急慢性負荷比（ACWR）

**急慢性負荷比（ACWR）**用來比較模型化近期負荷與長期負荷。在 Trainingload.ai 中，頁面顯示的 A:C 數值，是當日疲勞（ATL）除以當日體能（CTL）。

ACWR 可以協助定位近期負荷相對於長期趨勢發生了多大變化，但它不能預測傷病或準備度，也不直接測量適應、疲勞、恢復或醫療風險。

範例數值僅供介面預覽。

ACWR 的數值來源

ACWR 沒有獨立的活動負荷輸入。Trainingload.ai 會先依活動資料與負荷來源優先順序計算每日負荷，再維護兩條指數負荷曲線：

• ATL 預設使用 7 天時間常數，近期負荷的影響較大。
• CTL 預設使用 42 天時間常數，變化速度較慢。
• ATL 與 CTL 使用同一組每日負荷，因此活動缺漏、重複、閾值或負荷來源變更，都可能改變 ACWR。
• ACWR 是無單位比值，不會保留 ATL 與 CTL 的絕對規模。

公式

Trainingload.ai 先按照與 Intervals.icu 一致的指數時間常數口徑，計算當日 ATL 與 CTL：

decay_ATL = exp(-1 / 7)
decay_CTL = exp(-1 / 42)

ATL_today = ATL_yesterday × decay_ATL + daily_load × (1 − decay_ATL)
CTL_today = CTL_yesterday × decay_CTL + daily_load × (1 − decay_CTL)

接著計算：

ACWR_today = ATL_today / CTL_today

例如，當日 ATL 為 60、CTL 為 50 時，ACWR 為 60 / 50 = 1.20。當 CTL 為零時，產品回傳 0，以避免除以零。

Trainingload.ai 使用哪一種 ACWR

「ACWR」並不代表唯一演算法。研究與產品可能採用不同的負荷輸入、時間窗口和平均方式，因此同名指標未必能直接比較。

Trainingload.ai 目前使用的是耦合的 PMC 指數比值：

• 當日負荷會同時進入 ATL 與 CTL。
• 分子與分母使用指數時間常數，而不是固定窗口的簡單平均。
• 它不是「最近 7 天總負荷 ÷ 最近 28 天每週平均負荷」。
• 它也不是從長期窗口排除最近 7 天的解耦 ACWR。

因此，來自其他 ACWR 演算法、運動項目或負荷來源的研究閾值，不能直接當作 Trainingload.ai 數值的驗證界線。

如何理解 ACWR

• ACWR 大於 1：當日 ATL 高於 CTL，近期模型負荷高於長期模型水準。
• ACWR 接近 1：ATL 與 CTL 接近；這不表示訓練量最佳，也不表示生理狀態平衡。
• ACWR 小於 1：當日 ATL 低於 CTL，近期模型負荷低於長期模型水準。

比值必須與分子和分母一起看。例如 ATL 12 / CTL 10 與 ATL 120 / CTL 100 都等於 1.20，但兩者的絕對負荷與運動員情境完全不同。新帳號、歷史資料不足或長期負荷很低時，一次訓練也可能產生很大的比值。

介面分段如何使用

這些分段只是介面上的檢查提示。現有研究所使用的演算法與人群差異很大，而且 ACWR 與傷病之間的因果關係尚未建立。因此，這些分段不能證明某個數值「最佳」「安全」「危險」「訓練不足」或「過度訓練」。

實際檢查流程

1. 確認 ACWR、ATL 與 CTL 對應同一天。
2. 同時查看 ATL、CTL 的絕對值，尤其注意 CTL 很小的情況。
3. 在 PMC 圖表中找出比值從哪一天開始變化。
4. 回到具體活動，核對負荷、運動類型、日期與感測器資料。
5. 檢查 FTP、LTHR、配速閾值或負荷來源優先順序是否變更。
6. 加入課程完成品質、主觀疲勞、睡眠、疼痛、生病與過往傷病等模型外資訊。

參考資料

• Intervals.icu 開發者對體能與疲勞指數公式的說明
• Gabbett（2016）：訓練—傷病預防悖論
• Windt 與 Gabbett（2019）：ACWR 的數學耦合問題
• Maupin 等人（2020）：ACWR 與運動傷病關係的系統性回顧
• Impellizzeri 等人（2020）：ACWR 的概念問題與根本缺陷
• Wang 等人（2020）：從 ACWR 得到的活動與傷病分析教訓

相關頁面

• 疲勞（ATL）
• 體能（CTL）
• 狀態（TSB）
• 訓練負荷