Is heart rate a convenient tool to monitor over-reaching? A systematic review of the literature
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
OBJECTIVE: A meta-analysis was conducted on the effect of overload training on resting HR, submaximal and maximal exercise HR (HR), and heart rate variability (HRV), to determine whether these measures can be used as valid markers of over-reaching. METHODS: Six databases were searched using relevant terms and strategies. Criteria for study inclusion were: participants had to be competitive athletes, an increased training load intervention had to be used, and all necessary data to calculate effect sizes had to be available. An arbitrary limit of 2 weeks was chosen to make the distinction between short-term and long-term interventions. Dependent variables were HR and HRV (during supine rest). Standardised mean differences (SMD) in HR or HRV before and after interventions were calculated, and weighted according to the within-group heterogeneity to develop an overall effect. RESULTS: In these competitive athletes, short-term interventions resulted in a moderate increase in both resting HR (SMD = 0.55; p = 0.01) and low frequency/high frequency ratio (SMD = 0.52; p = 0.02), and a moderate decrease in maximal HR (SMD = -0.75; p = 0.01). Long-term interventions resulted in a small decrease in HR during submaximal (SMD = -0.38; p = 0.006) and maximal exercise (SMD = -0.33; p = 0.007), without alteration of resting values. CONCLUSION: The small to moderate amplitude of these alterations limits their clinical usefulness, as expected differences may fall within the day-to-day variability of these markers. Consequently, correct interpretation of HR or HRV fluctuations during the training process requires the comparison with other signs and symptoms of over-reaching to be meaningful.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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