多年来，我们一直在发布数据，表明： Spleeft 是测量运动速度的可靠工具. 最近，我们扩大了规模，并且 优化了应用程序以测量 跳跃高度吨，将其视为监测训练效果及其产生的疲劳的另一个关键指标。
立即下载适用于 iOS、Android 和 Apple Watch 的 SPLEEFT 应用程序！
复杂的指标
虽然看起来很简单， 准确测量跳跃高度是一项复杂的任务. 不久后，我们将发布一份白皮书，详细介绍研究过程以及我们所采用方法论背后的逻辑——特别是，我们如何确定哪种跳跃高度定义最能有效应用于我们的技术。本文将对该结果进行简要概述。.
使用动作捕捉作为黄金标准
经过大量测试，我们发现与我们的技术最相符的跳跃高度定义是 物体质心（COM）的位移——从静止站立姿势到跳跃的最高点。这种方法已被用于…… 其他科学研究 并体现了垂直跳跃高度最传统的定义。
为了提取这些值，我们开发了一个 Python 脚本来处理由 STT Systems 运动捕捉系统 采样频率为 100 Hz。最终跳跃高度的计算方法是：初始站立阶段（运动员的整个脚与地面接触时）重心位置与跳跃过程中达到的最大高度之差。.
与更常见的方法相比 光跳，这种基于 COM 的方法产生的值平均为， 高10厘米这主要是因为每个系统对起飞的定义不同。接触式系统仅在 脚趾离开地面而在基于 COM 的方法中，飞行在 脚跟抬高 离开。
该应用程序测量跳跃高度的平均误差是多少？
我们发现了一个 强相关性 跳跃高度与测量值之间的 在 Apple Watch Series 8 上以 200 Hz 的频率运行 Spleeft 以及 100 Hz 的 STT 运动捕捉系统， r² = 0.957.
这 平均绝对误差 只是 1.3厘米, 而且——更重要的是——它仍然 持续低位 跨越一系列跳跃高度。对于跳跃高度 10厘米和20厘米，平均误差为 1.0厘米. 用于在 40和50厘米，仅略微增加至 1.6厘米.
此外， Bland-Altman分析 正如预期的那样，证实了不存在系统性偏差。误差的置信区间与其他应用程序验证研究中报告的置信区间非常相似，例如： 我的跳跃2.
在我们的实验中，我们意识到 在跳跃中执行正确的落地阶段 通过弯曲膝盖而不锁定膝盖来测量。这对于保持数据可靠性以及良好的关节健康至关重要。每种技术都有其自身的考虑因素。例如，在接触平台上，必须注意在飞行阶段不要弯曲腿部，因为这可能会导致高估。
日常监控的价值：真正的影响在哪里
在基于速度的训练领域及其相关技术的开发中， 非常重视 科学效度 和可靠性——的确如此。因为我们收集数据的时间跨度很短，即使是微小的误差也可能导致重大错误。.
研究中最常用的评估之一是 测试-重测 协议。然而， 基于实际训练数据的真实用户反馈 同样有价值。下图显示了 跳跃高度测量 使用 Spleeft。
它清楚地表明 相关趋势 绩效改进 和去训练, 此外，偶尔也会出现一些可能与疲劳相关的下降。不过，大部分数据是在休息日之后收集的，而且深蹲跳通常是训练中的第一个动作——这些条件有助于解释观察到的模式。.
