科学研究基金会
基于证据的运行分析
循证方法
Run Analytics 中的每个指标、公式和计算均基于经过同行评审的科学依据 研究。本页记录了验证我们的分析框架的基础研究。
🔬科学严谨
跑步分析已从基本的公里计数发展到复杂的性能测量 以数十年的研究为后盾：
- 运动生理学- 有氧/无氧阈值、VO₂max、乳酸动态
- 生物力学- 步幅力学、推进力、地面接触力
- 运动科学- 训练负荷量化、周期化、性能建模
- 计算机科学- 机器学习、传感器融合、可穿戴技术
临界运行速度 (CRS) - 基础研究
Wakayoshi 等人。 (1992) - 确定临界速度
主要发现：
- 与无氧阈值 VO2 强相关（r = 0.818）
- 与 OBLA 的速度具有良好的相关性（r = 0.949）
- 预测 400m 性能（r = 0.864）
- 临界速度（vcrit）代表可无限维持的理论运行速度 没有疲惫
意义：
建立 CRS 作为实验室乳酸检测的有效、非侵入性替代品。事实证明就是这么简单 基于赛道的计时赛可以准确确定有氧阈值。
Wakayoshi 等人。 (1992) - 实用轨道测试方法
主要发现：
- 距离与时间的线性关系(r² > 0.998)
- 简单的 5K + 3K 协议提供精确的临界速度测量
- 全世界教练无需实验室设施即可使用的方法
意义：
民主化的 CRS 测试。将其从仅限实验室的程序转变为任何教练都可以使用的实用工具 只需一个秒表和轨道即可实现。
Wakayoshi 等人。 (1993) - 乳酸稳态验证
主要发现：
- CRS对应于最大乳酸稳态强度
- 与 4 mmol/L 血乳酸时的速度显着相关
- 代表之间的边界重和严重的练习域
- 验证 CRS 作为训练处方有意义的生理阈值
意义：
确认了CRS的生理基础。它不仅仅是一个数学构造——它代表了真实的 乳酸产量等于清除率的代谢阈值。
训练负荷量化
舒勒和罗德里格斯 (2015)
主要发现：
- 修改后的 TRIMP 计算 (TRIMPc) 比传统 TRIMP 高出约 9%
- 两种方法都与 session-RPE 强相关（r=0.724 和 0.702）
- 工作强度较高时方法间差异更大
- TRIMPc 考虑了间歇训练中的运动间隔和恢复间隔
华莱士等人。 (2009)
主要发现：
- Session-RPE（CR-10 量表 × 持续时间）经过验证，可量化跑步训练负荷
- 实施简单，统一适用于所有培训类型
- 适用于田径训练、公路跑步和技术训练课程
- 即使在心率不代表真实强度的情况下也能工作
跑步压力评分 (rTSS) 基础
虽然 TSS 是由 Andrew Coggan 博士针对自行车运动开发的，但其针对跑步的适应 (rTSS) 结合了 二次强度因子 (IF²) 反映跑步的生理需求。与其他耐力不同 体育运动, 跑步生物力学遵循平方关系，其中生理负荷与平方成正比 强度 由于冲击力和重力作用。
生物力学和步幅分析
蒂亚戈·M·巴博萨 (2010) - 绩效决定因素
主要发现：
- 性能取决于推进力产生、阻力最小化和运行 经济
- 步幅长度成为比步幅速率更重要的预测因素
- 生物力学效率对于区分表现水平至关重要
- 多种因素综合决定竞争成功
努梅拉等人。 (2007) - 跑步经济的决定因素
主要发现：
- 分析步长、速度和代谢成本之间的关系
- 接地时间对跑步效率的量化影响
- 建立有效向前推进的生物力学原理
- 为耐力赛事中的形态优化提供框架
德里克等人。 (2002) - 冲击冲击和衰减
主要发现：
- 引入了量化运行过程中冲击和衰减的方法
- 精英跑步者根据速度变化调整腿部僵硬模式，同时保持效率
- 生物力学策略影响受伤风险和推进效率
- 必须在不同的速度和疲劳状态下评估技术
运行经济性和能源成本
科斯蒂尔等人。 (1985)
主要发现：
- 对于中距离表现来说，跑步经济性比 VO₂max 更重要
- 更好的跑步者在给定速度下表现出更低的能量成本
- 步幅力学效率对于表现预测至关重要
- 技术熟练程度是精英跑者与优秀跑者的区别
意义：
将重点从纯粹的有氧能力转向效率。突出技术工作的重要性 并大幅节省性能以提高性能。
费尔南德斯等人。 (2003)
主要发现：
- TLim-vVO2max 范围：215-260 秒（精英）、230-260 秒（高级）、310-325 秒（低级）
- 与 TLim-vVO2max 直接相关的跑步经济性
- 更好的经济性=以最大有氧配速实现更长的可持续时间
可穿戴传感器和技术
穆尼等人。 (2016) - IMU 技术评论
主要发现：
- IMU 有效测量步频、步数、跑步速度、身体旋转、呼吸模式
- 与视频分析的良好一致性（黄金标准）
- 代表实时反馈的新兴技术
- 使以前需要昂贵的实验室设备的生物力学分析民主化的潜力
意义：
验证可穿戴技术具有科学严谨性。为消费类设备（Garmin、 Apple Watch、COROS）提供户外实验室质量指标。
席尔瓦等人。 (2021) - 用于步幅检测的机器学习
主要发现：
- 步幅分类准确率达 95.02%来自可穿戴传感器
- 在线识别跑步方式和转弯并实时反馈
- 在实际训练期间使用来自 10 名运动员的约 8,000 个样本进行训练
- 自动提供步数计数和平均速度计算
意义：
证明机器学习可以实现近乎完美的步幅检测精度，从而使 消费设备中的自动化、智能运行分析。
领先的研究人员
蒂亚戈·巴博萨
葡萄牙布拉干萨理工学院
100+ 出版物生物力学和性能建模。成立 用于理解跑步表现决定因素的综合框架。
杰克丹尼尔斯博士
A.T.斯蒂尔大学
作者《丹尼尔斯跑步公式》。被 Runner's 评为“世界最佳跑步教练” 世界。建立VDOT系统。
小二Wakayoshi
大阪大学
开发了临界运行速度概念。三篇具有里程碑意义的论文（1992-1993）将 CRS 确立为 阈值测试的黄金标准。
安德鲁·科根博士
IUPUI
运动生理学家，开发了训练压力评分 (TSS) 和归一化功率/配速模型 对于耐力运动员。
里卡多·J·费尔南德斯
波尔图大学
VO2 动力学和跑步能量学专家。对代谢反应的深入了解 跑步训练。
斯蒂芬·塞勒博士
阿格德尔大学
因研究“极化训练”而闻名。他在训练强度分布方面的工作是 80/20 训练规则的基础。
现代平台实施
Apple Watch 跑步分析
Apple 工程师记录了数千名不同地形和技能水平的跑步者。这种多元化的 训练数据集使算法能够使用陀螺仪和加速度计分析躯干和肢体动力学 协同工作，在所有技能水平上实现功率和效率指标的高精度。
COROS POD 2 高级指标
COROS POD 2 使用腰部安装的传感器通过捕捉躯干提供卓越的步幅检测 运动比腕上设备更准确。他们定制训练的 ML 模型可处理数百个 标记运行数据的小时数，使实时节奏和形式反馈±1% 准确性。
Garmin 多频段 GPS 创新
双频卫星接收（L1 + L5 频段）提供信号强度增强 10 倍, 显着提高“城市峡谷”和茂密森林中的配速准确性。评论好评多带 佳明 模型对技术路线和赛道会话进行“极其准确”的跟踪，解决了 历史的 跑步者的 GPS 漂移挑战。
科学驱动绩效
Run Analytics 站在数十年严谨科学研究的肩膀上。每一个公式， 指标和计算已通过领先体育科学领域发表的同行评审研究的验证 期刊。
这种基于证据的基础确保您获得的见解不仅仅是数字，而是科学的 生理适应、生物力学效率和性能进步的有意义的指标。
科学研究基础 | Run Analytics - Running Analytics App | Critical
基于证据的跑步分析. 科学研究基础 | Run Analytics - Running Analytics App | Critical Running 科学研究基础 | Run Analytics - Running Analytics App | Critical Running
- 2026-03-24
- 游泳研究 · 运动科学 · CRS研究 · Wakayoshi · 游泳生理学
- 参考文献