Arousal pattern analysis of an Olympic champion in ski jumping
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mental strength is essential to success in many sports disciplines, especially in professional ski jumping. While physiological signals can reveal information on the mental state, their measurement and analysis for elite ski jumping athletes during competition has not been realised. For the first time in professional ski jumping, we investigated heart rate (HR), its temporal pattern, and corresponding body motion in relation to arousal of the Olympic ski jumping gold medallist Simon Ammann during actual competitions, including his Vancouver 2010 Winter Olympics victory. Using a miniature, on-body ECG monitor with integrated acceleration sensor, we collected a dataset of 99 hours length, including 37 hill jumps. Arousal was assessed from HR data conditioned on body position and acceleration data. The HR and its pattern were analysed during competition days, actual jump situations (training, qualification, and competition) and pre-performance routines. HR was related to the competitiveness of the jump situation, even when physical sports performance remained unchanged. Arousal during jumping and pre-performance routines showed highly reproducible HR patterns. The HR pattern, as assessed by dynamic time warping, deviated during the final Olympic jump, at which time the athlete reported difficulties in regulating arousal in his trained manner. Our approach can be used to collect, analyse, and visualise data to assess an athlete's levels and patterns of arousal during typical competitive situations. We believe that data collected in field-based studies with on-body sensing technology could assist in the design of arousal assessment tools and help facilitate top performance levels.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle