Control del entrenamiento con datos GPS y medidas subjetivas de fatiga y recuperación en futbolistas hondureños durante un periodo preparatorio para los Juegos Olímpicos de Tokio 2020/2021 / Training Monitoring With GPS Data and Subjective Measures of Fatigue and Recovery in Honduran Soccer Players During a Preparatory Period for Tokyo 2020/2021 Olympic Games / Monitoramento do treinamento com dados GPS e medidas subjetivas de fadiga e recuperação dos jogadores de futebol hondurenhos durante um período preparatório para os Jogos Olímpicos de Tóquio 2020/2021

RESUMEN

Resumen Introducción: El control de cargas de entrenamiento es importante para optimizar el rendimiento. Por lo tanto, se deben documentar metodologías que mejoren la preparación de selecciones nacionales en eventos como los juegos olímpicos. Objetivo: Determinar si los datos del GPS en combinación con medidas subjetivas de bienestar, fatiga y recuperación son apropiados para el control de las cargas durante un periodo preparatorio para los Juegos Olímpicos. Metodología: Participaron 22 jugadores profesionales sub-23 durante 5 microciclos y 27 sesiones de entrenamiento. Se recopilaron datos de carga externa a través de un sistema global de posicionamiento (GPS) Distancia total (DT), zonas de rendimiento Z0 (0-15 km/h), Z1 (15.1-18 km/h), Z2 (18.1-24 km/h), Z3 (>24.1 km/h)), velocidad máxima (Vmax (km/h)), aceleraciones (>2.5m/s2) y desaceleraciones (<2.5m/s2). También, se obtuvo la carga interna a través de medidas subjetivas de percepción del esfuerzo (RPE), calidad de la recuperación (TQR), predisposición para entrenar (RTT%) derivada de las variables de calidad del sueño, dolor muscular, niveles de energía, estado de ánimo, estrés, calidad de la alimentación y la salud. Luego se calculó la ratio subjetiva de fatiga-recuperación (F-R). Se aplicó un test ANOVA, análisis de componentes principales (ACP) y una regresión múltiple lineal. Resultados: Las variables DT (p=0.00 TE=0.22), Z0 (p= 0.00 TE=0.08), Z2 (p=0.00 TE= 0.05), Vmax (p=0.00 TE=0.42), suma de aceleración y deceleración (p=0.00 TE=0.08) y valores relativos de la carga/min (p=0.00 TE=0.17) se identificaron como variables más sensibles al cambio de la carga entre microciclos. El RTT% y ratio subjetivo F-R mostraron un tamaño del efecto moderado (p=0.04 TE=0.06 y p=0.06 TE=0.06), pero fueron sensibles al cambio entre los microciclos. El ACP extrajo 15 variables GPS y 11 variables subjetivas que explicaron el 78% de la varianza de la carga de entrenamiento. Conclusión: Utilizar datos GPS junto con medidas subjetivas implicadas en la fatiga-recuperación puede ser una buena estrategia para el control de la carga de entrenamiento en futbolistas.

ABSTRACT

Abstract Background: Training control is essential to optimize performance. Therefore, methodologies that improve the preparation of national teams in events such as the Olympic Games should be documented. Purpose: To determine whether GPS data in combination with subjective measures of well-being, fatigue and recovery are appropriate for load monitoring during a preparatory period for the Olympic Games. Methodology: Twenty-two under-23 professional players participated during 5 micro-cycles and 27 training sessions. External load data was collected via a global positioning system (GPS) Total distance (DT), performance zones Z0 (0-15 km/h), Z1 (15.1-18 km/h), Z2 (18.1 -24 km/h), Z3 (>24.1 km/h), maximum speed (km/h), accelerations (>2.5m/s.) and decelerations (<2.5m/s.). Also, internal load was obtained through subjective measures of Rating Perceived Exertion (RPE), Total Quality Recovery (TQR), Readiness to Train (RTT%) obtained from the sleep quality, muscle pain, energy levels, mood, stress, food quality and health. The subjective rate of fatigue-recovery (F-R) was then calculated. An ANOVA test, Principal Component Analysis (PCA) and multiple linear regression were applied. Results: the variables DT (p=0.00 ES=0.22), Z0 (p= 0.00 TE=0.08), Z2 (p=0.00 ES= 0.05), maximum speed (p= 0.00 ES=0.42), sum of acceleration and deceleration (p=0.00 ES=0.08) and values relative to load/min (p=0.00 ES=0.17) were identified as variables more sensitive to load change between micro-cycles. RTT% and subjective rate F-R showed a moderate effect size (p=0.04 ES=0.06 and p=0.06 ES=0.06), but were sensitive to change between micro-cycles. PCA extracted 15 GPS variables and 11 subjective variables that explained 78% of the training load variance. Conclusion: Using GPS data together with subjective measures involved in fatigue-recovery may be a good strategy to control training load in footballers.

RESUMO

Resumo Introdução: O monitoramento das cargas de treinamento é importante para otimizar o desempenho. Portanto, as metodologias devem ser documentadas para melhorar a preparação das equipes nacionais para eventos como os Jogos Olímpicos. Objetivo: Determinar se os dados GPS em combinação com medidas subjetivas de bem-estar, fadiga e recuperação são apropriados para o monitoramento da carga durante um período preparatório para os Jogos Olímpicos. Metodologia: 22 jogadores profissionais U-23 participaram durante 5 microciclos e 27 sessões de treinamento. Os dados de carga externa foram coletados através de um sistema de posicionamento global (GPS) distância total (DT), zonas de desempenho Z0 (0- 15 km/h), Z1 (15,1-18 km/h), Z2 (18,1-24 km/h), Z3 (>24,1 km/h), velocidade máxima (Vmax (km/h)), acelerações (>2,5m/ s2) e desacelerações (<2,5m/s2). Além disso, a carga interna foi obtida através de medidas subjetivas de percepção do esforço (RPE), qualidade de recuperação (TQR), predisposição para o treinamento (RTT%) derivada das variáveis de qualidade do sono, dor muscular, níveis de energia, humor, estresse, qualidade alimentar e saúde. Posteriormente a taxa subjetiva de fadiga-recuperação (F-R) foi calculada. Um teste ANOVA, análise de componentes principais (ACP) e regressão linear múltipla foram aplicados. Resultados: As variáveis DT (p=0,00 TE=0,22), Z0 (p= 0,00 TE=0,08), Z2 (p=0,00 TE= 0,05), Vmax (p=0,00 TE=0,42), soma de aceleração e desaceleração (p=0,00 TE=0,08) e valores de carga relativa/min (p=0,00 TE=0,17) foram identificadas como as variáveis mais sensíveis à mudança de carga entre microciclos. RTT% e a relação F-R subjetiva mostraram tamanho de efeito moderado (p=0,04 TE=0,06 e p=0,06 TE=0,06 TE=0,06), mas foram sensíveis à mudança entre microciclos. O ACP extraiu 15 variáveis GPS e 11 variáveis subjetivas que explicaram 78% da variância na carga de treinamento. Conclusão: O uso de dados GPS junto com medidas subjetivas envolvidas na fadiga#recuperação pode ser uma boa estratégia para o monitoramento da carga de treinamento em jogadores de futebol.