Variabilità della frequenza cardiaca: fattori chiave di influenza individuali in atleti donna elite

Sport science has the aim of supporting coaches and athletes in the process of choosing the best training stimulus. The training process is based on the balance between stress and fatigue in subjects, with the aim of stimulating a state of allostasis capable of genera-ting a subsequent restoration of homeostasis. Knowing the ability to respond and load tole-rance of each organism is therefore particularly interesting for coaches and athletes. Through a longitudinal monitoring of daily heart rate variability (HRV) and the recording of daily Athletes Self-Reported Measures (ASRM) values on 5 professional athletes, was in-vestigated the individual relationship between HRV and ASRM. The analysis of the collec-ted data, carried out by means of Decision Tree machine learning, shows the complex and non-linear nature of the mutual influence between HRV and stressors arising from sports training and not, significant inter-individuality regarding the type and size of variables able to determine the evolution of HRV. It is therefore possible to conclude that the proposed training and adaptation process monitoring model is able to define, with sufficient accuracy, the key factors influencing the state of physiological homeostasis estimated through daily HRV recording.

La scienza dell’allenamento ha il compito di affiancare allenatori ed atleti nel processo di scelta del miglior stimolo allenante. Il processo di allenamento si basa sul bilanciamento tra stimolo e fatica a cui un organismo è sottoposto, con l’obiettivo di stimolare un stato di allostasi capace di generare un successivo ripristino di omeostasi. Conoscere la capacità di risposta e di tolleranza al carico di ciascun organismo risulta essere quindi particolar-mente interessante per allenatori ed atleti. Attraverso un monitoraggio longitudinale dei va-lori di variabilità della frequenza cardiaca giornaliera (HRV) e la registrazione di valori di Athletes Self-Reported Measures (ASRM) giornalieri su 5 atlete professioniste, è stata in-dagata la relazione tra HRV ed ASRM su base individuale. L’analisi dei dati raccolti, effet-tuata tramite machine learning Decision Tree, evidenzia la natura complessa e non lineare dell’influenza reciproca tra HRV e stressors derivanti dall’allenamento sportivo e non, oltre alla significativa interindividualità riguardo le variabili, ed alla dimensione di tali variabili in grado di determinare l’evoluzione di HRV. È possibile quindi concludere che il modello di monitoraggio del processo di allenamento ed adattamento proposto sia in grado di definire, con sufficiente accuratezza, i fattori chiave di influenza dello stato di omeostasi fisiologica stimato attraverso registrazione giornaliera di HRV.