Fraktale Korrelationseigenschaften der Herzratenvariabilität als alternative Methodik zur Trainingssteuerung

Abstract

Einleitung: Ein systematisches und planmäßiges Ausdauertraining basiert auf zahlreichen Entscheidungen hinsichtlich der gewählten Trainingsinhalte und -methoden, sowie von Kontroll- und Steuerungsinstrumenten. In diesem Zusammenhang kann auf eine Vielzahl von etablierten Verfahren der Ausdauerleistungsdiagnostik und für ein Beanspruchungs-Monitoring zurückgegriffen werden. Durch ihre Verwendung sollen möglichst optimale Trainingsempfehlungen resultieren, um negative Effekte auf die Leistungsfähigkeit zu vermeiden. Die Auswahl einer Methodik ist jedoch nicht nur von der Zugänglichkeit zu benötigten Messapparaturen oder der Kostspieligkeit geprägt, sondern unterliegt zudem der Entscheidung für ein physiologisches Subsystem. Neu entstehende Disziplinen der Komplexitätsforschung beleuchten das Potenzial der Untersuchung von subsystemischen Interaktionen zur Bewertung der organismischen Regulation, auch während nicht-stationärer Bedingungen. Als Möglichkeit bietet sich in diesem Zusammenhang die Bewertung der Korrelationseigenschaften der Zeit-Signale aus physiologischen Parametern, wie beispielsweise der Herzratenvariabilität (HRV) als natürliche Variation in den RR-Zeitintervallen und Indikator der kardiovaskulären Regulation. Während einer Ausdauerbelastung bieten diese eine ganzheitliche und dynamische Perspektive des kardialen autonomen Nervensystems (ANS), indem sie das reziprok antagonistische Zusammenspiel des Sympathikus und Parasympathikus in Abhängigkeit der Trainingsintensität als Gradienten berücksichtigen. Als verbreiteter Ansatz ihrer Analyse gilt die nicht-lineare und dimensionslose Methode der trendbereinigten Fluktuationsanalyse (engl.: Detrended Fluctuation Analysis, DFA). Dabei verhält sich der Kurzzeit-Skalierungsexponent alpha1 der DFA (DFA a1) bei Ausbelastungsprotokollen biphasisch. Bei niedrigen bis moderaten Intensitäten zeigt sich ein Anstieg über den Ruhewert (≥ 1,0) (stark korreliertes Verhalten bei Werten zwischen 1,0 und 1,5), während mit zunehmender Belastungsintensität ein starker Abfall von DFA a1 mit unkorrelierten Eigenschaften der Zeitreihe nahe der aeroben und anaeroben Schwelle bis auf etwa < 0,5 bei Maximalbelastungen zu erkennen ist. Ausgehend von dieser Beobachtung und signal-theoretischen Modellannahmen über die Dynamik und Komplexität der organismischen Stabilität und Selbstregulation, wurde ein Grenzwert von 0,75 für die aerobe Schwelle und 0,5 für die anaerobe Schwelle angenommen und in aktuellen Untersuchungen an männlichen Probanden validiert. Weiterhin wurde diese Kenngröße in einer ersten Pilotstudie als Marker des physiologischen Status, im Sinne einer Abbildung von Ermüdung, untersucht. Eine verringerte Ausprägung von DFA a1 bei gleicher, standardisierter Belastung wurde mit einem Ermüdungszustand assoziiert. Bevor die Eignung für eine Trainingssteuerung, auf Basis eines Wearable-gestützten Ausdauertrainings in Echtzeit, bestätigt werden kann, bleiben bestehende Lücken im Forschungsstand zu bearbeiten. Zielstellung und Methodik: Die übergeordnete Zielstellung der vorliegenden Arbeit ist es, weitere Überprüfungen von DFA a1 für Trainingssteuerungszwecke vorzunehmen, um Potenziale oder Limitationen dieser Alternativmethodik aufzuzeigen und somit weitere wesentliche Erkenntnisse für die konkrete Anwendung in der Trainingspraxis zu erlangen. Die Erfüllung der Zielstellung soll im Rahmen von vier Laborstudien erfolgen, welche den Ansatz (1) für eine Ermittlung von Trainings- und Belastungszonen an einem weiblichen Probandinnenkollektiv überprüft, (2) im Hinblick auf eine Datengenerierungmit kommerziellen Messsystemen bei Männern und Frauen überprüft, (3) für ein Monitoring zur Abfrage der Leistungsbereitschaft von Triathlet*innen überprüft. Ergebnisse: Aus den Forschungsergebnissen dieser Dissertationsschrift, basierend auf vier Publikationen in internationalen Fachzeitschriften mit Peer-Review Verfahren (IF: ø 3,35), konnten weitere Erkenntnisse bezüglich der trainingspraktischen Eignung von DFA a1 gewonnen werden. Die auf DFA a1-basierten Schwellenwerte (0,75 und 0,5), konnten sich auch bei einem weiblichen Probandinnenklientel in einem abweichenden Belastungsprotokoll für die Ableitung von Trainings- und Belastungszonen erweisen. Die Abgrenzung auf Grundlage von organismischen Regulierungsübergängen zeigte eine gute Übereinstimmung mit einer etablierten Methodik auf Basis ventilatorisch definierter Schwellen und zeigte im Vergleich zu weiteren Schwellenwertkonzepten eine ähnliche Abweichung bei Minimalaufwand durch die Aufzeichnung mit einem kommerziellen Brustgurt. In diesem Kontext erwies sich die Aufzeichnung dieser Kenngröße durch zwei Herzfrequenz-Sensoren mit Brustgurt im Vergleich zu einem Referenz-Elektrokardiogramm (EKG) als weitgehend kongruent, was ihren Gebrauch für eine Echtzeit-Anwendung rechtfertigt. Dennoch konnten in Einzelfällen insbesondere bei steigenden Belastungsintensitäten größere Fehlerraten in Richtung zu hoher Werte für DFA a1 erkannt werden, was durch eine Optimierung der elektrischen Wellenform durch eine geeignete Positionierung des Brustgurtes und Sensors mithilfe einer Echtzeit Anzeige in einer Applikation angeglichen werden kann. Einen besonderen Mehrwert bietet die Verwendung von kommerziellen Messsystemen mit Aufzeichnung eines EKG, da dies erlaubt, zwischen Artefakten aufgrund von Rauschen oder potenziell lebensbedrohlichen Herzrhythmusstörungen zu diskriminieren und Signalkorrekturen vorzunehmen, was einen Datenverlust einschränkt. Final erwies sich DFA a1 zudem als potenzieller Monitoring-Parameter zur Abbildung des physiologischen Status von Ausdauerathlet*innen. Im Rahmen mehrerer simulierter Aufwärmprogramme zeigte sich in Folge einer hoch-intensiven Laufeinheit eine signifikante Verringerung von DFA a 1 bei einer standardisierten submaximalen Belastung, welche sich in Folge einer weniger intensiven Laufeinheit nicht zeigte. Ein unterdrückter Wert dieser organismischen Kenngröße scheint anzeigen zu können, ob ein Individuum bereit ist ein Training mit hoher Intensität bzw. hohem Volumen zu absolvieren oder bei einem Wettkampf zu starten. Schlussfolgerung: Die vorliegenden Studien und der aktuelle Forschungsstand liefern zahlreiche Hinweise über das Potenzial der Korrelationseigenschaften der HRV für die Trainingssteuerung. So bietet eine Ableitung von Trainings- und Belastungszonen auf Basis organismischer Regulationsschwellen nicht nur praktische Vorteile der Einfachheit und leichten Verfügbarkeit, sondern es resultieren zudem Trainingsempfehlungen, die vergleichbar zu diesen aus etablierten Schwellenkonzepten auf Basis subsystemischer Kenngrößen sind. Durch die überprüfte Validität der Daten aus kommerziellen Messsystemen sowie der existierenden webbasierten und mobilen Applikationen kann eine Verwendung von DFA a1 im Sinne eines Wearable-gestützten Ausdauertrainings in Echtzeit unter Berücksichtigung der organismischen Selbstregulation für eine Trainingssteuerung verwendet werden. So kann beispielsweise DFA a1 > 0,75 als günstige Dynamik zwischen Ordnung und Unordnung für ein aerobes Grundlagenausdauertraining, direkte Hinweise auf den Stoffwechselbedarf/-überschuss liefern und weiterhin eine Trainingssteuerung im Rahmen bestimmter Trainingsmodelle (z.B. polarisiertes Trainingsmodell) ermöglichen. Es konnte zudem festgestellt werden, dass eine Abbildung dieser Kenngröße gegen externe Belastungsmarker im Rahmen eines standardisierten Beanspruchungs-Monitorings dazu verwendet werden kann, einen akuten Einblick in den physiologischen Status von Athlet*innen zu erlangen. Dabei kann die Erstellung einer individuellen Datenhistorie inklusive der Berechnung eines Baseline-Korridors dazu verhelfen, bei Über-/Unterschreitungen Entscheidungen hinsichtlich der Trainingsplanung vorzunehmen. Insgesamt können durch weitere Betrachtungen von DFA a1 in Kombination mit internen und externen Belastungsmarkern, Dosis-Wirkungsbeziehungen durch eine integrative Perspektive zusätzlich bewertet werden, was zu neuen Erkenntnissen hinsichtlich bestehender Modelle der Belastungsermüdung und der kardiovaskulären Regulation führen könnte. Zusätzlich könnte die synchronisierte Betrachtung weiterer nicht-linearer Dynamiken aus anderen physiologischen Organsystemen (Gehirn, Lunge, Muskel) ein tieferes Verständnis hinsichtlich organbezogener Kopplungen liefern.