Monitoraggio del carico di lavoro nel calcetto femminile: identificazione degli esercizi più impegnativi

Share:

Faccio una breve analisi di un testo scientifico interessante relativo ad uno studio eseguito sugli esercizi che vengono svolti da atlete professioniste del futsal. Rimando comunque alla lettura del testo originale per approfondimenti: https://www.mdpi.com/2227-9032/10/5/838

The Most Demanding Exercise in Different Training Tasks in Professional Female Futsal: A Mid-Season Study through Principal Component Analysis

Instituto de Telecomunicações, Delegação da Covilhã, 1049-001 Lisboa, Portugal
Research Center in Sports Performance, Recreation, Innovation and Technology (SPRINT), 4960-320 Melgaço, Portugal
Author to whom correspondence should be addressed.
Healthcare 2022, 10(5), 838; https://doi.org/10.3390/healthcare10050838

Vettore gratuito collezione di giocatori di calcio dei cartoni animati

Riassunto:

Lo studio scientifico analizza il carico di lavoro durante gli allenamenti di calcetto femminile professionistico. Finora non era stato misurato quale fosse lo sforzo maggiore richiesto nei diversi esercizi di allenamento.

Lo studio ha coinvolto 14 giocatrici di alto livello (età media 24 anni) e ha monitorato 70 sessioni di allenamento di una squadra professionista per cinque mesi. Gli esercizi di allenamento sono stati raggruppati in sei categorie: esercizi preventivi, situazioni analitiche, esercizi a metà campo, esercizi a tre quarti di campo, esercizi a campo intero, superiorità/inferiorità numerica.

Tramite analisi statistiche, lo studio ha individuato quali sono gli sforzi principali richiesti in ogni tipo di esercizio. Ecco i risultati:

  • Esercizi preventivi: lo sforzo maggiore riguarda le accelerazioni (circa il 31%).
  • Situazioni analitiche: lo sforzo maggiore riguarda gli impatti (circa il 23%).
  • Esercizi a metà campo: lo sforzo maggiore riguarda gli sforzi ad alta intensità (circa il 28%).
  • Esercizi a tre quarti di campo: sforzi misti aerobici e anaerobici (circa il 27%).
  • Esercizi a campo intero: sforzi anaerobici (circa il 24%).
  • Superiorità/inferiorità numerica: sforzi misti aerobici e anaerobici (circa il 26%).

Questo studio fornisce informazioni utili per allenatori e ricercatori che si occupano di calcetto femminile. I risultati aiutano a monitorare il carico di lavoro delle atlete e a pianificare gli allenamenti in modo scientifico.

Introduzione al Futsal Femminile e all’Importanza di Capire gli Allenamenti

Si introduce lo studio sul futsal femminile, sottolineando l’importanza di comprendere il contesto di allenamento per massimizzare le prestazioni.

Punti chiave:

  • Il futsal femminile è un’attività fisica intermittente con sforzi intensi e recuperi brevi.
  • Le giocatrici di alto livello possiedono elevate capacità aerobiche e di sprint.
  • È fondamentale capire come viene strutturato l’allenamento per raggiungere obiettivi specifici.
  • Diversi tipi di esercizi possono avere effetti diversi sui giocatori.
  • Studi precedenti hanno analizzato l’intensità dell’allenamento e i suoi effetti su fattori come le infezioni respiratorie e la risposta immunitaria.
  • Questo studio si concentra su come le diverse tipologie di esercizi durante l’allenamento influenzano l’intensità del lavoro svolto dalle giocatrici.

2. Materiali e Metodi

2.1. Progetto di Ricerca

2.1.1. Raccolta dei Dati

I dati sono stati raccolti attraverso il monitoraggio quotidiano delle giocatrici durante la stagione, misurando regolarmente i loro movimenti. Le misurazioni sono state effettuate utilizzando un sistema di tracciamento del movimento in tempo reale basato sulla tecnologia UWB (Ultra-Wide Band) e dotato di un sistema di posizionamento locale (LPS) e di un’unità di misura inerziale (IMU; WIMU PROTM, RealTrack Systems, Almeria, Spagna). Inoltre, è stata utilizzata una fascia toracica GARMIN HRM-PRO (Garmin Ltd., Olathe, KS, USA) posizionata sotto il torace. I dati sono stati inviati al dispositivo WIMU PRO, che li ha memorizzati. I dispositivi WIMU PRO sono stati fissati quotidianamente sulla schiena alta delle giocatrici in una tasca cucita su un indumento attillato, tra le scapole a livello T2-T4 per evitare movimenti indesiderati. L’indumento attillato era lo stesso per ogni giocatrice in ogni partita. La stessa routine è stata implementata ogni giorno, e sia il protocollo che il controllo delle attività sono stati verificati quotidianamente dallo stesso staff tecnico.

2.1.2. Gruppo di Studio e Analisi dei Dati

In questo studio di coorte, tutte le attività considerate durante la stagione (70 sessioni di allenamento da settembre a febbraio) sono state raggruppate in diversi gruppi in base alle loro caratteristiche (vedere Tabella 1). Durante queste sessioni di allenamento, sono stati utilizzati un LPS e un sistema microelettromeccanico (MEMS) per estrarre informazioni da oltre 250 variabili, riassumibili come accelerazioni/decelerazioni, sforzi di breve durata, distanza percorsa a diverse intensità e variabili fisiologiche come la frequenza cardiaca. Attraverso una tecnica di riduzione multivariata (PCA), sono state estratte le variabili più rilevanti, evidenziando gli sforzi più impegnativi per le giocatrici di futsal professioniste in ciascun gruppo di attività.

Table 1. Obiettivi di allenamento raggruppati in clusters di esercizi.

Per descrivere con precisione l’uso della tecnologia, è stato seguito uno studio recentemente pubblicato [24]. Per l’utilizzo di un LPS basato su banda ultralarga (UWB), sono stati illustrati 21 punti su 23, mentre per l’uso di un sistema MEMS, sono stati dettagliati 17 punti su 20. Gli altri elementi non possono essere spiegati perché le informazioni non erano a disposizione degli autori.

2.4. Misurazioni

La tecnologia UWB opera su una banda di frequenza molto più ampia rispetto ad altre tecnologie tradizionali di comunicazione radio (almeno 0,5 GHz), e uno studio precedente non ha riportato problemi di accuratezza del sistema di tracciamento UWB in condizioni di multipath (cioè, 28 dispositivi accesi) (Bastida Castillo et al., 2018). Questo sistema è certificato FIFA International Match Standard e Quality [25]. Ogni dispositivo è dotato di un microprocessore interno, una memoria flash da 2 GB e un’interfaccia USB ad alta velocità, per registrare, memorizzare e caricare i dati.

2.4.1. Banda Ultralarga (UWB)

Dalle distanze percorse a diverse intensità con la tecnologia UWB sono stati registrati indicatori di velocità e di carico (vedere Tabella 2). I dati sono stati registrati in uno spazio di allenamento lontano da materiali metallici. Il sistema UWB era composto da un sistema di riferimento e da dispositivi di tracciamento indossati dalle giocatrici. Le antenne sono trasmettitori e ricevitori di segnali di radiofrequenza. Le antenne (principalmente l’antenna maestra) calcolano la posizione dei dispositivi che si trovano nell’area di gioco, mentre il dispositivo riceve quel calcolo utilizzando la differenza di tempo di arrivo (TDOA). Le otto antenne sono state installate cinque ore prima della partita, formando un ottagono per una migliore emissione del segnale (4,5 m dalla linea perimetrale per le antenne posizionate negli angoli, e 5,5 m dalla linea perimetrale per le antenne posizionate al centro del campo e dietro le porte) e ricezione ad un’altezza di 3 m, e tenute su un treppiede. Una volta installate, sono state accese una a una, con l’antenna master accesa per ultima. Da quel momento, è stato necessario rispettare un protocollo di 5 minuti per evitare il blocco della tecnologia [24]. Per consentire la sincronizzazione temporale dei dati, l’antenna master ha gestito il tempo utilizzando un orologio comune che permette la registrazione dei dati allo stesso tempo. Quando tutti i dispositivi sono stati accesi al centro del sistema di riferimento, è stato effettuato un processo di riconoscimento automatico tra antenne e dispositivi per 1 minuto. In questo studio, i dati grezzi sono stati registrati a una frequenza di campionamento di 18 Hz perché è stato dimostrato che le frequenze basse hanno una qualità di misurazione inferiore, e 18 Hz con UWB non ha mostrato minore accuratezza a causa di problemi di rumore. Le condizioni sono state mantenute con basse temperature, gradienti di umidità e lenta circolazione dell’aria per consentire un posizionamento più facile.

Table 2. Variabili dei carichi interni ed esterni dell’allenamento.
Table 2. External and internal training load variables.
Abbreviation Sub-Variables
1
Distance covered at different intensities
Dist (m·min−1) Distance covered
Expl dist Distance covered at explosive intensity
HSR Abs (m·min−1) High-speed running
HIBD (m·min−1) High-intensity break distance with DEC > 2 m·s−2
2
Heart rate-related variables
HR % (50–60) Time spent from 50 to 60 % of maximum heart rate
HR % (70–80) Time spent from 70 to 80 % of maximum heart rate
HR % (80–90) Time spent from 80 to 90 % of maximum heart rate
HR % (90–95) Time spent from 90 to 95 % of maximum heart rate
HR % (>95) Time spent up to 95 % of maximum heart rate
MAX HR (bpm) Maximum heart rate achieved
Rel HR % % of heart rate scored per minute
3
Velocities
Vel Abs (0–6) (m·min−1) Absolute distance covered from 0 to 6 m·min−1
Vel Abs (18–21) (m·min−1) Absolute distance covered from 18 to 21 m·min−1
Vel Abs (21–24) (m·min−1) Absolute distance covered from 21 to 24 m·min−1
Vel Max Maximum velocity achieved by a player
4
Accelerations
Acc/min Number of accelerations per minute
Dist Acc Distance accelerating
MAX Acc (m·s2) Maximum acceleration
Acc Abs (0–1)/min Absolute accelerations lower than 1 per minute
Acc Abs (1–2)/min Absolute accelerations from 1 to 2 per minute
Acc Abs (3–4)/min Absolute accelerations from 3 to 4 per minute
Acc Abs (4–5)/min Absolute accelerations from 4 to 5 per minute
Acc Abs (5–6)/min Absolute accelerations from 5 to 6 per minute
Acc Abs (6–10)/min Absolute accelerations from 6 to 10 per minute
5
Decelerations
Dec Abs (−1, 0)/min Absolute decelerations lower than 1 per minute
Dec Abs (−2, −1)/min Absolute decelerations from 1 to 2 per minute
Dec Abs (−4, −3)/min Absolute decelerations from 3 to 4 per minute
Dec Abs (−5, −4)/min Absolute decelerations from 4 to 5 per minute
Dec Abs (−6, −5)/min Absolute decelerations from 5 to 6 per minute
Dec Abs (−10, −6)/min Absolute decelerations from 6 to 10 per minute
6
Impacts
Impacts (0–3) G Impacts at intensity lower than 3 G
Impacts (3–5) G Absolute decelerations from 3 to 5 G
Impacts (0–3)/min From 0 to 3 impacts per minute
Impacts (3–5)/min From 3 to 5 impacts per minute
Impacts (5–8)/min From 5 to 8 impacts per minute
7 Landings Landing (5–8)/min From 5 to 8 landings per minute
8
Load indicators
Player Load /min Player load extracted from accelerometer’s 3 axes
Power Metabolic Energy consumed kg·s
HML (10–25.5) (m) Distance covered from 10 to 25.5 m at 25.5 W/kg, which corresponds to 5.5 m/s2 or significant acceleration/deceleration efforts
HML (25.5–35) (m) Distance covered from 25.5 to 35 m at 25.5 W/kg, which corresponds to 5.5 m/s2 or significant acceleration/deceleration efforts
DSL/min Dynamic strength load. Total impacts with high intensity of 2 G.
HBD (m·min−1)
Note: G = 9.8 m/s2.

Dall’IMU sono state registrate variabili relative ad accelerazione, decelerazione, impatto e atterraggio (vedere Tabella 2). La validità dell’unità di misura inerziale (IMU; WIMU PROTM, Real Track Systems, Almeria, Spagna) è stata valutata in uno studio precedente [27]. I risultati della validità in questo studio sono stati soddisfacenti e hanno mostrato una deviazione di 0,0006 ± 0,0018 s. Il calcolo della velocità è stato effettuato tramite Doppler differenziale e l’accelerazione è stata calcolata dalla velocità. Infine, la durata minima dello sforzo e la velocità minima per evitare dati non realistici sono state definite dal produttore per evitare valori anomali.

2.5. Gruppi di Esercizi di Allenamento e Variabili

I dati posizionali registrati durante gli esercizi di allenamento (Tabella 1) estratti dalla PCA sono riassunti nella Tabella 2.

La classificazione in gruppi degli esercizi di allenamento ha seguito una classificazione tecnica proposta dallo staff tecnico della squadra, che si è concentrata sulla logica della classificazione. Inoltre, i gruppi di attività sono stati stabiliti in base agli sforzi richiesti in ciascuno di essi. Nel primo gruppo sono stati classificati gli esercizi di riscaldamento, che le giocatrici eseguivano all’inizio di ogni sessione di allenamento. Nel secondo gruppo sono stati inseriti gli esercizi di mantenimento (cioè a basso stress fisico), in cui lo staff tecnico sospendeva l’esercizio per spiegare informazioni tattiche. I cluster tre, quattro e cinque hanno focalizzato la logica della classificazione sul numero di giocatrici coinvolte (attività di allenamento individuali, pura opposizione, opposizione e collaborazione e opposizione e collaborazione con squilibri numerici). Inoltre, le attività con opposizione e collaborazione (da 3 vs. 3 a 6 vs. 6) sono state classificate in 3 gruppi a seconda dello spazio (campo centrale, ¾ del campo intero e campo intero). Questi gruppi includevano gli esercizi di arricchimento tecnico e tattico più rilevanti per le giocatrici di futsal, vicini alle situazioni reali. Infine, il cluster numero sei si riferisce a tutti quegli esercizi, generalmente ad alto stress, in cui le giocatrici in superiorità/inferiorità numerica devono prendere decisioni in condizioni di forte affaticamento e rischio.

Dall’analisi sono stati esclusi gli esercizi di allenamento non caratterizzati da vincoli di attività. Inoltre, nella Tabella 2 sono descritte le abbreviazioni e le definizioni delle variabili estratte dagli esercizi di allenamento registrati e che hanno formato le componenti principali (PC). Consultare la Figura 1 per i dettagli del protocollo sperimentale.

Healthcare 10 00838 g001

2.6. Analisi Statistiche

Per descrivere il protocollo di PCA, è stato seguito il sondaggio proposto da Rojas-Valverde et al. [28]. Il protocollo è stato spiegato passo a passo da Oliva-Lozano et al. [29], che comprende i seguenti passaggi: raccolta dati sul campo, output del software (inclusione di tutte le variabili misurate), esplorazione della matrice di correlazione (tutte le variabili correlate tra loro), conferma degli assunti (le variabili sono state centrate e scalate (Z-Score), idoneità confermata dai valori di KMO e sfericità di Bartlett), PCA (inclusi autovalori maggiori di 1 per l’estrazione), raggruppamenti di carico in ciascuna PC (carichi > 0,7 sono stati considerati per il raggruppamento e l’inclusione di PCA) e risultato finale di PCA (ciascuna PCA è stata presentata e raggruppata per carico) [29].

Dalle oltre 250 variabili registrate, 12 (gruppo 1), 32 (gruppo 2), 32 (gruppo 3), 28 (gruppo 4), 27 (gruppo 5) e 31 (gruppo 6) sono state analizzate utilizzando una matrice di correlazione per selezionare le variabili più rappresentative. Sono state prese in considerazione per l’estrazione quelle con correlazioni r < 0.7 tra le variabili [30]. Dopo aver escluso le variabili con varianza = 0, 22–21 variabili sono state scalate e centrate utilizzando Z-Scores. L’idoneità della PCA è stata confermata dal valore di Kaiser-Meyer-Olkin (KMO = 0,64-0,78) e dalla significatività del test di sfericità di Bartlett (p < 0.05) [31]. Sono stati considerati per l’estrazione autovalori > 1 per ciascuna componente principale, ed è stato utilizzato un metodo di rotazione ortogonale varimax per identificare alte correlazioni tra le componenti per offrire informazioni diverse. Sono stati considerati per l’estrazione carichi di PC > 0,6, e quando è stato riscontrato un cross-loading tra PC, è stato mantenuto solo il fattore di carico più alto [31].

3. Risultati

Dalle 250 variabili estratte dal sistema di tracciamento e dalla MEMS, sono state ottenute 8 variabili principali e indicatori di carico, che contengono un totale di 42 sotto-variabili: (1) distanza percorsa a diverse intensità (Dist. (m·min-1), Expl dist e HSR Abs (m/min)); (2) variabili relative alla frequenza cardiaca (FC massima, FC relativa e tempo trascorso a frequenze cardiache di diversa intensità); (3) velocità a diverse intensità (da 0 a 6, da 18 a 21, da 21 a 24 e velocità massima); (4) variabili relative alle accelerazioni (Acc/min, distanza in accelerazione, accelerazione massima e accelerazioni assolute a diverse intensità (cinque livelli)); (5) variabili relative alle decelerazioni (sei livelli di decelerazione a diverse intensità); (6) impatti (misurati sia in G (9,8 m·s2) che in numero al minuto (quattro livelli)); (7) una variabile relativa agli atterraggi (da 5 a 8 atterraggi al minuto); e (8) sei indicatori di carico (carico del giocatore, potenza metabolica, HML (due livelli), DSL, HBD e HIBD). Tuttavia, il contributo di queste sotto-variabili alla spiegazione delle risposte al carico esterno e interno delle giocatrici differiva tra i tipi di esercizi (Tabella 3). Le statistiche descrittive (ad esempio, media, mediana, deviazione standard, percentile) di ciascuna variabile estratta dalla PCA per ciascun gruppo di esercizi sono descritte nel Supplemento S1.

Table 3. Rappresentazione dei principali componenti di analisi delle risposte a carichi interni ed esterni nei diversi esercizi di allenamento eseguite dalle atlete professioniste durante la metà stagione.
PC 1 2 3 4 5 6 7
Cluster 1 (preventive exercises)
Eigenvalue 11.5 9.8 7.0 5.7 5.2
% Variance 31.4 42.9 52.8 59.9 65.6 70.7
HR % (50–60) 13.18
HR % (70–80) 12.51
HR % (90–95) 13.12
MAX Acc (m/s2) 12.46
Acc Abs (2–3)/min 13.00
Acc Abs (4–5)/min 13.18
Acc Abs (5–6)/min 12.39
Dec Abs (−6, −5)/min 11.56
Impacts (0–3) G 14.10
Impacts (0–3) min
Impacts (3–5)/min 14.34
Impacts (5–8)/min 15.17
Impacts (8–100)/min 15.50
Landing (5–8)/min 12.09
Cluster 2 (analytical situations)
Eigenvalue 13.8 10.5 8.2 6.9 5.3
% Variance 23.4 37.3 47.7 55.9 62.8 68.1
HR % (50–60) 12.16
HR % (80–90) 13.37
DSL/min 12.46
Vel Abs (0–6) (m·min−1) 11.45
Acc/min 15.03
Acc Abs (0–1)/min 15.03
Acc Abs (1–2)/min 12.17
Acc Abs (2–3)/min 12.46
Acc Abs (4–5)/min 13.19
Dec Abs (−5, −4)/min 13.21
Impacts (0–3) G 15.26
Impacts (3–5) G 12.14
Impacts (0–3) min 12.32
Impacts (5–8)/min 14.15
Cluster 3 (exercises in midcourt)
Eigenvalue 14.9 9.4 7.3 6.4 4.9 4.2
% Variance 28.4 43.3 52.8 60.1 66.5 71.4 75.6
Expl dist (m) 14.27
HR % (50–60) 12.16
HR % (80–90) 12.00
HR % (90–95) 13.22
HR % (>95) 14.40
HIBD (m·min−1) 14.19
Vel Abs (18–21) (m·min−1) 13.23
Acc/min 15.00
Dist Acc 726
MAX Acc (m/s2) 12.10
Acc Abs (3–4)/min 11.48
Acc Abs (5–6)/min 12.18
Acc Abs (6–10)/min 14.00
Dec Abs (−1, 0)/min
Dec Abs (−2, −1)/min 15.19
Impacts (0–3) G 15.56
Impacts (3–5) G 15.49
Impacts (0–3) min 12.55
Impacts (5–8)/min 13.57
Cluster 4 (exercises in ¾ of the court)
Eigenvalue 14.0 10.8 7.1 5.3 4.6 4.0
% Variance 26.9 40.8 51.6 58.7 64.0 68.6 72.6
Expl dist (m) 12.05
HSR Abs (m·min−1) 13.27
HR % (50–60) 11.53
HR % (70–80) 14.02
HR % (80–90) 12.44
Acc/min 14.45
Acc Abs (2–3)/min 11.40
Acc Abs (3–4)/min 14.42
Acc Abs (4–5)/min 12.40
Acc Abs (6–10)/min 14.12
Dec Abs (−1, 0)/min 14.14
Impacts (3–5) G 13.22
Impacts (5–8)/min 15.28
Player Load /min 13.36
Power Metabolic (kg·s) 12.59
Cluster 5 (exercises in full court)
Eigenvalue 16.3 10.9 7.7 6.2
% Variance 24.5 40.8 51.8 59.5 65.8
Expl dist (m) 15.20
HML (10–25.5) (m) 15.11
HML (25.5–35) (m 14.21
HBD (m/min) 14.14
Vel Abs (18–21) (m·min−1) 12.28
Acc/min 13.59
Acc Abs (5–6)/min 11.54
Acc Abs (6–10)/min 14.14
Dec Abs (−2, −1)/min 15.09
Dec Abs (−6, −5)/min 13.03
Dec Abs (−10, −6)/min 11.44
Impacts (0–3) G 14.40
Impacts (5–8)/min 15.44
Cluster 6 (superiorities/inferiorities)
Eigenvalue 14.0 10.7 8.9 5.7 5.1 4.2
% Variance 26.4 40.4 51.1 60.0 65.7 70.9 75.1
Expl dist (m) 11.40
Dist (m·min−1) 12.58
HR % (50–60) 12.25
HR % (70–80) 12.45
MAX HR (bpm) 13.15
Rel HR % 14.45
Vel Abs (18–21) (m·min−1) 14.27
Acc/min 13.01
Dist Acc 12.07
MAX Acc (m·s2) 12.07
Acc Abs (0–1)/min 14.12
Acc Abs (2–3)/min 13.19
Acc Abs (3–4)/min 14.24
Acc Abs (4–5)/min 12.43
Dec Abs (−4, −3)/min 12.32
Dec Abs (−5, −4)/min 12.23
Impacts (0–3) min 13.07

Il gruppo di esercizi di prevenzione (gruppo di esercizi 1) era composto da 6 PC formate da 14 variabili, che spiegavano il 70% del comportamento delle giocatrici durante questi esercizi. In questo caso, la prima PC era composta da cinque sotto-variabili relative alle accelerazioni: MAX Acc (m·s2), Acc Abs (2–3)/min, Acc Abs (4–5)/min, Acc Abs (5–6)/min e Dec Abs (−6, −5)/min. Inoltre, il cluster 2 era composto da 6 PC formate da 14 variabili, che spiegavano il 68% del comportamento fisico delle giocatrici durante questi esercizi. In questo caso, la prima PC era composta da due variabili relative agli impatti: Impatti (0–3) e Impatti (3–5) G.

Il cluster 3 (esercizi svolti a 20 × 20 metri) era composto da 7 PC formate da 19 variabili, che spiegavano il 76% del comportamento fisico delle giocatrici. In questo caso, la prima PC era composta da quattro variabili relative agli sforzi ad alta intensità: Dist Expl, HR % (90–95), HIBD e Acc Abs (3–4)/min. Gli sforzi effettuati a 20 × 28 metri (cluster di esercizi 4) sono stati spiegati da 15 sotto-variabili incluse in 7 PC, che hanno spiegato il 73% delle prestazioni fisiche delle giocatrici durante questi compiti. In questo caso, la prima PC era composta da cinque sotto-variabili relative alle componenti aerobiche e anaerobiche: Dist Expl, HR % (50–60), HR % (80–90), Player Load /min e Power Metabolic.

Il cluster 5 (esercizi a campo pieno) era composto da 5 PC formate da 13 variabili, che spiegavano il 66% del comportamento fisico delle giocatrici durante gli esercizi svolti a 20 × 40 m. La prima PC era composta da due sotto-variabili relative agli sforzi anaerobici: Dist Expl e HBD. Infine, durante gli esercizi basati su superiorità/inferiorità (cluster 6), le giocatrici sembravano percorrere Dist Expl, Dist (m·min-1), HR % (50–60), MAX HR (bpm) e Rel HR %. Queste cinque sotto-variabili sono state raggruppate in sette PC che hanno spiegato il 75% della varianza.

4. Discussione

Questo è il primo studio che determina gli sforzi più impegnativi, basati su carichi esterni e interni, durante diversi compiti di allenamento in giocatrici professioniste di futsal. I principali risultati sono stati i seguenti: (i) è stata necessaria una combinazione di 5-7 PC da un totale di 1-5 livelli di variabili principali per spiegare il 65-75% della varianza del carico di allenamento durante diversi compiti; (ii) un totale di 13-19 sotto-variabili spiegava gli sforzi delle giocatrici in ciascun gruppo di compiti di allenamento; (iii) la prima PC (~31% della varianza) degli esercizi di prevenzione (cluster 1) era composta da sotto-variabili relative alle accelerazioni; (iv) la migliore PC (~23%) per spiegare la varianza delle risposte al carico delle giocatrici durante le situazioni analitiche (cluster 2) era composta da impatti (0-5 G); (v) le risposte al carico durante gli esercizi a metà campo (cluster 3) sono state spiegate (~28%) principalmente da sotto-variabili relative a sforzi ad alta intensità; (vi) le varianze degli sforzi eseguiti a 20 × 28 metri (cluster 4) e superiorità/inferiorità (cluster 6) sono state meglio spiegate (~27% e ~26%, rispettivamente) dalle componenti aerobiche e anaerobiche; (vii) la prima PC (~24% della varianza) degli esercizi a campo pieno (cluster 5) includeva sotto-variabili relative agli sforzi anaerobici. Questi risultati forniscono ai ricercatori e agli allenatori nuove informazioni sulle risposte al carico e sugli sforzi più impegnativi durante diversi compiti di allenamento, aiutando durante la pianificazione delle prescrizioni di carico nel futsal femminile.

Un precedente studio su giocatori di futsal amatoriali maschi (terza divisione spagnola) ha mostrato che era necessaria una combinazione di 3-4 PC da un totale di 8-10 variabili di carico esterno (ad esempio, distanza totale in m/min; corsa ad alta velocità in m/min; distanza esplosiva; impatti 8-100 G; salti; accelerazione/decelerazione) per spiegare il 63,5% della varianza fisica della partita [22]. Nei giovani giocatori di basket d’élite sono state estratte tre PC e sei variabili (ad esempio, accelerazione media/massima, atterraggio 8-100 G, distanza relativa, salti) [32]. Le somiglianze tra basket e futsal (ad esempio, spazio di gioco e sport di squadra di invasione) possono spiegare alcune variabili coincidenti estratte dalla PCA (ad esempio, accelerazione, salti).

Nei calciatori professionisti spagnoli, circa il 66% della varianza totale del carico esterno della partita è stata spiegata da 11 variabili, come la distanza totale percorsa a diverse velocità (inclusa la corsa a bassa/alta velocità) e le accelerazioni/decelerazioni [29]. Nell’allenamento di calcio (ad esempio, partite a campo piccolo/medio/grande) e nei contesti di partita ufficiale, tre PC hanno riassunto diverse variabili di carico esterno, dove la prima PC ha spiegato il 39-44% della varianza totale utilizzando cinque variabili: distanza percorsa in m/min; numero di accelerazioni/decelerazioni ad alta intensità; potenza metabolica media (peso massimo); distanza ad alto carico metabolico [33]. Pertanto, questi risultati suggeriscono che i vincoli logici interni (ad esempio, spazio di gioco e posizione della porta) influenzano le variabili estratte dalla PCA nei contesti di allenamento e di partita negli sport di squadra. Tuttavia, gli studi citati in precedenza includevano partecipanti maschi. Pertanto, i confronti diretti tra il carico di allenamento degli uomini e delle donne devono essere effettuati con cautela.

Un precedente studio ha mostrato che le giocatrici professioniste d’élite di futsal femminile hanno percorso circa 3.200 m (~12% in corsa ad alta velocità) durante una partita singola [4]. L’analisi di 1 mese di allenamento nel futsal femminile amatoriale ha mostrato che le giocatrici hanno raggiunto circa il 75% (±11) della FCmax e circa il 15% per il tempo trascorso a ≥ 90% della FCmax durante le sessioni di allenamento [34]. Inoltre, i giochi a campo ridotto a metà campo (esercizi inclusi nel cluster 3).

5. Limiti dello Studio

Questo studio presenta alcuni limiti. Il limite principale è stato che l’analisi del carico di allenamento è stata condotta senza considerare le caratteristiche biologiche e fisiologiche delle partecipanti. Inoltre, lo studio è stato condotto solo a metà stagione. Inoltre, poiché alcuni fattori contestuali come gli esercizi in diversi momenti della stagione (pre-stagione vs. stagione; calendario agonistico) [12,13], il tempo esatto di ogni compito di allenamento o il ciclo mestruale delle partecipanti possono influenzare i risultati estratti, questi risultati devono essere interpretati con cautela.

Ulteriori studi dovrebbero indagare sugli sforzi più impegnativi in ​​più squadre e intere stagioni, tenendo conto delle caratteristiche biologiche e fisiologiche delle partecipanti. Tuttavia, questo studio fa avanzare diversi aspetti rispetto alla precedente letteratura su questo argomento. In primo luogo, questo è il primo studio a indagare sia le risposte al carico esterno che interno durante una miriade di esercizi di allenamento in giocatrici di futsal d’élite. In secondo luogo, l’ampio campione di variabili dipendenti (vale a dire 250) ha permesso una comprensione profonda delle richieste fisiche durante le sessioni di allenamento di futsal. In terzo luogo, l’approccio statistico (ovvero PCA) utilizzato consente a ricercatori e professionisti di identificare gli indicatori chiave delle prestazioni fisiche durante gli allenamenti [28].

6. Conclusioni

Riassumendo, una combinazione di 5-7 PC da un totale di 1-5 livelli di variabili principali è stata necessaria per spiegare il 65-75% della varianza del carico di allenamento durante diversi compiti. Un totale di 13-19 sotto-variabili spiegava gli sforzi delle giocatrici in ciascun gruppo di compiti di allenamento. Tuttavia, queste variabili differivano a seconda del tipo di esercizio. Le prime PC a spiegare la varianza totale del carico di allenamento durante ciascun gruppo di esercizi sono state le seguenti: esercizi preventivi (accelerazioni; ~31%); situazioni analitiche (impatti; ~23%); esercizi a metà campo (sforzi ad alta intensità; ~28%); esercizi a ¾ del campo (~27%) e superiorità/inferiorità (~26%) (componenti aerobiche e anaerobiche); esercizi a campo pieno (sforzi anaerobici; ~24%). Infine, le azioni esplosive effettuate durante gli esercizi basati sul gioco raggruppati nei cluster 3, 4 e 5 presentavano valori simili a quelli precedentemente osservati durante le partite ufficiali di futsal. Pertanto, questi compiti potrebbero essere utili per rappresentare il carico di gara durante gli allenamenti.

Contributi degli autori

Conceptualization, M.R.-G. and J.P.-O.; methodology, M.R.-G., D.P.-O., F.M.C., R.A. and J.P.-O.; formal analysis, M.R.-G., D.P.-O. and J.P.-O.; investigation; data curation, M.R.-G., D.P.-O. and J.P.-O.; writing—original draft preparation, M.R.-G., D.P.-O., F.M.C., R.A. and J.P.-O.; writing—review and editing, M.R.-G., D.P.-O., F.M.C., R.A. and J.P.-O.; supervision, J.P.-O. All authors have read and agreed to the published version of the manuscript.

Fondi

Non sono stati ricevuti fondi per la redazione del manoscritto

Dichiarazione del comitato etico

Lo studio è stato condotto in conformità con la Dichiarazione di Helsinki e approvato dal Comitato Etico dell’Università di Murcia (codice protocollo 3180/2020).

Dichiarazione di consenso informato

È stato ottenuto il consenso informato da tutti i soggetti coinvolti nello studio.

Dichiarazione sulla disponibilità dei dati

I dati possono essere ottenuti dall’autore corrispondente.

Conflitti di interesse

Gli autori dichiarano di non avere conflitti di interesse con la ricerca effettuata

References

  1. Castagna, C.; D’Ottavio, S.; Vera, J.G.; Álvarez, J.C.B. Match Demands of Professional Futsal: A Case Study. J. Sci. Med. Sport 2009, 12, 490–494. [Google Scholar] [CrossRef] [PubMed]
  2. Barbero-Alvarez, J.C.; Soto, V.M.; Barbero-Alvarez, V.; Granda-Vera, J. Match Analysis and Heart Rate of Futsal Players during Competition. J. Sports Sci. 2008, 26, 63–73. [Google Scholar] [CrossRef] [PubMed]
  3. Sarmento, H.; Bradley, P.; Anguera, M.T.; Polido, T.; Resende, R.; Campaniço, J. Quantifying the Offensive Sequences That Result in Goals in Elite Futsal Matches. J. Sports Sci. 2016, 34, 621–629. [Google Scholar] [CrossRef] [PubMed] [Green Version]
  4. Vieira, L.H.P.; Arins, F.B.; Guglielmo, L.G.A.; de Lucas, R.D.; Carminatti, L.J.; Santiago, P.R.P. Game Running Performance and Fitness in Women’s Futsal. Int. J. Sports Med. 2021, 42, 74–81. [Google Scholar]
  5. Ünveren, A. Investigating Women Futsal and Soccer Players’ Acceleration, Speed and Agility Features. Anthropologist 2015, 21, 361–365. [Google Scholar] [CrossRef]
  6. Amani-Shalamzari, S.; Khoshghadam, E.; Donyaei, A.; Parnow, A.; Bayati, M.; Clemente, F.M. Generic vs. Small-Sided Game Training in Futsal: Effects on Aerobic Capacity, Anaerobic Power and Agility. Physiol. Behav. 2019, 204, 347–354. [Google Scholar] [CrossRef]
  7. Milanez, V.F.; Ramos, S.P.; Okuno, N.M.; Boullosa, D.A.; Nakamura, F.Y. Evidence of a Non-Linear Dose-Response Relationship between Training Load and Stress Markers in Elite Female Futsal Players. J. Sports Sci. Med. 2014, 13, 22. [Google Scholar]
  8. Miloski, B.; de Freitas, V.H.; Nakamura, F.Y.; de A Nogueira, F.C.; Bara-Filho, M.G. Seasonal Training Load Distribution of Professional Futsal Players: Effects on Physical Fitness, Muscle Damage and Hormonal Status. J. Strength Cond. Res. 2016, 30, 1525–1533. [Google Scholar] [CrossRef]
  9. Nakamura, F.Y.; Antunes, P.; Nunes, C.; Costa, J.A.; Esco, M.R.; Travassos, B. Heart Rate Variability Changes from Traditional vs. Ultra–Short-Term Recordings in Relation to Preseason Training Load and Performance in Futsal Players. J. Strength Cond. Res. 2020, 34, 2974–2981. [Google Scholar] [CrossRef]
  10. Moreira, A.; de Moura, N.R.; Coutts, A.; Costa, E.C.; Kempton, T.; Aoki, M.S. Monitoring Internal Training Load and Mucosal Immune Responses in Futsal Athletes. J. Strength Cond. Res. 2013, 27, 1253–1259. [Google Scholar] [CrossRef]
  11. Zar, A.; Ahmadi, F.; Miri, M.; Abedi, H.A.; Salesi, M. Cytokine Pattern Is Affected by Training Intensity in Women Futsal Players. Immune Netw. 2016, 16, 109–115. [Google Scholar] [CrossRef] [PubMed] [Green Version]
  12. Clemente, F.M.; Martinho, R.; Calvete, F.; Mendes, B. Training Load and Well-Being Status Variations of Elite Futsal Players across a Full Season: Comparisons between Normal and Congested Weeks. Physiol. Behav. 2019, 201, 123–129. [Google Scholar] [CrossRef] [PubMed]
  13. Wilke, C.F.; Wanner, S.P.; Santos, W.H.M.; Penna, E.M.; Ramos, G.P.; Nakamura, F.Y.; Duffield, R. Influence of Faster and Slower Recovery-Profile Classifications, Self-Reported Sleep, Acute Training Load, and Phase of the Microcycle on Perceived Recovery in Futsal Players. Int. J. Sports Physiol. Perform. 2020, 15, 648–653. [Google Scholar] [CrossRef] [PubMed]
  14. Wilke, C.F.; Ramos, G.P.; Pacheco, D.A.S.; Santos, W.H.M.; Diniz, M.S.L.; Gonçalves, G.G.P.; Marins, J.C.B.; Wanner, S.P.; Silami-Garcia, E. Metabolic Demand and Internal Training Load in Technical-Tactical Training Sessions of Professional Futsal Players. J. Strength Cond. Res. 2016, 30, 2330–2340. [Google Scholar] [CrossRef] [PubMed]
  15. Alexandre, P.; Cristiana, M.P.; Anna Paola, T.R.P. Female Futsal Players’ Profile and Biochemical Alterations through Intermittent High-Intensity Exercise Training. Food Nutr. Sci. 2012, 2012, 17087. [Google Scholar]
  16. Teixeira, A.S.; Arins, F.B.; De Lucas, R.D.; Carminatti, L.J.; Dittrich, N.; Nakamura, F.Y.; Guglielmo, L.G.A. Comparative Effects of Two Interval Shuttle-Run Training Modes on Physiological and Performance Adaptations in Female Professional Futsal Players. J. Strength Cond. Res. 2019, 33, 1416–1428. [Google Scholar] [CrossRef] [PubMed]
  17. Yanci, J.; Castillo, D.; Iturricastillo, A.; Ayarra, R.; Nakamura, F.Y. Effects of Two Different Volume-Equated Weekly Distributed Short-Term Plyometric Training Programs on Futsal Players’ Physical Performance. J. Strength Cond. Res. 2017, 31, 1787–1794. [Google Scholar] [CrossRef]
  18. Lago-Fuentes, C.; Jiménez-Loaisa, A.; Padrón-Cabo, A.; Fernández-Villarino, M.; Mecías-Calvo, M.; Travassos, B.; Rey, E. Monitoring Workloads of a Professional Female Futsal Team over a Season: A Case Study. Sports 2020, 8, 69. [Google Scholar] [CrossRef]
  19. Illa, J.; Fernandez, D.; Reche, X.; Carmona, G.; Tarragó, J.R. Quantification of an Elite Futsal Team’s Microcycle External Load by Using the Repetition of High and Very High Demanding Scenarios. Front. Psychol. 2020, 11, 577624. [Google Scholar] [CrossRef]
  20. Gonçalves, L.; Camões, M.; Lima, R.; Bezerra, P.; Nikolaidis, P.T.; Rosemann, T.; Knechtle, B.; Clemente, F. Characterization of External Load in Different Types of Exercise in Professional Soccer. Hum. Mov. 2021, 22, 89–95. [Google Scholar] [CrossRef]
  21. Ringnér, M. What Is Principal Component Analysis? Nat. Biotechnol. 2008, 26, 303–304. [Google Scholar] [CrossRef] [PubMed]
  22. Rico-González, M.; Los Arcos, A.; Rojas-Valverde, D.; Pino-Ortega, J. A Principal Component Analysis in Futsal According to Game Halves: A Case Study of an Amateur Futsal Cup Final. [Análisis de Componentes Principales En Fútbol Sala Según Las Partes de Juego: Un Estudio de Caso En Una Final de Copa Amateur]. RICYDE Rev. Int. de Cienc. del Deporte 2020, 17, 88–101. [Google Scholar] [CrossRef]
  23. Oliva-Lozano, J.M.; Muyor, J.M.; Puche Ortuño, D.; Rico-González, M.; Pino-Ortega, J. Analysis of Key External and Internal Load Variables in Professional Female Futsal Players: A Longitudinal Study. Res. Sports Med. 2021, 1–10. [Google Scholar] [CrossRef] [PubMed]
  24. Rico-González, M.; Los Arcos, A.; Rojas-Valverde, D.; Clemente, F.M.; Pino-Ortega, J. A Survey to Assess the Quality of the Data Obtained by Radio-Frequency Technologies and Microelectromechanical Systems to Measure External Workload and Collective Behavior Variables in Team Sports. Sensors 2020, 20, 2271. [Google Scholar] [CrossRef] [PubMed] [Green Version]
  25. Pino-Ortega, J.; Rico-González, M. Review of Ultra-Wide Band in Team Sports. In UWB Technology; IntechOpen: London, UK, 2020. [Google Scholar]
  26. Bastida-Castillo, A.; Gómez-Carmona, C.D.; De la Cruz-Sánchez, E.; Reche-Royo, X.; Ibáñez, S.J.; Pino Ortega, J. Accuracy and Inter-Unit Reliability of Ultra-Wide-Band Tracking System in Indoor Exercise. Appl. Sci. 2019, 9, 939. [Google Scholar] [CrossRef] [Green Version]
  27. Bastida Castillo, A.; Gómez Carmona, C.D.; Pino Ortega, J.; de la Cruz Sánchez, E. Validity of an Inertial System to Measure Sprint Time and Sport Task Time: A Proposal for the Integration of Photocells in an Inertial System. Int. J. Perform. Anal. Sport 2017, 17, 600–608. [Google Scholar] [CrossRef]
  28. Rojas-Valverde, D.; Pino-Ortega, J.; Gómez-Carmona, C.D.; Rico-González, M. A Systematic Review of Methods and Criteria Standard Proposal for the Use of Principal Component Analysis in Team’s Sports Science. Int. J. Environ. Res. Public Health 2020, 17, 8712. [Google Scholar] [CrossRef]
  29. Oliva-Lozano, J.M.; Rojas-Valverde, D.; Gómez-Carmona, C.D.; Fortes, V.; Pino-Ortega, J. Impact of Contextual Variables on the Representative External Load Profile of Spanish Professional Soccer Match-Play: A Full Season Study. Eur. J. Sport Sci. 2021, 21, 497–506. [Google Scholar] [CrossRef]
  30. Tabachnick, B.G.; Fidell, L.S.; Ullman, J.B. Using Multivariate Statistics; Pearson: Boston, MA, USA, 2007; Volume 5. [Google Scholar]
  31. Kaiser, H.F. The Application of Electronic Computers to Factor Analysis. Educ. Psychol. Meas. 1960, 20, 141–151. [Google Scholar] [CrossRef]
  32. Pino-Ortega, J.; Gómez-Carmona, C.D.; Nakamura, F.Y.; Rojas-Valverde, D. Setting Kinematic Parameters That Explain Youth Basketball Behavior: Influence of Relative Age Effect According to Playing Position. J. Strength Cond. Res. 2020, 36, 820–826. [Google Scholar] [CrossRef]
  33. Casamichana, D.; Castellano, J.; Gómez Díaz, A.; Martín-García, A. Looking for Complementary Intensity Variables in Different Training Games in Football. J. Strength Cond. Res. 2019. [Google Scholar] [CrossRef] [PubMed]
  34. Clemente, F.M.; Nikolaidis, P.T. Profile of 1-Month Training Load in Male and Female Football and Futsal Players. SpringerPlus 2016, 5, 694. [Google Scholar] [CrossRef] [PubMed] [Green Version]
  35. Duarte, R.; Batalha, N.; Folgado, H.; Sampaio, J. Effects of Exercise Duration and Number of Players in Heart Rate Responses and Technical Skills during Futsal Small-Sided Games. Open Sports Sci. J. 2009, 2, 37–41. [Google Scholar] [CrossRef]
  36. Clemente, F.M.; Afonso, J.; Sarmento, H. Small-Sided Games: An Umbrella Review of Systematic Reviews and Meta-Analyses. PLoS ONE 2021, 16, e0247067. [Google Scholar] [CrossRef] [PubMed]
  37. Martín-García, A.; Castellano, J.; Villanueva, A.M.; Gómez-Díaz, A.; Cos, F.; Casamichana, D. Physical Demands of Ball Possession Games in Relation to the Most Demanding Passages of a Competitive Match. J. Sports Sci. Med. 2020, 19, 1. [Google Scholar] [PubMed]
Share:

Leave a reply