不同強度的羽球動作運動量與肢段運動量的相關性

全文

(1)國立台灣師範大學運動與休閒學院運動競技學系碩士學位論文. 不同強度的羽球動作運動量與肢段運動量的相關性. 研究生：余謙指導教授：相子元. 中華民國 105 年 6 月中華民國臺北市.

(2) 不同強度的羽球動作運動量與肢段運動量的相關性 2016 年 6 月研究生：余謙指導教授：相子元摘要前言: 運動表現的提升需要藉由適當的訓練強度及運動量，若是沒有控制好運動量，容易造成選手過度訓練甚至受傷。近年來漸漸藉由科學儀器監控訓練過程，監控訓練可以給予運動表現變化提供一個科學的解釋，重要的是監控訓練能幫助訓練人員掌控選手的訓練負荷及減少受傷風險、疾病。國內羽球項目的成績表現日益提升，但也因為龐大訓練量導致許多選手身體帶傷訓練、比賽，而加速規是目前最方便且便宜的量測儀器之一，重要的是能夠客觀的提供動作的資訊，但是量測準確度會受到擺放位置而影響，因此越來越多研究探討加速規擺放位置，以及是否能利用加速規推估運動時的運動量並監控訓練減少傷害風險。目的: 比較四肢與軀幹運動時不同加速規訊號演算法推估的運動量，與心率換算出的運動量之間的相關性。方法：招募 12 名大專男子羽球選手進行實驗，進行四種不同強度的羽球訓練動作，同時量測心率、四肢及軀幹運動時的加速度。將心率帶入 Banister’s TRIMP (Training impulse) 公式計算運動量，加速規訊號轉換成 MAD (mean amplitude deviation) , Player Load 與 MPD (mean power deviation) 數值，並比較之間的相關性。結果:在運動開始後的第三分鐘，MAD, Player Load 與 MPD 演算法與 TRIMP 算出的運動量在慣用手達中度相關，非慣用手、雙腳及腰椎達高度相關。結論:加速規訊號以 MAD, Player Load 與 MPD 演算法推估動作運動量是可行的，除了慣用手以外其餘部位皆適合擺放加速規，未來可將本研究應用於選手量化運動量上。. 關鍵字:心率、加速規、量化運動量. i.

(3) The Correlation between Different Intensities of Exercise and Limb Movements in Badminton Exercise June, 2016 Author: Chien Yu Advisor: Tzyy-Yuang Shiang Abstract Introduction: Raising athletic performance required appropriate exercise and training, but overtraining could cause injury. Monitoring training can help coach to control athlete’s training program and reduce the risk of injury. Heart rate was commonly used to monitor training in the past. Accelerometer is one of the most convenient instruments substitute heart rate currently. However, the position to attach accelerometer will affect the signal collection and further affect the accuracy. Purpose: The purpose of this study is to examine: The correlation of different algorithms for limbs and trunk accelerometer signals and heart rate signals in badminton movement. Method: This study recruited 12 male badminton athletes who were asked to wear a heart rate monitor and 5 tri-axial accelerometers to perform 4 different badminton movement. Result: In the third minute after the start of movement, MAD, Player Load and MPD algorithms have moderate to high correlation with TRIMP value in all accelerometer positions. Conclusion: It’s feasible to quantify the amount of exercise using MAD, Player Load and MPD algorithms. The results of this study could be applied to quantify the amount of training in badminton.. Keywords: Heart rate, accelerometer, monitoring training. ii.

(4) 謝誌. 「耶~我們家有研究生了!」還記得當初告訴媽媽考上運科所的那一刻，媽媽非常興奮的反應。這兩年來回家的次數明顯少了許多，尤其是最後這半年，只是回家吃個飯馬上又要回台北了。爸爸媽媽真的辛苦你們了，我完成學業了，我依然記得爸爸說過會提供我生活費直到求學結束，讓我可以無憂無慮的升學，接下來換我為這個家貢獻了。每次回家看著你們的背影及白髮，我總是對自己說希望能趕快擁有經濟能力好讓你們休息，真的非常愛你們!! 『沒有速度就不叫創新』是力學實驗室耳熟能詳的一句名言，謝謝我的指導教授相子元老師的指導，謝謝老師總是在我毫無頭緒不知道下一步怎麼走的時候救了我，謝謝老師不厭其煩的指導我報告的邏輯、敘述方式，最後也非常有耐心地不斷幫我修改論文，真的非常謝謝老師，讓個性散漫的我的人生中體驗到不同以往步調的兩年。感謝實驗室的大家:尹鑫學長、家祥學長、振芳學長、一涵學長、依蘋學姊、贊仰學長、婉鈴學姊、冠為學長、啟賓學長、旭芳、倍瑄、仲廷、庭葳、冠勛、京叡，謝謝你們的幫助及包容我這個很雷的隊友，增加了你們的負擔真是不好意思，以後來上我的教練課我就不收你們的費用了，非常謝謝你們。「謙那~~」這是亮瑋姊形容她呼喚寶貝兒子的聲音，非常感謝系辦亮瑋姊、晴瑛姊、易廷哥在這兩年中教我許多課本學不到的人生道理、人際關係，也願意聽完我生活上的不愉快後指點我方向，謝謝你們，也祝你們未來順利。「預備~GO~~~」是梁衍明老師的出發口令，感謝中央游泳隊昔日戰友在我剛進師大後不時找我聚餐、關心狀況，謝謝梁衍明老師當初推薦我來到運科所，不時關心論文進度，謝謝老師，感謝牧群、仲甫在我剛來師大適應時期的各種陪伴與鼓勵，謝謝英秀在我論文低潮時期聽我抱怨，謝謝中央泳隊的你們。「加油~~欸~~~~」這是師大乙泳大家最有默契的口號，還記得你們在我 Seminar 報告前一天特地錄影為我打氣，真的覺得跟你們一起練習很快樂，每當報告不順利或 iii.

(5) 是覺得壓力很大的時候，唯有訓練才能暫時忘掉一切，在我泳鏡進淚水時，也是你們讓我開心的笑，慶幸當初的不小心進來泳隊，更慶幸我有留到最後，有你們真好。也謝謝張書瑋教練，不斷給我建立信心、分享自己的經歷並且相信我做得到，教練好~ 謝謝教練。最後感謝大阿姨、小阿姨還有小姨丈，謝謝你們對我就像自己的兒子一樣，提供我吃住和許多生活上的費用，希望我吃更好穿更暖睡更好，我絕對不會忘記這份恩情的，謝謝你們。. 余謙于國立臺灣師範大學創新運動科技研究室 2016.7. iv.

(6) 目次. 中文摘要......................................................................................................................i 英文摘要.....................................................................................................................ii 謝誌............................................................................................................................iii 目次............................................................................................................................v 圖次...........................................................................................................................vii 表次..........................................................................................................................viii. 第壹章緒論..........................................................................................1 第一節. 前言.............................................................................................1. 第二節. 問題背景.............................................................................................3. 第三節. 研究目的.............................................................................................3. 第四節. 研究假設.............................................................................................3. 第五節. 研究範圍與限制…........................................................................4. 第六節. 名詞操作定義.....................................................................................4. 第七節. 研究之重要性.....................................................................................4. 第貳章文獻探討..................................................................................5 第一節. 運動量計算方式................................................................................5. 第二節. 以加速規量測日常身體活動.........................................................6. 第三節. 加速規量化運動訓練量與生理指標的比較...................................7. 第四節. 加速規量化運動量在訓練中的應用...............................................9. v.

(7) 第五節. 文獻總結….......................................................................................11. 第參章實驗方法................................................................................12 第一節. 研究對象...........................................................................................12. 第二節. 測量儀器與設備...............................................................................12. 第三節. 實驗步驟...........................................................................................13. 第四節. 實驗流程...........................................................................................15. 第五節. 資料收集與分析...............................................................................15. 第六節. 統計方法...........................................................................................16. 第肆章結果........................................................................................17. 第伍章討論........................................................................................26 第一節. 運動時間長短影響心率加速規訊號的相關性...............................26. 第二節. 不同演算法對加速規訊號與心率訊號相關性之比較...................27. 第三節. 不同部位對加速規訊號與心率訊號相關性之比較.......................29. 第四節. 結論與建議...............................................................................30. 引用文獻................................................................................................31 附錄一. 實驗受詴者頇知.......................................................................................38. 附錄二實驗受詴者同意書...................................................................................39 附錄三實驗受詴者基本資料表...........................................................................40. vi.

(8) 圖次. 圖 1. 手腕、軀幹加速規黏貼位置....................................................................13. 圖 2. 雙腳加速規黏貼位置............................................................................1 3. 圖 3. 實驗步驟圖.................................................................................................14. 圖 4. 實驗流程圖.................................................................................................15. 圖 5. 12 位受詴者 TRIMP 帄均值..................................................................17. 圖 6. 所有受詴者腰椎部位 TRIMP 值與 MAD 值相關圖.........................................21. 圖 7. 腰椎部位 TRIMP 帄均值與 MAD 帄均值相關圖.............................................21. 圖 8. 小球動作 TRIMP 值與 MAD 值帄均值變化圖.............................................22. 圖 9. 所有受詴者慣用手 TRIMP-MAD 散佈圖.................................................23. 圖 10. 所有受詴者非慣用手 TRIMP-MAD 散佈圖............................................23. 圖 11. 所有受詴者慣用手 TRIMP-Player Load 散佈圖....................................24. 圖 12. 所有受詴者非慣用手 TRIMP-Player Load 散佈圖.................................24. 圖 13. 所有受詴者慣用手 TRIMP-MPD 散佈圖................................................25. 圖 14. 所有受詴者非慣用手 TRIMP-MPD 散佈圖............................................25. vii.

(9) 表次. 表 1 加速規與其他方式量化訓練之關係文獻整理…..……………………………...…...8 表 2 加速規量化訓練量之應用相關文獻整理..................................................................10 表 3 12 位受詴者 TRIMP 帄均值與標準差........................................................................17 表 4 12 位受詴者各動作第一分鐘的 TRIMP 帄均值與 MAD 帄均值…..……...…..….18 表 5 12 位受詴者各動作第二分鐘的 TRIMP 帄均值與 MAD 帄均值…..……...…..….18 表 6 12 位受詴者各動作第三分鐘的 TRIMP 帄均值與 MAD 帄均值…..……...…..….18 表 7 12 位受詴者各動作第一分鐘的 TRIMP 帄均值與 Player Load 帄均值…...…..….18 表 8 12 位受詴者各動作第二分鐘的 TRIMP 帄均值與 Player Load 帄均值…...…..…..19 表 9 12 位受詴者各動作第三分鐘的 TRIMP 帄均值與 Player Load 帄均值…...…..…..19 表 10 12 位受詴者各動作第一分鐘的 TRIMP 帄均值與 MPD 帄均值…..………..…....19 表 11 12 位受詴者各動作第二分鐘的 TRIMP 帄均值與 MPD 帄均值…..…….…...….19 表 12 12 位受詴者各動作第三分鐘的 TRIMP 帄均值與 MPD 帄均值…..……...……...20 表 13 各演算法與各部位第三分鐘的心率-加速規訊號運動量之相關係數(r)…............20. viii.

(10) 第壹章緒論. 第一節前言近年來，國內競技運動加入運動科學元素，在訓練、醫療、營養等各方面都有很大的進展，幫助許多運動項目的成績有很大的突破，並且在奧運上漸漸有亮眼成績出現，然而有些運動項目表現仍然與世界強國有一定程度的差距，包括訓練的質量不高、訓練效率較低、訓練科學性還有待進一步改進與提高、缺乏對訓練過程的監控與評估。訓練適應與運動表現變化有關，找到訓練與恢復之間的最佳帄衡對運動員的運動表現非常重要 (Smith, 2003) ，帄衡點的拿捏需要藉由能夠量化訓練的監控措施，一個運動員是否採取監控措施可以取決於是否從事個體或團隊的體育活動，然而監控訓練的重要性已經是無庸置疑的，監控訓練可以給予運動表現變化提供一個科學的解釋，且利用科學化的方式檢測結果也較能給予改變決策的信心與確定性 (Halson, 2014) 。適度的監控訓練負荷可提供重要資訊給教練及選手，除了能夠追溯訓練負荷與運動表現的關係，還能確保適當的比賽訓練計劃，最重要的是監控訓練能減少受傷風險、疾病及無效果的超負荷，然而監控系統需要直觀，能提供有效的數據分析與解釋並且能簡單且有效地給予回饋。現今已有許多運動項目加入科學儀器監控球員在訓練過程中的生理指標，除了能夠客觀判斷訓練強度是否達到要求，或是避免過度訓練造成傷害或影響動作的協調性 (Yuksel, Cengiz, Zorba, & Gokdemir, 2015) ，還能藉由監控結果量化每次的運動量，進而比較選手在不同運動量的訓練效果，使訓練能更有效率。近年來電子科技的進步，以及穿戴式裝置技術的純熟，加速規訊號感測器精準度提升，體積小更方便攜帶，所以更多人利用加速規來推估身體活動量，也達一定信效度 (Welk, Blair, Wood, Jones, & Thompson, 2000) ，也有學者利用加速規訊號分析動作、判斷人體在運動過程的姿勢變化甚至是放入訓練中，近期有學者將不同的加速規訊號演算方式做比較，找出以加速規訊號就能判斷日常生活的身體活動強度的算法，並且也與心率達高度相關 (Vähä‐Ypyä, Vasankari, Husu, Suni, & Sievänen, 2015) ，除了 1.

(11) 日常身體活動的演算法外，在監控運動訓練中也有常用於運動訓練上的演算法，並且與心率 RPE 達良好的相關性 (Scott, Lockie, Knight, Clark, & Janse de Jonge, 2013) ，除了探討不同演算方式之外，加速規擺放位置也是影響相關性與準確性的重要因素之一 (王佩凡，2008; 陳嘉偉，2012) 。加速規能客觀且即時提供完整的身體動作資訊給教練及選手參考，將能有效提升訓練效率。羽球是世界上最為普遍與風行的運動之一，在國內各級學校體育課中受到相當之歡迎，屬於老少咸宜的運動，並且在自 1992 年羽球成為奧運會正式比賽項目後，在競技場上成為我國重點培訓的運動項目之一，近年來我國羽球選手如男女好手周天成、戴資穎等，在國際比賽中屢屢有優異表現，證明羽球運動是一項適合國人大力推展之項目，若要成為國內優秀選手、獲取大學升學保送權、甚至得到相關廠商的贊助合約，選手最好在高中就要獲取佳績並升為甲組球員，因此我國青少年羽球代表隊選手勢必有著很大的訓練與比賽壓力進而造成身體的過度使用，而這正也是從事羽球運動時產生運動傷害的原因 (Jørgensen & Winge, 1990) 。有學者調查國內錦標賽青少年羽球選手的運動傷害並分析，發現在國小、國中、高中的羽球選手中，受傷人數以高中人次最多、國中次之、國小最少，推測原因為隨著年紀增長，比賽競爭激烈與壓力程度越高導致身心壓力交互作用影響，加速疲勞產生、造成傷害 (劉于詮，2011) ，先前也有學者對於優秀青少年羽球選手作訓練與傷害的調查，在帄均年齡 16.06±1.80 歲中，由於超高負荷與強度的訓練下，有羽球傷害的經驗百分比高達 95.3% (楊繼美，2004) 。由以上述結果可知，國內許多羽球選手雖有許多優異成績，但也伴隨著許多因訓練過度而造成的傷痛，選手隨著年紀增長、身體素質提升，原本應有更好的運動表現，但也因訓練量與強度隨之增強的情況下，造成傷害量與機率跟著增多、表現停滯甚至下降，因此更需要準確的量化訓練。綜合以上結論，現今監控訓練對於運動表現的提升非常重要，而加速規日益進步準確，運動科學人員也漸漸利用加速規幫助教練及選手作客觀的分析與建議，若能利用加速規幫助國內羽球項目準確量化訓練量，並且找出最適合的擺放位置，或許能增進訓練效率、降低傷害風險，提升國內羽球水帄。 2.

(12) 第二節問題背景先前有許多文獻利用心率為效標，比較加速規量化運動訓練的準確性例如:橄欖球、足球…等 (Boyd, Ball, & Aughey, 2013; Scott et al., 2013) ，但目前在持拍類這種慣用側與非慣用側甚至是上半身與下半身差異較大的動作類型 (范姜嘉銘，2014) 卻較少有這方面的探討，若要以加速規量化這類選手的運動量，是否也能參照先前團隊運動的擺放位置也是未知數。近年來已經有越來越多加速規與運動強度相關的研究，尤其在處理加速規訊號的演算方式更是非常多樣式 (Vähä‐Ypyä et al., 2015) ，先前文獻指出推估日常生活身體活動量最準確的 MAD (mean amplitude deviation) , MPD (mean power deviation) 演算法是否也能推估球類訓練上？或是較常使用於團體運動項目的 Player Load 演算法是否也能套用在手腳慣用非慣用差異大的持拍類運動上?加速規擺放在什麼部位?這些問題都是目前尚未明確的，因此本研究想探討以加速規監控羽球訓練，以不同演算法推估不同部位的運動量與心率值所換算的運動量做比較。. 第三節研究目的本研究目的為: 羽球運動中，比較四肢及軀幹運動的加速規訊號經過 MAD 值, Player Load 值與 MPD 值運算與心率換算出的運動量之間的相關性。. 第四節研究假設根據本研究目的進行研究假設為: 羽球運動中，四肢及軀幹收取的加速規訊號經過 MAD 值, Player Load 值與 MPD 值運算會與心率換算出的運動量之間具有高度相關性。. 3.

(13) 第五節研究範圍與限制本實驗針對優秀男子羽球選手，因此無法適用於不同族群或不同競技項目進行推論。. 第六節名詞操作定義 1.放小球：用拍面輕快、細膩的擊球座下部，使球旋轉翻滾、較低的飛行高度恰巧過網，並落在對方網前的技巧，本實驗中包含正手拍及反手拍放小球。 2.定點發球揮拍：右手握拍由右側舉起，左手持球，兩臂前後自然張開，持球的左手向球網方向伸出，在身體右前方適當距離處放開球，同時右手由後向前 (身體重心由右腳移至左腳) 揮拍擊球。 3.米字步伐：將左右兩側上網步伐、左右兩側移動步伐、左右兩側後退步伐這六個方向的移動步伐綜合訓練的項目，由於步伐移動路線如同「米」字，故稱為米字步伐。 4.跳躍殺球：當對方擊出的後場高遠球，首先判斷來球的落點，迅速移動至最佳擊球位置。當來球在肩前上方時，起跳至最高點，將球由高處向下施力重擊，擊球瞬間手掌需握緊拍柄，以球拍正面擊球座的後部，讓球快速的以直線向下飛射入對方場區。 (彭美麗，2001). 第七節研究之重要性一、以心率為效標，確認並量化不同羽球動作下相對應的運動量，提供將來羽球訓練上的理論基礎。二、提供羽球愛好者與競技運動選手在規劃羽球訓練中運動量參考依據，協助教練有系統性規劃訓練週期，達到有效提升實力。. 4.

(14) 第貳章. 文獻探討. 第一節運動量的計算方式運動員身體能力的變化主要是由訓練的刺激所產生的，而訓練負荷的質與量皆與運動競技表現有著密切的關係，因此對於運動員在一個訓練週期所承受的總訓練做一個準確的量化，即為對競技能力狀態的診斷，是對於分析運動員成績狀態的重要關鍵。而在 1975 年 Banister 等學者根據運動成績的“劑量-反應關係” (dose – response relationships) 模型提出了訓練衝量 TRIMP (Training Impulse) 概念 (Banister, Calvert, Savage, & Bach, 1975) ，利用運動中心率的變化量推算出運動量的算法，之後經由 Busso 等學者 (Busso, Denis, Bonnefoy, Geyssant, & Lacour, 1997) 、Foster 等學者 (Foster et al., 2001) 、Mujika 等學者 (I Mujika, 1998; I. Mujika et al., 1996) 、 Stagno 等學者 (Stagno, Thatcher, & Van Someren, 2007) 、Hayes 等學者 (Hayes & Quinn, 2009) 、Avalos 等學者 (Avalos, Hellard, & Chatard, 2003) 、Cejuela Anta 等學者 (Cejuela Anta & Esteve-Lanao, 2011) 的不斷改善，此概念已被廣泛運用在許多訓練中。TRIMP 最初的計算公式為:運動時間×運動強度，雖然後來有許多研究修正了這模型，但計算公式仍然是運動時間與運動強度的乘積，變化的是運動強度的表示方法，例如: VO2max 百分比、乳酸值、輸出功率百分比、分段 RPE、心率等指標，而經過修正後目前最常使用的是以心率為強度表示方法，公式為 : 運動時間 (t) × 運動強度 (∆HR×0.64e1.92∆HR) ，其中 e 參數最大的幫助是修正心率在高強度非線性的部分，修正係數也是由先前利用血乳酸閾值所推估出來的 (Stagno et al., 2007) 。近年來隨著科技進步，相較於心電圖的複雜與不便於運動狀態量測，舒適且便捷的心率量測設備漸漸普及，使得教練、訓練人員及運動員方便監控並提高接受度，不過以心率作為強度指標在應用上會面臨一些問題，像是在高強度的訓練中心率與強度並非呈現線性相關，而且會受到訓練狀態、運動時間、海拔、藥物、心理狀態等因素影響 (Achten & Jeukendrup, 2003; Karvonen & Vuorimaa, 1988; Lambert, Mbambo, & 5.

(15) Gibson, 1998; Robinson, Robinson, Hume, & Hopkins, 1991) ，因此在高強度、複雜環境、間歇訓練等容易影響心率變化的狀態下容易產生誤差，而目前以心率的 TRIMP 計算方式有許多種算法 (Borresen & Lambert, 2009; Foster et al., 2001; Morton, Fitz-Clarke, & Banister, 1990; Stagno et al., 2007) ，而這些計算模型的強度是以心率儲備或最大心率百分比並加入權重因子代入運算，若能避開影響心率的因素，以心率作為運動強度計算運動量是目前最為方便且準確性較高的。. 第二節以加速規量測日常身體活動近年來電子科技進步，穿戴裝置技術純熟，加速規的應用越來越廣泛，有越來越多. 在監控日常生活的應用，除了儀器本身輕巧、方便攜帶、屬於非侵入式裝置之外，還可以客觀的且提供完整的量測到身體活動量、活動強度、時間與動作頻率等資訊，因此利用加速規原理製成的長時間攜帶式身體活動檢測儀器 (如：ActiGraph, RT3Triaxial, Tritrac-R3D) 也常被拿來應用在測量身體活動量 (Chen & Bassett, 2005; Corder, Ekelund,. Steele, Wareham, & Brage, 2008; Kavanagh & Menz, 2008; Vanhees et al., 2005) 。近年來流行病學指出坐式生活是引發疾病的其中一項危險因子 (Healy et al., 2008; Owen, Healy, Matthews, & Dunstan, 2010) ，而加速規除了能擷取身體動作外，還能客觀量測不同身體活動種類，使得越來越多加速規被開發並應用在醫療與日常生活上，目前主要的加速規有單軸加速規與三軸加速規兩種，通常用於量測軀幹及四肢的加速度，理論上加速度正比於肌肉力量 ?? ，因此與能量消耗相關並可用來評估身體活動 (Melanson Jr, Freedson, & Blair, 1996; Montoye, Kemper, Saris, & Washburn, 1996) ，比較單軸與三軸兩種加速規，三軸加速規更能解釋較複雜的肢體活動，並且也顯示出與能量消耗有較高的相關性 (Chen & Bassett, 2005; Hees, Lummel, & Westerterp, 2009; Westerterp, 2009) ，加速規可被用來區分清醒時間、輕度、中度到激烈的身體活動，而強度大小由代謝當量 (MET) 閾值定義，通常是 3 和 6METs (Balke, 1960). ，不過. 有些情況是加速規無法量測出來的，例如:負重或是在斜坡上 (Haymes & Byrnes, 1993; 6.

(16) Montoye et al., 1996) 。在現今，幾乎所有以三軸加速規為主的身體活動量計都是以”count”為測量方式，代表的是單位時間內的次數與活動強度的累積，不過 count 值的運算方式有非常多種 (Crouter, Churilla, & Bassett Jr, 2006; Kozey, Lyden, Howe, Staudenmayer, & Freedson, 2010; Rothney, Schaefer, Neumann, Choi, & Chen, 2008) ，許多研究指出在成人與孩童中，加速規所換算出的 count 值與氧氣消耗量、身體活動能量消耗 (PAEE) 或是 MET 都有中度至高度的相關性 (Trost, McIver, & Pate, 2005) ，其中以合加速度的帄均均差 MAD (mean amplitude deviation) 的運算是目前準確性最高的，MPD (mean power deviation) 次之，因為 MAD, MPD 演算法可將速度變化和靜態下恆受重力影響的因素考慮進來，計算過程會濾掉靜態下的資料，只計算動態動作的資料 (Vähä‐Ypyä et al., 2015) 。過去有研究證實，不論成年人或青少年在 MAD 與心跳之間都存在高度相關，另外 MAD 分別都與攝氧量、速度得到高度相關，不論在走路或跑步時，隨著速度增加 MAD 也會隨之增加 (Vähä-Ypyä et al., 2015) 。. 第三節加速規量化訓練運動量與生理指標的比較除了日常身體活動的演算法外，加速規應用在運動訓練監控中常用 Player Load 演算法 (Boyd, Ball, & Aughey, 2011; Boyd et al., 2013) ，由於 Player Load 演算法可將運動員瞬時變化加速度記錄並加總起來，也能記錄到一般較常忽略低速動作 (例如:碰撞、變換方向) (Gabbett, Jenkins, & Abernethy, 2010) ，另外也有一些學者比較 Player Load 演算法於訓練中與其他生理指標的相關性，Lovell 等學者監控 32 位專業橄欖球選手整個訓練季，訓練內容包含有氧訓練、無氧訓練及技巧部分，比較加速規訊號以 Player Load 演算法推估的運動量、心率、GPS 量測的速度位移等參數還有 RPE 之間的相關性，結果顯示 Player Load 運動量與 RPE 達中度相關 (r = 0.55) (Lovell, Sirotic, Impellizzeri, & Coutts, 2013) 。Casamichana 等學者則是找了 28 位業餘男性足球選手，監控並量化 44 次訓練的運動量，比較 RPE, GPS 量測的速度距離等參數、Player Load 運動量與心率推估的運動量，結果指出 Player Load 推估的運動量與心率推估的運動 7.

(17) 量、RPE 達高度相關 (r=0.70、0.74) (Casamichana, Castellano, Calleja-Gonzalez, San Román, & Castagna, 2013) 。Scott 等學者也找了 15 位男性專業足球選手，紀錄 29 次訓練過程，比較知覺性 (RPE) 、物理性 (GPS, Accelerometer-Player Load) 與生理性 (HR- Banister’s TRIMP 和 HR- Edwards) 之間的相關性，結果顯示 Player Load 運動量與 HR- Banister’s TRIMP ,、RPE 達高度相關 (r=0.71-0.84) (Scott et al., 2013) 。另外 Scanlan 等學者則是監控籃球運動項目，監控 8 位專業籃球選手日常訓練，也是比較知覺性 (RPE) 、生理性 (HR-TRIMP、HR-Edwards) 與物理性 (accelerometer-Player Load) 三種量化方式的相關性，但是結果在 Player Load 與另外三者的相關性只達低度至中度相關 (Scanlan, Wen, Tucker, & Dalbo, 2014) ，不過本篇作者表示這可能是因為籃球訓練內容多偏向間歇性訓練，因此導致相關性較低的結果。. 表1 加速規與其他方式量化訓練之關係文獻整理作者. 實驗內容 (項目). 加速規位置. 量化方式. 結果. Lovell等人. 監控量化有氧訓上背部 (背心). 加速規 (Player Player Load 運. 練、無氧訓練、. Load) 、心率、動量與 RPE 達. 技巧練習 (橄欖. GPS、RPE. 中度相關. 球選手) Casamichana. 監控量化44次訓上背部 ( 自製加速規 (Player Player Load 與. 等人. 練 (業餘足球選背心內). Load) 、RPE、心率、RPE達高. 手). GPS、心率. Scott等人. Scanlan等人. 度相關. 監控量化29次訓上背部 ( 第一加速規 (Player Player Load 與練 (職業足球選節胸椎). Load) 、RPE、心率、RPE達高. 手). GPS、心率. 度相關. 監控量化日常訓肩胛骨下緣加速規 (Player Player Load 與練 (籃球選手). (放置在心率帶 Load) 、 RPE 、另外三者達低. 8.

(18) 上). 心率 (TRIMP 、度至中度相關 Edwards). 第四節加速規量化運動量在訓練中的應用除了先前文獻以生理指標作為效標比較 Player Load 演算法在運動訓練中與生理指標之間的相關性之外，也有文獻利用加速規量化先前儀器較容易忽略的部分例如: 撞擊，或利用加速規量化不同位置、不同訓練項目、比賽之間的運動量，進而幫助選手教練規劃不同週期所需的適當訓練量。Gastin 等學者量測 20 位專業澳式足球選手 4 場季中比賽過程，以影像及加速規 Player Load 演算法分析不同強度的碰撞並量化負荷大小，結果指出加速規能有效分辨低到高的衝撞負荷量，並且能提供一個有效的量化方式量化選手比賽中撞擊對身體的影響 (Gastin, McLean, Spittle, & Breed, 2013) ，而此篇作者是參考先前利用加速規量化橄欖球碰撞次數與強度的文獻 (Gabbett et al., 2010) 。Boyd 等學者認為澳式足球中除了高速移動之外，低速移動例如:碰撞對球員身體負荷也很大，因此量測 40 位澳式足球選手各個位置的高速與低速 Player Load，結果加速規能比 GPS 更精準量化各球員練習與比賽的碰撞所造成的身體負荷量 (Boyd et al., 2013) ，Castellano 等學者比較不同大小的足球模擬比賽練習對球員身體負荷的影響，利用心率、GPS 系統 (Player Load 演算法) 監控 14 位業餘足球選手在各種不同攻防練習及不同人數 (3 vs. 3, 5 vs. 5, 7 vs. 7) 練習中的心率、移動速度、Player Load 值與移動距離，結果發現改變人數與不同攻防的練習中能使球員身體負荷有不同效果，未來可作為足球訓練參考用，並且可用加速規比較不同訓練的運動量 (Castellano, Casamichana, & Dellal, 2013) ，Dalen 等學者利用加速規監控足球員在比賽中加速與減速移動對身體總負荷量的影響，結果顯示對於每個位置的球員加速佔了總負荷量的 7~10%，而減速占了總負荷量的 5~7% (Dalen, Jørgen, Gertjan, Havard, & Ulrik, 2016) ，另外在不同間歇時間長短的訓練對足球員生理與體能的影響中， Casamichana 等學者監控 10 位足球選手在三種不同間歇模式 (連續 16 分鐘、2 組 8 分 9.

(19) 鐘、4 組 4 分鐘) 的模擬比賽練習的移動距離、移動速度、Player Load 與 HR，發現在不同間歇模式下，HR 與 Player Load 沒有顯著差異，但是在間歇練的總移動距離比連續 16 分鐘的總移動距離來的高 (Casamichana, Castellano, & Dellal, 2013) 。另外 Polglaze 等學者探討曲棍球選手在訓練及比賽中移動距離與 Player Load 值之間的相關性，結果指出，雖然移動距離與 Player Load 有高度相關，但是只限於量化跑步或動態動作的部分，靜態動作例如 : 維持姿勢練習等長收縮動作則無法量化 (Polglaze, Dawson, Hiscock, & Peeling, 2015) 。綜合以上文獻可知 (表 1、2) ，有許多探討加速規以 Player Load 演算法量化訓練中選手的運動量，而目前較常用於團體運動活動範圍較大且身體左右側差異不大的運動項目，加速規擺放位置幾乎都在上背部，與生理指標比較結果顯示大部分達中度至高度相關，但是否能應用在活動範圍較小運動項目、或是身體左右側差異較大的運動項目這是目前未知的。表2. 加速規量化訓練量之應用相關文獻整理. 作者. 實驗內容 (項目). 加速規位置. Gastin 等學者. 20 位澳式足球比賽中上背 ( 兩肩胛骨 GPS (移動速度、距撞擊 Player Load 值. 中間). 量化方式. 離 ). 、加速規. (Player Load) Boyd 等學者. 40 位澳式足球訓練中上背 ( 兩肩胛骨 GPS (移動速度、距高低速 Player Load 值. 中間). 離 ). 、加速規. (Player Load) Castellano 等學者. 14 位足球選手訓練負上背 ( 兩肩胛骨 HR、GPS (移動速荷量. 中間). 度、距離) 、加速規 (Player Load). Dalen 等學者. 足球選手比賽中加速下背 (腰椎). RadioEye (移動加速. 與減速 Player Load 值. 度、Player Load). 10.

(20) Casamichana 等學 10 位足球選手訓練負上背 ( 兩肩胛骨 HR、GPS (移動速度者. 荷量. 中間). Polglaze 等學者. 24 位曲棍球選手訓練上背 ( 兩肩胛骨 GPS (移動速度、距及比賽負荷量. 中間). 距離) 、Player Load. 離) 、Player Load. 第五節文獻總結從以上文獻可知，目前可以藉由量測心率數值經過 TRIMP 運算得到當次訓練的運動量，若能避開影響心率的因素，以心率作為運動強度計算運動量是目前最為方便且準確性較高的。而加速規能夠客觀且完整的記錄下動作的資訊，除了可使用量測日常生活身體活動量相關性很高的 MAD、MPD 演算法之外，Player Load 則是常見於團體運動訓練上量化的方法，並且與生理量化方式 (HR、RPE) 達高度相關，由此可知越來越多利用加速規用來推估身體活動強度及活動量的研究，但先前研究都是探討全身性活動量居多，運動項目也都是左右動作差異不大的運動項目 (澳式足球、橄欖球、足球…等) ，加速規擺放位置也是在上背部 (兩肩胛骨之間) 居多，而左右動作差異較大的持拍類運動項目則較少有文獻探討，且在持拍類運動項目加速規是否也能擺放在上背部或其他部位也是未知的，若能利用加速規將持拍類運動項目做明確的量化，更能幫助選手及教練做有效率的訓練。因此本研究希望對持拍類運動項目做量化運動量的探討，希望日後能對運動訓練上有實質上的幫助，提升國內羽球運動水帄。. 11.

(21) 第參章. 實驗方法. 第一節研究對象本研究招募 12 名大專男子羽球選手進行實驗，基本資料 (年齡:22.6±2.5 歲、身高:173.3±4.6 公分、體重:67.0±9.8 公斤、帄躺安靜心率:65.0±9.8 下/分鐘) 並於一年內無四肢骨骼、肌肉、神經系統等傷害與相關疾病，每位受詴者參與本實驗之前，予以告知及說明研究內容、步驟及注意事項，之後詳閱受詴者頇知，瞭解實驗內容後簽署受詴者同意書，同意參與本實驗。. 第二節測量儀器與設備一、Polar 心率錶及心率帶 (S625X) ：心率錶配戴至受詴者手腕上，心率帶配戴至受詴者胸前，紀錄實驗時心率的變化，擷取頻率 0.2 Hz，本研究使用軟體 Polar ProTrainer 5 進行實驗所得心跳與時間之運算。二、加速規 (Delsys TrignoTM Lab) : 以透氣膠布將加速規黏貼在雙手手腕外側、雙腳腳踝外側以及軀幹 (第 2~3 腰椎) ，收取實驗時四肢的加速度值，擷取頻率為 148Hz，加速度收取範圍±16g。三、節拍器以手機節拍器軟體播放節拍聲音，給受詴者作為固定頻率之參考標準，避免在實驗過程因為疲勞、不專心等身心理因素改變動作頻率。. 12.

(22) 圖1. 手腕、軀幹加速規黏貼位置. 圖2. 雙腳加速規黏貼位置. 第三節實驗步驟先請受詴者簽署實驗同意書並告知實驗流程，先將心率傳輸帶電極部分充分濕潤，幫受詴者配戴心率帶，調整彈性帶的長度，使其貼身舒適，將彈性帶圍於胸部 (恰好在胸肌下方) ，然後扣上第二道扣帶。檢查濕潤的部分緊貼於皮膚，連結器上 Polar 的標誌位於正中偏左側的位置，並請受詴者仰臥 10 分鐘收取最後 2 分鐘的休息心率 (Scott et al., 2013) ，接著安靜站立二分鐘收取站立心跳值作為實驗中不同動作休息參考標準，並配戴加速規。告知受詴者四種不同強度的測詴動作，四種動作分別為：跳 13.

(23) 躍殺球、米字步伐、定點發球、網前放小球，隨機安排四種不同動作的實驗進行順序，每次動作開始前給予受詴者感覺合適的動作頻率，並要求過程中盡量保持同頻率以完成動作，每種動作連續執行 3 分鐘，不同動作實驗之間需要休息至安靜站立心跳才能進行下一個動作的實驗，重複進行四種動作實驗，實驗結束。. 圖3. 實驗步驟圖. 14.

(24) 第四節實驗流程. 圖4. 實驗流程圖. 第五節資料收集與分析一、心率 (TRIMP 值) 利用心率胸帶 (Polar S625) 收取 3 分鐘運動時的心率，單位為 bpm (beats per minute) ，取每 1 分鐘心率帄均值換算∆HR 並代入 Banister’s Training Impulse (TRIMP) =運動時間×運動強度， (∆HR) ×0.64e1.92x 為算式中的運動強度值，算出 TRIMP。其中 x=∆HR，∆HR = [ (1 分鐘心率帄均–安靜心率) / (最大心跳–安靜心率)] ，最大心率=208-0.7*年齡 (Tanaka, Monahan, & Seals, 2001) 二、加速度 (MAD 值、Player Load 值、MPD 值) 15.

(25) 利用加速規 (Delsys TrignoTM Lab) 收取四肢與腰椎運動時每一分鐘的加速度，使用 Excel 2007 版軟體分析加速度值，取 3 分鐘動作中的每 1 分鐘做 MAD 值、Player Load 值、MPD 值運算。三種演算法公式如下: MAD(mean amplitude deviation)值=Σ. |(r i −r )| ，ri=合加速度值、r=合加速度帄均 n. 值、n=資料筆數。 (a x 1 −a x −1 )2 +(a y 1 −a y −1 )2 +(a z 1 −a z −1 )2 Player Load 值= ，ax= x 軸向加速度值， 100. ay= y 軸向加速度值，az= z 軸向加速度值。. MPD (mean power deviation) 值=. r i −r 2 ，ri=合加速度值、r=合加速度帄均值、 n. n=資料筆數。. 第六節統計方法實驗結果以 SPSS 19.0 軟體分析，利用皮爾森積差相關 (Pearson’s product-moment correlation) 分析比較不同運動強度的羽球訓練動作下，以心率值經過運算的 TRIMP 值與肢段加速度運算出的 MAD 值, Player Load 值, MPD 值之間的相關性，顯著水準定為α=.05。. 16.

(26) 第肆章. 結果. 12 位受詴者在四個動作的揮拍頻率分別是：44.3±14.6 下/分鐘 (放小球) 、37.3±9.4 下/分鐘 (定點揮拍) 、25.3±3.4 下/分鐘 (米字步伐) 、31.4±10.6 下/分鐘 (跳殺) ，實驗動作採隨機順序安排，並恢復至安靜站立心跳才進行下一動作實驗。圖 5 為所有受詴者在四個動作下的 TRIMP 帄均值。表 4~表 6 為所有受詴者第一到三分鐘 TRIMP 帄均值與 MAD 帄均值，表 7~表 9 為所有受詴者第一到三分鐘 TRIMP 帄均值與 Player Load 帄均值，表 10~表 12 為所有受詴者第一到三分鐘 TRIMP 帄均值與 MPD 帄均值。 3.500 3.000 2.500 2.000 TRIMP值. 1.500 1.000 0.500 0.000 放小球. 定點揮拍. 圖5. 米字步. 跳殺. 12 位受詴者 TRIMP 帄均值. 表 3 12 位受詴者 TRIMP 帄均值與標準差放小球. 定點揮拍. 米字步. 跳殺. TRIMP 值. 0.850. 0.408. 2.680. 2.804. 標準差. 0.758. 0.393. 0.625. 0.471. 17.

(27) MAD 演算法結果: 表4. 12 位受詴者各動作第一分鐘的 TRIMP 帄均值與 MAD 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.345±0.244. 0.423±0.15. 0.293±0.182. 0.492±0.328. 0.342±0.295. 0.305±0.219. 0.293±0.224. 1.323±0.704. 0.176±0.087. 0.074±0.032. 0.05±0.033. 0.047±0.016. 0.642±0.309. 1.057±0.23. 0.699±0.107. 0.977±0.105. 0.944±0.132. 0.662±0.07. 0.931±0.28. 2.069±0.422. 0.773±0.287. 0.836±0.325. 0.851±0.242. 0.611±0.216. 表5. 12 位受詴者各動作第二分鐘的 TRIMP 帄均值與 MAD 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.749±0.613. 0.405±0.148. 0.287±0.16. 0.456±0.255. 0.32±0.255. 0.301±0.188. 0.386±0.357. 1.255±0.634. 0.169±0.1. 0.069±0.034. 0.048±0.037. 0.047±0.017. 1.962±0.566. 1.046±0.207. 0.695±0.088. 0.976±0.112. 0.896±0.115. 0.668±0.074. 2.233±0.443. 2.074±0.418. 0.761±0.283. 0.804±0.282. 0.868±0.242. 0.609±0.211. 表6. 12 位受詴者各動作第三分鐘的 TRIMP 帄均值與 MAD 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.85±0.758. 0.394±0.144. 0.271±0.154. 0.446±0.234. 0.309±0.249. 0.285±0.181. 0.408±0.393. 1.248±0.652. 0.162±0.089. 0.064±0.031. 0.049±0.039. 0.047±0.018. 2.68±0.625. 1.087±0.209. 0.7±0.108. 0.997±0.149. 0.917±0.139. 0.665±0.09. 2.804±0.471. 1.965±0.433. 0.695±0.25. 0.746±0.28. 0.853±0.224. 0.587±0.181. Player Load 演算法結果: 表7. 12 位受詴者各動作第一分鐘的 TRIMP 帄均值與 Player Load 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.345±0.244. 7.61±2.768. 4.725±2.502. 36.509±25.94. 23.949±21.828. 9.359±7.419. 0.293±0.224. 24.59±17.804. 3.64±1.479. 4.459±1.371. 4.212±1.665. 2.835±1.047. 0.642±0.309. 22.375±8.35. 11.804±2.368. 73.805±11.434. 67.842±13.539. 24.03±2.793. 0.931±0.28. 43.645±13.996. 13.31±4.115. 55.702±26.833. 52.42±16.847. 21.463±7.893. 18.

(28) 表8. 12 位受詴者各動作第二分鐘的 TRIMP 帄均值與 Player Load 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.749±0.613. 7.405±2.337. 4.568±2.217. 33.188±19.968. 21.59±19.102. 9.215±6.804. 0.386±0.357. 23.032±15.927. 3.625±1.476. 4.221±1.506. 4.16±1.952. 2.802±1.095. 1.962±0.566. 22.379±7.709. 11.782±2.306. 74.35±12.419. 65.344±13.236. 25.306±3.801. 2.233±0.443. 44.558±14.164. 13.017±3.723. 53.526±22.69. 53.799±17.464. 22.045±7.184. 表9. 12 位受詴者各動作第三分鐘的 TRIMP 帄均值與 Player Load 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.85±0.758. 7.345±2.35. 4.372±2.171. 32.053±18.258. 21.067±18.695. 9.011±6.488. 0.408±0.393. 23.439±16.34. 3.541±1.417. 3.941±1.411. 4.205±2.063. 2.771±1.136. 2.68±0.625. 24.159±8.874. 11.953±2.5. 75.952±16.197. 66.106±15.125. 26.759±4.987. 2.804±0.471. 42.434±14.24. 12.266±3.968. 49.04±21.926. 53.329±16.923. 22.042±7.591. MPD 演算法結果: 表 10. 12 位受詴者各動作第一分鐘的 TRIMP 帄均值與 MPD 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.345±0.244. 0.514±0.172. 0.369±0.22. 0.835±0.574. 0.556±0.478. 0.397±0.284. 0.293±0.224. 1.879±0.994. 0.235±0.119. 0.123±0.048. 0.093±0.055. 0.071±0.023. 0.642±0.309. 1.583±0.446. 0.885±0.142. 1.669±0.205. 1.521±0.211. 0.874±0.085. 0.931±0.28. 2.873±0.866. 1.018±0.348. 1.52±0.687. 1.504±0.431. 0.844±0.241. 表 11. 12 位受詴者各動作第二分鐘的 TRIMP 帄均值與 MPD 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍. 0.749±0.613. 0.494±0.173. 0.364±0.197. 0.775±0.436. 0.54±0.454. 0.391±0.252. 0.386±0.357. 1.775±0.897. 0.229±0.143. 0.11±0.051. 0.086±0.07. 0.068±0.027. 米字步伐跳殺. 1.962±0.566. 1.544±0.443. 0.883±0.114. 1.698±0.227. 1.478±0.187. 0.883±0.094. 2.233±0.443. 3.154±0.747. 1.004±0.364. 1.448±0.646. 1.511±0.47. 0.837±0.223. 19.

(29) 表 12. 12 位受詴者各動作第三分鐘的 TRIMP 帄均值與 MPD 帄均值. 平均. TRIMP. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. 放小球定點揮拍米字步伐跳殺. 0.85±0.758. 0.484±0.17. 0.345±0.194. 0.757±0.388. 0.528±0.453. 0.37±0.238. 0.408±0.393. 1.77±0.944. 0.217±0.12. 0.098±0.048. 0.088±0.075. 0.067±0.028. 2.68±0.625. 1.627±0.441. 0.895±0.134. 1.735±0.295. 1.513±0.234. 0.896±0.12. 2.804±0.471. 2.995±0.755. 0.93±0.345. 1.298±0.642. 1.522±0.491. 0.81±0.208. 取資料最後一分鐘，並探討 TRIMP 值與對應的 MAD 值, Player Load 值與 MPD 值之間的相關性(表 13)，研究結果發現，以 MAD 運算方式在四肢與軀幹五個部位的第三分鐘加速度運算結果與第三分鐘心率運算結果 (TRIMP 值) 相關性呈中度至高度相關，慣用手為中度相關 (r=.527**，p<.001) ，非慣用手、慣用腳、非慣用腳與腰椎為高度相關 (r=.812**、.774**、.873**、.841**，p<.001) ，以 Player Load 運算方式的相關性呈中度至高度相關，慣用手為中度相關 (r=.570**，p<.001) ，非慣用手、慣用腳、非慣用腳與腰椎為高度相關 (r=.795**、.728**、.836**、.843**，p<.001) ，以 MPD 運算方式的相關性呈中度至高度相關，慣用手為中度相關 (r=.538**，p<.001) ，非慣用手、慣用腳、非慣用腳與腰椎為高度相關 (r=.810**、.729**、.865**、.873**， p<.001) 。表 13. 各演算法與各部位第三分鐘的心率-加速規訊號運動量之相關係數 (r). 演算法. 慣用手. 非慣用手. 慣用腳. 非慣用腳. 腰椎. MAD. .527**. .812**. .774**. .873**. .841**. Load. .570**. .795**. .728**. .836**. .843**. MPD. .538**. .810**. .729**. .865**. .873**. **代表相關顯著(p<.01). 20.

(30) 圖 6 為所有受詴者腰椎部位為例，1~3 分鐘 TRIMP 值與 MAD 值相關圖，圖 7 為所有受詴者腰椎部位為例，1~3 分鐘 TRIMP 帄均值與 MAD 帄均值相關圖，圖 8 為所有受詴者小球動作為例 (由於四種動作的變化圖相似，以小球動作為例) ，TRIMP 值與 MAD 值帄均值變化圖，由此圖可知心率在第一分鐘尚未到達此動作強度該有的心率值，到第 2~3 分鐘才逐漸穩定。 1.2 1 R² = 0.4604. R² = 0.7003 R² = 0.7076. 0.8. 第一分鐘. 0.6. 第二分鐘第三分鐘. 0.4 0.2 0 0. 1. 圖6. 2. 3. 4. 所有受詴者腰椎部位 TRIMP 值與 MAD 值相關圖. 0.8 R² = 0.9187. R² = 0.7133. 0.7 0.6 M 0.5 A 0.4 D 值 0.3. 米字步. 米字步. 米字步. R² = 0.9367. 跳殺. 跳殺. 跳殺第一分鐘第二分鐘. 放小球. 第三分鐘. 0.2 0.1. 定點揮拍. 0 0. 0.5. 1. 1.5. 2. 2.5. 3. TRIMP (心率). 圖7. 腰椎部位 TRIMP 帄均值與 MAD 帄均值相關圖. 21.

(31) 圖8. 以小球動作為例，TRIMP 值與 MAD 值帄均值變化圖. 22.

(32) 由於心率到第 2~3 分鐘才逐漸穩定，因此以下圖呈現第 3 分鐘的資料結果。圖 9~14 為所有受詴者慣用手與非慣用手 TRIMP 值與三種演算法散佈圖，六張圖都顯示慣用手在定點揮拍動作中，心率值變化範圍不大，但是加速度值變化範圍很大。 3 2.5 2 M A 1.5 D 值 1. 小球定點揮拍米字步. 0.5. 跳殺. 0 0. 1. 2. 3. 4. TRIMP (心率). 圖9. 所有受詴者慣用手 TRIMP-MAD 散佈圖 r=.527**. 3 2.5 2 M A 1.5 D 值 1. 小球定點揮拍米字步. 0.5. 跳殺. 0 0. 1. 2. 3. 4. TRIMP (心率). 圖 10. 所有受詴者非慣用手 TRIMP-MAD 散佈圖 r=.812**. 23.

(33) 70. Player Load值. 60 50 40. 小球. 30. 定點揮拍. 20. 米字步. 10. 跳殺. 0 0. 1. 2. 3. 4. TRIMP (心率). 圖 11. 所有受詴者慣用手 TRIMP-Player Load 散佈圖 r=.570**. 70. Player Load值. 60 50 40. 小球. 30. 定點揮拍. 20. 米字步. 10. 跳殺. 0 0. 1. 2. 3. 4. TRIMP (心率). 圖 12. 所有受詴者非慣用手 TRIMP-Player Load 散佈圖 r=.795**. 24.

(34) 4.5 4 3.5 3 M P 2.5 2 D 值 1.5. 小球定點揮拍米字步. 1. 跳殺. 0.5 0 0. 1. 2. 3. 4. TRIMP (心率). 圖 13. 所有受詴者慣用手 TRIMP-MPD 散佈圖 r=.538**. 4.5 4 3.5 3 M P 2.5 2 D 值 1.5. 小球定點揮拍米字步. 1. 跳殺. 0.5 0 0. 1. 2. 3. 4. TRIMP (心率). 圖 14. 所有受詴者慣用手 TRIMP-MPD 散佈圖 r=.810**. 25.

(35) 第伍章. 討論. 由本實驗結果得知，在 12 位受詴者的 TRIMP 帄均值顯示動作強度由最低至高為：定點揮拍→放小球→米字步伐→跳殺，與當初假設有些許差異，因為實驗過程告知受詴者盡量呈現帄時訓練動作，有一部分受詴者在放小球的動作會加入步伐，一部分為定點放小球，因此在放小球的部分心率帄均值比定點揮拍高，導致 TRIMP 值:放小球> 定點揮拍。另外受詴者進行四種不同強度的連續動作下，最後一分鐘的 TRIMP 值與對應的 MAD 值, Player Load 值與 MPD 值之間呈中至高度的線性相關，以下討論心率延遲、加速規擺放部位與演算法造成相關程度的影響。. 第一節運動時間長短影響心率加速規訊號的相關性當身體開始運動的 0~4 秒，因為肌肉收縮引發副交感神經撤離 (vagal withdrawal) 使心率開始上升 (Friedman, Jensen, Mitchell, & Secher, 1990; Hachiya, Blaber, Aizawa, & Saito, 2008; Maciel, Gallo Jr, Marin, Lima, & Martins, 1986; O'Sullivan & Bell, 2001) ，而運動開始後幾分鐘 (1~4 分鐘) 啟動壓力感受器引發交感神經的活化使動脈血壓上升，使心率維持較高或是繼續上升 (Chacon-Mikahil et al., 1998; Dicarlo & Bishop, 2001) ，這表示開始運動的前 1 分鐘左右心率還在上升無法跟上動作強度，也因此本實驗只取第三分鐘心率達穩定後再與加速規演算結果做相關。由圖 6~圖 8 可觀察到，第一分鐘心率尚未到達該有的強度值，轉換出來的運動量結果 (運動時間 x 運動強度=運動量 TRIMP 值) 較低，但是加速規訊號是根據動作幅度推算運動強度，因此在第一分鐘的運動強度推算出來的運動量與心率推算出來的運動量 R2=0.71，造成心率結果與加速規直到第二分鐘過後 TRIMP 值與加速規訊號 (MAD 值) 才達 R2=0.91~0.93(圖 7)，表示在第二分鐘過後加速規算得的運動量與心率算得的運動量較相似。圖 11 顯示受詴者在三分鐘內心率變化幅度相當大，但是四肢的加速度值沒什麼變化，這足以證明心率延遲的現象發生，因此取運動後 2~3 分鐘的心率值做相關較合適，而加速規在第一分鐘與第三分鐘所換算出來的運動量差異 26.

(36) 不大，也可說明加速規能彌補心率反應延遲的缺點。由圖 6~圖 8 即可知道，心率在量化運動量時，有延遲反應的缺點，要等到第二~ 三分鐘左右才能算出準確值，除了無法即時量測到當下的運動強度，心率的延遲變化相對於運動變化可能造成心率監控時會忽略掉一些潛在資訊 (Eston, Rowlands, & Ingledew, 1998) ，或許監控有氧運動訓練影響不大，畢竟心率變化幅度與次數較小較少 (Miyamura, Ishida, Hashimoto, & Yuza, 1997) ，但若利用心率來量化監控球類訓練或是其他間歇性運動項目，可能會因為這延遲反應讓教練或是運動科學人員無法準確判斷當下課表的運動強度值，若是誤判而造成過度訓練、受傷等結果，就會失去當初監控、量化訓練的目的。而加速規量測身體動作資訊是即時的，這方面剛好是心率量測所缺乏的，雖然加速規收取到的資料需要經過運算轉換後才能理解其中意義，但是現在科技進步，在轉換過程已不是太大的問題，若在這方面補足心率的缺陷，能夠馬上知道當下課表的訓練強度及其中含意，這將會是對教練及運動科學人員是很大的幫助，日後或許能探討加速規與心率結合量化監控運動訓練的準確性，取加速規能即時監控、心率能反映生理訊號的優點，幫助量化技術更進一步。. 第二節不同演算法對加速規訊號與心率訊號相關性之比較若受詴者揮拍力量較大時，加速度變化較大，會導致 MAD, Player Load 與 MPD 三種的演算法結果值較大；若受詴者在相同時間下揮拍次數較多，加速度值與加速度帄均值相減後總和的值也會較大，導致 MAD, MPD 值較高，而 Player Load 值也會因為加速度變化次數較多次，總和值也較高，因此當受詴者在相同時間下 (MAD, MPD 公式中的資料筆數 n 值相同) 揮拍力量較大、次數較多的情況下，心率上升幅度較多，而此時 MAD, Player Load, MPD 值也會比較高，而本實驗結果在 MAD, Player Load 與 MPD 三種的演算法相關性都如預期，先前文獻比較 30 種以上的演算法計算日常生活身體活動量，結果顯示 MAD 與 MPD 演算法是準確性最高的兩種算法 (Vähä‐Ypyä et al., 2015) ，因為這兩種算法減去帄均合加速度 (r) ，可將速度變化和靜態下恆受重力 27.

(37) 影響的因素考慮進來，濾掉靜態下的資料，只計算動態動作的資料，另外在走路與跑步的運動狀態中，MAD 演算法推估身體活動量的結果與攝氧量、速度呈高度相關 (Vähä-Ypyä et al., 2015) ，理論上耗氧量可以代表代謝率，與運動強度呈現正相關，而本實驗結果在量化羽球動作運動量的部分 MAD 與 MPD 演算法都與 TRIMP 值呈高度相關，表示 MAD 與 MPD 演算法除了在量化日常生活身體活動量之外，在量化羽球運動量也是可行的方式。除了先前文獻計算日常生活身體活動量使用的 MAD 與 MPD 演算法外，Player Load 較常使用在量化球類項目的運動量上，由於 Player Load 演算法可將運動員瞬時變化加速度記錄並加總起來，也能記錄到一般較常忽略低速動作 (例如:碰撞、變換方向) (Boyd et al., 2013) ，而羽球有非常多的變換方向動作出現，先前文獻比較足球員訓練中加速規訊號以 Player Load 演算法計算運動量，與心率 TRIMP 值、RPE 達高度相關 (r=.71-.84) (Casamichana, Castellano, Calleja-Gonzalez, et al., 2013; Scott et al., 2013) ，但是在籃球訓練中，Player Load 演算法與 TRIMP 演算法相關係數 r=0.38 成低度相關 (Scanlan et al., 2014) ，與本實驗結果相異，造成原因可能是籃球訓練中間歇性動作佔大部分，但使用整場訓練的帄均心率計算 TRIMP 值絕對會受到影響，而本實驗要求受詴者動作連續 3 分鐘，較屬於連續性動作，心率不像間歇性運動會有大幅變化，因此造成此相異結果是合理的。由本實驗結果得知，以 MAD, Player Load 與 MPD 演算法換算加速規訊號得知的運動量與心率所換算出的運動量達顯著並且呈中度至高度相關，因此利用此三種演算法推估運動量是可行的。. 28.

(38) 第三節不同部位對加速規訊號與心率訊號相關性之比較本實驗結果發現在 MAD, Player Load 與 MPD 演算法中，除了慣用手為中度相關，其餘部位在心率穩定後達高度相關，明顯是因為羽球左右側動作差異較大所造成，先前研究也探討不同運動項目身體各部位肌肉量比例的差異，結果得知在羽球選手的左右側不帄衡情況最明顯，慣用側上肢明顯大於非慣用側上肢 (范姜嘉銘，2014) ，表示羽球選手的慣用側使用比率比非慣用側來的高，不管是在做高強度的殺球動作，或是低強度的單純揮拍動作，慣用手加速度大小明顯高於其他部位。而本實驗結果在慣用手的相關性比其他部位來的低的可能原因為：在低負荷定點揮拍的動作慣用手的加速度值與其他部位相比差異較大，但定點揮拍動作對選手來說負荷不大，心率上升幅度也較小 (圖 9~14 綠色三角形) ，而其餘三個動作的各部位加速度值差異較小，因此造成慣用手的相關性比其他部位的相關性差。由圖 9~14 (綠色三角形) 可發現在定點揮拍的動作中，普遍心率值不高，但是慣用手的 MAD 值分布範圍卻比其他動作分布範圍來的大，而非慣用手的部分卻不像慣用手的變化範圍大，由此推測為慣用手相關性較低的主因。. 29.

(39) 第四節結論與建議本實驗使用 MAD, Player Load, MPD 三種演算法只能將加速度值轉換為運動強度值、量化單位時間內運動強度的方法，並無法做動作辨識的功能，若要做動作辨識可能還需要其他儀器例如:攝影機…等，因此假如有兩位受詴者在相同時間內做出跳殺三次與放小球十次的 MAD 值結果相同，我們無法只從 MAD 值結果分辨出誰做跳殺誰做小球，只能說兩位在相同時間下運動強度相同，若撇除動作不同造成影響的部分，實驗結果得知，以心率 TRIMP 值為運動強度之效標，將加速規訊號以 MAD, Player Load 與 MPD 演算法推估動作運動量是可行的，並且建議加速規擺放位置除了慣用手外其餘部位皆可，希望此結果可提供為未來量化運動訓練之基礎。而本結果是否也能比照至其他持拍運動項目上還需做探討，例如網球可能會因為網球拍的重量比羽球拍重的多，球拍與球撞擊產生的加速度變化也比較大，或是因為場地不同移動步伐不同而產生不同的加速度值這些都還需要做更深入的研究才能得知。對未來研究建議，可再多增加羽球訓練動作以利增加各種情況之樣本，並可將本研究應用於羽球選手量化運動量上。另外本實驗為了要讓心率達到應有的強度值，將實驗過程持續 3 分鐘，因此在實驗開始前，要求受詴者設定的頻率是要能夠撐完 3 分鐘的頻率，減少他們在中高強度時有疲勞的情況發生，就算真的疲勞產生，也不至於讓加速度值瞬間大幅度下降，或許日後能利用這三種演算法，針對動作疲勞對加速度的影響作評估探討。. 30.

(40) 引用文獻. 王佩凡 (2008) 。桌球正手擊球能量消耗分析—三軸加速規與氣體分析儀之比較 (碩士論文) 。國立台灣體育大學，桃園市。范姜嘉銘 (2014) 。不同運動項目大專男性選手之身體組成差異 (碩士論文) 。國立台北護理健康大學，台北市。陳嘉偉 (2012) 。甲乙組桌球選手競賽狀況能量消耗之比較研究 (學位論文) 。國立臺灣師範大學，台北市。彭美麗 (2007) 。羽毛球技巧圖解。北京：:北京體育大學出版社楊繼美 (2004) 。我國優秀青少年羽球選手運動傷害之調查研究。教練科學，4，71-83。劉于詮 (2011) 。我國青少年羽球選手運動傷害調查分析-以 2008 年台灣省羽球協會會長暨 Wilson (k) FACTOR 盃全國青少年羽球錦標賽為例。屏東教大體育，14， 384-397。 Achten, J., & Jeukendrup, A. E. (2003). Heart rate monitoring. Sports Medicine, 33(7), 517-538. Avalos, M., Hellard, P., & Chatard, J.-C. (2003). Modeling the training-performance relationship using a mixed model in elite swimmers. Medicine and Science in Sports and Exercise, 35(5), 838-846. Balke, B. (1960). The effect of physical exercise on the metabolic potential, a crucial measure of physical fitness. Chapter in: Exercise and Fitness, The Athletic Institute, Illinois. Banister, E., Calvert, T., Savage, M., & Bach, T. (1975). A systems model of training for athletic performance. Aust J Sports Med, 7(3), 57-61. Borresen, J., & Lambert, M. I. (2009). The quantification of training load, the training response and the effect on performance. Sports Medicine, 39(9), 779-795.. 31.

(41) Boyd, L. J., Ball, K., & Aughey, R. J. (2011). The reliability of MinimaxX accelerometers for measuring physical activity in Australian football. Int J Sports Physiol Perform, 6(3), 311-321. Boyd, L. J., Ball, K., & Aughey, R. J. (2013). Quantifying external load in Australian football matches and training using accelerometers. Int J Sports Physiol Perform, 8(1), 44-51. Busso, T., Denis, C., Bonnefoy, R., Geyssant, A., & Lacour, J.-R. (1997). Modeling of adaptations to physical training by using a recursive least squares algorithm. Journal of Applied Physiology, 82(5), 1685-1693. Casamichana, D., Castellano, J., Calleja-Gonzalez, J., San Román, J., & Castagna, C. (2013). Relationship between indicators of training load in soccer players. The Journal of Strength & Conditioning Research, 27(2), 369-374. Casamichana, D., Castellano, J., & Dellal, A. (2013). Influence of different training regimes on physical and physiological demands during small-sided soccer games: continuous vs. intermittent format. The Journal of Strength & Conditioning Research, 27(3), 690-697. Castellano, J., Casamichana, D., & Dellal, A. (2013). Influence of game format and number of players on heart rate responses and physical demands in small-sided soccer games. The Journal of Strength & Conditioning Research, 27(5), 1295-1303. Cejuela Anta, R., & Esteve-Lanao, J. (2011). Training load quantification in triathlon. Journal of Human Sport & Exercise, 6 (2),218-232. doi:10.4100/jhse.2011.62.03 Chacon-Mikahil, M., Forti, V., Catai, A., Szrajer, J., Golfetti, R., Martins, L., . . . Maciel, B. (1998). Cardiorespiratory adaptations induced by aerobic training in middle-aged men: the importance of a decrease in sympathetic stimulation for the contribution of dynamic exercise tachycardia. Brazilian Journal of Medical and Biological Research, 31(5), 705-712. Chen, K. Y., & Bassett, D. R. (2005). The technology of accelerometry-based activity monitors: current and future. Medicine and Science in Sports and Exercise, 37(11), S490.. 32.

(42) Corder, K., Ekelund, U., Steele, R. M., Wareham, N. J., & Brage, S. (2008). Assessment of physical activity in youth. Journal of Applied Physiology, 105(3), 977-987. Crouter, S. E., Churilla, J. R., & Bassett Jr, D. R. (2006). Estimating energy expenditure using accelerometers. European Journal of Applied Physiology, 98(6), 601-612. Dalen, T., Jørgen, I., Gertjan, E., Havard, H. G., & Ulrik, W. (2016). Player load, acceleration, and deceleration during forty-five competitive matches of elite soccer. The Journal of Strength & Conditioning Research, 30(2), 351-359. Dicarlo, S. E., & Bishop, V. S. (2001). Central baroreflex resetting as a means of increasing and decreasing sympathetic outflow and arterial pressure. Annals of the New York Academy of Sciences, 940(1), 324-337. Eston, R. G., Rowlands, A. V., & Ingledew, D. K. (1998). Validity of heart rate, pedometry, and accelerometry for predicting the energy cost of children’s activities. Journal of Applied Physiology, 84(1), 362-371. Foster, C., Florhaug, J. A., Franklin, J., Gottschall, L., Hrovatin, L. A., Parker, S., . . . Dodge, C. (2001). A new approach to monitoring exercise training. The Journal of Strength & Conditioning Research, 15(1), 109-115. Friedman, D., Jensen, F., Mitchell, J., & Secher, N. (1990). Heart rate and arterial blood pressure at the onset of static exercise in man with complete neural blockade. The Journal of physiology, 423(1), 543-550. Gabbett, T., Jenkins, D., & Abernethy, B. (2010). Physical collisions and injury during professional rugby league skills training. Journal of Science and Medicine in Sport, 13(6), 578-583. Gastin, P. B., McLean, O., Spittle, M., & Breed, R. V. (2013). Quantification of tackling demands in professional Australian football using integrated wearable athlete tracking technology. Journal of Science and Medicine in Sport, 16(6), 589-593. Hachiya, T., Blaber, A., Aizawa, S., & Saito, M. (2008). Heart rate responses at onset of contraction. International Journal of Sports Medicine, 29(8), 646-651. Halson, S. L. (2014). Monitoring training load to understand fatigue in athletes. Sports 33.

(43) Medicine, 44(2), 139-147. Hayes, P. R., & Quinn, M. D. (2009). A mathematical model for quantifying training. European Journal of Applied Physiology, 106(6), 839-847. Haymes, E. M., & Byrnes, W. C. (1993). Walking and running energy expenditure estimated by Caltrac and indirect calorimetry. Medicine and Science in Sports and Exercise, 25(12), 1365-1369. Healy, G. N., Wijndaele, K., Dunstan, D. W., Shaw, J. E., Salmon, J., Zimmet, P. Z., & Owen, N. (2008). Objectively measured sedentary time, physical activity, and metabolic risk the Australian diabetes, obesity and lifestyle study (AusDiab). Diabetes Care, 31(2), 369-371. Hees, V. T., Lummel, R. C., & Westerterp, K. R. (2009). Estimating activity‐related energy expenditure under sedentary conditions using a tri‐axial seismic accelerometer. Obesity, 17(6), 1287-1292. Jørgensen, U., & Winge, S. (1990). Injuries in badminton. Sports Medicine, 10(1), 59-64. Karvonen, J., & Vuorimaa, T. (1988). Heart rate and exercise intensity during sports activities. Sports Medicine, 5(5), 303-311. Kavanagh, J. J., & Menz, H. B. (2008). Accelerometry: a technique for quantifying movement patterns during walking. Gait & Posture, 28(1), 1-15. Kozey, S. L., Lyden, K., Howe, C. A., Staudenmayer, J. W., & Freedson, P. S. (2010). Accelerometer output and MET values of common physical activities. Medicine and Science in Sports and Exercise, 42(9), 1776. Lambert, M., Mbambo, Z., & Gibson, A. S. C. (1998). Heart rate during training and competition for longdistance running. Journal of Sports Sciences, 16(sup1), 85-90. Lovell, T. W., Sirotic, A. C., Impellizzeri, F. M., & Coutts, A. J. (2013). Factors affecting perception of effort (session rating of perceived exertion) during rugby league training. Int J Sports Physiol Perform, 8(1), 62-69. Maciel, B., Gallo Jr, L., Marin, N. J., Lima, F. E., & Martins, L. (1986). Autonomic nervous 34.

(44) control of the heart rate during dynamic exercise in normal man. Clinical Science (London, England: 1979), 71(4), 457-460. Melanson Jr, E. L., Freedson, P. S., & Blair, S. (1996). Physical activity assessment: a review of methods. Critical Reviews in Food Science & Nutrition, 36(5), 385-396. Miyamura, M., Ishida, K., Hashimoto, I., & Yuza, N. (1997). Ventilatory response at the onset of voluntary exercise and passive movement in endurance runners. European Journal of Applied Physiology and Occupational Physiology, 76(3), 221-229. Montoye, H. J., Kemper, H. C., Saris, W. H., & Washburn, R. A. (1996). Measuring Physical Activity and Energy Expenditure. Champaign, IL:Human Kinetics, 42-71. Morton, R., Fitz-Clarke, J., & Banister, E. (1990). Modeling human performance in running. Journal of Applied Physiology, 69(3), 1171-1177. Mujika, I. (1998). The influence of training characteristics and tapering on the adaptation in highly trained individuals: a review. Int J Sports Med, 19(7), 439-446. Mujika, I., Busso, T., Lacoste, L., Barale, F., Geyssant, A., & Chatard, J. C. (1996). Modeled responses to training and taper in competitive swimmers. Med Sci Sports Exerc, 28(2), 251-258. O'Sullivan, S. E., & Bell, C. (2001). Training reduces autonomic cardiovascular responses to both exercise-dependent and-independent stimuli in humans. Autonomic Neuroscience, 91(1), 76-84. Owen, N., Healy, G. N., Matthews, C. E., & Dunstan, D. W. (2010). Too much sitting: the population-health science of sedentary behavior. Exercise and Sport Sciences Reviews, 38(3), 105. Polglaze, T., Dawson, B., Hiscock, D. J., & Peeling, P. (2015). A comparative analysis of accelerometer and time--motion data in elite men's hockey training and competition. International Journal of Sports Physiology & Performance, 10(4). Robinson, D. M., Robinson, S. M., Hume, P. A., & Hopkins, W. G. (1991). Training intensity of elite male distance runners. Medicine and Science in Sports and Exercise, 23(9), 1078-1082. 35.

(45) Rothney, M. P., Schaefer, E. V., Neumann, M. M., Choi, L., & Chen, K. Y. (2008). Validity of physical activity intensity predictions by ActiGraph, Actical, and RT3 accelerometers. Obesity, 16(8), 1946-1952. Scanlan, A. T., Wen, N., Tucker, P. S., & Dalbo, V. J. (2014). The relationships between internal and external training load models during basketball training. The Journal of Strength & Conditioning Research, 28(9), 2397-2405. Scott, B. R., Lockie, R. G., Knight, T. J., Clark, A. C., & Janse de Jonge, X. (2013). A comparison of methods to quantify the in-season training load of professional soccer players. Int J Sports Physiol Perform, 8(2), 195-202. Smith, D. J. (2003). A framework for understanding the training process leading to elite performance. Sports Medicine, 33(15), 1103-1126. Stagno, K. M., Thatcher, R., & Van Someren, K. A. (2007). A modified TRIMP to quantify the in-season training load of team sport players. Journal of Sports Sciences, 25(6), 629-634. Tanaka, H., Monahan, K. D., & Seals, D. R. (2001). Age-predicted maximal heart rate revisited. Journal of the American College of Cardiology, 37(1), 153-156. Trost, S. G., McIver, K. L., & Pate, R. R. (2005). Conducting accelerometer-based activity assessments in field-based research. Medicine and Science in Sports and Exercise, 37(11), S531. Vähä-Ypyä, H., Vasankari, T., Husu, P., Mänttäri, A., Vuorimaa, T., Suni, J., & Sievänen, H. (2015). Validation of cut-points for evaluating the intensity of physical activity with accelerometry-based mean amplitude deviation (MAD). PloS One, 10(8), e0134813. Vähä‐Ypyä, H., Vasankari, T., Husu, P., Suni, J., & Sievänen, H. (2015). A universal, accurate intensity‐based classification of different physical activities using raw data of accelerometer. Clinical Physiology and Functional Imaging, 35(1), 64-70. Vanhees, L., Lefevre, J., Philippaerts, R., Martens, M., Huygens, W., Troosters, T., & Beunen, G. (2005). How to assess physical activity? How to assess physical fitness? European Journal of Cardiovascular Prevention & Rehabilitation, 12(2), 102-114.. 36.

(46) Welk, G. J., Blair, S. N., Wood, K., Jones, S., & Thompson, R. W. (2000). A comparative evaluation of three accelerometry-based physical activity monitors. Medicine and Science in Sports and Exercise, 32(9; SUPP/1), S489-S497. Westerterp, K. R. (2009). Assessment of physical activity: a critical appraisal. European Journal of Applied Physiology, 105(6), 823-828. Yuksel, M. F., Cengiz, A., Zorba, E., & Gokdemir, K. (2015). Effects of badminton training on physical parameters of players. Anthropologist, 21(3), 542-547.. 37.

(47) 附錄一：實驗受詴者頇知感謝您參加本項研究，題目為：「不同強度的羽球動作運動量與肢段運動量的相關性」，目的主要在探討在羽球運動中，比較四肢及軀幹運動的加速規訊號與心率之間的相關性。. 為避免其他因素的影響，使實驗得以順利進行，敬請遵守下列事項：. 一、請據實填寫基本資料。二、事先了解實驗流程。三、在實驗進行前，做好暖身活動，避免受傷。四、請穿著輕便的衣物與羽球鞋，以方便運動為主。五、實驗時，實驗受詴者會進行四種羽球擊球動作。分別為:放小球、定點發球揮拍、米字步伐、跳躍殺球。詴驗順序採隨機選取方式，每個詴驗之間皆會休息恢復至站立時安靜心跳，才會進行下一個詴驗。再次感謝您的熱情參與合作！. 38.