VBT训练：革命性的力量训练

基于速度的训练 (VBT)，也称为速度训练或训练速度，代表了传统基于百分比的力量训练方法的范式转变。这种方法为教练和运动员提供了一种客观、精确且有科学依据的增强阻力训练的方法。与依赖单次最大重复次数 (1RM) 静态百分比的传统方法不同，VBT 使用实时运动速度测量来确定训练强度、管理疲劳并优化运动表现适应性。

VBT训练采用先进技术追踪训练过程中杠铃或身体的运动速度，提供客观数据，以便实时调整并最大化特定适应性，例如力量或爆发力。通过将运动速度与运动表现联系起来，VBT使教练和运动员能够监测疲劳程度，根据每日准备情况个性化训练负荷，并通过确保训练强度与个人目标完美匹配来提升运动成绩。本指南探讨了VBT的科学性、应用和实际实施，旨在帮助运动员和教练提升训练效果。

立即下载适用于 iOS、Android 和 Apple Watch 的 SPLEEFT 应用程序！

理解基于速度的训练

基于速度的训练（VBT）本质上是一种阻力训练方法，它利用动作速度作为确定训练强度和监测运动表现的主要变量[1]。VBT并非仅仅根据1RM的百分比来设定负荷，而是测量运动速度，从而提供关于运动员当前力量、神经肌肉准备度和疲劳状态的即时客观反馈[2]。

VBT 的核心原理是负荷-速度关系——这是一种公认的反比关系，即负荷（重量）的增加会降低其移动的速度（速率）[3]。这种关系构成了所有 VBT 应用的基础，使教练能够使用速度作为一种比基于静态百分比的方法更具动态性和响应性的训练强度衡量标准。

现代VBT系统利用各种技术来采集速度数据，包括线性位置传感器、加速度计、激光设备以及先进的智能手机应用程序。这些系统测量平均速度、峰值速度、速度损失和功率输出等关键参数，为性能分析和程序优化提供全面的数据[4]。

VBT 的工作原理

• 追踪技术：VBT 采用线性位置传感器或特定传感器等设备来测量锻炼期间的杆速度和位移。
• 负载速度曲线：建立重量（负载）和升降速度之间的关系，创建个性化的配置文件。
• 实时反馈：该技术可立即提供每次重复的速度数据，方便运动员和教练了解。
• 自动调节：这种反馈允许“自动调节”，这意味着训练调整是根据运动员当前的准备和疲劳状态进行的，而不是固定的计划。

VBT背后的科学

VBT 的科学基础基于多项成熟的生物力学和生理学原理。研究持续表明，与传统的基于百分比的训练方法相比，VBT 在多项运动表现指标上均能带来更卓越的训练效果 [5]。

神经系统适应

VBT训练能够显著促进神经系统适应，从而提升运动表现。当运动员以速度为目标进行训练时，他们必须在每次重复训练中都倾注最大的精力，从而改善运动单元募集模式并增强神经驱动力[6]。研究表明，与传统训练方法相比，这种神经激活的增强能够显著提高力量发展率 (RFD) 和爆发力[7]。

VBT训练中对最大向心力的要求，增强了高阈值运动单元的募集，这些运动单元主要支配快肌纤维[8]。这些适应性变化对于需要在比赛中快速产生力量的力量型运动员尤其有益。

肌肉适应

VBT训练能够诱导良好的肌肉适应，同时最大限度地减少不必要的疲劳积累。研究表明，10-20%的速度损失阈值能够优化训练刺激与恢复需求之间的平衡，从而带来更佳的力量和爆发力增益[9]。这种方法可以防止与过度疲劳相关的负面适应，例如IIx型肌纤维转化为速度较慢的肌纤维类型[10]。

此外，VBT 可以通过速度区处方精准地针对特定肌肉纤维类型进行训练。高速训练优先募集快肌纤维，而低速、高强度训练则以慢肌纤维为目标，促进最大力量发展 [11]。

每日准备情况评估

VBT 最显著的优势之一是它能够反映力量和准备状态的每日波动。研究表明，运动员的实际 1RM 值与先前测试值的上下波动幅度可能高达 18%，总方差为 36% [12]。如此巨大的日常变化使得基于静态百分比的训练计划可能不合适，因为根据运动员的当前状态，规定的负荷可能过轻或过重。

VBT通过实时自动调节解决了这一挑战。当运动员在给定负荷下的速度显著低于其基线时，表明准备度降低，需要立即调整负荷[13]。相反，高于预期的速度则表明运动员已准备好应对更高的训练需求。

传统训练与基于速度的训练

基于百分比的训练的局限性

传统的基于百分比的培训虽然被广泛使用并且在一定程度上有效，但也存在一些明显的局限性，而 VBT 可以解决这些局限性：

• 静载荷处方：基于百分比的训练依赖于静态的1RM值，而这些值可能无法反映运动员的当前能力。这种方法无法解释力量、疲劳和准备状态的每日波动[14]。
• 最大限度测试的风险：传统方法需要定期进行 1RM 测试来更新训练百分比，这本身就具有受伤风险，并且可能不适用于比赛季节或某些人群 [15]。
• 无法监测疲劳：基于百分比的训练无法客观衡量每组训练或不同训练课程之间的疲劳积累，可能会导致训练刺激过度或不足 [16]。
• 缺乏个性化：标准百分比处方未能解释抗疲劳性、纤维类型分布和训练经验的个体差异 [17]。

VBT的优势

VBT 通过几个关键优势解决了这些限制：

• 动态负载调整：VBT 允许根据实际表现实时调整负荷，无论每日准备情况如何波动，都能确保最佳训练强度 [18]。
• 客观疲劳监测：组内速度损失提供了神经肌肉疲劳的客观衡量标准，使教练能够优化训练量并防止过度疲劳积累 [19]。
• 增强动力和反馈：实时速度反馈营造了一种竞争性的训练环境，能够增强运动员的积极性和努力程度[20]。研究表明，即时反馈可以 提高培训绩效 高达 10% [21]。
• 精准适配定位：VBT 通过速度区处方实现了针对性的特定训练适应性精准定位，使教练能够更精确地发展力量、爆发力或速度力量素质 [22]。

VBT 的主要优势

• 客观强度测量：与传统的基于百分比的方法相比，VBT 提供了一种更客观的方式来衡量训练强度，因为它可以跟踪运动本身的质量。
• 个性化培训：运动员可以通过在特定的速度区域内进行训练来定制他们的训练，这些速度区域旨在培养特定的素质，例如最大力量、力量或速度。
• 疲劳管理：通过监测一组训练中速度的下降，教练可以确定何时停止重复训练或一组训练，以防止过度疲劳并优化训练质量。
• 性能提升：即时、客观的反馈有助于运动员在举重过程中保持专注，从而更好地适应和将训练转移到他们的运动中。

VBT技术和测量系统

VBT实施的有效性在很大程度上取决于测量技术的准确性和可靠性。市面上有多种类型的设备，每种都有其独特的优势和局限性。

线性位置传感器（LPT）

线性位置传感器代表了VBT测量的黄金标准。这些设备通过电缆连接到杠铃上，测量随时间变化的位移以计算速度[23]。LPT具有以下几个优点：

• 高精度：LPT 直接测量移动距离，提供高精度速度计算
• 科学验证：大量研究证实了LPT系统的准确性和可靠性
• 综合指标：先进的 LPT 提供详细的指标，包括杆路径分析、功率输出和力量产生

与其他技术相比，LPT 的主要局限性包括成本较高和便携性较差。

智能手机应用程序

先进的智能手机应用程序的出现使得 VBT 技术的应用更加普及。现代应用程序利用先进的计算机视觉算法，通过视频分析来追踪杠铃的运动，以远低于传统硬件的成本提供专业级的速度测量 [24]。

最近的验证研究表明，精心设计的智能手机应用程序可以达到与昂贵的线性传感器相当的精度水平，相关系数超过0.95 [25]。像SpleeftApp这样的应用程序代表了新一代的VBT技术，使各个级别的运动员都能获得精英级别的训练见解。

基于加速度计的系统

可穿戴加速度计具有出色的便携性和易用性，尽管它们的精度通常不如LPT或高质量的智能手机应用程序[26]。这类设备通常适用于入门级VBT实施，或其他技术不切实际的场合。

基于摄像头的系统

基于摄像头的独立系统在视觉感知测试（VBT）应用中前景广阔，但目前在成本、便携性和验证方面面临限制。计算机视觉技术的未来发展或许可以解决这些问题[27]。

关键 VBT 指标和应用

了解不同的速度指标对于有效实施VBT至关重要。每个指标都有其特定的用途，具体取决于训练类型和训练目标。

平均向心速度（MCV）

平均向心速度表示运动过程中整个向心（举重）阶段的平均速度。MCV 是深蹲、硬拉和卧推等传统力量训练最常用的指标[28]。该指标考虑了这些训练中固有的加速和减速阶段，从而全面衡量了举重速度。

峰值向心速度（PCV）

峰值向心速度测量向心阶段达到的最大速度，通常每5毫秒计算一次。峰值向心速度最适合冲击式和基于力量的训练，例如跳蹲、奥举和药球投掷[29]。对于这些爆发性动作，峰值速度更能体现运动员快速产生力量的能力。

平均推进速度（MPV）

平均推进速度测量向心阶段加速度超过重力（-9.81米/秒²）部分的平均速度[30]。平均推进速度（MPV）对于具有明显减速阶段的训练尤其有价值，因为它关注的是运动员主动加速负荷的运动部分。

速度损失

速度损失是指从一组训练中最快重复动作到后续重复动作的速度下降百分比。该指标可以客观衡量神经肌肉疲劳，对于管理训练量和强度至关重要 [31]。

负荷速度分析和 1RM 预测

负荷-速度分析是 VBT 最强大的应用之一，它允许教练针对特定训练项目建立负荷与速度之间的个性化关系。这通常需要绘制速度与 1RM 百分比的关系图，从而创建基于速度的训练图表。

创建负载速度曲线

为了建立负荷-速度曲线，运动员需要进行增量负荷测试，负荷范围约为其当前1RM的45-95%[32]。该方案通常包括：

• 彻底热身，逐步增加负荷
• 以当前 1RM 的 45%、55%、65%、75%、85% 和 95% 进行 2-3 次重复
• 组间休息 2-3 分钟以确保完全恢复
• 记录每次负载下达到的最快速度
• 绘制速度与 1RM 百分比的关系图，以创建个人资料

1RM预测准确率

研究表明，通过载荷-速度曲线进行 1RM 预测，在最佳条件下可达到超过 95% 的可靠性水平 [33]。1RM 预测的准确性取决于以下几个因素：

• 负荷范围：由于强度较高时线性关系更明显，较重的负荷通常能提供更准确的预测[34]。
• 运动选择：减速阶段最短且运动模式一致的运动可提供更好的预测准确性 [35]。
• 速度指标：对于具有明显减速阶段的运动，平均推进速度通常比平均向心速度具有更高的预测精度 [36]。
• 个人因素：运动员的训练经验、动机和举重技术的一致性会影响预测准确性[37]。

最小速度阈值

最小速度阈值 (MVT)，也称为 1RM 速度，表示在最大努力下最后一次成功重复时产生的平均速度 [38]。了解 MVT 对于准确预测 1RM 和制定训练方案至关重要。

特定运动的 MVT

MVT 具有高度的运动特异性，研究为不同的运动设立了不同的阈值：

这些数值代表一般范围，不同运动员的体能状况可能与这些规范有所不同 [39]。

MVT 的一致性

研究表明，不同测试条件下的MVT（最大强度测试）具有显著的一致性。无论是通过实际的1RM测试，还是力竭组的最后一组动作确定，个体运动员的MVT都保持稳定[40]。这种一致性使得教练可以使用亚最大强度力竭测试来确定MVT，而无需承担与真正的最大强度测试相关的风险。

最佳 MVT 确定

最近的研究提出了“最优MVT”的概念，即针对每位运动员设定个性化阈值，以最大程度地减少预测误差[41]。传统MVT关注的是1RM的实际速度，而最优MVT则优先考虑预测准确性，从而有可能为训练处方提供更优的结果。

速度损失和疲劳管理

速度损失是 VBT 最有价值的应用之一，它提供了神经肌肉疲劳的客观测量，可以实时指导训练决策。

速度损失的科学

随着疲劳在一组训练中积累，速度会以可预测的方式逐渐下降。速度下降与疲劳之间的这种关系已通过多种生理指标得到验证，包括乳酸累积和氨水平[42]。速度下降的可预测性使教练能够使用预定的阈值来管理训练量并优化适应性。

速度损失阈值

研究表明，针对不同的训练目标，存在最佳的速度损失阈值：

[43][44][45]

实际实施

速度损失阈值可以通过两种主要方式实现：

• 反应式方法：监测训练过程中的速度损失，并在达到预定阈值时终止训练。此方法考虑了抗疲劳强度的每日波动。
• 规范方法：使用已建立的负荷-速度曲线来预测达到预期速度损失所需的重复次数。这种方法可以实现更结构化的训练计划，但可能无法解释日常变化。

自我调节和每日准备情况评估

VBT 的自我调节能力是其相较于传统训练方法最显著的优势之一。通过提供客观的日常准备度指标，VBT 能够动态调整训练，从而优化训练表现，同时最大限度地降低过度训练的风险。

评估方法

日常准备情况可以通过几种 VBT 方法来评估：

• 标准化热身速度：在热身期间测量固定亚最大负荷下的速度，并与既定的基线进行比较[46]。速度明显低于基线（通常>10%）表明准备程度降低。
• 动态 1RM 估计：使用亚最大负荷下的当前速度来估算每日 1RM，并相应地调整训练负荷 [47]。
• 指定载荷下的速度：监测规定的载荷是否根据个体概况产生预期速度 [48]。

实施策略

可以采用多种策略来实现 VBT 的自动调节：

• 交通信号灯系统：将每日准备情况分类为绿色（> 基线 95%）、橙色（90-95%）或红色（<90%），并相应地调整训练 [49]。
• 渐进式加载：以亚最大负荷开始训练，然后根据速度反馈逐渐增加[50]。
• 速度目标：为每项锻炼设定速度目标，并调整负荷以保持目标速度，而不管规定的百分比如何[51]。

训练区处方和适应性目标

VBT 通过速度区处方，实现精准的针对性训练调整。这种方法使教练能够比传统方法更精准地发展特定的力量特质。

速度连续体

研究已经确定了与不同训练适应相关的速度范围：

[52][53][54][55][56]

实际应用

教练可以利用这些速度区来：

• 根据运动需求进行针对性调整
• 识别运动员力量-速度曲线中的弱点
• 监控不同素质的培训分布
• 确保整个速度范围内的平衡发展

针对具体练习的考虑

由于运动模式、肌肉参与程度和技术复杂性的不同，不同的练习需要特定的 VBT 实施方式。

复合运动

• 深蹲：背蹲表现出良好的负荷-速度关系，是实施VBT的理想选择。通常使用平均向心速度，MVT范围为0.25-0.35米/秒[57]。
• 硬拉：硬拉在VBT（绝对力量训练）中表现出极佳的适用性，尤其是在发展绝对力量方面。由于缺乏显著的离心运动成分，速度测量结果高度一致 [58]。
• 卧推：卧推动作与VBT配合良好，尽管锁定时的减速阶段可能会影响速度测量。平均推进速度通常能提供更一致的结果[59]。

弹道运动

• 跳跃深蹲：由于跳跃深蹲具有爆发力，因此峰值速度通常比平均速度更合适 [60]。
• 奥林匹克举重：由于技术复杂性和多阶段性，奥运举重对体能训练（VBT）提出了独特的挑战。峰值速度或特定阶段的分析可能更为合适[61]。
• 药球投掷：峰值速度测量有利于弹道投掷运动，并能为上肢力量的发展提供有价值的见解[62]。

单关节运动

虽然VBT可以应用于孤立训练，但与复合动作相比，其负荷-速度关系通常缺乏一致性和可靠性[63]。教练在将VBT原理应用于单关节训练时应谨慎，可能需要制定针对具体训练的方案。

VBT编程方法

有几种编程方法可以结合 VBT 原则，每种方法都针对不同的培训目标和环境提供独特的优势。

基于速度的集群训练

集群训练是指将传统的训练组分解成更小的训练片段，每个片段之间安排短暂的休息时间，或将每个片段分成小组进行训练[64]。VBT通过以下方式增强集群训练：

• 确保每个集群保持目标速度。
• 根据速度恢复确定最佳休息时间。
• 在整个训练过程中最大限度地提高功率输出。
• 在保持培训质量的同时减少总体培训疲劳。

研究表明，与传统方法相比，以 VBT 为指导的集群训练能产生更显著的力量发展效果 [65]。

速度损失编程

该方法根据速度损失阈值而非固定的重复次数范围来规定训练量[66]。其优点包括：

• 基于抗疲劳性的个体化容量处方。
• 自动调整每日准备情况的变化。
• 优化刺激与疲劳的比率。
• 降低过度伸展的风险。

速度目标训练

运动员进行训练时设定特定的速度目标，并根据需要调整负荷以保持目标速度[67]。这种方法：

• 确保一致的训练强度。
• 促进每次重复的最大意图。
• 允许动态负载调整。
• 提高运动质量和力量输出。

共轭VBT编程

这种先进的方法在同一训练课程或微周期中结合了多种 VBT 方法 [68]：

• 不同的练习需要使用不同的 VBT 方法。
• 某些练习有速度区，其他练习有速度损失。
• 在适当的情况下与传统的基于百分比的方法相结合。
• 灵活地将 VBT 方法与特定的培训目标相匹配。

使用 VBT 进行周期化

VBT 可以有效地集成到传统的周期化模型中，在保持熟悉结构的同时增强其有效性。

线性周期化

VBT 通过以下方式增强线性周期化：

• 提供各个阶段的客观适应措施。
• 允许在预定区域内进行动态负载调整。
• 在高强度阶段监控准备情况。
• 确保适当的刺激进展。

在线性周期化中使用 VBT 的示例进展：

• 第 1 阶段：0.75-1.0 米/秒（强度-速度），15-20% 速度损失。
• 第 2 阶段：0.5-0.75 米/秒（加速强度），10-15% 速度损失。
• 阶段 3：<0.5 米/秒（绝对强度），5-10% 速度损失。

块周期化

VBT 通过以下方式支持块周期化：

• 明确每个训练模块的速度目标。
• 客观监测区块内的适应情况。
• 训练重点之间的平稳过渡。
• 增强块之间的恢复监控。

每日波动周期（DUP）

VBT 通过以下方式提高 DUP 的有效性：

• 确保每次会议都针对预期的适应。
• 提供训练压力的客观衡量标准。
• 允许根据准备情况进行会话间调整。
• 保持训练的多样性，同时确保适当的刺激。

实施指南

成功实施 VBT 需要系统规划和逐步整合，以最大限度地发挥效益，同时最大限度地减少对既定训练常规的干扰。

第一阶段：基础（第 1-2 周）

客观的：介绍 VBT 概念并建立基线测量。

活动:

• 对运动员和教练进行 VBT 原则教育。
• 选择2-3个关键练习进行初步实施。
• 进行负载速度分析会议。
• 开始基本的速度监测，无需改变训练。

技术：根据预算、精度要求和实际限制选择合适的测量系统。像 SpleeftApp 这样的现代智能手机应用程序为团队和个人开启 VBT 之旅提供了绝佳的切入点。

第二阶段：整合（第 3-6 周）

客观的：开始将 VBT 原则纳入训练处方。

活动:

• 实施速度损失阈值来控制音量。
• 使用速度目标进行强度调节。
• 开始基本的自我调节练习。
• 继续完善个人资料。

第 3 阶段：优化（第 7 周及以上）

客观的：将 VBT 完全整合到各个培训计划中。

活动:

• 实施先进的编程方法。
• 使用 VBT 进行周期化规划。
• 定期更新负载速度曲线。
• 分析长期趋势和适应。

最佳实践

• 一致性：确保一致的测试条件、预热协议和测量程序，以保持数据的可靠性[69]。
• 教育：为运动员和教练提供全面的教育，以确保正确的实施和支持[70]。
• 技术选择：选择可靠的、经过验证的测量系统，以便在不同的运动和条件下提供一致的数据 [71]。
• 数据管理：建立收集、存储和分析速度数据的系统，以支持决策[72]。
• 逐步实施：逐步整合 VBT 原理，而不是立即完全取代现有方法 [73]。

常见挑战和解决方案

技术可靠性

挑战：VBT 设备的测量结果不一致或不准确。

解决方案:

• 选择经过验证且具有可靠性的测量系统。
• 建立一致的设置和校准程序。
• 定期根据已知标准验证测量准确性。
• 培训员工正确操作设备并排除故障。

运动员支持

挑战：运动员可能会抵制新的训练方法或无法付出最大的努力。

解决方案:

• 提供有关 VBT 优势和应用的清晰教育。
• 先从简单的实现开始，然后再推进复杂的方法。
• 使用竞争元素和排行榜来增强动力。
• 通过提高性能来展示直接的好处。

数据分析的复杂性

挑战：VBT 系统生成的数据量可能非常大。

解决方案:

• 关注与培训目标一致的关键指标。
• 使用提供自动分析和报告的软件工具。
• 建立清晰的数据解释和应用协议。
• 为教练组提供数据分析方面的培训。

成本和可达性

挑战：高端 VBT 系统对于某些组织来说可能成本过高。

解决方案:

• 从经过验证的智能手机应用程序开始，以实现经济高效的实施。
• 在预算允许的情况下逐步投资先进的系统。
• 最初应重点关注重点练习而不是全面监控。
• 在多个团队或训练小组之间共享设备。

基于速度的训练的未来

VBT 的未来似乎越来越光明，一些新兴趋势和技术有望提高其有效性和可访问性。

人工智能集成

先进的机器学习算法正在开发中，旨在根据历史表现数据和当前准备度标记提供个性化的训练建议[74]。这些系统有望使VBT更容易被技术专业知识有限的教练所接受，同时提供日益复杂的分析能力。

可穿戴技术集成

将 VBT 功能集成到消费级可穿戴设备中，代表着该技术的显著普及化[75]。研究验证了智能手表等设备在 VBT 应用中的使用情况，表明任何拥有智能手机和兼容可穿戴设备的运动员可能很快就能获得高质量的速度测量。

多模式评估

未来的 VBT 系统可能会将速度数据与其他性能标记（例如心率变异性、睡眠质量和主观健康评分）相结合，以提供全面的准备情况评估和训练建议 [76]。

增强的便携性和易用性

持续的技术进步将进一步提高 VBT 系统的便携性、易用性和可负担性，使各级运动员和教练都能使用它们 [77]。

常见问题

问：与昂贵的线性传感器相比，SpleeftApp 等智能手机应用程序的准确度如何？ 最近的验证研究表明，精心设计的智能手机应用程序可以达到与线性传感器相当的精度水平，相关系数超过0.95 [78]。虽然传统的线性传感器仍然是黄金标准，但现代智能手机应用程序可以以极低的成本提供专业级的测量，使以前无力承担此类技术的运动员和教练员也能使用VBT。

问：哪些练习最适合 VBT 实施？ 深蹲、硬拉、卧推和划船等复合动作展现出最强且最一致的负荷-速度关系，使其成为实施VBT的理想选择[79]。跳跃深蹲和奥举等弹道训练也能从VBT中获益，尽管它们需要不同的速度指标和训练计划方法。

问：我应该多久更新一次负载速度曲线？ 负荷-速度曲线在受过训练的个体中相对稳定，通常只需每4-6周或在重要的训练阶段后更新一次[80]。然而，在标准化热身负荷下进行每日速度监测，可以持续洞察准备度和力量变化，而无需正式重新测试。

问：VBT能完全取代传统的百分比训练吗？ 虽然VBT比基于百分比的训练具有诸多优势，但许多成功的项目采用了两种方法的混合方案[81]。VBT最好被视为传统训练方法的有力补充，而非完全取代传统训练方法。

问：针对不同的训练目标，我应该使用多少速度损失百分比？ 研究表明，10-15%的速度损失阈值能够优化训练适应性，以最大程度地减少疲劳，从而发展爆发力和力量；而更高的速度损失阈值（20-30%）可能更适合于增肌目标，因为更大的训练量更有益[82]。最佳阈值取决于训练目标、运动员经验和当前训练阶段。

问：VBT 适合初学者运动员吗？ VBT 可以使各个级别的运动员受益，尽管初学者可能需要额外的指导以确保正确的技术和最大程度的努力[83]。VBT 提供的实时反馈实际上可以帮助初学者学习如何产生最大力量，并提高训练的一致性。

问：我如何知道我的 VBT 设备是否足够精确，可以用于训练目的？ 寻找那些经过同行评审研究独立验证，且与金标准测量系统相比相关系数高于0.90的设备[84]。此外，确保该设备能够持续检测重复次数，并在不同的训练动作和负荷条件下提供稳定的测量结果。

结论

基于速度的训练 (VBT) 代表了阻力训练方法的重大进步，为教练和运动员提供了客观、精准的工具，以优化训练效果。VBT 利用动作速度作为强度和疲劳度的指标，突破了传统基于百分比方法的诸多局限性，同时提供了更佳的反馈、激励和个性化训练。

支持VBT的科学证据不断增多，研究一致表明，与传统方法相比，VBT在各项运动表现指标上具有更佳的适应性。从增强力量和爆发力，到改善疲劳管理和伤病预防，VBT为各级运动员带来了显著益处。

现代科技，包括像 SpleeftApp 这样先进的智能手机应用程序，使得 VBT 比以往任何时候都更容易获得。运动员和教练不再需要昂贵的实验室设备来实现专业级的速度监测，从而让获取这些强大的训练洞察变得更容易。

展望未来，在人工智能、可穿戴技术和增强分析能力的支持下，VBT 很可能会更加融入到标准训练实践中。对于致力于优化训练成果的教练和运动员来说，VBT 不仅是一个宝贵的工具，更是现代运动表现提升的重要组成部分。

成功实施VBT的关键在于理解其原理，选择合适的技术，并将其方法逐步融入现有的训练框架。通过正确的实施，VBT可以提升训练效果，提供客观数据和动态适应性，从而在竞争日益激烈的体育环境中最大限度地发挥运动员的潜力。

伊万-德卢卡斯-罗热罗

MSC 身体表现 & SpleeftApp 首席执行官

致力于提高运动表现和骑行训练，结合科学技术来推动成果。

自行车训练 LinkedIn 中等的 叽叽喳喳

参考

[1] Weakley, J.、Mann, B.、Banyard, H.、McLaren, S.、Scott, T. 和 Garcia-Ramos, A. (2021)。基于速度的训练：从理论到应用。《力量与体能杂志》，43(2)，31-49。

[2] González-Badillo, JJ, & Sánchez-Medina, L. (2010). 动作速度作为阻力训练负荷强度的衡量标准。《国际运动医学杂志》，31(05), 347-352。

[3] Sanchez-Medina, L., & González-Badillo, JJ (2011). 速度损失作为阻力训练期间神经肌肉疲劳的指标。《运动医学与科学》，43(9)，1725-1734。

[4] Banyard, HG, Nosaka, K., Vernon, AD, & Haff, GG (2018). 个体化负荷-速度曲线的可靠性。《国际运动生理学与运动表现杂志》，13(6), 763-769。

[5] Włodarczyk, M.、Adamus, P.、Zieliński, J. 和 Kantanista, A. (2021)。基于速度的训练对精英运动员力量和爆发力的影响——系统评价。《国际环境研究与公共健康杂志》，18(10)，5257。

[6] González-Badillo, JJ、Rodríguez-Rosell, D.、Sánchez-Medina, L.、Gorostiaga, EM 和 Pareja-Blanco, F. (2014)。最大预期速度训练比刻意减慢的半速训练更能提高卧推表现。《欧洲运动科学杂志》，14(8)，772-781。

[7] Aagaard, P.、Simonsen, EB、Andersen, JL、Magnusson, P. 和 Dyhre-Poulsen, P. (2002)。增加人体骨骼肌的力量发展速度和神经驱动 阻力训练应用生理学杂志，93(4), 1318-1326。

[8] Maffiuletti, NA, Aagaard, P., Blazevich, AJ, Folland, J., Tillin, N., & Duchateau, J. (2016). 力量发展速率：生理学和方法学考量. 欧洲应用生理学杂志, 116(6), 1091-1116.

[9] Pareja-Blanco, F.、Rodríguez-Rosell, D.、Sánchez-Medina, L.、Sanchis-Moysi, J.、Dorado, C.、Mora-Custodio, R.、... & González-Badillo, JJ (2017)。阻力训练期间速度损失对运动表现、力量增益和肌肉适应的影响。斯堪的纳维亚运动医学与科学杂志，27(7), 724-735。

[10] Pareja-Blanco, F.、Alcazar, J.、Sánchez-Valdepeñas, J.、Cornejo-Daza, PJ、Piqueras-Sanchiz, F.、Mora-Vela, R.、… & Ortega-Becerra, M. (2020)。速度损失是决定力量训练适应性的关键变量。运动与锻炼中的医学与科学，52(8), 1752-1762。

[11] Cormie, P.、McGuigan, MR 和 Newton, RU (2011)。发展最大神经肌肉力量：第 2 部分——提高最大力量产生的训练考量。运动医学，41(2)，125-146。

[12] Jovanovic, M., & Flanagan, EP (2014)。基于速度的力量训练应用研究。《澳大利亚力量与体能杂志》，22(2), 58-69。

[13] Orange, ST, Metcalfe, JW, Marshall, P., Vince, RV, Madden, LA, & Liefeith, A. (2020)。商用线性位置传感器 (GymAware PowerTool) 用于测量后蹲和卧推速度和功率的重测信度。《力量与体能研究杂志》，34(3)，728-737。

[14] Zourdos, MC, Klemp, A., Dolan, C., Quiles, JM, Schau, KA, Jo, E., … & Blanco, R. (2016). 新型阻力训练专用自觉用力程度评定量表，用于测量储备重复次数。《力量与体能研究杂志》，30(1)，267-275。

[15] Seo, DI, Kim, E., Fahs, CA, Rossow, L., Young, K., Ferguson, SL, … & So, WY (2012)。基于肌肉群和性别的单次最大强度测试的信度。《运动科学与医学杂志》，11(2)，221。

[16] Izquierdo, M.、González-Badillo, JJ、Häkkinen, K.、Ibáñez, J.、Kraemer, WJ、Altadill, A. 和 Gorostiaga, EM (2006)。负荷对上、下肢肌肉动作中单组重复直至力竭过程中无意举起速度下降的影响。《国际运动医学杂志》，27(09)，718-724。

[17] Richens, B. 和 Cleather, DJ (2014)。耐力训练运动员和力量训练运动员在给定强度下进行的重复次数之间的关系有所不同。《运动生物学》，31(2)，157-161。

[18] Mann, JB, Thyfault, JP, Ivey, PA, & Sayers, SP (2010)。自调节渐进式阻力训练与线性周期训练对大学运动员力量提升的影响。《力量与体能研究杂志》，24(7)，1718-1723。

[19] Sánchez-Medina, L., & González-Badillo, JJ (2011). 速度损失作为阻力训练期间神经肌肉疲劳的指标。《运动医学与科学》，43(9)，1725-1734。

[20] Randell, AD, Cronin, JB, Keogh, JW, Gill, ND, & Pedersen, MC (2011)。6周基于速度的阻力训练期间瞬时表现反馈对运动专项表现测试的影响。《力量与体能研究杂志》，25(1)，87-93。

[21] Weakley, J.、Wilson, K.、Till, K.、Banyard, H.、Dyson, J.、Phibbs, P. 等 & Jones, B. (2019)。“展示、讲述、鼓励：不同形式反馈对阻力训练表现的影响”。《力量与体能研究杂志》，33(12)，3157-3163。

[22] Cormie, P.、McGuigan, MR 和 Newton, RU (2010)。力量对力量训练强度及适应机制的影响。《运动医学与科学》，42(8)，1566-1581。

[23] Banyard, HG, Nosaka, K., & Haff, GG (2017). 负荷-速度关系预测1RM背蹲的信度和效度。《力量与体能研究杂志》，31(7)，1897-1904。

[24] Balsalobre-Fernández, C.、Marchante, D.、Muñoz-López, M. 和 Jiménez, SL (2018)。一款用于测量卧推练习中杠铃速度和1RM的新型iPhone应用程序的有效性和信度。《运动科学杂志》，36(1)，64-70。

[25] Pérez-Castilla, A.、Piepoli, A.、Delgado-García, G.、Garrido-Blanca, G. 和 García-Ramos, A. (2019)。七种市售设备用于评估卧推过程中不同强度动作速度的信度和并发效度。《力量与体能研究杂志》，33(5)，1258-1265。

[26] Balsalobre-Fernández, C., & Torres-Ronda, L. (2021). 基于速度的团队运动训练范式的实施：框架、技术、实用建议和挑战。《体育》，9(4)，47。

[27] Held, S.、Spiekers, L.、Steele, J. 和 Schoenfeld, BJ (2021)。 Krafttraining 中的培训监控 – eine Übersicht zu aktuellen Methoden。德国运动与运动研究杂志，51(1), 1-17。

[28] Conceição, F.、Fernandes, J.、Lewis, M.、González‐Badillo, JJ 和 Jimenéz‐Reyes, P. (2016)。运动速度作为三种下肢运动强度的衡量标准。《运动科学杂志》，34(12)，1099-1106。

[29] Cormie, P.、Deane, R. 和 McBride, JM (2007)。确定跳跃深蹲功率输出的方法论问题。《力量与体能研究杂志》，21(2)，424-430。

[30] Sanchez‐Medina, L., Perez, CE, & González‐Badillo, JJ (2010). 推进阶段在力量评估中的重要性。《国际运动医学杂志》，31(02), 123-129。

[31] García-Ramos, A.、Haff, GG、Pestaña-Melero, FL、Pérez-Castilla, A.、Rojas, FJ、Balsalobre-Fernández, C. 和 Jaric, S. (2018)。两点法确定卧推练习中单次最大重量的可行性。《国际运动生理学与运动表现杂志》，13(4)，474-481。

[32] Loturco, I.、Pereira, LA、Cal Abad, CC、Gil, S.、Kitamura, K.、Kobal, R. 和 Nakamura, FY (2016)。利用杠铃速度预测半蹲运动中的最大动态力量。《国际运动生理学与表现杂志》，11(5)，697-700。

[33] García-Ramos, A.、Pestaña-Melero, FL、Pérez-Castilla, A.、Rojas, FJ 和 Haff, GG (2018)。平均速度、平均推进速度和峰值速度：哪个变量能更可靠地确定卧推相对负荷？《力量与体能研究杂志》，32(5)，1273-1279。

[34] Loturco, I.、Kobal, R.、Moraes, JE、Kitamura, K.、Cal Abad, CC、Pereira, LA 和 Nakamura, FY (2017)。预测卧推中的最大动态力量：杠铃速度法的高精度。《力量与体能研究杂志》，31(4)，1127-1131。

[35] Pérez-Castilla, A.、Feriche, B.、Jaric, S.、Padial, P. 和 García-Ramos, A. (2021)。不同基于速度的方法和重复次数至力竭方程在预测两次上肢拉力练习中 1RM 的有效性。《力量与体能研究杂志》，35(6)，1538-1543。

[36] García-Ramos, A.、Torrejón, A.、Feriche, B.、Morales-Artacho, AJ、Pérez-Castilla, A.、Padial, P. 和 Haff, GG (2018)。根据杠铃速度预测最大重复次数和储备重复次数。《国际运动生理学与运动表现杂志》，13(3)，353-359。

[37] Richter, EA, Garetto, LP, Goodman, MN, & Ruderman, NB (1982)。大鼠运动后肌肉葡萄糖代谢：胰岛素敏感性增强。《临床研究杂志》，69(4), 785-793。

[38] Sánchez-Medina, L.、González-Badillo, JJ、Pérez, CE 和 Pallarés, JG (2014)。卧拉与卧推练习的速度和功率负荷关系。《国际运动医学杂志》，35(03)，209-216。

[39] García-Ramos, A.、Pestaña-Melero, FL、Pérez-Castilla, A.、Rojas, FJ 和 Haff, GG (2018)。四种卧推变式的负荷-速度曲线差异。《国际运动生理学与运动表现杂志》，13(3)，326-331。

[40] Pallarés, JG, Cava, AM, Courel-Ibáñez, J., González-Badillo, JJ, 及 Morán-Navarro, R. (2014)。长时间阻力训练后，全蹲比部分深蹲能产生更显著的神经肌肉和功能适应性，且疼痛减轻。《欧洲运动科学杂志》，14(8), 793-802。

[41] García-Ramos, A.、Barboza-González, P.、Ulloa-Díaz, D.、Rodriguez-Perea, A.、Martinez-Garcia, D.、Guede-Rojas, F. 和 Cuevas-Aburto, J. (2020)。自由重量俯卧卧拉练习中单次最大重量估算不同方法的信度和效度。《运动医学与体能杂志》，60(5)，648-654。

[42] Sánchez-Medina, L., & González-Badillo, JJ (2011). 速度损失是阻力训练期间神经肌肉疲劳的指标。《运动医学与科学》，43(9)，1725-1734。

[43] Pareja-Blanco, F.、Villalba-Fernández, A.、Cornejo-Daza, PJ、Sánchez-Valdepeñas, J. 和 González-Badillo, JJ (2019)。组中不同负荷大小和速度损失的阻力训练后的恢复时间过程。体育，7(3)，59。

[44] Dorrell, HF, Smith, MF, & Gee, TI (2020)。基于速度和传统百分比的负荷方法对最大力量和爆发力适应性的比较。《力量与体能研究杂志》，34(1)，46-53。

[45] Galiano, C.、Pareja-Blanco, F.、Hidalgo de Mora, J. 和 Sáez de Villarreal, E. (2022)。在阻力训练中，低速损失带来的力量增益与中速损失相似。《力量与体能研究杂志》，36(2)，340-345。

[46] Jiménez-Reyes, P.、Samozino, P.、Brughelli, M. 和 Morin, JB (2017)。基于跳跃过程中力-速分析的个性化训练效果。《生理学前沿》，7，677。

[47] Banyard, HG, Tufano, JJ, Delgado, J., Thompson, SW, & Nosaka, K. (2019)。基于速度的训练方法与传统的基于1RM百分比的训练处方对急性动力学和运动学变量的影响比较。《国际运动生理学与运动表现杂志》，14(2)，246-255。

[48] Thompson, SW、Rogerson, D.、Dorrell, HF、Ruddock, A. 和 Barnes, A. (2020)。当前用于测量自由重量后蹲和力量翻中杠铃速度的技术的信度和效度。《体育》，8(7)，94。

[49] Balsalobre-Fernández, C.、Santos-Concejero, J. 和 Grivas, GV (2017)。的影响 力量训练 高度训练的跑步者的跑步经济性：一项基于对照试验的系统综述和荟萃分析。《力量与体能研究杂志》，31(8)，2288-2294。

[50] Helms, ER, Cronin, J., Storey, A., & Zourdos, MC (2016)。重复次数在基于储备的自觉用力程度评分（RST）阻力训练中的应用。《力量与体能杂志》，38(4), 42-49。

[51] Hughes, LJ、Peiffer, JJ 和 Scott, BR (2019)。组间静态拉伸对高强度间歇训练期间肌肉、心肺和代谢反应的急性影响。《欧洲运动科学杂志》，19(8)，1103-1113。

[52] Stone, MH, Sanborn, K., O'Bryant, HS, Hartman, M., Stone, ME, Proulx, C., … & Hruby, J. (2003). 大学投掷运动员的最大力量-爆发力-表现关系。《力量与体能研究杂志》，17(4), 739-745。

[53] Cormie, P.、McGuigan, MR 和 Newton, RU (2010)。发展最大神经肌肉力量：第一部分——最大力量产生的生物学基础。运动医学，40(1)，10-19。

[54] Baker, D., & Nance, S. (1999). 职业橄榄球联盟球员的力量与爆发力关系。《力量与体能研究杂志》，13(3)，224-229。

[55] Young, WB (2006). 力量和爆发力训练对运动表现的转化。《国际运动生理学和表现杂志》，1(2), 74-83。

[56] Kawamori, N. 和 Haff, GG (2004)。发展肌肉爆发力的最佳训练负荷。《力量与体能研究杂志》，18(3)，675-684。

[57] Pérez-Castilla, A.、Piepoli, A.、Garrido-Blanca, G.、Delgado-García, G.、Balsalobre-Fernández, C. 和 García-Ramos, A. (2019)。基于个体负荷-速度关系预测卧推单次最大重量的7种市售设备的精度。《国际运动生理学与运动表现杂志》，14(10)，1442-1446。

[58] Weakley, J.、Chalkley, D.、Johnston, R.、García-Ramos, A.、Townshend, A.、Dorrell, H. 和 Mann, B. (2020)。FLEX 用于测量常用阻力训练动作中杠铃速度的标准效度、单元间信度以及日间信度。《力量与体能研究杂志》，34(6)，1519-1524。

[59] García-Ramos, A.、Stirn, I.、Strojnik, V.、Padial, P.、De la Fuente, B.、Argüelles-Cienfuegos, J. 和 Feriche, B. (2016)。测力板和线速度传感器记录的力-速度-功率-时间曲线比较。《运动生物力学》，15(3)，329-341。

[60] Cormie, P.、Deane, R.、Triplett, NT 和 McBride, JM (2006)。全身振动对肌肉活动、力量和爆发力的急性影响。《力量与体能研究杂志》，20(2)，257-261。

[61] Suchomel, TJ, Comfort, P., & Stone, MH (2015). 举重拉力衍生动作：实施和应用的基本原理。运动医学，45(6), 823-839。

[62] Newton, RU, Murphy, AJ, Humphries, BJ, Wilson, GJ, Kraemer, WJ, & Häkkinen, K. (1997). 负荷和拉伸缩短周期对爆发性上肢运动过程中运动学、动力学和肌肉激活的影响。《欧洲应用生理学与职业生理学杂志》，75(4), 333-342。

[63] Dorrell, HF, Moore, JM, & Gee, TI (2019)。比较基于个体和团体的负荷-速度分析方法在6周力量和爆发力干预中用于控制训练负荷的效果。《运动科学与医学杂志》，18(4), 645。

[64] Latella, C.、Teo, WP、Drinkwater, EJ、Kendall, K. 和 Haff, GG (2019)。集群组阻力训练的急性神经肌肉反应：系统评价与荟萃分析。《运动医学》，49(12)，1861-1877。

[65] Morales-Artacho, AJ, Padial, P., García-Ramos, A., Pérez-Castilla, A., & Feriche, B. (2018). 集群训练方法对卧推机械和感知变量的影响。《体育》，6(1), 5。

[66] Pareja-Blanco, F.、Alcazar, J.、Sánchez-Valdepeñas, J.、Cornejo-Daza, PJ、Piqueras-Sanchiz, F.、Mora-Vela, R.、… & Ortega-Becerra, M. (2020)。速度损失是决定力量训练适应性的关键变量。运动与锻炼中的医学与科学，52(8), 1752-1762。

[67] Orange, ST, Metcalfe, JW, Robinson, A., Applegarth, MJ, & Liefeith, A. (2020)。赛季内速度与百分比训练对学院橄榄球联盟球员的影响。《国际运动生理学与运动表现杂志》，15(4)，554-561。

[68] Simmons, L. (2007). Westside 杠铃方法书. Westside Barbell.

[69] Banyard, HG, Nosaka, K., Sato, K., & Haff, GG (2017)。用于确定后蹲速度、力量和功率的各种方法的有效性。《国际运动生理学和运动表现杂志》，12(9)，1170-1176。

[70] Weakley, J.、Till, K.、Darrall-Jones, J.、Roe, G.、Phibbs, P.、Read, D. 和 Jones, B. (2018)。青少年橄榄球运动员的力量和体能训练：与身体素质变化的关系。《力量与体能研究杂志》，32(9)，2361-2369。

[71] Thompson, SW、Rogerson, D.、Dorrell, HF、Ruddock, A. 和 Barnes, A. (2020)。当前用于测量自由重量后蹲和力量翻中杠铃速度的技术的信度和效度。《体育》，8(7)，94。

[72] Claudino, JG, Cronin, J., Mezêncio, B., McMaster, DT, McGuigan, M., Tricoli, V., … & Serrão, JC (2017)。这 反向跳跃 监测神经肌肉状态：一项荟萃分析。《运动科学与医学杂志》，20(4)，397-402。

[73] Suchomel, TJ, Nimphius, S., & Stone, MH (2016). 肌肉力量在运动表现中的重要性。《运动医学》，46(10), 1419-1449。

[74] Reardon, C.、Tobin, DP 和 Delahunt, E. (2015)。应用个性化速度阈值解读精英职业橄榄球联盟中特定位置的跑步需求：一项 GPS 研究。PloS one，10(7)，e0133410。

[75] Seshadri, DR, Li, RT, Voos, JE, Rowbottom, JR, Alfes, CM, Zorman, CA, & Drummond, CK (2019)。用于监测运动员内外负荷的可穿戴传感器。NPJ 数字医学，2(1), 1-18。

[76] Halson, SL (2014). 监测训练负荷以了解运动员的疲劳程度。运动医学，44(2), 139-147。

[77] Balsalobre-Fernández, C.、Marchante, D.、Baz-Valle, E.、Alonso-Molero, I.、Jiménez, SL 和 Muñóz-López, M. (2017)。实时反馈应用于传统的本科生运动生理学实验室。生理学教育进展，41(4), 613-617。

[78] Courel-Ibáñez, J.、Martínez-Cava, A.、Morán-Navarro, R.、Escribano-Peñas, P.、Chavarren-Cabrero, J.、González-Badillo, JJ 和 Pallarés, JG (2019)。阻力训练中杠铃速度测量五种不同技术的再现性和可重复性。生物医学工程年鉴，47(7), 1523-1538。

[79] Dorrell, HF, Smith, MF, & Gee, TI (2020)。基于速度和传统百分比的负荷方法对最大力量和爆发力适应性的比较。《力量与体能研究杂志》，34(1)，46-53。

[80] García-Ramos, A.、Barboza-González, P.、Ulloa-Díaz, D.、Rodriguez-Perea, A.、Martinez-Garcia, D.、Guede-Rojas, F. 和 Jaric, S. (2019)。自由重量俯卧卧拉练习中单次最大重量估算不同方法的信度和效度。《运动医学与体能杂志》，60(5)，648-654。

[81] McMaster, DT, Gill, N., Cronin, J., & McGuigan, M. (2013). 精英橄榄球联盟、橄榄球联赛和美式橄榄球中力量和爆发力的发展、保持与衰退。《运动医学》，43(5)，367-384。

[82] Pareja-Blanco, F.、Alcazar, J.、Sánchez-Valdepeñas, J.、Cornejo-Daza, PJ、Piqueras-Sanchiz, F.、Mora-Vela, R.、… & Ortega-Becerra, M. (2020)。速度损失是决定力量训练适应性的关键变量。运动与锻炼中的医学与科学，52(8), 1752-1762。

[83] Kraemer, WJ, & Ratamess, NA (2004). 阻力训练的基础：进展与运动处方。《运动医学与科学》，36(4), 674-688。

[84] Pérez-Castilla, A.、Piepoli, A.、Delgado-García, G.、Garrido-Blanca, G. 和 García-Ramos, A. (2019)。七种市售设备用于评估卧推过程中不同强度动作速度的信度和并发效度。《力量与体能研究杂志》，33(5)，1258-1265。