研究結果通常在群體層面報告，但適用于個人。然而，體育科學中的一個新問題涉及非遍歷性，即群體水平的數據不能推廣到個人。本研究的目的是確定每日碳水化合物攝入量與感知恢復狀態之間的關系是否表現出非能性。
55名耐力運動員記錄了自己選擇的飲食攝入量、訓練、睡眠和主觀幸福感，持續了12周。我們構建了線性模型來衡量每日碳水化合物攝入量對感知恢復狀態的影響，同時考慮到訓練負荷、睡眠時間、睡眠質量和肌肉酸痛。使用碳水化合物攝入量的線性模型系數，我們檢驗了分布(均值和標準差)在群體和個體水平上是否存在差異(表明非過能性)。此外，我們還創建了一個決策樹來探索能夠提供單個運動員碳水化合物攝入量與感知恢復狀態之間關系的因素。
組水平和個體水平分析的平均值沒有差異，但個體水平的標準差是組水平的2.4倍，表明非遍用性。碳水化合物攝入量的模型系數有3人為負，4人為正，37人不顯著。決策樹的κ值測量精度為0.52，預測精度中等。
對于大多數人來說，碳水化合物的攝入并不影響恢復狀態。然而，飲食碳水化合物攝入量對每日恢復的影響在群體和個人水平上是不同的。因此，實際建議應基于個人層面的分析。
運動科學的研究通常在群體層面進行和報告，但在個人層面應用。然而，越來越多的人質疑群體水平的結果是否可以推廣到個體[9,13,20,33]，因為群體水平的研究結果可能掩蓋了對訓練刺激或干預的相關個體間變異性[17]。這可能會導致個別運動員的訓練或營養處方不理想。當數據的群體水平變異性與個人水平變異性不相似，或者當個人水平變異性隨時間變化時，數據是非遍歷的[29,32]。非遍歷性可能導致研究高估了匯總統計估計的準確性，進而高估了群體和個人之間結論的普遍性。鑒于此，非遍歷性被認為是對人類受試者研究的威脅[13]。
運動營養指南建議根據運動量的變化調整碳水化合物的攝入量[44]，以優化訓練適應性，同時保證充分的恢復。燃料不足會導致能量利用率低和恢復能力受損[30]，而燃料過剩會導致體重增加，并可能減弱期望的訓練適應性[6]。通常報道，健康和恢復的感知評分對訓練負荷的波動很敏感[16,45]和睡眠時間[39]。然而，飲食攝入對耐力訓練中日常恢復的影響尚不清楚。在短期強化耐力訓練期間，增加能量和碳水化合物的攝入可能會減輕過度訓練的癥狀[1,19,24,42]，盡管目前尚不清楚碳水化合物攝入與日常恢復之間的這種關系是否在更長的時間內和/或在實際環境中跨越一系列訓練量。
為了確定給定數據集的遍歷性，可以像Molenaar和Campbell[32]以及Neumann等[33]先前描述的那樣使用Cattell數據盒。這可以可視化為一個三維的盒子，以時間、測量變量和個體受試者為維度。對于感興趣的變量的組水平分析，將所有受試者(例如，第1天的所有受試者)的單個時間點合并，在每個額外的時間點重復，并匯總[例如，平均值，標準差(SD)，置信區間(CI)等]。對于個體水平分析，該變量在每個主題的所有時間點分別進行分析，然后進行匯總。如果群體和個人水平數據的結構不同(例如，集中趨勢的統計、變化和/或時間序列數據的相關性)，則該過程被認為是非遍歷的，并且從群體水平的標準分析中獲得的結果不能應用于個人[32]。
非遍歷性與營養和訓練相關，因為基于證據的從業者和運動員經常將群體水平的研究結果應用于個人[15,44]。因此，本研究的目的是檢驗每日碳水化合物攝入量與感知恢復狀態之間的關系，并確定群體水平的統計數據是否可以推廣到個體運動員。為此，55名耐力運動員記錄了自己選擇的營養攝入、運動訓練、睡眠習慣和主觀幸福感的日常測量，持續了12周。我們構建了線性模型來衡量每日碳水化合物攝入量對次日早晨感知恢復狀態的影響，同時考慮了其他因素，如訓練負荷、睡眠和肌肉酸痛。使用碳水化合物攝入量的模型系數，我們檢驗了在群體和個體水平上的分布(均值和標準差)是否不同。作為探索性分析，我們還創建了一個決策樹模型來了解運動員的一般特征，這些特征可以預測碳水化合物攝入量的正、負或非顯著模型系數。這可以作為了解個體水平差異的下一步，并為教練和從業者提供更好的決策方向，以支持運動員的個人需求。
在為期12周的時間里，每天監測耐力運動員自我選擇的營養攝入、運動訓練、睡眠習慣和主觀幸福感。在整個研究期間，參與者可以自由地進行任何類型的運動，吃任何類型的飲食。本文給出的結果來自于一項更廣泛的耐力訓練和恢復研究。與碳水化合物周期化[37]和機器學習預測[38]相關的數據已在其他地方報道。這項研究對18歲或以上的男性和女性開放，他們每周至少訓練7小時，每周至少5天使用智能手機應用程序跟蹤他們的飲食攝入量，每天捕獲心率，并使用可穿戴設備跟蹤睡眠。所有研究方案和材料均經奧克蘭科技大學倫理委員會(22/7)批準，所有參與者在研究開始前提供知情同意。
55名耐力運動員(61.8%為男性，年齡42.6±9.1歲，每周訓練11.6±3.9小時)參加了研究。主要運動項目為鐵人三項(n=37, 67.3%)、跑步(n=11, 20.0%)、自行車(n=6, 10.9%)和賽艇(n=1, 1.8%)。自我報告的競技水平包括專業運動員(2.6%)、精英非專業運動員(作為一個年齡組的運動員有資格參加國際比賽，34.6%)、高水平業余運動員(作為一個年齡組的運動員有資格參加全國錦標賽，25.6%)和業余運動員(參加比賽但不期望獲勝，或訓練但不參加比賽，37.2%)。
所有的運動都記錄在TrainingPeaks軟件(TrainingPeaks, Louisville, CO, USA)中。使用Borg CR100?量表記錄每次運動的運動方式(如自行車、跑步、游泳)、持續時間和感知運動的運動等級(sRPE[14])，與CR10量表[10]相比，該量表提供了額外的精度。參與者被要求在運動后1小時內對他們在整個訓練過程中的感知努力程度進行評分，盡管sRPE分數在運動后幾分鐘到幾天內暫時保持穩定[14]。
參與者被要求保持他們典型的飲食習慣，并記錄下在為期12周的研究期間所消耗的所有含卡路里的食物和飲料。對食物稱重是鼓勵的，但不是強制的，在研究開始前討論了漏報等常見問題。參與者不需要記錄無熱量液體攝入、微量營養素含量或用餐時間。飲食攝入量是通過MyFitnessPal應用程序(www.myfitnesspal.com)自我報告的。通過MyFitnessPal連接參與者的飲食日志，并詢問任何意外值(通過視覺和使用異常檢測軟件確定[11])，監測飲食跟蹤的依從性。從數據中剔除不完整的跟蹤天數(每位參與者2.2%±4.6%的天數)。為了幫助依從性，我們招募的參與者已經定期跟蹤他們的飲食(在一些情況下，每天4年以上)，因此所有參與者都表現出強烈的習慣性飲食跟蹤的內在動機。
使用可穿戴設備記錄夜間睡眠時間，如前所述可穿戴設備包括Oura環、Whoop表帶、Applewatch、Fitbit和Garmin等型號[38]。這些消費級設備在檢測睡眠-覺醒時間方面提供了足夠的準確性，但不包括睡眠分期[7,8,31,34,46]。每天早上，參與者根據Hooper和Mackinnon[21]的建議回答四個與主觀幸福感相關的問題。感知恢復狀態(PRS)量表[28]用于測量整體恢復，運動員在Training Peaks軟件中手動輸入一個數字。使用的是100分制量表，該量表已被證明比10分制提供更準確的恢復測量[10]。此外，每天早上還將生活壓力評分(1-7)、睡眠質量評分(1-7)和肌肉酸痛評分(1-10)記錄在軟件中。在開始研究之前，參與者熟悉了所有的量表。
每次鍛煉的訓練負荷計算為sRPE與運動時間(以分鐘為單位)的乘積[18]，除以10為100分制，并求和為每日總量。外部負荷指標如心率、功率或配速沒有被收集，因為許多運動員進行的活動不能用一個通用的尺度來量化，如力量訓練、瑜伽或游泳，而不帶HR監測器，也因為sRPE被認為是計算各種訓練負荷的有效和可靠的方法[18]。計算訓練單調度(每周訓練負荷每日變化的度量，計算方法為平均每日負荷除以標準差)和訓練應變(每周總訓練負荷與訓練單調度的乘積)的7天滾動度量[18]。睡眠指數得分為睡眠時間與睡眠質量的乘積[40]。膳食宏量營養素攝入量被轉換為相對攝入量(每公斤體重克)，以便在運動員之間進行適當的比較。
如果參與者每周平均訓練時間少于6小時(n=8)或沒有記錄至少85%的所需數據點(n=3)，則被排除在分析之外。因疾病、受傷或退出而未完成12周治療但至少完成6周跟蹤的參與者被納入分析(n=11)。在納入分析的參與者中(n=44)，有2.4%±1.7%的數據點缺失。在個體水平上，對飲食和訓練測量使用多元線性回歸和最近鄰算法，并對其他變量使用中位數來估算缺失值[25]。
根據先前研究的建議[13,33]，我們提取了一個對稱的數據子集(即，每個參與者的參與者和觀察結果數量相等)，以在群體和個人水平上均衡分析的統計效力。因為我們在最終分析中有44名參與者，從第8天開始選擇連續44天，以便準確計算訓練壓力(反映前7天的訓練)。在組水平上使用重復測量相關性[4]來檢驗早晨(AM) PRS評分與前一天碳水化合物攝入量之間的雙變量關系。Pearson或Spearman相關性，取決于夏皮羅-威爾克檢驗確定的數據的正態性，用于檢查每個人的AM PRS評分與前一天碳水化合物攝入量之間的雙變量關系。
先前關于遍歷性的研究主要集中在單變量分布和雙變量相關性的比較上[13,33]。然而，飲食和恢復之間的關系可能還取決于與訓練和睡眠有關的其他因素。為此，以AM PRS評分為因變量，以前一天碳水化合物攝入量(g/kg)、前一天訓練負荷、訓練應變(包括前7天)、肌肉酸痛和睡眠指數為自變量，構建線性回歸模型。選擇這些變量是因為它們在我們的預測建模研究中具有最高的重要性得分[38]。碳水化合物攝入量的模型系數是主要感興趣的變量。對于組水平分析，在第1天對所有44名運動員一起制作模型，并在44天中的每一天重復，并將結果逐天匯總(作為平均值、SD和95% ci)。對于個人層面的分析，我們為每個運動員創建了一個單獨的模型，然后對結果進行總結。然而，個人層面的數據是一個時間序列，它是指在時間上間隔等的數據點序列，并按時間順序排序[41]。如果每天的觀測值與以前時間點的觀測值相關(即自相關)并且不是相互獨立的，那么時間序列數據就不能用線性建模等常用技術進行分析，因為線性回歸的關鍵假設被違反[23]。自回歸綜合移動平均(ARIMA)模型通常用于時間序列分析來解釋這些問題[41]。因此，對于個體水平的分析，我們使用自動ARIMA建模的Hyndman-Khandakar算法構建ARIMA模型，獲得了碳水化合物攝入量的模型系數[22]。如果在群體和個體水平上的平均值和標準差沒有顯著差異，則可以確認遍歷性[32]。還計算了r2(R2)作為模型擬合的總體度量。
為了探索可能影響個體對碳水化合物攝入反應的特征，我們創建了一個決策樹模型來預測個體ARIMA模型中前一天碳水化合物攝入模型系數的統計顯著性分類(不顯著、顯著正或顯著負)。為了確定統計顯著性，計算非標準化回歸系數的95% ci，如果ci不過零，則認為值顯著。考慮到實際應用，將系數分為這三類。也就是說，教練或營養學家可能更受益于了解一個人在這種情況下是否/如何對碳水化合物做出反應，而不是得到一個預測的運動員個體模型系數。
決策樹模型中使用的變量包括年齡、訓練年齡、競技水平、主要運動、性別、BMI、進行快速狀態訓練的訓練天數百分比，以及每日卡路里攝入量(kcal/kg)、每日碳水化合物、脂肪和蛋白質攝入量(g/kg)、碳水化合物單調性(平均每日攝入量/SD)、每周訓練量(h)、訓練單調性和訓練應變的平均值。所有可用的數據點都用于決策樹模型(n=3588，每位參與者81.5±10.4天)，而不是44天的子集，用于比較群體和個人的反應，以獲得每個人特征的最準確圖像。在R中使用Tidymodels生態系統進行建模[26]。使用100個bootstrap樣本調整超參數，使用500個bootstrap樣本建立模型精度。類失衡是通過調優前的上采樣處理的。由于結果變量的不平衡、多類別性質，Cohen’s Kappa (κ)被用作主要的準確性度量。κ表示僅僅是偶然產生的精度，產生的值在?1到1之間。我們使用Landis和Koch的指南來解釋這些值[27]，0-0.20為輕微，0.21-0.40為一般，0.41-0.60為中等，0.61-0.80為相當，0.81-1為幾乎完美。此外，我們還報道了陽性預測值和陰性預測值[2]。所有分析均使用R 4.0.3版本(The R foundation for Statistical Computing, Vienna, Austria)進行。描述性統計以mean±SD表示。
摘要
介紹
方法
結果
討論
結論
數據可用性
縮寫
參考文獻
作者信息
道德聲明
搜索
導航
#####
在進行初步分析的44天期間，參與者的平均訓練量為每周11.9±3.4小時。平均日攝食量為39.4±9.0 kcal/kg，碳水化合物4.0±1.6 g/kg，蛋白質1.9±0.4 g/kg，脂肪1.7±0.6 g/kg。平均睡眠時間為每晚7.5±0.7小時。在組水平上，雙變量重復測量相關性顯示AM - PRS與前一天的碳水化合物攝入之間存在顯著的負相關(r=- 0.09, 95% CI - 0.14至- 0.05,P < 0.001)，但這種關系在個體之間差異很大(圖1)。
圖1
AM感知恢復狀態(PRS)與前一天碳水化合物攝入(g/kg)之間的雙變量相關性。(a)中給出的值采用重復測量相關分析。圖(b)顯示了每個參與者的Pearson(圓形)或Spearman(三角形)相關值和95%置信區間，以統計學顯著性(P < 0.05)為基礎著色。圖(c)顯示了具有三個最高和三個最低相關值的參與者的散點圖示例。(c)中每個面板頂部的數字與(b)中所示的參與者ID相關。(c)中的淺灰色點描繪了(c)中所示的六名參與者的所有點，每個人的點以顏色表示(紅色表示負相關值，綠色表示正相關值)。
在通過線性建模考慮了前一天的訓練負荷、7天的訓練負荷、肌肉酸痛和睡眠指數后，碳水化合物攝入量的模型系數在3名參與者中為負(7%)，在4名參與者中為正(9%)，在37名參與者中不顯著(87%，圖2)。模型系數的平均值在組和個體之間相似(由重疊的CIs證明)，而SDs則不同，(即:非重疊CIs)表明非遍歷性(圖3)。在整體模型精度中也觀察到非遍歷性。組模型和個體模型的平均r平方值分別為0.32 (95% CI 0.29-0.35)和0.40 (95% CI 0.35-0.45)，組模型和個體模型的SD值分別為0.11 (95% CI 0.09-0.13)和0.18 (95% CI 0.14-0.22)。
圖2
在考慮了前一天的訓練負荷、7天訓練勞損、肌肉酸痛、睡眠指數(睡眠持續時間和睡眠質量的乘積)后，使用自回歸綜合移動平均(ARIMA)模型，獲得了前一天碳水化合物(CHO)攝入量(g/kg)對AM感知恢復狀態(PRS)評分影響的個體參與者模型系數(95%置信區間)。這可以解釋為在保持其他一切不變的情況下，每日CHO攝入量每增加1 g/kg, x軸上顯示的AM PRS的變化。綠色表示有統計學意義的正值，紅色表示有統計學意義的負值，灰色表示無統計學意義(P > 0.05)。
圖3
考慮前一天訓練負荷、7天訓練勞損、肌肉酸痛和睡眠指數(睡眠時間和睡眠質量的乘積)后，前一天碳水化合物(CHO)攝入量(g/kg)對AM感知恢復狀態(PRS)評分影響的模型系數密度圖。插入表顯示了組和個體水平模型中碳水化合物攝入量模型系數的平均值、標準差和95%置信區間
我們創建了一個決策樹，以探索可能為教練或從業者提供運動員碳水化合物攝入量與感知恢復狀態之間關系指示的潛在因素(圖4)。κ值為0.52，表明一致性中等。陽性預測值為0.44，陰性預測值為0.87。實際類和預測類的混淆矩陣如圖5所示。
圖4
決策樹預測對前一天碳水化合物(CHO)攝入對AM感知恢復狀態的反應。每個節點表示預測的類別(負、非顯著或正的模型系數)。在每一層，跟隨節點向左對應是，跟隨節點向右對應否
圖5
預測前一天碳水化合物攝入對AM感知恢復狀態的反應的決策樹模型的實際類和預測類的混淆矩陣。深綠色框中顯示的值表示每個類別的正確預測數
本研究的目的是檢驗每日碳水化合物攝入量與感知恢復狀態之間的關系，并確定群體水平的統計數據是否可以推廣到個體運動員。主要結果是:(1)數據是非遍歷的，這意味著群體水平的發現不能推廣到個人;(2)在考慮了其他影響變量(如訓練負荷、肌肉酸痛和睡眠)后，每日碳水化合物攝入量不會影響大多數運動員第二天早上的感知恢復狀態;(3)對于那些受到影響的運動員，影響可以是積極的，也可以是消極的。(4)我們在先前工作的基礎上，使用二元相關性來包含線性模型系數，并提供了一種通過決策樹算法來理解個體響應的方法。
我們觀察到個體間和個體內變異(即非遍位性)之間存在很大差異，因為個體水平的SDs是群體水平的約2.4倍。這意味著在計算前先對數據進行平均計算，與在計算這些結果之前先對每個個體進行統計計算是有區別的[20]。此外，在確定碳水化合物攝入量對AM PRS的影響時，平均值可能會產生誤導。在群體層面，考慮到其他變量后，傳統的解釋表明碳水化合物對AM PRS的影響最小。雖然這對大多數運動員(約87%的參與者)來說是正確的，但9%的參與者模型系數為正，7%的參與者模型系數為負(圖2)。這意味著應該將個體而不是群體置于分析水平，以避免錯誤的結論[20]。
先前的研究使用雙變量相關性來探索遍歷性[13,33]。在這種情況下，雙變量相關性可能會產生誤導，因為運動員通常會在訓練負荷較高的日子增加碳水化合物的攝入量[37]。由于日常恢復的多因素性質，我們創建了線性模型來解釋這些額外的因素，同時重點分析每日碳水化合物攝入量。主觀肌肉酸痛和睡眠指數被納入，因為它們是預測AM PRS評分的兩個最重要的因素，正如我們[38]和其他人[16,40,45]所報道的那樣。訓練應變被納入模型，以解釋前7天訓練的潛在殘余疲勞。當高訓練負荷與低負荷變化相結合時，訓練應變(訓練負荷與訓練單調性的乘積)較高，當運動員完成低負荷訓練或訓練有規律變化時，訓練應變較低[18]。總之，這些變量解釋了PRS分數的大量差異，并允許更集中地觀察碳水化合物攝入的影響。
運動員對營養和訓練的看法和做法差異很大[35,36]。盡管試圖為運動員持有的一些截然不同的信念(例如，快速訓練或增加碳水化合物攝入量的積極或消極影響)找到統一的答案可能很誘人，但目前的研究強調了一個觀點，即對一個運動員最好的東西可能對另一個運動員不是最好的。同樣值得注意的是，本研究中的運動員進行的是自我選擇的訓練計劃，結果不能推廣到短期強化訓練中，在短期強化訓練中，增加能量和/或碳水化合物攝入已被證明可以減輕過度訓練的癥狀[1,19,24,42]。未來的研究可以檢查在規定的訓練期間碳水化合物攝入量對日常恢復的影響，以及探索碳水化合物的影響是否/如何根據運動員的訓練量和/或強度與他們的日常攝入量的匹配程度而變化，這是一種在各種運動中被推薦和遵循的做法[3,12,43]。研究碳水化合物對訓練適應性的影響是否與碳水化合物對日常恢復的影響有任何關系也是很有意義的。
為了將個體間可變性從統計概念轉化為實際應用，建立了決策樹模型。包括年齡、性別、體重指數、競技水平、訓練量和習慣飲食模式等變量，以更好地了解哪些特征或品質可能與碳水化合物攝入的某種反應有關。盡管對決策樹的解釋受到少數運動員對碳水化合物攝入表現出顯著模型系數以及模型無法準確預測正系數的挑戰(圖5)，但它可以作為理解運動員對碳水化合物攝入如何反應的起點。最重要的變量是碳水化合物的單調性，其次是平均每日蛋白質攝入量。在碳水化合物單調性得分低(即碳水化合物攝入量每日變化較大)的運動員中，這些平均每日蛋白質攝入量較低可能是負面的回應每日蛋白質攝入量較高的碳水化合物攝入量而更有可能有與碳水化合物攝入量的影響是PRS得分(圖4)。運動員每天的脂肪攝入量和更高的訓練每周少于12 h也不太可能受到每日碳水化合物攝入量的變化(圖4)。該模型顯示適度的準確性(κ值為0.52),雖然模型從數據中學習的能力受到了小而不平衡的數據集的挑戰。如圖5所示，陰性和非顯著性結果能夠很好地預測，但該模型不能準確預測任何陽性反應。然而，我們認為，其他希望更好地了解個人對特定干預或刺激的反應的人可以采用這種方法。
本研究存在一些局限性，主要與自我報告測量的使用有關。根據缺失值的數量和查找意外值來檢查數據完整性。然而，參與者可能并不總是盡可能準確地輸入數據。如果運動員知道教練或研究人員會看到他們的數據，根據他們認為合適的答案來回答，那么在報告中也有偏見的風險。缺失值的輸入可能會影響結果，盡管這影響了相對較少的數據(每個參與者的數據點為2.4%±1.7%)。此外，有限的數據點，特別是不平衡的類，使得訓練和解釋決策樹模型具有挑戰性。最后，已知酒精會影響康復[5]，但在本研究中沒有被參與者記錄。
我們的研究結果表明，飲食碳水化合物攝入量對日常恢復的影響在群體和個人水平上是不同的。因此，推論不能從群體推廣到個人，實際的建議應該基于個人的分析。此外，在組水平上，前一天的碳水化合物攝入量對運動員每周訓練~12小時的感知恢復狀態沒有影響。這項研究也增加了關于運動科學中遍歷性的文獻，這是一個新興的概念，應該作為統計分析過程的一部分進行常規考慮。未來對運動員的研究應該集中在個人反應上，以更好地理解每個運動員的營養、訓練和恢復之間的關系。
下載原文檔：https://link.springer.com/content/pdf/10.1007/s42978-023-00240-1.pdf
