RPE与百分比负荷训练:力量和增肌效果对比
基于 RPE 的自我调节负荷在肌肉力量与肌肥大适应方面与传统的 %1RM 百分比负荷相当,并在有训练经验的人群中表现出微弱的概率性力量优势。然而,在无训练经验者、高次数训练组以及远离力竭的动作中,主观 RPE 的精确度会有所下降。
最近更新: 2026-11-03
利用基于储备次数的主观疲劳程度(RIR-based RPE)对抗阻训练负荷进行自我调节,所产生的长期力量与肌肥大增长,与传统的固定极限重量百分比(%1RM)训练方案相当 [1]。对于有训练经验的举重者,基于 RPE 的负荷安排在最大力量提升上可能具备轻微的数值或概率优势 [4],但系统综述与荟萃分析显示,自我调节负荷与标准化百分比负荷处方之间并无统计学上的显著差异 [1]。基于 RPE 训练的主要局限在于,评分的准确性高度依赖于训练经验、与力竭的接近程度以及动作选择 [3, 8, 9]。
力量适应
传统的负荷模型通常将正式组重量设定为个体预先测试的单次最大重量的固定百分比(%1RM)[4]。相比之下,基于 RIR 的 RPE 则根据向心力竭前剩余的次数动态分配负荷(例如,RPE 8 对应 2 次储备次数)[13]。
在一项纳入 15 项研究的系统综述和荟萃分析(PROSPERO CRD42021240506)中,无论是基于 RIR 的 RPE 还是客观的基于速度的训练(VBT),自我调节负荷处方与标准化百分比训练相比,在 1RM 力量上均未表现出统计学上的显著差异(均数差 [MD] = 2.07 kg,95% CI:-0.32 至 4.46 kg,p = 0.09,SMD = 0.21)[1]。当考察持续时间超过 4 周的研究中的自我调节时,所有被评估的自我调节方案均系统性地提升了 1RM 最大力量,效应量介于小到大之间 [3]。此外,在有抗阻训练经验的个体中,主观的基于 RIR 的 RPE 与客观的基于速度的训练所带来的力量增长相似 [1]。
在一项针对 21 名有抗阻训练经验男性的为期 8 周的日内波动周期(DUP)研究中,使用基于 RIR 的 RPE 训练的举重者在深蹲中获得了 +17.05 ± 5.44 kg 的名义增长,卧推增长 +10.70 ± 3.30 kg,总成绩增长 +27.75 ± 7.94 kg;而 %1RM 组的深蹲增长为 +13.91 ± 5.89 kg,卧推增长 +9.64 ± 5.36 kg,总成绩增长 +23.55 ± 10.38 kg [4, 7]。尽管原始差异未达到标准统计学显著性,但基于量级的推断(MBI)分析表明,在深蹲(ES = 0.50 ± 0.63)、卧推(ES = 0.28 ± 0.73)和总成绩(ES = 0.48 ± 0.68)上,基于 RPE 的负荷方案分别有 79%、57% 和 72% 的概率具备小效应量优势 [4]。
肌肥大结果
在训练量和努力程度匹配的情况下,基于 RPE 和基于百分比的负荷直接对比显示出相同的肌肉增长效果 [4, 7]。在同一项针对有训练经验男性的 8 周试验中,通过超声测量的肌肉厚度增长在 %1RM 组和基于 RIR 的 RPE 组之间没有显著差异:胸大肌(+1.59 ± 1.33 mm 对比 +1.90 ± 1.91 mm)、股外侧肌 50% 股骨长度处(+2.13 ± 1.95 mm 对比 +1.85 ± 1.97 mm)以及股外侧肌 70% 股骨长度处(+2.40 ± 2.22 mm 对比 +2.31 ± 2.27 mm)[4, 7]。
力竭接近程度也会影响区域性肌肥大。在一项为期 10 周的研究中,对比了周期化力竭接近程度(RIR 1–4)与恒定力竭接近程度(固定 RIR 1),两组之间股外侧肌横截面积的增加相近(6.5% ± 4.2% 对比 5.5% ± 3.6%)[10]。然而,肱三头肌厚度仅在周期化 RIR 1–4 组中出现显著增加(5.8% ± 5.9% 对比 2.2% ± 4.9%),尽管该组报告的整体单次训练 RPE 值更低 [10]。
主观 RPE 的准确性与局限性
基于 RPE 的负荷安排是否有效,直接取决于训练者准确评估力竭接近程度的能力 [3, 9]。研究证实该量表具有强大的生理学和生物力学基础:基于 RIR 的 RPE 评分与后蹲(r = -0.87)和卧推(r = -0.79)中的杠铃移动速度呈高度负相关 [4, 7]。在力量举竞技运动员中,深蹲、卧推和硬拉中 %1RM 与基于 RIR 的 RPE 之间的相关性可达 r = 0.88 至 0.92 [3]。
然而,评分准确性因经验、疲劳程度和具体动作而异:
- 训练经验: 与新手(训练经验 <1 年;8.96 ± 0.43,p = 0.023)相比,有经验的训练者(训练经验 >1 年)对 1RM RPE 的评估显著更接近真实力竭(9.80 ± 0.18),且表现出更强的速度与 RPE 负相关性(r = -0.88 对比 r = -0.77)[3, 9]。
- 力竭接近程度: 随着疲劳累积以及训练组逐渐接近向心力竭,训练者估计剩余次数的精确度会更高(在 70% 1RM 的多组训练方案中,卧推的 r 达到 0.95,深蹲达到 0.93)[9]。而在远离力竭的高次数训练组中,准确性会有所下降 [3]。
- 动作差异: 在无训练经验的成年人中,在相同相对强度下,标准量表上的主观用力评分在不同动作之间存在显著差异;过顶推举引发的主观 RPE 明显高于提踵,这表明若不进行个体校准,单凭主观量表可能无法统一适用于所有动作 [8]。
训练量自动调节与速度阈值
自我调节不仅可以指导负荷安排,还能调控组数与训练量 [1]。虽然主观训练量自我调节(例如达到目标 RPE 即停止组数的“RPE 终止策略”)尚缺乏长期对比试验 [1],但客观的速度损失(VL)阈值在力量与肌肥大适应之间提供了清晰的分野 [1]。
荟萃分析数据显示,较低的速度损失阈值(≤ 25%)比较高的阈值(> 25%)能带来显著更大的 1RM 力量增长(MD = 2.32 kg,p = 0.02,SMD = 0.23),不过这种力量优势主要体现在主项动作与辅助动作一同进行时 [1]。相反,较高的速度损失阈值(> 25%)诱导的肌肉横截面积肌肥大显著大于 ≤ 25% 的阈值(MD = 0.61 cm²,p = 0.03,SMD = 0.28)和 ≤ 20% 的阈值(MD = 0.64 cm²,p = 0.03,SMD = 0.34)[1]。20–25% 与 > 25% 速度损失阈值之间的肌肥大差异在统计学上并不显著(MD = 0.36 cm²,p = 0.28,SMD = 0.13)[1]。
值得注意的是,速度损失反映的是组内完成的总次数,而非源自末次动作速度的最终 RPE [16]。例如,在 8 次训练组中达到 RPE 8(末次动作速度为 0.20 m·s⁻¹)会导致约 51% 的速度损失,但在约 87.5% 1RM 的 3 次训练组中仅导致 23% 的速度损失 [16]。
实践应用
对于有经验的训练者,基于 RIR 的 RPE 提供了一种实用方法来应对日常力量波动,而无需频繁进行极限测试 [3, 4]。标准力量举模型将 RPE 10 对应为 0 RIR 的全力付出(单次 100% 1RM),RPE 8 对应 2 RIR(单次 92.2% 1RM,3 次 86.3%,6 次 78.6%)[13]。
混合方法也可以结合这两种模式。在自动调节容量训练(AVT)中,强度最初锚定在 1RM 的某个百分比,第一组在目标 RIR 下完成以确立基线表现,而后续组别则随着疲劳累积动态调整次数和组间休息间隔 [6]。
参考文献
网络来源
- The Effect of Load and Volume Autoregulation on Muscular ...
- “Which autoregulation strategy should we use?” The effects ...
- Effects of subjective and objective autoregulation methods for ...
- RPE vs. Percentage 1RM Loading in Periodized Programs ...
- Autoregulation vs. traditional loading: Finding the best ...
- As You Get Older, Training Too Hard Could Hold You Back
- RPE vs. Percentage 1RM Loading in Periodized Programs ...
- RPE Alone Is Weak for Prescribing Strength Training Intensity
- Application of the Repetitions in Reserve-Based Rating ... - PMC
- Influence of Varying Proximity-to-Failure on Muscular ...
- A Comparison of Traditional and Autoregulated Periodized ...
- THE EFFECTS OF PERCENTAGE-BASED, RATING ...
- RPE Calculator | RPE Percentage Chart | RPE to 1RM Converter
- Predicting Total Back Squat Repetitions from ... - PMC - NIH
- Velocity-Based Training
- Velocity Based Training Q&A Part 1