individuální fyziologický profil daného sportovce — sleduje, jak jeho biomarkery reagují na rostoucí intenzitu zátěže. Počítáme koeficienty variability jednotlivých metrik, hodnotíme dynamický rozsah vůči výchozím hodnotám a analyzujeme kinetiku odezvy porovnáním raných a pozdních změn.
Tento přístup následně umožňuje adaptivní předzpracování dat. Například sportovci zařazení do kategorie „vysoká variabilita“ dostanou jiné normalizační algoritmy než ti s „omezeným fyziologickým rozsahem“ nebo „vysokou vnitřní variabilitou“. Jde o personalizovanou analytiku aplikovanou na fyziologii pohybu — zpracování, které se přizpůsobuje konkrétním fyziologickým vlastnostem, namísto přístupu „jedna metoda pro všechny“.
Skutečná inovace však spočívá v našem systému čtyř metod detekce zón. Místo toho, abychom sledovali pouze absolutní hodnoty biomarkerů, analyzujeme jejich rychlost změny — první, druhou a třetí derivaci signálů VO₂, tepové frekvence a saturace kyslíkem. Je to podobné rozdílu mezi měřením polohy a měřením rychlosti, zrychlení a změny zrychlení. Tyto derivace nám umožňují detekovat přechodová období, kdy se mění metabolické stavy, a odvodit kompozitní intenzitu pomocí vah přizpůsobených konkrétnímu sportovci. Například někteří sportovci budou mít vyváženou váhu mezi VO₂, TF a SmO₂, zatímco u jiných může být některá metrika podhodnocena či nadhodnocena podle jejich odezvy, čímž oddělíme signál od šumu a zachytíme jemné změny, které by jinak mohly uniknout.
Tento přístup dále kombinujeme s klasifikačními algoritmy, které identifikují přirozené fyziologické stavy pomocí K-means analýzy nad prostorovými charakteristikami, které zahrnují normalizované hodnoty biomarkerů a jejich derivace. Algoritmus testuje 3 až 5 shlukových řešení a vybírá optimální počet na základě tzv. silhouette skóre, které hodnotí, jak dobře jsou jednotlivé shluky oddělené a konzistentní. Výsledné shluky jsou následně mapovány na tréninkové zóny na základě průměrné intenzity – což vytváří datově řízený přístup založený na přirozených zlomových bodech místo arbitrárních prahů.
Naše třetí metoda využívá statistickou detekci bodů zlomu pomocí Mann-Whitneyho U testu — neparametrického přístupu, který nepředpokládá normální rozložení dat, což je klíčové, protože fyziologická data téměř nikdy neodpovídají Gaussovým křivkám. Posouváme analyzační okna přes kompozitní intenzitní signál a testujeme, zda jsou rozdělení biomarkerů před a po každém potenciálním bodu zlomu statisticky odlišná. Tím identifikujeme skutečně významné přechody — ne jen libovolně nastavené prahové hodnoty. Metoda se přirozeně přizpůsobuje individuální fyziologii, protože hledá významné změny vůči vlastnímu výchozímu stavu daného sportovce, ne vůči populačním normám.
Čtvrtá metoda využívá klasickou zónovou metodu založenou na percentilovém rozdělení. Místo pevných populačních percentilů však počítáme prahové hodnoty personalizovaně na základě konkrétní odezvy sportovce. Sportovci s omezeným rozsahem hodnot tak dostanou citlivější percentily, zatímco sportovci s vyšší výkonností dostanou standardnější distribuci. Následně aplikujeme lehké časové vyhlazení pomocí mediánového filtru, který eliminuje nerealisticky rychlé přechody, ale zachovává fyziologicky věrohodné změny.
Každá ze čtyř metod hlasuje pro přiřazení zóny a váhy hlasů se dynamicky přizpůsobují profilu sportovce. Tento konsenzuální přístup řeší problém, který mi u tradiční detekce zón vždy vadil: předpoklad, že jedna metoda se hodí na všechny případy. Sportovci s vysokou variabilitou dostanou 40 % váhu na percentilové metodě (nejodolnější vůči šumu), 30 % na klasifikaci (dobrá na rozpoznávání vzorců), 20 % na prahové metodě a jen 10 % na derivacích (kvůli citlivosti na šum). Sportovci s omezeným rozsahem dostanou 30 % váhu na derivace (pro citlivost na jemné změny), 25 % na klasifikaci i prahy a 20 % na percentily. Ti, kteří vykazují raný plató efekt, dostanou 40 % váhu na klasifikaci, protože nejlépe identifikuje stabilní stavy. Sportovci s asymetrickými reakcemi mají vyvážené váhy, ale s individuálně upravenými vahami biomarkerů podle síly jejich odezvy.
Systém zároveň poskytuje podrobný diagnostický výstup včetně míry shody mezi metodami — obvykle se pohybuje mezi 60–80 %, přičemž nižší shoda často signalizuje zajímavé přechodové fáze, kde je přiřazení zóny skutečně nejednoznačné.
Co je však možná nejdůležitější — náš kontinuální přístup odhaluje informace, které diskrétní zóny zakrývají. Když sportovec jede intervaly, vidíte postupný nárůst z 2.1 na 2.8 a poté 3.4, místo skoků ze Zóny 2 do Zóny 3. Kontinuální hodnoty se počítají jako kompozitní skóre intenzity z biomarkerových dat, které jsou poté normalizovány na škále 1.0–5.0 a vyhlazeny, aby vznikly realistické fyziologické přechody. Můžete tak rozlišit mezi lehkým výkonem ve třetí zóně (např. 3.1) a vysokou zátěží (např. 3.8), což trenérům poskytuje mnohem přesnější zpětnou vazbu pro řízení tempa a předpis tréninku.
Pro trenéry to znamená posun od arbitrárních hranic tradičních zón k jemnějšímu vedení intenzity. Místo instrukce „zůstaň ve Zóně 3“ můžete sportovci říct „drž se mezi 3.2 a 3.6“ během prahových intervalů. Zpětná vazba je přesnější, řízení tempa inteligentnější a tréninkový plán lépe sladěn s reálnými fyziologickými reakcemi.
Myslím, že jsme na začátku širší transformace v tom, jak kvantifikujeme a analyzujeme lidský výkon. Stejně jako personalizovaná medicína revolučně mění zdravotní péči díky multi-omickým datům a kontinuálnímu monitoringu, je i fyziologie pohybu připravena na podobný analytický skok. Technologie už máme — spolehlivé vícemetrické senzory, dostatečný výpočetní výkon a stále hlubší porozumění tréninkové fyziologii. Výpočetní rámce už existují, protože jiné vědní obory podobné problémy dávno řeší. Vše, co potřebujeme, je odvaha opustit pohodlné, ale nepřesné kategorizování a přijmout komplexitu plynulého fyziologického měření.
Budoucnost analýzy tréninkových zón nespočívá v lepších kategoriích — ale v uznání, že fyziologie, stejně jako většina zajímavých biologických jevů, existuje na spektru, které si zaslouží být měřeno a analyzováno s takovou sofistikovaností, jakou si skutečně vyžaduje.
Zajímá vás víc? Podívejte se na assess.works ještě dnes!
Tento článek vznikl ve spolupráci s Evanem Peikonem, bioinformatikem a výpočetním biologem, a Danielem Crumbackem, mezinárodně uznávaným odborníkem specializujícím se na identifikaci a odstraňování fyziologických a funkčních omezení sportovního výkonu.
Publikujeme jej jako součást naší série textů, které reflektují různé přístupy k analýze tréninkových zón.
