Mengungkap Ilmu di Balik Zona Latihan yang Efektif

Mencapai performa puncak dalam olahraga bukan hanya tentang kerja keras, dedikasi, dan teknik yang efisien. Ini juga membutuhkan pemahaman yang cukup mendalam tentang sistem energi dan jalur metabolisme tubuh agar dapat membuat keputusan pelatihan yang lebih baik. Dengan memperjelas proses-proses ini, atlet dan pelatih dapat mengorganisasi pelatihan dengan lebih tepat, mengevaluasi apakah stimulus yang diinginkan telah tercapai, dan mendukung pengembangan performa jangka panjang. Dalam artikel ini, kami menjelaskan konsep-konsep penting tersebut dan bagaimana pengaruhnya terhadap perencanaan pelatihan serta desain zona.

Dalam artikel kami sebelumnya, "Zona Latihan Renang: Memajukan Resep Intensitas – Kebutuhan akan Alat yang Lebih Baik", kami menyoroti pentingnya resep intensitas yang dipersonalisasi. Meskipun teknologi baru seperti AI menawarkan potensi yang besar, teknologi tersebut tidak dapat memecahkan semua masalah dalam pelatihan olahraga dengan sendirinya. Sekadar memasukkan makalah ilmiah dan data ke dalam AI tidaklah cukup. AI belum mampu mengevaluasi dan mengintegrasikan seluruh nuansa teori olahraga secara efektif. Oleh karena itu, penting untuk terlebih dahulu menyempurnakan model konseptual kita, seperti zona pelatihan, guna memberikan fondasi yang kokoh di mana alat-alat berbantuan AI nantinya dapat membangun dukungan pelatihan yang lebih tepat dan berguna.

Artikel ini membuka percakapan tersebut. Tujuannya bukan untuk menolak sistem zona tradisional, yang masih dapat berguna untuk komunikasi, kebugaran, dan organisasi pelatihan secara umum. Tujuannya adalah menjelaskan mengapa renang performa mungkin membutuhkan resolusi yang lebih tinggi: zona beresolusi rendah dapat menyembunyikan beban internal yang berbeda di bawah label yang sama, mengaburkan jalur metabolisme yang sedang dibebani, dan mempersulit evaluasi tentang apa yang sebenarnya dilakukan oleh suatu sesi latihan.

Ide utama: Zona pelatihan tradisional adalah titik awal yang berguna, tetapi renang performa membutuhkan model yang dapat membedakan intensitas, durasi, istirahat, densitas, teknik, dan beban internal.

Perlunya Merevisi Zona Pelatihan

Zona pelatihan adalah rentang intensitas latihan tertentu yang dirancang untuk memandu, mengorganisasi, dan mengevaluasi pelatihan atletik. Setiap zona biasanya didefinisikan oleh penanda fisiologis dan praktis seperti detak jantung (HR), konsentrasi laktat, persepsi usaha, kecepatan, dan persentase VO2 max. Zona-zona ini dimaksudkan untuk menekankan tuntutan pelatihan dan tingkat usaha tertentu. Zona-zona ini didasarkan pada penelitian fisiologi olahraga dan praktik kepelatihan, khususnya bagaimana tubuh merespons intensitas latihan yang berbeda. Seiring waktu, konsep zona pelatihan telah berkembang melalui ilmu olahraga, kedokteran, dan kepelatihan. Penanda fisiologis utama seperti ambang laktat, VO2 max, dan variabilitas detak jantung telah membantu mendefinisikan zona-zona ini karena rentang intensitas yang berbeda dikaitkan dengan respons fisiologis dan tujuan pelatihan yang berbeda.

Zona pelatihan: Rentang intensitas praktis yang digunakan untuk mengorganisasi, meresepkan, memantau, atau mengevaluasi pelatihan, biasanya didefinisikan melalui penanda seperti kecepatan, detak jantung, laktat, persepsi usaha, penyerapan oksigen, atau indikator performa khusus olahraga.

Beban internal: Stres fisiologis dan psikologis yang dialami oleh atlet sebagai respons terhadap pelatihan, yang berbeda dari pekerjaan eksternal yang diresepkan atau diselesaikan.

Meskipun zona pelatihan sangat penting untuk menyusun dan mengevaluasi program pelatihan yang efektif, banyak sistem yang ada tidak memenuhi kebutuhan unik para perenang. Zona pelatihan generik, khususnya yang memiliki lima zona atau lebih sedikit atau yang hanya didasarkan pada data detak jantung, dapat kurang memiliki presisi yang diperlukan untuk renang performa. Renang menambahkan kompleksitas khusus olahraga: kecepatan, mekanika gaya renang, durasi istirahat, densitas set, respons laktat, persepsi usaha, tuntutan nomor perlombaan, dan keterbatasan pengukuran berbasis air semuanya dapat memengaruhi apa yang dimaksud dengan sebuah "zona" dalam praktiknya. Ketika variabel-variabel ini dipadatkan ke dalam kategori yang luas, label zona yang sama dapat mewakili beban internal dan efek pelatihan yang sangat berbeda. Penelitian terbaru yang spesifik untuk renang mendukung penggabungan penanda fisiologis dan biomekanis daripada mengandalkan satu penanda saja. Literatur beban pelatihan juga mendukung interpretasi pekerjaan eksternal dan respons internal secara bersamaan daripada mengasumsikan satu penanda sudah menceritakan keseluruhan cerita (Borresen & Lambert, 2009; Dudley et al., 2023; Fernandes et al., 2024; Pyne & Sharp, 2014). Zona pelatihan penting karena beberapa alasan:

• Spesifisitas: Zona pelatihan membantu atlet dan pelatih menekankan sistem energi, serat otot, dan tuntutan teknis tertentu, yang dapat membuat adaptasi pelatihan yang diinginkan lebih mudah untuk ditargetkan dan ditinjau.
• Optimasi: Berlatih pada intensitas yang tepat membantu atlet memanfaatkan waktu pelatihan dengan lebih baik dan menghindari ketidaksesuaian antara stimulus yang diinginkan dan yang sebenarnya terjadi.
• Pemantauan: Zona pelatihan menyediakan kerangka untuk memantau dan menyesuaikan intensitas pelatihan, membantu atlet berlatih pada tingkat yang tepat untuk mencapai tujuan mereka.
• Pemulihan: Zona pelatihan membantu dalam merencanakan sesi intensitas rendah dan pemulihan, yang penting untuk mengelola kelelahan dan mendukung pengembangan atletik jangka panjang.
• Individualisasi: Zona pelatihan dapat disesuaikan dengan atlet secara individual berdasarkan respons fisiologis mereka, riwayat pelatihan, dan tuntutan nomor perlombaan, membuat pelatihan lebih personal dan efektif.

Sistem zona pelatihan yang komprehensif juga dapat memperkuat pengembangan dan implementasi alat AI untuk pelatihan olahraga, dengan syarat alat-alat tersebut divalidasi dan dibangun berdasarkan data berkualitas tinggi:

• Wawasan Berbasis Data: Alat AI dapat menganalisis data pelatihan dalam jumlah besar dan membantu mengidentifikasi bagaimana atlet merespons zona pelatihan yang berbeda. Ini dapat mendukung penyesuaian program pelatihan yang lebih terinformasi.
• Personalisasi: AI dapat menggunakan data zona yang terstruktur untuk membantu membuat rencana pelatihan yang lebih mencerminkan respons fisiologis unik dan konteks pelatihan atlet individu.
• Pemantauan dan Umpan Balik: Alat AI dapat membantu memantau intensitas dan volume pelatihan, memberikan umpan balik kepada atlet dan pelatih ketika kualitas data dan aturan interpretasi sudah jelas.
• Tinjauan Risiko: Dengan menganalisis pola beban pelatihan, pemulihan, dan respons, alat AI dapat membantu menandai situasi yang terkait dengan beban berlebihan atau pemulihan yang buruk. Ini harus diperlakukan sebagai dukungan pengambilan keputusan, bukan sebagai pencegahan cedera yang terjamin.
• Dukungan Performa: AI dapat membantu membandingkan strategi pelatihan dan respons atlet, mendukung keputusan yang lebih baik tentang keseimbangan antara zona pelatihan dan tujuan yang berbeda.
• Adaptabilitas: Alat AI dapat membantu memperbarui rekomendasi pelatihan ketika kondisi, performa, atau konteks atlet berubah, tetapi rekomendasi ini tetap memerlukan penilaian dan validasi dari pelatih.

Dengan merevisi dan memperluas sistem zona pelatihan, kita dapat memberikan alat AI fondasi yang lebih baik untuk dukungan pelatihan yang lebih tepat, individual, dan berguna. Nilainya bukan karena AI menggantikan penilaian pelatih, tetapi karena model konseptual yang lebih baik dan data yang lebih baik membuat alat-alat masa depan lebih mampu mendukung pelatih dan atlet.

Dasar-Dasar Zona Pelatihan

Memahami interaksi sistem energi penting untuk mengembangkan pelatihan olahraga dan program kebugaran yang efektif. Secara tradisional, resintesis ATP, mata uang energi utama di otot, telah dikaitkan dengan tiga sistem terintegrasi: sistem ATP-PCr, glikolisis anaerobik, dan sistem aerobik. Model tersebut tetap berguna sebagai jalan pintas pengajaran, tetapi dapat membuat fisiologi terlihat lebih sederhana dari kenyataannya. Sudut pandang praktis saat ini yang lebih tepat adalah berpikir dalam hal kontribusi anaerobik dan aerobik secara luas, sambil mengakui bahwa setiap "sistem" itu sendiri terdiri dari sub-sistem dan jalur metabolisme yang saling berinteraksi yang terlibat dalam produksi energi untuk gerakan. Penelitian terkini dan klasik menyoroti kompleksitas dan tumpang tindih ini selama latihan, menantang pandangan sekuensial yang sederhana (Baker et al., 2010; Gastin, 2001; Gastin & Suppiah, 2026; Hargreaves & Spriet, 2020).

Sistem ATP-PCr menyediakan energi segera untuk upaya singkat dan intensitas tinggi, tetapi cepat habis. Selama upaya intensitas tinggi yang lebih lama, kontribusi glikolitik meningkat secara substansial, dan produksi laktat menjadi penanda penting dari stres metabolik dan pertukaran energi. Laktat tidak boleh diperlakukan semata-mata sebagai limbah atau sebagai penyebab langsung kelelahan; laktat adalah bagian dari pertukaran metabolik normal dan juga dapat bertindak sebagai bahan bakar, prekursor, dan molekul sinyal (Brooks, 2018). Bertentangan dengan gagasan usang bahwa sistem aerobik hanya menjadi relevan selama latihan berkepanjangan, sistem ini mulai berkontribusi pada produksi energi jauh lebih awal dan lebih signifikan dari yang disarankan banyak model yang disederhanakan. Keterlibatan awal sistem aerobik ini membantu mempertahankan upaya intensitas tinggi.

Penelitian oleh Swanwick dan Matthews (2018), Gastin (2001), dan Gastin dan Suppiah (2026) menekankan bahwa semua aktivitas fisik mengaktifkan setiap sistem energi dalam berbagai tingkatan berdasarkan intensitas dan durasi latihan. Interaksi ini memastikan pasokan ATP yang berkelanjutan dan menyoroti pentingnya melatih semua sistem energi untuk mendukung performa. Sebagai contoh, selama latihan intensitas tinggi yang berlangsung 60-120 detik, terdapat keterlibatan substansial dari jalur anaerobik maupun aerobik, menunjukkan bahwa penyerapan oksigen puncak (VO2max) dapat dicapai bahkan dalam aktivitas yang sering digambarkan sebagai anaerobik.

Dengan mengakui interaksi dinamis sistem energi, pelatih dan atlet dapat merancang program pelatihan yang menargetkan jalur metabolisme tertentu sambil tetap menghormati fakta bahwa jalur-jalur tersebut saling tumpang tindih. Pemahaman komprehensif ini menggarisbawahi keterbatasan model detak jantung 5-zona tradisional ketika digunakan sebagai satu-satunya lensa pelatihan. Model detak jantung sederhana dapat berguna untuk komunikasi, tetapi dapat menyederhanakan kontribusi energi secara berlebihan dan kurang memiliki spesifisitas yang dibutuhkan untuk renang kompetitif. Mengadopsi pendekatan yang lebih bernuansa, seperti sistem multi-zona yang terperinci, dapat lebih baik memenuhi tuntutan energi unik dari berbagai olahraga dan mendukung pengembangan atletik yang lebih individual.

Ini adalah masalah resolusi. Jika satu zona yang luas berisi upaya dengan durasi, interval istirahat, densitas, tuntutan gaya renang, dan tekanan jalur dominan yang berbeda, zona yang dicatat mungkin terlihat serupa sementara beban internal yang sebenarnya berbeda. Hal itu mempersulit untuk mengetahui apakah suatu sesi mengembangkan kapasitas yang diinginkan, menghasilkan kelelahan yang diinginkan, atau menciptakan tuntutan pemulihan yang tepat.

Mengapa ini penting: Jika dua set memiliki label zona yang sama tetapi menciptakan tekanan jalur dan tuntutan pemulihan yang berbeda, catatan pelatihan dapat terlihat tepat sementara efek pelatihan yang sebenarnya tetap kabur.

Visualisasi yang dihaluskan oleh Wise Racer berdasarkan Swanwick dan Matthews (2018), Tabel 2. Gambar ini dimaksudkan sebagai ringkasan visual konseptual dari perubahan kontribusi sistem energi selama durasi latihan maksimal, bukan sebagai alat resep yang tepat.

Mengapa Tidak Menggunakan Zona Pelatihan yang Ada?

Banyak sistem zona pelatihan yang ada dapat kurang memiliki spesifisitas dan adaptabilitas yang diperlukan untuk pelatihan yang komprehensif. Banyak di antaranya berguna untuk kebugaran umum, pelatihan berorientasi kesehatan, dan komunikasi sederhana, tetapi tidak sepenuhnya memperhitungkan tuntutan fisiologis dan teknis yang khas dari renang performa. Zona generik dapat berkontribusi pada stimulus pelatihan yang tidak memadai, upaya yang terbuang sia-sia, atau interpretasi yang buruk ketika digunakan tanpa konteks khusus olahraga. Zona-zona tersebut juga merupakan fondasi yang lebih lemah untuk pelatihan olahraga yang dipersonalisasi dengan dukungan AI, kecuali model yang mendasarinya menangkap variabel-variabel yang benar-benar membentuk efek pelatihan.

Keterbatasan sistem pelatihan 5-zona atau kurang:

• Dominasi Penggunaan Intensitas: Sebagian besar sistem zona pelatihan, terutama yang hanya merujuk pada detak jantung, tidak mempertimbangkan variabel penting lainnya seperti durasi, istirahat, metode pelatihan, dan densitas. Variabel-variabel ini penting ketika meresepkan latihan dan menginterpretasikan kemungkinan efek pelatihannya. Variasi atau penghilangan salah satu variabel ini membuat efek beban pelatihan sulit diinterpretasikan. Sistem komprehensif mengintegrasikan variabel-variabel ini untuk memberikan kerangka pelatihan yang lebih lengkap.
• Keterbatasan Spesifisitas dalam Adaptasi Pelatihan: Sistem yang disederhanakan mungkin tidak memberikan spesifisitas yang cukup untuk menekankan jenis serat otot dan jalur metabolisme yang berbeda. Model yang lebih terperinci, seperti kerangka 9-zona yang diusulkan Wise Racer, dimaksudkan untuk memberikan target pelatihan yang lebih tepat dengan membedakan antara penekanan sistem energi dan tujuan pelatihan.
• Pengembangan Kapasitas Aerobik dan Anaerobik yang Tidak Memadai: Sistem yang disederhanakan mungkin tidak secara memadai menggambarkan pengembangan kapasitas aerobik maupun anaerobik. Sistem yang lebih terperinci dapat lebih baik menggambarkan kebutuhan atlet dengan memisahkan pelatihan untuk penekanan sistem energi aerobik dan anaerobik.
• Berkurangnya Kemampuan untuk Menyempurnakan Pekerjaan Performa: Model yang lebih komprehensif dapat memberikan kontrol yang lebih tepat atas intensitas, volume, istirahat, dan densitas pelatihan, mendukung pengambilan keputusan yang lebih berorientasi pada performa. Sistem yang disederhanakan mungkin kurang memiliki granularitas yang diperlukan untuk menyempurnakan pelatihan demi performa puncak.
• Potensi Overtraining atau Undertraining: Tanpa struktur terperinci dari sistem yang komprehensif, atlet dapat lebih mudah berlatih terlalu keras, terlalu mudah, atau dengan struktur pemulihan yang salah. Sistem terperinci memberikan panduan yang lebih jelas untuk intensitas dan pemulihan, mengurangi ambiguitas dalam desain pelatihan.
• Kurangnya Pemantauan dan Umpan Balik yang Terperinci: Sistem yang disederhanakan mungkin tidak memberikan pemantauan dan umpan balik terperinci yang diperlukan untuk melacak kemajuan dan membuat penyesuaian yang diperlukan. Sistem komprehensif dapat menawarkan metrik yang lebih tepat untuk mengevaluasi efektivitas pelatihan.
• Ketidakmampuan Mengatasi Perbedaan Individual: Atlet memiliki respons fisiologis yang unik terhadap pelatihan. Sistem yang komprehensif dapat lebih baik mengakomodasi perbedaan individual dengan menyediakan rentang intensitas pelatihan, struktur pemulihan, dan opsi pemantauan yang lebih luas.
• Peluang yang Terlewat untuk Adaptasi Spesifik: Sistem komprehensif dapat dirancang untuk menekankan adaptasi spesifik seperti pengembangan ambang laktat, pengembangan VO2max, daya anaerobik, dan kapasitas pemulihan. Sistem yang disederhanakan mungkin melewatkan adaptasi spesifik ini karena kategorisasi yang lebih luas.
• Berkurangnya Fleksibilitas dalam Desain Pelatihan: Sistem yang disederhanakan dapat membatasi fleksibilitas dalam merancang program pelatihan yang memenuhi berbagai tuntutan nomor renang yang berbeda dan kebutuhan atlet individu. Sistem komprehensif dapat menawarkan lebih banyak fleksibilitas dalam menyesuaikan program pelatihan.

Untuk mengatasi masalah-masalah ini, Wise Racer mengembangkan sistem zona pelatihan yang komprehensif yang mengintegrasikan pemahaman yang lebih mendalam tentang sistem energi dan jalur metabolisme. Dengan merevisi zona pelatihan tradisional, kami bertujuan untuk memberikan dukungan pelatihan yang lebih tepat dan individual kepada pelatih, atlet, dan penggemar kebugaran. Ini adalah aplikasi model Wise Racer: model ini didasarkan pada lanskap sumber yang ada, tetapi harus disempurnakan melalui praktik kepelatihan, data atlet, dan validasi yang berkelanjutan.

Artikel ini hanyalah langkah pembuka. Artikel berikutnya akan melihat lebih dekat jalur metabolisme dan sub-sistem yang berkontribusi pada performa renang. Setelah itu, kami akan memetakan kontributor-kontributor tersebut ke sistem zona pelatihan performa yang lebih komprehensif berdasarkan gagasan menargetkan stimulus dominan untuk jalur tertentu selama durasi latihan yang relevan. Artikel selanjutnya kemudian akan menetapkan fondasi terpisah dari sistem zona berorientasi kebugaran, di mana tujuan, batas keamanan, dan resolusi yang diperlukan berbeda.

Ringkasan

Memahami sistem energi dan jalur metabolisme tubuh penting untuk membuat keputusan yang lebih baik yang berorientasi pada performa. Zona pelatihan tradisional, meskipun menjadi fondasi, sering kali kurang memiliki spesifisitas yang diperlukan untuk pelatihan olahraga performa. Ketika zona terlalu luas, mereka dapat menyembunyikan perbedaan penting dalam beban internal, tekanan jalur, tuntutan pemulihan, dan efek pelatihan. Merevisi zona-zona ini untuk menyertakan penanda yang lebih tepat dapat mendukung pelatihan yang lebih terarah. Integrasi AI dalam pelatihan menawarkan potensi yang signifikan, termasuk rencana dan umpan balik yang dipersonalisasi, tetapi bergantung pada model pelatihan yang terdefinisi dengan baik, data berkualitas tinggi, dan validasi yang cermat. Mengakui kompleksitas sistem energi menyoroti perlunya pendekatan pelatihan yang komprehensif. Sistem yang disederhanakan dapat berkontribusi pada keputusan yang lebih buruk ketika digunakan di luar tujuan yang dimaksudkan. Hal ini mendukung nilai sistem zona pelatihan yang lebih bernuansa, seperti yang dikembangkan oleh Wise Racer, yang dirancang untuk mendukung pengembangan performa individual dan tinjauan risiko terkait pelatihan sambil tetap adaptif seiring berkembangnya bukti dan praktik.

Kami Ingin Mendengar dari Anda!

Kami sangat ingin mendengar pendapat Anda tentang konsep-konsep yang dibahas dalam artikel ini. Bagaimana Anda mengintegrasikan pemahaman tentang sistem energi ke dalam praktik pelatihan atau pembinaan Anda? Apakah Anda pernah bereksperimen dengan sistem zona pelatihan yang berbeda, dan hasil apa yang Anda lihat?

Catatan: Artikel ini awalnya ditulis dalam bahasa Inggris dan diterjemahkan ke dalam bahasa lain menggunakan alat AI otomatis agar kami dapat berbagi informasi ini dengan lebih banyak orang. Kami berusaha semaksimal mungkin untuk menjaga terjemahan tetap akurat dan mudah dipahami, dan kami menyambut bantuan dari komunitas untuk meningkatkannya. Jika ada sesuatu dalam versi terjemahan yang tidak jelas, tidak tepat, atau berbeda dari versi bahasa Inggris, teks bahasa Inggris asli harus dianggap sebagai versi resmi.

Sumber

• Alghannam, A. F., Ghaith, M. M., & Alhussain, M. H. (2021). Regulation of Energy Substrate Metabolism in Endurance Exercise. International Journal of Environmental Research and Public Health, 18(9), 4963. https://doi.org/10.3390/ijerph18094963. Retrieved from NCBI.
• Baker, J. S., McCormick, M. C., & Robergs, R. A. (2010). Interaction among skeletal muscle metabolic energy systems during intense exercise. Journal of Nutrition and Metabolism, 2010, 905612. https://doi.org/10.1155/2010/905612. Retrieved from ResearchGate.
• Barclay, C. J. (2017). Energy demand and supply in human skeletal muscle. Journal of Muscle Research and Cell Motility, 38(2), 143-155. https://doi.org/10.1007/s10974-017-9467-7. Retrieved from PubMed.
• Borresen, J., & Lambert, M. I. (2009). The quantification of training load, the training response and the effect on performance. Sports Medicine, 39(9), 779-795. https://doi.org/10.2165/11317780-000000000-00000.
• Brooks, G. A. (2018). The Science and Translation of Lactate Shuttle Theory. Cell Metabolism, 27(4), 757-785. https://doi.org/10.1016/j.cmet.2018.03.008. Retrieved from PubMed.
• Dudley, C., Johnston, R., Jones, B., Till, K., Westbrook, H., & Weakley, J. (2023). Methods of monitoring internal and external loads and their relationships with physical qualities, injury, or illness in adolescent athletes: A systematic review and best-evidence synthesis. Sports Medicine, 53, 1559-1593. https://doi.org/10.1007/s40279-023-01844-x.
• Fernandes, R. J., Carvalho, D. D., & Figueiredo, P. (2024). Training zones in competitive swimming: A biophysical approach. Frontiers in Sports and Active Living, 6, 1363730. https://doi.org/10.3389/fspor.2024.1363730.
• Gastin, P. B. (2001). Energy system interaction and relative contribution during maximal exercise. Sports Medicine, 31(10), 725-741. https://doi.org/10.2165/00007256-200131100-00003. Retrieved from PubMed.
• Gastin, P. B., & Suppiah, H. T. (2026). Anaerobic and aerobic energy system contribution during maximal exercise: A systematic review. Sports Medicine. https://doi.org/10.1007/s40279-026-02414-7.
• Ghosh, A. K. (2004). Anaerobic threshold: its concept and role in endurance sport. The Malaysian Journal of Medical Sciences: MJMS, 11(1), 24-36. Retrieved from NCBI.
• Hargreaves, M., & Spriet, L. L. (2020). Skeletal muscle energy metabolism during exercise. Nature Metabolism, 2(9), 817-828. https://doi.org/10.1038/s42255-020-0251-4. Retrieved from PubMed.
• Hearris, M. A., Hammond, K. M., Fell, J. M., & Morton, J. P. (2018). Regulation of Muscle Glycogen Metabolism during Exercise: Implications for Endurance Performance and Training Adaptations. Nutrients, 10(3), 298. https://doi.org/10.3390/nu10030298. Retrieved from PubMed.
• Leckey, C., van Dyk, N., Doherty, C., Lawlor, A., & Delahunt, E. (2025). Machine learning approaches to injury risk prediction in sport: A scoping review with evidence synthesis. British Journal of Sports Medicine, 59(7), 491-500. https://doi.org/10.1136/bjsports-2024-108576.
• Maglischo, E. W. (1997). Swim Training Theory. Kinesiology, Volume 2, No. 1, pp. 4-8, 1997. Retrieved from ResearchGate.
• Olbrecht, J. (2011). Lactate production and metabolism in swimming. In L. Seifert, D. Chollet, & I. Mujika (Eds.), World book of swimming: From science to performance (pp. 255-275). Nova Science Publishers. https://www.researchgate.net/publication/286580355_Lactate_production_and_metabolism_in_swimming.
• Olbrecht, J., & Mader, A. (2006). Individualisation of training based on metabolic measures. In P. Hellard, M. Sidney, & D. Lehenaff (Eds.), First International Symposium Sciences and Practices in Swimming (pp. 109-115). Atlantica. Retrieved from ResearchGate.
• Parolin, M. L., Chesley, A., Matsos, M. P., Spriet, L. L., Jones, N. L., & Heigenhauser, G. J. (1999). Regulation of skeletal muscle glycogen phosphorylase and PDH during maximal intermittent exercise. American Journal of Physiology, 277(5), E890-900. https://doi.org/10.1152/ajpendo.1999.277.5.E890. Retrieved from PubMed.
• Pyne, D. B., & Sharp, R. L. (2014). Physical and energy requirements of competitive swimming events. International Journal of Sport Nutrition and Exercise Metabolism, 24(4), 351-359. https://doi.org/10.1123/ijsnem.2014-0047.
• Rodriguez, F. A., & Mader, A. (2011). Energy systems in swimming. In L. Seifert, D. Chollet, & I. Mujika (Eds.), World book of swimming: From science to performance (pp. 225-240). Nova Science Publishers. https://www.researchgate.net/publication/256696190_Energy_systems_in_swimming.
• Swanwick, E., & Matthews, M. (2018). Energy Systems: A New Look at Aerobic Metabolism in Stressful Exercise. MOJ Sports Medicine, 2(1), 15-22. https://doi.org/10.15406/mojsm.2018.02.00039. Retrieved from ResearchGate.
• Tanner, R., & Bourdon, P. (2006). Standardisation of Physiology Nomenclature. Retrieved from ResearchGate.
• van der Zwaard, S., Brocherie, F., & Jaspers, R. T. (2021). Under the Hood: Skeletal Muscle Determinants of Endurance Performance. Frontiers in Sports and Active Living, 3, 719434. https://doi.org/10.3389/fspor.2021.719434. Retrieved from NCBI.
• Vec, V., Tomazic, S., Kos, A., & Umek, A. (2024). Trends in real-time artificial intelligence methods in sports: A systematic review. Journal of Big Data, 11, 148. https://doi.org/10.1186/s40537-024-01026-0.
• Vorontsov, A. (1997). Development of Basic and Special Endurance in Age-Group Swimmers: A Russian Perspective. Swimming Science Bulletin. Retrieved from ResearchGate.