{"id":11190,"date":"2026-02-26T08:39:24","date_gmt":"2026-02-26T07:39:24","guid":{"rendered":"https:\/\/spleeft.app\/?p=11190"},"modified":"2026-02-26T08:43:07","modified_gmt":"2026-02-26T07:43:07","slug":"il-nuovo-aggiornamento-potenzia-i-profili-di-velocita-del-carico","status":"publish","type":"post","link":"https:\/\/spleeft.app\/it\/il-nuovo-aggiornamento-potenzia-i-profili-di-velocita-del-carico\/","title":{"rendered":"Nuovo aggiornamento! Carico supplementare - Profili di velocit\u00e0"},"content":{"rendered":"In questo nuovo aggiornamento di Spleeft, ci siamo concentrati su due aspetti fondamentali: il miglioramento dell'esperienza utente per quanto riguarda la misurazione della velocit\u00e0 di esecuzione e l'ampliamento delle analisi sia per le tendenze della velocit\u00e0 che per il profilo della velocit\u00e0 di carico.\r\n

SCARICA ORA L'APP SPLEEFT PER iOS, ANDROID E APPLE WATCH!<\/a><\/h2>\r\n

1. Modalit\u00e0 di debug: Verso un algoritmo pi\u00f9 robusto<\/h2>\r\nLa democratizzazione di Allenamento basato sulla velocit\u00e0<\/em> (VBT) utilizzando i sensori interni dell'iPhone e dell'Apple Watch presenta sfide tecniche complesse, soprattutto per quanto riguarda l'accelerometria. Anche se consigliamo sempre di seguire la nostra guida alle migliori pratiche<\/a>, Siamo consapevoli che esistono scenari specifici in cui il rilevamento delle ripetizioni pu\u00f2 variare rispetto ad altri dispositivi di riferimento.\r\n\r\nPer risolvere questo problema, abbiamo introdotto Modalit\u00e0 Debug<\/strong>.\r\n\r\nSe si nota che Spleeft non registra correttamente una ripetizione o un'altezza di salto in una particolare situazione, \u00e8 possibile attivare questa modalit\u00e0. Cos\u00ec facendo, ci invierete i dati grezzi in modo che il nostro team di sviluppo possa analizzare il caso e regolare l'algoritmo. L'obiettivo \u00e8 ridurre la curva di apprendimento e rendere Spleeft infallibile in qualsiasi ambiente.\r\n\r\nAttivarlo prima di configurare ogni set sull'iPhone. Sull'Apple Watch, toccare l'icona delle impostazioni sotto le modalit\u00e0 di prestazione. Si noti che l'attivazione di questa modalit\u00e0 pu\u00f2 compromettere le prestazioni del dispositivo, poich\u00e9 consuma una quantit\u00e0 significativa di memoria.\r\n

Miglioramento negli esercizi di avviamento statico<\/h3>\r\nGrazie ai dati raccolti durante la fase beta, abbiamo ottimizzato il rilevamento dell'inizio della fase concentrica negli esercizi che iniziano da una posizione statica (senza precedenti contromovimenti), come il stacco da terra<\/strong> o varianti di pressione in pausa. Ora l'algoritmo identifica con maggiore precisione l\u201c\u201dimpulso iniziale\", garantendo che la velocit\u00e0 media rifletta fedelmente lo sforzo compiuto fin dal primo millimetro di spostamento.\r\n

2. Filtri del range di movimento (ROM) e raggruppamento temporale<\/h2>\r\nLa sezione dei trend \u00e8 fondamentale per valutare la progressione a lungo termine. Tuttavia, un cambiamento nella tecnica pu\u00f2 generare rumore nei dati.\r\n
    \r\n \t
  • Filtro ROM in Tendenze:<\/strong> Come nel profilo carico-velocit\u00e0, \u00e8 ora possibile filtrare i grafici di evoluzione in base al range di movimento. Questo \u00e8 fondamentale, poich\u00e9 un aumento del ROM pu\u00f2 aumentare il tempo sotto tensione e modificare la velocit\u00e0 media senza necessariamente indicare un cambiamento nella prestazione neuromuscolare. Aumentando il ROM con carichi pesanti si pu\u00f2 passare attraverso il punto di stallo; con carichi leggeri, si pu\u00f2 passare pi\u00f9 tempo ad applicare la forza e ad accelerare.<\/li>\r\n \t
  • Raggruppamento temporale:<\/strong> Abbiamo aggiunto l'opzione di raggruppare i dati per settimane o mesi. Ci\u00f2 consente di eliminare la variabilit\u00e0 giornaliera e di osservare pi\u00f9 chiaramente se la programmazione sta avendo l'effetto desiderato.<\/li>\r\n<\/ul>\r\n