9Respiratory Frequency during Exercise: The Neglected Physiological Measure

引言

可穿戴设备的大量涌现激发了人们对运动员训练监测的兴趣，其目的是最大限度地提高成绩，并最大限度地降低伤病风险（Düking 等人，2016 年）。运动相关技术的发展日新月异，而且往往受市场力量而非运动员或科学需求的引导。在这一过程中，技术解决方案和措施在体育科学家或从业人员认识到其重要性之前就已问世的情况并不少见，这可能会减少新技术的使用。呼吸频率（fR）就是一个典型的例子，与传统监测的生理变量相比，呼吸频率可以更好地反映身体的努力程度。然而，尽管有了测量 fR 的不显眼的可穿戴设备，而且精确度相对较高，但在训练期间测量 fR 的做法还不普遍。

呼吸可穿戴设备的当前应用

长期以来，尽管呼吸频率被认为是一种能够预测严重不良事件的生命体征，但在临床领域却很少受到重视。一系列题为 "呼吸频率：被忽视的生命体征"（Cheng 等人，2008 年；Cretikos 等人，2008 年；Gandevia 和 McKenzie，2008 年；Steichen 等人，2008 年）和 "呼吸频率：被遗忘的生命体征"（Parkes，2011 年）的论文促使临床领域重新关注 fR。这些贡献也启发了本手稿的写作，其目的是让人们关注 fR 在监测体育训练方面的潜力。由于 fR 作为生命体征的重要性，目前主要在军事领域、临床环境和职业活动中使用不显眼的多参数可穿戴设备测量 fR。在运动中使用这些设备时，fR通常只用于有限的应用，如在增量运动中估计通气阈值（Hailstone 和 Kilding，2011 年）。在达到第一个通气阈值时，fR 开始不成比例地逐渐增加，这可以作为估算通气阈值的一种实用的非侵入性方法（Cross 等人，2012 年），但运动员在训练中考虑监测 fR 还有其他重要原因。

以呼吸频率作为体力消耗的标志

在运动生理学中，fR 通常作为分钟通气量的两个组成部分之一（与潮气量一起）进行测量。然而，分钟通气量作为通气输出量的最佳单一指标，通常比其组成部分更受关注。然而，最近的证据表明，在运动过程中，fR 和潮气量受不同输入的调节，它们的不同反应包含有价值的信息（Nicolò 等人，2017a,b）。在增量运动中，fR的非线性增加与众所周知的血乳酸（La-）的时间过程相似，类似于运动强度超过第一换气阈值时体力和任务难度的变化。事实上，在运动引起肌肉损伤（Davies等人，2011年）或糖原耗竭（Busse等人，1991年）后进行增量测试时，以及在麦卡德尔氏病患者（Voduc等人，2004年）中，fR比La-更能反映体力消耗。这表明，与La-相比，体力消耗与fR的因果关系更大。

与氧气、心率（HR）和La-不同，fR在各种运动范式中都表现出类似于ort的反应。在时间-耗竭和自定步计时试验方案中，fR 都会随时间近似线性地增加，并在运动结束时接近最大值。在持续时间不同的连续运动（Nicolò等人，2016a）和间歇运动（Nicolò等人，2014a,b, 2017b）中，以及在各种影响运动表现的实验干预中，都能观察到这种反应。此外，与其他生理变量不同的是，fR的时间进程与 "知觉消耗量评分"（RPE）的时间进程密切相关（Nicolò等人，2014a、2016a、2017b）。即使在运动肌肉疲劳（Marcora等人，2008 年）和损伤（Davies 等人，2009 年）、吸气（Mador 和 Acevedo，1991 年）和呼气（Taylor 和 Romer，2008 年）肌肉疲劳、肌糖原耗竭（Busse 等人，1991 年）、体温升高（Nicolò 等人，2014a, 2016a, 2017b、1991）、体温升高（Hayashi 等人，2006）、缺氧（Koglin 和 Kayser，2013）、摄入碳酸氢钠（Robertson 等人，1986）、之前的耐力锻炼（Spengler等人，2000）以及呼气肌肉训练后（Suzuki 等人，1995）。相反，在其中一些实验干预下，HR、O2 和 La- 与 RPE 部分分离。因此，fR 似乎对不同的疲劳状态很敏感，因此可能对训练和恢复监测具有潜在的重要意义。此外，在恒定负荷试验中，fR可以很好地预测力竭时间（Pires等人，2011a,b），并有助于了解自定步调计时试验中体力是如何分配的（Nicolò等人，2014a, 2016a）。与其他生理变量相比，fR 与 RPE 的相关性更强，这一观察结果并不新颖（Noble 等人，1973 年；Robertson 等人，1986 年），而且之前也有人提出将其作为训练期间的监测变量（James 等人，1989 年；Neary 等人，1995 年）。然而，最近的研究发现，fR作为体力强度的标志物具有重要意义（Nicolò等人，2014a，2016a，2017b）。

fR有别于其他生理变量的一个重要特征是在运动开始和结束时反应非常快。在持续的全力运动中，fR在运动开始时迅速增加，并很快达到最大值，并在整个试验过程中保持不变，即使在功率输出出现指数下降的情况下也是如此（Nicolò等人，2015年）。在高强度间歇训练（HIIT）的工作和恢复阶段交替期间，也能观察到 fR 的快速反应（Nicolò 等人，2014b，2017b）。此外，在不同的HIIT训练中，fR的变化与做功和恢复阶段的工作量变化成正比（Nicolò等人，2017b）。这使得fR成为一个有用的变量，可用于描述作为HIIT特征的快速耐力变化（图1A-C）。相比之下，˙VO2 和心率不会对这种工作量变化做出突然反应（Nicolò 等人，2014b，2017b）。

我们对fR调节机制的了解证实了实验证据表明fR是运动强度的标志。运动时通气的主要调节因素之一是中枢指令（Forster 等人，2012 年），即与自主运动强度相关的中枢神经驱动。此外，有研究表明，中枢指令优先调节 fR 而非潮气量（Nicolò 等人，2017b）。中枢指令也是感知用力的感觉信号（Marcora，2009年），这为感知用力与fR之间的关联提供了神经生理学解释。因此，在本手稿中，我们将 "体力消耗 "作为一个理论概念，与 "感知消耗 "既有区别又有联系。身体用力可定义为运动用力的程度（即中心指令的大小）（Nicolò等人，2016b）。对于应用体育科学家和从业人员来说，体力强度（以及 fR）反映了一项体力任务的难度、重量和强度，而对体力强度的感知则是对这项体力任务的有意识感觉（Marcora，2010 年）。

因此，我们鼓励运动科学家和从业人员将 fR 作为训练中需要监测的变量之一。需要注意的是，大多数表明fR是有效的努力指标的证据都来自于以骑自行车为运动方式的研究，而关于其他运动方式的数据较少。尽管在绝对˙VO2、工作量和心率方面存在很大差异，但在腿部或手臂单独进行增量运动以及腿部和手臂联合进行增量运动时，都观察到了类似的 fR 反应（Robertson 等人，1986 年）。这表明，无论绝对工作量、代谢需求和涉及的肌肉质量如何，fR 都能反映运动时所付出的努力。另一方面，在比较跑步和骑自行车时发现了不同的通气反应（Elliott 和 Grace，2010 年）。骑车和跑步之间不同程度的夹带（运动和呼吸节奏之间的耦合）经常被用来解释不同模式之间的呼吸频率差异，但实验证据却相互矛盾。在赛艇等一些运动中，夹带现象得到了充分的证实，在这些运动中，可以观察到夹带模式的个体间差异很大（Siegmund 等人，1999 年）。因此，在开展更多研究之前，建议对赛艇运动的 fR 进行一定程度的谨慎解释。

如何在现场测量呼吸频率

运动中对 fR 的考虑有限，不应归咎于技术限制。它是运动过程中最容易测量的通气变量，目前已开发出多种呼吸可穿戴设备。可通过记录口腔流速的便携式设备（如流速传感器）直接测量 fR，但需要使用面罩。这些设备（如 K5，Cosmed，意大利罗马）精确度高，但相对碍眼，不适合用于训练监测。不过，它们被广泛用作标准设备，用于验证不那么碍眼的呼吸可穿戴设备。也可以使用监测呼出二氧化碳、空气温度或湿度的传感器来测量 fR，但这些传感器通常不被考虑用于体育运动中的可穿戴解决方案。

大多数市售的呼吸可穿戴设备通过嵌入肩带或衣服中的传感器来记录通气引起的胸腔和/或腹部应变。常用的传感器为感应式（Hexoskin􀀁R，Carré Technologies Inc、EquivitalTM EQ02 LifeMonitorTM，Hidalgo Cambridge，U.K.）、压电式（Pneumotrace IITM，UFI，Morro Bay，CA，USA）、电容式（ZephyrTM BioHarnessTM，Zephyr Technology，Auckland，New Zealand）和压阻式（Wearable Wellness SystemTM，Smartex S.r.l.，Italy）。通过与流量传感器标准设备进行比较，可以评估出这些呼吸可穿戴设备的准确性。例如，Hexoskin 在亚最大增量步行（Villar 等人，2015 年）和EquivitalTM EQ02 LifeMonitor 在中等强度步行和跑步（Liu 等人，2013 年）时的平均差异（偏差）± 协议限值（LoA）分别为 ~0.3 ± 2 和 0.2 ± 2.4 次呼吸-分钟-1。在最大增量跑步测试中，发现LifeShirt R􀀁 的偏差 ± LoA 为 -0.1 ± 5.7 次呼吸-分钟-1（Witt 等人，2006 年）。在最大增量跑步测试和高温下长时间中等强度跑步测试中，ZephyrTM BioHarnessTM 的偏差 ± LoA 分别为 -0.6 ± 5 和 0.2 ± 8.3 次呼吸-分钟-1（Kim 等人，2013 年）。然而，目前还缺乏对不同应变传感器在运动过程中估算fR准确性的直接比较，需要进一步研究。

定位在躯干上的呼吸可穿戴设备在运动过程中可能会受到非呼吸胸腹运动的影响。在使用基于运动传感器的呼吸可穿戴设备时，通常会遇到这个问题，比如使用基于加速度计的设备来记录胸部和/或腹部的运动（即倾角变化），并且已经开发出了能够抵御运动伪影的算法（Liu 等人，2011 年）。与使用单一加速度计相比，结合加速度计和陀螺传感器输出的传感器融合方法改进了 fR 的估计（Yoon 等人，2014 年）。在跑步机间歇训练和阻力运动中分别观察到 4.6% 和 9.54% 的改善，这种方法适用于实时 fR 监测（Yoon 等人，2014 年）。基于磁力计的呼吸可穿戴设备也显示出良好的一致性，在中度步行过程中，偏差± LoA 为∼0.2 ± 3 bpm-呼吸-分钟-1（McCool 等人，2002 年）。将应变传感器与能够检测运动伪影的运动传感器相结合，可能是未来开发呼吸可穿戴设备的一个有吸引力的解决方案。

呼吸声在临床领域被用于估算 fR，但在体育运动中却很少受到关注（Peterson 等人，2014 年）。记录运动时的呼吸声可能具有一些优势，因为运动时会产生相对较大的声音，尤其是在高强度运动时。据传闻，运动员在耐力比赛中会通过监测对手的呼吸声来衡量自己的体力。然而，环境噪声会干扰声音登记的质量，这可能就是为什么迄今为止很少有人关注呼吸声的原因。

通气会影响心电信号的形态，而且可以通过不同的技术从心电图中提取 fR，这一点已得到公认（Helfenbein 等人，2014 年）。也有人尝试从骑自行车运动时的心电图中提取 fR（Bailón 等人，2006 年；Schumann 等人，2016 年），这是一个令人鼓舞的尝试。也有文献指出，通气会影响 PPG 信号（Meredith 等人，2012 年），通过适当的计算处理可从中提取 fR（Charlton 等人，2016 年）。PPG 信号在运动可穿戴设备领域受到越来越多的关注，因为它易于记录；例如，它可以从不同的身体部位获得，如手指、手腕和耳垂。然而，有关运动时从 PPG 信号中提取 fR 的有效性的数据却很少。在骑自行车进行增量运动时进行的早期尝试中，运动伪影阻碍了对 fR 的良好估算，而且估算误差随着运动强度的增加而增大（Nakajima 等人，1996 年）。这些问题中的一些可以通过应用稳健的滤波器和适当的计算技术来克服（Lee 等人，2011 年）。然而，还需要更多的研究来评估在运动过程中是否能从心电图或 PPG 信号估算出令人满意的 fR。

从技术角度来看（包括计算机领域），呼吸可穿戴设备的开发工作可能会增加，因为一系列传感器和方法都可用于测量 fR。因此，我们预计，由于人们认识到 fR 对训练监测的重要性，开发专门为体育活动设计的基于 fR 的可穿戴设备的兴趣会越来越大。在现有的可穿戴设备中，测量胸部应变的设备最多，其准确性也普遍较高。不过，其中一些设备在用于监测训练之前，其可穿戴性还有待提高。需要进一步开展验证研究，以指导体育科学家和从业人员选择合适的设备。验证研究一般只针对少数运动模式（主要是步行和跑步），有些设备只在中等强度的运动中进行过测试。

如何分析呼吸频率数据？

由于我们还处于利用 fR 监测训练的早期阶段，本节旨在就如何处理 fR 数据提供一些初步指导。必须指出的是，与心率等其他生理变量相比，fR 的变异性相对较高（Faude 等人，2017 年）。这并不一定是一种限制，因为 fR 对各种实验干预引起的表现变化也很敏感，表明其信噪比相对较高。不过，在分析和解释 fR 数据时应考虑到变异性问题。应按照气体交换分析常用的方法（Lamarra 等人，1987 年），对逐次呼吸的 fR 数据集进行错误呼吸（即咳嗽、叹气、吞咽等导致的数值）过滤。随后，可根据实验或实际需要将数据内插至 1 秒间隔并进行二进制平均。由于fR 本身的可变性，fR 的最大值（fRmax）不应取自逐次呼吸值，而应取自不小于 10 秒的平均值。

在不同的运动范式和持续时间中，最大运动量达到的f Rmax是相似的（Kift和Williams，2007年；Nicolò等人，2014年a，b，2016年a，2017年b），只有极少数例外（Nicolò等人，2015年）。因此，不同的最大运动方案似乎都适合测量f Rmax。将 fR 归一化为 f Rmax 可以方便地制定可推广的处方和监测策略，因为不同个体的 f Rmax 差异相对较大，而决定这种差异的因素尚未得到充分了解。Nicolò等人（2014a）首次尝试解释归一化为f Rmax的fR数据。他们发现，fR 和 RPE 之间有很强的相关性，在连续和三个不同的 HIIT 试验中，fR 和 RPE 的值相似，但在运动强度和运动持续时间方面相匹配。因此，我们将四次试验的数值放在一起考虑，并利用所得到的相关性回归方程将 fR 归一化为 f Rmax 与众所周知的 6-20 RPE 标度联系起来（图 2）。例如，80% 的 f Rmax 值近似对应于认为很难的强度，而 88% 的 f Rmax 值则对应于认为非常难的强度，这对训练处方和监测具有明确的意义。事实上，fR是一个客观变量，可以在运动过程中连续测量，而 RPE 是一个主观变量，只能在离散的时间点收集。通过将 fR 归一化为可用的可能 fR 值范围（从静息时测量的 fR 到 fRmax），可以进一步改进这种方法，其方法与获得心率储备的公式类似（Karvonen和 Vuorimaa，1988 年）。这种归一化程序可用于提供客观的体力实时反馈，数值范围从 0 到 100，非常方便。实时反馈还可以让运动员自愿改变呼吸模式，据称一些教练也建议这样做，尽管这种做法的潜在益处尚不确定。

图 2 | 在连续（CON）和三个不同的HIIT 试验（40:20 秒，40秒做功 20 秒休息；30:30秒，30 秒做功 30 秒休息；20:40秒，20 秒做功 40 秒休息）中，RPE与 fRmax 归一化之间的相关性，这三个试验的强度和运动持续时间（30分钟）相匹配。将四次试验的数据汇总后得出线性回归结果。所得相关回归方程用于将fR 归一化为 fRmax 与6-20 RPE 标度（图表左上角）联系起来。这样做是为了更好地解释运动时获得的fR 值。转载自 Nicolò 等人（2014a）。

可以采用不同的方法来综合一个或多个训练课的fR数据。与心率不同的是，在不同的HIIT运动形式或持续时间的最大毅力训练中，平均心率是相似的（Nicolò等人，2014a，2016a，2017b）。因此，平均 fR 可以简单地初步描述训练课的总体体力强度。然而，要充分研究fR数据的潜力，还需要进行更全面的分析。Passfield和Hopker（2017）所描述的训练分布和训练浓度图是用于分析大型数据集的两种很有前景的分析方法。训练分布图显示了超过参考fR值（可理解为努力的参考水平）的总会话时间，它假定了所有可能的值（图1D）。训练浓度曲线是一条浓度曲线（即分布曲线的导数），它显示了在每个 fR 值（努力水平）上花费的累积训练时间（图 1E）。

图 1 | 典型受试者进行持续 30 分钟（即重复30 次）的 20 秒工作40 秒休息的自定节奏间歇性自行车计时赛。数据来自 Nicolò 等人（2014a）。功率输出的时间过程如图（A）所示。值得注意的是，fR对工作和恢复阶段的交替反应非常快，并随着时间的推移逐渐增加（B）。通过显示fR 在 60 秒工作-恢复周期内的时间变化，可以更好地观察到fR 随工作量变化而发生的快速变化（C）。粗实线代表整个试验的平均值，虚线代表每次重复，垂直实线将20 秒的工作和 40 秒的恢复分开。有关该分析的详细信息，请参见Nicolò 等人（2014b）。这也是一种方便的表示方法，可用于显示HIIT 期间的实时 fR 数据。为了综合反映训练过程中的努力程度，还构建了fR 分布（D）和浓度（E）图。分布参数描述的是在每个fR 值以上花费的时间，而浓度参数描述的是在每个 fR 值上花费的时间。这两种分析也可用于描述多个训练阶段。有关这两种分析法的更多详情，请参阅Kosmidis 和 Passfield (2015)。

结 论

在这篇透视文章中，我们旨在提供科学证据，说明在训练过程中监测 fR 的重要性，并提出目前可用于实地测量 fR 的可行方法和可穿戴传感器。我们还就如何分析和解释 fR 数据提供了说明。预计这将有利于运动员训练监测和体育科学这一领域应用研究的发展，并促进专为体育活动设计的呼吸可穿戴设备的开发和使用。可穿戴传感器的开发应遵循运动员的需求，并以科学发现为依据。