Lifting velocity as a predictor of intensity and level of effort during the prone bench pull exercise

Abstract

Resistance training (RT) has long been recognized as a cornerstone not only for athletic performance but also for overall health and well-being. Beyond enhancing muscle size, strength, and power, RT plays a vital role in preventing and managing a wide range of health conditions. However, the success of RT in inducing these positive outcomes relies heavily on the careful manipulation of training variables (e.g., exercise selection, load intensity, volume, rest intervals, and lifting velocity). A common issue faced by coaches and athletes is determining the appropriate weight to lift in a specific exercise, as the intensity of the resistance directly influences the degree of adaptation. Two of the most frequently used methods for prescribing training intensity involve assigning a load relative to the individual’s maximum strength capacity (i.e., %1RM) or determining the load that allows a specific number of repetitions before reaching muscular failure (i.e., 7RM represents the maximum weight with which an individual can complete seven repetitions before failure; XRM). However, traditional approaches to assessing 1RM and XRM are often criticized for being time-intensive, physically exhausting, and mentally demanding. Velocity-based training (VBT) has emerged as a modern, objective, and auto-regulatory approach to resistance training. Due to its methodological robustness and feasibility within an athlete's daily routine, one promising method for predicting XRM is through monitoring lifting velocity at maximal concentric effort during submaximal loads. This novel VBT’s application establishes an individualized linear relationship between the maximum repetitions to momentary failure (RTF) and maximum velocity of the set Vfastest (i.e., individualized RTF-Vfastest relationships). Then, it uses this data to predict different RTFs in subsequent sessions based on the specific training objectives. From a biomechanical and training perspective, the present thesis aims (1) to determine the basic properties of the RTF-Vfastest relationship, such as goodness-of-fit, reliability, and accuracy (i.e., error in RTF prediction), and (2) to offer guidance on implementing various methodological factors that can impact the accuracy of RTF prediction, including the magnitude of loads lifted, the number of loads, and the specific lifting velocity variable considered. Of note, conducting methodological studies provide a solid foundation for improving and optimizing the techniques and tools used in future research, ensuring consistent advancements in knowledge and technology. The thesis’ results suggest that the individualized RTF-Vfastest relationships demonstrate: (I) a higher goodness-of-fit compared to generalized models which remains stable over time, (II) a range from acceptable to high between-session reliability for Vfastest values associated with specific RTFs, (III) a high stability over time for Vfastest values associated with specific RTFs and, (IV) an acceptable RTF prediction accuracy under free-fatigue conditions. Complementary, the basic properties from individualized RTF-Vfastest relationships are extrapolated to different equipment (e.g., Smith machine or free-weight), lifting velocity variables (e.g., fastest mean or peak velocity within a set), magnitude of the loads analyzed (from 60% to 90%1RM), number of sets (from 2 to 4 sets), and resting time (from 5 to 10 minutes) used for the equation’s construction. From a practical standpoint, RTF-Vfastest relationships can be constructed using a simple linear regression model by executing sets to failure with varying loads (from 2 to 4 sets). This approach requires the monitoring of two variables for the modelling: (i) RTF for each set and, (ii) Vfastest within each set. Once established, coaches simply need to measure the Vfastest against a given load (typically occurring in the first 1-3 repetitions). Then, this velocity can be inserted the individualized equation for obtaining the RTF prediction in real-time. Finally, readers should know that nowadays, monitoring lifting velocity can be easily done with affordable and accessible devices, making it feasible for use in any sports context.

El entrenamiento de fuerza (EF) ha sido reconocido desde hace tiempo como un pilar fundamental, no solo para el rendimiento atlético, sino también para la salud y el bienestar general. Más allá de mejorar el tamaño muscular, la fuerza y la potencia, el EF desempeña un papel vital en la prevención y gestión de una amplia gama de condiciones de salud. No obstante, el éxito del EF para inducir estos resultados positivos depende en gran medida de la manipulación cuidadosa de las variables del entrenamiento (e.g., la selección de ejercicios, la carga, el volumen, los intervalos de descanso y la velocidad de levantamiento). Un problema común al que se enfrentan los entrenadores y los atletas es determinar el peso adecuado para levantar en un ejercicio específico, ya que la intensidad de la resistencia influye directamente en el grado de adaptación. Dos de los métodos más utilizados para prescribir la intensidad del entrenamiento consisten en asignar una carga relativa a la capacidad máxima de fuerza del individuo (i.e., %1RM) o determinar la carga que permite realizar un número específico de repeticiones antes de alcanzar el fallo muscular (i.e., 7RM representa el peso máximo con el cual una persona puede completar siete repeticiones antes de llegar al fallo; XRM). Sin embargo, los enfoques tradicionales para evaluar el 1RM y el XRM suelen ser criticados por ser física y mentalmente demandantes. El entrenamiento basado en la velocidad (VBT) ha surgido como un enfoque moderno, objetivo y autorregulador del entrenamiento de fuerza. Debido a su solidez metodológica y viabilidad dentro de la rutina diaria de un atleta, un método prometedor para predecir el XRM es a través del monitoreo de la velocidad máxima de levantamiento durante cargas submáximas. Esta novedosa aplicación del VBT establece una relación lineal individual entre las repeticiones máximas hasta el fallo momentáneo (RFM) y la velocidad máxima de la serie (i.e., es decir, relaciones individualizadas RFM-velocidad). Luego, utiliza estos datos para predecir diferentes RFM en sesiones posteriores, en función de los objetivos de entrenamiento específicos. Desde una perspectiva biomecánica y de entrenamiento, esta tesis tiene como objetivo (1) determinar las propiedades básicas de la relación RFM-velocidad, como el ajuste del modelo, la fiabilidad y la precisión (i.e., el error en la predicción de las RFM), y (2) ofrecer orientación sobre la implementación de varios factores metodológicos que pueden afectar la precisión de la predicción de la RFM, incluyendo la magnitud de las cargas levantadas, el número de cargas, y la variable específica de la velocidad de levantamiento considerada. Cabe destacar que la realización de estudios metodológicos proporciona una base sólida para mejorar y optimizar las técnicas y herramientas utilizadas en futuras investigaciones, garantizando avances consistentes en el conocimiento y la tecnología. Los resultados de la tesis sugieren que las relaciones individualizadas RFM-velocidad demuestran: (I) un mayor ajuste del modelo en comparación con los modelos generalizados y, que se mantiene estable a lo largo del tiempo; (II) una fiabilidad entre sesiones que varía de aceptable a alta para los valores de velocidad asociados con RFM específicas; (III) una alta estabilidad a lo largo del tiempo para los valores de velocidad asociados con RFM específicas; y (IV) una precisión aceptable en la predicción de la RFM bajo condiciones sin fatiga. Complementariamente, las propiedades básicas de las relaciones individualizadas RFMvelocidad se extrapolan a diferentes equipamientos (e.g., máquina Smith o pesos libres), variables de velocidad de levantamiento (e.g., velocidad media o velocidad pico dentro de una serie), magnitud de las cargas analizadas (del 60% al 90%1RM), número de series (de 2 a 4 series) y tiempo de descanso (de 5 a 10 minutos) utilizadas para la construcción de la ecuación. Desde un punto de vista práctico, las relaciones RFM-velocidad pueden construirse utilizando un modelo de regresión lineal simple, ejecutando series hasta el fallo con cargas variables (de 2 a 4 series). Este enfoque requiere el monitoreo de dos variables para el modelado: (i) las RFM de cada serie y (ii) la velocidad más rápida dentro de cada serie. Una vez establecidas, los entrenadores solo necesitan medir la velocidad más rápida contra una carga determinada (que típicamente ocurre en las primeras 1-3 repeticiones). Luego, esta velocidad puede insertarse en la ecuación individualizada para obtener la predicción de la RFM en tiempo real. Finalmente, los lectores deben saber que hoy en día, el monitoreo de la velocidad de ejecución se puede realizar fácilmente con dispositivos económicos y accesibles, lo que lo hace viable su uso en cualquier contexto deportivo.