按性别、年龄及人体测量学指标归一化杠铃练习肌肉力量实测值——关于异速生长(allometry)的说明

《Scientific Reports》：Normalization of muscle strength measures in barbell exercises by sex, age, and anthropometry: notes on allometry

　　

准确的最大力量(maximal strength)评估须考虑个体的人体测量学(anthropometry)与人口学差异。传统的绝对力量和以体重(body mass)归一化的指标常无法捕捉个体间变异性，限制了力量测试与分层的精确度。本研究旨在探讨年龄、体重、身高及人体测量学特征(包括臂长和腿长)对卧推(bench press, BP)、背蹲(back squat, SQ)和硬拉(deadlift, DL)一次重复最大值(one-repetition maximum, 1-RM)的影响，并将这些变量系统整合入分层框架。共招募393名受试者(女性197人，男性196人)，年龄16–64岁，训练水平涵盖初学者至精英力量举(powerlifting)运动员。记录年龄、身高、体重及选定的人体测量学变量，采用多元线性回归(multiple linear regression)量化上述变量对1-RM的影响。基于显著预测变量计算个体化z分数(z?scores)，使1-RM值相对于相关人体测量学与人口学因素标准化，并评估该z分数应用于区间分类框架的可行性。结果显示，年龄、体重和身高是三项动作最大力量的显著决定因素；将其纳入z分数计算可实现更精确、个体化的力量表现评估。尝试将z分数应用于区间分类框架发现类别内存在显著异质性，表明此类框架不适宜用于精确的力量分级。本研究建立了适用于16–64岁健康成人BP、SQ和DL的、经人体测量学与人口学校正的(anthropometry? and demography?adjusted)力量评估框架，标准化z分数为传统归一化方法提供了具生物学意义的替代方案，可作为可重复、数据驱动的个体化力量评估工具，直接应用于运动科学研究、运动表现监控及基于力量的康复训练。

论文解读：按性别、年龄及人体测量学指标归一化杠铃练习肌肉力量实测值——关于异速生长(allometry)的说明

本文发表于《Scientific Reports》。目前最大力量评估多采用绝对1-RM(one-repetition maximum, 一次重复最大值)或以体重归一化的相对力量(1-RM/body mass)，但这些方法未充分考虑性别、年龄及肢体长度等人体测量学(anthropometry)差异对动作力学范围和肌纤维激活的影响，导致不同体型受试者间力量水平难以公平比较。现有力量分级框架多基于理论假设而非实证数据，且传统异速生长(allometric scaling)常假定固定指数(如m^2/3或m^3/4)，未能反映体重与最大力量间真实的非线性关系。为此，研究人员开展了一项横断面实证研究，采集393名16–64岁健康受试者(女197人，男196人；含初学者至精英力量举运动员)的卧推(bench press, BP)、背蹲(back squat, SQ)、硬拉(deadlift, DL)实测1-RM值及年龄、身高、体重、臂长和股骨长度，通过对数变换后的多元线性回归(multiple linear regression)构建含二阶异速生长项的人体测量学校正预测模型，以残差除以残差标准差(residual standard deviation, RSD)得到个体化标准化z分数(z?score)，并检验其用于区间分级的适用性，同时以马氏距离(Mahalanobis distance, D_M²)识别多元异常值。

主要关键技术方法

研究人员招募393名16–64岁健康受试者(女197人，男196人)，涵盖初学者至精英力量举运动员，经技术筛查后按NSCA标准测定BP、SQ、DL之1-RM；测量身高、体重、臂长(肩峰至拇示指中点)及股骨大转子至外侧膝关节间隙长度。对log(1-RM)与log(body mass, m)建立含log(m)及log(m)²项的性别分层多元线性回归模型，以年龄、身高及肢体长度为协变量；由观测值与模型预测值之差(残差)除以模型RSD得各动作标准化z分数；以χ²分布下D_M²阈值(自由度k=3时χ₃², p=0.05对应D_M²>7.81)判定多元离群点；另构建基于z分数经验分布的重叠区间分级(untrained至elite七级)以评估分类异质性。所有分析使用R完成。

研究结果

Descriptive data（描述性数据）

给出样本基本特征：平均年龄27.8±8.3岁，男平均身高180.8±6.8 cm、体重85.2±11.3 kg，女平均身高167.8±6.6 cm、体重67.3±9.6 kg，涵盖广泛训练水平。说明样本具代表性，可支撑分层建模。

Model formulae（模型公式）

给出预测方程P_i(E)=I(E)+Σc_j(E)·M_ij及z分数计算公式Z_i(E)=[F_i(E)?P_i(E)]/RSD(E)，其中F_i(E)为实测1-RM，RSD(E)为模型残差标准差。说明该公式可将个体实测力量与同体型预期力量比较并标准化。

Model coefficients and residual standard deviations（模型系数与残差标准差）

分别列出女、男完整模型(full model)与简化模型(reduced model，仅保留体重log(m)、log(m)²、身高、年龄，女另含臂长/股骨长于SQ/DL)的系数及RSD。结论：体重是最强预测因子，身高、年龄及肢体长度影响较小但具动作特异性；简化模型RSD略增但预测精度相近，实用性强。

Allometry（异速生长分析）

log(1-RM)~log(m)关系呈显著曲线性，log(m)与log(m)²均显著(p<0.05)；一阶导数(局部标度指数)随体重变化且不恒等于2/3或3/4。结论：最大力量与体重为非线性异速生长关系，固定指数归一化引入偏差，应纳入二阶项。

Z-scores（标准化z分数）

基于简化模型计算各受试者z分数，分布近似正态且男女分别处理。结论：简化模型已充分解释相关变异，所得z分数可有效量化个体相对同体型预期的力量偏离程度。

Overlapping interval-based performance classification（重叠区间分级）

依z分数经验分布划分七级(untrained、beginner、intermediate、trained、advanced、highly advanced、elite)并设±0.1重叠。结论：同类别内实际1-RM与相对力量比范围宽、异质性大，区间分级不适于精确力量评定。

Multivariate evaluation（多元评估）

计算三动作z分数联合分布的D_M²，以>7.81标记潜在多元离群者。结论：可识别力量组合异常个体(如某动作极强另一动作极弱)，辅助天赋识别或技术偏差排查。

讨论与结论总结

研究人员指出，传统绝对1-RM及简单体重归一化无法校正体型差异，而本文构建的含二阶异速生长项、按性别—年龄—人体测量学校正的多元回归模型能更客观预测期望力量，其残差标准化所得z分数提供了生物学上有意义的个体化力量指标。分析发现固定指数异速生长模型低估/高估部分体重段力量，支持采用log(m)+log(m)²形式。尽管提供配套区间分级表供参考，但因类别内异质性强，不建议以离散等级替代连续z分数做正式评定。该框架适用于16–64岁健康成人BP、SQ、DL，可用于跨研究样本比较(报告年龄、体重、身高即可换算预期z分数)、训练分层及康复监测；局限为未涵盖其他年龄段、其他动作模式及纵向适应，未来应拓展。结论为：本研究建立的经人体测量学与人口学校正的、基于异速生长多元回归的标准化z分数框架，实现了超越简单比率归一的个体化最大力量评估，为运动科学、表现监控及力量康复提供了可重复的数据驱动工具。