数十年にわたり、運動能力向上のための道のりは、ハードなデータと人間の直感の混合物であった。サイクリストとそのコーチは、生成されるすべてのワット数や心拍数を追跡するウェアラブルデバイスに長く頼ってきており、身体が負荷に対してどのように反応するかについての膨大な情報の流れを生み出している。従来、このデータを理解するには、コーチが数値を確認し、自身の経験を適用し、次の週や月の計画を手作業でスケッチする必要があった。このアプローチは機能してはいるものの、身体が次に何を必要としているのかを体系的に計算するのではなく、推測に頼っているため、多くの潜在的な可能性を未開拓のまま残している。現代のスポーツ科学における中心的な課題は、もはや単にデータを収集することではなく、その努力の履歴をいかにして将来の成功のための精密な処方箋へと変え、単にアスリートを観察する段階から、数学的に彼らをピークへと導く段階へと移行するかである。
アントワープ大学の研究チームは、サイクリストのためにこのプロセスを自動化するように設計された、新しい計算フレームワークを開発した。コーチにデータを解釈させる代わりに、彼らはアスリートの過去のトレーニングから学習し、将来のパフォーマンスを予測した上で、特定の目標に到達するために必要な正確なトレーニング計画を算出するシステムを構築した。このシステムは、アスリートが研究所を訪れたり、過酷な最大負荷テストを行ったりする必要のない、継続的なフィットネス指標の作成から始まる。通常のサブマキシマル（最大下）ライド中のパワー出力と心拍率の関係を分析することで、システムはサイクリストが現時点でどの程度フィットしているかを推定する。ライダーのセンサーによって既に収集されている日常的なデータのみから導き出されるこの指標により、頻繁で侵襲的なテストによる中断を伴うことなく、生理学的コンディションの最新かつ継続的な把握が可能になる。
システムが現在のフィットネスに関する信頼できる指標を確立すると、次にフィットネスがどのように構築されてきたかを理解するために、トレーニングの履歴を精査する。それは単にこなされた総作業量だけでなく、強度、持続時間、そして努力が異なる負荷ゾーン間でどのように分配されたかをも検証する。研究者たちは、このトレーニング履歴と結果としてのフィットネスとの関係をモデル化するために、4つの異なる数学的アプローチをテストした。その結果、すべての人に通用する単一の公式は存在しないことが判明した。一部のアスリートにとっては、トレーニング負荷とパフォーマンスの間の単純な直線的な関係があれば正確な予測には十分であった。しかし他のアスリートにとっては、身体の反応ははるかに複雑であり、身体がどのように適応するかというニュアンスを捉えるために、洗練された非線形モデルを必要とした。この発見は、一律のトレーニング理論における決定的な限界を浮き彫りにしている。すなわち、パフォーマンスを予測する最善の方法は、個々のアスリートの独自の生理機能に完全に依存しているということである。
特定の個人に合わせた予測モデルを用いることで、フレームワークはそのプロセスを反転させる。「このワークアウトを行ったら私のフィットネスはどうなるか？」と問うのではなく、「将来の特定の日にフィットネスを最大化するには、どのようなワークアウトを行うべきか？」と問うのである。高度な最適化アルゴリズムを用いて、システムはトレーニングの持続時間、強度、および配分の無数の組み合わせの中から、最善の計画を見つけ出すために探索を行う。彼らのテストでは、このアプローチによって生成されたトレーニング処方は、標準的な計画法と比較して、平均で5.5パーセントのパフォーマンス向上をもたらすことができた。システムは柔軟であり、異なる目標を優先させることができる。つまり、生のパワー出力を最大化するように設定することも、フィットネスと疲労のバランスを管理するように設定することも可能であり、高度にカスタマイズされた戦略を実現できる。
18人のサイクリストのデータを長期間にわたって分析したこの研究は、このデータ駆動型のアプローチが実行可能であり、効果的であることを裏付けている。研究者たちは、このフィットネス指標をラボでのテストに対して検証し、生理学的な傾向を正確に追跡していることを見出したが、一方で、トレーニングデータが乏しい休息期には安定性が低下する可能性があることも指摘している。結果は、持久力トレーニングの未来が、すべての選手を硬直した枠組みに押し込めるのではなく、数学的モデルを個別に適応させることができるモジュール式のシステムにあることを示唆している。アスリートがどのように反応するかを予測することと、具体的に何をすべきかを処方することの間の溝を埋めることで、このフレームワークはパフォーマンス最適化への新しい経路を提示している。現在はサイクリングにおいて実証されているものの、その根底にある論理は他の持久系スポーツにも適用できるように設計されており、ビッグデータが過去の記録から未来への精密なガイドへと変貌する未来を示唆している。
テクニカル・サマリー：サイクリングにおけるパーソナライズされたトレーニング計画のためのデータ駆動型計算フレームワーク
問題提起
ウェアラブル技術の普及により、サイクリングにおいて膨大な縦断的データが生成されているにもかかわらず、記述的なモニタリングからデータ駆動型の処方的意思決定への移行は実現していない。現在のトレーニング計画は、数学的な最適化ではなく、主に専門家による手動の解釈を通じて設計されている。さらに、パフォーマンスを評価する既存の手法は、侵襲的で頻度の低いラボテスト（例：乳酸閾値、VO2max）や、トレーニングサイクルを中断させる最大フィールド努力（例：FTPテスト）に依存している。特定のパフォーマンス目標を達成するために最適なトレーニング介入を数学的に決定できるシステムが明確に欠如しており、予測分析とスポーツ科学の間にギャップが生じている。
手法
著者らは、パーソナライズされたトレーニング計画の自動生成を目的とした、モジュール式の計算フレームワークを提案している。このフレームワークは、以下の4つの連続的かつ交換可能なステップで構成される。
- 継続的なパフォーマンス指標の定義:
ラボテストによる離散的なテストに代わり、本研究では連続的な指標である PO@HRtarget（目標心拍数におけるパワー出力）を導入する。この指標は、サブマキシマルな縦断的センサーデータ（パワー出力と心拍数）から導出される。
- 算出方法: 個人の心拍範囲（60パーセンタイルを中心とする）内のエフォートをフィルタリングする。心拍の遅延を考慮して最初の5分間を除外し、心血管ドリフトを避けるために60分以降のデータを除外する。
- 正規化: 安静時心拍数とエフォート時心拍値を境界として、ターゲット心拍数（HRtarget）へパワー値を線形補間する。
- 集計: 特定の日付に対し、直近4週間の補正済みパワー値を集計する。その際、堅牢性を確保するためにトリム平均（上位および下位20%を削除）を適用し、過去の範囲に対して値をクリッピングする。
- 特徴量エンジニアリング:
ワークアウトデータから、処方可能な変数に焦点を当てた特徴量を抽出する。これには以下が含まれる。
- 負荷指標: 慢性トレーニング負荷（CTL）、急性トレーニング負荷（ATL）、慢性/急性期間負荷（CDL/ADL）、および慢性強度負荷（CIL）。これらは特定の時定数（例：CTLに対して τ=56）を用いた指数減衰平均を用いて計算される。
- 強度分布: 3つの心拍ゾーン（LT1以下、LT1とLT2の間、およびLT2以上）に費やされた時間の割合から導出されるポラライゼーション指数（PI）。
- 予測モデリング:
抽出された特徴量に基づいて、PO@HRtarget指標を予測するための回帰モデルを学習させる。用いるドーズ・レスポンス（用量反応）関係を捉えるため、4つのアーキテクチャを評価する。
- Lasso: L1正則化を用いた線形モデル。
- Random Forest (RF): 非線形アンサンブル手法。
- XGBoost: 勾配ブースティング・フレームワーク。
- RaFFLE (Random Forest Featuring Linear Extensions): ランダムフォレストと線形モデルツリーを組み合わせた新しいモデル。
- 堅牢性: フィールドデータのノイズに対処するため、モデルは通常の最小二乗法ではなく、平均絶対誤差（MAE）を最適化目的関数として利用し、中央値絶対偏差（MAD）に基づいて予測値をクリッピングすることで、堅牢性を優先している。
- 処方的最適化:
予測モデルを反転させるために、**差分進化（Differential Evolution）**アルゴリズムを採用する。このアルゴリズムは、予測される将来のパフォーマンス（PO@HRtarget）またはトレーニング・ストレス・バランス（TSB）を最大化するトレーニング計画のパラメータを探索する。
- パラメータ: 週単位の4つのパラメータ（負荷増加率、持続時間の標準偏差、休息日の日数、およびポラライゼーション指数）を変化させる。
- 変換: これらのパラメータは、強度と持続時間の逆関係（IF≤0.9d−1）などの制約条件を用いて、日々のトレーニング計画（持続時間、強度、およびゾーン分布）へと変換される。
主な結果
- 指標の検証: 4名のプロサイクリストを用いたラボでの乳酸閾値テストとの検証により、PO@HRtargetが生理学的トレンドを効果的に追跡していることが示された。ただし、データ量が少ないため、休息期間後には不安定性が見られた。
- モデルの性能: 18名のアスリートにおいて、モデルは平均して5〜10ワットのサンプル外平均絶対誤差（MAE）を達成した。この誤差の大きさは、市販のパワーメーターの固有の測定不確かさ（±1.5%）と同等である。
- 個人間の差異: すべてのアスリートに対して単一のモデルアーキテクチャが最適であるということはなかった。線形モデル（Lasso）で十分なケースもあれば、非線形アンサンブル（RF, RaFFLE）が必要なケースもあり、柔軟でモジュール式のアーキテクチャの必要性が裏付けられた。
- 特徴量の重要度: SHAP分析および特徴量の重要度プロットにより、慢性的な特徴（例：CTL）がパフォーマンスの支配的な予測因子であり、強度分布（PI）および強度負荷（CIL）が二次的な価値を提供することが一貫して特定された。
- 最適化の結果: 処方的最適化は、PO@HRtargetをターゲットとした場合、平均で 5.5% のパフォーマンス向上を実現した。これに伴い、平均TSBの変化は+1.21であった。TSBを直接ターゲットとした場合、パフォーマンスの変化は無視できる程度（-0.1%）であったが、TSBは大幅に増加（+13.20）した。
意義と主張
本論文は、スポーツ科学における予測的分析から処方的意思決定への架け橋となることを主張している。その主な貢献は以下の通りである。
- モジュール式フレームワーク: 硬直したソリューションとは異なり、本フレームワークはパフォーマンス指標、予測モデル、および最適化戦略を独立して選択できるため、個々のアスリートの多様な生理学的特性に対応可能である。
- 継続的なモニタリング: 日々のサブマキシマルなトレーニングデータからパフォーマンス指標を導出することで、頻繁な最大負荷のラボテストやフィールドテストに伴うロジスティクス上の負担やトレーニングの中断を排除する。
- 自動化された処方: 後方視的な分析から前方視的なデータ駆動型トレーニング処方へと移行する経路を示し、特定のパフォーマンス目標を最大化する最適化された計画を生成する。
- スケーラビリティ: サイクリングのデータで検証されているが、著者らは本手法がスポーツに依存せず、他の持久系競技にも拡張可能であり、個別化されたパフォーマンス最適化のためにビッグデータを活用するメカニズムを提供すると主張している。
著者らは、現在のフレームワークは履歴データに基づく静的な計画を生成するものであり、日々のリカバリー（例：HRV、睡眠）に対するリアルタイムのフィードバックループを備えていないこと、また処方の精度はアスリートのメタデータ（例：正確なFTPや閾値の推定値）の質に依存することを述べ、限界事項については控えめなトーンを維持している。
毎週最高の biology 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録