訓練單調性是什麼？Foster 公式與有界評分對照

訓練單調性衡量最近七天每日負荷有多相似。對照經典 Foster 公式與 Trainingload.ai 的有界評分、訓練壓力，避免把高分誤讀成傷病或過度訓練預警。

**訓練單調性（Monotony）**用來描述最近 7 個日曆日的每日負荷有多相似。每日負荷越接近，單調性通常越高；高低負荷日、低負荷日與休息日帶來的變化越明顯，單調性通常越低。

Trainingload.ai 顯示的是經過正規化的有界版本，數值範圍與經典 Foster 單調性不同。它描述負荷數字的分布，不直接測量疲勞、恢復、過度訓練、傷病機率或訓練品質。

Monotony

範例數值僅供介面預覽。

Monotony 的數值來源

Trainingload.ai 使用從今天到六天前的 7 個每日負荷值：

每項活動會先依負荷來源優先順序選出一個負荷值。
同一天若有多項活動，負荷會相加。
沒有記錄活動的日期會以零負荷計算，而不是從窗口中刪除。
活動缺漏、重複、閾值或負荷來源變更，都會改變每日序列，進而影響 Monotony。

Monotony 只看每天最終的負荷數字。它不會辨識負荷來自跑步、自行車、游泳或肌力訓練，也不會判斷課程內容是否合理。

Trainingload.ai 使用的公式

首先取包含今天在內的最近 7 個日曆日：

loads = [
  daily_load_today,
  daily_load_1_day_ago,
  ...,
  daily_load_6_days_ago
]

mean_load = sum(loads) / 7
sd_load = sqrt(sum((load − mean_load)²) / 7)

這裡的 sd_load 是這 7 個數值的母體標準差。接著計算：

monotony = mean_load / (sd_load + mean_load)

若 sd_load + mean_load = 0，表示七天負荷全部為零，產品會回傳 monotony = 0。

Trainingload.ai 也會根據同一窗口計算訓練壓力（Training Strain）：

total_load = sum(loads)
training_strain = total_load × monotony / 0.5

產品顯示時會將 Monotony 與 Training Strain 保留至小數點後兩位。

與經典 Foster 公式的差異

經典 Foster 單調性通常寫成：

foster_monotony = mean_load / sd_load
foster_strain = total_load × foster_monotony

經典值沒有上限；當每天負荷完全相同時，標準差為零，結果會趨近無限大。Trainingload.ai 使用 mean_load / (sd_load + mean_load) 避免除以零，並將非零訓練週的結果限制在 0 到 1 之間。

當平均值與標準差都大於零時，兩種單調性的關係為：

trainingload_monotony = foster_monotony / (1 + foster_monotony)

因此，Trainingload.ai 的 0.8 不能直接與經典 Foster 指標中的 2.0 比較；產品的 Training Strain 也不是經典 Foster Strain。

如何理解數值

對非負的每日負荷而言：

七天全部為零：產品回傳 0，表示沒有可供分析的近期訓練負荷。
只有一天有負荷：Monotony 約為 0.29，代表負荷高度集中在 7 天窗口中的單一天。
每天的正負荷完全相同：Monotony 為 1，代表每日負荷數字沒有變化。
介於兩者之間：數值越高，通常表示每天的負荷相對越接近。

低值不一定更好。一次很大的負荷尖峰加上六個零負荷日，也會產生較低的 Monotony，但這不代表訓練結構健康。高值也不等於傷病或過度訓練；它只表示最近七天的每日負荷數字較為接近。

介面分段如何使用

介面分段	產品界線	可以確定的模型關係
較低	`< 0.6`	每日負荷變化較明顯，或負荷集中在少數日期。
中等	`0.6–0.8`	每日負荷的相似程度處於中間範圍。
較高	`> 0.8`	每日負荷數字相對接近。

這些界線是產品顯示規則，不是經個人化驗證的健康、安全或傷病風險閾值。七天全部為零時的特殊值 0，也不應被解讀為「訓練結構優良」。