數據驅動的週期化：用測量值設計賽季訓練

6月17日
讀畢需時 13 分鐘

計畫明明很完美，為什麼身體不配合？

賽季開始前，教練在Excel裡畫出一份完美的12週計畫。第1週用1RM的70%、第4週80%、第8週90%……重量每週穩步上升，訓練量沿著既定曲線下降。在紙面上，這再合理不過了。可是真到了第6週，運動員說「今天重量怎麼也上不去」。計畫表指向82.5kg，但身體在75kg就已經發出吃力的訊號。

傳統週期化（periodization）最大的弱點正在於此：計畫是依據過去的數據（上賽季的1RM、平均恢復模式）制定的，但實際訓練永遠發生在「今天」這個時點。睡眠、營養、學業與工作壓力、上一場比賽的疲勞、狀態的日內波動——這些變數每天都不一樣，僅憑固定的百分比與日曆，真的能準確預測12週後的適應嗎？

再具體一點看。傳統週期化的前提是「運動員的適應會沿著一條平均曲線發展」，即第1週強這麼多、第4週強那麼多。但真實的適應曲線因人而異，即使是同一個人，不同賽季也不一樣。有的運動員4週就比計畫更早觸頂，有的運動員8週後在同樣的重量上仍然停滯。以平均值編排的計畫，最終往往成了「誰穿都不完全合身的衣服」。

但這並不意味著要拋棄週期化本身。週期化是一套被驗證了近百年的強大框架。只是現在，我們能夠在計畫這副骨架之上，覆蓋測量數據這套神經系統。每天、每週讀取VBT速度、跳躍高度、每日1RM估算與疲勞監測指標，就能同時擁有「計畫好的適應」與「即時的調整」。這就是數據驅動的週期化。

重點一覽 數據驅動的週期化在固定的日曆計畫之上加入即時測量數據，以此調整當天的負荷用整合了VBT速度、跳躍、1RM與疲勞指標的測量組合，同時追蹤適應與疲勞 自我調節（autoregulation）是以速度損失、當天槓鈴速度、跳躍下降為觸發條件來自動調整負荷的核心原理只需一個Point Go感測器，即可將VBT、跳躍、1RM與疲勞數據匯集一處，直接用於各階段賽季設計

快速複習週期化基礎

在正式應用數據之前，先簡短梳理週期化的核心概念。已經熟悉的讀者可以跳過本節。

大、中、小週期

週期化首先把訓練按時間單位分層（Bompa & Buzzichelli, 2019）。

大週期（Macrocycle）：通常是整個賽季，即數月到一年的大藍圖。從非賽季 → 賽季前 → 賽季中 → 過渡期的年度計畫即屬於此。

中週期（Mesocycle）：通常為3〜6週的訓練塊。如「增肌塊」「最大力量塊」「力量塊」，各有一個主要的適應目標。

小週期（Microcycle）：通常為一週。各日的訓練安排、高低強度的波動、減載（deload）的時機都在此決定。

數據驅動方法的妙處在於：大週期（大方向）提前規劃，而中、小週期（具體負荷）則隨測量值靈活調整。

線性、板塊、DUP三種模型

週期化模型大致分為三類。

模型	核心思路	優勢	侷限
線性（Linear）	訓練量↓ 強度↑漸進推移	簡單、可預測，適合新手	一次只練一種素質，長期單調
板塊（Block）	每個板塊集中一種素質	刺激集中，適合高水準者	非集中素質會暫時下降
DUP（每日非線性）	同一週內每天變動強度與訓練量	多素質同時發展，不易單調	計畫與管理複雜

DUP（Daily Undulating Periodization，每日非線性週期化）在一週內交替刺激不同素質，例如週一練力量（高強度·低次數）、週三練爆發力（中強度·高速度）、週五練增肌（中強度·高次數）。Rhea et al.（2002）的研究中，DUP組比線性組取得了更大的力量提升。有趣的是，由於DUP本質上每天都在處理不同負荷，它是與每天測量的VBT最契合的模型。

數據如何改變週期化

傳統週期化與數據驅動週期化的區別，可以用一句話概括。前者說「必須按計畫舉起」，後者說「朝著計畫前進，但只舉今天身體允許的分量」。

自我調節：計畫好的適應 + 即時調整

核心概念是自我調節（autoregulation）。不是無條件舉起事先定好的重量，而是依據當天的測量數據自動調整負荷（Jovanović & Flanagan, 2014）。

這裡有一點不能誤解。自我調節不是「拋棄計畫」，恰恰相反。

計畫好的適應（planned adaptation）：在大、中週期層面，「這個板塊練最大力量，下一個練爆發力」這樣的大方向提前定好。

即時調整（real-time adjustment）：在這個方向之內，依據當天的速度、跳躍、1RM數據微調重量與訓練量。

打個比方，目的地（大週期計畫）輸入導航，但根據即時路況（測量數據）改變路線。目的地不變，但不會硬闖堵死的路。

為什麼需要「測量」

自我調節的前提是客觀測量。RPE（主觀用力程度）也是有用的工具，但對新手或狀態模糊的日子，自我評估會動搖。而槓鈴速度、跳躍高度這類客觀指標不會說謊。

同樣的重量，但槓鈴速度比平時慢 → 神經肌肉疲勞的訊號

早晨跳躍高度比平時低 → 恢復不足、全身疲勞的訊號

由熱身速度估算的當天1RM比平時低 → 當天強度上限下降的訊號

把這些訊號捕捉為數據，就能把「今天要不要別勉強？」這種模糊直覺，變成基於具體數字的決定。這並不是說直覺是錯的。經驗豐富的教練，直覺往往很準。只是直覺不會被記錄、不會被分享，在狀態模糊的日子也會動搖。測量值為這份直覺增添了依據與可追溯性。如果對「那天為什麼降重量」的問題，能回答「因為跳躍掉了12%」，那麼這個決定就成了下賽季也可重現的資產。

數據不是取代直覺，而是補充直覺

這裡要把握一個平衡。數據驅動的週期化不是讓教練服從於數字。跳躍掉了8%，並不意味著必須減載。如果之前剛有一場激烈的比賽，這種程度的下降可能是自然的。測量值要在脈絡之中來解讀。

好的工作流程是這樣運作的：先由數據拋出「異常訊號」，再由教練加入脈絡（近期比賽、睡眠、壓力、傷病史）來解讀，做出最終決定。數據是提示你該關注何處的警報，而非自動駕駛裝置。只有守住這個平衡，數據與教練經驗才能相互放大。

測量組合：測什麼，何時測

數據驅動週期化的出發點，是決定「測什麼、多久測一次」。每天什麼都測會讓人疲憊、難以堅持。測量頻率應當依據指標的變動性和測量負擔來分級。

四個核心測量領域

1RM / LVP（週期性，每4〜6週）：用負荷-速度特徵曲線（Load-Velocity Profile）把握最大力量的絕對水準。無需每次都舉最大重量，僅憑熱身組速度即可估算，負擔較小（González-Badillo & Sánchez-Medina, 2010）。在板塊的開始與結束時測量，以驗證適應效果。

VBT速度（每次訓練）：在每次的主項動作上測量槓鈴速度。這是當天強度設定、組內疲勞管理（速度損失）的核心數據。

跳躍（每週1〜2次）：CMJ（反向縱跳）高度是同時反映下肢爆發力與全身神經肌肉疲勞的代表性監測指標（Claudino et al., 2017）。測量快速、幾乎無恢復負擔，適合每週監測。

疲勞監測（每日或每週）：把跳躍高度趨勢、晨間狀態檢查，以及（若有）HRV等輔助指標整合起來，追蹤恢復狀態。

測量日曆示例

把何時測什麼一目了然地整理如下。這只是一般性指南，應根據項目和日程調整。

測量項目	頻率	時機	目的
1RM / LVP估算	每4〜6週	板塊開始·結束	最大力量絕對水準，驗證適應
VBT速度（主項）	每次訓練	工作組全程	當天強度設定，組內疲勞管理
CMJ跳躍高度	每週1〜2次	熱身結束後	下肢爆發力，全身疲勞監測
晨間狀態 / HRV	每日	起床後即刻	恢復狀態，輔助減載判斷

核心原則是「看適應的指標少測，看疲勞的指標常測」。1RM這類適應指標變化緩慢，無需頻繁測量；跳躍、速度這類疲勞指標變化迅速，需要經常查看。

各階段賽季設計

下面把大週期分為三個階段（非賽季·賽季前·賽季中），看看每個階段要發展哪些素質、追蹤哪些數據。由於各階段目標不同，同樣的測量值在解讀和運用上也會不同。

非賽季（Off-Season）：打基礎的時期

非賽季沒有比賽壓力，是最能積極追求適應的時期。目標是打好增肌與最大力量的基礎。

主要素質：增肌 → 最大力量（線性或板塊模型）

速度損失區間：允許較大損失（20〜30%+）。以充分的機械刺激和代謝壓力誘導增肌。據Pareja-Blanco et al.（2017），較高速度損失組在肌肉橫截面積增長上有佔優趨勢。

追蹤數據：每4〜6週測一次1RM/LVP，追蹤最大力量的提升。在同一速度區間內重量是否上升，是核心指標。

跳躍：本階段的每週跳躍用作過度疲勞累積的警報（以監測為目的，而非追求爆發力最大化）。

非賽季的數據運用要點很明確。出現「同樣速度、更重重量」就說明力量提升了；1RM估算值持續走高，便是板塊正常奏效的證據。

賽季前（Pre-Season）：把力量轉化為速度的時期

把非賽季累積的力量基礎遷移為競技表現的時期。目標是向爆發力與速度-力量（speed-strength）的轉化。

主要素質：維持最大力量 + 發展爆發力和RFD（力量發展速率）（板塊或DUP模型）

速度損失區間：收窄到小損失（10〜20%）。在新鮮狀態下以高速度舉起，瞄準神經肌肉適應與RFD。

追蹤數據：跳躍高度與RSI（反應力量指數）的提升成為核心指標。用跳躍數據來驗證非賽季的1RM提升是否正在遷移為實際爆發力。

遷移確認：若1RM不變而跳躍、RFD上升，說明已能更快地使用同樣的力——即遷移正在成功發生的訊號。

賽季前的核心問題是「累積的力量是否正在遷移為快速動作？」跳躍和VBT高速度區間的數據會回答這個問題。

賽季中（In-Season）：守護新鮮度的時期

比賽每週接連不斷的時期。目標是維持非賽季、賽季前累積的能力，並管理新鮮度（freshness）。這一時期，「不丟失」和「比賽當天感覺輕盈」優先於提升。

主要素質：維持力量與爆發力（低訓練量·高強度維持，DUP）

速度損失區間：非常保守（10%以內）。把訓練中不必要的疲勞降到最低，為比賽留住新鮮度。

追蹤數據：跳躍高度與疲勞監測成為主角。跳躍跌破基線即為恢復不足的訊號，是把減載（deload）提前的觸發條件。

減載觸發條件：當跳躍、HRV趨勢下降，與當天1RM估算的持續走低疊加時，比計畫更早降低負荷。

賽季中，「今天舉的重量會不會毀了週六的比賽？」是一切決定的準繩。測量數據在「明明還能舉卻克制」的節制，與「已經疲勞還硬推」的勉強之間，給出客觀的判斷依據。

自我調節實戰：把數據變成決定

理論已經夠了。下面來看把測量值變成實際訓練決定的具體規則。核心是「事先定好觸發條件與應對方式」。看了數據再臨場判斷，最終只會被情緒左右。

1. 用速度損失閾值結束組

以組內相對首次反覆速度下降了多少為準來結束一組。即便同樣是「4 x 5」，實際反覆次數也會隨今天狀態而變。

事先為各階段定好速度損失上限（如非賽季25%、賽季前15%、賽季中10%）。

一旦達到目標損失，即使計畫的反覆還有剩餘也結束該組。

反之若幾乎沒有損失（狀態良好），可在上限內多做一兩次。

這種方式把思路從「完成規定次數」轉變為「只做到規定的疲勞水準」（Sánchez-Medina & González-Badillo, 2011）。

2. 用當天槓鈴速度自動調整負荷

測量熱身組速度以估算當天1RM，再以該估算值為準確定今天的工作重量。

當天1RM估算（與平時相比）	含義	負荷應對
+5%以上	狀態非常好	維持計畫重量或小幅上調
±5%	正常範圍	按計畫進行
-5〜10%	輕度疲勞	下調重量，維持訓練量
-10%以上	相當疲勞	重量與訓練量雙雙縮減，恢復優先

核心是擺脫「必須舉起計畫重量」的強迫觀念。平時深蹲1RM為150kg的運動員，若今天估算1RM為140kg，那麼按今天的75%（105kg）而非計畫表的75%（112.5kg）進行才是合理的。

3. 跳躍、HRV下降時決定減載

超越組與單次訓練的層面，用每週監測數據來決定減載時機。

晨間CMJ跳躍高度相對個人基線連續數日跌至某一水準以下（如-10〜15%）。

（作為輔助指標）HRV持續跌破基線。

當天1RM估算整週一路走低。

當這些訊號疊加時，即使不是日曆上的減載週，也主動降低負荷。反之若所有指標都好，把計畫好的減載推遲一週的決定也能用數據來正當化。讓「恢復狀態」而非「日曆」來決定減載，正是數據驅動週期化的頂點。

一週（小週期）設計示例

把上述全部原理融進一週裡會是什麼樣子呢？這是一個假設賽季前階段的DUP小週期示例（每週4練，週末保留新鮮度）。前提是所有重量都用當天1RM估算和速度數據微調。

星期	重點	主要動作	強度/速度目標	測量
一	最大力量	後蹲、臥推	0.4〜0.5 m/s，速度損失15%	每組VBT
二	恢復/監測	輕有氧、靈活性	低強度	晨間CMJ、HRV
三	爆發力	高翻、跳躍深蹲	0.8〜1.0 m/s，速度損失10%	VBT、CMJ
四	休息	—	—	晨間狀態檢查
五	速度-力量	速度臥推、引體	0.6〜0.75 m/s，速度損失15%	每組VBT
六	比賽/技術	項目專項訓練	—	（可選）賽前跳躍
日	完全休息	—	—	—

這張表值得注意的是，每天的測量值都成為下一個決定的輸入。週二早晨跳躍比平時低，就減少週三爆發力訓練的量。週五當天1RM比平時高，就在速度上限內把重量略微上調。計畫表只是起點，每天的數據在它之上雕刻負荷。

用Point Go把測量數據整合進週期化

數據驅動週期化最大的現實障礙，是「數據散落各處」。VBT速度在一台設備，跳躍在另一個App，1RM靠手寫——一旦這樣碎片化，整合性的判斷便無從談起。自我調節只有把多個訊號放在一起讀時，才能發揮力量。

Point Go感測器基於IMU，在一個感測器、一個App裡處理VBT速度、跳躍、1RM估算、旋轉力量等多種測量。也就是說，可以把週期化所需的測量組合整合在一處。

實戰工作流程

板塊開始 — 用LVP建立基線：開始一個中週期時，用1RM測量模式測量後蹲、臥推的LVP，為該板塊確立強度基線和速度-負荷關係。

每次訓練 — 用VBT設定當天強度：每個主項動作都用熱身速度估算當天1RM，再按各階段目標速度區間確定工作重量。組內一旦超過速度損失上限，App會顯示視覺警告，引導你結束該組。

每週 — 用跳躍監測疲勞：每週測1〜2次CMJ，追蹤跳躍高度趨勢。跌破基線即解讀為恢復不足的訊號。

板塊結束 — 驗證適應：在板塊末尾再次測量LVP，確認是否在同一速度區間內重量上升了（力量提升）、跳躍是否提升了（爆發力遷移）。這一結果成為下一個板塊的設計依據。

這個循環每走完一圈，下一個板塊就不是憑猜測，而是在上一個板塊的測量數據之上來設計。賽季越往前推進，關於運動員的數據越累積，計畫的精度也隨之不斷提升。

結語

週期化並沒有死。相反，它在遇見數據後變得更強大。保留大、中、小週期這副被驗證近百年的骨架，在其上覆蓋VBT速度、跳躍、1RM、疲勞這套神經系統，就能同時擁有計畫的穩定性與現場的靈活性。

核心可以用一句話概括。大方向去計畫，當天負荷靠測量。日曆告訴你往哪兒走，而能走多遠，由今天的身體來告訴你。當你能把那些訊號讀成客觀數字時，週期化才真正從「紙上的計畫」進化為「活的系統」。

下次畫賽季計畫時，在Excel百分比旁邊再加一欄——一欄用於測量數據。當那一欄開始被填滿，你的週期化便不再是猜測。

常見問題（FAQ）

Q. 數據驅動的週期化是要拋棄傳統週期化嗎？

不是。它其實完整保留了傳統週期化的骨架。大週期的大方向（非賽季 → 賽季前 → 賽季中）和每個板塊的主要目標都提前規劃。數據的作用是在該計畫之內，把細化負荷（重量、訓練量、結束組的時機）調整到與當天狀態相符。換言之，它不是拋棄計畫，而是讓計畫活起來。

Q. 所有測量都必須每天做嗎？會不會太有負擔？

完全不會。核心原則是「看適應的指標少測，看疲勞的指標常測」。1RM/LVP每4〜6週測一次、跳躍每週1〜2次就足夠。每次訓練只測主項的VBT速度，而這也是在熱身和工作組中自然測得的，幾乎不增加額外負擔。如果測量到了妨礙訓練的程度，那麼減少頻率才是對的。

Q. 新手也需要數據驅動的週期化嗎？

新手其實對幾乎任何刺激都反應良好，因此對精細自我調節的需求相對較低。不過VBT速度這類客觀回饋，對新手建立「適當強度」的感覺很有幫助。對新手，我們建議從簡單的方案起步——線性計畫 + 速度回饋即可，而非複雜的階段化設計。精細數據驅動週期化的優勢，在適應變緩的中高水準者身上體現得最明顯。

Q. 僅靠VBT速度一項能做自我調節嗎？

可以。僅憑VBT速度就能同時處理當天強度設定和組內疲勞管理這兩個核心。不過VBT速度主要看的是舉重訓練內部的疲勞。全身恢復狀態（沒睡好，或上一場比賽累積的疲勞）由跳躍或HRV這類單獨指標更能捕捉。因此，在像賽季中這種新鮮度管理很重要的時期，建議在VBT之外再加上跳躍監測。

Q. 那減載到底該什麼時候做？

數據驅動方法的核心是「讓恢復狀態而非日曆來決定減載」。當跳躍高度相對基線連續數日下降、當天1RM估算整週走低，並且（若有）HRV也下降——這些訊號疊加時就把減載提前。反之若所有指標都健康，可以把計畫好的減載推遲一週。不過僅因指標看著好就無限推遲是有風險的，因此明智的做法是設一個安全閥，比如「最多每3週減載一次」。

VBT訓練基礎 - 速度訓練的基本原理與自我調節

1RM估算的科學：LVP（負荷-速度特徵曲線）活用法 - 安全的1RM估算與Daily 1RM的運用

運動員跳躍訓練指南 - 用跳躍測試監測疲勞與爆發力

參考文獻

Bompa, T.O., & Buzzichelli, C. (2019). Periodization: Theory and Methodology of Training (6th ed.). Human Kinetics.

Rhea, M.R., et al. (2002). A comparison of linear and daily undulating periodized programs with equated volume and intensity for strength. Journal of Strength and Conditioning Research, 16(2), 250-255. DOI

Jovanović, M., & Flanagan, E.P. (2014). Researched applications of velocity based strength training. Journal of Australian Strength and Conditioning, 22(2), 58-69. PDF

González-Badillo, J.J., & Sánchez-Medina, L. (2010). Movement velocity as a measure of loading intensity in resistance training. International Journal of Sports Medicine, 31(5), 347-352. DOI

Sánchez-Medina, L., & González-Badillo, J.J. (2011). Velocity loss as an indicator of neuromuscular fatigue during resistance training. Medicine and Science in Sports and Exercise, 43(9), 1725-1734. DOI

Pareja-Blanco, F., et al. (2017). Effects of velocity loss during resistance training on athletic performance, strength gains and muscle adaptations. Scandinavian Journal of Medicine & Science in Sports, 27(7), 724-735. DOI

Claudino, J.G., et al. (2017). The countermovement jump to monitor neuromuscular status: A meta-analysis. Journal of Science and Medicine in Sport, 20(4), 397-402. DOI

計畫是指南針，測量是地圖。兩者兼備，你就不會在賽季這段漫長的旅途中迷失方向。