Reino Unido
Reino Unido
Lincoln District, Reino Unido
El objetivo del estudio fue comparar diferentes modelos predictivos en una estimación de 1 máxima repetición (1MR) a partir de datos del perfil de carga-velocidad (LVP). Catorce hombres entrenados en fuerza se sometieron a 1MR inicial en sentadilla trasera con peso libre, seguidas de dos cargas LVP, durante tres sesiones. Los perfiles se construyeron mediante un método combinado (sentadilla con salto (carga 0, 30–60% 1MR) + sentadilla trasera (70–100% 1MR)) o sólo sentadilla trasera (carga 0, 30–100% 1MR) en incrementos de 10%. Se aplicó un modelo de regresión cuadrática y lineal a los datos para estimar el 80% de 1MR (kg) utilizando la velocidad media del 80% de 1MR identificada en la carga LVP como punto de referencia, con carga (kg), luego extrapolada para predecir 1MR. La predicción de 1MR se basó en datos de la LVP dos y se dedujo mediante análisis de varianza, tamaño del efecto (g/ɳ2p), coeficientes de correlación de Pearson (r), t-tests apareados, error estándar de estimación (SEE) y límites de concordancia (LOA) p <0.05. Todos los modelos informaron un sesgo sistemático <10 kg, r >0.97 y SEE <5 kg; sin embargo, todos los modelos lineales fueron significativamente diferentes del 1MR medido (p = 0.015 <0.001). Se observaron diferencias significativas entre los modelos cuadráticos y lineales para los métodos combinados (p <0.001; ɳ2p = 0.90) y sentadilla (p = 0.004, ɳ2p = 0.35). Se observaron diferencias significativas entre los ejercicios al aplicar el modelado lineal (p <0.001, ɳ2p = 0.67-0.80), pero no cuadrático (p = 0.632-0.929, ɳ2p = 0.001-0.18). El modelado cuadrático que emplea el método combinado proporcionó la mayor validez predictiva. Por lo tanto, los profesionales deben utilizar este método cuando busquen predecir 1MR diario como un medio de autorregulación de la carga.
The study aim was to compare different predictive models in one repetition maximum (1RM) estimation from load-velocity profile (LVP) data. Fourteen strength-trained men underwent initial 1RMs in the free-weight back squat, followed by two LVPs, over three sessions. Profiles were constructed via a combined method (jump squat (0 load, 30–60% 1RM) + back squat (70–100% 1RM)) or back squat only (0 load, 30–100% 1RM) in 10% increments. Quadratic and linear regression modeling was applied to the data to estimate 80% 1RM (kg) using 80% 1RM mean velocity identified in LVP one as the reference point, with load (kg), then extrapolated to predict 1RM. The 1RM prediction was based on LVP two data and analyzed via analysis of variance, effect size (g/η2p), Pearson correlation coefficients (r), paired t-tests, standard error of the estimate (SEE), and limits of agreement (LOA). p < 0.05. All models reported systematic bias < 10 kg, r > 0.97, and SEE < 5 kg, however, all linear models were significantly different from measured 1RM (p = 0.015 <0.001). Significant differences were observed between quadratic and linear models for combined (p < 0.001; η2p = 0.90) and back squat (p = 0.004, η2p = 0.35) methods. Significant differences were observed between exercises when applying linear modeling (p < 0.001, η2p = 0.67–0.80), but not quadratic (p = 0.632–0.929, η2p = 0.001–0.18). Quadratic modeling employing the combined method rendered the greatest predictive validity. Practitioners should therefore utilize this method when looking to predict daily 1RMs as a means of load autoregulation.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados