编辑推荐：
为解决 1RM（一次最大重复重量）直接测定的局限，研究人员开展了 1RM 预测相关研究。他们构建两种混合方法模型，发现添加个体或最优 MVT（最低速度阈值）可提升模型预测力，但仅基于个体 MVT 的混合模型比直接法更精准，对运动训练强度制定意义重大。
在运动训练和体能评估领域，准确测定运动员的最大力量对制定科学的训练计划至关重要。一次最大重复重量（1RM）作为衡量最大动态力量的常用指标，在运动实践中应用广泛。然而，直接测定 1RM 存在诸多弊端。一方面，对大量运动员进行测试时，操作繁琐且耗时费力；另一方面，测试过程可能导致运动员过度疲劳，甚至增加受伤风险。因此，寻找一种准确、便捷的 1RM 间接预测方法成为运动科学领域的研究热点。
为了解决这些问题，来自葡萄牙的研究人员积极开展研究。他们聚焦于 1RM 预测这一主题，试图探索新的方法和模型来提高 1RM 估算的准确性。最终，该研究成果发表在《Sport Sciences for Health》杂志上。
研究人员开展此项研究，旨在通过构建两种混合方法模型，深入探究添加个体或最优 MVT 对自由重量深蹲 1RM 预测模型解释方差的影响，并比较这些模型与个体 LVR 在 1RM 预测方面的有效性。
研究人员采用了一系列关键技术方法。首先，他们选取 76 名年轻、健康的男性体育专业学生作为研究对象。在实验过程中，采用重复测量设计，安排 3 次测试 session。运用 Chronojump 线性位置传感器测量杠铃运动速度，获取负荷 - 速度关系（LVR）数据 。通过分层多元线性回归分析等统计方法，构建预测模型并进行验证。
研究结果
- 受试者特征及 LVR 相关数据：参与研究的受试者年龄、身高和体重在训练组和测试组间无显著差异。所有受试者相对深蹲 1RM 均大于 1.5，证实其有良好的抗阻训练基础。负荷与速度之间存在强线性关系，相关系数R2在 0.88 - 0.99 之间。
- 1RM 预测模型分析：研究构建了ModelIND（基于个体 MVT 的混合模型）和ModelOPT（基于最优 MVT 的混合模型）。结果显示，ModelIND能解释 1RM 方差的 89.7%（p<0.0001） ，ModelOPT将预测力提升至 98.7%（p<0.0001） 。二者绝对误差较低，分别为 4.7% 和 3.9%，但ModelOPT在解释方差上优势明显。
- 不同模型预测准确性比较：通过与个体 LVR 预测结果对比，发现ModelIND的预测结果与LVRIND有显著差异，且LVRIND绝对误差较高。ModelOPT和LVROPT预测准确性相似，但ModelOPT的局限性在于其一致性界限（LoA）可能较宽，在追踪训练适应能力低的个体 1RM 变化时存在困难。
研究结论与讨论
研究表明，在混合模型中加入个体或最优 MVT，可提高自由重量深蹲 1RM 的预测准确性。其中，ModelIND在准确性上优于个体 LVR；而ModelOPT虽解释方差更高，但 LoA 较宽，在实际应用中存在一定限制。
从实际意义来看，对于力量训练和体能评估，准确的 1RM 预测至关重要。本研究为教练和运动员提供了更科学的 1RM 预测方法选择依据。同时，研究也指出了模型的局限性，如仅适用于自由重量深蹲、受测量设备影响等，为后续研究指明了方向。
总的来说，该研究在 1RM 预测领域取得了重要进展，为运动科学实践提供了有价值的参考，有助于推动力量训练和体能评估的科学化发展 。
