Vadim Cherepanov | Sport Physiology

Как меняется концентрация лактата в крови Концентрация лактата в крови зависит от баланса между его поступлением в кровь и удалением из неё. На видео это наглядно показано: → Поступает столько же, сколько удаляется — концентрация стабильна. → Поступает больше, чем удаляется — концентрация растёт. → Удаляется больше, чем поступает — концентрация снижается. При этом оба потока могут увеличиваться одновременно: через кровь проходит больше лактата, а его концентрация остаётся прежней. Поэтому одна проба показывает концентрацию в момент измерения, но не позволяет отдельно определить поступление и удаление лактата. На видео — учебная схема с условными потоками. @cherepanov_lab

Это потенциально позволяет выполнять AI-inference прямо на небольшом wearable, а не постоянно отправлять сырые данные в облако. Потенциал на 5–10 лет: датчик сможет сам определять физиологически значимое событие и передавать не гигабайты сигнала, а уже результат: normal → unusual response → high-confidence event. Это может серьёзно изменить автономность и архитектуру continuous monitoring. Источник: https://www.nature.com/articles/s41598-026-69373-x⁠ 2. Следующее поколение wearables — физические и биохимические данные в одной системе Свежий обзор по multimodal wearable biosensors объединяет два мира, которые пока чаще существуют отдельно. Physical sensing: HR/ECG, EMG, температура, движение, давление, ускорение, GSR. Chemical sensing: глюкоза, лактат, электролиты и другие компоненты биологических жидкостей. Главные препятствия пока хорошо знакомы: miniaturisation, питание, стабильность сигнала, calibration, беспроводная передача и удобство для спортсмена. Потенциал на 5–10 лет: вместо отдельного GPS, HR, CORE, NIRS и биохимических анализов часть информации сможет собираться единой распределённой wearable-системой: External Load + Cardiovascular Response + Temperature + Movement + Biochemistry. Источник: https://www.frontiersin.org/journals/sensors/articles/10.3389/fsens.2026.1884845/abstract⁠ Главная мысль недели Чётко прослеживается общий тренд: измерение → контекст → модель → оценка уверенности → решение. Просто собрать HRV, EMG, сон или тренировочную нагрузку уже недостаточно. Следующая задача спортивной науки — понять качество данных, индивидуальную реакцию и степень уверенности, а затем превратить всё это в объяснимое тренировочное решение.

🧬 СПОРТИВНАЯ ФИЗИОЛОГИЯ, PERFORMANCE TECHNOLOGY & SENSORS Еженедельный дайджест | 7 сентября 2026 1. HRV после нагрузки нельзя интерпретировать без учёта регулярности сна Новая 28-дневная работа включила 54 спортсмена и 1232 утренних измерения. Исследователи одновременно анализировали тренировочную нагрузку, время сна и утренний RMSSD. Когда нагрузка оказывалась выше индивидуальной нормы, на следующее утро lnRMSSD в среднем снижался. Но самое интересное — связь становилась сильнее в дни, когда время сна спортсмена больше отклонялось от его обычного режима. Авторы специально предупреждают: это наблюдательная связь, а не доказательство того, что нарушение времени сна непосредственно вызвало снижение HRV. Почему это важно: одно и то же падение RMSSD после одинаковой тренировочной нагрузки может иметь разный контекст. В мониторинге имеет смысл учитывать не только длительность сна, но и: • время засыпания; • время пробуждения; • отклонение midpoint сна от индивидуальной нормы; • тренировочную нагрузку предыдущего дня. То есть модель постепенно становится: Load + Sleep Regularity + HRV → интерпретация восстановления а не просто: HRV ↓ → спортсмен не восстановился. Источник: https://www.frontiersin.org/journals/physiology/articles/10.3389/fphys.2026.1966561/abstract⁠ 2. Новая работа по AI в sport science: высокая точность модели ещё не означает полезное тренировочное решение 2 сентября опубликован критический обзор использования AI в спортивной науке. Авторы выделяют одну из главных проблем современной performance analytics: исследования часто заканчиваются на том, что модель умеет предсказывать readiness, травму, performance или другое состояние. Но значительно реже проверяется: насколько хорошо модель откалибрована → насколько она уверена → что именно специалист должен делать с прогнозом → улучшает ли это решение реальную практику. Авторы предлагают шесть уровней: Data & Context → Prediction → Decision Translation → Individualisation → Human Oversight → Deployment Monitoring. Особенно важны проблемы: • маленьких выборок; • data leakage; • неправильной временной validation; • отсутствия uncertainty; • слабой связи между prediction и action; • отсутствия контроля модели после внедрения. Почему это важно: спортивный AI должен отвечать не только: «какова вероятность проблемы?» но и: «насколько мы уверены → почему → какое действие допустимо → что произошло после этого действия?» Для athlete-monitoring платформ это, пожалуй, один из наиболее важных концептуальных сдвигов. Источник: https://www.mdpi.com/2673-2688/7/9/343⁠ 3. AI-анализ EMG показывает, что после ACL-реконструкции движение может выглядеть восстановленным, а нервно-мышечная стратегия — нет 1 сентября в Medicine & Science in Sports & Exercise опубликована работа с AI-based анализом EMG у спортсменов после реконструкции ACL. Исследователи обнаружили изменения preactivation и cocontraction мышц, указывающие на отличающуюся нервно-мышечную стратегию даже у восстановившихся спортсменов. Это важный пример того, почему одинаковый внешний performance output ещё не обязательно означает одинаковую внутреннюю организацию движения. Почему это важно: return-to-performance потенциально должен оценивать не только: силу → прыжок → скорость → асимметрию, но и то, каким способом нервно-мышечная система создаёт этот результат. EMG + machine learning может постепенно сделать такие скрытые compensatory strategies доступнее для практической диагностики. Источник: https://pubmed.ncbi.nlm.nih.gov/42044292/⁠ 🚀 EMERGING TECHNOLOGIES 1. Neuromorphic AI прямо внутри wearable 6 сентября в Scientific Reports опубликована работа ConvSNN — гибридной convolutional + spiking neural network для определения стресса и affective state непосредственно по данным wrist-worn sensors. Главное здесь даже не распознавание стресса, а архитектура. Spiking Neural Networks пытаются обрабатывать информацию более энергоэффективным способом, напоминающим событийную работу биологических нейронов.

В подготовке спортсмена нельзя строить «идеальный» план на бумаге. Олав Бу, норвежский физиолог, говорит о том, что важно оставлять пространство для сбоев и корректировок. Индивидуализация, постоянный контроль реакции организма и работа с данными делают план живым инструментом, а не жёстким графиком. Главное — не только задать нагрузку, но и вовремя понять, как спортсмен справляется, и что нужно поменять. Полный разбор интервью — в Telegraph.

Друзья, приглашаю вас развеяться после работы 3 сентября в 19:00 на открытую лекцию в магазине ANTA в ТЦ «Гагаринский». Поговорим о том, как современные технологии меняют тренировочный процесс: спортивная физиология, тестирование, носимые устройства и главное — как превратить полученные данные в тренировочные решения. 📍 Москва, ТЦ «Гагаринский», ул. Вавилова, 3 🕖 3 сентября, 19:00 Буду рад видеть!