Apps de entrenamiento con IA adaptativa en 2026: los cuatro niveles del entrenamiento sensible a la fatiga (y por qué la mayoría se queda en el nivel 2)

Cuando “adaptativo” deja de significar algo

Son las 6:14 a. m. Tu reloj te dice que tu HRV está 18 ms por debajo de tu línea base móvil. Dormiste 5 horas y 47 minutos. Tu frecuencia cardiaca en reposo subió 7 latidos.

Abres tu app de entrenamiento. El plan de hoy: sentadilla trasera 5×5 al 82% de tu 1RM. Exactamente igual que cuando la app lo generó el domingo.

¿Esa app es “adaptativa”? Eso dice en su página de la App Store. Incluso usa la palabra “IA”. Pero no ha cambiado ni una sola cosa de tu mañana según lo que tu cuerpo le está diciendo.

Este post separa la palabra “adaptativo” en los cuatro trabajos que realmente cumple en 2026. Algunas apps ajustan la siguiente serie según cómo se sintió la anterior. Algunas ajustan el próximo entrenamiento según cómo fue el anterior. Un grupo pequeño de verdad lee tus datos de recuperación nocturna y reescribe la sesión antes de que abras la app. Y un grupo todavía más pequeño puede explicar, en lenguaje claro, por qué lo hizo.

Al final tendrás una prueba de 10 preguntas que puedes aplicar a cualquier app de entrenamiento — la tuya o una que estés evaluando — para ver en qué peldaño de la escalera está realmente.

Los cuatro niveles de adaptación en apps de entrenamiento

En una frase: “Adaptativo” hace cuatro trabajos distintos en las apps de entrenamiento modernas, y solo el nivel superior lee datos de recuperación nocturna y explica su razonamiento.

Este es el marco. Lee la tabla y luego los niveles.

Nivel	Qué ajusta	Qué inputs usa	Motor	¿Puede explicar por qué?
1. Plantilla fija	Nada durante la sesión	Objetivo + número de semana	Plan estático	No
2. RPE por serie	La carga o las repeticiones de la siguiente serie	Tu input de RPE/RIR durante el entrenamiento	Motor de reglas	Parcialmente: “dijiste RPE 9, bajo 5%“
3. Nivel de sesión	El volumen del próximo entrenamiento	Esfuerzo percibido y dolor muscular de la última sesión	Motor de reglas	Parcialmente: “reportaste fatiga 8/10”
4. Sensible al estado de recuperación	Toda la sesión de esta mañana, antes de que abras la app	HRV, duración + fases del sueño, frecuencia cardiaca en reposo, dolor muscular, historial, contexto de vida	LLM + reglas	Sí: lenguaje natural, específico para tus datos

Cada nivel es un avance real y útil frente al que está debajo. El nivel 2 no es malo; solo es más limitado de lo que sugiere el marketing.

El patrón importa porque la búsqueda que escribiste — “app de entrenamiento con IA que explica su razonamiento”, “app de entrenamiento que se adapta a la fatiga”, “app que explica mi entrenamiento” — está pidiendo el nivel 4. La mayoría de las apps vendidas como “adaptativas” son nivel 2.

Subamos la escalera.

Nivel 1: plantillas fijas y por qué “adaptativo” no significa nada aquí

En una frase: Las apps de nivel 1 entregan un plan estático y nunca lo cambian según tus datos, sin importar lo que diga el marketing.

Eliges un objetivo (ganar músculo, correr un 5K, perder grasa). La app escupe una plantilla de 8 o 12 semanas. Tal vez progrese el peso 2,5 kg por semana o agregue un cuarto día de carrera en la semana 6. Pero esa progresión está codificada de antemano, no responde a ti.

Eso es lo que todavía hacen la mayoría de las plantillas de gimnasio y la mayoría de las apps “gratis” en 2026. El plan no sabe que dormiste cuatro horas. No sabe que te duele la rodilla. No sabe que el press de banca de la semana pasada se sintió mortal.

Por qué importa: la carga gradual e individualizada es una de las palancas con mejor respaldo para reducir el riesgo de lesión. El consenso del COI sobre carga de entrenamiento y riesgo de lesión señaló la carga de entrenamiento como un factor modificable clave, y también la necesidad de monitorear la respuesta individual en lugar de aplicar promedios grupales.¹ Una plantilla hace lo contrario. Aplica un plan grupal y confía en que tú te desvíes.

La mayoría de las personas no se desvían. O se fuerzan a completar el trabajo indicado, o se saltan la sesión y se sienten culpables. Ambas opciones son peores que un ajuste pequeño e inteligente.

Si tu app no puede cambiar la sesión de hoy en respuesta a tus datos, es nivel 1, sin importar cuántas veces la pantalla de carga diga “IA”.

Nivel 2: autorregulación por RPE en cada serie, una solución real para un problema pequeño

En una frase: Las apps de nivel 2 ajustan la siguiente serie según qué tan dura se sintió la anterior, usando RPE o repeticiones en reserva como señal.

Hay que reconocerlo: esto fue una mejora significativa frente a las prescripciones de peso fijo. La escala de RPE para entrenamiento de fuerza de Zourdos et al., basada en repeticiones en reserva, dio a coaches y apps una forma fiable de autorregular dentro de una sesión, y el trabajo de validación de 2016 — coescrito por Eric Helms, PhD, investigador en SPRINZ de AUT — mostró que la escala seguía bastante bien la pérdida real de velocidad en levantadores entrenados.²

Así que la autorregulación por serie funciona para lo que hace. Si sacas con mucho esfuerzo el primer doble de sentadilla a RPE 9, una buena app de nivel 2 bajará la carga de la siguiente serie o quitará una repetición. Eso te mantiene más cerca del estímulo previsto sin pasarte hacia una técnica deteriorada.

Entre las apps que viven en el nivel 2 están las plantillas autorreguladas de Boostcamp, el bucle de feedback por serie de Fitbod que ajusta la carga de la siguiente serie, y apps como Strong, que combinan una calculadora de discos con input de RIR. Todas son un paso por encima de “haz el peso indicado pase lo que pase”.

Pero fíjate en lo que el nivel 2 no hace. No sabe que dormiste 5 horas. No sabe que tu HRV está por los suelos. No previsualiza la sesión de hoy con base en nada que no sea la plantilla: solo reacciona cuando ya estás en el gimnasio, serie por serie.

Es una solución útil para un problema pequeño (pasarte durante el entrenamiento). No es una solución para el problema mayor (el entrenamiento no debió ser pesado hoy desde el principio). Para un recorrido más amplio por dónde quedan las apps de nivel 2 en 2026, lee nuestra comparación de Fitbod, Freeletics, Trainiac y Future.

Nivel 3: autorregulación por sesión, más cerca, pero todavía ciega a la recuperación

En una frase: Las apps de nivel 3 usan la fatiga percibida, el dolor muscular o el RPE de la sesión de ayer para ajustar el plan de hoy, pero todavía no leen tus datos de wearables.

Aquí es donde están la mayoría de las apps “inteligentes” en 2026. Terminas una sesión, la calificas como 8/10 de dura, y el volumen de mañana baja 10%. O registras dolor muscular el lunes y el plan del martes elimina una serie.

La ciencia detrás de este enfoque es razonable. La revisión sistemática de 2016 de Saw, Main y Gastin en el British Journal of Sports Medicine encontró que las medidas subjetivas autorreportadas — esfuerzo percibido, ánimo, dolor muscular, calidad del sueño — a menudo seguían la respuesta al entrenamiento con más sensibilidad que medidas objetivas comunes como la frecuencia cardiaca en reposo por sí sola.³ A veces ese artículo se usa para decir que el autorreporte es “suficiente”. Eso es leerlo de más.

La lectura completa: el autorreporte tiene una señal real. Pero la misma revisión dejó claro que el autorreporte se usa mejor junto con el monitoreo objetivo, no como reemplazo. Y las medidas objetivas de mayor valor (tendencias de HRV, fases del sueño, desviación de la frecuencia cardiaca en reposo) son exactamente las que una app de nivel 3 ignora.

Así que el nivel 3 es honesto sobre ayer y ciego sobre esta mañana. Si dormiste cuatro horas después de tu tirada larga del domingo, que calificaste 6/10, el nivel 3 ve “6/10” y prescribe un lunes normal. El wearable en tu muñeca ya sabía que estabas fundido. La app no se lo preguntó.

El nivel 3 está más cerca. Todavía no está donde apunta la ciencia.

Nivel 4: coaching sensible al estado de recuperación que se explica

En una frase: Las apps de nivel 4 leen tus datos de recuperación nocturna — HRV, sueño, frecuencia cardiaca en reposo — reescriben la sesión de hoy antes de que abras la app y te dicen por qué en lenguaje claro.

Así se ve en la práctica. Imagina los datos detrás de la escena de las 6:14 a. m. del inicio: tu HRV está 15% por debajo de tu promedio móvil de 7 días, dormiste 5 horas y 48 minutos con solo 28 minutos de REM, y tu frecuencia cardiaca en reposo subió 6 lpm. Una app de nivel 4 no te muestra sentadilla trasera 5×5. Te muestra un bloque técnico de sentadilla goblet, 30 minutos de bici en zona 2 y 10 minutos de movilidad, y la pantalla principal empieza con un resumen de preparación de un párrafo que explica por qué.

Esta es la premisa sobre la que está construido SensAI. Lee datos de HealthKit durante la noche (Apple Watch directamente; Garmin, Oura y WHOOP a través de HealthKit), regenera la sesión según las señales de recuperación y escribe un resumen diario de preparación en lenguaje claro. El coach durante el entrenamiento también puede negociar: si cuestionas el cambio, te explica el intercambio en vez de imponerte algo en silencio.

Por qué este nivel es cualitativamente distinto: no se limita a sumar HRV como otro input de un motor de reglas. Usa el LLM para razonar entre señales (tu HRV está baja, pero tus últimas tres semanas de entrenamiento fueron pesadas y anoche dormiste mal: eso parece fatiga acumulada, no un bache de un día) y para comunicar ese razonamiento. Los motores de reglas pueden cambiar tu entrenamiento. Solo los LLM pueden explicar el cambio de una manera que suene como un coach.

Para la mecánica de integración con wearables — qué datos fluyen, qué se queda en el dispositivo, cómo Oura y WHOOP entran vía HealthKit — lee nuestro análisis profundo de la integración de HRV.

Qué dice realmente la ciencia sobre el entrenamiento adaptado a la fatiga

En una frase: Varios ensayos controlados ya muestran que el entrenamiento guiado por HRV produce resultados aeróbicos iguales o mejores que los planes fijos, a menudo con menos trabajo total.

Vesterinen y colegas asignaron aleatoriamente a corredores recreativos de resistencia a un programa guiado por HRV o a un programa predefinido durante 8 semanas. El grupo guiado por HRV hizo menos sesiones de alta intensidad, pero mejoró más la velocidad máxima de carrera.⁴ La conclusión: la prescripción individualizada superó al enfoque único para todos, incluso con menos trabajo total.

Javaloyes et al. extendieron esto a ciclistas bien entrenados. En un ensayo controlado publicado en Int J Sports Physiol Perform, los ciclistas guiados por HRV mejoraron el rendimiento en una contrarreloj de 40 minutos significativamente más que el grupo de programa predefinido.⁵ Un seguimiento en el Journal of Strength and Conditioning Research replicó el efecto frente a la periodización en bloques: el grupo guiado por HRV volvió a salir por delante en los resultados de contrarreloj.⁶

Nuuttila y colegas hicieron una comparación similar: entrenamiento guiado por HRV vs. entrenamiento en bloques predeterminado durante 8 semanas. El enfoque guiado por HRV produjo ganancias de rendimiento comparables con menos trabajo de alta intensidad prescrito, y los marcadores hormonales favorecieron al grupo de HRV.⁷ El patrón: cuando los programas responden a la preparación, los atletas obtienen más con menos.

En el lado del sueño, Rae et al. mostraron que una sola noche de privación parcial del sueño (4 horas) deterioró de forma medible los marcadores de recuperación de una sola sesión de ejercicio: fuerza, recuperación percibida e indicadores de daño muscular empeoraron.⁸ La revisión de Watson sobre sueño y rendimiento atlético reunió la literatura más amplia: la restricción del sueño degrada el tiempo de reacción, la precisión y la resistencia submáxima, y los efectos se acumulan durante noches consecutivas.⁹

Como Iñigo Mujika, PhD (Universidad del País Vasco) y otros investigadores de la periodización han sostenido repetidamente en la literatura, la relación dosis-respuesta entre entrenamiento y adaptación es muy individual: lo que produce supercompensación en un atleta produce sobrealcance en otro. La implicación: los programas que leen marcadores individuales de recuperación deberían superar a los que no lo hacen. Los datos anteriores son consistentes con eso.

Si quieres un ejemplo trabajado de cómo usar estos marcadores para decidir una semana de descarga en vez de una decisión diaria, lee nuestro marco de descarga guiado por datos.

Por qué la explicabilidad es el diferenciador de la era de los LLM

En una frase: Los motores de reglas pueden cambiar tu entrenamiento; solo los LLM pueden decirte por qué de una forma que suene como un coach.

Antes de los LLM, las apps “adaptativas” eran motores de reglas. Si HRV < umbral, entonces día suave. El motor conocía su decisión, pero no podía narrarla más allá de una insignia de color. Recibías una luz verde, ámbar o roja. No recibías un párrafo que explicara los intercambios y reconociera la incertidumbre.

Los LLM cambian el contrato. Una app de coaching bien construida ahora puede producir un resumen de preparación que diga, en lenguaje claro: “Tu HRV está 15% por debajo de tu línea base móvil, dormiste poco y el volumen de la semana pasada ya estaba en el extremo alto de tu rango habitual. En conjunto, eso indica un déficit claro de recuperación, no una rareza de un día. Moví las sentadillas pesadas al jueves y puse aquí una salida en zona 2. ¿Quieres insistir?”

Ese párrafo no es cosmético. Es la diferencia entre una app que decide por ti y un coach que razona contigo. El diseño de SensAI trata esto como el producto: el resumen diario de preparación, la explicación en lenguaje natural de los cambios de sesión y el diálogo durante el entrenamiento (“Hazlo más corto”, “Agrega más volumen”, “Cambia sentadillas por zancadas; me molesta la rodilla izquierda”) son explicabilidad por defecto, no una función de chat pegada encima.

La propia investigación sobre carga de entrenamiento lo enmarca bien. La revisión de Halson sobre monitoreo de carga de entrenamiento sostuvo que la interpretación de los datos de monitoreo es más difícil que la recolección, y que esa interpretación requiere contexto con el que el atleta pueda interactuar.¹⁰ Una app que solo te muestra un número está recolectando; una app que explica qué significa ese número para hoy está interpretando.

Para más sobre cómo la personalización impulsada por LLM difiere de las apps de fitness tradicionales basadas en reglas, lee nuestro artículo sobre la ciencia de la personalización de entrenamientos con IA.

Cómo evaluar cualquier app de entrenamiento en 10 preguntas

En una frase: Pasa cualquier app de entrenamiento por esta prueba de 10 preguntas: las apps que aprueban 8 o más son nivel 4.

1. ¿Lee HRV de tu wearable (no solo el conteo de pasos)?
2. ¿Lee la duración y las fases del sueño?
3. ¿Reescribe la sesión de hoy antes de que abras la app, o solo durante el entrenamiento?
4. ¿Explica sus decisiones en lenguaje claro?
5. ¿Puedes preguntarle “por qué?” y recibir una respuesta sustantiva?
6. ¿Recuerda conversaciones a lo largo de días y semanas?
7. ¿Puedes pedirle durante el entrenamiento que cambie un ejercicio y lograr que adapte el resto de la sesión?
8. ¿Regenera el programa completo cada semana según la recuperación y el rendimiento reales?
9. ¿Cita o menciona principios cuando explica decisiones (por ejemplo, “bajo el volumen porque dormir mal dos noches seguidas retrasa la recuperación”)?
10. ¿Reconoce la incertidumbre? ¿Alguna vez dice “no estoy seguro, mejor nos inclinamos por el lado más ligero”?

Las apps que aprueban 8/10 son nivel 4. Las que aprueban 4-7 son nivel 3 honestas. Las que aprueban 1-3 son nivel 2 con marketing. Una plantilla fija que falla las diez está bien, siempre que se venda como plantilla.

Si quieres profundizar en el lado de la velocidad de progresión — cuándo tiene sentido “subir más rápido” y cuándo no — lee nuestro marco de ramp-rate adaptativo.

Una app de nivel 4 en la práctica: cómo SensAI maneja una mañana de baja recuperación

En una frase: Este es el ejemplo trabajado: misma mañana, mismos datos, lo que realmente hace un coach de nivel 4.

El vector de estado a las 6:14 a. m. del martes:

• HRV: 42 ms (línea base móvil de 7 días: 58 ms, alrededor de 28% por debajo)
• Sueño: 5 h 12 min en total, 22 min REM
• FC en reposo: 64 lpm (línea base 57, alrededor de 12% elevada)
• Dolor muscular: 6/10 autorreportado en cadena posterior
• Últimos 7 días: 3 sesiones de fuerza, 1 tirada larga, carga total 18% más alta semana contra semana

Lo que SensAI regenera:

• Antes: Sentadilla trasera 5×5 al 82%, tirones accesorios, carrera tempo de 30 min
• Ahora: Bloque técnico de sentadilla goblet (4×6 ligero, foco en profundidad y braceo), remo unilateral 3×10, bici en zona 2 durante 30 min al 65-72% de FC máxima, 10 min de movilidad de cadera

Lo que dice SensAI (resumen de preparación parafraseado): “Tu HRV cayó 28% durante la noche y dormiste poco; eso es un déficit de recuperación significativo, no un bache de un día, considerando el aumento de volumen de la semana pasada. Moví las sentadillas pesadas al jueves y reemplacé la sesión de hoy con trabajo técnico y zona 2. Si quieres, podemos revisarlo al mediodía cuando hayas comido y tomado agua.”

Qué pasa durante el entrenamiento cuando el atleta insiste (“¿Puedo hacer solo una repetición pesada al final?”): el coach negocia. “Sí: una repetición pesada máxima a RPE 7, no RPE 9. Estamos protegiendo la sesión del jueves. Sáltala si la zona lumbar todavía se siente mal después del calentamiento.” Ese diálogo es la diferencia de nivel 4. No es una insignia de color. Es un coach.

El contraargumento: “¿Las apps no nos vuelven esclavos de la HRV?”

En una frase: Pueden hacerlo si leen una sola mala noche como señal de pánico. Bien hecho, el entrenamiento guiado por HRV hace lo contrario.

Esta es la crítica de Uphill Athlete, y tiene mérito cuando apunta a apps que leen la HRV de una mañana como verdad absoluta. Un mal número el martes no es un veredicto. Es un dato ruidoso.

Daniel J. Plews, PhD — fisiólogo deportivo en Auckland University of Technology, exfisiólogo principal de New Zealand Rowing y codesarrollador de HRV4Training — lleva más de una década publicando sobre la forma correcta de usar la HRV. El resumen de ese cuerpo de trabajo: usa un promedio móvil de 7 días, no el valor de un solo día. Espera una variación normal día a día en el rango de 5-12%. Trata la supresión sostenida durante varias mañanas consecutivas como la señal significativa, no una mala lectura aislada.¹¹

Una app de nivel 4 que siga la guía de Plews no entrará en pánico por el outlier del martes. Lo ponderará contra la tendencia. Si ayer estuvo bien y mañana repunta, el ajuste del martes será leve, tal vez cambiar intervalos por trabajo constante. Si la supresión persiste tres días seguidos con mal sueño, el ajuste será mayor.

La mala versión del entrenamiento guiado por HRV trata cada caída como una descarga. La buena versión trata las tendencias como tendencias y los días aislados como señal-ruido que debe ponderarse, no obedecerse. Los ensayos de Vesterinen, Javaloyes y Nuuttila citados arriba usaron lógica basada en tendencias, no reacciones a un solo día, y esa es parte de la razón por la que funcionaron.⁴⁵⁷

Para una revisión más amplia de cómo las principales apps de entrenador personal con IA manejan esta distinción en 2026, lee nuestro resumen de las mejores apps de entrenador personal con IA.

Preguntas frecuentes

P: ¿Qué significa “adaptado a la fatiga” en una app de entrenamiento?

R: Una app adaptada a la fatiga cambia la sesión prescrita para hoy según señales de qué tan recuperado estás: tendencias de variabilidad de la frecuencia cardiaca, duración y calidad del sueño, frecuencia cardiaca en reposo, dolor muscular y carga reciente de entrenamiento. Lo contrario es una plantilla fija que te da el mismo entrenamiento sin importar lo que tu cuerpo hizo durante la noche. La mayoría de las apps vendidas como “adaptativas” solo ajustan dentro de una sesión (nivel 2 arriba), no antes.

P: ¿Alguna app lee de verdad mi HRV y cambia mi entrenamiento por eso?

R: Un número pequeño, sí. SensAI, por ejemplo, ingiere HRV, sueño y frecuencia cardiaca en reposo vía Apple HealthKit (Apple Watch directamente; Garmin, Oura y WHOOP a través de HealthKit) y regenera la sesión antes de que abras la app. La mayoría de las apps vendidas como “IA” no leen HRV en absoluto: usan respuestas de encuestas o input de RPE por serie. La checklist de 10 preguntas de arriba es la forma más rápida de distinguirlas.

P: ¿Una app adaptativa por HRV me hará entrenar menos?

R: A veces, en días específicos, pero por lo general no en total. Los estudios sobre entrenamiento de resistencia guiado por HRV (Vesterinen, Javaloyes, Nuuttila) encontraron que los grupos guiados por HRV a menudo hicieron menos sesiones duras, pero igualaron o superaron a los grupos con plan fijo en resultados de rendimiento. El mecanismo es el timing, no la evitación: vas fuerte cuando puedes absorberlo y suave cuando no. La adaptación total suele mejorar.

P: ¿Puede una app de entrenamiento explicar sus decisiones como un coach real?

R: Las apps modernas impulsadas por LLM pueden hacerlo, y esa es la prueba práctica de una app de nivel 4. La decisión en sí (HRV baja, aligerar hoy) es fácil de automatizar; la narración de la decisión de una manera que respete el contexto, el historial y los objetivos del atleta es donde fallan los motores de reglas y los LLM tienen éxito. Si le preguntas “por qué?” a tu app y la respuesta es un enlace estático a una página de ayuda, no es nivel 4.

La conclusión

Son las 6:14 a. m. Tu HRV está 18 ms abajo. Tu app te muestra sentadilla 5×5 de todos modos.

Esa app está en nivel 1. El nivel 2 reaccionará cuando fuerces la primera serie. El nivel 3 ajustará mañana según lo que le digas hoy. El nivel 4 ya reescribió la sesión de esta mañana antes de que despertaras, y puede explicar, en un párrafo, exactamente por qué.

La pregunta no es si tu app de entrenamiento es “IA”. Es en qué peldaño de la escalera está realmente.

---

References

Footnotes

1. Soligard T, Schwellnus M, Alonso JM, Bahr R, Clarsen B, Dijkstra HP, et al. “How much is too much? (Part 1) International Olympic Committee consensus statement on load in sport and risk of injury.” British Journal of Sports Medicine, 2016. https://pubmed.ncbi.nlm.nih.gov/27535989/ ↩

2. Zourdos MC, Klemp A, Dolan C, Quiles JM, Schau KA, Jo E, Helms E, Esgro B, Duncan S, Garcia Merino S, Blanco R. “Novel Resistance Training-Specific Rating of Perceived Exertion Scale Measuring Repetitions in Reserve.” Journal of Strength and Conditioning Research, 2016. https://pubmed.ncbi.nlm.nih.gov/26049792/ ↩

3. Saw AE, Main LC, Gastin PB. “Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review.” British Journal of Sports Medicine, 2016. https://pubmed.ncbi.nlm.nih.gov/26423706/ ↩

4. Vesterinen V, Nummela A, Heikura I, Laine T, Hynynen E, Botella J, Häkkinen K. “Individual Endurance Training Prescription with Heart Rate Variability.” Medicine and Science in Sports and Exercise, 2016. https://pubmed.ncbi.nlm.nih.gov/26909534/ ↩ ↩²

5. Javaloyes A, Sarabia JM, Lamberts RP, Moya-Ramon M. “Training Prescription Guided by Heart-Rate Variability in Cycling.” International Journal of Sports Physiology and Performance, 2019. https://pubmed.ncbi.nlm.nih.gov/29809080/ ↩ ↩²

6. Javaloyes A, Sarabia JM, Lamberts RP, Plews D, Moya-Ramon M. “Training Prescription Guided by Heart Rate Variability Vs. Block Periodization in Well-Trained Cyclists.” Journal of Strength and Conditioning Research, 2020. https://pubmed.ncbi.nlm.nih.gov/31490431/ ↩

7. Nuuttila OP, Nikander A, Polomoshnov D, Laukkanen JA, Häkkinen K. “Effects of HRV-Guided vs. Predetermined Block Training on Performance, HRV and Serum Hormones.” International Journal of Sports Medicine, 2017. https://pubmed.ncbi.nlm.nih.gov/28950399/ ↩ ↩²

8. Rae DE, Chin T, Dikgomo K, Hill L, McKune AJ, Kohn TA, Roden LC. “One night of partial sleep deprivation impairs recovery from a single exercise training session.” European Journal of Applied Physiology, 2017. https://pubmed.ncbi.nlm.nih.gov/28247026/ ↩

9. Watson AM. “Sleep and Athletic Performance.” Current Sports Medicine Reports, 2017. https://pubmed.ncbi.nlm.nih.gov/29135639/ ↩

10. Halson SL. “Monitoring training load to understand fatigue in athletes.” Sports Medicine, 2014. https://pubmed.ncbi.nlm.nih.gov/25200666/ ↩

11. Plews DJ, Laursen PB, Stanley J, Kilding AE, Buchheit M. “Training adaptation and heart rate variability in elite endurance athletes: opening the door to effective monitoring.” Sports Medicine, 2013. https://pubmed.ncbi.nlm.nih.gov/23852425/ ↩