Recovery score, readiness e allenamento: cosa possiamo davvero capire dai dati raccolti al polso
Fino a qualche anno fa, per valutare lo stato di recupero di un atleta si osservavano soprattutto performance, frequenza cardiaca, carico di allenamento, qualità del sonno e percezione dello sforzo.
Oggi basta guardare il polso.
HRV, frequenza cardiaca a riposo, sonno, stress e carico di allenamento vengono raccolti automaticamente da smartwatch, anelli e altri dispositivi indossabili. Algoritmi proprietari trasformano poi questi dati in un numero apparentemente semplice: Recovery Score, Readiness Score, Training Readiness.
Verde: puoi spingere.
Giallo: meglio moderare.
Rosso: recupera.
È una promessa tecnologicamente affascinante: trasformare una fisiologia estremamente complessa in una risposta immediata.
Ma proprio qui nasce la domanda più interessante:
quanto è scientificamente solido il passaggio da un segnale fisiologico misurato al polso alla decisione “oggi sono pronto per allenarmi”?
La risposta, come spesso accade nella scienza dello sport, è meno spettacolare del marketing.
L’HRV può essere utile. Un wearable può fornire informazioni preziose. Ma nessun singolo numero può raccontare da solo quanto un atleta sia pronto ad affrontare uno specifico allenamento.
HRV: che cosa stiamo davvero misurando?
La frequenza cardiaca non è perfettamente regolare.
Se un cuore batte a 60 battiti al minuto, non significa che tra un battito e l’altro trascorrano esattamente 1000 millisecondi. Gli intervalli tra battiti consecutivi cambiano continuamente.
Questa variabilità viene indicata come Heart Rate Variability (HRV).
Uno degli indici più utilizzati nel monitoraggio sportivo è il RMSSD (Root Mean Square of Successive Differences), particolarmente adatto alle registrazioni di breve durata e fortemente influenzato dalla modulazione vagale cardiaca (Task Force, 1996; Laborde et al., 2017).
Ma è importante evitare una semplificazione molto diffusa:
HRV alta = recuperato
HRV bassa = affaticato
Non funziona così.
L’HRV riflette una complessa regolazione cardiovascolare ed è influenzata da numerosi fattori: attività fisica precedente, sonno, stress psicologico, respirazione, posizione corporea, temperatura, malattia, sostanze assunte e condizioni della misurazione.
Le indicazioni metodologiche più recenti invitano inoltre a evitare interpretazioni eccessivamente semplicistiche dell’HRV come misura diretta dell’attività simpatica o parasimpatica, e in particolare del cosiddetto “equilibrio simpato-vagale”. L’HRV è il risultato di molteplici processi fisiologici e metodologici che devono essere considerati quando il segnale viene interpretato (Quigley et al., 2024; Carter et al., 2026).
Quindi:
l’HRV è un segnale fisiologico, non un termometro universale della forma fisica.
Il valore di oggi conta meno del comportamento abituale
Immaginiamo un atleta che normalmente presenta un RMSSD compreso tra 55 e 75 ms.
Una mattina registra:
42 ms.
È inferiore al suo valore abituale.
Ma significa necessariamente che non dovrebbe allenarsi?
No.
Potrebbe aver dormito male, essere stato sottoposto a uno stress insolito, aver modificato la respirazione durante la misurazione o aver effettuato la rilevazione in condizioni diverse dal solito. Potrebbe anche trattarsi di una normale oscillazione della propria variabilità biologica.
Per questo l’interpretazione dell’HRV dovrebbe basarsi soprattutto sul confronto con il proprio baseline e sull’andamento nel tempo, non sul confronto con un valore ideale valido per tutti.
Il punto non è quindi chiedersi:
“Oggi ho 48 ms: sono stanco?”
ma:
“Quanto è diverso questo valore dal mio comportamento abituale e che cosa può spiegare questa variazione?”
La differenza è sostanziale.
L’HRV di un atleta non dovrebbe essere semplicemente confrontata con quella di un compagno di squadra. Un valore di 40 ms può essere abituale per una persona e rappresentare invece una deviazione importante per un’altra.
Per questo sono fondamentali misurazioni ripetute, condizioni relativamente standardizzate, baseline individuale, trend e variabilità intraindividuale (Plews et al., 2013; Carter et al., 2026).
Anche il famoso “HRV drop” deve essere letto in questa prospettiva.
Una riduzione rispetto al baseline può accompagnare stress o modificazioni dello stato fisiologico, ma non significa automaticamente overtraining, rischio di infortunio o necessità di saltare l’allenamento. La risposta è individuale e dipende anche dal tipo di sport, dal carico precedente e dal contesto (Bellenger et al., 2016; Addleman et al., 2024).
L’HRV può davvero guidare l’allenamento?
Qui la questione diventa particolarmente interessante.
Sono stati sviluppati programmi nei quali la prescrizione dell’allenamento viene modificata sulla base dell’andamento dell’HRV rispetto a criteri individualizzati.
È importante però chiarire un equivoco:
HRV-guided training non significa semplicemente guardare il valore della mattina e decidere se allenarsi oppure no.
I protocolli utilizzati nella ricerca possono considerare baseline individuali, medie mobili, intervalli di riferimento e criteri decisionali prestabiliti. L’obiettivo è utilizzare l’HRV come strumento di autoregolazione del carico, non trasformarla in un semaforo fisiologico.
Funziona meglio di una programmazione tradizionale?
Le evidenze sono interessanti, ma non rivoluzionarie.
Una systematic review con meta-analisi sull’allenamento endurance guidato dall’HRV ha rilevato effetti favorevoli su alcuni parametri fisiologici submassimali, mentre gli effetti medi su performance e VO₂peak sono risultati piccoli e non statisticamente significativi (Düking et al., 2021).
Un’altra revisione metodologica con meta-analisi ha evidenziato risultati favorevoli soprattutto sulla modulazione vagale cardiaca e alcuni possibili vantaggi sulla fitness aerobica, sottolineando però l’eterogeneità dei protocolli e la necessità di una maggiore standardizzazione dei metodi utilizzati (Manresa-Rocamora et al., 2021).
La conclusione quindi non è:
“L’HRV funziona.”
Ma nemmeno:
“L’HRV non serve.”
Più correttamente:
l’HRV può contribuire all’autoregolazione dell’allenamento, ma non possiede da sola informazioni sufficienti per descrivere lo stato complessivo dell’atleta.
E qui entrano gli smartwatch
L’HRV utilizzata nella ricerca è stata tradizionalmente ottenuta attraverso ECG o strumenti specificamente validati.
Molti wearable utilizzano invece la fotopletismografia (PPG).
Un sensore ottico rileva le variazioni del volume sanguigno periferico e da questo segnale vengono stimati gli intervalli tra pulsazioni.
È una tecnologia estremamente interessante perché permette di raccogliere grandi quantità di dati nella vita quotidiana e durante il sonno.
Ma bisogna distinguere due domande:
- Il dispositivo misura sufficientemente bene il segnale?
- Quel dato permette di prendere una buona decisione sull’allenamento?
Sono due problemi completamente diversi.
Misurare bene non significa interpretare bene
Gli studi di validazione mostrano che diversi dispositivi portatili possono ottenere misurazioni sufficientemente accurate in condizioni controllate o relativamente stabili, ma la precisione dipende dal dispositivo, dal parametro analizzato e dalle condizioni della registrazione (Georgiou et al., 2018; Dobbs et al., 2019).
Il problema diventa particolarmente importante con i sensori ottici.
Movimento, qualità del contatto con la pelle, caratteristiche individuali e condizioni ambientali possono influenzare il segnale PPG. Anche l’accuratezza della frequenza cardiaca tende a variare in funzione del tipo di attività, con prestazioni generalmente migliori in condizioni stabili rispetto ad alcune situazioni di esercizio (Bent et al., 2020; Zhang et al., 2020).
Dati più recenti raccolti nella vita quotidiana mostrano comunque un quadro interessante: la PPG può fornire informazioni fisiologiche utili, soprattutto nelle condizioni in cui il segnale è relativamente stabile, ma la concordanza con l’ECG può cambiare in funzione dell’attività e delle condizioni di registrazione (Rehman et al., 2024).
La domanda corretta non è quindi:
“Lo smartwatch misura l’HRV?”
ma:
“Quanto è affidabile quella specifica misurazione, con quel dispositivo e in quelle condizioni?”
Il problema più grande non è però il sensore
È ciò che accade dopo.
Supponiamo che un dispositivo abbia raccolto correttamente HRV, frequenza cardiaca, durata del sonno e attività fisica.
L’azienda può combinare questi dati con altre variabili e trasformarli in:
Recovery Score = 83/100
Ma quel numero non esiste direttamente nella fisiologia.
Non è una variabile fisiologica come la frequenza cardiaca o un intervallo tra battiti.
È un output algoritmico.
Il risultato dipende da quali variabili vengono incluse, da come vengono pesate, dalla baseline utilizzata e dalle regole attraverso cui il produttore trasforma i dati in un punteggio finale.
Per questo un Recovery Score non dovrebbe essere trattato come se fosse un biomarker.
È una stima algoritmica dello stato di recupero.
E “stima” è la parola importante.
Recovery e readiness non sono la stessa cosa
Qui si trova probabilmente uno dei punti più importanti dell’intera discussione.
Recovery e readiness sono concetti correlati, ma non equivalenti.
Il recupero riguarda il processo attraverso cui l’organismo risponde e si ristabilisce dopo uno stress.
La readiness pone invece una domanda diversa:
“Quanto sono pronto ad affrontare questo specifico compito oggi?”
Un atleta potrebbe non essere completamente recuperato da una partita precedente ma essere perfettamente in grado di svolgere una seduta tecnica a bassa intensità.
Lo stesso atleta potrebbe non essere nelle condizioni ideali per una sessione di sprint massimali.
Quindi non esiste necessariamente soltanto lo stato:
recuperato / non recuperato.
Esiste piuttosto una relazione:
stato dell’atleta × richiesta dell’allenamento.
Ed è molto più difficile sintetizzarla in un singolo numero.
Quando lo smartwatch e l’atleta non sono d’accordo
Immaginiamo:
HRV ↓
Recovery Score ↓
ma contemporaneamente:
sonno buono, percezione della fatica abituale, nessun dolore, motivazione normale e performance nel warm-up normale.
Riduciamo comunque l’allenamento perché lo smartwatch è “rosso”?
Non necessariamente.
Potremmo avere la situazione opposta:
HRV normale
Recovery Score verde
ma sonno scarso, fatica elevata, soreness importante, RPE anormalmente alto e performance peggiorata.
Sarebbe altrettanto poco razionale ignorare tutti questi segnali perché l’applicazione ha dato luce verde.
Dati provenienti dai wearable e valutazioni soggettive possono fornire informazioni complementari sullo stato dell’atleta e le loro relazioni non sono necessariamente lineari (Spetz et al., 2025).
Il dispositivo non è necessariamente “sbagliato”.
Sta misurando una parte del problema.
La percezione dell’atleta non è rumore
Per molto tempo si è implicitamente pensato che un dato fosse tanto più utile quanto più fosse “oggettivo”.
Ma percezione dello sforzo, fatica, stress, motivazione, soreness e qualità percepita del recupero sono anch’esse informazioni.
Un questionario di wellness non misura la stessa cosa dell’HRV.
Ed è proprio per questo che può essere utile.
Se HRV, sonno, frequenza cardiaca, percezione della fatica e performance si muovono nella stessa direzione, il segnale diventa più convincente.
Se cambia soltanto una variabile, l’interpretazione dovrebbe essere più prudente.
È il principio della convergenza delle informazioni: invece di cercare il biomarker perfetto, osservare se indicatori differenti raccontano una storia coerente.
Meglio un sistema di allerta che un semaforo
Un wearable può essere più utile se smettiamo di chiedergli di decidere al nostro posto.
Immaginiamo quattro giorni consecutivi.
Giorno 1
HRV, sonno, RPE e performance normali.
→ Nessun segnale particolare.
Giorno 2
HRV leggermente ridotta, tutto il resto normale.
→ Osservare.
Giorno 3
HRV ancora ridotta, sonno peggiorato, RPE aumentato.
→ Il segnale diventa più interessante.
Giorno 4
HRV ancora bassa, frequenza cardiaca a riposo aumentata, performance peggiorata e fatica elevata.
→ La modifica del carico diventa molto più ragionevole.
Non perché un algoritmo abbia diagnosticato l’affaticamento.
Ma perché più segnali indipendenti stanno convergendo nella stessa direzione.
Il coach vede ciò che l’algoritmo non vede
Un algoritmo può sapere che l’HRV è scesa del 15%.
Non necessariamente sa che l’atleta ha affrontato un lungo viaggio, ha dormito in un hotel, attraversa un periodo particolarmente stressante, ha modificato l’alimentazione, potrebbe stare sviluppando un’infezione o ha una partita importante tra 48 ore.
E soprattutto non conosce automaticamente la natura dello stimolo che il coach sta per proporre.
Il dato può essere reale.
Il significato del dato non è automatico.
Questa è forse la distinzione fondamentale quando utilizziamo la tecnologia nello sport:
misurare è una cosa; interpretare è un’altra.
Il modello più razionale
Se vogliamo utilizzare HRV e wearable per prendere decisioni sull’allenamento, possiamo immaginare cinque livelli.
-
HRV
Come sta cambiando il segnale rispetto al mio baseline e al mio andamento abituale?
-
Sonno
Ho dormito abbastanza e con una qualità coerente con il mio normale comportamento?
-
Percezione
Come mi sento in termini di fatica, stress, motivazione e soreness?
-
Performance
Come sto rispondendo al riscaldamento, a un test semplice o alle prime fasi della seduta?
-
Contesto
Qual è il carico previsto? In quale fase della stagione mi trovo? Ci sono stati viaggi, stress, malattia o altri fattori rilevanti?
Solo dopo arriva la domanda decisiva:
quale stimolo è appropriato oggi?
Questo significa che lo smartwatch non dovrebbe sostituire l’autoregolazione.
Dovrebbe renderla più informata.
Possiamo quindi sapere quando siamo pronti per allenarci?
Possiamo certamente raccogliere più informazioni di quanto fosse possibile fino a pochi anni fa.
L’HRV è uno strumento utile, soprattutto quando viene osservata longitudinalmente e confrontata con il comportamento abituale dell’individuo.
I wearable rendono questa raccolta più semplice e continua.
L’HRV-guided training può contribuire all’autoregolazione del carico.
Ma le evidenze disponibili non giustificano l’idea che un singolo valore HRV o un Recovery Score proprietario possa stabilire autonomamente se un atleta debba allenarsi, ridurre il carico o riposare.
La domanda migliore non è quindi:
“Sono recuperato?”
È:
“Come sto rispetto al mio stato abituale e quanto sono pronto per la richiesta che sto per affrontare?”
È una domanda più complessa.
Ma è anche molto più vicina alla fisiologia reale.
La tecnologia ci ha dato una quantità straordinaria di dati fisiologici raccolti nella vita quotidiana. È un progresso importante.
Ma più dati non significano automaticamente decisioni migliori.
Il wearable non dovrebbe dirci se dobbiamo allenarci.
Dovrebbe aiutarci a capire se oggi c’è qualcosa di diverso dal solito.
La decisione viene dopo.
Ed è probabilmente questo il modo più intelligente di utilizzare la tecnologia nello sport:
non sostituire il giudizio umano con un algoritmo, ma utilizzare i dati per rendere quel giudizio più informato.
Riferimenti bibliografici
Addleman, J. S., Lackey, N. S., DeBlauw, J. A., & Hajduczok, A. G. (2024). Heart rate variability applications in strength and conditioning: A narrative review. Journal of Functional Morphology and Kinesiology, 9(2), 93. https://doi.org/10.3390/jfmk9020093
Bellenger, C. R., Fuller, J. T., Thomson, R. L., Davison, K., Robertson, E. Y., & Buckley, J. D. (2016). Monitoring athletic training status through autonomic heart rate regulation: A systematic review and meta-analysis. Sports Medicine, 46(10), 1461–1486. https://doi.org/10.1007/s40279-016-0484-2
Bent, B., Goldstein, B. A., Kibbe, W. A., & Dunn, J. P. (2020). Investigating sources of inaccuracy in wearable optical heart rate sensors. NPJ Digital Medicine, 3, 18. https://doi.org/10.1038/s41746-020-0226-6
Carter, J. R., Jenkins, N. D. M., Bigalke, J. A., Robinson, A. T., Keller-Ross, M. L., Greaney, J. L., Fonkoue, I. T., Fadel, P. J., Macefield, V. G., Charkoudian, N., Levine, B. D., & Joyner, M. J. (2026). Guidelines for rigor and reproducibility of heart rate variability within human cardiovascular research. American Journal of Physiology-Heart and Circulatory Physiology. Advance online publication. https://doi.org/10.1152/ajpheart.00041.2026
Dobbs, W. C., Fedewa, M. V., MacDonald, H. V., Holmes, C. J., Cicone, Z. S., Plews, D. J., & Esco, M. R. (2019). The accuracy of acquiring heart rate variability from portable devices: A systematic review and meta-analysis. Sports Medicine, 49(3), 417–435. https://doi.org/10.1007/s40279-019-01061-5
Düking, P., Zinner, C., Trabelsi, K., Reed, J. L., Holmberg, H. C., Kunz, P., & Sperlich, B. (2021). Monitoring and adapting endurance training on the basis of heart rate variability monitored by wearable technologies: A systematic review with meta-analysis. Journal of Science and Medicine in Sport, 24(11), 1180–1192. https://doi.org/10.1016/j.jsams.2021.04.012
Georgiou, K., Larentzakis, A. V., Khamis, N. N., Alsuhaibani, G. I., Alaska, Y. A., & Giallafos, E. J. (2018). Can wearable devices accurately measure heart rate variability? A systematic review. Folia Medica, 60(1), 7–20. doi: 10.2478/folmed-2018-0012.
Laborde, S., Mosley, E., & Thayer, J. F. (2017). Heart rate variability and cardiac vagal tone in psychophysiological research: Recommendations for experiment planning, data analysis, and data reporting. Frontiers in Psychology, 8, 213. https://doi.org/10.3389/fpsyg.2017.00213
Manresa-Rocamora, A., Sarabia, J. M., Javaloyes, A., Flatt, A. A., & Moya-Ramón, M. (2021). Heart rate variability-guided training for enhancing cardiac-vagal modulation, aerobic fitness, and endurance performance: A methodological systematic review with meta-analysis. International Journal of Environmental Research and Public Health, 18(19), 10299. https://doi.org/10.3390/ijerph181910299
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. https://doi.org/10.1007/s40279-013-0071-8
Quigley, K. S., Gianaros, P. J., Norman, G. J., Jennings, J. R., Berntson, G. G., & de Geus, E. J. C. (2024). Publication guidelines for human heart rate and heart rate variability studies in psychophysiology—Part 1: Physiological underpinnings and foundations of measurement. Psychophysiology, 61(9), e14604. https://doi.org/10.1111/psyp.14604
Rehman, R. Z. U., Chatterjee, M., Manyakov, N. V., Daans, M., Jackson, A., O’Brisky, A., Telesky, T., Smets, S., Berghmans, P. J., Yang, D., Reynoso, E., Lucas, M. V., Huo, Y., Thirugnanam, V. T., Mansi, T., & Morris, M. (2024). Assessment of physiological signals from photoplethysmography sensors compared to an electrocardiogram sensor: A validation study in daily life. Sensors, 24(21), 6826. https://doi.org/10.3390/s24216826
Spetz, L., Rogestedt, J., Nilsson, R., Mattsson, C. M., & Larsen, F. J. (2025). Validating subjective ratings with wearable data for a nuanced understanding of load-recovery status in elite endurance athletes. Sports Medicine – Open, 11(1), 154. https://doi.org/10.1186/s40798-025-00958-y
Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. (1996). Heart rate variability: Standards of measurement, physiological interpretation and clinical use. Circulation, 93(5), 1043–1065.
Zhang, Y., Weaver, R. G., Armstrong, B., Burkart, S., Zhang, S., & Beets, M. W. (2020). Validity of wrist-worn photoplethysmography devices to measure heart rate: A systematic review and meta-analysis. Journal of Sports Sciences, 38(17), 2021–2034. https://doi.org/10.1080/02640414.2020.1767348
