托馬斯全旋
運動科學
體操鞍馬 × 霹靂舞地板 — 跨社群研究整合
// 2026.05 · 整合 26 篇文獻
執行摘要
直接研究極度稀缺
2007 年 Prassas et al. 的案例研究(n=1)是迄今唯一直接以 Thomas Flare 為對象的生物力學論文。幾乎所有知識必須從鞍馬雙腿併攏圓圈(DLC)研究間接推論,或從 Breaking 整體傷害研究中萃取。
腕部承受上肢動作最高衝擊
Markolf et al.(1990)以儀器化鞍馬量測:Flare 峰值力達 1.5–2.0 倍體重,加載率 10.6 倍體重/秒——兩項均為鞍馬各技術中最高。這直接解釋了為何 B-boy 族群的腕部傷害率達 57–69%。
肱三頭肌是全週期主導肌群
Qian et al.(2012)以 16 通道 EMG 量測鞍馬圓圈:肱三頭肌在整個週期輸出最高,雙手支撐過渡相達峰值;胸大肌在左手單撐相主導;背闊肌在右手單撐相與肱三頭肌共同達峰。Flare 張腿改變慣性分布,推估各肌群需求更高。
Breaking 傷害率驚人,腕肩為高危部位
六項流行病學研究(2009–2025)一致顯示傷害率 71–95%,職業選手每人中位數 3.5 起傷害。腕部(57–69%)、肩部(52–61%)、膝部(62–64%)是最常受傷部位。精英選手肩旋轉力量比僅 78%(低於建議值 100%)。
奧運後研究加速,Flare 專項研究即將迎來爆發
Breaking 在 2024 年巴黎奧運亮相後,德國、義大利、美國多個研究團隊正系統性建立運動科學基礎。BRACE 數據集(ECCV 2022)與 Yamasaki et al.(2024)的力學模型為 Flare 自動化分析和最佳化軌跡計算開啟了技術門。
生物力學分析
1.1 唯一的 Flare 直接研究
1.2 鞍馬 vs. 地板 — 關鍵運動學差異
Semenov et al.(2022)[8] 以 Qualisys 3D 動作捕捉比較俄羅斯圓圈(同屬大圓圈技術族群),揭示了地板與鞍馬在力學需求上的結構性差異:
| 參數 | 地板(Floor) | 鞍馬(Pommel Horse) |
|---|---|---|
| 每個圓圈耗時 | 較短(快約 0.3 秒) | 較長 |
| 骶骨垂直位移 | 19 cm(需要大幅髖部抬升) | 11 cm |
| 旋轉速度需求 | 更高 | 較低 |
| 每次手支撐時長 | 0.3–0.4 秒 | 0.3–0.4 秒 |
| 肩關節角度範圍 | 4°–35° | 9°–40° |
1.3 腕部負荷量測(傷害機制核心)
Markolf et al.(1990)[7] 是目前唯一以儀器化鞍馬(load cell)系統性量測各技術腕部負荷的研究,樣本為 17 位精英男子體操選手。
各鞍馬技術中並列最高
各技術中最高
暫態衝擊峰值
1.4 動態平衡理論模型
1.5 高分選手的運動學特徵
Fujihara & Gervais(2015)[5] 分析鞍馬圓圈的向心力與重心速度,歸納出區分高低水平選手的關鍵指標:
- 單手支撐相:高分選手維持更大的重心速度與向心力,形成「流暢連續」的旋轉感
- 雙手過渡相:力學上最複雜困難,即使高水平選手仍有優化空間
- Fujihara & Gervais(2009)[3]:垂直反作用力在雙手支撐階段達峰值;重心速度在單手支撐階段最高
肌電圖與肌肉分析
2.1 研究現況
2.2 肌肉活化相位圖(基於 DLC EMG 推估)
Qian et al.(2012)[2] 以 16 通道 1000 Hz 表面 EMG 量測,結合 LifeMOD/ADAMS 多剛體動力學模型驗證,量測了五條上肢關鍵肌群:
2.3 關鍵力學需求總結
| 肌群 | 英文名 | 主要功能 | Flare 中的角色 |
|---|---|---|---|
| 肱三頭肌 | Triceps brachii | 肘關節伸展、支撐穩定 | 全週期最高輸出,雙手支撐過渡相達峰——最關鍵肌群 |
| 胸大肌 | Pectoralis major | 肩關節水平內收、推力 | 左手單撐相主導,負責推離鞍馬/地板 |
| 背闊肌 | Latissimus dorsi | 肩關節伸展、內旋 | 右手單撐相與肱三頭肌共同達峰 |
| 三角肌(中束) | Middle deltoid | 肩關節外展穩定 | 各過渡相均高度活化,穩定支撐點 |
| 肱二頭肌 | Biceps brachii | 肘屈曲、前臂旋後 | 整體中低水平,左單撐相相對提高 |
| 外腹斜肌 | External oblique | 軀幹旋轉、側屈 | 參與髖部旋轉加速(DLC rolling 研究推論)[4] |
訓練進階系統
3.1 四階段漸進架構
基於現有文獻與主流訓練社群實踐,Flare 的學習可分為四個明確階段。每個階段需要前一階段的力學基礎才能安全推進:
- 建立手腕承重適應(漸進加載)
- 學習重心旋轉與縱軸自轉的協調
- 建立雙手過渡相的節律感
- 評估基準:連續 5 個 DLC 不落地
- 逐步增加腿部張開角度(建議以 30° 為遞增單位)
- FIG 規定 Flare 最低 135° 張角
- 髖部抬高需求隨張腿角度增加
- 開始訓練縱軸 rolling 動作
- 達到完整張腿(135°–180°)
- 地板版本:強調更高的骶骨垂直位移(19 cm 目標)[8]
- 鞍馬版本:強調雙手過渡相的節律精準度
- 評估基準:踝部軌跡直徑與身體對齊(Baudry 2009)[9]
- 多個連續 Flare(鞍馬規定動作需求)
- Breaking:Flare 與 windmill、headspin 等的銜接
- 能量管理:肱三頭肌耐力訓練
- 加入風格化變形(freestyle 表達)
3.2 懸掛輔助器的科學依據
Fujihara & Gervais 發表的三篇系列研究(2012)[10][11][12] 是目前唯一有科學數據支持的 Flare 輔助訓練工具研究:
| 研究 | 主要發現 | 訓練含義 |
|---|---|---|
| 反作用力研究(Sports Biomechanics) | 左手峰值力:1.13 BW → 0.85 BW(↓25%);右手同樣降低 | 適合腕傷復健與初學者保護 |
| 髖關節力矩研究(J Sports Sciences) | 輔助器不改變力矩模式,但改變幅度;淨髖關節力矩發生改變 | 使用前需理解動力學改變,不能直接等同正式執行 |
| 時空特性研究(J Sports Sciences) | 18 人比較;輔助器提供適當動作模式經驗,具運動學習效果 | 有助於建立動作程式,但需逐步撤除輔助 |
3.3 客觀評估指標
Baudry et al.(2009)[9] 比較 6 位專家與 6 位非專家的鞍馬圓圈,歸納出兩個最能區分技術水平的客觀指標:
傷害流行病學
4.1 整體傷害數據
Italy Study 2025(n=97)[18]
Tsiouti & Wyon 2021(n=320)[16]
精英 B-boy/B-girl(Arundale 2023)[17]
4.2 各部位傷害率比較
| 受傷部位 | Cho 2009 [14] n=42 | Tsiouti 2021 [16] n=320 | Italy 2025 [18] n=97 | 與 Flare 的關聯 |
|---|---|---|---|---|
| 腕 / 手 | 69% | 41% | 58% | 直接相關:峰值力 1.5–2.0× BW |
| 肩 | 52% | 36% | 61% | 相關:肱三頭肌、三角肌過度負荷 |
| 膝 | 62% | 32% | 64% | 間接相關:著地衝擊與落地機制 |
| 手指 | 62% | — | — | 相關:地板 Flare 手指支撐壓力 |
| 腰椎 | 50% | — | — | 相關:髖過伸代償 |
4.3 精英選手生理數據(Arundale et al., 2023)
首篇發表精英 Breaking 選手功能性與生理數據的研究[17](14 位精英選手:10 B-boy、4 B-girl):
| 指標 | 數值 | 參考意義 |
|---|---|---|
| 訓練年資 | 中位數 11 年 | 高技術動作需要長期累積 |
| 每週訓練量 | 24.4 小時 | 接近職業體操選手負荷 |
| VO₂max | 47.8 ml/kg/min | 接近女子韻律體操選手水平 |
| 肩外旋/內旋力量比 | 78% | 低於建議值 100%——肩部傷害風險指標 |
| 中位數傷害次數 | 3.5 起/人 | 膝部最常受傷 |
4.4 特殊傷害案例
4.5 腕部保護策略
- 漸進加載:初學者從懸掛輔助器開始(峰值力降低 25%),避免突然全負荷
- 腕部力量訓練:強化橈側屈腕肌、尺側屈腕肌、伸腕肌群
- 手腕貼紮 / 護具:在高訓練量時期提供額外支撐
- 休息管理:訓練時數是唯一顯著傷害危險因子(Joka 2015)[15],需設計合理的恢復週期
職業訓練結構實證
5.1 職業選手訓練數據
前沿探索
6.1 機器學習與動作捕捉
6.2 理論模型的深化潛力
Yamasaki et al.(2024)[4] 的單支撐點剛體力學模型目前以雙腿併攏圓圈為對象。若延伸至 Flare(張腿版本),需要處理:
- 張腿的慣性矩變化:腿部展開使橫向慣性矩大幅增加,整體旋轉動力學根本改變
- 非對稱質量分布:Flare 動作中兩腿位置持續不對稱,需要全三維建模
- 最佳軌跡計算:基於已有的動態平衡條件,理論上可計算「最省力」的 Flare 軌跡
6.3 無標記動作捕捉(Markerless MoCap)
AI 驅動的無標記動作捕捉技術(如 OpenPose、MediaPipe、SMPL 系列)正快速成熟,未來可以:
- 在訓練環境(而非實驗室)中即時分析 Flare 動作,無需貼標記點
- 自動計算骶骨垂直位移、踝部軌跡直徑等 Baudry 指標
- 建立個別選手的動作「指紋」,追蹤學習進展
- 與 BRACE 數據集結合,建立 Flare 質量自動評分系統
6.4 奧運後研究加速
研究缺口
以下八個領域目前幾乎沒有直接研究,是這個動作運動科學的主要空白: