Power與測力板的案例分析
POWER是什麼?
Power有時被翻做爆發力,時常是我們評價運動員的第一印象。
針對下肢,檢測power很常用且簡單的作法是測垂直跳,現在已經有數學公式可以單靠輸入體重與垂直跳高度自動換算出power(Güçlüöver, A. & Gülü, M. 2020)。其他測驗還有腳踏車功率計、IMU、VBT儀器…等,都可以測出動作的power值。
但”爆發力”這種帶有描述運動表現質性的名詞,常常會讓許多教練產生誤會,誤以為power最大的選手就等同於跳得最高、跑得最快,或是一味追求發展power,卻忘了power的真實身分,應該從另外一翻譯名詞–功率來切入,其實不過就是單位時間內做功的量而已。
若從power的計算方式(Power=work/time)來看,要讓power的數據看起來很漂亮,有兩種方式:
第一種情形是time相對於work非常小
以測力板上的垂直跳為例,我們知道衝量(對力板施加的力量X時間)和垂直跳高度間有非常高的相關性。用白話說明,就是當你的對板子施壓的時間越久,你「有機率」會跳得越高。
相反地,當我們今天用stiff leg的方式,只用腳輕輕蹬一下就起跳,或許(推進期)power可以呈現出非常高的數值(因為time小),但卻不見得跳得高。
第二種讓power的數據看起來非常漂亮的方式,是讓work非常大
做功(work)是位移X力量。所以,很大的機械功可能來自很大的力量(包含體重)或是很長的位移。
以測力板的CMJ垂直跳測驗為例,會讓人產生誤會的情形是選手體重非常重或是起跳前蹲得非常深;不論是哪一種,都可能讓他的功率看起來非常大,但其實只是裹著糖衣的毒藥。
所以,單靠power的數值,不足以讓教練解構一位運動員的表現,通常都需要再搭配其他數據來說故事。
但回過頭來,以垂直跳高度為例,既然power無法絕對地代表運動表現(跳躍高度),那為何推進期的峰值功率(peak propulsion power)和平均功率(mean propulsion power)與CMJ的跳躍高度仍存在中度到高度的相關性(r = 0.54–0.90)呢?
這是因為推進期peak power出現時的速度,它與CMJ高度之間存在著大的相關性(Linthorne,2021),而被過度解讀了這個時間點的數值。但真正影響到跳躍高度的,終究還是起跳(take off)的初速度。只能說當peak power出現時的速度不錯,take off速度也不會小。
這邊分享兩篇從【Laboratory Manual for Strength and Conditioning】書上摘錄的案例
第一個案例。兩位男性橄欖球員的CMJ檢測成績(選手1的體重是112公斤,選手2是95公斤),與和他們所屬同位置的其他球員比較。
從表現結果來看,選手2跳得比選手1高(37公分 vs. 35公分),但故事的全貌需要搭配其他數據才看得清楚。
細看其資料,選手1的絕對最大峰值功率比選手2大(6080W vs. 5276W),但如果除以體重之後,以標準化的數值來呈現,選手2的峰值功率其實較佳(55.7 vs. 54.4)。
而整段推進期的平均功率,選手2顯得更好。為什麼?或許是因為他下蹲的深度更淺,在推進期所花的秒數更短,所以使得最後的結果更好。
因此單靠power一值,實在不能成為我們評斷訓練好壞的依據。
再來看到推進期間產生的功,假設能量守恆的情況下,這些功最後都會轉換成跳到最高點的位能。雖然選手2並沒有像選手1一樣製作出這麼多功(350J vs. 380J),但因為他有更輕的體重,所以最後得到比選手1更大的位移。
第二個案例,是一個縱向的觀察。紀錄一位女性足球員在經歷15周的訓練之後,power的改變
若直接從檢測成果來看,可以說是慘不忍睹。各項數據(功率峰值、平均功率、跳躍高度)都是下滑狀態,但有一部分原因是該選手流失了七公斤的體重所導致。且即使除以體重後,相對平均功率、相對功率峰值依舊呈現退步,只是退步的百分比非常小(各自下滑2.4% 與 1%),也許僅僅是因為測量上的誤差造成。
這份報表最重要的資訊在於推進期的位移(下蹲深度)與所花時間,分別從0.46m變成0.39m & 從0.3s變成0.263s,說明了這位選手兩次檢測其實是採用不同的跳躍策略。在過去的研究裡面我們知道,當運動員呈現疲勞時,會改變他們跳躍的方式來維持跳躍高度。因此單看跳躍高度對疲勞監控的敏感性並不夠。在這個例子也有類似的狀況。
上述兩個例子都是非常有趣的案例。若能搭配其他隊友或是同類型運動員的數據輔助,我們才更能知道究竟這位選手要繼續加強的方向是什麼。
這幾年我也汲汲營營於找尋測力板的相關書籍與文章,想知道究竟最關鍵的metric是什麼,才能避免跟教練或是客戶解釋報表的過程像在上物理課。
因為很常發生的情境是,在我們告訴選手「你今天的power峰值是XXXX」後,下一句通常他們會接著問(或是在心裡納悶)「所以是好還是不好?」。在這些報告的數值裡面,只有垂直跳高度大家最有感覺。
最後我才慢慢想通,one-fit-all的數據並不存在,有些時候你必須用RSI去切入,有些時候你必須看power,有些時候你要去注意RFD。或許直到未來的某一天,AI能直接幫我們根據過去的紀錄來辨析整份報表,告訴我們究竟結果是好是壞,就像inbody的分數或是Hawkin dynamics的TSA Score一樣。