Przejdź do treści

Próg tlenowy z paska: DFA alpha1 i inne sposoby w terenie

DFA alpha1 z odstępów R–R: co znaczy 0,75, jak dokładny jest u kolarzy, warunki zapisu i skrypt w Pythonie. Plus test mowy, mleczan, HRmax i LTHR.

DFA alpha1 (α1) to wskaźnik liczony z odstępów między uderzeniami serca, który spada wraz z intensywnością od ok. 1,0–1,5 do poniżej 0,5. Wartość 0,75 wypada blisko pierwszego progu, a 0,5 blisko drugiego. U amatorów próg z α1 bywa jednak o 12–20 ud./min za wysoko, więc traktuj go jako wartość do sprawdzenia testem mowy, nie jak wynik z laboratorium.

W skrócie

  • α1 około 1 i więcej znaczy, że kolejne uderzenia „pamiętają” poprzednie, a 0,5 – że są losowe. Spadek do 0,75 to okolice progu tlenowego, do 0,5 – drugiego progu.
  • U elitarnych kolarzy 0,75 zgadzało się z progiem mleczanowym. U wytrenowanych amatorów zawyżało tętno progowe o 12–20 ud./min. Drugi próg (0,5) zgadza się pewniej.
  • Potrzebujesz paska na klatce z zapisem odstępów R–R, mniej niż 3–5% błędnych uderzeń i testu z rosnącym obciążeniem.
  • W codziennych jazdach α1 pokazuje raczej zmęczenie niż próg: spada w długiej mocnej jeździe przy stałej mocy i po maksymalnym teście.
  • Bez zapisu odstępów R–R: test mowy, dryf tętna albo mleczan z przenośnego analizatora.

Co liczy DFA alpha1

DFA, czyli analizę fluktuacji bez trendu, opisali Peng i in. (1995). U zdrowych ludzi kolejne odstępy między uderzeniami serca są ze sobą powiązane nawet w odstępie wielu uderzeń. W ciężkiej niewydolności serca te powiązania się rozpadają.

Algorytm w skrócie: od odstępów odejmujesz średnią i sumujesz je narastająco. Profil dzielisz na okna po 4–16 uderzeń, w każdym dopasowujesz prostą i liczysz odchylenie od niej. α1 to nachylenie zależności tego odchylenia od wielkości okna w skali logarytmicznej.

Wynik ok. 1 oznacza strukturę fraktalną. 0,5 to biały szum, czyli uderzenia niezależne od poprzednich. Poniżej 0,5 jest antykorelacja: dłuższy odstęp ciągnie za sobą krótszy.

Gronwald, Rogers i Hoos (2020) zaproponowali α1 jako wskaźnik ogólnego obciążenia organizmu w czasie jazdy. W lekkiej jeździe trzyma się powyżej 1, a z intensywnością spada przez 0,75 do 0,5 i niżej. W odróżnieniu od rMSSD, czyli zwykłego wskaźnika zmienności rytmu serca, działa we wszystkich strefach i nie wymaga kalibracji (Rogers i Gronwald 2022).

U 15 biegaczy 0,75 wypadło 2 ud./min od pierwszego progu wentylacyjnego (VT1), a 0,5 – 3 ud./min od drugiego (Rogers i in. 2021a, 2021b). O porannym rMSSD piszemy w tekście o zmienności rytmu serca. Tu chodzi o inny wskaźnik z tego samego paska.

Jak dokładny jest próg z α1 u kolarzy

U elity dokładny, u amatorów stałe 0,75 często wypada za wysoko. Cztery badania na rowerze:

BadanieGrupa, testOdniesienieWynik dla α1 = 0,75
Rogers, Berk i Gronwald 20229 elitarnych triathlonistów, rampaLT1153,7 vs 155,8 ud./min; granice zgodności od −16,7 do +13,3
Mateo-March i in. 202338 elitarnych kolarzy, stopnieLT1brak różnicy; r = 0,85 (moc), 0,66 (tętno). 0,5 różniło się od LT2
Fleitas-Paniagua i in. 202457 wytrenowanych (24 kobiety), stopnie 2 minGET, LT1zawyżone o 12 (kobiety) i 20 ud./min (mężczyźni); 0,5 zgodne z RCP i LT2
Rogers i in. 202414 osób, rampaGETzawyżone o 15 ud./min; próg indywidualny (między maksimum α1 a 0,5) zgodny
Walidacje na rowerze. GET – próg wymiany gazowej (VT1), RCP – punkt kompensacji oddechowej (VT2).

U 26 kobiet granice zgodności sięgały od −10,6 do +20,0 ud./min (Schaffarczyk i in. 2023). U pojedynczej osoby próg może więc wylądować w strefie 2 albo 3.

Drugi próg, 0,5, zgadzał się z punktem kompensacji oddechowej i LT2 w największej próbie (Fleitas-Paniagua i in. 2024) i u Hassaneina i in. (2025). Nachylenie rampy, od 15 do 45 W/min, nie zmieniało progu (Fleitas-Paniagua i in. 2023).

Pomaga częstość oddechu, którą da się oszacować z tych samych odstępów. Po uśrednieniu progu z α1 i z oddechu błąd wobec VT1 spadł z +8,3 do −1,7 ud./min (Rogers i in. 2023). Jeśli α1 daje próg o 15 uderzeń wyżej niż tętno, przy którym przestajesz swobodnie mówić, wierz mowie.

Warunki zapisu

Pasek z odstępami R–R. Potrzebujesz czasu między uderzeniami co do milisekundy. Dobry pasek na klatce wykrył poprawnie 99,6% odstępów, lepiej niż holter (Gilgen-Ammann i in. 2019). Optyka z nadgarstka odpada.

Nawet z paska α1 różniło się od EKG: o ok. ±10% przy niskiej intensywności i od −41 do +58% przy wysokiej (Schaffarczyk i in. 2022). W liczniku włącz zapis odstępów. W pliku FIT pojawiają się wtedy wiadomości „hrv”.

Artefakty poniżej 3–5%. Zgubione uderzenie to podwójny odstęp, a taki skok psuje obliczenia. W zapisach EKG 1–3% zgubionych uderzeń dawało mały błąd α1, a 6% – do 19%. Sam próg zmieniał się jednak o mniej niż 1 ud./min, bo korekta łapie większość skoków (Rogers i in. 2021c). Przy ponad 5% artefaktów wyniku nie interpretuj.

Test i okno. Rogers i Gronwald (2022) liczą α1 w oknie 2 min przeliczanym co 5 s. Test to rampa albo stopnie 2–3 min od lekkiej jazdy do drugiego progu, najlepiej na trenażerze. Próg to tętno i moc, przy których wygładzona krzywa przecina 0,75. Między oknami wynik skacze o 0,1–0,2.

Kod: α1 z listy odstępów R–R

Czysty Python 3, bez bibliotek. Na wejściu plik tekstowy z jednym odstępem R–R w milisekundach na linię. Weźmiesz go z eksportu aplikacji paska albo z pliku FIT (pole „time” w wiadomościach „hrv”).

Skrypt liczy w oknie 2 min co 5 s, na skalach 4–16 uderzeń, jak u Rogersa. Odstępy różniące się o ponad 20% od mediany sąsiadów odrzuca jako artefakty.

# dfa_a1.py – DFA alpha1 z odstępów R–R (ms): okno 2 min, krok 5 s, skale 4–16 uderzeń
import math, sys

def dfa_alpha1(rr, skale=range(4, 17)):
    n, sr, y, s = len(rr), sum(rr) / len(rr), [], 0.0
    for x in rr:
        s += x - sr
        y.append(s)
    pkt = []
    for w in skale:
        suma, mx = 0.0, (w - 1) / 2
        for i in range(0, n - n % w, w):
            seg, my = y[i:i + w], sum(y[i:i + w]) / w
            b = sum((k - mx) * (seg[k] - my) for k in range(w)) / sum((k - mx) ** 2 for k in range(w))
            suma += sum((seg[k] - my - b * (k - mx)) ** 2 for k in range(w))
        pkt.append((math.log(w), math.log(math.sqrt(suma / (n - n % w)))))
    lx, ly = sum(p[0] for p in pkt) / len(pkt), sum(p[1] for p in pkt) / len(pkt)
    return sum((p[0] - lx) * (p[1] - ly) for p in pkt) / sum((p[0] - lx) ** 2 for p in pkt)

def oczysc(rr, prog=0.2):
    out, art = [], 0
    for i, x in enumerate(rr):
        sas = sorted(rr[max(0, i - 5):i] + rr[i + 1:i + 6])
        if abs(x - sas[len(sas) // 2]) / sas[len(sas) // 2] > prog:
            art += 1
        else:
            out.append(x)
    return out, art / len(rr) * 100

rr, art = oczysc([float(l) for l in open(sys.argv[1]) if l.strip()])
print(f"artefakty {art:.1f}%" + ("  – za dużo, wynik niepewny" if art > 5 else ""))
t, start, okno = 0.0, 0.0, []
for x in rr:
    t += x / 1000
    okno = [(ti, xi) for ti, xi in okno + [(t, x)] if ti > t - 120]
    if t - start >= 5 and okno[0][0] <= t - 110:
        start = t
        hr = 60000 * len(okno) / sum(xi for _, xi in okno)
        print(f"{t/60:5.1f} min  HR {hr:3.0f}  alpha1 {dfa_alpha1([xi for _, xi in okno]):.2f}")

Uruchomienie: python3 dfa_a1.py rr.txt. Sprawdziliśmy go na sztucznej rampie 15 min: tętno od 110 do 178 ud./min, szum o malejącej korelacji i pięć wstawionych artefaktów. To przykład, nie zapis z jazdy.

Filtr wyłapał artefakty (0,2%). α1 trzymało się 1,3–1,5 do ok. 125 ud./min, przecięło 0,75 przy ok. 140 i zeszło do ok. 0,6. Do 0,5 nie doszło, bo biały szum daje tą metodą ok. 0,55–0,6, a prawdziwy zapis schodzi niżej przez antykorelację.

Wynik czytaj ze średniej z 4 okien. Program referencyjny dodatkowo usuwa trend, więc może się różnić od naszego o kilka setnych.

Na żywo czy po jeździe

Po jeździe α1 policzysz w programie referencyjnym z badań (Kubios), w aplikacjach czytających plik FIT z odstępami albo skryptem wyżej. Na żywo pokażą je aplikacje na telefon i pola danych Connect IQ. Liczą α1 z ostatnich ok. 200 uderzeń i podają odsetek artefaktów (Rogers i Gronwald 2022).

Darmowa aplikacja open source na Androida dała u 23 osób progi w granicach 1 ud./min od programu referencyjnego (Rogers i in. 2026). Recenzowanej walidacji pól na liczniku nie znaleźliśmy.

Codzienne jazdy: próg, zmęczenie, upał, wysokość

Z codziennych jazd progu raczej nie wyznaczysz. Zależność moc–α1 da się odtworzyć z 3123 zwykłych jazd 21 użytkowników aplikacji, ale jej sprawdzenie w laboratorium wciąż trwa (Andriolo i in. 2024). To trend, nie próg.

Lepiej α1 sprawdza się jako miara kosztu jazdy. W jazdach o tym samym wydatku energii było stabilne przy mocy LT1 i LT2, a spadało w interwałach 10 × 1 min, choć tętno dryfowało we wszystkich (Olieslagers i in. 2026).

W jeździe do odcięcia na 95% mocy przy punkcie kompensacji oddechowej tętno, oddech i α1 zaczynały dryfować w drugiej ćwiartce jazdy, i to powtarzalnie (Rogers i in. 2025). Po maksymalnym teście α1 przy tej samej umiarkowanej mocy spadło u 47 kolarzy z 1,32 do 1,12 i nie wróciło do poprzedniej wartości (Rayo Martín i in. 2026).

Przy tej samej mocy niższe α1 znaczy, że organizm płaci za nią więcej. Jak to zestawić z dryfem tętna, piszemy w tekście o decouplingu.

W upale progu z α1 nikt nie badał. Temperatura, nawodnienie i jedzenie przesuwają α1, więc nie porównuj jazdy w upale z jazdą w chłodzie (Rogers i Gronwald 2022).

Na wysokości, przy 13,5% tlenu w powietrzu, progi z α1 średnio nadal zgadzały się z progami z oddechu. Pojedyncze wyniki rozjeżdżały się jednak bardziej: korelacje spadły z 0,86–0,96 do 0,58–0,79 (Hassanein i in. 2025).

Inne sposoby na próg tlenowy w terenie

Test mowy. Nie wymaga sprzętu. Moment, w którym mówienie przestaje być swobodne, i ocena wysiłku 10–11 w skali Borga 6–20 odpowiadają pierwszemu progowi wentylacyjnemu. Wyraźny kłopot z mówieniem i ocena 13–15 to okolice drugiego progu (Bok i in. 2022).

Jedź stopniami po 3 min i czytaj na głos ten sam fragment. Pierwszy stopień, na którym przerywasz zdanie, żeby złapać oddech, to okolice progu.

Dryf tętna. Jeśli w godzinnej równej jeździe stosunek mocy do tętna spada o więcej niż kilka procent, jechałeś raczej nad progiem niż pod nim. To praktyka trenerska, szczegóły są w tekście o decouplingu.

Mleczan z palca. Dwa z trzech przenośnych analizatorów myliły się typowo o 0,4–0,5 mmol/l wobec laboratoryjnego, a granice zgodności sięgały 2,1 mmol/l. Trzeci był gorszy (Tanner i in. 2010). Przy progu tlenowym, w okolicy 1,5–2 mmol/l, błąd 0,4 mmol/l to dużo.

W UAE Team Emirates strefę 2 wyznacza się z laboratoryjnego testu schodkowego – jej górna część to 1,5–1,8 mmol/l mleczanu (Swart, 18.07.2025). To praktyka zespołu z własnym laboratorium. Z analizatorem z palca patrz na kształt krzywej i powtarzaj test z dokładnie takimi samymi stopniami.

Tętno maksymalne, LTHR i tętno po jeździe

Tętno maksymalne. Wzór 208 − 0,7 × wiek wyszedł z danych 18 712 osób (Tanaka i in. 2001). Wzory opisują jednak średnią grupy. Mylą się przeciętnie o ok. 11–12 ud./min, a u ciebie mogą chybić o 20 (Sarzynski i in. 2013; Nes i in. 2013).

Lepiej je zmierzyć. Po rozgrzewce jedź 4–5 min pod górę na maksimum, z finiszem z siodła, na pasku. Weź najwyższą wartość z kilku prób. Do stref i tak potrzebujesz progu, nie maksimum, o czym piszemy w tekście o strefach.

LTHR z 20 albo 30 minut. W teście Friela jedziesz 30 min samotnie na maksimum, a LTHR, czyli tętno progowe, to średnie tętno z ostatnich 20 min. W teście 20-minutowym bierze się średnią z całości. To praktyka trenerska.

Pośrednio wspiera ją jedno badanie: tętno z testu FTP różniło się od tętna przy MLSS średnio o −1,4%, ale z rozrzutem ± 8,2%. U pojedynczej osoby to kilkanaście uderzeń (Borszcz i in. 2019).

LTHR wychodzi za niskie, gdy zaczynasz za mocno i gaśniesz, gdy test jest za krótki, żeby tętno się ustabilizowało, albo gdy jedziesz zmęczony. Za wysokie wychodzi w upale i przy odwodnieniu. Nie przestawiaj stref po jednym teście. Automatyczny próg z zegarka mylił się u 100 biegaczy średnio o 9–11 ud./min (Lu i in. 2025).

Spadek tętna po jeździe (HRR60). U wytrenowanych tętno w pierwszej minucie po jeździe spada szybciej. Zależy to jednak od temperatury, intensywności i długości jazdy, więc bez stałego testu nie ma czego porównywać (Daanen i in. 2012).

Taki stały test to schemat Lambertsa: trzy stopnie przy ustalonych procentach tętna maksymalnego i minuta odpoczynku. Zmienność rytmu serca z 60 s po teście była bardzo powtarzalna (ICC 0,97) i wiązała się z mocą szczytową (Lamberts i in. 2024). Progu z tego nie wyznaczysz, ale to cotygodniowy sprawdzian formy z tego samego paska.

Co mówią badania

Wartość 0,75 jest umowna. Próg liczony indywidualnie, między maksimum α1 a 0,5, zgadzał się z progiem wymiany gazowej lepiej niż stałe 0,75 (Rogers i in. 2024). U elitarnych kolarzy 0,5 różniło się od LT2 (Mateo-March i in. 2023), a u wytrenowanych amatorów się z nim zgadzało (Fleitas-Paniagua i in. 2024).

Wzory na tętno maksymalne sprawdzono na dużych grupach. W HERITAGE, na 762 osobach na cykloergometrze, błąd standardowy wyniósł 12,4 ud./min dla 220 − wiek i 11,4 dla wzoru Tanaki (Sarzynski i in. 2013). W HUNT, na 3320 osobach, najlepszy wzór mylił się o 10,8 (Nes i in. 2013).

Co z tym zrobić

  1. Włącz zapis odstępów R–R w liczniku i jedź na pasku na klatce.
  2. Co 4–8 tygodni zrób na trenażerze rampę albo stopnie 2–3 min do drugiego progu. Na każdym stopniu czytaj na głos fragment tekstu.
  3. Policz α1 skryptem albo w aplikacji. Przy ponad 5% artefaktów popraw pasek i powtórz. Próg to tętno i moc, przy których wygładzona krzywa przecina 0,75.
  4. Porównaj wynik z testem mowy. Przy różnicy ponad ok. 10 ud./min przyjmij niższą wartość, bo u amatorów α1 częściej zawyża.
  5. Sufit strefy 2 ustaw kilka uderzeń pod progiem i sprawdź dryfem tętna w 2-godzinnej równej jeździe.
  6. Tętno maksymalne zmierz, nie licz. LTHR potwierdź drugim testem. Progi z zegarka to tylko sugestia.

α1 i tętno po wysiłku to wskaźniki treningowe, nie badanie serca. Jeśli w zapisie odstępów widzisz regularne „podwójne” uderzenia, których nie tłumaczy pasek, albo masz kołatanie, zawroty głowy czy ból w klatce – zejdź z roweru i idź do lekarza, z tym zapisem.

Źródła

  1. Peng CK, Havlin S, Stanley HE, Goldberger AL (1995). Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series. Chaos, 5(1), 82–87. doi:10.1063/1.166141
  2. Gronwald T, Rogers B, Hoos O (2020). Fractal Correlation Properties of Heart Rate Variability: A New Biomarker for Intensity Distribution in Endurance Exercise and Training Prescription? Frontiers in Physiology, 11, 550572. doi:10.3389/fphys.2020.550572
  3. Rogers B, Giles D, Draper N, Hoos O, Gronwald T (2021a). A New Detection Method Defining the Aerobic Threshold for Endurance Exercise and Training Prescription Based on Fractal Correlation Properties of Heart Rate Variability. Frontiers in Physiology, 11, 596567. doi:10.3389/fphys.2020.596567
  4. Rogers B, Giles D, Draper N, Mourot L, Gronwald T (2021b). Detection of the Anaerobic Threshold in Endurance Sports: Validation of a New Method Using Correlation Properties of Heart Rate Variability. Journal of Functional Morphology and Kinesiology, 6(2), 38. doi:10.3390/jfmk6020038
  5. Rogers B, Giles D, Draper N, Mourot L, Gronwald T (2021c). Influence of Artefact Correction and Recording Device Type on the Practical Application of a Non-Linear Heart Rate Variability Biomarker for Aerobic Threshold Determination. Sensors, 21(3), 821. doi:10.3390/s21030821
  6. Rogers B, Gronwald T (2022). Fractal Correlation Properties of Heart Rate Variability as a Biomarker for Intensity Distribution and Training Prescription in Endurance Exercise: An Update. Frontiers in Physiology, 13, 879071. doi:10.3389/fphys.2022.879071
  7. Rogers B, Berk S, Gronwald T (2022). An Index of Non-Linear HRV as a Proxy of the Aerobic Threshold Based on Blood Lactate Concentration in Elite Triathletes. Sports, 10(2), 25. doi:10.3390/sports10020025
  8. Mateo-March M, Moya-Ramón M, Javaloyes A, Sánchez-Muñoz C, Clemente-Suárez VJ (2023). Validity of detrended fluctuation analysis of heart rate variability to determine intensity thresholds in elite cyclists. European Journal of Sport Science, 23(4), 580–587. doi:10.1080/17461391.2022.2047228
  9. Schaffarczyk M, Rogers B, Reer R, Gronwald T (2023). Validation of a non-linear index of heart rate variability to determine aerobic and anaerobic thresholds during incremental cycling exercise in women. European Journal of Applied Physiology, 123(2), 299–309. doi:10.1007/s00421-022-05050-x
  10. Fleitas-Paniagua PR, Marinari G, Rasica L, Rogers B, Murias JM (2024). Heart Rate Variability Thresholds: Agreement with Established Approaches and Reproducibility in Trained Females and Males. Medicine & Science in Sports & Exercise, 56(7), 1317–1327. doi:10.1249/MSS.0000000000003412
  11. Rogers B, Fleitas-Paniagua PR, Murias JM (2024). Improving the Agreement Between the First Heart-Rate-Variability Threshold and the Gas-Exchange Threshold. International Journal of Sports Physiology and Performance, 19(12), 1434–1443. doi:10.1123/ijspp.2024-0143
  12. Fleitas-Paniagua PR, de Almeida Azevedo R, Trpcic M, Murias JM, Rogers B (2023). Effect of ramp slope on intensity thresholds based on correlation properties of heart rate variability during cycling. Physiological Reports, 11(15), e15782. doi:10.14814/phy2.15782
  13. Hassanein YE, Rogers B, Ibrahim D, Fleitas-Paniagua PR, Murias JM, Townsend NE (2025). Do Agreements between HRV and Gas Exchange Thresholds Still Hold under Hypoxic Conditions? Medicine & Science in Sports & Exercise, 57(9), 2062–2072. doi:10.1249/MSS.0000000000003744
  14. Rogers B, Schaffarczyk M, Gronwald T (2023). Improved Estimation of Exercise Intensity Thresholds by Combining Dual Non-Invasive Biomarker Concepts: Correlation Properties of Heart Rate Variability and Respiratory Frequency. Sensors, 23(4), 1973. doi:10.3390/s23041973
  15. Gilgen-Ammann R, Schweizer T, Wyss T (2019). RR interval signal quality of a heart rate monitor and an ECG Holter at rest and during exercise. European Journal of Applied Physiology, 119(7), 1525–1532. doi:10.1007/s00421-019-04142-5
  16. Schaffarczyk M, Rogers B, Reer R, Gronwald T (2022). Validity of the Polar H10 Sensor for Heart Rate Variability Analysis during Resting State and Incremental Exercise in Recreational Men and Women. Sensors, 22(17), 6536. doi:10.3390/s22176536
  17. Rogers B, Murias JM, Fleitas-Paniagua PR (2026). Validity of an open-source mobile app to measure fractal correlation properties of heart rate variability during exercise. European Journal of Applied Physiology, 126(4), 2023–2035. doi:10.1007/s00421-025-06037-0
  18. Andriolo S, Rummel M, Gronwald T (2024). Relationship of Cycling Power and Non-Linear Heart Rate Variability from Everyday Workout Data: Potential for Intensity Zone Estimation and Monitoring. Sensors, 24(14), 4468. doi:10.3390/s24144468
  19. Olieslagers A, Müller-Jabusch Y, De Maeseneer J, Seynaeve M, de Beukelaar TT (2026). Fractal Correlation Properties of Heart Rate Variability Differentiates Training Intensity During and After Energy-Matched Cycling Sessions. Medicine & Science in Sports & Exercise, online 14.09.2026. doi:10.1249/MSS.0000000000004146
  20. Rogers B, Fleitas-Paniagua PR, Trpcic M, Zagatto AM, Murias JM (2025). Fractal correlation properties of heart rate variability and respiratory frequency as measures of endurance exercise durability. European Journal of Applied Physiology, 125(6), 1619–1631. doi:10.1007/s00421-025-05716-2
  21. Rayo Martín F, Gronwald T, Düking P (2026). Kinetics of submaximal DFA α1 prior and post maximal efforts in trained and highly trained male and female cyclists. European Journal of Applied Physiology, 126(10), 5461–5474. doi:10.1007/s00421-026-06267-w
  22. Bok D, Rakovac M, Foster C (2022). An Examination and Critique of Subjective Methods to Determine Exercise Intensity: The Talk Test, Feeling Scale, and Rating of Perceived Exertion. Sports Medicine, 52(9), 2085–2109. doi:10.1007/s40279-022-01690-3
  23. Tanner RK, Fuller KL, Ross MLR (2010). Evaluation of three portable blood lactate analysers: Lactate Pro, Lactate Scout and Lactate Plus. European Journal of Applied Physiology, 109(3), 551–559. doi:10.1007/s00421-010-1379-9
  24. Tanaka H, Monahan KD, Seals DR (2001). Age-predicted maximal heart rate revisited. Journal of the American College of Cardiology, 37(1), 153–156. doi:10.1016/S0735-1097(00)01054-8
  25. Sarzynski MA, Rankinen T, Earnest CP, i in. (2013). Measured maximal heart rates compared to commonly used age-based prediction equations in the Heritage Family Study. American Journal of Human Biology, 25(5), 695–701. doi:10.1002/ajhb.22431
  26. Nes BM, Janszky I, Wisløff U, Støylen A, Karlsen T (2013). Age-predicted maximal heart rate in healthy subjects: The HUNT Fitness Study. Scandinavian Journal of Medicine & Science in Sports, 23(6), 697–704. doi:10.1111/j.1600-0838.2012.01445.x
  27. Borszcz FK, Tramontin AF, Costa VP (2019). Is the Functional Threshold Power Interchangeable With the Maximal Lactate Steady State in Trained Cyclists? International Journal of Sports Physiology and Performance, 14(8), 1029–1035. doi:10.1123/ijspp.2018-0572
  28. Lu C, Cui W, Zhu Z, i in. (2025). Validity of smartwatch-derived estimates of lactate threshold heart rate and pace compared to graded exercise testing. Frontiers in Physiology, 16, 1621996. doi:10.3389/fphys.2025.1621996
  29. Daanen HA, Lamberts RP, Kallen VL, Jin A, Van Meeteren NL (2012). A Systematic Review on Heart-Rate Recovery to Monitor Changes in Training Status in Athletes. International Journal of Sports Physiology and Performance, 7(3), 251–260. doi:10.1123/ijspp.7.3.251
  30. Lamberts RP, van Erp T, Javaloyes A, Eken MM, Langerak NG, Tam N (2024). Reliability of recovery heart rate variability measurements as part of the Lamberts Submaximal Cycle Test and the relationship with training status in trained to elite cyclists. European Journal of Applied Physiology, 124(6), 1659–1668. doi:10.1007/s00421-023-05385-z
  31. Friel J (2009; na TrainingPeaks od 2012, aktualizacja 2026). Joe Friel’s Quick Guide to Setting Zones. TrainingPeaks – praktyka trenerska (test 30 min na LTHR), nie badanie z recenzją. https://www.trainingpeaks.com/blog/joe-friel-s-quick-guide-to-setting-zones/
  32. Swart J (18.07.2025). Inside the Ride with Jeroen Swart – Head of Performance UAE Team Emirates. Podcast MyWhoosh, zapis na Science to Sport – praktyka zespołu UAE, nie badanie z recenzją. https://www.sciencetosport.com/media/inside-the-ride–episode-26–jeroen-swart—head-of-performance-uae-team-emirates/

Piszemy na podstawie badań z recenzją i udokumentowanej praktyki. Zasady redakcyjne

Czytaj dalej