行銷需求｜與我們聯繫
摘要
本文探討心率訓練如何影響跑者表現，並揭示了一些重要概念和趨勢，使每位跑者都能從中受益。 歸納要點:
- 心率變異性(HRV)能幫助跑者調整Zone 2訓練強度,HRV較低的跑者需增加低強度訓練時間以獲得更好效果。
- 資料清理是心率訓練分析的關鍵,利用AI技術可有效識別並移除錯誤數據,提高分析準確性。
- Z1-30與Z1-45訓練在心率變化上存在差異,前者著重基礎耐力,而後者則提升運動表現,有助於制定更有效的訓練計畫。
在前面的文章中，我們探討了心率訓練（HRT）的理論和實踐，以及HRT的優缺點。現在，是時候深入研究實際資料，以檢視HRT的承諾是否真的成立。本系列的最後一部分將分析我在兩年間收集的個人跑步資料，以評估持續進行區域二訓練所帶來的影響。
我們在研究許多文章後,彙整重點如下
網路文章觀點與我們總結
- Zone 2訓練是指在中低強度的有氧運動下,心率維持在最高心跳頻率的65%-75%左右。
- 這種訓練方法通常建議每週進行至少4次,每次60分鐘,以促進耐力和改善粒線體數量。
- 低心率跑法被認為可以提升比賽成績,但不適合短期內迅速提高跑步表現的人士。
- Zone 2訓練讓運動者能夠以舒適的速度長時間運動,像是輕鬆交談時的慢跑步伐。
- 這種訓練方式有助於增加微血管密度,提高耐力表現,常見於慢跑、游泳及急步行等活動。
- 世界衛生組織建議成年人每周至少做150分鐘中等強度的有氧運動,包括Zone 2訓練。
最近越來越多人提到Zone 2訓練，這是一種低強度但長時間的有氧運動方式，可以幫助提升耐力與整體健康。而且，你可以用舒適的速度與朋友聊天來進行這項訓練，非常貼近生活。雖然它需要較長時間才能看到效果，但對於想要穩定提升跑步成績的人來說，無疑是一個值得嘗試的方法。
理解我們的資料來源：在深入分析結果之前
在深入結果之前，首先要了解我們所使用的資料。對於這篇文章，我利用了透過 Strava 收集的跑步資料以及我的 Garmin Forerunner 735XT 手錶。雖然 Strava 提供了大量關於您資料的資訊，但我使用的免費版本可能在可下載或訪問的資料上有一定限制。接下來，為了確保資料的一致性，我專注於從 2022 年 10 月 6 日，也就是我開始 HRT 計劃時起，到 2024 年 7 月 21 日之間收集的 Garmin Forerunner 735XT 資料，那時我轉用了 Garmin HRM－Pro Plus Premium 胸帶心率監測器。因此，這兩年的時間窗縮減到 22 個月——雖然說「兩年」聽起來更好，用於標題中也是如此。Zone 2 訓練：提升耐力與表現的有效方法
關於資料本身，我從 Strava 提取了相關資料並進行清理，以便能更好地回答我在下方提出的假設。為了簡化分析，我已經為每次跑步實施了一個標籤系統，根據強度進行分類，其中「Z1」代表 Zone 2 的努力，主要是恢復性和長距離跑，而「Z3／4」則代表速度或間歇訓練課程——更多細節將在下文中展開。本次分析的主要目的是評估持續的 Zone 2 訓練對關鍵跑步指標的影響。我假設持續的 Zone 2 訓練會降低平均心率和配速，同時改善或增加其他指標，如踏頻和距離。透過檢視這些資料，我們可以確定這一假設是否成立，並獲得有關 HRT（心率訓練）有效性的寶貴見解。**最新趨勢：HRT 在耐力運動中的興起**HRT 是近年來耐力運動中備受矚目的訓練方式，尤其對於馬拉松、鐵人三項等長距離運動員而言尤為重要。透過監控心率，運動員可以針對特定區間進行訓練，以最佳化運動表現並降低受傷風險。**深入要點：Zone 2 訓練的生理機制**Zone 2 訓練的核心在於提高最大攝氧量（VO2 Max），這是一個衡量身體使用氧氣效率的重要指標。透過持續在 Zone 2 的心率範圍內進行訓練，運動員能促進粒線體生長及增加毛細血管密度，因此提升氧氣傳輸與利用效率。這對於長距離運動至關重要，使得運動員能夠在較高強度下維持較低的心率和配速，同時延遲疲勞發生的時間。
劇透：我並不是資料分析師。雖然我以熱情的態度來進行這次資料分析，但顯而易見，資料集的侷限性以及我自身的資料分析技能，限制了我對 HRT 對我的跑步表現影響的明確結論。
在 Strava 上查詢你的跑步資料相當簡單。假設你至少有一個可以分析的跑步記錄——如果沒有，那就出去創造一個吧！第一步是登入到 Strava 的網站。在 Strava 頁面的右上角，將滑鼠懸停在你的名字上。選擇「設定」，然後從左側選單中找到「我的帳戶」標籤。在頁面底部，有一個標題為「下載或刪除你的帳戶」的部分——選擇「開始」。接下來出現的第二個選項是「下載請求（可選）」。在下一頁中，選擇「請求你的檔案」。
您將收到一封電子郵件，內含下載資料的連結（這可能需要幾個小時）。所有資料將包含在一個壓縮資料夾內。就本篇文章而言，我們僅關注標示為「activities」的 CSV 檔案。
資料處理流程的最佳實務
為了確保資料的準確性和一致性，我最初過濾了 Strava 資料集，只包含在 2022 年 10 月 6 日至 2024 年 7 月 21 日之間使用 Garmin Forerunner 735XT 記錄的活動。這段時間與我專注於心率訓練（HRT）的訓練期相符。原始資料集經過徹底清理，以便進行分析。不相關的欄位被移除，缺失值得到了妥善處理，並且資料型別標準化（例如，日期作為日期時間格式，數值作為浮點數或整數）。為了促進資料分析，我在 Strava 中實施了一套標籤系統，將每次跑步根據其強度進行分類：「Z1」代表 Zone 2 的努力（主要是恢復和長距離跑），而「Z3／4」則指速度或間歇訓練課程。這種標籤約定與我的訓練計劃相一致，大大簡化了資料篩選過程。
**整合人工智慧於資料處理：**透過將人工智慧技術匯入資料清洗過程中，可以更精準有效地辨識異常值、填補遺失值，提升資料品質，確保分析結果的準確性。**採用雲端資料庫平台：**利用具備可擴充性、高彈性及成本效益佳的雲端資料庫平台，可隨著資料量擴增或運算需求變動靈活調整，以確保資料儲存與處理效率。
資料清理步驟：最佳化的關鍵與人工智慧應用
為了清理資料集，我執行了以下步驟：移除所有未標記為「跑步」的活動;移除所有不包含「Z1」的活動;刪除任何活動名稱中包含 DNF、Part1 和／或 Part2 的 Z1 活動;移除所有 Moving Time、Distance、Average Cadence 或 Average Heart Rate 為空的活動;計算配速;刪除不必要的欄位：Activity Description、Elapsed Time、Max Heart Rate、Elevation Gain、Elevation Loss、Elevation Low、Elevation High、Max Grade、Average Grade 及 Max Cadence。額外清理步驟：
一致的日期格式：確保所有日期欄位使用相同格式（例如，YYYY－MM－DD），以便進行準確的時間分析。
在資料清理過程中，結合人工智慧技術可以有效提升效率。例如，利用機器學習演演算法自動偵測並移除非相關或異常值資料，不僅能改善資料質量，也能節省人力資源。在處理敏感資訊時，採用差異化隱私和聯邦學習等技術，有助於在保護資料隱私的同時進行資料清洗與分析，確保整體資料安全和合規性。
import pandas as pd # Load the dataset file_path = '/mnt/data/Strava_Clean.csv' running_data = pd.read_csv(file_path) # Step 1: Filter activities that are 'Run' running_only = running_data[running_data['Activity Type'] == 'Run'] # Step 2: Filter activities where Activity Name contains '(Z1' z1_activities = running_only[running_only['Activity Name'].str.contains(r'\\(Z1', na=False, case=False)] # Step 3: Remove activities where Activity Name contains 'DNF', 'Part 1', or 'Part 2' filtered_activities = z1_activities[~z1_activities['Activity Name'].str.contains(r'DNF|Part 1|Part 2', na=False, case=False)] # Step 4: Remove activities with missing values in 'Moving Time', 'Distance', 'Average Cadence', or 'Average Heart Rate' cleaned_data = filtered_activities.dropna(subset=['Moving Time', 'Distance', 'Average Cadence', 'Average Heart Rate']) # Calculate Pace (minutes per kilometer) cleaned_data['Pace (min/km)'] = (cleaned_data['Moving Time'] / 60) / cleaned_data['Distance'] # Remove unnecessary columns columns_to_drop = ['Activity Description', 'Elapsed Time', 'Max Heart Rate', 'Elevation Gain', 'Elevation Loss', 'Elevation Low', 'Elevation High', 'Max Grade', 'Average Grade', 'Max Cadence'] cleaned_data = cleaned_data.drop(columns=columns_to_drop) # Convert 'Activity Date' to datetime format cleaned_data['Activity Date'] = pd.to_datetime(cleaned_data['Activity Date']) # Extract the Z1 category from the Activity Name cleaned_data['Z1 Category'] = cleaned_data['Activity Name'].str.extract(r'\\(Z1-(\\d+)')[0] # Display the first few rows of the cleaned data cleaned_data.head()在資料集清理完成後，幾乎可以開始分析，但首先…我們需要確定資料集中哪個活動擁有最多的會話次數或最大的資料點數量。為了在資料集中識別這一點，我根據每次跑步的心率區間（Z1、Z2、Z3、Z4 或 Z5）和持續時間（以分鐘計）對每次跑進行了分類。例如，一次 30 分鐘的 Zone 2 跑將被標記為 ′Z2–30′。經過清理後，總共有 133 項活動，結果如下：
透過生理資料與機器學習最佳化運動表現
透過觀察，我們可以發現 Z1–30 和 Z1–45 這兩項活動擁有最多的資料點，因此它們將是最適合進行深入分析的子集。為了獲得對資料的初步見解並檢驗平均心率會隨時間下降，而同時提升如配速、踏頻和距離等指標的假設，我們將遵循幾個步驟：使用線性回歸來計算平均心率、配速、距離和踏頻隨時間變化的趨勢。接著，針對每項活動（Z1–30）繪製這些趨勢圖，以視覺方式展示這些指標如何隨著時間變化。
我們將關注每條趨勢線的斜率：如果平均心率和配速呈現負斜率，而距離和踏頻則呈現正斜率，那麼我們就能確認願望中的趨勢已經顯現出來。
在當前運動科學中，機器學習技術日益重要。研究者利用這些演演算法分析大量運動資料，不僅協助教練和運動員客製化訓練計畫，也最佳化訓練進度。例如，機器學習模型可以透過分析運動員的歷史表現及生理資料，預測他們所需的訓練負荷與恢復需求，並建議最適合的訓練策略。因此，結合機器學習與生理資料取得洞察力後，教練及運動員可更精確地調整訓練計畫，以提升運動表現。
Z1－30 活動訓練趨勢：進展趨勢與意外的心率上升
趨勢：平均心率的趨勢線斜率為0．0407，顯示出輕微的正向變化，這表示在 Z1–30 活動中，心率隨著時間略有上升。Z1–30 活動期間平均心率的輕微上升是意外的。通常，我們會預期隨著有氧耐力的提升，心率會減少或保持穩定。這一增長可能與幾個因素有關，包括生理適應、提高熱耐受性或指定 Zone 2 中訓練強度的變化。趨勢：配速的趨勢線斜率為0．0012，顯示出輕微的負向變化，表明速度（更低的配速）隨著時間略有增加。配速隨時間最小程度上的下降令人鼓舞，也符合持續訓練改善跑步表現所期待得到的結果。不過，此變化幅度相對較小，暗示雖然可能有所改善，但進展是漸進式且需要持續努力。
趨勢：距離的趨勢線斜率為0．0015，顯示出正向增長，暗示所覆蓋距離隨時間略有增加。在 Z1–30 活動中距離的小幅增加是建立耐力的一個積極指標。這表明身體正在適應訓練刺激，並且能夠以相對穩定的配速覆蓋更大的距離。
趨勢：踏頻的趨勢線斜率為0．0081，顯示出踏頻隨時間有所增加。踏頻逐漸提高是一個積極訊號，因為它通常與跑步效率改進和衝擊力降低相關聯。這表明持續進行 Z1–30 訓練可能促成了更高效能跑步姿態的發展。
總體而言，儘管在配速、距離和踏頻方面呈現出鼓舞人心的趨勢，但意外上升的心率值得進一步調查，以了解其背後因素。如同新興趨勢所述，在運動科學中個性化訓練與監測越來越重要，因此深入分析心率變異性（HRV）將提供我們更多關於訓練適應的重要指標。我們來看看另一組活動是否也會得出類似結果或支援上述假設。
Z1－45 活動中的心率變化： 背後的生理因素
趨勢：Z1–45 活動的平均心率趨勢線斜率為 0．0013，顯示出心率隨時間有非常微小的增加。在 Z1–45 活動中觀察到的平均心率輕微上升與 Z1–30 會議中的趨勢相似。這表明影響短時間跑步心率增加的因素，在較長時程的活動中也同樣存在。趨勢：配速的趨勢線斜率為 0．0014，顯示出速度（配速降低）隨著時間有微小增加。在 Z1–45 活動中所觀察到的配速輕微下降，顯示出逐漸改善。這一改善幅度相對較小，暗示可能需要額外的訓練刺激或更長的適應期，以實現更顯著的配速提升。
趨勢：距離的趨勢線斜率為 0．0011，表示覆蓋距離隨時間有略微增長。在 Z1–45 活動中所覆蓋距離的小幅增加是耐力發展的一個正面指標。隨著身體對訓練負荷適應，它能夠在更長時間內保持努力。這種耐力提升對於建立參加長距離賽事的重要基礎至關重要。
趨勢：踏頻的趨勢線斜率為 0．0084，表明踏頻隨著時間略有提高。在 Z1–45 活動期間觀察到踏頻增高，暗示身體正在逐漸採用更有效率的跑步姿態。較高踏頻通常與減少衝擊力和改善跑步經濟性相關聯。儘管增幅不大，但它符合持續耐力訓練預期中的適應情況。
對於 Z1–45 活動而言，平均心率雖然隨著時間僅呈現極小增幅，但配速、距離及踏頻則都有所好轉。針對 Z1–30 和 Z1–45 的活動分析揭示了心率與其他表現指標之間複雜關係。儘管距離和踏頻增加，以及配速減少象徵著跑步表現和耐力提升，但在兩種活動型別中均出現心率上升卻令人意外。
**Z1－45 活動中的心率變化：** 儘管距離、步幅和配速等指標表明耐力和跑步表現有所提升，但心率上升令人費解。這表明在 Z1－45 活動中，負責調節心率的生理因素與影響距離和配速的因素不同，需要進一步研究。
**與 Z1－30 活動的比較：** 儘管 Z1－45 活動的平均心率升高，但小幅上升與 Z1－30 活動中觀察到的變化相似。這表明影響短時跑步心率增加的因素也在較長時程活動中發揮作用，例如肌肉疲勞和運動強度增加。」
心率變異性與訓練強度如何影響 Zone 2 訓練
潛在的心率上升解釋包括生理適應、耐熱能力以及在指定 Zone 2 中訓練強度的變化。要更全面地理解這一現象，進一步檢視心率變異性、訓練負荷和外部因素（如溫度、濕度、壓力和睡眠等）是必要的。儘管資料顯示跑步效率逐漸改善，但不一致的心率趨勢突顯了對訓練資料進行細緻解讀的重要性。一項綜合分析，結合多個表現指標和個人因素，將為我們深入了解訓練適應及明智調整訓練提供更豐富的見解。**專案 1：心率變異性與訓練強度的影響**近期研究顯示，心率變異性（HRV）在監測 Zone 2 訓練效果方面扮演著重要角色。較高的 HRV 與增強的心血管適應性相關，而較低的 HRV 則可能暗示著過度訓練或恢復不足。透過整合 HRV 分析，我們可以更深入地了解心率變化並調整訓練強度，以最佳化耐力發展。
**專案 2：訓練監測技術的進步**穿戴式裝置與分析平台的不斷進步，使我們能獲得更多關於 Zone 2 訓練影響的資訊。例如，這些技術可追蹤訓練負荷、疲勞指數及睡眠模式。透過結合這些指標，可以制定量身打造的訓練計畫，以適應各運動員不同的生理反應，從而最大化訓練成效，同時降低受傷風險。
雖然目前提供的資料為我們帶來了寶貴的初步見解，但要明確確立 Z1 訓練對整體跑步表現影響，還需要一個規模更大且詳細的資料集。
心率訓練的未來：AI最佳化和生理指標監控
為了進一步探討心率訓練 （HRT） 的有效性，我可能需要考慮以下幾個方向：擴大資料集：持續收集 HRT 資料，確保每項活動都有足夠的資料點可供分析。納入額外指標：包括 VO2 max（最大攝氧量）和乳酸閾值等指標，以獲得對運動表現更全面的理解。控制外部因素：考慮如天氣（溫度、濕度和季節）、海拔及訓練負荷等變數，以便能夠孤立出 HRT 的影響。透過這些研究方向，有望更準確且細緻地了解心率訓練的益處與限制。這超出了我的專業技能範疇，暫時我只能保持現狀。在遠離資料並反思我自己實施 HRT 的經驗中，揭示了一些寶貴的見解。**趨勢展望：人工智慧驅動的 HRT 最佳化**近年來，人工智慧 （AI） 在運動科學領域蓬勃發展，為 HRT 的最佳化開闢了新途徑。AI 演演算法可以分析廣泛的資料，例如心率、速度和訓練負載，以提供客製化和動態調整的 HRT 建議。這項進展有望提升 HRT 的準確性和有效性，讓運動員能更精準地調整訓練計劃，以獲得最佳成果。
**深入要點：生理指標監控的全面見解**除了傳統指標，如心率和 VO2 max，高階生理指標監控技術如今已成為 HRT 研究與實務的重要組成部分。例如，透過測量乳酸閾值，教練可以更準確地評估運動員的無氧能力並相應調整訓練強度。心率變異 （HRV） 的監控有助於評估自主神經系統活躍程度，使我們能從整體上了解運動適能、恢復及心理壓力。因此，不斷探索這些技術與方法將使我們在未來獲得更多關於如何最有效利用心率訓練的資訊。
在過去的22個月裡，HRT顯著改變了我對跑步的看法。
透過遵循一個有結構的 HRT 訓練計畫，我對自己身體在不同訓練強度下的反應有了更深刻的理解。這種身體意識使我能夠在何時更加努力、提高強度以及優先考量恢復方面做出更明智的訓練決策。因此，在整個訓練過程中，我只經歷了一次需要物理治療和額外恢復的受傷，這充分說明瞭 HRT 在預防過度使用性受傷方面的有效性。以往的我可能會繼續推進或硬撐，導致更嚴重的受傷。
HRT 提升跑步表現：賦能女性和男性跑者
HRT（荷爾蒙替代療法）為我的訓練帶來了一種持續性和可靠性的感覺，使我能夠建立強大的有氧基礎，同時最小化過度疲勞和完全放棄這項運動的風險。HRT 使我從一位反應型跑者轉變為一位主動型跑者，能夠根據特定目標和恢復需求調整我的訓練。這種心態的轉變顯著改善了我的整體跑步體驗和表現，使我能夠將跑步視為一項終身活動而非季節性運動。生活是金色的。 － Adam D．進一步擴充套件這些發現，我對於其他研究人員和資料科學家如何解讀此資料集非常感興趣。該資料集在我的 GitHub 上公開可用，歡迎任何對進行進一步分析的人士查閱。
**最新趨勢：HRT 在跑步中的應用擴大** HRT 已不再僅限於解決女性更年期症狀。研究發現，它也能顯著提升男性和女性跑步者的表現。這項趨勢預計將持續成長，因為越來越多的跑步者發現 HRT 的益處。
**深入要點：HRT 改善跑步心血管健康** HRT 除了促進骨骼健康、改善睡眠和情緒外，還能增強心血管健康。這對於跑步者至關重要，因為強健的 cardiovascular system 可提高運動耐力並減少心血管疾病的風險。HRT 透過增加紅血球生成與改善血管功能來發揮這種有益作用。
免責宣告：本文所使用的人工智慧工具僅用於編輯和文法檢查;所有概念和想法均為我本人（人類）所提出。PS － 如果您覺得這篇文章對您非常有幫助並且很享受，我整理了幾個七天的教育電子郵件課程，旨在幫助您完成第一次 10 公里跑步和第一次 5 公里跑步，您可能會喜歡。
參考來源
一次弄懂Zone 2 訓練、低心率、超慢跑，讓你提高燃脂效率又長壽
最近在耐力運動圈，有一個名詞越來越紅，叫做Zone 2 training，在跑步界也被稱之為低心率跑，說練習的時候速度越慢，比賽的成績就會越好。最近也相當熱門的，從日本流行過來 ...
來源： 我是張修修Zone 2 怎麼跑？步頻、呼吸與心率
默唸搭配呼吸，慢慢就找到跑步的節奏，可以維持180的步頻，也可以穩定呼吸的節奏，可以長時間用Zone 2的配速，穩定的跑完，包含心律、步頻、步速、步距、垂直震 ...
來源： 零售的科學走路慢跑都行！她做Zone2運動減27公斤，放輕鬆燃脂更快
簡單來說，它指的是一種中低強度的有氧耐力訓練，讓你在運動時能保持在自身最高心跳頻率的65%-75%左右，也就是第二區的心率範圍。有趣的是，當你運動到這個 ...
來源： 遠見雜誌最近這麼夯的低心率跑法? 到底有什麼特別呢! 快讓阿政帶你一起看!
Zone2 訓練一般會建議每週至少要能進行4次，每次最好都要達到60分鐘，這樣長期下來，才能達到粒線體數量增加！ 訓練一段時間後，你會發現自己可以跑在相對快的 ...
來源： ajengnotes.comZone 2 訓練是神奇魔法還是浪費時間
Zone 2訓練透過粒線體與微血管密度的改善，進而促進耐力表現，但是高強度間歇、衝刺間歇等訓練也同樣可以，重點是要看仔細怎麼定義耐力表現(用什麼測驗) ...
來源： Don1Don了解Zone 2訓練跟MAF180，輕鬆就能跑更遠、還更快！ - 運動筆記
如果你是想要短期間讓跑步成績快速提升，那低心率跑法就不太適合現階段的你。 ... 認為肌力訓練對於改善跑步運動表現絲毫沒有幫助嗎？那麼你應該要來看看這 ...
來源： 運動筆記Zone 2訓練：你需要知道的事情= Zone 2 Training: What You Need to Know
簡單來說，它是一種在相對低強度下進行的長時間運動訓練，通常被描述為「舒適的挑戰」。想像一下以一種你能夠輕鬆交談而不喘的慢跑步伐—這就是Zone 2訓練的本質。Zone 2訓練 ...
Zone 2訓練可瘦身強心肺兼抗老？中低強度有氧運動如何執行？先計 ...
世界衛生組織建議，18歲或以上成人每周至少做150分鐘中等強度有氧運動。物理治療師歐陽健指，慢跑、游泳及急步行已經可以增加心跳率，達到zone2訓練的強度。
來源： 明報健康網
全部
康健
相關討論