The effects of training on fatigue and twitch potentiationin human skeletal muscle
Notice bibliographique
Résumé
Twitch postactivation potentiation (PAP) in skeletal muscle is a well recognized and accepted phenomenon. However, the mechanisms responsible for potentiation are not understood in detail, and the possible role of potentiation in normal human movement has remained unclear. It is known that potentiation is increased in fatigued compared to rested muscle. We hypothesized that if fatigue and potentiation were directly linked, a training program should increase PAP and reduce fatigue in parallel. Six subjects underwent a muscle stimulation protocol in which twitch contractions were elicited in the knee extensor muscles before and after a 10‐s maximal voluntary contraction (MVC) to detect the degree of PAP. This was done before and after subjects underwent a protocol designated to induce low‐frequency fatigue (knee extensions at 180 · s −1 , organized in three repetitions of 60‐s bouts, separated by 3 min). This whole protocol was done before and after a 4‐week period of isokinetic training, consisting of two sets (5‐min interval) of 10 single MVCs (10‐s intervals), at 90° · s −1 . In non‐fatigued muscles, PAP was greater after training (51.2 ± 4.8%) than before training (44.4 ± 2.4%). In fatigued muscles, PAP was similar before and after training (59.9 ± 2.8% and 60.2 ± 2.6%, respectively). Low‐frequency fatigue was observed before training, as twitch force decreased to 66.8 ± 3.1% of the pre‐fatigue value. After the training period, low‐frequency fatigue was attenuated, as force decreased only to 81.8 ± 2.6% of the pre‐fatigue value. Therefore, it appears that training decreases low‐frequency fatigue and increases PAP. Therefore, the hypothesis that potentiation is partially linked to fatigue in voluntary contracting human skeletal muscles was confirmed.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».