健身之训练肱三头肌

简介: 在健身训练上,或者任何事情上,人习惯性的重复自己之前的行动,更有效的行为往往因为习惯而没有做。那就要多方面提醒自己什么是相对来说更正确的动作。锻炼手臂而国外有实验显示,夏季女性观察男人最多的部位则是手臂,撑爆袖口的手臂让人感觉感十足,性感指数报表。

在健身训练上,或者任何事情上,人习惯性的重复自己之前的行动,更有效的行为往往因为习惯而没有做。那就要多方面提醒自己什么是相对来说更正确的动作。

锻炼手臂

而国外有实验显示,夏季女性观察男人最多的部位则是手臂,撑爆袖口的手臂让人感觉感十足,性感指数报表。

当我们练背的时候,肱二头肌会参与训练;当我们练胸的时候,肱三头肌会参与训练。

上臂的粗细主要由肱二和肱三头肌组成,但是肱三头肌则占据手臂2/3的大小,二头肌只有1/4的大小,所以如何想让练出更有力量感的手臂,一定不要忽略肱三头肌的训练。

二头肌和三头肌是很有弹性的肌肉群,它们的恢复速度很快,所以如果想最大限度的训练你的手臂,必须要用各种不同的技巧来训练。

肌肉增长原理:通过阻抗训练将肌纤维拉断(其实只是造成微损伤),给肌肉足够的营养和休息让它修复,修复后的肌纤维比以前更粗。

除了运动之外,合适的营养,休息,急速共同作用下,身体才能正常修复损伤的纤维。

三头肌训练动作
  1. 卧推

一般完整做5~8下,卧推根据手臂抓杠的宽窄程度会起到不同的效果。 不同人可能抓的距离不一样,但根据自己找到发力点的距离进行训练。

一般窄握练肱二肱三,宽握练胸肌。

训练肱三的时候,手臂关节可以试着控制向里面收缩,每个人感受可能不同,重点是手臂能感受到发力点。

img_b418829c7e421679999abb385c89e10b.png
image.png

这个动作,找不到发力点更多的时候练习到的是胸部,试着去控制发力点。

  1. 俯卧撑

俯卧撑是一个很经常用到的动作,无器械的时候就可以依靠他了。手臂可以放窄一点。

起始姿势和标准俯卧撑一样,但是双手比出一个钻石状,两手的大拇指、食指紧贴。身体挺直,向下做俯卧撑。身体要保持收紧,不要摆动,这是考验你麒麟臂的时候

如果你想要降低难度,就先用跪姿做


img_4884bae0df3f1c99231b45c981b02e70.png
image.png
  1. 双杠
    如果再健身房,或者公园能练到双杠,那就很好了,对我个人目前的状况来说,这是我很喜欢的一个动作。可以练很多组,不是很多次。而且可以直接感受到刺激肱三头肌。
img_b5ab0389d6192c48e6422ebe6aa10a20.png
image.png
  1. 板凳撑体
    这个也是能直接刺激到肱三的动作,
img_64b9ee5fc7597559d513da0809a3c68e.png
image.png

将双手撑在板凳边上,手臂呈半弯曲,肘部尽量靠近身体。下肢在腿后跟的支撑下轻轻的弯曲
肌肉收缩:通过缓慢控制的运动放低身段,直到肘部形成一个成90度的角,靠三头肌发力,缓慢地将动作还原

额外

以上动作如果觉得,起不到效果,可以增加重量。大重量刺激肌肉。不过重量太重的时候,动作可能容易跑掉以至于起不到训练的效果,动作重量同时控制。

img_68e0fa7ed09dc710f8d57d44de58ad0a.png
image.png

最后一个动作尽量练到力竭为止,并且最后稍作拉伸。

最后

可以用自己做gif图,比较一致。

参考资料

目录
相关文章
|
3月前
|
机器学习/深度学习 编解码 监控
手把手改进yolo训练自己的数据(坑洼路面识别)
手把手改进yolo训练自己的数据(坑洼路面识别)
38 0
|
5月前
|
机器学习/深度学习 存储 人工智能
人工智能学习-传教士-15数码-拟合-逻辑推理
人工智能学习-传教士-15数码-拟合-逻辑推理
27 0
|
11月前
|
XML PyTorch 算法框架/工具
yolo5 训练无人人机识别系统
yolo5 训练无人人机识别系统
70 0
|
11月前
|
机器学习/深度学习 程序员 异构计算
【深度学习】基于卷积神经网络的天气识别训练
【深度学习】基于卷积神经网络的天气识别训练
204 0
|
机器学习/深度学习 算法 数据库
基于深度学习的多人步态识别系统(目前数据集大小124人,准确率96.5%)
基于深度学习的多人步态识别系统(目前数据集大小124人,准确率96.5%)
基于深度学习的多人步态识别系统(目前数据集大小124人,准确率96.5%)
|
机器学习/深度学习 数据采集 监控
|
机器学习/深度学习 数据采集 算法
基于深度学习的单人步态识别系统(目前数据集大小17人,准确率99.98%)
基于深度学习的单人步态识别系统(目前数据集大小17人,准确率99.98%)
基于深度学习的单人步态识别系统(目前数据集大小17人,准确率99.98%)
|
机器学习/深度学习 计算机视觉
基于深度学习的柑橘黄龙病识别方法
基于深度学习的柑橘黄龙病识别方法
基于深度学习的柑橘黄龙病识别方法
|
机器学习/深度学习 数据挖掘
|
机器学习/深度学习 存储 算法
一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法
针对水稻病害虫害检测精度低、速度慢、模型体量大、部署困难等问题,本研究提出了轻量化YOLOv4-GhostNet水稻病虫害识别方法: 1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet特征提取结构; 2)改进YOLOv4网络的加强特征提取部分PANet结构; 3)利用迁移学习与YOLOv4网络训练技巧; 4)模型对水稻病虫害检测的平均精确度达到89.91%,检测速度可达每秒34.51 帧,体量缩减为42.45 MB; 5)与YOLOv4网络相比,网络规模减小了93.88%、网络参数缩减为原来的8.05%、训练速度每秒钟提升了11.59 帧。
446 0