La ricerca della cadenza ottimale, che si parli di nuoto, ciclismo o corsa, è un argomento dibattuto che finisce quasi sempre con la conclusione “la miglior cadenza è quella selezionata dall’atleta”.

La review “Is There an Economical Running Technique? A Review of Modifiable Biomechanical Factors Affecting Running Economy (Sports Med 2016 46:793–807 DOI 10.1007/s40279-016-0474-4) sintetizza:

“Reccommending a general economical running technique should be approached with caution. Future work should focus on interdisciplinary longitudinal investigations combining RE, kinematics, kinetics, and neuromuscolar and anatomical aspects, as well as applying a synergistic approach to understanding role of kinetics” mettendo poi in rilievo questo aspetto chiave: “Running biomechanics during ground contact, particularly those related to propulsion, such as less leg extension at toe-off, larger stride angles, alignment of the ground reaction force and leg axis, and low activation of the lower limb muscles, appear to have the strongest direct links with running economy“.

Infine, soprattutto: “Inconsistent findings and limited understanding still exist for several spatiotemporal, kinematic, kinetic, and neuromuscular factors and how they relate to running economy” il che sembra un ottimo viatico per la nostra impostazione di riduzione della complessità attraverso la PCA (qui l’articolo introduttivo sulla Principal Component Analysis che invito a leggere prima di proseguire la lettura di questo) e al ricorso al giudizio soggettivo dell’atleta, dato che è poi lui che deve eseguire il gesto e, si spera, trovarsi a proprio agio, nel disegno sperimentale.

L’applicazione di un approccio multivariato può essere quindi utile per identificare la combinazione di cadenza e ampiezza più efficiente. Di seguito il lavoro svolto su un podista master (M55) con l’obiettivo di migliorare l’efficienza in corsa, prendendo come riferimento il suo debutto in maratona (Firenze 2019) con il tempo di 2h52

EXPERIMENTAL DESIGN

Usiamo l’experimental design per comprendere verso quale direzione indirizzare un runner, andando oltre gli aspetti meramente descrittivi bensì passando alla prescrizione e alla verifica sul campo.

Lo studio è sull’effetto Running Effectiveness (da qui in avanti RE) rispetto agli input su cui abbiamo un qualche controllo: potenza, cadenza e ampiezza. L’Effectiveness è il reciproco della Running Economy (Econ),  ed è un indicatore molto comodo perché 

1) è il coefficiente che più chiaramente dà informazioni sulla capacità di trasformare la potenza in velocità

2) è fondamentale per calcolare il tempo target in gara, e quindi la race pace strategy

3) in base al tempo target si programma l’allenamento in modo più preciso nel periodo specifico 

DATI

Ho usato come riferimento la prestazione nella prima maratona corsa da questo amatore (Firenze Marathon, 24 novembre 2019) e tutte le sessioni di allenamento dal 2018. Il sensore è sempre Stryd ma nella versione rilasciata inizialmente, cioè “non wind” ovvero non dotato dell’anemometro capace di misurare la resistenza all’avanzamento, incorporandone il costo metabolico nella generazione dei watt. Ho potuto notare (in seguito) che i dati ricavati da questo sensore hanno molta meno variabilità rispetto a quelli del sensore wind (cioè quello usato nel caso illustrato nel precedente articolo, mentre il grafico 1 sempre del precedente articolo deriva da un sensore vecchio) e quindi nella PCA la PC1 diventa la velocità e la PC2 il costo (il piano ruota proprio di 90 gradi). Non cambiano però le covarianze a parte la stiffness muscolare che con il vecchio sensore va sempre in una direzione e con il nuovo in quella opposta. Devo però verificare che questo accada sempre, finora ho un solo caso, e comunque sia il modello rimane valido.

Questo il riferimento prestativo da migliorare:

FIRENZE 2019

Pace 4’10”/km

Speed 3,98 m/s

Power 264 W

Stride Rate 178

Stride Length 1,34

RE 0,98

PROCEDIMENTO

Per prima cosa ho eseguito una Principal Component Regression (PCR) per allenare il modello a generare valori predetti con un errore che mi consentisse di usare i valori stessi utilmente

Non ho avuto molta scelta sulle variabili entrata, dovendomi accontentare di quelle su cui possiamo avere un minimo di controllo:

1) Potenza 

2) Cadenza

3) Ampiezza

Da notare che la potenza è “controllata” dalla ampiezza (cioè la spinta sul terreno) più che dalla cadenza (come emerge anche dalla PCA) e che non è possibile eseguire ogni combinazione di livello di ampiezza e cadenza senza impatti anche sulla potenza (ad esempio con bassa ampiezza e bassa cadenza NON posso produrre alta potenza). Allo stesso modo però c’è un po’ di margine per cui piccole variazioni di ampiezza non generano variazioni di potenza (entro i 2 cm, almeno per quello che ho visto in questo caso).

[1] Prediction Statistics

[1] RMSEP: 0.01147

[1] BIAS : -0.005856

Ho giudicato la predizione abbastanza soddisfacente, dato che un margine di 0.01  in maratona ai W/kg espressi da questo atleta significa una differenza di circa 2’ sul tempo finale, quindi abbastanza stretto da rendersi utile alla programmazione degli allenamenti e alla definizione della race strategy.

A questo punto ho costruito la matrice sperimentale e usato la PCR con le combinazioni di ampiezza e cadenza per ricavare i valori predetti di RE per costruire la superficie di risposta (a iso-potenza)

VALUTAZIONE DEL MODELLO

La prima buona notizia è che il modello funziona bene, con un leverage (il grado di affidabilità) basso al centro.

Calcolando il modello i coefficienti che mostrano come che l’ampiezza sia più importante nel miglioramento dell’economia di corsa rispetto alla cadenza (come si vede dalla PCA, peraltro)

SUPERFICIE DI RISPOSTA

Nonostante l’uso dei valori centrali la superficie di risposta non mostra curvatura ma evidenzia ancora una volta come maggiore ampiezza aumenti più rapidamente l’effetto. Non va trascurato anche l’opposto, ovvero che una minore ampiezza causata dall’affaticamento “ammazza” l’efficacia\economia di corsa.

Ho poi visualizzato sulla superficie i valori come effettivamente sperimentati nella prestazione di riferimento. Ci sono solo i primi 2 quartili della maratona poiché nella seconda metà la potenza è fortemente decaduta (non è questa la sede per esaminarne le ragioni), quindi il disegno e i calcoli andrebbero rifatti per la nuova potenza. Immaginatevi il profilo potenza-ampiezza-cadenza come una serie di superfici di risposta che si stratificano al diminuire e aumentare della potenza. Come si vede dalla tabella dei valori reali la predizione anche se non perfetta descrive comunque bene il trend.

(nota, a causa di una fuga di gas la gara è stata deviata ed è risultata di 500 m in meno, Real Time . Ho proiettato il tempo finale teorico con i 500 m aggiuntivi, Full Marathon Time)

DALLA PREDIZIONE ALLA PRESCRIZIONE
Infine ho progettato un allenamento in cui a potenza gara l’atleta provasse a modificare cadenza e ampiezza in modo da portarlo progressivamente a spostarlo verso un maggior valore di RE come definito dalla superficie di risposta

MAIN SET

STEP 1
10′ a 270-280 Watt, cadenza 178 bpm, ampiezza “corta”
+
STEP 2
10′ a 270-280 Watt, Watt, cadenza 178 bpm, ampiezza un po’ più “ampia”
+
5′ recupero totalmente free sia come intensità che come cadenza\ampiezza
+
STEP 3
10′ a 270-280 Watt, cadenza 180 bpm, ampiezza come step 2
+
STEP 4
10′ a 270-280 Watt cadenza 180 bpm, ampiezza un po’ più ampia dello step 2

L’esecuzione non è stata precisa. Eseguire le indicazioni teoriche con precisione di pochi watt o di qualche cm di ampiezza non è per niente semplice ma in realtà non è necessario, perché stringi stringi è più importante capire la direzione da prendere e valutare i responsi del campo ma ha comunque portato a trovare una migliore efficienza. Ho anche inserito il feedback soggettivo che nello step 1 si associa a valori di RE migliorativi, a parità di “spesa” energetica. Di fatto l’unico vero step utilizzabile è il primo.

Anche se abbiamo un errore nella predizione (0.01…poichè ci siamo spostati verso l’esterno dove l’affidabilità del modello non è così buona come al centro) la superficie di risposta si rivela quindi un’utile guida per determinare la direzione da prendere.

Certamente lavorare sull’ampiezza ha permesso di migliorare di 0.01 la RE (valore reale, corrisponde a circa 1′ in maratona a queste velocità) ma la superficie di risposta ci dice che bisogna stare attenti a sacrificare la cadenza, e ci dice anche quanto possiamo giocare (contemporaneamente) con le due variabili.

Il prossimo obiettivo è la costruzione di un profilo cinematico completo del singolo atleta alle intensità di gara (maratona circa 92% FTP, mezza circa 98% FTP, 10mila circa 100% FTP, 5mila circa 103% FTP) ovvero per le diverse superfici di risposta il cui “livello” è determinato dalla potenza. Per ogni intensità è possibile studiare il contributo della scarpa all’effetto voluto (velocità o economia).

Sul fronte del nuoto il campo è quello dell’applicazione della video analisi mentre per quanto riguarda il ciclismo si può partire dal bike fitting per arrivare alla scelta del miglio set up gara (profili ruote, pedivelle, caschi, etc) e, anche qui, l’individuazione della miglior combinazione tra cadenza e rapporto impiegato (altro sacro graal…)