A protocol for measuring the direct effect of cycling on neuromuscular control of running in triathletes
Notice bibliographique
Résumé
The direct effects of cycling on movement and muscle recruitment patterns (neuromuscular control) during running are unknown but critical to success in triathlon. We outline and test a new protocol for investigating the direct influence of cycling on neuromuscular control during running. Leg movement (three-dimensional kinematics) and muscle recruitment (surface electromyography, EMG) were compared between a control run (no prior exercise) and a 30-min transition run that was preceded by 20 min of cycling. We conducted three experiments investigating: (a) the repeatability (between-day reliability) of the protocol; (b) the ability of the protocol to investigate, in highly trained national or international triathletes, the direct influence of cycling on neuromuscular control during running independent of neuromuscular fatigue; and (c) the ability of the protocol to provide a control, or baseline, measure of neuromuscular control (determined using a measure of stability) without causing fatigue. Kinematic and EMG measures of neuromuscular control during running showed moderate to high repeatability: mean coefficients of multiple correlation for repeatability of EMG and kinematics were 0.816 +/- 0.014 and 0.911 +/- 0.031, respectively. The protocol provided a robust baseline measure of neuromuscular control during running without causing neuromuscular fatigue (coefficients of multiple correlation for stability of EMG and kinematics were 0.827 +/- 0.023 and 0.862 +/- 0.054), while EMG and force data provided no evidence of fatigue. The protocol outlined here is repeatable and can be used to measure any direct influence of cycling on neuromuscular control during running.
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 | 0,005 | 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 ».