Trainingload.ai
指标 (Metrics)Heart rate

效率系数 (EF)

效率系数用输出除以平均心率,用于比较相似耐力训练中的有氧效率趋势。

效率系数 (Efficiency Factor, EF)

效率系数 (Efficiency Factor, EF) 是连接你的生理投入 (Input)运动产出 (Output) 的指标。简单说,它在问:每一次心跳带来了多少配速或功率输出?

它适合用来比较相似耐力训练之间的有氧效率变化,尤其适合观察基础期的长期趋势。

核心概念

EF 的核心逻辑非常简单:单位心率下的输出。 当你变得更强时,你在相同的心率下能跑得更快/骑得更猛;或者在相同的速度下,你的心率更低。

计算公式

EF 的计算公式为“产出”除以“投入”:

骑行

EF=NPAvgHREF = \frac{NP}{AvgHR}

注:通常使用 NP (标准化功率) 或 Avg Power。Trainingload.ai 默认使用 NP 以保持与 Decoupling 计算的一致性。

跑步

EF=NGPAvgHREF = \frac{NGP}{AvgHR}

注:Trainingload.ai 使用 NGP (标准化坡度配速) 对应的速度值(米/分 或 码/分)来计算,以消除地形影响。

典型数值范围

EF 是一个相对指标,不同人的 EF 值没有横向可比性(因为每个人的静息心率、最大心率和体重不同)。

  • 自我比较:你只需要和自己过去的 EF 进行比较。
  • 典型趋势:在一个扎实的基础期(12-16周)内,你的 EF 应该呈现稳步上升的趋势。

典型应用场景

1. 观察基础期进展

在较长的基础期里,低强度耐力训练可能很重复。相似训练中的 EF 趋势逐步上升,通常说明有氧效率在改善。

  • 上升期:可能说明训练正在提升有氧效率。
  • 平台期:如果 EF 连续几周不再明显上升,可能是基础能力趋于稳定,也可能是疲劳或训练刺激不足。
  • 决策点:是否引入更多阈值训练或间歇训练,需要结合目标赛事、疲劳、近期负荷和恢复状态一起判断。

2. 交叉检查疲劳信号

如果 EF 突然异常变化,不一定代表体能突然变化。心率异常偏低、主观疲劳偏高、睡眠差、高温或设备问题,都可能让 EF 失真。需要和 RPE、近期训练负荷和身体感觉一起看。

效率系数与有氧脱钩

效率系数 (EF)有氧脱钩 (Aerobic Decoupling) 是分析耐力表现的左膀右臂:

指标关注维度问题
EF长期趋势 (Long-term)“在这个月里我进步了多少?”
Decoupling单次质量 (Workout Quality)“我在这次长距离训练中是否维持住了效率?”

EF 更关注一次训练或一段时间的效率水平;有氧脱钩更关注长时间稳态输出后,这种效率是否还能维持。

Trainingload.ai 如何使用 EF

  • 只比较可比训练:EF 最适合比较路线、时长、地形、强度相近的训练。
  • 过滤噪声训练:分析 EF 趋势时,Trainingload.ai 会更关注以 Zone 1 / Zone 2 为主的有氧训练课。
  • 搭配脱钩使用:EF 变高但后半段脱钩也很高,说明效率提升并不一定稳定。
  • 保持装备一致:尽量使用同一条心率带和功率计。设备误差会掩盖真实的小幅变化。

相关文档

参考资料