数据驱动的周期化：用测量值设计赛季训练

计划明明很完美，为什么身体不配合？

赛季开始前，教练在Excel里画出一份完美的12周计划。第1周用1RM的70%，第4周80%，第8周90%……重量每周稳步上升，训练量沿着既定曲线下降。在纸面上，这再合理不过了。可是真到了第6周，运动员说"今天重量怎么也上不去"。计划表指向82.5kg，但身体在75kg就已经发出吃力的信号。

传统周期化（periodization）最大的弱点正在于此：计划是依据过去的数据（上赛季的1RM、平均恢复模式）制定的，但实际训练永远发生在"今天"这个时点。睡眠、营养、学业与工作压力、上一场比赛的疲劳、状态的日内波动——这些变量每天都不一样，仅凭固定的百分比和日历，真的能准确预测12周后的适应吗？

再具体一点看。传统周期化的前提是"运动员的适应会沿着一条平均曲线发展"，即第1周强这么多、第4周强那么多。但真实的适应曲线因人而异，即使是同一个人，不同赛季也不一样。有的运动员4周就比计划更早触顶，有的运动员8周后在同样的重量上仍然停滞。以平均值编排的计划，最终往往成了"谁穿都不完全合身的衣服"。

但这并不意味着要抛弃周期化本身。周期化是一套被验证了近百年的强大框架。只是现在，我们能够在计划这副骨架之上，覆盖测量数据这套神经系统。每天、每周读取VBT速度、跳跃高度、每日1RM估算和疲劳监测指标，就能同时拥有"计划好的适应"与"实时的调整"。这就是数据驱动的周期化。

一览

• 数据驱动的周期化在固定的日历计划之上加入实时测量数据，以此调整当天的负荷
• 用整合了VBT速度、跳跃、1RM和疲劳指标的测量组合，同时追踪适应与疲劳
• 自我调节（autoregulation）是以速度损失、当天杠铃速度、跳跃下降为触发条件来自动调整负荷的核心原理
• 仅需一个Point Go传感器，即可将VBT、跳跃、1RM和疲劳数据汇集一处，直接用于各阶段赛季设计

快速复习周期化基础

在正式应用数据之前，先简短梳理周期化的核心概念。已经熟悉的读者可以跳过本节。

大、中、小周期

周期化首先把训练按时间单位分层（Bompa & Buzzichelli, 2019）。

• 大周期（Macrocycle）：通常是整个赛季，即数月到一年的大蓝图。从非赛季 → 赛季前 → 赛季中 → 过渡期的年度计划即属于此。
• 中周期（Mesocycle）：通常为3〜6周的训练块。如"增肌块""最大力量块""力量块"，各有一个主要的适应目标。
• 小周期（Microcycle）：通常为一周。各日的训练安排、高低强度的波动、减载（deload）的时机都在此决定。

数据驱动方法的妙处在于：大周期（大方向）提前规划，而中、小周期（具体负荷）则随测量值灵活调整。

线性、板块、DUP三种模型

周期化模型大致分为三类。

DUP（Daily Undulating Periodization，每日非线性周期化）在一周内交替刺激不同素质，例如周一练力量（高强度·低次数）、周三练爆发力（中强度·高速度）、周五练增肌（中强度·高次数）。Rhea et al.（2002）的研究中，DUP组比线性组取得了更大的力量提升。有趣的是，由于DUP本质上每天都在处理不同负荷，它是与每天测量的VBT最契合的模型。

数据如何改变周期化

传统周期化与数据驱动周期化的区别，可以用一句话概括。前者说"必须按计划举起"，后者说"朝着计划前进，但只举今天身体允许的分量"。

自我调节：计划好的适应 + 实时调整

核心概念是自我调节（autoregulation）。不是无条件举起事先定好的重量，而是依据当天的测量数据自动调整负荷（Jovanović & Flanagan, 2014）。

这里有一点不能误解。自我调节不是"抛弃计划"，恰恰相反。

• 计划好的适应（planned adaptation）：在大、中周期层面，"这个板块练最大力量，下一个练爆发力"这样的大方向提前定好。
• 实时调整（real-time adjustment）：在这个方向之内，依据当天的速度、跳跃、1RM数据微调重量与训练量。

打个比方，目的地（大周期计划）输入导航，但根据实时路况（测量数据）改变路线。目的地不变，但不会硬闯堵死的路。

为什么需要"测量"

自我调节的前提是客观测量。RPE（主观用力程度）也是有用的工具，但对新手或状态模糊的日子，自我评估会动摇。而杠铃速度、跳跃高度这类客观指标不会说谎。

• 同样的重量，但杠铃速度比平时慢 → 神经肌肉疲劳的信号
• 早晨跳跃高度比平时低 → 恢复不足、全身疲劳的信号
• 由热身速度估算的当天1RM比平时低 → 当天强度上限下降的信号

把这些信号捕捉为数据，就能把"今天要不要别勉强？"这种模糊直觉，变成基于具体数字的决定。这并不是说直觉是错的。经验丰富的教练，直觉往往很准。只是直觉不会被记录、不会被分享，在状态模糊的日子也会动摇。测量值为这份直觉增添了依据与可追溯性。如果对"那天为什么降重量"的问题，能回答"因为跳跃掉了12%"，那么这个决定就成了下赛季也可复现的资产。

数据不是取代直觉，而是补充直觉

这里要把握一个平衡。数据驱动的周期化不是让教练服从于数字。跳跃掉了8%，并不意味着必须减载。如果之前刚有一场激烈的比赛，这种程度的下降可能是自然的。测量值要在语境之中来解读。

好的工作流程是这样运作的：先由数据抛出"异常信号"，再由教练加入语境（近期比赛、睡眠、压力、伤病史）来解读，做出最终决定。数据是提示你该关注何处的警报，而非自动驾驶装置。只有守住这个平衡，数据与教练经验才能相互放大。

测量组合：测什么，何时测

数据驱动周期化的出发点，是决定"测什么、多久测一次"。每天什么都测会让人疲惫、难以坚持。测量频率应当依据指标的变动性和测量负担来分级。

四个核心测量领域

• 1RM / LVP（周期性，每4〜6周）：用负荷-速度特征曲线（Load-Velocity Profile）把握最大力量的绝对水平。无需每次都举最大重量，仅凭热身组速度即可估算，负担较小（González-Badillo & Sánchez-Medina, 2010）。在板块的开始与结束时测量，以验证适应效果。
• VBT速度（每次训练）：在每次的主项动作上测量杠铃速度。这是当天强度设定、组内疲劳管理（速度损失）的核心数据。
• 跳跃（每周1〜2次）：CMJ（反向纵跳）高度是同时反映下肢爆发力与全身神经肌肉疲劳的代表性监测指标（Claudino et al., 2017）。测量快速、几乎无恢复负担，适合每周监测。
• 疲劳监测（每日或每周）：把跳跃高度趋势、晨间状态检查，以及（若有）HRV等辅助指标整合起来，追踪恢复状态。

测量日历示例

把何时测什么一目了然地整理如下。这只是一般性指南，应根据项目和日程调整。

核心原则是"看适应的指标少测，看疲劳的指标常测"。1RM这类适应指标变化缓慢，无需频繁测量；跳跃、速度这类疲劳指标变化迅速，需要经常查看。

各阶段赛季设计

下面把大周期分为三个阶段（非赛季·赛季前·赛季中），看看每个阶段要发展哪些素质、追踪哪些数据。由于各阶段目标不同，同样的测量值在解读和运用上也会不同。

非赛季（Off-Season）：打基础的时期

非赛季没有比赛压力，是最能积极追求适应的时期。目标是打好增肌与最大力量的基础。

• 主要素质：增肌 → 最大力量（线性或板块模型）
• 速度损失区间：允许较大损失（20〜30%+）。以充分的机械刺激和代谢压力诱导增肌。据Pareja-Blanco et al.（2017），较高速度损失组在肌肉横截面积增长上有占优趋势。
• 追踪数据：每4〜6周测一次1RM/LVP，追踪最大力量的提升。在同一速度区间内重量是否上升，是核心指标。
• 跳跃：本阶段的每周跳跃用作过度疲劳累积的警报（以监测为目的，而非追求爆发力最大化）。

非赛季的数据运用要点很明确。出现"同样速度、更重重量"就说明力量提升了；1RM估算值持续走高，便是板块正常奏效的证据。

赛季前（Pre-Season）：把力量转化为速度的时期

把非赛季积累的力量基础迁移为竞技表现的时期。目标是向爆发力与速度-力量（speed-strength）的转化。

• 主要素质：维持最大力量 + 发展爆发力和RFD（力量发展速率）（板块或DUP模型）
• 速度损失区间：收窄到小损失（10〜20%）。在新鲜状态下以高速度举起，瞄准神经肌肉适应与RFD。
• 追踪数据：跳跃高度与RSI（反应力量指数）的提升成为核心指标。用跳跃数据来验证非赛季的1RM提升是否正在迁移为实际爆发力。
• 迁移确认：若1RM不变而跳跃、RFD上升，说明已能更快地使用同样的力——即迁移正在成功发生的信号。

赛季前的核心问题是"积累的力量是否正在迁移为快速动作？"跳跃和VBT高速度区间的数据会回答这个问题。

赛季中（In-Season）：守护新鲜度的时期

比赛每周接连不断的时期。目标是维持非赛季、赛季前积累的能力，并管理新鲜度（freshness）。这一时期，"不丢失"和"比赛当天感觉轻盈"优先于提升。

• 主要素质：维持力量与爆发力（低训练量·高强度维持，DUP）
• 速度损失区间：非常保守（10%以内）。把训练中不必要的疲劳降到最低，为比赛留住新鲜度。
• 追踪数据：跳跃高度与疲劳监测成为主角。跳跃跌破基线即为恢复不足的信号，是把减载（deload）提前的触发条件。
• 减载触发条件：当跳跃、HRV趋势下降，与当天1RM估算的持续走低叠加时，比计划更早降低负荷。

赛季中，"今天举的重量会不会毁了周六的比赛？"是一切决定的准绳。测量数据在"明明还能举却克制"的节制，与"已经疲劳还硬推"的勉强之间，给出客观的判断依据。

自我调节实战：把数据变成决定

理论已经够了。下面来看把测量值变成实际训练决定的具体规则。核心是"事先定好触发条件与应对方式"。看了数据再临场判断，最终只会被情绪左右。

1. 用速度损失阈值结束组

以组内相对首次反复速度下降了多少为准来结束一组。即便同样是"4 x 5"，实际反复次数也会随今天状态而变。

• 事先为各阶段定好速度损失上限（如非赛季25%、赛季前15%、赛季中10%）。
• 一旦达到目标损失，即使计划的反复还有剩余也结束该组。
• 反之若几乎没有损失（状态良好），可在上限内多做一两次。

这种方式把思路从"完成规定次数"转变为"只做到规定的疲劳水平"（Sánchez-Medina & González-Badillo, 2011）。

2. 用当天杠铃速度自动调整负荷

测量热身组速度以估算当天1RM，再以该估算值为准确定今天的工作重量。

核心是摆脱"必须举起计划重量"的强迫观念。平时深蹲1RM为150kg的运动员，若今天估算1RM为140kg，那么按今天的75%（105kg）而非计划表的75%（112.5kg）进行才是合理的。

3. 跳跃、HRV下降时决定减载

超越组与单次训练的层面，用每周监测数据来决定减载时机。

• 晨间CMJ跳跃高度相对个人基线连续数日跌至某一水平以下（如-10〜15%）。
• （作为辅助指标）HRV持续跌破基线。
• 当天1RM估算整周一路走低。

当这些信号叠加时，即使不是日历上的减载周，也主动降低负荷。反之若所有指标都好，把计划好的减载推迟一周的决定也能用数据来正当化。让"恢复状态"而非"日历"来决定减载，正是数据驱动周期化的顶点。

一周（小周期）设计示例

把上述全部原理融进一周里会是什么样子呢？这是一个假设赛季前阶段的DUP小周期示例（每周4练，周末保留新鲜度）。前提是所有重量都用当天1RM估算和速度数据微调。

这张表值得注意的是，每天的测量值都成为下一个决定的输入。周二早晨跳跃比平时低，就减少周三爆发力训练的量。周五当天1RM比平时高，就在速度上限内把重量略微上调。计划表只是起点，每天的数据在它之上雕刻负荷。

用Point Go把测量数据整合进周期化

数据驱动周期化最大的现实障碍，是"数据散落各处"。VBT速度在一台设备，跳跃在另一个App，1RM靠手写——一旦这样碎片化，整合性的判断便无从谈起。自我调节只有把多个信号放在一起读时，才能发挥力量。

Point Go传感器基于IMU，在一个传感器、一个App里处理VBT速度、跳跃、1RM估算、旋转力量等多种测量。也就是说，可以把周期化所需的测量组合整合在一处。

实战工作流程

1. 板块开始 — 用LVP建立基线：开始一个中周期时，用1RM测量模式测量后蹲、卧推的LVP，为该板块确立强度基线和速度-负荷关系。
2. 每次训练 — 用VBT设定当天强度：每个主项动作都用热身速度估算当天1RM，再按各阶段目标速度区间确定工作重量。组内一旦超过速度损失上限，App会显示视觉警告，引导你结束该组。
3. 每周 — 用跳跃监测疲劳：每周测1〜2次CMJ，追踪跳跃高度趋势。跌破基线即解读为恢复不足的信号。
4. 板块结束 — 验证适应：在板块末尾再次测量LVP，确认是否在同一速度区间内重量上升了（力量提升）、跳跃是否提升了（爆发力迁移）。这一结果成为下一个板块的设计依据。

这个循环每走完一圈，下一个板块就不是凭猜测，而是在上一个板块的测量数据之上来设计。赛季越往前推进，关于运动员的数据越积累，计划的精度也随之不断提升。

结语

周期化并没有死。相反，它在遇见数据后变得更强大。保留大、中、小周期这副被验证近百年的骨架，在其上覆盖VBT速度、跳跃、1RM、疲劳这套神经系统，就能同时拥有计划的稳定性与现场的灵活性。

核心可以用一句话概括。大方向去计划，当天负荷靠测量。日历告诉你往哪儿走，而能走多远，由今天的身体来告诉你。当你能把那些信号读成客观数字时，周期化才真正从"纸上的计划"进化为"活的系统"。

下次画赛季计划时，在Excel百分比旁边再加一栏——一栏用于测量数据。当那一栏开始被填满，你的周期化便不再是猜测。

常见问题（FAQ）

Q. 数据驱动的周期化是要抛弃传统周期化吗？

不是。它其实完整保留了传统周期化的骨架。大周期的大方向（非赛季 → 赛季前 → 赛季中）和每个板块的主要目标都提前规划。数据的作用是在该计划之内，把细化负荷（重量、训练量、结束组的时机）调整到与当天状态相符。换言之，它不是抛弃计划，而是让计划活起来。

Q. 所有测量都必须每天做吗？会不会太有负担？

完全不会。核心原则是"看适应的指标少测，看疲劳的指标常测"。1RM/LVP每4〜6周测一次、跳跃每周1〜2次就足够。每次训练只测主项的VBT速度，而这也是在热身和工作组中自然测得的，几乎不增加额外负担。如果测量到了妨碍训练的程度，那么减少频率才是对的。

Q. 新手也需要数据驱动的周期化吗？

新手其实对几乎任何刺激都反应良好，因此对精细自我调节的需求相对较低。不过VBT速度这类客观反馈，对新手建立"适当强度"的感觉很有帮助。对新手，我们建议从简单的方案起步——线性计划 + 速度反馈即可，而非复杂的阶段化设计。精细数据驱动周期化的优势，在适应变缓的中高水平者身上体现得最明显。

Q. 仅靠VBT速度一项能做自我调节吗？

可以。仅凭VBT速度就能同时处理当天强度设定和组内疲劳管理这两个核心。不过VBT速度主要看的是举重训练内部的疲劳。全身恢复状态（没睡好，或上一场比赛累积的疲劳）由跳跃或HRV这类单独指标更能捕捉。因此，在像赛季中这种新鲜度管理很重要的时期，建议在VBT之外再加上跳跃监测。

Q. 那减载到底该什么时候做？

数据驱动方法的核心是"让恢复状态而非日历来决定减载"。当跳跃高度相对基线连续数日下降、当天1RM估算整周走低，并且（若有）HRV也下降——这些信号叠加时就把减载提前。反之若所有指标都健康，可以把计划好的减载推迟一周。不过仅因指标看着好就无限推迟是有风险的，因此明智的做法是设一个安全阀，比如"最多每3周减载一次"。

相关文章

• VBT训练基础 - 速度训练的基本原理与自我调节
• 1RM估算的科学：LVP（负荷-速度特征曲线）活用法 - 安全的1RM估算与Daily 1RM的运用
• 运动员跳跃训练指南 - 用跳跃测试监测疲劳与爆发力

---

参考文献

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

2. 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

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

4. 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

5. 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

6. 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

7. 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

计划是指南针，测量是地图。两者兼备，你就不会在赛季这段漫长的旅途中迷失方向。