🧬 Biologiczny System Personalizacji Progów

Specyfikacja Techniczna v1.5  ·  Hyperion Performance  ·  Sierpień 2026  ·  Do recenzji profesora i audytu inżynierskiego

Streszczenie. Hyperion Performance oblicza Readiness Index (RI) — biologiczny wskaźnik gotowości 0–100 — na podstawie 17 parametrów z czterech dziedzin: neurologii (Tapping + PVT), biochemii (laktat), biometryki (HRV, RHR, sen, temp.) i psychofizyki (subiektywny stan). Surowe pomiary są normalizowane do wyników ryzyka N∈[0,1] przy użyciu liniowych progów domyślnie opartych na normach populacyjnych z literatury. Niniejszy moduł — _profileNorms(profile) — personalizuje te progi na podstawie dziewięciu fenotypowych zmiennych użytkownika. Bez wypełnionego profilu system działa na wartościach domyślnych (wstecznie kompatybilnych). Z profilem, każdy parametr jest oceniany względem norm właściwych dla danego osobnika — nie populacji. Dokument specyfikuje pełną logikę kalibracji, formułę kombinacji z wagami, sześć deterministycznych hard overrides oraz konkretny przykład obliczeniowy end-to-end.

Wstęp — uzasadnienie podejścia pomiarowego

Większość istniejących systemów gotowości sportowej (Whoop, Garmin Body Battery, Oura) opiera się wyłącznie na pasywnym monitorowaniu: HRV, tętno, temperatura, sen. Takie sygnały mierzą stan układu autonomicznego (ANS) — czyli efekt skumulowany ostatnich kilkunastu godzin. Nie mierzą aktualnego stanu układu nerwowego w danej chwili.

Hyperion dodaje do tego aktywne testy CNS wykonywane w czasie rzeczywistym — Tapping i PVT. To kluczowa różnica architektoniczna:

Typ pomiaruCo mierzyOkno czasowePrzykład sygnału nie do wykrycia bez aktywnego testu
Pasywne wearables
(HRV, RHR, sen)		Stan autonomiczny — wypadkowa regeneracji i obciążenia z ostatnich godzinSkumulowany ~12–24hSportowiec przewlekle przetrenowany może mieć znormalizowane HRV wskutek dominacji przywspółczulnej — i nadal mieć 40 ms opóźnienie RT wskazujące na zmęczenie neuronalne
Aktywny test motoryczny
(Tapping Hz + SD)		Prędkość i spójność pętli sensomotorycznej: bodziec → decyzja → wykonanie ruchoweChwilowyObniżone Hz przy prawidłowym HRV = zmęczenie dopaminergiczne i kortyko-rdzeniowe niewidoczne w danych ANS
Aktywny test alertności
(PVT — czas reakcji + lapsy)		Czujność podtrzymana i dług snu (szlak przedczołowy / locus coeruleus)ChwilowySportowiec po deprywacji snu może mieć normalny Tapping Hz i jednocześnie wysoki wskaźnik lapsów PVT — dwa niezależne wymiary CNS
Biochemia
(laktat)		Metaboliczny stan ogólnoustrojowy — obciążenie kwasowe i klirensSkumulowany 1–6hSzybki CNS + wysoki laktat = sportowiec czuje się dobrze, ale dług metaboliczny jest wysoki — niebezpieczna kombinacja do intensywnego wysiłku

Dlaczego akurat Tapping, a nie inny test motoryczny?

Tapping palcem z maksymalną częstotliwością wymaga aktywacji pętli sensomotorycznej przez korę motoryczną → jądra podstawne → pętlę dopaminergiczną → drogę kortyko-rdzeniową. Test jest czuły na:

Kluczowa zaleta vs inne testy CNS: jest szybki (10 sekund), nie wymaga sprzętu, nie wymaga kalibracji per-sesji, i generuje dwa niezależne sygnały (Hz i SD). Test flick finger (prędkość kciuka) lub reaction board (wielokrotne przesunięcia) są mniej precyzyjne w warunkach mobilnych i wolniejsze w wykonaniu.

Dlaczego PVT, a nie tylko Tapping?

Tapping i PVT mierzą różne wymiary neuryczne:

Sportowiec po jednej nocy ze skróconym snem może mieć normalny Tapping Hz i jednocześnie 4 lapsy PVT (czas reakcji > 500 ms). Oba sygnały razem wykrywają stany, których żaden z nich samodzielnie nie widzi.

Dlaczego deterministyczny silnik matematyczny, a nie AI do scoringu?

AI generatywne jest właściwe do rekomendacji protokołów (kontekst + kreatywność + personalizacja). Jest nieodpowiednie do samego obliczania wyniku gotowości, ponieważ: (1) nie jest audytowalne — nie da się prześledzić dlaczego AI przypisało daną wartość; (2) hallucynuje wartości w niestandardowych kombinacjach wejść; (3) nie jest reprodukowalne — te same dane wejściowe dają różne wyniki przy kolejnych wywołaniach. Deterministyczny silnik matematyczny z hardcoded logiką i formułami z literatury jest warunkiem koniecznym wiarygodności klinicznej.

Zakres niniejszego dokumentu: Specyfikuje wyłącznie moduł personalizacji progów (_profileNorms()) i formułę kombinacji. Architektura AI, warstwa danych wearables, schemat bazy danych sesji oraz stos technologiczny frontendowy są opisane w osobnych dokumentach.

1. Motywacja — dlaczego normy populacyjne są niewystarczające

Wyobraź sobie trzy osoby z HRV (RMSSD) = 48 ms zmierzone tego samego ranka:

OsobaProfilInterpretacja fizjologicznaN bez profiluN z profilem
AKobieta, 24 lata, elitarna biegaczka, 10+ h/tydz.Wyraźnie poniżej normy elitarnej (~93 ms) — sygnał przeciążenia0.600.87
BMężczyzna, 42 lata, amatorski kolarz, 3 h/tydz.Nieco poniżej normy wiekowej — łagodny sygnał0.600.50
CKobieta, 62 lata, brak aktywności fizycznejPrawidłowe dla wieku — brak sygnału ryzyka0.600.18

Identyczny pomiar ma trzy różne znaczenia fizjologiczne. Jednolity próg 90 ms (domyślny) zawyża ryzyko u osoby C i zaniża je u osoby A. Personalizacja nie jest udogodnieniem — jest warunkiem koniecznym poprawnej interpretacji danych.

2. Pozycja modułu w potoku obliczeniowym

Surowe pomiary
→
Dirty Data Filter
kofeina / leki / alkohol
→
_profileNorms(profile)
← NINIEJSZY MODUŁ
→
N-scores [0,1]
+ warstwa N=1 baseline
→
Agregacja filarów
wagi 4/3/2/1
→
RI = 100 − PIL_raw
→
Hard overrides
6 warunków
→
Etykieta + score

Moduł zwraca obiekt _pn z kalibrowanymi progami. Progi te są następnie używane do normalizacji surowych pomiarów w calculatePIL().

3. Parametry profilu biologicznego

ParametrKolumna DBWartościKalibruje
WiekageLiczba całkowita ≥ 10hrv_center, hrv_range, pvt_rt_low, pvt_rt_range, pvt_lps_range
Płeć biologicznasexmale / female / otherhrv_center, lac_low, lac_range
Staż treningowytraining_experience<1yr / 1-3yr / 3-10yr / 10+yrrhr_low, hz_optimal
Tygodniowy wolumenweekly_volume0-1 / 2-3 / 4-6 / 7+ h/tydz.lac_low (korekta Δ wolumenu)
Profil energetycznyenergy_profilepower_speed / mixed / endurance / untrainedlac_low (baza), lac_range
Poziom zawodniczycompetition_levelrecreational / amateur / competitive / elitehrv_center (+5 / +12 / +20 / +30 ms)
Pobudliwość ANSans_excitabilityhigh / average / lowhrv_center (−8 / 0 / +6 ms)
Chronotypchronotypemorning / neutral / eveningpvt_rt_low (+12 ms gdy test poza oknem dobowym)
Wzrost (cm)height_cm50–280Nie wpływa na progi RI (patrz sekcja 13)
Masa ciała (kg)weight_kg20–400Moduł nawodnienia; nie wpływa na progi RI
Backward compatibility: Brak profilu (null) lub brak konkretnego pola zwraca wartości domyślne — identyczne z algorytmem przed wdrożeniem personalizacji. Żaden istniejący wynik nie jest retrospektywnie zmieniany.

4. Wartości domyślne (normy populacyjne, profil = null)

Definicja: clamp(x) — używana we wszystkich formułach N w tym dokumencie.
clamp(x) = max(0.0, min(1.0, x))
Przycina dowolną liczbę rzeczywistą do przedziału [0, 1]. Wartości poniżej zera → 0.0 (brak ryzyka — pomiar lepszy niż dolny próg). Wartości powyżej 1.0 → 1.0 (maksymalne ryzyko — pomiar przekroczył górny próg). Przykład: sportowiec z HRV = 110 ms przy hrv_center = 90 ms daje clamp((90−110)/70) = clamp(−0.286) = 0.0 — brak ryzyka HRV, nie wynik ujemny obniżający inne parametry.
ParametrCentrum / dolny prógZakres ryzykaFormuła N (inwersja dla parametrów gdzie wyższy = lepszy)
HRV (RMSSD)hrv_center = 90 mshrv_range = 70 msclamp((90 − hrv) / 70)
RHRrhr_low = 40 bpmrhr_range = 60 bpmclamp((rhr − 40) / 60)
Laktatlac_low = 0 mmol/Llac_range = 10 mmol/Lclamp((lactate − 0) / 10)
PVT — czas reakcjipvt_rt_low = 200 mspvt_rt_range = 300 msclamp((rt − 200) / 300)
PVT — lapsy—pvt_lps_range = 5clamp(lapses / 5)
Tapping Hzhz_optimal = 6.0 Hzhz_range = 4.0 Hzclamp((6.0 − hz) / 4.0)
Wartości domyślne są celowo konserwatywne — odpowiadają przeciętnej dorosłej osobie bez regularnego treningu. Dla sportowców bez profilu prowadzi to do systematycznego przeszacowania ryzyka (np. N.hrv dla elitarnego sportowca z HRV = 60 ms wynosi 0.43 bez profilu vs. 0.23 z profilem uwzględniającym poziom zawodniczy). To jest zamierzone: lepiej zasygnalizować ostrożność niż przeoczyć sygnał.

5. Kalibracja per-parametr — metody i uzasadnienie naukowe

5.1 HRV (RMSSD) — Wiek × Płeć × ANS × Poziom zawodniczy

Źródła: Koenig J. & Thomas J. (2016). Resting heart rate variability — meta-analiza N > 2 500. Psychological Medicine, 46(5). · Plews D.J. et al. (2013). Training adaptation and HRV in elite endurance athletes. Sports Medicine, 43(9), 773–781.

WiekMediana RMSSD — M (ms)Mediana RMSSD — K (ms)Inne/nieokreśl.
< 30 lat475250
30–39 lat424644
40–49 lat353937
50–59 lat303331
≥ 60 lat252826
hrv_center = median(wiek, płeć)
           + ans_korekta     [high: −8 | average: 0 | low: +6 ms]
           + level_korekta   [recreational: +5 | amateur: +12* | competitive: +20 | elite: +30 ms]

hrv_range  = max(20,  median × 0.9)   // zakres proporcjonalny do mediany populacyjnej

* domyślne gdy competition_level = null (bezpieczne założenie dla typowego użytkownika)

Uzasadnienie korekty ANS: Sympatykotonicy mają strukturalnie niższe HRV nie z powodu patologii, lecz dominacji układu współczulnego — ocenianie ich bez tej korekty generuje chroniczne fałszywe alarmy.

Uzasadnienie korekty zawodniczej (Plews 2013): Raportowane mediany RMSSD: elita ~93 ms, zawodniczy ~68 ms, amatorski ~52 ms, rekreacyjny ~40 ms. Wyczynowy triathlonista z HRV = 55 ms może być w stanie przeciążenia mimo mieścenia się w normach populacyjnych dla jego wieku.

⚠ Ograniczenie: Płeć "inna" = średnia arytmetyczna norm M i K. Brak dedykowanej literatury populacyjnej dla osób niebinarnych/transpłciowych. Wymaga adnotacji w UX przed szerszym wdrożeniem.

5.2 Laktat — Profil energetyczny × Wolumen tygodniowy × Płeć

Źródła: Mujika I. & Padilla S. (2001) · Tarnopolsky M.A. (2008) · Holloszy J.O. & Coyle E.F. (1984).

Różne dyscypliny mają odmienne normy mleczanu spoczynkowego. Sprinter z 3.8 mmol/L i maratończyk z 3.8 mmol/L to zupełnie różne sytuacje fizjologiczne.

Krok 1 — baza z profilu energetycznego

Profil energetycznylac_low (baza)lac_rangePełne ryzyko (N=1) przy
Siłowo-szybkościowy (power_speed)3.0 mmol/L3.06.0 mmol/L
Mieszany (mixed)2.5 mmol/L2.55.0 mmol/L
Wytrzymałościowy (endurance)2.0 mmol/L2.04.0 mmol/L
Nieaktywny (untrained)1.5 mmol/L2.03.5 mmol/L

Krok 2 — korekta tygodniowego wolumenu (Holloszy & Coyle 1984)

Wyższy wolumen treningowy → większa gęstość mitochondrialna → sprawniejszy klirens mleczanu → niższe oczekiwane mleczan przy pełnej regeneracji.

Wolumen tygodniowyΔ lac_lowUzasadnienie
0–1 h/tydz.+0.2 mmol/LMinimalny bodziec aerobowy; klirens niezoptymalizowany
2–3 h/tydz.± 0 (pasmo referencyjne)—
4–6 h/tydz.−0.1 mmol/LDobra adaptacja mitochondrialna
7+ h/tydz.−0.2 mmol/LWysoki wolumen — superior klirens w warunkach regeneracji

Krok 3 — korekta płci (Tarnopolsky 2008)

Kobiety wytwarzają ~15% mniej mleczanu przy tej samej względnej intensywności wysiłku (efekt estrogenowy na metabolizm lipidów). Mnożnik 0.85 nakładany na lac_low i lac_range po krokach 1–2. Podłoga bezwzględna: 0.5 mmol/L.

lac_low_final = max(0.5,  (lac_low_baza + Δ_vol)) × (sex === 'female' ? 0.85 : 1.0)
N.lactate     = clamp( (lactate − lac_low_final) / lac_range_final )
⚠ Pytanie do profesora: Kierunek korekty Δ_vol (wyższy wolumen → niższy lac_low) jest uzasadniony mechanistycznie dla laktatu wysiłkowego progowego. Czy jest trafny dla mleczanu mierzonego 1–6h po treningu (potestowego/spoczynkowego)? Czy wartości Δ (±0.1–0.2 mmol/L) są odpowiedniego rzędu wielkości?

5.3 RHR — Tętno spoczynkowe

Źródła: Cooney M.T. et al. (2010). European Heart Journal, 31(19). + NHANES — normy populacyjne HR wg wieku i płci.

Trening obniża spoczynkowe HR poprzez wzrost objętości wyrzutowej i tonusu nerwu błędnego. Elitarni maratończycy: RHR 30–45 bpm. Osoby nieaktywne: 60–80 bpm. Jeden próg 40 bpm dla obu = błąd interpretacyjny.

Staż treningowyrhr_lowrhr_rangePełne ryzyko (N=1) przy
< 1 rok40 bpm60 bpm100 bpm
1–3 lata38 bpm60 bpm98 bpm
3–10 lat35 bpm60 bpm95 bpm
10+ lat30 bpm60 bpm90 bpm
N.rhr = clamp( (rhr − rhr_low) / 60 )
Hard override: surowe (niekorygowane kofeiną) RHR ≥ 100 bpm → etykieta ≤ Warning niezależnie od kompozytu (patrz sekcja 8).

5.4 PVT — Czas reakcji i lapsy

Źródła: Hultsch D.F. et al. (2002). Variability in reaction time. Journals of Gerontology, 57(2), P101–P115. · Dijk D.J. & Czeisler C.A. (1995). Circadian pacemaker and sleep homeostat. Journal of Neuroscience, 15(5), 3526–3538.

Kalibracja obejmuje dwa niezależne parametry: próg dolny (floor RT) i zakres ryzyka. Starsze osoby mają strukturalnie wyższy RT i szerszą dystrybucję wewnątrzosobniczą — bez obu korekt, 65-latek z RT = 280 ms (norma dla jej/jego wieku) otrzymuje identyczne N jak 25-latek z 280 ms (wyraźne zaburzenie dla ich wieku).

decadesOver20  = max(0, (wiek − 20) / 10)

pvt_rt_low     = 200 + decadesOver20 × 3      [ms]  // ~3 ms/dekadę po 20. r.ż.
pvt_rt_range   = 300 + decadesOver20 × 12     [ms]  // ~12 ms szerszy zakres/dekadę

circAdj = +12 ms gdy:
  (chronotype === 'morning' && godzina ≥ 18)   // ranny typ poza oknem dobowym
  lub
  (chronotype === 'evening' && godzina ≤ 9)    // wieczorny typ poza oknem dobowym

pvt_rt_low    += circAdj
pvt_lps_range  = wiek > 50 ? 4 : 5             // naturalna wyższa wariancja lapsów po 50. r.ż.

N.pvtRt  = clamp( (pvtMeanRt − pvt_rt_low) / pvt_rt_range )
N.pvtLps = clamp( pvtLapses  / pvt_lps_range )
Wiekpvt_rt_lowpvt_rt_rangeN=1 przy RT =
20 lat200 ms300 ms500 ms
35 lat204 ms318 ms522 ms
50 lat209 ms336 ms545 ms
65 lat213 ms354 ms567 ms

5.5 Tapping Hz — Optymalna częstotliwość motoryczna

Źródło: Keele S.W. et al. (1985). Motor programs and their role in cognition. Attention and Performance, XI.

Wytrenowani sportowcy mają wyższy bazowy Hz tappingu (lepszy ton dopaminergiczny i koordynacja nerwowo-mięśniowa). Korekta przesuwa hz_optimal w górę:

Staż treningowyBonushz_optimal końcowe
< 1 rok+0.0 Hz6.0 Hz
1–3 lata+0.3 Hz6.3 Hz
3–10 lat+0.6 Hz6.6 Hz
10+ lat+1.0 Hz7.0 Hz
N.hz = max(
  clamp( (hz_optimal − hz) / 4.0 ),
  N_hz_personal      // warstwa N=1 — patrz sekcja 10
)

6. Pełna tabela parametrów, N-scores i wag

6.0 Uzasadnienie wag filarów (4 : 3 : 2 : 1)

Wagi odzwierciedlają hierarchię pewności pomiarowej, nie ważność fizjologiczną każdej dziedziny. Zasada: aktywne > pasywne; chwilowe > skumulowane; obiektywne > subiektywne.

FilarWagaUzasadnienie priorytetuGłówne ograniczenie
Neurologia
Tapping + PVT		4Aktywne testy CNS wykonywane chwilowo — mierzą bieżący stan układu nerwowego, nie skumulowany efekt ostatnich godzin. Nie dają się "zamortyzować" przez chroniczną adaptację (w przeciwieństwie do HRV). Dwa niezależne wymiary: motoryczny (Tapping) i alertnościowy (PVT).Wymaga zaangażowania atlety; podatny na warunkowe ociąganie się lub efekt ćwiczenia przy wielokrotnych testach dziennie
Biochemia
Laktat		3Obiektywny marker metaboliczny — nie daje się zmanipulować świadomie. Bezpośrednio mierzy obciążenie kwasowe i sprawność klirensu.Silnie zależny od czasu od treningu (stąd recency weight); wysoka zmienność wewnątrzosobnicza przy pomiarze palcowym; wiele atletów nie mierzy regularnie → brakujące dane
Biometryka
HRV, RHR, oddech, sen, temp.		2Pasywne wearables — mierzą skumulowany stan ANS z ostatnich kilkunastu godzin. Wartościowe jako kontekst i trend, ale nie rejestrują stanu chwilowego CNS.HRV normalizuje się przy przewlekłym przetrenowaniu (dominacja przywspółczulna); wiele wartości z wearables (REM, deep sleep) to estymaty algorytmów OEM, nie pomiary bezpośrednie
Psychofizyka
DOMS, brain fog, stres, nastrój		1Subiektywny stan ma wartość kliniczną — DOMS i stress korelują z ryzykiem urazu i przeciążenia. Pełni rolę detektora podłogi/sufitu (hard overrides dla DOMS ≥ 8, stres ≥ 8, brain fog ≥ 8).Podatny na bias motywacyjny u zawodników ("daję z siebie wszystko" → zaniżona ocena bólu/zmęczenia); nastrój jest zbyt przejściowy by zasługiwał na hard override
Pytanie otwarte do profesora (sekcja 14.2, pkt 6): Czy aktywne pomiary CNS powinny dominować z wagą 4 w stosunku do pasywnych wearables (waga 2)? Czy obecny konsensus w fizjologii sportu wspierałby wyższe lub niższe wagi dla biochemii (laktat)?

Wszystkie 17 parametrów wchodzących do Readiness Index. N∈[0,1]: 0 = brak ryzyka, 1 = maksymalne ryzyko. ✦ = kalibrowane przez profil biologiczny.

ParametrFormuła NWFilar (waga filara)
Tapping Hz ✦clamp((hz_optimal − hz) / 4.0)1NEUROLOGIA
waga = 4
Tapping SDclamp(sd_s / 0.5)  (sd w sekundach)1
PVT czas reakcji ✦clamp((pvtRt − pvt_rt_low) / pvt_rt_range)1
PVT lapsy ✦clamp(lapses / pvt_lps_range)1
Laktat ✦clamp((lactate − lac_low) / lac_range) × recency_w1 × recencyBIOCHEMIA
waga = 3
HRV (RMSSD) ✦clamp((hrv_center − hrv) / hrv_range)2BIOMETRYKA
waga = 2
RHR ✦clamp((rhr − rhr_low) / 60)1
Częstość oddechówclamp((rr − 8) / 16)1
Sen — całkowityclamp((8 − sleepTotal) / 6)1
Sen — REMclamp((1.8 − sleepRem) / 1.8)1
Sen — głębokiclamp((1.5 − sleepDeep) / 1.5)1
Temperatura skóryclamp((skinTemp − 33) / 5)1
DOMSclamp((doms − 1) / 9)1PSYCHOFIZYKA
waga = 1
Brain fogclamp((brainFog − 1) / 9)1
Motywacjaclamp((10 − motivation) / 9)1
Stresclamp((stress − 1) / 9)1
Nastrójclamp((10 − mood) / 9)1

Recency weight dla laktatu

Laktat jest jedynym parametrem z atenuacją wagi zależną od kontekstu — klirens mleczanu następuje 1–2h po wysiłku; wysoka wartość 8h po treningu nie odzwierciedla stanu regeneracji:

Czas od ostatniego treninguMnożnik W.lactate
< 1h1.00
1–2h0.85
2–6h0.50
> 6h0.20
Dzień bez treningu0.10

7. Formuła kombinacji — Readiness Index

// Krok 1: wynik każdego filara — ważona średnia N w filarze
// (brakujące dane pomijane: W[k] = 0 gdy N[k] = null)
pillar_score(keys) = Σ(N[k] × W[k])  /  Σ(W[k] dla k z dostępnymi danymi)

// Krok 2: ważona średnia filarów
PIL_raw = Σ(pillar.score × pillar.weight)  /  Σ(pillar.weight dla filarów z danymi)

// Krok 3: inwersja → Readiness Index
// 100 = pełna gotowość biologiczna; 0 = maksymalne ryzyko
Readiness Index (RI) = 100 − (PIL_raw × 100)

Obsługa brakujących danych: Gdy pomiar niedostępny (null), jego waga W[k] = 0 — system nie karze za brak wearables, lecz proporcjonalnie zwiększa wpływ dostępnych parametrów. Przykład: bez laktatu, HRV i snu (tylko tapping + PVT + psychofizyka) kompozyt nadal oblicza znaczący wynik.

Zakres RIEtykietaInterpretacja klinicznaUzasadnienie granicy
≥ 75%PrimeSuperkompensacja — okno na wysiłek o wysokiej intensywności lub rekordowe próby75% = PIL_raw ≤ 0.25; wszystkie N-scores jednocześnie niskie; aktywna superkompensacja po właściwej regeneracji
50–74%NormalZakres funkcjonalny — trening z umiarem, regeneracja aktywnaGranica 50% = PIL_raw ≤ 0.50; wyniki filarów wskazują umiarkowane obciążenie bez alarmujących sygnałów — typowy stan po normalnym dniu treningowym
25–49%WarningPodwyższone obciążenie — regeneracja priorytetem, redukcja objętościGranica 25% = PIL_raw ≤ 0.75; co najmniej jeden filar silnie obciążony; łączna wartość ważona sygnalizuje potrzebę interwencji
< 25%High RiskKonsultacja specjalisty — protokoły obowiązkowe, brak intensywnych sesjiPIL_raw > 0.75 = silne obciążenie w wielu filarach jednocześnie; poniżej tej granicy ryzyko urazu jest klinicznie istotne
Uwaga o rozpiętości wewnątrz strefy: RI = 51% i RI = 73% to obydwa "Normal", ale fizjologicznie różne sytuacje — różnica ~20 pkt proc. w PIL_raw. Kategoria to skrót kliniczny; aplikacja zawsze wyświetla dokładną wartość liczbową obok etykiety. Rekomendacje AI są generowane jako funkcja ciągła wartości RI, a nie kategorii — trener/sportowiec widzi precyzyjne uzasadnienie. Rozważane w v2: podpoziomy w strefie Normal ("Normal+" 65–74% vs "Normal−" 50–64%) jeśli dane użytkowników wykażą istotne różnice w odpowiedzi na trening pomiędzy tymi podstrefami.

8. Hard overrides — warunki deterministyczne nadrzędne wobec kompozytu

Sześć warunków hardcoded — AI nie może ich ominąć, kompozyt liczbowy nie ma tu znaczenia.

WarunekEfekt na RIUzasadnienie naukowe
Sen < 6hRI ≤ 49%
etykieta ≤ Warning		Ostra deprywacja snu < 6h powoduje mierzalne zaburzenia RT, motoryki i funkcji immunologicznej (Walker 2017; Fullagar 2015; Mah 2011). Sen ma wagę 1/9 w biometryce (≈2.2% całości) — strukturalnie zbyt mały by nadpisać silny wynik neurologiczny.
Surowe RHR ≥ 100 bpmRI ≤ 49%
etykieta ≤ Warning		Kliniczna definicja tachykardii spoczynkowej. RHR ma wagę W=1/9 w biometryce (≈2.5% całości) — N.rhr = 1.0 jest niewystarczające by samo dominowało.
Alkohol = trueRI ≤ 74%
etykieta ≤ Normal		Alkohol degraduje architekturę snu (redukuje REM/SWS), podnosi markery zapalne i degraduje RT/motorykę nawet bez odczuwanego zaburzenia (Prat & Adan 2013). Sportowcy z wysokim baseline mogą uzyskać Prime mimo kary ×1.5 na PIL_raw.
DOMS ≥ 8/10RI ≤ 74%
etykieta ≤ Normal		Silny DOMS = nierozwiązana mikrotrauma, podwyższone ryzyko urazu przy wysiłkach balistycznych (Cheung, Hume & Maxwell 2003). Waga DOMS: 1/5 psychofizyki × 1/10 = ~2% całości.
Brain fog ≥ 8/10RI ≤ 74%
etykieta ≤ Normal		Wyraźne zamglenie = zaburzone funkcje wykonawcze i RT — warunki wstępne dla bezpiecznej pracy o wysokiej intensywności lub nabywania umiejętności. Analogicznie: ~2% całości strukturalnie.
Stres ≥ 8/10RI ≤ 74%
etykieta ≤ Normal		Wysoki stres = podwyższony kortyzol i ton sympatyczny zaburzające regenerację. Nastrój celowo NIE ma override — jest wysoce przejściowy (krótka sprzeczka może zmienić się w ciągu minut) i nie odzwierciedla rzetelnie gotowości fizjologicznej.

9. Modyfikatory obciążenia chemicznego (Dirty Data Filter)

Korekty nakładane przed obliczeniem N — w kolejności przetwarzania:

SubstancjaEfekt na surowe pomiary / wagi WEfekt na PIL_raw
KofeinaKorekty przed N: hz×0.95, hrv×1.10, rhr−5, sd×1.05—
Gr. A — beta-blokeryW.hrv = 0, W.rhr = 0 (ANS wyłączone — pomiary fałszywe)—
Gr. B — inne farmakologiczne—PIL_raw × 1.15 (+15% ryzyka kompozytowego)
Gr. C — NLPZ / NSAIDsW.doms = 0 (maskują ból), W.lactate × 1.5, W.sd × 1.5—
AlkoholW.hrv × 0.5, W.rhr × 0.5, W.sd × 1.5PIL_raw × 1.5 + hard override (RI ≤ 74%)

10. Warstwa N=1 — osobisty punkt odniesienia

Niezależna od kalibracji profilowej warstwa porównująca pomiar z własnym baseline — aktywna po ≥ 5 sesjach:

ParametrN_personal = 1.0 gdyZasada
Tapping HzSpadek ≥ 30% względem osobistej mediany HzN_final = max(N_global, N_personal)

Warstwa N=1 może tylko podnieść ryzyko — nigdy nie obniży go poniżej absolutnych progów populacyjnych/profilowych.
Tapping SDWzrost ≥ 100% względem osobistej mediany SD
HRV (RMSSD)Spadek ≥ 30% względem osobistej mediany HRV

Nowy użytkownik (brak historii) pracuje wyłącznie na normach profilowych lub populacyjnych do zgromadzenia ≥ 5 sesji.

11. Przykład obliczeniowy — pełny przebieg end-to-end

Profil atlety

Płeć: kobietaWiek: 28 latStaż: 3–10 lat
Profil: enduranceWolumen: 4–6 h/tydz.Poziom: competitive
ANS: averageChronotyp: morningTest o: 08:00 (w oknie)

Krok 1 — _profileNorms() → kalibrowane progi

PrógDomyślne (profil=null)Po kalibracjiZmiana
hrv_center90 ms52 (wiek/K) + 0 (ANS avg) + 20 (competitive) = 72 ms−18 ms
hrv_range70 msmax(20, 52 × 0.9) = 46.8 ms−23 ms
rhr_low40 bpm35 bpm (3–10yr)−5 bpm
lac_low0 mmol/L2.0 (endurance) − 0.1 (4-6h) = 1.9 × 0.85 (K) = 1.615 mmol/L+1.615
lac_range10 mmol/L2.0 × 0.85 = 1.70 mmol/L−8.30
pvt_rt_low200 ms200 + 0.8×3 = 202.4; circAdj=0 (08:00) → 202 ms+2 ms
pvt_rt_range300 ms300 + 0.8×12 = 310 ms+10 ms
hz_optimal6.0 Hz6.6 Hz (3–10yr: +0.6)+0.6 Hz

Krok 2 — pomiary sesji i obliczone N-scores

Warunki: brak kofeiny, brak leków, brak alkoholu. Czas od treningu: 2–6h → W.lactate × 0.50.

ParametrPomiarN (obliczenie)W efektywneFilar
Tapping Hz7.2 Hzclamp((6.6−7.2)/4.0) = clamp(−0.15) = 0.0001Neurologia
(w=4)
Tapping SD80 ms = 0.08 sclamp(0.08/0.5) = 0.1601
PVT — RT228 msclamp((228−202)/310) = 0.0841
PVT — lapsy1clamp(1/5) = 0.2001
Laktat1.8 mmol/Lclamp((1.8−1.615)/1.70) = 0.1090.50Biochemia
(w=3)
HRV58 msclamp((72−58)/46.8) = 0.2992Biometryka
(w=2)
RHR48 bpmclamp((48−35)/60) = 0.2171
Częst. oddechów13/minclamp((13−8)/16) = 0.3131
Sen — total7.5hclamp((8−7.5)/6) = 0.0831
Sen — REM1.6hclamp((1.8−1.6)/1.8) = 0.1111
Sen — głęboki1.2hclamp((1.5−1.2)/1.5) = 0.2001
Temp. skóry34.2°Cclamp((34.2−33)/5) = 0.2401
DOMS2/10clamp((2−1)/9) = 0.1111Psychofizyka
(w=1)
Brain fog2/10clamp((2−1)/9) = 0.1111
Motywacja8/10clamp((10−8)/9) = 0.2221
Stres2/10clamp((2−1)/9) = 0.1111
Nastrój8/10clamp((10−8)/9) = 0.2221

Krok 3 — agregacja filarów

FilarΣ(N×W) / Σ(W)Wynik filaraWaga filara
Neurologia(0×1 + 0.160×1 + 0.084×1 + 0.200×1) / 40.1114
Biochemia(0.109×0.50) / 0.500.1093
Biometryka(0.299×2 + 0.217 + 0.313 + 0.083 + 0.111 + 0.200 + 0.240) / 80.2202
Psychofizyka(0.111 + 0.111 + 0.222 + 0.111 + 0.222) / 50.1551
PIL_raw = (0.111×4 + 0.109×3 + 0.220×2 + 0.155×1) / (4+3+2+1)
        = (0.444 + 0.327 + 0.440 + 0.155) / 10
        = 1.366 / 10 = 0.1366

Readiness Index = 100 − 13.7 = 86.3%  →  Prime ✓

Hard overrides: sen = 7.5h (≥ 6h ✓), RHR = 48 (< 100 ✓), brak alkoholu ✓
→ żaden override nie aktywowany, etykieta Prime zatwierdzona.

Wpływ kalibracji profilowej — porównanie z domyślnymi normami

ParametrN z profilemN bez profilu (domyślne)Różnica
HRV0.299clamp((90−58)/70) = 0.457+0.158 ↑ ryzyka bez profilu
Laktat0.109clamp((1.8−0)/10) = 0.180 (×W=0.50)+0.071 ↑ ryzyka bez profilu
RHR0.217clamp((48−40)/60) = 0.133−0.084 ↓ ryzyka bez profilu
Tapping Hz0.000clamp((6.0−7.2)/4.0) = 0.000bez zmiany

RI bez profilu ≈ 83.6% (nadal Prime, lecz o 2.7 pkt proc. niżej). Personalizacja nie zawsze „pomaga" liczbowo — czyni ocenę bardziej fizjologicznie dokładną. Tu: profil obniżył ocenę ryzyka HRV i laktatu (normy tej sportowiec są wyższe niż populacyjne), ale podwyższył ocenę RHR (niższe rhr_low = bardziej wymagający próg dla wytrenowanej osoby).

12. VO2max — stan obecny i kierunek v2

VO2max jest zbierany automatycznie z wearables (data.wearables.vo2max) i przekazywany do AI jako kontekst. Nie wpływa obecnie na żaden próg w _profileNorms().

Planowane (v2): wyższe VO2max → wyższe oczekiwane hrv_center + niższe oczekiwane rhr_low. Uzasadnienie: VO2max jest lepszym predyktorem norm HRV/RHR niż sam staż treningowy — uwzględnia faktyczną efektywność adaptacji tlenowej, nie tylko czas trenowania. Wymaga walidacji na danych własnych przed wdrożeniem.

13. Wzrost, masa ciała i BMI — decyzja architektoniczna

Pytanie projektowe: Dlaczego wzrost i masa ciała nie wpływają na progi RI?

Związek BMI ↔ HRV istnieje w literaturze (wyższe BMI koreluje z niższym RMSSD u osób z nadwagą). Jednak ten efekt jest już zawarty w kombinacji innych pól profilu: osoba z wysokim BMI i niską aktywnością będzie miała weeklyVolume: 0-1, energyProfile: untrained, competitionLevel: recreational — trzy niezależne korekty, które razem obniżą hrv_center. Dodanie BMI = podwójne liczenie tego samego efektu fizjologicznego.

Dodatkowe zastrzeżenie: BMI nie rozróżnia masy mięśniowej od tłuszczowej. Sprinter 100 kg / 185 cm (BMI ≈ 29) z doskonałą autonomią sercową byłby błędnie penalizowany.

Aktualne użycie wzrostu i masy: (1) cel nawodnienia (goal = round((kg × 35 + bonusy) / 250) × 250 ml), (2) wyświetlanie BMI informacyjnie. Nie wchodzą do _profileNorms().

14. Ograniczenia i otwarte pytania

14.1 Znane ograniczenia

14.2 Otwarte pytania do profesora

  1. Czy tabela progów laktatu dla profili energetycznych (krok 1) jest poprawna dla poziomu amatorskiego — nie tylko wyczynowego (który dominuje w literaturze)?
  2. Czy korekta −15% dla kobiet w laktacie jest właściwym mnożnikiem dla populacji ogólnej? Tarnopolsky 2008 = próba laboratoryjna przy VO2max 60–70% — czy przenosi się na niższe intensywności?
  3. Czy kierunek korekty wolumenu na lac_low (wyższy wolumen → niższy próg) jest trafny dla mleczanu spoczynkowego/potestowego?
  4. Jakie progi HRV stosować dla osób 10–17 lat?
  5. Czy ANS excitability jako samoocena jest wystarczająco wiarygodna klinicznie, czy lepiej zastąpić ją zakresem HRV z pierwszych sesji?
  6. Czy wagi filarów (Neurologia 4 : Biochemia 3 : Biometryka 2 : Psychofizyka 1) odzwierciedlają aktualny konsensus dotyczący gotowości sportowej? Czy aktywne pomiary CNS powinny dominować nad pasywnymi wearables?
  7. Czy HRV z wagą W=2 w biometryce (podwójna w stosunku do pozostałych) jest fizjologicznie uzasadnione?

15. Schemat bazy danych

KolumnaTypOpis
athlete_iduuid PKKlucz obcy → athletes.id
ageintegerWiek ≥ 10, bez górnej granicy
sextext'male' | 'female' | 'other'
height_cmintegerDo obliczenia BMI — informacyjnie
weight_kgnumeric(5,1)Kanoniczne — moduł nawodnienia bierze stąd
training_experiencetext'<1yr' | '1-3yr' | '3-10yr' | '10+yr'
weekly_volumetext'0-1' | '2-3' | '4-6' | '7+'
energy_profiletext'power_speed' | 'mixed' | 'endurance' | 'untrained'
ans_excitabilitytext'high' | 'average' | 'low'
chronotypetext'morning' | 'neutral' | 'evening'
competition_leveltext'recreational' | 'amateur' | 'competitive' | 'elite'
updated_attimestampOstatnia aktualizacja profilu

16. API

EndpointMetodaAutoryzacjaOpis
/api/bio-profileGETBearer tokenZwraca profil zalogowanego użytkownika lub null; automatycznie wczytywany do window._bioProfile przed każdym testem
/api/bio-profilePUTBearer tokenUpsert profilu; synchronizuje weight_kg i sex do hydration_profiles

17. Literatura

  1. Koenig J. & Thomas J. (2016). Resting heart rate variability in healthy adults — a meta-analytic review of sex differences and age effects. Psychological Medicine, 46(5), 965–970. [Open →]
  2. Mujika I. & Padilla S. (2001). Cardiorespiratory and metabolic characteristics of detraining in humans. Medicine & Science in Sports & Exercise, 33(3), 413–421. [Open →]
  3. Tarnopolsky M.A. (2008). Sex differences in exercise metabolism and the role of 17-beta estradiol. Medicine & Science in Sports & Exercise, 40(4), 648–654. [Open →]
  4. Cooney M.T. et al. (2010). Resting heart rate as a risk marker in healthy individuals and across cardiovascular disease states. European Heart Journal, 31(19), 2348–2356. [Open →]
  5. NHANES. National Health and Nutrition Examination Survey. Resting heart rate norms by age and sex. [Open →]
  6. Hultsch D.F. et al. (2002). Variability in reaction time performance of younger and older adults. The Journals of Gerontology, 57(2), P101–P115. [Open →]
  7. Dijk D.J. & Czeisler C.A. (1995). Contribution of the circadian pacemaker and the sleep homeostat to sleep propensity, sleep structure, electroencephalographic slow waves, and sleep spindle activity in humans. Journal of Neuroscience, 15(5), 3526–3538. [Open →]
  8. Keele S.W. et al. (1985). Individual differences in motor skills and their linkages to cognitive abilities. Attention and Performance, XI. [Google Scholar →]
  9. Task Force of the ESC and NASPE (1996). Heart rate variability: standards of measurement, physiological interpretation and clinical use. Circulation, 93(5), 1043–1065. [Open →]
  10. Plews D.J., Laursen P.B., Stanley J., Kilding A.E. & Buchheit M. (2013). Training adaptation and heart rate variability in elite endurance athletes: Opening the door to effective monitoring. Sports Medicine, 43(9), 773–781. [Open →]
  11. Holloszy J.O. & Coyle E.F. (1984). Adaptations of skeletal muscle to endurance exercise and their metabolic consequences. Journal of Applied Physiology, 56(4), 831–838. [Open →]
  12. Walker M.P. (2017). Why We Sleep: Unlocking the Power of Sleep and Dreams. Scribner. [Sen < 6h override — dowody RT i motoryki] [Publisher →]
  13. Fullagar H.H.K. et al. (2015). Sleep and athletic performance: the effects of sleep loss on exercise performance, and physiological and cognitive responses to exercise. Sports Medicine, 45(2), 161–186. [Open →]
  14. Mah C.D. et al. (2011). The effects of sleep extension on the athletic performance of collegiate basketball players. Sleep, 34(7), 943–950. [Open →]
  15. Cheung K., Hume P.A. & Maxwell L. (2003). Delayed onset muscle soreness: treatment strategies and performance factors. Sports Medicine, 33(2), 145–164. [Open →]
  16. Prat G. & Adan A. (2013). Alcohol use disorder and evening chronotype share a common neurobiological basis. Frontiers in Psychiatry, 4(137). [Open →]

Hyperion Performance Engine v1.5  ·  Sierpień 2026  ·  Proszę o weryfikację sekcji 5.2 (laktat) i odpowiedzi na pytania z sekcji 14.2 przed wdrożeniem produkcyjnym na szerszej próbie.