1RM 계산 방법 비교: 예측 공식부터 속도 기반 추정까지

1회 최대 반복(1RM)은 퍼센트 기반 근력 훈련 프로그래밍의 핵심입니다. 1RM은 훈련 부하를 결정하고, 진행 상황을 추적하며, 훈련 강도 구간을 정의합니다. 그러나 직접적인 1RM 테스트에는 본질적인 위험이 따릅니다: 부상을 유발할 수 있는 최대 노력이 필요하고, 훈련 일정을 방해하는 상당한 피로를 생성하며, 일일 변동성으로 인해 실제 일일 능력을 반영하지 못할 수 있습니다.

이러한 이유로 최대하 데이터로부터 1RM을 예측하는 것은 수십 년간 운동 과학의 주요 관심사였습니다. 고전적인 Epley 및 Brzycki 공식부터 최신 속도 기반 추정 방법까지 12개 이상의 예측 공식이 존재합니다. 이 가이드는 주요 접근 방식을 체계적으로 비교하고, 다양한 운동과 대상에 대한 정확도를 검토하며, 여러분의 훈련 환경에 가장 적합한 방법을 선택하는 데 도움을 드립니다.

방법론에 들어가기 전에, 1RM 추정이 중요한 이유와 직접 테스트가 적절한 경우와 그렇지 않은 경우를 이해할 필요가 있습니다.

직접 테스트 대비 1RM 추정의 장점

• 부상 위험 감소: 최대하 테스트는 근육, 힘줄, 관절에 최대 부하를 가하는 진정한 최대 노력의 필요성을 제거합니다
• 낮은 피로 비용: 진정한 1RM 테스트는 3~5분 휴식과 함께 7~10개의 점진적으로 무거운 단일 반복이 필요할 수 있어 전체 훈련 세션을 소비합니다. 추정은 일반 훈련 세트에서 도출할 수 있습니다.
• 빈도: 4~8주마다 테스트하는 대신 매 세션마다 1RM을 추정할 수 있어, 근력 변화를 훨씬 더 민감하게 파악할 수 있습니다
• 일일 적용성: 추정은 일일 능력 변동을 반영하는 반면, 테스트된 1RM은 특정 하루의 스냅샷에 불과합니다

직접 테스트가 여전히 의미 있는 경우

직접 1RM 테스트는 특정 상황에서 여전히 가치가 있습니다:

• 대회 준비: 파워리프터와 역도 선수는 스포츠 특이적 기술로서 최대 단일 반복을 연습해야 합니다
• 검증: 추정된 1RM이 실제 능력과 일치하는지 주기적으로 확인
• 연구 프로토콜: 표준화된 최대 근력 평가가 필요한 연구
• 심리적 벤치마킹: 통제된 조건에서 새로운 개인 기록을 달성하는 자신감과 만족감

전통적인 1RM 예측 공식은 들어올린 부하와 완료한 반복 횟수를 사용하여 최대 근력을 추정합니다. 가장 널리 사용되는 공식은 다음과 같습니다:

Epley 공식 (1985)

1RM = 부하 x (1 + 0.0333 x 반복수)

Epley 공식은 부하와 반복수 사이의 선형 관계를 가정하며, 각 추가 반복은 1RM의 약 3.33%를 나타냅니다. 실전에서 가장 널리 사용되는 공식입니다.

예시: 스쿼트에서 100 kg으로 8회 반복하면, Epley 예측 1RM = 100 x (1 + 0.0333 x 8) = 100 x 1.267 = 126.7 kg.

Brzycki 공식 (1993)

1RM = 부하 x (36 / (37 - 반복수))

Brzycki 공식은 약간 다른 수학적 모델을 사용하며, 높은 반복 범위(10회 이상)에서는 더 낮은 추정치를 생성하고, 낮은 반복 범위(3~7회)에서는 거의 동일한 추정치를 생성합니다.

예시: 100 kg으로 8회 반복: 1RM = 100 x (36 / (37 - 8)) = 100 x 1.241 = 124.1 kg.

Lander 공식 (1985)

1RM = (100 x 부하) / (101.3 - 2.67123 x 반복수)

Lander 공식은 백분율 기반 접근법을 사용하며, 대부분의 반복 범위에서 Epley와 Brzycki 사이의 추정치를 생성합니다.

Lombardi 공식 (1989)

1RM = 부하 x 반복수^0.10

Lombardi는 선형이 아닌 지수 모델을 사용하며, 매우 높거나 낮은 반복 범위에서 다른 추정치를 생성할 수 있습니다.

Mayhew 공식 (1992)

1RM = (100 x 부하) / (52.2 + 41.9 x e^(-0.055 x 반복수))

Mayhew의 지수 모델은 벤치 프레스 성과를 위해 특별히 개발되었으며, 하체 운동에서는 덜 정확할 수 있습니다.

반복 기반 공식의 한계

모든 전통적인 예측 공식은 근본적인 한계를 공유합니다:

• 반복 범위 민감도: 대부분의 공식은 3~7회 반복에서 가장 정확하며, 10회 이상에서는 대사 피로, 통증 내성, 동기 부여가 교란 요인이 되어 점점 부정확해집니다
• 운동 특이성: 한 운동을 위해 개발된 공식은 근육군 참여, 안정화 요구, 피로 패턴의 차이로 인해 다른 운동에 정확하게 전이되지 않을 수 있습니다
• 개인 차이: 근섬유 유형 분포는 실패까지의 반복-관계에 영향을 미칩니다. 주로 속근 섬유를 가진 선수는 85%에서 3회만 반복할 수 있는 반면, 더 지구력 지향적인 선수는 같은 상대적 강도에서 6회 반복할 수 있습니다
• 노력 요구: 모든 반복 기반 공식은 실패에 이르거나 근접한 세트를 필요로 하며, 이는 고유한 피로와 부상 위험을 수반합니다
• 일일 민감도 없음: 공식은 안정적인 1RM을 가정하며, 수면, 스트레스, 회복 상태로 인한 최대 능력의 10~18% 일일 변동을 반영할 수 없습니다

속도 기반 1RM 예측은 근본적으로 다른 접근 방식입니다. 실패까지의 반복 대신, 부하-속도 관계를 활용합니다: 부하가 증가함에 따라 바벨 속도가 일관되고 예측 가능하게 감소하는 현상입니다.

작동 원리

이 방법은 서로 다른 부하에서 두 개 이상의 최대하 세트를 수행하고, 각각의 평균 단축성 속도를 측정한 다음, 속도가 최소 속도 임계값(MVT) — 최대 반복이 완료될 수 있는 가장 느린 속도 — 에 도달하는 부하를 외삽합니다.

1. 워밍업 세트 수행: 점진적으로 무거운 2~3개의 부하(예: 추정 1RM의 60%, 70%, 80%)에서
2. 각 부하에서 평균 단축성 속도 기록 (최상의 반복만 사용)
3. 부하 대 속도 그래프를 그리고 선형 회귀 적합
4. MVT로 외삽: 회귀선이 MVT와 교차하는 부하가 예측 1RM입니다

운동별 최소 속도 임계값

MVT는 운동마다 다르며 가능한 가장 느린 성공적 반복을 나타냅니다:

• 백 스쿼트: 0.30 m/s (범위: 0.25–0.35 m/s)
• 벤치 프레스: 0.17 m/s (범위: 0.13–0.22 m/s)
• 데드리프트: 0.15 m/s (범위: 0.10–0.20 m/s)
• 오버헤드 프레스: 0.20 m/s (범위: 0.15–0.25 m/s)
• 파워 클린: 0.65 m/s (범위: 0.55–0.75 m/s)

개인별 범위가 넓다는 점에 유의하세요. 집단 평균 MVT를 사용하면 오차가 발생합니다; 개별적으로 결정된 MVT를 사용하면 정확도가 크게 향상됩니다.

다점 방법 vs. 2점 방법

Jovanovic와 Flanagan (2014), Garcia-Ramos 등 (2018)의 연구에서 다양한 속도 기반 예측 접근법을 비교했습니다:

• 다점 방법: 4~6개의 부하를 사용하여 부하-속도 프로필을 구축합니다. 가장 정확하지만 더 많은 워밍업 세트가 필요합니다.
• 2점 방법: 두 개의 부하만 사용합니다(일반적으로 가벼운 부하와 중간 부하). 부하가 충분히 분리되면(예: 50%와 80%) 다점 방법과 거의 같은 정확도를 보입니다.
• 단일점 방법: 하나의 부하와 일반화된 부하-속도 방정식을 사용합니다. 가장 덜 정확하지만 가장 실용적입니다.

반복 기반 방법 대비 장점

• 실패 불필요: 모든 세트는 2~3회의 최대하 반복으로, 피로와 부상 위험을 제거합니다
• 일일 민감도: 실제 당일의 실제 부하에서 속도를 측정하기 때문에 예측이 자동으로 현재 능력을 반영합니다
• 속도: 정상적인 워밍업 세트에서 예측을 도출할 수 있어 추가 테스트 시간이 필요하지 않습니다
• 일관성: 실패까지의 반복 방법과 비교하여 동기 부여, 통증 내성, 주관적 노력에 덜 영향을 받습니다

이러한 방법들은 직접 측정된 1RM과 비교했을 때 어떤 성능을 보일까요? 연구가 명확한 지침을 제공합니다:

반복 기반 공식 정확도

LeSuer 등 (1997)의 포괄적 비교 연구에서 67명의 훈련된 피험자를 대상으로 스쿼트, 벤치 프레스, 데드리프트에서 7개의 예측 공식을 실제 1RM과 비교 테스트했습니다:

• 모든 공식은 5회 이하의 반복에서 합리적으로 정확했습니다 (예측 오차 ±3–5%)
• 10회 이상의 반복에서 정확도가 크게 저하되었습니다 (예측 오차 ±8–15%)
• Epley 공식이 운동 전반에서 가장 좋은 전체적 정확도를 보였습니다
• 모든 공식에서 벤치 프레스 예측이 스쿼트나 데드리프트 예측보다 더 정확했습니다
• 가장 정확한 공식 내에서도 개인별 예측 오차는 0%에서 20% 이상까지 다양했습니다

속도 기반 예측 정확도

Garcia-Ramos 등 (2018)은 속도 기반 1RM 예측을 체계적으로 평가했습니다:

• 다점 방법 (4개 이상의 부하)은 벤치 프레스와 스쿼트에서 ±2–3% 이내로 1RM을 예측했습니다
• 2점 방법은 1RM의 최소 30% 이상 분리된 부하를 사용할 때 ±3–4% 정확도를 달성했습니다
• 개별화된 MVT를 사용하면 집단 평균 MVT 대비 정확도가 1–2% 향상되었습니다
• 속도 기반 예측은 반복 기반 방법보다 일별 일관성이 더 높았습니다 (낮은 변동 계수)

직접 비교

직접 비교했을 때, 속도 기반 1RM 예측은 여러 가지 장점을 보여줍니다:

• 최고의 반복 기반 공식과 유사한 전체 정확도 (±3–4% vs. ±3–5%)
• 더 나은 일일 민감도 — 속도 기반 추정치는 일일 준비 상태에 따라 변하는 반면, 반복 기반 추정치는 새로운 테스트가 필요합니다
• 낮은 피로 비용 — 실패까지의 세트가 아닌 최대하 워밍업 세트에서 도출됩니다
• 더 일관적 — 동기 부여, 통증 내성 같은 주관적 요인에 덜 영향을 받습니다

핵심 주의사항: 속도 기반 예측은 충분한 정확도(±0.03 m/s 이상)로 바벨 속도를 측정할 수 있는 장비가 필요합니다. 품질이 낮은 장비를 사용하면 예측 오차가 단순한 반복 기반 공식을 초과할 수 있습니다.

증거를 바탕으로 다양한 훈련 상황에 대한 실전 권장 사항은 다음과 같습니다:

VBT 장비를 가진 개인 선수의 경우

속도 기반 1RM 예측을 주요 방법으로 사용하세요. 2~3주간의 훈련을 통해 개별 부하-속도 프로필을 구축하고, 각 주요 운동에 대한 개인 MVT를 결정하며, 워밍업 세트에서 일일 1RM을 예측하도록 하세요. 8~12주마다 실제 1RM 테스트로 검증하세요.

VBT 장비가 없는 개인 선수의 경우

정확도와 실용성의 최적 균형을 위해 3~5회 반복 세트에서 Epley 공식을 사용하세요. 예측에 8회 이상의 세트를 사용하는 것은 피하세요. 최소 두 가지 다른 부하에서 테스트하고 예측치를 평균하면 정확도가 향상됩니다.

팀을 관리하는 코치의 경우

모든 선수에게 VBT 장비를 장착하면, 속도 기반 예측이 가장 효율적이고 안전한 접근법을 제공합니다 — 테스트 세션이 필요 없고, 일일 부하 조정이 가능합니다. 반복 기반 방법을 사용하는 경우, Epley 공식으로 표준화하고 테스트 간 변동성을 최소화하기 위한 운동별 테스트 프로토콜을 수립하세요.

재활 환경의 경우

속도 기반 1RM 예측은 진정한 최대 테스트가 금기일 수 있는 재활 환경에서 특히 가치가 있습니다. 알려진 속도에서 최대하 부하를 사용하면 치유 중인 조직을 최대 스트레스에 노출시키지 않으면서 근력 능력을 추정하고 회복을 추적할 수 있습니다.

방법 결합

일일 훈련 결정에는 속도 기반 예측을, 교차 검증에는 반복 기반 추정을 사용하는 것을 고려하세요. 두 방법이 3~5% 이내로 일치하면 추정치에 높은 신뢰도를 가질 수 있습니다. 크게 차이가 나면 그 이유를 조사하세요 — 측정 문제, 비정상적인 피로, 또는 부하-속도 프로필 업데이트 필요성을 나타낼 수 있습니다.

피해야 할 일반적인 실수

• 높은 반복 세트로 예측하기: 10회 이상에서는 모든 예측 방법이 신뢰할 수 없게 됩니다. 테스트 세트는 5회 이하로 유지하세요.
• 벤치 프레스 공식을 스쿼트에 적용하기: 가능한 경우 운동별 데이터를 사용하거나, 최소한 특정 운동을 위해 개발된 공식이 아닌 Epley와 같은 일반화된 공식을 사용하세요.
• 개별 MVT 무시하기: 집단 평균 최소 속도 임계값은 개인 임계값과 ±0.05–0.10 m/s 차이가 날 수 있으며, 이는 5–10% 1RM 예측 오차로 변환됩니다. 개별 MVT를 확립하는 시간을 가지세요.
• 피로 상태에서 테스트하기: 반복 기반 예측은 최대 노력이 필요합니다; 완전히 회복되지 않은 상태에서는 예측이 실제 1RM을 과소평가합니다. 속도 기반 예측이 이를 더 잘 처리하지만, 각 반복에서 진정한 최대 의도가 있을 때 가장 잘 작동합니다.