手表现在被认为是一种训练监控的“客观”手段，跑者习惯在训练过程中，时不时瞥一眼手表，检查心率、配速或其他指标。有些跑者认为在跑步训练中使用手表(或其他可穿戴设备)非常重要，如果没戴表甚至有一种“白跑”的感觉。

最近的研究对这种机械唯物主义提出了质疑。

article_img/2025-01-17/678a16557373b4162.jpg

一方面

在跑步过程中时刻关注心率和配速等客观指标，会切断训练者心灵-身体-世界的联系，妨碍他们用身体感觉去调节运动，难以进入心流状态。

另一方面

指标的算法无法完全理解训练者的真实环境(例如炎热或生病)，在某些环境下，指标的指导变得几乎没有意义，仍需要训练者的主观评估和身体感觉。

完全依赖和相信可穿戴设备指标，或者因为指标不准确而完全不用可穿戴设备，这两种极端方法都不好，那我们究竟该如何做？

本篇文章提供了一种理解指标的方法，可能会对你有帮助。

01

指标的分类

手表提供了非常多的指标，例如心率(HR)、心率变异性(HRV)、血氧饱和度(SPO2)、卡路里消耗、压力水平、恢复评分、睡眠阶段、睡眠质量等等。但是这些指标的获取方式并不相同，对于准确性有很大影响。

手表的工作原理是通过传感器测量数据(并不是直接测量得到，也需要算法估计，不过可以认为是传感器直接测到的)，在原始数据的基础上，用算法与模型，进行估计和生成相关参考指标，通过前述步骤得到的指标，再提供给训练者/使用者。但是，通常情况下，设备厂商并不会告诉你这些指标的误差。

article_img/2025-01-17/678a166a828d67799.jpg

如果将手表提供指标的误差从低到高排序，大致可以分为3类：测量的指标，估计的指标，创造的指标。误差是指和金标准比的差距，一般把实验室条件下测得的数据视为金标准，例如用心电图测量心率，用多导睡眠测试测量睡眠阶段(下图)。

article_img/2025-01-17/678a1674170f43630.jpg

图自:论文

测量的指标是由手表内的传感器测量得到的，例如常见的手表传感器包括：光电心率(测HR和HRV)、光电血氧(测SPO2)、GPS(测距离和海拔)、加速度计和陀螺仪(测力的方向和大小的变化)。这些传感器收集到的原始数据经过处理后可以得到相对准确的指标。

估计的指标是根据测量的指标进一步计算(例如机器学习算法等)，准确度会降低一些。不过通过与金标准测试对比，可以知道误差有多大并不断对算法进行优化。判断这类指标是否准确，一个方法是查看和金标准对比的研究。另一个更简单的方法是比较不同厂商测量同一个参数的结果，如果大家测量的结果不能很好重合，说明这个参数在当前的技术条件下不能被测量准确。

创造的指标是根据以上两种指标计算，一般是模拟训练者的当前状态(例如压力情况或恢复情况)，不存在金标准测试。这类指标可以根据训练者们的反馈来不断优化算法。

延伸阅读：训练中被忽视的主观感觉

02

该怎么做

在了解指标分类后，应该对这些指标的准确性有了基本判断。

article_img/2025-01-17/678a1681381478622.jpg

测量的指标准确性较高，但是要注意测量方式也会影响准确性。例如安静状态下的HR和金标准几乎没有区别，但是在手腕剧烈抖动或是外在环境变化状态下，光电心率传感器的准确度会下降。因此在运动时需要让手表尽量贴合手腕，减少测量误差。

估计的指标准确性下降，在理解这些指标时要加入自己的实际感受。例如乳酸阈值，手表会在一定范围内高估/低估你的值，重要的是根据实际训练时的感受灵活调整强度。当无法用预测强度完成一次训练时，下次训练就需要降低强度，反之亦然。

创造的指标需要谨慎对待，因为算法不可能穷尽所有影响因素，并且当算法中加入估计的指标时会出现误差叠加误差的情形。大部分情况下，你的主观感受和预测值差不多，但是当出现冲突时，以你的感觉为准。例如你的睡眠质量得分很低，但是你感觉睡的不错，此时一定不要被分数所干扰。

总之，无论哪种指标，都要结合数据产生的环境，利用自己的经验、目标和主观感受去理解，使这些指标在训练中变得有意义。

文 / RQ运科组-ZY

参考文献：

1. https://marcoaltini.substack.com/p/a-framework-to-make-better-use-of

2. Toner J, Allen-Collinson J, Jackman P C, et al. ‘I like to run to feel’: embodiment and wearable mobile tracking devices in distance running[J]. Qualitative Research in Sport, Exercise and Health, 2023, 15(6): 805-818.

3. Crivello A, Barsocchi P, Girolami M, et al. The meaning of sleep quality: a survey of available technologies[J]. IEEE access, 2019, 7: 167374-167390.

4. Esmonde K. ‘There’s only so much data you can handle in your life’: accommodating and resisting self-surveillance in women’s running and fitness tracking practices[J]. Qualitative Research in Sport, Exercise and Health, 2020, 12(1): 76-90.

5. Shei R J, Holder I G, Oumsang A S, et al. Wearable activity trackers–advanced technology or advanced marketing?[J]. European Journal of Applied Physiology, 2022, 122(9): 1975-1990.

知识 | 如何理解手表的指标？

热门文章

精选留言