Parte anterior:

Tablas de carga-esfuerzo y su uso para la planificación – Parte 5

{STMr} Paquete

{STMr} (escaso de Manual de entrenamiento de fuerza R-funciones) se creó para ayudar a los científicos deportivos y entrenadores de fuerza a estimar perfiles de fuerza, crear y visualizar tablas de progresión (basadas en porcentajes) y esquemas de series y repeticiones. Originalmente {STMr} el paquete se creó como un proyecto/paquete interno para ayudarme a escribir Manual de Entrenamiento de Fuerza Volumen 3 libro, pero pronto se convirtió en un proyecto en sí mismo.

{STMr} El paquete es un paquete de código abierto bajo la licencia MIT implementado en el lenguaje R.

Este paquete se puede dividir en las siguientes unidades funcionales:

• Funciones Reps-Max (comienza con max_)
• funciones de ajuste (empezar por adj_)
• funciones de envoltorio get_reps() y get_perc_1RM() se implementan para combinar modelos Reps-Max, así como funciones de progresión (ajuste) en un formato fácil de usar
• funciones de progresión (empezar con progression_)
• planificación vertical funciones (empezar por vertical_)
• función de esquema (Empezar con scheme_)
• funciones de trazado e impresión: generate_progression_table(), plot_progression_table(), plot_scheme()y create_example()
• conjuntos de datos integrados (strength_training_log y RTF_testing)
• funciones de estimación (empezar por estimate_)

La siguiente figura muestra la relación entre {STMr} paquete de unidades funcionales:

Lo guiaré a través de cada una de estas unidades funcionales para demostrar la simplicidad, la flexibilidad, la facilidad de uso y el poder del {STMr} paquete. Para obtener más información sobre la lógica detrás de la {STMr} paquete por favor revise el Tablas de carga y esfuerzo y su uso para la planificación serie de artículos.

Instalación

Puede instalar la versión lanzada (una vez lanzada) de {STMr} de CRAN con:

install.packages("STMr")

Y la versión de desarrollo de GitHub con:

# install.packages("devtools")
devtools::install_github("mladenjovanovic/STMr")

Una vez instalado, puede cargar {STMr} paquete:

require(STMr)

Funciones Reps-Max

Las funciones Reps-Max asignan la relación entre %1RM y el número máximo de repeticiones (nRMo repeticiones al fallo; RTF). {STMr} El paquete viene con tres modelos Reps-Max: (1) Epley’s, (2) Modified Epley’s y (3) Linear/Brzycki’s. Por favor refiérase a Tablas de carga y esfuerzo y su uso para la planificación serie de artículos para obtener más información.

Las funciones Reps-Max comienzan con max_ y le permite predecir el %1RM máximo de las repeticiones (comience con max_perc_1RM_), o para predecir las repeticiones máximas (es decir, nRM) a partir del %1RM utilizado (comenzar con max_reps_). Cada una de las funciones Reps-Max le permite utilizar diferentes valores de parámetros del modelo. Esto es muy útil cuando se usan perfiles individualizados para crear esquemas de series y repeticiones (ver Estimacion sección).

Digamos que estoy interesado en predecir el %1RM máximo que se puede usar para hacer 5 repeticiones hasta el fallo. Aquí puede ver cómo se pueden usar tres modelos diferentes, además de proporcionar valores de parámetros personalizados:

# Predicting max %1RM to be used for target number of repetitions (to failure)

# ------------------------------------------
# Epley equation
max_perc_1RM_epley(5) # Default k=0.0333
#> [1] 0.8573
max_perc_1RM_epley(5, k = 0.04)
#> [1] 0.8333

# ------------------------------------------
# Modified Epley equation
max_perc_1RM_modified_epley(5) # Default kmod=0.0353
#> [1] 0.8763
max_perc_1RM_modified_epley(5, kmod = 0.05)
#> [1] 0.8333

# ------------------------------------------
# Linear/Brzycki equation
max_perc_1RM_linear(5) # Default klin=33
#> [1] 0.8788
max_perc_1RM_linear(5, klin = 36)
#> [1] 0.8889

Si estoy interesado en predecir nRM a partir de %1RM utilizado, puedo usar max_reps_ familia de funciones. Aquí estoy interesado en estimar las repeticiones máximas cuando uso 85% 1RM:

# Predicting reps-to-failure (RTF) or nRM from used %1RM

# ------------------------------------------
# Epley equation
max_reps_epley(0.85) # Default k=0.0333
#> [1] 5.299
max_reps_epley(0.85, k = 0.04)
#> [1] 4.412

# ------------------------------------------
# Modified Epley equation
max_reps_modified_epley(0.85) # Default kmod=0.0353
#> [1] 5.999
max_reps_modified_epley(0.85, kmod = 0.05)
#> [1] 4.529

# ------------------------------------------
# Linear/Brzycki's equation
max_reps_linear(0.85) # Default klin=33
#> [1] 5.95
max_reps_linear(0.85, klin = 36)
#> [1] 6.4

Hagamos esto un poco más atractivo a la vista. Aquí hemos trazado la relación entre las repeticiones máximas (RTF; nRM) en el eje x y el %1RM máximo que se usará en el eje y:

# install.packages("tidyverse", dependencies = TRUE)
require(tidyverse)

max_reps_relationship <- tibble(Reps = seq(1, 12)) %>%
  mutate(
    Epley = max_perc_1RM_epley(Reps),
    `Modified Epley` = max_perc_1RM_modified_epley(Reps),
    `Linear/Brzycki` = max_perc_1RM_linear(Reps)
  ) %>%
  pivot_longer(cols = 2:4, names_to = "Model", values_to = "%1RM") %>%
  mutate(`%1RM` = `%1RM` * 100)

ggplot(max_reps_relationship, aes(x = Reps, y = `%1RM`, color = Model)) +
  theme_bw() +
  geom_line() + 
  scale_x_continuous(breaks = 1:12)

Funciones de ajuste

Las funciones Reps-Max lo ayudan a trazar la relación entre las repeticiones hasta el fallo y el %1RM. Por suerte, no todos los conjuntos se llevan al punto del fallo. {STMr} paquete le permite ajustar el %1RM o repeticiones utilizando cuatro métodos diferentes: (1) Intensidad deducida (DI), (2) Intensidad relativa (Rel Int), (3) Reps-In-Reserve (RIR) y (4) Porcentaje de repeticiones máximas ( %SRES). Esto se hace usando el adj_ familia de funciones, que aplican ajustes a la función/relación Reps-Max seleccionada.

El método de ajuste es el elemento principal de la tabla de progresión y representa el método de progresión (ver Progresión sección). Aunque el ajuste del %1RM utilizado para las repeticiones objetivo (adj_perc_1RM_ familia de funciones) es la más común, también puede ajustar las repeticiones para el objetivo %1RM (adj_reps_ familia de funciones). La función Reps-Max predeterminada utilizada en todas las funciones de ajuste es la max_perc_1RM_epley(). El usuario puede proporcionar otra función Reps-Max, así como el valor del parámetro del modelo personalizado. Esto es extremadamente útil para crear tablas de progresión individualizadas y esquemas de series y repeticiones.

Así es como puede usar las funciones de ajuste para ajustar %1RM al hacer 5 repeticiones:

# Use 10 perc deducted intensity
adj_perc_1RM_DI(5, adjustment = -0.1)
#> [1] 0.7573

# Use 90 perc  relative intensity
adj_perc_1RM_rel_int(5, adjustment = 0.9)
#> [1] 0.7715

# Use 2 reps in reserve
adj_perc_1RM_RIR(5, adjustment = 2)
#> [1] 0.811

# Use 70 perc max reps
adj_perc_1RM_perc_MR(5, adjustment = 0.7)
#> [1] 0.8078

Además de usar el ajuste, el usuario puede usar factor de multiplicación (mfactor parámetro). Esto es útil para crear balístico esquemas En manual de entrenamiento de fuerza He sugerido usar un factor de 2 para ejercicios balísticos.

# Use ballistic adjustment (this implies doing half the reps of max reps possible)
# In other words, if I am doing 5 reps, I will use 10RM
adj_perc_1RM_DI(5, mfactor = 2)
#> [1] 0.7502

Usando el método RIR, le mostraré cómo puede personalizar los ajustes usando diferentes funciones Reps-Max y valores de parámetros de modelos personalizados:

# Use Linear model
adj_perc_1RM_RIR(5, max_perc_1RM_func = max_perc_1RM_linear, adjustment = 2)
#> [1] 0.8182

# Use Modifed Epley's equation with a custom parameter values
adj_perc_1RM_RIR(
  5,
  max_perc_1RM_func = max_perc_1RM_modified_epley,
  adjustment = 2,
  kmod = 0.06
)
#> [1] 0.7353

Aunque le mostraré una solución más simple para esto (ver Progresión sección), así es como puede crear una tabla de ajuste RIR simple:

# install.packages(c("knitr", "kableExtra"), dependencies = TRUE)
require(knitr)
require(kableExtra)

at <- expand_grid(Reps = 1:5, RIR = 0:4) %>%
  mutate(
    `%1RM` = adj_perc_1RM_RIR(
      reps = Reps,
      adjustment = RIR,
      max_perc_1RM_func = max_perc_1RM_linear,
      klin = 36
    ),
    `%1RM` = round(100 * `%1RM`, 0),
    RIR = paste0(RIR, "RIR")
  ) %>%
  pivot_wider(names_from = RIR, values_from = `%1RM`)

kable(at) %>%
 ...