Przejdź do treści

HRV na rowerze: jak mierzyć i kiedy reagować

rMSSD i lnRMSSD, noc z zegarka czy rano z paskiem, średnia 7-dniowa i pasmo normalności. Kiedy spadek HRV to sygnał, a kiedy szum – ze skryptem w Pythonie.

Zmienność rytmu serca (HRV) pokazuje, jak mocno nerw błędny hamuje serce w spoczynku. Pojedyncza noc nie nadaje się do decyzji – liczy się średnia z tygodnia na tle własnej normy, do tego tętno w nocy i samopoczucie. Wysoka wartość nie zawsze jest dobra, a niska nie zawsze znaczy „odpuść”.

W skrócie

  • Najprostszą miarą jest rMSSD, które prawie nie zależy od oddechu. lnRMSSD to jego logarytm, wygodniejszy do liczenia średnich.
  • Normy wieku dotyczą populacji. Między zdrowymi ludźmi w tym samym wieku różnice są wielokrotne, więc porównuj się tylko ze sobą.
  • Noc z nadgarstka ma błąd rzędu 10% wobec EKG, a pasek na klatce rano – poniżej 1% w odstępach R–R. Noc daje trend, poranek decyzję.
  • Mierz co najmniej 3 razy w tygodniu. Patrz na średnią 7-dniową na tle pasma „średnia ± SD” z 4 tygodni bazy.
  • Spadek po mocnej jeździe mija w 24–48 h. Dłuższy, z wyższym tętnem w nocy i gorszym samopoczuciem, to sygnał, żeby zmienić plan albo zmierzyć temperaturę.

Co liczy rMSSD, lnRMSSD i SDNN

Serce nie bije jak metronom. Odstępy między kolejnymi uderzeniami, czyli odstępy R–R, różnią się o kilkadziesiąt milisekund, a wielkość tych różnic zależy głównie od nerwu błędnego.

rMSSD bierze różnice między sąsiednimi odstępami, podnosi je do kwadratu, uśrednia i wyciąga pierwiastek. Rośnie, gdy nerw błędny mocniej hamuje serce. Gdy nerw błędny zablokowano lekiem, rMSSD spadło o 97%, a zmiana tempa oddechu prawie go nie ruszyła (Penttilä i in. 2001). Dlatego w sporcie mierzy się właśnie rMSSD.

lnRMSSD to logarytm naturalny rMSSD. Dzięki niemu spadek o 0,1 znaczy tyle samo przy 40 ms co przy 100 ms, a średnie i odchylenia nie są zniekształcone. Plews i Buchheit pracują na lnRMSSD, my też.

SDNN to odchylenie standardowe wszystkich odstępów. W zapisie całodobowym opisuje rytm dobowy, a w 5-minutowym miesza obie części układu autonomicznego.

Norma wieku istnieje, ale nie dla ciebie

Zmienność rytmu serca spada z wiekiem. U ponad 8 mln użytkowników opasek Fitbit rMSSD malało z każdą dekadą (Natarajan i in. 2020). U zdrowych osób w szóstej dekadzie życia było o 53% niższe niż w drugiej (Umetani i in. 1998).

U 28 tys. użytkowników aplikacji korelacja z wiekiem wyniosła r = −0,35, z płcią zero, a z aktywnością fizyczną ledwie 0,21 (Altini i Plews 2021).

Norma wieku to jednak środek bardzo szerokiego rozkładu. W 44 badaniach zdrowych osób różnice między ludźmi sięgały kilku rzędów wielkości (Nunan i in. 2010). Plews i in. (2013a) mówią o „indywidualnym odcisku palca”, który poznaje się przez tygodnie pomiarów. Sensowna norma to twoja własna średnia.

Noc z zegarka czy rano z paskiem

Zegarek liczy odstępy między uderzeniami optycznie, z nadgarstka, a pasek – z sygnału elektrycznego, jak EKG. W porównaniu z EKG na 536 nocach Garmin Fenix 6 mylił się średnio o 10,5%, Polar Grit X Pro o 16,3%, Whoop 4.0 o 8,2%, a pierścienie Oura o 6,0–7,2% (Dial i in. 2025).

Do tego dokładność optyki sprawdzona w kontrolowanych warunkach nie przenosi się na sen (Xu i in. 2026).

Pasek z elektrodami to inna liga. Polar H10 wykrył poprawnie 99,6% odstępów R–R, lepiej niż medyczny holter w tym samym badaniu (Gilgen-Ammann i in. 2019). W pojedynczym pomiarze pasek H7 i aparat w telefonie różniły się od EKG o ok. 6%, ale średnie różnice były pomijalne (Plews i in. 2017).

Wystarczy krótki pomiar. Minuta zapisu dawała to samo co pięć, a czekanie na uspokojenie przed pomiarem było zbędne (Pereira i in. 2016). Buchheit (2014) zaleca krótkie pomiary niemal codziennie, na leżąco.

W UAE Team Emirates używają obu sposobów. Według Jeroena Swarta średnia z najgłębszego snu z pierścienia opisuje ogólny stan – „jeśli zachorujesz, spadnie”. O tym, czy danego dnia trenować, więcej mówi jednak minuta lub dwie z paskiem po przebudzeniu, porównywane dzień do dnia (Swart 2025). To praktyka, nie badanie, ale zgodna z walidacjami.

Jak liczyć: średnia 7-dniowa, pasmo normalności, CV

Jeden dzień nic nie mówi. U biegaczy po 9 tygodniach treningu zmiana wydolności nie wiązała się z pomiarem z jednego dnia, ale silnie wiązała się ze średnią z tygodnia (Plews i in. 2013b). Wystarczą 3 poprawne pomiary w tygodniu (Plews i in. 2014).

Pasmo normalności liczysz ze swojej bazy. Kolarze w badaniu Javaloyesa i in. (2019) zbierali ją przez 4 tygodnie zwykłego treningu. Kiviniemi i in. (2007) zmieniali trening, gdy wartość spadała poniżej „średniej z 10 dni minus odchylenie” dwa dni z rzędu.

Pojedynczy odczyt poza pasmem to częściej szum niż sygnał. Typowy błąd lnRMSSD to ok. 12%, a najmniejsza istotna zmiana – ok. 3% (Buchheit 2014). Coś znaczy dopiero średnia tygodniowa poza pasmem. Baza z 4–6 tygodni to praktyka; ważne, żeby pochodziła z normalnego treningu, bez choroby.

Trzecia liczba to współczynnik zmienności z 7 dni (CV), czyli odchylenie podzielone przez średnią. U elitarnego triathlonisty CV spadał przez tygodnie przed przeciążeniem niefunkcjonalnym (Plews i in. 2012). U piłkarek spadek CV na początku przygotowań szedł w parze z poprawą wyniku (Flatt i Esco 2016). CV czytaj razem ze średnią.

Skrypt poniżej liczy to z pliku CSV o kolumnach data,rmssd. Dane są przykładowe, nie z pomiarów autora.

# hrv7.py – średnia 7-dniowa lnRMSSD, pasmo normalności, flaga "poniżej normy"
# Wejście: CSV z kolumnami data,rmssd (ms). Dane przykładowe, nie pomiar autora.
import csv, math, statistics as st, sys

BAZA_DNI = 28   # okno bazowe (4 tygodnie) – praktyka, nie wynik badania
OKNO = 7        # średnia krocząca

wiersze = [(r["data"], float(r["rmssd"])) for r in csv.DictReader(open(sys.argv[1]))]
ln = [math.log(v) for _, v in wiersze]            # lnRMSSD
baza = ln[:BAZA_DNI]
srednia, sd = st.mean(baza), st.stdev(baza)
dol, gora = srednia - sd, srednia + sd             # pasmo normalności: średnia ± SD
print(f"baza {BAZA_DNI} dni: lnRMSSD {srednia:.2f} ± {sd:.2f}  (pasmo {dol:.2f}–{gora:.2f})")

for i in range(OKNO - 1, len(ln)):
    okno = ln[i - OKNO + 1:i + 1]
    sr7 = st.mean(okno)
    cv7 = st.stdev(okno) / sr7 * 100              # CV z 7 dni w %
    flaga = "PONIŻEJ NORMY" if sr7 < dol else ("powyżej" if sr7 > gora else "ok")
    print(f"{wiersze[i][0]}  rMSSD {wiersze[i][1]:5.1f}  śr7 {sr7:.2f}  CV7 {cv7:4.1f}%  {flaga}")

W 42 dniach przykładowych danych ostatnie 10 dni ma obniżoną wartość. Pojedyncze niskie odczyty nie zmieniają flagi, bo średnia tygodniowa trzyma się pasma. „Poniżej normy” zapala się, gdy spadek trwa, i nie gaśnie po jednym wyższym odczycie. Tak ma być.

Dlaczego wysoka wartość nie zawsze jest dobra

Zasada „wyżej znaczy lepiej” działa do pewnego momentu. Trening, który poprawiał wynik, podnosił rMSSD w spoczynku. Przeciążenie, po którym wynik spadał, też je podnosiło, tylko mniej (Bellenger i in. 2016a).

U triathlonistów przeciążonych 3-tygodniowym blokiem średnia tygodniowa lnRMSSD wzrosła, a pomiary raz w tygodniu niczego nie wykryły. Po odpoczynku wszystko wróciło (Le Meur i in. 2013). U kolarzy po 2 tygodniach mocnego treningu rMSSD rosło, a moc w 5-minutowej próbie spadała (Bellenger i in. 2017).

To nadaktywność przywspółczulna. Bez oceny, jak znosisz trening, samej zmienności rytmu nie da się zinterpretować (Bellenger i in. 2016b).

Drugi powód to nasycenie. U sportowców z bardzo niskim tętnem w spoczynku rMSSD potrafi spadać mimo dalszego spadku tętna, bo przy długich odstępach R–R zmienność przestaje rosnąć. Plews i in. (2013a) radzą wtedy liczyć lnRMSSD w stosunku do średniego odstępu R–R.

Amatora dotyczy to rzadziej. Jeśli jednak zmienność od miesięcy stoi, a tętno w nocy dalej spada, to nie jest stagnacja.

Przeciążenie funkcjonalne to krótki spadek wyniku, po którym przychodzi poprawa. Niefunkcjonalne nie mija po kilku dniach odpoczynku i daje objawy psychiczne i hormonalne (Meeusen i in. 2013).

W funkcjonalnym średnia tygodniowa rMSSD raczej rośnie albo stoi, a tętno w spoczynku bywa niższe (Le Meur i in. 2013). Spadają za to wskaźniki przywspółczulne mierzone w głębokim śnie (Dupuy i in. 2013). W niefunkcjonalnym, w jedynym przypadku opisanym dzień po dniu, średnia 7-dniowa opadała przez tygodnie, a CV malał (Plews i in. 2012).

Mocna jazda czy początek choroby

Aktywność nerwu błędnego wraca do normy w ciągu 24 h po spokojnej jeździe, 24–48 h po treningu progowym i co najmniej 48 h po mocnych interwałach. Intensywność znaczy więcej niż długość, a lepiej wytrenowani wracają szybciej (Stanley i in. 2013). Spadek rano po wyścigu albo teście FTP mija w dwa dni.

Choroba wygląda inaczej. W 9 mln pomiarów z aplikacji trening zmieniał rMSSD średnio o 4,6%, a tętno o 1,3%. Choroba obniżała rMSSD o 10% i podnosiła tętno o 6%, podobnie jak duża dawka alkoholu (Altini i Plews 2021).

U zawodniczek z opaską WHOOP oddech w nocy przyspieszał już 3 dni przed dodatnim testem na COVID-19, a tętno rosło i rMSSD spadało dzień przed (Rentería i in. 2024). Wzrost tętna w nocy o 5–6% ponad bazę razem ze spadkiem zmienności to więc inny obraz niż sam spadek rMSSD po mocnym dniu.

Zegarek nie wykryje jednak infekcji za ciebie. U 470 pracowników ochrony zdrowia najwyżej jeden alert na dziesięć oznaczał infekcję. Resztę dawały mocny trening, słaby sen, stres i alkohol (Esmaeilpour i in. 2024). Zegarek nie odróżni zapalenia gardła od wesela, a termometr tak.

Co poza treningiem obniża zmienność rytmu

  • Alkohol. U 4098 osób już mała dawka, do 0,25 g/kg (przy 80 kg mniej więcej jedno duże piwo), osłabiała regulację przywspółczulną w pierwszych 3 godzinach snu. Wskaźnik regeneracji spadał o 9, 24 i 39 punktów procentowych przy małej, średniej i dużej dawce (Pietilä i in. 2018). W laboratorium 0,5 i 1,0 g/kg alkoholu przed snem obniżało zmienność przez całą noc (Sagawa i in. 2011).
  • Infekcja. rMSSD spada o ok. 10%, a tętno rośnie o 6% (Altini i Plews 2021). Oddech przyspiesza jeszcze wcześniej (Rentería i in. 2024).
  • Krótki sen, stres, podróż. To one dawały fałszywe alarmy w algorytmie wykrywania infekcji (Esmaeilpour i in. 2024). Przegląd Lundstroma i in. (2023) wymienia styl życia obok obciążenia treningowego jako główne źródło zmian. Liczby dla konkretnej długości snu u kolarzy nie znaleźliśmy.
  • Późny posiłek, kofeina wieczorem, upał. Pojawiają się w poradnikach, ale nie znaleźliśmy badania u sportowców z liczbą do zacytowania. Notuj je przy pomiarze i sprawdzaj na własnych danych.
  • Cykl miesiączkowy. Między fazą folikularną a lutealną rMSSD różni się o ok. 3,2% (Altini i Plews 2021). Część aplikacji liczy bazę osobno dla każdej fazy.

Krótka ankieta rano kontra zegarek

Hooper i Mackinnon (1995) zaproponowali codzienną ocenę snu, zmęczenia, stresu i bolesności mięśni w skali 1–7. Suma to indeks Hoopera.

Takie proste oceny reagują na obciążenie czulej niż obiektywne pomiary, w tym tętno i zmienność rytmu (Saw i in. 2016).

U 30 amatorów na 8-dniowej imprezie kolarskiej żaden parametr fizjologiczny nie odróżnił zwykłego zmęczenia od przeciążenia. Za to zmiana zmęczenia i gotowości na prostych skalach po 3 dniach trafnie rozdzieliła 78% osób na zwykle zmęczonych i przeciążonych (ten Haaf i in. 2017).

Według Swarta w danych UAE potrzebę odpoczynku najlepiej przewidywał bilans obciążenia (TSB), a zaraz po nim cotygodniowa ankieta o samopoczuciu i zmęczeniu. Zmienność rytmu i sen były dalej.

Zegarek widzi układ nerwowy, a ankieta – nogi, głowę i motywację. Żaden pojedynczy wskaźnik nie ma mocnych dowodów (Halson 2014). Gdy ankieta i pasek mówią to samo, decyzja jest prosta. Gdy się rozjeżdżają, rację ma zwykle ankieta i moc z jazdy.

Niskie tętno w spoczynku u wytrenowanego kolarza jest typowe, ale zegarek nie odróżnia bradykardii treningowej od zaburzeń rytmu. Jeśli w zapisach nocnych widzisz nieregularności albo masz omdlenia, kołatanie serca czy duszność nieproporcjonalną do wysiłku, nie interpretuj tego z aplikacji. Zejdź z roweru i idź do lekarza, najlepiej z zapisem R–R z paska.

Co mówią badania

W metaanalizie 24 badań trening poprawiający wynik podnosił rMSSD wyraźniej (SMD 0,58) niż przeciążenie (SMD 0,26) (Bellenger i in. 2016a). Korelacja zmiany wydolności z pomiarem z jednego dnia wyniosła −0,06, a ze średnią tygodniową 0,72 (Plews i in. 2013b).

U triathlonistów korelacje z wynikiem rosły do 3–4 dni uśredniania, a dalej już nie (Plews i in. 2014). W opisanym przypadku przeciążenia średnia 7-dniowa spadała o 0,17 tygodniowo, a u zawodnika, z którym go porównano, CV był stały (Plews i in. 2012). U piłkarek korelacja spadku CV z poprawą wyniku wyniosła −0,74 (Flatt i Esco 2016).

Spadek o 53% z wiekiem Umetani i in. (1998) zmierzyli u 260 osób, a przegląd Nunana i in. (2010) objął 21 438 zdrowych osób. Trafnych było tylko 4–10% alarmów algorytmu wykrywania infekcji (Esmaeilpour i in. 2024).

Co z tym zrobić

  1. Wybierz jeden sposób na stałe: pasek na klatce rano, na leżąco, 1–5 min, po toalecie i przed telefonem. Noc z zegarka to trend, nie decyzja.
  2. Zbierz 4 tygodnie bazy w normalnym treningu. Policz średnią i SD z lnRMSSD i zapisz pasmo.
  3. Patrz na średnią z 7 dni (minimum 3 pomiary w tygodniu) i na CV. Pojedynczy odczyt poza pasmem ignoruj, chyba że pokrywa się z gorączką.
  4. Średnia 7-dniowa pod pasmem przez 2–3 dni, tętno w nocy wyżej o kilka procent i gorsze odpowiedzi w ankiecie o sen i zmęczenie? Zamień interwały na strefę 2 albo dzień wolny i zmierz temperaturę. Moc z jazdy i decoupling powiedzą, czy to przeciążenie, czy zły tydzień.
  5. Średnia 7-dniowa nad pasmem przy spadającej mocy i rosnącym zmęczeniu w ankiecie to też sygnał, nie nagroda. Zanim dołożysz objętość, sprawdź odporność na zmęczenie i krótkie testy.
  6. Notuj alkohol, chorobę, podróż i krótkie noce. Tych dni nie wliczaj do bazy.
  7. Garminowy Stan HRV robi to, co skrypt wyżej, ale z nadgarstka i z nieznaną definicją normy. Traktuj go jak surowy trend; dlaczego, piszemy przy wskaźnikach Garmina.

Źródła

  1. Altini M, Plews D (2021). What Is behind Changes in Resting Heart Rate and Heart Rate Variability? A Large-Scale Analysis of Longitudinal Measurements Acquired in Free-Living. Sensors, 21(23), 7932. doi:10.3390/s21237932
  2. Bellenger CR, Fuller JT, Thomson RL, i in. (2016a). Monitoring Athletic Training Status Through Autonomic Heart Rate Regulation: A Systematic Review and Meta-Analysis. Sports Medicine, 46(10), 1461–1486. doi:10.1007/s40279-016-0484-2
  3. Bellenger CR, Karavirta L, Thomson RL, i in. (2016b). Contextualizing Parasympathetic Hyperactivity in Functionally Overreached Athletes With Perceptions of Training Tolerance. International Journal of Sports Physiology and Performance, 11(5), 685–692. doi:10.1123/ijspp.2015-0495
  4. Bellenger CR, Thomson RL, Robertson EY, i in. (2017). The effect of functional overreaching on parameters of autonomic heart rate regulation. European Journal of Applied Physiology, 117(3), 541–550. doi:10.1007/s00421-017-3549-5
  5. Buchheit M (2014). Monitoring training status with HR measures: do all roads lead to Rome? Frontiers in Physiology, 5, 73. doi:10.3389/fphys.2014.00073
  6. Dial MB, Hollander ME, Vatne EA, i in. (2025). Validation of nocturnal resting heart rate and heart rate variability in consumer wearables. Physiological Reports, 13(16), e70527. doi:10.14814/phy2.70527
  7. Dupuy O, Bherer L, Audiffren M, Bosquet L (2013). Night and postexercise cardiac autonomic control in functional overreaching. Applied Physiology, Nutrition, and Metabolism, 38(2), 200–208. doi:10.1139/apnm-2012-0203
  8. Esmaeilpour Z, Natarajan A, Su HW, i in. (2024). Detection of Common Respiratory Infections, Including COVID-19, Using Consumer Wearable Devices in Health Care Workers: Prospective Model Validation Study. JMIR Formative Research, 8, e53716. doi:10.2196/53716
  9. Flatt AA, Esco MR (2016). Evaluating Individual Training Adaptation With Smartphone-Derived Heart Rate Variability in a Collegiate Female Soccer Team. Journal of Strength and Conditioning Research, 30(2), 378–385. doi:10.1519/JSC.0000000000001095
  10. 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
  11. Halson SL (2014). Monitoring Training Load to Understand Fatigue in Athletes. Sports Medicine, 44(S2), 139–147. doi:10.1007/s40279-014-0253-z
  12. Hooper SL, Mackinnon LT (1995). Monitoring Overtraining in Athletes. Recommendations. Sports Medicine, 20(5), 321–327. doi:10.2165/00007256-199520050-00003
  13. Javaloyes A, Sarabia JM, Lamberts RP, Moya-Ramon M (2019). Training Prescription Guided by Heart-Rate Variability in Cycling. International Journal of Sports Physiology and Performance, 14(1), 23–32. doi:10.1123/ijspp.2018-0122
  14. Kiviniemi AM, Hautala AJ, Kinnunen H, Tulppo MP (2007). Endurance training guided individually by daily heart rate variability measurements. European Journal of Applied Physiology, 101(6), 743–751. doi:10.1007/s00421-007-0552-2
  15. Le Meur Y, Pichon A, Schaal K, i in. (2013). Evidence of Parasympathetic Hyperactivity in Functionally Overreached Athletes. Medicine & Science in Sports & Exercise, 45(11), 2061–2071. doi:10.1249/MSS.0b013e3182980125
  16. Lundstrom CJ, Foreman NA, Biltz G (2023). Practices and Applications of Heart Rate Variability Monitoring in Endurance Athletes. International Journal of Sports Medicine, 44(1), 9–19. doi:10.1055/a-1864-9726
  17. Meeusen R, Duclos M, Foster C, i in. (2013). Prevention, Diagnosis, and Treatment of the Overtraining Syndrome: Joint Consensus Statement of the European College of Sport Science and the American College of Sports Medicine. Medicine & Science in Sports & Exercise, 45(1), 186–205. doi:10.1249/MSS.0b013e318279a10a
  18. Natarajan A, Pantelopoulos A, Emir-Farinas H, Natarajan P (2020). Heart rate variability with photoplethysmography in 8 million individuals: a cross-sectional study. The Lancet Digital Health, 2(12), e650–e657. doi:10.1016/S2589-7500(20)30246-6
  19. Nunan D, Sandercock GRH, Brodie DA (2010). A Quantitative Systematic Review of Normal Values for Short-Term Heart Rate Variability in Healthy Adults. Pacing and Clinical Electrophysiology, 33(11), 1407–1417. doi:10.1111/j.1540-8159.2010.02841.x
  20. Penttilä J, Helminen A, Jartti T, i in. (2001). Time domain, geometrical and frequency domain analysis of cardiac vagal outflow: effects of various respiratory patterns. Clinical Physiology, 21(3), 365–376. doi:10.1046/j.1365-2281.2001.00337.x
  21. Pereira LA, Flatt AA, Ramirez-Campillo R, i in. (2016). Assessing Shortened Field-Based Heart-Rate-Variability-Data Acquisition in Team-Sport Athletes. International Journal of Sports Physiology and Performance, 11(2), 154–158. doi:10.1123/ijspp.2015-0038
  22. Pietilä J, Helander E, Korhonen I, i in. (2018). Acute Effect of Alcohol Intake on Cardiovascular Autonomic Regulation During the First Hours of Sleep in a Large Real-World Sample of Finnish Employees: Observational Study. JMIR Mental Health, 5(1), e23. doi:10.2196/mental.9519
  23. Plews DJ, Laursen PB, Kilding AE, Buchheit M (2012). Heart rate variability in elite triathletes, is variation in variability the key to effective training? A case comparison. European Journal of Applied Physiology, 112(11), 3729–3741. doi:10.1007/s00421-012-2354-4
  24. Plews DJ, Laursen PB, Stanley J, i in. (2013a). Training Adaptation and Heart Rate Variability in Elite Endurance Athletes: Opening the Door to Effective Monitoring. Sports Medicine, 43(9), 773–781. doi:10.1007/s40279-013-0071-8
  25. Plews DJ, Laursen PB, Kilding AE, Buchheit M (2013b). Evaluating Training Adaptation With Heart-Rate Measures: A Methodological Comparison. International Journal of Sports Physiology and Performance, 8(6), 688–691. doi:10.1123/ijspp.8.6.688
  26. Plews DJ, Laursen PB, Le Meur Y, i in. (2014). Monitoring Training With Heart-Rate Variability: How Much Compliance Is Needed for Valid Assessment? International Journal of Sports Physiology and Performance, 9(5), 783–790. doi:10.1123/ijspp.2013-0455
  27. Plews DJ, Scott B, Altini M, i in. (2017). Comparison of Heart-Rate-Variability Recording With Smartphone Photoplethysmography, Polar H7 Chest Strap, and Electrocardiography. International Journal of Sports Physiology and Performance, 12(10), 1324–1328. doi:10.1123/ijspp.2016-0668
  28. Rentería LI, Greenwalt CE, Johnson S, i in. (2024). Early Detection of COVID-19 in Female Athletes Using Wearable Technology. Sports Health: A Multidisciplinary Approach, 16(4), 512–517. doi:10.1177/19417381231183709
  29. Sagawa Y, Kondo H, Matsubuchi N, i in. (2011). Alcohol Has a Dose-Related Effect on Parasympathetic Nerve Activity During Sleep. Alcoholism: Clinical and Experimental Research, 35(11), 2093–2100. doi:10.1111/j.1530-0277.2011.01558.x
  30. Saw AE, Main LC, Gastin PB (2016). Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. British Journal of Sports Medicine, 50(5), 281–291. doi:10.1136/bjsports-2015-094758
  31. Stanley J, Peake JM, Buchheit M (2013). Cardiac Parasympathetic Reactivation Following Exercise: Implications for Training Prescription. Sports Medicine, 43(12), 1259–1277. doi:10.1007/s40279-013-0083-4
  32. ten Haaf T, van Staveren S, Oudenhoven E, i in. (2017). Prediction of Functional Overreaching From Subjective Fatigue and Readiness to Train After Only 3 Days of Cycling. International Journal of Sports Physiology and Performance, 12(s2), S2-87–S2-94. doi:10.1123/ijspp.2016-0404
  33. Umetani K, Singer DH, McCraty R, Atkinson M (1998). Twenty-Four Hour Time Domain Heart Rate Variability and Heart Rate: Relations to Age and Gender Over Nine Decades. Journal of the American College of Cardiology, 31(3), 593–601. doi:10.1016/S0735-1097(97)00554-8
  34. Xu S, Liu H, Liu Z, Su P, Gu Z (2026). Accuracy of Photoplethysmography-Derived Pulse Rate Variability Compared with Electrocardiography-Derived Heart Rate Variability: A Systematic Review and Meta-Analysis. Sensors, 26(16), 5192. doi:10.3390/s26165192
  35. Swart J (2025). Inside the Ride, ep. 26: Jeroen Swart, Head of Performance UAE Team Emirates (MyWhoosh; transkrypcja na Science to Sport, 18.07.2025). https://www.sciencetosport.com/media/inside-the-ride–episode-26–jeroen-swart—head-of-performance-uae-team-emirates/ – praktyka zespołu, nie badanie.

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

Czytaj dalej